31 Estimator, yang artinya nilai estimator yang terbaik, estimator yang linear, dan
estimator yang tidak bias. Maka data-data yang digunakan dalam analisis regresi terlebih dahulu akan diuji normalitas, uji multikolinearitas, uji heteroskedastisitas,
dan uji autokorelasi.
3.7.1.1 Uji Normalitas
Tujuan uji normalitas adalah untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Uji ini
berguna untuk tahap awal dalam metode pemilihan analisis data. Jika data normal, maka digunakan statistik parametrik, dan jika data tidak normal maka digunakan
statistik nonparametrik atau lakukan treatment agar data normal. Data yang baik adalah data yang mempunyai pola seperti distribusi normal. Untuk melihat
normalitas dapat dilakukan dengan melihat histogram atau pola distribusi data normal. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada
sumbu diagonal dari grafik atau dengan melihat histogram dari nilai residualnya. Dasar pengambilan keputusannya adalah:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau garis histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas,
2. Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Dalam
penelitian ini Peneliti menggunakan uji Kolmogorov-Smirnov K-S untuk menguji normalitas data. Uji K-S dibuat dengan membuat hipotesis:
32 H0 : data residual berdistribusi normal,
Ha : data residual tidak berdistribusi normal.
3.7.1.2 Uji Multikolinearitas
Menurut Ghozali 2009: 91, “uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen.” Model
regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen
antara yang satu dengan yang lainnya. Jika terjadi korelasi sempurna diantara
sesama variabel bebas, maka konsekuensinya adalah:
1. Koefisien-koefisien regresi menjadi tidak dapat ditaksir,
2. Nilai standar error setiap koefisien regresi menjadi tak terhingga. Ada
tidaknya multikolinearitas dapat dideteksi dengan melihat nilai tolerance dan variance inflation factor VIF, serta dengan menganalisis matriks
korelasi variabel-variabel independen. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah jika nilai VIF tidak
lebih dari sepuluh dan nilai tolerance tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolinearitas.
3.7.1.3 Uji Heteroskedastisitas
