i
3.6.1.1 Uji Normalitas
“Uji normalitas bertujuan untuk menguji apakah variabel dalam model regresi variabel pengganggu atau residual memiliki distribusi
normal” Ghozali, 2006:110. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal.Histogram atau
pola distribusi data normal dapat digunakan untuk melihat normalitas data. Uji Kolmogrov Smirnov, dalam uji pedoman yang digunakan
dalam pengambilan keputusan yaitu: a. jika nilai signifikansi 0.05 maka distribusi data tidak
normal, b. jika nilai signifikansi 0.05 maka distribusi data normal.
Menurut Ghozali 2006:112,“pada prinsipnya normalitas data dapat dideteksi dengan melihat penyebaran data titik pada sumbu
diagonal dari grafik atau dengan melihat histogram dari residualnya.” Dasar pengambilan keputusan:
1 jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan
pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2 jika data menyebar jauh dari diagonal dan atau tidak mengikuti arahgaris diagonal atau grafik histogram tidak
menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
i
3.6.1.2 Uji Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi di antara variabel independen. Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.
Erlina dan Mulyani 2007:107, menyatakan “Multikolinearitas merupakan kondisi dimana terjadi korelasi antar variabel-variabel
independen suatu penelitian atau dengan kata lain bersifat ortogonal.” Variabel-variabel independen yang bersifat ortogonal adalah variabel
yang memiliki nilai korelasi di antara sesamanya sama dengan nol. Jika terjadi korelasi sempurna diantara sesama variabel independen, maka
konsekuensinya adalah: a koefisien-koefisien regresi menjadi tidak dapat ditaksir
b nilai standar error setiap koefisien regresi menjadi tak terhingga
Jika terjadi korelasi, maka terdapat masalah multikolinearitas. Pengujian dilakukan dengan nilai VIF Variance Inflation Factor dari
model penelitian. Jika nilai VIF lebih dari 2 maka dapat dikatakan bahwa telah terjadi gejala multikolinearitas dalam model penelitian. Di
samping itu, “suatu model dikatakan terdapat gejala multikolinearitas, jika korelasi di antara variabel independen lebih besar dari 0.9”
Ghozali, 2005:91.
i
Menurut Ghozali 2005:91, cara yang dapat dilakukan jika terjadi multikolinearitas yaitu:
1. Mengeluarkan salah satu atau lebih variabel independen yang mempunyai korelasi tinggi dari model regresi dan
indentifikasi variabel independen lainnya untuk membantu prediksi
2. Menggabungkan data cross section dan time series pooling data
3. Menambah data penelitian.
3.6.1.3 Uji Heteroskedastisitas