Uji Normalitas Data Uji Asumsi Klasik Regresi Berganda

data yang diperoleh sesuai dengan kenyataan, berapa kali pun pengambilan data dilakukan, hasilnya tetap sama. Rumus varians : n n x x ∑ ∑ = 2 2 σ Keterangan : n = jumlah sampel x = nilai skor yang dipilih Reliabilitas suatu instrument dapat diterima jika memilki koefisien alpha cronbach minimal 0.60 yang berarti bahwa instrument tersebut dapat digunakan sebagai pengumpul data yang handal, yaitu hasil pengukuran relatif konsisten jika dilakukan pengukuran ulang.

2. Uji Normalitas Data

Uji Normalitas data bertujuan untuk mengetahui distribusi data dalam variable yang akan digunakan dalam penelitian. Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki distribusi normal atau mendekati normal. Suatu variabel dikatakan normal jika gambar distribusi dengan titik-titik data yang menyebar disekitar garis diagonal dan penyebaran titik-titik data searah mengikuti garis diagonal Bhuono, 2005:24. 40 Selain menggunakan teori diatas sebagai landasan uji normalitas yang digunakan dalam penelitian ini juga menggunakan uji Kolmogorov- Smirnov untuk menguji sesuai goodness of fit. Dalam hal ini yang diperhatikan adalah tingkat kesesuaian antara distribusi nilai sampel observasi dengan distribusi teoritis tertentu normal, uniform, eksponensial atau poisson. Jadi hipotesis statistiknya adalah bahwa distribusi frekuensi hasil pengamatan bersesuaian dengan distribusi frekuensi harapan teoritis Tim penelitian dan pengembangan Wahana Komputer, 2006. Adapun hipotesisnya: H : Fx = F0x, dengan Fx adalah fungsi distribusi frekuensi hasil pengamatan, dan F0x adalah distribusi frekuensi harapan teoritis dalam artian populasi berdistribusi normal. H 1 : Fx ≠ F0x atau distribusi populasi tidak normal Pengambilan keputusan berdasarkan probabilitas dengan α = 0,05 : Jika probabilitas 0,05 , maka H0 diterima Jika probabilitas 0,05 , maka H1 ditolak

3. Uji Asumsi Klasik Regresi Berganda

Model regresi berganda dapat dikatakan sebagai model yang baik jika model tersebut memenuhi asumsi normalitas data dan terbebas dari asumsi klasik statistik, baik itu multikoliniearitas dan heteroskedastisitas. 41

a. Uji Multikolinearitas

Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel bebas independen. Adanya hubungan linear yang sempurna atau eksak diantara variabel bebas dalam model regresi. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Jika variabel bebas saling berkorelasi diantara variabel bebas, maka variabel-variabel ini tidak othogonal. Variabel orthogonal adalah variabel bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol. Menurut Bhuono, 2005:59, mendeteksi multikolinieritas pada suatu model dapat dilihat dari beberapa variabel dependen. 1 Jika nilai Varians Inflation Faktor VIF tidak lebih dari 10 dan tolerande tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolinieritas VIF = 1Tolerance, jika VIF = 10 maka tolerance = 110 = 0,1 semakin tinggi VIF maka semakin rendah tolerance. 2 Jika nilai koefisien korelasi antar masing-masing variabel independent kurang dari 0.70. Maka model dinyatakan bebas dari asumsi klasik multikolinearitas. 3 Jika nilai koefisien determinan R-Square diatas 0.6 namun tak ada variabel independent yang berpengaruh terhadap variabel dependen maka model terkena multikolinearitas. 42

b. Heteroskedastisitas

Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Asumsi heteroskedastisitas ialah apabila variasi dari faktor pengganggu selalu sama pada data pengamatan yang satu ke data pengamatan yang lain. Jika ciri ini terpengaruhi, berarti variasi faktor pengganggu pada kelompok data tersebut bersifat homoskedastik. Jika asumsi itu tidak dapat dipenuhi, maka dapat dikatakan terjadi penyimpangan. Penyimpangan terhadap faktor pengganggu sedemikian itu disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastis dan tidak terjadi heteroskedastisitas. Menurut bhuono, 2005 : 63 untuk mengetahui ada tidaknya heteroskedastisitas ada beberapa cara yaitu: 1 Melihat grafik plot antara nilai prediksi variabel terikat ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dengan melihat antara SPRESID dan ZPRED dimana sumbu Y adalah yang diprediksi dan sumbu X adalah residual. 2 Dasar analisis jika ada pola tertentu seperti titik-titik yang membentuk pola yang teratur bergelombang, melebar, kemudian menyempit maka mengindikasikan telah terjadi heteroskedastisitas. 43 Jika tidak ada pola yang jelas secara titik-titik menyebar diatas dan dibawah titik origin pada sumbu Y, maka tidak terjadi heterokedastisitas.

4. Analisis Regresi Linier Berganda