Ketiga grafik tersebut menunjukkan kurva yang simetris tidak menceng ke kanan atau ke kiri. Selanjutnya dapat dilakukan uji asumsi klasik karena
variabel sudah terdistribusi normal.
4.2.4 Uji Asumsi Klasik
Semua variabel yang akan dianalisis melalui analisis regresi harus lolos uji asumsi klasik. Uji asumsi klasik terdiri dari uji multikolinearitas, uji
heterokedastisitas, uji autokorelasi, uji normalitas dan uji linearitas. Data yang baik adalah yang non-multikolinearitas, non-heterokedastisitas
homokedastisitas, non-autokorelasi, dan terdistribusi normal.
4.2.4.1 Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen. Data yang baik adalah yang non
multikolinearitas artinya tidak ada korelasi antar variabel independen.Menurut Ade Fatma Lubis 2007:32 ketentuan untuk mendeteksi ada tidaknya
multikolinearitas adalah sebagai berikut : c. Jika nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai
Tolerance tidak kurang dari 0.1, maka model dapat dikatakan terbebas dari multikolinearitas. VIF = 1 Tolerance.
d. Jika nilai koefisien korelasi antar masing-masing variabel independen kurang dari 0.70, maka model dapat dinyatakan bebas dari asumsi klasik
multikolinearitas. Jika lebih dari 0.7 maka diasumsikan terjadi korelasi yang sangat kuat antar variabel independen sehingga terjadi
multikolinearitas.
Ghozali 2005:91-92 menambahkan multikolinearitas pada model regresi juga dapat dideteksi bila nilai
atau koefisien determinasi yang mengukur
Universitas Sumatera Utara
seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen, sangat tinggi, tetapi secara individual variabel-variabel independen
banyak yang tidak signifikan mempengaruhi variabel dependen. Nilai adalah antara nol dan satu. Nilai
yang kecil berarti kemampuan variabel- variabel independen dalam menjelaskan variasi variabel dependen sangat
terbatas. Berikut ini adalah hasil uji multikolinearitas pada penelitian ini dibantu
dengan program SPSS: Tabel 4.2.4.1
Uji Multikolinearitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-.055 .147
-.371 .711
LNITO -.181
.088 -.179
-2.049 .042
.768 1.302
LNFATO .258
.048 .469
5.367 .000
.768 1.302
a. Dependent Variable: LNQR
Sumber: diolah peneliti menggunakan SPSS Dari tabel 4.2.4.1 tersebut dapat dilihat bahwa nilai tolerance setiap
variabel 0,768 0,1 dan nilai VIF adalah 1,302 10 artinya non- multikolinearitas atau tidak terdapat korelasi antar variabel independen,
sehingga data tersebut lulus uji multikolinearitas. Bila dilihat dari koefisien determinasi
maka akan diperoleh hasil sebagai berikut:
Universitas Sumatera Utara
Tabel 4.2.4.1 Koefisien Determinasi
Model Summary
Model R
R Square Adjusted R
Square Std. Error of the
Estimate 1
.414
a
.171 .160
.76144 a. Predictors: Constant, LNFATO, LNITO
Sumber : diolah peneliti menggunakan SPSS Berdasarkan hasil koefisien determinasi
dapat disimpulkan bahwa memiliki nilai 0,171, artinya variabel independen memiliki kemampuan untuk
menjelaskan variasi variabel dependen.
4.2.4.2 Uji Heterokedastisitas
Uji heterokedastisitas yaitu untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan
yang lain. Menurut Ghozali 2005:105 : Model regresi yang baik adalah Homokedastisitas, artinya variance dari
residual satu pengamatan ke pengamatan lain tetap. Untuk mendeteksi ada atau tidaknya heterokedastisitas yaitu dengan melihat grafik plot antara
nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan
melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y dalah Y yang telah diprediksi, dan sumbu X
adalah residual Y prediksi-Y sesungguhnya yang telah di-studentized.
Cara melihat grafik scatterplot tersebut dipaparkan Ade Fatma Lubis,
2007:34 sebagai berikut: e. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0.
f. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. g. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali. h. Penyebaran titik-titik data sebaiknya tidak berpola.
Universitas Sumatera Utara
Hasil uji heterokedastisitas dapat dilihat pada gambar berikut ini:
Gambar 4.2.4.2 Scatterplot Uji Heterokedastisitas
Sumber: diolah peneliti menggunakan SPSS
Berdasarkan scatterplot yang tampak pada gambar 4.2.4.2 dapat disimpulkan tidak terjadi heterokedastisitas homokedastisitas artinya pada model regresi
tidak terjadi ketidaksamaam variance dari residual satu pengamatan ke pengamatan lain. Hal ini dapat dilihat pada gambar tersebut, data terlihat
menyebar di atas, di bawah dan di sekitar angka 0.
Universitas Sumatera Utara
4.2.4.3 Uji Autokorelasi
Uji autokorelasi dilakukan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan penganggu pada periode t dengan
kesalahan pada periode t-1. Menurut Ade Fatma Lubis 2007:33 “ cara menguji autokorelasi adalah dengan melihat model regresi linier berganda
terbebas dari autokorelasi apabila nilai Durbin Watson berada di bawah angka 2”.
Menurut Ghozali 2005:95-96 : “Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Uji Durbin-Watson DW test dilakukan setelah terlebih dahulu membuat hipotesis yang akan diuji. Hipotesis tersebut adalah :
Ho : tidak ada autokorelasi r = 0 Ha
: ada autokorelasi r ≠ 0
Pengambilan keputusan ada tidaknya autokorelasi: Hipotesis nol
Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif
Tidak ada korelasi negatif Tidak ada korelasi negatif
Tidak ada autokorelasi, Positif atau negatif
Tolak No decision
Tolak No decision
Tidak ditolak 0 d dl
dl ≤ d ≤ du
4 - dl d 4 4 - du
≤ d ≤ 4 - dl du d 4 - du
Hasil uji autokorelasi pada penelitian ini dapat dilihat sebagai berikut:
Universitas Sumatera Utara
Tabel 4.2.4.3 Uji autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .414
a
.171 .160
.76144 1.888
a. Predictors: Constant, LNFATO, LNITO b. Dependent Variable: LNQR
Sumber: diolah peneliti menggunakan SPSS Nilai DW pada penelitian ini adalah 1,888, nilai ini akan dibandingkan dengan
nilai tabel dengan menggunakan nilai signifikansi 5 jumlah sampel 144 dan jumlah variabel independen 2 k = 2, dari tabel Durbin Watson diperoleh nilai
sebesar dL = 1,706 dan dU = 1,760. du d 4 - du
1,760 1,888 4 – 1,760 1,760 1,888 2,24
Maka keputusan yang diambil adalah Ho tidak dapat ditolak yang asrtinyatidak ada autokorelasi .
4.2.4.4 Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah dalam model regresi variabel pengganggu memiliki distribusi normal. Uji normalitas dapat
dilakukan dengan analisis grafik dan analisis statistik. Berikut ini adalah hasil analisis grafik dan analisis statistik untuk uji normalitas pada penelitian ini:
Universitas Sumatera Utara
Universitas Sumatera Utara
Gambar 4.2.4.4 Hasil Uji Normalitas melalui Histogram, P-Plot dan scatter Plot
Sumber : diolah peneliti menggunakan SPSS Berdasarkan gambar 4.2.4.4 dapat disimpulkan sebagai berikut:
a. Grafik histogram memperlihatkan bahwa kurva tidak menceng ke kiri atau ke kanan serta titik puncak berada di angka nol. Hal ini berarti model
regresi lolos uji normalitas. b. Gambar P-Plot juga menunjukkan model regresi lolos uji normalitas, hal ini
ditandai dengan titik-titik yang berada mendekati garis linier. c. Gambar Scatter Plot menunjukkan hasil yang sama dengan dua gambar
sebelumnya. Titik-titik pada scatterplot terlihat menyebar di atas, di bawah dan disekitar titik nol, ini berarti model regresi lolos uji normalitas.
Selanjutnya uji normalitas dapat dilakukan juga dengan uji statistik.
Universitas Sumatera Utara
Berikut ini adalah hasil uji normalitas dengan menggunakan uji Kolmogorov- Smirnov.
Tabel 4.2.4.4 Hasil uji Kolmogorov Smirnov
Sumber : diolah peneliti menggunakan SPSS
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 144
Normal Parameters
a
Mean .0000000
Std. Deviation .75609854
Most Extreme Differences Absolute
.055 Positive
.034 Negative
-.055 Kolmogorov-Smirnov Z
.656 Asymp. Sig. 2-tailed
.783 a. Test distribution is Normal.
Tabel 4.2.4.4 menunjukkan nilai Kolmogorov – Smirnov adalah 0,656 dan signifikan pada 0,783. Hal ini berarti Ho diterima yang berarti data residual
terdistribusi normal. Uji statistik ini konsisten dengan uji grafik yang telah dilakukan sebelumnya, maka penelitian ini dinyatakan lolos uji normalitas.
4.2.5 Uji Hipotesis
