Uji Asumsi Klasik Metode Analisa Data

3.3.3. Uji Asumsi Klasik

Agar mendapatkan prediktor yang tidak bias maka diperlukan evaluasi terhadap dipenuhinya asumsi dari regresi linier klasik yaitu: asumsi normalitas, tidak terdapat autokorelasi, multikolinieritas dan heteroskedastisitas. Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk menguji apakah distribusi data normal atau tidak dalam penelitian ini digunakan dengan melihat normal probability plot, yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan plotting data akan dibandingkan dengan garis diagonal. Jika distribusi data normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Autokorelasi merupakan korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data deretan waktu atau ruang Gujarati, 2003. Dalam konteks regresi, model regresi linier klasik mengasumsikan bahwa autokorelasi seperti itu tidak terdapat dalam disturbansi atau ganguan ui. Dengan kata lain unsur gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur disturbansi atau gangguan yang berhubungan dengan pengamatan lain manapun. Uji Auto Korelasi merupakan pengujian asumsi dalam regresi di mana variabel dependen tidak berkorelasi dengan dirinya. Maksud korelasi dengan diri Universitas Sumatera Utara sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu sendiri, baik nilai variabel sebelumnya, atau nilai periode sesudahnya Santoso Ashari, 2005: 240. Dasar pengambilan keputusannyaadalah sebagai berikut: a. Angka Durbin Watson dibawah -2 berarti ada autokorelasi positif b. Angka Durbin Watson diantara -2 sampai +2 berarti tidak ada autokorelasi c. Angka Durbin Watson di atas +2 berarti ada autokorelasi negative Multikolineritas terjadi jika terdapat hubungan yang sempurna atau pasti di antara beberapa variabel atau semua variabel independen dalam model. Pada kasus multikolinieritas yang serius, koefisien regresi tidak lagi menunjukan pengaruh murni dari variabel independen dalam model. Multikolinierity berarti adanya hubungan yang sempurna atau pasti di antara beberapa variabel atau semua variabel yang menjelaskan dari model regresi Sumarno, 2003; Gujarati, 2003. Pengujian asumsi klasik Multikolinieritas dilakukan dengan melihat nilai VIF Variance Inflation Factor dan Tolerance. Bila nilai VIF lebih kecil dari 10 dan nilai toleransinya di atas 0,1 atau 10 maka dapat disimpulkan dalam model bebas dari penyimpangan asumsi klasik. Multikolinieritas Ghozali, 2005; Gujarati, 2003. Asumsi penting dari model regresi linear klasik adalah bahwa gangguan Disturbance yang muncul dalam fungsi regresi populasi adalah homoskedastisitas, yaitu semua standar error mempunyai varian yang sama. Pengujian terhadap gejala Heteroskedastisitas digunakan Glejtser Test Gujarati, 2003 yaitu dengan cara meregres nilai residual absolute sebagai variabel terikat dari perhitungan regresi Universitas Sumatera Utara awal dengan semua variabel bebasnya. Bila pengujian secara statistik dari hasil regresi tidak signifikan, ini berarti dalam model tidak terjadi penyimpangan asumsi klasik heteroskedastisitas dengan demikian menerima hipotesis homoskedastisitas dan sebaliknya. Uji Heteroskedastisitas digunakan untuk melihat apakah variabel pengganggu mempunyai varian yang sama atau tidak. Heteroskedastisitas mempunyai suatu keadaan bahwa varian dari residual suatu pengamatan ke pengamatan yang lain berbeda. Salah satu metode yang digunakan untuk menguji ada tidaknya heteroskedastisitas akan mengakibatkan penaksiran koefisien-koefisien regresi menjadi tidak efisien. Hasil penaksiran akan menjadi kurang dari semestinya. Heteroskedastisitas bertentangan dengan salah satu asumsi dasar regresi linier, yaitu bahwa variasi residual sama untuk semua pengamatan atau disebut homoskedastisitas Gujarati dalam Elmasari, 2010: 53. Untuk mendeteksi ada atau tidaknya heteroskedastisitas yaitu dengan melihat grafik Plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada atau tidaknya dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED di mana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual Y predisi – Y sesungguhnya yang telah di studentized. Universitas Sumatera Utara Dasar analisisnya adalah sebagai berikut: a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang melebar kemudian menyempit maka mengindikasikan telah terjadi heteroskedastisitas. b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

3.3.4. Uji Statistik