berdistribusi normal,
non-multikolinearitas, artinya antara variabel independen dalam model
regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,
non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi
tidak saling korelasi,
homoskedasitas, artinya variance variabel independen dari satu pengamatan kepengamatan yang lain adalah konstan atau sama.
2.1 Hasil Uji Normalitas
Pengujian ini dimaksudkan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki
distribusi normal. Adapun uji normalitas dapat dilakukan dengan dua cara yaitu analisis garfik dan statistik.
2.1.1 Analisis Grafik
Analisis grafik dapat digunakan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik
adalah data yang memiliki pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati
distribusi normal adalah distribusi data dengan bentuk lonceng. Pada grafik P-P Plot, sebuah data dikatakan
berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar di
sekitar garis diagonal. Berikut hasil uji normalitas dengan menggunakan analisis grafik.
Gambar 4.1 Uji Normalitas
Sumber: Lampiran iv
Gambar 4.2 Uji Normalitas
Sumber: Lampiran iv
Dengan melihat tampilan grafik histogram, kita dapat melihat bahwa gambarnya telah berbentuk lonceng
dan menceng ke kiri yang menunjukkan bahwa data tidak terdistribusi secara normal. Pada grafik P-P Plot terlihat
titik-titik menyebar di sekitar garis diagonal dan jauh dari garis diagonal. Kedua grafik tersebut menunjukkan bahwa
model regresi menyalahi asumsi normalitas. 2.1.2
Uji Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara
seksama, sehingga kita perlu melakukan uji normalitas data dengan menggunakan statistik agar lebih meyakinkan.
Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-
Smirnov 1 sample KS dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai
signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika nilai signifikansinya lebih kecil
dari 0,05 maka distribusi data adalah tidak normal. Hasil uji
Kolmogorov-Smirnov dapat dilihat pada tabel 4.1
Tabel 4.2 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 72
Normal Parameters
a
Mean .0000000
Std. Deviation 3.57652154
Most Extreme Differences Absolute
.307 Positive
.307 Negative
-.215 Kolmogorov-Smirnov Z
2.607 Asymp. Sig. 2-tailed
.000 a. Test distribution is Normal.
Sumber: Lampiran iv
Hasil uji Kolmogorov-Smirnov pada penelitian ini menujukkan probabilitas = 0.000. Dengan demikian, data
pada penelitian ini tidak berdistribusi normal dan dapat digunakan untuk melakukan uji hipotesis karena 0.000
0,05. Pada pengujian normalitas dengan analisis statistik
dapat ketahui bahwa data yang digunakan oleh penulis tidak berdistribusi normal sehingga data ini tidak dapat
digunakan untuk melakukan uji hipotesis. Pada penelitian ini penulis menggunakan metode transformasi data untuk
menormalkan data penelitian. Menurut Gozali 2005:32,
data yang tidak terdistribusi secara normal dapat ditransformasi agar menjadi normal. Salah satu trasformasi
data yang dapat dilakukan adalah dengan mentransformasikan data ke LG10 atau logaritma 10 atau
LN. Hasil transformasi data dapat dilihat pada lampiran vii. Setelah dilakukan transformasi, penulis melakukan
pengujian ulang terhadap uji normalitas untuk melihat kembali apakah data penelitian ini telah berdistribusi
normal atau tidak. Hasil pengujian normalitas setelah transformasi dapat dilihat sebagai berikut.
2.1.3 Analisis Grafik
