d. Kategori rendah : Mi
– 1,5Si X ≤ Mi – 0,5Si e. Kategori sangat rendah
: Mi – 3Si X ≤ Mi – 1,5Si
Keterangan: Mean ideal Mi =
nilai maksimum + nilai minimum Standar deviasi ideal Si =
nilai maksimum – nilai minimum
2. Analisis Prasyarat
a. Uji Normalitas
Pengujian normalitas adalah pengujian tentang kenormalan distribusi data. Penggunaan uji normalitas karena pada analisis statistik
parametrik asumsi yang harus dimiliki oleh data adalah terdistribusi secara normal. Maksud data terdistribusi secara normal adalah bahwa
data akan mengikuti bentuk distribusi normal. Distribusi normal data dengan bentuk distribusi normal di mana data memusat pada nilai rata-
rata dan median Purbayu Budi Santosa dan Ashari, 2005: 231. Uji normalitas dalam penelitian ini menggunakan rumus nilai Z
kurtois
sebagai berikut Imam Ghozali, 2006: 150:
5
Dimana N adalah jumlah sampel, jika nilai Z hitung lebih besar dari Z tabel maka distribusi tidak normal. Tingkat signifikansi 0,05 nilai
Z tabel = 1.96.
N Kurtosis
Zkurtosis 24
b. Uji Linieritas
Asumsi linieritas menyatakan bahwa untuk setiap persamaan regresi linear, hubungan antara variabel independen dan dependen harus
linier hubungan antar variabel mengikuti garis linear. Asumsi ini akan menentukan jenis persamaan estimasi yang digunakan, apakah
persamaan logaritma, persamaan kubik, kuadratik atau inverse Purbayu Budi Santosa dan Ashari, 2005: 244. Analisis regresi linear dapat
dilakukan apabila asumsi linieritas terpenuhi. Untuk mengetahui hal tersebut digunakan uji F dengan rumus:
6
Keterangan: : Harga bilangan F untuk garis regresi
: Rerata kuadrat garis regresi : Rerata kuadrat residu
Dari hasil perhitungan nilai F hitung dibandingkan dengan F
tabel. Jika F hitung lebih besar dari F tabel, maka hipotesis nol yang menyatakan bahwa spesifikasi model dalam bentuk fungsi linear
ditolak.
c. Uji Asumsi Klasik
Sebelum melakukan analisis regresi, perlu dilakukan pengujian asumsi klasik terlebih dahulu, agar data sampel yang diolah benar-benar
dapat mewakili populasi secara keseluruhan. Uji asumsi klasik dalam
penelitian ini mencakup uji multikolineritas dan uji heterokedastisitas. Uji asumsi tersebut secara lebih jelas diuraikan sebagai berikut.
1 Uji Multikolinearitas
Uji multikolinearitas merupakan bentuk pengujian untuk asumsi dalam analisis regresi berganda. Asumsi multikolinieritas
menyatakan bahwa variabel independen harus terbebas dari gejala multikolinearitas. Gejala ini ditunjukkan dengan kolerasi yang
signifikan antar variabel independen. Apabila terjadi gejala multikolinearitas, salah satu langkah untuk memperbaiki model
adalah dengan menghilangkan variabel dari model regresi, sehingga bisa dipilih model yang paling baik Purbayu Budi Santosa dan
Ashari, 2005: 238. Ada tidaknya multikolinearitas dapat dilihat dari besarnya Tolerance Value dan Variance Inflation Factor VIF yang
dapat dihitumg dengan rumus: 7
VIF = Tolerance Value dan VIF menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya atau dalam pengertian sederhana setiap variabel independen
menjadi variabel dependen terikat. Tolerance Value mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan
oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1Tolerance Value. Nilai