56
a. Uji Normalitas
Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi
berdistribusi normal atau tidak Suliyanto 2011:67.Apabila sebaran data sudah berdistribusi normal, maka uji lanjut dengan
menggunakan statistik parametrik bisa dilakukan. Sebaliknya, bila data tidak berdistribusi normal maka uji lanjut dengan
menggunakan statistik parametrik tidak bisa dilakukan, tetapi menggunakan statistik non
parametrik. Untuk menguji normalitas sebaran data bisa dilakukan dengan empat cara, yaitu
Chi-Square, Lilifors dan Kormogorov Smirnov dan Skewness Kurtosis. Pada penelitian ini, Uji normalitas menggunakan
jarque-bera yang bertujuan untuk menguji apakah dalam model regresi
variabel dependen, variabel independen maupun keduanya berdistribusi normal atau tidak. Model yang baik
adalah yang memiliki distribusi data yang normal. Pada penelitian ini untuk menguji normalitas dalam persamaan regresi
adalah dengan dua cara: a. Membandingkan statistik Jarque-Bera JB dengan nilai X2
tabel. Jika nilai JB ≤ X2 tabel maka nilai residual terstandarisasi dinyatakan berdistribusi normal.
b. Jika nilai probabilitas lebih besar dari nilai derajat kesalahan α = 0.05, maka penelitian ini tidak ada
57
permasalahan normalitas atau dengan kata lain, data terdistribusi normal.
b. Uji Multikolinieritas
Uji multikolinieritas merupakan hubungan linier antara variabel
independen didalam
regresi berganda.
Agus Widarjono, 2010:75. Ada beberapa metode untuk mendeteksi
ada tidaknya masalah multikolinieritas dalam suatu model regresi berganda. multikolinieritas bisa dideteksi dengan melihat
kolerasi linier antara variabel independen di dalam regresi. Sebagai aturan yang kasar rule of thumb, jika koefisien
kolerasi cukup tinggi yaitu diatas 0,85 maka kita duga ada multikolinieritas dalam model.
Sebaliknya jika koefisien kolerasi kurang dari 0,85 maka kita duga model tidak mengandung unsur multikolinieritas.
Akan tetapi perlu kehati-hatian terutama pada data time series seringkali menunjukan kolerasi antar variabel independen cukup
tinggi. Kolerasi tinggi ini terjadi karena data time series seringkali menunjukan unsur tren yaitu data bergerak naik dan
turun secara bersamaan Agus Widarjono, 2010:77.
c. Uji Heteroskedastisitas