Uji Asumsi Klasik Teknik Analisis Data 1. Statistik Deskriptif

41 maksimum, nilai minimun, nilai rata-rata mean dan standar deviasi dari setiap variabel.

3.6.2. Uji Asumsi Klasik

Penggunaan analisis regresi dalam statistik harus bebas dari asumsi-asumsi klasik seperti normalitas data, multikolinearitas, heterokedastisitas dan asumsi-asumsi klasik lainnya. Adapun pengujian asumsi klasik yang digunakan adalah sebagai berikut: 3.6.2.1. Uji Normalitas Data Tujuan uji normalitas menurut Erlina 2008:12 adalah untuk mengetahui apakah dalam model regresi variabel penganggu atau residual memiliki distribusi normal. Model regresi yang baik adalah distribusi data normal atau mendekati normal. Dalam penelitian ini uji normalitas menggunakan Kolmogorov-Smirnov. Dasar pengambilan keputusan adalah melihat angka probabilitas, dengan ketentuan: Probabilitas 0,05 : hipotesis diterima karena data berdistribusi secara normal. Probabilitas 0,05 : hipotesis ditolak karena data tidak berdistribusi. Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk yang normal dengan cara transformasi data. Transformasi data dapat dilakukan dengan logaritma natural Ln, Log 10, maupun akar kuadrat. Jika ada data yang bernilai negatif, transformasi data dengan Universitas Sumatera Utara 42 logaritma natural Ln, Log 10, maupun akar kuadrat akan menghilangkannya sehingga jumlah sampel n akan berkurang. 3.6.2.2. Uji Multikolinearitas Uji multikolinearitas bertujuan menguji apakah regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak mengandung korelasi diantara variabel-variabel independen. Untuk melihat ada atau tidaknya multikolinearitas dalam model regresi menurut Ghozali 2005:91 dapat dilihat dari: 1. Nilai tolerance dan lawannya 2. Variance inflation factor VIF Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Nilai tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1 tolerancei. Apabila nilai tolerance diatas 10 persen dan VIF dibawah 10, maka dapat disimpulkan bahwa model regresi bebas dari multikolinearitas. 3.6.2.3. Uji Autokorelasi Uji ini dimaksudkan untuk menguji apakah dalam suatu model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi adalah Universitas Sumatera Utara 43 umumnya terjadi pada regresi yang datanya time series karena pengganggu pada seorang individukelompok cenderung mempengaruhi gangguan pada seorang individukelompok yang sama pada periode berikutnya. Untuk mendeteksi ada tidaknya autokorelasi, maka dilakukan pengujian Durbin-Watson. Kriteria pengambilan keputusan menurut Situmorang 2014:140 adalah sebagai berikut: Tabel 3.6 Kriteria Pengambilan Keputusan Autokorelasi Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 d dl Tidak ada autokorelsi positif No decision dl ≤ d ≤ du Tida ada korelasi negatif Tolak 4 – dl d 4 Tidak ada korelasi negatif No decision 4 – du ≤ d ≤ 4 – dl Tidak ada autokorelasi positif dan negatif Tidak ditolak du d 4 − du 3.6.2.4. Uji Heterokedastisitas Uji ini memiliki tujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke Universitas Sumatera Utara 44 pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas Ghozali, 2005:105. Untuk mendeteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scatterplot antara nilai prediksi variabel dependen dengan residualnya. Dasar analisis yang dapat digunakan untuk menentukan heteroskedastisitas antara lain: 1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas. 2. Jika tidak ada pola yang jelas, seperti titik yang menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.

3.6.3. Pengujian Hipotesis