41 suatu data dikatakan berdistribusi normal apabila pada scatter plot terlihat titik
yang mengikuti data disepanjang garis normal. Pada pendekatan Kolmogrov- Smirnov, suatu data dikatakan berdistribusi normal apabila nilai Asymp.Sig 2-
tailed berada diatas nilai signifikan yaitu 0,05.
3.9.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi yang tinggi antar variabel independen. Jika terjadi
korelasi maka dinamakan terdapat problem multikolinearitas. Deteksi adanya multikolinearitas dapat dilihat pada besarnya nilai tolerance dan Variance
Inflation Factor VIF, jika nilai VIF 5 dan nilai tolerance 0,1 maka tidak terdapat masalah multikolinearitas. Multikolinearitas dapat dilihat dari nilai
tolerance dan Variance Inflation Factor VIF, nilai yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah Tolerance 0,1 sedangkan
Variance Inflation Factor VIF 5 maka terdapat masalah multikolinearitas Situmorang dan Lutfi, 2014:147. Model regresi yang baik seharusnya tidak
terjadi korelasi diantara variabel independen. Terdapat bermacam cara untuk menghilangkan gejala multikolinearitas dalam suatu model regresi antara lain
dengan menambah data sampel atau menghilangkan salah satu atau beberapa variabel mempunyai nilai korelasi yang tinggi.
3.9.3 Uji Autokorelasi
Uji autokolerasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu residual pada periode t dengan
42 kesalahan pada periode t-1 periode sebelumnya. Jika terjadi korelasi, maka
dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Autokorelasi pada sebagian besar kasus ditemukan pada
regresi yang datanya adalah time series atau berdasarkan waktu berkala, seperti bulanan, triwulan dan tahunan. Gejala autokorelasi dideteksi dengan
menggunakan Durbin-Watson test. Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin-Watson dengan ketentuan sebagai berikut:
Kriteria pengambilan keputusan uji autokorelasi ditunjukkan pada Tabel 3.2 sebagai berikut:
Tabel 3.2 Kriteria Pengambilan Keputusan Uji Autokorelasi
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif Tolak
0 d dl
Tidak ada autokorelasi positif No decision
dl ≤ d ≤ du
Tidak ada korelasi negative Tolak
4 – dl d 4
Tidak ada korelasi negative No decision
4 – du ≤ d ≤ 4 – dl
Tidak ada autokorelasi positif atau negative
Tidak ditolak du d 4 – du
Sumber: Situmorang dan Lutfi 2014
Keterangan :
Dl = Batas bawah Du = Batas atas
3.9.4 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan
yang lain. Jika varians dari residual dari satu pengamatan ke pengamatan yang lain tetap atau sama maka disebut homokedastisitas, demikian sebaliknya jika
43 varians berbeda disebut heteroskedastisitas. Model regresi yang baik seharusnya
tidak terjadi heteroskedastisitas sehingga model regresi layak dipakai untuk memprediksi variabel dependen berdasarkan masukan variabel independennya.
Alat untuk menguji heteroskedastisitas yakni dengan alat analisis grafik atau dengan analisis residual yang berupa statistik Situmorang dan Lutfi, 2014:121.
Analisis grafik dilakukan melalui pembacaan grafik Scatterplot. Apabila terlihat titik-titik menyebar secara acak, tidak membentuk sebuah pola tertentu yang jelas
dan tersebar baik di atas maupun dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas pada model regresi. Analisis statistik dilakukan melalui
uji Gletser. Suatu model regresi dikatakan tidak mengalami heteroskedastisitas apabila tidak ada variabel independen yang signifikan secara statistik
mempengaruhi variabel dependen.
3.10 Pengujian Hipotesis
