4.3.2 Uji Asumsi Klasik
Uji asumsi klasik ini dilakukan karena dalam model regresi perlu memperhatikan adanya penyimpangan-penyimpangan atas asumsi klasik, karena
pada hakekatnya jika asumsi klasik tidak dipenuhi maka variabel-variabel yang menjelaskan akan menjadi tidak efisien. Asumsi-asumsi klasik yang harus
dipenuhi yaitu : asumsi normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi.
4.3.2.1 Uji Normalitas
Pengujian ini dilakukan untuk mengetahui apakah distribusi sebuah data telah mengikuti atau mendekati distribusi normal. Data yang baik adalah data
yang mempunyai pola seperti distribusi normal, yaitu distribusi data tidak menceng ke kiri atau ke kanan. Cara yang digunakan untuk mendeteksi apakah
data berdistribusi normal atau tidak yaitu dengan pendekatan histogram, grafik, dan Kolmogorov-Smirnov.
Sumber: Hasil penelitian, 2014 data diolah
Gambar 4.2 Hasil Uji Normalitas Histogram
Histogram pada Gambar 4.2 diketahui bahwa data variabel berdistribusi normal. Hal ini ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau
menceng ke kanan kurvanya berbentuk lonceng.
Universitas Sumatera Utara
Sumber: Hasil penelitian, 2014 data diolah
Gambar 4.3 Hasil Uji Normalitas Normal P-P Plot
Grafik normal probability plot pada Gambar 4.3 dapat diketahui bahwa titik-titik mengikuti data disepanjang garis diagonal. Hal ini berarti data
berdistribusi normal. Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov-Smirnov
1 sample K-S yang hasilnya tampak pada Tabel 4.9 berikut ini.
Tabel 4.9 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov
Unstandardized Residual
N 76
Normal Parameters
a,b
Mean .0000000
Std. Deviation 5.96651602
Most Extreme Differences Absolute
.084 Positive
.062 Negative
-.084 Kolmogorov-Smirnov Z
.730 Asymp. Sig. 2-tailed
.661 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil penelitian, 2014 data diolah
Universitas Sumatera Utara
Berdasarkan uji Kolmogorov-Smirnov 1 sample K-S pada Tabel 4.9 menunjukkan besarnya nilai Asymp. Sig. 2-tailed adalah 0,661 berada di atas
nilai signifikan 0,05 dan nilai Kolmogorov-Smirnov Z sebesar 0,730 lebih kecil dari 1,97. Hal ini berarti data terdistribusi normal, sehingga dari uji ini
menunjukkan bahwa model regresi memenuhi asumsi normalitas.
4.3.2.2 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk melihat apakah dalam model regresi ditemukan adanya korelasi antara variabel independen satu dengan yang lainnya.
Uji ini dilakukan dengan melihat collinearity statistics dan koefisien korelasi antara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas
dapat dilakukan dengan melihat nilai tolerance variable dan Variance Inflation Factor
VIF. Dengan ketentuan jika VIF 5 atau tolerance 0,1 maka tidak terjadi multikolinieritas. Hasil pengujian statistik multikolinieritas tampak pada
Tabel 4.10 berikut ini.
Tabel 4.10 Hasil Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
40.562 5.832
6.955 .000
Jenis_Kelamin -3.516
1.471 -.265
-2.390 .020
.965 1.036
Usia .265
.835 .035
.317 .752
.974 1.026
Pendidikan -.102
1.134 -.010
-.090 .929
.884 1.131
Status_Perkawinan -2.865
2.219 -.148
-1.291 .201
.905 1.105
Jumlah_Anak 2.859
1.093 .291
2.617 .011
.959 1.042
Pendapatan -.087
1.159 -.008
-.075 .940
.949 1.053
Universitas Sumatera Utara
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
40.562 5.832
6.955 .000
Jenis_Kelamin -3.516
1.471 -.265
-2.390 .020
.965 1.036
Usia .265
.835 .035
.317 .752
.974 1.026
Pendidikan -.102
1.134 -.010
-.090 .929
.884 1.131
Status_Perkawinan -2.865
2.219 -.148
-1.291 .201
.905 1.105
Jumlah_Anak 2.859
1.093 .291
2.617 .011
.959 1.042
Pendapatan -.087
1.159 -.008
-.075 .940
.949 1.053
a. Dependent Variable: Toleransi_Risiko
Sumber: Hasil penelitian, 2014 data diolah
Berdasarkan dari hasil perhitungan nilai VIF, tidak satupun variabel independen yang memiliki nilai lebih dari 5, karena nilai VIF tertinggi sebesar
1,131 dan nilai tolerance seluruh variabel independen menunjukkan hasil lebih dari 0,1. Sehingga dapat disimpulkan bahwa pada model regresi tidak terjadi
gejala multikolinieritas antar variabel independen.
4.3.2.3 Uji Heteroskedastisitas