Asumsi Klasik 1 Uji Normalitas

4.2.2. Asumsi Klasik 4.2.2.1 Uji Normalitas

1. Grafik

Pengujian dengan grafik histogram dengan kriteria pola distribusi yang tidak menceng ke kiri dan kekanan maka dapat dinyatakan bahwa distribusi data berasal dari populasi yang terdistribusi normal.Pengujian normalitas menggunakan P-P Plot, dengan kriteria, apabila titik-titik pada P-P Plot berada pada garis lurus, maka dapat dinyatakan bahwa distribusi data berasal dari populasi yang terdistribusi normal. Universitas Sumatera Utara Gambar 4.1 P-plot Normalitas Data Berdasarkan hasil histogram dan diagram P-P Plot diatas dapat diketahui bahwa grafik histogram mmeberikan pola distribusi yang normal dan titik-titik menyebar di sekitar garis lurus, seperti tampak pada gambar p-plot di atas. Hal ini berarti bahwa data penelitian ini telah diambil dari populasi yang terdistribusi normal. Universitas Sumatera Utara

2. Uji Statistik

Untuk mendeteksi normalitas data, dapat pula dilakukan melalui analisis statistik Kolmogorov-Smirnov Test K-S. Uji K-S dilakukan dengan membuat hipotesis : H0 = Data residual terdistribusi normal. H1 = Data residual tidak terdistribusi normal. Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut: a. Apabila probabilitas nilai Z uji K-S signifikan secara statistik ditolak, yang berarti data terdistribusi tidak normal. b. Apabila probabilitas nilai Z uji K-S tidak signifikan secara statik maka H0 diterima, yang berarti data terdistribusi normal. Tabel 4.2 Uji Normalitas Data One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 102 Normal Parameters a,,b Mean .0000000 Std. Deviation 12.89693952 Most Extreme Differences Absolute .148 Positive .091 Negative -.148 Kolmogorov-Smirnov Z 1.493 Asymp. Sig. 2-tailed .023 a. Test distribution is Normal. Universitas Sumatera Utara Dari hasil pengolahan data tersebut, besar nilai Kolmogorov-Smirnov adalah 1,493 dan signifikansi pada 0,23 maka disimpulkan data terdistribusi secara normal karena p=0,130,05 yang menunjukkan Ho diterima. Hal ini sejalan dengan hasil yang didapatkan dari uji grafik normal diagram dan plot data.

4.2.2.2 Uji Multikolineritas

Pengujian multikolinearitas dilakukan untuk membuktikan apakah ubahan atau variabel bebas pada penelitian ini dapat diasumsikan tidak saling berintervensi ketika dibuat pemodelan dengan variabel terikat. Kriteria dinyatakan bahwa variabel bebas tidak saling intervensi satu sama lain ketika 1. Jika nilai tolerance 10 persen dan nilai VIF 10, maka dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independen dalam model regresi. 2. Jika nilai tolerance 10 persen dan nilai VIF 10, maka dapa disimpulkan bahwa ada multikolinearitas antar variabel independen dalam model regresi. Pengujian multikoleniaritas dapat ditunjukkan sebagai berikut: c. Calculated from data. Sumber: SPSS 17 Data diolah 2011 Universitas Sumatera Utara Tabel 4.3 Uji Multikolinearitas Sumber: SPSS 17, Data diolah 2011 Pada tabel rangkuman hasil uji multikolinearitas di atas, diperoleh harga VIF tidak ada yang melebihi dari nilai 10 dan Tolerance 0, 10. Dengan demikian dapat disimpulkan bahwa model regresi tersebut tidak terdapat masalah multikolinieritas antar variabel independen dalam model regresi.

4.2.2.3 Uji Heterokedastisitas

Uji heteroskedastisitas digunakan untuk mengetahui apakah residu pada model regresi bersifat heterogen atau homogen. Apabila bersifat heterogen, akan menyebabkan model regresi tidak mampu meramalkan dengan akurat, karena memiliki residu yang tidak teratur. Pada penelitian ini untuk mengatahui ada atau Coefficients a Model Collinearity Statistics Tolerance VIF 1 TA .874 1.144 KAP .847 1.181 AO .933 1.071 a. Dependent Variable: AR Universitas Sumatera Utara tidaknya problem heteroskedastisitas digunakan scatter plot. Kriterianya adalah apabila titik-titik pada scatter plot atau diagram pencar tidak membentuk pola tertentu, maka dapat dinyatakan bahwa model regresi tidak terkendala heteroskedastisitas. Gambar 4.2 Uji Heterokedasitas Data Berdasarkan grafik scatter plot diatas dapat disimpulkan bahwa model regresi tidak terkendala heteroskedastisitas, karena diagram pencar tidak membentuk pola tertentu. Universitas Sumatera Utara

4.2.2.4 Uji Autokorelasi

Masalah autokorelasi biasanya terjadi ketika penelitian memiliki data yang terkait dengan unsur waktu times series. Data pada penelitian ini memiliki unsur waktu karena didapatkan antara tahun 2008 – 2010, sehingga perlu mengetahui apakah model regresi akan terganggu oleh autokorelasi atau tidak. Kriteria yang digunakan adalah apabila harga Dw diantara Du sampai dengan 4 – Du. Tabel 4.4 Uji Autokorelasi Data T a b e l Sumber: SPSS 17 Data diolah 2011 Pada penelitian ini memiliki 3 variabel bebas dan 1 variabel terikat, atas dasar hal tersebut maka dapat diketahui Du yang diperoleh dari tabel Durbin Watson sebesar 1,625. Nilai ini akan dibandingkan dengan nilai signifikansi 5, jumlah sampel 102 dan jumlah variable 3 sehingga k=3. Berdasarkan harga tersebut, harga du adalah 1,613, sehingga dapat ditentukan batas du adalah Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .338 a .114 .087 13.093 1.625 a. Predictors: Constant, AO, TA, KAP b. Dependent Variable: AR Universitas Sumatera Utara 1,613 dan 2,387 4-du. Oleh karena nilai DW 1,625 lebih besar dari batas du 1,613 dan kurang dari 2,387, maka dapat disimpulkan bahwa model regresi tidak terganggu oleh adanya autokorelasi.

4.3 Persamaan Regresi