3.3.3.1 Uji Normalitas
Uji Normalitas dalam pengujian ini bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi
normal. Model Regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa
nilai residual mengikuti distribusi normal Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel yang kecil Imam Ghozali,
2007. Ada dua cara untuk menguji apakah residual berdistribusi normal atau
tidak yaitu dengan analisis grafik dan uji statistik. Salah satu cara termudah untuk melihat normalitas residual adalah dengan
melihat histogram yang
membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian hanya dengan melihat histogram hal ini dapat
menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat distribusi normal probability plot yang
membandingkan distribui kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan
dengan garis diagonal. Jika distribusi data residual adalah normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
Untuk mendeteksi normalitas data dapat juga dilakukan dengan uji Kolmogorov- Smirnov. Apabila probabilitas signifikansi nilai K-S jauh diatas 0,10 maka data
tersebut terdistribusi secara normal Imam Ghozali, 2007.
3.3.3.2 Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui adanya hubungan linear yang sempurna diantara beberapa atau semua variabel independen dari model
regresi Damodar Gujarati, 1997. Model yang baik seharusnya tidak terjadi korelasi antar variabel independen. Dalam penelitian ini, uji multikolinearitas
dilakukan dengan menggunakan matrik korelasi. Berdasarkan penggunaan uji multikolinearitas dengan matrik korelasi, apabila nilai matrik korelasi antar
variabel bebas kurang dari 0,90 artinya bahwa semua variabel bebas tidak terkena multikolinearitas sehingga tidak membahayakan interpretasi hasil analisis regresi
Imam Ghozali, 2007.
3.3.3.3 Heteroskedastisitas