a. Uji Normalitas Data
Tujuan uji normalitas menurut Erlina 2008 : 102 adalah untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual
memiliki distribusi normal. Model regresi yang baik adalah distribusi data normal atau mendekati normal.
Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji analisis statistik.
1. Analisis Grafik
Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram
dari residualnya. Dasar pengambilan kesimpulan sebagaimana dikemukakan Ghozali 2005 : 112
a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh dari diagonal danatau tidak mengikuti arah
garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
2. Analisis Statistik
Untuk menentukan uji ini didasarkan kepada Kolmogorov – Smirnov Goodness of Fit Test terhadap model yang diuji. Pedoman untuk pengambilan
keputusannya didasarkan sebagaimana diungkapkan Ghozali 2005 : 114 “ Apabila nilai signifikansi atau nilai probabilitas 0,05, maka distribusi data
normal. Apabila nilai signifikansi atau nilai probabilitas 0,05, maka distribusi data tidak normal.
b. Uji Multikolinearitas
Menurut Erlina 2009 : 105 “ multikolinearitas adalah situasi adanya korelasi variabel – variabel independen antara yang satu dengan yang lainnya
“. Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik seharusnya
tidak terjadi korelasi dintara variabel independen. Untuk melihat ada atau tidaknya multikolinearitas dalam model regresi menurut Ghozali 2005 : 91
dapat dilihat dari : 1.
Nilai tolerence dan lawannya. 2.
Variance Inflation factor VIF Kedua ukuran ini menunjukkan setiap variabel independen manakah
yang dijelaskan oleh variabel independen lainnya. Tolerence mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh
variabel independen lainnya. Jadi, nilai Tolerence yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1 tolerence. Nilai cutoff yang umum
dipakai untuk menunjukkan adanya multikolinearitas adalah nilai Tolerence 0,10 atau sama dengan VIF 10.
Cara yang dapat dilakukan untuk menanggulangi jika terjadi multikolinearitas adalah dengan mengeluarkan salah satu variabel bebas yang
memiliki korelasi yang tinggi dari model regresi dan identifikasi variabel lainnya untuk membantu prediksi.
c. Uji Autokorelasi
Kategori