jumlah sampel kecil. Metode yang lebih handal dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi
normal. Distribusi normal akan membentuk garis lurus diagonal, dan ploting data residul akan dibandingkan dengan garis diagonal. Jika
distribusi data residul normal, maka garis yang menggambarkan data yang sesungguhnya akan mengikuti garis diagonalnya. Ghozali, 2002 dalam
Zulaikha 2008. Pengujian normalitas data juga dilakukan menggunakan alat uji statistik, yaitu alat statistik Kolmogorov-Smirnov K-S. Jika
tingkat signifikasinya lebih besar dari 0,05 maka distribusi data adalah normal.
a. Pendekatan Histogram
Gambar 4.1 Histogram Uji Normalitas
Sumber : SPSS 18.0, diolah Penulis, 2013.
Dari hasil tampilan kurva histogram di atas dapat terlihat bahwa kemiringan kurva cenderung ke kanan, hal ini menunjukkan bahwa data
tidak terdistribusi dengan normal.
Universitas Sumatera Utara
b. Pendekatan Kolmogrov-Smirnov
Tabel 4.9 Hasil Uji Normalitas Pendekatan
Kolmogrov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 30
Normal Parameters
a,b
Mean .0000000
Std. Deviation 17.23671503
Most Extreme Differences Absolute
.199 Positive
.199 Negative
-.151 Kolmogorov-Smirnov Z
1.092 Asymp. Sig. 2-tailed
.184 a. Test distribution is Normal.
b. Calculated from data.
Sumber : SPSS 18.0, diolah Penulis, 2013.
Tabel 4.9 di atas terlihat bahwa Asymp.Sig 2-tailed adalah 0,184 dan di atas nilai signifikan 0,05, dengan kata lain variabel residual tidak
terdistribusi normal.
Universitas Sumatera Utara
c. Pendekatan P-P Plot
Gambar 4.2 Uji Normalitas P-P Plot
Sumber : SPSS 18.0, diolah Penulis, 2013.
Dari hasil grafik Normal P-Plot Regression di atas dapat dilihat titik-titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi
dengan normal. Menurut Erlina 2008 ada beberapa cara mengubah model regresi
menjadi normal yaitu : a. lakukan transformasi data ke bentuk lainnya,
b. lakukan trimming, yaitu membuang data outlier,
Universitas Sumatera Utara
c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural Ln. Setelah itu, data
diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi:
Tabel 4.10 Hasil Uji Normalitas 2 Setelah Transformasi Dengan Logaritma Natural
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 30
Normal Parameters
a,b
Mean .0000000
Std. Deviation .89631974
Most Extreme Differences Absolute
.075 Positive
.075 Negative
-.075 Kolmogorov-Smirnov Z
.411 Asymp. Sig. 2-tailed
.996 a. Test distribution is Normal.
b. Calculated from data.
Sumber : SPSS 18.0, diolah Penulis, 2013.
Tabel 4.10 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov menunjukkan bahwa data telah terdistribusi normal karena
nilai Asymp.Sig 2-tailed Kolmogorov-Smirnov 0.996 lebih besar dari 0.05.
Universitas Sumatera Utara
Hasil pengujian normalitas dengan histogram dan Normal P-Plot Regression Standardized Residual juga dapat dilihat pada gambar berikut:
Gambar 4.3 Histogram Setelah Transformasi
Sumber : SPSS 18.0, diolah Penulis, 2013.
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang
Universitas Sumatera Utara
menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan.
Gambar 4.4 Grafik Normal P-Plot Setelah Transformasi
Sumber : SPSS 18.0, diolah Penulis, 2013.
Pada grafik normal p-plot terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan
bahwa model regresi telah memenuhi asumsi normalitas.
Universitas Sumatera Utara
d. Uji Multikolinearitas