48
Linear Unbiased Estimator. Pengujian asumsi klasik dilakukan untuk memastikan bahwa data terdistribusi normal, tidak terjadi
multikolinearitas, tidak terjadi heteroskedastisitas, dan tidak terjadi autokorelasi.
4.2.2.1 Uji Normalitas
Untuk mendeteksi apakah residual terdistribusi normal atau tidak, dapat dilakukan dengan dua cara, yaitu dengan analisis grafik
dan uji statistik. Untuk melakukan pengujian normalitas dengan analisis grafik dapat dengan menganalisis grafik normal probability
plot dan grafik histogram. Dasar pengambilan keputusan dalam uji normalitas adalah sebagai berikut:
1. 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.
2. Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola
distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
49
Gambar 4.1 Pengujian Normalitas 1
Gambar 4.1 memperlihatkan grafik normal probability plot, yang menunjukkan bahwa titik dalam plot terlihat menyebar jauh dari
garis diagonal, baik di atas maupun di bawah garis diagonal. Hal tersebut berarti data tidak terdistribusi normal.
50
Gambar 4.2 Pengujian Normalitas 2
Gambar 4.2 memperlihatkan bahwa pada grafik histogram, distribusi data tidak mengikuti kurva berbentuk lonceng dan menceng
skewness ke arah kiri atau kanan, sehingga dapat disimpulkan bahwa data tersebut terdistribusi tidak normal.
Selain uji grafik, dilakukan juga uji Kolmogorov-Smirnov K- S dengan membuat hipotesis.
H : Data residual terdistribusi normal
H
A
: Data residual terdistribusi tidak normal Apabila nilai signifikansi 0.05 dengan α = 5, berarti distribusi data
normal dan H diterima, sebaliknya bila nilai signifikansi 0.05
berarti distribusi data tidak normal dan H
A
diterima.
51
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 84
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 3.87165218E3
Most Extreme Differences Absolute
.217 Positive
.217 Negative
-.212 Kolmogorov-Smirnov Z
1.991 Asymp. Sig. 2-tailed
.001 a. Test distribution is Normal.
b. Calculated from data. Sumber : Output SPSS, diolah penulis 2013
Tabel 4.4 Pengujian Normalitas 3
Dari hasil pengolahan data pada tabel diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1.991 dan signifikan pada 0.001. Nilai
Asymp. Sig. 2-tailed Kolmogorov-Smirnov lebih kecil dari 0.05, maka H
ditolak yang berarti data residual berdistribusi tidak normal. Data yang tidak normal dapat disebabkan oleh adanya data outlier,
yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya. Cara untuk mengatasi data outlier yaitu:
1. Lakukan transformasi data ke bentuk lainnya. 2. Lakukan trimming, yaitu membuang data outlier.
3. Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
52
Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan transformasi seluruh variabel penelitian dalam bentuk
logaritma natural Ln dari Y = fX1, X2, X3 menjadi LnY = fLnX1, LnX2, LnX3. Bentuk ini menyebabkan data yang bernilai negatif
tidak dapat ditransformasi, sehingga jumlah sampel yang valid menjadi 68 pengamatan.
Setelah dilakukan transformasi data, maka hasil uji normalitas data dapat dilihat pada grafik normal probability plot, histogram dan
tabel Kolmogorov-Smirnov sebagai berikut:
Gambar 4.3 Pengujian Normalitas 4
53
Gambar 4.3 memperlihatkan grafik normal probability plot, yang menunjukkan bahwa data titik-titik menyebar di sekitar garis
diagonal dan mengikuti arah garis diagonal. Hal tersebut berarti data terdistribusi normal.
Gambar 4.4 Pengujian normalitas 5
Gambar 4.4 memperlihatkan grafik histogram yang menunjukkan distribusi data mengikuti kurva berbentuk lonceng yang
tidak menceng skewness ke arah kiri atau kanan, sehingga dapat disimpulkan bahwa data tersebut terdistribusi normal.
54
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 68
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .94819469
Most Extreme Differences Absolute
.065 Positive
.065 Negative
-.058 Kolmogorov-Smirnov Z
.534 Asymp. Sig. 2-tailed
.938 a. Test distribution is Normal.
b. Calculated from data. Sumber: Output SPSS, data diolah penulis 2013
Tabel 4.5 Pengujian Normalitas 6
Dari tabel di atas, besarnya Kolmogorov-Smirnov K-S adalah 0.534 dan signifikansi pada 0.938. Hal tersebut menunjukkan bahwa
hasil pengujian statistik dengan model Kolmogorov-Smirnov adalah data telah terdistribusi normal karena nilai Asymp. Sig. 2-tailed
Kolmogorov-Smirnov lebih besar dari 0.05. Hal ini sejalan dengan hasil pengujian dengan menggunakan grafik, histogram dan model
Kolmogorov-Smirnov, sehingga dapat diambil kesimpulan bahwa data telah terdistribusi normal, sehingga dapat dilakukan pengujian asumsi
klasik lainnya.
55
4.2.2.2 Uji Multikolinearitas
