Deteksi Normalitas Deteksi Heteroskedastisitas Deteksi Multikolinearitas

3.4.1 Deteksi Asumsi Klasik

Menurut Gujarati 2004, sebuah model penelitian secara teoritis akan menghasilkan nilai parameter penduga yang tepat bila memenuhi deteksi asumsi klasik dalam regresi, yaitu meliputi deteksi normalitas, deteksi multikolinearitas, deteksi heteroskedastisitas, dan deteksi autokorelasi.

3.4.1.1 Deteksi Normalitas

Normalitas bertujuan untuk menguji apakah dalam model regresi variabel dependen dan variabel independen keduanya mempunyai distribusi normal atau paling tidak mendekati distribusi normal. Model regresi yang paling baik adalah memiliki distribusi data normal atau mendekati normal. Deteksi asumsi klasik normalitas mengasumsikan bahwa distribusi probabilitas dari gangguan μ 1 memiliki rata-rata yang diharapkan sama dengan nol, tidak berkorelasi dan mempunyai varian yang konstan. Dengan asumsi ini penaksir akan memenuhi sifat-sifat statistik yang diinginkan seperti unbiased dan memiliki varian yang minimum Gujarati, 2004. Deteksi normalitas dapat diuji dengan menggunakan uji statistik non- parametik Kolmogorov-Smirnov K-S. Uji K-S dilakukan dengan membuat hipotesis : H : data residual berdistribusi normal H 1 : data residual tidak berdistribusi normal

3.4.1.2 Deteksi Heteroskedastisitas

Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan yang lain. Model regresi yang baik adalah homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk menguji ada atau tidaknya heteroskedastisitas dapat digunakan Uji Glejser. Uji Glejser mengusulkan untuk meregres nilai absolute residual terhadap variable independen Gujarati, 2004

3.4.1.3 Deteksi Multikolinearitas

Multikolinearitas berhubungan dengan situasi dimana ada hubungan linier baik yang pasti atau mendekati pasti diantara variabel independen Gujarati, 2004. Masalah multikolinearitas timbul bila variabel-variabel independen berhubungan satu sama lain. Selain mengurangi kemampuan untuk menjelaskan dan memprediksi, multikolinearitas juga menyebabkan kesalahan baku koefisien uji t menjadi indikator yang tidak dipercaya. Deteksi multikolinearitas ini bertujuan untuk mengetahui apakah masing- masing variabel bebas saling berhubungan secara linier dalam model persamaan regresi yang digunakan. Apabila terjadi multikolinearitas, akibatnya variabel penaksiran menjadi cenderung terlalu besar, t-hitung tidak bias, namun tidak efisien. Dalam penelitian ini deteksi multikolinearitas akan dilakukan dengan memperhatikan nilai matriks korelasi yang dihasilkan pada saat pengolahan data serta nilai VIF Variance Inflation Factor dan Tolerance -nya. Nilai dari VIF yang kurang dari 10 dan tolerance yang lebih dari 0,10 maka menandakan bahwa tidak terjadi adanya gejala multikolinearitas. Sehingga dapat disimpulkan bahwa model regresi tersebut tidak terdapat problem multikolinieritas.

3.4.1.4 Deteksi Autokorelasi