Ho = Data residual berdistribusi normal Ha = Data residual tidak berdistribusi normal
Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut: 1.
Apabila probabilitas nilai Z uji K-S signifikan secara statistik maka Ho ditolak, yang berarti data terdistribusi tidak normal.
2. Apabila probabilitas nilai Z uji K-S tidak signifikan secara statistik
maka Ho diterima, yang berarti data terdistribusi normal.
3.7.2 Multikolinearitas
Menurut Ghozali 2005, uji ini bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas independen.
Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika terdapat korelasi antara variabel independen, maka
variabel-variabel ini tidak orthogonal. Variabel orthogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen adalah nol.
Untuk mendeteksi ada tidaknya multikolinearitas dalam model regresi dapat menggunakan perhitungan Tolerance Value TOL dan Variance Inflation Factor
VIF. Nilai TOL berkebalikan dengan VIF. TOL adalah besarnya variasi dari satu variabel independen yang tidak dijelaskan oleh variabel independen lainnya.
Sedangkan VIF menjelaskan derajat suatu variabel independen yang dijelaskan oleh variabel independen lainnya. Sebagai dasar acuannya dapat disimpulkan:
1. Jika nilai tolerance 0,1 dan nilai VIF 10, maka dapat disimpulakan
tidak ada multikolinearitas antar variabel independen dalam model regresi. 2.
Jika nilai tolerance 0,1 dan nilai VIF 10, maka dapat disimpulakan
bahwa ada multikolinearitas antar variabel independen dalam model regresi.
3.7.3 Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedstisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas Ghozali, 2005. Ada beberapa cara untuk
mendeteksi ada atau tidaknya heteroskedastisitas, antara lain:
3.7.3.1 Uji Grafik Plot
Uji ini mengusulkan
untuk mendeteksi ada tidaknya gejala
heteroskedstisitas dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya
gejala heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antar SRESID dan ZPRED, dimana sumbu Y
adalah Y yang telah diprediksi dan sumbu X adalah residual Y prediksi-Y sesungguhnya yang telah di-studentized Ghozali, 2005. Adapun dasar analisis
yang berkaitan dengan gambar tersebut adalah: a.
Jika terdapat pola tertentu, yaitu jika titik-titiknya membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
diindikasikan terdapat masalah heteroskedastisitas. b.
Jika tidak terdapat pola yang jelas, yaitu jika titik-titiknya menyebar di
atas dan di bawah angka 0 pada sumbu Y, maka diindikasikan tidak terdapat masalah heteroskedastisitas.
Analisis grafik plot memiliki kelemahan yang cukup signifikan karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah
pengamatan, maka semakin sulit menginterpretasikan hasil grafik plot. Oleh sebab itu, diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil. Ada
beberapa uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya masalah heteroskedastisitas, salah satu caranya yaitu dengan menggunakan uji
Glejser Ghozali, 2005.
3.7.3.2 Uji Glejser
Uji Glejser mengusulkan untuk meregresi nilai absolute residual terhadap variabel independen Gujarati, 2003,
apabila variabel independen mempunyai nilai signifikan secara statistik mempengaruhi variabel dependen maka ada
indikasi terjadi heteroskedastisitas.
3.7.4 Autokorelasi