41
Tabel 4.2 Uji Kolmogorov-Smirnov
Sumber: Hasil Pengolahan Data SPSS Maret 2015 Berdasarkan hasil uji normalitas dengan Kolmogorov-Smirnov Data Asli
diatas, terlihat bahwa data telah terdistribusi dengan normal yang mana terlihat bahwa nilai signifikansi diatas 0.05 yaitu sebesar 0.056 dan nilai Kolmogorov-
Smirnov Z sebesar 1.337.
4.1.2.2. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya hubungan linear antara variabel independen dalam model regresi dimana prasyarat
dalam model regresi adalah tidak adanya multikolinearitas. Pada uji multikolinearitas ini dapat dilihat melalui nilai inflation factor VIF dan
Tolerance.
Tabel 4.3 Hasil Uji Multikolinearitas
Variabel Collinearity Statistics
Keputusan Tolerance
VIF LNTA
.960 1.043 Tidak terjadi Multikolinearitas
CR .470
2.128 Tidak terjadi Multikolinearitas ITA
.947 1.056 Tidak terjadi Multikolinearitas
DAR .478
2.094 Tidak terjadi Multikolinearitas
Sumber: Hasil Pengolahan Data SPSS Maret 2015 Berdasarkan aturan Variance Inflation Factor VIF dan Tolerance,
apabila VIF melebihi angka 10 atau Tolerance kurang dari 0.10 maka dinyatakan N
87 Normal
Parameters
a,b
Mean 0E-7
Std. Deviation
.73741722 Most Extreme
Differences Absolute
.143 Positive
.143 Negative
-.075 Kolmogorov-Smirnov Z
1.337 Asymp. Sig. 2-tailed
.056
Universitas Sumatera Utara
42
terjadi gejala multikolinearitas, sebaliknya apabila VIF kurang dari 10 atau Tolerance lebih dari 0.10 maka dinyatakan tidak terjadi gejala multikolinearitas.
Dalam penelitian ini data yang digunakan dalam uji multikolinearitas ini adalah data dari variabel independen. Berdasarkan tabel 4.3. diatas diketahui masing-
masing nilai VIF berada dibawah 10, dan nilai Tolerance diatas 0.1, maka dapat dipastikan data dari variabel independen tidak terjadi multikolinearitas.
4.1.2.3. Uji Heteroskedastisitas
Uji ini dilakukan untuk mengetahui apakah dalam sebuah model regresi, terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain Erlina, 2011:106. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari
residual satu pengamatan ke pengamatan lain berbeda disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan
melihat grafik scatterplot, dengan dasar analisis Ghozali, 2005:139. 1.
Jika pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian
menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Hasil uji heteroskedastisitas dengan menggunakan grafik scatterplot ditunjukkan pada gambar 4.3 berikut:
Universitas Sumatera Utara
43
Gambar 4.3 Grafik Scatterplot
Sumber: Hasil Pengolahan Data SPSS Maret 2015 Pada grafik scatterplot diatas, terlihat titik-titik menyebar secara acak,
serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y sehingga dapat diambil kesimpulan bahwa tidak terdapat gejala heteroskedastisitas pada model
regresi yang digunakan.
4.1.2.4. Uji Autokorelasi
