Uji Asumsi Klasik Metode Analisis Data

F. Metode Analisis Data

Data penelitian yang digunakan dalam penelitian sering bersifat bias dan tidak efisien. Untuk memperoleh nilai yang tidak bias dan efisien dari model persamaan linear maka haruslah memenuhi asumsi-asumsi klasik yang mendasari model linear Gujarati, 2003. Setelah data memenuhi asumsi klasik maka data layak dianalisis lebih lanjut utuk pengujian hipotesis dengan analisis pengujian linear.

1. Uji Asumsi Klasik

Karena data yang digunakan adalah data sekunder, maka untuk menentukan ketepatan model perlu dilakukan pengujian atas beberapa asumsi klasik yang mendasari model regresi. Pernyimpangan asumsi klasik yang digunakan dalam penelitian ini meliputi uji normalitas, multikolinieritas, heteroskedastisitas, dan autokorelasi. Adapun masing-masing pengujian tersebut dapat dijabarkan sebagai berikut : a. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam suatu model regresi linier, kedua variabel terikat dan variabel bebas mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Cara untuk melihat normalitas adalah dengan melihat histrogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian, dengan hanya melihat histogram, hal ini dapat menyesatkan khususnya untuk sampel yang kecil jumlahnya. Metode yang lebih Universitas Sumatera Utara handal adalah dengan melihat normal probality plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari data yang normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan plooting data akan dibandingkan dengan garis diagonal. Jika distribusi data adalah normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya Ghozali, 2005 : 110. b. Uji Multikolinieritas Pengujian multikolinieritas ini berguna untuk mengetahui apakah pada model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Untuk mendeteksi ada atau tidaknya multikolinieritas dalam model regresi adalah dengan menganalisis matrik korelasi variabel-variabel bebas. Jika antar variabel bebas ada korelasi yang cukup tinggi umumnya di atas 0,90 maka hal ini mengindikasikan adanya multikolinieritas Ghozali, 2005 : 57. Multikolinieritas dapat juga dilihat dari nilai tolerance dan nilai variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Nilai cutoff yang umum dipakai adalah nilai tolerance 0,10 atau sama dengan VIF di atas 10 Ghozali, 2005 : 91. c. Uji Heteroskedastisitas Menurut Imam Ghozali 2005 : 105, uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terdapat ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Konsekuensinya adanya heteroskedastisitas dalam Universitas Sumatera Utara model regresi adalah penaksir yang diperoleh tidak efisien, baik dalam sampel kecil maupun besar. Salah satu cara yang dapat digunakan untuk mengetahui ada tidaknya gejala heteroskedastisitas adalah dengan melihat pada grafik scatter plot. Jika ada pola tertentu seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar, kemudian menyempit maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas maka tidak terjadi gejala heteroskedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas juga dapat diketahui dengan melakukan uji gletser. Jika variabel bebas signifikan secara statistik mempengaruhi variabel terikat maka ada indikasi terjadi heteroskedastisitas Ghozali, 2005 : 69. d. Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pada periode t dengan periode t-1 sebelumnya. Jika terjadi korelasi maka dinamakan ada problem autokorelasi Ghozali, 2005: 95. Untuk menguji ada tidaknya gejala autokorelasi maka dapat dideteksi dengan uji Durbin-Waston DW test.

2. Model Regresi Berganda