3. Pengujian Asumsi Klasik
a. Uji Normalitas
Uji ini bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Pengujian normalitas dalam
penelitian ini menggunakan dua cara yaitu analisis grafik yang terdiri dari histogram dan normal probability plot dan analisis statistik yang terdiri dari uji
skewnesskurtosis dan uji nonparametrik Kolmogorov Smirnov. Di bawah ini merupakan hasil uji normalitas dengan menggunakan analisis grafik:
-2 -1
1 2
3 4
5
Regression Standardized Residual
5 10
15 20
25 30
Freque nc
y
Mean = -5.55E-17 Std. Dev. = 0.985
N = 103
Dependent Variable: DAR Histogram
Gambar 4.01 Grafik Histogram Sebelum SQRT
Sumber: Data yang diolah Peneliti, 2008 lihat lampiran 3
Universitas Sumatera Utara
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Ex pe
ct ed Cum
Prob Dependent Variable: DAR
Normal P-P Plot of Regression Standardized Residual
Gambar 4.02 Grafik
Normal Probability Plot sebelum SQRT
Sumber: Data yang diolah Peneliti, 2008 lihat lampiran 3 Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram
di atas, distribusi data menceng skewness ke kanan atau ke arah positif. Sehingga dapat disimpulkan bahwa distribusi data tersebut tidak normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan normal probability plot
, terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan
bahwa data dalam model regresi terdistribusi tidak normal. Kedua grafik ini
Universitas Sumatera Utara
menunjukkan bahwa model regresi menyalahi asumsi normalitas. Sehingga tidak dapat dilakukan pengujian lebih lanjut. Untuk itu, perlu dilakukan tindakan
perbaikan treatment agar model regresi memenuhi asumsi normalitas. Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan
salah satu dari tiga cara yang telah dikemukakan pada bab sebelumnya, yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi
SQRTx atau akar kuadrat. Sehingga dari DAR = fART, ITO, FAT menjadi SQ_DAR = fSQ_ART, SQ_ITO, SQ_FAT. Kemudian data diuji ulang
berdasarkan asumsi normalitas.
-3 -2
-1 1
2 3
4
Regression Standardized Residual
5 10
15 20
Frequency
Mean = 1.89E-15 Std. Dev. = 0.985
N = 103
Dependent Variable: SQY Histogram
Gambar 4.03 Grafik Histogram Setelah SQRT
Sumber: Data yang diolah Peneliti, 2008 lihat lampiran 3
Universitas Sumatera Utara
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Exp ec
ted C
u m
Prob
Dependent Variable: SQY Normal P-P Plot of Regression Standardized Residual
Gambar 4.04 Grafik
Normal Probability Plot Setelah SQRT
Sumber: Data yang diolah Peneliti, 2008 lihat lampiran 3
Hasil pengujian ulang ternyata memperlihatkan pola distribusi yang normal pada grafik histogram dan pola distribusi normal pada grafik normal probability plot.
Distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng skewness kiri maupun menceng kanan atau bisa disimpulkan bahwa data tersebut normal. Demikian
pula dengan hasil uji normalitas dengan menggunakan normal probability plot, di mana terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya
mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Namun, hasil uji normalitas dengan grafik kadang-kadang bisa menyesatkan karena kelihatannya distribusinya normal padahal melalui analisis
Universitas Sumatera Utara
statistik sebenarnya tidak normal. Oleh karena itu, dilakukanlah uji skewnesskurtosis dan uji nonparametrik Kolmogorov Smirnov dengan hasil
sebagai berikut:
Tabel 4.4 Hasil Uji Normalitas dengan Skewness dan Kurtosis
Setelah Transformasi dengan Akar Kuadrat
N Skewness
Kurtosis Statistic
Statistic Std.
Statistic Std.
Unstandardized id
l 103
0,398 0,238
0,883 0,472
Valid N listwise 103
Sumber: Data yang diolah Peneliti, 2008 lihat lampiran 3 Pedoman bahwa data tersebut normal tidaknya dilihat dari nilai
ZSkewness dan ZKurtosis, di mana jika nilai Zhitung Ztabel, maka distribusi tidak normal. Nilai Ztabel pada tingkat signifikansi 0,05 adalah 1,96 dan pada
tingkat signifikansi 0,01 adalah 2,58. Nilai signifikansi yang dipakai di sini adalah 0,05 sehingga distribusi dikatakan normal jika nilai ZSkewness dan Zkurtosis
lebih kecil dari 1,96. Hasil uji normalitas memperlihatkan nilai Skewness adalah sebesar 0,244
dan nilai Kurtosis -0,847. Dari nilai tersebut dapat dihitung nilai ZSkewness dan ZKurtosis. Berdasarkan hasil perhitungan dapat disimpulkan bahwa data
terdistribusi normal karena nilai ZSkewness maupun ZKurtosis lebih kecil dari nilai Ztabel 0,81 1,96 dan 1,40 1,96.
Universitas Sumatera Utara
Tabel 4.5 One-Sample Kolmogorov-Smirnov Test
Hasil Uji Normalitas Setelah Transformasi dengan Akar Kuadrat
SQART SQITO
SQFAT SQY
N 103
103 103
103 Normal
Parametersa,b Mean
2,7082 2,0741
1,5785 0,8408
Std. Deviation 1,19802
0,88933 0,81154
0,21182 Most Extreme
Differences Absolute
0,157 0,154
0,116 0,072
Positive 0,157
0,154 0,116
0,072 Negative
-0,103 -0,114
-0,067 -0,054
Kolmogorov-Smirnov Z 1,590
1,563 1,175
0,729 Asymp. Sig. 2-tailed
0,128 0,151
0,126 0,663
Sumber: Data yang diolah Peneliti, 2008 lihat lampiran 3 Dari tabel hasil uji Kolmogorov Smirnov di atas, dapat disimpulkan bahwa
data dalam model regresi telah terdistribusi secara normal. Masing-masing ditunjukkan dengan data sebagai berikut:
Nilai signifikan ART sebesar 0,128 0,05 maka H0 diterima. Nilai signifikan ITO sebesar 0,151 0,05 maka H0 diterima.
Nilai signifikan FATsebesar 0,126 0,05 maka H0 diterima. Nilai signifikan DAR sebesar 0,663 0,05 maka H0 diterima.
Berikut adalah ringkasan hasil uji normalitas:
Tabel 4.6 Ringkasan Hasil Uji Normalitas
Uji Normalitas Hasil Uji Normalitas
Sebelum Transformasi
Setelah Transformasi
Grafik histogram tidak normal
normal Normal probability plot
tidak normal normal
Skewness Kurtosis tidak normal
normal Kolmogorov Smirnov
tidak normal normal
Sumber: Data yang diolah Peneliti, 2008
Universitas Sumatera Utara
Semua hasil pengujian ulang melalui analisis grafik dan statistik di atas menunjukkan data telah terdistribusi normal. Dengan demikian telah terpenuhi
asumsi normalitas dan bisa dilakukan pengujian asumsi klasik berikutnya.
b. Uji Multikolinearitas
Kategori