Uji Normalitas Uji Asumsi Klasik

64

4.2.2. Uji Asumsi Klasik

4.2.2.1. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Metode yang dapat dipakai untuk normalitas adalah Kolmogorov Smirnov. Pada pengujian awal terlihat bahwa data tidak berdistribusi secara normal. Hal ini terlihat dari tingat signifikansi dibawah 0,05 pada pengujian normalitas dengan Kolmogorov-Smirnov seperti ditunjukkan pada Tabel 4.3. Tabel 4.3 Pengujian awal normalitas Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 85 Normal Parameters a,,b Mean .0000000 Std. Deviation .58143999 Most Extreme Differences Absolute .200 Positive .200 Negative -.113 Kolmogorov-Smirnov Z 1.839 Asymp. Sig. 2-tailed .002 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Penelitian 2015 65 Berdasarkan Tabel 4.3 diketahui bahwa nilai signifikansi sebesar 0,002 0,05 dengan demikian data tidak berdistribusi secara normal. Untuk mengatasi persoalan normalitas tersebut, data ditransformasikan ke dalam bentuk Logaritma Natural Ln kemudian dilakukan pengujian ulang. Hasil pengujian ulang setelah data ditransformasikan ke bentuk Logaritma Natural Ln terlihat bahwa data telah berdistribusi secara normal. Pengujian setelah transformasi data disajikan sebagai berikut:

a. Histogram

Sumber: Hasil Penelitian 2015 Gambar 4.1 Histogram Normalitas Uji Normalitas Data dengan pendekatan histogram di atas menunjukkan bahwa model regresi yang digunakan telah berdistribusi normal, hal ini dapat dilihat dari garis histogram tidak menceng ke kiri atau ke kanan, sehingga penyebaran datanya telah berdistribusi secara normal. 66

b. Grafik Normal Probability Plot

Pendekatan lainnya yang digunakan dalam untuk menguji normalitas data adalah Pendekatan Grafik. Pendekatan Grafik yang digunakan adalah Normality Probability Plot . Berikut adalah hasil Uji Normalitas Data dengan pendekatan Grafik Normality Probability Plot. Sumber: Hasil Penelitian 2015 Gambar 4.2 Normal Probability Plot P-P Plot Berdasarkan hasil Uji Normalitas dengan pendekatan grafik di atas, dapat diketahui bahwa data memiliki distribusi atau penyebaran yang normal, hal ini dapat dilihat dari penyebaran titik berada disekitar sumbu diagonal dari grafik. 67

c. Pendekatan Statistik Kolmogorov-Smirnov

Tabel 4.4 Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 85 Normal Parameters a,,b Mean .0000000 Std. Deviation .47493989 Most Extreme Differences Absolute .129 Positive .129 Negative -.118 Kolmogorov-Smirnov Z 1.189 Asymp. Sig. 2-tailed .118 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Penelitian 2015 Berdasarkan pendekatan Kolmogorov-Smirnov pada Tabel 4.4 terlihat bahwa nilai Asymp. Sig. 2-tailed adalah 0,118 0,05 dengan demikian variabel residual berdistribusi normal dan nilai Kolmogorv-Smirnov Z sebesar 0,3911,97 yang artinya tidak ada perbedaan antara distribusi teoritik dan distribusi empiris atau dengan kata lain data dikatakan normal.

4.2.2.2 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk mengetahui apakah dalam model regressi ditemukan adanya korelasi antara variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Berdasarkan Tabel 4.5 diperoleh hasil bahwa variabel KM, EDPK, RP, PPDB, PDPK, PPNI, PPAP, UB bebas dari multikolinearitas yang ditunjukkan dengan 68 nilai tolerance 0,10 dan nilai VIF 10. Hasil uji multikolonearitas dapat dilihat pada Tabel 4.5. Tabel 4.5 Hasil Uji Multikolonearitas Pada Tabel 4.5 disimpulkan bahwa pada model regresi yang digunakan tidak terlihat adalanya gejala multikolonearitas antar variabel indevenden. Hal ini dapat diketahui dari nilai tolerance dan nilai VIF, hasil perhitungan menunjukkan bahwa nilai tolerance seluruh variabel bebas 0,1 dan nilai VIF seluruh variabel bebas 10. Dengan demikian berdasarkan kriteria pengujian maka data tidak mengalami multikolonearitas.

4.2.2.3 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Uji Coefficients a Model Collinearity Statistics Tolerance VIF 1 Constant Ln_KM .952 1.050 Ln_EDPK .628 1.593 Ln_RP .827 1.209 Ln_PPDB .819 1.222 Ln_PPNI .444 2.252 Ln_PDPK .354 2.828 Ln_PPAP .719 1.391 Ln_UB .745 1.343 a. Dependent Variable: Ln_PDM Sumber: Hasil Penelitian 2015 69 heteroskedastisitas dilakukan dengan dua pendekatan yaitu pendekatan grafik scatter plot dan pendekatan statistik uji Glejser. Hasil dari uji heteroskedastisitas dapat dilihat pada Gambar 4.3 dan Tabel 4.6 berikut:

a. Pendekatan Grafik Scatter Plot

Untuk melihat ada tidaknya Heteroskedastisitas pada model yang digunakan, dilakukan dengan Uji Heteroskedastisitas Scatter Plot. Berikut hasil Uji Heteroskedastisitas dengan Scatter Plot. Sumber: Hasil Penelitian 2015 Gambar 4.3 Scatter Plot Berdasarkan Hasil Uji Heteroskedastisitas di atas, diketahui bahwa titik - titik penyebaran pada Scatter Plot tidak menunjukkan pola tertentu dan 70 penyebarannya berada di atas dan di bawah angka nol, sehingga model regresi yang digunakan tidak mengalami Heteroskedastisitas.

b. Uji Glejser Tabel 4.6

Hasil Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant .380 1.261 .301 .764 Ln_KM .137 .111 .138 1.239 .219 Ln_EDPK -.192 .143 -.184 -1.339 .185 Ln_RP -.063 .036 -.210 -1.750 .084 Ln_PPDB .262 .345 .091 .759 .450 Ln_PPNI .136 .127 .174 1.065 .290 Ln_PDPK -.087 .173 -.093 -.506 .614 Ln_PPAP .037 .102 .046 .359 .721 Ln_UB -.093 .104 -.113 -.898 .372 a. Dependent Variable: Absut Sumber: Hasil Penelitian 2015 Hasil Uji Glejser pada Tabel 4.6 terlihat bahwa tidak satupun variabel independen yang signifikan mempengaruhi variabel absut hal ini terlihat dari tingkat signifikansi masing-masing variabel independen berada d iatas 0,05. Sehingga jika tingkat signifikansi 0,05 maka data tidak mengalami heteroskedastisitas.

4.2.2.4. Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan 71 penggangggu pada periode t-1 sebelumnya. Cara mengetahui adanya autokorelasi dapat dilakukan dengan uji Durbin Watson. Hasil dari uji autokorelasi dapat dilihat pada Tabel 4.5 berikut ini: Tabel 4.7 Hasil Uji Autokorelasi Durbin Watson Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .448 a .200 .116 .49931 1.887 a. Predictors: Constant, Ln_UB, Ln_EDPK, Ln_PPAP, Ln_KM, Ln_RP, Ln_PPDB, Ln_PPNI, Ln_PDPK b. Dependent Variable: Ln_PDM Sumber: Hasil Penelitian 2015 Pada Tabel 4.7 terlihat bahwa nilai Durbin-Watson D-W pada kolom ke enam sebesar 1,887, dan nilai pada tabel D-W untuk dl sebesar 1.4484 dan du 1.8573. kriteria pengambilan keputusan adalah: dud4-du maka, nilai D-W 1.8573 1.887 2.1427. Dengan demikian, berdasarkan kriteria pengujian tersebut, dapat disimpulkan bahwa tidak terjadi autokorelasi positif atau negatif.

4.2.3. Analisis Regresi Berganda