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