4.3 Uji Asumsi Klasik
4.3.1 Uji Normalitas
Ada dua cara untuk mendeteksi apakah data distribusi normal atau tidak, yaitu dengan pendekatan grafik dan pendekatan Kolmogorv-Smirnov.
1. Pendekatan Grafik
Salah satu cara untuk melihat normalitas adalah dengan melihat grafik histogram dan grafik normalplot yang membandingkan antara dua
observasi dengan distribusi yang mendekati distribusi normal.
Gambar 4.4 Histogram Uji Normalitas Sumber : Hasil Pengelolahan Spss, 2015
Berdasarkan Gambar 4.4 dapat diketahui bahwa variabel berdistribusi normal, hal ini ditunjukkan oleh distribusi data yang berbentuk lonceng
dan tidak melenceng kekiri atau kekanan.
Gambar 4.5 Histogram Uji Normalitas Sumber : Hasil Pengelolahan Spss, 2015
Berdasarkan Gambar 4.5 dapat diketahui bahwa data berdistribusi normal dapat dilihat pada scatterplot, terlihat titik yang mengikuti data
disepanjang garis diagonal. 2.
Pendekatan kolmogorv-Smirnov Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal,
padahal secara statistic tidak berdistribusi normal. Berikut ini pengujian normalitas yang berdasarkan dengan uji statistic non-parametik
Kolmogrov-Smirnov K-S untuk memastikan apakah data benar berdistribusi normal.
Tabel 4.7 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
Normal Mean Parameters
a..b
Std. Deviation Most Extreme Absolute
Differences Positif Negatif
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
97 .0000000
1.50754105 .105
.059 -.105
1.035
.234
a. Test distribution is Normal.
b. Calculated from data.
Berdasarkan Tabel 4.7 terlihat bahwa nilai asymp.Sig. 2-tailed adalah 0,234. Dan diatas nilai signifikan 5 0.05, dengan kata lain variabel
residual berdistribusi normal.
4.3.2 Uji Heteroskedastisitas
Uji heteroskedastisitas ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians dari suatu variabel pengamatan
kepengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan
yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas
atau tidak terjadi heteroskedatisitas. Ada dua cara untuk mendetaksi ada atau tidaknya heteroskedastisitas,
yaitu: 1.
Metode Grafik Dasar analisis adalah tidak ada pola jelas, serta titik-titik meyebar
diatas dan dibawah angka nol 0 pada sumbuh Y, maka tidak terjadi heteroskedastisitas, sedangkan jika pola tertentu, seperti titik-titik yang
membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Gambar 4.6 Scatter Plot Uji Heteroskedastisitas Sumber : hasil Pengelolahan Spss, 2015
Berdasarkan Gambar 4.6 dapat dilihat dari grafik Scatterplotyang disajikan, terlihat titik-titik meyebar secara acak tidak membentuk
sebuah pola tertentu yang jelas serta tersebarbaik diatas maupun dibawah angka nol pada sumbu Y. hal ini berarti tidak terjadi
heteroskedastisitas pada data residual. 2.
Uji Glejser Uji Glejser dilakukan dengan cara meregresikan antara variabel
independen dengan nilai absolut residualnya. Jika nilai signifikansi antara variabel independen dengan absolut residual lebih dari 0,05
maka tidak terjadi masalah heteroskedastisitas.
Tabel 4.8 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1.307
1.005 1.300
.197 Kepercayaan
-.066 .077
-.100 -.859
.393 CitraPerusahaan
.030 .050
.070 .603
.548 a. Dependent Variable: absut
Sumber: Hasil Pengelolahan Spss, 2015 Berdasarkan Tabel 4.8 terlihat jelas menunjukkan tidak
satupun variabel indevenden yang signifikan secara statistik mempengaruhi variabel dependen absolute Ut absUt. Hal ini terlihat
dari probabilitas signifikansinya diatas tingkat kepercayaan 5 0,05, jadi disimpulkan model regresi tidak mempengaruhi
heteroskedastisitas.
4.3.3 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah variabel pada model regresi yang baik seharusnya tidak terjadi korelasi antar
variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Berikut ini disajikan cara
mendeteksi multikolinieritas dengan menganalisis matriks korelasi antar variabel dan perhitungan nilai.
Tabel 4.9 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
5.787 1.554
3.723 .000
Kepercayaan -.008
.119 -.007
-.067 .947
.781 1.280
Citra .299
.077 .412
3.866 .000
.781 1.280
a. Dependent Variable: keputusan
Sumber: Hasil Penelitian, 2015
Berdasarkan Tabel 4,9 dapat dilihat bahwa: a.
Nilai Vif dari kepercayaan dan citra perusahaan lebih kecil atau dibawah 5 VIF 5, ini berarti tidak terkena multikolinieritas
antar variabel indevenden dalam model regresi. b.
Nilai Tolerance dari kepercayaan dan citra perusahaan lebih besar dari 0,1 Tolerance 0,1, ini berarti tidak terdapat
multikolinieritas antar variabel independen dalam model regresi.
4.4 Analisis Statistik Analisis Regresi Berganda