a. Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara
sempurna ataupun mendekati sempurna. b. Non-Autokorelasi, artinya kesalahan pengganggu dalam model
regresi tidak saling berkorelasi. c. Non-Heterokedastisitas, artinya variance variabel independen dari
satu pengamatan ke pengamatan lain adalah konstan atau sama. d. Berdistibusi normal.
4.2.2.1 Uji Normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara
normal atau tidak. Menurut Ghozali 2006:115, memberikan pedoman pengambilan keputusan rentang data mendekati atau
merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov yang dapat dilihat dari:
a. nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal,
b. nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal.
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi
normal serta untuk menghindari bias dalam model regresi. Dalam penelitian ini digunakan grafik histogram, grafik normal probability
plot, dan uji statistik Kolmogorov-Smirnov untuk menguji distribusi data.
Universitas Sumatera Utara
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 63
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 87.36693100
Most Extreme Differences Absolute
.183 Positive
.183 Negative
-.097 Kolmogorov-Smirnov Z
1.451 Asymp. Sig. 2-tailed
.030 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, diolah Penulis, 2010
Berdasarkan hasil uji statistik dengan model Kolmogorov- Smirnov seperti yang terdapat dalam tabel 4.2 dapat disimpulkan
bahwa data tidak terdistribusi normal, hal ini dapat dilihat dari nilai Asymp.Sig.2-tailed Kolmogorov-Smirnov sebesar nilai signifikansi
0,030 lebih kecil dari nilai 0,05. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik
normal plot data.
Universitas Sumatera Utara
Gambar 4.1 Uji Normalitas data
Sumber: Output SPSS, diolah Penulis, 2010
Grafik histogram menunjukkan pola distribusi tidak normal karena grafik cenderung menceng skewness ke kiri. Dengan
demikian, dapat disimpulkan bahwa model regresi belum memenuhi asumsi normalitas. Begitu juga hasil tampilan grafik Normal P-Plot
Regression di bawah ini, dapat dilihat titik - titik menyebar jauh dari garis diagonal yang menunjukkan data tidak terdistribusi dengan
normal.
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas data
Sumber: Output SPSS, diolah Penulis, 2010
Data yang tidak berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat
menyimpang dari nilai data lainnya. Beberapa cara mengatasi data outlier menurut Erlina dan Mulyani 2008:106 yaitu:
a. Lakukan transformasi data ke bentuk lainnya b.
Lakukan trimming yaitu membuang data outlier c. Lakukan winsorizing yaitu mengubah nilai data yang outlier ke
suatu nilai tertentu.
Universitas Sumatera Utara
Karena data tidak terdistribusi normal, maka dilakukan tindakan perbaikan treatment agar model regresi memenuhi asumsi
normalitas. Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model logaritma natural Ln.
Dalam penelitian ini penulis melakukan transformasi data ke model logaritma natural Ln kemudian, data diuji ulang berdasarkan uji
normalitas.
Hasil
uji normalitas dengan model Kolmogorov-Smirnov setelah dilakukan transformasi data yang tidak normal tersebut dapat
dilihat pada tabel 4.3.
Tabel 4.3 Hasil Uji Normalitas setelah data Ln
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 63
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .87167892
Most Extreme Differences Absolute
.112 Positive
.112 Negative
-.056 Kolmogorov-Smirnov Z
.886 Asymp. Sig. 2-tailed
.413 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Output SPSS, diolah Penulis, 2010
Universitas Sumatera Utara
Berdasarkan hasil uji diatas pada tabel 4.3 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov
setelah transformasi data, variabel terdistribusi normal karena nilai Asymp.Sig 2-tailed Kolmogorov-Smirnov telah diatas nilai signifikan
lebih besar dari 0,05 yaitu: 0,413. Berikut ini ditampilkan hasil uji normalitas dengan
menggunakan grafik Histogram dan plot.
Gambar 4.3 Uji Normalitas data Data Ln
Sumber: Output SPSS, diolah Penulis, 2010
Universitas Sumatera Utara
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram
yang menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan.
Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot yang ditampilkan pada Gambar 4.2.
Gambar 4.4 Uji Normalitas Data Data Ln
Sumber: Output SPSS, diolah Penulis, 2010
Universitas Sumatera Utara
Menurut Ghozali 2006:112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal
dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang
telah terdistribusi normal. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal. Hal ini sejalan
dengan hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Karena secara keseluruhan data telah
terdistribusi secara normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.2 Uji Multikolinieritas
