Uji Normalitas Pengujian Asumsi Klasik

2. Pengujian Asumsi Klasik

Uji asumsi klasik yang dilakukan peneliti meliputi :

a. Uji Normalitas

Menurut Ghozali 2005 : 110, ”uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil.” Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak menurut Ghozali 2005 : 110, yaitu : 1 Analisis grafik Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan plotnya data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. 2 Analisis statistik Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan nilai Z-skewness. Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non parametrik Kolmogorov- Smirnov K-S. Pedoman pengambilan keputusan tentang data tersebut mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov Smirnov dapat dilihat dari : 1 Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal. 2 Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal. Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk yang normal dengan beberapa cara sebagai berikut: 1 Transformasi data Transformasi data dapat dilakukan dengan logaritma natural ln, log10, maupun akar kuadrat. Jika ada data yang bernilai negatif, transformasi data dengan logaritma akan menghilangkannya sehingga jumlah sampel n akan berkurang. 2 Trimming Trimming adalah memangkas membuang observasi yang bersifat outlier, yaitu yang nilainya lebih kecil dari µ- 2 atau lebih besar dari µ+2 . Metode ini juga mengecilkan jumlah sampelnya. 3 Winzorising Winzorising mengubah nilai-nilai outliers menjadi nilai-nilai minimum atau maksimum yang dizinkan supaya distribusinya menjadi normal. Nilai-nilai observasi yang lebih kecil dari µ-2 akan diubah nilainya menjadi µ-2 dan nilai-nilai yang lebih besar dari µ+2 akan diubah nilainya menjadi µ+2 .

b. Uji Heterokedastisitas