68
5.2.2. Uji Asumsi Klasik
5.2.2.1. Uji Normalitas Data
Uji Normalitas data dapat diketahui dari nilai skewness yang mendekati angka 0 sehingga memiliki kemiringan yang cenderung seimbang. Keadaan ini dapat dilihat
dari nilai skewness dari masing-masing variabel mendekati nol pada kolom statistiknya.
Tabel 5.7 Descriptive Statistics
N Minimum Maximum
Mean Std.
Deviation Skewness
Statistic Statistic
Statistic Statistic
Statistic Statistic
Std. Error
X1 32
26 40
33.53 3.592
-.059 .414
X2 32
16 24
19.88 2.685
.398 .414
X3 32
23 36
29.50 4.227
.400 .414
Y 32
12 16
14.00 1.566
.000 .414
Valid N listwise
32
Selain itu normalitas dapat dapat dilihat dari kurva histogram display normal yang memiliki kemiringan yang cenderung seimbang, baik sisi kiri maupun sisi
kanan, dan kurva berbentuk menyerupai lonceng yang hampir sempurna.
69
Regression Standardized Residual
2 1
-1 -2
Fr eq
ue nc
y
6 5
4 3
2 1
Histogram Dependent Variable: Y
Mean =-3.57E-16 Std. Dev. =0.95
N =32
Gambar 5.1. Kurva Histogram
Hal ini juga didukung dengan grafik dimana data mengikuti garis diagonal. Grafik uji normalitas dapat dilihat pada gambar berikut ini :
70
Gambar 5.2. Pengujian Normalitas Data 5.2.2.2.
Uji Heteroskedastisitas
Pengujian asumsi heterokedastisitas menyimpulkan bahwa model regresi tidak terjadi heterokedastisitas. Dengan kata lain terjadi kesamaan varian dari residual
dari satu pengamatan ke pengamatan yang lain. Kesimpulan ini diperoleh dengan melihat penyebaran titik-titik yang menyebar secara acak, tidak membentuk sebuah
pola tertentu yang jelas, serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y . Hasil pengujian heterokedastisitas dapat dilihat pada gambar 5.3 berikut
ini. Data pada gambar scatterplot pada uji regresi lampiran 3 menunjukkan seperti
gambar berikut:
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expect ed C
u m Prob
1.0 0.8
0.6 0.4
0.2 0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: Y
71
Gambar 5.3. Uji Heteroskedastisitas 5.2.2.3. Uji Multikolinieritas
Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Jika antar variabel bebas independen ada korelasi yang cukup tinggi.
Multikolinieritas terjadi pada umumnya korelasi diatas 0,90, maka hal ini merupakan indikasi adanya multikolinieritas Imam Ghozali, 2001. Multikolinieritas dapat juga
dilihat dari variance inflation factor VIF, apabila nilai VIF di atas 10, maka ada indikasi terjadi multikolinieritas.
Pengujian ini dapat dilihat pada lampiran 3 yaitu pada pengujian regresi berganda seperti pada tabel 5.8. dibawah ini:
Tabel 5.8. Uji Multikolinieritas Collinearity Statistics
Variabel Tolerance VIF
Sasaran Anggaran X
1
0,006 1,537
Komitmen Organisasi X
2
0,004 5,405
Ketidak PastianLingkungan X
3
0,004 4,196
Regression Standardized Predicted Value
2 1
-1
Re gr
es sio
n S
tud en
ti ze
d Res
id u
al
2 1
-1 -2
Scatterplot Dependent Variable: Y
72 Cara pertama untuk melihat ada tidaknya multikolinieritas yaitu dengan
melihat nilai variance inflation factor VIF berada dibawah nilai 10 dan nilai tolerance tidak kurang dari 0,1 maka model tersebut dapat dikatakan terbebas dari
multikolinieritas. Semakin tinggi VIF maka semakin rendah tolerance. Cara kedua dengan melihat nilai koefisien korelasi antar masing-masing
variabel independen kurang dari 0,70, maka model dapat dinyatakan bebas dari asumsi klasik multikolinieritas. Jika lebih dari 0,7 maka diasumsikan terjadi korelasi
yang sangat kuat antar variabel independen sehingga terjadi multikolinieritas. Tabel Pearson Correlations pada tabel 5.9. lampiran 3 seperti dibawah ini:
Tabel 5.9 Pearson Correlation
Variabel Y X1
X2 X3
Y 1,00 0,778
0,839 0,674
X1 0,778 1,000 0,002 0,003 X2 0,839 0,002 1,000 0,013
X3 0,674 0,003 0,013 1,000
5.2.2.4. Autokorelasi