56 semakin kuat untuk menerangkan pengaruh variabel bebas terhadap variabel
terikat dan demikian sebaliknya.
Tabel 4.16 Hasil Uji Koefesien Determinasi R
2 Model Summary
Mod el
R R
Squar e
Adjusted R Square
Std. Error of the
Estimate Change Statistics
R Square Change
F Chang
e df1
df2 Sig. F
Change 1
,608
a
,370 ,338 4303,074
,370 11,605 5
99 ,000
a. Predictors: Constant, JUMLAH TANGGUNGAN, PENDIDIKAN, JAM KERJA, UMUR, LAMA USAHA
Sumber: Hasil Penelitian, 2016 data diolah
Berdasarkan Tabel 4.16 dapat dilihat bahwa : 1. R = 0,608 berarti hubungan antara variabel umur X
1
, pendidikan X
2
, lama usaha X
3
, jam kerja X
4
, dan jumlah tanggungan X
5
sebesar 60,8. Artinya hubungannya kuat.
2. Nilai R Square sebesar 0,370 berarti 37 variabel X
1
, pendidikanX
2
, lama usaha X
3
, jam kerja X
4
dan jumlah tanggungan X
5
mampu menjelaskan variasi pendapatan. Sedangkan sisanya 63 dapat dijelaskan oleh variabel-
variabel lain yang tidak diteliti dalam penelitian ini.
4.5 Uji Asumsi Klasik
4.5.1 Uji Normalitas
Tujuan uji normalitas adalah ingin menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal. Ada dua cara
Universitas Sumatera Utara
57 untuk mendeteksi apakah data berdistribusi normal atau tidak, yaitu dengan
pendekatan grafik dan pendekatan Kolmogorv-Smirnov. 1.
Analisis Grafik Salah satu cara untuk melihat normalitas adalah dengan melihat grafik
histogram, dan grafik normal p-p plot, yang membandingkan antara dua observasi dengan distribusi yang mendekati distribusi normal. Hasil output SPSS terlihat
seperti Gambar 4.1, dan Gambar 4.2.
Sumber: Hasil Penelitian, 2016 data diolah
Gambar 4.1 Pengujian Normalitas Histogram
Berdasarkan grafik dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan pola distribusi normal maka model regresi
memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis
Universitas Sumatera Utara
58 diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak
menunjukkan pola distribusi data normal yang tidak melenceng kanan maupun melennceng kiri. Jadi, berarti data residual berdistibusi normal. Terbukti bahwa
data maupun model yang digunakan memenuhi asumsi normalitas.
Gambar 4.2 Pengujian Normalitas P-P Plot
X
Sumber: Hasil Penelitian, 2016 data diolah
Gambar 4.2 Pengujian Normalitas P-P Plot
Pada P-P plot terlihat bahwa titik-titik menyebar disekitar garis diagonal dan cenderung mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data
v
Universitas Sumatera Utara
59 yang dipergunakan dalam penelitian ini memenuhi asumsi normalitas sehingga
layak untuk diuji dengan model regresi. 2.
Analisis Statistik Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal,
padahal secara statistik tidak berdistribusi normal. Jika nilai sig probability lebih besar dari 0,05 maka Ho ditolak dengan pengertian bahwa data yang dianalisis
berdistribusi normal. Demikian juga sebaliknya jika nilai sig probability lebih kecil dari 0,05 maka Ho diterima dengan pengertian bahwa data yang dianalisis
tidak berdistribusi normal. Berikut ini pengujian normalitas yang didasarkan dengan uji statistik nonparametik Kolmogorv-Smirnov K-S.
Tabel 4.17 Uji Kolmogrov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 105
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 4198361,0987867
5 Most Extreme Differences
Absolute ,111
Positive ,111
Negative -,060
Kolmogorov-Smirnov Z 1,133
Asymp. Sig. 2-tailed ,153
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2016 data diolah
Berdasarkan Tabel 4.16, terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0,153, ini berarti nilainya diatas nilai signifikan 5 0.05, dengan kata lain
variabel tersebut berdistribusi normal.
Universitas Sumatera Utara
60
4.5.2 Uji Heteroskedastisitas
