yang diperoleh memenuhi persyaratan uji atau tidak. Suatu model regresi harus memenuhi syarat-syarat yang meliputi asumsi normalitas, tidak terjadi
multikolinieritas dan autokorelasi Astuty, 2016.
Adapun uraian mengenai pengujian masing-masing asumsi adalah sebagai berikut:
3.6.1. Uji Normalitas
Menurut Ghozali 2005, pengujian normalitas data dilakukan untuk mengetahui kondisi data yang ada agar dapat menentukan model analisis yang
paling tepat digunakan. Uji normalitas data ini dilakukan dengan menggunakan analisis grafik uji normalitas normal plot. Model regresi memenuhi asumsi
normalitas bila memiliki distribusi data normal atau mendeteksi normal. Suatu regresi yang baik bila memiliki distribusi data normal Astuty, 2016.
Ada beberapa metode untuk mengetahui normal atau tidak gangguan μ
antara lain Jarque-Bera test dan metode grafik. Penelitian ini akan menggunakan metode Jarque-Bera test yang dilakukan dengan menghitung skweness dan
kurtosis, apabila J-B hitung nilai X² Chi Square tabel, maka nilai residual berdistribusi normal. Kriteria yang digunakan adalah jika nilai probabilitas
Jarque-Bera JB test alpha 0,05, maka dikatakan data berdistribusi normal.
Model untuk mengetahui uji normalitas adalah:
J – B hitung =
[
S
2
6 + 24k - 3
2
]
………………………….…..................... 3.5 Dimana:
S = Skewness statistik
Universitas Sumatera Utara
K = Kurtosis
Jika nilai J – B hitung J-B tabel, maka hipotesis yang menyatakan bahwa
residual Ut terdistribusi normal ditolak dan sebaliknya.
3.6.2 Uji Multikolinieritas
Menurut Ghozali 2002, menyatakan bahwa multikolinearitas mempunyai
pengertian bahwa ada hubungan linear yang “sempurna” atau pasti diantara beberapa atau semua variabel independen variabel yang menjelaskan
dari model regresi. Konsekuensi adanya multikolinearitas adalah koefisien regresi variabel tidak tentu dan kesalahan menjadi tidak terhingga. Uji multikolinieritas
bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak
terjadi korelasi di antara variabel independen. Jika variabel bebas saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah
variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol. Salah satu munculnya multikolinearitas adalah R² sangat tinggi dan
tidak satupun koefisien regresi yang memiliki pengaruh yang signifikan terhadap variabel tidak bebas secara stokastik.
Menurut Imam Ghozali 2009, multikolinearitas dapat dilihat dari nilai Tolerance dan lawannya Variance Inflation Faktor VIF. Kedua ukuran ini
menunjukan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Nilai cut off yang umum dipakai untuk mengukur ada tidaknya gejala
multikolinearitas adalah nilai toleransi dengan batas minimal sebesar 0,10 atau
Universitas Sumatera Utara
nilai VIF maksimal 10. Untuk menguji apakah model regresi ditemukan adanya korelasi antara variabel bebas. Cara untuk uji multikolinearitas dengan melihat
nilai variance inflation factor VIF. Bila VIF lebih dari 10 maka terjadi multikolinearitas, begitu pula sebaliknya kalau VIF di bawah 10 maka hal tersebut
tidak terjadi.
3.7. Metode Estimasi
