Estimator. Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123, asumsi klasik yang harus
dipenuhi adalah sebagai berikut ini: Berdistibusi normal.
Non-Multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun
mendekati sempurna. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi
tidak saling berkorelasi. Non-Heterokedastisitas, artinya variance variabel independen dari satu
pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1.1. Uji Normalitas Data
Uji normalitas bertujuan mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal, selain itu untuk
menghindari bias dalam model regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov.
Ghozali 2005:115, 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. Hipotesis yang digunakan :
Ho : Data residual berdistribusi normal. Ha : Data residual tidak berdistribusi normal.
Bila signifikansi lebih besar dari 0,05 maka H0 diterima, bila signifikansi kurang dari 0,05 maka H0 ditolak.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini:
Tabel 4.2 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
52 Normal Parameters
a,,b
Mean .0000000
Std. Deviation 6.08895271
Most Extreme Differences Absolute .356
Positive .356
Negative -.332
Kolmogorov-Smirnov Z 2.566
Asymp. Sig. 2-tailed .000
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah Peneliti, 2012.
Dari hasil pengolahan data pada Tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 2,566 dan signifikan pada 0,000. Nilai signifikansi
lebih kecil dari 0,05, maka H0 ditolak yang berarti data residual berdistribusi tidak normal. Data yang berdistribusi normal dapat disebabkan oleh adanya data yang
outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data lainnya.
Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal. Hasil dari uji normalitas dengan grafik histogram,
ditunjukkan sebagai berikut:
Gambar 4.1 Histogram
Sumber : Output SPSS, diolah Peneliti, 2012
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data tidak mengikuti kurva berbentuk lonceng namun distribusi data
menceng skewness ke kiri atau bisa disimpulkan bahwa data tersebut tidak normal.
Gambar 4.2 Normal P-Plot Regression
Sumber : Output SPSS, diolah Peneliti, 2012
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik tidak menyebar disekitar garis diagonal
serta penyebarannya menjauhi garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi tidak terdistribusi secara normal.
Menurut Erlina 2007:106 ada beberapa cara mengubah model regresi menjadi normal 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.
Untuk mengubah nilai residual agar berdistribusi normal, peneliti melakukan transformasi data ke model logaritma natural Ln. Transformasi data
ke dalam bentuk logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga menghasilkan missing values. Setiap data yang
terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 26 pengamatan. Setelah itu, data diuji ulang berdasarkan asumsi
normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi:
Tabel 4.3 Hasil Uji Normalitas 2
Setelah Transformasi Dengan Logaritma Natural One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 26
Normal Parameters Mean
a,,b
.0000000 Std. Deviation
1.09969105 Most Extreme
Differences Absolute
.151 Positive
.095 Negative
-.151 Kolmogorov-Smirnov Z
.770 Asymp. Sig. 2-tailed
.593 a. Test distribution is Normal.
b. Calculated from data. Sumber : Output SPSS, diolah Penulis,2012.
Berdasarkan hasil uji statistik dengan model Kolmogorov-Smirnov Test seperti yang terdapat dalam Tabel 4.3 dapat disimpulkan bahwa besarnya nilai
Kolmogrov–Smirnov sebesar 0,770 dan signifikan lebih dari 0,05 karena Asymp. Sig. 2-tailed 0,593 0,05. Nilai signifikansi lebih besar dari 0,05 maka H0
diterima atau H1 ditolak yang berarti data residual telah berdistribusi normal.
Dengan demikian, secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji
asumsi klasik lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histrogram dan plot data yang terdistribusi normal.
Gambar 4.3 Histogram setelah transformasi
Sumber : Output SPSS, diolah Peneliti, 2012.
Grafik histogram di atas menunjukkan 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 4.4
Gambar 4.4 Normal P-P Plot of Regression setelah transformasi
Sumber : Output SPSS, diolah Peneliti, 2012
Menurut Ghozali 2005 : 110, 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”. Grafik P-Plot
menunjukkan titik-titik menyebar di sekitar dan mendekati garis diagonal. Kondisi demikian menunjukkan bahwa data tersebut terdistribusi secara normal, maka
dapat dilakukan pengujian asumsi klasik lainnya.
4.2.2.1.2. Uji Multikolinieritas
