asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non-multikolinearitas, non-autokorelasi dan non-heterokedastisitas.
a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov untuk mengetahui apakah data sudah terdistribusi
secara normal atau tidak. Ghozali 2005 : 115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji
Kolmogorov- Smirnov yang dapat dilihat dari: a. Jika nilai signifikan 0.05 maka distribusi data tidak normal
b. Jika nilai signifikan 0.05 maka distribusi data normal Hipotesis yang digunakan :
• Ho : Data residual berdistribusi normal
• Ha : Data residual tidak berdistribusi normal
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini
Universitas Sumatera Utara
Tabel 4.6 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 54
Normal Parameters
a
Mean .0000000
Std. Deviation .21598074
Most Extreme Differences
Absolute .281
Positive .272
Negative -.281
Kolmogorov-Smirnov Z 2.064
Asymp. Sig. 2-tailed .000
a. Test distribution is Normal. Sumber : Output SPSS, diolah Peneliti, 2010
Dari hasil pengolahan data pada Tabel 4.6 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 2,064 dan signifikan pada 0,000. Nilai signifikansi lebih
kecil dari 0,05, maka H 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:
Universitas Sumatera Utara
Gambar 4.1. Histogram
Sumber : Output SPSS, diolah Peneliti, 2010
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data tidak mengikuti kurva berbentuk lonceng namun distribusi data
Universitas Sumatera Utara
menceng skewness ke kanan dan ke kiri atau bisa disimpulkan bahwa data tersebut tidak normal.
Gambar 4.2 Normal P-Plot Regression
Sumber : Output SPSS, diolah Peneliti, 2010
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik tidak menyebar disekitar garis diagonal
Universitas Sumatera Utara
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 :
d. lakukan transformasi data ke bentuk lainnya,
e. lakukan trimming, yaitu membuang data outlier,
f. 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 38 pengamatan.
Setelah itu, data diuji ulang berdasarkan asumsi normalitas. Berikut ini adalah hasil pengujian dengan Kolmogorov-Smirnov setelah dilakukan transformasi:
Universitas Sumatera Utara
Tabel 4.7 Hasil Uji Normalitas 2
Setelah Transformasi Dengan Logaritma Natural One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
38 Normal Parameters
a
Mean .0000000
Std. Deviation 1.00194795
Most Extreme Differences
Absolute .083
Positive .083
Negative -.060
Kolmogorov-Smirnov Z .513
Asymp. Sig. 2-tailed .955
a. Test distribution is Normal. Sumber : Output SPSS, diolah Peneliti, 2010
Dari hasil pengolahan data pada tabel 4.7 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0.513 dan signifikan pada 0.955. Nilai signifikansi lebih
besar dari 0.05, maka H diterima yang berarti data residual berdistribusi normal.
Setelah data berdistribusi normal dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelas berikut ini dilampirkan grafik histogram dan grafik p-plot data yang
telah berdistribusi normal.
Universitas Sumatera Utara
Gambar 4.3 Histogram setelah transformasi
Sumber : Output SPSS, diolah Peneliti, 2010
Universitas Sumatera Utara
Berdasarkan kurva histogram di atas, dapat dilihat bahwa kurva menyerupai bentuk lonceng yang hampir sempurna dengan kemiringan yang cenderung imbang
baik dari sisi kiri maupun dari sisi kanan, hal ini menunjukkan bahwa data telah terdistribusi secara normal.
Menurut Ghozali 2005 : 112, pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik Grafik
Normal P-P Plot of Regression, yaitu jika data titik menyebar di sekitar garis
diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.
Gambar 4.4
Universitas Sumatera Utara
Normal P-P Plot of Regression setelah transformasi
Sumber : Output SPSS, diolah Peneliti, 2010
Grafik Normal P-P Plot of Regression di atas memperlihatkan titik-titik
menyebar berhimpitan di sekitar diagonal dan ini menunjukkan data dalam model regresi berdistribusi normal. Karena secara keseluruhan data telah terdistribusi secara
normal, maka dapat dilakukan pengujian asumsi klasik lainnya.
b. Uji Multikolinieritas
