49
D. Metode Analisis Data
1. Uji Asumsi Klasik
Suatu model regresi dapat dikatakan sebagai model yang baik jika model tersebut memenuhi asumsi normalitas data dan terbebas dari
asumsi-asumsi klasik, baik itu multikolineritas, heteroskedastisistas dan
autokorelasi. a.
Uji Normalitas
Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi berdistribusi normal atau
tidak Suliyanto 2011:67. Apabila sebaran data sudah berdistribusi normal, maka uji lanjut dengan menggunakan statistik parametrik bisa
dilakukan. Sebaliknya, bila data tidak berdistribusi normal maka uji lanjut dengan menggunakan statistik parametrik tidak bisa dilakukan,
tetapi menggunakan statistik non parametrik. Untuk menguji normalitas sebaran data bisa dilakukan dengan empat cara, yaitu Chi-
Square, Lilifors dan Kormogorov Smirnov dan Skewness Kurtosis. Pada penelitian ini, Uji normalitas menggunakan jarque-bera yang
bertujuan untuk menguji apakah dalam model regresi variabel dependen, variabel independen maupun keduanya berdistribusi
normal atau tidak. Model yang baik adalah yang memiliki distribusi data yang normal. Pada penelitian ini untuk menguji normalitas dalam
persamaan regresi adalah dengan dua cara:
50 1 Membandingkan statistik Jarque-Bera JB dengan nilai X2
tabel. Jika nilai JB ≤ X2 tabel maka nilai residual terstandarisasi dinyatakan berdistribusi normal.
2 Jika nilai probabilitas lebih besar dari nilai derajat kesalahan α =
0.05, maka penelitian ini tidak ada permasalahan normalitas atau dengan kata lain, data terdistribusi normal.
b. Uji Multikolinieritas
Uji multikolinieritas merupakan hubungan linier antara variabel independen didalam regresi berganda. Ada beberapa metode untuk
mendeteksi ada tidaknya masalah multikolinieritas dalam suatu model regresi berganda. Multikolinieritas bisa dideteksi dengan melihat
kolerasi linier antara variabel independen di dalam regresi. Sebagai aturan yang kasar rule of thumb, jika koefisien kolerasi cukup tinggi
yaitu diatas 0,85 maka kita duga ada multikolinieritas dalam model. Sebaliknya jika koefisien kolerasi kurang dari 0,85 maka kita duga
model tidak mengandung unsur multikolinieritas. Akan tetapi perlu kehati-hatian terutama pada data time series seringkali menunjukan
kolerasi antar variabel independen cukup tinggi. Kolerasi tinggi ini terjadi karena data time series seringkali menunjukan unsur tren yaitu
data bergerak naik dan turun secara bersamaan Agus Widarjono, 2010:75.77.
51
c. Uji Heteroskedastisitas
Uji Heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak sama konstan. Sebaliknya, jika varian variabel
pada model regresi memiliki nilai yang sama konstan maka disebut dengan homoskedastisitas. Yang diharapkan pada model regresi
adalah yang homoskedastisitas Suliyanto, 2011:95. Dalam penelitian ini peneliti akan menggunakan uji park untuk menguji
masalah heteroskedastisitas data. Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas melalui Uji Park yaitu meregresi nilai
logaritma dari kuadrat residual terhadap variabel independen. Apabila probabilitas signifikansi variabel independen lebih besar dari derajat
kesalahan yaitu 5, maka dalam model regresi tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Namun apabila
probabilitas signifikansi kurang dari derajat kesalahan 5, maka dalam model regresi ada indikasi terjadi heteroskedastisitas Winarno,
2015:5.12. Dalam
penelitian ini
deteksi ada
atau tidaknya
heterokedastisitas dapat dilihat dengan menggunakan uji glejser. Uji glejser dilakukan dengan meregres nilai absolut residual terhadap
variabel independen. Jika nilai signifikansi variabel independen diatas tingkat kepercayaan 5 maka model regresi dapat dikatakan tidak
mengandung adanya heterokedastisitas. Sebaliknya, jika nilai
52 signifikansi variabel independen berada dibawah tingkat kepercayaan
5 maka, model regresi mengandung heterokedastisitas.
d. Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode
t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Autokerasi
muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan
penggangu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu time series karena
“gangguan” pada individu kelompok yang sama pada periode berikutnya Ghozali, 2013:107.
2. Analisis Regresi Berganda