Uji Normalitas Uji Asumsi Klasik

4.1.2 Uji Asumsi Klasik

Menurut Gujarati 2003 suatu model dikatakan baik untuk alat prediksi apabila mempunyai sifat-sifat best linear unbiased estimator BLUE. Di samping itu suatu model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi ekonometrika yang melandasinya. Suatu model regresi berganda yang digunakan untuk menguji hipotesa harus memenuhi asumsi klasik. Uji asumsi klasik dilakukan juga untuk mendapatkan model regresi yang tidak bias dan efisien. Estimasi dari parameter-parameter dengan metode ordinary least square OLS akan memiliki sifat ketidakbiasan unbiasedness, varians yang minimum minimum varians, dan sebagainya, yang disebut best linear unbiased estimator BLUE Gujarati, 2003:107, Supranto, 2005:70. Dalam penggunaan regresi linear berganda, terdapat empat uji asumsi klasik, yakni uji normalitas residual, uji multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas Supranto, 2005:151.

4.1.2.1 Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali, 2011:160, Gujarati, 2003:339, Field, 2009:221, Supranto, 2005:90. Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Kolmogorov-Smirnov. Dalam penelitian ini, tingkat signifikansi yang digunakan . Dasar pengambilan keputusan adalah melihat angka probabilitas , dengan ketentuan sebagai berikut. Jika nilai probabilitas 0,05, maka asumsi normalitas terpenuhi. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi. Tabel 4.2 Uji Normalitas Sumber : hasil olahan software SPSS 17 Perhatikan bahwa berdasarkan Tabel 4.2, diketahui nilai probabilitas atau Asymp. Sig. 2-tailed sebesar 0,001. Dalam penelitian ini, tingkat signifikansi yang digunakan adalah . Karena nilai probabilitas , yakni 0,001, lebih kecil dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas tidak terpenuhi. Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada dihilangkan. Outlier adalah data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi- obsevasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi Ghozali, 2011,36. Setelah data outlier dihilangkan, maka data yang semula 96 menjadi 88 . Hasil pengujian normalitas yang kedua diperlihatkan dalam Tabel 4.3 sebagai berikut. Tabel 4.3 Uji Normalitas setelah Data Menyimpan Outlier Dihapus Sumber : hasil olahan software SPSS 17 Berdasarkan Tabel 4.3, nilai probabilitas atau Asymp. Sig 2-tailed adalah 0,248. Oleh karena nilai probabilitas, yakni 0,248 lebih besar dibandingkan tingkat signifikansi, yakni 0,05, maka asumsi normalitas terpenuhi. Pengujian asumsi normalitas dapat juga digunakan pendekatan analisis grafik, histogram. Pada untuk pendekatan histogram, jika kurva berbentuk kurva normal, maka asumsi normalitas dipenuhi. Pada pendekatan normal probability plot, jika titik-titik dots menyebar jauh menyebar berliku-liku pada garis diagonal seperti ular dari garis diagonal, maka diindikasi asumsi normalitas error tidak dipenuhi. Jika titik-titik menyebar sangat dekat pada garis diagonal, maka asumsi normalitas dipenuhi. Gambar 4.1 dan Gambar 4.2 merupakan output dari SPSS. Perhatikan bahwa kurva pada histogram berbentuk kurva normal, sehingga disimpulkan bahwa asumsi normalitas error dipenuhi. Di samping itu pada normal probability plot Gambar 4.1, titik-titik menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi normalitas dipenuhi. Gambar 4.1 Histogram untuk Pengujian Asumsi Normalitas Gambar 4.2 Normalitas dengan Normal Probability Plot

4.1.2.2 Uji Multikolinearitas