1. Uji Asumsi Klasik
Metode analisis data yang digunakan dalam penelitian ini model analisis regresi sederhana dengan menggunakan bantuan software SPSS for windows
version.16.0. Penggunaan metode analisis regresi dalam pengujian hipotesis, terlebih dahulu diuji apakah model tersebut memenuhi asumsi klasik atau
tidak. Uji asumsi Klasik terdiri atas uji normalitas, uji heteroskedastisitas, uji multikolineritas dan uji autokorelasi.
a. Uji Normalitas
Menurut Gozali 2005: 110,”Uji Normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu 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. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu
dengan analsis grafik dan uji statistik. 1
Analisis Grafik Salah satu cara termudah untuk melihat normalitas residual adalah
dengan melihat grafik histrogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun
demikian hanya dengan melihat histogram hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil. Metode yang lebih handal
adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan
Universitas Sumatera Utara
membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual
normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
2 Analisis Statistik
Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik. Kolmogorov-smirnovK-
S. Uji KS dibuat dengan membuat hipotesis : Ho : data residua l berdistribusi normal,
Ha : data residual tidak berdistribusi normal. b.
Uji Multikolinieritas Uji Multikolinieritas bertujuan untuk menguji apakah dalam model
regresi ditemukan korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika
variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen sama dengan
nol. Multikolineritas dapat juga dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF. Kedua ukuran ini
menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel
independen menjadi variabel dependen dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen
yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi
Universitas Sumatera Utara
nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF=1 tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya
multikolineritas adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10.
c. Uji Heteroskedastisitas
Uji ini memiliki tujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variabel dari residual suatu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut dengan heteroskedastisitas. Untuk
melihat ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scatterplot antara nilai prediksi variabel dependen dengan
residualnya. Jika ada pola seperti titik-titik yang membentuk pola tertentu yang teratur maka terjadi heteroskedastisitas. Namun, jika tidak ada pola
yang jelas serta titik menyebar ke atas dan di bawah angka 0 pada sumbu Y, berarti tidak terjadi heteroskedastisitas.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas
dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada
Universitas Sumatera Utara
data runtut waktu times series karena ”ganguan” pada seorang individu kelompok cenderung mempengaruhi ”gangguan” pada individu kelompok
yang sama pada periode berikutnya. Pada data crossection silang waktu, masalah autokorelasi relatif
jarang terjadi karena ”gangguan” pada observasi yang berbeda berasal dari individu. Kelompok yang berbeda berasal dari invidu kelompok yang
berbeda. Model regresi yang baik adalah yang bebas dari autokorelasi. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam
autokorelasi di antaranya adalah dengan Uji Durbin Watson pada buku stastistik relevan. Menurut Sunyoto 2009:91, Pengambilan keputusan
ada tidaknya autokorelasi adalah sebagai berikut: 1
angka D-W di bawah –2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3 angka D-W di atas +2 berarti ada autokorelasi negatif.
2. Uji Hipotesis
Kategori