40
2. Pengujian Asumsi Klasik
Pengujian analisis regresi dalam statistik harus bebas dari asumsi- asumsi klasik, seperti normalitas data, heterokedastisitas, autokorelasi, dan
asumsi klasik lainnya agar pengujian tidak bersifat bias dan efisien.
a. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data yang digunakan dalam penelitian terdistribusi normal atau tidak sehingga
mampu menghindari terjadinya bias pada model regresi. Uji normalitas dapat dilakukan dengan mendeteksi titik – titik data pada sumbu
diagonal grafik P-Plot. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka regresi memenuhi asumsi
normalitas. Model regresi yang baik adalah yang memiliki data normal atau mendekati normal Sunyoto 2011 : 89. Untuk mendeteksi data
berdistribusi normal, digunakan uji statistik Kolmogrov-Smirnov K-S, yang dijelaskan oleh Ghozali 2005 :115. Bila nilai signifikan 0.05
berarti data tidak normal. Sebaliknya bila nilai signifikan 0.05 berarti distribusi normal.
b. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada periode tertentu dengan variabel
pengganggu periode sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain.
Masalah ini timbul karena residual tidak bebas dari suatu pengamatan ke pengamatan lainnya. Model regresi yang baik adalah regresi yang
41
bebas dari autokorelasi. Uji autokorelasi dapat dilakukan dengan menggunakan uji Durbin-Watson, dimana hasil pengujian ditentukan
berdasarkan nilai Durbin-Watson Sunyoto 2011 : 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.
c. Uji Multikolinieritas
Uji multikolinieritas dilakukan untuk mengetahui ada tidaknya penyimpangan asumsi multikolinieritas, yaitu adanya hubungan linear
antara variabel independen dalam model regresi. Masalah multikolinieritas akan menyebabkan kesulitan dalam melihat pengaruh
variabel independen dengan variabel dependen. Adanya gejala multikolineritas bisa dilihat dari tolerance value atau Variance Inflation
Factor VIF. Apabila VIF kurang dari 10 maka tidak terjadi multikolinieritas, tetapi apabila VIF lebih dari 10 maka terjadi
multikolinieritas Sunyoto 2011 : 79.
d. Uji Heteroskedastisitas