2. Uji Asumsi klasik
Salah satu syarat yang mendasari penggunaan model regresi adalah dipenuhinya semua asumsi klasik, agar pengujian bersifat tidak bias dan efisien Best Linear
Unbiased Estimator BLUE. Menurut Ghozali 2005 asumsi klasik yang harus dipenuhi adalah:
a. Berdistribusi normal. b. Non-Multikolinearitas, artinya antara variabel independen dalam model regresi
tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna.
c. Non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi.
d. Homokedastisitas, artinya varians variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
Pengujian tersebut meliputi:
a. Uji Normalitas
Uji ini bertujuan untuk mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal Ghozali, 2005:110. Uji ini
ditujukan untuk mendapatkan kepastian terpenuhinya syarat normalitas yang akan menjamin dapat dipertanggungjawabkannya langkah-langkah analisis statisik
sehingga kesimpulan yang diambil dapat dipertanggungjawabkan. Pedoman tentang data tersebut mendekati atau merupakan distribusi normal dapat didasarkan pada
analisis grafik dan analisis statistik. Analisis grafik dilakukan dengan meilihat grafik histogram yang membandingkan data observasi dengan distribusi yang mendekati
distribusi normal atau mengikuti kurva berbentuk lonceng dan grafik normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal.
Dasar pengambilan keputusan normal probability plot tersebut adalah sebagai berikut:
1 Jika data menyebar sekitar garis diagonal dan mengikuti arah garis diagonal atau grafis histogramnya menunjukkan pola distribusi normal, maka model regresi
memenuhi asumsi normalitas, 2 Jika menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis
diagonal atau grafis histogramnya tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Analisis statistik dilakukan dengan uji statistik nonparametrik Kolmogorov- Smirnov K-S. Bila nilai signifikan 0,05 berarti distribusi data tidak normal,
sebaliknya bila nilai signifikan 0,05 berarti distribusi data normal Ghozali, 2005. Uji K-S dibuat dengan membuat hipotesis:
Ho : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Distribusi yang melanggar asumsi normalitas dapat diubah menjadi bentuk yang normal dengan beberapa cara menurut Jogiyanto 2004:
a Transformasi data Transformasi data dapat dilakukan dengan logaritma natural Ln, Log 10,
maupun akar kuadrat. Jika ada data yang bernilai negatif, transformasi data dengan logaritma akan menghilangkannya sehingga jumlah sampel n akan berkurang.
b Trimming Trimming adalah memangkas atau membuang observasi yang bersifat outlier.
c Winzorising Winzorising mengubah nilai-nilai outlier menjadi nilai-nilai minimum atau
maksimum yang diizinkan supaya distribusinya menjadi normal.
b. Uji Multikolinearitas