Kolmogorov Smirnov lebih besar dari 0,05 dan PP plot standardized residual mendekati garis diagonal, maka data terdistribusi normal.
3.6.2.2. Uji Multikolinieritas
Multikolinieritas dikemukakan pertama kali oleh Ragner Fish dalam bukunya
“Statistical Confluence Analysis by Means of Complete Regression Systems”. Fish menyatakan bahwa multikolinier adalah adanya lebih dari satu
hubungan linier yang sempurna. Apabila terjadi multikolinier apalagi kolinier yang sempurna koefisien korelasi antar variabel bebas = 1, maka koefisien
regresi dari variabel bebas tidak dapat ditentukan dan standar error-nya tidak terhingga Suharyadi, 2009.
Uji Multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. 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 yang nilai korelasi
antar sesama variabel independen sama dengan nol Julianti, 2014. Pengujian multikolinearitas dilihat dari besaran VIF Variance Inflation
Factor dan Tolerance. Tolerance mengukur variabilitas variabel independen terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai
tolerance yang rendah sama dengan nilai VIF = 1Tolerance. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai
Tolerance 0,10 atau sama dengan nilai VIF 10 Ghozali, 2011 dalam Rahman, 2013.
3.6.2.3.Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Jika variance dan residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedasitisitas dan jika berbeda disebut
Heteroskedastisitas. Model regresi yang baik adalah yang Homoskesdatisitas atau tidak terjadi Heteroskedastisitas Kusumadilaga, 2010.
Heteroskedastisitas dilakukan untuk melihat nilai varians antar nilai Y, apakah sama atau heterogen. Data cross section, yaitu data yang dihasilkan
dalam satu waktu dengan banyak responden, nilai varian antar pengamatan dapat bersifat homogen. Ada beberapa kemungkinan yang menyebabkan hal
tersebut dapat terjadi, yaitu: 1. Data yang bersifat cross section memungkinkan munculnya banyak
variasi, misalnya pendapatan mempunyai kisaran ratusan ribu sampai miliaran rupiah
2. Proses belajar, dengan bertambahnya ilmu dapat membuat varian lebih kecil
3. Teknik pengumpulan data, data yang berjumlah banyak akan memperkecil varian Suharyadi, 2009.
Saat mendeteksi ada tidaknya heteroskedastisitas dapat ditentukan dengan melihat grafik Plot Scatterplot antara nilai prediksi variabel terikat
ZPRED dengan residual SRESID. Jika grafik plot menunjukkan suatu pola titik yang bergelombang atau melebar kemudian menyempit, maka dapat
disimpulkan bahwa telah terjadi heteroskedastisitas. Namun, jika tidak ada pola yang jelas, serat titik-titik menyebar di atas dan di bawah angka 0 pada
sumbu Y, maka tidak terjadi heteroskedastisitas Ghozali, 2011 dalam Rahman, 2013.
Heterokedastisitas dapat dideteksi dengan uji Glejser. Dalam uji Glejser, model regresi linier yang digunakan dalam penelitian ini diregresikan
untuk mendapatkan nilai residualnya. Kemudian nilai residual tersebut diabsolutkan dan dilakukan regresi dengan semua variabel independen, bila
terdapat variabel independen yang berpengaruh secara signifikan pada tingkat signifikansi 5 terhadap residual absolut maka terjadi heterokedastisitas dalam
model regresi ini Sumodiningrat, 1996 dalam Jatmiko, 2006.
3.6.3. Analisis Regresi