54 melenceng ke kiri, dengan kata lain tidak menunjukkan pola distribusi
normal, maka model regresi tidak memenuhi asumsi normalitas, b
namun, jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, atau grafik histogramnya menunjukkan pola distribusi
normal, maka model regresi memenuhi asumsi normalitas. Selain melihat nilai grafik, untuk mendeteksi data residual terdistribusi
dengan normal atau tidak adalah dengan menggunakan uji statistik non-parametrik Kolmogorov-Smirnov
K-S, karena pengujian secara statistik akan memberikan hasil yang lebih valid dibandingkan dengan pengujian secara grafik Probability
Plot . Jika hasil Kolmogorov-Smirnov menunjukkan nilai signifikan di atas 0,05
maka data residual terdistribusi dengan normal. Namun, jika hasil Kolmogorov- Smirnov
ternyata menunjukkan nilai signifikan di bawah 0,05 maka data residual terdistribusi dengan tidak normal.
3.6.2.2 Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi di antara variabel independen, oleh karena model regresi yang
baik seharusnya tidak terjadi korelasi di antara variabel independen, dengan kata lain terbebas dari gejala multikolinearitas. Multikolinearitas adalah situasi yang
menunjukkan adanya korelasi variabel-variabel independen antara yang satu dengan lainnya, dalam situasi ini, variabel-variabel independen tersebut tidak
ortogonal. Variabel-variabel independen yang bersifat ortogonal adalah variabel yang memiliki nilai korelasi di antara sesamanya sama dengan nol.
Universitas Sumatera Utara
55 Ada dua uji multikolinearitas yang sering digunakan, yaitu dengan melihat
nilai VIF Variance Inflation Factor dan Tolerance. Indikator yang digunakan untuk menentukan adanya multikolinearitas adalah nilai tolerance 0,10 atau
dengan nilai VIF 10. Dengan demikian, maka dapat dikatakan dalam model tersebut terdapat multikolinearitas Ghozali, 2013: 105.
3.6.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 atau tahun sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi adalah suatu kondisi di mana
variabel gangguan pada periode tertentu berkorelasi dengan variabel gangguan pada periode lain. Masalah ini timbul karena residual atau kesalahan pengganggu
tidak bebas dari satu observasi ke observasi lainnya. Hal ini berarti bahwa variabel gangguan tidak random. Autokorelasi dapat disebabkan oleh berbagai hal seperti
kesalahan dalam menentukan model, penggunaan lag pada model, atau tidak memasukkan variabel yang penting.
Untuk pengujian ada tidaknya autokorelasi ini, peneliti menggunakan uji Durbin Watson DW. Menurut Ghozali 2013: 111, menentukan ada tidaknya
autokorelasi adalah sebagai berikut.
Tabel 3.1 Pengambilan Keputusan Ada Tidaknya Autokorelasi Hipotesis nol
Keputusan Jika
Tidak ada autokorelasi positif Tolak
0 d dl Tidak ada autokorelasi positif
No decision dl d du
Tidak ada autokorelasi negative Tolak
4 – dl d 4
Tidak ada autokorelasi negative No decision
4 – du d 4 – dl
Tidak ada autokorelasi, positif atau negative
Tidak ditolak du d 4 - du
Universitas Sumatera Utara
56
3.6.2.4 Uji Heteroskedastisitas