49
asumsi-asumsi model linier klasik Gujarati, 2006:64. Asumsi-asumsi tersebut adalah:
3.4.1.Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak. Untuk mengetahui apakah data
tersebut mengikuti sebaran normal dapat dilakukan dengan berbagai metode di antaranya adalah metode Kolmogorov Smirnov Sumarsono,
2004 : 40.
Pedoman dalam mengambil keputusan apakah sebuah distribusi data mengikuti distribusi normal adalah :
1. Jika signifikan atau nilai probabilitasnya lebih kecil dari 5 maka
distribusi adalah tidak normal. 2.
Jika signifikan atau nilai probabilitasnya lebih besar dari 5 maka distribusi adalah normal.
3.4.2. Uji Outlier
Salah satu uji statistik yang dapat digunakan untuk menormalkan suatu data adalah uji outlier. Data outlier adalah data yang secara nyata
berbeda dengan data-data yang lain. Data outlier bisa terjadi karena beberapa sebab, yaitu : 1 kesalahan dalam pemasukan data, 2 kesalahan
dalam pengambilan sampel, dan 3 memang ada data-data ekstrim yang tidak bisa dihindarkan keberadaannya.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
50
Deteksi adanya outlier dapat dilakukan dengan menentukan nilai ambang batas yang dikategorikan sebagai outlier dengan cara
mengkonversikan nilai data penelitian kedalam standart score atau disebut juga dengan Z-score yang mempunyai nilai rata-rata nol dan standart deviasi
satu. Rumus z-score :
σ X
x z
− =
Dimana : x
= Nilai data X
= Nilai rata-rata σ
= Standar deviasi Sebuah data dikategorikan sebagai data outlier, jika nilai Z yang
didapat lebih besar dari angka +2,50 atau lebih kecil dari angka -2,50. Jika dilihat pada tabel z, nilai z = 2,50 sama dengan luas daerah di bawah kurva
normal sebesar 99,38. Hal ini berarti 99,38 dari seluruh nilai data adalah data yang normal atau jika data tersebut bervariasi dari rata-ratanya, variasi
tersebut masih dalam batas normal. Santoso, 2002 : 26.
3.4.3. Multikolinieritas
Kolinieritas ganda merupakan situasi dimana terdapat korelasi ganda yang tinggi, bilamana salah satu dari variabel-variabel independen beregresi
terhadap yang lainnya terdapat korelasi yang tinggi antar variabel independen. Konsekuensi atau akibat yang ditimbulkan apabila asumsi ini
tidak terpenuhi adalah Gujarati, 2006:61:
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
51
1. Penafsiran koefisien regresi masih mungkin dilakukan tetapi memiliki
standar deviasi yang lebih besar. 2.
Oleh karena nilai standart error dari koefisien regresi besar maka dari itu dengan sendirinya interval kenyakinan untuk parameter dari populasi
cenderung melebar. 3.
Dengan tingginya tingkat kolinieritas, probabilitas untuk menerima hipotesa, padahal itu salah, menjadi membesar nilainya.
4. Standart errornya menjadi sensitif.
5. Apabila kolinieritas ganda tinggi seseorang akan memperoleh R
2
koefisien determinasi berganda yang tinggi, akan tetapi tidak ada atau sedikit sekali, koefisien regresi yang signifikan secara statistik.
Toleransi dari sebuah variabel biasanya digunakan untuk mengukur kolinieritas. Toleransi dari variabel didefinisikan dengan 1-R
i 2
, dimana R
i 2
adalah koefisien regresi berganda bilamana variabel independen ke- i diprediksi dari variabel-variabel independen lainnya. Jika toleransi sebuah
variabel kecil, maka hampir merupakan kombinasi linier dari variabel- variabel independen lainnya Gujarati, 2006:63.
Faktor inflasi varian atau varian inflation faktor VIF sangat berhubungan erat dengan toleransi. Pada kenyataannya, VIF ini merupakan
kebalikan dari toleransi Gujarati, 2006:67. Untuk variabel ke-i :
1 1
2 i
R VIF
− =
Menurut Ghozali 2006:95, deteksi adanya multikolinieritas adalah multikolinieritas dapat dilihat 1 nilai tolerance dan lawannya 2 variance
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
52
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 terikat dan diregres terhadap variabel independen lainnya. Tolerance
mengukur nilai variabilitas variabel inpenden yang dipilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang
rendah sama nilainya dengan VIF tinggi karena VIF = 1 tolerance. Nilai cutoff
yang umum dipakai untuk menunjukkan adannya multikolinieritas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10.
3.4.4. Autokorelasi
