Uji Normalitas Uji Asumsi Klasik

35

4.2 Hasil Analisis

4.2.1 Uji Asumsi Klasik

Metode analisis yang digunakan adalah metode analisis regresi berganda. Sebelum dilakukan uji hipotesis, peneliti akan melakukan uji asumsi klasik. Pengujian ini perlu dilakukan untuk mengetahui apakah distribusi data yang digunakan dalam penelitian sudah normal, serta bebas dari gejala multikolinearitas, heteroskesdastisitas serta autokorelasi. Menurut Ghozali 2005:123 asumsi klasik yang harus dipenuhi adalah:  berdistribusi normal,  non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,  non-Autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling korelasi,  homoskedasitas, artinya variance variabel independen dari satu pengamatan kepengamatan yang lain adalah konstan atau sama.

4.2.1.1 Uji Normalitas

Uji normalitas berguna untuk melihat apakah data telah terdistribusi normal atau tidak. Uji normalitas dilakukan dengan model Kolmogorov-Smirnov . Menurut Ghozali 2005 : 115 memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji Kolmogorov-Smirnov yang dapat dilihat dari: 1. nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal, 36 2. nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal. Hasil uji normalitas dengan menggunakan model Kolmogorov- Smirnov dapat dilihat pada Tabel 4.2 berikut ini: Tabel 4.2 Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 120 Normal Parameters a,b Mean 0E-7 Std. Deviation 40307.14931406 Most Extreme Differences Absolute .255 Positive .255 Negative -.175 Kolmogorov-Smirnov Z 2.792 Asymp. Sig. 2-tailed .000 a. Test distribution is Normal. b. Calculated from data. Sumber: Data Olahan SPSS, 2013 Berdasarkan hasil uji statistik pada One-Sample Kolmogorov- Smirnov tersebut dapat terlihat bahwa data tidak terdistribusi dengan normal, karena Asymp. Sig. 2-tailed pada tabel tersebut 0,05. Oleh karena itu, peneliti akan melakukan treatment atau perbaikan pada data tersebut agar dapat memenuhi uji normalitas. Ada beberapa cara mengubah model regresi menjadi normal menurut Erlina 2008 : 104 yaitu: 1. lakukan transformasi data ke bentuk lainnya, misalnya mengubah data menjadi bentuk logaritma Log atau natural LN, 2. lakukan trimming, yaitu membuang data outlier, 37 3. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu. Oleh karena itu, guna memenuhi uji normalitas maka peneliti akan mentransformasikan data penelitian ini kedalam bentuk natural LN, kemudian data diuji ulang dengan menggunakan uji normalitas. Hasil Uji Normalitas pada data yang telah ditransformasi dapat dilihat pada histogram, dan normal probability plot, One-Sample Kolmogorov- Smirnov , berikut ini: Sumber: Data Olahan SPSS, 2013 Gambar 4.1 Uji Normalitas 38 Sumber: Data Olahan SPSS, 2013 Gambar 4.2 Uji Normalitas Tabel 4.3 Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 110 Normal Parameters a,b Mean 0E-7 Std. Deviation 1.44229591 Most Extreme Differences Absolute .080 Positive .080 Negative -.072 Kolmogorov-Smirnov Z .841 Asymp. Sig. 2-tailed .479 a. Test distribution is Normal. b. Calculated from data. Sumber: Data Olahan SPSS, 2013 39 Berdasarkan hasil uji normalitas diatas, dapat dikatakan bahwa data telah terdistribusi secara normal. Hal tersebut di dapat diketahui dengan melihat Asymp. Sig 2-Tailed 0.05, yaitu sebesar 0,479. Selain itu data yang telah terdistribusi normal dapat kita ketahui dengan melihat histogram dan normal probability plot pada gambar 4.1 dan gambar 4.2 terlihat bahwa setelah dilakukan transformasi data menggunakan LN, grafik histogram memperlihatkan pola distribusi yang normal, dan grafik P-P Plot memperlihatkan titik-titik menyebar di sekitar atau mengikuti arah garis diagonal yang menunjukkan pola distribusi normal. Hal ini sesuai dengan yang diungkapkan oleh Ghozali 2005 : 112 bahwa pendeteksian normalitas dapat dilakukan dengan melihat penyebaran data titik pada sumbu diagonal dari grafik, yaitu jika data titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, hal ini menunjukkan data yang telah terdistribusi normal.

4.2.1.2 Uji Multikoleniaritas