terkecil. Error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika best disertai sifat unbiased, maka
estimator regresi disebut efisien. Estimator regresi akan disebut linear apabila, estimator itu merupakan fungsi linear dari sampel. Pengujian asumsi
klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghazali 2006: 123, asumsi klasik yang harus dipenuhi adalah:
• Berdistibusi 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 berkorelasi.
• Non-Heterokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1 Uji normalitas
Uji data statistik dengan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data sudah terdistribusi secara normal atau tidak.
Ghazali 2006: 115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal berdasarkan uji
Kolmogorov Smirnov yang dapat dilihat dari:
a
nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah tidak normal,
b
nilai sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini.
Universitas Sumatera Utara
Tabel 4.2 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .03861796
Most Extreme Differences Absolute .112
Positive .066
Negative -.112
Kolmogorov-Smirnov Z .708
Asymp. Sig. 2-tailed .697
a. Test distribution is Normal. b. Calculated from data.
Sumber : Output SPSS, diolah Penulis, 2012 Tabel 4.2 menunjukkan bahwa hasil pengujian statistik dengan
model Kolmogorov-Smirnov telah terdistribusi normal karena nilai Asymp.Sig 2-tailed Kolmogorov-Smirnov 0,697 lebih besar dari 0,05.
Berikut ini ditampilkan hasil uji normalitas dengan menggunakan grafik Histogram dan Plot.
Universitas Sumatera Utara
Gambar 4.1 Uji Normalitas Data
Sumber : Output SPSS, diolah Penulis, 2012
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal, hal ini dapat dilihat dari grafik histogram yang
menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri maupun menceng ke kanan. Hasil penelitian ini juga
didukung hasil uji normalitas dengan menggunakan grafik plot pada Gambar 4.2
Universitas Sumatera Utara
Gambar 4.2 Uji Normalitas Data
Sumber : Output SPSS, diolah Penulis, 2012
Menurut Ghazali 2006: 112, 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. Gambar 4.2 menunjukkan bahwa data titik menyebar di sekitar dan mendekati garis diagonal, hal ini sejalan dengan
hasil pengujian dengan menggunakan histogram bahwa data telah terdistribusi normal. Secara keseluruhan data telah terdistribusi secara
normal.
Universitas Sumatera Utara
Namun,untuk hasil olah data selanjutnya tidak menunjukkan hal yang sama dengan uji normalitas, karena hasil pada uji normalitas tidak
berlaku pada pengujian asumsi klasik yang lainnya. Apabila menggunakan data sebelumnya, hasil pengolahan data yang ada tidak
akan lulus uji multikolinieritas, uji heteroskedastisitas dan uji autokorelasi. Maka, peneliti melakukan transformasi data ke model logaritma natural
Ln. Transformasi data ke dalam bentuk logaritma natural menyebabkan data yang bernilai negatif tidak dapat ditransformasi sehingga
menghasilkan missing values. Setiap data yang terdapat missing values akan dihilangkan dan diperoleh jumlah sampel yang valid menjadi 40
pengamatan.
4.2.2.2 Uji multikolinieritas
