38
3.7.1. Pengujian Asumsi Klasik
Uji asumsi klasik dalam penelitian ini dilakukan untuk mengetahui apakah sampel yang ditetapkan telah dapat dilakukan analisis dan melihat apakah model
prediksi yang dirancang telah dapat dimasukkan ke dalam serangkaian data, sehingga perlu dilakukan pengujian data. Untuk mendapatkan model regresi yang
baik harus terbebas dari penyimpangan data yang terdiri dari normalitas,
multikolinieritas, autokorelasi dan heteroskedastisitas.
Pengujian asumsi klasik yang dilakukan terdiri dari:
3.7.1.1. Uji Normalitas
Menurut Ghozali 2005,”uji normallitas bertujuan untuk menguji apakah variabel independen dan variabel dependen berdistribusi normal”. Model regresi
yang baik adalah memiliki distribusi data normal atau mendeteksi normal. Untuk melihat normalitas data dapat dilakukan dengan melihat histogram atau pola
distribusi data normal. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari
nilai residualnya. Dasar pengambilan keputusannya adalah:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau garis histogramnya menunjukkan pola berdistribusi normal,
maka model regresi memenuhi asumsi normalitas, 2. Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Universitas Sumatera Utara
39 Dalam penelitian ini, Peneliti menggunakan uji Kolmogorov-Smirnov K-
S untuk menguji normalitas data. Uji K-S dibuat dengan membuat hipotesis: H0 : data residual berdistribusi normal
H1 : data residual tidak berdistribusi normal Bila signifikan 0,05 dengan = 5, berarti distribusi data normal dan
H0 diterima, sebaliknya bila nilai signifikan 0,05 berarti distribusi data tidak normal dan H1 diterima. Data yang tidak terdistribusi secara tidak normal dapat
ditransformasikan agar menjadi normal. Jika data tidak normal ada beberapa cara mengubah model regresi menjadi normal yaitu:
1. Dengan melakukan transformasi data ke bentuk lain, yaitu Logaritma Natural, akar kuadrat, Logaritma lo,
2. Lakukan trimming, yaitu mengubah observasi yang bersifat outlier, 3. Lakukan winsorizing, yaitu mengubah nilai-nilai data outlier menjadi
nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
3.7.1.2. Uji Multikolinearitas
Menurut Ghozali 2005:91-92,” uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen.” Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen
antara yang satu dengan yang lainnya.
Universitas Sumatera Utara
40 Jika terjadi korelasi sempurna diantara sesame variabel bebas, maka
konsekuensinya adalah: 1. Koefisien-koefisien regresi menjadi tidak dapat ditaksir,
2. Nilai standar error setiap koefisien regresi menjadi tak terhingga. Ada tidaknya multikolinearitas dapat dideteksi dengan melihat nilai
tolerance dan variance inflation factor VIF, serta dengan menganalisis matriks korelasi variabel-variabel independen. Nilai cut off yang umum dipakai untuk
menunjukkan adanya multikolinearitas adalah jika nilai VIF tidak lebih dari 10 dan nilai tolerance tidak kurang 0,1 maka model dapat dikatakan terbebas dari
multikolinearitas. Ada dua cara yang dapat dilakukan jika terjadi multikolinearitas, yaitu:
a. Mengeluarkan salah satu variabel, misalnya variabel independen A dan B saling berkolerasi kuat, maka bisa dipilih A atau B yang dikeluarkan dari
model regresi. b. Menggunakan metode lanjut seperti Regresi Bayesian atau Regresi Ridge.
3.7.1.3. Uji Heteroskedastisitas