c. Uji Asumsi Klasik
Penelitian ini menggunakan bantuan program software SPSS 16.0 for Windows Statistic Product Service Solution dalam penelitian ini. Sebelum
melakukan analisis regresi, agar didapat perkiraan yang efisien dan tidak bisa dilakukan pengujian asumsi klasik. Adapun syarat Asumsi Klasik yang harus
dipenuhi model regresi berganda sebelum data tersebut dianalisis adalah sebagai
berikut: 1. Uji Normalitas
Hasil uji normalitas yang baik adalah bentuk distribusi normal atau mendekati normal. Jika data berdistribusi normal, titik-titik plotnya harus berada pada suatu
garis lurus. Sedangkan jika titik-titik tersebut membentuk seperti huruf S, maka menunjukkan bahwa data menjulur skew. Uji ini juga dilakukan dengan
beberapa pendekatan, antara lain:
a. Pendekatan Kolmogorv-Smirnov
Alat uji ini digunakan untuk memastikan apakah data di sepanjang garis
diagonal berdistribusi normal. Hipotesisnya sebagai berikut:
H = data residual berdistribusi normal
H
a
= data rasidual tidak berdistribusi normal Dengan menggunakan tingkat signifikan
� 5. Jika nilai Asymp.Sig 2 tailed taraf nyata α, maka H
diterima artinya data residual berdistribusi normal. Sebaliknya jika nilai Asymp.Sig 2 tailed taraf nya
ta α, maka H diterima artinya data residual tidak berdistribusi normal.
Universitas Sumatera Utara
b
. Pendekatan Histogram
Untuk menguji normalitas data dapat dilihat dengan kurva normal. Kurva normal yaitu kurva yang memiliki ciri-ciri khusus, salah satu diantaranya adalah
mean, modus, dan median pada tempat yang sama. Ukuran kemiringan puncak kurva ke kiri atau ke kanan dikenal dengan nama “kemiringan kurva” atau
“kemencengan kurva” skewness. Kemencengan suatu kurva distribusi data dapat bertanda positif arah kanan dan bertanda negatif arah kiri.
c. Pendekatan Grafik
PP plot akan membentuk plot antara nilai-nilai teoritis sumbu x melawan nilai-nilai yang didapat dari sampel sumbu y. Apabila plot dari keduanya
berbentuk linier didekati garis lurus, maka hal ini merupakan indikasi bahwa residual menyebar normal. Bila pola-pola titik yang terletak selain di ujung-ujung
plot masih berbentuk linier, meskipun ujung-ujung plot agak menyimpang dari
garis lurus, dapat dikatakan bahwa sebaran data adalah menyebar normal. 2. Uji Heteroskedastisitas
Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan lain. Jika varians
dari residual dari suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas. Salah satu uji untuk mengetahui heteroskedastisitas ini adalah
dengan melihat penyebaran dari varians residual pada diagram pencar scatter plot. Analisis pada gambar scatter plot yang menyatakan model regresi linear
berganda tidak terdapat heteroskedastisitas Nugroho, 2005:63 jika:
Universitas Sumatera Utara
1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0 2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja
3. Penyebaran titik-titik data tidak boleh membentuk bola bergelombang melebar kemudian menyempit dan melebar kembali.
4. Penyebaran titik-titik data sebaiknya tidak berpola. Uji ini juga dapat dilakukan melalui uji Glejser, yaitu dengan meregres nilai
absolut residual terhadap variabel independen. Apabila signifikansi dari taraf nyata 5, maka dianggap tidak terjadi masalah heteroskedastisitas, dan begitu
sebaliknya.
3. Uji Autokorelasi
Uji ini digunakan untuk menguji apakah dalam sebuah model regresi linear berganda ada korelasi antara kesalahan pengganggu pada periode t dan kesalahan
pengganggu pada periode t-1 periode sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan dengan tahun yang
lainnya. Hal ini sering ditemukan pada data yang time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan uji Langrange
Multiplier LM Test atau Breusc-GodfreyTest BG Test. Menurut Imam 2006:98 Uji autokorelasi dengan LM Test terutama digunakan untuk sampel
besar di atas 100 observasi. Uji ini memang lebih tepat digunakan dibandingkan uji Durbin-Watson DW, terutama bila sampel yang digunakan relatif besar dan
derajat autokorelasi lebih.
Universitas Sumatera Utara
Untuk mendeteksi ada tidaknya autokorelasi adalah dengan melihat nilai koefisien parameter untuk residual dimana probabilitas signifikansinya diatas
tingkat kepercayaan 5, maka disimpulkan tidak terjadi autokorelasi. Selanjutnya untuk lebih memastikan tidak adanya autokorelasi pada model dilakukan uji
nonparametrik yaitu dengan Run Test dengan melihat nilai signifikansi residual. Apabila signifikansi residual di atas tingkat kepercayaan 5, maka dapat
disimpulkan tidak terjadi autokorelasi dan apabila di bawah tingkat kepercayaan 5 maka terjadi autokorelasi.
4. Uji Multikolinieritas
Uji ini digunakan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antara veriabel independen. Jika terjadi korelasi, maka
dikatakan terdapat masalah multikolinieritas. Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen. Pengujian terhadap ada tidaknya
multikolinieritas dilakukan dengan melihat toleransi variabel dan Variance Inflation Factor VIF dengan membandingkan sebagai berikut:
1. Bila VIF 5 terdapat masalah multikolinieritas 2. Bila VIF 5 tidak terdapat masalah multikolinieritas
3. Tolerance 0,1 maka diduga mempunyai persoalan multikolinieritas 4. Tolerance 0,1 maka tidak terdapat multikolinieritas.
Universitas Sumatera Utara
3.10 Pengujian Hipotesis