Dalam pengambilan keputusan apakah sebuah distribusi data mengikuti distribusi normal adalah Sumarsono, 2004: 43:
a. Jika nilai signifikan nilai probabilitasnya lebih kecil dari 5 maka distribusi adalah tidak normal
b. Jika nilai signifikan nilai probabilitasnya lebih besar dari 5 maka distribusi adalah normal.
2. Autokorelasi
Autokorelasi adalah korelasi antara data observasi yang diurutkan berdasarkan waktu urut Time Series atau data yang diambil pada waktu
tertentu data cross sectorial, dalam konteks regresi, model regresi Linear mengasumsikan bahwa autokorelasi seperti itu tidak terdapat dalam
disturbansi atau nilai pengganggu Gujarati. 1995: 201, jadi suatu model regresi dikatakan tidak terjadi autokorelasi jika nilai residual dari observasi
pada waktu ke-t e
t
tidak boleh ada hubungan dengan nilai residual dengan observasi sebelumnya e
t-1
. Untuk mendiagnosa adanya autokorelasi dalam suatu model regresi
dilakukan melalui pengujian terhadap nilai Uji Durbin Watson uji DW dengan ketentuan sebagai berikut :
Tabel 3.1 : Tabel Kriteria Durbin Watson Durbin Watson
Kriteria
Angka D – W di bawah - 2 Ada Autokorelasi Positif
Angka D – W di bawah – 2 sampai + 2 Tidak Ada autokorelasi
Angka D – W di atas + 2 Ada autokorelasi negatif
Santoso, 1999: 218-219
3. Multikolinieritas
Multikolinieritas berarti terjadi korelasi mendekati sempurna antar variabel bebas. Jika variabel bebas saling berkorelasi, maka variabel-
variabel ini tidak orthogonal. Variabel orthogonal adalah variabel bebas yang nilai korelasi
antara sesama variabel bebas sama dengan nol. Diagnosa secara sederhana terhadap adanya multikorelasi di dalam model regresi adalah sebagai
berikut : a. Nilai R
2
yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel bebas banyak
yang tidak signifikan mempengaruhi variabel terikat. b. Jika diantara dua variabel independen memiliki korelasi yang
spesifikasi maka di dalam model regresi tersebut terdapat multikolinieritas.
c. Multikolinieritas dapat juga dilihat dari 1 nilai tolerance dari lawannya 2 variance inflation faktor VIF. Kedua ukuran ini
menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Tolerance mengukur variabilitas variabel bebas
terpilih yang tidak dapat dijelaskan oleh variabel yang lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF
= 1 Tolerance dan menunjukkan adanya kolonieritas yang tinggi. Nilai Cutoff yang umum dipakai adalah dengan nilai VIF 10 maka
terjadi multikolinieritas Ghozali, 2002: 57.
4. Heteroskedastisitas
Heteroskedastisitas bertujuan untuk menguji apakah model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain Ghozali, 2005: 105. Maksud dari penyimpangan Heteroskedastisitas adalah variants variabel dalam model tidak sama
konstan. Untuk mendeteksi ada atau tidaknya Heteroskedastisitas digunakan
korelasi Rank Spearman antara residual dengan variabel independen. - Apabila nilai signifikan hitung sig dari tingkat signifikan α = 0.05
berarti tidak terjadi Heteroskedastisitas - Apabila nilai signifikan hitung Sig dari tingkat signifikan α = 0.05
berarti terjadi Heteroskedastisitas Santoso, 1999:23.
3.4.2. Uji Hipotesis
1. Uji F
Uji ini dilakukan untuk melihat apakah model yang dianalisis memiliki tingkat kelayakan model yang tinggi yaitu variabel-variabel yang
digunakan model untuk menjelaskan fenomena yang dianalisis. H
0 :
b
1
= b
2
= b
3
= 0 tidak ada kesesuaian model antara variabel X
1,
X
2,
X
3
terhadap Y . H
1 :
b
1
= b
2
= b
3
≠ 0 ada kesesuaian model antara variabel X
1,
X
2,
X
3
terhadap Y.
Dalam penelitian ini digunakan tingkat signifikan
α
0.05. Kriteria pengujian sebagai berikut :
1. Jika Nilai probabilitas 0,05, maka H diterima dan H
1
ditolak, berarti tidak ada pengaruh yang signifikan X
1
, X
2,
X
3
terhadap Y. 2. Jika Nilai probabilitas 0,05, maka H
ditolak dan H
1
diterima, berarti ada pengaruh yang signifikan X
1
, X
2,
X
3
terhadap Y. 2.
Uji t
Untuk menguji signifikan atau tidaknya pengaruh antara variabel independen secara parsial terhadap variabel dependen digunakan uji t
dengan rumus sebagai berikut : a. Hipotesis :
H
0 :
b
1
= b
2
= b
3
= 0 tidak terdapat pengaruh yang nyata variabel bebas secara parsial terhadap variabel terikat.
H
1 :
b
1
= b
2
= b
3
≠ 0 Terdapat pengaruh yang nyata variabel bebas secara parsial terhadap variabel terikat.
Dimana i = 1, 2, 3 Level of Signifikan α = 0.05
b. Ketentuan Pengujian : 1 Jika tingkat signifikan p- Value 0,05 maka H
diterima dan H
1
ditolak. 2 Jika tingkat signifikan p- Value 0,05 maka H
ditolak dan H
1
diterima.
