67
4.4 Uji Asumsi Klasik
1. Uji Normalitas Tujuan uji normalitas adalah ingin menguji apakah dalam model regresi
distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Kalau asumsi ini dilanggar maka uji
statistik menjadi tidak valid. Ada dua cara untuk mendeteksi apakah data berdistribusi normal atau tidak, yaitu dengan pendekatan grafik dan pendekatan
Kolmogorv-Smirnov. a.
Analisis Grafik Salah satu cara untuk melihat normalitas adalah dengan melihat grafik
histogram, dan grafik normal p-p plot, yang membandingkan antara dua observasi dengan distribusi yang mendekati distribusi normal. Hasil
Output SPSS terlihat seperti Gambar berikut:
Sumber : Hasil Penelitian, 2016 data diolah SPSS 21
Gambar 4.1 Pengujian Normalitas Histogram
Universitas Sumatera Utara
68
Berdasarkan grafik dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan pola distribusi normal maka
model regresi memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal
atau grafik histogram tidak menunjukkan pola distribusi data normal yang tidak melenceng kanan maupun melenceng kiri. Jadi, berarti data residual
berdistibusi normal. Terbukti bahwa data maupun model yang digunakan memenuhi asumsi normalitas.
Sumber : Hasil Penelitian, 2016 data diolah SPSS 21
Gambar 4.2 Pengujian Normalitas P-P Plot
Pada P-P plot terlihat bahwa titik-titik menyebar disekitar garis diagonal dan cenderung mengikuti arah garis diagonal. Hal ini
menunjukkan bahwa data yang dipergunakan dalam penelitian ini memenuhi asumsi normalitas sehingga layak untuk diuji dengan model
regresi.
Universitas Sumatera Utara
69
b. Analisis Statistik
Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal, padahal secara statistik tidak berdistribusi normal. Jika nilai Z
hitung
lebih besar dari Z
tabel
maka Ho ditolak dengan pengertian bahwa data yang dianalisis berdistribusi normal. Demikian juga sebaliknya jika nilai Z
hitung
lebih kecil dari Z
tabel
maka Ho diterima dengan pengertian bahwa data yang dianalisis tidak berdistribusi normal. Berikut ini pengujian normalitas
yang didasarkan dengan uji statistik nonparametik Kolmogorov-Smirnov K-S.
Tabel 4.8
Sumber: Hasil Penelitian, 2016 data diolah SPSS 17
Berdasarkan Tabel 4.8, terlihat bahwa nilai Z
hitung
= 0,848 lebih besar dari nilai Z
tabel
= 0,799. Maka asumsi normalitas ditolak dengan pengertian bahwa data yang dianalisis berdistribusi normal.
One-Sample Kolmogorov-Smirnov Test
Pendapatan_UKM_Sesudah_ Pembiayaan
N 43
Normal Parameters
a,,b
Mean 5,358,139.53
Std. Deviation 1,541,371.152
Most Extreme Differences
Absolute .129
Positive .129
Negative -.056
Kolmogorov-Smirnov Z .848
Asymp. Sig. 2-tailed .469
a. Test distribution is Normal. b. Calculated from data.
Universitas Sumatera Utara
70
2. Uji Heterokedastisitas Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi
ketidaksamaan varians. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda
disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Ada beberapa cara
untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu : a. Analisis Grafik
Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas, sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi
heteroskedastisitas.
Sumber : Hasil Penelitian, 2016 data diolah SPSS 21
Gambar 4.3 Heterokedastisitas Scaterrplot
Universitas Sumatera Utara
71
Berdasarkan Gambar 4.3 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y,
maka berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi.
b. Analisis Statistik Dasar analisis metode statistik adalah jika variabel bebas signifikan secara
statistik mempengaruhi variabel terikat, maka ada indikasi terjadi heteroskedastisitas.
Tabel 4.9 Uji Glejser
Berdasarkan Output di atas dapat diketahui bahwa tidak satupun variabel bebas yang signifikan secara statistik mempengaruhi variabel
terikat RES2. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 atau 0,05, jadi disimpulkan model regresi tidak
mengarah adanya heteroskedastisitas.
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 275733.458
513911.827 .537
.595
Modal_Awal .013
.008 .229
1.487
.145
Modal_Pinjaman .004
.006 .095
.618
.540
a. Dependent Variable: RES_2
Sumber : Hasil Penelitian, 2016 data diolah SPSS 21
Universitas Sumatera Utara
72
3. Uji Multikolinieritas Tujuan uji multikolinieritas adalah untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas tidak terjadi
multikonieritas. Jika variabel bebas saling berkorelasi, maka variabel-variabel ini tidak ortogonal adalah variabel bebas yang nilai korelasi antar sesama
variabel bebas sama dengan nol.
Tabel 4.10 Uji Multikolinieritas
Sumber : Hasil Penelitian, 2016 data diolah SPSS 21
Berdasarkan Tabel Output di atas dapat dilihat bahwa nilai VIF dari
masing-masing variabel bebas adalah lebih kecil dari 5,00. Artinya tidak terjadi korelasi diantara variabel bebas tidak terjadi multikolinieritas pada
model regresi.
Coefficients
a
Model Unstandardized Coefficients Standardize
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Toleranc e
VIF Constant
1647864.911 955360.960 1.725
.092 Modal_Awal
.043 .016
.364 2.760
.009 .996
1.004
Modal_Pinjaman .037
.011 .439
3.325 .002
.996 1.004
a. Dependent Variable: Pendapatan_UKM_Sesudah_Pembiayaan
Universitas Sumatera Utara
73
4.5 Analisi Regresi Linier Berganda