3.7 Uji Asumsi Klasik
Kualitas data dalam penelitian ini menggunakan uji asumsi klasik. Uji asumsi klasik digunakan untuk menguji apakah data yang telah dikumpulkan oleh
peneliti memiliki kualitas yang baik. Uji asumsi klasik yang digunakan dalam penelitian ini adalah uji normalitas data, uji multikolinearitas, uji autokorelasi,
uji heteroskedastisitas. Jika data yang telah dikumpulkan sudah memenuhi seluruh kriteria asumsi klasik, maka data yang ada termasuk dalam kategori
data yang baik Ghozali, 2013:105.
3.7.1 Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa
uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Metode yang lebih handal adalah dengan melihat normal probability plot yang
membandingkan distribusi kumulatif dan distribusi normal. Pada prinsipnya normalitas data dapat dideteksi dengan melihat penyebaran data titik pada
sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya Ghozali, 2013:160. Dasar pengambilan keputusan Ghozali, 2013:163.
1. Jika data menyebar diatas garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal,
maka model regresi memenuhi asumsi normalitas. 2.
Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal atau grafiknya histogramnya tidak menunjukkan pola
distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Uji normalitas yang lain yang dapat digunakan adalah uji Kolmogorov- Smirnov. Level of significant yang digunakan adalah 0,05. Jika nilai p- value lebih besar
dari 0,05 maka data berdistribusi normal, begitu pula sebaliknya.
3.7.2 Uji Multikolinearitas
Uji multikolinearitas diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain dalam satu
model. Kemiripan antar variabel independen dalam suatu model akan menyebabkan terjadinya korelasi yang sangat kuat antara suatu variabel
independen dengan variabel independen yang lain. Deteksi multikolinearitas pada suatu model dapat dilihat dari jika nilai Variance Inflation Factor VIF tidak
lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1, maka model dapat dikatakan terbebas dari multikolinearitas. Jika nilai koefisien determinan, baik
dilihat dari R
2
maupun R-Square di atas 0,60 namun tidak ada variabel independen yang berpengaruh terhadap variabel dependen maka ditengarai model
terkena multikolinearitas Ghozali, 2013:105.
3.7.3 Uji Autokolerasi
Uji autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada periode tertentu dengan variabel pengganggu periode
sebelumnya. Cara mudah mendeteksi autokorelasi dapat dilakukan dengan uji Durbin-Watson. Mekanisme pengujian Durbin-Watson menurut Gujarati 2003,
dalam Ghozali, 2013:110 adalah sebagai berikut: 1. Merumuskan hipotesis Ho: tidak ada autokorelasi