54 asumsi normalitas data dan terbebas dari asumsi-asumsi klasik statistik,
baik itu multikolinieritas, autokorelasi, dan heteroskedastisitas. a. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, maksimum, dan
minimum. Untuk memberikan gambaran analisis statistik deskriptif.
2. Uji Asumsi Klasik
Suatu model regresi berganda dapat dikatakan sebagai model yang baik jika model tersebut terbebas dari asumsi-asumsi klasik, baik itu
multikolineritas, heteroskedastisitas dan autokorelsasi Indoyama, 2008. a. Uji Normalitas
Singgih Santoso 2012:230 pengujian ini bertujuan untuk mengetahui apakah dalam model regresi variabel dependen, variabel
independen, atau keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah distribusi data normal atau mendekati
normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik.
1 Analisis Grafik Salah satu cara termudah untuk melihat normalitas residual
adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendeteksi distribusi
normal. Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan khususnya untuk jumlah sampel yang kecil.
55 Metode yang lebih handal adalah dengan melihat normal
probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis
lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis
yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
Ada beberapa cara mendeteksi normalitas dengan melihat penyebaran data titik pada sumbu diagonal dan grafik. Dasar
pengambilan keputusan dalam uji normalitas yaitu: a Jika data menyebar di sekitar garis diagonal dan mengikuti
arah garis diagonal, maka model regresi memenuhi asumsi normalitas.
b Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tersebut
tidak memenuhi asumsi normalitas Imam Ghozali, 2011:163. 2 Analisis Statistik
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati. Secara visual kelihatan normal, namun secara statistik
bisa sebaliknya. Oleh sebab itu disampinh uji grafik dilengkapi dengan uji statistik.
56 Uji statistik lain yang dapat digunakan untuk menguji
normalitas residual adalah uji statistik non-parametik Kolmogorof- Smirnov K-S.
Uji K-S dilakukan dengan membuat hipotesis : H
o
: Data residual terdistribusi normal H
a
: Data residual tidak terdistribusi secara normal Imam Ghozali,2011 : 164
b. Uji Multikolineritas Uji multikolineritas diperlukan untuk mengetahui ada tidaknya
variabel independen yang memiliki kemiripan dengan variabel inependen lain dalam suatu model Nugroho, 2005 : 58. Artinya, uji
ini melihat adakah hubungan linier antara variabel dependen dan independen pada sebuah regresi. Menurut Husein Umar, 2002:186
dalam Indoyama 2008:16 salah satu asumsi model regresi linier berganda adalah tidak terjadi korelasi yang signifikan antar variable
bebasnya. Dalam statistik, tidak terjadi multikolinieritas. Uji multikolinieritas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak tejadi korelasi diantara variabel
bebas. Koefisien koralsi antar variabel independen haruslah lemah dibawah
0,5. Jika
korelasi kuat,
maka terjadi
problem multikolinieritas.
Untuk mendeteksi
ada atau
tidak adanya
multikolinieritas di dalam model regresi adalah dengan melihat nilai
57 tolerance
≤ 0.10 dan lawanya serta Variance Inflation Factor VIF ≥ 10 Imam Ghozali, 2011:106.
c. Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah di dalam suatu
model regresi berganda terdapat korelasi antara kesalah pengganggu pada periode t-1 sebelumya. Jika trejadi korelasi, maka dinamakan
ada masalah autokorelasi. Autokorelasi muncul karena adanya observasi yang berurutan, sepanjang berkaitan satu sama lain. Cara
untuk mendeteksi ada atau tidaknya masalah autokorelasi menurut Nugroho 2005:33, adalah dengan cara sebagai berikut :
Kesimpulan Daerah Pengujian
Terdapat autokorelasi positif d dl
Ragu-ragu dl d du
Tidak terdapat autokorelasi du d 4-du
Terdapat autokorelasi negatif 4-dl d
Jika ada masalah autokorelasi, maka model regresi yang seharusnya signifikan, menjadi tidak layak untuk dipakai.
Autokorelasi dapat diatasi dengan berbagai cara antara lain dengan melakukan transformasi data dan menambah data observasi.
d. Uji Heteroskedastisitas Uji heterokedastisitas bertujuan untuk mengetahui terjadinya
perbedaan variane residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan antara nilai yang
58 diprediksi dengan Studentized Delete Residual nilai tersebut. Model
regresi yang baik adalah model regresi yang memiliki persamaan variance residual suatu periode pengamatan dengan periode
pengamatan lain, atau adanya hubungan antara nilai yang diprediksi dengan studentzed delete residual nilai tersebut sehingga dapat
dikatakan nilai tersebut homokesdastisitas. Menurut Nugroho 2005:35,
model regresi
linier berganda
tidak terdapat
heteroskedastisitas jika pada pola gambar scatterplot : 1 Titik-titik data yang menyebar di atas dan di bawah atau disekitar
angka 0 Nol. 2 Titik-titik data tidak mengumpul hanya diatas atau di bawah saja.
3 Penyebaran titik-titik data yang di peroleh tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar
kembali. 4 Penyebaran titik-titik data sebaiknya tidak berpola.
3. Uji Hipotesis