28
deskriptif, yaitu untuk memberikan gambaran atau deskriptif suatu data yang dilihat dari nilai rata-rataGhazali, 2011 hal. 19. Lalu dimulai dengan 3 uji
asumsi klasik yang terdiri dari Uji Normalitas, Multikolinearitas, Heteroskedastisitas ,dan Autokorelasi, dan 4 analisis regresi berganda.
3.1 Pengujian Asumsi Klasik
Uji asumsi klasik digunakan untuk mengetahui apakah hasil analisis regresi linier berganda yang digunakan untuk menganalisis dalam penelitian ini
terbebas dari penyimpangan asumsi klasik. Karena data yang digunakan adalah data sekunder, maka untuk menentukan ketepatan model perlu dilakukan
pengujian atas beberapa asumsi klasik yang mendasari model regresi. Penyimpangan asumsi klasik yang digunakan dalam penelitian ini meliputi uji
normalitas, multikolinearitas, heterokedastisitas dan autokorelasi.
3.11 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam suatu model regresi linier variabel terikat dan variabel bebas keduanya mempunyai
distribusi normal atau tidak. Menurut Erlina 2008:102, “tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi variabel
pengganggu atau residual memiliki distribusi normal”. Pengujian ini diperlukan karena untuk melakukan uji T dan uji F mengasumsikan bahwa
nilai residual mengikuti distribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Dalam penelitian
ini, untuk mendeteksi normalitas data dapat dilakukan dengan pengujian berikut:
a. Uji Kolmogrov Smirnov Jika nilai signifikan 0.05 maka distribusi normal,
sedangkan nilai signifikan 0.05 maka distribusi tidak normal. Hipotesis yang digunakan dalam uji ini adalah:
Ho : Data residual berdistribusi normal, dan Ha : Data residual tidak berdistribusi normal.
b. Histogram Pengujian dengan model histogram memiliki ketentuan bahwa data
normal berbentuk lonceng. Normalitas dapat dideteksi dengan melihat histogram dari nilai residualnya. Data yang baik adalah
data yang memiliki pola distribusi normal. Jika data melenceng ke kanan atau melenceng ke kiri berarti data tidak terdistribusi secara
normal.
c. Grafik Normality Probability Plot 1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah
garis diagonal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari diagonal danatau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi
normalitas. Jika data tidak normal, ada beberapa cara mengubah model regresi
menjadi normal yaitu: a lakukan transformasi data, misalnya mengubah data
menjadi bentuk kuadrat SQRT atau natural ln, b menambah jumlah data, dan
29
c menghilangkan data yang dianggap sebagai penyebab tidak normalnya data, dan 4 menerima data apa adanya.
3.12 Uji MultiKolinearitas
