Pengujian Asumsi Klasik Teknik Analisis Data

3.7 Teknik Analisis Data

Metode dan teknik analisis data yang dilakukan dalam penelitian ini adalah dengan analisis yang menggunakan software statistik.

3.7.1 Pengujian Asumsi Klasik

a. Uji Normalitas Data Pengujian normalitas memiliki tujuan untuk menguji apakah dalam model regresi, variable pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal.Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Untuk menguji normalitas data, penelitian ini menggunakan analisis grafik. Pengujian normalitas melalui analisis grafik adalah dengan cara menganalisis grafik 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. Data dapat dikatakan normal jika data atau titik-titik terbesar di sekitar garis diagonal dan penyebarannya mengikuti garis diagonal.Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan : Universitas Sumatera Utara 1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas. 2. Jika data menyebar lebih jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal maka model regresi tidak memenuhi asumsi normalitas Ghozali, 2005. Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogrov-Smirnov K-S. Jika hasil Kolmogrov-Smirnov menunjukkan nilai signifikan di atas 0,05 maka data residual terdistribusi dengan normal. Sedangkan jika hasil Kolmogrov-Smirnov menunjukkan nilai signifikan dibawah 0,05 maka data residual terdistribusi tidak normal Ghozali,2005. b. Uji Multikoliniearitas Pengujian ini bertujuan untuk menguji apakah di dalam model analisis regresi adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Untuk mendeteksi ada tidaknya multikolinieritas di dalam regresi dapat dilihat dari: 1 tolerance value, 2 nilai variance inflation factor VIF. Model regresi yang bebas multikolinieritas adalah mempunyai nilai toleransi di atas 0,1 atau Universitas Sumatera Utara VIF di bawah 10 Ghozali, 2005. Apabila tolerance variance di bawah 0,1 atau VIF di atas 10, maka terjadi multikolinieritas. c. Uji Heteroskedastisitas Pengujian ini bertujuan apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heterokedastisitas Ghozali, 2005. Salah satu cara untuk mendeteksi ada atau tidaknya heterokedastisitas adalah dengan menggunakan grafik Scatterplot antara nilai prediksi variable terikat dependen yaitu ZPRED dengan residualnya SRESID. Apabila nilai profitabilitas signifikansinya di atas tingkat kepercayaan 5 persen dan grafik Scatterplot, titik-titik menyebar diatas maupun dibawah angka nol pada sumbu Y, maka dapat disimpulkan model regresi tidak mengandung adanya heteroskedatisitas Ghozali, 2005. d. Uji Autokorelasi Pengujian ini dilakukan dengan menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengguna pada periode t dengan kesalahan pada periode t- 1 Ghozali, 2005.Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji autokorelasi ini dapat Universitas Sumatera Utara dilakukan dengan menggunakan uji Durbin-Watson DW, dimana hasil pengujian ditentukan berdasarkan nilai Durbin-Watson DW. Dasar pengambilan keputusan ada tidaknya autokorelasi dengan menggunakan Durbin-Watson adalah sebagai berikut Ghozali, 2005: - Apabila nilai Durbin-Watson DW terletak antara 0 dan batas bawah atau Lower Bound DL, berarti ada autokorelasi positif. - Apabila nilai DW terletak antara DL dan batas atas atau Upper Bound DU berarti tidak dapat diputuskan apakah terjadi autokorelasi positif atau tidak. - Apabila nilai DW terletak antara 4-DL dan 4, berarti ada autokorelasi negatif. - Apabila nilai DW terletak antara 4-DU dan 4-DL, berarti tidak diputuskan apakah terjadi autokorelasi negatif atau tidak. - Apabila nilai DW terletak diantara batas atas atau Upper Bound DU dan 4-DU,maka koefisien autokorelasi sama dengan nol,berarti tidak ada autokorelasi baik positif maupun negatif.

3.7.2 Analisis Regresi Berganda