63 dibandingkan dengan nilai R
2
pada regresi model utama. Jika R
2
lebih besar daripada nilai R
2
pada model utama maka dalam regresi parsial tersebut terdapat multikolinearitas.
3.6.2.2. Heteroskedastisitas
Penyimpangan yang selanjutnya adalah heterokesdastisitas, artinya varian variabel dalam model tidak sama. Konsekuensi adanya heterokedastisitas dalam
model regresi adalah penaksir yang diperoleh tidak efisien, baik dalam sampel kecil maupun sampel besar, walaupun penaksir yang diperoleh
menggambarkan populasinya tidak bias dan bertambahnya sampel yang digunakan akan mendekati nilai sebenarnya.
Cara memprediksi ada tidaknya heterodkedastisitas pada suatu model dapat dilihat dari pola gambar scatter plot model tersebut. Analissi pada gambar
scatter plot yang menyatakan model regresi linier berganda tidak terdapat heteroskedastisitas adalah jika :
a. Titik – titik data menyebar di atas dan di bawah atau sekitar angka nol. b. Titik – titik data tidak mengumpul hanya di atas atau di bawah saja.
c. Penyebaran titik – titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
b. Penyebaran titik- titik data sebaiknya tidak berpola. Selain dilihat dari scatter plot heteroskedastisitas juga dapat dideteksi
menggunakan Uji Glesjer. Uji Glesjer ini dilakukan dengan melakukan regresi nilai absolut dari residual sebagai variabel terikat, dan variabel bebas yang
digunakan adalah sama dengan regresi utama Ghozali, 2006.
64 Jika variabel bebas signifikan secara statistikk mempengaruhi variabel
terikat atau tingkat sinifikansinya dibawah tingkat kepercayaan 5 , maka ada indikasi terjadi heterokedastisitas.
3.6.2.3. Uji Normalitas
Uji kenormalan distribusi dilakukan untuk mengetahui apakah sampel yang dianalisis telah mewakili populasi atau belum. Dengan diketahuinya
kenormalan distribusi akan dapat dilakukan analisis lebih lanjut. Pada penelitian dimana data yang tersedia memiliki distribusi normal, akan mampu menghasilkan
persamaan regresi yang dapat menjelaskan variabel terikat secara lebih tepat. Model regresi baik jika memiliki distribusi data normal atau mendekati
normal. Untuk menguji apakah distribusi data normal atau tidak, salah satu caranya adalah dengan melihat histogram yang membandingkan antara data
observasi dengan distribusi yang mendekati normal. Menurut Ghozali 2006 : 27 screening terhadap normalitas data
merupakan langkah awal yang harus dilakukan untuk setiap analisis multivariate, khususnya jika tujuannya adalah inferensi. Jika terdapat normalitas, maka
residual akan terdistribusi secara normal dan independen. Jika salah satu cara mendeteksi normalitas adalah lewat pengamatan nilai residual. Normalitas
data dapat dilihat dengan cara,yaitu :
3.6.2.4. Histogram Display Normal Curve
