Pengujian Normalitas Data dengan Analisis Grafik Histogram
Sumber : Data DiolahOutput SPSS Lampiran 6
Gambar 5.4. Grafik Normalitas Data Model II
Berdasarkan pada gambar 5.4 tersebut Gozali 2005 menyatakan jika distribusi data adalah normal, maka tidak melewati kurva baik kiri maupun di kanan.
Hasil output tersebut terlihat bahwa data berdistribusi normal.
5.5.2. Pengujian Multikolinearitas
Pengujian multikolinearitas
dilakukan untuk melihat apakah pada model
regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi multikolinearitas. Cara mendeteksinya adalah dengan melihat
nilai Variance Inflation Factor VIF. Menurut Santoso 2002, pada umumnya jika
VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel bebas lainnya.
Tabel 5.14. Pengujian Multikolinieritas Model II Model Collinearity
Statistics
Constant Tolerance VIF
Log_X2 .561 1.782 Log_X1.X2 .561
1.782
Dependent Variabel :
Y_Kinj_Manajerial
Sumber : Data DiolahOutput SPSS Lampiran 6
Pada output SPSS pada tabel 5.14 tersebut menunjukkan bagian Coefficient, semua angka VIF jauh di bawah 5, hal ini menunjukkan tidak terjadi multikolinearitas.
Sedangkan hasil perhitungan nilai tolerance juga menunjukkan tidak ada varibel independen yang nilainya kurang dari 0,1, yang berarti tidak ada korelasi antar
variabel independen yang nilainya lebih dari 95. Hal ini berarti tidak terjadi multikolinearitas.
5.5.3. Uji Heteroskedastisitas
Uji Heteroskedastisitas dapat dilakukan dengan cara melihat grafik Scatterplot yang disajikan yang terdapat pada gambar 5.5 dibawah, terlihat titik-titik menyebar
secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik
diatas maupun dibawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas
pada model regresi. Adapun bentuk grafik Scatterplot terdapat pada gambar 5.5 berikut :
Sumber : Data DiolahOutput SPSS Lampiran 6
Gambar 5.5. Grafik Scatterplot Uji Heteroskedastisitas Model II
5.5.4. Uji Autokorelasi
Gejala Autokorelasi diditeksi dengan menggunakan uji Durbin-Watson DW. Menurut Santoso 2005 : 241, untuk mendeteksi ada tidaknya auto korelasi maka
dilakukan pengujian Durbin - Watson DW. Dengan ketentuan pada gambar 5.3 berikut :
Daerah Tidak ada autokorelasi
Daerah Autokorelasi
keraguan keraguan Autokorelasi
Positif + Negatif -
d
L
d
U
2 4-d
U
4-d
L
4
Gambar 5.6. Statistik d Durbin-Watson DW
Nilai d tersebut selanjutnya dibandingkan dengan nilai d
tabel
dengan tingkat signifikansi 5 dengan df = n-k-1.
Dari hasil pengujian terlihat bahwa nilai DW sebesar
1.633
, berarti data tidak terkena autokorelasi.
Tabel 5.15. Nilai Durbin-Watson Model II
Model R
Std. Error of the Estimate
Durbin-Watson 1
.545
a
6.16854 1.633
a Predictors: Constant,
Log_X1.X2, Log_X2
b Dependent Variable:
Y_Kinj_Manajerial
Sumber : Data DiolahOutput SPSS Lampiran 6
Berdasarkan tabel 5.15 diatas, untuk mengetahui adanya autokorelasi digunakan uji Durbin-Watson
, dengan kriteria menurut Santoso 2005 : 242 dengan cara melihat besaran Durbin-Watson sebagai berikut :
a. Angka D-W di bawah -2, berarti ada autokorelasi positif.
b. Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi.
c. Angka D-W di atas +2, berarti ada autokorelasi negatif.
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson D-
W sebesar 1,633, maka disimpulkan bahwa tidak terjadi autokorelasi baik positif maupun negatif.
5.6. Pembahasan Hasil Penelitian 5.6.1. Pengujian Hipotesis
