Uji Asumsi Klasik Metode Analisis Data

40

3.5.1 Uji Asumsi Klasik

Pengujian asumsi klasik yang digunakan adalah uji normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.

3.5.1.1 Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah dalam model regresi, variabel dependen dan variabel independen memiliki distribusi normal atau tidak. Untuk menghindari terjadinya bias, data yang digunakan harus terdistibusi dengan normal. Model regresi yang baik adalah memiliki data normal atau mendekati normal Ghozali, 2009:110. Untuk melihat normalitas dapat dilakukan dengan melihat histogram atau pola distribusi data normal. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari nilai residualnya. Dasar pengambilan keputusannya adalah: 1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau garis histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas, 2. Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Dalam penelitian ini Peneliti menggunakan uji Kolmogorov-Smirnov K-S untuk menguji normalitas data. Uji K-S dibuat dengan membuat hipotesis: H : data residual berdistribusi normal, 41 H a : data residual tidak berdistribusi normal.

3.5.1.2 Uji Multikolinearitas

Menurut Ghozali 2009:91, uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Multikolinieritas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Jika terjadi korelasi sempurna diantara sesama variabel bebas, maka konsekuensinya adalah: 1. Koefisien-koefisien regresi menjadi tidak dapat ditaksir, 2. Nilai standar error setiap koefisien regresi menjadi tak terhingga. Ada tidaknya multikolinearitas dapat dideteksi dengan melihat nilai tolerance dan variance inflation factor VIF, serta dengan menganalisis matriks korelasi variabel-variabel independen. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah jika nilai tolerance 0,1 atau sama dengan nilai VIF10, maka model dapat dikatakan terbebas dari multikolinearitas.

3.5.1.3 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk melihat apakah didalam model regresi terjadi ketidaksamaan variabel pengganggu dari satu pengamatan dengan pengamatan yang lain. Menurut Ghozali 2009:125 Model regresi yang baik adalah yang homoskesdatisitas atau tidak terjadi heteroskedastisitas. Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari 42 pola gambar Scatterplot. Analisis pada gambar Scatterplot yang menyatakan model regresi berganda tidak terdapat heteroskedastisitas jika: 1. Titik-titik data menyebar di atas, di bawah atau di sekitar angka nol, 2. Titik-titik data tidak mengumpul hanya di atas atau dibawah, 3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali, 4. Penyebaran titik-titik data sebaiknya tidak berpola.

3.5.1.4 Uji Autokorelasi

Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear terdapat korelasi atau kesalahan pengganggu pada periode t dengan kesalahan periode t-1. Jika terjadi autokorelasi, maka terdapat problem autokorelasi. Menurut Ghozali 2009:99, autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan lainnya. Hal ini sering ditemukan pada data time series. Pada data cross section, masalah autokorelasi relatif tidak terjadi. Uji yang digunakan dalam penelitian untuk mendeteksi ada tidaknya autokorelasi adalah dengan menggunakan uji Durbin-Watson DW. Kriteria untuk penilaian terjadinya autokorelasi yaitu: Tabel 3.3 Uji Autokorelasi Interval Kriteria 0 dw dl dw 1,70 Ada autokorelasi dl dw ≤ du 1,70 dw 1,79 Tanpa kesimpulan du dw 4-du 1,79 dw 2,20 Tidak ada autokorelasi 4-du ≤ dw ≤ 4-dl 2,20 dw 2,30 Tanpa kesimpulan dw 4-dl dw 2,30 Ada autokorelasi Sumber: Durbin Watson 43 Model regresi yang baik adalah model regresi yang bebas dari masalah autokorelasi.

3.5.2 Uji Regresi Linear Berganda