49
3.6.1.1 Uji Normalitas
Uji normalitas berguna pada tahap awal dalam metode pemilihan analisis
data. Uji normalitas berfungsi untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang
terdistribusi normal Sunjoyo dkk, 2013:59. Sementara Erlina 2011:101 menjelaskan bahwa “tujuan daripada uji normalitas data adalah untuk mengetahui
apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal”. Penelitian ini dilakukan karena untuk melakukan uji t dan uji F
mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar atau tidak dipenuhi maka uji statistik menjadi tidak valid untuk jumlah
sampel kecil. Cara yang digunakan untuk mendeteksi apakah residual mengikuti berdistribusi normal atau tidak adalah dengan analisis grafik. Jika data menyebar
di sekitar garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas, demikian sebaliknya.
Selain itu bisa juga melalui uji analisis statistik. Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik Kolmogrov-Smirnov atau
biasa disingkat K-S Ghozali, 2008 dalam Sunjoyo dkk, 2013:60. Uji K-S dibuat dengan membuat hipotesis :
Ho : Data residua l berdistribusi normal Ha : Data residual tidak berdistribusi normal
Bila sig 0 ,0 5 d eng an α = 5 , berarti distribu si d ata normal Ho diterima, sebaliknya bila sig 0,05 dengan α = 5, berarti distribusi data tidak
normal Ha diterima. Distribusi yang melanggar asumsi normalitas dapat
50
dijadikan menjadi bentuk normal menurut Erlina 2011:101 dengan cara sebagai berikut :
a Transformasi data Transformasi data dapat dilakukan dengan logaritma natural ln, log
10, maupun akar kuadrat. Jika ada data yang bernilai negatif, transformasi data dengan log akan menghilangkannya sehingga sampel
n akan berkurang.
b Trimming
Trimming adalah membuang memangkas observasi yang bersifat outlier
, yaitu yang nilainya lebih kecil dari μ-2σ atau lebih besar dari μ+2σ. Metode ini juga akan mengecilkan sampelnya.
c Winzorising
Winzorising mengubah nilai-nilai outliers menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusi menjadi normal.
Nilai- nilai observasi yang lebih kecil dari μ-2σ akan diubah nilainya
menjadi μ-2σ dan nilai-nilai yang lebih besar dari μ+2σ akan diubah menjadi μ+2σ.
3.6.1.2 Uji Multikolinieritas