asumsi klasik yang harus dipenuhi adalah berdistribusi normal, non- multikolinearitas, non-autokorelasi dan non-heterokedastisitas.
a. Uji Normalitas
Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non parametrik Kolmogorov-Smirnov untuk mengetahui apakah data sudah
terdistribusi secara normal atau tidak. Ghozali 2005: 115, memberikan pedoman pengambilan keputusan rentang data mendekati atau merupakan distribusi normal
berdasarkan uji Kolmogorov- Smirnov yang dapat dilihat dari: •
jika nilai signifikan 0.05 maka distribusi data tidak normal, •
jika nilai signifikan 0.05 maka distribusi data normal. Hipotesis yang digunakan :
1 Ho: Data residual berdistribusi normal,
2 Ha: Data residual tidak berdistribusi normal.
Hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov adalah seperti yang ditampilkan berikut ini :
Tabel 4.9 Hasil Uji Normalitas 1
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
N 81
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.52551509E3
Most Extreme Differences Absolute .229
Positive .229
Negative -.145
Kolmogorov-Smirnov Z 2.058
Asymp. Sig. 2-tailed .000
a. Test distribution is Normal.
Sumber : Output SPSS, diolah Peneliti 2010
Universitas Sumatera Utara
Dari hasil pengolahan data pada Tabel 4.9 diperoleh besarnya nilai Kolmogorov- Smirnov adalah 2,058 dan signifikan pada 0,000. Nilai signifikansi
lebih kecil dari 0,05, maka H ditolak yang berarti data residual berdistribusi tidak
normal. Data yang berdistribusi normal dapat disebabkan oleh adanya data yang outlier yaitu data yang memiliki nilai yang sangat menyimpang dari nilai data
lainnya. Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal. Hasil dari uji normalitas dengan grafik histogram,
ditunjukkan sebagai berikut:
Gamabar 4.1 Histogram Sumber : Output SPSS, diolah Peneliti, 2010
Universitas Sumatera Utara
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data tidak mengikuti kurva berbentuk lonceng namun distribusi data
menceng skewness ke kanan dan ke kiri atau bisa disimpulkan bahwa data tersebut tidak normal.
Gambar 4.2 Normal P-Plot Regression
Sumber : Output SPSS, diolah Peneliti, 2010
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik tidak menyebar disekitar garis diagonal
serta penyebarannya menjauhi garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi tidak terdistribusi secara normal.
Menurut Erlina 2008: 104 ada beberapa cara mengubah model regresi menjadi normal yaitu :
Universitas Sumatera Utara
1 lakukan transformasi data ke bentuk lainnya,
