commit to user
48 terlebih dahulu dilakukan uji asumsi klasik yang terdiri dari uji normalitas data,
autokorelasi dan heteroskedastisitas serta multikolinieritas.
C. Pengujian Asumsi Klasik
Model regresi dalam penelitian dapat digunakan untuk estimasi dengan signifikan dan representatif jika model regresi tersebut tidak menyimpang dari
asumsi dasar klasik regresi berupa: normalitas, autokorelasi, heterokedastisitas dan multikolinearitas:
1. Uji Normalitas
Uji normalitas data dalam penelitian ini menggunakan uji Kolmogorov- Smirnov terhadap data residual regresi dan dilakukan dengan program SPSS
Release 16.0. Hasil pengujian normalitas dengan Kolmogorov-Smirnov dapat dilihat pada Lampiran. Secara ringkas ditunjukkan tabel berikut ini:
Tabel IV.2 Hasil Uji Normalitas Data
Unstandardized Residual
N 125
Normal Parameters
a
Mean 0,0014688
Std. Deviation 8,22848821
Most Extreme Differences Absolute 0,181
Positive 0,181
Negative -0,122
Kolmogorov-Smirnov Z 2,019
Asymp. Sig. 2-tailed 0,001
a. Test distribution is Normal. Sumber: Hasil Pengolahan Data
commit to user
49 Tabel uji normalitas dengan Kolmogorov-Smirnov di atas menunjukkan
bahwa nilai asymp sig. sebesar 0,001 yang lebih kecil dari 5, maka dapat dinyatakan bahwa data memiliki sebaran yang tidak normal. Oleh karena itu
dilakukan proses outlier data dengan mengeluarkan data ekstrim berdasarkan nilai Z score. Setelah dilakukan proses outlier diperoleh 99 data yang berarti
terdapat 26 data ekstrim yang dikeluarkan dari data penelitian dalam pengujian normalitas. Berikut ini disajikan hasil uji normalitas setelah outlier
data penelitian.
Tabel IV.3 Hasil Uji Normalitas Data Setelah Outlier
Unstandardized Residual
N 99
Normal Parameters
a
Mean 0,0011738
Std. Deviation 4,22656938
Most Extreme Differences Absolute 0,113
Positive 0,090
Negative -0,113
Kolmogorov-Smirnov Z 1,122
Asymp. Sig. 2-tailed 0,161
a. Test distribution is Normal. Sumber: Hasil Pengolahan Data
Hasil pengujian Kolmogorov-Smirnov dengan residual dengan data setelah proses outlier dapat diketahui nilai asymp sig sebesar 0,161 yang
lebih besar dari tingkat signifikansi penelitian 5 , maka dapat dinyatakan bahwa seluruh data memiliki sebaran data normal.
commit to user
50
2. Uji Multikoliniearitas
Uji multikolinieritas digunakan untuk mengetahui korelasi antar variabel independen. Model regresi yang baik adalah model yang tidak terdapat
korelasi antara variabel independen atau korelasi antar variabel independennya rendah. Keberadaan multikolinieritas di deteksi dengan Varians Inflating
Factor VIF dan Tolerance. Kriteria untuk dapat dinyatakan tidak terjadi gejala multikolineritas adalah apabila nilai tolerance lebih besar dari 0,1 dan
nilai VIF lebih kecil dari 10. Hasil uji multikolinieritas tersaji pada tabel berikut ini :
Tabel IV.4 Hasil Uji Multikolinieritas
Sumber: Hasil Pengolahan Data
Hasil uji multikolinearitas di atas menunjukkan bahwa semua variabel independen memiliki nilai tolerance lebih dari 0,1 10, artinya tidak ada
korelasi antar variabel bebas yang nilainya lebih dari 90. Hasil perhitungan juga menunjukkan bahwa semua variabel bebas memiliki VIF kurang dari 10.
Jadi dapat disimpulkan bahwa tidak ada gejala multikolinearitas dalam model Variabel
Tolerance VIF
Keterangan EM
0,799 1,252
Tidak terdapat multikolinieritas EVA
0,762 1,313
Tidak terdapat multikolinieritas FS
0,588 1,700
Tidak terdapat multikolinieritas GCG1
0,947 1,056
Tidak terdapat multikolinieritas GCG2
0,842 1,188
Tidak terdapat multikolinieritas GCG3
0,887 1,128
Tidak terdapat multikolinieritas
commit to user
51 regresi yang digunakan. Hasil uji multikolinieritas selengkapnya dapat dilihat
pada Lampiran.
3. Uji Autokorelasi