3.10.1. Uji Normalitas
Uji normalitas ini bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal atau tidak. Menurut suliyanto
2011:69 uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi berdistribusi normat atau tidak. Model
regresi yang baik adalah memiliki distribusi data normal. Pengujian normalitas menggunakan analisis grafik yang dilakukan
menggunakan histogram dengan menggambarkan variabel dependen sebagai sumbu vertikal sedangkan nilai residual terstandarisasi digambarkan sebagai
sumbu horizontal. Cara lain untuk menguji normalitas dengan pendekatan garfik adalah menggunakan Normal Probability Plot, yaitu dengan membandingkan
distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal.
Adapun kriteria pengujian sebagai berikut : a. Jika Asym. Sig 0,05 berarti seluruh data berdistribusi normal
b. Jika Asym. Sig 0,05berarti seluruh data berdistribusi tidak normal
3.10.2. Uji Heteroskedastisitas
Uji heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak samakonstan Suliyanto 2011:95. Uji heteroskedasitas bertujuan menguji
apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual suatu
pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang
tidak terjadi heteroskedasitas. Metode yang dapat dipakai untuk mendeteksi gejala heterokedasitas antara lain: metode grafik, Uji Park Glajser, Uji Rank Spearman,
dan Barlett.
3.10.3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota serangkaian data observasi yang diuraikan menurut waktu time-series
atau ruang cross section. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Uji Durbin-Watson Uji D-W untuk
menguji ada tidaknya masalah autokorelasi dari model empiris yang diestimasi Suliyanto, 2011:125. Kriteria pengambilan kesimpulan dalam uji Durbin-
Watson DW adalah sebagai berikut: 1. Bila nilai DW terletak antara batas atas atau upper bound du dan 4du, maka
koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi. 2. Bila nilai DW lebih rendah daripada batas bawah atau lower bound dl, maka
koefisien autokorelasi lebih besar dari nol, berarti ada autokorelasi positif. 3. Bila nilai DW lebih besar daripada 4-dl, maka koefisien autokorelasi lebih
kecil daripada nol, berarti ada autokorelasi negatif. 4. Bila nilai DW terletak diantara batas atas du dan batas bawah dl atau DW
terletak antara 4-du dan 4-dl, maka hasilnya tidak dapat disimpulkan. Dapat kita lihat kriteria nilai uji durbin-watson pada tabel 3.2 berikut:
Tabel 3.2 Kriteria Nilai Uji
Durbin Watson
No. Nilai DW
Kesimpulan
1 1,65
˂ DW ˂ 2,35 tidak ada autokorelasi
2 1,21
˂ DW ˂ 1,65 tidak dapat disimpulkan
3 2,35
˂ DW ˂ 2,79 4
DW ˂ 1,21
terjadi autokorelasi 5
DW 2,79 Sumber : Suliyanto 2011:309
Rumus yang digunakan untuk uji D-W adalah
∑ ∑
= =
−
− =
n i
i n
i i
i
d
1 2
2 2
1
µ µ
µ
Keterangan: d = nilai D-W stat
µ = nilai residual dari persamaan regresi pada periode i
1 −
i
µ
= nilai residual dari persamaan regresi pada periode i-1 Selain menggunakan Durbin-Watson, untuk mengetahui apakah autokorelasi
ini terjadi dapat diginakan uji Runs Test. Penelitian ini menggunakan uji Runs Test, dimana apabila nilai Asymp. Sig. 2-tailed 0,05 maka hipotesis nol
diterima, dan artinya residual tidak terkena autokorelasi.
3.10.4. Uji Multikolinieritas
Kategori