55
regresi, selain mengukur kekuatan hubungan antara dua variabel atau lebih juga menunjukkan kekuatan arah hubungan anatara variabel dependen dengan variabel
independen. Dalam menggunakan analisis regresi, perlu melakukan pemilihan taraf
nyata significance level. Didalam melakukan pemilihan taraf nyata ini tidak ada ukuran yang pasti. Beberapa nilai taraf nyata yang banyak digunakan adalah 10
persen, 5 persen, dan 1 persen. Sebelum dilakukan pengujian dan regresi berganda, variable-variabel penelitian diuji apakah memenuhi asumsi klasik
persamaan regresi berganda, yaitu memenuhi asumsi normalitas, tidak adanya heterokesdatisitas, dan multikolinearisitas.
3.9.1 Pengujian Asumsi Klasik
Adapun syarat asumsi klasik yang harus dipenuhi model regresi linear berganda sebelum data tersebut dianalisis adalah sebagai berikut:
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas keduanya memiliki distribusi normal atau
tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Ghozali 2013: 160 menyebutkan ada dua cara untuk
mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik.
Dengan menggunakan analisis grafik maka untuk melihat normalitas adalah dengan melihat grafik histogram yang membandingkan antara observasi
dengan distribusi yang mendekati distribusi normal. Jika data menyebar disekitar
Universitas Sumatera Utara
56
garis diagonal dan mengikuti garis diagonalnya, maka regresi memenuhi asumsi normalitas. Sedangkan dengan menggunakan uji statistik sederhana dapat
dilakukan dengan melihat nilai kurtosis dan skewness dari residual ataupun dengan uji statistik non parametrik Kolmogorov-Smirnov K-S. Uji statistik
dengan melihat nilai kurtosis dilihat dari nilai Z hitung yang mana jika nilai Z hitung Z tabel maka distribusi tidak normal. Untuk uji K-S maka dalam menguji
normalitas dilakukan dengan membuat hipotesis: H0: Data residiual berdistribusi normal
H1: Date residual tidak berdistribusi normal Penelitian ini memiliki sampel yang tidak cukup besar sehingga uji
normalitas yang tepat untuk digunakan adalah dengan uji grafik dan uji statistik dengan menggunakan uji statistik non-parametrik kolmogorov-SmirnovK-S.
2. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Jika varians dari residual suatu pengamatan kepengamatan yang lain tetap maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas
Ghozali 2013: 139. Model regresi yang baik adalah yang terjadi homoskedastisitas atau tidak terjadi heteroskedastisias.
3. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem
Universitas Sumatera Utara
57
autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual kesalahan
pengganggu tidak bebas dari satu observasi ke observasi lainnya. Pengujian autokorelasi ini dilakukan dengan menggunakan uji Durbin
Watson DW-test. Uji Durbin Watson hanya digunakan untuk autokorelasi tingkat satu first order auticorrelation dan mensyaratkan adanya intercept
konstanta dalam model regresi dan tidak ada lagi diantara variabel independen. Hipotesis yang akan diuji adalah:
H0: tidak ada autokorelasi r = 0 HA: ada autokorelasi r
≠ 0 Menurut Ghozali 2013: 111, pengambilan keputusan ada atau tidaknya
autokorelasi ada lima pedoman yaitu :
Tabel 3.4 Lima Pedoman Pengambilan Keputusan Autokorelasi
Hipotesis nol Keputusan
Jika Tidak ada autokorelasi positif
Tidak ada autokorelasi positif Tidak ada korelasi negatif
Tidak ada korelasi negatif Tidak ada autokorelasi, positif
atau negatif Tolak
No decision Tolak
No decision Tidak ditolak
0 d dl dl
≤ d ≤ du 4 – dl d 4
4 – du ≤ d ≤ 4 - dl
du d 4 – du Sumber: Ghozali 2013: 111
4. Uji Multikolinearitas
