53
kawasan Jl. Dr. Mansyur setelah saya menggunakanya pertama kali, sebanyak
12,3 menyatakan setuju, dan sebanyak 2,5 menyatakan kurang setuju.
4.4 Uji Asumsi Klasik
4.4.1 Uji Normalitas
Ada dua cara untuk mendeteksi apakah data berdistribusi normal atau tidak, yaitu dengan pendekatan grafik dan pendekatan Kolmogorov-Smirnov.
1. Pendekatan Grafik Salah satu cara untuk melihat normalitas adalah dengan melihat grafik
histogram dan grafik normal plot yang membandingkan antara dua observasi dengan distribusi yang mendekati distribusi normal.
Sumber: Hasil Pengolahan SPSS , 2015
Gambar 4.1 Histogram Uji Normalitas
54
Berdasarkan gambar 4.1 dapat diketahui bahwa variabel berdistribusi normal, hal ini ditunjukkan oleh distribusi data yang berbentuk lonceng dan tidak
menceng ke kiri atau ke kanan
.
Sumber: Hasil Pengolahan SPSS , 2015
Gambar 4.2 Grafik
Normal Plot
Berdasarkan gambar 4.2 dapat diketahui bahwa data berdistribusi normal dapat di lihat pada scatterplot, terlihat titik yang mengikuti data di sepanjang garis
diagonal.
2. Pendekatan Kolmogorov-Smirnov
Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal, padahal secara statistik tidak berdistribusi normal. Berikut ini pengujian
normalitas yang berdasarkan dengan uji statistik non-parametik Kolmogorov- Smirnov K-S untuk memastikan apakah data benar berdistribusi normal
55
Tabel 4.7 Uji Normalitas
Sumber: Hasil Pengolahan SPSS , 2015
Berdasarkan Tabel 4.8 terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0,10 dan di atas nilai signifikan 5 0,05, dengan kata lain variabel residual
berdistribusi normal.
4.4.2 Uji Heteroskedastisitas
Uji heteroskedastisitas ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians dari suatu variabel pengamatan ke
pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu:
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 81
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 1,11471641
Most Extreme Differences
Absolute ,181
Positive ,181
Negative -,064
Kolmogorov-Smirnov Z 1,626
Asymp. Sig. 2-tailed ,010
a. Test distribution is Normal. b. Calculated from data.
56
1. Metode Grafik Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik
menyebar di atas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas, sedangkan jika ada pola tertentu, seperti titik-titik yang
membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedasitastisitas.
Sumber: Hasil Pengolahan SPSS, 2015
Gambar 4.3 Scatter Plot Uji Heteroskedastisitas
Berdasarkan Gambar 4.3 dapat terlihat dari grafik Scatterplot yang disajikan, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola
tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada data residual.
2. Uji Glejser Uji Glejser dilakukan dengan cara meregresikan antara variabel
independen dengan nilai absolut residualnya. Jika nilai signifikansi antara variabel independen dengan absolut residual lebih dari 0,05 maka tidak terjadi masalah
heteroskedastisitas.
57
Tabel 4.8 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -2,506
1,753 -1,429
,157 Kelompok Referensi
,122 ,086
,157 1,415
,161 Gaya Hidup
,053 ,043
,135 1,223
,225 a. Dependent Variable: absut
Sumber: Hasil Pengolahan SPSS , 2015
Berdasarkan Tabel 4.8 terlihat jelas menunjukkan tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel
dependen absolut Ut absUt. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 0,05, jadi disimpulkan model regresi tidak
mempengaruhi heteroskedastisitas.
4.4.3 Uji Multikolinieritas
