38
1. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, varian, maksimum,
minimum, sum, range, kurtosis dan skewness kemencengan distribusi. Ghozali 2009:19,
2. Uji Asumsi Klasik
a Uji Normalitas Ghozali 2009:147, uji normalitas bertujuan untuk menguji
apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F
mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk
jumlah sempel kecil. Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram. Deteksi
apakah residual berdistribusi normal atau tidak juga dapat dilakukan dengan melihat normal probability plot yang membandingkan
distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan
dibandingkan dengan garis diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data yang sesungguhnya
akan mengikuti garis diagonalnya.
39 c Uji Heteroskedastisitas
Ghozali 2009:125, uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut
homoskedastisitas dan jika berbeda maka disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak
terjadi heteroskedastisitas. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik
scatterplot dimana sumbu Y adalah Y yang telah diprediksi dan sumbu
X adalah residual Y prediksi-Y sesungguhnya yang telah di- studentized.
Dasar analisis, jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar
kemudian menyempit,
maka mengindikasikan
telah terjadi
heteroskedastisitas. Sebaliknya jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka
tidak terjadi heteroskedastisitas. e. Autokolerasi
Autokolerasi adalah keadaan dimana kesalahan penggangu saling korelasi Santoso 2000:218. Uji autokorelasi bertujuan untuk
menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan mengganggu
40 pada periode t-1. Jika terjadi korelasi antara kesalahan pengganggu
maka dapat dikatakan bahwa dalam model persamaan regresi linier ada problem autokorelasi. Untuk medeteksi adanya autokolerasi dapat
digunakan metode Durbin-Watson dengan melihat pada D-W tabel. Secara umum bisa diambil patokan mengenai uji autokolerasi Santoso
2002 yaitu: 1. Angka D-W dibawah -2 berarti ada autokolerasi positif.
2. Angka D-W diantara -2 sampai +2 berarti tidak ada autokolerasi.
3. Angka D-W diatas +2 berarti ada autokolerasi negatif.
3. Uji Hipotesis
Kategori