45 multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas Supranto,
2005:151.
4.2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui
bahwa uji � dan � mengasumsikan bahwa nilai residual mengikuti distribusi
normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali, 2011:160, Gujarati, 2003:339, Field, 2009:221,
Supranto, 2005:90. Dalam penelitian ini, uji normalitas terhadap residual dengan menggunakan uji Jarque-Bera J-B. Dalam penelitian ini, tingkat signifikansi
yang digunakan � = 0,05. Dasar pengambilan keputusan adalah melihat angka
probabilitas dari statistik J-B, dengan ketentuan sebagai berikut. Jika nilai probabilitas
� ≥ 0,05, maka asumsi normalitas terpenuhi. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi.
46
Gambar 4.1 Uji Normalitas dengan Uji Jarque-Bera
Sumber: hasil olahan software Eviews 7
Perhatikan bahwa berdasarkan Gambar 4.1, diketahui nilai probabilitas dari statistik J-B adalah 0,0077. Karena nilai probabilitas
�, yakni 0,0077, lebih kecil dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi
normalitas tidak dipenuhi. Untuk memperoleh hasil terbaik, maka data pencilan atau outlier yang ada dihilangkan. Outlier adalah data yang memiliki karakteristik
unik yang terlihat sangat berbeda jauh dari observasi-obsevasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel
kombinasi Ghozali, 2011:36. Sofyan Yamin 2014:87 menyatakan sebagai berikut:
Setidaknya ada 3 hal pengaruh outlier terhadap model yaitu berpotensial menciptakan heywood cases dan improper solution, menciptakan taksiran yang
bias serta ketidakjelasan terhadap tingkat signifikansi pengujian parameter. Selain itu outlier juga sangat memengaruhi distribusi variabel data yaitu mengakibatkan
variabel data tidak berdistribusi normal. Data outlier dapat memengaruhi nilai mean, standard deviasi, serta koefisien korelasi, oleh karena itu outlier harus
dijelaskan sebelum dianalisis, dihapus, atau direkomendasikan menggunakan pendekatan robust statistics.
2 4
6 8
10 12
14
-150000 -100000
-50000 50000
100000 150000
Series: Residuals Sample 1 95
Observations 95 Mean
-3.06e-12 Median
-6426.950 Maximum
154040.4 Minimum
-140892.2 Std. Dev.
48136.26 Skewness
0.525211 Kurtosis
4.162161 Jarque-Bera
9.713770 Probability
0.007775
47 Untuk mengurangi pengaruh dari ketidaknormalan dapat dilakukan dengan
mengeliminasi atau menghapus data outlier. Gamst, dkk 57:2008 memberikan saran terhadap data outlier sebagai berikut:
“One way to reduce non-normality within a variable is to eliminate outliers that
are clearly not representative of the population under study”.
Sejalan dengan Gamst, dkk, Field 2009:153 juga menyatakan sebagai berikut: “If you detect outliers in the data there are several options for reducing impact of
these values. However, before you do any of these things, it’s worth checking that the data have been entered correctly for the problem cases. If the data are correct
then the three main options you have are: Remove the case: This entails deleting the data
from the person who contributed the outlier.”
Berdasarkan pendapat para pakar statistik di atas, maka untuk mengurangi pengaruh ketidaknormalan, maka data outlier dieliminasi. Setelah data outlier
dihilangkan, maka data yang semula 95 dieliminasi menjadi 94 . Hasil pengujian normalitas yang kedua diperlihatkan dalam Gambar 4.2. Berdasarkan Gambar 4.2,
nilai probabilitas adalah 0,115. Oleh karena nilai probabilitas, yakni 0,115 lebih besar dibandingkan tingkat signifikansi, yakni 0,05, maka asumsi normalitas
terpenuhi.
48
Gambar 4.2 Uji Normalitas dengan Uji Jarque-Bera
4.2.2.2 Uji Multikolinearitas