68 masuk ke uji asumsi klasik, dilakukan langkah screening dengan
mengidentifikasi adanya data outlier terlebih dahulu. 3.5.2.1.
Identifikasi Data Outliers Outlier adalah kasus atau data yang memiliki karakteristik unik yang
terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi
Ghozali, 2009. Identifikasi data outliers dilakukan agar model lebih baik karena tidak ada data yang terlalu esktrim dibandingkan dengan data yang lain.
3.5.2.2. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain.
Jika varian dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homoskedastisitas, jika berbeda disebut heteroskedastisitas Erlina,
2008. Untuk melihat ada atau tidaknya heteroskedastisitas, dilakukan dengan mengamati grafik scatterplot antar nilai prediksi variabel terikat dengan
residualnya. Deteksi ada atau tidaknya heteroskedastisitas, dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot dengan dasar analisis,
yaitu : 1.
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit,
maka mengindikasikan telah terjadi heteroskedastisitas. 2.
Jika tidak ada pola yang jelas, seperti titik menyebar di atas dan di bawah angka nol pada sumbu y, maka tidak terjadi heteroskedastisitas
Ghozali, 2009.
Universitas Sumatera Utara
69
3.5.2.3. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,variabel pengganggu atau residual memiliki distribusi normal Ghozali,
2009. Uji normalitas dilakukan dengan analisis grafik yaitu dengan melihat grafik histogram dan normal probability plot serta uji statistic non-parametrik
Kolmogorov-Smirnov K-S.
3.5.2.4. Uji Multikolonieritas
Uji ini bertujuan untuk menguji apakah ada hubungan antara variabel yang satu dengan variabel lainnya. Model regresi yang baik seharusnya tidak terjadi
korelasi di antara variabel independen Ghozali, 2009. Jika terjadi korelasi antara variabel independen maka variabel independen tersebut tidak ortogonal.
Dalam hal ini, variabel independen tersebut memiliki nilai korelasi antara sesamanya sama dengan nol. Untuk mengetahui adanya multikolinearitas dapat
dilihat melalui nilai Variance Inflation Factor VIF dan nilai toleransi Tolerance Value. Untuk mengetahui adanya gejala multikolinearitas biasanya
digunakan nilai cutoff dengan nilai tolerance 0,10 dan nilai VIF 10.
3.5.2.5. Uji Autokorelasi