sangat penting pada pengujian kebermaknaan signifikansi koefisien regresi. Model regresi yang baik adalah model regresi yang memiliki distribusi normal
atau mendekati normal, sehingga layak dilakukan pengujian secara statistik. Dasar pengambilan keputusan dapat dilakukan berdasarkan probabilitas
Asymp. Significance, yaitu: 1 Jika probabilitas 0,05 maka distribusi dari populasi adalah normal.
2 Jika probabilitas 0,05 maka populasi tidak berdistribusi secara normal. Dasar pengambilan keputusan adalah sebagai berikut:
1 Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi memenuhi asumsi
normalitas. 2 Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis
diagonal, maka dapat disimpulkan bahwa model regresi tidak memenuhi asumsi normalitas.
Uji normalitas juga digunakan untuk mengetahui bahwa data yang diambil berasal dari populasi berdistribusi normal. Uji yang digunakan untuk menguji
kenormalan adalah uji Kolmogorov-Smirnov. Berdasarkan sampel ini akan diuji hipotesis nol bahwa sampel tersebut berasal dari populasi berdistribusi normal
melawan hipotesis tandingan bahwa populasi berdistribusi tidak normal.
3.7.2.2 Uji Multikolinieritas
Multikolinieritas merupakan suatu situasi dimana beberapa atau semua variabel bebas berkolerasi kuat. Jika terdapat kolerasi yang kuat di antara sesama
variabel independen, maka konsekuensinya adalah sebagai berikut:
1 Koefisien-koefisien regresi menjadi tidak dapat ditaksir. 2 Nilai standar error setiap koefisien regresi menjadi tidak terhingga.
Dengan demikian, semakin besar korelasi di antara sesama variabel independen, maka tingkat kesalahan dari koefisien regresi semakin besar yang
mengakibatkan standar errornya semakin besar pula. Cara yang digunakan untuk mendeteksi ada tidaknya multikoliliearitas adalah dengan menggunakan Variance
Inflation Factors VIF sebagai berikut: 1
VIF = 1-R
i 2
Dimana R
i 2
merupakan koefisien determinasi yang diperoleh dengan meregresikan salah satu variabel bebas Xi terhadap variabel bebas lainnya. Jika
nilai VIFnya kurang dari 10 maka dalam data tidak terdapat multikolinearitas Arikunto, 2006: 154.
3.7.2.3 Uji Heteroskedastisitas
Situasi heteroskedastisitas akan menyebabkan penaksiran koefisien- koefisien regresi menjadi tidak efisien dan hasil taksiran dapat menjadi kurang
atau melebihi dari yang semestinya. Dengan demikian, agar koefisien-koefisien regresi tidak menyesatkan, maka situasi heteroskedastisitas tersebut harus
dihilangkan dari model regresi. Menurut Ghozali 2011: 142 bahwa untuk menguji ada tidaknya
heteroskedastisitas digunakan uji-Glejser, yaitu dengan meregresikan masing- masing variabel bebas terhadap nilai absolut dari residual. Jika nilai koefisien
regresi dari masing-masing variabel bebas terhadap nilai absolut dari residual
error ada yang signifikan, maka kesimpulannya terdapat heteroskedastisitas varian dari residual tidak homogen.
Selain itu, heteroskedastisitas juga dapat dilihat melalui grafik scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya
SRESID. Jika terdapat pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka telah terjadi heteroskedastisitas. Sebaliknya, jika tidak
membentuk pola tertentu yang teratur, maka tidak terjadi heteroskedastisitas.
3.7.3 Metode Analisis Regresi Berganda
