48
H :
data residual berdistribusi normal H
1
: data residual tidak berdistribusi normal Berdasarkan pengolahan data dengan menggunakan SPSS, diperoleh
hasil perhitungan Kolmogorof-Smirnov model regresi sebagai berikut:
Tabel 4.2 Hasil Uji Kolmogorov-Smirnov
Dari tabel 4.2 diketahui nilai Kolmogorov-Smirnov sebesar 0,630 dan Asymp sig. 2-tailed sebesar 0,822 signifikan berada diatas 0,05. Hal ini
berarti H diterima, atau dengan kata lain data residual berdistribusi normal.
4.3.2 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1 sebelumnya. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan
uji Durbin- Watson.
Tabel 4.3 Hasil Uji Durbin-Watson
Model R
R square Adjust R
square Std. Error of
the Estimate Durbin-Watson
1
0,648
a
0,420 0,383
1,43982 1,517
Unstandardized Residual
Kolmogorov-Smirnov Z ,630
Asymp. Sig. 2-tailed ,822
Universitas Sumatera Utara
49
Berdasarkan Tabel 4.3 hasil pengujian diperoleh bahwa tidak terjadi autokorelasi antar kesalahan pengganggu antar periode. Hal ini dilihat dari
nilai Durbin-Watson D-W sebesar 1,517. Angka tersebut berada diantara - 2 dan +2, artinya bahwa angka DW lebih besar dari -2 dan lebih kecil dari
+2 -2 1,517 +2. Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.
4.3.3 Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu
pengamatan ke pengamatan yang lain. Pengujian ini dapat dilakukan dengan berbagai uji yang dilakukan. Di bawah ini merupakan hasil dar pengujian
heteroskedastisitas dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada
tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah
residual Y prediksi – Y sesungguhnya yang telah di – studentized. Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat
grafik scatterplot yang dihasilkan dari pengolahan data dengan SPSS. Menurut Ghozali 2013 pengambilan keputusan adalah dengan melihat
pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan
telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik- titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak
Universitas Sumatera Utara
50
terjadi heterokedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisisapakah terjadi gejala heterokedastisitas atau tidak dengan
caramengamati penyebaran titik-titik pada grafik
Gambar 4.2 Hasil Uji Heteroskedastisitas dengan
Scatter Plot
Dari grafik scatterplot terlihat bahwa titik – titik menyebar secara acak dengan tidak ada pola tertentu yang tersebar baik diatas maupun di
bawah angka 0 pada sumbu Y. Dengan demikian dapat disimpulkan terjadi homokedastisitas.
4.4 Pengujian Hipotesisi
