Uji Asumsi Klasik Metode Analisis Data

melakukan regresi, peneliti terlebih dahulu melakukan uji asumsi klasik dan statistik deskriptif.

3.7.1 Uji Asumsi Klasik

Asumsi klasik adalah asumsi yang mendasari analisis regresi dengan tujuan mengukur asosiasi atau keterikatan antarvariabel bebas. Terdapat 4 empat pengujian terkait uji asumsi klasik yaitu uji normalitas data, ujia multikolinearitas, uji heterokedastisitas dan uji autokorelasi. a. Uji Normalitas Data Uji normalitas data bertujuan untuk mengetahui keberadaan variabel pengganggu atau residual di dalam model regresi. Jika data normal, maka statistik yang dipergunakan adalah statistik parametrik. Jika sebaliknya, maka statistik non parametriklah yang digunakan atau peneliti dapat melakukan treatment agar data normal. Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel dependen, variabel independen atau keduanya mempunyai distribusi normal, salah satu metode ujinya adalah dengan menggunakan metode analisis grafik, baik secara normal plot atau grafik histogram Ghozali, 2013:160 1. Analisis Grafik Salah satu cara termudah untuk melihat residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati normal. Namun demikian, hanya dengan melihat histogram, hal ini dapat membingungkan khususnya untuk jumlah sampel yang kecil. Metode lain yang dapat digunakan adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Dasar pengambilan keputusan dari analisis normal probability plot sebagai berikut: • Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. • Jika data menyebar jauh dari garis diagonal dan atau tidak mengkuti arah garis diagonal tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas. 2. Analisis Statistik Untuk mendeteksi normalitas data dapat dilakukan pula melalui analisis statistik yang salah satunya dapat dilihat melalui Kolmogorov- Smirnov test K-S. Uji K-S dilakukan dengan hipotesis: H = Data residual terdistribusi normal H a = Data residual tidak terdistribusi normal Dasar pengambilan keputusan dalam uji K-S adalah sebagai berikut: • Apabila probabilitas nilai Z uji K-S signifikan secara statistik maka H ditolak, yang berarti data terdistribusi tidak normal. • Apabila probabilitas nilai Z uji K-S tidak signifikan statistik maka H diterima, yang berarti data terdistribusi normal. Pedoman pengambilan keputusan adalah sebagai berikut: • Nilai sig. atau signifikan atau nilai probabilitas 0,05 distribusi adalah tidak normal. • Nilai sig. atau signifikan atau nilai probabilitas 0,05 distribusi adalah normal. b. Uji Multikolinearitas Uji ini bertujuan untuk mengetahui apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Multikolinearitas dapat juga dilihat dari nilai Tolerance TOL dan metode VIF Variance Inflation Factor. Nilai TOL berkebalikan dengan nilai VIF. TOL adalah besarnya variasi dari suatu variabel independen yang tidak dijelaskan oleh variabel independen lainnya. Sedangkan VIF menjelaskan derajat suatu variabel independen yang dijelaskan oleh variabel independen lainnya. Nilai TOL yang rendah adalah sama dengan nilai VIF yang tinggi karena VIF = 1TOL. Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai TOL 0,10 atau sama dengan nilai VIF 10 Ghozali, 2013:105 c. Uji Heteroskedastisitas Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamartan yang lain. Jika variance dari residual suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas, dan jika variance dari residual satu pengamatan ke pengamatan lain berbeda, maka disebut heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik scatterplot, dengan dasar analisis Ghozali, 2013:139 d. Uji Autokorelasi Pengujian autokorelasi digunakan untuk mengetahui apakah terjadi korelasi antara anggota serangkaian observasi yang diunitkan menurut waktu data time series atau ruang data data cross section. Uji ini bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya Ghozali, 2013:110. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Untuk mendeteksi adanya autokorelasi dalam model, dapat menggunakan uji Durbin-Watson DW test yang terdapat pada tabel 3.3. Tabel 3.3 Tabel Durbin-Watson Kondisi Nilai Ada autokorelasi D-W dibawah -2 Tidak ada autokorelasi D-W di antara -2 s.d. +2 Ada autokorelasi negatif D-W di atas +2

3.8 Analisis Regresi Linier Berganda