4.2. Uji Asumsi Klasik
4.2.1. Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal atau tidak,
dengan membuat hipotesis sebagai berikut : Ho
: data residual terdistribusi normal Ha
: data residual terdistribusi tidak normal. Ada dua cara yang dapat digunakan untuk mendeteksi apakah
residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Pada penelitian ini akan digunakan kedua cara tersebut.
A. Analisis Grafik Analisi grafik dapat digunakan dengan dua alat, yaitu grafik
histogram dan grafik p-p plot. Data yang baik adalah data yang memiliki pola distribusi normal.
Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng. Dan lonceng
tidak menceng kekiri maupun kekanan. Pada grafik p-p plot, sebuah data dikatakan berdistribusi normal
apabila titik-titik datanya tidak menceng ke kiri atau ke kanan, melainkan menyebar di sekitar garis diagonal.
Gambar 4.1 Dari grafik histogram dan normal probability plot pada gambar 4.1
diatas, terlihat bahwa grafik tidak menceng ke kiri maupun kekanan. Dengan demikian grafik diatas memperlihatkan pola distribusi yang normal,
demikian pula hasil uji normalitas dengan menggunakan grafik p-p plot.
Gambar 4.2
Pada grafik normal p-p plot di atas terlihat bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat
disimpulkan bahwa model regresi telah memenuhi asumsi normalitas. B. Uji Statistik
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama, sehingga kita perlu
melakukan uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis diagonal
berdistribusi normal, maka dilakukan uji kolmogorov-smirnov 1 sample K- S dengan melihat data residualnya apakah berdistribusi normal atau tidak.
Jika nilai signifikansinya lebih besar dari 0,05 maka data tersebut terdistribusi normal. Jika signifikansinya lebih kecil dari 0,05 maka
distribusi data adalah tidak normal. Hasil uji kolmogorov-smirnov dapat dilihat pada tabel 4.2
Tabel 4.2 Hasil Pengujian Kolmogorov-smirnov sebelum tranformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
28 Normal Parameters
a,b
Mean .0000000
Std. Deviation 2004.75933231
Most Extreme Differences Absolute
.181 Positive
.181 Negative
-.117 Kolmogorov-Smirnov Z
.957 Asymp. Sig. 2-tailed
.319 a. Test distribution is Normal.
b. Calculated from data.
Hasil uji Kolmogorov-Smirnov pada yang terdapat pada tabel 4.2 dari penelitian ini menunjukkan signifikasi probabilitas dari nilai residual
adalah 0,319. Maka data dapat digunakan karena 0,319 0,05 Ho diterima. Tetapi untuk memperkecil penyimpangan dalam uji hipotesis
data, maka penulis mencoba untuk melakukan tranformasi data kedalam logaritma natural Ln. setelah dilakukan tranformasi maka nilai signifikansi
mengalami peningkatan dan std.deviation mengalami penurunan. Berikut ini hasil pengujian dengan kolmogorov-smirnov setelah mengalami
transformasi kedalam logaritma natural. Tabel 4.3
Hasil pengujian kolmogorov-smirnov setelah tranformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 28
Normal Parameters
a,b
Mean .0000000
Std. Deviation .68534109
Most Extreme Differences Absolute
.150 Positive
.150 Negative
-.110 Kolmogorov-Smirnov Z
.796 Asymp. Sig. 2-tailed
.551 a. Test distribution is Normal.
b. Calculated from data.
Dari hasil pengolahan data pada tabel 4.3 diatas diperoleh besarnya nilai Kolmogorov-smirnov adalah 0,769 dan signifikansi sebesar 0,551.
Yang artinya nilai signifikansi 0,05. Dengan demikian, data pada
penelitian ini berdistribusi normal dan dapat digunakan untuk melakukan Uji-t dan Uji-F karena 0,05 Ho diterima.
4.2.2. Uji Heterokedastisitas