2 Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal.
Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk yang normal dengan beberapa cara sebagai berikut:
1 Transformasi data
Transformasi data dapat dilakukan dengan logaritma natural ln, log10, maupun akar kuadrat. Jika ada data yang bernilai negatif,
transformasi data dengan logaritma akan menghilangkannya sehingga jumlah sampel n akan berkurang.
2 Trimming
Trimming adalah memangkas membuang observasi yang bersifat outlier, yaitu yang nilainya lebih kecil dari µ-
2 atau lebih besar dari µ+2 . Metode ini juga mengecilkan jumlah sampelnya.
3 Winzorising
Winzorising mengubah nilai-nilai outliers menjadi nilai-nilai minimum atau maksimum yang dizinkan supaya distribusinya menjadi normal.
Nilai-nilai observasi yang lebih kecil dari µ-2 akan diubah nilainya menjadi µ-2 dan nilai-nilai yang lebih besar dari µ+2 akan diubah
nilainya menjadi µ+2 .
b. Uji Heterokedastisitas
Uji heterokedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Jika varians dari residual dari suatu pengamatan ke pengamatan lainnya tetap, maka disebut Homoskedastisitas. Dan jika varians
berbeda, maka disebut heteroskedastisitas. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas.
Untuk mengetahui adanya masalah heteroskesdatisitas, kita bisa menggunakan korelasi jenjang Spearman, Park test, Goldfeld-Quandt test, BPG
tast, White test atau Glejser test. Bila menggunakan korelasi jenjang Spearman, maka kita harus menghitung nilai korelasi untuk setiap variabel independen
terhadap nilai residu, baru kemudian dicari tingkat signifikansinya. Park dan Glejser test memiliki dasar test yang sama yaitu meregresikan kembali nilai residu
ke variabel independen. Salah satu cara untuk mengurangi masalah heteroskesdatisitas adalah
menurunkan besarnya rentang range data. Salah satu cara yang bisa dilakukan untuk menurunkan rentang data adalah melakukan transformasi manipulasi
logaritma. Tindakan ini bisa dilakukan bila semua data bertanda positif.
c. Uji Autokorelasi
Masalah autokorelasi akan muncul bila data yang dipakai adalah data runtut waktu timeseries. “Autokorelasi akan muncul bila data sesudahnya merupakan
fungsi dari data sebelumnya atau data sesudahnya memiliki korelasi yang tinggi dengan data sebelumnya pada data runtut waktu dan besaran data sangat
tergantung pada tempat data tersebut terjadi.”Hadi, 2006 : 175
Menurut Singgih 2002 : 218 Untuk mendeteksi adanya autokorelasi bisa digunakan tes Durbin Watson D-W. Panduan mengenai angka D-W untuk
mendeteksi autokorelasi bisa dilihat pada tabel D-W, yang bisa dilihat pada buku statistik yang relevan. Namun demikian secara umum bisa diambil patokan:
1 Angka D-W di bawah -2 berarti ada autokorelasi positif.
2 Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi.
3 Angka D-W diatas +2 berarti ada autokorelasi negatif.
Jika terjadi autokorelasi, maka dapat diatasi dengan cara: 1
Melakukan transformasi data. b Menambah data observasi.
d. Uji Multikolinearitas