Pengujian asumsi dasar dan asumsi
klasik dilakukan agar hasil analisis regresi memenuhi kriteria BLUE (best linier unbiased estimator). Uji asumsi dasar terdiri dari uji
normalitas data dan uji linearitas, Sedangkan Uji asumsi klasik meliputi uji
multikolinieritas, uji heteroskedastisitas dan uji autokorelasi.
1. Uji Normalitas (NormalityTest)
Uji normalitas bertujuan
untuk menguji apakah dalam model regresi, variabel pengganggu atau residual
memiliki distribusi normal (Ghozali, 2005:110). Penelitian ini menggunakan uji
normalitas Kolmogorov-Smirnov untuk mengetahui signifikansi data yang
terdistribusi normal dan disertai dengan normal probability plot serta
grafik histogram sebagai pendukung dalam pengambilan kesimpulan hasil
pengujian. Dengan menggunakan uji Kolmogorov-Smirnov, suatu data
dikatakan normal jika mempunyai nilai asymptotyc significant lebih dari
0,05 (Hair Jr. and Yoseph F,1998 dalam Kurniawan, 2006). Sedangkan dasar
pengambilan keputusan dalam deteksi normalitas menggunakan grafik (Priyatno,
2008) sebagai berikut:
a.
Jika data menyebar di
sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi
memenuhi asumsi normalitas sehingga model layak digunakan.
b.
Jika data menyebar jauh dari garis diagonal dan
atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi
asumsi normalitas sehingga model tidak layak digunakan.
2.
Uji Multikolinearitas (Multicolinearity
Test)
Menurut
Ghozali (2005:91), uji multikolinearitas bertujuan untuk menguji apakah
variabel bebas (independen) dalam model regresi berkorelasi atau tidak. Model
regresi yang baik seharusnya bebas multikolinearitas atau tidak terjadi
korelasi diantara variabel independen.
Uji
Multikolinearitas dapat dilihat dari (1) nilai tolerance dan lawannya
(2) Variance Inflation Factor (VIF). Jika nilai tolerance lebih
besar dari 0,1 atau nilai VIF lebih kecil dari 10, maka dapat disimpulkan tidak
terjadi multikolinearitas pada data yang akan diolah, sehingga
model regresi tersebut layak dipakai.
3. Uji
Heterokedastisitas (Heteroskedasticity Test)
Uji
heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka
disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas.
Cara
yang digunakan untuk mendeteksi ada atau tidaknya heteroskedastisitas dalam
penelitian ini, dengan melihat grafik Plot antara nilai prediksi variabel
terikat (dependen) yaitu ZPRED dengan residualnya yaitu SRESID.
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan cara melihat
ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan
ZPRED dimana sumbu Y adalah yang diprediksi dan sumbu X adalah residual
(Y prediksi –Y sesungguhnya) yang telah di-studentized. Dasar analisis
yang digunakan untuk mendeteksi heteroskedastisitas adalah sebagai berikut:
a.
Jika ada pola
tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi
heteroskedastisitas, sehingga model tidak layak digunakan.
b.
Jika tidak ada pola
yang jelas, serta titik-titik menyebar di atas dan dibawah angka 0 pada sumbu
Y, maka tidak terjadi heteroskedastisitas sehingga model layak digunakan.
4. Uji Autokorelasi (Autocorelation
Test)
Uji
autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi
klasik autokorelasi, yaitu korelasi yang terjadi antara residual pada satu
pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus
dipenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode pengujian
yang sering digunakan adalah dengan Uji Durbin-Watson (uji DW) dengan ketentuan
sebagai berikut :
1.
Jika d lebih kecil
dari dL atau lebih besar dari (4-dL) maka hipotesis nol ditolak, yang berarti
terdapat autokorelasi, sehingga model tidak memenuhi prasyarat.
2.
Jika d terletak di
antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak ada
autokorelasi, sehingga model memenuhi prasyarat.
3.
Jika d terletak pada
dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak menghasilkan kesimpulan
yang pasti. Nilai dU dan dL dapat diperoleh dari Tabel Statistik Durbin Watson yang bergantung banyaknya
observasi dan banyaknya variabel yang menjelaskan.
5.
Uji Linearitas (Linearity Test)
Uji linearitas bertujuan untuk mengetahui apakah
variabel yang digunakan mempunyai hubungan yang linear atau tidak secara
signifikan. Uji ini biasanya digunakan sebagai prasyarat dalam analisis
korelasi atau regresi linear. Pengujian pada SPSS dengan menggunakan Test of Linearity dengan taraf signifikansi
0,05. variabel-variabel yang dikatakan memiliki hubungan yang linear bila
signifikansi (linearity) kurang dari
0,05. Metode lain yang juga bisa digunakan adalah Uji Lagrange
Multiplier.
Tidak ada komentar:
Posting Komentar