Uji Asumsi Klasik

METODE PENELITIAN

14 PT Bank Windu Kentjana Internasional Tbk MCOR

3.8 Teknik Analisis Data

3.8.1 Uji Asumsi Klasik

Tujuan dilakukannya pengujian terhadap penyimpangan asumsi klasik yaitu untuk mengetahui apakah model regresi yang diperoleh mengalami penyimpangan asumsi klasik atau tidak dengan batuan program software SPSS for Windows

(Statistic Product & Service Solution). Adapun syarat Asumsi Klasik yang harus dipenuhi model regresi berganda sebelum data tersebut dianalisis adalah sebagai berikut:

3.8.1.1Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual mempunyai distribusi normal atau mendekati normal (Ghozali, 2007: 110). Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal apada grafik atau melihat histogram dari residualnya (Ghozali, 2007: 28). Data tersebut normal atau tidak dapat diuraikan lebih lanjut sebagai berikut :

a. Jika data menyebar diatas garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.

b. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogramnya tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.

a. Pendekatan Kolmogorv-Smirnov

Alat uji ini digunakan untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal. Hipotesisnya sebagai berikut:

a. Nilai sig atau signifikansi atau nilai probabilitas < 0,05, distribusi adalah tidak normal.

b. Nilai sig atau signifikansi atau nilai probabilitas > 0,05, distribusi adalah

normal (Ghozali, 2007: 30)

Maka untuk mendeteksi normalitas dengan Kolmogorov-Smirnov Test (K S) dilakukan dengan membuat hipotesis :

Ho : data residual berdistribusi normal Ha : data residual tidak berdistribusi normal

1. Apabila probabilitas nilai Z uji K-S signifikan secara statistik maka Ho ditolak, yang berarti data tersebut terdistribusi tidak normal.

2. Apabila probabilitas nilai Z uji K-S tidak signifikan secara statistik maka Ho diterima, yang berarti data tersebut terdistribusi normal.

b

. Pendekatan Histogram

Untuk menguji normalitas data dapat dilihat dengan kurva normal. Kurva normal yaitu kurva yang memiliki ciri-ciri khusus, salah satu diantaranya adalah mean, modus, dan median pada tempat yang sama. Ukuran kemiringan puncak kurva ke kiri atau ke kanan dikenal dengan nama “kemiringan kurva” atau “kemencengan kurva” (skewness). Kemencengan suatu kurva distribusi data dapat bertanda positif (arah kanan) dan bertanda negatif (arah kiri).

c. Pendekatan Grafik

PP plot akan membentuk plot antara nilai-nilai teoritis (sumbu x) melawan nilai-nilai yang didapat dari sampel (sumbu y). Apabila plot dari keduanya berbentuk linier (didekati garis lurus), maka hal ini merupakan indikasi bahwa residual menyebar normal. Bila pola-pola titik yang terletak selain di ujung-ujung

plot masih berbentuk linier, meskipun ujung-ujung plot agak menyimpang dari garis lurus, dapat dikatakan bahwa sebaran data adalah menyebar normal.

3.8.1.2Uji Multikolinieritas

Ghozali (2007:91) menyatakan bahwa uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel bebasnya, atau dengan kata lain tidak terjadi multikolinieritas. Multikolinieritas dapat dideteksi dengan menggunakan nilai tolerance dan

variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Nilai tolerance

yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/ Tolerance). Nilai yang umumnya dipakai untuk menunjukkan adanya multikolinieritas adalah nilai tolerance < 0,1 atau sama dengan nilai VIF > 10. Namun, apabila angka VIF < 10 atau nilai tolerance > 0,1; maka dapat disimpulkan model regresi tersebut tidak terdapat problem multikolinieritas.

3.8.1.3Uji Heteroskedastisitas

Menurut Imam Ghozali (2007: 105) uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain. Jika varian dari residual suatu pengamatan ke pengamatan lain tetap maka disebut homoskedastisitas, dan jika berbada disebut heterokedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.

Suatu model dikatakan terdapat gejala heteroskedastisitas jika koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistik. Sebaliknya jika parameter beta tidak signifikan secara statistik maka hal ini menunjukkan bahwa data model empiris yang diestimasi tidak terdapat heteroskedastisitas.

3.8.1.4Uji Autokorelasi

Menurut Safrizal Helmi (2011:120) Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (seperti dalam deret waktu) atau ruang (Uji ini digunakan untuk menguji apakah dalam sebuah model regresi linear berganda ada korelasi antara kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode t-1 (periode sebelumnya). Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Gejala autokorelasi dideteksi dengan menggunakan Durbin-Watson test. Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin-Watson (DW) dengan ketentuan sebagai berikut:

Kriteria pengambilan keputusan uji autokorelasi ditunjukkan pada Tabel 3.1 sebagai berikut:

Tabel 3.2

Kriteria Pengambilan Keputusan Uji Autokorelasi

Hipotesis nol Jika Keputusan

Tidak ada autokorelasi positif 0<DW<dL Ditolak Tidak ada autokorelasi positif D_L< DW < d_U No decision

Tidak ada autokorelasi negatif 4-dL< DW < 4 Ditolak Tidak ada autokorelasi negatif 4-d_U < DW < 4-d_L No decision

Tidak ada autokorelasi, positif atau negatif

Keterangan: d_L = Batas bawah dU = Batas Atas

Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah autokorelasi, salah satunya adalah Uji Durbin Watson (DW). Pengambilan keputusan mengenai ada tidaknya autokorelasi adalah sebagai berikut:

a. Nilai Durbin Watson (DW) terletak antara batas atas dan Upper Bound (DU) dan 4-DU, maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi.

b. Bila nilai DW lebih rendah daripada batas bawah atau Lower Bound (DL), maka koefisien autokorelasi lebih besar daripada nol, berarti ada autokorelasi positif.

c. Bila nilai DW lebih besar daripada (4-DL), maka koefisien autokorelasi lebih kecil dari nol, berarti ada autokorelasi negatif.

Bila nilai DW terletak diantara batas atas (DW) dan batas bawah (DL) atau DW terletak antara (4-DU) dan (4-DL), maka hasilnya tidak dapat disimpulkan.