Uji asumsi klasik dilakukan dengan tujuan untuk mengetahui apakah hasil analisis regresi linear berganda yang digunakan untuk menganalisis dalam penelitian ini terbebas dari penyimpangan asumsi klasik yang meliputi uji normalitas, multikolinearitas, heteroskedastisitas dan autokorelasi. Masing-masing uji tersebut akan dijelaskan dalam uraian berikut.
Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah dalam model linier variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal (Ghozali, 2013). Terdapat berbagai cara yang dapat digunakan unuk melakukan deteksi uji normalitas.salah satunya menggunakan uji one sample Kolmogorov-smirnov uji ini dianggap lebih mudah dibandingkan uji normalitas menggunakan grafik yang bisa menyesatkan ketika tidak hati-hati dalam menganalisis. Dasar pengambilan keputusan uji statistik Kolmogrov-smirnov Z (1-Sample K-S) adalah sebagai berikut :
- Jika nilai Asymp-sig. (2-tailed) kurang dari 0,05 maka H0 ditolak. Hal ini berarti data residual terdistribusi tidak normal.
- Jika nilai Asymp-sig. (2-tailed) lebih dari 0,05 maka H0 diterima. Hal ini berarti data residual terdistribusi normal.
Uji Linieritas
Uji linieritas digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Apakah fungsi yang digunakan dalam suatu studi empiris sebaiknya berbentuk linear, kuadrat, atau kubik. Dengan uji linearitas akan diperoleh informasi apakah model empiris sebaiknya linear, kuadrat atau kubik (Ghozali, 2013:166). Dalam penelitian kali ini peneliti menggunakan uji Lagrange Multiplier. Uji ini bertujuan untuk mendapatkan nilai c hitung ( n x R2).
Penerimaan hipotesis ini adalah jika hitung lebih > tabel, maka hipotesis yang menyatakan model linear adalah ditolak. Sementara jika hitung < tabel, maka dapat disimpulkan bahwa model berbentuk linear.
Uji Multikolinieritas
Uji ini bertujuan untuk menguji apakah pada model regresi yang diteliti ditemukan adanya korelasi antara variabel independen. Ghozali (2013:105) mengatakan bahwa jika variabel independen saling berkolerasi, maka variabel ini tidak orthogonal. Variabel orthogonal adalah variabel independen yang nilai korelasinya sama dengan nol. Dengan kata lain model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen. untuk mendeteksi ada atau tidaknya multikolinearitas dalam model regresi dapat dilakukan dengan menggunakan cara sebagai berikut :
- Nilai R² yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
- Menganalisis matrik korelasi variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya diatas 0.90), maka hal ini merupakan indikasi adanya multikolinieritas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolinieritas. Multikolinieritas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
- Multikoliniearitas dapat juga dilihat dari nilai tolerance dan lawannya yaitu Variance Inflation Faktor (VIF). Nilai tolerance dan VIF menunjukkan bahwa setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerancemengukur variabilitas variabel independen lainnya, dalam pengertian sederhana setiap variabel independen menjadi variabel dependen (terikat) dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena nilai VIF=1/Tolerance). Nilai cutoffyang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance≤0.10 atau sama dengan nilai VIF≥10. Setiap peneliti harus menentukan tingkat kolonieritas yang masih dapat ditolerir, missal nilai tolerance=0.10 sama dengan tingkat kolonieritas 0.95. Walaupun multikoliniearitas dapat dideteksi dengan nilai tolerance dan VIF, tetapi masih tetap tidak dapat mengetahui variabel-variabel independen mana sajakah yang saling berkorelasi (Ghozali, 2013:105).
Uji Autokorelasi
Uji autokorelasi dilakukan dengan tujuan untuk melakukan pengujian terhadap model regresi, apakah dalam model regresi linear ada kolerasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1. Auto korelasi muncul disebabkan observasi yang berurutan sepanjang waktu berkaitan antar satu sama lain. Hal ini disebabkan karena residual tidak bebas dari satu observasi ke observasi lainnya. Hal ini biasanya ditemukan pada data time series (Ghozali, 2013:110). Untuk mengetahui adanya korelasi dalam suatu regresi dapat dilakukan dengan uji Run Test. Hipotesis yang akan di uji dalam penelitian adalah :
Ho : residual (Res_1) random (acak)
Ha : residual (Res_1) tidak random
Pengambilan keputusan ada tidaknya autokorelasi adalah membandingkan nilai probabilitas signifikansi dengan tingkat signifikansi yang ditetapkan yaitu 0,05. Apabila koefisiens signifikansi lebih besar dari tingkat signifikansi yang ditetapkan, maka dapat disimpulkan hipotesis Ho diterima. Dengan demikian dapat disimpulkan bahwa residual random atau tidak terjadi autokorelasi antar nilai residual (Imam Ghozali, 2013: 120-121)
Uji Heterokedastisitas
Uji Heterokedastisitas digunaka untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain (Ghozali, 2013:139). Ketika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas. Sementara jika sebaliknya residual satu pengamatan ke pengamatan lain berbeda maka disebut heterokedastisitas. Cara yang digunakan untuk melakukan deteksi ada atu tidaknya heteroskedastisitas dapat dilaukan dengan melihat grafik plot antara nilai prediksi variabel terkait (dependen) yaitu ZPRED dengan residual SRESID. Ada atau tidaknya heterokedastisitas dapat dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatterplot, apabila titik-titik membentuk suatu pola bergelombang, melebar kemudian menyempit maka telah terjadi heteroskedastisitas, jika tidak ada pola yang jelas serta titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Namun demikian penggunaan grafik plot terdapat beberapa kelemahan yang cukup signifikan yang disebabkan jumlah pengamatan mempengaruhi hasil ploting. Untuk mengatasi hal tersebut beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya heteroskedastisitas yaitu dengan menggunakan Uji Park, Uji Glester dan Uji White (Ghozali 2013:139)
Untuk mendeteksi ada atau tidaknya heterokedastisitas dilakukan dengan motode park.Dalam pengambilan keputusan ketika menggunakan uji park digunakan dasar sebagai berikut :
- Jika nilai signifikansi lebih besar dari 0,05 maka dalam model regresi tidak terjadi heterokedastisitas
Jika nilai signifikan lebih kecil dari 0,05 maka dapat disimpulkan di dalam model regresi terjadi heterokedastisitas