Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal.

Data yang berdistribusi normal seperti sebagai contoh jika dalam 100 buah jeruk semua rasa jeruk adalah asam, maka data tidak normal. Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel penelitian. Uji normalitas dilakukan untuk menguji apakah variabel bebas/independent/(X) dan variabel terikat/dependen/(Y) dalam model regresi memiliki distribusi normal atau tidak (Juliandi et al.,2014).

Ajija (2011) uji normalitas diperlukan ketika jumlah observasi kurang dari 30. Uji normalitas digunakan untuk mengetahui apakah error term mendekati distribusi normal. Jika jumlah observasi melebihi 30, maka tidak perlu dilakukan uji normalitas karena distribusi sampling error term telah mendekati normal. Jika misal menggunakan 285 observasi maka uji normalitas dapat diabaikan.

Apabila data cenderung tidak normal maka dapat digunakan asumsi Central Limit Theorem yaitu jika jumlah observasi lebih dari 30, maka tidak perlu dilakukan uji normalitas dan dapat diabaikan (Ajija dkk, 2011:42). Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov, uji Shapiro-wilk dan lain sebagainya.

Berikut penjelasan uji normalitas dengan menggunakan Grafik histogram normal p-p plot, One Sample Kolmogorov Smirnov dan uji Shapiro-wilk  :

  1. Grafik histogram normal p-p plot of regression standarized residual.
    Dengan ketentuan :
    Distribusi yang normal akan membentuk suatu garis lurus diagonal. Jika distribusi data residual normal, maka garis yang menggambarkan data residual akan mengikuti garis diagonalnya, data yang normal akan  memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul ditengah. Jika gambar membentuk garis lurus diagonal dan titik – titik menyebar di sekitar garis diagonal serta mengikuti arah garis diagonalnya. Sehingga, hal tersebut dapat dikatakan bahwa residual telah terdistribuasi dengan normal.
  2. One Sample Kolmogorov Smirnov :
    Kriteria :
    Ketentuan yang harus dipenuhi jika melakukan uji One Sample Kolmogorov-Smirnov yaitu, jika nilai signifikansi > 0,05 maka data yang digunakan dalam penelitian memiliki distribusi yang normal. Namun, kebalikannya, jika nilai signifikansi < 0,05 maka data yang digunakan tidak memiliki distribusi yang normal. Jika nilai di atas 0,05 maka distribusi data dinyatakan memenuhi asumsi normalitas, dan jika nilai di bawah 0,05 maka diinterpretasikan sebagai tidak normal. 
  3. Uji Shapiro-wilk. Kriteria pengambilan keputusan dari uji Shapiro-wilk adalah sebagai berikut :
    1. Apabila nilai signifikansi > 0,05 , maka distribusi data memenuhi asumsi normalitas.
    2. Apabila nilai signifikansi < 0,05 , maka distribusi data tidak memenuhi asumsi normalitas

Referensi

  • Ajija, Shochrul Rohmatul, dkk. 2011. Cara Cerdas Menguasai Eviews. Jakarta: Salemba Empat.
  • Juliandi A, Irfan, Manurung S. 2014. Metodologi Penelitian Bisnis: Konsep dan Aplikasi. Medan: UMSU Press.

Image Sources: Google Images