41
menjadi variabel dependen dan diregress 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 tinggi karena VIF = 1Tolerance. Nilai cut off yang umum dipaki untuk
menunjukkjan adanya multikolinearitas adalah nilai Tolerance0,10 atau sama dengan nilai VIF10.
3.8.2.3 Uji Heteroskedastisitas
Menurut Ghozali 2006:105 uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidkasamaan variance dari
residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamtan lain tetap, maka disebut
homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi
heteroskedastisitas. Kebanyakan data cross section mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili
berbagai ukuran kecil, sedang, dan besar. Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas
adalah dengan melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID.
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan
Universitas Sumatera Utara
42
melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah
diprediksi, dan sumbu X adalah residual Y prediksi – Y
sesungguhnya yang telah di studentized. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
bergelombang, melebar
kemudian menyempit,
maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada
pola yang jelas, serta titik-titik menyebar di atas dan si bawah angka 0 pada sumbu Y, maka terjadi heteroskedastisitas.
3.8.2.4 Uji Autokorelasi
Menurut Ghozali 2006:95 uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan
pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada masalah autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan
pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data time series karena “gangguan”
pada seorang individukelompok cenderung mempengaruhi “gangguan” pada individukelompok yang sama pada periode
berikutnya.
Universitas Sumatera Utara
43
Pada data crosssection, masalah autokorelasi relatif jarang terjadi karena “gangguan” pada observasi yang berbeda berasal
dari individu kelompok yang berbeda. Model regresi yang baik adalah yang bebas dari autokorelasi. Cara menguji autokorelasi
adalah dengan melihat model regresi linier berganda terbebas dari autokorelasi apabila nilai Durbin Watson berada dibawah angka 2.
3.8.3 Pengujian Hipotesis
