Uji Autokorelasi Uji Heteroskedastisitas

Tabel 4.4 Uji Multikolonieritas setelah Ln Collinearity Statistics Tolerance VIF 1 Constant LnPAD .641 1.561 LnDAU .766 1.305 LnDAK .741 1.350 LnDBH .490 2.040 Dependent Variable : LnBM

4.1.4. Uji Autokorelasi

Uji ini dilakukan untuk mengetahui apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dan dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Pengujian asumsi ketiga ini, dilakukan dengan menggunakan uji Durbin Watson DW test, yaitu untuk menguji apakah terjadi korelasi serial atau tidak dengan menghitung nilai d statistik. Salah satu pengujian yang digunakan untuk mengetahui adanya autokorelasi adalah dengan memakai uji statistik DW test. Berikut ini adalah hasil Uji Autokorelasi dengan uji statistik Durbin Watson : Sumber : Output SPSS Tabel 4.5 Uji Autokorelasi Setelah Ln Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .909 a .825 .800 231752.107 1.887 a. Predictors: Constant, LnDBH, LnDAU, LnDAK, LnPAD b. Dependent Variable: LnBM Sumber : Output SPSS Hasil uji Autokorelasi pada tabel 4.5 di atas dapat dilihat bahwa nilai Durbin Watson adalah 1,887, dengan jumlah unit analisis 33, jumlah variabel bebas 4 nilai dl= 1,1927 dan du= 1.7298 maka nilai DW 1,887 berada diantara -2 sampai +2 dan dapat disimpulkan tidak terdapat masalah autokorelasi.

4.1.5. Uji Heteroskedastisitas

Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians, 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. Uji statistik yang digunakan adalah Uji Scatterplot dan Uji Glesjer. Uji Scatterplot digunakan untuk mendeteksi ada atau tidaknya Heteroskedastisitas yaitu dengan melihat grafik plot antara lain nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada atau tidaknya Heteroskedastisitas dapat dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik Scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dsan sumbu X adalah residual Y prediksi-Y sesungguhnya yang telah di studentized. Berikut ini adalah hasil Uji Scatterplot Model : Gambar 4.2 Hasil Scatterplot Model Setelah Ln Sumber : Output SPSS Hasil Scatterplot Model pada gambar 4.2 diatas dapat diketahui bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y,maka tidak terjadi Heteroskedastisitas. Hasil uji Glesjer pada Tabel 4.6 di bawah ini menunjukkan koefisien parameter untuk variabel independen tidak ada yang signifikan, hal ini terlihat dari probabilitas signifikansinnya diatas tingkat kepercayaan 5 α = 0,05. Jadi dapat disimpulkan model regresi tidak mengandung adanya Heteroskedastisitas. Berikut ini adalah hasil Uji Glesjer : Tabel 4.6 Hasil Uji Glesjer Setelah Ln Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -789334.882 3.628E6 -.218 .829 LnPAD -66983.650 102805.379 -.149 -.652 .520 LnDAU -46621.069 200424.486 -.048 -.233 .818 LnDAK 118551.853 341804.507 .074 .347 .731 LnDBH 139705.788 112563.089 .323 1.241 .225 Dependent Variable : abresid Sumber : Output SPSS

4.1.6. Analisis Regresi