b. Uji heteroskedastisitas
Ghozali 2005 menyatakan uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan kepengamatan yang lain. Jika variance dari satu pengamatan ke pangamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut
heterokedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas atau terjadi homokedastisitas.
Cara mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan
program SPSS. menurut Ghozali 2005, dasar pengambilan keputusan adalah jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur
bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heterokedastisitas atau tidak dengan cara mengamati penyebaran titik-titik
pada grafik.
Universitas Sumatera Utara
Gambar 4.3 Scatterplot
Sumber: Data diolah peneliti, 2011
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak dengan tidak adanya pola yang jelas serta tersebar baik diatas maupun dibawah
angka 0 pada sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heterokedastisitas.
Universitas Sumatera Utara
c. Uji autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
perode t-1 sebelumnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Masalah autokorelasi umumnya terjadi pada regresi yang datanya
time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah dalam autokorelasi diantaranya adalah dengan uji Durbin-Watson. Menurut
Sunyoto 2009, Pengambilan keputusan ada tidaknya autokorelasi adalah:
1 Angka D-W dibawah -2 berarti ada autokorelasi positif,
2 Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi,
3 Angka D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.5 Hasil Uji Durbin-Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 ,997
a
,993 ,992
,08637 1,807
a. Predictors: Constant, X5, X2, X3, X4, X1 b. Dependent Variable: KP
Sumber: Data diolah peneliti, 2011
Tabel 4.6 menunjukkan hasil autokorelasi variabel penelitian. Berdasarkan hasil pengujian diperoleh bahwa tidak terjadi autokorelasi antar kesalahan
pengganggu antar periode. Hal ini dilihat dari nilai Durbin-Watson D-W sebesar 1,807. Angka tersebut berada diantara -2 dan +2, artinya bahwa angka DW lebih
besar dari -2 dan lebih kecil dari +2 -2 1,807 +2. Jadi dapat disimpulkan bahwa tidak ada autokorelasi positif maupun negatif.
Universitas Sumatera Utara
3. Analisis regresi