51 heterokedastisitas, dengan kata lain bahwa jika terdapat heterokedastisitas
maka model tersebut kurang efisien” Santoso, 2001:208. Dasar yang dapat digunakan untuk menentukan
heterokesdastisitas, antara lain: 2.
Jika ada pola tertentu, seperti titik –titik yang membentuk suatu pola tertentu teratur, bergelombang, melebar, kemudian
menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
3. Jika tidak ada pola tertentu serta titik–titik menyebar diatas dan
dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas maka mengindikasikan telah terjadi
heteroskedastisitas. Gozhali, 2013:139
3.6.1.3 Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah dalam model
regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi
korelasi, maka dinamakan ada masalah autokorelasi Ghozali, 2013:110. 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
Universitas Sumatera Utara
52
lainnya yang biasanya dijumpai pada data deret waktu time series.
Konsekuensi adanya autokorelasi dalam model regresi adalah varians sampel tidak dapat menggambarkan varians populasinya, sehingga model
regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen pada nilai independen tertentu.
Salah satu pengujian yang digunakan untuk mengetahui adanya autokorelasi adalah dengan memakai uji Durbin Watson DW Test, yaitu
yaitu jika nilai DW terletak daiantar du dan 4-du atau du DW 4-du maka dapat dipastikan tidak terjadi autokorelasii.
3.6.1.4 Uji Multikolinearitas
Uji ini dilakukan untuk mengetahui apakah ada tidaknya korelasi yang tinggi antara variable-variabel independen dalam suatu model regresi
linear berganda.. Selain itu deteksi terhadap multikoliniearitas juga bertujuan untuk menghindari bias dalam proses pengambilan keputusan
mengenai pengaruh pada uji parsial masing-masing variabel independen terhadap variabel dependen.
Menurut Ghozali, 2013 : 105, untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi, dapat dilihat dari nilai tolerance
dan lawannya, serta variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh
variabel independen lainnya. Dalam pengertian sederhana setiap variabel
Universitas Sumatera Utara
53 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 tinggi karena VIF = 1Tolerance. Nilai Cutoff yang umum dipakai untuk
menunjukkan adanya multikolinearitas adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10.
Ada beberapa cara yang dapat digunakan jika terjadi multikolinearitas, yaitu :
1. Mengeluarkan salah satu atau lebih variable independen yang
mempunyai korelasi tinggi dari model regresi dan identifikasi variabel independen lainnya untuk membantu prediksi
2. Menggabungkan data cross section dan time series pooling data
3. Menambah data penelitian
3.6.2 Pengujian Hipotesis
