0,320 atau sekitar 32,0 dengan variabel LG10_LA. Variabel LG10_AKI mempunyai korelasi sebesar -0,104 atau sekitar 10,4 dengan variabel
LG10_AKO dan -0,301 atau sekitar 30,1 dengan variabel LG10_LA. Variabel LG10_AKO mempunyai korelasi sebesar -0,412 atau sekitar 41,2 dengan
variabel LG10_LA. Hasil dari coefficient correlations tersebut menunjukkan tidak ada korelasi yang tinggi umumnya diatas 0,95, maka hal ini merupakan
indikasi tidak adanya multikolinearitas.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan
menggunakan program SPSS. Dasar pengambilan keputusannya adalah: 1
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengindikasikan telah terjadi heteroskedastisitas, 2
Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi
homoskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi
heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik pada gambar.
Universitas Sumatera Utara
Gambar 4.5 Scatterplot
Sumber: Data yang diolah penulis, 2010.
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya
Universitas Sumatera Utara
data observasi yang sangat berbeda dengan data observasi yang lain . Hasil tampilan output SPSS ini dengan jelas menunjukkan tidak ada indikasi terjadi
heteroskedastisitas.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada
data time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson. Untuk uji
Durbin Watson memiliki ketentuan sebagai berikut: Tabel 4.7
Uji Statistik Durbin-Watson
Durbin-Watson Kesimpulan
1.10 Ada autokorelasi
1.11 – 1.54 Tanpa kesimpulan
1.55 – 2.46 Tidak ada autokorelasi
2.47 – 2.90 Tanpa kesimpulan
2.90 Ada autokorelasi
Sumber : Algifari 2000
Universitas Sumatera Utara
Tabel 4.8 Hasil Uji Durbin Watson
Sumber: Data yang diolah penulis, 2010.
Tabel 4.8 memperlihatkan nilai statistik D-W sebesar 2,098 yang berarti berada di antara interval ketentuan 1,55 – 2,46 sehingga tidak terjadi autokorelasi
positif maupun autokorelasi negatif.
3. Analisis Regresi