3.4.2.2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah di dalam model regresi ditemukan adanya korelasi antar variabel independen Ghozali, 2011. Model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling korelasi, maka variabel-variabel ini tidak
orthogonal. Variabel orthogonal adalah variabel independen yang nilai korelasi antar sesama variabel sama dengan nol. Untuk mendeteksi ada atau tidaknya
multikolinearitas di dalam model, penulis akan melihat Tolerance dan Variance Inflation Factor VIF dengan alat bantu program Statistical Product and Service
Solution SPSS. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan variabel independen lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1Tolerance. Nilai cut off yang
umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0.10 atau sama dengan nilai VIF 10. Jika nilai tolerance 0.10 atau
sama dengan VIF 10, berarti tidak ada multikolinearitas antar variabel dalam model regresi Ghozali, 2011.
3.4.2.3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam model regresi linier memiliki korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi
yang bebas dari autokorelasi Ghozali, 2011. Untuk melakukan pengujian ada
tidaknya masalah autokorelasi, penulis akan melakukan uji Durbin-Watson dengan syarat du DW 4 - du Ghozali, 2011.
3.4.2.4. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas. Sebuah model regresi yang baik adalah model regresi yang mempunyai data yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Jika tidak ada pola yang jelas, serta titik-titik yang terbentuk harus menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas Ghozali, 2011. Untuk mendeteksi ada atau tidaknya heteroskedastisitas, dapat dilakukan dengan
melihat ada atau tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED di mana sumbu Y adalah Y yang telah diprediksi, dan sumbu X
adalah residual Y prediksi - Y sesungguhnya yang telah di-studentize.
3.4.3. Uji Kelayakan Model
3.4.3.1. Uji F
Uji F dilakukan untuk mengetahui apakah semua variabel independen yang dimasukkan ke dalam model mempunyai pengaruh secara bersama-sama
simultan terhadap variabel dependen. Jika probabilitas dalam uji F lebih kecil dari 0,05 atau 5 maka hal ini berarti variabel independen yang dimasukkan ke
dalam model mempunyai pengaruh secara bersama-sama simultan terhadap variabel dependen. Sebaliknya jika probabilitas dalam uji F lebih besar dari 0,05
atau 5 maka hal ini berarti variabel independen yang dimasukkan ke dalam model tidak mempunyai pengaruh secara bersama-sama simultan terhadap
variabel dependen.
3.4.3.2. Uji Koefisien Determinasi R
2
Koefisien determinasi R
2
pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien dtereminasi
adalah antara nol dan satu. Nilai R
2
yang kecil berarti kemampuan variabel- variabel independen dalam menjelaskan variasi variabel dependen amat terbatas,
nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel
dependen. Secara umum koefisien determinasi untuk data silang crossection relatif rendah karena adanya variasi yang besar antara masing-masing
pengamatan, sedangkan untuk data runtun waktu time series biasanya mempunyai nilai koefisien determinasiyang tinggi Ghozali, 2011.
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan
satu variabel independen maka R
2
pasti meningkat, tidak perduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena
itu banyak peneliti menganjurkan untuk menggunakan nilai adjusted R
2
pada saat mengevaluasi model regresi mana yang terbaik. Tidak seperti R
2
, nilai adjusted R
2
dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model.
Dalam kenyataan nilai adjusted R
2
dapat bernilai negatif, walaupun yang dikehendaki harus bernilai positif. Jika dalam uji empiris didapat nilai adjusted
Kategori