38
3.8.1.3 Uji Heterokedastisitas
Menurut Erlina 2011:105, “salah satu asumsi yang penting dari model regresi linear adalah varian residual bersifat
homokedastisitas atau bersifat konstan.” Jika varian residual berbeda, maka terjadi heterokedastisitas. Model regresi yang baik adalah yang
tidak terjadi heterokedastisitas. Untuk mendeteksi heterokedastisitas dapat dilakukan dengan
dua cara, yaitu: 1. Melihat grafik Scatterplot, cara memprediksi pola gambar
Scatterplot adalah dengan: a. Jika ada pola tertentu, seperti titik-titik yang ada
membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan
telah terjadi heterokedastisitas. b. Jika tidak ada pola yang jelas, serta titik-titik yang
menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas.
2. Pendekatan statistik dengan melakukan Uji Glejser. Uji Glejser dilakukan dengan meregres nilai absolut residual terhadap variabel
independen. Jika variabel independen signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadi
heterokedastisitas. Namun jika tidak signifikan berarti tidak terjadi heterokedastisitas.
39
3.8.1.4 Uji Autokorelasi
Tujuan uji autokorelasi adalah untuk melihat apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pengganggu pada periode t-1 periode sebelumnya. Autokorelasi muncul karena observasi yang berurutan
sepanjang tahun pengamatan dan karena residual atau kesalahan pengganggu tidak bebas dari satu pengamatan ke pengamatan lainnya.
Model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Untuk mendeteksi autokorelasi dapat dilakukan dengan uji Durbin Watson. Pengambilan keputusan bahwa tidak terjadi
autokorelasi yaitu dengan ketentuan: a. Angka DW di bawah -2 berarti ada autokorelasi positif,
b. Angka DW di antara -2 sampai +2, berarti tidak ada autokorelasi, c. Angka DW di atas +2 berarti ada autokorelasi positif
3.8.2 Pengujian Hipotesis