bahwa tidak terdapat gejala multikolinearitas antar variabel independen. Gejala multikolinearitas terjadi apabila nilai korelasi antar variabel
independen lebih besar dari 0,90 Ghozali, 2006:91.
4.2.3 Uji Non-Autokorelasi atau Independensi Residual Independent
Errors
Uji independensi residual uji non-autokorelasi merupakan suatu uji untuk memeriksa apakah untuk setiap dua pengamatan residual saling
berkorelasi atau tidak Field, 2009:220.Supranto 2005:151 mengartikan non-autokorelasi sebagai tidak terjadinya korelasi antara kesalahan
pengganggu yang satu dengan yang lainnya. Meskipun terjadinya autokorelasi terhadap estimator-estimator yang dihasilkan oleh metode
ordinary least square OLS tetap tak bias unbiased, konsisten consistent, dan terdistribusi normal secara asimtotis, namun estimator-
estimator tersebut tidak lagi efisien. Sebagai akibatnya, pada uji t, F, dan chi kuadrat tidak lagi sah untuk digunakan Gujarati, 2003:489. Salah satu
cara yang digunakan untuk mendeteksi autokorelasi adalah dengan uji Breusch-Godfrey BG Test. Dasar pengambilan keputusan adalah melihat
angka probabilitas dari statistik BG, dengan ketentuan sebagai berikut :
Jika nilai Prob. Chi-Square dari Obs R-squared ≥ 0,05, maka tidak terjadi autokorelasi.
Jika nilai Prob. Chi-Square dari Obs R-sqaured 0,05, maka terjadi autokorelasi.
Tabel 4.3 Uji Autokorelasi dengan Uji Breusch-Pagan-Godfrey
Heteroskedasticity Test: Breusch-Pagan-Godfrey F-statistic
0.319348 Prob. F2,39 0.7285
ObsR-squared 0.676744 Prob. Chi-Square2
0.7129 Scaled explained SS
0.317288 Prob. Chi-Square2 0.8533
Test Equation: Dependent Variable: RESID2
Method: Least Squares Date: 032515 Time: 07:25
Sample: 1 42 Included observations: 42
Variable Coefficient
Std. Error t-Statistic
Prob. C
0.000376 0.000102
3.698890 0.0007
BM -5.62E-10
7.12E-10 -0.788434
0.4352 PAD
6.22E-10 1.17E-09
0.531784 0.5979
R-squared 0.016113 Mean dependent var
0.000321 Adjusted R-squared
-0.034343 S.D. dependent var 0.000339
S.E. of regression 0.000345 Akaike info criterion
-13.03874 Sum squared resid
4.64E-06 Schwarz criterion -12.91462
Log likelihood 276.8136 Hannan-Quinn criter.
-12.99325 F-statistic
0.319348 Durbin-Watson stat 2.175498
ProbF-statistic 0.728504
Sumber : hasil olahan software Eviews 7
Berdasarkan Gambar 4.3, nilai Prob. Chi-Square dari Obs R-squared = 0,7129
≥ 0,05, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
Asumsi mengenai independensi terhadap residual non- autokorelasi juga dapat diuji dengan menggunakan uji Durbin-Watson
Field, 2009:220.Riyanto 2012:59 menyatakan jika nilai statistik Durbin-Watson -2 sd +2, maka asumsi independensi terhadap residual
non-autokorelasi terpenuhi.Sebaliknya, bila nilai statistik Durbin-Watson -2 atau 2, berarti asumsi independensi terhadap residual non-
autokorelasi tidak terpenuhi.
Tabel 4.4 Uji Autokorelasi dengan Uji Durbin-Watson
Dependent Variable: PE Method: Least Squares
Date: 032515 Time: 07:25 Sample: 1 42
Included observations: 42 Variable
Coefficient Std. Error
t-Statistic Prob.
BM 1.88E-08
3.84E-08 0.490481
0.6265 PAD
5.95E-08 6.31E-08
0.943427 0.3513
C 0.115624
0.005484 21.08434
0.0000 R-squared
0.055118 Mean dependent var 0.120793
Adjusted R-squared 0.006662 S.D. dependent var
0.018660 S.E. of regression
0.018598 Akaike info criterion -5.062822
Sum squared resid 0.013489 Schwarz criterion
-4.938703 Log likelihood
109.3193 Hannan-Quinn criter. -5.017327
F-statistic 1.137489 Durbin-Watson stat
1.974238 ProbF-statistic
0.331029
Sumber : hasil olahan software Eviews 7
Berdasarkan Gambar 4.4, nilai dari statistik Durbin-Watson adalah 1,197. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di
antara -2 dan +2, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.4 Uji Heteroskedastisitas