iv
iv
b. Uji Asumsi Klasik
Uji Asumsi Klasik digunakan untuk mengetahui hasil estimasi regresi dari adanya gejala heteroskedastisitas, gejala multikolinearitas dan gejala autokorelasi.
Model regresi dapat digunakan sebagai alat estimasi tidak bias jika telah memenuhi persyaratan BLUE Best Linear Unbiased Estimator yakni tidak terdapat
heteroskedastisitas, tidak multikolinearitas dan tidak autokorelasi Gujarati,1999. Untuk mengetahui apakah persamaan sudah memiliki sifat BLUE maka perlu
dilakukan uji asumsi klasik pada model yang ditentukan agar estimasi yang akan dihasilkan tidak bias. Uji asumsi klasik yang digunakan adalah :
1. Multikolinearitas
Salah satu asumsi model regresi linear klasik adalah bahwa tidak terdapat masalah multikolinearitas diantara variabel yang menjelaskan yang termasuk dalam
model regresi. Jika dalam model terdapat multikolinearitas, maka model tersebut memiliki standar yang besar, sehingga koefisien tidak dapat ditaksir dengan ketepatan
tinggi.Cara meneliti ada tidaknya multikolinearitas dalam penelitian ini menggunakan perhitungan regresi pelengkap auxiliary regressions.
1 ,
, ,
, 1
2 ,
, ,
,
5 4
3 2
1 2
5 4
3 2
1 2
+ -
- -
= k
n x
x x
x x
R k
x x
x x
x R
Fi
.......................................................4.6
79 .
5844 1
5 110
0059 .
2 5
9941 .
= +
- -
= Fi
v
v
Jika F
hitung
F
i
, maka terdapat hubungan kolinear antara masing-masing variabel bebas X
i
….X
k
. Jika F
hitung
F
i
, maka X
i
tidak kolinear dengan X lainnya, demikian juga terhadap X
2
, X
3
, X
4
, dan X
5
. Oleh karena F
hitung
F
i
, maka X
i
tidak kolinear dengan X lainnya demikian juga terhadap X
2
, X
3
, X
4
, dan X
5
, sehingga kelima variabel tersebut dapat dipertahankan dalam model regresi.
2. Heteroskedastisitas
Heteroskedastisitas terjadi jika gangguan muncul dalam fungsi regresi yang mempunyai varian yang tidak sama sehingga penaksir OLS tidak efisien, baik dalam
sampel kecil maupun sampel besar. Pengujian heteroskedastisitas dalam penelitian ini akan menggunakan uji Park, yaitu dengan meregresi nilai residual e
t
yang dikudratkan dengan variable bebas. Jika regresi menghasilkan probabilitas tidak
signifikan pada , maka tidak terdapat masalah heteroskedastisitas. Sebaliknya
jika regresi menghasilkan nilai probabilitas signifikan pada maka terdapat
masalah heteroskedastisitas.
Tabel 4.39 Hasil Uji Park
Variabel Nilai Probabilitas
Keseimpulan Biaya perjalanan
0.5943 Homoskedastisitas
Pendidikan 0.4451
Homoskedastisitas Penghasilan
0.7206 Homoskedastisitas
Jarak 0.6123
Homoskedastisitas Usia
0.4654 Homoskedastisitas
Sumber: olah data eviews 3.0
vi
vi
3. Autokorelasi
Autokorelasi merupakan suatu asumsi penting dari model linear klasik. Hal ini menandakan suatu kondisi yang berurutan diantara gangguan atau disturbansi u
i
yang masuk ke dalam fungsi regresi populasi. Autokorelasi didefinisikan sebagai korelasi
antara anggota serangkaian observasi yang diurutkan menurut waktu dan ruang. Dalam hal ini asumsinya adalah autokorelasi tidak terdapat dalam disturbansi atau
gangguan u
i
. Adanya autokorelasi antara variabel gangguan menyebabkan penaksir tidak lagi efisien baik dalam sampel kecil maupun dalam sampel besar.
Dalam mendeteksi ada tidaknya masalah autokorelasi maka digunakan Lagrange Multiplier
ML test. Uji ini dilakukan dengan meregresi semua variabel bebas dan variabel tidak bebas, kemudian dilakukan uji Breusch-Godfrey terhadap
residu dari hasil regresi model tersebut bentuk log-log sehingga diperoleh nilai observasi R square untuk kemudian dibanding
kan dengan χ
2
α=5 dengan derajat kebebasan satu.
Kriteria pengujiannya adalah jika nilai observasi R
2
χ
2
atau n-1 R
2
χ
2
, maka terdapat masalah autokorelasi. Sebaliknya, jika nilai observasi R
2
χ
2
atau n- 1 R
2
χ
2
, maka tidak terdapat masalah autokorelasi.
Table 4.40 Hasil LM test untuk Mendekteksi Autokorelasi
Breusch-Godfrey Serial Correlation LM Test: F-statistic
0.510000 Probability 0.605197