51
4.2 Uji Asumsi Klasik
Gujarati 2003 mengemukakan bahwa suatu model dikatakan baik untuk alat prediksi apabila mempunyai sifat-sifat best linear unbiased estimator
BLUE. Di samping itu suatu model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi ekonometrika
yang melandasinya. Suatu model regresi berganda yang digunakan untuk menguji hipotesa harus memenuhi asumsi klasik. Uji asumsi klasik dilakukan juga untuk
mendapatkan model regresi yang tidak bias dan efisien. Estimasi dari parameter-parameter dengan metode ordinary least square
OLS akan memiliki sifat ketidakbiasan unbiasedness, varians yang minimum minimum varians, dan sebagainya, yang disebut best linear unbiased estimator
BLUE Gujarati, 2003:107, Supranto, 2005:70. Dalam penggunaan regresi linear berganda, terdapat empat uji asumsi klasik, yakni uji normalitas residual, uji
multikolinearitas, uji autokorelasi, dan uji heteroskedastisitas Supranto, 2005:151.
4.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti
diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi
tidak valid untuk jumlah sampel kecil Ghozali, 2011:160, Gujarati, 2003:339, Field, 2009:221, Supranto, 2005:90. Dalam penelitian ini, uji
normalitas terhadap residual dengan menggunakan uji Kolmogorov- Smirnov. Dalam penelitian ini, tingkat signifikansi yang digunakan
Universitas Sumatera Utara
52 . Dasar pengambilan keputusan adalah melihat angka probabilitas ,
dengan ketentuan sebagai berikut: -
Jika nilai probabilitas 0,05, maka asumsi normalitas terpenuhi. -
Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi.
Tabel 4.3 Uji Normalitas
Sumber: hasil olahan software SPSS 17
Perhatikan bahwa berdasarkan Tabel 4.3, diketahui nilai probabilitas atau Asymp. Sig. 2-tailed sebesar 0,917. Dalam penelitian ini, tingkat
signifikansi yang digunakan adalah . Karena nilai probabilitas ,
yakni 0,917, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas terpenuhi.
Pengujian asumsi normalitas dapat juga digunakan pendekatan analisis grafik, histogram. Pada untuk pendekatan histogram, jika kurva
berbentuk kurva normal, maka asumsi normalitas dipenuhi. Pada pendekatan normal probability plot, jika titik-titik dots menyebar jauh menyebar
berliku-liku pada garis diagonal seperti ular dari garis diagonal, maka
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
56
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 cannot be legitimately applied
Gujarati, 2003:489. Asumsi mengenai independensi terhadap residual non-autokorelasi dapat diuji dengan menggunakan uji Durbin-Watson
Field, 2009:220. Nilai statistik dari uji Durbin-Watson berkisar di antara 0 dan 4. Field 2009:220 menyatakan sebagai berikut:
“Specifically, it Durbin-Watson tests whether adjacent residuals are correlated. The test statistic can vary between 0 dan 4 with a value 2
meaning that the residuals are uncorrelated.
Nilai statistik dari uji Durbin-Watson yang lebih kecil dari 1 atau lebih besar dari 3 diindikasi terjadi autokorelasi. Field 2009:220-221
menyatakan sebagai berikut: “The size of the Durbin-Watson statistic depends upon the number of
predictors in the model and the number of observations. For accuracy, you
Universitas Sumatera Utara
57 should look up the exact acceptable values in Durbin and Watsons 1951
original paper. As very conservative rule of thumb, values less then 1 or greater than 3 are definitely cause for concern; however, values closer to 2
may stil be problematic depending on your sample and model. ”
Tabel 4.5 Uji Autokorelasi
Sumber: hasil olahan software SPSS 17
Berdasarkan Tabel 4.5, nilai dari statistik Durbin-Watson adalah 1,551. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di
antara 1 dan 3, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi yang tinggi pada residual.
4.2.4 Uji Heteroskedastisitas