67
2. Uji Asumsi Klasik
a. Normalitas
Salah satu asumsi dalam analisis statistika adalah data berdistribusi normal. Dalam analisis multivariante, para peneliti menggunakan
pedoman kalau setiap variabel terdiri atas 30 data, maka data sudah berdistribusi normal. Namun untuk menguji lebih akurat diperlukan
analisis lebih lanjut Winarno.2009 :53. Uji normalitas ini sendiri bertujuan untuk menguji apakah dalam sebuah model regresi, variabel
dependen, variabel independen atau keduanya mempunyai distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data
normal atau mendekati normal. Gujarati, 2007;64. Uji normalitas residual metode OLS secara formal dapat dideteksi
dari metode yang dikembangkan oleh Jarque-Bera J-B. Deteksi dengan melihat Jarque-Bera test yang merupakan asimtotis sampel besar dan
didasarkan atas residual OLS. Uji statistik dari J-B menggunakan perhitungan skewness dan kurtosis.
Uji Hipotesis Ho : data normal
H
1
: data tidak normal 1. Pada Output Eviews 5.0 adalah sebagai berikut : Widarjono,
2007:54 Jika probability JB
test lebih besar α 5 = data berdistribusi normal terima Ho, tolak H
1
68
Jika probability JB test lebih kecil α 5 = data tidak berdistribusi
normal terima Ho, tolak H
1
b. Multikolinearitas
Multikolinearitas adalah kondisi adanya hubungan linear antar variable independen. Karena melibatkan beberapa variable independen,
maka multikolinearitas tidak akan terjadi pada persamaan regresi sederhana Winarno, 2009:14. Kondisi terjadinya multikolinearitas
ditunjukan dengan berbagai informasi berikut : Nilai R² tinggi tetapi variable independen banyak yang tidak
signifikan. Dengan menghitung koefisien korelasi antar variable independen.
Apabila koefisiennya rendah, maka tidak terdapat multikolinearitas. Dengan melakukan regresi auxilary. Regresi jenis ini digunakan untuk
mengetahui hubungan antara dua variable atau lebih yang mempengaruhi satu variable independen yang lain. Jika nilai F hitung
F kritis maka α dan derajat kebebasan tertentu, maka model mengandung unsur multikolinearitas.
Cara mendeteksi adanya multikolinearitas dengan menggunakan regresi Auxilliary yaitu dengan melihat secara individual antar satu
variable independen dengan satu variable independen yang lain. Widarjono, 2007 :115.
1. Uji Hipotesis H0 = tidak ada multikolinearitas
69
H1 = ada multikolinearitas 2. Pada Output Eviews 5.0 adalah sebagai berikut:
Jika nilai probability F- statistik lebih kecil α 5 maka tidak terjadi
multikolinearitas terima H0, tolak H1 Jika nilai F-
statistik lebih besar α 5 maka terjadi multikolinearitas tolak Ho, terima H
1
c. Heteroskedastisitas
Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Tidak adanya heteroskedastisitas dapat dinyatakan sebagai berikut:
Gujarati, 2007:82 Pada persamaan diatas varians adalah tetap sebesar untuk setiap
ketidaksamaan inilah yang disebut sebagai heterokedastisitas. Pada heterokedastisitas terdapat pengaruh positif antara X dan Y, dimana nilai
Y meningkat searah dengan nilai X, semakin besar nilai variable bebas X dan variable Y, semakin jauh koordinat X,Y dari garis regresi error
makin besar. Pendeteksian heterokedastisitas dalam model ini dengan
menggunakan Uji White Heteroskedastisity yanitu dengan melakukan estimasi fungsi regresi terlebih dahulu dengan menspesifikasikan variable
bebas dan variable tidak bebas. Gujarati, 2007:89. Dari hasil uji White Heterokedastisity kriteria untuk mengetahui
ada tidaknya heterokedastisitas jika: Winarno, 2007:165. 1. Uji Hipotesis
70
H0 = tidak ada Heterokedastisitas H1 = ada Heterokedastisitas
2. Pada output Eviews 5.0 adalah sebagai berikut: Probabilitas R²
lebih besar α 5 = tidak ada heterokedatisitas terima H
, tolak H
1
Probabilitas R² lebih keciil α 5 = ada heterokedatisitas tolak H
, terima H
1
d. Autokorelasi
Secara harfiah autokorelasi berarti adanya korelasi antara anggota observasi satu dengan observasi lain yang berlainan waktu. Dalam
kaitanya dengan asumsi metode OLS, autokorelasi merupakan korelasi antara satu residual dengan residual lainnya. Sedangkan salah satu
asumsi penting OLS berkaitan dengan residual adalah tidak adanya hubungan antara residual satu dengan resisual yang lain Widarjono,
2005:177. Dalam penelitian ini untuk melihat adanya autokorelasi atau tidak
maka dapat menngunakan uji autokorelasi yang dikembangkan oleh Bruesch dan Godfrey yang lebih umum dan dikenal dengan uji Lagrange
Multiplier LM-test. 1. Uji Hipotesis
H = tidak ada Heterokedastisitas
H
1
= ada Heterokedastisitas 2. Pada output Eviews 5.0 adalah sebagai berikut:
71
Probabilitas R² lebih besar α 5 = tidak ada autokorelasi terima H0,
tolak H1 Probabilitas R²
lebih keciil α 5 = ada autokorelasi terima H0, tolak H1.
Untuk mendeteksi adanya autokorelasi dalam model bisa dilakukan dengan menggunakan uji Durbin-Warson, yaitu dengan cara
membandingkan antara DW statistik d dengan dl dan du. Jika hipotesis nol menyatakan bahwa tidak terjadi penyakit autokorelasi,
maka:
Gambar Statistik Durbin Watson
3. Uji Statistik