Menurut Algifari 2000 : 83 asumsi klasik yang harus dipenuhi adalah:
a. Non-Multikoleniaritas. Artinya antara variabel independen
yang satu dengan independen yang lain dalam model regresi tidak saling berhubungan secara sempurna atau mendakati
sempurna. b.
Homoskendastisitas. Artinya tidak terdapat pengaruh dari variabel adalah konstan sama .
c. Nonotokorelasi. Artinya tidak terdapat pengaruh dari variabel
dalam model melalui tenggang waktu time lag. Misalnya nilai suatu variabel saat ini akan berpengaruh terhadap nilai
variabel lain pada masa yang akan datang. Menurut model klasik ini tidak mungkin terjadi.
d. Nilai rata – rata kesalahan error populasi pada model
stokhastiknya sama dengan nol. e.
Variabel independen adalah nonstokastik nilainya konstan pada setiap kali percobaan yang dilakukan secara berulang.
f. Distribusi kesalahan error adalah normal.
3.7.2.1 Uji Normalitas Residual
Menurut Hengky Latan dan Selva Temalagi 2013:56, Uji asumsi klasik yang pertama adalah uji normalitas. Pengujian
terhadap asumsi klasik normalitas bertujuan untuk mengetahui
Universitas Sumatera Utara
apakah residual data dari model regresi linear memiliki distribusi normal ataukah tidak. Model regresi yang baik adalah yang residual
datanya berdistribusi normal. Jika residua l data tidak tidak terdistribusi normal maka kesimpulan statistik menjadi titik valid
atau bias. Ada dua cara untuk mendeteksi apakah residual data berdistribusi normal ataukah tidak yaitu dengan melihat grafik
normal probability plot dan uji statistic One-Sample Kolmogorov smirnov Test. Apabila pada grafik normal probability plot tampak
bahwa titik-titik menyebar berhimpit di sekitar garis diagonal dan searah mengikuti garis diagonal maka hal ini dapat disimpulkan
bahwa residual data memiliki distribusi normal, atau data memenuhi asumsi klasik normalitas. Lebih lanjut pada uji statistik
One-Sample Kolmogorov smirnov Test. Jika didapat nilai signifikan 0,05, maka dapat disimpulkan bahwa data terdistribusi normal
secara multivariate.
3.7.2.2 Uji Multikolinearitas
Menurut Erlina 2011 : 102 “ uji multikolinearitas adalah situasi adanya korelasi variabel-variabel independen antara satu
dengan lainnya. Dalam hal ini kita sebut variabel-variabel bebas ini tidak orthogonal. Variabel-variabel bebas yang bersifat orthogonal
adalah variabel bebas yang memiliki nilai korelasi diantara sesamanya sama dengan nol.
Universitas Sumatera Utara
Metode yang digunakan untuk mendeteksi adanya Multikolinearitas adalah dengan menggunakan Variance Inflation
factors VIF. VIF adalah suatu estimasi berapa besar multikolinearitas meningkatkan varians pada suatu koefisien
sebuah variabel independenpenjelas Erlina,2011:103. Multikolinearitas terjadi jika VIF 10 dan nilai tolerance 0,10.
3.7.2.3 Uji Heterokedasitas
Menurut Erlina 2011 : 105 “ uji heterokedasitas bertujuan untuk melihat apakah didalam model regresi terjadi
ketidaksamaan variabel dari residual suatu pengamatan ke pengamatan yang lain”. Jika variabel residual suatu pengamatan ke
pengamatan lain tetap, maka disebut homoskedastisitas, dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik
adalah tidak terjadi heteroskedastisitas. Untuk mendeteksi ada atau tidaknya gejala
heteroskedastisitas dapat dilakukan dengan menggunakan uji Glaiser. Glaiser mengusulkan untuk meregresinilai absolute
residual terhadap variabel independen. Jika variabel indepnden ternyata signifikan secara statistik mempengaruhi variabel
dependen, maka terdapat indikasi terjadi heteroskedastisitas. Syarat untuk terbebas dari indikasi terjadi heteroskedastisitas adalah
Universitas Sumatera Utara
adanya tingkat signifikan yang berada di atas tingkat kepercayaan α 0,05 Wenny Wijayanti,2012.
Permasalahan heteroskedastisitas dapat dilakukan dengan beberapa cara adalah sebagai berikut:
1. Dengan melakukan prosedur general least square
GLS. Prosedur ini dilakukan dengan dua langkah, yaitu mentransformasi data dengan suatu faktor yang
tepat, kemudian menggunakan prosedur OLS terhadap data yang telah ditransformasi tersebut.
2. Transformasi data dalam bentuk logaritma.
3.2.7.4 Uji Autokorelasi