62 bermaksud untuk menguji apakah pada model regresi ditemukan adanya
korelasi antar variabel independen. Jika terjadi korelasi, maka dinamakan terdapat problem multikolinearitas.
Pengujian multikolinearitas dilakukan dengan melihat nilai VIF dan korelasi diantara variabel independen. Jika nilai VIF lebih besar dari
10, maka terjadi multikolinearitas diantara variabel independen. Disamping itu, suatu model terdapat gejala miltikolinearitas, jika korelasi
diantara variabel independen lebih besar dari 0,1 Ghozali, 2005 : 92. Adapun dua cara yang dapat dilakukan jika terjadi
multikolinearitas, yaitu : a
Mengeluarkan salah satu variabel, misalnya variabel independen A dan B saling berkorelasi dengan kuat, maka bisa dipilih A atau B yang
dikeluarkan dari model regresi.
b Menggunakan metode lanjut seperti Regresi Bayesian atau Regresi
Ridge.
3.8.2.3. Uji Autokorelasi
Masalah autokorelasi akan muncul bila data yang dipakai adalah data runtut waktu timeseries.”Autokorelasi akan muncul bila data
sesudahnya merupakan fungsi dari data sebelumnya atau data sesudahnya memiliki korelasi yang tinggi dengan data sebelumnya pada data runtut
waktu dan besaran data sangat tergantung pada tempat data tersebut terjadi.” Hadi, 2006 : 175.
Universitas Sumatera Utara
63 Untuk mendeteksi adanya autokorelasi bisa digunakan tes Durbin
Watson DW. Deteksi autokorelasi dengan cara ini dimulai dengan menghitung nilai d, setelah nilai ddiketemukan dengan maka tahapan
berikutnya adalah menetukan nilai du dan dl dengan menggunakan tabel Durbin Watson.
Ketentuan : d
u
d 4-d
u
Tidak ada autokorelasi d d
1
Terdapat autokorelasi positif d 4-d
1
Terdapat autokorelasi negatif d
1
d d
u
Tidak ada keputusan tentang autokorelasi 4-d
u
d 4-d
1
Tidak ada keputusan tentang autokorelasi Hadi, 2006 : 176
“Salah satu cara untuk mengatasi adanya masalah autokorelasi bila ada adalah dengan cara menambahkan satu variabel baru, yaitu variabel
lag- 1.” Hadi, 2006 : 176. a.
Bila nilai DW terletak diantara batas atu upper bound du dan 4-du maka koefisien autokorelasi = 0,berarti tidak ada autokorelasi.
b. Bila nilai DW lebih rendah dari pada batas bawahatau lowe bound dl
maka koefisien autokorelasi 0, berarti ada autokorelasi positif. c.
Bila nilai DW lebih besar dari 4-dl maka koefisien autokorelasi 0, berarti ada auokorelasi negative.
d. Bilai nilai DW terletak anatara du dan di atau DW terletak antara 4-du
dan 4-dl, maka hasilnya tidak dapat disimpulkan.
3.8.2.4. Uji Heteroskedastisitas
Universitas Sumatera Utara
64 Uji heteroskedastisitas adalah bertujuan menguji apakah model
regresi terjadi ketidaksamaan variance dari residual satu pengamatan kepengamatan yang lain. Jika variance dari residual satu pengamatan ke
pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang
homoskedastisitas atau tidak terjai heteroskedastisitas. Ghozali, 2005 : 105.
Menurut Ghozali 2005 : 105, ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas :
Melihat grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya
heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu
Y adalah Y yang telah diprediksi, dan sumbu adalah residual Y prediksi –
Y sesungguhnya yang telah di-studentized.
Dasar analisis : a
Jika ada pola tertentu, seperti titik-titik yang ada memebentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit,
maka mangindikasikan telah terjadi heteroskedastisitas. b
Jiak tidak ada pola yang jelas, serta titik-titik menyebar dia atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Menurut Gujarati 1995 dalam Hadi 2006 : 172, “ untuk mengetahui adanya masalah heteroskedastisitas ini kita bisa menggunakan
Universitas Sumatera Utara
65 korelasi jenjang Spearman, tes Park, tes Goldfeld-Quandt, tes BPG, tes
White atau tes Glejser.” Bila menggunakan korelasijenjang Spearman, maka kita harus menghitung nilai korelasi untuk setiap variabel independen
terhadap nilai residu, baru kemudian dicari tingkat signifikansinya. Park dan Glejser test memiliki dasar test yang sama yaitu meregresikan kembali nilai
residu ke variabel independen. Menurut Hadi 2006 : 174, salah satu cara untuk mengurangi
masalah heteroskedastisitas adalah “menurunkan besarnya rentang range data. Salah satu cara yang bisa untuk menurunkan rentang data adalah
melakukan tranformasi manipulasi logaritma. Tindakan ini bisa dilakukan bila semua data bertanda positif.
3.8.3. Uji Hipotesis Penelitian
