LN_AKO -.001
.000 .016
.000 .002
LN_TAK .003
.000 .000
.011 .001
LN_AKI .003
.001 .002
.001 .015
a. Dependent Variable: LN_HS
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel LN_AKP mempunyai korelasi sebesar 0,127 atau sekitar 12,7 dengan
variabel LN_LA, -0,091 atau sekitar 9,1 dengan variabel LN_AKO, 0,213 atau sekitar 21,3 dengan variabel LN_TAK, dan 0,228 atau sekitar 22,8 dengan
variabel LN_AKI. Variabel LN_LA mempunyai korelasi sebesar -0,017 atau sekitar 1,7 dengan variabel LN_AKO, -0,066 atau sekitar 6,6 dengan variabel LN_TAK.
Variabel LN_AKO mempunyai korelasi sebesar 0,099 atau sekitar 9,9 dengan variabel LN_AKI. Variabel LN_TAK mempunyai korelasi sebesar 0,041 atau sekitar
4,1 dengan variabel LN_AKI. Variabel LN_AKI mempunyai korelasi sebesar 0,083 atau sekitar 8,3 dengan variabel LN_LA. Hasil dari coefficient correlations tersebut
menunjukkan tidak ada korelasi yang tinggi umumnya diatas 0,95, maka hal ini merupakan indikasi tidak adanya multikolinearitas.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan
menggunakan program SPSS 17. Dasar pengambilan keputusannya adalah:
1 Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah
terjadi heteroskedastisitas, 2 Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran
titik-titik pada gambar.
Gambar 4.5 Scatterplot
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y, sehingga dapat
disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi. Adanya titik- titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data
observasi yang sangat berbeda dengan data observasi yang lain . Hasil tampilan output SPSS ini dengan jelas menunjukkan tidak ada indikasi terjadi
heteroskedastisitas.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada periode t-
1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada data time series.
Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson. Untuk uji Durbin Watson memiliki ketentuan
sebagai berikut:
Tabel 4.7 Uji Statistik Durbin Watson
Durbin-Watson Kesimpulan
1.10 Ada Autokorelasi
1.11 – 1.54 Tanpa kesimpulan
1.55 – 2.46 Tidak ada autokorelasi
2.47 – 2.90 Tanpa kesimpulan
2.91 Ada Autokorelasi
Sumber : Algifari 2000
Tabel 4.8 Hasil Uji Durbin Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.825
a
.681 .602
.87178 2.239
a. Predictors: Constant, LN_AKP, LN_LA, LN_AKO, LN_TAK, LN_AKI
b. Dependent Variable: LN_HS Tabel 4.8 memperlihatkan nilai statistik D-W sebesar 2,239 yang berarti berada
di antara interval ketentuan 1,55 – 2,46 sehingga tidak terjadi autokorelasi positif maupun autokorelasi negatif.
3. Analisis Regresi
