58
Atau dapat melihat kepada nilai probabilitas cross section random, dengan ketentuan Nachrowi dan Usman, 2006:
- Jika probabilitas 0,05, maka tolak H
, dan terima H
1
- Jika Probabilitas 0,05, maka terima H
3. Pengujian Dasar Asumsi Klasik
Setelah mendapatkan model yang tepat untuk penelitian ini, hasil regresi atas data panel kemudian diuji untuk mengetahui apakah ada
permasalahan multicollinearity dan heteroscedasticity, sehingga hasil estimasi memenuhi teorema Gauss-Markov Best Linear Unbiase
Estimator BLUE Gujarati, 2004 yaitu: Best
adalah β estimator yang memiliki varians minimum; Linear
artinya estimator α dan β memiliki nilai estimator; Unbiased
berarti nilai actual dari α dan β harus sama dengan nilai sebenarnya;
Estimator artinya β
sampel adalah estimator β dari populasi.
Hal ini juga sesuai dengan teori yang dikemukan oleh Gauss-Markov bahwa estimator yang bersifat BLUE adalah :
1. Bersifat linear, merupakan sebuah fungsi linear atas sebuah variabel random, seperti variabel dependen Y dalam suatu model regresi.
2. Bersifat tidak bias, artinya hasil nilai estimasi sesuai dengan nilai sesungguhnya.
3. Bersifat efisien, artinya model yang linear dan tidak bias harus memiliki varians yang minimum.
59
a. Uji Normalitas
Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi berdistribusi normal atau
tidak. Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Uji
normalitas pada dasarnya tidak merupakan syarat BLUE Best Linier Unbias Estimator dan uji normalitas sering dilakukan pada ukuran
sampel yang kecil Dedi Rosadi, 2012. Menurut Suliyanto 2011, tidak terpenuhinya normalitas pada
umumnya disebabkan karena distribusi data yang dianalisis tidak normal, karena terdapat nilai ekstrem pada data yang diambil. Salah
satu mengatasi pelanggaran normalitas yaitu dengan menambahkan jumlah data. Dengan menambahkan jumlah data maka akibat yang
ditimbulkan dari adanya nilai residual yang memiliki nilai ekstrem akan semakin berkurang. Hal ini karena dengan semakin banyaknya
jumlah data maka pembagian nilai ekstrem akan semakin besar sehingga nilai rata-ratanya akan mendekati nilai tengah.
Dikarenakan dalam penelitian ini menggunakan data panel, maka uji normalitas tidak perlu diuji kembali. Karena data panel merupakan
gabungan dua data time series dan cross section yang memberikan jumlah data yang banyak atau memiliki data yang lebih dari 30 data,
sehingga data diasumsikan sudah berdistribusi normal. Menurut Doddy Ariefien 2012, data panel memiliki keunggulan karena bersifat
60
robust kebal terhadap beberapa tipe pelanggaran asumsi Gauss Markov, yakni asumsi normalitas.
b. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tinggi atau sempurna diantara
variabel bebas atau tidak. Jika dalam model regresi yang terbentuk terdapat korelasi yang tinggi atau sempurna diantara variabel bebas
maka model regresi tersebut dinyatakan mengandung gejala multikolinier Suliyanto, 2011:81. Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel bebas. Multikolinearitas merupakan kondisi adanya hubungan linier antar
variabel independen.
Karena melibatkan
beberapa variabel
independen, maka multikolinearitas tidak akan terjadi pada persamaan regresi sederhana yang terdiri atas satu variabel dependen dan satu
variabel independen. Winarno, 2011. Untuk mendeteksi ada atau tidaknya multikolinieritas di dalam
model regresi dapat dilihat dari nilai Tolerance dan Variance Inflation Factor VIF. Kedua ukuran ini menunjukkan setiap variabel bebas
manakah yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap variabel bebas menjadi variabel terikat dan
diregres terhadap variabel bebas lainnya. Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dijelaskan oleh
variabel bebas lainnya. Jadi, nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1Tolerance. Nilai cut off yang umum
61
dipakai untuk menunjukkan adanya multikolinieritas adalah nilai Tolerance 0,10 atau sama dengan VIF 10, maka model dinyatakan
tidak terdapat gejala multikolinieritas Imam Ghozali, 2012.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke
pengamatan yang lain. Jika varian 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 terjadi Heteroskedastisitas.
Heteroskedastisitas sering terjadi pada data panel, karena data panel memiliki jumlah data yang banyak dengan begitu akan memiliki
tingkat heterogenitas yang lebih tinggi Suliyanto, 2011. Ada beberapa cara untuk mendeteksi ada atau tidaknya
heteroskedastisitas, salah satunya yaitu dengan menggunakan metode Park yang dikembangkan oleh Park. Uji Park dilakukan dengan
melakukan regresi fungsi-fungsi residual. Jika variabel independen tidak signifikan secara statistik dimana nilai probabilitinya lebih besar
dari nilai alphanya atau Prob. α, maka dapat disimpulkan bahwa
model yang terbentuk dalam persamaan regresi tidak mengandung masalah heteroskedastisitas Suliyanto, 2011:107.
d. Uji Autokorelasi
Autokorelasi adalah adanya korelasi antara variabel itu sendiri, pada pengamatan yang berbeda waktu dan individunya. Pada umumya
62
autokorelasi lebih sering terjadi pada data time series Nachrowi dan Usman, 2006.
Menurut Winarno 2011, autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lainnya. Autokorelasi
lebih mudah timbuh pada data yang bersifat runtut waktu, karena berdasarkan sifatnya, data masa sekarang dipengaruhi oleh data pada
masa sebelumnya. Dikarenakan dalam penelitian ini menggunakan data panel, maka
uji autokorelasi juga tidak perlu di uji kembali. Karena data panel sifatnya lebih kepada cross section maka bisa dikatakan tidak ada
autokorelasi.
4. Pengujian Statistik