44
4.2.3 Uji Non-Autokorelasi atau Independensi Residual Independent Errors
Uji independensi residual uji non-autokorelasi merupakan suatu uji untuk memeriksa apakah untuk setiap dua pengamatan residual saling berkorelasi atau
tidak Field, 2009:220. Supranto 2005:151 mengartikan non-autokorelasi sebagai tidak terjadinya korelasi antara kesalahan pengganggu yang satu dengan
yang lainnya. Meskipun terjadinya autokorelasi terhadap estimator-estimator yang dihasilkan oleh metode ordinary least square OLS tetap tak bias unbiased,
konsisten consistent, dan terdistribusi normal secara asimtotis, namun estimator- estimator tersebut tidak lagi efisien. Sebagai akibatnya, pada uji t, F, dan chi
kuadrat tidak lagi sah untuk digunakan cannot be legitimately applied Gujarati, 2003:489. Asumsi mengenai independensi terhadap residual non-autokorelasi
dapat diuji dengan menggunakan uji Durbin-Watson Field, 2009:220. Riyanto 2012:59 menyatakan jika nilai statistik Durbin-Watson -2 sd +2, maka asumsi
independensi terhadap residual non-autokorelasi terpenuhi. Sebaliknya, bila nilai statistik Durbin-Watson -2 atau 2, berarti asumsi independensi terhadap
residual non-autokorelasi tidak terpenuhi.
Tabel 4.5 Uji Autokorelasi
Model Durbin-
Watson 1
1.873
Sumber: hasil olahan software SPSS 17
Berdasarkan Tabel 4.5, nilai dari statistik Durbin-Watson adalah 1,873. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara -2 dan
+2, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala
45 autokorelasi yang tinggi pada residual. Untunk informasi selengkapnya, dapat
dilihat pada lampiran 11.
4.2.4 Uji Heteroskedastisitas
Menurut Ghozali 2011:139 uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual
suatu pengamatan ke pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda
disebut heteroskedastisitas. Supranto 2005:57 mengartikan homoskedastisitas sebagai varians kesalahan pengganggu
untuk setiap pengamatan adalah
sama, sedangkan heteroskedastisitas adalah sebaliknya. Model regresi yang baik adalah yang homoskesdasitas atau tidak terjadi
heterokesdatisitas. Apabila terjadi heteroskedastisitas, estimator-estimator yang dihasilkan dengan metode OLS ordinary least square tidak lagi memiliki sifat
varians yang minimum atau efisien.Dalam keadaan heteroskedastisitas, ketika tetap menggunakan metode OLS yang biasa usual OLS formulas, maka uji t dan
uji F dapat memberikan kesimpulan yang salah Gujarati, 2003:428. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat
ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X Field, 2009:230, Ghozali, 2011:139. Field
2009:248, Ghozali, 2011:139 menyatakan dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar
46 di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas.
Gambar 4.3 Uji Heteroskedastisitas
Sumber: hasil olahan software SPSS 17
Perhatikan bahwa berdasarkan Gambar 4.3, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka
tidak terjadi heteroskedastisitas.
4.3 Pengujian Hipotesis