Uji Non-Autokorelasi atau Independensi Residual Independent Errors Uji Heteroskedastisitas

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