33 Variabel - variabel independen yang bersifat ortogonal adalah variabel
yang memiliki nilai korelasi di antara sesamanya sama dengan nol. Jika terjadi korelasi sempurna diantara sesama variabel independen, maka
konsekuensinya adalah: a koefisien-koefisien regresi menjadi tidak dapat ditaksir
b nilai standar error setiap koefisien regresi menjadi tak terhingga Jika terjadi korelasi, maka terdapat problem multikolinearitas.
Pengujian dilakukan dengan nilai VIF Variance Inflation Factor dari model penelitian, jika nilai VIF di atas 2 maka dapat dikatakan bahwa
telah terjadi gejala multikolinearitas dalam model penelitian. Di samping itu, “suatu model dikatakan terdapat gejala multikolinearitas, jika
korelasi di antara variabel independen lebih besar dari 0.9” Ghozali, 2005 : 91.
3. Uji heteroskedastisitas
Menurut Situmorang et al. 2009 : 63, “Heteroskedastisitas dapat
dikatakan sebagai suatu situasi dimana dalam sebuah grup terdapat varians yang tidak sama diantara sesama anggota grup tersebut”. Uji
heteroskedastisitas digunakan untuk menguji apakah dalam suatu model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan yang lain. Jika varians dari residual diantara pengamatan tersebut tetap, maka disebut homokedastisitas. Cara yang digunakan
untuk mendeteksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot model tersebut. Analisis pada
34 gambar Scatterplot yang menyatakan model regresi linier berganda tidak
terdapat heteroskedastisitas jika:
1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0 2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali
4. Penyebaran titik-titik data sebaiknya tidak berpola. Menurut Situmorang, et.al. 2009 : 76, ada dua cara perbaikan
heteroskedastisitas, yaitu : 1. Bila varians 2 diketahui, maka metode yang digunakan adalah
dengan cara kuadrat terkecil tertimbang yang meminimumkan pentingnya observasi yang penting dengan memberikan bobot
pada observasi tadi secara proporsional dengan kebalikan dari variansnya.
2. Bila varians 2 tidak diketahui, dimana pengetahuan mengenai 2 biasanya merupakan hal yang jarang dimiliki. Sebagai
akibatnya, orang biasanya membuat suatu asumsi yang masuk akal mentransformasikan data atau membuat gangguan
disturbance data yang telah ditransformasikan bersifat homokesdastisitas. Misal model persamaannya:
Y = b0 + b1x1 + b2x2, ditransformasikan menjadi:
LogY = b0 + b1logx1 + b2logx2.
35
4. Uji autokorelasi
“Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pada periode t- 1 sebelumnya” Ghozali, 2006 : 95.
Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan dalam
time series. Ada beberapa cara untuk menguji adanya autokorelasi seperti metode grafik, uji LM, Uji Runs dan lain-lain. Uji Durbin-Watson hanya
digunakan untuk autokorelasi tingkat satu first autocorelation dan mensyaratkan adanya intercept konstanta dalam model regresi dan tidak
ada variabel lagi diantara variabel dependen. Untuk mengetahui ada tidaknya autokorelasi dapat dilakukan melalui uji Durbin-Watson DW
dengan kriteria sebagai berikut: a. Jika 0 d dl maka tidak ada korelasi positif tolak
b. Jika dl d du maka tidak ada korelasi positif no decision c. Jika 4 - dl d 4 maka tidak ada korelasi negatif tolak
d. Jika 4 - du d 4 – dl maka tidak ada korelasi positif no decision
e. Jika du d 4 – du maka tidak ada korelasi positif atau negatif tidak
ditolak Menurut Situmorang et al.2009 : 78, Autokorelasi dapat di
definisikan sebagai suatu keadaan dimana adanya korelasi diantara anggota serangkaian observasi yang diurutkan menurut waktu time series
atau ruang crosssection. Autokorelasi muncul karena observasi yang
36 berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul
dikarenakan residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya.Model regresi yang baik adalah regresi
yang bebas dari autokorelasi. Pada penelitian ini, uji autokorelasi dideteksi dengan uji Durbin-
Watson, karena uji ini yang umum digunakan. Uji ini hanya digunakan untuk autokorelasi tingkat pertama first order autokorelasi dan
mensyaratkan adanya intercept konstanta dalam model regresi.
3.6.2 Pengujian Hipotesis Penelitian