i
Menurut Ghozali 2005:91, cara yang dapat dilakukan jika terjadi multikolinearitas yaitu:
1. Mengeluarkan salah satu atau lebih variabel independen yang mempunyai korelasi tinggi dari model regresi dan
indentifikasi variabel independen lainnya untuk membantu prediksi
2. Menggabungkan data cross section dan time series pooling data
3. Menambah data penelitian.
3.6.1.3 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 di antara 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 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
i
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.
i
3.6.1.4 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.
Kriteria untuk penilaian terjadinya autokorelasi yaitu:
Tabel 3.3 Pengambilan Keputusan Uji Durbin-Watson DW-Test
Sumber : Siagian, 2011 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
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak 0 d dl
Tidak ada autokorelasi poitif No decision
dl d du Tidak ada korelasi negatif
Tolak 4 - dl d 4
Tidak ada korelasi negatif No Decision
4 - du d 4 – dl Tidak ada autokorelasi positif
Tidak ditolak du d 4 – du
atau negatif
i
series atau ruang crosssection. Autokorelasi muncul karena observasi yang 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.
3.7 Pengujian Hipotesis Penelitian