3.4.3 Uji Asumsi klasik
Dalam pengujian regresi, terdapat beberapa asumsi dasar yang dapat menghasilkan estimator yang bersifat terbaik, linear dan tidak bias Best Linear Unbiased
Error BLUE. Terpenuhinya asumsi tersebut, maka hasil yang diperoleh dapat lebih
akurat dan mendekati dengan kenyataan, dimana asumsi-asumsi dasar tersebut dikenal dengan asumsi klasik Hasan, 2002:280. Dalam penelitian ini, pengujian asummsi klasik
yang digunakan adalah uji multikolinearitas, heterokedastisitas, autokorelasi.
4.4.3.1 Multikolinieritas
Multikolinearitas terjadi ketika terjadi korelasi pada regresor. Istilah multikolinearitas pada mulanya diartikan sebagai keberadaan dari hubungan linear yang
sempurna atau tepat diantara sebagian atau seluruh variabel penjelas dalam sebuah variabel. Saat ini, istilah multikolinearitas digunakan dalam pengertian yang lebih luas
yaitu tidak hanya menyatakan keberadaan hubungan linear yang sempurna, akan tetapi juga hubungan linear yang tidak sempurna Gujarati, 2012.
Pengujian multikolinieritas dalam penelitian ini dilakukan dengan melihat hubungan secara individu antara satu variabel independen dengan satu variabel
independen lainnya. Untuk mengetahui apakah ada hubungan antara variabel X dengan variabel X yang lainnya adalah dengan melakukan regresi setiap variabel independen X
dengan sisa variabel independen X yang sisanya. Maka regresi ini disebut dengan regresi auxiliary. Setiap koefisien determinan R
2
dari regresi auxiliaryini kita gunakan untuk menghitung distribusi F dan kemudian digunakan untuk mengevaluasi apabila model
mengandung multikoliniaritas atau tidak. Rumus untuk menghitung F hitung adalah :
F
1
= R
2 x1x2x3…xk
k - 2 1-R
2 x1x2x3…xk
n - k + 1
Keterangan : n
= Jumlah observasi k
= Jumlah variabel R
2 x1x2x3…xk
= Koefisien determinan setiap variabel independen k-2 dan n-k+2 = Nilai F kritis
Keputusan ada dan tidaknya multikoliniaritas dalam model ini adalah dengan membandingkan nilai F hitung dengan nilai F kritis. Jika F hitung lebih besar dari F kritis
dengan tingkat signifikan α dan derajat kebebasan tertentu maka dapat disimpulkan model mengandung multikoloniaritas yaitu terdapat hubungan linier antara satu variabel
X dengan variabel X yang yang lainnya. Dan sebaliknya.Widarjono, 2009:107
4.4.3.2 Heteroskedastisitas
Pada model OLS, untuk menghasilkan estimator yang BLUE maka diasumsikan bahwa model memiliki varian yang kostan atau Var e
i
= σ
2
. Suatu model dikatakan memiliki masalah heterokedastisitas jika variabel gangguan memiliki varian yang
konstan. Konsekuensi dari adanya masalah heterokedastisitas adalah estimator β yang kita
dapatkan akan mempunyai varian yang tidak minimum. Meskipun estimator metode OLS masih linear dan tidak bias, varian yang tidak minimum akan membuat perhitungan
standard error metode OLS tidak bisa lagi dipercaya kebenarannya. Hal ini
menyebabkan interval estimasi maupun uji hipotesis yang didasarkan pada distribusi t maupun F tidak lagi bisa dipercaya untuk mengevaluasi hasil regresi.
Menurut Park, varian variabel gangguan yang tidak konstan atau masalah heteroskedastisitas muncul karena residual ini tergantung dari variabel independen yang
ada di dalam model . fungsi variabel gangguan adlaha sebagai berikut :
Ln e
i 2
= lnσ
2
+ βlnX
i
+ υ
i
Keputusan ada tidaknya masalah heteroskedastisitas berdasarkan uji statistik, jika β tidak signifikan melalui uji t maka dapat disimpulkan tidak ada heteroskedastisitas
karena varian residualnya tidak tergantung dari variabel independen. Widarjono, 2009:118
4.4.3.3 Autokorelasi