multikolinearitas karena model tetap menghasilkan estimator yang BLUE. Multikolinearitas hanya menyebabkan kesulitan dalam memperoleh estimator
yang memiliki standard error yang kecil. Pilihan kedua adalah dengan memperbaiki model, antara lain dengan menghilangkan variabel independen yang
mempunyai hubungan linier yang kuat dengan variabel independen lainnya, transformasi variabel, dan proses penambahan data.
3.3.1.2. Uji Autokorelasi
Autokorelasi merupakan gejala adanya korelasi antara serangkaian observasi yang diurutkan menurut deret waktu atau time series Gujarati, 1995.
Adanya gejala autokorelasi di dalam suatu persamaan akan menyebabkan persamaan tersebut memiliki selang kepercayaan yang semakin lebar dan
pengujian menjadi kurang akurat. Uji yang sering digunakan untuk mendeteksi apakah pada data yang
diamati terjadi autokorelasi atau tidak adalah uji Durbin-Watson uji-d. Uji ini melihat nilai statistik-d untuk menentukan ada tidaknya autokorelasi. Namun,
apabila nilai statistik-d berada pada daerah ragu-ragu maka hasil uji tidak dapat disimpulkan. Oleh karena itu, digunakan pengujian lain yaitu menggunakan
Breusch-Godfrey Serial Correlation LM Test. Pada uji Breusch-Godfrey, apabila nilai probability dari ObsR-squared-nya lebih besar dari taraf nyata α tertentu,
artinya tidak terdapat autokorelasi pada model tersebut. Sebaliknya, apabila nilai probability dari ObsR-squared-nya lebih kecil dari taraf nyata α tertentu, maka
terdapat autokorelasi pada model tersebut.
3.3.1.3. Uji Heteroskedastisitas
Asumsi yang harus dipenuhi dalam melakukan analisis linier berganda dengan metode OLS adalah homoskedastisitas homoscedasticity atau tidak
terjadi heteroskedastisitas heteroscedasticity. Heteroskedastisitas merupakan kondisi dimana nilai ragam error term pada variabel independen tidak memiliki
nilai yang sama untuk setiap observasi. Dampak adanya heteroskedastisitas adalah tidak efisiennya proses
estimasi, sementara hasil estimasi sendiri tetap konsisten dan tidak bias. Perhitungan standard error tidak dapat dipercaya kebenarannya, karena varian
tidak minimum, sehingga akan mengakibatkan hasil uji-t dan uji-F tidak dapat dipercaya. Pada umumnya heteroskedastisitas sering terjadi pada model yang
menggunakan data cross section daripada data time series. Uji
heteroskedastisitas dilakukan
dengan menggunakan
White Heteroscedasticity Test. Pada White Heteroscedasticity Test apabila nilai
probabilitas ObsR-squared lebih besar dari taraf nyata α tertentu maka tidak terdapat heteroskedastisitas pada persamaan tersebut. Sebaliknya, apabila nilai
probabilitas heteroskedastisitas ObsR-squared lebih kecil dari taraf nyata α tertentu, artinya terdapat heteroskedastisitas pada persamaan tersebut.
3.3.2. Kriteria Uji Statistik 3.3.2.1. Uji Koefisien Determinasi R
