Definisi Operasional Variabel Penelitian

dalam model Kuncoro, 2011. Pada permasalahan heteroskedastisitas, dicurigai memang terdapat heteroskedastisitas dalam model ini mengingat data yang ada merupakan perpaduan data cross section dan time series. Dalam Gujarati 2012 permasalahan heteroskedastisitas, varians dari estimator-estimator OLS tidak menggunakan rumus-rumus OLS biasa. Namun jika menggunakan rumus OLS biasa, uji t dan uji F berdasarkan hasil tersebut dapat memberikan kesimpulan yang salah. Maka, mendokumentasikan konsekuensi-konsekuensi dari adanya heteroskedastisitas akan lebih mudah dibanding mendeteksinya. Terdapat beberapa metode pengujian yang dapat dgunakan untuk mendeteksi ada atau tidaknya masalah heterosekdastisitas, diantaranya; Uji Park, dan Uji Glesjer. a. Uji Park Dalam uji Park, mensyaratkan suatu bentuk spesifik antara dan variabel bebas untuk mengetahui ada tidaknya masalah heteroskedastisitas. Jika nilai probabilitas masing- masing variabel α = 0.05 atau lebih besar dari tingkat signifikansi maka tidak terdapat permasalahan hetersokedastisitas. Sementara kriteria dalam pengujian adalah sebagai berikut : Ho : tidak terdapat masalah heteroskedastisitas H1 : terdapat permasalahan heteroskedastisitas. b. Uji Glesjer Uji Glesjer dilakukan dengan cara melakukan regresi antara variabel independen dengan nilai absolut residualnya Gujarati, 2003. Apabila nilai signifikansi antara variabel independen dengan absolut residual lebih dari 0,05 maka tidak terjadi permasalahan hetersokedastisitas Fajriasari, 2013. Menurut Gujarati 2003 uji Glesjer dapat dilakukan dengan meregres nilai absolut residual terhadap variabel bebasnya dengan persamaan sebagai berikut : i = a + βXi + vi Sementara dalam data panel, Implikasi terjadi masalah heteroskedastistas dapat diperbaiki dengan menggunakan model Cross-section Weight. 3. Uji Autokorelasi Menurut Imam Ghozali dalam Tambunan, 2013, uji autokorelasi digunakan untuk mengetahui apakah dalam model regresi linear terdapat korelasi antara kesalahan penggganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya, jika terjadi korelasi artinya terdapat masalah autokorelasi. Autokorelasi muncul karena terdapat observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah autokorelasi muncul karena residual kesalahan pengganggu tidak bebas dari suatu observasi ke observasi lainnya. Autokorelasi dapat dideteksi melalui metode Durbin-Watson DW dengan asumsi variabel gangguannya hanya berhubungan dengan variabel gangguan periode sebelumnya lag pertama yang dikenal dengan model autogresif tingkat