Uji Normalitas Uji Autokorelasi

55

3.9.2 Uji Asumsi Klasik

Uji asumsi klasik digunakan untuk mengestimasi suatu model regresi dengan meminimalkan jumlah kesalahan setiap observasi sehingga model regresi tersebut harus memenuhi uji asumsi klasik regresi. Dengan dilakukan penujian ini diharapkan agar hasil model regresi menjadi tidak bias. Uji asumsi klasik yang harus dipenuhi adalah sebagai berikut:

1. Uji Normalitas

Uji ini berguna untuk tahap awal dalam metode pemilihan analisis data. Tujuan uji normalitas adalah untuk mengetahui apakah dalam model regresi terdapat variabel pengganggu atau residual memiliki distribusi normal. Pengujian dilakukan untuk melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi dilanggar maka uji statistik menjadi tidak valid Erlina dan Mulyani, 2007:103. Untuk melihat apakah data penelitian memiliki distribusi normal atau tidak, dapat dilihat residual dengan menggunakan uji Jarque-Bera J-B. Dalam penelitian ini, tingkat signifikansi yang digunakan � = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas dari statistik J-B, dengan ketentuan sebagai berikut. Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi. Universitas Sumatera Utara 56 jika signifikasi lebih besar dari 0,05, maka data berdistribusi normal atau tidak terdapat nilai yang ekstrim yang dapat menyebabkan hasil penelitian menjadi bias. 2. Uji Heteroskedastisitas Heteroskedastisitas berarti variasi variable tidak sama untuk semua pengamatan. Masalah heteroskedastisitas sering muncul pada data cross section. Konsekuensi heterokedastisitas adalah model menjadi tidak bias dan linier. Adanya heterokedastisitas menyebabkan estimator tidak lagi mempunyai varian yang minimum. Jika estimator tidal lagi mempunyai varian yang minimum, maka menyebabkan perhitungan standard error tidak lagi bisa dipercaya dan interval estimasi maupun uji hipotesis yang didasarkan pada uji t dan uji F tidak dapat dipercaya untuk evaluasi hasil regresi. Metode yang dapat dipakai untuk mendeteksi masalah heterokedastisitas adalah metode Park dan Glejser serta metode korelasi Spearman Widarjono, 2015:67.

3. Uji Autokorelasi

Menurut Widarjono 2015:78 autokorelasi merupakan korelasi antara variabel gangguan satu observasi dengan variabel observasi lainnya. Autokorelasi sering muncul pada data time series. Jika suatu model masih mengandung autokorelasi, maka estimator model tidak lagi menghasilkan estimator yang mempunyai varian yang minimum. Jika varian tidak minimum maka meyebabkan perhitungan standard error metode tersebut tidak lagi bisa dipercaya kebenarannya dan uji hipotesis yang Universitas Sumatera Utara 57 didasarkan uji t dan uji F tidak dapat dipercaya untuk evaluasi hasil regresinya. Salah satu cara untuk mendeteksi masalah autokorelasi adalah dengan metode Durbin- Watson. Durbin-Watson berhasil mengembangkan statistik distribusi dengan menurunkan niali kritis batas bawah � � dan batas atas � � . Adapun kriteria dalam pengambilan kesimpulan dalam uji D-W ini dapat dilihat pada Tabel 3.2 berikut: Tabel 3.3 Kriteria Nilai Uji Durbin Watson No Nilai d Keterangan 1 1,10 Ada autokorelasi 2 1,10-1,54 Tidak ada kesimpulan 3 1,55-2,46 Tidak ada autokorelasi 4 2,46-2,90 Tidak ada kesimpulan 5 2,91 Ada autokorelasi Sumber:Misbahuddin dan Hasan 2013:108 Selain menggunakan uji D-W, cara untuk mendeteksi autokorelasi dapat menggunakan metode Breusch-Godfrey.

4. Uji Multikolinieritas