Uji Asumsi Klasik Prosedur Pengumpulan Data

42

3.5.2. Uji Asumsi Klasik

Syarat dari suatu persamaan regresi adalah harus bersifat BLUE Best Linier Unbiased Estimator. Untuk menghasilkan keputusan yang BLUE, maka harus dipenuhi diantaranya tiga asumsi dasar yang tidak boleh dilanggar oleh regresi linier berganda yaitu : 1. Tidak boleh ada multikolinearitas. 2. Tidak boleh ada heterokedastisitas. 3. Tidak boleh ada autokorelasi. Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE sehingga pengambilan keputusan melalui uji F dan uji t menjadi bias.

1. Multikolinearitas

Model regresi linier yang baik mensyaratkan tidak adanya korelasi diantara variabel bebas. Pengujian yang digunakan untuk mengetahui adanya korelasi antar variabel bebas dalam persamaan regresi dapat menggunakan uji multikolinearitas. Kriteria pengujian multikolinearitas menurut Ghozali 2001: 57 adalah sebagai berikut : a. Jika VIF lebih besar dari 10, maka dalam persamaan tersebut terdapat multikolinearitas. b. Jika VIF lebih kecil dari 10, maka dalam persamaan tersebut tidak terdapat multikolinearitas. 43

2. Heterokedastisitas

Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual atau pengamatan ke pengamatan lainnya. Kebanyakan data cross section mengandung situasi heteroskedastisitas, karena ini mengimpun data yang terwakili berbagai ukuran kecil, sedang, dan besar. Salah satu cara untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan cara menggunakan uji Rank Spearman yaitu dengan membandingkan antara residual dengan seluruh variabel bebas. Mendeteksi adanya heteroskedastisitas adalah sebagai berikut : Gujarati, 1999 : 177 a. Nilai probabilitas 0,05 berarti bebas dari heteroskedastisitas b. Nilai probabilitas 0,05 berarti terkena heteroskedastisitas

3. Autokorelasi

Autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series atau data yang diambil pada waktu tertentu data cross sectional” Gujarati, 1999:201. Jadi di dalam model regresi linear diasumsikan tidak terdapat gejala autokorelasi. Artinya nilai residual Yobservasi–Yprediksi pada waktu ke-t e t tidak boleh ada hubungan dengan nilai residual periode sebelumnya e t-1 . Identifikasi ada tidaknya gejala autokorelasi dapat dites dengan menghitung nilai Durbin Watson Uji Dw, dengan persamaan : 44            N t t t N t t t t e e e Dw 1 2 1 1 Keterangan : Dw = Nilai Durbin Watson e t = Residual pada waktu ke-t e t - 1 = Residual pada wak-tu ke-t N = Banyaknya data Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di bawah ini. Gambar 2. Kurva Durbin Watson Sumber : Gujarati, 1999, 216, Ekonometrika Dasar.

3.6. Teknik Analisis