71
2. Uji Asumsi Klasik
a. Multikolinieritas
Multikolinieritas multicollinearity merupakan hubungan linier antara variabel independen di dalam regresi berganda.
Hubungan linier anatara variabel independen dapat terjadi dalam bentuk
hubungan linier yang sempurna perfect dan hubungan linier yang kurang sempurna imperfect Widarjono, 2013: 101. Ada beberapa
metode untuk mendeteksi ada tidaknya masalah multikolinearitas dalam suatu model regresi berganda yaitu melihat nilai R
2
, korelasi parsial antar variabel independen, regresi auxiliary, metode deteksi
klien, dan melihat Variance Inflation Factor dan Tolerance Widarjono, 2013: 103-107.
Dalam penelitian ini penulis melihat multikolinieritas dengan melihat korelasi parsial antar variabel independen. Jika koefisien
korelasi cukup tinggi yaitu di atas 0,85 maka kita duga ada multikolinearitas dalam model. Sebaliknya jika koefisien korelasi
relatif rendah maka kita duga model tidak mengandung unsur multikolinieritas Widarjono, 2013: 104.
b. Heteroskedastisitas
Asumsi OLS berkaitan dengan residual adalah residualnya mempunyai varian yang konstan atau homokedastisitas Widarjono,
2015: 291. Heteroskedastisitas berarti varian variabel gangguan
72
mempunyai varian yang tidak konstan Widarjono, 2013: 113. Adanya heteroskedastisitas menyebabkan estimator
tidak lagi mempunyai varian yang minimum jika menggunakan metode OLS.
Beberapa metode untuk mendeteksi ada tidaknya masalah heteroskedastisitas telah dikembangkan oleh para ahli ekonometrika.
Metode deteksi masalah heteroskedastisitas bisa dilakukan secara informal maupun formal. Metode informal dapat digunakan untuk
menguji masalah heteroskedastisitas dengan mendeteksi pola residual melalui sebuah grafik. Sedangkan metode formal dapat dilakukan
dengan beberapa metode yaitu metode Park, Metode Glejser, Metode korelasi Spearman, Metode GoldFeld-Quandt, Metode Breush-Pagan,
dan Metode White Widarjono, 2013: 115-125. Dalam penelitian ini penulis melihat heteroskedastisitas dengan
menggunakan metode formal melalui metode white. Uji White dilakukan dengan regresi auxiliary dimana hipotesis nol dalam uji ini
adalah tidak adanya heteroskedastisitas. Uji White didasarkan pada jumlah sampel n dikalikan dengan R
2
yang akan mengikuti distribusi chi-square dengan degree of freedom sebanyak variabel
independen tidak termasuk konstanta dalam regresi auxiliary. Jika nilai chi-square hitung yaitu nR
2
lebih besar dari nilai chi-square kritis dengan derajat kepercayaan tertentu α maka ada
heteroskedastisitas dan sebaliknya Widarjono, 2013:126.
73
c. Autokorelasi
Autokorelasi merupakan korelasi antara variabel gangguan satu observasi dengan variabel gangguan observasi lain. Salah satu asumsi
metode OLS berkaitan dengan variabel gangguan adalah tidak adanya hubungan antara variabel gangguan satu dengan variabel gangguan
yang lain. Adanya autokorelasi, estimator OLS tidak lagi
menghasilkan estimator yang BLUE. Metode yang dapat digunakan untuk mendeteksi masalah
autokorelasi yaitu Metode Durbin-Watson DW. Metode Durbin- Watson DW adalah salah satu metode yang mudah dan sering
digunakan untuk menguji ada tidaknya masalah autokorelasi. Durbin- Watson menentukan nilai kritis batas bawah dL dan batas atas dU.
Ada tidaknya autokorelasi dapat dilihat pada gambar. Jika nilai d mendekati 2 maka tidak ada autokorelasi. Sebaliknya jika nilai d
mendekati 0 atau 4 maka diduga ada autokorelasi positif atau autokorelasi negatif Widarjono, 2015: 291.
Gambar 3. 1 Statistik Durbin Watson d
Autokorelasi positif
Ragu-ragu Tidak ada
autokorelasi Ragu-ragu
Autokorelasi Negatif
Sumber: Agus Widarjono, 2015: 291 d
L
d
U
2 4-d
L
4-d
U
4
74
d. Uji Normalitas
Salah satu asumsi model regresi adalah residual didistribusikan mengikuti distribusi normal Widarjono, 2015: 291. Konsekuensinya
jika model tidak mempunyai residual yang terdistribusi normal yaitu uji t untuk melihat signifikasnsi variabel independen terhadap
variabel dependen tidak bisa diaplikasikan jika residual tidak mempunyai distribusi normal. Metode yang bisa digunakan untuk
mendeteksi masalah normalitas yaitu melalui Uji Kolmorogov-
Smirnov dan Uji Jarque-Bera Widarjono, 2010: 111-113. Dalam penelitian ini penulis menggunakan uji Jarque-Bera untuk
mendeteksi masalah normalitas. Metode JB ini didasarkan pada
sampel besar yang diasumsikan bersifat asymptotic. Uji statistik dari J-B ini menggunakan perhitungan skewness dan kurtosis. Jika suatu
variabel didistribusikan secara normal maka nilai koefisien S=0 dan K=3. Oleh karena itu, jika residual terdistribusi secara normal maka
diharapkan nilai statistik JB akan sama dengan nol. Nilai statistik JB ini didasarkan pada distribusi Chi-Squares dengan derajat kebebasan
df 2. Hipotesis nol uji ini menyatakan bahwa residual probabilitas ρ dari statistik JB lebih besar dari tingkat signifikansi yang kita
tentukan maka kita menerima hipotesis nol bahwa residual mempunyai distribusi normal karena nilai statistik JB mendekati nol.
Sebaliknya jika nilai probabilitas ρ dari statistik JB kecil atau signifikan maka kita menolak hipotesis bahwa residual mempunyai
75
distribusi normal karena nilai statistik JB tidak sama dengan nol Widarjono, 2010: 113.
E. Pengujian Hipotesis 1.
Uji F
Uji F digunakan untuk uji signifikansi model. Uji signifikansi model adalah uji pengaruh semua variabel independen secara serempak terhadap
variabel dependen. Uji F ini bisa dijelaskan dengan menggunakan analisis varian analysis of variance= ANOVA Widarjono, 2015: 278.
Untuk menguji apakah koefisien regresi b
1
, b
2
, b
3
, dan b
4
secara bersama-sama atau secara menyeluruh berpengaruh terhadap variabel
dependen, prosedur uji F dapat dijelaskan sebagai berikut Widarjono, 2015: 279.
Pertama, membuat hipotesis nol H dan hipotesis alternatif H
a
sebagai berikut: H
: b
1
=b
2
=b
3
=b
4
=0 H
a
: b
1
≠b
2
≠b
3
≠b
4
≠0 Hipotesis nol mengatakan semua variabel independen secara
bersama-sama tidak berpengaruh terhadap variabel dependen dan hipotesis alternatifnya menyatakan semua variabel independen secara
bersama-sama berpengaruh terhadap variabel dependen. Kedua, mencari nilai F hitung dan nilai F kritis dari tabel distribusi F.
Nilai F kritis dicari berdasarkan besarnya α dan df. Besarnya df ditentukan
76
oleh numerator k-1 dan df untuk denominator n-k. Formula uji statistik F ini bisa dinyatakan dalam bentuk formula sebagai berikut Widarjono,
2015: 279:
= 1
1
Dimana n adalah jumlah observasi, k adalah jumlah parameter estimasi termasuk intersep, dan R
2
adalah koefisien determinasi. Ketiga, keputusan menolak atau menerima H
jika F hitung F kritis, maka menolak H
dan sebaliknya, jika F hitung F kritis maka gagal menolak H
Widarjono, 2015: 279. Keputusan menolak atau gagal menolak H
pada uji F bisa dilakukan dengan membandingkan antara p- value dengan tingkat signifikansi yang dipilih. Jika nilai p-value lebih
kecil dari tingkat signifikansi atau α maka menolak H atau menerima H
a
. Sebaliknya jika nilai p-value lebih besar dari α maka kita gagal menolak
H Widarjono, 2015: 281.
2. Uji t
Kategori