Pengujian Asumsi Klasik Teknik Analisis Data

2. Uji Multikolinearitas Uji multikolinearitas merupakan bagian dari uji asumsi klasik yang bertujuan untuk menguji apakah ditemukan adanya korelasi antar variabel bebas. Untuk melihat ada tidaknya multikolinearitas dapat dilakukan dengan menganalisis korelasi antar variabel independen. Jika ada korelasi yang cukup tinggi 0,90 maka terdapat multikolinearitas. Selain itu, dapat dilihat dari nilai tolerance dan variance inflation factor. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai Tolerance ≤ 0.10 atau sama dengan nilai VIF ≥ 10. 3. Uji autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear memliki korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode ke t-1 sebelumnya. Jika terjadi autokorelasi maka dinamakan problem autokorelasi. Masalah ini muncul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Cara yang dapat digunakan untuk melihat ada atau tidaknya autokorelasi yaitu dengan menggunakan Uji Durbin Watson DW test. Dalam uji ini, hipotesis yang akan diuji adalah: H0 : tidak ada autokorelasi r = 0 Ha : ada autokorelasi r ≠ 0 Pengambilan keputusan ada tidaknya autokorelasi yaitu: jika du d 4 - du maka tidak ada autokorelasi, baik positif atau negatif. 4. Uji Heterokedastisitas Uji heterokedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan kepada pengamatan yang lain dalam model regresi. Jika variance dari residual satu pengamatan ke pengamatan lain tetap maka disebut homokedastisitas dan jika berbeda disebut heterokedastisitas. Regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas. Untuk menguji ada atau tidak nya heterokedastisitas dapat dilakukan dengan cara melihat grafik plot scatterplot antara nilai prediksi variabel independen yaitu ZPRED dengan residu SRESID, uji park, uji glejser serta uji white.

3.9.2 Pengujian Hipotesis

1. Uji Signifikansi Simultan Uji-F Uji F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat Kuncoro, 2009:239. Bentuk pengujiannya adalah: H : b1 = b2 = 0, artinya tidak terdapat pengaruh signifikan dari variabel dependen terhadap variabel independen. H a : b1 ≠ b2 ≠ 0, artinya terdapat pengaruh yang signifikan dari variabel independen terhadap variabel dependen Kriteria pengambilan keputusan dari pengujian tersebut yaitu membandingkan nilai F hasil menurut tabel. Apabila nilai F hitung nilai F tabel maka hipotesis alternatif H a diterima, Hipotesis nol H ditolak sedangkan apabila nilai F hitung ≤ F tabel maka hipotesis nol H diterima pada α = 5 . 2. Uji Signifikansi Parsial Uji-t Uji parsial atau uji-t adalah suatu uji yang menunjukkan seberapa jauh pengaruh variabel bebas secara individual dalam menerangkan variabel terikat Kuncoro, 2009: 238. Bentuk pengujiannya yaitu: H : b 1 = 0, artinya secara parsial individual tidak terdapat pengaruh yang signifikan terhadap variabel dependen. H a : b 1 ≠ 0, artinya secara parsial terdapat pengaruh yang signifikan terhadap variabel dependen Pengambilan keputusan dalam pengujian ini dapat dilakukan dengan membandingkan nilai statistik t dengan titik menurut tabel. Apabila t hitung t tabel : ,maka hipotesis alternatif H a diterima. Bila jumlah derajat kebebasan df = 20 atau lebih dan derajat kepercayaan 5 maka Ho dapat ditolak bila nilai t 2 3. Uji Koefisien Determinasi R 2 Uji koefisien determinasi R 2 bertujuan untuk mengukur seberapa jauh kemampuan model dalam menerangkann variasi variabel dependen Ghozali, 2013:97. Nilai koefisien ini adalah antara nol dan 1. Nilai R 2 yang kecil berarti kemampuan variabel independen dalam menjelaskan variabel dependen sangat terbatas. Nilai yang mendekati satu berarti variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Untuk data silang, nilai koefisien determinasi yang dimiliki relatif rendah, sedangkan untuk data runtun waktu time series memiliki nilai yang tinggi. Kelemahan penggunaan uji ini yaitu adanya bias terhadap jumlah variabel