78
masing nilai VIF tidak lebih besar dari 10, maka tidak terdapat gejala multikolinearitas yang berat. Dengan kata lain, tidak terjadi korelasi antara
variabel bebas yang begitu signifikan.
4.2.3 Uji Autokorelasi
Menurut Ghozali 2011, uji autokorelasi bertujuan menguji apakah dalam model regresi liner ada korelasi antar kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode t
-1
Tabel 4.4
sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama
lainnya. Masalah ini timbul karena residual kesalahan penganggu tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik adalah regresi
yang bebas dari autokorelasi. Cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi dalam penelitian ini yaitu dengan uji Durbin-Watson.
Sutanto 2001 menyatakan bahwa jika nilai Durbin -2 sd +2, berarti asumsi independensi terpenuhi, sebaliknya bila nilai Durbin -2 atau +2 berarti asumsi
tidak terpenuhi.
Uji Autokorelasi
Sumber : hasil olahan software SPSS 17
Berdasarkan Tabel 4.4, nilai dari statistik Durbin-Watson adalah 1,864. Perhatikan bahwa karena nilai statistik Durbin-Watson terletak di antara -2 dan
79
+2, maka asumsi non-autokorelasi terpenuhi. Dengan kata lain, tidak terjadi gejala autokorelasi pada kesalahan pengganggu.
4.2.4 Uji Heteroskedastisitas
Menurut Ghozali 2011, uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu
pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda
disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskesdasitas atau tidak terjadi heterokesdatisitas. Kebanyakan dari data cross-section
mengandung situasi heteroskesdatisitas karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang, dan besar. Deteksi ada tidaknya
heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID dan ZPRED,di mana sumbu Y adalah Y
yang telah diprediksi dan sumbu X adalah residual Y prediksi-Y sesungguhnya yang telah di-studentized. Dasar analisis adalah:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
80
Gambar 4.1 Uji Heteroskedastisitas
Sumber : hasil olahan software SPSS 17
Perhatikan bahwa berdasarkan Gambar 4.1, tidak terdapat pola yang begitu jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y,
maka tidak terjadi heteroskedastisitas.
4.3 Uji Signifikansi Simultan Uji Statistik F
