Estimator atau data yang valid, maka dilakukan uji asumsi klasik. Jika model tidak lolos uji asumsi klasik, dalam arti terkena salah satu masalah, baik itu
multikolinearitas, atau heteroskedastisaitas, atau autokorelasi, maka model tersebut tidak layak digunakan untuk menggambarkan atau memprediksi dan
meramalkan suatu kejadian, karena hasil prediksi tersebut bias atau tidak valid.
1. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen.Model regresi yang
baik seharusnya tidak terjadi korelasi diantara variabel independen.Deteksi multikolinieritas pada suatu model dapat dilihat dimana nilai Variance Inflation
FaktorVIF tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1.Maka model tersebut dapat dikatakan terbebas dari multikolinieritas. Namun, apabila
nilai VIF lebih besar dari 10 maka diindikasikan model tersebut memiliki gejala multikolinieritas.Berikut ini adalah hasil Uji Multikolonieritas :
Tabel 4.6Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistiks
Tolerance VIF
1 Constant
Zscore:TEMP .298
3.352 Zscore:PERM
.477 2.097
Zscore:SLBTD .772
1.295 SNM1
.395 2.530
SNM2 .686
1.457 a. Dependent Variable: NI
Sumber : Data Sekunder Diolah, 2013
Hasil uji multikolinearitas yang terdapat pada Tabel 4.6 menunjukkan bahwa model regresi yang dipakai untuk variabel-variabel independen penelitian
tidak terdapat masalah multikolinearitas. Model tersebut terbebas dari masalah multikolinearitas karena semua variabel, baik variabel independen maupun
variabel moderating yang dihitung dengan uji selisih nilai mutlak menunjukkan nilai Tolerance tidak kurang dari 0,1 dan mempunyai nilai VIF yang tidak lebih
dari 10.
2. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah yang homoskedastisitas dan tidak heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat
dilakukan uji Glejser atau dengan melihat ada tidaknya pola tertentu pada grafik scatterplot.Hasil uji Glejseradalah sebagai berikut :
Tabel 4.7Hasil Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .363
.092 3.931
.000 Zscore: TEMP
-.019 .047
-.094 -.408
.685 Zscore: PERM
-.017 .037
-.084 -.460
.647 Zscore: SLBTD
.033 .029
.161 1.125
.265 SNM1
-.033 .060
-.110 -.552
.583 SNM2
-.023 .033
-.103 -.678
.500 a. Dependent Variable: Abs_res
Sumber : Data Sekunder Diolah, 2013
Hasil uji Glesjer pada Tabel 4.7menunjukkan koefisien parameter untuk variabel independen tidak ada yang signifikan secara statistik
mempengaruhi variabel dependen nilai absolute Abs_res. Hal ini terlihat dari probabilitas signifikansiyang semuanya di atas
tingkat kepercayaan 5 α = 0,05. Jadi dapat disimpulkan model regresi layak dan terbebas dari masalah
heteroskedastisitas. Sedangkan hasil dari uji Scatterplotyang juga mendukung bahwa model tidak terkena masalah heteroskedastisitas ditunjukkan oleh
gambarScatterplotberikut :
Gambar 4.2Hasil Uji Scatterplot Sumber : Data sekunder yang diolah, 2013
Hasil Scatterplot pada gambar 4.2 tersebut dapat diketahui bahwa tidak ada pola yang jelas. Titik-titik menyebar secara acak diatas dan dibawah angka 0
pada sumbu Y,maka disimpulkan bahwa tidak terjadi Heteroskedastisitas. 3.
Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi linear ada korelasi antara kesalahan pengganggu pada tahun periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Terbebasnya suatu model dari autokorelasi dapat dilihat dari angka Dubin Watson pada Tabel 4.7 di bawah ini:
Tabel 4.8Hasil Uji Durbin Watson
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .490
a
.240 .174
.3744327 2.051
a. Predictors: Constant, SNM2, SNM1, Zscore: SLBTD, Zscore: PERM, Zscore: TEMP b. Dependent Variable: NI
Sumber : Data Sekunder Diolah, 2013
Hasil uji autokorelasi pada Tabel 4.8 diatas dapat dilihat bahwanilai Durbin Watson adalah 2,051. Dengan signifikansi 5, jumlah unit analisis 66 n
dan variabel independen 5 k=5,didapat nilai dl= 1,438 dan du= 1.767. Nilai DW adalah 2,051 dan berada di antara du dan 4-du. Artinya 2,051 lebih dari du 1,767
dan kurang dari 4-du 2,233, maka dapat disimpulkan bahwa tidak terdapatmasalahautokorelasi pada model, sehingga model regresi layak dipakai
untuk analisis selanjutnya.
4.1.4 Moderated Regression Analysis MRA
