k : jumlah variabel bebas
n : jumlah observasi
4.7 Pengujian Asumsi
Pengujian asumsi dilakukan agar model yang dihasilkan merupakan model yang efisien, konsisten, serta tidak dilakukan pelanggaran terhadap asumsi-asumsi
mendasar seperti normalitas, multikolinieritas, heteroskedastisitas, dan autokorelasi. Jika terjadi pelanggaran terhadap asumsi-asumsi tersebut maka model menjadi tidak
valid.
4.7.1 Uji Normalitas
Salah satu pengujian yang dilakukan dalam persamaan regresi untuk menguji apakah nilai-nilai dari Y berdistribusi normal pada tiap nilai dari X adalah uji
normalitas. Pengujian normalitas dapat dilakukan dengan metode yang digunakan untuk menguji kenormalan data adalah metode Kolmogorov Smirnov.
Hipotesis : H
: Sebaran Normal H
1
: Sebaran Tidak Normal Uji Statistik
D
n
= max F
e
– F Dimana :
D
n
= Nilai Kolmogorov Smirnov hitung F
e
= Frekuensi harapan F
= Frekuensi observasi Kriteria uji
KS
hitung
KS
tabel
atau P
value
5, maka tolak H KS
hitung
KS
tabel
atau P
value
5, maka tolak H
1
4.7.2 Uji Multikolinieritas
Multikolinieritas adalah hubungan linier antara variabel-variabel bebas independen penyusun model dalam persamaan regresi berganda. Beberapa indikasi
suatu model persamaan regresi mengandung multikolinieritas dapat dilihat pada hasil estimasi output pada eviews dimana dari nilai R
2
yang didapat tinggi antara 0,7 dan 1 tetapi dalam output tersebut tidak terdapat atau sedikit sekali koefisien dugaan
yang nyata pada taraf uji tertentu dan tanda koefisien dari regresi dugaan banyak yang tidak sesuai teori. Adapun beberapa cara untuk menghilangkan masalah kolinieritas
dalam suatu model, diantaranya : 1. Menggunakan extraneous atau informasi sebelumnya
2. Mengkombinasikan data cross section dengan data time series 3. Meninggalkan variabel yang sangat berkorelasi
4. Mentransformasikan data 5. Mendapat tambahan atau data baru
4.7.3 Uji Autokorelasi
Autokorelasi mencerminkan adanya hubungan yang terjadi antara error masa lalu dengan error saat ini yang dapat menyebabkan parameter menjadi bias sehingga
pendugaan parameter menjadi tidak efisien. Untuk mendeteksi ada tidaknya autokorelasi adalah dengan melihat nilai dari Durbin Watson DW statistiknya yang
dibandingkan dengan nilai dari tabel DW. Berikut merupakan kerangka identifikasi dalam menentukan ada tidaknya autokorelasi.
Tabel 8.
Kerangka Identifikasi Autokorelasi
Nilai Durbin Watson Keterangan
4 – dl DW 4
Tolak H , korelasi serial negatif
Kategori