a Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi
data adalah tidak normal. b. Nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi
data adalah normal.
2. Uji Multikolinearitas
Menurut Ghozali 2005:111 uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan dengan adanya korelasi diantara variabel
independen. Suatu model regresi yang baik tidak ditemukannya hubungan atau korelasi di antara variabel independen. Dalam pengujian multikolinearitas
penulis menggunakan metode Variance Inflation Factor VIF. Untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model
regresi menurut Hadi 2006:168 dapat dilihat dari : i
Salah satu ciri regresi yang terjangkit multikolinear adalah persamaan tersebut memiliki nilai R
2
yang sangat tinggi, tetapi hanya memiliki sedikit variabel independen yang signifikan memiliki nilai
t hitung tinggi. Keadaan yang paling ekstrim adalah bila model memiliki nilai R
2
dan F hitung yang tinggi dan secara otomatis akan memiliki nilai signifikansi F yang sangat bagus tetapi tidak satupun
variabel independen yang memiliki nilai t cukup signifikan. Bila hal ini terjadi maka bisa disimpulkan bahwa bagusnya F dan R
2
karena adanya interaksi antar variabel independen yang cukup tinggi multikolinear
ii Indikator lain yang bisa dipakai adalah CI Condition Index atau
Eigenvalues. Bila CI berkisar antara10 sampai dengan 30 maka kita bisa mengatakan bahwa persamaan tersebut terjangkit multikolinear.
Bila CI 30 maka terjangkitnya semakin kecil.
iii VIF Variable Inflation Factor juga bisa digunakan sebagai
indicator. Bila VIF 10 maka variable tersebut memiliki kolinearitas yang tinggi.
Universitas Sumatera Utara
Bila ternyata model terindikasi penyakit multikolinear, maka baru dicari korelasi diantara variabel independen. Gujarati 1995 dalam Hadi 2006 :
168 menyatakan bahwa “dua variabel yang memiliki tingkat korelasi 0,8 sudah terlalu tinggi tetapi kalau 0,5 tidak ada masalah.”
Bila didapatkan dua variabel yang memiliki korelasi tinggi 0,8 ke atas, ambil salah satu saja dan hilangkan yang lain.
Menurut Ghozali 2005 : 91, untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut :
1 Nilai R
2
yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel
independennya banyak yang tidak signifikan mempengaruhi variabel dependen.
2 Menganalisis matrik korelasi variabel-variabel independen. Jika
antar variabel independen ada korelasi yang cukup tinggi umumnya di atas 0.90, maka hal ini merupakan indikasi adanya
multikolinearitas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolinearitas.
Multikolinearitas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
3 Multikolinearitas dapat juga dilihat dari a nilai tolerance dan
lawannya b variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan
oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen terikat dan diregres
terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan
oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1 Tolerence. Nilai
cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance 0.10 atau sama dengan nilai
VIF 10.
Menurut Ghozali 2005 : 95, cara mengobati apabila terjadi multikolonieritas dalam data penelitian adalah sebagai berikut:
a. Menggabungkan data crossection dan time series pooling data
Universitas Sumatera Utara
b. Keluarkan satu atau lebih variable indevenden yang mempunyai
korelasi tinggi dari model regresi dan identifikasikan variable indevenden lainnya untuk membantu prediksi.
c. Transformasi variable merupakan salah satu cara mengurangi
hubungan linear di antara variable indevenden. Transformasi dapat dilakukan dalam bentuk logaritmo natural dan bentuk first difference
atau delta. Caranya Yt = b1 + b2 X2t + b3 X3t + ut
……………………1 Yt-1 = b1 + b2 X2t-1 + b3 X3t-1 + ut-1
……………2 Kurangkan persamaan 2 dari 1 didapat first difference
Yt – Yt-1 = b2 X2t – X2t-1 + b3 X3t – X3t-1 + vt……3
d. Gunakan model dengan variabel indevenden yang mempunyai korelasi
tinggi hanya semata-mata untuk prediksi jangan mencoba untuk menginterpretasikan koefisien regresinya.
e. Gunakan metode analisis yang lebih canggih seperti Bayesian
regression atau dalam kasus khusus ridge regression.
3. Uji Heterokedasitas
