45
cukup tinggi umumnya diatas 0.90, maka hal ini merupakan indikasi bahwa adanya Multilinearitas.
c. Uji Autokorelasi
Salah satu asumsi dari model regresi linear klasik adalah bahwa tak ada autokorelasi atau korelasi serial autocorrelation or serial
correlation antara kesalahan pengganggu €i. Istilah autokorelasi autocorrelation menurut Kendall dan
Buckland 1986:211 adalah autokorelasi merupakan korelasi antara anggota seri observasi yang disusun menurut urutan waktu seperti
data time-series atau menurut urutan tempat atau ruang seperti data cross-section, atau korelasi pada dirinya sendiri.
Autokorelasi dapat didefinisikan pula terjadinya korelasi di antara data pengamatan sebelumnya, dengan kata lain bahwa
munculnya suatu data dipengaruhi oleh data sebelumnya. Autokorelasi bertujuan untuk menguji apakah dalam model linear
ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Jika trerjadi korelasi, maka
dinamakan ada problem autokorelasi. Tentu saja model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Untuk mendeteksi terjadi autokorelasi atau tidak, dapat digunakan uji Breusch-Godfrey dengan melihat probabilitas dari
ObsR-squared. Jika probabilitasnya bernilai lebih besar dari 5
46
persen maka dapat dikatakan tidak terjadi Autokorelasi, dan sebaliknya jika probabilitasnya bernilai kurang dari 5 persen maka
dikatakan terjadi Autokorelasi.
d. Uji Heteroskedastisitas
Supranto 1983:42 mengatakan, Heteroskedastisitas adalah suatu keadaan di mana varian dari kesalahan pengganggu tidak
konstan untuk semua nilai variabel bebas. Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam
model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu
pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedatisitas dan jika berbeda disebut Heteroskedastisitas.
Model yang baik adalah Homoskedastisitas dan tidak terjadi Heteroskedastisitas.
Cara untuk mendeteksi ada tidaknya Heteroskedastisitas antara lain dengan melakukan uji White dengan melihat probabilitas dari
ObsR-squared. Jika probabilitasnya lebih besar dari 5 persen, maka dapat dikatakan tidak terjadi Heteroskedastisitas atau data bersifat
Homoskedastisitas dan sebaliknya jika probabilitasnya kurang dari 5 persen maka data dikatakan bersifat Heteroskedastisitas.