1. Uji Autokorelasi
Autokorelasi menunjukkan adanya korelasi antara residual pada periode t dengan residual pada periode t-1 sebelumnya. Model regresi
yang baik adalah regresi yang bebas dari autokorelasi. Pendeteksian ada atau tidaknya autokorelasi menggunakan Durbin Watson Test. Jika nilai Durbin
Watson yang dihasilkan analisis regresi terletak di antara -2 hingga +2, maka disimpulkan tidak terdapat autokorelasi pada model regresi Santoso,
2002:219. Berikut adalah nilai Durbin Watson yang dihasilkan dari model regresi:
Tabel 4.5 Hasil Nilai Durbin-Watson
Model Durbin-Watson
1 2,848
Sumber : Lampiran 3
Berdasarkan Tabel 4.5 dapat dilihat bahwa nilai Durbin-Watson yang dihasilkan model regresi sebesar 2,848 terletak di atas nilai +2, dengan
demikian disimpulkan bahwa terjadi autokorelasi dalam model regresi. Menurut Santoso 2002:219, adanya gejala autokorelasi menyebabkan
model regresi yang seharusnya signifikan, menjadi tidak layak untuk dipakai. Oleh karena itu, adanya autokorelasi dalam model regresi perlu
diatasi. Salah satu cara untuk mengatasi adanya autokorelasi adalah dengan melakukan transformasi data. Dalam penelitian ini untuk mengatasi adanya
autokorelasi dilakukan transformasi logaritma pada data variabel penelitian.
Berikut adalah nilai Durbin Watson yang dihasilkan dari model regresi setelah dilakukan transformasi logaritma:
Tabel 4.6 Hasil Nilai Durbin-Watson Setelah Transformasi
Model Durbin-Watson
1 1,444
Sumber : Lampiran 4
Tabel 4.5 menunjukkan bahwa setelah dilakukan transformasi data, diperoleh nilai Durbin-Watson sebesar 1,444 yang terletak di antara -2
hingga +2, sehingga disimpulkan tidak terjadi autokorelasi dalam model regresi, dengan demikian asumsi non autokorelasi telah terpenuhi.
2. Uji Multikolinieritas
Multikolinieritas menunjukkan adanya korelasi linier sempurna antara variabel bebas dalam model regresi. Model regresi yang baik tidak
menunjukkan adanya gejala multikolinieritas. Pendeteksian ada atau tidaknya multikolinieritas dilakukan dengan melihat nilai tolerance dan nilai
VIF. Apabila nilai tolerance 0,1 dan nilai VIF 10, maka model regresi bebas dari multikolinieritas. Berikut adalah nilai tolerance dan nilai VIF
yang dihasilkan model regresi: Tabel 4.7
Hasil Nilai Tolerance dan Nilai VIF Variabel
Colinierity Statistics Tolerance
VIF Jumlah Anggota
0.220 4.554
Jumlah Simpanan 0.220
4.554
Sumber : Lampiran 4
Dari Tabel 4.6 terlihat bahwa nilai tolerance kedua variabel bebas di atas angka 0,1, demikian pula nilai VIF keduanya di bawah angka 10,
sehingga dapat dikatakan model regresi bebas dari multikolinieritas, dengan demikian asumsi non multikolinieritas terpenuhi.
3. Uji Heteroskedastisitas