Gambar 3.1 Uji Durbin Watson Test
H = tidak ada autokorelasi r = 0
H
1
= ada autokorelasi r ≠ 0 Sumber: Gujarati, 2003
Pada Gambar 3.1, menunjukkan bahwa jika nilai Durbin-Watson hitung berada diantara dU dan 4-dU, maka dapat dikatakan tidak ada autokolerasi positif
maupun negatif, sehingga H dapat diterima.
3.5.2.3 Deteksi Heteroskedastisitas
Gujarati 2004 menjelaskan bahwa, asumsi regresi linear klasik adalah gangguan
disturbance
u
i
yang muncul dalam fungsi regresi populasi adalah homoskedastisitas yang berarti semua gangguan yang ada memiliki varians yang
sama. Jika tidak demikian, berarti kita dihadapkan pada situasi heteroskedastisitas, atau dihadapkan pada varians yang tak sama, atau non-konstan.
Menurut Gujarati 2004, ada atau tidaknya heteroskedastisitas dapat dideteksi dengan menggunakan uji Park. Uji Park dapat diformulasikan
menggunakan bentuk fungsi berikut :
f d
Menolak H
1
bukti Autokorelasi
Negatif Daerah
Keragu- raguan
Menerima H atau
H
1
atau Kedua- duanya
Daerah Keragu-
raguan Menolak H
bukti Autokorelasi
Positif
d 4-dU
4-dL 4
dU dL
atau ln
= ln +
............................................................................ 3.2 dari formula tersebut,
adalah unsur gangguan
disturbance
yang stokhastik. Jika
tidak diketahui, maka dapat digunakan sebagai pendekatan dan
dapat dilakukan formula regresi berikut ini : ln
= ln +
= .......................................................................................... 3.3
Jika β yang ada terbukti signifikan secara statistik, maka hal ini menandakan bahwa dalam model ini terdapat heteroskedastisitas. Apabila tidak
signifikan, maka asumsi homoskedastisitas bisa diterima. Dalam
mendeteksi heteroskedastisitas
dapat pula
menggunakan
scatterplot
, sehingga dapat dilihat ada atau tidaknya suatu pola tertentu pada grafik
scatterplot
antara nilai prediksi variabel terikat ZPRED dengan nilai residualnya SRESID. Jika dari hasil grafik scatterplot ada titik-titik yang
membentuk pola tertentu yang teratur maka diidentifikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas
dan di bawah angka 0 pada sumbu Y, maka diidentifikasi tidak terjadi heteroskedastisitas.
3.5.2.4 Deteksi Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal Ghozali, 2006.
Maka regresi yang baik adalah yang mempunyai distribusi data yang normal atau yang mendekati normal.
Menurut Imam 2009, dalam mendeteksi uji normalitas dapat digunakan uji statistik non parametrik Kolmogorov-Smirnov KS. Uji KS dapat dilakukan
dengan menggunakan hipotesis berikut : H
: Residual terdistribusi dengan normal H
1
: Residual tidak terdistribusi dengan normal Untuk mengetahui distribusi residual yang terjadi pada model dapat
dilakukan dengan cara melihat nilai signifikansi sig. pada tabel “One-Sampel Kolmogorov-
Smirnov Test”. Adapun kriteria pengambilan keputusannya adalah sebagai berikut :
Jika sig. yang diperoleh α, maka H diterima, yang artinya
residual terdistribusi dengan normal. Jika sig. yang diperoleh α, maka H
1
diterima, yang artinya residual tidak terdistribusi dengan normal.
3.5.3 Pengujian Hipotesis