Ruang Lingkup Penelitian Populasi dan Sampel Penelitian
44 menghasilkan estimasi yang terlalu tinggi umtuk R
2
. Bahkan ketika estimasi nilai variasi u
t
tidak terlalu rendah, maka estimasi nilai variasi dari koefisien regresi mungkin akan terlalu rendah, dan karenanya uji t dan uji F menjadi tidak valid
Gujarati, 2003, Johnston dan DiNardo, 1997. Autokorelasi dapat dideteksi dengan menggambarkan residual atau galat
atau secara lebih formal dengan menggunakan statistik Durbin Watson d. Nilai statistik d yang dihitung, kemudian dibandingkan dengan nilai kritis dari tabel
Durbin Watson D-W. Nilai d berkisar antara 0 dan 4. Secara umum, nilai d yang berkisar disekitar d=2 menunjukkan tidak adanya autokorelasi. Jika nilai statistik
D-W jatuh antara nilai kritis d
L
dan d
U
maka dikatakan bahwa hasil ujinya tidak dapat disimpulkan. Akhirnya, jika nilai statistik d adalah lebih kecil dari nilai
kritis d
L,
terdapat bukti adanya autokorelasi Salvatore, 2001:172. Untuk menguji ada tidaknya autokorelasi dapat digunakan tes Durbin
Watson sebagai berikut:
Gambar 2 Durbin Watson
Fd
Autokorelasi positif
Daerah keragu-raguan
Tidak ada
autokorelasi Daerah
keragu-raguan Autokorelasi
negatif
dl du
4-du 4-dl
4 Keterangan:
45 1. Bila d dl, maka ada korelasi yang positif.
2. Bila dl ≤ d ≤ du, berarti tidak diketahui apakah model mengandung
autokorelasi atau tidak ragu-ragu. 3. Bila du d 4-du, maka tidak ada korelasi positif maupun negatif.
4. Bila 4-du ≤ d ≤ 4-dl, maka kita tidak dapat mengambil kesimpulan apa-apa.
5. Bila d 4-dl, maka ada korelasi negatif.
c. Uji Heteroskedastisitas Heteroskedastisitas adalah asumsi yang menyatakan bahwa residu atau
deviasi dari garis yang paling tepat muncul secara random sesuai dengan besarnya variabel-variabel independen. Bila kesalahan yang terjadi tidak acak tetapi
menunjukkan hubungan yang sistematis sesuai dengan besarnya satu variabel independen atau lebih, berarti adanya heteroskedastisitas. Heteroskedastisitas
mempengaruhi kesalahan baku koefisien sehingga memberikan indikasi yang salah dan menyebabkan koefisien determinasi menunjukkan daya menjelaskan
yang terlampau besar Arsyad, 1996:198. Heteroskedastisitas dapat dihilangkan dengan menggunakan logaritma dari
variabel penjelas yang menyebabkan terjadinya heteroskedastisitas tersebut atau dengan menggunakan regresi dengan sistem kuadrat terkecil tertimbang weighted
least square . Untuk menjalankan regresi jenis ini, pertama harus membagi semua
variabel terikat
dan variabel
bebas yang
menyebabkan terjadinya
heteroskedastisitas dan menjalankan regresi terhadap variabel yang sudah ditransformasikan tersebut Salvatore, 2001:170.