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.