37
= Konstanta
1
,
2
= Koefisien Regresi e
= Pengganggu
3.5.1. Uji Asumsi Klasik
Persamaan regresi tersebut harus bersifat BLUE Best Linier Unbiased Estimator, artinya pengambian keputusan uji F dan uji t tidak boleh bias. Untuk
memperoleh persamaan regresi yang dapat dipertanggungjawabkan, maka asumsi klasik sebagai berikut harus dipertimbangkan :
a. Tidak boleh terjadi Autokrelasi
b. Tidak boleh terjadi Multikolineritas.
c. Tidak boleh terjadi Heteroskedastisitas.
Apabila salah satu sari ketiga asumsi tersebut dilanggar maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE, sehingga pengambilan keputusan
melalui uji F dan uji t menjadi bias. Berikut ini uraian singkat mengenai ketiga asumsi tersebut :
1. Autokorelasi
Autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series atau
data yang diambil pada waktu tertentu data cross-sectional” Gujarati, 1995 : 201. Jadi dalam model regresi linier diasumsikan tidak terdapat
gejala autokorelasi. Artinya nilai residual Y observasi – Y prediksi pada
38
waktu ke –t e
t
tidak boleh ada hubungan dengan nilai residual periode sebelumnya e
t-1
. Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di
bawah ini. Nilai table Durbin Watson dL dan dU dapat dicari dari table, dengan mengetahui nilai k = jumlah variable bebas dan N = jumlah data.
Untuk mengetahui nilai dW tes berada di daerah mana dapat digunakan tabel berikut :
Tabel 3.1. Penentuan Nilai Durbin Watson
Kriteria DW tes berada di
Ada autokorelasi positif 0 dW dL
Tidak ada keputusan dL dW dU
Tidak ada autokorelasi dU dW 4 – dU
Ada autokorelasi keputusan 4 – dU dW 4 – dL
Ada autokorelasi negatif 4 – dL dW 4
Sumber : Gujarati, 1995: 423 Setelah nilai Durbin Watson tes diperoleh untuk dapat mengetahui
berada di daerah mana dapat diplotkan pada gambar kurva di bawah ini.
2. Multikolinieritas
Gejala multikolinieritas artinya antara independent yang satu dengan yang lain dalam model regresi tidak saling berhubungan secara
sempurna atau mendekati sempurna. Alghifari 2000: 84 Menurut Singgih Santoso 2002: 206, model regresi bebas dari
multikolinieritas bila : 1.
VIF disekitar angka 1 atau lebih kecil dari 10. 2.
Mempunyai angka tolerance mendekati 1.
39
3. Heteroskedastisitas
Maksud dari penyimpangan heteroskedastisitas adalah jika nilai residual tidak konstan atau berbeda untuk setiap nilai tertentu variabel
bebas. Dalam regresi linier, nilai residual harus konstan untuk setiap variabel bebas, jika ketentuan ini dilanggar maka akan terjadi
heteroskedastisitas Imam Ghozali, 2001 : 69. Dengan kata lain dalam suatu model regresi linier, nilai residual tidak boleh ada hubungan dengan
variabel bebas. Menurut Singgih Santoso 2002 : 301, deteksi adanya
heteroskedastisitas adalah : 1.
Nilai probabilitas 0,05, berarti bebas dari heteroskedastisitas. 2.
Nilai probabilitas 0,05, berarti terkena heteroskedastisitas.
3.5.2. Uji Hipotesis
Kategori