independen. Suatu model regresi yang baik tidak ditemukannya hubungan atau kolerasi diantara variabel independen. Pengujian multikoliniearitas dilakukan
dengan melihat 1 nilai tolerance dan lawannya 2 VIF varianceinflation factor. Nilai cutoff yang umum dipakai untuk menunjukkan adanya
multikolinearitas adalah nilai tolerence 0,10 atau sama dengan nilai VIF 10.
Menurut Ghozali 2005, cara yang dapat dilakukan jika terjadi multikolinieritas yaitu:
1. Mengeluarkan salah satu atau lebih variabel independen yang mempunyai korelasi tinggi model regresi dan identifikasi variabel independen lainnya
untuk membantu prediksi, 2. Menggabungkan data cross section dan time series pooling data,
3. Menambah data penelitian,
3.6.4 Uji Autokorelasi
Uji autokorelasi menurut Ghozali 2005 : 95 adalah berikut: Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada
kolerasi antara kesalahan pengganggu pada t-1 sebelumnya. Autokorelasi ini muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama
lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada
data runtun waktu time series karena ‘’gangguan’’ pada seseorang individu
kelompok yang sama pada periode berikut. Dengan menggunakan program SPSS, deteksi adanya problem
autokorelasi adalah dengan melihat besaran DURBIN-WATSON, yaitu panduan mengenai angka D-W DURBIN-WATSON pada tabel D-X.
Universitas Sumatera Utara
Mengacu pada pendapat sentoso, Singgih 2002, secara umum dapat diambil patokan sebagai berikut:
1. angka D-W dibawah -2 berarti ada autokorelasi positif, 2. angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi,
3. Angka D-W diatas +2 berarti ada autokorelasi negatif. Autokorelasi bisa diatasi dengan berbagai cara, misalnya dengan
melakukan transfarmasi dan menambah data observasi.
3.6.5 Uji Heteroskedastisitas
Uji heteroskedastitas dijelaskan oleh Ghozali 2005 : 105: Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan lain tetap, maka
homokedasitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homokedasitas atau terjadi heteroskedastisitas.
Kebanyakan data cross section mengandung situasi heteroskedastitas karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang, dan
besar. Untuk mendeteksi ada tidaknya heterskedastisitas, menurut Ghozali
2005 : 105 dapat dilihat dari grafik scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan nilai residualnya SRESID, jika ada pola
tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka telah terjadi heterokedasitas. Sebaliknya jika tidak ada yang jelas, serta
titiknya menyebar maka tidak terjadi heterokedasitas.
Universitas Sumatera Utara
3.6.6 Koefisien Determinasi R