Uji Asumsi Multikolinieritas Pengujian Asumsi Klasik Tahap 2
4.1.2.3.Uji Asumsi Heterokedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke
pengamatan yang lain. Jika varian dari residual satu pengamatan kepengamatan yang lain tetap, maka disebut homoskedastisitas dan jika
berbeda akan disebut heteroskedastisitas. Model regresi yang baik adalah model yang tidak terjadi heteroskedastisitas Ghozali, 2005.Metode yang
dapat dipakai untuk mendeteksi gejala heterokedasitas dalam penelitian ini adalah metode grafik, yaitu dapat dilihat dari grafik plot antara nilai prediksi
variabel terikat ZPRED dengan residualnya SRESID. Ada tidaknya gejala heteroskedastisitas dapat diketahui dengan dua hal, antara lain :
3. Jika pencaran data yang berupa titik-titik membentuk pola tertentu dan
beraturan, maka terjadi masalah heteroskedastisitas. 4.
Jika pencaran data yang berupa titik-titik tidak membentuk pola tertentu dan menyebar diatas dan dibawah sumbu Y, maka tidak terjadi masalah
heteroskedastisitas. Adapun grafik hasil pengujian heterokesdastisitas menggunakan
SPSS versi 16.0 dapat dilihat pada Gambar di bawah ini:
Gambar 4.6. Scatterplot Uji Heterokedastisitas
Hasil analisis pada Gambar 4.4di atas menunjukkan bahwa titik- titik menyebar secara acak dan tidak membentuk pola tertentu. Hal ini
menunjukkan bahwa tidak terdapat indikasi adanya heterokedastisitas pada model yang diuji sehingga asumsi ini terpenuhi.
4.1.2.4.Asumsi Autokorelasi
Ghozali 2007:95 menjelaskan tujuan uji autokorelasi adalah: “Menguji apakah dalam sebuah model regresi linier ada korelasi antara
kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya”. Jika terjadi korelasi, dinamakan ada problem autokorelasi.
Autokorelasi sering ditemukan pada data runtut waktu time series. Panduan untuk melihat ada tidaknya autokorelasi dapat dilihat dari nilai durbin watson
test.
Tabel 4.6. Hasil Pengujian Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .550
a
.303 .292
1.04010 1.916
a. Predictors: Constant, Maturitas, SBI, Likuiditas, Rating b. Dependent Variable: YTM
Hasil pengujian asumsi autokorelasi dengan metode Durbin Watson pada tabel di atas menunjukkan bahwa model telah memenuhi
asumsi autokorelasi karena nilai Durbin Watson 1,916 berada pada daerah antara dU 1,826 dan 4-dU 2,174.