49 2. Lakukan trimming, yakni membuang data yang outlier. Data outlier
adalah data yang mempunyai nilai yang sangat menyimpang dari nilai data lainnya.
3. Lakukan winsorizing, yakni mengubah nilai data yang outlier menjadi nilai maksimum dan minimum yang diizinkan.
3.6.1.2. Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya kolerasi diantara variabel independen. Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen Erlina, 2012: 103. Multikolinearitas adalah situasi dimana terjadinya korelasi antara
variabel independen yang satu dengan yang lainnya. Secara umum, ada dua cara untuk mendeteksi adanya multikolinearitas,
yakni dengan melihat nilai tolerance dan variance inflation factor VIF. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan oleh variabel independen lainnya sementara VIF merupakan suatu estimasi mengenai seberapa besasr multikolinearitas meningkatkan varian pada
suatu koefisien estimasi sebuah variabel independen. Semakin tinggi nilai VIF, maka semakin berat dampak multikolinearitas. Nilai cutoff yang umum dipakai
untuk menunjukkan adanya multikolineritas adalah jika tolerance 0,1 dan nilai VIF 10.
Universitas Sumatera Utara
50
3.6.1.3.Uji Heterokedastisitas
Menurut Erlina 2012:106, “pengujian gejala heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan
variabel dari residual satu pengamatan ke pengamatan yang lain”. Umumnya, heterokedastisitas sering terjadi pada model penelitian yang menggunakan data
silang waktu cross section dibandingkan dengan data runtut waktu time series. Model regresi yang baik haruslah tidak terdapat heterokedastisitas.
Salah satu pengujian yang dapat digunakan untuk mendeteksi adanya heterokedastisitas adalah dengan melihat grafik scatterplot. Jika pada grafik
terdapat pola teratur tertentu seperti bergelombang, melebar dan kemudian menyempit, maka terdapat heterokedastisitas. Namun, jika tidak ada pola yang
jelas, serta titik-titik menyebar baik di atas maupun di bawah nol sumbu Y, maka tidak terdapat heterokedastisitas.
3.6.1.4.Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode t-1. Autokorelasi biasanya muncul jika data yang dipakai adalah hasil observasi yang berurutan sepanjang tahun
time series.
Universitas Sumatera Utara
51 Ada beberapa cara yang dapat dilakukan untuk mendeteksi masalah
autokorelasi, di antaranya adalah uji Durbin Watson. Pengambilan keputusan ada tidaknya autokorelasi menurut Erlina 2012:107 adalah sebagai berikut :
1 Bila nilai Durbin-Watson DW terletak antara batas atas atau Upper Bound DU dan 4
DU, maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi.
2 Bila nilai DW lebih rendah dari pada batas bawah atau Lower Bound DL, maka koefisien autokorelasi lebih besar dari nol, berarti ada
autokorelasi positif. 3 Bila nilai DW lebih besar dari pada 4
DL, maka koefisien autokorelasi lebih kecil dari nol, berarti ada autokorelasi negatf.
4 Bila nilai DW terletak diantara batas atas DU dan batas bawah DL atau DW terletak antara 4 DU dan 4 DL, maka hasilnya tidak
dapat disimpulkan.
3.6.2. Pengujian Hipotesis
