46 masalah autokorelasi. Autokorelasi muncul karena observasi yang berurutan
sepanjang waktu berkaitan satu dengan yang lain. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi
lainnya, biasanya dijumpai pada data deret waktu time series. Konsekuensi adanya autokorelasi dalam model regresi adalah variance sample tidak dapat
menggambarkan variance populasinya, sehingga model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen pada nilai
independen tertentu Ghozali, 2005. Kriteria pengujian Autokorelasi dengan menggunakan uji Run Test Ghozali, 2006:
1. Apabila nilai Asymp. Sig pada output run test lebih besar dari 5 maka data tidak mengalami autokorelasi.
2. Apabila nilai Asymp. Sig pada output run test lebih kecil dari 5 maka data mengalami autokorelasi.
3.9.4 Uji Heteroskedasitas
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedatisitas dan jika berbeda disebut Heteroskedasitas.
Model regresi yang baik adalah yang homokedasitas atau tidak terjadi heteroskedasitas. Untuk mendeteksi adanya heterokedastisitas dilakukan dengan
melihat grafik plot antara nilai prediksi variabel terikat ZPRED dengan residualnya SRESID.
Universitas Sumatera Utara
47 Dasar analisisnya:
1. Jika ada pola tertentu, seperti titik – titik yang membentuk suatu pola tertentu,
yang teratur bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola tertentu serta titik –titik menyebar diatas dan dibawah angka
nol pada sumbu Y, maka tidak terjadi heteroskedastisitas, maka mengindikasikan telah terjadi heteroskedastisitas. Analisis dengan grafik plots
memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan, semakin
sulit untuk mengintepretasikan hasil grafik plot. Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin
keakuratan hasil, salah satunya dengan uji Glejser Ghozali, 2005. Dasar pengambilan keputusan uji heteroskedastisitas melalui uji Glejser dilakukan
sebagai berikut. 1. Apabila koefisien parameter beta dari persamaan regresi signifikan statistik,
yang berarti data empiris yang diestimasi terdapat heteroskedastisitas. 2. Apabila probabilitas nilai test tidak signifikan statistik, maka berarti data
empiris yang diestimasi tidak terdapat heteroskedastisitas. Analisis dengan grafik plots memiliki kelemahan yang cukup signifikan
oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan, semakin sulit untuk mengintepretasikan hasil grafik plot.
Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin keakuratan
Universitas Sumatera Utara
48 hasil, salah satunya dengan uji Glejser Ghozali, 2005. Dasar pengambilan
keputusan uji heteroskedastisitas melalui uji Glejser dilakukan sebagai berikut: 1. Apabila koefisien parameter beta dari persamaan regresi signifikan statistik,
yang berarti data empiris yang diestimasi terdapat heteroskedastisitas. 2. Apabila probabilitas nilai test tidak signifikan statistik, maka berarti data
empiris yang diestimasi tidak terdapat heteroskedastisitas.
3.10 Pengujian Hipotesis