Uji Heteroskedastisitas Uji Autokorelasi

b. Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen Ghozali, 2005:91. Pengujian multikolinearitas dilakukan dengan melihat 1 nilai tolerance dan lawannya 2 VIF variance inflation factor. Nilai cutoff tolerance 0,1 atau sama dengan nilai VIF 10. Menurut Ghozali 2005, cara yang dapat dilakukan jika terjadi multikolinearitas, yaitu: 1. mengeluarkan satu atau lebih variabel independent yang mempunyai korelasi tinggi dari model regresi dan identifikasi variabel independen lainnya untuk membantu prediksi, 2. menggabungkan data cross section dan time series pooling data, 3. menambah data penelitian.

c. Uji Heteroskedastisitas

Uji heteroskedastisitas dijelaskan oleh Ghozali, 2005:105 sebagai berikut: uji heterosdekastisitas bertujuan 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 Universitas Sumatera Utara tetap, maka disebut homoskedastisitas dan jika berbeda disebut heterosdekastisitas. Model regresi yang baik adalah homoskedastisitas atau tidak terjadi heterosdekastisitas . Kebanyakan data cross section mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang, dan besar. Untuk mendeteksi ada tidaknya heterosdekastisitas, menurut Ghozali 2005:105 dapat dilihat dari grafik Scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya ZRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka telah terjadi heterosdekastisitas, sebaliknya jika tidak ada pola yang jelas, serta titik- titik menyebar maka tidak terjadi heteroskedastisitas.

d. Uji Autokorelasi

Menurut Ghozali 2005:95 uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode 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 cenderung mempengaruhi “gangguan” pada individu kelompok yang sama periode berikutnya. Universitas Sumatera Utara Penggunaan program SPSS bertujuan untuk mendeteksi adanya problem autokorelasi adalah dengan melihat besaran DURBIN-WATSON, yaitu panduan mengenai angka D-W Durbin-Watson pada tabel D-X. Pengambilan keputusan ada tidaknya autokorelasi adalah sebagai berikut: ― angka D-W dibawah -2 berarti ada autokorelasi positif dan ― angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi ― angka D-W diatas +2 berarti ada autokorelasi negatif. Autokorelasi bisa diatasi dengan berbagai cara, misalnya dengan melakukan transformasi data dan menambah data observasi.

2. Pengujian Hipotesis