BAB III METODOLOGI PENELITIAN
E. Uji Asumsi Klasik
Uji ini biasanya didesain untuk menguji apakah suatu variabel penjelas
cocok atau tidak dimasukkan dalam suatu model estimasi, uji ini digunakan
untuk menguji apakah bentuk fungsi suatu model estimasi linier atau tidak
linier dengan cara melihat nilai probabilitasnya.
Untuk mengetahui suatu model linier atau tidak, dapat dilakukan dengan
cara Uji Ramsey (RESET), yaitu suatu pengujian yang dikembangkan oleh
dikenal dengan sebutan uji kesalahan spesifikasi regresi (Regression
Specification Error Test = RESET) (Widarjono, 2009:170). Dalam pengujian
Ramsey (RESET) ini, yang perlu diperhatikan adalah nilai F hitung, dengan
hipotesis :
H0 = Model tidak linier
Ha = Model linier
Apabila nilai F hitung lebih besar dari nilai F kritisnya pada α tertentu
berarti signifikan, maka hipotesis H0 diterima, artinya model kurang tepat atau
tidak linier. Sebaliknya, apabila nilai F hitung lebih kecil dari nilai F kritisnya
pada α tertentu, berarti tidak signifikan dan menolak hipotesis H0 yang
menyatakan bahwa model tidak linier.
Selain itu, Pengambilan keputusan juga dapat dilakukan dengan melihat
nilai probabilitas Obs* R2, yaitu sebagai berikut :
1. Bila probabilitas Obs* R2 > 0,05 maka signifikan, dan menolak H0 dengan
demikian model dikatakan linier.
2. Bila probabilitas Obs* R2 < 0,05 maka tidak signifikan dan menerima H0,
maka model tidak linier.
2. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi
variable pengganggu atau residual memiliki distribusi normal. Seperti diketahui
62 normal, jika asumsi ini dilanggar maka uji statistis menjadi tidak valid
(Ghozali, 2009).
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi
normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang
terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing
variabel tetapi pada nilai residualnya. Sering terjadi kesalahan yang jamak yaitu
bahwa uji normalitas dilakukan pada masing-masing variabel. Hal ini tidak
dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya
bukan pada masing-masing variabel penelitian.
Langkah pengujian sebagai berikut:
Hipotesis
H0 : model terdistribusi normal
Ha : model tidak terdistribusi normal
Pengambilan keputusan dilakukan dengan kriteria :
- jika probabilitas OBS*R2 >0,05 siginifikan H0 diterima
- jika probabilitas OBS*R2 <0,05 tidak signifikan H0 ditolak
Artinya adalah apabila probabilitas OBS*R2 lebih besar dari 0,05 maka
model tersebut dikatakan normal. Apabila OBS*R2 lebih kecil dari 0,05 maka
3. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik
seharusnya tidak terjadi korelasi diantara variabel independen. Jika variabel
independen saling berkolerasi maka variable-variabel ini tidak orthogonal atau
nilai korelasi antar sesama variable independen sama dengan nol (Ghozali,
2009).
Uji multikolinearitas bermaksud untuk membuktikan atau menguji ada
tidaknya hubungan linear antara variabel bebas (independent) satu dengan
variabel lainnya (Gujarati, 2006:67).
Uji miltikolinearitas dilakukan untuk melihat apakah ada korelasi antara
variabel independen pada model regresi. Korelasi antara variabel independen
sebaiknya kecil ( Nisfiannoor, 2009:91). Deteksi adanya multikolinearitas:
1. Nilai R2 sangat tinggi, tetapi secara sendiri-sendiri regresi antara
variabel-variabel independen tidat signifikan
2. Korelasi antar variabel-variabel independen sangat tinggi.
Pengujian multikolinearitas dilakukan dengan menggunakan matriks
64 Hipotesis
H0 : model bersifat multikonearitas
Ha : model tidak bersifat multikonearitas
Pengambilan keputusan dilakukan dengan kriteria :
apabila hubungan x1 dan x2 > 0.85 H0 diterima
apabila hubungan x1 dan x2 < 0.85 H0 ditolak
Artinya adalah apabila hubungan antara variabel x1 dan x2 lebih dari 0, 85
maka model yang tersebut memiliki sifat multikolinearitas. Apabila hubungan
antara variabel x1 dan x2 kurang dari 0,85 maka model yang tersebut tidak
memilki sifat multikolinearitas (Widarjono, 2009:106).
4. Uji Heteroskedastisitas
Uji heterokdastisitas bertujuan menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain
(Ghozali, 2009).
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam sebuah
regresi terjadi ketidaksamaan varian dari residual dari suatu pengamatan ke
pengamatan lain (Gujarati, 2006:82).
Data yang diharapkan adalah memiliki varians yang sama, dan disebut
homoskedastisitas. Sedangkan jika data tersebut memiliki varians yang berbeda
Pendeteksian heteroskedastisitas dapat dilakukan melalui uji white karena
uji tersebut mudah untuk diterapkan (Gujarati, 2006:94).
Langkah pengujian sebagai berikut:
Hipotesis
H0 : model terdapat heterokesdastisitas
Ha : model tidak terdapat heterokesdastisitas
Pengambilan keputusan dilakukan dengan kriteria :
- jika probabilitas OBS*R2 >0,05 siginifikan H0 ditolak
- jika probabilitas OBS*R2 <0,05 tidak signifikan H0 diterima
Artinya adalah apabila probabilitas OBS*R2 lebih besar dari 0,05 maka
model tersebut tidak terdapat heteroskedastisitas. Apabila OBS*R2 lebih kecil
dari 0,05 maka model tersebut terdapat heteroskedastisitas (Winarmo,
2009:5.15).
5. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1(sebelumnya) jika terjadi korelasi maka
dinamakan ada problem autokorelasi (Ghozali, 2009).
Autokorelasi bertujuan untuk mengetahui apakah dalan sebuah model
regresi linear ada korelasi antara kesalahan penggangu pada periode t dengan
66 Sejalan dengan keterangan lainnya yang mengatakan bahwa uji
autokorelasi dilakukan untuk mengetahui apakah ada korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan periode t sebelumnya pada model
regresi linear yang dipergunakan. Jika terjadi korelasi, maka dinamakan ada
problem autokorelasi. Dalam model regresi yang baik adalah tidak terjadi
korelasi (Nisfiannor, 2009:92).
Apabila data yang kita analisis mengandung autokorelasi, maka estimator
yang kita dapatkan memiliki karakteristik berikut ini: (i) Estimator metode
kuadrat terkecil masih linear, (ii) Estimator metode kuadrat terkecil masih tidak
bias, (iii) Estimator metode kuadrat terkecil tidak mempunyai varian yang
minimum. Dengan demikian autokorelasi akan menyebabkan estimator hanya
bersifat LUE, tidak lagi BLUE (Best Linear Unbias Estimate) (Winarmo,
2009:5.27).
Dalam mendeteksi permasalahan autokorelasi bisa menggunakan Uji
Breusch-Godfrey (BG). Nama lain uji ini adalah Uji lagrange-Multiplier
(Pengganda Lagrange). (Winarmo, 2007:5.29)
Langkah-langkah pengujian.
Hipotesis
H0 : model terdapat autokorelasi
Ha : model tidak terdapat autokorelasi
-. Bila prob X2 > 0.05 H0 ditolak
Artinya adalah nilai prob X2 (2) lebih besar dari 0.05 maka model dalam
penelitian terbebas masalah autokorelasi. Sebaliknya, jika nilai prob. X2 lebih
kecil dari 0.05 maka model dalam penelitian terbebas masalah autokorelasi
(Winarmo, 2009:5.30).