104
2.1.12.2 Uji Multikolinearitas
Uji
ini
multikolinearitas
menyatakan bahwa
variabel
independen
harus
terbebas dari
gejala
korelasi antarvariabel
independen, yang ditunjukkan
dengan
korelasi signifikan
antarvariabel independen
(Santosa
dan Ashari,
2005,
p238),
dimana
antara
dua
variabel
independen
atau
lebih
pada
model
regresi terjadi hubungan
linier
yang
sempurna
atau
mendekati
sempurna
(Priyatno,
2010,
p62).
Model
regresi
atau
path
analysis
yang
baik
mensyaratkan
tidak
adanya
gejala
multikolinearitas.
Untuk
mendeteksi ada
tidaknya
gejala
multikolinearitas
dapat
diuji
dengan
membandingkan
nilai
r² dengan
R² hasil
regresi
atau
dengan
melihat
nilai
tolerance dan
VIF
(Variance
Inflation Factor) (dalam
Priyatno,
2010,
p62)
dengan
dasar
pengambilan
keputusan
apabila
nilai
Tolerance lebih
dari
0,1
dan
VIF
(Variance
Inflation
Factor)
kurang
dari
10
(Priyatno,
2010,
p67).
Apabila
terjadi
gejala
multikolinearitas,
salah
satu
langkahnya
adalah
menghilangkan
variabel
dari
model,
sehingga bisa dipilih model yang terbaik.
2.1.12.3 Uji Autokorelasi
Merupakan
uji
dimana
variabel dependen
tidak
berkorelasi
dengan
dirinya
sendiri.
Maksud berkorelasi dengan dirinya sendiri adalah bahwa nilai dari variabel dependen tidak
berhubungan
dengan
nilai
variabel
itu
sendiri,
baik
nilai
periode
sebelumnya
atau
nilai
periode sesudahnya (Santosa dan Ashari, 2005, p240). Autokorelasi muncul
karena observasi
yang
berurutan
sepanjang
waktu
berkaitan
satu
sama
lain
(data
time
series). Masalah
ini
timbul
karena residual
tidak
bebas
dari
satu
observasi
ke
observasi
lainnya,
sedangkan
pada data
crossection
(silang waktu) masalah autokorelasi jarang terjadi.
Untuk mendeteksi
gejala autokorelasi
biasanya
digunakan
uji
Durbin-Watson
(DW).
Menurut
Priyatno
(2010,
p77) dasar pengambilan keputusannya sebagai berikut:
-
Jika dU< DW<4-dU, maka tidak terjadi autokorelasi
-
Jika DW<dL atau DW>4-dL, maka terjadi autokorelasi
 |