- 10 -

UJI ASUMSI KLASIK REGRESI

A. Uji Multikolinearitas

Multikolinearitas adalah keadaan dimana terjadi hubungan linier yang sempurna atau mendekati sempurna antar variabel independen dalam model regresi. Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya hubungan linear antar variabel independen dalam model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya multikolinearitas. Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu 1) dengan melihat nilai Inflation Factor (VIF) pada model regresi, 2) dengan membandingkan nilai koefisien determinasi individual (r²) dengan nilai determinasi secara serentak (R²), dan 3) dengan melihat nilai Eigenvalue dan Condition Index. Pada pembahasan ini akan dilakukan uji multikolinearitas dengan melihat nilai Inflation Factor (VIF) pada model regresi. Menurut Santoso (2001), pada umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel bebas lainnya.

Contoh Kasus:

Mengambil contoh kasus pada analisis regresi linier berganda. Pada contoh kasus tersebut setelah dilakukan uji normalitas dan dinyatakan data berdistribusi normal, maka selanjutnya akan dilakukan pengujian multikolinearitas. Contoh kasus sebagai berikut:

Seorang mahasiswa bernama Handoko melakukan penelitian tentang faktor-faktor yang mempengaruhi harga saham pada perusahaan di BEI (Bursa Efek Indonesia). Handoko dalam penelitiannya ingin mengetahui hubungan antara rasio keuangan PER dan ROI terhadap harga saham. Dengan ini Handoko menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear berganda. Data-data yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:

Tahun	Harga Saham (Rp)	PER (%)	ROI (%)
1991	7500	3.28	3.14
1992	8950	5.05	5.00
1993	8250	4.00	4.75
1994	9000	5.97	6.23
1995	8750	4.24	6.03
1996	10000	8.00	8.75
1997	8200	7.45	7.72
1998	8300	7.47	8.00
1999	10900	12.68	10.40
2000	12800	14.45	12.42
2001	9450	10.50	8.62
2002	13000	17.24	12.07
2003	8000	15.56	5.83
2004	6500	10.85	5.20
2005	9000	16.56	8.53
2006	7600	13.24	7.37
2007	10200	16.98	9.38
2008	10600	16.57	9.20
2009	9270	14.83	8.82
2010	11430	16.93	10.25

Langkah-langkah pada program SPSS 17

1. Menggunakan input yang sama dengan analisis regresi linier berganda pada bab sebelumnya.

2. Klik Analyze >> Regression >> Linear. Selanjutnya akan terbuka kotak dialog Linear Regression seperti berikut:

Gambar 60. Kotak dialog Linier Regression

3. Klik variabel Harga Saham dan masukkan ke kotak Dependent, kemudian klik variabel PER dan ROI lalu masukkan ke kotak Independent(s).

4. Klik Statistics, pada kotak dialog Linear Regression: Statistics beri tanda centang pada Collinearity diagnostics. Selanjutnya klik Continue.

Gambar 61. Kotak dialog Linier Regression: Statistics

5. Klik OK, maka hasil output untuk uji multikolinearitas dapat dilihat pada output Coefficients (VIF). Gambar seperti berikut:

Gambar 62. Output Linier Regression

Dari output Coefficients di atas, kita lihat kolom VIF. Dapat diketahui bahwa nilai VIF untuk PER dan ROI sebesar 2,039. Karena nilai VIF kurang dari 5, maka dapat disimpulkan bahwa pada model regresi tidak ditemukan adanya masalah multikolinearitas.

B. Uji Heteroskedastisitas

Heteroskedastisitas adalah keadaan dimana terjadi ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya ketidaksamaan varian dari residual pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya masalah heteroskedastisitas. Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu Uji Spearman’s rho, Uji Glejser, Uji Park, dan Melihat pola grafik regresi. Pada pembahasan ini akan dilakukan uji heteroskedastisitas dengan menggunakan Uji Spearman’s rho, yaitu mengkorelasikan nilai residual (Unstandardized residual) dengan masing-masing variabel independen. Jika signifikansi korelasi kurang dari 0,05 maka pada model regresi terjadi masalah heteroskedastisitas.

Contoh kasus:

Melanjutkan dari contoh kasus analisis regresi linier berganda, dimana setelah dilakukan uji multikolinearitas, maka selanjutnya akan dilakukan pengujian heteroskedastisitas.

Langkah-langkah pada program SPSS 17

1. Menggunakan input yang sama dengan analisis regresi linier berganda.

2. Klik Analyze >> Regression >> Linear. Selanjutnya akan terbuka kotak dialog Linear Regression seperti berikut:

Gambar 63. Kotak dialog Linier Regression

3. Klik variabel Harga Saham dan masukkan ke kotak Dependent, kemudian klik variabel PER dan ROI lalu masukkan ke kotak Independent(s).

4. Klik Save, pada kotak dialog Linear Regression: Save, beri tanda centang pada Unstandardized. Selanjutnya klik Continue.

Gambar 64. Kotak dialog Linier Regression: Save

5. Klik OK, hiraukan hasil output karena kita hanya mencari nilai residualnya saja. Buka halaman Data View maka akan ada tambahan satu variabel yaitu RES_1 (nilai residual). Gambar seperti berikut:

Gambar 65. Contoh penambahan variabel RES_1 (Unstandardized Relsidual)

6. Selanjutnya melakukan analisis korelasi Spearman’s rho dengan cara klik Analyze >> Correlate >> Bivariate. Kemudian akan terbuka kotak dialog Bivariate Correlation seperti berikut:

Gambar 66. Kotak dialog Bivariate Correlations

7. Klik variabel Unstandardized Residual, PER dan ROI dan masukkan ke kotak Variables. Pada Correlation Coefficients hilangkan tanda centang pada Pearson dan beri tanda centang pada Spearman. Jika sudah klik OK. Maka hasil output seperti berikut:

Gambar 67. Output Nonparametric Correlations

Dari output Correlations di atas, dapat diketahui korelasi antara PER dengan Unstandardized Residual menghasilkan nilai signifikansi 0,875 dan korelasi antara ROI dengan Unstandardized Residual menghasilkan nilai signifikansi 0,985. Karena nilai signifikansi korelasi lebih dari 0,05 maka dapat disimpulkan bahwa pada model regresi tidak ditemukan adanya masalah heteroskedastisitas.

C. Uji Autokorelasi

Autokorelasi adalah keadaan dimana terjadinya korelasi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi pada model regresi. Metode pengujian menggunakan uji Durbin-Watson (uji DW) dengan ketentuan sebagai berikut:

1) Jika d lebih kecil dari dl atau lebih besar dari (4-dl) maka hipotesis nol ditolak, yang berarti terdapat autokorelasi.

2) Jika d terletak antara du dan (4-du), maka hipotesis nol diterima, yang berarti tidak ada autokorelasi.

3) Jika d terletak antara dl dan du atau diantara (4-du) dan (4-dl), maka tidak menghasilkan kesimpulan yang pasti.

Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson yang bergantung banyaknya observasi dan banyaknya variabel yang menjelaskan.

Rumus uji Durbin Watson sebagai berikut: (Alhusin, 2003)

d =

Keterangan:

d = nilai Durbin-Watson

e = residual

Contoh kasus:

Melanjutkan contoh kasus pada regresi linier berganda, dimana sebelumnya telah dilakukan uji asumsi klasik multikolinearitas dan heteroskedastisitas. Selanjutnya akan dilakukan uji autokorelasi.

Langkah-langkah pada program SPSS 17

1. Menggunakan input yang sama dengan analisis regresi linier berganda.

6. Klik Analyze >> Regression >> Linear. Selanjutnya akan terbuka kotak dialog Linear Regression seperti berikut:

Gambar 68. Kotak dialog Linear Regression

7. Klik variabel Harga Saham dan masukkan ke kotak Dependent, kemudian klik variabel PER dan ROI lalu masukkan ke kotak Independent(s).

8. Klik Statistic, pada kotak dialog Linear Regression: Statistics, beri tanda centang pada Durbin-Watson. Selanjutnya klik Continue.

Gambar 69. Kotak dialog Linear Regression: Statistics

9. Klik OK, maka hasil output pada Model Summary seperti berikut:

Gambar 70. Ouput Model Summary

Dari output di atas didapat nilai DW yang dihasilkan dari model regresi adalah 1,227. Sedangkan dari tabel DW dengan signifikansi 0,05 dan jumlah data (n) = 20, seta k = 2 (k adalah jumlah variabel independen) diperoleh nilai dl sebesar 1,100 dan du sebesar 1,537 (lihat lampiran). Karena nilai DW (1,227) berada pada daerah antara dl dan du, maka tidak menghasilkan kesimpulan yang pasti (berada di daerah keragu-raguan). Hal tersebut dapat digambarkan sebagai berikut:

Menolak Ho Daerah Menerima Ho Daerah Menolak Ho

bukti keragu- tidak ada autokorelasi keragu- bukti

autokorelasi raguan raguan autokorelasi

positif negatif

0 dl du 2 4-du 4-dl 4

1,100 1,537 2,463 2,900

1,227

DW