Oleh:

Siti Sofiyah, SE., M.Sc

Outline
1. Uji Multikolinieritas
2. Uji Heteroskedastisitas
3. Uji Autokorelasi
1. Uji Multikolinieritas
Multikolinearitas adalah keadaan di mana terjadi hubungan linier
yang sempurna atau mendekati sempurna antar variabel
independen dalam model regresi. Uji multikolinearitas
digunakan untuk mengetahui ada atau tidaknya hubungan
linearantarvariabel independen dalam model regresi. Prasyarat
yang harus terpenuhi dalam model regresi adalah tidak adanya
multikolineari­tas. Ada beberapa metode pengujian yang bisa
digunakan di antaranya:
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.
a) Contoh Kasus
Mengambil contoh kasus dari analisis Regresi Linier
Berganda pada bagian sebelumnya. 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 pengaruh antara rasio
keuangan PER dan ROI terhadap harga saham. Dengan ini
Handoko menganalisis dengan bantuan program SPSS
dengan alat analisis regresi linear berganda. Sebelum
dilakukan analisis tersebut dilakukan uji multikolinieritas
untuk mengetahui apakah ada hubungan linier yang
sempurna antar variabel independen dalam model regresi.
No Tahun Y (Harga Saham) X1 (PER%) X2 (ROI%)
1 1991 7500 3.28 3.14
2 1992 8950 5.05 5.00
3 1993 8250 4.00 4.75
4 1994 9000 5.97 6.23
5 1995 8750 4.24 6.03
6 1996 10000 8.00 8.75
7 1997 8200 7.45 7.72
8 1998 8300 7.47 8.00
9 1999 10900 12.68 10.40
10 2000 12800 14.45 12.42
b) Langkah-langkah pada Program SPSS 17
Gunakan input yang sama dengan analisis Regresi
Linier Berganda pada bagian sebelumnya.
Klik Analyze >> Regression >> Linear. Selanjutnya
akan terbuka kotak dialog Linear Regression seperti
berikut:
 Klik variabel Harga Saham dan masukkan ke kotak Dependent,
kemudian klik variabel PER dan ROI lalu masukkan ke kotak
Independent(s).
 Klik Statistics, pada kotak dialog Linear Regression: Statistics beri
tanda centang pada Collinearity diagnostics. Selanjutnya klik
Continue.
Klik OK, maka hasil output untuk uji
multikolinearitas dapat dilihat pada output
Coefficient s (VIF). Gambar seperti berikut:
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.
2. Uji Heteroskedastisitas
Heteroskedastisitas adalah keadaan di mana 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 metoda pengujian yang bisa digunakan
diantaranya:
1. Uji Spearman’s rho
2. Uji Glejser
3. Uji Park
4. 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.
a) Contoh Kasus
Melanjutkan contoh Kasus Regresi Linier Berganda
b) Langkah-langkah pada Program SPSS 17
Menggunakan input yang sama dengan analisis Regresi
Linier Berganda
Klik Analyze >> Regression >> Linier. Selanjutnya akan
terbuka kota dialog Linier Regression.
Klik variabel Harga Saham dan masukkan ke kotal
Dependent, dan kemudian klik variabel PER dan ROI
lalu masukkan ke kotak Independent(s).
Klik Save, pada kotak dialog Linear Regression: Save,
beri tanda centang pada Unstandardized. Selanjutnya
klik Continue.
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).
Selanjutnya melakukan analisis korelasi Spearman's
rho dengan cara klik Analyze >> Correlate >>
Bivariate. Kemudian akan terbuka kotak dialog
Bivariate Correlation seperti berikut:
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:

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.
3. Uji Autokorelasi
Autokorelasi adalah keadaan di mana 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 di antara (4-
du) dan (4-dl), maka tidak menghasilkan kesimpulan
yang pasti.
Rumus uji Durbin Watson (Alhusin, 2003) sebagai
berikut:

 
 
 

Keterangan:
d = nilai Durbin-Watson
e = residual
a) Contoh Kasus
Melanjutkan contoh kasus pada analisis Regresi
Linier Berganda, dimana sebelumnya telah dilakukan
uji asumsi klasik multikolinieritas dan
heteroskedastisitas.
Selanjutnya akan dilakukan uji autokorelasi.
b) Langkah-langkah pada Program SPSS 17
Menggunakan input yang sama dengan analisis
regresi linierberganda. Klik Analyze » Regression >>
Linear. Selanjutnya akan terbuka kotak dialog Linear
Regression seperti berikut:
 Klik variabel Harga Saham dan masukkan ke kotak Dependent,
kemudian klik variabel PER dan ROI lalu masukkan ke kotak
Independent(s).
 Klik Statistic, pada kotak dialog Linear Regression: Statistics, beri
tanda centang pada Durbin-Watson. Selanjutnya klik Continue.
Klik OK, maka hasil output pada Model Summary
seperti berikut:
Model Summary
Dari output di atas didapat nilai DW yang dihasilkan
dari model regresi adalah 1,277.
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 Tabel Durbin-Watson).
Karena nilai DW (1,277) berada pada daerah antara dl
dan du, maka tidak menghasilkan kesimpulan yang
pasti (berada di daerah keragu-raguan). Hal tersebut
dapat digambarkan sebagai berikut: