A. Autokorelasi
1. Landasan Teori
Autokorelasi adalah terjadinya korelasi antara satu variabel error
dengan variabel error yang lain. Autokorelasi seringkali terjadi pada data
time series dan dapat juga terjadi pada data cross section tetapi jarang
(Widarjono, 2005).
Hal yang dilakukan untuk mendeteksi adanya autokorelasi dalam model
regresi linier berganda adalah menggunakan metode Durbin-Watson.
Durbin-Watson telah berhasil mengembangkan suatu metode yang
digunakan untuk mendeteksi adanya masalah autokorelasi dalam model
regresi linier berganda menggunakan pengujian hipotesis dengan statistik
uji yang cukup popular. Hipotesis untuk uji Durbin-Watson adalah sebagai
berikut:
𝐻0 : ρ = 0 (Tidak terdapat autokorelasi)
𝐻1 : ρ ≠ 0 (Terdapat autokorelasi)
Statistik Uji :
d = Ʃni = 2(ei – ei-1)2
Ʃni = 1 ei2
Kemudian Durbin-Watson berhasil menurunkan nilai kritis batas
bawah (dL) dan batas atas (dU) sehingga jika nilai d hitung dari persamaan
diatas terletak di luar nilai kritis ini, maka ada atau tidaknya autokorelasi
baik positif atau negatif dapat diketahui. Deteksi autokorelasi pada model
regresi linier berganda dengan metode Durbin-Watson adalah seperti pada
Tabel dibawah ini. (Widarjono, 2005).
63
64
Tabel 6.1 Deteksi autokorelasi pada model regresi linier berganda dengan
metode Durbin-Watson.
Nilai Statistik Hasil
Durbin-Watson
0 < d < du Menola Hipotesis nol; ada autokorelasi positif
dL≤ d ≤ du Daerah-keragu-raguan, tidak ada keputusan
du≤d ≤ 4-du Menerima hipotesis nol, tidak ada autokorelasi
positif/negatif
4-du ≤ d ≤ 4-dL Daerah keragu-raguan, tidak ada keputusan
4-dL≤ d ≤ 4 Menolak hipotesis nol; ada autokorelasi negatif.
2. Soal
Tabel 6.2 Data hubungan pendapatan (Y) dan modal (X) selama 20 tahun.
3. Langkah Kerja
a. Membuka aplikasi Membuka aplikasi Microsoft Excel.
b. Kemudian mengisi data yang telah dikumpulkan.
d. Mengisi angka 1990 pada kolom Start date dan 2009 pada kolom
End date, kemudian klik OK.
e. Klik menu File di toolbar bagian atas, memilih import, lalu memilih
import from file.
67
f. Mencari file Microsoft Excel yang tadi sudah disimpan, lalu klik
Open.
g. Menceklist pilihan Custom Range pada Cell Range, lalu pada bagian
Start Cell klik satu kali panah ke kanan, kemudian klik Next.
68
l. Setelah hasil output regresi diketahui, kemudian cara yang kedua untuk
mendeteksi data tersebut terkena autokorelasi atau tidak yaitu dengan
melakukan uji Breusch Godfrey. Langkahnya dengan memilih View,
lalu Residual Diagnosis, dan kemudian pilih Serial Correlation LM
Test. Pada kolom Dialog Lag Specification di isi dengan “2”, lalu klik
OK maka akan diketahui hasil outputnya.
5. Interpretasi
a. Uji Breusch Godfrey
Kriteria pengujian pada uji Breusch Godfrey:
Prob*Obs R2 < 5% artinya data tersebut terdapat autokorelasi.
Prob*Obs R2 > 5% artinya data tersebut tidak terdapat autokorelasi.
Berdasarkan hasil perhitungan menggunakan aplikasi E-view,
didapatkan nilai Prob*Obs R2 sebesar 0,0035 .Hasil tersebut lebih
kecil dari 5% (0,05) yang artinya data tersebut terkena autokorelasi.
Untuk menyembuhkannya, data tersebut harus dideferensiasikan.
Setelah dideferensiasikan, kemudian didapatkan hasil nilai Prob*Obs
R2 sebesar 0,123. Hasil tersebut lebih besar dari 5% (0,05) yang
artinya data tersebut sudah tidak terkena autokorelasi.
74
B. Normalitas
1. Landasan Teori
Analisis regresi linier mengasumsikan bahwa sisaan (εi)
berdistribusi mengetahui apakah dalam persamaan regresi tersebut residual
berdistribusi normal. Uji Normalitas adalah hal yang lazim dilakukan
sebelum melakukan sebuah metode statistik. Tujuan uji normalitas adalah
untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati
distribusi normal atau tidak dan dapat digunakan untuk statistik
parametrik. Uji normalitas dapat dilakukan dengan normal P-P Plot dan uji
Kolmogorov-Smirnov. Normal P-P plot, uji normalitasnya dapat dilihat
dari penyebaran data (titik) pada sumbu diagonal grafik atau normal
dengan εi~ N (0,ϭ2) (Gujarati, 2004:109). Dasar pengambilan
keputusannya, jika data menyebar di sekitar garis diagonal dan mengikuti
arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi
normal, maka model regresi memenuhi asumsi normalitas.
Cara lain untuk menguji asumsi kenormalan adalah dengan uji
Kolmogorov-Smirnov. Menurut Sidney Siegel (1986: 59), uji
Kolmogorov- Smirnov didasarkan pada nilai D atau deviasi maksimum,
yaitu:
D = max| | F0(Xi) - Sn(Xi) | , i = 1,2,…n
Dengan F0(Xi) adalah fungsi distribusi frekuensi kumulatif relatif dari
distribusi teoritis di bawah H0. Kemudian Sn(Xi) adalah distribusi frekuensi
kumulatif pengamatan sebanyak sampel. Hipotesis nol (H0) adalah sisaan
berdistribusi normal. Kriteria keputusan uji Kolmogorov-Smirnov adalah
jika nilai D < Dtabel atau p- value pada output SPSS lebih dari nilai taraf
nyata (α) maka asumsi normalitas dipenuhi.
76
2. Soal
Tabel 6.3 Data hubungan pendapatan (Y) dan modal (X) selama 20 tahun.
3. Langkah Kerja
a. Membuka aplikasi Membuka aplikasi Microsoft Excel.
b. Kemudian mengisi data yang telah dikumpulkan.
d. Mengisi angka 1990 pada kolom Start date dan 2009 pada kolom
End date, kemudian klik OK.
e. Klik menu File di toolbar bagian atas, memilih import, lalu memilih
import from file.
79
f. Mencari file Microsoft Excel yang tadi sudah disimpan, lalu klik
Open.
g. Menceklist pilihan Custom Range pada Cell Range, lalu pada bagian
Start Cell klik satu kali panah ke kanan, kemudian klik Next.
80
5. Interpretasi
Kriteria pengujian pada uji Jarque Bera:
Prob Jarque Bera > 5% artinya data tersebut terdistribusi normal
Prob Jarque Bera < 5% artinya data tersebut tidak terdistribusi normal
Berdasarkan hasil perhitungan menggunakan aplikasi E-view,
didapatkan nilai prob Jarque Bera untuk variabel modal (x) sebesar 0,218
dan variabel pendapatan (y) sebesar 0,343. Sehingga dapat dilihat bahwa
kedua variabel memiliki nilai probabilitas Jarque Bera lebih besar dari
5% (0,05) yang artinya data tersebut telah terdistribusi normal.