Data crossection seringkali mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang, dan besar (Ghozali, 2016). Residual adalah selisih antara nilai observasi dengan nilai prediksi; dan absolut adalah nilai mutlak. Apabila variasi residual dari suatu pengamatan ke pengamatan lainnya tetap, maka hal tersebut dinamakan homokedastisitas. Sedangkan apabila variasi residualnya berbeda, maka dinamakan heteroskedastisitas.

Pengujian heteroskedastisitas dapat dilakukan dengan menggunakan grafik scatterplot atau nilai prediksi variabel terikat yaitu SRESID dengan residual error ZPRED. Pengambilan keputusan sebagai berikut:

• Jika terdapat pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan bahwa terjadi heteroskedastisitas.
• Jika tidak terdapat pola yang jelas, maupun titik-titik yang menyebar di atas dan di bawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas.

Selain itu, dapat juga menggunakan uji Breusch-Pagan dengan kriteria pengambilan keputusan sebagai berikut:

• Jika nilai signifikansi > 0,05 , maka tidak terjadi heteroskedastisitas
• Jika nilai signifikansi < 0,05 , maka terjadi heteroskedastisitas

Dalam penelitian ini, hasil uji Breusch-Pagan menunjukkan bahwa nilai chi square dari Obs*R-Squared sebesar 0.1493 sehingga lebih besar daripada nilai alpha (0,05) yaitu (0.1493 > 0.05). Hal ini dapat diartikan bahwa data terbebas dari masalah heteroskedastitas.

Uji Glejser juga dapat digunakan untuk mengetahui ada atau tidaknya heteroskedastisitas dengan meregresikan variabel-variabel bebas terhadap nilai absolut residualnya (Gujarati, 2004).

Selain itu, uji ARCH juga dapat digunakan sebagai dasar pengambilan keputusan:

• Jika nilai signifikan variabel independen < 0,05 maka terjadi Heterokedastisitas.
• Jika nilai signifikan variabel independen > 0,05 maka tidak terjadi Heterokedastisitas.

Dalam penelitian ini, solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua data bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel yang mengalami gangguan heteroskedastisitas.

Referensi:

Juliandi A, Irfan, Manurung S. 2014. Metodologi Penelitian Bisnis: Konsep dan Aplikasi. Medan: UMSU Press.
Ghozali, I. (2016) Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23. Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.
Gujarati, Damodar N, (2004). Basic Econometrics, Fourth edition, Singapore. McGraw-Hill Inc.

Image Sources: Google Images