1. Uji Multikolinearitas

Menurut Ghozali (2016) pada pengujian multikolinearitas bertujuan untuk mengetahui apakah model regresi ditemukan adanya korelasi antar variabel independent atau variable bebas. Efek dari multikolinearitas ini adalah menyebabkan tingginya variabel pada sampel. Hal tersebut berarti standar error besar, akibatnya ketika koefisien diuji, t-hitung akan bernilai kecil dari t-tabel. Hal ini menunjukkan tidak adanya hubungan linear antara variabel independen yang dipengaruhi dengan variabel dependen.

Untuk menemukan terdapat atau tidaknya multikolinearitas pada model regresi dapat diketahui dari nilai toleransi dan nilai variance inflation factor (VIF). Nilai Tolerance mengukur variabilitas dari variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance rendah sama dengan nilai VIF tinggi, dikarenakan VIF = 1/tolerance, dan menunjukkan terdapat kolinearitas yang tinggi. Nilai cut off yang digunakan adalah untuk nilai tolerance 0,10 atau nilai VIF diatas angka 10.

2. Uji Heteroskedastisitas

Uji ini bertujuan untuk melakukan uji apakah pada sebuah model regresi terjadi ketidaknyamanan varian dari residual dalam satu pengamatan ke pengamatan lainnya. Apabila varian berbeda, disebut heteroskedastisitas. Salah satu cara untuk mengetahui ada tidaknya heteroskedastisitas pada suatu model regresi linier berganda, yaitu dengan melihat grafik scatterplot atau dari nilai prediksi variabel terikat yaitu SRESID dengan residual error yaitu ZPRED. Apabila tidak terdapat pola tertentu dan tidak menyebar diatas maupun dibawah angka nol pada sumbu y, maka dapat disimpulkan tidak terjadi heteroskedastisitas. Untuk model penelitian yang baik adalah yang tidak terdapat heteroskedastisitas (Ghozali, 2016).

 3. Uji Autokorelasi

Menurut Ghozali (2016) autokorelasi dapat muncul karena observasi yang berurutan sepanjang waktu yang berkaitan satu sama lainnya. Permasalahan ini muncul karena residual tidak bebas pada satu observasi ke observasi lainnya. Untuk model regresi yang baik adalah pada model regresi yang bebas dari autokolerasi. Untuk mendeteksi terdapat atau tidaknya autokorelasi adalah dengan melakukan uji Run Test.

Run test merupakan bagian dari statistik non-parametik yang dapat digunakan untuk melakukan pengujian, apakah antar residual terjadi korelasi yang tinggi. Apabila antar residual tidak terdapat hubungan korelasi, dapat dikatakan bahwa residual adalah random atau acak. Dengan hipotesis sebagai dasar pengambilan keputusan adalah sebagai berikut (Ghozali, 2016):

Apabila nilai Asymp. Sig. (2-tailed) kurang dari 5% atau 0,05, maka untuk H0 ditolak dan Ha diterima. Hal tersebut berarti data residual terjadi secara tidak acak (sistematis).

Apabila nilai Asymp. Sig. (2-tailed) lebih dari 5% atau 0,05, maka untuk H0 diterima dan Ha ditolak. Hal tersebut berarti data residual terjadi secara acak (random).