Uji Asumsi Regresi

Wijaya : Uji Asumsi Klasik Regresi Linear - 0
UJI ASUMSI KLASIK REGRESI LINEAR

Oleh :
WIJAYA
Email : zeamays_hibrida@yahoo.com

FAKULTAS PERTANIAN
UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
2008

UJI ASUMSI KLASIK DALAM ANALISIS REGRESI LINEAR
1. Nilai galat ( e = Yi Y ) pada setiap pengamatan bersifat acak
Cara menguji dengan menggunakan Uji Run
a. Pada pengamatan dengan n kecil, nilai galat bersifat acak jika :
r
1
< r < r
2
, r
1
dan r
2
banyaknya tanda (+) atau (-), r banyaknya run
b. Pada pengamatan dengan n besar, nilai galat bersifat acak jika :
2 n
1
n
2

u = + 1
n
1
+ n
2

2 n
1
n
2
(2 n
1
n
2
n
1
n
2
)

2
=
(n
1
+ n
2
)
2
(n
1
+ n
2
1)

r u
z =

Galat bersifat acak jika : z
0,025
< z < z
0,025

c. Pengujian menggunakan Program SPSS dilakukan melalui prosedur :
Analyze Nonparametrics Test Runs
2. Nilai galat ( e = Yi Y ) seluruh pengamatan pada setiap variabel bebas X
mempunyai rata-rata (Mean) Nol
3. Homoskedastisitas yaitu ragam dari setiap nilai galat adalah konstan (sama)
untuk semua nilai dari variabel bebas X.
Beberapa cara menguji asumsi homoskedastisitas :
a. Uji Park : Membangun model regresi Ln e
2
= b
0
+ b
1
Ln.X jika koefisien b
1

bersifat tidak signifikan, bararti asumsi homoskedastisitas dapat
diterima.
b. Uji Korelasi Rank Spearman : Korelasikan variabel bebas X dengan
variabel galat e, selanjutnya gunakan Uji t. Homoskedastisitas dapat
diterima jika t
0,025(n-2)
< t < t
0,025(n-2)
.
c. Pengujian Homoskedastisitas menggunakan Program SPSS dilakukan
melalui prosedur :
Analyze Regression Linear, masukkan Variabel Dependen ke kotak
Dependent dan beberapa Variabel Independen ke kotak Independent(s)
klik Plot masukan *ZPRED ke kotak X dan *SRESID ke kotak Y
OK.
Pada output akan terlihat Diagram Pencar (sumbu X = Regression
Standardized Predicted Value, sumbu Y = Regression Standardized
Residual). Jika Diagram Pencar tidak menunjukkan pola tertentu maka
asumsi homoskedastisitas dapat diterima, jika menunjukkan pola tertentu
berarti terjadi heteroskedastisitas.
4. Normalitas : Variabel galat berdistribusi normal.
Beberapa cara menguji asumsi normalitas :
a. Kolmogorov-Smirnov (Uji K-S) : (1) Urutkan nilai galat e
i
dari terkecil
sampai terbesar, (2) Transformasi nilai e
i
menjadi z
i
dengan z
i
= (e
i
e)/s
dimana e dan s adalah rata-rata dan simpangan baku nilai galat, (3)
Tentukan besarnya nilai peluang z
i
yaitu P(z
i
) dan peluang proporsional
S(z
i
), (4) Tentukan selisih mutlak S(z
i
) P(z
i
) dan S(z
i1
) P(z
i
), (5)
Tentukan nilai statistik Kolmogorov-Smirnov D = maksimum S(z
i
) P(z
i
)
atau S(z
i1
) P(z
i
), (6) bandingkan nilai D dengan D
(n)
, (7) Keputusan
Jika D > D
(n)
maka Tolak Ho artinya nilai variabel galat tidak normal.
b. Uji Lilifors : (1) Urutkan nilai galat e
i
dari terkecil sampai terbesar, (2)
Transformasi nilai e
i
menjadi z
i
dengan z
i
= (e
i
e)/s dimana e dan s
adalah rata-rata dan simpangan baku nilai galat, (3) Tentukan besarnya
nilai peluang z
i
yaitu P(z
i
) dan peluang proporsional S(z
i
), (4) Tentukan
selisih mutlak P(z
i
) S(z
i
), (5) Tentukan nilai statistik Liliefors L =
maksimum P(z
i
) S(z
i
), (6) bandingkan nilai L dengan L(n), (7)
Keputusan Jika L > L(n) maka Tolak Ho artinya nilai variabel galat tidak
normal.
c. Uji Saphiro-Wilks : (1) Tentukan nilai statistik Saphiro-Wilks T = 1/D
[Ai (X
n-i+1
X
i
)]
2
dimana D = X
i
2
(X
i
)
2
/n, (2) bandingkan nilai T
dengan nilai T tabel Saphiro-Wilks (T
(n)
), Normalitas dapat diterima jika
T < T
0,05(n)
.
Dalil Limit Pusat menyatakan bahwa apabila sampel sebuah pengamatan
mempunyai ukuran yang besar (n > 30), maka data pengamatan tersebut
akan menyebar normal, atau mendekati normal.
d. Pengujian Normalitas menggunakan Program SPSS dilakukan melalui
prosedur :
(1) Untuk Uji Kolmogorov-Smirnov : Analyze Nonparametric Test
1-Sample K-S.
Pada Output, jika Signifikansi hasil Uji Kolmogorov-Smirnov (Uji K-
S) nilainya lebih besar dari 0,05 berarti data berdistribusi normal.
(2) Untuk Uji Liliefors dan Saphiro-Wilks : Analyze Descriptive
Statistics Explore.
Pada Output, jika Signifikansi pada Uji Liliefors dan Saphiro-Wilks
lebih besar dari 0,05 berarti data berdistribusi normal. Disamping
itu, jika pada Grafik Normal Q-Q Plot dan Detrended Normal Q-Q
Plot, nilai-nilai pengamatan menyebar pada garis tersebut, berarti
data pengamatan berdistribusi normal.
5. Autokorelasi atau Korelasi Diri atau Korelasi Seial : Nilai galat ( e = Yi Y )
setiap pengamatan pada setiap variabel bebas X bersifat bebas.
Beberapa cara menguji asumsi Autokorelasi :
Ho Tidak ada Autokorelasi H1 Ada Autokorelasi
a. Uji
2
: (1) Buat tabel 2x2, seperti tabel dibawah, (2) Tentukan nilai
2
,
(3) Bandingkan nilai
2
dengan
2
0,05(1)
(4) Keputusan tidak adanya
Autokorelasi dapat diterima jika nilai
2
<
2
0,05(1)
.
Banyaknya +e
i
Banyaknya e
i
Jumlah
Banyaknya +e
i-1

Banyaknya e
i-1

Jumlah
b. Uji Durbin-Watson : (1) Tentukan nilai D = [ (e
i
e
i-1
)
2
] / [ e
i
2
] (2)
Bandingkan nilai D

dengan D
0,05(n),
(3) Keputusan tidak adanya Autokorelasi
dapat diterima jika nilai d
U
< D < (4 d
U
), Ada Autokorelasi jika D < d
L

atau d > (4 d
L
), Tidak ada Keputusan jika berada pada selang lain .
Tolak Ho ? Terima Ho ? Tolak Ho
d
L
d
U
4 d
U
4 d
L

c. Pengujian Autokorelasi menggunakan Program SPSS dilakukan melalui
prosedur :
klik Statistics Pada kotak Residuals, beri tanda centang pada pilihan
Durbin Watson Continue OK.
6. Multikolinearitas : terjadi korelasi yang kuat diantara variabel bebas X.
Pengujian Multikolinearitas menggunakan Program SPSS dilakukan melalui
prosedur :
klik Statistics Beri tanda centang pada pilihan Collinearity
diagnostics Continue OK.
Pada Output, akan muncul nilai Collinearity Statistics Tolerance (T) dan
VIF (Variance Inflation Factor). Nilai T = 1/VIF, jadi nilai Tolerance
merupakan kebalikan dari nilai VIF. Diantara variabel bebas X tidak
terjadi multikolinearitas jika nilai VIF mendekakti nilai 1.
Cara lain untuk mendeteksi ada tidaknya multikolinearitas yaitu dengan
mengkorelasikan seluruh variabel bebas. Apabila nilai Koefisien Korelasi R
0,80, diindikasikan adanya multikolinearitas.
Indikator lainnya yang menunjukkan adanya multikolinearitas adalah nilai
F yang tinggi (sangat signifikan) pada ANOVA, tetapi nilai T pada setiap
variabel bebas X tidak ada yang signifikan.
7. Linearitas : artinya bentuk hubungan antara variabel bebas X dan variabel
terikat Y adalah Linear.
Pengujian Linearitas menggunakan Program SPSS dilakukan melalui
prosedur :
Analyze Compre Means Means, masukkan Variabel Dependen ke
kotak Dependent List dan beberapa Variabel Independen ke kotak
Independent List klik Options Beri tanda centang pada pilihan Test
for linearity Continue OK.
Pada Output, jika signifikansi F pada ANOVA lebih besar dari 0,05, maka
hipotesis tentang hubungan linear dapat diterima.
UJI VALIDITAS DAN RELIABILITAS INSTRUMENT
1. Validitas Instrument
Secara garis besar ada dua macam Validitas, yaitu (1) Validitas Logis,
menunjuk pada kondisi bagi sebuah instrumen evaluasi yang memenuhi
persyaratan valid berdasarkan hasil penalaran. Validitas Logis terdiri dari
Validitas Isi dan Validitas Konstruk, (2) Validitas Empiris, yaitu apabila instrumen
tersebut telah teruji dari pengalaman. Validitas Empiris terdiri dari validitas ada
sekarang dan validitas predictive.
Uji validitas atau kesahihan digunakan untuk mengetahui seberapa tepat
suatu instrument (alat ukur) mampu melakukan fungsinya. Alat ukur yang dapat
digunakan dalam pengujian validitas suatu instrument adalah angka hasil korelasi
antara skor pernyataan (baik berupa item atau butir setiap pertanyaan maupun
skor dari faktor atau variabel) dengan total skor seluruh pertanyaan.
Beberapa Rumus Uji Validitas :
(1) Korelasi Pearson (Product Moment) :

( ) ( )
( ) ( )

=
y
n n
y x xy n
y x
x
r
2 2 2
2

Pengujian Koefisien Korelasi :

r
n
r t
2
1
2
=

Butir (item) atau Faktor dari skor pertanyaan dikatakan valid jika :
t < t
0,025(n2)
atau t
0,025(n2)
< t

(2) Korelasi Biserial :

q
p
s
m m
T
T P
bi

dimana :
= koefisien korelasi biserial
m
p
= rata-rata skor dari subjek yang menjawab benar bagi item yang akan
dihitung validitasnya
m
T
= rata-rata skor total
s
T
= simpangan baku dari skor total
p = proporsi responden yang menjawab benar
q = 1 p
Pengujian Validitas menggunakan Program SPSS dilakukan melalui prosedur :
Analyze Correlate Bivariate, masukkan data Skor tiap Butir pertanyaan
dan Skor Total ke kotak Variables OK.

2. Reliabilitas Instrument
Reliabilitas instrumen berhubungan dengan tingkat kepercayaan (keyakinan)
terhadap instrument atau sebuah tes. Suatu instrument atau tes dikatakan
mempunyai tingkat kepercayaan yang tinggi jika instrument atau tes tersebut
dapat memberikan hasil yang tetap (ajeg). Jadi reliabilitas adalah ketetapan
(keajegan) suatu instrument atau tes apabila diberikan kepada subjek yang sama.
Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk
jawaban Pilihan Ganda atau Benar-Salah dapat dilakukan dengan beberapa
metode, yaitu :
(a) Metode Paralel (Equivalent)
Dua buah instrument atau tes yang mempunyai tujuan, tingkat kesukaran, dan
susunan yang sama tetapi soal (item) berbeda diberikan kepada subjek yang sama
pada dua waktu yang berbeda. Reliabilitas diukur dengan menghitung besarnya
nilai Koefisien Korelasi Pearson terhadap kedua hasil pengamatan tersebut.
(b) Metode Ulang
Sebuah instrument atau tes diberikan kepada subjek yang sama pada dua
waktu yang berbeda (berulang). Reliabilitas diukur dengan menghitung besarnya
nilai Koefisien Korelasi Pearson pada kedua waktu tersebut.
(c) Metode Belah Dua
Sebuah instrument atau tes diberikan pada waktu yang sama kepada
kelompok subjek yang dibagi dua. Pembelahan dapat dilakukan dengan cara
memisahkan item-item genap dengan item-item ganjil, atau item-item awal dengan
item-item akhir. Reliabilitas diukur dengan menghitung besarnya nilai Koefisien
Korelasi antar kedua belahan tersebut. Rumus yang digunakan untuk mengukurnya,
diantaranya :
(1) Spearman Brown
2 r
12

R =
( 1 + r
12
)
dimana :
R = Koefisien Reliabilitas
r
12
= Koefisien Korelasi Pearson antar belahan
(2) Flanagan :
S
1
2
+ S
2
2

R = 2 ( 1 )
S
t
2

dimana :
S
1
2
= Ragam belahan ke-1
S
2
2
= Ragam belahan ke-2
S
t
2
= Ragam Total
(3) Rullon :
R = 1 ( S
D
2
/ S
t
2
)
dimana :
S
D
2
= Ragam dari selisih skor antar belahan ke-1 dan ke-2
S
t
2
= Ragam Total
Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk
jawaban Uraian dilakukan dengan metode Alpha-Cronbach yaitu :
n S
i
2

R = ( 1 )
n 1 S
t
2

dimana :
S
i
2
= Jumlah Ragam tiap-tiap item
S
t
2
= Ragam Total
Pengujian Validitas menggunakan Program SPSS dilakukan melalui prosedur :
Analyze Scale Reliability Analysis, masukkan data Skor tiap Butir
pertanyaan ke kotak Items Pilih Model Alpha atau Split-Half OK.
Jika sebelum klik OK, kita meng-klik kotak Statistics kemudian kita
centang pilihan Scale dan Scale if Item Delete, maka pada Output Item Total
Statistics akan diperoleh nilai Koefisien Korelasi Pearson Terkoreksi (pada kolom
Corrected Item -Total Correlation) yang menggambarkan Validitas item.

Misal : Ingin diketahui pengaruh Motivasi (Q15 = X
1
) dan Fasilitas (Q610 = X
2
)
terhadap Produktivitas (Y). Faktor Motivasi terdiri dari 5 butir
pertanyaan (Q1 sampai Q5), dan Fasilitas terdiri dari 5 butir
pertanyaan (Q6 sampai Q10). Datanya sebagai berikut :

Resp Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 TOT Q15 Q610 Y
1
3 2 2 3 2 2 2 2 1 3 22 12 10 85
2
2 2 2 2 2 2 2 2 1 2 19 10 9 74
3
2 2 2 2 2 2 2 1 2 2 19 10 9 78
4
3 3 2 3 2 2 2 2 2 2 23 13 10 90
5
3 2 2 2 2 2 3 2 2 2 22 11 11 85
6
3 3 3 3 2 2 3 2 2 2 25 14 11 87
7
3 2 2 3 3 3 3 2 2 3 26 13 13 94
8
3 2 3 3 3 3 3 2 2 3 27 14 13 98
9
2 2 3 2 2 2 2 2 2 2 21 11 10 81
10
2 3 3 3 3 2 2 2 2 2 24 14 10 91
11
2 1 2 3 2 2 2 2 1 1 18 10 8 76
12
2 1 1 2 2 2 1 1 1 2 15 8 7 74

1. Validitas Item (Butir) :
Validitas Item dilakukan dengan cara meng-korelasikan setiap butir
pertanyaan (Q1 sampai Q10) dengan total seluruh butir pertanyaan (TOT).
Korelasi yang digunakan adalah Korelasi Pearson. Hasil perhitungan
menggunakan SPSS 13.0 adalah sebagai berikut :


Correlations
1 ,626* ,815** ,626* ,677* ,600*
,029 ,001 ,029 ,016 ,039
12 12 12 12 12 12
,626* 1 ,564 ,200 ,316 ,674*
,029 ,056 ,533 ,317 ,016
12 12 12 12 12 12
,815** ,564 1 ,564 ,594* ,380
,001 ,056 ,056 ,042 ,223
12 12 12 12 12 12
,626* ,200 ,564 1 ,158 ,135
,029 ,533 ,056 ,624 ,676
12 12 12 12 12 12
,677* ,316 ,594* ,158 1 ,213
,016 ,317 ,042 ,624 ,506
12 12 12 12 12 12
,600* ,674* ,380 ,135 ,213 1
,039 ,016 ,223 ,676 ,506
12 12 12 12 12 12
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Total Skor
Butir06
Butir07
Butir08
Butir09
Butir10
Total Skor Butir06 Butir07 Butir08 Butir09 Butir10
Correlation is significant at the 0.05 level (2-tailed).
*.
**.
Correlations
1 ,712** ,662* ,691* ,635* ,666*
,009 ,019 ,013 ,027 ,018
12 12 12 12 12 12
,712** 1 ,391 ,140 ,507 ,192
,009 ,209 ,664 ,092 ,549
12 12 12 12 12 12
,662* ,391 1 ,602* ,374 ,225
,019 ,209 ,039 ,231 ,481
12 12 12 12 12 12
,691* ,140 ,602* 1 ,355 ,404
,013 ,664 ,039 ,257 ,192
12 12 12 12 12 12
,635* ,507 ,374 ,355 1 ,488
,027 ,092 ,231 ,257 ,108
12 12 12 12 12 12
,666* ,192 ,225 ,404 ,488 1
,018 ,549 ,481 ,192 ,108
12 12 12 12 12 12
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Total Skor
Butir01
Butir02
Butir03
Butir04
Butir05
Total Skor Butir01 Butir02 Butir03 Butir04 Butir05
**.
*.
2. Reliabilitas Instrument :
Reliabilitas yang dihitung yaitu : (1) Spearman-Brown, (2) Flanagan, (3) Rullon
dan (4) Alpha Cronbach, berdasarkan metode belah dua Ganjil-Genap.

No Q1 Q3 Q5 Q7 Q9 Q2 Q4 Q6 Q8 Q10 Ganj Genp Beda TOT
1 3 2 2 2 1 2 3 2 2 3 10 12 -2 22
2 2 2 2 2 1 2 2 2 2 2 9 10 -1 19
3 2 2 2 2 2 2 2 2 1 2 10 9 1 19
4 3 2 2 2 2 3 3 2 2 2 11 12 -1 23
5 3 2 2 3 2 2 2 2 2 2 12 10 2 22
6 3 3 2 3 2 3 3 2 2 2 13 12 1 25
7 3 2 3 3 2 2 3 3 2 3 13 13 0 26
8 3 3 3 3 2 2 3 3 2 3 14 13 1 27
9 2 3 2 2 2 2 2 2 2 2 11 10 1 21
10 2 3 3 2 2 3 3 2 2 2 12 12 0 24
11 2 2 2 2 1 1 3 2 2 1 9 9 0 18
12 2 1 2 1 1 1 2 2 1 2 7 8 -1 15
VAR 0,273 0,386 0,205 0,386 0,242 0,447 0,265 0,152 0,152 0,333 4,083 2,879 1,356 12,568

(1) Koefisien Korelasi Pearson (r) :
Resp Ganjil (X) Genap (Y) XY X
2
Y
2

1 10 12 120 100 144
2 9 10 90 81 100
3 10 9 90 100 81
4 11 12 132 121 144
5 12 10 120 144 100
6 13 12 156 169 144
7 13 13 169 169 169
8 14 13 182 196 169
9 11 10 110 121 100
10 12 12 144 144 144
11 9 9 81 81 81
12 7 8 56 49 64
JML 131 130 1450 1475 1440

( ) ( )
( ) ( )

=
y
n n
y x xy n
y x
x
r
2 2 2
2


( ) ( )
=
130
) 440 . 1 ( 12
131
) 475 . 1 ( 12
) 130 )( 131 ( ) 450 . 1 ( 12
2 2
r = 0,818

Nilai Koefisien Korelasi Pearson antara Jumlah Skor Ganjil dengan Jumlah
Skor Genap menggunakan SPSS 13.0 yaitu sebesar 0,818.

(1) Spearman Brown
2 r
12
2 (0,818)
R = = = 0,900
( 1 + r
12
) ( 1 + 0,818 )

(2) Flanagan :
S
1
2
+ S
2
2

R = 2 ( 1 )
S
t
2

4,083 + 2,879
R = 2 ( 1 ) = 0,892
12,658
(3) Rullon :
R = 1 ( S
D
2
/ S
t
2
) = 1 ( 1,356 / 12,658 ) = 0,892
Correlations
1 ,818**
,001
12 12
,818** 1
,001
12 12
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Skor Butir Ganjil
Skor Butir Genap
Skor Butir Ganjil Skor Butir Genap
**.
(4) Alpha-Cronbach :
n S
i
2

R = ( 1 )
n 1 S
t
2

12 2,841
R = ( 1 ) = 0,844
12 1 12,658

Nilai Reliability dengan metode Alpha Cronbach menggunakan SPSS 13.0
yaitu sebesar 0,860

Reliability

Reliability Statistics
,860 10
Cronbach's Alpha N of Items

Pengujian Asumsi Regresi
Data :
No X
1
X
2
Y X
1
.X
2
X
1
.Y X
2
.Y
1 12 10 85 120 1020 850
2 10 9 74 90 740 666
3 10 9 78 90 780 702
4 13 10 90 130 1170 900
5 11 11 85 121 935 935
6 14 11 87 154 1218 957
7 13 13 94 169 1222 1222
8 14 13 98 182 1372 1274
9 11 10 81 110 891 810
10 14 10 91 140 1274 910
11 10 8 76 80 760 608
12 8 7 74 56 592 518
Jumlah 140 121 1013 1442 11974 10352
JK 1676 1255 86213
Rataan 11,667 10,083 84,417

Persamaan Regresi Dugaan : Y = b
0
+ b
1
X
1
+ b
2
X
2
.
Persamaan Normal : Y = n b
0
+ b
1
X
1
+ b
2
X
2

X
1
Y = b
0
X
1
+ b
1
X
1
2
+ b
2
X
1
X
2

X
2
Y = b
0
X
2
+ b
1
X
1
X
2

+ b
2
X
2
2

(X'X) (b) (X'Y)
n X
1
X
2
b
0
Y
X
1
X
1
2
X
1
X
2
b
1
= X
1
Y
X
2
X
1
X
2
X
2
2
b
2
X
2
Y

(X'X) (X'X)
1
(X'Y)
12 140 121 3,513 -0,178 -0,134 1013
140 1676 1442 -0,178 0,061 -0,053 11974
121 1442 1255 -0,134 -0,053 0,075 10352

Dari hasil perkalian invers matriks (XX
-1
) dengan matriks (XY) diperoleh nilai b
0
,
b
1
dan b
2
sebagai berikut :
b
0
= 38,245
b
1
= 2,215
b
2
= 2,016

Selanjutnya dengan Metode Doolitle dapat disusun Analisis Ragam (Anova) serta
pengujian koefisien regresi menggunakan Uji-t.

Metode Doolitle :

Matriks (X'X) Matriks Matriks (X'X
-1
)
Baris
b0 b1 b2 (X'Y)
(0) 12 140 121 1013 1 0 0
(1) 1676 1442 11974 0 1 0
(2) 1255 10352 0 0 1
(3) = (0) 12 140 121 1013 1 0 0
(4) = (3) /12 1,000 11,667 10,083 84,417 0,083 0,000 0,000
(5) = (1)-140(4) 42,667 30,333 155,667 -11,667 1,00 0,00
(6) = (5) /42,67 1,000 0,711 3,648 -0,273 0,023 0,000
(7) = (2)-121(4)-30,33(6) 13,352 26,914 -1,789 -0,711 1,000
(8) = (7) /13,353 1,000 2,016 -0,134 -0,053 0,075

(1) Menentukan Koefisien Regresi :
Pada Baris (8) : 1,0 (b
2
) = 2,016 b
2
= 2,016
1
) + 0,711 (b
2
) = 3,648 b
1
= 2,215
0
) +

11,667 (b
1
) + 10,083 (b
2
) = 84,417 b
0
= 38,245
(2) Analisis Ragam (Anova) :
Faktor Koreksi (FK) = (Y)
2
/n = (1.013)
2
/12 = 85514,083, atau
FK = (1013)(84417) = 85514,083
Jumlah Kuadrat Total (JKT) = Y
2
(Y)
2
/n
JKT = 86213 85514,083 = 698,917
Jumlah Kuadrat Regresi (JKR) = (bi XiY)
JKR = b
1
[ X
1
Y

(X
1
)(Y)/n] + b
2
[ X
2
Y

(X
2
)(Y)/n]
JKR = 2,215 [11974

(140)(1013)/12] + 2,016 [10352

(121)(1013)/12]
JKR = 344,853 + 277,340 = 622,193
Atau JKR = JKR (b
1
/ b
0
) + JKR (b
2
/ b
1,
b
0
)
JKR = [ (155,667)(3,648 ] + [ (26,914)(2,016) ]
JKR = 567,940 + 54,253 = 622,193
Jumlah Kuadrat Galat (JKG) = JKT

JKR
JKG = 698,917 622,193 = 76,723

Daftar Sidik Ragam

No. Variasi DB JK KT F F
5%

1 Regresi 2 622,193 311,097 36,493 4,256
R (b
1
/ b
0
) 1 567,940 567,940 66,622 5,117
R (b
2
/ b
1
, b
0
) 1 54,253 54,253 6,364 5,117
2 Galat 9 76,723 8,525
Total 11 698,917 63,538

T T
1

1,000 0,000 0,000 1,000 11,667 1,789
11,667 1,000 0,000 0,000 1,000 0,711
1,789 0,711 1,000 0,000 0,000 1,000

(t) (X'X)
1
= T
1
. t
0,083 0,000 0,000 3,513 0,178 0,134
0,273 0,023 0,000 0,178 0,061 0,053
0,134 0,053 0,075 0,134 0,053 0,075

b KTG C
ii
KTG.C
ii
S
b
t t
0,025

38,245 8,525 3,513 29,949 5,473 6,989 2,228
2,215 8,525 0,061 0,523 0,723 3,065 2,228
2,016 8,525 0,075 0,638 0,799 2,523 2,228

Keterangan :
b = Nilai Koefisien Regresi
KTG = Nilai Kuadrat Tengah Galat pada Daftar Sidik Ragam
C
ii
= Nilai pada Diagonal Utama Matriks (X'X)
1

S
b
= KTG . C
ii

.t = b/S
b

Hasil analisis regresi linear ganda pengaruh Motivasi (Faktor1) dan Fasilitas
(Faktor2) terhadap Produktivitas (Nilai) menggunakan program MS Excel maupun
SPSS 13.0 adalah :

Hasil Analisis dengan MS Excel :

SUMMARY OUTPUT

Regression Statistics
Multiple R 0,9435
R Square 0,8902
Adjusted R Square 0,8658
Standard Error 2,9197
Observations 12

ANOVA
Df SS MS F Sig. F
Regression 2 622,193 311,097 36,493 0,000
Residual 9 76,723 8,525
Total 11 698,917

Coefficients Standard Error t Stat P-value
Intercept 38,245 5,473 6,989 0,000
X Variable 1 2,215 0,723 3,065 0,013
X Variable 2 2,016 0,799 2,523 0,033

Analisis dengan SPSS melalui prosedur :
Analyze Regression Linear, pindahkan Variabel Dependen Y (Produktivitas)
ke kotak Dependent dan Variabel Independen X
1
dan X
2
(Motivasi dan Fasilitas)
ke kotak Independent(s) klik OK.
Untuk menguji asumsi Autokorelasi dan Kolinearitas : klik Statistics Pada
kotak Residuals dan Model Fit, beri tanda centang pada pilihan Durbin
Watson dan Collinearity diagnostic Continue
Untuk menguji Homoskedastisitas : klik Plot pindahkan ZPRED ke kotak X
dan SRESID ke kotak Y. Pada pilihan Standardized Residual Plot, beri tanda
centang pada pilihan Histogram dan Normal probability plots Continue
Untuk menghitung nilai galat (residual) : klik Save pada kotak Residuals
beri tanda centang pada pilihan Unstandardized Continue

Hasil Analisis :

Model Summary
b
,944
a
,890 ,866 2,920 2,088
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Durbin-
Watson
Predictors: (Constant), Faktor2, Faktor1
a.
Dependent Variable: Nilai
b.
ANOVA
b
622,193 2 311,097 36,493 ,000
a
76,723 9 8,525
698,917 11
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
a.
b.
Coefficients
a
38,245 5,473 6,989 ,000
2,215 ,723 ,547 3,065 ,013 ,382 2,615
2,016 ,799 ,451 2,523 ,033 ,382 2,615
(Constant)
Faktor1
Faktor2
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig. Tolerance VIF
Collinearity Statistics
a.
(a) Persamaan Regresi Dugaan : = 38,245 + 2,215*Faktor1 + 2,016*Faktor2
(b) Faktor Motivasi dan faktor Fasilitas keduanya mempunyai pengaruh yang
signifikan terhadap nilai produktivitas, karena P-value < 0,05
(c) Berdasarkan persamaan regresi dugaan tersebut, dapat ditentukan nilai
Galat e = Yi - i, nilai Kuadrat galat e
2
.
(d) Dari nilai galat e dan nilai kuadrat galat e
2
, dapat diuji asumsi regresi yang
berkaitan dengan distribusi nilai galat tersebut.

Data :

Resp Q15 Q610 Y ei e
i-1
(e
i
-e
i-1
)
2

1 12 10 85 84,987 0,013
2 10 9 74 78,541 -4,541 0,013 20,735
3 10 9 78 78,541 -0,541 -4,541 16,000
4 13 10 90 87,202 2,798 -0,541 11,144
5 11 11 85 84,788 0,212 2,798 6,683
6 14 11 87 91,434 -4,434 0,212 21,585
7 13 13 94 93,250 0,750 -4,434 26,871
8 14 13 98 95,465 2,535 0,750 3,185
9 11 10 81 82,772 -1,772 2,535 18,547
10 14 10 91 89,418 1,582 -1,772 11,249
11 10 8 76 76,525 -0,525 1,582 4,440
12 8 7 74 70,078 3,922 -0,525 19,771
Jml 140 121 1013 1013,000 0,000 -3,922 160,210
JK 1676 1255 86213 Durbin-Watson = 2,088
Keterangan : Jml = Jumlah ; JK = Jumlah Kuadrat

1. Asumsi Nilai Galat Bersifat Acak
a. Hipotesis H
0
barisan bersifat acak
H
1
barisan bersifat tidak acak
b. Taraf Nyata () = 0,05
c. Uji Statistik = Uji Run

d. Perhitungan
Pada nilai galat (ei) :
Banyaknya tanda (-) = 5 = n
1

Banyaknya tanda (+) = 7 = n
2

Banyaknya runtun r = 9
Dari Tabel Uji Run untuk n
1
= 5 dan n
2
= 7 diperoleh nilai
r
1
= 3 dan r
2
= 11.

n (+) (-) r r
1
r
2

12 7 5 9 3 11
e. Kesimpulan : Terima Ho (nilai pengamatan bersifat acak)
karena (r
1
= 3) < (r = 10) < (r
2
= 11)

Pengujian menggunakan Program SPSS dilakukan melalui prosedur :
Analyze Nonparametrics Test Runs. Pindahkan variabel Galat (Residu)
ke kotak Test Variable List, beri tanda centang pada kotak Mean Klik OK
Hasil Analisis Uji Run menggunakan SPSS 13.0 :

2. Rata-rata nilai galat = ei : n = 0,000 : 12 = 0,000
Runs Test
,00000
5
7
12
9
1,041
,298
Test Value
a
Cases <Test Value
Cases >=Test Value
Total Cases
Number of Runs
Z
Asymp. Sig. (2-tailed)
Galat
Mean
a.
3. Homoskedastisitas :
Resp X
1
X
2
e
1
2
ln X
1
ln X
2
ln e
1
2

1 12 10 0,000 2,485 2,303 -8,705
2 10 9 20,618 2,303 2,197 3,026
3 10 9 0,292 2,303 2,197 -1,230
4 13 10 7,826 2,565 2,303 2,057
5 11 11 0,045 2,398 2,398 -3,099
6 14 11 19,657 2,639 2,398 2,978
7 13 13 0,563 2,565 2,565 -0,575
8 14 13 6,425 2,639 2,565 1,860
9 11 10 3,139 2,398 2,303 1,144
10 14 10 2,503 2,639 2,303 0,918
11 10 8 0,275 2,303 2,079 -1,289
12 8 7 15,379 2,079 1,946 2,733

a. Uji Park : Ln e
i
2
= b
0
+ b
1
Ln.X
1
+ b
2
Ln X
2
.
Persamaan Regresi Dugaan : e
i
2
= b
0
+ b
1
Ln X
1
+ b
2
LnX
2
.
Persamaan Normal :
e
1
2
= n b
0
+ b
1
Ln X
1
+ b
2
Ln X
2

e
i
2
(Ln X
1
) = b
0
Ln X
1
+ b
1
(Ln X
1
)
2
+ b
2
(Ln X
1
)(Ln X
2
)
e
i
2
(Ln X
2
) = b
0
Ln X
2
+ b
1
(Ln X
1
)(Ln X
2
)

+ b
2
(Ln X
2
)
2

Matriks :
(X'X) (b) (X'Y)
n
Ln X
1
Ln X
2
b
0

Y
Ln X
1
(Ln X
1
)
2
(LnX
1
)(LnX
2
) b
1
= X
1
Y
Ln X
2
(LnX
1
)(LnX
2
) (Ln X
1
)
2
b
2
X
2
Y


(X'X) (X'X)
1
(X'Y)
12 29,315 27,556 18,028 -5,344 -2,129 -0,181
29,315 71,959 67,605 -5,344 9,292 -7,558 -0,474
27,556 67,605 63,632 -2,129 -7,558 8,968 -0,967

Dari hasil perkalian invers matriks (XX
-1
) dengan matriks (XY) diperoleh nilai b
0
,
b
1
dan b
2
sebagai berikut :
b
0
= 1,331
b
1
= 3,872
b
2
= - 4,705

Metode Doolitle :

Matriks (X'X) Matriks Matriks (X'X
-1
)
Baris
b0 b1 b2 (X'Y)
(0)
12 29,315 27,556 -0,181 1 0 0
(1)
71,956 67,605 -0,474 0 1 0
(2)
63,632 -0,967 0 0 1
(3) = (0)
12 29,315 27,556 -0,181 1,000 0,000 0,000
(4) = (3) /12
1 2,443 2,296 -0,015 0,083 0,000 0,000
(5) = (1)-29,315(4)
0,342 0,288 -0,032 -2,443 1,000 0,000
(6) = (5) /0,342
1 0,843 -0,094 -7,139 2,922 0,000
(7) = (2)-27,556(4)-0,288(6)
0,112 -0,525 -0,237 -0,843 1,000
(8) = (7) /0,112
1 -4,705 -2,129 -7,558 8,968

T T
1

1,000 0,000 0,000 1,000 -2,443 0,237
-2,443 1,000 0,000 0,000 1,000 0,843
-0,237 -0,843 1,000 0,000 0,000 1,000

(t) (X'X)
1
= T
1
. t
0,083 0,000 0,000 18,028 5,344 2,129
7,139 2,292 0,000 5,344 9,292 7,558
2,129 7,558 8,968 2,129 7,558 8,968

B KTG C
ii
KTG.C
ii
S
b
t t
0,025

1,331 13,528 18,028 243,892 15,617 0,085 2,228
3,872 13,528 9,292 125,703 11,212 0,345 2,228
-4,705 13,528 8,968 121,317 11,014 -0,427 2,228

Hasil Pengolahan menggunakan Excel :

Regression Statistics
Multiple R 0,1411
R Square 0,0199
Adjusted R Square -0,1979
Standard Error 3,6781
Observations 12

ANOVA
df SS MS F Sig F
Regression 2 2,472 1,236 0,091 0,914
Residual 9 121,755 13,528
Total 11 124,227

Coeff S E t Stat P-value
Intercept 1,331 15,617 0,085 0,934
X Variable 1 3,872 11,212 0,345 0,738
X Variable 2 -4,705 11,014 -0,427 0,679

Analisis menggunakan SPSS :
Untuk menghitung nilai kuadrat galat KG (e
2
) : klik menu Transform
Compute. Pada kotak Target variable ketik KG, pindahkan variabel Galat
(residu) ke kotak Numeric Expression, klik tanda *, pindahkan kembali
variabel Galat (Residu), sehingga pada kotak Numeric expression tertulis :
Residu*Residu. Klik OK. Pada Data View akan muncul variabel baru bernama
KG.
Untuk menghitung nilai Ln X
1
: klik menu Transform Compute. Pada kotak
Target variable ketik LnX1. Pada kotal Function group pilih Arithmetic, dan
pada kotak Function and Special variables sorot pilihan Ln pindahkan ke
kotak Numeric Expression, sehingga pada kotak Numeric expression tertulis
: LN(?). Klik variabel Motivasi (X1) pindahkan ke kotak Numeric Expression,
sehingga pada kotak Numeric expression tertulis : LN(X1). Klik OK. Pada
Data View akan muncul variabel baru bernama LnX1.
Untuk menghitung nilai Ln X
2
dan LnKG dlakukan dengan cara seperti diatas.
Untuk menganalisis model regresi Ln e
2
= b
0
+ b
1
Ln.X
1
+ b
2
Ln.X
2
: Klik
Analyze Regression Linear, pindahkan Variabel Dependen LnKG ke
kotak Dependent dan Variabel Independen LnX
1
dan LnX
2
ke kotak
Independent(s) klik OK.

Hasil Analisis Uji Park menggunakan SPSS :
Regression :

Model Summary
,141
a
,020 -,198 3,6780934
Model
1
R R Square Adjusted R Square Std. Error of the Estimate
Predictors: (Constant), Ln(Fasilitas), Ln(Motovasi)
a.
Variables Entered/Removed
b
Ln(Fasilitas),
Ln(Motovasi)
a
. Enter
Model
1
Variables Entered Variables Removed Method
All requested variables entered.
a.
Dependent Variable: Ln Kuadrat Galat
b.

Kesimpulan : Asumsi Homoskedastisitas diterima, karena nilai Signifikansi
kedua faktor tersebut > 0,05 (tidak signifikan)

b. Uji Korelasi Rank Spearman antara Variabel Bebas X dengan Galat e.
(1) Korelasi Variabel Bebas X
1
(Motivasi) dengan Galat e.
No X
1
Y Rank- X
1
Rank-Y Di
2

1 12 0,013 7 6 1,00
2 10 -4,541 3 1 4,00
3 10 -0,541 3 4 1,00
4 13 2,798 8,5 11 6,25
5 11 0,212 5,5 7 2,25
6 14 -4,434 11 2 81,00
7 13 0,750 8,5 8 0,25
8 14 2,535 11 10 1,00
9 11 -1,772 5,5 3 6,25
10 14 1,582 11 9 4,00
11 10 -0,525 3 5 4,00
12 8 3,922 1 12 121,00
Jumlah 232,00

ANOVA
b
2,472 2 1,236 ,091 ,914
a
121,755 9 13,528
124,227 11
Regression
Residual
Total
Model
1
Sum of Squares df Mean Square F Sig.
Predictors: (Constant), Ln(Fasilitas), Ln(Motovasi)
a.
b.
Coefficients
a
1,331 15,617 ,085 ,934
3,872 11,212 ,203 ,345 ,738
-4,705 11,014 -,251 -,427 ,679
(Constant)
Ln(Motovasi)
Ln(Fasilitas)
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig.
a.
t
3
t
T
x
=
12

3
3
3 2
3
3 2
3
2 3
3
3
T
x
= + + + = 5,00
12 12 12 12

t
3
t
T
y
= = 0,00
12

N
3
N 12
3
12
X
2
= T
x
= 5,00 = 138,00
12 12

N
3
N 12
3
12
Y
2
= T
x
= 0,00 = 143,00
12 12

+
=
y
x
di
y
x
rS
2
2
2
2
2
. 2

) 00 , 143 ( . ) 00 , 138 ( 2
00 , 232 00 , 143 00 , 138 +
=
rS

174 , 0 =
rS

r
r
S
S
n
t
2
1
2
=

174 , 0
1
2 12
174 , 0
2

= t

t = 0,560
t
0,025 (n2)
= t
0,025 (10)
= 2,228
Kesimpulan : tidak terdapat hubungan yang nyata antara variabel Motivasi
(X
1
) dengan nilai galat.

(2) Korelasi Variabel Bebas X
2
(Fasilitas) dengan Galat e.
No X
2
Y Rank- X
2
Rank-Y di
2

1 10 0,013 6,5 6 0,25
2 9 -4,541 3,5 1 6,25
3 9 -0,541 3,5 4 0,25
4 10 2,798 6,5 11 20,25
5 11 0,212 9,5 7 6,25
6 11 -4,434 9,5 2 56,25
7 13 0,750 11,5 8 12,25
8 13 2,535 11,5 10 2,25
9 10 -1,772 6,5 3 12,25
10 10 1,582 6,5 9 6,25
11 8 -0,525 2 5 9,00
12 7 3,922 1 12 121,00
Jumlah 252,50

t
3
t
T
x
=
12

2
3
2 4
3
4 2
3
2 2
3
2
T
x
= + + + = 6,50
12 12 12 12

t
3
t
T
y
= = 0,00
12

N
3
N 12
3
12
X
2
= T
x
= 6,50 = 136,50
12 12

N
3
N 12
3
12
Y
2
= T
x
= 0,00 = 143,00
12 12

+
=
y
x
di
y
x
rS
2
2
2
2
2
. 2

) 00 , 143 ( . ) 50 , 136 ( 2
50 , 252 00 , 143 50 , 136 +
=
rS

097 , 0 =
rS

r
r
S
S
n
t
2
1
2
=

097 , 0
1
2 12
097 , 0
2

= t

t = 0,307
t
0,025 (n2)
= t
0,025 (10)
= 2,228
Kesimpulan : tidak terdapat hubungan yang nyata antara variabel Fasilitas
(X
2
) dengan nilai galat.

Hasil analisis dengan SPSS :

Nonparametric Correlations : Rank Spearman - Homoskedastisitas

Kesimpulan : Asumsi Homoskedastisitas dapat diterima, karena nilai
Signifikansi kedua faktor tersebut tidak signifikan (> 0,05)

Correlations
1,000 ,174 ,097
. ,588 ,765
12 12 12
,174 1,000 ,801**
,588 . ,002
12 12 12
,097 ,801** 1,000
,765 ,002 .
12 12 12
Correlation Coefficient
Sig. (2-tailed)
N
Sig. (2-tailed)
N
Sig. (2-tailed)
N
Galat
Motivasi
Fasilitas
Spearman's rho
Galat Motivasi Fasilitas
**.
Pengujian Homoskedastisitas menggunakan SPSS 13.0 melalui prosedur :
klik Plot pindahkan ZPRED ke kotak X dan SRESID ke kotak Y. Pada
pilihan Standardized Residual Plot, beri tanda centang pada pilihan
Histogram dan Normal probability plots Continue

1.0 0.8 0.6 0.4 0.2 0.0
Observed Cum Prob
1.0
0.8
0.6
0.4
0.2
0.0
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
Dependent Variable: Produktivitas
Normal P-P Plot of Regression Standardized Residual
2 1 0 -1 -2
Regression Standardized Predicted Value
2
1
0
-1
-2
R
e
g
r
e
s
s
i
o
n

S
t
u
d
e
n
t
i
z
e
d

R
e
s
i
d
u
a
l
Dependent Variable: Produktivitas
Scatterplot
Kesimpulan : Asumsi Homoskedastisitas dapat diterima, karena (a) pada
gambar pertama, titik-titik menyebar di sekitar garis
diagonal, (b) pada gambar kedua titik-titik menyebar tidak
menunjukkan pola tertentu

4. Uji Normalitas :
(a) Uji Normalitas untuk Variabel Motivasi (X
1
)
Nilai X
1
diurutkan dari terkecil sampai terbesar
Resp X
1
Z
i
P(Z
i
) P(X
i
) P(Z
i
) - P(X
i
) P
X-1
- P
Z

12 8 -1,862 0,0313 0,0833 0,0520 0,0313
2 10 -0,846 0,1987 0,1667 0,0320 0,1154
3 10 -0,846 0,1987 0,2500 0,0513 0,0320
11 10 -0,846 0,1987 0,3333 0,1346 0,0513
5 11 -0,339 0,3675 0,4167 0,0492 0,0342
9 11 -0,339 0,3675 0,5000 0,1325 0,0492
1 12 0,169 0,5672 0,5833 0,0161 0,0672
4 13 0,677 0,7508 0,6667 0,0841 0,1675
7 13 0,677 0,7508 0,7500 0,0008 0,0841
6 14 1,185 0,8819 0,8333 0,0486 0,1319
8 14 1,185 0,8819 0,9167 0,0347 0,0486
10 14 1,185 0,8819 1,0000 0,1181 0,0347
Rata 11,67 Maks 0,1346 0,1675
STD 1,97

Nilai maksimum D = 0,1675. Dari tabel Kolmogorov-Smirnov untuk n = 12 dan
taraf nyata () = 0,05 didapat D
0,05(12)
= 0,375. Karena nilai (D = 0,1675) <
(D
0,05(12)
= 0,375) maka disimpulkan bahwa sampel tadi berasal dari populasi
yang berdistribusi normal.

(b) Uji Normalitas untuk Variabel Fasilitas (X
2
)
Resp X
2
Z
i
P(Z
i
) P(X
i
) P(Z
i
) - P(X
i
) P
X-1
- P
Z

12 7 -1,731 0,0418 0,0833 0,0416 0,0418
11 8 -1,169 0,1211 0,1667 0,0455 0,0378
2 9 -0,608 0,2716 0,2500 0,0216 0,1049
3 9 -0,608 0,2716 0,3333 0,0618 0,0216
1 10 -0,047 0,4813 0,4167 0,0647 0,1480
4 10 -0,047 0,4813 0,5000 0,0187 0,0647
9 10 -0,047 0,4813 0,5833 0,1020 0,0187
10 10 -0,047 0,4813 0,6667 0,1853 0,1020
5 11 0,515 0,6966 0,7500 0,0534 0,0299
6 11 0,515 0,6966 0,8333 0,1368 0,0534
7 13 1,637 0,9492 0,9167 0,0325 0,1159
8 13 1,637 0,9492 1,0000 0,0508 0,0325
Rata 10,08 Maks 0,1853 0,1480
STD 1,78

Variabel X
2
berdistribusi normal karena (D = 0,1853) < (D
0,05(12)
= 0,375).

(c) Uji Normalitas untuk Variabel Produktivitas (Y)
Resp Y
i
Z
i
P(Z
i
) P(Y
i
) P(Z
i
)-P(Y
i
) P
Y
- P
Z

2 74 -1,307 0,0956 0,0833 0,0123 0,0956
12 74 -1,307 0,0956 0,1667 0,0710 0,0123
11 76 -1,056 0,1455 0,2500 0,1045 0,0212
3 78 -0,805 0,2104 0,3333 0,1229 0,0396
9 81 -0,429 0,3341 0,4167 0,0826 0,0008
1 85 0,073 0,5292 0,5000 0,0292 0,1125
5 85 0,073 0,5292 0,5833 0,0542 0,0292
6 87 0,324 0,6271 0,6667 0,0396 0,0437
4 90 0,700 0,7582 0,7500 0,0082 0,0915
10 91 0,826 0,7956 0,8333 0,0378 0,0456
7 94 1,202 0,8854 0,9167 0,0313 0,0520
8 98 1,704 0,9558 1,0000 0,0442 0,0392
Rata 84,42 Maks 0,1229 0,1125
STD 7,97

Variabel Y berdistribusi normal karena (D = 0,1229) < (D
0,05(12)
= 0,375).

(d) Uji Normalitas untuk Variabel Galat (e)
Resp ei Zi P(Z) P(ei) P(Z)-P(ei) P
ei
- P
Z

2 -4,541 -1,719 0,0428 0,0833 0,0406 0,0428
6 -4,434 -1,679 0,0466 0,1667 0,1201 0,0367
9 -1,772 -0,671 0,2511 0,2500 0,0011 0,0845
3 -0,541 -0,205 0,4189 0,3333 0,0856 0,1689
11 -0,525 -0,199 0,4212 0,4167 0,0046 0,0879
1 0,013 0,005 0,5019 0,5000 0,0019 0,0853
5 0,212 0,080 0,5321 0,5833 0,0513 0,0321
7 0,750 0,284 0,6118 0,6667 0,0549 0,0285
10 1,582 0,599 0,7254 0,7500 0,0246 0,0588
8 2,535 0,960 0,8314 0,8333 0,0019 0,0814
4 2,798 1,059 0,8553 0,9167 0,0614 0,0219
12 3,922 1,485 0,9312 1,0000 0,0688 0,0145
Rata 0,00 Maks 0,1201 0,1689
STD 2,64

Variabel Galat berdistribusi normal karena (D = 0,1689) < (D
0,05(12)
= 0,375).
Hasil Analisis Uji Kolmogorov-Smirnov menggunakan SPSS 13.0 :

One-Sample Kolmogorov-Smirnov Test
12 12 12 12
11,67 10,08 84,42 84,41667
1,969 1,782 7,971 7,520840
,167 ,185 ,123 ,116
,135 ,185 ,123 ,116
-,167 -,148 -,113 -,103
,580 ,642 ,426 ,402
,889 ,804 ,993 ,997
N
Mean
Std. Deviation
Normal Parameters
a,b
Absolute
Positive
Negative
Most Extreme
Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
Motivasi Fasilitas Produktivitas Nilai Prediksi
Test distribution is Normal.
a.
Calculated from data.
b.

5. Uji Autokorelasi :
Menggunakan Uji Durbin-Watson
Data :

Resp Q15 Q610 Y ei e
i-1
(e
i
-e
i-1
)
2

1 12 10 85 84,987 0,013
2 10 9 74 78,541 -4,541 0,013 20,735
3 10 9 78 78,541 -0,541 -4,541 16,000
4 13 10 90 87,202 2,798 -0,541 11,144
5 11 11 85 84,788 0,212 2,798 6,683
6 14 11 87 91,434 -4,434 0,212 21,585
7 13 13 94 93,250 0,750 -4,434 26,871
8 14 13 98 95,465 2,535 0,750 3,185
9 11 10 81 82,772 -1,772 2,535 18,547
10 14 10 91 89,418 1,582 -1,772 11,249
11 10 8 76 76,525 -0,525 1,582 4,440
12 8 7 74 70,078 3,922 -0,525 19,771
Jml 140 121 1013 1013,000 0,000 -3,922 160,210
JK 1676 121 86213 76,723
Nilai Durbin-Watson D = (160,210) : (76,723) = 2,088
Keterangan : Jml = Jumlah ; JK = Jumlah Kuadrat

Nilai Statistik Durbin-Watson D :
D = [ (e
i
e
i-1
)
2
] / [ e
i
2
] = (160,210) / (76,723) = 2,088
Tests of Normality
,167 12 ,200* ,914 12 ,240
,185 12 ,200* ,942 12 ,521
,123 12 ,200* ,950 12 ,638
,116 12 ,200* ,975 12 ,954
Motivasi
Fasilitas
Produktivitas
Nilai Prediksi
Statistic df Sig. Statistic df Sig.
Kolmogorov-Smirnov
a
Shapiro-Wilk
This is a lower bound of the true significance.
*.
Lilliefors Significance Correction
a.
Untuk n = 12, banyaknya variabel bebas = k = 2 dan a = 0,05 diperoleh dL = 0,812
dan dU = 1,579
Kriteria Penolakan H
0
:

Tolak Ho dL dU Terima Ho 4-dU 4-dL Tolak Ho
0,812 1,579 2,421 3,188

Nilai D = 2,088 terletak pada daerah penerimaan H
0
, sehingga asumsi tidak ada
autokorelsi dapat diterima.

Prosedur menggunakan SPSS :
Analyze Regression Linear, masukkan Variabel Dependen Y (Produktivitas)
ke kotak Dependent dan Variabel Independen (X
1
= Motivasi dan X
2
= Fasilitas) ke
kotak Independent(s) klik Statistics Pada kotak Residuals, beri tanda
centang pada pilihan Durbin Watson Continue OK.

Hasil Analisis SPSS :

Menggunakan Uji
2
:
Nilai Observasi (O) :
Banyaknya +e
i
Banyaknya e
i
Jumlah
Banyaknya +e
i-1
2 4 6
Banyaknya e
i-1
4 1 5
Jumlah 6 5 11

Model Summary
b
,944
a
,890 ,866 2,920 2,088
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Durbin-
Watson
a.
b.
Nilai Harapan (E) :
Banyaknya +e
i
Banyaknya e
i
Jumlah
Banyaknya +e
i-1
3,27 2,73 6
Banyaknya e
i-1
2,73 2,27 5
Jumlah 6 5 11

(2 3,27)
2
(4 2,73)
2
(4 2,73)
2
(1 2,27)
2

X
2
= + + +
3,27 2,73 2,73 2,27
X
2
= 2,396
X
2
0,05(1)
= 3,841
Kesimpulan : Karena (X
2
= 2,396) < (X
2
0,05(1)
= 3,841) maka H
0
diterima
(asumsi tidak ada autokorelasi dapat diterima).
Prosedur menggunakan SPSS :
Analyze Descriptive Statistics Crosstab.
Hasil Analisis :

Crosstabs

Nilai Ei-1 * Nilai Ei Crosstabulation
Count
2 4 6
4 1 5
6 5 11
+Ei-1
-Ei-1
Nilai Ei-1
Total
+Ei -Ei
Nilai Ei
Total

Kesimpulan : Karena nilai (X
2
= 2,396) dengan probabilitas 0,122 > 0,05
maka H
0
diterima (asumsi tidak ada autokorelasi dapat diterima).

6. Multikolinearitas : terjadi korelasi yang kuat diantara variabel bebas X.
Prosedur : Analyze Regression Linear, masukkan Variabel
Dependen Y (Produktivitas) ke kotak Dependent dan Variabel
Independen (X
1
= Motivasi dan X
2
= Fasilitas) ke kotak Independent(s)
klik Statistics Beri tanda centang pada pilihan Collinearity
diagnostics Continue OK.
Diantara variabel bebas X tidak terjadi multikolinearitas jika nilai VIF
mendekakti nilai 1., atau jika nilai Koefisien Korelasi R 0,80,
diindikasikan adanya multikolinearitas.

Correlations
1 ,786**
,002
12 12
,786** 1
,002
12 12
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Motivasi
Fasilitas
Motivasi Fasilitas
Correlation is significant at the 0.01 level
(2 il d)
**.
Chi-Square Tests
2,396
b
1 ,122
,883 1 ,347
2,516 1 ,113
,242 ,175
2,178 1 ,140
11
Pearson Chi-Square
Continuity Correction
a
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value df
Asymp. Sig.
(2-sided)
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
Computed only for a 2x2 table
a.
4 cells (100,0%) have expected count less than 5. The minimum expected count is
2,27.
b.
7. Linearitas : artinya bentuk hubungan antara variabel bebas X dan variabel
terikat Y adalah Linear.
a. uji Linearitas antara X
1
(Motivasi) dengan Y (Produktivitas) :
Resp X1 Y X1.Y Y
2
KJ Selisih
12 8 74 592 5476 5476 0
2 10 74 740
3 10 78 780 17336 17328 8
11 10 76 760
5 11 85 935 13786 13778 8
9 11 81 891
1 12 85 1020 7225 7225 0
4 13 90 1170 16936 16928 8
7 13 94 1222
6 14 87 1218
8 14 98 1372 25454 25392 62
10 14 91 1274
Jumlah 140 1013 11974 86213 86127 86
JK 1676 86213 k = 6
Rata-rata 11,667 84,417
KJ = Kuadrat Jumlah JK = Jumlah Kuadrat
Contoh perhitungan :
Untuk X
1
= 10 Y
2
= 74
2
+ 78
2
+ 76
2
= 17336
KJ = (74 + 78 + 76)
2
= 17328 . . . . . . . . dst.

n X
1
Y (X
1
) ( Y) 12 (11974) (140)(1013)
b
1
= = = 3,648
n X
1
2
(X
1
)
2
12 (1676) (140)
2

b
0
= 84,417 3,648 (11,667) = 41,852
Analisis Ragam (Anova) :
1. Faktor Koreksi (FK) = (Y)
2
/n = (1013)
2
/12 = 85514,083
2. Jumlah Kuadrat Total (JKT) = Y
2
(Y)
2
/n
JKT = 86213 85514,083 = 698,917
3. Jumlah Kuadrat Regresi (JKR) = bi XiY
JKR = b
1
[ X
1
Y

(X
1
)(Y)/n]
JKR = 3,648 [11974

(140)(1013)/12] = 567,940
4. Jumlah Kuadrat Galat (JKG) = JKT

JKR
JKG = 698,917 567,940 = 130,977
JKG-Murni = Y
2
(Yi
2
/ni) = 86213 86127 = 86
JKG-SDM = JKG7 JKGM = 130,977 86 = 44,977

Daftar Sidik Ragam
db JK KT F F
0,05

Regresi 1 567,940 567,940 39,624 4,965
Galat 10 130,977 13,098
Murni 6 86,000 14,333
SDM 4 44,977 11,244 0,784 4,534
Total 11 698,917
Ket. : DB = Derajat Bebas ; JK = Jumlah Kuadrat ;
KT = Kuadrat Tengah ; SDM = Simpangan Dari Model

KT = JK : DB
F-Regresi = KT(Regresi) : KT(Galat Murni) = 567,940 : 14,333 = 39,624
F-SDM = KT(SDM) : KT(Galat Murni) = 11,244 : 14,333 = 0,784
Kesimpulan : Karena nilai (F-SDM = 0,784) < (F
0,05
= 4,534) maka asumsi
Linearitas dapat diterima (hubungan antara X
1
dengan Y bersifat Linear)
b. uji Linearitas antara X
2
(Fasilitas) dengan Y (Produktivitas) :
Resp X2 Y X2.Y Y
2
KJ Selisih
12 7 74 518 5476 5476,00 0,00
11 8 76 608 5776 5776,00 0,00
2 9 74 666
3 9 78 702 11560 11552,00 8,00
1 10 85 850
4 10 90 900
9 10 81 810
10 10 91 910 30167 30102,25 64,75
5 11 85 935
6 11 87 957 14794 14792,00 2,00
7 13 94 1222
8 13 98 1274 18440 18432,00 8,00
Jumlah 121 1013 10352 86213 86130,25 82,75
JK 1255 86213 k = 6
Rataan 10,083 84,417

n X
2
Y (X
2
) ( Y) 12 (10352) (121)(1013)
b
1
= = = 3,940
n X
2
2
(X
2
)
2
12 (1255) (121)
2

b
0
= 84,417 3,940 (10,083) = 44,685
Analisis Ragam (Anova) :
1. Faktor Koreksi (FK) = (Y)
2
/n = (1013)
2
/12 = 85514,083
2. Jumlah Kuadrat Total (JKT) = Y
2
(Y)
2
/n
JKT = 86213 85514,083 = 698,917
3. Jumlah Kuadrat Regresi (JKR) = bi XiY
JKR = b
2
[ X
2
Y

(X
2
)(Y)/n]
JKR = 3,940 [10352

(121)(1013)/12] = 542,12
4. Jumlah Kuadrat Galat (JKG) = JKT

JKR
JKG = 698,917 542,12 = 156,79
JKG-Murni = Y
2
(Yi
2
/ni) = 86213 86130,25 = 82,75
JKG-SDM = JKG7 JKGM = 156,79 82,75 = 74,04

Daftar Sidik Ragam
db JK KT F F
0,05

Regresi 1 542,12 542,12 34,576 4,965
Galat 10 156,79 15,68
Murni 6 82,75 13,79
SDM 4 74,04 18,51 1,342 4,534
Total 11 698,92
Ket. : DB = Derajat Bebas ; JK = Jumlah Kuadrat ; KT = Kuadrat Tengah
SDM = Simpangan Dari Model

KT = JK : DB
F-Regresi = KT(Regresi) : KT(Galat Murni) = 542,12 : 13,79 = 34,576
F-SDM = KT(SDM) : KT(Galat Murni) = 18,51 : 13,79 = 1,342
Kesimpulan : Karena nilai (F-SDM = 1,342) < (F
0,05
= 4,534) maka asumsi Linearitas
dapat diterima (hubungan antara X
2
dengan Y bersifat Linear)

Prosedur pengujian menggunakan SPSS :
Analyze Compre Means Means, masukkan Variabel Dependen X
2
(Fasilitas)
ke kotak Dependent List dan Variabel Independen Y (Produktivitas) ke kotak
Independent List klik Options Beri tanda centang pada pilihan Test for
linearity Continue OK.

Hasil Analisis SPSS :

Means : Uji Linearitas

Produktivitas * Motivasi

Measures of Association
,901 ,813 ,936 ,877 Produktivitas * Motivasi
R R Squared Eta Eta Squared
ANOVA Table
612,917 5 122,583 8,552 ,011
567,940 1 567,940 39,624 ,001
44,977 4 11,244 ,784 ,575
86,000 6 14,333
698,917 11
(Combined)
Linearity
Deviation from
Linearity
Between
Groups
Within Groups
Total
Produktivitas *
Motivasi
Sum of
Squares df
Mean
Square F Sig.
Report
Produktivitas
74,00 1 .
76,00 3 2,000
83,00 2 2,828
85,00 1 .
92,00 2 2,828
92,00 3 5,568
84,42 12 7,971
Motivasi
8
10
11
12
13
14
Total
Mean N Std. Deviation
Produktivitas * Fasilitas

Measures of Association
,881 ,776 ,939 ,882 Produktivitas * Fasilitas
R R Squared Eta Eta Squared
ANOVA Table
616,167 5 123,233 8,935 ,009
542,124 1 542,124 39,308 ,001
74,042 4 18,511 1,342 ,355
82,750 6 13,792
698,917 11
(Combined)
Linearity
Deviation from
Linearity
Between
Groups
Within Groups
Total
Produktivitas *
Fasilitas
Sum of
Squares df
Mean
Square F Sig.
Report
Produktivitas
74,00 1 .
76,00 1 .
76,00 2 2,828
86,75 4 4,646
86,00 2 1,414
96,00 2 2,828
84,42 12 7,971
Fasilitas
7
8
9
10
11
13
Total
Mean N Std. Deviation

Uji Asumsi Regresi

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Uji Asumsi Regresi

Diunggah oleh

Hak Cipta:

Format Tersedia

Wijaya : Uji Asumsi Klasik Regresi Linear - 0

UJI ASUMSI KLASIK REGRESI LINEAR

Anda mungkin juga menyukai