Bab Viii. Analisis Regresi Linier - Uji Asumsi Klasik PDF

Analisis Regresi Linier: Uji Asumsi Klasik 121
BAB VIII
ANALISIS REGRESI LINIER :
UJI ASUMSI KLASIK

8.1. ASUMSI KLASIK DALAM ANALISIS REGRESI LINIER
Uji asumsi klasik di lakukan untuk mengetahui apakah
model esti masi telah memenuhi kriteria ekonometrika, dalam
arti tidak terjadi penyimpangan yang cukup serius dari asumsi -
asumsi yang harus dipenuhi dalam metode Ordinary Least
Square (OLS). Terdapat enam asumsi yang diperlukan dalam
penaksiran OLS, yaitu:
1. Rata-rata kesalahan pengganggu (e) sama dengan nol;
2. Kesalahan pengganggu berbentuk distribusi normal;
3. Kesalahan pengganggu tidak berkorelasi dengan Variabel
Independen;
4. Tidak adanya Autokorelasi antar gangguan (e);
5. Tidak adanya Multikolinearitas; dan
6. Varian kesalahan pengganggu tetap atau homoskedastisitas
(tidak terjadi Heteroskedastisitas);

122 Metode Penelitian Kuantitatif : Plus Aplikasi Program SPSS
Penyimpangan dari asumsi klasik yang pertama
menyebabkan terjadinya penyimpangan dari estimasi terhadap
besarnya konstanta. Akan tetapi, penyimpangan esti masi
terhadap besarnya konstanta dalam hal ini kurang begitu
menggangu, karena yang diperhitungkan dalam penelitian
adalah besarnya pengaruh perubahan Variabel Independen
terhadap Variabel Dependen. Begi tu juga dengan asumsi yang
kedua, jika tidak terpenuhi maka tidak terlalu berpengaruh
terhadap kesahihan hasil regresi dan akan tetap dapat
diperolehnya hasil estimator OLS yang Best Linear Unbiased
Estimator (BLUE). Sedangkan untuk penyimpangan pada
asumsi ketiga umumnya terjadi pada model persamaan
simultan dan tidak pernah terjadi pada model persamaan
tunggal. Oleh karena itu, dalam analisi s regresi berganda yang
perlu diperhatikan dan diuji adalah ada tidaknya penyimpangan
terhadap asumsi keempat (Uji Autokorelasi), kelima (Uji
Multikolinearitas), dan keeman (Uji Hiteroskedastisitas).
Uji Autokorelasi digunakan untuk menguji apakah dalam
sebuah model regresi linier terdapat korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1
(sebelumnya). Autokorelasi jarang dijumpai pada data cross
section dan biasanya terjadi pada data time series (serial
waktu). Multikolinieritas adalah suatu kondisi dimana terjadi
korelasi yang kuat diantara Variabel Independen yang
diikutsertakan dalam pembentukan model regresi linier

berganda. Sedangkan Uji Heteroskedastisi tas digunakan untuk
menguji apakah dalam model regresi liner kesalahan
pengganggu mempunyai varians yang sama atau tidak dari
satu pengamatan ke pengamatan yang lain.
Contoh Kasus: Penelitian dengan judul: Faktor-Faktor
yang Mempengaruhi Tunggakan Cicilan Bulanan Kredi t
Perumahan. Untuk kebutuhan data penelitian tersebut, jumlah
responden yang menjadi sampel sebanyak 38 responden dan
untuk pengambi lan data digunakan adalah teknik wawancara
yang dipandu dengan kuesioner. Sebelum melakukan
pengolahan dan analisi s data yang memerlukan perhatian
adalah hal-hal sebagai berikut:
1. Hipotesis Penelitian
Hipotesi s penelitian yang diajukan adalah Tunggakan
Pembayaran Cicilan Bulanan Kredit Perumahan (Y)
dipengaruhi oleh Tingkat Pendapatan Keluarga (X
1
), Tingkat
Pendidikan Orang Tua (X
2
), Rasio Ketergantungan (X
3
), dan
Besarnya Cicilan Per Bulan (X
4
)
2. Definisi Operasional Variabel Penelitian
Variabel Tunggakan Pembayaran Cicilan Bulanan Kredi t
Perumahan (Y) dihitung dari besarnya cicikan per bulan
dikalikan dengan jumlah bulan yang menunggak pada
saat penelitian.
Variabel Tingkat Pendapatan Keluarga (X
1
) dihitung
dengan menjumlahkan besarnya penghasi lan per bulan

dari pekerjaan rutin dan pekerjaan sampingan, baik
suami maupun istri.
Tingkat Pendidikan Orang Tua (X
2
) dihitung dengan
menjumlahkan skor tingkat pendidikan terakhir bai k
suami maupun istri.
Rasio Ketergantungan (X
3
) dihitung dengan membagi
antara jumlah anggota keluarga yang tidak bekerja
(menjadi tanggungan yang bekerja) dengan jumlah
anggota keluarga yang bekerja.
Besarnya Cicilan Per Bulan (X
4
) dihitung berdasarkan
besarnya cicilan bulanan kredit perumahan yang dibayar
tiap bulan.
3. Teknik Analisis Data dan Uji Hipotesis
Berdasarkan hipotesis yang diajukan, teknik analisis data
dengan menggunakan Analisi s Regresi Berganda dengan
model persamaan: Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ E.
Untuk menguji hipotesis digunakan Uji T (parsial), Uji F
(serempak) dan R
2
. Sedangkan jenis uji hipotesis
menggunakan uji dua arah dengan tingkat signifikan ()
sebesar 10%. Selain i tu, juga dilakukan uji pemenuhan
asumsi klasik, yaitu Uji Autokorelasi, Uji Heteroskedastisitas,
dan Uji Multikolonearitas.
Hasil pengumpulan data dari 38 responden diperoleh
data sebagai berikut:

Tabel 8.1. Tabulasi Data Penelitian
Tunggakan Cicilan Bulanan Kredit Perumahan
N Y X
1
X
2
X
3
X
4

1 80250 1650000 10 1 80250
2 86000 1600000 8 1 86000
3 106000 2050000 8 1 106000
4 70108 1200000 7 1 70108
5 680400 1650000 4 2 170100
6 66100 1500000 8 2 66100
7 66100 1500000 8 1 66100
8 111000 1450000 7 3 55500
9 55500 1250000 8 2 55500
10 72500 1525000 9 1 72500
11 324000 600000 7 4 108000
12 300000 800000 8 2 150000
13 229500 700000 5 3 76500
14 1600000 450000 5 5 200000
15 780000 500000 3 3 130000
16 423000 700000 6 3 47000
17 210000 1000000 6 3 105000
18 125000 1125000 10 1 125000
19 405000 700000 6 4 81000
20 510000 500000 7 4 85000
21 182100 900000 7 3 60700
22 427260 850000 9 3 71210
23 81000 1900000 10 1 81000
24 75100 1300000 8 1 75100
25 70000 1580000 9 2 70000
26 68000 1222000 7 2 68000
27 66500 1650000 8 2 66500
28 215850 900000 7 5 71940
29 79000 1450000 8 1 79000
30 69700 1530000 8 2 69700
31 105500 1690000 9 3 105500
32 79000 1750000 6 2 79000
33 60710 1250000 7 3 60710
34 72000 1200000 8 2 72000
35 61000 1560000 7 2 61000
36 120000 1400000 6 2 60000
37 490000 700000 5 4 70000
38 335000 950000 6 3 67000

8.1.1. Analisis Regresi Berganda
Untuk melakukan pengolahan data analisis regresi
berganda dengan langkah sebagai berikut:
1. Masukkan data pada Tabel 8.1. ke dalam Data View
Program SPSS. Kemudian klik Variable View, untuk Name
1: Y, Name 2: X1, Name 3: X2, Name 4: X3, dan Name 5:
X5. Untuk Label diisi dengan nama masing-masing variabel.

Gambar 8.1. Tampilan Variable View
2. Untuk mengolah data dengan analisis regresi linier, pilih
menu Analyze, kemudian pilih sub menu Regression dan
klik Linier, maka akan tampil sebagai berikut:

Gambar 8.2. Menu untuk Analisis Regresi Berganda


Gambar 8.3. Variabel Dependen dan Independen
3. Ketika tampil kotak Linier Regression, klik Tunggakan
Cicilan (Y) dan klik tanda panah (dalam lingkaran) untuk
Dependent. Blok variabel Pendapatan Keluarga (X
1
),
Tingkat Pendidikan Orang Tua (X
2
), Rasio Ketergantungan
(X
3
), dan Besarnya Cicilan Per Bulan (X
4
) dan klik tanda
panah untuk Independents dan klik OK.
Tabel 8.2. Hasil Pengolahan Data Regresi Linier Berganda
Variables Entered/Removed(b)
Model Variables Entered
Variables
Removed
Method
1 Besarnya Cicilan per Bulan, Rasio Ketergantungan,
Tingkat Pendidikan Ortu, Pendapatan Keluarga(a)
. Enter
a All requested variables entered.
b Dependent Variable: Tunggakan Cicilan
Model Summary
Model R R Square Adjusted R Square
Std. Error of the
Estimate
1 ,891(a) ,793 ,768 141329,471
a Predictors: (Constant), Besarnya Cicilan per Bulan, Rasio Ketergantungan,
Tingkat Pendidikan Ortu, Pendapatan Keluarga

ANOVA(b)
Model Sum of Squares df Mean Square F Sig.
1 Regression 2526431372516,881 4 631607843129,220 31,621 ,000(a)
Residual 659142641118,594 33 19974019427,836
Total 3185574013635,474 37

Coefficients(a)
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
B Std. Error Beta
1 (Constant)
79880,591 223358,524 ,358 ,723
Pendapatan
Keluarga
-,144 ,081 -,211 -1,777 ,085
Tingkat Pendidikan
Ortu
-34755,936 17908,076 -,190 -1,941 ,061
Rasio
Ketergantungan
64904,444 30646,127 ,254 2,118 ,042
Besarnya Cicilan
per Bulan
5,053 ,746 ,561 6,770 ,000
a Dependent Variable: Tunggakan Cicilan

Berdasarkan Tabel 8.2. bagian Coefficients tersebut di
atas, maka dapat dibuat model regresi linier berganda dengan
persamaan sebagai berikut :
Y = 79880,591 0,144 X
1
34755,936 X
2
+ 64904,444 X
3
+
5,053 X
4
+ E
Nilai masing-masing koefisien regresi Variabel Independen dari
model regresi linier tersebut memberikan gambaran bahwa:
1. Koefisien Regresi Variabel Pendapatan Keluarga (X
1
)
sebesar 0,144 menggambarkan bahwa pendapatan
keluarga mempunyai pengaruh negatif terhadap besarnya
tunggakan cicilan bulanan kredit perumahan, artinya dengan

semakin besarnya pendapatan keluarga maka tunggakan
cicilan bulanan kredit perumahan akan semakin kecil;
2. Koefisien Regresi Variabel Tingkat Pendidikan Orang Tua
(X
2
) sebesar 34.755,936 menggambarkan bahwa tingkat
pendidikan orang tua mempunyai pengaruh negatif terhadap
besarnya tunggakan cicilan bulanan kredit perumahan,
artinya dengan semakin tingginya tingkat pendidikan orang
tua maka tunggakan cicilan bulanan kredi t perumahan akan
semakin kecil;
3. Koefisien Regresi Variabel Rasio Ketergantungan (X
3
)
sebesar 64.904,444 menggambarkan bahwa rasio
ketergantungan mempunyai pengaruh positif terhadap
besarnya tunggakan cicilan bulanan kredit perumahan,
artinya dengan semakin besarnya rasio ketergantungan
dalam keluarga maka akan semakin meningkatkan;
4. Koefisien Regresi Variabel Besarnya Cicilan per Bulan (X
4
)
sebesar 5,053 menggambarkan bahwa besarnya cicilan per
bulan berpengaruh positif terhadap besarnya tunggakan
cicilan bulanan kredi t perumahan, artinya dengan semakin
besarnya cicilan per bulan maka akan semakin
meningkatkan atau memperbesar tunggakan cicilan bulanan
kredit perumahan.

8.1.2. Uji Hipotesis Parsial (Uji T)
Uji hipotesis secara parsial digunakan untuk mengetahui
pengaruh dari masing-masing Variabel Independen terhadap
Variabel Dependen. Uji ini dilakukan dengan membandingkan
nilai T hitung dengan nilai T tabel. Nilai T hitung dari hasil
pengolahan data dengan program SPSS dapat di lihat pada
Tabel 8.2. bagian Coefficients. Hipotesis Statistik yang
diajukan untuk Uji T adalah:
Ho : b
1
= 0 Ha : b
1
0
b
2
= 0 b
2
0
b
3
= 0 b
3
0
b
4
= 0 b
4
0
Untuk memperoleh nilai T tabel, dapat dilihat pada tabel T
Student, yaitu pada Degrees of Freedom (df) sebesar 33
(jumlah data dikurangi jumlah variabel) dan = 10% / 2 = 5%
(uji dua arah) maka nilai T tabel sebesar 1,684.

Gambar 8.4. Daerah Penerimaan dan Penolakan Ho
Daerah
Penolakan Ho
5 %
Daerah
Penolakan Ho
5 %
- 1,684
Daerah
Penerimaan Ho
90 %
1,684

Dengan membandingkan nilai T hitung dengan T tabel
maka dapat disimpulkan:
1. Variabel Pendapatan Keluarga, yaitu T hi tung < T tabel
atau 1,777 < 1,684 maka Ho ditolak dan hipotesis
penelitian diterima, artinya pendapatan keluarga mempunyai
pengaruh yang signifikan terhadap tunggakan cicilan
bulanan kredit perumahan.
2. Variabel Tingkat Pendidikan Orang Tua, yaitu T hitung <
T tabel atau 1,941 < 1,684 maka Ho ditolak dan
hipotesis penelitian diterima, artinya tingkat pendidikan
orang tua mempunyai pengaruh yang signifikan terhadap
tunggakan cicilan bulanan kredit perumahan.
3. Variabel Rasio Ketergantungan, T hi tung > T tabel atau
2,118 > 1,684 maka Ho ditolak dan hipotesis penelitian
diterima, artinya rasio ketergantungan mempunyai pengaruh
yang signifikan terhadap tunggakan cicilan bulanan kredi t
perumahan.
4. Variabel Besarnya Cicilan Bulanan, yaitu T hi tung > T tabel
atau 6,770 > 1,684 maka Ho ditolak dan hipotesis penelitian
diterima, artinya besarnya cicilan per bulan mempunyai
pengaruh yang signifikan terhadap tunggakan cicilan
bulanan kredit perumahan.
Langkah pengujian hipotesis di atas dilakukan jika dalam
pengolahan data peneli ti sudah menyiapkan Tabel T Students,
namun jika tabel tersebut tidak tersedia maka untuk

memutuskan menerima atau menolak hipotesis peneli tian dapat
dilakukan dengan milihat nilai Signifikansi (Sig.) pada tabel 8.2.
bagian Coefficients, yaitu masing-masing variabel independen
mempunyai nilai Sig. di bawah 10% atau 0,100. Variabel
Pendapatan Keluarga (X
1
) nilai Sig.-nya sebesar 0,085;
Variabel Tingkat Pendidikan Orang Tua (X
2
) nilai Sig.-nya
sebesar 0,061; Variabel Rasio Ketergantungan (X
3
) nilai
Sig.-nya sebesar 0,042; dan Variabel Besarnya Cicilan Per
Bulan (X
4
) nilai Sig.-nya sebesar 0,000. Dengan demikian dapat
disimpulkan bahwa Variabel Pendapatan Keluarga (X
1
),
Variabel Tingkat Pendidikan Orang Tua (X
2
), Variabel Rasi o
Ketergantungan (X
3
), dan Variabel Besarnya Cicilan Per Bulan
(X
4
), secara parsial mempunyai pengaruh yang signifikan
terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit
Perumahan (Y).

8.1.3. Uji Hipotesis Serempak (Uji F)
Uji hipotesis secara serempak digunakan untuk
mengetahui pengaruh dari Variabel Independen secara
keseluruhan terhadap Variabel Dependen. Uji ini di lakukan
dengan membandingkan nilai F hitung dengan nilai F tabel.
Nilai F hitung dapat dilihat pada Tabel 8.2, bagian ANOVA.
Hipotesis Statistik yang diajukan untuk Uji F adalah:
Ho : b
1
= b
2
= b
3
= b
4
= 0
Ha : b
1
b
2
b
3
b
4
0

Nilai F tabel dengan tingkat signifikan = 5% dan
Degrees of Freedom (df) sebesar 4 ; 33 adalah sebesar 2,65.
Hasil pengolahan data (lihat Tabel 8.2) diketahui bahwa nilai F
hitung sebesar 31,621 dan nilai F hitung tersebut lebih besar
dari pada F tabel atau nilai Sig.-nya di bawah 0,050 atau 5%,
maka keputusan yang dapat diambi l adalah Ho ditolak dan
hipotesis penelitian di terima, artinya Variabel Pendapatan
Keluarga (X
1
), Variabel Tingkat Pendidikan Orang Tua (X
2
),
Variabel Rasio Ketergantungan (X
3
), dan Variabel Besarnya
Cicilan Per Bulan (X
4
), secara keseluruhan mempunyai
pengaruh yang signifikan terhadap Variabel Besarnya
Tunggakan Cicilan Bulanan Kredit Perumahan (Y).

8.1.4. Koefisien Determinasi (R Square)
Nilai R
2
atau R Square dapat dilihat pada Tabel 8.2,
bagian Model Summary. Hasil pengolahan data menunjukkan
bahwa nilai R
2
sebesar 0,793. Nilai tersebut menggambarkan
bahwa sumbangan Variabel Independen (Variabel Pendapatan
Keluarga, Variabel Tingkat Pendidikan Orang Tua, Variabel
Rasio Ketergantungan, dan Variabel Besarnya Cicilan Per
Bulan) terhadap naik turunnya atau variasi Variabel Dependen
(Variabel Besarnya Tunggakan Cicilan Bulanan Kredi t
Perumahan) adalah sebesar 79,3% dan sisanya sebesar 20,6%
merupakan sumbangan dari variabel lain yang tidak
dimasukkan dalam model yang diajukan dalam penelitian

tersebut (terkumpul dalam Variabel Pengganggu atau E).
Sedangkan untuk nilai R sebesar 0,891 atau 89,1% berarti
hubungan antara Variabel Independen dengan Variabel
Dependen dalam peneli tian tersebut dapat dikatakan
mempunyai hubungan yang kuat atau erat karena mendekati
100%.

8.2. UJI ASUMSI KLASIK
8.2.1. Uji Autokorelasi
Uji Autokorelasi digunakan untuk menguji apakah dalam
sebuah model regresi linier terdapat korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1
(sebelumnya). Untuk menguji Autokorelasi dapat di lihat dari
nilai Durbin Waston (DW), yaitu jika nilai DW terletak antara du
dan (4 d
U
) atau du DW (4 d
U
) berarti bebas dari
Autokorelasi, sebaliknya jika nilai DW < d
L
atau DW > (4 d
L
)
berarti terdapat Autokorelasi. Ni lai d
L
dan d
U
dapat di lihat pada
tabel Durbin Waston, yaitu nilai d
L
; d
U
; ; n ; (k 1).
Keterangan: n adalah jumlah sampel, k adalah jumlah variabel,
dan adalah taraf signifikan.
Langkah untuk mengetahui ni lai DW dengan program
SPSS adalah sama dengan ketika mengolah dengan analisi s
regresi linier pada contoh kasus di atas, yaitu pi lih menu
Analyze, kemudian pilih sub menu Regression dan klik Linier.
Ketika sudah masuk pada kotak Linier Regression, masukkan

Variabel Dependen ke kotak Dependent dan seluruh Variabel
Independen ke kotak Independent (s).

Gambar 8.5. Menguji Autokorelasi (1)
Setelah semua variabel masuk pada tempatnya, klik
Statistics ... maka akan tampi l kotak Linier Regression:
Statistics. Untuk pilihan Estimates dan Model Fit
dinonaktifkan (tandanya dihilangkan) dengan cara mengekli k
tanda centang, dan untuk pilihan Durbin Waston diaktifkan
kemudian klik Continue.

Gambar 8.6. Menguji Autokorelasi (2)

Setelah diklik Continue maka akan kembali ke kotak
Linier Regression dan kemudian langsung klik OK, maka akan
tampil persis seperti pada Tabel 8.2. di atas, namun yang
berbeda adalah pada bagian Model Summary akan tambah
kolom Durbin Watson, yaitu sebagai berikut:
Tabel 8.3. Hasil Pengolahan Data untuk Uji Autokorelasi
Model Summary(b)
Model R R Square
Adjusted R
Square
Std. Error of
the Estimate
Durbin-Watson
1 ,891(a) ,793 ,768 141329,471 1,777

Nilai tabel Durbin Watson pada = 5%; n = 38; k 1 = 4
adalah d
L
= 1,26 dan d
U
= 1,72. Hasil pengolahan data pada
Tabel 8.3. menunjukkan nilai Durbin Watson sebesar 1,777 dan
nilai tersebut berada di antara d
U
dan (4 d
U
) atau
1,72 < 1,777 < 2,28 maka dapat disi mpulkan bahwa dalam
regresi linier tersebut tidak terdapat Autokorelasi atau tidak
terjadi korelasi diantara kesalahan pengganggu.

8.2.2. Uji Multikolinearitas
Uji Multikolinearitas digunakan untuk mengetahui apakah
terjadi korelasi yang kuat di antara variabel-variabel
independen yang diikutsertakan dalam pembentukan model.
Untuk mendeteksi apakah model regresi linier mengalami
multi kolinearitas dapat diperiksa menggunakan Variance
Inflation Factor (VIF) untuk masing-masing Variabel

Independen, yaitu jika suatu Variabel Independen mempunyai
nilai VIF > 10 berarti telah terjadi multikolinearitas. Untuk
mendapatkan nilai VIF untuk masing-masing variabel
independen dengan langkah hampir sama dengan
mendapatkan nilai Durbin Watson, yaitu: Setelah semua
variabel masuk pada tempatnya di kotak Linier Regression,
klik Statistics ... maka akan tampil kotak Linier Regression:
Statistics. Untuk pilihan Estimates dan Model Fit
dinonaktifkan (tandanya dihilangkan) dengan cara mengekli k
tanda centang, dan untuk pilihan Covarian matrix dan
Colinearity diagnoctica diaktifkan, kemudian klik Contonue.
Setelah kembali ke kotak Linier Regression langsung klik OK.

Gambar 8.7. Langkah Menguji Multikolonearitas
Tampilan hasil pengolahan data tersebut adalah sebagai
berikut (ditampilkan sebagian):

Tabel 8.4. Hasil Pengolahan Data untuk Uji Multikolinearitas
Coefficients(a)
Model
Collinearity Statistics
Tolerance VIF
1 Pendapatan Keluarga
,446 2,243
Tingkat Pendidikan Ortu
,657 1,523
Rasio Ketergantungan
,435 2,297
Besarnya Cicilan per Bulan
,914 1,094

Coefficient Correlations(a)
Model
Besarnya
Cicilan per
Bulan
Rasio
Ketergantu
ngan
Tingkat
Pendidikan
Ortu
Pendapa
tan
Keluarga
1 Corre
lations
Besarnya
Cicilan per
Bulan
1,000 ,020 ,196 ,086
Rasio
Ketergantu
ngan
,020 1,000 ,271 ,625
Tingkat
Pendidikan
Ortu
,196 ,271 1,000 -,192
Pendapatan
Keluarga
,086 ,625 -,192 1,000
Covari
ances
Besarnya
Cicilan per
Bulan
,557 453,422 2613,235 ,005
Rasio
Ketergantu
ngan
453,422 939185082,342 148948109,823 1549,992
Tingkat
Pendidikan
Ortu
2613,235 148948109,823 320699199,957 -278,911
Pendapatan
Keluarga
,005 1549,992 -278,911 ,007

Berdasarkan hasil pengolahan data pada Tabel 8.4.
tersebut di atas, untuk menguji ada tidaknya Multikolinearitas
pada model regresi linier dapat dilakukan dengan dua cara,
yaitu dengan melihat ni lai VIF masing-masing variabel

independen dan melihat nilai korelasi antar variabel
independen.
Pada tabel 8.4. bagian Coefficients, diketahui bahwa
nilai VIF dari masing-masing variabel independen lebih kecil
dari pada 5, yaitu nilai VIF Variabel Pendapatan Keluarga
sebesar 2,243; nilai VIF Variabel Tingkat Pendidikan Orang Tua
sebesar 1,523; nilai VIF Variabel Rasio Ketergantungan
sebesar 2,297; dan nilai VIF Variabel Besarnya Cicilan Per
Bulan sebesar 1,094. Sedangkan pada bagian Coefficient
Correlations, dapat dilihat bahwa nilai korelasi di antara
variabel independen dapat dikatakan mempunyai korelasi yang
lemah. Dengan demikian dapat disimpulkan bahwa di antara
variabel independen tersebut tidak ada korelasi atau tidak
terjadi Multikolinearitas pada model regresi linier.

8.2.3. Uji Heteroskedastisitas
Uji Heteroskedastisitas digunakan untuk menguji apakah
dalam model regresi liner kesalahan pengganggu (e)
mempunyai varians yang sama atau tidak dari satu
pengamatan ke pengamatan yang lain. Untuk menguji
Hiteroskedastisitas dapat diketahui dari nilai signifikan korelasi
Rank Spearman antara masing-masing variabel independen
dengan residualnya. Jika nilai signifikan lebih besar dari (5%)
maka tidak terdapat Heteroskedastisi tas, dan sebali knya jika
lebih kecil dari (5%) maka terdapat Heteroskedastisitas.

Langkah untuk mendapatkan nilai residual adalah: pada
tampilan Data View, pi lih menu Transform dan klik Compute.
Pada kotak Compute Variable, bagian Target Variable keti k
Residual dan pada bagian Numeric Expression ketik:
Y-(79880.591+(0.144*X1)+(34755.936*X2)+(64904.444*X3)+
(5.053*X4)) kemudian klik OK.

Gambar 8.8. Uji Heteroskedastisitas (1)


Catatan: persamaan yang ditulis pada bagian Numeric
Expression merupakan persamaan regresi linier berganda
yang diperoleh dari pengolahan data di atas (lihat persamaan di
halaman 128).
Setelah proses tersebut selesai maka pada tampi lan
Data View akan bertambah satu kolom, yaitu kolom Residual,
dan kemudian pada menu File klik Save atau langsung tombol
Ctrl + S. Selanjutnya untuk proses mendapatkan nilai korelasi
Rank Spearman adalah pilih menu Analyze, klik Correlate,
dan klik Bivariate. Pada kotak Bivariate Correlations,
pindahkan semua Variabel Independen dan residual ke
Variables, kemudian untuk Correlation Coefficients hi langkan
tanda centang pada Pearson dan beri tanda centang pada
Spearman, kemudian klik OK.


Hasil pengolahan data dengan korelasi Rank Spearman adalah
sebagai berikut:
Tabel 8.5. Hasil Pengolahan Data untuk Uji Heteroskedastisitas
Correlations

Tung
gakan
Cicilan
Penda
patan
Keluar
ga
Tingkat
Pendidi
kan Ortu
Rasio
Keter
gan
tungan
Besar
nya
Cicilan
per
Bulan
Resi
dual
Spear
man's
rho
Tunggak
an Cici
lan
Correlation
Coefficient
1,000 -,605(**) -,506(**) ,582(**) ,507(**) ,060
Sig. (2-tailed) . ,000 ,001 ,000 ,001 ,721
N 38 38 38 38 38 38

Penda
patan
Keluar
ga
Correlation
Coefficient
-,605(**) 1,000 ,510(**) -,679(**) -,087 ,055
Sig. (2-tailed) ,000 . ,001 ,000 ,603 ,742
N 38 38 38 38 38 38

Tingkat
Pendidi
kan Ortu
Correlation
Coefficient
-,506(**) ,510(**) 1,000 -,602(**) ,004 ,146
Sig. (2-tailed) ,001 ,001 . ,000 ,980 ,380
N 38 38 38 38 38 38

Rasio
Keter
gantu
ngan
Correlation
Coefficient
,582(**) -,679(**) -,602(**) 1,000 -,008 -,135
Sig. (2-tailed) ,000 ,000 ,000 . ,961 ,419
N 38 38 38 38 38 38

Besar
nya
Cicilan
per
Bulan
Correlation
Coefficient
,507(**) -,087 ,004 -,008 1,000 -,233
Sig. (2-tailed) ,001 ,603 ,980 ,961 . ,159
N 38 38 38 38 38 38

Residual

Correlation
Coefficient
,060 ,055 ,146 -,135 -,233 1,000
Sig. (2-tailed) ,721 ,742 ,380 ,419 ,159 .
N 38 38 38 38 38 38
** Correlation is significant at the 0.01 level (2-tailed).

Berdasarkan tabel 8.5 tersebut di atas, pada kolom
Residual dapat dilihat bahwa nilai Correlation Coefficient
adalah rendah atau nilai signifikan (Sig. (2-tailed)) masing

masing Variabel Independen di atas 5%, artinya masing-masing
Variabel Independen (Variabel Pendapatan Keluarga, Variabel
Tingkat Pendidikan Orang Tua, Variabel Rasio Ketergantungan,
dan Variabel Besarnya Cicilan Per Bulan) tidak mempunyai
hubungan dengan Residualnya. Dengan demikian, dapat
disimpulkan bahwa tidak terdapat Heteroskedastisitas pada
model regresi linier berganda diperoleh.


Bab Viii. Analisis Regresi Linier - Uji Asumsi Klasik PDF

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

Bab Viii. Analisis Regresi Linier - Uji Asumsi Klasik PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Analisis Regresi Linier: Uji Asumsi Klasik 121

Anda mungkin juga menyukai