Anda di halaman 1dari 26

LAPORAN PRAKTIKUM

Kelas

ANALISIS REGRESI TERAPAN

MODUL: 04
UJI ASUMSI PADA REGRESI LINIER GANDA

Nama
Nomer Tanggal Tanda Tangan
Praktikum Mahasiswa Kumpul Praktikum Laboran
Purwanti
11611048
Rahayu

Nama Penilai

Tanggal
Koreksi

Nilai

Tanda Tangan
Asisten Dosen

1. Fajar Supriadi
2. Kartika Ari S
Edy Widodo ,M.Si
Herni Utami, M.Si

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2013
Page 1

BAB I
PENDAHULUAN

Pengujian asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi
yang dilakukan benar-benar bebas dari adanya gejala heteroskedastisitas, gejala
multikolinearitas, dan gejala autokorelasi. Model regresi akan dapat dijadikan alat estimasi
yang tidak bias jika telah memenuhi persyaratan BLUE (best linear unbiased estimator) yakni
tidak terdapat heteroskedastistas, tidak terdapat multikolinearitas, dan tidak terdapat
autokorelasi ( Sudrajat 1988 : 164). Jika terdapat heteroskedastisitas, maka varian tidak
konstan sehingga dapat menyebabkan biasnya standar error. Jika terdapat multikolinearitas,
maka akan sulit untuk mengisolasi pengaruh-pengaruh individual dari variabel, sehingga
tingkat signifikansi koefisien regresi menjadi rendah. Dengan adanya autokorelasi
mengakibatkan penaksir masih tetap bias dan masih tetap konsisten hanya saja menjadi tidak
efisien. Oleh karena itu, uji asumsi klasik perlu dilakukan. Pengujian-pengujian yang
dilakukan adalah sebagai berikut :
1. Uji Asumsi Klasik Multikolinieritas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan varians dan residual satu pengamatan ke pengamatan yang lain. jika
varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut
homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang
baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Uji heteroskedastisitas dilakukan dengan menggunakan uji Glejser, yang dilakukan
dengan meregresikan nilai absolut residual yang diperoleh dari model regresi sebagai
variabel dependen terhadap semua variabel independen dalam model regresi. Apabila
nilai koefisien regresi dari masing-masing variabel bebas dalam model regresi ini
tidak

signifikan

secara

statistik,

maka

dapat

disimpulkan

tidak

terjadi

heteroskedastisitas (Sumodiningrat. 2001 : 271).


2. Uji Asumsi Klasik Heteroskedasitisitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan
adanya korelasi antar variabel bebas (independen). Dalam model regresi yang baik
Page 2

seharusnya tidak terjadi korelasi di antara variabel bebas. Uji Multikolinearitas


dilakukan dengan melihat nilai tolerance dan variance inflation factor (VIF) dari hasil
analisis dengan menggunakan SPSS. Apabila nilai tolerance value lebih tinggi
daripada 0,10 atau VIF lebih kecil daripada 10 maka dapat disimpulkan tidak terjadi
multikolinearitas (Santoso. 2002 : 206).
3. Uji Asumsi Klasik Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode
t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi.
Model regresi yang baik adalah regresi yang bebas dari autokorelasi Uji autokorelasi
dilakukan dengan menggunakan uji Durbin-Watson (D-W), dengan tingkat
kepercayaan = 5%. Apabila D-W terletak antara dU sampai 4-dU maka tidak ada
autokorelasi (Santoso. 2002 : 219)

Page 3

BAB II
DESKRIPSI KERJA

Dalam laporan kali ini praktikan akan melakukan uji asumsi pada regresi linier berganda
pada data yang ada pada tabel 2.1 dibawah ini. Berikut ini datanya:
An experiment was conducted to study the size of squid eaten by sharks and tuna. The
regression variables are characteristics of the beaks of the squid. The data are given as
follows:
Tabel 2.1 karakteristik paruh cumi-cumi.
X1

X2

X3

X4

X5

1.31

1.07

0.44

0.75

0.35

1.95

1.55

1.49

0.53

0.9

0.47

2.9

0.99

0.84

0.34

0.57

0.32

0.72

0.99

0.83

0.34

0.54

0.27

0.81

1.01

0.9

0.36

0.64

0.3

1.09

1.09

0.93

0.42

0.61

0.31

1.22

1.08

0.9

0.4

0.51

0.31

1.02

1.27

1.08

0.44

0.77

0.34

1.93

0.99

0.85

0.36

0.56

0.29

0.64

1.34

1.13

0.45

0.77

0.37

2.08

1.3

1.1

0.45

0.76

0.38

1.98

1.33

1.1

0.48

0.77

0.38

1.9

1.86

1.47

0.6

1.01

0.65

8.56

1.58

1.34

0.52

0.95

0.5

4.49

1.97

1.59

0.67

1.2

0.59

8.49

1.8

1.56

0.66

1.02

0.59

6.17

1.75

1.58

0.63

1.09

0.59

7.54

1.72

1.43

0.64

1.02

0.63

6.36

1.68

1.57

0.72

0.96

0.68

7.63

1.75

1.59

0.68

1.08

0.62

7.78

2.19

1.86

0.75

1.24

0.72

10.15
Page 4

1.73

1.67

0.64

1.14

0.55

6.88

In the study, the regression variables and response considered are


x1 = rostral length, in inches,
x2 = wing length, in inches,
x3 = rostral to notch length, in inches,
x4 = notch to wing length, in inches,
x5 = width, in inches,
y = weight, in pounds.
1. Fit a regression model using all independent variables.
2. Give the final model with significance level 0.05
3. After getting the final model do the assumption test in multiple regression
Dengan langkah-langkah berikut untuk menyelesaikan permasalahan diatas:
1. Praktikan menentukan variabel-variabel yang akan digunakan pada Variabel View.
Diamna praktikan menginput X1,X2,X3,X4,X5 dan Y. Masing-masing merupakan :
x1 = rostral length, in inches,
x2 = wing length, in inches,
x3 = rostral to notch length, in inches,
x4 = notch to wing length, in inches,
x5 = width, in inches,
y = weight, in pounds.

Page 5

Gambar 2.1 Input Variabel View.


2. Praktikan klik pada Data View dan praktikan menginput data yang diketahui pada
soal.

Gambar 2.2 Input data seluruhnya.


Page 6

3. Sebelum menganalisis, praktikan pastikan data yang digunakan sesuai pada soal. Dan
untuk analisisnya praktikan klik Analyze Regression Linear seperti pada
gambar dibawah ini.

Gambar 2.3 langkah untuk mengetahui nilai signifikansi dari kelinieritasannya.


4. Setelah praktikan klik Linear maka akan muncul tampilan seperi gambar dibawah ini,
praktikan menginputkan variabel Y pada variabel Dependent, dan untuk variabel X1,
X2, X3, X4 dan X5 masuk kedalam Independent.

Gambar 2.4 Tampilan Liniear Regression.

Page 7

5. Untuk mengetahui variabel-variabel independent yang berhubungan dengan variabel


dependent dengan klik Statistic, maka akan muncul tampilan seperti berikut. Dan
untuk mengetahui nilai signifikansinya agar mengetahui variabel independent mana
yang memiliki hubungan kuat dengan variabel dependen praktikan klik Part and
partial correlations.

Gambar 2.5 mengetahui nilai signifikansi dari masing-masing variabel independent.


6. Praktikan melakukan alanisis lagi dikarenakan dilihat dari gambar dibawah ini, ada
variabel independent yang nilai signifikansinya melebihi 0,05.

Gambar 2.6 Hasil output analisis pertama menunjukan variabel yang belum signifikan.

Page 8

7. Terlihat pada gambar 2.6 pada tabel coefficients menunjukan nilai signifikansi
variabel X3 lebih dari 0,05 dan nilai paling besar. Maka praktikan mengeluarkan X3
seperti pada gambar 2.7 lalu langkah berikutnya praktikan klik ok.

Gambar 2.7 mengeluarkan variabel X3.


8. Setelah praktikan klik ok ternyata masih ada variabel yang nilai signifikansinya
melebihi 0,05. Seperti terlihat pada gambar 2.8 Variabel X1, X2 dan X4 melebihi
0,05.

Gambar 2.8 Hasil output setelah dikeluarkan variabel X3.

Page 9

9. Pada gambar 2.8 dari variabel X1,X2 dan X4 yang memiliki nilai signifikansi paling
besar adalah variabel X1. Untuk mengetahui variabel mana yang memiliki hubungan
kuat dengan variabel Y, maka praktikan mengeluarkan X1 seperti pada gambar 2.9.

Gambar 2.9 Mengeluarkan X1.


10. Pada gambar 2.10 menunjukan masih memiliki nilai signifikansi yang lebih dari 0,05
yaitu variabel X2.

Gambar 2.10 Hasil output setelah X3 danX1.

Page 10

11. Dari gambar 2.10 menunjukan variabel X2 lebih besar dari 0,05 maka praktikan
mengeluarkan X2 seperti pada gambar 2.11.

Gambar 2.11 Mengeluarkan variabel X2.


12. Setelah praktikan menemukan variabel-variabel yang signifikan, yang berarti
memiliki hubungan kuat dengan variabel Y yaitu variabel X4 dan variabel X5.

Gambar 2.12 Hasil output variabel yang signifikansi.


13. Selanjutnya setelah praktikan mengethui variabel yang signifikan, praktikan
melakukan uji senditifitas dengan uji Multikolinieritas. Untuk melakukan ujinya
Page 11

dengan langkah klik Analyze klik regression klik linear klik statistic klik
colinearity diagnostics.

Gambar 2.13 Uji Multikolinieritas.


14. Selanjutnya untuk uji Normalitas dengan langkah seperti berikut klik Analyze
Regressions lalu klik linear. Setelah itu praktikan klik Save maka akan muncul
tampilan Gambar 2.14. Dan praktikan klik atau mencentang unstandardized pada
predicted values dan residuals.

Gambar 2.14 Uji Normalitas.


15. Setelah praktikan melakukan klik maka secara otomatis aka nada penambahan
variabel dan datanya pada Data Viewnya.

Page 12

Gambar 2.15 Data View.


16. Untuk uji Normalitas masih dilanjutkan dengan klik Analyze descriptive statistic
explore. Seperti pada gambar dibawah ini langkah-langkahnya.

Gambar 2.16 Langkah uji normalitas.


17. Setelah melakukan langkah Gambar 2.16 maka akan muncul kotak dialog seperti
dibawah ini. Sebelumnya setelah praktikan melakukan langkah Gambar 2.14
Page 13

mengakibatkan adanya variabel baru seperti terlihat pada Gambar 2.17 adanya
tambahan 2 variabel yaitu unstandardzed predict dan unstandardized residu. Untuk
tampilan pada data view seperti berikut.

Gambar 2.17 Langkah mengekplor data yang akan di uji normalitas.


18. Setelah itu praktikan menginput variabel unstandardized residu ke dalam variabel
dependent list.

Gambar 2.18 input variabel unstandardized residu.


19. Selanjutnya praktikan klik plot dan memilih normality plot with tests lalu klik
ok.

Gambar 2.19 langkah-langkah uji normalitas.


20. Uji Homoskedastisitas itu sendiri dengan langkah klik analyze regression linear.
Page 14

Gambar 2.20 Uji Homoskedastisitas.


21. Setelah itu maka akan muncul tampilan seperti pada Gambar 2.21 kemudian praktikan
klik plot.

Gambar 2.21 langkah uji Homoskedastisitas.


22. Setelah praktikan klik plot maka akan mucul tampilan seperti pada gambar 2.22.
kemudian praktikan inputkan

*ZRESD kedalam variabel Y dan *ZPRED input

kedalam X.

Page 15

Gambar 2.22 langkah uji Homoskedastisitas.


23. Uji Autokorelasi dengan langkah-langkah klik Analyze klik regression klik
linear, kemudian praktikan klik statistics.

Gambar 2.23 Uji Autokorelasi.


24. Setelah praktikan klik statistic maka akan muncul tampilan Gambar 2.24 lalu
praktikan klik Durbin-Watson.

Gambar 2.24 Uji Autokorelasi.

Page 16

BAB III
PEMBAHASAN
Setelah praktikan menyelesaikan langkah-langkah kerja pada bab deskripsi kerja untuk Uji
Multikolinieritas, uji Normalitas, Uji homoskedastisitas dan Uji autokorelasi. Berikut ini
hasiol ouputnya dan penjelasannya. Praktikan yang pertama akan membahas hasil output dari
Uji Multikolinieritas.
1. Uji Multikolinieritas.
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi di antara variabel bebas. Jika variabel bebas saling berkorelasi, maka
variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel bebas yang
nilai korelasi antar sesama variabel bebas sama dengan nol.
Berikut ini hasil ouput untuk uji multikolinieritas dari data penelitian pada bab
sebelumnya:

Gambar 3.1 hasil output uji multikolinieritas.


Tabel 3.1 Coefficients dari uji multikolinieritas.

Page 17

Coefficients

Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error
-6.335

.601

X4

4.154

1.710

X5

15.016

2.606

Coefficients
Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

-10.543

.000

.295

2.429

.025

.148

6.743

.700

5.763

.000

.148

6.743

a. Dependent Variable: Y

Hasil perhitungan nilai tolerance yang menunjukkan tidak ada variabel bebas yang memiliki
nilai tolerance kurang dari 10% yang berarti tidak ada korelasi antar variabel bebas yang
nilainya lebih dari 90%. Untuk nilai tolerance variabel X4 dan X5 menunjukan nilai
0,145.Hal ini membuktikan variabel tidak adanya korelasi antar variabel bebas. Hasil
perhitungan nilai variance inflation factor (VIF) juga menunjukkan hal yang sama tidak ada
satu variabel bebas yang memiliki nilai VIF lebih dari 10, untuk nilai VIP variabel X4 dan
X5 senilai 6,743. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel
bebas dalam model regresi.
2. Uji Normalitas
Uji normalitas digunakan dalam model regresi untuk menguji apakah nilai residual
yang dihasilkan terdistribusi secara normal atau tidak. Model regresi yang baik adalah
model regresi yang memiliki nilai residual yang berdistribusi secara normal.

Page 18

Gambar 3.2 eksekusi uji normalitas untuk penambahan variabel unstandardized.


Praktikan menggunakan nilai signifikansi Shapiro-Wilk karena data berjumlah kurang dari
50. Sehingga praktikan menggunakan data Shapiro-Wilk.

Gambar 3.3 Uji Normalitas.

Page 19

Tabel 3.2 Signifikansi Shapiro untuk uji normalitas.


Tests of Normality
a

Kolmogorov-Smirnov
Statistic
Unstandardized Residual

.132

df

Shapiro-Wilk

Sig.
22

.200

Statistic
*

df

.965

Sig.
22

.607

a. Lilliefors Significance Correction


*. This is a lower bound of the true significance.

Uji Normalitas

H0 = Residual berdistribusi normal

H1 = Residual tidak berdistribusi normal.

Tingkat signifikansi = 0,05

Statistik Uji P-Value >signifikansi Shapiro-Wilk.


0,05 < 0,607 (Nilai signifikansinya lebih besar dari maka tolak H0).

Maka dapat disimpulkan bahwa residual berdistribusi normal.

Dengan diketahui residual berdistribusi normal maka modrel regresi baik.


3. Uji homoskedastisitas
Pada model regresi linier ganda, tidak boleh terjadi ketidaksamaan varians dari
residual dari satu pengamatan ke pengamatan yang lain. Jika varians dari residual dari
satu pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas.
Dan jika varians berbeda, disebut Heteroskedastisitas. Model regresi yang baik adalah
tidak terjadi Heteroskedastisitas. Pada gambar 3.4 merupakan hasil output uji
Homoskedastisitas, dimana terdapat hasil grafik scatterplot. Pada gambar scatterplot
menunjukan nilai residual berada disekitar nilai 0. Maka dapat disimpulkan Model
regresi yang digunakan baik.

Page 20

Gambar 3.4 Hasil output uji homoskedastisitas.


4. Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode
t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi.
Model regresi yang baik adalah regresi yang bebas dari autokorelasi Uji autokorelasi
dilakukan dengan menggunakan uji Durbin-Watson (D-W), dengan tingkat
kepercayaan = 5%. Apabila D-W terletak antara nilai DL sampai DU maka tidak
ada autokorelasi.

Page 21

Gambar 3.5 Hasil output autokorelasi.


Tabel 3.3 Durbin-Watson Uji Autokorelasi

Model Summary

Model
1

R
.979

R Square
a

.958

Adjusted R

Std. Error of the

Square

Estimate
.954

.68745

Durbin-Watson
2.347

a. Predictors: (Constant), X5, X4


b. Dependent Variable: Y

Dari gambar diatas dapat diketahui Nilai Durbin Watson yang diperoleh sebesar 2,347 , nilai
tersebut akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5%,
jumlah data n = 22 dan jumlah variabel independen 2 (k=2), yang didapat nilai dL= 1,23949
dan dU = 1,42888 (lihat pada gambar 3.6). Oleh karena itu DW 2,347 lebih besar dari batas
atas (dU) 1,42888 dan kurang dari 4- 1,42888 atau 2,57112. Maka dapat disimpulkan bahwa
tidak terdapat autokorelasi yang sesuai dengan kondisi dU< d< 4-dU.

Page 22

Gambar 2.6 tabel D-W

Page 23

BAB IV
KESIMPULAN

Praktikan telah menyelesaikan bab deskripsi kerja dan bab pembahasan, dimana
deskripsi kerta terkait langkah-langkah dari uji asumsi pada regresi linier berganda, seperti uji
Multilinieritas, Uji Homoskedistisitas, Uji Normalitas, dan Uji Autokolerasi. Sedangkan
dalam pembahasan praktikan menjelaskan hasil output dari langkah-langkah kerja yang telah
diselesaikan. Selanjutnya praktikan menyimpulkan hasil akhir setelah menyelesaikan uji
asumsi pada regresi linier ganda.Berikut ini kesimpulan yang dapat ditarik oleh praktikan:
1. Pada uji multikolinieritas didapatkan tolerans berniali 0,145, dan untuk nilai VIP
sebesar 6,743. Bila nilai VIP < 10 dan nilai tolerance > 0,1 maka dikatakan
memenuhi asusmsi no multikolinieritas. Yang berarti tidak ada hubungan antara
variabel independent atau variabel bebas.
2. Pada uji normalitas praktikan menggunakan signifikansi Shapiro-wilk karena
jumlah n = 22, diaman bila n <50 maka menggunakan Shapiro-Wilk. Setelah
melakukan uji hipotesisnya dengan =0,05 maka hasil uji hipotesisnya residual
berdistribusi normal. Dengan diketahui residual berdistribusi normal maka modrel
regresi baik.
3. Uji Homoskedastisitas untuk hasil eksekusinya dilihat dari grafik scatterplot,
dimana grafiknya menunjukan nilainya hamper semuanya mendekati 0. Hal ini
menunjukan bahwa residual berada disekitar 0. Menunjukan tidak adanya variansi
maka dapat disimpulkan Model regresi yang digunakan baik.
4. Uji autokorelasi untuk nilainya DW 2,347 lebih besar dari batas atas (dU) 1,42888
dan kurang dari 4- 1,42888 atau 2,57112. Maka dapat disimpulkan bahwa tidak
terdapat autokorelasi yang sesuai dengan kondisi dU< d< 4-dU.Maka model
regresi yang digunakan baik.
Dari keempat uji maka dapat disimpulkan untuk keputusan mengambil variabel independent
tersebut tepat, dan model yang digunakan tepat. Untuk hubungan variabel yang tepat terhadap
variabel Y (weight, in pounds) tersebut adalah variabel X4 dan X5 atau x4 = notch to wing
length, in inches dan x5 = width, in inches.

Page 24

DAFTAR PUSTAKA

Draper Norman.1992. Analisis Regresi Terapan. Jakarta: Gramedia Pustaka Utama.


http://statistikian.blogspot.com/2013/03/durbin-watson-tabel.html#.UaN7B9iJ2ko. (27 Mei
2013/23.00).
http://eprints.undip.ac.id/38422/4/Bab_3.pdf. (27 Mei 2013/23.00).

Page 25

Page 26