Tugas Ujian Akhir Semester

Mata Kuliah Analisis Regresi Terapan

1) Pemilihan Persamaa Regresi Terbaik
2) Uji Asumsi Analisis Regresi Linier Berganda
3) Korelasi Kendall, Spearman, dan Product Moment
Dosen Pengampu: Drs. Sugiman, M.Si

Disusun oleh:
Laeli Sidik Febrianto (4111412053)

Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Semarang
2015

1. Pemilihan Persamaan Regresi Terbaik

Berikut ini disediakan data sejumlah 6 variabel dengan 108 responden. Data tersebut
merupakan data faktor-faktor yang mempengaruhi Price Earning Ratio saham-saham
perusahaan yang terdaftar di bursa efek Jakarta.
Case
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

g Salesn
24.20
43.32
25.19
-29.87
-1.69
-21.66
44.15
28.76
5.41
18.15
-9.29
9.01
40.50
20.43
11.19
15.29
12.44
8.53
12.13
-4.83
3.77
20.09
16.52
10.50
40.25
7.55
-3.00
19.11
4.22
-11.96
10.65
0.93
-0.78

g ROEn
-10.37
198.64
5.47
171.38
-80.75
0.48
-6.31
2.85
-23.47
9.58
-12.54
-23.22
-20.90
10.56
-20.56
-0.33
4.53
-32.72
-10.49
-22.92
11.88
-30.65
-15.59
-22.01
-13.46
39.94
-24.09
-9.67
-25.76
-63.94
-12.01
-27.60
-30.04

DPRn
24.42
39.93
49.49
17.46
21.93
20.91
17.13
17.12
16.96
14.36
14.29
14.69
18.96
18.96
19.68
30.67
32.74
43.81
82.61
76.72
78.05
27.65
27.66
31.39
11.78
13.46
38.38
21.22
7.14
32.98
30.72
30.91
21.71

SBIn
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90

g ROIn
-13.22
243.36
12.29
284.72
-80.26
7.40
-17.11
31.76
-3.73
44.61
-5.28
-21.41
-11.94
0.73
4.19
11.65
-8.52
-25.10
1.76
-18.60
4.36
-24.99
-12.95
-21.54
-15.14
68.68
-18.92
-11.82
0.44
-54.80
-6.56
-19.14
-32.80

PER in
22.59
10.31
9.48
1.35
6.69
7.22
9.59
7.47
10.14
2.73
2.93
3.65
13.35
10.67
11.38
7.67
7.02
12.52
3.89
6.81
7.47
7.97
7.65
14.23
15.07
9.96
14.31
4.03
9.52
25.39
2.87
4.03
5.10

34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75

26.65
7.13
13.00
17.24
-18.05
37.54
-2.07
-6.09
8.52
26.77
-15.36
73.31
13.10
24.99
5.34
36.20
-8.35
7.06
25.15
43.00
17.06
40.50
-16.20
19.12
33.33
-16.40
11.13
-0.18
-1.62
4.27
15.01
-5.02
4.53
12.38
6.77
5.67
13.94
4.00
10.45
43.58
39.52
11.81

67.24
-60.99
-61.02
-41.92
-10.47
-27.39
-7.49
0.08
-32.19
-3.18
-77.36
54.19
-6.62
-8.11
-3.42
121.12
-10.61
-64.48
67.12
-16.56
20.15
-97.21
256.13
-75.74
20.47
-24.01
16.41
63.55
-20.27
-29.70
-69.43
24.94
-5.12
-18.60
-30.00
16.02
-34.68
-20.19
-0.06
3.28
14.51
-5.16

24.69
20.05
20.40
58.39
128.24
29.95
67.35
53.69
10.30
28.58
34.02
42.13
26.61
30.66
37.30
9.47
8.72
23.07
0.26
0.30
0.35
45.75
16.76
47.44
92.75
86.60
143.49
0.19
0.25
0.18
41.96
40.46
41.32
42.78
484.31
94.90
19.32
30.36
20.38
30.26
19.17
7.11

16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90
16.62
14.80
9.90

73.05
-66.36
-71.30
-35.75
4.32
-36.09
-4.12
6.99
-33.33
3.18
-77.57
54.58
0.00
-6.40
-4.56
125.18
18.21
-61.35
108.66
26.35
36.45
-97.59
403.21
-80.77
1150.55
-26.36
13.01
140.20
-2.84
-24.91
-67.18
31.23
-2.78
-13.46
-28.53
9.87
-39.88
-7.15
-16.62
9.84
35.84
7.73

3.82
7.22
29.07
28.50
6.45
18.34
3.37
3.58
9.78
2.31
9.35
6.32
2.66
3.28
3.52
3.79
1.57
5.08
4.38
6.04
12.97
15.25
3.44
13.89
96.61
31.18
27.55
3.59
4.08
5.67
17.13
11.73
10.33
8.56
46.82
7.18
3.95
5.41
5.09
6.96
3.83
8.71

76
-7.09
77
9.16
78
18.05
79
21.91
80
-1.41
81
34.13
82
22.98
83
9.76
84
8.41
85
23.44
86
16.67
87
15.80
88
38.50
89
4.03
90
5.96
91
31.05
92
-8.36
93
-2.63
94
26.50
95
-4.35
96
-24.22
97
21.87
98
-8.72
99
-4.25
100
71.72
101
31.70
102
21.70
103
73.50
104
27.75
105
30.35
106
21.78
107
13.35
108
8.92
Keterangan X1

-54.85
0.60
16.62
-50.88
-63.17
300.07
14.80
-60.58
8.80
0.39
9.90
-7.92
-13.20
31.77
16.62
-8.96
-43.35
0.06
14.80
-37.33
26.54
62.00
9.90
16.25
-24.47
56.80
16.62
-21.77
-10.91
56.91
14.80
-8.61
-6.75
11.85
9.90
-4.60
-10.03
30.11
16.62
-8.34
-5.63
39.00
14.80
-4.32
27.77
47.07
9.90
19.97
253.56
22.73
16.62
294.25
2.30
24.27
14.80
19.83
29.24
20.80
9.90
20.44
-67.22
21.39
16.62
-52.00
-41.53
29.47
14.80
-22.79
-5.69
9.15
9.90
16.35
-34.88
29.51
16.62
-34.37
-88.33
264.01
14.80
-88.46
151.91 105.04
9.90
155.42
-29.00
23.84
16.62
-23.29
3.37
24.23
14.80
10.31
-46.80
37.90
9.90
-46.72
-72.33
40.00
16.62
-71.05
-76.57
44.96
14.80
-76.46
305.99
9.56
9.90
292.16
148.52
52.23
16.62
66.84
26.08
41.52
14.80
44.85
-36.10
54.84
9.90
-33.28
1.64
44.00
16.62
-2.18
-17.81
47.00
14.80
-8.79
-11.39
56.00
9.90
-7.95
: g Salesn
: Pertumbuhan penjualan

11.99
29.02
27.17
4.17
5.98
7.09
4.61
5.87
8.23
14.07
14.20
21.33
32.28
9.42
13.87
1.44
2.62
3.58
1.79
18.48
12.82
5.47
4.62
13.64
6.74
28.49
9.89
7.93
4.85
11.18
11.70
11.80
20.13

X2

: g ROEn

: Return On equity

X3

: DPRn

: Dividend Payout Ratio

X4

: SBIn

: Suku bunga sertifikat Bank Indonesia

X5

: g ROIn

: Return On Investement

: PER in

: Price Earning Ratio

Sumber data: Skripsi Abdul Kholid (2006) mahasiswa UII Yogyakarta.

A. Metode Seleksi Maju

1. Menyiapkan data dalam SPSS sesuai dengan data asli di atas.
2. Korelasikan semua variabel X ( X1 s/d X5) terhadap variabel Y, dengan
menggunakan SPSS, klik analyze \ correlate \ bivariate \ masukan variabel X1
s/d Y ke dalam kotak variables \ pilih koefisien korelasi Pearson karena jenis
data interval/rasio \ klik Ok. Diperoleh output sebagai berikut:

Perhatikan angka korelasi X1, X2, X3, X4, X5 terhadap Y yang ditunjukan
oleh baris terakhir yang berwarna kuning. Diperoleh korelasi tertinggi adalah
X5 terhadap Y sebesar 52,7%. Sehingga variabel X5 masuk ke persamaan
regresi terlebih dahulu.
3. Regresikan X5 dengan Y, klik analyze \ regression \ linear \ masukan Y ke
kotak Dependent dan X5 ke kotak independents \ klik ok. Diperoleh output:

Diperoleh persamaan regresi = 10,169 + 0,0455 dengan besar pengaruh

yaitu R2 = 27,8%. Lalu, uji F untuk mengetahui apakah X5 signifikan terhadap
Y.
H0: b1=0
H1: b10
Oleh sebab F hitung = 40,861 > 3,93 = F tabel dengan =5%, maka H0 tolak,
artinya X5 berpengaruh secara signifikan terhadap Y. oleh sebab itu, X5
dipertahankan keberadaannya dalam model regresi, dan lanjut ke langkah
selanjutnya.
4. Menghitung angka korelasi parsial X1,X2,X3,X4 terhadap Y dengan X5
sebagai kontrol. Klik analyze \ correlate \ partial \ masukan X1,X2,X3,X4,Y
ke kotak variables dan X5 ke kotak controling (hilangkan tanda centang
display actual sigificance level agar output yang tidak dibutuhkan tidak
muncul) \ klik ok. Diperoleh:

Perhatikan angka korelasi X1, X2, X3, X4 terhadap Y yang ditunjukan oleh
baris terakhir yang berwarna kuning. Diperoleh korelasi tertinggi adalah X3
terhadap Y dengan kontrol X5 sebesar 51,9%. Sehingga variabel X3 masuk ke
persamaan regresi terlebih dahulu.
5. Regresikan X3 dan X5 dengan Y, klik analyze \ regression \ linear \ masukan
Y ke kotak Dependent dan X3, X5 ke kotak independents \ klik ok. Diperoleh
output:

Diperoleh persamaan regresi = 6,569 + 0,0853 + 0,046 5 dengan besar

pengaruh yaitu R2 = 47,2%. Lalu, uji F untuk mengetahui apakah X3 dan X5
signifikan terhadap Y secara bersama-sama.
H0: b1 = b2 =0
H1: b1 b20
Oleh sebab F hitung = 47,011 > 3,08 = F tabel dengan =5%, maka H0 tolak,
artinya X3 dan X5 berpengaruh secara signifikan terhadap Y secara bersamasama. Dengan melihat angka sig parameter X3 dan X5 yaitu 0 < 5% artinya
Secara secara individu X3 dan X5 signifikan berpengaruh terhadap Y. oleh

sebab itu X3 dan X5 dipertahankan dalam model regresi, dan dilanjutkan

ketahap selanjutnya.
6. Menghitung angka korelasi parsial X1,X2 ,X4 terhadap Y dengan X3 dan X5
sebagai kontrol. Klik analyze \ correlate \ partial \ masukan X1,X2,X4,Y ke
kotak variables dan X3,X5 ke kotak controlling (hilangkan tanda centang
display actual sigificance level agar output yang tidak dibutuhkan tidak
muncul) \ klik ok. Diperoleh:

Perhatikan angka korelasi X1, X2, X4 terhadap Y yang ditunjukan oleh baris
terakhir yang berwarna kuning. Diperoleh korelasi tertinggi adalah X2
terhadap Y dengan kontrol X3 dan X5 sebesar 50,7% dengan arah pengaruh
negatif. Sehingga variabel X2 masuk ke persamaan regresi terlebih dahulu.
7. Regresikan X2, X3 dan X5 dengan Y, klik analyze \ regression \ linear \
masukan Y ke kotak Dependent dan X2,X3, X5 ke kotak independents \ klik
ok. Diperoleh output:

Diperoleh persamaan regresi = 6,572 0,0792 + 0,0753 + 0,069 5

dengan besar pengaruh yaitu R2 = 60,8%. Lalu, uji F untuk mengetahui apakah
X2,X3 dan X5 signifikan terhadap Y secara bersama-sama.
H0: b1 = b2 = b3 =0
H1: b1 b2 b3 0
Oleh sebab F hitung = 53,821 > 2,69 = F tabel dengan =5%, maka H0 tolak,
artinya X2, X3 dan X5 berpengaruh secara signifikan terhadap Y secara
bersama-sama. Dengan melihat angka sig parameter X2, X3 dan X5 yaitu
0<5% artinya Secara secara individu X2, X3 dan X5 signifikan berpengaruh
terhadap Y. oleh sebab itu X2, X3 dan X5 dipertahankan dalam model regresi,
dan dilanjutkan ketahap selanjutnya.
8. Menghitung angka korelasi parsial X1 dan X4 terhadap Y dengan X2, X3 dan
X5 sebagai kontrol. Klik analyze \ correlate \ partial \ masukan X1,X4,Y ke
kotak variables dan X2,X3,X5 ke kotak controlling (hilangkan tanda centang
display actual sigificance level agar output yang tidak dibutuhkan tidak
muncul) \ klik ok. Diperoleh:

Perhatikan angka korelasi X1 dan X4 terhadap Y yang ditunjukan oleh baris

terakhir yang berwarna kuning. Diperoleh korelasi tertinggi adalah X4
terhadap Y dengan kontrol X2, X3 dan X5 sebesar 23,7% dengan arah
pengaruh negatif. Sehingga variabel X4 masuk ke persamaan regresi terlebih
dahulu.

9. Regresikan X2, X3, X4 dan X5 dengan Y, klik analyze \ regression \ linear \

masukan Y ke kotak Dependent dan X2,X3,X4,X5 ke kotak independents \
klik ok. Diperoleh output:

Diperoleh

persamaan

regresi

= 14,928 0,0812 + 0,0753

0,6114 + 0,0715 dengan besar pengaruh yaitu R2 = 63%. Lalu, uji F untuk
mengetahui apakah X2,X3,X4 dan X5 signifikan terhadap Y secara bersamasama.
H0: b1 = b2 = b3 = b4 =0
H1: b1 b2 b3 b4 0
Oleh sebab F hitung = 43,894 > 2,46 = F tabel dengan =5%, maka H0 tolak,
artinya X2, X3, X4 dan X5 berpengaruh secara signifikan terhadap Y secara
bersama-sama. Dengan melihat angka sig parameter X2, X3, X4 dan X5 yaitu
seluruhnya kurang dari 5% artinya Secara secara individu X2, X3, X4 dan X5

signifikan berpengaruh terhadap Y. oleh sebab itu X2, X3, X4 dan X5

dipertahankan dalam model regresi, dan dilanjutkan ketahap selanjutnya
10. Tersisa variabel X1 yang belum masuk kedalam persamaan. Sehingga
regresikan X1, X2, X3, X4 dan X5 dengan Y, klik analyze \ regression \ linear
\ masukan Y ke kotak Dependent dan X1,X2,X3,X4,X5 ke kotak independents
\ klik ok. Diperoleh output:

Diperoleh

persamaan

regresi

= 15,378 + 0,0941 0,0832 +

0,0783 0,7464 + 0,0715 dengan besar pengaruh yaitu R2 = 65,3%.

Lalu, uji F untuk mengetahui apakah X1,X2,X3,X4 dan X5 signifikan terhadap
Y secara bersama-sama.
H0: b1 = b2 = b3 = b4 = b5 =0
H1: b1 b2 b3 b4 b5 0

Oleh sebab F hitung = 38,321 > 2,30 = F tabel dengan =5%, maka H0 tolak,
artinya X1,X2, X3, X4 dan X5 berpengaruh secara signifikan terhadap Y
secara bersama-sama. Dengan melihat angka sig parameter X2, X3, X4 dan
X5 yaitu seluruhnya kurang dari 5% artinya Secara secara individu X1,X2, X3,
X4 dan X5 signifikan berpengaruh terhadap Y. oleh sebab itu X1,X2, X3, X4
dan X5 dipertahankan dalam model regresi
Oleh sebab sudah tidak ada lagi variabel yang dapat dimasukan dalam
persamaan, maka metode seleksi maju berhenti disini.
Kesimpulan:
Dengan demikian berdasarkan metode seleksi maju diperoleh persamaan
regresi terbaik yaitu dengan semua parameter X1,X2,X3,X4, dan X5 masuk
kedalam persamaan regresi. Dengan persamaan model sebagai berikut:
= 15,378 + 0,0941 0,0832 + 0,0783 0,7464 + 0,0715
Artinya

Price Earning Ratio secara signifikan dipengaruhi oleh

Pertumbuhan penjualan, Return On equity, Dividend Payout Ratio, Suku

bunga sertifikat Bank Indonesia, dan Return On Investement dengan besar
pengaruh 65,3 %, dan 34,7% dipengaruhi oleh variabel lainnya.

B. Metode Seleksi Mundur

1. Siapkan data asli dalam SPSS untuk siap diolah.
2. Regresikan semua variabel X yaitu X1,X2,X3,X4,X5 terhadap Y, klik analyze
\ regression \ linear \ masukan Y ke kotak Dependent dan X1,X2,X3,X4,X5
ke kotak independents \ klik ok. Diperoleh output:

Diperoleh

persamaan

regresi

= 15,378 + 0,0941 0,0832 +

0,0783 0,7464 + 0,0715 dengan besar pengaruh yaitu R2 = 65,3%.

Lalu, uji F untuk mengetahui apakah X1,X2,X3,X4 dan X5 signifikan terhadap
Y secara bersama-sama.
H0: b1 = b2 = b3 = b4 = b5 =0
H1: b1 b2 b3 b4 b5 0
Oleh sebab F hitung = 38,321 > 2,30 = F tabel dengan =5%, maka H0 tolak,
artinya X1,X2, X3, X4 dan X5 berpengaruh secara signifikan terhadap Y
secara bersama-sama. Dengan melihat angka sig parameter X2, X3, X4 dan
X5 yaitu seluruhnya kurang dari 5% artinya Secara secara individu X1,X2,
X3, X4 dan X5 signifikan berpengaruh terhadap Y. oleh sebab itu X1,X2, X3,
X4 dan X5 dipertahankan dalam model regresi
Sehingga metode seleksi mundur berhenti disini.
Kesimpulan:
Dengan demikian berdasarkan metode seleksi mundur diperoleh persamaan
regresi terbaik yaitu dengan semua parameter X1,X2,X3,X4, dan X5 masuk
kedalam persamaan regresi. Dengan persamaan model sebagai berikut:
= 15,378 + 0,0941 0,0832 + 0,0783 0,7464 + 0,0715
Artinya

Price Earning Ratio secara signifikan dipengaruhi oleh

Pertumbuhan penjualan, Return On equity, Dividend Payout Ratio, Suku

bunga sertifikat Bank Indonesia, dan Return On Investement dengan besar
pengaruh 65,3 %, dan 34,7% dipengaruhi oleh variabel lainnya.

Jadi Seleksi maju dan Seleksi mundur pada data tersebut menghasilkan
persamaan regresi terbaik yang sama, yaitu terdiri dari 5 parameter.

2. Uji Asumsi Analisis Regresi Linier Berganda

Berdasarkan data faktor-faktor yang mempengaruhi Price Earning Ratio sahamsaham perusahaan yang terdaftar di bursa efek Jakarta pada tugas akhir ini akan diuji
apakah model regresi terbaik yang dihasilkan memenuhi semua asumsi analisis regresi
linier berganda. Asumsi yang harus terpenuhi yaitu Normalitas, nonmultikolinier,
nonautokorelasi, dan nonheteroskedastik.
Berdasarkan metode seleksi maju dan seleksi mundur, persamaan regresi terbaik yang
dihasilkan adalah sebagai berikut:
= 15,378 + 0,0941 0,0832 + 0,0783 0,7464 + 0,0715

1. Uji Normalitas (dengan kolmogorov-smirnov test)

Uji normalitas pada model regresi digunakan untuk menguji apakah nilai residual
yang dihasilkan dari regresi terdistribusi secara normal atau tidak. Model regresi
yang baik adalah yang memiliki nilai residual yang terdistribusi secara
normal. Dengan kata lain suatu model regresi dikatakan baik apabila mempunyai
distribusi normal. Dalam pembahasan ini akan digunakan uji One Sample
Kolmogorov-Smirnov dengan menggunakan taraf signifikansi 0,05. Data
dinyatakan berdistribusi normal jika signifikansi lebih besar dari 5% atau 0,05.
Langkah-langkah:

Inputkan data di SPSS

Langkah pertama yaitu mencari nilai residual, caranya klik Analyze >>
Regression >> Linear

Pada kotak dialog Linear Regression, masukkan variabel Y ke dalam kotak

Dependent, kemudian masukkan variabel X1,X2,X3,X4,X5 ke dalam kotak
Independent(s).

Klik tombol Save, selanjutnya akan terbuka kotak dialog Linear Regression:
Save, Pada Residuals, beri tanda centang pada Unstandardized. Kemudian
klik tombol Continue. Akan kembali ke kotak dialog sebelumnya, klik tombol
OK. Hiraukan hasil output SPSS, di halaman Data View akan bertambah satu
variabel yaitu residual (RES_1).

Langkah selanjutnya melakukan uji normalitas residual, caranya klik

Analyze >> Non Parametric tests >> 1-Sample K-S.

Selanjutnya akan terbuka kotak dialog One Sample Kolmogorov Smirnov

Test.

Masukkan variabel Unstandardized Residual(RES 1) ke kotak Test Variable

List. Pada Test Distribution, pastikan terpilih Normal. Jika sudah klik tombol
OK. Akan kembali ke kotak dialog sebelumnya. Klik OK, diperoleh hasil
output seperti berikut:

Dari output di atas dapat diketahui bahwa nilai signifikansi (Asymp.Sig 2-tailed)
sebesar 0,099. Karena signifikansi lebih dari 0,05 (0,099 > 0,05), maka nilai
residual tersebut telah normal. Dengan kata lain model regresi tersebut
berdistribusi normal.

2. Uji Nonmultikolinieritas
Uji

multikolinearitas digunakan untuk

mengetahui

ada

atau tidaknya

penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear atau

adanya korelasi yang tinggi antar variabel independen dalam model regresi.
Akan dilakukan uji multikolinearitas dengan melihat nilai inflation factor (VIF)
pada model regresi.
Langkah-langkah:

Klik Analyze - Regression - Linear

Klik variabel Y dan masukkan ke kotak Dependent, kemudian klik variabel

X1,X2,X3,X4,X5 dan masukkan ke kotak Independent

Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue

Klik OK, pada output lihat

tabel coefficients pada kolom collinearity

statistics, hasil output coefficients yang di dapat sebagai berikut:

Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) ketiga
variabel yaitu X1 sebesar 1,067 ; X2 sebesar 1,559 ; X3 sebesar 1,029 ; X4 sebesar
1,068 dan X5 sebesar 1,551. Semuanya lebih kecil dari 10 dan seluruh nilai
tolerance disekitaran 1, sehingga bisa diduga bahwa antar variabel independen
tidak

terjadi

persoalan

multikolinearitas,

artinya

asumsi

nonmultikolinearitas terpenuhi.

3. Uji nonautokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan
asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu
pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus
terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode
pengujian yang digunakan pada pembahasan ini adalah dengan uji Durbin-Watson
(uji DW)
Langkah-langkah:

Klik Analyze - Regression - Linear

Klik variabel Y dan masukkan ke kotak Dependent, kemudian klik variabel

X1,X2,X3,X4,X5 dan masukkan ke kotak Independent(s).

Klik Statistics, pada Residuals klik Durbin Watson, kemudian klik Continue.

Klik OK, hasil output pada Model Summary sebagai berikut:

Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi
adalah 1,519 . oleh sebab nilai DW terletak pada -2<DW<2 maka dapat
disimpulkan bahwa tidak terjadi masalah autokorelasi. Artinya, asumsi
nonautokorelasi terpenuhi.

4. Uji Nonheteroskedastik
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan
varian dari residual untuk semua pengamatan pada model regresi. Prasyarat
yang harus terpenuhi dalam model regresi adalah tidak adanya gejala
heteroskedastisitas (nonheteroskedastik).
Langkah-langkah:

Inputkan data di SPSS

Dari variabel residual RES_1 yang diperoleh saat uji normalitas sebelumnya,
kemudian mencari nilai absolute residual dari nilai residual tersebut, caranya
klik menu Transform >> Compute Variable. Pada kotak Target Variable,
merupakan nama variabel baru yang akan tercipta. Ketikkan ABS_RES
(absolute residual). Kemudian klik pada kotak Numeric Expression, lalu
ketikkan ABS( lalu masukkan variabel Unstandardized Residual (RES_1) ke
kotak Numeric Expression dengan klik tanda penunjuk, kemudian ketik tanda
tutup kurung. Maka lengkapnya akan tertulis ABS(RES_1), perintah ini untuk
menghitung nilai absolute dari residual. Jika sudah klik tombol OK.

Langkah selanjutnya meregresikan nilai variabel independen dengan

absolute residual.

Caranya klik Analyze >> Regression >> Linear.

Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan

varibel X1,X2,X3,X4,X5 ke kotak Independent(s). Selanjutnya klik tombol
OK. Maka hasil pada output Coefficient seperti berikut:

Dari output di atas dapat diketahui bahwa nilai signifikansi kelima variabel
independen lebih dari 0,05. Dengan demikian dapat disimpulkan bahwa tidak
terjadi masalah heteroskedastisitas pada model regresi. Artinya, asumsi
nonheteroskedastik terpenuhi.

Kesimpulan:
Setelah uji keempat asumsi regresi linier berganda, dapat disimpulkan persamaan
regresi = 15,378 + 0,0941 0,0832 + 0,0783 0,7464 + 0,0715
Merupakan model regresi yang baik (fit) karena memenuhi semua asumsi yaitu
normalitas residual, nonmultikolinier, nonautokorelasi, dan nonheteroskedastik.

3. Korelasi