Selanjutnya b
0
dan b
1
disubtitusikan ke
0
dan
1
pada dan dan menyamadengankan dengan
nol.
0
1 1
1 0
,
_
n
i
n
i
i i X b b Y
n
( ) 0
1 1 0
1
X b b Y X i
n
i
i
( )
n
i
n
i
i
x Y
i i
S
1
2
1
2
1 0
( )
n
i
i X Y
S
1
1
1 0
0
2
( )
n
i
i X b b Y
1
1 1 0
0
0
2
1
1
0
1
X b X b Y X i
n
i
i i
n
i
i
Menghasilkan nilai b
1
dan b
0
:
,
_
1
]
1
n
i
n
i
i i
n
i
n
i
n
i
i i i i
n
n
X X
Y X Y X
b
1 1
2
1 1 1
1
2
X Y
b b
1 0
Asumsi-asumsi yang harus dipenuhi adalah:
Normalitas
Untuk mengecek kenormalan dari data, dapat dilakukan dengan membuat histogram
dan nilai-nilai residual data. Asumsi normal dari populasi akan di penuhi jika residual
data sampel berdistribusi normal. Untuk menguji normalitas data juga dapat dilakukan
dengan membuat plot probabilitas normal P-P. sedangkan untuk melakukan uji
normalitas juga tersedia prosedur explore pada menu utama SPSS yaitu dengan uji
kolmogorov-smirnov atau Shapiro-wilk.
Homogenitas Varians
Untuk membuktikan kesamaan varians yaitu dengan melihat penyebaran nilai-nilai
residual terhadap nilai-nilai prediksi. Jika penyebarannya tidak membentuk suatu pola
tertentu seperti meningkat atau menurun, maka keadaan homokedastisitas terpenuhi;
bila tidak, maka harus mempertanyakan asumsi varians konstan dari Y terhadap nilai-
nilai X.
Linieritas
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel dan
linieritas dalam parameter. Yang pertama, linier dalam variabel merupakan nilai rata-
rata kondisional variabel tergantung yang merupakan fungsi linier dari variabel
(variabel) bebas. Sedang yang kedua, linier dalam parameter merupakan fungsi linier
parameter dan dapat tidak linier dalam variabel.
Untuk menguji linieritas hubungan 2 variabel maka kita harus membuat diagram
pencar ( Scatter Plot ) antara 2 variabel tersebut. Dari sini bisa terlihat apakah titk-titik
data membentuk pola linier atau tidak.
2 /
0
n J K S
J K R
F
Ada satu metode lagi yang dapat menguji kelinieran model yang terbentuk, yaitu
membuat plot residual terhadapa harga-harga prediksi. Jika grafik antara harga-harga
prediksi dan harga-harga residual tidak membentuk suatu pola tertentu (parabola,
kubik dan sebagainya) maka asumsi linieritas terpenuhi. Jika asumsi linieritas
terpenuhi, maka residual-residual akan didistribusikan secara random dan akan
terkumpul di sekitar garis lurus melalui titik 0.
Non Autokorelasi
Untuk mendeteksi ada tidaknya autokorelasi maka dilakukan pengujian Durbin-
Watson (DW). Harga yang mungkin untuk statistik d ini adalah antara 0 dan 4. Untuk
mengetahui ada tidaknya autokorelasi dengan ketentuan sebagai berikut:
a. d
u
< d < 4-d
u
tidak ada autokorelasi. Jika nilai Durbin
Watson mendekati 2 maka residualnya tidak berkorelasi satu sama lain.
b. d < d
L
atau 4-d
u
< d < 4-d
L
tidak dapat disimpulkan.
c. d < d
L
atau d > d
u
terjadi autokorelasi.
Uji Kecocokan Model ( Uji F )
Hipotesis Uji
H
0
= model tidak cocok
H
1
= model cocok
Taraf signifikansi
Statistik Uji
Kriteria Penolakan
H
0
ditolak jika F
0
=F
hitung
> F
tabel
atau jika signifikan <
Kesimpulan
Penolakan H
0
menunjukkan bahwa terdapat hubungan antara variabel tak bebas Y
dengan variabel bebas X dan juga menjelaskan bahwa ada (sedikitnya satu) variabel
bebas memberikan sumbangan nyata pada model tersebut. Sedangkan apabila diterima
JKT
JKR
R
menunjukkan bahwa variabel bebas tidak memberikan pengaruh nyata kepada variabel
respon.
Koefisien Korelasi dan Koefisien Determinasi
Koefisien korelasi (R) adalah suatu angka yang menunjukkan tinggi rendahnya derajat
antara dua variabel atau lebih. Koefisien korelasi besarnya sudah tertentu, yaitu variasi antara
-1 dan +1.
R<0 : derajat hubungan antara dua variabel menunjukkan hal yang berlawanan
(koefisien korelasi negatif).
R>0 : derajat hubungan antara dua variabel menunjukkan hal yang sejajar atau paralel
(koefisien korelasi positif).
R=0 : tidak ada hbungan sama sekali antara dua variabel.
Sedangkan koefisien determinasi (R
2
) menyatakan besar sumbangan variabel bebas X
terhadap variabel tak bebas Y. Sifat-sifat koefisien determinasi :
Merupakan besaran non negatif
Batasannya adalah 0
R
2
1
R
2
= 1 : menyatakan kecocokan sempurna.
R
2
= 0 : menyatakan tidak ada hubungan antara variabel tak bebas Y dengan
variabel bebas X.
III. DATA DAN METODE
Berikut adalah data angka kelahiran dan pertumbuhan GNP tahun 1981 dari 12 negara
sampel yang dianggap mewakili negara-negara di dunia diambil dari buku Economic
Development in he Third World, karangan Michael Todaro.
Negara Angka Kelahiran Pertumbuhan GNP
Brazil 30 5.1
Colombia 29 3.2
Costa Rica 30 3.0
India 35 1.4
Mexico 36 3.8
Peru 36 1.0
Philipina 34 2.8
Senegal 48 -.3
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: Angka Kelahiran
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: Angka Kelahiran
Scatterplot
Korea Selatan 24 6.9
Sri Lanka 27 2.5
Taiwan 21 6.2
Thailand 30 4.6
Digunakan Pertumbuhan GNP sebagai variabel Prediktor (X) yaitu laju pertumbuhan GNP
per kapita per tahun, 1961-1981. Dan Angka Kelahiran sebagai variabel respon (Y), yaitu
banyaknya kelahiran tiap 1000 populasi pada tahun 1981.
IV. HASIL OUTPUT DAN PEMBAHASAN
Langkah pertama adalah menguji asumsi-asumsi yang harus dipenuhi
1. Normalitas
Untuk mengetahui apakah asumsi homogenitas terpenuhi atau tidak, dapat dilihat
pada Diagram Normal P-P Plot of Regression Standardized Residual
Dari gambar diagram di atas nampak bahwa titik-titik (plot) menyebar mengikuti
garis. Hal ini berarti normalitas data terpenuhi.
2. Homogenitas Varians
Untuk mengetahui apakah asumsi homogenitas terpenuhi atau tidak, dapat dilihat
pada scatterplot SResid by ZPred.
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
a
n
d
a
r
d
i
z
e
d
R
e
s
i
d
u
a
l
Dependent Variable: Angka Kelahiran
Scatterplot
Pada grafik di atas terlihat bahwa titik-titik menyebar secara acak tidak
membentuk suatu pola tertentu. Hal ini berarti bahwa asumsi homogenitas
terpenuhi.
3. Linieritas
Untuk mengetahui apakah asumsi linieritas terpenuhi atau tidak, dapat dilihat pada
grafik scatterplot ZResid by ZPred.
Pada grafik di atas terlihat bahwa titik-titik menyebar secara acak tidak
membentuk suatu pola tertentu. Hal ini berarti bahwa asumsi linieritas terpenuhi.
4. Non Autokorelasi
Untuk mengetahui apakah ada autokorelasi atau tidak, dapat dilihat dari nilai
Durbin-Watson yang ada pada tabel Model Summary.
078 , 21
589 , 1
484 , 33
10 / 886 , 15
484 , 33
2 /
0
n JKS
JKR
F
Model Summary
b
.824
a
.678 .646 4.132 1.925
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Durbin-
Watson
Predictors: (Constant), Pertumbuhan GNP
a.
Dependent Variable: Angka Kelahiran
b.
ANOVA
b
359.913 1 359.913 21.078 .001
a
170.754 10 17.075
530.667 11
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), Pertumbuhan GNP
a.
Dependent Variable: Angka Kelahiran
b.
Model Summary
Didapatkan bahwa nilai Durbin Watson 1,925, nilai ini dekat dengan angka 2,
maka tidak tejadi autokorelasi. Hal ini berarti bahwa asumsi non autokorelasi
terpenuhi.
Uji Kecocokan Model ( Uji F )
Untuk melakukan uji ini dapat dilihat dari nilai F
hitung
yang ada pada tabel ANOVA:
Hipotesis Uji
H
0
:
1
= 0 (Model tidak cocok)
H
1
:
1
0 (Model cocok)
Taraf signifikansi
= 5%= 0,05
Statistik Uji
Sig. = 0,001
Model Summary
b
.824
a
.678 .646 4.132 1.925
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Durbin-
Watson
Predictors: (Constant), Pertumbuhan GNP
a.
Dependent Variable: Angka Kelahiran
b.
Coefficients
a
40.712 2.303 17.677 .000
-2.700 .588 -.824 -4.591 .001
(Constant)
Pertumbuhan GNP
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig.
Dependent Variable: Angka Kelahiran
a.
Kriteria Penolakan
H
0
ditolak jika F
0
=F
hitung
> F
tabel
atau jika sig <
Keputusan
Karena sig=0.001 < = 0,05 maka H
0
ditolak
Kesimpulan Uji
Model Cocok.
Terdapat hubungan antara variabel tak bebas variabel bebas X (Pertumbuhan GNP)
dengan variabel tak bebas Y (Angka Kelahiran). Bahwa Pertumbuhan GNP
memberikan pengaruh nyata terhadap Angka Kelahiran.
Koefisien b
0
dan b
1
Untuk mengetahui koefisien b
0
dan b
1
dapat dilihat dari tabel Coefficients.
Dengan bantuan software SPSS diperoleh model regresinya:
= 40,712 2,7X
Korelasi Antar Variabel
Untuk mengetahui korelasi antara variabel X dan Y dapat dilihat dari nilai R dan R
2
yang ada
pada tabel Model Summary.
Nilai R=0,824; ini berarti korelasi variable positif, atau dengan kata lain hubungan
antara pertumbuhan GNP berjalan paralel dengan angka kelahiran. Jadi, semakin
tinggi pertumbuhan GNP suatu negara semakin besar pula angka kelahiran.
Nilai R
2
=0,678; artinya variabel pertumbuhan GNP mempengaruhi angka kelahiran
sebesar 67,8%, sedangkan sisanya dipengaruhi oleh faktor lain.
V. KESIMPULAN
Dari uji masing-masing asumsi normalitas, homogenitas varians, linieritas, dan non
autokorelasi, disimpulkan bahwa kesemuaan asumsi terpenuhi. Sehingga dapat
dilanjutkan untuk mencari model regresi linier sederhana.
Dari uji kecocokan model (uji F), disimpulkan bahwa model cocok, ada hubungan
antara Pertumbuhan GNP dengan Angka Kelahiran.
Dengan bantuan software SPSS diperoleh model regresinya:
= 40,712 2,7X
Nilai R=0,824; ini berarti korelasi variable positif, semakin tinggi pertumbuhan GNP
semakin besar pula angka kelahiran.
R
2
=0,678; artinya variabel pertumbuhan GNP mempengaruhi angka kelahiran sebesar
67,8%, sedangkan sisanya dipengaruhi oleh faktor lain.
VI. DAFTAR PUSTAKA
Barrow, Michael.1996. Statistics for Economics Accounting and Business Studies.
New York: Addison Wesley Longman Publishing
http://turindraatp.blogspot.com/2009/11/gross-national-product-gnp.html