UJI ASUMSI KLASIK REGRESI LINEAR

Oleh : WIJAYA

Email : zeamays_hibrida@yahoo.com

FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2008

Wijaya : Uji Asumsi Klasik Regresi Linear - 0

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 : r1 < r < r2, r1 dan r2 banyaknya tanda (+) atau (-), r banyaknya run b. Pada pengamatan dengan n besar, nilai galat bersifat acak jika : u = 2 n1 n 2 n1 + n 2 +1

2 =

2 n1 n2 (2 n1 n2 n1 n2 ) (n1 + n2)2 (n1 + n2 1) ru

z =

Galat bersifat acak jika : z0,025 < z < z0,025 c. Pengujian menggunakan Program SPSS dilakukan melalui prosedur : Analyze Nonparametrics Test Runs 2. 3. Nilai galat ( e = Yi Y ) seluruh pengamatan pada setiap variabel bebas X mempunyai rata-rata (Mean) Nol 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 e2 = b0 + b1Ln.X jika koefisien b1 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 t0,025(n-2) < t < t0,025(n-2) . c. Pengujian Homoskedastisitas menggunakan Program SPSS dilakukan melalui prosedur :

Wijaya : Uji Asumsi Klasik Regresi Linear - 1

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 ei dari terkecil sampai terbesar, (2) Transformasi nilai ei menjadi zi dengan zi = (ei e)/s dimana e dan s adalah rata-rata dan simpangan baku nilai galat, (3) Tentukan besarnya nilai peluang zi yaitu P(zi) dan peluang proporsional S(zi), (4) Tentukan selisih mutlak S(zi) P(zi) dan S(zi1) P(zi), (5) Tentukan nilai statistik Kolmogorov-Smirnov D = maksimum S(zi) P(zi) atau S(zi1) P(zi), (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 ei dari terkecil sampai terbesar, (2) Transformasi nilai ei menjadi zi dengan zi = (ei e)/s dimana e dan s adalah rata-rata dan simpangan baku nilai galat, (3) Tentukan besarnya nilai peluang zi yaitu P(zi) dan peluang proporsional S(zi), (4) Tentukan selisih mutlak P(zi) S(zi), (5) Tentukan nilai statistik Liliefors L = maksimum P(zi) S(zi), (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 (Xn-i+1 Xi)]2 dimana D = Xi2 (Xi)2/n, (2) bandingkan nilai T dengan nilai T tabel Saphiro-Wilks (T(n)), Normalitas dapat diterima jika T < T0,05(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.
Wijaya : Uji Asumsi Klasik Regresi Linear - 2

d. Pengujian Normalitas menggunakan Program SPSS dilakukan melalui prosedur : (1) Untuk Uji Kolmogorov-Smirnov : Analyze 1-Sample K-S. Nonparametric Test

Pada Output, jika Signifikansi hasil Uji Kolmogorov-Smirnov (Uji KS) nilainya lebih besar dari 0,05 berarti data berdistribusi normal. (2) Untuk Uji Liliefors dan Saphiro-Wilks : Analyze Statistics Explore. Descriptive

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 20,05(1) (4) Keputusan tidak adanya Autokorelasi dapat diterima jika nilai 2 < 20,05(1). Banyaknya +ei Banyaknya +ei-1 Banyaknya ei-1 Jumlah b. Uji Durbin-Watson : (1) Tentukan nilai D = [ (ei ei-1)2 ] / [ ei2 ] (2) Bandingkan nilai D dengan D0,05(n), (3) Keputusan tidak adanya Autokorelasi dapat diterima jika nilai dU < D < (4 dU), Ada Autokorelasi jika D < dL atau d > (4 dL), Tidak ada Keputusan jika berada pada selang lain . Tolak Ho dL ? dU Terima Ho 4 dU ? Tolak Ho 4 dL Banyaknya ei Jumlah

Wijaya : Uji Asumsi Klasik Regresi Linear - 3

c. Pengujian Autokorelasi menggunakan Program SPSS dilakukan melalui prosedur : Analyze Regression Linear, masukkan Variabel Dependen ke kotak Dependent dan beberapa Variabel Independen ke kotak Independent(s) 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 : Analyze Regression Linear, masukkan Variabel Dependen ke kotak Dependent dan beberapa Variabel Independen ke kotak Independent(s) 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.
Wijaya : Uji Asumsi Klasik Regresi Linear - 4

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) :

r =

n xy n 2 x

( x ) ( y )
n 2 y

( x)
2

( y )
2

Pengujian Koefisien Korelasi : = r n 2 1 r

2

Butir (item) atau Faktor dari skor pertanyaan dikatakan valid jika : t < t0,025(n2) atau t0,025(n2) < t (2) Korelasi Biserial :

bi

p q

Wijaya : Uji Asumsi Klasik Regresi Linear - 5

dimana : = koefisien korelasi biserial mp = rata-rata skor dari subjek yang menjawab benar bagi item yang akan dihitung validitasnya mT = rata-rata skor total sT = simpangan baku dari skor total p = proporsi responden yang menjawab benar q = 1p 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.

Wijaya : Uji Asumsi Klasik Regresi Linear - 6

(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 R = 2 r12 ( 1 + r12 ) Koefisien Reliabilitas Koefisien Korelasi Pearson antar belahan

dimana : R r12 = =

(2) Flanagan : R = 2(1 S12 + S22 St dimana : R = Koefisien Reliabilitas Ragam belahan ke-1 Ragam belahan ke-2 Ragam Total S 12 = S22 = St2 = (3) Rullon : R R = 1 ( SD2 / St2 ) = Koefisien Reliabilitas Ragam dari selisih skor antar belahan ke-1 dan ke-2 Ragam Total dimana : SD2 = St2 =
2

Wijaya : Uji Asumsi Klasik Regresi Linear - 7

Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk jawaban Uraian dilakukan dengan metode Alpha-Cronbach yaitu : n R = n1 (1 Si2 St
2

dimana : R St2 = Koefisien Reliabilitas = Ragam Total Si2 = Jumlah Ragam tiap-tiap item

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.

Wijaya : Uji Asumsi Klasik Regresi Linear - 8

Misal :

Ingin diketahui pengaruh Motivasi (Q15 = X1) dan Fasilitas (Q610 = X2) 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 :
Y 85 74 78 90 85 87 94 98 81 91 76 74

Resp Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 TOT Q15 Q610 1 2 3 4 5 6 7 8 9 10 11 12 3 2 2 3 3 3 3 3 2 2 2 2 2 2 2 3 2 3 2 2 2 3 1 1 2 2 2 2 2 3 2 3 3 3 2 1 3 2 2 3 2 3 3 3 2 3 3 2 2 2 2 2 2 2 3 3 2 3 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 2 2 2 3 3 3 3 2 2 2 1 2 2 1 2 2 2 2 2 2 2 2 1 1 1 2 2 2 2 2 2 2 2 1 1 3 2 2 2 2 2 3 3 2 2 1 2 22 19 19 23 22 25 26 27 21 24 18 15 12 10 10 13 11 14 13 14 11 14 10 8 10 9 9 10 11 11 13 13 10 10 8 7

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 :

Wijaya : Uji Asumsi Klasik Regresi Linear - 9

Correlations Total Skor 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 1 12 ,712** ,009 12 ,662* ,019 12 ,691* ,013 12 ,635* ,027 12 ,666* ,018 12 Butir01 ,712** ,009 12 1 12 ,391 ,209 12 ,140 ,664 12 ,507 ,092 12 ,192 ,549 12 Butir02 ,662* ,019 12 ,391 ,209 12 1 12 ,602* ,039 12 ,374 ,231 12 ,225 ,481 12 Butir03 ,691* ,013 12 ,140 ,664 12 ,602* ,039 12 1 12 ,355 ,257 12 ,404 ,192 12 Butir04 ,635* ,027 12 ,507 ,092 12 ,374 ,231 12 ,355 ,257 12 1 12 ,488 ,108 12 Butir05 ,666* ,018 12 ,192 ,549 12 ,225 ,481 12 ,404 ,192 12 ,488 ,108 12 1 12

Butir01

Butir02

Butir03

Butir04

Butir05

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).

Correlations Total Skor 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 1 12 ,626* ,029 12 ,815** ,001 12 ,626* ,029 12 ,677* ,016 12 ,600* ,039 12 Butir06 ,626* ,029 12 1 12 ,564 ,056 12 ,200 ,533 12 ,316 ,317 12 ,674* ,016 12 Butir07 ,815** ,001 12 ,564 ,056 12 1 12 ,564 ,056 12 ,594* ,042 12 ,380 ,223 12 Butir08 ,626* ,029 12 ,200 ,533 12 ,564 ,056 12 1 12 ,158 ,624 12 ,135 ,676 12 Butir09 ,677* ,016 12 ,316 ,317 12 ,594* ,042 12 ,158 ,624 12 1 12 ,213 ,506 12 Butir10 ,600* ,039 12 ,674* ,016 12 ,380 ,223 12 ,135 ,676 12 ,213 ,506 12 1 12

Butir06

Butir07

Butir08

Butir09

Butir10

*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).

Wijaya : Uji Asumsi Klasik Regresi Linear - 10

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 1 2 3 4 5 6 7 8 9 10 11 12 VAR Q1 3 2 2 3 3 3 3 3 2 2 2 2 0,273 Q3 2 2 2 2 2 3 2 3 3 3 2 1 0,386 Q5 2 2 2 2 2 2 3 3 2 3 2 2 0,205 Q7 2 2 2 2 3 3 3 3 2 2 2 1 0,386 Q9 1 1 2 2 2 2 2 2 2 2 1 1 0,242 Q2 2 2 2 3 2 3 2 2 2 3 1 1 0,447 Q4 3 2 2 3 2 3 3 3 2 3 3 2 0,265 Q6 2 2 2 2 2 2 3 3 2 2 2 2 0,152 Q8 2 2 1 2 2 2 2 2 2 2 2 1 0,152 Q10 3 2 2 2 2 2 3 3 2 2 1 2 0,333 Ganj 10 9 10 11 12 13 13 14 11 12 9 7 4,083 Genp 12 10 9 12 10 12 13 13 10 12 9 8 2,879 Beda -2 -1 1 -1 2 1 0 1 1 0 0 -1 1,356 TOT 22 19 19 23 22 25 26 27 21 24 18 15 12,568

(1)

Koefisien Korelasi Pearson (r) :

Resp 1 2 3 4 5 6 7 8 9 10 11 12 JML Ganjil (X) 10 9 10 11 12 13 13 14 11 12 9 7 131 Genap (Y) 12 10 9 12 10 12 13 13 10 12 9 8 130 XY 120 90 90 132 120 156 169 182 110 144 81 56 1450 X2 100 81 100 121 144 169 169 196 121 144 81 49 1475 Y2 144 100 81 144 100 144 169 169 100 144 81 64 1440

r =

n xy n 2 x

( x ) ( y )
n 2 y

( x)
2

( y )
2

Wijaya : Uji Asumsi Klasik Regresi Linear - 11

12(1.450) (131)(130) 12(1.475)

( )

131 12(1.440)
2

( )

130
2

= 0,818

Nilai Koefisien Korelasi Pearson antara Jumlah Skor Ganjil dengan Jumlah Skor Genap menggunakan SPSS 13.0 yaitu sebesar 0,818.
Correlations Skor Butir Ganjil Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Skor Butir Ganjil 1 12 ,818** ,001 12 Skor Butir Genap ,818** ,001 12 1 12

Skor Butir Genap

**. Correlation is significant at the 0.01 level (2-tailed).

(1)

Spearman Brown R = 2 r12 ( 1 + r12 ) 2 (0,818) = ( 1 + 0,818 ) = 0,900

(2) Flanagan : R = 2(1 S12 + S22 St

2

4,083 + 2,879 R = 2(1 12,658 ) = 0,892

(3) Rullon : R = 1 ( SD2 / St2 ) = 1 ( 1,356 / 12,658 ) = 0,892

Wijaya : Uji Asumsi Klasik Regresi Linear - 12

(4) Alpha-Cronbach : R = n n1 12 R = 12 1 (1 (1

Si2
St
2

2,841 12,658 ) = 0,844

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

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

Wijaya : Uji Asumsi Klasik Regresi Linear - 13

Pengujian Asumsi Regresi Data :

No 1 2 3 4 5 6 7 8 9 10 11 12 Jumlah JK Rataan X1 12 10 10 13 11 14 13 14 11 14 10 8 140 1676 11,667 X2 10 9 9 10 11 11 13 13 10 10 8 7 121 1255 10,083 Y 85 74 78 90 85 87 94 98 81 91 76 74 1013 86213 84,417 X1.X2 120 90 90 130 121 154 169 182 110 140 80 56 1442 X1.Y 1020 740 780 1170 935 1218 1222 1372 891 1274 760 592 11974 X2.Y 850 666 702 900 935 957 1222 1274 810 910 608 518 10352

Persamaan Regresi Dugaan : Y = Persamaan Normal : Y = X1 Y X2 Y (X'X) n

b0 + b1 X1 + b2 X2. n b 0 + b 1 X1 + b 2 X2 = b0 X1 + b1 X12 + b2 X1 X2 = b0 X2 + b1 X1 X2 + b2 X22 (X'Y)

(b)

X1 X1
2

X2 X1 X2 X22

b0 b1 b2 (X'X)1 =

Y X1 Y X2 Y
(X'Y)
-0,134 -0,053 0,075 1013 11974 10352

X1 X2

X1 X2
(X'X)

12 140 121

140 1676 1442

121 1442 1255

3,513 -0,178 -0,134

-0,178 0,061 -0,053

Wijaya : Uji Asumsi Klasik Regresi Linear - 14

Dari hasil perkalian invers matriks (XX-1) dengan matriks (XY) diperoleh nilai b0, b1 dan b2 sebagai berikut : b0 = b1 = b2 = 38,245 2,215 2,016

Selanjutnya dengan Metode Doolitle dapat disusun Analisis Ragam (Anova) serta pengujian koefisien regresi menggunakan Uji-t. Metode Doolitle :
Baris (0) (1) (2) (3) = (0) (4) = (3) /12 (5) = (1)-140(4) (6) = (5) /42,67 (7) = (2)-121(4)-30,33(6) (8) = (7) /13,353 12 1,000 140 11,667 42,667 1,000 Matriks (X'X) b0 12 b1 140 1676 b2 121 1442 1255 121 10,083 30,333 0,711 13,352 1,000 Matriks (X'Y) 1013 11974 10352 1013 84,417 155,667 3,648 26,914 2,016 1 0 0 1 0,083 -11,667 -0,273 -1,789 -0,134 0 1 0 0 0,000 1,00 0,023 -0,711 -0,053 0 0 1 0 0,000 0,00 0,000 1,000 0,075 Matriks (X'X-1)

(1)

Menentukan Koefisien Regresi : Pada Baris (8) : 1,0 (b2) = 2,016 b2 = 2,016 b1 = 2,215 Pada Baris (6) : 1,0 (b1) + 0,711 (b2) = 3,648 Pada Baris (4) : 1,0 (b0) + 11,667 (b1) + 10,083 (b2) = 84,417

b0 = 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) = Y2 (Y)2/n JKT = 86213 85514,083 = 698,917 Jumlah Kuadrat Regresi (JKR) = (bi XiY) JKR = b1 [ X1Y (X1)(Y)/n] + b2 [ X2Y (X2)(Y)/n] JKR = 2,215 [11974 (140)(1013)/12] + 2,016 [10352 (121)(1013)/12]
Wijaya : Uji Asumsi Klasik Regresi Linear - 15

JKR = 344,853 + 277,340 = 622,193 Atau JKR = JKR (b1 / b0) + JKR (b2 / b1,b0) 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. 1 Variasi Regresi R (b1 / b0) R (b2 / b1, b0) 2 Galat Total DB 2 1 1 9 11 JK 622,193 567,940 54,253 76,723 698,917 KT 311,097 567,940 54,253 8,525 63,538 F 36,493 66,622 6,364 F5% 4,256 5,117 5,117

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

T1
11,667 1,000 0,000 1,789 0,711 1,000

(t)
0,083 0,273 0,134 0,000 0,023 0,053 0,000 0,000 0,075 3,513 0,178 0,134

(X'X)1 = T1. t
0,178 0,061 0,053 0,134 0,053 0,075

b
38,245 2,215 2,016

KTG
8,525 8,525 8,525

Cii
3,513 0,061 0,075

KTG.Cii
29,949 0,523 0,638

Sb
5,473 0,723 0,799

t
6,989 3,065 2,523

t0,025
2,228 2,228 2,228

Wijaya : Uji Asumsi Klasik Regresi Linear - 16

Keterangan b KTG Cii Sb .t

: = = = = = Nilai Koefisien Regresi Nilai Kuadrat Tengah Galat pada Daftar Sidik Ragam Nilai pada Diagonal Utama Matriks (X'X)1 KTG . Cii b/Sb

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 R Square Adjusted R Square Standard Error Observations ANOVA 0,9435 0,8902 0,8658 2,9197 12

Df
Regression Residual Total 2 9 11

SS
622,193 76,723 698,917

MS
311,097 8,525

F
36,493

Sig. F
0,000

Coefficients
Intercept X Variable 1 X Variable 2 38,245 2,215 2,016

Standard Error
5,473 0,723 0,799

t Stat
6,989 3,065 2,523

P-value
0,000 0,013 0,033

Wijaya : Uji Asumsi Klasik Regresi Linear - 17

Analisis dengan SPSS melalui prosedur : Analyze Regression Linear, pindahkan Variabel Dependen Y (Produktivitas) ke kotak Dependent dan Variabel Independen X1 dan X2 (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 Summaryb Model 1 R R Square ,944a ,890 Adjusted R Square ,866 Std. Error of the Estimate 2,920 DurbinWatson 2,088

a. Predictors: (Constant), Faktor2, Faktor1 ANOVAb b. Dependent Variable: Nilai Sum of Model df Mean Square Squares 1 Regression 622,193 2 311,097 Residual 76,723 9 8,525 Total 698,917 11

F 36,493

Sig. ,000a

a. Predictors: (Constant), Faktor2, Faktor1 b. Dependent Variable: Nilai

a Coefficients

Model 1

(Constant) Faktor1 Faktor2

Unstandardized Coefficients B Std. Error 38,245 5,473 2,215 ,723 2,016 ,799

Standardized Coefficients Beta ,547 ,451

t 6,989 3,065 2,523

Sig. ,000 ,013 ,033

Collinearity Statistics Tolerance VIF ,382 ,382 2,615 2,615

a. Dependent Variable: Nilai

Wijaya : Uji Asumsi Klasik Regresi Linear - 18

(a)

Persamaan Regresi Dugaan : = 38,245 + 2,215*Faktor1 + 2,016*Faktor2 signifikan terhadap nilai produktivitas, karena P-value < 0,05

(b) Faktor Motivasi dan faktor Fasilitas keduanya mempunyai pengaruh yang (c) Berdasarkan persamaan regresi dugaan tersebut, dapat ditentukan nilai Galat e = Yi - i, nilai Kuadrat galat e2. (d) Dari nilai galat e dan nilai kuadrat galat e2, dapat diuji asumsi regresi yang berkaitan dengan distribusi nilai galat tersebut. Data :
Resp 1 2 3 4 5 6 7 8 9 10 11 12 Jml JK Q15 12 10 10 13 11 14 13 14 11 14 10 8 140 1676 Q610 10 9 9 10 11 11 13 13 10 10 8 7 121 1255 Y 85 74 78 90 85 87 94 98 81 91 76 74 1013 86213

84,987 78,541 78,541 87,202 84,788 91,434 93,250 95,465 82,772 89,418 76,525 70,078 1013,000

ei 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 3,922 0,000

ei-1 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 -3,922 2,088

(ei-ei-1)2 20,735 16,000 11,144 6,683 21,585 26,871 3,185 18,547 11,249 4,440 19,771 160,210

Durbin-Watson =

Keterangan : Jml = Jumlah ; JK = Jumlah Kuadrat

1. Asumsi Nilai Galat Bersifat Acak a. b. c. Hipotesis H0 barisan bersifat acak H1 barisan bersifat tidak acak Taraf Nyata () = 0,05 Uji Statistik = Uji Run

Wijaya : Uji Asumsi Klasik Regresi Linear - 19

d.

Perhitungan Pada nilai galat (ei) : Banyaknya tanda (-) = 5 = n1 Banyaknya tanda (+) = 7 = n2 Banyaknya runtun r = 9 Dari Tabel Uji Run untuk n1 = 5 dan n2 = 7 diperoleh nilai r1 = 3 dan r2 = 11. n 12 (+) 7 (-) 5 r 9 r1 3 r2 11

e.

Kesimpulan : Terima Ho (nilai pengamatan bersifat acak) karena (r1 = 3) < (r = 10) < (r2 = 11)

Pengujian menggunakan Program SPSS dilakukan melalui prosedur : Analyze Nonparametrics Test Runs. Pindahkan variabel Galat (Residu) Klik OK ke kotak Test Variable List, beri tanda centang pada kotak Mean Hasil Analisis Uji Run menggunakan SPSS 13.0 :
Runs Test Test Valuea Cases < Test Value Cases >= Test Value Total Cases Number of Runs Z Asymp. Sig. (2-tailed) a. Mean Galat ,00000 5 7 12 9 1,041 ,298

2.

Rata-rata nilai galat = ei : n = 0,000 : 12 = 0,000

Wijaya : Uji Asumsi Klasik Regresi Linear - 20

3.

Homoskedastisitas :
Resp 1 2 3 4 5 6 7 8 9 10 11 12 X1 12 10 10 13 11 14 13 14 11 14 10 8 X2 10 9 9 10 11 11 13 13 10 10 8 7 e12 0,000 20,618 0,292 7,826 0,045 19,657 0,563 6,425 3,139 2,503 0,275 15,379 ln X1 2,485 2,303 2,303 2,565 2,398 2,639 2,565 2,639 2,398 2,639 2,303 2,079 ln X2 2,303 2,197 2,197 2,303 2,398 2,398 2,565 2,565 2,303 2,303 2,079 1,946 ln e12 -8,705 3,026 -1,230 2,057 -3,099 2,978 -0,575 1,860 1,144 0,918 -1,289 2,733

a.

Uji Park : Ln ei2 = b0 + b1 Ln.X1 + b2 Ln X2. Persamaan Regresi Dugaan : ei2 = b0 + b1 Ln X1 + b2 LnX2. Persamaan Normal :

e12

= n b0 + b1 Ln X1 + b2 Ln X2

ei2 (Ln X1 ) = b0 Ln X1 + b1 (Ln X1)2 + b2 (Ln X1)(Ln X2) ei2 (Ln X2) = b0 Ln X2 + b1 (Ln X1)(Ln X2) + b2 (Ln X2)2
Matriks : (X'X)
n Ln X1 Ln X2 Ln X1 (Ln X1)
2

(b)
Ln X2 (LnX1)(LnX2) (Ln X1)
2

(X'Y)
Y = X1 Y X2 Y

b0 b1 b2

(LnX1)(LnX2)

Wijaya : Uji Asumsi Klasik Regresi Linear - 21

(X'X)
12 29,315 27,556 29,315 71,959 67,605 27,556 67,605 63,632 18,028 -5,344 -2,129

(X'X)1
-5,344 9,292 -7,558 -2,129 -7,558 8,968

(X'Y)
-0,181 -0,474 -0,967

Dari hasil perkalian invers matriks (XX-1) dengan matriks (XY) diperoleh nilai b0, b1 dan b2 sebagai berikut : b0 = b1 = b2 = 1,331 3,872 - 4,705

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

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

T1
-2,443 1,000 0,000 0,237 0,843 1,000

Wijaya : Uji Asumsi Klasik Regresi Linear - 22

(t)
0,083 7,139 2,129 0,000 2,292 7,558 0,000 0,000 8,968 18,028 5,344 2,129

(X'X)1 = T1. t
5,344 9,292 7,558 2,129 7,558 8,968

B
1,331 3,872 -4,705

KTG
13,528 13,528 13,528

Cii
18,028 9,292 8,968

KTG.Cii
243,892 125,703 121,317

Sb
15,617 11,212 11,014

t
0,085 0,345 -0,427

t0,025
2,228 2,228 2,228

Hasil Pengolahan menggunakan Excel :

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

df
Regression Residual Total 2 9 11

SS
2,472 121,755 124,227

MS
1,236 13,528

F
0,091

Sig F
0,914

Coeff
Intercept X Variable 1 X Variable 2 1,331 3,872 -4,705

SE
15,617 11,212 11,014

t Stat
0,085 0,345 -0,427

P-value
0,934 0,738 0,679

Wijaya : Uji Asumsi Klasik Regresi Linear - 23

Analisis menggunakan SPSS : Untuk menghitung nilai kuadrat galat KG (e2) : 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 X1 : 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 X2 dan LnKG dlakukan dengan cara seperti diatas. Untuk menganalisis model regresi Ln e2 = b0 + b1 Ln.X1 + b2 Ln.X2 : Klik Analyze Regression Linear, pindahkan Variabel Dependen LnKG ke kotak Dependent dan Variabel Independen LnX1 dan LnX2 ke kotak Independent(s) klik OK. Hasil Analisis Uji Park menggunakan SPSS : Regression :
b Variables Entered/Removed

Model 1

Variables Entered Ln(Fasilitas),a Ln(Motovasi)

Variables Removed .

Method Enter

a. All requested variables entered. b. Dependent Variable: Ln Kuadrat Galat

Model Summary Model 1 R R Square ,141a ,020 Adjusted R Square -,198 Std. Error of the Estimate 3,6780934

a. Predictors: (Constant), Ln(Fasilitas), Ln(Motovasi)

Wijaya : Uji Asumsi Klasik Regresi Linear - 24

ANOVAb Model 1 Regression Residual Total Sum of Squares 2,472 121,755 124,227 df 2 9 11 Mean Square 1,236 13,528 F ,091 Sig. ,914a

a. Predictors: (Constant), Ln(Fasilitas), Ln(Motovasi) b. Dependent Variable: Ln Kuadrat Galat

Coefficientsa Unstandardized Coefficients B Std. Error 1,331 15,617 3,872 11,212 -4,705 11,014 Standardized Coefficients Beta ,203 -,251

Model 1

t ,085 ,345 -,427

(Constant) Ln(Motovasi) Ln(Fasilitas)

Sig. ,934 ,738 ,679

a. Dependent Variable: Ln Kuadrat Galat

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 X1 (Motivasi) dengan Galat e.
No 1 2 3 4 5 6 7 8 9 10 11 12

X1
12 10 10 13 11 14 13 14 11 14 10 8 Jumlah

Y 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 3,922

Rank- X1 7 3 3 8,5 5,5 11 8,5 11 5,5 11 3 1

Rank-Y 6 1 4 11 7 2 8 10 3 9 5 12

Di2 1,00 4,00 1,00 6,25 2,25 81,00 0,25 1,00 6,25 4,00 4,00 121,00 232,00

Wijaya : Uji Asumsi Klasik Regresi Linear - 25

t3 t Tx = 12 33 3 Tx = + 12 t3 t Ty = = 0,00 12 N3 N 12 Y = 12
2

23 3 + 12

23 2 + 12

33 3 = 5,00 12

X2 =

123 12 Tx = 5,00 = 138,00 12 123 12 Tx = 0,00 = 143,00 12

2

N3 N

y di x . y
2 2 2

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

= 0,174
n 2 1

t =

rS

rS
2

t = 0,174

12 2 1 0,174

t = 0,560 t0,025 (n2) = t 0,025 (10) = 2,228 Kesimpulan : tidak terdapat hubungan yang nyata antara variabel Motivasi (X1) dengan nilai galat.

Wijaya : Uji Asumsi Klasik Regresi Linear - 26

(2) Korelasi Variabel Bebas X2 (Fasilitas) dengan Galat e.

No 1 2 3 4 5 6 7 8 9 10 11 12

X2
10 9 9 10 11 11 13 13 10 10 8 7 Jumlah

Y 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 3,922

Rank- X2 6,5 3,5 3,5 6,5 9,5 9,5 11,5 11,5 6,5 6,5 2 1

Rank-Y 6 1 4 11 7 2 8 10 3 9 5 12

di2 0,25 6,25 0,25 20,25 6,25 56,25 12,25 2,25 12,25 6,25 9,00 121,00 252,50

t3 t Tx = 12 23 2 Tx = + 12 t3 t Ty = = 0,00 12 N3 N 12 Y2 = N3 N 12 Tx = Tx = 123 12 6,50 = 136,50 12 123 12 0,00 = 143,00 12

2

43 4 + 12

23 2 + 12

23 2 = 6,50 12

X =

y di x . y
2 2 2

Wijaya : Uji Asumsi Klasik Regresi Linear - 27

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

= 0,097
n 2 1

t =

rS

rS
2

t = 0,097

12 2 1 0,097

t = 0,307 t0,025 (n2) = t 0,025 (10) = 2,228 Kesimpulan : tidak terdapat hubungan yang nyata antara variabel Fasilitas (X2) dengan nilai galat.

Hasil analisis dengan SPSS : Nonparametric Correlations : Rank Spearman - Homoskedastisitas

Correlations Spearman's rho Galat Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Galat 1,000 . 12 ,174 ,588 12 ,097 ,765 12 Motivasi Fasilitas ,174 ,097 ,588 ,765 12 12 1,000 ,801** . ,002 12 12 ,801** 1,000 ,002 . 12 12

Motivasi

Fasilitas

**. Correlation is significant at the 0.01 level (2-tailed).

Kesimpulan :

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

Wijaya : Uji Asumsi Klasik Regresi Linear - 28

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
Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Produktivitas

1.0

0.8

Expected Cum Prob

0.6

0.4

0.2

0.0 0.0 0.2 0.4 0.6 0.8 1.0

Observed Cum Prob

Scatterplot

Dependent Variable: Produktivitas

2

Regression Studentized Residual

-1

-2 -2 -1 0 1 2

Regression Standardized Predicted Value

Wijaya : Uji Asumsi Klasik Regresi Linear - 29

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. (a)

Uji Normalitas : Uji Normalitas untuk Variabel Motivasi (X1) Nilai X1 diurutkan dari terkecil sampai terbesar
Resp 12 2 3 11 5 9 1 4 7 6 8 10 Rata STD X1 8 10 10 10 11 11 12 13 13 14 14 14 11,67 1,97 Zi -1,862 -0,846 -0,846 -0,846 -0,339 -0,339 0,169 0,677 0,677 1,185 1,185 1,185 P(Zi) 0,0313 0,1987 0,1987 0,1987 0,3675 0,3675 0,5672 0,7508 0,7508 0,8819 0,8819 0,8819 P(Xi) 0,0833 0,1667 0,2500 0,3333 0,4167 0,5000 0,5833 0,6667 0,7500 0,8333 0,9167 1,0000 Maks P(Zi) - P(Xi) 0,0520 0,0320 0,0513 0,1346 0,0492 0,1325 0,0161 0,0841 0,0008 0,0486 0,0347 0,1181 0,1346 PX-1 - PZ 0,0313 0,1154 0,0320 0,0513 0,0342 0,0492 0,0672 0,1675 0,0841 0,1319 0,0486 0,0347 0,1675

Nilai maksimum D = 0,1675. Dari tabel Kolmogorov-Smirnov untuk n = 12 dan taraf nyata () = 0,05 didapat D0,05(12) = 0,375. Karena nilai (D = 0,1675) < (D0,05(12) = 0,375) maka disimpulkan bahwa sampel tadi berasal dari populasi yang berdistribusi normal.

Wijaya : Uji Asumsi Klasik Regresi Linear - 30

(b) Uji Normalitas untuk Variabel Fasilitas (X2)

Resp 12 11 2 3 1 4 9 10 5 6 7 8 Rata STD X2 7 8 9 9 10 10 10 10 11 11 13 13 10,08 1,78 Zi -1,731 -1,169 -0,608 -0,608 -0,047 -0,047 -0,047 -0,047 0,515 0,515 1,637 1,637 P(Zi) 0,0418 0,1211 0,2716 0,2716 0,4813 0,4813 0,4813 0,4813 0,6966 0,6966 0,9492 0,9492 P(Xi) 0,0833 0,1667 0,2500 0,3333 0,4167 0,5000 0,5833 0,6667 0,7500 0,8333 0,9167 1,0000 Maks P(Zi) - P(Xi) 0,0416 0,0455 0,0216 0,0618 0,0647 0,0187 0,1020 0,1853 0,0534 0,1368 0,0325 0,0508 0,1853 PX-1 - PZ 0,0418 0,0378 0,1049 0,0216 0,1480 0,0647 0,0187 0,1020 0,0299 0,0534 0,1159 0,0325 0,1480

Variabel X2 berdistribusi normal karena (D = 0,1853) < (D0,05(12) = 0,375). (c) Uji Normalitas untuk Variabel Produktivitas (Y)
Resp 2 12 11 3 9 1 5 6 4 10 7 8 Rata STD Yi 74 74 76 78 81 85 85 87 90 91 94 98 84,42 7,97 Zi -1,307 -1,307 -1,056 -0,805 -0,429 0,073 0,073 0,324 0,700 0,826 1,202 1,704 P(Zi) 0,0956 0,0956 0,1455 0,2104 0,3341 0,5292 0,5292 0,6271 0,7582 0,7956 0,8854 0,9558 P(Yi) 0,0833 0,1667 0,2500 0,3333 0,4167 0,5000 0,5833 0,6667 0,7500 0,8333 0,9167 1,0000 Maks P(Zi)-P(Yi) 0,0123 0,0710 0,1045 0,1229 0,0826 0,0292 0,0542 0,0396 0,0082 0,0378 0,0313 0,0442 0,1229 PY - PZ 0,0956 0,0123 0,0212 0,0396 0,0008 0,1125 0,0292 0,0437 0,0915 0,0456 0,0520 0,0392 0,1125

Wijaya : Uji Asumsi Klasik Regresi Linear - 31

Variabel Y berdistribusi normal karena (D = 0,1229) < (D0,05(12) = 0,375). (d) Uji Normalitas untuk Variabel Galat (e)
Resp 2 6 9 3 11 1 5 7 10 8 4 12 Rata STD ei -4,541 -4,434 -1,772 -0,541 -0,525 0,013 0,212 0,750 1,582 2,535 2,798 3,922 0,00 2,64 Zi -1,719 -1,679 -0,671 -0,205 -0,199 0,005 0,080 0,284 0,599 0,960 1,059 1,485 P(Z) 0,0428 0,0466 0,2511 0,4189 0,4212 0,5019 0,5321 0,6118 0,7254 0,8314 0,8553 0,9312 P(ei) 0,0833 0,1667 0,2500 0,3333 0,4167 0,5000 0,5833 0,6667 0,7500 0,8333 0,9167 1,0000 Maks P(Z)-P(ei) 0,0406 0,1201 0,0011 0,0856 0,0046 0,0019 0,0513 0,0549 0,0246 0,0019 0,0614 0,0688 0,1201 Pei - PZ 0,0428 0,0367 0,0845 0,1689 0,0879 0,0853 0,0321 0,0285 0,0588 0,0814 0,0219 0,0145 0,1689

Variabel Galat berdistribusi normal karena (D = 0,1689) < (D0,05(12) = 0,375). Hasil Analisis Uji Kolmogorov-Smirnov menggunakan SPSS 13.0 :
One-Sample Kolmogorov-Smirnov Test N a,b Normal Parameters Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Test distribution is Normal. b. Calculated from data. Motivasi 12 11,67 1,969 ,167 ,135 -,167 ,580 ,889 Fasilitas 12 10,08 1,782 ,185 ,185 -,148 ,642 ,804 Produktivitas Nilai Prediksi 12 12 84,42 84,41667 7,971 7,520840 ,123 ,116 ,123 ,116 -,113 -,103 ,426 ,402 ,993 ,997

Mean Std. Deviation Absolute Positive Negative

Wijaya : Uji Asumsi Klasik Regresi Linear - 32

Tests of Normality Kolmogorov-Smirnov Statistic df Sig. ,167 12 ,200* ,185 12 ,200* ,123 12 ,200* ,116 12 ,200*
a

Motivasi Fasilitas Produktivitas Nilai Prediksi

Statistic ,914 ,942 ,950 ,975

Shapiro-Wilk df 12 12 12 12

Sig. ,240 ,521 ,638 ,954

*. This is a lower bound of the true significance. a. Lilliefors Significance Correction

5.

Uji Autokorelasi : Menggunakan Uji Durbin-Watson

Data :
Resp 1 2 3 4 5 6 7 8 9 10 11 12 Jml JK Q15 12 10 10 13 11 14 13 14 11 14 10 8 140 1676 Q610 10 9 9 10 11 11 13 13 10 10 8 7 121 121 Y 85 74 78 90 85 87 94 98 81 91 76 74 1013 86213

84,987 78,541 78,541 87,202 84,788 91,434 93,250 95,465 82,772 89,418 76,525 70,078 1013,000

ei 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 3,922 0,000 76,723

ei-1 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 -3,922

(ei-ei-1)2 20,735 16,000 11,144 6,683 21,585 26,871 3,185 18,547 11,249 4,440 19,771 160,210

Nilai Durbin-Watson D = (160,210) : (76,723) = 2,088

Keterangan : Jml = Jumlah ; JK = Jumlah Kuadrat

Nilai Statistik Durbin-Watson D : D = [ (ei ei-1)2 ] / [ ei2 ] = (160,210) / (76,723) = 2,088

Wijaya : Uji Asumsi Klasik Regresi Linear - 33

Untuk n = 12, banyaknya variabel bebas = k = 2 dan a = 0,05 diperoleh dL = 0,812 dan dU = 1,579 Kriteria Penolakan H0 :
Tolak Ho dL 0,812 dU 1,579 Terima Ho 4-dU 2,421 4-dL 3,188 Tolak Ho

Nilai D = 2,088 terletak pada daerah penerimaan H0, sehingga asumsi tidak ada autokorelsi dapat diterima. Prosedur menggunakan SPSS : Analyze Regression Linear, masukkan Variabel Dependen Y (Produktivitas) ke kotak Dependent dan Variabel Independen (X1 = Motivasi dan X2 = Fasilitas) ke kotak Independent(s) klik Statistics Pada kotak Residuals, beri tanda centang pada pilihan Durbin Watson Continue OK. Hasil Analisis SPSS :
Model Summaryb Model 1 R ,944a R Square ,890 Adjusted R Square ,866 Std. Error of the Estimate 2,920 DurbinWatson 2,088

a. Predictors: (Constant), Faktor2, Faktor1 b. Dependent Variable: Nilai

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

Wijaya : Uji Asumsi Klasik Regresi Linear - 34

Nilai Harapan (E) : Banyaknya +ei-1 Banyaknya ei-1 Jumlah (2 3,27)2 + 3,27 X2 = 2,396 X20,05(1) = 3,841 Kesimpulan : Karena (X2 = 2,396) < (X20,05(1) = 3,841) maka H0 diterima (asumsi tidak ada autokorelasi dapat diterima). Prosedur menggunakan SPSS : Analyze Descriptive Statistics Crosstab. Hasil Analisis : Crosstabs
Nilai Ei-1 * Nilai Ei Crosstabulation Count Nilai Ei +Ei Nilai Ei-1 Total +Ei-1 -Ei-1 2 4 6 -Ei 4 1 5 Total 6 5 11

Banyaknya +ei 3,27 2,73 6 (4 2,73)2 + 2,73

Banyaknya ei 2,73 2,27 5 (4 2,73)2 + 2,73 2,27 (1 2,27)2

Jumlah 6 5 11

X2 =

Wijaya : Uji Asumsi Klasik Regresi Linear - 35

Chi-Square Tests Value 2,396b ,883 2,516 df 1 1 1 Asymp. Sig. (2-sided) ,122 ,347 ,113 Exact Sig. (2-sided) Exact Sig. (1-sided)

Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases

,242 2,178 11 1 ,140

,175

a. Computed only for a 2x2 table b. 4 cells (100,0%) have expected count less than 5. The minimum expected count is 2,27.

Kesimpulan :

Karena nilai (X2 = 2,396) dengan probabilitas 0,122 > 0,05

maka H0 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 (X1 = Motivasi dan X2 = 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 Motivasi Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Motivasi 1 Fasilitas ,786** ,002 12 12 ,786** 1 ,002 12 12

Fasilitas

**. Correlation is significant at the 0.01 level (2 il d)

Wijaya : Uji Asumsi Klasik Regresi Linear - 36

7.

Linearitas : artinya bentuk hubungan antara variabel bebas X dan variabel terikat Y adalah Linear. a. uji Linearitas antara X1 (Motivasi) dengan Y (Produktivitas) :
Resp 12 2 3 11 5 9 1 4 7 6 8 10 Jumlah JK Rata-rata X1 8 10 10 10 11 11 12 13 13 14 14 14 140 1676 11,667 Y 74 74 78 76 85 81 85 90 94 87 98 91 1013 86213 84,417 X1.Y 592 740 780 760 935 891 1020 1170 1222 1218 1372 1274 11974 Y2 5476 17336 13786 7225 16936 KJ 5476 17328 13778 7225 16928 Selisih 0 8 8 0 8

25454 86213

25392 86127 k=

62 86 6

KJ = Kuadrat Jumlah
Contoh perhitungan : Untuk X1 = 10

JK = Jumlah Kuadrat

Y2 = 742 + 782 + 762 = 17336 KJ = (74 + 78 + 76)2 = 17328 . . . . . . . . dst.

b1 =

n X1Y (X1) ( Y) n X1 (X1)

2 2

12 (11974) (140)(1013) = 12 (1676) (140)

2

= 3,648

b0 = 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) = Y2 (Y)2/n JKT = 86213 85514,083 = 698,917

Wijaya : Uji Asumsi Klasik Regresi Linear - 37

3. Jumlah Kuadrat Regresi (JKR) = bi XiY JKR JKR JKG = b1 [ X1Y (X1)(Y)/n] = 3,648 [11974 (140)(1013)/12] = 567,940 = 698,917 567,940 = 130,977

4. Jumlah Kuadrat Galat (JKG) = JKT JKR JKG-Murni = Y2 (Yi2/ni) = 86213 86127 = 86 JKG-SDM = JKG7 JKGM = 130,977 86 = 44,977 Daftar Sidik Ragam db Regresi Galat Murni SDM Total 1 10 6 4 11 JK 567,940 130,977 86,000 44,977 698,917 KT 567,940 13,098 14,333 11,244 0,784 4,534 F 39,624 F0,05 4,965

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) < (F0,05 = 4,534) maka asumsi Linearitas dapat diterima (hubungan antara X1 dengan Y bersifat Linear)

Wijaya : Uji Asumsi Klasik Regresi Linear - 38

b.

uji Linearitas antara X2 (Fasilitas) dengan Y (Produktivitas) :

Resp 12 11 2 3 1 4 9 10 5 6 7 8 Jumlah JK Rataan X2 7 8 9 9 10 10 10 10 11 11 13 13 121 1255 10,083 Y 74 76 74 78 85 90 81 91 85 87 94 98 1013 86213 84,417 X2.Y 518 608 666 702 850 900 810 910 935 957 1222 1274 10352 18440 86213 18432,00 86130,25 k= 8,00 82,75 6 14794 14792,00 2,00 30167 30102,25 64,75 11560 11552,00 8,00 Y2 5476 5776 KJ 5476,00 5776,00 Selisih 0,00 0,00

b1 =

n X2Y (X2) ( Y) n

12 (10352) (121)(1013) = 12 (1255) (121)

2

X22

(X2)

= 3,940

b0 = 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) = Y2 (Y)2/n JKT JKR JKR = 86213 85514,083 = 698,917 = b2 [ X2Y (X2)(Y)/n] = 3,940 [10352 (121)(1013)/12] = 542,12 3. Jumlah Kuadrat Regresi (JKR) = bi XiY

Wijaya : Uji Asumsi Klasik Regresi Linear - 39

4. Jumlah Kuadrat Galat (JKG) = JKT JKR JKG = 698,917 542,12 = 156,79 JKG-Murni = Y2 (Yi2/ni) = 86213 86130,25 = 82,75 JKG-SDM = JKG7 JKGM = 156,79 82,75 = 74,04 Daftar Sidik Ragam Regresi Galat Murni SDM Total db 1 10 6 4 11 JK 542,12 156,79 82,75 74,04 698,92 KT 542,12 15,68 13,79 18,51 F 34,576 F0,05 4,965

1,342

4,534

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) < (F0,05 = 4,534) maka asumsi Linearitas dapat diterima (hubungan antara X2 dengan Y bersifat Linear) Prosedur pengujian menggunakan SPSS : Analyze Compre Means Means, masukkan Variabel Dependen X2 (Fasilitas) Beri tanda centang pada pilihan Test for ke kotak Dependent List dan Variabel Independen Y (Produktivitas) ke kotak Independent List linearity Continue klik Options OK.

Wijaya : Uji Asumsi Klasik Regresi Linear - 40

Hasil Analisis SPSS : Means : Uji Linearitas Produktivitas * Motivasi

Report Produktivitas Motivasi 8 10 11 12 13 14 Total Mean 74,00 76,00 83,00 85,00 92,00 92,00 84,42 N 1 3 2 1 2 3 12 Std. Deviation . 2,000 2,828 . 2,828 5,568 7,971

ANOVA Table Sum of Squares 612,917 567,940 44,977 86,000 698,917 df 5 1 4 6 11 Mean Square 122,583 567,940 11,244 14,333 F 8,552 39,624 ,784 Sig. ,011 ,001 ,575

Produktivitas * Motivasi

Between Groups

(Combined) Linearity Deviation from Linearity

Within Groups Total

Measures of Association Produktivitas * Motivasi R ,901 R Squared ,813 Eta ,936 Eta Squared ,877

Wijaya : Uji Asumsi Klasik Regresi Linear - 41

Produktivitas * Fasilitas
Report Produktivitas Fasilitas 7 8 9 10 11 13 Total Mean 74,00 76,00 76,00 86,75 86,00 96,00 84,42 N 1 1 2 4 2 2 12 Std. Deviation . . 2,828 4,646 1,414 2,828 7,971

ANOVA Table Sum of Squares 616,167 542,124 74,042 82,750 698,917 df 5 1 4 6 11 Mean Square 123,233 542,124 18,511 13,792 F 8,935 39,308 1,342 Sig. ,009 ,001 ,355

Produktivitas * Fasilitas

Between Groups

(Combined) Linearity Deviation from Linearity

Within Groups Total

Measures of Association Produktivitas * Fasilitas R ,881 R Squared ,776 Eta ,939 Eta Squared ,882

Wijaya : Uji Asumsi Klasik Regresi Linear - 42