Data 1

A. Pengujian Asumsi Klasik

Pada tahap ini tidak dilakukan operasionalisasi software SPSS,

melainkan hanya cara membaca uji asumsi klasik dari output SPSS,
sebagaimana yang tertampil pada file OUTPUT.
a) Multikolinieritas
Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficients dua kolom
terakhir.
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Coefficients

Std. Error
69.760

68.829

X1

.243

.197

X2

.061

X3

-7.755

Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

1.014

.320

.228

1.234

.228

.976

1.024

.047

.243

1.298

.206

.945

1.059

6.359

-.228

-1.220

.234

.950

1.052

a. Dependent Variable: Y

Nilai VIF untuk variabel X1 dan X2 sama-sama X3 =1.024,

sedangkan Tolerance-nya 0,978. Karena nilai VIF dari kedua variabel
tidak ada yang lebih besar dari 10 atau 5 (banyak buku yang
menyaratkan tidak lebih dari 10, tapi ada juga yang menyaratkan tidak
lebih dari 5) maka dapat dikatakan tidak terjadi multikolinieritas pada
kedua variabel bebas tersebut.
Berdasarkan syarat asumsi klasik regresi linier dengan OLS, maka
model regresi linier yang baik adalah yang terbebas dari adanya
multikolinieritas. Dengan demikian, model di atas telah terbebas dari
adanya multikolinieritas.

------Autokorelasi----Data yang digunakan untuk mengestimasi model regresi linier

merupakan data time seriesmaka diperlukan adanya uji asumsi terbebas
dari autokorelasi. Hasil uji autokorelasi, dapat dilihat pada tabel Model
Summarybkolom terakhir.
Model Summaryb

Model
1

R
.369

R Square
a

Adjusted R

Std. Error of the

Square

Estimate

.136

.037

23.0403014

Durbin-Watson
2.295

a. Predictors: (Constant), X3, X1, X2

b. Dependent Variable: Y

Nilai Durbin-Watson yang tertera pada output SPSS disebut dengan

DW hitung.Angka ini akan dibandingkan dengan kriteria penerimaan
atau penolakan yang akan dibuat dengan nilai D l dan du ditentukan
berdasarkan jumlah variabel bebas dalammodel regresi (k) dan jumlah
sampelnya (n). Nilai d L dan dU dapat dilihat pada Tabel DW dengan
tingkat signifikansi (error) 5% (= 0,05).

-----Heteroskedastisitas--Pengujian
heteroskedastisitas
dilakukan
dengan
membuat
Scatterplot (alur sebaran) antara residual dan nilai prediksi dari
variabel terikat yang telah distandarisasi. Hasil uji
heteroskedastisitas dapat dilihat pada gambar Scatterplot, seperti pada
gambar di bawah ini:

Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur
tertentu, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan kata
lain terjadi homoskedastisitas. Asumsi klasik tentang heteroskedastisitas dalam model
ini terpenuhi, yaitu terbebas dari heteroskedastisitas.
Uji ini (scatterplot) rentan kesalahan dalam penarikan kesimpulannya. Hal ini
dikarenakan penentuan ada tidaknya pola/alur atas titik-titik yang ada di gambar sangat
bersifat subjektif. Bisa saja sebagian orang mengatakan tidak ada pola,tapi sebagian lainnya
mengatakan ini ada polanya. Tidak ada ukuran yang pasti kapan suatu scatterplot
membentuk pola atau tidak. Keputusan hanya mengandalkan pengamatan/penglihatan
peneliti.
---Normalitas---Hasil uji normalitas dapat dilihat dari gambar Normal P-P Plot di bawah ini.
Perlu diingatkan bahwa asumsi normalitas yang dimaksud dalam asumsi klasik pendekatan
OLS adalah (data) residual yang dibentuk model regresi linier terdistribusi normal, bukan
variabel bebas ataupun variabel terikatnya. Kriteria sebuah (data) residual terdistribusi
normal atau tidak dengan pendekatan Normal P-P Plotdapat dilakukan dengan melihat
sebaran titiktitik yang ada pada gambar. Apabila sebaran titik-titik tersebut mendekati atau
rapat pada
garis lurus (diagonal) maka dikatakan bahwa (data) residual terdistribusi normal,
namun

Sebaran titik-titik dari gambar Normal P-P Plot di atas relatif mendekati garis lurus,
sehingga dapat disimpulkan bahwa (data) residual terdistribusi normal. Hasil ini sejalan
dengan asumsi klasik dari regresi linier dengan pendekatan OLS.
Kelemahan dari uji normalitas dengan Normal P-P Plotterletak pada kriteria dekat/jauhnya
sebaran titik-titik. Tidak ada batasan yang jelas mengenai dekat atau jauhnya sebaran titiktitik
tersebut sehingga sangat dimungkinkan terjadi kesalahan penarikan kesimpulan. Misalnya
teramati bahwa sebaran titik-titik terlihat relatif dekat (artinya terdistribusi normal), tapi
ternyata tidak cukup dikatakan dekat

(tidak terdistribusi normal). Kondisi ini akhirnya

bergantung kepada subjektifitas pengamat (orang yang melihat).

B. Uji Kelayakan Model

-----Uji Keterandalan Model (Uji F) ------Uji keterandalan model atau uji kelayakan model atau yang lebih populer disebut sebagai uji
F (ada juga yang menyebutnya sebagai uji simultan model) merupakan tahapan awal
mengidentifikasi model regresi yang diestimasi layak atau tidak. Layak (andal) disini
maksudnya adalah model yang diestimasi layak digunakan untuk menjelaskan pengaruh
variabel-variabel bebas terhadap variabel terikat. Nama uji ini disebut sebagai uji F, karena
mengikuti mengikuti distribusi F yang kriteria pengujiannya seperti One Way Anova.
Pengunaan software SPSS memudahkan penarikan kesimpulan dalam uji ini. Apabila
nilai prob. F hitung (ouput SPSS ditunjukkan pada kolom sig.) lebih kecil dari tingkat
kesalahan/error (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa
model regresi yang diestimasi layak, sedangkan apabila nilai prob. F hitung lebih besar
dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa model regresi yang diestimasi
tidak layak. Hasil uji F dapat dilihat pada tabel ANOVAa di bawah ini.
ANOVAa
Model
1

Sum of Squares
Regression

df

Mean Square

2180.592

726.864

Residual

13802.243

26

530.855

Total

15982.835

29

a. Dependent Variable: Y
b. Predictors: (Constant), X3, X1, X2

F
1.369

Sig.
.274b

Nilai prob. F hitung terlihat pada kolom terakhir (sig.) Nilai prob. F hitung (sig.) pada
tabel di atas nilainya 0..274 lebih kecil dari tingkat signifikansi 0,05 sehingga dapat
disimpulkan

bahwa

model

regresi

linier

yang diestimasi layak digunakan untuk

menjelaskan pengaruh X1, X2 dan X3 terhadap variabel terikat Y

------Uji Koefisien Regresi (Uji t) ----Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter
(koefisien regresi dan konstanta) yang diduga untukmengestimasi persamaan/model regresi
linier berganda sudah merupakan parameter yang tepat atau belum. Maksud tepat
disini adalah parameter tersebut mampu menjelaskan perilaku variabel bebas dalam
mempengaruhi variabel terikatnya. Parameter yang diestimasi dalam regresi linier meliputi
intersep (konstanta) dan slope (koefisien dalam persamaan linier). Pada bagian ini, uji
t difokuskan pada parameter slope (koefisien regresi)saja. Jadi uji t yang dimaksud adalah uji
koefisien regresi. Hasil pengujian dapat dilihat pada tabel Coefficients a seperti pada gambar
di bawah ini:
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error
69.760

68.829

X1

.243

.197

X2

.061

X3

-7.755

Coefficients

Collinearity Statistics

Beta

Sig.

Tolerance

1.014

.320

.228

1.234

.228

.976

1.024

.047

.243

1.298

.206

.945

1.059

6.359

-.228

-1.220

.234

.950

1.052

a. Dependent Variable: Y

Seperti uji F yang dimudahkan dengan aplikasi SPSS,maka uji t juga dapat dengan mudah
ditarik kesimpulannya. Apabila nilai prob. t hitung (ouput SPSS ditunjukkan pada kolom
sig.) lebih kecil dari tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka
dapatdikatakan bahwa variabel bebas (dari t hitung tersebut) berpengaruh signifikan
terhadap variabel terikatnya, sedangkan apabila nilai prob. t hitung lebih besar dari tingkat
kesalahan 0,05

maka

dapat

VIF

dikatakan

bahwa

variabel

bebas

tidak

berpengaruh

signifikan terhadap variabel terikatnya. Nilai prob. t hitung dari variabel bebas X1
sebesar 0,228 yang lebih kecil dari 0,05 sehingga variabel bebas X1 berpengaruh
signifikan terhadap variabel terikat Y pada alpha 5% atau dengan kata lain, X1
berpengaruh signifikan terhadap Y pada taraf keyakinan 95%. Sama halnya dengan
pengaruh variabel bebas X2, DAN X3 terhadap variabel terikat Y, karena nilai prob. t
hitung (0,206), (0.234) yang lebih kecil dari 0,05 sehingga dapat dikatakan bahwa
variabel bebas X1,X2 berpengaruh signifikan terhadap variabel terikat Y pada alpha 5% atau
dengan kata lain, Nilai X2,X3 berpengaruh signifikan terhadap Y pada taraf keyakinan 95%.
Data 2
A. Pengujian Asumsi Klasik

Pada tahap ini tidak dilakukan operasionalisasi software SPSS,

melainkan hanya cara membaca uji asumsi klasik dari output SPSS,
sebagaimana yang tertampil pada file OUTPUT.
a) Multikolinieritas
Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficients dua kolom
terakhir.
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error
69.760

68.829

X1

.243

.197

X2

.061

X3

-7.755

Coefficients
Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

1.014

.320

.228

1.234

.228

.976

1.024

.047

.243

1.298

.206

.945

1.059

6.359

-.228

-1.220

.234

.950

1.052

a. Dependent Variable: Y

Nilai VIF untuk variabel X1 dan X2 sama-sama X3 =1.024,

sedangkan Tolerance-nya 0,978. Karena nilai VIF dari kedua variabel
tidak ada yang lebih besar dari 10 atau 5 (banyak buku yang
menyaratkan tidak lebih dari 10, tapi ada juga yang menyaratkan tidak
lebih dari 5) maka dapat dikatakan tidak terjadi multikolinieritas pada
kedua variabel bebas tersebut.
Berdasarkan syarat asumsi klasik regresi linier dengan OLS, maka
model regresi linier yang baik adalah yang terbebas dari adanya
multikolinieritas. Dengan demikian, model di atas telah terbebas dari
adanya multikolinieritas.

------Autokorelasi----Data yang digunakan untuk mengestimasi model regresi linier

merupakan data time seriesmaka diperlukan adanya uji asumsi terbebas
dari autokorelasi. Hasil uji autokorelasi, dapat dilihat pada tabel Model
Summarybkolom terakhir.
Model Summaryb

Model
1

R Square

.369a

Adjusted R

Std. Error of the

Square

Estimate

.136

.037

23.0403014

Durbin-Watson
2.295

a. Predictors: (Constant), X3, X1, X2

b. Dependent Variable: Y

Nilai Durbin-Watson yang tertera pada output SPSS disebut dengan

DW hitung.Angka ini akan dibandingkan dengan kriteria penerimaan
atau penolakan yang akan dibuat dengan nilai D l dan du ditentukan
berdasarkan jumlah variabel bebas dalammodel regresi (k) dan jumlah
sampelnya (n). Nilai d L dan dU dapat dilihat pada Tabel DW dengan
tingkat signifikansi (error) 5% (= 0,05).

-----Heteroskedastisitas--Pengujian
heteroskedastisitas
dilakukan
dengan
membuat
Scatterplot (alur sebaran) antara residual dan nilai prediksi dari
variabel terikat yang telah distandarisasi. Hasil uji
heteroskedastisitas dapat dilihat pada gambar Scatterplot, seperti pada
gambar di bawah ini:

Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur
tertentu, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan kata
lain terjadi homoskedastisitas. Asumsi klasik tentang heteroskedastisitas dalam model
ini terpenuhi, yaitu terbebas dari heteroskedastisitas.
Uji ini (scatterplot) rentan kesalahan dalam penarikan kesimpulannya. Hal ini
dikarenakan penentuan ada tidaknya pola/alur atas titik-titik yang ada di gambar sangat
bersifat subjektif. Bisa saja sebagian orang mengatakan tidak ada pola,tapi sebagian lainnya
mengatakan ini ada polanya. Tidak ada ukuran yang pasti kapan suatu scatterplot
membentuk pola atau tidak. Keputusan hanya mengandalkan pengamatan/penglihatan
peneliti.
---Normalitas---Hasil uji normalitas dapat dilihat dari gambar Normal P-P Plot di bawah ini.
Perlu diingatkan bahwa asumsi normalitas yang dimaksud dalam asumsi klasik pendekatan
OLS adalah (data) residual yang dibentuk model regresi linier terdistribusi normal, bukan
variabel bebas ataupun variabel terikatnya. Kriteria sebuah (data) residual terdistribusi
normal atau tidak dengan pendekatan Normal P-P Plotdapat dilakukan dengan melihat
sebaran titiktitik yang ada pada gambar. Apabila sebaran titik-titik tersebut mendekati atau
rapat pada
garis lurus (diagonal) maka dikatakan bahwa (data) residual terdistribusi normal,
namun

Sebaran titik-titik dari gambar Normal P-P Plot di atas relatif mendekati garis lurus,
sehingga dapat disimpulkan bahwa (data) residual terdistribusi normal. Hasil ini sejalan
dengan asumsi klasik dari regresi linier dengan pendekatan OLS.
Kelemahan dari uji normalitas dengan Normal P-P Plotterletak pada kriteria dekat/jauhnya
sebaran titik-titik. Tidak ada batasan yang jelas mengenai dekat atau jauhnya sebaran titiktitik
tersebut sehingga sangat dimungkinkan terjadi kesalahan penarikan kesimpulan. Misalnya
teramati bahwa sebaran titik-titik terlihat relatif dekat (artinya terdistribusi normal), tapi
ternyata tidak cukup dikatakan dekat

(tidak terdistribusi normal). Kondisi ini akhirnya

bergantung kepada subjektifitas pengamat (orang yang melihat).

B. Uji Kelayakan Model

-----Uji Keterandalan Model (Uji F) ------Uji keterandalan model atau uji kelayakan model atau yang lebih populer disebut sebagai uji
F (ada juga yang menyebutnya sebagai uji simultan model) merupakan tahapan awal

mengidentifikasi model regresi yang diestimasi layak atau tidak. Layak (andal) disini
maksudnya adalah model yang diestimasi layak digunakan untuk menjelaskan pengaruh
variabel-variabel bebas terhadap variabel terikat. Nama uji ini disebut sebagai uji F, karena
mengikuti mengikuti distribusi F yang kriteria pengujiannya seperti One Way Anova.
Pengunaan software SPSS memudahkan penarikan kesimpulan dalam uji ini. Apabila
nilai prob. F hitung (ouput SPSS ditunjukkan pada kolom sig.) lebih kecil dari tingkat
kesalahan/error (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa
model regresi yang diestimasi layak, sedangkan apabila nilai prob. F hitung lebih besar
dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa model regresi yang diestimasi
tidak layak. Hasil uji F dapat dilihat pada tabel ANOVAa di bawah ini.

ANOVAa
Model
1

Sum of Squares

df

Mean Square

Regression

6868.897

2289.632

Residual

9113.938

26

350.536

15982.835

29

Total

F
6.532

Sig.
.002b

a. Dependent Variable: Y
b. Predictors: (Constant), X3, X2, X1

Nilai prob. F hitung terlihat pada kolom terakhir (sig.) Nilai prob. F hitung (sig.) pada
tabel di atas nilainya 0.002 lebih kecil dari tingkat signifikansi 0,05 sehingga dapat
disimpulkan

bahwa

model

regresi

linier

yang diestimasi layak digunakan untuk

menjelaskan pengaruh X1, X2 dan X3 terhadap variabel terikat Y

------Uji Koefisien Regresi (Uji t) ----Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter
(koefisien regresi dan konstanta) yang diduga untukmengestimasi persamaan/model regresi
linier berganda sudah merupakan parameter yang tepat atau belum. Maksud tepat
disini adalah parameter tersebut mampu menjelaskan perilaku variabel bebas dalam
mempengaruhi variabel terikatnya. Parameter yang diestimasi dalam regresi linier meliputi

intersep (konstanta) dan slope (koefisien dalam persamaan linier). Pada bagian ini, uji
t difokuskan pada parameter slope (koefisien regresi)saja. Jadi uji t yang dimaksud adalah uji
koefisien regresi. Hasil pengujian dapat dilihat pada tabel Coefficients a seperti pada gambar
di bawah ini:
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Coefficients

Std. Error

136.499

57.249

X1

31.733

8.014

X2

.036

X3

-15.330

Collinearity Statistics

Beta

Sig.

Tolerance

2.384

.025

.630

3.960

.001

.866

1.154

.038

.145

.949

.351

.943

1.060

5.440

-.451

-2.818

.009

.858

1.166

a. Dependent Variable: Y

Seperti uji F yang dimudahkan dengan aplikasi SPSS,maka uji t juga dapat dengan mudah
ditarik kesimpulannya. Apabila nilai prob. t hitung (ouput SPSS ditunjukkan pada kolom
sig.) lebih kecil dari tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka
dapatdikatakan bahwa variabel bebas (dari t hitung tersebut) berpengaruh signifikan
terhadap variabel terikatnya, sedangkan apabila nilai prob. t hitung lebih besar dari tingkat
kesalahan 0,05

maka

dapat

VIF

dikatakan

bahwa

variabel

bebas

tidak

berpengaruh

signifikan terhadap variabel terikatnya. Nilai prob. t hitung dari variabel bebas X1
sebesar 0.001 yang lebih kecil dari 0,05 sehingga variabel bebas X1 berpengaruh
signifikan terhadap variabel terikat Y pada alpha 5% atau dengan kata lain, X1
berpengaruh signifikan terhadap Y pada taraf keyakinan 95%. Sama halnya dengan
pengaruh variabel bebas X2, DAN X3 terhadap variabel terikat Y, karena nilai prob. t
hitung (0.351), (0.009) yang lebih kecil dari 0,05 sehingga dapat dikatakan bahwa
variabel bebas X1,X2 berpengaruh signifikan terhadap variabel terikat Y pada alpha 5% atau
dengan kata lain, Nilai X2,X3 berpengaruh signifikan terhadap Y pada taraf keyakinan 95%.

Data 3

A. Pengujian Asumsi Klasik

Pada tahap ini tidak dilakukan operasionalisasi software SPSS,

melainkan hanya cara membaca uji asumsi klasik dari output SPSS,
sebagaimana yang tertampil pada file OUTPUT.
a) Multikolinieritas
Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficients dua kolom
terakhir.
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error

136.499

57.249

X1

31.733

8.014

X2

.036

X3

-15.330

Coefficients
Beta

Collinearity Statistics
t

Sig.

Tolerance

2.384

.025

.630

3.960

.001

.866

1.154

.038

.145

.949

.351

.943

1.060

5.440

-.451

-2.818

.009

.858

1.166

a. Dependent Variable: Y

Nilai VIF untuk variabel X1 ,X2 dan X3 yaitu 1.154, 1.060, 1.166
sedangkan Tolerance-nya 0.866, 0.943 dan 0.858. Karena nilai VIF dari
kedua variabel tidak ada yang lebih besar dari 10 atau 5 (banyak
buku yang menyaratkan tidak lebih dari 10,
tapi ada juga yang
menyaratkan tidak lebih dari 5) maka dapat dikatakan tidak terjadi
multikolinieritas pada kedua variabel bebas tersebut.
Berdasarkan syarat asumsi klasik regresi linier dengan OLS, maka
model regresi linier yang baik adalah yang terbebas dari adanya
multikolinieritas. Dengan demikian, model di atas telah terbebas dari
adanya multikolinieritas.

------Autokorelasi-----

VIF

Data yang digunakan untuk mengestimasi model regresi linier

merupakan data time seriesmaka diperlukan adanya uji asumsi terbebas
dari autokorelasi. Hasil uji autokorelasi, dapat dilihat pada tabel Model
Summarybkolom terakhir.
Model Summaryb

Model
1

R Square

.656a

Adjusted R

Std. Error of the

Square

Estimate

.430

.364

18.7226083

Durbin-Watson
2.354

a. Predictors: (Constant), X3, X2, X1

b. Dependent Variable: Y

Nilai Durbin-Watson yang tertera pada output SPSS disebut dengan

DW hitung.Angka ini akan dibandingkan dengan kriteria penerimaan
atau penolakan yang akan dibuat dengan nilai D l dan du ditentukan
berdasarkan jumlah variabel bebas dalammodel regresi (k) dan jumlah
sampelnya (n). Nilai d L dan dU dapat dilihat pada Tabel DW dengan
tingkat signifikansi (error) 5% (= 0,05). Tidak ada outokorelasi.

-----Heteroskedastisitas--Pengujian
heteroskedastisitas
dilakukan
dengan
membuat
Scatterplot (alur sebaran) antara residual dan nilai prediksi dari
variabel terikat yang telah distandarisasi. Hasil uji
heteroskedastisitas dapat dilihat pada gambar Scatterplot, seperti pada
gambar di bawah ini:

Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur
tertentu, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan kata
lain terjadi homoskedastisitas. Asumsi klasik tentang heteroskedastisitas dalam model
ini terpenuhi, yaitu terbebas dari heteroskedastisitas.
Uji ini (scatterplot) rentan kesalahan dalam penarikan kesimpulannya. Hal ini
dikarenakan penentuan ada tidaknya pola/alur atas titik-titik yang ada di gambar sangat
bersifat subjektif. Bisa saja sebagian orang mengatakan tidak ada pola,tapi sebagian lainnya
mengatakan ini ada polanya. Tidak ada ukuran yang pasti kapan suatu scatterplot
membentuk pola atau tidak. Keputusan hanya mengandalkan pengamatan/penglihatan
peneliti.
---Normalitas---Hasil uji normalitas dapat dilihat dari gambar Normal P-P Plot di bawah ini.
Perlu diingatkan bahwa asumsi normalitas yang dimaksud dalam asumsi klasik pendekatan
OLS adalah (data) residual yang dibentuk model regresi linier terdistribusi normal, bukan
variabel bebas ataupun variabel terikatnya. Kriteria sebuah (data) residual terdistribusi
normal atau tidak dengan pendekatan Normal P-P Plotdapat dilakukan dengan melihat
sebaran titiktitik yang ada pada gambar. Apabila sebaran titik-titik tersebut mendekati atau
rapat pada
garis lurus (diagonal) maka dikatakan bahwa (data) residual terdistribusi normal,
namun

Sebaran titik-titik dari gambar Normal P-P Plot di atas relatif mendekati garis lurus,
sehingga dapat disimpulkan bahwa (data) residual terdistribusi normal. Hasil ini sejalan
dengan asumsi klasik dari regresi linier dengan pendekatan OLS.
Kelemahan dari uji normalitas dengan Normal P-P Plotterletak pada kriteria dekat/jauhnya
sebaran titik-titik. Tidak ada batasan yang jelas mengenai dekat atau jauhnya sebaran titiktitik
tersebut sehingga sangat dimungkinkan terjadi kesalahan penarikan kesimpulan. Misalnya
teramati bahwa sebaran titik-titik terlihat relatif dekat (artinya terdistribusi normal), tapi
ternyata tidak cukup dikatakan dekat

(tidak terdistribusi normal). Kondisi ini akhirnya

bergantung kepada subjektifitas pengamat (orang yang melihat).

B. Uji Kelayakan Model

-----Uji Keterandalan Model (Uji F) ------Uji keterandalan model atau uji kelayakan model atau yang lebih populer disebut sebagai uji
F (ada juga yang menyebutnya sebagai uji simultan model) merupakan tahapan awal
mengidentifikasi model regresi yang diestimasi layak atau tidak. Layak (andal) disini
maksudnya adalah model yang diestimasi layak digunakan untuk menjelaskan pengaruh
variabel-variabel bebas terhadap variabel terikat. Nama uji ini disebut sebagai uji F, karena
mengikuti mengikuti distribusi F yang kriteria pengujiannya seperti One Way Anova.
Pengunaan software SPSS memudahkan penarikan kesimpulan dalam uji ini. Apabila
nilai prob. F hitung (ouput SPSS ditunjukkan pada kolom sig.) lebih kecil dari tingkat
kesalahan/error (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa
model regresi yang diestimasi layak, sedangkan apabila nilai prob. F hitung lebih besar
dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa model regresi yang diestimasi
tidak layak. Hasil uji F dapat dilihat pada tabel ANOVAa di bawah ini.

ANOVAa
Model
1

Sum of Squares

df

Mean Square

Regression

162.279

54.093

Residual

980.164

26

37.699

1142.443

29

Total

F
1.435

Sig.
.255b

a. Dependent Variable: Y
b. Predictors: (Constant), X3, X1, X2

Nilai prob. F hitung terlihat pada kolom terakhir (sig.) Nilai prob. F hitung (sig.) pada
tabel di atas nilainya 0..225 lebih kecil dari tingkat signifikansi 0,05 sehingga dapat
disimpulkan

bahwa

model

regresi

linier

yang diestimasi layak digunakan untuk

menjelaskan pengaruh X1, X2 dan X3 terhadap variabel terikat Y

------Uji Koefisien Regresi (Uji t) ----Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter
(koefisien regresi dan konstanta) yang diduga untukmengestimasi persamaan/model regresi
linier berganda sudah merupakan parameter yang tepat atau belum. Maksud tepat
disini adalah parameter tersebut mampu menjelaskan perilaku variabel bebas dalam

mempengaruhi variabel terikatnya. Parameter yang diestimasi dalam regresi linier meliputi
intersep (konstanta) dan slope (koefisien dalam persamaan linier). Pada bagian ini, uji
t difokuskan pada parameter slope (koefisien regresi)saja. Jadi uji t yang dimaksud adalah uji
koefisien regresi. Hasil pengujian dapat dilihat pada tabel Coefficients a seperti pada gambar
di bawah ini:

Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error
17.827

18.342

X1

.033

.053

X2

.023

X3

-1.807

Coefficients

Collinearity Statistics

Beta

Sig.

Tolerance

.972

.340

.116

.629

.535

.976

1.024

.012

.352

1.885

.071

.945

1.059

1.695

-.199

-1.067

.296

.950

1.052

a. Dependent Variable: Y

Seperti uji F yang dimudahkan dengan aplikasi SPSS,maka uji t juga dapat dengan mudah
ditarik kesimpulannya. Apabila nilai prob. t hitung (ouput SPSS ditunjukkan pada kolom
sig.) lebih kecil dari tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka
dapatdikatakan bahwa variabel bebas (dari t hitung tersebut) berpengaruh signifikan
terhadap variabel terikatnya, sedangkan apabila nilai prob. t hitung lebih besar dari tingkat
kesalahan 0,05

maka

dapat

dikatakan

bahwa

variabel

bebas

tidak

berpengaruh

signifikan terhadap variabel terikatnya. Nilai prob. t hitung dari variabel bebas X1
sebesar 0,535 yang lebih kecil dari 0,05 sehingga variabel bebas X1 berpengaruh
signifikan terhadap variabel terikat Y pada alpha 5% atau dengan kata lain, X1
berpengaruh signifikan terhadap Y pada taraf keyakinan 95%. Sama halnya dengan
pengaruh variabel bebas X2, DAN X3 terhadap variabel terikat Y, karena nilai prob. t
hitung (0,071), (0.296) yang lebih kecil dari 0,05 sehingga dapat dikatakan bahwa
variabel bebas X1,X2 berpengaruh signifikan terhadap variabel terikat Y pada alpha 5% atau
dengan kata lain, Nilai X2,X3 terhadap Rupiah berpengaruh signifikan terhadap Y pada taraf
keyakinan 95%.

VIF

Data 4

A. Pengujian Asumsi Klasik

Pada tahap ini tidak dilakukan operasionalisasi software SPSS,

melainkan hanya cara membaca uji asumsi klasik dari output SPSS,
sebagaimana yang tertampil pada file OUTPUT.
a) Multikolinieritas
Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficients dua kolom
terakhir.

Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

Std. Error

(Constant)

.694

3.381

X1

.032

.053

X2

.022

X3

-.228

Coefficients
Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

.205

.839

.105

.597

.555

.966

1.035

.012

.315

1.793

.083

.967

1.035

.306

-.131

-.744

.463

.967

1.034

a. Dependent Variable: Y

Nilai VIF untuk variabel X1 ,X2 dan X3 yaitu 1.035, 1.035 dan
1.034 sedangkan Tolerance-nya 0,966, 0.957 dan 0.967. Karena nilai
VIF dari kedua variabel tidak ada yang lebih besar dari 10 atau 5
(banyak buku yang menyaratkan tidak lebih dari 10, tapi ada juga yang
menyaratkan tidak lebih dari 5) maka dapat dikatakan tidak terjadi
multikolinieritas pada kedua variabel bebas tersebut.
Berdasarkan syarat asumsi klasik regresi linier dengan OLS, maka
model regresi linier yang baik adalah yang terbebas dari adanya
multikolinieritas. Dengan demikian, model di atas telah terbebas dari
adanya multikolinieritas.

------Autokorelasi----Data yang digunakan untuk mengestimasi model regresi linier

merupakan data time seriesmaka diperlukan adanya uji asumsi terbebas
dari autokorelasi. Hasil uji autokorelasi, dapat dilihat pada tabel Model
Summarybkolom terakhir.
Model Summaryb

Model
1

R Square

.325a

Adjusted R

Std. Error of the

Square

Estimate

.106

.017

6.2801222

Durbin-Watson
2.011

a. Predictors: (Constant), X3, X2, X1

b. Dependent Variable: Y

Nilai Durbin-Watson yang tertera pada output SPSS disebut dengan

DW hitung.Angka ini akan dibandingkan dengan kriteria penerimaan
atau penolakan yang akan dibuat dengan nilai D l dan du ditentukan
berdasarkan jumlah variabel bebas dalammodel regresi (k) dan jumlah
sampelnya (n). Nilai d L dan dU dapat dilihat pada Tabel DW dengan
tingkat signifikansi (error) 5% (= 0,05). Tidak ada outokorelasi.

-----Heteroskedastisitas--Pengujian
heteroskedastisitas
dilakukan
dengan
membuat
Scatterplot (alur sebaran) antara residual dan nilai prediksi dari
variabel terikat yang telah distandarisasi. Hasil uji
heteroskedastisitas dapat dilihat pada gambar Scatterplot, seperti pada
gambar di bawah ini:

Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur
tertentu, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan kata
lain terjadi homoskedastisitas. Asumsi klasik tentang heteroskedastisitas dalam model
ini terpenuhi, yaitu terbebas dari heteroskedastisitas.
Uji ini (scatterplot) rentan kesalahan dalam penarikan kesimpulannya. Hal ini
dikarenakan penentuan ada tidaknya pola/alur atas titik-titik yang ada di gambar sangat
bersifat subjektif. Bisa saja sebagian orang mengatakan tidak ada pola,tapi sebagian lainnya
mengatakan ini ada polanya. Tidak ada ukuran yang pasti kapan suatu scatterplot
membentuk pola atau tidak. Keputusan hanya mengandalkan pengamatan/penglihatan
peneliti.
---Normalitas---Hasil uji normalitas dapat dilihat dari gambar Normal P-P Plot di bawah ini.
Perlu diingatkan bahwa asumsi normalitas yang dimaksud dalam asumsi klasik pendekatan
OLS adalah (data) residual yang dibentuk model regresi linier terdistribusi normal, bukan
variabel bebas ataupun variabel terikatnya. Kriteria sebuah (data) residual terdistribusi
normal atau tidak dengan pendekatan Normal P-P Plotdapat dilakukan dengan melihat
sebaran titiktitik yang ada pada gambar. Apabila sebaran titik-titik tersebut mendekati atau
rapat pada
garis lurus (diagonal) maka dikatakan bahwa (data) residual terdistribusi normal,
namun

Sebaran titik-titik dari gambar Normal P-P Plot di atas relatif mendekati garis lurus,
sehingga dapat disimpulkan bahwa (data) residual terdistribusi normal. Hasil ini sejalan
dengan asumsi klasik dari regresi linier dengan pendekatan OLS.
Kelemahan dari uji normalitas dengan Normal P-P Plotterletak pada kriteria dekat/jauhnya
sebaran titik-titik. Tidak ada batasan yang jelas mengenai dekat atau jauhnya sebaran titiktitik
tersebut sehingga sangat dimungkinkan terjadi kesalahan penarikan kesimpulan. Misalnya
teramati bahwa sebaran titik-titik terlihat relatif dekat (artinya terdistribusi normal), tapi
ternyata tidak cukup dikatakan dekat

(tidak terdistribusi normal). Kondisi ini akhirnya

bergantung kepada subjektifitas pengamat (orang yang melihat).

B. Uji Kelayakan Model

-----Uji Keterandalan Model (Uji F) ------Uji keterandalan model atau uji kelayakan model atau yang lebih populer disebut sebagai uji
F (ada juga yang menyebutnya sebagai uji simultan model) merupakan tahapan awal
mengidentifikasi model regresi yang diestimasi layak atau tidak. Layak (andal) disini
maksudnya adalah model yang diestimasi layak digunakan untuk menjelaskan pengaruh
variabel-variabel bebas terhadap variabel terikat. Nama uji ini disebut sebagai uji F, karena
mengikuti mengikuti distribusi F yang kriteria pengujiannya seperti One Way Anova.
Pengunaan software SPSS memudahkan penarikan kesimpulan dalam uji ini. Apabila
nilai prob. F hitung (ouput SPSS ditunjukkan pada kolom sig.) lebih kecil dari tingkat
kesalahan/error (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa
model regresi yang diestimasi layak, sedangkan apabila nilai prob. F hitung lebih besar
dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa model regresi yang diestimasi
tidak layak. Hasil uji F dapat dilihat pada tabel ANOVAa di bawah ini.
ANOVAa
Model
1

Sum of Squares
Regression

df

Mean Square

140.180

46.727

Residual

1183.198

30

39.440

Total

1323.378

33

F
1.185

Sig.
.332b

a. Dependent Variable: Y
b. Predictors: (Constant), X3, X2, X1

Nilai prob. F hitung terlihat pada kolom terakhir (sig.) Nilai prob. F hitung (sig.) pada
tabel di atas nilainya 0.332 lebih kecil dari tingkat signifikansi 0,05 sehingga dapat
disimpulkan

bahwa

model

regresi

linier

yang diestimasi layak digunakan untuk

menjelaskan pengaruh X1, X2 dan X3 terhadap variabel terikat Y

------Uji Koefisien Regresi (Uji t) ----Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter
(koefisien regresi dan konstanta) yang diduga untukmengestimasi persamaan/model regresi
linier berganda sudah merupakan parameter yang tepat atau belum. Maksud tepat
disini adalah parameter tersebut mampu menjelaskan perilaku variabel bebas dalam
mempengaruhi variabel terikatnya. Parameter yang diestimasi dalam regresi linier meliputi
intersep (konstanta) dan slope (koefisien dalam persamaan linier). Pada bagian ini, uji
t difokuskan pada parameter slope (koefisien regresi)saja. Jadi uji t yang dimaksud adalah uji

koefisien regresi. Hasil pengujian dapat dilihat pada tabel Coefficients a seperti pada gambar
di bawah ini:
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

Coefficients

Std. Error

Beta

(Constant)

.694

3.381

X1

.032

.053

X2

.022

X3

-.228

Collinearity Statistics
t

Sig.

Tolerance

.205

.839

.105

.597

.555

.966

1.035

.012

.315

1.793

.083

.967

1.035

.306

-.131

-.744

.463

.967

1.034

a. Dependent Variable: Y

Seperti uji F yang dimudahkan dengan aplikasi SPSS,maka uji t juga dapat dengan mudah
ditarik kesimpulannya. Apabila nilai prob. t hitung (ouput SPSS ditunjukkan pada kolom
sig.) lebih kecil dari tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka
dapatdikatakan bahwa variabel bebas (dari t hitung tersebut) berpengaruh signifikan
terhadap variabel terikatnya, sedangkan apabila nilai prob. t hitung lebih besar dari tingkat
kesalahan 0,05

maka

dapat

dikatakan

bahwa

variabel

bebas

tidak

berpengaruh

signifikan terhadap variabel terikatnya. Nilai prob. t hitung dari variabel bebas X1
sebesar 0,555 sama dengan 0,05 sehingga variabel bebas X1 berpengaruh signifikan
terhadap variabel terikat Y pada alpha 5% atau dengan kata lain, X1 berpengaruh
signifikan terhadap Y pada taraf keyakinan 95%. Sama halnya dengan pengaruh
variabel bebas X2, DAN X3 terhadap variabel terikat Y, karena nilai prob. t hitung
(0,083), (0.463) yang lebih kecil dari 0,05 sehingga dapat dikatakan bahwa variabel
bebas X1,X2 berpengaruh signifikan terhadap variabel terikat Y pada alpha 5% atau dengan
kata lain, Nilai X2,X3 terhadap Rupiah berpengaruh signifikan terhadap Y pada taraf
keyakinan 95%.

VIF