Sulastri 1
Sulastri 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
Model
1
R
.369
R Square
a
Adjusted R
Square
Estimate
.136
.037
23.0403014
Durbin-Watson
2.295
-----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
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
------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
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
Model
1
R Square
.369a
Adjusted R
Square
Estimate
.136
.037
23.0403014
Durbin-Watson
2.295
-----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
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
------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
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
Model
1
R Square
.656a
Adjusted R
Square
Estimate
.430
.364
18.7226083
Durbin-Watson
2.354
-----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
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
------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
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.
Model
1
R Square
.325a
Adjusted R
Square
Estimate
.106
.017
6.2801222
Durbin-Watson
2.011
-----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
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
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