Oleh :
UNIVERSITAS SRIWIJAYA
2016/2017
A. Data
Data yang di tampilkan pada sugas Simulasi Aktuaria ini merupakan data keuangan. Yang
mana Y sebagai nilai uang dan variabel X1, x2, X3, X4, . . . , X14 merupakan faktor-faktor yang
mempengaruhi nilai uang pada data tersebut. Maka dapat kita ketahui, data tersebut merupakan
Model Regresi Linear Berganda karna memiliki variabel yang mempengaruhi Y lebih dari satu.
Pada data tersebut, akan dilakukukan beberapa uji asumsi pada Model Regresi Linear Berganda,
yakni:
1. Uji Normalitas
2. Uji Autokorelitas
3. Uji Multikolinieritas
4. Uji Heteroskedasitas
5. Uji Linearitas
B. Uji Normalitas
Dalam tugas ini, akan dilakukan uji normalitas dengan melihat rasio skewness dan rasio
kurtosis melalui aplikasi SPSS. Dengan pedoman suatu data akan dikatakan berdistribusi normal
jika rasio skewness dan rasio kurtosis nya berada diantara -2 sampai 2. Pada data model Regresi
linear berganda yang dibahas ini dapat dilihat :
Descriptive Statistics
N Skewness Kurtosis
Unstandardized
401 -.111 .122 -1.269
Residual
Valid N (listwise) 401
C. Uji Autokorelitas
Dalam tugas ini untuk melakukan uji autokorelasi akan digunakan uji Durbin-Watson dengan
SPSS. Pada Model Regresi Linear Berganda ini dapat diketahui:
dL = 1.769516
dU = 1.903261
dL dan dU dilihat dari tabel durbin watso yang memiliki n=401 , derajat kepercayaan 5% , dan
variabel penjelas sebanyak 14. DW dapat dilihat pada SPSS dengan Uji Durbin Watson seperti
pada lampiran.
Model Summaryb
a. Predictors: (Constant), X14, X12, X2, X1, X9, X10, X7, X5, X11, X13, X3, X8, X6, X4
b. Dependent Variable: Y
DW = 0.510
Karena, DW < dL, maka koefisien autokorelasi > nol, artinya ada autokorelasi positif.
D. Uji Multikolinieritas
Uji Multikolinieritas dapat dilakukan dengan banyak cara, tetapi dalam tugas ini hanya akan
digunakan Uji VIF dan Uji Partial Correlation.
Uji VIF
Suatu Model Regresi akan memiliki gejala multikolinieritas jika VIF > 10. Dari Uji VIF
yang dilakukan pada SPSS dengan model regresi pada tugas ini, dapat diketahui:
Coefficientsa
1 (Const
148703.429 155972.615 .953 .341
ant)
Dapat dilihat VIF < 10 , maka Model Regresi pada tugas ini tidak memiliki gejala
Multikolinieritas.
Correlations
1.000 -.002 -.067 -.004 -.112 -.077 -.012 .015 -.145 -.172 .020 -.019 .030
. .969 .183 .937 .026 .126 .809 .765 .004 .001 .689 .698 .553
0 398 398 398 398 398 398 398 398 398 398 398 398
-.002 1.000 .338 .440 -.241 .672 .320 .440 -.036 .037 .003 .005 -.023
.969 . .000 .000 .000 .000 .000 .000 .474 .463 .951 .926 .643
398 0 398 398 398 398 398 398 398 398 398 398 398
1.00
-.067 .338 .689 .060 .264 .261 .128 -.044 -.042 -.059 -.049 -.018
0
.183 .000 . .000 .228 .000 .000 .010 .379 .397 .240 .326 .724
398 398 0 398 398 398 398 398 398 398 398 398 398
-.004 .440 .689 1.000 .008 .313 .274 .295 -.029 -.079 -.030 -.090 -.003
.937 .000 .000 . .870 .000 .000 .000 .558 .115 .546 .071 .959
398 398 398 0 398 398 398 398 398 398 398 398 398
-.112 -.241 .060 .008 1.000 -.257 -.020 -.011 -.016 -.190 .011 -.071 -.102
.026 .000 .228 .870 . .000 .693 .827 .754 .000 .833 .157 .041
398 398 398 398 0 398 398 398 398 398 398 398 398
-.077 .672 .264 .313 -.257 1.000 .379 .455 .004 .027 -.006 -.009 .044
.126 .000 .000 .000 .000 . .000 .000 .943 .588 .898 .857 .379
398 398 398 398 398 0 398 398 398 398 398 398 398
-.012 .320 .261 .274 -.020 .379 1.000 .413 -.031 -.005 -.049 -.033 .035
.809 .000 .000 .000 .693 .000 . .000 .537 .913 .324 .507 .479
398 398 398 398 398 398 0 398 398 398 398 398 398
.015 .440 .128 .295 -.011 .455 .413 1.000 -.024 .033 .088 -.002 .068
.765 .000 .010 .000 .827 .000 .000 . .633 .506 .080 .973 .178
398 398 398 398 398 398 398 0 398 398 398 398 398
-.145 -.036 -.044 -.029 -.016 .004 -.031 -.024 1.000 .135 .139 .095 -.006
.004 .474 .379 .558 .754 .943 .537 .633 . .007 .005 .057 .912
398 398 398 398 398 398 398 398 0 398 398 398 398
-.172 .037 -.042 -.079 -.190 .027 -.005 .033 .135 1.000 .079 .137 .066
.001 .463 .397 .115 .000 .588 .913 .506 .007 . .117 .006 .185
398 398 398 398 398 398 398 398 398 0 398 398 398
1.00
.020 .003 -.059 -.030 .011 -.006 -.049 .088 .139 .079 .283 .089
0
.689 .951 .240 .546 .833 .898 .324 .080 .005 .117 . .000 .075
398 398 398 398 398 398 398 398 398 398 0 398 398
-.019 .005 -.049 -.090 -.071 -.009 -.033 -.002 .095 .137 .283 1.000 .351
.698 .926 .326 .071 .157 .857 .507 .973 .057 .006 .000 . .000
398 398 398 398 398 398 398 398 398 398 398 0 398
.030 -.023 -.018 -.003 -.102 .044 .035 .068 -.006 .066 .089 .351 1.000
.553 .643 .724 .959 .041 .379 .479 .178 .912 .185 .075 .000 .
398 398 398 398 398 398 398 398 398 398 398 398 0
.099 .022 -.041 -.012 -.032 .062 .010 .044 .033 .081 .164 .008 -.030
.047 .656 .412 .810 .521 .213 .848 .377 .509 .107 .001 .868 .554
398 398 398 398 398 398 398 398 398 398 398 398 398
E. Uji Heteroskedastisitas
Akan dilakukan Uji Heteroskedastisitas dengan Uji Glejser. Uji Glejser dinotasikan :
b1 +b 2 x 2+ v
|e| =
Dimana: |e| = nilai absolute dari residual yang dihasilkan dari model regresi
x2
= Variabel penjelas
Bila variabel penjelas secara statistic signifikan mempengaruhi residual maka dapat dipastikan
model ini memiliki masalah heteroskedastisitas.
Dapat dilihat Uji Glejser pada model regresi tugas ini :
Coefficients a
F. Kesimpulan
Setelah melakukan uji-uji asumsi diatas dapat kita lihat ada beberapa uji yang tidak terpenuhi
untuk model regresi pada tugas ini, sehingga dapat dinyatakan model regresi ini bukan model
yang baik.