C 3582123434467.745 38.17740697236566
AKSES_JALAN01 639307989333.521 4.725554524757156 1.448153805973965
D1 811326263754.6824 2.23146309546484 1.655601651473914
D2 2499195340192.132 12.88830034954355 6.652025986861172
JARAK_KE_KAMPUS01 915920806245.7192 5.692718390564139 1.436380443678364
KAMAR_MANDI01 456807645686.9733 2.512797745161809 1.215869876691196
LUAS_KAMAR01 13835233398.71187 16.21958906517444 1.24225762199155
PERUMAHAN__PERKAMPUNGAN 2298822464987.59 13.04047958669625 6.09957916151921
Uji Multikolinearitas :
Uji statistik:
Ho : terjadi multikolinieritas
Hi : tidak terjadi multikolinieritas
Daerah kritis : VIF > 10
Berdasarkan data diatas, diperoleh nilai VIF dari vafriabel independen
a. Akses jalan : 1,448
b. D1 : 1,656
c. D2 : 6,652
d. Jarak Ke Kampus : 1,436
e. Kamar Mandi : 1,216
f. Luas Kamar : 1,242
g. Perumahan/Perkampungan : 6,099
Hasil uji multikolinieritas, dapat dilihat pada tabel kolom Centered VIF. Nilai VIF
untuk semua variabel independen kurang dari 10. Karena nilai VIF dari kedua variabel
tidak ada yang lebih besar dari 10 maka dapat dikatakan tidak terjadi multikolinieritas pada
kedua variabel bebas tersebut. Artinya tidak ada hubungan linear antarvariabel independen
pada data yang diuji.
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.
Uji Durbin-Watson
Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation)
dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di
antara variabel bebas.
rumus umumnya :
1. Bila nilai DW terletak antara batas atas atau upper bound (du) dan (4 - du), maka koefisien
autokorelasi sama dengan nol, berarti tidak ada autokorelasi.
2. Bial nilai DW lebih rendah daripada batas bawah atau lower bound (dl), maka koefisien
autokorelasi lebih besar daripada nol, berarti ada autokorelasi positif.
3. Bila nilai DW lebih besar daripada (4 - dl), maka koefisien autokorelasi lebih kecil daripada
nol, berarti ada autokorelasi negatif.
4. Bila nilai DW terletak di antara batas atas (du) dan batas bawah (dl) ada DW terletak antara (4
- du) dan (4 - dl), maka hasilnya tidak dapat disimpulkan.
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dL
Tidak ada autokorelasi positif Tak ada kep. dL ≤ d ≤ dU
Tidak ada autokorelasi negatif Tolak 4 - dL < d < 4
Tidak ada autokorelasi negatif Tak ada kep. 4 - dU ≤ d ≤ 4 - dL
Tidak ada autokorelasi positif/negatif Terima dU < d < 4 – dU
0 dL dU 4-dU 4-dL 4
Dengan demikian, nilai DW (2,377083) berada diantara 4-dU (2,1528) dan 4-dL (2,6503).
Sehingga data tersebut autokorelasinya tidak dapat disimpulkan. Artinya, pemenuhan asumsi
klasik model regresi liniear tentang autokorelasi tidak terpenuhi.
Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari
residual untuk semua pengamatan pada model regresi linear. Uji ini merupakan salah satu dari uji
asumsi klasik yang harus dilakukan pada regresi linear. Apabila asumsi heteroskedastisitas tidak
terpenuhi, maka model regresi dinyatakan tidak valid sebagai alat peramalan.
1. Uji Glejser
2. Uji Park
3. Uji Spearman
4. Melihat Grafik
Kali ini hanya akan dilakukan Uji Glejser
Test Equation:
Dependent Variable: ARESID
Method: Least Squares
Date: 06/12/17 Time: 21:49
Sample: 1 62
Included observations: 62
Keputusan terjadi atau tidaknya heteroskedastisitas pada model regresi linier adalah
dengan melihat Nilai Prob. F-statistic (F hitung). Apabila nilai Prob. F hitung lebih besar dari
tingkat alpha 0,05 (5%) maka H0 diterima yang artinya tidak terjadi heteroskedastisitas, sedangkan
apabila nilai Prob. F hitung lebih kecil dari dari tingkat alpha 0,05 (5%) maka H0 ditolak yang
artinya terjadi heteroskedastisitas.
Nilai Prob. F hitung variable keseluruhan lebih besar dari tingkat alpha 0,05 (5%) sehingga,
berdasarkan uji hipotesis, Ho diterima yang artinya tidak terjadi heteroskedastisitas.
Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak.
Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi uji
normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya. Sering
terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masing-masing variabel.
Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya bukan
pada masing-masing variabel penelitian.
Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam kelas
siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar berada
pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak normal, atau
sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka kelas tersebut tidak
normal atau merupakan kelas unggulan. Pengamatan data yang normal akan memberikan nilai
ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah. Demikian
juga nilai rata-rata, modus dan median relatif dekat. Uji normalitas dapat dilakukan dengan uji
histogram, uji normal P Plot, uji Chi Square, Skewness dan Kurtosis atau uji Kolmogorov
Smirnov. Tidak ada metode yang paling baik atau paling tepat. Tipsnya adalah bahwa pengujian
dengan metode grafik sering menimbulkan perbedaan persepsi di antara beberapa pengamat,
sehingga penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak
ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode
grafik. Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya
signifikansi Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba dengan metode lain yang
mungkin memberikan justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan
beberapa langkah yaitu: melakukan transformasi data, melakukan trimming data outliers atau
menambah data observasi. Transformasi dapat dilakukan ke dalam bentuk Logaritma natural, akar
kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk kurva normalnya, apakah condong
ke kiri, ke kanan, mengumpul di tengah atau menyebar ke samping kanan dan kiri. Kali ini yang
digunakan adalah Histogram.
Uji Normalitas dilakukan karena dalam asumsi klasik, data residual yang dibentuk dalam
model regresi linear terdistribusi dengan normal atau tidak. Untuk melihat hal ini dapat dilakukan
tes Jarque – Bara.
Mean -4.84e-10
6 Median -187294.0
Maximum 4856203.
Minimum -4370754.
Std. Dev. 2269315.
4
Skewness 0.090524
Kurtosis 2.337415
2
Jarque-Bera 1.218809
Probability 0.543675
0
-3999995 -1999995 5 2000005 4000005