Anda di halaman 1dari 10

e.

Klik OK

Output yang dihasilkan adalah sebagai berikut

Model Summary

Adjusted R Std. Error of


Model R R Square
Square the Estimate
1 .980a .960 .955 .35693

a. Predictors: (Constant), DFFIT, Iklan, Personal Selling

b. Dependent Variabel: Volume Penjualan


Analisis :

1. Berdasarkan output pada persamaan regresi pertama diperoleh R² old sebesar

0,633, sedangkan pada persamaan regresi yang kedua diperoleh nilai R² new

sebesar 0,960. Dengan demikian besarnya nilai F hitung dapat diperoleh, yaitu

sebagai berikut:

(R2 new − R2 old )/m (0,960 − 0,633)/m


F= 2
F= = 220,725
(1 − R new )/(n − k) (1 − 0,960)/(30 − 3)

Kesimpulan:

Karena nilai F hitung (220,725) > F table (4,210) maka dapat disimpulkan bahwa

model regresi yang benar adalah linier.

2.6 Uji Linieritas dengan metode Lagrange Multiplier (LM-Test)

Uji LM-Test merupakan salah satu metoode yang digunakan untuk mengukur

linieritas yang dikembangkan oleh Engle (1982). Prinsip metode ini adalah

membandingkan nilai X2 hitung (n X R2 ) dengan nilai X2 tabel dengan df=(n,α).

Langkahnya adalah sebagai berikut:

1. Membuat persamaan regresi

2. Mencari nilai prediksinya dan diberi nama (Ŷ1)

3. Mencari nilai residual (Y-Ŷ)

4. Mengkuadratkan semua nilai variable bebas

5. Meregresikan kuadrat variable bebas terhadap nilai residualnya

U = b0 + b1X12+ b2X22+e
6. Berdasarkan persamaan regresi nilai kuadrat variable bebas terhadap nilai

residu, cari nilai koefisien determinasi (R2) yang baru

7. Hitung nilai X2 hitung dengan persamaan (n x R2), dimana adalah jumlah

pengamatan

8. Menarik kesimpulan uji linieritas dengan kriteria jika X2 hitung < X2 tabel

dengan df=(n,α) maka model dinayatakan linier. Demikian juga sebaliknya

Pengujian linieritas dengan metode LM-Test menggunakan SPSS dilakukan dengan

langkah sebagai berikut:

1. Meregresikan variable bebas terhadap variable tergantung, dengan langkah-

langkah sebagai berikut:

a. Buka file Uji Asumsi Klasik

b. Klik Analize, Regression, Liniear

c. Masukkan variable Volume Penjualan pada kotak Dependent


d. Masukkan variable Iklan dan Personal Selling pada kotak Independent(s)

e. Klik Save… Pada kotak Residual, klik Unstandarized lalu Continue.


f. Abaikan pilihan lain, klik OK

g. Kembali ke Data Editor. Sekarang kita sudah memiliki variable baru

Unstandarized Residual, yaitu RES_1

2. Mengkuadratkan semua variable bebas dengan langkah sebagai berikut:

a. Klik Transform, Compute

b. Isi Target variable dengan X1Sqr


c. Isi Numeric Expresion dengan iklan*iklan

d. Klik OK

3. Dengan cara yang sama kita kuadratkan variable Personal Selling sehingga

pada data editor kita mempunyai dua variable bebas yang telah dikuadratkan,

yaitu sebagai berikut:


4. Meregresikan variable bebas yang telah dikuadratkan terhadap nilai residual.

Langkahnya adalah sebagai berikut:

a. Klik Analyze, Regression, Linear


b. Klik Reset

c. Masukkan variable RES_1 pada kota Dependent

d. Masukkan X1Sqr dan X2Sqr pada kotak Independent(s)

e. Klik OK

Output yang dihasilkan adalah sebagai berikut:

Model Summary

Std. Error of the


Model R R Square Adjusted R Square
Estimate
1 .027a .001 -.073 1.05656934

a. Predictors: (Constant), X2Sqr, X1Sqr


ANOVAb

Sum of
Model df Mean Square F Sig.
Squares

Regression .021 2 .011 .010 .991a

1 Residual 30.141 27 1.116

Total 30.162 29

a. Predictors: (Constant), X2Sqr, X1Sqr

b. Dependent Variable: Unstandardized Residual

Coefficientsa

Unstandardized Standardized
Model Coefficients Coefficients t Sig.
B Std. Error Beta
(Constant) -.045 .482 -.094 .926

1 X1Sqr .002 .015 .028 .121 .905

X2Sqr .000 .017 -.003 -.014 .989

a. Dependent Variable: Unstandardized Residual


Analisis:

Berdasarkan output di atas maka diperoleh koefisien determinasi (R2) persamaan

regresi yang baru sebesar 0,001 sehingga nilai X2 sebesar 30x0,001=0,030 sedangkan

nilai X2 tabel dengan df: 0,05,30 adalah 43,773

Kesimpulan:

Karena nilai X2 hitung (0,030) < nilai X2 tabel (43,773) maka dapat disimpulkan

bahwa model regresi yang benar adalah linier.

2.7 Konsekuensi dan Cara Mengatasi Pelanggaran Linieritas

Apabila kita salah dalam menentukan apakah model sebaiknya linier atau non-linier

maka hal itu akan mengakibatkan nilai prediksi yang dihasilkan menjadi menyimpang

jauh. Nilai prediksi itu akan menjadi bias.

Jika uji linieritas mengharuskan penggunaan model non-linier maka model harus

ditransformasikan ke bentuk non-linier, sedangkan jika uji linieritas mengharuskan

penggunaan model linier maka model tetap menggunakan model linier