OLEH :
KELOMPOK 2
Dalam suatu analisis, untuk menguji apakah model sudah normal atau tidak,
pertama dapat dilakukan dengan melihat normal probability plot dari residual dengan
membandingakan distribusi komulatif dari residual yang dihasilkan dengan distribusi
komulatif dari distribusi normal. Jika titik-titik menyebar mendekati garis diagonal maka
data tersebut berdistribusi normal. Kedua, dapat dilakukan dengan Uji Komogorov-
Sminarnov. Caranya adalah dengan membandingkan distribusi kumulatif relatif hasil
observasi Scr (ε) dengan distribusi kumulatif relatif teoritisnya (harapannya) atau Fcr (ε)
seperti ditampilkan pada Gambar 9.1.
Scr (ε)
Fcr (ε)
D
Scr (ε)
t
Gambar 9.1. Distribusi kumutatif relative teoritis residual
Langkah-langkah pengujian :
1) Formulasi hipotesis:
H0 : Residual yang diuji menyebar normal
H1 : Residual yang diuji tidak menyebar normal
2) Tingkat signifikan misalnya 5% D=….? Gunakan table 1 seperti pada lampiran
3) Kriteria pengujian
H0 diterima bila Dhitung ≤ Dtabel atau p.value ≤ tingkat signifikansi
H0 ditolak bila Dhitung > Dtabel atau p.value > tingkat signifikansi
4) Perhitungan
D = maksimum │Fcr (X) – Scr (X)│
5) Kesimpulan
Bandingkan Antara langkah 4) dengan langkah 3)
Dengan menggunakan print out komputer kesimpulan dapat ditarik dengan melihat
Sig (2-tailed). Jika Sig (2-tailed) lebih besar dari level of signifikan yang dipakai, maka H0
diterima, selanjutnya disimpulkan bahwa residual yang dianalisis berdistribusi normal.
Sebaliknya jika Sig (2-tailed) lebih kecil berarti bahwa data yang dianalisis tidak
berdistribusi normal.
Contoh 9.1
Di bawah ini adalah data rnengenai penjualan (sales). Promosi dan jumlah tenaga
kerja dari PT. GUNA RAHARJA.
Tahu Semes Sales Promos T.Kerja Tahun Semes Sales Promos T.Kerja
n ter (Rp i (orang) ter (Rp i (orang)
juta) (Rp juta) (Rp
juta) juta)
2001 I 38 8 19 2003 III 33 3 20
II 49 12 22 2004 IV 35 5 20
III 32 3 17 I 49 7 28
IV 28 4 15 II 52 10 32
2002 I 37 7 23 III 66 14 38
II 51 12 27 IV 53 7 30
III 32 4 19 2005 I 45 6 27
IV 47 10 27 II 71 17 38
2003 I 25 3 15 III 46 4 28
II 33 5 22 IV 35 4 21
Buatlah model regresinya, serta uji apakah residualnya berdistribusi normal?
Sehingga diperoleh hasil olahan data regresi dan residual yang tersimpan sebagai berikut :
Regression 9.1
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Tenaga . Enter
Kerja,
Promosib
a. Dependent Variable: Sales
b. All requested variables entered.
Model Summaryb
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 ,986a ,971 ,968 2,15998
a. Predictors: (Constant), Tenaga Kerja, Promosi
b. Dependent Variable: Sales
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 2684,487 2 1342,243 287,696 ,000b
Residual 79,313 17 4,665
Total 2763,800 19
a. Dependent Variable: Sales
b. Predictors: (Constant), Tenaga Kerja, Promosi
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 5,428 2,017 2,691 ,015
Promosi 1,067 ,192 ,357 5,548 ,000
Tenaga Kerja 1,227 ,115 ,684 10,627 ,000
a. Dependent Variable: Sales
Residuals Statisticsa
Minimu Maximu Std.
m m Mean Deviation N
Predicted Value 27,0330 70,1866 43,1000 11,88650 20
Residual -4,11552 3,77867 ,00000 2,04313 20
Std. Predicted -1,352 2,279 ,000 1,000 20
Value
Std. Residual -1,905 1,749 ,000 ,946 20
a. Dependent Variable: Sales
Unstandardized Residual
Tahun Triwulan Y X1 X2 RES_1
1 2001,00 1,00 38,00 8,00 19,00 ,726
2 2001,00 2,00 49,00 12,00 22,00 3,779
3 2001,00 3,00 32,00 3,00 17,00 2,513
4 2001,00 4,00 28,00 4,00 15,00 -,100
Berdasarkan hasil olahan data di atas ternyata variabel promosi dan tenaga kerja
berpengaruh signifikan terhadap sales pada tingkat signifikansi kurang dari satu persen,
baik secara parsial (uji t) maupun secara serempak (uji F). Hasil olahan data tersebut
dapat dibuat persamaan regresi:
Selanjutnya berdasarkan persamaan 9.01 dan data pada Tabel 9.1 dihitung
residualnya untuk diuji kenormalannya, dengan langkah-langkah:
Dari hasi perhitungan nilai di statistik itu kemudian dibandingkan dengan kriteria
pengujian seperti berikut ini.
H0 = Tidak ada auto korelasi dalam model
Ha = Ada aouto korelasi dalam model
N = 20; K’ = jumlah variable bebas = 2; dL = 1,10 du = 1,54
Jika : 1,54 < d < 2,46 Berarti tidak ada auto korelasi
1,10 > d > 2,90 Berarti ada auto korelasi
1,10 ≤ d ≤ 1,54 Berarti tidak ada keputusan atau
2,46 ≥ d ≥ 2,9 ragu-ragu
Masukan variable sales pada kota dependent dan promosi serta T,kerja pada kotak
indepensent
Tekan tombol statistics
Contoh 9.2
Model Summaryb
Adjusted R Std. Error of Durbin-
Model R R Square Square the Estimate Watson
1 ,986a ,971 ,968 2,15998 1,612
a. Predictors: (Constant), Tenaga Kerja, Promosi
b. Dependent Variable: Sales
Dengan level of signifikan 5 persen, untuk n 20 dan jumlah variabel bebas (k)
sebanyak 2, du 1.10 dan du 1.54. Dengan demikian d statistic berada pada daerah tidak ada
autokorelasi atau model regresi mengenai pengaruh promosi dan tenaga kerj terhadap sales,
yaitu Sales 5,428 1,067 Promosi 1.227 T Keria tidak mengandung gejala autokorelasi
sehingga layak dipakai untuk memprediksi
Metode Bruesch-Godfrey
Bruesch dan Godfrey mengembangkan uji autokorelasi yang lebih umum berdasarkan
kelemahan-kelemahan metode Durbin Watson terutama dengan kesimpulan tidak
memberikan keputusan (ragu-ragu). Sebaliknya, pengujian autokorelasi Bruesch dan Godfrey
dikenal dengan uji Lagrange Multiplier (LM). yang memberikan kesimpulan ada autokorelasi
vs tidak ada autokorelasi. Untuk memahami uji LM, misalkan kita mempunyai model regresi
sederhana sbb:
𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡 …………………………………………………….(9,3)
Sebenarnya kita bisa memasukkan lebih dari satu variabel independen, namun untuk
memudahkan kita menggunakan model regresi sederhana. Diasumsikan model residualnya
mengikuti model autoregresif dengan order 𝜌 atau disingkat AR (𝜌) sebagai berikut:
Sebagaimana uji Durbin-Watson, maka hipotesis nul tidak adanya au yang dapat
diformulasikan sbb
𝐻0 : 𝑝1 = 𝑝2 = … = 𝑝𝑘 = 0 ……………………………………………………(9.5)
Jika kita menerima Ho maka dikatakan tidak ada autokorelasi dalam Adapun prosedur uji
dari LM adalah sbb:
1) estimasi persamaan (9.3) dengan metode OLS dan kita dapatkan residualnya
2) melakukan regresi residual 𝑒𝑡 dengan variabel independen 𝑋𝑡 (jika ada lebih dari satu
variable maka kita harus masukan variabel independen) dan lag dari residual 𝑒𝑡−1 𝑒𝑡−2 …
𝑒𝑡−𝑘 langkah kedua ini dapat ditulis sbb:
kemudian dapatkan 𝑅 2
3) Jika sampel adalah besar, menurut Breusch dan Godfrey maka model dalam persamaan
(9.6) akan mengikuti distribusi Chi-squares dengan df sebanyak p Nilai hitung statistik Chi
Squares dapat dihitung dengan menggunakan formula sbb:
Dapat dilakukan metode coba-coba (trial and errors) untuk menghindari masalah
autokorelasi. Untuk memilih panjangnya lag residual yang tepat kita bisa menggunakan
kriteria yang ditemukan oleh Akaike dan Schwarz. Berdasarkan kriteria ini, panjangnya lag
yang dipilih adalah ketika nilai kriteria Akaike dan Schwarz paling kecil
Uji multikolienieritas bertujuan untuk menguji apakah pada model regresi ditemukan
adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak teradi
korelasi diantara variabel bebas atau bebas dari gejala multikolinier. Jika suatu model regresi
yang mengandung gejala multikolinier dipaksakan untuk digunakan, maka akan memberikan
hasil prediksi yang menyimpang. Untuk mendeteksi ada atau tidaknya korelasi antar sesama
variabel bebas dapat dilihat dari nilai tolerance dan nilai variance inflation factor (VIF). Jika
nilai tolerance lebih dari 10 persen atau VIF kurang dari 10, maka dikatakan tidak ada
multikolinieritas. Adanya gejala multikolinier sering diindikasikan oleh 𝑅 2 yang sangat besar
atau uji F yang signifikant, tetapi variabel bebas sedikit atau mungkin juga tidak ada yang
signifikan.jika diuji melalui uji parsial (t).
Masukkan variabel Sales pada kota dependent dan Promosi serta T,Kerja pada kotak
independent's (lihat ketika menguji Autokoralasi)
Tekan tombol Statistics Centangin Collinearity diagnostics
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 5,428 2,017 2,691 ,015
Promosi 1,067 ,192 ,357 5,548 ,000 ,408 2,454
Tenaga Kerja 1,227 ,115 ,684 10,627 ,000 ,408 2,454
a. Dependent Variable: Sales
Contoh 9.4
Berdasarkan hasil olahan data terhadap Contoh 9.1, ternyata koefisien tolerance lebih
besar dari 0,10 dan VIF lebih kecil dari 10. Hal ini berarti bahwa model regresi pengaruh
promosi dan tenaga kerja terhadap sales yang dibuat tidak terdapat gejala multikolinier,
sehingga model tersebut layak digunakan untuk memprediksi.
a. Metode Glejser
Metode ini adalah meregres variabel bebas terhadap absolut residual. Namun untuk
melakukan hal itu harus dihitung residualnya melalui regresi dengan formula:
Yi = α + β1X1 + …………. ΒkXk + ei …………………………. (9.10)
Setelah residual diperoleh kemudian diabsolutkan dan diregresikan dengan formulasi:
| ei | = α + β1X1 + …………. ΒkXk + ui……………………….(9.11)
Jika variabel bebas yang dianalisis tidak mempunyai pengaruh signifikan terhadap
residual absolut | ei |, berarti model regresi yang dianalisis tidak mengandung gelaja
heteriskesdastis.
Contoh 9.5
Apabila data pada Contoh 9.1 diuji adanya gejala heteroskesdastis dengan
menggunakan metode Glejser hasilnya nampak sebagai berikut.
Regression
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 2684,487 2 1342,243 287,696 ,000b
Residual 79,313 17 4,665
Total 2763,800 19
a. Dependent Variable: Sales
b. Predictors: (Constant), Tenaga Kerja, Promosi
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 5,428 2,017 2,691 ,015
Promosi 1,067 ,192 ,357 5,548 ,000 ,408 2,454
Tenaga Kerja 1,227 ,115 ,684 10,627 ,000 ,408 2,454
a. Dependent Variable: Sales
Berdasarkan olahan data dengan SPSS terlihat bahwa tidak ada pengaruh variabel bebas
promosi dan tenaga kerja terhadap absolut residual (ABRES), baik secara serempak maupun
secara parsial. Dengan demikian model regresi promosi dan tenaga kerja terhadap sales yang
dibuat, yaitu Sales = 5,428 + 1,067 Promosi + 1,227 T.Kerja tidak mengandung gejala
heteroskedastis, sehingga layak digunakan untuk memprediksi.
b. Metode Park
Metode ini menganggap bahwa varians (s2) merupakan fungsi variabel bebas,
yang dapat dinyatakan dalam persamaan :
Persamaan ini σ2i dapat ditransformasikan dalam persamaan logaritma, sehingga menjadi :
Contoh 9.6
Berdasarkan hasil olahan data dengan SPSS yangditampilkan pada kotak berikut.
Model Summaryb
Adjusted R Std. Error of Durbin-
Model R R Square Square the Estimate Watson
1 ,149a ,022 -,093 1,39091 2,555
a. Predictors: (Constant), Tenaga Kerja, Promosi
b. Dependent Variable: RES_4
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression ,749 2 ,374 ,194 ,826b
Residual 32,889 17 1,935
Total 33,637 19
a. Dependent Variable: RES_4
b. Predictors: (Constant), Tenaga Kerja, Promosi
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 1,063 1,299 ,819 ,424
Promosi ,041 ,124 ,123 ,328 ,747 ,408 2,454
Tenaga Kerja ,006 ,074 ,032 ,085 ,934 ,408 2,454
a. Dependent Variable: RES_4
Berdasarkan hasil olahan data dengan SPSS dapat diketahui bahwa tidak terdapat
variabel bebas yang berpengaruh signifikan terhadap residual kuadrat. Hal ini berarti bahwa
dengan menggunakan metode Park maka modal regresi tentang pengaruh promosi dan tenaga
kerja terhadap sales, yaitu Sales = 5,428 + 1,067 Promosi + 1,227 T.Kerja tidak mengandung
gejala heteroskedastis.
Catatan : Program EViews memberikan cara yang lebih sederhana, ringkas, serta
tampilan yang lebih menarik untuk mengolah model regresi, serta
melakukan pengujian asumsi klasik.