Uji Asumsi Model Regresi Berganda

- Normalitas

Langkah-langkahnya :
 Analyze → Regresi → Linier
 Pindahkan variabel terikat ( dependen) (Y) ke Dependent
 Pindahkan variabel bebas ( independen) (X) ke Independent
 Method → pilih Enter
 Tekan tombol Plot
 Aktipkan Normal probability plot
 Abaikan (kosongkan) bagian lain dan tekan tombol Continue
 Tekan Oke

Deteksi Normalitas

 Jika data menyebar disekitar garis diagonal (dependen) dan mengikuti arah garis
diagonal, maka model regresi memenuhi asumsi Normalitas.
 Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal,
maka model regresi tidak memenuhi asumsi normalitas.

StatBis Anny Suryani2013 1

Uji Asumsi Model Regresi Berganda

- Heteroskedastisitas
Persamaan Regresi Berganda yang baik adalah tidak terjadi atau terbebas dari masalah
Heteroskedastisitas. Atau harus homoskedastisitas.

Heteroskedastisitas yaitu terjadi ketidaksamaan varians residual dari satu pengamatan ke

pengamatan lainnya. (menunjukkan varians yang tidak sama antara pengamtan).

Langkah-langkahnya :
 Analyze → Regresi → Linier
 Pindahkan variabel terikat ( dependen) (Y) ke Dependent
 Pindahkan variabel bebas ( independen) (X) ke Independent
 Method → pilih Enter
 Tekan tombol Plot
 Masukkan variable SRESID pada sumbu (pilihan) Y
 Masukkan variable ZPRED pada sumbu (pilihan) X
 Abaikan (kosongkan) bagian lain dan tekan tombol Continue
 Tekan OK

Deteksi adanya Heteroskedastisitas

Untuk melihat ada tidaknya pola tertentu pada grafik diatas.

StatBis Anny Suryani2013 2

Dasar Pengambilan keputusan
 Jika ada pola tertentu, atau titik-titiknya membentuk pola tertentu yang teratur
misalnya : bergelombang, melebar kemudian menyempit, maka telah terjadi
Heteroskedastisitas.
 Jika tidak ada pola yang jelas, atau titik-titiknya menyebar diatas dan dibawah angka nol
(0) pada sumbu Y, maka tidak terjadi heteroskedastisitas.

Analisis
Berdasarkan grafik diatas memperlihatkan titik-titiknya menyebar secara acak, tidak
membentuk sebuah pola tertentu yang jelas, serta tersebar baik diatas maupun dibawah angka
nol pada sumbu Y . Hal ini artinya tidak terjadi adanya heteroskedastisitas pada persamaan
regresi, sehingga model regresi layak dipergunakan untuk dasar prediksi.

UJi Asumsi Model Regresi Berganda

- Autokorelasi
Autokorelasi terjadi bila pada variable dependen berkorelasi dengan variabel dependen
sebelumnya dan regresi terbaik harus terbebas dari adanya Autokorelasi.

Langkah-langkahnya :
 Analyze → Regresi → Linier
 Pindahkan variabel terikat ( dependen) (Y) ke Dependent
 Pindahkan variabel bebas ( independen) (X) ke Independent
 Method → pilih Enter
 Tekan tombol Statistics ….
 Aktipkan Durbin-Watson pada bagian Residuals
 Abaikan (kosongkan) bagian lain dan tekan tombol Continue
 Tekan Ok

Deteksi Autokorelasi
Variables Entered/Removed

Variables Variables
Model Entered Removed Method

1 Assurance, . Enter
Responsive,
Tangible,
Emphaty,
Reabilitya

a. All requested variables entered.

StatBis Anny Suryani2013 3

 Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .799a .638 .615 2.147 1.531

a. Predictors: (Constant), Assurance, Responsive, Tangible, Emphaty, Reability

b. Dependent Variable: Kepuasan

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 640.952 5 128.190 27.799 .000a

Residual 364.295 79 4.611

Total 1005.247 84

a. Predictors: (Constant), Assurance, Responsive, Tangible, Emphaty, Reability

b. Dependent Variable: Kepuasan

Patokan DURBIN-WATSON
Perhatikan hasil nilai (besaran) DURBIN WATSON (D.W)
 Angka D.W di bawah – 2 berarti ada Autokorelasi positif.
 Angka D.W diantara – 2 sampai + 2 , berarti tidak ada Autokorelasi.
 Angka D.W di atas + 2 berarti ada Autokorelasi negatif.
Analisis
Dari tabel Model Summary nilai Durbin Watson adalah 1,531, hal ini berarti model regresi diatas tidak
terdapat atau terbebas dari masalah Autokorelasi
Jika terdapat masalah Autokorelasi, maka model regresi menjadi tidak layak untuk dipakai dasar prediksi.
Autokorelasi bisa diatasi dengan cara sebagai berikut antara lain :
 Melakukan transformasi data.
 Menambahkan data observasi

StatBis Anny Suryani2013 4

UJi Asumsi Model Regresi Berganda

- Multikolinieritas
Model regresi yang baik adalah tidak terjadinya multikolinieritas.
Multikolinieritas adalah adanya korelasi diantara variabel independent.

Langkah-langkahnya :
 Analyze → Regresi → Linier
 Pindahkan variabel terikat ( dependen) (Y) ke Dependent
 Pindahkan variabel bebas ( independen) (X) ke Independent
 Method → pilih Enter
 Tekan tombol Statistics ….
 Nonaktifkan pilihan Estimates dan model Fit
 Aktifkan pilihan covariance matrix dan colinierity diagnotics
 Abaikan (kosongkan) bagian lain dan tekan tombol Continue
 Tekan Ok

Deteksi
Variables Entered/Removed

Model Variables Entered Variables Removed Method

1 Assurance, Responsive, . Enter

a
Tangible, Emphaty, Reability

a. All requested variables entered.

Coefficientsa

Collinearity Statistics

Model Tolerance VIF

1 Tangible .288 3.474

Emphaty .264 3.787

Reability .208 4.812

Responsive .286 3.502

Assurance .422 2.369

a. Dependent Variable: Kepuasan

StatBis Anny Suryani2013 5

 Coefficient Correlationsa

Model Assurance Responsive Tangible Emphaty Reability

1 Correlations Assurance 1.000 -.039 -.072 -.219 -.309

Responsive -.039 1.000 .135 -.704 -.204

Tangible -.072 .135 1.000 -.064 -.712

Emphaty -.219 -.704 -.064 1.000 -.038

Reability -.309 -.204 -.712 -.038 1.000

Covariances Assurance .007 .000 .000 -.002 -.003

Responsive .000 .026 .002 -.012 -.004

Tangible .000 .002 .006 .000 -.007

Emphaty -.002 -.012 .000 .011 .000

Reability -.003 -.004 -.007 .000 .017

a. Dependent Variable: Kepuasan

Collinearity Diagnosticsa

Variance Proportions
Dimensi
Model on Eigenvalue Condition Index (Constant) Tangible Emphaty Reability Responsive Assurance

1 1 5.921 1.000 .00 .00 .00 .00 .00 .00

2 .030 14.079 .31 .02 .01 .02 .02 .26

3 .024 15.824 .15 .13 .04 .02 .10 .10

4 .015 19.840 .44 .06 .02 .06 .08 .59

5 .006 32.695 .10 .36 .51 .42 .23 .00

6 .005 35.591 .00 .44 .42 .47 .56 .05

a. Dependent Variable: Kepuasan

StatBis Anny Suryani2013 6

 Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 9.20 19.22 14.49 2.762 85

Std. Predicted Value -1.916 1.712 .000 1.000 85

Standard Error of Predicted .309 1.225 .545 .170 85

Value

Adjusted Predicted Value 9.13 19.24 14.50 2.760 85

Residual -3.713 10.667 .000 2.083 85

Std. Residual -1.729 4.967 .000 .970 85

Stud. Residual -1.933 5.319 -.002 1.019 85

Deleted Residual -4.640 12.230 -.010 2.304 85

Stud. Deleted Residual -1.968 6.597 .014 1.109 85

Mahal. Distance .753 26.332 4.941 4.193 85

Cook's Distance .000 .691 .019 .078 85

Centered Leverage Value .009 .313 .059 .050 85

a. Dependent Variable: Kepuasan

Deteksi adanya Multikolinieritas

Perhatikan Besaran VIF (Variance Inflantion Factor) dan Tolerance

Pedoman suatu model regresi bebas multikolinieritas

 Mempunyai nilai VIF disekitar 1 .

 Mempunyai angka Tolerance mendekati 1

Analisis
Dari hasil analisis tabel coefficient memperlihatkan nilai VIF dari kelima variabel bebas tidak
disekitar satu yaitu nilainya 3,474 : 3,787 ; 4,812 ; 3,502 ; 2,369 dan nilai Tolerance tidak
mendekati satu yaitu : 0,288 ; 0,264 ; 0,208 ; 0,286 ; 0,422 , dengan demikian dapat disimpulkan
model regresi tersebut terdapat multikolinieritas.

Pada bagian Coefficient Corelation terlihat korelasi diantara masing-masing variabel bebas
berkorelasi tinggi, untuk membuat terbebas dari masalah multikolinieritas hurus
menghilangkan variabel yang berkorelasi tinggi

StatBis Anny Suryani2013 7

Langkah-langkah Uji normalitas

 Analyze → Descriptive Statistics → Eksplore

 Pindahkan variabel terikat ( dependen) (Y) atau variable yang akan diuji normalitasnya
ke Dependent List
 Pilih Both pada Display
 Tekan tombol Plot
 Aktifkan Factor Level together pada boxplot
 Aktifkan histogram pada descriptive dan Normality plot with test
 Abaikan (kosongkan) bagian lain dan tekan tombol Continue
 Tekan OK

StatBis Anny Suryani2013 8