BAB II

TINJAUAN PUSTAKA

2.1 Koefisien Korelasi

Koefisien korelasi berfungsi untuk mengukur kekuatan hubungan antara dua
variabel. Hubungan linear antar variabel X dan Y dapat diduga dengan koefisien
korelasi. Hubungan antara dua variabel itu akan kuat dan terdapat korelasi yang
tinggi jika r mendekati +1 atau -1. Akan tetapi, bila r mendekati nol maka hubungan
linear antara X dan Y sangat lemah atau mungkin tidak ada sama sekali. Sedangkan
tanda positif (+) dan negatif (-) pada koefisien korelasi memberikan informasi
mengenai arah hubungan antara dua variabel tersebut. Jika koefisien korelasi
bernilai positif (+), maka kedua variabel tersebut memiliki hubungan yang searah.
Dalam hal ini peningkatan X akan bersamaan dengan peningkatan Y dan begitu
juga sebaliknya. Jika koefisien korelasi bernilai negatif (-), maka kedua variabel
tersebut memiliki hubungan yang berlawanan. Dalam hal ini peningkatan X akan
dibarengi dengan penurunan Y.
Rumus dari koefisien korelasi adalah sebagai berikut (Walpole, 1993).
n
 n  n 
n xi yi    xi   yi 
r i 1  i 1  i 1  (2,1)
2
 n 2  n  2
 n 2  n  2

 n  xi    xi   n y i    y i  
 i 1  i 1    i 1  i 1  

Keterangan :
r = koefisien korelasi
n = jumlah data / sampel
xi = nilai variabel X pada data / sampel ke-i

yi = nilai variabel Y pada data / sampel ke-i

i = 1,2,3,......,n

2.2 Regresi Linier Berganda

Apabila banyaknya peubah bebas X terdapat lebih dari satu maka regresi
tersebut dinamakan regresi linier berganda. Fokus utama dalam model regresi linier
berganda terletak pada model yang menggunakan suatu variabel dependen
dihubungkan dengan dua atau lebih dari variabel independen (Nawari, 2010).
2.2.1 Estimasi Model Regresi Linier Berganda
Secara umum, persamaan regresi linier berganda dapat ditulis sebagai berikut
(Nawari, 2010).
Y   0  1 X 1   2 X 2  .....   k X k   i (2.4)
Keterangan :
y = variabel respon
x = variabel prediktor
β0 = parameter regresi (konstan)
β1 = parameter regresi 1
β2 = parameter regresi 2
βk = parameter regresi ke-k
εi = random error

2.2.2 Uji Serentak

Uji serentak (Uji F) adalah metode pengujian yang dilakukan untuk
mengetahui pengaruh variable bebas (X) secara bersama-sama terhadap variable
terikat (Y). Langkah-langkah untuk melakukan uji serentak (uji F) adalah sebagai
berikut (Drapper, 1992).
Hipotesis :
H0 : β1= β2=.....= βk = 0 (variabel prediktor tidak berpengaruh signifikan
terhadap variabel respon)
H1 : β1= β2=.....= βk ≠ 0 (variabel prediktor berpengaruh signifikan terhadap
variabel respon)
Taraf Signifikan :
  0, 05
Daerah Penolakan :
H0 ditolak jika , Fhitung  F( v1,v 2) atau P-value < α
Statistik Uji :
Tabel 4.3 Tabel ANOVA Uji Serentak
Sumber Variasi DF SS MS Fhitung
SSR MSR
MSR 
2
Regresi k SSR  bT x T y  n( y )
k MSE
SSE
Eroor n-k-1 SSE  y T y  b T x T y MSE 
n  k 1
2
Total n-1 SST  y T y  n( y )
Ketrenagan :
k = banyaknya parameter
n = banyak sampel
SSR = Jumlah kuadrat regresi
SSE = jumlah kuadrat error
SST = jumlah kuadrat total
MSR = kuadrat tengah regresi
MSE = kuadrat tengah error

2.2.3 Uji Parsial

Uji parsial (Uji T) adalah metode pengujian yang dilakukan untuk mengetahui
pengaruh variable bebas (X) secara individual terhadap variable terikat (Y).
Langkah-langkah untuk melakukan uji parsial (uji T) adalah sebagai berikut
(Drapper, 1992).
Hipotesis :
H0 : βj = 0 (variabel prediktor ke-j tidak berpengaruh signifikan terhadap
variabel respon) dimana j = 1,2,...,k
H0 : βj ≠ 0 (variabel prediktor ke-j berpengaruh signifikan terhadap variabel
respon) dimana j = 1,2,...,k
Taraf Signifikan :
  0, 05
Daerah Penolakan :
t hitung  t 2,( n  2)
H0 ditolak jika , atau P-value < α
1.
Statistik Uji :

j
t hit  (2.5)
  
SE   j 
 
2.4 Pengujian Asumsi IIDN
Model regresi yang dibentuk didasarkan dengan meminimumkan jumlah
kuadrat error atau galat, maka residual dalam hal ini dianggap sebagai suatu
kesalahan dari pengukuran harus memenuhi beberapa asumsi diantaranya sebagai
berikut (Abdullah, 2015).

2.4.1 Asumsi Residual Identik

Memeriksa residual identik dilakukan untuk melihat apakah residual
memenuhi asumsi identik dengan melakukan pengujian secara visual dan melalui
pengujian Glejser sebagai berikut (Abdullah, 2015).
a. Uji Visual (Residual vs Fits)
Uji visual asumsi residual independen dapat dilakukan dengan melihat
gambar grafik atau scatterplot residual vs fits. Jika plot residualnya menyebar
secara acak dan tidak membentuk pola maka residual memenuhi asumsi identik.
b. Uji Glejser
Uji Glejser digunakan untuk mengetahui apakah sebuah model regresi
memiliki indikasi heterokedastisitas dengan cara meregres absolut residual.
Heteroskedastisitas adalah salah satu asumsi klasik sebagai prasyarat melakukan
analisis regresi. Tes heteroskedastisitas menggunakan scatterplot sangat lemah
karena hanya mengandalkan analisis visual. Untuk mendapatkan kepastian perlu uji
hipotesis yaitu menggunakan uji Glejser. Berikut proses pengujian Glejser
(Nugroho, 2012).
Hipotesis:
H0 : βj = 0 (tidak ada heterokedastisitas atau residual identik)
H1 : βj  0 (ada heterokedastisitas atau residual tidak identik) dimana j=
1,2,.....,k
Taraf Signifikan :
  0, 05
Daerah Penolakan :
 H0 ditolak jika , Fhitung  F( v1,v 2)

Statistik Uji :
MSR
Fhitung  (2.6)
MSE
2.4.2 Asumsi Residual Independen
Memeriksa residual independen (saling bebas) dilakukan untuk melihat
apakah residual memenuhi asumsi independen dengan melakukan pengujian secara
visual dan melalui pengujian Durbin-Watson sebagai berikut (Nugroho, 2012).
a. Uji Visual (Residual vs Order)
Uji visual asumsi residual independen dapat dilakukan dengan melihat
gambar grafik atau scatterplot residual vs order. Jika plot residualnya menyebar
secara acak dan tidak membentuk pola maka residual memenuhi asumsi
independen.
b. Uji Durbin-Watson
Uji Durbin-Watson adalah pengujian yang dilakukan untuk mengetahui
adanya autokorelasi antar variabel. Jika hasil pengujian menunjukkan bahwa tidak
ada autokorelasi antar variabel maka data dikatakan memenuhi asumsi residual
independen. Berikut proses pengujian Durbin-Watson.
Hipotesis:
H0 :  = 0 (tidak ada autokorelasi atau independen antar residual)
H1 :   0 (ada autokorelasi atau tidak independen antar residual)
Taraf Signifikan :
  0, 05
Daerah Penolakan :
H0 ditolak jika, d < dL
Gagal tolak H0 jika, d > dU
Tidak ada kesimpulan jika, dL ≤ d ≤ dU
Uji Statistik :
n

 e  ei 1 
2
i
d i 2
n
(2.6)
e
i 1
i
2.4.3 Asumsi Residual Berdistribusi Normal
Memeriksa residual berdistribusi normal dilakukan untuk melihat apakah
residual memenuhi asumsi berdistribusi normal dengan melakukan pengujian
secara visual dan melalui pengujian Kolmogorov-Smirnov sebagai berikut.
a. Uji Visual (Residual vs Order)
Uji visual asumsi residual berdistribusi normal dapat dilakukan dengan
melihat gambar grafik atau scatterplot residual normal probability plot.. Jika plot
residualnya cenderung mendekati garis lurus atau linier maka residual memenuhi
asumsi berdistribusi normal.
b. Uji Kolmogorov-Smirnov
Uji Kolmogorov-Smirnov adalah uji yang bertujuan untuk mengetahui
apakah data dalam variabel yang akan dianalisis berdistribusi normal.
Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki
distribusi normal. Data berdistribusi normal artinya data mempunyai sebaran
merata sehingga benar-benarmewakili populasi. Berikut proses pengujian
Kolmogorov-Smirnov (Abdullah, 2015).
Hipotesis:
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Taraf Signifikan :
  0, 05
Daerah Penolakan :
H0 ditolak jika , KS hitung  KS tabel

H0 ditolak jika P-Value < α

Statistik uji : dilihat dari P-value yang didapat pada percobaan dengan software.
2.5 Multikolinieritas
Multikolinieritas adalah suatu kondisi dimana terjadi korelasi yang kuat
diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan
model regresi linier. Untuk mendeteksi apakah model regresi kita mengalami
multikolinieritas, dapat diperiksa menggunakan VIF (Variance Inflation Factor).
Jika nilai VIF > 10 berarti telah terjadi multikolinieritas (Gujarati, 1991).
 1
VIF  (2.7)
1  R 2j