BAB I

PENDAHULUAN

1.1 Pengertian Uji Asumsi Klasik

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada
analisis regresi linear berganda yang berbasis ordinary least square (OLS). Tidak
semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji
multikolinearitas tidak dapat dipergunakan pada analisis regresi linear sederhana dan
uji autokorelasi tidak perlu diterapkan pada data cross sectional. Jadi, regresi linear
sederhana memiliki 4 asumsi yaitu: asumsi linearitas, asumsi normalitas, asumsi
homoskedastisitas, dan asumsi autokorelasi. Sedang regresi linear berganda :
asumsi multikolinearitas, asumsi normalitas, asumsi heteroskedastisitas, dan asumsi
autokorelasi.

1.1.1 Pengertian 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.
Uji normalitas dapat dilakukan dengan menggunakan Uji Chi
Kuadrat, Uji Lillifors, dan Uji Kolmogorov-Smirnov
1.1.2 Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi
korelasi antara suatu periode t dengan periode sebelumnya (t -1).
Secara sederhana adalah bahwa analisis regresi adalah untuk melihat
pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak
boleh ada korelasi antara observasi dengan data observasi
sebelumnya.
1.1.3 Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat
ketidaksamaan varians dari residual satu ke pengamatan ke
pengamatan yang lain. Model regresi yang memenuhi persyaratan
adalah di mana terdapat kesamaan varians dari residual satu
pengamatan ke pengamatan yang lain tetap atau disebut
homoskedastisitas. Deteksi heteroskedastisitas dapat dilakukan
dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai
prediksi) dengan SRESID (nilai residualnya). Model yang baik
didapatkan jika tidak terdapat pola tertentu pada grafik, seperti
mengumpul di tengah, menyempit kemudian melebar atau sebaliknya
melebar kemudian menyempit.
Uji statistik yang dapat digunakan adalah uji Gletser, uji Park
atau uji White.
1.1.4 Uji Multikolinieritas
Uji multikolinearitas adalah untuk melihat ada atau tidaknya
korelasi (keterkaitan) yang tinggi antara variabel-variabel bebas dalam
suatu model regresi linear berganda. Jika ada korelasi yang tinggi
di antara variabel-variabel bebasnya, maka hubungan antara variabel
bebas terhadap variabel terikatnya menjadi terganggu.
Alat statistik yang sering dipergunakan untuk menguji
gangguan multikolinearitas adalah dengan variance inflation factor
(VIF), korelasi pearson antara variabel-variabel bebas, atau dengan
melihat eigenvalues dan condition index (CI). (Sumber: Budianas,
Nanang. 2013).
 BAB II

DESKRIPSI KERJA

2.1 Studi Kasus

Pada praktikum kali ini praktikan diminta untuk menyelesaikan suatu
permasalahan dengan menggunakan analisis regresi berganda dan uji asumsi
klasik terhadap data yang tersedia. Berikut adalah data persoalan pada praktikum
kali ini :

Gambar 2.1 Data Persoalan Ukuran Rumah, Umur Bangunan, dan Harga
Rumah
2.2 Langkah Penyelesaian Kasus
Berikut adalah langkah-langkah yang praktikan gunakan untuk melakukan
analisis regresi berganda serta uji asumsi klasik terhadap data di atas :
2.2.1 Buka software SPSS 20
2.2.2 Masukan nama variabel yang akan digunakan ke dalam lembar kerja
variable view.
2.2.3 Masukan data yang telah diketahui ke dalam lembar kerja data view
2.2.4 Klik menu bar graph > legacy dialogs > scatter/dot.
2.2.5 Dari data yang telah selesai diinputkan lalu klik analyze > regression >
linear, isi kotak dependent dengan variabel harga rumah dan kotak
independent dengan variabel ukuran rumah dan umur bangunan.

Gambar 2.2 Kotak Dialog Linear Regression

2.2.6 Pada button statistics, beri tanda centang pada kotak durbin-watson (uji
kebebasan sisaan), collinierity diagnostics, estimates, dan model fit. Lalu
klik continue dan OK.
2.2.7 Pada button plot, masukan *ZPRED ke dalam kolom X dan *SRESID ke
dalam kolom Y (untuk uji homoskedastisitas) lalu beri tanda centang pada
kotak histogram dan normal probability plot (untuk uji kenormalan
sisaan) lalu klik continue .
2.2.8 Pada button save beri tanda centang pada unstandardized dalam kotak
residuals, kemudian klik continue dan OK.
2.2.9 Kemudian pada lembar kerja data view akan muncul kolom baru dengan
mana kolom RES_1, ini merupakan residual regresi.
2.2.10 Pilih menu bar analyze > nonparametric test > legacy dialogs > 1-sample
K-S, kemudian masukan nilai unstandardized residual ke dalam kolom
test variable list dan beri tanda centang pada kotak normal, lalu klik OK.
 Gambar 2.3 Kotak Dialog One Sample Kolmogorov Smirnov Test
2.2.11 Pada lembar kerja data view tersedia kolom RES_1 maka langsung saja
untuk uji homoskedatisitas dengan metode glejser, klik menu bar
transform > compute variable lalu isi kotak terget variable dengan nama
variabel yang diinginkan (ABS_RES1) kemudian pada kotak numeric
expression merupakan formula dalam SPSS, isi dengan ABS(RES_1) lalu
klik OK.
2.2.12 Maka akan muncul pada lembar kerja data view kolom ABS_RES1
2.2.13 Klik menu bar analyze > regression > linier, lalu masukan variabel
ABS_RES1 ke dalam kolom dependent dan pada kolom independent tetap
berisi variabel umur bangunan dan ukuran rumah, kemudian klik continue
dan OK.
 BAB III

PEMBAHASAN

Pada kesempatan kali ini praktikan akan membahas mengenai hasil output dari
analisis regresi berganda yang telah praktikan ujikan menggunakan software SPSS.

3.1 Uji Pengaruh Umur Bangunan dan Ukuran Rumah Terhadap Harga Rumah
Untuk menentukan apakah ada bentuk hubungan linier atau tidak, maka
praktikan menampilkan visualisasi berupa diagram pencar yang menyatakan
hubungan variabel ukran rumah dengan harga rumah (gambar 3.1) dan umur
bangunan dengan harga rumah (gambar 3.2).
Dalam kasus ini, terlihat banhwa ukuran rumah dan umur bangunan
merupakan variabel yang mempengaruhi variabel harga rumah. Dengan
demikian harga rumah merupakan variabel dependen (y), umur bangunan
merupakan variabel independen (x1) dan ukuran rumah merupakan variabel
independen (x2).

Gambar 3.1 Pengaruh Ukuran Rumah Terhadap Harga Rumah

Gambar 3.2 Pengaruh Umur Bangunan Terhadap Harga Rumah

 Dari bentuk diagram pencar di atas (gambar 3.1 dan 3.2), dapat disimpulkan
bahwa hubungan variabel ukuran rumah dengan harga rumah adalah linier.
Sedangkan hubungan variabel umur bangunan dengan harga rumah adalah
tidak linier. Hal ini dikarenakan apabila pada gambar 3.1 dari nilai-nilai hasil
observasi kemudian ditarik garis linier lurus maka titik-titik nilai observasi
tersebut berada tidak jauh bahkan tepat di garis linier tersebut sehingga
dikatakan linier, sedangkan pada gambar 3.2 apabila praktikan tarik garis lurus
linier titik-titik dari nilai observasi terlalu banyak yang berada jauh dari garis
lurus linier sehingga dapat dikatakan tidak linier.
3.2 Korelasi

Gambar 3.3 Hasil Output Korelasi

Pada gambar 3.3 dapat terlihat bahwa korelasi antara variabel ukuran rumah
dengan harga rumah dinyatakan dengan nilai 0,975 yang menunjukkan bahwa
hubungan keduanya searah dan sangat kuat. Artinya, apabila variabel ukuran
rumah naik, maka harga rumah juga akan naik. Sementara itu, korelasi variable
umur bangunan dengan harga rumah sebesar -0,145 mengandung arti bahwa
tidak adanya hubungan antara variabel umur bangunan dengan harga rumah.
3.3 Analisis Regresi Berganda

Gambar 3.4 Hasil Output Regresi

Untuk menguji signifikansi linieritas antara variabel independen dengan
variabel dependen, maka dipakai :
3.3.1 Menguji signifikansi hubungan linier antara harga rumah dengan ukuran
rumah dan umur bangunan ( Uji Overall ).
- Hipotesis
H0 : βi = 0 (Tidak ada hubungan linier pada model regresi linier
berganda / model tidak layak digunakan) i = 0,1,2
H1 : βi ≠ 0 (Ada hubungan linier pada model regresi linier/ model
layak digunakan) i = 0,1,2
 - Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig. yaitu 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 > 0,05 maka tolak H0 yang artinya ada
hubungan linier antara stress dengan tekanan darah atau model layak
digunakan atau ada salah satu nilai βi yang tidak sama dengan 0.
Dari gambar tabel model summary diperoleh nilai R2 = 0,953. Artinya
variabel ukuran rumah dan umur bangunan dapat menerangkan
variabilitas sebesar 95,3% dari variabel harga rumah, sedangkan sisanya
diterangkan oleh variabel lain (R2 merupakan koefisien determinasi)
3.3.2 Menguji signifikansi konstanta pada model linier.
- Hipotesis
H0 : β1 = 0 (Konstanta / variabel harga rumah tidak signifikan)
H1 : β1 ≠ 0 (Konstanta / variabel harga rumah signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,000
- Keputusan
 Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 < 0,05 maka tolak H0 yang artinya
konstanta variabel harga rumah signifikan.
3.3.3 Menguji signifikansi koefisien variabel umur bangunan pada model
linier (uji parsial variabel umur bangunan)
- Hipotesis
H0 : β1 = 0 (Koefisien regresi variabel umur bangunan tidak
signifikan)
H1 : β1 ≠ 0 (Koefisien regresi variabel umur bangunan signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig. 0,372
- Keputusan
Karena nilai Sig. > α yaitu 0,372 > 0,05 maka terima H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig. lebih
dari α yaitu 0,372 > 0,05 maka terima H0 yang artinya koefisien
regresi variabel umur bangunan tidak signifikan.
3.3.4 Menguji signifikansi koefisien variabel ukuran rumah pada model
linier (uji parsial variabel ukuran rumah)
- Hipotesis
H0 : β2 = 0 (Koefisien regresi variabel ukuran rumah tidak
signifikan)
 H1 : β2 ≠ 0 (Koefisien regresi variabel ukuran rumah signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 < 0,05 maka tolak H0 yang artinya
koefisien regresi variabel ukuran rumah signifikan.
Berdasarkan beberapa pengujian di atas model regresi yang terbentuk pada
koefisien regresi yang terdapat pada variabel ukuran rumah signifikan terhadap harga
rumah sedangkan umur bangunan tidak signifikan terhadap harga rumah. Oleh karena
itu sebenarnya ada dua langkah untuk menyelesaikan persoalan tersebut, pertama
membuang data variabel yang tidak signifikan kemudian melakukan pengujian lagi
atau tetap diikutkan variabel yang tidak signifikan tetapi mereka tidak memberikan
pengaruh apa-apa terhadap model tersebut.
Pada praktikum kali ini praktikan tetap mengikutkan variabel yang tidak
signifikan (umur bangunan) ke dalam model regresi, sehingga didapatkan sebuah
model regresi yaitu
Y = 10,046 – 0,057 x1 + 12,834 x2
Atau
Harga rumah = 10,046 – 0,057 umur bangunan + 12,834 ukuran rumah
3.4 Uji Liniearitas

Gambar 3.5 Hasil Output Uji Linieritas

Dari gambar 3.1 terlihat bahwa antara ukuran rumah dengan harga rumah
berhubungan linier. Selain menggunakan gambar tersebut, kelinieran model
yang terbentuk dapat pula diuji melalui plot residual terhadap harga-harga
prediksi. Jika grafik antara harga-harga prediksi dan harga-harga residual tidak
membentuk suatu pola tertentu (parabola, kubik, dan sebagainya), maka asumsi
linieritas terpenuhi.
Dari gambar 3.5 tampak bahwa harga-harga prediksi (standardized predicted
value) dengan harga-harga residual(standardized residual) tidak membentuk
suatu pola tertentu maka asumsi linieritas terpenuhi.
3.5 Uji Asumsi Kenormalan Sisaan

Gambar 3.6 Hasil Output (Grafik) Uji Normalitas

 Dari plot di atas terlihat bahwa titik-titiknya tersebar disekitar garis lurus,
sehingga asumsi kenormalan terpenuhi. Pada uji asumsi kenormalan sisaan ini
juga bisa dilihat menggunakan uji one sample kolmogorov smirnov test.

Gambar 3.7 Hasil Output Uji Normalitas

- Hipotesis
H0 : Sisaan menyebar normal
H1 : Sisaan tidak menyebar normal
- Tingkat Signifikansi
α : 5% = 0,05
α/2 : 2,5% = 0,025(Sig. 2-tailed)
- Daerah Kritis
Jika Asymp. Sig (2-tailed) < α/2 maka tolak H0
- Statistika Uji
Asymp. Sig (2-tailed) = 0,200 ; α/2 = 0,025
- Keputusan
Karena nilai asymp. sig (2-tailed) > α/2 yaitu 0,200 > 0,025 maka terima H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan rata-rata nilai Asymp. Sig
(2-tailed) lebih dari α/2 yaitu 0,200 > 0,025 maka terima H0 berarti sisaan
menyebar normal dan asumsi kenormalan terpenuhi.
3.6 Uji Asumsi Nonautokorelasi

Gambar 3.8 Hasil Output Uji Nonautokorelasi

- Hipotesis
H0 : Tidak terdapat autokorelasi ordo 1 pada sisaan
H1 : Terdapat autokorelasi ordo 1 pada sisaan
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Apabila 0 < DW < dL atau 4 - dL < DW < 4 maka tolak H0
Apabila du < DW < 4 - du maka terima H0
Apabila dL < DW < du atau 4 – du < DW < 4 – dL
- Statistik Uji
n = 34 dan jumlah variabel independen = 1 (K = 1)
Nilai DW = 2,052 dimana dL= 1,1004 du= 1,5367
- Keputusan
Karena nilai du < DW < 4 – du yaitu 1,5367 < 2,052 < 2,4633 maka terima H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan karena nilai du < DW <
4 – du yaitu 1,5367 < 2,052 < 2,4864 maka terima H0 berarti residual berubah
secara acak atau tidak terjadi autokorelasi. Dengan demikian asumsi
nonautokorelasi terpenuhi.
3.7 Uji Asumsi Homoskedastisitas
Salah stau metode visual untuk membuktikan kesamaan varians
(homoskedatisitas), yaitu dengan melihat penyebaran nilai-nilai residual
terhadap nilai-nilai prediksi. Jika penyebarannya tidak membentuk suatu pola
tertentu meningkat atau menurun, maka keadaan homoskedastisitas terpenuhi.
Jika tidak, maka harus mempertanyakan asumsi varians konstan dari Y terhadap
nilai-nilai X

Gambar 3.8 Hasil Uji Homoskedastisitas

Dari gambar 3.8 telihat bahwa penyebaran niali-nilai residual terhadap harga-
harga prediksi tidak membentuk suatu pola tertentu (meningkat atau menurun).
Jadi dapat disimpulkan bahwa homoskedastisitas terpenuhi.
3.8 Uji Asumsi Tidak ada Multikolinieritas
Pengujian multikolinieritas juga sering disebut uji independensi. Pengujian ini
akan melihat apakah antara sesama penjelas hubungan yang besar atau tidak.
Jika hubungan antara sesama penjelas (variabel dependen) kuat, maka anatar
penjelas tersebut tidak saling bebas.
Untuk mendeteksi adanya masalah multikolinieritas dapat dilakukan dengan
eksplorasi hubungan antar peubah penjelas, baik lewat plot pencaran maupun
korelasi antar peubah penjelas. Cara lain dapat dilakukan dengan menghitung
nilai VIF atau Variance Inflation Factor. Nilai VIF ini mengukur seberapa besar
ragam dari dugaan koefisien regresi akan meningkat apabila antar peubah
penjelas terdapat masalah mulkilonieri. Dimana formula untuk VIF sebagai
berikut :
VIF = (1-R2)-1
Dimana R2 merupakan koefisien determinasi regresi antara peubah x sebagai
responnya dengan peubah x lainnya sebagai peubah penjelasnya. Nilai VIF = 1
menunjukkan tidak ada korelasi antar peubah penjelas. Jika nilai VIF tidak
melebihi 10 maka dapat dikatakan bahwa data itu terbatas dari persoalan
multikolinieritas. Nilai VIF terbesar di anatara peubah penjelas sering
digunakan sebagai indikator adanya multikolinier.

Gambar 3.9 Output Tabel Coefficients

Dari gambar di atas dapat dilihat bahwa nilai VIF menunjukkan nilai sebesar
1,010 sehingga dapat disimpulkan bahwa asumsi tidak adanya multikolinier
telah terpenuhi
 BAB IV

PENUTUP

Dari langkah-langkah yang telah dilakukan praktikan dan pembahasan pada

bab sebelumnya, maka dapat ditarik beberapa kesimpulan yaitu :
1. Dari uji overall didapatkan bahwa model layak untuk digunakan.
2. Nilai R2 = 0,953. Artinya variabel ukuran rumah dan umur bangunan dapat
menerangkan variabilitas sebesar 95,3% dari variabel harga rumah, sedangkan
sisanya diterangkan oleh variabel lain (R2 merupakan koefisien determinasi)
3. Dari uji parsial untuk variabel konstanta didapat bahwa konstanta variabel harga
rumah signifikan, untuk variabel ukuran rumah didapat bahwa koefisien regresi
variabel ukuran rumah signifikan, sedangkan untuk variabel umur bangunan
didapat bahwa koefisien regresi variabel umur bangunan tidak signifikan.
4. Dari uji analisi regresi sederhana didapatkan sebuah model matematika yaitu Y =
10,046 – 0,057 x1 + 12,834 x2 atau Harga rumah = 10,046 – 0,057 umur
bangunan + 12,834 ukuran rumah
5. Dari uji asumsi klasik kenormalan sisaan didapatkan bahwa, data yang ada
berdistribusi normal sehingga asumsi kenormalan sisaan model regresi terpenuhi.
6. Daru uji asumsi klasik nonautocorrelation didapatkan bahwa, data yang ada
menunjukkan tidak terjadi autokorelasi sehingga asumsi nonautocorrelation pada
model regresi tersebut terpenuhi.
7. Dari uji asumsi klasik homoskedastisitas atau kehomogenan ragam sisaan
didapatkan bahwa, data yang ada memperlihatkan tidak terjadi
heteroskedastisitas atau setiap nilai variabel independen memiliki variansi yang
sama sehingga model tersebut dinyatakan layak atau baik digunakan karena
memenuhi asumsi homoskedastisitas.
8. Dari uji asumsi klasik tidak ada multikolinieritas didapatkan bahwa nilai VIF
menunjukkan nilai sebesar 1,010 sehingga dapat disimpulkan bahwa asumsi
tidak adanya multikolinier telah terpenuhi