UJI ASUMSI KLASIK REGRESI LINEAR

Oleh :

WIJAYA

Email : zeamays_hibrida@yahoo.com

FAKULTAS PERTANIAN

UNIVERSITAS SWADAYA GUNUNG JATI CIREBON

2008

Wijaya : Uji Asumsi Klasik Regresi Linear - 0

UJI ASUMSI KLASIK DALAM ANALISIS REGRESI LINEAR

1. Nilai galat ( e = Yi − Y ) pada setiap pengamatan bersifat acak

Cara menguji dengan menggunakan Uji Run
a. Pada pengamatan dengan n kecil, nilai galat bersifat acak jika :
r1 < r < r2, r1 dan r2 banyaknya tanda (+) atau (-), r banyaknya run
b. Pada pengamatan dengan n besar, nilai galat bersifat acak jika :
2 n1 n 2
u = +1
n1 + n 2

2 n1 n2 (2 n1 n2 − n1 − n2 )
σ2 =
(n1 + n2)2 (n1 + n2 − 1)

r−u
z =
σ

Galat bersifat acak jika : −z0,025 < z < z0,025

c. Pengujian menggunakan Program SPSS dilakukan melalui prosedur :
Analyze Æ Nonparametrics Test Æ Runs
2. Nilai galat ( e = Yi − Y ) seluruh pengamatan pada setiap variabel bebas X
mempunyai rata-rata (Mean) Nol
3. Homoskedastisitas yaitu ragam dari setiap nilai galat adalah konstan (sama)
untuk semua nilai dari variabel bebas X.
Beberapa cara menguji asumsi homoskedastisitas :
a. Uji Park : Membangun model regresi Ln e2 = b0 + b1Ln.X jika koefisien b1
bersifat tidak signifikan, bararti asumsi homoskedastisitas dapat
diterima.
b. Uji Korelasi Rank Spearman : Korelasikan variabel bebas X dengan
variabel galat e, selanjutnya gunakan Uji t. Homoskedastisitas dapat
diterima jika −t0,025(n-2) < t < t0,025(n-2) .
c. Pengujian Homoskedastisitas menggunakan Program SPSS dilakukan
melalui prosedur :

Wijaya : Uji Asumsi Klasik Regresi Linear - 1

 Analyze Æ Regression Æ Linear, masukkan Variabel Dependen ke kotak
Dependent dan beberapa Variabel Independen ke kotak Independent(s)
Æ klik Plot Æ masukan *ZPRED ke kotak X dan *SRESID ke kotak Y Æ
OK.
Pada output akan terlihat Diagram Pencar (sumbu X = Regression
Standardized Predicted Value, sumbu Y = Regression Standardized
Residual). Jika Diagram Pencar tidak menunjukkan pola tertentu maka
asumsi homoskedastisitas dapat diterima, jika menunjukkan pola tertentu
berarti terjadi heteroskedastisitas.
4. Normalitas : Variabel galat berdistribusi normal.
Beberapa cara menguji asumsi normalitas :
a. Kolmogorov-Smirnov (Uji K-S) : (1) Urutkan nilai galat ei dari terkecil
sampai terbesar, (2) Transformasi nilai ei menjadi zi dengan zi = (ei − e)/s
dimana e dan s adalah rata-rata dan simpangan baku nilai galat, (3)
Tentukan besarnya nilai peluang zi yaitu P(zi) dan peluang proporsional
S(zi), (4) Tentukan selisih mutlak ⏐S(zi) − P(zi)⏐ dan ⏐S(zi−1) − P(zi)⏐, (5)
Tentukan nilai statistik Kolmogorov-Smirnov D = maksimum ⏐S(zi) − P(zi)⏐
atau ⏐S(zi−1) − P(zi)⏐, (6) bandingkan nilai D dengan Dα(n), (7) Keputusan
Jika D > Dα(n) maka Tolak Ho artinya nilai variabel galat tidak normal.
b. Uji Lilifors : (1) Urutkan nilai galat ei dari terkecil sampai terbesar, (2)
Transformasi nilai ei menjadi zi dengan zi = (ei − e)/s dimana e dan s
adalah rata-rata dan simpangan baku nilai galat, (3) Tentukan besarnya
nilai peluang zi yaitu P(zi) dan peluang proporsional S(zi), (4) Tentukan
selisih mutlak ⏐P(zi) − S(zi)⏐, (5) Tentukan nilai statistik Liliefors L =
maksimum ⏐P(zi) − S(zi)⏐, (6) bandingkan nilai L dengan Lα(n), (7)
Keputusan Jika L > Lα(n) maka Tolak Ho artinya nilai variabel galat tidak
normal.
c. Uji Saphiro-Wilks : (1) Tentukan nilai statistik Saphiro-Wilks T = 1/D
[∑Ai (Xn-i+1 – Xi)]2 dimana D = ∑Xi2 – (∑Xi)2/n, (2) bandingkan nilai T
dengan nilai T tabel Saphiro-Wilks (Tα(n)), Normalitas dapat diterima jika
T < T0,05(n) .
Dalil Limit Pusat menyatakan bahwa apabila sampel sebuah pengamatan
mempunyai ukuran yang besar (n > 30), maka data pengamatan tersebut
akan menyebar normal, atau mendekati normal.

Wijaya : Uji Asumsi Klasik Regresi Linear - 2

 d. Pengujian Normalitas menggunakan Program SPSS dilakukan melalui
prosedur :
(1) Untuk Uji Kolmogorov-Smirnov : Analyze Æ Nonparametric Test Æ
1-Sample K-S.
Pada Output, jika Signifikansi hasil Uji Kolmogorov-Smirnov (Uji K-
S) nilainya lebih besar dari 0,05 berarti data berdistribusi normal.
(2) Untuk Uji Liliefors dan Saphiro-Wilks : Analyze Æ Descriptive
Statistics Æ Explore.
Pada Output, jika Signifikansi pada Uji Liliefors dan Saphiro-Wilks
lebih besar dari 0,05 berarti data berdistribusi normal. Disamping
itu, jika pada Grafik Normal Q-Q Plot dan Detrended Normal Q-Q
Plot, nilai-nilai pengamatan menyebar pada garis tersebut, berarti
data pengamatan berdistribusi normal.
5. Autokorelasi atau Korelasi Diri atau Korelasi Seial : Nilai galat ( e = Yi − Y )
setiap pengamatan pada setiap variabel bebas X bersifat bebas.
Beberapa cara menguji asumsi Autokorelasi :
Ho ≡ Tidak ada Autokorelasi H1 ≡ Ada Autokorelasi
a. Uji χ2 : (1) Buat tabel 2x2, seperti tabel dibawah, (2) Tentukan nilai χ2,
(3) Bandingkan nilai χ2 dengan χ20,05(1) (4) Keputusan tidak adanya
Autokorelasi dapat diterima jika nilai χ2 < χ20,05(1).

Banyaknya +ei Banyaknya −ei Jumlah

Banyaknya +ei-1
Banyaknya −ei-1
Jumlah
b. Uji Durbin-Watson : (1) Tentukan nilai D = [ ∑ (ei − ei-1)2 ] / [ ∑ ei2 ] (2)
Bandingkan nilai D dengan D0,05(n), (3) Keputusan tidak adanya Autokorelasi
dapat diterima jika nilai dU < D < (4 − dU), Ada Autokorelasi jika D < dL
atau d > (4 − dL), Tidak ada Keputusan jika berada pada selang lain .

Tolak Ho ? Terima Ho ? Tolak Ho

dL dU 4 − dU 4 − dL

Wijaya : Uji Asumsi Klasik Regresi Linear - 3

 c. Pengujian Autokorelasi menggunakan Program SPSS dilakukan melalui
prosedur :
Analyze Æ Regression Æ Linear, masukkan Variabel Dependen ke kotak
Dependent dan beberapa Variabel Independen ke kotak Independent(s)
Æ klik Statistics Æ Pada kotak Residuals, beri tanda centang pada pilihan
Durbin Watson Æ Continue Æ OK.
6. Multikolinearitas : terjadi korelasi yang kuat diantara variabel bebas X.
Pengujian Multikolinearitas menggunakan Program SPSS dilakukan melalui
prosedur :
Analyze Æ Regression Æ Linear, masukkan Variabel Dependen ke kotak
Dependent dan beberapa Variabel Independen ke kotak Independent(s)
Æ klik Statistics Æ Beri tanda centang pada pilihan Collinearity
diagnostics Æ Continue Æ OK.
Pada Output, akan muncul nilai Collinearity Statistics Tolerance (T) dan
VIF (Variance Inflation Factor). Nilai T = 1/VIF, jadi nilai Tolerance
merupakan kebalikan dari nilai VIF. Diantara variabel bebas X tidak
terjadi multikolinearitas jika nilai VIF mendekakti nilai 1.
Cara lain untuk mendeteksi ada tidaknya multikolinearitas yaitu dengan
mengkorelasikan seluruh variabel bebas. Apabila nilai Koefisien Korelasi R
≥ 0,80, diindikasikan adanya multikolinearitas.
Indikator lainnya yang menunjukkan adanya multikolinearitas adalah nilai
F yang tinggi (sangat signifikan) pada ANOVA, tetapi nilai T pada setiap
variabel bebas X tidak ada yang signifikan.
7. Linearitas : artinya bentuk hubungan antara variabel bebas X dan variabel
terikat Y adalah Linear.
Pengujian Linearitas menggunakan Program SPSS dilakukan melalui
prosedur :
Analyze Æ Compre Means Æ Means, masukkan Variabel Dependen ke
kotak Dependent List dan beberapa Variabel Independen ke kotak
Independent List Æ klik Options Æ Beri tanda centang pada pilihan Test
for linearity Æ Continue Æ OK.
Pada Output, jika signifikansi F pada ANOVA lebih besar dari 0,05, maka
hipotesis tentang hubungan linear dapat diterima.

Wijaya : Uji Asumsi Klasik Regresi Linear - 4

UJI VALIDITAS DAN RELIABILITAS INSTRUMENT

1. Validitas Instrument
Secara garis besar ada dua macam Validitas, yaitu (1) Validitas Logis,
menunjuk pada kondisi bagi sebuah instrumen evaluasi yang memenuhi
persyaratan valid berdasarkan hasil penalaran. Validitas Logis terdiri dari
Validitas Isi dan Validitas Konstruk, (2) Validitas Empiris, yaitu apabila instrumen
tersebut telah teruji dari pengalaman. Validitas Empiris terdiri dari validitas “ada
sekarang” dan validitas predictive.
Uji validitas atau kesahihan digunakan untuk mengetahui seberapa tepat
suatu instrument (alat ukur) mampu melakukan fungsinya. Alat ukur yang dapat
digunakan dalam pengujian validitas suatu instrument adalah angka hasil korelasi
antara skor pernyataan (baik berupa item atau butir setiap pertanyaan maupun
skor dari faktor atau variabel) dengan total skor seluruh pertanyaan.
Beberapa Rumus Uji Validitas :
(1) Korelasi Pearson (Product Moment) :

r =
n ∑ xy − (∑ x ) (∑ y )
⎡n ∑ 2 −
⎢⎣ x (∑ x) ⎤⎥⎦
2 ⎡n ∑ 2 −
⎢⎣ y (∑ y ) ⎤⎥⎦
2

Pengujian Koefisien Korelasi :

n − 2
t = r 2
1 − r

Butir (item) atau Faktor dari skor pertanyaan dikatakan valid jika :
t < −t0,025(n−2) atau t0,025(n−2) < t

(2) Korelasi Biserial :

m − m
ρ
p
= P T
bi
s T
q

Wijaya : Uji Asumsi Klasik Regresi Linear - 5

 dimana :
ρ = koefisien korelasi biserial
mp = rata-rata skor dari subjek yang menjawab benar bagi item yang akan
dihitung validitasnya
mT = rata-rata skor total
sT = simpangan baku dari skor total
p = proporsi responden yang menjawab benar
q = 1–p

Pengujian Validitas menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Æ Correlate Æ Bivariate, masukkan data Skor tiap Butir pertanyaan
dan Skor Total ke kotak Variables Æ OK.

2. Reliabilitas Instrument
Reliabilitas instrumen berhubungan dengan tingkat kepercayaan (keyakinan)
terhadap instrument atau sebuah tes. Suatu instrument atau tes dikatakan
mempunyai tingkat kepercayaan yang tinggi jika instrument atau tes tersebut
dapat memberikan hasil yang tetap (ajeg). Jadi reliabilitas adalah ketetapan
(keajegan) suatu instrument atau tes apabila diberikan kepada subjek yang sama.
Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk
jawaban Pilihan Ganda atau Benar-Salah dapat dilakukan dengan beberapa
metode, yaitu :
(a) Metode Paralel (Equivalent)
Dua buah instrument atau tes yang mempunyai tujuan, tingkat kesukaran, dan
susunan yang sama tetapi soal (item) berbeda diberikan kepada subjek yang sama
pada dua waktu yang berbeda. Reliabilitas diukur dengan menghitung besarnya
nilai Koefisien Korelasi Pearson terhadap kedua hasil pengamatan tersebut.
(b) Metode Ulang
Sebuah instrument atau tes diberikan kepada subjek yang sama pada dua
waktu yang berbeda (berulang). Reliabilitas diukur dengan menghitung besarnya
nilai Koefisien Korelasi Pearson pada kedua waktu tersebut.

Wijaya : Uji Asumsi Klasik Regresi Linear - 6

(c) Metode Belah Dua
Sebuah instrument atau tes diberikan pada waktu yang sama kepada
kelompok subjek yang dibagi dua. Pembelahan dapat dilakukan dengan cara
memisahkan item-item genap dengan item-item ganjil, atau item-item awal dengan
item-item akhir. Reliabilitas diukur dengan menghitung besarnya nilai Koefisien
Korelasi antar kedua belahan tersebut. Rumus yang digunakan untuk mengukurnya,
diantaranya :
(1) Spearman – Brown
2 r12
R =
( 1 + r12 )
dimana :
R = Koefisien Reliabilitas
r12 = Koefisien Korelasi Pearson antar belahan

(2) Flanagan :
S12 + S22
R = 2(1− )
2
St
dimana :
R = Koefisien Reliabilitas
S 12 = Ragam belahan ke-1
S22 = Ragam belahan ke-2
St2 = Ragam Total

(3) Rullon :
R = 1 − ( SD2 / St2 )
dimana :
R = Koefisien Reliabilitas
SD2 = Ragam dari selisih skor antar belahan ke-1 dan ke-2
St2 = Ragam Total

Wijaya : Uji Asumsi Klasik Regresi Linear - 7

 Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk
jawaban Uraian dilakukan dengan metode Alpha-Cronbach yaitu :

n ∑ Si2
R = (1− )
2
n–1 St
dimana :
R = Koefisien Reliabilitas
∑ Si2 = Jumlah Ragam tiap-tiap item
St2 = Ragam Total

Pengujian Validitas menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Æ Scale Æ Reliability Analysis, masukkan data Skor tiap Butir
pertanyaan ke kotak Items Æ Pilih Model Alpha atau Split-Half Æ OK.
Jika sebelum klik OK, kita meng-klik kotak “Statistics” kemudian kita
centang pilihan Scale dan Scale if Item Delete, maka pada Output Item Total
Statistics akan diperoleh nilai Koefisien Korelasi Pearson Terkoreksi (pada kolom
Corrected Item -Total Correlation) yang menggambarkan Validitas item.

Wijaya : Uji Asumsi Klasik Regresi Linear - 8

Misal : Ingin diketahui pengaruh Motivasi (Q15 = X1) dan Fasilitas (Q610 = X2)
terhadap Produktivitas (Y). Faktor Motivasi terdiri dari 5 butir
pertanyaan (Q1 sampai Q5), dan Fasilitas terdiri dari 5 butir
pertanyaan (Q6 sampai Q10). Datanya sebagai berikut :

Resp Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 TOT Q15 Q610 Y

1 3 2 2 3 2 2 2 2 1 3 22 12 10 85
2 2 2 2 2 2 2 2 2 1 2 19 10 9 74
3 2 2 2 2 2 2 2 1 2 2 19 10 9 78
4 3 3 2 3 2 2 2 2 2 2 23 13 10 90
5 3 2 2 2 2 2 3 2 2 2 22 11 11 85
6 3 3 3 3 2 2 3 2 2 2 25 14 11 87
7 3 2 2 3 3 3 3 2 2 3 26 13 13 94
8 3 2 3 3 3 3 3 2 2 3 27 14 13 98
9 2 2 3 2 2 2 2 2 2 2 21 11 10 81
10 2 3 3 3 3 2 2 2 2 2 24 14 10 91
11 2 1 2 3 2 2 2 2 1 1 18 10 8 76
12 2 1 1 2 2 2 1 1 1 2 15 8 7 74

1. Validitas Item (Butir) :

Validitas Item dilakukan dengan cara meng-korelasikan setiap butir
pertanyaan (Q1 sampai Q10) dengan total seluruh butir pertanyaan (TOT).
Korelasi yang digunakan adalah Korelasi Pearson. Hasil perhitungan
menggunakan SPSS 13.0 adalah sebagai berikut :

Wijaya : Uji Asumsi Klasik Regresi Linear - 9

 Correlations

Total Skor Butir01 Butir02 Butir03 Butir04 Butir05

Total Skor Pearson Correlation 1 ,712** ,662* ,691* ,635* ,666*
Sig. (2-tailed) ,009 ,019 ,013 ,027 ,018
N 12 12 12 12 12 12
Butir01 Pearson Correlation ,712** 1 ,391 ,140 ,507 ,192
Sig. (2-tailed) ,009 ,209 ,664 ,092 ,549
N 12 12 12 12 12 12
Butir02 Pearson Correlation ,662* ,391 1 ,602* ,374 ,225
Sig. (2-tailed) ,019 ,209 ,039 ,231 ,481
N 12 12 12 12 12 12
Butir03 Pearson Correlation ,691* ,140 ,602* 1 ,355 ,404
Sig. (2-tailed) ,013 ,664 ,039 ,257 ,192
N 12 12 12 12 12 12
Butir04 Pearson Correlation ,635* ,507 ,374 ,355 1 ,488
Sig. (2-tailed) ,027 ,092 ,231 ,257 ,108
N 12 12 12 12 12 12
Butir05 Pearson Correlation ,666* ,192 ,225 ,404 ,488 1
Sig. (2-tailed) ,018 ,549 ,481 ,192 ,108
N 12 12 12 12 12 12
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

Correlations

Total Skor Butir06 Butir07 Butir08 Butir09 Butir10

Total Skor Pearson Correlation 1 ,626* ,815** ,626* ,677* ,600*
Sig. (2-tailed) ,029 ,001 ,029 ,016 ,039
N 12 12 12 12 12 12
Butir06 Pearson Correlation ,626* 1 ,564 ,200 ,316 ,674*
Sig. (2-tailed) ,029 ,056 ,533 ,317 ,016
N 12 12 12 12 12 12
Butir07 Pearson Correlation ,815** ,564 1 ,564 ,594* ,380
Sig. (2-tailed) ,001 ,056 ,056 ,042 ,223
N 12 12 12 12 12 12
Butir08 Pearson Correlation ,626* ,200 ,564 1 ,158 ,135
Sig. (2-tailed) ,029 ,533 ,056 ,624 ,676
N 12 12 12 12 12 12
Butir09 Pearson Correlation ,677* ,316 ,594* ,158 1 ,213
Sig. (2-tailed) ,016 ,317 ,042 ,624 ,506
N 12 12 12 12 12 12
Butir10 Pearson Correlation ,600* ,674* ,380 ,135 ,213 1
Sig. (2-tailed) ,039 ,016 ,223 ,676 ,506
N 12 12 12 12 12 12
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).

Wijaya : Uji Asumsi Klasik Regresi Linear - 10

2. Reliabilitas Instrument :
Reliabilitas yang dihitung yaitu : (1) Spearman-Brown, (2) Flanagan, (3) Rullon
dan (4) Alpha Cronbach, berdasarkan metode belah dua Ganjil-Genap.

No Q1 Q3 Q5 Q7 Q9 Q2 Q4 Q6 Q8 Q10 Ganj Genp Beda TOT

1 3 2 2 2 1 2 3 2 2 3 10 12 -2 22
2 2 2 2 2 1 2 2 2 2 2 9 10 -1 19
3 2 2 2 2 2 2 2 2 1 2 10 9 1 19
4 3 2 2 2 2 3 3 2 2 2 11 12 -1 23
5 3 2 2 3 2 2 2 2 2 2 12 10 2 22
6 3 3 2 3 2 3 3 2 2 2 13 12 1 25
7 3 2 3 3 2 2 3 3 2 3 13 13 0 26
8 3 3 3 3 2 2 3 3 2 3 14 13 1 27
9 2 3 2 2 2 2 2 2 2 2 11 10 1 21
10 2 3 3 2 2 3 3 2 2 2 12 12 0 24
11 2 2 2 2 1 1 3 2 2 1 9 9 0 18
12 2 1 2 1 1 1 2 2 1 2 7 8 -1 15
VAR 0,273 0,386 0,205 0,386 0,242 0,447 0,265 0,152 0,152 0,333 4,083 2,879 1,356 12,568

(1) Koefisien Korelasi Pearson (r) :

Resp Ganjil (X) Genap (Y) XY X2 Y2
1 10 12 120 100 144
2 9 10 90 81 100
3 10 9 90 100 81
4 11 12 132 121 144
5 12 10 120 144 100
6 13 12 156 169 144
7 13 13 169 169 169
8 14 13 182 196 169
9 11 10 110 121 100
10 12 12 144 144 144
11 9 9 81 81 81
12 7 8 56 49 64
JML 131 130 1450 1475 1440

r =
n ∑ xy − (∑ x ) (∑ y )
⎡n ∑ 2 −
⎢⎣ x (∑ x) ⎤⎥⎦2 ⎡n ∑ 2 −
⎢⎣ y (∑ y ) ⎤⎥⎦
2

Wijaya : Uji Asumsi Klasik Regresi Linear - 11

 12(1.450) − (131)(130)
r = = 0,818
⎡12(1.475) −
⎢⎣ ( ) ⎤ ⎡2
131 ⎥ ⎢12(1.440) −
⎦ ⎣
( ) 2
⎤
130 ⎥
⎦

Nilai Koefisien Korelasi Pearson antara Jumlah Skor Ganjil dengan Jumlah
Skor Genap menggunakan SPSS 13.0 yaitu sebesar 0,818.

Correlations

Skor Butir Ganjil Skor Butir Genap

Skor Butir Ganjil Pearson Correlation 1 ,818**
Sig. (2-tailed) ,001
N 12 12
Skor Butir Genap Pearson Correlation ,818** 1
Sig. (2-tailed) ,001
N 12 12
**. Correlation is significant at the 0.01 level (2-tailed).

(1) Spearman – Brown

2 r12 2 (0,818)
R = = = 0,900
( 1 + r12 ) ( 1 + 0,818 )

(2) Flanagan :
S12 + S22
R = 2(1− )
2
St

4,083 + 2,879
R = 2(1− ) = 0,892
12,658

(3) Rullon :
R = 1 − ( SD2 / St2 ) = 1 − ( 1,356 / 12,658 ) = 0,892

Wijaya : Uji Asumsi Klasik Regresi Linear - 12

 (4) Alpha-Cronbach :

n ∑ Si2
R = (1− )
2
n–1 St

12 2,841
R = (1− ) = 0,844
12 – 1 12,658

Nilai Reliability dengan metode Alpha Cronbach menggunakan SPSS 13.0

yaitu sebesar 0,860

Reliability

Reliability Statistics

Cronbach's Alpha N of Items

,860 10

Wijaya : Uji Asumsi Klasik Regresi Linear - 13

Pengujian Asumsi Regresi
Data :
No X1 X2 Y X1.X2 X1.Y X2.Y
1 12 10 85 120 1020 850
2 10 9 74 90 740 666
3 10 9 78 90 780 702
4 13 10 90 130 1170 900
5 11 11 85 121 935 935
6 14 11 87 154 1218 957
7 13 13 94 169 1222 1222
8 14 13 98 182 1372 1274
9 11 10 81 110 891 810
10 14 10 91 140 1274 910
11 10 8 76 80 760 608
12 8 7 74 56 592 518
Jumlah 140 121 1013 1442 11974 10352
JK 1676 1255 86213
Rataan 11,667 10,083 84,417

Persamaan Regresi Dugaan : Y = b0 + b1 X1 + b2 X2.

Persamaan Normal : ∑Y = n b 0 + b 1 ∑ X1 + b 2 ∑ X2
∑ X1 Y = b0 ∑ X1 + b1 ∑ X12 + b2 ∑ X1 X2
∑ X2 Y = b0 ∑ X2 + b1 ∑ X1 X2 + b2 ∑ X22

(X'X) (b) (X'Y)

n ∑ X1 ∑ X2 b0 ∑Y
2
∑ X1 ∑ X1 ∑ X1 X2 b1 = ∑ X1 Y
∑ X2 ∑ X1 X2 ∑ X22 b2 ∑ X2 Y

(X'X) (X'X)−1 (X'Y)

12 140 121 3,513 -0,178 -0,134 1013

140 1676 1442 -0,178 0,061 -0,053 11974
121 1442 1255 -0,134 -0,053 0,075 10352

Wijaya : Uji Asumsi Klasik Regresi Linear - 14

Dari hasil perkalian invers matriks (X’X-1) dengan matriks (X’Y) diperoleh nilai b0,

b1 dan b2 sebagai berikut :

b0 = 38,245
b1 = 2,215
b2 = 2,016

Selanjutnya dengan Metode Doolitle dapat disusun Analisis Ragam (Anova) serta
pengujian koefisien regresi menggunakan Uji-t.

Metode Doolitle :

Matriks (X'X) Matriks Matriks (X'X-1)

Baris
b0 b1 b2 (X'Y)
(0) 12 140 121 1013 1 0 0
(1) 1676 1442 11974 0 1 0
(2) 1255 10352 0 0 1

(3) = (0) 12 140 121 1013 1 0 0

(4) = (3) /12 1,000 11,667 10,083 84,417 0,083 0,000 0,000
(5) = (1)-140(4) 42,667 30,333 155,667 -11,667 1,00 0,00
(6) = (5) /42,67 1,000 0,711 3,648 -0,273 0,023 0,000
(7) = (2)-121(4)-30,33(6) 13,352 26,914 -1,789 -0,711 1,000
(8) = (7) /13,353 1,000 2,016 -0,134 -0,053 0,075

(1) Menentukan Koefisien Regresi :

Pada Baris (8) : 1,0 (b2) = 2,016 Æ b2 = 2,016
Pada Baris (6) : 1,0 (b1) + 0,711 (b2) = 3,648 Æ b1 = 2,215
Pada Baris (4) : 1,0 (b0) + 11,667 (b1) + 10,083 (b2) = 84,417 Æ b0 = 38,245
(2) Analisis Ragam (Anova) :
Faktor Koreksi (FK) = (ΣY)2/n = (1.013)2/12 = 85514,083, atau
FK = (1013)(84417) = 85514,083
Jumlah Kuadrat Total (JKT) = Σ Y2 ̶ (ΣY)2/n
JKT = 86213 ̶ 85514,083 = 698,917
Jumlah Kuadrat Regresi (JKR) = Σ (bi Σ XiY)
JKR = b1 [Σ X1Y ̶ (ΣX1)(ΣY)/n] + b2 [Σ X2Y ̶ (ΣX2)(ΣY)/n]
JKR = 2,215 [11974 ̶ (140)(1013)/12] + 2,016 [10352 ̶ (121)(1013)/12]

Wijaya : Uji Asumsi Klasik Regresi Linear - 15

 JKR = 344,853 + 277,340 = 622,193
Atau JKR = JKR (b1 / b0) + JKR (b2 / b1,b0)
JKR = [ (155,667)(3,648 ] + [ (26,914)(2,016) ]
JKR = 567,940 + 54,253 = 622,193
Jumlah Kuadrat Galat (JKG) = JKT ̶ JKR
JKG = 698,917 ̶ 622,193 = 76,723

Daftar Sidik Ragam

No. Variasi DB JK KT F F5%

1 Regresi 2 622,193 311,097 36,493 4,256
R (b1 / b0) 1 567,940 567,940 66,622 5,117
R (b2 / b1, b0) 1 54,253 54,253 6,364 5,117
2 Galat 9 76,723 8,525
Total 11 698,917 63,538

T T1

1,000 0,000 0,000 1,000 –11,667 –1,789

–11,667 1,000 0,000 0,000 1,000 –0,711
–1,789 –0,711 1,000 0,000 0,000 1,000

(t) (X'X)−1 = T1. t

0,083 0,000 0,000 3,513 –0,178 –0,134

–0,273 0,023 0,000 –0,178 0,061 –0,053
–0,134 –0,053 0,075 –0,134 –0,053 0,075

b KTG Cii KTG.Cii Sb t t0,025

38,245 8,525 3,513 29,949 5,473 6,989 2,228
2,215 8,525 0,061 0,523 0,723 3,065 2,228
2,016 8,525 0,075 0,638 0,799 2,523 2,228

Wijaya : Uji Asumsi Klasik Regresi Linear - 16

Keterangan :
b = Nilai Koefisien Regresi
KTG = Nilai Kuadrat Tengah Galat pada Daftar Sidik Ragam
Cii = Nilai pada Diagonal Utama Matriks (X'X)−1
Sb = √ KTG . Cii
.t = b/Sb

Hasil analisis regresi linear ganda pengaruh Motivasi (Faktor1) dan Fasilitas
(Faktor2) terhadap Produktivitas (Nilai) menggunakan program MS Excel maupun
SPSS 13.0 adalah :

Hasil Analisis dengan MS Excel :

SUMMARY OUTPUT

Regression Statistics
Multiple R 0,9435
R Square 0,8902
Adjusted R Square 0,8658
Standard Error 2,9197
Observations 12

ANOVA

Df SS MS F Sig. F
Regression 2 622,193 311,097 36,493 0,000
Residual 9 76,723 8,525
Total 11 698,917

Coefficients Standard Error t Stat P-value

Intercept 38,245 5,473 6,989 0,000
X Variable 1 2,215 0,723 3,065 0,013
X Variable 2 2,016 0,799 2,523 0,033

Wijaya : Uji Asumsi Klasik Regresi Linear - 17

Analisis dengan SPSS melalui prosedur :
Analyze Æ Regression Æ Linear, pindahkan Variabel Dependen Y (Produktivitas)
ke kotak Dependent dan Variabel Independen X1 dan X2 (Motivasi dan Fasilitas)
ke kotak Independent(s) Æ klik OK.
¾ Untuk menguji asumsi Autokorelasi dan Kolinearitas : klik Statistics Æ Pada
kotak Residuals dan Model Fit, beri tanda centang pada pilihan Durbin
Watson dan Collinearity diagnosticÆ Continue
¾ Untuk menguji Homoskedastisitas : klik Plot Æ pindahkan ZPRED ke kotak X
dan SRESID ke kotak Y. Pada pilihan Standardized Residual Plot, beri tanda
centang pada pilihan Histogram dan Normal probability plots Æ Continue
¾ Untuk menghitung nilai galat (residual) : klik Save Æ pada kotak Residuals
beri tanda centang pada pilihan Unstandardized Æ Continue

Hasil Analisis :

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 ,944a ,890 ,866 2,920 2,088
a. Predictors: (Constant), Faktor2, Faktor1
ANOVAb
b. Dependent Variable: Nilai
Sum of
Model Squares df Mean Square F Sig.
1 Regression 622,193 2 311,097 36,493 ,000a
Residual 76,723 9 8,525
Total 698,917 11
a. Predictors: (Constant), Faktor2, Faktor1
b. Dependent Variable: Nilai

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 38,245 5,473 6,989 ,000
Faktor1 2,215 ,723 ,547 3,065 ,013 ,382 2,615
Faktor2 2,016 ,799 ,451 2,523 ,033 ,382 2,615
a. Dependent Variable: Nilai

Wijaya : Uji Asumsi Klasik Regresi Linear - 18

(a) Persamaan Regresi Dugaan : Ŷ = 38,245 + 2,215*Faktor1 + 2,016*Faktor2
(b) Faktor Motivasi dan faktor Fasilitas keduanya mempunyai pengaruh yang
signifikan terhadap nilai produktivitas, karena P-value < 0,05
(c) Berdasarkan persamaan regresi dugaan tersebut, dapat ditentukan nilai
Galat e = Yi - Ŷi, nilai Kuadrat galat e2.
(d) Dari nilai galat e dan nilai kuadrat galat e2, dapat diuji asumsi regresi yang
berkaitan dengan distribusi nilai galat tersebut.

Data :

Resp Q15 Q610 Y Ŷ ei ei-1 (ei-ei-1)2

1 12 10 85 84,987 0,013
2 10 9 74 78,541 -4,541 0,013 20,735
3 10 9 78 78,541 -0,541 -4,541 16,000
4 13 10 90 87,202 2,798 -0,541 11,144
5 11 11 85 84,788 0,212 2,798 6,683
6 14 11 87 91,434 -4,434 0,212 21,585
7 13 13 94 93,250 0,750 -4,434 26,871
8 14 13 98 95,465 2,535 0,750 3,185
9 11 10 81 82,772 -1,772 2,535 18,547
10 14 10 91 89,418 1,582 -1,772 11,249
11 10 8 76 76,525 -0,525 1,582 4,440
12 8 7 74 70,078 3,922 -0,525 19,771
Jml 140 121 1013 1013,000 0,000 -3,922 160,210
JK 1676 1255 86213 Durbin-Watson = 2,088

Keterangan : Jml = Jumlah ; JK = Jumlah Kuadrat

1. Asumsi Nilai Galat Bersifat Acak

a. Hipotesis H0 ≡ barisan bersifat acak
H1 ≡ barisan bersifat tidak acak
b. Taraf Nyata (α) = 0,05
c. Uji Statistik = Uji Run

Wijaya : Uji Asumsi Klasik Regresi Linear - 19

 d. Perhitungan
Pada nilai galat (ei) :
Banyaknya tanda (-) = 5 = n1
Banyaknya tanda (+) = 7 = n2
Banyaknya runtun r = 9
Dari Tabel Uji Run untuk n1 = 5 dan n2 = 7 diperoleh nilai
r1 = 3 dan r2 = 11.

n (+) (-) r r1 r2
12 7 5 9 3 11

e. Kesimpulan : Terima Ho (nilai pengamatan bersifat acak)

karena (r1 = 3) < (r = 10) < (r2 = 11)

Pengujian menggunakan Program SPSS dilakukan melalui prosedur :

Analyze Æ Nonparametrics Test Æ Runs. Pindahkan variabel Galat (Residu)
ke kotak Test Variable List, beri tanda centang pada kotak Mean Æ Klik OK
Hasil Analisis Uji Run menggunakan SPSS 13.0 :

Runs Test

Galat
Test Valuea ,00000
Cases < Test Value 5
Cases >= Test Value 7
Total Cases 12
Number of Runs 9
Z 1,041
Asymp. Sig. (2-tailed) ,298
a. Mean

2. Rata-rata nilai galat = Σ ei : n = 0,000 : 12 = 0,000

Wijaya : Uji Asumsi Klasik Regresi Linear - 20

3. Homoskedastisitas :

Resp X1 X2 e12 ln X1 ln X2 ln e12

1 12 10 0,000 2,485 2,303 -8,705
2 10 9 20,618 2,303 2,197 3,026
3 10 9 0,292 2,303 2,197 -1,230
4 13 10 7,826 2,565 2,303 2,057
5 11 11 0,045 2,398 2,398 -3,099
6 14 11 19,657 2,639 2,398 2,978
7 13 13 0,563 2,565 2,565 -0,575
8 14 13 6,425 2,639 2,565 1,860
9 11 10 3,139 2,398 2,303 1,144
10 14 10 2,503 2,639 2,303 0,918
11 10 8 0,275 2,303 2,079 -1,289
12 8 7 15,379 2,079 1,946 2,733

a. Uji Park : Ln ei2 = b0 + b1 Ln.X1 + b2 Ln X2.

Persamaan Regresi Dugaan : ei2 = b0 + b1 Ln X1 + b2 LnX2.

Persamaan Normal :
∑ e12 = n b0 + b1 ∑ Ln X1 + b2 ∑ Ln X2
∑ ei2 (Ln X1 ) = b0 ∑ Ln X1 + b1 ∑ (Ln X1)2 + b2 ∑ (Ln X1)(Ln X2)
∑ ei2 (Ln X2) = b0 ∑ Ln X2 + b1 ∑ (Ln X1)(Ln X2) + b2 ∑ (Ln X2)2
Matriks :

(X'X) (b) (X'Y)

n ∑ Ln X1 ∑ Ln X2 b0 ∑Y
2
∑ Ln X1 ∑ (Ln X1) ∑ (LnX1)(LnX2) b1 = ∑ X1 Y
2
∑ Ln X2 ∑ (LnX1)(LnX2) ∑ (Ln X1) b2 ∑ X2 Y

Wijaya : Uji Asumsi Klasik Regresi Linear - 21

 (X'X) (X'X)−1 (X'Y)

12 29,315 27,556 18,028 -5,344 -2,129 -0,181

29,315 71,959 67,605 -5,344 9,292 -7,558 -0,474
27,556 67,605 63,632 -2,129 -7,558 8,968 -0,967

Dari hasil perkalian invers matriks (X’X-1) dengan matriks (X’Y) diperoleh nilai b0,

b1 dan b2 sebagai berikut :

b0 = 1,331
b1 = 3,872
b2 = - 4,705

Metode Doolitle :

Matriks (X'X) Matriks Matriks (X'X-1)

Baris
b0 b1 b2 (X'Y)
(0) 12 29,315 27,556 -0,181 1 0 0
(1) 71,956 67,605 -0,474 0 1 0
(2) 63,632 -0,967 0 0 1
(3) = (0) 12 29,315 27,556 -0,181 1,000 0,000 0,000
(4) = (3) /12 1 2,443 2,296 -0,015 0,083 0,000 0,000
(5) = (1)-29,315(4) 0,342 0,288 -0,032 -2,443 1,000 0,000
(6) = (5) /0,342 1 0,843 -0,094 -7,139 2,922 0,000
(7) = (2)-27,556(4)-0,288(6) 0,112 -0,525 -0,237 -0,843 1,000
(8) = (7) /0,112 1 -4,705 -2,129 -7,558 8,968

T T1

1,000 0,000 0,000 1,000 -2,443 –0,237

-2,443 1,000 0,000 0,000 1,000 –0,843
-0,237 -0,843 1,000 0,000 0,000 1,000

Wijaya : Uji Asumsi Klasik Regresi Linear - 22

 (t) (X'X)−1 = T1. t

0,083 0,000 0,000 18,028 –5,344 –2,129

–7,139 2,292 0,000 –5,344 9,292 –7,558
–2,129 –7,558 8,968 –2,129 –7,558 8,968

B KTG Cii KTG.Cii Sb t t0,025

1,331 13,528 18,028 243,892 15,617 0,085 2,228
3,872 13,528 9,292 125,703 11,212 0,345 2,228
-4,705 13,528 8,968 121,317 11,014 -0,427 2,228

Hasil Pengolahan menggunakan Excel :

Regression Statistics
Multiple R 0,1411
R Square 0,0199
Adjusted R Square -0,1979
Standard Error 3,6781
Observations 12

ANOVA
df SS MS F Sig F
Regression 2 2,472 1,236 0,091 0,914
Residual 9 121,755 13,528
Total 11 124,227

Coeff SE t Stat P-value

Intercept 1,331 15,617 0,085 0,934
X Variable 1 3,872 11,212 0,345 0,738
X Variable 2 -4,705 11,014 -0,427 0,679

Wijaya : Uji Asumsi Klasik Regresi Linear - 23

Analisis menggunakan SPSS :
¾ Untuk menghitung nilai kuadrat galat KG (e2) : klik menu Transform Æ
Compute. Pada kotak Target variable ketik KG, pindahkan variabel Galat
(residu) ke kotak Numeric Expression, klik tanda *, pindahkan kembali
variabel Galat (Residu), sehingga pada kotak Numeric expression tertulis :
Residu*Residu. Klik OK. Pada Data View akan muncul variabel baru bernama
KG.
¾ Untuk menghitung nilai Ln X1 : klik menu Transform Æ Compute. Pada kotak
Target variable ketik LnX1. Pada kotal Function group pilih Arithmetic, dan
pada kotak Function and Special variables sorot pilihan Ln pindahkan ke
kotak Numeric Expression, sehingga pada kotak Numeric expression tertulis
: LN(?). Klik variabel Motivasi (X1) pindahkan ke kotak Numeric Expression,
sehingga pada kotak Numeric expression tertulis : LN(X1). Klik OK. Pada
Data View akan muncul variabel baru bernama LnX1.
¾ Untuk menghitung nilai Ln X2 dan LnKG dlakukan dengan cara seperti diatas.
¾ Untuk menganalisis model regresi Ln e2 = b0 + b1 Ln.X1 + b2 Ln.X2 : Klik
Analyze Æ Regression Æ Linear, pindahkan Variabel Dependen LnKG ke
kotak Dependent dan Variabel Independen LnX1 dan LnX2 ke kotak
Independent(s) Æ klik OK.

Hasil Analisis Uji Park menggunakan SPSS :

Regression :

Variables Entered/Removedb

Model Variables Entered Variables Removed Method

1 Ln(Fasilitas),a
. Enter
Ln(Motovasi)
a. All requested variables entered.
b. Dependent Variable: Ln Kuadrat Galat

Model Summary

Model R R Square Adjusted R Square Std. Error of the Estimate

1 ,141a ,020 -,198 3,6780934
a. Predictors: (Constant), Ln(Fasilitas), Ln(Motovasi)

Wijaya : Uji Asumsi Klasik Regresi Linear - 24

 ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 2,472 2 1,236 ,091 ,914a
Residual 121,755 9 13,528
Total 124,227 11
a. Predictors: (Constant), Ln(Fasilitas), Ln(Motovasi)
b. Dependent Variable: Ln Kuadrat Galat

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1,331 15,617 ,085 ,934
Ln(Motovasi) 3,872 11,212 ,203 ,345 ,738
Ln(Fasilitas) -4,705 11,014 -,251 -,427 ,679
a. Dependent Variable: Ln Kuadrat Galat

Kesimpulan : Asumsi Homoskedastisitas diterima, karena nilai Signifikansi

kedua faktor tersebut > 0,05 (tidak signifikan)

b. Uji Korelasi Rank Spearman antara Variabel Bebas X dengan Galat e.

(1) Korelasi Variabel Bebas X1 (Motivasi) dengan Galat e.

No X1 Y Rank- X1 Rank-Y Di2

1 12 0,013 7 6 1,00
2 10 -4,541 3 1 4,00
3 10 -0,541 3 4 1,00
4 13 2,798 8,5 11 6,25
5 11 0,212 5,5 7 2,25
6 14 -4,434 11 2 81,00
7 13 0,750 8,5 8 0,25
8 14 2,535 11 10 1,00
9 11 -1,772 5,5 3 6,25
10 14 1,582 11 9 4,00
11 10 -0,525 3 5 4,00
12 8 3,922 1 12 121,00
Jumlah 232,00

Wijaya : Uji Asumsi Klasik Regresi Linear - 25

 t3 − t
∑ Tx = ∑
12

33 − 3 23 − 3 23 − 2 33 − 3
∑ Tx = + + + = 5,00
12 12 12 12

t3 − t
∑ Ty = ∑ = 0,00
12

N3 − N 123 − 12
∑ X2 = − ∑ Tx = − 5,00 = 138,00
12 12

N3 − N 123 − 12
2
∑Y = − ∑ Tx = − 0,00 = 143,00
12 12

∑x ∑ y − ∑ di
2 2 2
+
r S
=
∑x . ∑y
2 2
2

138,00 + 143,00 − 232,00

r S
=
2 (138,00) . (143,00)

r S
= 0,174

n − 2
t = rS 2
1 − rS
12 − 2
t = 0,174 2
1 − 0,174

t = 0,560

t0,025 (n−2) = t 0,025 (10) = 2,228

Kesimpulan : tidak terdapat hubungan yang nyata antara variabel Motivasi

(X1) dengan nilai galat.

Wijaya : Uji Asumsi Klasik Regresi Linear - 26

(2) Korelasi Variabel Bebas X2 (Fasilitas) dengan Galat e.

No X2 Y Rank- X2 Rank-Y di2

1 10 0,013 6,5 6 0,25
2 9 -4,541 3,5 1 6,25
3 9 -0,541 3,5 4 0,25
4 10 2,798 6,5 11 20,25
5 11 0,212 9,5 7 6,25
6 11 -4,434 9,5 2 56,25
7 13 0,750 11,5 8 12,25
8 13 2,535 11,5 10 2,25
9 10 -1,772 6,5 3 12,25
10 10 1,582 6,5 9 6,25
11 8 -0,525 2 5 9,00
12 7 3,922 1 12 121,00
Jumlah 252,50

t3 − t
∑ Tx = ∑
12

23 − 2 43 − 4 23 − 2 23 − 2
∑ Tx = + + + = 6,50
12 12 12 12

t3 − t
∑ Ty = ∑ = 0,00
12

N3 − N 123 − 12
2
∑X = − ∑ Tx = − 6,50 = 136,50
12 12

N3 − N 123 − 12
∑ Y2 = − ∑ Tx = − 0,00 = 143,00
12 12

∑x ∑ y − ∑ di
2 2 2
+
r S
=
∑x . ∑y
2 2
2

Wijaya : Uji Asumsi Klasik Regresi Linear - 27

 136,50 + 143,00 − 252,50
r S
=
2 (136,50) . (143,00)

r S
= 0,097

n − 2
t = rS 2
1 − rS
12 − 2
t = 0,097 2
1 − 0,097

t = 0,307
t0,025 (n−2) = t 0,025 (10) = 2,228
Kesimpulan : tidak terdapat hubungan yang nyata antara variabel Fasilitas
(X2) dengan nilai galat.

Hasil analisis dengan SPSS :

Nonparametric Correlations : Rank Spearman - Homoskedastisitas

Correlations

Galat Motivasi Fasilitas

Spearman's rho Galat Correlation Coefficient 1,000 ,174 ,097
Sig. (2-tailed) . ,588 ,765
N 12 12 12
Motivasi Correlation Coefficient ,174 1,000 ,801**
Sig. (2-tailed) ,588 . ,002
N 12 12 12
Fasilitas Correlation Coefficient ,097 ,801** 1,000
Sig. (2-tailed) ,765 ,002 .
N 12 12 12
**. Correlation is significant at the 0.01 level (2-tailed).

Kesimpulan : Asumsi Homoskedastisitas dapat diterima, karena nilai

Signifikansi kedua faktor tersebut tidak signifikan (> 0,05)

Wijaya : Uji Asumsi Klasik Regresi Linear - 28

Pengujian Homoskedastisitas menggunakan SPSS 13.0 melalui prosedur :
klik Plot Æ pindahkan ZPRED ke kotak X dan SRESID ke kotak Y. Pada
pilihan Standardized Residual Plot, beri tanda centang pada pilihan
Histogram dan Normal probability plots Æ Continue

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Produktivitas

1.0

0.8
Expected Cum Prob

0.6

0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0

Observed Cum Prob

Scatterplot

Dependent Variable: Produktivitas

2
Regression Studentized Residual

-1

-2

-2 -1 0 1 2

Regression Standardized Predicted Value

Wijaya : Uji Asumsi Klasik Regresi Linear - 29

Kesimpulan : Asumsi Homoskedastisitas dapat diterima, karena (a) pada
gambar pertama, titik-titik menyebar di sekitar garis
diagonal, (b) pada gambar kedua titik-titik menyebar tidak
menunjukkan pola tertentu

4. Uji Normalitas :

(a) Uji Normalitas untuk Variabel Motivasi (X1)

¾ Nilai X1 diurutkan dari terkecil sampai terbesar

Resp X1 Zi P(Zi) P(Xi) P(Zi) - P(Xi) PX-1 - PZ

12 8 -1,862 0,0313 0,0833 0,0520 0,0313
2 10 -0,846 0,1987 0,1667 0,0320 0,1154
3 10 -0,846 0,1987 0,2500 0,0513 0,0320
11 10 -0,846 0,1987 0,3333 0,1346 0,0513
5 11 -0,339 0,3675 0,4167 0,0492 0,0342
9 11 -0,339 0,3675 0,5000 0,1325 0,0492
1 12 0,169 0,5672 0,5833 0,0161 0,0672
4 13 0,677 0,7508 0,6667 0,0841 0,1675
7 13 0,677 0,7508 0,7500 0,0008 0,0841
6 14 1,185 0,8819 0,8333 0,0486 0,1319
8 14 1,185 0,8819 0,9167 0,0347 0,0486
10 14 1,185 0,8819 1,0000 0,1181 0,0347
Rata 11,67 Maks 0,1346 0,1675
STD 1,97

Nilai maksimum D = 0,1675. Dari tabel Kolmogorov-Smirnov untuk n = 12 dan

taraf nyata (α) = 0,05 didapat D0,05(12) = 0,375. Karena nilai (D = 0,1675) <
(D0,05(12) = 0,375) maka disimpulkan bahwa sampel tadi berasal dari populasi
yang berdistribusi normal.

Wijaya : Uji Asumsi Klasik Regresi Linear - 30

(b) Uji Normalitas untuk Variabel Fasilitas (X2)

Resp X2 Zi P(Zi) P(Xi) P(Zi) - P(Xi) PX-1 - PZ

12 7 -1,731 0,0418 0,0833 0,0416 0,0418
11 8 -1,169 0,1211 0,1667 0,0455 0,0378
2 9 -0,608 0,2716 0,2500 0,0216 0,1049
3 9 -0,608 0,2716 0,3333 0,0618 0,0216
1 10 -0,047 0,4813 0,4167 0,0647 0,1480
4 10 -0,047 0,4813 0,5000 0,0187 0,0647
9 10 -0,047 0,4813 0,5833 0,1020 0,0187
10 10 -0,047 0,4813 0,6667 0,1853 0,1020
5 11 0,515 0,6966 0,7500 0,0534 0,0299
6 11 0,515 0,6966 0,8333 0,1368 0,0534
7 13 1,637 0,9492 0,9167 0,0325 0,1159
8 13 1,637 0,9492 1,0000 0,0508 0,0325
Rata 10,08 Maks 0,1853 0,1480
STD 1,78

Variabel X2 berdistribusi normal karena (D = 0,1853) < (D0,05(12) = 0,375).

(c) Uji Normalitas untuk Variabel Produktivitas (Y)

Resp Yi Zi P(Zi) P(Yi) P(Zi)-P(Yi) PY - PZ

2 74 -1,307 0,0956 0,0833 0,0123 0,0956
12 74 -1,307 0,0956 0,1667 0,0710 0,0123
11 76 -1,056 0,1455 0,2500 0,1045 0,0212
3 78 -0,805 0,2104 0,3333 0,1229 0,0396
9 81 -0,429 0,3341 0,4167 0,0826 0,0008
1 85 0,073 0,5292 0,5000 0,0292 0,1125
5 85 0,073 0,5292 0,5833 0,0542 0,0292
6 87 0,324 0,6271 0,6667 0,0396 0,0437
4 90 0,700 0,7582 0,7500 0,0082 0,0915
10 91 0,826 0,7956 0,8333 0,0378 0,0456
7 94 1,202 0,8854 0,9167 0,0313 0,0520
8 98 1,704 0,9558 1,0000 0,0442 0,0392
Rata 84,42 Maks 0,1229 0,1125
STD 7,97

Wijaya : Uji Asumsi Klasik Regresi Linear - 31

 Variabel Y berdistribusi normal karena (D = 0,1229) < (D0,05(12) = 0,375).

(d) Uji Normalitas untuk Variabel Galat (e)

Resp ei Zi P(Z) P(ei) P(Z)-P(ei) Pei - PZ

2 -4,541 -1,719 0,0428 0,0833 0,0406 0,0428
6 -4,434 -1,679 0,0466 0,1667 0,1201 0,0367
9 -1,772 -0,671 0,2511 0,2500 0,0011 0,0845
3 -0,541 -0,205 0,4189 0,3333 0,0856 0,1689
11 -0,525 -0,199 0,4212 0,4167 0,0046 0,0879
1 0,013 0,005 0,5019 0,5000 0,0019 0,0853
5 0,212 0,080 0,5321 0,5833 0,0513 0,0321
7 0,750 0,284 0,6118 0,6667 0,0549 0,0285
10 1,582 0,599 0,7254 0,7500 0,0246 0,0588
8 2,535 0,960 0,8314 0,8333 0,0019 0,0814
4 2,798 1,059 0,8553 0,9167 0,0614 0,0219
12 3,922 1,485 0,9312 1,0000 0,0688 0,0145
Rata 0,00 Maks 0,1201 0,1689
STD 2,64

Variabel Galat berdistribusi normal karena (D = 0,1689) < (D0,05(12) = 0,375).

Hasil Analisis Uji Kolmogorov-Smirnov menggunakan SPSS 13.0 :

One-Sample Kolmogorov-Smirnov Test

Motivasi Fasilitas Produktivitas Nilai Prediksi

N 12 12 12 12
Normal Parametersa,b Mean 11,67 10,08 84,42 84,41667
Std. Deviation 1,969 1,782 7,971 7,520840
Most Extreme Absolute ,167 ,185 ,123 ,116
Differences Positive ,135 ,185 ,123 ,116
Negative -,167 -,148 -,113 -,103
Kolmogorov-Smirnov Z ,580 ,642 ,426 ,402
Asymp. Sig. (2-tailed) ,889 ,804 ,993 ,997
a. Test distribution is Normal.
b. Calculated from data.

Wijaya : Uji Asumsi Klasik Regresi Linear - 32

 Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Motivasi ,167 12 ,200* ,914 12 ,240
Fasilitas ,185 12 ,200* ,942 12 ,521
Produktivitas ,123 12 ,200* ,950 12 ,638
Nilai Prediksi ,116 12 ,200* ,975 12 ,954
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

5. Uji Autokorelasi :
¾ Menggunakan Uji Durbin-Watson
Data :

Resp Q15 Q610 Y Ŷ ei ei-1 (ei-ei-1)2

1 12 10 85 84,987 0,013
2 10 9 74 78,541 -4,541 0,013 20,735
3 10 9 78 78,541 -0,541 -4,541 16,000
4 13 10 90 87,202 2,798 -0,541 11,144
5 11 11 85 84,788 0,212 2,798 6,683
6 14 11 87 91,434 -4,434 0,212 21,585
7 13 13 94 93,250 0,750 -4,434 26,871
8 14 13 98 95,465 2,535 0,750 3,185
9 11 10 81 82,772 -1,772 2,535 18,547
10 14 10 91 89,418 1,582 -1,772 11,249
11 10 8 76 76,525 -0,525 1,582 4,440
12 8 7 74 70,078 3,922 -0,525 19,771
Jml 140 121 1013 1013,000 0,000 -3,922 160,210
JK 1676 121 86213 76,723
Nilai Durbin-Watson D = (160,210) : (76,723) = 2,088

Keterangan : Jml = Jumlah ; JK = Jumlah Kuadrat

Nilai Statistik Durbin-Watson D :

D = [ ∑ (ei − ei-1)2 ] / [ ∑ ei2 ] = (160,210) / (76,723) = 2,088

Wijaya : Uji Asumsi Klasik Regresi Linear - 33

Untuk n = 12, banyaknya variabel bebas = k = 2 dan a = 0,05 diperoleh dL = 0,812
dan dU = 1,579
Kriteria Penolakan H0 :

Tolak Ho dL dU Terima Ho 4-dU 4-dL Tolak Ho

0,812 1,579 2,421 3,188

Nilai D = 2,088 terletak pada daerah penerimaan H0, sehingga asumsi tidak ada
autokorelsi dapat diterima.

Prosedur menggunakan SPSS :

Analyze Æ Regression Æ Linear, masukkan Variabel Dependen Y (Produktivitas)
ke kotak Dependent dan Variabel Independen (X1 = Motivasi dan X2 = Fasilitas) ke
kotak Independent(s) Æ klik Statistics Æ Pada kotak Residuals, beri tanda
centang pada pilihan Durbin Watson Æ Continue Æ OK.

Hasil Analisis SPSS :

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 ,944a ,890 ,866 2,920 2,088
a. Predictors: (Constant), Faktor2, Faktor1
b. Dependent Variable: Nilai

Menggunakan Uji χ2 :

Nilai Observasi (O) :

Banyaknya +ei Banyaknya −ei Jumlah

Banyaknya +ei-1 2 4 6
Banyaknya −ei-1 4 1 5
Jumlah 6 5 11

Wijaya : Uji Asumsi Klasik Regresi Linear - 34

Nilai Harapan (E) :

Banyaknya +ei Banyaknya −ei Jumlah

Banyaknya +ei-1 3,27 2,73 6
Banyaknya −ei-1 2,73 2,27 5
Jumlah 6 5 11

(2 – 3,27)2 (4 – 2,73)2 (4 – 2,73)2 (1 – 2,27)2

X2 = + + +
3,27 2,73 2,73 2,27
X2 = 2,396

X20,05(1) = 3,841

Kesimpulan : Karena (X2 = 2,396) < (X20,05(1) = 3,841) maka H0 diterima

(asumsi tidak ada autokorelasi dapat diterima).

Prosedur menggunakan SPSS :

Analyze Æ Descriptive Statistics Æ Crosstab.
Hasil Analisis :

Crosstabs

Nilai Ei-1 * Nilai Ei Crosstabulation

Count
Nilai Ei
+Ei -Ei Total
Nilai Ei-1 +Ei-1 2 4 6
-Ei-1 4 1 5
Total 6 5 11

Wijaya : Uji Asumsi Klasik Regresi Linear - 35

 Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 2,396b 1 ,122
Continuity Correctiona ,883 1 ,347
Likelihood Ratio 2,516 1 ,113
Fisher's Exact Test ,242 ,175
Linear-by-Linear
2,178 1 ,140
Association
N of Valid Cases 11
a. Computed only for a 2x2 table
b. 4 cells (100,0%) have expected count less than 5. The minimum expected count is
2,27.

Kesimpulan : Karena nilai (X2 = 2,396) dengan probabilitas 0,122 > 0,05
maka H0 diterima (asumsi tidak ada autokorelasi dapat diterima).

6. Multikolinearitas : terjadi korelasi yang kuat diantara variabel bebas X.

¾ Prosedur : Analyze Æ Regression Æ Linear, masukkan Variabel
Dependen Y (Produktivitas) ke kotak Dependent dan Variabel
Independen (X1 = Motivasi dan X2 = Fasilitas) ke kotak Independent(s)
Æ klik Statistics Æ Beri tanda centang pada pilihan Collinearity
diagnostics Æ Continue Æ OK.
¾ Diantara variabel bebas X tidak terjadi multikolinearitas jika nilai VIF
mendekakti nilai 1., atau jika nilai Koefisien Korelasi R ≥ 0,80,
diindikasikan adanya multikolinearitas.

Correlations

Motivasi Fasilitas
Motivasi Pearson Correlation 1 ,786**
Sig. (2-tailed) ,002
N 12 12
Fasilitas Pearson Correlation ,786** 1
Sig. (2-tailed) ,002
N 12 12
**. Correlation is significant at the 0.01 level
(2 il d)

Wijaya : Uji Asumsi Klasik Regresi Linear - 36

7. Linearitas : artinya bentuk hubungan antara variabel bebas X dan variabel
terikat Y adalah Linear.
a. uji Linearitas antara X1 (Motivasi) dengan Y (Produktivitas) :

Resp X1 Y X1.Y Y2 KJ Selisih

12 8 74 592 5476 5476 0
2 10 74 740
3 10 78 780 17336 17328 8
11 10 76 760
5 11 85 935 13786 13778 8
9 11 81 891
1 12 85 1020 7225 7225 0
4 13 90 1170 16936 16928 8
7 13 94 1222
6 14 87 1218
8 14 98 1372 25454 25392 62
10 14 91 1274
Jumlah 140 1013 11974 86213 86127 86
JK 1676 86213 k= 6
Rata-rata 11,667 84,417

KJ = Kuadrat Jumlah JK = Jumlah Kuadrat

Contoh perhitungan :
Untuk X1 = 10 Æ Y2 = 742 + 782 + 762 = 17336
KJ = (74 + 78 + 76)2 = 17328 . . . . . . . . dst.

n ∑X1Y ̶ (∑X1) (∑ Y) 12 (11974) ̶ (140)(1013)

b1 = = = 3,648
2 2 2
n ∑X1 ̶ (∑X1) 12 (1676) ̶ (140)

b0 = 84,417 ̶ 3,648 (11,667) = 41,852

Analisis Ragam (Anova) :

1. Faktor Koreksi (FK) = (ΣY)2/n = (1013)2/12 = 85514,083
2. Jumlah Kuadrat Total (JKT) = Σ Y2 ̶ (ΣY)2/n
JKT = 86213 ̶ 85514,083 = 698,917

Wijaya : Uji Asumsi Klasik Regresi Linear - 37

3. Jumlah Kuadrat Regresi (JKR) = bi Σ XiY
JKR = b1 [Σ X1Y ̶ (ΣX1)(ΣY)/n]
JKR = 3,648 [11974 ̶ (140)(1013)/12] = 567,940
4. Jumlah Kuadrat Galat (JKG) = JKT ̶ JKR
JKG = 698,917 ̶ 567,940 = 130,977
JKG-Murni = Σ Y2 ̶ Σ (Yi2/ni) = 86213 ̶ 86127 = 86
JKG-SDM = JKG7 ̶ JKGM = 130,977 ̶ 86 = 44,977

Daftar Sidik Ragam

db JK KT F F0,05
Regresi 1 567,940 567,940 39,624 4,965
Galat 10 130,977 13,098
Murni 6 86,000 14,333
SDM 4 44,977 11,244 0,784 4,534
Total 11 698,917
Ket. : DB = Derajat Bebas ; JK = Jumlah Kuadrat ;
KT = Kuadrat Tengah ; SDM = Simpangan Dari Model

KT = JK : DB
F-Regresi = KT(Regresi) : KT(Galat Murni) = 567,940 : 14,333 = 39,624
F-SDM = KT(SDM) : KT(Galat Murni) = 11,244 : 14,333 = 0,784
Kesimpulan : Karena nilai (F-SDM = 0,784) < (F0,05 = 4,534) maka asumsi
Linearitas dapat diterima (hubungan antara X1 dengan Y bersifat Linear)

Wijaya : Uji Asumsi Klasik Regresi Linear - 38

b. uji Linearitas antara X2 (Fasilitas) dengan Y (Produktivitas) :

Resp X2 Y X2.Y Y2 KJ Selisih

12 7 74 518 5476 5476,00 0,00
11 8 76 608 5776 5776,00 0,00
2 9 74 666
3 9 78 702 11560 11552,00 8,00
1 10 85 850
4 10 90 900
9 10 81 810
10 10 91 910 30167 30102,25 64,75
5 11 85 935
6 11 87 957 14794 14792,00 2,00
7 13 94 1222
8 13 98 1274 18440 18432,00 8,00
Jumlah 121 1013 10352 86213 86130,25 82,75
JK 1255 86213 k= 6
Rataan 10,083 84,417

n ∑X2Y ̶ (∑X2) (∑ Y) 12 (10352) ̶ (121)(1013)

b1 = = = 3,940
n ∑X22 2
̶ (∑X2) 12 (1255) ̶ (121) 2

b0 = 84,417 ̶ 3,940 (10,083) = 44,685

Analisis Ragam (Anova) :

1. Faktor Koreksi (FK) = (ΣY)2/n = (1013)2/12 = 85514,083
2. Jumlah Kuadrat Total (JKT) = Σ Y2 ̶ (ΣY)2/n
JKT = 86213 ̶ 85514,083 = 698,917
3. Jumlah Kuadrat Regresi (JKR) = bi Σ XiY
JKR = b2 [Σ X2Y ̶ (ΣX2)(ΣY)/n]
JKR = 3,940 [10352 ̶ (121)(1013)/12] = 542,12

Wijaya : Uji Asumsi Klasik Regresi Linear - 39

 4. Jumlah Kuadrat Galat (JKG) = JKT ̶ JKR
JKG = 698,917 ̶ 542,12 = 156,79
JKG-Murni = Σ Y2 ̶ Σ (Yi2/ni) = 86213 ̶ 86130,25 = 82,75
JKG-SDM = JKG7 ̶ JKGM = 156,79 ̶ 82,75 = 74,04

Daftar Sidik Ragam

db JK KT F F0,05
Regresi 1 542,12 542,12 34,576 4,965
Galat 10 156,79 15,68
Murni 6 82,75 13,79
SDM 4 74,04 18,51 1,342 4,534
Total 11 698,92
Ket. : DB = Derajat Bebas ; JK = Jumlah Kuadrat ; KT = Kuadrat Tengah
SDM = Simpangan Dari Model

KT = JK : DB
F-Regresi = KT(Regresi) : KT(Galat Murni) = 542,12 : 13,79 = 34,576
F-SDM = KT(SDM) : KT(Galat Murni) = 18,51 : 13,79 = 1,342
Kesimpulan : Karena nilai (F-SDM = 1,342) < (F0,05 = 4,534) maka asumsi Linearitas
dapat diterima (hubungan antara X2 dengan Y bersifat Linear)

Prosedur pengujian menggunakan SPSS :

Analyze Æ Compre Means Æ Means, masukkan Variabel Dependen X2 (Fasilitas)
ke kotak Dependent List dan Variabel Independen Y (Produktivitas) ke kotak
Independent List Æ klik Options Æ Beri tanda centang pada pilihan Test for
linearity Æ Continue Æ OK.

Wijaya : Uji Asumsi Klasik Regresi Linear - 40

Hasil Analisis SPSS :

Means : Uji Linearitas

Produktivitas * Motivasi

Report

Produktivitas
Motivasi Mean N Std. Deviation
8 74,00 1 .
10 76,00 3 2,000
11 83,00 2 2,828
12 85,00 1 .
13 92,00 2 2,828
14 92,00 3 5,568
Total 84,42 12 7,971

ANOVA Table

Sum of Mean
Squares df Square F Sig.
Produktivitas * Between (Combined) 612,917 5 122,583 8,552 ,011
Motivasi Groups Linearity 567,940 1 567,940 39,624 ,001
Deviation from
44,977 4 11,244 ,784 ,575
Linearity
Within Groups 86,000 6 14,333
Total 698,917 11

Measures of Association

R R Squared Eta Eta Squared

Produktivitas * Motivasi ,901 ,813 ,936 ,877

Wijaya : Uji Asumsi Klasik Regresi Linear - 41

Produktivitas * Fasilitas

Report

Produktivitas
Fasilitas Mean N Std. Deviation
7 74,00 1 .
8 76,00 1 .
9 76,00 2 2,828
10 86,75 4 4,646
11 86,00 2 1,414
13 96,00 2 2,828
Total 84,42 12 7,971

ANOVA Table

Sum of Mean
Squares df Square F Sig.
Produktivitas * Between (Combined) 616,167 5 123,233 8,935 ,009
Fasilitas Groups Linearity 542,124 1 542,124 39,308 ,001
Deviation from
74,042 4 18,511 1,342 ,355
Linearity
Within Groups 82,750 6 13,792
Total 698,917 11

Measures of Association

R R Squared Eta Eta Squared

Produktivitas * Fasilitas ,881 ,776 ,939 ,882

Wijaya : Uji Asumsi Klasik Regresi Linear - 42