1.

Uji Normalitas

One-Sample Kolmogorov-Smirnov Test

EKS HRG KURS

N 16 16 16

Normal Parametersa Mean 3.7913E4 1.7250E3 28.4562

Std. Deviation 3.49494E4 1.77317E3 2.47459E1

Most Extreme Differences Absolute .194 .203 .345

Positive .194 .203 .345

Negative -.164 -.180 -.179

Kolmogorov-Smirnov Z .778 .813 1.380

Asymp. Sig. (2-tailed) .581 .523 .044

a. Test distribution is Normal.

Uji
normalitas digunakan untuk mengetahui apakah populasi data berdistribusi
normal atau tidak. Uji ini biasanya digunakan untuk mengukur data berskala
ordinal, interval, ataupun rasio. Jika analisis menggunakan metode parametrik,
maka persyaratan normalitas harus terpenuhi yaitu data berasal dari distribusi
yang normal. Jika data tidak berdistribusi normal, atau jumlah sampel sedikit
dan jenis data adalah nominal atau ordinal maka metode yang digunakan adalah
statistik non parametrik. Dalam pembahasan ini akan digunakan uji One Sample
Kolmogorov-Smirnov dengan menggunakan taraf signifikansi 0,05. Data
dinyatakan berdistribusi normal jika signifikansi lebih besar dari 5% atau 0,05.
Variabel EKS : Nilai signifikansi yang diperoleh adalah sebesar 0.581 > 0.05, maka kesimpulannya Ha
diterima dan Ho ditolak, artinya data tersebut normal.
Variabel HRG : Nilai signifikansi yang diperoleh adalah sebesar 0.523 > 0.05, maka kesimpulannya Ha
diterima dan Ho ditolak, artinya data tersebut normal.
Variabel KURS: Nilai signifikansi yang diperoleh adalah sebesar 0.044 < 0.05, maka kesimpulannya Ho
diterima dan Ha ditolak, artinya data tersebut normal.
2. Uji Multikolineritas

Coefficientsa

Unstandardized Standardized 95% Confidence Interval Collinearity

Coefficients Coefficients for B Correlations Statistics

Lower Upper Zero-

Model B Std. Error Beta t Sig. Bound Bound order Partial Part Tolerance VIF

1 (Constant) -4077.835 4585.979 -.889 .390 -13985.239 5829.570

HRG 7.816 1.819 .397 4.297 .001 3.887 11.746 .713 .766 .355 .801 1.248

KURS 1001.817 130.330 .709 7.687 .000 720.256 1283.377 .886 .905 .635 .801 1.248

a. Dependent Variable: EKS

Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-
masing variabel independen dalam model regresi. Multikolinearitas biasanya terjadi ketika sebagian besar
variabel yang digunakan saling terkait dalam suatu model regresi. Oleh karena itu
masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel
independen
Dari tabel coefficient dapat dilihat bahwa nilai standar error lebih dari satu, yaitu HRG = 1,819 dan X2 = 130,33 dimana
keduanya lebih dari satu. Serta nilai koefisien beta juga kurang dari satu dimana X1 = 0,397 dan X2 = 0,709. Maka dapat dikatakan
bahwa nilai standar error rendah dan multikolinearitas tidak terdeteksi. Melihat dari coefficient di atas, bahwa nilai rentangnya sempit,
yaitu pada X1 = 0,801 sampai dengan 1,248. Sedangkan pada X2 juga kebetulan hasilnya sama yaitu X2 = 0,801 sampai dengan
1,248. Karena rentangnya sempit maka multikolinearitas tidak terdeteksi.
 3. Uji Homokedisitas

Uji homoskedastisitas digunakan dalam menguji error atau galat dalam model statistik untuk
melihat apakah varians atau keragaman dari error terpengaruh oleh faktor lain atau tidak, misalnya
untuk analisis data runtun waktu, apakah keragaman errornya terpangaruh oleh waktu atau tidak, atau
kalau datanya cross section maka apakah varians dari error berubah-ubah setidap amatan atau tidak.
Biasanya uji statistik yang digunakan diantara adalah uji Levene (SPSS), One way Anova (SPSS), uji
korelasi Spearman (SPSS), uji Breush-Pagan Goodfrey, uji Harvei, uji Glejser, uji ARCH, dan uji White
pada paket program Eviews
Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang jelas, serta titik-titik
menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y. Sedangkan 
Heteroskedastisitas terjadi jika terdapat titik-titik memiliki pola tertentu yang teratur seperti
bergelombang, melebar kemudian menyempit. dan ada salah satu titik yang berada di titik 0.

4. Uji Autokorelasi

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .955a .911 .898 11179.83510 2.164

a. Predictors: (Constant), KURS, HRG

b. Dependent Variable: EKS

 Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi
antara residual pada satu pengamatan dengan pengamatan lain pada
model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya
autokorelasi dalam model regresi. 

5. Uji Linearitas

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 1.670E10 2 8.349E9 66.794 .000a

Residual 1.625E9 13 1.250E8

Total 1.832E10 15