PENDAHULUAN
1.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
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.
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.
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
Pada praktikum kali ini praktikan diminta untuk melakukan uji asumsi
terhadap data yang tersedia.
Tabel 2.1 Data Stress dan Tekanan Darah
BAB III
PEMBAHASAN
Gambar 3.1 Output Regression Linear Analyze
Hasil pengolahan data di atas, selanjutnya dapat dipakai untuk uji hipotesis
yang menyatakan model yang bentuknya linier atau tidak dan juga secara tidak
langsung dapat menguji asumsi-asumsi sehingga diperoleh BLUE (Best Linear
Unbiased Estimator).
Pada tabel coefficients kolom standardized coefficients, dapat diketahui
bahwa hubungan korelasi stress dengan tekanan darah bernilai -0,156. Artinya
tidak ada hubungan antara stress dengen tekanan darah. Tanda minus (-)
menyatakan hubungan yang berbanding terbalik yakni bila nilai stress meningkat,
maka nilai tekanan darah akan turun, demikian pula sebaliknya.
Setelah mengetahui kekuatan hubungan antara variabel stress dengan
variabel tekanan darah, maka dapat dilanjutkan dengan asosiasi dari kedua
variabel :
A. Menguji signifikansi hubungan linier antara stress dengan tekanan darah (Uji
Overall)
- Hipotesis
H 0 : βi = 0 (Tidak ada hubungan linier antara stress dan tekanan darah /
model tidak layak digunakan ) i = 0,1
H1 : βi ≠ 0 (Ada hubungan linier antara stress dan tekanan darah / model
layak digunakan) i = 0,1
- Tingkat Signifikansi
α : 5% = 0,0 5
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig. yaitu 0,379
- Keputusan
Karena nilai Sig. > α yaitu 0,379 > 0,05 maka terima H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig. lebih dari α
yaitu 0,379 > 0,05 maka terima H0 yang artinya tidak ada hubungan linier
antara stress dengan tekanan darah atau model tidak layak digunakan atau
ada salah satu nilai βi yang tidak sama dengan 0.
Karena dalam praktikum dituntut untuk melakukan uji keseluruhan maka
praktikan tetap melanjutkan meskipun hasil dari uji overall menyatakan model
tidak layak digunakan.
Pada tabel model summary diperoleh nilai R 2 = 0,024. Artinya variabel
stress dapat menerangkan variabilitas sebesar 2,4% dari variabel tekanan darah,
sedangkan sisanya diterangkan oleh variabel lain (dengan R2 merupakan koefisien
determinasi).
B. Menguji signifikansi konstanta atau koefisien variabel stress pada model
linier (uji parsial variabel stress)
- Hipotesis
H 0 : β 0 = 0 (Koefisien regresi pada variabel stress tidak signifikan )
H1 : β0 ≠ 0 (Koefisien regresi pada variabel stress signifikan)
- Tingkat Signifikansi
α : 5% = 0,0 5
- 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 H 0 yang artinya koefisien regresi pada
variabel stress signifikan.
C. Menguji signifikansi koefisien variabel tekanan darah pada model linier (uji
parsial variabel tekanan darah)
- Hipotesis
H 0 : β 1 = 0 (Koefisien regresi pada variabel tekanan darah tidak signifikan )
H1 : β1 ≠ 0 (Koefisien regresi pada variabel tekanan darah signifikan)
- Tingkat Signifikansi
α : 5% = 0,0 5
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig. 0,379
- Keputusan
Karena nilai Sig. > α yaitu 0,379 > 0,05 maka terima H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig. lebih dari α
yaitu 0,379 > 0,05 maka terima H0 yang artinya koefisien regresi pada
variabel tekanan darah tidak signifikan.
Dengan demikian, model regresi yang di pakai dalam praktikum kali ini
adalah : Y =130,100−0,145 X atau Tekanan darah = 130,100 – 0,145 Stress.
Untuk mendapatkan model yang BLUE , maka model di atas tadi harus diuji
sebagi berikut :
1. Kenormalan sisaan
3. Homoskedastisitas
Gambar 3.6 Output Scatterplot Uji Homoskedastisitas
Dari plot di atas terlihat bahwa penyebaran nilai-nilai residual terhadap
harga-harga prediksi tidak membentuk suatu pola tertentu (meningkat atau
menurun). Dengan demikian dapat disimpulkan bahwa homoskedastisitas
terpenuhi.
BAB IV
PENUTUP