Nama : Efeline Nuzula Az Zahra

NIM : 1401419302

ROMBEL G

TUGAS TERSTRUKTUR 12

1. Apa yang dimaksud autokorelasi?

2. Mengapa diperlukan uji autokorelasi?

3. Apa yang Anda ketahui tentang uji multikolinearitas?

4. Apa kegunaan uji tersebut dan seberapa penting?

5. Carilah sebuah permasalahan yang memuat suatu data dan memungkinkan untuk dilakukan uji
autokorelasi dan uji multikolinearitas menggunakan SPSS atau excel atau keduanya!

Jawaban

1. Autokorelasi adalah terjadi korelasi antara observasi ke-i dengan observasi ke-i-1.

Contohnya yaitu: misalkan sampel ke-20, nilainya dipengaruhi oleh sampel ke-19.Sampel ke-19,
nilainya dipengaruhi oleh sampel ke-18, dan seterusnya. Coba kitaperhatikan pada contoh
tersebut, yaitu ada nilai selisih antara nilai observasi ke-18dengan ke-19, nilai observasi ke-19
dengan ke-20, dan seterusnya

2. Uji autokorelasi di dalam model regresi linear, harus dilakukan apabila data merupakan data
time series atau runtut waktu. Sebab yang dimaksud dengan autokorelasi sebenarnya adalah:
sebuah nilai pada sampelatau observasi tertentu sangat dipengaruhi oleh nilai
observasi sebelumnya. Uji autokorelasi adalah uji yang harus dilakukan pada regresi linear
dengan runtut waktu atau panel. Ini penting karena model bisa hasil yang dihasilkan bisa bias
jika terjadi gangguan autokorelasi pada model penelitian.
3. Uji Multikolinearitas diperlukan untuk mengetahui ada tidaknya variabel independen yang
memiliki kemiripan antara variabel independen dalam satu model regresi. Jika terdapat korelasi
maka dinyatakan bahwa model regresi mengalami masalah multikolinearitas.

4. Uji multikonieritas sangat penting dilakukan karena untuk mengetahui apakah hubungan
diantara variabel bebas memiliki masalah multikorelasi atau tidak. Multikolinieritas adalah
korelasi yang sangat tinggi dan sangat rendah yang terjadi diantara variabel bebas. Uji
multikorelasi perlu dilakukan jika variabel bebasnya lebih dari satu.

5. Autokorelasi

Tahun Y X1 X2
November
2016 180 3.3 4
Februari 2017 360 3.6 10
Mei 2017 570 4.29 11
Agustus 2017 750 4.5 12
November
2017 900 4.56 15
Februari 2019 1080 4.86 18
Mei 2018 1140 5.4 18
Agustus 2018 1290 5.46 19
November
2018 1320 5.4 18
Februari 2019 1470 5.25 19
Mei 2019 1500 5.85 25
Agustus 19 1560 5.88 27
November
2019 1620 5.49 29
Februari 2020 1230 5.7 25
Mei 2020 1050 4.5 24

UJI SPSS

Regression
Notes

Output Created 12-NOV-2021 08:44:35

Comments
Input Active Dataset DataSet0
 Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 15
User-defined missing values are
Definition of Missing
treated as missing.
Missing Value Handling Statistics are based on cases
Cases Used with no missing values for any
variable used.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA
/CRITERIA=PIN(.05)
Syntax
POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2
/RESIDUALS DURBIN.
Processor Time 00:00:00.02

Elapsed Time 00:00:00.11

Resources Memory Required 1644 bytes

Additional Memory Required for

0 bytes
Residual Plots

[DataSet0]
Variables Entered/Removeda

Model Variables Entered Variables Method

Removed

jumlah tenaga,
1 . Enter
biaya iklanb

a. Dependent Variable: penjualan

b. All requested variables entered.

Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate

1 .964a .928 .917 127.00547 2.111

a. Predictors: (Constant), jumlah tenaga, biaya iklan
b. Dependent Variable: penjualan

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 2513275.333 2 1256637.667 77.905 .000b

1 Residual 193564.667 12 16130.389

Total 2706840.000 14

a. Dependent Variable: penjualan

b. Predictors: (Constant), jumlah tenaga, biaya iklan

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) -1068.707 275.040 -3.886 .002

1 biaya iklan 346.276 81.262 .625 4.261 .001

jumlah tenaga 23.403 9.185 .374 2.548 .026

a. Dependent Variable: penjualan

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 167.6135 1599.2684 1068.0000 423.69761 15

Residual -260.13327 276.10739 .00000 117.58421 15
Std. Predicted Value -2.125 1.254 .000 1.000 15
Std. Residual -2.048 2.174 .000 .926 15

a. Dependent Variable: penjualan

Dengan jumlah data/ N = 15, dari tabel independen (k). maka diperoleh nilai d=2.111, dl=
0.946, 4-dl=3.054, 4-du=2.457.

Karena du<d<4-du = 1.543>2.111>2.457 maka dapat disimpulkan bahwa data tersebut

tidak terjadi autokorelasi.
UJI EXEL

Didapatkan hasil dU=1.543 sedangkan DW=2.111. maka nilai DW>dU.

Kemudian nilai DW terletak diantara nilai du dan 4-dU.

(du<Dw<4-dU = 1.5432<2.111<2.456)

Maka dapat disimpulkan bahwa data tersebut tidak terjadi autokorelasi.

Multikolinieritas

No Promosi (X1) Harga (X2) Keputusan

Konsumen (Y)
1 75 75 80
2 60 70 75
3 65 70 75
4 75 80 90
5 65 75 85
6 80 80 85
7 75 85 95
8 80 88 95
9 65 75 80
10 80 75 90
11 60 65 75
12 67 70 75

UJI SPSS
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS BCOV R ANOVA COLLIN TOL
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2.

Regression
Notes

Output Created 12-NOV-2021 09:03:41

Comments
Active Dataset DataSet0
Filter <none>
Input Weight <none>
Split File <none>
N of Rows in Working Data File 12
User-defined missing values are
Definition of Missing
treated as missing.
Missing Value Handling Statistics are based on cases
Cases Used with no missing values for any
variable used.
 REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS
BCOV R ANOVA COLLIN TOL
Syntax /CRITERIA=PIN(.05)
POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2.
Processor Time 00:00:00.05

Elapsed Time 00:00:00.09

Resources Memory Required 1636 bytes

Additional Memory Required for

0 bytes
Residual Plots

[DataSet0]

Variables Entered/Removeda

Model Variables Entered Variables Method

Removed

1 harga, promosib . Enter

a. Dependent Variable: keputusan pembeli

b. All requested variables entered.

Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 .916a .839 .803 3.453

a. Predictors: (Constant), harga, promosi

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 559.332 2 279.666 23.450 .000b

1 Residual 107.335 9 11.926

Total 666.667 11

a. Dependent Variable: keputusan pembeli

b. Predictors: (Constant), harga, promosi
 Coefficientsa

Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics

Coefficients

B Std. Error Beta Tolerance VIF

(Constant) 2.612 11.874 .220 .831

1 promosi .192 .215 .190 .894 .395 .394 2.537

harga .888 .249 .760 3.567 .006 .394 2.537

a. Dependent Variable: keputusan pembeli

Coefficient Correlationsa

Model harga promosi

harga 1.000 -.778
Correlations
promosi -.778 1.000
1
harga .062 -.042
Covariances
promosi -.042 .046

a. Dependent Variable: keputusan pembeli

Collinearity Diagnosticsa

Model Dimension Eigenvalue Condition Index Variance Proportions

(Constant) promosi harga

1 2.993 1.000 .00 .00 .00

1 2 .006 23.094 .76 .28 .02

3 .002 40.816 .24 .72 .98

a. Dependent Variable: keputusan pembeli

Pada tabel coefficients, variabel promosi memiliki nilai VIF= 2.537 dan nilai tollerance=
0.394.

Maka nilai tollerance > 0.10. sementara nilai VIF pada variabel motivasi 2.537<10.00.

Maka dapat disimpulkan bahwa data tersebut tidak terjadi multikolinieritas.

UJI EXEL
Dari hasil tolerance dan VIF.

Nilai tolerance =0.3941>0.10

Nilai VIF=2.537<10.00

Sehingga dari hasil tersebut disimpulkan bahwa data tersebut tidak terjadi
multikolinieritas.