NAMA : RIFA HANA AZIZAH

NIM : 7311419115
ROMBEL : MANAJEMEN D 2019

SIMULASI UAS EKONOMETRIKA

UJI ASUMSI KLASIK

UJI NORMALITAS

Dengan melihat sebaran titik-titik yang membentuk pola tertentu dan mengikuti garis
diagonal maka dapat disimpulkan bahwa data terdistribusi secara normal pada model
regresi ini.

ONE SAMPLE KOLMOGOROV-SMIRNOV TEST

 Uji K-S dilakukan dengan membuat hipotesis
H0 = Data residual berdistribusi normal
H1 = Data residual tidak berdistribusi normal

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 64
Normal Parametersa,b Mean .0000000
Std. Deviation 4.21500181
Most Extreme Differences Absolute .057
Positive .057
Negative -.034
Test Statistic .057
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

Besarnya nilai Kolmogorov smirnov test adalah 0,057 dan tidak signifikan, karena nilai sig >
0,05 yaitu 0,200. Hal ini berarti H0 diterima yang berarti data residual terdistribusi normal.

UJI MULTIKOLINEARITAS

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 28.731 5.101 5.632 .000
Tot_OrientasiPasarX1 -.192 .125 -.182 -1.528 .132 .963 1.039
Tot_InovasiProdukX2 .358 .105 .404 3.395 .001 .963 1.039
a. Dependent Variable: Tot_KeunggulanBersaingY1

Berdasarkan nilai VIF pada table diatas diketahui sebesar 1,039 yang berarti > 10 dengan
demikian dapat disimpulkan tidak terjadi multikolinearitas.

UJI HETEROSKEDASTISITAS
 Dengan melihat sebaran titik-titik yang acak baik diatas maupun dibawah angka 0 dari
sumbu Y dapat disimpulkan tidak terjadi heteroskedastisitas pada model regresi ini

UJI GLEJSER

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 1.616 3.035 .532 .596
Tot_OrientasiPasarX1 .033 .075 .057 .441 .661 .963 1.039
Tot_InovasiProdukX2 .018 .063 .037 .282 .779 .963 1.039
a. Dependent Variable: AbsUt

Hasil tampilan output SPSS dengan jelas menunjukkan bahwa tidak ada satupun variable
independent yang signifikan secara statistic mempengaruhi variable dependent dengan nilai
absolut ut (AbsUt). Hal ini terlihat dari probabilitas signifikansinya diatas tingkat
kepercayaan 5%. Jadi dapat disimpulkan model regresi tidak mengandung adanya
heteroskedastisitas.
UJI GOODNESS

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .410a .168 .141 4.284 1.719
a. Predictors: (Constant), Tot_InovasiProdukX2, Tot_OrientasiPasarX1
b. Dependent Variable: Tot_KeunggulanBersaingY1

Dari hasil output SPSS model summary besarnya adjusted R2 adalah 0,141, hal ini berarti
14% variabel keunggulan bersaing dapat dijelaskan oleh variasi dari variabel Orientasi pasar
dan inovasi produk. Sedangkan sisanya 86% dijelaskan oleh sebab-sebab lain diluar model.

UJI SIMULTAN

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 226.086 2 113.043 6.161 .004b
Residual 1119.273 61 18.349
Total 1345.359 63
a. Dependent Variable: Tot_KeunggulanBersaingY1
b. Predictors: (Constant), Tot_InovasiProdukX2, Tot_OrientasiPasarX1

Dari uji anova atau F test didapat nilai F hitung sebesar 6,161 dengan probabilitas 0,004.
Karena probabilitas lebih kecil, maka model regresi dapat digunakan untuk memprediksi
keunggulan bersaing, atau dapat dikatakan bahwa orientasi pasar dan inovasi produk secara
bersama-sama berpengaruh terhadap keunggulan produk.