NIM : 2007531073
No.Absen : 10
Kelas : Aplikasi Analisis Kuantitatif
TUGAS 10
Interpretasi :
B. Uji Linieritas
Uji linearitas dimaksudkan untuk mengetahui ada tidaknya hubungan secara linear
antara variabel dependen terhadap setiap variabel independen yang hendak diuji.
Jika suatu model tidak memenuhi syarat linearitas maka model regresi linear tidak
bisa digunakan.
Uji ini bertujuan untuk mengetahui apakah dua variable mempunyai hubungan
yang linear secara signifikan atau tidak. Korelasi yang baik seharusnya terdapat
hubungan yang linear antara variable predictor atau independent (X) dengan
variable kriterium atau dependent (Y).
Namun, terlebih dahulu kita harus tau dasar pengambilan keputusan ketika
menggunakan uji Linieritas ini yaitu :
1. Jika nilai Deviation from Linearity Sig. > 0,05, maka ada hubungan yang
linear secara signifikan antara variable independent dengan variable dependent
2. Jika nilai Deviation from Lienarity Sig. < 0,05, maka tidak ada hubungan
yang linear secara signifikan antara variable independent dengan variable
dependent.
C. Uji Multikolinieritas
Uji multikolinearitas adalah uji yang dilakukan untuk memastikan apakah di
dalam sebuah model regresi ada interkorelasi atau kolinearitas antar variabel
bebas.
Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi
(hubungan kuat) antar variable bebas atau variable independent. Model regresi
yang baik seharusnya tidak terjadi korelasi diantara variable be bas atau tidak
terjadi gejala multikolinearitas.
Kemudian adapun dasar pengambilan keputusan dala uji Multikolinieritas ini
yaitu :
1. Pedoman keputusan berdasarkan nilai tolerance
- Jika nilai tolerance lebih besar dari 0,10 maka artinya tidak terjadi
multikolinieritas dalam model regresi. 2.
- Jika nilai tolerance lebih kecil dari 0,10 maka artinya terjadi
multikolinieritas dalam model regresi.
2. Pedoman keputusan berdasarkan nilai VIF (Variance Inflation Factor)
- Jika nilai VIF < 10,00 maka artinya tidak terjadi multikolinieritas
dalam model regresi.
- Jika nilai VIF > 10,00 maka artinya terjadi multikolinieritas dalam
model regresi
Interpretasi :
Dilihat dari output menggunakan SPSS pada tabel “Coefficients” pada bagian
“Collinearity Statistics” diketahui nilai Tolerance untuk variable X1 adalah 0,936,
variable X2 adalah 0,922 dan variable X3 adalah 0,895. Ketiga variable ini lebih
besar dari 0,10. Sementara untuk nilai VIF variable X1 adalah 1,068, variable X2
adalah 1,085 dan variable X3 adalah 1,117 dan nilai ketiga variablenya < 10,00.
Sehingga berdasarkan dasar pengambilan keputusan dalam uji multikolinearitas
dapat disimpulkan bahwa tidak terjadi gejala multikolineritas dalam model
regresi.
D. Uji Heteroskedastisitas
Uji Heteroskedastisitas adalah bagian dark uji asumsi klasik dalam analisis regresi
yang bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan
variance (variasi) dari nilai residual satu pengamatan ke pengamatan yang lain.
Jika variance dari nilai residual satu pengamatan ke pengamatan lain bersifat
tetap, maka disebut homoskedastisitas, namun jika variance dari will residual satu
pengamatan ke pengamatan lain berbeda maka disebut betereskedastisitas Model
regresi yang baik seharusnya tidak terjadi gejala heteroskedastisitas.
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain.
Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka
disebut homoskedastisitas dan jika berbeda akan disebut heteroskedastisitas.
Dalam pengujiannya, diminta menggunakan 2 yaitu dengan glejser dan dengan
gambar Scatterplots. Berikut adalah hasil output ujinya :
1. Uji Glejser
Adapun dasar pengambilan keputusan dalam menggunakan uji glejser adalah
sebagai berikut :
- Jika nilai signifikansi (Sig.) lebih besar dari 0,05, maka kesimpulannya
adalah tidak terjadi gejala heteroskedastisitas dalam model regresi.
- Sebaliknya, jika nilai signifikansi (Sig.) lebih kecil dari 0,05, maka
kesimpulannya adalah terjadi gejala heteroskedastisitas dalam model
regresi.
Interpretasi :
Berdasarkan hasil output SPSS di atas diketahui nilai signifikansi (Sig.) untuk
variable X1 adalah 0,17, variable X2 adalah 0,662 dan variable X3 adalah
0,432. Sehingga karena nilai signifikansi salah satu variable di atas lebih kec il
dari 0,05 maka berdasarkan dasar pengambilan keputusan dalam uji glejser,
dapat disimpulkan bahwa terjadi gejala heteroskedastisitas dalam model
regresi.
Maka untuk mengatasi gejala heteroskedastisititas dalam model regresi diatas,
digunakan alternative uji lain yaitu dengan uji heteroskedastisitas dengan
gambar scatterplot.
2. Uji Heteroskedastisitas dengan Gambar Scatterplots
Interpretasi :
Berdasarkan hasil output uji Scatterplots di atas dapat diketahui bahwa:
1. Titik-titik data penyebar di atas dan di bawah atau di sekitar angka 0
2. Titik-titik tidak mengumpul hanya di atas atau di bawah saja
3. Penyebaran titik-titik data tidak membentuk pola bergelombang melebar
kemudian menyempit dan melebar kembali
4. Penyebaran titik-titik data tidak berpola Dengan demikian dapat
disimpulkan bahwa tidak terjadi masalah heteroskedastisitas.
E. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear terdapat
korelasi antara kesalahan penganggu pada periode t-1 (sebelumnya).
Dalam pengujiannya, diminta menggunakan 2 yaitu dengan Durbin Watson dan
dengan Run Test. Berikut adalah hasil output ujinya :
1. Durbin Watson
Adapun dasar pengambilan keputusan dalam menggunakan Durbin Watson
adalah sebagai berikut :
- Jika d (durbin watson) lebih kecil dari dL atau lebih besar dari (4 -dL)
maka hipotesis nol ditolak yang berarti terdapat autokorelasi.
- Jika d (durbin watson) terletak antara dU dan (4-dU), maka hipotesis
nol diterima, yang berarti tidak ada autokorelasi.
- Jika d (durbin watson) terletak antara dL dan dU atau diantara (4 -dU)
dan (4-dL), maka tidak menghasilkan kesimpulan yang pasti
Interpretasi :
Berdasarkan tabel output “Model Summary” di atas, diketahui nilai Durbin -
Watson (d) adalah sebesar 1,912. Selanjutnya nilai ini akan dibandingkan
dengan nilai tabel Durbin Watson pada signifikansi 5% dengan rumus (k ; N).
Adapun jumlah variable independen adalah 3 atau “k” = 3, sementara jumlah
sampel atau “N” = 110 (100), maka (k ; N)=(3 ; 100). Kemudian pada
distribusi nilai tabel durbin Watson nilai dL sebesar 1,613 dan dU sebesar
1,736 Nilai Durbin-Watson (d) sebesar 1,912 lebih besar dari batas atas (dU)
yakni 1,736 dan kurang dari (4-dU) 4-1,736 = 2,264. Maka sebagaimana dasar
pengambilan keputusan dalam uji durbin Watson diatas, dapat disimpulkan
bahwa tidak terdapat masalah atau gejala autokorelasi
2. Uji Run Test
Adapun dasar pengambilan keputusan dalam menggunakan Run Test adalah
sebagai berikut :
- Jika nilai Asymp. Sig. (2-tailed) < 0,05 maka terdapat gejala
autokorelasi
- Sebaliknya, jika nilai Asymp. Sig. (2-tailed) > 0,05 maka tidak
terdapat gejala autokorelasi.
Interpretasi :
Berdasarkan hasil output menggunakan SPSS diatas, diketahui nilai Asymp.
Sig. (2-tailed) sebesar 0,125 > 0,05. Maka dapat disimpulkan bahwa tidak
terdapat gejala atau masalah autokorelasi.
Analisis regresi linear berganda adalah Salah satu bentuk analisis regresi linier di mana
variabel bebasnya lebih dari satu. Analisis regresi adalah analisis yang dapat digunakan
untuk mengukur pengaruh suatu variabel bebas terhadap variabel tidak bebasnya.
Kemudian interpretasi terakhir dapat dilihat hasil output SPSS nya di tabel
“Coefficients” memberikan informasi tentang persamaan regresi dan ada tidaknya
pengaruh variable X1, X2 dan X3 secara parsial (sendiri-sendiri) terhadap variable Y