Nama : Fariza Halidatsani Azhra

NIM : 20916041

Mata Kuliah Analisis Multivariat

TUGAS 4

a. Hitung korelasi antar variabel tersebut (X1,X2,X3,X4,X5,Y,Z)

• Hipotesis
Ho : Tidak terdapat korelasi antar variabel (X1,X2,X3,X4,X5,Y,Z)
H1 : Ada korelasi antar variabel (X1,X2,X3,X4,X5,Y,Z)
Korelasi Pearson menggunakan data berskala interval atau rasio, Spearman dan Kendal
menggunakan skala ordinal, sedangkan Chi Square menggunakan data nominal. Karena data
pada soal nomor 1 a merupakan data rasio maka korelasi yang digunakan adalah Korelasi
Pearson.
• Perhitungan
Hasil Uji Korelasi menggunakan SPSS

Correlations
X1 X2 X3 X4 X5 Y Z
X1 Pearson Correlation 1 .997** -.997** .132 -.271** .802** -.027
Sig. (2-tailed) .000 .000 .191 .006 .000 .790
N 100 100 100 100 100 100 100
X2 Pearson Correlation .997** 1 -.999** .123 -.272** .798** -.013
Sig. (2-tailed) .000 .000 .221 .006 .000 .900
N 100 100 100 100 100 100 100
X3 Pearson Correlation -.997** -.999** 1 -.125 .282** -.799** .015
Sig. (2-tailed) .000 .000 .216 .004 .000 .882
N 100 100 100 100 100 100 100
X4 Pearson Correlation .132 .123 -.125 1 .024 .694** -.019
Sig. (2-tailed) .191 .221 .216 .816 .000 .853
N 100 100 100 100 100 100 100
X5 Pearson Correlation -.271** -.272** .282** .024 1 -.185 .201*
Sig. (2-tailed) .006 .006 .004 .816 .065 .045
N 100 100 100 100 100 100 100
 Correlations
X1 X2 X3 X4 X5 Y Z
Y Pearson Correlation .802** .798** -.799** .694** -.185 1 -.021
Sig. (2-tailed) .000 .000 .000 .000 .065 .833
N 100 100 100 100 100 100 100
Z Pearson Correlation -.027 -.013 .015 -.019 .201* -.021 1
Sig. (2-tailed) .790 .900 .882 .853 .045 .833
N 100 100 100 100 100 100 100
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

Ketentuan
• Jika nilai signifikansi < 0,05 maka antar variabel berkorelasi
• Jika nilai signifikansi > 0,05 maka antar variabel tidak berkorelasi
Interpretasi Koefisien Korelasi
• Nilai Pearson Correlation 0,00 – 0,19 = korelasi sangat lemah
• Nilai Pearson Correlation 0,20 – 0,39 = korelasi lemah
• Nilai Pearson Correlation 0,40 – 0,59 = korelasi sedang
• Nilai Pearson Correlation 0,60 – 0,79 = korelasi kuat
• Nilai Pearson Correlation 0,80 – 1,00 = korelasi sangat kuat
Kesimpulan

Berdasarkan dari Uji Korelasi menggunakan SPSS didapatkan kesimpulan bahwa ada variabel yang
memiliki nilai signifikansi lebih dari 0,05 dan ada variabel yang memiliki nilai signifikansi kurang dari
0,05. Maka H1 diterima yaitu ada korelasi antar variabel dengan penjelasan sebagai berikut :
1. Nilai signifikansi antara X1 dan X2 adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan X2 terdapat korelasi. Hubungan korelasi X1 dan X2 ditunjukkan oleh angka
0,997 artinya korelasi positif antara variabel X1 dan X2 sangat kuat.
2. Nilai signifikansi antara X1 dan X3 adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan X3 terdapat korelasi. Hubungan korelasi X1 dan X3 ditunjukkan oleh angka -
0,997 artinya korelasi negatif antara variabel X1 dan X3 sangat kuat.
3. Nilai signifikansi antara X1 dan X4 adalah 0,191 yang berarti lebih dari 0,05. Artinya antara
variabel X1 dan X4 tidak terdapat korelasi.
4. Nilai signifikansi antara X1 dan X5 adalah 0,006 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan X5 terdapat korelasi. Hubungan korelasi X1 dan X5 ditunjukkan oleh angka -
0,271 artinya korelasi negatif antara variabel X1 dan X5 lemah.
5. Nilai signifikansi antara X1 dan Y adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan Y terdapat korelasi. Hubungan korelasi X1 dan Y ditunjukkan oleh angka 0,802
artinya korelasi positif antara variabel X1 dan Y sangat kuat.
6. Nilai signifikansi antara X1 dan Z adalah 0,79 yang berarti lebih dari 0,05. Artinya antara
variabel X1 dan Z tidak terdapat korelasi.
7. Nilai signifikansi antara X2 dan X3 adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X2 dan X3 terdapat korelasi. Hubungan korelasi X2 dan X3 ditunjukkan oleh angka -
0,999 artinya korelasi negatif antara variabel X2 dan X3 sangat kuat.
8. Nilai signifikansi antara X2 dan X4 adalah 0,221 yang berarti lebih dari 0,05. Artinya antara
variabel X2 dan X4 tidak terdapat korelasi.
9. Nilai signifikansi antara X2 dan X5 adalah 0,006 yang berarti kurang dari 0,05. Artinya antara
variabel X2 dan X5 terdapat korelasi. Hubungan korelasi X2 dan X5 ditunjukkan oleh angka -
0,272 artinya korelasi negatif antara variabel X2 dan X5 lemah.
10. Nilai signifikansi antara X2 dan Y adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X2 dan Y terdapat korelasi. Hubungan korelasi X2 dan Y ditunjukkan oleh angka 0,798
artinya korelasi positif antara variabel X2 dan Y kuat.
11. Nilai signifikansi antara X2 dan Z adalah 0,90 yang berarti lebih dari 0,05. Artinya antara
variabel X2 dan Z tidak terdapat korelasi.
12. Nilai signifikansi antara X3 dan X4 adalah 0,216 yang berarti lebih dari 0,05. Artinya antara
variabel X3 dan X4 tidak terdapat korelasi.
13. Nilai signifikansi antara X3 dan X5 adalah 0,004 yang berarti kurang dari 0,05. Artinya antara
variabel X3 dan X5 terdapat korelasi. Hubungan korelasi X3 dan X5 ditunjukkan oleh angka
0,282 artinya korelasi positif antara variabel X3 dan X5 lemah.
14. Nilai signifikansi antara X3 dan Y adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X3 dan Y terdapat korelasi. Hubungan korelasi X3 dan Y ditunjukkan oleh angka -0,799
artinya korelasi negatif antara variabel X3 dan Y kuat.
15. Nilai signifikansi antara X3 dan Z adalah 0,882 yang berarti lebih dari 0,05. Artinya antara
variabel X3 dan Z tidak terdapat korelasi.
16. Nilai signifikansi antara X4 dan X5 adalah 0,816 yang berarti lebih dari 0,05. Artinya antara
variabel X4 dan X5 tidak terdapat korelasi.
17. Nilai signifikansi antara X4 dan Y adalah 0,00 yang berarti kurang dari 0,05. Artinya antara
variabel X1 dan X2 terdapat korelasi. Hubungan korelasi X1 dan X2 ditunjukkan oleh angka
0,694 artinya korelasi positif antara variabel X1 dan X2 kuat.
18. Nilai signifikansi antara X4 dan Z adalah 0,853 yang berarti lebih dari 0,05. Artinya antara
variabel X4 dan Z tidak terdapat korelasi.
19. Nilai signifikansi antara X5 dan Y adalah 0,065 yang berarti lebih dari 0,05. Artinya antara
variabel X5 dan Y tidak terdapat korelasi.
20. Nilai signifikansi antara X5 dan Z adalah 0,045 yang berarti kurang dari 0,05. Artinya antara
variabel X5 dan Z terdapat korelasi. Hubungan korelasi X5 dan Z ditunjukkan oleh angka 0,201
artinya korelasi positif antara variabel X5 dan Z lemah.
21. Nilai signifikansi antara Y dan Z adalah 0,883 yang berarti lebih dari 0,05. Artinya antara
variabel Y dan Z tidak terdapat korelasi.

b. Lakukan analisis regresi linear sederhana dengan X1 sebagai variabel independen dan
X2 sebagai variabel dependen.

1. Uji Normalitas
• Hipotesis
Ho : Data residual berdistribusi normal (sig.>0,05)
H1 : Data residual tidak berdistribusi normal (sig.<0,05)
• Perhitungan
Hasil Uji Normalitas dengan menggunakan SPSS
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation .68824358
Most Extreme Differences Absolute .228
Positif .228
Negatif -.225
 One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
Test Statistic .228
Asymp. Sig. (2-tailed) .000c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Dari hasil uji normalitas data residual regresi diatas, dapat diketahui bahwa nilai signifikansi
data sebesar 0,000 yang berarti nilai signifikansi kurang dari 0,05. Artinya, H1 diterima atau
Ho ditolak yaitu data residual tidak berdistribusi normal.

2. Uji Autokorelasi
Ketentuan
• Jika dU < nilai Durbin Watson < 4 – Du , maka Ho Diterima (tidak terjadi autokorelasi).
• Jika nilai Durbin Watson < dl or nilai Durbin Watson > 4 – dl maka Ho Ditolak (terjadi
autokorelasi).
• Jika dl < nilai Durbin Watson < dU atau 4 – dU < Durbin Watson < 4 – dl maka tidak ada
keputusan yang pasti.

Hasil Uji Autokorelasi dengan menggunakan SPSS

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .997a .995 .995 .69175 2.058
a. Predictors: (Constant), X1
b. Dependent Variabel: X2

Dari hasil uji autokorelasi diatas, dapat diketahui bahwa nilai Durbin-Watson sebesar 2,058.
Pada tabel Durbin-Watson, tingkat signifikansi 0,05 dengan n=100 (banyak data), dan k=1
(jumlah variabel Independent), di dapat dl = 1,654 dan du=1,6944. Oleh karena itu, maka
dU<d<4-dU, yang berarti nilai Durbin Watson berada didaerah tidak ada autokorelasi.
3. Uji Regresi Linear Sederhana
• Hipotesis
Ho : Variabel X1 tidak mempengaruhi variabel X2
H1 : Variabel X1 mempengaruhi variabel X2
• Perhitungan
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .997a .995 .995 .69175 2.058
a. Predictors: (Constant), X1
b. Dependent Variabel: X2

Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 99,5 % dari variasi X1 bisa dijelaskan oleh variabel X2.
Sementara sisanya (100% - 99,5% = 0,5 %) dijelaskan oleh sebab-sebab yang lain. R square
berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka R square maka semakin
lemah hubungan kedua variabel. Jadi X1 dan X2 mempunyai hubungan yang kuat karena
nilainya mendekati 1.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 9164.816 1 9164.816 19152.712 .000b
Residual 46.894 98 .479
Total 9211.710 99
a. Dependent Variabel: X2
b. Predictors: (Constant), X1

Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 19152,712 dengan tingkat
signifikansi 0,000. Oleh karena probabilitas (0,000) lebih kecil dari 0,05 maka model regresi
bisa digunakan untuk memprediksi X1.
 Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.331 .722 1.845 .068
X1 1.994 .014 .997 138.393 .000
a. Dependent Variabel: X2

Berdasarkan uji regresi linear sederhana didapatkan persamaan regresi yaitu :

X2 = 1,331 + 1,994 X1

c. Lakukan analisis regresi linear sederhana dengan X1 sebagai variabel independen dan X2
sebagai variabel dependen

1. Uji Normalitas
• Hipotesis
Ho : Data residual berdistribusi normal (sig.>0,05)
H1 : Data residual tidak berdistribusi normal (sig.<0,05)
 • Perhitungan
Hasil Uji Normalitas dengan menggunakan SPSS

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation .56411622
Most Extreme Differences Absolute .156
Positive .156
Negative -.104
Test Statistic .156
Asymp. Sig. (2-tailed) .000c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Dari hasil uji normalitas data residual regresi diatas, dapat diketahui bahwa nilai signifikansi
data sebesar 0,000 yang berarti nilai signifikansi kurang dari 0,05. Artinya, H1 diterima atau
H0 ditolak yaitu data residual tidak berdistribusi normal.

2. Uji Autokorelasi
Ketentuan
• Jika dU < nilai Durbin Watson < 4 – Du , maka Ho Diterima (tidak terjadi autokorelasi).
• Jika nilai Durbin Watson < dl or nilai Durbin Watson > 4 – dl maka Ho Ditolak (terjadi
autokorelasi).
• Jika dl < nilai Durbin Watson < dU atau 4 – dU < Durbin Watson < 4 – dl maka tidak ada
keputusan yang pasti.
Hasil Uji Autokorelasi dengan menggunakan SPSS

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .997a .994 .994 .56699 2.386
 a. Predictors: (Constant), X1
b. Dependent Variabel: X3

Dari hasil uji autokorelasi diatas, dapat diketahui bahwa nilai Durbin-Watson sebesar 2,386.
Pada tabel Durbin-Watson, tingkat signifikansi 0,05 dengan n=100 (banyak data), dan k=1
(jumlah variabel Independent), di dapat dl = 1,654 dan du=1,6944. Oleh karena itu, maka
nilai Durbin Watson > 4 - dl, yang berarti terjadi autokorelasi negatif.

3. Uji Regresi Linear Sederhana

• Hipotesis
Ho : Variabel X1 tidak mempengaruhi variabel X3
H1 : Variabel X1 mempengaruhi variabel X3
• Perhitungan
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .997a .994 .994 .56699
a. Predictors: (Constant), X1
b. Dependent Variabel: X3

Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 99,7 % dari variasi X1 bisa dijelaskan oleh variabel X3.
Sementara sisanya (100% - 99,7% = 0,3 %) dijelaskan oleh sebab-sebab yang lain. R square
berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka R square maka semakin
lemah hubungan kedua variabel. Jadi X1 dan X3 mempunyai hubungan yang kuat karena
nilainya mendekati 1.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 5097.256 1 5097.256 15855.871 .000b
Residual 31.504 98 .321
Total 5128.760 99
a. Dependent Variabel: X3
b. Predictors: (Constant), X1
 Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 15855,871 dengan tingkat
signifikansi 0,000. Oleh karena probabilitas (0,000) lebih kecil dari 0,05 maka model regresi
bisa digunakan untuk memprediksi X1.

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.309 .591 3.904 .000
X1 -1.487 .012 -.997 -125.920 .000
a. Dependent Variabel: X3

Berdasarkan uji regresi linear sederhana didapatkan persamaan regresi yaitu :

X3 = 2,309 -1,487 X1

d. Lakukan analisis regresi linear dengan X5 sebagai variabel independen dan Z sebagai
variabel dependen menggunakan model linear dan Model Kuadratik. Model manakah
yang lebih baik.
1. Uji Normalitas
• Hipotesis
Ho : Data residual berdistribusi normal (sig.>0,05)
H1 : Data residual tidak berdistribusi normal (sig.<0,05)
 • Perhitungan
Hasil Uji Normalitas dengan menggunakan SPSS
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation 22.02358505
Most Extreme Differences Absolute .217
Positif .201
Negatif -.217
Test Statistic .217
Asymp. Sig. (2-tailed) .000c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Dari hasil uji normalitas data residual regresi diatas, dapat diketahui bahwa nilai signifikansi
data sebesar 0,000 yang berarti nilai signifikansi kurang dari 0,05. Artinya, H1 diterima atau
H0 ditolak yaitu data residual tidak berdistribusi normal.

2. Uji Autokorelasi
Ketentuan
• Jika dU < nilai Durbin Watson < 4 – Du , maka Ho Diterima (tidak terjadi autokorelasi).
• Jika nilai Durbin Watson < dl or nilai Durbin Watson > 4 – dl maka Ho Ditolak (terjadi
autokorelasi).
• Jika dl < nilai Durbin Watson < dU atau 4 – dU < Durbin Watson < 4 – dl maka tidak ada
keputusan yang pasti.
Hasil Uji Autokorelasi dengan menggunakan SPSS
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .201a .040 .031 22.13567 2.157
a. Predictors: (Constant), X5
b. Dependent Variabel: Z
 Dari hasil uji autokorelasi diatas, dapat diketahui bahwa nilai Durbin-Watson sebesar 2,157.
Pada tabel Durbin-Watson, tingkat signifikansi 0,05 dengan n=100 (banyak data), dan k=1
(jumlah variabel Independent), di dapat dl = 1,654 dan du=1,6944. Oleh karena itu, maka dU
< nilai Durbin Watson < 4 – Du yang berarti Ho diterima atau tidak terjadi autokorelasi.

3. Perbandingan antara model linear dan model kuadratik

a. Model Linear
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .201a .040 .031 22.13567 2.157
a. Predictors: (Constant), X5
b. Dependent Variabel: Z

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 2025.798 1 2025.798 4.134 .045b
Residual 48018.792 98 489.988
Total 50044.590 99
a. Dependent Variabel: Z
b. Predictors: (Constant), X5
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 26.345 2.224 11.844 .000
X5 .112 .055 .201 2.033 .045
a. Dependent Variabel: Z

Model Linear
Z = 𝛽0 + 𝛽1 𝑋5
Z = 26,345 + 0,112 . 𝑋5

Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 4 % dari variasi X5 bisa dijelaskan oleh variabel Z. Sementara
 sisanya (100% - 4% = 96 %) dijelaskan oleh sebab-sebab yang lain. R square berkisar pada
angka 0 sampai 1, dengan catatan semakin kecil angka R square maka semakin lemah
hubungan kedua variabel. Jadi X5 dan Z mempunyai hubungan yang sangat lemah karena
nilainya mendekati 1.
Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 11,844 dengan tingkat
signifikansi 0,045. Oleh karena probabilitas (0,045) lebih kecil dari 0,05 maka model regresi
bisa digunakan untuk memprediksi X5.

b. Model Kuadratik
Model Summary
Adjusted R Std. Error of the
R R Square Square Estimate
.985 .970 .970 3.912
The independent variabel is X5.

ANOVA
Sum of Squares df Mean Square F Sig.
Regression 48560.456 2 24280.228 1586.906 .000
Residual 1484.134 97 15.300
Total 50044.590 99
The independent variabel is X5.
Coefficients
Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
X5 .011 .010 .021 1.159 .249
X5 ** 2 .010 .000 .981 55.149 .000
(Constant) 10.793 .484 22.310 .000

Model Kuadratik
Z = 𝛽0 + 𝛽1 𝑋5 + 𝛽2 𝑋5 2
Z = 10,793 + 0,011 𝑋5 + 0,01 𝑋5 2

Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 97 % dari variasi X5 bisa dijelaskan oleh variabel Z. Sementara
 sisanya (100% - 97% = 3 %) dijelaskan oleh sebab-sebab yang lain. R square berkisar pada
angka 0 sampai 1, dengan catatan semakin kecil angka R square maka semakin lemah
hubungan kedua variabel. Jadi X5 dan Z mempunyai hubungan yang kuat karena nilainya
mendekati 1.
Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 1586,906 dengan tingkat
signifikansi 0,000. Oleh karena probabilitas (0,000) lebih kecil dari 0,05 maka model regresi
bisa digunakan untuk memprediksi X5.

Model Summary and Parameter Estimates

Dependent Variabel: Z
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1 b2
Linear .040 4.134 1 98 .045 26.345 .112
Quadratic .970 1586.906 2 97 .000 10.793 .011 .010
The independent variabel is X5.
 Dari hasil perbandingan antara model linear dan kuadratik, model yang lebih baik adalah model
kuadratik karena lebih mendekati data observasi. Selain itu standar error dari model kuadratik
lebih kecil yaitu sebesar 3,912 sedangkan standar error model linear sebesar 22,13567.

e. Lakukan analisis regresi linear dengan X1; X2; X3; X4; X5 sebagai variabel independen
dan Y sebagai variabel dependen. Carilah model terbaiknya.

• Analisis Regresi Linear

1. Uji Normalitas
Hipotesis
Ho : Data residual berdistribusi normal (sig.>0,05)
H1 : Data residual tidak berdistribusi normal (sig.<0,05)
Hasil Uji Normalitas dengan menggunakan SPSS
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation .43040118
Most Extreme Differences Absolute .113
Positive .113
Negative -.093
Test Statistic .113
Asymp. Sig. (2-tailed) .003c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
Dari hasil uji normalitas data residual regresi diatas, dapat diketahui bahwa nilai signifikansi
data sebesar 0,003 yang berarti nilai signifikansi kurang dari 0,05. Artinya, H1 diterima atau
H0 ditolak yaitu data residual tidak berdistribusi normal.
 2. Uji Multikolinearitas
Hipotesis
Ho : tidak terjadi multikolinearitas
H1 : ada multikolinearitas
Jika VIF > 10 atau jika tolerance value < 0,1 maka terjadi multikolinearitas. Jika VIF < 10
atau jika tolerance value > 0,1 maka tidak terjadi multikolinearitas.

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 4.959 .743 6.673 .000
X1 .229 .133 .112 1.726 .088 .005 207.534
X2 .326 .106 .318 3.065 .003 .002 533.905
X3 -.406 .131 -.295 -3.100 .003 .002 451.027
X4 1.008 .008 .604 132.304 .000 .967 1.035
X5 6.113E-5 .001 .000 .052 .958 .877 1.140
a. Dependent Variabel: Y

Dari hasil uji multikolinearitas menggunakan SPSS dapat disimpulkan bahwa Ho ditolak atau
H1 diterima yang berarti ada multikolinearitas. Multikolinearitas terjadi antara Y dengan
X1,X2,X3 karena nilai tolerance kurang dari 0,1 dan VIF lebih dari 10. Sedangkan antara Y
dengan X4 dan X5 tidak terjadi multikolinearitas karena nilai tolerance lebih dari 0,1 dan VIF
kurang dari 10.

3. Uji Heteroskedastisitas

Correlations
X1 X2 X3 X4 X5 ABS_RES
Spearman's rho X1 Correlation Coefficient 1.000 .996** -.996** .076 -.328** -.121
Sig. (2-tailed) . .000 .000 .453 .001 .230
N 100 100 100 100 100 100
X2 Correlation Coefficient .996** 1.000 -.998** .069 -.331** -.124
Sig. (2-tailed) .000 . .000 .493 .001 .217
N 100 100 100 100 100 100
 Correlations
X1 X2 X3 X4 X5 ABS_RES
X3 Correlation Coefficient -.996** -.998** 1.000 -.079 .338** .119
Sig. (2-tailed) .000 .000 . .434 .001 .238
N 100 100 100 100 100 100
X4 Correlation Coefficient .076 .069 -.079 1.000 .016 -.058
Sig. (2-tailed) .453 .493 .434 . .876 .565
N 100 100 100 100 100 100
X5 Correlation Coefficient -.328** -.331** .338** .016 1.000 -.114
Sig. (2-tailed) .001 .001 .001 .876 . .257
N 100 100 100 100 100 100
ABS_RES Correlation Coefficient -.121 -.124 .119 -.058 -.114 1.000
Sig. (2-tailed) .230 .217 .238 .565 .257 .
N 100 100 100 100 100 100
**. Correlation is significant at the 0.01 level (2-tailed).

Berdasarkan tabel di atas dapat ditarik kesimpulan sebagai berikut:

• Nilai signifikansi variabel X1 sebesar 0,230, karena nilai signifikansi > 0,05 maka dapat
disimpulkan bahwa dalam model regresi tidak terjadi heteroskedastisitas.
• Nilai signifikansi variabel X2 sebesar 0,217, karena nilai signifikansi > 0,05 maka dapat
disimpulkan bahwa dalam model regresi tidak terjadi heteroskedastisitas.
• Nilai signifikansi variabel X3 sebesar 0,238, karena nilai signifikansi > 0,05 maka dapat
disimpulkan bahwa dalam model regresi tidak terjadi heteroskedastisitas.
• Nilai signifikansi variabel X4 sebesar 0,565, karena nilai signifikansi > 0,05 maka dapat
disimpulkan bahwa dalam model regresi tidak terjadi heteroskedastisitas.
• Nilai signifikansi variabel X5 sebesar 0,257, karena nilai signifikansi > 0,05 maka dapat
disimpulkan bahwa dalam model regresi tidak terjadi heteroskedastisitas.

4. Uji Autokorelasi
Ketentuan
• Jika dU < nilai Durbin Watson < 4 – Du , maka Ho Diterima (tidak terjadi autokorelasi).
• Jika nilai Durbin Watson < dl or nilai Durbin Watson > 4 – dl maka Ho Ditolak (terjadi
autokorelasi).
 • Jika dl < nilai Durbin Watson < dU atau 4 – dU < Durbin Watson < 4 – dl maka tidak ada
keputusan yang pasti.
Hasil Uji Autokorelasi dengan menggunakan SPSS

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .999a .998 .998 .44170 2.345
a. Predictors: (Constant), X5, X4, X2, X1, X3
b. Dependent Variabel: Y

Dari hasil uji autokorelasi diatas, dapat diketahui bahwa nilai Durbin-Watson sebesar 2,345.
Pada tabel Durbin-Watson, tingkat signifikansi 0,05 dengan n=100 (banyak data), dan k=5
(jumlah variabel Independent), di dapat dl = 1,571 dan du=1,7804. Oleh karena itu, maka 4 –
dU < Durbin Watson < 4 – dl, yang berarti tidak ada keputusan yang pasti.

5. Uji Regresi Linear Berganda

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .999a .998 .998 .44170
a. Predictors: (Constant), X5, X4, X2, X1, X3
b. Dependent Variabel: Y

Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya. R square bisa disebut koefisien determinasi
(R2) dimana hal itu berarti 99,8 % dari variasi Y bisa dijelaskan oleh variabel
X1,X2,X3,X4,X5. Sementara sisanya (100% - 99,8% = 0,2 %) dijelaskan oleh sebab-sebab
yang lain. R square berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka R
square maka semakin lemah hubungan kedua variabel.
 ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 9678.901 5 1935.780 9922.059 .000b
Residual 18.339 94 .195
Total 9697.240 99
a. Dependent Variabel: Y
b. Predictors: (Constant), X5, X4, X2, X1, X3

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.959 .743 6.673 .000
X1 .229 .133 .112 1.726 .088
X2 .326 .106 .318 3.065 .003
X3 -.406 .131 -.295 -3.100 .003
X4 1.008 .008 .604 132.304 .000
X5 6.113E-5 .001 .000 .052 .958
a. Dependent Variabel: Y

Tabel diatas menggambarkan persamaan regresi yang muncul, yaitu :

Y = 4,959 + 0,229 X1 + 0,326 X2 – 0,406 X3 + 1,008 X4 + 6,113E-5 X5
 • Pemilihan Model Terbaik
1. Antara variabel X1 dan variabel Y

Model Summary and Parameter Estimates

Dependent Variabel: Y
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1 b2 b3
Linear .644 176.950 1 98 .000 57.236 1.645
Logarithmic .652 183.345 1 98 .000 -176.733 80.931
Inverse .656 186.814 1 98 .000 218.729 -3924.284
Quadratic .654 91.678 2 97 .000 -30.464 5.233 -.036
Cubic .654 91.678 2 97 .000 -30.464 5.233 -.036 .000
Compound .639 173.323 1 98 .000 76.060 1.012
Power .650 182.244 1 98 .000 13.565 .596
S .658 188.602 1 98 .000 5.520 -28.967
Growth .639 173.323 1 98 .000 4.332 .012
Exponential .639 173.323 1 98 .000 76.060 .012
Logistic .639 173.323 1 98 .000 .013 .988
The independent variabel is X1.
 Berdasarkan grafik perbandingan antar model antara variabel X1 dan Y memiliki pola yang
hampir sama, apabila dilihat dari tabel perbandingan R square, model S memiliki nilai R
square paling besar yaitu 0,658 sehingga dianggap sebagai model terbaik.

2. Antara variabel X2 dan variabel Y

Model Summary and Parameter Estimates

Dependent Variabel: Y
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1 b2 b3
Linear .637 172.183 1 98 .000 56.755 .819
Logarithmic .645 178.257 1 98 .000 -235.499 81.332
Inverse .649 181.261 1 98 .000 218.982 -7954.758
Quadratic .648 89.094 2 97 .000 -29.538 2.567 -.009
Cubic .648 89.094 2 97 .000 -29.538 2.567 -.009 .000
Compound .633 169.005 1 98 .000 75.778 1.006
Power .644 177.578 1 98 .000 8.792 .599
S .652 183.434 1 98 .000 5.522 -58.745
Growth .633 169.005 1 98 .000 4.328 .006
Exponential .633 169.005 1 98 .000 75.778 .006
Logistic .633 169.005 1 98 .000 .013 .994
The independent variabel is X2.
 Berdasarkan grafik perbandingan antar model antara variabel X2 dan Y memiliki pola yang
hampir sama, apabila dilihat dari tabel perbandingan R square, model S memiliki nilai R
square paling besar yaitu 0,652 sehingga dianggap sebagai model terbaik.

3. Antara variabel X3 dan variabel Y

Model Summary and Parameter Estimates

Dependent Variabel: Y
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1 b2 b3
Linear .638 173.001 1 98 .000 60.355 -1.099
Logarithmica . . . . . . .
Inverse .650 182.380 1 98 .000 215.393 5411.455
Quadratic .649 89.597 2 97 .000 -19.949 -3.383 -.016
Cubic .649 89.597 2 97 .000 -19.949 -3.383 -.016 .000
Compound .634 169.533 1 98 .000 77.821 .992
Powera . . . . . . .
S .653 184.447 1 98 .000 5.496 39.958
Growth .634 169.533 1 98 .000 4.354 -.008
Exponential .634 169.533 1 98 .000 77.821 -.008
Logistic .634 169.533 1 98 .000 .013 1.008
The independent variabel is X3.
a. The independent variabel (X3) contains non-positive values. The minimum value is -87.00. The Logarithmic and Power models cannot
be calculated.
 Berdasarkan grafik perbandingan antar model antara variabel X3 dan Y memiliki pola yang
hampir sama, apabila dilihat dari tabel perbandingan R square, model S memiliki nilai R
square paling besar yaitu 0,653 sehingga dianggap sebagai model terbaik.

4. Antara variabel X4 dan variabel Y

Model Summary and Parameter Estimates

Dependent Variabel: Y
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1 b2 b3
Linear .482 91.257 1 98 .000 69.197 1.159
Logarithmic .486 92.618 1 98 .000 -140.334 68.246
Inverse .486 92.734 1 98 .000 205.154 -3943.182
Quadratic .485 45.590 2 97 .000 34.474 2.340 -.010
Cubic .485 45.590 2 97 .000 34.474 2.340 -.010 .000
Compound .482 91.340 1 98 .000 82.873 1.009
Power .490 94.084 1 98 .000 17.549 .505
S .494 95.683 1 98 .000 5.423 -29.292
Growth .482 91.340 1 98 .000 4.417 .009
Exponential .482 91.340 1 98 .000 82.873 .009
Logistic .482 91.340 1 98 .000 .012 .991
The independent variabel is X4.
 Berdasarkan grafik perbandingan antar model antara variabel X4 dan Y memiliki pola yang
hampir sama, apabila dilihat dari tabel perbandingan R square, model S memiliki nilai R
square paling besar yaitu 0,494 sehingga dianggap sebagai model terbaik.

5. Antara variabel X5 dan variabel Y

Model Summary and Parameter Estimates

Dependent Variabel: Y
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1 b2 b3
Linear .034 3.492 1 98 .065 139.441 -.045
Logarithmica . . . . . . .
Inverseb . . . . . . .
Quadratic .035 1.776 2 97 .175 139.226 -.047 .000
Cubic .043 1.425 3 96 .240 139.303 -.079 6.677E-5 6.956E-6
Compound .032 3.236 1 98 .075 139.079 1.000
Powera . . . . . . .
Sb . . . . . . .
Growth .032 3.236 1 98 .075 4.935 .000
Exponential .032 3.236 1 98 .075 139.079 .000
Logistic .032 3.236 1 98 .075 .007 1.000
The independent variabel is X5.
a. The independent variabel (X5) contains non-positive values. The minimum value is -92.00. The Logarithmic and Power models cannot
be calculated.
b. The independent variabel (X5) contains values of zero. The Inverse and S models cannot be calculated.
Berdasarkan grafik perbandingan antar model antara variabel X5 dan Y memiliki pola yang
hampir sama, apabila dilihat dari tabel perbandingan R square, model Cubic memiliki nilai
R square paling besar yaitu 0,043sehingga dianggap sebagai model terbaik.