Contoh Kasus:

Pengaruh Luas Panen (X1), Curah Hujan (X2), Kelembapan (X3), dan Suhu Rata-Rata (X4) terhadap
Produksi Padi di Sumatra (Y).

Menggunakan metode Analisis Regresi Linear Berganda + Uji Asumsi Klasik (Normalitas,
Multikolinearitas, Heteroskedastisitas, dan autokorelasi)

Model Umum Regresi yang akan di teliti:

Produksi Padi=b0 +b 1 ( Luas Panen ) +b 2 ( Curah Hujan ) +b3 ( Kelembapan ) +b 4 (Suhu Rataan)

Dasar pengambilan Keputusan uji asumsi klasik :

1. Uji Normalitas
 Menggunakan grafik histogram dan data ploting

Pada grafik histogram terhadap residual, data sedikit melenceng ke kanan (positif
skewness), dan pada grafik plotting terlihat bahwa data-data sedikit melebar terhadap
garis diagonal. Sehingga dapat disimpulkan bahwa residual tidak berdistribusi normal.
Untuk lebih akurat, akan di lakukan uji Kolmogorov-smirnov pada residual.
 ’
Dilihat dari table 1-KS untuk data residual. Nilai Sig. (2-tailed) adalah 0.000 < 0.05, maka
dapat disimpulkan data tidak berdistribusi normal.

Dilihat dari table 1-KS untuk data produksi, luas panen, curah hujan, kelembapan dan
suhu rata-rata. Nilai Sig. (2-tailed) < 0.05, maka semua variable tidak berdistribusi normal.
Oleh karena salah satu uji asumsi klasik tidak terpenuhi maka model regresi tidak bisa
digunakan, jadi data perlu di transformasi.

Transformasi Data
Oleh karena residual berdistribusi moderate positif skewness, Menurut Ghozali (2018:34)
data harus di transformasikan ke bentuk SQRT(x) atau akar kuadrat untuk semua variabel.

Model Umum Regresi setelah transformasi:

√ ( Produksi Padi )=b0 +b 1 ( √( Luas Panen ) ) +b 2 ( √( Curah Hujan ) )

+b 3 ( √ ( Kelembapan ) ) + b4 ( √ (Suhu Rataan))
Dasar pengambilan Keputusan uji asumsi klasik :

1. Uji Normalitas
 Menggunakan uji 1-KS untuk data residual_2

Dilihat dari table 1-KS untuk data residual_2. Nilai Sig. (2-tailed) adalah 0.000 < 0.05, maka
dapat disimpulkan data tidak berdistribusi normal.
 Menggunakan uji 1-KS untuk semua data yang telah di transformasikan.

Dilihat dari hasil uji 1-KS, dapat dilihat bahwa nilai sig. pada sqrt_curah_hujan adalah
0.051 > 0.05 maka variable sqrt_curah_hujan berdistribusi normal. Sedangkan variable
yang lain tidak berdistribusi normal karena nilai sig. sebesar 0.000 < 0.05.
Jadi variable sqrt_produksi, sqrt_curah_hujan, sqrt_kelembapan, sqrt_suhu perlu di
transformasikan lagi.