RISET MINI EKONOMETRIKA

ANALISIS PENGUJIAN ASUMSI-ASUMSI KLASIK REGRESI LINEAR

BERGANDA

Dosen Pengampu:
Dr. Lindawati S.P, M.Si

KELAS M.KA

Disusun Oleh:
Bunga Bulan Manurung (220304029)
Rima Christin Sitanggang (220304065)
Wahyudi Syahputra Batubara (220304070)

PROGRAM STUDI AGRIBISNIS

FAKULTAS PERTANIAN

UNIVERSITAS SUMATERA UTARA

MEDAN

2024

i
 DAFTAR ISI
BAB I PENDAHULUAN ...................................................................................... 3
1.1 Latar Belakang ............................................................................................ 3
1.2 Rumusan Masalah....................................................................................... 4
1.3 Tujuan Penulisan ........................................................................................ 4
BAB II TINJAUAN PUSTAKA........................................................................... 5
2.1 Analisi Regresi Linear Berganda ............................................................... 5
2.2 Uji Normalitas Residual ............................................................................. 5
2.3 Uji Multikolinearitas................................................................................... 5
2.4 Uji Heteroskedastisitas ............................................................................... 6
2.5 Uji Autokorelasi .......................................................................................... 6
BAB III PEMBAHASAN ..................................................................................... 7
3.1 Uji Normalitas ............................................................................................. 8
3.2 Uji Multikolinieritas (VIF) ......................................................................... 9
3.3 Uji Heteroskedastisitas ( Test Breusch-Pagan-Godfrey) ....................... 10
3.4 Auto Korelasi (Test Durbin-Watson stat) ............................................... 11
BAB IV PENUTUP ............................................................................................. 13
4.1 Simpulan .................................................................................................... 13
DAFTAR PUSTAKA .......................................................................................... 14

ii
 BAB I
PENDAHULUAN
1.1 Latar Belakang

Analisis regresi dipergunakan untuk menggambarkan garis yang

menunjukan arah hubungan antar variabel, serta dipergunakan untuk melakukan
prediksi. Analisa ini dipergunakan untuk menelaah hubungan antara dua
variabelatau lebih, terutama untuk menelusuri pola hubungan yang modelnya
belumdiketahui dengan sempurna. Regresi yang terdiri dari satu variabel bebas(
predictor) dan satu variabel terikat (Response/Criterion) disebut regresi linier
sederhana (bivariate regression), sedangkan regresi yang variabel bebasnya
lebihdari satu disebut regresi berganda (Multiple regression/multivariate
regression), yang dapat terdiri dari dua prediktor (regresi ganda) maupun lebih.
Dalam mengkaji hubungan antara beberapa variabel menggunakan analisis
regresi, terlebih dahulu peneliti menentukan satu variabel yang disebut dengan
variabel tidak bebas dan satu tau lebih variabel bebas. Jika ingin dikaji hubungan
atau pengaruh satu variabel bebas terhadap variabel tidak bebas, maka model
regresi yang digunakan adalah model regresi linier sederhana. Kemudian Jika ingin
dikaji hubungan tau pengaruh dua tau lebih variabel bebas terhadap variabel tidak
bebas, maka model regresi yang digunakan adalah model regresi linier berganda
(multiple linear regression model).
Penggunaan statistika dalam mengolah data penelitian akan mempengaruhi
tingkat analisis dari suatu hasil penelitian. Penelitian dalam bidang ilmu
pengetahuan alam secara umum yang menggunakan aspek penghitungan statistika,
akan memperoleh data yang hampir mendekati benar jika memperhatikan analisis
regresi yang dipergunakan. Untuk memprediksi dan mengukur besarnya pengaruh
suatu variabel bebas (independent/predictor) terhadap variabel tak bebas
(dependent/response) dapat digunakan uji regresi. Analisis regresi merupakan
kajian terhadap hubungan satu variabel sebagai variabel yang diterangkan (the
explained variabel) dengan satu atau dua variabel yang menerangkan (the
explanatory). Jika variabel bebas hanya satu, maka analisis regresi disebut regresi
sederhana dan jika lebih dari satu, maka analisis regresi disebut regresi linear
berganda. Disebut berganda karena pengaruh beberapa variabel bebas dikenakan

3
kepada variabel tak bebas. Analisis regresi ini banyak digunakan dalam bidang
penulisan karya ilmiah yang menyangkut perhitungan hasil akhir yang mana akan
menentukan bahwa, berhasil atau tidaknya suatu penelitian yang sedang dilakukan
dengan melihat kesimpulan dari hasil perhitungan analisis regresinya. Analisis
perhitungan tidak hanya melibatkan satu analisis saja, tetapi menyangkut beberapa
penghitungan statistika agar menunjang hasil analisis regresi, seperti uji-t, uji-F,
penggunaan anova dan pendugaan hipotesis. Hasil analisis regresi berupa
persamaan regresi yang merupakan fungsi prediksi suatu variabel dengan
menggunakan variabel lain.

1.2 Rumusan Masalah

1. Apakah residual dari model regresi linear berganda yang digunakan untuk
memprediksi variabel dependen Y berdasarkan variabel independen X1,
X2, X3, dan X4 berdistribusi normal?
2. Apakah terdapat multikolinieritas antar variabel independen (X1, X2, X3,
dan X4) dalam model regresi linear berganda untuk memprediksi variabel
dependen Y?
3. Apakah terdapat masalah heteroskedastisitas atau ketidaksamaan varians
residual pada model regresi linear berganda yang digunakan untuk
memprediksi variabel dependen Y berdasarkan variabel independen X1,
X2, X3, dan X4?
4. Apakah terdapat autokorelasi atau korelasi antar residual pada observasi
yang berbeda dalam model regresi linear berganda yang digunakan untuk
memprediksi variabel dependen Y berdasarkan variabel independen X1,
X2, X3, dan X4?

1.3 Tujuan Penulisan

1. Untuk mengetahui uji asumsi normalitas
2. Untuk mengetahui uji asumsi multikolinearitas
3. Untuk mengetahui uji asumsi heteroskedastisitas
4. Untuk mengetahui uji asumsi autokorelasi

4
 BAB II
TINJAUAN PUSTAKA

2.1 Analisi Regresi Linear Berganda

Analisis regresi merupakan suatu proses statistik untuk mengestimasi
hubungan antara variabel-variabel, yakni berupa teknik-teknik memodelkan dan
melakukan analisis beberapa variabel atas dasar bentuk hubungan antara satu
variabel tak bebas dan satu atau lebih variabel bebas (prediktor) (Amstrong,
2012:689). Regresi linier berganda merupakan suatu algoritma yang digunakan
untuk menelusuri pola hubungan antara variabel terikat dengan dua atau lebih
variabel bebas (Uyanik & Guler, 2013). Dimana rumus matematis untuk regresi
berganda adalah sebagai berikut:

Y = b0+ b1X1 + b2X2 + b3X3 + … + bnXn

2.2 Uji Normalitas Residual

Uji normalitas ini bertujuan untuk mengetahui apakah variabel yang
digunakan dalam penelitian dan pengamatan berdistribusi baik atau tidak, data yang
digunakan dalam penelitian adalah data yang memiliki distribusi normal. Untuk
melihat apakah data yang digunakan berdistribusi normal maka dilihat hasil Jarque
Berra. Apabila hasil uji probabilitas Jarque Berra lebih besar dari 0,05 maka data
tersbut baik dan terdistribusi dengan normal, akan tetapi apabila lebih kecil dari
0,05 maka data tersebut tidak baik dan tidak terdistribusi dengan normal
(Kabasarang et al., 2012).
- Jika nilai Signifikansi (Asym Sig 2 tailed) > 0,05, maka data berdistribusi normal.
- Jika nilai Signifikansi (Asym Sig 2 tailed < 0,05, maka data tidak berdistribusi
normal.

2.3 Uji Multikolinearitas

Pengujian Multikolinearitas ini bertujuan untuk mengetahui apakah terdapat
hubungan antar variabel bebas. Agar bisa mengetahui dan mendeteksi apakah ada
hubungan antar variabel dalam penelitian ini dapat kita lihat nilai tolerance dan
lawannya variance inflation factor (VIF). Jika nilai tolerance yang rendah sama
dengan nilai VIF tinggi (karena VIF = 1/Tolerance). Nilai cut off yang umum

5
dipakai untuk menunjukkan adanya multikolinieritas adalah Nilai Tolerance ≤ 0,10
atau sama dengan nilai VIF ≥ 10 (Martha, 2010)
2.4 Uji Heteroskedastisitas
Uji ini menunjukan pelanggaran dari asumsi klasik, heteroskedastisitas
semua gangguan (disturbance) yang muncul dalam persamaan regresi bersifat
varians yang sama pada setiap kondisi pengamatan. Oleh sebab itu, konsekuensi
dari adanya heteroskedastisitas dalam sistem persamaan bahwa penafsiran tidak
lagi mempunyai varians yang minimum. Cara untuk mengetahui ada atau tidak
gejala heterkedastisitas pada penelitian ini dengan melakukan pengujian dengan Uji
Breusch-Pagan-Godfrey. Apabila probabilitas Obs*R-squared > 0,05 maka model
tersebut tidak terdapat heteroskedastisitas tetapi apabila probabilitas Obs *R
squared < 0,05 maka model tersebut di pastikan terdapat heteroskedastisitas
(Andriani, 2017).
2.5 Uji Autokorelasi
Uji ini merupakan pelanggaran asumsi non-autokorelasi yang disebabkan
oleh adanya korelasi gangguan atau eror pada setiap pengamatan. Autokorelasi
dapat dikatakan juga kesalahaan antara gangguan periode tertentu berkorelasi
dengan gangguan atau eror pada sebelumnya. Permasalahan autokorelasi hanya
relevan jika data yang digunakan time series guna mengetahui adanya korelasi
dalam penelitian ini digunakan uji Lagrame Multiplier, untuk mengetahui apakah
model yang dipakai dalam penelitian terdapat autokorelasi dapat di lihat jika nilai
signifikansi dari probabilitasnya Obs*R-squared < 0,05 maka model tersebut di
pastikan terdapat autokorelasi, dan apabila probabilitasnya Obs*R-squared > 0,05
maka model tersebut di pastikan tidak terdapat autokorelasi (Widarjono, 2013).

6
 BAB III
PEMBAHASAN

Data Variabel Independent dan Variabel Dependent

1. Varibel Dependent (Y) = Jumlah PDRB 30 provinsi di Indonesia tahun
2023
2. Varibel Independent (X1) = Investasi 30 provinsi Indoneisa (dalam
negeri)tahun 2023
(X2) = Rata-rata pengeluaran 30 provinsi di Indonesia
tahun 2023
(X3) = Total ekspor 30 provinsi di Indonesia tahun 2023
(X4) = Total impor 30 provinsi di Indonesia tahun 2023

Total Total
PDRB Investasi Rata-rata
Provinsi Ekspor impor
2023 2023 pengeluaran
2023 2023
Aceh 210418,36 8883,3 1222283 609,4 827
Sumatera Utara 955193,09 21574 1320045 10240 4519,4
Sumatera Barat 285376,46 4488,2 1435146 2366,7 113,6
Riau 991615,38 48243,3 1457946 18956,7 2105,1
Jambi 276719,44 8939 1380566 2192,8 717
Sumatera Selatan 590067,1 25602,4 1201930 6585,6 1123,3
Bengkulu 90111,95 7218,7 1326631 246,4 890
Lampung 414131,42 7625,8 1157753 4645,8 1330,4
Kepulauan Bangka
95295,6 7961,4 1819001 2034,7 15,3
Belitung
Kepulauan Riau 308842,68 8856,6 1854185 17747,9 14682,9
DKI Jakarta 3188539,02 95202,1 2665763 11078,2 98901
Jawa Barat 2422782,32 88012,9 1492810 36633,4 3987,4
Jawa Tengah 1559571,1 32987,2 1161878 10230 7461,4
DI Yogyakarta 165718,44 5015,5 1686453 472,5 81
Jawa Timur 2731358,78 74937,4 1212819 22.426,50 22686,2
Banten 747223,58 37971,7 1666430 12.142,50 10366
Bali 245362,88 6950,8 1580395 580,2 1098
Nusa Tenggara
156942,67 30766,2 1246590 2.050,30 5862
Barat
Nusa Tenggara
118718,2 3407,2 974985 74,1 635
Timur
Kalimantan Barat 255797,28 14892 1318014 2.124,20 384

7
Kalimantan
199783,37 8779,5 1519062 4.992,10 498
Tengah
Kalimantan
251229,5 14909,4 1448986 13.249,80 2245
Selatan
Kalimantan Timur 921450,99 52171,7 1867883 27.937,70 1491,8
Kalimantan Utara 138674,96 8199,1 1675006 1.953,20 6794
Sulawesi Utara 157039,46 7698,2 1265649 888,3 705
Sulawesi Tengah 323630,28 4772,5 1143391 19.385,90 9151,6
Sulawesi Selatan 605148,86 11468,3 1154195 2.344,30 909,3
Sulawesi Tenggara 158800,27 7734,6 1124556 4.298,30 1162,5
Gorontalo 47569,65 3960,1 1245221 55,2 107
Sulawesi Barat 54078,35 2011,1 1057354 469,9 82

3.1 Uji Normalitas

Uji normalitas ini bertujuan untuk mengetahui apakah variabel yang

digunakan dalam penelitian dan pengamatan berdistribusi baik atau tidak, data yang
digunakan dalam penelitian adalah data yang memiliki distribusi normal. Ada 2
kemungkinan yaitu :
-. Jika nilai probabilitas < α = 5% (0,05), maka tolak Ho atau tidak
terdistribusi normal (asumsi dilanggar)
-. Jika nilai probabilitas > α = 5% (0,05), maka terima Ho atau terdistribusi
normal (asumsi tidak dilanggar)

8
 Maka berdasarkan data diatas memiliki nilai probabilitas yang lebih besar
daripada α ( 0,2635 > 0,05), dapat dikatakan bahwa data diatas terdistribusi normal
(lolos uji normalitas).
3.2 Uji Multikolinieritas (VIF)

Variance Inflation Factors

Date: 03/20/24 Time: 21:06
Sample: 1 30
Included observations: 30

Coefficient Uncentered Centered

Variable Variance VIF VIF

C 7.05E+10 33.09391 NA
X1 14.62155 7.660374 4.324611
X2 0.038395 38.47136 1.973813
X3 68.59650 4.803779 2.759091
X4 21.69406 3.700371 3.243363

Pengujian Multikolinearitas ini bertujuan untuk mengetahui apakah terdapat

hubungan antar variabel bebas dan yang perlu kita ketahui yaitu :
-. Jika nilai VIF > 10, Asumsi non-multikolinearitas dilanggar.
-. Jika nilai VIF < 10, Asumsi non-multikolinearitas terpenuhi.

Dari datas diatas dapat dilihat bahwa memiliki nilai VIF < 10 :
1. X1 memiliki nilai 4,3246 < 10, non-multikolinearitas terpenuhi.
2. X2 memiliki nilai 1,9738 < 10, non-multikolinearitas terpenuhi.
3. X3 memilki nilai 2,7590 < 10, non-multikolinearitas terpenuhi.
4. X4 memiliki nilai 3,2433 < 10, non-multikolinearitas terpenuhi.

Sehingga data diatas yang memiliki nilai VIF < 10 lulus uji
multikolinearitas.

9
3.3 Uji Heteroskedastisitas ( Test Breusch-Pagan-Godfrey)
Heteroskedasticity Test: Breusch-Pagan-Godfrey
Null hypothesis: Homoskedasticity

F-statistic 1.387283 Prob. F(4,25) 0.2669

Obs*R-squared 5.449384 Prob. Chi-Square(4) 0.2442
Scaled explained SS 6.233214 Prob. Chi-Square(4) 0.1824

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/20/24 Time: 20:58
Sample: 1 30
Included observations: 30

Variable Coefficient Std. Error t-Statistic Prob.

C 1.47E+11 1.01E+11 1.462026 0.1562

X1 2826046. 1448614. 1.950862 0.0624
X2 -81560.37 74232.15 -1.098720 0.2824
X3 -4099275. 3137669. -1.306472 0.2033
X4 -1103041. 1764520. -0.625122 0.5376

R-squared 0.181646 Mean dependent var 5.32E+10

Adjusted R-squared 0.050710 S.D. dependent var 9.83E+10
S.E. of regression 9.58E+10 Akaike info criterion 53.55897
Sum squared resid 2.29E+23 Schwarz criterion 53.79250
Log likelihood -798.3846 Hannan-Quinn criter. 53.63368
F-statistic 1.387283 Durbin-Watson stat 2.082819
Prob(F-statistic) 0.266925

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi

terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Cara untuk mengetahui ada atau tidak gejala heterkedastisitas pada penelitian
ini dengan melakukan pengujian dengan Uji Breusch-Pagan-Godfrey. Apabila
probabilitas Obs*R-squared > 0,05 maka model tersebut tidak terdapat
heteroskedastisitas tetapi apabila probabilitas Obs *R squared < 0,05 maka model
tersebut di pastikan terdapat heteroskedastisitas

Dari data diatas memiliki nilai Obs*R-Squared yang lebih besar dari 0,05
( 0,2442 > 0,05 ) yang artinya data diatas tidak terdapat heterokedastisitas (lolos uji
heteroskedastisitas).

10
3.4 Auto Korelasi (Test Durbin-Watson stat)
Dependent Variable: Y
Method: Least Squares
Date: 03/20/24 Time: 20:36
Sample: 1 30
Included observations: 30

Variable Coefficient Std. Error t-Statistic Prob.

C 665047.2 265467.3 2.505194 0.0191

X1 23.45400 3.823813 6.133668 0.0000
X2 -0.516254 0.195946 -2.634677 0.0142
X3 8.052986 8.282301 0.972313 0.3402
X4 16.51059 4.657688 3.544804 0.0016

R-squared 0.917212 Mean dependent var 622239.7

Adjusted R-squared 0.903966 S.D. dependent var 815613.4
S.E. of regression 252753.8 Akaike info criterion 27.86923
Sum squared resid 1.60E+12 Schwarz criterion 28.10276
Log likelihood -413.0385 Hannan-Quinn criter. 27.94394
F-statistic 69.24381 Durbin-Watson stat 1.913608
Prob(F-statistic) 0.000000

Uji Durbin-Watson (DW test) yaitu untuk menguji apakah terjadi korelasi
serial atau tidak dengan menghitung nilai di statistik. Uji ini merupakan
pelanggaran asumsi non-autokorelasi yang disebabkan oleh adanya korelasi
gangguan atau eror pada setiap pengamatan. Autokorelasi dapat dikatakan juga
kesalahaan antara gangguan periode tertentu berkorelasi dengan gangguan atau eror
pada sebelumnya.

•Jika d < dLatau d > 4-dL maka Ho ditolak

•Jika dU < d < 4-dU maka gagal tolak Ho (tidak terjadi autokorelasi)

•Jika dL d< dU atau 4-dU < d< 4-dL maka uji Durbin watson tidak
menghasilkan hasil yang akurat (inconclusive)

Dari data diketahui : N = 30 dan K ( Varibel Independen) ada 4 variabe,

maka berdasarkan tabel acuan Durbin- Watson stat dengan α = 5% mendapatkan
hasil sebagai berikut :

11
 -. Nilai dL = 1,1426

-. Nilai 4-Dl = 2,858

-. Nilai du = 1,7386

-. Nilai 4-du = 2,2614

Dan Nilai DW (Durbin - Watson) =1,913

• Hasil Uji Autokorelasi Durbin – Watson :

DU < DW < 4-DU = 1,7386 < 1,913 < 2,2614 => Sehingga dapat
disimpulkan bahwa data diatas tidak terjadi autokorelasi atau lolos uji
autokorelasi.

12
 BAB IV
PENUTUP
4.1 Simpulan
Sehingga dapat disimpulkan bahwa data yang penulis ambil diatas
berdistribusi dengan normal atau lolos uji normalitas dengan nilai probabilitas >
0,05 , lolos uji multikolenearitas dengan nilai VIF > 10 , lolos uji
heteroskedastisitas dengan nilai Obs* R-Squared > 0,05 dan lolos uji auto-korelasi
dimana nilai DU < DW < 4-DU.

13
 DAFTAR PUSTAKA

Amstrong. Scott J. 2012. Illusion in Regression Analysi, International Journal

Forecasting, Vol. 28, 689-693.Andriani, Siska. (2017). Uji Park Dan Uji
Breusch Pagan Godfrey Dalam Pendeteksian Heteroskedastisitas Pada
Analisis Regresi. Al-Jabar: Jurnal Pendidikan Matematika, 8(1), 63-72.
Kabasarang D., Setiawan A., dan Susanto B. (2012), Uji Normalitas dengan
Menggunakan Statistik Jarque-Bera, Prosiding Seminar Nasional
Matematika UAD 29 Desember 2012,
Martha, Shantika. 2010. Multikolinearitas Pada Analisis Regresi Berganda. Jurusan
Matematika. Fakultas Matematika Dan Ilmu Pengetahuan Alam.
Universitas Tanjungpura. Pontianak.
Uyanik, G. K., & Guler, N. 2013. "A study on multiple linear regression analysis".
Procedia-Social and Behavioral Science”. Vol. 106, pp: 234-240.
Widarjono, Agus. 2013. Ekonometrika. Edisi ke Empat.

14