LAPORAN PRAKTIKUM 2

ANALISIS REGRESI DAN KORELASI

SEMESTER GENAP 2023/2024

OLEH
NAMA: MUHAMMAD FERRY MAHFUDZI

NIM: 2211017210024

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMBUNG MANGKURAT
2024
 BAB I
PENDAHULUAN
1.1 Latar Belakang
1.1.1 Wirausaha_Normalitas
Minat Berwirausaha di negara Indonesia ini masih tergolong sangat
sedikit. Hal ini memiliki banyak dorongan yang disebabkan oleh beberapa
faktor, seperti contohnya ekspetasi pendapatan dimana seseorang akan
mengukur kemampuan perokonomiannya untuk memulai berwirausaha,
karakteristik individu dengan kemauan secara pribadi untuk memulai, dan
pendidikan kewirausahaan sebagai pengenalan dunia berwirausaha
(Nugraha,2019). Oleh karna itu penelitian ini diharapkan dapat dapat
memberikan gambaran mengenai pengaruh ekspektasi pendapatan,
karakteristik individu, dan pendidikan kewirausahaan terhadap minat
berwirausaha.
1.1.2 Kolesterol_Heteroskedastisitas
Kolesterol merupakan parameter kesehatan yang penting untuk
dipantau karena kadar kolesterol yang tinggi dapat meningkatkan risiko
penyakit jantung dan stroke. Hubungan lingkar pinggang (sebagai indikator
obesitas perut) dan tinggi badan dengan kadar kolesterol menjadi perhatian
utama, khususnya di kalangan mahasiswa kedokteran Universitas
Muhammadiyah Sumatera Utara. Lingkar pinggang yang besar sering kali
merupakan tanda kelebihan lemak perut, yang dikaitkan dengan peningkatan
kolesterol dan risiko penyakit kardiovaskular. Pada saat yang sama, tinggi
badan juga dapat dikaitkan dengan komposisi tubuh dan metabolisme
kolesterol. Oleh karena itu penelitian ini diharapkan dapat mengetahui
hubungan lingkar pinggang dan tinggi badan terhadap nilai kolesterol pada
mahasiswa fakultas kedokteran universitas muhammadiyah sumatera utara.
1.1.3 Belajar_Autokorelasi
Minat dan kebiasaan membaca memegang peranan penting dalam
pembelajaran, khususnya dalam memahami dan menguasai isi Al-Qur’an dan
Hadits. Bagi siswa kelas VIII MTs Negeri 2 Lampung Timur tahun ajaran
2017/2018 Lampung Timur, pemahaman terhadap al-Quran dan Hadist
menjadi fokus utama pembelajaran agama. Minat membaca mencerminkan
ketertarikan siswa terhadap materi bacaan seperti Al-Quran dan Hadits,
 sedangkan kebiasaan membaca mempengaruhi frekuensi dan intensitas
interaksi siswa dengan sumber bacaannya. Oleh karena itu penelitian ini
diharapkan dapat mengetahui Hubungan Antara Minat dan Kebiasaan
Membaca dengan Hasil Belajar Qur'an Hadist pada Siswa Kelas VIII MTs
Negeri 2 Lampung Timur Kab. Lampung Timur Tahun Pelajaran 2017/2018.
1.2 Tujuan
Praktikum ini dilakukan sengan tujuan sebagai berikut:
a. Memenuhi tugas laporan praktikum mata kuliah Analisis Regresi dan Korelasi.
b. Mengetahui tahapan melakukan uji asumsi klasik data dengan bantuan software
SPSS dan Rstudio.

BAB II
METODE
2.1 Sumber Data
2.1.1 Wirausaha_Normalitas
Data yang digunakan dalam laporan ini diperoleh secara sekunder. Data
yang digunakan adalah data dependen dan independen. Dan data ini diambil
dari skripsi yang berjudul "Pengaruh Ekspektasi Pendapatan, Karakteristik
Individu, dan Pendidikan Kewirausahaan terhadap Minat Berwirausaha" yang
ditulis oleh Prayudhi Sulistya Nugraha
Table 2.1 Pengaruh Ekspektasi Pendapatan, Karakteristik Individu, dan Pendidikan
Kewirausahaan terhadap Minat Berwirausaha
Ekspektasi Minat
Pendapatan Berwirausaha
24 23
24 22
24 24
25 32
24 27
… …
15 25
16 23
16 26
17 28
18 24
 Dari data diatas Ekspektasi Pendapatan merupakan variabel
independen yang akan diuji apakah memiliki autokorelasi dengan variabel
Minat Berwirausaha sebagai variabel dependen.
2.1.2 Kolesterol_Heteroskedastisitas
Data yang digunakan dalam laporan ini diperoleh secara sekunder. Data
yang digunakan adalah data dependen dan independen. Dan data ini diambil
dari skripsi yang berjudul "Hubungan Lingkar Pinggang dan Tinggi Badan
terhadap Nilai Kolesterol pada Mahasiswa Fakultas Kedokteran Universitas
Muhammadiyah Sumatera Utara" yang ditulis oleh Ridwan Latief Abdullah
Table 2.2 Hubungan Lingkar Pinggang dan Tinggi Badan terhadap Nilai Kolesterol
pada Mahasiswa Fakultas Kedokteran Universitas Muhammadiyah Sumatera Utara
Lingkar Pinggang Kolesterol Total
105 178
82 159
120 190
93 221
91 170
… …
78 154
105 218
76 173
79 196
75 152
78 173

Dari data diatas Lingkar Pinggang merupakan variabel independen

yang akan diuji apakah memiliki autokorelasi dengan variabel Kolesterol Total
sebagai variabel dependen.
2.1.3 Belajar_Autokorelasi
Data yang digunakan dalam laporan ini diperoleh secara sekunder. Data
yang digunakan adalah data dependen dan independen. Dan data ini diambil
dari skripsi yang berjudul "Hubungan Antara Minat dan Kebiasaan Membaca
dengan Hasil Belajar Qur'an Hadist pada Siswa Kelas VIII MTs Negeri 2
Lampung Timur Kab. Lampung Timur Tahun Pelajaran 2017/2018" yang
ditulis oleh Canam Heriyanto
 Table 2.2 Hubungan Antara Minat dan Kebiasaan Membaca dengan Hasil Belajar
Qur'an Hadist pada Siswa Kelas VIII MTs Negeri 2 Lampung Timur Kab. Lampung
Timur Tahun Pelajaran 2017/2018
Minat Hasil
Membaca Belajar
41 95
42 95
43 93
43 87
45 94
… …
45 90
44 91
47 95
46 89
43 92
Dari data diatas Minat Membaca merupakan variabel independen yang
akan diuji apakah memiliki autokorelasi dengan variabel Hasil Belajar sebagai
variabel dependen.
2.2 Metode Analisis
2.2.1 Uji Asumsi Klasik Regresi Linear
Secara umum analisis regresi diartikan sebagai analisis ketergantungan
suatu variabel terhadap variabel lain yaitu variabel bebas untuk
memperkirakan atau memperkirakan nilai rata-rata variabel terikat
berdasarkan nilai variabel bebas (Basuki dkk, 2019). Untuk mengetahui apakah
koefisien regresi yang diperoleh dapat diterima atau tidak, perlu dilakukan
pengujian terhadap kemungkinan pelanggaran asumsi klasik. Beberapa
penanganan uji asumsi klasik yaitu
a. Uji Normalitas
Uji normalitas yang paling sederhana adalah dengan membuat grafik distribusi
frekuensi atas data yang ada, namun pengujian kenormalan tergantung pada
kemampuan dalam mencermati plot yang tersedia. Adapun beberapa teknik uji
normalitas yang sering digunakan, yaitu uji normalitas Kolmogrov-Smirov
untuk sampel berukuran lebih dari 50 dan uji normalitas Shapiro Wilk untuk
sampel berukuran kurang dari 50 agar menghasilkan kesimpulan yang tepat.
Adapun hipotesis yang digunakan yaitu :
H_0: 𝜇 = 0 , data berdistribusi normal
H_1: 𝜇 ≠ 0, data tidak berdistribusi normal
 Dengan keputusan P_value> 𝛼, H_0 diterima atau P_value< 𝛼, H_0 ditolak.
Dimana kesimpulan yang diharapkan adalah data berdistribusi normal.
b. Uji heterokedastisitas
Uji heterokedastisitas digunakan untuk mengetahui apakah beberapa varian
populasi adalah sama atau tidak. Uji ini dilakukan sebagai prasyarat dalam
analisis independent sample t test dan Anova. Asumsi yang mendasari dalam
analisis Anova adalah varian dari populasi adalah sama, uji kesamaan dua
varian digunakan untuk menguji apakah sebaran data tersebut homogen atau
tidak (heterogen). Beberapa pengujian homogenitas antara lain, uji Harley, uji
Cohran, uji Levene, dan uji Bartlett. Adapun hipotesis yang digunakan yaitu :
H_0: 𝜇 = 0 , data tidak heteroskedastisitas (homogen)
H_1: 𝜇 ≠ 0, data heterokedastisitas
Dengan keputusan P_value > 𝛼, H_0 diterima atau P_value < 𝛼, H_0 ditolak.
Dimana kesimpulan yang diharapkan adalah data homogen atau berasal dari
varians yang sama.terokedastisitas
c. Uji Autokorelasi
Autokorelasi merupakan salah satu pelanggaran terhadap asumsi pada
beberapa metode. Uji autokorelasi digunakan untuk melihat apakah terjadi
korelasi antara suatu periode (𝑡) dengan periode sebelumnya (𝑡 − 1). secara
sederhana analisis regresi terdiri dari menguji pengaruh variabel independen
terhadap variabel dependen sehingga tidak boleh ada korelasi antara
pengamatan dan data observasi sebelumnya, maka dapat disimpulkan bahwa
terdapat autokorelasi pada data tersebut. Dengan hipotesis sebagai berikut
H_0: 𝜇 = 0 , tidak terdapat autokorelasi pada data
H_1: 𝜇 ≠ 0, terdapat autokorelasi pada data
Dengan keputusan P_value> 𝛼, H_0diterima atau P_value< 𝛼, H_0 ditolak.
Dengan kesimpulan yang diharapkan adalah tidak terdapat autokorelasi pada
data.

BAB III
HASIL DAN PEMBAHASAN
3.1. Uji Asumsi Klasik menggunakan Software Rstudio
3.1.1 Data Ekspektasi Pendapatan dan Minat Berwirausaha
 Syntax yang digunakan:
> library(readxl)
> library(lmtest)
> library(nortest)
# Import data
> data = read_excel("C:/Users/USER/Downloads/Wirausaha_Pelanggaran Asumsi
Normalitas.xlsx")
# Definisikan variabel independen dan dependen
> x <- data$`Pendapatan`
> y <- data$`Berwirausaha`
# Menentukan residual dat
> model <- lm(y~x, data=data)
> residual <- resid(model)
> residual
a. Uji Normalitas
Syntax yang digunakan:
# Uji normalitas
> lillie.test(residual) #Kolmogorov Smirnov
Output yang didapatkan:

Gambar 3.1 Output Uji Normalitas Menggunakan RStudio

Interpretasi:
Pada pengujian normalitas ini digunakan taraf nyata (𝛼) 0.05dengan
hipotesis yang ada, yaitu:
𝐻0: 𝜇 = 0, data berdistribusi normal
𝐻1: 𝜇 ≠ 0, data tidak berdistribusi normal
Dengan keputusan 𝑝𝑣𝑎𝑙𝑢𝑒 > 𝛼, 𝐻0 diterima atau 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼, 𝐻0 ditolak. Pada Output
didapatkan nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0.004628, yang mana nilai ini menyatakan bahwa 𝑝𝑣𝑎𝑙𝑢𝑒
< 𝛼 sehingga didapatkan
bahwa 𝐻0 ditolak. Atau data ini tidak berdistribusi normal. Sehingga diperlukan
penanganan pelanggaran terhadap uji normalitas pada data ekspektasi
pendapatan dan minat berwirausaha diatas.
b. Penanganan Pelanggaran terhadap Uji Normalitas
Dalam menangani pelanggaran terhadap uji normalitas pada data
ekspektasi pendapatan dan minat berwirausah ini ada beberapa metode, yaitu
dengan menghilangkan outlier pada data dan melakukan transformasi logaritma
 pada setiap variabel.
- Metode Pertama Menghilangkan Outlier
Syntax yang digunakan:
# Penanganan 1: membuang outlier
# Cek apakah pada data yang digunakan terdapatoutlier
> boxplot(data)
Output yang didapatkan:

Gambar 3.2 Boxplot Data Ekspektasi Pendapatan dan MinatBerwirausaha

Interpretasi:
Dapat dilihat dari Boxplot diatas terdapat outlier pada variabel minat
berwirausaha, sehingga perlu dilakukan penghapusan baris data yang
mengandung outlier.
Syntax yang digunakan:
# menghapus baris data yang mengandung outlier
> Q1 <- quantile(data$`Berwirausaha`, 0.25)
> Q3 <- quantile(data$`Berwirausaha`, 0.75)
> IQR <- Q3 - Q1
> batas_bawah <- Q1 - 1.5*IQR
> batas_atas <- Q3 + 1.5*IQR# data baru
tanpa outlier
> filter <- data[data$`Berwirausaha` >= batas_bawah &
data$`Berwirausaha` <= batas_atas,]
# mendefinisikan kembali variabel independen dan dependen yang
digunakan menggunakan data baru
> xbaru <- filter$`Pendapatan`
> ybaru <- filter$`Berwirausaha`# membuat model dan
residual baru
> model2 <- lm(ybaru~xbaru, data=filter)
> residual2 <- resid(model2)
> residual2
# uji normalitas
> lillie.test(residual2)
 Output yang didapatkan:

Gambar 3.3 Output Metode Pertama Penanganan Pelanggaranterhadap Uji

Normalitas Menggunakan Rstudio
Interpretasi:
Dari output diatas, didapatkan nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0.0001228, yang mana nilai
tersebut lebih kecil dibandingkan dengan taraf nyata yang digunakan yaitu 𝛼 = 0.05.
Sehingga, hal ini masih dinyatakan bahwa tolak 𝐻0 atau data masih tidak berdistribusi
normal karena 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼. Maka, masih perlu dilakukan penanganan pelanggaran
terhadap uji normalitas pada data ekspektasi pendapatan dan minat berwirausaha ini
menggunakan metode kedua.
- Metode Kedua Penanganan Pelanggaran terhadap Uji Normalitas
Syntax yang digunakan:
# penanganan 2: melakukan transformasi log
> datatrans <- log(data)
> xtrans <- datatrans$`Pendapatan`
> ytrans <- datatrans$`Berwirausaha`
# membuat model menggunakan xtrans dan ytrans
> model3 <- lm(ytrans~xtrans, data = datatrans)
#membuat residual baru
> residual3 <- resid(model3)
> residual3
# uji normalitas
> lillie.test(residual3)
Output yang didapatkan:

Gambar 3.4 Output Metode Kedua Penanganan Pelanggaranterhadap Uji Normalitas

Menggunakan Rstudio
Interpretasi:
Dari output diatas, didapatkan nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0.05616, yang mana nilai
tersebut lebih besar dibandingkan dengan taraf nyata yang digunakan yaitu 𝛼 =
0.05 atau 𝑝𝑣𝑎𝑙𝑢𝑒 > 𝛼. Dengan menggunakan hipotesis 𝐻0: 𝜇 = 0, data berdistribusi
 normal dan 𝐻1: 𝜇 ≠ 0, data tidak berdistribusi normal, Dengan keputusan 𝑝𝑣𝑎𝑙𝑢𝑒 >
𝛼, 𝐻0 diterima atau 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼, 𝐻0 ditolak. Maka, bisa disimpulkan bahwa memiliki
cukup bukti untuk terima 𝐻0 atau data ekspektasi pendapatan dan minat
berwirausaha ini berdistribu
3.1.2 Data Lingkar Pinggang dan Nilai Kolesterol
> library(readxl)
> library(lmtest)
# Mengimport data
> data <-
read_excel("C:/Users/USER/Downloads/Kolesterol_Pelanggaran
Asumsi Heteroskedastisitas.xlsx")
# Definisikan variabel independen dan dependen
> x <- data$`Lingkar Pinggang`
> y <- data$`Kolesterol Total` # Buat model
> model <- lm(y~x, data=data)
a. Uji Heterokedastisitas
Syntax yang digunakan:
# Uji heteroskedastisitas
> bptest(model)
Output yang didapatkan:

Gambar 3.5 Output Uji Heterokedastisitas Menggunakan RStudio

Interpretasi:
Pada pengujian heterokedastisitas ini digunakan taraf nyata
(𝛼) 0.05 dengan hipotesis yang ada, yaitu:
𝐻0: 𝜇 = 0, data tidak terjadi gejala heteroskedastisitas
𝐻1: 𝜇 ≠ 0, data terjadi gejala heteroskedastisitas
Dengan keputusan 𝑝𝑣𝑎𝑙𝑢𝑒 > 𝛼, 𝐻0 diterima atau 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼, 𝐻0 ditolak. Pada Output
didapatkan nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0.009081, dimana nilai ini menyatakan bahwa 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼
maka 𝐻0 ditolak. Atau data ini terjadi gejala heteroskedastisitas. Sehingga
diperlukannya penanganan pelanggaran terhadap uji heterokedastisitas pada data
lingkar pinggang dan nilai kolesterol ini.
a. Penanganan Pelanggaran terhadap UjiHeterokedastisitas
Dalam menangani pelanggaran terhadap uji heterokedastisitas pada
data lingkar pinggang dan nilai kolesterol diatas menggunakan beberapa
metode, yaitu transformasi Box-Cox, transformasi logaritma, dan uji Rank
Spearman.
b. Penanganan Pelanggaran terhadap Uji Heterokedastisitas
Dalam penanganan pelanggaran terhadap uji heterokedastisitas pada data
lingkar pinggang dan nilai kolesterol ini menggunakan beberapa metode, yaitu
transformasi Box-Cox,transformasi logaritma, dan uji Rank Spearman.
- Pertama Transformasi Box-Cox pada Variabel Y
Syntax yang digunakan:
library(caret)
# Langkah 1: Melakukan transformasi Box-Cox padavariabel Y
> bc <- BoxCoxTrans(data$`Kolesterol Total`)
> bc
# Menambahkan kolom baru “ytrans” yang berisi datavariabel Y yang
telah ditransformasi Box-Cox
> data <- cbind(data, ytrans = predict(bc,data$`Kolesterol
Total`))
# Buat model2
> model2 <- lm(ytrans~x, data = data) # Uji heteroskedastisitas
> bptest(model2)
Output yang didapatkan:

Gambar 3.6 Output Langkah 1 Penanganan Pelanggaranterhadap Uji

Heterokedastisitas Menggunakan Rstudio
Interpretasi:
Dari Output yang didapatkan pada langkah 1 dalam penanganan pelanggaran
terhadap uji heterokedastisitas dengan transformasi Box-Cox pada variabel Y,
didapatkan nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0.009386 yang mana nilai tersebut masih lebih kecil
dibandingkan dengan taraf nyata yang digunakan atau 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼. Sehingga, diputuskan
masih menolak hipotesis 𝐻0 atau data masih mengalami gejala heterokedastisitas. Maka
masih perlu dilakukan langkah selanjutnya dalam penanganan pelanggaran terhadap
uji heterokedastisitas pada data ini.
- Kedua Transformasi Logaritma pada Variabel X
Syntax yang digunakan:
#Langkah 2: transformasi logaritma untuk variabel 'x'
> tl <- log(data$`Lingkar Pinggang`)
# Menambahkan kolom baru “xtrans” yang berisi data
variabel X yang telah ditransformasi logaritma
> data <- cbind(data, xtrans = tl)# Buat model3
> model3 <- lm(ytrans~xtrans, data = data) # Uji
heteroskedastisitas
> bptest(model3)
Output yang didapatkan:

Gambar 3.7 Output Langkah 2 Penanganan Pelanggaranterhadap Uji

Heterokedastisitas Menggunakan Rstudio
Interpretasi:
Dari Output yang didapatkan pada langkah 2 dalam penanganan pelanggaran
terhadap uji heterokedastisitas dengan transformasi logaritma pada variabel X,
didapatkan nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0.006244 yang mana nilai tersebut masih lebih kecil
dibandingkan dengan taraf nyata yang digunakan atau 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼. Sehingga,
diputuskan masih menolak hipotesis 𝐻0 atau data masih mengalami gejala
heterokedastisitas. Maka masih perlu dilakukan langkah selanjutnya dalam
penanganan pelanggaran terhadap uji heterokedastisitas pada data ini
- Terakhir Uji Rank Spearman
Syntax yang digunakan:
#Langkah 3: Uji Rank Spearman
> result_spearman <-
cor.test(data$xtrans,data$ytrans, method =
"spearman")
# Menampilkan hasil uji Rank Spearman
> print(result_spearman)
Output yang didapatkan:

Gambar 3.8 Output Langkah 3 Penanganan Pelanggaranterhadap Uji

Heterokedastisitas Menggunakan Rstudio
Interpretasi:
Dari Output yang didapatkan pada langkah 3 dalam penanganan
pelanggaran terhadap uji heterokedastisitas dengan uji Rank Spearman
menggunakan variabel X dan Y yangtelah ditransformasikan pada langkah 1 dan
2, didapatkan nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0.3785 yang mana nilai tersebut sudah lebih besar
 dibandingkan dengan taraf nyata yang digunakan atau 𝑝𝑣𝑎𝑙𝑢𝑒 > 𝛼. Sehingga,
diputuskan bahwa sudah cukup bukti untuk terima 𝐻0 atau data lingkar pinggang
dan nilai kolesterol ini sudahtidak mengalami gejala heterokedastisitas.
3.1.3 Data Minat Membaca dan Hasil Belajar
Syntax yang digunakan:
> library(readxl)
> library(lmtest)#impor data
> data <- read_excel("C:/Users/Asus
Vivobook/OneDrive/Documents/KULIAH/SEMESTER 4/ANALISIS
REGRESI & KORELASI/LAPRAK/LAPRAK 2/Belajar_Pelanggaran
Asumsi Autokorelasi.xlsx")
# Definisikan variabel independen dan dependen
> x <- data3$`Minat Membaca` y <-
data$`Hasil Belajar`# Buat
model
> model <- lm(y~x, data=data)

a. Uji Autokorelasi
Syntax yang diigunakan:
# Uji autokorelasi
> dwtest(model)
Output yang didapatkan:

Gambar 3.9 Output Uji Autokorelas Menggunakan Rstudio

Interpretasi:
Pada pengujian autokorelasi ini digunakan taraf nyata (𝛼) 0.05dengan hipotesis yang
ada, yaitu: 𝐻0: 𝜇 = 0, tidak terdapat autokorelasi pada data 𝐻1: 𝜇 ≠ 0, terdapat
autokorelasi pada data Dengan keputusan 𝑝𝑣𝑎𝑙𝑢𝑒 > 𝛼, 𝐻0 diterima atau 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼, 𝐻0
ditolak. Pada Output didapatkan nilai 𝑝𝑣𝑎𝑙𝑢𝑒 = 0.01799, yang mana nilai ini menyatakan
bahwa 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼 sehingga diputuskan bahwa 𝐻0 ditolak. Kesimpulannya, terdapat
autokorelasi pada data ini. Sehingga diperlukannya penanganan pelanggaran terhadap
uji autokorelasi pada data minat membaca dan hasil belajar ini.
- Penanganan Pelanggaran terhadap Uji Autokorelasi
Dalam penanganan pelanggaran terhadap uji autokorelasi pada data minat
membaca dan hasil belajar ini bisa menggunakan metode transformasi Cochrane-
Orcutt.
Syntax yang digunakan:
# Penanganan pelanggaran asumsi autokorelasi
menggunakan transformasi Cochrane-Orcutt
> library(orcutt)
 > coch <- cochrane.orcutt(model)
> coch
# Mengambil nilai rho optimum yang didapat pada modelCochrane-
Orcutt
> rho <- coch$rho
> rho
# Melakukan transformasi Cochrane-Orcutt secaramanual
> xcoch <- data$`Minat Membaca`[-1]-data$`MinatMembaca`[-
34]*rho
> ycoch <- data$`Hasil Belajar`[-1]-data$`HasilBelajar`[-
34]*rho
# Membuat kembali model regresi linear yang siapdigunakan
untuk analisis
> model2 <- lm(ycoch~xcoch)# Uji
autokorelasi
> dwtest(model2)
Output yang didapatkan:

Gambar 3.10 Output Penanganan Pelanggaran terhadap Uji

Autokorelasi Menggunakan Rstudio
Interpretasi:
Dari Output yang didapatkan dalam penanganan pelanggaran terhadap uji
autokorelasi dengan metode transformasi Cochrane- Orcutt didapatkan nilai
𝑝𝑣𝑎𝑙𝑢𝑒 = 0.5479 yang mana nilai tersebut sudah lebih besar dibandingkan dengan
taraf nyata yang digunakan atau 𝑝𝑣𝑎𝑙𝑢𝑒 > 𝛼. Maka dapat diputuskan bahwa sudah
cukup bukti untuk terima 𝐻0 atau data minat membaca dan hasil belajar ini sudah
tidak mengalami gejala autokorelasi.
3.2. Uji Asumsi Klasik menggunakan Software menggunakan SPSS
3.1.1 Uji Normalitas

Output :

Gambar 3.11 Output Hasil SPSS Uji Normalitas

Hipotesis :
𝑯𝟎 ∶ Data residual berdistribusi normal
𝑯𝟏 ∶ Data residual tidak berdistribusi normal
 Interpretasi :
Berdasarkan Uji Normalitas diatas dengan menggunakan SPSS diperoleh nilai
signifikansi 0.005 kurang dari 𝑎 (nilai 𝑎 adalah 0.05)maka Tolak H0 atau data
tidak berdistribusi normal, maka harus dilakukan penanganan.
a. Penanganan Uji Normalitas
Output :

Gambar 3.12 Output Hasil SPSS Penanganan Uji Normalitas

Hipotesis :

𝑯𝟎 ∶ Data residual berdistribusi normal

𝑯𝟏 ∶ Data residual tidak berdistribusi normal

Interpretasi :
Pada penanganan uji normalitas menggunakan SPSS diperoleh nilai signifikansi
0.056 lebih dari 𝑎 (nilai 𝑎 adalah 0.05) maka Terima H0 atau berdistribusi normal,
sehingga penanganan yang dilakukan sukes.
3.1.2 Uji Heteroskedastisitas

Output :

Gambar 3.13 Output Hasil SPSS Uji Heteroskedastisitas

Hipotesis :

𝑯𝟎 ∶ Data tidak terjadi gejala heteroskedastisitas

𝑯𝟏 ∶ Data terjadi gejala heteroskedastisitas

Interpretasi :
Berdasarkan Output Uji Heteroskesdastisitas dapat dilihat bahwa 𝑝 -𝑉𝑎𝑙𝑢𝑒 (0.04) <
𝑎(0.05) Sehingga dapat disimpulkan bahwa hipotesis menolak H0 atau terjadi
Heteroskesdastisitas(homogenitas tidak terpenuhi), sehingga harus dilakukan
 penanganan pada data.
a. Penanganan Uji Heteroskedastisitas

Output :

Gambar 3.14 Output Hasil SPSS Penanganan Uji Heteroskedastisitas

Hipotesis :

𝑯𝟎 ∶ Data tidak terjadi gejala heteroskedastisitas

𝑯𝟏 ∶ Data terjadi gejala heteroskedastisitas

Interpretasi :

Berdasarkan Output Uji Heteroskesdastisitas dapat dilihat bahwa 𝑝−𝑉𝑎𝑙𝑢𝑒 (0.448) >
𝑎(0.05) maka dapat disimpulkan bahwa hipotesis menerima H0 atau tidak terjadi
Heteroskesdastisitas(homogenitas terpenuhi), dan data berhasil ditangani dengan.
3.1.3 Uji Autokorelasi
Output :

Gambar 3.15 Output Hasil SPSS Uji Autokorelasi

Hipotesis :

𝑯𝟎 ∶ Data tidak terdapat autokorelasi

𝑯𝟏 ∶ Data terdapat autokorelasi

Ketentuan uji Durbin Watson:

• Jika 𝑑 < 𝑑𝐿 atau 𝑑 > 4 − 𝑑𝐿 maka menolak 𝐻0

• Jika 𝑑𝑈 < 𝑑 < 4 − 𝑑𝑈 maka menerima 𝐻0

• Jika 𝑑𝐿 < 𝑑 < 𝑑𝑈 atau 4 − 𝑑𝑈 < 𝑑 < 4 − 𝑑𝐿 (tidakada kesimpulan)

Interpretasi :

Jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼(0.05) maka tolak 𝐻0, maka berdasarkan outputdari uji
autokorelasi diketahui bahwa 𝑝 − 𝑣𝑎𝑙𝑢𝑒(0,01799) < 𝛼 (0,05). Sehingga
dapat diambil keputusan bahwa hipotesis tolak 𝐻0 dan dapat disimpulkan
terdapat autokorelasi dalam data. Dengan demikian, diperlukan
penanganan pada data untuk menangani autokorelasi tersebut.
a. Penanganan Uji Autokorelasi

Output :

Gambar 3.16 Output Hasil SPSS Penanganan Uji Autokorelasi

Hipotesis :

𝑯𝟎 ∶ Data tidak terdapat autokorelasi

𝑯𝟏 ∶ Data terdapat autokorelasi

Interpretasi :

Jika 𝑠𝑖𝑔 < 𝛼(0.05) maka tidak menerima 𝐻0, berdasarkan output dari
penanganan uji autokorelasi didapatkan bahwa nilai 𝑠𝑖𝑔(0.393) > 𝛼
(0,05). Sehingga dapat diambil kesimpulan bahwa hipotesis menerima 𝐻0
dan dapat disimpulkan bahwa data tidak terdapat autokorelasi.
 BAB IV
PENUTUP
Berdasarkan hasil uji asumsi klasik regresi linier sederhana yang
dilakukan pada setiap data yang sudah di atas disimpulkan bahwa setelah
dilakukan uji normalitas dapat diketahui bahwa data residual ekspektasi
pendapatan dan minat usaha tidak berdistribusi secara normal sehingga harus
dilakukan beberapa penanganan sampai hasil akhirnya berdistribusi secara
normal. Selanjutnya berdasarkan uji heteroskedastisitas dapat diketahui bahwa
terdapat gejala heteroskedastisitas pada data lingkar pinggang dan kolestrol total.
Maka harus dilakukan beberapa penanganan sampai hasil akhirnya tidak terjadi
gejala heteroskedastisitas (homogenitas terpenuhi) pada data. Lalu setelah
melalui uji autokorelasi dapat disimpulkam bahwa data minat membaca dan hasil
belajar terdapat autokorelasi atau terjadi hubungan korelasi antar variabel X dan
variabel Y. Maka harus dilakukan beberapa penanganan sampai hasil akhirnya
tidak terdapat autokorelasi lagi dalam data.
 DAFTAR PUSTAKA
Basuki, A. T., & Prawoto, N. (2019). Analisis Regresi: dalam Penelitian
Ekonomi dan Bisnis.
Fahmeyzan, D., Soraya, S., & Etmy, D. (2018). Uji normalitas data omzet
bulanan pelaku ekonomi mikro desa senggigi dengan menggunakan skewness dan
kurtosi. Jurnal Varian, 2(1), 31-36.
Nugraha, P. S. (2019). Pengaruh Ekspektasi Pendapatan, Karakteristik
Individu dan Pendidikan Kewirausahaan Terhadap Minat Berwirausaha. Jurnal
Profita: Kajian Ilmu Akuntansi, 7(1).