By
Juarsa Badri, SE.,MM
Uji Asumsi Klasik
X2 dan X3
Pada kotak Method pilih Enter
Untuk menampilkan matriks korelasi dan nilai
Regression
Hasil output
Model
Coefficientsa
Tolerance VIF
1 X1 ,299 3,348
X2 ,250 3,993
X3 ,703 1,423
a. DependentVariable: Y
Dari tabel Coefficients menunjukkan bahwa tidak ada
variabel independen yang memiliki nilai Tolerance kurang
dari 0,100 yang berarti tidak ada korelasi antar variabel
independen. Dengan demikian dapat dikatakan bahwa tidak
terjadi multikolinearitas.
Multikolinieritas juga diuji dengan menghitung nilai VIF
(Variance Inflating Factor). Bila nilai VIF lebih kecil dari 5
maka tidak terjadi multikolinieritas. Semua nilai VIF pada
tabel Coefficients menunjukkan angka kurang dari 5.
Dengan demikian dapat disimpulkan bahwa model pada
penelitian ini memenuhi syarat untuk menjadi model regresi
yang baik karena tidak terjadi korelasi antar variabel
independen (non-multikolinearitas).
CoefficientCorrelationsa
Model
X3 X1 X2
1 Correlations X3 1,000 ,134 -,420
a. DependentVariable: Y
Melihat tabel Coefficient Correlations tampak
bahwa terjadi korelasi yang cukup tinggi
antara variabel X1 dan X2 dengan tingkat
korelasi – 0,806 atau 80,6%. Karena nilainya
masih di bawah 95% sehingga masih dapat
dikatakan tidak terjadi multikolinearitas
(non-multikolinearitas).
Uji Asumsi Autokorelasi
Uji autokorelasi bertujuan untuk menguji
apakah dalam model regresi linear ada
korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pengganggu
pada periode sebelumnya. Jika terjadi
korelasi, maka dinamakan ada problem
autokorelasi.
Kasus:
Seorang peneliti ingin menguji asumsi
autokorelasi dari variabel Kinerja Karyawan (Y),
Struktur Organisasi (X1), Budaya Organisasi
(X2) dan Kepemimpinan (X3).
Langkah-Langkah:
Masukkan data X1, X2, X3 dan Y yang terdapat
pada lampiran.
Pilih menu Analize kemudian submenu
Regression, lalu pilih Linear.
Tampak di layar menu Linear Regression
Pada kotak Dependent isikan variabel Y
Pada kotak Independent isikan variabel X1,
X2 dan X3
Pada kotak Method pilih Enter
Pilih Statistics di menu kemudian akan
muncul tampilan Windows Linear Regression:
Statistics
Aktifkan pilihan Durbin-Watson
Tekan Continue lalu Ok pada menu Linear
Regression
Hasil output
Model
Std. Error of
R R Square Adjusted R Square theEstimate Durbin-Watson
1 ,710a ,504 ,474 1,319 1,844
dimension0
a. Predictors: (Constant), X3, X1, X2
b. DependentVariable: Y
Nilai DW sebesar 1,844 akan dibandingkan
X2 dan X3
Pada kotak Method pilih Enter
Pilih Plots di menu kemudian akan muncul
X
Tekan Continue lalu Ok pada menu Linear
Regression
Hasil output
Dari grafik Scatterplot terlihat bahwa titik-
titik menyebar secara acak serta tersebar baik
diatas maupun dibawah angka nol pada
sumbu Y. Jadi dapat disimpulkan bahwa
model pada penelitian ini memenuhi syarat
untuk menjadi model yang baik karena
merupakan model yang homoskedastisitas
atau varians dari nilai residual pengamatan
satu ke pengamatan yang lain tetap.
Uji asumsi Normalitas
Kasus:
Seorang peneliti ingin menguji asumsi
heteroskedastisitas dari variabel Kinerja Karyawan (Y),
Struktur Organisasi (X1), Budaya Organisasi (X2) dan
Kepemimpinan (X3).
Langkah-Langkah:
Masukkan data X1, X2, X3 dan Y yang
X2 dan X3
Pada kotak Method pilih Enter
Pilih Plots di menu kemudian akan muncul
tampilan Windows Linear Regression: Plots
Aktifkan pilihan Histogram dan Normal
probability plot
Tekan Continue lalu Ok pada menu Linear
Regression
Hasil output
Dengan melihat tampilan grafik Histogram maupun
grafik Normal P-Plot of Regression Standardized
Residual dapat disimpulkan bahwa grafik histogram
memberikan pola distribusi yang normal. Sedangkan
pada grafik normal plot, terlihat titik-titik menyebar
disekitar garis diagonal. Kedua grafik ini
menunjukkan bahwa model regresi tidak menyalahi
asumsi normalitas. Jadi dapat disimpulkan bahwa
model regresi pada penelitian ini memenuhi syarat
untuk menjadi model regresi yang baik karena
merupakan model regresi yang memiliki distribusi
data normal atau mendekati normal.
Uji Asumsi Linearitas