analisis regresi liner, uji asumsi klasik

8/12/2019 Analisis Regresi Liner, Uji Asumsi Klasik

http://slidepdf.com/reader/full/analisis-regresi-liner-uji-asumsi-klasik 1/24

Analisis Regresi Linier: Uji Asumsi Klasik 121

BAB VIIIANALISIS REGRESI LINIER :UJI ASUMSI KLASIK

8.1. ASUMSI KLASIK DALAM ANALISIS REGRESI LINIER

Uji asumsi klasik dilakukan untuk mengetahui apakah

model estimasi telah memenuhi kriteria ekonometrika, dalam

arti tidak terjadi penyimpangan yang cukup serius dari asumsi-

asumsi yang harus dipenuhi dalam metode Ordinary Least

Square (OLS). Terdapat enam asumsi yang diperlukan dalam

penaksiran OLS, yaitu:

1. Rata-rata kesalahan pengganggu (e) sama dengan nol;

2. Kesalahan pengganggu berbentuk distribusi normal;

3. Kesalahan pengganggu tidak berkorelasi dengan Variabel

Independen;4. Tidak adanya Autokorelasi antar gangguan (e);

5. Tidak adanya Multikolinearitas; dan

6. Varian kesalahan pengganggu tetap atau homoskedastisitas

(tidak terjadi Heteroskedastisitas);



122 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Penyimpangan dari asumsi klasik yang pertama

menyebabkan terjadinya penyimpangan dari estimasi terhadap

besarnya konstanta. Akan tetapi, penyimpangan estimasi

terhadap besarnya konstanta dalam hal ini kurang begitu

menggangu, karena yang diperhitungkan dalam penelitian

adalah besarnya pengaruh perubahan Variabel Independen

terhadap Variabel Dependen. Begitu juga dengan asumsi yang

kedua, jika tidak terpenuhi maka tidak terlalu berpengaruh

terhadap kesahihan hasil regresi dan akan tetap dapat

diperolehnya hasil estimator OLS yang Best Linear Unbiased

Estimator (BLUE). Sedangkan untuk penyimpangan pada

asumsi ketiga umumnya terjadi pada model persamaan

simultan dan tidak pernah terjadi pada model persamaan

tunggal. Oleh karena itu, dalam analisis regresi berganda yang

perlu diperhatikan dan diuji adalah ada tidaknya penyimpanganterhadap asumsi keempat (Uji Autokorelasi), kelima (Uji

Multikolinearitas), dan keeman (Uji Hiteroskedastisitas).

Uji Autokorelasi digunakan untuk menguji apakah dalam

sebuah model regresi linier terdapat korelasi antara kesalahan

pengganggu pada periode t dengan kesalahan pada periode t-1

(sebelumnya). Autokorelasi jarang dijumpai pada data crosssection dan biasanya terjadi pada data time series (serial

waktu). Multikolinieritas adalah suatu kondisi dimana terjadi

korelasi yang kuat diantara Variabel Independen yang

diikutsertakan dalam pembentukan model regresi linier




berganda. Sedangkan Uji Heteroskedastisitas digunakan untuk

menguji apakah dalam model regresi liner kesalahan

pengganggu mempunyai varians yang sama atau tidak dari

satu pengamatan ke pengamatan yang lain.

Contoh Kasus: Penelitian dengan judul: “Faktor-Faktor

yang Mempengaruhi Tunggakan Cicilan Bulanan Kredit

Perumahan”. Untuk kebutuhan data penelitian tersebut, jumlah

responden yang menjadi sampel sebanyak 38 responden dan

untuk pengambilan data digunakan adalah teknik wawancara

yang dipandu dengan kuesioner. Sebelum melakukan

pengolahan dan analisis data yang memerlukan perhatian

adalah hal-hal sebagai berikut:

1. Hipotesis Penelitian

Hipotesis penelitian yang diajukan adalah “Tunggakan

Pembayaran Cicilan Bulanan Kredit Perumahan (Y)dipengaruhi oleh Tingkat Pendapatan Keluarga (X1), Tingkat

Pendidikan Orang Tua (X2), Rasio Ketergantungan (X3), dan

Besarnya Cicilan Per Bulan (X4)”

2. Definisi Operasional Variabel Penelitian

Variabel Tunggakan Pembayaran Cicilan Bulanan Kredit

Perumahan (Y) dihitung dari besarnya cicikan per bulandikalikan dengan jumlah bulan yang menunggak pada

saat penelitian.

Variabel Tingkat Pendapatan Keluarga (X1) dihitung

dengan menjumlahkan besarnya penghasilan per bulan




dari pekerjaan rutin dan pekerjaan sampingan, baik

suami maupun istri.

Tingkat Pendidikan Orang Tua (X2) dihitung dengan

menjumlahkan skor tingkat pendidikan terakhir baik

suami maupun istri.

Rasio Ketergantungan (X3) dihitung dengan membagi

antara jumlah anggota keluarga yang tidak bekerja

(menjadi tanggungan yang bekerja) dengan jumlah

anggota keluarga yang bekerja. Besarnya Cicilan Per Bulan (X4) dihitung berdasarkan

besarnya cicilan bulanan kredit perumahan yang dibayar

tiap bulan.

3. Teknik Analisis Data dan Uji Hipotesis

Berdasarkan hipotesis yang diajukan, teknik analisis data

dengan menggunakan Analisis Regresi Berganda denganmodel persamaan: Y = a + b1 X1 + b2 X2 + b3 X3 + b4 X4 + E.

Untuk menguji hipotesis digunakan Uji T (parsial), Uji F

(serempak) dan R2. Sedangkan jenis uji hipotesis

menggunakan uji dua arah dengan tingkat signifikan (α)

sebesar 10%. Selain itu, juga dilakukan uji pemenuhan

asumsi klasik, yaitu Uji Autokorelasi, Uji Heteroskedastisitas,

dan Uji Multikolonearitas.

Hasil pengumpulan data dari 38 responden diperoleh

data sebagai berikut:




Tabel 8.1. Tabulasi Data PenelitianTunggakan Cicilan Bulanan Kredit Perumahan

N Y X1 X2 X3 X4

1 80250 1650000 10 1 802502 86000 1600000 8 1 86000

3 106000 2050000 8 1 1060004 70108 1200000 7 1 701085 680400 1650000 4 2 1701006 66100 1500000 8 2 66100

7 66100 1500000 8 1 661008 111000 1450000 7 3 555009 55500 1250000 8 2 5550010 72500 1525000 9 1 72500

11 324000 600000 7 4 10800012 300000 800000 8 2 15000013 229500 700000 5 3 7650014 1600000 450000 5 5 200000

15 780000 500000 3 3 13000016 423000 700000 6 3 4700017 210000 1000000 6 3 10500018 125000 1125000 10 1 125000

19 405000 700000 6 4 8100020 510000 500000 7 4 85000

21 182100 900000 7 3 6070022 427260 850000 9 3 71210

23 81000 1900000 10 1 8100024 75100 1300000 8 1 7510025 70000 1580000 9 2 7000026 68000 1222000 7 2 68000

27 66500 1650000 8 2 6650028 215850 900000 7 5 7194029 79000 1450000 8 1 7900030 69700 1530000 8 2 69700

31 105500 1690000 9 3 10550032 79000 1750000 6 2 7900033 60710 1250000 7 3 6071034 72000 1200000 8 2 72000

35 61000 1560000 7 2 6100036 120000 1400000 6 2 6000037 490000 700000 5 4 7000038 335000 950000 6 3 67000




8.1.1. Analisis Regresi Berganda

Untuk melakukan pengolahan data analisis regresi

berganda dengan langkah sebagai berikut:

1. Masukkan data pada Tabel 8.1. ke dalam Data View

Program SPSS. Kemudian klik Variable View, untuk Name

1: Y, Name 2: X1, Name 3: X2, Name 4: X3, dan Name 5:

X5. Untuk Label diisi dengan nama masing-masing variabel.

Gambar 8.1. Tampilan Variable View

2. Untuk mengolah data dengan analisis regresi linier, pilih

menu Analyze, kemudian pilih sub menu Regression danklik Linier , maka akan tampil sebagai berikut:

Gambar 8.2. Menu untuk Analisis Regresi Berganda




Gambar 8.3. Variabel Dependen dan Independen

3. Ketika tampil kotak Linier Regression, klik Tunggakan

Cicilan (Y) dan klik tanda panah (dalam lingkaran) untuk

Dependent. Blok variabel Pendapatan Keluarga (X1),

Tingkat Pendidikan Orang Tua (X2), Rasio Ketergantungan

(X3), dan Besarnya Cicilan Per Bulan (X4) dan klik tanda

panah untuk Independents dan klik OK.

Tabel 8.2. Hasil Pengolahan Data Regresi Linier Berganda

Variables Entered/Removed(b)

Model Variables EnteredVariablesRemoved

Method

1 Besarnya Cicilan per Bulan, Rasio Ketergantungan,Tingkat Pendidikan Ortu, Pendapatan Keluarga(a)

. Enter

a All requested variables entered.b Dependent Variable: Tunggakan Cicilan

Model Summary

Model R R Square Adjusted R SquareStd. Error of the

Estimate

1 ,891(a) ,793 ,768 141329,471

a Predictors: (Constant), Besarnya Cicilan per Bulan, Rasio Ketergantungan,Tingkat Pendidikan Ortu, Pendapatan Keluarga




ANOVA(b)

Model Sum of Squares df Mean Square F Sig.

1 Regression 2526431372516,881 4 631607843129,220 31,621 ,000(a)

Residual 659142641118,594 33 19974019427,836Total 3185574013635,474 37


b Dependent Variable: Tunggakan Cicilan

Coefficients(a)

Model

UnstandardizedCoefficients

StandardizedCoefficients t Sig.

B Std. Error Beta

1 (Constant)79880,591 223358,524 ,358 ,723Pendapatan

Keluarga-,144 ,081 -,211 -1,777 ,085

Tingkat PendidikanOrtu

34755,936 17908,076 -,190 -1,941 ,061

RasioKetergantungan

64904,444 30646,127 ,254 2,118 ,042

Besarnya Cicilanper Bulan

5,053 ,746 ,561 6,770 ,000

a Dependent Variable: Tunggakan Cicilan

Berdasarkan Tabel 8.2. bagian Coefficients tersebut di

atas, maka dapat dibuat model regresi linier berganda dengan

persamaan sebagai berikut :

Y = 79880,591 – 0,144 X1 – 34755,936 X2 + 64904,444 X3 +

5,053 X4 + E

Nilai masing-masing koefisien regresi Variabel Independen dari

model regresi linier tersebut memberikan gambaran bahwa:

1. Koefisien Regresi Variabel Pendapatan Keluarga (X1)

sebesar – 0,144 menggambarkan bahwa pendapatan

keluarga mempunyai pengaruh negatif terhadap besarnya

tunggakan cicilan bulanan kredit perumahan, artinya dengan




semakin besarnya pendapatan keluarga maka tunggakan

cicilan bulanan kredit perumahan akan semakin kecil;

2. Koefisien Regresi Variabel Tingkat Pendidikan Orang Tua

(X2) sebesar – 34.755,936 menggambarkan bahwa tingkat

pendidikan orang tua mempunyai pengaruh negatif terhadap

besarnya tunggakan cicilan bulanan kredit perumahan,

artinya dengan semakin tingginya tingkat pendidikan orang

tua maka tunggakan cicilan bulanan kredit perumahan akan

semakin kecil;

3. Koefisien Regresi Variabel Rasio Ketergantungan (X3)

sebesar 64.904,444 menggambarkan bahwa rasio

ketergantungan mempunyai pengaruh positif terhadap

besarnya tunggakan cicilan bulanan kredit perumahan,

artinya dengan semakin besarnya rasio ketergantungan

dalam keluarga maka akan semakin meningkatkan;4. Koefisien Regresi Variabel Besarnya Cicilan per Bulan (X4)

sebesar 5,053 menggambarkan bahwa besarnya cicilan per

bulan berpengaruh positif terhadap besarnya tunggakan

cicilan bulanan kredit perumahan, artinya dengan semakin

besarnya cicilan per bulan maka akan semakin

meningkatkan atau memperbesar tunggakan cicilan bulanankredit perumahan.




8.1.2. Uji Hipotesis Parsial (Uji T)

Uji hipotesis secara parsial digunakan untuk mengetahui

pengaruh dari masing-masing Variabel Independen terhadap

Variabel Dependen. Uji ini dilakukan dengan membandingkan

nilai T hitung dengan nilai T tabel. Nilai T hitung dari hasil

pengolahan data dengan program SPSS dapat dilihat pada

Tabel 8.2. bagian Coefficients. Hipotesis Statistik yang

diajukan untuk Uji T adalah:

Ho : b1 = 0 Ha : b1

0b2 = 0 b2 0

b3 = 0 b3 0

b4 = 0 b4 0

Untuk memperoleh nilai T tabel, dapat dilihat pada tabel T

Student, yaitu pada Degrees of Freedom (df) sebesar 33

(jumlah data dikurangi jumlah variabel) dan ½ = 10% / 2 = 5%

(uji dua arah) maka nilai T tabel sebesar 1,684.

Gambar 8.4. Daerah Penerimaan dan Penolakan Ho

DaerahPenolakan Ho

5 %

DaerahPenolakan Ho

5 %

- 1,684

DaerahPenerimaan Ho

90 %

1,684




Dengan membandingkan nilai T hitung dengan T tabel

maka dapat disimpulkan:

1. Variabel Pendapatan Keluarga, yaitu –T hitung < –T tabel

atau –1,777 < –1,684 maka Ho ditolak dan hipotesis

penelitian diterima, artinya pendapatan keluarga mempunyai

pengaruh yang signifikan terhadap tunggakan cicilan

bulanan kredit perumahan.

2. Variabel Tingkat Pendidikan Orang Tua, yaitu –T hitung <

–T tabel atau –1,941 < –1,684 maka Ho ditolak dan

hipotesis penelitian diterima, artinya tingkat pendidikan

orang tua mempunyai pengaruh yang signifikan terhadap

tunggakan cicilan bulanan kredit perumahan.

3. Variabel Rasio Ketergantungan, T hitung > T tabel atau

2,118 > 1,684 maka Ho ditolak dan hipotesis penelitian

diterima, artinya rasio ketergantungan mempunyai pengaruhyang signifikan terhadap tunggakan cicilan bulanan kredit

perumahan.

4. Variabel Besarnya Cicilan Bulanan, yaitu T hitung > T tabel

atau 6,770 > 1,684 maka Ho ditolak dan hipotesis penelitian

diterima, artinya besarnya cicilan per bulan mempunyai

pengaruh yang signifikan terhadap tunggakan cicilanbulanan kredit perumahan.

Langkah pengujian hipotesis di atas dilakukan jika dalam

pengolahan data peneliti sudah menyiapkan Tabel T Students,

namun jika tabel tersebut tidak tersedia maka untuk




memutuskan menerima atau menolak hipotesis penelitian dapat

dilakukan dengan milihat nilai Signifikansi (Sig.) pada tabel 8.2.

bagian Coefficients, yaitu masing-masing variabel independen

mempunyai nilai Sig. di bawah 10% atau 0,100. Variabel

Pendapatan Keluarga (X1) nilai Sig.-nya sebesar 0,085;

Variabel Tingkat Pendidikan Orang Tua (X2) nilai Sig.-nya

sebesar 0,061; Variabel Rasio Ketergantungan (X3) nilai

Sig.-nya sebesar 0,042; dan Variabel Besarnya Cicilan Per

Bulan (X4) nilai Sig.-nya sebesar 0,000. Dengan demikian dapat

disimpulkan bahwa Variabel Pendapatan Keluarga (X1),

Variabel Tingkat Pendidikan Orang Tua (X2), Variabel Rasio

Ketergantungan (X3), dan Variabel Besarnya Cicilan Per Bulan

(X4), secara parsial mempunyai pengaruh yang signifikan

terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit

Perumahan (Y).

8.1.3. Uji Hipotesis Serempak (Uji F)

Uji hipotesis secara serempak digunakan untuk

mengetahui pengaruh dari Variabel Independen secara

keseluruhan terhadap Variabel Dependen. Uji ini dilakukan

dengan membandingkan nilai F hitung dengan nilai F tabel.Nilai F hitung dapat dilihat pada Tabel 8.2, bagian ANOVA.

Hipotesis Statistik yang diajukan untuk Uji F adalah:

Ho : b1 = b2 = b3 = b4 = 0

Ha : b1 b2 b3 b4 0




Nilai F tabel dengan tingkat signifikan = 5% dan

Degrees of Freedom (df) sebesar 4 ; 33 adalah sebesar 2,65.

Hasil pengolahan data (lihat Tabel 8.2) diketahui bahwa nilai Fhitung sebesar 31,621 dan nilai F hitung tersebut lebih besar

dari pada F tabel atau nilai Sig.-nya di bawah 0,050 atau 5%,

maka keputusan yang dapat diambil adalah Ho ditolak dan

hipotesis penelitian diterima, artinya Variabel Pendapatan

Keluarga (X1), Variabel Tingkat Pendidikan Orang Tua (X2),

Variabel Rasio Ketergantungan (X3), dan Variabel BesarnyaCicilan Per Bulan (X4), secara keseluruhan mempunyai

pengaruh yang signifikan terhadap Variabel Besarnya

Tunggakan Cicilan Bulanan Kredit Perumahan (Y) .

8.1.4. Koefisien Determinasi (R Square)

Nilai R2

atau R Square dapat dilihat pada Tabel 8.2,bagian Model Summary. Hasil pengolahan data menunjukkan

bahwa nilai R2 sebesar 0,793. Nilai tersebut menggambarkan

bahwa sumbangan Variabel Independen (Variabel Pendapatan

Keluarga, Variabel Tingkat Pendidikan Orang Tua, Variabel

Rasio Ketergantungan, dan Variabel Besarnya Cicilan Per

Bulan) terhadap naik turunnya atau variasi Variabel Dependen(Variabel Besarnya Tunggakan Cicilan Bulanan Kredit

Perumahan) adalah sebesar 79,3% dan sisanya sebesar 20,6%

merupakan sumbangan dari variabel lain yang tidak

dimasukkan dalam model yang diajukan dalam penelitian




tersebut (terkumpul dalam Variabel Pengganggu atau E).

Sedangkan untuk nilai R sebesar 0,891 atau 89,1% berarti

hubungan antara Variabel Independen dengan Variabel

Dependen dalam penelitian tersebut dapat dikatakan

mempunyai hubungan yang kuat atau erat karena mendekati

100%.

8.2. UJI ASUMSI KLASIK

8.2.1. Uji Autokorelasi

Uji Autokorelasi digunakan untuk menguji apakah dalam

sebuah model regresi linier terdapat korelasi antara kesalahan

pengganggu pada periode t dengan kesalahan pada periode t-1

(sebelumnya). Untuk menguji Autokorelasi dapat dilihat dari

nilai Durbin Waston (DW), yaitu jika nilai DW terletak antara du

dan (4 – dU) atau du ≤ DW ≤ (4 – dU) berarti bebas dari Autokorelasi, sebaliknya jika nilai DW < dL atau DW > (4 – dL)

berarti terdapat Autokorelasi. Nilai dL dan dU dapat dilihat pada

tabel Durbin Waston, yaitu nilai dL ; dU ; α ; n ; (k – 1).

Keterangan: n adalah jumlah sampel, k adalah jumlah variabel,

dan α adalah taraf signifikan.

Langkah untuk mengetahui nilai DW dengan programSPSS adalah sama dengan ketika mengolah dengan analisis

regresi linier pada contoh kasus di atas, yaitu pilih menu

Analyze, kemudian pilih sub menu Regression dan klik Linier .

Ketika sudah masuk pada kotak Linier Regression, masukkan




Variabel Dependen ke kotak Dependent dan seluruh Variabel

Independen ke kotak Independent (s).

Gambar 8.5. Menguji Autokorelasi (1)

Setelah semua variabel masuk pada tempatnya, klik

Statistics ... maka akan tampil kotak Linier Regression:

Statistics. Untuk pilihan Estimates dan Model Fit

dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik

tanda centang, dan untuk pilihan Durbin Waston diaktifkan

kemudian klik Continue.

Gambar 8.6. Menguji Autokorelasi (2)




Setelah diklik Continue maka akan kembali ke kotak

Linier Regression dan kemudian langsung klik OK, maka akan

tampil persis seperti pada Tabel 8.2. di atas, namun yang

berbeda adalah pada bagian Model Summary akan tambah

kolom Durbin Watson, yaitu sebagai berikut:

Tabel 8.3. Hasil Pengolahan Data untuk Uji Autokorelasi

Model Summary(b)

Model R R Square Adjusted R

SquareStd. Error ofthe Estimate

Durbin-Watson

1 ,891(a) ,793 ,768 141329,471 1,777


b Dependent Variable: Tunggakan Cicilan

Nilai tabel Durbin Watson pada α = 5%; n = 38; k – 1 = 4

adalah dL = 1,26 dan dU = 1,72. Hasil pengolahan data pada

Tabel 8.3. menunjukkan nilai Durbin Watson sebesar 1,777 dan

nilai tersebut berada di antara dU dan (4 – dU) atau

1,72 < 1,777 < 2,28 maka dapat disimpulkan bahwa dalam

regresi linier tersebut tidak terdapat Autokorelasi atau tidak

terjadi korelasi diantara kesalahan pengganggu.

8.2.2. Uji Multikolinearitas

Uji Multikolinearitas digunakan untuk mengetahui apakah

terjadi korelasi yang kuat di antara variabel-variabel

independen yang diikutsertakan dalam pembentukan model.

Untuk mendeteksi apakah model regresi linier mengalami

multikolinearitas dapat diperiksa menggunakan Variance

Inflation Factor (VIF) untuk masing-masing Variabel




Independen, yaitu jika suatu Variabel Independen mempunyai

nilai VIF > 10 berarti telah terjadi multikolinearitas. Untuk

mendapatkan nilai VIF untuk masing-masing variabel

independen dengan langkah hampir sama dengan

mendapatkan nilai Durbin Watson, yaitu: Setelah semua

variabel masuk pada tempatnya di kotak Linier Regression,

klik Statistics ... maka akan tampil kotak Linier Regression:

Statistics. Untuk pilihan Estimates dan Model Fit

dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik

tanda centang, dan untuk pilihan Covarian matrix dan

Colinearity diagnoctica diaktifkan, kemudian klik Contonue.

Setelah kembali ke kotak Linier Regression langsung klik OK.

Gambar 8.7. Langkah Menguji Multikolonearitas

Tampilan hasil pengolahan data tersebut adalah sebagai

berikut (ditampilkan sebagian):




Tabel 8.4. Hasil Pengolahan Data untuk Uji Multikolinearitas

Coefficients(a)

Model

Collinearity Statistics

Tolerance VIF1 Pendapatan Keluarga ,446 2,243

Tingkat Pendidikan Ortu ,657 1,523

Rasio Ketergantungan ,435 2,297

Besarnya Cicilan per Bulan ,914 1,094


Coefficient Correlations(a)

ModelBesarnyaCicilan per

Bulan

RasioKetergantu

ngan

TingkatPendidikan

Ortu

Pendapatan

Keluarga1 Corre

lationsBesarnyaCicilan perBulan

1,000 ,020 ,196 ,086

RasioKetergantungan

,020 1,000 ,271 ,625

TingkatPendidikanOrtu

,196 ,271 1,000 -,192

Pendapatan

Keluarga

,086 ,625 -,192 1,000

Covariances

BesarnyaCicilan perBulan

,557 453,422 2613,235 ,005

RasioKetergantungan

453,422 39185082,342 148948109,823 549,992

TingkatPendidikanOrtu

2613,235 48948109,823 20699199,957 -278,911

PendapatanKeluarga

,005 1549,992 -278,911 ,007


Berdasarkan hasil pengolahan data pada Tabel 8.4.

tersebut di atas, untuk menguji ada tidaknya Multikolinearitas

pada model regresi linier dapat dilakukan dengan dua cara,

yaitu dengan melihat nilai VIF masing-masing variabel




independen dan melihat nilai korelasi antar variabel

independen.

Pada tabel 8.4. bagian Coefficients, diketahui bahwa

nilai VIF dari masing-masing variabel independen lebih kecil

dari pada 5, yaitu nilai VIF Variabel Pendapatan Keluarga

sebesar 2,243; nilai VIF Variabel Tingkat Pendidikan Orang Tua

sebesar 1,523; nilai VIF Variabel Rasio Ketergantungan

sebesar 2,297; dan nilai VIF Variabel Besarnya Cicilan Per

Bulan sebesar 1,094. Sedangkan pada bagian Coefficient

Correlations, dapat dilihat bahwa nilai korelasi di antara

variabel independen dapat dikatakan mempunyai korelasi yang

lemah. Dengan demikian dapat disimpulkan bahwa di antara

variabel independen tersebut tidak ada korelasi atau tidak

terjadi Multikolinearitas pada model regresi linier.

8.2.3. Uji Heteroskedastisitas

Uji Heteroskedastisitas digunakan untuk menguji apakah

dalam model regresi liner kesalahan pengganggu (e)

mempunyai varians yang sama atau tidak dari satu

pengamatan ke pengamatan yang lain. Untuk menguji

Hiteroskedastisitas dapat diketahui dari nilai signifikan korelasiRank Spearman antara masing-masing variabel independen

dengan residualnya. Jika nilai signifikan lebih besar dari α (5%)

maka tidak terdapat Heteroskedastisitas, dan sebaliknya jika

lebih kecil dari α (5%) maka terdapat Heteroskedastisitas.




Langkah untuk mendapatkan nilai residual adalah: pada

tampilan Data View, pilih menu Transform dan klik Compute.

Pada kotak Compute Variable, bagian Target Variable ketik

Residual dan pada bagian Numeric Expression ketik:

Y-(79880.591+( –0.144*X1)+( –34755.936*X2)+(64904.444*X3)+

(5.053*X4)) kemudian klik OK.

Gambar 8.8. Uji Heteroskedastisitas (1)





Catatan: persamaan yang ditulis pada bagian Numeric

Expression merupakan persamaan regresi linier berganda

yang diperoleh dari pengolahan data di atas (lihat persamaan di

halaman 128).

Setelah proses tersebut selesai maka pada tampilan

Data View akan bertambah satu kolom, yaitu kolom Residual,

dan kemudian pada menu File klik Save atau langsung tombol

Ctrl + S. Selanjutnya untuk proses mendapatkan nilai korelasi

Rank Spearman adalah pilih menu Analyze, klik Correlate,

dan klik Bivariate. Pada kotak Bivariate Correlations,

pindahkan semua Variabel Independen dan residual ke

Variables, kemudian untuk Correlation Coefficients hilangkan

tanda centang pada Pearson dan beri tanda centang pada

Spearman, kemudian klik OK.





Hasil pengolahan data dengan korelasi Rank Spearman adalah

sebagai berikut:

Tabel 8.5. Hasil Pengolahan Data untuk Uji Heteroskedastisitas

Correlations

Tung

gakanCicilan

PendapatanKeluar

ga

Tingkat

Pendidikan Ortu

RasioKetergan

tungan

Besarnya

Cicilanper

Bulan

Residual

Spear

man'srho

Tunggak

an Cicilan

Correlation

Coefficient1,000 ,605(**) -,506(**) ,582(**) ,507(**) ,060

Sig. (2- tailed) . ,000 ,001 ,000 ,001 ,721

N 38 38 38 38 38 38Pendapatan

Keluarga

CorrelationCoefficient

,605(**) 1,000 ,510(**) -,679(**) -,087 ,055

Sig. (2- tailed) ,000 . ,001 ,000 ,603 ,742

N 38 38 38 38 38 38

Tingkat

Pendidikan Ortu

Correlation

Coefficient,506(**) ,510(**) 1,000 -,602(**) ,004 ,146

Sig. (2- tailed) ,001 ,001 . ,000 ,980 ,380

N 38 38 38 38 38 38

Rasio

Ketergantu

ngan

Correlation

Coefficient

,582(**) ,679(**) -,602(**) 1,000 -,008 -,135

Sig. (2- tailed) ,000 ,000 ,000 . ,961 ,419

N 38 38 38 38 38 38

Besarnya

CicilanperBulan

CorrelationCoefficient

,507(**) -,087 ,004 -,008 1,000 -,233

Sig. (2- tailed) ,001 ,603 ,980 ,961 . ,159

N 38 38 38 38 38 38

Residual Correlation

Coefficient,060 ,055 ,146 -,135 -,233 1,000

Sig. (2- tailed) ,721 ,742 ,380 ,419 ,159 .

N 38 38 38 38 38 38

** Correlation is significant at the 0.01 level (2-tailed).

Berdasarkan tabel 8.5 tersebut di atas, pada kolom

Residual dapat dilihat bahwa nilai Correlation Coefficient

adalah rendah atau nilai signifikan (Sig. (2-tailed)) masing




masing Variabel Independen di atas 5%, artinya masing-masing

Variabel Independen (Variabel Pendapatan Keluarga, Variabel

Tingkat Pendidikan Orang Tua, Variabel Rasio Ketergantungan,

dan Variabel Besarnya Cicilan Per Bulan) tidak mempunyai

hubungan dengan Residualnya. Dengan demikian, dapat

disimpulkan bahwa tidak terdapat Heteroskedastisitas pada

model regresi linier berganda diperoleh.

analisis regresi liner, uji asumsi klasik

Documents