BAB I

PENDAHULUAN

1.1 Sejarah Analisis Regresi

Analisis regresi merupakan salah satu analisis yang bertujuan

untuk mengetahui pengaruh suatu variabel terhadap variabel yang lain,

Dalam analisis regresi, variabel yang mempengaruhi disebut Independent

Variable (variabel bebas) dan variabel yang dipengaruhi disebut Dependent

Variable (variabel terikat).

1.2 Analisis Regresi Linear Berganda

Analisis regresi berganda ialah suatu alat analisis dalam ilmu

statistik yang berguna untuk mengukur hubungan matematis antara lebih dari

2 peubah bebas(X) dengan peubah penjelas atau dependent (Y). Bentuk

persamaan regresi linear berganda ialah sebagai berikut :

Y = β 0 + β 1X1+β 2 X 2+β 3 X 3+...+βkXk+ε

Persamaan tersebut diduga oleh persamaan dibawah ini :

Y-hat = b0 + b1X1+b2X2+b3X3+...+bkXk

1.3. Tahapan Analisis Regresi Linear Berganda

1. Menentukan variabel X dan variabel Y.

2. Analisis Deskriptif.

3. Uji Linearitas.

4. Analisis Regresi.

1) Uji Overall.

2) Uji Parsial.

3) R dan R2.

4) Interpretasi Model.

5. Uji Asumsi

1) Uji Normalitas

1

2) Uji Autokorelasi

3) Uji Homoskedastisitas

4) Uji Multikolinearitas

6. Peramalan

2

BAB II

DESKRIPSI KERJA

Pada bab ini, praktikan akan menunjukkan langkah-langkah yang dikerjakan untuk menyelesaikan kasus yang ada. Persoalan yang dibahas pada praktikum kali ini adalah melakukan analisa regresi linear berganda untuk melihat ada tidaknya pengaruh ukuran rumah dan umur bangunan rumah terhadap harga jual rumah tersebut dan menjelaskan proses perhitungannya dengan menggunakan software SPSS. Kasus yang akan diselesaikan sebagai berikut :

Tabel 2.1 Tabel Kasus Yang Akan DianalisisRumah Ke Ukuran

Rumah(X1)

Umur Bangunan

(X2)

Harga Jual Rumah

(Y)1 1.8 30 322 1.0 33 243 1.7 25 274 2.8 12 475 2.2 26 356 0.8 25 177 3.6 28 528 1.1 29 209 2.0 25 3810 2.6 2 4511 2.3 30 4412 0.9 23 1913 1.2 12 2514 3.4 33 5015 1.7 1 3016 2.5 12 4317 1.4 17 2718 3.3 16 5019 2.2 22 3720 1.5 29 28

Adapun langkah-langkah yang dikerjakan untuk menyelesaikan kasus diatas adalah sebagai berikut :1. Buka software SPSS yang telah diinstal di komputer dan siapkan spreadsheet

seperti Gambar 2.1 berikut:

Gambar 2.1. Tampilan awal SPSS

2. Masukkan nama, tipe, lebar, banyak desimal dan label pada lembar kerja

variabel view seperti pada Gambar 2.2 berikut :

Gambar 2.2. Memasukkan informasi pada variabel view

3. Tahap pertama tentukan variabel X1, X2 dan variabel Y. Praktikkan

menentukan Ukuran Rumah dan Umur Rumah sebagai Independent variable

(X1) dan (X2) dan Harga Jual Rumah sebagai Dependent variable (Y).

4. Masukkan data kasus persoalan seperti pada Tabel 2.1 yang ingin dilakukan

analisis regresinya pada lembar kerja Data View seperti pada Gambar 2.3

berikut :

4

3

Gambar 2.3. Memasukkan Data pada lembar kerja Data View

5. Tahapan kedua praktikkan akan melakukan analisis dekskriptif pada data di

atas, maka lakukan dengan cara mengklik menu Analyze Descriptive

Statistics Descriptive seperti pada Gambar 2.4 dan masukkan variabelnya

seperti Gambar 2.5 berikut :

Gambar 2.4. Tahapan Analisis Statistik Deskriptive

Gambar 2.5 Tahapan Memasukkan Variabel

6. Klik option, kemudian tandai statistik yang akan dikeluarkan outputnya, lalu

klik Continue dan klik OK seperti Gambar 2.6 berikut :

Gambar 2.6 Tahapan Memilih Statistik Yang Diinginkan

7. Setelah melakukan langkah-langkah diatas, akan terbuka windows baru berupa

output Statistics Descriptive yang akan dijelaskan di bab berikutnya.

8. Tahapan ketiga praktikkan akan melakukan uji linearitas pada data di atas,

maka lakukan dengan cara mengklik menu Graph Legacy Dialogs

5

Scatter/Dot kemudian pilih Simple Scatter seperti pada Gambar 2.7 seperti

berikut :

Gambar 2.7. Uji Linearitas dengan Scatterplot

9. Klik Define kemudian masukkan variabel Y (Harga Rumah) ke kolom Y Axis

dan variabel X1 ( Ukuran Rumah) ke kolom X Axis lalu klik OK seperti

Gambar 2.8 berikut :

Gambar 2.8. Memasukkan Variabel Y Axis Dan X1 Axis

10. Karena jumlah variabel independentnya ada dua yaitu X1 dan X2 maka untuk

uji linearitasnya dilakukan dua kali oleh karena itu ulangi langkah nomor 8.

11. Klik Define kemudian masukkan variabel Y (Harga Rumah) ke kolom Y Axis

dan variabel X2 ( Umur Rumah) ke kolom X Axis lalu klik OK seperti

Gambar 2.9 berikut :

Gambar 2.9. Memasukkan Variabel Y Axis Dan X2 Axis

6

12. Setelah melakukan langkah diatas, akan terbuka windows baru berupa output

Scatterplot yang akan dijelaskan di bab berikutnya.

13. Tahapan keempat praktikkan akan melakukan analisis regresi linear pada data

di atas, maka lakukan dengan cara mengklik menu Analyze Regression

Linear seperti pada Gambar 2.10 maka akan muncul Gambar 2.11 seperti

berikut :

Gambar 2.10. Tahapan Analisis Regresi Linear

Gambar 2.11 Tampilan Kotak Linear Regression

14. Masukkan variabel Harga jual rumah (Y) ke kolom Dependent. Kemudian

masukkan variabel Ukuran Rumah (X1) dan Umur Rumah (X2) ke kolom

Independent(s) seperti pada Gambar 2.12 berikut :

7

Gambar 2.12. Memasukan Variabel Dependent Dan Independent

15. Pilih submenu Statistics, tandai Estimates, Mode Fit dan Collinearity

diagnostics pada kotak Dialog Regression Coeficients lalu klik Continue

seperti terlihat pada Gambar 2.13 berikut :

Gambar 2.13. Tampilan Kotak Dialog Linear Regression Statistics

16. Pilih submenu Save, tandai Unstandardize pada Residual lalu klik Continue

seperti terlihat pada Gambar 2.14 berikut :

Gambar 2.14. Tampilan Kotak Dialog Linear Regression Save

17. Pilih submenu Option, tentukan taraf nyata (alpha) pada kotak Use

probability of F, misalnya 0.05 (default) lalu tandai Include constant in

equation seperti pada Gambar 2.15 berikut :

8

Gambar 2.15. Tampilan Kotak Dialog Linear Regression Option

18. Setelah melakukan langkah-langkah diatas, akan terbuka windows baru berupa

output regression yang akan dijelaskan di bab berikutnya.

19. Langkah selanjutnya, praktikkan akan melakukan uji asumsi dengan cara klik

Analyze > Regression > Linear sehingga muncul kotak dialog Linear

Regression. Masukkan variabel dependent (Harga Jual Rumah) dan variabel

independent (X1) dan (X2) seperti terlihat pada kotak dialog dibawah pada

Gambar 2.16 berikut :

Gambar 2.16. Memasukan Variabel Dependent Dan Independent

20. Klik Statistics lalu tandai Durbin Watson pada Residual untuk melihat nilai

autokorelasi, sedangkan Collinearity Diagnostics untuk melihat asumsi

multikollinearitas kemudian klik Continue seperti Gambar 2.17 berikut :

Gambar 2.17. Menandai Durbin Watson

21. Klik Plots dan tandai Histogram dan Normal probability plot pada

Standardize Residual Plot. Kemudian masukkan variabel SRESID ke dalam

kotak Y dan ZPRED ke dalam kotak X untuk melihat asumsi

9

homoskedastisitass kemudian klik Continue seperti pada Gambar 2.18

berikut :

Gambar 2.18. Tahapan Melihat Asumsi Homoskedastisitas

22. Abaikan Save dan klik Ok.

23. Selanjutnya akan terbuka windows baru yang berisi output uji asumsi SPSS.

24. Langkah selanjutnya, untuk melakukan uji normalitas klik Analyze >

Nonparametric Test > Legacy Dialogs > 1-Sample K-S > seperti Gambar

2.19 masukkan Unstandardize Residual ke dalam kotak Test Variable List

seperti Gambar 2.20 berikut kemudian klik OK :

Gambar 2.19 Tahapan Uji Normalitas

Gambar 2.20 Memasukkan Unstandardize ke dalam kotak Test Variable List

10

25. Maka akan terbuka windows baru yang berisi output uji normal SPSS.

26. Langkah selanjutnya, praktikkan akan melakukan uji homoskedostisitas yaitu

klik Transform > Compute Variable seperti Gambar 2.20 berikut :

Gambar 2.20 Tahapan Kehomogenan Ragam

27. Klik All pada kolom Function Group dan double klik Abs pada kolom

Function and Special Variables lalu masukkan Unstandardized Residual ke

dalam Numeric Expression seperti pada Gambar 2.20 berikut :

Gambar 2.20 Tahapan Kehomogenan Ragam

28. Ketikkan pada kolom Target variable “abs_res” kemudian klik OK seperti

Gambar 2.21 berikut :

11

Gambar 2.21 Tahapan Kehomogenan Ragam

29. Klik Analyze regression linear dan ganti dependentnya dengan “abs_res”.

30. Maka akan terbuka windows baru yang berisi output SPSS.

BAB III

PEMBAHASAN

Pada kasus yang telah disebutkan pada bagian bab deskripsi kerja, selanjutnya pada bab ini praktikkan akan menjelaskan output SPSS dari kasus yang telah diselesaikan oleh praktikkan. Terdapat enam tahapan dalam menyelesaikan persoalan analisa regeresi linear berganda, berikut pemaparannya :

3.1 Analisis Deskriptif

Gambar 3.1 Output Analisa DeskriptifStatistik untuk variabel Ukuran Rumah, Umur Bangunan Rumah dan variabel

Harga Jual Rumah :

1. Range adalah nilai maksimum dikurangi nilai minimum, semakin besar

range maka semakin bervariasi data tersebut.

- Untuk Ukuran Rumah sebesar 3, Umur Rumah sebesar 32 dan untuk

Harga Rumah sebesar 35.

2. Minimum adalah nilai terkecil dari suatu data.

- Untuk Ukuran Rumah dan Umur Rumah nilai minimumnya 1 dan

untuk Harga Rumah 17.

3. Maksimum adalah nilai terbesar dari suatu data.

- Untuk Ukuran Rumah nilai maks. nya 4, Umur Rumah sebesar 33 dan

untuk Harga Rumah 52.

4. Rata-rata Ukuran Rumah adalah 2, Umur Rumah adalah 21,5 dan rata-rata

Harga Rumah adalah 34,5.

5. Standar deviasi yang semakin besar menunjukan data semakin bervariasi.

Untuk Ukuran Rumah sebesar 0,845, Umur Rumah sebesar 9,583 dan

untuk Harga Rumah sebesar 11,176.

6. Rasio Skewness = Skewness/standar error skewness. Ukuran skewness

untuk Ukuran Rumah sebesar 0,410. Oleh karena -2<0,800<2, maka bisa

dikatakan distribusi sampel Ukuran Rumah adalah normal. Ukuran

skewness untuk Ukuran Rumah sebesar -0,880. Oleh karena -2<-1,718<2,

maka bisa dikatakan distribusi sampel Ukuran Rumah adalah normal.

Ukuran skewness untuk Harga Rumah sebesar 0,087. Oleh karena -

2<0,169<2, maka bisa dikatakan distribusi sampel Harga Rumah adalah

normal.

7. Ukuran kurtosis sebesar –0,748 untuk Ukuran Rumah dan -0,102 untuk

Umur Rumah. Rasio kurtosis untuk Ukuran Rumah yaitu -2<-0,754<2 dan

rasio kurtosis untuk Umur Rumah yaitu -2<-0,103<2 maka bisa dikatakan

baik variabel Ukuran Rumah ataupun variabel Umur Rumah bisa

dikatakan berdistribusi normal. Ukuran kurtosis sebesar –1,298 untuk

Harga Rumah dan rasio kurtosis untuk Harga Rumah yaitu -2<-1,308<2

maka bisa dikatakan berdistribusi normal.

3.2 Uji Linearitas

12

13

Gambar 3.2 Output Simple Scatterplot variabel X1 dan variabel Y

Gambar 3.2 Merupakan output dari simple scatterplot yang digunakan untuk menguji apakah kedua variabel X1 dan Y mempunyai hubungan linear secara signifikan. Uji ini merupakan prasyarat dalam analisis regresi linear. Linearitas yang dimaksud adalah sifat hubungan yang linear antara variabel, artinya setiap perubahan yang terjadi pada satu variabel akan diikuti perubahan dengan besaran yang sejajar pada variabel lainnya.

Kriteria sebuah data linear atau tidak dapat dilakukan dengan

melihat sebaran titik-titik yang ada pada gambar. Dilihat pada Gambar 3.2

sebaran titik-titik tersebut mendekati atau rapat pada garis lurus (diagonal) maka

dapat dikatakan hubungannya linear. Artinya setiap perubahan yang terjadi pada

X1 (Ukuran Rumah) maka akan diikuti dengan perubahan Y (Harga Rumah).

Maka jika nilai X1 (Ukuran Rumah) semakin bear maka Y (Harga Rumah ) juga

semakin naik harganya.

Uji linearitas juga dapat dilakukan dengan menggunakan fungsi Compare

Means yaitu pilih menu Analyze > Compare Means... Berikut output yang didapat

:

Gambar 3.3 Uji Linearitas Dengan fungsi Compare Means

Lihat kolom Sig. pada baris Linearity di Table Anova, jika nilainya < 0,05

maka bersifat linear, maka berdasarkan Gambar 3.3 nilai sig-nya adalah 0,001

dimana nilainya < 0,05 sehingga dapat disimpulkan memenuhi syarat linearitas

artinya hubungan variabel Ukuran Rumah dengan variabel Harga Rumah linear.

14

Gambar 3.4 Output Simple Scatterplot variabel X2 dan variabel Y

Gambar 3.4 Merupakan output dari simple scatterplot yang digunakan untuk menguji apakah kedua variabel X2 dan Y mempunyai hubungan linear secara signifikan. Dilihat pada Gambar

3.4 sebaran titik-titik tersebut tidak mendekati atau tidak rapat pada garis lurus

(diagonal) maka dapat dikatakan hubungannya tidak linear. Artinya setiap

perubahan yang terjadi pada X2 (Umur Rumah) maka tidak diikuti dengan

perubahan Y (Harga Rumah).

Apabila diuji dengan fungsi Compare Means, didapatkan output Gambar

3.5 berikut :

Gambar 3.5 Uji Linearitas Dengan fungsi Compare Means

Berdasarkan Gambar 3.5 nilai sig-nya adalah 0,561 dimana nilainya >

0,05 sehingga dapat disimpulkan tidak memenuhi syarat linearitas artinya

hubungan variabel Umur Rumah dengan variabel Harga Rumah tidak linear.

3.3 Analisis Regresi

Gambar 3.6 Output Variables Entered/Removed

15

Gambar 3.6 diatas merupakan Output dari Variable Entered/ Removed.

Tabel diatas menjelaskan mengenai variabel yang dimasukkan atau dibuang dan

menginformasikan mengenai metode yang dipakai. Dalam kasus ini variabel yang

dimasukkan adalah variabel Ukuran Rumah dan Umur Rumah sebagai predictor

dan metode yang digunakan adalah entered.

3.3.1 Uji Overall

Uji keterandalan model atau uji kelayakan model atau yang lebih

populer disebut sebagai uji F (ada juga yang menyebutnya sebagai uji

simultan model) merupakan tahapan awal mengidentifikasi model regresi

yang diestimasi layak atau tidak. Layak (andal) disini maksudnya adalah

model yang diestimasi layak digunakan untuk menjelaskan pengaruh

variabel-variabel bebas terhadap variabel terikat. Nama uji ini disebut

sebagai uji F, karena mengikuti distribusi F yang kriteria pengujiannya

seperti One Way Anova.

Gambar 3.7 Output Tabel Anova

Gambar 3.7 diatas merupakan Output dari tabel ANOVA untuk

kasus yang ada. Tabel ANOVA menjelaskan apakah ada pengaruh yang

nyata (signifikan) antara variabel X1, X2 terhadap variabel Y. Dari tabel

diatas terlihat hasil F hitung sebesar 172,272. Uji F (Uji Overall)

digunakan untuk menguji kelayakan model dan menguji parameter regresi

secara keseluruhan.

Pengujian Hipotesis :

Hipotesis :

Ho : βi = 0 (i=0,1,2) (model regresi tidak layak digunakan)

H1 : βi ≠ 0 (i=0,1,2) (model regresi layak digunakan)

Tingkat Signifikan si = α=0,05 (5% )

16

Statistik Uji :

Fhitung = Cantumkan Rumus

Dari Gambar 3.7 di atas didapat nilai Fhitung sebesar 172,272

danFtabel dengan v1=2, v2=17 maka Ftabelnya sebesar 3,59.

Daerah Kritis :

Dalam kasus ini Fhitung tersebut dibandingkan dengan Ftabel.

H0 ditolak jika P-value (Sig.2tailed) ≤ α

Atau H0 ditolak jika nilai F-hitung ≥ F-tabel

Keputusan :

Berdasarkan Gambar 3.7 diatas, Fhitung ≥ Ftabel atau 172,272 ≥

3,59 maka tolak Ho.

Kesimpulan :

Terima H1 yaitu model regresi layak digunakan. Artinya model

regresi linear yang diestimasi dapat atau layak digunakan untuk

menjelaskan pengaruh Ukuran Rumah dan Umur Bangunan Rumah

terhadap Harga Jual Rumah.

3.3.2 Uji Parsial

Uji t dalam regresi linier berganda dimaksudkan untuk menguji

apakah parameter (koefisien regresi dan konstanta) yang diduga untuk

mengestimasi persamaan/model regresi linier berganda sudah merupakan

parameter yang tepat atau belum. Maksud tepat disini adalah parameter

tersebut mampu menjelaskan perilaku variabel bebas dalam mempengaruhi

variabel terikatnya. Parameter yang diestimasi dalam regresi linier meliputi

intersep (konstanta) dan slope (koefisien dalam persamaan linier). Pada

bagian ini, uji t difokuskan pada parameter slope (koefisien regresi) saja.

Jadi uji t yang dimaksud adalah uji koefisien regresi.

17

Gambar 3.8 Output Tabel Coefficients

Uji t (Uji Parsial) digunakan untuk menguji parameter secara

parsial, dengan kata lain untuk mengetahui apakah variabel Banyaknya

Polisi (X) berpengaruh secara signifikan (nyata) terhadap variabel

Banyaknya Perampokan (Y).

Pengujian Hipotesis :

Hipotesis :

Ho : βi = 0 (i=0,1) (Koefisien regresi tidak signifikan dalam model)

H1 : βi ≠ 0 (i=0,1) (Koefisien regresi signifikan dalam model)

Tingkat Signifikansi = α=0,05 (5 % )

Statistik Uji :

Dari Gambar 3.8 di atas didapat nilai T-hitung Ukuran Rumah

(X1) sebesar 18,356 > T-tabel (df=9, T0,025) sebesar 2,262 dan nilai

signifikansi (Sig.) 0,000<0,05. T-hitung Umur Rumah (X2) sebesar -

0,917 < T-tabel (df=9, T0,025) sebesar 2,262 dan nilai signifikansinya

(Sig.) 0,372>0,05.

Daerah Kritis :

Dalam kasus ini Thitung tersebut dibandingkan dengan Ttabel

yang diperoleh. H0 ditolak jika P-value (Sig.2tailed) ≤ α atau H0

ditolak jika nilai T-hitung ≥ T-tabel

Keputusan :

Berdasarkan Gambar 3.8 diatas, untuk Ukuran Rumah (X1) T-

hitung ≥ T-tabel (18,356 > 2,262) maka tolak Ho. Sedangkan untuk

Umur Rumah (X2) T-hitung < T-tabel (-0,917 > 2,262) maka terima

Ho.

Buat Tabel Keputusan :

p-value keputusan

bo

18

b1

b3

Kesimpulan :

Terima H1 untuk variabel X1 yaitu koefisien regresi signifikan

dalam model. Artinya variabel X1 (Ukuran Rumah) berpengaruh secara

signifikan (nyata) terhadap Y (Harga Jual Rumah).

Sedangkan terima H0 untuk variabel X2 yaitu koefisien regresi

tidak signifikan dalam model. Artinya variabel X2 (Umur Rumah) tidak

berpengaruh secara nyata terhadap Harga Jual Rumah (Y).

3.3.3 Korelasi (R) dan Koefisien Determinasi (R2)

Gambar 3.9 Output Model Summary

Gambar 3.9 diatas merupakan output untuk melihat R dan R-

square. Tabel diatas menjelaskan besarnya nilai korelasi/hubungan R yaitu

sebesar 0,976 dan dijelaskan besarnya prosentase pengaruh variabel bebas

(Independent Variable) terhadap variabel terikat (Dependent Variable)

yang disebut koefisien determinasi yang merupakan hasil dari

penguadratan R.

Koefisien determinasi (R square) mengukur keragaman Y (dalam

hal ini Harga Jual Rumah) yang mampu dijelaskan oleh X (Ukuran Rumah

dan Umur Rumah) dalam model. R square menunjukan kebaikan model,

semakin besar R square semakin baik modelnya. Nilai R square berada

antara 0% sampai 100%.

Berdasarkan Gambar 3.9 diatas diperoleh koefisien determinasi (R

square) sebesar 0,976. Artinya kemampuan model dalam menjelaskan

variabel Y oleh variabel X adalah sebesar 97,6% sedangkan sisanya 2,4%

19

dijelaskan atau dipengaruhi oleh faktor lain yang tidak termasuk di dalam

model.

3.3.4 Interpretasi Model

Gambar 3.10 Output Tabel Coefficients

Persamaan regresi linear adalah y= b 0 + b1X1+b 2 X 2. Pada

Gambar 3.10 tabel coefficients pada kolom B, constant (b0) diperoleh

nilai 10,046 sedang nilai Ukuran Rumah (b1) diperoleh nilai 12,834 dan

nilai Umur Rumah (b2) diperoleh nilai -0,057, sehingga persamaan regresi

linearnya adalah :

Koefisien b adalah koefisien arah regresi dan menyatakan

perubahan rata-rata variabel Y (Harga Jual Rumah) untuk setiap perubahan

variabel X1 (Ukuran Rumah) dan X2 (Umur Rumah) sebesar satu satuan.

Sehingga dari persamaan tersebut dapat diterjemahkan :

Koefisien regresi Ukuran Rumah bernilai positif artinya jika

Ukuran Rumah semakin besar maka nilai Harga Jual Rumah akan semakin

tinggi. Begitu pula pada saat Ukuran Rumah kecil maka Harga Jual

Rumah semakin rendah. Setiap bertambah Ukuran Rumah sebanyak

1( ribuan kaki persegi) akan menambahkan nilai Harga Jual Rumah

sebesar 12,834 (ribuan dolar).

Koefisien regresi Umur Rumah bernilai negatif artinya pada saat

Umur Rumah bertambah tua maka nilai Harga Jual Rumah akan

mengalami penurunan. Begitu pula semakin sedikit Umur Rumah maka

nilai Harga Jual Rumah bertambah. Setiap bertambah Umur Rumah

y= 10,046 + 12,834X1-0,057X2

20

sebanyak 1 tahun akan mengurangi nilai Harga Jual Rumah sebesar 0,057

(ribuan dolar) dan sebaliknya, setiap berkurangnya 1 Umur Rumah maka

akan menambah nilai Harga Jual Rumah sebesar 0,057 (ribuan dolar).

3.4 Uji Asumsi

3.4.1 Uji Normalitas

Hasil uji normalitas dapat dilihat dari gambar histogram sisaan dan

Normal P-P Plot di bawah ini. Perlu diingatkan bahwa asumsi normalitas

yang dimaksud dalam asumsi klasik pendekatan OLS adalah (data) residual

yang dibentuk model regresi linier terdistribusi normal, bukan variabel

bebas ataupun variabel terikatnya.

Kriteria sebuah (data) residual terdistribusi normal atau tidak

dengan pendekatan Normal P-P Plot dapat dilakukan dengan melihat

sebaran titik-titik yang ada pada gambar. Apabila sebaran titik-titik tersebut

mendekati atau rapat pada garis lurus (diagonal) maka dikatakan bahwa

(data) residual terdistribusi normal, namun apabila sebaran titik-titik

tersebut menjauhi garis maka tidak terdistribusi normal.

Gambar 3.11 Normal P-P Plot

Berdasarkan Gambar 3.11 diatas sebaran titik-titik dari gambar

Normal P-P Plot di atas relatif mendekati garis lurus, sehingga dapat

disimpulkan bahwa (data) residual terdistribusi normal.

Kemudian kriteria sebuah (data) residual terdistribusi normal atau

tidak dengan pendekatan histogram sisaan dapat dilakukan dengan melihat

21

bentuk plot plot yang ada pada gambar. Apabila plotnya berbentuk

lonceng maka ada dugaan datanya terdistribusi normal.

Gambar 3.12 Histogram Sisaan

Berdasarkan Gambar 3.12 diatas plotnya berbentuk atau

menyerupai lonceng sehingga dapat disimpulkan bahwa (data) residual

terdistribusi normal.

3.4.2 Uji Autokorelasi

Data yang digunakan untuk mengestimasi model regresi linier merupakan data time series maka diperlukan adanya uji asumsi terbebas dari autokorelasi. Hasil uji autokorelasi, dapat dilihat pada tabel Model

Summaryb kolom terakhir.

Gambar 3.13 Tabel Model Summaryb

Nilai Durbin-Watson yang tertera pada output SPSS disebut dengan DW hitung. Angka ini akan dibandingkan dengan kriteria

penerimaan atau penolakan yang akan dibuat dengan nilai dL dan dU

ditentukan berdasarkan jumlah variabel bebas dalam model regresi (k) dan

jumlah sampelnya (n). Nilai dL dan dU dapat dilihat pada Tabel DW dengan tingkat signifikansi (error) 5% (α = 0,05).

Jumlah variabel bebas (k) = 3

22

Jumlah sampel : n = 20

Gambar 3.14 Tabel Durbin Watson alpha 5%

Tabel Durbin-Watson menunjukkan bahwa nilai dL = 0,9976 dan

nilai dU = 1,6763 . Nilai Dw tersebut berkisar antara 0 sampai 4 dengan

nilai kurang dari 2 merupakan indikasi adanya autokorelasi positif sedangkan nilai lebih dari 2 sebagai indikasi autokorelasi negatif.

Pengujian Hipotesis :1. Hipotesis :

H0 : Tidak terdapat autokorelasi dalam modelH1 : Terdapat autokorelasi dalam model

2. Alpha = 5%3. Statistik Uji :

Dari Gambar 3.13 di atas didapat nilai DW hitung sebesar 2,052. 4. Daerah Kritis :

Tolak H0 jika 0<DW<dUTerima H0 jika dU <DW<4-dU

5. Keputusan : Dapat ditentukan kriteria terjadi atau tidaknya autokorelasi seperti

terlihat pada gambar di bawah ini :

Gambar 3.15 Kriteria Terjadinya Autokorelasi

Nilai dU 1,6763 < DW 2,052 < 2,3237 (4-dU) yaitu terima H0

23

artinya berada pada daerah tidak ada autokorelasi.

6. Kesimpulan :

Sehingga dapat disimpulkan bahwa dalam model regresi linier

tidak terjadi autokorelasi.

3.4.3 Uji Homoskedastisitas

Pengujian homoskedastisitas dilakukan dengan membuat

Scatterplot (alur sebaran) antara residual dan nilai prediksi dari variabel

terikat yang telah distandarisasi. Hasil uji homoskedastisitas dapat dilihat

pada gambar Scatterplot, seperti pada Gambar 3.16 di bawah ini:

Gambar 3.16 Scatterplot Regression Standardized Residual dan Predicted

Dari Gambar 3.16 di atas terlihat bahwa sebaran titik tidak

membentuk suatu pola/alur tertentu, sehingga dapat disimpulkan tidak

terjadi heteroskedastisitas atau dengan kata lain terjadi homoskedastisitas.

Asumsi klasik tentang heteroskedastisitas dalam model ini terpenuhi, yaitu

terbebas dari heteroskedastisitas. Apabila ingin menguji dengan hipotesis

maka lihat pada tabel seperti Gambar 3.17 dibawah ini :

24

Gambar 3.17 Tabel One sample Kolmogorov-Smirnov Test

Pengujian Hipotesis :1. Hipotesis :

H0 : Tidak terdapat heteroskedastisitas.H1 : Terdapat heteroskedastisitas.

2. Alpha = 5%3. Statistik Uji :

Dari Gambar 3.17 di atas didapat nilai Asymp.sig sebesar 0,200 ≥ α 0,05.

4. Daerah Kritis :Dalam kasus ini Asymp.sig model tersebut dibandingkan dengan

taraf nyata. H0 ditolak jika Asymp.sig (Sig.2tailed) ≤ α 5. Keputusan :

Gagal Tolak H0 karena Asymp.sig (Sig.2tailed) ≥α6. Kesimpulan :

Sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas

atau dengan kata lain terjadi homoskedostisitas.

3.4.4 Uji Multikolinearitas

Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficientsa dua kolom terakhir.

Gambar 3.18 Output Tabel Coefficients

Nilai VIF (variance inflation factor) untuk variabel Ukuran dan

Umur sama-sama 1,010, sedangkan Tolerance-nya 0,990. Nilai VIF ini

menggambarkan kenaikan varians dari dugaan parameter antar peubah

penjelas. Apabila nilai VIF lebih dari 5 atau 10, maka taksiran parameter

kurang baik terjadi multikolinearitas.

25

Karena nilai VIF dari kedua variabel tidak ada yang lebih besar

dari 10 atau 5 (banyak buku yang menyaratkan tidak lebih dari 10, tapi ada

juga yang menyaratkan tidak lebih dari 5) maka dapat dikatakan tidak

terjadi multikolinieritas pada kedua variabel bebas tersebut.

Berdasarkan syarat asumsi klasik regresi linier dengan OLS, maka

model regresi linier yang baik adalah yang terbebas dari adanya

multikolinieritas. Dengan demikian, model di atas telah terbebas dari

adanya multikolinieritas.

3.5 Peramalan

Dari persamaan regresi yang didapat, praktikkan diminta untuk

membuat suatu peralaman untuk Y (Harga Jual Rumah) dengan memasukkan

suatu nilai X1 untuk Ukuran Rumah dan X2 untuk Umur Rumah ke dalam

persamaan tersebut. Misalkan X1= 15 dan X2=20 maka,

Dari persamaan diatas dapat diperkirakan apabila ukuran rumahnya 15

ribu kaki persegi dengan umur bangunan rumah 20 tahun maka dapat

diperkirakan nilai harga jual rumahnya sebesar 201,416 ribu dollar. Artinya

semakin besar ukuran rumah dan semakin jumlah polisi semakin banyak

jumlah kasus perampokan.

y= 10,046 + 12,834X1-0,057X2

Harga Rumah = 10,046+12,834(15)-0,057(20)

Harga Rumah = 10,046+192,51 -1,14

Harga Rumah = 201,416

26

BAB IV

PENUTUP

Berdasarkan praktikum yang telah dilakukan, praktikan dapat menarik kesimpulan bahwa :

1. Setiap perubahan yang terjadi pada X1 (Ukuran Rumah) maka akandiikuti

dengan perubahan Y (Harga Rumah) karena hubungannya linear.

2. Semakin besar ukuran suatu rumah harga jual rumahnya juga semakin

mahal harganya. Setiap penambahan 1 ribu kaki persegi akan menambah

harga jual rumah sebesar 12,834 ribu dollar.

3. Umur Rumah bertambah tua maka nilai Harga Jual Rumah akan

mengalami penurunan sebesar 0,057 ribu dollar. Begitu pula semakin

sedikit Umur Rumah maka nilai Harga Jual Rumah bertambah 0,057 ribu

dollar.

4. Berdasarkan uji overall model regresi linear yang diestimasi dapat atau

layak digunakan untuk menjelaskan pengaruh Ukuran Rumah dan Umur

Bangunan Rumah terhadap Harga Jual Rumah.

5. Berdasarkan uji parsial besarnya ukuran suatu rumah berpengaruh secara

signifikan (nyata) terhadap harga jual rumah, sedangkan besarnya umur

bangunan rumah tidak berpengaruh secara nyata terhadap harga jual

rumah.

6. Kemampuan model dalam menjelaskan variabel Y (Harga Rumah) oleh

variabel X (Ukuran Rumah, Umur Rumah) adalah sebesar 97,6%

sedangkan sisanya 2,4% dijelaskan atau dipengaruhi oleh faktor lain.

7. Persamaan regresi yang didapat yaitu y= 10,046 + 12,834X1-0,057X2.

8. Apabila ukuran rumah sebesar 15 ribu kaki persegi dengan umur rumah 20

tahun maka dapat diperkirakan nilai harga jual rumahnya 201,416 ribu

dollar.

27