persen atau tingkat kepercayaan sebesar 99 persen. Nilai koefesien determinasi R-square sebesar 0,227, memberi arti bahwa secara keseluruhan, variabel-
variabel tingkat pendidikan, pegawai negeri sipil, migrasi, dan jumlah keluarga mampu menjelaskan variasi pendapatan sebesar 22,70 persen. Sisanya sebesar
77,30 persen dijelaskan oleh variabel lain yang tidak dimasukkan dalam model estimasi. R-square relatif rendah karena variabel yang dimasukkan hanya variabel
yang berkaitan dengan sumber daya manusia, sementara faktor modal tidak
dimasukkan, seperti modal usaha misalnya.
5.9.5. Uji Asumsi Klasik
Ada beberapa uji asumsi klasik antara lain adalah, adalah uji autokorelasi, uji normalitas, uji linieritas, uji heteroskedastisitas, dan uji multikolinearitas
seperti berikut ini,
1 Uji Autokorelasi
Menguji autokorelasi dalam suatu model bertujuan untuk mengetahui ada atau tidaknya korelasi antara variabel pengganggu e
i
pada periode tertentu dengan variabel penganggu periode sebelumnya ei
t-1
. Cara menguji autokorelasi adalah dengan nilai Durbin-Watson. Model regresi linier
berganda terbebas dari autokorelasi apabila nilai Durbin-Watson berada
dibawah angka 2. Dari output SPSS diperoleh nilai Durbin Watson sebesar
1,519 dengan kata lain nilai DW berada dibawah angka 2, maka pada data tersebut tidak terjadi autokorelasi tabel 5.37.
Universitas Sumatera Utara
Tabel 5. 35. Uji Autokorelasi Durbin-Watson
Mo del
R R
Square Adjusted
R Square Std.
Error of the
Estimate Change Statistics
Durbin- Watson
R Square
Change F
Chang e
df1 df2
Sig. F Change
1 .476a .227
.209 2951665
.18021 .227
12.832 4 175
.000 1.519
a Predictors: Constant, JK, DM, EDUC, DP b Dependent Variable: Y
Sumber: Lampiran 7
2 Uji Normalitas
Uji normalitas bertujuan untuk mengetahui distribusi data dalam variabel yang akan digunakan dalam penelitian dan data yang digunakan dalam
penelitian adalah data yang berdistribusi normal. Salah cara yang digunakan untuk melihat normalitas data adalah dengan menggunakan kurva normal P-
Plot. Data dalam keadaan normal apabila distribusi data menyebar di sekitar garis diagonal. Hasil outputnya adalah seperti terlihat pada gambar 5.5. Pada
gambar tersebut terlihat bahwa distribusi data menyebar disekitar garis diagonal. Hasil output menunjukkan data masing-masing variabel memiliki
kecenderungan terdistribusi secara normal.
Universitas Sumatera Utara
Normal P-P Plot of Regression Stand Dependent Variable: Y
Observed Cum Prob
1.00 .75
.50 .25
0.00
E xp
ect ed C
um P
rob
1.00 .75
.50 .25
0.00
Gambar 5. 5. Uji Normalitas Sumber: Lampiran 8
3 Uji Linearitas
Linearitas adalah bentuk hubungan antara variabel bebas X dan variabel terikat Y adalah liniar. Pengujian linearitas menggunakan dilakukan dengan
membandingkan nilai output uji F pada SPSS. Apabila nilai F pada Anova lebih besar dari 0,05 maka hipotesis tentang adanya hubungan linear dapat
diterima. Nilai F pada Anova sebesar 6,297 0,05. Dapat disimpulkan bahwa hubungan variabel bebas X dan terikat Y merupakan hubungan liniear dapat
diterima tabel 5.38.
Universitas Sumatera Utara
Tabel 5. 36. Tabel Uji Linearitas Sum of
Squares df
Mean Square
F Sig.
Y X
Between Groups
Combined 2.481E14
4 6.203E13 6.297
.000 Linearity
2.387E14 1
2.387E14 24.232 .000 Deviation from
Linearity 9.417E12
3 3.139E12
.319 .812
Within Groups 1.724E15
175 9.850E12
Total 1.972E15
179 Sumber: Lampiran 5
4 Uji Heteroskedastisitas
Uji Heteroskedastisitas adalah untuk menguji terjadinya perbedaan variance residual
suatu periode pengamatan ke periode pengamatan yang lain atau gambaran hubungan antara nilai yang diprediksi dengan studentized
delete residual nilai tersebut. Model regresi yang baik adalah model regresi
yang memiliki persamaan variance residual suatu periode pengamatan dengan periode pengamatan yang lain, atau adanya hubungan antara nilai yang
diprediksi dengan studentized delete residual nilai tersebut, sehingga dapat dikatakan model tersebut homoskedastisitas.
Cara memprediksinya adalah jika pada gambar scatterplot model tersebut adalah :
a. Ttitik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. b. Titit-titik data tidak mengumpul hanya di atas atau di bawah saja.
c. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
d. Penyebaran titik-titik data sebaiknya tidak berpola.
Universitas Sumatera Utara
Dengan menggunakan data di atas, maka diperoleh hasil scatter plot nya seperti gambar 5.6.
Scatterplot Dependent Variable: Y
Regression Standardized Predicted Value
3 2
1 -1
-2 -3
Y
30000000
20000000
10000000
Gambar 5. 6. Uji Heteroskedastisitas Sumber: Lampiran 9
Output SPSS pada gambar scatterplot menunjukkan penyebaran titik-
titik data sebagai berikut :
a. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. b. Titit-titik data tidak mengumpul hanya di atas atau di bawah saja.
Penyebaran titik-titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
d. Penyebaran titik-titik data tidak berpola. Maka dapat disimpulkan bahwa model regresi linier berganda
terbebas dari heteroskedastisitas dan layak digunakan dalam penelitian.
Universitas Sumatera Utara
5 Uji Multikolinearitas
Uji Multikolinearitas diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki hubungan dengan variabel independen
lain dalam suatu model. Ketentuan untuk mendeteksi ada tidaknya multikolinearitas yaitu : Jika nilai variance inflation factor VIF tidak lebih
dari 10 dan nilai tolerance tidak kurang dari 0,1 maka model dapat dikatakan terbebas dari multikolinearitas. VIF = 1Tolerance, jika VIF = 0 maka
tolerance = 110 = 0,1. Semakin tinggi nilai VIF maka semakin rendah tolerance.
Berdasarkan ketentuan tersebut di atas, dengan melihat data hasil output SPSS seperti tergambar pada tabel dibawah ini, kita akan mengetahui apakah
terjadi multikolinearitas atau tidak tabel 5.39. Hasil uji melalui variance inflation factor VIF pada hasil output SPSS
tabel coefficients masing-masing variabel independen memiliki nilai VIF tidak lebih dari 10 dan nilai tolerance tidak kurang dari 0,1 maka dapat
dinyatakan model regresi linier berganda bebas dari multikolinieritas. Tabel 5. 37. Uji Multikolinearitas
Model Collinearity Statistics
Tolerance VIF
Constant EDUC
.778 1.285
DP .770
1.298 DM
.977 1.023
JK .918
1.089 a Dependent Variable: Y
Sumber: Lampiran 10
Universitas Sumatera Utara
Hasil uji asumsi klasik, yang terdiri dari uji autokorelasi, uji normalitas, uji heteroskedastisitas, dan uji multikolinearitas yang telah dilakukan, diperoleh
hasil bahwa model regresi yang digunakan dalam penelitian ini telah memenuhi model estimasi the Best, Linier, Unbiased, Estimator BLUE.
5.10. Pengaruh Tingkat Pendidikan, Pegawai Negeri Sipil, Interaksi Sosial, Umur Kawin Pertama, Migrasi, Keluarga Berencana, dan Pendapatan
Terhadap Fertilitas jumlah anak yang dimiliki oleh seorang ibu
Sebelum menganalisis hasil regresi faktor-faktor yang mempengaruhi fertilitas, terlebih dahulu dilakukan beberapa uji, seperti uji validitas dan uji
reliabilitas seperti berikut ini.
5.10.1 Uji Validitas
