76
Berdasarkan tabel 4.13 di atas menunjukkan bahwa sebagian besar rumah tangga miskin pada tahun 2009 di Kecamatan Suruh Kabupaten Semarang
yaitu 57,58 menyatakan bahwa kempuannya dalam memenuhi kebutuhan termasuk dalam kategori cukup mampu, selebihnya yaitu 33,33 dalam kategori
kurang mampu dan 9,09 dalam kategori mampu.
4.4.2 Analisis Regresi Log Linier Berganda
4.4.2.1 Uji Asumsi Klasik
Sebelum melakukan analisis Regresi Log Linier Berganda maka sebaiknya harus lulus terhadap uji Asumsi Klasik Sebagai Berikut:
4.3.2.1.1 Uji Normalitas
Uji normalitas ini bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal. Uji normalitas data
dilakukan untuk menguji apakah data berdistribusi normal ataukah tidak, jika tidak normal maka analisis untuk statistik parametrik tidak dapat dilakukan.
Untuk mendeteksi apakah residual berdistribusi normal atau tidak dalam penelitian ini digunakan analisis grafik dengan melihat normal probability plot.
Regression Standardized Residual
2.50 2.2
5 2.
00 1.75
1.5 1.
25 1.00
.7 5
.5 .25
0.00 -.2
5 -.5
-.7 5
-1 .00
-1 .25
-1 .50
-1 .75
-2 .00
-2 .25
Histogram Dependent Variable: LN Rumah Tangga Miskin
F re
que nc
y
14 12
10 8
6 4
2 Std. Dev = .98
Mean = 0.00 N = 99.00
Gambar 4.1 Hasil Output SPSS 12.00 Grafik Histogram Uji Normalitas
77
Normal P-P Plot of Regression Standardized Residual Dependent Variable: LN Rumah Tangga Miskin
Observed Cum Prob
1.00 .75
.50 .25
0.00
E x
p ec
te d
Cu m
P ro
b
1.00 .75
.50 .25
0.00
Gambar 4.2 Hasil Output SPSS 12.00Grafik Normal Plot Uji Normalitas
Dari grafik histogram tampak bahwa residual terdistribusi secara normal dan berbentuk simetris tidak menceng ke kanan atau ke kiri. Pada grafik normal
probibility plots titik-titik menyebar berhimpit di sekitar diagonal dan hal ini menunjukkan bahwa residual terdistribusi normal. Di samping uji grafik juga
dilengkapi dengan uji statistik, dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorof-Smirnov K-S dikarenakan menggunakan sampel
kurang dari 100. Hasil Kolmogorof-Smirnov K-S tampak di bawah ini: Tabel 4.14
Hasil Output Spss 12.00 Uji Normalitas menggunakan uji non-parametrik Kolmogorov-Smirnov K-S
One-Sample Kolmogorov-Smirnov Test
99 .0000000
.15760740 .103
.103 -.077
1.021 .248
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences Kolmogorov-Smirnov Z
Asymp. Sig. 2-tailed Unstandardiz
ed Residual
Test distribution is Normal. a.
Calculated from data. b.
78
Nilai Kolmogorof-Smirnov sebesar 1,021 dan tidak signifikan pada 0,05 karena p=1,021 dari 0,05. Jadi kita tidak dapat menolak Ho yang menyatakan
bahwa residual terdistribusi secara normal atau dengan kata lain residual berdistribusi normal. Jadi secara keseluruhan dapat disimpulkan bahwa model
regresi yang memenuhi syarat uji asumsi klasik adalah dalam bentuk logaritma natural.
4.3.2.1.2 Uji Linieritas
Uji ini digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Dengan uji ini akan diperoleh informasi apakah model
empiris sebaiknya linier, kuadrat atau kubik. Ghazali, 2006:115. Dalam penelitian ini digunakan Uji Durbin Watson yang biasanya dilakukan untuk
melihat ada tidaknya autokorelasi dalam suatu model regresi. Hasil uji Linieritas dapat dilihat di bawah ini:
Tabel 4.15 Hasil Output SPSS 12.00 Uji Linearitas
Model Summary
b
.301
a
.090 .062
.16008 1.809
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin-W atson
Predictors: Constant, LN Pendapatan, LN Kepemilikan Aset, LN Pendidikan
a. Dependent Variable: LN Rumah Tangga Miskin
b.
Oleh karena Durbin Watson 1,809 di atas dL = 1,613 dan dU=1,736 dengan n=99 dan k=3, maka dapat disimpulkan tidak terdapat autokorelasi.
79
4.3.2.1.3 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas independen.
Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Uji multikolinieritas mengggunakan nilai tolerance dan
VIF Variance Inflation Faktor.
Tabel 4.16 Hasil Output SPSS 12.00 Uji Multikolinearitas
Coefficients
a
2.382 .263
9.054 .000
.147 .068
.217 2.166
.033 .952
1.051 .121
.065 .190
1.853 .067
.910 1.099
-.073 .074
-.102 -.993
.323 .912
1.097 Constant
LN Kepemilik
an Aset LN
Pendidika n
LN Pendapat
an Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Tolerance VIF
Collinearity Statistics
Dependent Variable: LN Rumah Tangga Miskin a.
Tabel 4.17 Hasil Output SPSS 12.00 korelasi Uji Multikolinearitas
Coefficient Correlationsa
Model LN
Pendapatan LN
Kepemilika n Aset
LN Pendidikan
1 Correlations
LN Pendapatan
1.000 -.132
-.245 LN
Kepemilikan Aset
-.132 1.000
-.138 LN
Pendidikan -.245
-.138 1.000
Covariances LN
Pendapatan .005
-.001 -.001
LN Kepemilikan
Aset -.001
.005 -.001
LN Pendidikan
-.001 -.001
.004 a Dependent Variabel: LN Rumah Tangga Miskin
80
Nilai VIF tidak ada yang melebihi 10 dan nilai Tolerance tidak ada yang kurang dari 0,10. Hal ini juga ditegaskan kembali dari hasil korelasi antar variabel
independen tidak ada korelasi yang cukup serius karena korelasi masih di bawah 95, maka dapat dikatakan tidak terjadi multikolonieritas yang serius. Korelasi
tertinggi sebesar 24,5 antara Ln Pendaptan dan Ln Rumah tangga miskin.
4.3.2.1.4 Uji Heterokedastisitas
Uji Heterokedasitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual pengamatan ke pengamatan yang lain.
Pengujian terhadap heteroskedasitas dapat dilakukan melalui pengamatan terhadap pola scatter plot yang dihasilkan melalui SPSS.
Scatterplot Dependent Variable: LN Rumah Tangga Miskin
Regression Standardized Predicted Value
3 2
1 -1
-2 -3
R egr
es si
on S tude
nt iz
ed R
es idua
l
3 2
1 -1
-2 -3
Gambar 4.3 Hasil Output SPSS 12.00 Grafik Scatterplot Uji Heteroskedastisitas
Dari grafik scatterplots terlihat titik-titik menyebar secara acak random baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan
bahwa tidak terjadi heteroskedastisitas pada model regresi.
81
4.3.2.1.5 Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antar anggota sampel yang diurutkan berdasarkan waktu. Penyimpangan
asumsi ini biasanya muncul pada observasi yang menggunakan data time series. Untuk mendeteksi terjadinya autokorelasi dalam suatu model regresi dilakukan
dengan menggunakan rumus Durbin Watson. Regresi yang baik bila bebas dari autokorelasi. Ghazali, 2006:95-96. Apabila hasil Durbin Watson jatuh pada
daerah meragukan maka mengganti dengan rumus lain. Dalam tabel 4.25 dapat dilihat hasil Durbin Watson 1,809 di atas dL = 1,613 dan dU=1,736 dengan n=99
dan k=3, maka dapat disimpulkan tidak terdapat autokorelasi.
4.4.2.2 Analisis Regresi Log Linear Berganda