Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.463
a
.214 .165
1.333 2.012
a. Predictors: Constant, Kemudahan, Manfaat b. Dependent Variable: Sikap
Dari hasil perhitungan hasil uji autokorelasi substruktur 1 di atas, diperoleh bahwa nilai Durbin-Watson adalah 2,012 sedangkan nilai
batas pada tabel Durbin Watson pada lampiran dengan α = 5 n=35 dan k=3 diperoleh dL= 1,283 dan dU=1,652. Sementara itu, nilai 4-
dU=4-1,652=2,347 dan nilai 4-dL=4-1,2833=2,716. Nilai Durbin Watson lebih besar daripada nilai dL dan lebih kecil daripada nilai 4-
dL atau 1,283 2,012 2,716. Begitu pula pada nilai dU. Durbin Watson lebih besar daripada nilai dU dan lebih kecil daripada 4-dU
atau 1,652 2,012 2,347. Jadi dapat disimpulkan bahwa tidak terdapat autokorelasi dalam regresi ini.
2.2 Substruktur 2
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.401
a
.161 .080
2.046 2.442
a. Predictors: Constant, Sikap, Kemudahan, Manfaat b. Dependent Variable: Prilaku
Dari hasil perhitungan hasil uji autokorelasi substruktur 2 di atas, diperoleh bahwa nilai Durbin-Watson adalah 2,442 sedangkan nilai
batas pada tabel Durbin Watson pada lampiran dengan α = 5 n=35 dan k=3 diperoleh dL=1,283 dan dU=1,652. Sementara itu, nilai 4-
dU=4-1,652=2,347 dan nilai 4-dL=4-1,283=2,716. Nilai Durbin Watson lebih besar daripada nilai dL dan lebih kecil daripada nilai 4-
dL atau 1,283 2,442 2,716. Begitu pula pada nilai dU. Durbin Watson lebih besar daripada nilai dU dan lebih kecil daripada
4-dU atau 1,652 2,442 2,347. Jadi dapat disimpulkan bahwa tidak terdapat autokorelasi dalam regresi ini.
2.3 Substruktur 3
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.682
a
.465 .394
1.231 1.841
a. Predictors: Constant, Prilaku, Manfaat, Sikap, Kemudahan b. Dependent Variable: Penggunaan
Dari hasil perhitungan hasil uji autokorelasi substruktur 2 di atas, diperoleh bahwa nilai Durbin-Watson adalah 1,841 sedangkan nilai
batas pada tabel Durbin Watson pada lampiran dengan α = 5 n=35 dan k=3 diperoleh dL=1,283 dan dU=1,652. Sementara itu, nilai 4-
dU=4-1,652=2,347 dan nilai 4-dL=4-1,283=2,716. Nilai Durbin Watson lebih besar daripada nilai dL dan lebih kecil daripada nilai 4-
dL atau 1,283 1,841 2,716. Begitu pula pada nilai dU.
Durbin Watson lebih besar daripada nilai dU dan lebih kecil daripada 4-dU atau 1,652 1,841 2,347. Jadi dapat disimpulkan bahwa tidak
terdapat autokorelasi dalam regresi ini.
3. Uji Heteroskedasitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan varians dari residual dari pengamatan ke pengamatan lain
yang tetap. Model yang baik adalah tidak terjadi heteroskedastisitas. Indikasi adanya heteroskedastisitas dalam penelitian ini menggunakan grafi
scatterplot untuk melihat pola tertentu pada grafik. Dasar pengambilan keputusannya adalah :
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur bergelombang, maka telah
terjadi heteroskedastisitas. 2. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan
dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berdasarkan grafik scatterplot yang terlampir pada lampiran, dimana sumbu X adalah nilai Y yang telah diprediksi dan sumbu Y adalah nilai residual
atau Y prediksi dikurangi Y sesungguhnya Y’-Y yang telah di standarized terlihat titik-titik yang menyebar secara acak, tidak membentuk suatu pola
yang jelas, dan tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini berarti bahwa tidak terjadi heteroskedastisitas pada model ini
sehingga model ini layak dipakai.