Coefficients
a
.904 .061
14.700 .000
.028 .015
.382 1.845
.077 .833
1.201 -1E-009
.000 -.012
-.060 .953
.833 1.201
Constant PUAS
SWBI Model
1 B
Std. Error
Unstandardized Coefficients
Beta Standardized
Coefficients t
Sig. Tolerance
VIF Collinearity
Statistics
Dependent Variable: FDR a.
menggunakan OLS metode kuadrat terkecil. Dapat dikatakan bahwa setiap penelitian tidak akan dapat menghindari pengimpangan dari asumsi kenormalan
klasik. Untuk dapat memenuhi syarat BLUE Best Linier Unbias Estimate, maka dapat diperlukan beberapa asumsi klasik sebagai berikut:
1. Pengujian Multikolonieritas
Multikolonieritas adalah ketentuan dimana terdapat hubungan linier diantara regresor. Untuk mendeteksi adanya multikolonieritas adalah dengan
melihat nilai Variance Inflation Factor VIF. Konsekuensi jika terdapat masalah multikolonieritas ini adalah penaksir kuadrat terkecil ordinary last
square tidak dapat dilakukan, dan pengaruh terpisah dari variabel bebas tidak dapat diduga secara persis. Jika nilai VIF kurang dari 5, maka model tersebut
bebas dari masalah multikolonieritas. Semakin besar nilai VIF maka semakin besar pula varian koefisien regresi. Hal ini akan menyebabkan model menjadi
tidak stabil. Dengan demikian, semakin besar nilai VIF mengindikasikan besarnya potensi adanya multikolonieritas, dapat dilihat pada tabel 4.4
dibawah ini: Tabel 4.4
Hasil Uji Multikolonieritas
Regression Standardized Predicted Value
2 1
-1 -2
-3
R e
g re
s s
io n
S tu
d e
n ti
z e
d R
e s
id u
a l
2 1
-1 -2
-3
Scatterplot Dependent Variable: FDR
penjelasannya dari tabel diatas dapat kita lihat bahwa nilai VIF dari kedua variabel bebas; PUAS dan SBIS, sama bernilai 5, berarti Ho, dan
sehingga dapat disimpulkan bahwa model tersebut tidak terdapat
multikolonieritas.
2. Pengujian Heteroskedastisitas
Heteroskedastisitas terjadi apabila suatu model memilki variansi yang tidak konstan, sehingga akan ada beberapa kelompok data yang memiliki error
yang berbeda-beda. Apabila diplotkan akan membentuk suatu pola. Heteroskedastisitas akan terdeteksi bila plot menunjukan pola yang sistematis.
Hasil uji heteroskedastisitas dapat dilihat pada gambar 4.2 dibawah ini
Gambar 4.2 Hasil Uji Heteroskedastisitas
Model Summary
b
.377
a
.14 .071
.06571265 .142
1.992 2
24 .158
.505 Model
1 R
R Square
Adjusted R Square
Std. Error of the Estimate
R Square Change
F Change
df1 df2
Sig. F Change
Change Statistics Durbin-
W atson Predictors: Constant, SW BI, PUAS
a. Dependent Variable: FDR
b.
Dari gambar diatas dapat dilihat dengan jelas bahwa plot dari model tersebut tidak menunjukan pola yang sistematis, sehingga dapat disimpulkan
model tersebut terbebas dari masalah heteroskedastisitas.
3. Pengujian Autokorelasi
