-2 -1
1 2
3
Regression Standardized Residual
2 4
6 8
10
Freq uency
Mean = 8.59E-15 Std. Dev. = 0.973
N = 39
Dependent Variable: Y Histogram
siswa, maka kasus seperti ini menurut Widarjono 2005:134 diduga terjadi masalah multikolinieritas di dalam regresi.
3. Penjelasan Prasyarat Analisis.
Berdasarkan analisis regresi linear di atas dapat dijelaskan prasyarat analisis sebagai berikut.
a. Normalitas
Gambar 4.1. Histogram variabel Y Berdasarkan histogram tersebut di atas diperoleh rerata =
8,5910
-15
yang mendekati ni1ai 0 dan Standar Deviasi = 0,973 yang mendekati ni1ai 1. Dengan demikian variabel dependen Y dapat
dikatakan normal. Melengkapi histogram di atas, berikut ini disajikan Output Normal
P-Plot of Regression Standaridized Residual sebagai berikut :
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Ex pec
ted C
um Pr
ob
Dependent Variable: Y Normal P-P Plot of Regression Standardized Residual
Gambar 4.2. Normal P-P Plot of Regresion Dari Output Normal P-Plot of Regression Standardized Residual
tersebut terlihat bahwa data mendekati garis diagonal. Hal ini menunjukkan bahwa simpangan terhadap distribusi normal sangat kecil.
Dengan kata lain variabel dependen Y merupakan distribusi normal.
b. Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara anggota observasi yang terletak berderetan.
Menurut Sujianto 2007:74 untuk mendeteksi autokorelasi dilakukan dengan melihat nilai Durbin Watson DW, dengan ketentuan sebagai
berikut : i
1,65 DW 2,35 maka gejala autokorelasi tidak terjadi ii
1,21 DW 1,65 atau 2,35 DW 2,79 maka autokorelasi tidak dapat disimpulkan
-3 -2
-1 1
2 3
Regression Standardized Predicted Value
-4 -2
2 4
R egression Standardiz
ed R esidual
Dependent Variable: H_belajar Scatterplot
iii Dw 1,21 atau DW 2,79 maka terjadi autokorelasi
Dari Tabel 4.10 di atas diketahui bahwa nilai DW = 2,274 masih berada
pada 1,65 DW 2,35. Jadi dapat disimpulkan tidak terjadi autokorelasi.
c. Uji Heterokedastisitas
Heterokedastisitas muncul apabila error atau residu dari model yang diamati tidak memiliki varian yang konstan dari satu observasi ke
observasi lainnya. Konsekuensi adanya heterokedastisitas dalam model regresi adalah estimator yang diperoleh tidak efisien. Untuk mendeteksi
ada tidaknya heterokedastisitas, dapat dilihat pada gambar scatterplot sebagai berikut.
Gambar 4.3. Scatterplot Berdasarkan Gambar 4.3 ternyata : 1 Penyebaran titik-titik data
tidak berpola, 2 Titik-titik data menyebar di atas dan di bawah atau di sekitar angka nol, dan 3 Titik-titik data tidak mengumpul hanya di atas
atau di bawah saja. Sehingga dapat disimpulkan tidak terjadi adanya heterokedastisitas.
d. Uji Multikolinearitas