Pengujian Prasyarat Regresi Analisis Data

sig taraf nyata 0,10, maka distribusi data variabel penelitian dinyatakan tidak normal. Dan sebaliknya jika asymp. sig taraf nyara 0,10 maka variabel penelitian dinyatakan normal. Penelitian ini menggunakan Statistical Package for Social Sciences SPSS 16.00 yaitu dengan rumus Kolmogorov- Smirnov Test . Tabel 5.4 Hasil Pengujian Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 21 Normal Parameters a Mean .0000000 Std. Deviation .46281875 Most Extreme Differences Absolute .086 Positive .086 Negative -.073 Kolmogorov-Smirnov Z .395 Asymp. Sig. 2-tailed .998 a. Test distribution is Normal. Sumber : data diolah 2015 Dari output diatas diketahui bahwa nilai signifikansi Asymp. Sig 2-tailed adalah 0,998. Dapat dikatakan bahwa nilai Asymp. Sig lebih besar dari taraf nyata 0,10, maka dapat disimpulkan bahwa residual berdistribusi normal. b Pengujian Linieritas Uji Linieritas bertujuan untuk mengetahui apakah masing-masing variabel bebas mempunyai hubungan yang linier atau tidak dengan variabel terikatnya. Hasil uji linieritas dapat dilihat pada output berikut ini: Tabel 5.5 Uji Linieritas ANOVA b Model Sum of Squares Df Mean Square F Sig. 1 Regression 7.711 3 2.570 10.199 .000 a Residual 4.284 17 .252 Total 11.995 20 a. Predictors: Constant, KURS, INF, SBK b. Dependent Variable: Y Sumber: data diolah 2015 Berdasarkan output diatas, diperoleh besar F hitung sebesar 10,199 dengan probabilitas sebesar 0,000. Hasil F hitung kemudian dibandingkan dengan F tabel dengan menggunakan taraf signifikansi 0,10, dengan F tabel sebesar 2,62. Jadi F hitung 10,199 F tabel 2,62 maka dapat disimpulkan bahwa variabel Inflasi , Suku Bunga Kredit ,dan Kurs memiliki hubungan yang linier dengan variabel Penanaman Modal Dalam Negeri.

3. Pengujian Asumsi Klasik

a Uji Multikolinearitas Multikolinearitas merupakan suatu perselingkuhan atau hubungan antara variabel bebas yang satu dengan yang lain. Dalam hal ini variabel tersebut disebut variabel yang bersifat tidak orthogonal. Sifat tidak orthogonal merupakan variabel bebas yang korelasinya tidak sama dengan nol. Untuk mendeteksi masalah multikolinearitas dapat menggunakan rumus korelasi sebagai berikut: = N XY – √ - X 2 ] [N - Y 2 ] Selanjutnya dengan program SPSS menggunakan analisa collinerity statistics. Dari hasil analisis Collinerity Statistics akan memperoleh VIF Variance Inflation Factor. Dasar analisis yang digunakan yaitu jika tolerance lebih dari 0,1 dan VIF 5 maka tidak terjadi masalah multikolinearitas. Dari hasil output dapat dilihat sebagai berikut: Tabel 5.6 Hasil Pengujian Multikolinearitas Collinearity Statistics Model Tolerance VIF 1 Constant INF 0.734 1.362 SBK 0.706 1.416 KURS 0.951 1.052 a. Dependent Variable: PMDN Sumber: data diolah 2015 Berdasarkan analisis collinearity statistics untuk variabel Inflasi X 1 di dapat besar tolerance 0,734. Hal ini berarti nilai tolerance lebih besar dari 0,1. Sedangkan VIF atau Variance Inflation Factor untuk variabel Inflasi diperoleh 1,362. Karena VIF untuk variabel Inflasi kurang dari 5, maka dapat disimpulkan bahwa variabel Inflasi tidak mempunyai persoalan dengan variabel bebas lainnya atau dengan kata lain tidak terjadi multikolinearitas. Untuk variabel Suku Bunga Kredit atau SBK X 2 didapat besar tolerance 0,706 yang berarti lebih besar dari 0,1. Sedangkan nilai VIF diperoleh 1,416 yang berarti kurang dari 5, maka dapat dikatakan bahwa variabel SBK tidak mempunyai masalah dengan variabel bebas yang lainnya atau dengan kata lain tidak terjadi multikolinearitas. Selanjutnya besar tolerance untuk variabel Kurs X 3 adalah 0,951 dan hasil tersebut kurang dari 0,1. Sedangkan besar VIF dari variabel Kurs didapat 1,052 yang berarti besar VIF kurang dari 5. Maka dapat dikatakan bahwa