Uji Asumsi Klasik .1 Uji Multikolineritas

45 kesejahteraan Y, karena kondisi kesehatan petani di Kecamatan Babalan Kabupaten Langkat tergolong cukup baik secara merata. Kemudian penyakit yang dialami oleh para petani juga tergolong ringan dan tidak kronis jadi tidak memerlukan perobatan rutin secara terus menerus di rumah sakit. Apabila petani jarang sakit berarti kualitas kondisi kesehatannya dalam keadaan baik. Variabel pendidikan X3 berpengaruh negatif namun tidak signifikan terhadap kesejahteraan, karena tinggi rendahnya tingkat pendidikan seseorang petani, tidak terlalu mempengaruhi tinggi atau rendahnya hasil panen padi bagi seorang petani. Variabel Kepemilikan lahan X4 berpengaruh negatif namun tidak signifikan terhadap kesejahteraan Y. Hal ini di karenakan ukuran lahan yang dimiliki oleh petani secara pribadi masih tergolong sempit, sedangkan bagi mereka yang menggunakan lahan sewa memiliki ukuran yang lumayan luas. Jadi jika dilihat dari hasil pendapatan masih belum terdapat perbedaan yang cukup signifikan.. 4.4.2 Uji Asumsi Klasik 4.4.2.1 Uji Multikolineritas Multikolineritas ialah keadaan dimana variabel independen dalam persamaan regresi punya korelasi hubungan yang erat satu sama lain. Multikolineritas dapat dilihat dari nilai variabel VIF variabel inflation factor dan nilai tolerance 10. Dasar pengambilan keputusan dalam uji multikolineritas : 1. Jika nilai VIF10 atau nilai tolerance0,1 maka terjadi multikolineritas. 2. Jika nilai VIF10 atau nilai tolerance 0,1maka tidak terjadi multikolineritas. Tabel 4.10 Uji Multikolineritas 46 Model Collinearity Statistics Tolerance VIF 1 Constant X1 .956 1.046 X2 .928 1.077 X3 .960 1.042 X4 .922 1.085 Berdasarkan hasil estimasi di atas dapat disimpulkan sebagai berikut : variabel pendapatan X1 memiliki nilai VIF sebesar 1,04610 dan nilai tolerance sebesar 0,9560,1 dinyatakan tidak terjadi multikolineritas, variabel kesehatan X2 memiliki nilai VIF sebesar 1,07710 dan nilai tolerance sebesr 0,9280,1 dinyatakan tidak terjadi multikolineritas. Variabel pendidikan X3 memiliki nilai VIF sebesar 1,04210 dan nilai tolerance sebesar 0,9600,1 maka dinyatakan tidak terjadi multikolinertias. Variabel kepemilikan lahan X4 memiliki nilai VIF sebesar 1,08510 dan nilai tolerance 0,9220,1 maka dinyatakan tidak terjadi multikolineritas.

4.4.2.2 Uji Heteroskedastisitas Pengujian ini digunakan untuk menguji apakahdalam model regresi

terdapat ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Uji heteroskedastisitas yang dilakukan adalah uji Glejser dengan meregres nilai absolute residual terhadap variabel independen. Tabel 4.11 Uji Heteroskedastisitas 47 Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 77.934 37.118 2.100 .038 X1 1.445 .961 .152 1.503 .136 X2 -9.504 7.644 -.128 -1.243 .217 X3 -4.033 3.255 -.125 -1.239 .218 X4 -22.754 19.437 -.121 -1.171 .245 a. Dependent Variable: ABS_RES_1 Berdasarkan hasil estimasi yang dilakukan maka dapat disimpulkan bahwa pendapatan X1 dengan nilai probabilitas sebesar 0,1360,05 artinya tidak terjadi heteroskedastisitas pada variabel pendapatan. Kesehatan X2 dengan nilai probabilitas sebesar 0,6990,05 maka ridak terjadi heteroskedastisitas pada variabel kesehatan. Pendidikan X3 dengan nilai probabilitas sebesar 0,1460,05 maka tidak terjadi heteroskedastisitas. Variabel Kepemilikan lahan X4 dengan nilai probabilitas sebesar 0,8120,05 maka tidak terjadi heteroskedastisitaas pada variabel kepemilikan lahan.

4.4.2.3 Uji Autokorelasi

Autokorelasi digunakan untuk mengetahui ada tidaknya penyimpangan autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Setiap model regresi liniar harus terbebas dari autokorelasi. Adapun cara yang digunakan untuk mendeteksi ada atau tidaknya autokorelasi dalam penelitian ini dengan menggunakan uji Durbin Watson DW Tabel 4.12 Uji Autokorelasi Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin- Watson R Square Change F Change df1 df2 Sig. F Change 1 .995 a .990 .990 100.25202 .990 2460.620 4 95 .000 2.089 48 Model R R Square Adjusted R Square Std. Error of the Estimate Change Statistics Durbin- Watson R Square Change F Change df1 df2 Sig. F Change 1 .995 a .990 .990 100.25202 .990 2460.620 4 95 .000 2.089 a. Predictors: Constant, X4, X3, X1, X2 b. Dependent Variable: Y Berdasarkan hasil estimasi yang dilakukan maka dapat dilihat bahwa nilai Durbin-Watson sebesar 2,089, jika di bandingkan dengan tabel Durbin-watson dengan signifikansi 5, dengan n=100 dan k=4, DL=1,613 dan DU=1,736, maka di dadapatkan hasil DLDW4-DU yang artinya tidak terdapat autokorelasi pada data yang diuji.

4.4.3 Uji F Simultan