Hasil perhitungan nilai Tolerance juga menunjukkan tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10 dimana nilai
0,252 untuk LG10_LA, LG10_AKO sebesar 0,262, LG10_AKI sebesar 0,903, LG10_AKP sebesar 0.724 yang berarti tidak ada korelasi antar
variabel independen yang nilainya lebih dari 95 umumnya diatas 0,95. Hasil perhitungan nilai Variance Inflation Factor VIF juga menunjukkan
hal yang sama tidak ada satu variabel independen yang memiliki VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinearitas antar
variabel independen dalam model regresi.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari
pengolahan data dengan menggunakan program SPSS. Dasar
pengambilan keputusannya adalah:
a. jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang terartur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi
heteroskedastisitas, b.
jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas atau terjadi homoskedastisitas.
Universitas Sumatera Utara
Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi heteroskedastisitas atau terjadi homoskedastisitas dengan
mengamati penyebaran titik-titik pada gambar.
Regression Standardized Predicted Value
3 2
1 -1
-2
Re gr
es si
on S
tu de
nt iz
ed R
es id
ua l
3 2
1
-1 -2
Scatterplot Dependent Variable: LG10_HS
Gambar 4.4 Grafik Normal P-P Plot Setelah Data Ditransformasi
Sumber : Data olahan penulis, 2010 Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak
serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model
regresi, sehingga model regresi layak dipakai untuk memprediksi HS berdasarkan masukan variabel independen LA, AKO, AKP,dan AKI.
Adanya titik-titik yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data
observasi yang lain.
Universitas Sumatera Utara
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada data time series. Cara yang
dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dan Runs Test. Untuk uji Durbin
Watson memiliki ketentuan sebagai berikut: 1
tidak ada autokorelasi positif, jika 0 d dl, 2
tidak ada autokorelasi positif, jika dl ≤ d ≤ du,
3 tidak ada korelasi negatif, jika 4 - dl d 4,
4 tidak ada korelasi negatif, jika 4 – du
≤ d ≤ 4 – dl, 5
tidak ada autokorelasi, positif atau negatif, jika du d 4 – du.
Tabel 4.8 Hasil Uji Durbin Watson
Model Summary
b
.921
a
.848 .835
.38054 2.269
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, LG10_AKP, LG10_AKI, LG10_AKO, LG10_LA a.
Dependent Variable: LG10_HS b.
Sumber: Data yang diolah penulis, 2010.
Table 4.9
Universitas Sumatera Utara
Hasil Runs Test
Runs Test
-.05832 25
26 51
32 1.559
.119 Test V alue
a
Cases Test V alue Cases = Test Value
Total Cases Number of Runs
Z As ymp. Sig. 2-tailed
Unstandardiz ed Res idual
Median a.
Sumber : Data yang diolah penulis, 2010. Hasil Uji Durbin Watson memperlihatkan nilai statistik D-W sebesar
1,791 d, untuk k = 4 nilai d
u
= 1,721, maka 1,721 d
u
1,791 d 2,279 4 – d
u
dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif. Hasil output SPSS untuk
runs test menunjukkan nilai test sebesar -0,05832 dengan probabilitas 0,119 signifikan pada 0,050 p=0,000 0,050 yang berarti H
diterima, sehingga dapat disimpulkan bahwa residual random atau tidak terjadi
autokorelasi antar nilai residual.
3. Analisis Regresi