menggambarkan suatu hubungan yang acak, maka asumsi linearitas terpenuhi. Adapun rumusnya yaitu:
= Keterangan:
F : harga bilangan F untuk garais regresi
KR1 : harga kuadrat rata-rata garis regresi KR2 : harga kuadrat residu
Kriteria penerimaan data ini linear atau tidak adalah apabila F hitung lebih besar dari level of signifiikan
α 0,10 maka hubungan data linier. Se
dangkan apabila F hitung lebih kecil dari level of signifikan α 0,10 maka hubungan data tidak linier.
3. Uji Asumsi Klasik
Untuk mendapatkan regresi yang dapat digunakan untuk melakukan estimasi, maka dilakukan uji mengenai ada tidaknya penyimpangan terhadap asumsi
klasik yaitu: a Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui adanya hubungan linear yang sempurna diantara beberapa atau semua variabel independen dari
model regresi. Model yang baik seharusnya tidak terjadi korelasi antar variabel independen. Adapun rumus korelasinya sebagai berikut:
= N XY –
√ -
X
2
] [N -
Y
2
] Keterangan:
R : Koefisien korelasi
Y : Skor Variabel Y
X : Skor Variabel X
N : Jumlah Data
Kriteria penerimaan dalam analisis uji multikolinearits adalah sebagai berikut:
VIF 5 tidak terjadi multikolinearitas VIF 5 terjadi multikolinearitas
b Uji Heteroskedasitas Heterokedastisitas adalah suau keadaan dimana varians dan kesalahan
pengganggu tidak konstan untuk semua nilai variabel bebas. Uji heteroskedasitas bertujuan untuk menguji apakah dalam regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap,
maka dinamakan homoskedasitas dan jika berbeda disebut heteroskedasitas. Model regresi yang baik adalah yang homoskedasitas atau tidak terjadi
heteroskedasitas. Untuk menguji ada tidaknya masalah heteroskedastisitas pada model regresi yang diperoleh digunakan uji Glejser dengan cara
meregresikan antara variabel independen dengan nilai absolut residualnya. Untuk menentukan terjadi tidaknya masalah heterokedastisitas maka
digunakan ketentuan sebagai berikut: