Untuk mempermudah perhitungan yang mewakili satu persamaan 2.4 maka dibuat notasi matriks sebagai berikut :
Koefisien matriks dihasilkan dengan memecahkan persamaan di bawah ini. Kolom pertama digunakan untuk mewakili syarat intercept
dan atau a.
2.4. Asumsi Regresi Linier
Sebelum melakukan analisis regresi linier tersebut, ada beberapa prasyarat yang harus diperiksa Abrams, 2007 sebagai berikut:
•
Linearitas
Regresi linier mengasumsikan bahwa ada hubungan garis lurus antara variabel independen dan variabel dependen yang kontiniu. Hal ini dapat
dilihat dari scatterplot bivariat, yaitu sebuah grafik dengan variabel independen pada satu sumbu dan variabel dependen pada sumbu yang lain.
•
Normalitas
Variabel dependen serta variabel independen harus terdistribusi secara normal. Hal ini dapat diperiksa dengan beberapa cara, misalnya melihat
histogram untuk setiap variabel. Cara lain adalah dengan menghitung skewness dan kurtosis untuk setiap variabel. Skewness adalah ukuran
kesimetrisan data. Ketika data itu miring, berarti data tidak berada di tengah distribusi, dan data tidak terdistribusi secara normal. Sementara kurtosis
adalah ukuran bagaimana memuncak distribusinya, dan normalitas artinya tidak terlalu memuncak dan tidak terlalu datar. Setiap nilai yang lebih besar
dari 3 atau kurang dari -3 haruss ditransformasikan terlebih dahulu sebelum dilakukan regresi linier.
Universitas Sumatera Utara
•
Homoskedastis Mendekati Sama Antara Satu Dengan Lainnya
Regresi linier juga mengasumsikan bahwa hubungan antara variabel dependen dan variabel biner independen adalah homoskedastis. Ini berarti
bahwa nilai residual kurang lebih sama untuk semua nilai variabel dependen yang diprediksikan. Salah satu cara memeriksa homoskedastis dengan melihat
plot nilai residual, di mana sumbu-x merupakan nilai prediksi standar dan sumbu y merupakan nilai residual standar. Data tersebut adalah
homoskedastis apabila plot nilai residual mempunyai lebar yang sama untuk semua nilai variabel dependen yang diprediksi. Heteroskedastisitas biasanya
ditunjukkan oleh sekelompok nilai yang lebih luas sebagai nilai-nilai variabel dependen yang diprediksi untuk mendapatkan nilai yang lebih besar.
•
Multikolinearitas dan Singularitas
Multikolinearitas adalah suatu kondisi di mana variabel independen sangat berkorelasi 0,90 atau lebih besar, dan singularitas adalah ketika varibel-
variabel independen sempurna berkorelasi, misalnya satu variabel independen adalah kombinasi dari satu atau lebih variabel independen lainnya. Korelasi
bivariate tinggi dapat dilihat dengan menjalankan korelasi di antara variabel independen. Jika ada korelasi bivariate tinggi, salah satu dari dua variabel
harus dihapus.
2.5. Uji Keberartian Koefisien Regresi