Untuk melihat apakah pada model regresi terdapat heteroskedastisitas dilihat dari sebaran titik-titik yang
tersebar pada output perhitungan dengan perangkat lunak Minitab. Sebaran titik-titik yang tidak membentuk pola
tertentu namun tersebar di atas dan di bawah nol menunjukkan bahwa model regresi tidak mengalami
masalah heteroskedastisitas.
b. Analisis Korelasi
Pearson
Korelasi pearson merupakan statistik yang
mengukur keserasian hubungan diantara dua variabel. Rumus dibawah ini digunakan bila sekaligus akan menghitung
persamaan regresi.
Menurut Atmaja 2009 korelasi pearson dapat dirumuskan sebagai berikut :
r
xy
= n ∑XY – ∑X ∑Y ............................…….…...3
√{n∑X
2
∑X
2
} {n ∑XY
2
} Dimana :
r = Koefisien korelasi Y = Variabel terikat
X = Variabel bebas n = Lamanya periode
Korelasi pearson dilambangkan dengan r dengan ketentuan nilai r tidak lebih dari harga -1
≤ r ≤ 1. Apabila nilai r = -1 artinya korelasi negatif sempurna; r = 0 artinya tidak ada
korelasi; dan r = 1 berarti korelasinya sempurna. Untuk dapat memberi interpretasi terhadap kuat
lemahnya hubungan korelasi, maka dapat digunakan pedoman korelasi seperti Tabel 6.
Tabel 6. Pedoman Untuk Memberikan Interpretasi Koefisien Korelasi
Interval Koefisien Tingkat Hubungan
0,00 – 0,20 Sangat lemah
0,21 – 0,40 Lemah
0,41 – 0,70 Kuat
0,71 – 0,90 Sangat kuat
0,91 – 0,99 Sangat kuat sekali
1 Korelasi sempurna
Sumber : Nugroho dalam Rohaeni, 2009
.
c. Analisis Komponen Utama
Analisis komponen utama pada dasarnya mentransformasi peubah-peubah bebas yang berkorelasi
menjadi peubah-peubah baru yang orthogonal dan tidak berkorelasi. Analisis ini bertujuan untuk menyederhanakan
peubah-peubah yang diamati dengan cara mereduksi dimensinya. Hal ini dilakukan dengan menghilangkan
korelasi di antara peubah melalui transformasi peubah asal ke peubah baru komponen utama yang tidak berkorelasi,
Sehingga analisis komponen utama ini dapat digunakan untuk menghindari kasus multikolinearitas Ulpah, 2006.
Tahapan-tahapan yang dilakukan dalam analisis regresi komponen utama adalah:
1. Membakukan peubah bebas asal yaitu X menjadi Z
dengan cara mengurangkan setiap peubah bebas asal Xi dengan rata-rata dan dibagi simpangan baku.
2. Menentukan akar ciri dan vektor ciri dari matriks R
Akar ciri dan vektor ciri dapat dilihat dari output analisis komponen utama,. Nilai
Eigenvalue menjelaskan vektor
ciri. Sebagian ahli menganjurkan agar memilih
komponen utama yang akar cirinya lebih besar dari satu, karena jika akar cirinya lebih kecil dari satu, keragaman
data yang dapat dijelaaskan oleh komponen utama tersebut kecil sekali. Sedangkan vektor ciri dapat dilihat
dari nilai Pc
i
. 3.
Menetukan persamaan vektor utama dari vektor ciri Morrison dalam Ulpah 2006 menyarankan agar
memilih komponen-komponen utama tersebut mempunyai keragaman kumulatif kira-kira 75persen.
4. Meregresikan peubah respon Y terhadap skor komponen
utama W 5.
Transformasi dari W menjadi Z 6.
Transformasi dari Z menjadi peubah asal X
d. Analisis Uji Simultan Uji-F
