P = Tingkat Pendidikan tahun D = Variabel Dummy 0 = Tidak melesatarikan lingkungan ; 1 = melestarikan
lingkungan a = Intercept
b,c,d, e dan f = parameter
3.5.1. Uji Penyimpangan Asumsi Klasik
Ada beberapa permasalahan yang bisa terjadi dalam model regresi linier, yang secara statistik permasalahan tersebut dapat mengganggu model yang telah
ditentukan, bahkan dapat menyesatkan kesimpulan yang diambil dari persamaan yang terbentuk. Untuk itu perlu dilakukan uji penyimpangan asumsi klasik yang terdiri
dari : 1.
Uji Multikolinieritas Interpretasi dari persamaan regresi linier secara implisit bergantung pada
asumsi bahwa variabel-variabel bebas dalam persamaan tersebut tidak saling berkorelasi. Jika dalam sebuah persamaan terdapat multikolinieritas, maka
akan menimbulkan beberapa akibat, untuk itu perlu dideteksi multikolinieritas dengan besaran-besaran regresi yang didapat, yakni :
a. Variasi besar dari taksiran OLS
b. Interval kepercayaan lebar karena variasi besar maka standar error
besar, sehingga interval kepercayaan lebar
Universitas Sumatera Utara
c. Uji-t tidak signifikan. Suatu variabel bebas yang signifikan baik secara
subtansi maupun secara statistik jika dibuat regresi sederhana, bisa tidak signifikan karena variasi besar akibat kolinieritas. Bila standar error
terlalu besar, maka besar pula kemungkinan taksiran koefisien regresi tidak signifikan
d. R
2
e. Terkadang nilai taksiran koefisien yang didapat akan mempunyai nilai
yang tidak sesuai dengan substansi, sehingga tidak menyesatkan interpretasi.
tinggi tetapi tidak banyak variabel yang signifikan dari uji-t.
2. Uji Normalitas
Uji normalitas untuk mengetahui normal tidaknya distribusi faktor gangguan residual . Ada dua cara untuk mendeteksi apakah residual berdistribusi normal
atau tidak yaitu dengan analisis grafik dan uji statistik. Analisis grafik adalah dengan grafik histogram dan melihat normal probability plot yaitu dengan
membandingkan distribusi kumulatif dengan distribusi normal. Sedangkan uji statistik dilakukan dengan melihat nilai kurtosis dan skewness dari residual
.
3. Uji Autokorelasi
Autokorelasi dapat didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data time series.
Sehingga terdapat saling ketergantungan antara faktor pengganggu yang berhubungan dengan observasi yang dipengaruhi oleh unsur gangguan yang
Universitas Sumatera Utara
berhubungan dengan pengamatan lainnya. Oleh sebab itu masalah autokorelasi biasanya muncul dalam data time series, meskipun tidak menutup kemungkinan
terjadi dalam data cross sectional. Dalam konteks regresi, model regresi linier klasik mengasumsikan bahwa autokorelasi seperti itu tidak terdapat dalam
disturbansi atau pengguan µi. Dengan menggunakan lambang Ε µi, µj = 0; i ≠
j. Secara sederhana dapat dikatakan model klasik mengasumsikan bahwa unsur gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur
disturbansi atau gangguan yang berhubungan dengan pengamatan lain yang manapun.
4. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah model regresi terjadi
ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi
heteroskedastisitas. Uji heteroskedastisitas dilakukan dengan melihat ada tidaknya pola tertentu pada grafik Scatterplot antara SRESID dan ZPRED.
Dasar analisisnya dapat dilihat : a
Jika titik-titik yang membentuk pola yang teratur bergelombang, melebar kemudian memyempit maka mengidentifikasikan telah terjadi
heteroskedastisitas. b
Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka nol pada sumbu y maka tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
3.5.2. Uji Kesesuaian