commit to user
dukungan sosial dengan self disclosure terdapat hubungan yang linier. Hasil perhitungannya dapat dilihat pada tabel di bawah ini.
Tabel 13 Hasil Uji Linearitas antara Variabel Dukungan Sosial dengan Self
Disclosure ANOVA Table
Sum of Squares
df Mean
Square F
Sig. selfdisclosure
dukungan sosial
Between Groups
Combined 3338.905
22 151.768 1.492 .167
Linearity 649.955
1 649.955 6.389 .018
Deviation from
Linearity 2688.950
21 128.045 1.259 .289
Within Groups 2543.095
25 101.724 Total
5882.000 47
2. Uji Asumsi Klasik
a. Uji Multikolinearitas
Uji multikoliearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas, yaitu adanya hubungan
linear antar variabel independen dalam model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya multikolinearitas. Dalam
uji multikolinearitas ini akan melihat nilai variance inflation factor VIF pada model regresi. Menurut Priyatno 2009, pada umumnya jika VIF lebih
besar dari 5, maka terjadi multikolinearitas dengan variabel bebas lainnya. Dari hasil perhitungan, dapat diketahui nilai VIF kedua variabel, yaitu
variabel secure attachment dan variabel dukungan sosial adalah 1,373 yang kurang dari 5, sehingga bisa diambil kesimpulan bahwa antarvariabel secure
commit to user
attachment dan dukungan sosial tidak terjadi persoalan multikolinearitas.
Hasil perhitungan dapat dilihat pada tabel di bawah ini.
Tabel 14 Hasil Uji Multikoliniearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance VIF
1 Constant 19.734 21.025
.939 .353 Secure
attachment .503
.172 .442 2.929 .005
.728 1.373 Dukungan
sosial .123
.182 .102
.675 .503 .728 1.373
a. Dependent Variable: self disclosure
b. Uji Otokorelasi
Uji otokorelasi digunakan untuk mendeteksi apakah variabel dependen tidak berkorelasi dengan dirinya sendiri, baik nilai periode
sebelumnya atau nilai periode sesudahnya. Pengujian otokorelasi dalam penelitian ini menggunakan uji DW Durbin-Watson. Cara membaca hasil
analisis yaitu dengan kriteria pengambilan jika DW = 2, maka tidak terjadi otokorelasi sempurna sebagai rule of tumb aturan ringkas. Jika nilai DW
antara 1,5 sampai 2,5 maka data tidak mengalami otokorelasi. Namun jika nilai DW 1,5 disebut memiliki otokorelasi positif, dan jika DW 2,5
sampai 4 disebut otokorelasi negatif Priyatno, 2009.
commit to user
Hasil perhitungan menunjukkan bahwa nilai DW sebesar 1,687. Hasil tersebut menjelaskan bahwa tidak terdapat masalah otokorelasi dalam
penelitian ini. Hasil perhitungan dapat dilihat pada tabel di bawah ini.
Tabel 15 Hasil Uji Otokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.503
a
.253 .220
9.882 1.687
a. Predictors: Constant, dukungansosial, secureattachment b. Dependent Variable: selfdisclosure
c. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidak penyimpangan
asumsi klasik
heteroskedastisitas, yaitu
adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model
regresi. Prasyaratan yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas Priyatno, 2009.
Untuk mendeteksi ada tidaknya heteroskedastisitas dengan melihat pola titik-titik pada scatterplots regresi. Jika titik-titik menyebar dengan pola
yang tidak jelas di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi masalah heteroskedastisitas
Dari hasil analisis pola gambar scatterplot pada lampiran dapat dilihat bahwa pola gambar tersebut tidak menunjukkan adanya gejala
heteroskedastisitas sehingga model dalam penelitian ini terbebas dari heteroskedastisitas.
commit to user
3. Uji Hipotesis
