β
1
… β
4
= Koefisien regresi 3. Untuk menguji perumusan ketiga digunakan analisis deskriptif, untuk
mendeskripsikan kontribusi pedagang kreatif lapangan PKL terhadap pengembangan wilayah di Kota Medan.
3.6.1. 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 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
Universitas Sumatera Utara
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
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
Universitas Sumatera Utara
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 Heterokedastsitas
Uji heterokedastisitas 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 heterokedastisitas. Uji heterokedastisitas 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
heterokedastisitas. b Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah
angka nol pada sumbu y maka tidak terjadi heterokedastisitas.
3.6.2. Uji Kesesuaian
