Tabel 5.2 Hasil Uji Linieritas dengan ANOVA
ANOVA
b
Model Sum of Squares
df Mean Square
F Sig.
1 Regression
9.349E14 3
3.116E14 69.552
.000
a
Residual 1.613E14
36 4.480E12
Total 1.096E15
39 a. Predictors: Constant, Produktivitas_kerja, Jumlah_modal, Omzet_penjualan
b. Dependent Variable: Tingkat_keuntungan
Dari uji ANOVA atau F test, didapat F
hitung
adalah 69,552 dengan taraf signifikansi = 5 dan F
tabel
= 2,87. Setelah F
hitung
dan F
tabel
diketahui, maka langkah selanjutnya membandingkan nilai F
hitung
dengan F
tabel
. Apabila F
hitung
F
tabel
maka dapat dinyatakan bahwa model regresi dengan variabel bebas jumlah modal, omzet penjualan, dan produktivitas kerja dapat digunakan untuk
memprediksi variabel tingkat keuntungan, sebaliknya apabila F
hitung
F
tabel
maka dapat dinyatakan bahwa model regresi dengan variabel bebas jumlah modal, omzet penjualan, dan produktivitas kerja tidak dapat digunakan untuk
memprediksi variabel tingkat keuntungan. Dari hasil perhitungan diperoleh F
hitung
69,552 F
tabel
2,87, artinya F
hitung
F
tabel
, maka model regresi dengan variabel bebas jumlah modal, omzet penjualan, dan produktivitas kerja dapat
digunakan untuk memprediksi variabel tingkat keuntungan. Dalam hal ini berarti Ho ditolak dan Ha diterima, jadi dapat disimpulkan bahwa model
regresi dengan variabel bebas jumlah modal, omzet penjualan, dan produktivitas kerja dapat digunakan untuk memprediksi variabel tingkat
keuntungan sentra industri konveksi.
C. Uji Multiolinieritas
Uji multikolineritas memiliki tujuan untuk mengetahui apakah variabel independen yang satu dengan yang lain saling berkorelasi atau tidak. Dalam uji
ini, variabel independen tidak boleh saling berkorelasi, dikarenakan apabila
terjadi korelasi antar variabel independen, maka dapat dipastikan variabel penelitian tersebut tidak ortogonal atau dengan kata lain nilai korelasi antar
variabel independen adalah nol. Cara untuk mendeteksi multikolinieritas adalah dengan melihat nilai
tolerance dan nilai Variance Inflation Factor VIF, dimana menurut Hair et
al dalam Duwi Priyatno 2009 variabel dikatakan mempunyai masalah multikolinieritas apabila nilai tolerance lebih kecil dari 0,1 atau nilai VIF lebih
besar dari 10. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Melihat nilai tolerance dan nilai VIF:
Melihat nilai tolerance: - Tidak terjadi multikolinieritas, jika nilai tolerance lebih besar 0,10
- Terjadi multikolinieritas, jika nilai tolerance lebih kecil atau sama dengan 0,10
Melihat nilai VIF: - Tidak terjadi multikolinieritas, jika nilai VIF lebih kecil 10,00
- Terjadi multikolinieritas, jika nilai VIF lebih besar atau sama dengan 10,00
Tabel 5.3 Hasil Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-4.229E6 1.743E6 -2,426
,020 Jumlah_modal
,016 ,017
,082 ,926
,361 ,516
1,939 Omzet_penjualan
,734 ,075
,916 9,757 ,000
,464 2,154
Produktivitas_kerja 1854,249 900,024 ,142 2,060
,047 ,856
1,168 a. Dependent Variable: Tingkat_keuntungan
Hasil perhitungan nilai tolerance menunjukkan bahwa variabel independen memiliki tolerance lebih besar dari 0,10 X
1
= 0,516; X
2
= 0,464; dan X
3
= 0,856, yang berarti tidak ada korelasi antar variabel indpenden yang nilainya lebih dari 95. Tolerance mengukur variabilitas variabel independen
yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Hasil perhitungan Variance Inflation Factor VIF juga menunjukkan hal
yang sama yaitu tidak ada satu variabel independen yang memiliki nilai VIF lebih dari 10 X
1
= 1,939 ; X
2
= 2,154 ; dan X
3
= 1,168. Dengan demikian dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen
dalam model regresi.
D. Uji Heteroskedastisitas
