normal, sehingga variabel pengalaman X
1
, pendanaan X
2
, mental kewirausahaan X
3
dan keberhasilan usaha kecil Y sudah berdistribusi normal. Gambar 4.18
Uji Normalitas
2 1
-1 -2
-3
Regression Standardized Residual
12 10
8 6
4 2
Frequency
Mean = -1.32E-16 Std. Dev. = 0.952
N = 33
Dependent Variable: keberhasilan industri kecil Y Histogram
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Ex pec
ted C
um P
rob Dependent Variable: keberhasilan industri kecil Y
Normal P-P Plot of Regression Standardized Residual
Sumber : Lampiran 9 Grafik histogram di atas memberikan pola distribusi yang mendekati
normal, seperti halnya grafik normal plot terlihat bahwa titik-titik menyebar disekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Sehingga, dapat ditarik
kesimpulan bahwa model regresi layak dipakai karena memenuhi asumsi normalitas.
4.3.2. Uji Asumsi Klasik
Persamaan regresi harus bersifat BLUE Best Linier Unibased Estimator, artinya pengambilan keputusan melalui uji f dan uji t tidak boleh bias. Untuk menghasilkan
keputusan yang BLUE maka harus dipenuhi diantaranya 3 unsur dasar, yaitu: tidak boleh ada autokorelasi, tidak boleh ada multikolinieritas dan tidak boleh ada heterokedastisitas.
Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE, sehingga pengambilan uji F dan
uji t menjadi bias.
4.3.2.1. Uji Autokorelasi
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Seperti yang diungkapkan Santoso, 2001: 219 autokorelasi
menunjukkan dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Model regresi yang baik adalah
model regresi yang bebas dari autokorelasi. Adanya autokorelasi dalam regresi dapat diketahui dengan menilai besaran Durbin Watson DW, tidak terjadi autokorelasi jika nilai
Durbin Watson berada antara -2 hingga +2. Adapun hasil uji autokorelasi adalah sebagai berikut:
Tabel 4.8 Uji Durbin Watson
Model Summary
b
.757
a
.574 .529
.65605 1.598
Model 1
R R Square
Adjusted R Square
St d. Error of the Estimate
Durbin- Wat son
Predictors: Constant, ment al kewirausahaan X3, pendanaan X2, pengalaman X1
a. Dependent Variable: keberhasilan industri kecil Y
b.
Sumber : Lampiran 7 Tabel di atas menunjukkan bahwa nilai DW durbin watson yang
didapat sebesar 1,598 dimana nilai tersebut berada diantara -2 hingga +2 sehingga dapat ditarik kesimpulan bahwa antar residual kesalahan pengganggu tidak terdapat korelasi
atau persamaan regresi linier berganda yang digunakan bebas autokorelasi.
4.3.2.2. Uji Multikolinieritas
Menurut santoso 2002: 206 syarat suatu model regresi liniernya tidak terdapat multikolinieritas adalah nilai VIF kurang dari 10 dan angka tolerance mendekati
angka 1. Adapun hasil dari nilai VIF adalah sebagai berikut:
Tabel 4.9 Nilai VIF Variabel Bebas
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Variabel VIF
Tolerance Pengalaman X
1
Pendanaan X
2
Mental kewirausahaan X
3
1,429 1,419
1,054 0,700
0,705 0,949
Sumber : Lampiran 9 Tabel di atas menunjukkan bahwa nilai VIF dari masing-masing variabel
kurang dari 10 dan angka tolerance mendekati angka 1, yang berarti tidak terjadi multikolinieritas pada variabel pengalaman X
1
, pendanaan X
2
dan mental kewirausahaan X
3
atau bebas dari multikolinieritas.
4.3.2.3. Uji Heteroskedastisitas
