37 | P r a k t i k u m S P S S 2 1 . 0
6.2.Pemahaman Regresi
Analisis Regresi dilakukan jika suatu penelitian bertujuan untuk mengetahui hubungan sebab akibat pengaruh antar variabel, karena sebab akibat maka dalam
regresi terdapat
variabel yang
menjadi sebab
disebut variabel
bebasindependenpenjelas X dan variabel yang menjadi akibat disebut variabel terikatdependenrespon Y. Regresi juga disebut dengan bentuk hubungan,
sehingga memiliki rumusformulapersamaanmodel. Secara umum model regresi dengan
� buah variabel penjelas adalah sebagai berikut: = � + �
+ � … … �
� �
+ �
�
dengan: = Variabel respon tak bebasdependen yang bersifat acak
random
, , … . ,
�
= Variabel penjelas bebasindependen yang bersifat tetap
fixed variable
� , � , … . , �
�
= Parameter koefisien regresi �
= Variabel
random error
galatvariabel pengganggu
disturbance term
variabel yang tidak menjelaskan
unexplanatory variable
Jika variabel bebas berjumlah 1 satu maka disebut regresi linier sederhana dan jika variabel bebas berjumlah 2 dua atau lebih maka disebut regresi linier
berganda.
6.3. Asumsi Klasik Regresi Linier
Analisis regresi selalu menghasilkan persamaanmodel regresi dan persamaanmodel regresi dapat digunakan untuk melakukan prediksi, selain itu
secara statistik konstanta dan koefisien didapatkan dari hasil estimasi pendugaan, agar estimasi pendugaan yang dilakukan tidak bias menyimpang ada syarat yang
harus dipenuhi dalam regresi yaitu asumsi klasik. Macam-macam asumsi klasik regresi adalah sebagai berikut :
38 | P r a k t i k u m S P S S 2 1 . 0
1. Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi
residual �
�
mempunyai distribusi normal atau tidak. Asumsi residual �
�
memiliki distribusi normal dapat dilihat dari
normal probability plot
. Apabila titik-titik pada
normal probability plot
menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka disimpulkan bahwa
residual �
�
berdistribusi normal. Pengujian normalitas juga dapat dilakukan dengan uji
Kolmogorov Smirnov
. Prosedur pengujian normalitas adalah dengan menguji
residual �
�
. H
:
Residual �
�
berdistribusi normal H
a
:
Residual �
�
tidak berdistribusi normal Kriteria yang digunakan adalah jika nilai signifikansi lebih besar dari 0,05
maka H gagal ditolak dan sebaliknya jika nilai signifikansi lebih kecil dari 0,05
maka H ditolak.
2. Non Multikolinieritas
Multikolinieritas merupakan kasus di dalam regresi dimana ada hubungan yang kuat antar variabel bebas, di dalam regresi tidak boleh terjadi
hubungan antar variabel bebas. Salah satu pengujian multikolinieritas yang sering digunakan adalah melihat nilai VIF atau nilai
tolerance
VIF = 1
tolerance
. Kriteria yang digunakan adalah jika nilai VIF lebih kecil dari 10
atau nilai tolerance lebih besar dari 0,1 maka regresi tidak terjadi
multikolinieritas. 3.
Non Heteroskedastisitas Non heteroskedastisitas Homoskedastisitas menunjukkan keadaan di
mana residual �
�
mempunyai nilai varian yang sama sebesar σ
2
. Sebaliknya jika residual
�
�
mempunyai nilai varian yang berbeda-beda sebesar �
�
berarti terjadi kasus heteroskedastisitas. Model regresi yang baik adalah model regresi
yang tidak menunjukkan adanya gejala heteroskedastisitas. Pendeteksian kasus heteroskedastisitas dapat dilakukan dengan berbagai cara, salah satunya
dengan melihat
scatter plot.
Jika titik-titik menyebar di atas nol dan di bawah
39 | P r a k t i k u m S P S S 2 1 . 0
nol, menyebar secara acak dan tidak membentuk pola, maka dapat dikatakan tidak terjadi kasus heteroskedastisitas.
Pengujian asumsi non heteroskedastisitas juga dapat dilakukan dengan uji glejster yaitu dengan meregresikan absolut residual dengan variabel
penjelas yang digunakan. Hipotesis yang diajukan untuk pengujian asumsi non heteroskedastisitas adalah.
H : varian identik non heteroskedastisitas
H
a
: varian tidak identik heteroskedastisitas Kriteria yang digunakan adalah jika nilai signifikansi lebih besar dari
0,05 maka H gagal ditolak dan sebaliknya jika nilai signifikansi lebih kecil
dari 0,05 maka H ditolak.
4. Non Autokorelasi
Autokorelasi adalah keadaan yang menunjukkan residual �
�
memiliki hubungan dari satu observasi ke observasi lainnya. Model regresi yang baik
adalah regresi yang bebas dari autokorelasi. Untuk mengetahui model regresi dikatakan tidak terjadi autokorelasi jika nilai
durbin watson
berada antara du sd 4-du, dimana du ditentukan berdasarkan tabel
durbin Watson
atau dapat dilihat berdasarkan kriteria berikut :
Tabel 6.1. Kriteria Pengambilan Keputusan Hipotesis Nol
Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif
Tidak ada autokorelasi negatif Tidak ada autokorelasi negatif
Tidak ada autokorelasi positif maupun negatif
Tolak Tidak ada keputusan
Tolak Tidak ada keputusan
Gagal tolak 0 d d
L
d
L
≤ d ≤ d
U
4-d
L
d 4 4-d
U
≤ d ≤ 4-d
L
d
U
d 4-d
U
Sumber : Gujarati and Porter, 2010
6.4. Studi Kasus
