Uji Asumsi Klasik Regresi Linier Berganda

Gambar 2. 1 Contoh Garis Regresi Linier Kurniawan, 2008 Pada Gambar 2.1 terlihat bahwa sumbu X berada pada kisaran angka 5 lebih hingga angka 15 lebih yang berarti hanya diijinkan untuk melakukan prediksi nilai Y untuk nilai X yang berada dalam rentang tersebut. Garis merah yang terlihat merupakan titik perpotongan yang disebut intersep dan slope yang merupakan ukuran kemiringan.

2.8.1 Uji Asumsi Klasik

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi liner berganda dengan berbasis Ordinary Least Square OLS Statistik, 2009. Dengan teknik pendugaan OLS kesalahan pendugaan dapat diminimalisir dan merupakan yang terbaik dengan syarat memenuhi beberapa asumsi yang disebut asumsi klasik regresi linier. Untuk mengetahui apakah koefisien regresi yang kita dapat benar atau dapat diterima diperlukan pengujian terhadap kemungkinan adanya pelanggaran asumsi klasik tersebut. Secara manual, sebelum melakukan uji asumsi klasik diharuskan untuk mendapatkan data residual. Namun hal ini tidak berlaku saat menggunakan software statistik, karena sebelum melakukan uji asumsi klasik, software statistik terlebih dahulu menghitung data residualnya Kurniawan, 2008 Uji asumsi klasik terdiri dari uji normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi yang akan dijelaskan di bawah ini. 1. Uji Normalitas Uji normalitas adalah uji untuk melihat apakah nilai residual terdistribusi secara normal atau tidak. Model regresi yang baik adalah model regresi yang memiliki nilai residual yang terdistribusi secara normal. Uji normalitas tidak dilakukkan pada masing-masing variabel, tetapi pada nilai residualnya Statistik, 2009. Uji statistik yang sering digunakan untuk menghitung uji normalitas adalah Kolmogorov- Smirnov normality test . Kolmogorov-Smirnov normality test bekerja dengan cara membandingkan dua distribusi atau sebaran data, yaitu distribusi yang dihipotesiskan dan distribusi yang teramati. Apabila distribusi yang teramati mirip dengan distribusi yang dihipotesiskan, maka dapat disimpulkan bahwa data yang diamati memiliki distribusi atau sebaran normal Kurniawan, 2008. Selain Kolmogorov-Smirnov normality test uji normalitas dapat dilakukan dengan QQ Plot . Contoh grafik QQ Plot dimana data yang diplotkan menyebar normal disajikan pada Gambar 2.2 di bawah ini. Gambar 2. 2 Contoh Grafik QQ Plot Seperti terlihat pada Gambar 2.2, ciri-ciri data yang menyebar normal bila diplotkan dengan QQ Plot adalah titik-titik data tersebut tersebar di sekitar garis lurus. Bila dapat didekati atau digambarkan dengan garis lurus, maka data tersebut dapat dikatakan menyebar normal Kurniawan, 2008. 2. Uji Multikolinearitas Uji multikolinearitas adalah uji untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel- variabel bebas dalam suatu model regresi linear berganda. Jika ada korelasi yang tinggi di antara variabel-variabel bebasnya, maka hubungan antara variabel bebas terhadap variabel terikatnya menjadi terganggu Statistik, 2009. Uji statistik yang sering digunakan untuk menguji gangguan multikolinearitas adalah Variance Inflation Factor VIF, korelasi pearson antara variabel-variabel bebas atau dengan melihat eigenvalues dan Condition Index CI. Pada uji statistik Variance Inflation Factor VIF, apabila nilai VIF lebih besar dari sepuluh mengindikasi adanya multikolinearitas yang serius Zulmi, 2012. 3. Uji Heteroskedastisitas Uji heteroskedastisitas adalah uji untuk melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan yang lain. Model regresi yang memenuhi persyaratan adalah terdapat kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas. Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED nilai prediksi dengan SRESID nilai residualnya. Model yang baik didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah, menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang dapat digunakan adalah uji Breusch Pagan Test , uji Glejser , uji Park atau uji White Statistik, 2009. 4. Uji Autokorelasi Uji autokorelasi adalah uji untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya t -1. Analisis regresi merupakan cara untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, sehingga tidak diperbolehkan adanya korelasi antara observasi dengan data observasi sebelumnya. Uji autokorelasi hanya dilakukan pada data time series runtut waktu dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan. Uji statistik yang sering digunakan dalam uji autokorelasi adalah uji Durbin Watson , Run Test dan jika observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier Kurniawan, 2008. Apabila asumsi-asumsi di atas terpenuhi, maka model regresi linier yang diperoleh bersifat Best Linear Unbiased Estimator BLUE Kurniawan, 2008.

2.8.2 Uji Simultan Model Regresi

Dokumen yang terkait

Penggunaan Metode Stepwise Forward Untuk Menentukan Persamaan Regresi Linier Berganda (Studi Kasus: Jumlah Pendapatan Di Kabupaten Kabupaten Tapanuli Utara)

2 90 50

Institutional Repository | Satya Wacana Christian University: Peramalan Curah Hujan Menggunakan Metode ARIMA: studi kasus Kabupaten Semarang T1 672015707 BAB II

0 0 7

Institutional Repository | Satya Wacana Christian University: Prediksi Serangan Syn Flooding Attack dengan Menggunakan Metode Regresi Linier

0 0 1

Institutional Repository | Satya Wacana Christian University: Linear Goal Programming Untuk Perencanaan Produksi Dengan Kendala Permintaan Yang Diramalkan Menggunakan Regresi Linear Berganda T1 662009005 BAB II

0 1 23

Institutional Repository | Satya Wacana Christian University: Model Prediksi Produksi Panen Komoditas Padi Menggunakan Metode Regresi Linier Berganda (Studi Kasus Kabupaten Sukoharjo) T1 672007707 BAB I

0 0 6

Institutional Repository | Satya Wacana Christian University: Model Prediksi Produksi Panen Komoditas Padi Menggunakan Metode Regresi Linier Berganda (Studi Kasus Kabupaten Sukoharjo) T1 672007707 BAB IV

0 1 15

Institutional Repository | Satya Wacana Christian University: Model Prediksi Produksi Panen Komoditas Padi Menggunakan Metode Regresi Linier Berganda (Studi Kasus Kabupaten Sukoharjo) T1 672007707 BAB V

0 0 1

Institutional Repository | Satya Wacana Christian University: Model Prediksi Produksi Panen Komoditas Padi Menggunakan Metode Regresi Linier Berganda (Studi Kasus Kabupaten Sukoharjo)

0 0 10

Institutional Repository | Satya Wacana Christian University: Model Prediksi Produksi Panen Komoditas Padi Menggunakan Metode Regresi Linier Berganda (Studi Kasus Kabupaten Sukoharjo)

0 0 5

Regresi Linier Berganda MEF

0 0 15