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