Uji Asumsi Klasik Hasil Analisis Data Penelitian

52 pendapatan X 1 , tingkat pendidikan X 2 , jam kerja X 3 , usia kawin pertama X 4 , dan pemakaian alat kontrasepsi X 5 mempunyai pengaruh yang kuat terhadap fertilitas Y. Data tersebut juga menunjukkan bahwa variabel bebas mampu menjelaskan persentase sumbangan terhadap naik turunnya tingkat fertilitas sebesar 66,9, sedangkan sisanya 33,1 dipengaruhi oleh faktor-faktor lain di luar model penelitian ini.

4.2.4 Uji Asumsi Klasik

1. Uji Multikolinieritas Uji multikolinieritas diperlukan untuk mengetahui ada tidaknya variabel bebas yang memiliki kemiripan antar variabel bebas dalam suatu model. Kemiripan antar variabel bebas akan mengakibatkan korelasi yang sangat kuat. Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilakukan dengan melihat toleransi variabel Tolerance value dan Variance Inflation Factor VIF dengan membandingkan sebagai berikut: - VIF 5 , maka diduga mempunyai persoalan multikolinieritas. - VIF 5 , maka tidak terdapat multikolinieritas. - Tolerance 0,1 , maka diduga mempunyai persoalan multikolinieritas. - Tolerance 0,1 , maka tidak terdapat multikolinieritas. Dari hasil perhitungan diperoleh hasil pengujian multikolinieritas yang dapat dilihat pada tabel berikut. Tabel 4.10 Hasil Uji Multikolinieritas Variabel Colllinearity Statistics Keterangan Tolerance VIF Universitas Sumatera Utara 53 Pendapatan 0.607 1.648 Tidak Multikolinieritas Tingkat pendidikan 0.852 1.174 Tidak Multikolinieritas Jam kerja 0.648 1.544 Tidak Multikolinieritas Usia kawin pertama 0.754 1.326 Tidak Multikolinieritas Pemakaian alat kontrasepsi 0.762 1.312 Tidak Multikolinieritas Sumber : Lampiran V Data diolah Berdasarkan hasil uji multikolinieritas pada tabel 4.10 dapat dilihat, bahwa variabel bebas pendapatan X 1 , tingkat pendidikan X 2 , jam kerja X 3 , usia kawin pertama X 4 , dan pemakaian alat kontrasepsi X 5 menghasilkan nilai VIF lebih kecil daripada 5 VIF5 atau memiliki nilai tolerance lebih besar daripada 0,1 Tolerance0,1 maka dalam model regresi ini tidak terjadi multikolinieritas. 2. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians residual dari satu pengamatan ke pengamatan yang lain. Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dengan pola gambar Scatterplot, regresi yang tidak terjadi heteroskedastisitas jika : a Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. b Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. c Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali. d Penyebaran titik-titik data tidak berpola. Gambar 4.2 Universitas Sumatera Utara 54 Hasil Uji Heteroskedastisitas Sumber : Lampiran V Data diolah Berdasarkan hasil uji heteroskedastisitas dengan pola gambar scatterplot pada gambar 4.2 dapat dijelaskan sebagai berikut. a Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. b Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. c Penyebaran titik-titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali. d Penyebaran titik-titik data tidak berpola. Berdasarkan penjelasan tersebut, maka dapat disimpulkan tidak terjadi heteroskedastisitas dalam model regresi ini. 3. Uji Normalitas Uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Data yang baik dan layak digunakan dalam penelitian adalah data yang memilki distribusi normal. Untuk memastikan Universitas Sumatera Utara 55 apakah data berdistribusi normal maka dilakukan Uji Kolmogorv-Smirnov dengan menggunakan tingkat signifikan 5, maka jika nilai Asymp.Sig 2-tailed di atas nilai signifikan 5 artinya variabel residual berdistribusi normal. Hasil uji normalitas dapat dilihat pada tabel berikut. Tabel 4.11 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardize d Residual N 100 Normal Parameters a,b Mean .0000000 Std. Deviation .61418685 Most Extreme Differences Absolute .074 Positive .044 Negative -.074 Kolmogorov-Smirnov Z .739 Asymp. Sig. 2-tailed .645 a. Test distribution is Normal. b. Calculated from data. Sumber : Lampiran V Data diolah Berdasarkan hasil uji Kolmogorov-Smirnov diperoleh nilai Asymp.Sig 2- tailed sebesar 0,645 dan nilai tersebut lebih besar dari nilai signifikan 0,05. Sehingga dapat dinyatakan bahwa model regresi ini berdistribusi normal.

4.3 Pembahasan