commit to user 75
regresi. Menurut Santoso 2001 pada umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel prediktor
lainnya.
Tabel 17. Tabel Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant .647
2.000 .324
.747 kecanduan internet
.287 .061
.818 4.709 .000
.362 2.761
Kecemasan .047
.042 .193 1.110
.272 .362
2.761 a. Dependent Variabel: insomnia
Berdasarkan hasil penghitungan di atas, dapat diketahui bahwa nilai variance inflation factor VIF kedua variabel prediktor, yaitu variabel kecanduan internet dan
kecemasan adalah 2,761. Hal ini menunjukkan bahwa antarvariabel prediktor tidak terdapat persoalan multikolinearitas karena nilai VIF yang didapat kurang dari 5.
b. Uji heteroskedastisitas
Salah satu asumsi dalam regresi linear berganda adalah uji heterokedastisitas. Asumsi heteroskedastisitas adalah asumsi dalam regresi dimana varians dari residual
tidak sama untuk satu pengamatan ke pengamatan lain. Pada analisis regresi, salah satu asumsi yang harus terpenuhi adalah bahwa varians dari residual dari satu
pengamatan ke pengamatan yang lain tidak memiliki pola tertentu. Pola yang tidak sama ini ditunjukkan dengan nilai yang tidak sama antar satu varians dari residual.
Gejala varians yang tidak sama ini disebut dengan gejala heterokedastisitas, sedangkan adanya gejala varians residual yang sama dari satu pengamatan ke
commit to user 76
pengamatan yang lain disebut dengan homokedastisitas. Salah satu uji untuk menguji heterokedastisitas ini adalah dengan melihat penyebaran dari varians residual
Santosa dan Ashari, 2005
Gambar 2. Gambar Scatter Plot Heteroskedastisitas
Berdasarkan hasil analisis uji heteroskedastisitas menggunakan scatter plot terlihat bahwa penyebaran residual residual adalah tidak teratur. Hal tersebut dapat
commit to user 77
dilihat pada plot yang terpencar dan tidak membentuk pola tertentu, sehingga dapat diambil kesimpulan bahwa tidak terjadi gejala homokedastisitas atau persamaan
regresi memenuhi asumsi heterokedastisitas.
c. Uji otokorelasi
Uji otokorelasi digunakan untuk mendeteksi apakah variabel kriterium tidak berkorelasi dengan dirinya sendiri, baik nilai periode sebelumnya atau nilai periode
sesudahnya. Prasyarat yang harus terpenuhi adalah tidak adanya otokorelasi dalam model regresi. Pengujian otokorelasi dalam penelitian ini menggunakan uji DW
Durbin-Watson. Cara membaca hasil analisis yaitu dengan kriteria pengambilan jika nilai DW = 2, maka tidak terjadi otokorelasi sempurna sebagai rule of tumb aturan
ringkas. Jika nilai DW diantara 1,5 sampai dengan 2,5 maka data tidak mengalami otokorelasi. Apabila nilai DW 1,5 disebut memiliki otokorelasi positif, dan apabila
nilai DW 2,5 sampai dengan 4 disebut otokorelasi negatif Priyatno, 2010.
Tabel 18. Tabel Hasil Otokorelasi
Model Summary
b
Model R
R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson 1
.674
a
.454 .432
2.005 1.656
a. Predictors: Constant, kecemasan, kecanduan internet b. Dependent Variabel: insomnia
Berdasarkan output di atas didapat nilai DW yang dihasilkan dari model regresi adalah 1,656. Sedangkan dari tabel DW dengan signifikansi 0,05 dan jumlah
data n=53, serta k=2 maka dengan dl=1,4797 dan du=1,6359 diketahui bahwa d terletak antara du dan 4-du yang berarti tidak ada otokorelasi.
commit to user 78
3. Hasil uji hipotesis