berbeda nyata dengan distribusi normal. Sampel berasal dari populasi yang berdistribusi normal.
Berdasarkan hasil Uji Normalitas di atas, baik dengan menggunakan metode Grafik Histogram, dengan menggunakan Normal P-Plot of regression
Standardized residual, maupun dengan menggunakan Tabel Kolmogorov-Smienov Test, maka diperoleh hasil bahwa model regresi memenuhi asumsi normalitas
sehingga dapat diproses dengan uji selanjutnya.
5.5.1.2 Uji Multikolinearitas
Uji Multikolinearitas adalah suatu kondisi dimana terjadi korelasi yang kuat di antara variabel-variabel bebas X yang diikutsertakan dalam pembentukan
model regresi linear. Untuk mendeteksi Multikolinearitas dapat dilihat dari
program SPSS versi 16 yaitu dari nilai Variance Inflation Factor VIF dan nilai tolerance. Jika nilai VIF 10 dan nilai tolerance 0,1, maka model linier
tersebut bebas dari Multikolinearitas.
Berdasarkan pengolahan data dengan menggunakan SPSS versi 16,00 maka diperoleh Tabel Hasil Uji Multikolinearitas sebagai berikut
Tabel 5.6 Hasil Uji Multikolinearitas
Collinearity Statistics Tolerance
VIF .929
1.077 .128
7.822 .127
7.848
Berdasarkan Tabel Hasil Uji Multikolinearitas Tabel 5.6 diatas, maka dapat dilihat bahwa nilai VIF 10 dan nilai tolerance 0,1 maka model linier
tersebut bebas dari Multikolinearitas.
5.5.1.3 Uji Heteroskedasitas
Pengujian ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan ke pengamatan lain.
Heteroskedasitas terjadi apabila variabel gangguan tidak mempunyai varian yang sama untuk observasi. Akibat adanya Heteroskedasitas, penafsiran OLS tidak bias
tetapi tidak efesien. Untuk mendeteksi Heteroskedasitas dapat dilihat dari program
SPSS 16 yaitu grafik Scatterplot. Jika Scatterplot tidak membentuk pola dan tersebar maka hal ini menunjukan bahwa tidak terjadi Heteroskedasitas.
Dari hasil SPSS versi 16 dapat dilihat bahwa Grafik Scatteflot tidak membentuk pola dan tersebar maka hal ini menunjukan bahwa data tidak terjadi
Heteroskedasitas.
Gambar 5.3 Scatterplot
5.5.2. Uji Statistik 5.5.2.1 Koefisien Determinasi R
2
Koefisien Determinasi R
2
berfungsi untuk melihat sejauh mana kemampuan model dalam menerangkan variasi variabel dependent. Nilai
Koefisien Determinasi R
2
sebesar 0,825. Hal ini menunjukan bahwa sebesar 82,5 alih fungsi lahan dapat dijelaskan oleh produktivitas padi, harga padi dan
harga kelapa sawit, sedangkan sisanya sebesar 17,5 dipengaruhi oleh faktor- faktor lain di luar model. Berikut Tabel Hasil Koefisien Determinasi R
2
hasil olah data dengan SPSS 16.
Tabel 5.5.2.1 Hasil Koefisien Determinasi R
2
Model Summary
b
Model R
R Square
Adjusted R Square
Std. Error of the
Estimate Change Statistics
Durbin- Watson
R Square Change
F Change df1
df2 Sig. F Change 1
.908
a
.825 .820 849.29943
.825 180.35
1 3
115 .000
2.336 a. Predictors: Constant, harga_kelapa_sawit,
produktivitas_padi, harga_padi b. Dependent Variable:
luas_lahan
5.5.2.2 Uji Statistik F Uji Serempak