Dari hasil estimasi diatas diperoleh nilai Durbin-Watson DW = 0.465. dengan banyak data 24 serta variabel bebas k= 2, diperoleh nilai DW
l
= 1.19 dan DW
u
= 1.55 terlihat bahwa 4- DW
u
DW 4-DW
l
atau dengan kata lain 2.45 2.51 2.81 dengan hasil ini maka tidak ada kesimpulan. Dapat dikatakan bahwa model regresi ini telah terbebas dari masalah autokorelasi.
3.3 Regresi Linier Berganda
Setelah melakukan uji autokorelasi maka selanjutnya melakukan uji regresi linier berganda.
Tabel 3.4 Data Ketersediaan, Produksi, dan Kebutuhan. Ketersediaan
Y Produksi
X
1
Kebutuhan X
2
Lag_Ketersediaan X
3
9889 738
23826 10949
1920 23826
9889 9889
3350 23826
10949 10219
426 23826
9889 9889
531 23826
10219 10219
522 23826
9889 9889
405 23826
10219 9889
420 23826
9889 10219
1644 23826
9889 9889
1440 23826
10219 10219
30316 23826
9889
Universitas Sumatera Utara
9889 1035
23826 10219
389 403
23563 9889
3153 3261
23563 389
1575 1629
23563 3153
58 60
23563 1575
41 42
23563 58
840 869
23563 41
447 463
27333 840
1531 1584
31103 447
657 679
23663 1531
311 322
23663 657
218 225
23799 311
234 240
26391 218
Dari data tersebut maka: Y
= Ketersediaan X
1
= Produksi X
2
= Kebutuhan X
3
= Lag_Ketersediaan Dalam menganalisa data tersebut menggunakan SPSS, diperoleh output dan
penjelasannya sebagai berikut :
Universitas Sumatera Utara
Tabel 3.5 Tampilan SPSS Untuk Persamaan Garis Regresi Linier Ganda. Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
-3174.678 7371.072
-.431 .672
Produksi .059
.079 .075
.738 .469
Kebutuhan .130
.293 .047
.445 .661
lag_ketersediaan .903
.109 .896
8.262 .000
a. Dependent Variable: Ketersediaan
Dari tabel 03.5, kolom unstandardized coefficients, diperoleh nilai: b
= -3174,678 b
1
= 0,059 b
2
= -0,130 b
3
= 0,93
Dengan demikian persamaan regresi linier ganda yang didapat atas X
1
, X
2
, dan X
3
adalah: Ŷ = -3174,678 + 0,059X
1
- 0,130X
2
+ 0,903 X
3
Dari persamaan diatas dapat kita lihat bahwa X
1
akan mempengaruhi nilai Ŷ sebesar 0,059, X
2
akan mempengaruhi nilai Ŷ sebesar -0,130, sedangkan X
3
akan mempengaruhi nilai Ŷ sebesar 0,903.
Universitas Sumatera Utara
3.4 Uji F pada Regresi Linier Ganda
Menguji keberartian regresi linier berganda dimaksudkan untuk meyakinkan apakah regresi berbentuk linier yang didapat berdasar penelitian yang ada artinya bila dipakai untuk membuat
kesimpulan mengenai peubah. Dari harga-harga di atas dapat diketahui nilai jumlah kuadrat regresi JK
reg
, nilai jumlah kuadrat residu JK
res
dan selanjutnya dapat dihitung F
hitung.
Hipotesa mengenai keberartian model regresi adalah:
H : persamaan regresi tidak bersifat nyata dan variabel X tidak mempengaruhi Y
H
1
: Persamaan regresi bersifat nyata dan variabel X mempengaruhi Y Dengan kriteria pengujian:
Tolak H0: jika F
hitung
F
tabel
Terima H0: jika F
hitung
F
tabel
Tabel 3.6 Tampilan SPSS untuk persamaan garis regresi linier ganda: ANOVA.
ANOVA
b
Model Sum of
Squares df
Mean Square F
Sig. 1
Regression 4.122E8
3 1.374E8
27.169 .000
a
Residual 9.609E7
19 5057422.249
Universitas Sumatera Utara
Total 5.083E8
22 a. Predictors: Constant, lag_ketersediaan, Produksi, Kebutuhan
b. Dependent Variable: Ketersediaan
Dengan tabel distribusi F dengan dk pembilang= 2 dan dk penyebut= 21 dan α= 0.05
Maka diperoleh: F
tabel
= F
α k, n-k-1
= F
0.05 2, 24-3-1
= F
0.05 2, 21
= 3,47 Dengan demikian deperoleh
ℎ ��
= F
tabel
= 3,47 Karena F
hitung
F
tabel
maka H ditolak dan H
1
diterima. Hal ini berarti bahwa persamaan regresi linier ganda Y atas X
1
, X
2
, dan X
3
bersifat nyata atau produksi dan kebutuhan secara bersama-sama mempengaruhi tingkat ketersediaan Beras di Kota Medan.
3.5 Koefisien Determinasi
