sebesar o,026 atau sekitar 2,6 dengan variabel X
3
, -0,007 atau sekitar 0,7 dengan variabel X
2
, -0,087 atau sekitar -8,7 untuk variabel X
1.
X
3
mempunyai kolerasi sebesar -0,194 atau sekitar 19,4 dengan variabel X
2
, -0,576 atau atau sekitar 57,6 untuk variabel X
1.
Variabel X
2
memiliki 0,216 atau sekitar 21,6 untuk variabel X
1.
Hasil dari Coefficient Correlations tersebut menunjukkan tidak ada kolerasi yang tinggi
umumnya diatas 0,95, maka hal ini merupakan indikasi tidak adanya multikolinearitas.
c. Uji Heteroskedastisitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari
pengolahan data dengan menggunakan program SPSS 18. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi
heteroskedastisitas atau homoskedastisitas dengan mangamati penyebaran titik-titik pada grafik.
Universitas Sumatera Utara
Gambar 4.3 Scatterplot Sebelum Data Ditransformasi
Dari grafik scatterplot terlihat bahwa titik-titik tidak menyebar, sehingga dapat disimpulkan bahwa terjadi heteroskedastisitas pada model
regresi. Untuk mengubah nilai residual agar berdistribusi normal, ada beberapa cara mengubah model regresi menjadi normal yaitu : dengan
melakukan transformasi data, melakukan trimming, dan melakukan winsorizing Jogiyanto, 2004. Disini penulis melakukan transformasi data
ke model LN. kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini grafik scatterplot setelah ditransformasi.
Universitas Sumatera Utara
Gambar 4.4 Scatterplot Setelah Data Ditransformasi
Dari grafik scatterplot terlihat bahwa titik-titik menyebar, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model
regresi. Adanya titik-titik yang menyebar dikarenakan adanya data observasi yang berbeda dengan data yang observasi yang lain. Hasil
tampilan output SPSS ini dengan jelas menunjukkan tidak ada indikasi terjadi heteroskedastisitas.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan
pada periode t-1. Autokorelasi muncul karena observasi yang berurutan
Universitas Sumatera Utara
panjang sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada data time series. Cara yang dapat digunakan untuk
mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin-Watson. Untuk uji Durbin-Watson memiliki ketentuan sebagai
berikut :
Tabel 4.6 Uji Statistik Durbin-Watson
Durbin-Watson Kesimpulan
1,10 Ada autokolerasi
1,11-1,54 Tanpa Kesimpulan
1,55-2,46 Tidak ada autokolerasi
2,47-2,90 Tanpa kesimpulan
2,90 Ada autokorelasi
Universitas Sumatera Utara
Tabel 4.7 Hasil Uji Durbin-Watson Sebelum Data Ditransformasi
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 1.000
a
1.000 1.000
.01156 1.439
a. Predictors: Constant, X6, X5, X4, X3, X2, X1 b. Dependent Variable: K
Dari tabel tersebut memperlihatkan nilai statistik Durbin- Watson sebesar 1,439 yang berarti berada di interval 1,11-1,54
sehingga dapat disimpulkan bahwa terjadi autokorelasi. Untuk mengubah nilai residual agar berdistribusi normal, penulis
melakukan transformasi data ke model LN. kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini grafik tabel
Durbin-Watson setelah ditransformasi.
Universitas Sumatera Utara
Tabel 4.8 Hasil Uji Durbin-Watson Setelah Data Ditransformasi
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .546
a
.298 .222
.57429 2.080
a. Predictors: Constant, LN_X6, SMEANLN_X2, LN_X5, SMEANLN_X3, SMEANLN_X1, LN_X4
b. Dependent Variable: SMEANLN_K
Dari tabel tersebut memperlihatkan nilai statistik Durbin- Watson sebesar 2,080 yang berarti berada di interval 1,55-2,46
sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi. 3. Analisis Regresi
Dari hasil pengujian asumsi klasik disimpulkan bahwa model regresi yang dipakai dalam penelitian ini telah memenuhi model estimasi yang Best
Linear Unbiased Estimator BLUE dan layak dilakukan analisis regresi. Untuk menguji hipotesis, peneliti menggunakan analisis regresi berganda.
Berdasarkan hasil pengolahan data dengan SPSS 18, maka diperoleh data sebagai berikut :
Universitas Sumatera Utara
a. Persamaan Regresi
