Tabel 4.14
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 4.789
2.180 3.957
.000 SO
.421 .106
.385 2.329
.022 .930
1.075 WO
.092 .071
.128 1.292
.040 .790
1.267 ST
.106 .045
.213 2.197
.031 .817
1.224 WT
.180 .102
.159 1.770
.039 .762
1.250
b Dependent Variable: Y Sumber: Pengelolahan SPSS 2010
Hasil uji melalui Variance Inflation Factor VIF pada hasil pengolahan SPSS, masing-masing variabel independent memiliki VIF tidak lebih dari 10 dan
nilai Tolerance tidak kurang dari 0,1. maka dapat dinyatakan model regresi linear berganda tersebut terbebas dari asumsi klasik dan dapat digunakan dalam
penelitian.
c. Uji Autokorelasi
Menguji autokorelasi dalam suatu model bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada
e
t
pada periode tertentu dengan variabel pengganggu periode sebelumnya
e
t -1
. Untuk mempercepat proses ada tidaknya autokorelasi dalam suatu model dapat digunakan patokan
nilai Durbin Watson hitung mendekati angka 2. Jika nilai Durbin Watson hitung mendekati atau disekitar angka 2 maka model tersebut terbebas dari asumsi klasik
autokorelasi, karena angka 2 pada uji Durbin Watson terletak di daerah No Autocorelation. Uji asumsi klasik statistik autokorelasi dapat dideteksi dari output
pada Tabel 4.15 sebagai berikut:
Universitas Sumatera Utara
Tabel 4.15 Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .781a
.610 .593
3.64471 1.805
a Predictors: Constant, SO, ST, WT, WO b Dependent Variable: Y
Sumber: Pengelolahan SPSS 2010
Pada output tersebut diperoleh nilai Durbin Watson sebesar 1,805. Langkah selanjutnya adalah melakukan uji menggunakan tabel batas bawah dl dan batas
atas du untuk mengetahui daerah autokorelasi dari nilai Durbin Watson
. Negative No
Autocorrelation Autocorrelation Positif
dl du 1.805 2 4-du 4-dl 1.76 1.59
2.41 2.24
Gambar 4.3 Autokorelasi Sumber: Pengelolahan SPSS 2010
Hasil uji autokorelasi dengan Durbin Watson menunjukkan angka 1,805 dengan batas bawah dl dan batas atas du terlihat pada Gambar 4.3. Dengan
jumlah variabel bebas k = 4, dengan jumlah sampel n = 96, maka dl = 1,76 dan du = 1,59. Berdasarkan uji di atas tampak bahwa nilai Durbin Watson hitung
1,805 terletak di daerah NoAutocorrelation sehingga dapat disimpulkan bahwa model regresi linear berganda terbebas dari asumsi klasik statistik autokorelasi.
d. Uji Heteroskesdastisitas
Heteroskesdastisitas menguji terjadinya perbedaan varience residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan
antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut.
Universitas Sumatera Utara
2 1
-1 -2
-3
Regression Standardized Predicted Value
3 2
1
-1 -2
-3
R e
g re
s s
io n
S tu
d e
n ti
ze d
R e
s id
u a
l
Dependent Variable: Y Scatterplot
Cara memprediksi ada tidaknya heteroskesdastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar
Scatterplot yang menyatakan model regresi linear berganda tidak terdapat heteroskesdastisitas jika:
1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0.
2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja.
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali. 4.
Penyebaran titik-titik data sebaiknya tidak berpola.
Asumsi klasik statistik heteroskesdastisitas dapat dideteksi dari output SPSS pada Gambar 4.4.
Gambar 4.4 Scatterplot
Sumber: Pengelolahan SPSS 2010
Universitas Sumatera Utara
Pada Gambar 4.4 dapat dilihat bahwa model regresi linear baerganda terbebas dari asumsi klasik heteroskesdastisitas dan layak digunakan dalam
penelitian.
4. Uji F
