Gambar 4.1
Tidak ada autokorelasi
dl du d 4-du 4-dl
0 1.56 1,78 2,.028 2,22 2.44 4
Sumber : Hasil Penelitian, 2008 data diolah
Hasil pengujian : 1.
Formulasi Hipotesis H
: tidak ada autokorelasi H
1
: ada autokorelasi 2.
Dari hasil SPSS, Tabel 4.14 diperoleh nilai dw sebesar 2,028 sedangkan nilai d
u
= 1,78 Tabel Durbin-Watson dengan n = 100, k = 5, α = 0,05
maka d
u
d 4-d
u
yaitu 1,78 2,028 2,22 yang berarti H diterima
sehingga penelitian ini bebas dari gejala autokorelasi.
3. Uji Heteroskedastisitas
Heterosdekastisitas terjadi karena perubahan situasi yang tidak tergambarkan dalam spesifikasi model regresi. Dengan kata lain,
heteroskedastisitas terjadi jika residual tidak memiliki varian yang konstan. Pemeriksaan terhadap gejala heteroskedastisitas adalah dengan melihat pola
Universitas Sumatera Utara
4 2
-2 -4
Regression Standardized Predicted Value
3 2
1
-1 -2
-3
R egr
essi on St
u dent
iz ed
R esidu
al
Dependent Variable: KEPUASAN Scatterplot
diagram pencar scatter plot yaitu grafik yang merupakan diagram pencar residual, yaitu selisih antara nilai Y prediksi dan Y observasi.
a. Model Grafik
Hipotesis: 1.
Jika diagram pencar yang ada membentuk pola-pola tertentu yang teratur maka regresi mengalami gangguan heteroskedastisitas.
2. Jika diagram pencar tidak membentuk pola yang atau acak maka
regresi tidak
mengalami gangguan heteroskedastisitas.
. Gambar 4.12
Sumber : Hasil Penelitian, 2008 data diolah
Dari Gambar 4.12 dapat dilihat bahwa diagram pencar tidak membentuk pola oleh karena itu tidak mengalami gangguan heterokedastisitas.
Universitas Sumatera Utara
b. Model Glejser
Menentukan kriteria keputusan a
Jika nilai signifikansi 0,05, maka tidak mengalami gangguan
heterokedastisitas. b
Jika nilai signifikansi 0,05, maka mengalami gangguan
heterokedastisitas.
Sumber : Hasil Penelitian, 2008 data diolah Dari Tabel 4.15 tampak bahwa signifikansi setiap variabel bebas lebih besar
dari 0,05, maka tidak mengalami gangguan heterokedastisitas.
4. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Ada dua cara
untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu
dengan analisis grafik dan uji stastistik. Untuk melihat normalitas residual penulis menganalisis grafik histogram yang membandingkan antara data
Coefficients
a
.044 2.677
.017 .987
-.025 .101
-.029 -.252
.802 .068
.151 .053
.448 .655
.043 .142
.032 .301
.764 -.027
.114 -.028
-.236 .814
.071 .131
.060 .542
.589 Constant
SENSE FEEL
THINK ACT
RELATE Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Dependent Variable: absut a.
Tabel 4.15
Universitas Sumatera Utara
3 2
1 -1
-2 -3
Regression Standardized Residual
25 20
15 10
5
Fr eq
ue nc
y
Mean = 8.99E-16 Std. Dev. = 0.974
N = 100
Dependent Variable: KEPUASAN Histogram
observasi dengan distribusi yang mendekati distribusi normal dan juga menganalisis probality plot yang membandingkan distribusi kumulatif dai
distribusi normal. Hipotesis:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogram menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi klasik
2. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah
garis diagonal atau grafik histogram menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi klasik.
Gambar 4.13
Sumber : Hasil Penelitian, 2008 data diolah
Universitas Sumatera Utara
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0
0.8 0.6
0.4
0.2
0.0
Ex pe
ct ed Cum Pr
ob
Dependent Variable: KEPUASAN Normal P-P Plot of Regression Standardized Residual
Dari Gambar 4.13 menunjukkan bahwa grafik histogram menunjukkan pola distribusi normal.
Gambar 4.14
Sumber : Hasil Penelitian, 2008 data diolah Dari Gambar 4.13 dapat dilihat bahwa data titik-titik menyebar di sekitar
garis diagonal dan mengikuti arah garis diagonal. Oleh karena itu, berdasarkan Gambar 4.14 Normal P-P Plot Of Regression Standardized Residual dan
Gambar 4.13 maka dapat diambil kesimpulan bahwa telah memenuhi uji normalitas.
Untuk memastikan apakah data di sepanjang garis siagonal berdistribusi normal maka dilakukan uji Kolmogorv Smirnov 1 sample KS dengan melihat
data residual apakah berdistribusi normal Syafrizal, 59:2008
Universitas Sumatera Utara
Menentukan kriteria keputusan : a
Jika nilai Asymp.Sig. 2-tailed 0,05 maka tidak mengalami gangguan
distribusi normal.
b Jika nilai Asymp.Sig. 2-tailed
0,05 maka mengalami gangguan distribusi
normal.
Sumber : Hasil Penelitian, 2008data diolah
Pengambilan keputusan: Pada Tabel 4.16 Terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0.744. dan
diatas nilai signifikan 0,05. Dengan kata lain variabel residual berdistribusi normal.
D. Analisis Regresi Linier Berganda