83
4.4 Analisis dan Uji Hipotesis
4.4.1 Pengujian Hasil Analisis Regresi Linier Berganda Sesuai Dengan
Asumsi BLUE Best Linier Unbiassed Estimator.
Sebelum kita uji persamaan regresi berganda sesuai dengan pengujian secara simultan maupun secara parsial, maka kita lihat terlebih
dahulu apakah persamaan Y = β
+ β
1
. X
1
+ β
2
. X
2
+ β
3 .
X
3
+ µ yang diasumsikan tidak terjadi pengaruh antar variable bebas atau regresi
bersifat BLUE Best Linier Unbiassed Estimator, artinya koefisien regresi pada persamaan tersebut betul-betul linier tidak bias.
1. Multikolinieritas.
Penyimpangan asumsi model klasik yang pertama adalah adanya multikolinieritas dalam model regresi yang dihasilkan. Artinya
antar variable independent yang terdapat dalam model memilki hubungan yang sempurna atau mendekati sempurna. Dengan melihat
nilai VIFnya, variable bebas lebih kecil dari nilai VIF 10 sedangkan salah satu syarat terjadinya multikolinieritas bila niali VIF Variance
Inflation Factor variable bebas lebih besar dari 10 pada persamaan regresi linier.
VIF menyatakan tingkat “pembengkakan” varians. Apabila VIF lebih besar dari 10, hal ini berarti terdapat multikolinieritas pada
persamaan regresi linier.
84
Tabel 5 : Hasil Uji Multikolinieritas
Variable Y
VIF |
Kesimpulan Pendapatan Perkapita X
1
Jumlah Pelanggan Rumah Tangga X
2
Tingkat Inflasi X
3
4,252
4,154 1,087
Non Multikolinieritas
Non Multikolinieritas Non Multikolinieritas
Adapun hasil yang diperoleh setelah diadakan pengujian analisis regresi linier berganda diketahui bahwa dari
ketiga variable yang dianalisis diperoleh VIF untuk X
1,
X
2,
dan VIF untuk
X
3
lebih kecil dari 10 sehingga dalam model regresi ini tidak terjadi multikolinieritas.
2. Heterokedastisitas.
Heterokedastisitas adalah varians variable tidak sama atau konstan. Konsekuensi adanya heterokedastisitas dalam model regresi
adalah penaksir estimator yang diperoleh tidak efisien, baik dalam sample kecil maupun dalam sample besar, walaupun sample penaksir
yang diperoleh menggambarkan populasinya tidak bias dan bertambahnya sample yang digunakan akan mendekati nilai
sebenarnya konsisten. Heterokedastisitas diidentifikasi dengan koefisien korelasi Rank Spearman.
85
Tabel 6 : Hasil Uji Heterokedastisitas
Variable
Y
Taraf α
signifikansi dari Korelasi Rank
Spearman |
Taraf α
Uji
Pendapatan Perkapita X
1
Jumlah Pelanggan Rumah Tangga X
2
Tingkat Inflasi X
3
0,704
0,869 0,621
0,05
0,05 0,05
Dari analisis dengan menggunakan SPSS 13 diperoleh taraf α signifikansi dari korelasi Rank Spearman untuk X
1,
X
2,
dan untuk X
3
lebih besar dari taraf signifikansi 0,05. Maka dapat disimpulkan tidak terjadi heterokedastisitas.
3. Autokorelasi.
Autokorelasi adalah salah satu bentuk pelanggaran asumsi klasik bagi suatu model regresi. Asumsi yang dilanggar tersebut
adalah komponen penggannggu satu dengan yang lainnya tidak independent atau sifatnya tidak rando, sehingga antara komponen
pengganggu ke-
t
dengan komponen pengganggu ke-
t
-1 terjadi korelasi.
Dalam analisis diperoleh nilai Durbin Watson untuk Y sebesar 2.247 lampiran 2. Untuk mengetahui untuk mengetahui
ada tidaknya gejala autokorelasi maka perlu dilihat tabel Durbin Watson, yaitu apabila jumlah variable bebas adalah 3 k = 3 dan
86
jumlah data adalah 15 n = 15 maka diperoleh d
L
= 0,814 dan d
U
= 1,750 ; 4-d
L
= 3,186 ; 4-d
U
= 2,250. Selanjutnya nilai tersebut diplotkan kedalam kurva Durbin Watson.
Tabel 7 : Hasil Uji Autokorelasi
Dw Kesimpulan Dw 0,814
0,814 Dw 1,750 1,750 Dw 2,250
2,250 Dw 3,186
Dw 3,186 Autokorelasi Positif
Tanpa Kesimpulan Tidak Ada Autokorelasi
Tanpa Kesimpulan Autokorelasi Negatif
Sumber : Lampiran 2 Karena nilai Durbin Watson Y = 2,247 terletak pada
interval 1,750 Dw 2,250 ini berarti model regresi terletak pada Daerah Non Autokorelasi.
Gambar 11 : Uji Durbin Watson
Dari hasil pengujian yang telah dilakukan bahwa model regresi linier berganda tersebut telah memenuhi beberapa asumsi regresi klasik
yang tidak berarti tidak bias.
Autokolerasi positif
Tanpa kesimpulan
Non Autokolerasi
Tanpa kesimpulan
Autokolerasi negatif
dl = 0,814 du = 1,750
4 – du = 2,250 4 – dl = 3,186 dw Y= 2,247
87
4.4.2 Pengujian Hasil Analisis Regresi Linier Berganda
Kategori