4.5 Standard Error of Estimasi Kesalahan Baku Persamaan Regresi Linier Berganda
=
=
= 2.215,89
Standar error of estimate atau kesalahan baku adalah angka yang digunakan untuk mengukur ketepatan suatu penduga atau mengukur jumlah variasi titik – titik observasi di
atas dan di bawah garis regresi populasi. Standar error of estimate berguna untuk mengetahui batasan seberapa jauh melesetnya perkiraan dalam suatu peramalan.
Kesalahan baku yang terjadi dalam meprediksi jumlah kebutuhan adalah sebesar 2.215,89 ton.
4.6 Koefisien Korelasi Parsial
Koefisien korelasi parsial adalah angka yang digunakan untuk mengukur keeratan hubungan antara dua variabel, jika variabel lainnya konstan pada persamaan yang
melibatkan lebih dari dua variabel.
Koefisien korelasi parsial Antara Y dan , apabila
konstan =
=
– –
= =
-0.8597691
Universitas Sumatera Utara
= -0.860
Koefisien korelasi parsial antara Y dan , apabila
konstan =
=
= =
0.890679 = 0.891
4.7 Uji Asumsi Dalam Model Regresi 4.7.1 Uji Normalitas
Uji ini merupakan pengujian terhadap normalitas kesalahan penggangguerror yang digunakan untuk melihat apakah variabel bebas dan variabel terikat mempunyai distribusi
normal. Asumsi kenormalan dapat diperiksa dengan menggunakan plot normal P-P Plot sebagai berikut :
Universitas Sumatera Utara
Gambar 4.1 4.7.2 Uji Non – Multikolinearitas
Multikolinearitas adalah antara variabel independen dalam model memiliki hubungankorelasi sempurna atau mendekati sempurna koefisien korelasinya tinggi,
pengujian ini dapat dilihat dari nilai VIP pada table berikut :
Tabel 4.6
Model Correlations
Collinearity Statistics Zero-order Partial
Part Tolerance
VIF 1
Constant Produksi beras
.039 -.861
-.766 .225
4.446 Luas Panen
.457 .891
.891 .225
4.446
Dependent Variable: Kebutuhan Beras
Universitas Sumatera Utara
4.7.3 Heteroskedastisitas
Heteroskedastisitas adalah varian residual yang tidak sama pada semua pengamatan di dalam model regresi. Regresi yang baik seharusnya tidak terjadi heteroskedastisitas.
Kriterianya adalah sebagai berikut : 1.
Jika ada pola tertentu, seperti titik – titik yang ada membentuk suatu pola tetentu yang teratur, maka terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, seperti titik – titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Gambar 4.2
Universitas Sumatera Utara
Dapat dilihat bahwa dari plot gambar 4.2 di atas sebaran datar sekitar nilai nol secara acak dan tidak membentu pola tertentu sehingga mengindikasikan bahwa tidak
terjadi heteroskedastisitas dalam model regresi.
4.7.4 Uji Non – Autokorelasi
Adanya penyimpangan autokorelasi dalam model regresi berarti ada korelasi antara sampel yang diurutkan berdasarkan waktu. Penyimpangan ansumsi ini karena
menggunakan data time series.
Konsekuensi adanya autokorelasi dalam suatu model regresi adalah varians sampel tidak dapat menggambarkan varians populasinya. Selain itu model regresi yang
dihasilkan tidak dapat digunakan untuk menaksirkan nilai variabel dependen Y pada nilai variabel independen tertentu X. Untuk mendianogsis adanya autokorelasi dalam
suatu model regresi dilakukan pengujian terhadap nilai uji Durbin Waston DW.
Tabel 4.7
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson
1 .892
a
.795 .727
47.06167 2.012
a. Predictors: Constant, Luas Panen, Produksi beras b. Dependent Variable: Kebutuhan Beras
Universitas Sumatera Utara
Pada table 4.7 di atas menunjukkan nilai koefisien korelasi ganda R, koefisien determinasi R Square, standar error penduga, nilai Durbin Waston, Prosedur
pengujianya adalah :
1. Menentukan hipotesa
: tidak ada autokorelasi : ada autokorelasi positifnegatif
2. Menentukan nilai α dan nilai d tabel
Signifikan 5 pada n = 9 dan k = 2 diperoleh = 0,63 dan d
u
= 1,70
3. Menentukan criteria pengujian a. Untuk autokorelasi positif
diterima jika d dan
ditolak jika d serta tidak ada kesimpulan jika
.
b. Untuk autokorelasi negatif diterima jika 4-d
dan ditolak jika 4-d
serta tidak ada kesimpulan jika
.
4. Menentukan nilai uji statistik
Pada table 4.7 di atas nilai uji statistik diperoleh d = 2.012 nilai Durbin Watson. 5.
Membuat kesimpulan
Nilai d = 2.012 = 0,63, bararti H
1
diterima dapat di ambil kesimpulan bahwaa ada terdapat autokorelasi.
Universitas Sumatera Utara
4.8 Uji Koefisien Model Regresi Berganda
Tabel 4.8
Model Unstandardized
Coefficients t
Sig. 95.0 Confidence
Interval for B Correlations
B Std. Error
Lower Bound Upper
Bound Zero-
order Partial
Part 1 Constant
2148.057 355.227 6.047 .001
1278.847 3017.267 Produksi beras
-1.454 .351 -4.142 .006
-2.313 -.595
.039 -.861 -.766
Luas Panen 3.564
.740 4.818 .003
1.754 5.373
.457 .891
.891
Berdasarkan table 4.8 koefisien di atas diperoleh bentuk estimasi persamaan model regresi linier berganda
Ŷ = 2148,057 - 1,454 + 3,564 . Model ini untuk menjelaskan keterkaitan atau pengaruh
dan terhadap Y. Jika nilai sig 0,05 maka variabel
dan memiliki pengaruh yang signifikan terhadap Y, artinya kedua variabel bebas
secara sendiri – sendiri berpengaruh secara signifikan terhadap Y. Untuk memperkuat penjelasan tersebut dapat diuji dengan uji korelasi parsial. Pada tabel korelasi parsial zero
order menampilkan koefisien korelasi biasa sebelum dilakukan uji parsial. Analisis koefisien regresi secara sendiri – sendiri signifikan atau signifikan atau
tidak digunakan uji sebagai berikut : 1.
Hipotesis yang diuji : koefisien regresi tidak signifikan
: koefisien regresi signifikan = 2.
Taraf nyata α = 5 3.
Nilai Uji Statistik t hitung
Universitas Sumatera Utara
= =
= -4,142 dan = 4,861
Nilai t table = t
n-k- 1;α
= t
6;0,05
= 2,45 Jika t hitung t table maka H
ditolak dan jika t hitung t table maka H diterima.
Dari hasil di atas maka koefisien regresi yang signifikan hanya koefisien regresi
4.9 Uji Kelayakan Model Regresi Uji F