3. X
3
= Hasil Panen = α + X
1
+ X
2
+ μ
Dependent Variable: X3 Method: Least Squares
Date: 102010 Time: 23:21 Sample: 1 50
Included observations: 50 Variable
Coefficient Std. Error
t-Statistic Prob.
C 36115.76
7623.335 4.737528
0.0000 X1
-7.540526 1.742226
-4.328098 0.0001
X2 0.002293
0.000154 14.85915
0.0000 R-squared
0.827329 Mean dependent var 47338.00
Adjusted R-squared 0.819982 S.D. dependent var
17525.72 S.E. of regression
7435.911 Akaike info criterion 20.72415
Sum squared resid 2.60E+09 Schwarz criterion
20.83888 Log likelihood
-515.1039 F-statistic 112.5973
Durbin-Watson stat 1.631631 ProbF-statistic
0.000000
Dari hasil regresi persamaan 3, maka didapat R
2
=
0.827329
, artinya variable X1 Harga jeruk dan X2 Biaya Pupuk mampu memberi penjelasan
terhadap variabel X2 Biaya Pupuk sebesar 82,73. Dari hasil R
2
persamaan 3 ini dapat disimpulkan tidak ada multikolinearitas diantara variable independent.
Karena R
2
persamaan 3 lebih kecil dari R
2
model analisis persamaan utama.
4.7.2. Uji Heterokedastisitas
Heterokedastisitas merupakan salah satu asumsi ordinary least square OLS jika varian residualnya tidak sama. Pengujian heterokedastisitas
menggunakan uji white heterokedasticity. Dari hasil uji white heterokedasticity, yang harus diperhatikan Obs R-
Square dan juga nilai probability-nya. Apabila nilai probability lebih rendah dari 0,05 berarti terdapat heterokedastisitas pada hasil estimasi. Sebaliknya, apabila
Universitas Sumatera Utara
nilai probabilitynya lebih tinggi dari 0,05 maka hasil estimasi tidak terkena heterokedastisitas.
White Heteroskedasticity Test: F-statistic
38.01669 Probability 0.000000
ObsR-squared 44.76646 Probability
0.000001
Dari pengamatan yang dilakukan hasil estimasi diatas ditemukan adanya heterokedastisitas 0.000001 0,05, Heterokedastisitas tidak merusak sifat
ketidakbiasaan dan sifat konsistensi dari hasil estimasi. Namun hasil estimasi tidak lagi efisien. Oleh karena tidak efisien lagi,
maka pengujian hipotesa menjadi diragukan hasilnya. Dengan demikian, sangat perlu dilakukan perbaikan pada masalah heterokedastisitas tersebut Wahyu,
2007: 103. Untuk mengatasi masalah heterokedasisitas maka dilakukan analisis
regresi dengan menggunakan metode WLS Weighted Least Square. Dari hasil analisis regresi dengan menggunakan metode WLS Weighted Least Square
maka didapat nilai Sum Squared residual. Apabila nilai Sum Squared residual yang diperoleh dari estimasi denga menggunakan metode WLS Weighted Least
Square lebih kecil dari nilai Sum Squared residual pertama, maka model yang diestimasi tersebut telah lolos dari masalah heterokedastisitas. Hasil estimasi
regresi dengan metode Weighted Least Square, maka hasilnya sebagai berikut :
Universitas Sumatera Utara
Dependent Variable: WY Method: Least Squares
Date: 102010 Time: 23:42 Sample: 1 50
Included observations: 50 Variable
Coefficient Std. Error
t-Statistic Prob.
C -70723123
5646328. -12.52551
0.0000 WX1
46580.04 3988.130
11.67967 0.0000
WX2 1.802261
0.712974 2.527808
0.0150 WX3
4087.743 282.3416
14.47800 0.0000
R-squared 0.978691 Mean dependent var
71811312 Adjusted R-squared
0.977301 S.D. dependent var 30073331
S.E. of regression 4530920. Akaike info criterion
33.56737 Sum squared resid
9.44E+14 Schwarz criterion 33.72033
Log likelihood -835.1842 F-statistic
704.2235 Durbin-Watson stat
1.451685 ProbF-statistic 0.000000
Dari hasil estimasi dapat dilihat bahwa nilai Sum Squared residual sebesar
9.44E+14 atau lebih kecil dari nilai Sum Squared residual pada persamaan regresi pertama .yaitu sebesar 9.53E+15. Maka dapat disimpulkan bahwa estimasi hasil
model tersebut telah lolos dari masalah heterokedastisitas.
4.7.3. Uji Normalitas