Tabel 4.9 One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
96 Normal
Parametersa,b Mean
.0000000 Std. Deviation
1.17125765 Most Extreme
Differences Absolute
.057 Positive
.031 Negative
-.057 Kolmogorov-Smirnov Z
.563 Asymp. Sig. 2-tailed
.909 a Test distribution is Normal.
b Calculated from data.
Sumber: Pengolahaan Data SPSS Versi 15.00 2010
Tabel 4.12 dapat dilihat bahwa nilai signifikan Kolmogorov-Smirnov sebesar 0,909 dimana nilai signifikan tersebut 0,05. Maka dapat disimpulkan
bahwa data residual berdistribusi normal.
2. Uji Multikolinieritas
Uji multikolinieritas diperlukan untuk mengetahui ada tidaknya variabel independent yang memiliki kemiripan dengan variabel independen lain
dalam suatu model.
Universitas Sumatera Utara
Deteksi multikolinieritas pada suatu model dapat dilihat dari nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai Tolerance tidak kurang
dari 0,1 maka model terbebas dari multikolinieritas.
Tabel 4.10 Multikolinieritas
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 2.176
2.031 1.071
.287 Lokasi
424. .104
.151 4.981
.003 .754
1.327 Pelayanan
.189 .085
.406 1.181
.000 .785
1.274
a Dependent Variable: Keputusan
Sumber: Penolahan Data SPSS Versi 15.00 2010
Tabel 4.10 dapat dilihat nilai Tolerance 0,1 dan VIF 10 a.
Variabel Lokasi
1
X , Tolerance 0,754 0,1 dan nilai VIF 1,327 10
maka tidak terkena multikolinieritas. b.
Variabel Pelayanan 2
X , Tolerance 0,785 0,1 dan nilai VIF 1,274
10 maka tidak terkena multikolinieritas.
3.Uji Heteroskedastisitas
Heteroskedastisitas menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode pengamatan yang lain.
Universitas Sumatera Utara
Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot yang menyatakan model regresi linier
berganda tidak terdapat heteroskedastisitas, jika: a.
Titik data menyebar di atas dan tidak di bawah atau disekitar angka 0. b.
Titik data tidak mengumpul hanya di atas atau di bawah saja. c.
Penyebaran titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
d. Penyebaran titik-titik data sebaiknya tidak berpola.
e.
Gambar 4.2 Normal Scaterplot
-3 -2
-1 1
2 3
Regression Studentized Residual
-4 -3
-2 -1
1 2
Re gr
es si
on S
ta nd
ar di
ze d
Pr ed
ic te
d Va
lu e
Dependent Variable: Keputusan Scatterplot
Sumber : Pengolahan Data SPSS Versi 15.00 2010
Universitas Sumatera Utara
4. Uji Autokorelasi
Autokorelasi dalam suatu model bertujuan untuk mengatuhui ada tidaknya korelasi antara variabel pengganggu pada periode tertentu dengan variabel
pengganggu periode sebelumnya. Cara mudah mendeteksi autokorelasi dapat dilakukan dengan uji The
Breusch-Godfrey BG Test yaitu nilai signifikannya harus di atas 0,05. Dalam metode ini, Breusch-Godfrey telah mengembangkan suatu uji
autokorelasi yang secara umum adalah: a.
Regressor no-stochastic termasuk lagged dependent variabel. b.
Skema higher-order autoregressive. c.
High-order moving average dari noise error term.
Tabel 4.11 Autokorelasi
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
.034 2.040
.017 .987
Lokasi .014
.106 .016
.128 .898
Pelayanan .010
.085 .014
.120 .905
Auto .065
.109 .065
.595 .553
a Dependent Variable: Unstandardized Residual
Sumber : Pengolahan Data SPSS Versi 15.00 2010
Universitas Sumatera Utara
Tabel 4.11 dapat dilihat bahwa kosfisien parameter untuk variable Auto Lag menunjukkan probabilitas signifikan 0,553 di atas 0,05 berarti data tidak
terkena autokorelasi.
E. Analisis Regres Linier Berganda