BAB VIII

ANALISIS REGRESI LINIER : UJI ASUMSI KLASIK

8.1. ASUMSI KLASIK DALAM ANALISIS REGRESI LINIER Uji asumsi klasik dilakukan untuk mengetahui apakah model estimasi telah memenuhi kriteria ekonometrika, dalam arti tidak terjadi penyimpangan yang cukup serius dari asumsiasumsi yang harus dipenuhi dalam metode Ordinary Least Square (OLS). Terdapat enam asumsi yang diperlukan dalam penaksiran OLS, yaitu: 1. Rata-rata kesalahan pengganggu (e) sama dengan nol; 2. Kesalahan pengganggu berbentuk distribusi normal; 3. Kesalahan pengganggu tidak berkorelasi dengan Variabel Independen; 4. Tidak adanya Autokorelasi antar gangguan (e); 5. Tidak adanya Multikolinearitas; dan 6. Varian kesalahan pengganggu tetap atau homoskedastisitas (tidak terjadi Heteroskedastisitas);

Analisis Regresi Linier: Uji Asumsi Klasik

121

Penyimpangan

dari

asumsi

klasik

yang

pertama

menyebabkan terjadinya penyimpangan dari estimasi terhadap besarnya konstanta. Akan tetapi, penyimpangan estimasi terhadap besarnya konstanta dalam hal ini kurang begitu menggangu, karena yang diperhitungkan dalam penelitian adalah besarnya pengaruh perubahan Variabel Independen terhadap Variabel Dependen. Begitu juga dengan asumsi yang kedua, jika tidak terpenuhi maka tidak terlalu berpengaruh terhadap kesahihan hasil regresi dan akan tetap dapat diperolehnya hasil estimator OLS yang Best Linear Unbiased Estimator (BLUE). Sedangkan untuk penyimpangan pada asumsi ketiga umumnya terjadi pada model persamaan simultan dan tidak pernah terjadi pada model persamaan tunggal. Oleh karena itu, dalam analisis regresi berganda yang perlu diperhatikan dan diuji adalah ada tidaknya penyimpangan terhadap asumsi keempat (Uji Autokorelasi), kelima (Uji Multikolinearitas), dan keeman (Uji Hiteroskedastisitas). Uji Autokorelasi digunakan untuk menguji apakah dalam sebuah model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Autokorelasi jarang dijumpai pada data cross section dan biasanya terjadi pada data time series (serial waktu). Multikolinieritas adalah suatu kondisi dimana terjadi korelasi yang kuat diantara dalam Variabel Independen yang model regresi linier diikutsertakan pembentukan

122

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

berganda. Sedangkan Uji Heteroskedastisitas digunakan untuk menguji apakah dalam model regresi liner kesalahan pengganggu mempunyai varians yang sama atau tidak dari satu pengamatan ke pengamatan yang lain. Contoh Kasus: Penelitian dengan judul: Faktor-Faktor yang Mempengaruhi Tunggakan Cicilan Bulanan Kredit Perumahan. Untuk kebutuhan data penelitian tersebut, jumlah responden yang menjadi sampel sebanyak 38 responden dan untuk pengambilan data digunakan adalah teknik wawancara yang dipandu dengan kuesioner. Sebelum melakukan pengolahan dan analisis data yang memerlukan perhatian adalah hal-hal sebagai berikut: 1. Hipotesis Penelitian Hipotesis penelitian yang diajukan adalah Tunggakan Pembayaran Cicilan Bulanan Kredit Perumahan (Y) dipengaruhi oleh Tingkat Pendapatan Keluarga (X 1), Tingkat Pendidikan Orang Tua (X2), Rasio Ketergantungan (X3), dan Besarnya Cicilan Per Bulan (X4) 2. Definisi Operasional Variabel Penelitian Variabel Tunggakan Pembayaran Cicilan Bulanan Kredit Perumahan (Y) dihitung dari besarnya cicikan per bulan dikalikan dengan jumlah bulan yang menunggak pada saat penelitian. Variabel Tingkat Pendapatan Keluarga (X1) dihitung dengan menjumlahkan besarnya penghasilan per bulan

Analisis Regresi Linier: Uji Asumsi Klasik

123

dari pekerjaan rutin dan pekerjaan sampingan, baik suami maupun istri. Tingkat Pendidikan Orang Tua (X2) dihitung dengan menjumlahkan skor tingkat pendidikan terakhir baik suami maupun istri. Rasio Ketergantungan (X3) dihitung dengan membagi antara jumlah anggota keluarga yang tidak bekerja (menjadi tanggungan yang bekerja) dengan jumlah anggota keluarga yang bekerja. Besarnya Cicilan Per Bulan (X4) dihitung berdasarkan besarnya cicilan bulanan kredit perumahan yang dibayar tiap bulan. 3. Teknik Analisis Data dan Uji Hipotesis Berdasarkan hipotesis yang diajukan, teknik analisis data dengan menggunakan Analisis Regresi Berganda dengan model persamaan: Y = a + b1 X1 + b2 X2 + b3 X3 + b4 X4 + E. Untuk menguji hipotesis digunakan Uji T (parsial), Uji F (serempak) dan R2. Sedangkan jenis uji hipotesis menggunakan uji dua arah dengan tingkat signifikan () sebesar 10%. Selain itu, juga dilakukan uji pemenuhan asumsi klasik, yaitu Uji Autokorelasi, Uji Heteroskedastisitas, dan Uji Multikolonearitas. Hasil pengumpulan data dari 38 responden diperoleh data sebagai berikut:

124

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Tabel 8.1. Tabulasi Data Penelitian Tunggakan Cicilan Bulanan Kredit Perumahan
N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 Y 80250 86000 106000 70108 680400 66100 66100 111000 55500 72500 324000 300000 229500 1600000 780000 423000 210000 125000 405000 510000 182100 427260 81000 75100 70000 68000 66500 215850 79000 69700 105500 79000 60710 72000 61000 120000 490000 335000 X1 1650000 1600000 2050000 1200000 1650000 1500000 1500000 1450000 1250000 1525000 600000 800000 700000 450000 500000 700000 1000000 1125000 700000 500000 900000 850000 1900000 1300000 1580000 1222000 1650000 900000 1450000 1530000 1690000 1750000 1250000 1200000 1560000 1400000 700000 950000 X2 10 8 8 7 4 8 8 7 8 9 7 8 5 5 3 6 6 10 6 7 7 9 10 8 9 7 8 7 8 8 9 6 7 8 7 6 5 6 X3 1 1 1 1 2 2 1 3 2 1 4 2 3 5 3 3 3 1 4 4 3 3 1 1 2 2 2 5 1 2 3 2 3 2 2 2 4 3 X4 80250 86000 106000 70108 170100 66100 66100 55500 55500 72500 108000 150000 76500 200000 130000 47000 105000 125000 81000 85000 60700 71210 81000 75100 70000 68000 66500 71940 79000 69700 105500 79000 60710 72000 61000 60000 70000 67000

Analisis Regresi Linier: Uji Asumsi Klasik

125

8.1.1. Analisis Regresi Berganda Untuk melakukan pengolahan data analisis regresi berganda dengan langkah sebagai berikut: 1. Masukkan data pada Tabel 8.1. ke dalam Data View Program SPSS. Kemudian klik Variable View, untuk Name 1: Y, Name 2: X1, Name 3: X2, Name 4: X3, dan Name 5: X5. Untuk Label diisi dengan nama masing-masing variabel.

Gambar 8.1. Tampilan Variable View 2. Untuk mengolah data dengan analisis regresi linier, pilih menu Analyze, kemudian pilih sub menu Regression dan klik Linier, maka akan tampil sebagai berikut:

Gambar 8.2. Menu untuk Analisis Regresi Berganda

126

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Gambar 8.3. Variabel Dependen dan Independen 3. Ketika tampil kotak Linier Regression, klik Tunggakan Cicilan (Y) dan klik tanda panah (dalam lingkaran) untuk Dependent . Blok variabel Pendapatan Keluarga (X1), Tingkat Pendidikan Orang Tua (X2), Rasio Ketergantungan (X3), dan Besarnya Cicilan Per Bulan (X4) dan klik tanda panah untuk Independents dan klik OK. Tabel 8.2. Hasil Pengolahan Data Regresi Linier Berganda
Variables Entered/Removed(b) Model 1 Variables Entered Variables Removed . Method Enter

Besarnya Cicilan per Bulan, Rasio Ketergantungan, Tingkat Pendidikan Ortu, Pendapatan Keluarga(a) a All requested variables entered. b Dependent Variable: Tunggakan Cicilan Model Summary

Std. Error of the Estimate 1 ,891(a) ,793 ,768 141329,471 a Predictors: (Constant), Besarnya Cicilan per Bulan, Rasio Ketergantungan, Tingkat Pendidikan Ortu, Pendapatan Keluarga Model R R Square Adjusted R Square

Analisis Regresi Linier: Uji Asumsi Klasik

127

ANOVA(b) Model Sum of Squares df Mean Square F Sig.

1 Regression 2526431372516,881 4 631607843129,220 31,621 ,000(a) Residual 659142641118,594 33 19974019427,836 Total 3185574013635,474 37 a Predictors: (Constant), Besarnya Cicilan per Bulan, Rasio Ketergantungan, Tingkat Pendidikan Ortu, Pendapatan Keluarga b Dependent Variable: Tunggakan Cicilan Coefficients(a) Model Unstandardized Coefficients B Std. Error Standardized Coefficients Beta -,211 -,190 ,254 ,561 t ,358 -1,777 -1,941 2,118 6,770 Sig. ,723 ,085 ,061 ,042 ,000

1 (Constant) 79880,591 223358,524 Pendapatan -,144 ,081 Keluarga Tingkat Pendidikan -34755,936 17908,076 Ortu Rasio 64904,444 30646,127 Ketergantungan Besarnya Cicilan 5,053 ,746 per Bulan a Dependent Variable: Tunggakan Cicilan

Berdasarkan Tabel 8.2. bagian Coefficients tersebut di atas, maka dapat dibuat model regresi linier berganda dengan persamaan sebagai berikut : Y = 79880,591 0,144 X1 34755,936 X2 + 64904,444 X3 + 5,053 X4 + E Nilai masing-masing koefisien regresi Variabel Independen dari model regresi linier tersebut memberikan gambaran bahwa: 1. Koefisien Regresi Variabel Pendapatan Keluarga (X1) sebesar 0,144 menggambarkan bahwa pendapatan keluarga mempunyai pengaruh negatif terhadap besarnya tunggakan cicilan bulanan kredit perumahan, artinya dengan

128

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

semakin besarnya pendapatan keluarga maka tunggakan cicilan bulanan kredit perumahan akan semakin kecil; 2. Koefisien Regresi Variabel Tingkat Pendidikan Orang Tua (X2) sebesar 34.755,936 menggambarkan bahwa tingkat pendidikan orang tua mempunyai pengaruh negatif terhadap besarnya tunggakan cicilan bulanan kredit perumahan, artinya dengan semakin tingginya tingkat pendidikan orang tua maka tunggakan cicilan bulanan kredit perumahan akan semakin kecil; 3. Koefisien Regresi Variabel Rasio Ketergantungan (X3) sebesar 64.904,444 menggambarkan pengaruh bahwa positif rasio ketergantungan mempunyai terhadap

besarnya tunggakan cicilan bulanan kredit perumahan, artinya dengan semakin besarnya rasio ketergantungan dalam keluarga maka akan semakin meningkatkan; 4. Koefisien Regresi Variabel Besarnya Cicilan per Bulan (X4) sebesar 5,053 menggambarkan bahwa besarnya cicilan per bulan berpengaruh positif terhadap besarnya tunggakan cicilan bulanan kredit perumahan, artinya dengan semakin besarnya cicilan per bulan maka akan semakin meningkatkan atau memperbesar tunggakan cicilan bulanan kredit perumahan.

Analisis Regresi Linier: Uji Asumsi Klasik

129

8.1.2. Uji Hipotesis Parsial (Uji T) Uji hipotesis secara parsial digunakan untuk mengetahui pengaruh dari masing-masing Variabel Independen terhadap Variabel Dependen. Uji ini dilakukan dengan membandingkan nilai T hitung dengan nilai T tabel. Nilai T hitung dari hasil pengolahan data dengan program SPSS dapat dilihat pada Tabel 8.2. bagian Coefficients. Hipotesis Statistik yang diajukan untuk Uji T adalah: Ho : b1 = 0 b2 = 0 b3 = 0 b4 = 0 Ha : b1 0 b2 0 b3 0 b4 0

Untuk memperoleh nilai T tabel, dapat dilihat pada tabel T Student, yaitu pada Degrees of Freedom (df) sebesar 33 (jumlah data dikurangi jumlah variabel) dan = 10% / 2 = 5% (uji dua arah) maka nilai T tabel sebesar 1,684.

Daerah Penolakan Ho 5% Daerah Penerimaan Ho 90 %

Daerah Penolakan Ho 5%

- 1,684

1,684

Gambar 8.4. Daerah Penerimaan dan Penolakan Ho

130

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Dengan membandingkan nilai T hitung dengan T tabel maka dapat disimpulkan: 1. Variabel Pendapatan Keluarga, yaitu T hitung < T tabel atau 1,777 < 1,684 maka Ho ditolak dan hipotesis penelitian diterima, artinya pendapatan keluarga mempunyai pengaruh yang signifikan terhadap bulanan kredit perumahan. 2. Variabel Tingkat Pendidikan Orang Tua, yaitu T hitung < T tabel atau 1,941 < 1,684 maka Ho ditolak dan hipotesis penelitian diterima, artinya tingkat pendidikan orang tua mempunyai pengaruh yang signifikan terhadap tunggakan cicilan bulanan kredit perumahan. 3. Variabel Rasio Ketergantungan, T hitung > T tabel atau 2,118 > 1,684 maka Ho ditolak dan hipotesis penelitian diterima, artinya rasio ketergantungan mempunyai pengaruh yang signifikan terhadap tunggakan cicilan bulanan kredit perumahan. 4. Variabel Besarnya Cicilan Bulanan, yaitu T hitung > T tabel atau 6,770 > 1,684 maka Ho ditolak dan hipotesis penelitian diterima, artinya besarnya cicilan per bulan mempunyai pengaruh yang signifikan terhadap bulanan kredit perumahan. Langkah pengujian hipotesis di atas dilakukan jika dalam pengolahan data peneliti sudah menyiapkan Tabel T Students, namun jika tabel tersebut tidak tersedia maka untuk tunggakan cicilan tunggakan cicilan

Analisis Regresi Linier: Uji Asumsi Klasik

131

memutuskan menerima atau menolak hipotesis penelitian dapat dilakukan dengan milihat nilai Signifikansi (Sig.) pada tabel 8.2. bagian Coefficients, yaitu masing-masing variabel independen mempunyai nilai Sig. di bawah 10% atau 0,100. Variabel Pendapatan Keluarga (X1) nilai Sig.-nya sebesar 0,085; Variabel Tingkat Pendidikan Orang Tua (X 2) nilai Sig.-nya sebesar 0,061; Variabel Rasio Ketergantungan (X3) nilai Sig.-nya sebesar 0,042; dan Variabel Besarnya Cicilan Per Bulan (X4) nilai Sig.-nya sebesar 0,000. Dengan demikian dapat disimpulkan bahwa Variabel Pendapatan Keluarga (X 1), Variabel Tingkat Pendidikan Orang Tua (X 2), Variabel Rasio Ketergantungan (X3), dan Variabel Besarnya Cicilan Per Bulan (X4), secara parsial mempunyai pengaruh yang signifikan terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit Perumahan (Y). 8.1.3. Uji Hipotesis Serempak (Uji F) Uji mengetahui hipotesis secara dari serempak Variabel digunakan Independen untuk secara pengaruh

keseluruhan terhadap Variabel Dependen. Uji ini dilakukan dengan membandingkan nilai F hitung dengan nilai F tabel. Nilai F hitung dapat dilihat pada Tabel 8.2, bagian ANOVA. Hipotesis Statistik yang diajukan untuk Uji F adalah: Ho Ha : b1 = b2 = b3 = b4 = 0 : b1 b2 b3 b4 0

132

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Nilai F tabel dengan tingkat signifikan = 5% dan Degrees of Freedom (df) sebesar 4 ; 33 adalah sebesar 2,65. Hasil pengolahan data (lihat Tabel 8.2) diketahui bahwa nilai F hitung sebesar 31,621 dan nilai F hitung tersebut lebih besar dari pada F tabel atau nilai Sig.-nya di bawah 0,050 atau 5%, maka keputusan yang dapat diambil adalah Ho ditolak dan hipotesis penelitian diterima, artinya Variabel Pendapatan Keluarga (X1), Variabel Tingkat Pendidikan Orang Tua (X2), Variabel Rasio Ketergantungan (X3), dan Variabel Besarnya Cicilan Per Bulan (X4), secara keseluruhan mempunyai pengaruh yang signifikan terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit Perumahan (Y). 8.1.4. Koefisien Determinasi (R Square) Nilai R2 atau R Square dapat dilihat pada Tabel 8.2, bagian Model Summary. Hasil pengolahan data menunjukkan bahwa nilai R2 sebesar 0,793. Nilai tersebut menggambarkan bahwa sumbangan Variabel Independen (Variabel Pendapatan Keluarga, Variabel Tingkat Pendidikan Orang Tua, Variabel Rasio Ketergantungan, dan Variabel Besarnya Cicilan Per Bulan) terhadap naik turunnya atau variasi Variabel Dependen (Variabel merupakan Besarnya Tunggakan dari Cicilan Bulanan lain yang Kredit tidak Perumahan) adalah sebesar 79,3% dan sisanya sebesar 20,6% sumbangan variabel dimasukkan dalam model yang diajukan dalam penelitian

Analisis Regresi Linier: Uji Asumsi Klasik

133

tersebut (terkumpul dalam Variabel Pengganggu atau E). Sedangkan untuk nilai R sebesar 0,891 atau 89,1% berarti hubungan antara Variabel Independen Dependen 100%. 8.2. UJI ASUMSI KLASIK 8.2.1. Uji Autokorelasi Uji Autokorelasi digunakan untuk menguji apakah dalam sebuah model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Untuk menguji Autokorelasi dapat dilihat dari nilai Durbin Waston (DW), yaitu jika nilai DW terletak antara du dan (4 dU) atau du DW (4 dU) berarti bebas dari Autokorelasi, sebaliknya jika nilai DW < dL atau DW > (4 dL) berarti terdapat Autokorelasi. Nilai dL dan dU dapat dilihat pada tabel Durbin Waston, yaitu nilai dL ; d U ; ; n ; (k 1). Keterangan: n adalah jumlah sampel, k adalah jumlah variabel, dan adalah taraf signifikan. Langkah untuk mengetahui nilai DW dengan program SPSS adalah sama dengan ketika mengolah dengan analisis regresi linier pada contoh kasus di atas, yaitu pilih menu Analyze, kemudian pilih sub menu Regression dan klik Linier. Ketika sudah masuk pada kotak Linier Regression, masukkan dalam penelitian tersebut dengan Variabel dapat dikatakan

mempunyai hubungan yang kuat atau erat karena mendekati

134

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Variabel Dependen ke kotak Dependent dan seluruh Variabel Independen ke kotak Independent (s) .

Gambar 8.5. Menguji Autokorelasi (1) Setelah semua variabel masuk pada tempatnya, klik Statistics ... maka akan tampil kotak Linier Regression: Statistics. Untuk pilihan Estimates dan Model Fit dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik tanda centang, dan untuk pilihan Durbin Waston diaktifkan kemudian klik Continue.

Gambar 8.6. Menguji Autokorelasi (2)

Analisis Regresi Linier: Uji Asumsi Klasik

135

Setelah diklik Continue maka akan kembali ke kotak Linier Regression dan kemudian langsung klik OK, maka akan tampil persis seperti pada Tabel 8.2. di atas, namun yang berbeda adalah pada bagian Model Summary akan tambah kolom Durbin Watson, yaitu sebagai berikut: Tabel 8.3. Hasil Pengolahan Data untuk Uji Autokorelasi
Model Summary(b) Adjusted R Std. Error of Durbin-Watson Square the Estimate 1 ,891(a) ,793 ,768 141329,471 1,777 a Predictors: (Constant), Besarnya Cicilan per Bulan, Rasio Ketergantungan, Tingkat Pendidikan Ortu, Pendapatan Keluarga b Dependent Variable: Tunggakan Cicilan Model R R Square

Nilai tabel Durbin Watson pada = 5%; n = 38; k 1 = 4 adalah dL = 1,26 dan dU = 1,72. Hasil pengolahan data pada Tabel 8.3. menunjukkan nilai Durbin Watson sebesar 1,777 dan nilai tersebut berada di antara dU dan (4 dU) atau 1,72 < 1,777 < 2,28 maka dapat disimpulkan bahwa dalam regresi linier tersebut tidak terdapat Autokorelasi atau tidak terjadi korelasi diantara kesalahan pengganggu. 8.2.2. Uji Multikolinearitas Uji Multikolinearitas digunakan untuk mengetahui apakah terjadi korelasi yang kuat di antara variabel-variabel independen yang diikutsertakan dalam pembentukan model. Untuk mendeteksi apakah model regresi linier mengalami multikolinearitas Inflation Factor dapat (VIF) diperiksa untuk menggunakan masing-masing Variance Variabel

136

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Independen, yaitu jika suatu Variabel Independen mempunyai nilai VIF > 10 berarti telah terjadi multikolinearitas. Untuk mendapatkan independen nilai dengan VIF untuk masing-masing hampir sama variabel dengan langkah

mendapatkan nilai Durbin Watson, yaitu: Setelah semua variabel masuk pada tempatnya di kotak Linier Regression, klik Statistics ... maka akan tampil kotak Linier Regression: Statistics. Untuk pilihan Estimates dan Model Fit dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik tanda centang, dan untuk pilihan Covarian matrix dan Colinearity diagnoctica diaktifkan, kemudian klik Contonue. Setelah kembali ke kotak Linier Regression langsung klik OK.

Gambar 8.7. Langkah Menguji Multikolonearitas Tampilan hasil pengolahan data tersebut adalah sebagai berikut (ditampilkan sebagian):

Analisis Regresi Linier: Uji Asumsi Klasik

137

Tabel 8.4. Hasil Pengolahan Data untuk Uji Multikolinearitas

Coefficients(a) Model 1 Pendapatan Keluarga Tingkat Pendidikan Ortu Rasio Ketergantungan Besarnya Cicilan per Bulan Collinearity Statistics Tolerance ,446 ,657 ,435 ,914 VIF 2,243 1,523 2,297 1,094

a Dependent Variable: Tunggakan Cicilan Coefficient Correlations(a) Model 1 Besarnya Cicilan per Bulan Rasio Ketergantu ngan Tingkat Pendidikan Ortu Pendapa tan Keluarga

Corre Besarnya lations Cicilan per 1,000 ,020 ,196 ,086 Bulan Rasio Ketergantu ,020 1,000 ,271 ,625 ngan Tingkat Pendidikan ,196 ,271 1,000 -,192 Ortu Pendapatan ,086 ,625 -,192 1,000 Keluarga Covari Besarnya ances Cicilan per ,557 453,422 2613,235 ,005 Bulan Rasio Ketergantu 453,422 939185082,342 148948109,823 1549,992 ngan Tingkat Pendidikan 2613,235 148948109,823 320699199,957 -278,911 Ortu Pendapatan ,005 1549,992 -278,911 ,007 Keluarga a Dependent Variable: Tunggakan Cicilan

Berdasarkan hasil pengolahan data pada Tabel 8.4. tersebut di atas, untuk menguji ada tidaknya Multikolinearitas pada model regresi linier dapat dilakukan dengan dua cara, yaitu dengan melihat nilai
138

VIF masing-masing

variabel

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

independen independen.

dan

melihat

nilai

korelasi

antar

variabel

Pada tabel 8.4. bagian Coefficients, diketahui bahwa nilai VIF dari masing-masing variabel independen lebih kecil dari pada 5, yaitu nilai VIF Variabel Pendapatan Keluarga sebesar 2,243; nilai VIF Variabel Tingkat Pendidikan Orang Tua sebesar 1,523; nilai VIF Variabel Rasio Ketergantungan sebesar 2,297; dan nilai VIF Variabel Besarnya Cicilan Per Bulan sebesar 1,094. Sedangkan pada bagian Coefficient Correlations, dapat dilihat bahwa nilai korelasi di antara variabel independen dapat dikatakan mempunyai korelasi yang lemah. Dengan demikian dapat disimpulkan bahwa di antara variabel independen tersebut tidak ada korelasi atau tidak terjadi Multikolinearitas pada model regresi linier. 8.2.3. Uji Heteroskedastisitas Uji Heteroskedastisitas digunakan untuk menguji apakah dalam model regresi liner kesalahan sama atau lain. pengganggu tidak dari Untuk (e) satu mempunyai varians yang

pengamatan ke pengamatan yang

menguji

Hiteroskedastisitas dapat diketahui dari nilai signifikan korelasi Rank Spearman antara masing-masing variabel independen dengan residualnya. Jika nilai signifikan lebih besar dari (5%) maka tidak terdapat Heteroskedastisitas, dan sebaliknya jika lebih kecil dari (5%) maka terdapat Heteroskedastisitas.

Analisis Regresi Linier: Uji Asumsi Klasik

139

Langkah untuk mendapatkan nilai residual adalah: pada tampilan Data View, pilih menu Transform dan klik Compute. Pada kotak Compute Variable, bagian Target Variable ketik Residual dan pada bagian Numeric Expression ketik: Y-(79880.591+(0.144*X1)+(34755.936*X2)+(64904.444*X3)+ (5.053*X4)) kemudian klik OK.

Gambar 8.8. Uji Heteroskedastisitas (1)

Gambar 8.9. Uji Heteroskedastisitas (2)

140

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Catatan: persamaan yang ditulis pada bagian Numeric Expression merupakan persamaan regresi linier berganda yang diperoleh dari pengolahan data di atas (lihat persamaan di halaman 128). Setelah proses tersebut selesai maka pada tampilan Data View akan bertambah satu kolom, yaitu kolom Residual, dan kemudian pada menu File klik Save atau langsung tombol Ctrl + S. Selanjutnya untuk proses mendapatkan nilai korelasi Rank Spearman adalah pilih menu Analyze, klik Correlate, dan klik Bivariate. Pada kotak Bivariate Correlations, pindahkan semua Variabel Independen dan residual ke Variables, kemudian untuk Correlation Coefficients hilangkan tanda centang pada Pearson dan beri tanda centang pada Spearman, kemudian klik OK.

Gambar 8.10. Uji Heteroskedastisitas (3)

Analisis Regresi Linier: Uji Asumsi Klasik

141

Hasil pengolahan data dengan korelasi Rank Spearman adalah sebagai berikut: Tabel 8.5. Hasil Pengolahan Data untuk Uji Heteroskedastisitas
Correlations Tung gakan Cicilan Spear man's rho Penda patan Keluar ga Tingkat Pendidi kan Ortu Rasio Keter gan tungan Besar nya Cicilan per Bulan Resi dual ,060 ,721 38 ,055 ,742 38 ,146 ,380 38 -,135 ,419 38 -,233 ,159 38 1,000 . 38

Tunggak Correlation 1,000 -,605(**) -,506(**) ,582(**) ,507(**) an Cici Coefficient lan Sig. (2-tailed) . ,000 ,001 ,000 ,001 N 38 38 38 38 38 Penda Correlation -,605(**) 1,000 ,510(**) -,679(**) -,087 patan Coefficient Keluar Sig. (2-tailed) ,000 . ,001 ,000 ,603 ga N 38 38 38 38 38 Tingkat Correlation -,506(**) ,510(**) 1,000 -,602(**) ,004 Pendidi Coefficient kan Ortu Sig. (2-tailed) ,001 ,001 . ,000 ,980 N 38 38 38 38 38 Rasio Correlation ,582(**) -,679(**) -,602(**) 1,000 -,008 Keter Coefficient gantu Sig. (2-tailed) ,000 ,000 ,000 . ,961 ngan N 38 38 38 38 38 Besar Correlation ,507(**) -,087 ,004 -,008 1,000 nya Coefficient Cicilan Sig. (2-tailed) ,001 ,603 ,980 ,961 . per N 38 38 38 38 38 Bulan Residual Correlation ,060 ,055 ,146 -,135 -,233 Coefficient Sig. (2-tailed) ,721 ,742 ,380 ,419 ,159 N 38 38 38 38 38 ** Correlation is significant at the 0.01 level (2-tailed).

Berdasarkan tabel 8.5 tersebut di atas, pada kolom Residual dapat dilihat bahwa nilai Correlation Coefficient adalah rendah atau nilai signifikan (Sig. (2-tailed)) masing

142

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

masing Variabel Independen di atas 5%, artinya masing-masing Variabel Independen (Variabel Pendapatan Keluarga, Variabel Tingkat Pendidikan Orang Tua, Variabel Rasio Ketergantungan, dan Variabel Besarnya Cicilan Per Bulan) tidak mempunyai hubungan dengan Residualnya. Dengan demikian, dapat disimpulkan bahwa tidak terdapat Heteroskedastisitas pada model regresi linier berganda diperoleh.

Analisis Regresi Linier: Uji Asumsi Klasik

143

144

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS