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

Sebelum melakukan pengolahan dan analisis data yang memerlukan perhatian adalah hal-hal sebagai berikut: 1. Contoh Kasus: Penelitian dengan judul: “Faktor-Faktor yang Mempengaruhi Tunggakan Cicilan Bulanan Kredit Perumahan”. Rasio Ketergantungan (X3). Hipotesis Penelitian Hipotesis penelitian yang diajukan adalah “ Tunggakan Pembayaran Cicilan Bulanan Kredit Perumahan (Y) dipengaruhi oleh Tingkat Pendapatan Keluarga (X 1).  Variabel Tingkat Pendapatan Keluarga (X1) dihitung dengan menjumlahkan besarnya penghasilan per bulan Analisis Regresi Linier: Uji Asumsi Klasik 123 . Untuk kebutuhan data penelitian tersebut. 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. Tingkat Pendidikan Orang Tua (X2).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. jumlah responden yang menjadi sampel sebanyak 38 responden dan untuk pengambilan data digunakan adalah teknik wawancara yang dipandu dengan kuesioner. dan Besarnya Cicilan Per Bulan (X4)” 2.

juga dilakukan uji pemenuhan asumsi klasik. 3. Hasil pengumpulan data dari 38 responden diperoleh data sebagai berikut: 124 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS . baik suami maupun istri.dari pekerjaan rutin dan pekerjaan sampingan. Selain itu. Untuk menguji hipotesis digunakan Uji T (parsial). 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. dan Uji Multikolonearitas.  Besarnya Cicilan Per Bulan (X4) dihitung berdasarkan besarnya cicilan bulanan kredit perumahan yang dibayar tiap bulan.  Rasio Ketergantungan (X3) dihitung dengan membagi antara jumlah anggota keluarga yang tidak bekerja (menjadi tanggungan yang bekerja) dengan jumlah anggota keluarga yang bekerja. yaitu Uji Autokorelasi. Uji F (serempak) dan R2. Sedangkan jenis uji hipotesis menggunakan uji dua arah dengan tingkat signifikan (α) sebesar 10%.  Tingkat Pendidikan Orang Tua (X2) dihitung dengan menjumlahkan skor tingkat pendidikan terakhir baik suami maupun istri. Uji Heteroskedastisitas.

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 .Tabel 8.1.

Kemudian klik Variable View. Gambar 8. Menu untuk Analisis Regresi Berganda 126 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .1. kemudian pilih sub menu Regression dan klik Linier. pilih menu Analyze. Name 3: X2.8. Analisis Regresi Berganda Untuk melakukan pengolahan data analisis regresi berganda dengan langkah sebagai berikut: 1. dan Name 5: X5.1. untuk Name 1: Y.2. Name 4: X3. Tampilan Variable View 2. Untuk Label diisi dengan nama masing-masing variabel. Name 2: X1.1. maka akan tampil sebagai berikut: Gambar 8. Masukkan data pada Tabel 8. Untuk mengolah data dengan analisis regresi linier.1. ke dalam Data View Program SPSS.

Ketika tampil kotak Linier Regression. Tingkat Pendidikan Ortu. Variabel Dependen dan Independen 3. dan Besarnya Cicilan Per Bulan (X4) dan klik tanda panah untuk Independents dan klik OK. Tingkat Pendidikan Ortu. Hasil Pengolahan Data Regresi Linier Berganda Variables Entered/Removed(b) Model 1 Variables Entered Variables Removed . Error of the Estimate 1 . Rasio Ketergantungan. Rasio Ketergantungan.Gambar 8. Pendapatan Keluarga Model R R Square Adjusted R Square Analisis Regresi Linier: Uji Asumsi Klasik 127 . Pendapatan Keluarga(a) a All requested variables entered. Method Enter Besarnya Cicilan per Bulan. Tabel 8. b Dependent Variable: Tunggakan Cicilan Model Summary Std.768 141329. klik Tunggakan Cicilan (Y) dan klik tanda panah (dalam lingkaran) untuk Dependent . Tingkat Pendidikan Orang Tua (X2).793 .3. Besarnya Cicilan per Bulan.891(a) .471 a Predictors: (Constant).2. Rasio Ketergantungan (X3). Blok variabel Pendapatan Keluarga (X1).

444 X3 + 5. Error Standardized Coefficients Beta -.777 -1.2.723 .836 Total 3185574013635.561 t .144 . bagian Coefficients tersebut di atas.042 .081 Keluarga Tingkat Pendidikan -34755.254 .144 X1 – 34755. 1 Regression 2526431372516.190 . artinya dengan 128 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .591 – 0.085 .211 -.000 1 (Constant) 79880.746 per Bulan a Dependent Variable: Tunggakan Cicilan Berdasarkan Tabel 8.061 .220 31. Koefisien Regresi Variabel Pendapatan Keluarga (X1) sebesar – 0.881 4 631607843129. maka dapat dibuat model regresi linier berganda dengan persamaan sebagai berikut : Y = 79880. Tingkat Pendidikan Ortu.144 menggambarkan bahwa pendapatan keluarga mempunyai pengaruh negatif terhadap besarnya tunggakan cicilan bulanan kredit perumahan.591 223358.053 X4 + E Nilai masing-masing koefisien regresi Variabel Independen dari model regresi linier tersebut memberikan gambaran bahwa: 1.936 X2 + 64904.053 .000(a) Residual 659142641118.594 33 19974019427.524 Pendapatan -.621 .936 17908. Besarnya Cicilan per Bulan.474 37 a Predictors: (Constant).770 Sig.941 2. . Rasio Ketergantungan.076 Ortu Rasio 64904. Pendapatan Keluarga b Dependent Variable: Tunggakan Cicilan Coefficients(a) Model Unstandardized Coefficients B Std.127 Ketergantungan Besarnya Cicilan 5.ANOVA(b) Model Sum of Squares df Mean Square F Sig.358 -1.444 30646.118 6.

4.semakin besarnya pendapatan keluarga maka tunggakan cicilan bulanan kredit perumahan akan semakin kecil.904.444 menggambarkan pengaruh bahwa positif rasio ketergantungan mempunyai terhadap besarnya tunggakan cicilan bulanan kredit perumahan. Koefisien Regresi Variabel Rasio Ketergantungan (X3) sebesar 64. Analisis Regresi Linier: Uji Asumsi Klasik 129 . artinya dengan semakin besarnya rasio ketergantungan dalam keluarga maka akan semakin meningkatkan.755. artinya dengan semakin besarnya cicilan per bulan maka akan semakin meningkatkan atau memperbesar tunggakan cicilan bulanan kredit perumahan. 2.053 menggambarkan bahwa besarnya cicilan per bulan berpengaruh positif terhadap besarnya tunggakan cicilan bulanan kredit perumahan.936 menggambarkan bahwa tingkat pendidikan orang tua mempunyai pengaruh negatif terhadap besarnya tunggakan cicilan bulanan kredit perumahan. 3. Koefisien Regresi Variabel Tingkat Pendidikan Orang Tua (X2) sebesar – 34. artinya dengan semakin tingginya tingkat pendidikan orang tua maka tunggakan cicilan bulanan kredit perumahan akan semakin kecil. Koefisien Regresi Variabel Besarnya Cicilan per Bulan (X4) sebesar 5.

Daerah Penolakan Ho 5% Daerah Penerimaan Ho 90 % Daerah Penolakan Ho 5% .684.684 Gambar 8. 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 8.8. 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.4. Daerah Penerimaan dan Penolakan Ho 130 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .2. bagian Coefficients.2. Uji Hipotesis Parsial (Uji T) Uji hipotesis secara parsial digunakan untuk mengetahui pengaruh dari masing-masing Variabel Independen terhadap Variabel Dependen. yaitu pada Degrees of Freedom (df) sebesar 33 (jumlah data dikurangi jumlah variabel) dan ½  = 10% / 2 = 5% (uji dua arah) maka nilai T tabel sebesar  1.1.1. dapat dilihat pada tabel T Student.684 1.

2.777 < –1. yaitu –T hitung < – T tabel atau – 1. artinya besarnya cicilan per bulan mempunyai pengaruh yang signifikan terhadap bulanan kredit perumahan. yaitu T hitung > T tabel atau 6.770 > 1. Variabel Pendapatan Keluarga. Langkah pengujian hipotesis di atas dilakukan jika dalam pengolahan data peneliti sudah menyiapkan Tabel T Students.Dengan membandingkan nilai T hitung dengan T tabel maka dapat disimpulkan: 1. T hitung > T tabel atau 2.684 maka Ho ditolak dan hipotesis penelitian diterima. Variabel Tingkat Pendidikan Orang Tua.118 > 1. yaitu –T hitung < –T tabel atau –1. 3. artinya pendapatan keluarga mempunyai pengaruh yang signifikan terhadap bulanan kredit perumahan. artinya tingkat pendidikan orang tua mempunyai pengaruh yang signifikan terhadap tunggakan cicilan bulanan kredit perumahan. artinya rasio ketergantungan mempunyai pengaruh yang signifikan terhadap tunggakan cicilan bulanan kredit perumahan.684 maka Ho ditolak dan hipotesis penelitian diterima.684 maka Ho ditolak dan hipotesis penelitian diterima. 4. namun jika tabel tersebut tidak tersedia maka untuk tunggakan cicilan tunggakan cicilan Analisis Regresi Linier: Uji Asumsi Klasik 131 .684 maka Ho ditolak dan hipotesis penelitian diterima. Variabel Rasio Ketergantungan. Variabel Besarnya Cicilan Bulanan.941 < –1.

di bawah 10% atau 0.-nya sebesar 0.-nya sebesar 0.memutuskan menerima atau menolak hipotesis penelitian dapat dilakukan dengan milihat nilai Signifikansi (Sig.2. Dengan demikian dapat disimpulkan bahwa Variabel Pendapatan Keluarga (X 1).2.1. bagian ANOVA.085. secara parsial mempunyai pengaruh yang signifikan terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit Perumahan (Y). yaitu masing-masing variabel independen mempunyai nilai Sig.) pada tabel 8.042.3. Uji Hipotesis Serempak (Uji F) Uji mengetahui hipotesis secara dari serempak Variabel digunakan Independen untuk secara pengaruh keseluruhan terhadap Variabel Dependen. Nilai F hitung dapat dilihat pada Tabel 8.000. Variabel Tingkat Pendidikan Orang Tua (X 2). Uji ini dilakukan dengan membandingkan nilai F hitung dengan nilai F tabel.061. Variabel Tingkat Pendidikan Orang Tua (X 2) nilai Sig. Variabel Pendapatan Keluarga (X1) nilai Sig. Variabel Rasio Ketergantungan (X3) nilai Sig. bagian Coefficients.-nya sebesar 0.100. dan Variabel Besarnya Cicilan Per Bulan (X4) nilai Sig. 8. 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 .-nya sebesar 0. Variabel Rasio Ketergantungan (X3). dan Variabel Besarnya Cicilan Per Bulan (X4).

33 adalah sebesar 2. Variabel Tingkat Pendidikan Orang Tua. maka keputusan yang dapat diambil adalah Ho ditolak dan hipotesis penelitian diterima. Variabel Tingkat Pendidikan Orang Tua (X2).793. Hasil pengolahan data menunjukkan bahwa nilai R2 sebesar 0.050 atau 5%.3% dan sisanya sebesar 20. Variabel Rasio Ketergantungan (X3). Variabel Rasio Ketergantungan.6% sumbangan variabel dimasukkan dalam model yang diajukan dalam penelitian Analisis Regresi Linier: Uji Asumsi Klasik 133 . 8.65. Hasil pengolahan data (lihat Tabel 8.1. artinya Variabel Pendapatan Keluarga (X1). secara keseluruhan mempunyai pengaruh yang signifikan terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit Perumahan (Y). 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 79.2) diketahui bahwa nilai F hitung sebesar 31. Nilai tersebut menggambarkan bahwa sumbangan Variabel Independen (Variabel Pendapatan Keluarga. dan Variabel Besarnya Cicilan Per Bulan (X4).Nilai F tabel dengan tingkat signifikan  = 5% dan Degrees of Freedom (df) sebesar 4 . bagian Model Summary.621 dan nilai F hitung tersebut lebih besar dari pada F tabel atau nilai Sig.4.2. Koefisien Determinasi (R Square) Nilai R2 atau R Square dapat dilihat pada Tabel 8.-nya di bawah 0.

n . 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).tersebut (terkumpul dalam Variabel Pengganggu atau E). dan α adalah taraf signifikan. d U .1% berarti hubungan antara Variabel Independen Dependen 100%. yaitu jika nilai DW terletak antara du dan (4 – dU) atau du ≤ DW ≤ (4 – dU) berarti bebas dari Autokorelasi. k adalah jumlah variabel. 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 . Untuk menguji Autokorelasi dapat dilihat dari nilai Durbin Waston (DW). yaitu pilih menu Analyze. Langkah untuk mengetahui nilai DW dengan program SPSS adalah sama dengan ketika mengolah dengan analisis regresi linier pada contoh kasus di atas.1. α .891 atau 89. Keterangan: n adalah jumlah sampel. Sedangkan untuk nilai R sebesar 0. Nilai dL dan dU dapat dilihat pada tabel Durbin Waston.2. yaitu nilai dL . 8.2. kemudian pilih sub menu Regression dan klik Linier. sebaliknya jika nilai DW < dL atau DW > (4 – dL) berarti terdapat Autokorelasi. UJI ASUMSI KLASIK 8. Ketika sudah masuk pada kotak Linier Regression. (k – 1).

..Variabel Dependen ke kotak Dependent dan seluruh Variabel Independen ke kotak Independent (s) .5.6. klik Statistics . Menguji Autokorelasi (1) Setelah semua variabel masuk pada tempatnya. Menguji Autokorelasi (2) Analisis Regresi Linier: Uji Asumsi Klasik 135 . maka akan tampil kotak Linier Regression: Statistics. Untuk pilihan Estimates dan Model Fit dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik tanda centang. Gambar 8. dan untuk pilihan Durbin Waston diaktifkan kemudian klik Continue. Gambar 8.

2. 8.2. Uji Multikolinearitas Uji Multikolinearitas digunakan untuk mengetahui apakah terjadi korelasi yang kuat di antara variabel-variabel independen yang diikutsertakan dalam pembentukan model. k – 1 = 4 adalah dL = 1. Hasil pengolahan data pada Tabel 8.471 1.777 dan nilai tersebut berada di antara dU dan (4 – dU) atau 1. Besarnya Cicilan per Bulan. 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 . menunjukkan nilai Durbin Watson sebesar 1.28 maka dapat disimpulkan bahwa dalam regresi linier tersebut tidak terdapat Autokorelasi atau tidak terjadi korelasi diantara kesalahan pengganggu. Tingkat Pendidikan Ortu.3.777 a Predictors: (Constant).3. namun yang berbeda adalah pada bagian Model Summary akan tambah kolom Durbin Watson.768 141329.891(a) . yaitu sebagai berikut: Tabel 8.793 . di atas.72 < 1. Hasil Pengolahan Data untuk Uji Autokorelasi Model Summary(b) Adjusted R Std. Rasio Ketergantungan.Setelah diklik Continue maka akan kembali ke kotak Linier Regression dan kemudian langsung klik OK. Error of Durbin-Watson Square the Estimate 1 .26 dan dU = 1.777 < 2. maka akan tampil persis seperti pada Tabel 8. n = 38.2.72. Pendapatan Keluarga b Dependent Variable: Tunggakan Cicilan Model R R Square Nilai tabel Durbin Watson pada α = 5%.

Untuk mendapatkan independen nilai dengan VIF untuk masing-masing hampir sama variabel dengan langkah mendapatkan nilai Durbin Watson. Langkah Menguji Multikolonearitas Tampilan hasil pengolahan data tersebut adalah sebagai berikut (ditampilkan sebagian): Analisis Regresi Linier: Uji Asumsi Klasik 137 . Setelah kembali ke kotak Linier Regression langsung klik OK.. dan untuk pilihan Covarian matrix dan Colinearity diagnoctica diaktifkan.7. klik Statistics . Untuk pilihan Estimates dan Model Fit dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik tanda centang. kemudian klik Contonue. maka akan tampil kotak Linier Regression: Statistics.Independen. yaitu: Setelah semua variabel masuk pada tempatnya di kotak Linier Regression. yaitu jika suatu Variabel Independen mempunyai nilai VIF > 10 berarti telah terjadi multikolinearitas. Gambar 8..

000 .422 2613.446 .911 Ortu Pendapatan .657 .992 -278.911 .243 1.235 148948109.523 2.000 Keluarga Covari Besarnya ances Cicilan per .625 ngan Tingkat Pendidikan .823 320699199.297 1.192 1.557 453.422 939185082. untuk menguji ada tidaknya Multikolinearitas pada model regresi linier dapat dilakukan dengan dua cara.271 1.196 .196 .007 Keluarga a Dependent Variable: Tunggakan Cicilan Berdasarkan hasil pengolahan data pada Tabel 8. tersebut di atas.435 .625 -.823 1549.020 1. Hasil Pengolahan Data untuk Uji Multikolinearitas Coefficients(a) Model 1 Pendapatan Keluarga Tingkat Pendidikan Ortu Rasio Ketergantungan Besarnya Cicilan per Bulan Collinearity Statistics Tolerance .4.005 1549.342 148948109.086 Bulan Rasio Ketergantu . yaitu dengan melihat nilai 138 VIF masing-masing variabel Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .992 ngan Tingkat Pendidikan 2613.235 .086 .914 VIF 2.020 .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 .005 Bulan Rasio Ketergantu 453.192 Ortu Pendapatan .4.957 -278.000 -.Tabel 8.271 .

4. Uji Heteroskedastisitas Uji Heteroskedastisitas digunakan untuk menguji apakah dalam model regresi liner kesalahan sama atau lain. Dengan demikian dapat disimpulkan bahwa di antara variabel independen tersebut tidak ada korelasi atau tidak terjadi Multikolinearitas pada model regresi linier.independen independen.523. bagian Coefficients. nilai VIF Variabel Rasio Ketergantungan sebesar 2. 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. dan sebaliknya jika lebih kecil dari α (5%) maka terdapat Heteroskedastisitas. dapat dilihat bahwa nilai korelasi di antara variabel independen dapat dikatakan mempunyai korelasi yang lemah.297. Sedangkan pada bagian Coefficient Correlations. Jika nilai signifikan lebih besar dari α (5%) maka tidak terdapat Heteroskedastisitas.094. Analisis Regresi Linier: Uji Asumsi Klasik 139 . dan nilai VIF Variabel Besarnya Cicilan Per Bulan sebesar 1.243.3. yaitu nilai VIF Variabel Pendapatan Keluarga sebesar 2. 8. dan melihat nilai korelasi antar variabel Pada tabel 8.2. diketahui bahwa nilai VIF dari masing-masing variabel independen lebih kecil dari pada 5. nilai VIF Variabel Tingkat Pendidikan Orang Tua sebesar 1.

936*X2)+(64904.444*X3)+ (5. Uji Heteroskedastisitas (1) Gambar 8.9. Uji Heteroskedastisitas (2) 140 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS . pilih menu Transform dan klik Compute. Pada kotak Compute Variable. Gambar 8. bagian Target Variable ketik Residual dan pada bagian Numeric Expression ketik: Y-(79880.053*X4)) kemudian klik OK.144*X1)+(–34755.Langkah untuk mendapatkan nilai residual adalah: pada tampilan Data View.591+(–0.8.

10. dan kemudian pada menu File klik Save atau langsung tombol Ctrl + S. kemudian klik OK.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). Pada kotak Bivariate Correlations. Selanjutnya untuk proses mendapatkan nilai korelasi Rank Spearman adalah pilih menu Analyze. yaitu kolom Residual. kemudian untuk Correlation Coefficients hilangkan tanda centang pada Pearson dan beri tanda centang pada Spearman. pindahkan semua Variabel Independen dan residual ke Variables. dan klik Bivariate. klik Correlate. Gambar 8. Uji Heteroskedastisitas (3) Analisis Regresi Linier: Uji Asumsi Klasik 141 . Setelah proses tersebut selesai maka pada tampilan Data View akan bertambah satu kolom.

(2-tailed) .961 .055 .602(**) 1.721 .008 1.001 .679(**) -.380 38 -.742 .603 ga N 38 38 38 38 38 Tingkat Correlation -.004 Pendidi Coefficient kan Ortu Sig. 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 .602(**) . (2-tailed) .001 .001 . (2-tailed) .000 .510(**) 1.135 .507(**) -.233 .004 -.000 .000 . (2-tailed) . per N 38 38 38 38 38 Bulan Residual Correlation .01 level (2-tailed). .159 38 1.233 Coefficient Sig.060 .679(**) -.507(**) an Cici Coefficient lan Sig.980 .510(**) -.000 nya Coefficient Cicilan Sig.380 .603 .087 patan Coefficient Keluar Sig.001 .419 .000 .605(**) 1. Berdasarkan tabel 8.582(**) -.721 38 . 38 Tunggak Correlation 1.087 .000 .582(**) .000 -.008 Keter Coefficient gantu Sig.159 N 38 38 38 38 38 ** Correlation is significant at the 0.506(**) .001 . .605(**) -.5.000 .000 -.000 .419 38 -.000 .Hasil pengolahan data dengan korelasi Rank Spearman adalah sebagai berikut: Tabel 8.506(**) . .146 .961 ngan N 38 38 38 38 38 Besar Correlation . pada kolom Residual dapat dilihat bahwa nilai Correlation Coefficient adalah rendah atau nilai signifikan (Sig.000 -.135 -. . (2-tailed) .980 N 38 38 38 38 38 Rasio Correlation .742 38 .5 tersebut di atas. (2-tailed)) masing 142 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS . (2-tailed) .055 .146 -.000 .000 .001 N 38 38 38 38 38 Penda Correlation -.060 .

Analisis Regresi Linier: Uji Asumsi Klasik 143 . dan Variabel Besarnya Cicilan Per Bulan) tidak mempunyai hubungan dengan Residualnya. dapat disimpulkan bahwa tidak terdapat Heteroskedastisitas pada model regresi linier berganda diperoleh.masing Variabel Independen di atas 5%. Variabel Tingkat Pendidikan Orang Tua. Dengan demikian. Variabel Rasio Ketergantungan. artinya masing-masing Variabel Independen (Variabel Pendapatan Keluarga.

144 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .