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

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

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

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 .

Analisis Regresi Berganda Untuk melakukan pengolahan data analisis regresi berganda dengan langkah sebagai berikut: 1. Untuk mengolah data dengan analisis regresi linier. pilih menu Analyze. untuk Name 1: Y.2. Name 2: X1.1. Gambar 8.1.1. Masukkan data pada Tabel 8.8. Untuk Label diisi dengan nama masing-masing variabel.1. maka akan tampil sebagai berikut: Gambar 8. Tampilan Variable View 2. Menu untuk Analisis Regresi Berganda 126 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS . kemudian pilih sub menu Regression dan klik Linier. ke dalam Data View Program SPSS. dan Name 5: X5. Kemudian klik Variable View. Name 4: X3. Name 3: X2.

Pendapatan Keluarga Model R R Square Adjusted R Square Analisis Regresi Linier: Uji Asumsi Klasik 127 .2. Variabel Dependen dan Independen 3.891(a) .793 . Hasil Pengolahan Data Regresi Linier Berganda Variables Entered/Removed(b) Model 1 Variables Entered Variables Removed . Method Enter Besarnya Cicilan per Bulan. klik Tunggakan Cicilan (Y) dan klik tanda panah (dalam lingkaran) untuk Dependent . dan Besarnya Cicilan Per Bulan (X4) dan klik tanda panah untuk Independents dan klik OK. Pendapatan Keluarga(a) a All requested variables entered. Tingkat Pendidikan Orang Tua (X2). Rasio Ketergantungan. Rasio Ketergantungan (X3). Tabel 8.471 a Predictors: (Constant). Error of the Estimate 1 . b Dependent Variable: Tunggakan Cicilan Model Summary Std. Ketika tampil kotak Linier Regression.Gambar 8. Besarnya Cicilan per Bulan. Rasio Ketergantungan. Tingkat Pendidikan Ortu.3.768 141329. Blok variabel Pendapatan Keluarga (X1). Tingkat Pendidikan Ortu.

Tingkat Pendidikan Ortu. Pendapatan Keluarga b Dependent Variable: Tunggakan Cicilan Coefficients(a) Model Unstandardized Coefficients B Std.254 . maka dapat dibuat model regresi linier berganda dengan persamaan sebagai berikut : Y = 79880.591 – 0.941 2.358 -1.000(a) Residual 659142641118.936 17908.042 .076 Ortu Rasio 64904.836 Total 3185574013635.053 X4 + E Nilai masing-masing koefisien regresi Variabel Independen dari model regresi linier tersebut memberikan gambaran bahwa: 1.777 -1.2.591 223358.190 . Rasio Ketergantungan. 1 Regression 2526431372516. Error Standardized Coefficients Beta -.770 Sig.444 30646.444 X3 + 5.081 Keluarga Tingkat Pendidikan -34755.621 .936 X2 + 64904. Koefisien Regresi Variabel Pendapatan Keluarga (X1) sebesar – 0.118 6. artinya dengan 128 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS . Besarnya Cicilan per Bulan.220 31.144 menggambarkan bahwa pendapatan keluarga mempunyai pengaruh negatif terhadap besarnya tunggakan cicilan bulanan kredit perumahan. bagian Coefficients tersebut di atas.000 1 (Constant) 79880.211 -.723 .474 37 a Predictors: (Constant).127 Ketergantungan Besarnya Cicilan 5.085 .053 .061 .524 Pendapatan -.561 t . .144 .881 4 631607843129.746 per Bulan a Dependent Variable: Tunggakan Cicilan Berdasarkan Tabel 8.ANOVA(b) Model Sum of Squares df Mean Square F Sig.144 X1 – 34755.594 33 19974019427.

904.444 menggambarkan pengaruh bahwa positif rasio ketergantungan mempunyai terhadap besarnya tunggakan cicilan bulanan kredit perumahan.936 menggambarkan bahwa tingkat pendidikan orang tua mempunyai pengaruh negatif terhadap besarnya tunggakan cicilan bulanan kredit perumahan. 2.semakin besarnya pendapatan keluarga maka tunggakan cicilan bulanan kredit perumahan akan semakin kecil. Koefisien Regresi Variabel Rasio Ketergantungan (X3) sebesar 64.755. Analisis Regresi Linier: Uji Asumsi Klasik 129 . Koefisien Regresi Variabel Tingkat Pendidikan Orang Tua (X2) sebesar – 34. Koefisien Regresi Variabel Besarnya Cicilan per Bulan (X4) sebesar 5. artinya dengan semakin besarnya cicilan per bulan maka akan semakin meningkatkan atau memperbesar tunggakan cicilan bulanan kredit perumahan.053 menggambarkan bahwa besarnya cicilan per bulan berpengaruh positif terhadap besarnya tunggakan cicilan bulanan kredit perumahan. artinya dengan semakin besarnya rasio ketergantungan dalam keluarga maka akan semakin meningkatkan. 4. 3. artinya dengan semakin tingginya tingkat pendidikan orang tua maka tunggakan cicilan bulanan kredit perumahan akan semakin kecil.

684 Gambar 8. bagian Coefficients. Nilai T hitung dari hasil pengolahan data dengan program SPSS dapat dilihat pada Tabel 8. Daerah Penolakan Ho 5% Daerah Penerimaan Ho 90 % Daerah Penolakan Ho 5% . 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. Uji ini dilakukan dengan membandingkan nilai T hitung dengan nilai T tabel.684. Uji Hipotesis Parsial (Uji T) Uji hipotesis secara parsial digunakan untuk mengetahui pengaruh dari masing-masing Variabel Independen terhadap Variabel Dependen.4.2. 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  1.684 1.2. dapat dilihat pada tabel T Student. Daerah Penerimaan dan Penolakan Ho 130 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .8.1.1.

4. namun jika tabel tersebut tidak tersedia maka untuk tunggakan cicilan tunggakan cicilan Analisis Regresi Linier: Uji Asumsi Klasik 131 .770 > 1.777 < –1. 3.118 > 1. T hitung > T tabel atau 2. yaitu –T hitung < –T tabel atau –1.684 maka Ho ditolak dan hipotesis penelitian diterima. artinya pendapatan keluarga mempunyai pengaruh yang signifikan terhadap bulanan kredit perumahan.684 maka Ho ditolak dan hipotesis penelitian diterima. yaitu –T hitung < – T tabel atau – 1. artinya besarnya cicilan per bulan mempunyai pengaruh yang signifikan terhadap bulanan kredit perumahan. Variabel Pendapatan Keluarga. Variabel Rasio Ketergantungan. 2. Variabel Tingkat Pendidikan Orang Tua. artinya tingkat pendidikan orang tua mempunyai pengaruh yang signifikan terhadap tunggakan cicilan bulanan kredit perumahan.Dengan membandingkan nilai T hitung dengan T tabel maka dapat disimpulkan: 1. artinya rasio ketergantungan mempunyai pengaruh yang signifikan terhadap tunggakan cicilan bulanan kredit perumahan.941 < –1. yaitu T hitung > T tabel atau 6. Variabel Besarnya Cicilan Bulanan.684 maka Ho ditolak dan hipotesis penelitian diterima.684 maka Ho ditolak dan hipotesis penelitian diterima. Langkah pengujian hipotesis di atas dilakukan jika dalam pengolahan data peneliti sudah menyiapkan Tabel T Students.

dan Variabel Besarnya Cicilan Per Bulan (X4) nilai Sig.memutuskan menerima atau menolak hipotesis penelitian dapat dilakukan dengan milihat nilai Signifikansi (Sig.000.085. yaitu masing-masing variabel independen mempunyai nilai Sig. Variabel Pendapatan Keluarga (X1) nilai Sig. Variabel Rasio Ketergantungan (X3) nilai Sig.042. secara parsial mempunyai pengaruh yang signifikan terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit Perumahan (Y). Nilai F hitung dapat dilihat pada Tabel 8. dan Variabel Besarnya Cicilan Per Bulan (X4). Variabel Tingkat Pendidikan Orang Tua (X 2).-nya sebesar 0. 8. Variabel Rasio Ketergantungan (X3). Dengan demikian dapat disimpulkan bahwa Variabel Pendapatan Keluarga (X 1). Uji ini dilakukan dengan membandingkan nilai F hitung dengan nilai F tabel. Uji Hipotesis Serempak (Uji F) Uji mengetahui hipotesis secara dari serempak Variabel digunakan Independen untuk secara pengaruh keseluruhan terhadap Variabel Dependen. di bawah 10% atau 0. bagian Coefficients. Variabel Tingkat Pendidikan Orang Tua (X 2) nilai Sig. 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 .2.-nya sebesar 0.) pada tabel 8.1.3.100.061. bagian ANOVA.-nya sebesar 0.-nya sebesar 0.2.

2) diketahui bahwa nilai F hitung sebesar 31. dan Variabel Besarnya Cicilan Per Bulan (X4). Variabel Rasio Ketergantungan (X3). secara keseluruhan mempunyai pengaruh yang signifikan terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit Perumahan (Y). Hasil pengolahan data (lihat Tabel 8. artinya Variabel Pendapatan Keluarga (X1). maka keputusan yang dapat diambil adalah Ho ditolak dan hipotesis penelitian diterima. Nilai tersebut menggambarkan bahwa sumbangan Variabel Independen (Variabel Pendapatan Keluarga.2.Nilai F tabel dengan tingkat signifikan  = 5% dan Degrees of Freedom (df) sebesar 4 .6% sumbangan variabel dimasukkan dalam model yang diajukan dalam penelitian Analisis Regresi Linier: Uji Asumsi Klasik 133 . 33 adalah sebesar 2. Variabel Tingkat Pendidikan Orang Tua (X2).4.3% dan sisanya sebesar 20. 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 79.050 atau 5%. bagian Model Summary.-nya di bawah 0. Hasil pengolahan data menunjukkan bahwa nilai R2 sebesar 0. Koefisien Determinasi (R Square) Nilai R2 atau R Square dapat dilihat pada Tabel 8.1. Variabel Tingkat Pendidikan Orang Tua. Variabel Rasio Ketergantungan.793. 8.65.621 dan nilai F hitung tersebut lebih besar dari pada F tabel atau nilai Sig.

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

Gambar 8. dan untuk pilihan Durbin Waston diaktifkan kemudian klik Continue. klik Statistics . Untuk pilihan Estimates dan Model Fit dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik tanda centang.. Menguji Autokorelasi (2) Analisis Regresi Linier: Uji Asumsi Klasik 135 .6. Gambar 8..5.Variabel Dependen ke kotak Dependent dan seluruh Variabel Independen ke kotak Independent (s) . Menguji Autokorelasi (1) Setelah semua variabel masuk pada tempatnya. maka akan tampil kotak Linier Regression: Statistics.

2.777 < 2.28 maka dapat disimpulkan bahwa dalam regresi linier tersebut tidak terdapat Autokorelasi atau tidak terjadi korelasi diantara kesalahan pengganggu.471 1. Hasil Pengolahan Data untuk Uji Autokorelasi Model Summary(b) Adjusted R Std. n = 38. Tingkat Pendidikan Ortu.777 a Predictors: (Constant). menunjukkan nilai Durbin Watson sebesar 1.2.72. Hasil pengolahan data pada Tabel 8. namun yang berbeda adalah pada bagian Model Summary akan tambah kolom Durbin Watson.Setelah diklik Continue maka akan kembali ke kotak Linier Regression dan kemudian langsung klik OK.768 141329. Besarnya Cicilan per Bulan.3. Rasio Ketergantungan. 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 . k – 1 = 4 adalah dL = 1. di atas.891(a) . 8.2. yaitu sebagai berikut: Tabel 8.777 dan nilai tersebut berada di antara dU dan (4 – dU) atau 1. Pendapatan Keluarga b Dependent Variable: Tunggakan Cicilan Model R R Square Nilai tabel Durbin Watson pada α = 5%.72 < 1. Error of Durbin-Watson Square the Estimate 1 . Uji Multikolinearitas Uji Multikolinearitas digunakan untuk mengetahui apakah terjadi korelasi yang kuat di antara variabel-variabel independen yang diikutsertakan dalam pembentukan model.3.793 . maka akan tampil persis seperti pada Tabel 8.26 dan dU = 1.

klik Statistics . yaitu jika suatu Variabel Independen mempunyai nilai VIF > 10 berarti telah terjadi multikolinearitas. 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.Independen. kemudian klik Contonue. Untuk pilihan Estimates dan Model Fit dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik tanda centang. maka akan tampil kotak Linier Regression: Statistics. Gambar 8. yaitu: Setelah semua variabel masuk pada tempatnya di kotak Linier Regression. Untuk mendapatkan independen nilai dengan VIF untuk masing-masing hampir sama variabel dengan langkah mendapatkan nilai Durbin Watson. dan untuk pilihan Covarian matrix dan Colinearity diagnoctica diaktifkan.7...

914 VIF 2.823 1549. tersebut di atas. yaitu dengan melihat nilai 138 VIF masing-masing variabel Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS . Hasil Pengolahan Data untuk Uji Multikolinearitas Coefficients(a) Model 1 Pendapatan Keluarga Tingkat Pendidikan Ortu Rasio Ketergantungan Besarnya Cicilan per Bulan Collinearity Statistics Tolerance .000 -.196 .Tabel 8.000 .557 453.422 2613.625 ngan Tingkat Pendidikan .000 Keluarga Covari Besarnya ances Cicilan per .192 1.4.911 Ortu Pendapatan .911 . untuk menguji ada tidaknya Multikolinearitas pada model regresi linier dapat dilakukan dengan dua cara.086 Bulan Rasio Ketergantu .235 .342 148948109.007 Keluarga a Dependent Variable: Tunggakan Cicilan Berdasarkan hasil pengolahan data pada Tabel 8.243 1.446 .957 -278.192 Ortu Pendapatan .4.005 1549.422 939185082.020 1.235 148948109.020 .625 -.823 320699199.005 Bulan Rasio Ketergantu 453.086 .271 1.657 .297 1.000 .435 .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 1.196 .992 ngan Tingkat Pendidikan 2613.992 -278.271 .523 2.

independen independen. Jika nilai signifikan lebih besar dari α (5%) maka tidak terdapat Heteroskedastisitas. yaitu nilai VIF Variabel Pendapatan Keluarga sebesar 2. dan melihat nilai korelasi antar variabel Pada tabel 8.243. Dengan demikian dapat disimpulkan bahwa di antara variabel independen tersebut tidak ada korelasi atau tidak terjadi Multikolinearitas pada model regresi linier.3. 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.2. nilai VIF Variabel Rasio Ketergantungan sebesar 2.297. Sedangkan pada bagian Coefficient Correlations. diketahui bahwa nilai VIF dari masing-masing variabel independen lebih kecil dari pada 5.094. dan nilai VIF Variabel Besarnya Cicilan Per Bulan sebesar 1. nilai VIF Variabel Tingkat Pendidikan Orang Tua sebesar 1. dapat dilihat bahwa nilai korelasi di antara variabel independen dapat dikatakan mempunyai korelasi yang lemah. bagian Coefficients. dan sebaliknya jika lebih kecil dari α (5%) maka terdapat Heteroskedastisitas. Analisis Regresi Linier: Uji Asumsi Klasik 139 . 8.4. Uji Heteroskedastisitas Uji Heteroskedastisitas digunakan untuk menguji apakah dalam model regresi liner kesalahan sama atau lain.523.

Uji Heteroskedastisitas (2) 140 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .144*X1)+(–34755.053*X4)) kemudian klik OK. Gambar 8.9. Uji Heteroskedastisitas (1) Gambar 8.936*X2)+(64904.591+(–0. Pada kotak Compute Variable.8. bagian Target Variable ketik Residual dan pada bagian Numeric Expression ketik: Y-(79880. pilih menu Transform dan klik Compute.444*X3)+ (5.Langkah untuk mendapatkan nilai residual adalah: pada tampilan Data View.

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

001 .721 .001 .000 . (2-tailed) .Hasil pengolahan data dengan korelasi Rank Spearman adalah sebagai berikut: Tabel 8.000 -.506(**) . per N 38 38 38 38 38 Bulan Residual Correlation .582(**) -. Berdasarkan tabel 8.000 .000 .980 .135 . (2-tailed) .582(**) . .605(**) 1. (2-tailed)) masing 142 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .961 .5 tersebut di atas.135 -.679(**) -.000 -.603 .159 38 1.419 .742 38 .602(**) .233 .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.507(**) an Cici Coefficient lan Sig. (2-tailed) .510(**) -.000 .380 .380 38 -.000 nya Coefficient Cicilan Sig. 38 Tunggak Correlation 1. .008 1. (2-tailed) .000 .001 .087 .001 .5.146 -.603 ga N 38 38 38 38 38 Tingkat Correlation -.721 38 .000 .000 . .060 .000 .004 -. (2-tailed) .000 .000 -.055 .506(**) .510(**) 1.087 patan Coefficient Keluar Sig.01 level (2-tailed).419 38 -. (2-tailed) .159 N 38 38 38 38 38 ** Correlation is significant at the 0.605(**) -.146 .980 N 38 38 38 38 38 Rasio Correlation .004 Pendidi Coefficient kan Ortu Sig.507(**) -.679(**) -.001 N 38 38 38 38 38 Penda Correlation -.602(**) 1.060 . 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 .233 Coefficient Sig.001 .055 .742 . .000 .008 Keter Coefficient gantu Sig.

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

144 Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS .

Sign up to vote on this title
UsefulNot useful