STUDI KASUS

TABEL PENGARUH DATA INDEPENDENT X1,X2,DAN X3 TERHADAP VARIABEL

DEPENDENT Y

No X1 (berpengaruh +) X2 (berpengaruh) X3 (berpengaruh -) Y

1 13 15 8 8
2 11 17 12 10
3 11 19 15 11
4 10 23 11 8
5 13 15 12 10
6 12 14 14 10
7 6 20 13 10
8 10 21 12 10
9 12 10 11 11
10 6 18 11 12
11 13 14 10 12
12 9 19 11 11
13 14 13 9 8
14 14 21 13 10
15 7 21 11 11
16 10 18 10 12
17 11 21 11 12
18 7 17 14 10
19 14 16 9 6
20 7 12 11 10
21 9 21 12 10
22 14 18 12 7
23 13 13 14 7
24 10 21 10 11
25 13 17 10 11
26 6 12 8 7
27 8 20 13 10
28 10 18 13 11
29 10 21 9 10
30 12 16 12 11
31 13 11 10 7
32 12 21 8 7
33 12 21 15 13
34 8 24 12 13
35 14 19 9 7
36 13 16 11 10
37 10 15 12 13
38 11 18 9 5
39 7 18 9 13
40 7 22 12 11
41 9 18 12 10
42 11 17 12 8
43 10 18 9 12
44 7 19 14 13
45 12 12 10 4
46 11 19 12 13
47 12 12 12 11
48 13 20 13 8
49 10 13 9 11
50 8 21 12 11
51 13 17 11 11
52 9 11 11 10
53 13 12 9 5
54 8 19 13 8
55 8 13 12 12
56 13 21 13 14
57 14 20 9 6
58 14 11 12 8
59 7 22 13 13
60 10 21 12 11
61 14 18 9 5
62 13 24 12 12
63 12 16 12 11
64 7 16 10 11
65 10 15 8 5
66 8 24 14 13
67 10 14 14 12
68 13 19 12 7
69 12 16 10 5
70 11 17 12 12
71 13 18 12 12
72 9 21 12 12
73 12 19 13 14
 74 9 17 12 11
75 9 14 14 10
76 12 17 10 12
77 6 18 12 9
78 14 13 9 6
79 7 23 12 10
80 13 18 12 15
81 8 17 11 11
82 13 20 10 12
83 12 17 13 12
84 12 22 9 7
85 9 22 12 10
86 12 18 10 8
87 13 12 8 7
88 14 21 12 13
89 9 22 12 11
90 9 12 14 12
91 11 17 14 8
92 11 15 10 9
93 14 18 14 13
94 5 18 14 14
95 12 20 12 11
96 7 17 13 11
97 5 17 15 12
98 12 11 8 6
99 4 17 9 11
100 12 21 12 11
101 14 21 10 11
102 12 16 12 12
103 11 23 13 13
104 8 18 13 12
105 11 11 9 10
106 10 19 13 13
107 13 20 13 14
108 10 12 12 13
109 12 18 12 13
110 7 23 13 12
 ANALISIS REGRESI BERGANDA
 UJI NORMALITAS

HIPOTESIS UJI

 HO = Variabel terdistr busi normal.

 HA = Variabel tidak terdistribusi normal.

PENGAMBILAN KEPUTUSAN

 Jika Asymp. Sig. ≥ Taraf Sig. (α = 0,05) maka H O diterima atau dapat disimpulkan
variabel data terdistribusi normal.
 Jika Asymp. Sig < Taraf Sig. (α = 0,05) maka HO ditolakatau HA diterima atau yang
dapat disimpulkan variabel data tidak terdistribusi normal.

HASIL SPSS :

Uji analisis Normalitas dilakukan pada Nilai Residual (RES_1) dengan Metode
Kolmogorov-Smirnov (variabel data ≥ 30).

One-Sample Kolmogorov-Smirnov Test

Unstandardize
d Residual
N 110
Mean ,0000000
Normal Parameters(a,b)
Std. Deviation 1,99521636
Most Extreme Absolute ,062
Differences Positive ,056
Negative -,062
Kolmogorov-Smirnov Z ,645
Asymp. Sig. (2-tailed) ,799
a Test distribution is Normal.
b Calculated from data.
Interprestasi :
 Dasar pengambilan keputusan dalam uji normalitas Kolmogrov-Smirnov
1. Jika nilai signifikansi (Sig.) lebih besar dari 0,05 maka data penelitian berdistribusi
normal.
2. Sebaliknya, jika nilai signifikansi (Sig.) lebih kecil dari 0,05 maka data penelitian
tidak berdistribusi normal Interpretasi uji normalitas Kolmogrov-Smirno
3. Berdasarkan tabel output SPSS tersebut, diketahui bahwa nilai signifikansi Asymp.
Sig. (2-tailed) sebesar 0,799 lebih besar dari 0,05. Maka sesuai dengan dasar
pengambilan keputusan dalam uji normalitas kolmogrov-smirnov diatas, dapat
disimpulkan bahwa data berdistribusi norma
  UJI LINEARITAS
COMPARE MEAN

Secara umum uji linearitas bertujuan untuk mengetahui apakah dua variable
mempunyai hubungan yang linear secara signifikan atau tidak. Korelasi yang baik
seharusnya terdapat hubungan yang linear antara variable predictor atau independent (X)
dengan variable kriterium atau dependent (Y). Berikut adalah hasil uji linearitas.
 Membandingkan Nilai Signifikansi (Sig.) dengan 0,05
1. Jika nilai Deviation from Linearity Sig. > 0,05, maka ada hubungan yang linear
secara signifikan antara variabel independent dengan variable dependend.
2. Jika nilai Deviation from Linearity Sig. < 0,05, maka tidak ada hubungan yang linear
secara signifikan antara variabel independent dengan variabel dependent.
 Membandingkan Nilai F hitungdengan F tabel.
1. Jika nilai F hitung < F tabel, maka ada hubungan yang linear secara signifikan antara
variabel independent dengan variabel dependent.
2. Jika nilai F hitung < F tabel, maka tidak ada hubungan yang linear secara signifikan
antara variabel independent dengan variabel dependent.

Uji Linearitas menggunakan SPSS :

a. Uji Linear Variabel Y denganVariabel X1 (Berpengaruh +) :
ANOVA Table
Sum of Mean
Squares df Square F Sig.
Variabel Y * Between (Combined) 93.103 10 9.310 1.654 .102
Berpengaruh Groups Linearity 52.668 1 52.668 9.358 .003
(+) Deviation from Linearity 40.435 9 4.493 .798 .619
Within Groups 557.161 99 5.628
Total 650.264 109

Interpretasi :
 Berdasarkan Nilai Signifikansi (Sig.)
Dari output diatas, diperoleh nilai Deviation from Linearity Sig. adalah 0,619
lebih besar dari 0,05. Maka dapat disimpulkan bahwa ada hubungan linear
secara signifikan antara variabel X1 dengan variabel Y.
 Berdasarkan Nilai F
 Dari output diatas, diperoleh nilai F hitunga dalah 0,798 < F tabel 1,98.
Karena nilai F hitung lebih kecil dari nilai F table maka dapat disimpulkan
bahwa ada hubungan linear secara signifikan antara variabel X1 dengan
variabel Y.

b. Uji Linear Variabel Y denganVariabel X2 (Berpengaruh) :

ANOVA Table
Sum of Mean
Squares df Square F Sig.
Variabel Y * Between (Combined) 107.192 14 7.657 1.339 .199
Berpengaruh Groups Linearity 64.443 1 64.443 11.273 .001
Deviation from Linearity 42.749 13 3.288 .575 .868
Within Groups 543.072 95 5.717
Total 650.264 109
Interpretasi :
 Berdasarkan Nilai Signifikansi (Sig.)
Dari output diatas, diperoleh nilai Deviation from Linearity Sig. adalah 0,868
lebih besar dari 0,05. Maka dapat disimpulkan bahwa ada hubungan linear
secara signifikan antara variabel X2 dengan variabel Y.
 Berdasarkan Nilai F
Dari output diatas, diperoleh nilai F hitung adalah 0,575 < F tabel 1,82.
Karena nilai F hitung lebih kecil dari nilai F table maka dapat disimpulkan
bahwa ada hubungan linear secara signifikan antara variabel X2 dengan
variabel Y.

c. Uji Linear Variabel Y denganVariabel X3 (Berpengaruh -) :

ANOVA Table
Sum of Mean
Squares Df Square F Sig.
Variabel Y * Between (Combined) 213.757 7 30.537 7.136 .000
Berpengaruh Groups Linearity 179.800 1 179.800 42.014 .000
(-) Deviation from Linearity 33.956 6 5.659 1.322 .254
Within Groups 436.507 102 4.279
Total 650.264 109
 Interpretasi :
 Berdasarkan Nilai Signifikansi (Sig.)
Dari output diatas, diperoleh nilai Deviation from Linearity Sig. adalah 0,254
lebih besardari 0,05. Maka dapat disimpulkan bahwa ada hubungan linear
secara signifikan antara variabel X3 dengan variabel Y.
 Berdasarkan Nilai F
Dari output diatas, diperoleh nilai F hitung adalah 1.322 < F tabel 2.19.
Karena nilai F hitung lebih kecil dari nilai F table maka dapat disimpulkan
bahwa ada hubungan linear secara signifikan antara variabel X3 dengan
variabel Y.
 Uji MULTIKOLINEARITAS
Tujuan digunakannya uji multikolinearitas dalam penelitian adalah untuk menguji
apakah model regresi ditemukan adanya korelasi (hubungan kuat) antar variable bebas
atau variable independent. Model regresi yang baik seharusnya tidak terjadi korelasi
diantara variable bebas atau tidak terjadi gejala multikolinearitas.
 Dasar pengambilan keputusan dalam Uji Multikolinearitas (Tolerance dan VIF)
- Pedoman keputusan berdasarkan nilai tolerance
1. Jika nilai tolerance lebih besar dari 0,10 maka artinya tidak terjadi
multikolinieritas dalam model regresi.
2. Jika nilai tolerance lebih kecil dari 0,10 maka artinya terjadi multikolinieritas
dalam model regresi.
- Pedoman keputusan berdasarkan nilai VIF (Variance Inflation Factor)
1. Jika nilai VIF < 10,00 maka artinya tidak terjadi multikolinieritas dalam model
regresi.
2. Jika nilai VIF > 10,00 maka artinya terjadi multikolinieritas dalam model
regresi.
3. Coefficients(a)
4.
Unstandardized Standardized
Coefficients Coefficients t Sig. Collinearity Statistics

Model B Std. Error Beta Tolerance VIF B Std. Error

1 (Constant) 2,748 1,865 1,473 ,144
X1 -,149 ,079 -,154 -1,884 ,062 ,936 1,068
 X2 ,122 ,058 ,174 2,108 ,037 ,922 1,085
X3 ,607 ,114 ,445 5,305 ,000 ,895 1,117
5. a Dependent Variable: Y

- Interpretasi output uji multikolinearitas tolerance dan VIF :

1. Berdasarkan tabel output “Coefficients” pada bagian “Collinearity Statistics”
diketahui nilai Tolerance untuk variable X1 adalah 0,936, variable X2 adalah
0,922 dan variable X3 adalah 0,895, ketiga variable ini lebih besar dari 0,10.
Sementara, nilai VIF untuk variable X1 adalah 1,068, variable X2 adalah 1,085
dan variable X3 adalah 1,117 ketiga variable ini < 10,00. Maka mengacu pada
dasar pengambilan keputusan dalam uji multikolinearitas dapat disimpulkan
bahwa tidak terjadi gejala multikolineritas dalam model regresi.

 UJI HETEROSKEDASTISITAS
Uji heteroskedastisitas merupakan bagian dari uji asumsi klasik dalam analisis regresi
yang bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan
variance (variasi) dari nilai residual satu pengamatan ke pengamatan yang lain.
 Uji Glejser
- Dasar pengambilan keputusan uji heteroskedastisitas (glejser)
1. Jika nilai signifikansi (Sig.) lebih besar dari 0,05, maka kesimpulannya adalah
tidak terjadi gejala heteroskedastisitas dalam model regresi.
2. Sebaliknya, jika nilai signifikansi (Sig.) lebih kecil dari 0,05, maka
kesimpulannya adalah terjadi gejala heteroskedastisitas dalam model regresi

UJI RAMSEY’S RESET TEST

HIPOTESIS UJI
 HO= Ada kesalahan spesifikasi.
 HA = Tidak ada kesalahan spesifikasi.

PENGAMBILAN KEPUTUSAN
 Nilai F ≥ FO, maka HO diterima sehingga hubungan variable independen terhadap
variable dependen yang dispesifikasikan linier adalah benar akan ditolak.
 Nilai F < FO maka HO ditolak atau HA diterima variable independen terhadap variable
dependen yang dispesifikasikan linier adalah benar tidak dapat ditolak.

Uji Ramsey’ Reset Test dengan SPSS :

a. Hasil SPSS

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -5.412 3.590 -1.508 .135
 Berpengaruh (+) -.531 .164 -.551 -3.234 .002
Berpengaruh .391 .116 .557 3.354 .001
Berpengaruh (-) 2.009 .544 1.472 3.695 .000
ram2 -.007 .003 -1.357 -2.634 .010
a. Dependent Variable: Variabel Y

Excluded Variablesa
Collinearity
Partial Statistics
Model Beta In T Sig. Correlation Tolerance
1 ram1 -17.056b -.933 .353 -.091 1.785E-5
a. Dependent Variable: Variabel Y
b. Predictors in the Model: (Constant), ram2, Berpengaruh (+), Berpengaruh, Berpengaruh (-)

b. Interpretasi SPSS
- Tabel Model Summary Lama :

Model Summaryb
Adjusted R
Model R R Square Square Std. Error of the Estimate
1 .577a .333 .314 2.023
a. Predictors: (Constant), Berpengaruh (-), Berpengaruh (+), Berpengaruh
b. Dependent Variable: Variabel Y

- Tabel Model Summary Baru :

Model Summaryb
Adjusted R
Model R R Square Square Std. Error of the Estimate
1 .612 a
.374 .350 1.969
a. Predictors: (Constant), ram2, Berpengaruh (+), Berpengaruh, Berpengaruh (-)
b. Dependent Variable: Variabel Y

Interpretasi :
Pada kedua table diatas, diperoleh nilai dua analisis regresi. Koefisien determinasi
(R2) lama yaitu sebesar 0,333 dan koefisien determinasi (R2) baru sebesar 0,374.
Untuk mencari nilai F adalah sebagai berikut:

( )
2 2
R2−R1
df 1
F=
1−R22
df 2

Keterangan:
- df1 = jumlah variabel yang baru ditambahkan
- df2 = jumlah data (N) – parameter

Kedua koefisien determinasi dibandingkan dengan uji F dengan derajat bebas df1
dan df2 sebagai berikut:

( )
0,374−0,333
2
F=
1−0,333
5

( )
0,041
2
F=
0,667
5
F = 3,438
Dari hasil perhitungan diatas, diperoleh nilai F = 3,438 > FO = 3,080. Oleh karena
itu, F > FO, maka HO diterima sehingga model regresi dispesifikasikan linear
adalah benar akan ditolak.
1. UJI AUTOKORELASI
UJI DURBIN WATSON

HIPOTESIS:
HO = Tidak ada auto korelasi
HA = Ada auto korelasi

PENGAMBILAN KEPUTUSAN:
 Jika nilai dw lebih kecil dari dL (dw <dL) atau lebih besar dari 4–dL(dw > 4–
dL) maka hipotesis nol atau HO ditolak, yang berarti ada auto korelasi.
 Jika nilai dw terletak antara dU dan 4–dU (dU <dw <4–dU), maka hipotesis nol
atau HO diterima,yang berarti tidak ada auto korelasi.
 Jika nilai dw terletak diantara dL dan dU (dL <dw <dU) atau diantara 4–dU dan
4 – dL (4–dL < dw < 4 – dU), maka tidak menghasilkan kesimpulan yang pasti.

HASILUJI SPSS

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .577 a
.333 .314 2.023 1.912
a. Predictors: (Constant), Berpengaruh - (X3), Berpengaruh + (X1), Berpengaruh (X2)
b. Dependent Variable: Variabel Y
Interpretasi :
 Berdasarkan tabel output “Model Summary” di atas, diketahui nilai Durbin -
Watson (dw) adalah sebesar 1,912. Nilai ini akan dibandingkan dengan nilai
tabel durbin watson pada signifikansi 5% dengan rumus (k’ ; N). k adalah
jumlah variabel independen adalah 3 atau k’ = 3, sementara jumlah sampel atau
N = 110, maka (k’; N) = (3 ; 110)
 Berdasarkan table otput “Model Summary” diatas, diketahui nilai Durbin-
Watson (d) adalah sebesar 1,912. Selanjutnya nilai akan dibandingkan dengan
nilai table Durbin Watson pada signifikansi 5% dengan rumus (K;N). Adapun
jumlah variable independent adalah 2 atau “k” = 3, sementara jumlah sampel
atau “N” = 110, Maka (k;N) = (3;110). Angka ini kemudian kita lihat pada
distribusi nilai table Durbin Watson.Maka ditemukan nilai dL Sebesar 1,6336
dan dU sebesar 1,7455.
 Nilai Durbin Watson (d) sebesar 1,912 lebih besar dari batas atas (du) yakni
1,7455 dan kurang dari (4-du) 4-1,7455 = 2,2545. Berarti nilai Durbin Watson
(d) regresi berada diantara nilai dl dan du atau du < dw <4-du (1,7455 < 1,912 <
2,2545)
 Maka sebagaimana dasar pengambilan keputusan dalam uji Durbin Watson di
atas, dapat disimpulkan bahwa tidak terdapat masalah atau gejala auto korelasi.
Dengan demikian maka analisis regresi linier berganda untuk uji hipotesis
penelitian di atas dapat dilakukan atau dilanjutkan.
DISTRIBUSI NILAI TABEL DURBIN WATSON
Level of Significance α=0,05
UJI RUNS TEST
DASAR PENGAMBILAN KEPUTUSAN UJI RUN TEST

 Jika nilai Asymp.Sig.(2-tailed) lebih kecil dari < 0,05 maka terdapat gejala auto korelasi
 Jika nilai Asymp.Sig.(2-tailed) lebih besar dari> 0,05 maka tidak terdapat gejala auto
korelasi

HASIL UJI SPSS

Runs Test
Unstandardized
Residual
Test Value a
.26053
Cases < Test Value 55
Cases >= Test Value 55
Total Cases 110
Number of Runs 48
Z -1.533
Asymp. Sig. (2-tailed) .125
a. Median

Interpretasi :
 Diketahui nilai Asymp.Sig.(2-tailed) sebesar 0,125 > Dari 0,05 maka dapat
disimpulkan bahwa tidak terdapat gejala auto korelasi,sehingga analisis regresi
linier dapat dilanjutkan.

2. UJI HETEROSKEDASTISITAS
 UJI GLEJSER
Uji heteroskedastisitas merupakan bagian dari uji asumsi klasik dalam analisis
regresi yang bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan
variance (variasi) dari nilai residual satu pengamatan ke pengamatan yang lain.
 Uji Glejser
Dasar pengambilan keputusan uji heteroskedastisitas (glejser)
1. Jika nilai signifikansi (Sig.) lebih besar dari 0,05, maka kesimpulannya adalah
tidak terjadi gejala heteroskedastisitas dalam model regresi.
2. Sebaliknya, jika nilai signifikansi (Sig.) lebih kecil dari 0,05, maka
kesimpulannya adalah terjadi gejala heteroskedastisitas dalam model regresi.
Uji Glejser pada data diatas:

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 1.343 1.011 1.328 .187
Berpengaruh (+) .104 .043 .235 2.435 .017
Berpengaruh -.014 .031 -.043 -.438 .662
Berpengaruh (-) -.049 .062 -.078 -.789 .432
a. Dependent Variable: Abs_RES

Interpretasi :
 Berdasarkan output diatas diketahui nilai signifikansi (Sig.) untuk variabel X1
(berpengaruh +) adalah 0,017. Sementara, nilai signifikansi (Sig.) untuk variabel
X2 (berpengaruh) adalah 0,662. Dan, nilai signifikansi (Sig.) untuk variabel X3
adalah 0,432. Karena nilai signifikansi ketiga variable lebih besar dari 0,05 maka
sesuai dengan dasar pengambilan keputusan dalam uji glejser, dapat disimpulkan
bahwa tidak terjadi gejala heteroskedastisitas dalam model regresi.

UJI PARK

HIPOTESIS:
  Ho = Tidak ada gejala heteroskedastisitas
 Ha = Ada gejala heteroskedastisitas
 Ho diterima apabila -t table < -t hitung atau t hitung > tabel (Absolut (t hitung) >
(Absolut t tabel)).

DASAR PENGAMBILAN KEPUTUSAN :

 Nilai Signifikansi (>0,05) maka kesimpulannya tidak terjadi gejala Heteroskedastisitas.
 Nilai Signifikansi (>0,05) maka kesimpulannya terjadi gejala Heteroskedastisitas

HASIL UJI SPSS :

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) -.224 2.006 -.112 .911
Berpengaruh + (X1) .156 .085 .180 1.838 .069
Berpengaruh (X2) -.025 .062 -.040 -.407 .685
Berpengaruh - (X3) -.065 .123 -.053 -.524 .601
a. Dependent Variable: LN_RES

Interpretai :
 Nilai Sig.X1 sebesar 0,069 (>0,05)
 Nilai Sig.X2 sebesar 0,685 (>0,05)
 Nilai Sig.X3 sebesar 0,601 (>0,05)
Berkesimpulan tidak terjadi gejala Heterokedastisitas, karena nilai signifikansi yang
didapat lebih besar dari 0,05 (tingkat kepercayaan 95% atau 0,05).

UJI SPEARMAN

DASAR PENGAMBILAN KEPUTUSAN:

1. Jika nilai Sig.< 0,05 maka, dapat disimpulkan bahwa terdapat korelasi yang signifikan
antara variable yang dihubungkan.
 2. Jika nilai Sig.> 0,05 maka, dapat disimpulkan bahwa tidak terdapat korelasi yang
signifikan antara variable yang dihubungkan.
Kriteria tingkat hubungan (koefisienkorelasi) antar variable berkisar antara kurang lebih 0,00
sampai 1,00 tanda + adalah positif dan tanda – adalah negative. Adapun criteria penafsirannya
adalah sebagai berikut:
a. 0,00 sampai 0,20, artinya : Hampir Tidak Ada Korelasi
b. 0,21 sampai 0,40, artinya : Korelasi Rendah
c. 0,41 sampai 0,60, artinya : Korelasi Sedang
d. 0,61 sampai 0,80, artinya : Korelasi Tinggi
e. 0,81 sampai 1,00, artinya : Korelasi Sempurna

HASIL UJI SPSS :

Interpretasi :

Berdasarkan output diatas diketahui bahwa N atau jumlah data penelitian adalah 110 kemudian
Dari uji di atas lihat nilai Sig. pada 3 variabel X1, X2 dan X3 dengan Variabel Y. Semuanya
nilai Sig. < 0,05 berarti terdapat gejala heteroskedastisitas atau H0 ditolak.