Analisis regresi berganda

EKONOMETRIKA

(AKKC 156)

ANALISIS REGRESI BERGANDA

Dosen Pembimbing:

Drs. H. Karim, M.Si

Indah Budiarti, M.Pd

Oleh:

Agung Handoko (A1C111037)

Program Studi Pendidikan Matematika

Jurusan Pendidikan Matematika dan Ilmu Pengetahuan Alam

Fakultas Keguruan dan Ilmu Pendidikan

Universitas Lambung Mangkurat

Banjarmasin

2013

Analisis Regresi Berganda i

DAFTAR ISI

DAFTAR ISI ........................................................................................................... i

BAB I PENDAHULIAN ........................................................................................ 1

A. Latar Belakang ...................................................................................................... 1

B. Regresi linier berganda ........................................................................................ 2

C. Asumsi-asumsi model regresi linier berganda ................................................... 2

D. Pelanggaran-pelanggaran terhadap asumsi regresi linier berganda ............... 3

BAB II KAJIAN TEORI ....................................................................................... 7

A. Hasil Analisis Data ................................................................................................ 8

B. Analisis Uji Asumsi Klasik ................................................................................. 12

DAFTAR PUSTAKA .................................................................................................. 19

Analisis Regresi Berganda 1

BAB I

PENDAHULIAN

A. Latar Belakang

Analisis regresi merupakan salah satu teknik analisis data dalam statistika

yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan

meramal suatu variabel (Kutner, Nachtsheim dan Neter, 2004).

Istilah “regresi” pertama kali dikemukakan oleh Sir Francis Galton (1822-

1911), seorang antropolog dan ahli meteorologi terkenal dari Inggris. Dalam

makalahnya yang berjudul “Regression towards mediocrity in hereditary stature”,

yang dimuat dalam Journal of the Anthropological Institute, volume 15, hal. 246-

263, tahun 1885. Galton menjelaskan bahwa biji keturunan tidak cenderung

menyerupai biji induknya dalam hal besarnya, namun lebih medioker (lebih

mendekati rata-rata) lebih kecil daripada induknya kalau induknya besar dan lebih

besar daripada induknya kalau induknya sangat kecil (Draper dan Smith, 1992).

Dalam mengkaji hubungan antara beberapa variabel menggunakan analisis

regresi, terlebih dahulu peneliti menentukan satu variabel yang disebut dengan

variabel tidak bebas dan satu atau lebih variabel bebas. Jika ingin dikaji hubungan

atau pengaruh satu variabel bebas terhadap variabel tidak bebas, maka model

regresi yang digunakan adalah model regresi linier sederhana. Kemudian Jika ingin

dikaji hubungan atau pengaruh dua atau lebih variabel bebas terhadap variabel tidak

bebas, maka model regresi yang digunakan adalah model regresi linier berganda

(multiple linear regression model).

Kemudian untuk mendapatkan model regresi linier sederhana maupun

model regresi linier berganda dapat diperoleh dengan melakukan estimasi terhadap

parameter-parameternya menggunakan metode tertentu. Adapun metode yang

dapat digunakan untuk mengestimasi parameter model regresi linier sederhana

maupun model regresi linier berganda adalah dengan metode kuadrat terkecil


(ordinary least square/OLS) dan metode kemungkinan maksimum (maximum

likelihood estimation/MLE) (Kutner et.al, 2004).

B. Regresi linier berganda

Bentuk umum model regresi linier berganda dengan p variabel bebas adalah

seperti pada persamaan (2.1) berikut (Kutner, Nachtsheim dan Neter, 2004).

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 1 + 𝛽2 𝑋𝑖 2 + ⋯ + 𝛽𝑝−1 𝑋𝑖𝑝−1 + 𝜀𝑖

dengan:

𝑌𝑖 adalah variabel tidak bebas untuk pengamatan ke-i, untuk i = 1, 2, …, n.

𝛽0, 𝛽1, 𝛽2, … , 𝛽𝑝−1 adalah Parameter

𝑋𝑖 1, 𝑋𝑖 2, … , 𝑋𝑖 𝑝−1 adalah Variabel Bebas

𝜀𝑖 adalah sisa (error) untuk pengamatan ke-i yang diasumsikan berdistribusi normal

yang saling bebas dan identik dengan rata-rata 0 (nol) dan variansi 𝜎2.

C. Asumsi-asumsi model regresi linier berganda

Menurut Gujarati (2003) asumsi-asumsi pada model regresi linier berganda

adalah sebagai berikut:

1. Model regresinya adalah linier dalam parameter.

2. Nilai rata-rata dari error adalah nol.

3. Variansi dari error adalah konstan (homoskedastik).

4. Tidak terjadi autokorelasi pada error.

5. Tidak terjadi multikolinieritas pada variabel bebas.

6. Error berdistribusi normal.


D. Pelanggaran-pelanggaran terhadap asumsi regresi linier berganda

Dalam analisis regresi linier berganda terdapat beberapa pelanggaran-

pelanggaran yang seringkali dilakukan terhadap asumsi-asumsinya, diantaranya

diuraikan berikut ini.

1. Multikolinieritas

Multikolinieritas adalah terjadinya hubungan linier antara variabel bebas dalam

suatu model regresi linier berganda (Gujarati, 2003). Hubungan linier antara

variabel bebas dapat terjadi dalam bentuk hubungan linier yang sempurna (perfect)

dan hubungan linier yang kurang sempurna (imperfect).

Adapun dampak adanya multikolinieritas dalam model regresi linier berganda

adalah (Gujarati, 2003 dan Widarjono, 2007):

a. Penaksir OLS masih bersifat BLUE, tetapi mempunyai variansi dan kovariansi

yang yang besar sehingga sulit mendapatkan taksiran (estimasi) yang tepat.

b. Akibat penaksir OLS mempunyai variansi dan kovariansi yang yang besar,

menyebabkan interval estimasi akan cenderung lebih lebar dan nilai hitung

statistik uji t akan kecil, sehingga membuat variabel bebas secara statistik tidak

signifikan mempengaruhi variabel tidak bebas.

c. Walaupun secara individu variabel bebas tidak berpengaruh terhadap variabel

tidak bebas melalui uji t, tetapi nilai koefisien determinasi (R2) masih bisa

relatif tinggi. Selanjutnya untuk mendeteksi adanya multikolinieritas dalam

model regresi linier berganda dapat digunakan nilai variance inflation factor

(VIF) dan tolerance (TOL) dengan ketentuan jika nilai VIF melebihi angka 10,

maka terjadi multikolinieritas dalam model regresi. Kemudian jika nilai TOL

sama dengan 1, maka tidak terjadi multikolinieritas dalam model regresi.

2. Heteroskedastisitas

Heteroskedastisitas adalah variansi dari error model regresi tidak konstan atau

variansi antar error yang satu dengan error yang lain berbeda (Widarjono, 2007).

Dampak adanya heteroskedastisitas dalam model regresi adalah walaupun

estimator OLS masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi

yang minimum dan menyebabkan perhitungan standard error metode OLS tidak


bisa dipercaya kebenarannya. Selain itu interval estimasi maupun pengujian

hipotesis yang didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk

evaluasi hasil regresi.

Akibat dari dampak heteroskedastisitas tersebut menyebabkan estimator OLS

tidak menghasilkan estimator yang BLUE dan hanya menghasilkan estimator OLS

yang linear unbiased estimator (LUE). Selanjutnya dilakukan deteksi masalah

heteroskedastisitas dalam model regresi. Salah satu cara yang dapat digunakan

untuk mendeteksi adanya heteroskedastisitas dalam model regresi adalah dengan

Metode Glejser. Glejser merupakan seorang ahli ekonometrika dan mengatakan

bahwa nilai variansi variabel error model regresi tergantung dari variabel bebas.

Selanjutnya untuk mengetahui apakah pola variabel error mengandung

heteroskedastisitas Glejser menyarankan untuk melakukan regresi nilai mutlak

residual dengan variabel bebas. Jika hasil uji F dari model regresi yang diperoleh

tidak signifikan, maka tidak ada heteroskedastisitas dalam model regresi

(Widarjono, 2007).

3. Autokorelasi

Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan

variabel error yang lain. Autokorelasi seringkali terjadi pada data time series dan

dapat juga terjadi pada data cross section tetapi jarang (Widarjono, 2007). Adapun

dampak dari adanya autokorelasi dalam model regresi adalah sama dengan dampak

dari heteroskedastisitas yang telah diuraikan di atas, yaitu walaupun estimator OLS

masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang minimum

dan menyebabkan perhitungan standard error metode OLS tidak bisa dipercaya

kebenarannya. Selain itu interval estimasi maupun pengujian hipotesis yang

didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil

regresi. Akibat dari dampak adanya autokorelasi dalam model regresi menyebabkan

estimator OLS tidak menghasilkan estimator yang BLUE dan hanya menghasilkan

estimator OLS yang LUE (Widarjono, 2007). Selanjutnya untuk mendeteksi adanya

autokorelasi dalam model regresi linier berganda dapat digunakan metode Durbin-

Watson. Durbin-Watson telah berhasil mengembangkan suatu metode yang


digunakan untuk mendeteksi adanya masalah autokorelasi dalam model regresi

linier berganda menggunakan pengujian hipotesis dengan statistik uji yang cukup

populer seperti pada persamaan (6.1) berikut.

𝑑 = ∑ (𝑒𝑡 − 𝑒𝑡−1)2𝑡=𝑛

𝑡=2

∑ 𝑒𝑡2𝑡=𝑛

𝑡=1

Kemudian Durbin-Watson berhasil menurunkan nilai kritis batas bawah (dL) dan

batas atas (dU) sehingga jika nilai d hitung dari persamaan (6.1) terletak di luar nilai

kritis ini, maka ada atau tidaknya autokorelasi baik positif atau negatif dapat

diketahui. Deteksi autokorelasi pada model regresi linier berganda dengan metode

Durbin-Watson adalah seperti pada

Tabel berikut.

Nilai Statistik Durbin-Watson Hasil

0 < 𝑑 < 𝑑𝐿 Menolak hipotesis nol; ada

autokorelasi positif

𝑑𝐿 ≤ 𝑑 ≤ 𝑑𝑈 Daerah keragu-raguan; tidak ada

keputusan

𝑑𝑈 ≤ 𝑑 ≤ 4 − 𝑑𝑈 Menerima hipotesis nol; tidak ada

autokorelasi positif/negatif

4 − 𝑑𝑈 ≤ 𝑑 ≤ 4 − 𝑑𝐿 Daerah keragu-raguan; tidak ada

keputusan

4 − 𝑑𝐿 ≤ 𝑑 ≤ 4 Menolak hipotesis nol; ada

autokorelasi positif

Sumber : Widarjono (2007)

Salah satu keuntungan dari uji Durbin-Watson yang didasarkan pada error adalah

bahwa setiap program komputer untuk regresi selalu memberi informasi statistik d.

Adapun prosedur dari uji Durbin-Watson adalah (Widarjono, 2007):

1. Melakukan regresi metode OLS dan kemudian mendapatkan nilai errornya.


2. Menghitung nilai d dari persamaan (6.1) (kebanyakan program komputer

secara otomatis menghitung nilai d).

3. Dengan jumlah observasi (n) dan jumlah variabel bebas tertentu tidak termasuk

konstanta (p-1), kita cari nilai kritis 𝑑𝐿dan 𝑑𝑈 di statistik Durbin-Watson.

4. Keputusan ada atau tidaknya autokorelasi dalam model regresi didasarkan pada

Tabel 6.1.

Selain Kriteria uji seperti pada Tabel 6.1, dapat juga digunakan kriteria lain untuk

mendeteksi adanya autokorelasi dalam model regresi linier berganda adalah sebagai

berikut

(Santoso, 2000):

1. Jika nilai d < −2, maka ada autokorelasi positif.

2. Jika −2 ≤ d ≤ 2, maka tidak ada autokorelasi.

3. Jika nilai d > 2, maka ada autokorelasi negatif.


BAB II

KAJIAN TEORI

Kasus:

Seorang Manajer Pemasaran deterjen Hotel Castaneda ingin mengetahui apakah Promosi

dan

Harga berpengaruh terhadap keputusan konsumen memilih hotel tersebut ?

Hipotesis:

Ho : b1 = b2 = 0, Promosi dan Harga tidak berpengaruh signifikan terhadap keputusan

konsumen memilih Hotel “Castaneda”.

Ha : b1 ¹ b2 ¹ 0, Promosi dan Harga berpengaruh signifikan terhadap keputusan

konsumen

memilih Hotel “Castaneda”.

DATA KASUS

Harga

(dalam Ratus

Ribu Rp)

(X1)

Jumlah

Promosi

(X2)

Keputusan Konsumen

(banyak konsumen

dalam seminggu)

(Y)

8 4 20

3 5 15

4 6 16

7 6 14

9 3 15

8 5 23


5 7 15

2 5 18

8 3 15

6 4 19

7 3 16

9 6 26

10 5 30

4 7 24

8 4 20

5 8 18

2 4 15

5 7 20

7 2 15

9 5 22

126 99 376

A. Hasil Analisis Data

Analisis Regresi Linear Berganda

Tabel 1

Variables Entered/Removedb

Model Variables Entered Variables Removed Method

di

m

en

si

on

0

1 Promosi, Hargaa . Enter

a. All requested variables entered.

b. Dependent Variable: Keputusan_konsumen


Dari tabel di atas diketahui bahwa variabel yang dimasukkan adalah Promosi

dan Harga. Sedangkan variabel yang dihilangkan atau dihapuskan tidak ada.

Dengan kata lain, semua variabel bebas (X1, X2) dimasukkan dalam analisis regresi

linear berganda tersebut.

Tabel 2

Model Summary

Model

R

R

Square

Adjusted R

Square

Std. Error of

the Estimate

Change Statistics

R Square

Change F Change df1 df2

Sig. F

Change

d

i

m

e

n

s

i

o

n

0

1 .609a .371 .297 3.666 .371 5.009 2 17 .019

a. Predictors: (Constant), Promosi, Harga

Tabel di atas menunjukkan bahwa koefisisen atau R simultannya adalah

0,609. Kisaran nilai R adalah 0 hingga 1. Semakin nilai R mendekati angka 1, maka

semakin kuat variabel-variabel bebas memprediksikan variabel terikat. Karena

0,609 mendekati angka 1, maka variabel-variabel bebas yakni Promosi dan Harga

dapat memprediksikan tingkat keputusan konsumen dengan sangat kuat.

Sedangkan R Square adalah 0,371 yaitu hasil kuadrat dari koefisien korelasi (0,609

x 0,609 = 0,371). Seperti halnya R simultan, kisaran nilai adjusted R square adalah

0 hingga 1. Dari tabel di atas diketahui nilai adjusted R square adalah 0,297

mendekati nilai 1, sehingga ketepatan mencari jawaban dari suatu populasi

berdasarkan sampel yang ada cukup tinggi. Standard Error of Estimate adalah

3.666. Karena 3.666 mendekati tidak nilai nol, maka bukan model yang excellent.


Tabel 3

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 134.668 2 67.334 5.009 .019a

Residual 228.532 17 13.443

Total 363.200 19

a. Predictors: (Constant), Promosi, Harga

b. Dependent Variable: Keputusan_konsumen

Dari tabel di atas, diketahui bahwa df (degree of freedom) adalah derajat

kebebasan dimana df regression (perlakuan) sebagai df pembilang, df residual (sisa)

sebagai df penyebut. Nilai df pembilang adalah 2 (jumlah variabel bebas),

sedangkan df penyebut adalah 17. Di samping itu diketahui pula bahwa Fhitung

adalah 5,009 diperoleh dari mean square untuk regression dibagi mean square untuk

residual (67,334 : 13,443). Kemudian nilai Ftabel kita peroleh dengan melihat pada

tabel untuk nilai dari F(0,05;2;17) adalah 2,35. Karena Fhitung > Ftabel, maka dapat

disimpulkan bahwa variabel bebas yakni harga dan promosi secara serentak

mempengaruhi tingkat tingkat keputusan konsumen atau dengan kata lain model

regresi dapat digunakan untuk memprediksi tingkat keputusan konsumen.

Selain itu, kita juga dapat menarik kesimpulan dengan membandingkan nilai

Sig.hitung pada tabel di atas yaitu 0,019 dengan 𝛼= 0,05 dimana Sig.hitung < 𝛼,

sehingga juga dapat dapat ditarik kesimpulan yang sama bahwa variabel bebas

yakni harga dan promosi secara serentak mempengaruhi tingkat tingkat keputusan

konsumen atau dengan kata lain model regresi dapat digunakan untuk memprediksi

tingkat keputusan konsumen.


Tabel 4

Coefficientsa

Model Unstandardized

Coefficients

Standardized

Coefficients

t Sig.

Collinearity

Statistics

B Std. Error Beta Tolerance VIF

1 (Constant

)

6.154 4.183

1.471 .159

Harga 1.038 .365 .577 2.841 .011 .898 1.114

Promosi 1.234 .553 .453 2.231 .039 .898 1.114

a. Dependent Variable: Keputusan_konsumen

Dari tabel di atas diperoleh koefisien nilai 𝛽 dari kolom B pada

Unstandardized Coefficient, yaitu

𝛽0 = 6,154

𝛽1 = 1,038

𝛽2 = 1,234

Masing-masing koefisien 𝛽 tersebut menunjukkan nilai yang menjelaskan

bahwa Y (variabel terikat) akan berubah jika X (variabel bebas) diubah 1 unit.

Adapun persamaan regresi linier berganda sementara yang dapat diperoleh :

Ŷ = β0 + β1 X1 + β2 X2 + ε

Ŷ = 6,154 + 1,038X1 + 1,234X2 + ε

Di samping itu, kolom Sig. di atas juga menunjukkan nilai signifikansi

hubungan antara setiap variabel bebas dengan variabel terikat dimana jika Sig.hitung

< 𝛼(𝛼 = 0,05), maka variabel bebas tersebut berpengaruh signifikan terhadap

variabel terikatnya. Artinya :

Harga

Sig.hitung = 0,011 < 𝛼 = 0,05, jadi harga berpengaruh signifikan terhadap

tingkat keputusan konsumen.

Promosi


ig.hitung = 0,129 < 𝛼 = 0,05, jadi promosi berpengaruh signifikan terhadap

tingkat konsumsi.

Dari tabel yang didapat, kedua variabel signifikan karena bernilai < 0,05. Oleh karena

model analisi yang didapat adalah :

Ŷ = 6,154 + 1,038X1 + 1,234X2 + ε

Hasil analisis :

- Konstanta sebesar 6,154 artinya jika harga nilainya adalah 0 dan

promosi nilainya adalah 0, maka keputusan konsumen adalah 6,154.

- Koefisien regresi variabel harga (X1) sebesar 1,038 artinya jika harga

mengalami kenaikan 1% dan promosi 0 maka nilai keputusan konsumen (Y) akan

mengalami peningkatan sebesar 1,038 . Kemudian bila harga bernilai 0 maka

promosi mengalami peningkatan sebesar 1,234. Koefisien bernilai positif artinya

terjadi hubungan positif antara harga dengan promosi, semakin niak harga dan

promosi maka semakin meningkat nilai keputusan konsumen.

B. Analisis Uji Asumsi Klasik

a. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel

pengganggu atau residual memiliki distribusi normal atau tidak. Model regresi yang

baik adalah yang memiliki distribusi normal. Uji statistik yang dapat dilakukan

dalam uji normalitas adalah uji Kolmogorov-Smirnov. Secara multivarians,

pengujian normalitas data dilakukan terhadap nilai residualnya. Data yang

berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05.

Uji normalitas bisa dilakukan dengan dua cara. Yaitu “Normal P-P Plot” dan

“Tabel Kolmogrov Smirnov”.


Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat

penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram

dari residualnya.

Dasar pengambilan keputusan :

a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis

diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka

model regresi memenuhi asumsi normalitas.

b. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis

diagonal atau grafik histogram tidak menunjukkan pola distribusi normal,

maka model regresi tidak memenuhi asumsi normalitas.

Dari analisis kurva dapat dilihat bahwa titik-titik yang menyebar disekitar garis diagonal

dan penyebarannya mengikuti arah garis diagonal sehingga dapat disimpulkan bahwa data

yang diolah merupakan data yang berdistribusi normal sehingga uji normalitas terpenuhi.

Atau bisa juga dengan melihat Histogram berikut.


Dapat dilihat bahwa data berdistribusi normal. Untuk menganalisisn Kolmogrov-

Smirnov, lihat pada baris “Asymp. Sig. (2-tailed)” baris paling bawah. Apabila

nilainya lebih dari (>0,05) maka uji normalitas bisa terpenuhi.

One-Sample Kolmogorov-Smirnov Test

Unstandardized

Residual

N 20

Normal Parametersa,b Mean .0000000

Std. Deviation 3.46814252

Most Extreme Differences Absolute .080

Positive .080

Negative -.073

Kolmogorov-Smirnov Z .360

Asymp. Sig. (2-tailed) .999

a. Test distribution is Normal.

b. Calculated from data.

Berdasarkan tabel di atas, diketahui data berdistribusi normal. Hal ini

ditunjukkan dengan nilai nilai signifikansi di atas 0,05, yaitu 0,999.


b. Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi

ditemukan korelasi antar variabel independen. Akibat yang muncul jika sebuah

model regresi berganda memiliki kasus multikolinearitas adalah kesalahan standar

estimasi akan cenderung meningkat dengan bertambahnya variabel bebas yang

masuk pada model. Sehingga signifikansi yang digunakan akan menolak hipotesis

nol akan semakin besar. Akibatnya, model regresi yang diperoleh tidak shahih

(valid) untuk menaksir variabel independen. Untuk mengetahui ada tidaknya

multikolinearitas di dalam regresi dapat dilihat dari dari nilai Tolerance dan

Variance Inflation Factor (VIF). Suatu model regresi dinyatakan bebas dari kasus

multikolinearitas jika nilai Tolerance di bawah 1 dan VIF di bawah 10.

Coefficientsa

Model Unstandardized

Coefficients

Standardized

Coefficients

t Sig.

Collinearity Statistics

B Std. Error Beta

Toleranc

e VIF

1 (Constant

)

6.154 4.183

1.471 .159

harga 1.038 .365 .577 2.841 .011 .898 1.114

promosi 1.234 .553 .453 2.231 .039 .898 1.114

a. Dependent Variable: keputusan_konsumen

Berdasarkan tabel diatas, diketahui bahwa model regresi tersebut bebas dari

kasus multikolinearitas. Hal ini ditunjukkan dari nilai Tolerance < 1 yaitu 0,898

dan VIF < 10 yaitu 1,114.

c. Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada

korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1

(sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi.


Konsekuensi dari adanya autokorelasi dalam model regresi adalah model regresi

yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel dependen pada

nilai variabel independen tertentu. Untuk mendeteksi adanya korelasi dalam suatu

model regrsi dilakukan melalui pengujian terhadap nilai uji Durbin-Watson (Uji

DW). Kriteria pengujian Durbin-Watson dapat dilihat pada tabel berikut ini :

Tabel Kriteria Pengujian Autokorelasi

DW Kesimpulan

< 1,10 Ada autokorelasi

1,10 – 1,54 Tanpa kesimpulan

1,55 – 2,46 Tidak ada autokorelasi

2,47 – 2,90 Tanpa kesimpulan

> 2,91 Ada Autokorelasi

Model Summaryb

Model

R R Square

Adjusted R

Square

Std. Error of the

Estimate Durbin-Watson

d

im

en

si

o

n0

1 .609a .371 .297 3.66648 1.705

a. Predictors: (Constant), promosi, harga

b. Dependent Variable: keputusan_konsumen

Berdasarkan tabel di atas, diperoleh nilai Durbin Watson (DW) = 1,705. Nilai

tersebut terletak pada selang 1,55 – 2,46. Hal ini menunjukkan bahwa pada model

regresi tersebut tidak terjadi autokorelasi.


d. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi

terjasi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang

lain. Jika varian dari residual suatu pengamatan ke pengamatan lain tetap, maka

disebut homoskedastisitas dan jika berbeda akan disebut heretoskedastisitas. Model

regresi yang baik adalah model yang tidak terjadi heteroskedastisitas (Ghozali,

2006). Konsekuensi adanya heteroskedastisitas dalam model regresi adalah

penaksir (estimator) yang diperoleh tidak efisien, baik dalam sampel kecil, maupun

dalam sampel besar.

Untuk menentukan heteroskedastisitas dapat meggunakan grafik scatterplot,

titik-titik yang terbentuk harus menyebar secara acak, tersebar baik di atas maupun

di bawah angka 0 pada sumbu Y, bila kondisi ini terpenuhi maka tidak terjadi

heteroskedastisitas dan model regresi layak digunakan.

Dari grafik scatterplot di atas terlihat titik-titik menyebar secara acak serta

tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Dengan demikian

dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model ini.


Berdasarkan berbagai macam pengujian di atas dapat disimpulkan bahwa

syarat asumsi klasik ada yang tidak terpenuhi sehingga data dengan menggunakan

persamaan regresi berganda dapat dilakukan.


DAFTAR PUSTAKA

Nachrowi D.N, Hardius Usman. 2002. Penggunaan Teknik Ekonometri (Edisi

Revisi). PT RajaGrafindo Persada: Jakarta

http://digilib.usm.ac.id/files/disk1/4/gdl-usm--dyahnirmal-160-1-statisti-n.pdf

(diakses 12 Desember 2013, 10:00)

http://aliefworkshop.wordpress.com/2013/08/19/uji-multikolinearitas-dengan-

spss/ (diakses 15 Desember 2013, 08:00)

http://statistikian.blogspot.com/2013/01/uji-heteroskedastisitas.html (diakses 15

Desember 2013, 09:10 )

http://digilib.usm.ac.id/files/disk1/4/gdl-usm--dyahnirmal-160-1-statisti-n.pdf

http://aliefworkshop.wordpress.com/2013/08/19/uji-multikolinearitas-dengan-spss/

http://aliefworkshop.wordpress.com/2013/08/19/uji-multikolinearitas-dengan-spss/

http://statistikian.blogspot.com/2013/01/uji-heteroskedastisitas.html

Education

Analisis regresi berganda