Analisis regresi berganda Makalah Analisis regresi berganda Contoh Analisis regresi berganda Pengertian Analisis regresi berganda

1. 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

2. 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

3. 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

4. Analisis Regresi Berganda 2
(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).
푌푖= 훽0+ 훽1 푋푖 1+ 훽2 푋푖 2+⋯+ 훽푝−1 푋푖푝−1 + 휀푖
dengan:
푌푖 adalah variabel tidak bebas untuk pengamatan ke-i, untuk i = 1, 2, …, n.
훽0,훽1, 훽2,…,훽푝−1 adalah Parameter
푋푖 1,푋푖 2,…,푋푖 푝−1 adalah Variabel Bebas
휀푖 adalah sisa (error) untuk pengamatan ke-i yang diasumsikan berdistribusi normal yang saling bebas dan identik dengan rata-rata 0 (nol) dan variansi 휎2.
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.

5. Analisis Regresi Berganda 3
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

6. Analisis Regresi Berganda 4
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

7. Analisis Regresi Berganda 5
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. 푑= Σ(푒푡− 푒푡−1)2푡=푛 푡=2Σ푒푡 2푡=푛 푡=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<푑<푑퐿
Menolak hipotesis nol; ada autokorelasi positif
푑퐿≤푑≤푑푈
Daerah keragu-raguan; tidak ada keputusan
푑푈≤푑≤4−푑푈
Menerima hipotesis nol; tidak ada autokorelasi positif/negatif
4−푑푈≤푑≤4−푑퐿
Daerah keragu-raguan; tidak ada keputusan
4−푑퐿≤푑≤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.

8. Analisis Regresi Berganda 6
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 푑퐿dan 푑푈 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.

9. Analisis Regresi Berganda 7
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

10. Analisis Regresi Berganda 8
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 dimension0 1 Promosi, Hargaa . Enter a. All requested variables entered. b. Dependent Variable: Keputusan_konsumen

11. Analisis Regresi Berganda 9
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 dimension0 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.

12. Analisis Regresi Berganda 10
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 훼= 0,05 dimana Sig.hitung < 훼, 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.

13. Analisis Regresi Berganda 11
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 훽 dari kolom B pada Unstandardized Coefficient, yaitu
훽0 = 6,154
훽1 = 1,038
훽2 = 1,234
Masing-masing koefisien 훽 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 < 훼(훼= 0,05), maka variabel bebas tersebut berpengaruh signifikan terhadap variabel terikatnya. Artinya :
 Harga
Sig.hitung = 0,011 < 훼= 0,05, jadi harga berpengaruh signifikan terhadap tingkat keputusan konsumen.
 Promosi

14. Analisis Regresi Berganda 12
ig.hitung = 0,129 < 훼= 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”.

15. Analisis Regresi Berganda 13
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.

16. Analisis Regresi Berganda 14
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.

17. Analisis Regresi Berganda 15
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 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
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.

18. Analisis Regresi Berganda 16
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 dimension0 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.

19. Analisis Regresi Berganda 17
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.

20. Analisis Regresi Berganda 18
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.

21. Analisis Regresi Berganda 19
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 )