UJI ASUMSI KLASIK

A. Uji Multikolonieritas
Kegunaan : - menguji apakah ada korelasi yang tinggi antar variabel bebas ( indevendent variabel) - model yang baik bila tidak ada korelasi tinggi antar variabel . Deteksi ada atau tidaknya multikolonieritas : a. Nilai R yang dihasilkan sangat tinggi, tetapi secara individual variabel bebas banyak yang tidak signifikan mempengaruhi variabel terikat. b. Korelasi cukup tinggi ( umumnya di atas 0,90 ), maka ada indikasi multikolonieritas. ATAU Melihat nilai Tolerance dan lawanya : Variance Inflation Faktor (VIF) Tolerance : mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. (VIF =1/tolerance). Multikolonieritas terjadi bila : nilai tolerance < 0,10 atau VIF > 10 a. Melakukan regresi parsial , dg. cara : a. b. c. Buat estimasi regresi awal dan temukan R Lakukan regresi antar variabel bebas Bandingkan nilai R ( model b )dengan model awal (a), jika nilai R

model (b) lebih tinggi maka terjadi multikolonieritas. Solusi multikolonieritas : a. Transformasi variabel ( logaritma natural) b. Keluarkan satu atau lebih variabel bebas yang memiliki korelasi tinggi c. Gunakan model dengan variabel bebas yang mempunyai korelasi tinggi hanya semata-mata untuk prediksi ( jangan mencoba menginterpretasikan koefisien regresinya ) d. Gunakan korelasi sederhana antara setiap variabel bebas dan variabel terikat untuk memahami hubungan variabel bebas dan variabel terikat.

e. Gunakan analisis yang lebih canggih (Bayesion Regression).

Kasus
daerah JAKARTA TANGERAN BEKASI BOGOR BANDUNG SEMARANG SOLO YOGYA SURABAYA PWKERTO MADIUN TUBAN MALANG KUDUS PEKALLON sales promosi outlet 205 206 254 246 201 291 234 209 204 216 245 286 312 265 322 26 28 35 31 21 49 30 30 24 31 32 47 54 40 42 159 164 198 184 150 208 184 154 149 175 192 201 248 166 287 laju-pen pesaing 2.00 1.50 1.75 1.64 2.65 1.45 1.67 2.74 1.35 2.13 2.64 1.63 2.53 2.54 1.53 15 16 19 17 11 24 16 10 14 14 11 19 21 18 16 income 5.46 2.43 2.56 3.55 4.35 3.65 3.44 2.55 4.79 2.53 2.75 2.53 3.51 2.81 3.00

Hasil printout SPSS sebagai berikut :

C o e ffic ie nats Sta n d a rd i ze d U n sta n d a rd ize d C o e fficie n C o e fficie n ts ts M odel B Std . Erro r Be ta 1 (C o n sta n t) 5 4 .4 0 9 3 7 .4 3 0 ju m la h p ro m o si 2 .1 7 0 .9 5 8 .5 1 1 o u tle t (m ) .5 5 0 .1 3 7 .5 1 0 la ju p en d u d u k 1 .1 5 3 9 .1 7 5 .0 1 4 ju m la h p e sa in g .5 1 6 2 .0 0 0 .0 4 8 in ca m e m a sya raka t .8 3 2 3 .7 1 4 .0 1 9 a . D e pe n d e n t Va ria b le : ju m lah p e n ju a la n

t 1 .4 5 4 2 .2 6 7 4 .0 1 6 .1 2 6 .2 5 8 .2 2 4

C o llin e a rity Sta tistics Sig . T o le ra n ce VIF .1 8 0 .0 5 0 .1 0 3 9 .6 8 8 .0 0 3 .3 2 6 3 .0 7 2 .9 0 3 .4 1 0 2 .4 4 1 .8 0 2 .1 5 0 6 .6 7 2 .8 2 8 .7 5 6 1 .3 2 3

a C o e ffic ie n t C o rre la tio n s

in c a m e ju m la h ju m la h M odel m a s ya ra k a t p e s a in g la ju p e n d u d u ko u tle t (m ) p ro m o s i 1 C o rre la tio n s in ca m e m a s ya ra k a t 1 .0 0 0 -.3 5 7 -.1 7 6 -.1 4 9 .4 1 1 ju m la h p e sa in g -.3 5 7 1 .0 0 0 .7 4 6 .5 0 2 -.8 7 2 la ju p e n d u d u k -.1 7 6 .7 4 6 1 .0 0 0 .5 0 7 -.6 8 1 o u tle t (m ) -.1 4 9 .5 0 2 .5 0 7 1 .0 0 0 -.7 3 9 ju m la h p ro m o si .4 1 1 -.8 7 2 -.6 8 1 -.7 3 9 1 .0 0 0 C o va ria n c e s in ca m e m a s ya ra k a t 1 3 .7 9 4 -2 .6 5 5 -6 .0 1 1 -7 .6 0 E -0 2 1 .4 6 2 ju m la h p e sa in g -2 .6 5 5 4 .0 0 2 1 3 .6 9 9 .1 3 7 -1 .6 7 0 la ju p e n d u d u k -6 .0 1 1 1 3 .6 9 9 8 4 .1 8 4 .6 3 7 -5 .9 7 9 o u tle t (m ) -7 .5 9 8 E -0 2 .1 3 7 .6 3 7 1 .8 7 7 E -0 2 -9 .7 0 E -0 2 ju m la h p ro m o si 1 .4 6 2 -1 .6 7 0 -5 .9 7 9 -9 .7 0 E -0 2 .9 1 7 a . D e p e n d e n t V a ria b le : ju m la h p e n ju a la n

Semua variabel : Korelasinya < 0,9 tidak ada indikasi multikolonieritas. ATAU Semua variabel : VIF < 10 tidak ada multikolonieritas

Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 ( sebelumnya) . Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Masalah ini muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain, atau dapat juga timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi satu ke observasi lainnya (sering terjadi pada data runtut waktu atau time series) Cara mendeteksi ada dan tidaknya autokorelasi : 1. 1. 2. Uji Breusch - Godfrey (Dalam buku ini hanya akan dibahas uji Durbin-watson) Uji Durbin Watson (DW test ) Uji Lagrange Multiflier (LM test )

Uji statistik Q : Box- Pierce dan Ljang Box

Uji Durbin Watson (DW test ) H0 : r = 0 tidak ada autokorelasi Ha : r 0 .ada autokorelasi Keputusan ada dan tidaknya autokorelasi : 1. Bila nilai DW terletak antara batas atas atau upper bound (du) dan ( 4 du ), maka koefisien autokorelasi sama dengan nol , tidak ada autokorelasi ). 2. Bila nilai DW lebih rendah dari batas bawah atau lower bound (dl), maka koefisien autokorelasi lebih besar dari nol, berarti ada autokorelasi positif. 3. Bila nilai DW lebih besar daripada ( 4 dl ) maka koefisien autokorelasi lebih kecil dari nol, berarti ada autokorelasi negatif. 4. Bila nilai DW terletak antara batas atas (du) dan batas bawah (dl) atau DW terletak atara ( 4- du ) dan ( 4 dl ), maka hasilnya tidak dapat disimpulkan. : ATAU Hipotesis nol Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada korelasi negatif Tidak ada korelasi negatif Tidak ada korelasi positif atau negative Keputusan Tolak No decicion Tolak No decision Tidak ditolak Jika 0 < d < dl dl d du 4 dl <d < 4 du d 4-dl du < d < 4 - du

Model Summary Model 1 R .976 a R Square .953 Adjusted R Square .927

Std. Error of the Estimate 11.14

Durbin-W atson 2.165

a. Predictors: (Constant), incame masyarakat, jumlah pesaing, laju penduduk, outlet (m), jumlah promosi b. Dependent Variable: jumlah penjualan

Nilai DW =2,165 akan dibandingkan dengan nilai tabel : Taraf signifikansi 5 % Jumlah sampel (n) = 15 Jumlah variabel bebas = 5

Nilai DW 2,165 lebih besar dari batas atas (du) 1,97 , maka dapat disimpulkan tidak terdapat autokorelasi positif dalam model regresi.

Uji Heteroskedastisitas
Heteroskedastisitas >< Homoskedastisitas Uji ini digunakan untuk menguji apakah model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ( group ) ke pengamatan yang lain. Bila variance dari residual satu pengamatan (group) ke pengamatan lain tetap ( sama ) maka terjadi homoskedastisitas. Bila variance berbeda (tidak sama) terjadi heteroskedastisitas. Model regresi yang baik harus homoskedastisitas (tidak terjadi heteroskedastisitas ) Cara mendeteksi ada dan tidaknya heteroskedastisitas : 1. Melihat grafik flot antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (SRESID). Dengan melihat ada/tidaknya pola tertentu pada graik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang diprediksi dan sumbu X adalah residual ( Y prediksi Y sesungguhnya ) DASAR ANALISIS : Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur ( bergelombang, melebar kemudian menyempit ) maka mengindiksikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi heteroskedastisitas.

Scatterplot Dependent Variable: jumlah penjualan

3

Regression Studentized Residual

-1

-2 -1.5 -1.0 -.5 0.0 .5 1.0 1.5 2.0

Regression Standardized Predicted Value

Dari kasus 1 ( output SPSS ) ternyata grafik scatterplots menunjukkan titik-titik menyebar secara acak serta tersebar di atas maupun dibawah angka nol pada sumbu Y, dapat disimpulkan tidak terjadi heterokesdasititas pada model regresi yang dipakai. 2. Uji Park 3. Uji Glejser 4. Uji White ( cara 2,3,4 tidak dibahas ) Cara perbaikan : Perbaikan yang dapat dilakukan dengan mengubah data dalam bentuk logaritma ( log ), natural (LN) .

Uji Normalitas
- Menguji variabel devendent dan indevendent dalam model regresi memiliki distribusi normal atau tidak. - Model regresi yang baik berdistribusi normal atau mendekati normal

Cara menguji : a. Analisis grafik Melihat histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Atau Melihat normal probability plot yang membandingkan distribusi komulatif dari data sesungguhnya dengan distribusi komulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data akan dibandingkan dg. garis diagonal. Distribusi data adalah normal bila garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonal. Printout : kasus 1
Histogram Dependent Variable: jumlah penjualan
5

Frequency

Std. Dev = .80 Mean = 0.00 N = 15.00 -1.00 -.50 0.00 .50 1.00 1.50

Regression Standardized Residual

Normal P-P Plot of Regression Standardized Residual Dependent Variable: jumlah penjualan
1.00

.75

Expected Cum Prob

.50

.25

0.00 0.00 .25 .50 .75 1.00

Observed Cum Prob

Analisis : 1. Dengan melihat tampilan grafik histogram maupun grafik normal plot dapat disimpulkan grafik histogram meberikan pola distribusi mendekati normal. 2. Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal ( model regresi memenuhi asumsi normalitas ) Jika data menyebar jauh dari garis diagonal/tidak mengikuti arah garis ( model regresi tidak memenuhi asumsi normalitas ) ATAU UJI : Shapiro- Wilk test dan Kolmogorof-Smirnov test.
One-Sample Kolmogorov-Smirnov Test Unstandardiz ed Residual 15 6.457170E-08 8.9322815 .113 .113 -.109 .438 .991

N a,b Normal Parameters Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)

Mean Std. Deviation Absolute Positive Negative

a. Test distribution is Normal. b. Calculated from data.

Bila signifikansi > 0,05 maka distribusi data adalah normal