A.

Uji Asumsi Klasik

1. Uji Normalitas

Tabel XX
Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test

Jenis Pendidikan Anggota Pendapatan Kepemilikan

Umur (X1) kelamin (X2) (X3) keluarga (X4) (X5) lahan (X6)
N 45 45 45 45 45 45
Normal Parameters a,b Mean 2.6444 .5778 1.5556 1.9111 1.5111 1.3333
Std. Deviation .82999 .49949 .98985 .76343 .69486 .76871
Most Extreme Absolute .266 .379 .335 .254 .347 .357
Differences Positive .201 .299 .335 .254 .347 .357
Negative -.266 -.379 -.243 -.235 -.231 -.266
Kolmogorov-Smirnov Z 1.783 2.541 2.247 1.702 2.326 2.392
Asymp. Sig. (2-tailed) .086 .110 .158 .077 .106 .104
a. Test distribution is Normal.
b. Calculated from data.

Sumber : data primer di olah (lampiran 5) 2016

Berdasarkan tabel XXX diketahui bahwa dari hasil pengujian mempunyai

nilai One Sample Kolmogorov-Smirnov Test lebih besar dari 1,000 probabilitas

taraf signfikansi di atas 0,5. Data dinyatakan berdistribusi normal apabila

menghasilkan nilai, A. Symptotic Significance > a = 5%. Hasil dari perhitungan

Kolmogorof Smirnov Test sudah menunjukkan distribusi normal dengan nilai A.

Symptotic Significance > 0,5 (5%).

2. Uji Multikolinieritas

Multikolinieritas berarti terdapat hubungan linier yang sempurna atau pasti

diantara beberapa atau semua variabel bebas yang menjelaskan dari model regresi.

Model regresi linier berganda dikatakan baik jika tidak terjadi multikolinieritas

(Singgih, 2002:203). Asumsi ini diperlukan untuk mengetahui ada tidaknya

variabel independen yang memiliki kemiripan dengan variabel independen lain.

 Tabel XX
Uji Multikolinieritas
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 4.779 1.200 3.982 .000
Umur (X1) 1.388 .221 .379 6.277 .000 .718 1.392
Jenis kelamin (X2) 1.328 .361 .218 3.673 .001 .836 1.196
Pendidikan (X3) .543 .166 .208 3.282 .002 .703 2.871
Anggota keluarga (X4) 1.930 .262 .485 7.360 .000 .812 1.231
Pendapatan (X5) 2.187 .265 .501 8.251 .000 .874 1.133
Kepemilikan lahan (X6) .824 .231 .213 3.570 .001 .758 1.234
a. Dependent Variable: Transformasi Struktural Tenaga Kerja (Y)

Sumber : data primer di olah (lampiran 5) 2016

Dari hasil pada tabel XX diketahui uji Multikolinieritas di bawah 10, hal ini

menunjukkan metode yang digunakan untuk mendeteksi adanya multikolinieritas

adalah dengan menggunakan nilai VIF (Variance Inflation Factors). Jika nilai VIF

dari suatu variabel melebihi 10 berarti terjadi multikolinieritas. Hasil analisis

membuktikan bahwa nilai VIF (Variance Inflation Factors) kurang dari 10

sehingga non multikolinieritas.

3. Uji Heteroskedesitas

Dalam pengujian heteroskedesitas bertujuan untuk menguji apakah dalam

sebuah model regresi, terjadi ketidaksamaan varians dari residual satu

pengamatan ke pengamatan lain. Jika varians dari residual suatu pengamatan ke

pengamatan yang lain berbeda, maka terjadi heterokedastisitas. Model regresi

yang baik seharusnya tidak terjadi heteroskedastisitas (Singgih, 2002:208).

 Gambar 4.1
Uji Heteroskedastisitas

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Transformasi Struktural Tenaga Kerja (Y)

1.0

0.8

0.6

0.4
Expected Cum Prob

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob

Sumber : data primer di olah (lampiran 5) 2015

Dari gambar 4.1 di atas diketahui deteksi adanya heteroskedastisitas dapat

dilakukan dengan melihat pola pada grafik scatterplot. Jika tidak membentuk pola

tertentu, maka tidak terjadi heterokedastisitas di model regresi yang diuji, hal ini

menunjukkan bahwa tidak terjadi heteroskedastisitas.

4. Uji Autokorelasi

Tabel

Uji Autokorelasi

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 .926a .883 .864 1.11951 2.147
a. Predictors: (Constant), Kepemilikan lahan (X6), Anggota keluarga (X4),
Jenis kelamin (X2), Umur (X1), Pendidikan (X3), Pendapatan (X5)
b. Dependent Variable: Transformasi Struktural Tenaga Kerja (Y)

Sumber : data primer di olah (lampiran 5)

Dari tabel 5.11 diketahui nilai DW sebesar 2,147 yang menunjukkan

dideteksi dengan menggunakan Uji Durbin Watson (DW-test). Uji Durbin Watson

hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan

mensyaratkan adanya intercept (konstanta) dalam model regresi yang tidak ada

variabel lagi diantara variabel independen. Untuk mendeteksi ada tidaknya

autokorelasi, maka dilakukan pengujian Durbin Watson (DW) dengan ketentuan

sebagai berikut :

1). Terjadi autokorelasi positif jika dw terletak antara 0 < DW < dL.

2). Terjadi autokorelasi negative jika dw terletak antara 4-dL< DW<4

3). Tidak, terjadi autokorelasi positif ataupun autokorelasi negatif jika nilai dw

terletak diantara dU < DW < 4 - dU.

4). Ragu-ragu tidak ada autokorelasi positif (tidak ada kesimpulan) jika nilai dug

terletak antara dL < DW < dU.