REGRESI LINEAR

MOH.FAIZAL EFENDI (H02215006)

YUNIAR MUKTI KUSUMAWARDANI(H72215035)
Pengertian Regresi Linear
 Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.
 Secara umum regresi linear terdiri dari dua yaitu regresi linear sederhana
yaitu dengan satu buah variabel bebas dan satu buah variabel terikat dan
regresi linear berganda dengan beberapa variabel bebas dan satu buah
variabel terikat.
 Asumsi yang harus terpenuhi dalam analisis regresi menurut Gujarati adalah :
 Residual menyebar normal (asumsi normalitas)
 Antar Residual saling bebas (Autokorelasi)
 Kehomogenan ragam residual (Asumsi Heteroskedastisitas)
 Antar variabel independent tidak berkolerasi (multikolinearitas)
Analisis Regresi Sederhana
 Analisis Regresi Sederhana
Regresi sederhana digunakan untuk menganalisis hubungan kausal satu variabel bebas
terhadap satu variabel tergantung. Model yang digunakan untuk melakukan analisis
regresi linear sederhana adalah sebagai berikut:
 𝑌 = 𝑎 + 𝑏𝑋 + 𝜀 (1)
Keterangan :
𝑌 =Nilai yang diramalkan
𝑎 =Konstansta/intercept
𝑏 =Koefisien regresi/slope
𝑋 =Variabel bebas
𝜀 =Nilai residu
 Nilai 𝑎 (konstanta) dan nilai b (koefisien regresi) dalam persamaan diatas dapat
ditentukan dengan rumus sebagai berik ut:
𝑛 ∑𝑋𝑌 − (∑𝑋)(∑𝑌) ∑𝑌 − 𝑏 ∑𝑋
𝑏= 2 𝑎 = (3)
𝑛 ∑𝑋 2 − (∑𝑋)2 𝑛
Analisis Regresi Berganda

 Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel
independen (x1, x2, …, xn) dan dengan variabel dependen (Y). Analisis ini untuk mengetahui
arah hubungan antara variabel independen dengan variabel dependen, apakah masing-masing
variabel independen berhubungan positif atau negatif dan untuk memprediksi nilai dari
variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.
 Persamaan regresi linier berganda adalah sebagai berikut :

 𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ +𝑏𝑛 𝑋𝑛
Dengan :
Y = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2, …, Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Uji Normalitas Data

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel
penganggu atau residual memiliki distribusi normal. Untuk memberikan
kepastian, data yang dimiliki berdistribusi normal atau tidak, sebaiknya
digunakan uji statistika normalitas. Karena belum tentu data yang lebih dari 30
bisa dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya
kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu perlu suatu
pembuktian.
 Ada 2 cara mendeteksi apakah residual bersiatribusi normal atau tidak, yaitu
dengan analisis grafik dan uji statistik (melihat nilai kurtosis dan skewness
dari residual dan uji statistik non parametik Kolmogorov-Smirnov. Uji
Normalitas, dapat dilakukan :
 Uji Normalitas dengan Analisis Grafik
 Pengujian normalitas menggunakan analisis grafik dilakukan dengan menggunakan
histogram dengan menggambarkan variabel dependent sebagai sumbu vertikal
sedangkan nilai residual terstandarisasi digambarkan sebagai sumbu horizontal.
Jika Histogram Standardized Regression Residual membentuk kurva seperti
lonceng maka nilai residual tersebut dinyatakan normal.
Pengujian normalitas dengan analisis grafik menggunakan SPSS dilakukan dengan
langkah sebagai berikut:
 Buka file Uji Asumsi Klasik.
 Klik Analyse, Regression, Linear.
 Masukkan variabel Omzet Penjualan pada kotak Dependent:
 Masukkan variabel Jumlah outlet dan Biaya Promosi pada kotak Independent(s).
 Klik Plots. Pada Y:, isi DEPENDENT dan X:, isi*ZRESID
 Pada Standardized Residual Plots, klik Histogram.
 Klik Normal Probability Plot lalu klik Continue.
 Abaikan pilihan yang lain dan klik OK.
 Output dari metode Uji Normalitas dengan Analisis Grafik
Data mengenai biaya promosi, jumlah outlet dan omzet penjualan perusahaan X
sebagai berikut : Omzet
Biaya
Penjuala Jumlah
promosi
n Outlet
(juta
(juta (unit)
Rp)
Rp)
64 4 20
61 3 16
84 5 34
70 3 23
88 5 27
92 5 32
72 3 18
77 3 22

 Buatlah persamaan regresinya

 Interpretasikan persamaan regresi tersebut
 Ujilah pada tingkat signifikasi 95% (α=5%), apakah promosi berpengaruh
signifikan terhadap omzet penjualan
INTERPRETASI

Pengambilan Keputusan :
Berdasarkan tampilan output chart diatas dapat dilihat
dari grafik histogram maupun grafik plot. Dimana grafik
histogram memberikian pola distribusi yang melenceng
ke kanan dan grafiknya membutuk lonceng, artinya data
tersebut berdistribusi normal. Kemudian apabila dilihat
dari grafik P-Plot terlihat bahwa titik-titik mengikuti dan
mendekati garis diagonalnya sehingga dapat dikatakan
bahwa model regresi memenuhi asumsi normalitas.
1. Uji Normalitas dengan Metode Signifikasi
Skewness dan Kurtosis
 Uji Normalitas dapat dilakukan dengan berdasarkan pada koefisien keruncingan
(kurtosis) dan koefisien kemiringan (skewness). Untuk melakukan standarisasi nilai
skewness dan nilai kurtosis digunakan rumus berikut:
𝑆−0 𝐾−0
 𝑍𝑠𝑘𝑒𝑤 = 𝑍𝑘𝑢𝑟𝑡 =
6/𝑁 24/𝑁

 Dimana :
𝑆 =Nilai skewness
𝑁 =Jumlah kasus
𝐾 =Nilai kurtosis
Jika 𝑍𝑠𝑘𝑒𝑤 dan 𝑍𝑘𝑢𝑟𝑡 ≤ nilai kritis maka residul terstandarisasi berdistribusi normal,
sedangkan jika menggunakan tingkat toleransi 0,01 atau 1 persen maka nilai krisisnya
± 2,58, tingkat toleransi 0,05 atau 5 persen maka nilai kritisnya ± 1,96 dan tingkat
toleransi 0,10 atau 10 persen maka nilai kritisnya ± 1,65.
Cara menguji normalitas dengan signifikasi skewness dan
kurtosis menggunakan SPSS dilakukan dengan langkah
sebagai berikut:
 Buka file Uji Asumsi Klasik
 Klik Analyze, Regression, Linear.
 Klik Save. Pada kotak Residual, klik Standardized
kemudian klik Continue.
 Abaikan pilihan yang lain, klik OK.
 Kembali ke Data Editor. Sekarang kita sudah memiliki
variabel baru Unstandardized Residual, yaitu ZRES_1.
 Output dari metode Uji Normalitas dengan Metode Signifikasi Skewness dan
Kurtosis.

Descriptive Statistics

N Skewness Kurtosis

Statistic Statistic Std. Error Statistic Std. Error

Standardized Residual 8 -,159 ,752 -2,236 1,481

Valid N (listwise) 8

Dari output diatas diperoleh nilai Skewness -0,159 dan nilai Kurtosis -2,236. Sehingga dapat
dihitung nilai Z-Skewness dan Z-Kurtosisnya.

Z-Skewness = S-0 / 6/𝑁 = -0,159 / 6/8 = -0,184. Karena nilai Z-Skewness = -0,184
> -1,96 dan nilai Z-Skewness = -0,184 >- 1,96, maka kecondongan data adalah simetris atau data
berdistribusi normal.

Z-Kurtosis = K-0 / 24/𝑁 = -2,236 / 24/8 = -1,291. Karena nilai Z-Kurtosis = -1,291 > -1,96
dan nilai Z-Kurtosis = -1,291 >- 1,96 maka keruncingan data adalah mesokurtik atau memiliki
distribusi normal.
3. Uji Normalitas dengan Jarque-Bera (JB
Test)
 Seperti halnya uji skewness dan kurtosis, uji ini merupakan uji normalitas
dengan berdasarkan pada koefisien keruncingan (kurtosis) dan koefisien
kemiringan (skewness). Uji ini dilakukan dengan membandingkan statistik
Jarque-Bera (JB) dengan nilai 𝑋 2 tabel. Jika nilai Jarque-Bera (JB)≤ 𝑋 2 tabel
maka nilai residual terstandarisasi dinyatakan berdistribusi normal. Untuk
menghitung nilai statistik Jarque-Bera (JB) digunakan rumus berikut:
𝑆2 𝐾−3 2
 𝐽𝐵 = 𝑛 +
6 24

Keterangan:
𝐽𝐵 = Statistik Jarque-Bera
𝑆 = Koefisien skewness
𝐾 =Koefisien kurtosis
 Output dari Metode Uji Normalitas dengan Jarque-Bera (JB Test)
𝑆2 𝐾−3 2
 𝐽𝐵 = 𝑛[ 6 + 24

= 8[-0,004 + (-1,142)]
= 8 [-1,146] = - 9,168
Dari hasil perhitungan di atas diperoleh JB sebesar – 9,168. Karena nilai JB < X2
yaitu - 9,168 < 5,991 maka dapat dikatakan tidak ada masalah normalitas residu
pada data ini.
Uji Normalitas dengan Kolmogorov-Smirnov
 Uji normalitas menggunkan uji statistik non-parametrik Kolmogorov-Smirnov Merupakan uji
normalitas menggunakan fungsi distribusi kumulatif. Nilai residual terstandarisasi
berdistribusi normal jika K hitung< K tabel atau nilai Sig. > alpha. Uji ini dilakukan
menggunakan langkah sebagai berikut:
 Membuat persamaan regresi .
 Mencari nilai prediksinya 𝑌෠ .
 Mencari nilai residualnya 𝑌 − 𝑌෠ .
 Membuat standarisasi nilai residualnya.
 Mengurutkan nilai residual terstandarisasi dari yang terkecil sampai yang terbesar.
 Mencari nilai𝑍𝑟 Relatif kumulatif.
 Mencari nilai 𝑍𝑡 teoritis berdasarkan tabel Z.
 Menghitung selisih nilai 𝑍𝑟 dengan 𝑍𝑡 dan diberi simbol K.
 Mencari nilai K mutlak terbesar dan beri nama dengan K hitung.
 Membandingkan nilai K hitung dengan tabel Kolmogorov-Smirnov(K tabel).
 Menarik kesimpulan kenormalan data dengan kriteria jika K hitung< K tabel maka residual
terstandarisasi berdistribusi normal.
Cara menguji normalitas dengan Kolmogorov-Smirnov menggunakan SPSS dilakukan
dengan langkah sebagai berikut:
Meregresikan variabel bebas terhadap variabel tergantung, dengan langkah-langkah
berikut:
 Buka file Uji Asumsi Klasik.
 Klik Analize, Regression, Linear.
 Masukkan variabel Omzet Penjualan pada kotak Dependent:
 Masukkan variabel Jumlah outlet dan Biaya Promosi pada kotak Independent(s).
 Klik Save pada kotak Residual,klik Standardized lalu Continue.
 Abaikan pilihan yang lain, klik OK.
 Kembali ke Data Editor. Sekarang kita sudah memiliki variabel baru
Unstandardized Residual, yaitu ZRES_1.
Menguji normalitas nilai Standardized Residual, dengan langkah-langkah berikut:
 Pada Menu utama SPSS,pilih Analize, Nonparametrics Test, 1 Sample K-S.
 Masukkan variabel Unstandardized Residual pada Kotak Variabel(s):
 Klik OK.
 Analisis One –Sample Kolmogorov-Smirnov Test:
 Output dari metode Uji Normalitas dengan
Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Jumlah_Outlet Biaya
N 8 8
Mean 3,88 24,00
Normal Parametersa,b
Std. Deviation ,991 6,481
Absolute ,311 ,186
Most Extreme Differences Positive ,311 ,186
Negative -,247 -,141
Kolmogorov-Smirnov Z ,881 ,527
Asymp. Sig. (2-tailed) ,420 ,944
a. Test distribution is Normal.
b. Calculated from data.

Pengambilan Keputusan :
Karena P-Value > 0,05 yaitu 0,420 > 0,05 dan 0,944 > 0,05 maka dapat
dikatakan bahwa data yang diuji tersebut adalah berdistribusi normal.
Konsekuensi dan Cara Mengatasi Pelanggaran Normalitas.
 Konsekuensi jika asumsi normalitas tidak terpenuhi pada sebuah model regresi
adalah nilai prediksi yang diperoleh akan bias dan tidak konsisten.
 Jika asumsi normalitas tidak terpenuhi maka dapat dilakukan beberapa
metode treatmeant untuk mengatasi pelanggaran tersebut.
 Menambah jumlah data.
 Melakukan transformasi data menjadi log atau LN atau bentuk lainnya.
 Menghilangkan data yang dianggap sebagai penyebab data tidak normal.
 Dibiaskan saja tetapi kita harus menggunakan alat analisis lain.
 Uji Linearitas
 Uji linearitas dipergunakan untuk melihat apakah model yang dibangun
mempunyai hubungan linear atau tidak. Uji ini jarang digunakan pada
berbagai penelitian, karena biasanya model dibentuk berdasarkan telaah
teoretis bahwa hubungan antara variabel bebas dengan variabel terikatnya
adalah linear. Hubungan antar variabel yang secara teori bukan merupakan
hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi
linear, misalnya masalah elastisitas.
 Jika ada hubungan antara dua variabel yang belum diketahui apakah linear
atau tidak, uji linearitas tidak dapat digunakan untuk memberikan
adjustment bahwa hubungan tersebut bersifat linear atau tidak. Uji linearitas
digunakan untuk mengkonfirmasikan apakah sifat linear antara dua variabel
yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi
yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test
atau uji Lagrange Multiplier.
1. Metode Analisi Grafik
 Metode analisis grafik dilakukan dengan mengamati scatterplot dimana sumbu horizontal
menggambarkan nilai prediksi terstandarisasi, sedangkan sumbu vertikal menggambarkan
nilai residual terstandarisasi. Asumsi linieritas terpenuhi jika plot antara nilai residual
terstandarisasi dengan nilai prediksi terstandarisasi tidak membentuk suatu pola tertentu
(acak). Namun metode ini dapat bersifat subyektif, artinya dengan sctterplot yang sama,
orang yang satu dengan yang lain dapat memberikan kesimpulan yang berbeda mengenai pola
pada scatterplot tersebut.
Uji linieritas dengan metode analisis grafik dilakukan dengan langkah sebagai berikut:
 Membuat persamaan regresi
 Mencari nilai prediki (Ý)
 Mencari residual (Y-Ý)
 Mentransformasikan nilai prediksi ke dalam bentuk standardized.
 Mentransformasikan nilai residual ke dalam bentuk standardized.
 Membuat plot dimana sumbu vertikal residual standardized, sedangkan sumbu horizontal
predicted standardized.
 Menarik kesimpulan uji linieritas, dengan kriteria jika scatterplot menyebar secara acak
menunjukkan model regresi yang dibentuk linier, namun sebaliknya jika scatterplot
membentuk pola tertentu maka menunjukkan model regresi tidak linier.
Pengujian linieritas dengan metode analisi
grafik menggunkan SPSS dilakukan dengan
langkah sebagai berikut:
 Buka file uji asumsi klasik.
 Klik Analize, Regression, Linier.
 Masukkan variabel omzet penjualan pada kotak Dependent.
 Masukan variabel Jumlah Outlet dan Biaya Promosi pada kotak Independent.
 Pada Plots…, Y diisi dengan *ZRESID. Sedangkan X diisi dengan *ZPRED.
 Klik Continue, abaikan pilihan yang lain dan klik OK.
 Output dari Metode Metode Analisi Grafik
Data mengenai biaya promosi, jumlah outlet dan omzet penjualan perusahaan X
sebagai berikut :
Omzet
Biaya
Penjuala Jumlah
promosi
n Outlet
(juta
(juta (unit)
Rp)
Rp)
64 4 20
61 3 16
84 5 34
70 3 23
88 5 27
92 5 32
72 3 18
77 3 22
Berdasarkan output pada scatterplot di atas terlihat bahwa plot menyebar secara
acak di atas maupun di bawah angka nol pada sumbu stamdardized residual.
Berdasarkan uji linearitass menggunakan metode analisis grafik, model regresi
yang terbentuk dinyatakan linier.
2. Metode Durbin-Watson
 Metode ini dilakukan dengan cara membandingkan nilai DW hitunh dengan
nilai DW statistik, baik pada persamaan regresi linier maupun dengan
persamaan regresi kuadratik. Uji linieritas menggunakan uji DW dilakukan
dengan langkah sebagai berikut:
 Membuat persamaan regresi pertama
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑛 𝑋𝑛 + 𝜀
 Hitung nilai DW statistik pada persamaan pertama.
 Membuat persamaan regresi kedua
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑛 𝑋𝑛 + 𝑏3 𝑋32 + 𝑏4 𝑋42 + ⋯ + 𝑏𝑛 𝑋𝑛2 + 𝜀
 Hitung nilai DW statistik pada persamaan kedua.
 Menarik kesimpulan uji linieritas, baik pada regresi pertama maupun pada
persamaan regresi kedua, dengan kriteria jika DW statistik signifikan atau
berada pada daerah otokorelasi negative maka spesifikasi model adalah salah.
Demikian pula sebaliknya.
Cara menguji linieriras dengan metode Durbin Watson menggunakan SPSS dilakukan dengan langkah brikut:
Mengresikan variabel bebas terhadap variabel tergantung, dengan langkah sebagai berikut:
 Buka file uji asumsi klasik.
 Klik Analyze, Regresion, Linier.
 Masukkan variabel Omzet Penjualan pada kontak Dependent.
 Masukkan variabel jumlah oulet dan Biaya promosi pada kotak Independent(s).
 Klik Save…, pada kotak Statistik, pada bagian Residual, klik Durbin Watson, Continue.
 Abaikan pilihan yang lain, klik OK.
Kembali ke Data Editor. Untuk mengkuadratkan semua variabel bebas, lakukan langkah berikut:
 Klik Tranform, Compute.
 Target Variabel diisi dengan X1Sqr.
 Numeric Expresion diisi dengan jumlah outlet*jumlah outlet.
 Klik OK.
 Dengan cara yang sama, kita kuadratkan variabel Biaya Promosi sehingga pada data editor kita mempunyai data variabel bebas yang telah
dikuadratkan.
Meregrisikan variabell bebas dan variabel bebas yang telah dikuadratkan terhadap variabel tergantungnya. Langkah-langkahnya adalah sebagai berikut:
 Klik Analize, Regresion, Linier.
 Klik Riset.
 Masukkan varibel Omzet Penjualan pada kotak Dependent.
 Masukkan variabel Jumlah outlet, Biaya promosi, X1Sqr dan X2Sqr pada kotak Independent(s).
 Klik Save… pada kota Statistics, pada bagian Residual, klik Durbin Watson kemudian klik Continue.
 Abaikan pilihan lain, klik OK.
 Output dari Metode Durbin-Watson

Model Summaryb Model Summaryb

Model R R Square Adjusted R Square Std. Error of the Durbin-Watson Model R R Square Adjusted R Square Std. Error of the Durbin-Watson

Estimate Estimate

1 ,917a ,840 ,721 5,946 ,614

a. Predictors: (Constant), X2, Biaya, Jumlah_Outlet

1 ,865a ,749 ,648 6,671 ,620
b. Dependent Variable: Omzet
a. Predictors: (Constant), Biaya, Jumlah_Outlet

b. Dependent Variable: Omzet

 Berdasarkan output pertama didapatkan persamaan Durbin-Watson sebesar

0,620, sedangkan untuk persamaan Durbin-Watson ke dua didapatkan 0,436.
Pada persamaan regresi pertama dengan 𝛼 = 5%, jumlah data 8 dan jumlah
variabel bebasnya 2 maka diperoleh, nilai dL = 0,5591 dan dU = 1,7771,
sedangkan nilai dW sebesar 0,620. Karena dW > dL dapat disimpulkan bahwa
persamaan pertama linier.
3.Metode Uji MWD (Mac Kinnon, White dan
Davidson)
Uji MWD merupakan salah satu metode yang digunakan untuk mengukur linieritas yang dikembangkan oleh tiga orang, yaitu Mac Kinnon, White dan
Davidson. Langkah-langkahnya adalah sebagai berikut:
 Membuat persamaan regresi
 Mencari nilai prediksinya dan diberi nama (Ý1).
 Mentransformasikan variabel bebas dan variabel tergantung kedalam bentuk Ln.
 Membuat persamaan regresi untuk semua variabel yang telah ditransformasikan kedalam bentuk ln.
 Mencari nilai predksi dari persamaan regresi untuk semua variabel yang telah ditransformasikan dalam bentuk Ln dan diberi nama(Ý2).
 Mentransfomasikan nilai prediksinya (Ý1) kedalam bentuk Ln dan diberi nama (LnÝ1).
 Mengurangi nilai (LnÝ1) dengan nilai (Ý2). Dan diberi nama Z1.
 Meregresikan variabel bebas dan Z1 terhadap variabel tergantung, model dikatakan linier jika koefisien Z1 tidak signifikan.
 Mentransfomasikan nilai prediksinya (Ý2) kedalam bentuk AntiLn dan diberi nama (AntiLnÝ 2).
 Mengurangi nilai (LnÝ2) dengan nilai (Ý1). Dan diberi nama Z2.
 Meregresikan variabel bebas dan Z2 terhadap variabel tergantung, model dikatakan linier jika koefisien Z2 signifikan.
menarik kesimpukan uji linieritas dengan kriteria sebagai berikut:
 Jika Z1 linier dan Z2 linier maka model harus linier
 Jika Z1 tidak linier dan Z2 tidak linier maka model harus non-linier
 Jika Z1 tidak linier dan Z2 linier maka model boleh non-linier dan boleh linier
 Jika Z1 linier dan Z2 tidak linier maka model boleh linier dan boleh non-linier
Output dari Metode Uji MWD (Mac Kinnon,
White dan Davidson)
Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) 39,371 10,774 3,654 ,022
Jumlah_Outl
6,657 8,223 ,586 ,810 ,464
1 et
Biaya ,480 1,295 ,277 ,371 ,730
Z1 262,695 340,108 ,312 ,772 ,483
a. Dependent Variable: Omzet

Berdasarkan output pertama pada tabel di atas diperoleh sig Z1 = 0,483, karena
nilai sig Z1 > 0,05 maka model tersebut dinyatakan linier.
 Coefficientsa
Model Unstandardized Standardiz t Sig.
Coefficients ed
Coefficient
s
B Std. Error Beta
(Constant) 38,431 10,836 3,547 ,024
Jumlah_Out
6,899 8,785 ,608 ,785 ,476
1 let
Biaya ,478 1,345 ,275 ,355 ,740
Z2 3,778 5,145 ,312 ,734 ,504
a. Dependent Variable: Omzet

Berdasarkan output kedua pada tabel di atas diperoleh sig Z1 = 0,483, karena nilai sig Z1 > 0,05
maka model tersebut dinyatakan bahwa Z2 tidak linier.
Berdasarkan uji MWD Nampak bahwa Z1 linier sedangkan Z2 non linier maka dapat disimpulkan
bahwa model tersebut dapat menggunakan regresi linier maupun non linier.
4.Metode Ramsey
 Metode mengasumsikan bahwa metode yang benar adalah persamaan yang linier sehingga hipotesis nol menyatakan bahwa
model adalah linier. Sebaliknya, hipotesis alternatif menyatakan bahwa model adalah tidak linier. Prinsip metode ini adalah
membandingkan antara nilai hitung (persamaaan baru) dengan nilai F tabel dengan df = (α, m, n-k). Langkahnya adalah sebagai
berikut:
 Membuat persamaan regresi.
 Berdasarkan persamaan regresi, dapatkan nilai R2 dan diberi nama R2 old.
 Dapatkan nilai fitted dari variabel tergantung.
 Meregresikan variabel bebas dan nilai fitted terhadap variabel tergantung.
𝑌 = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + 𝑏3 𝑓𝑖𝑡𝑡𝑒𝑑 + 𝑒
 Berdasarkan persamaan regresi kedua, dapatkan nilai R2 dan diberi nama R2 new.
 Hitung nilai F hitunh dengan persamaan sebagai berikut:
(𝑅2 𝑛𝑒𝑤 − 𝑅2 𝑜𝑙𝑑)/𝑚
𝐹=
(1 − 𝑅2 𝑛𝑒𝑤)/(𝑛 − 𝑘)
 Dimana :
m = Jumlah variabel bebas yang baru masuk
n = Jumlah observasi
k = banyaknya parameter
 Menarik kesimpulan uji linieritas dengan kriteria jika F hitung < F tabel dengan df = (α, m, n-k) maka model dinyatakan linier.
Demikian juga sebaliiknya.
Cara menguji linieritas dengan metode
Ramsey menggunakan SPSS adalah sebagai
berikut:
Meregresikan variabel bebas terhadap variabel tergantung, dengan langkah-langkah sebagai berikut:
 Buka file Uji Asumsi Klasik.
 Klik Analize, Regresion, Linier.
 Masukkan varibel Omzet penjualan pada kotak Dependent.
 Masukkan variabel Jumlah outlet dan Biaya promosi pada kotak Independent(s).
 Klik Save. Pada kotak Influence statistics, klik DfFit lalu klik Continue.
 Abaikan pilihan yang lain, klik OK.
 Kembali ke Data Editor. Sekarang kita sudah memiliki variabel baru, yaitu DFF_1
Meregresikan variabel bebas dan DFF_1 terhadap variabel bebasnya dengan langkah sebagai berikut:
 Klik Analize, Regresion, Linier.
 Klik Reset.
 Masukkan varibel Omzet penjualan pada kotak Dependent.
 Masukkan variabel jumlah outlet dan biaya promosi DFF_1 pada kotak Independent(s).
 Klik OK.
  Output dari Metode Ramsey

Model Summaryb

Model R R Square Adjusted R Square Std. Error of the Model Summary

Estimate
Model R R Square Adjusted R Square Std. Error of the
Estimate
1 ,865a ,749 ,648 6,671
a. Predictors: (Constant), Biaya, Jumlah_Outlet
1 ,439a ,193 ,059 10,916
b. Dependent Variable: Omzet
a. Predictors: (Constant), DFFIT

Berdasarkan output pada persamaan pertama diperoleh R2 old sebesar 0,749, sedangkan
pada persamaan regresi yang kedua diperoleh R2 new sebesar 0,193. Dengan demikian
besarnya nilai F hitung dapat diperoleh :

2 2
(𝑅𝑛𝑒𝑤 − 𝑅𝑜𝑙𝑑 )/𝑚 (0,193 − 0,749)/1
𝐹= 2 = = −3,445
(1 − 𝑅𝑛𝑒𝑤 )/(𝑛 − 𝑘) (1 − 0,193)/(8 − 3)
Karena nilai F hitung (-3,445) < F tabel (5,79) maka dapat disimpulkan bahwa model regresi
yang benar adalah regresi linear.
Uji Autokorelasi

Uji Autokorelasi digunakan untuk mengetahui ada atau

tidaknya penyimpangan asumsi klasik autokorelasi yaitu
kolerasi yang terjadi antara residual pada satu pengamatan
dengan pengamatan lain pada model regresi. Persyaratan
yang harus terpenuhi adalah tidak adanya autokorelasi
dalam model regresi.
Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson (Uji DW) dengan
ketentuan sebagai berikut:
 Jika d lebih kecil dari dL atau lebih besar dari (4-DL) maka hipotesis nol ditolak, yang berarti
terdapat autokorelasi.
 Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak ada
autokorelasi.
 Jika d terletak antara dL dan dU atau di antara (4-dU) dan (4-dL), maka tidak menghasilkan
kesimpulan yang pasti.

UJI AUTOKORELASI dapat dilakukan mengunakan 4 metode:

1. Metode Durbin Watson
2. Metode LM Test
3. Metode BG Test
4. Metode Run Test
Uji Otokorelasi Metode Durbin Watson (Uji
D-W)
Uji D-W merupakan uji yang sangat populer untuk menguji ada tidaknya masalah otokorelasi dari
model empiris yang di estimasi. Pada penerapan uji ini terdapat beberapa ansumsi penting yang
harus dipenuhi, yaitu :
 Model regresi yang dilakukan harus menggunakan konstanta
 Variabel bebas adalah non-statistik, atau relatif tetap untuk sampel yang berlubang.
 Kesalahan pengganggu atau residual diperoleh dengan otoregresif order pertama. 𝜀𝑡 = 𝜀𝑡−1 + 𝜇𝑡
 Model regresi tidak meliputi nilai kelembaman (lag) dari variabel tak bebas sebagai variabel
penjelas.
 Dalam melakukan regresi, tidak boleh ada data yang hilang
Rumus :
∑(𝒆 − 𝒆𝒕 )𝟐
𝑫𝑾 =
∑ 𝒆𝒕 𝟐
Langkah-langkah Uji Otokorelasidengan
metode D-W

1. Membuat persamaan regresi

2. Hitunglah nilai prediksinya (Ŷ)
3. Hitunglah nilai residualnya ( 𝑌 − Ŷ) 𝑎𝑡𝑎𝑢 𝑒.
4. Kuadratkan nilai residualnya ( 𝑌 − Ŷ)2 atau 𝑒 2
5. Lag-kan satu nilai residualnya( 𝑌 − Ŷ)𝑡−1 𝑎𝑡𝑎𝑢 𝑒𝑡−1
6. Kurangkan nilai residual dengan nilai residual yang telah di
lag-kan satu 𝑒 − 𝑒𝑡−1
7. Kuadratkan nilai residual yang telah dikurangi dengan nilai
residualnya yang telah dilag-kan satu (𝑒 − 𝑒𝑡−1 )2 .
8. Masukkan hasil perhitungan diatas kedalam rumus Durbin
Watson diatas.
Pengujian gejala otokorelasi dengan uji D-W
menggunakan SPSS :

1. Buka file Uji Otokorelasi

2. Klik Analize, Regression, Linier
3. Masukkan variabel dependent pada kotak dependent
4. Masukkan variabel independent pada kotak independent
5. Klik Statistic, Klik Durbin – Watson, Klik Continue
6. Abaikan pilihan yang lain, Klik OK.
 Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate

1 ,865a ,749 ,648 6,671 ,620

a. Predictors: (Constant), Biaya, Jumlah_Outlet

b. Dependent Variable: Omzet

Pada output di atas terlihat bahwa nilai Durbin Watson sebesar 0,620, sedang
nilai dU = 1,7771, nilai dL = 0,5591, nilai 4-dU = 2,2229 dan nilai 4-dL =
3,4409. Karena nilai durbin Watson pada tabel Model Summary tidak terletak
antara dU hingga 4-dU maka dapat dikatakan bahwa model regresi tersebut
mengalami gejala otokorelasi.
Uji Asumsi Klasik Heteroskedastisitas
Heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak sama
(konstan). Sebaliknya, jika varian variabel pada model regresi memiliki nilai yang
sama (konstan) maka disebut dengan homoskedastisitas. Yang diharapkan pada
model regresi adalah yang homoskedastisitas. Masalah heteroskedastisitas sering
terjadi pada penelitian yang menggunakan data cross-section.
Untuk mendeteksi adanya masalah heteroskedastisitas dapat digunakan metode
analisis grafik dan metode statistik.
1. Metode Analisis Grafik
2. Metode Park
3. Metode White
4. Metode Rank Spearman
Uji Heteroskedastisitas dengan Metode
Analisis Grafik

Metode analisis grafik dilakukan dengan mengamati scatterplot di mana sumbu

horizontal menggambarkan nilai Predicted Standardizedsedangkan sumbu vertikal
menggambarkan nilai Residual Studentized. Jika scatterplot membentuk pola
tertentu, hal itu menunjukkan adanya masalah heteroskedastisitas pada model regresi
yang dibentuk. Sedangkan jika scatterplot menyebar secara acak maka hal itu
menunjukkan tidak terjadinya masalah heteroskedastisitas pada model regresi yang
dibentuk.
Uji heteroskedastisitas dengan analisis grafik
ini dilakukan dengan langkah sebagai berikut

 Membuat persamaan regresi .

෠ .
 Mencari nilai prediksinya 𝑌

 Mencari nilai residualnya 𝑌 − 𝑌෠ .

 Mentransformasikan nilai residual ke dalam bentuk studentized.
 Mentransformasikan nilai residual ke dalam bentuk studentized.
 Membuat plot di mana vertikal residual studentized, sedangkan sumbu
horizontal predited standardized.
 Menarik kesimpulan uji heteroskedastisitas dengan kriteria: Jika scatterplot
menyebar secara acak menunjukkan tidak terjadi masalah heteroskedastisitas
pada model regresi yang dibentuk dan sebaliknya jika scatterplot membentuk
pola tertentu, misalnya bergelombang, melebar kemudian menyempit maka
hal itu menunjukkan adanya masalah heteroskedastisitas.
Cara menguji heteroskedastisitas dengan
metode analisis garfik menggunakan SPSS
adalah sebagai berikut:
 Buka file Uji Asumsi Klasik.
 Klik Analyze, Regression, Linear.
 Masukkan variabel Omzet Penjualan pada kotak Dependent:
 Masukkan variabel Jumlah outlet dan Biaya Promosi pada kotak
Independent(s).
 Pada Plots..., pada Y: isi dengan *SRESID dan X: isi dengan *ZPRED.
 Klik Continue. Abaikan pilihan yang lain lalu klik OK.
Output dari Metode Uji Heteroskedastisitas
dengan Metode Analisis Grafik.

Berdasarkan scatterplot di atas terlihat bahwa plot menyebar secara

acak di atas maupun di bawah angka nol pada sumbu Regression
Studentized Residual. Oleh karena itu model regresi yang terbentuk
dinyatakan tidak terjadi gejala heteroskedastisitas.
Uji Multikolinearitas

 Uji multikolinearitas bertujuan untuk menguji apakah model regresi

ditemukan adanya korelasi antar variabel bebas (independent variable).
 Deteksi adanya multikolinearitas :
 Terjadi perubahan yang berarti pada koefisien model regresi (misal nilainya
menjadi lebih besar atau kecil) apabila dilakukan penambahan atau pengeluaran
sebuah variabel bebas dari model regresi.
 Koefisien determinasi (R²) yang tinggi, dan nilai signifikansi t rendah pada setiap
variabel X
 Koefisien korelasi diantara variabel X tinggi (diatas 0,7)
 Nilai Koefisien parsial yang tinggi.
 Auxiliary Regression. Dimana nilai F auxiliary harus dihitung. Jika nilai F auxiliary
lebih tinggi dari nilai F table, maka dapat dikatakan terdapat multkolinearitas.
Uji Multikolinearitas berdasarkan nilai R2
dan nilai t
Perintah dalam SPSS
 Menu Analize ─> Regression ─> Linear
 Masukkan variabel Dependent dan Independent
 Klik OK
 Output dari uji Multikolinearitas
berdasarkan nilai R2 dan nilai t
• Model Summary ANOVAa
Model Sum of df Mean Square F Sig.
Model R R Square Adjusted R Std. Error of the Estimate
Squares
Square
Regression 663,491 2 331,745 7,455 ,032b
1 Residual 222,509 5 44,502
1 ,865a ,749 ,648 6,671
Total 886,000 7
a. Predictors: (Constant), Biaya, Jumlah_Outlet a. Dependent Variable: Omzet
b. Predictors: (Constant), Biaya, Jumlah_Outlet

Coefficientsa
Model Unstandardized Standardize t Sig.
Coefficients d
Coefficients
B Std. Error Beta
(Constant) 38,850 10,310 3,768 ,013
Jumlah_Outl
1 1,594 4,761 ,140 ,335 ,751
et
Biaya 1,291 ,728 ,743 1,773 ,136
a. Dependent Variable: Omzet

Berdasarkan output di atas diperoleh R square 0,749 dan nilai signifikansi jumlah outlet
sebesar 0,751 dan signifikansi biaya sebesar 0,136. Karena R square tinggi namun nilai t
nya rendah maka dapat disimpulkan bahwa model regresi tersebut terjadi
multikolinearitas.