BAB VIII

ANALISIS REGRESI LINIER :

UJI ASUMSI KLASIK

8.1. ASUMSI KLASIK DALAM ANALISIS REGRESI LINIER

Uji asumsi klasik dilakukan untuk mengetahui apakah
model estimasi telah memenuhi kriteria ekonometrika, dalam
arti tidak terjadi penyimpangan yang cukup serius dari asumsiasumsi yang harus dipenuhi dalam metode Ordinary Least
Square (OLS). Terdapat enam asumsi yang diperlukan dalam
penaksiran OLS, yaitu:
1. Rata-rata kesalahan pengganggu (e) sama dengan nol;
2. Kesalahan pengganggu berbentuk distribusi normal;
3. Kesalahan pengganggu tidak berkorelasi dengan Variabel
Independen;
4. Tidak adanya Autokorelasi antar gangguan (e);
5. Tidak adanya Multikolinearitas; dan
6. Varian kesalahan pengganggu tetap atau homoskedastisitas
(tidak terjadi Heteroskedastisitas);

Analisis Regresi Linier: Uji Asumsi Klasik

121

Penyimpangan

dari

asumsi

klasik

yang

pertama

menyebabkan terjadinya penyimpangan dari estimasi terhadap

besarnya konstanta. Akan tetapi, penyimpangan estimasi
terhadap besarnya konstanta dalam hal ini kurang begitu
menggangu, karena yang diperhitungkan dalam penelitian
adalah besarnya pengaruh perubahan Variabel Independen
terhadap Variabel Dependen. Begitu juga dengan asumsi yang
kedua, jika tidak terpenuhi maka tidak terlalu berpengaruh
terhadap kesahihan hasil regresi dan akan tetap dapat
diperolehnya hasil estimator OLS yang Best Linear Unbiased
Estimator (BLUE). Sedangkan untuk penyimpangan pada
asumsi ketiga umumnya terjadi pada model persamaan
simultan dan tidak pernah terjadi pada model persamaan
tunggal. Oleh karena itu, dalam analisis regresi berganda yang
perlu diperhatikan dan diuji adalah ada tidaknya penyimpangan
terhadap asumsi keempat (Uji Autokorelasi), kelima (Uji
Multikolinearitas), dan keeman (Uji Hiteroskedastisitas).
Uji Autokorelasi digunakan untuk menguji apakah dalam
sebuah model regresi linier terdapat korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1
(sebelumnya). Autokorelasi jarang dijumpai pada data cross
section dan biasanya terjadi pada data time series (serial
waktu). Multikolinieritas adalah suatu kondisi dimana terjadi
korelasi

yang kuat diantara

diikutsertakan

122

dalam

Variabel Independen yang

pembentukan

model

regresi

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

linier

berganda. Sedangkan Uji Heteroskedastisitas digunakan untuk

menguji

apakah

dalam

model

regresi

liner

kesalahan

pengganggu mempunyai varians yang sama atau tidak dari

satu pengamatan ke pengamatan yang lain.
Contoh Kasus: Penelitian dengan judul: Faktor-Faktor
yang

Mempengaruhi

Tunggakan

Cicilan

Bulanan

Kredit

Perumahan. Untuk kebutuhan data penelitian tersebut, jumlah

responden yang menjadi sampel sebanyak 38 responden dan
untuk pengambilan data digunakan adalah teknik wawancara
yang

dipandu

dengan

kuesioner.

Sebelum

melakukan

pengolahan dan analisis data yang memerlukan perhatian

adalah hal-hal sebagai berikut:
1. Hipotesis Penelitian
Hipotesis penelitian yang diajukan adalah Tunggakan
Pembayaran

Cicilan

Bulanan

Kredit

Perumahan

(Y)

dipengaruhi oleh Tingkat Pendapatan Keluarga (X 1), Tingkat

Pendidikan Orang Tua (X2), Rasio Ketergantungan (X3), dan
Besarnya Cicilan Per Bulan (X4)
2. Definisi Operasional Variabel Penelitian

Variabel Tunggakan Pembayaran Cicilan Bulanan Kredit

Perumahan (Y) dihitung dari besarnya cicikan per bulan
dikalikan dengan jumlah bulan yang menunggak pada
saat penelitian.

Variabel Tingkat Pendapatan Keluarga (X1) dihitung

dengan menjumlahkan besarnya penghasilan per bulan

Analisis Regresi Linier: Uji Asumsi Klasik

123

dari pekerjaan rutin dan pekerjaan sampingan, baik

suami maupun istri.

Tingkat Pendidikan Orang Tua (X2) dihitung dengan

menjumlahkan skor tingkat pendidikan terakhir baik
suami maupun istri.

Rasio Ketergantungan (X3) dihitung dengan membagi

antara jumlah anggota keluarga yang tidak bekerja
(menjadi tanggungan yang bekerja) dengan jumlah
anggota keluarga yang bekerja.

Besarnya Cicilan Per Bulan (X4) dihitung berdasarkan

besarnya cicilan bulanan kredit perumahan yang dibayar
tiap bulan.
3. Teknik Analisis Data dan Uji Hipotesis
Berdasarkan hipotesis yang diajukan, teknik analisis data
dengan menggunakan Analisis Regresi Berganda dengan
model persamaan: Y = a + b1 X1 + b2 X2 + b3 X3 + b4 X4 + E.
Untuk menguji hipotesis digunakan Uji T (parsial), Uji F
(serempak)

dan

R2.

Sedangkan

jenis

uji

hipotesis

menggunakan uji dua arah dengan tingkat signifikan ()

sebesar 10%. Selain itu, juga dilakukan uji pemenuhan
asumsi klasik, yaitu Uji Autokorelasi, Uji Heteroskedastisitas,
dan Uji Multikolonearitas.
Hasil pengumpulan data dari 38 responden diperoleh
data sebagai berikut:

124

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Tabel 8.1. Tabulasi Data Penelitian

Tunggakan Cicilan Bulanan Kredit Perumahan
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

Y
80250
86000
106000
70108
680400
66100
66100
111000
55500
72500
324000
300000
229500
1600000
780000
423000
210000
125000
405000
510000
182100
427260
81000
75100
70000
68000
66500
215850
79000
69700
105500
79000
60710
72000
61000
120000
490000
335000

X1
1650000
1600000
2050000
1200000
1650000
1500000
1500000
1450000
1250000
1525000
600000
800000
700000
450000
500000
700000
1000000
1125000
700000
500000
900000
850000
1900000
1300000
1580000
1222000
1650000
900000
1450000
1530000
1690000
1750000
1250000
1200000
1560000
1400000
700000
950000

X2
10
8
8
7
4
8
8
7
8
9
7
8
5
5
3
6
6
10
6
7
7
9
10
8
9
7
8
7
8
8
9
6
7
8
7
6
5
6

X3
1
1
1
1
2
2
1
3
2
1
4
2
3
5
3
3
3
1
4
4
3
3
1
1
2
2
2
5
1
2
3
2
3
2
2
2
4
3

X4
80250
86000
106000
70108
170100
66100
66100
55500
55500
72500
108000
150000
76500
200000
130000
47000
105000
125000
81000
85000
60700
71210
81000
75100
70000
68000
66500
71940
79000
69700
105500
79000
60710
72000
61000
60000
70000
67000

Analisis Regresi Linier: Uji Asumsi Klasik

125

8.1.1. Analisis Regresi Berganda

Untuk melakukan pengolahan data analisis regresi
berganda dengan langkah sebagai berikut:
1. Masukkan data pada Tabel 8.1. ke dalam Data View
Program SPSS. Kemudian klik Variable View, untuk Name
1: Y, Name 2: X1, Name 3: X2, Name 4: X3, dan Name 5:
X5. Untuk Label diisi dengan nama masing-masing variabel.

Gambar 8.1. Tampilan Variable View

2. Untuk mengolah data dengan analisis regresi linier, pilih
menu Analyze, kemudian pilih sub menu Regression dan
klik Linier, maka akan tampil sebagai berikut:

Gambar 8.2. Menu untuk Analisis Regresi Berganda

126

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Gambar 8.3. Variabel Dependen dan Independen

3. Ketika tampil kotak Linier Regression, klik Tunggakan
Cicilan (Y) dan klik tanda panah (dalam lingkaran) untuk
Dependent. Blok variabel Pendapatan Keluarga (X1),
Tingkat Pendidikan Orang Tua (X2), Rasio Ketergantungan
(X3), dan Besarnya Cicilan Per Bulan (X4) dan klik tanda
panah untuk Independents dan klik OK.
Tabel 8.2. Hasil Pengolahan Data Regresi Linier Berganda
Variables Entered/Removed(b)
Model

Variables Entered

Besarnya Cicilan per Bulan, Rasio Ketergantungan,

Tingkat Pendidikan Ortu, Pendapatan Keluarga(a)
a All requested variables entered.
b Dependent Variable: Tunggakan Cicilan

Variables
Removed

Method

Enter

Model Summary
Std. Error of the
Estimate
1
,891(a)
,793
,768
141329,471
a Predictors: (Constant), Besarnya Cicilan per Bulan, Rasio Ketergantungan,
Tingkat Pendidikan Ortu, Pendapatan Keluarga
Model

R Square

Adjusted R Square

Analisis Regresi Linier: Uji Asumsi Klasik

127

ANOVA(b)
Model

Sum of Squares

df

Mean Square

Sig.

1 Regression 2526431372516,881
4 631607843129,220 31,621 ,000(a)
Residual
659142641118,594 33
19974019427,836
Total
3185574013635,474 37
a Predictors: (Constant), Besarnya Cicilan per Bulan, Rasio Ketergantungan,
Tingkat Pendidikan Ortu, Pendapatan Keluarga
b Dependent Variable: Tunggakan Cicilan
Coefficients(a)
Unstandardized
Coefficients
B
Std. Error

Model

1 (Constant)
79880,591 223358,524
Pendapatan
-,144
,081
Keluarga
Tingkat Pendidikan
-34755,936
17908,076
Ortu
Rasio
64904,444
30646,127
Ketergantungan
Besarnya Cicilan
5,053
,746
per Bulan
a Dependent Variable: Tunggakan Cicilan

Standardized
Coefficients
Beta

Sig.

,358

,723

-,211

-1,777

,085

-,190

-1,941

,061

,254

2,118

,042

,561

6,770

,000

Berdasarkan Tabel 8.2. bagian Coefficients tersebut di

atas, maka dapat dibuat model regresi linier berganda dengan
persamaan sebagai berikut :
Y = 79880,591 0,144 X1 34755,936 X2 + 64904,444 X3 +
5,053 X4 + E
Nilai masing-masing koefisien regresi Variabel Independen dari
model regresi linier tersebut memberikan gambaran bahwa:
1. Koefisien Regresi Variabel Pendapatan Keluarga (X1)
sebesar 0,144 menggambarkan bahwa pendapatan
keluarga mempunyai pengaruh negatif terhadap besarnya
tunggakan cicilan bulanan kredit perumahan, artinya dengan

128

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

semakin besarnya pendapatan keluarga maka tunggakan

cicilan bulanan kredit perumahan akan semakin kecil;
2. Koefisien Regresi Variabel Tingkat Pendidikan Orang Tua
(X2) sebesar 34.755,936 menggambarkan bahwa tingkat
pendidikan orang tua mempunyai pengaruh negatif terhadap
besarnya tunggakan cicilan bulanan kredit perumahan,
artinya dengan semakin tingginya tingkat pendidikan orang
tua maka tunggakan cicilan bulanan kredit perumahan akan
semakin kecil;
3. Koefisien Regresi Variabel Rasio Ketergantungan (X3)
sebesar

64.904,444

menggambarkan

ketergantungan mempunyai

pengaruh

bahwa
positif

rasio

terhadap

besarnya tunggakan cicilan bulanan kredit perumahan,

artinya dengan semakin besarnya rasio ketergantungan
dalam keluarga maka akan semakin meningkatkan;
4. Koefisien Regresi Variabel Besarnya Cicilan per Bulan (X4)
sebesar 5,053 menggambarkan bahwa besarnya cicilan per
bulan berpengaruh positif terhadap besarnya tunggakan
cicilan bulanan kredit perumahan, artinya dengan semakin
besarnya

cicilan

per

bulan

maka

akan

semakin

meningkatkan atau memperbesar tunggakan cicilan bulanan

kredit perumahan.

Analisis Regresi Linier: Uji Asumsi Klasik

129

8.1.2. Uji Hipotesis Parsial (Uji T)

Uji hipotesis secara parsial digunakan untuk mengetahui
pengaruh dari masing-masing Variabel Independen terhadap
Variabel Dependen. Uji ini dilakukan dengan membandingkan
nilai T hitung dengan nilai T tabel. Nilai T hitung dari hasil
pengolahan data dengan program SPSS dapat dilihat pada
Tabel 8.2. bagian Coefficients. Hipotesis Statistik yang
diajukan untuk Uji T adalah:
Ho :

b1 = 0

Ha :

b2 = 0

b1 0

b2 0

b3 0

b3 = 0

b4 0

b4 = 0

Untuk memperoleh nilai T tabel, dapat dilihat pada tabel T

Student, yaitu pada Degrees of Freedom (df) sebesar 33
(jumlah data dikurangi jumlah variabel) dan = 10% / 2 = 5%

(uji dua arah) maka nilai T tabel sebesar 1,684.

Daerah
Penolakan Ho
5%

Daerah
Penolakan Ho
5%
Daerah
Penerimaan Ho
90 %

- 1,684

1,684

Gambar 8.4. Daerah Penerimaan dan Penolakan Ho

130

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Dengan membandingkan nilai T hitung dengan T tabel

maka dapat disimpulkan:
1. Variabel Pendapatan Keluarga, yaitu T hitung < T tabel
atau 1,777 < 1,684 maka Ho ditolak dan hipotesis
penelitian diterima, artinya pendapatan keluarga mempunyai
pengaruh yang signifikan terhadap

tunggakan cicilan

bulanan kredit perumahan.

2. Variabel Tingkat Pendidikan Orang Tua, yaitu T hitung <
T tabel atau 1,941 < 1,684 maka Ho ditolak dan
hipotesis penelitian diterima, artinya tingkat pendidikan
orang tua mempunyai pengaruh yang signifikan terhadap
tunggakan cicilan bulanan kredit perumahan.
3. Variabel Rasio Ketergantungan, T hitung > T tabel atau
2,118 > 1,684 maka Ho ditolak dan hipotesis penelitian
diterima, artinya rasio ketergantungan mempunyai pengaruh
yang signifikan terhadap tunggakan cicilan bulanan kredit
perumahan.
4. Variabel Besarnya Cicilan Bulanan, yaitu T hitung > T tabel
atau 6,770 > 1,684 maka Ho ditolak dan hipotesis penelitian
diterima, artinya besarnya cicilan per bulan mempunyai
pengaruh yang signifikan terhadap

tunggakan cicilan

bulanan kredit perumahan.

Langkah pengujian hipotesis di atas dilakukan jika dalam
pengolahan data peneliti sudah menyiapkan Tabel T Students,
namun

jika

tabel

tersebut

tidak

tersedia

maka

Analisis Regresi Linier: Uji Asumsi Klasik

untuk

131

memutuskan menerima atau menolak hipotesis penelitian dapat

dilakukan dengan milihat nilai Signifikansi (Sig.) pada tabel 8.2.
bagian Coefficients, yaitu masing-masing variabel independen
mempunyai nilai Sig. di bawah 10% atau 0,100. Variabel
Pendapatan Keluarga (X1) nilai Sig.-nya sebesar 0,085;
Variabel Tingkat Pendidikan Orang Tua (X 2) nilai Sig.-nya
sebesar 0,061; Variabel Rasio Ketergantungan (X3) nilai
Sig.-nya sebesar 0,042; dan Variabel Besarnya Cicilan Per
Bulan (X4) nilai Sig.-nya sebesar 0,000. Dengan demikian dapat
disimpulkan bahwa Variabel Pendapatan Keluarga (X 1),
Variabel Tingkat Pendidikan Orang Tua (X 2), Variabel Rasio
Ketergantungan (X3), dan Variabel Besarnya Cicilan Per Bulan
(X4), secara parsial mempunyai pengaruh yang signifikan
terhadap Variabel Besarnya Tunggakan Cicilan Bulanan Kredit
Perumahan (Y).
8.1.3. Uji Hipotesis Serempak (Uji F)
Uji
mengetahui

hipotesis

secara

pengaruh

dari

serempak
Variabel

digunakan
Independen

untuk
secara

keseluruhan terhadap Variabel Dependen. Uji ini dilakukan

dengan membandingkan nilai F hitung dengan nilai F tabel.
Nilai F hitung dapat dilihat pada Tabel 8.2, bagian ANOVA.
Hipotesis Statistik yang diajukan untuk Uji F adalah:
Ho
Ha

132

: b1 = b2 = b3 = b4 = 0

: b1 b2 b3 b4 0

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Nilai F tabel dengan tingkat signifikan = 5% dan

Degrees of Freedom (df) sebesar 4 ; 33 adalah sebesar 2,65.
Hasil pengolahan data (lihat Tabel 8.2) diketahui bahwa nilai F
hitung sebesar 31,621 dan nilai F hitung tersebut lebih besar
dari pada F tabel atau nilai Sig.-nya di bawah 0,050 atau 5%,
maka keputusan yang dapat diambil adalah Ho ditolak dan
hipotesis penelitian diterima, artinya Variabel Pendapatan
Keluarga (X1), Variabel Tingkat Pendidikan Orang Tua (X2),
Variabel Rasio Ketergantungan (X3), dan Variabel Besarnya
Cicilan Per Bulan (X4), secara keseluruhan mempunyai
pengaruh

yang

signifikan

terhadap

Variabel

Besarnya

Tunggakan Cicilan Bulanan Kredit Perumahan (Y).

8.1.4. Koefisien Determinasi (R Square)
Nilai R2 atau R Square dapat dilihat pada Tabel 8.2,
bagian Model Summary. Hasil pengolahan data menunjukkan
bahwa nilai R2 sebesar 0,793. Nilai tersebut menggambarkan
bahwa sumbangan Variabel Independen (Variabel Pendapatan
Keluarga, Variabel Tingkat Pendidikan Orang Tua, Variabel
Rasio Ketergantungan, dan Variabel Besarnya Cicilan Per
Bulan) terhadap naik turunnya atau variasi Variabel Dependen
(Variabel

Besarnya

Tunggakan

Cicilan

Bulanan

Kredit

Perumahan) adalah sebesar 79,3% dan sisanya sebesar 20,6%

merupakan

sumbangan

dari

variabel

lain

yang

tidak

dimasukkan dalam model yang diajukan dalam penelitian

Analisis Regresi Linier: Uji Asumsi Klasik

133

tersebut (terkumpul dalam Variabel Pengganggu atau E).

Sedangkan untuk nilai R sebesar 0,891 atau 89,1% berarti
hubungan antara Variabel Independen

dengan Variabel

Dependen

dapat

dalam

penelitian

tersebut

dikatakan

mempunyai hubungan yang kuat atau erat karena mendekati

100%.
8.2. UJI ASUMSI KLASIK
8.2.1. Uji Autokorelasi
Uji Autokorelasi digunakan untuk menguji apakah dalam
sebuah model regresi linier terdapat korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1
(sebelumnya). Untuk menguji Autokorelasi dapat dilihat dari
nilai Durbin Waston (DW), yaitu jika nilai DW terletak antara du
dan (4 dU) atau du DW (4 dU) berarti bebas dari
Autokorelasi, sebaliknya jika nilai DW < dL atau DW > (4 dL)
berarti terdapat Autokorelasi. Nilai dL dan dU dapat dilihat pada
tabel Durbin Waston, yaitu nilai dL ; d U ; ; n ; (k 1).
Keterangan: n adalah jumlah sampel, k adalah jumlah variabel,
dan adalah taraf signifikan.
Langkah untuk mengetahui nilai DW dengan program
SPSS adalah sama dengan ketika mengolah dengan analisis
regresi linier pada contoh kasus di atas, yaitu pilih menu
Analyze, kemudian pilih sub menu Regression dan klik Linier.
Ketika sudah masuk pada kotak Linier Regression, masukkan

134

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Variabel Dependen ke kotak Dependent dan seluruh Variabel

Independen ke kotak Independent (s).

Gambar 8.5. Menguji Autokorelasi (1)

Setelah semua variabel masuk pada tempatnya, klik
Statistics ... maka akan tampil kotak Linier Regression:
Statistics.

Untuk

pilihan

Estimates

dan

Model

Fit

dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik

tanda centang, dan untuk pilihan Durbin Waston diaktifkan
kemudian klik Continue.

Gambar 8.6. Menguji Autokorelasi (2)

Analisis Regresi Linier: Uji Asumsi Klasik

135

Setelah diklik Continue maka akan kembali ke kotak

Linier Regression dan kemudian langsung klik OK, maka akan
tampil persis seperti pada Tabel 8.2. di atas, namun yang
berbeda adalah pada bagian Model Summary akan tambah
kolom Durbin Watson, yaitu sebagai berikut:
Tabel 8.3. Hasil Pengolahan Data untuk Uji Autokorelasi
Model Summary(b)
Adjusted R
Std. Error of
Durbin-Watson
Square
the Estimate
1
,891(a)
,793
,768
141329,471
1,777
a Predictors: (Constant), Besarnya Cicilan per Bulan, Rasio Ketergantungan,
Tingkat Pendidikan Ortu, Pendapatan Keluarga
b Dependent Variable: Tunggakan Cicilan
Model

R Square

Nilai tabel Durbin Watson pada = 5%; n = 38; k 1 = 4

adalah dL = 1,26 dan dU = 1,72. Hasil pengolahan data pada
Tabel 8.3. menunjukkan nilai Durbin Watson sebesar 1,777 dan
nilai tersebut berada di antara dU dan (4 dU) atau
1,72 < 1,777 < 2,28 maka dapat disimpulkan bahwa dalam
regresi linier tersebut tidak terdapat Autokorelasi atau tidak
terjadi korelasi diantara kesalahan pengganggu.
8.2.2. Uji Multikolinearitas
Uji Multikolinearitas digunakan untuk mengetahui apakah
terjadi

korelasi

yang

kuat

di

antara

variabel-variabel

independen yang diikutsertakan dalam pembentukan model.

Untuk mendeteksi apakah model regresi linier mengalami
multikolinearitas
Inflation

136

Factor

dapat
(VIF)

diperiksa

menggunakan

Variance

untuk

masing-masing

Variabel

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Independen, yaitu jika suatu Variabel Independen mempunyai

nilai VIF > 10 berarti telah terjadi multikolinearitas. Untuk
mendapatkan
independen

nilai

VIF

dengan

untuk

langkah

masing-masing

variabel

hampir

dengan

sama

mendapatkan nilai Durbin Watson, yaitu: Setelah semua

variabel masuk pada tempatnya di kotak Linier Regression,
klik Statistics ... maka akan tampil kotak Linier Regression:
Statistics.

Untuk

pilihan

Estimates

dan

Model

Fit

dinonaktifkan (tandanya dihilangkan) dengan cara mengeklik

tanda centang, dan untuk pilihan Covarian matrix dan
Colinearity diagnoctica diaktifkan, kemudian klik Contonue.
Setelah kembali ke kotak Linier Regression langsung klik OK.

Gambar 8.7. Langkah Menguji Multikolonearitas

Tampilan hasil pengolahan data tersebut adalah sebagai
berikut (ditampilkan sebagian):

Analisis Regresi Linier: Uji Asumsi Klasik

137

Tabel 8.4. Hasil Pengolahan Data untuk Uji Multikolinearitas

Coefficients(a)
Collinearity Statistics

Model
1

Pendapatan Keluarga
Tingkat Pendidikan Ortu
Rasio Ketergantungan
Besarnya Cicilan per Bulan

Tolerance
,446
,657
,435
,914

VIF
2,243
1,523
2,297
1,094

a Dependent Variable: Tunggakan Cicilan

Coefficient Correlations(a)
Model

Besarnya
Cicilan per
Bulan

Rasio
Ketergantu
ngan

Tingkat
Pendidikan
Ortu

Pendapa
tan
Keluarga

Corre Besarnya
lations Cicilan per
1,000
,020
,196
,086
Bulan
Rasio
Ketergantu
,020
1,000
,271
,625
ngan
Tingkat
Pendidikan
,196
,271
1,000
-,192
Ortu
Pendapatan
,086
,625
-,192
1,000
Keluarga
Covari Besarnya
ances Cicilan per
,557
453,422
2613,235
,005
Bulan
Rasio
Ketergantu
453,422 939185082,342 148948109,823 1549,992
ngan
Tingkat
Pendidikan
2613,235 148948109,823 320699199,957 -278,911
Ortu
Pendapatan
,005
1549,992
-278,911
,007
Keluarga
a Dependent Variable: Tunggakan Cicilan

Berdasarkan hasil pengolahan data pada Tabel 8.4.

tersebut di atas, untuk menguji ada tidaknya Multikolinearitas
pada model regresi linier dapat dilakukan dengan dua cara,
yaitu dengan melihat nilai
138

VIF masing-masing

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

variabel

independen

dan

melihat

nilai

korelasi

antar

variabel

independen.
Pada tabel 8.4. bagian Coefficients, diketahui bahwa
nilai VIF dari masing-masing variabel independen lebih kecil
dari pada 5, yaitu nilai VIF Variabel Pendapatan Keluarga
sebesar 2,243; nilai VIF Variabel Tingkat Pendidikan Orang Tua
sebesar 1,523; nilai VIF Variabel Rasio Ketergantungan
sebesar 2,297; dan nilai VIF Variabel Besarnya Cicilan Per
Bulan sebesar 1,094. Sedangkan pada bagian Coefficient
Correlations, dapat dilihat bahwa nilai korelasi di antara
variabel independen dapat dikatakan mempunyai korelasi yang
lemah. Dengan demikian dapat disimpulkan bahwa di antara
variabel independen tersebut tidak ada korelasi atau tidak
terjadi Multikolinearitas pada model regresi linier.
8.2.3. Uji Heteroskedastisitas
Uji Heteroskedastisitas digunakan untuk menguji apakah
dalam

model

mempunyai

regresi

varians

liner

yang

kesalahan
sama

pengamatan ke pengamatan yang

atau
lain.

pengganggu
tidak

dari

Untuk

(e)
satu

menguji

Hiteroskedastisitas dapat diketahui dari nilai signifikan korelasi

Rank Spearman antara masing-masing variabel independen
dengan residualnya. Jika nilai signifikan lebih besar dari (5%)
maka tidak terdapat Heteroskedastisitas, dan sebaliknya jika
lebih kecil dari (5%) maka terdapat Heteroskedastisitas.

Analisis Regresi Linier: Uji Asumsi Klasik

139

Langkah untuk mendapatkan nilai residual adalah: pada

tampilan Data View, pilih menu Transform dan klik Compute.
Pada kotak Compute Variable, bagian Target Variable ketik
Residual dan pada bagian Numeric Expression ketik:
Y-(79880.591+(0.144*X1)+(34755.936*X2)+(64904.444*X3)+
(5.053*X4)) kemudian klik OK.

Gambar 8.8. Uji Heteroskedastisitas (1)

Gambar 8.9. Uji Heteroskedastisitas (2)

140

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

Catatan: persamaan yang ditulis pada bagian Numeric

Expression merupakan persamaan regresi linier berganda
yang diperoleh dari pengolahan data di atas (lihat persamaan di
halaman 128).
Setelah proses tersebut selesai maka pada tampilan
Data View akan bertambah satu kolom, yaitu kolom Residual,
dan kemudian pada menu File klik Save atau langsung tombol
Ctrl + S. Selanjutnya untuk proses mendapatkan nilai korelasi
Rank Spearman adalah pilih menu Analyze, klik Correlate,
dan klik Bivariate. Pada kotak Bivariate Correlations,
pindahkan semua Variabel Independen dan residual ke
Variables, kemudian untuk Correlation Coefficients hilangkan
tanda centang pada Pearson dan beri tanda centang pada
Spearman, kemudian klik OK.

Gambar 8.10. Uji Heteroskedastisitas (3)

Analisis Regresi Linier: Uji Asumsi Klasik

141

Hasil pengolahan data dengan korelasi Rank Spearman adalah

sebagai berikut:
Tabel 8.5. Hasil Pengolahan Data untuk Uji Heteroskedastisitas
Correlations
Tung
gakan
Cicilan

Penda
patan
Keluar
ga

Tingkat
Pendidi
kan Ortu

Rasio
Keter
gan
tungan

Besar
nya
Cicilan
per
Bulan

Spear
man's
rho

Tunggak Correlation
1,000 -,605(**) -,506(**) ,582(**) ,507(**)
an Cici
Coefficient
lan
Sig. (2-tailed)
.
,000
,001
,000
,001
N
38
38
38
38
38
Penda
Correlation
-,605(**)
1,000 ,510(**) -,679(**)
-,087
patan
Coefficient
Keluar
Sig. (2-tailed)
,000
.
,001
,000
,603
ga
N
38
38
38
38
38
Tingkat Correlation
-,506(**) ,510(**)
1,000 -,602(**)
,004
Pendidi Coefficient
kan Ortu Sig. (2-tailed)
,001
,001
.
,000
,980
N
38
38
38
38
38
Rasio
Correlation
,582(**) -,679(**) -,602(**)
1,000
-,008
Keter
Coefficient
gantu
Sig. (2-tailed)
,000
,000
,000
.
,961
ngan
N
38
38
38
38
38
Besar
Correlation
,507(**)
-,087
,004
-,008
1,000
nya
Coefficient
Cicilan
Sig. (2-tailed)
,001
,603
,980
,961
.
per
N
38
38
38
38
38
Bulan
Residual Correlation
,060
,055
,146
-,135
-,233
Coefficient
Sig. (2-tailed)
,721
,742
,380
,419
,159
N
38
38
38
38
38
** Correlation is significant at the 0.01 level (2-tailed).

Resi
dual

,060
,721
38
,055
,742
38
,146
,380
38
-,135
,419
38
-,233
,159
38
1,000
.
38

Berdasarkan tabel 8.5 tersebut di atas, pada kolom

Residual dapat dilihat bahwa nilai Correlation Coefficient
adalah rendah atau nilai signifikan (Sig. (2-tailed)) masing

142

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS

masing Variabel Independen di atas 5%, artinya masing-masing

Variabel Independen (Variabel Pendapatan Keluarga, Variabel
Tingkat Pendidikan Orang Tua, Variabel Rasio Ketergantungan,
dan Variabel Besarnya Cicilan Per Bulan) tidak mempunyai
hubungan dengan Residualnya. Dengan demikian, dapat
disimpulkan bahwa tidak terdapat Heteroskedastisitas pada
model regresi linier berganda diperoleh.

Analisis Regresi Linier: Uji Asumsi Klasik

143

144

Metode Penelitian Kuantitatif : Plus Aplik asi Program SPSS