Tugas Ujian Akhir Semester

Mata Kuliah Analisis Regresi Terapan

1) Pemilihan Persamaa Regresi Terbaik

2) Uji Asumsi Analisis Regresi Linier Berganda

3) Korelasi Kendall, Spearman, dan Product Moment

Dosen Pengampu: Drs. Sugiman, M.Si

Disusun oleh:

Laeli Sidik Febrianto (4111412053)

Jurusan Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Negeri Semarang

2015

1. Pemilihan Persamaan Regresi Terbaik

Berikut ini disediakan data sejumlah 6 variabel dengan 108 responden. Data tersebut

merupakan data faktor-faktor yang mempengaruhi Price Earning Ratio saham-saham

perusahaan yang terdaftar di bursa efek Jakarta.

Case g Salesn g ROEn DPRn SBIn g ROIn PER in

1 24.20 -10.37 24.42 16.62 -13.22 22.59

2 43.32 198.64 39.93 14.80 243.36 10.31

3 25.19 5.47 49.49 9.90 12.29 9.48

4 -29.87 171.38 17.46 16.62 284.72 1.35

5 -1.69 -80.75 21.93 14.80 -80.26 6.69

6 -21.66 0.48 20.91 9.90 7.40 7.22

7 44.15 -6.31 17.13 16.62 -17.11 9.59

8 28.76 2.85 17.12 14.80 31.76 7.47

9 5.41 -23.47 16.96 9.90 -3.73 10.14

10 18.15 9.58 14.36 16.62 44.61 2.73

11 -9.29 -12.54 14.29 14.80 -5.28 2.93

12 9.01 -23.22 14.69 9.90 -21.41 3.65

13 40.50 -20.90 18.96 16.62 -11.94 13.35

14 20.43 10.56 18.96 14.80 0.73 10.67

15 11.19 -20.56 19.68 9.90 4.19 11.38

16 15.29 -0.33 30.67 16.62 11.65 7.67

17 12.44 4.53 32.74 14.80 -8.52 7.02

18 8.53 -32.72 43.81 9.90 -25.10 12.52

19 12.13 -10.49 82.61 16.62 1.76 3.89

20 -4.83 -22.92 76.72 14.80 -18.60 6.81

21 3.77 11.88 78.05 9.90 4.36 7.47

22 20.09 -30.65 27.65 16.62 -24.99 7.97

23 16.52 -15.59 27.66 14.80 -12.95 7.65

24 10.50 -22.01 31.39 9.90 -21.54 14.23

25 40.25 -13.46 11.78 16.62 -15.14 15.07

26 7.55 39.94 13.46 14.80 68.68 9.96

27 -3.00 -24.09 38.38 9.90 -18.92 14.31

28 19.11 -9.67 21.22 16.62 -11.82 4.03

29 4.22 -25.76 7.14 14.80 0.44 9.52

30 -11.96 -63.94 32.98 9.90 -54.80 25.39

31 10.65 -12.01 30.72 16.62 -6.56 2.87

32 0.93 -27.60 30.91 14.80 -19.14 4.03

33 -0.78 -30.04 21.71 9.90 -32.80 5.10

34 26.65 67.24 24.69 16.62 73.05 3.82

35 7.13 -60.99 20.05 14.80 -66.36 7.22

36 13.00 -61.02 20.40 9.90 -71.30 29.07

37 17.24 -41.92 58.39 16.62 -35.75 28.50

38 -18.05 -10.47 128.24 14.80 4.32 6.45

39 37.54 -27.39 29.95 9.90 -36.09 18.34

40 -2.07 -7.49 67.35 16.62 -4.12 3.37

41 -6.09 0.08 53.69 14.80 6.99 3.58

42 8.52 -32.19 10.30 9.90 -33.33 9.78

43 26.77 -3.18 28.58 16.62 3.18 2.31

44 -15.36 -77.36 34.02 14.80 -77.57 9.35

45 73.31 54.19 42.13 9.90 54.58 6.32

46 13.10 -6.62 26.61 16.62 0.00 2.66

47 24.99 -8.11 30.66 14.80 -6.40 3.28

48 5.34 -3.42 37.30 9.90 -4.56 3.52

49 36.20 121.12 9.47 16.62 125.18 3.79

50 -8.35 -10.61 8.72 14.80 18.21 1.57

51 7.06 -64.48 23.07 9.90 -61.35 5.08

52 25.15 67.12 0.26 16.62 108.66 4.38

53 43.00 -16.56 0.30 14.80 26.35 6.04

54 17.06 20.15 0.35 9.90 36.45 12.97

55 40.50 -97.21 45.75 16.62 -97.59 15.25

56 -16.20 256.13 16.76 14.80 403.21 3.44

57 19.12 -75.74 47.44 9.90 -80.77 13.89

58 33.33 20.47 92.75 16.62 1150.55 96.61

59 -16.40 -24.01 86.60 14.80 -26.36 31.18

60 11.13 16.41 143.49 9.90 13.01 27.55

61 -0.18 63.55 0.19 16.62 140.20 3.59

62 -1.62 -20.27 0.25 14.80 -2.84 4.08

63 4.27 -29.70 0.18 9.90 -24.91 5.67

64 15.01 -69.43 41.96 16.62 -67.18 17.13

65 -5.02 24.94 40.46 14.80 31.23 11.73

66 4.53 -5.12 41.32 9.90 -2.78 10.33

67 12.38 -18.60 42.78 16.62 -13.46 8.56

68 6.77 -30.00 484.31 14.80 -28.53 46.82

69 5.67 16.02 94.90 9.90 9.87 7.18

70 13.94 -34.68 19.32 16.62 -39.88 3.95

71 4.00 -20.19 30.36 14.80 -7.15 5.41

72 10.45 -0.06 20.38 9.90 -16.62 5.09

73 43.58 3.28 30.26 16.62 9.84 6.96

74 39.52 14.51 19.17 14.80 35.84 3.83

75 11.81 -5.16 7.11 9.90 7.73 8.71

76 -7.09 -54.85 0.60 16.62 -50.88 11.99

77 9.16 -63.17 300.07 14.80 -60.58 29.02

78 18.05 8.80 0.39 9.90 -7.92 27.17

79 21.91 -13.20 31.77 16.62 -8.96 4.17

80 -1.41 -43.35 0.06 14.80 -37.33 5.98

81 34.13 26.54 62.00 9.90 16.25 7.09

82 22.98 -24.47 56.80 16.62 -21.77 4.61

83 9.76 -10.91 56.91 14.80 -8.61 5.87

84 8.41 -6.75 11.85 9.90 -4.60 8.23

85 23.44 -10.03 30.11 16.62 -8.34 14.07

86 16.67 -5.63 39.00 14.80 -4.32 14.20

87 15.80 27.77 47.07 9.90 19.97 21.33

88 38.50 253.56 22.73 16.62 294.25 32.28

89 4.03 2.30 24.27 14.80 19.83 9.42

90 5.96 29.24 20.80 9.90 20.44 13.87

91 31.05 -67.22 21.39 16.62 -52.00 1.44

92 -8.36 -41.53 29.47 14.80 -22.79 2.62

93 -2.63 -5.69 9.15 9.90 16.35 3.58

94 26.50 -34.88 29.51 16.62 -34.37 1.79

95 -4.35 -88.33 264.01 14.80 -88.46 18.48

96 -24.22 151.91 105.04 9.90 155.42 12.82

97 21.87 -29.00 23.84 16.62 -23.29 5.47

98 -8.72 3.37 24.23 14.80 10.31 4.62

99 -4.25 -46.80 37.90 9.90 -46.72 13.64

100 71.72 -72.33 40.00 16.62 -71.05 6.74

101 31.70 -76.57 44.96 14.80 -76.46 28.49

102 21.70 305.99 9.56 9.90 292.16 9.89

103 73.50 148.52 52.23 16.62 66.84 7.93

104 27.75 26.08 41.52 14.80 44.85 4.85

105 30.35 -36.10 54.84 9.90 -33.28 11.18

106 21.78 1.64 44.00 16.62 -2.18 11.70

107 13.35 -17.81 47.00 14.80 -8.79 11.80

108 8.92 -11.39 56.00 9.90 -7.95 20.13

Keterangan X1 : g Salesn : Pertumbuhan penjualan

X2 : g ROEn : Return On equity

X3 : DPRn : Dividend Payout Ratio

X4 : SBIn : Suku bunga sertifikat Bank Indonesia

X5 : g ROIn : Return On Investement

Y : PER in : Price Earning Ratio

Sumber data: Skripsi Abdul Kholid (2006) mahasiswa UII Yogyakarta.

A. Metode Seleksi Maju

1. Menyiapkan data dalam SPSS sesuai dengan data asli di atas.

2. Korelasikan semua variabel X ( X1 s/d X5) terhadap variabel Y, dengan

menggunakan SPSS, klik analyze \ correlate \ bivariate \ masukan variabel X1

s/d Y ke dalam kotak variables \ pilih koefisien korelasi Pearson karena jenis

data interval/rasio \ klik Ok. Diperoleh output sebagai berikut:

Perhatikan angka korelasi X1, X2, X3, X4, X5 terhadap Y yang ditunjukan

oleh baris terakhir yang berwarna kuning. Diperoleh korelasi tertinggi adalah

X5 terhadap Y sebesar 52,7%. Sehingga variabel X5 masuk ke persamaan

regresi terlebih dahulu.

3. Regresikan X5 dengan Y, klik analyze \ regression \ linear \ masukan Y ke

kotak Dependent dan X5 ke kotak independents \ klik ok. Diperoleh output:

Diperoleh persamaan regresi = 10,169 + 0,0455 dengan besar pengaruh

yaitu R2 = 27,8%. Lalu, uji F untuk mengetahui apakah X5 signifikan terhadap

Y.

H0: b1=0

H1: b10

Oleh sebab F hitung = 40,861 > 3,93 = F tabel dengan =5%, maka H0 tolak,

artinya X5 berpengaruh secara signifikan terhadap Y. oleh sebab itu, X5

dipertahankan keberadaannya dalam model regresi, dan lanjut ke langkah

selanjutnya.

4. Menghitung angka korelasi parsial X1,X2,X3,X4 terhadap Y dengan X5

sebagai kontrol. Klik analyze \ correlate \ partial \ masukan X1,X2,X3,X4,Y

ke kotak variables dan X5 ke kotak controling (hilangkan tanda centang

display actual sigificance level agar output yang tidak dibutuhkan tidak

muncul) \ klik ok. Diperoleh:

Perhatikan angka korelasi X1, X2, X3, X4 terhadap Y yang ditunjukan oleh

baris terakhir yang berwarna kuning. Diperoleh korelasi tertinggi adalah X3

terhadap Y dengan kontrol X5 sebesar 51,9%. Sehingga variabel X3 masuk ke

persamaan regresi terlebih dahulu.

5. Regresikan X3 dan X5 dengan Y, klik analyze \ regression \ linear \ masukan

Y ke kotak Dependent dan X3, X5 ke kotak independents \ klik ok. Diperoleh

output:

Diperoleh persamaan regresi = 6,569 + 0,0853 + 0,046 5 dengan besar

pengaruh yaitu R2 = 47,2%. Lalu, uji F untuk mengetahui apakah X3 dan X5

signifikan terhadap Y secara bersama-sama.

H0: b1 = b2 =0

H1: b1 b20

Oleh sebab F hitung = 47,011 > 3,08 = F tabel dengan =5%, maka H0 tolak,

artinya X3 dan X5 berpengaruh secara signifikan terhadap Y secara bersama-

sama. Dengan melihat angka sig parameter X3 dan X5 yaitu 0 < 5% artinya

Secara secara individu X3 dan X5 signifikan berpengaruh terhadap Y. oleh

sebab itu X3 dan X5 dipertahankan dalam model regresi, dan dilanjutkan

ketahap selanjutnya.

6. Menghitung angka korelasi parsial X1,X2 ,X4 terhadap Y dengan X3 dan X5

sebagai kontrol. Klik analyze \ correlate \ partial \ masukan X1,X2,X4,Y ke

kotak variables dan X3,X5 ke kotak controlling (hilangkan tanda centang

display actual sigificance level agar output yang tidak dibutuhkan tidak

muncul) \ klik ok. Diperoleh:

Perhatikan angka korelasi X1, X2, X4 terhadap Y yang ditunjukan oleh baris

terakhir yang berwarna kuning. Diperoleh korelasi tertinggi adalah X2

terhadap Y dengan kontrol X3 dan X5 sebesar 50,7% dengan arah pengaruh

negatif. Sehingga variabel X2 masuk ke persamaan regresi terlebih dahulu.

7. Regresikan X2, X3 dan X5 dengan Y, klik analyze \ regression \ linear \

masukan Y ke kotak Dependent dan X2,X3, X5 ke kotak independents \ klik

ok. Diperoleh output:

Diperoleh persamaan regresi = 6,572 0,0792 + 0,0753 + 0,069 5

dengan besar pengaruh yaitu R2 = 60,8%. Lalu, uji F untuk mengetahui apakah

X2,X3 dan X5 signifikan terhadap Y secara bersama-sama.

H0: b1 = b2 = b3 =0

H1: b1 b2 b3 0

Oleh sebab F hitung = 53,821 > 2,69 = F tabel dengan =5%, maka H0 tolak,

artinya X2, X3 dan X5 berpengaruh secara signifikan terhadap Y secara

bersama-sama. Dengan melihat angka sig parameter X2, X3 dan X5 yaitu

0

9. Regresikan X2, X3, X4 dan X5 dengan Y, klik analyze \ regression \ linear \

masukan Y ke kotak Dependent dan X2,X3,X4,X5 ke kotak independents \

klik ok. Diperoleh output:

Diperoleh persamaan regresi = 14,928 0,0812 + 0,0753

0,6114 + 0,0715 dengan besar pengaruh yaitu R2 = 63%. Lalu, uji F untuk

mengetahui apakah X2,X3,X4 dan X5 signifikan terhadap Y secara bersama-

sama.

H0: b1 = b2 = b3 = b4 =0

H1: b1 b2 b3 b4 0

Oleh sebab F hitung = 43,894 > 2,46 = F tabel dengan =5%, maka H0 tolak,

artinya X2, X3, X4 dan X5 berpengaruh secara signifikan terhadap Y secara

bersama-sama. Dengan melihat angka sig parameter X2, X3, X4 dan X5 yaitu

seluruhnya kurang dari 5% artinya Secara secara individu X2, X3, X4 dan X5

signifikan berpengaruh terhadap Y. oleh sebab itu X2, X3, X4 dan X5

dipertahankan dalam model regresi, dan dilanjutkan ketahap selanjutnya

10. Tersisa variabel X1 yang belum masuk kedalam persamaan. Sehingga

regresikan X1, X2, X3, X4 dan X5 dengan Y, klik analyze \ regression \ linear

\ masukan Y ke kotak Dependent dan X1,X2,X3,X4,X5 ke kotak independents

\ klik ok. Diperoleh output:

Diperoleh persamaan regresi = 15,378 + 0,0941 0,0832 +

0,0783 0,7464 + 0,0715 dengan besar pengaruh yaitu R2 = 65,3%.

Lalu, uji F untuk mengetahui apakah X1,X2,X3,X4 dan X5 signifikan terhadap

Y secara bersama-sama.

H0: b1 = b2 = b3 = b4 = b5 =0

H1: b1 b2 b3 b4 b5 0

Oleh sebab F hitung = 38,321 > 2,30 = F tabel dengan =5%, maka H0 tolak,

artinya X1,X2, X3, X4 dan X5 berpengaruh secara signifikan terhadap Y

secara bersama-sama. Dengan melihat angka sig parameter X2, X3, X4 dan

X5 yaitu seluruhnya kurang dari 5% artinya Secara secara individu X1,X2, X3,

X4 dan X5 signifikan berpengaruh terhadap Y. oleh sebab itu X1,X2, X3, X4

dan X5 dipertahankan dalam model regresi

Oleh sebab sudah tidak ada lagi variabel yang dapat dimasukan dalam

persamaan, maka metode seleksi maju berhenti disini.

Kesimpulan:

Dengan demikian berdasarkan metode seleksi maju diperoleh persamaan

regresi terbaik yaitu dengan semua parameter X1,X2,X3,X4, dan X5 masuk

kedalam persamaan regresi. Dengan persamaan model sebagai berikut:

= 15,378 + 0,0941 0,0832 + 0,0783 0,7464 + 0,0715

Artinya Price Earning Ratio secara signifikan dipengaruhi oleh

Pertumbuhan penjualan, Return On equity, Dividend Payout Ratio, Suku

bunga sertifikat Bank Indonesia, dan Return On Investement dengan besar

pengaruh 65,3 %, dan 34,7% dipengaruhi oleh variabel lainnya.

B. Metode Seleksi Mundur

1. Siapkan data asli dalam SPSS untuk siap diolah.

2. Regresikan semua variabel X yaitu X1,X2,X3,X4,X5 terhadap Y, klik analyze

\ regression \ linear \ masukan Y ke kotak Dependent dan X1,X2,X3,X4,X5

ke kotak independents \ klik ok. Diperoleh output:

Diperoleh persamaan regresi = 15,378 + 0,0941 0,0832 +

0,0783 0,7464 + 0,0715 dengan besar pengaruh yaitu R2 = 65,3%.

Lalu, uji F untuk mengetahui apakah X1,X2,X3,X4 dan X5 signifikan terhadap

Y secara bersama-sama.

H0: b1 = b2 = b3 = b4 = b5 =0

H1: b1 b2 b3 b4 b5 0

Oleh sebab F hitung = 38,321 > 2,30 = F tabel dengan =5%, maka H0 tolak,

artinya X1,X2, X3, X4 dan X5 berpengaruh secara signifikan terhadap Y

secara bersama-sama. Dengan melihat angka sig parameter X2, X3, X4 dan

X5 yaitu seluruhnya kurang dari 5% artinya Secara secara individu X1,X2,

X3, X4 dan X5 signifikan berpengaruh terhadap Y. oleh sebab itu X1,X2, X3,

X4 dan X5 dipertahankan dalam model regresi

Sehingga metode seleksi mundur berhenti disini.

Kesimpulan:

Dengan demikian berdasarkan metode seleksi mundur diperoleh persamaan

regresi terbaik yaitu dengan semua parameter X1,X2,X3,X4, dan X5 masuk

kedalam persamaan regresi. Dengan persamaan model sebagai berikut:

= 15,378 + 0,0941 0,0832 + 0,0783 0,7464 + 0,0715

Artinya Price Earning Ratio secara signifikan dipengaruhi oleh

Pertumbuhan penjualan, Return On equity, Dividend Payout Ratio, Suku

bunga sertifikat Bank Indonesia, dan Return On Investement dengan besar

pengaruh 65,3 %, dan 34,7% dipengaruhi oleh variabel lainnya.

Jadi Seleksi maju dan Seleksi mundur pada data tersebut menghasilkan

persamaan regresi terbaik yang sama, yaitu terdiri dari 5 parameter.

2. Uji Asumsi Analisis Regresi Linier Berganda

Berdasarkan data faktor-faktor yang mempengaruhi Price Earning Ratio saham-

saham perusahaan yang terdaftar di bursa efek Jakarta pada tugas akhir ini akan diuji

apakah model regresi terbaik yang dihasilkan memenuhi semua asumsi analisis regresi

linier berganda. Asumsi yang harus terpenuhi yaitu Normalitas, nonmultikolinier,

nonautokorelasi, dan nonheteroskedastik.

Berdasarkan metode seleksi maju dan seleksi mundur, persamaan regresi terbaik yang

dihasilkan adalah sebagai berikut:

= 15,378 + 0,0941 0,0832 + 0,0783 0,7464 + 0,0715

1. Uji Normalitas (dengan kolmogorov-smirnov test)

Uji normalitas pada model regresi digunakan untuk menguji apakah nilai residual

yang dihasilkan dari regresi terdistribusi secara normal atau tidak. Model regresi

yang baik adalah yang memiliki nilai residual yang terdistribusi secara

normal. Dengan kata lain suatu model regresi dikatakan baik apabila mempunyai

distribusi normal. Dalam pembahasan ini akan digunakan uji One Sample

Kolmogorov-Smirnov dengan menggunakan taraf signifikansi 0,05. Data

dinyatakan berdistribusi normal jika signifikansi lebih besar dari 5% atau 0,05.

Langkah-langkah:

Inputkan data di SPSS

Langkah pertama yaitu mencari nilai residual, caranya klik Analyze >>

Regression >> Linear

Pada kotak dialog Linear Regression, masukkan variabel Y ke dalam kotak

Dependent, kemudian masukkan variabel X1,X2,X3,X4,X5 ke dalam kotak

Independent(s).

Klik tombol Save, selanjutnya akan terbuka kotak dialog Linear Regression:

Save, Pada Residuals, beri tanda centang pada Unstandardized. Kemudian

klik tombol Continue. Akan kembali ke kotak dialog sebelumnya, klik tombol

OK. Hiraukan hasil output SPSS, di halaman Data View akan bertambah satu

variabel yaitu residual (RES_1).

Langkah selanjutnya melakukan uji normalitas residual, caranya klik

Analyze >> Non Parametric tests >> 1-Sample K-S.

Selanjutnya akan terbuka kotak dialog One Sample Kolmogorov Smirnov

Test.

Masukkan variabel Unstandardized Residual(RES 1) ke kotak Test Variable

List. Pada Test Distribution, pastikan terpilih Normal. Jika sudah klik tombol

OK. Akan kembali ke kotak dialog sebelumnya. Klik OK, diperoleh hasil

output seperti berikut:

Dari output di atas dapat diketahui bahwa nilai signifikansi (Asymp.Sig 2-tailed)

sebesar 0,099. Karena signifikansi lebih dari 0,05 (0,099 > 0,05), maka nilai

residual tersebut telah normal. Dengan kata lain model regresi tersebut

berdistribusi normal.

2. Uji Nonmultikolinieritas

Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya

penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear atau

adanya korelasi yang tinggi antar variabel independen dalam model regresi.

Akan dilakukan uji multikolinearitas dengan melihat nilai inflation factor (VIF)

pada model regresi.

Langkah-langkah:

Klik Analyze - Regression - Linear

Klik variabel Y dan masukkan ke kotak Dependent, kemudian klik variabel

X1,X2,X3,X4,X5 dan masukkan ke kotak Independent

Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue

Klik OK, pada output lihat tabel coefficients pada kolom collinearity

statistics, hasil output coefficients yang di dapat sebagai berikut:

Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) ketiga

variabel yaitu X1 sebesar 1,067 ; X2 sebesar 1,559 ; X3 sebesar 1,029 ; X4 sebesar

1,068 dan X5 sebesar 1,551. Semuanya lebih kecil dari 10 dan seluruh nilai

tolerance disekitaran 1, sehingga bisa diduga bahwa antar variabel independen

tidak terjadi persoalan multikolinearitas, artinya asumsi

nonmultikolinearitas terpenuhi.

3. Uji nonautokorelasi

Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan

asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu

pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus

terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode

pengujian yang digunakan pada pembahasan ini adalah dengan uji Durbin-Watson

(uji DW)

Langkah-langkah:

Klik Analyze - Regression - Linear

Klik variabel Y dan masukkan ke kotak Dependent, kemudian klik variabel

X1,X2,X3,X4,X5 dan masukkan ke kotak Independent(s).

Klik Statistics, pada Residuals klik Durbin Watson, kemudian klik Continue.

Klik OK, hasil output pada Model Summary sebagai berikut:

Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi

adalah 1,519 . oleh sebab nilai DW terletak pada -2 Compute Variable. Pada kotak Target Variable,

merupakan nama variabel baru yang akan tercipta. Ketikkan ABS_RES

(absolute residual). Kemudian klik pada kotak Numeric Expression, lalu

ketikkan ABS( lalu masukkan variabel Unstandardized Residual (RES_1) ke

kotak Numeric Expression dengan klik tanda penunjuk, kemudian ketik tanda

tutup kurung. Maka lengkapnya akan tertulis ABS(RES_1), perintah ini untuk

menghitung nilai absolute dari residual. Jika sudah klik tombol OK.

Langkah selanjutnya meregresikan nilai variabel independen dengan

absolute residual.

Caranya klik Analyze >> Regression >> Linear.

Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan

varibel X1,X2,X3,X4,X5 ke kotak Independent(s). Selanjutnya klik tombol

OK. Maka hasil pada output Coefficient seperti berikut:

Dari output di atas dapat diketahui bahwa nilai signifikansi kelima variabel

independen lebih dari 0,05. Dengan demikian dapat disimpulkan bahwa tidak

terjadi masalah heteroskedastisitas pada model regresi. Artinya, asumsi

nonheteroskedastik terpenuhi.

Kesimpulan:

Setelah uji keempat asumsi regresi linier berganda, dapat disimpulkan persamaan

regresi = 15,378 + 0,0941 0,0832 + 0,0783 0,7464 + 0,0715

Merupakan model regresi yang baik (fit) karena memenuhi semua asumsi yaitu

normalitas residual, nonmultikolinier, nonautokorelasi, dan nonheteroskedastik.

3. Korelasi