1. MENGAPA UJI ASUMSI KLASIK PENTING?

Model regresi linier berganda (multiple regression) dapat disebut

sebagai model yang baik jika model tersebut memenuhi Kriteria BLUE
(Best Linear Unbiased Estimator). BLUE dapat dicapai bila memenuhi
Asumsi Klasik.
Sedikitnya terdapat lima uji asumsi yang harus dilakukan terhadap
suatu model regresi tersebut, yaitu:
A. Uji Normalitas
B. Uji Autokorelasi,
C. Uji Multikolinieritas
D. Uji
Heteroskedastisita
s E. Uji Linieritas

1. Uji Normalitas
metode P-P Plot

Klik analize>regression>linear

Akan muncul jendela "Linear Regression". Masukkan variabel sesuai dengan data
anda. Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap
(dependent), sedangkan leverage, current ratio, ROA dan ROE variabel bebas
(independen). Klik tanda berbentuk seperti "panah" untuk memasukkannya ke
dalam kolom data. Contohnya sebagai berikut:
Kemudian klik pada statistics (masih dalam jendela Linear Reggresion).
Sehingga akan muncul jendela "Linear Regressions: Statistics". Pada Regression
Coefficients centang pada "Estimates", Covariance matrik", "Model Fit", "R
squared change", "Collinearity diagnostics". Dan pada residuals klik "Durbin-
Watson". Setelah semua dicentang klik "Continue". Supaya jelas lihat contoh
saya sebagai berikut:

Akan muncul lagi jedela "Linear Regression" yang awal. Klik pada "Plots"
sehingga muncul jendela "Linnear Regression:Plots". Masukkan *ZPRED pada Y,
dan *SRESID pada X. Caranya dengan mengklik *zpred atau *sresid kemudian
klik tanda yang mirip bentuk panah pada tempatnya masing-masing. Kemudian
pada Standardized Residual Plots centang pada "Histogram" dan "Normal
Probability Plot". Setelah selesai klik Continue. Seperti contoh saya berikut
ini:
Kembali ke jendela "Linear regression". Klik "OK" untuk segera memproses data.
Dan akan muncul jendela baru. Data yang tertera disitulah yang akan menjadi
dasar analisis kita.

Uji normalitas adalah pengujian tentang kenormalan distribusi data.

Penggunaan uji normalitas karena pada analisis statistik parametik, asumsi yang
harus dimiliki oleh data adalah bahwa data tersebut harus terdistribusi secara
normal. Maksud data terdistribusi secara normal adalah bahwa data akan
mengikuti bentuk distribusi normal (Santosa&Ashari, 2005:231).

Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat
penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat
histogram dari residualnya. Dasar pengambilan keputusan:
a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka
model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka
model regresi tidak memenuhi asumsi normalitas (Ghozali 2007:110-112).

Untuk menganalisis dengan SPSS kita lihat hasil output kita tadi pada gambar
"Normal P-P Plot of Regression Standardized Residual". seperti contoh saya yang
sebagai berikut:
Dari analisis kurva dapat dilihat bahwa data menyebar di sekitar diagram dan mengikuti
model regresi sehingga dapat disimpulkan bahwa data yang diolah merupakan data yang
berdistribusi normal sehingga uji normalitas terpenuhi.

Tabel Kolmogorov Smirnov

Namun bila para pembaca kepingin cara Kolmogorov-Smirnov juga bisa. data
dianalisis tidak menggunakan gambar namun dengan angka. Kelebihannya
hasilnya memang lebih akurat.
Caranya yaitu untuk memasukkan data sama saja. namun tidak menggunakan
jendela "Linear Regression". Caranya masuk ke menu awal. klik pada
Analize>Nonparametic test>1-Sample K-S.
Akan muncul jendela "One-Sample Kolmogorov-Smirnov Test". Masukka semua
variabel dengan menklik variabel kemudian klik tanda panah untuk
memasukkannya pada kolom yang di sebelah.

Setelah selesai dimasukkan semua, klik OK. Dan akan muncul jendela One-
Sample Kolmogorov-Smirnov Test seperti pada gambar contoh saya ini:

untuk menganalisisnya, kita lihat pada baris "Asymp. Sig. (2-tailed)" baris paling
bawah. bila nilai tiap variabel lebih dari (>0,05) maka uji normalitas bisa
terpenuhi.
 Kurtosis dan Skewness
Lakukan regresi untuk data permintaan ayam di atas.
Analyze Regression Linear, akan muncul tampilan sebagai
berikut:

Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent,

dan variabel X2, X3, X4 dan X5 ke kotak Independent(s) dengan
mengklik tombol tanda panah. Kemudian pilih Save dan muncul
tampilan sebagai berikut:
 Centang pilihan Unstandardized pada bagian Residuals, kemudian
pilih Continue dan pada tampilan awal pilih tombol OK, akan
menghasilkan variabel baru bernama Unstandardized Residual (RES_1).
Selanjutnya Analyze Descriptive Statistics Descriptives akan muncul
tampilan sebagai berikut.

Masukkan variabel Unstandardized Residual (RES_1) ke kotak

sebelah kiri, selanjutnya pilih Options akan muncul tampilan sebagai
berikut

Andry@an Setyadharma Uji Asumsi Klasik Page

3
 Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan
pada tampilan awal pilih OK. Hasilnya sebagai berikut (Beberapa bagian
dipotong untuk menghemat tempat).

Skewness Kurtosis
Statistic Std. Error Statistic Std. Error
Unstandardized Residual .105 .481 -1.002 .935
Valid N (listwise)

Terlihat bahwa rasio skewness = 0,105/ 0,481 = 0,218; sedang rasio

kurtosis = -1,002/ 0,935 = - 1,071. Karena rasio skewness dan rasio
kurtosis berada di antara 2 hingga +2, maka dapat disimpulkan bahwa
distribusi data adalah normal.