BAB I

PENDAHULUAN

A. Latar Belakang

Banyak analisis statistika yang bertujuan untuk mengetahui hubungan antara dua atau
lebih peubah. Salah satu metode untuk menentukan hubungan sebab-akibat antara peubah-
peubah itu adalah analisis regresi. Hampir semua bidang ilmu yang memerlukan analisis
sebab-akibat mengenal analisis regresi ini.

Dalam analisis regresi, variabel "penyebab" disebut dengan bermacam-macam istilah,

seperti variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas,
variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X).
Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen,
variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random),
namun variabel yang dipengaruhi harus selalu variabel acak.

Salah satu asumsi penting dalam analisa regresi adalah variasi gangguan acak (µ)
pada setiap variabel bebas adalah homoskedastisitas, yaitu kondisi dimana varians dari data
adalah sama pada seluruh pengamatan. Asumsi ini dapat ditulis sebagai berikut:

E (µi2) = δ2 , i = 1, 2, ………n

Ketidaksamaan inilah yang disebut sebagai heteroskedastisitas.

Oleh karena itu, dipandang perlu untuk memahami asumsi tersebut secara lebih
dalam. Maka, makalah ini akan memberikan sedikit paparan tentang heteroskedastisitas.

1
B. Rumusan Masalah

Berdasarkan latar belakang diatas, masalah yang akan dipaparkan dalam makalah ini
adalah:

1. Apa yang dimaksud heteroskedastisitas?

2. Bagaimana uji pada kasus heteroskedastisitas?
3. Bagaimana contoh masalah heteroskedastisitas?

C. Tujuan

Dari rumusan masalah diatas, maka dapat diketahui tujuan dari penyusunan makalah
ini adalah sebagai berikut.

1. Mengetahui pengertian heteroskedastisitas.

2. Memahami uji pada kasus heteroskedastisitas.
3. Mengetahui contoh masalah heteroskedastisitas.

2
 BAB II
HETEROSKEDASTISITAS

A. Pengertian

Pengertian heteroskedastisitas adalah apabila kesalahan atau residual yang diamati

tidak memiliki varian yang konstan. Residual adalah faktor-faktor lain yang terlibat akan
tetapi tidak termuat dalam model. karena residual ini merupakan variabel yang tidak
diketahui, maka diasumsikan bahwa nilai residual bersifat acak.

Pada analisis regresi, heteroskedastisitas berarti situasi dimana keragaman variabel

independen bervariasi pada data yang kita miliki. Salah satu asumsi kunci pada metode
regresi biasa adalah bahwa error memiliki keragaman yang sama pada tiap-tiap sampelnya.
Asumsi inilah yang disebut homoskedastisitas. Jika keragaman residual/error tidak bersifat
konstan, data dapat dikatakan bersifat heteroskedastisitas. Karena pada metode regresi
ordinary least-squares (OLS) mengasumsikan keragaman error yang konstan,
heteroskedastisitas menyebabkan estimasi OLS menjadi tidak efisien. Model yang
memperhitungkan perubahan keragaman dapat membuat penggunaan dan estimasi data
menjadi lebih efisien.

Beberapa asumsi dalam model regresi yang terkait dengan heteroskedastisitas antara
lain adalah residual (e) memiliki nilai rata-rata nol, keragaman yang konstan, dan residual
pada model tidak saling berhubungan, sehingga estimator bersifat BLUE. Jika asumsi ini
dilanggar maka prediksi model yang dibuat tidak dapat diandalkan.

Faktor penyebab heteroskedastisitas adalah sebagai berikut.

1. Error Learning Model

Sebagaimana adanya proses perbaikan yang dilakukan unit-unit ekonomi, maka

perilaku kesalahan menjadi lebih kecil dengan bertambahnya waktu. Dalam hal ini
diharapkan 2 menurun.

3
2. Perbaikan Dalam Pengumpulan Data

Dengan meningkatnya mutu tekhnik pengumpulan data, maka 2 diharapkan

menurun. Jadi sebuah bank yang mempunyai peralatan pemrosesan data yang canggih
cenderung melakukan kesalahan yang lebih sedikit pada laporan bulanan atau kuartalan
dibandingkan bank tanpa fasilitas tersebut.

3. Kesalahan spesifikasi model

Salah satu asumsi dalam analisis regresi adalah model dispesifikasi secara benar. Jika
satu variabel yang semestinya harus dimasukkan, tetapi karena suatu hal variabel tersebut
tidak dimasukkan, hal itu akan menyebabkan residual dari regresi akan memberikan hasil
yang berbeda dengan benar dan varians dari kesalahan tidak konstan.

Gambar 2.1 Pola penyebaran residual pada persamaan regresi

Analogi sederhana pada kejadian heteroskedastisitas dapat kita lihat pada model
hubungan antara harga dengan permintaan (demand). Berdasarkan hipotesis jika harga
meningkat, maka demand akan turun, demikian juga sebaliknya. Pada kejadian adanya
indikasi masalah heteroskedastisitas adalah jika harga meningkat maka demand akan
konstan.

Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi

ketidaksamaan veriance dari residual satu pengamatan ke pengamatan yang lain.

Dampak yang akan ditimbulkan adalah asumsi yang terjadi masih tetap tidak berbias,
tetapi tidak lagi efisien. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak
4
adanya gejala heteroskedastisitas. Ada beberapa metode pengujian yang bisa digunakan
diantaranya yaitu uji Park, uji Glesjer, melihat pola grafik regresi, dan uji koefisien korelasi
Spearman.

B. Uji Pada Kasus Heteroskedastisitas

Metode pengujian yang bisa digunakan untuk menguji heteroskedastisitas adalah

sebagai berikut.

1. Melihat scatter plot (nilai prediksi dependen ZPRED dengan residual SRESID)

Metode ini yaitu dengan cara melihat grafik scatterplot antara standardized predicted
value (ZPRED) dengan studentized residual (SRESID). Ada tidaknya pola tertentu pada
grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah
diprediksi dan sumbu X adalah residual (Y prediksi - Y sesungguhnya).

Dasar pengambilan keputusan yaitu:

 Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu
yang teratur (bergelombang, melebar kemudian menyempit), maka terjadi
heteroskedastisitas.

 Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

Berikut ini prosedur baku memverifikasi heteroskedastisitas dengan melihat

Scatterplot pada SPSS.

 Klik ANALYZE – LINEAR REGRESSION

 Masukkan Variabel Dependen dan Independen pada kotak yang tersedia
 Klik menu PLOTS. Masukkan ZPRED pada X dan SRESID pada Y. OK

5
Contoh:

Akan dilakukan analisis regresi linier berganda untuk mengetahui pengaruh biaya
produksi, distribusi, dan promosi terhadap tingkat penjualan. Data dalam jutaan rupiah
sebagai berikut:

Tingkat penjualan Biaya produksi Biaya distribusi Biaya promosi

Tahun (Y) (X1) (X2) (X3)

1996 127.3 37.8 11.7 8.7

1997 122.5 38.1 10.9 8.3

1998 146.8 42.9 11.2 9.0

1999 159.2 45.2 14.8 9.6

2000 171.8 48.4 12.3 9.8

2001 176.6 49.2 16.8 9.2

2002 193.5 48.7 19.4 12.0

2003 189.3 48.3 20.5 12.7

2004 224.5 50.3 19.4 14.0

2005 239.1 55.8 20.2 17.3

2006 257.3 56.8 18.6 18.8

2007 269.2 55.9 21.8 21.5

2008 308.2 59.3 24.9 21.7

2009 358.8 62.9 24.3 25.9

2010 362.5 60.5 22.6 27.4

6
 Hasil uji dengan menggunakan SPSS adalah:

Gambar 2.1 Uji heteroskedastisitas dengan Scatter Plot

Dari output di atas dapat diketahui bahwa titik-titik tidak membentuk pola yang jelas,
dan titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Jadi dapat disimpulkan
bahwa tidak terjadi masalah heteroskedastisitas dalam model regresi.

2. Goldfeld-Quant Test

Langkah-langkah pengujiannya adalah sebagai berikut :

a. Urutkan data X berdasarkan nilainya

b. Bagi data menjadi 2, satu bagian memiliki nilai yang tinggi, bagian lainnya memiiki
nilai yang rendah, sisihkan data pada nilai tengah
c. Jalankan regresi untuk masing-masing data
d. Buatlah rasio RSS (Residual Sum of Square = error sum if square) dari regresi kedua
terhadap regresi pertama (RSS2/RSS1) untuk mendapatkan nilai F hitung.

7
 e. Lakukan uji F dengan menggunakan derajat kebebasan (degree of freedom) sebesar
(n-d-2k)/2, dimana

n = banyaknya observasi,
d = banyaknya data atau nilai observasi yang hilang
k = banyaknya parameter yang diperkirakan.
Kriteria uji F jika :
F hitung > F tabel, maka ada heteroskedasitas
F hitung < F tabel, maka tidak ada heteroskedasitas

Uji Goldfeld-Quant ini sangat tepat untuk sampel besar ( n > 30). Seandainya tidak
ada data yang dibuang (d=0) tes masih berlaku tetapi kemampuan untuk mendeteksi adanya
heteroskedasitas agak berkurang.

Contoh menggunakan data yang sama, diperoleh hasil sebagai berikut.

Biaya produksi Biaya distribusi

Tahun Tingkat penjualan (Y) (X1) (X2) Biaya promosi (X3)

1996 127.3 37.8 11.7 8.7

1997 122.5 38.1 10.9 8.3

1998 146.8 42.9 11.2 9.0

1999 159.2 45.2 14.8 9.6

2000 171.8 48.4 12.3 9.8

2001 176.6 49.2 16.8 9.2

2002 193.5 48.7 19.4 12.0

2004 224.5 50.3 19.4 14.0

2005 239.1 55.8 20.2 17.3

2006 257.3 56.8 18.6 18.8

8
 2007 269.2 55.9 21.8 21.5

2008 308.2 59.3 24.9 21.7

2009 358.8 62.9 24.3 25.9

2010 362.5 60.5 22.6 27.4

Kriteria uji yang kita tentukan adalah:

H0 = ada heterokedastisitas
H1 = tidak ada heteroskedastisitas

Dengan menghilangkan data tahun 2003 sebagai nilai tengah, maka diperoleh hasil:

Tabel 2.1 ANAVA untuk data yang bernilai rendah

ANOVAb

Sum of
Model Squares Df Mean Square F Sig.

1 Regression 4105.889 3 1368.630 389.557 .000a

Residual 10.540 3 3.513

Total 4116.429 6

a. Predictors: (Constant), x3, x1, x2

b. Dependent Variable: y

Tabel 2.2 Hasil perhitungan dengan menggunakan SPSS

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -76.453 8.663 -8.826 .003

x1 3.666 .234 .685 15.672 .001

x2 1.001 .447 .124 2.242 .111

x3 5.977 1.123 .276 5.324 .013

a. Dependent Variable: y

9
 Tabel 2.3 ANAVA untuk data yang bernilai tinggi
ANOVAb

Sum of
Model Squares Df Mean Square F Sig.

1 Regression 17674.527 3 5891.509 17.432 .021a

Residual 1013.942 3 337.981

Total 18688.469 6

a. Predictors: (Constant), x3_2, x2_2, x1_2

b. Dependent Variable: y2

Tabel 2.4 Hasil perhitungan dengan menggunakan SPSS

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -59.964 184.029 -.326 .766

x1_2 1.480 4.615 .108 .321 .769

x2_2 3.488 4.701 .151 .742 .512

x3_2 8.974 3.860 .758 2.325 .103

a. Dependent Variable: y2

Hasil regresi kelompok 1(yang bernilai rendah) adalah 1013.942 dan hasil regresi kelompok
2(yang bernilai tinggi) adalah 10.540, maka diperoleh F hitung:

F-hitung = RSS = RSS2/RSS1

RSS = 1013. 942/10.540

= 96.1994

10
 Dari tabel F((n-d-2k)/2) diperoleh nilai F tabel sebesar 9.276. Karena F hitung
(96.1994) > F table (9.276), maka dapat disimpulkan bahwa adanya gejala heteroskedastisitas
dalam data tersebut.

3. Uji Park

Uji ini mengasumsikan bahwa δi2 adalah fungsi dari variabel bebas Xi. Fungsi yang
dianjurkan adalah :

     i2 = 2 Xi  e vi atau
ln i2 = 2  ln Xi + vi

Dimana vi adalah unsur gangguan yang stokastik.

Karena 2 tidak diketahui, Park mengasumsikan agar i2 digunakan sebagai proxy,
dan dilakukan regresi :

ln i 2 = ln  2 +  ln Xi + vi
=  +  ln Xi + vi

Jika β signifikan, maka ada heteroskedasitas dalam data sebab hipotesis pengujian
heteroskedasitas adalah :

H0 : Tidak ada heteroskedastisitas

H1 : Ada heteroskedastisitas
Langkah-langkah pengujian park:

 Regresikan nilai absolut residual (ei) pada x

ln(ei^2) = b0 + b1.ln(Xi) + Vi
 Bila b1 signifikan beda dengan 0 (uji t) maka persamaan memiliki masalah
heteroskedastisitas

11
  Pada multivariate, cobakan tiap-tiap variabel independen (Xi) atau variabel dependen
(Yi)

Langkah-langkah pada program SPSS

 Kita menggunakan input data yang sama pada uji normalitas.

 Klik Analyze - Regression - Linear

 Klik variabel Y dan masukkan ke kotak Dependent, kemudian klik variabel X1, X2, X3
dan masukkan ke kotak Independent(s).

 Klik Save, pada Residuals klik Unstandardized, kemudian klik Continue

 Klik OK, hiraukan hasil output, kita kembali ke SPSS Data Editor, kemudian klik data
view, terlihat satu variabel tambahan yaitu res_1, inilah variabel Unstandardized Residual
yang akan kita gunakan.

 Kuadratkan nilai Unstandardized Residual (Bisa lewat program Ms Excel dengan cara
sorot seluruh data lalu kopi dan masukkan (paste) ke program Ms Excel kemudian
kuadratkan nilai tersebut) variabel yang didapat kita beri nama yaitu ei2.

 Ubah seluruh variabel ei2, X1, dan X2 kedalam bentuk logaritma natural (Bisa lewat
program Ms Excel dengan cara kopi variabel dan masukkan (paste) ke program Ms Excel
kemudian ubah dalam bentuk logaritma natural dengan cara pada cel kosong ketik =Ln(
lalu sorot variabel yang akan kita ubah, kemudian tekan enter.

 Kembali ke Variable View pada SPSS, buat variabel baru dengan cara pada kolom Name
pada baris 5 ketik lnx1, pada baris ke 6 ketik lnx2, kemudian pada baris selanjutnya ketik
lnei2. (kolom-kolom lain boleh dihiraukan)

 Klik Data View, terlihat kolom baru dengan nama lnx1, lnx2, dan lnei2.

 Bila anda merubah data ke bentuk Ln di Ms Excel maka kopikan seluruh variabel dan
masukkan (paste) ke data view pada program SPSS sesuai dengan variabelnya.

 Klik Analize - Regression – Linear

 Klik varibel lnei2 dan masukkan ke kotak Dependent, kemudian klik variabel lnx1 dan
masukkan ke kotak Independent.

12
 Klik OK, sementara hiraukan hasil output yang di dapat.

 Klik Analize - Regression - Linear. Terlihat variabel lnei2 masih ada di kotak Dependent
dan variabel lnx1 di kotak independent.

 Klik varibel lnx1 dan keluarkan variabel dari kotak Independent, kemudian klik variabel
lnx2 dan masukkan kekotak Independent, kemudian klik variabel lnx1 dan masukkan ke
kotak Independent. Lalu OK.

Contoh dengan data yang sama:

Kriteria pengujian adalah sebagai berikut:

1. Ho : tidak ada gejala heteroskedastisitas

2. H1 : ada gejala heteroskedastisitas

3. Ho diterima bila –t tabel < t hitung < t tabel berarti tidak terdapat heteroskedastisitas
dan Ho ditolak bila t hitung > t tabel atau -t hitung < -t tabel yang berarti terdapat
heteroskedastisitas.

Melalui petunjuk pengolahan data dengan SPSS di atas, maka diperoleh hasil sebagai berikut.

Tabel 2.5 Hasil Uji Heteroskedastisitas Lnei2 dengan LnX1

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -6.244 1.125 -5.552 .000

lnx1 4.323 .287 .973 15.056 .000

a. Dependent Variable: lnei2

Tabel 2.6 Hasil Uji Heteroskedastisitas Lnei2 dengan LnX2

13
 Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 4.388 .830 5.287 .000

lnx2 2.205 .290 .904 7.612 .000

a. Dependent Variable: lnei2

Tabel 2.7 Hasil Uji Heteroskedastisitas Lnei2 dengan LnX3

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 6.392 .207 30.916 .000

lnx3 1.631 .078 .986 20.973 .000

a. Dependent Variable: lnei2

Dari hasil output di atas dapat dilihat bahwa nilai t hitung adalah 15.056, 7.612 dan
20.973. Sedangkan nilai t tabel dapat dicari pada tabel t dengan df = n-2 atau 15-2 = 13 pada
pengujian 2 sisi (signifikansi 0,05), di dapat nilai t tabel sebesar 2,160. Karena nilai t hitung
(15.056, 7.612 dan 20.973) berada pada t hitung > t tabel, maka Ho ditolak artinya pengujian
antara Ln ei2 dengan Ln X1, Lnei2 dengan LnX2 dan Ln ei2 dengan Ln X3 ada gejala
heteroskedastisitas. Dengan ini dapat disimpulkan bahwa telah ditemukan masalah
heteroskedastisitas pada model regresi tersebut.

4. Uji Glesjer

Langkah-langkah pengujiannya

a. Regresikan nilai absolut ei pada x

|ei| = b0 + b1.Xi + Vi atau
|ei| = b0 + b1.sq(Xi^2) + Vi atau

14
 |ei| = b0 + b1.(1/Xi) + Vi atau
dll
b. Apabila t pada b1 signifikan artinya ada heteroskedastistas

Pada multivariate, cobakan tiap tiap variabel independen (Xi) atau variabel dependen
(Yi).

Langkah-langkah analisis pada SPSS sebagai berikut:

 Inputkan data di SPSS

 Langkah pertama yaitu mencari nilai unstandardized residual, caranya klik Analyze >>
Regression >> Linear

 Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan ke kotak
Dependent, kemudian masukkan variabel Biaya produksi, Biaya distribusi, dan Biaya
promosi ke 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, Anda buka input data, disini akan bertambah satu variabel yaitu residual
(RES_1).

 Langkah selanjutnya mencari nilai absolute residual dari nilai residual di atas, caranya
klik menu Transform >> 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.

15
 Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan varibel Biaya
produksi, Biaya distribusi, dan Biaya promosi ke kotak Independent(s). Selanjutnya klik
tombol OK.

Contoh dengan data yang sama pada uji dengan Scatter Plot. maka diperoleh hasil
sebagai berikut.

Tabel 2.7 Hasil Uji Glejser dengan menggunakan SPSS

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -15.280 15.868 -.963 .356

biaya_produksi .382 .516 .479 .740 .475

biaya_distr .044 .637 .034 .069 .946

biaya_proms .182 .525 .193 .346 .736

a. Dependent Variable: ABS_RES

Dari output di atas dapat diketahui bahwa nilai signifikansi ketiga variabel independen
lebih dari 0,05. Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah
heteroskedastisitas pada model regresi.

5. Uji White

Hasil uji park bisa berbeda dengan uji Golfeld and Quant. Jika terjadi keraguan maka
sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan
dengan variabel bebas pada model.

Jika modelnya : Y = f(X,e)

Maka model White-test nya adalah : µ2 = f(X, X2, e)
Jika modelnya : Y = f(X1,X2, e)

16
Maka model White test mempunyai dua kemungkinan yaitu:
Model no cross term : µ 2 = f(X1, X2, X12,X22, e)
Model cross term : µ2 = f(X1, X2, X12,X22, X1X2, e)

Kriteria uji White adalah jika :

2
Obs* R square > tabel, maka ada heteroskedasitas
2
Obs* R square < tabel, maka tidak ada heteroskedasitas
atau
Prob Obs* R square < 0.05, maka ada heteroskedasitas
Prob Obs* R square > 0.05, maka tidak ada heteroskedastisitas

Langkah-langkah pengujian White Test :

a. Lakukan estimasi fungsi regresi terlebih dahulu, menspesifikasikan variabel bebas dan
variabel tidak bebas.
b. Klik View, Residual Test, White Heteroskedasticity (Cross term or no Cross term),

6. Uji Koefisien Korelasi Spearman’s Rho

Metode uji heteroskedastisitas dengan korelasi Spearman’s rho yaitu mengkorelasikan

variabel independen dengan nilai unstandardized residual. Pengujian menggunakan tingkat
signifikansi 0,05 dengan uji 2 sisi. Jika korelasi antara variabel independen dengan residual di
dapat signifikansi lebih dari 0,05 maka dapat dikatakan bahwa tidak terjadi masalah
heteroskedastisitas pada model regresi.

rs = 1- ( )

= jumlah kuadrat selisih variable X dan Y

Langkah-langkah pengujian rank Spearman:

a. Buat model regresinya: Yi = B1 + B2X2i + ei

17
 b. Mencari nilai-nilai variabel gangguan penduga ei
c. Ranking nilai-nilai ei itu serta nilai-nilai e itu serta nilai-nilai Xi yang bersangkutan
dalam urutan yang semakin kecil/ semakin besar.
d. Hitung koefisien regresi penduga rank Spearman (rs)
e. Bila rs mendekati ± maka kemungkinan besar terdapat heterokedastisitas dalam
model, bila rs mendekati 0, maka heteroskedastisitas kecil.
f. Pengujian Goldfeld dan Quandt, hanya dapat dilakukan terhadap sampel yang besar.

Langkah-langkah analisis pada SPSS sebagai berikut:

 Inputkan data di SPSS

 Langkah pertama yaitu mencari nilai unstandardized residual, caranya klik Analyze >>
Regression >> Linear

 Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan ke kotak
Dependent, kemudian masukkan variabel Biaya produksi, Biaya distribusi, dan Biaya
promosi ke 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, Anda buka input data, disini akan bertambah satu variabel yaitu residual
(RES_1).

 Langkah selanjutnya melakukan analisis Spearman’s rho dengan cara klik Analyze >>
Correlate >> Bivariate, selanjutnya akan terbuka kotak dialog Bivariate Correlations.

 Masukkan variabel Biaya produksi, Biaya distribusi, Biaya promosi dan Unstandardized
Residual ke kotak Variables. Kemudian hilangkan tanda centang pada Pearson dan beri
tanda centang pada Spearman. Jika sudah klik tombol OK.

Contoh dengan data yang sama, yang diolah dengan SPSS, maka diperoleh hasil:

Tabel 2.8 Hasil perhitungan dengan menggunakan SPSS

18
 Correlations

Unstandardi
biaya_produ biaya_prom zed
ksi biaya_distr s Residual

Spearman's biaya_produksi Correlation

1.000 .847** .943** .296
rho Coefficient

Sig. (2-tailed) . .000 .000 .283

N 15 15 15 15

biaya_distr Correlation
.847** 1.000 .919** .200
Coefficient

Sig. (2-tailed) .000 . .000 .474

N 15 15 15 15

biaya_proms Correlation
.943** .919** 1.000 .193
Coefficient

Sig. (2-tailed) .000 .000 . .491

N 15 15 15 15

Unstandardized Correlation
.296 .200 .193 1.000
Residual Coefficient

Sig. (2-tailed) .283 .474 .491 .

N 15 15 15 15

**. Correlation is significant at the 0.01 level (2-

tailed).

Dari output di atas dapat diketahui bahwa nilai korelasi ketiga variabel
independen dengan Unstandardized Residual memiliki nilai signifikansi lebih dari
0,05. Karena signifikansi lebih dari 0,05 maka dapat disimpulkan bahwa tidak terjadi
masalah heteroskedastisitas pada model regresi.

C. Penanggulangan Heteroskedastisitas

1. Transformasi Logaritma Natural

Jika model berikut ini mengandung heteroskedastisitas :

19
 Yi = 1 + 2 + ui

Lakukanlah tranformasi seperti model logaritma di bawah ini :

LnYi = i + 2 LnXi

Transformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan
kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan
homoskedastisitas terpenuhi.

2. Transformasi Dengan Membagi Persamaan Dengan Variabel Bebas

Jika model regresi yang telah diuji terdapat heteroskedastisitas maka salah satu
penanggulangannya dapat dilakukan dengan membagi persamaan regresi tersebut dengan
variabel bebas (independen) yang mengandung heteroskedastisitas. Variabel bebas
(independen) yang mengandung heteroskedastisitas tersebut diperoleh dari pengujian White-
Test.

Yi = 1 + 2Xi + ui
E (uiXi)  0 dan E (ui2)  u2

Jika diasumsikan (ui2) = 2  0 maka dengan mentransformasikan model regresi

tersebut diperoleh model regresi baru sebagai berikut :

Yi / Xi = bo / Xi + b1 + ui/Xi
Dimana : Var (ui/Xi)2 = 1/Xi2 var (ui)2 = 1/Xi2 2 Xi2 = 2

Maka kesalahan pengganggu menjadi homoskedastisitas. Dengan demikian koefisien

regresi dari model baru didapat dengan menggunakan OLS tersebut menjadi unbiased,
consistent dan efficient.

20
 BAB III
PENUTUP

Dari pembahasan di atas, maka dapat diperoleh beberapa kesimpulan, yaitu:

1. Pengertian heteroskedastisitas adalah apabila kesalahan atau residual yang diamati

tidak memiliki varian yang konstan.

2. Faktor penyebab heteroskedastisitas adalah sebagai berikut.

 Error Learning Model

 Perbaikan Dalam Pengumpulan Data
 Kesalahan spesifikasi model

3. Metode untuk menguji heteroskedastisitas ada beberapa macam, yaitu:

 Melihat scatter plot (nilai prediksi dependen ZPRED dengan residual SRESID)

 Goldfeld-Quant Test

 Uji Park

 Uji Glesjer

 Uji White

 Uji Koefisien Korelasi Spearman’s Rho

4. Konsekuensi heteroskedastisitas

 Penduga OLS yang diperoleh tetap memenuhi persyaratan tidak bias.

 Varian yang diperoleh menjadi tidak efisien/ tidak minimum, artinya cenderung
membesar sehingga tidak lagi merupakan varian yang terkecil. Kecenderungan
semakin membesarnya varian tersebut akan mengakibatkan uji hipotesis yang
dilakukan juga tidak akan memberikan hasil yang baik (tidak valid).

21
 Pada uji t terhadap koefisien regresi, t hitung diduga terlalu rendah. Kesimpulan
tersebut akan semakin jelek jika sampel pengamatan semakin kecil jumlahnya.

5. Penanggulangan Heteroskedastisitas

 Transformasi Logaritma Natural

 Transformasi Dengan Membagi Persamaan Dengan Variabel Bebas

22
 REFERENSI

ethasyahbania.blogspot.com/2011/01/heteroskedastisitas.html ..... Diakses tanggal 14

Desember 2011 pkl 9.45 pm.

duwiconsultant.blogspot.com/2011/11/uji-heteroskedastisitas.html . Diakses tanggal 14

Desember 2011 pkl 10.21 p.m

Nawari. 2010. Analisis Regresi dengan MS exel dan SPSS 17. Jakarta: PT. elek Media
Komputendo..

id.wikipedia.org/wiki/Analisis_regresi. Diakses tanggal 14 Desember 2011 pkl 10.31 p.m

industri06.wordpress.com/2009/03/18/teori-regresi-dan-korelasi/. Diakses tanggal 14 des

2011 pkl 10.35 p.m

setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html. Diakses tanggal 14 desember

2011 pkl 11.04 p.m

images.boyke68.multiply.multiplycontent.com/.../Uji%20Asumsi%20... Diakses tanggal 12

Desember 2011, pkl 10.15 p.m

www.yohanli.com/heteroskedastisitas.html. Diakses tanggal 12 des 2011, pkl 10.15 p.m

staffsite.gunadarma.ac.id/myunanto/index.php?stateid...id... Diakses tanggal 12 Desember

2011, pkl 10.15 p.m

ariyoso.wordpress.com/2009/12/23/uji-heteroskedastisitas/. Diakses 14 Desember 2011 pkl

10.43 p.m

23