DENGAN MENGGUNAKAN
APLIKASI R,SPSS, dan MINITAB
Dosen pengampu :
Disusun Oleh :
PERIODE 2017/2018
A. PEMBAHASAN
Asumsi klasik adalah syrat-syarat yang harus dipenuhi pada model regresi Lineat OLS agar
model tersebut menjadi valid sebagai alat penduga.
Tujuan pengujian Asumsi Klasik ini adalah untuk memberikan kepastian bahwa persamaan
regresi yang di dapatkan memiliki ketepatan dalam estimasi, tak bias, dan konsisten.
Uji Asumsi Klasik yang akan dibahas pada modul ini adalah :
Uji Multikolinieritas
Uji Autokorelasi
Uji Normalitas
Uji Heteroskedastisitas
B. ANALISIS DATA
Data diambil dari Badan Pusat Statistik (BPS) Indonesia tahun 2015.
C. ANALISIS KASUS
Untuk menentukan apakah ada masalah Asumsi klasik pada data Indeks Pembangunan
Manusia (IPM) dengan Kepadatan Penduduk , Tingkat Setengah Pengangguran (TSP) ,
dan Jumlah Penduduk Miskin di Indonesia pada tahun 2011, dengan menggunakan
Aplikasi R, SPSS, dan Minitab.
6. Lalu copykan perintah Asumsi Klasik OLS pada Note Pad ke Aplikasi R.
OUTPUT APLIKASI R :
> data<-read.delim("clipboard")
> data
> modelregresi<-lm(IPM~KepadatanPenduduk+TSP+JmlPendMiskin,data=data)
Call:
Residuals:
Coefficients:
> resOLS<-residuals(modelregresi)
> #Normalitas
> ks.test(resOLS,"pnorm")
data: resOLS
> #Autokorelasi
> dwtest(modelregresi)
Durbin-Watson test
data: modelregresi
> #Heteroskedastisitas
> bptest(modelregresi)
data: modelregresi
> vif(modelregresi)
Interpretasi :
a) Normalitas
Dilihat dari nilai p-value pada hasil output yaitu p-value = 0.02925 karena p-value < 0.05
maka data berdistribusi tidak normal.
b) Heteroskedastisitas
Untuk melihat gejala heteroskedastisitas dapat dilihat dari nilai p-value hasil output yaitu
p-value = 0.7241, karena 0.7241 > 0.05 maka data penelitian tidak terdapat gejala
Heteroskedastisitas.
c) Autokorelasi
Untuk mengetahui ada tidaknya Autokorelasi dapat dilihat dari hasil output Durbin-Watson
yaitu DW = 1.1744, karena DW berada pada rentang 1,65 < DW=1.1774 < 2,35 maka data
penelitian tidak ada Autokorelasi.
d) Multikolinearitas
Untuk mendeteksi gejala Multikolinearitas dapat dilihat dari nilai VIF hasil output Aplikasi
R, yaitu
KepadatanPenduduk = 1.203278
TSP = 1.200130
JmlPendMiskin = 1.002875
Dari ketiga nilai VIF diatas < 10, maka dapat disimpulkan bawa data yang diuji tidak
terdapat gejala Multikolinearitas.
Langkah – langkah pada Aplikasi Minitab
1. Input data pada aplikasi minitab (data harus memakai koma (,)).
7. Klik OK.
OUTPUT MINITAB :
a) Normalitas
95
90
80
70
Percent
60
50
40
30
20
10
1
-10 -5 0 5
Residual
Interpretasi : data bersifat normal karena titik-titik merah pada grafik membentuk suatu
pola.
b) Heteroskedastisitas
Versus Fits
(response is IPM)
5,0
2,5
0,0
Residual
-2,5
-5,0
-7,5
-10,0
60 65 70 75 80
Fitted Value
Interpretasi : tidak ada gejala Heteroskedastisitas apabila plot menyebar merata di atas
dan di bawah sumbu 0 tanpa membentuk suatu pola.
c) Multikolinearitas dan Autokorelasi
Regression Analysis: IPM versus Kepadatan Penduduk; TSP; Jml Pend Miskin
Analysis of Variance
Source DF SS MS F P
Regression 3 308,17 102,72 11,63 0,000
Residual Error 30 265,06 8,84
Total 33 573,23
Source DF Seq SS
Kepadatan Penduduk 1 139,84
TSP 1 162,01
Jml Pend Miskin 1 6,32
Unusual Observations
Kepadatan
Obs Penduduk IPM Fit SE Fit Residual St Resid
11 15328 78,990 79,532 2,955 -0,542 -1,67 X
15 813 68,950 67,712 1,984 1,238 0,56 X
34 10 57,250 66,559 0,651 -9,309 -3,21R
Interpretasi :
a). Multikolinearitas
untuk mendeteksi adanya gejala multikolinearitas dapat dilihat dari nilai VIF pada hasil
output minitab diatas, apabila VIF < 10 maka dikatakan tidak terdapat gejala
multikolinearitas, karena hasil output menunjukkan nilai VIF 1,203, 1,200, 1,003 maka
dapat di simpulkan bahwa data yang di uji tidak terdapat gejala multikolinearitas.
b). Autokorelasi
Untuk mendeteksi ada/tidaknya autokorelasi maka dilakukan pengujian Durbin-Watson
(DW) dengan ketentuan sebagai berikut (Makridakis dkk, 1983) :
a) 1,65 < DW < 2,35 : tidak ada autokorelasi
b) 1,21 < DW < 1,65 atau 2,35 < DW < 2,79 : tidak dapat disimpulkan
c) DW < 1,21 atau DW > 2,79 : terjadi autokorelasi
dapat dilihat bahwa DW = 1,17444 maka dalam rentang 1,65 < DW < 2,35, berarti data
penelitian tersebut tidak ada Autokorelasi.
Nilai R-Sq yang diperoleh adalah 53,8% yang dapat ditafsirkan bahwa variabel bebas x
memiliki pengaruh kontribusi sebesar 53,8% terhadap variabel y dan 46,2% lainnya
dipengaruhi oleh faktor-faktor lain diluar variabel x.
Langkah-langkah pada Aplikasi SPSS.
1. Input data yang ingin di uji ke aplikasi SPSS.
3) Sehingga pada tampilan data view akan muncul RES_1 seperti tampilan berikut:
4) Setelah data output keluar klik tombol Analyze => Nonparametric Test => Legacy Dialog => 1-
Sample K-S.
5) pada kolom test variable list, pilih Unstandardized Residuals pindahkan ke sisi kanan pada
kolom test distribution pilih Normal
Interpretasi :
Dari tampilan output SPSS bahwa jumlah observasi 34 dengan nilai Asymp. Sig. (2-tailed) 0.101
yang lebih dari nilai α = 0.05 sehingga H0 diterima
Kesimpulan:
Data residual berdistribusi Normal.
Uji Autokorelasi
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
a
1 .733 .538 .491 2.97242 1.174
a. Predictors: (Constant), JmlPendMiskin, TSP, KepadatanPenduduk
b. Dependent Variable: IPM
Interpretasi : dapat dilihat bahwa DW = 1,174 maka dalam rentang 1,65 < DW < 2,35, berarti
data penelitian tersebut tidak ada Autokorelasi.
Uji Heteroskedastisitas
Uji Park
Metode uji park yaitu denan meregresikan nilai logaritma natural dari residual kuadrat (ln
𝑒 2 ). Dengan variabel independen (x).
Kriteria pengujian :
H0 : tidak ada gejala Heterosedastitas
H1 : ada gejala H eteroskedastitas
Langkah-langkah dengan SPSS
1). Pada deretan menu pilih Analyze => Regression => Linear
2).Buat nilai ln (logaritma natural) dari kuadrat yang baru tersebut (RES_1)dengan cara
klik Trasnsform => Compute Variable.
3). Setelah muncul kotak dialog compute variable ketikkan Lnei2 pada kotak target
variabel dan ketikkan rumus pada kotak Numeric Expression, “ LN(RES_1*RES_1)”
seperti gambar berikut :
4). Dan akan muncul kolom baru (Lnei2) data view seperti gambar berikut:
5). Langkah berikutnya adalah melakukan regresi dimana x sebagai variabel independen
dan Lnei2 sebagai variabel dependen, caranya dengan klik menu Analyze => Regression
=> Linear.
OUTPUT SPSS :
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -1.198 1.416 -.846 .404
KepadatanPenduduk -3.123E-5 .000 -.033 -.173 .864
TSP .194 .133 .276 1.463 .154
JmlPendMiskin -.001 .001 -.156 -.903 .374
a. Dependent Variable: Lnei2
Interpretasi :
Untuk mengetahui masalah Heteroskedastisitas dapat di lihat dari nilai sig., hasil output nilai sig.
> 0.005 hal ini menunjukkan bahwa data yang di uji tidak mengalami masalah
Heteroskedastisitas.
Uji Multikolinearitas
Langkah-langkah dalam SPSS
1). Analyze => Regression => Linear.
2). Lalu jika jendela sudah terbuka pindahkan variabel y ke dependent dan variabel x1
dan x2 ke independent, klik Statistics, beri tanda centang pada Colinearity Diagnotics,
Continue.
Interpretasi : untuk mengetahui masalah Multikolinearitas perhatikan pada hasil output SPSS
pada nilai VIF. apabila VIF < 10 maka dikatakan tidak terdapat gejala multikolinearitas, karena
hasil output menunjukkan nilai VIF 1,203, 1,200, 1,003 maka dapat di simpulkan bahwa data
yang di uji tidak terdapat gejala multikolinearitas.
D. KESIMPULAN
Dari ke tiga Aplikasi yang di gunakan untuk menguji Asumsi klasik OLS di atas.dapat di
simpulkan bahwa semua hasil output menjukkan bahwa data yang di uji
1. Sudah memenuhi kriteria ekonomi karena
Semakin tinggi IPM maka semakin padat juga penduduknya.
Semakin tinggi IPM maka semakin rendah angka TSP
Semakin tinggi IPM maka semakin rendah jumlah penduduk miskin
2. Secara statistic terdapat Nilai R-Square yang diperoleh adalah 53,8% yang dapat di tafsirkan
bahwa variabel x memiliki pengaruh kontribusi sebesar 53,8% terhadap variabel y dan 46,2%
lainnya di pengaruhi oleh faktor-faktor lain diluar variabek x. Dan juga terdapat nilai
signifikansi semua variabel > 0.05.
3. memenuhi kriteria ekonometrika karena:
Data bersifat normal
Data tidak terdapat gejala Heteroskedastisitas
Data tidak ada Autokorelasi , dan
Data tidak ada masalah Multikolinearitas.