UJI ASUMSI KLASIK OLS

DENGAN MENGGUNAKAN
APLIKASI R,SPSS, dan MINITAB

Tugas Mata Kuliah Ekonometrika

Dosen pengampu :

Abdul Karim,S.Si M.Si

Disusun Oleh :

Fazia Risnita Widiyana (B2A017038)

PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS MUHAMMADIYAH SEMARANG

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.

No Provinsi IPM KepadatanPenduduk TSP JmlPendMiskin

1 Aceh 69,45 86 14,87 703,6
2 Sumatra Utara 69,51 191 10,13 780,38
3 Sumatra Barat 69,98 124 11,41 231,05
4 Riau 70,84 73 9,8 388,13
5 Jambi 68,89 68 10,06 185,97
6 SumatraSelatan 67,46 88 10,44 751,8
7 Bengkulu 68,59 94 13,01 216,83
8 Lampung 66,95 234 8,18 902,74
Kep. Bangka
9 Belitung 69,05 84 8,55 47,79
10 Kep.Riau 73,75 241 3,52 31,75
11 DKI Jakarta 78,99 15328 2,45 0
12 Jawa Barat 69,5 1320 8,32 1779,13
13 Jawa Tengah 69,49 1030 6,52 2716,21
 14 DI Yogyakarta 77,59 1174 4,2 192,91
15 Jawa Timur 68,95 813 8,41 3204,82
16 Banten 70,27 1237 6,49 271,71
17 Bali 73,27 718 2,64 102,99
18 NTB 65,19 260 18,32 425,01
19 NTT 62,67 105 12,85 1063,47
20 Kalbar 65,59 33 10,39 317,36
21 Kalteng 68,53 16 9,33 99,41
22 Kalsel 68,38 103 8,27 116,68
23 Kaltim 74,17 27 5,89 129,16
24 Kaltara 68,76 9 5,44 27,61
25 Sulawesi Utara 70,39 174 9,3 159,14
26 Sulteng 66,76 47 11,25 327,09
27 Sulses 69,15 182 9,68 707,34
28 Sultenggara 68,75 66 10,43 288,25
29 Gorontalo 65,86 101 8,23 179,51
30 Sulbar 62,96 76 12,81 130,69
31 Maluku 67,05 36 11,03 276,17
32 Maluku utara 65,91 36 15,34 64,35
33 Papua Barat 61,73 9 11,96 206,72
34 Papua 57,25 10 11,68 867,93

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.

 Langkah- langkah dengan menggunakan R

1. Tulis di App Note Pad apa yang akan di perintahkan untuk aplikasi R
2. Untuk memanggil data buka applikasi R lalu copy perintah memanggil data yang ada
pada note pad dan paste di appliksi R, lalu copy data yang ada di excel =>pada App R
tekan enter dan ketik “data” lalu tekan Enter.
3. Copy perintah memodelkan regresei yang ada pada Note Pad lalu paste ke aplikasi R
dan tekan enter.
4. Pada deretan menu klik Packages => install packages => 0-cloud => lmtest=>OK
 5. Klik Packages => Install Package(s) => car => OK

6. Lalu copykan perintah Asumsi Klasik OLS pada Note Pad ke Aplikasi R.

OUTPUT APLIKASI R :

> #Memanggil data

> data<-read.delim("clipboard")

> data

IPM KepadatanPenduduk TSP JmlPendMiskin

1 69.45 86 14.87 703.60

2 69.51 191 10.13 780.38

3 69.98 124 11.41 231.05

4 70.84 73 9.80 388.13

5 68.89 68 10.06 185.97

6 67.46 88 10.44 751.80

7 68.59 94 13.01 216.83

8 66.95 234 8.18 902.74

9 69.05 84 8.55 47.79

10 73.75 241 3.52 31.75

11 78.99 15328 2.45 0.00

12 69.50 1320 8.32 1779.13

13 69.49 1030 6.52 2716.21

14 77.59 1174 4.20 192.91

15 68.95 813 8.41 3204.82

16 70.27 1237 6.49 271.71

17 73.27 718 2.64 102.99

18 65.19 260 18.32 425.01

19 62.67 105 12.85 1063.47

20 65.59 33 10.39 317.36

21 68.53 16 9.33 99.41

22 68.38 103 8.27 116.68

23 74.17 27 5.89 129.16

24 68.76 9 5.44 27.61

25 70.39 174 9.30 159.14

26 66.76 47 11.25 327.09

27 69.15 182 9.68 707.34

28 68.75 66 10.43 288.25

29 65.86 101 8.23 179.51

30 62.96 76 12.81 130.69

31 67.05 36 11.03 276.17

32 65.91 36 15.34 64.35

33 61.73 9 11.96 206.72

34 57.25 10 11.68 867.93

> #Memodelkan regresi linier

> modelregresi<-lm(IPM~KepadatanPenduduk+TSP+JmlPendMiskin,data=data)

> summary (modelregresi)

Call:

lm(formula = IPM ~ KepadatanPenduduk + TSP + JmlPendMiskin, data = data)

Residuals:

Min 1Q Median 3Q Max

-9.3088 -0.9320 0.0241 1.6203 5.0263

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 75.0933494 1.7077758 43.971 < 2e-16 ***

KepadatanPenduduk 0.0003992 0.0002174 1.837 0.07618 .

TSP -0.6861750 0.1598734 -4.292 0.00017 ***

JmlPendMiskin -0.0006038 0.0007139 -0.846 0.40440

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.972 on 30 degrees of freedom

Multiple R-squared: 0.5376, Adjusted R-squared: 0.4914

F-statistic: 11.63 on 3 and 30 DF, p-value: 3.183e-05

> resOLS<-residuals(modelregresi)

> #Normalitas

> ks.test(resOLS,"pnorm")

One-sample Kolmogorov-Smirnov test

data: resOLS

D = 0.2435, p-value = 0.02925

alternative hypothesis: two-sided

> #Autokorelasi

> dwtest(modelregresi)

Durbin-Watson test

data: modelregresi

DW = 1.1744, p-value = 0.004146

alternative hypothesis: true autocorrelation is greater than 0

> #Heteroskedastisitas

> bptest(modelregresi)

studentized Breusch-Pagan test

data: modelregresi

BP = 1.3211, df = 3, p-value = 0.7241

> #Uji Multikolinearitas

> vif(modelregresi)

KepadatanPenduduk TSP JmlPendMiskin

1.203278 1.200130 1.002875

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 (,)).

2. Pada deretan menu klik Stat => Regression => Regression

3. Setelah muncul kotak dialog Regression pindahkan
 Variabel IPM pada kotak Response, dan
 Variabel Kepadatan Penduduk, TSP, dan Jml Pend Miskin ke kotak Predictors.

4. Untuk menampilkan hasil Normalitas dan Heteroskedastisitasnya Klik kotak Graphs,

pada kotak dialog Regression-Graphs pilihlah
 Normals of residuals
 Residuals versus fits, klik OK
5. Untuk mrnampilkan hasil multikolinearitas dan Autokorelasinya pilih kotak
 Variance inflation factors
 Durbin-Watson Statistic

6. Pada kotak Storage checklist pada pilihan

 Residuals
 Coeffitients
 Fits

7. Klik OK.
OUTPUT MINITAB :

a) Normalitas

Normal Probability Plot

(response is IPM)
99

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

The regression equation is

IPM = 75,1 + 0,000399 Kepadatan Penduduk - 0,686 TSP - 0,000604 Jml Pend Miskin

Predictor Coef SE Coef T P VIF

Constant 75,093 1,708 43,97 0,000
Kepadatan Penduduk 0,0003992 0,0002174 1,84 0,076 1,203
TSP -0,6862 0,1599 -4,29 0,000 1,200
Jml Pend Miskin -0,0006038 0,0007139 -0,85 0,404 1,003

S = 2,97242 R-Sq = 53,8% R-Sq(adj) = 49,1%

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

R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large leverage.

Durbin-Watson statistic = 1,17444

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.

2. Ujilah Asumsi Klasik OLS dengan langkah-langkah berikut:

 Uji normalitas
1) Dari deretan menu pilih Analyze => Regression => Linear
 2) Setelah muncul kotak dialog Regression, , isikan Dependent Variable dengan IPM,
sedangkan independent variable dengan KepadatanPenduduk,TSP, dan
JmlPendMiskin kemudian pada kotak Save pilih:
 Residuals(Unstandardized)
 Continue,Lalu pilih OK

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

Abaikan yang lain klik OK

OUTPUT SPSS :

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 34
Normal Parametersa,b Mean .0000000
Std. Deviation 2.83409447
Most Extreme Differences Absolute .138
Positive .072
Negative -.138
Test Statistic .138
Asymp. Sig. (2-tailed) .101c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

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

1) Lakukan langkah Analyze => Regression => Linear

 2) Setelah itu, pilih statistics yang ada di sebelah kolom seperti tampilan berikut:

Abaikan yang lain lalu klik OK.

OUTPUT SPSS :

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.

Abaikan yang lain, klik OK

 Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -1.198 1.416 -.846 .404
KepadatanPenduduk -3.123E-5 .000 -.033 -.173 .864 .831 1.203
TSP .194 .133 .276 1.463 .154 .833 1.200
JmlPendMiskin -.001 .001 -.156 -.903 .374 .997 1.003
a. Dependent Variable: Lnei2

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.