BAB I

PENDAHULUAN

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi

pada analisis regresi linear berganda yang berbasis ordinary least square (OLS).
Tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear,
misalnya uji multikolinearitas tidak dapat dipergunakan pada analisis regresi
linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross
sectional. Jadi, regresi linear sederhana memiliki 4 asumsi yaitu: asumsi linearitas,
asumsi normalitas, asumsi homoskedastisitas, dan asumsi autokorelasi.
Sedang regresi linear berganda: asumsi multikolinearitas, asumsi normalitas,
asumsi heteroskedastisitas, dan asumsi autokorelasi.

1.Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi
normal atau tidak. Model regresi yang baik adalah memiliki nilai residual
yang terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-
masing variabel tetapi pada nilai residualnya. Sering terjadi kesalahan yang
jamak yaitu bahwa uji normalitas dilakukan pada masing-masing variabel.
Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai
residualnya bukan pada masing-masing variabel penelitian.
Uji normalitas dapat dilakukan dengan menggunakan Uji Chi Kuadrat, Uji
Lillifors, dan Uji Kolmogorov-Smirnov
2.Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara
suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah
bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas
terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi
dengan data observasi sebelumnya.
3.Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat
ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang
lain. Model regresi yang memenuhi persyaratan adalah di mana terdapat
kesamaan varians dari residual satu pengamatan ke pengamatan yang lain
tetap atau disebut homoskedastisitas. Deteksi heteroskedastisitas dapat
dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai
prediksi) dengan SRESID (nilai residualnya). Model yang baik didapatkan
jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah,
menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit.
Uji statistik yang dapat digunakan adalah uji Gletser, uji Park atau uji
White.
4.Uji Multikolinieritas
Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi
(keterkaitan) yang tinggi antara variabel-variabel bebas dalam suatu model
regresi linear berganda. Jika ada korelasi yang tinggi di antara variabel-
variabel bebasnya, maka hubungan antara variabel bebas terhadap variabel
terikatnya menjadi terganggu.
Alat statistik yang sering dipergunakan untuk menguji gangguan
multikolinearitas adalah dengan variance inflation factor (VIF), korelasi
pearson antara variabel-variabel bebas, atau dengan melihat eigenvalues dan
condition index (CI). (Sumber: Budianas, Nanang. 2013).
 BAB II
DESKRIPSI KERJA

Pada praktikum kali ini praktikan diminta untuk melakukan uji asumsi
terhadap data yang tersedia.
Tabel 2.1 Data Stress dan Tekanan Darah

No Stress Tekanan Darah

1. 71 120
2. 57 120
3. 65 130
4. 61 120
5. 59 130
6. 59 130
7. 44 130
8. 42 110
9. 53 120
10. 61 120
11. 57 120
12. 69 120
13. 65 110
14. 51 130
15. 63 110
16. 71 130
17. 71 120
18. 36 140
19. 55 130
20. 53 130
21. 50 110
22. 57 130
23. 92 120
24. 57 100
 25. 78 110
26. 55 110
27. 69 130
28. 51 140
29. 51 100
30. 59 120
31. 67 120
32. 57 120
33. 57 120
34. 55 130

Untuk memulai pengujian asumsi menggunakan SPSS, praktikan

sebelumnya telah melakukan analisis regresi sederhana terhadap data tersebut
sehingga didapatkan sebuah model matematika yaitu Y =130,100−0,145 X.
Berikut adalah langkah-langkah yang praktikan ambil dalam pengujian asumsi :
1. Dari data yang terlah praktikan inputkan kemudian klik menu bar analyze >
regression > linear, isi kotak dependent dengan variabel tekanan darah dan
kotak independent dengan variabel stress.

Gambar 2.1 Kotak Dialog Regression Linear

2. Pada button statistics, beri tanda centang pada kotak durbin-watson (untuk uji
kebebasan sisaan), collinearity diagnostics, estimates, dan model fit, lalu klik
continue dan OK.
 Gambar 2.2 Kotak Dialog Button Statistics
3. Pada button plots, masukan *ZPRED ke dalam kolom X dan *SRESID ke
dalam kolom Y (untuk uji homoskedastisitas) lalu beri tanda centang pada
kotak histogram dan normal probability plot (untuk uji kenormalan sisaan)
lalu klik continue.

Gambar 2.3 Kotak Dialog Button Plots

4. Pada button save beri tanda centang pada unstandardized dalam kotak
residuals, kemudian klik continue dan OK.
Analisis Statistik Kolmogorov Smirnov
5. Lakukan langkah analisis regresi sederhana seperti biasa, klik menu bar
analize > regression > linear, isi kotak dependent dengan variabel tekanan
darah dan kotak independent dengan variabel stress.
6. Pada button save beri tanda centang pada unstandardized dalam kotak
residuals, kemudian klik continue dan OK.
7. Kemudian pada lembar kerja data view akan muncul kolom baru dengan
nama kolom RES_1, ini merupakan residual regresi.
8. Pilih menu bar analyze > nonparametric test > legacy dialogs > 1-sample K-
S, kemudian masukan salah satu unstandardized residual ke dalam kolom test
variable list dan beri tanda centang pada kotak normal, lalu klik OK.

Gambar 2.4 Kotak Dialog One Sample Kolmogorov Smirnov Test

Analisis Homoskedastisitas dengan metode gletser
9. Pada data view telah tersedia kolom RES_1 maka langsung saja untuk uji
homoskedastisitasnya klik menu bar transform > compute variable lalu isi
kotak target variable dengan nama variabel yang diinginkan (ABS_RES1)
kemudian pada kotak numeric expression merupakan formula dalam SPSS, isi
dengan ABS(RES_1) lalu klik OK
10. Maka akan muncul pada lembar kerja data view kolom ABS_RES1
11. Lakukan analisis regresi seperti biasa, klik menu bar analyze > regression >
linier, masukkan variabel ABS_RES1 ke dalam kolom dependent dan pada
kolom independent tetap berisi variabel stress lalu klik continue dan OK.

BAB III
PEMBAHASAN
 Gambar 3.1 Output Regression Linear Analyze
Hasil pengolahan data di atas, selanjutnya dapat dipakai untuk uji hipotesis
yang menyatakan model yang bentuknya linier atau tidak dan juga secara tidak
langsung dapat menguji asumsi-asumsi sehingga diperoleh BLUE (Best Linear
Unbiased Estimator).
Pada tabel coefficients kolom standardized coefficients, dapat diketahui
bahwa hubungan korelasi stress dengan tekanan darah bernilai -0,156. Artinya
tidak ada hubungan antara stress dengen tekanan darah. Tanda minus (-)
menyatakan hubungan yang berbanding terbalik yakni bila nilai stress meningkat,
maka nilai tekanan darah akan turun, demikian pula sebaliknya.
 Setelah mengetahui kekuatan hubungan antara variabel stress dengan
variabel tekanan darah, maka dapat dilanjutkan dengan asosiasi dari kedua
variabel :
A. Menguji signifikansi hubungan linier antara stress dengan tekanan darah (Uji
Overall)
- Hipotesis
H 0 : βi = 0 (Tidak ada hubungan linier antara stress dan tekanan darah /
model tidak layak digunakan ) i = 0,1
H1 : βi ≠ 0 (Ada hubungan linier antara stress dan tekanan darah / model
layak digunakan) i = 0,1
- Tingkat Signifikansi
α : 5% = 0,0 5
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig. yaitu 0,379
- Keputusan
Karena nilai Sig. > α yaitu 0,379 > 0,05 maka terima H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig. lebih dari α
yaitu 0,379 > 0,05 maka terima H0 yang artinya tidak ada hubungan linier
antara stress dengan tekanan darah atau model tidak layak digunakan atau
ada salah satu nilai βi yang tidak sama dengan 0.
Karena dalam praktikum dituntut untuk melakukan uji keseluruhan maka
praktikan tetap melanjutkan meskipun hasil dari uji overall menyatakan model
tidak layak digunakan.
Pada tabel model summary diperoleh nilai R 2 = 0,024. Artinya variabel
stress dapat menerangkan variabilitas sebesar 2,4% dari variabel tekanan darah,
sedangkan sisanya diterangkan oleh variabel lain (dengan R2 merupakan koefisien
determinasi).
B. Menguji signifikansi konstanta atau koefisien variabel stress pada model
linier (uji parsial variabel stress)
- Hipotesis
H 0 : β 0 = 0 (Koefisien regresi pada variabel stress tidak signifikan )
H1 : β0 ≠ 0 (Koefisien regresi pada variabel stress signifikan)
- Tingkat Signifikansi
α : 5% = 0,0 5
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig. kurang dari
α yaitu 0,000 < 0,05 maka tolak H 0 yang artinya koefisien regresi pada
variabel stress signifikan.
C. Menguji signifikansi koefisien variabel tekanan darah pada model linier (uji
parsial variabel tekanan darah)
- Hipotesis
H 0 : β 1 = 0 (Koefisien regresi pada variabel tekanan darah tidak signifikan )
H1 : β1 ≠ 0 (Koefisien regresi pada variabel tekanan darah signifikan)
- Tingkat Signifikansi
α : 5% = 0,0 5
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig. 0,379
- Keputusan
Karena nilai Sig. > α yaitu 0,379 > 0,05 maka terima H0
- Kesimpulan
 Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig. lebih dari α
yaitu 0,379 > 0,05 maka terima H0 yang artinya koefisien regresi pada
variabel tekanan darah tidak signifikan.
Dengan demikian, model regresi yang di pakai dalam praktikum kali ini
adalah : Y =130,100−0,145 X atau Tekanan darah = 130,100 – 0,145 Stress.
Untuk mendapatkan model yang BLUE , maka model di atas tadi harus diuji
sebagi berikut :
1. Kenormalan sisaan

Gambar 3.2 Output Normal P=Plot of Regression Standardized Residual

Gambar 3.3 Output Histogram Regression Standardized Residual

Berdasarkan hasil output scatter plot di atas dapat terlihat bahwa titik-titik
data tersebar disekitar garis lurus dan berdasarkan histogram juga terlihat bahwa
pola menunjukkan melenceng ke kanan, dimana hal tersebut menunjukkan bahwa
model regresi berdistribusi normal sehingga dapat disimpulkan model memenuhi
asumsi normalitas.
Analisis Kolomogorov Smirnov

Gambar 3.4 Output One-Sample Kolmogorov Smirnov Test

- Hipotesis
H 0 : Sisaan menyebar normal
H1 : Sisaan tidak menyebar normal
- Tingkat Signifikansi
α : 1% = 0,01
α/2 : 0,5% = 0,005 (Sig. 2-tailed)
- Daerah Kritis
Jika Asymp. Sig (2-tailed) < α/2 maka tolak H0
- Statistika Uji
Asymp. Sig (2-tailed) = 0,016 ; α/2 = 0,005
- Keputusan
Karena nilai asymp. sig (2-tailed) > α/2 yaitu 0,016 > 0,005 maka terima
H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 99% dan rata-rata nilai Asymp.
Sig (2-tailed) lebih dari α/2 yaitu 0,016 > 0,005 maka terima H0 berarti
sisaan menyebar normal dan asumsi kenormalan terpenuhi.
2. Nonautokorelasi atau sisaan saling bebas
 Gambar 3.5 Output Durbin Watson Test
- Hipotesis
H0 : Tidak terdapat autokorelasi ordo 1 pada sisaan
H 1 : Terdapat autokorelasi ordo 1 pada sisaan
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Apabila 0 < DW < dL atau 4 - dL < DW < 4 maka tolak H0
Apabila du < DW < 4 - du maka terima H0
Apabila dL < DW < du atau 4 – du < DW < 4 – dL
- Statistik Uji
n = 34 dan jumlah variabel independen = 1 (K = 1)
Nilai DW = 2,179 dimana dL= 1,3929 du= 1,5136
- Keputusan
Karena nilai du < DW < 4 – du yaitu 1,5136 < 2,179 < 2,4864 maka terima
H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan karena nilai du < DW
< 4 – du yaitu 1,5136 < 2,179 < 2,4864 maka terima H 0 berarti residual
berubah secara acak atau tidak terjadi autokorelasi. Dengan demikian
asumsi nonautokorelasi terpenuhi.

3. Homoskedastisitas
 Gambar 3.6 Output Scatterplot Uji Homoskedastisitas
Dari plot di atas terlihat bahwa penyebaran nilai-nilai residual terhadap
harga-harga prediksi tidak membentuk suatu pola tertentu (meningkat atau
menurun). Dengan demikian dapat disimpulkan bahwa homoskedastisitas
terpenuhi.

Gambar 3.7 Output Uji Homoskedatisistas

- Hipotesis
H 0 : β1 = 0 (Koefisien regresi pada variabel stress tidak signifikan)
H1 : β1 ≠ 0 (Koefisien regresi pada variabel stress signifikan)
- Tingkat Signifikansi
α : 5% = 0,01
- Daerah Kritis
Jika nilai Sig < α maka tolak H0
- Statistika Uji
 Nilai Sig. = 0,022 ; α = 0,01
- Keputusan
Karena nilai Sig. > α yaitu 0,022 > 0,01 maka terima H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 99% dan nilai Sig. lebih dari α
yaitu 0,022 > 0,01 maka terima H0 berarti koefisien regresi pada variabel
stress tidak signifikan, maka dapat disimpulkan bahwa homoskedastisitas
terjadi artinya asumsi terpenuhi.
4. Multikolinieritas
Karena jumlah variabel independennya hanya satu, maka tidak mungkin
terjadi hubungan diantara variabel-variabel independen. Dengan demikian, asumsi
nonmultikolinieritas terpenuhi.

BAB IV
 PENUTUP

Dari langkah-langkah yang telah dilakukan praktikan dan pembahasan

pada bab sebelumnya, maka dapat ditarik beberapa kesimpulan yaitu :
1. Dari uji overall didapatkan bahwa model tidak layak untuk digunakan.
2. Dari uji parsial untuk variabel stress didapat bahwa koefisien regresi pada
variabel stress signifikan dan untuk variabel tekanan darah didapat bahwa
koefisien regresi variabel tekanan darah tidak signifikan.
3. Dari uji analisi regresi sederhana didapatkan sebuah model matematika yaitu
Y =130,100−0,145 X .
4. Dari uji asumsi klasik kenormalan sisaan didapatkan bahwa, data yang ada
berdistribusi normal sehingga asumsi kenormalan sisaan model regresi
terpenuhi.
5. Daru uji asumsi klasik nonautocorrelation didapatkan bahwa, data yang ada
menunjukkan tidak terjadi autokorelasi sehingga asumsi nonautocorrelation
pada model regresi tersebut terpenuhi.
6. Dari uji asumsi klasik homoskedastisitas atau kehomogenan ragam sisaan
didapatkan bahwa, data yan
7. g ada memperlihatkan bahwa tidak terjadi heteroskedastisitas atau setiap
nilai variabel independen memiliki variansi yang sama sehingga model
tersebut dinyatakan layak atau baik digunakan karena memenuhi asumsi
homoskedastisitas.
8. Dari uji asumsi klasik tidak ada multikolinieritas didapatkan bahwa karena
jumlah variabel independennya hanya satu, maka tidak mungkin terjadi
hubungan diantara variabel-variabel independen. Dengan demikian, asumsi
nonmultikolinieritas terpenuhi.