Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi

klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan
pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya
autokorelasi dalam model regresi. Metode pengujian yang sering digunakan adalah dengan uji
Durbin-Watson (uji DW) dengan ketentuan sebagai berikut:
1)     Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis nol ditolak, yang berarti
terdapat autokorelasi.
2)     Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak ada
autokorelasi.
3)     Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak menghasilkan
kesimpulan yang pasti.
Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson yang bergantung
banyaknya observasi dan banyaknya variabel yang menjelaskan.
Sebagai contoh kasus kita mengambil contoh kasus pada uji normalitas pada pembahasan
sebelumnya. Pada contoh kasus tersebut setelah dilakukan uji normalitas, multikolinearitas, dan
heteroskedastisitas maka selanjutnya akan dilakukan pengujian autokorelasi.

Langkah-langkah pada program SPSS

Ø  Kita menggunakan input data yang sama pada uji normalitas.
Ø  Klik Analyze - Regression - Linear
Ø  Klik variabel Harga Saham dan masukkan ke kotak Dependent, kemudian klik variabel PER dan
ROI dan masukkan ke kotak Independent(s).
Ø  Klik Statistics, pada Residuals klik Durbin Watson, kemudian klik Continue.
Ø  Klik OK, hasil output pada Model Summary sebagai berikut:

                                      Tabel. Hasil Uji Durbin-Watson

Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi adalah
1,387. Sedangkan dari tabel DW dengan signifikansi 0,05 dan jumlah data (n) = 18, seta k = 2 (k
adalah jumlah variabel independen) diperoleh nilai dL sebesar 1,046 dan dU sebesar 1,535 (lihat
lampiran). Karena nilai DW (1,387) berada pada daerah antara dL dan dU, maka tidak
menghasilkan kesimpulan yang pasti (berada di daerah keragu-raguan). 
Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari residual
untuk semua pengamatan pada model regresi linear. Uji ini merupakan salah satu dari uji asumsi
klasik yang harus dilakukan pada regresi linear. Apabila asumsi heteroskedastisitas tidak
terpenuhi, maka model regresi dinyatakan tidak valid sebagai alat peramalan.

Pengertian Heteroskedastisitas Heteroskedastisitas adalah kebalikan dari homoskedastisitas,

yaitu keadaan dimana terjadinya ketidaksamaan varian dari error untuk semua pengamatan setiap
variabel bebas pada model regresi. Sebaliknya, pengertian homoskedastisitas adalah keadaan
dimana adanya kesamaan varian dari error untuk semua pengamatan setiap variabel bebas pada
model regresi.

Mengapa dilakukan deteksi heteroskedastitas? jawabannya adalah untuk mengetahui adanya

penyimpangan dari syarat-syarat asumsi klasik pada regresi linear, di mana dalam model
regresi harus dipenuhi syarat tidak adanya heteroskedastisitas.

Jenis Analisis Heteroskedastisitas dengan SPSS

Bagaimana cara deteksi heteroskedastisitas ? Jawabannya adalah ada beberapa cara, antara

lain:

1. Uji Glejser
2. Uji Park
3. Uji Spearman
4. Melihat Grafik
Apakah ke empat uji di atas dapat dilakukan dengan SPSS? Jawabannya adalah “Ya.” Cara
Deteksi Heteroskedastisitas dengan SPSS

Uji Glejser.

Tutorial Uji Heteroskedastisitas Menggunakan Uji Glejser

Anggap kita punya sebuah model yang akan diuji, yaitu “Pengaruh nilai ujian Fisika, Biologi dan
Matematika Terhadap Rata-rata Nilai SPMB.

Data seperti di bawah ini:

Buka Aplikasi SPSS anda, jika belum punya download lewat Link ini.

Buat 4 variabel dengan skala data “Scale” Type “Numeric” Decimal “0” dengan nama sesuai
tabel di atas: Fisika, Biologi, Matematika dan SPMB.

Dataset Heteroskedastisitas
Masukkan data di atas dengan cara COPAS.

Klik Menu, Analyze, Regression, Linear: Setelah terbuka jendela, Masukkan Fisika, Biologi dan
Matematika ke kotak Variabel Independent dan masukkan SPMB ke kotak Variabel Dependent.
Dari output di atas, maka tampak bahwa ketiga variabel tidak ada gejala
heteroskedastisitas karena Sig. > 0,05.