Nama : Nadella Maharani Heryanto

NIM : 1811211009

1. Jelaskan apa yang dimaksud dengan uji normalitas pada analisis regresi!
2. Jelaskan penyebab asumsi normalitas pada analisis regresi tidak dapat terpenuhi!
3. Metode apa saja yang dapat digunakan untuk menguji normalitas pada analisis regresi?
4. Jelaskan konsekuensi jika asumsi normalitas pada analisis regreso tidak dapat
terpenuhi!
5. Jelaskan langkah – langkah yang dapat dilakukan untuk melakukan treatment jika
model regresi tidak memenuhi asumsi normalitas!
6. Berikut adalah data hasil survai :
Tabel 6.1 : data latihan uji asumsi klasik normalitas
X1 (pendapatan) 90 60 60 85 70 40 55 80 70 80 75
70
X2 (jum.Anggota 5 3 4 4 3 3 2 6 5 4 5 5
(keluarga)
Y (pengeluaran) 75 45 55 60 65 40 45 80 60 65 68 65

Berdasarkan data tersebut :

a. Buatlah persamaan regresinya!
b. Ujilah persamaan regresi tersebut, apakah teradi masalah normalitas? Jika terjadi
masalah normalitas, lakukan perbaikan.

Jawaban
1. Uji normalitas merupakan uji yang dimaksudkan untuk menguji apakah nilai residual
yang telah distandarisasi pada model regresi berdistribusi normal atau tidak. Nilai
residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut
sebagian besar mendekati nilai rata-ratanya. Nilai residual terstandarisasi yang
berdistribusi normal jika digambarkan dengan kurva akan membentuk lonceng (bell-
shaped curve) yang kedua sisinya melebar sampai tak terhingga. Uji normalitas tidak
dilakukan per variabel ( univariate) tetapi hanya terhadap nilai residual
terstandarisasinya (multivariate)

2. Penyebab asumsi normalitas pada analisis regresi tidak dapat terpenuhi pada umumnya
disebabkan karena distribusi data yang dianalisis tidak normal, karena terdapat nilai
ekstrem pada data yang diambil. Nilai ekstrem ini dapat terjadi karena adanya kesalahan
dalam pengambilan sampel, bahkan karena kesalahan dalam input data atau
karakteristik data yang jauh dari rata-rata. Jadi, data tersebut benar-benar berbeda
dibanding yang lain.

3. Untuk mendeteksi apakah nilai residual terstandarisasi berdistribusi normal atau tidak,
maka dapat digunakan metode analisis grafik dan metode statistic.
a. Metode analisis grafik
 Pada uji ini dilakukan dengan menggunakan histogram dengan menggambarkan
variabel dependen sebagai sumbu vertical sedangkan nilai residual terstandarisasi
digambarkan sebagai sumbu horizontal. Cara lainnya adalah dengan Normal
Probability Plot, yaitu membandingkan distribusi kumulatif dari data
sesungguhnya dengan distribusi kumulatif dari distribusi normal.
b. Metode signifikasi Skewness dan Kurtosis
Pada uji normalitas dilakukan berdasarkan pada koefisien keruncingan (kurtosis)
dan koefisien kemiringan (skewness).
c. Jarque-Bera (JB test)
Pada uji ini membandingkan statistic JB dengan nilai X2 tabel.
d. Kolmogorov-Smirnov
Pada uji ini menggunakan fungsi distribusi kumulatif. Nilai residual terstandarisasi
berdistribusi normal jika K hitung < K table atau Sig. > alpha.

4. Pelanggaran atas asumsi normalitas pada model regresi akan menimbulkan

konsekuensi. Konsekuensi jika asumsi normalitas tidak terpenuhi pada sebuah model
regresi adalah nilai prediksi yang diperoleh akan bias dan tidak konsisten.

5. Metode – metode treatment yang digunakan jika model regresi tidak memenuhi asumsi
normalitas :
1) Menambah jumlah data
Dengan menambah jumlah data maka akibat yang akan ditimbulkan dari nilai
residual yang memiliki nilai ekstrem akan semakin berkurang.
2) Melakukan transformasi data menjadi log atau LN ataupun bentuk lainnya
Dengan melakukan transformasi maka selisih antara nilai terbesar dan yang terkecil
akan semakin pendek.
3) Menghilangkan data yang dianggap sebagai penyebab data tidak normal
Dengan demikian maka sebagian besar data akan semakin mendekati nilai rata-
ratanya. Hal ini dilakukan dengan menghilangkan semua data pada pengamatan
tersebut, baik variabel tergantung maupun variabel bebasnya.
4) Dibiarkan saja tetapi kita harus menggunakan analisis lain
Analisis regresi merupakan salah satu analisis parametric. Salah satu syaratnya ada
kenormalan data. Jika asumsi kenormalan data tidak terpenuhi, maka dapat
menggunakan analisis non-parametrik yang tidak mensyaratkan adanya
 kenormalan data meskipun derajat kesimpulan lemah dibanding analisis
parametric.
6. Berdasarkan data tersebut maka :
a. persamaan regresinya

X1 X2 Y X12 X22 X1.X2 X1.Y X2.Y

90 5 75 8100 25 450 6750 375
60 3 45 3600 9 180 2700 135
60 4 55 3600 16 240 3300 220
85 4 60 7225 16 340 5100 240
70 3 65 4900 9 210 4550 195
40 3 40 1600 9 120 1600 120
55 2 45 3025 4 110 2475 90
80 6 80 6400 36 480 6400 480
70 5 60 4900 25 350 4200 300
80 4 65 6400 16 320 5200 260
75 5 68 5625 25 375 5100 340
70 6 65 4900 36 420 4550 390
835 50 723 60275 226 3595 51925 3145

𝑁 𝑋1 𝑋2 𝑎 𝑌
|𝑋1 𝑋12 𝑋1. 𝑋2| 𝑥 |𝑏1| = |𝑋1. 𝑌 |
𝑋2 𝑋1. 𝑋2 𝑋22 𝑏2 𝑋2. 𝑌

12 835 60 𝑎 723
|835 60.275 3.595| 𝑥 |𝑏1| = |51.925|
50 3.595 226 𝑏2 3.145
𝐷𝑒𝑡 [𝐴1] 𝐷𝑒𝑡[𝐴2] 𝐷𝑒𝑡[𝐴3]
𝑎= 𝐷𝑒𝑡 [𝐴]
𝑏1 = 𝐷𝑒𝑡 [𝐴]
𝑏2 = 𝐷𝑒𝑡 [𝐴]

Matriks [A] Matriks [A1]

12 835 60 723 835 50

|835 60.275 3.595| |51.925 60.275 3.595|
50 3.595 226 3.145 3.595 226

Det [A] = 299.650 Det [A1] = 1.992.250

Matriks [A2] Matriks [A3]

 12 723 50 12 835 723
|835 51.925 3.595| |835 60.275 51.925|
50 3.145 226 50 3.595 3.145

Det [A2] = 158.470 Det [A3] = 1.208.350

Sehingga didapatkan,

𝐷𝑒𝑡 [𝐴1] 1.992.250

𝑎= = = 6,649
𝐷𝑒𝑡 [𝐴] 299.650

𝐷𝑒𝑡[𝐴2] 158.470
𝑏1 = = = 0,529
𝐷𝑒𝑡 [𝐴] 299.650

𝐷𝑒𝑡[𝐴3] 1.208.350
𝑏2 = = = 4,033
𝐷𝑒𝑡 [𝐴] 299.650

Jadi, persamaan regresi linear berganda yang terbentuk adalah

𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2

𝒀 = 𝟔, 𝟔𝟒𝟗 + 𝟎, 𝟓𝟐𝟗𝑿𝟏 + 𝟒, 𝟎𝟑𝟑𝑿𝟐

b. Uji persamaan regresi

1) Uji normalitas dengan Analisis Grafik
Uji normalitas ini dilakukan menggunakan historgram dengan menggambarkan
variabel dependent sebagai sumbu vertical dan nilai residual terstandarisasi
digambarkan sebagai sumbu horizontal sehingga bila membentuk kurva
lonceng maka nilai residual dinyatakan berdistribusi normal dan menggunakan
Histogram Probability Plot dengan membandingkan distribusi kumulatif dari
data sesungguhnya dengan distribusi kumulatif dari distribusi normal sehingga
jika titik-titik menyebar di sekitar garis diagonal dari kiri bawah ke kanan atas
maka dikatakan berdistribusi normal. Cara dengan SPSS
a) Buka file uji asumsi klinik
b) Klik analyze, regression, linear
c) Masukkan variabel pengeluaran ke kotak variabel dependent
d) Masukkan variable pendapatan dan variable jumlah anggota keluarga ke
ktak independent
e) Klik plots. Pada Y isi DEPENDENT dan pada X isi *ZRESID
f) Pada standardized residual klik histogram dan normalitiy probability plot,
lalu continue
g) Klik OK
Maka output yang dihasilkan sebagai berikut :

Berdasarkan tampilan histogram terlihat bahwa kurva dependen dan regression

standardized residual membentuk gambar seperti lonceng. Oleh karena itu
berdasarkan uji normalitas, analisis regresi layak digunakan
 Berdasarkan tampilan Normal P-P plot regression standardized terlihat bahwa
titik-titik menyebar di sekitar garis diagonal. Oleh karena itu berdasarkan uji
normalitas, analisis regresi layak digunakan meskipun terdapat sedikit plot yang
menyimpang dari garis diagonal
2) Uji normalitas dengan metode signifikasi skewness dan kurtosis
Uji normalitas dilakukan berdasarkan koefisien kemiringan (skewness) dan
koefisien keruncingan (kurtosis). Jika hasil Zskew dan Zkurt  nilai kritisnya
maka residual terstandarisasi berdistribusi normal.
Mencari koefisien skewness dan kurtosis menggunakan SPSS adalah
a) Buka file uji asumsi klasik
b) Kiln analyze, regression, linear
c) Masukkan variabel pengeluaran ke kotak variabel dependent
d) Masukkan variable pendapatan dan variable jumlah anggota keluarga ke
ktak independent
e) Klik sava. Pada kotak residual, klik standardize, kemudian continue.
f) Klik OK.
g) Maka sekarang sudah terdapat variable baru Unstandarized residua yaitu
ZRE_1
h) Klik analyze, descriptive statistics, descriptive
i) Masukkan variabek unstandardized residual pada kotak variabel
j) Klik options pada distribusin pilih kurtosis dan skewness, kemudian klik
continue
Output yang dihasilkan adalah

Descriptive Statistics

N Skewness Kurtosis

Statistic Statistic Std. Error Statistic Std. Error

Standardized Residual 12 .413 .637 .337 1.232

Valid N (listwise) 12

Setelah diketahui nilai koefisien skewness dan kurtosisnya maka perlua

dicari nilai Zskew dan Zkurt dengan cara :
 Skewness
𝑆−0 0,413 − 0 0,413
𝑍𝑠𝑘𝑒𝑤 = = = = 0,584
√6/𝑁 √6/12 0,707
  Kurtosis
𝐾−0 0,337 − 0 0,337
𝑘𝑢𝑟𝑡 = = = = 0,238
√24/𝑁 √24/12 1,414

Karena nilai standarisasi skewness (0,584) dan nilai standarisasi kurtosis

(0,238) lebih kecil dari 1,96 maka dengan tingkat toleransi 0,05 atau 5%, nilai
residual terdistribusi normal
3) Uji normalitas dengan Jarque-bera (JB Test)
Uji ini juga didasarkan pada koefisien skewness dan kurtosis dengan
membandingkan statistic Karque-Beta dengan nilai X2 tabel. Jika nilai JB Test
 X2 tabel maka nilai residual terstandarisasi berdistribusi normal. Dilakukan
dengan menggunakan rumus :
𝑆 2 (𝐾 − 3)2
𝐽𝐵 = 𝑛 [ + ]
6 24
0,4132 (0,337 − 3)2
𝐽𝐵 = 12 [ + ]
6 24
𝐽𝐵 = 12[0,0284 + 0,2955]
𝐽𝐵 = 3,8868
Berdasarkan perhitungan di atas diperoleh nilai statistik Jarque-Bera (JB)
sebesar 3,8868, sedangkan nilai X2 dengan df: 0,05 2 adalah 5,99. Karena nilai
statistik Jarque-Bera (JB) (3,8868) < nilai X2 tabel (5,99), maka nilai residual
terstandarisasi berdistribusi normal. Karena nilai JB < nilai X2 tabel maka nilai
residual terstandarisasi berdistribusi normal.
4) Uji normalitas dengan Kolmogorov-smirnov
Merupakan uji normalitas menggunakan fungsi distribsui kumulatif. Nilai
residual terstandarisasi berdistribusi normal jika K hitung < K Tabel atau nilai
Sig >  (0,005). Cara menguji normalitas dengan Kolmogorov-Smirnov
menggunakan SPSS dilakukan dengan langkah sebagai berikut :
1. Meregresikan variabel bebas terhadap variabel tergantung dengan
langkah-langkah sebagai berikut :
a. Buka file Uji Asumsi Klasik
b. Klik Analize, Regression, Linear
c. Masukan variabel Volume Pengeluaran pada kotak Dependent.
d. Masukan variabel Pendapatan dan Jumlah Anggota Keluarga pada
kotak Independent(s)
 e. Klik Save pada kotak Residual, klik Standardized lalu Continue
f. Abaikan pilihan lain, OK
g. Kembali ke Data Editor. Sekarang kita sudah memiliki variabel baru
Standardized Residual, yaitu ZRES_1.

2. Menguji normalitas nilai Standardized Residual, dengan langkah-langkah

sebagai berikut :
a. Pada menu utama SPSS, pilih Analize, Nonparametrics Test,
Sample K-S.
b. Masukan variabel Standardized Residual pada kotak Variabel(s)
c. Klik OK
Ouput yang dihasilkan adalah :
One-Sample Kolmogorov-Smirnov Test

Standardized
Residual

N 12

Normal Parametersa Mean .0000000

Std. Deviation .90453403

Most Extreme Differences Absolute .208

Positive .208

Negative -.159

Kolmogorov-Smirnov Z .719

Asymp. Sig. (2-tailed) .679

a. Test distribution is Normal.

Berdasarkan output di atas terlihat bahwa nilai Sig (2-tailed) sebesar 0,679 >
0,05. Oleh sebab itu berarti nilai residual terstandarisai dinyatakan menyebar
secara normal.