TUGAS KELOMPOK

STATISTIK INFERENSIAL

(Materi Pertemuan 7, 8, Dan 9)

Dosen: PRIMA SADEWA S.Pd , M.Pd

Disusun Oleh:

1. Dipya Sareswati (191011200759)

2. Lala Marisa (191011200108)
3. Maria Angelina Wangge (191011201428)

PROGRAM STUDI S1 AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PAMULANG
2021

i
 DAFTAR ISI
Halaman
Cover . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
Daftar Isi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Pertemuan 7 – Uji Multikolinieritas
A. Tujuan Pembelajaran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
B. Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
C. Tutorial SPSS/eViews . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
D. Soal Latihan dan Pembahasan . . . . . . . . . . . . . . . . . . . . . . . . . . 9
E. Penilaian diri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
F. Daftar Pustaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Pertemuan 8 – Uji Heteroskedastisitas
A. Tujuan Pembelajaran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
B. Uraian materi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
C. Tutorial SPSS/eViews . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
D. Soal Latihan dan Pembahasan . . . . . . . . . . . . . . . . . . . . . . . . . . 22
E. Penilaian diri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
F. Daftar Pustaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Pertemuan 9 – Uji Autokorelasi
A. Tujuan Pembelajaran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
B. Uraian materi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
C. Tutorial SPSS/eViews . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
D. Soal Latihan dan Pembahasan . . . . . . . . . . . . . . . . . . . . . . . . . . 27
E. Penilaian Diri. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
F. Daftar Pustaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

ii
 PERTEMUAN 7:
UJI MULTIKOLINIERITAS

A. TUJUAN PEMBELAJARAN
Setelah mempelajari materi ini, diharapkan mampu:
1. Menjelaskan pengertian dan tujuan uji multikolinieritas
2. Mengetahui penyebab dan cara mendeteksinya
3. Mengetahui dampak dan cara mengatasinya

B. URAIAN MATERI
Tujuan Pembelajaran 1.1:
Pengertian dan tujuan uji multikolinieritas

Uji multikolinearitasadalah uji yang dilakukan untuk memastikan

apakah di dalam sebuah model regresi ada interkorelasi atau kolinearitas
antar variable bebas. Interkorelasi adalah hubungan yang linear atau
hubungan yang kuat antara satu variabel bebas atau variable predictor
dengan variable predictor lainnya di dalam sebuah model regresi.
Interkorelasi itu dapat dilihat dengan nilai koefisien korelasi antara variable
bebas, nilai VIF dan Tolerance, nilai Eigenvalue dan Condition Index, serta
nilai standar error koefisien beta atau koefisien regresi parsial.
Uji multikolinieritas bertujuan untuk menguji apakah ditemukan
adanya korelasi antar variable independen atau bebas. Menurut Ghozali
(2018, p. 105), tujuan uji multikolinearitas adalah untuk menguji apakah
model regresi ditemukan adanya korelasi antara variable bebas. Model
regersi yang baik memiliki model yang didalamnya tidak terjadi kolerasi
diantara variable independen. Uji multikolinearitas dilihat dari nilai tolerance
dan Variance Inflation Factor (VIF). Apabila nilai VIF < 10, berarti tidak
terdapat multikolonieritas. Jika nilai VIF > 10 makater dapat
multikolonieritas dalam data.

Hasil dari pengujian multikolonieritas pada penelitian ini ditunjukkan seperti

pada table berikut ini :

iii
 Variabel Tolerance VIF Kesimpulan

ROROA .326 3.068 TidakTerjadiMultikolinearitas

ROROE .325 3.081 TidakTerjadiMultikolinearitas

TinTingkat .992 1.008 TidakTerjadiMultikolinearitas

Nilai Tukar .989 1.011 TidakTerjadiMultikolinearitas

Sumber :Pengolahan Data Sekunder

Berdasarkan hasil analisis diperoleh bahwa nilai tolerance untuk

variabel ROA, ROE, SBI dan Nilai Tukar berturut-turut adalah 0,326, 0,325,
0,992, 0,989 dan nilai VIF untuk variabel ROA, ROE, SBI dan Nilai Tukar
berturut-turut adalah 3,068, 3,081, 1,008, 1,011. Dan dapat diketahui
bahwa kedua variable independen mempunyai nilai tolerance lebih besar
32 JURNAL Akuntansi & Keuangan Volume 5, Nomor 2, September 2014
dari 0,1 dan nilai VIF kurang dari 10. Maka dapat disimpulkan bahwa data
tersebut tidak mengandung multikolinearitas.

Tujuan Pembelajaran 1.2:

Penyebab uji multikolineatitas

`Penyebab multikolinearitas adalah adanya korelasi atau hubungan

yang kuat antara dua variable bebas atau lebih, seperti yang sudah
dijelaskan di atas. Namun penyebab lainnya yang dapat menyebabkan hal
tersebut secara tidak langsung adalah, antara lain:

1. Penggunaan variabel dummy yang tidak akurat di dalam model regresi.

Akan lebih beresiko terjadi multikolinearitas jika ada lebih dari 1 variabel
dummy di dalam model.

2. Adanya perhitungan sebuah variable bebas yang didasarkan pada

variable bebas lainnya di dalam model. Hal ini bias dicontohkan
sebagai berikut: dalam model regresi anda, ada variabel X1, X2 dan
Perkalian antara X1 dan X2 (X1*X2). Dalam situasi tersebut bias

iv
 dipastikan, terdapat kolinearitas antara X1 dan X1*X2 serta kolinearitas
antara X2 dengan X1*X2.

3. Adanya pengulangan variable bebas di dalam model, misalkan: Y =

Alpha + Beta1 X1 + Beta2 X1*5 + Beta3 X3 + e.

Cara Mendeteksi Multikolinearitas :

Cara mendeteksi adanya Multikolinearitas di dalam model regresi
adalah dengan cara :

1. Melihat kekuatan korelasi antar variable bebas. Jika

ada korelasi antar variable bebas> 0,8 dapat diindikasikan adanya
multikolinearitas.

2. Melihat nilai standar error koefisien regresiparsial. Jika ada nilai

standar error > 1, maka dapat diindikasikan adanya multikolinearitas.

3. Melihat rentang confidence interval. Jika rentang confidence interval

sangat lebar, maka dapat diindikasikan adanya multikolinearitas.

4. Melihat nilai Condition Index dan eigenvalue. Jika nilai condition index
> 30 dan nilai eigenvalue < 0,001 dapat diindikasikan adanya
multikolinearitas.

5. Melihat nilai Tolerance dan Variance Inflating Factor (VIF). Jika nilai
Tolerance < 0,1 dan VIF > 10 dapat diindikasikan adanya
multikolinearitas. Sebagian pakar menggunakan batasan Tolerance <
0,2 dan VIF > 5 dalam menentukan adanya multikolinearitas. Para
pakar juga lebih banyak menggunakan nilai Tolerance dan VIF dalam
menentukan adanya Multikolinearitas di dalam model regresi linear
berganda dibandingkan menggunakan parameter-parameter yang
lainnya. Hal ini juga dalam prakteknya menggunakan SPSS, kita
sudah disuguhkan dengan hasil yang instant, dimana kita bias
langsung lihat nilai keduanya di dalam output SPSS.

v
Tujuan Pembelajaran 1.3:
Dampak dan Cara Mengatasi Multikolinieritas

Dampak dari multikolinearitas antara lain:

1. Koefisien Partial Regresi tidak terukur secara presisi. Oleh karena itu
nilai standar errornya besar.
2. Perubahan kecil pada data dari sampel ke sampel akan menyebabkan
perubahan drastis pada nilai koefisien regresi partial.

3. Perubahan pada satu variable dapat menyebabkan perubahan besar

pada nilai koefisien regresi parsial variable lainnya.

4. Nilai Confidence Interval sangat lebar, sehingga akan menjadi sangat

sulit untuk menolak hipotesis nol pada sebuah penelitian jika dalam
penelitian tersebut terdapat multikolinearitas.

Cara Mengatasi Multikolinearitas adalah dengan cara :

1. Jika jumlah variable banyak, maka kita dapat melakukan Analisis
Faktor sebelum regresi. Setelah analisis faktor, variable baru yang
terbentuk kita gunakan sebagai variabel di dalam model regresi.
2. Dengancaramemilih salah satu diantara variable bebas yang
berkorelasi kuat. Oleh karena itu, sebelumnya anda harus mencari
variabel yang nilai VIFnya tinggi dan nilai korelasinya dengan variable
bebas lainnya kuat.

3. Dengan cara melakukan operasi matematis antar variable bebas yang

berkorelasi kuat sehingga didapat variable baru hasil operasi tersebut
yang kemudian dimasukkan kedalam model regresi sebagai
perwakilan dari variabel yang menjadi sumber operasi matematis
tersebut.

4. Melakukan standarisasi terhadap variabel yang menjadi penyebab

inklusi perkalian antara variabel, dimana hasil perkalian setelah

vi
 standarisasi tersebut yang dimasukkan kedalam model bersama-
sama dengan variabel yang sudah distandarisasi.

C. TUTORIAL SPSS/EVIEWS

Tutorial uji multikolinearitas dengan SPSS

Berikut adalah tutorial uji multikolinearitas dengan SPSS:

Buat dataset yang di didalamnya terdapat 3 variabel, dengan perincian:

1. Variabel dependent atau variabel response dan beberapa variabelI

ndependen (Artinya lebih dari satu variabel predictor). Dalam
tutorial SPSS ini, kita akan membuat contoh uji multikolinearitas dengan
menggunakan 2 variabel independen. Lihat contohnya di bawahini, yaitu
dengan menggunakan 50 sampel.

Dataset Uji Multikolinearitas SPSS

Selanjutnya isi dataset tersebut dengan data-data berskala data interval

ataupun rasio.

2. Lakukan langkah sebagai berikut: pada menu, klik analyze -> regression
-> linear ->selanjutnya masukkan variable predictor ke kolom
Independent (s), variabel response kekolom Dependent. Metode yang
dipilih terserah anda, apakah metode enter atau metode stepwise, itu

vii
 tergantung pada model regresi yang akan anda lakukan terkait dengan
pertanyaan-pertanyaan penelitian di dalam metode penelitian anda.

Proses Uji Multikolinearitas SPSS

3. Klik tombol statistics dan pastikan bahwa anda mencentang Collinearity

Diagnostics dan Descriptives, kemudian tekan tombol Continue. Caranya
seperti di bawah ini:

Langkah Uji Multikolinearitas SPSS

Untuk checklist yang lainnya, terserah anda apakah akan digunakan

atau tidak. Tentunya jika anda menginginkan hasil yang maksimal dalam
rangka untuk membuat sebuah model regresi yang BLUE (Best Linear
Unbiased estimation), maka anda harus mencentang semuanya. Oleh

viii
 karena itu, anda harus mempelajari juga tentang asumsi klasik regresi
linear, antara lain: autokorelasi, heteroskedastisitas, outlier, linearitas
regresi dan normalitas residual pada regresi linear.

4. Jika anda sudah menyelesaikan prosedur lainnya dalam pengujian di

dalam regresi linear, maka tekan tombol OK pada jendela utama SPSS.
Dan selanjutnya lihatlah outputnya.

Cara Baca Uji Multikolinearitas SPSS :

Berikut kami jelaskan cara baca uji multikolinearitas dengan SPSS atau yang
lebih tepatnya kita beriistilah interprestasi. Silahkan buka output anda!

Tabel Coefficient Regresi

Pada tabel korelasi menunjukkan hasil analisis interkorelasi antara variable

bebas yang ditandai dengan nilai koefisien korelasi pearson. Dalam hal ini di
dalam Output SPSS dapat anda lihat pada persilangan antar variable bebas.
Misalnya dalam tutorial ini, hasil korelasi antara variable bebas X1 dengan
X2 adalah sebesar r = 0,368. Karena nilai 0,368 tersebut kurang dari 0,8
maka gejala multikolinearitas tidak terdeteksi. Selanjutnya akan kita pastikan
dengan melihat cara deteksi multikolinearitas lainnya, yaitu berdasarkan nilai
standar error dan koefisien beta regresiparsial. Lihat di bawah ini:

ix
 Standar Error Uji Multikolinearitas

Dalam tabel coefficient dapat anda perhatikan bahwa nilai standar error
kurang dari satu, yaitu X1 = 0,121 dan X2 = 0,118 dimana keduanya kurang
dari satu. Serta nilai koefisien beta juga kurang dari satu dimana X1 = 0,624
dan X2 = 0,407. Maka dapat dikatakan bahwa nilai standar error rendah dan
multikolinearitas tidak terdeteksi. Selanjutnya pastikan lagi dengan nilai
rentang upper dan lowerbound confidence interval, apakah lebar atau
sempit. Berikut hasilnya:

VIF dan Tolerance Uji Multikolinearitas

Perhatikan pada tabel coefficient di atas, bahwa nilai rentangnya sempit,

yaitu pada X1 = 0,865 sampai dengan 1,156. Sedangkan pada X2 juga
kebetulan hasilnya sama yaitu X2 = 0,865 sampai dengan 1,156. Karena
rentangnya sempit maka multikolinearitas tidak terdeteksi.

Deteksi Multikolinearitas dengan Nilai VIF dan Tolerance Dalam Regresi

Pada tabel yang sama di atas sebagai hasil uji regresi linear, perhatikan nilai
VIF dan Tolerance. Kedua ini adalah indikasi kuat yang sering dipakai oleh
para peneliti untuk menyimpulkan fenomena terjadinya interkorelasi variable
bebas. Jika nilai VIF kurang dari 10 dan atau nilai Tolerance lebih dari 0,01
maka dapat disimpulkan dengan tegas bahwa tidak terdapat masalah

x
 multikolinearitas. Dan sebaliknya maka dapat disimpulkan dengan tegas pula
bahwa multikolinearitas telah terjadi dalam model. Selanjutnya yang terakhir
di dalam output proses yang sudahkitalakukan, kitaperhatikannilaidari
collinearity diagnostics seperti di bawahini :

Collinearity Diagnostics SPSS

Deteksi Multikolinearitas dengan Eigenvalue dan Condition Index

Pada tabel collinearity diagnostics di atas sebagai hasil uji regresi linear, kita
perhatikan juga nilai eigenvalue dan condition index. Jika Eigenvalue lebih
dari 0,01 dan atau Condition Index kurang dari 30, maka berdasarkan
eigenvalue dan condition index, dapat disimpulkan bahwa gejala
multikolinearitas terjadi di dalam model regresi. Dalam tutorial SPSS ini, nilai
eigenvalue 0,002 < 0,01 dan collinearity diagnostics 40,458 dimana lebih dari
30.

D. SOAL LATIHAN DAN PEMBAHASAN

1. Apa dasar multikolinieritas?

Pembahasan :
Multikolinieritas adalah suatu kondis idimana terjadi korelasi yang kuat
diantara variabel-variabel bebas (X) yang diikutsertakan dalam
pembentukan model regresi linier. Jelas bahwa multikolinieritas adalah
suatu kondisi yang menyalahi asumsi regresi linier.

2. Metode apa saja yang dapat digunakan untuk menguji multikolinearitas

pada analisis regresi?
Pembahasan :

xi
 Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu
1) Dengan melihat nilai inflation factor (VIF) pada model regresi,
2) Dengan membandingkan nilai koefisiendeterminasi individual (r2)
dengan nilai determinasi secara serentak (R2), dan
3) Dengan melihat nilai eigen value dan condition index.

3. Kapan uji multikolinearitas digunakan ?

Pembahasan :
Uji multikolinearitas digunakan pada saat adanya hubungan linear antar
variable independent dalam model regresi. Prasyarat yang harus
terpenuhi dalam model regresi adalah tidak adanya multikolinearitas.

4. Apaitu VIF dalam uji multikolinearitas?

Pembahasan :
Multikolinearitas terjadi jika nilai VIF lebih dari 10
(Sarwoko dalam Zaenuddin, 2015). VIF merupakan suatu cara
mendeteksi multikolinearitas dengan melihat sejauh mana sebuah
variabel penjelas atau variabel lainnya di dalam persamaan regresi.

5. Bagaimana cara mengatasi masalah multikolinieritas dengan

menggunakan stepwise regression?
Pembahasan :
Metode eliminasi langkah mundur mulai dengan regresi terbesar
dengan menggunakan semua perubah, dan secara bertahap
mengurangi banyaknya perubah didalam persamaan sampai suatu
keputusan dicapai untuk menggunakan persamaan yang diperoleh.
Prosedur seleksi bertatar berusaha mencapai kesimpulan yang serupa
namun dengan menempuh arah yang berlawanan, yaitu menyusupkan
peubah satu demi satu sampai diperoleh persamaan regresi yang
memuaskan. Urutan penyisipannya ditentukan dengan menggunakan
koefisian korelasi parsial sebagai ukuran pentingnya peubah yang masih
diluar persamaan. Prosedur ini merupakan salah satu prosedur terbaik
untuk menyeleksi peubah. Prosedur ini lebih menghemat waktu-

xii
 komputer dibandingkan metode –metode yang lainnya dan juga
mencegah kita memasukkan lebih banyak peubah x dari pada yang
diperlukan sambil memperbaiki persamaannya pada setiap tahap.

E. PENILAIAN DIRI
Jawablah pertanyaan-pertanyaan berikut dengan jujur dan
bertanggungjawab dengan melakukan ceklis!

Jawaban
No Pertanyaan
Ya Tidak

1 Apakah Anda dapat menyebutkan dan menjelaskan

tentang tujuan digunakan uji multikolinieritas dalam
penelitian?

2 Apakah Anda dapat melakukan penghitungan uji

normalitas dengan SPSS ?

3 Apakah Anda dapat melakukan pengujian hipotesis?

4 Apakah Anda dapat mengetahui penyebab dari

multikolinieritas ?

5 Apakah Anda dapat mengetahui cara mengatasi dampak

dari multikolinieritas ?

F. DAFTAR PUSTAKA

Angrita Denziana Indrayenti Ferdinan Fatah (Universitas Bandar Lampung),

CORPORATE FINANCIAL PERFORMANCE EFFECTS OF MACRO
ECONOMIC FACTORS AGAINST STOCK RETURN, JURNAL Akuntansi &
Keuangan Vol. 5, No. 2, September 2014

Niken Nanincova Program Manajemen Bisnis, Program Studi Manajemen,

Fakultas Bisnis dan Ekonomi, PENGARUH KUALITAS LAYANAN
TERHADAP KEPUASAN PELANGGAN NOACH CAFE AND BISTRO,
Universitas Kristen Petra Jl. Siwalan kerto 121-131, Surabaya

xiii
 PERTEMUAN 8:
UJI HETEROSKEDASTISITAS

A. TUJUAN PEMBELAJARAN
Setelah mempelajari materi ini, diharapkan mampu:
1. Menjelaskan pengertian dan tujuan uji heteroskeastisitas
2. Mengetahui penyebabnya
3. Mengetahui cara mendeteksinya

B. URAIAN MATERI
Tujuan Pembelajaran 1.1:
Pengertian Uji Heteroskeastisitas
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.
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.

Tujuan Pembelajaran 1.2:

Tujuan Uji Heteroskeastisitas

Uji heteroskedastisitas digunakan untuk mengetahui ada atau

tidaknya penyimpangan asumsi klasik. Heteroskedastisitas yaitu adanya
ketidaksamaan varian dari residual untuk semua pengamatan pada model
regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak
adanya gejala heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke
pengamatan yang lain. Jika varian dari residual satu pengamatan ke
pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika
berbeda akan disebut heteroskedastisitas. Model regresi yang baik adalah
model yang tidak terjadi heteroskedastisitas (Ghozali, 2013).

xiv
 Tujuan Pembelajaran 1.3:
Metode Deteksi Uji Heteroskeastisitas

Untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilakukan

dengan berbagai cara seperti :
a. Uji Grafik
Metode ini memeriksa pola residual (\(\widehat {u}^{2}_{i}\))
terhadap estimasi \(Y_{i}\left( \widehat{Y}_{i}\right)\). Langkah pertama
yang harus dilakukan adalah membuat persamaan regresi, setelah itu
dilakukan estimasi untuk mendapatkan nilai \(\widehat{Y}_{i}\) dan
kemudian menghitung \(\widehat{u}^2_{i}\)  dengan rumus:
\(\widehat{u}^2_{i}=(Y_{i}-\widehat{Y}_{i})^2\)
Kemudian buat plot antara \(\widehat{u}^2_{i}\) dan \(\widehat{Y}_{i}\) .
Heterosekdastis akan terdeteksi bila plot menunjukan pola yang
sistematis

b. Uji Park,
Prinsip yang digunakan dalam uji Park sebenarnya tidak jauh
berbeda dengan metode grafik yang telah dijelaskan diatas. Bedanya,
uji Park memanfaatkan bentuk regresi untuk melihat adanya
heteroskedastisitas.

c. Uji Glejser,
Pengujian dilakukan dengan Uji Glejser yaitu uji hipotesis untuk
mengetahui apakah sebuah model regresi memiliki indikasi
heterokedastisitas dengan cara meregres absolud residual. Dasar
pengambilan keputusan menggunakan uji glejser adalah:
a. Jika nilai signifikansi > 0.05 maka data tidak terjadi
heteroskedastisitas.
b. Jika nilai signifikansi < 0.05 maka data terjadi heteroskedastisitas.
c. Uji Spearman’s Rank Correlation,
Uji Spearman dilakukan dengan cara mengkorelasikan nilai absolut
residual dengan masing-masing variabel independen (x1, x2 dan x3).
Kriteria pengujian :
1. Ho: Tidak ada gejala heteroskedastisitas

xv
 2. Ha: Ada gejala heteroskedastisitas

3. Ho diterima apabila nilai p value atau signifikansi > 0,05

Tujuan Pembelajaran 1.4:

Dampak Uji Hrteroskeatisitas

Dampak penyakit heteroskedastisitas

Sebetulnya heteroskedastisitas ini tidak menyebabkan estimasi
koefisien regresi pada metode ols (ordinary least square) menjadi bias. Kita
tentunya masih dapat menggunakan model regresi dengan baik. Namun,
heteroskedastisitas ini akan berpengaruh kepada penaksiran standar error
yang bias. penaksiran standar error yang bias tentu akan menyebabkan
nilai t hitung menjadi bias. t hitung yang bias tentu akan menyebabkan
pengambilan keputusan melalui pengujian hipotesis menjadi bias juga. Kita
dapat menjadi salah dalam mengambil kesimpulan, walaupun modelnya
tetap benar.

C. TUTORIAL SPSS/EVIEWS
1. Menguji Heteroskedastisitas dengan Grafik Scatterplot SPSS
Untuk melakukan uji heteroskedastisitas SPSS Scatterplot, data-data
harus dirapikan terlebih dahulu melalui “Data View” dengan memasukkan
data penelitian sesuai variabelnya. Proses input data ini bisa dilakukan
manual (langsung di lembar kerja SPSS) atau copy-paste dari file excel.
Kalau sudah, ikuti langkah-langkah berikut:
1. Langkah Analisis Pertama. 
Klik menu “Analyze”, lalu klik “Regression”, dan pilih “Linear”. Setelah itu
akan keluar jendela “Linear Regression”, kemudian masukkan variabel-
variabel berdasarkan kategorinya, yakni dependent atau independent.
2. Melakukan PLOTS. 
Sebelum meng-klik tombol “Plots”, pastikan tulisan pada kotak “Method”
adalah “Enter”. Saat tombol “Plots” di-klik, maka akan muncul jendela
“Linear Regression: Plots”. Di sana ada tulisan *SRESID untuk ditaruh ke
kotak Y dan tulisan *ZPRED taruh di kotak X. Sisanya abaikan saja dan
bisa langsung klik “Continue”.
3. Tutup Untuk Melihat Hasil. 

xvi
 Semuanya sudah ter-setting dengan baik dan kini saatnya melihat hasil.
Klik “OK” untuk menutup jendela dan melihat output dari pengujian yang
dilakukan. Hasil yang disuguhkan berupa grafik dengan titik-titik, ada
yang menyebar dan ada juga yang berkumpul di sisi tertentu.

2. Cara menguji Heteroskedastisitas data dengan Metode Park

a. buka spss
b. input data yang digunakan
c. klik analyze, regression, linear
d. masukan Y ke dalam kotak dependen variabel, dan X1 X2 ke dalam
kotak independen variabel
e. klik save => pada kotak residual pilih unstandarized => continue =>
ok

f. Abaikan hasil outputnya, kemudian pilih menu Tranform => compute

Variable

xvii
xviii
 g. pada "target variable" isi dengan "ABSResid"

h. pada kotak "Numeric Expression" isi dengan ABS(RES_1) => ok

i. selanjutnya kita akan mengulangi langkah 3 dan 4

3. Langkah Uji Heteroskedastisitas dengan Uji Glejser menggunakan

SPSS
1. Setelah data import indonesia.sav yang akan di uji Glejser sudah
terbuka pada program SPSS, klik Variable View. Pastikan bahwa
variabel dependent dan independent bertipe numerik
(Measure=Scale)

xix
2. Langkah berikutnya adalah membuat persamaan regresi dari
variabel penelitian dan memunculkan variabel baru yakni
variabel Unstandardized residual atau RES_1.
Caranya adalah, masuk Data View, dari menu SPSS
pilih Analyze  → Regression → Linier…

3. Akan muncul kotak dialog dengan nama “Linear

Regression” selanjutnya masukkan variabel Nilai Import (Y) ke kolom
Dependent: lalu masukkan variabel Indek Harga (X1) dan GNP
(X2) ke kolom Independent(s). Setelah itu klik Save…

4. Akan muncul kotak dialog dengan nama “Linear Regression:

Save”, selanjutnya pada bagian “Residuals”, berikan tanda centang
(v) pada Unstandardized. Dengan mengabaikan pilihan lain,
klik Continue

xx
5. Selanjutnya klik Ok (abaikan output SPSS yang muncul), buka Data
View maka pada Data View akan bertambah variabel baru dengan
nama RES_1

6. Langkah berikutnya adalah membuat variabel absolute dari

residual Abs_RES yang akan digunakan sebagai dependent variabel
dalam uji Glejser. Caranya, dari menu utama SPSS pilih Transform,
kemudian klik Compute Variabl

xxi
7. Selanjutnya pada kotak dialog “Compute Variable” yang muncul,
pada kotak “Target Variable” tuliskan Abs_RES lalu pada
kotak “Numeric Expression” ketikan ABS(RES_1)

8. Klik Ok (abaikan output SPSS yang muncul), pada Data View akan

ada variabel baru dengan nama Abs_RES

xxii
9. Berikutnya adalah melakukan uji Glejser untuk persamaan
regresi Indek Harga (X1) dan GNP (X2) terhadap variabel Absolute
residual atau Abs_RES. Caranya dari menu utama SPSS
pilih Analyze  → Regression →Linier…

10. Pada kotak dialog “Linear Regression” yang muncul, keluarkan

variabel Nilai Import (Y) yang terdapat pada kolom Dependent, ganti
dengan variabel Abs_RES

xxiii
11. Langkah terakhir adalah klik Ok. Pada Output SPSS akan ada hasil
yang akan diinterpretasikan.
Buka SPSS kemudian pilih “File” lalu “Open” kemudian pilih “Data”

 Pilih lokasi di mana data disimpan, jangan lupa ubah format

pencarian dari “sav” menjadi “Excel”. Kemudian pilih file yang
akan digunakan.

Setelah berhasil diimpor maka hasilnya akan seperti gambar di

bawah ini

xxiv
D. SOAL LATIHAN DAN PEMBAHASAN
1. Mengapa dilakukan deteksi heteroskedastisitas?
Jawab :
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke
pengamatan yang lain
2. Bagaimana cara mendeteksi masalah heteroskedastisitas?
Jawab :
Secara umum ada dua cara mendeteksi masalah
heteroskedastisitas. Cara pertama adalah dengan menggunakan grafik
walaupun kesimpulannya bersifat subjektif. Cara lain adalah dengan
menggunakan uji statistik seperti uji Park, uji Goldfeld-Quandt, uji
Glejser, uji korelasi rank dari Spearman.
3. Apa akibat jika ada masalah heteroskedastisitas?
Jawab :
Konsekuensi dari terjadi heteroskedastisitas dapat mengakibatkan
penduga OLS yang diperoleh tetap memenuhi persyaratan tak bias,
tetapi varian yang diperoleh menjadi tidak efisien, artinya varian
cenderung membesar sehingga tidak lagi merupakan varian yang kecil.
4. kapan tidak terjadi heteroskedastisitas jelaskan?
Jawab :
Apabila tidak terdapat pola tertentu dan tidak menyebar diatas maupun
dibawah angka nol pada sumbu y, maka dapat disimpulkan tidak terjadi
heteroskedastisitas
5. Langkah Uji heteroskedastisitas dengan Scatterplot?
Jawab :
1. Langkah Analisis Pertama. Klik menu “Analyze”, lalu klik
“Regression”, dan pilih “Linear”. Setelah itu akan keluar jendela
“Linear Regression”, kemudian masukkan variabel-variabel
berdasarkan kategorinya, yakni dependent atau independent.
2. Melakukan PLOTS. Sebelum meng-klik tombol “Plots”, pastikan
tulisan pada kotak “Method” adalah “Enter”. Saat tombol “Plots” di-

xxv
 klik, maka akan muncul jendela “Linear Regression: Plots”. Di sana
ada tulisan *SRESID untuk ditaruh ke kotak Y dan tulisan *ZPRED
taruh di kotak X. Sisanya abaikan saja dan bisa langsung klik
“Continue”.
3. Tutup Untuk Melihat Hasil. Semuanya sudah ter-setting dengan
baik dan kini saatnya melihat hasil. Klik “OK” untuk menutup jendela
dan melihat output dari pengujian yang dilakukan. Hasil yang
disuguhkan berupa grafik dengan titik-titik, ada yang menyebar dan
ada juga yang berkumpul di sisi tertentu.

E. PENILAIAN DIRI

Jawaban
No Pertanyaan
Ya Tidak
1 Apakah Anda dapat menyebutkan dan menjelaskan
tentang jenis-jenis pengujian uji heteroskedastisitas?
2 Apakah Anda dapat melakukan penghitungan uji
heteroskedastisitas dengan berbagai uji penektesian?
3 Apakah Anda dapat melakukan pengujian
heteroskedastisita ?

F. DAFTAR PUSTAKA
http://fe.unisma.ac.id/MATERI%20AJAR
%20DOSEN/EKOMETRIK/AriRiz/MA%20Uji%20Heterokedastisitas.pdf

http://repository.upiyai.ac.id/680/1/Cover%2C%20Lembar%20Pengesahan
%2C%20Bab%201%2C2%2C3%2C4%2C5.pd
.
https://www.statistikian.com/2013/01/uji-heteroskedastisitas.html

https://gamastatistika.com/2020/09/03/langkah-langkah-uji-
heteroskedastisitas-spss-scatterplot-dan-cara-baca-hasilnya/

https://maglearning.id/2021/01/25/korelasi-data-ordinal-rank-spearman-
menggunakan-spss/

xxvi
 PERTEMUAN 9:
UJI AUTOKORELASI

A. TUJUAN PEMBELAJARAN
Setelah mempelajari materi ini, diharapkan mampu:
1. Menjelaskan pengertian dan tujuan uji autokorelasi
2. Mengetahui sebab akibatnya
3. Mengetahui cara mendeteksinya

B. URAIAN MATERI
Tujuan Pembelajaran 1.1:
Pengertian Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam suatu
model regresi linier terdapat korelasi antara pengganggu pada periode t
dengan kesalahan pada periode t-1 (sebelumnya) (Ghozali, 2013).
Autokorelasi muncul akibat observasi yang berurutan sepanjang waktu
berkaitan satu sama lain. Masalah ini timbul karena residual tidak bebas
dari satu observasi ke observasi lainnya. Untuk data time series
autokorelasi sering terjadi. Tapi untuk data sampelnya crossection jarang
terjadi karena variabel pengganggu satu berbeda dengan yang lain. Cara
mendeteksi Autokorelasi dapat dilakukan dengan 2 cara yakni Uji Durbin-
Watson dan Run test.

Tujuan Pembelajaran 1.2:

Tujuan Uji Autokorelasi
Seperti yang telah kamu ketahui, non-autokorelasi atau independen
merupakan asumsi yang penting dalam analisis regresi. Residual antara
observasi ke-(t) dengan observasi ke-(t-1) perlu bersifat independen atau
tidak saling memengaruhi. Autokorelasi perlu diidentifikasi karena dapat
memengaruhi validitas dalam analisis regresi. Informasi terkait ada atau
tidaknya kasus autokorelasi dapat mengarahkanmu dalam memilih analisis
statistik yang lebih tepat sehingga dapat meningkatkan prediksi dan
validitas analisismu.

xxvii
 Menurut Box & Jenkins (1976), uji autokorelasi dapat digunakan untuk dua tujuan
tertentu, yakni mendeteksi data yang tidak tersebar secara acak dan mengidentifikasi
model deret waktu yang sesuai.

Tujuan Pembelajaran 1.2:

Sebab Akibat Uji Autokorelasi
Sebab-Sebab Autokorelasi
a. Kesalahan dalam pembentukan model (linier – non linier)
b. Tidak memasukan variabel yang penting Manipulasi data yang tidak
teliti
c. Menggunakan data yang tidak empiris (data tidak berdasarkan
observasi)
Akibat Autokorelasi
a. Varians tidak minimum atau BLUE (Best Linear Unbiased Estimator)
b. Estimasi standart error dan varian koefesien dan varian koefesien
regresi yang didapat akan “underestimate”
c. Pemeriksaan terhadap residualnya akan menemui permasalahan
d. Autokorelsi yang kuat dapat pula menyebabkan dua variabel yang
tidak berhubungan menjadi berhubungan. Biasa disebut spourious
regression (dapat dilihat dari 𝑅 2 )
e. Pengujian arti t dan F tidak lagi valid sehingga menghasilkan
kesimpulan yang tidak valid
f. Memberikan gambaran yang menyimpang dari nilai populasi
sebenarnya
Tujuan Pembelajaran 1.2:
Cara Meneteksi Uji Autokorelasi

1. Uji Durbin Watson

Uji Durbin Watson adalah salah satu uji autokorelasi yang menilai
adanya autokorelasi pada residual,
Uji ini dilakukan dengan asumsi :
a. model regresi harus menyertakan konstanta
b. autokorelassi harus diasumsikan sebagai autokorelasi first order
c. variabel dependen bukan merupakan variabel lag

xxviii
 Autokorelasi first order adalah korelasi antara sampel ke i – 1
Dasar Pengambilan Keputusan Metode pengujian Durbin-Watson (uji
DW) dengan ketentuan sebagai berikut:
1) Jika nilai durbin-watson lebih kecil dari dL atau lebih besar dari (4- dL)
maka terdapat autokorelasi.
2) Jika nilai durbin-watson terletak antara dU dan (4-dU), maka tidak ada
autokorelasi.
3) Jika nilai durbin-watson terletak antara dL dan dU atau diantara (4-
dU) dan (4-dL), maka tidak menghasilkan kesimpulan yang pasti.
2. Uji Run test Analisis Run Test
Uji Run test Analisis Run Test termasuk dalam statistik
nonparametrik. Uji ini digunakan untuk menguji pada kasus satu sampel.
Sampel yang diambil dari populasi, apakah sampel yang diambil berasal
dari sampel acak atau bukan. Pengujian ini untuk kasus satu sampel.
Prosedur pengujian dilakukan dengan mengurutkan data sampel dan
mencari letak nilai mediannya. Jika dalam pengolahan data dan
mengujikan uji autokorelasi menggunakan uji DW tidak lolos uji, maka
alternatifnya bisa menggunakan uji run test ini. Dasar keputusan dalam
Uji run test yakni:
a. Jika nilai Asymp. Sig (2-tailed) < 0,05 maka terdapat gejala
Autokorelasi
b. Jika nilai Asymp. Sig (2-tailed) > 0,05 maka tidak terdapat gejala
Autokorelasi
C. TUTORIAL SPSS/EVIEWS
1. Uji Durbin Watson
Langkah-langkan uji DW pada SPSS adalah sebagai berikut, silahkan
siapkan data anda pada excel kemudian copy ke aplikasi SPSS, atau
langsung siapkan data yang siap di olah pada SPSS, kemudian ikuti
langkahnya dengan :
1. Analyze > Regression > Linear
2. Input variabel independent (X) pada kolom independent dan variabel
dependent (Y) pada kolom dependent (Y), kemudian klik Statistics

xxix
 3. Pada kotak Linear Regression : Statistics beri tanda centang (V)
pada Durbin-Watson) > Continue > OK
4. Hasil Output SPSS
2. Uji Run Test Untuk uji run test
Uji Run Test Untuk uji run test, silahkan siapkan data anda, kemudian
ikuti langkah-langkah berikut dengan :

1. Analyze > Regression > Linear

2. Input variabel independent (X) pada kolom independent dan variabel
dependent (Y ) pada kolom dependent (Y), kemudian klik Save
3. Pada kotak Linear Regression : Save beri tanda centang (V)
Unstandardized pada residuals > Continue > OK
4. Analyze > Nonparametric Test > Legacy Dialogs > Runs
5. Pada kotak Runs Test masukan variabel Unstandardized Residual
ke kota Test Variabel List beri tanda centang (V) pada Median di
bagian Cut Point > OK
6. Hasil Output SPSS Runs T

D. SOAL LATIHAN DAN PEMBAHASAN

1. Bagaimana untuk mendeteksi autokorelasi?
Jawab:
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model
regresi linear ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi,
maka dinamakan ada problem autokorelasi.

2. Apakah ada korelasi autokorelasi?

Jawab:
Model regresi pada penelitian di Bursa Efek Indonesia di mana
periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.
Untuk mendeteksi terdapat atau tidaknya autokorelasi adalah dengan
melakukan : Uji Run Test.

xxx
 3. Apakah kita tetap menerapkan OLS dalam autokorelasi?
Jawab:

Jika kita tetap menerapkan OLS dalam situasi autokorelasi, konsekuensi

berikut yang akan terjadi. Selang keyakinannya (dalam pengujian
hipotesis) akan menjadi lebar secara tak perlu dan pengujian arti
(signifikansi) kurang kuat.

4. Apakah autokorelasi merupakan serial korelasi?

Jawab:
Menurut Tintner definisi autokorelasi yaitu “korelasi ketinggalan waktu
( lag correlation) suatu deret tertentu dengan dirinya sendiri, tertinggal
oleh sejumlah unit waktu”. Sedangkan serial korelasi didefinisikan
sebagai “korelasi ketinggalan waktu ( lag correlation) antara dua seri
yang berbeda”
5. Apa tujuan uji autokorelasi?
Jawab:
Apa tujuannya uji autokorelasi? Uji autokorelasi ditujukan untuk melihat
apakah observasi pada tahun t dipengaruhi oleh tahun sebelumnya (t-1).
Sebagai contoh dengan menggunakan data saya, maka analoginya
apakah data tahun 2012 mendapatkan pengaruh dari tahun 2011? Inilah
yang coba dijawab oleh uji autokorelasi.

E. PENILAIAN DIRI

Jawaban
No Pertanyaan
Ya Tidak
1 Apakah Anda dapat mengetahui apa itu uji
autokorelasi?
2 Apakah Anda dapat mengetahui penyebab dari
autokorelasi?
3 Apakah Anda dapat melakukan pengujian
autokorelasi?

F. DAFTAR PUSTAKA
Gujarati, Damodar (1995). Basic Econometrics. (3rd edition ed.).

xxxi
New York: Mc-Graw Hill, Inc. Kuncoro, Mudrajad (2000),

Metode Kuantitatif, Edisi Pertama, Yogyakarta: Penerbit AMP YKPN.

Santoso, Singgih (2000).

Buku Latihan SPSS Statistik Parametrik. Jakarta: PT Elex Media

Komputindo.

Widarjono, Agus (2005), Ekonometrika: Teori dan Aplikasi, Yogyakarta:

Ekonisia

xxxii