BAB IX

ANALISIS REGRESI LINEAR BERGANDA DENGAN ASUMSI KLASIK

BAGIAN 2 (UJI HETEROSKEDASTISITAS DAN UJI NORMALITAS)
Oleh: Guruh Fajar Alamsyah, M.M.

1. Uji Heteroskedastisitas
Uji HETEROSKEDASTISITAS bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Jika variance dari residual
satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda maka
disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi
heteroskedastisitas. Kebanyakan data yang bersifat silang waktu (crossection) mengandung situasi
heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang dan
besar). Ada beberapa pengujian/cara untuk mendeteksi ada atau tidaknya heteroskedastisitas:
a. Grafik Plot
melihat grafik plot antara nilai prediksi variable terikat (dependen) yaitu ZPRED dengan
residualnya yaitu SRESID. Deteksi ada atau tidaknya pola tertentu pada grafik scatterplot antara
SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual
(Y prediksi – Y sesungguhnya) yang telah di unstandardized. Dasar analisisnya adalah (1) jika
ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit) maka mengindikasikan telah terjadi
heteroskedastisitas, dan (2) jika tidak ada pola yang jelas, serta titik-titik menyebar di atas
dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Untuk
menggambarkan hal ini, mari kita praktikkan di SPSS dengan menggunakan data Crossect.xls,
kita harus masuk ke regresi linear untuk membuktikan hal ini. Langkah analisis:
 Masuk ke Analyze -> Regression -> Linear
 Lakukan regresi linear berganda seperti biasa
 Tekan tombol Plots, kemudian masukkan variable SRESID pada kotak Y dan masukkan
variable ZPRED pada kotak X

1
  Tekan Continue dan abaikan yang lain, kemudian klik OK
 Hasil output SPSS:

Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak baik di atas maupun
di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi, sehingga model regresi layak untuk dipakai. Akan
tetapi, grafik plot memiliki kelemahan yang cukup signifikan dikarenakan jumlah
pengamatan mempengaruhi hasil plotting. Semakin sedikit jumlah pengamatan (jumlah
sampel), semakin sulit menginterpretasikan hasil grafik plot.

b. Uji Park
Cara melakukan uji park di SPSS adalah sebagai berikut:
 Lakukan regresi linear berganda seperti biasa dengan persamaan INCOME =
f(SIZE,EARNS,WEALTH,SAVING)
 Dapatkan variable residual (Ui) dengan cara memilih tombol Save, kemudian pilih/centang
Unstandarized Residual. Kemudian klik Continue lalu pilih OK. Abaikan sementara hasil
output SPSS.
 Kemudian kuadratkan nilai residual yang baru kita buat dengan masuk ke menu Transform
-> Compute Variable. Kita buat symbol di SPSS dengan pernyataan U2i. Lihat gambar di
bawah:

2
 Kemudian hitung logaritma natural dari residual yang sudah kita kuadratkan tadi. Untuk
logartima natural dari residual, kita buat lambang LnU2i. Masuk ke menu Transform ->
Compute Variable kemudian klik OK jika sudah selesai transform. Lihat gambar di bawah:

 Kemudian lakukan regresi linear berganda dengan mengganti variable terikat (INCOME)
dengan variable LnU2i, untuk variable independen tetap seperti semula.

 Masuk ke Save, kemudian hilangkan centang Unstandarized Residuals, klik Continue lalu
klik OK.
 Output SPSS:

Coefficientsa

Model Unstandardized Coefficients Standardized Coefficients t Sig.

B Std. Error Beta

(Constant) 1.025 .660 1.552 .124

SIZE -.173 .129 -.137 -1.343 .183

1 EARNS -.001 .053

3 -.002 -.015 .988

WEALTH .016 .015 .143 1.085 .281

SAVING -.021 .049 -.047 -.417 .678

a. Dependent Variable: LnU2i

 Apabila koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistic,
hal ini menunjukkan bahwa dalam model regresi terdapat HETEROSKEDASTISITAS, dan
sebaliknya jika parameter beta menunjukkan hasil yang tidak signifikan (probabilitas > 0,05),
maka dapat disimpulkan bahwa tidak terjadi HETEROSKEDASTISITAS pada model regresi. Dari
contoh di atas, setelah dilakukan uji heteroskedastisitas dengan metode uji park, dapat
diketahui bahwa semua nilai probabilitas (Sig) dari semua koefisien parameter beta
menunjukkan hasil yang tidak signfikikan (probabilitas > 0,05), sehingga dapat disimpulkan
bahwa dalam model regresi ini bebas dari heteroskedastisitas.

c. Uji Glejser
Sama seperti uji Park, Uji Glejser mengusulkan untuk meregres nilai absolut residual terhadap
variable independen (Gujarati, 2003). Cara melakukan uji heteroskedastisitas dengan metode
Glejser dengan SPSS adalah sebagai berikut;
 Lakukan regresi linear berganda biasa (sama seperti langkah pertama pada uji park) dengan
persamaan INCOME = f(SIZE,EARNS,WEALTH,SAVING), kemudian abaikan hasil/output SPSS.
 Dapatkan variable residual (Ut) dengan cara memilih tombol SAVE, kemudian
aktifkan/centang UNSTANDARIZED RESIDUALS
 Absolutkan nilai residual (AbsUt) dengan menu transform dan compute

 Kemudian klik OK

4
  Regresikan variable (AbsUt) sebagai variable dependen dan variable SIZE, EARNS, WEALTH,
SAVING sebagai variable independen. Kemudian pilih SAVE, hilangkan centang
UNSTANDARIZED RESIDUALS. Klik Continue, lalu klik OK
 Output SPSS:
Coefficientsa

Model Unstandardized Coefficients Standardized Coefficients t Sig.

B Std. Error Beta

(Constant) 2.135 .568 3.761 .000

SIZE -.077 .111 -.070 -.692 .491

1 EARNS -.041 .045 -.130 -.908 .366

WEALTH .024 .013 .247 1.880 .063

SAVING -.007 .042 -.018 -.154 .878

a. Dependent Variable: AbsUt

Untuk mengetahui apakah model regresi terjadi heteroskedastisitas atau tidak, tinggal kita lihat
pada nilai probabilitas (Sig), jika di atas 0,05 (probabilitas > 0,05) maka dapat disimpulkan model
regresi bebas dari heteroskedastisitas. Dari model regresi diatas, terlihat bahwa semua nilai
probabilitas (Sig) berada di atas 0,05 (probabilitas > 0,05), jadi dapat disimpulkan bahwa model
regresi bebas dari heteroskedastisitas.

2. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variable pengganggu atau
residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan uji F mengasumsikan
bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistic
menjadi tidak valid, terutama untuk jumlah sampel yang kecil. Ada du acara untuk mendeteksi
apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistic.
a. Analisis Grafik
Cara analisisnya di SPSS adalah sebagai berikut:
 Lakukan regresi dengan persamaan INCOME = f(SIZE,EARNS,WEALTH,SAVING)
 Lanjutkan dengan menekan tombol Plots,kemudian centang Histogram & Normal
Probability Plots, seperti pada gambar di bawah:

5
 Klik Continue dan abaikan lainnya, kemudian
pilih OK
 Output SPSS

6
Dengan melihat tampilan grafik histogram maupun grafik normal plot, dapat disimpulkan bahwa
grafik histogram memberikan pola distribusi yang menceng (skewness) ke kiri dan tidak normal.
Sedangkan pada grafik normal plot, terlihat titik-titik menyebar di sekitar garis diagonal, serta
penyebarannya agak menjauh dari garis diagonal, sehingga dapat dikatakan bahwa dengan
normal plot pun data dapat disimpulkan tidak berdistribusi secara normal. Jika hal ini terjadi,
maka harus kita lakukan transform data dengan menggunakan rumus SQRT (dikarenakan
kemencengan kurva pada grafik histogram menceng ke kiri), kemudian lakukan lagi uji
normalitas dengan grafik. Silahkan pelajari kembali BAB 2 untuk masalah normalitas.

Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu
diagonal dari grafik normal plot atau melihat histogram dari residualnya. Dasar pengambilan
keputusan:

 Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik
histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi
normalitas.
 Jika data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal
atau grafik histogramnya tidak menunjukkan pola distribusi normal, maka model regresi
tidak memenuhi asumsi normalitas

b. Uji Statistik
Pada dasarnya uji statistic normalitas yang kita pakai dalam bab ini sama dengan yang ada di
bab 2, namun kita titik fokuskan hanya pada uji statistic normalitas dengan menggunakan
Kolgomorv-Smirnov. Langkah analisis:
 Dari menu utama SPSS, pilih Analyze -> Non-Parametric Test -> Legacy Dialogs -> 1 Sample
KS
 Pada kotak test variable list, isikan variable unstandardized residual dan aktifkan test
Distribution pada kotak Normal. Lihat gambar di bawah:

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 100
 Mean 0E-7 Kemudian klik OK
 Ouput Normal Parameters a,b
SPSS:
Std. Deviation 2.40614098
Absolute .186
Most Extreme Differences Positive .186
Negative -.124
Kolmogorov-Smirnov Z 7 1.861
Asymp. Sig. (2-tailed) .002

a. Test distribution is Normal.

b. Calculated from data.
Dari hasil uji Kolgomorv-Smirnov, diketahui nilai testnya adalah 1,861 sedangkan nilai
probabilitasnya (Sig) sebesar 0,002, nilai probabilitas ini jauh di bawah standar 5% (0,05)
(0,002<0,05), jadi dapat disimpulkan bahwa dalam model regresi ini, data residual tidak
terdistribusi secara normal, sehingga model regresi menyalahi asumsi normalitas data.

UNTUK MENGATASI DISTRIBUSI DATA YANG TIDAK NORMAL, SILAHKAN BUKA KEMBALI BAB
2. JADI, PADA BAB INI TIDAK PERLU DIBAHAS KEMBALI BAGAIMANA PERLAKUAN UNTUK
DATA YANG TIDAK NORMAL.

Bersambung ~