MAKALAH

MENGATASI DATA YANG MENGALAMI PENYIMPANGAN ASUMSI KLASIK

Disusun untuk memenuhi salah satu tugas matakuliah Statistika Terapan

Dosen Pengampu Bapak Rendra Gumilar., S.Pd., M.Pd.

Disusun Oleh:

1. Sindiani 202165009
2. Rezya Marsanda Aprilia 202165019
3. Ade Nurul Hasanah 202165031

PROGRAM STUDI PENDIDIKAN EKONOMI

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SILIWANGI
2021
 KATA PENGANTAR

Puji serta syukur kami panjatkan kepada Allah SWT yang telah memberikan nikmat dan
karunia-Nya kepada kami sehingga bisa menyelesaikan Makalah yang berjudul “Mengatasi Data
yang Mengalami Penyimpangan Asumsi Klasik” dengan lancar tanpa hambatan apapun dan tepat
pada waktunya. Kami mengucapkan terima kasih kepada Bapak Rendra Gumilar., S.Pd., M.Pd
Selaku Dosen Pengampu Mata kuliah Statistika Terapan.

Kami berharap dengan makalah yang berjudul “Mengatasi Data yang Mengalami
Penyimpangan Asumsi Klasik” ini bisa memberikan manfaat yang besar khususnya bagi kami dan
umumnya bagi pembaca mengenai Mata kuliah Statistika Terapan. Kami menyadari bahwa dalam
makalah ini masih banyak terdapat kekurangan, Oleh karena itu kami berharap kepada pembaca
untuk memberikan saran dan kritikannya.
Akhir kata, kami ucapkan terimakasih kepada para pembaca yang sudah meluangkan
waktunya membaca Makalah kami, semoga Allah SWT senantiasa memberikan ridho untuk kita
semua. Aamiin.

Tasikmalaya, 4 September 2021

Penulis

ii
 DAFTAR ISI

KATA PENGANTAR ................................................................................................................... ii

DAFTAR ISI................................................................................................................................. iii
BAB I PENDAHULUAN .............................................................................................................. 1
1.1. Latar Belakang ............................................................................................................... 1
1.2. Rumusan Masalah .......................................................................................................... 2
1.3. Tujuan ............................................................................................................................. 2
BAB II PEMBAHASAN .............................................................................................................. 3
2.1. Uji Asumsi Klasik ........................................................................................................... 3
2.2. Teknik Mengatasi Data Residual Yang Tidak Berdistribusi Normal ....................... 4
BAB III PENUTUP ..................................................................................................................... 13
3.1. Kesimpulan ................................................................................................................... 13
3.2. Saran.............................................................................................................................. 13

iii
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Statistika adalah suatu ilmu pengetahuan yang berhubungan dengan data statistik dan
fakta yang benar atau suatu kajian ilmu pengetahuan yang dengan teknik pengumpulan data,
teknik pengolahan data, teknik analisis data, penarikan kesimpulan, dan pembuatan
kebijakan/keputusan yang cukup kuat alasannya berdasarkan data dan fakta yang benar.

Statistik dapat dibedakan menjadi beberapa jenis berdasarkan kriteria tertentu. Salah
satunya jenis statistika berdasarkan Orientasi Pembahasan meliputi Statistik Matematika dan
Statistika Terapan. Statistik matematika, yaitu statistik yang lebih mengedapankan
pemahaman terhadap model, rumus-rumus statistika secara matematika-teoritis, penurunan
konsep. Misalnya, uji normalitas, analisis regresi, galat, dan lain-lain. Sedangkan Statistik
terapan, yaitu statistik yang lebih mengedapankan pada pemahaman konsep, teknik statistika,
serta penerapannya dalam disiplin ilmu tertentu.

Analisis regresi adalah salah satu analisis yang bertujuan untuk mengetahui pengaruh
suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel yang memengaruhi
disebut variabel independen (variabel bebas) dan variabel yang dipengaruhi disebut variabel
dependen (variabel terkait), selain itu analisis regresi juga dapat digunakan untuk menjelaskan
ataupun meramalkan suatu fenomena / kejadian. Dalam persamaan regresi, jika terdapat satu
variabel bebas dan satu variabel terkikat, maka disebut sebagai persamaan regresi sederhana.
Lain halnya jika variabel bebasnya dua atau lebih, maka regresi tersebut disebut sebagai
regresi berganda.

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi
linear berganda yang berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak
berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau
regresi ordinal. Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis
regresi linear. Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji
heteroskedastisitas, uji normalitas, uji autokorelasi.

1
1.2. Rumusan Masalah
a. Apa itu Uji Asumsi Klasik?
b. Bagaimana Cara untuk Mengatasi Data Residual Yang Tidak Berdistribusi Normal?

1.3. Tujuan
a. Dapat mengetahui Konsep Asumsi Klasik.
b. Dapat mengetahui cara untuk mengatasi data yang mengalami penyimpangan Asumsi
Klasik.

2
 BAB II
PEMBAHASAN

2.1. Uji Asumsi Klasik

Tujuan pengujian asumsi klasik ini adalah untuk memberikan kepastian bahwa
persamaan regresi yang didapatkan memiliki ketepatan dalam estimasi, tidak bias dan
konsisten. Perlu diketahui, terdapat kemungkinan data aktual tidak memenuhi semua asumsi
klasik ini. Beberapa perbaikan, baik pengecekan kembali data outlier maupun recollecterror
data dapat dilakukan. Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji
heteroskedastisitas, uji normalitas, uji autokorelasi.
2.1.1. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi terbentuk
adanya korelasi tinggi atau sempurna antar variabel bebas (independen). Jika
ditemukan ada hubungan korelasi yang tinggi antar variabel bebas maka dapat
dinyatakan adanya gejala multikorlinear pada penelitian.
2.1.2. Uji Heteroskedastisitas
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.
2.1.3. Uji Normalitas
Uji normalitas untuk menguji apakah nilai residual yang telah distandarisasi
pada model regresi berdistribusi normal atau tidak. Cara melakukan uji normalitas
dapat dilakukan dengan pendekatan analisis grafik normal probability Plot. Pada
pendekatan ini nilai residual terdistribusi secara normal apabila garis (titik-titik)
yang menggambarkan data sesungguhnya akan mengikuti atau merapat ke garis
diagonalnya.
2.1.4. Uji Autokorelasi
Uji autokolerasi merupakan kolerasi yang terjadi antara residual pada satu
pengamatan dengan pengamatan lain pada model regresi. Autokorelasi dapat
diketahui melalui Uji Durbin-Watson (D-W Test), adalah pengujian yang

3
 digunakan untuk menguji ada atau tidak adanya korelasi serial dalam model regresi
atau untuk mengetahui apakah di dalam model yang digunakan terdapat
autokorelasi diantara variabel-variabel yang diamati.

2.2. Teknik Mengatasi Data Residual Yang Tidak Berdistribusi Normal

Uji normalitas residual yaitu uji asumsi klasik regresi yang digunakan untuk menguji
apakah nilai residual yang dihasilkan dari regresi terdistribusi secara normal atau tidak.
Sebagai pengertian dasar, residual adalah nilai selisih antara variabel X dengan variabel Y
yang diprediksikan. Model regresi yang baik adalah yang memiliki nilai residual yang
terdistribusi secara normal. Jika hasil uji dengan menggunakan uji grafik Normal P-P Plot of
regression standardized residual dan dengan Uji One Sample Kolmogorov Smirnov
menunjukkan data residual tidak terdistribusi dengan normal, maka perlu dilakukan beberapa
hal sebagai berikut:

2.2.1. Mentransformasi Data ke Bentuk Logaritma Natural (Ln)

Sebagai contoh data-data yang digunakan diambil dari contoh kasus analisis regresi
sederhana sebagai berikut:

4
Setelah diuji normalitas residual dari data-data di atas, ternyata didapatkan data
yang tidak terdistribusi normal. Dengan ini maka akan diubah ke bentuk Ln,
caranya:

1. Klik menu Transform >> Compute Variable.

2. Pada kotak dialog Compute Variable, kolom Target Variable, ketik Ln(x),
kemudian pada kolom Numeric Expression ketik In(x), F kemudian masukkan
variabel Profitabilitas. Tampilannya adalah sebagai beriku:

3. Selanjutnya klik OK, maka akan terbentuk variabel baru dengan nama Ln(X).
Lalu buka kembali Compute Variable dan buatlah juga untuk Ln(Y) dengan
cara yang sama. Maka pada halaman input SPSS akan tertampil se bagai
berikut:

5
4. Selanjutnya untuk mendapatkan nilai residual maka klik Analize >>
Regression >> Linear.

5. Pada kotak dialog Linear Regression, masuk kan variabel LnY ke kotak
Dependent dan LnX ke kotak Independent(s), kemudian klik Save.

6
6. Pada Residual, beri tanda centang pada Unstandardized, kemudian klik tombol
Continue. Abaikan hasil output, kita buka pada halaman input data maka akan
ada tambahan variabel RES 1 sebagai berikut:

7. Setelah itu baru diuji normalitas residual kembali, yaitu dengan cara klik
Analize >> Nonparametric tests >> Legacy Dialogs >> 1 Sample KS.

7
 8. Masukkan variabel Unstandardized Residual ke kolom Test Variable List.
Kemudian klik tombol OK, maka hasil outputnya adalah sebagai berikut:

NPar Tests

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 20
Normal Parametersa,b Mean .0000000

Std. Deviation .45241124

Most Extreme Differences Absolute .115

Positive .095

Negative -.115

Test Statistic .115

Asymp. Sig. (2-tailed) .200c,d

a. Test distribution is Normal.

b. Calculated from data.

c. Lilliefors Significance Correction.

d. This is a lower bound of the true significance.

Dari output di atas didapat hasil nilai signifikansi (Asymp. Sig 2 tailed)
sebesar 0,200. Karena nilai signifikansi di atas 0,05 maka residual berdistribusi
normal.

2.2.2. Membuang Data yang Outlier

Jika pada cara pertama masih terjadi data tidak normal maka bisa dilakukan dengan
membuang data yang outlier, yaitu data yang menyimpang jauh dari rata-rata.
Langkah-langkahnya (menggunakan data pada cara pertama di atas) sebagai
berikut:

1. Buka input data, lalu buat variabel dengan nama Nomor pada kolom pertama,
dengan cara klik kanan pada kotak kolom pertama, pilih Insert variable,
kemudian beri nomor secara urut dari nomor 1 dan seterusnya. Hasilnya adalah
sebagai berikut:

8
2. Selanjutnya, klik menu Analize >> Regression

3. Masukkan variabel Nomor pada kotak Dependent, dan variabel yang diuji,
misalnya Profitabilitas pada kotak Independent.
4. Klik tombol Save, pilih kotak Mahalanobis.

9
5. Selanjutnya klik tombol Continue, pada kotak dialog sebelumnya, klik OK.
Abaikan hasil output lalu buka halaman input data, selanjutnya akan tertampil
sebagai berikut:

10
 Sebagai catatan, Mahalanobis atau Mahal's Distance adalah ukuran jarak
nilai subjek dari garis yang dikehendaki. Makin jauh jarak dari pusat garis korelasi,
maka akan semakin jelek. Untuk sampel 30 (N=30) bernilai di atas 11 perlu
dipertimbangkan untuk dihapus, sedangkan N=100 bernilai di atas 5 harus dihapus
(Barnet dan Lewis, 1978). Tapi kalau. setelah diuji data masih tidak normal maka
nilai dibawah 5 dapat dihapus.

Dari nilal Mahalanobis dapat diketahui semua nilai tidak ada yang melebihi
11, jadi pada contoh kasus di atas data Profitabilitas tidak ada yang outlier. Tetapi
jika setelah diuji normalitas data tidak normal, maka perlu dipertimbangkan untuk
menghapus beberapa data yang nilai Mahalanobisnya tinggi.

Cara lain membuang data outlier yaitu dengan mencari nilai Z Score, caranya
sebagai berikut: (menggunakan data awal yang sama)
1. Klik Analize >> Descriptive

2. Pada kotak dialog Descriptive, masukkan variabel yang ingin diuji yaitu
Profitabilitas dan struktur modal ke kotak Variable(s), kemudian beri tanda
centang pada "Save standardized values as variables". Lalu klik OK. Abaikan
hasil output, buka halaman input data dengan hasil sebagai berikut:

11
 Dari hasil di atas, carilah pada variabel ZScore (Zx dan Zy) nilai data yang
lebih dari 3 atau kurang dari -3. Maka hapus data tersebut karena data yang lebih
dari 3 atau kurang dari -3 dinyatakan menyimpang (outlier) (McClave & Sincich,
2003).

Dari hasil di atas dapat diketahui tidak ada data yang lebih dari 3 atau
kurang dari -3, maka data tidak ada yang outlier. Tetapi jika setelah dilakukan uji
normalitas hasilnya data tidak normal, maka perlu dipertimbangkan untuk
menghapus beberapa data yang dinilai paling tinggi dan paling rendah.

12
 BAB III
PENUTUP

3.1. Kesimpulan

Analisis regresi adalah salah satu analisis yang bertujuan untuk mengetahui pengaruh
suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel yang memengaruhi
disebut variabel independen (variabel bebas) dan variabel yang dipengaruhi disebut variabel
dependen (variabel terkait), selain itu analisis regresi juga dapat digunakan untuk menjelaskan
ataupun meramalkan suatu fenomena / kejadian. Dalam persamaan regresi, jika terdapat satu
variabel bebas dan satu variabel terkikat, maka disebut sebagai persamaan regresi sederhana.
Lain halnya jika variabel bebasnya dua atau lebih, maka regresi tersebut disebut sebagai
regresi berganda.

Regresi linier dapat disebut sebagai model yang baik jika model tersebut memenuhi
beberapa asumsi klasik. Asumsi tersebut antara lain data residual terdistribusi normal, tidak
adanya multikolinearitas, autokorelasi, dan heteroskedastisitas. Terpenuhinya asumsi klasik
adalah agar diperoleh model regresi dengan estimasi yang tidak bias dan pengujian dapat
dipercaya. Apabila ada satu syarat saja yang tidak terpenuhi, maka hasil analisis regresi tidak
dapat dikatakan bersifat BLUE (Best Linear Unbiased Estimator).

Tentunya ada langkah-langkah untuk mengatasi terjadinya penyimpangan asumsi

klasik, seperti membuang data yang outlier, transformasi data ke bentuk Logaritma natural
dan sebagainya. Adapun cara mengatasi adanya penyimpangan asumsi klasik pada data
residual yang tidak terdistribusi secara normal dengan cara mentransformasikan data ke
bentuk logaritma natural (Ln), atau dengan cara membuang data yang outlier.

3.2. Saran

Dalam pembuatan makalah ini penulis menyadari masih terdapat banyak kekurangan
untuk itu kami mengharapkan kritik dan saran yang bersifat membangun atau memperbaiki
makalah ini agar lebih sempurna.

13