MAKALAH

ANALISIS UJI ASUMSI KLASIK UJI NORMALITAS DAN TEKNIK CARA

PENGUJIANNYA, UJI MULTIKOLINIERITAS DAN TEKNIK CARA
PENGUJIANNYA, UJI HETEROSKEDASTISITAS DAN TEKNIK CARA
PENGUJIANNYA, UJI AUTOKORELASI DAN TEKNIK CARA PENGUJIANNYA, UJI
LINIERITAS DAN TEKNIK CARA PENGUJIANNYA, UJI VALIDITAS DAN TEKNIK
CARA PENGUJIANNYA, UJI RELIABILITAS DAN TEKNIK CARA PENGUJIANNYA

Dosen Pengampu : AHMAD RIZANI, SE, M,Ec.,Dev

Disusun Oleh :
ELJA ERWITA SINAGA
NIM : 203020301102

UNIVERSITAS PALANGKA RAYA

FAKULTAS EKONOMI DAN BISNIS
PRODI EKONOMI PEMBANGUNAN
2022
 KATA PENGANTAR
Puji dan Syukur penulis panjakan Kehadirat Tuhan Yang Maha Esa,karena kebaikan serta
perlindunganNya sehingga penulis dapat menyelesaikan makalah ini dengan baik serta tepat
pada waktunya.Adapun judul dari makalah ini adalah Uji Asumsi Klasik,Uji Normalitas,Uji
Multikoliniearitas,Uji Heterosledastisita,Uji Autokorelasi,Uji Liniearitas,Uji Validitas,Uji
Realibilitas beserta Teknik Pengujiannya.

Penulis Mengucapkan terimakasih kepada seluruh pihak yang telah membantu penulis
dalam menyelesaikan makalah ini,terlebih berterimakasih kepada dosen pengampu mata kuliah
Ekonometrik yaitu Bapak Ahmad Rizani,SE,M.Ec.,Dev,yang telah banyak memberikan
bimbingan serta masukan kepada penulis,sehingga penulis menjadi paham dapat menyelesaikan
tugas makalah ini.

Penulis menyadari bahwa masih banyak kesalahan dan kekurangan dari makalah
ini,mengingat bahwa penulis juga manusia biasa yang sudah pasti mempunyai kekurangan dan
keterbatasan,oleh karena itu penulis sangat mengharapkan kritik ataupun saran yang membangun
dari pembaca agar makalah ini dapat disempurnakan serta semakin layak untuk dijadikan bahan
acuan dan dapat diberi penilaian.Akhir kata penulis mengucapkan terimakasih.

Palangka Raya, November 2022

Penulis

i
 DAFTAR ISI

KATA PENGANTAR ........................................................................................................................ i

DAFTAR ISI....................................................................................................................................... ii
BAB I PENDAHULUAN ................................................................................................................... 1
1.1 Latar Belakang ......................................................................................................................... 1
1.2 Rumusan Masalah .................................................................................................................... 3
1.3 Tujuan ..................................................................................................................................... 3
1.4 Manfaat .................................................................................................................................... 3
BAB II PEMBAHASAN .................................................................................................................... 4
2.1 Uji Asumsi Klasik .................................................................................................................... 4
2.1.1 Uji Linearitas ................................................................................................................... 11
2.1.2 Uji Validitas ..................................................................................................................... 12
2.1.3 Uji Reliabilitas ................................................................................................................. 14
BAB III PENUTUP .......................................................................................................................... 15
3.1 Kesimpulan ............................................................................................................................ 15
DAFTAR ISI..................................................................................................................................... 16

ii
 BAB I
PENDAHULUAN
1.1 Latar Belakang
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, misalnya uji multikolinearitas tidak dilakukan pada analisis regresi linear
sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional. Uji asumsi klasik
juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk menghitung nilai
pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan market model, atau
market adjusted model. Perhitungan nilai return yang diharapkan dapat dilakukan dengan
persamaan regresi, tetapi tidak perlu diuji asumsi klasik.

Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji
heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang
pasti tentang urutan uji mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung
pada data yang ada. Sebagai contoh, dilakukan analisis terhadap semua uji asumsi klasik, lalu
dilihat mana yang tidak memenuhi persyaratan. Kemudian dilakukan perbaikan pada uji tersebut,
dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain .Asumsi klasik adalah
syarat-syarat yang harus dipenuhi pada model regresi linear OLS agar model tersebut menjadi
valid sebagai alat penduga.

Jenis Regresi Linear OLS . Regresi OLS ada 2 macam, yaitu:

1.regresi linear sederhana dan
2.regresi linear berganda.

Regresi Linear sederhana atau disebut dengan Sedangkan regresi linear berganda atau
disebut juga dengan multiple linear regression adalah regresi linear dengan satu variabel terikat
dan beberapa variabel bebas. Arti kata beberapa maksudnya adalah 2 variabel atau lebih.

Jenis Uji Asumsi Klasik Pada Regresi Linear

Dengan adanya dua jenis yang berbeda pada regresi linear, maka syarat atau asumsi
klasik pada regresi linear juga ada dua macam. Simple linear regression, adalah regresi linear
dengan satu variabel bebas dan satu variabel terikat.

1
 Uji Asumsi Klasik Pada Regresi Linear Sederhana
Asumsi klasik pada regresi linear sederhana antara lain:

1. Data interval atau rasio,

2. Linearitas,
3. Normalitas,
4. Heteroskedastisitas,
5. Outlier,
6. Autokorelasi (Hanya untuk data time series atau runtut waktu).

Uji Asumsi Klasik Pada Regresi Linear Berganda

Asumsi klasik pada regresi linear berganda antara lain:

1. Data interval atau rasio,

2. Linearitas,
3. Normalitas,
4. Heteroskedastisitas,
5. Outlier,
6. Multikollinearitas,
7. Autokorelasi (Hanya untuk data time series atau runtut waktu).

Perbedaan Asumsi Klasik Regresi Linear Sederhana dan Berganda

Berdasarkan penjelasan di atas, terlihat jelas bahwa asumsi klasik antara regresi linear
sederhana dan berganda hampir sama. Letak perbedaannya hanya pada uji multikolinearitas,
dimana syarat tersebut hanya untuk regresi linear berganda.

2
Penjelasan Masing-Masing Asumsi Klasik

Data interval atau rasio tidak perlu diuji menggunakan perhitungan ataupun dengan aplikasi
komputasi seperti SPSS, STATA atau software statistik lainnya. Cukup data yang ada, yaitu tiap
variabel terutama variabel dependen adalah berskala data interval atau rasio

1.2. Rumusan Masalah

1. Apakah yang dimaksud dengan uji asumsi klasik (Uji Normalitas,Uji Multikolinieritas,Uji
Heteroskedasitisitas,dan Uji Autokolerasi) dan Teknik Penerapannya ?
2. Apa pengertian Uji Linieritas dan Teknik Penerapannnya ?
3. Apa engertian Uji Validitas dan Teknik Penerapannnya ?
4. Apa pengertian Uji Realibilitas dan Teknik Penerapannnya ?

1.3 Tujuan
Untuk mengetahui bagaimana teknik pengujian Uji asumsi klasik ,Uji normalitas , Uji
multikoliniearitas, uji heteroskedastisitas, uji autokorelasi, uji liniearitas, uji validitas dan uji
reabilitas.

1.4 Manfaat
- Bagi Pembaca , dapat mengetahui bagaimana teknik pengujian Uji asumsi klasik ,Uji
normalitas , Uji multikoliniearitas, uji heteroskedastisitas, uji autokorelasi, uji liniearitas, uji
validitas dan uji reabilitas.
- Bagi Penulis, menambah ilmu dan memperdalam pengetahuan tentang bagaimana teknik
pengujian Uji asumsi klasik ,Uji normalitas , Uji multikoliniearitas, uji heteroskedastisitas, uji
autokorelasi, uji liniearitas, uji validitas dan uji reabilitas.

3
 BAB II
PEMBAHASAN
1.2 Uji Asumsi Klasik
Uji asumsi pada dasarnya adalah salah satu uji yang digunakan sebagai syarat statistik. Uji
asumsi haruslah dipenuhi pada analisis regresi linier berganda serta tidak pada regresi linier
sederhana. Analisis yang dimaksud ialah analisis regresi linier berganda dengan basis OLS
seperti yang telah dijelaskan sebelumnya.Melakukan uji asumsi sebelum melakukan uji hipotesis
dianggap sebagai salah satu syarat yang harus dilakukan pada penelitian kuantitatif. Jika, hasil
dari uji asumsi tidak sesuai dengan hipotesis maka akan timbul bermacam-macam reaksi. Oleh
karena itu, melakukan uji asumsi terlebih dahulu adalah hal yang penting dalam penelitian
kuantitatif.

Para ahli pun memberikan penjelasan mengenai pengertian dari uji asumsi. Berikut beberapa
pengertian yang dikemukakan oleh para ahli mengenai uji asumsi. Menurut Sunjoyo, dkk (2013)
uji asumsi merupakan syarat statistik yang harus dipenuhi pada analisis regresi linier ganda
dengan basis OLS atau Ordinary Least Square.Terkadang ketika melakukan uji asumsi, peneliti
akan memeroleh data yang tidak sesuai dengan hipotesis sebelumnya, sehingga membuat peneliti
merasa kebingungan. Namun, apabila hal tersebut terjadi di lapangan sebaiknya tidak melakukan
manipulasi data agar data yang diperoleh sesuai dengan hipotesis. Namun, ada baiknya apabila
mengikuti arahan dari para ahli sebagai berikut.

Menurut Azwar (2010) analisis atau uji hipotesis dapat dilakukan tanpa perlu melakukan uji
asumsi terlebih dahulu. Apabila hasil dari uji asumsi tidak sesuai dengan apa yang diharapkan
peneliti, maka hasil analisisnya tidak akan selalu invalid. Ketika menemui kejadian hal ini, maka
lebih baik membiarkan data sebagaimana mestinya dan tidak melakukan manipulasi data yang
akhirnya menyebabkan kebohongan data.Sehingga dapat disimpulkan, bahwa uji asumsi
merupakan syarat yang harus dipenuhi pada penelitian kuantitatif ketika melakukan analisis
regresi linier ganda dengan OLS. Apabila ditemui bahwa hasil data pada uji asumsi tidak sama
dengan hipotesis, maka sebaiknya peneliti tidak melakukan manipulasi yang menyebabkan
kebohongan data. Ada beberapa jenis uji asumsi yang perlu diketahui. Berikut penjelasannya.

Jenis-Jenis Uji Asumsi

Uji asumsi yang umum digunakan adalah uji multikolinieritas, uji heteroskedastisitas, uji
normalitas, uji linearitas, uji autokorelasi. Dalam setiap uji-uji asumsi tersebut, tidak ada
4
ketentuan khusus mengenai tes mana yang harus didahului atau dipenuhi. Analisis dapat
dilakukan bergantung pada data yang tersedia. Contohnya analisis seluruh tes penerimaan klasisk
dilakukan, kemudian ada yang atau data yang tidak memenuhi syarat. Maka tes pun akan
ditingkatkan dengan tes lebih lanjut usai data-data memenuhi syarat.

Berikut adalah penjelasan dari setiap jenis uji asumsi.

Tahapan pertama pelaksanaan analisis pada penelitian ini melalui uji asumsi klasik. Uji
asumsi klasik ini merupakan uji prasyarat yang dilakukan sebelum melakukan analisis lebih
lanjut terhadap data yang telah dikumpulkan. Pengujian asumsi klasik ini ditujukan agar dapat
menghasilkan model regresi yang memenuhi kriteria BLUE (Best Linier Unbiased Estimator).
Model regresi yang memenuhi kriteria BLUE dapat digunakan sebagai estimator yang terpercaya
dan handal dimana estimator tersebut dinyatakan tidak bias, konsisten, berdistribusi normal dan
juga efisien. Untuk mengetahui apakah model regresi yang akan digunakan telah memenuhi
kriteria BLUE maka perlu dilakukan serangkaian pengujian yaitu Uji Normalitas, Uji
Multikolinieritas, Uji Heteroskedastisitas, dan Uji Autokorelasi yang akan dibahas lebih lanjut
satu per satu pada bagian selanjutnya.

1.Uji Normalitas

Menurut Ghozali (2016) uji normalitas dilakukan untuk menguji apakah pada suatu
model regresi, suatu variabel independen dan variabel dependen ataupun keduanya mempunyai
distribusi normal atau tidak normal. Apabila suatu variabel tidak berdistribusi secara normal,
maka hasil uji statistik akan mengalami penurunan. Pada uji normalitas data dapat dilakukan
dengan menggunakan uji One Sample Kolmogorov Smirnov yaitu dengan ketentuan apabila nilai
signifikansi diatas 5% atau 0,05 maka data memiliki distribusi normal. Sedangkan jika hasil uji
One Sample Kolmogorov Smirnov menghasilkan nilai signifikan dibawah 5% atau 0,05 maka
data tidak memiliki distribusi normal.

Uji normalitas berguna untuk melihat apakah data penelitian berdistribusi normal atau
tidak. Normalitas wajib dilakukan untuk setiap data penelitian.Sedangkan uji
heteroskedastisitas berguna untuk melihat apakah varians data konstan (homoskedastis) atau
tidak (heteroskedastis).Gejala Heteroskedastisitas akan ditemui pada penelitian yang
menggunakan data cross section. Sedangkan jika menggunakan data time series, maka uji
heteroskedastisitas tidak di perlukan.

Uji normalitas ialah untuk melihat apakah ada nilai residu normal atau tidak. Model
regresi yang baik ialah model yang memiliki residu dan terdistribusi secara normal. Tes
5
 normalitas, tidak perlu dilakukan kepada setiap variabel yang ada, akan tetapi untuk nilai-nilai
residual saja.Seringkali terjadi suatu kesalahan yaitu ketika tes normalitas dilakukan untuk setiap
variabel, meskipun tidak dilarang akan tetapi model regresi memerlukan suatu normalitas pada
nilai residual dan bukan dalam variabel penelitian.

Umumnya, ketika melakukan pengujian dengan metode charting akan sering

menyebabkan adanya persepsi yang berbeda dari beberapa pengamat. Oleh karena itu,
penggunaan tes normalitas dengan uji statistik tidak diragukan lagi, meski tidak dapat menjamin
bahwa pengujian dari uji statistik akan lebih baik dari pada pengujian dengan menggunakan
metode diagram.

Apabila ditemukan residu tidak normal akan tetapi dekat dengan nilai kritis, maka
metode lain pun dapat digunakan untuk memberikan justifikasi normal. Apabila jauh dari nilai
normal, maka dapat dilakukan penggubahan data, menambahkan data observasi serta
memangkas outlier. Transformasi pun dapat dilakukan dalam bentuk akar kuadrat, logaritma
natural, inverses dan lainnya bergantung pada normal kurva apakah ke arah kanan, kiri atau
tengah dan lainnya.

Uji normalitas dilakukan untuk dapat menguji apakah data yang akan digunakan untuk uji
hipotesis yaitu data dari variabel dependen dan independen yang digunakan telah berdistribusi
secara normal ataukah tidak. Untuk menguji apakah data berdistribusi normal atau tidak, dalam
penelitian ini menggunakan uji dengan analisis statistik yaitu uji Kolmogrov-Smirnov. Pada
pengujian Kolmogrov- 23 Smirnov ini. Data dikatakan memenuhi uji normalitas dan memenuhi
kriteria dari BLUE (Best Linier Unbiased Estimator) apabila data dinyatakan berdistribusi
dengan normal. Untuk mengetahui apakah data penelitian memiliki distribusi yang normal atau
tidak melalui uji Kolmogrov-Smirnov yaitu berdasarkan asumsi berikut:

1. Data dikatakan berdisitribusi normal apabila pada hasil uji KolmogrovSmirnov terhadap nilai
residual dari analisis regresi linier berganda, dihasilkan nilai signifikansi yang besarnya > 0,05.

2. Data dikatakan tidak berdisitribusi normal apabila pada hasil uji KolmogrovSmirnov terhadap
nilai residual dari analisis regresi linier berganda, dihasilkan nilai signifikansi yang besarnya <
0,05.

6
 Untuk melakukan uji Normalitas dan heteroskedastisitas menggunakan SPSS, silahkan
ikuti tahap-tahap berikut ini:

a. Pada kotak dialog Linear Regression, klik Save;

b. Muncul kotak dialog Linear Regression: Save. Lalu klik Unstandarized pada Residuals;

c. Klik Continue untuk melanjutkan.

d. Langkah ini merupakan sebagai tahap antisipasi agar apabila data tidak berdistribusi normal kita
bisa mencoba dengan uji normalitas lainnya yaitu kolmogorov-smirnov.
Namun perlu di catat, cara ini tidak akan membuat data penelitian Anda 100%
berdistribusi normal, karena uji kolmogorov-smirnov merupakan uji normalitas lainnya yang
memiliki sudut pandang berbeda dari uji menggunakan Histogram dan/atau Normal Probability
Plots.

2. Uji Multikolinearitas
Menurut Ghozali (2016) pada pengujian multikolinearitas bertujuan untuk mengetahui
apakah model regresi ditemukan adanya korelasi antar variabel independent atau variable bebas.
Efek dari multikolinearitas ini adalah menyebabkan tingginya variabel pada sampel. Hal tersebut
berarti standar error besar, akibatnya ketika koefisien diuji, t-hitung akan bernilai kecil dari t-
tabel. Hal ini menunjukkan tidak adanya hubungan linear antara variabel independen yang
dipengaruhi dengan variabel dependen.

Untuk menemukan terdapat atau tidaknya multikolinearitas pada model regresi dapat
diketahui dari nilai toleransi dan nilai variance inflation factor (VIF). Nilai Tolerance mengukur
variabilitas dari variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas
lainnya. Jadi nilai tolerance rendah sama dengan nilai VIF tinggi, dikarenakan VIF = 1/tolerance,
dan menunjukkan terdapat kolinearitas yang tinggi. Nilai cut off yang digunakan adalah untuk
nilai tolerance 0,10 atau nilai VIF diatas angka 10.

Uji multikolinieritas ini ditujukan untuk mengetahui apakah masing-masing variabel

bebasnya berhubungan secara linier atau saling berkorelasi. Model regresi dinyatakan memenuhi
kriteria BLUE (Best Linier Unbiased Estimator) apabila tidak terdapat multikolinieritas.
Multikolinieritas dapat diketahui melalui beberapa pengujian salah satunya yang digunakan
dalam penelitian ini yaitu dengan menghitung nilai VIF dan Tolerance dari masing-masing
variabel bebas. Untuk mengetahui apakah pada data penelitian mengandung multikolinieritas

7
atau tidak, dapat didasarkan pada asumsi berikut: 1. Apabila nilai VIF>10 dan nilai
Tolerance0.1, maka data dapat dikatakan tidak mengandung multikolinieritas.

Jenis uji asumsi yang kedua ialah uji multikolinearitas yang dirancang guna menentukan
apakah ada korelasi tinggi antara variabel independen dengan model regresi linier ganda, apabila
ada korelasi tinggi antara variabel independen hubungan dengan variabel independen serta
variabel dependen terganggu.

Sebagai contoh, model regresi dengan variabel independen merupakan motivasi,

kepemimpin serta kepuasan kerja dengan menggunakan variabel dependen kinerja. Logika
sederhananya, apabila model mencari kinerja didasarkan pada dampak motivasi, kepuasan kerja
dan kepemimpinan, maka tidak ada korelasi yang tinggi yang terjadi di antara motivasi serta
kepemimpinan, motivasi dengan kepuasan kerja maupun antara kepemimpinan dengan kepuasan
kerja.Alat statistik umumnya akan digunakan untuk dapat menguji dari gangguan
multikolinieritas, alat yang dimaksud ialah variance inflation factor atau IVD, korelasi pearson
antara variabel independen maupun pertimbangan dari nilai eigen serta indeks kondisi.

3.Uji Heteroskedastisitas

Pada uji heteroskedastisitas, peneliti dapat memeriksa apakah terdapat perbedaan yang
tidak sama antara residu satu dengan pengamatan lainnya. Salah satu model dari regresi adalah
model yang memenuhi syarat bahwa ada kesamaan pada varian antara residu satu dengan
pengamatan dan lainnya yang disebut pula dengan homoscedasticity.

Bukti dari heteroskedastisitas dapat dibuat melalui penggunaan metode scatterplot

dengan memplot nilai prediktif atau zpred dengan nilai sisa atau sresid. Model yang baik adalah
model ketika grafik tidak mengandung pola-pola tertentu, seperti berkumpul di tengah,
memperbesar, menyempit maupun memperkecil, tes glejser, tes wei maupun tes park dapat
digunakan pula sebagai tes statistik.

Ada beberapa solusi alternatif yang dapat digunakan apabila model tersebut melanggar
asumsi dari heteroskedastisitas adalah dengan mengubah menjadi bentuk-bentuk logaritmik.
Solusi alternatif tersebut dapat dilakukan apabila seluruh data positif atau seluruh variabel dapat
dibagi dengan variabel lainnya yang mengalami gangguan serupa yaitu gangguan
heteroskedastisitas.

8
 Uji ini bertujuan untuk melakukan uji apakah pada sebuah model regresi terjadi
ketidaknyamanan varian dari residual dalam satu pengamatan ke pengamatan lainnya. Apabila
varian berbeda, disebut heteroskedastisitas. Salah satu cara untuk mengetahui ada tidaknya
heteroskedastisitas pada suatu model regresi linier berganda, yaitu dengan melihat grafik
scatterplot atau dari nilai prediksi variabel terikat yaitu SRESID dengan residual error yaitu
ZPRED. Apabila tidak terdapat pola tertentu dan tidak menyebar diatas maupun dibawah angka
nol pada sumbu y, maka dapat disimpulkan tidak terjadi heteroskedastisitas. Untuk model
penelitian yang baik adalah yang tidak terdapat heteroskedastisitas (Ghozali, 2016).

Uji heteroskedastisitas ini dilakukan untuk dapat menguji apakah model regresi memiliki
keragaman error yang sama atau tidak. Asumsi keragaman error yang sama ini disebut dengan
homoskedastisitas, sedangkan heteroskedastisitas yaitu terjadi jika keragaman nilai errornya
tidak konstan atau berbeda. Hendaknya untuk dapat memenuhi kriteria BLUE (Best Linear
Unbiased Estimator), nilai error pada setiap pengamatan nilainya konstan. Apabila pada data
setelah dilakukan pengujian dinyatakan mengandung heteroskedastisitas maka terjadi
penyimpangan syarat asumsi klasik, dimana terdapat syarat dalam kriteria BLUE (BestLinier 25
Unbiased Estimator), model regresi harusnya tidak mengandung heteroskedastisitas.

Heteroskedastisitas dapat dideteksi melalui beberapa pengujian salah satunya yaitu Uji
Gletser dimana melakukan uji regresi variabel bebas pada nilai residual yang telah diabsolutkan.
Nilai residual ini dihasilkan melalui analisis regresi linier berganda pada data penelitian. Untuk
mengetahui apakah pada data mengandung heteroskedastisitas atau tidak, dapat didasarkan pada
asumsi berikut:

1. Apabila dari hasil uji gletser ditemukan bahwa nilai signifikansi dari variabel
independen terhadap nilai absolut residual < taraf signifikan yang ditentukan
(0,05), maka data dapat dikatakan mengandung heteroskedasitisitas .

2. Apabila dari hasil uji gletser ditemukan bahwa nilai signifikansi dari variabel
independen terhadap nilai absolut residual > taraf signifikan yang ditentukan
(0,05), maka data yang digunakan dalam penelitian dapat dikatakan tidak
mengandung heteroskedasitisitas .

9
4. Uji Autokorelasi

Uji autokorelasi merupakan uji yang dilakukan untuk dapat melihat apakah terjadi
korelasi di antara suatu periode dengan periode-periode sebelumnya. Sederhananya, uji
autokorelasi merupakan analisis dari regresi yang terdiri dari pengujian pengaruh variabel
independen pada variabel dependen, sehingga tidak boleh terjadi korelasi di antara pengamatan
serta data observasi sebelumnya.

Contoh dari uji autokorelasi adalah dampak inflasi bulanan pada nilai tukar rupiah kepada
nilai dolar. Data yang ada pada tingkat inflasi untuk bulan-bulan tertentu, seperti data pada bulan
Februari yang dipengaruhi oleh tingkat inflasi pada bulan Januari. Sehingga, dapat disimpulkan
bahwa model tersebut memiliki masalah yaitu masalah autokorelasi. Contoh lainnya ialah
pengeluaran rutinan pada setiap rumah tangga, apabila sebuah keluarga memiliki pengeluaran
rutin bulanan yang nilainya relatif lebih tinggi di Januari, maka pengeluaran di bulan Februari
pun akan lebih rendah.

Uji autokorelasi pun hanya akan dilakukan pada data runtut waktu atau time series serta
tidak perlu dilakukan kepada data cross section seperti kuesioner. Di mana, pengukuran seluruh
variabel dapat dilakukan secara serempak pada waktu bersamaan. Uji autokorelasi pun
diperlukan dengan menggunakan model regresi dalam penelitian di bursa efek Indonesia, di
mana umumnya periode akan lebih dari satu tahun sehingga memerlukan penelitian dengan uji
autokorelasi.

Ada beberapa cara yang dapat dilakukan untuk mengatasi masalah pada autokorelasi,
salah satunya adalah dengan melakukan pengubahan data atau melakukan perubahan model
regresi menjadi persamaan serta perbedaan secara umum. Selain itu, dapat pula dilakukan
dengan cara memasukan salah satu variabel lag serta variabel lain yang masih berkaitan menjadi
salah satu variabel bebas, sehingga pada akhirnya data observasi pun akan berkurang satu.

Menurut Ghozali (2016) autokorelasi dapat muncul karena observasi yang berurutan
sepanjang waktu yang berkaitan satu sama lainnya. Permasalahan ini muncul karena residual
tidak bebas pada satu observasi ke observasi lainnya. Untuk model regresi yang baik adalah pada
model regresi yang bebas dari autokolerasi. Untuk mendeteksi terdapat atau tidaknya
autokorelasi adalah dengan melakukan uji Run Test.

Run test merupakan bagian dari statistik non-parametik yang dapat digunakan untuk
melakukan pengujian, apakah antar residual terjadi korelasi yang tinggi. Apabila antar residual

10
 tidak terdapat hubungan korelasi, dapat dikatakan bahwa residual adalah random atau acak.
Dengan hipotesis sebagai dasar pengambilan keputusan adalah sebagai berikut (Ghozali, 2016):

Apabila nilai Asymp. Sig. (2-tailed) kurang dari 5% atau 0,05, maka untuk H0 ditolak
dan Ha diterima. Hal tersebut berarti data residual terjadi secara tidak acak (sistematis). Apabila
nilai Asymp. Sig. (2-tailed) lebih dari 5% atau 0,05, maka untuk H0 diterima dan Ha ditolak. Hal
tersebut berarti data residual terjadi secara acak (random).Gejala Autokorelasi hanya terdapat
pada penelitian yang menggunakan data time series. Sementara pada data cross section, gejala
autokorelasi tidak akan terjadi.

Uji autokorelasi dilakukan untuk dapat menguji model regresi yang akan digunakan,
apakah terdapat korelasi antara error pada pengamatan satu dengan error pada pengamatan
sebelumnya atau tidak. Apabila terjadi korelasi antarpengamatan dalam runtut waktu, maka
dapat dikatakan ada problema autokorelasi. Data dinyatakan memenuhi kriteria BLUE (Best
Linier Unbiased Estimator) apabila pada data dinyatakan tidak mengandung autokorelasi. Untuk
mengetahui apakah dari data yang ada terdapat autokorelasi atau tidak, dapat menggunakan uji
Runs 26 Test. Berdasarkan uji runs, data dikatakan mengandung autokorelasi atau tidak
berdasarkan asumsi dibawah ini:

1. Apabila hasil uji runs menunjukkan bahwa nilai signifikansi < taraf signifikan yang ditetapkan
(0.05), maka dapat dikatakan data penelitian mengandung autokorelasi.

2. Apabila hasil uji runs menunjukkan bahwa nilai signifikansi > taraf signifikan yang ditetapkan
(0.05), maka dapat dikatakan data penelitian tidak mengandung autokorel

2.1.1 Uji Linearitas

Uji linearitas dapat digunakan untuk melihat apakah model yang telah dibangun memiliki
hubungan linear atau tidak. Tes uji linearitas ini, jarang digunakan sebab menurut beberapa studi
uji ini biasanya dibangun atas dasar studi teoritis bahwa ada hubungan antara variabel
independen dengan dependen yang bersifat linier. Hubungan antara variabel tersebut, secara
teoritis tidak memiliki hubungan linier akan tetapi tidak dapat dianalisis dengan menggunakan
regresi linier, contohnya adalah seperti masalah elastisitas.

Apabila ada hubungan di antara dua variabel yang belum diketahui apakah hubungan
tersebut linier atau tidak, maka uji linieritas pun tidak dapat digunakan untuk memberikan
adjustment atau penyesuaian bahwa hubungan tersebut memiliki linier atau tidak.
11
 Uji linearitas dapat digunakan untuk mengkonfirmasi apakah ada sifat linier antara dua
variabel yang diidentifikasi pada suatu teori sesuai dengan hasil dari pengamatan penelitian. Tes
linearitas pun dapat digunakan dengan melakukan uji durbin watson serta tes pengali lagrange
atau tes ramsey.Selain metode penelitian kuantitatif uji asumsi, ada pula beberapa metode
penelitian kuantitatif yang dapat digunakan oleh peneliti menyesuaikan data maupun variabel
lainnya.

2.1.2 Uji Validitas

Validitas berasal dari kata validity yang mempunyai arti sejauh mana ketepatan dan
kecermatan suatu alat ukur dalam melakukam fungsi ukurannya (Azwar 1986). Selain itu
validitas adalah suatu ukuran yang menunjukkan bahwa variabel yang diukur memang benar-
benar variabel yang hendak diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef, 2006).
Sedangkan menurut Sugiharto dan Sitinjak (2006), validitas berhubungan dengan suatu
peubah mengukur apa yang seharusnya diukur. Validitas dalam penelitian menyatakan derajat
ketepatan alat ukur penelitian terhadap isi sebenarnya yang diukur. Uji validitas adalah uji yang
digunakan untuk menunjukkan sejauh mana alat ukur yang digunakan dalam suatu mengukur apa
yang diukur. Ghozali (2009) menyatakan bahwa uji validitas digunakan untuk mengukur sah,
atau valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada
kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.

Suatu tes dapat dikatakan memiliki validitas yang tinggi jika tes tersebut menjalankan
fungsi ukurnya, atau memberikan hasil ukur yang tepat dan akurat sesuai dengan maksud
dikenakannya tes tersebut. Suatu tes menghasilkan data yang tidak relevan dengan tujuan
diadakannya pengukuran dikatakan sebagai tes yang memiliki validitas rendah.

Sisi lain dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat ukur
yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga memiliki kecermatan tinggi.
Arti kecermatan disini adalah dapat mendeteksi perbedaan-perbedaan kecil yang ada pada atribut
yang diukurnya.

Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2, yaitu validitas faktor
dan validitas item. Validitas faktor diukur bila item yang disusun menggunakan lebih dari satu
faktor (antara faktor satu dengan yang lain ada kesamaan). Pengukuran validitas faktor ini
dengan cara mengkorelasikan antara skor faktor (penjumlahan item dalam satu faktor) dengan
skor total faktor (total keseluruhan faktor).

12
 Validitas item ditunjukkan dengan adanya korelasi atau dukungan terhadap item total
(skor total), perhitungan dilakukan dengan cara mengkorelasikan antara skor item dengan skor
total item. Bila kita menggunakan lebih dari satu faktor berarti pengujian validitas item dengan
cara mengkorelasikan antara skor item dengan skor faktor, kemudian dilanjutkan
mengkorelasikan antara skor item dengan skor total faktor (penjumlahan dari beberapa faktor).

Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi yang digunakan
untuk mengukur tingkat validitas suatu item dan untuk menentukan apakah suatu item layak
digunakan atau tidak. Dalam penentuan layak atau tidaknya suatu item yang akan digunakan,
biasanya dilakukan uji signifikansi koefisien korelasi pada taraf signifikansi 0,05, artinya suatu
item dianggap valid jika berkorelasi signifikan terhadap skor total.

Untuk melakukan uji validitas ini menggunakan program SPSS. Teknik pengujian yang
sering digunakan para peneliti untuk uji validitas adalah menggunakan korelasi Bivariate
Pearson (Produk Momen Pearson). Analisis ini dengan cara mengkorelasikan masing-masing
skor item dengan skor total. Skor total adalah penjumlahan dari keseluruhan item. Item-item
pertanyaan yang berkorelasi signifikan dengan skor total menunjukkan item-item tersebut
mampu memberikan dukungan dalam mengungkap apa yang ingin diungkap à Valid. Jika r
hitung ≥ r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan
berkorelasi signifikan terhadap skor total (dinyatakan valid).

Langkah-langkah dalam pengujian validitas ini yaitu :

1. Buat skor total masing-masing variabel (Tabel perhitungan skor)

2. Klik Analyze -> Correlate -> Bivariate
3. Masukan seluruh item variabel x ke Variabels
4. Cek list Pearson ; Two Tailed ; Flag
5. Klik Ok

Rumus Korelasi Product Moment :

Keterangan :

13
2.1.3 Uji Reliabilitas

Reliabilitas berasal dari kata reliability. Pengertian dari reliability (rliabilitas) adalah
keajegan pengukuran (Walizer, 1987). Sugiharto dan Situnjak (2006) menyatakan bahwa
reliabilitas menunjuk pada suatu pengertian bahwa instrumen yang digunakan dalam penelitian
untuk memperoleh informasi yang digunakan dapat dipercaya sebagai alat pengumpulan data
dan mampu mengungkap informasi yang sebenarnya dilapangan. Ghozali (2009) menyatakan
bahwa reliabilitas adalah alat untuk mengukur suatu kuesioner yang merupakan indikator dari
peubah atau konstruk.

Suatu kuesioner dikatakan reliabel atau handal jika jawaban seseorang terhadap
pernyataan adalah konsisten atau stabil dari waktu ke waktu. Reliabilitas suatu test merujuk pada
derajat stabilitas, konsistensi, daya prediksi, dan akurasi. Pengukuran yang memiliki reliabilitas
yang tinggi adalah pengukuran yang dapat menghasilkan data yang reliabel

Menurut Masri Singarimbun, realibilitas adalah indeks yang menunjukkan sejauh mana
suatu alat ukur dapat dipercaya atau dapat diandalkan. Bila suatu alat pengukur dipakai dua kali
– untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relative konsisten,
maka alat pengukur tersebut reliable. Dengan kata lain, realibitas menunjukkan konsistensi suatu
alat pengukur di dalam pengukur gejala yang sama.

Menurut Sumadi Suryabrata (2004: 28) reliabilitas menunjukkan sejauhmana hasil

pengukuran dengan alat tersebut dapat dipercaya. Hasil pengukuran harus reliabel dalam artian
harus memiliki tingkat konsistensi dan kemantapan.

Reliabilitas, atau keandalan, adalah konsistensi dari serangkaian pengukuran atau

serangkaian alat ukur. Hal tersebut bisa berupa pengukuran dari alat ukur yang sama (tes dengan
tes ulang) akan memberikan hasil yang sama, atau untuk pengukuran yang lebih subjektif,
apakah dua orang penilai memberikan skor yang mirip (reliabilitas antar penilai). Reliabilitas
tidak sama dengan validitas. Artinya pengukuran yang dapat diandalkan akan mengukur secara

14
konsisten, tapi belum tentu mengukur apa yang seharusnya diukur. Dalam penelitian, reliabilitas
adalah sejauh mana pengukuran dari suatu tes tetap konsisten setelah dilakukan berulang-ulang
terhadap subjek dan dalam kondisi yang sama.

Penelitian dianggap dapat diandalkan bila memberikan hasil yang konsisten untuk
pengukuran yang sama. Tidak bisa diandalkan bila pengukuran yang berulang itu memberikan
hasil yang berbeda-beda.

Tinggi rendahnya reliabilitas, secara empirik ditunjukan oleh suatu angka yang disebut
nilai koefisien reliabilitas. Reliabilitas yang tinggi ditunjukan dengan nilai rxx mendekati angka
1. Kesepakatan secara umum reliabilitas yang dianggap sudah cukup memuaskan jika ≥ 0.700.

Pengujian reliabilitas instrumen dengan menggunakan rumus Alpha Cronbach karena

instrumen penelitian ini berbentuk angket dan skala bertingkat. Rumus Alpha Cronbach sevagai
berikut :

Keterangan :

Jika nilai alpha > 0.7 artinya reliabilitas mencukupi (sufficient reliability) sementara jika
alpha > 0.80 ini mensugestikan seluruh item reliabel dan seluruh tes secara konsisten memiliki
reliabilitas yang kuat. Atau, ada pula yang memaknakannya sebagai berikut:

Jika alpha > 0.90 maka reliabilitas sempurna. Jika alpha antara 0.70 – 0.90 maka
reliabilitas tinggi. Jika alpha 0.50 – 0.70 maka reliabilitas moderat. Jika alpha < 0.50 maka
reliabilitas rendah. Jika alpha rendah, kemungkinan satu atau beberapa item tidak reliabel.

15
 Langkah pengujian reliabilitas dengan SPSS :

1. Klik Analyze -> Scale -> Reliability Analysis

2. Masukan seluruh item variabel X ke Items
3. Pastikan pada model terpilih Alpha
4. Klik OK

16
 BAB III
PENUTUP

Kesimpulan

Hasil pengujian asumsi klasik yang meliputi uji normalitas, uji multikolonieritas, uji
autokorelasi dan uji heteroskedastisitas menunjukkan bahwa model regresi berditribusi
normal, tidak ditemukan korelasi antar variabel independen, tidak terdapat korelasi antara
kesalahan pengganggu pada periode saat ini dengan periode sebelumnya serta tidak terjadi
heteroskedastisitas.

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan varian dari residual suatu pengamatan ke pengamatan yang lain. Jika semua
terpenuhi itu berarti bahwa model analisis tersebut telah layak digunakan .

Ada beberapa cara dalam pendeteksian heteroskesdatisitas, yaitu Uji Korelasi Rank
Spearman, Uji Park, dan Uji White. Uji t merupakan pengujian masing-masing variabel bebas
secara sendiri-sendiri yang dilakukan untuk melihat signifikansi dari pengaruh variabel
independen terhadap variabel dependen dengan menganggap variabel dependen lain konstan .

Dari penjelasan mengenai uji asumsi di atas, maka dapat diperoleh kesimpulan sebagai
berikut. Hasil analisis pada regresi berganda dapat menggunakan tingkat signifikan hingga lima
persen, hal ini menunjukan bahwa ada nilai signifikansi yang kurang dari 0,05. Sehingga, model
regresi dapat digunakan untuk lebih lanjut guna memprediksi dampak dari fitur perusahaan pada
pengungkapan sukarela.

Hasil menggunakan uji parsial ά sama dengan lima persen yang menghasilkan tiga
variabel independen dengan signifikansi kurang dari 0,05 yaitu untuk variabel ukuran
perusahaan, likuiditas serta utang. Hasil tersebut, menunjukan pula bahwa ukuran perusahaan
hutang serta likuiditas perusahaan secara statistik dapat memberi pengaruh pada tingkat
pengungkapan secara sukarela tahunan secara individual.

Variabel dari kepemilikan saham publik pun tidak memiliki dampak yang signifikan
secara statistik pada ruang lingkup variabel pengungkapan dengan sukarela pada laporan
tahunan. Uji asumsi menunjukan bahwa pada sebuah penelitian, maka tidak ada korelasi yang
ada pada variabel independen atau multikolinieritas dan tidak ada kejadian pada faktor intrusif
atau eteroskedastisitas serta tidak adanya korelasi pada kesalahan yang mengganggu pada
periode t dengan kesalahan pada pengganggu pada periode t-1 atau autokorelasi.

17
 DAFTAR ISI

http://repository.unika.ac.id/23039/4/16.D1.0016-
PAULUS%20EVANDER%20PRIHATINO%20SETIAWAN%20-%20BAB%20III.pdf

https://www.statistikian.com/2017/01/uji-asumsi-klasik-regresi-linear-spss.html

https://www.gramedia.com/literasi/uji-asumsi/

https://qmc.binus.ac.id/2014/11/01/u-j-i-v-a-l-i-d-i-t-a-s-d-a-n-u-j-i-r-e-l-i-a-b-i-l-i-t-a-s/

18