TUGAS INDIVIDU

RESUME TENTANG UJI ASUMSI KLASIK

Nama Dospem : Bapak Yanto Azie Setya, SE., M.Si.
Mata Kuliah : Statistika

Oleh :
Renyta Ayualifa Janna
5551220126
3D Manajemen

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS SULTAN AGENG TIRTAYASA
2023
 PENGERTIAN
Uji asumsi klasik merupakan persyaratan statistik yang harus dilakukan pada analisi regresi
linier berganda yang berbasis ordinary lest square. Dalam OLS hanya terdapat satu variabel
dependen, sedangkan untuk variabel independen berjumlah lebih dari satu. Menurut Ghozali
(2018:159) untuk menentukan ketepatan model perlu dilakukan pengujian atas beberapa
asumsi klasik yaitu, uji normalitas, uji multikolinieritas, uji heteroskodastisitas dan uji
autokorelasi.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat
dan bebasnya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah
memiliki data distribusi data normal atau mendekati normal. Langkah-langkah yang dapat
digunakan untuk melakukan uji normalitas data adalah dengan grafik dan melihat besaran
angka Shapiro-Wilk.
Adapun kriteria pengujian adalah sebagai berikut:
1) Jika angka signifikansi (SIG) > 0,05. Maka data berdistribusi normal.
2) Jika angka signifikansi (SIG) < 0,05. Maka data berdistribusi tidak normal.

2. Uji Multikolinearitas
Digunakan untuk menguji apakah suatu model regresi penilitian terdapat korelasi antar
variabel independen (bebas). Model regresi yang baik adalah yang tidak terjadi korelasi
antara variabel independen dan bebas dari gejala multikolinearitas. Mengetahui ada atau
tidaknya gejala multikoliniearitas yaitu dengan melihat besaran dari nilai VIF (Variance
Inflation Factor) dan juga nilai Tolerance. Tolerance mengukur variabilitas variabel terpilih
yang tidak dijelaskan oleh variabel independen lainnya. Nilai yang dipakai untuk
menunjukkan adanya gejala multikolinearitas yaitu adalah nilai VIF < 10,00 dan nilai
Tolerance > 0,10 (Ghozali, 2018:107).
Sebagai ilustrasi, model regresi dengan variabel independen adalah motivasi,
kepemimpinan dan kepuasan kerja dengan variabel dependen kinerja. Logika sederhana
adalah bahwa model mencari kinerja berdasarkan dampak motivasi, kepemimpinan, dan
kepuasan kerja. Jadi seharusnya tidak ada korelasi yang tinggi antara motivasi dan
kepemimpinan, motivasi dengan kepuasan kerja atau antara kepemimpinan dan kepuasan
kerja.
3. Uji Heteroskedastisitas
Bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance
dari residual satu pengamatan ke pengamatan yang lain (Ghozali, 2018:120). Pengujian
heteroskedastisitas dapat dengan melihat grafik scatterplot antara SRESID dan ZPRED
yaitu ada atau tidaknya pola tertentu. Bukti heteroskedastisitas dapat dibuat dengan
menggunakan metode scatterplot dengan memplot nilai ZPRED (Nilai Prediktif) dengan
SRESID (Nilai Sisa). Model yang baik adalah ketika grafik tidak mengandung pola
tertentu, seperti Berkumpul di tengah, menyempit dan memperbesar atau sebaliknya
 Memperbesar dan memperkecil. Tes Glejser, tes Park atau tes Wei dapat digunakan sebagai
tes statistik.
Beberapa solusi alternatif, jika model tersebut melanggar asumsi heteroskedastisitas
adalah mengubahnya menjadi bentuk logaritmik. Ini hanya mungkin jika semua data
positif. Atau semua variabel dapat dibagi dengan variabel yang mengalami gangguan
heteroskedastisitas.
Dasar pengambilan keputusannya adalah sebagai berikut :
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi
heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan dibawah angka 0
pada sumbu Y, maka tidak terjadi heteroskedastisitas (Ghozali, 2018:137-138). Sebagai
cara untuk memperkuat uji scatterplot terdapat cara lain yaitu dengan pengujian uji park.
Yaitu apabila variabel independen memiliki nilai tingkat signifikansi melebihi 0,05
sehingga dapat disimpulkan tidak terjadi gejala heteroskedastisitas dalam model regresi
penelitian ini.
4. Uji Autokorelasi
Uji Autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi
lainnya (Winarno, 2015:5.29). Menurut Ghozali (2018:111) Uji autokorelasi bertujuan untuk
menguji apakah dalam model regresi liner ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya).
Contohnya adalah dampak inflasi bulanan pada nilai tukar rupiah terhadap dolar. Data pada
tingkat inflasi untuk bulan tertentu, misalnya februari dipengaruhi oleh tingkat inflasi pada
Januari. Berarti model tersebut memiliki masalah autokorelasi. Contoh lain adalah pengeluaran
rutin dalam rumah tangga. Jika sebuah keluarga membuat pengeluaran bulanan yang relatif
tinggi di bulan Januari maka pengeluaran akan rendah di bulan Februari.
5. Uji Linieritas
Linieritas adalah keadaan di mana hubungan antara variabel dependen dan variabel
independen bersifat linier (garis lurus) dalam range variable independen tertentu. Uji linieritas
bisa diuji dengan menggunakan scatter plot (diagram pencar) seperti yang digunakan untuk
deteksi data outler, dengan memberi garis tambahan regresi. Oleh karena scatter plot hanya
menampilkan hubungan dua variabel saja, jika lebih dari dua data, maka pengujian data
dilakukan dengan berpasangan tiap dua data.
Kriterianya adalah:
a. Jika pada grafik mengarah ke kanan atas, maka data termasuk dalam kategori linier
b. Jika pada grafik tidak mengarah ke kanan atas, maka data termasuk dalam kategori tidak
linier
 Pentingnya Uji Asumsi Klasik

Uji asumsi klasik untuk memastikan persamaan regresi yang difungsikan tepat dan valid.
Sebelum melakukan analisa regresi berganda dan pengujian hipotesis, maka harus melakukan
beberapa uji asumsi klasik yang bertujuan untuk mengetahui apakah model regresi yang
digunakan sudah terbebas dari penyimpangan asumsi dan memenuhi ketentuan untuk
mendaoatkan linier yang baik.
Tujuan pengujian asumsi klasik ini adalah untuk memberikan kepastian bahwa
persamaan regresi yang didapatkan memiliki ketepatan dalam estimasi, tidak bias dan
konsisten. Asumsi klasik adalah syarat-syarat yang harus dipenuhi pada model regresi linear
OLS agar model tersebut menjadi valid sebagai alat penduga. regresi OLS ada 2 macam,
yaitu: regresi linear sederhana dan regresi linear berganda. Analisis regresi yang tidak
berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistic atau
regresi ordinal. Untuk analisis regresi yang tidak berdasar pada OLS dan tidak membutuhkan
persyaratan asumsi klasik misalnya seperti regresi ordinal atau logistik.

Tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji
multikolienearitas tidak dilakukan pada analisis regresi linear sederhana dan uji autokorelasi
tidak perlu diterapkan pada data cross sectional. analisis uji asumsi klasik tidaklah digunakan
dalam SMART PLS. Hal itu disebabkan karena dalam SMART PLS menggunakan metode
pendekatan Partial Least Square – Structural Equation Modeling (PLS-SEM).

Menurut Azwar (2010), terkadang, analisis (uji hipotesis) dapat dilakukan tanpa harus
melakukan uji asumsi klasik terlebih dahulu. Kalaupun ternyata hasil uji asumsi tidak sesuai
dengan yang diharapkan, kesimpulan hasil analisisnya pun tidak selalu invalid. Membiarkan
data apa adanya lebih baik dari pada memanipulasi data sedemikian rupa yang pada akhirnya
menjurus pada kebohongan data.
 DAFTAR PUSTAKA

Ghozali. (2016). Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23. Universitas
Diponegoro.

Gujarati, D. N. (2003). Basic Econometric Forth Edition. New York: Mc Graw-Hill.

Juliandi A, I. M. (2014). Metodologi Penelitian Bisnis: Konsep dan Aplikasi. UMSU Press.

Maddala, G. (1992). Introduction to Econometric, 2nd Edition. Mac-Millan Publishing Company,

New York.

Sumodiningrat, G. (2001). Ekonometrika Pengantar. PFEYogyakarta.