UJI ASUMSI KLASIK

Uji asumsi klasik adalah persyaratan ststistik yang harus dipenuhi pada analisis regresi
linier berganda yang berbasis ordinary least square (OLS). Uji asumsi klasik meliputi:
a. Uji multikolinearitas
b. Uji Heteroskedatisitas
c. Uji Autokorelasi
d. Uji Normalitas

A. MULTIKOLINIERITAS

Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan
adanya korelasi antar variabel independen. Model regresi yang baik adalah tidak terjadi korelasi
antar variabel independen.
Pedoman suatu model regresi yang bebas multiko adalah
- Mempunyai angka Tolerance lebih dari 0,01
- Mempunyai nilai VIF kurang dari 10

Untuk mengatasi apabila terjadi multikolinieritas maka ada beberapa alternatif yang bisa
dilakukan antara lain:
- Mengganti atau mengeluarkan salah satu variabel yang korelasinya tinggi/kuat.
- Menambah jumlah observasi
- Mentransformasikan data dalam bentuk lain, misalnya logaritma natural atau akar
kuadrat

Berikut ini contoh cara melakukan uji asumsi klasik dari data dengan dua variabel independen
mengenai “Analisis Pengaruh MOTIVASI dan KEPEMIMPINAN terhadap KINERJA”

NO. X1.1 X1.2 X1.3 X1.4 X1.5 X2.1 X2.2 X2.3 Y1 Y2 Y3

1 2 4 3 4 2 3 3 3 3 3 4
2 3 4 3 3 3 3 2 2 3 2 3
3 3 4 3 2 3 4 4 3 3 2 2
4 2 2 3 2 2 3 2 3 3 3 3
5 2 4 3 3 2 4 3 2 2 3 3
6 2 4 5 2 2 4 3 3 5 4 4
7 2 4 5 5 2 3 3 4 3 5 4
8 2 4 3 2 2 3 2 3 2 3 3
9 2 2 2 3 2 3 3 3 2 4 3
10 3 3 5 3 3 3 3 4 4 4 4
11 2 3 3 3 2 3 4 3 3 4 3
12 3 2 3 2 3 4 3 3 3 2 3
13 5 4 5 3 5 3 5 3 4 5 4
14 2 4 5 3 2 4 4 3 5 4 4
15 3 3 2 3 3 3 3 4 2 3 2
 16 5 5 5 5 5 3 4 3 5 4 5
17 5 3 5 3 5 3 3 4 4 5 4
18 2 2 3 3 2 3 3 3 3 2 3
19 3 3 5 3 3 4 3 3 2 3 2
20 5 4 5 4 5 5 4 3 4 5 4
21 5 5 3 3 5 3 4 4 4 4 4
22 3 3 3 2 3 3 3 2 2 3 2
23 2 3 3 4 2 2 3 3 2 3 3
24 5 4 5 3 5 3 4 5 5 3 4
25 5 4 5 3 5 5 4 4 3 4 3
26 3 4 3 4 3 4 4 4 3 5 4
27 3 3 2 3 3 3 3 2 2 2 3
28 3 3 3 4 3 4 3 3 2 3 2
29 5 4 4 4 5 4 3 3 3 4 4
30 4 3 4 5 4 4 4 5 4 5 5
31 4 3 4 4 4 3 4 4 3 4 3
32 4 5 4 4 4 3 3 4 3 4 4
33 5 5 4 5 5 4 5 5 5 5 4
34 4 3 5 4 4 3 4 4 3 2 5
35 5 3 4 4 5 3 4 5 5 3 3
36 2 3 3 3 2 3 2 2 2 2 3
37 2 3 2 2 2 3 3 3 3 3 3
38 5 4 5 5 5 5 5 5 5 4 5
39 3 3 2 3 3 2 3 3 2 4 3
40 3 5 5 5 3 4 4 4 3 5 3
41 5 4 4 4 5 5 5 5 5 3 5
42 5 5 4 5 5 5 4 4 5 5 4
43 4 3 3 4 4 3 4 3 3 4 4
44 3 4 4 4 3 4 4 4 3 4 4
45 4 3 4 5 4 3 4 5 5 3 3
46 3 4 4 3 3 4 3 3 3 4 4
47 5 5 5 5 5 5 5 4 5 3 5
48 2 2 2 3 2 3 3 2 3 2 3
49 5 5 4 5 5 5 5 5 4 4 5
50 5 4 5 5 5 5 5 5 4 4 4

Langkah- langkah uji multikolinearitas:

a. Buka file data
b. Pilih menu Analyze  Regression  Linier
Akan tampil kotak dialog Linier Regression sebagai berikut:
c. Masukkan Dependent: Kinerja dan independent variabel: Motivasi dan
Kepemimpinan
d. Tekan tombol Statistics, non aktifkan Estimates dan Model fit
e. Aktifkan pilihan Covarian matrix dan Collinearity diagnostics
 f. Tekan tombol continue
g. OK

 Output uji multikolinearity tampak sebagai berikut:

Regression

Variables Entered/Removeda

Variables
Model Variables Entered Removed Method

1 KEPEMIMPINAN,
. Enter
MOTIVASIb

a. Dependent Variable: KINERJA

b. All requested variables entered.

Coefficientsa

Collinearity Statistics

Model Tolerance VIF

1 MOTIVASI .375 2.668

KEPEMIMPINAN .375 2.668

a. Dependent Variable: KINERJA

Coefficient Correlationsa

Model KEPEMIMPINAN MOTIVASI

1 Correlations KEPEMIMPINAN 1.000 -.791

MOTIVASI -.791 1.000

Covariances KEPEMIMPINAN .026 -.010

MOTIVASI -.010 .006

a. Dependent Variable: KINERJA

Collinearity Diagnosticsa

Variance Proportions

Model Dimension Eigenvalue Condition Index (Constant) MOTIVASI KEPEMIMPINAN

1 1 2.962 1.000 .00 .00 .00

2 .029 10.142 .82 .23 .02

3 .009 18.138 .17 .77 .97

a. Dependent Variable: KINERJA

  Interpretasi hasil dilihat dari tabel Coefficients:
Coefficientsa

Collinearity Statistics

Model Tolerance VIF

1 MOTIVASI .375 2.668

KEPEMIMPINAN .375 2.668

a. Dependent Variable: KINERJA

Kriteria uji multikolinearitas:

Model regresi dikatakan bebas dari multikolinearitas jika:
- Mempunyai angka Tolerance lebih dari 0,01
- Mempunyai nilai VIF kurang dari 10

Kesimpulan: Berdasarkan tabel coefficients, dapat dilihat nilai Tolerance untuk variabel
Motivasi dan Kepemimpinan 0,375 > 0,01 dan nilai VIF untuk kedua variabel sebesar 2,668 <
10. Maka dapat disimpulkan bahwa tidak terjadi problem multikolinearitas pada model regresi.

B. HETEROSKEDASTISITAS

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam sebuah model regresi,
terjadi ketidaksamaan varians residual dari pengamatan satu ke pengamatan yang lain. Jika
varians residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut
homoskedastisitas. Dan jika varians berbeda, disebut Heteroskedastisitas. Model regresi yang
baik adalah tidak terjadi heteroskedastisitas.
Apabila terjadi heteroskedastisitas maka solusi yang bisa dilakukan adalah
mentransformasikan data ke dalam bentuk logaritma.

Uji Heteroskedastisitas dengan uji Gleyser.

Uji Gleyser dilakukan dengan meregresikan nilai absolute residual (AbsUi) terhadap
variabel independen lainnya. Jika B signifikan, maka mengindikasikan terdapat
heteroskedstisitas dalam model.

Langkah-langkah uji heteroskedastisitas:

1. Membuat variabel residual (RES_1), dengan langkah-langkah sebagai berikut:
a. Pilih menu Analize –> regression –> linier
b. Masukkan variabel dependen dan independen
c. Klik save – muncul kotak dialog regression
d. Pada kolom residuals (sebelah kanan) aktifkan Unstandardized

e. Klik Continue
f. OK
 Pada tampilan SPSS Data Editor akan menampilkan satu variabel baru bernama
RES_1

2. Absolutkan nilai RES_1

a. Pilih menu Transforn -> Compute Variable
Muncul kotak dialog Compute Variable.
b. Isikan nama variabel baru yaitu AbsUi
c. Pada kotak Function Group pilih All
d. Pada kotak Functions and spesial variables pilih Abs, lalu tekan tombol
bergambar panah ke atas
e. Pada kotak variabel pilih Unstandardized Residual (RES_1) lalu tekan gambar
panah ke kanan hingga di kotak numerik expression diperoleh tampilan ABS
(RES_1)
 f. Tekan OK
g. Muncul nama variabel baru AbsUi dalam SPSS Data Editor

3. Regresikan variabel AbsUi sebagai variabel dependen

a. Analize -> Regression -> Linier
b. Masukkan dependen variabel yaitu AbsUi dan variabel independennya Motivasi
dan Kepemimpinan
 c. Pilik Statistik -> klik deskriptif
d. Continue
e. OK
4. Proses Uji Heteroskedastisitas selesai

 Output uji heteroskedastisitas tampak sebagai berikut:

Regression

Descriptive Statistics

Mean Std. Deviation N

AbsUi 1.1627 .84075 50

MOTIVASI 17.88 4.312 50
KEPEMIMPINAN 10.64 2.136 50

Correlations

AbsUi MOTIVASI KEPEMIMPINAN

Pearson Correlation AbsUi 1.000 -.148 -.067

MOTIVASI -.148 1.000 .791

KEPEMIMPINAN -.067 .791 1.000

Sig. (1-tailed) AbsUi . .152 .321
 MOTIVASI .152 . .000
KEPEMIMPINAN .321 .000 .
N AbsUi 50 50 50

MOTIVASI 50 50 50

KEPEMIMPINAN 50 50 50

Variables Entered/Removeda

Variables
Model Variables Entered Removed Method

1 KEPEMIMPINAN,
. Enter
MOTIVASIb

a. Dependent Variable: AbsUi

b. All requested variables entered.

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .170a .029 -.013 .84602

a. Predictors: (Constant), KEPEMIMPINAN, MOTIVASI

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression .996 2 .498 .696 .504b

Residual 33.640 47 .716

Total 34.636 49

a. Dependent Variable: AbsUi

b. Predictors: (Constant), KEPEMIMPINAN, MOTIVASI

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 1.488 .615 2.419 .019

MOTIVASI -.050 .046 -.254 -1.083 .284

KEPEMIMPINAN .053 .092 .134 .570 .571

a. Dependent Variable: AbsUi

  Interpretasi hasil uji heteroskedastisitas dilihat dari tabel coefficients, sebagai
berikut:
Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 1.488 .615 2.419 .019

MOTIVASI -.050 .046 -.254 -1.083 .284

KEPEMIMPINAN .053 .092 .134 .570 .571

a. Dependent Variable: AbsUi

Kriteria: uji heteroskedatisitas apabila nilai sig di atas 0,05 , berarti TIDAK TERDAPAT
HETEROSKEDASTISITAS dalam model. Dengan kata lain semua variabel independen yang
terdapat dalam model ini memiliki sebaran varian yang sama/homogen.

Kesimpulan: nilai sig. Semua variabel independen lebih besar dari 0,05, berarti tidak
terdapat problem heteroskedastisitas dalam model regresi.

C. AUTOKORELASI

Tujuannya apakah dalam sebuah model regresi linier ada korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi
korelasi, maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi
yang bebas dari autokorelasi.
Uji autokorelasi hanya digunakan pada data time series (data runtut waktu). Jadi tidak
dilakukan pada data cross section. Data yang diambil dengan kuesener dimana pengukuran
semua variabel dilakukan serempak pada waktu yang sama termasuk data cross section,
sehingga tidak perlu dilakukan uji aotukorelasi.
Pada contoh praktikum kita datanya adalah ada cross section, jadi tidak perlu dilakukan
uji autokorelasi.

Deteksi adanya autokorelasi dengan besaran Durbin-Watson:

- Jika D-W di bawah -2 berarti ada autokorelasi positif
- Jika D-W di antara -2 sampai +2 berarti tidak ada autokorelasi
- Jika D-W di atas +2 berarti ada autokorelasi negative.

Autokorelasi bisa diatasi dengan cara antara lain:

- Melakukan transformasi data
- Menambah data observasi
 D. NORMALITAS

Uji Normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel
dependen, variabel independen atau keduannya mempunyai distribusi normal ataukah tidak.
Model regresi yang baik adalah distribusi data normal atau mendekati normal.

Apabila terjadi data tidak berdistribusi normal, maka ada beberapa solusi yang bisa
dilakukan, antara lain: dengan melakukan transformasi data, trimming data outliers atau
menambah data observasi. Transformasi data dapat dilakukan ke dalam bentuk logaritma
natural, akar kuadrat,atau invers.

Uji normalitas dengan uji Kolmogorrov-Smirnov.

Uji Kolmogorrov-Smirnov
Langka-langkah uji K-S:
a. Dari menu utama SPSS pilih menu Analize -> Nonparametric test ->Legacy dialog -
> 1-Sample K-S

b. Muncul kotak dialog One-Sample Kolmogorov-Smirnov Test

Pada kotak Test Variable list isikan variabel Unstandardized Residual (RES_1)
Pada kotak Test Distribution aktifkan Normal
 c. Abaikan lainnya, lalu klik OK

 Output uji normalitas tampak sebagai berikut:

NPar Tests

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 50
a,b
Normal Parameters Mean .0000000
Std. Deviation 1.44442929
Most Extreme Differences Absolute .068
Positive .063
Negative -.068
Test Statistic .068
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.
  Interprestasi hasil uji normalitas:

Kriteria: Apabila angka signifikansi lebih besar dari 0,05 maka nilai KS tidak
signifikan. Hal ini berarti residual terdistribusi secara normal.

Kesimpulan: berdasarkan tabel One-Sample Kolmogorrov-Smirnov Test diketahui

bahwa angka asymp. Sig sebesar 0,200 > 0,05. Hal ini berarti residual berdistribusi normal.
TUGAS

Dari data tentang “Analisis Pengaruh KEPEMIMPINAN, KOMPENSASI dan KOMPETENSI

terhadap KINERJA KARYAWAN”, lakukan Uji asumsi klasik yang meliputi:
1). Uji Multikolinearitas
2). Uji Heteroskedastisitas dan
3) Uji Normalitas Data
Berikan juga interpretasinya.

Urutan penyajian tugas adalah sebagai berikut:

1. Uji Multikolinearitas, terdiri dari:

a. Output SPSS (table coefficients)
b. Interpretasi hasil hasil
2. Uji Heteroskedastisitas, terdiri dari:
a. Output SPSS (table coefficoents)
b. Interpretasi hasil hasil
3. Uji Normalitas, terdiri dari:
a. Output SPSS (table One-Sample Kolmogorov-Smirnov Test)
b. Kesimpulan interpretasi hasil

Upload tugas di google form Dalim bentuk pdf.