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”
Regression
Variables Entered/Removeda
Variables
Model Variables Entered Removed Method
1 KEPEMIMPINAN,
. Enter
MOTIVASIb
Coefficientsa
Collinearity Statistics
Coefficient Correlationsa
Variance Proportions
Collinearity Statistics
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 Gleyser dilakukan dengan meregresikan nilai absolute residual (AbsUi) terhadap
variabel independen lainnya. Jika B signifikan, maka mengindikasikan terdapat
heteroskedstisitas dalam model.
e. Klik Continue
f. OK
Pada tampilan SPSS Data Editor akan menampilkan satu variabel baru bernama
RES_1
Regression
Descriptive Statistics
Correlations
MOTIVASI 50 50 50
KEPEMIMPINAN 50 50 50
Variables Entered/Removeda
Variables
Model Variables Entered Removed Method
1 KEPEMIMPINAN,
. Enter
MOTIVASIb
Model Summary
ANOVAa
Total 34.636 49
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Standardized
Unstandardized Coefficients Coefficients
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.
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 Kolmogorrov-Smirnov
Langka-langkah uji K-S:
a. Dari menu utama SPSS pilih menu Analize -> Nonparametric test ->Legacy dialog -
> 1-Sample K-S
NPar Tests
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
Kriteria: Apabila angka signifikansi lebih besar dari 0,05 maka nilai KS tidak
signifikan. Hal ini berarti residual terdistribusi secara normal.