NORMALITAS DAN HOMOGENITAS DATA, REGRESI LINEAR SEDERHANA DAN

GANDA, UJI AUTOKORELASI, LINIERITAS, MULTIKOLINEARITAS, SERTA

HOMOKEDASTISITAS

Disusun untuk memenuhi tugas kelompok pada mata kuliah Statistika Pendidikan

Dosen Pengampu:
Nursiwi Nugraheni, S.Si., M.Pd.

Oleh:
Dilla Fatmawati 1401421174
Cahya Kartika Adhi Pradana 1401421175
Vera Yulia Veriska 1401421176
Maya Nur Amalia 1401421177
Wandha Nur Handayani 1401421178

PROGRAM STUDI PENDIDIKAN GURU SEKOLAH DASAR

FAKULTAS ILMU PENDIDIKAN DAN PSIKOLOGI
UNIVERSITAS NEGERI SEMARANG
2024
 KATA PENGANTAR

Puji syukur kami panjatkan ke hadirat Allah swt. karena atas rahmat, karunia serta kasih
sayang-Nya kami dapat menyelesaikan makalah mengenai “Normalitas Dan Homogenitas Data,
Regresi Linear Sederhana Dan Ganda, Uji Autokorelasi, Linieritas, Multikolinearitas, Serta
Homokedastisitas” dengan sebaik mungkin. Sholawat serta salam semoga tetap tercurahkan
kepada Nabi terakhir, penutup para Nabi sekaligus satu-satunya Uswatun Hasanah kita, Nabi
Muhammad saw. Tidak lupa pula kami ucapkan terima kasih kepada Ibu Nursiwi Nugraheni, S.Si.,
M.Pd. selaku dosen pengampu mata kuliah Statistika Pendidikan.
Penulisan makalah ini, kami menyadari masih banyak terdapat kesalahan dan kekeliruan,
baik yang berkaitan dengan materi pembahasan maupun dengan teknik pengetikan. Walaupun
demikian, inilah usaha maksimal kami selaku penulis. Semoga dengan makalah ini para pembaca
dapat menambah wawasan ilmu pengetahuan dan diharapkan kritik yang membangun dari para
pembaca guna memperbaiki kesalahan sebagaimana mestinya.

Semarang, 26 Maret 2024

Penyusun
DAFTAR ISI
 BAB I
PENDAHULUAN

A. Latar Belakang
Mengingat kompleksitas data di dunia nyata, pelanggaran asumsi klasik menjadi
tantangan besar. Artikel ini memberikan pembahasan secara komprehensif, mulai dari
multikolinearitas yang menimbulkan ketidakpastian, heteroskedastisitas yang
mempengaruhi interpretasi statistik suatu variabel, hingga autokorelasi yang menimbulkan
ketergantungan antar observasi.
Deteksi pelanggaran dan solusi praktis seperti tes VIF, tes Breusch-Pagan, Durbin-
Watson, transformasi variabel, atau penggunaan teknik yang kuat akan menjadi bagian
integral dari diskusi. Bahkan analisis regresi linier yang tujuannya untuk menghitung nilai
suatu variabel tertentu tidak memerlukan pengujian asumsi klasik. Misalnya, return saham
dihitung menggunakan model pasar atau model yang disesuaikan dengan pasar.
Menghitung nilai ekspektasi return dapat dilakukan dengan menggunakan persamaan
regresi, namun tidak perlu melakukan uji asumsi klasik.
Uji penerimaan klasikal yang umum digunakan adalah uji multikolinearitas, uji
heteroskedastisitas, uji normalitas, uji autokorelasi, dan uji linearitas. Tidak ada pedoman
yang jelas mengenai urutan penyelesaian ujian terlebih dahulu. Anda dapat melakukan
analisa sesuai dengan data yang ada. Misalnya, analisis terhadap semua tes penerimaan
klasik dilakukan untuk mengetahui tes mana yang tidak memenuhi persyaratan. Pengujian
tersebut kemudian disempurnakan dan pengujian lainnya dijalankan setelah persyaratan
terpenuhi.

B. Rumusan Masalah
1. Bagaimana cara pengujian normalitas data?
2. Bagaimana cara pengujian homogenitas data?
3. Bagaimana cara pengujian regresi linier sederhana dan regresi linear ganda?
4. Bagaimana cara pengujian uji autokorelasi?
5. Bagaimana cara pengujian uji linearitas?
6. Bagaimana cara pengujian uji multikolinearitas?
 7. Bagaimana cara pengujian uji homokedastisitas?

C. Tujuan
1. Menjelaskan cara pengujian normalitas data.
2. Menjelaskan cara pengujian homogenitas data.
3. Menjelaskan cara pengujian regresi linier sederhana dan regresi linear ganda.
4. Menjelaskan cara pengujian uji autokorelasi.
5. Menjelaskan cara pengujian uji linearitas.
6. Menjelaskan cara pengujian uji multikolinearitas.
7. Menjelaskan cara pengujian uji homokedastisitas.
 BAB II
HASIL DAN PEMBAHASAN

A. Uji Normalitas Data

Dalam sebuah data terdapat pengujian salah satunya uji normalitas pada tersebut
Pengujian normalitas dimaksudkan untuk mendeteksi apakah data yang akan digunakan
sebagai pangkal tolak pengujian hipotesis merupakan data empirik yang memenuhi hakikat
naturalistik. Hakikat naturalistik menganut paham bahwa fenomena (gejala) yang terjadi
di alam ini berlangsung secara wajar dan dengan kecenderungan berpola. Dalam
pendekatan statistika parametrik, setidak-tidaknya ada dua teknik statistika yang dapat
digunakan untuk pengujian normalitas, yaitu Uji Liliefors dan chi kuadrat. Teknik Liliefors
menggunakan pendekatan pemeriksaan data individu dalam keseluruhan (kelompok).
Untuk pengujian hipotesis pengujian kenormalan data dapat ditempuh prosedur
berikut:
a. Hitung rata-rata (Mean) dan standar deviasi (s) untuk masing-masing kelompok data
sampel
b. Pengamtan x1 , x2 , x3 , ….., xn dijadikan angka baku dimana z1 , z2 , z3 , …., zn
dengan rumus sebagai berikut :

c. Untuk tiap angka baku, dengan menggunakan daftar distribusi normal baku dihitung
peluang : F (zi ) = P(Zskor <= zi )
d. Dihitung proporsi z1 , z2 , z3 , …., zn yang lebih atau sama dengan zi . Jika proporsi
dinyatakan dengan S (zi ), maka :

e. Dihitung |F(zi ) – S(zi)| dan ambil nilai |F(zi ) – S(zi)| yang terbesar disebut Lo, lalu
dibandingkan dengan harga kritis L tabel Liliefors pada alpha tertentu.
 Berikut merupakan contoh perhitungan kenormalan galat data yang dibentuk oleh
variabel Y atas X1. Dalam hal ini data yang diuji kenormalannya yaitu galat taksiran.
Untuk itu perlu dihitung terlebih dahulu persamaan regresi yang dibentuk Y atas X1,
dengan mencari koefisien a dan b. Dalam hal ini terlebih dahulu dicari persamaan regresi
sederhana antara kinerja pegawai (Y) atas budaya organisasi (X1), yaitu:
Y = a + bX1
Ket : Y = Variabel terikat. (endegonus)
X1 = Variabel bebas (eksegonus)
a = Konstanta intersep
b = Koefisien regresi Y atas X1.

Harga koefisien a dan b dapat dihitung dengan rumus :

Pehitungan Uji Normalitas Galat Taksiran Y atas X1

 Kesimpulan :
L hitung = 0,065
L tabel = 0,138 ;

Karena L hitung < L tabel Simpulan : Galat Taksiran Berdistribusi Normal

Dengan menggunakan program exel diperoleh persamaan regresi, dengan koefisien

a = 50,440 dan b = 0,590. Sehingga persamaan regresi yang dibentuk yaitu Y = 50,440 +
0,590 X1.
 Lebih lanjut berdasarkan uji kenormalan galat data diperoleh L hitung sebesar
0,065 sedangkan L tabel (db=41 dan α = 5%) = 0,138.
Berdasarkan perhitungan pada tabel di atas didapat harga Liliefors hitung sebesar
0,065, sedangkan harga Liliefors tabel pada = 5% dengan dk = 41 yaitu sebesar 0,138.
Dengan demikian Lo < Lt yaitu 0,065 < 0,138, hasil ini dapat disimpulkan bahwa skor
galat taksiran Y atas X1 berasal dari populasi yang berdistribusi normal.

B. Uji Homogenitas Data

Pengujian homogenitas dimaksudkan untuk memberikan keyakinan bahwa
sekumpulan data yang dimanipulasi dalam serangkaian analisis memang berasal dari
populasi yang tidak jauh berbeda keragamannya. Khusus untuk studi korelatif yang
sifatnya prediktif, model yang digunakan harus fit (cocok) dengan komposisi dan distribusi
datanya. Goodness of fit model tersebut secara statistika dapat diuji setelah model prediksi
diperoleh dari perhitungan. Model yang sesuai dengan keadaan data adalah apabila
simpangan estimasinya mendekati 0. Untuk mendeteksi agar penyimpangan estimasi tidak
terlalu besar, maka homogenitas variansi kelompok-kelempok populasi dari mana sampel
diambil, perlu diuji.
Pengujian homogenitas varians suatu kelompok data, dapat dilakukan gengan cara
Uji F dan Uji Bartlett. Adapun proses pengujian dan rumus yang digunakan untuk
pengujian homogenitas varians kelompok data yaitu sebagai berikut:
1) Uji F (digunakan untuk menguji homogenitas varians dari dua kelompok data).
Rumus Uji F yaitu:
2) Uji Bartlett (digunakan untuk menguji homogenitas varians lebih dari dua
kelompok data)

Contoh Perhitungan
1. Untuk Data Terdiri dari 2 kelompok (Uji F)
Suatu data penelitian untuk mengetahui kinerja guru berdasarkan golongan
kepangkatannya. Kemudian dibuat suatu alat ukur kinerja guru. Dengan menggunakan
alat tersebut diperoleh skor kinerja guru dari sebanyak 70 orang responden. Adapun
ringkasan data dari kinerja guru tersebut berdasarkan golongan seperti pada tabel
berikut:
 Langkah pengujian:
Varians dari setiap kelompok sampel :
Varians dari Golongan II s2 1 8,23; dengan dk = 20 –1 = 19.
Varians dari Golongan III s2 2 8,46; dengan dk = 50 –1 = 49.
Menghitung nilai F, yaitu:
F = S1 2 / S2 2 = 8,23/8,46 = 0,973

Hal ini bermakna, bahwa varians skor data kinerja guru kelompok golongan II dengan
kelompok golongan III homogen pada taraf kepercayaan 95%.

2. Untuk Data Lebih Dari 2 kelompok (Uji Bartlett)

a) Data Penelitian (Untuk Penelitian Eksperimen)
Suatu penelitian tentang perbedaan hasil belajar siswa akibat dari suatu perlakuan
(eksperimen). Adapun perlakuan yang diberikan adalah perbedaan strategi/metode
pembelajaran pada siswa. Adapun strategi/ metode pembelajaran yaitu:
Kelompok 1 : Metode A (Diskusi kelompok besar)
Kelompok 2 : Metode B (Diskusi kelompok kecil)
Kelompok 3 : Metode C (Ceramah dengan media)
Kelompok 4 : Metode D (Ceramah tanpa media)
 Untuk menguji homogenitas varians data dari keempat kelompok digunakan teknik
Bartlett. Berdasarkan data di atas dapat dihitung nilai varians setiap kelompok seperti
pada tabel berikut.
Langkah-langkah perhitungan :
Varians dari setiap kelompok sampel :
Varians dari Kel. 1 2 1 s 9,39; dengan dk = 25 –1 = 24.
Varians dari Kel. 2 2 2 s 13,54; dengan dk = 15 –1 = 14.
Varians dari Kel. 3 2 3 s 11,26; dengan dk = 23 –1 = 22.
Varians dari Kel. 4 2 4 s 6,62; dengan dk = 17 –1 = 16.
1. Tabel homogenitas varians :

2. Menghitung varians gabungan

3. Menghitung nilai B

4. Menghitung harga chi-kuadrat :

C. Uji Regresi Linier Sederhana
Analisis regresi linear atau dalam bahasa Inggris disebut dengan nama simple
linear regression digunakan untuk mengukur besarnya pengaruh satu variabel bebas atau
variabel independen atau variabel prediktor atau variabel x terhadap variabel tergantung
atau variabel dependen atau variabel terikat atau variabel y. Syarat kelayakan yang harus
terpenuhi saat kita menggunakan regresi linier sederhana adalah
1. Jumlah sampel yang digunakan harus sama
2. Jumlah variabel bebas (x) adalah 1
3. Nilai residual harus berdistribusi normal
4. Terdapat hubungan yang linear antara variabel bebas (x) dengan variabel tergantung
(y)
5. Tidak terjadi gejala heteroskedastisitas
6. Tidak terjadi gejala autokorelasi (untuk data time series)

CONTOH KASUS UJI ANALISIS REGRESI LINEAR SEDERHANA

Sebagai contoh terdapat sebuah data penelitian dengan judul “Pengaruh Stress
Kerja terhadap Kinerja Pegawai” dari judul diatas maka hipotesis atau kesimpulan
sementara yang diajukan dan akan diuji dengan analisis regresi linear sederhana adalah
ada “Pengaruh Stress Kerja terhadap Kinerja Pegawai”. Adapun data penelitian tersebut
adalah sebagai berikut :
KETERANGAN TERKAIT DATA PENELITIAN
1. Data diatas diperoleh dari hasil penyebaran kuisioner atau angket (menggunakan nilai
skor hasil jawaban responden atas item-item soal kuisioner).
2. Jika menggunakan kuisioner untuk data penelitian, maka item-item kuisioner tersebut
harus dipastikan sudah lolos uji validitas dan reliabilitas terlebih dahulu.
3. Jumlah sampel yang digunakan adalah 12 responden (pegawai)
4. Variabel penelitian : Stress kerja sebagai variabel bebas (x) dan Kinerja pegawai
sebagai variabel tergantung (y)
CARA UJI ANALISIS REGRESI LINEAR SEDERHANA DENGAN SPSS
Adapun urutan langkah-langkah uji analisis regresi linear sederhana dengan SPSS
adalah sebagai berikut :
1. Buka lembar kerja SPSS lalu klil Variable view, selanjutnya pada kolom Name untuk
baris pertama tulis X, baris kedua Y. Lalu pada kolom Label baris pertama tulis Stress
Kerja dan baris kedua tulis Kinerja pegawai (untuk pilihan lainnya biarkan tetap
default).
2. Langkah berikutnya klik Data Vie (dari tampilan data view terlihat duan nama
variabel yakni X & Y), selanjutnya masukkan data penelitian dengan ketentuan X
untuk data Stress Kerja dan Y untuk Kinerja Pegawai (pada saat memasukkan data
penelitian harus dilakukan dengan teliti dan cermat karena jika terjadi kesalahan pada
proses penginputan data ini, maka output SPSS tidak akan menghasilkan data yang
akurat sesuai dengan harapan anda).

3. Jika sudah yakin di input dengan benar, langkah selanjutnya adalah klik menu
Analyze kemudian klik Regression - lalu klik linear.
4. Setelah itu akan muncul kotak dialog Linear Regression, masukan variabel Stress
Kerja (X) ke kotak Independent (s), dan masukkan variabel Kinerja Pegawai ke kotak
Dpenedent, caranya dengan mengklik tanda panah yang tersedia. Selanjutnya pada
bagian Method : pilih Enter abaikan yang lainnya).
5. Langkah terakhir adalah klik Ok untuk mengakhiri perintah maka akan keluar output
SPSS regresi linear sederhana sebagai berikut :

Membuat persamaan regresi linear sederhana

Secara umum rumus persamaan regresi linear sederhana adalah y = a + bX. Sementara
untuk mengetahui nilai koefisien regresi tersebut kita dapat berpedoman pada output
yang berada pada tabel koefisien berikut.
A = angka konstan dari understandardized coefficients dalam kasus ini nilainya sebesar
35,420 angka ini merupakan angka konstan yang mempunyai arti bahwa jika tidak ada
stres kerja (X) maka nilai konsisten kinerja pegawai (Y) adalah sebesar 35,420
B = angka konsisten regresi nilainya sebesar -0,511 angka ini mengandung arti bahwa
setiap penambahan 1% tingkat stres kerja (X) maka kinerja pegawai (Y) akan meningkat
sebesar -0,511

Karena nilai koefisien regresi bernilai minus maka dengan demikian dapat dikatakan
bahwa stres kerja x berpengaruh negatif terhadap kinerja pegawai y sehingga persamaan
regresinya adalah Y = 35,420 - 0,511 X

Uji hipotesis dalam analisis regresi linear sederhana

Uji hipotesis atau uji pengaruh berfungsi untuk mengetahui apakah koefisien regresi
tersebut signifikan atau tidak. Sekedar mengingatkan bahwa hipotesis yang diajukan
dalam analisis regresi linear sederhana ini adalah:
H0 = tidak ada pengaruh stres kerja (x) terhadap kinerja pegawai (y)
Ha = ada pengaruh stres kerja (x) terhadap kinerja pegawai (y)
Sementara itu untuk memastikan apakah koefisien regresi tersebut signifikan atau tidak
dalam arti variabel (x) berpengaruh terhadap variabel (y) kita dapat melakukan uji
hipotesis ini dengan cara membandingkan nilai signifikansi (Sig.) dengan probabilitas
0,05 atau dengan cara lain yakni membandingkan nilai t hitung dengan t tabel.

Uji hipotesis membandingkan nilai sig dengan 0,05

Adapun yang menjadi dasar pengambilan keputusan dalam analisis regresi dengan
melihat nilai signifikansi atau (sig.) hasil output SPSS adalah:
 1. Jika nilai signifikansi (Sig.) lebih kecil < dari probabilitas 0,05 mengandung arti
bahwa ada pengaruh stres kerja (x) terhadap kinerja pegawai (y)
2. Sebaliknya jika signifikan (Sig.) lebih besar > dari probabilitas 0,05 mengandung
arti bahwa tidak ada pengaruh stres kerja x terhadap kinerja pegawai y
Output SPSS (Coefficients)

Berdasarkan output di atas diketahui nilai signifikansi (Sig.) sebesar 0,001 lebih kecil dari
< probabilitas 0,05 sehingga dapat disimpulkan bahwa H0 ditolak dan Ha diterima, yang
berarti bahwa “ada pengaruh stres kerja (x) terhadap kinerja pegawai (y)”

Uji hipotesis membandingkan nilai t hitung dengan t tabel

Pengujian hipotesis ini sering disebut juga dengan uji t, dimana dasar pengambilan
keputusan dalam uji t adalah :
1. Jika nilai t hitung lebih besar > dari t tabel maka ada pengaruh stress kerja (x)
terhadap kinerja pegawai (y)
2. Sebaliknya jika nilai t hitung lebih kecil < dari t tabel maka tidak ada pengaruh
stress kerja (x) terhadap kinerja pegawai (y)

Output SPSS (Coefficients)

Berdasarkan output di atas diketahui nilai t hitung sebesar -4,418. Karena nilai t hitung
sudah ditemukan, maka langkah selanjutnya kita akan mencari nilai t tabel. Adapun
rumus dalam mencari t tabel adalah :

Nilai a/2 = 0,05 /2 = 0,025

Derjata keabsahan (df) = n - 2 = 12-2 = 10
Nilai 0,025 : 10
T = 2,228

Karena nilai t hitung sebesar -4,418 lebih besar dari 2,228 sehingga dapat disimpulkan
bahwa H0 ditolak dan Ha diterima, yang berarti bahwa ada pengaruh stres kerja (x)
terhadap kinerja pegawai (y). (nilai t hitung -4,418 dianggap lebih besar dari nilai t tabel
2,228 dalam analisis regresi linear sederhana.)

Uji hipotesis dengan melihat kurva regresi

Pengujian menggunakan kurva regresi akan bermanfaat jika nilai terhitung ditemukan
negatif yakni negatif 4,418 berikut adalah gambar dari kurva regresi
 Berdasarkan kurva di atas diketahui bahwa nilai t hitung sebesar -4,418 terletak pada area
pengaruh negatif sehingga dapat disimpulkan bahwa ada pengaruh negatif stres kerja (x)
terhadap kinerja pegawai (y).

Melihat besarnya pengaruh variabel x terhadap y

Untuk mengetahui besarnya pengaruh stres kerja (x) terhadap kinerja pegawai (y) dalam
analisis regresi linear sederhana kita dapat berpedoman pada nilai R square atau R2 yang
terdapat pada output SPSS bagian model summary

Dari output di atas diketahui nilai r square sebesar 0,661 nilai ini mengandung arti bahwa
pengaruh stres kerja x terhadap kinerja pegawai adalah sebesar 66,1% sedangkan 33,9%
kinerja pegawai dipengaruhi oleh variabel yang lain yang tidak diteliti.

Kesimpulan dari ujian analisis regresi linear sederhana

Merujuk pada pembahasan di atas maka dapat kita simpulkan bahwa kerja x berpengaruh
negatif terhadap kinerja pegawai y dengan total pengaruh sebesar 66,1% pengaruh negatif
ini bermakna semakin menurunnya stres kerja seorang karyawan atau pegawai maka akan
berpengaruh terhadap peningkatan kinerja pegawai tersebut

D. Uji Regresi Linier Ganda

Analisis regresi linear berganda berfungsi untuk mencari pengaruh dari dua atau lebih
variabel independent (variabel bebas / x) terhadap variabel dependent (variabel terikat /
y).

CONTOH KASUS ANALISIS REGRESI MULTIPLES

Sebagai contoh, kita ingin mengetahui apakah ada pengaruh variabel motivasi (x1) dan
variabel minat (x2), terhadap variabel prestasi (y), data penelitian ini mempunyai sampel
sebanyak 12 orang siswa.
LANGKAH-LANGKAH ANALISIS REGRESI GANDA DENGAN SPSS
1. Buka program SPSS, klik variabel view, selanjutnya pada bagian name tulis motivasi,
minat dan prestasi. Pada Decimals ubah semua menjadi angka 0. Pada bagian label
tuliskan motivasi (x1), minat (x2) dan prestasi (y). Pada bagian measure pilih scale.
Maka tampak pada di layar sebagaimana gambar berikut ini :

2. Setelah itu, klik data view, lalu masukkan data motivasi (x1), minat (x2) dan prestasi
(y) yang sudah disiapkan tadi.
3. Selanjutnya, dari menu utama SPSS, pilih Analyze - regression - linear.

4. Muncul kotak dialog dengan nama “Linear Regression”, masukkan variabel

motivasi (x1), minat (x2) ke kotak independent(s), masukkan variabel prestasi (y)
pada kotak dependent, pada bagian method pilih enter, selanjutnya klik statistic.
5. Pada bagian “Linear Regression : Statistics” berikan tanda centang pada Esimates dan
Model fit kemudian klik continue.

6. Langkah terakhir adalah klik ok, maka akan muncul output SPSS.
 TABEL OUTPUT SPSS ANALISIS REGRESI GANDA

Tabel output “Variables Entered/Removed” di atas memberikan informasi tentang

variabel penelitian serta metode yang digunakan dalam analisis regresi. Adapun variabel
independent yang dipakai dalam analisis ini adalah variabel minat dan motivasi. Sementara
variabel dependent adalah variabel prestasi. Analisis regresi menggunakan metode enter.
Tidak ada variabel yang dibuang sehingga pada kolom variables removed tidak ada
angkanya atau kosong.

Tabel “Model Summary” memberikan informasi tentang nilai koefisien

determinasi, yakni kontribusi atau sumbangan pengaruh variabel minat dan motivasi secara
simultan (bersama-sama) terhadap variabel prestasi.

Tabel “ANOVA” memberikan informasi tentang ada tidaknya pengaruh variabel

minat dan motivasi secara simultan (bersama-sama) terhadap variabel prestasi.
 Tabel “Coefficients” memberikan informasi tentang persamaan regresi dan ada
tidaknya pengaruh variabel minat dan motivasi secara parsial (sendiri-sendiri) terhadap
variabel prestasi. Adapun rumus persamaan regresi dalam analisis atau penelitian ini adalah
sebagai berikut :
Y = a+b1x1+b2x2 atau Y = 2,612 + 0,192 + 0, 888
Berdasarkan keempat output diatas, maka dapat kita simpulkan hasil analisis
regresi ganda pada gambar di bawah ini :

E. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi yang terjadi diantara
anggota atau data observasi yang terletak berderetan. Autokorelasi muncul akibat observasi
yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena
residual tidak bebas dari satu observasi ke observasi lainnya. Cara mendeteksi Autokorelasi
dapat dilakukan dengan 2 cara yakni Uji Durbin-Watson dan Run test.
1. Uji Durbin-Watson (Uji DW)
 Pengujian autokorelasi dapat dilakukan dengan membandingkan nilai statistik
hitung Durbin Watson pada perhitungan regresi dengan statistik tabel Durbin Watson
pada tabel. Terdapat 2 kriteria yang digunakan yakni kriteria menurut Imam Ghozali
dan menurut Nachrowi :
Pedoman Uji Autokorelasi (Ghozali, 2013)

Menurut Djalal dan Usman (2002), pengujian uji autokorelasi berdasarkan nilai
berikut :
Angka DW dibawah -2 berarti ada autokorelasi positif
Angka DW diantara -2 dan +2 berarti tidak ada autokorelasi.
Angka DW diatas +2 berarti ada autokorelasi negatif.

Langkah-langkan uji DW pada SPSS adalah sebagai berikut, silahkan siapkan data
anda pada excel kemudian copy ke aplikasi SPSS, atau langsung siapkan data yang siap
di olah pada SPSS, kemudian ikuti langkahnya dengan:
1. Analyze > Regression > Linear
2. Input variabel independent (X) pada kolom independent dan variabel dependent
(Y) pada kolom dependent (Y), kemudian klik Statistics
3. Pada kotak Linear Regression : Statistics beri tanda centang (V) pada Durbin-
Watson) > Continue > OK
Hasil Output SPSS
2. Uji Run test
Analisis Run Test termasuk dalam statistik nonparametrik. Uji ini digunakan untuk
menguji pada kasus satu sampel. Sampel yang diambil dari populasi, apakah sampel yang
diambil berasal dari sampel acak atau bukan. Pengujian ini untuk kasus satu sampel.
Prosedur pengujian dilakukan dengan mengurutkan data sampel dan mencari letak nilai
mediannya. Jika dalam pengolahan data dan mengujikan uji autokorelasi menggunakan uji
DW tidak lolos uji, maka alternatifnya bisa menggunakan uji run test ini. Dasar keputusan
dalam Uji run test yakni:
a. Jika nilai Asymp. Sig (2-tailed) < 0,05 maka terdapat gejala Autokorelasi
b. Jika nilai Asymp. Sig (2-tailed) > 0,05 maka tidak terdapat gejala Autokorelasi
Langkah-langkan uji DW pada SPSS adalah sebagai berikut, silahkan siapkan data
anda pada excel kemudian copy ke aplikasi SPSS, atau langsung siapkan data yang siap di
olah pada SPSS, kemudian ikuti langkahnya dengan:
1) Analyze > Regression > Linear
2) Input variabel independent (X) pada kolom independent dan variabel dependent (Y )
pada kolom dependent (Y), kemudian klik Save
3) Pada kotak Linear Regression : Save beri tanda centang (V) Unstandardized pada
residuals > Continue > OK
4) Analyze > Nonparametric Test > Legacy Dialogs > Runs
5) Pada kotak Runs Test masukan variabel Unstandardized Residual ke kota Test Variabel
List beri tanda centang (V) pada Median di bagian Cut Point > OK

Hasil Output SPSS

F. Uji Liniearitas
Budiono (2009) mengemukakan bahwa uji linearitas bertujuan untuk mengetahui
apakah suatu variabel memiliki hubungan yang linear atau tidak secara signifikan. Untuk
menentukan suatu hubungan linier atau tidak maka harus ditentukan dahulu nilai F
observasi (Fobs) (Ansori, 2015), yaitu dengan rumus:

Untuk memudahkan perhitungan, berikut langkah-langkah untuk mencari Fobs :

Uji Linearitas ada beberapa cara. Berikut ini adalah uji linearitas yang menggunakan
cara yang paling sederhana. Yaitu uji linearitas yang menggunakan CURVE
ESTIMATION. Langkahnya sebagai berikut:
1) Pada posisi Data view di SPSS > Analyze > Regrsseion > Curve estimation
2) Muncul kotak dialog Curve Estimation > Masukan TQM pada kolom Dependen >
Masukan Kinerja pada kolom Independen > Aktifkan semua pada kolom model > OK
3) Hasil Output SPSS
G. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk melihat hubungan atau korelasi antara
masing-masing variabel. Model regresi yang baik seharusnya tidak terjadi korelasi
diantara variavel independen (Ghozal Imam. 2005) Jika antar variabel independen saling
berkolerasi, maka variabel tersebut tidak orgonal.
Uji multikolinearitas dapat dideteksi dengan menghitung koefisien ganda dan
membandingkan dengan koefisien korelasi antar variabel bebas. Uji multikolinearitas
dengan SPSS dilakukan dengan uji regresi, dengan nilai patokan VIF (Variance Inflation
Factor) dan koefisien korelasi antar variabel bebas.
Kriteria yang digunakan adalah:
1) Jika nilai VIF di sekitar angka 1 atau memiliki toleransi mendekati 1, maka dikatakan
tidak terdapat masalah multikolinearitas.
2) Jika koefisien korelasi antar variabel bebas kurang dari 0,5 maka tidak terdapat
masalah dalam kolinearitas
Langkah-Langkah Uji Multikolinearitas nya adalah sebagai berikut :
1) Pilih menu Analyze – Regression – linear
2) Masukkan Y ke Dependent dan X1, X2, X3 ke independent
3) Klik Statistic lalu pilih Collinearity Diagnostics
4) Klik Continue - OK
H. Uji Homokedastisitas
Homoskedastisitas merupakan salah satu asumsi klasik pada analisis regresi linear
agar model bersifat BLUE (Best Linear Unbiased Estimator). Homoskedastisitas adalah
kondisi dimana terdapat varians yang sama dari setiap sisaannya. (Celik, 2017). Asumsi
homoskedastisitas menyatakan bahwa nilai – nilai varians sisaan tidak tergantung pada
nilai – nilai variabel bebas. Asumsi ini dapat ditulis sebagai berikut:

Setiap varians sisaan akan tetap sama baik untuk variabel bebas bernilai kecil
maupun besar (Celik, 2017). Menurut Gujarati (2004:406) salah satu cara untuk
mendeteksi homoskedastisitas adalah menggunakan uji korelasi rank Spearman yang
didefinisikan sebagai berikut :

Dengan 𝑑𝑖 adalah rank variabel dependen dikurangi rank variabel independen ke-
I dan n adalah banyaknya individual yang di ranking. Adapaun tahapannya adalah
sebagai berikut:
a. Menentukan ranking untuk masing-masing variabel X dan variabel Y mulai dari 1
hingga n.
b. Menentukan harga 𝑑𝑖 = 𝑋𝑖 − 𝑌𝑖 dan mengkuadratkan tiap-tiap harga 𝑑𝑖 . Kemudian
menjumlahnnya sehingga diperoleh ∑𝑛𝑖=1 𝑑 𝑖 2
c. Menghitung koefisien korelasi rank Spearman yang telah diberikan sebelumnya.
d. Dengan 𝑛 ≥ 10, ssignifikasi dari 𝑟𝑠 yang disampel dapat diuji dengan pengujian t
sebagai berikut.

Jika nilai rank t yang dihitung melebihi nilai t kritis dengan derajat bebas n-2 maka
Ho ditolak, artinya asumsi homoskedastisitas tidak terpenuhi. Selain itu, dapat pula
menggunakan bantuan software SPSS, yaitu dilihat dari nilai signifikasi dan α, apabila nilai
sig > α maka tidak terjadi heteroskedastisitas.
 BAB III
PENUTUP

A. Simpulan
Dalam pendekatan statistika parametrik, setidak-tidaknya ada dua teknik statistika
yang dapat digunakan untuk pengujian normalitas, yaitu Uji Liliefors dan chi kuadrat.
Sedangkan pada pengujian homogenitas varians suatu kelompok data, dapat dilakukan
gengan cara Uji F dan Uji Bartlett. Analisis regresi linear digunakan untuk mengukur
besarnya pengaruh satu variabel bebas atau variabel independen atau variabel prediktor
atau variabel x terhadap variabel tergantung atau variabel dependen atau variabel terikat
atau variabel y. Sementara Analisis regresi linear berganda berfungsi untuk mencari
pengaruh dari dua atau lebih variabel independent (variabel bebas / x) terhadap variabel
dependent (variabel terikat / y).
Uji autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi yang terjadi
diantara anggota atau data observasi yang terletak berderetan dengan cara Uji Durbin-
Watson dan Run test. Sedangkan Untuk menentukan suatu hubungan linier atau tidak maka
harus ditentukan dahulu nilai F observasi (Fobs) salah satunya dengan menggunakan
CURVE ESTIMATION. Uji multikolinearitas dengan SPSS dilakukan dengan uji regresi,
dengan nilai patokan VIF (Variance Inflation Factor) dan koefisien korelasi antar variabel
bebas. Sedangkan ). Menurut Gujarati (2004:406) salah satu cara untuk mendeteksi
homoskedastisitas adalah menggunakan uji korelasi rank Spearman.

B. Saran
Penulis mengharapkan bahwa dalam pemahaman mengenai “Normalitas Dan Homogenitas
Data, Regresi Linear Sederhana Dan Ganda, Uji Autokorelasi, Linieritas,
Multikolinearitas, Serta Homokedastisitas bisa dipahami dengan baik”. Tidak hanya itu
bahwa pentingnya mempelajari dan menerapkannya akan berguna dan bermanfaat dalam
penerapan kehidupan sehari-hari.
 DAFTAR PUSTAKA

Ansori, M. (2015). Panduan Analisis Manual Penelitian Kuantitatif. Sekolah Tinggi Ilmu
Tarbiyah (STIT) Muhammadiyah Ngawi.
Budiono. (2009). Statistika untuk Penelitian. Surakarta: Sebelas Maret University Press.
Djalal, N., & Usman, H. (2002). Penggunaan Teknik. Ekonometri. Jakarta : PT. Raja Grafindo
Persada.
Ghozali, I. (2013). Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Update PLS
Regresi. Semarang: Badan Penerbit Universitas Diponegoro.
Matondang, Z., & Pengantar, A. (2009). Pengujian homogenitas varians data. Taburlaasa PPS
UNIMED, 22(1), 1-12.
Motondang, Z. (2011). Pengujian Normalitas Data. Medan: PPs Universitas Medan.
https://www.spssindonesia.com/2017/03/uji-analisis-regresi-linear-sederhana.html
https://www.spssindonesia.com/2014/02/analisis-regresi-multipes-dengan-spss.html