3.1.

Uji Asumsi Klasik

GUNAKAN DATA YANG SUDAH KITA BUAT SBELUMNYA, KEMUDIAN IKUTI
LANGKAH-LANGKAHNYA PADA MATERI INI
Menurut Ghozali (2018) uji asumsi klasik merupakan tahap awal yang digunakan
sebelum analisis regresi linear berganda. Dilakukannya pengujian ini untuk dapat
memberikan kepastian agar koefisien regresi tidak bias serta konsisten dan memiliki
ketepatan dalam estimasi. Menurut Sunjoyo, dkk (2013:54) uji asumsi klasik adalah
persyaratan statistik yang harus dipenuhi pada analisis regresi linier berganda yang berbasis
Ordinary Least Square (OLS).Uji asumsi klasik merupakan syarat yang harus dilakukan
sebelum melakukan pengujian hipotesis. Uji asumsi klasik terdiri dari uji normalitas, uji
outlier, uji multikolinearitas, uji heterokedastisitas, dan uji autokorelasi.
1. Uji Normalitas
Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square,
Skewness dan Kurtosis atau uji Kolmogorov Smirnov (Sunjoyo dkk, 2013:59). Uji
normalitas bertujuan untuk menguji apakah dalam model regresi, variable pengganggu
atau residual memiliki distribusi normal. Pada buku ini pengujian menggunakan 2
metode, yang pertama adalah melalui menggunakan hasil visual Normal P-P Plot,
ketentuannya adalah jika titik-titik masih berada di sekitar garis diagonal maka dapat
dikatakan bahwa residual menyebar normal sebaliknya jika titik-menybar menjauh dari
garis diagonal maka residual atau model berdistribusi tidak normal. Yang kedua adalah
menggunakan metode rasio skeness dan rasio kurtosis. Sebagai pedoman, jika rasio
skewness dan rasio kurtosis berada di antara -2 dan +2, maka data berdistribusi normal
(Santoso, 2000:53). Adapun tahap pengujian cara pertama P-P Plot adalah sebagai
berikut;
1. Klik analyze, kemudian pilih descriptive statistic lalu pilih explore, kemudian
masukan ketiga variable yang akan kita analisis kedalam kolom dependen list
seperti gambar dibawah ini
2. Setelah memasukan ketiga variable tersebut kemudian pilh Plots, kemudian ceklist
pada normality plots with tests seperti gambar dibawah ini

3. Jika sudah, klik continue kemudian klok ok, maka outputnya adalah sebagai berikut
4. Dari ketiga output di atas terlihat bahwa ketiganya memiliki ciri-ciri yang sama
yaitu titik-titik berada di antara garis diagonal, maka dapat disimpulkan bahwa
ketiga variable berdistribusi normal. Namun pada kebanyakan kasus penelitian,
melihat hasil visual saja tidak cukup membuktikan bahwa data berdsitribusi normal.

Cara kedua dengan menggunakan metode rasio skeness dan rasio kurtosis, tahapannya
adalah sebagai berikut;
a. Pilih analyze, kemudian regression lalu pilih linear, posisikan variable pada
tempatnya, seperti gambar dibawah ini
b. Kemudian klik tombol save seperti yang telah di lingkari tersebut, kemudian ceklis
unstandardized pada residual seperti berikut

c. Setelah itu klik continue kemudian klik ok, abaikan outputnya masuk pada data
view kemudian geser ke pojok bagian kanan, akan muncul variable baru dengan
nama RES_1, seperti gambar berikut
d. Setelah itu pilih menu analyze, kemudian klik descriptive statistic, kemudian pilih
descriptive, masukan variable unstandardized pada kolom variable(s) seperti
gambar berikut

e. Kemudian pilih option seperti gambar diatas, lalu ceklis pada kurtosis dan skewness
seperti berikut
 f. Setelah itu klik continue kemudian ok maka outpunya adalah sebagai berikut

g. Nilai Skewness (-0,432)/0,309 = -1,4 & Nilai Kurtosis (1,066)/0,608 = 1,8 artinya
kedua nilai tersebut berada diantara -2 sampai dengan +2 yang berarti data tersebut
berdistribusi normal

2. Uji Multi Koloneriaritas

Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara
variabel-variabel bebas dalam suatu model regresi linier berganda. Jika ada korelasi yang
tinggi di antara variabel-variabel bebasnya, maka hubungan antara variabel bebas
terhadap variabel terikatnya menjadi terganggu. Jadi tidak boleh ada korelasi yang tinggi
antara variabel bebas. Alat statistik yang sering dipergunakan untuk menguji gangguan
multikolinearitas adalah dari aspek berikut ini:
a. Jika nilai VIF tidak lebih dari 10 dan nilai Tolerance tidak kurang 0,1, maka model
dapat dikatakan terbebas dari multikolinearitas, VIF = 1/Tolerance, jika VIF = 10,
maka Tolerance 1/10 = 0,1. Semakin tinggi VIF maka semakin rendah Tolerance.
b. Jika nilai koefisien korelasi antar masing-masing variabel independen kurang dari
0,70, maka model dapat dinyatakan bebas dari multikolinearitas, jika nilai korelasi
lebih dari 0,70, berarti terjadi korelasi yang sangat kuat antar variabel independen
sehingga terjadi multikolinearitas.

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak
terjadi korelasi di antara variabel independen. Jika variabel independen saling
berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah
variabel independen yang nilai korelasi antar sesama variabel independen sama dengan
nol (Ghozali ,2009:95). Untuk lebih jelasnya silahkan ikuti Langkah-langkah berikut;

 Buka data spss yang telah kita siapkan sebelumnya kemudian masuk ke analyze,
pilih regression kemudian pilih linear, masukan variable sesuai pada tempatnya
seperti contoh di bawah ini

 Kemudian masuk pada menu statistics pada pojok kiri atas, ceklis colonerierity
diagnostic seperti contoh dibawah.
  Setelah klik continue kemudian klik ok, maka outputnya adalah sebagai berikut

Untuk uji multikoloneriaritas, kita menggunakan tabel coefficients,yang pertama dari

output tersebut kita mendapatkan nilai VIF 3,470 < 10 dan nilai tolerance > 0,1
maka dapat ditarik kesimpulan bahwa tidak terjadi gejala multikoloneriaritas pada
model.

3. Uji Heteroskedastisitas
Uji heterokedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari
residual satu ke pengamatan ke pengamatan lain. Model regresi yang memenuhi
persyaratan adalah dimana terdapat kesamaan varians dari residual satu pengamatan ke
pengamatan lain tetap atau disebut homoskedastisitas. Deteksi heteroskedastisitas dapat
dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai prediksi)
dengan nilai SRESID (nilai residualnya). Model yang baik didapatkan jika tidak terdapat
pola tertentu pada grafik, seperti mengumpul di tengah, menyempit kemudian melebar
atau sebaliknya melebar kemudian menyempit (Sunjoyo,2013:69). Untuk lebih jelasnya
mari kita praktik, langkahnya adalah sebagai berikut;
Pertama dengan menggunakan metode sctter plot, Adapun Langkah-langkanya adalah
sebagai berikut;
 Masuk ke menu analyze, kemudian pilih regression, lalu pilih linear, masukan
variable sesuai tempatnya seperti gambar dibawah

 Kemudian klik plots seperti yang telah di tandai diatas maka tampilannya adalah
sebagai berikut
 Ikuti tanda panah diatas kemudian klik continue lalu klik ok, maka outputnya adalah
sebagai berikut

 Dari gambar scatter plot tersebut tersebut titik-titik menyebar tanpa membentuk
pola-pola tertentu, seperti mengumpul di tengah, menyempit kemudian melebar atau
sebaliknya melebar kemudian menyempit, maka dapat disimpulkan bahwa model
baik atau terbebas dari gejala heteroskedastisitas.

Karena melihat grafik tersebut sifatnya adalah subjektif maka bisa saja setiap orang akan
memiliki persepsi yang berbeda untuk menyimpulkan, maka dari itu mari kita lakukan
pengujian kedua dengan menggunakan metode glesjer, uji ini bertujuan untuk menguji
apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan
dengan pengamatan yang lain tetap, maka disebut homokedastisitas dan jika berbeda
disebut heteroskedastisitas. Dasar pengambilan keputusan pada uji heteroskedastisitas
yakni a) jika nilai sig > alpha = 0.05, kesimpulannya adalah tidak terjadi
heterokedastisitas. Adapun langkahnya adalah sebagai berikut;
 Masuk pada menu analyze, kemudian pilih regression, lalu pilih linear, masukan
variable sesuai pada tempatnya seperti gambar berikut;
 Setelah itu pilih save, kemudian ceklist unstandardized pada residual seperti
gambar dibawah ini
 Setelah itu klik continue kemudian ok, dan tampilannya adalah sebagai berikut

Dari gambar di atas kita Kembali kedalam lembar kerja kmudian pada data view
geser kea rah kanan sampai anda menemukan variable baru yang Bernama RES_1
 Kemudian pilih menu transform yang letaknya pada sebelah kiri menu analyze,
kemudian pilih compute variable maka tampilannya adalah sebagai berikut
 Tahap selanjutnya, pada target variabel pada pojok kanan atas ketik kan abresid,
next pada kotak function group pada sebelah kanan bawah pilih All, kemudian nanti
akan muncul beberapa pilihan di bawahnya, klik Abs, klik tombol panah arah ke atas
yang terletak di samping tombol delete, lalu ketik RES_1 pada kolom numeric
expresstion seperti contoh di bawah ini:

Kemudian klik ok,

Jika output nya sudah seperti gambar diatas maka prosesnya telah berhasil
Anda juga bisa melihatnya pada lembar kerja di data view akan muncul variable baru
dengan nama abresid seperti gambar di bawah ini
 Tahap selanjutnya masuk regression, kemudian linear, kemudian masukan variable
abresid pada kolom dependent seperti contoh dibawah
 Kemudian klik tombol save lalu hilangkan ceklist pada unstandardized kemudian
pilih continue seperti gambar dibawah

 Klik continue kemudian ok maka outputnya adalah sebagai berikut

 Dari hasil pengolahan data tersebut didapatkan nilai sig untuk variable adalah 0.011
< 0.05 artinya terjadi gejala heteroskedastisitas
 Kemudian untuk variable X2 adalah 0.758 > 0,05 artinya tidak terjadi gejala
heteroskedastisitas pada variable X2 atau kualitas produk
 Kemudian muncul pertanyaan bagaimana dengan model yang terjadi gejala
heteroskedastisitas? pada kasus diatas adalah variable citra produk, maka solusinya
adalah mencari alternatif lain, atau melakukan uji heterokedastisitas menggunakan
metode lain atau menggunakan pengujian menggunakan cara pertama saja.