UJI ASUMSI KLASIK

Oleh:
I Dewa Made Endiana, SE, M.Si Ak

1
 Materi
 Uji
Asumsi Klasik
–Normalitas
–Multikolinieritas
–Heteroskedastisitas
–Autokorelasi

2
 Yang Dimaksud dengan Kurva
Normal
 Distribusi normal merupakan suatu
kurve berbentuk lonceng.
 Penyebab data tidak normal, karena
terdapat nilai ekstrim dalam data seri
yang diambil.
 Nilai ektrim adalah nilai yang terlalu
rendah atau terlalu tinggi.

3
 Penyebab Munculnya Nilai
Ekstrim
1. Kesalahan dalam pengambilan unit sampel.
Cara mengatasi: Mengganti unit sampel.
2. Kesalahan dalam menginput data.
Cara mengatasi: Memperbaiki input data yang
salah.
3. Data memang aneh dibanding lainnya.
Cara mengatasi: Tambah ukuran sampel atau
dengan membuang data yang aneh tersebut.

4
 Kapan Data Dikatakan Normal

Ekstrim Rendah Ektrim Tinggi

-2,58 0 2,58

Pada =0,01

Ekstrim Rendah Ektrim Tinggi

-1,96 0 1,96

Pada =0,05
5
 Berikut ini manakah data yang
Ekstrim

Ekstrim Ektrim
Rendah Tinggi
-2,58 0 2,58

xi  x 50.000  63.333
Z   0439
 31.734

6
 UJI NORMALITAS
PENGERTIAN UJI NORMALITAS
 Uji normalitas di maksudkan untuk
mengetahui apakah residual
terstandarisasi yang diteliti berdistribusi
normal atau tidak.

PENYEBAB TIDAK NORMAL

 Disebabkan karena terdapat nilai ektrim
dalam data yang kita ambil.

7
 Uji Normalitas
CARA MENDITEKSI:
1. Dengan gambar:
Jika kurva regression residual
terstandarisasi membentuk gambar
lonceng.
2. Dengan angka:
– Uji Liliefors
– Chi Kuadrat (X2)
– Uji dengan kertas peluang normal
– Uji dengan Kolmogornov Smirnov

8
 Uji Normalitas
 Uji normalitas dapat dilakukan secara:
– Univariate
Dilakukan dengan menguji normalitas pada
semua variabel yang akan dianalisis.
– Multivariate
Dilakukan dengan menguji normalitas pada nilai
residual yang telah distandarisasi.

9
 Contoh Kasus

 Berikut ini adalah data time series,

 Berdasarkan data tersebut ujilah

apakah data tersebut Normal secara
Multivariate.

10
 Pengujian Normalitas Dengan SPSS
Memunculkan Nilai Residual Terstandarisasi
 Buka file : Data_Regresi_1
 Analyze  Regression  Linear...
 Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent
 Save…:  pada kotak Residual : klik Unstandardized  Continue
(bertujuan untuk membuat variabel / kolom baru pada data yaitu
Zre_1 )
 Abaikan pilihan yang lain  OK
Uji Kolmogornov Smirnov
 Buka file : Data Regresi_1
 Analyze  Non Parametrics Test  1 Sample K-S...
 Masukan variabel Unstandardized Residual pada kotak Test Variable
List
 Abaikan pilihan yang lain (biarkan pada posisi defaultnya)  OK

11
Memunculkan Nilai Residual Uji Komogornov Smirnov
Terstandarisasi

12
 Output Kolmogornov
Smirnov
One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual  Karena Nilai Sig. >
N 30
0,05 maka tidak
Normal Parametersa Mean .0000000

Std. Deviation .04712717 signifikan.

Most Extreme Differences Absolute .081

Positive .046
 Tidak siginifikan
Negative -.081 berarti data relatif
Kolmogorov-Smirnov Z .443

Asymp. Sig. (2-tailed) .989

sama dengan rata-
a. Test distribution is Normal. rata sehingga
disebut normal.

13
 Cara Mengatasi Data yang Tidak
Normal
 Menambah jumlah data.
 Melakukan transformasi data menjadi
Log atau LN atu bentuk lainnya.
 Menghilangkan data yang dianggap
sebagai penyebab data tidak normal.
 Dibiarkan saja tetapi kita harus
menggunakan alat analisis yang lain.

14
UJI MULTIKOLINIERITAS
PENGERTIAN
 Uji multikolinieritas berarti terjadi korelasi
yang kuat (hampir sempurna) antar
variabel bebas.
 Tepatnya multikolinieritas berkenaan
dengan terdapatnya lebih dari satu
hubungan linier pasti, dan istilah
kolinieritas berkenaan dengan
terdapatnya satu hubungan linier.

15
 Uji Multikolinieritas
PENYEBAB
 Karena sifat-sifat yang terkandung
dalam kebanyakan variabel ekonomi
berubah bersama-sama sepanjang
waktu.
 Besaran-besaran ekonomi dipengaruhi
oleh faktor-faktor yang sama.

16
 Uji Multikolinieritas
 Cara menditeksi:
1. Dengan melihat koefesien korelasi antar
variabel bebas:
Jika koefesien korelasi antar variabel bebas
≥ 0,7 maka terjadi multikolinier.
2. Dengan melihat nilai VIF (Varian Infloating
Factor):
Jika nilai VIF ≤ 10 maka tidak terjadi
multikolinier.

17
 Contoh KasusMultikolinieritas

 Berikut ini adalah data time series,

 Berdasarkan data tersebut ujilah

apakah data tersebut terjadi gejala
Multikolikolinier ?.

18
Pengujian Multikolinier Dengan SPSS

 Buka file : Data_Regresi_1

 Analyze  Regression  Linear...
 Masukan variabel Y  pada kotak
Dependent
X1, X2,  pada kotak
Independent
 Statistics…:  klik Colinier Diagnosis
Continue

19
Output:

Karena nilai VIF < 10 maka tidak terjadi Multikolinieritas

20
 CARA MENGATASI MULTIKOLINIER

 Memperbesar ukuran sampel

 Memasukan persamaan tambahan ke
dalam model.
 Menghubungkan data cross section dan
data time series.
 Mengeluarkan suatu variabel dan bias
spesifikasi.
 Transformasi variabel.

21
 UJI HETEROSKEDASTISITAS
PENGERTIAN
 Uji heteroskedastisitas berarti adanya varian dalam
model yang tidak sama (konstan).

PENYEBAB
 Variabel yang digunakan untuk memprediksi
memiliki nilai yang sangat beragam, sehingga
menghasilkan nilai residu yang tidak konstan.

22
 Uji Heteroskedastisitas
CARA MENDITEKSI:
1. Dengan Uji Park
Yaitu dengan meregresikan variabel bebas
terhadap nilai log-linier kuadrat.
2. Dengan Uji Glejser
Yaitu dengan meregresikan variabel bebas
terhadap nilai residual mutlaknya.
3. Dengan Uji Korelasi Rank Spearman
Mengkorelasikan nilai residual dengan variabel
bebas dengan menggunakan Rank-spearman.

23
 Contoh Kasus Heteroskedastisitas

 Berikut ini adalah data time series,

 Berdasarkan data tersebut ujilah

apakah data tersebut apakah terjadi
gejala Heteroskedastisitas ?

24
 Langkah-Langkah Metode Glejser

 Regresikan variabel bebas (X) terhadap

variabel tergantung (Y).
 Hitung nilai prediksinya
 Hitung nilai residualnya
 Multakan nilai residualnya
 Regresikan variabel bebas terhadap nilai
mutlak residualnya.
 Jika signifikan berarti terjadi gejala
heteroskedastisitas dan sebaliknya jika tidak
signifikan berarti tidak terjadi gejala
heteroskedastisitas.
25
26
 Hasil Nilai Regresi Variabel Bebas
terhadap Nilai Mutlak Residualnya

•X1 tidak signifikan karena p-value > 0,05 sehingga X1 tidak

terjadi gejala heteroskedastisitas.
•X2 signifikan karena p-value < 0,05 sehingga X2 terjadi
gejala heteroskedastisitas.
27
 Pengujian Heteroskedastisitas
Dengan SPSS
Memunculkan Nilai Residual
 Buka file : Data_Regresi_1
 Analyze  Regression  Linear...
 Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent
 Save…:  pada kotak Residual : klik unstandardized  Continue
(bertujuan untuk membuat variabel / kolom baru pada data yaitu res_1 )
 Abaikan pilihan yang lain  OK
Mutlakan Nilai Residualnya
 Buka file : Data Regresi_1
 Tranform  Compute
 Pada Target Variabel diisi dengan ABRES
 Pada Numeric Expresion diisi dengan ABS(RES_1)
 Abaikan pilihan yang lain  OK
Meregresikan variabel bebas terhadap Nilai Mutlak Residual
 Buka file : Data_Regresi_1
 Analyze  Regression  Linear...
 Masukan variabel ABRES  pada kotak Dependent
X1, X2,  pada kotak Independent
 Abaikan pilihan yang lain  OK

28
 Prose Memunculkan Nilai Residual dan
Memutlakannya

Memunculkan Nilai Residual Memutlakan Nilai Residual

29
Meregresikan variabel bebas terhadap
Nilai Mutlak Residual

• X1 tidak signifikan karena p-value > 0,05 sehingga X1 tidak terjadi gejala
heteroskedastisitas.
• X2 signifikan karena p-value < 0,05 sehingga X2 terjadi gejala
heteroskedastisitas.

30
Cara Mengatasi Heteroskedastisitas

 Tambah jumlah pengamatan.

 Tranformasikan data ke bentuk LN
atau Log atau bentuk laiannya.

31
 UJI AUTOKORELASI

PENGERTIAN
 Uji ini dilakukan untuk mengetahui apakah ada
korelasi antara anggota serangkaian data
observasi yang diuraikan menurut waktu (time
series) atau ruang (cross section).

32
 Uji Autokorelasi
PENYEBAB:
 Adanya kelembaman waktu

 Adanya bias spesifikasi model

 Manipulasi data

33
 Uji Autokorelasi
 Uji Durbin Watson
 Uji Lagrange Multiplier

 Uji Breusch-Godfrey

34
 Contoh Kasus Autokorelasi

 Berikut ini adalah data time series,

 Berdasarkan data tersebut ujilah

apakah data tersebut apakah terjadi
gejala otokorelasi ?

35
Langkah-Langkah Uji Durbin-Watson

1. Regresikan variabel bebas (X) terhadap

variabel tergantung (Y).
2. Hitung nilai prediksinya.
3. Hitung nilai residualnya.
4. Kuadratkan nilai residualnya.
5. Lag-kan satu nilai residualnya.
6. Kurangkan nilai residual dengan Lag-kan
satu nilai residualnya.
7. Masuk hasil perhitungan diatas masukan
kedalam rumus Durbin-Watson

36
 Kriteria Pengujian

a) 0 < d < dl = tidak ada autokorelasi positif

b) dl ≤ d ≤ du = tidak ada autokorelasi positif
c) 4- dl < d < 4 = tidak ada autokorelasi negatif
d) 4 - du ≤ d ≤ 4 – dl = tidak ada autokorelasi negatif
e) du < d < 4 – du = tidak ada autokorelasi positif atau negatif.

37
Pengujian Autokorleasi Dengan SPSS
Memunculkan Nilai Residual
 Buka file : Data_Regresi_1
 Analyze  Regression  Linear...
 Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent
 Klik Statistics…:
 Pada Residual pilih Durbin Watson
 Klik Continue
 Abaikan pilihan yang lain  OK

38
Proses Analisi Surbin Watson dengan
SPSS

39
Output Uji Durbin Watson

40