UJI ASUMSI DASAR DAN

ASUMSI KLASIK REGRESI

JUMRIATY JUSMAN,SE.,M.Si
UJI ASUMSI DASAR Analisis parametik menggunakanbeberapa asumsi dasar seperti data
variabel terdistrubusi secara normal, varian kelompok data
sama/homogeny, hubungan dua variabel linier dsb. Oleh karena itu
jika analisis menggunakan metode parametik seperti korelasi
pearson, independent sample t-test, paired sample t-test, one way
anoVa dsb, perlu melakukan uji asumsi dasar.

UJI NORMALITAS HOMOGENITAS

Uji normalitas bertujuan untuk memastikan

data terdistribusi secara normal ,maksunya
UJI HOMOGENITAS DIGUNAKAN untuk
tidak ada perbedaan yang signifikan antara
mengetahui apakah varian kelompok data
data diatas mean dengan data dibawah
sama atau tidak. Uji ini dilakukan sebagai
mean.
prasyarat dalam analisis independent
sample t-test dan one ANOVA.
Normalitas residual data terdistribus
normal bukan data mentahnya tapi residual
dari keseluruhan data mentah tersebut.
Uji normalitas Contoh kasus Seorang mahasiswa melakukan penelitian tentang faktor- faktor yang
mempengaruhi harga saham pada perusahaan di BEI. Data yang di
dapatkan berupa data rasio dan ditabulasikan sebagai berikut :
Thn Harga saham (Rp) PER (%) ROI(%)
1993 7.500 3.28 3.14 2008 7.600 13.24 7.37 Langkah analisis :
1994 8.950 5.05 5.00 2009 10.200 16,98 9.38 1. Buat variabel terlebih
dahulu  kolom name
1995 8.250 4.00 4.75 2010 10.600 16.57 9.20
baris 1ketik Y decimal
1996 9.000 5.97 6.23 2011 9.270 14.831 8.82 ganti 0isi kolom label
1997 8.750 4.24 6.03 2012 11.430 16.93 10.25 masing2
variabel,begitupunx1,x2
1998 10.000 8.00 8.75 Residual Langkah analisis : 2. Isi data pada data view
1999 8.200 7.45 7.72 1. Buat variabel terlebih dahulu  3. Analyzenpn-parametric
kolom name baris 1ketik Y decimal statistics1-sample K_S
2000 8.300 7.47 8.00 ganti 0isi kolom label masing2 4. Kotak dialog terbuka
2001 10.900 12.68 10.40 variabel masukkan variabel y,x1,x2
2002 12.800 14.45 12.42 2. Isi data pada data view ke kotak test variable
3. Analyzeregressionlinier listcentang normalok
2003 9.450 10.50 8.62 4. Kotak dialog terbuka masukkan Y
2004 13.000 17.24 12.07 kotak dependent dan X1,x2 kotak
2005 8.000 15.56 5.83 independentsave Kotak dialog RES1 pindahkan ke
5. Muncul kotak dialogregression kotak test variable listcentang
2006 6.500 10.85 5.20 savecentang normalok
2007 9.000 16.56 8.53 residualscontinueok
 NORMALITAS

One-Sample Kolmogorov-Smirnov Test

RESIDUAL
Harga saham (Y) PER (X1) ROI (X2)
One-Sample Kolmogorov-Smirnov Test
N 20 20 20
RES1
Normal
Mean 9385,00 11,09 7,89 N 20
Parameters
Normal Parameters Mean ,00
Std. Deviation 1708,85 5,01 2,46
Std. Deviation 814,09
Most Extreme
Absolute ,14 ,15 ,10 Most Extreme Differences Absolute ,13
Differences

Positive ,14 ,13 ,10 Positive ,10

Negative -,13
Negative -,08 -,15 -,10
Kolmogorov-Smirnov Z ,56
Kolmogorov-
,62 ,67 ,46 Asymp. Sig. (2-tailed) ,91
Smirnov Z
Asymp. Sig. (2-
,83 ,77 ,98
tailed)
UJI ASUMSI KLASIK REGRESI
Multikolinearitas terjadi jika korelasi antar
variabel bebasnya dgn signifikan (sig<0,05) dan
koefisien korelasinya lebih dari 80% (atau >0,8).
Ada beberapa metode pengjian yaitu :
1. Dengan melihat nilai inflation facor (VIF)
2. Dengan membandingkan nilai koefesien
determinasi individual (r2) dengan nilai
determinasi secara serentak (R2)
3. Dengan melihat nilai eigenvalue dan
condition index
MULTIKOLINEARITAS keadaan dimana terjadi hubungan linier
yang sempurna atau mendekati sempurna antarvariabel
independentdalam model regresi. Regresi yang baik adalah
tidak adanya masalah multikolinearitas
Langkah analisis :
1. Isi variabel dan data variabel
2. Analyze linier regression
3. Kotak dialog (mencari determinasi X1 dengan Y) y
ke kotak dependenx1 ke kotak independent  ok
4. Sedangkan untuk mencari determinasi x2 dengan y 
y kotak dependent x2 ke kotak independent ok
5. Sedangkan untuk mencari determinasi secara
serentak (R2)  y kotak dependent x1,x2 ke kotak
independent ok
 Determinasi x1 denga y
Determinasi serentak
Model Summary
Adjusted R Std. Error of the Model Summary
R R Square
Square Estimate
,53 ,28 ,28 1492,05 Std. Error of the
R R Square Adjusted R Square
Estimate
ANOVA
Sum of Mean ,88 ,77 ,76 860,65
df F Significance
Squares Square
Regression 15411208 1 15411208 6,92 ,02
ANOVA
Residual 40072092 18 2226227
Sum of
Total 55483300 19 df Mean Square F Significance
Squares
Regression 42891145 2 21445572 28,95 ,00
Coefficients
Residual 12592155 17 740715,0
B Std. Error Beta t Significance
Total 55483300 19
(Constant) 7389,43 828,60 ,00 8,92 ,00
PER (X1) 179,90 68,38 ,53 2,63 ,02
Coefficients
B Std. Error Beta t Significance
Determinasi x2 denga y (Constant) 4604,42 661,44 ,00 6,96 ,00
Model Summary
Adjusted R Std. Error of the PER (X1) -64,99 56,32 -,19 -1,15 ,26
R R Square
Square Estimate ROI (X2) 697,67 114,54 1,00 6,09 ,00
,87 ,76 ,76 868,54
ANOVA
Sum of Mean
df F Significance
Squares Square
Regression 41904860 1 41904860 55,55 ,00 Dari output diatas dapat diketahui bahwa nilai
Residual 13578440 18 754357,8 determinasi secara serentak (R square) sebesar
Coefficients Total 55483300 19 0,77. karena nilai r2 dari hasil regresi x1 dengan y
B Std. Error Beta t Significance
(Constant) 4627,55 667,20 ,00 6,94 ,00 dan x2 dengan y kurang dari 0,77 maka tidak ada
ROI (X2) 603,32 80,95 ,87 7,45 ,00 masalah multikolinearitas
Uji heteroskedastisitas
Adalah keadaan dimana terjadi ketidaksamaan varian dari residual
untuk semua pengamatan pada model regresi. Jika varian sama maka
l Langkah analisis : disebut homokedastisitas, varian beda disebut heteroskedastisitas.
1. Buat variabel terlebih dahulu  Model regresi yang baik adalah yang tidakadanya masalah
kolom name baris 1ketik Y decimal heteroskedastisitas
ganti 0isi kolom label masing2
variabel Selanjutnya melakukan uji glejser:
2. Isi data pada data view 1. analyzelinier regression
3. Analyzeregressionlinier 2. Kotak doalog ABS_RES ke dependent x1&x2 ke
4. Kotak dialog terbuka masukkan Y ondependentok
kotak dependent dan X1,x2 kotak
independentsave
5. Muncul kotak dialogregression
savecentang
residualscontinueok
Kemudian mencari absolut residual :
1. transform compute
2. Terbuka kotak dialog compute
variabletarget table ketik
ABS_RES pada numeric ketik
ABS(RES1)ok
Contoh peneliti ingin mencari pengaruh dari variabel profesionalisme dosen
dan kualitas kepemimpinan terhadap prestasi siswa. Dengan data sbb:
no X1 X2 Y no X1 X2 Y
1 21 21 19 13 17 23 20
2 21 24 18 14 23 21 22
3 20 24 21 14 19 17 21
4 16 18 22 16 18 18 17
5 20 24 20 17 17 23 20
6 23 23 22 18 25 18 23
7 22 24 24 19 21 24 18
8 25 19 23 20 20 24 21
9 18 24 18 21 16 18 22
10 25 23 24 22 20 24 20
11 19 17 21 23 23 23 22
12 18 18 17 24 22 24 24