UJI ASUMSI KLASIK

UJI NORMALITAS
Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk
menilai sebaran data pada sebuah kelompok data atau variabel, apakah
sebaran data tersebut berdistribusi normal ataukah tidak.

MACAM-MACAM UJI NORMALITAS

Uji normalitas yang dapat digunakan diantaranya:
a. uji grafik
b. Chi-Square
c. Kolmogorov Smirnov,
d. Lilliefors
e. Shapiro Wilk
 UJI NORMALITAS
Lilliefors
Langkah-langkahnya :
1) Susun sebaran data yang akan diuji dengan terlabih dahulu diurutkan dari
yang terkecil sampai dengan yang terbesar.
2) Hitunglah nilai normal standar tiap data dengan rumus :
3) Gunakan tabel Z untuk menghitung luas dibwah kurva normal baku
4) Hitung besar peluang dengan cara menghitung luas masing-masing nilai Z

5) Hitung nilai S(z) yakni frekuensi kumulatif relative dari masing-masing nilai Z
S(z) untuk data pertama = 1/n = 1/26 = 0,03, dan seterusnya
6) Tentukan nilai lilliefors hitung Lh dengan rumus Lh =

7) Tentukan nilai lilliefors tabel dengan rumus : Lt pada tingkat kepercayaan 95%
adalah :

8) Bandingkan nilai lilliefors hitung terbesar (Lh) dengan nilai lillefors tabel (Lt)
jika Lh < Lt maka dapat disimpulkan bahwa data berdistribusi normal.
 UJI NORMALITAS
Contoh soal :

X F fkum Z Ztabel Fz Sz I Fz – Sz I
3 1
4 2
5 4
6 6
7 4
8 2
9 1
 UJI NORMALITAS
Hitung besar peluang dengan cara menghitung luas masing-masing nilai Z

X F fkum Z
3 1 1 -2,01
4 2 3 -1,34
5 4 7 -0,67
6 6 13 0,00
7 4 17 0,67
8 2 19 1,34
9 1 20 2,01
= 6,00
S = 1,49
 UJI NORMALITAS
Contoh soal :

X Fi FiXi
3 1 3 -3,00 9,00 9
4 2 8 -2,00 4,00 8
5 4 20 -1,00 1,00 4
6 6 36 0,00 0,00 0
7 4 28 1,00 1,00 4
8 2 16 2,00 4,00 8
9 1 9 3,00 9,00 9
Σ = 20 =120 Σ = 42
 UJI NORMALITAS
Fz =0,5 – Ztabel = 0,5 – 0,4778 = 0,0222
S(z) untuk data pertama = (Fkum) 1/n = 1/20 = 0,05, dan seterusnya

X F fkum Z Ztabel Fz Sz I Fz – Sz I
3 1 1 -2,01 0,4778 0,0222 0,05 0,0278
4 2 3 -1,34 0,4099 0,0901 0,15 0,0599
5 4 7 -0,67 0,2486 0,2514 0,35 0,0986
6 6 13 0,00 0,0000 0,5000 0,65 0,1500
7 4 17 0,67 0,2486 0,2514 0,85 0,5986
8 2 19 1,34 0,4099 0,0901 0,95 0,8599
9 1 20 2,01 0,4778 0,0222 1,00 0,9778
= 6,00 S = 1,49
 UJI NORMALITAS
Lilliefors
Tentukan nilai lilliefors tabel dengan rumus : Lt pada tingkat
kepercayaan 95% adalah :

Bandingkan nilai lilliefors hitung terbesar (Lh) dengan nilai lillefors

tabel (Lt) jika Lh < Lt maka dapat disimpulkan bahwa data berdistribusi
normal.
Kriteria Pengujian :
Ho diterima jika, Lh > Lt artinya data berdistribusi normal
Ho ditolak jika, Lh < Lt artinya data tidak berdistribusi normal

Nilai Lh = 0,9778 dan nilai Lt = 0,198

Dengan demikian Lh = 0,978 > Lt = 0,198, maka terima Ho. Artinya data
terdistribusi normal.
TERIMA KASIH
 UJI MULTIKOLINEARITAS
Multikolinieritas adalah terjadinya hubungan linier antara variabel
bebas dalam suatu model regresi linier berganda (Gujarati, 2003).
Hubungan linier antara variabel bebas dapat terjadi dalam bentuk
hubungan linier yang sempurna (perfect) dan hubungna linier yang
kurang sempurna (imperfect).
Salah satu cara pengujian multikolinieritas yang umum digunakan
adalah pengujian variance inflation factor (VIF) dengan langkah-langkah
sebagai berikut:
a. Hitung nilai korelasi antar variabel bebas (r)
b. Kuadratkan nilai korelasi antar varaibel bebas (r2)
c. Hitung nilai tolerance (Tol) dengan rumus (1-r2)
d. Hitung nilai VIF dengan rumus 1/TOL
e. Jika VIF < 10, maka tidak terjadi multikolinieritas
 UJI MULTIKOLINEARITAS
Contoh soal :

X1 X2 X3 Y x1 x2 x3 y
12 10 8 6
14 11 9 7
10 14 10 8
16 13 11 8
18 15 14 9
24 20 18 10
12 8 11 5
30 16 13 12
10 12 9 6
16 9 8 7
Σ=
rata2
 UJI MULTIKOLINEARITAS
Contoh soal :

X1 X2 X3 Y x1 x2 x3 y
12 10 8 6 -4,20 -2,80 -3,00 -1,80
14 11 9 7 -2,20 -1,80 -2,00 -0,80
10 14 10 8 -6,20 1,20 -1,00 0,20
16 13 11 8 -0,20 0,20 0,00 0,20
18 15 14 9 1,80 2,20 3,00 1,20
24 20 18 10 7,80 7,20 7,00 2,20
12 8 11 5 -4,20 -4,80 0,00 -2,80
30 16 13 12 13,80 3,20 2,00 4,20
10 12 9 6 -6,20 -0,80 -2,00 -1,80
16 9 8 7 -0,20 -3,80 -3,00 -0,80
Σ= 162 128 111 78 0,00 0,00 0,00 0,00
rata2 16,20 12,80 11,1 7,80
 UJI MULTIKOLINEARITAS

x12 x22 X32 x1x2 X1x3 x2x3

17,64 7,84 10,00 11,76 13,02 8,68
4,840 3,24 4,00 3,96 4,62 3,78
38,44 1,44 1,00 -7,44 6,82 -1,32
0,04 0,04 0,00 -0,04 0,02 -0,02
3,240 4,84 8,00 3,96 5,22 6,38
60,84 51,84 48,00 56,16 53,82 49,68
17,64 23,04 0,00 20,16 0,42 0,48
190,44 10,24 4,00 44,16 26,22 6,08
38,44 0,64 4,00 4,96 13,02 1,68
0,04 14,44 10,00 0,76 0,62 11,78
371,60 117,60 88,90 138,40 124,00 87,20
 UJI MULTIKOLINEARITAS
a. Hitung nilai korelasi antar variabel bebas (r)

b. Kuadratkan nilai korelasi antar varaibel bebas (r2)

r12 = 0,66206 ⟺ r122 = 0,4383
r13 = 0,68113 ⟺ r132 = 0,4639
r23 = 0,85283 ⟺ r232 = 0,7273
 UJI MULTIKOLINEARITAS
c. Hitung nilai tolerance (Tol) dengan rumus (1-r2)
Tol r12 = 1 - 0,4383 = 0,5617
Tol r12 = 1 - 0,4639 = 0,5361
Tol r12 = 1 - 0,7273 = 0,2727

d. Hitung nilai VIF dengan rumus 1/TOL

Jika VIF < 10, maka tidak terjadi multikolinieritas
VIF 12 = 1/0.5617 = 1.7803
Karena VIF antara X1 dengan X2 = 1,78 < 10 maka dapat disimpulkan
bahwa antara X1 dengan X2 tidak terjadi multikolinieritas.
VIF 13 = 1/0.5361 = 1.8653
Karena VIF antara X1 dengan X2 = 1,87 < 10 maka dapat disimpulkan
bahwa antara X1 dengan X2 tidak terjadi multikolinieritas.
VIF 12 = 1/0.2727 = 3.6670
Karena VIF antara X1 dengan X2 = 3,67 < 10 maka dapat disimpulkan
bahwa antara X1 dengan X2 tidak terjadi multikolinieritas.
TERIMA KASIH
 UJI AUTOKORELASI
Autokorelasi terjadi bila nilai gangguan dalam periode tertentu
berhubungan dengan nilai gangguan sebelumnya. Asumsi non-
autokorelasi berimplikasi bahwa kovarians ui dan uj sama dengan no l:
Deteksi autokorelasi dilakukan dengan membandingkan nilai statiatik
Durbin Watson hitung dengan Durbin Watson tabel. Mekanisme uji Durbin
Watson adalah sebagai berikut :
1. Lakukan regresi OLS dan dapatkan residualnya.
2. Hitung nilai d (Durbin Watson).
3. Dapatkan nilai kritis dL dan du.
4. Apabila hipotesis nol adalah bahwa tidak ada serial korelasi positif,
maka
jika
d < dL, tolak Ho
d < du, terima Ho
dL= d = du, pengujian tidak menyakinkan
 UJI AUTOKORELASI
5. Apabila hipotesis nol adalah bahwa tidak ada serial korelasi baik
negatif, maka jika
d > 4-dL, tolak Ho
d < 4-du, terima Ho
4-du = d = 4-dL, pengujian tidak menyakinkan
6. Apabila Ho adalah dua ujung, yaitu bahwa tidak ada serial korelasi baik
positif maupun negatif, maka jika
d < dL, tolak Ho
d > 4-dL, tolak Ho
du < d < 4-du, terima Ho
dL = d = du, pengujian tidak menyakinkan
4-du = d = 4-dL, pengujian tidak menyakinkan
 UJI AUTOKORELASI
Terjadinya korelasi antar satu variabel error dengan variabel error
yang lain. Autokorelasi sering kali terjadi pada data time series sedangkan
pada penelitian cross sectional jarang terjadi.
Untuk mendetaksi adanya autokorelasi dalam model regresi linier
berganda dapat digunakan metode durbin Watson. Langkah-langkah uji
autokorelasi menggunakan metode durbin Watson dapat dijelaskan
sebagai berikut :
a. Regresikan variabel (X) terhadap variabel tergantung (Y)
b. Hitung nilai prediksinya
c. Hitung nilai residualnya
d. Kuadratkan nilai residualnya
e. Mudurkan waktu 1 periode dengan cara menurunkan nilai residualnya
f. Kurangkan nilai residual dengan point e diatas
g. Masuk hasil perhitungan diatas masukkan kedalam rumus durbin
Watson.
Contoh soal : sama dengan perhitungan regresi berganda sebagai berikut :

Pelatihan (X1) 12 14 10 16 18 24 12 30 10 16

Pendampingan (X2) 10 11 14 13 15 20 8 16 12 9

Kinerja (Y) 6 7 8 8 9 10 5 12 6 7

Diperoleh persamaan matematik sebagai berikut :

Tabel uji Autokorelasi :
Y X1 X2 Ŷ e e2 et-1 (e - et-1) (e - et-1)2
6 12 10 6,26 -0,26 0,07
7 14 11 6,91 0,09 0,01 -0,30 0,39 0,15
8 10 14 6,86 1,14 1,30 0,09 1,05 1,10
8 16 13 7,81 0,19 0,04 1,14 -0,95 0,90
9 18 15 8,71 0,29 0,08 0,19 0,10 0,01
10 24 20 11,2 -1,16 1,35 0,29 -1,45 2,10
5 12 8 5,76 -0,76 0,58 -1,20 0,44 0,19
12 30 16 11,4 0,64 0,41 -0,80 1,44 2,07
6 10 12 6,36 -0,36 0,13 0,64 -1,00 1,00
7 16 9 6,81 0,19 0,04 -0,40 0,59 0,35
Σ = 3,99 Σ = 7,87

Ŷ = 1,36 + 0,20 (12) + 0,25(10) = 1,36 + 2,4 + 2,5 = 6,26 dst….

Tabel uji Autokorelasi :
Y X1 X2 Ŷ e e2 et-1 (e - et-1) (e - et-1)2
6 12 10 6,26 -0,26 0,07
7 14 11 6,91 0,09 0,01 -0,30 0,39 0,15
8 10 14 6,86 1,14 1,30 0,09 1,05 1,10
8 16 13 7,81 0,19 0,04 1,14 -0,95 0,90
9 18 15 8,71 0,29 0,08 0,19 0,10 0,01
10 24 20 11,2 -1,16 1,35 0,29 -1,45 2,10
5 12 8 5,76 -0,76 0,58 -1,20 0,44 0,19
12 30 16 11,4 0,64 0,41 -0,80 1,44 2,07
6 10 12 6,36 -0,36 0,13 0,64 -1,00 1,00
7 16 9 6,81 0,19 0,04 -0,40 0,59 0,35
Σ = 3,99 Σ = 7,87
Keterangan :
e = Y – Ŷ = 6 – 6,26 = -0,26 dst…
e2 = -0,262 = 0,07 dst….
et-1 = e mundur satu periode, dst…
e-et-1= 0,09 – (-0,3) = 0,39 dst….
(e-et-1)2 = 0,392 = 0,15 dst…
Menghitung nilai Durbin Watson (DW), dengan rumus :

Diketahui : n = 10, banyak variabel bebas (k) = 2, α = 5%,

Diperoleh dL = 0,6972, dU = 1,6413, (4 –dU) = 2,3587 dan (4 – dL) = 3,3028.
DW = 1,97

Kriteria Batas Kritis Simpulan du < d < 4-du

0 < d < dL Ada autokorelasi positif 1,6413 < 1,97 < 2,3587
Simpulan :
DL ≤ d ≤ du Autokorelasi tidak jelas
Karena nilai DW = 1,97
4-dL < d < 4 Ada autokorelasi negatif berada diantara du < d < 4-
du maka tidak ada
4-dL ≤ d ≤ 4-dL Autokorelasi tidak jelas
autokorelasi.
du < d < 4-du Tidak ada autokorelasi
TERIMA KASIH