UJI ASUMSI KL

ASIK
 Uji Asumsi Klasik
Pengertian

Analisis yang dilakukan untuk menilai apakah dalam sebuah model regresi te
rdapat masalah-masalah asumsi klasik
 Pengertian Regresi Linear OLS
• Sebuah model regresi linear dengan metode perhitungan kuadrat terkecil atau dalam bahasa ingg
ris disebut dengan istilah ordinary least square.
• Ada beberapa syarat yang harus dipenuhi agar model peramalan yang dibuat menjadi valid sebag
ai alat peramalan.
• Syarat-syarat tersebut apabila terpenuhi semuanya, maka model regresi linear tersebut dikatakan
BLUE (Best Linear Unbiased Estimation)
 Pengertian Asumsi Klasik
• Asumsi Klasik adalah syarat-syarat yang harus dipenuhi pada model regresi linear agar model ter
sebut menjadi valid sebagai alat penduga
Jenis Uji Asumsi Klasik
 Asumsi klasik pada regresi linear berganda an
Uji Asumsi Klasik tara lain:

Pada Regresi Line Linearitas,

ar Berganda Normalitas,

Heteroskedastisitas,

Multikollinearitas,

Autokorelasi (Hanya untuk data time series at

au runtut waktu).
 1. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar va
riabel bebas (independent variable).
Cara mendeteksi ada atau tidaknya multikolinearitas:
Nilai R² yang dihasilkan sangat tinggi, tetapi scr individual variabel2 bebas banyang yg tidak signif
ikan mempengaruhi varibel terikat.
Menganalisis matriks korelasi variabel-variabel bebas. Jika antar variabel bebas ada korelasi yg c
ukup tinggi (di atas 0.90), ha ini merupakan indikasi adanya multikolinearitas.
Multikolinearitas dapat juga dilihat dari nilai tolerance dan lawannya variace inflation factor (VIF).
Nilai cutoff yg umumnya dipakai untuk menunjukkan adanya multikolinearitas adalah nilai toleranc
e ≤ 0.10 atau sama dengan ≥ 10.
 Uji Multikolinearita
s
Perintah dalam SPSS
•Bukan File multiple_reg
•Menu Analize ─> Regression ─> Linear .. Tampak di
Layar windows Linear Regression
•Pada kotak Dependent isikan variabel income
•Pada kotak Independent isikan variabel Usia,
Pengalaman Kerja, dan Jenis Kelamin
•Pada kotak Method, pilih Enter
•Untuk menampilkan matriks korelasi dan nilai Tolerance
dan VIF, pilih Statistics, di layar akan muncul tampilan
Linear Regession Statistics, sebagai berikut:
•Aktifkan pilihan Covariance matrix dan Collinierity
diagnostics
•Tekan Continue, abaikan yang lain dan tekan OK
 Coefficient Correlationsa

Pengalaman
Model Jenis Kelamin Kerja Usia
1 Correlations Jenis Kelamin 1.000 -.525 -.581
Pengalaman -.525 1.000 -.057
Kerja
Usia -.581 -.057 1.000
Covariances Jenis Kelamin 7987381.601 -965693.244 -336358.099
Pengalaman -965693.244 423275.139 -7591.684
Kerja
Usia -336358.099 -7591.684 41909.197
a. Dependent Variable: Income

Tidak terjadi multikolinearitas karena korelasi antar

variabel bebas/independent di bawah 0.90
 Coefficientsa

Unstandardized Standardized Collinearity

Coefficients Coefficients Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) -9071.764 5331.943 -1.701 .133

Usia 1148.913 204.717 .620 5.612 .001 .481 2.080

Pengalaman 1513.691 650.596 .246 2.327 .053 .526 1.902
Kerja
Jenis Kelamin 5239.227 2826.196 .240 1.854 .106 .349 2.863

a. Dependent Variable: Income

• Hasil perhitungan Nilai Tolerance menunjukkan tidak ada variabel

bebas yang memiliki nilai Tolerance kurang dari 0.10

• Hasil perhitungan Nilai Variance Inflation Factor (VIF) menunjukkan

tidak ada variabel bebas yang memiliki nilai VIF lebih dari 10
 2. Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah dalam model regresi linear ada korelasi antara k
esalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelu
mnya).
Ada cara mendeteksi ada atau tidaknya autokorelasi, yaitu Uji Durbin-Watson (DW test), Uji Lagr
ange Multiplier (LM test), Uji Statistics Q : Box-Pierce dan Ljung Box, dan Run Test.
Pada pembahasan ini akan dilakukan uji autokorelasi dengan Uji Durbin-Watson
Uji Durbin-Watson digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan me
nsyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antar
a variabel bebas.
Hipotesis:
H0 : tidak ada autokorelasi (r=0)
H1 : ada auto korelasi (r≠ 0)

Hipotesis Nol Keputusan Jika

Tidak ada autokorelasi positif Tol;ak 0 < d < dL
Tidak ada autokorelasi positif Tak ada kep. dL ≤ d ≤ dU
Tidak ada autokorelasi negatif Tolak 4 - dL < d < 4
Tidak ada autokorelasi negatif Tak ada kep. 4 - dU ≤ d ≤ 4 - dL
Tidak ada autokorelasi Terima dU < d < 4 - dU
positif/negatif
 Uji Autokorelasi

Perintah dalam SPSS

•Bukan File multiple_reg
•Menu Analize ─> Regression ─> Linear .. Tampak di
Layar windows Linear Regression
•Pada kotak Dependent isikan variabel Income
•Pada kotak Independent isikan variabel Usia,
Pengalaman Kerja, dan Jenis Kelamin
•Pada kotak Method, pilih Enter
•Untuk menampilkan nilai Durbin Watson, pilih Statistics, di
layar akan muncul tampilan Linear Regression Statistics,
sebagai berikut:
•Akifkan pilihan Durbin Watson
•Tekan Continue, abaikan yang lain dan tekan OK
 Model Summaryb

Adjusted R Std. Error of

Model R R Square Square the Estimate Durbin-Watson
1 .979a .959 .941 2758.308 1.339
a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia
b. Dependent Variable: Income

Nilai DW sebesar 1.339, nilai ini akan dibandingkan

dengan nilai tabel dengan menggunakan signifikansi 5%,
jumlah sampel 11 (n) dan jumlah variabel bebas 3 (k=3),
maka di tabel Durbin Watson akan didapatkan nilai sbb:
Gambar Daerah Uji Durbin Watson

0.595 1.928 2.072 3.405

1.339

Karena nilai DW 1.339 lebih kecil dari du dan lebih besar dari
dl, maka tidak menghasilkan kesimpulan yang pasti
 3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi linear terjadi ketida
ksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Ada cara mendeteksi ada atau tidaknya heteroskedastisitas, yaitu Spearman’ rho, Uji Glejser, Uji
Park, dan Melihat Pola Grafik.
Pada pembahasan ini akan dilakukan uji heteroskesastisitas dengan melihat Grafik Plotpre antar
a nilai prediksi variabe dengan residualnya SRESID.
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tert
entu pada grafik scatterplot antara ZRESID dan ZPRED di mana sumbu Y adalah Y yang dipredi
ksi, dan sumbu X adalah residual (prediksi – Y sesungguhnya) yang telah di-studentized.
Dasar Analisis:
Ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, mel
ebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
Jika tidak ada pola yang jelas, serta titik-titik menyebar dia atas dan di bawah 0 pada sumbu Y, maka ti
dak terjadi heteroskedastisitas.
 Uji Heteroskedastisitas

Perintah dalam SPSS

•Bukan File multiple_reg
•Menu Analize ─> Regression ─> Linear .. Tampak di
Layar windows Linear Regression
•Pada kotak Dependent isikan variabel Income
•Pada kotak Independent isikan variabel Usia,
Pengalaman Kerja, dan Jenis Kelamin
•Pada kotak Method, pilih Enter
•Untuk menampilkan Grafik Scatter Plot, pilih Statistics, di
layar akan muncul tampilan Linear Regression Plots,
sebagai berikut:
•Masukkan variabel ZRESID pada kotak pilihan Y.
•Masukkan variabel ZPRED pada kotak pilihan X.
• Tekan Continue, abaikan yang lain dan tekan OK
• Tidak terjadi heteroskedastisitas karena titik-titik menyebar secara acak
serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y.

• Model regresi layak dipakai untuk memprediksi Income sales person

berdasarkan masukan variabel bebas Usia, Pengalaman Kerja, dan
Jenis kelamin.
25
 4. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal.
Ada 2 cara mendeteksi apakah residual bersiatribusi normal atau tid
ak , yaitu dengan analisis grafik dan uji statistik (melihat nilai kurtosis
dan skewness dari residual dan uji statistik non-parametrik Kolmogor
ov-Smirnov (K-S))
Pada pembahasan ini akan dilakukan uji normalitas dengan analisis
grafik.
Analisis Grafik:
Melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekat
i distibusi normal.
Melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribu
si normal akan membentuk garis lurus diagonal, dan ploting data residual akan dibandingkan dengan g
aris diagonal.
 Uji Normalitas

Perintah dalam SPSS

•Bukan File multiple_reg
•Menu Analize ─> Regression ─> Linear .. Tampak di
Layar windows Linear Regression
•Pada kotak Dependent isikan variabel Income
•Pada kotak Independent isikan variabel Usia,
Pengalaman Kerja, dan Jenis Kelamin
•Pada kotak Method, pilih Enter
•Untuk menampilkan Grafik Histogram dan Normal
Probability Plot, pilih Statistics, di layar akan muncul
tampilan Linear Regression Plots, sebagai berikut:
•Aktifkan Standardized Residual Plots pada Histogram
dan pada Normal Probabiliity Polts
•Tekan Continue, abaikan yang lain dan tekan OK
Tidak normal, karena grafik histogram memberikan pola
distribusi yang merata (kurtosis negatif).

Normal karena titik-titik menyebar di sekitar garis diagonal,

serta penyebarannya mengikuti arah garis diagonal.
 UJI LINIERITAS
Uji linearitas adalah untuk mengetahui apakah data berbentuk garis lurus.
Linear berarti: kenaikan angka pada variabel X diikuti kenaikan angka pada variabel Y
Cara I aplikasi SPSS:
Analyze----Regression- Linear
Masukkan:
Variiabel X ke kotak Independen
Variabel Y ke kotak dependen
Ok
 UJI LINEARITAS
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 683,476 1 683,476 7,954 ,008a
Residual 3265,299 38 85,929
Total 3948,775 39
a. Predictors: (Constant), kepercayaan terhadap dosen
b. Dependent Variable: Motivasi Belajar

Lihat: Sig 0,008 (P < 0,05) berarti linear

 LINEARITAS
Cara II
Analyze
Compare mean– means
Masukkan
Var independent ke : independent list
Var dependen: ke dependent list
Chek list: Tes linearity
Ok..
OUT PUT TES LINEARITAS
ANOVA Table

Sum of
Squares df Mean Square F Sig.
Motivasi Belajar Between (Combined) 2136,742 24 89,031 ,737 ,755
* kepercayaan Groups Linearity 683,476 1 683,476 5,658 ,031
terhadap dosen Deviation from Linearity 1453,266 23 63,185 ,523 ,921
Within Groups 1812,033 15 120,802
Total 3948,775 39

Lihat: Sig 0,031(P < 0,05) berarti linear

THANK YOU