STATISTIK

PARAMETRIK DAN
NON PARAMETRIK
STATISTIK PARAMETRIK
 Menurut Sulaiman ( 2005:1) mengatakan Tes
parametrik adalah suatu tes yang modelnya
menetapkan syarat-syarat tertentu tentang
parameter populasi yag menjadi sama
penelitiannya
 Sugiyono (2013:79) mengemukakan statistik
parametris itu bekerja berdasarkan asumsi
bahwa data setiap variabel yang akan
dianalisis berdasarkan berdistribusi normal
 Dalam statistika parametrik, inidikator-indikator yang
dianalisis adalah parameter-parameter dari ukuran objek yang
digunakan. Menurut (Nisfiannoor,2009:15) mengatakan statistik
inferensial dengan model parametrik (independent Sample T
test, Paired Sample T test, One Way ANOVA, Korelasi Pearson,
Analisis Regresi, dll.
 Beberapa metode statistik parametrik (uji T dan Uji
F/Anova) mensyaratkan asumsi (Santoso, 2005:3) :
 Sampel(data) diambil dari populasi yang mempunyai berdistribusi
normal. Jika 10 sampel Tinggi badan diambil dari populasi 5000
mahasiswa sebuah perguruan tinggi, data tinggi badan 5000
mahasiswa haruslah berdistribusi normal.
 Pada Uji t dan uji F untuk dua sampel atau lebih, kedua sampel
diambil dari dua populasi yang mempunyai varian sama. Jadi
jika diambil sampel 10 tinggi badan pria dan 10 tinggi badan
wanita dari 3000 pria dan 2000 wanita, maka varian 3000 tinggi
badan pria dan varian 2000 tinggi badan wanita harusla sama
atau bisa diangga sama.
  Variabel (data) yang diuji haruslah data bertipe interval atau rasio,
yang tingkatannya lebih tinggi dari data tipe nominal atau ordinal.
Tinggi Badan Pria atau Wanita (sentimeter) jelas bertipe rasio,
karena dapat dari proses mengukur. Namun pendapat atau sikap pria
dan wanita (suka atau tidak suku yang diukur dengan skala Likert)
bukanlah data interval atau rasio, namun data Ordinal.
 Jumlah (sampel) data singkat kecil, sedangkan distribusi data
populasinya tidak diketahui kenormalannya. Mislanya hanya diambil
masing-masing 5 sampel untuk data Berat Badan Knosumen remaja,
Konnsumen Mud dan konsumen Dewasa, maka jumlah data terlalu
sedikit untuk diproses dengan uji F (uji lebih dari dua sampel),
walaupun tipe data rasio.Untuk data yang tidak memenuhi salah
satu asumsi tersebut, lebih baik menggunakan prosedur statistik non
parametrik untuk proses data.
 Menurut Santoso (2010:10) metode statistik
parametik digunakan untuk:
 Data dalam jumlah besar, biasanya diatas 30.
 Distribusi data adalah normal atau dapat dianggap
normal
 Data bertipe interval atau rasio.
STATISTIKA DENGAN UJI HIPOTESIS

Ada dua kelompok besar yang dapat

dilakukan dengan uji hipotesis yaitu:
 Uji hipotesis terkait uji rerata yaitu untuk
menguji atau mengestimasi besarnya rerata 1
kelompok, menguji beda dua kelompok atau
lebih, dengan berbagai kondisi kelompok (saling
bebas atau berpasangan/ tidak saling bebas).
 Uji hubungan baik terbatas pada besarnya
derajat asosiasi (uji korelasi) atau mencari
bentuk hubungan fungsional beberapa variabel
(uji regresi). Uji regresi saat ini juga telah
berkembang sangat luas tergantung distribusi
variabel respon yang dihadapi
MATERI POKOK STATISTIKA PARAMETRIK
 Korelasi Product Moment
Korelasi product moment disebut juga korelasi Pearson adalah
teknik analisis statistik yang mempunyai kegunaan untuk
menganalisis data penelitian yang mempunyai karakteristik di
antaranya:
 Hipotesis yang diajukan adalah hipotesis asosiatif
 Datanya berskala minimal interval
 Penyebaran data berdistribusi normal
 Regresi Linear Sederhana
 Regresi Linear Ganda
 Regresi Logistik
Teknik statistik ini digunakan untuk mengetahui pengaruh satu
variable independen atau lebih (X) terhadap satu variable
dependen (Y), dengan syarat:
 Variabel dependent harus merupakan variable dummy yang hanyapunya dua
alternatif. Misalnya Puas atau tidak puas, dimana jika responden menjawab puas
maka kita beri skor 1 dan jika menjawab tidak puas kita beri skor 0.
 Variabel independent mempunyai skala data interval atau rasio
STATISTIK NON-PARAMETRIK

 Statistik non parametric banyak digunakan pada

penelitian-penelitian sosial. Data yang diperoleh
dalam penelitian social pada umunya berbentuk
kategori atau berbentuk rangking. Uji statistic non
parametric ialah suatu uji statistik yang tidak
memerlukan adanya asumsi-asumsi mengenai sebaran
data populasi. Uji statistic ini disebut juga sebagai
statistic bebas sebaran (distribution free). Statistik
non parametric tidak mensyaratkan bentuk sebaran
parameter populasi berdistribusi normal. Statistik non
parametric dapat digunakan untuk menganalisis data
yang berskala nominal atau ordinal karena pada
umumnya data berjenis nominal dan ordinal tidak
menyebar normal.
 Suciptawati (2009:3) mengemukakan kelebihan-kelebihan
statistik nonparametrik, yaitu:
 Perhitungannya sederhana dan dapat dikerjakan dengan cepat,
karna analisisnya menggunakan cacahan, peringkat (rank)
bahkan dapat menggunakan tanda dari selisih pengamatan
berpasangan.
 Datanya tidak harus merupakan data kuantitatif, tetapi dapat
berupa kualitatif (skala nominal/ordinal).
 Nilai peluang dari sebagian besar uji statistika nonparametrik
diperoleh dalam bentuk yang lebih pasti (kecuali untuk kasus
sampel yang besar), tidak peduli bagaimana bentuk sebaran
populasi yang merupkan induk dari sampel-sampelnya.
Ketepatan nilai peluang itu tidak tergantung pada bentuk
sebaran populasinya, meskipun beberapa uji statistika
nonparametrik menganggap adanya kesamaan bentuk dua
sebaran populasi atau lebih, dan beberapa uji yang lain
menganggap sebaran populasi simetris. Dalam kasus-kasus uji
nonparametrik tertentu menganggap sebaran yang
mendasarinya adalah kontinyu, suatu anggapan yang juga
digunakan pada parametrik.
 Dapat digunakan untuk sampel berukuran kecil n=6.
 Kekurangan- kekurangan statistika nonparametik,
yaitu:
 Uji-uji nonparametrik tidak memanfaatkan semua
informasi yang terkandung dalam sampel. Akibatnya,
uji nonparametrik memerlukan ukuran sampel yang
lebih besar dibandingkan uji parametrik untuk
mencapai peluang kesalahan jenis II yang sama.
 Uji nonparametrik tidak dapat digunakan untuk
menguji adanya interaksi seperti dalam model
analisis ragam.
 Metode nonparametrik tidak dapat digunakan untuk
membuat ramalan seperti dalam analisis regresi,
karena asumsi sebaran normal tidak dapat dipenuhi.
 Macam uji statistika nonparametrik terlalu banyak
sehingga menyulitkan peneliti dalam memilih uji
yang sesuai.
 Tes Penggunaan
Chi-square Menggunakan data nominal untuk
menguji indepedensi satu sampel
atau lebih dari 2 sampel
Cochran Q Untuk menguji hubungan lebih dari 2
sampel pada skala nominal
Uji tanda Untuk menguji hubungan 2 sampel
pada skala ordinal
Uji median - Pada satu sampel, untuk melihat
randomisasi pada data dari populasi
- Untuk menguji independensi lebih
dari 2 sampel pada skala ordinal
Uji Mann- Untuk menguji independensi lebih
Whitney U dari 2 sampel pada skala oridinal
Uji Kruskal Untuk menguji independesi lebih
–walls dari 2 sampel pada skala ordinal
Uji Uji menguji hubungan lebih dari 2
friedman sampel pada skala ordinal
Kolmogorov Untuk menguji independensi dari
-smirnov satu sampel atau 2 sampel pada
skala ordina
fungsi
Tes independensi variabel
Membantu pada data yang
memberikan jawaban 2 kategori
Tes yang baik untuk data
berjenjang (rangking)
Analog pada independensi 2
sampel t-test
Alternatif uji One-Way Anova
dimana asumsi distribusi normal
tidak digunakan
Alternatif dari uji Two-way
ANOVA diamana asumsi distribusi
normal tidak digunakan
Uji ini lebih powerful
dibandingkan uji chi-square atau
uji Mann-Whitney
 PARAMETRIK NONPARAMETRIK

Deskriptif

Asumsi Distribusi Normal -

Asumsi Varian Homogen -

Jenis Data Rasio atau Interval Ordinal atau Nominal

Hubungan data set Independent -

Ukuran central Mean Median

Manfaat Lebih banyak kesimpulan Sederhana dan sedikit outlier

Tes

Uji korelasi Pearson, Regresi Spearman

Uji 2 Kelompok, berbeda Independent Sample t test Mann-Whitney

Uji 2 Kelompok lebih, berbeda Independent One Way ANOVA Kruskal-Wallis

Uji berulang, 2 kondisi Paired Sample t Test Wilcoxon

Uji berulang, 2 kondisi lebih Repeated One Way ANOVA Friedman

 Menurut Dahlan (2005:12) mengemukakan
bahwa uji non parametric digunakan untuk
keadaan sebagai berikut :
 Jika masalah skala pengukuran variabel adalah
kategorik (ordinal dan nomilnal).
 Jika data dengan masalah skala pengukuran numerik
tetapi tidak memenuhi syarat untuk uji
parametrik( misalnya distribusi data tidak normal),
maka dilakukan uji nonparametrik yang menrupakan
alternatif dari uji parametriknya.
 Alternatif uji t berpasangan adalah uji wilcoxon.
 Alternatif uji t tidak berpasangan adalah uji Mann-
Whitney.
 Alternatif uji repeated ANOVA adalah uji Friedman.
 Alternatif Uji one Way ANOVA adalah uji Kruskal-Wallis.
KONSEP DAN PENGERTIAN
 Obyek Penelitian : Merupakan suatu obyek yang diteliti
karakteristiknya. Misalnya, penduduk seandainya semua orang yang
menempati wilayah tertentu yang diteliti, atau peternak seandainya
yang diteliti karakteristiknya hanya peternak, atau peternak sapi
seandainya yang diteliti karakteristiknya hanya peternak sapi.
 Variabel : Adalah karakteristik dari obyek penelitian yang memiliki nilai
bervariasi. Misalnya, jenis kelamin: laki-laki dan perempuan. Status
ekonomi: tinggi, sedang, rendah. Berat badan: 50 kg, 60 kg, 70 kg.
 Variabel Bebas/Independent : Dalam hubungan antar dua atau lebih
variabel, variabel bebas merupakan variabel yang dapat mempengaruhi
variabel lainnya. Misalnya; variabel X dan variabel Y, yang
menggambarkan variabel X mempengaruhi variabel Y, maka X disebut
variabel bebas.
 Variabel Tak Bebas/Dependent : Dalam hubungan antar dua atau lebih
variabel, variabel tak bebas merupakan variabel yang dipengaruhi oleh
variabel lainnya. Misalnya; variabel X dan variabel Y, yang
menggambarkan variabel Y dipengaruhi oleh variabel X, maka Y disebut
variabel tak bebas.
 Data : Adalah fakta, baik berbentuk kualitatif maupun kuantitatif. Data
kualitatif diperoleh melalui pengamatan, misalnya pemilikan lahan petani
di suatu desa cukup tinggi. Data kuantitatif diperoleh melalui
pengukuran, misalnya pemilikan lahan di suatu desa antara 2-5 ha tiap
petani.
 Pengukuran : Adalah suatu proses kuantifikasi atau mencantumkan
bilangan kepada variabel tertentu. Misalnya, berat badan secara
kualitatif bisa dibedakan sebagai ringan, sedang, atau berat, dan melalui
proses pengukuran dengan cara menimbang kita dapat menyatakan berat
badan: 50 kg, 60 kg, 70 kg.
 Skala Pengukuran : Adalah bilangan yang dicantumkan kepada variabel
berdasarkan aturan-aturan yang telah ditentukan dan disepakati. Dikenal
4 macam skala pengukuran yaitu: nominal, ordinal, interval, dan rasio.
Skala nominal hanya dipakai untuk membedakan, skala ordinal
mengisyaratkan adanya peringkat, skala interval menunjukkan adanya
jarak yang tetap tetapi tidak memiliki titik nol mutlak, dan skala rasio
memiliki titik nol mutlak. Pemahaman terhadap skala pengukuran sangat
penting, karena itu akan diterangkan lebih rinci pada bahasan
selanjutnya.
 Unit Penelitian : Adalah satuan atau unit yang diteliti baik berupa
individu maupun kelompok yang dapat memberikan informasi tentang
aspek-aspek yang dipelajari atau diteliti. Misalnya, petani, keluarga
petani, atau kelompok petani.
 SKALA PENGUKURAN
 Skala Nominal
Skala nominal merupakan skala pengukuran yang paling lemah tingkatannya, sering
dikatakan sebagai bukan ukuran yang sebenarnya sebab hanya merupakan tanda
atau simbol untuk melakukan pengkategorian. Contohnya, pengukuran variabel
jenis kelamin didasarkan pada skala nominal, yaitu 1 untuk mengkategorikan jenis
kelamin pria dan 2 untuk mengkategorikan jenis kelamin wanita
 Skala Ordinal
Berbeda dengan skala nominal, ukuran skala ordinal selain dapat menunjukkan
persamaan dan perbedaan juga bisa menunjukkan adanya urutan, rangking, atau
tingkatan. Sebagai contoh adalah variabel tingkat kepandaian, hasil-hasil
pengukuran 1, 2, 3, dan 4 selain bisa digunakan untuk menunjukkan perbedaan,
seperti 1 berbeda dengan 2 karena 1=bodoh sekali sedangkan 2=bodoh atau 2 beda
dengan 3 karena 2=bodoh sementara 3=pandai, juga menunjukkan adanya urutan.
 Skala Interval
Skala interval termasuk ukuran yang bersifat numerik, dengan demikian jarak
diantara ukuran yang berbeda sudah memiliki makna. Contoh variabel yang memiliki
skala numerik adalah tahun kelahiran. Berdasarkan persamaan dan perbedaan dapat
dengan mudah memahami bahwa yang lahir tahun 1960 berbeda dengan yang lahir
pada tahun 1990, demikian pula halnya dengan pemahaman urutan, yang lahir
tahun 1960 berarti lebih dahulu ada di dunia dibandingkan dengan yang lahir tahun
1990.
 Skala Rasio
Skala rasio bisa disebut sebagai skala
pengukuran yang paling kuat. Skala rasio
memiliki semua sifat skala interval, yang
membedakannya adalah, kalau skala interval
tidak memiliki titik nol mutlak, skala rasio
memilikinya. Skala rasio dapat dicontohkan
pada pengukuran variabel berat badan. Pada
variabel berat badan dapat menyatakan bahwa
seseorang berat badannya lebih ringan atau
lebih berat sekian kali dari yang lain. Misalnya
seorang anak kecil bernama P berat badannya
10 kg, Q = 20 kg, dan R yang sudah remaja 40
kg.
PENGGOLONGAN ANALISIS STATISTIK
PARAMETRIK DAN NONPARAMETRIK
 Korelatif
Teknik analisis korelatif digunakan untuk mengetahui
hubungan atau korelasi dari sebuah variabel yang lain.
Misalnya variabel X dan variabel Y. Teknik analisis yang
sering dipakai adalah korelasi Pearson dan regresi.
 Komparatif
Teknik analisis komparatif digunakan untuk
mengetahui perbedaan nilai rata-rata dari suatu
kelompok dengan kelompok lainya. Misalnya
perbedaan kecemasan antara kelompok pria dan
wanita, serta perbedaan motivasi kerja antara bagian
produksi, pemasaran, dan keungan. Teknik analisis
yangsering digunakan adalah T-test dan anova.
PERBEDAAN STATISTIK PARAMETRIK
DAN STATISTIK NON PARAMETRIK
 Statistik Parametrik:
 Teknik-teknik statistika yang didasarkan atas
asumsi mengenai populasi yang diambil
sampelnya.
 Contoh: pada uji t diasumsikan populaso
terdistribusi normal.
 Sebutan parametric digunakan karena pada uji t
ini yang diuji adalah parameter (contoh: rata-
rata populasi)
 Membutuhkan data kuantitatif dengan level
interval atau rasio
 Statistik Non Parametrik:
 Cocok untuk data yang tidak memenuhi asumsi
statistika parametric atau yang berjenis kualitatif
 Disebut juga distribution-free statistics
 Didasarkan atas lebih sedikit asumsi mengenai
populasi dan parameter dibandingkan dengan
statistika parametik
 Ada yang dapat digunakan untuk data nominal
 Ada yang dapat digunakan untuk data ordinal
UJI
PRASYARAT
 Uji Normalitas
Pengujian normalitas adalah pengujian tentang
kenormalan distribusi data. Terdapat 4 cara untuk
menentukan apakah data diatas tersebut berasal dari populasi
yang berdistribusi normal atau tidak.Empat cara pengujian
normalitas data sebagai berikut:
 Kertas Probabilitas Normal
Apabila dari penelitian sudah terkumpul data lengkap, maka
untuk pengujian normalitas dilalui langkah-langkah sebagai
berikut.
 Membuat tabel distribusi frekuensi.
 Menentukan batas nyata tiap-tiap kelas interval.
 Mencari frekuensi kumulatif dan frekuensi kumulatif relative (dalam persen).
 Dengan skala sumbu mendatar dan sumbu menegak, menggambarkan grafik
dengan data yang ada, pada kertas probabilitas normal.
 Dengan angka-angka yang ada pada tabel distribusi diletakkan titik-titik
frekuensi kumulatif relative pada kertas probabilitas yang telah disediakan
pada buku-buku statisti
 Uji Chi Kuadrat
Menurut Prof.DR.Sugiono (2005, dalam buku “ Statistika
untuk Penelitian“), salah satu uji normalitas data yaitu
chi kuadrat ( ) merupakan pengujian hipotesis yang
dilakukandengan cara membandingkan kurve normal
yang terbentuk dari data yang telah terkumpul (B)
dengan kurve normal baku atau standar (A). Jadi
membandingkan antara (B/A). Bila B tidak berbeda
secara signifikan dengan A, maka B merupakan data
yang berdistribusi normal.
Ho:data berasal dari populasi yang berdistribusi normal
H1:data tidak berasal dari populasi yang berdistribusi
normal
Grafik distribusi chi kuadrat ( ) umumnya merupakan
kurve positif , yaitu miring ke kanan. Kemiringan ini
makin berkuran jika derajat kebebasan (dk) makin
besar.
LANGKAH-LANGKAH MENGUJI DATA
NORMALITAS DENGAN CHI KUADRAT:
 Menentukan Mean/ Rata-Rata
x
 fx 1

n
 Menentukan simpangan baku
 f  xi  x 
2

s
n 1
 Membuat daftar distribusi frekuensi yang
diharapkan
 Menentukan batas kelas
 Mencari nilai Z skor untuk batas kelas interval
 Mencari luas 0 – Z dari tabel kurva normal
 Mencari luas tiap kelas interval
 Mencari frekuensi yang diharapkan (Ei)
 Merumuskan formula hipotesis
Ho:data berasal dari populasi yang berdistribusi
normal.
H1:data tidak berasal dari populasi yang
berdistribusi normal.
 Menentukan taraf nyata (a)
Untuk mendapatkan nilai chi-square tabel

 dk = k – 1
dk = Derajat kebebasan
k = banyak kelas interval
 Menentukan Nilai Uji Statistik
 Keterangan:
Oi = frekuensi hasil pengamatan pada klasifikasi
ke-i
Ei = Frekuensi yang diharapkan pada klasifikasi
ke-i
 Menentukan Kriteria Pengujian Hipotesis

 Memberi kesimpulan
UJI LILIEFORS
 Menurut Sudjana (1996: 466), uji normalitas data
dilakukan dengan menggunakan uji Liliefors (Lo)
dilakukan dengan langkah-langkah berikut.  Diawali
dengan penentuan taraf sigifikansi, yaitu pada taraf
signifikasi 5% (0,05) dengan hipotesis yang diajukan
adalah sebagai berikut :
H0: Sampel berasal dari populasi yang berdistribusi
normal
H1 : Sampel tidak berasal dari populasi yang
berdistribusi normal
 Dengan kriteria pengujian :
Jika Lhitung< Ltabel terima H0, dan
Jika Lhitung ≥ Ltabel tolak H0
LANGKAH-LANGKAH PENGUJIAN
NORMALITAS
 Data pengamatan x1, x2 , x3, ….., xn dijadikan bilangan baku z1,
z2 , z3, ….., zn dengan menggunakan rumus  (dengan dan
masing-masing merupakan rata-rata dan simpangan baku)
 Untuk setiap bilangan baku ini dengan menggunakan daftar
distribusi normal baku, kemudian dihitung peluang F(zi) = P(z <
zi).
 Selanjutnya dihitung proporsi z1, z2 , z3, ….., zn yang lebih kecil
atau sama dengan zi. Jika proporsi ini dinyatakan oleh S(zi)
maka:

 Hitung selisih F(zi) – S(zi), kemudian tentukan harga mutlaknya.

 Ambil harga yang paling besar di antara harga-harga mutlak
selisih tersebut, misal harga tersebut L0.
 Untuk menerima atau menolak hipotesis nol (H0), dilakukan
dengan cara membandigkan L0 ini dengan nilai kritis L yang
terdapat dalam tabel untuk taraf nyata yang dipilih
UJI HOMOGENITAS
 Uji homogenitas merupakan uji perbedan antara
dua atau lebih populasi. Semua karakteristik
populasi dapat bervariasi antara satu populasi
dengan yang lain. Dua di antaranya adalah mean
dan varian (selain itu masih ada bentuk
distribusi, median, modus, range, dll).
Ada dua macam uji homogenitas untuk menguji
kehomogenan dua atau lebih variansi yaitu :
 Uji Harley Pearson
Uji ini digunakan untuk menguji ukuran dengan
cuplikan yang sama (n yang sama ) untuk tiap
kelompok
PROSEDUR PENGUJIAN HIPOTESIS :
 Menentukan formulasi hipotesis

 Menentukan taraf nyata (α) dan

ditentukan dengan , derajat
pembilang (n1  1) , dan derajat
penyebut (n2,dengan
1) rumus
Ftabel  F1
 ( n1 1, n2 1)
2
 Menentukan kriteria pengujian :
H 0 diterima jika F 1-  n1 1  F  F1
  n1 1, n2 1
2

H 0 ditolak jika F 1-  n1 1  F  F1 atau

  n1 1, n2 1
2

F 1-  n1 1  F  F1
  n1 1, n2 1
2

 Menentukan uji statistik

s12
F 2
s2
varians terbesar
F
varians terkecil
 Menarik kesimpulan
UJI BARTLETT
 Uji ini digunakan untuk menguji ukuran dengan
cuplikan yang sama maupun tidak sama (n yang sama
maupun n yang berbeda) untuk tiap kelompok.
Untuk memudahkan perhitungan, satuan-satuan yang
diperlukan untuk uji Bartlett lebih baik disusun
dalam sebuah daftar seperti :
Sampel dk Log (dk) log

ke

1 Log
. . .
2 Log
. . .
. .
. .
. .

k Log

jumlah … …
PROSEDUR PENGUJIAN HIPOTESIS :
 Menentukan formulasi hipotesis

 Menentukan taraf nyata () dan x 2 tabel

x 2 tabeldimana x 2 tabel  xdidapat
2
(1 )( k 1)
dari daftar
distribusi chi-kuadrat dengan peluang (1- ) dan
dk = (k-1)
 Menentukan kriteria pengujian :

H 0 diterima jika x 2  x(21 )( k 1)

H 0 ditolak jika x 2  x(21 )( k 1)
 Menentukan uji statistik
2

x   In 10  B    ni  1 log s
2
i 
 Menarik kesimpulan
UJI ASUMSI KLASIK
 Uji asumsi klasik adalah persyaratan statistik
yang harus dipenuhi pada analisis regresi linear
berganda yang berbasis ordinary least square
(OLS).Jadi analisis regresi yang tidak
berdasarkan OLS tidak memerlukan persyaratan
asumsi klasik, misalnya regresi logistik atau 
regresi ordinal. Demikian juga tidak semua uji
asumsi klasik harus dilakukan pada analisis
regresi linear, misalnya uji multikolinearitas
tidak dilakukan pada analisis regresi linear
sederhana dan uji autokorelasi tidak perlu
diterapkan pada data cross sectional.
 Uji normalitas
Uji normalitas adalah untuk melihat apakah
nilai residual terdistribusi normal atau
tidak.Model regresi yang baik adalah memiliki
nilai residual yang terdistribusi normal
 Uji Multikolinearitas
Uji multikolinearitas adalah untuk melihat ada
atau tidaknya korelasi yang tinggi antara
variabel-variabel bebas dalam suatu model
regresi linear berganda.Jika ada korelasi yang
tinggi di antara variabel-variabel bebasnya,
maka hubungan antara variabel bebas terhadap
variabel terikatnya menjadi terganggu
 Uji heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah
terdapat ketidaksamaan varians dari residual satu ke
pengamatan ke pengamatan yang lain.
 Uji autokorelasi

Uji autokorelasi adalah untuk melihat apakah terjadi

korelasi antara suatu periode t dengan periode
sebelumnya (t -1).
 Uji linearitas

Uji linearitas dipergunakan untuk melihat apakah model

yang dibangun mempunyai hubungan linear atau
tidak.Uji ini jarang digunakan pada berbagai penelitian,
karena biasanya model dibentuk berdasarkan telaah
teoretis bahwa hubungan antara variabel bebas dengan
variabel terikatnya adalah linear.