Yenny Laura Butarbutar, S.P, M.

P
1
Model regresi linier berganda (multiple
regression) dapat disebut sebagai model
yang baik jika model tersebut
memenuhi beberapa asumsi yang
disebut dengan “asumsi klasik”.

2
Ada empat uji asumsi yang harus
dilakukan terhadap suatu model
regresi yaitu :
1.Normalitas
2.Multikolinieritas
3.Autokorelasi
4.Heteroskedastisitas
3
1. Normalitas (Variabel ui
berdistribusi normal)

Variabel ui (residual) berdistribusi

normal, artinya nilai u (untuk
setiap nilai Xi) berdistribusi
simetris.

4
 Uji normalitas bertujuan untuk
mengetahui apakah variabel
pengganggu atau residual memiliki
distribusi normal.

 Sebagai dasar bahwa uji t dan uji F

mengasumsikan bahwa nilai
residual mengikuti distribusi
normal.
5
 Jika asumsi ini dilanggar, maka
model regresi dianggap tidak valid
dengan jumlah sampel yang ada.

 Ada dua cara yang digunakan untuk

menguji Normalitas :
1. Analisis grafik (normal P-P plot)
2. Uji One Sample Kolmogorov-
Smirnov

6
Kolmogorov-Smirnov

Membandingkan fungsi
distribusi kumulatif dari
pengamatan dengan fungsi
distribusi kumulatif teoritis.

7
Hipotesis yang diajukan adalah :

H0 : Tidak ada perbedaan disribusi ui

(residual) dengan distribusi normal atau
residual berdistribusi normal
H1 : Ada perbedaan disribusi ui (residual)
dengan distribusi normal atau residual
tidak berdistribusi normal
8
Kriteria pengambilan keputusan:
Jika signifikansi > α0,05 maka H0
diterima → residual berdistribusi
normal.

Jika signifikansi < α0,05 maka H1

diterima → residual tidak
berdistribusi normal.
9
2. Multikolinieritas (Variabel bebas
tidak berkorelasi secara sempurna)

 Uji multikolinieritas bertujuan untuk

menguji apakah pada model regresi
ditemukan adanya korelasi antar
variabel bebas (variabel independen).

 Dalam model regresi yang baik

seharusnya tidak terjadi korelasi di
antara variabel bebas, karena jika hal
tersebut terjadi maka hasil estimasi
akan bias.
10
Multikolinieritas dapat dilihat dari:
Nilai koefisien korelasi antara
variabel bebas ≥ 0,8.

Apabila secara serempak variabel

berpengaruh nyata, tetapi secara
parsial lebih banyak variabel yang
tidak nyata.
Nilai VIF sekitar 1 dan tolerance
mendekati 1
11
3. Autokorelasi (Antara ui dengan ui
yang lain saling bebas pada setiap
pengamatan)

Autokorelasi berarti covarians antara

ui dengan ui yang lain sama dengan
nol. Nilai variabel acak diasumsikan
berbeda antara satu periode dengan
periode lainnya.

12
 Uji autokorelasi bertujuan menguji apakah
model regresi linier ada korelasi antara
kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada
periode sebelumnya (t-1).

 Jika terjadi korelasi maka dinamakan ada

problem autokorelasi.

 Cara untuk mendeteksi gejala

autokorelasi yaitu uji Durbin Watson
(DW test).
test)
13
Uji Durbin-Watson dilakukan dengan
membandingkan nilai Durbin-Watson dari
hasil perhitungan dengan nilai Durbin-Watson
tabel.

Nilai Durbin-Watson tabel diperoleh dengan

melihat pada K variabel dalam persamaan dan
jumlah pengamatan.

14
Kriteria pengujian;
Bila d < dL → tolak H0
Berarti ada autokorelasi yang positif atau kecenderungannya
ρ=1
Bila dL ≤ d ≤ dU → kita tidak dapat mengambil kesimpulan
apa-apa
Bila dU ≤ d ≤ 4 - dU → terima H0
Artinya tidak ada autokorelasi positif maupun negatif
Bila 4 - dU ≤ d ≤ 4 – dL → kita tidak dapat mengambil
kesimpulan apa-apa
Bila d > 4 - dL → tolak H0
Berarti ada autokorelasi yang negatif atau kecenderungannya
ρ = -1
15
4. Heteroskedastisitas (Variasi ui
konstan)

Heteroskedastisitas terjadi bila variansnya tidak

konstan, sehingga seakan-akan ada beberapa kelompok
data yang mempunyai besaran eror yang berbeda-beda
sehingga bila diplotkan dengan nilai Ŷi akan
membentuk suatu pola.

Heteroskedastisitas dapat dilihat dengan metode grafik

yaitu memplotkan ui2 dan Ŷi. Heteroskedastisitas akan
terdeteksi bila plot menunjukkan pola yang sistematis.

16
 Uji heteroskedastisitas bertujuan menguji
apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu
pengamatan ke pengamatan yang lain.

 Jika variance tetap, maka disebut

homoskedastisitas dan jika berbeda maka
terjadi problem heteroskedastisitas.
Model regresi yang baik, yaitu
homoskesdatisitas atau tidak terjadi
heteroskedastisitas.

17
Ada beberapa cara untuk mendeteksi
ada tidaknya heteroskedastisitas yaitu
melihat scatter plot (nilai prediksi
dependen ZPRED dengan residual
SRESID), uji Gletjer, uji Park, dan uji
White.

18
Scatter plot jika terjadi
heteroskedastisitas

19
20