UJI ASUMSI II

Widyastuti, S. Psi., M. Si., Psikolog

M. Ahkam, S. Pd., S. Psi., M. Si
Nur Afni Indahari A., S. Psi., M. Psi., Psikolog
Ahmad Ridfah, S. Psi., M. Psi., Psikolog

FAKULTAS PSIKOLOGI UNM

DESEMBER 2014
 Uji Asumsi Otokorelasi
Salah satu asumsi analisis regresi linear adalah
tidak adanya masalah otokorelasi (autokorelasi
atau korelasi serial). Setiap data residual suatu
amatan diharapkan saling bebas dengan
pengamatan lainnya. Otokorelasi sendiri
didefinisikan sebagai adanya hubungan antara
satu residual pengamatan dengan residual
pengamatan lainnya (Yamin, Rachmach, &
Kurniawan, 2011).
Santoso (2012) berpendapat bahwa tujuan uji
ini ingin mengetahui apakah dalam sebuah
model regresi linear ada korelasi antara
kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 (sebelumnya).
Otokorelasi pada sebagian besar kasus
ditemukan pada regresi yang datanya adalah
time series, atau berdasarkan waktu berkala,
seperti bulanan, tahunan, dst. Karena itu, ciri
khusus uji ini adalah waktu.
Metode yang paling banyak digunakan adalah Uji durbin
Watson, selain itu ada pula Uji Run dls. (Yamin,
Rachmach, & Kurniawan, 2011). Jika ada masalah
otokorelasi, maka model regresi yang seharusnya
signifikan, menjadi tidak layak untuk dipakai. Otokorelasi
bisa diatasi dengan berbagai cara, antara lain:
• melakukan transformasi data,
• menambah data observasi (Santoso, 2012).
Tahun A B
2002 78 65
2003 87 98
2004 89 89
2005 88 76
2006 67 45
2007 86 58
2008 96 87
2009 67 87
2010 77 89
2011 76 90
Uji Durbin Watson (Santoso, 2012)
• Analyze  Regression  Linier
• Masukkan variabel dependen dan independen
• Method pilih enter  Tekan Statistics  Pilih
Durbin-Watson  Continue  Ok
Panduan mengenai angka D-W untuk
mendeteksi otokorelasi bisa dilihat pada tabel D-
W. Namun demikian, secara umum bisa diambil
patokan:
Angka D-W dibawah -2 berarti ada otokorelasi
positif. Angka D-W diantara -2 sampai +2, berarti
tidak ada otokorelasi. Angka D-W diatas +2
berarti ada otokorelasi negatif.
Uji Run Test (Yamin, Rachmach, & Kurniawan,
2011)
Analyze 
Nonparametric test 
Run masukkan variabel standardized residual ke
kolom Test Variabel List(s) 
Ok 
p > 0.05 maka tidak ada masalah otokorelasi
 Uji Homoskedastisitas
Pemeriksaan awal varians eror bersifat
homoskedastisitas atau tidak ada masalah
heteroskedastisitas dapat dilihat dari scatter plot.
Varians eror yang homoskedastisitas menyebar
secara acak/normal tidak membentuk suatu pola
tertentu. Uji yang bisa digunakan antara lain: Uji
Park, Uji Glejser, Uji Spearman’s Rank Correlation,
Uji White, Uji Breusch-Pagan-Godfrey (BPG)
(Yamin, Rachmach, & Kurniawan, 2011).
Pemeriksaan awal (Santoso, 2010)
Klik Graph 
Legacy dialogs 
Scatter/Dot 
Simple Scatter 
Define 
Independen pada X-Axis dan dependen pada Y-
Axis 
Ok 
Lihat bentuk grafik
Uji Spearman’s Rank Correlation (Yamin, Rachmach, &
Kurniawan, 2011)
Uji ini mengkorelasikan antara harga mutlak residual
unstandardized dan variabel independen. Untuk cara
mencari residual unstandardized lihat slide 13 Uji
Asumsi I.
Klik transform  Compute Variable  tuliskan Mut_U
pada kolom target variable  pada numeric expression
tuliskan Abs kemudian buka kurung klik variable
unstardardized residual klik tanda panah tutup kurung
 Ok
Analyze  Correlation  Bivariate  pada variable list
masukkan Mut_U dan variabel independen  hilangkan
pearson dan pilih spearman  p > 0.05 maka tidak
terdapat masalah heteroskedastisitas.
 Uji Multikolinearitas
Asumsi tidak adanya multikolinearitas ini perlu di
cek ketika kita menggunakan analisis regresi
dengan melibatkan lebih dari satu
prediktor/independen (regresi ganda) (Santoso,
2010). Salah satu cara untuk mengatasi masalah
multikolinearitas adalah dengan menambah jumlah
data (Yamin, Rachmach, & Kurniawan, 2011).
Langkah pengujian:
Analyze  regression  linear  masukkan
variabel  Statistics  Collinearity diagnostics 
Ok
Lihat kolom Tolerance dan VIF pada Collinearity Statistics,
kolom ini memberikan informasi mengenai kolinearitas
dari tiap variabel. Semakin besar VIF semakin tinggi
kolinearitas yang terjadi pada variabel tersebut. Jika VIF
dari suatu variabel > 10, maka ada kecurigaan adanya
kolinearitas pada variabel tsb (Santoso, 2010).
Semakin kecil nilai tolerance, maka semakin parah nilai
kolinearitas suatu variabel. Oleh karena itu, kita
mengharapkan untuk mendapatkan nilai tolerance yang
besar. Nilai maksimal tolerance sama dengan 1 yang
berarti prediktor tsb. dapat dikatakan tidak berkorelasi
sama sekali dengan prediktor lainnya dalam persamaan
regresi (Santoso, 2010).
 Daftar Pustaka
Hadi, S. (2001). Isu uji asumsi. Buletin Psikologi, Tahun
IX, Nomor 1, Juni 2011. Yogyakarta: Fakultas Psikologi
UGM.
Santoso, A. (2010). Statistik untuk psikologi dari blog
menjadi buku. Yogyakarta: Universitas Sanata
Dharma.
Santoso, S. (2012). Aplikasi SPSS pada statistik
parametrik. Jakarta: PT. Elex Media Komputindo.
Yamin, S., Rachmach, L. A., & Kurniawan, H. (2011).
Regresi dan korelasi dalam genggaman anda.
Jakarta: Salemba Empat.
 SEKIAN
DAN
TERIMA KASIH