UJI ASUMSI KLASIK

Dalam analisis regresi berganda ada

4 macam asumsi klasik yang harus
dipenuhi agar data menjadi BLUE
yaitu:
1. Normalitas
2. Multikolonearitas
3. Heteroskedastisitas
4. Autokorelasi
 1. NORMALITAS

Biasa disebut Uji Normalitas Residual.

Bertujuan untuk menguji apakah dalam model
regresi, data residual berdistibusi normal atau
tidak.

2 cara pengujian :
1. Metode Grafik -> Normal Probability Plot
2. Metode Non Grafik -> Kolmogorov-Smirnov
CONTOH

GRAFIK
 HASIL

Acuan :
Distribusi normal akan membentuk garis diagonal &
titik-titik dot akan menyebar di sekitar garis diagonal
tersebut.

Hasil :
Pada gambar terlihat titik-titik menyebar disekitar
garis diagonal dan mengikuti arah garis diagonal. Hal
ini menunjukkan bahwa model regresi MEMENUHI
ASUMSI NORMALITAS
NON GRAFIK
Acuan :
Apabila Asymp. Sig (2-tailed) dari uji Kolmogorov-
Smirnov bernilai di atas atau sama dengan 0,05 maka,
data berdistribusi normal dan sebaliknya.

Hasil Pengujian :
Dari uji Kolmogorov-Smirnov pada gambar diatas,
menunjukkan bahwa data terdistribusi normal,
dengan nilai Asymp. Sig (2-tailed) 0,602 lebih besar
sama dengan 0,05
 2. MULTIKOLINEARITAS
Untuk menguji apakah dalam suatu model regresi
terjadi korelasi yang tinggi atau tidak antar
variabel independen

Acuan penentu ada tidaknya MULTIKOLINEARITAS :

1. TIDAK TERJADI MULTIKOLINEARITAS
Tolerance > 0,1 ; VIF < 10
2. TERJADI MULTIKOLINEARITAS
Tolerance < 0,1 ; VIF > 10 Tolerance =
1/VIF
CONTOH
 HASIL

Dividend Payout Ratio

Tolerance (0.817) > 0,1 Tidak terjadi
Multikolinearitas
VIF (1.223) < 10

Return on Equity Tidak terjadi

Tolerance (0.860) > 0,1 Multikolinearitas
VIF (1.163) < 10

Debt to Equity Ratio Tidak terjadi

Tolerance (0.935) > 0,1 Multikolinearitas
VIF (1.070) < 10
Kesimpulan :
TIDAK TERJADI MULTIKOLINEARITAS. Sehingga
data Dividend Payout Ratio, Return on Equity, dan
Debt to Equity Ratio baik digunakan dalam model
regresi

Ingat!!!
Apabila terdapat 1 saja data yang terjadi
multikolinearitas, berarti terdapat korelasi antar
variabel. Lebih baik variabel tersebut diganti atau
dibuang saja.
 3. HETEROSKEDASTISITAS

Digunakan untuk menguji apakah dalam suatu

model regresi terdapat kesamaan atau
ketidaksamaan varians antara pengamatan
yang satu dengan yang lainnya

2 cara pengujian :
• GRAFIK -> Scatterplot
• NON GRAFIK
 METODE NON GRAFIK

• UJI GLEJSER
• UJI PARK
• METODE KORELASI SPEARMAN
• METODE GOLDFELT QUANDT
• METODE WHITE HETEROSCEDASTICITY
GRAFIK
Acuan :
Titik-titik menyebar & tidak membentuk pola
tertentu

Hasil :
Pada gambar terlihat titik-titik menyebar & tidak
membentuk pola tertentu, maka tidak terjadi
heteroskedastisitas sehingga data baik digunakan
dalam model regresi.
NON GRAFIK -> UJI GLEJSER
Acuan :

• Jika nilai signifikansi lebih besar dari 0,05,

kesimpulannya adalah tidak terjadi
heteroskedastisitas.
• Jika nilai nilai signifikansi lebih kecil dari 0,05,
kesimpulannya adalah terjadi
heteroskedastisitas.
 Hasil
Motivasi (X1)
Sig = 0,004 < 0,05
Artinya, terjadi heteroskedastisitas pada variabel
Motivasi (X1)

Minat (X2)
Sig = 0,009 < 0,05
Artinya, terjadi heteroskedastisitas pada variabel
Minat (X2)
 4. AUTOKOLERASI

Dapat dilakukan dengan uji durbin watson. Uji

durbin watson digunakan untuk autokorelasi
tingkat satu (first order autocorrelation) dan
mensyaratkan adanya intercept (konstanta)
dalam model regresi dan tidak ada variabel lag
di antara variabel bebas.
 CONTOH
Hipotesis:
Ho : tidak ada autokorelasi
Ha : ada autokorelasi

Keputusan:
 CONTOH

Nilai DW sebesar 2,061, nilai ini akan kita

bandingkan dengan nilai tabel dengan
menggunakan derajat kepercayaan 5%, jumlah
sampel 100 dan jumlah variabel bebas 4.

Oleh karena nilai DW 2,061 lebih besar daripada

batas atas (du) 1,76 maka dapat disimpulkan tidak
terdapat autokorelasi pada model regresi.
Tabel durbin watson
 Tha
nk Y
ou
Que nyA
stion
????
?