Uji Asumsi Klasik

By
Juarsa Badri, SE.,MM
Uji Asumsi Klasik

 Tujuan pengujian asumsi klasik ini adalah untuk

memberikan kepastian bahwa persamaan regresi
yang didapatkan memiliki ketepatan dalam
estimasi, tidak bias dan konsisten. Perlu diketahui,
terdapat kemungkinan data aktual tidak memenuhi
semua asumsi klasik ini. Beberapa perbaikan, baik
pengecekan kembali data outlier maupun
recollecterror data dapat dilakukan. Uji asumsi
klasik yang dikemukakan dalam modul ini antara
lain: uji multikolinearitas, uji autokorelasi, uji
heteroskedastisitas, uji normalitas dan uji linearitas.

Uji Asumsi Multikolinieritas

 Tujuan digunakannya uji ini adalah untuk

menguji apakah pada model regresi
ditemukan adanya korelasi antar variabel
independen. Jika terdapat atau terjadi
korelasi, maka dinamakan terdapat problem
multikolinieritas (multiko). Model regresi
yang baik seharusnya tidak terjadi kerelasi di
antara variabel independen.

Kasus:

 Seorang peneliti ingin menguji asumsi

multikolinieritas dari variabel Kinerja
Karyawan (Y), Struktur Organisasi (X1),
Budaya Organisasi (X2) dan Kepemimpinan
(X3).
 Langkah-Langkah:
 Masukkan data X1, X2, X3 dan Y yang

terdapat pada lampiran.

 Pilih menu Analize kemudian submenu

Regression, lalu pilih Linear.

Tampak di layar menu Linear Regression
 Pada kotak Dependent isikan variabel Y
 Pada kotak Independent isikan variabel X1,

X2 dan X3
 Pada kotak Method pilih Enter
 Untuk menampilkan matriks korelasi dan nilai

tolerance serta VIF pilih Statistics di menu

kemudian akan muncul tampilan Windows
Linear Regression: Statistics
 Aktifkan pilihan Covariance matrix dan
Colliniearity Diagnostics
 Tekan Continue lalu Ok pada menu Linear

Regression
Hasil output
Model
Coefficientsa

Tolerance VIF
1 X1 ,299 3,348

X2 ,250 3,993

X3 ,703 1,423

a. DependentVariable: Y
 Dari tabel Coefficients menunjukkan bahwa tidak ada
variabel independen yang memiliki nilai Tolerance kurang
dari 0,100 yang berarti tidak ada korelasi antar variabel
independen. Dengan demikian dapat dikatakan bahwa tidak
terjadi multikolinearitas.
 Multikolinieritas juga diuji dengan menghitung nilai VIF
(Variance Inflating Factor). Bila nilai VIF lebih kecil dari 5
maka tidak terjadi multikolinieritas. Semua nilai VIF pada
tabel Coefficients menunjukkan angka kurang dari 5.
Dengan demikian dapat disimpulkan bahwa model pada
penelitian ini memenuhi syarat untuk menjadi model regresi
yang baik karena tidak terjadi korelasi antar variabel
independen (non-multikolinearitas).

 CoefficientCorrelationsa

Model

X3 X1 X2
1 Correlations X3 1,000 ,134 -,420

X1 ,134 1,000 -,806

X2 -,420 -,806 1,000

Covariances X3 ,021 ,004 -,012

X1 ,004 ,041 -,032

X2 -,012 -,032 ,039

a. DependentVariable: Y
 Melihat tabel Coefficient Correlations tampak
bahwa terjadi korelasi yang cukup tinggi
antara variabel X1 dan X2 dengan tingkat
korelasi – 0,806 atau 80,6%. Karena nilainya
masih di bawah 95% sehingga masih dapat
dikatakan tidak terjadi multikolinearitas
(non-multikolinearitas).
Uji Asumsi Autokorelasi
 Uji autokorelasi bertujuan untuk menguji
apakah dalam model regresi linear ada
korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pengganggu
pada periode sebelumnya. Jika terjadi
korelasi, maka dinamakan ada problem
autokorelasi.
 Kasus:
 Seorang peneliti ingin menguji asumsi
autokorelasi dari variabel Kinerja Karyawan (Y),
Struktur Organisasi (X1), Budaya Organisasi
(X2) dan Kepemimpinan (X3).


 Langkah-Langkah:
 Masukkan data X1, X2, X3 dan Y yang terdapat
pada lampiran.
 Pilih menu Analize kemudian submenu
Regression, lalu pilih Linear.
Tampak di layar menu Linear Regression
 Pada kotak Dependent isikan variabel Y
 Pada kotak Independent isikan variabel X1,

X2 dan X3
 Pada kotak Method pilih Enter
 Pilih Statistics di menu kemudian akan
muncul tampilan Windows Linear Regression:
Statistics
 Aktifkan pilihan Durbin-Watson
 Tekan Continue lalu Ok pada menu Linear

Regression

 Hasil output
Model
Std. Error of
R R Square Adjusted R Square theEstimate Durbin-Watson
1 ,710a ,504 ,474 1,319 1,844
dimension0
 a. Predictors: (Constant), X3, X1, X2
 b. DependentVariable: Y
 Nilai DW sebesar 1,844 akan dibandingkan

dengan nilai tabel yang memiliki signifikansi

5%, jumlah sampel 54 dan jumlah variabel
independen 3. Oleh karena nilai ini lebih
besar dari batas atas (du) 1,681 dan kurang
dari 4-du, maka dapat disimpulkan tidak
terdapat autokorelasi
Uji Asumsi Heteroskedastisitas.

 Uji ini bertujuan untuk menguji apakah dalam model

regresi terjadi atau terdapat ketidaksamaan varians
dari rersidual dari satu pengamatan ke pengamatan
yang lain. Jika varians dari nilai residual dari satu
pengamatan ke pengamatan yang lain tetap, maka
disebut dengan Homokedastisitas. Dan jika varians
berbeda dari satu pengamatan ke pengamatan yang
lainnya, maka disebut Heteroskedastisitas. Menurut
Singgih Santoso dalam bukunya yang berjudul Buku
Latihan SPSS Statistik Parametrik, menyabutkan bahwa
model regresi yang baik adalah yang tidak terjadi
Heteroskedastisitas, atau dengan kata lain model
regresi yang baik adalah yang Homokedastisitas.
 Kasus:
 Seorang peneliti ingin menguji asumsi
heteroskedastisitas dari variabel Kinerja
Karyawan (Y), Struktur Organisasi (X1),
Budaya Organisasi (X2) dan Kepemimpinan
(X3).
 Langkah-Langkah:
 Masukkan data X1, X2, X3 dan Y yang

terdapat pada lampiran.

 Pilih menu Analize kemudian submenu

Regression, lalu pilih Linear.

Tampak di layar menu Linear Regression
 Pada kotak Dependent isikan variabel Y
 Pada kotak Independent isikan variabel X1,

X2 dan X3
 Pada kotak Method pilih Enter
 Pilih Plots di menu kemudian akan muncul

tampilan Windows Linear Regression: Plots

 Masukkanvariable*SRESID pada kotak pilihan
Y
 Masukkanvariable*ZPRED pada kotak pilihan

X
 Tekan Continue lalu Ok pada menu Linear

Regression

 Hasil output
 Dari grafik Scatterplot terlihat bahwa titik-
titik menyebar secara acak serta tersebar baik
diatas maupun dibawah angka nol pada
sumbu Y. Jadi dapat disimpulkan bahwa
model pada penelitian ini memenuhi syarat
untuk menjadi model yang baik karena
merupakan model yang homoskedastisitas
atau varians dari nilai residual pengamatan
satu ke pengamatan yang lain tetap.

Uji asumsi Normalitas

 Uji ini bertujuan untuk menguji apakah dalam sebuah

model regresi, variabel independen, variabel dependen,
atau keduanya mempunyai distribusi normal atau tidak.
Suatu model regresi yang baik adalah yang memiliki
distribusi data normal atau mendekati normal.


 Kasus:
 Seorang peneliti ingin menguji asumsi
heteroskedastisitas dari variabel Kinerja Karyawan (Y),
Struktur Organisasi (X1), Budaya Organisasi (X2) dan
Kepemimpinan (X3).

 Langkah-Langkah:
 Masukkan data X1, X2, X3 dan Y yang

terdapat pada lampiran.

 Pilih menu Analize kemudian submenu

Regression, lalu pilih Linear.

Tampak di layar menu Linear Regression
 Pada kotak Dependent isikan variabel Y
 Pada kotak Independent isikan variabel X1,

X2 dan X3
 Pada kotak Method pilih Enter

 Pilih Plots di menu kemudian akan muncul
tampilan Windows Linear Regression: Plots
 Aktifkan pilihan Histogram dan Normal
probability plot
 Tekan Continue lalu Ok pada menu Linear

Regression


 Hasil output
 Dengan melihat tampilan grafik Histogram maupun
grafik Normal P-Plot of Regression Standardized
Residual dapat disimpulkan bahwa grafik histogram
memberikan pola distribusi yang normal. Sedangkan
pada grafik normal plot, terlihat titik-titik menyebar
disekitar garis diagonal. Kedua grafik ini
menunjukkan bahwa model regresi tidak menyalahi
asumsi normalitas. Jadi dapat disimpulkan bahwa
model regresi pada penelitian ini memenuhi syarat
untuk menjadi model regresi yang baik karena
merupakan model regresi yang memiliki distribusi
data normal atau mendekati normal.
Uji Asumsi Linearitas

 Uji linieritas dilakukan dengan melihat

scatterplot antara standar residual dengan
prediksinya. Bila sebaran tidak menunjukkan
pola tertentu maka dikatakan asumsi
linieritas memenuhi syarat.
 Hasil pengujian menunjukkan scatterplot
tidak membentuk pola tertentu sehingga
dapat disimpulkan bahwa model pada
penelitian ini memenuhi syarat untuk menjadi
model yang baik karena asumsi
linieritasterpenuhi.
TERIMA KASIH