TUTORIAL

ANALISIS UJI ASUMSI KLASIK

DAN ANALISIS REGRESI LINEAR BERGANDA

DENGAN APLIKASI SPSS

By Aldy Forester

Disadur dari Website

http://www.spssindonesia.com/

dan

http://www.portal-statistik.com/

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 asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk

menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan

market model, atau market adjusted model. Perhitungan nilai return yang diharapkan dapat

dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.

Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji heteroskedastisitas, uji

normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang pasti tentang urutan uji

mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung pada data yang ada.

Sebagai contoh, dilakukan analisis terhadap semua uji asumsi klasik, lalu dilihat mana yang

tidak memenuhi persyaratan. Kemudian dilakukan perbaikan pada uji tersebut, dan setelah

memenuhi persyaratan, dilakukan pengujian pada uji yang lain.

1. 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. Jadi uji normalitas

bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya. Sering terjadi

kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masing-masing variabel. Hal

ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya bukan pada

masing-masing variabel penelitian.

Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam kelas

siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar berada

pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak normal, atau

sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka kelas tersebut

tidak normal atau merupakan kelas unggulan. Pengamatan data yang normal akan memberikan

nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah.

Demikian juga nilai rata-rata, modus dan median relatif dekat.

Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square,

Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik atau

paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan

perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji normalitas dengan

uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji

statistik lebih baik dari pada pengujian dengan metode grafik.

Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi Kolmogorov

Smirnov sebesar 0,049) maka dapat dicoba dengan metode lain yang mungkin memberikan

justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan beberapa langkah

yaitu: melakukan transformasi data, melakukan trimming data outliers atau menambah data

observasi. Transformasi dapat dilakukan ke dalam bentuk Logaritma natural, akar kuadrat,

inverse, atau bentuk yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri,

ke kanan, mengumpul di tengah atau menyebar ke samping kanan dan kiri.

2. 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. Sebagai ilustrasi, adalah model regresi dengan variabel

bebasnya motivasi, kepemimpinan dan kepuasan kerja dengan variabel terikatnya adalah

kinerja. Logika sederhananya adalah bahwa model tersebut untuk mencari pengaruh antara

motivasi, kepemimpinan dan kepuasan kerja terhadap kinerja. Jadi tidak boleh ada korelasi

yang tinggi antara motivasi dengan kepemimpinan, motivasi dengan kepuasan kerja atau antara

kepemimpinan dengan kepuasan kerja.

Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah

dengan variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas, atau

dengan melihat eigenvalues dan condition index (CI).

Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:

1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.

2. Menambah jumlah observasi.

3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat

atau bentuk first difference delta.

3. Uji Heteroskedastisitas

Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians

dari residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang memenuhi

persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke

pengamatan yang lain tetap atau disebut homoskedastisitas.

Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan

memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang baik

didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah,

menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang

dapat digunakan adalah uji Glejser, uji Park atau uji White.

Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan

mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua data

bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel

yang mengalami gangguan heteroskedastisitas.

4. Uji Autokorelasi

Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t

dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah

untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada

korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah pengaruh

antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi

pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat inflasi bulan

Januari. Berarti terdapat gangguan autokorelasi pada model tersebut. Contoh lain, pengeluaran

rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan

belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada

bulan Februari akan rendah.

Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu

dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel

dilakukan secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa

Efek Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.

Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan

Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange

Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan

mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk

persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan

dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas,

sehingga data observasi menjadi berkurang 1.

5. 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. Hubungan antar variabel yang secara teori bukan merupakan

hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi linear, misalnya

masalah elastisitas.

Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak,

uji linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut

bersifat linear atau tidak. Uji linearitas digunakan untuk mengkonfirmasikan apakah sifat linear

antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi

yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test atau uji Lagrange

Multiplier

Sumber : http://www.konsultanstatistik.com/2009/03/uji-asumsi-klasik.html

UJI NORMALITAS KOLMOGOROV-SMIRNOV

Modified By Aldy Forester

Uji normalitas bertujuan untuk menguji apakah data penelitian yang dilakukan memiliki distribusi

yang normal atau tidak.

Uji normalitas merupakan salah satu bagian dari uji persyaratan analisis data atau uji asumsi

klasik, artinya sebelum kita melakukan analisis yang sesugguhnya, data penelitian tersebut

harus di uji kernormalan distribusinya. Tentun sobat juga sudah tahu, kalau data yang baik

itu adalah data yang normal dalam pendistribusiannya.

Dasar pengambilan keputusan dalam uji normalitas yakni : jika nilai signifikansi lebih besar

dari 0,05 maka data tersebut berdistribusi normal. Sebaliknya, jika nilai signifikansi lebih lebih

dari 0,05 maka data tersebut tidak berdistribusi normal.

Sudah cukup jelas bukan penjelasan tentang uji normalitas di atas, selanjutnya kita masuk ke

bagian Cara Melakukan Uji Normalitas Kolmogorov‐Smirnov dengan SPSS. Sebagai contoh

saya mempuyai data Motivasi Belajar (X) dan Prestasi Belajar (Y), untuk datanya lihat gambar

di bawah ini.

Langkah‐langkah Melakukan Uji Normalitas Kolmogorov‐Smirnov dengan SPSS :

1. Langkah pertama adalah persiapkan data yang dingin di uji dalam file doc, excel, atau

yang lainnya untuk mempermudah tahapannya nanti.

2. Buka program SPSS pada komputer sobat. klik Variable View, dibagian pojok kiri bawah.

3. Selanjunya, pada bagian Name tulis saja Motivasi kemudian Prestasi, pada Decimals ubah

semua menjadi angka 0, pada bagian Label tuliskan Motivasi Belajar kemudian Prestasi

belajar, abaikan yang lainnnya

4. Setelah itu, klik Data View, dan masukkan data Motivasi Belajar dan Prestasi Belajar yang

sudah dipersiapkan tadi, bisa dengan cara copy‐paste

5. Langkah selanjutnya, kita akan mengubah data tersebut ke dalam bentuk unstandardized

residual, caranya adalah : dari menu SPSS pilih menu Analyze, kemudian klik Regression,

dan pilih Linear.

6. Muncul kotak dialog dengan nama Linear Regression, selanjutnya masukkan variabel

Prestasi Belajar (Y) ke Dependent, masukkan variabel Motivasi Belajar (X) ke kotak

Independent (s), lalu klik Save.

7. Akan mucul lagi kotak dialog dengan nama Linear Regression: Save, pada bagian

Residuals, centang () Unstandardized (abaikan kolom yang lain), Selanjunya klik

Continue, lalu klik OK, maka akan muncul variabel baru dengan nama RES_1, abaikan

saja output yang muncul dari program SPSS.

8. Langkah selanjutnya, pilih menu Analyze, lalu pilih Non‐parametric Test, klik Legaci

Dialog, kemudian pilih submenu 1‐Sample K‐S

9. Muncul kotak dialog lagi dengan nama One‐Sampel Kolmogorov‐Smirnov test,

selanjutnya, masukkan variabel Unstandardized Residuals ke kotak Test Variable List,

pada Test Distribution centang () Normal.

10. Langkah terkahir yakni klik OK untuk mengakhiri perintah, Selanjutnya lihat tampilan

Outputnya, tinggal kita interprestasikan supaya lebih jelas.

Berdasarkan output di atas, diketahui bahwa nilai signifikansi sebesar 0,977 lebih besar dari

0,05, sehingga dapat disimpulkan bahwa data yang kita uji berdistribusi normal.

Sumber : http://www.spssindonesia.com/2014/01/uji-normalitas-kolmogorov-smirnov-spss.html

UJI LINEARITAS

Modified By Aldy Forester

Secara umum Uji Linearitas bertujuan untuk mengetahui apakah dua variabel mempuyai

hubungan yang linear secara signifikan atau tidak. Data yang baik seharusnya terdapat

hubungan yang linear antara variabel predictor (X) dengan variabel kriterium (Y). Dalam

beberapa referensi dinyatakan bahwa Uji Linearitas merupakan syarat sebelum dilakukannya

Uji Regresi Linear

Suatu uji yang dilakukan harus berpedoman pada dasar pengambilan keputusan yang jelas.

Dasar pengambilan keputusan dalam Uji Linearitas dapat dilakukan dengan dua cara:

Pertama adalah dengan melihat nilai signifikansi pada output SPSS : Jika nilai signifikansi

lebih besar dari 0,05, maka kesimpulannya adalah terdapat hubungan linear secara signifikan

antara variabel predictor (X) dengan variabel kriterium (Y). Sebaliknya, Jika nilai signifikansi

lebih kecil dari 0,05, maka kesimpulannya adalah tidak terdapat hubungan yang linear antara

variabel predictor (X) dengan variabel kriterium (Y).

Kedua adalah dengan melihat Nilai F hitung dan F tabel : Jika nilai F hitung lebih kecil dari

F tabel maka kesimpulannya adalah terdapat hubungan linear secara signifikan antara

variabel predictor (X) dengan variabel kriterium (Y). Sebaliknya, Jika nilai F hitung lebih besar

dari F tabel maka kesimpulannya adalah tidak terdapat hubungan linear antara variabel

predictor (X) dengan variabel kriterium (Y).

Untuk lebih jelasnya SPSS Indonesia akan mempraktekkan Cara Melakukan Uji Linearitas

dengan Program SPSS, data yang saya akan uji adalah variabel Motivasi Belajar (X) dengan

variabel Prestasi Belajar (Y), dengan N=12. Adapun rincian datanya, lihat gambar di bawah

ini.

Langkah‐langkah yang harus dilakukan untuk Uji Linearitas, yakni :

1. Buka program SPSS, klik Variable View

2. Selanjutnya, pada bagian Name tulis saja Motivasi kemudian Prestasi, pada Decimals

ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi Belajar kemudian

Prestasi belajar, abaikan yang lainnnya.

3. Setelah itu, klik Data View, dan masukkan data Motivasi Belajar dan Prestasi Belajar yang

sudah dipersiapkan tadi, bisa dengan cara copy‐paste.

4. Berikutnya, dari menu utama SPSS pilih Analyze, lalu klik Compare Means, dan pilih

Means.

5. Muncul kotak dengan nama Means, masukkan variabel Motivasi Belajar (X) ke kotak

Independet List dan variabel Prestasi Belajar (Y) ke kotak Dependet List.

6. Selanjutnya, klik Options, pada Statistik for First Layer, pilih Test of Linearity, kemudian

klik Continue.

7. Langkah terahir adalah klik OK untuk mengakhiri perintah.

Tampilan Output SPSS

Seperti yang sudah saya jelaskan di awal bahwa dasar pengambilan keputusan dalam Uji

Linearitas dapat dilakukan dengan dua cara yakni melihat nilai signifikansi dan nilai F.

Berdasarkan nilai signifikansi : dari output di atas, diperoleh nilai signifikansi = 0,867 lebih

besar dari 0,05, yang artinya terdapat hubungan linear secara signifikan antara variable

Motivasi Belajar (X) dengan variable Prestasi Belajar (Y).

Berdasarkan nilai F : dari output di atas, diperoleh nilai F hitung = 0,145, sedang F tabel kita

cari pada tabel Distribution Tabel Nilai F0,05 (Tabel Distribution Tabel Nilai F 0,05 terlampir),

dengan angka df nya, dari output di atas diketahui df 2.8 (angka yang saya lingkari merah).

Lalu kita cari pada tabel Distribution Tabel Nilai F 0,05, ditemukan nilai F tabel = 4,46. Karena

nilai F hitung lebih kecil dari F tabel maka dapat disimpulkan bahwa terdapat hubungan linear

secara signifikan antara variable Motivasi Belajar (X) dengan variable Prestasi Belajar (Y).

Sumber : http://www.spssindonesia.com/2014/02/uji-linearitas-dengan-program-spss.html

UJI HETEROSKEDASTISITAS

Modified By Aldy Forester

Sebelum saya mulai pada tutorialnya, sobat harus tahu terlebih dahulu tujuan dari Uji

Heteroskedastisitas. Uji ini pada dasarnya bertujuan untuk menguji apakah dalam model

regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang

lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut

Homoskedastisitas dan berbeda disebut Heteroskedastisitas. Model regresi yang baik

seharusnya tidak terjadi heteroskedastisitas.

Setiap uji dalam statistik pasti mempuyai dasar pengambilan keputusan yang berguna untuk

menentukan sebuah kesimpulan. Dasar pengambilan keputusan pada Uji Heteroskedastisitas

yakni :

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.

Dalam artikel, Uji Heteroskedastisitas dilakukan dengan Uji Glejser. Maksudnya uji Glejser ini

adalah mengusulkan untuk meregres nilai absolute residual terhadap variabel independen

dengan persamaan regresi : |Ut| =a + BXt + vt

Agar lebih jelas, selanjutnya kita masuk saja kebagian praktek yakni langkah‐langkah

melakukan Uji Heteroskedastisitas dengan Glejser SPSS versi 21. Namun sebelumnya, perlu

saya informasikan bahwa data yang saya uji disini adalah data Motivasi (X1), Minat (X2), dan

Prestasi ﴾Y﴿. Adapun data yang saya maksud dapat dilihat pada gambar dibawah ini.

1. Setelah data yang ingin di uji sudah dipersiapkan, selanjutnya buka program SPSS, lalu

seperti biasa, klik Variable View, Selanjutnya, pada bagian Name tulis saja X1, X2 dan Y,

pada Decimals ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi, Minat

dan Prestasi, abaikan yang lainnnya.

2. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2) dan Prestasi (Y)

yang sudah dipersiapkan tadi, bisa dengan cara copy‐paste.

3. Langkah selanjunya, saya akan membuat variabel tersebut dalam bentuk unstandardized

residual, caranya : dari menu SPSS pilih Analyze, lalu klik Regression, selanjutnya klik

Linear.

4. Kemudian, muncul kotak dialog dengan nama Linear Regression, maka masukkan

variabel Prestasi (Y) ke Dependent, masukkan variabel Motivasi (X1) dan Minat (X2) ke

Independent (s), laku klik Save.

5. Muncul dialog dengan nama Linear Regression: Save, selanjutnya pada bagian

Residuals, centang () Unstandardized (abaikan kolom yang lain), lalu klik Continue.

6. Lalu klik OK, abaikan saja ada output SPSS yang muncul, lihat di bagian Data View maka

akan muncul variabel baru dengan nama RES_1.

7. Selanjutnya saya akan membuat variabel RES2, caranya :dari menu utama SPSS pilih

Transform, lalu Compute Variable : pada kotak Target Variable isi dengan RES2. Pada

kotak Numeric Expression ketikkan rumus: ABS_RES(RES_1).

8. Kemudian klik OK, abaikan saja ada output SPSS yang muncul, lihat di bagian Data View

maka akan muncul variabel baru dengan nama RES2.

9. Langkah berikutnya, dari menu utama SPSS pilih Analyze, kemudian pilih Regression,

lalu klik Linear.

10. Kemudian muncul kotak dialog dengan nama Linear Regression, lalu keluarkan dulu

variabel Prestasi (Y) yang terdapat pada Dependent dan ganti dengan variabel RES2, lalu

klik Save.

11. Mucul kotak dengan nama Linear Regression: Save, selanjutnya pada bagian Residual,

hilangkan tanda centang () Unstandardized (abaikan kolom yang lain), lalu klik Continue.

12. Langkah yang terakhir adalah klik OK untuk mengakhiri perintah, maka kita sudah bisa

melihat Outputnya, tinggal kita interprestasikan saja.

Interprestasi :

Berdasarkan output di atas diketahui bahwa nilai signifikasi variabel Motivasi (X1) sebesar

0,004 lebih kecil dari 0,05, artinya terjadi heteroskedastisitas pada variabel Motivasi (X1).

Sementara itu, diketahui nilai signifikasi variabel Minat (X2) yakni 0,009 lebih kecil dari 0,05,

antinya terjadi heteroskedastisitas pada variabel Minat (X2).

Sumber : http://www.spssindonesia.com/2014/02/uji-heteroskedastisitas-glejser-spss.html#

UJI MULTIKOLINEARITAS

Modified By Aldy Forester

Uji Multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi

antar veriabel bebas ﴾independent﴿. Model regresi yang baik seharusnya tidak terjadi korelasi

diantara variabel bebas ﴾tidak terjadi Multikolonieritas﴿. Jika variabel bebas saling berkorelasi,

maka variabel‐variabel ini tidak ortogonal adalah variabel bebas yang nilai korelasi antar

sesame variabel bebas sama dengan nol.

Seperti biasanya, setiap uji statistik yang dilakukan pasti ada dasar pengambilan keputusannya.

Dasar pengambilan keputusan pada Uji Multikolonieritas dapat dilakukan dengan dua cara

yakni :

1. Melihat nilai tolerance :

Jika nilai Tolerance lebih besar dari 0,10 maka artinya tidak terjadi Multikolinieritas

terhadap data yang di uji.

Jika nilai Tolerance lebih kecil dari 0,10 maka artinya Terjadi Multikolinieritas terhadap

data yang di uji.

2. Melihat nilai VIF (Variance Inflation Factor) :

Jika nilai VIF lebih kecil dari 10,00 maka artinya Tidak terjadi Multikolinieritas terhadap

data yang di uji

Jika nilai VIF lebih besar dari 10,00 maka artinya Terjadi Multikolinieritas terhadap data

yang di uji

Selanjutnya kita masuk kebagian Cara Melakukan Uji Multikolonieritas dengan Melihat Nilai

Tolerance dan VIF SPSS adapun rincian data yang akan saya uji adalah Data Motivasi Belajar

(X) dan Prestasi Belajar (Y). Adapun langkah‐langkah pengujiannya simak dibawah ini.

1. Persiapkan data yang akan di uji.

2. Buka program SPSS, klik Variable View, Selanjutnya, pada bagian Name tulis saja X1, X2

dan Y, pada Decimals ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi,

Minat dan Prestasi, abaikan yang lainnnya.

3. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2) dan Prestasi (Y)

yang sudah dipersiapkan tadi, bisa dengan cara copy‐paste.

4. Dari menu SPSS, Pilih menu Analyze, kemudian sub menu Regression, lalu pilih Linear.

5. Muncul kotak baru dengan nama Linear Regression, masukkan variabel Motivasi (X1) dan

Minat (X2) pada kotak Independent (s). Masukkan variabel Prestasi (Y) pada kotak

Dependent, selanjutnya pada bagian method, pilih Enter, lalu klik Statistics.

6. Dilayar akan muncul tampilan windows Linear Refression Statistics. Aktifkan pilihan

dengan centang () Covariance matrix dan Collinearity Diagnostics. Abaikan yang lain

biar tetap default. Kemudian Klik Continue dan tekan OK.

Maka muncul outputnya sebagai berikut :

Saatnya untuk interprestasi Output. Seperti yang sudah saya jelaskan di bagian awal bahwa

dasar pengambilan keputusan dalam Multikolonieritas dapat dengan Melihat Nilai Tolerance

dan VIF.

Berdasarkan output di atas diketahui bahwa : Nilai Toerance variabel Motivasi (X1) dan Minat

(X2) yakni 0,380 lebih besar dari 0,10. Sementara itu, Nilai VIF variabel Motivasi (X1) dan Minat

(X2) yakni 2,634 lebih kecil dari 10,00. Sehingga dapat disimpulkan tidak terjadi

Multikolonieritas.

Sumber : http://www.spssindonesia.com/2014/02/uji-multikolonieritas-dengan-melihat.html

UJI AUTOKORELASI

Modified By Aldy Forester

Uji Autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan

periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk

melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi

antara observasi dengan data observasi sebelumnya.

Sebagai contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah

terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan

dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada

model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan

Januari suatu keluarga mengeluarkan belanja bulanan yang relative tinggi, maka tanpa ada

pengaruh dari apapun, pengeluaran pada bulan Februari akan rendah.

Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan

pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan

secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa Efek

Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.

Beberapa uji statistik yang sering dipergunakan adalah uji DurbinWatson, uji dengan Run Test

dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier. Run

test sebagai bagian dari statistik nonparametrik dapat digunakan untuk menguji apakah antar

residual terdapat korelasi yang tinggi atau tidak. Jika antar residual tidak terdapat hubungan

korelasi maka dikatakan bahwa residual adalah acak atau random. Run Test digunakan untuk

melihat apakah residual terjadi secara random atau tidak.

H0 : Residual Random (acak)

H1 : Residual Tidak Random

Uji run test akan memberikan kesimpulan yang lebih pasti jika terjadi masalah pada Durbin

Watson Test yaitu nilai d terletak antara dL dan dU atau diantara (4dU) dan (4dL) yang akan

menyebabkan tidak menghasilkan kesimpulan yang pasti atau pengujian tidak meyakinkan jika

menggunakan DW test. Seperti contoh dibawah ini.

Dengan T=27, K=5, dL = 1.08364, dU = 1.75274. artinya dL < d < dU = Tidak ada kesimpulan

yang pasti.

Mari kita mulai langkahlangkahnya,,, saya tidak menggunakan hasil diatas dalam tutorial ini,

karena saya ingin melanjutkan postingangpostingan sebelumnya tentang analisis regresi

berganda dengan spss, supaya satu studikasus yang digunakan dan dibahas secara runtun dan

lengkap. Silahkan lihat studi kasusnya disini.

1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak

Dependent, isikan variabel dependent (Jumlah Penduduk Miskin) dan pada kotak

Independent, isikan variabel X1, X2, (Jumlah Pengangguran, Angka Rata2 Lama

Sekolah)

2. Pilih metode Enter, kemudian klik Button Save

3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,

kemudian pilih OK.

4. Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama kolom

RES_1, ini merupakan residual regresi.

5. Pilih menu Analyze > Nonparametric Test > Legacy Dialogs – Runs, kemudian

Pindahkan RES_1 ke kolom Test Variable List di sebelah kanan, centang pada

Median, lalu klik OK.

Sekarang Perhatikan output runs test di bawah ini, nilai yang dibandingkan adalah Asymp. Sig.

(2-tailed) yaitu 0,869.

Hasil run test menunjukkan bahwa nilai Asymp. Sig. (2tailed) > 0.05 yang berarti Hipotesis nol

diterima. Dengan demikian, data yang dipergunakan cukup random sehingga tidak terdapat

masalah autokorelasi pada data yang diuji.

Sumber : http://www.portal-statistik.com/2014/05/mendeteksi-autokorelasi-dengan-run-test.html