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
Top Related