Uji asumsi klasik adalah serangkaian pengujian untuk memastikan model regresi linier memenuhi syarat metode OLS (Ordinary Least Squares). Jika syaratnya terpenuhi, hasil uji t dan uji F pada regresi bisa dipercaya.
Bagian ini sering memancing pertanyaan penguji: “Kenapa autokorelasi diuji, padahal datanya kuesioner?” atau “Normalitasnya untuk residual atau untuk variabel?” Artikel ini menjawab pertanyaan seperti itu dengan bahasa sederhana.
Artikel ini bagian dari seri Materi Statistik IDTesis. Jika Anda belum familier dengan regresi, baca dulu analisis regresi dan perbedaan regresi dan korelasi.
Mengapa Uji Asumsi Klasik Diperlukan?
Metode OLS menghasilkan taksiran terbaik jika beberapa syarat terpenuhi. Jika syarat itu dilanggar, koefisien regresi bisa tetap terhitung, tetapi uji t dan uji F-nya bisa menyesatkan. Akibatnya, kesimpulan hipotesis bisa keliru (Gujarati & Porter, 2009).
Uji asumsi klasik hanya diperlukan untuk regresi linier dengan metode OLS. SEM PLS misalnya tidak mensyaratkan normalitas, meski kolinearitas tetap diperiksa lewat VIF.
Empat Uji Asumsi Klasik
1. Uji Normalitas Residual
Yang diuji adalah residual (selisih nilai aktual dan nilai prediksi), bukan masing-masing variabel. Ini kekeliruan yang paling sering muncul.
Uji yang umum adalah Kolmogorov-Smirnov dan Shapiro-Wilk. Residual dianggap normal jika nilai Sig. di atas 0,05. Grafik Normal P-P Plot juga bisa dipakai: titik-titik mengikuti garis diagonal. Penjelasan lengkap kedua uji ada di artikel uji normalitas.
Pada sampel besar, pelanggaran normalitas biasanya tidak terlalu berpengaruh pada hasil uji. Meski begitu, tetap laporkan hasilnya.
2. Uji Multikolinearitas
Multikolinearitas terjadi jika antarvariabel bebas saling berkorelasi terlalu tinggi. Akibatnya, pengaruh masing-masing variabel sulit dipisahkan.
Ukurannya VIF (Variance Inflation Factor) dan Tolerance. Patokan yang umum: tidak terjadi multikolinearitas jika VIF di bawah 10 dan Tolerance di atas 0,10 (Hair dkk., 2019). Sebagian peneliti memakai batas yang lebih ketat, yaitu VIF di bawah 5.
3. Uji Heteroskedastisitas
Heteroskedastisitas terjadi jika varians residual tidak sama di semua nilai prediksi. Model yang baik bersifat homoskedastis: varians residualnya konstan.
Cara mengujinya:
- Uji Glejser (Glejser, 1969): nilai mutlak residual diregresikan terhadap variabel bebas. Tidak terjadi heteroskedastisitas jika semua nilai Sig. di atas 0,05.
- Uji Breusch-Pagan atau White: alternatif yang banyak dipakai di ekonometrika.
- Scatterplot: sumbu X berisi ZPRED dan sumbu Y berisi SRESID. Tidak terjadi heteroskedastisitas jika titik menyebar acak tanpa pola tertentu, misalnya tanpa bentuk corong.
4. Uji Autokorelasi
Autokorelasi terjadi jika residual pada satu periode berkaitan dengan residual periode sebelumnya. Uji ini hanya relevan untuk data runtun waktu (time series), misalnya data laporan keuangan per tahun. Untuk data kuesioner yang diambil sekali waktu, uji autokorelasi umumnya tidak diperlukan.
Uji yang umum adalah Durbin-Watson (Durbin & Watson, 1951), Run Test, dan Breusch-Godfrey.
Nilai dL dan dU dilihat di tabel Durbin-Watson berdasarkan jumlah sampel (n) dan jumlah variabel bebas (k). Model lolos jika dU < DW < 4 ? dU. Pada Run Test, model lolos jika nilai Sig. di atas 0,05.
Langkah Uji Asumsi Klasik di SPSS
- Buka Analyze ? Regression ? Linear. Masukkan variabel terikat dan variabel bebas.
- Klik Statistics, lalu centang Collinearity diagnostics. Untuk data runtun waktu, centang juga Durbin-Watson.
- Klik Plots. Masukkan ZPRED ke X dan SRESID ke Y, lalu centang Normal probability plot.
- Klik Save, lalu centang Unstandardized pada bagian Residuals. SPSS akan membuat variabel baru bernama RES_1.
- Uji normalitas RES_1 lewat Analyze ? Nonparametric Tests ? Legacy Dialogs ? 1-Sample K-S.
- Untuk uji Glejser, buat variabel ABS_RES lewat Transform ? Compute Variable dengan rumus ABS(RES_1). Setelah itu, regresikan ABS_RES terhadap semua variabel bebas.
Contoh ringkasan hasil (angka ilustrasi, regresi dengan dua variabel bebas, n = 100):
| Uji | Hasil | Kriteria | Kesimpulan |
|---|---|---|---|
| Normalitas (Kolmogorov-Smirnov) |
Sig. = 0,200 |
Sig. > 0,05 |
Residual normal |
| Multikolinearitas |
VIF = 1,42; Tolerance = 0,704 |
VIF < 10; Tolerance > 0,10 |
Tidak terjadi multikolinearitas |
| Heteroskedastisitas (Glejser) |
Sig. X1 = 0,312; Sig. X2 = 0,457 |
Sig. > 0,05 |
Tidak terjadi heteroskedastisitas |
| Autokorelasi (Durbin-Watson, jika data runtun waktu) |
DW = 1,912 |
dU (1,715) < DW < 4 ? dU (2,285) |
Tidak terjadi autokorelasi |
Jika Asumsi Tidak Terpenuhi
| Masalah | Penyebab yang sering muncul | Solusi yang umum |
|---|---|---|
|
Residual tidak normal |
Ada data outlier, atau distribusi data sangat miring |
Periksa outlier, lakukan transformasi data (misalnya logaritma), atau perbesar sampel |
|
Multikolinearitas |
Dua variabel bebas mengukur hal yang mirip |
Keluarkan salah satu variabel, atau gabungkan keduanya jika secara teori memungkinkan |
|
Heteroskedastisitas |
Rentang data sangat lebar, misalnya ukuran perusahaan |
Transformasi logaritma, atau pakai standard error yang tahan heteroskedastisitas (robust) |
|
Autokorelasi |
Pola data antarperiode |
Tambahkan variabel lag, atau gunakan metode koreksi seperti Cochrane-Orcutt |
Setiap perbaikan perlu ditulis di Bab 4, termasuk alasannya. Mengutak-atik data sampai “lolos” tanpa dasar teori justru melemahkan penelitian.
Memilih solusi yang tepat memang tidak selalu mudah, terutama jika lebih dari satu asumsi dilanggar. Kalau Anda butuh teman diskusi, tim IDTesis bisa membantu menelusuri penyebabnya.
Contoh Penulisan Hasil Uji Asumsi Klasik
Uji normalitas Kolmogorov-Smirnov terhadap residual menghasilkan nilai Sig. 0,200 (> 0,05), sehingga residual berdistribusi normal. Nilai VIF kedua variabel bebas sebesar 1,42 (< 10) dengan Tolerance 0,704 (> 0,10), sehingga tidak terjadi multikolinearitas. Uji Glejser menghasilkan nilai Sig. 0,312 untuk X1 dan 0,457 untuk X2 (> 0,05), sehingga tidak terjadi heteroskedastisitas. Dengan demikian, model regresi memenuhi asumsi klasik dan layak dipakai untuk uji hipotesis.
Kesalahan yang Sering Terjadi
- Menguji normalitas setiap variabel, bukan residual model regresi.
- Menguji autokorelasi pada data kuesioner yang diambil sekali waktu.
- Hanya memakai scatterplot untuk heteroskedastisitas. Membaca pola grafik bersifat subjektif, jadi sebaiknya dilengkapi uji statistik seperti Glejser.
- Membuang responden tanpa alasan hanya agar residual menjadi normal.
Pertanyaan yang Sering Diajukan
Apakah uji asumsi klasik wajib untuk semua penelitian?
Tidak. Uji ini wajib untuk regresi linier dengan OLS. Analisis lain punya syaratnya sendiri, seperti uji homogenitas untuk ANOVA. Lihat panduan metode analisis data.
Mana yang lebih baik, Kolmogorov-Smirnov atau Shapiro-Wilk?
Shapiro-Wilk umumnya lebih peka, terutama untuk sampel kecil. Kolmogorov-Smirnov lebih sering dipakai untuk sampel besar. Ikuti kebiasaan di kampus Anda dan sebutkan alasannya.
Apakah uji linearitas termasuk uji asumsi klasik?
Sebagian buku memasukkannya. Uji linearitas memeriksa apakah hubungan X dan Y berbentuk garis lurus. Di SPSS, uji ini bisa dilakukan lewat menu Compare Means, dengan melihat nilai Sig. Deviation from Linearity di atas 0,05.
Bagaimana jika asumsi tetap tidak terpenuhi setelah diperbaiki?
Pertimbangkan metode lain yang tidak terlalu bergantung pada asumsi tersebut. Contohnya regresi dengan robust standard error, atau analisis nonparametrik.
Bila Anda memerlukan pendampingan menentukan instrumen atau menyusun kerangka konsep, layanan bimbingan penulisan IDTESIS siap membantu.
Butuh Teman Diskusi untuk Uji Asumsi?
Hasil uji asumsi klasik Anda belum lolos, atau bingung menafsirkannya? Tim IDTesis bisa menemani Anda menelusuri penyebabnya, memilih solusi yang tepat, dan menjelaskan hasilnya dengan bahasa sederhana. Ceritakan dulu kondisinya lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Analisis Regresi · Uji Normalitas · Data Outlier
Referensi
- Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression. II. Biometrika, 38(1/2), 159–178. https://doi.org/10.2307/2332325
- Glejser, H. (1969). A new test for heteroskedasticity. Journal of the American Statistical Association, 64(325), 316–323. https://doi.org/10.1080/01621459.1969.10500976
- Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill/Irwin.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
