Asumsi Klasik

Asumsi Klasik
Tujuan pengujian asumsi klasik ini adalah untuk memberikan kepastian bahwa persamaan regresi yang
didapatkan memiliki ketepatan dalam estimasi, tidak bias dan konsisten. Uji asumsi klasik yang biasa
digunakan yaitu uji normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.
1. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah sebuah data dapat dikatakan berdistribusi normal
atau tidak. Cara melakukan uji normalitas dapat dilakukan dengan pendekatan analisis grafik normal
probability Plot. Pada pendekatan ini nilai residual terdistribusi secara normal apabila garis (titik-
titik) yang menggambarkan data sesungguhnya akan mengikuti atau merapat ke garis diagonalnya.
Model regresi yang baik seharusnya memiliki nilai residual yang normal.
Pedoman Pengambilan Keputusan dalam Uji Normal Probability Plot
1. Jika titik-titik atau data berada di dekat atau mengikuti garis diagonalnya maka dapat dikatakan
bahwa nilai residual berdistribusi normal.
2. Sementara itu, jika titik-titik menjauh atau tersebar dan tidak mengikuti garis diagonal maka
hal ini menunjukkan bahwa nilai residual tidak berdistribusi normal (Imam Ghozali, 2011:
160-161).
Cara lain untuk uji asumsi normalitas dalam model regresi adalah dengan Uji Normalitas
Kolmogorov Smirnov
Dasar Pengambilan Keputusan dalam Uji Normalitas Kolmogorov Smirnov
1. Jika nilai signifikansi (Sig.) lebih besar dari 0,05 maka data penelitian berdistribusi normal.
2. Sebaliknya, jika nilai signifikansi (Sig.) lebih kecil dari 0,05 maka data penelitian tidak
berdistribusi normal.
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi terbentuk adanya korelasi tinggi
atau sempurna antar variabel bebas (independen). Jika ditemukan ada hubungan korelasi yang tinggi
antar variabel bebas maka dapat dinyatakan adanya gejala multikorlinear pada penelitian.Model
regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas atau tidak terjadi gejala
multikolinearitas.
Dasar Pengambilan Keputusan dalam Uji Multikolinearitas (Tolerance dan VIF)

Pedoman Keputusan Berdasarkan Nilai Tolerance
1. Jika nilai Tolerance lebih besar dari 0,10 maka artinya tidak terjadi multikolinieritas dalam
model regresi.
2. Jika nilai Tolerance lebih kecil dari 0,10 maka artinya terjadi multikolinieritas dalam model
regresi.
Pedoman Keputusan Berdasarkan Nilai VIF (Variance Inflation Factor).
1. Jika nilai VIF < 10,00 maka artinya tidak terjadi multikolinieritas dalam model regresi.
2. Jika nilai VIF > 10,00 maka artinya terjadi multikolinieritas dalam model regresi.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik.
Uji heteroskedastisitas merupakan bagian dari uji asumsi klasik dalam analisis regresi yang
bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance (variasi) dari
nilai residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik seharusnya tidak
terjadi gejala heteroskedastisitas.
Dasar Pengambilan Keputusan Uji Heteroskedastisitas

Adapun dasar pengambilan keputusan dalam uji heteroskedastisitas dengan menggunakan uji
Scatterplots adalah sebagai berikut Tidak terjadi gejala atau masalah heteroskedastisitas jika
1. Titik-titik data penyebar di atas dan di bawah atau di sekitar angka 0.

2. Titik-titik tidak mengumpul hanya di atas atau di bawah saja.
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian
menyempit dan melebar kembali.
4. Penyebaran titik-titik data tidak berpola.
4. Uji Autokorelasi
Uji auto korelasi bertujuan menguji apakah dalam model regresi linear terdapat korelasi antara
kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1(sebelumnya).
Jika terjadi korelasi, maka dinamakan ada problem auto korelasi. Uji autokolerasi merupakan
kolerasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model
regresi. Autokorelasi dapat diketahui melalui Uji Durbin-Watson (D-W Test)
Dasar Pengambilan Keputusan dalam Uji Autokorelasi Durbin Watson

1. Jika d (durbin watson) lebih kecil dari dU atau lebih besar dari (4-dU) maka berarti terdapat
autokorelasi.
2. Jika d (durbin watson) terletak antara dU dan (4-dU), maka berarti tidak ada autokorelasi.
Nilai du dicari pada distribusi nilai table berdasarkan variabel (k) dan jumlah data(n) dengan
signifikansi 5%
du (1.785) <

Asumsi Klasik

Diunggah oleh

Hak Cipta:

Format Tersedia

Asumsi Klasik

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Asumsi Klasik

Diunggah oleh

Hak Cipta:

Format Tersedia

Asumsi Klasik

Pedoman Pengambilan Keputusan dalam Uji Normal Probability Plot

Dasar Pengambilan Keputusan dalam Uji Multikolinearitas (Tolerance dan VIF)

Pedoman Keputusan Berdasarkan Nilai VIF (Variance Inflation Factor).

Dasar Pengambilan Keputusan Uji Heteroskedastisitas

1. Titik-titik data penyebar di atas dan di bawah atau di sekitar angka 0.

Dasar Pengambilan Keputusan dalam Uji Autokorelasi Durbin Watson

Anda mungkin juga menyukai