UJI ASUMSI KLASIK

Contd
Dilakukan sebelum model regresi digunakan untuk memprediksi penelitian Uji asumsi klasik bertujuan untuk menguji kelayakan model yang dibuat

JENIS ASUMSI KLASIK

POPULASI DATA BERDISTRIBUSI NORMAL TIDAK ADA AUTOKORELASI TIDAK ADA MULTIKOLONIERITAS TIDAK ADA HETEROKOLONIERITAS

UJI NORMALITAS
Digunakan untuk mengetahui apakah populasi data berdistribusi normal atau tidak Jika tidak normal, maka memberikan hasil prediksi yang menyimpang Jika uji normalitas tidak terpenuhi, maka data diolah dengan statistik non parametrik Alasan asumsi ini:
Dipakainya kurva t dan F dalam analisis

Contd
Alat untuk menguji normalitas data :
Melihat probability plot (grafik) : jika titik-titik menyebar mendekati garis diagonal maka data tersebut dianggap berdistribusi normal Uji kolmogorov-smirnov : membandingkan nilai Dmaks dengan D tabel (manual). Bila Dmaks Dtabel maka data berdistribusi normal atau pada SPSS lihat nilai Most extreme diffrences absolute (Dmaks) Uji kolmogorov-smirnov : membandingkan nilai asymp sig dengan 0,05. Bila asymp sig (2-tailed) > 0,05 maka data berdistribusi normal

Contd
Langkah-langkah uji normalitas dengan SPSS : 1. Melihat gambar/grafik : Buka menu SPSS Lakukan coding dan input data Lakukan uji regresi klik analyze, regression, linear Masukkan data yang menjadi variabel terikat ke kolom dependent, dan variabel bebas ke kolom independent(s) Klik plots, pada standardized residual plots, centang histogram, normal probability plot. Klik continue Abaikan yang lain, tekan OK

Contd
Langkah-langkah uji normalitas dengan SPSS : 2. Dengan kolmogorov-smirnov test : Buka menu SPSS Lakukan coding dan input data Lakukan uji regresi klik analyze, regression, linear Masukkan data yang menjadi variabel terikat ke kolom dependent, dan variabel bebas ke kolom independent(s) Klik save, pada residuals, centang unstandardized. Klik continue Klik analyze, nonparametric test, 1-sample KS Masukkan seluruh variabel ke test variable list. Pada test distribution, centang normal Abaikan yang lain, tekan OK

Output uji Normalitas

Histogram Dependent Variable: Penjualan (sales)
8 1.00

Normal P-P Plot of Regression Standa

Dependent Variable: Penjualan (sales)

.75

Expected Cum Prob

.50

2 Std. Dev = .95 Mean = 0.00 0 -2.00 -1.50 -1.00 -.50 0.00 .50 1.00 1.50 N = 20.00

.25

0.00 0.00 .25 .50 .75 1.00

Regression Standardized Residual

Observed Cum Prob

Grafik histogram berbentuk lonceng, sehingga dapat dikatakan data berdistribusi normal

Titik-titik terletak dekat garis diagonal, sehingga dapat dikatakan data berdistribusi normal

One-Sample Kolmogorov-Smirnov Test

Penjualan (sales)
N Mean Normal Parameters(a,b) Std. Deviatio n Absolut e Most Extreme Differences 20 43.10 12.061 promosi 20 7.25 4.038

tenaga kerja
20 24.40 6.723

Unstandardized Residual
20 .0000000 2.04313189

.164
.164
-.079 .733

.175
.175
-.146 .781

.139
.139
-.101 .624

.111
.102
-.111 .496

Positive
Negativ e

Kolmogorov-Smirnov Z

Asymp. Sig. (2-tailed)

a Test distribution sig (2-tailed) Nilai asymp is Normal. b Calculated from data. utk ketiga variabel

> 0,05, sehingga ini berarti data berdistribusi normal

.657 .575 .832 .966 Nilai Dmaks ketiga variabel < Dtabel = 0,294, sehingga Ho diterima. Ini berarti bahwa data berdistribusi normal

AUTO KORELASI
Korelasi antara serangkaian observasi berdasarkan runtun waktu (data time series) atau ruang (data cross sectional)

AKIBAT
Varians residual diestimasi lebih rendah R2 diestimasi lebih tinggi Varians dari b diestimasi lebih rendah Uhi t dan F tidak valid

Langkah-langkah UjiAutokorelasi
Menggunakan Uji Durbin Watson (DW-test) 1. Rumusan Hipotesis 2. Menentukan tingkat signifikansi 3. Kriteria pengujian 4. Perhitungan DW d 5. Kesimpulan Contoh 9.1

RUMUSAN HIPOTESIS
Ho: = 0, Tidak terjadi Autokorelasi H1: 0, terjadi autokorelasi positif atau negatif

TINGKAT SIGNIFIKANSI
=1% =5% Untuk menentukan nilai d tabel Durbin Watson
n = jumlah observasi k = jumlah variabel bebas

Pada contoh 9.1 =5% n = 20 k = 2 d tabel DW dl = 1,10; du = 1,54

PERHITUNGAN
Tolak H0 Autokorela si Positif
0 dL

Daerah ragu-ragu
dU

Terima H0
2

Daerah ragu-ragu

Tolak H0 Autokorela si negatif

4-dU

4-dL

Nilai d terletak antara 0 dan 4 d = 0 : ada autokorelasi positif sempurna d = 2 : tidak ada autokorelasi d = 4 : ada autokorelasi negatif sempurna Apabila nilai d berada pada daerah ragu-ragu (indecisive zone), maka tidak dapat disimpulkan apakah ada autokorelasi atau tidak. Untuk mengatasi hal ini, dapat diatasi dengan metode statistik non parametrik yaitu uji runs. Apabila nilai Asymp. Sig. (2-tailed) lebih besar dari taraf signifikan 5% maka dapat disimpulkan tidak terjadi autokorelasi.
Uji Asumsi Klasik

15

Langkah-langkah uji autokorelasi pada SPSS : Lakukan analisis regresi seperti biasa klik Analyze, Regression, Linear. Output klik statistics sehingga muncul kotak linear Kemudian SPSS Regression : statistics. Pada Residuals beri tanda centang pada Durbin-Watson. Lalu klik Continue. Setelah kembali ke kotak linear Regression, klik OK. Sehingga muncul output hasil regresi beserta nilai d Durbin-Watson dalam Model-Summary. Apabila d hitung jatuh di daerah ragu-ragu, maka dilakukan analisis lebih lanjut dengan runs test. Langkah-langkah runs test : klik Analyze, pilih nonparametric test, pilih runs. Sehingga muncul kotak runs test, masukkan Unstandardized Residual (RES_1) pada kotak Test Variable List. Kemudian klik OK.

PERHITUNGAN
Tolak H0 Autokorela si Positif
0

Daerah ragu-ragu

Terima H0

Daerah ragu-ragu

Tolak H0 Autokorela si negatif 4

1,10

1,54

4-1,54

4-1,10

Tolak H0 Autokorela si Positif

0

Daerah ragu-ragu

Terima H0

Daerah ragu-ragu
2,9

Tolak H0 Autokorela si negatif

1,10

1,54

2,46

Uji Asumsi Klasik

17

PERHITUNGAN DW
Output SPSS
Model Summary(b)
Mode l
1 R .986(a)

R Square
.971

Adjusted R Square
.968

Std. Error of the Estimate

2.160

Durbin-Watson 1.612

a Predictors: (Constant), tenaga kerja, promosi

b Dependent Variable: Penjualan (sales)

KESIMPULAN
Bandingan d DW dengan kriteria pengujian Ambil kesimpulan untuk menolak/menerima Ho Dari hasil perhitungan, DW = 1,612 yang terletak di daerah penerimaan Ho. Hal ini berarti tidak terjadi autokorelasi, sehingga layak dipakai untuk memprediksi

MULTIKOLINIERITAS
Terjadi korelasi antara variabel bebas dalam persamaan regresi
Ilustrasi :
X2 10 15 18 24 30 X3 50 75 90 120 150 X3 * 52 75 97 129 152

Contoh ini menunjukkan bahwa X3i = 5 X2i berarti ada kolinearitas sempurna antara X2 dan X3. Sedangkan variabel X3* dibuat dari X3 dengan menambah bilangan random 2,0,7,9, dan 2 berarti ada korelasi yang tinggi antara X2 dan X3 tetapi tidak sempurna.

PENYEBAB
METODE PENGUMPULAN DATA KENDALA DALAM MODEL ATAU POPULASI YG DIGUNAKAN SEBAGAI SAMPLE SPESIFIKASI MODEL JUMLAH VARIABEL INDEPENDEN LEBIH BANYAK DARI OBSERVASI

AKIBAT
VARIANS DAN STANDAR ERROR MENINGKAT SULIT MENGIDENTIFIKASI EFEK TERPISAH DARI VARIABEL YG BERKOLONIERITAS NILAI t TURUN HASIL ESTIMASI SANGAT PEKA THD PERUBAHAN SPESIFIKASI MODEL

CARA MENDETEKSI
Nilai Variance Inflation Factors (VIF) > 10 dan Tolerance (TOL) < 0,1 Koefisien korelasi antar variabel independen > 0,9 R2 yang sangat besar dan uji F signifikan, tetapi tidak satupun Uji t (uji parsial variabel bebas) yang signifikan Apabila ketiga hal diatas terpenuhi, maka dapat dikatakan bahwa terjadi multikolinieritas

LANGKAH PENGUJIAN
Langkah-langkah uji multikolinearitas pada SPSS : Lakukan analisis regresi seperti biasa klik Analyze, Regression, Linear. Kemudian klik Statistics sehingga muncul kotak Linear Regression : Statistics. Pada Regression Coefficients beri tanda centang pada Collinearity Diagostics. Lalu klik Continue, kemudian OK.

OUTPUT SPSS
Coefficients(a)
Model
Unstandardized Coefficients B (Constant ) 5.428 Std. Error 2.017 Standardize d Coefficients Beta 2.691 .015 t Sig. Collinearity Statistics Tolerance VIF

promosi
tenaga kerja

1.067
1.227

.192
.115

.357
.684

5.548
10.62 7

.000
.000

.408
.408

2.454
2.454

a Dependent Variable: Penjualan (sales)

Dari perhitungan di atas, diperoleh hasil TOL = 0,48 > 0,1 dan VIF = 2,454 < 10 sehingga dapat disimpulkan bahwa tidak ada multikolinieritas.

HETEROSKEDASITAS
VARIANS DARI DISTURBANCE TERM ui TIDAK KONSTAN SAMA DENGAN 2

AKIBAT
HASIL ESTIMASI TIDAK BIAS TETAPI VARIANS SANGAT BESAR SEHINGGA TES t DAN F TIDAK VALID.

CARA MENDETEKSI
UJI PARK UJI GLEJSER

UJI PARK
MEREGRESI LOGARITMA u2 TERHADAP LOGARITMA SATU ATAU BEBERAPA VARIABEL BEBAS.
ln u2t = bo + b1lnXt + vt

menguji parameter koefisien regresi b1. Jika hasil uji parameter signifikan, maka terdapat heteroskedasitas