7 0 756 KB
UJI ASUMSI KLASIK Setidaknya ada 5 ( lima ) uji asumsi klasik, 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 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 variabelvariabel 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 kedalam bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk first difference delta. 4. Dalam tingkat lanjut dapat digunakan metode regresi bayessian yang masih jarang sekali digunakan. Langkah-langkah Uji Multikolinearitas : a. Open data b. Dari menu utama SPSS pilih Analyze, kemudian Regression, klik Linear c. Pada kotak Dependent, isikan variable Y d. Pada kotak Independent, isikan variable X1 dan X2 e. Pada kotak Method, pilih Enter f.
Kemudian pilih Statistic, klik Covariance Matrik dan Collinearity Diagnostic
g. Tekan Continue lalu Ok h. Output Coefficients(a) Unstandardized Coefficients Model 1
B 12.888 .412 .469
(Constant) x1 x2 a Dependent Variable: Y
Standardized Coefficients
Std. Error 15.905 .164 .211
Beta
Model 1
x2
x1
Correlatio ns
x2
1.000
-.104
x1
-.104
1.000
Covarianc es
x2
.045
-.004
x1
-.004
.027
a Dependent Variable: Y
t .370 .327
Coefficient Correlations(a)
Collinearity Statistics Sig. .810 2.506 2.220
Tolerance .423 .017 .033
.989 .989
VIF 1.011 1.011
Hasil perhitungan nilai Tolerance menunjukkan tidak ada variable independen yang memiliki nilai Tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variable indenpenden. Deteksi adanya multikolineritas juga bisa dilihat dari nilai VIF, dimana jika nilai VIF lebih besar dari 10 maka mengindikasikan adanya multikolinearitas. 2. 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. Langkah-langkahUjiAutokorelasi a. Open data b. Dari menu utama SPSS pilih Analyze, kemudian Regression, klik Linear c. Padakotak Dependent, isikan variable Y d. Padakotak Independent, isikan variable X1 dan X2 e. Padakotak Method, pilih Enter f.
Pilihtombol Statistic
g. Aktifkanpilihan Durbin Watson h. Output Model Summary(b)
Model 1
R
R Square
.519(a)
Adjusted R Square
.269
Std. Error of the Estimate
.226
3.137
Durbin-Watson 2.261
a Predictors: (Constant), x2, x1 b Dependent Variable: Y
Pada Output diatas, Nampak nilai DW 2.261, nilai ini akan kita bandingkan dengan nilai table dengan menggunakan signifikansi 5%, jumlah sampel (n) = 37 dan jumlah variable independen (K) = 2, maka di dapat nilai sebagai berikut : dL = 1.364 dandU = 1.590 Jika 4 – dU> DW >dL, dU maka dapat dikatakan tidak terjadi autokorelasi. 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. Sebagai contoh, seorang kaya akan bervariasi dalam membelanjakan uangnya, sedangkan orang miskin hanya sedikit bervariasi dalam berbelanja . hal ini menunjukkan varians yang tidak sama antara kedua golongan tersebut, yang berarti timbul masalah heteroskedastisitas.
Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Langkah-langkahUjiHeteroskedastisitas a. Open data b. Dari menu utama SPSS pilih Analyze, kemudian Regression, klik Linear c. Padakotak Dependent, isikan variable Y d. Padakotak Independent, isikan variable X1 dan X2 e. Padakotak Method, pilih Enter f.
Pilihtombol Plots
g. Masukkan variable SRESID padakotakpilihan Y h. Masukkan variable ZPRED padakotakpilihan X i.
Tekan Continue danabaikan yang lain lalu OK
j.
Hasil output
Scatterplot
Dependent Variable: Y
Regression Studentized Residual
2
1
0
-1
-2
-3 -3
-2
-1
0
1
2
Regression Standardized Predicted Value
Dasar analisis : a. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur( bergelombang,
melebar
kemudian menyempit
)
maka
mengindikasikan
adanya
heteroskedastisitas. b. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak ada heteroskedastisitas. 4. UjiNormalitas 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. a. Skewnessdan kurtosis Langkah pengujian :
Lakukan regresi dengan persamaan yang ada
Klik Save dan aktifkan Unstandardized residual
Klik continue lalu OK
Dari menu utama SPSS klik Analyze kemudian pilih Descriptive lalu klik Option
Klik Skewness dan kurtosis
b. Uji Kolmogorov – Smirnov Langkah pengujian :
Klik Analyze pilih Non-Parametric test
Pilih 1-sample KS
Padakotak test variable list, isikan Unstandardized residual danpada test distribution klik normal
Pilih OK Descriptive Statistics
Unstandardized Residual Valid N (listwise)
N Statistic 37 37
Minimum Statistic -7.94859
Maximum Statistic 4.10753
Mean Statistic .0000000
Std. Deviation Statistic 3.048155
Skewnes s Statistic Std. Error -.953 .388
Kurtosis Statistic Std. Error .276 .759
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N Normal Parameters(a,b) Most Extreme Differences
37 Mean Std. Deviation Absolute
.0000000 3.04815478 .132
Positive
.089
Negative
-.132
Kolmogorov-Smirnov Z
.805
Asymp. Sig. (2-tailed)
.537
a Test distribution is Normal. b Calculated from data.
Pada metode Skewness dan Kurtosis untuk mengetahui apakah nilai residual terdistribusi dengan normal dengan cara membandingkan nilai Zhit dengan Ztabel. Apabila nilai Zhit lebih kecil dari Ztabel, maka terdistribusi normal. Cara Lain untuk mengetahui apakah nilai residual terdistribusi dengan normal menggunakan rasio Skewness dan Kurtosis. Rasio Skewness adalah nilai Skewness dibagi dengan standar error Skewness. Sedangkan Rasio Kurtosis adalah nilai Kurtosis dibagi dengan standar error kurtosis. Sebagai pedoman, bila rasio Skewness dan Kurtosis berada diantara -2 hingga +2 maka distribusi normal ( Santoso, 2000 : 53 ) PadaMetode Kolmogorov - Smirnov test, dapat dilakukan dengan membandingkan nilai Asymp.sig. Apabila nilai asymp.sig. ( 0,537 )> 0,05 berarti residual terdistribusi normal.
Data Uji Asumsi Klasik No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
Kinerja Pegawai 68 71 71 72 69 71 73 71 69 72 71 69 62 70 68 74 69 70 65 64 64 67 67 68 73 67 73 70 73 59 74 72 63 70 68 64 68
Kepuasan Kerja 65 70 71 70 68 70 75 72 70 73 71 70 75 69 75 72 70 72 70 75 63 64 66 68 71 69 72 71 70 62 73 70 67 69 66 72 70
Motivasi Kerja 54 60 59 60 59 58 60 60 59 60 56 60 51 56 53 59 60 56 59 60 59 55 60 60 57 60 58 60 58 55 60 60 57 60 55 59 53