statistik insuktif

1. UJI ASUMSI KLASIK
RITA DESERIA, SE.,MM
PERTEMUAN MINGGU KE 12

2. PENDAHULUAN
 Uji asumsi klasik dilakukan jika dalam model regresi
linier berganda menggunakan metode Ordinary
Least Sguare (OLS).
 Uji asumsi klasik dimaksudkan untuk mengetahui
seberapa baik model regresi linier secara nyata
cocok (goodness of fit) dan mendeteksi
kemungkinan penyimpangan asumsi terhadap data
analisis.
 Ada beberapa asumsi yang harus terpenuhi agar
nilai koefisien regresi yang dihasilkan baik atau
tidak bias dan memiliki varians minimum (Best
Linear Unbiased Estimator)
 Asumsi klasik yang harus terpenuhi, diantaranya :
- Data berdistribusi normal
- Tidak ada multikolinieritas
- Tidak ada heteroskedastisitas

3. UJI NORMALITAS
 Uji normalitas dimaksudkan untuk menguji
apakah dalam model regresi data
berdistribusi normal atau tidak.
 Ada 2 cara melakukan uji normalitas :
1. Analisis Grafik
Dengan melihat kurva histogram dan
normal probability plot
2. Uji Statistik
Salah satunya lewat uji Kolmogorov
Smirnov (KS)

4. ANALISIS GRAFIK
Dasar pengambilan keputusan
 Jika data menyebar disekitar garis diagonal dan
mengikuti arah garis diagonal atau grafik histogram
menunjuk pola distribusi normal (simetris), maka
model regresi memenuhi asumsi normalitas.
 Jika data menyebar jauh dari garis diagonal dan
atau tidak mengikuti arah garis diagonal, atau
grafik histogram tidak menunjukkan pola distribusi
normal (menceng kiri atau menceng kanan), maka
model regresi tidak memenuhi asumsi normalitas.

5. Pada grafik normal plot
terlihat titik-titik menyebar
jauh disekitar garis diagonal
dan penyebarannya tidak
mengikuti arah garis
diagonal (tidak berdistribusi
normal)
Hasil Output SPSS
Terlihat tampilan grafik
histogram agak menceng
(data tidak berdistribusi
normal)

6. Pada grafik normal plot
terlihat titik-titik menyebar
disekitar garis diagonal dan
penyebarannya mengikuti
arah garis diagonal (Data
berdistribusi normal)
Hasil Output SPSS
Terlihat tampilan grafik
histogram simetris (data
berdistribusi normal)

7. Catatan :
 Uji normalitas dengan grafik dapat
menyesatkan jika tidak hati-hati,
karena secara visual kelihatan normal
padahal secara statistik justru
sebaliknya. Oleh karena itu
disarankan selain analisis grafik juga
dilengkapi dengan uji statistik

8. UJI STATISTIK (Uji Kolmogorov
Smirnov)
 Uji Kolmogorov Smirnov (KS) termasuk uji
statistik non parametrik
 Uji Kolmogorov Smirnov (KS) juga dapat
digunakan untuk menguji normalitas residual
lewat uji hipotesis.
 Langkah-langkah Uji Kolmogorov Smirnov (KS)
1. Membuat keputusan dalam uraian kalimat
Ho : Data berdistribusi normal
Ha : Data tidak berdistribusi normal
2. Menentukan Alpha ( = 5%)
3. Kriteria keputusan
Jika Sig KS < Sig Alpha maka Ho ditolak
artinya data tidak berdistribusi normal
Jika Sig KS > Sig Alpha maka Ho diterima
artinya data berdistribusi normal

9. One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 100
Normal Parametersa,b Mean .0000000
Std. Deviation 1.22044683
Most Extreme Differences Absolute .056
Positive .056
Negative -.046
Test Statistic .056
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Pada tabel terlihat probabilitas KS 0,200 > 0,05, maka keputusan
menerima Ho artinya data berdistribusi normal
Hasil Output SPSS

10. UJI MULTIKOLINIERITAS
 Multikolinieritas adalah adanya
hubungan linier (korelasi) yang
sempurna antar variabel bebas.
 Dalam model regresi berganda tidak
boleh terjadi multikolinier
 Jika antar variabel indenpenden
(bebas) terjadi multikolinieritas
sempurna maka koefisien regresi
variabel x tidak dapat ditentukan dan
nilai standar eror menjadi tak

11. Beberapa teknik untuk mengenal
multikolinieritas :
1. Uji F nyata (signifikan) namun uji t nya
tidak nyata (tidak signifikan).
2. Nilai koefisien determinasi (R2) sangat
tinggi tetapi ada beberapa uji t nya
tidak signifikan.
3. Jika nilai koefisien korelasi parsial
antar variabel X ada yang lebih besar
dari koefisien determinasi (R2)
4. Dilihat dari nilai tolerance dan
Variance Inflation Factor (VIF). Jika
nilai tolerance < 0,10 atau nilai VIF >
10

12. Coefficientsa
Model
Unstandardized
Coefficients
Standa
rdized
Coeffic
ients t Sig.
Collinearity Statistics
B
Std.
Error
Beta Tolerance VIF
1
(Constant) 5.411 1.745 3.100 .003
Kualitas
Layanan
.047 .016 .012 2.937 .004 .970 1.031
Promosi .162 .042 .313 3.871 .000 .577 1.733
Harga .543 .077 .562 7.013 .000 .587 1.702
a. Dependent Variable: Kepuasan Pelanggan
Pada tabel terlihat untuk ketiga variabel
(kualitas layanan, promosi, harga) nilai
tolerance > 0,10 dan nilai VIF < 10
ini menunjukkan tidak ada gejala
multikolineritas pada model regresi

13. Uji Heteroskedastisitas
 Heteroskedastisitas adalah nilai residual dalam
model regresi sebenarnya memiliki varians
yang tidak sama (tidak konstan).
 Masalah heteroskedastisitas umumnya terjadi
pada data crossection.
 Cara mendeteksi heteroskedastisitas antara
lain dengan metode grafik dengan melihat
scatterplot
 Jika ada pola tertentu, seperti titik – titik
yang ada membentuk pola tertentu yang
teratur (seperti bergelombang, dll)
 Jika tidak ada pola yang jelas, serta titik-titik
menyebar diatas dan dibawah angka 0 pada
sumbu Y secara acak, maka tidak terjadi
heteroskedastisitas (model

14.  Pada gambar scatterplot
terlihat titik-titik tidak
menyebar secara acak baik
diatas maupun dibawah
angka 0 pada sumbu Y, maka
dapat disimpulkan terjadi
heteroskedastisitas pda
model regresi.
R.O.E
 Pada gambar scatterplot
terlihat titik-titik menyebar
secara acak baik diatas
maupun dibawah angka 0
pada sumbu Y, maka dapat
disimpulkan tidak terjadi
heteroskedastisitas pda
model regresi.

15. Uji Autokorelasi
 Autokorelasi merupakan korelasi antara
anggota observasi yang disusun menurut
urutan waktu. Uji autokorelasi dimaksudkan
untuk mengetahui apakah dalam model regresi
linier ada korelasi antara kesalahan
pengganggu (residual) pada periode t dengan
kesalahan pada periode t – 1 (sebelumnya).
Jika ada korelasi maka dikatakan terjadi
autokorelasi.
 Masalah autokorelasi umumnya terjadi pada
data time series.
 Ada beberapa cara untuk mendeteksi ada atau
tidak autokorelasi salah satunya dengan uji
Durbin – Watson (Uji DW)
 Uji DW digunakan untuk autokorelasi tingkat
satu (Fist Order Autocorelation) dan

16. Kriteria Pengambilan Keputusan
( Uji Durbin Watson)
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < dw < dL
Tidak ada autokorelasi positif No Decision dL < dw < du
Tidak ada autokorelasi
negative
Tolak 4 - dL < dw < 4
Tidak ada autokorelasi
negative
No Decision 4 - du < dw < 4 – dL
Tidak ada autokorelasi positif
dan negatif
Tidak ditolak du < dw < 4 - du
 Ket : du : durbin watson upper, dL : durbin watson lower

17.  Pada tabel model summary lihat nilai DW = 1,740,
nilai ini akan dibandingkan dengan nilai tabel,
dengan alpha 5%, jumlah sampel 36 dan jumlah
variabel bebas (X) = 2, maka ditabel DW didapat
nilainya DL = 1,354 dan DU = 1,587.
Sehingga : DU < DW < 4 – DU
1,587 < 1,740 < 4 – 1,587
1,587 < 1,740 < 2,413
Maka dapat disimpulkan tidak terdapat autokorelasi
positif atau negative pada model regresi