Dokumen tersebut membahas tentang uji asumsi klasik dalam analisis regresi, yaitu uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Beberapa poin penting yang dijelaskan adalah cara menguji setiap asumsi baik secara grafik maupun non grafik beserta contoh penerapannya dalam suatu kasus studi.
2. NORMALITAS
Biasa disebut Uji Normalitas Residual.
Bertujuan untuk menguji apakah dalam model
regresi, data residual berdistibusi normal atau
tidak.
2 cara pengujian :
1. Metode Grafik -> Normal Probability Plot
2. Metode Non Grafik -> Kolmogorov-Smirnov
4. HASIL
Acuan :
Distribusi normal akan membentuk garis diagonal &
titik-titik dot akan menyebar di sekitar garis
diagonal tersebut.
Hasil :
Pada gambar terlihat titik-titik menyebar disekitar
garis diagonal dan mengikuti arah garis diagonal.
Hal ini menunjukkan bahwa model regresi
MEMENUHI ASUMSI NORMALITAS
6. Acuan :
Apabila Asymp. Sig (2-tailed) dari uji Kolmogorov-
Smirnov bernilai di atas atau sama dengan 0,05
maka, data berdistribusi normal dan sebaliknya.
Hasil Pengujian :
Dari uji Kolmogorov-Smirnov pada gambar diatas,
menunjukkan bahwa data terdistribusi normal,
dengan nilai Asymp. Sig (2-tailed) 0,602 lebih besar
sama dengan 0,05
7. MULTIKOLINEARITAS
Untuk menguji apakah dalam suatu model regresi
terjadi korelasi yang tinggi atau tidak antar
variabel independen
Acuan penentu ada tidaknya MULTIKOLINEARITAS :
1. TIDAK TERJADI MULTIKOLINEARITAS
Tolerance > 0,1 ; VIF < 10
2. TERJADI MULTIKOLINEARITAS
Tolerance < 0,1 ; VIF > 10 Tolerance =
1/VIF
9. HASIL
Dividend Payout Ratio
Tolerance (0.817) > 0,1
VIF (1.223) < 10
Return on Equity
Tolerance (0.860) > 0,1
VIF (1.163) < 10
Debt to Equity Ratio
Tolerance (0.935) > 0,1
VIF (1.070) < 10
Tidak terjadi
Multikolinearitas
Tidak terjadi
Multikolinearitas
Tidak terjadi
Multikolinearitas
10. Kesimpulan :
TIDAK TERJADI MULTIKOLINEARITAS. Sehingga
data Dividend Payout Ratio, Return on Equity, dan
Debt to Equity Ratio baik digunakan dalam model
regresi
Ingat!!!
Apabila terdapat 1 saja data yang terjadi
multikolinearitas, berarti terdapat korelasi antar
variabel. Lebih baik variabel tersebut diganti atau
dibuang saja.
11. HETEROSKEDASTISITAS
Digunakan untuk menguji apakah dalam suatu
model regresi terdapat kesamaan atau
ketidaksamaan varians antara pengamatan
yang satu dengan yang lainnya
2 cara pengujian :
• GRAFIK -> Scatterplot
• NON GRAFIK
12. METODE NON GRAFIK
• UJI GLEJSER
• UJI PARK
• METODE KORELASI SPEARMAN
• METODE GOLDFELT QUANDT
• METODE WHITE HETEROSCEDASTICITY
14. Acuan :
Titik-titik menyebar & tidak membentuk pola
tertentu
Hasil :
Pada gambar terlihat titik-titik menyebar & tidak
membentuk pola tertentu, maka tidak terjadi
heteroskedastisitas sehingga data baik digunakan
dalam model regresi.
16. Acuan :
• Jika nilai signifikansi lebih besar dari 0,05,
kesimpulannya adalah tidak terjadi
heteroskedastisitas.
• Jika nilai nilai signifikansi lebih kecil dari 0,05,
kesimpulannya adalah terjadi
heteroskedastisitas.
17. Hasil
Motivasi (X1)
Sig = 0,004 < 0,05
Artinya, terjadi heteroskedastisitas pada variabel
Motivasi (X1)
Minat (X2)
Sig = 0,009 < 0,05
Artinya, terjadi heteroskedastisitas pada variabel
Minat (X2)
18. AUTOKOLERASI
Dapat dilakukan dengan uji durbin watson. Uji
durbin watson digunakan untuk autokorelasi
tingkat satu (first order autocorrelation) dan
mensyaratkan adanya intercept (konstanta)
dalam model regresi dan tidak ada variabel lag
di antara variabel bebas.
20. CONTOH
Nilai DW sebesar 2,061, nilai ini akan kita
bandingkan dengan nilai tabel dengan
menggunakan derajat kepercayaan 5%, jumlah
sampel 100 dan jumlah variabel bebas 4.
Oleh karena nilai DW 2,061 lebih besar daripada
batas atas (du) 1,76 maka dapat disimpulkan tidak
terdapat autokorelasi pada model regresi.