SkriptasUji Asumsi Klasik Regresi di SPSS: Apa Saja, Langkah, dan Cara Membaca
Uji asumsi klasik apa saja, untuk apa, dan langkah lengkapnya di SPSS: normalitas residual, multikolinearitas, heteroskedastisitas, autokorelasi, linearitas.
Uji asumsi klasik adalah rangkaian pemeriksaan yang harus dilalui model regresi linear sebelum hasil uji t, uji F, dan R Square boleh ditafsirkan. Banyak mahasiswa langsung melompat ke tabel Coefficients, lalu bingung saat pembimbing bertanya apakah residualnya normal atau apakah ada multikolinearitas. Artikel ini menjawab pertanyaan yang paling sering muncul: uji asumsi klasik apa saja, untuk apa, ada berapa, dan bagaimana langkahnya di SPSS sampai cara menuliskannya di Bab 4.
Semua langkah di bawah memakai menu SPSS berbahasa Inggris dan contoh data regresi linear berganda dengan dua variabel bebas (X1, X2) dan satu variabel terikat (Y). Angka yang muncul hanya contoh. Ambang nilai yang saya sebut adalah yang paling umum dipakai, misalnya menurut Ghozali, tetapi pedoman kampus dan arahan pembimbing Anda tetap menjadi acuan akhir.
Uji asumsi klasik adalah syarat agar regresi bisa dipercaya
Regresi linear dengan metode kuadrat terkecil (OLS) menghasilkan penduga yang disebut BLUE, singkatan dari Best Linear Unbiased Estimator, hanya bila sejumlah asumsi terpenuhi. Kalau asumsi dilanggar, koefisien regresi bisa bias, standar error bisa terlalu kecil atau terlalu besar, dan nilai Sig. yang Anda baca tidak lagi menggambarkan kenyataan. Itulah untuk apa uji asumsi klasik dilakukan: memastikan angka di tabel Coefficients layak dijadikan dasar menerima atau menolak hipotesis.
Untuk skripsi dengan data survei (cross section), yang hampir selalu diminta adalah normalitas residual, multikolinearitas, dan heteroskedastisitas. Autokorelasi ditambahkan bila datanya runtut waktu (time series), misalnya data keuangan tahunan atau bulanan. Sebagian kampus juga meminta uji linearitas. Jadi jawaban untuk "uji asumsi klasik ada berapa" bergantung pada jenis data Anda: tiga sampai lima.
Uji asumsi klasik apa saja: ringkasan dalam satu tabel
| Uji | Menu SPSS | Dibaca di | Lolos bila |
|---|---|---|---|
| Normalitas residual | Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample K-S pada RES_1 | Asymp. Sig. (2-tailed) | Sig. > 0,05 |
| Multikolinearitas | Analyze > Regression > Linear > Statistics > Collinearity diagnostics | Tolerance dan VIF di tabel Coefficients | Tolerance > 0,10 dan VIF < 10 (sebagian dosen memakai VIF < 5) |
| Heteroskedastisitas | Regresikan ABS_RES terhadap variabel bebas (uji Glejser) | Sig. tiap variabel bebas | Semua Sig. > 0,05 |
| Autokorelasi | Linear > Statistics > Durbin-Watson | Durbin-Watson di Model Summary | dU < DW < 4 - dU |
| Linearitas | Analyze > Compare Means > Means > Options > Test for linearity | Deviation from Linearity | Sig. > 0,05 |
Langkah 0: jalankan regresi sambil menyimpan residual
Hampir semua uji asumsi klasik bekerja pada residual, yaitu selisih nilai Y yang sebenarnya dengan nilai Y yang diprediksi model. Karena itu langkah pertama bukan uji normalitas, melainkan menjalankan regresi dan meminta SPSS menyimpan residualnya.
- Buka Analyze > Regression > Linear. Masukkan Y ke Dependent, X1 dan X2 ke Independent(s).
- Klik Statistics, centang Collinearity diagnostics dan, bila data runtut waktu, Durbin-Watson. Klik Continue.
- Klik Plots. Masukkan *ZPRED ke X dan *SRESID ke Y, centang Normal probability plot. Klik Continue.
- Klik Save, centang Unstandardized pada bagian Residuals. Klik Continue, lalu OK.
Di Data View akan muncul variabel baru bernama RES_1. Variabel inilah yang diuji normalitasnya dan dipakai untuk uji Glejser.
Uji normalitas residual
Yang diuji adalah residual, bukan tiap variabel satu per satu. Ini kesalahan yang paling sering saya temui saat mendampingi mahasiswa. Langkahnya: buka Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample K-S, masukkan RES_1 ke Test Variable List, pastikan Test Distribution tercentang Normal, lalu OK.
Baca baris Asymp. Sig. (2-tailed) pada tabel One-Sample Kolmogorov-Smirnov Test. Bila nilainya di atas 0,05, residual berdistribusi normal. Pada SPSS versi baru sering muncul angka 0,200 dengan catatan bahwa itu batas bawah signifikansi yang sebenarnya; tetap dibaca sebagai lolos. Sebagai pendukung, lihat Normal P-P Plot: titik-titik yang mengikuti garis diagonal menandakan residual normal. Untuk sampel kecil, sebagian pembimbing lebih menyukai Shapiro-Wilk lewat menu Explore, yang saya bahas di artikel uji normalitas Kolmogorov-Smirnov dan Shapiro-Wilk.
Kalau tidak lolos, jangan buru-buru menghapus data. Pilihan yang bisa dipertanggungjawabkan ada di cara mengatasi data tidak normal.
Uji multikolinearitas
Multikolinearitas terjadi bila sesama variabel bebas berkorelasi sangat kuat, sehingga model sulit memisahkan pengaruh masing-masing. Uji ini hanya relevan bila variabel bebas Anda dua atau lebih. Karena Anda sudah mencentang Collinearity diagnostics di langkah 0, hasilnya tersedia di tabel Coefficients, kolom Tolerance dan VIF.
Ambang yang paling banyak dipakai: Tolerance lebih dari 0,10 dan VIF kurang dari 10 berarti tidak terjadi multikolinearitas. Sebagian dosen memakai batas yang lebih ketat, VIF kurang dari 5. Bila VIF salah satu variabel tinggi, biasanya ada dua indikator yang isinya tumpang tindih atau dua variabel yang pada dasarnya mengukur hal yang sama. Solusinya saya bahas di cara mengatasi heteroskedastisitas dan multikolinearitas.
Uji heteroskedastisitas dengan Glejser
Heteroskedastisitas berarti sebaran residual tidak sama di sepanjang nilai prediksi, misalnya makin besar X makin lebar sebaran kesalahan. Cara yang paling sering diterima pembimbing adalah uji Glejser, karena menghasilkan angka, bukan sekadar gambar.
- Buka Transform > Compute Variable. Target Variable isi
ABS_RES, Numeric Expression isiABS(RES_1). Klik OK. - Buka Analyze > Regression > Linear. Kali ini Dependent diisi
ABS_RES, Independent(s) tetap X1 dan X2. Klik OK. - Baca kolom Sig. tiap variabel bebas di tabel Coefficients. Bila semuanya di atas 0,05, tidak terjadi heteroskedastisitas.
Sebagai pendukung, lihat scatterplot ZPRED terhadap SRESID yang sudah Anda minta di langkah 0. Titik yang menyebar acak di atas dan di bawah angka nol tanpa membentuk pola corong atau gelombang menandakan homoskedastisitas. Grafik saja biasanya tidak cukup karena penilaiannya subjektif, jadi sertakan Glejser.
Uji autokorelasi dengan Durbin-Watson
Autokorelasi berarti residual pada satu periode berhubungan dengan residual periode sebelumnya. Masalah ini khas data runtut waktu, misalnya laporan keuangan 2015 sampai 2024. Untuk data kuesioner yang diambil satu kali, uji ini biasanya tidak diperlukan, tetapi ikuti arahan pembimbing bila tetap diminta.
Nilai Durbin-Watson (DW) muncul di tabel Model Summary. Bandingkan dengan tabel DW pada jumlah observasi n dan jumlah variabel bebas k untuk mendapatkan dL dan dU. Tidak ada autokorelasi bila dU < DW < 4 - dU. Sebagai contoh, bila dU = 1,70, maka DW harus berada antara 1,70 dan 2,30. Bila DW berada di daerah ragu-ragu atau di luar rentang, pertimbangkan Run Test atau transformasi Cochrane-Orcutt setelah berdiskusi dengan pembimbing.
Uji linearitas
Regresi linear mengasumsikan hubungan X dan Y berbentuk garis lurus. Caranya: Analyze > Compare Means > Means, masukkan Y ke Dependent List dan satu X ke Independent List, klik Options, centang Test for linearity. Pada tabel ANOVA Table, baris Deviation from Linearity dengan Sig. di atas 0,05 berarti hubungan linear. Ulangi untuk tiap variabel bebas. Panduan lengkapnya ada di artikel uji linearitas SPSS.
Contoh kalimat untuk Bab 4
Angka di bawah hanya contoh dan harus diganti dengan output Anda sendiri.
"Hasil uji normalitas dengan Kolmogorov-Smirnov terhadap nilai residual menunjukkan nilai Asymp. Sig. sebesar 0,200 (> 0,05), sehingga residual berdistribusi normal. Hasil uji multikolinearitas menunjukkan nilai Tolerance seluruh variabel bebas di atas 0,10 (X1 = 0,742; X2 = 0,742) dan VIF di bawah 10 (X1 = 1,348; X2 = 1,348), sehingga tidak terjadi multikolinearitas. Hasil uji Glejser menunjukkan nilai signifikansi X1 sebesar 0,418 dan X2 sebesar 0,236 (> 0,05), sehingga model regresi tidak mengandung heteroskedastisitas. Dengan demikian model regresi memenuhi uji asumsi klasik dan layak digunakan untuk pengujian hipotesis."
Sajikan juga satu tabel ringkas berisi nama uji, nilai, ambang, dan keputusan. Tabel ringkas jauh lebih enak dibaca penguji daripada potongan output mentah SPSS. Cara menyusun seluruh Bab 4 dari output saya tulis di cara menulis Bab 4 skripsi kuantitatif dari output SPSS.
Masalah yang sering muncul dan solusinya
| Masalah | Penyebab umum | Solusi |
|---|---|---|
| Normalitas tidak lolos | Pencilan, data sangat miring, atau yang diuji tiap variabel bukan residual | Uji ulang pada RES_1, periksa outlier, pertimbangkan transformasi atau bootstrap |
| VIF di atas 10 | Dua variabel bebas mengukur hal yang hampir sama | Periksa definisi operasional, gabungkan atau keluarkan salah satu dengan alasan teoretis |
| Glejser signifikan | Sebaran Y melebar pada nilai besar, pencilan | Transformasi logaritma, regresi dengan pembobot (WLS), atau standard error yang kebal heteroskedastisitas |
| Durbin-Watson di luar rentang | Data runtut waktu dengan tren | Tambahkan variabel lag atau gunakan Cochrane-Orcutt setelah konsultasi |
| RES_1 tidak muncul | Lupa mencentang Unstandardized di menu Save | Ulangi regresi dan centang Save > Residuals > Unstandardized |
Checklist sebelum bimbingan
- Regresi sudah dijalankan dengan Save Unstandardized residual, variabel RES_1 ada di Data View.
- Uji normalitas dilakukan pada residual, bukan pada tiap variabel.
- Tolerance dan VIF sudah dicatat untuk semua variabel bebas.
- Uji Glejser dilakukan dengan ABS_RES sebagai variabel terikat.
- Durbin-Watson hanya dilaporkan bila data runtut waktu atau diminta pembimbing.
- Semua angka sudah dimasukkan ke satu tabel ringkas dengan kolom keputusan.
- File output (.spv) disimpan sebagai bukti analisis.
Kalau setelah semua langkah ini ada uji yang tetap tidak lolos, atau Anda ragu uji mana yang perlu dilaporkan untuk desain penelitian Anda, pendampingan singkat biasanya lebih hemat daripada mencoba berulang kali. Di bimbingan olah data SPSS via Zoom mulai Rp25.000 per sesi, Anda yang mengoperasikan SPSS di laptop sendiri sambil saya memandu langkah, memeriksa asumsi, dan menjelaskan cara membacanya. Baca juga cara membaca output regresi linier berganda untuk langkah setelah asumsi terpenuhi, dan tutorial skripsi asosiatif dengan regresi untuk gambaran alur penelitiannya.
Video tutorial terkait
Tonton langkahnya langsung di layar. Video dimuat dari YouTube hanya saat Anda menekan tombol putar.
Uji Normalitas Residual di SPSS (One Sample Kolmogorov-Smirnov) untuk Asumsi Klasik Regresi
Tutorial uji normalitas residual regresi di SPSS: menyimpan Unstandardized Residual lewat Linear Regression › Save, lalu Analyze › Nonparametric Tests › Legacy Dialogs › 1-Sample K-S,…
Uji Autokorelasi Durbin-Watson di SPSS untuk Skripsi: Cara Menjalankan dan Tabel dL dU
Tutorial uji autokorelasi Durbin-Watson di SPSS: pengertian autokorelasi, Analyze › Regression › Linear › Statistics › Durbin-Watson, membaca nilai DW di Model Summary, tabel dL dan dU…
Uji Asumsi Klasik di R Tanpa Install Package: Normalitas Residual, VIF, dan Glejser
Tutorial uji asumsi klasik regresi di R dan RStudio hanya dengan fungsi bawaan (tanpa lmtest atau car): normalitas residual dengan shapiro.test, multikolinearitas dengan VIF manual 1/(1-R…
Pertanyaan yang sering diajukan
Uji asumsi klasik ada berapa?
Yang paling sering diminta untuk regresi linear ada empat: normalitas residual, multikolinearitas, heteroskedastisitas, dan autokorelasi. Sebagian kampus menambahkan uji linearitas. Autokorelasi umumnya hanya untuk data runtut waktu.
Uji asumsi klasik untuk apa?
Untuk memastikan model regresi memenuhi syarat sehingga koefisien, uji t, dan uji F yang dihasilkan dapat dipercaya. Tanpa asumsi terpenuhi, nilai signifikansi bisa menyesatkan.
Apakah uji asumsi klasik wajib untuk regresi sederhana dengan satu variabel bebas?
Normalitas residual, heteroskedastisitas, dan linearitas tetap relevan. Multikolinearitas tidak perlu karena hanya ada satu variabel bebas, dan autokorelasi biasanya hanya untuk data runtut waktu.
Apakah uji asumsi klasik dipakai di SmartPLS?
Tidak dalam bentuk yang sama. PLS-SEM tidak mensyaratkan normalitas karena signifikansi dihitung lewat bootstrapping, tetapi multikolinearitas tetap diperiksa lewat VIF pada model struktural.
Bagaimana urutan pengerjaan yang benar?
Jalankan regresi lebih dulu sambil menyimpan residual, lalu uji normalitas residual, multikolinearitas, heteroskedastisitas, dan autokorelasi bila datanya runtut waktu. Setelah semua lolos, baru baca uji t, uji F, dan R Square.