Selasa, 06 Maret 2012

Uji Asumsi Dasar dan Asumsi Klasik


Pengujian asumsi dasar dan asumsi klasik dilakukan agar hasil analisis regresi memenuhi kriteria BLUE (best linier unbiased estimator). Uji asumsi dasar terdiri dari uji normalitas data dan uji linearitas, Sedangkan Uji asumsi klasik meliputi uji multikolinieritas, uji heteroskedastisitas dan uji autokorelasi.
1. Uji Normalitas (NormalityTest)
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghozali, 2005:110). Penelitian ini menggunakan uji normalitas Kolmogorov-Smirnov untuk mengetahui signifikansi data yang terdistribusi normal dan disertai dengan normal probability plot serta grafik histogram sebagai pendukung dalam pengambilan kesimpulan hasil pengujian. Dengan menggunakan uji Kolmogorov-Smirnov, suatu data dikatakan normal jika mempunyai nilai asymptotyc significant lebih dari 0,05 (Hair Jr. and Yoseph F,1998 dalam Kurniawan, 2006). Sedangkan dasar pengambilan keputusan dalam deteksi normalitas menggunakan grafik (Priyatno, 2008) sebagai berikut:
a.       Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas sehingga model layak digunakan.
b.      Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas sehingga model tidak layak digunakan.
2. Uji Multikolinearitas (Multicolinearity Test)
Menurut Ghozali (2005:91), uji multikolinearitas bertujuan untuk menguji apakah variabel bebas (independen) dalam model regresi berkorelasi atau tidak. Model regresi yang baik seharusnya bebas multikolinearitas atau tidak terjadi korelasi diantara variabel independen.
Uji Multikolinearitas dapat dilihat dari (1) nilai tolerance dan lawannya (2) Variance Inflation Factor (VIF). Jika nilai tolerance lebih besar dari 0,1 atau nilai VIF lebih kecil dari 10, maka dapat disimpulkan tidak terjadi multikolinearitas pada data yang akan diolah, sehingga model regresi tersebut layak dipakai.
3. Uji Heterokedastisitas (Heteroskedasticity Test)
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas.
Cara yang digunakan untuk mendeteksi ada atau tidaknya heteroskedastisitas dalam penelitian ini, dengan melihat grafik Plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya yaitu SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan cara melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah yang diprediksi dan sumbu X adalah residual (Y prediksi –Y sesungguhnya) yang telah di-studentized. Dasar analisis yang digunakan untuk mendeteksi heteroskedastisitas adalah sebagai berikut:
a.       Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas, sehingga model tidak layak digunakan.
b.      Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas sehingga model layak digunakan.
4. Uji Autokorelasi (Autocorelation Test)
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi, yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus dipenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode pengujian yang sering digunakan adalah dengan Uji Durbin-Watson (uji DW) dengan ketentuan sebagai berikut :
1.    Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hipotesis nol ditolak, yang berarti terdapat autokorelasi, sehingga model tidak memenuhi prasyarat.
2.    Jika d terletak di antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak ada autokorelasi, sehingga model memenuhi prasyarat.
3.    Jika d terletak pada dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak menghasilkan kesimpulan yang pasti. Nilai dU dan dL dapat diperoleh dari Tabel Statistik  Durbin Watson yang bergantung banyaknya observasi dan banyaknya variabel yang menjelaskan.
5. Uji Linearitas (Linearity Test)
Uji linearitas bertujuan untuk mengetahui apakah variabel yang digunakan mempunyai hubungan yang linear atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat dalam analisis korelasi atau regresi linear. Pengujian pada SPSS dengan menggunakan Test of Linearity dengan taraf signifikansi 0,05. variabel-variabel yang dikatakan memiliki hubungan yang linear bila signifikansi (linearity) kurang dari 0,05. Metode lain yang juga bisa digunakan adalah Uji Lagrange Multiplier.

Tidak ada komentar:

Posting Komentar