Penjelasan Lengkap Uji Asumsi Klasik Menggunakan SPSS

Yapss, pada postingan kali ini kita akan membahas tentang Penjelasan Lengkap Uji Asumsi Klasik Menggunakan SPSS. Yuk simak penjelasan berikut.

Pengertian Asumsi Klasik

Asumsi klasik adalah syarat-syarat yang harus dipenuhi pada model regresi linear OLS agar model tersebut menjadi valid sebagai alat penduga.

Perbedaan Asumsi Klasik Regresi Linear Sederhana dan Berganda

Berdasarkan penjelasan di atas, terlihat jelas bahwa asumsi klasik antara regresi linear sederhana dan berganda hampir sama. Letak perbedaannya hanya pada uji multikolinearitas, dimana syarat tersebut hanya untuk regresi linear berganda.

1. Uji Normalitas

Uji normalitas merupakan suatu bentuk pengujian tentang kenormalan distribusi data. Uji normalitas digunakan untuk mengetahui apakah residual yang diteliti berdistribusi normal atau tidak. Untuk menguji apakah distribusi data normal atau tidak, dapat dilakukan menggunakan uji Kolmogorov Smirnov. Jika nilai signifikansi pada uji Kolmogorov Smirnov lebih besar dari 0,05 maka dikatakan data berdistribusi normal.

Berdasarkan uji Kolmogorov Smirnov pada tabel diperoleh bahwa nilai Signifikansi variabel prestasi kerja (0,065) lebih besar > α (0,05) sehingga dapat disimpulkan bahwa data yang digunakan dalam penelitian ini berdistribusi normal. Kemudian uji normalitas dapat juga dilihat dari diagram p-plot dibawah ini.

Dapat dilihat bahwa grafik normal probability plot menunjukkan pola grafik yang normal. Hal ini terlihat dari titik yang menyebar di sekitar grafik normal. Hal ini terlihat dari titik-titik yang menyebar disekitar garis diagonal dan penyebarannya mengikuti garis diagonal. Oleh karena ini dapat disimpulkan bahwa model regresi layak diapakai karena memenuhi asumsi normalitas.

2. Uji Heteroskedastisitas

Pengujian heteroskesdastisitas dilakukan untuk melihat apakah terdapat ketidaksamaan ragam dari residual satu ke pengamatan ke pengamatan yang lain. Kondisi heteroskedastisitas sering terjadi pada data cross section, atau data yang diambil dari beberapa responden pada suatu waktu tertentu. Model regresi yang memenuhi persyaratan adalah di mana terdapat kesamaan ragam dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas. Salah satu cara untuk mendeteksi heteroskedastisitas adalah dengan melihat grafik scatter plot. Jika pada grafik titik-titik membentuk pola tertentu yang teratur seperti gelombang besar melebar, kemudian menyempit maka telah terjadi heteroskedastisitas. Jika titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y tanpa membentuk pola tertentu, maka tidak terjadi heteroskedastisitas.

Pada gambar 4.1 dapat dilihat bahwa titik-titik pada grafik scatterplot tidak mempunyai pola penyebaran yang jelas dan titik-titik tersebut menyebar di atas dan dibawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa tidak terdapat gangguan heteroskedastisitas pada model regresi.

Berdasarkan tabel uji heteroskedastisitas menggunakan uji gletser dapat dilihat dari nilai signifikansi nya besar dari 0,05 sehingga dapat disimpulkan tidak terjadi heteroskedastisitas dalam penelitian ini.

3. Uji Multikolinearitas

Uji multikolineritas bertujuan untuk mengetahui ada tidaknya variabel independen yang memiliki korelasi antar variabel independen lain dalam satu model. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Multikolineritas diuji dengan melihat nilai Tolerance yang tidak kurang dari 0,1 dan nilai Variance Inflation Factor (VIF) yang tidak lebih dari 10 sehingga model dapat dikatakan terbebas dari multikolineritas.

Berdasarkan tabel di atas dapat dilihat bahwa model regresi tidak mengalami gangguan multikolinieritas. Hal ini tampak pada nilai tolerance masing-masing variabel lebih besar dari 10 persen (0,1). Hasil perhitungan VIF juga menunjukkan bahwa nilai VIF masing-masing variabel kurang dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel bebas dalam model regresi tersebut.

4. Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengaganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Uji autokorelasi dapat dilihat dari nilai Durbin Watson. Apabila nilai Durbin Watson lebih besar dari nnilai dU maka model tidak mengandung autokorelasi.

Berdasarkan hasil uji autokorelasi diperoleh nilai durbin-watsnon stat yaitu sebesar 3,233. Sedangkan nilai dU berdasarkan pada tabel Durbin Watson dengan n=4 dan k=2 yaitu 1,8964. Karena nilai Durbin Watson (3,233) lebih besar dari nilai dU (1,8964) dapat disimpulkan bahwa model tidak mengandung autokorelasi.

Demikian para pembaca sekalian, semoga penjelasan singkat tentang Penjelasan Lengkap Uji Asumsi Klasik Menggunakan SPSS ini dapat bermanfaat bagi kita semuanya.