PENGERTIAN UJI ASUMSI DAN JENISNYA

Table of Contents
Uji Asumsi – Uji asumsi adalah salah satu persyaratan statistik yang harus dipenuhi pada analisis dari regresi linear berganda dengan basis ordinary least square atau OLS. Analisis regresi tersebut, tidak berdasarkan pada OLS, sebab tidak memerlukan persyaratan dari asumsi klasik. Contohnya seperti regresi logistik ataupun regresi ordinal.

Begitu pula dengan tes-tes penerimaan klasik tidak semuanya memerlukan analisis regresi linier. Seperti, uji multikolinieritas tidak dilakukan dalam analisis regresi linier secara sederhana serta uji autokorelasi tidak memerlukan diterapkannya data cross sectional. Masih bingung dengan penjelasan singkat tersebut? Simak artikel ini untuk mendalami materi ini.

Pengertian Uji Asumsi

Uji asumsi pada dasarnya adalah salah satu uji yang digunakan sebagai syarat statistik. Uji asumsi haruslah dipenuhi pada analisis regresi linier berganda serta tidak pada regresi linier sederhana. Analisis yang dimaksud ialah analisis regresi linier berganda dengan basis OLS seperti yang telah dijelaskan sebelumnya.

Melakukan uji asumsi sebelum melakukan uji hipotesis dianggap sebagai salah satu syarat yang harus dilakukan pada penelitian kuantitatif. Jika, hasil dari uji asumsi tidak sesuai dengan hipotesis maka akan timbul bermacam-macam reaksi. Oleh karena itu, melakukan uji asumsi terlebih dahulu adalah hal yang penting dalam penelitian kuantitatif.

Para ahli pun memberikan penjelasan mengenai pengertian dari uji asumsi. Berikut beberapa pengertian yang dikemukakan oleh para ahli mengenai uji asumsi. Menurut Sunjoyo, dkk (2013) uji asumsi merupakan syarat statistik yang harus dipenuhi pada analisis regresi linier ganda dengan basis OLS atau Ordinary Least Square.

Terkadang ketika melakukan uji asumsi, peneliti akan memeroleh data yang tidak sesuai dengan hipotesis sebelumnya, sehingga membuat peneliti merasa kebingungan. Namun, apabila hal tersebut terjadi di lapangan sebaiknya tidak melakukan manipulasi data agar data yang diperoleh sesuai dengan hipotesis. Namun, ada baiknya apabila mengikuti arahan dari para ahli sebagai berikut.

Menurut Azwar (2010) analisis atau uji hipotesis dapat dilakukan tanpa perlu melakukan uji asumsi terlebih dahulu. Apabila hasil dari uji asumsi tidak sesuai dengan apa yang diharapkan peneliti, maka hasil analisisnya tidak akan selalu invalid. Ketika menemui kejadian hal ini, maka lebih baik membiarkan data sebagaimana mestinya dan tidak melakukan manipulasi data yang akhirnya menyebabkan kebohongan data.

Sehingga dapat disimpulkan, bahwa uji asumsi merupakan syarat yang harus dipenuhi pada penelitian kuantitatif ketika melakukan analisis regresi linier ganda dengan OLS. Apabila ditemui bahwa hasil data pada uji asumsi tidak sama dengan hipotesis, maka sebaiknya peneliti tidak melakukan manipulasi yang menyebabkan kebohongan data.

Ada beberapa jenis uji asumsi yang perlu diketahui. Berikut penjelasannya.

Jenis-Jenis Uji Asumsi

Uji asumsi yang umum digunakan adalah uji multikolinieritas, uji heteroskedastisitas, uji normalitas, uji linearitas, uji autokorelasi. Dalam setiap uji-uji asumsi tersebut, tidak ada ketentuan khusus mengenai tes mana yang harus didahului atau dipenuhi. Analisis dapat dilakukan bergantung pada data yang tersedia. Contohnya analisis seluruh tes penerimaan klasisk dilakukan, kemudian ada yang atau data yang tidak memenuhi syarat. Maka tes pun akan ditingkatkan dengan tes lebih lanjut usai data-data memenuhi syarat.

Berikut adalah penjelasan dari setiap jenis uji asumsi.

1. Uji Normalitas

Uji normalitas ialah untuk melihat apakah ada nilai residu normal atau tidak. Model regresi yang baik ialah model yang memiliki residu dan terdistribusi secara normal. Tes normalitas, tidak perlu dilakukan kepada setiap variabel yang ada, akan tetapi untuk nilai-nilai residual saja.

Seringkali terjadi suatu kesalahan yaitu ketika tes normalitas dilakukan untuk setiap variabel, meskipun tidak dilarang akan tetapi model regresi memerlukan suatu normalitas pada nilai residual dan bukan dalam variabel penelitian.

Pemahaman normal juga bisa dianalogikan sebagai sebuah kelas. Di kelas, terdapat para siswa yang tidak ahli matematika namun ada pula beberapa siswa pintar matematika namun jumlahnya lebih sedikit. Ada pula siswa yang memiliki tingkat prestasi menengah dan menduduki sebagian besar dari siswa di kelas. Apabila seluruh kelas diisi oleh siswa tidak bisa matematika, maka itu adalah yang tidak normal. Begitu pula sebaliknya. Apabila satu kelas diisi oleh para siswa yang sangat cerdas, maka hal tersebut tidaklah normal atau dapat disebut sebagai kelas superior. Pengamatan pada data normal, dapat menghasilkan beberapa ekstrem rendah serta sangat ekstrem dan biasanya diakumulasikan di tengah. Begitu pula dengan nilai rata-rata media relatif serta mode yang berdekatan.

Tes normalitas dapat dilakukan dengan tes normal P-Plot, tes histogram, tes Chi square, tes kurtosis, tes skewness, tes kolmogorov- Smirnov. Namun, tes normalitas tidak memiliki metode terbaik atau model paling tepat.

Umumnya, ketika melakukan pengujian dengan metode charting akan sering menyebabkan adanya persepsi yang berbeda dari beberapa pengamat. Oleh karena itu, penggunaan tes normalitas dengan uji statistik tidak diragukan lagi, meski tidak dapat menjamin bahwa pengujian dari uji statistik akan lebih baik dari pada pengujian dengan menggunakan metode diagram.

Apabila ditemukan residu tidak normal akan tetapi dekat dengan nilai kritis, maka metode lain pun dapat digunakan untuk memberikan justifikasi normal. Apabila jauh dari nilai normal, maka dapat dilakukan penggubahan data, menambahkan data observasi serta memangkas outlier. Transformasi pun dapat dilakukan dalam bentuk akar kuadrat, logaritma natural, inverses dan lainnya bergantung pada normal kurva apakah ke arah kanan, kiri atau tengah dan lainnya.

2. Uji Multikolinearitas

Jenis uji asumsi yang kedua ialah uji multikolinearitas yang dirancang guna menentukan apakah ada korelasi tinggi antara variabel independen dengan model regresi linier ganda, apabila ada korelasi tinggi antara variabel independen hubungan dengan variabel independen serta variabel dependen terganggu.

Sebagai contoh, model regresi dengan variabel independen merupakan motivasi, kepemimpin serta kepuasan kerja dengan menggunakan variabel dependen kinerja. Logika sederhananya, apabila model mencari kinerja didasarkan pada dampak motivasi, kepuasan kerja dan kepemimpinan, maka tidak ada korelasi yang tinggi yang terjadi di antara motivasi serta kepemimpinan, motivasi dengan kepuasan kerja maupun antara kepemimpinan dengan kepuasan kerja.

Alat statistik umumnya akan digunakan untuk dapat menguji dari gangguan multikolinieritas, alat yang dimaksud ialah variance inflation factor atau IVD, korelasi pearson antara variabel independen maupun pertimbangan dari nilai eigen serta indeks kondisi.

3. Uji Heteroskedastisitas

Pada uji heteroskedastisitas, peneliti dapat memeriksa apakah terdapat perbedaan yang tidak sama antara residu satu dengan pengamatan lainnya. Salah satu model dari regresi adalah model yang memenuhi syarat bahwa ada kesamaan pada varian antara residu satu dengan pengamatan dan lainnya yang disebut pula dengan homoscedasticity.

Bukti dari heteroskedastisitas dapat dibuat melalui penggunaan metode scatterplot dengan memplot nilai prediktif atau zpred dengan nilai sisa atau sresid. Model yang baik adalah model ketika grafik tidak mengandung pola-pola tertentu, seperti berkumpul di tengah, memperbesar, menyempit maupun memperkecil, tes glejser, tes wei maupun tes park dapat digunakan pula sebagai tes statistik.

Ada beberapa solusi alternatif yang dapat digunakan apabila model tersebut melanggar asumsi dari heteroskedastisitas adalah dengan mengubah menjadi bentuk-bentuk logaritmik. Solusi alternatif tersebut dapat dilakukan apabila seluruh data positif atau seluruh variabel dapat dibagi dengan variabel lainnya yang mengalami gangguan serupa yaitu gangguan heteroskedastisitas.

4. Uji Autokorelasi

Uji autokorelasi merupakan uji yang dilakukan untuk dapat melihat apakah terjadi korelasi di antara suatu periode dengan periode-periode sebelumnya. Sederhananya, uji autokorelasi merupakan analisis dari regresi yang terdiri dari pengujian pengaruh variabel independen pada variabel dependen, sehingga tidak boleh terjadi korelasi di antara pengamatan serta data observasi sebelumnya.

Contoh dari uji autokorelasi adalah dampak inflasi bulanan pada nilai tukar rupiah kepada nilai dolar. Data yang ada pada tingkat inflasi untuk bulan-bulan tertentu, seperti data pada bulan Februari yang dipengaruhi oleh tingkat inflasi pada bulan Januari. Sehingga, dapat disimpulkan bahwa model tersebut memiliki masalah yaitu masalah autokorelasi. Contoh lainnya ialah pengeluaran rutinan pada setiap rumah tangga, apabila sebuah keluarga memiliki pengeluaran rutin bulanan yang nilainya relatif lebih tinggi di Januari, maka pengeluaran di bulan Februari pun akan lebih rendah.

Uji autokorelasi pun hanya akan dilakukan pada data runtut waktu atau time series serta tidak perlu dilakukan kepada data cross section seperti kuesioner. Di mana, pengukuran seluruh variabel dapat dilakukan secara serempak pada waktu bersamaan. Uji autokorelasi pun diperlukan dengan menggunakan model regresi dalam penelitian di bursa efek Indonesia, di mana umumnya periode akan lebih dari satu tahun sehingga memerlukan penelitian dengan uji autokorelasi.

Ada beberapa cara yang dapat dilakukan untuk mengatasi masalah pada autokorelasi, salah satunya adalah dengan melakukan pengubahan data atau melakukan perubahan model regresi menjadi persamaan serta perbedaan secara umum. Selain itu, dapat pula dilakukan dengan cara memasukan salah satu variabel lag serta variabel lain yang masih berkaitan menjadi salah satu variabel bebas, sehingga pada akhirnya data observasi pun akan berkurang satu.

5. Uji Linearitas

Uji linearitas dapat digunakan untuk melihat apakah model yang telah dibangun memiliki hubungan linear atau tidak. Tes uji linearitas ini, jarang digunakan sebab menurut beberapa studi uji ini biasanya dibangun atas dasar studi teoritis bahwa ada hubungan antara variabel independen dengan dependen yang bersifat linier. Hubungan antara variabel tersebut, secara teoritis tidak memiliki hubungan linier akan tetapi tidak dapat dianalisis dengan menggunakan regresi linier, contohnya adalah seperti masalah elastisitas.

Apabila ada hubungan di antara dua variabel yang belum diketahui apakah hubungan tersebut linier atau tidak, maka uji linieritas pun tidak dapat digunakan untuk memberikan adjustment atau penyesuaian bahwa hubungan tersebut memiliki linier atau tidak.

Uji linearitas dapat digunakan untuk mengkonfirmasi apakah ada sifat linier antara dua variabel yang diidentifikasi pada suatu teori sesuai dengan hasil dari pengamatan penelitian. Tes linearitas pun dapat digunakan dengan melakukan uji durbin watson serta tes pengali lagrange atau tes ramsey.

Selain metode penelitian kuantitatif uji asumsi, ada pula beberapa metode penelitian kuantitatif yang dapat digunakan oleh peneliti menyesuaikan data maupun variabel lainnya. 

Jenis-Jenis Uji Asumsi Pada Regresi Linear

Seperti yang dijelaskan sebelumnya, bahwa uji asumsi merupakan syarat statistik yang harus dipenuhi pada analisis regresi linier ganda dengan basis OLS. Oleh karena itu, Grameds juga harus memahami apa saja sih jenis-jenis uji asumsi pada analisis regresi linier?
Keberadaan regresi linier menjadi syarat maupun asumsi pada regresi linier terbagi menjadi dua macam. Berikut penjelasannya.

1. Uji Asumsi Klasik pada Regresi Linier Sederhana

Ada beberapa hal yang perlu diperhatikan pada uji asumsi klasik regresi linier sederhana antara lain sebagai berikut. a) data interval maupun rasio, b) linearitas, c) normalitas, d) heteroskedastisitas, e) outlier serta f) auto korelasi yang ada hanya untuk data runtut waktu atau data time series saja.

2. Uji Asumsi Klasik pada Regresi Linier Berganda

Beberapa hal yang perlu diperhatikan pada uji asumsi klasik regresi linier berganda ialah sebagai berikut. a) rasio atau data interval, b) linearitas, c) heteroskedastisitas, d) normalitas, e) outlier, f) multikollinearitet, g) auto korelasi yang hanya dapat digunakan untuk runtut waktu atau data time series saja.

Dari dua macam uji asumsi regresi linier tersebut, lantas apa perbedaan dari uji asumsi pada regresi linier sederhana dengan uji asumsi pada regresi linier berganda? Berikut penjelasannya.

Berdasarkan penjelasan macam uji asumsi pada regresi linier, maka dapat disimpulkan bahwa uji asumsi antara regresi linier sederhana dengan regresi linier berganda tidak jauh berbeda. Namun, dapat dilihat bahwa uji asumsi pada regresi linier sederhana dan berganda memiliki perbedaan pada uji multikolinearitas saja, di mana syarat uji tersebut hanya ada dan dapat digunakan pada uji asumsi pada regresi linier berganda saja.

Tutorial Cara Uji Asumsi Klasik Dengan SPSS

Berikut ini merupakan tutorial uji asumsi klasik dengan SPSS