Kenali Uji Asumsi Klasik Pada Metode Statistik Regresi

Ilmu yang mempelajari statistik adalah ilmu yang berkaitan dengan pengambilan keputusan peneliti atas asumsi yang harus dipenuhi dan penyimpangan yang harus dihindari dalam melakukan interpretasi suatu data. Seperti yang kita ketahui bahwa uji asumsi klasik pada statistik erat kaitannya dengan penelitian kuantitatif.

Bagi penelitian kuantitatif, metode statistik dengan menggunakan uji asumsi klasik merupakan suatu kewajiban. Karena jika tidak melampaui metode statistik yang satu ini maka model regresi yang telah diujikan tidak memenuhi syarat. Banyak yang disepelekan dari hasil uji asumsi klasik ini. Terkadang kekhawatiran yang dirasakan oleh peneliti pemula dalam memilih metode statistik adalah tidak terpenuhinya syarat dalam metode statistik sesuai dengan peruntukannya. 

Misalnya pada uji asumsi klasik ada tiga uji kelayakan yang harus dilalui. Sebut saja uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi. Seumpama dari ketiga metode statistik ini, ternyata salah satunya tidak memenuhi persyaratan maka hasilnya akan meragukan. Dalam penelitian atau menyusun sebuah skripsi maka melakukan uji asumsi klasik merupakan langkah awal untuk penelitian kuantitatif. Jika muncul ketidakcocokan dengan uji asumsi klasik yang sudah dibuat maka nantinya peneliti sendiri yang akan kerepotan. 

Banyak hal yang dilakukan ketika tahu bahwa tidak lolos uji asumsi klasik mulai dari melakukan transformasi data, seleksi variabel hingga mencoba untuk menggunakan uji lain sehingga terdapat adanya kecocokan. Tidak jarang banyak mahasiswa terkadang melakukan manipulasi data sampai benar-benar menemukan adanya kecocokan dari metode statistik yang kalian gunakan. Dalam praktiknya, terdapat tiga jenis uji asumsi klasik yang sering dilakukan sebagai syarat sebelum melakukan uji hipotesis. 

Lalu, kira-kira apa saja sih penjabaran dari masing-masing uji asumsi klasik berikut. Yuk mari kita jawab rasa penasaran kamu lewat artikel berikut ini ya! Pada artikel DQLab kali ini, kita akan membahas mengenai masing-masing uji asumsi klasik berikut ini. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, pemula data maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys! 

1. Uji Multikolinearitas

Uji asumsi klasik yang pertama adalah uji multikolinearitas. Uji ini bertujuan untuk mengetahui apakah model regresi yang dibuat memiliki hubungan antara variabel independen atau variabel bebas dengan variabel dependen alias variabel terikat.

Jika keduanya memiliki keterkaitan maka bisa dipastikan model regresi yang telah dibuat terindikasi adanya multikolinearitas. Sebelum dilakukan pengujian, kita bisa menandai atau menengarai adanya multikolinearitas dilihat dari variabel apa yang ingin kita ujikan. 

Misalnya ada variabel persentase tenaga kerja dengan jumlah tenaga kerja. Jika dilihat secara logika maka kedua variabel ini mirip. Apabila diujikan maka akan menghasilkan indikasi multikolinearitas karena sama-sama mengandung variabel tenaga kerja. Walaupun memang terdapat perbedaan satuan, variabel tenaga kerja menggunakan satuan HOK atau hari orang kerja.

Sedangkan variabel persentase tenaga kerja menggunakan satuan persentase. Untuk menemukan terdapat atau tidaknya multikolinearitas pada model regresi dapat diketahui dari nilai toleransi dan nilai variance inflation factor (VIF). Nilai VIF yang digunakan berkisar diatas 10. 

Baca juga : Pengolahan Data Statistik Parametrik dan Non-Parametrik

2. Uji Heteroskedastisitas

Uji asumsi klasik yang kedua dan yang paling sering digunakan adalah uji heteroskedastisitas. Uji heteroskedastisitas digunakan apabila model regresi memiliki ketidakcocokan antara satu pengamatan dengan pengamatan lainnya.

Dalam uji ini dikenal dengan dua keputusan. Jika hasil antara prediksi dengan residual membentuk suatu pola maka model regresi yang kita buat memiliki indikasi heteroskedastisitas. Apabila hasil antara prediksi dengan residual memiliki nilai yang cenderung konstan baik prediksi maupun residualnya maka dapat dikatakan homoskedastisitas. 

Salah satu cara yang bisa dilakukan untuk mengetahui ada tidaknya indikasi heteroskedastisitas dalam pengujian kita maka kita bisa menggunakan diagram scatterplot. Tujuan utama dari melihat grafik scatterplot adalah untuk melihat sebaran dari data-data pengamatannya.

Ada dua komponen yang perlu diperhatikan yaitu nilai prediksi dari variabel terikat dengan simbol SRESID dan residual error yang disebut dengan ZPRED. Apabila tidak terdapat pola tertentu dan tidak menyebar diatas maupun dibawah angka nol pada sumbu y, maka dapat disimpulkan tidak terjadi heteroskedastisitas. Jika model regresi yang kalian buat ingin lolos dari uji asumsi klasik maka sebisa mungkin tidak terdapat adanya heteroskedastisitas.

3. Uji Autokorelasi

Uji yang ketiga adalah uji autokorelasi. Uji asumsi klasik yang satu ini muncul karena adanya observasi yang berurutan dalam hal waktu. Berkaitan dengan waktu yang bersamaan antara waktu yang satu dengan waktu yang lain. Untuk model regresi yang baik adalah bebas dari syarat autokorelasi alias tidak terindikasi adanya gejala autokorelasi.

Adapun cara mendeteksi ada atau tidaknya autokorelasi dapat dilakukan dengan cara uji Run Test. Run test merupakan bagian dari statistik non-parametrik yang dapat digunakan untuk melakukan pengujian, apakah antar residual terjadi korelasi yang tinggi. 

Apabila antar residual tidak terdapat hubungan korelasi, dapat dikatakan bahwa residual adalah random atau acak. Setelah dilakukan pengujian menggunakan autokorelasi maka terdapat dua dugaan yang dijadikan sebagai dasar dalam pengambilan keputusan.

Apabila nilai Asymp. Sig. (2-tailed) kurang dari 5% atau 0,05, maka untuk H0 ditolak dan Ha diterima. Hal tersebut berarti data residual terjadi secara tidak acak (sistematis). Apabila nilai Asymp. Sig. (2-tailed) lebih dari 5% atau 0,05, maka untuk H0 diterima dan Ha ditolak. Hal tersebut berarti data residual terjadi secara acak (random).

4. Uji Normalitas

Selain dari ketiga uji asumsi klasik ini, ada dua uji pendukung dalam metode regresi. Uji pendukung yang pertama adalah uji normalitas. Uji normalitas merupakan uji yang dilakukan untuk menilai sebaran data pada sebuah kelompok data atau variabel. Dari uji normalitas ini nantinya akan dikenali sebaran data yang dihasilkan apakah data yang kita ujikan itu berdistribusi normal atau tidak. 

Uji normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit. Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal. Biasa dikatakan sebagai sampel besar.

5. Uji Linearitas

Uji pendukung yang terakhir selain dari ketiga uji asumsi klasik adalah uji linearitas. Uji Linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau tidak secara signifikan. 

Pengujian ini melihat bagaimana variabel (X) mempengaruhi variable (Y), baik itu pengaruh berbanding lurus maupun berbanding terbalik. Uji ini biasanya digunakan sebagai prasyarat dalam analisis korelasi atau regresi linear. 

Baca juga : Yuk Pelajari Macam-Macam Metode Analisis Statistika

6. Jadi Analis Data dan Jago Statistik Yuk Bersama DQLab!

Menjadi seorang analis data pastinya dibutuhkan skill tentang data analysis yang kuat. Apalagi ilmu yang mempelajari statistik utamanya data-data untuk keperluan bisnis sangatlah dibutuhkan bagi analis data untuk melakukan pengambilan keputusan suatu data. Kalian bisa asah kemampuan statistik kamu lewat DQLab guys. Tidak hanya yang berlatar belakang IT, orang yang non IT pun bisa menjadi praktisi data yang handal. 

Kemudahan dalam mengakses informasi saat ini dapat kita manfaatkan sebagai sumber belajar mengenai data baik dalam bentuk tulisan maupun video. Selain itu belajar data juga bisa dengan mengikuti kursus data science. 

Yuk, signup sekarang di DQLab.id dan nikmati belajar data science secara praktis & aplikatif!

Penulis: Reyvan Maulid

Tags