Uji Asumsi Klasik Adalah: Normalitas, Multikolinearitas, Heteroskedastisitas & Autokorelasi

Uji Asumsi Klasik Adalah

Sebelum hasil regresi linear di interpretasikan, model harus lolos serangkaian uji asumsi klasik. Melanggar salah satu asumsi ini tidak membuat regresi "salah" secara teknis, tapi bisa membuat estimasi koefisien bias, standard error tidak akurat, sehinggan kesimpulan signifikansi salah.

Artikel ini adalah hub untuk empat uji asumsi klasik yang paling umum diminta pembimbing/reviewer sebelum menjalankan regresi linear sederhana atau regresi linear berganda. Perlu dicatat: tidak semua berlaku untuk regresi linear sederhana (satu variabel independen) — multikolinearitas secara definisi hanya relevan untuk regresi linear berganda (dua atau lebih variabel independen), karena multikolinearitas mengukur korelasi antar variabel independen, tidak bisa diukur jika variabel independennya cuma satu.

Empat Uji Asumsi Klasik

1. Normalitas

Menguji apakah residual (error) model regresi berdistribusi normal — bukan data mentahnya. Kalau gagal, pertimbangkan transformasi data atau uji non-parametrik.

Jenis uji yang bisa digunakan:

• Kolmogorov-Smirnov (K-S) — paling umum dipakai di SPSS, lebih cocok untuk sampel besar (n > 50).
• Shapiro-Wilk — lebih akurat untuk sampel kecil (n ≤ 50); ini yang sebaiknya dipakai kalau responden penelitianmu sedikit.
• Skewness-Kurtosis — dilihat dari rasio nilai skewness/kurtosis terhadap standard error-nya, alternatif kalau kedua uji formal di atas tidak tersedia.

Mau hitung langsung? Pakai Kalkulator Uji Normalitas kami — masukkan datamu, hasil Kolmogorov-Smirnov/Shapiro-Wilk dan interpretasinya keluar otomatis.

2. Multikolinearitas

Menguji apakah variabel-variabel independen saling berkorelasi tinggi satu sama lain — kalau ya, kontribusi masing-masing variabel terhadap Y jadi sulit dipisahkan secara statistik.

Jenis uji yang bisa digunakan:

• VIF (Variance Inflation Factor) & Tolerance — paling umum dipakai, satu angka langsung per variabel independen.
• Matriks korelasi antar variabel independen — cek manual, korelasi di atas 0,8–0,9 antar dua variabel independen jadi indikasi awal masalah sebelum lihat VIF.
• Eigenvalue & Condition Index — lebih jarang diminta, tapi kadang muncul di output SPSS bagian Collinearity Diagnostics untuk kasus multikolinearitas yang lebih kompleks (melibatkan lebih dari dua variabel sekaligus).

Mau hitung langsung? Pakai Kalkulator VIF & Multikolinearitas kami — masukkan data variabel independenmu, nilai VIF dan Tolerance keluar otomatis.

3. Heteroskedastisitas

Menguji apakah varians residual konstan di semua level variabel independen (homoskedastisitas) atau justru membesar/mengecil secara sistematis (heteroskedastisitas) — kalau terjadi, standard error koefisien jadi tidak akurat meski estimasi koefisiennya sendiri tetap tidak bias.

Jenis uji yang bisa digunakan:

• Uji Glejser — meregresikan nilai absolut residual terhadap variabel independen; paling sering dipakai karena mudah diinterpretasi lewat tabel Coefficients biasa.
• Uji Park — mirip Glejser tapi memakai log dari kuadrat residual, kurang populer karena mensyaratkan semua nilai positif.
• Uji White — lebih ketat, mempertimbangkan juga interaksi dan kuadrat antar variabel independen.
• Uji Breusch-Pagan — alternatif umum di software seperti EViews/STATA, cocok untuk data yang lebih kompleks.
• Scatterplot ZPRED vs SRESID — cara visual/cepat, tapi sifatnya subjektif dan sebaiknya dikonfirmasi dengan salah satu uji formal di atas.

4. Autokorelasi

Menguji apakah residual pada satu observasi berkorelasi dengan residual observasi sebelumnya — paling relevan untuk data time series/panel.

Jenis uji yang bisa digunakan:

• Durbin-Watson (DW) — paling umum, tapi hanya mendeteksi autokorelasi lag-1 (antar observasi yang berurutan langsung).
• Breusch-Godfrey (LM Test) — lebih fleksibel, bisa mendeteksi autokorelasi di lebih dari satu lag sekaligus.
• Run Test — alternatif non-parametrik kalau asumsi Durbin-Watson (misalnya harus ada intercept, tidak ada lagged dependent variable) tidak terpenuhi.

Mau hitung langsung? Pakai Kalkulator Uji Autokorelasi (Durbin-Watson) kami — masukkan residualmu, nilai DW dan interpretasinya keluar otomatis.

Tips Memilih Uji yang Menyatakan Lolos Uji Asumsi

Tiap uji asumsi klasik punya beberapa varian metode (lihat daftar di atas) — memilih yang tepat, dan tahu kriteria "lolos"-nya, sering jadi pembeda antara laporan yang mulus dengan yang harus revisi berkali-kali.

Tips praktis lainnya:

• Jangan cuma pilih satu metode karena hasilnya "lolos" — pilih metode berdasarkan karakteristik data (ukuran sampel, jenis data cross-section/time series), baru lihat hasilnya. Memilih metode secara selektif hanya supaya lolos justru berisiko dipertanyakan pembimbing/reviewer yang paham statistik.
• Kalau gagal di satu metode, coba metode alternatif yang memang cocok untuk situasi datamu sebelum menyimpulkan pelanggaran asumsi — misalnya data normalitasmu gagal di Kolmogorov-Smirnov tapi sampelmu kecil, coba Shapiro-Wilk yang memang lebih tepat untuk kasus itu.
• Kalau tetap gagal di metode yang sudah tepat pertimbangkan solusi lainnya: transformasi data (untuk normalitas/heteroskedastisitas), menghapus salah satu variabel yang berkorelasi tinggi (untuk multikolinearitas), atau beralih ke uji non-parametrik.

Urutan Pengujian yang Disarankan

Umumnya: normalitas → multikolinearitas → heteroskedastisitas → autokorelasi (kalau data time series/panel). Uji linearitas dan homogenitas kadang juga dimasukkan ke daftar "asumsi klasik" tergantung konvensi kampus/jurnal, meski secara umum keduanya lebih relevan untuk uji beda (ANOVA/t-test) dibanding regresi linear berganda.

Kesalahan Umum

1. Menjalankan uji multikolinearitas pada regresi linear sederhana — secara definisi tidak relevan karena hanya ada satu variabel independen.
2. Melewati uji normalitas dan langsung menjalankan regresi, padahal kalau residual tidak normal, kesimpulan uji-t dan uji-F pada model bisa tidak valid, terutama untuk sampel kecil.
3. Mengabaikan hasil uji asumsi yang gagal dan tetap melaporkan hasil regresi tanpa penyesuaian (transformasi data, robust standard error, atau beralih ke uji non-parametrik).

Kalau kamu butuh bantuan menjalankan seluruh rangkaian uji asumsi klasik sebelum regresi, Jasa Olah Data SPSS kami siap membantu.