Uji Asumsi Klasik: Panduan Lengkap untuk Skripsi Kuantitatif

Sebelum data bisa diuji dengan regresi linear, ada satu tahap yang wajib dilewati: uji asumsi klasik. Tahap ini sering dianggap sepele, padahal justru sering jadi bahan pertanyaan penguji saat sidang. Berikut empat uji asumsi klasik yang paling umum disyaratkan dalam skripsi kuantitatif.

1. Uji Normalitas

Uji ini memastikan data residual berdistribusi normal — syarat dasar sebelum regresi bisa dianggap valid. Metode yang umum dipakai adalah Kolmogorov-Smirnov atau melihat grafik P-P Plot.

Cara baca: Jika nilai signifikansi Kolmogorov-Smirnov > 0,05, data dinyatakan berdistribusi normal. Pada P-P Plot, data dikatakan normal jika titik-titik menyebar mengikuti garis diagonal.

2. Uji Multikolinearitas

Uji ini mengecek apakah antar variabel independen terjadi korelasi yang terlalu kuat (yang bisa membiaskan hasil regresi). Dilihat dari nilai Tolerance dan VIF (Variance Inflation Factor) pada tabel Coefficients.

Cara baca: Data bebas dari multikolinearitas jika nilai Tolerance > 0,10 dan VIF < 10.

3. Uji Heteroskedastisitas

Uji ini memastikan varian residual bersifat konstan (homoskedastisitas), tidak membentuk pola tertentu. Bisa diuji lewat grafik Scatterplot atau uji statistik seperti Glejser.

Cara baca: Pada Scatterplot, data dinyatakan bebas heteroskedastisitas jika titik-titik menyebar acak di atas dan bawah angka 0 pada sumbu Y, tanpa membentuk pola tertentu (seperti corong). Pada uji Glejser, nilai signifikansi tiap variabel harus > 0,05.

4. Uji Autokorelasi

Uji ini khusus relevan untuk data time series atau data yang berurutan waktu, memastikan tidak ada korelasi antar residual pada periode berbeda. Umumnya diuji dengan Durbin-Watson (DW).

Cara baca: Nilai DW dibandingkan dengan nilai dL dan dU pada tabel Durbin-Watson sesuai jumlah sampel dan variabel. Secara umum, nilai DW mendekati angka 2 mengindikasikan tidak ada autokorelasi.

Bagaimana Jika Data Tidak Lolos Uji Asumsi Klasik?

• Tidak normal: coba transformasi data (misalnya logaritma), tambah jumlah sampel, atau gunakan uji non-parametrik sebagai alternatif.
• Multikolinearitas tinggi: pertimbangkan menggabungkan/menghapus salah satu variabel independen yang saling berkorelasi kuat.
• Heteroskedastisitas: transformasi data atau gunakan metode regresi robust.
• Autokorelasi: pertimbangkan metode Cochrane-Orcutt atau First Difference untuk data time series.

Ingin Dipandu Langsung Prosesnya?

Uji asumsi klasik yang tidak lolos bisa jadi rumit untuk pemula. Tim Validika membantu proses ini secara menyeluruh lewat layanan Olah Data IBM SPSS, termasuk solusi kalau data Anda awalnya tidak lolos salah satu uji.