Ringkasan dan Urutan Uji Asumsi Klasik

Anda baru selesai mengolah data skripsi di SPSS. Lima uji sudah dijalankan — normalitas, multikolinearitas, heteroskedastisitas, autokorelasi, linearitas — dan output menumpuk di layar. Lalu muncul kebingungan yang sama yang dialami hampir semua mahasiswa: yang mana dulu? Apakah semua wajib? Kenapa untuk satu uji angka 0,200 dianggap bagus, tapi untuk uji lain angka 0,200 justru jelek?

Bab metodologi yang rapi butuh peta utuh, bukan tumpukan uji yang berdiri sendiri-sendiri. Artikel ini merangkum kelima asumsi klasik menjadi satu panduan: apa yang diperiksa, dari mana asumsi itu berasal, urutan mengerjakannya, cara membaca keputusan, dan mana yang benar-benar relevan untuk jenis data Anda.

Satu Kata Kunci: Residual

Sebelum apa pun, kuasai satu hal: residual. Hampir semua uji asumsi klasik sebenarnya tidak menguji data mentah Anda — mereka menguji residual.

Residual adalah selisih antara nilai yang benar-benar terjadi dan nilai yang diprediksi model:

$$e = y - \hat{y} = (\text{nilai aktual} - \text{nilai prediksi})$$

Penjelasan tiap lambang:

• $y$ = nilai aktual variabel terikat (data sungguhan, mis. harga rumah yang tercatat).
• $\hat{y}$ (dibaca “y-topi”) = nilai prediksi dari garis regresi untuk pengamatan itu.
• $e$ = residual, yaitu jarak antara keduanya.

Contoh polos. Model memprediksi harga sebuah rumah Rp 480 juta, padahal harga aktualnya Rp 520 juta. Maka residualnya $e = 520 - 480 = 40$ (juta) — model meleset 40 juta ke bawah. Residual positif berarti aktual di atas garis; residual negatif berarti aktual di bawah garis. Secara geometris, residual adalah jarak tegak dari titik data ke garis regresi:

Kenapa ini penting? Karena tiga dari lima uji (normalitas, heteroskedastisitas, autokorelasi) sebetulnya bertanya tentang perilaku $e$, bukan tentang $x$ atau $y$. Salah satu kesalahan paling sering: menguji asumsi pada variabel mentah, padahal yang dimaksud adalah residual.

Kenapa Harus Diuji: Akarnya pada BLUE

Regresi linear dengan metode kuadrat terkecil (OLS) memberi estimasi yang disebut BLUE — Best Linear Unbiased Estimator, penaksir linear takbias terbaik — hanya kalau beberapa syarat terpenuhi. Lima uji asumsi klasik adalah cara praktis memeriksa syarat-syarat itu di SPSS.

Maknanya sederhana: kalau asumsi dilanggar, koefisien yang Anda baca, uji t, dan uji F bisa menyesatkan tanpa Anda sadari. Misalnya, kalau ada heteroskedastisitas, koefisiennya masih boleh dipakai tetapi nilai signifikansinya (uji t) jadi tidak bisa dipercaya — variabel bisa “kelihatan signifikan” padahal sebetulnya tidak. Uji asumsi klasik adalah pemeriksaan kelayakan sebelum Anda menafsirkan hasil regresi.

Teori lengkap di balik kelima syarat ini ada di Asumsi Klasik Gauss-Markov (BLUE). Di sini fokusnya praktik: apa, kapan, dan bagaimana membacanya.

Lima Asumsi, Satu Tabel

Perhatikan satu pola yang sering membalik logika mahasiswa: untuk normalitas, homoskedastisitas (Glejser), autokorelasi (Run Test), dan linearitas, kita justru berharap sig. > 0,05. Ini kebalikan dari uji hipotesis biasa, dan kita bahas alasannya di bawah.

Membaca Arah Signifikansi: Kenapa > 0,05 Itu Bagus

Di uji hipotesis biasa (mis. uji t koefisien), sig. < 0,05 berarti “ada efek” — kabar baik. Tapi di kebanyakan uji asumsi, logikanya terbalik. Kuncinya pada bunyi hipotesis nol ($H_0$) tiap uji.

Pada uji Kolmogorov-Smirnov, misalnya, $H_0$ berbunyi “residual berdistribusi normal”. Asumsi yang kita inginkan justru ada di $H_0$. Maka:

• Sig. > 0,05 → gagal menolak $H_0$ → “residual normal” tidak terbantah → asumsi terpenuhi (BAIK).
• Sig. < 0,05 → tolak $H_0$ → ada bukti residual tidak normal → asumsi dilanggar.

Pola yang sama berlaku untuk Glejser ($H_0$: ragam residual seragam), Run Test ($H_0$: residual acak), dan Test for Linearity ($H_0$: hubungan linear). Untuk semuanya, angka sig. yang besar adalah kabar baik. Hanya multikolinearitas dan Durbin-Watson yang tidak memakai angka “sig.” — keduanya dibaca lewat ambang (VIF dan rentang DW), bukan nilai-p.

Tiga Uji yang Bekerja pada Residual

Tiga uji ini saling melengkapi karena memeriksa sisi yang berbeda dari residual $e$.

Normalitas: bentuk sebaran residual

Asumsi ini menghendaki residual menyebar mengikuti kurva lonceng (distribusi normal): kebanyakan residual kecil dan terkumpul di sekitar nol, makin jarang saat makin jauh. Inilah bentuk ideal yang diuji Kolmogorov-Smirnov:

Di SPSS, uji ini dijalankan atas residual tersimpan (Save → Unstandardized Residuals), lalu Analyze → Nonparametric → 1-Sample K-S. Aturan: sig. K-S > 0,05 berarti normalitas terpenuhi.

Homoskedastisitas: keseragaman ragam residual

“Homoskedastisitas” berarti ragam (sebaran) residual konstan untuk semua tingkat nilai prediksi. Lawannya, heteroskedastisitas, terjadi saat sebaran residual berubah — biasa membesar mengikuti $x$, membentuk corong:

Di SPSS, uji Glejser meregresikan nilai mutlak residual terhadap variabel bebas; kalau sig. Glejser > 0,05 untuk setiap variabel bebas, ragam dianggap seragam. Cara cepat lainnya: scatterplot ZPRED vs ZRESID — titik yang menyebar acak tanpa pola menandakan homoskedastisitas.

Autokorelasi: kebebasan residual antarurutan

Asumsi ini menghendaki residual satu pengamatan tidak berkaitan dengan residual pengamatan berikutnya. Pelanggaran (autokorelasi) sering muncul pada data deret waktu: kesalahan bulan ini cenderung mirip kesalahan bulan lalu.

Alat bakunya adalah statistik Durbin-Watson (DW), yang nilainya berkisar 0 sampai 4. Hubungannya dengan korelasi antar-residual ($\rho$, dibaca “rho”) kira-kira:

$$DW \approx 2\,(1 - \rho)$$

Penjelasan: $\rho$ adalah korelasi residual berurutan, berkisar $-1$ sampai $+1$. Maka:

• $\rho = 0$ (tidak ada korelasi) → $DW \approx 2$ → ideal.
• $\rho \to +1$ (autokorelasi positif) → $DW \to 0$.
• $\rho \to -1$ (autokorelasi negatif) → $DW \to 4$.

Aturan formalnya memakai tabel batas Durbin-Watson: residual dianggap bebas bila $dU < DW < 4 - dU$, dengan $dU$ batas atas dari tabel (bergantung $n$ dan jumlah variabel bebas). Sebagai pegangan kasar, DW yang mendekati 2 adalah kabar baik. Alternatif nonparametriknya adalah Run Test (sig. > 0,05 berarti residual acak).

Dua Uji pada Variabel, Bukan Residual

Dua asumsi sisanya berbeda — keduanya menilai hubungan antarvariabel, bukan residual.

Nonmultikolinearitas: variabel bebas tidak saling tumpang-tindih

Pada regresi berganda, variabel-variabel bebas idealnya membawa informasi yang berbeda. Kalau dua variabel bebas sangat berkorelasi (mis. “pendapatan” dan “pengeluaran”), model sulit memisahkan kontribusi masing-masing — koefisien jadi tidak stabil. Inilah multikolinearitas.

Ukurannya adalah VIF (Variance Inflation Factor, faktor inflasi ragam). Untuk tiap variabel bebas, jalankan regresi variabel itu terhadap variabel bebas lainnya, ambil $R^2$-nya, lalu:

$$\text{VIF} = \frac{1}{1 - R^2}$$

Penjelasan tiap lambang:

• $R^2$ = seberapa besar variabel bebas itu bisa “dijelaskan” oleh variabel bebas yang lain (0 sampai 1). Makin tinggi, makin tumpang-tindih.
• VIF = pengali yang menunjukkan seberapa “menggelembung” ragam koefisien akibat tumpang-tindih itu.
• Tolerance = $1 - R^2$ = kebalikan VIF ($\text{Tolerance} = 1/\text{VIF}$).

Contoh hitung dari nol. Misalkan satu variabel bebas berkorelasi $r = 0{,}7$ dengan kombinasi variabel bebas lainnya, sehingga $R^2 = 0{,}7^2 = 0{,}49$. Maka:

$$\text{VIF} = \frac{1}{1 - 0{,}49} = \frac{1}{0{,}51} \approx 1{,}96 \qquad \text{Tolerance} = 0{,}51$$

VIF 1,96 jauh di bawah 10 — aman. Sekarang bandingkan dengan korelasi yang sangat tinggi, $r = 0{,}95$ ($R^2 = 0{,}9025$):

$$\text{VIF} = \frac{1}{1 - 0{,}9025} = \frac{1}{0{,}0975} \approx 10{,}26$$

VIF melewati 10 — sinyal multikolinearitas serius. Aturan baku: VIF < 10 dan Tolerance > 0,10 berarti aman. (Sebagian penguji memakai ambang lebih ketat, VIF < 5.) SPSS menampilkan VIF dan Tolerance langsung di tabel Coefficients bila opsi Collinearity diagnostics diaktifkan.

Linearitas: hubungan benar-benar lurus

Regresi linear mengasumsikan hubungan tiap variabel bebas dengan variabel terikat berbentuk garis lurus, bukan lengkung. Kalau hubungan sebenarnya melengkung (mis. berbentuk U), model linear akan keliru sistematis. Di SPSS, uji Test for Linearity (Analyze → Compare Means → Means, centang Test for linearity) memberi baris Deviation from Linearity; aturan: sig. Deviation > 0,05 berarti hubungan boleh dianggap linear.

Urutan Pengerjaan yang Disarankan

Tidak ada aturan kaku, tapi urutan praktis yang umum dan logis:

1. Bersihkan data dulu. Cek pencilan dan data hilang. Satu pencilan ekstrem bisa merusak hampir semua uji sekaligus.
2. Normalitas residual. Kalau gagal, pertimbangkan transformasi (log/akar), tambah sampel, atau periksa pencilan lagi.
3. Nonmultikolinearitas. Cek VIF antarvariabel bebas — hanya relevan untuk regresi berganda (≥ 2 variabel bebas).
4. Homoskedastisitas. Uji Glejser atau amati scatterplot.
5. Nonautokorelasi. Durbin-Watson, terutama untuk data deret waktu.
6. Linearitas. Test for Linearity (sebagian penguji memasukkannya, sebagian tidak).

Setelah semua lolos, baru jalankan dan tafsirkan regresi utamanya. Kerjakan normalitas lebih dulu karena hasilnya memengaruhi langkah berikut: kalau Anda akhirnya mentransformasi data demi normalitas, uji-uji setelahnya harus dijalankan ulang pada data hasil transformasi.

Mana yang Wajib untuk Jenis Data Anda

Tidak semua uji relevan untuk semua data. Panduannya:

Dua catatan yang sering jadi pertanyaan penguji. Pertama, autokorelasi umumnya tidak relevan untuk data survei lintas-bagian, karena tidak ada urutan waktu antar-responden. Kedua, multikolinearitas tidak berlaku untuk regresi sederhana — kalau hanya ada satu variabel bebas, tidak ada “antarvariabel” yang bisa saling berkorelasi. Sesuaikan uji dengan desain Anda, dan jelaskan alasannya di bab metode.

Kalau Ada Asumsi yang Gagal

Penting: laporkan dengan jujur. Kalau ada asumsi yang sulit dipenuhi, jelaskan langkah yang sudah diambil. Penguji menghargai kejujuran metodologis jauh lebih daripada klaim “semua lolos” yang dipaksakan.

Coba Sendiri: Checklist Asumsi Klasik

Centang hasil tiap uji Anda; widget menyimpulkan apakah model lolos seluruh asumsi dan menandai apa yang masih perlu diperbaiki.

Cek Pemahaman

1. Output uji Kolmogorov-Smirnov menunjukkan Sig. = 0,012. Apakah asumsi normalitas terpenuhi?

Lihat jawaban

Tidak. Untuk K-S, $H_0$ berbunyi “residual normal”, dan kita berharap sig. > 0,05. Karena 0,012 < 0,05, kita menolak $H_0$ — ada bukti residual tidak normal, jadi asumsi normalitas dilanggar. Pertimbangkan transformasi (log/akar) atau periksa pencilan, lalu uji ulang.

2. Sebuah variabel bebas punya Tolerance = 0,08. Berapa VIF-nya, dan apa kesimpulannya?

Lihat jawaban

VIF adalah kebalikan Tolerance: $\text{VIF} = 1/0{,}08 = 12{,}5$. Karena VIF > 10 (dan Tolerance < 0,10), variabel ini menunjukkan multikolinearitas serius — informasinya banyak tumpang-tindih dengan variabel bebas lain. Solusinya: buang atau gabungkan variabel yang redundan.

3. (Transfer) Seorang mahasiswa meneliti pengaruh tiga variabel bebas terhadap harga saham harian selama 250 hari perdagangan. Ia menjalankan normalitas, multikolinearitas, dan heteroskedastisitas, tetapi melewatkan autokorelasi. Apa kemungkinan masalahnya?

Lihat jawaban

Datanya deret waktu (250 hari berurutan), jadi autokorelasi justru uji yang paling penting di sini — harga saham hari ini sangat mungkin berkaitan dengan hari sebelumnya, sehingga residual berurutan bisa saling berkorelasi. Melewatkannya berisiko: galat baku jadi keliru sehingga uji t menyesatkan. Ia harus menjalankan Durbin-Watson (atau Run Test); kalau gagal, gunakan galat baku Newey-West atau tambahkan suku lag.

Kesalahan Umum

Menjalankan semua uji tanpa mempertimbangkan jenis data. Autokorelasi pada data lintas-bagian, atau multikolinearitas pada regresi sederhana, sering tidak perlu. Sesuaikan dengan desain, dan jelaskan alasannya.

Salah arah signifikansi. Untuk normalitas, Glejser, Run Test, dan linearitas, sig. > 0,05 itu BAIK (asumsi terpenuhi). Jangan terbalik dengan logika uji hipotesis biasa.

Menguji asumsi pada variabel, bukan residual. Normalitas, homoskedastisitas, dan autokorelasi menyangkut residual model ($e = y - \hat{y}$), bukan variabel mentah. Simpan dulu residual di SPSS, baru diuji.

Memaksa “semua lolos” dengan membuang data. Menghapus observasi semata agar uji lolos adalah manipulasi. Pakai solusi yang sahih: transformasi, galat baku tahan-uji, atau penyesuaian model.

Tidak menjelaskan urutan dan alasan di bab metode. Tunjukkan uji apa yang dipakai, hasilnya, keputusannya, dan kenapa uji tertentu dilewati — secara sistematis.

Dipakai di Dunia Nyata

• Bab 4 skripsi (sebelum uji hipotesis). Sub-bab “Uji Asumsi Klasik” yang menyatukan seluruh hasil uji dalam satu narasi sebelum koefisien regresi ditafsirkan.
• Validasi model analitik di perusahaan. Sebelum sebuah model regresi dipakai untuk keputusan (mis. memperkirakan permintaan), asumsinya diperiksa agar prediksinya layak dipercaya.
• Telaah metodologi jurnal. Penelaah memeriksa apakah asumsi sudah diuji dengan benar — dan apakah uji yang dipilih sesuai jenis data — sebelum menerima naskah.
• Audit model kredit dan risiko. Lembaga keuangan memvalidasi model skor kredit dengan menguji homoskedastisitas dan autokorelasi residual agar estimasi risikonya tidak bias.

Lanjutan

Lima uji ini punya halaman tersendiri dengan langkah SPSS lengkap:

• Uji Normalitas · Multikolinearitas · Heteroskedastisitas · Autokorelasi · Linearitas

Sesudah asumsi lolos, lanjut menafsirkan hasil:

• Membaca Output Regresi · Regresi Linear Berganda

Fondasi teori di balik kelima syarat ini:

• Asumsi Klasik Gauss-Markov (BLUE)

Reference

• Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25.
• Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.).
• Sugiyono. (2019). Metode Penelitian Kuantitatif, Kualitatif, dan R&D.