Uji Linearitas (Test for Linearity)

Seorang manajer yakin: makin tinggi motivasi karyawan, makin tinggi kinerjanya. Ia mengukur keduanya, lalu menarik satu garis lurus untuk meringkas hubungannya. Selama beberapa karyawan, garis itu pas. Tetapi pada karyawan yang motivasinya sudah sangat tinggi, kinerjanya tidak naik lagi — sudah mentok di batas atas. Garis lurus memaksa kenaikan yang sebenarnya tidak ada, lalu memberi kesimpulan yang keliru di ujung itu.

Inilah persoalan yang dijaga oleh uji linearitas. Regresi linear punya satu kata kunci di namanya: linear. Ia menganggap hubungan antara variabel bebas dan variabel terikat berbentuk garis lurus. Kalau hubungan sebenarnya melengkung — naik lalu mendatar, atau berbentuk U — garis lurus memberi gambaran yang menyesatkan. Uji linearitas memeriksa apakah asumsi garis lurus itu masuk akal sebelum Anda mempercayai hasil regresi.

Apa Arti Asumsi Linearitas

Asumsi linearitas menyatakan: hubungan antara variabel bebas (X) dan variabel terikat (Y) berbentuk garis lurus. Maknanya sederhana — setiap kenaikan satu unit X menambah Y dengan jumlah yang relatif tetap, berapa pun nilai X-nya. Naik dari X = 2 ke X = 3 menambah Y sebanyak (katakanlah) 10; naik dari X = 5 ke X = 6 juga menambah Y sekitar 10. Tambahan yang sama di mana pun — itulah ciri garis lurus.

Sebaliknya, hubungan tidak linear berarti tambahannya berubah-ubah. Pada efek jenuh (saturation), tambahan Y mengecil saat X makin besar: kenaikan dari 2 ke 3 menambah banyak, tetapi dari 5 ke 6 nyaris tidak menambah apa-apa. Garis lurus tidak bisa menangkap pola seperti ini.

Inilah inti seluruh materi ini, dalam satu gambar — garis lurus yang dipasang menembus awan titik data:

Garis pada gambar ditulis $\hat{y} = b_0 + b_1 x$, dengan:

• $\hat{y}$ (dibaca “y-topi”) = nilai Y yang diprediksi garis untuk sebuah X tertentu. Misalnya kalau garisnya $\hat{y} = 2{,}14 + 0{,}79\,x$, maka untuk $x = 4$ prediksinya $\hat{y} = 2{,}14 + 0{,}79 \times 4 = 5{,}29$.
• $b_0$ = titik potong garis dengan sumbu tegak (nilai $\hat{y}$ saat $x = 0$).
• $b_1$ = kemiringan garis: berapa banyak $\hat{y}$ bertambah setiap X naik satu unit. Justru kemiringan yang tetap inilah yang disebut “linear”.
• $x$ = nilai variabel bebas tiap data.

Selisih antara nilai sebenarnya dan prediksi garis disebut residual (sisaan), ditulis polos:

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

Contoh: kalau sebuah karyawan benar-benar berkinerja $y = 6$ tetapi garis memprediksi $\hat{y} = 5{,}29$, residualnya $e = 6 - 5{,}29 = 0{,}71$ (titiknya 0,71 di atas garis). Kalau residual-residual ini tidak punya pola melengkung — kadang di atas garis, kadang di bawah, acak — hubungan boleh dianggap linear. Kalau residual berpola sistematis (mis. semua negatif di tengah lalu positif di ujung), itu tanda hubungan melengkung.

Cara 1: Scatterplot

Cara tercepat dan paling intuitif: plot X terhadap Y, lalu amati polanya.

Scatterplot bagus untuk gambaran awal, tetapi penilaian visual bersifat subjektif — dua orang bisa berbeda pendapat soal “apakah ini cukup lurus”. Karena itu, lengkapi dengan uji formal di bawah ini.

Cara 2: Test for Linearity di SPSS

Di SPSS, uji ini ada di menu Analyze → Compare Means → Means, lalu centang opsi Test for linearity. SPSS lalu memecah total variasi Y menjadi beberapa bagian dan menyajikannya dalam tabel ANOVA. Yang perlu Anda pahami: SPSS membelah “variasi yang berhubungan dengan X” menjadi dua potong —

1. Linearity — bagian variasi Y yang bisa dijelaskan oleh garis lurus.
2. Deviation from Linearity — bagian sisa yang melengkung di luar garis lurus.

Baris yang Anda baca untuk memutuskan adalah Deviation from Linearity:

Sama seperti kebanyakan uji asumsi, di sini kita berharap sig. > 0,05 — artinya lengkungannya kecil dan tidak berarti, sehingga garis lurus sudah memadai.

Sebagian peneliti juga melihat baris Linearity. Di baris itu justru kebalikannya: diharapkan sig. < 0,05, yang menandakan memang ada komponen lurus yang kuat. Jadi pola ideal lengkapnya: Linearity signifikan (< 0,05) DAN Deviation from Linearity tidak signifikan (> 0,05) — ada hubungan lurus yang jelas, dan tidak ada lengkungan yang berarti.

Logika di Baliknya

Bayangkan seluruh variasi nilai Y dipisah menjadi tiga kantong:

$$\underbrace{\text{variasi linear}}_{\text{Linearity}} \;+\; \underbrace{\text{variasi melengkung}}_{\text{Deviation from Linearity}} \;+\; \underbrace{\text{variasi acak}}_{\text{Within Groups}}$$

Uji ini menanyakan: dari bagian yang melengkung (Deviation), apakah ia cukup besar dibanding sekadar keacakan (Within) untuk dianggap nyata? Itulah yang diukur oleh statistik F dan signifikansinya. Kalau kantong “melengkung” kecil dan tak terbedakan dari keacakan, garis lurus sudah cukup menangkap hubungan, dan regresi linear layak dipakai. Kalau kantong “melengkung” besar dan signifikan, garis lurus melewatkan pola penting.

Contoh Hitung dari Nol

Mari kita lihat satu kasus utuh agar tabel SPSS tidak lagi misterius. Seorang mahasiswa mengukur motivasi (X, dikelompokkan dalam lima tingkat: 2–6) dan kinerja (Y) dari 15 karyawan, tiga karyawan per tingkat motivasi.

Perhatikan kolom kanan: rata-rata kinerja naik cukup rata setiap tingkat motivasi (43 → 55 → 62,7 → 72,3 → 82,3), tambahan per langkah berkisar 10–12. Itu sudah memberi firasat hubungannya lurus. Sekarang kita ujikan secara formal.

Langkah 1 — rata-rata keseluruhan. Jumlahkan semua 15 nilai Y lalu bagi 15:

$$\bar{y} = \frac{40+45+44+\dots+82+85}{15} = \frac{946}{15} = 63{,}07$$

Langkah 2 — variasi total. Jumlahkan kuadrat selisih tiap Y dari rata-rata keseluruhan, $\sum (y - \bar{y})^2 = 2.844{,}93$. Inilah “Total” yang akan dipecah-pecah.

Langkah 3 — pisahkan jadi tiga kantong. Dengan menghitung tiap kantong (rinciannya di berkas Excel pendamping), SPSS menghasilkan tabel berikut:

Cara membaca df (derajat kebebasan): “Between Groups” punya $k - 1 = 5 - 1 = 4$ (ada $k = 5$ tingkat motivasi). Dari empat itu, satu derajat dipakai garis lurus (Linearity, df = 1), sisa tiga untuk lengkungan (Deviation, df $= k - 2 = 3$). “Within Groups” punya $n - k = 15 - 5 = 10$.

Angka kunci ada di kolom F dan Sig. Statistiknya membandingkan rata-rata kuadrat tiap kantong dengan rata-rata kuadrat keacakan:

$$F_{\text{deviation}} = \frac{MS_{\text{Deviation}}}{MS_{\text{Within}}} = \frac{3{,}38}{7{,}00} = 0{,}48 \quad\Rightarrow\quad \text{Sig.} = 0{,}702$$

Di sini $MS_{\text{Deviation}}$ adalah variasi melengkung per derajat kebebasan, dan $MS_{\text{Within}}$ adalah variasi acak per derajat kebebasan. Karena $F$-nya kecil (lengkungan bahkan lebih kecil daripada keacakan), nilai signifikansinya besar.

Interpretasi

Baca dua baris bertanda tebal:

• Deviation from Linearity: Sig. = 0,702. Jauh di atas 0,05 → penyimpangan dari garis lurus tidak signifikan. Lengkungan yang ada hanyalah riak acak, bukan pola nyata. Asumsi linearitas terpenuhi.
• Linearity: Sig. = 0,000. Di bawah 0,05 → ada komponen lurus yang sangat kuat (wajar, karena rata-rata kelompok naik hampir merata).

Kesimpulan: hubungan motivasi–kinerja pada data ini linear, dan aman dilanjutkan dengan regresi linear.

Sebagai pembanding, andai datanya berbentuk efek jenuh — kinerja naik tajam lalu mendatar di motivasi tinggi — kantong “Deviation from Linearity” akan membengkak. Pada data semacam itu, perhitungan menghasilkan Sig. Deviation from Linearity = 0,000 (di bawah 0,05): garis lurus tertolak, dan Anda harus beralih ke bentuk melengkung. Aturannya selalu sama — lihat Deviation dulu, dan harapkan angkanya besar.

Visualisasi Interaktif

Geser tingkat kelengkungan hubungan dan lihat sendiri kapan garis lurus mulai gagal — sekaligus bagaimana indikator penyimpangan membesar.

Eksperimen:

1. Geser tingkat kelengkungan, perhatikan titik mulai menjauh dari garis lurus.
2. Amati garis lurus makin tidak pas saat hubungan makin melengkung.
3. Lihat indikator penyimpangan membesar seiring kelengkungan naik — inilah analogi visual dari membesarnya “Deviation from Linearity”.

Kalau Tidak Linear

Kalau Sig. Deviation from Linearity ≤ 0,05, jangan paksakan garis lurus. Pilihannya:

1. Transformasi variabel — ubah X atau Y dengan log, akar, atau kuadrat untuk “meluruskan” hubungan.
2. Tambahkan suku kuadrat ($X^2$) ke model (regresi polinomial), agar model boleh melengkung.
3. Pakai model non-linear yang memang dirancang untuk pola tertentu.

Detail transformasi dan bentuk fungsional ada di Functional Forms.

Cek Pemahaman

1. Output SPSS Anda menunjukkan: baris Linearity Sig. = 0,000 dan baris Deviation from Linearity Sig. = 0,213. Apakah asumsi linearitas terpenuhi?

Lihat jawaban

Ya, terpenuhi. Yang menentukan adalah Deviation from Linearity: Sig. = 0,213 > 0,05, jadi penyimpangan dari garis lurus tidak signifikan — hubungannya boleh dianggap linear. Bonus: Linearity Sig. = 0,000 < 0,05 menegaskan ada komponen lurus yang kuat. Ini justru pola ideal: Linearity signifikan dan Deviation tidak signifikan.

2. Seorang peneliti senang melihat baris Linearity Sig. = 0,000 dan langsung menyimpulkan “hubungan saya linear, lolos uji”. Di mana letak kesalahannya?

Lihat jawaban

Ia membaca baris yang salah. Sig. Linearity = 0,000 hanya berarti ada komponen lurus yang kuat — tetapi itu tidak menutup kemungkinan masih ada lengkungan besar di atasnya. Yang menentukan lolos-tidaknya asumsi adalah baris Deviation from Linearity: kalau Sig.-nya ≤ 0,05, hubungan tetap dinyatakan tidak linear meskipun Linearity-nya signifikan. Keputusan selalu dari baris Deviation, bukan Linearity.

3. (Transfer) Anda menguji hubungan dosis pupuk (X) terhadap hasil panen (Y). Secara teori, menambah pupuk terus-menerus tidak selamanya menaikkan panen — pada dosis tinggi panen malah mentok atau turun (hukum hasil menurun). Sebelum melihat output, Sig. Deviation from Linearity kira-kira besar atau kecil, dan apa konsekuensinya untuk model Anda?

Lihat jawaban

Kemungkinan besar kecil (≤ 0,05), karena hubungan dosis–panen secara teori melengkung (naik lalu mendatar/turun), bukan garis lurus. Konsekuensinya: regresi linear biasa tidak cocok. Anda perlu memodelkan lengkungannya — misalnya menambahkan suku kuadrat dosis ($X^2$) agar model menangkap titik puncak panen, atau transformasi yang sesuai. Memaksakan garis lurus akan menyembunyikan dosis optimum yang justru paling penting untuk disimpulkan.

Kesalahan Umum

Salah baris yang dibaca. Keputusan diambil dari Deviation from Linearity (diharapkan sig. > 0,05), bukan dari baris Linearity. Banyak yang tertukar karena baris Linearity muncul lebih dulu di tabel.

Membalik arah harapan. Karena pada uji t/F biasa “signifikan = bagus”, banyak yang reflek senang melihat sig. kecil di Deviation. Padahal di sini terbalik: sig. besar yang Anda harapkan, karena artinya tidak ada lengkungan yang berarti.

Hanya mengandalkan scatterplot. Penilaian visual subjektif. Lengkapi dengan Test for Linearity agar keputusan punya dasar angka.

Memaksa garis lurus pada hubungan yang jelas melengkung. Kalau teori dan data sama-sama menunjukkan lengkungan (efek jenuh, hukum hasil menurun), transformasi atau tambahkan suku kuadrat — jangan diabaikan.

Lupa menguji tiap pasangan X–Y. Pada regresi berganda, linearitas diperiksa untuk hubungan tiap variabel bebas dengan variabel terikat, bukan sekali untuk seluruh model.

Dipakai di Dunia Nyata

Sebelum regresi linear di skripsi. Sebagian penguji memasukkan uji linearitas ke daftar uji asumsi klasik, terutama untuk regresi sederhana atau analisis jalur (path). Menyertakannya menunjukkan ketelitian metodologis.

Analisis hubungan dosis–respons. Di farmasi, pertanian, dan kedokteran, memastikan hubungan benar-benar lurus sebelum menyimpulkan “tambah dosis = tambah efek” — banyak hubungan dosis–respons justru melengkung.

Pemodelan ekonomi. Hubungan seperti pendapatan–konsumsi atau pengalaman–upah sering melengkung. Uji linearitas memberi sinyal kapan model harus diberi bentuk fungsional yang lebih kaya.

Validasi model prediksi. Mengecek apakah model lurus sudah cukup atau perlu bentuk melengkung sebelum model dipakai untuk meramal.

Lanjutan

• Ringkasan Uji Asumsi Klasik — peta lima uji asumsi dan urutan pengerjaannya.
• Regresi Linear Sederhana — model yang asumsinya sedang kita jaga di sini.
• Functional Forms (transformasi, polinomial) — apa yang dilakukan saat hubungan ternyata tidak linear.

Fondasi:

• Uji Autokorelasi (Durbin-Watson)
• Regresi Linear Sederhana (teori)

Reference

• Ghozali, I. (2018), “Aplikasi Analisis Multivariate dengan Program SPSS”
• Sugiyono (2019), “Metode Penelitian Kuantitatif”