Analisis Data & SPSS 3 menit baca • 305 kali dibaca

Panduan Lengkap Uji Asumsi Klasik untuk Analisis Regresi Linier Berganda

Logo Kuesio
Kuesio
Diterbitkan pada 02 November 2026
Panduan Lengkap Uji Asumsi Klasik untuk Analisis Regresi Linier Berganda

Analisis regresi linier berganda merupakan metode analisis data kuantitatif yang paling umum digunakan dalam skripsi ekonomi, manajemen, dan psikologi. Namun, sebelum Anda menarik kesimpulan dari nilai t-hitung atau F-hitung, model regresi Ordinary Least Squares (OLS) wajib memenuhi Uji Asumsi Klasik agar menghasilkan estimator yang BLUE (Best Linear Unbiased Estimator).

1. Mengapa Uji Asumsi Klasik Wajib Dilakukan?

Model regresi linier mengasumsikan bahwa data observasi dan residual berdistribusi baik serta tidak memiliki korelasi yang merusak keandalan model. Jika asumsi-asumsi dasar ini dilanggar, pengujian hipotesis (Uji t dan Uji F) berisiko bias, menghasilkan kesimpulan palsu (type I or type II errors), serta nilai standar error yang tidak akurat.

"Sebuah model regresi yang memiliki nilai R-Square tinggi tidak ada artinya jika ia melanggar asumsi dasar statistik OLS."

2. Empat Pilar Uji Asumsi Klasik

A. Uji Normalitas Residual

Uji normalitas bertujuan memastikan bahwa nilai residual (bukan variabel mentahnya) berdistribusi normal di sekitar garis regresi. Metode uji yang paling lazim digunakan antara lain:

  • One-Sample Kolmogorov-Smirnov (K-S): Model dinyatakan berdistribusi normal apabila nilai Asymp. Sig. (2-tailed) > 0,05.
  • Normal P-P Plot of Regression Standardized Residual: Titik-titik sebaran data residual harus mengikuti dan mendekati garis diagonal.

B. Uji Multikolinearitas

Uji multikolinearitas bertujuan menguji apakah di dalam model regresi ditemukan korelasi linear yang tinggi antar variabel bebas (independen). Model yang baik seharusnya tidak memiliki hubungan linier sempurna antar variabel independen.

Kriteria penilaian berdasarkan nilai Variance Inflation Factor (VIF) dan Tolerance:

  • Nilai VIF < 10,00 dan nilai Tolerance > 0,10 menandakan bebas dari multikolinearitas.
  • Jika nilai VIF > 10, pertimbangkan untuk menghapus salah satu variabel yang redundan atau menggabungkannya ke dalam indeks komposit.

C. Uji Heteroskedastisitas

Heteroskedastisitas terjadi apabila varians dari residual satu pengamatan ke pengamatan lain tidak sama (tidak konstan). Model regresi yang ideal harus bersifat homoskedastis.

Cara mendeteksi heteroskedastisitas:

  • Diagram Scatterplot (SRESID vs ZPRED): Titik-titik menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y tanpa membentuk pola gelombang atau corong melebar.
  • Uji Glejser: Meregresikan nilai absolut residual (|Abs_RES|) terhadap variabel independen. Jika seluruh variabel independen memiliki nilai Sig. > 0,05, maka model bebas dari masalah heteroskedastisitas.

D. Uji Linearitas

Uji linearitas memastikan hubungan antara setiap variabel independen dengan variabel dependen bersifat linier. Uji ini dievaluasi melalui tabel ANOVA via menu Compare Means → Linearity di software statistik, dengan ketentuan nilai Deviation from Linearity Sig. > 0,05.

3. Solusi Praktis Jika Model Tidak Lolos Uji

  1. Lakukan Skrining Data Outlier: Periksa nilai Z-Score atau Mahalanobis Distance untuk mendeteksi data ekstrem yang merusak kurva normalitas.
  2. Transformasi Data: Transformasikan variabel ke bentuk Logaritma Natural (Ln), Square Root (√), atau Inverse (1/X).
  3. Gunakan Fitur Analisis Otomatis: Manfaatkan tab Analisis Statistik Kuesio untuk melihat uji deskriptif, korelasi, dan regresi dengan pembacaan tabel yang rapi sebelum memasukkannya ke Bab 4.
Bermanfaat untuk rekan peneliti Anda?
Bagikan artikel ini ke media sosial atau grup riset Anda!
Platform Riset & Survei Digital No. 1

Siap Merancang Kuesioner Skripsi Anda?

Susun instrumen penelitian dalam hitungan menit, sebar tautan responsif ke responden, dan nikmati analisis data statistik otomatis tanpa kerumitan teknis.

Artikel Terkait Rekomendasi

Perdalam wawasan metodologi dan analisis statistik riset Anda

Lihat Semua Artikel →