Uji Asumsi Klasik Regresi di SPSS: Cara Uji, Membaca Output, dan Solusinya

Uji asumsi klasik adalah serangkaian pemeriksaan pada model regresi linier OLS (ordinary least squares) — normalitas residual, multikolinearitas, heteroskedastisitas, dan autokorelasi, ditambah linearitas — untuk memastikan uji t dan uji F yang Anda laporkan dapat dipercaya. Di SPSS, hampir semuanya dibaca dari satu kali menjalankan Analyze → Regression → Linear beserta residual yang disimpan. Panduan ini menjalankan setiap uji pada satu data latihan (n = 135, SPSS 25–29), menjelaskan kapan uji itu diperlukan, dan apa yang dilakukan bila model tidak lolos.

Ringkasan Uji Asumsi Klasik dan Kriterianya

Mengapa Asumsi Klasik Penting

Menurut teorema Gauss–Markov, bila model linier dalam parameter, sampel diambil secara acak, tidak ada multikolinearitas sempurna, rata-rata residual nol untuk setiap nilai X, serta residual homoskedastis dan tidak berautokorelasi, penaksir OLS bersifat BLUE (Best Linear Unbiased Estimator): tak bias dan paling efisien di antara penaksir linier tak bias (Gujarati & Porter, 2009). Normalitas residual tidak termasuk syarat BLUE; normalitas diperlukan agar uji t dan F tepat pada sampel kecil.

Karena itu, pelanggaran asumsi umumnya tidak membuat koefisien b bias — yang rusak adalah standard error dan uji hipotesisnya:

Kapan Setiap Uji Diperlukan

Uji Durbin-Watson mengukur korelasi residual antarbaris yang berurutan. Pada data kuesioner (cross-section), urutan baris hanyalah urutan input, sehingga nilai DW berubah bila data diurutkan ulang; uji ini bermakna terutama untuk data runtut waktu. Jika pembimbing tetap memintanya, laporkan DW dengan catatan tersebut. VIF yang tinggi akibat suku interaksi pada model moderasi adalah kolinearitas struktural, yang dibahas di panduan uji moderasi MRA.

Analisis lain memiliki pemeriksaan berbeda: regresi logistik tidak memerlukan uji normalitas dan heteroskedastisitas, sedangkan SEM-PLS dengan SmartPLS dievaluasi melalui model pengukuran dan model struktural, bukan paket uji asumsi klasik OLS.

Urutan Kerja di SPSS: Jalankan Regresi Dulu

Normalitas residual, heteroskedastisitas, dan autokorelasi dihitung dari residual, jadi regresi harus dijalankan lebih dahulu. Dalam satu kali Analyze → Regression → Linear, centang:

• Statistics: Collinearity diagnostics dan Durbin-Watson.
• Plots: *SRESID ke kotak Y, *ZPRED ke kotak X, serta Normal probability plot.
• Save: Unstandardized pada kelompok Residuals (menghasilkan RES_1).

Setelah itu jalankan uji lanjutan pada RES_1 (normalitas, Glejser, Runs Test), lalu baru tafsirkan uji t dan F. Cara menjalankan regresinya sendiri, membaca output, dan menulis persamaannya dibahas di tutorial regresi linier berganda di SPSS.

Hasil Uji Asumsi Klasik pada Data Latihan (n = 135)

Data ilustrasi (fiktif) untuk latihan: survei 135 karyawan PT Maju Bersama dengan model kinerja (Y) dijelaskan oleh motivasi kerja (X₁), disiplin kerja (X₂), dan lingkungan kerja (X₃), masing-masing berupa skor total kuesioner Likert 1–5.

1. Normalitas Residual

Uji Explore pada RES_1 menghasilkan Kolmogorov-Smirnov 0,042 (Sig. 0,200*) dan Shapiro-Wilk 0,993 (Sig. 0,700); One-Sample K-S memberi Asymp. Sig. 0,200 dengan koreksi Lilliefors. Semua > 0,05, sehingga residual tidak menyimpang signifikan dari distribusi normal. Pada P-P plot, selisih terbesar titik dari garis diagonal hanya sekitar 0,04, sejalan dengan statistik K-S tersebut.

Mengapa yang diuji residual (bukan Y atau X), mengapa hasil 1-Sample K-S berbeda antarversi SPSS, dan cara membaca Q-Q plot dibahas di panduan uji normalitas SPSS.

2. Multikolinearitas

VIF = 1/Tolerance. Semua Tolerance > 0,10 dan VIF < 10 (Ghozali, 2018) — bahkan di bawah batas ketat VIF < 5 (Hair dkk., 2019) — sehingga tidak terjadi multikolinearitas.

3. Heteroskedastisitas

Pada scatterplot SRESID (sumbu Y, residual studentized) terhadap ZPRED (sumbu X, nilai prediksi terstandar), titik menyebar di sekitar garis nol tanpa pola corong: simpangan baku SRESID pada sepertiga nilai prediksi terendah, tengah, dan tertinggi hampir sama, yaitu 1,05; 1,02; dan 0,95. Dokumentasi IBM menyarankan ZRESID terhadap ZPRED; cara membacanya sama (IBM, t.t.-a).

Untuk uji formal Glejser, buat ABS_RES = ABS(RES_1) lewat Transform → Compute Variable, lalu regresikan ABS_RES terhadap X₁, X₂, dan X₃ (Glejser, 1969):

Semua Sig. > 0,05, sehingga tidak terjadi heteroskedastisitas. Uji Park, korelasi Spearman, Breusch-Pagan, dan White memberi kesimpulan yang sama pada data ini; cara menjalankannya dibahas di artikel deteksi dan cara mengatasi multikolinearitas serta heteroskedastisitas.

4. Autokorelasi

Durbin-Watson model ini 1,911. Untuk n = 135 dan k = 3 variabel independen (tanpa konstanta) pada α 5%, batasnya adalah dL = 1,674 dan dU = 1,765, dihitung dengan metode yang sama dengan tabel Savin dan White (1977). Tabel di buku teks sering melompat dari n = 100 ke n = 150, jadi gunakan tabel Durbin-Watson yang memuat setiap nilai n atau hitung batasnya dengan perangkat lunak:

DW 1,911 berada di antara dU dan 4 − dU, sehingga tidak terjadi autokorelasi (Durbin & Watson, 1951). Patokan kasar "DW 1,5–2,5" atau "mendekati 2" bukan aturan uji Durbin-Watson; gunakan dL dan dU dari tabel sesuai n dan k.

Alternatifnya, Runs Test (Analyze → Nonparametric Tests → Legacy Dialogs → Runs, Test Variable: RES_1, Cut Point: Median) menguji keacakan urutan residual. Hasilnya: Test Value 0,207; 67 kasus di bawah median dan 68 kasus sama dengan atau di atasnya; 75 runs; Z = 1,124; Sig. 0,261 > 0,05, sehingga urutan residual acak.

5. Linearitas

Banyak pedoman kampus memakai Analyze → Compare Means → Means: masukkan Y ke Dependent List dan X ke Independent List, lalu Options → Test for linearity (IBM, t.t.-b). Lihat baris Deviation from Linearity pada tabel ANOVA:

Uji ini memeriksa setiap X secara terpisah. Untuk model berganda, lengkapi dengan scatterplot residual terhadap nilai prediksi yang tidak menunjukkan pola melengkung.

Ringkasan Keputusan

Jika Tidak Lolos Uji Asumsi Klasik

Prinsipnya: jangan menyembunyikan pelanggaran, dan jangan membuang responden atau variabel sekadar agar lolos. Laporkan masalahnya, penanganan yang dipilih beserta alasannya, dan hasil setelah penanganan. Contoh penanganan dengan angka lengkap — termasuk data yang memang heteroskedastis — ada di artikel deteksi lanjutan yang ditautkan di bagian heteroskedastisitas di atas.

Cara Melaporkan Uji Asumsi Klasik di Bab 4

Sesuaikan dengan penelitian Anda — jangan disalin mentah. Kalimat yang disalin apa adanya juga mudah terdeteksi sebagai kemiripan; prinsip menulis ulang yang sah dibahas di cara menurunkan similarity Turnitin secara benar.

Uji asumsi klasik dilakukan sebelum pengujian hipotesis. Uji Kolmogorov-Smirnov dengan koreksi Lilliefors terhadap residual menghasilkan signifikansi 0,200 (> 0,05), sehingga residual tidak menyimpang dari distribusi normal. Nilai tolerance seluruh variabel independen berada di atas 0,10 (0,682–0,770) dan VIF di bawah 10 (1,299–1,467), sehingga tidak terjadi multikolinearitas. Uji Glejser menghasilkan signifikansi 0,252; 0,821; dan 0,890 untuk motivasi, disiplin, dan lingkungan kerja (seluruhnya > 0,05), sehingga tidak terjadi heteroskedastisitas. Nilai Durbin-Watson sebesar 1,911 berada di antara dU = 1,765 dan 4 − dU = 2,235 (n = 135; k = 3), sehingga tidak terjadi autokorelasi.

Kesalahan Umum dalam Uji Asumsi Klasik

1. Menguji normalitas X dan Y mentah. Asumsi regresi menyangkut residual model.
2. Memakai patokan DW 1,5–2,5. Gunakan dL dan dU dari tabel Durbin-Watson.
3. Menyebut SRESID sebagai "residual standar". SRESID adalah residual studentized; residual terstandar adalah ZRESID. Keduanya boleh dipakai pada scatterplot asalkan disebut dengan benar.
4. Mencampur kriteria VIF. Tetapkan satu kriteria (VIF < 10 atau VIF < 5) di Bab 3 dan pakai secara konsisten di Bab 4.
5. Menghapus variabel atau responden sampai "lolos" tanpa melaporkannya.
6. Melaporkan DW pada data yang barisnya sudah diurutkan, misalnya menurut skor, padahal pengurutan itu sendiri mengubah nilai DW.

Kesimpulan

Uji asumsi klasik bukan formalitas sebelum uji hipotesis: hasilnya menentukan apakah standard error, uji t, dan uji F yang Anda laporkan layak dipercaya. Jalankan regresi lebih dahulu, simpan residualnya, pilih uji sesuai jenis data (autokorelasi terutama untuk data runtut waktu), lalu baca setiap output dengan kriteria yang sudah Anda sebutkan di Bab 3. Bila ada asumsi yang dilanggar, telusuri penyebabnya dan pilih penanganan yang dapat Anda pertanggungjawabkan.

Jika Anda ingin seluruh uji asumsi klasik pada data Anda diperiksa ulang, tim olah data SPSS Jokify dapat mengolah data penelitian Anda sendiri dan menjelaskan setiap output beserta dasar keputusannya, sehingga Anda tetap memahami prosesnya dan siap mempertahankannya saat sidang.

Pertanyaan yang Sering Diajukan

Apakah data kuesioner tetap perlu uji autokorelasi?

Secara metodologis umumnya tidak, karena autokorelasi berkaitan dengan urutan waktu pengamatan, sedangkan urutan responden kuesioner hanyalah urutan input. Jika pedoman kampus tetap mewajibkannya, laporkan Durbin-Watson atau Runs Test pada urutan data asli dan sebutkan keterbatasan tersebut.

Apakah SEM-PLS memerlukan uji asumsi klasik?

Tidak seperti regresi OLS. SEM-PLS menguji signifikansi dengan bootstrapping sehingga tidak mensyaratkan normalitas, tetapi kolinearitas antarkonstruk tetap diperiksa melalui inner VIF, dengan nilai di bawah 3 sebagai kondisi ideal dan di bawah 5 masih dapat diterima (Hair dkk., 2022).

Apakah regresi logistik memerlukan uji asumsi klasik?

Regresi logistik tidak mengasumsikan residual normal maupun homoskedastisitas. Yang tetap perlu diperiksa adalah multikolinearitas antar-X (dapat dilihat dari VIF regresi linier dengan variabel yang sama), jumlah kejadian yang memadai per prediktor, dan linearitas hubungan X kontinu dengan logit.

Bagaimana jika hasil uji Glejser dan scatterplot berbeda?

Jadikan uji formal sebagai dasar keputusan karena pembacaan grafik bersifat subjektif, lalu sebutkan pengamatan grafik sebagai pendukung. Bila hasilnya meragukan, jalankan uji kedua seperti Breusch-Pagan atau White; jika keduanya menunjukkan masalah, gunakan robust standard error atau penanganan lain.

Apakah uji linearitas termasuk uji asumsi klasik?

Linearitas adalah asumsi dasar regresi linier, tetapi tidak semua buku memasukkannya ke dalam empat uji asumsi klasik yang lazim, yaitu normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Ikuti pedoman kampus; bila diminta, gunakan Test for linearity di menu Means dan lengkapi dengan plot residual.

Referensi

• Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression. II. Biometrika, 38(1–2), 159–178. https://doi.org/10.1093/biomet/38.1-2.159
• Ghozali, I. (2018). Aplikasi analisis multivariate dengan program IBM SPSS 25 (Ed. 9). Badan Penerbit Universitas Diponegoro.
• Glejser, H. (1969). A new test for heteroskedasticity. Journal of the American Statistical Association, 64(325), 316–323. https://doi.org/10.1080/01621459.1969.10500976
• Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill/Irwin.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE.
• IBM. (t.t.-a). Linear Regression plots. IBM SPSS Statistics 29 Documentation. https://www.ibm.com/docs/en/spss-statistics/29.0.0?topic=regression-linear-plots
• IBM. (t.t.-b). Means options. IBM SPSS Statistics 29 Documentation. https://www.ibm.com/docs/en/spss-statistics/29.0.0?topic=means-options
• Savin, N. E., & White, K. J. (1977). The Durbin-Watson test for serial correlation with extreme sample sizes or many regressors. Econometrica, 45(8), 1989–1996. https://doi.org/10.2307/1914122