Uji Asumsi Klasik Regresi: Contoh Kasus Uji Normalitas + Analisis

Dalam melakukan uji regresi linier berganda, maka suatu  penelitian harus melakukan dan memenuhi uji asumsi klasik. Uji asumsi klasik terdiri dari uji normalitas, uji multikolinearitas, uji autokorelasi, uji heteroskedastisitas. Di pos ini saya akan membahas uji normalitas dan analisisnya. 

Uji normalitas bertujuan untuk mengetahui distribusi normal dari variabel terikat (dependen) dan variabel bebas (independen) dalam model regresi. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual terdistribusi normal atau mendekati normal. Model regresi yang baik adalah model yang memiliki distribusi data yang normal atau mendekati normal. Untuk mengetahui signifikansi data yang terdistribusi normal, maka uji normalitas dilakukan menggunakan uji Kolmogorov Smirnov (K-S).

Contoh Kasus Uji Normalitas

Seperti contoh soal uji regresi linier berganda sebelumnya yang bisa anda lihat disini: Uji Regresi: Contoh Soal Regresi Linier Berganda + Analisis - Bagian I dan Uji Regresi: Contoh Soal Regresi Linier Berganda + Analisis - Bagian II, telah didapat variabel dependen Tingkat Penjualan dan Variabel Independen Biaya Produksi, Biaya Promosi dan Biaya Distribusi. Sekarang kita akan menguji apakah uji tersebut memenuhi uji asumsi normalitas (menggunakan uji Kolmogorov Smirnov) ?

Langkah-langkah Pengujian

1. Pilih menu Analyze --> NonParametrics Test --> 1-Sample K-S, seperti pada tampilan berikut.

(Klik gambar untuk memperbesar)

2. Pada  layar akan muncul One-Sample Kolmogorov-Smirnov Test.

Ø  Pada bagian Test Variable List isikan variabel dependen (Tingkat Penjualan) dan Variabel Dependen (Baya Produksi, Biaya Promosi dan Biaya Distribusi).

Ø  Pada bagian Test Distribution pilih Normal.

3. Klik OK. Maka akan muncul output Kolmogorov Smirnov. Perhatikan output dibawah ini:

Untuk melihat normal tidaknya data menggunakan uji Kolmgorov Smirnov, maka dapat dilihat pada bagian Asymp Sig (2-tailed). Uji Kolmogorov-Smirnov memiliki pedoman untuk pengambilan keputusan sebagai berikut:

a.    Jika nilai signifikansi atau nilai probabilitas < 0.05, maka distribusi adalah tidak normal.

b.    Jika nilai signifikansi atau nilai probabilitas > 0.05, maka distribusi adalah normal.

Dari output diatas, terlihat bahwa nilai signifikansi Asymp.Sig 2-tailed pada masing-masing variabel adalah:

Ø  Signifikansi Tingkat Penjualan sebesar 0.786

Ø  Signifikansi Biaya Produksi sebesar 0.908

Ø  Signifikansi Biaya Distribusi sebesar 0.872

Ø  Signifikansi Biaya Promosi sebesar 0.663

Karena nilai signifikansi pada setiap variabel diatas 0,05, maka data dalam penelitian pada setiap variabel terdistribusi secara normal. Dengan kata lain, model regresi dapat dikatakan memenuhi uji normalitas atau data dalam penelitian terdistribusi normal yang mengindikasikan bahwa model regresi layak dipakai untuk prediksi Tingkat Penjualan berdasarkan pada masukan sejumlah variabel independennya.

Uji Tambahan Normalitas --> Histogram dan Probability Plot 

Selain menggunakan uji Kolmogorov Smirnov (K-S), ada pula uji tambahan yang dapat dilakukan untuk uji normalitas, yaitu menggunakan HISTOGRAM dan NORMAL PROBABILITY PLOT.  

1)    Langkah pertama adalah munculkan Unstandardized Residual

Pilih Analiyze --> Regression --> Linear

2)    Masukkan variabel dependen ke kotak Dependent dan variabel independent ke kotak Independent. Dalam hal ini variabel dependen adalah Tingkat Penjualan dan variabel independen adalah Biaya Produksi, Biaya Distribusi, dan Biaya Promosi.

Lihat Tampilan dibawah ini

3. Tekan  tombol Plots. Lalu aktifkan pilihan Histogram dan Normal Probability Plot:

4. Abaikan bagian lain, kemudian tekan Continue dan klik OK. Maka akan muncul output histogram dan normal probability plot seperti gambar dibawah ini: 

Untuk mendeteksi apakah suatu penelitian memenuhi asumsi normalias, maka maka dapat dilihat pada grafik histogram. Data terdistribusi normal jika kurva normal yang berada di grafik mengikuti bentuk bel (lonceng). Dari grafik diatas terlihat bahwa sebaran data mempunyai kurva yang berbentuk lonceng. Karena itu error model regresi dapat dikatakan berdistribusi normal.

Deteksi uji normalitas dapat dilihat pada penyebaran data (berupa titik atau dot) pada sumbu diagonal dari grafik. Dasar pengambilan keputusan:

Ø  Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi Normalitas.

Ø  Jika data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi  Normalitas.

Dari grafik di atas, terlihat adanya titik-titik (dot) yang menyebar di sekitar garis diagonal dan penyebarannya mengikuti arah garis diagonal. Maka dapat disimpulkan bahwa model regresi layak dipakai untuk prediksi Tingkat Penjualan berdasarkan pada masukan sejumlah variabel independennya. Artinya model regresi tersebut memenuhi uji normalitas.

PERHATIKAN!!

Dalam melakukan uji normalitas, uji utama yang harus dilakukan adalah uji Kolmogorov Smirnov. Karena uji Kolmogorov Smirnov bersifat objektif (ketentuan pengujiannya menggunakan angka yang sudah pasti). Sedangkan uji Histogram dan Normal Probability Plot hanyalah sebagai uji tambahan dalam uji normalitas, karena pengujian menggunakan Histogram dan Normal Probability Plot sifatnya subjektif. Dikatakan subjektif karena penilaian menggunakan Histogram dan Normal Probability Plot dapat menimbulkan bias.