Apa Itu Uji Asumsi Klasik? Normalitas, Multikolinearitas, Heteroskedastisitas, dan Autokorelasi untuk Regresi Skripsi BAB IV (Cara Baca Output SPSS/R)

Hasil regresi sudah keluar, semua variabel bebas signifikan, dan R Square menyentuh 0,62. Banyak mahasiswa mengira BAB IV tinggal ditulis. Namun di ruang sidang, pertanyaan pertama penguji justru sering berbunyi pendek: "Uji asumsi klasiknya mana?" Lebih sial lagi kalau jawabannya uji normalitas pada tiap variabel X dan Y, padahal yang seharusnya diuji adalah residualnya.

Pertanyaan itu bukan sekadar formalitas. Koefisien regresi, nilai t, dan nilai F yang kamu laporkan hanya bisa dipercaya penuh kalau model memenuhi sejumlah syarat dasar. Artikel ini membedah empat uji yang paling sering diminta kampus, cara membaca angkanya di SPSS dan R, serta apa yang perlu dilakukan kalau hasilnya tidak lolos.

Uji asumsi klasik adalah serangkaian pemeriksaan pada model regresi linear berganda untuk memastikan hasil estimasinya layak ditafsirkan, yang di banyak modul disebut syarat BLUE (Best Linear Unbiased Estimator). Empat uji yang paling umum di skripsi adalah uji normalitas residual, multikolinearitas (patokan umum VIF di bawah 10), heteroskedastisitas (misalnya uji Glejser), dan autokorelasi (Durbin-Watson, terutama untuk data runtut waktu). Uji ini dilakukan sebelum uji t, uji F, dan koefisien determinasi dibaca.

Daftar Isi

• Pengertian dan syarat BLUE
• Salah kaprah yang sering ditegur
• Empat uji dan cara membacanya
• Tabel ringkas kriteria lolos
• Kalau hasilnya tidak lolos
• Alur kerja dari kuesioner ke output
• FAQ

Apa itu uji asumsi klasik dan kenapa regresi skripsi membutuhkannya?

Sederhananya, uji ini memeriksa apakah model regresi linear kamu cukup "sehat" untuk ditafsirkan. Analogi paling dekat adalah timbangan di pasar: sebelum dipakai menimbang 2 kilogram beras, timbangan itu perlu dikalibrasi supaya angkanya tidak menipu pembeli maupun penjual.

Modul Uji Asumsi Klasik dengan SPSS 16.0 karya Andryan Setyadharma dari Fakultas Ekonomi Universitas Negeri Semarang (2010) menulis bahwa model regresi berganda disebut baik bila memenuhi kriteria BLUE. Kriteria itu tercapai bila asumsi klasik terpenuhi, dan modul tersebut menyebut sedikitnya 5 uji: normalitas, autokorelasi, multikolinearitas, heteroskedastisitas, dan linearitas, meski yang dibahas rinci hanya 4 uji pertama.

Satu catatan teori yang jarang ditulis di modul: menurut teorema Gauss-Markov, sifat BLUE sebenarnya tidak menuntut residual normal. Normalitas dibutuhkan supaya nilai p pada uji t dan uji F tepat, terutama ketika sampelnya kecil. Itulah sebabnya pelanggaran normalitas pada sampel besar tidak segawat yang sering dibayangkan.

Salah satu hal yang sering terlewat adalah urutannya. Uji asumsi klasik dikerjakan setelah instrumen dinyatakan valid dan reliabel, lalu setelah statistik deskriptif disajikan, tetapi sebelum uji hipotesis. Alhasil, di BAB IV posisinya biasanya tepat di depan uji t dan uji F, meski nomor subbabnya mengikuti pedoman tiap kampus.

Salah kaprah apa yang paling sering ditegur dosen penguji?

Kesalahan paling klasik adalah menguji normalitas pada data mentah tiap variabel. Padahal untuk regresi, asumsi normalitas melekat pada residual atau galat, yaitu selisih antara nilai Y asli dan nilai Y hasil prediksi model. Makanya modul Setyadharma meminta residual disimpan lebih dulu lewat menu Save sebelum diuji.

Kesalahan kedua justru kebalikannya: panik berlebihan saat residual tidak normal. Sebuah tinjauan yang dikutip sekitar 1.979 kali menurut OpenAlex (dicek 8 November 2026) membantah anggapan bahwa regresi otomatis gugur bila data tidak normal, khususnya pada sampel besar seperti yang tersirat di judulnya, The Importance of the Normality Assumption in Large Public Health Data Sets. Penulis utamanya, Thomas Lumley dari University of Washington, menulisnya terang-terangan di abstrak.

"Banyak orang percaya, secara luas tetapi keliru, bahwa uji t dan regresi linear hanya sah untuk hasil yang berdistribusi normal," tulis Thomas Lumley dan rekan dari University of Washington dalam Annual Review of Public Health volume 23 tahun 2002 (diterjemahkan dari abstrak berbahasa Inggris).

Temuan serupa datang dari simulasi Monte Carlo yang lebih baru. Ulrich Knief dari Ludwig Maximilian University of Munich dan Wolfgang Forstmeier dari Max Planck Institute for Ornithology menguji 79 skenario data tidak normal, lalu memublikasikan hasilnya di Behavior Research Methods volume 53 tahun 2021.

"Model Gaussian tangguh terhadap ketidaknormalan dalam rentang kondisi yang luas, artinya nilai p tetap cukup andal kecuali pada data dengan pencilan berpengaruh yang dinilai dengan alpha ketat," tulis Ulrich Knief dan Wolfgang Forstmeier dalam abstrak artikel tersebut (diterjemahkan dari bahasa Inggris).

Namun keduanya juga memberi batas yang jelas. Estimasi bisa meleset bila ukuran sampel kecil atau sebaran variabel bebas sangat menceng, sehingga pemeriksaan visual pencilan dan heteroskedastisitas tetap penting. Pesannya untuk skripsi: data tidak normal bukan kiamat, tetapi juga bukan alasan membuang responden diam-diam supaya Sig naik melewati 0,05.

Salah kaprah ketiga menyangkut Durbin-Watson. Uji autokorelasi ini paling bermakna untuk data runtut waktu, seperti contoh modul yang memakai data permintaan ayam di Amerika Serikat periode 1960-1982 (23 tahun). Untuk kuesioner yang disebar sekali (data cross-section), urutan baris responden sebenarnya bebas diacak, sehingga nilai DW bisa berubah hanya karena data diurutkan ulang. Meski begitu, banyak prodi tetap mewajibkannya, jadi ikuti pedoman kampus sambil memahami batasnya.

Bagaimana cara melakukan dan membaca 4 uji asumsi klasik di SPSS dan R?

Keempat uji di bawah memakai satu model yang sama, misalnya Y = kepuasan mahasiswa dengan 3 variabel bebas dari kuesioner 150 responden. Langkah rasio skewness dan kurtosis, VIF, Glejser, dan Durbin-Watson mengikuti modul Setyadharma, sedangkan padanan R memakai fungsi bawaan dan dua paket populer, yaitu car dan lmtest.

1. Uji normalitas residual

Di SPSS, jalankan Analyze, Regression, Linear, lalu klik Save dan centang Unstandardized pada bagian Residuals. Variabel baru bernama RES_1 akan muncul di Data View. Uji RES_1 lewat Analyze, Nonparametric Tests, Legacy Dialogs, 1-Sample K-S, atau lewat Analyze, Descriptive Statistics, Explore, tombol Plots, opsi Normality plots with tests. Explore menampilkan tabel Tests of Normality berisi Kolmogorov-Smirnov (dengan koreksi Lilliefors) dan Shapiro-Wilk.

Aturan bacanya sederhana: Sig lebih besar dari 0,05 berarti residual tidak berbeda nyata dari distribusi normal. Modul Setyadharma sendiri memakai cara rasio skewness dan kurtosis dari menu Descriptives, yaitu nilai dibagi standard error-nya, dengan batas normal di antara -2 dan +2 (merujuk Santoso, 2000). Contohnya, skewness 0,105 dibagi 0,481 menghasilkan 0,218, sedangkan kurtosis -1,002 dibagi 0,935 menghasilkan -1,071, sehingga keduanya normal.

Setyadharma bahkan memperingatkan kebiasaan yang masih sering dipakai di skripsi, yaitu memutuskan normalitas hanya dari bentuk lonceng pada histogram residual.

"Cara ini menjadi fatal karena pengambilan keputusan data berdistribusi normal atau tidak hanya berpatok pada pengamatan gambar saja," tulis Andryan Setyadharma dari Fakultas Ekonomi Universitas Negeri Semarang dalam modulnya.

Di R, cukup dua baris: model <- lm(y ~ x1 + x2 + x3, data = df), lalu shapiro.test(residuals(model)). Fungsi ini hanya menerima 3 sampai 5.000 data. Angka K-S dari menu 1-Sample K-S dan dari Explore (koreksi Lilliefors) juga bisa berbeda, jadi sebutkan di BAB III uji mana yang kamu pakai.

Ukuran sampel ikut menentukan cara membacanya. Pada sampel kecil, uji formal sering kurang peka. Justru pada ratusan responden, penyimpangan kecil pun bisa membuat Sig jatuh di bawah 0,05, padahal dampaknya ke uji t hampir tidak terasa. Makanya, lampirkan juga normal P-P plot dari tombol Plots di jendela regresi SPSS, atau qqnorm(residuals(model)) di R, sebagai pendukung.

2. Uji multikolinearitas

Multikolinearitas terjadi ketika dua atau lebih variabel bebas saling "kembar", sehingga model kesulitan memisahkan pengaruh masing-masing. Di SPSS, buka tombol Statistics pada jendela regresi dan centang Collinearity diagnostics, lalu lihat kolom Tolerance dan VIF di tabel Coefficients.

Patokan yang paling sering dipakai adalah VIF di bawah 10, yang ternyata setara dengan Tolerance di atas 0,10 karena Tolerance adalah 1/VIF. Modul Setyadharma memakai ambang VIF 10, dan pada contohnya nilai VIF justru berkisar 18,9 sampai 52,7, sehingga model dinyatakan bermasalah. Di R, padanannya adalah car::vif(model).

Ambang 10 itu sendiri bukan hukum alam. Robert M. O'Brien, dalam artikel A Caution Regarding Rules of Thumb for Variance Inflation Factors di jurnal Quality & Quantity tahun 2007 (dikutip 12.099 kali menurut OpenAlex), mengingatkan bahwa angka VIF perlu dibaca bersama konteks seperti ukuran sampel. Untuk skripsi S1, tetap pakai ambang 10 karena itu yang tertulis di pedoman, tetapi jangan heran kalau penguji bertanya lebih jauh.

3. Uji heteroskedastisitas

Heteroskedastisitas berarti sebaran galat tidak merata: kecil di satu rentang nilai, lalu melebar di rentang lain. Banyak skripsi hanya menampilkan scatterplot ZPRED dan SRESID, padahal modul Setyadharma menilai cara visual itu lemah karena keputusannya subjektif.

Justru alternatif yang lebih tegas adalah uji Glejser. Caranya, buat variabel baru lewat Transform, Compute dengan rumus ABS(RES_1), lalu regresikan nilai absolut residual itu ke semua variabel bebas. Kalau ada variabel bebas dengan Sig di bawah 0,05, berarti terdapat gejala heteroskedastisitas. Di R, Glejser bisa ditiru dengan summary(lm(abs(residuals(model)) ~ x1 + x2 + x3, data = df)). Pilihan lain adalah uji Breusch-Pagan lewat lmtest::bptest(model), yang secara bawaan memakai versi studentized dari Koenker. Ini uji yang berbeda dari Glejser. Namun aturan bacanya sama: p di bawah 0,05 menandakan heteroskedastisitas.

4. Uji autokorelasi

Di SPSS, centang Durbin-Watson pada tombol Statistics, dan nilainya muncul di kolom terakhir tabel Model Summary. Nilai itu lalu dibandingkan dengan dL dan dU dari tabel Durbin-Watson sesuai jumlah observasi (n), jumlah variabel bebas (k), dan alpha 5%. Di R, gunakan lmtest::dwtest(model). Modul Setyadharma juga mencatat syarat uji ini: hanya untuk autokorelasi tingkat satu, model wajib memiliki konstanta, dan tidak ada variabel lag di antara variabel bebas.

Contoh modul memakai n = 23, k = 4, dan alpha 5%, sehingga dL = 1,078 dan dU = 1,660. Hasilnya, DW sebesar 1,065 jatuh di bawah dL, artinya model punya gejala autokorelasi positif. Model dinyatakan bebas autokorelasi hanya bila DW berada di antara dU dan 4 - dU, dalam contoh ini antara 1,660 dan 2,340.

Tabel ringkas: kapan sebuah uji dinyatakan lolos?

Selain empat uji di atas, sebagian pembimbing juga meminta uji linearitas lewat Analyze, Compare Means, Means, tombol Options, lalu centang Test for linearity untuk tiap pasangan X dan Y. Baris yang dibaca adalah Deviation from Linearity, dan hubungan dianggap linear bila Sig-nya lebih besar dari 0,05.

Apa yang harus dilakukan kalau uji asumsi klasik tidak lolos?

Langkah pertama bukan menghapus data, melainkan mencari penyebabnya. Untuk residual tidak normal, cek dulu pencilan lewat tombol Statistics, Casewise diagnostics, yang secara bawaan menandai residual standar di luar 3 standar deviasi. Kalau pencilan itu salah input (skor Likert 55 padahal skalanya 1 sampai 5), perbaiki. Kalau datanya asli, laporkan apa adanya dan diskusikan dengan pembimbing.

Transformasi logaritma natural (ln) sering membantu untuk data menceng seperti pendapatan atau omzet, tetapi interpretasi koefisien ikut berubah. Untuk multikolinearitas, pilihannya menggabungkan dua variabel yang mengukur hal mirip atau mengeluarkan salah satunya dengan alasan teoretis yang jelas. Sementara itu, heteroskedastisitas bisa ditangani dengan robust standard error, yang di R tersedia lewat vcovHC dari paket sandwich bersama lmtest::coeftest. Untuk autokorelasi pada data runtut waktu, pilihannya antara lain menambah variabel yang terlewat, metode Cochrane-Orcutt, atau standard error Newey-West lewat fungsi NeweyWest di paket yang sama.

Bahkan model yang tidak lolos satu uji pun masih bisa dipertahankan selama alasannya ditulis jujur di BAB IV dan dibahas di keterbatasan penelitian. Penguji biasanya lebih menghargai mahasiswa yang paham kenapa sebuah asumsi dilanggar daripada mahasiswa yang menampilkan semua tabel lolos tanpa bisa menjelaskan satu angka pun.

Bagaimana alur kerjanya dari kuesioner sampai output uji asumsi?

Hasil pemeriksaan asumsi ternyata hanya sebaik data yang masuk. Rantainya dimulai dari ukuran sampel (lihat panduan rumus Slovin), pilihan skala Likert, lalu uji coba kuesioner serta uji validitas dan reliabilitas. Data Likert yang diperlakukan sebagai interval dalam regresi memang praktik umum, meski masih diperdebatkan.

Kalau kuesionernya dibuat dengan kakak.ai form langsung dari chat, data respons bisa diunduh dalam format CSV, Excel, paket SPSS, atau paket R dari kartu Hasil, sesuai panduan resmi formulir. Hasilnya, file bisa langsung dibuka di SPSS atau R tanpa menyalin ulang 150 baris jawaban satu per satu.

Setelah output keluar, tabel Coefficients atau Model Summary bisa ditempel ke chat kakak.ai, atau dibahas lewat skill Pendamping Analisis Data di agen Tugas Akhir Mahasiswa, untuk dibantu membaca angkanya dan menyusun draf narasi. kakak.ai tidak menjalankan uji statistiknya sendiri. Namun keputusan uji tetap milik peneliti, dan setiap angka wajib dicocokkan ulang dengan output asli sebelum masuk naskah. Draf yang sudah rapi lalu bisa disusun di Editor Dokumen kakak.ai mengikuti template kampus.

FAQ seputar uji asumsi klasik

Apakah keempat uji asumsi klasik wajib dilakukan semua?

Untuk regresi linear berganda dengan data kuesioner, pedoman kebanyakan kampus meminta minimal uji normalitas, multikolinearitas, dan heteroskedastisitas. Uji autokorelasi terutama untuk data runtut waktu, jadi ikuti pedoman prodi untuk data kuesioner. Regresi linear sederhana dengan 1 variabel bebas tidak memerlukan uji multikolinearitas.

Apa bedanya uji normalitas Kolmogorov-Smirnov dan Shapiro-Wilk?

Keduanya menguji apakah residual berbeda nyata dari distribusi normal, dengan aturan lolos yang sama, yaitu Sig lebih besar dari 0,05. Shapiro-Wilk umumnya lebih kuat mendeteksi ketidaknormalan, terutama pada sampel kecil, sedangkan K-S lebih sering dipakai di skripsi. Yang penting, jangan berganti uji hanya karena hasilnya tidak sesuai harapan.

Sig normalitas residual 0,03, apakah skripsi otomatis gagal?

Tidak. Riset Lumley dkk. (2002) serta Knief dan Forstmeier (2021) menunjukkan regresi cukup tangguh terhadap ketidaknormalan, terutama pada sampel besar. Cek pencilan dan salah input dulu, lalu diskusikan langkah lanjutan dengan pembimbing.

Apakah kakak.ai bisa menjalankan uji asumsi klasik secara otomatis dan berapa biayanya?

Uji statistiknya tetap dijalankan di SPSS atau R. kakak.ai membantu di sisi data dan penulisan: menyiapkan kuesioner lewat kakak.ai form, mengunduh data dalam paket SPSS atau R, lalu membantu membaca output yang kamu tempel ke chat. Akun gratis mendapat kredit harian untuk mencobanya, sedangkan detail paket ada di halaman harga kakak.ai.

Di banyak kampus Indonesia, BAB IV kini makin sering diuji bukan dari banyaknya tabel, melainkan dari kemampuan menjelaskan satu angka dengan tenang. Mahasiswa yang bisa menjelaskan alasan di balik tiap tabel asumsi akan jauh lebih siap saat penguji membuka halaman output itu.

Coba kakak.ai Sekarang, Gratis