Banyak yang sering salah memahami konsep penolakan hipotesis nol (
) dalam uji signifikansi penelitian dan uji asumsi regresi. Padahal, keduanya memiliki tujuan yang berbeda serta cara interpretasi p-value yang tidak sama.
Sebagian besar mengira bahwa menolak selalu merupakan hasil yang baik, padahal tidak selalu demikian. Dalam uji signifikansi, menolak berarti ada hubungan atau pengaruh yang signifikan, yang sering kali menjadi tujuan penelitian. Namun, dalam uji asumsi, menolak justru menandakan adanya pelanggaran asumsi dalam model, yang harus diperbaiki agar hasil analisis tetap valid.
Karena sebelumnya telah dibahas mengenai uji signifikansi, maka kali ini kita akan membahas pentingnya uji asumsi dalam regresi, bagaimana cara menginterpretasikan hasilnya, serta mengapa p-value dalam uji asumsi sebaiknya lebih besar dari alpha (𝛼).
Konsep Dasar Uji Asumsi
Menurut Sunjoyo dkk (2013), uji asumsi merupakan syarat statistik yang harus dipenuhi pada analisis regresi linier berganda dengan basis OLS atau Ordinary Least Square. Untuk memastikan bahwa model regresi yang diperoleh adalah yang terbaik dalam hal ketepatan estimasi, ketiadaan bias, dan konsistensi, diperlukan pengujian asumsi (Juliandi et al., 2014). Uji asumsi ini dilakukan untuk memastikan bahwa persamaan regresi yang digunakan adalah tepat dan valid.
Jenis – Jenis Uji Asumsi
Uji asumsi yang umum digunakan adalah uji normalitas, uji heteroskedastisitas, uji multikolinieritas, dan uji autokorelasi.
- Normalitas
Ghozali (2018:161) menjelaskan bahwa tujuan dari uji normalitas adalah untuk menilai apakah dalam model regresi, variabel pengganggu atau residual mengikuti distribusi normal. Beberapa cara yang digunakan untuk mengetahui apakah data telah berdistribusi normal yaitu dengan uji Kolmogorov – smirnov, uji Histogram dan uji Probability Plot. Data berdistribusi normal berdasarkan uji Kolmogorov-smirnov adalah jika hasil pengujian didapat nilai asymp.sig (2 – tailed) > 0,05, data berdistribusi normal berdasarkan uji Histogram adalah jika hasil pengujian didapat sebuah grafik histogram berbentuk lonceng sempurna, sedangkan data normal menurut uji Probability Plot adalah jika hasil pengujian data ata didapat titik-titik menyebar sepanjang garis diagonal.
Sehingga dapat dirumuskan hipotesis dari uji normalitas adalah sebagai berikut:
: Data tidak berdistribusi normal
: Data berdistribusi normal
- Heterokedastisistas
Uji heteroskedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan varian residual satu pengamatan ke pengamatan lain (Ningsih, 2019). Jika residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedasitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homokedastisitas atau yang tidak terjadi heteroskedastitas. Untuk mendeteksi adanya heteroskedastisitas dapat menggunakan uji Breush-Pagan (BP).Hipotesis dari uji heteroskedastisitas adalah sebagai berikut:
(Tidak terjadi masalah heterokedastisitas)
(Terjadi masalah heterokedastisitas)
Jika diketahui diterima maka dapat disimpulkan bahwa tidak terjadi heterokedastisitas atau jika ditolak dapat disimpulkan bahwa terjadi heterokedastisitas.
- Multikolinearitas
Uji multikolinearitas ditujukan untuk melihat hubungan/korelasi antara masing-masing peubah. Model regresi yang baik seharusnya tidak terjadi korelasi di antara peubah bebas (Ghozali Imam, 2005). Jika antar peubah bebas saling berkorelasi, maka peubah tersebut tidak orgonal. peubah orgonal adalah peubah bebas yang nilai korelasi antar sesama peubah bebas sama dengan nol (Ghozali Imam, 2005).
Metode untuk menguji adanya multikolinearitas dapat dilihat pada nilai toleransi atau variance inflation factor (VIF). Jika Nilai VIF < 10 maka ditolak, artinya tidak terdapat multikolinearitas. Jika Nilai VIF 
10 maka diterima, artinya terdapat multikolinearitas (Ghozali, 2016).
- Autokorelasi
Ghozali (2017:121) menyatakan uji autokorelasi dilakukan untuk menguji adanya korelasi antara kesalahan pengganggu pada suatu periode t dengan kesalahan pengganggu pada periode sebelumnya (t-1) pada model regresi linier. Autokorelasi merupakan asumsi residual yang memiliki komponen atau nilai yang berkorelasi berdasarkan waktu (urutan waktu) pada himpunan data itu sendiri. Asumsi autokorelasi dapat dilakukan dengan uji statistik yaitu Durbin-Waston. Hipotesis yang digunakan pada uji autokorelasi adalah :
, (Tidak terjadi masalah autokorelasi dalam model regresi)
, (Terjadi masalah autokorelasi dalam model regresi)
Menurut Widarjono, kriteria penolakan dapat dilihat pada Tabel 1 (Widarjono, 2007).
Tabel 1 Kriteria Pengujian Autokorelasi dengan Uji Durbin-Watson
Kesimpulan
Dalam analisis regresi, uji asumsi penting karena memastikan model yang dibuat benar-benar bisa digunakan untuk menarik kesimpulan yang valid. Uji asumsi ini termasuk uji normalitas, heteroskedastisitas, multikolinearitas, dan autokorelasi. Dimana, hipotesis nol () biasanya menyatakan bahwa tidak ada masalah dalam model (misalnya, data berdistribusi normal, tidak ada heteroskedastisitas, dll). Sebaliknya, hipotesis alternatif () menyatakan bahwa ada masalah dalam model.
P-value adalah angka yang menunjukkan seberapa besar kemungkinan mendapatkan hasil seperti yang diamati ketika itu benar. Jika p-value lebih besar dari alpha, berarti tidak cukup bukti untuk menolak , sehingga asumsi dianggap terpenuhi. Jika p-value lebih kecil dari alpha, berarti cukup bukti untuk menolak yang artinya terjadi pelanggaran asumsi.
Agar model regresi yang terbentuk valid dan dapat digunakan, maka p-value harus lebih besar dari alpha supaya asumsi klasik tetap terpenuhi dan analisis yang dilakukan tidak menghasilkan kesimpulan yang salah/tidak valid.
Referensi
Ghozali, Imam. 2005. Aplikasi Analisis Multivariate dengan SPSS. Semarang: Badan Penerbit UNDIP.
Ghozali, Imam. 2016. Aplikasi Analisis Multivariete dengan Program SPSS. Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.
Ningsih, S., & Dukalang, H. H. (2019). Penerapan metode suksesif interval pada analsis regresi linier berganda. Jambura Journal of Mathematics, 1(1), 43-53.
Sholihah, S. M. A., Aditiya, N. Y., Evani, E. S., & Maghfiroh, S. (2023). Konsep uji asumsi klasik pada regresi linier berganda. Jurnal Riset Akuntansi Soedirman, 2(2), 102-110.