Bagi teman – teman  atau mahasiswa – mahasiswi yang sedang dalam tahapan skripsi untuk jenjang sarjana, Uji asumsi klasik  sering kali diminta oleh dosen pembimbing sebelum anda melakukan pengujian lebih lanjut (seperti analisis regresi berganda atau lainnya) atas data penelitian yang telah anda kumpulkan. Tujuan pengujian asumsi klasik ini adalah untuk memberikan kepastian bahwa persamaan regresi yang didapatkan memiliki ketepatan dalam estimasi, tidak bias dan konsisten. Sebelum membahas uji asumsi klasik, anda harus mengetahui perbedaan antara statistik parametrik dan non parametrik secara singkat. 

Statistik parametrik adalah metode analisis data yang membutuhkan asumsi tertentu, terutama bahwa data sampel harus berdistribusi normal. Metode ini biasanya digunakan untuk data berskala interval atau rasio, dan berfokus pada pengujian rata-rata (mean) populasi. Statistik non-parametrik adalah metode bebas sebaran yang tidak memerlukan asumsi distribusi normal pada data. Metode ini sangat cocok untuk data berskala nominal atau ordinal, sampel kecil, atau data yang distribusinya tidak jelas, dan biasanya berfokus pada nilai tengah (median). Uji Asumsi klasik memang wajib untuk statistik parametrik, tetapi sama sekali tidak wajib (bahkan tidak berlaku) untuk statistik non-parametrik.

Uji asumsi klasik merupakan persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis Ordinary least square (OLS). Analisis regresi yang tidak didasarkan pada OLS, maka demikian itu tidak memerlukan persyaratan asumsi klasik. Metode  Ordinary  Least  Squares  (OLS)  adalah  salah satu  metode  yang  digunakan dalam  analisis  regresi  untuk  menemukan  hubungan  linear  antara  dua  atau  lebih variabel.  Tujuan  utama  dari  metode  OLS  adalah  untuk  menemukan  garis  regresi  terbaik  yang  dapat  digunakan  untuk  memprediksi  nilai  variabel  dependen berdasarkan nilai variabel independen.

Metode  OLS  menghitung  koefisien  regresi  (slope)  dan  intercept  (konstanta)  yang merupakan  parameter  dari  garis  regresi  terbaik.  Koefisien  regresi  menunjukkan  seberapa besar perubahan dalam variabel dependen untuk setiap satu unit perubahan  dalam  variabel  independen,  sedangkan  intercept  menunjukkan  nilai  variabel dependen ketika variabel independen adalah nol.

Hal lainnya juga bahwa tidak semua uji asumsi klasik perlu dilakukan dalam analisis regresi linier misalnya uji multikolinieritas tidak dilakukan dalam analisis regresi linier sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross-sectional.

Berikut adalah beberapa uji asumsi klasik yang digunakan (Statistik Parametrik) :

1. Uji Normalitas

Uji normalitas merupakan salah satu bagian dari uji asumsi klasik yang bertujuan untuk menilai apakah data sampel dalam suatu kelompok atau variabel terdistribusi secara normal atau tidak. Dalam analisis statistik parametrik, distribusi normal sangat penting karena menjadi syarat utama agar hasil pengujian (seperti uji-t, ANOVA, atau regresi linear) dapat memberikan kesimpulan yang valid dan tidak bias. Uji normalitas tidak dikelompokkan menjadi parametrik atau non-parametrik. Sebaliknya, uji normalitas berfungsi sebagai syarat utama sebelum Anda dapat menggunakan metode statistik parametrik.

Fungsi utama dari uji normalitas adalah untuk memastikan kelayakan data sebelum melanjutkan ke analisis inferensial parametrik. Analisis inferensial parametrik adalah metode statistik untuk menguji hipotesis dan menarik kesimpulan mengenai parameter populasi berdasarkan data sampel. Dengan mengetahui status distribusi data, peneliti dapat menentukan metode analisis yang paling tepat. Jika data terdistribusi normal, maka analisis statistik parametrik dapat digunakan namun jika data tidak terdistribusi normal, peneliti harus beralih ke metode statistik non-parametrik atau melakukan transformasi data terlebih dahulu atau melakukan Outlier data. Data Laporan Keuangan diperbolehkan melakukan outlier namun sangat disarankan untuk tidak dilakukan outlier karena angka ekstrem dalam laporan keuangan sering kali merupakan peristiwa bisnis penting. Jika dihapus, Anda justru membuang informasi aktual mengenai kondisi ekonomi perusahaan tersebut. Secara statistik dan metodologi penelitian, menghapus outlier pada data laporan keuangan diperbolehkan hanya jika data tersebut terbukti merupakan kesalahan teknis (seperti typo, kesalahan input angka, atau error saat ekstraksi data).

Uji Normalitas yang Umum Digunakan

Pada umumnya, pengujian normalitas dilakukan dengan beberapa metode populer yang dapat dipilih sebagai berikut:

  • Uji Kolmogorov-Smirnov:
  • Uji Normalitas Shapiro-Wilk
  • Pendekatan Visual (Grafik): Seperti P-P Plot, Q-Q Plot, atau Histogram, yang digunakan sebagai pelengkap untuk melihat sebaran data secara visual di sekitar garis diagonal.

2. Uji Autokorelasi

Uji autokorelasi merupakan bagian dari uji asumsi klasik yang bertujuan untuk menguji apakah dalam suatu model regresi linear terdapat korelasi antara kesalahan pengganggu (residual) pada periode t dengan kesalahan pengganggu pada periode sebelumnya (t-1).

Masalah autokorelasi umumnya muncul pada data runtut waktu (time series) atau data panel, di mana pengamatan suatu variabel sangat dipengaruhi oleh nilai variabel tersebut di masa lalu. Fungsi utama dari uji autokorelasi adalah untuk memastikan kelayakan model regresi agar menghasilkan estimasi yang Best Linear Unbiased Estimator (BLUE). Jika terjadi autokorelasi, varians residual tidak lagi minimal, sehingga uji hipotesis (seperti uji-t dan uji-F) serta standar eror yang dihasilkan menjadi tidak akurat dan bias, yang dapat mengarahkan peneliti pada kesimpulan yang salah.

Uji Autokorelasi yang Umum Digunakan

Dalam praktiknya, pengujian autokorelasi umumnya dilakukan menggunakan beberapa metode statistik berikut:

  • Uji Durbin-Watson (DW test): Metode paling populer dan standar digunakan untuk mendeteksi autokorelasi. Ketika uji parametrik seperti Durbin-Watson menghasilkan nilai ragu-ragu/gagal, para ahli statistik menggunakan Run Test sebagai uji diagnostik alternatif untuk memeriksa keacak-acakan (randomness) residual. Run test merupakan bagian dari statistik non-parametik yang dapat digunakan untuk melakukan pengujian, apakah antar residual terjadi korelasi yang tinggi. Namun Uji ini bebas dari asumsi distribusi normal. Run Test justru biasanya disarankan sebagai uji alternatif atau pelengkap ketika nilai Durbin-Watson berada di daerah abu-abu. Uji Durbin-Watson (DW) diprioritaskan dalam pengujian autokorelasi karena memiliki power statistik yang lebih kuat dan terarah untuk mendeteksi autokorelasi linier tingkat pertama (lag-1). Sebaliknya, Run Test bersifat non-parametrik dan berfungsi sebagai pemeriksaan keacakan secara umum.
  • Uji Breusch-Godfrey / Lagrange Multiplier (LM test)

3. Uji Multikolinearitas

Uji multikolinearitas merupakan salah satu bagian dari uji asumsi klasik dalam statistik parametrik yang bertujuan untuk menguji apakah dalam suatu model regresi berganda ditemukan adanya korelasi yang tinggi atau sempurna antar variabel independen (bebas). Dalam model regresi yang baik, variabel-variabel independen seharusnya tidak memiliki korelasi yang kuat satu sama lain, karena masing-masing variabel bertugas menjelaskan variabel dependen secara independen.

Fungsi utama dari uji multikolinearitas adalah untuk menjamin presisi dan kestabilan estimasi koefisien regresi. Jika terjadi multikolinearitas tingkat tinggi, nilai standar eror dari koefisien regresi akan membengkak, sehingga koefisien menjadi sangat sensitif terhadap perubahan kecil data, nilai uji-t cenderung menjadi tidak signifikan padahal uji-F signifikan, dan sulit untuk mengisolasi pengaruh murni dari masing-masing variabel independen terhadap variabel dependen.

Uji Multikolinearitas yang Umum Digunakan

Dalam praktiknya, pengujian dan pendeteksian multikolinearitas umumnya dilakukan menggunakan indikator dan metode statistik berikut:

  • Nilai VIF (Variance Inflation Factor) dan Tolerance: Merupakan metode yang paling umum dan standar digunakan.
    • Tolerance: Mengukur variabilitas variabel independen yang tidak dijelaskan oleh variabel independen lainnya.
    • VIF: Menunjukkan seberapa besar varians dari koefisien estimasi membengkak akibat kolinearitas.
    • Suatu model dinyatakan bebas multikolinearitas jika nilai VIF < 10 (atau 10) dan nilai Tolerance > 0,10.
  • Matriks korelasi antar variabel independen digunakan untuk mendeteksi multikolinearitas dengan melihat kekuatan hubungan antar variabel bebas dalam model regresi. Jika koefisien korelasi antar dua variabel independen bernilai tinggi (biasanya > 0,80), maka model tersebut terindikasi mengalami multikolinearitas.

4. Uji Heteroskedastisitas

Uji heteroskedastisitas merupakan bagian dari uji asumsi klasik dalam statistik parametrik yang bertujuan untuk menguji apakah dalam suatu model regresi terdapat ketidaksamaan varians dari residual (kesalahan pengganggu) dari satu pengamatan ke pengamatan yang lain.

Fungsi utama dari uji heteroskedastisitas adalah untuk menjamin efisiensi estimator dan keakuratan uji hipotesis. Jika terjadi heteroskedastisitas, estimator regresi memang masih bersifat tidak bias (unbiased), tetapi tidak lagi efisien (varians residual tidak minimum). Akibatnya, estimasi standar eror menjadi keliru, sehingga interval konfidensi serta pengujian signifikansi (uji-t dan uji-F) dapat memberikan kesimpulan yang menyesatkan.

Uji Heteroskedastisitas yang Umum Digunakan

Dalam praktiknya, pendeteksian masalah heteroskedastisitas umumnya dilakukan menggunakan beberapa metode statistik dan pendekatan visual berikut:

  • Uji Glejser: metode pengujian dalam analisis regresi untuk mendeteksi ada tidaknya gejala heteroskedastisitas.
  • Uji Park:
  • Uji Breusch-Pagan-Godfrey (BPG):
  • Pendekatan Visual (Plot Scatterplot): Scatterplot adalah sebuah grafik yang biasa digunakan untuk melihat suatu pola hubungan antara 2 variabel.

===================================================

Beberapa Pertanyaaan berikut yang sering ditanyakan

Uji asumsi klasik dan statistik non-parametrik berasal dari dua "dunia" statistik yang landasan teorinya berbeda. Apakah Boleh dicampur?

Uji Asumsi Klasik dibuat khusus untuk statistik parametrik. Tujuannya adalah memastikan bahwa data kamu memenuhi syarat (seperti data berdistribusi normal, tidak ada heteroskedastisitas, dll.). Statistik Non-Parametrik justru digunakan ketika asumsi klasik tersebut gagal dipenuhi (atau ketika skala datanya memang nominal/ordinal). Statistik non-parametrik adalah statistik yang bebas distribusi (distribution-free), artinya metode ini dari awal tidak membutuhkan pengujian asumsi klasik.

Saya pakai Uji Normalitas (parametrik), lalu karena data tidak normal saya pakai Mann-Whitney (non-parametrik). Apakah itu artinya mencampur ?

Bukan. Itu adalah prosedur seleksi metode yang benar. Uji Normalitas sebagai pintu periksa/skrining. Ketika ditemukan hasilnya melanggar asumsi parametrik, kamu memilih pindah jalur menggunakan uji non-parametrik. Hal ini menjadi salah atau dicampur adalah jika memaksa menguji Heteroskedastisitas atau Multikolinearitas untuk analisis Mann-Whitney / Kruskal-Wallis atau menyajikan tabel uji regresi OLS (parametrik) bersamaan dengan hasil uji Spearman (non-parametrik) untuk variabel yang sama tanpa alasan metodologis yang jelas.

Apakah Boleh pak, saya memaksakan asumsi klasik lolos. Saya transform saja atau outlier berkali – kali tanpa dasar jelas?.

Tindakan melakukan transformasi data berulang-ulang atau menghapus outlier berkali-kali tanpa alasan ilmiah yang jelas adalah bentuk manipulasi data yang disebut Data Torture ("menyiksa data sampai mengaku") atau p-hacking. Tindakan membuang outlier hanya boleh dilakukan apabila ada kesalahan input data dan Sampel tersebut bukan bagian dari populasi target. Outlier atas data laporan keuangan yang ekstrem sangat tidak disarankan meskipun diperbolehkan karena mengurangi kredibilitas hasil karena bisa jadi data yang dibuang merupakan data yang penting atau permasalahan yang terjadi. Bapak/Ibu tetap bisa menggunakan Regresi Linear OLS tanpa perlu membuang outlier atau mentransformasi data secara ekstrem, pertimbangkan menggunakan fitur Robust Standard Errors atau pindah ke Analisis Non-Parametrik / SmartPLS atau anda bisa juga dengan mengubah variabel, periode, dan hal lainnya

Semoga informasi ini bermanfaat dan Terima kasih.

Rabu, 22 Juli 2026

Juan Carlos Pangestu, S.E., M.Ak

Akademisi, Peneliti, Konten Creator dan Pebisnis

Daftar Pustaka

Haryono, E. (2023). Buku Statistika SPSS 28. Penerbit Widina.

Hutagaol, K. (2025). Kajian tentang uji asumsi klasik berbantuan SPSS. Jurnal Padegogik, 8(2), 15-28.

Sekaran, U. & Bougie, R.J., (2016). Research Methods for Business: A skill Building Approach. 7th Edition, John Wiley & Sons Inc. New York, US.

Silalahi, R. A., Hafsari, A. A., Situmorang, D., Emaninta, N., Ginting, B., Girsang, A. B., ... & Ompusunggu, P. (2024). Hasil perhitungan asumsi klasik: Tentang uji autokorelasi, normalitas, dan heterokedatisitas. Jurnal Ilmiah Multidisipliner (JIM), 8(12), 2118-7300.

Uyanto, S. S. (2020). Power comparisons of five most commonly used autocorrelation tests. Pakistan Journal of Statistics and Operation Research, 119-130.

https://dqlab.id/teknik-analisis-data-ragam-jenis-uji-normalitas-dalam-asumsi-klasik

https://learn.nural.id/course/statistics/regresi-linier/scatterplot

https://www.statistikian.com/2017/01/uji-asumsi-klasik-regresi-linear-spss.html


Artikel merupakan Hasil Penelitian, Hasil Review , Karya/Opini  Pribadi dan Penyaduran Informasi dari berbagai sumber. Penulis dan Asplace.id tidak dapat digugat maupun dituntut atas segala pernyataan, kekeliruan, ketidaktepatan atau kekurangan dalam setiap konten yang disampaikan. Harap memverifikasi kembali segala informasi yang didapatkan. Penulis dan AsplaceID berusaha memberikan informasi yang benar dan bermanfaat. Apabila ada kesalahan, mohon informasikan ke redaksi dan maka akan dilakukan perbaikan.

PERNYATAAN PENYANGKALAN / DISCLAIMER 

Kebijakan Privasi (Privacy Policy)