TL;DR
Uji heteroskedastisitas ngecek apakah varians residual model regresi konstan di semua level prediksi. Di SPSS, cara paling umum adalah uji Glejser (regresikan nilai absolut residual ke variabel bebas, lalu lihat kolom Sig. di tabel Coefficients) dan scatterplot antara *ZPRED dan *SRESID. Kalau semua nilai Sig. di uji Glejser lebih besar dari 0,05 dan titik di scatterplot menyebar acak tanpa pola corong, datamu lolos.
Uji heteroskedastisitas ngecek apakah varians residual model regresimu konstan di semua level nilai prediksi. Kalau variansnya melebar atau menyempit, angka Sig. di tabel Coefficients kamu jadi nggak bisa dipercaya.
Di SPSS ada dua cara yang paling sering dipakai buat skripsi: uji Glejser dan scatterplot residual. Yang pertama kasih angka, yang kedua kasih gambar.
Aku jalanin dua-duanya di bawah ini pakai satu data yang sama sampai selesai, lengkap sama contoh output dan cara nyimpulinnya.
Modalnya cuma SPSS versi berapa pun dan data regresi yang kolomnya udah rapi.
Heteroskedastisitas adalah kondisi saat varians residual (selisih antara nilai asli dan nilai prediksi) berubah-ubah mengikuti besar kecilnya nilai prediksi. Regresi linear klasik minta variansnya seragam alias homoskedastis. Kalau syarat itu dilanggar, koefisien regresinya masih benar, tapi standard error-nya meleset.
Efeknya kelihatan di tempat yang paling kamu pakai buat ngambil kesimpulan. Nilai t jadi kegedean atau kekecilan, dan Sig. ikut geser.
Contoh gampangnya di data omzet toko. Warung dengan omzet 3 juta per bulan error prediksinya paling meleset ratusan ribu. Warung dengan omzet 80 juta bisa meleset belasan juta.
Sebaran error yang makin lebar begitu angkanya makin besar itulah bentuk heteroskedastisitas yang paling sering ketemu di data bisnis Indonesia.
Uji ini termasuk satu paket sama uji asumsi klasik lain. Kalau kamu belum ngecek sebaran datanya normal atau belum, mampir dulu ke uji normalitas SPSS, baru balik ke sini.
Uji Glejser jalan dengan tiga tahap: simpan residual dari regresi utama, ubah residual itu jadi nilai absolut, lalu regresikan nilai absolut tadi ke variabel bebas yang sama. Kalau nilai Sig. semua variabel bebas di regresi kedua lebih besar dari 0,05, datamu bebas heteroskedastisitas.
Ini langkah lengkapnya di SPSS.
RES_1. Isinya selisih antara nilai asli dan nilai prediksi tiap responden.ABS_RES, lalu di kotak Numeric Expression ketik ABS(RES_1). Klik OK.ABS_RES, dan Independent(s)-nya variabel bebas yang tadi. Klik OK.Fungsi ABS di langkah 4 bikin residual negatif jadi positif, biar yang diukur besarnya error, arahnya nggak dihitung. Logikanya sama persis kayak fungsi ABS di Excel yang biasa kamu pakai buat ngitung selisih.
Satu hal yang sering kelewat: baris Constant di tabel Coefficients regresi kedua nggak usah dibaca. Yang nentuin kesimpulan cuma baris variabel bebas.
Scatterplot heteroskedastisitas nampilin nilai prediksi standar di sumbu X dan residual standar di sumbu Y. Titik yang menyebar acak di atas dan di bawah garis nol, tanpa pola yang jelas, artinya varians residualnya seragam. Titik yang bikin bentuk corong, kipas, atau lengkungan artinya ada masalah.
Cara bikinnya di SPSS cepat banget.
*SRESID ke kotak Y, dan *ZPRED ke kotak X.Ini panduan baca cepatnya.
| Pola titik | Artinya | Tindakan |
|---|---|---|
| Acak, lebar tetap dari kiri ke kanan | Homoskedastis, aman | Lanjut ke uji asumsi berikutnya |
| Corong melebar ke kanan | Varians naik ikut nilai prediksi | Coba transformasi log pada variabel terikat |
| Corong menyempit ke kanan | Varians turun ikut nilai prediksi | Cek apakah ada batas atas alami di datamu |
| Melengkung kayak busur | Bentuk hubungannya bukan garis lurus | Cek dulu uji linearitas sebelum lanjut |
Scatterplot bagus buat ngerti bentuk masalahnya. Tapi buat ditulis di bab 4, angka Glejser yang lebih kuat dipertanggungjawabkan.
Batasnya 0,05. Nilai Sig. di atas 0,05 untuk semua variabel bebas berarti nggak ada hubungan antara variabel bebas dan besar kecilnya residual, jadi asumsi homoskedastisitas terpenuhi. Satu variabel dengan Sig. di bawah 0,05 udah cukup buat bikin modelmu dinyatakan kena heteroskedastisitas.
Contoh kalimat kesimpulan yang bisa kamu pakai di skripsi: "Hasil uji Glejser menunjukkan nilai signifikansi seluruh variabel bebas berada di atas 0,05, sehingga model regresi dinyatakan bebas dari heteroskedastisitas."
Angka 0,05 ini bukan hukum alam, cuma kebiasaan. Beberapa penelitian pakai 0,01 kalau sampelnya gede banget, karena uji apa pun gampang jadi signifikan di sampel besar.
Aku pakai potongan dataset toko_berkah, kumpulan data 60 warung kelontong binaan koperasi di Jawa Barat. Variabel terikatnya omzet bulanan, variabel bebasnya belanja iklan dan jumlah SKU yang dijual.
| Warung | Belanja iklan (Rp) | Jumlah SKU | Omzet bulanan (Rp) |
|---|---|---|---|
| W-01 | 150.000 | 120 | 18.400.000 |
| W-02 | 0 | 85 | 11.900.000 |
| W-03 | 900.000 | 310 | 67.500.000 |
| W-04 | 320.000 | 140 | 22.100.000 |
| W-05 | 1.400.000 | 420 | 96.300.000 |
Regresi utama kasih hasil yang keliatan mulus. R square 0,78, dua variabel bebas sama-sama signifikan di bawah 0,05.
Lalu aku jalanin Glejser. Tabel Coefficients regresi kedua keluar begini.
| Variabel | t | Sig. | Kesimpulan |
|---|---|---|---|
| Belanja iklan | 2,864 | 0,006 | Ada heteroskedastisitas |
| Jumlah SKU | 1,192 | 0,238 | Aman |
Belanja iklan Sig. 0,006, jauh di bawah 0,05. Artinya makin gede belanja iklan sebuah warung, makin lebar juga meleset prediksinya.
Masuk akal kalau dilihat dari datanya. Warung yang belanja iklan 1,4 juta punya rentang omzet 40 juta sampai 96 juta, sedangkan warung yang nol iklan omzetnya nempel semua di kisaran 9 juta sampai 14 juta.
Perbaikannya sederhana. Aku ubah variabel terikat jadi LN(omzet) lewat Transform > Compute Variable, lalu jalanin ulang seluruh prosedur Glejser.
Hasil setelah transformasi: Sig. belanja iklan naik jadi 0,412 dan jumlah SKU 0,655. Dua-duanya aman, dan R square modelnya cuma turun tipis dari 0,78 ke 0,74.
Ini angka original dari dataset ngulikdata, dan polanya berulang di banyak data omzet UMKM. Rentang rupiah yang lebar hampir selalu bikin residual ikut melebar, dan log biasanya beresin itu dalam satu langkah.
Mulai SPSS Statistics 27, menu Linear Regression punya pilihan uji heteroskedastisitas resmi. Kamu nggak perlu bikin variabel ABS_RES manual lagi kalau versimu udah baru.
Detail menu tiap versi bisa kamu cek langsung di dokumentasi resmi IBM SPSS Statistics. Kalau dosen pembimbingmu mintanya Glejser, tetap pakai Glejser, karena itu yang paling umum dipakai di skripsi Indonesia.
Lima hal ini yang paling sering bikin hasil uji kelihatan aneh.
RES_1 mentah tanpa ABS, hasilnya pasti nggak signifikan semua, karena rata-rata residual OLS selalu nol. Uji jadi nggak ada artinya.Kalau kamu ngerapiin data hasil kuesioner sebelum masuk SPSS, hitung dulu rata-rata skor per responden pakai fungsi AVERAGE di Excel biar nggak ada salah ketik pas dipindah.
Buat mastiin varians error model regresimu stabil di semua level nilai prediksi. Kalau variansnya melebar, koefisien regresimu tetap nggak bias, tapi standard error-nya meleset. Akibatnya nilai t dan Sig. di tabel Coefficients bisa bohong. Uji ini yang bikin kamu yakin kesimpulan berpengaruh atau nggak berpengaruh itu beneran.
Semua variabel bebas harus punya Sig. di atas 0,05 di tabel Coefficients hasil regresi absolut residual. Satu variabel dengan Sig. 0,013 aja udah bikin modelmu dinyatakan kena heteroskedastisitas. Ingat, yang dibaca output regresi kedua dengan ABS_RES sebagai variabel terikat.
Ada empat jalan yang lazim. Transformasi variabel terikat pakai log atau akar, ini paling sering berhasil buat data rupiah. Tambahin variabel yang kelewat, karena masalahnya sering muncul gara-gara model kurang lengkap. Ubah skala jadi rasio kayak omzet per karyawan. Atau pakai robust standard error di SPSS 27 ke atas.
Ketiganya ngeliat hubungan antara residual dan variabel bebas, cuma beda bentuk. Glejser meregresikan nilai absolut residual langsung. Park meregresikan logaritma kuadrat residual. Spearman ngitung korelasi rank, jadi cocok buat data yang nggak normal. Glejser paling sering dipakai di skripsi Indonesia karena langkahnya paling pendek.
Ikut uji Glejser. Scatterplot itu penilaian mata, dan mata gampang ketipu di sampel kecil. Angka Glejser bisa kamu tulis di bab 4 dan dipertanggungjawabkan di sidang. Pakai scatterplot buat ngerti bentuk masalahnya, pakai Glejser buat nentuin kesimpulan resminya.
Sekarang kamu punya dua alat buat ngecek varians residual: uji Glejser yang kasih angka Sig., dan scatterplot yang kasih bentuk masalahnya. Kalau kena, log transform variabel terikat biasanya jadi perbaikan pertama yang paling cepat.
Uji asumsi klasik masih ada tiga lagi setelah ini. Lanjut ke uji multikolinearitas SPSS buat ngecek variabel bebasmu saling tumpang tindih atau nggak.
Mau latihan ngolah data sebelum masuk SPSS? Coba dataset penjualan di panduan pengolahan data, lalu praktekin langsung di NgulikSheet.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom datetime nyimpen tanggal, jam, hari, semuanya nempel jadi satu. Accessor .dt di pandas ngeluarin tiap bagian jadi kolom sendiri buat dianalisa.
Nama toko ketik campur huruf besar-kecil, spasi nyasar di ujung, atau kode produk nempel jadi satu. Accessor .str di pandas ngerapiin semua itu tanpa loop.
Model machine learning cuma ngerti angka, bukan teks kayak merah atau biru. get_dummies ngubah kolom kategori jadi kolom 0/1 dalam satu baris kode.