Dalam analisis regresi, heteroskedastisitas adalah suatu masalah yang dapat mengganggu akurasi model regresi. Heteroskedastisitas terjadi ketika titik-titik data penyebaran tidak berpola dan tidak terlihat pola bergelombang melebar kemudian menyempit dan melebar kembali.

DEFINISI HETEROSKEDASTISITAS

Heteroskedastisitas terjadi jika titik-titik data penyebaran:

1. Titik-titik data penyebar di atas dan di bawah atau di sekitar angka 0.
2. Titik-titik tidak mengumpul hanya di atas atau di bawah saja.
3. Penyebaran titik-titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
4. Penyebaran titik-titik data tidak berpola.

CONTOH KASUS UJI HETEROSKEDASTISITAS

Data penelitian yang akan saya gunakan dalam uji heteroskedastisitas untuk contoh kali ini yakni data “Pengaruh Profesionalisme [X1] dan Motivasi [X2] terhadap Kinerja [Y]” dengan jumlah sampel sebanyak 72.

LANGKAH-LANGKAH MENDETEKSI HETEROSKEDASTISITAS DENGAN GAMBAR SCATTERPLOTS SPSS

1. Buka program SPSS, klik Variable View, dan tuliskan X1, X2, Y.
2. Klik Data View, masukkan data penelitian sesuai dengan nama variabel yang ada.
3. Klik menu Analyze –Regression –Linear.
4. Masukkan variabel Profesionalisme [X1] dan Motivasi [X2] ke kotak Independent(s), dan masukkan variabel Kinerja [Y] ke kotak Dependent.
5. Pilih Enter, setelah itu klik Plots.
6. Masukkan *ZPRED pada kotak X dan *SRESID pada kotak Y, lalu klik Continue.
7. Terakhir klik Ok.

ANALISIS OUTPUT SCATTERPLOTS SPSS

Dengan melihat output Scatterplots di atas, dapat disimpulkan bahwa tidak terjadi masalah heteroskedastitas, sehingga model regresi yang baik dan ideal dapat terpenuhi.

SOLUSI MENGATASI JIKA TERDAPAT GELAJA HETEROSKEDASTISITAS

Dalam kasus lain, saat dimungkinkan terjadi masalah heteroskedastisitas. Alternatif solusi yang dapat anda lakukan untuk mengatasi masalah tersebut adalah:

• Melakukan transformasi data ke bentuk lain seperti: Log atau Ln
• Mengganti metode pengujian heteroskedastisitas dengan metode yang lain seperti: Uji Glejser
• Mengurangi jumlah data [outlier data ekstrim]
• Menambah atau menganti data atau jumlah sample

Saya berhenti di sini dan semoga bermanfaat.