Uji Heteroskedastisitas: Jenis dan Cara Deteksi

Pendahuluan

Analisis regresi, baik sederhana maupun berganda, sering digunakan dalam penelitian kuantitatif untuk menguji hubungan antara variabel-variabel. Agar hasil estimasi dari model regresi dapat diandalkan, diperlukan sejumlah asumsi dasar yang harus dipenuhi. Salah satu asumsi penting dalam regresi adalah bahwa varians dari residual (error) model adalah konstan untuk seluruh pengamatan, yang dikenal sebagai homoskedastisitas. Namun, dalam praktik banyak terjadi pelanggaran terhadap asumsi ini, yaitu varians residual tidak konstan. Kondisi ini disebut sebagai heteroskedastisitas. Pelanggaran terhadap asumsi homoskedastisitas dapat menyebabkan inferensi statistik menjadi tidak valid, sehingga penting bagi peneliti untuk mendeteksi apakah model mengalami heteroskedastisitas atau tidak. Artikel ini akan membahas secara mendalam pengertian heteroskedastisitas, jenis-jenisnya, cara mendeteksi, serta implikasinya terhadap analisis regresi.

Definisi Heteroskedastisitas

Definisi Heteroskedastisitas Secara Umum

Secara umum, heteroskedastisitas merujuk pada kondisi di mana varians dari galat (residual error) dalam model regresi tidak konstan pada seluruh pengamatan. Artinya, error variance berubah-ubah tergantung pada nilai variabel independen atau urutan observasi. Dalam konteks regresi linear, jika varians error berbeda antar observasi maka model dianggap melanggar asumsi klasik mengenai kesamaan ragam kesalahan, ini disebut heteroskedastisitas. [Lihat sumber Disini - en.wikipedia.org]

Definisi Heteroskedastisitas dalam KBBI

Istilah “heteroskedastisitas” tidak ditemukan dalam edisi daring publik KBBI secara langsung sebagai entri leksikal umum. Istilah ini lebih merupakan terminologi teknis dari statistika/ekonometrika. Oleh karena itu, pengertian resmi dalam KBBI tidak tersedia. Konsekuensinya, ketika menggunakan istilah ini dalam penelitian, sering disertakan definisi operasional seperti “varians residual tidak konstan” yang dapat dijelaskan sebagaimana definisi teknis.

Definisi Heteroskedastisitas Menurut Para Ahli

Berikut beberapa definisi dari pakar/penulis yang banyak digunakan dalam literatur:

• Menurut penjelasan dasar dari literatur ekonometrika: heteroskedastisitas terjadi apabila varians kesalahan (error term) dari model regresi tidak konstan melintasi pengamatan. [Lihat sumber Disini - en.wikipedia.org]
• Dalam sumber pendidikan statistik, disebutkan bahwa jika variasi dari residual berbeda dari satu pengamatan ke pengamatan lain maka disebut heteroskedastisitas. [Lihat sumber Disini - accounting.binus.ac.id]
• Dalam konteks penelitian empiris di Indonesia: menurut penulis di salah satu jurnal tahun 2025, heteroskedastisitas didefinisikan sebagai keadaan di mana terjadi ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. [Lihat sumber Disini - journal.dharmawangsa.ac.id]
• Dalam jurnal terbitan 2024, disebut bahwa uji heteroskedastisitas adalah prosedur untuk mendeteksi apakah dalam model regresi terjadi ketidaksamaan variance residual antar pengamatan. [Lihat sumber Disini - journal.fkpt.org]

Dengan demikian, definisi operasional umum yang dipakai dalam banyak penelitian adalah: heteroskedastisitas = ketidakseragaman varians residual dalam model regresi.

Jenis-Jenis Heteroskedastisitas

Tergantung literatur dan konteks, heteroskedastisitas dapat dilihat dari beberapa bentuk/jenis. Berikut pembagian populer:

Heteroskedastisitas Bersyarat dan Tidak Bersyarat

• Heteroskedastisitas bersyarat (conditional heteroskedasticity): varians error tidak konstan dan variasinya bergantung pada volatilitas sebelumnya atau pada struktur tertentu dari data, cenderung dalam konteks data runtun waktu (time-series), misalnya volatilitas yang berubah-ubah tergantung periode sebelumnya. [Lihat sumber Disini - info.populix.co]
• Heteroskedastisitas tidak bersyarat (unconditional heteroskedasticity): varians error berubah tetapi perubahan tersebut tidak terkait dengan kondisi sebelumnya; bisa disebabkan oleh perbedaan karakteristik antar observasi (misalnya kelompok dengan ukuran berbeda, pendapatan berbeda, dll). [Lihat sumber Disini - info.populix.co]

Heteroskedastisitas Struktur

Dalam banyak literatur ekonometrika, heteroskedastisitas bisa disebabkan oleh spesifikasi model yang keliru, misalnya variabel yang relevan diabaikan, model non-linear diaplikasikan sebagai linear, atau variabel diukur dengan skala berbeda. Kondisi seperti ini sering disebut sebagai “struktur heteroskedastisitas.” [Lihat sumber Disini - binus.ac.id]

Dampak Heteroskedastisitas terhadap Model Regresi

Heteroskedastisitas dapat membawa sejumlah konsekuensi negatif jika tidak ditangani dengan benar:

• Estimasi parameter (koefisien regresi) tetap tidak bias, tetapi varians dari estimasi tersebut tidak efisien, artinya kita kehilangan sifat optimalitas (varians minimal) yang seharusnya ada pada estimasi. [Lihat sumber Disini - en.wikipedia.org]
• Kesalahan standar (standard errors) dari koefisien bisa menjadi bias, sehingga interval kepercayaan (confidence interval) dan uji signifikan (uji-t, uji-F) bisa keliru atau tidak valid. [Lihat sumber Disini - en.wikipedia.org]
• Kesimpulan dari penelitian bisa salah,misalnya menyimpulkan bahwa suatu variabel signifikan padahal sebenarnya tidak, atau sebaliknya, karena inferensi statistik terdistorsi. [Lihat sumber Disini - accounting.binus.ac.id]

Oleh sebab itu, deteksi dan penanganan heteroskedastisitas menjadi langkah penting dalam analisis regresi.

Cara Deteksi Heteroskedastisitas

Dalam praktik, ada beberapa metode populer untuk mendeteksi apakah model regresi mengalami heteroskedastisitas:

Grafik Scatterplot Residual vs Prediksi / Variabel Independen

Salah satu cara paling sederhana: plot residual (error) terhadap nilai prediksi (fitted values) atau terhadap salah satu variabel independen. Jika titik-titik pada grafik tersebar secara acak tanpa pola tertentu, dan simetris di atas dan di bawah garis nol, maka homoskedastisitas kemungkinan terpenuhi. Sedangkan jika titik-titik menunjukkan pola (misalnya makin melebar, membentuk kerucut, atau pola sistematis), maka itu indikasi heteroskedastisitas. [Lihat sumber Disini - accounting.binus.ac.id]

Uji Statistik: Uji Breusch–Pagan test, Uji White test, Uji Glejser test, dan lainnya

• Breusch–Pagan test: metode klasik untuk mendeteksi heteroskedastisitas dengan menguji apakah varians residual berhubungan dengan variabel independen. Bila p-value dari uji ini lebih kecil dari α (misalnya 0,05), maka dapat disimpulkan ada heteroskedastisitas. [Lihat sumber Disini - accounting.binus.ac.id]
• White test: lebih fleksibel dibanding Breusch–Pagan karena tidak memerlukan asumsi spesifik tentang bentuk heteroskedastisitas (linier atau non-linier). Cocok ketika bentuk varians error sulit ditebak. [Lihat sumber Disini - blogs.unpad.ac.id]
• Glejser test: melibatkan regresi nilai absolut residual terhadap variabel independen; jika koefisien regresi signifikan, maka itu indikasi heteroskedastisitas. Banyak penelitian di Indonesia menggunakan metode ini untuk uji asumsi klasik. [Lihat sumber Disini - ejournal.unsrat.ac.id]

Uji Alternatif / Modern (untuk data kompleks / high-dimensional)

Dalam literatur terbaru, terutama ketika model melibatkan banyak variabel/prediktor (high-dimensional), telah dikembangkan metode deteksi heteroskedastisitas baru, misalnya berdasarkan machine learning atau random forests, untuk mendeteksi varians yang berubah secara kompleks. Sebagai contoh, sebuah studi 2022 mengusulkan “variance difference test” dan “variance difference Breusch–Pagan test” untuk regresi dengan banyak prediktor. [Lihat sumber Disini - arxiv.org]

Penanganan Jika Ditemukan Heteroskedastisitas

Jika deteksi menunjukkan bahwa model mengalami heteroskedastisitas, ada beberapa cara untuk mengatasinya supaya estimasi dan inferensi menjadi valid:

• Transformasi variabel: misalnya transformasi logaritma terhadap variabel dependen atau independen, agar varians residual menjadi lebih stabil. [Lihat sumber Disini - accounting.binus.ac.id]
• Menggunakan metode estimasi alternatif: misalnya estimasi dengan Weighted Least Squares (WLS), yang memberikan bobot berbeda pada observasi berdasarkan varians error, sehingga bisa mengoreksi ketidaksamaan varians. [Lihat sumber Disini - ojs.unud.ac.id]
• Menggunakan standard error yang robust terhadap heteroskedastisitas (heteroskedasticity-consistent standard errors / robust standard errors), banyak software statistik mendukung ini. [Lihat sumber Disini - en.wikipedia.org]
• Peninjauan ulang spesifikasi model: memastikan variabel relevan sudah masuk, model sesuai karakteristik data (linear vs non-linear), serta memeriksa apakah ada variabel omitted yang menyebabkan varians error berubah. [Lihat sumber Disini - binus.ac.id]

Contoh Penggunaan Uji Heteroskedastisitas dalam Penelitian di Indonesia

• Penelitian tahun 2025 pada analisis faktor kemiskinan menggunakan regresi,penulis melakukan uji heteroskedastisitas untuk memastikan varians residual konsisten antar observasi. [Lihat sumber Disini - journalcenter.org]
• Studi 2024 tentang pengaruh kualitas produk dan citra merek terhadap kepuasan konsumen menggunakan regresi linear berganda, dan sebelum interpretasi hasil, dilakukan uji heteroskedastisitas terlebih dahulu. [Lihat sumber Disini - ejournal.unsrat.ac.id]
• Artikel metodologi 2021 menjelaskan penggunaan grafik scatterplot maupun uji Breusch–Pagan / White / Glejser sebagai bagian dari uji asumsi klasik regresi. [Lihat sumber Disini - accounting.binus.ac.id]

Kesimpulan

Heteroskedastisitas merupakan kondisi di mana varians residual dalam model regresi tidak konstan antar observasi, sebuah pelanggaran terhadap asumsi penting dalam analisis regresi. Kondisi ini dapat menyebabkan estimasi varians parameter menjadi tidak efisien dan inferensi statistik menjadi tidak valid, sehingga hasil penelitian bisa menyesatkan. Untuk mendeteksinya, peneliti dapat menggunakan grafik scatterplot, serta uji statistik seperti Breusch–Pagan, White, atau Glejser. Bila ditemukan heteroskedastisitas, ada sejumlah strategi untuk memperbaiki model, seperti mentransformasi variabel, menggunakan metode estimasi alternatif seperti WLS, atau memakai standard error yang robust. Oleh karena itu, pelaksanaan uji heteroskedastisitas sebaiknya menjadi bagian rutin dari analisis regresi, agar hasil penelitian dapat dipercaya dan kesimpulan yang diambil valid.