Anda di halaman 1dari 56

KATA PENGANTAR

Puji dan syukur kita panjatkan kehadirat Allah SWT., shalawat dan salam yang senantiasa tercurah kepada junjungan dan tauladan, Muhammad Rasulullah, keluarga dan para sahabatnya. Alhamdulillah atas segala rahmat dan karuniaNya sehingga pada kesempatan kali ini, saya dapat menyelesaikan Modul SPSS 17.0. Modul SPSS 17.0 dibuat sebagai panduan belajar mengenai salah satu perhitungan statistik yang pada umumnya kerap dihadapi oleh mahasiswa dalam mengerjakan tugas. Modul ini memuat tentang cara meregresikan data dalam jumlah banyak dengan langkah-langkah yang mudah untuk dipahami dan dipelajari. Saya menyadari bahwa modul ini masih jauh dari kata sempurna karena keterbatasan yang saya miliki, karena itu saya mengucapkan terima kasih untuk saran dan kritik yang telah terima maupun yang akan diterima. saya juga menyadari bahwasanya di dalam penyusunan modul ini tidak dapat berjalan dengan baik tanpa bantuan berbagai pihak, untuk itu saya mengucapkan terima kasih kepada semua pihak yang telah membantu dalam pembuatan modul ini. Dan juga kepada pembaca yang telah menggunakan modul ini sebagai salah satu sumber pembelajaran . Semoga modul ini dapat bermanfaat bagi para pembaca untuk memberikan tambahan pengetahuan, dan wawasan mengenai salah satu program statistik khususnya SPSS 17.0

mengenai salah satu program statistik khususnya SPSS 17.0 Ayu Zuriah Dilarang menggandakan seijin tim penyusun 1
Ayu Zuriah
Ayu Zuriah

Dilarang menggandakan seijin tim penyusun

1

BAB I

PENDAHULUAN

SPSS (Statistical Package for the Social Sciences) adalah sebuah program pada komputer yang digunakan untuk membuat analisis statistika. SPSS (pertama dirilis pada tahun 1968, dan diciptakan oleh Norman Nie, seorang lulusan Fakultas Ilmu Politik dari Stanford University, yang sekarang menjadi Profesor Peneliti Fakultas Ilmu Politik di Stanford dan Profesor Emeritus Ilmu Politik di University of Chicago.

dan Profesor Emeritus Ilmu Politik di University of Chicago. Sekarang ini SPSS yang berkembang sudah berbasis

Sekarang ini SPSS yang berkembang sudah berbasis Windows sehingga di kenal dengan SPSS for windows. Petama kali muncul versi windows adalah SPSS for Windows versi 6.00, hingga kini SPSS yang paling terbaru adalah SPSS 19. SPSS memilik banyak kegunaan bagi pengguna seperti peneliti pasar, peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi pemasaran, dan sebagainya.

Pada dasarnya pengoperasian SPSS memiliki kesamaan dalam berbagai versi, perbedaan hanya pada fasilitas tambahan yang ditawarkan. Selain itu, SPSS merupakan software statistik yang paling populer, fasilitasnya sangat lengkap dibandingkan dengan software lainnya. Oleh karena itu, diharapkan dengan penggunaan SPSS dapat memberikan kemudahan dan ketepatan dalam mengolah data.

Ada beberapa teknik statistik yang dapat digunakan untuk menganalisis data. Tujuan dari analisis data adalah untuk mendapatkan informasi yang relevan yang terdapat dalam data tersebut dan menggunakan hasilnya untuk memecahkan suatu masalah. Dalam bab pendahuluan ini, sebelum mengolah data, diperlukan pengelompokkan data terlebih dahulu agar dapat menghasilkan penelitian dengan hasil yang baik.

DATA PENELITIAN

Data metriks atau data kuantitatif yaitu data yang berupa angka menunjukkan jumlah atau banyaknya sesuatu unit.

Data nonmetrik atau data kualitatif yaitu data yang berupa huruf, data yang dikategorisasi tetapi tidak dapat dikuantitatifkan atau dioperasikan dalam hitungan. misalnya jenis kelamin.

Dilarang menggandakan seijin tim penyusun

2

TIPE SKALA PENGUKURAN

Skala Nominal yaitu skala pengukuran yang menyatakan kategori interistik atau klasifikasi dari konstruksi yang diukur dalam bentuk variabel dan merupakan data nonparametik atau data kualitatif (data bukan angka). Contohnya jenis kelamin.

Skala Ordinal yaitu skala pengukuran yang tidak hanya menyatakan kategori tapi juga menyatakan peringkat konstruksi yang diukur dan data nonparametik atau data kualitatif.

• •

Skala Internal (Jarak) yaitu skala pengukuran yang menyatakan kategori, peringkat dan jarak konstruksi. Skala interval mempunyai karakteristik seperti yang dimiliki oleh skala nominal dan ordinal dan ditambah ada interval yang tetap dan menggunakan data parametik atau data kuantitatif (data yang berupa angka).

Skala Ratio yaitu skala perbandingan yang menunjukkan kategori, peringkat, jarak dan perbandingan konstruksi yang diukur. Skala ratio memiliki semua karakteristik yang dipunyai oleh skala nominal, ordinal, dan interval dan merupakan data parametik atau kuantitatif (data yang berupa angka). Pengukuran rasio biasanya dalam bentuk perbandingan antara satu individu dengan objek lainnya.

Dilarang menggandakan seijin tim penyusun

3

BAB II

PENGENALAN SPSS

MEMBUKA FILE BARU

Untuk file baru dapat dibuat dengan mengaktifkan SPSS 17.0 dilakukan dengan cara yaitu :

1)

mengaktifkan SPSS 17.0 dilakukan dengan cara yaitu : 1) Klik menu Start Klik All Programs Klik

Klik menu Start Klik All Programs Klik SPSS for inc

2) 3)
2)
3)
menu Start Klik All Programs Klik SPSS for inc 2) 3) Gambar 2.1 Tampilan Menu Start

Gambar 2.1 Tampilan Menu Start

4)

Klik SPSS Statistics 17.0, maka akan muncul tampilan seperti di bawah ini :

Dilarang menggandakan seijin tim penyusun

4

Gambar 2.2 SPSS 17.0 1 2 3 4 5 6
Gambar 2.2 SPSS 17.0
1
2
3
4
5
6

Gambar 2.3 Memulai SPSS 17.0

Dilarang menggandakan seijin tim penyusun

5

Keterangan

:

Run the tutorial merupakan pilihan apabila akan menjalankan tutorial SPSS Memiliki tampilan seperti yang ada di bawah ini :

Gambar 2.4 Submenu Run the tutorial yang terletak di bawah kanan tutorial.
Gambar 2.4 Submenu Run the tutorial
yang terletak di bawah kanan tutorial.

Ada 14 macam tutorial yang disajikan dalam SPSS 17.0 dan apabila ingin memilih salah satu di anataranya, arahkan kursor dan klik bagian tutorial yang ingin dituju. Selanjutnya untuk menjalankan tutorial dengan meng-klik tanda

Type in data. Apabila akan memasukkan data baru dengan pilihan perintah Type in data, maka secara otomatis SPSS akan memunculkan pada data view dan variabel view.

Run an existing query. Pilihan ini memuat menu Open atau membuka file dengan tipe file *.spq. Create new query using Database Wizard merupakan pilihan untuk mengekstrak data non-SPSS. Biasanya default SPSS adalah data source Dbase Files, Excel Files, MS Access Database, dan Visio Database Simples. Untuk

Dilarang menggandakan seijin tim penyusun

6

mengambil data selain default ini, klik Add ODBC Data Source seperti tampilan di bawah ini :

Gambar 2.5 Tampilan Database Wizard Gambar 2.6 Tampilan SPSS 17.0
Gambar 2.5 Tampilan Database Wizard
Gambar 2.6 Tampilan SPSS 17.0

Open an existing data source merupakan pilihan apabila akan membuka file yang baru dibuka atau dengan tipe file *.sav

Dilarang menggandakan seijin tim penyusun

7

Open another type or file merupakan pilihan untuk membuka file dengan tipe file selain *.sav.

5)

Setelah memilih salah satu dari cara membuka file maka klik OK.

DATA EDITOR

Ada 2 macam data editor di dalam SPSS yaitu :

1. Data view

Ada 2 macam data editor di dalam SPSS yaitu : 1. Data view Data view adalah

Data view adalah tempat di mana data statistik yang akan diolah (sudah dalam bentuk angka skala). Data view memiliki tampilan seperti di bawah ini :

A B C D E
A
B
C
D
E
view memiliki tampilan seperti di bawah ini : A B C D E Gambar 2.7 Tampilan

Gambar 2.7 Tampilan Data View

Dilarang menggandakan seijin tim penyusun

8

Keterangan :

a) Title bar merupakan nama dari judul SPSS yang sedang dibuka. Pada umumnya, nama yang diberikan oleh SPSS pada saat membuka pertama kali yaitu Untitled1[DataSet0]- SPSS Statistics Data Editor.
b) Menu berisi perintah mengenai menu di mana di dalamnya terdapat Submenu yang digunakan untuk memproses data yang akan diolah. o File, pada menu utama File memuat 20 pilihan sub-menu.

o File , pada menu utama File memuat 20 pilihan sub-menu. Gambar 2.8 Tampilan menu File
Gambar 2.8 Tampilan menu File
Gambar 2.8 Tampilan menu File

Pada menu utama File memuat sub-submenu tentang file, di antaranya membuat file baru (New), membuka (Open), menutup (Close), dan menyimpan file (Save-Save As…). o Edit merupakan submenu untuk melakukan pengeditan data yang telah dimasukkan pada SPSS Data Editor. Beberapa kegunaan dari submenu dari menu utama Edit adalah melakukan undo atau mengembalikan action terakhir yang dilakukan, sedangkan redo sebaliknya, cut clear untuk menghapus data, copy

redo sebaliknya, cut – clear untuk menghapus data, copy – Dilarang menggandakan seijin tim penyusun 9

Dilarang menggandakan seijin tim penyusun

9

paste untuk menggandakan dan duplikasi data, find untuk mencari data, dan copy paste variable untuk mengganti variabel data.

Gambar 2.9 Tampilan menu Edit Gambar 2.10 Tampilan menu Edit
Gambar 2.9 Tampilan menu Edit
Gambar 2.10 Tampilan menu Edit

o View, merupakan menu yang menampilkan submenu untuk menampilkan status toolbar yang sedang aktif (Status Bar), toolbar dan font huruf yang digunakan. Pilihan submenu dari menu utama View seperti berikut :

Dilarang menggandakan seijin tim penyusun

10

o Data, merupakan menu yang menampilkan submenu untuk melakukan perubahan-

perubahan terhadap data SPSS, seperti mendefinisikan nilai label data (define

variable properties…), mendefinisikan waktu (define dates…), mengurutkan data (sort cases), dan memisah isi file dengan riteria tertentu (split file).

Gambar 2.11 Tampilan menu Data
Gambar 2.11 Tampilan menu Data

o Transform, merupakan pilihan menu utama yang melakukan operasi transformasi

data, seperti menghitung variabel data (compute variable…), mengubah data (recode

into same variables…- recode into different variables…) ataupun me-ranking data

(rank cases).

Dilarang menggandakan seijin tim penyusun

11

Gambar 2.12 Tampilan menu Transform o Analyze, merupakan menu utama yang menjadi pusat pengolahan data
Gambar 2.12 Tampilan menu Transform
o Analyze, merupakan menu utama yang menjadi pusat pengolahan data SPSS,
menampilkan 21 submenu.
Gambar 2.13 Tampilan menu analyze
12
Dilarang menggandakan seijin tim penyusun

o Graphs, dikelompokkan hanya menjadi 4 submenu, yang menampilkan berbagai

bentuk grafik dan chart.

Gambar 2.14 Tampilan menu Graphs o
Gambar 2.14 Tampilan menu Graphs
o

Utilities, menu utama yang merupakan pelengkap pada pengoperasian SPSS ini

menyajikan 9 submenu. Beberapa kegunaansubmenu dari menu utama Utilities

adalah

informasivariabel
informasivariabel

menampilkan

dan

utama Utilities adalah informasivariabel menampilkan dan ( variables… ), mendefinisikan, menampilkan variabel data

(variables…),

mendefinisikan,

menampilkan variabel data (define-use variabel sets…).

Gambar 2.15 Tampilan menu Utilities
Gambar 2.15 Tampilan menu Utilities

Dilarang menggandakan seijin tim penyusun

13

o Add-ons, merupakan menu utama yang menawarkan pelayanan SPSS lewat

website.

Gambar 2.16 Tampilan menu Add-ons o Window, menu ini memberikan informasi window yang sedang aktif.
Gambar 2.16 Tampilan menu Add-ons
o Window, menu ini memberikan informasi window yang sedang aktif.
Gambar 2.17 Tampilam menu Window

o Help, menu yang memuat 9 submenu ini memberikan bantuan informasi tentang

topik-topik SPSS (topics) ataupun dalam bentuk tutorial (tutorial).

Dilarang menggandakan seijin tim penyusun

14

Gambar 2.18 Tampilan menu Help c) merupakan icon untuk membuka file. merupakan icon untuk menyimpan
Gambar 2.18 Tampilan menu Help
c)
merupakan icon untuk membuka file.
merupakan icon untuk menyimpan file.
merupakan icon untuk mencetak data.
icon untuk mengembalikan action terakhir.
icon untuk mengulang action yang baru saja dilakukan.
icon untuk mengulang action yang baru saja dilakukan. Toolbar berisi icons yang membantu dan mempermudah

Toolbar berisi icons yang membantu dan mempermudah mengelola data dengan cepat. Berikut beberapa icons yang terdapat pada toolbar :

Baris Nama Variabel merupakan tempat yang menunjukkan nama dari suatu variabel. Untuk pertama kali baris nama variabel diberi nama Var. Untuk mengganti nama variabel dapat melalui variabel view dan mengganti dengan cara double klik kotak variabel tersebut.

e) Baris data Merupakan barisan yang berisi data-data dalam jumlah banyak yang merupakan data daripada varibel tersebut.

d)

Dilarang menggandakan seijin tim penyusun

15

2.

Variabel view

Variabel view merupakan bagian yang digunakan untuk mendefinisikan variabel data yang akan dimasukkan. Untuk mengaktifkan kotak Variabel View lakukan dengan klik Variabel View (bagian yang diberi kotak). Variabel view memiliki gambar seperti di bawah ini :

3 4 5 6 8 2 7 9 1 10 Gambar 2.19 Tampilan Variabel Di
3
4
5
6
8
2
7
9
1
10
Gambar 2.19 Tampilan Variabel
Di dalam Variabel View di atas memiliki keterangan sebagai berikut:

Name : berisi nama variabel. Misal dengan memberikan nama variabel data pertama, maka klik kolom Name pada baris pertama, misalnya Jenis Kelamin.

Type : merupakan tipe data, berbagai macam type yang ada memiliki fungsi yang berbeda yaitu :

a. numeric untuk data angka dengan lebar 8 digit dan 2 angka desimal di belakang koma

b. string untuk data teks, biasanya data berupa nama. Contoh : nama perusahaan.

Dilarang menggandakan seijin tim penyusun

16

c. Date adalah data yang dimasukkan berupa tanggal dst.

Gambar 2.20 Tampilan • • • • Value : untuk memberi kodefikasi, misalnya Motor=1, Mobil=2,
Gambar 2.20 Tampilan
Value : untuk memberi kodefikasi, misalnya Motor=1, Mobil=2, 3=Jalan kaki.
Gambar 2.21 Tampilan

Width : diisikan sejumlah karakter (lebar kolom) yang akan diinput dalam Data View. Untuk tipe data numerik, lebar maksimal 40 digit, sedangkan tipe data string lebar maksimal 32767digit. Apabila menginginkan menambah lebar ditambah, klik tanda panah ke atas, sebaliknya untuk mengurangi digit lebar, klik panah ke bawah.

Decimal : diisi jumlah desimal karakter maksimal yang akan diinput dalam Data View. SPSS memberikan default 2 angka desimal di belakang koma. Jika jumlah desimal ingin ditambah, klik tanda panah ke atas dan sebaliknya untuk mengurangi digit lebar, klik panah ke bawah.

Label : kolom yang menunjukkan tambahan informasi dengan memberikan label variabel data.

Dilarang menggandakan seijin tim penyusun

17

Missing : untuk merupakan kolom yang menunjukkan data yang hilang) Namun, jika data lengkap (tidak ada data yang hilang) maka kolom ini dapat diabaikan.

Gambar 2.22 Tampilan Missing • Columns : Memiliki fungsi mengubah • Gambar 2.23 Tampilan Submenu
Gambar 2.22 Tampilan Missing
Columns : Memiliki fungsi
mengubah
Gambar 2.23 Tampilan Submenu Align

jumlah karakter yang dapat dimasukkan pada

suatu variabel tertentu. Bila kita mengisi coloumns dengan angka 2, maka hanya dua digit data saja yang dapat dimasukkan pada variabel tersebut.

Align : untuk pengaturan tampilan perataan kata dalam Data View, seperti left, centre, right.

Measure : merupakan tipe variabel yang akan menentukan jenis analisis yang akan digunakan. Maka secara default akan terpilih Nominal atau ordinal , jika variabel bertipe

Dilarang menggandakan seijin tim penyusun

18

string. Scale digunakan apabila data yang ingin kita olah akan dibuat skala pengukuran

(range).

Gambar 2.24 Tampilan Measure
Gambar 2.24 Tampilan Measure

MEMINDAHKAN DATA

Di bawah ini adalah Tabel 1.1 yang merupakan contoh data yang akan diolah ke dalam SPSS

di mana jumlah data ada 84 buah dengan variabel DER(Hutang), NPM(Net Profit Margin), STKTR

Tabel 2.1 Data Penelitian SPSS STKTR NAMA OBS DER NPM AKTV GROWTH CR AALI 1
Tabel 2.1
Data Penelitian SPSS
STKTR
NAMA
OBS
DER
NPM
AKTV
GROWTH
CR
AALI
1
0,19
23,45
0,41
-0,06
1,68
ANTM
2
1,11
26,37
0,6
0,06
2,68
ASII
3
1,81
9,3
0,19
0,56
0,74
INCO
4
0,29
30,25
0,72
0,15
3,65
INDF
5
2,33
1,34
0,41
-0,06
1,47
INKP
6
1,57
10,41
0,68
0,03
3,09
ISAT
7
1,28
14,25
0,66
0,18
1,39
PTBA
8
0,38
16,27
0,16
0,19
4,51

AKTV(Struktur Aktiva), GROWTH(pertumbuhan), CR (Current Rasio) :

Dilarang menggandakan seijin tim penyusun

19

SMCB 9 2,98 7,67 0,83 -0,03 1,68 TLKM 10 1,4 10,36 0,74 0,1 0,76 UNTR
SMCB
9
2,98
7,67
0,83
-0,03
1,68
TLKM
10
1,4
10,36
0,74
0,1
0,76
UNTR
11
1,58
8,32
0,41
0,57
1,55
BLTA
12
2,94
25,41
0,66
0,81
1,46
PGAS
13
1,83
16,72
0,57
0,14
3,59
UNSP
14
1,54
13,5
0,22
0,11
2,09
AALI
15
0,24
20,95
0,44
0,1
0,87
ANTM
16
0,7
27,58
0,46
0,14
0,46
ASII
17
1,41
6,69
0,22
-0,05
0,78
INCO
18
0,26
38,38
0,57
0,18
4,6
INDF
19
2,13
3,01
0,4
0,09
1
INKP
20
0,02
28,44
0,25
-0,99
1,51
ISAT
21
1,24
11,52
0,73
0,04
0,83
PTBA
22
0,35
13,74
0,13
0,09
5,44
SMCB
23
2,37
5,88
0,84
-0,04
1,23
TLKM
24
1,39
21,46
0,74
0,21
0,68
UNTR
25
1,44
6,78
0,46
0,06
1,34
BLTA
26
1,62
39,21
0,72
0,04
1,53
PGAS
27
1,61
28,54
0,86
0,2
1,45
UNSP
28
1,78
14,64
0,19
0,43
3,55
AALI
29
0,28
33,11
0,33
0,53
1,6
ANTM
30
0,37
42,74
0,25
0,65
0,67
ASII
31
1,17
9,29
0,22
0,1
0,91
INCO
32
0,36
50,43
0,66
-0,07
2
INDF
33
2,62
3,52
0,27
0,83
0,92
INKP
34
0,02
25,81
0,36
0,05
8,44
ISAT
35
1,72
12,38
0,67
0,32
0,93
PTBA
36
0,4
18,43
0,09
0,26
4,43
SMCB
37
2,19
4,51
0,79
0,02
1,33
TLKM
38
1,16
21,63
0,75
0,09
0,77
UNTR
39
1,26
8,22
0,43
0,16
1,34
BLTA
40
2,2
20,84
0,76
1
0,7
PGAS
41
2,11
17,87
0,81
0,35
1,17
UNSP
42
0,81
10,6
0,17
1
3,17
AALI
43
0,23
32,24
0,31
0,22
1,94
ANTM
44
0,26
14,26
0,28
-0,15
0,57
ASII
45
1,21
9,47
0,01
0,27
1,32
INCO
46
0,21
27,38
0,73
0,14
4,89
INDF
47
3,11
2,67
0,24
0,34
0,9
INKP
48
0
21,88
0,41
0,01
3,96

Dilarang menggandakan seijin tim penyusun

20

ISAT 49 1,95 10,07 0,74 0,14 0,9 PTBA 50 0,51 23,67 0,06 0,55 3,66 SMCB
ISAT
49 1,95
10,07
0,74
0,14
0,9
PTBA
50 0,51
23,67
0,06
0,55
3,66
SMCB
51 2,02
5,88
0,73
0,06
1,68
TLKM
52 1,38
17,5
0,78
0,11
0,54
UNTR
53 1,05
9,54
0,42
0,76
1,64
BLTA
54 3,24
22,24
0,83
0,21
0,71
PGAS
55 2,47
4,95
0,69
0,26
2,18
UNSP
56
0,9
5,92
0,16
0,09
1,49
AALI
57
0,18
22,37
0,32
0,16
1,83
ANTM
58
0,21
6,94
0,29
-0,03
0,55
ASII
59
1
10,19
0,25
0,1
1,37
INCO
60
0,29
22,4
0,68
-0,05
7,24
INDF
61
2,45
5,59
0,27
0,02
1,16
INKP
62
0,01
-33,67
0,4
-0,01
8,86
ISAT
63
2,05
8,15
0,81
0,06
0,55
PTBA
64
0,4
30,48
0,05
0,32
4,91
SMCB
65
1,19
15,07
0,75
-0,05
1,27
TLKM
66
1,22
17,54
0,78
0,07
0,61
UNTR
67
0,76
13,06
0,48
0,07
1,66
BLTA
68
3,04
-46,23
0,78
-0,06
0,76
PGAS
69
1,35
34,56
0,6
0,12
2,48
UNSP
70
0,9
10,87
0,14
0,08
1,01
AALI
71
0,23
21,47
0,32
0,12
1,32
ANTM
72
0,2
16,59
0,26
0,06
0,57
ASII
73
1,07
10,9
0,22
0,21
1,26
INCO
74
0,44
34,68
0,63
0,05
6,84
INDF
75
2,2
7,94
0,27
0,06
0,12
INKP
76
0,01
-6,05
0,4
-0,01
1,03
ISAT
77
2,16
3,58
0,77
0,02
0,79
PTBA
78
0,37
23,55
0,05
0,02
5,97
SMCB
79
0,86
14,45
0,73
0,01
1,49
TLKM
80
1,09
17,14
0,76
0,03
0,79
UNTR
81
0,77
10,64
0,47
0,14
1,59
BLTA
82 2,65
7,43
0,79
0,02
1,1
PGAS
83 1,38
32,18
0,56
0,06
2,94
UNSP
84 0,92
12,94
0,2
1,97
1,38

Kemudian langkah yang dilakukan untuk memindahkan data ke dalam SPSS dengan :

Klik Start All Programs SPSS Inc SPSS Stasistic 17.0

Dilarang menggandakan seijin tim penyusun

21

Pilih Type in data, Copy data di atas dan Paste di Data View seperti gambar di bawah ini :

Gambar 2.25 Tampilan Data pada Data View
Gambar 2.25 Tampilan Data pada Data View

Untuk mengganti nama variabel pada data view, dengan cara :

MENGGANTI NAMA VARIABLE

• Membuka Variabel View Gambar 2.26 Tampilan Variable View
• Membuka Variabel View
Gambar 2.26 Tampilan Variable View

Dilarang menggandakan seijin tim penyusun

22

Double klik variabel pada Tab Nama untuk mengganti sesuai dengan variabel yang dihendaki.

Gambar 2.27 Mengganti nama Untuk menyimpan data dalam SPSS, hal yang perlu kita lakukan :
Gambar 2.27 Mengganti nama
Untuk menyimpan data dalam SPSS, hal yang perlu kita lakukan :
• Pada file yang sedang di buka pada SPSS, klik menu File
• Pilih Submenu Save As
Gambar 2.28 Tampilan Save As

MENYIMPAN FILE

Dilarang menggandakan seijin tim penyusun

23

Maka akan mucul kotak seperti d bawah ini, dan pada kotak File name berisi nama file yang akan kita simpan misalnya SPSS.REGRESI dan pada kotak Save as type berisi SPSS Statistics (*sav)

Gambar 2.29 Tampilan Save Data As •
Gambar 2.29 Tampilan Save Data As

Pilih Save, maka data akan tersimpan dengan nama file SPSS.REGRESI.sav.

Dilarang menggandakan seijin tim penyusun

24

BAB III DATA SCREENING DAN TRANSFORMASI

Untuk melakukan uji statistik langkah awal yang harus dilakukan adalah dengan screening terhadap data yang akan diolah. Salah satu asumsi penggunaan statistika parametik adalah asumsi multivariate normality. Multivariate normality merupakan asumsi bahwa setiap variabel dan semua kombinasi linear dari variabel distribusi normal. Asumsi multivariate normality ini dapat diuji dengan melihat normalitas suatu variabel. Screening terhadap normalitas data merupakan langkah awal yang harus dilakukan untuk setiap multivariate. Dengan demikian, data yang berdistribusi normal akan menghasilkan model regresi yang baik. Ada beberapa cara yang dapat digunakan dalam mendekteksi normalitas data, namun pada modul ini akan menjelaskan mengenai uji statitik Kolmogorov-Smirnov. Langkah analisis :

uji statitik Kolmogorov-Smirnov . Langkah analisis : • Buka file SPSS.REGRESI.SAV • Gambar 3.1 Tampilan
• Buka file SPSS.REGRESI.SAV • Gambar 3.1 Tampilan 1-Sample K-S
Buka file SPSS.REGRESI.SAV
Gambar 3.1 Tampilan 1-Sample K-S

Dari menu utama SPSS, pilih menu Analyze, lalu pilih Non-parametic test, kemudian pilih submenu 1-sample K-S.

Dilarang menggandakan seijin tim penyusun

25

Maka akan muncul tampilan seperti di bawah ini :

Gambar 3.2 Tampilan One-Sample Kolmogorov-Smirnov • Pada layar One-Sample Kolmogorov-Smirnov Test, isi variabel DER,
Gambar 3.2 Tampilan One-Sample Kolmogorov-Smirnov
• Pada layar One-Sample Kolmogorov-Smirnov Test, isi variabel DER, NPM,
NET_SLS, STR_AKT, GROW dan CURRENT RATIO pada kotak Test
Variable List.
• Untuk Test Distribution klik pada bagian Normal.
• Kemudian OK.
• Maka akan menghasilkan output :
TABEL 3.1
HASIL ONE-SAMPLE KOLMOGOROV-SMIRNOV TEST
One-Sample Kolmogorov-Smirnov Test
CURRENT
DER
NPM
NET_SLS
STR_AKT
GROW
RATIO
N
84
84
84
84
84
84
Normal Parameters a,,b
Mean
1.2190
15.3839
18041991.23
.4786
.1805
2.0456
Std. Deviation
.87445
13.74536
2.300E7
.24758
.33427
1.83172
Most Extreme
Absolute
.123
.130
.237
.144
.229
.269
Differences
Positive
.123
.059
.237
.098
.229
.269
Negative
-.082
-.130
-.217
-.144
-.203
-.182
26
Dilarang menggandakan seijin tim penyusun
Kolmogorov-Smirnov Z 1.129 1.190 2.176 1.316 2.100 2.464 Asymp. Sig. (2-tailed) .156 .118 .000 .063
Kolmogorov-Smirnov Z
1.129
1.190
2.176
1.316
2.100
2.464
Asymp. Sig. (2-tailed)
.156
.118
.000
.063
.000
.000
a. Test distribution is Normal. b. Calculated from data.

Untuk probabilitas berdasarkan tabel di atas bahwa untuk variabel DER 0.156 , NPM 0.118, STR_AKT 0.063 memiliki nilai di atas α= 0.05 yang artinya bahwa variabel-variabel tersebut terdistribusi dengan normal sedangkan untuk variabel NET_SLS 0.000 , GROW 0.000 dan CURRENT RASIO 0,000 berada di bawah batas α= 0.05 yang demikian variabel tersebut tidak terdistribusi secara normal. Kemudian apabila data tidak terdistribusi secara normal maka data perlu ditransformasi agar menjadi normal. Untuk menormalkan data sebelumnya harus mengetahui terlebih dahulu bagaimana bentuk grafik histrogram dari data yang ada di mana bentuk dari grafik itu sendiri ada bermacam- macam seperti moderate positive skewness, severe positive skewness. Berikut ini cara untuk melihat grafik histogram yaitu :

Berikut ini cara untuk melihat grafik histogram yaitu : Gambar 3.3 Tampilan Submenu Histogram Buka file
Gambar 3.3 Tampilan Submenu Histogram
Gambar 3.3 Tampilan Submenu Histogram

Buka file SPSS.REGRESI.sav melalui perintah File Open Data. Dari menu utama SPSS pilih menu Graph, lalu Legacy Dialogs kemudian pilih Histogram.

Dilarang menggandakan seijin tim penyusun

27

Kemudian akan muncul layar Histogram . Karena ada 3 variabel yang berdistribusi secara tidak normal

Kemudian akan muncul layar Histogram. Karena ada 3 variabel yang berdistribusi secara tidak normal maka perlu melakukan 3 kali membuat grafik histogram. Setelah itu pada kotak variabel diisikan dengan variabel NET_SALES. Seperti tampilan di bawah ini :

Gambar 3.4 Tampilan kotak Histogram Kemudian beri checklist pada kotak display normal curve Klik OK.
Gambar 3.4 Tampilan kotak Histogram
Kemudian beri checklist pada kotak display normal curve
Klik OK. Maka akan menghasilkan output seperti di bawah ini :
GRAFIK 3.2
NET SALES

Dilarang menggandakan seijin tim penyusun

28

Lakukan hal yang sama pada variabel GROW dan CURRENT RASIO untuk sehingga menghasilkan grafik histogram

Lakukan hal yang sama pada variabel GROW dan CURRENT RASIO untuk sehingga menghasilkan grafik histogram seperti yang ada di bawah ini :

GRAFIK 3.3

GROW

GRAFIK 3.4 CURRENT RASIO
GRAFIK 3.4
CURRENT RASIO
seperti yang ada di bawah ini : GRAFIK 3.3 GROW GRAFIK 3.4 CURRENT RASIO Dilarang menggandakan

Dilarang menggandakan seijin tim penyusun

29

Dengan melihat grafik Histogram seprti gambar di atas maka kita dapat melakukan trasformasi data. Untuk mengetahui jenis transformasi yang akan dilakukan, maka kita harus

mengetahui termaksud jenis grafik histogram yang mana variabel-variabel tersebut. Berikut ini bentuk transformasi yang dapat dilakukan sesuai dengan grafik Histogram :

1. Moderate Positive Skewness : SQRT(x) atau bentuk kuadrat.

2. Subtansial Positive Skewness : LG10(x) atau logaritma 10 atau LN

Positive Skewness : LG10(x) atau logaritma 10 atau LN 3. Severe Positive Skewness dengan bentuk L

3. Severe Positive Skewness dengan bentuk L : 1/x atau inverse

4. Subtansial Negative Skewness : LG10(k-x)

5. Severe Negative Skewness dengan bentuk J : 1/(k-x)

5. Severe Negative Skewness dengan bentuk J : 1/(k-x) Melihat bentuk Grafik yang terjadi pada Net_Sls

Melihat bentuk Grafik yang terjadi pada Net_Sls dan Current rasio merupakan bentuk grafik Moderate Positive Skewness sehingga untuk melakukan transformasi data dengan cara :

• Buka file SPSS.REGRESI.sav • Pada menu utama SPSS, menu Transform submenu Compute Gambar 3.5
• Buka file SPSS.REGRESI.sav
• Pada menu utama SPSS, menu Transform submenu Compute
Gambar 3.5 Tampilan Compute Variable

Dilarang menggandakan seijin tim penyusun

30

Maka akan muncul layar Compute Variable, untuk kotak Function group pilih All dan untuk kotak Functions dan Special variables pilih Sqrt kemudian klik tombol

dan Special variables pilih Sqrt kemudian klik tombol maka pada kotak numeric Expression muncul Sqrt(x) untuk

maka pada kotak numeric Expression muncul Sqrt(x) untuk (x) akan diganti

numeric Expression muncul Sqrt(x) untuk (x) akan diganti dengan meng-klik variabel NET_SLS lalu tombol sehingga

dengan meng-klik variabel NET_SLS lalu tombol sehingga menjadi SQRT(NET_SALES). Kemudian pada Target variable diberi nama lain misal NET_SLS1. Perhatikan gambar di bawah ini :

Gambar 3.6 Tampilan Compute Variable
Gambar 3.6 Tampilan Compute Variable

Pilih OK Lakukan juga untuk variabel CURRENT RASIO dan variabel GROW dengan menggunakan langkah seperti di atas tetapi pada kotak Funtions and Special Variables menggunakan LG10. Dan pada Target Variable diberi nama GROW1 dan CR1. Untuk hasilnya kita dapat membuka data editor. Akan muncul tab variabel yang baru sesuai dengan variabel yang kita beri nama tersebut. Setelah melakukan transformasi data maka data tersebut diharapkan dapat terdistribusi secara normal. Untuk memastikannya perlu adanya pengecekan data agar data tersebut dapat dinyatakan normal yaitu dengan menggunakan menu utama SPSS, analyze Analyze Non-

yaitu dengan menggunakan menu utama SPSS, analyze Analyze Non- Dilarang menggandakan seijin tim penyusun 31

Dilarang menggandakan seijin tim penyusun

31

parametic test 1-sample K-S. masukkan semua variabel yang sudah kita transformasikan kemudian klik OK. Maka kita dapat melihat bahwa data yang kita punya sudah normal dimana probabilitas data itu lebih dari α = 0.05. untuk lebih jelasnya kita dapat melihat hasil output di bawah ini :

TABEL 3.5 ONE-SAMPLE KOLMOGOROV-SMIRNOV TEST

One-Sample Kolmogorov-Smirnov Test net_sls1 GROW1 CR1 N 84 70 84 Normal Parameters a,,b Mean 3546.9244
One-Sample Kolmogorov-Smirnov Test
net_sls1
GROW1
CR1
N
84
70
84
Normal Parameters a,,b
Mean
3546.9244
-.8866
.1781
Std. Deviation
2350.98220
.49099
.33463
Most Extreme Differences
Absolute
.141
.052
.133
Positive
.141
.052
.133
Negative
-.083
-.051
-.068
Kolmogorov-Smirnov Z
1.293
.435
1.222
Asymp. Sig. (2-tailed)
.071
.992
.101
a. Test distribution is Normal.
b. Calculated from data.
a. Test distribution is Normal. b. Calculated from data. Dari hasil dapat disimpulkan bahwa untuk variabel

Dari hasil dapat disimpulkan bahwa untuk variabel net sales 0.71, grow 0.992, dan current rasio 0.101 merupakan data yang berditribusi secara normal dengan nilai signifikan lebih dari 0.05.

Dilarang menggandakan seijin tim penyusun

32

BAB IV

KOLERASI

Uji kolerasi digunakan untuk menguji tentang ada tidaknya hubungan antar variabel satu dengan variabel yang lainnya. Uji kolerasi belum dapat diketahui variabel penyebab dan variabel akibat. Dalam analisis kolerasi yang diperhatiakan adalah arah (positif atau negative) dan besatnya hubungna (kekuatan). Koefisien kolerasi mempunyai harga -1 atau +1 (bergerak dari nol hingga 1 maka semakin besar atau kuat hubungan variabel atau sempurna = 1). Sebaliknya semakin mendekati 0 maka semakin lemah atau kecil hubungannya.

BIVARIATE COLLELATION

semakin lemah atau kecil hubungannya. BIVARIATE COLLELATION Sering juga disebut dengan Product Moment Person berguna

Sering juga disebut dengan Product Moment Person berguna untuk menguji kolerasi antar dua variabel di dalam melakukan uji kolerasi perlu memperhatikan Test of Significant yaitu meliputi Two-Tailed (uji dua sisi) digunakan dalam kondisi belum diketahui bentuk hubungan antar variabel dan One-tailed (uji satu sisi) digunakan untuk menguji test of significant dari 2 variabel, tetapi telah diketahui adanya arah kecenderungan hubungan negative atau positif di antara 2 variabel yang berhubungan. Cara menganalisanya adalah

Buka file SPSS.REGRESI.sav Pilih menu Analyze, pilih Correlate dan klik Bivariate Gambar 4.1 Tampilan Analyze
Buka file SPSS.REGRESI.sav
Pilih menu Analyze, pilih Correlate dan klik Bivariate
Gambar 4.1 Tampilan Analyze

Dilarang menggandakan seijin tim penyusun

33

Maka akan muncul layar Bivariate Correlations. Masukkan variabel DER dan NPM dalam kotak Variables.

Gambar 4.2 Tampilan Bivariate Correlations
Gambar 4.2 Tampilan Bivariate Correlations

Pilih Correlation Coefficient Pearson dan Test Of Significance dengan two tailed karena belum ditentukan arah hubungan dari variabel DER dan NPM.

Gambar 4.3 Tampilan Bivariate Correlations Options
Gambar 4.3 Tampilan Bivariate Correlations Options

Dilarang menggandakan seijin tim penyusun

34

Klik menu Option , lalu Continue akhiri dengan OK. Maka akan menghasilkan Output seperti di

Klik menu Option, lalu Continue akhiri dengan OK. Maka akan menghasilkan Output seperti di bawah ini :

TABEL 4.1

CORRELATIONS

Correlations DER STR_AKT DER Pearson Correlation 1 .412 ** Sig. (2-tailed) .000 N 84 84
Correlations
DER
STR_AKT
DER
Pearson Correlation
1
.412 **
Sig. (2-tailed)
.000
N
84
84
STR_AKT
Pearson Correlation
.412 **
1
Sig. (2-tailed)
.000
N
84
84
**. Correlation is significant at the 0.01 level (2-tailed).

Terdapat hubungan antara DER dengan STR_AKT sebesar 0.412. sifat kolerasi positif menunjukkan semakin tinggi hutang akan semakin tinggi juga struktuk aktiva. Nilai signifikasi sebesar 0.000 berarti hubungan tersebut signifikan atau diterima pada probabilitas 5%.

PARTIAL CORRELATION

kolerasi parsial digunakan untuk menguji kolerasi dengan memperhitungkan efek dari variabel lain atau dengan kata lain kolerasi partial mengukur kolerasi antar dua variabel dengan mengeluarkan pengaruh dari satu atau lebih variabel lain yang sering disebut dengan variabel control. Cara pengolahan data yaitu

Buka file SPSS.REGRESI.sav

Klik Analyze Correlate Partial.

Dilarang menggandakan seijin tim penyusun

35

Gambar 4. 4 Tampilan Analyze Gambar 4.5 Tampilan Partial Correlation
Gambar 4. 4 Tampilan Analyze
Gambar 4.5 Tampilan Partial Correlation

Masukkan variabel NPM dan NET_SLS1 ke dalam kotak Variables. Masukkan variabel CR1 ke Controlling for

Dilarang menggandakan seijin tim penyusun

36

Kemudian klik Options dan pilih zero-order correlations dan exclude cases listwise, tekan continue lalu OK

Gambar 4.6 Tampilan Partial Correlation Options Maka akan menghasilkan tabel seperti di bawah ini :
Gambar 4.6 Tampilan Partial Correlation Options
Maka akan menghasilkan tabel seperti di bawah ini :
TABEL 4.2
CORRELATIONS
Correlations
Control Variables
NPM
NET_SLS1
CR1
-none- a
NPM
Correlation
1.000
-.047
.207
Significance (2-tailed)
.
.671
.059
Df
0
82
82
NET_SLS1
Correlation
-.047
1.000
-.414
Significance (2-tailed)
.671
.
.000
Df
82
0
82
CR1
Correlation
.207
-.414
1.000
Significance (2-tailed)
.059
.000
.
37
Dilarang menggandakan seijin tim penyusun
Df 82 82 0 CR1 NPM Correlation 1.000 .043 Significance (2-tailed) . .697 Df 0
Df
82
82
0
CR1
NPM
Correlation
1.000
.043
Significance (2-tailed)
.
.697
Df
0
81
NET_SLS1
Correlation
.043
1.000
Significance (2-tailed)
.697
.
Df
81
0
a. Cells contain zero-order (Pearson) correlations.

Dari hasil koefisien antara NPM dan NET_SLS1 sebelum menghilangkan pengaruh variabel CR1 adalah -0.047 dan signifikan pada alpha 0.05. dan setelah menghilangkan pengaruh variabel CR1 adalah 0.043 dan signifikan pada alpha 0.05.

Dilarang menggandakan seijin tim penyusun

38

BAB V

REGRESI

Regresi digunakan untuk mengukur kekuatan hubungan antara dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel. Variabel adalah simbol yang melekat pada bilangan atau angka. Dalam proses aplikasi SPSS, maka data-data selalu dikelompokkan ke dalam kelompok variabel-variabel yang sangat menentukan dalam proses penarikan kesimpulan hasil uji statistik.

Y = a + bX Keterangan : Y : peubah tak bebas X : peubah
Y = a + bX
Keterangan :
Y
: peubah tak bebas
X
: peubah bebas
a : konstanta
b : kemiringan

Ada 2 jenis variabel di dalam SPSS yaitu :

1. Variabel bebas (independen variabel) yaitu suatu variabel yang menerangkan (mempengaruhi) terhadap variabel lainnya. Variabel ini dalam notasinya seringkali diberi notasi X

(X1,X2,X3,dst)

2. Variabel terikat (dependent variabel) yakni suatu variabel yang dipengaruhi (diterangkan) oleh variabel lain. Variabel ini dalam notasinya sering ditulis dengan Y. Kemudian Regresi Linear ada 2 macam yaitu Regresi Linear Sederhana Regresi sederhana, bertujuan untuk mempelajari hubungan antara dua variabel. Regresi Linear digunakan apabila variabel dependent dipengaruhi hanya satu variabel independen. Bentuk Umum Regresi Linear Sederhana :

Regresi Linear Berganda Analisis regresi ganda merupakan pengembangan dari analisis regresi sederhana. Kegunaannya yaitu untuk meramalkan nilai variabel terikat (Y) apabila variabel bebasnya (X) dua atau lebih. Analisis regresi ganda adalah alat untuk meramalkan nilai pengaruh dua variabel bebas atau lebih terhadap satu variabel terikat (untuk membuktikan ada tidaknya hubungan fungsional atau

hubungan kausal antara dua atau lebih variabel bebas X 1 , X 2 , …., X i terhadap suatu variabel terikat

Y.

Dilarang menggandakan seijin tim penyusun

39

Bentuk Umum Regresi Linier Berganda :

Y = a + b 1 X 1 + b 2 X 2 +

+

b

n X n

Keterangan :

Y : peubah takbebas

a : konstanta

X

1 : peubah bebas ke-1

peubah takbebas a : konstanta X 1 : peubah bebas ke-1 b 1 : kemiringan ke-1

b 1 : kemiringan ke-1

X

2 : peubah bebas ke-2

b 2 : kemiringan ke-2

X

n : peubah bebas ke-n

b n : kemiringan ke-n

Sebagai contoh dalam regresi linear dengan menguji pengaruh net profit margin (NPM), struktur aktiva (STR_AKT), net sales (NET_SLS1), pertumbuhan perusahaan (GROW1), dan current rasio (CR1) terhadap hutang perusahaaan (Y). Proses pengelohan data :

• Buka file SPSS.REGRESI.sav. • Klik Analyze pilih Regression klik Linear. Gambar 5.1 Tampilan Analyze
• Buka file SPSS.REGRESI.sav.
• Klik Analyze pilih Regression klik Linear.
Gambar 5.1 Tampilan Analyze

Dilarang menggandakan seijin tim penyusun

40

Maka akan muncul kotak Linear Regression seperti gambar di bawah ini :

Gambar 5.2 Tampilan Linear Regression • Abaikan semua pilihan dan pilih OK.
Gambar 5.2 Tampilan Linear Regression
• Abaikan semua pilihan dan pilih OK.

Klik variabel DER dan masukkan ke kotak dependen, dan klik variabel NPM, STR_AKT, GROW1, NET_SLS1, dan CR1 ke dalam kotak independen.

KOEFISIEN DETERMINASI

Koefisien determasi (R 2 ) pada intinya mengukur seberapa jauh kemampuan model dalam variasi variabel dependen. Bila nilai R 2 kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel sangat terbatas. Kelemahan mendasar penggunaan koefisien determasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka nilai R 2 akan meningkat tidak peduli apakah variabel tersebut berpengaruh secarasignifikan terhadapo variabel dependen. TABEL 5.1 MODEL SUMMARY

terhadapo variabel dependen. TABEL 5.1 MODEL SUMMARY Model Summary     Adjusted R Std. Error of

Model Summary

   

Adjusted R

Std. Error of the Estimate

Model

R

R Square

Square

1

.716 a

.512

.474

.58837

a. Predictors: (Constant), CR1, GROW1, NPM, STR_AKT, NET_SLS1

Dilarang menggandakan seijin tim penyusun

41

Dari tampilan output SPSS di atas besar dari Adjusted R 2 adalah 0.474 atau hanya sebesar 47,7% DER dapat dijelaskan oleh keempat variabel independen CR1, GROW1, NPM, STR_AKT, NET_SLS1 dan sisanya dijelaskan oleh variabel lainnya. SEE (Standart Error of estimate) sebesar 0.58837. semakin kecil nilai SEE akan membuat model regresi semakin tepat dalam memprediksi variabel dependen.

UJI STATISTIK F

TABEL 5.2 ANOVA ANOVA b Model Sum of Squares df Mean Square F Sig. 1
TABEL 5.2
ANOVA
ANOVA b
Model
Sum of Squares
df
Mean Square
F
Sig.
1
Regression
23.258
5
4.652
13.437
.000 a
Residual
22.155
64
.346
Total
45.413
69
a.
Predictors: (Constant), CR1, GROW1, NPM, STR_AKT, NET_SLS1
b.
Dependent Variable: DER

Pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen atau terikat.

Dari uji ANOVA atau F test didapatkan nilai F hitung sebesar 13.437 dengan probabilitas 0.000. karena probabilitas jauh lebih kecil dari α = 0.05 maka model regresi dapat digunakan untuk memprediksi nilai DER atau yang artinya variabel CR1, GROW1, NPM, STR_AKT, NET_SLS1 secara bersama-sama mampu menerangkan variabel DER.

UJI STATISTIK T

Uji ini untuk menunjukkan seberapa jauh pengaruh satu variabel penjelas atau independen secara individual dalam menerangkan variasi variabel dependen. Untuk menginterprestasikan koefisien variabel bebas (independen) dapat menggunakan unstandardized coefficients maupun

standardized coefficients yaitu dengan melihat nilai signifikasi masing-masing variabel independen dari tabel di bawah ini bahwa nilai NET_SLS1 0.480 dan CR1 0.61 memiliki niali jauh di atas 0.05 sedangkan NPM 0.000 , STR_AKT 0.000 , dan GROW1 0.013 memiliki nilai yang signifikan pada

0.05

STR_AKT 0.000 , dan GROW1 0.013 memiliki nilai yang signifikan pada 0.05 Dilarang menggandakan seijin tim

Dilarang menggandakan seijin tim penyusun

42

TABEL 5.3

COEFFICIENTS

Coefficients a

Standardized Unstandardized Coefficients Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 1.803 .281
Standardized
Unstandardized Coefficients
Coefficients
Model
B
Std. Error
Beta
t
Sig.
1
(Constant)
1.803
.281
6.420
.000
NPM
-.041
.008
-.501
-5.177
.000
STR_AKT
1.434
.315
.446
4.557
.000
NET_SLS1
-2.395E-5
.000
-.070
-.710
.480
GROW1
.393
.154
.238
2.548
.013
CR1
-.498
.261
-.204
-1.906
.061
a. Dependent Variable: DER

Dilarang menggandakan seijin tim penyusun

43

BAB VI UJI ASUMSI KLASIK

UJI MULTIKOLONIERITAS

Uji Multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya kolerasi antar variabel bebas. Model regresi yang baik sebagiknya tidak terjadi kolerasi di antara variabel terikat. Untuk mendektesi adanya atau tidaknya multikolonieritas dalam model regresi dapat dengan cara :

multikolonieritas dalam model regresi dapat dengan cara : Nilai R 2 yang dihasilkan oleh oleh suatu

Nilai R 2 yang dihasilkan oleh oleh suatu estimasi model empiris sangat tinggi, tetapi biasanya variabel-variabel independen banyak yang tidak signifikan terhadap variabel dependentnya. Dengan melihat batas tolerance yang memiliki nilaki kurang dari 0.10 yang berarti tidak ada kolerasi antar variabel independen. Kemudian dari nilai VIF (Variance Inflation Factor) juga menunjukkan hal yang sama yaitu tidak adanya penyakit multikolonieritas dengan nilai dari VIF lebih dari 10. Selain itu dari Ouput SPSS juga bisa dilihat nilai CI (Condition Index). Jika nilai CI > 30 maka dalam model terdapat penyimpangan Asumsi Klasik Multicolinierity. Langkah untuk menganalisis penyakit multikolonieritas yaitu :

1. Buka file SPSS.REGRESI.sav 2. Pilih menu Analyze, submenu Regresi lalu pilih Linear Regression. Gambar
1. Buka file SPSS.REGRESI.sav
2. Pilih menu Analyze, submenu Regresi lalu pilih Linear Regression.
Gambar 6.1 Tampilan menu Analyze
44
Dilarang menggandakan seijin tim penyusun

3. Maka akan muncul layar windows Linear Regression.

Gambar 6.2 Layar Linear Regression 4. Gambar 6.3 Tampilan Linear Regression Statistics
Gambar 6.2 Layar Linear Regression
4.
Gambar 6.3 Tampilan Linear Regression Statistics

Pada kotak Dependent isikan variabel DER dan pada kotak Independen isikan NPM, NET_SLS1, STR_AKT, GROW1 dan CR1.

Untuk menampilkan matrik kolerasi dan nilai Tolernace serta VIF pilih Statistics maka akan muncul layar tampilan windows Linear Regression Statistics. Akifkan pilihan Covariance matrix dan Collinierity Diagnostics.

Dilarang menggandakan seijin tim penyusun

45

5. Tekan Continue, abaikan yang lain dan tekan OK

6. Maka akan muncul tampilan SPSS :

TABEL 6.1 COEFFICIENT CORRELATIONS

Coefficient Correlations a Model CR1 GROW1 NPM STR_AKT NET_SLS1 1 Correlations CR1 1.000 .127 -.314
Coefficient Correlations a
Model
CR1
GROW1
NPM
STR_AKT
NET_SLS1
1
Correlations
CR1
1.000
.127
-.314
.334
.395
GROW1
.127
1.000
-.182
.331
-.043
NPM
-.314
-.182
1.000
-.220
.114
STR_AKT
.334
.331
-.220
1.000
.089
NET_SLS1
.395
-.043
.114
.089
1.000
Covariances
CR1
.068
.005
.000
.027
3.481E-6
GROW1
.005
.024
.000
.016
-2.212E-7
NPM
.000
.000
6.240E-5
.000
3.040E-8
STR_AKT
.027
.016
.000
.099
9.467E-7
NET_SLS1
3.481E-6
-2.212E-7
3.040E-8
9.467E-7
1.137E-9
a. Dependent Variable: DER
Melihat besaran kolerasi antar variabel independen tampak bahwa variabel NET_SLS1
, variabel CR1 0.395 , NPM 0.114 memiliki kolerasi yang cukup tinggi , sedangkan
, STR_AKT 0.797 , GROW1 0.874 , CR1 0.664 menunjukkan nilai kurang dari 0.10 yang

1.000

STR_AKT 0.089 dan GROW1 -0.043 atau sekitar 43%. Oleh karena itu kolerasi ini masih di bawah 95%, maka dapat dikatakan tidak terjadi multikolonieritas serius. Kemudian dari hasil tabel 4.2 di bawah ini, nilai Tolerance untuk NET_SLS1 0.778 , NPM

0.815

berarti tidak ada kolerasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan

nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, bahwa variabel NET_SLS1

1.286 , NPM 1.228 , STR_AKT 1.254 , GROW1 1.144, CR1 1.506 tidak ada satu variabel

independent yang memiliki nilai VIF lebih dari 10. Jadi tidak ada multikolonieritas antar variabel independen dalam model regresi.

Dilarang menggandakan seijin tim penyusun

46

TABEL 6.2 COEFFICIENTS

Coefficients a

Standardized Collinearity Statistics Unstandardized Coefficients Coefficients Model B Std. Error Beta t Sig.
Standardized
Collinearity Statistics
Unstandardized Coefficients
Coefficients
Model
B
Std. Error
Beta
t
Sig.
Tolerance
VIF
1
(Constant)
1.803
.281
6.420
.000
NPM
-.041
.008
-.501
-5.177
.000
.815
1.228
STR_AKT
1.434
.315
.446
4.557
.000
.797
1.254
NET_SLS1
-2.395E-5
.000
-.070
-.710
.480
.778
1.286
GROW1
.393
.154
.238
2.548
.013
.874
1.144
CR1
-.498
.261
-.204
-1.906
.061
.664
1.506
a.
Dependent Variable: DER
TABEL 6.3
DIAGNOSTIC COLLINEARITY
Collinearity Diagnostics a
Eigenvalue
Variance Proportions
Dimen
Model
sion
Condition Index
(Constant)
NPM
STR_AKT
NET_SLS1
GROW1
CR1
1
1
4.426
1.000
.00
.01
.01
.01
.01
.01
2
.890
2.230
.00
.01
.01
.04
.00
.44
3
.272
4.031
.00
.00
.14
.43
.15
.06
4
.240
4.290
.00
.47
.02
.04
.26
.14
5
.122
6.021
.00
.30
.71
.02
.42
.25
6
.049
9.546
.99
.21
.11
.46
.15
.10
a.
Dependent Variable: DER

Nilai CI yang dihasilkan untuk masing-masing variabel independen adalah kurang dari 30 maka dapat disimpulkan bahwa variabel independen tidak terjangkit penyakit multikolonieritas.

Dilarang menggandakan seijin tim penyusun

47

UJI AUTOKOLERASI

Uji autokolerasi bertujuan menguji apakah dalam model regresi linear ada kolerasi antara kesalahan penggangguan pada perioade t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika adanya kolerasi maka adanya penyakit autokolerasi. Masalah ini disebabkan karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Apabila pada salah satu terdapat gangguan maka cenderung mempengaruhi gangguan untuk periode berikutnya. Ada beberapa cara yang dapat digunakan untuk mendekteksi ada atau tidaknya autokolerasi, pada modul ini akan menjelaskan dengan Uji Durbin Watson (DW test) Digunakan untuk autokolerasi tingkat satu dan mensyaratkan adanya intercept (konstanta) dalam model regresi. Hipotesis yang akan diuji adalah :

H0 : tidak adanya autokolerasi. H1 : adanya autokolerasi. Pengambilan keputusan autokolerasi : Hipotesis nol
H0 : tidak adanya autokolerasi.
H1 : adanya autokolerasi.
Pengambilan keputusan autokolerasi :
Hipotesis nol
Keputusan
Jika
Tidak
ada
autokolerasi
Tolak
0 < d < dl
positif
Tidak
ada
autokolerasi
No desicion
dl ≤
d ≤ du
positif
Tidak
ada
autokolerasi
Tolak
4-dl < d <4
negatif
Tidak
ada
autokolerasi
No desicion
4-du ≤ d ≤ 4-dl
negatif
Tidak ada autokolerasi,
positif atau negatif
Diterima
du < d < 4-dl

Dilarang menggandakan seijin tim penyusun

48

Langkah yang digunakan untuk mengetahui ada tidaknya autokolerasi :

1. Buka file SPSS.REGRESI.sav

2. Menu Analyze Regression Linear

Gambar 6.4 Tampilan menu Analyze Gambar 6.5 Layar Linear Regression
Gambar 6.4 Tampilan menu Analyze
Gambar 6.5 Layar Linear Regression

Kemudian Pada kotak Dependent isikan variabel DER dan pada kotak Independen isikan NPM, NET_SLS1, STR_AKT, GROW1 dan CR1.

Dilarang menggandakan seijin tim penyusun

49

3. Pilih Statistics maka akan muncul layar tampilan windows Linear Regression Statistics. Kemudian cheklist bagian Residuals Durbin-Watson.

Gambar 6.6 Tampilan Linear Regression 4. Pilih Continue kemudian OK. 5. akan muncul output :
Gambar 6.6 Tampilan Linear Regression
4. Pilih Continue kemudian OK.
5. akan muncul output :
TABEL 6.4
MODEL SUMMARY
Model Summary b
Adjusted R
Model
R
R Square
Square
Std. Error of the
Estimate
Durbin-Watson
1
.716 a
.512
.474
.58837
2.096
a.
Predictors: (Constant), CR1, GROW1, NPM, STR_AKT, NET_SLS1
b.
Dependent Variable: DER

Nilai DW sebesar 2.096, nilai ini akan kita bandingkan dengan nilai table dengan menggunakan signifikasi 5%, jumlah sampel 84 (n) dan jumlah variabel independen 5 (k=5) maka di table Durbin Waston akan didapatkan nilai du sebesar1.386 dan nilai dl = 1.630. Oleh karena nilai DW lebih besar dari (du) 1.386 dan kurang dari 4-dl(4-1.630=3.370), maka dapat disimpulkan bahwa H0 diterima yaitu tidak adanya atau tidak terdapat autokolerasi. (untuk angka du dan dl dapat dilihat di tabel).

Dilarang menggandakan seijin tim penyusun

50

UJI HETEROSKEDASTISITAS

Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalaha Homoskedastisitas atau tidak Heteroskedetisitas. Dalam modul ini, akan menerangkan menguji ada tidaknya Heteroskedastisitas dengan Uji Park.

Cara melakukan Uji Park dengan SPSS : 1. Buka file SPSS.REGRESI.sav 2. 3. Gambar 6.7
Cara melakukan Uji Park dengan SPSS :
1.
Buka file SPSS.REGRESI.sav
2.
3.
Gambar 6.7 Linear Regression Save

.

Meregresikan semua variable bebas (NPM, NET_SLS1, STR_AKT, GROW1 dan CR1) terhadap variable terikat (DER)

Untuk mendapatkan variabel residual dengan cara pilih Save pada Layar Linear Regression sehingga muncul kotak Linear Regression Save, checklist unstandardized residual.

Dilarang menggandakan seijin tim penyusun

51

4. Pilih Continue lalu OK. Maka pada Variable Data akan muncul 1 Variabel baru dengan nama Res_1 yang merupakan nilai residual.

5. Kuadratkan nilai residual (Res_1*Res_1) tersebut dengan cara menu Transform Compute Variable kemudian beri nama Res_2 dan klik OK.

Gambar 6.8 Tampilan Compute Variable 6. Kemudian Logaritmakan Res_2 dengan menu Transform dan Compute. Gambar
Gambar 6.8 Tampilan Compute Variable
6. Kemudian Logaritmakan Res_2 dengan menu Transform dan Compute.
Gambar 6.9 Tampilan Compute Variable

Dilarang menggandakan seijin tim penyusun

52

7.

Regresikan LNRes_2 sebagai variabel dependen dan variabel NPM, NET_SLS1, STR_AKT, GROW1 dan CR1.

Gambar 6.10 Tampilan Linear Regression Maka akan menghasilkan output sebagai berikut : TABEL 6.5 COEFFICIENTS
Gambar 6.10 Tampilan Linear Regression
Maka akan menghasilkan output sebagai berikut :
TABEL 6.5
COEFFICIENTS
Coefficients a
Standardized
t
Unstandardized Coefficients
Coefficients
Collinearity Statistics
Model
B
Std. Error
Beta
Sig.
Tolerance
VIF
1
(Constant)
-1.623
.997
-1.628
.109
NPM
-.001
.028
-.007
-.050
.960
.815
1.228
STR_AKT
.255
1.117
.031
.228
.820
.797
1.254
NET_SLS1
.000
.000
-.230
-1.662
.101
.778
1.286
GROW1
-.024
.548
-.006
-.045
.964
.874
1.144
CR1
-.586
.928
-.095
-.632
.530
.664
1.506

a. Dependent Variable: LNRes_2

.928 -.095 -.632 .530 .664 1.506 a. Dependent Variable: LNRes_2 Dilarang menggandakan seijin tim penyusun 53

Dilarang menggandakan seijin tim penyusun

53

HasiL output SPSS memberikan koefisien variabel independen tidak ada yang signifikan, maka dapat disimpulkan bahwa model regresi tidak terdapat Heteroskedasititas.

dapat disimpulkan bahwa model regresi tidak terdapat Heteroskedasititas. Dilarang menggandakan seijin tim penyusun 54

Dilarang menggandakan seijin tim penyusun

54

Latihan :

Jelaskan perbedaan antara input data pada spss dengan input data copy-paste dari excel? Apakah keuntungannya?

Dari data yang ada di bawah ini :

Tahun Y X1 X2 X3 X4 1960 27.80 397.50 42.20 50.70 78.30 1961 29.90 413.30
Tahun
Y
X1
X2
X3
X4
1960 27.80
397.50
42.20
50.70
78.30
1961 29.90
413.30
38.10
52.00
79.20
1962 29.80
439.20
40.30
54.00
79.20
1963 30.80
459.70
39.50
55.30
79.20
1964 31.20
492.90
37.30
54.70
77.40
1965 33.30
582.60
38.10
63.70
80.20
1966 35.60
560.30
39.30
69.80
80.40
1967 36.40
624.60
37.80
65.90
83.90
1968 36.70
666.40
38.40
64.50
85.50
1969 38.40
717.80
40.10
70.00
93.70
1970 40.40
768.20
38.60
73.20
106.10
1971 40.30
843.30
39.80
67.80
104.80
1972 41.80
911.60
39.70
79.10
114.00
1973 40.40
931.10
52.10
95.40
124.10
1974 40.70
1021.50
48.90
94.20
127.60
1975 40.10
1165.90
58.30
123.50
142.90
1976 42.70
1349.60
57.90
129.90
143.60
1977 44.10
1449.40
56.50
117.60
139.20
1978 46.70
1575.50
63.70
130.90
165.50
1979 50.60
1759.10
61.60
129.80
203.30
1980 50.10
1994.20
58.90
128.00
219.60
a) Bagaimana cara mengidentifikasi data di atas sudah terdistribusi dengan normal?

b)

Bagaimana cara melakukan regresi data dan kolerasi data di atas?

Dilarang menggandakan seijin tim penyusun

55

Sumber :

Ghozali, Imam. 2006. Aplikasi Analisis Multivariate dengan Program SPSS . Semarang :

Badan Penerbit Universitas Diponegoro.

Juliandi, Azuar. 2007 . Pengolahan Data Penelitian Menggunakan Spss Korelasi Dan Regresi. http://www.azuarjuliandi.com

Spss Korelasi Dan Regresi. http://www.azuarjuliandi.com Oswari, Teddy. SPSS for Psychology.

Oswari, Teddy. SPSS for Psychology. http://staffsite.gunadarma.ac.id/toswari/. Wijaya, Tony. 2009. Analisis data Penelitian Menggunakan SPSS. Yogyakarta : Penerbit Universitas Atma Jaya.

Dilarang menggandakan seijin tim penyusun

56