KONSEP DASAR MANIPULASI DATA

Posted March 20, 2009 by sinichi in MANIPULASI DATA, STATISTIK, UMUM. Tagged:
MANIPULASI DATA, TEKNIK MANIPULASI DATA. Leave a Comment
Artikel ini saya buat bertahap, mengingat saat ini banyak sekali informasi tentang manipulasi yang
terdengar di telinga kita yang berasumsi negatif, terutama yang santer beredar pada saat ini adalah
manipulasi data pemilih pada pemilu tahun 2009 ini. Pada bagian pertama ini saya sampaikan konsep
dasar data. Artikel ini dapat anda download di sini < : Download : >
I. Konsep Data

Dahulu kala, pada saat saya masih di Sekolah Dasar (SD) pernah ditanya seperti ini:

Coba kamu memikirkan 1 angka saja, terserah kamu. Angka berapapun tidak apa-apa, yang penting
kamu bias menghitung
Saat itu saya memikirkan angka 2
Setelah dapat, coba kamu kali dengan angka 4.. Sudah atau bellum?
(Jawabnya pasti 8)
Sudah, Jawab saya.
Setelah kamu kali dengan 4, coba kamu tambah dengan angka yang kamu fikirkan tadi! (Pasti
jawabannya belum tahu)
Kalau sudah, coba kamu bagi dengan angka yang kamu fikirkan
tadi!.Sudah atau belum?
Sudah, jawabku.
Pasti jawabannya 5
Saya berfikir sejenak, hebat sekali ya?

Sekarang, fikiran itu sudah hilang. Misalnya kamu membayangkan angka n. Dari percakapan
tersebut diperoleh rumus ( n X 4 + n ) : n dari rumus tersebut pasti daperoleh jawaban 5. Misalkan
perkaliannya diganti dengan angka 8, pasti hasilnya 9. Ini adalah salah satu cara memanipulasi sistem
operasi bilangan matematika.
 Teknik-teknik seperti ini dapat dikatakan sebagai cara-cara orang statistik memanipulasi data.
Cara yang baik jika mau melakukan teknik ini adalah memahami syarat-syarat yang diperlukan dalam
membangun suatu data, misalkan dengan melihat data, maka data kita akan mendapatkan modus yang
besar jika kita melihat data yang sama yang bernilai tinggi besar banyak dari pada data yang sama dan
bernilai kecil. Yang saya tekankan bagi pembaca adalah jangan menggunakan teknik-teknik ini pada
atasan, atau menghasilkan hasil yang valid. Saya yakin pasti akan ada sanksinya jika ketahuan
melakukan teknik-teknik ini.

II. Definisi Statistika

Kita sering sekali mendengar istilah statistik atau statistika. Ketika mendengar hal tersebut,
asumsi kita adalah data yang berbentuk angka, hasil perhitungan, atau hal-hal lain yang berhubungan
dengan pendataan.

Secara langsung maupun tidak langsung kita mendengar tentang gambaran hasil survei tentang
partai politik, calon gubernur atau bahkan banyaknya subsidi pupuk dari pemerintah, gambaran jumlah
penganggur, jurnal statistik hasil permainan sepak bola, bursa efek dan kurs mata uang, jadwal
keberangkatan pesawat terbang, dan lain sebagainya. Semua contoh tersebut sangat berkaitan dengan
statistik dan data. Dalam hal tersebut secara tidak langsung kita sudah terlibat dalam apa yang
dinamakan statistik atau statistika

Kita lihat beberapa definisi tentang statistika menurut beberapa para penulis.

1. Moore(1989) secara sederhana mendefinisikan Statistics is the science of collecting,

organizing, and interpreting numerical facts yaitu statistik pada ilmu pengetahuan merupakan
mengumpulkan, mengorganisasikan serta menginterpretasikan data.

2. Noether (1971) merangkum, dan menulis secara lengkap pada Statistics by a U.S. Civil Service
Commission document : Statistics is the science of the collection, classification, and measured
evaluation of facts as a basis dor inference. It is a body of techniques for acquiring accurate
knowledge from incomplete information; a scientific system for the collection, organisation, analysis,
interpretation and presentation of information which can be stated in numerical form. Statistik adalah
ilmu pengetahuan koleksi, penggolongan, dan mengukur evaluasi fakta sebagai basis dor kesimpulan.
Ini merupakan suatu teknik untuk memperoleh pengetahuan yang akurat dari informasi tidak sempurna;
suatu sistem ilmiah untuk koleksi, organisasi, analisa, penafsiran dan presentasi yang informasi dapat
dinyatakan format kuantitatif.

Dari definisi-definisi di atas memberikan gambaran tentang statistika sebagai ilmunya. Sudjana,
membedakan pengertian antara statistik dan statistika, dalam hal ini statistik diartikan sebagai
kumpulan data bilangan maupun non bilangan yang disusun dalam tabel dan atau diagram yang
menggambarkan suatu persoalan. Sedangkan statistika diartikan sebagai ilmunya yang secara umum.
Statistika diartikan sebagai ilmu pengetahuan yang mempelajari tentang metode atau prosedur yang
berhubungan dengan pengumpulan data, organisasi data, pengujian data, pengolahan data atau
penganalisaan dan penarikan kesimpulan berdasarkan kumpulan data tersebut. Untuk seterusnya
pengertian tersebut yang akan diikuti dalam buku ini.

Dari definisi tersebut di atas kita dapat membagi tentang area arah pembelajaran pada dua
kategori yang utama, yaitu statistika diskriptif dan stitistika inferensial. Di dalam statistika diskriptif
tugas kita mengurutkan, membentuk kelompokkelompok, meringkas dan mempresentasikan data
sehingga diperoleh informasi yang relevan tentang keberadaan data. Jadi dalam statistika deskriptif
kegiatannya menggunakan data numerik (angka) atau grafis untuk mengenali pola kelakukan data,
merangkum dan menyajikan informasi. Dalam olah data, statistika diskriptif sering diidentikkan
dengan statistika kualitatif, dimana kekuatan analisisnya berupa diskripsi yang dinyatakan dalam
bentuk kata-kata, sedangkan perhitungan statistik hanya dipakai sebagai pendukung informasi.

Misalkan seseorang akan mendiskripsikan tentang:

Siapa yang memiliki perusahaan Microsoft?

Peristiwa Pembajakan pesawat terbang

Fenomena banjir tahunan di Jakarta

Kegiatan penghijauan di sekolah

Dan lain sebagainya

Jika berbicara statistik sampai dengan membuat simpulan, mempredisikan, kejadian, mencari
hubungan antar data, hal ini dibicarakan dalan statistika inferensial. Pada statistika inferensial dalam
membuat keputusan dan memprediksikan hubungan antar kejadian dapat dikatakan benar atau hampir
benar dan bahkan bisa salah melalui pengujian data sampel, hasilnya dapat dipakan untuk membuat
estimasi, keputusan, prediksi, atau generalisasi ke populasi. Sebagai konsekuensi kita bentuk suatu
konsep peluang (probabilitas) untuk menentukan ukuran kesalahannya. Dalam hal ini kita dapat
mengansumsikan mengajukan hipotesis (kesimpulan yang harus diselidiki) dan diuji. Dalam olah data,
statistika inferensial diidentikan dengan statistika kuantitatif, dimana kekuatan analisisnya berupa
perhitungan numerik yang dipakai sebagai dasar menolak atau menerima hipotesis.

Misalkan dalam kasus ini, seseorang akan melakukan analisis tentang:

Perbandingan hasil belajar antara SMA di kota dan di desa

Pengaruh keaktifan siswa terhadap prestasi belajar siswa

Hubungan antara panjang bayi dengan berat bayi.

Beda hasil uas dari tahun ke tahun.

III. Data Statistik

Untuk menganalisa data hasil penelitian perlu diketahui tipe data yang diperoleh. Ada dua tipe
statistika penelitian yakni jenis eksperimen dan survei. Pada umumnya dalam melakukan pendataan,
survey atau melakukan penelitian hal utama yang harus diperhatikan adalah tentang karakteristik suatu
objek yang dituju. Karakteristik statistik.:

1. Unit Statistik

Unit statistik adalah objek, individu objek atau orang yang akan diteliti, disurvey atau didata.
Unit-unit tersebut harus diidentifikasikan obyek atau orang yang dapat memberikan informasi
lebih banyak terhadap permasalahan yang diteliti.

2. Variabel

Variabel adalah suatu karakteristik dari suatu objek yang harganya untuk tidap objek bervariasi
dapat diamati atau dibilang, atau diukur. Harga tersebut dapat berbentuk data diskrit atau data
kontinu atau data atribut (kualitatif).
 Sebagai contoh Variabel untuk tinggi badan tiap mahasiswa kelas A, berat badan tiap
mahasiswa kelas A, umur tiap mahasiswa kelas A, suhu di setiap ruangan FMIPA., dan
sebagainya. Prestasi belajar siswa kelas VII SMP3 ini adalah variabel, tetapi rata-rata hasil
belajar siswa kelas angan dinamakan data. Data atau lebih lengkap data statistik adalah suatu
keterangan yang berbentuk kualitatif (rusak, bagus, kurang,sedang dsb) dan atau berbentuk
kuantitas (bilangan). Data kuantitatif dibedakan menjadi data kontinu yang berasal dari
mengukur dan data diskrit yang berasal dari menghitung atau pengamatan.

Untuk menjelaskan ketiga hal di atas, diambil sebagai contoh: akan mendata/ meneliti tentang
Kondisi hasil belajar siswa kelas VII SMP 5 Semarang dalam belajar matematika materi
aljabar yang diajar dengan strategi tutor sebaya. Disini unit statistiknya adalah siswa kelas
kelas VII SMP 5 Semarang, variabelnya adalah hasil belajar siswa meliputi keaktifan,
ketrampilan proses, prestasi belajar dan datanya berupa data numerik prestasi belajar, dan
kualitatif keaktifan, ketrampilan proses. Prestasi belajar siswa SMP 5 bidang matetatika (ini
merupakan variabel), dan rata-rata hasil belajar geometri siswa SMP 5 Smg (bukan variabel
mengapa?, karena dengan kata kunci rata-rata hanya ada satu nilai).

Data kuantitatif dan kualitatif yang dinumerikkan hasil pengumpulan dapat diskala atau
dikategorikan dalam lima tipe.

1. Skala Nominal

Data ini berbentuk bilangan diskrit yang tiap unsurnya tidak mempunyai arti menurut besarnya
atau posisinya. Bilangan yang digunakan hanya sebagai simbolisasi data saja. Data ini bisa
berasal dari konversi data kualitatif, dimana data dikonversikan/disimbolisasi dalam bentuk
bilangan. Datanya dapat secara bebas disusun tanpa memperhatikan urutan, dan dapat
dipertukarkan.

Contoh : Data dari variabel jenis agama (Islam=1, Kristen=2, Katholik=3, Hindu=4,
Budha=5).

Data dari variabel status diri (Single=1, Kawin=2, Cerai=3).

Data dari variabel jenis kelamin (Pria=1, Wanita=0).

 Bilanganbilangan tersebut dapat dipertukarkan sesuai kesepakatan tidak akan mempengaruhi
urutan skalanya.

2. Skala Ordinal

Data ini berasal dari hasil pengamatan, observasi, atau angket dari suatu variable. Data ini bisa
berasal dari konversi data kualitatif, dimana bilangan konversinya menunjukkan urutan
menurut kualitas atributnya. Sebagai contoh data dari variable kinerja mahasiswa tingkat
pertama UNNES. Urutan data 1 sampai dengan 5 menyimbolkan kualitas. 5= Sangat bagus, 4=
Bagus, 3= Sedang, 2= Jelek, 1= Sangat jelek. Bilangan pengganti kualitas tersebut mempunyai
suatu tingkatan atribut.

Contoh lain: data dari variabel motivasi belajar mahasiswa, tingkat kualitas barang, ketrampilan
menendang bola, dsb.

3. Skala Kardinal

Data ini berasal dari hasil membilang atau menghitung dari suatu variabel. Data berbentuk
bilangan diskrit yang dinyatakan dalam bilangan kardinal. Sebagai contoh variabel jumlah kursi
disetiap ruang kelas FT. Hasil perhitungan disini datanya jelas berupa bilangan numerik bulat.

Contoh lain: data dari variabel jumlah buku yang dimiliki mahasiswa, jumlah barang dagangan
tiap koperasi, jumlah tendangan para pemain sepak bola, dsb.

4. Skala Interval

Data ini berasal dari hasil mengukur suatu variabel. Data ini diasumsikan berbentuk bilangan
kontinu mempunyai ukuran urutan, seperti dengan data ordinal. Pada skala interval tidak
memiliki nol mutlak, artinya jika suatu responden variabelnya bernilai nol bukan berarti tidak
memiliki substansi sama sekali. Contoh variabel temperatur tiap ruangan. Ada satu ruangan

diukur suhunya 0 oC, disini bukan berarti di ruangan tersebut tidak ada temperatur sama sekali

tetapi suhu 0 oC masih bermakna mempunyai substansi suhu, masih ada suhu negatif juga.

Contoh lain: data dari variabel berat badan mahasiswa FIS, hasil belajar mahasiswa fisika
tingkat pertama, dsb.

5. Skala Ratio
 Data ini berasal dari hasil mengukur suatu variabel. Data ini diasumsikan berbentuk bilangan
kontinu hampir sama dengan skala interval, perbedaannya terletak pada nilai nol. Pada skala
rasio memiliki nilai nol mutlak, artinya jika suatu responden variabelnya bernilai nol berarti
tidak memiliki substansi sama sekali. Contoh variabel massa benda. Bila berbicara suatu benda
massanya 0 kg berarti benda itu tidak ada barangnya.

Contoh lain: data dari variabel tinggi badan mahasiswa fakultas ekonomi, hasil belajar
mahasiswa fisika tingkat pertama, besar lingkar bola, dsb.

Catatan 1: Ada suatu variable bisa berskala interval bisa juga berskala rasio, seperti hasil belajar di
atas. Disini asumsi penyaji yang di gunakan. Jika hasil belajar mahasiswa seni tari pada
materi statistika dasar, diasumsikan skala interval maka bila ada seorang mahasiswa
memiliki nilai 0 bukan berarti dia tidak memiliki kemampuan statistika sama sekali hanya
karena situasi tertentu maka dia tidak mengerjakan sehingga nilainya nol. Jika hasil belajar
mahasiswa seni tari materi pembelahan sel diasumsikan skala rasio maka bila ada seorang
mahasiswa memiliki nilai 0 berarti mahasiswa tersebut jelas tidak memiliki kemampuan
sama sekali terhadap konsep pembelahan sel.

Catatan 2: Belum ada landasan teori yang kuat mengkonversi data dari skala nominal, ordinal, cardinal
ke skala interval atau rasio dengan suatu rumus tertentu, terhadap hal sebaliknya dapat
dilakukan. Akan tetapi masih dimungkinkan kalau data ordinal diasumsikan sebagai skala
interval. Sebagai contoh variabel sikap yang diambil datanya melalui angket. Variabel
sikap merupakan jenis skala ordinal, akan tetapi bisa diasumsikan sebagai sekala interval
dengan catatan indikator pengukur variabel sikap cukup banyak, dari segala aspek diamati.

Tunggu tahap selanjutnya tentang mengungkap teknik manipulasi data pada dasar-dasar statistika
konsep pembagian data, ukuran tendensi sentral, dispersi, Menghitung dan memaknai tentang varian
sample kecil dan besar dan teknik penyajian data.

Validitas dan Reliabilitas

23.25 Validitas dan Reliabilitas 89 comments
Validitas
Secara umum uji validitas adalah untuk melihat apakah item pertanyaan yang dipergunakan mampu
mengukur apa yang ingin diukur. Terdapat berbagai macam konsep tentang validitas, dan di sini hanya
akan dibahas validitas yang jamak dipergunakan dalam berbagai penelitian ekonomi. Suatu item
pertanyaan dalam suatu kuesioner dipergunakan untuk mengukur suatu konstruk (variabel) yang akan
diteliti. Sebagai contoh: besarnya gaji valid dipergunakan untuk mengukur kekayaan seseorang; atau
jumlah anak tidak valid dipergunakan untuk mengukur kekayaan seseorang. Artinya gaji mempunyai
korelasi dengan tingkat kekayaan seseorang, tetapi jumlah anak tidak berkorelasi dengan tingkat
kekayaan seseorang.

Beberapa alat analisis yang sering dipergunakan untuk melakukan uji validitas adalah:

1. Korelasi Product Moment

Item butir dinyatakan valid jika mempunyai korelasi dengan skor total (r hitung) di atas r tabel.
Perhitungan dengan SPSS menggunakan Analyze --> correlate --> bivariate, pilih Pearson. Pindahkan
data jawaban pada masing-masing butir dan skor total dari kiri ke kanan. Hasilnya pada output, lihat
pada kolom paling kanan.

2. Corrected Item to Total Correlation

Adalah dengan mengkoreksi nilai r hitung karena adanya spurious overlap. Perhitungan dengan SPSS
menggunakan Analyze --> Scale --> Reliability Analysis, pindahkan jawaban responden pada masing-
masing butir (tanpa skor total) dari kiri ke kanan --> Pilih Statistic Klik pada Scale if item deleted -->
OK. Nilai yang dipergunakan pada kolom Corrected item-total correlation.

3. Analisis Faktor
Item yang valid akan mengelompok pada konstruk yang diukur. Analisis dengan SPSS menggunakan
Analyze Data reduction --> Factor Analysis --> masukan semua jawaban responden. Item pertanyaan
pada suatu konstruk yang tidak mengelompok pada konstruk tersebut dinyatakan tidak valid.

Reliabilitas
Uji reliabilitas adalah untuk melihat apakah rangkaian kuesioner yang dipergunakan untuk mengukur
suatu konstruk tidak mempunyai kecenderungan tertentu. Nilai yang lazim dipakai adalah 0,6.
Perhitungan dengan SPSS sama dengan perhitungan validitas dengan Corrected Item to Total
Correlation. Nilai yang dilihat adalah Alpha, pada bagian kiri bawah.

Pertanyaan-pertanyaan yang sering muncul

1. Bagaimana perlakuan terhadap butir pertanyaan yang tidak valid?
Jawab: Butir yang tidak valid berarti tidak mampu mengukur suatu konstruk yang akan diukur,
sehingga sebaiknya dikeluarkan dari model penelitian.
2. Butir-butir pertanyaan sudah valid semua, tetapi mengapa tidak reliabel?
Jawab: Meskipun ada kecenderungan bahwa jika semua butir sudah valid akan reliabel, akan tetapi hal
tersebut tidak merupakan suatu jaminan. Upaya yang dapat dilakukan agar menjadi reliabel adalah
dengan menggunakan pengujian reliabilitas yang lain, atau memodifikasi indikator yang dipergunakan.

3. Kuesioner sudah valid dan reliabel, tetapi mengapa hipotesis tidak diterima?
Jawab: Tidak ada hubungan antara uji validitas dan reliabilitas dengan penerimaan hipotesis. Uji
validitas dan reliabilitas hanya untuk melihat apakah alat ukur yang dipergunakan (kuesioner) sudah
layak dipergunakan atau belum.

4. Metode pengujian mana yang paling tepat?

Jawab: Tidak ada ketentuan yang pasti dan tergantung dari model yang dipergunakan dalam penelitian.

5. Bolehkan pengujian Alpha Cronbach dipergunakan untuk kuesioner dengan jawaban benar dan
salah?
Jawab: Tidak boleh. Alpha Cronbach tidak dapat digunakan untuk menguji reliabilitas kuesioner
dengan skala nominal (benar/salah)

6. Berapakah jumlah indikator yang ideal dalam mengukur suatu konstruk/variabel?

Jawab: Tidak ada ketentuan yang pasti. Semakin banyak akan semakin baik, akan tetapi memerlukan
tenaga yang lebih besar dan mungkin tidak sebanding dengan manfaat yang diperoleh. Untuk model
dengan SEM, disarankan minimal 3 indikator setiap konstruk (tetapi bukan merupakan suatu
keharusan)

Simulasi Uji Validitas dan Reliabilitas

Beberapa Penyebab MengapaHasil Uji Statistik

tidak Signifikan
Jika teori yang melandasi hipotesis yang ajukan cukup kuat, namun hasil uji statistik tidak menunjukkan ada hubungan atau perbedaan
signifikan pada data yang diuji, bisa jadi disebabkan oleh beberapa hal di bawah ini.

Adanya Outliers
Outliers adalah data yang aneh, bisa jadi keanehan ini karena salah dalam mengentri data, bisa jadi karena individu yang memang unik,
berbeda dengan kebanyakan. Akibat dari outlier ini eror standar akan meningkat. Signifikansi berbanding terbalik dengan eror standar,
jadi semakin besar eror standar semakin kecil peluang untuk mendapatkan hasil yang signifikan. Cara membuang outliers bisa dilihat di
tulisan Widhiarso (2011)
 Model yang tidak Sesuai
Model yang tidak sesuai dengan data akan mengakibatkan hubungan antar dua variabel tidak signifikan. Misalnya data mengenai
hubungan stres dengan performansi yang bersifat kuadratik, akan tetapi kita menggunakan model linier (e.q korelasi pearson atau regresi
linier). Jelas, hasilnya tidak akan signifikan. Untuk mengatasi ini ada dua cara. 1) kita menggunakan model non-linier atau 2) kita
memotong data kita berdasarkan skor tertentu. Contoh prosedur pemotongan data bisa di baca di Widhiarso (2011b)

Ukuran Sampel Kecil

Misalnya korelasi variabel yang kita teliti adalah 0.50. Kalau ukuran sampel kita hanya 10 orang, maka hasil uji statistik tidak
menemukan hubungan yang signifikan. Kalau ukuran sampel kita 15 orang maka hasil analisis menemukan hubungan yang signifikan.
Hal ini dikarenakan semakin besar ukuran sampel yang dipakai semakin kecil nilai kritis yang dipakai acuan.

Pengaruh Variabel Intervening

Hubungan antara stres dan depresi memiliki dasar teori yang sangat kuat. Namun setelah di korelasikan tidak signifikan. Mengapa?
Karena stres menimbulkan depresi hanya terjadi pada orang yang memiliki resiliensi rendah. Sebaliknya stres tidak menimbulkan depresi
kalau individu yang bersangkutan memiliki resiliensi yang tinggi. Dalam hal ini resiliensi menjadi variabel moderator hubungan antara
stres dan depresi. Diskusi mengenai ini dapat dilihat di sini (Wahyu Widhiarso, 2009, 2010a)
Selain variabel moderator, ada variabel mediator. Variabel mediator adalah variabel yang mengantarai dua hubungan antar variabel.
Misalnya stres mempengaruhi depresi dimediatori oleh pengatasan masalah. Sebelum sampai pada depresi, stres menurunkan kemampuan
pengatasan masalah terlebih dahulu sebelum meningkatkan depresi. Diskusi mengenai ini dapat dilihat di Widhiarso (2010).

Prasyarat Analisis yang tidak dipatuhi

Regresi mensyratkan agar prediktor yang tidak dipakai dalam analisis tidak memiliki kolinieritas, alias tidak memiliki korelasi yang
sangat tinggi. Kalau ini terjadi, maka sebuah prediktor yang harusnya memiliki kontribusi besar terhadap variabel dependen, justru tidak
signifikan. Baca mengenai multikolinieritas di Widhiarso (W Widhiarso, 2011)
Contoh lainnya adalah heterokedastisitas, kalau dalam regresi terjadi heterokedastisitas bisa jadi kontribusi dari prediktor tidak signifikan
karena antar eror memiliki hubungan yang erat dalam menjelaskan varians di dalam data. Akibatnya varians untuk variabel dependen
tidak kebagian apa-apa sehingga hasil analisis tidak signifikan. Baca mengenai heterokedastisitas di Widhiarso

Perbedaan Konteks
Masalah harga mungkin dalam konteks pembelian barang-barang untuk kebutuhan primer menentukan kepuasan pelanggan akan tetapi
dalam konteks barang-barang untuk kebutuhan tersier harga tidak banyak berpengaruh. Hal ini dikarenakan kebutuhan tersier terkait
dengan konteks lain, misalnya prestise atau status. Bisa jadi kalau kita ingin menguji peranan harga terhadap kepuasan pelanggan dalam
konteks berlian unik dan mobil supermewah, bisa jadi hubungannya tidak signifikan.
Banyak konteks yang bisa mempengaruhi signifikan tidaknya hasil uji statistik kita. Karakteristik sampel, variabel yang diteliiti, level
atau kategori skor, atau desain penelitian sangat mempengaruhi hasil uji statistik yang dilakukan.

Alat Ukur yang kurang valid dan reliabel

Bayangkan anda hendak meneliti hubungan antara berat badan dan tinggi badan. Kalau timbangan yang dipakai tidak valid dan reliabel,
maka berat seseorang yang harusnya 50 kg diskor 60 kg. Demikian juga untuk tinggi badan harusnya 150 cm, diskor 120 kg. Jadi yang
harusnya ada hubungan yang signifikan antara tinggi badan dengan berat badan, akan tetapi tidak terbukti dalam analisis statistik.

Penyebab Lain
Ada banyak faktor yang menyebabkan uji statistik tidak signifikan. Selain kurang tepatnya penggunaaan uji statistik, masalah data,
sampel, desain penelitian juga masih menyisahkan banyak hal jika dieksplorasi lebih lanjut.
Kuesioner Tidak Valid? Begini Cara
Mengatasinya
Posted by DJ Three

cara menjadikan kuesioner valid, kuesioner tidak valid, memperbaiki validitas, uji validitas
tidak lolos

Thursday, September 8, 2016

Banyak pertanyaan seputar skripsi saat Uji Validitas tidak lolos, trus harus gimana??? Apakah
harus mengulang nyebar kuesioner?? Atau menghapus kuesioner??

Kenapa kuesioner tidak valid?

Kemungkinan yang paling sering adalah karena pertanyaan yang ada dalam kuesioner rancu
atau membingungkan, jadi mengakibatkan responden mengisinya dengan asal - asalan.

Nah disini menurut pengalamanku, ada beberapa cara untuk menanganinya, yaitu :

Pertama
Apabila kuesioner tidak valid sebaiknya pertanyaan tersebut tidak digunakan, ini dalam
asumsi hanya beberapa pertanyaan kuesioner yang tidak valid, misalkan satu atau dua dari
sekian pertanyaan.

Kedua
Jika kuesioner yang tidak valid sebanyak 50% keatas maka lebih baik di review ulang
pertanyaan/pernyataan dalam kuesioner kemudian di sebar ulang.

Yah tapi itu akan menambah biaya lagi, hehe. Kalo saya sarankan apabila kejadian seperti ini
sebaiknya di saran yang ketiga.
Ketiga
Edit kuesioner mu, (^^,)

Trus gimana caranya supaya valid?Berikut tips nya:

- Tabulasikan kuesioner pada Excel

- Bikin nilai Rata-rata pada setiap kolom pertanyaan

- Lihat nilai Rata-rata pada pertanyaan kuesioner yang tidak valid

- Biasanya nilai Rata-ratanya mendekati angka 3, karena menunjukan keraguan

- Rubah nilai kueioner mu supaya menjauhi angka 3

- Misal pertanyaan dibawah angka 3 contoh (2.89) maka turunkan nilai rata-ratanya apabila
(3.12) maka naikan nilai rata-ratanya

- Kemudian Uji Validitas kembali, kalo belum tau cara Uji Validitas bisa dilihat disini "Cara Uji
Validitas SPSS". Lihat nilai R hitung nya, jika naik lanjutkan, jika malah semakin buruk
lakukan kebalikannya.

- Review juga pertanyaan yang ada, jika pertanyaanya negatif (cenderung tidak mendukung)
sebaiknya di beri angka rata-rata di bawah 3.

Saran : Rubahlah satu persatu dan amati perubahannya!

Sekian semoga bermanfaat bagi temen-temen yang lagi berjuang, Salam Wisuda.. ^^.

Referensi
1. Widhiarso, W. (2011). Berurusan dengan ouliers. Diskusi Metodologi Penelitian. Retrieved from
http://wahyupsy.blog.ugm.ac.id/2011/02/21/berurusan-dengan-outliers/
2. Widhiarso, W. (2011). Data Tidak Linier? Kita Analisis Secara Terpisah Saja. Diskusi Metodologi
Penelitian. Retrieved from http://wahyupsy.blog.ugm.ac.id/2011/05/26/menyiasati-data-yangtidak-
linier/
3. Widhiarso, W. (2011). Help Me, Prediktor-Prediktor saya Multikol! Diskusi Metodologi Penelitian.
Retrieved from http://wahyupsy.blog.ugm.ac.id/2011/05/31/diskusi-tentang-multikolinieritas-data/
4. Widhiarso, Wahyu. (2009). Prosedur Analisis Regresi dengan Variabel Moderator Tunggal melalui
SPSS. Yogyakarta: Fakultas Psikologi Universitas Gadjah Mada. Retrieved from
http://widhiarso.staff.ugm.ac.id/files/widhiarso_2010_-
_prosedur_analisis_regresi_dengan_variabel_moderator_melalui_spss.pdf
5. Widhiarso, Wahyu. (2010a). Model Analisis dengan Menggunakan Variabel Moderator. Yogyakarta:
Fakultas Psikologi Universitas Gadjah Mada. Retrieved from
http://widhiarso.staff.ugm.ac.id/files/widhiarso_2010_-_analisis_moderator_dalam_lisrel.pdf
6. Widhiarso, Wahyu. (2010). Berkenalan dengan Analisis Mediasi: Regresi dengan Melibatkan Variabel
Mediator (Bagian Pertama). Yogyakarta: Fakultas Psikologi Universitas Gadjah Mada. Retrieved from
http://widhiarso.staff.ugm.ac.id/files/Widhiarso%202010%20-%20Berkenalan%20dengan%20Analisis
%20Mediasi.pdf
Diposkan 7th June 2011 oleh wahyu

HIPOTESIS TIDAK TERDUKUNG,

MENGAPA ?
Sep 6
Posted by hendry
HASIL PENELITIAN TIDAK SIGNIFIKAN
Oleh : Hendryadi
Sangat sering saya mendengar keluhan mengenai tidak signifikannya hasil penelitian. Beberapa
bertanya apakah boleh jika hasil penelitian tidak berhasil membuktikan teori
Jawabannya : JELAS BOLEH dan MENGAPA TIDAK BOLEH
Karena menggunakan metode ilmiah, maka penelitian tentu saja memiliki toleransi terhadap keraguan
yang muncul atas sebuah pernyataan atau kesimpulan, memiliki kemauan untuk mempertanyakan
segala sesuatu, keinginan untuk melakukan berbagai pengujian dan membuka kesempatan atas adanya
pertentangan satu sama lain. Dengan demikian, hasil penelitian terbuka untuk saling berbeda, saling
mengkritik, bahkan saling bertentangan.
Dengan demikian, jika ada pendapat yang menyatakan pokoknya harus signifikan !!, maka saran
saya lebih baik tidak usah diteliti saja, karena sudah yakin 100% signifikan. Logikanyajika sudah
yakin bahwa hubungan dua variabel yang diteliti pasti signifikan, maka tidak perlu ada pengujian
hipotesis dan uji statistik. Cukup diyakini saja..dan tidak perlu diteliti.
Cara berpikir ilmiah itu adalah dimulai dari keraguan..makanya dilakukan pembuktian. Karena
ragu..makanya diteliti. Jika sudah tidak ada keraguan..so..ngapain juga ditelitihe.he.he
Hipotesis yang diajukan tidak terdukung secara statistic ?
Dalam hipotesis statistik inferensial, pengujian hipotesis pada prinsipnya adalah pengujian signifikansi.
Signifikansi sendiri merupakan taraf kesalahan yang didapatkan/diharapkan ketika peneliti hendak
menggenalisasi sampel penelitiannya. Atau dengan kata lain, peneliti melakukan penaksiran parameter
populasi berdasarkan data yang telah dikumpulkan dari parameter sampel penelitian.
Jika hasilnya tidak signifikan, maka artinya adalah data yang dikumpulkan tidak berhasil membuktikan
keterkaitan antara X dan Y, dan bukan berarti X tidak berpengaruh terhadap Y, melainkan data sampel
tidak berhasil membuktikan hubungan tersebut.
Mengapa bisa terjadi ?
Ada dua penyebab, pertama adalah memang data yang dikumpulkan tidak berhasil membuktikan
hipotesis, dan kedua ada kesalahan dari si peneliti.
Untuk kesalahan pertama, maka tidak ada jalan lain kecuali melaporkan hasil penelitian apa adanya,
atau melakukan menambahan data. Adakalanya, dibutuhkan sampel yang besar untuk membuktikan
adanya hubungan dua variabel, terutama jika hubungan tersebut kecil.
Sedangkan kesalahan kedua (yang sering terjadi) adalah adalah kesalahan pengambilan sampel,
kesalahan teknik analisis, kesalahan input data, kesalahan menginterpretasikan penolakan/penerimaan
hipotesis (dikenal dengan istilah kesalahan tipe 1 dan 2), dan lain sebagainya.
Kesalahan pengambilan sampel
Contoh sederhana adalah seorang peneliti ingin meneliti mengenai kepuasan kerja karyawan.
Kesalahan pengambilan sampel terjadi ketika sampel yang digunakan tidak mempertimbangkan aspek-
aspek seperti pendidikan, pengalaman kerja, jenis kelamin dan lain sebagainya. Sebagai contoh :
seorang karyawan yang berpendidikan S2 jelas memiliki harapan akan promosi lebih tinggi dibanding
dengan karyawan yang berpendidikan SMA. Hal-hal sederhana seperti ini sering kali di abaikan
sehingga menghasilkan jawaban kuesioner memiliki tingkat variabilitas tinggi.
Kesalahan Input data (coding)
Kesalahan pada input data atau coding sering terjadi terutama pada pernyataan negatif yang seharusnya
dilakukan reverse score.
Kesalahan teknik analisis
Kesalahan teknik analisis umumnya terjadi ketika data yang digunakan dipaksakan: untuk
menggunakan teknik tertentu. Sebenarnya, dalam statistic, prinsip parsimony (kesederhanaan) adalah
penting. Semakin sederhana maka akan semakin baik.
Kesalahan dalam menerima dan menolak Hipotesis
Kesalahan tipe I adalah kesalahan apabila menolak hipotesis nol (Ho) yang benar (seharusnya
diterima).
Kesalahan tipe II adalah kesalahan jika menerima Hipotesis yang salah (seharusnya ditolak).
Bagaimana menjelaskan ketidakmampuan data membuktikan hipotesis ?
Sangat disarankan, pada tinjauan penelitian dicari juga penelitian yang mendukung dan menolak.
Contoh : Pada penelitian A, B, dan C, DER terbukti berpengaruh negative dan signifikan terhadap
return saham, namun pada penelitan D, E dan F diperoleh hasil sebaliknya yaitu DER tidak
berpengaruh terhadap Return saham.
Dengan adanya tinjauan penelitian yang mendukung dan menolak tersebut, kita bisa menjelaskan
bahwa paling tidak hasil penelitian ini relevan dengan peneltiian D, E, dan F, dan berbeda dengan
peneltiian A, B, dan C.

Terimakasih
Semoga bermanfaat

Permasalahan dengan Data tidak normal: Penyebab dan strategi

permasalahan
nasrul setiawan normalitas 63 comments
Data terdistribusi secara normal adalah konsep umum yang sering salah paham oleh beberapa orang.
Beberapa orang percaya bahwa semua data yang dikumpulkan dan digunakan untuk analisis harus
didistribusikan secara normal. Tapi distribusi normal tidak terjadi sesering orang pikirkan , dan itu
bukan tujuan utama . Distribusi normal adalah sarana untuk mencapai tujuan , bukan tujuan itu sendiri .

Data terdistribusi secara normal diperlukan untuk menggunakan sejumlah alat statistik , seperti analisis
regresi, analisis Cp / Cpk , uji-t, analisis varians ( ANOVA ) dan masih banyak lagi. Jika seorang
praktisi tidak menggunakan alat khusus seperti itu, bagaimanapun , tidak penting apakah data
terdistribusi secara normal . Distribusi menjadi masalah hanya ketika praktisi mencapai suatu titik
dalam sebuah proyek di mana mereka ingin menggunakan alat statistik yang memerlukan data
terdistribusi normal dan mereka tidak memilikinya .
Probabilitas plot pada Gambar di atas adalah contoh dari uji normalitas. Dalam hal ini , asumsi
normalitas jelas tidak dapat terpenuhi, nilai p kurang dari 0,05 dan lebih dari 5 persen dari titik data
berada di luar interval kepercayaan 95 persen .

Apa yang bisa dilakukan? Pada dasarnya, ada dua pilihan :

1. Mengidentifikasi dan, jika mungkin, menentukan alasan data tidak normal dan mengatasinya
atau
2. Gunakan alat yang tidak memerlukan asumsi normalitas

Mengidentifikasi alasan data tidak normal

Ketika data tidak terdistribusi normal , penyebab non - normalitas harus ditentukan dan tindakan
perbaikan yang tepat harus diambil . Ada enam alasan yang sering dialami untuk data tidak normal .

Alasan 1 : Data Ekstrim

Terlalu banyak nilai-nilai ekstrim dalam satu set data yang akan menghasilkan distribusi
skewness(miring). Normalitas data dapat dicapai dengan menghilangkan data tersebut. Hal ini
kemungkinan terjadi karena kesalahan menentukan pengukuran, kesalahan data-entry dan outlier dan
untuk mengatasinya dengan menghapus data tersebut dari data yang digunakan untuk alasan yang
masuk akal.

sangatlah penting bahwa outlier diidentifikasi sebagai penyebab yang benar-benar membuat data tidak
normal sebelum mereka dieliminasi . Jangan lupa : Sifat data terdistribusi normal adalah bahwa kecil
persentase dari nilai-nilai ekstrim yang diharapkan, tidak setiap outlier disebabkan oleh alasan khusus.

Alasan 2 : Tumpang tindih dari Dua atau Lebih Proses

Data tidak dapat terdistribusi secara normal karena sebenarnya berasal dari lebih dari satu proses ,
penjumlahan atau pergeseran, atau dari sebuah proses yang sering bergeser . Jika dua atau lebih set data
yang terdistribusi secara normal yang tumpang tindih, data mungkin terlihat bimodal atau multimodal -
itu akan memiliki dua atau lebih nilai yang paling sering terjadi.

Tindakan perbaikan untuk situasi ini adalah untuk menentukan X penyebab bimodal atau distribusi
multimodal dan kemudian stratifikasi data . Data harus diperiksa lagi untuk normalitas dan setelah
proses stratified dapat bekerja secara terpisah .

Gambar berikut menunjukkan data waktu akses website yang memiliki data tidak normal pada sebuah
website.

Setelah stratifikasi waktu akses website antara akhir pekan dibandingkan Data hari kerja, menunjukkan
kedua kelompok berdistribusi normal. sehingga bisa dijadikan perimbangan dalam analisis data yang
akan.

Alasan 3 : Kurangnya data Diskriminasi

Round- off error atau perangkat pengukuran dengan resolusi rendah dapat membuat benar-benar data
continues dan data terdistribusi normal terlihat diskrit dan tidak normal . Kurangnya data diskriminasi
dan karena terbatasnya jumlah nilai yang berbeda - dapat diatasi dengan menggunakan sistem
pengukuran yang lebih akurat atau dengan mengumpulkan lebih banyak data.
Alasan 4 : Data yang diurutkan
Data yang dikumpulkan tidak mungkin terdistribusi normal jika itu merupakan hanya bagian dari
seluruh data dalam suatu proses. Hal ini dapat terjadi jika data dikumpulkan dan dianalisis setelah
penyortiran. Data pada Gambar dibawah diperoleh dari proses produksi botol di mana target adalah
untuk menghasilkan botol dengan volume 100 ml . Spesifikasi minimal dan maksimal yang dapat
diterima adalah 97,5 ml dan 102,5 ml dan di luar spesifikasi tersebut dihapus dari proses analisis.
Sehingga terlihat pada gambar dibawah ini. Dari data tersebut tentunya data tidak terdistribusi normal
karena hanya sebagian yang dimasukkan yaitu yang masuk dalam spesifikasi.

Alasan 5 : Nilai Mendekati Nol

Jika proses memiliki banyak nilai mendekati nol, distribusi data akan miring (skewness) ke kanan atau
kiri. Dalam hal ini, transformasi seperti tenaga transformasi Box - Cox, dapat membantu membuat data
normal. Dalam metode ini , semua data dinaikkan , atau diubah , dengan eksponen tertentu ,
ditunjukkan dengan nilai Lambda . Ketika melakukan transformasi, semua data harus dilakukan
perlakuan (diubah) yang sama.

Gambar di bawah ini menggambarkan contoh dari konsep ini. Gambar menunjukkan satu set data
siklus - waktu;

menunjukkan data yang sama diubah setelah dilakukan transformasi dengan logaritma natural.
Untuk bahasan transformasi box cox silahkan ke link "transormasi box cox"

Perhatikan : Metode transformasi tidak memberikan jaminan distribusi normal . Selalu periksa dengan
uji normalitas untuk menentukan apakah distribusi normal dapat diterpenuhi setelah transformasi .

Alasan 6 Data Mengikuti Distribusi Berbeda

Ada banyak tipe data yang mengikuti distribusi non-normal. Contoh berikut:

Distribusi Weibull , ditemukan dengan data survival seperti waktu kelangsungan hidup suatu
produk
Distribusi log - normal, ditemukan dengan panjang data seperti ketinggian
Distribusi Largest-extreme-value, ditemukan dengan data seperti waktu terpanjang down
setiap hari
Distribusi eksponensial, ditemukan dengan data pertumbuhan seperti pertumbuhan bakteri
Distribusi Poisson, ditemukan dengan peristiwa langka seperti jumlah kecelakaan
Distribusi binomial, ditemukan dengan " proporsi " data seperti persen barang cacat

Jika data berikut salah satu distribusi yang berbeda , harus ditangani dengan menggunakan alat dengan
menggunakan disribusi yang sama.

Alat analisis yang tidak mensyaratkan data normal

Beberapa alat statistik tidak memerlukan data terdistribusi normal . Untuk membantu para praktisi
memahami kapan dan bagaimana alat ini dapat digunakan , tabel di bawah ini menunjukkan
perbandingan alat yang tidak memerlukan distribusi normal dengan setara - distribusi normal.

Perbandingan alat analisis untuk data berdistribusi normal dan tidak normal
Alat analisis yang Alat analisis untuk data tidak
Distribusi yang diperlukan
menggunakan data normal normal
Mann-Whitney test; Moods
T-test Any
median test; Kruskal-Wallis test
Moods median test; Kruskal-
ANOVA Any
Wallis test
uji t berpasangan One-sample sign test Any
F-test; Bartletts test Levenes test Any
Analisis regresi analisis regresi non parametrik Any
Cp/Cpk analysis Cp/Cpk analysis Weibull; log-normal; largest extreme
value; Poisson; exponential; binomial

Sumber : Dealing with Non-normal Data: Strategies and Tools

Written by: Nasrul Setiawan
STATISTIK CERIA, Updated at: 6:18 PM

"Terima kasih sudah membaca artikel normalitas dengan judul Permasalahan dengan Data tidak
normal: Penyebab dan strategi permasalahan. Anda bisa bookmark halaman ini dengan URL
http://statistikceria.blogspot.co.id/2014/02/permasalahan-dengan-data-tidak-normal-
penyebab-strategi-permasalahan.html. Apabila ada yang kurang jelas silahkan tinggalkan
komentar atau pesan."

skripsi itu indah

Manipulasi Data (tidak disarankan)

Selasa, 28 Juni 2011 di 22.13 | 0 komentar

Manipulasi merupakan tindakan mengubah data yang sebenarnya menjadi sebuah data palsu.
Tujuannya biasanya agar data signifikan atau memenuhi uji asumsi klasik ataupun agar memenuhi
validitas dan reliabilitas.
Manipulasi data umumnya dilakukan pada data-data yang bersumber dari kuesioner. Why ????? karena
kebanyakan data yang diperoleh dari hasil kuesioner hasilnya tidak memenuhi uji validitas dan
reliabilitas. Disinilah praktek manipulasi data terjadi..
Mengapa manipulasi data umumnya dilakukan pada data-data kuesioner bukan pada data-data
keuangan???
Karena data kuesioner merupakan data yang berbeda-beda diperoleh oleh tiap peneliti dikarenakan
berbedanya respondennya. Hasil jawaban kuesioner pada umumnya tidak dipertanggungjawabkan
keberadaannya pada saat seseorang ujian sarjana/thesis/dhisertasi karena pada saat pengujian data
kuesiner tidak diminta dan kalaupun diminta data kuesioner kevalid-annya apakah diisi oleh benar-
benar responden atau diisi oleh sang peneliti sendiri tidak dapat diungkap.
Pada data keuangan sangat sulit melakukan manipulasi dikarenakan setiap angka-angka yang diperoleh
adanya pertangungjawabanya..darimana?????????data-data yang berupa angka-angka tersebut dapat
diperoleh dari perhitungan data-data dari yang disajikan dalam laporan keuangan. Angka 7 tidak akan
dapat kita hasilkan bila bukti nyatanya 15/3 =5 bukanlah 7.
Walau bagaimanapun yang namanya manipulasi tidak disarankan dalam penelitian karena bersifat
ILEGAL. Ya akan tetapi jika sudah mepet ya mau tidak mau ya dilakukan juga..hehehe
(NB : Hasil penelitian hendaknya jujur merupakan hasil perolehan kita dilapangan/perhitungan bukan
hasil manipulasi. Karena tujuan dari penelitian adalah untuk mencari apakah ada yang signifikan atau
tidak, bukan mencari cara bagaimana agar data harus signifikan. Toh kalo memang data anda tidak
signifikan 1 variabelpun, toh itu merupakan hasil penelitian anda. So jangan takut
mempertanggungjawabkannya di sidang alias ujian akhir..kejujuran memang ma

Diposkan oleh manse

Uji Normalitas Dengan Menggunakan Uji Outlier

di 22.13 | 1 komentar

APAKAH ITU OUTLIER??

Outlier merupakan data-data yang bersifat ekstrim dimana data berada diluar rentang normal. Data
outlier umumnya terdapat pada data-data keuangan.
Data yang outlier umumnya nilai z residu atau ZRE antara rentang :
1. -3 sampai +3 bila jumlah datanya banyak
2. -2,56 sampai +2,56 bila data yang di uji dengan nilai outlier diatas masih belum normal.
3. -1,96 sampai +1,96 bila menggunakan 2 outlier diatas masih belum normal juga.
(NB : uji oulier -1,96 sampai +1,96 biasanya digunakan untuk data penelitian dengan jumlah n < 30)
BAGAIMANA UJI OUTLIER?????
Uji outlier hendaknya menggunakan program analisis statistik seperti SPSS.
1. data diregresikan terlebih dahulu ANALYZEREGRESSION
2. kemudian pada data view, akan terdapat kolom ZRE_1. Kemudian pada kolom tersebut uji
menggunakan data outlier 1 terlebih dahulu. Artinya apabila ada nilai ZRE_1 diluar (-3 sampai +3)
maka dihapus 1 baris data yang diluar -3 sampai +3 sampai tidakada lagi. Kemudian regresikan lagi.
Contoh ZRE_1 ada yang bernilai -3,032 pada baris 18 maka baris 18 tersebut dihapus.
3. jika belum normal gunakan data outlier 2. apabila ada nilai ZRE_2 diluar (-2,56 sampai +2,56) maka
dihapus 1 baris data yang diluar -2,56 sampai +2,56 sampai tidakada lagi. Kemudian regresikan lagi.
4. jika belum normal juga gunakan data outlier 3. apabila ada nilai ZRE_3 diluar (-1,96 sampai +1,96)
maka dihapus 1 baris data yang diluar -1,96 sampai +1,96 sampai tidakada lagi. Kemudian regresikan
lagi. Maka data akan normal.
BAGAIMANA JIKA BELUM NORMAL JUGA??
Maka dilakukan uji normalitas dengan menggunakan transformasi.

Diposkan oleh manse

Uji Asumsi Klasik Autokorelasi

di 22.12 | 1 komentar

APA GUNANYA UJI AUTOKORELASI??

Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara
kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya).
BAGAIMANA MENGUJI AUTOKORELASI???
Ada 2 pendapat mengenai pengambilan keputusan uji autokorelasi yakni:
1. Menggunakan uji DURBIN WATSON (DW-TEST).
kriteria pengambilan keputusannya adalah :
Jika 0 < d < dL, berarti ada autokorelasi positif
Jika 4 dL < d < 4, berarti ada autokorelasi negatif
Jika 2 < d < 4 dU atau dU < d < 2, berarti tidak ada autokorelasi positif atau negatif
Jika dL d dU atau 4 dU d 4 dL, pengujian tidak meyakinkan. Untuk itu dapat
digunakan uji lain atau menambah data.
Beberapa juga ada yang menggunakan kriteria -2 sampai dengan 2 untuk menunjukkan tidak
tidak adanya autokorelasi

2. ada juga yang berpendapat bahwa rentang tidak terjadinya masalah autokorelasi antara -2 sampai +2.

Diposkan oleh manse

Uji Asumsi Klasik Heterokedastisitas

di 22.11 | 0 komentar

Heterokedastisitas digunakan untuk menguji apakah terdapat perbedaan varian pengamatan satu dengan
pengamatan yang lainnya. Apabila terjadi perbedaan varians maka terjadi yang namanya
heterokedastisitas.

Uji heterokedastisitas cukup menggunakan grafik plot, uji white, uji park, dan uji glejser.

1. GRAFIK PLOT adalah dengan melihat grafik Plot antara nilai prediksi variabel terikat (ZPRED)
dengan residualnya (SRESID). Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah
terjadi heteroskedastisitas, jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah
angka nol pada sumbu Y maka tidak terjadi heteroskedastisitas.

2. UJI GLEJSER dapat dengan mudah diaplikasikan di SPSS.

Langkahnya :
1. REGRESIKAN DATA ANDA TERLEBIH DAHULU DENGAN ANALYZE------REGRESSION
2. TRANSFORMASIKAN UNSTANDARDIZED RESIDUAL KEDALAM BENTUK ABS
(ABSOLUT).
3. HASIL TRANSFORMASI DIJADIKAN VARIABEL DEPENDEN DAN DIREGRESIKAN
DENGAN VARIABEL INDEPENDEN.
4. APABILA NILAI T-STATISTIK ADA YANG SIGNIFIKAN MAKA TERDAPAT MASALAH
HETEROKEDASTISITAS.

Diposkan oleh manse

Uji Asumsi Klasik Multikolinearitas

di 22.11 | 0 komentar

Multikolinearitas merupakan uji asumsi klasik yang bertujuan untuk mengetahui apakah antara sesama
variabel independen (variabel X) penelitian kita adanya korelasi (hubungan) yang kuat. Dalam
penelitian yang bersifat BLUE (best linear unbiased estimator) hendaknya tidak tidak terjadi
multikolinearitas karena korelasi yang kuat karena akan mengakibatkan bias nya hasil penelitian.

Bagaimana menguji multikolinearitas??

Uji multikolinearitas dapat diuji menggukan Variance Inflation Factor (VIF) ataupun dengan korelasi
parsial.

Variance Inflation Factor (VIF)

Adanya multikolinearitas apabila nilai dari Variance Inflation Factor (VIF) > 10. Variance Inflation
Factor (VIF) dapat dilihat pada tabel coefficients pada hasil pengolahan SPSS.

Korelasi parsial
Korelasi parsial dapat dilihat melalui pengolahan SPSS ANALYZE--------CORRELATE------
PARTIAL.
Apabila nilai significance 2 tailed>0,05 maka tidak terjadi multikolinearitas.

Diposkan oleh manse

skripsi itu indah

Manipulasi Data
(tidak
disarankan)
Selasa, 28 Juni
2011 di 22.13 | 0
komentar

Manipulasi
merupakan
tindakan
mengubah
data yang
sebenarnya
menjadi
sebuah data
palsu.
Tujuannya
biasanya
agar data
signifikan
atau
memenuhi
uji asumsi
klasik
ataupun agar
memenuhi
validitas dan
reliabilitas.
Manipulasi
data
umumnya
dilakukan
pada data-
data yang
bersumber
dari
kuesioner.
Why ?????
karena
kebanyakan
data yang
diperoleh
dari hasil
kuesioner
hasilnya
tidak
memenuhi
uji validitas
dan
reliabilitas.
Disinilah
praktek
manipulasi
data terjadi..
Mengapa
manipulasi
data
umumnya
dilakukan
pada data-
data
kuesioner
bukan pada
data-data
keuangan???
Karena data
kuesioner
merupakan
data yang
berbeda-
beda
diperoleh
oleh tiap
peneliti
dikarenakan
berbedanya
respondenny
a. Hasil
jawaban
kuesioner
pada
umumnya
tidak
dipertanggun
gjawabkan
keberadaann
ya pada saat
seseorang
ujian
sarjana/thesi
s/dhisertasi
karena pada
saat
pengujian
data kuesiner
tidak diminta
dan kalaupun
diminta data
kuesioner
kevalid-
annya
apakah diisi
oleh benar-
benar
responden
atau diisi
oleh sang
peneliti
sendiri tidak
dapat
diungkap.
Pada data
keuangan
sangat sulit
melakukan
manipulasi
dikarenakan
setiap angka-
angka yang
diperoleh
adanya
pertangungja
wabanya..dar
imana???????
??data-data
yang berupa
angka-angka
tersebut
dapat
diperoleh
dari
perhitungan
data-data
dari yang
disajikan
dalam
laporan
keuangan.
Angka 7
tidak akan
dapat kita
hasilkan bila
bukti
nyatanya
15/3 =5
bukanlah 7.
Walau
bagaimanap
un yang
namanya
manipulasi
tidak
disarankan
dalam
penelitian
karena
bersifat
ILEGAL. Ya
akan tetapi
jika sudah
mepet ya
mau tidak
mau ya
dilakukan
juga..hehehe
(NB : Hasil
penelitian
hendaknya
jujur
merupakan
hasil
perolehan
kita
dilapangan/p
erhitungan
bukan hasil
manipulasi.
Karena
tujuan dari
penelitian
adalah untuk
mencari
apakah ada
yang
signifikan
atau tidak,
bukan
mencari cara
bagaimana
agar data
harus
signifikan.
Toh kalo
memang
data anda
tidak
signifikan 1
variabelpun,
toh itu
merupakan
hasil
penelitian
anda. So
jangan takut
mempertang
gungjawabka
nnya di
sidang alias
ujian
akhir..kejuju
ran
memang
ma
Diposkan oleh
manse

Uji Normalitas
Dengan
Menggunakan
Uji Outlier
di 22.13 | 1
komentar

APAKAH ITU
OUTLIER??
Outlier
merupakan
data-data
yang bersifat
ekstrim
dimana data
berada diluar
rentang
normal. Data
outlier
umumnya
terdapat
pada data-
data
keuangan.
Data yang
outlier
umumnya
nilai z residu
atau ZRE
antara
rentang :
1. -3 sampai
+3 bila
jumlah
datanya
banyak
2. -2,56
sampai
+2,56 bila
data yang di
uji dengan
nilai outlier
diatas masih
belum
normal.
3. -1,96
sampai
+1,96 bila
menggunaka
n 2 outlier
diatas masih
belum
normal juga.
(NB : uji
oulier -1,96
sampai
+1,96
biasanya
digunakan
untuk data
penelitian
dengan
jumlah n <
30)
BAGAIMAN
A UJI
OUTLIER???
??
Uji outlier
hendaknya
menggunaka
n program
analisis
statistik
seperti SPSS.
1. data
diregresikan
terlebih
dahulu
ANALYZE
REGRESSIO
N
2. kemudian
pada data
view, akan
terdapat
kolom
ZRE_1.
Kemudian
pada kolom
tersebut uji
menggunaka
n data outlier
1 terlebih
dahulu.
Artinya
apabila ada
nilai ZRE_1
diluar (-3
sampai +3)
maka
dihapus 1
baris data
yang diluar
-3 sampai +3
sampai
tidakada lagi.
Kemudian
regresikan
lagi. Contoh
ZRE_1 ada
yang bernilai
-3,032 pada
baris 18
maka baris
18 tersebut
dihapus.
3. jika belum
normal
gunakan
data outlier
2. apabila
ada nilai
ZRE_2 diluar
(-2,56
sampai
+2,56) maka
dihapus 1
baris data
yang diluar
-2,56 sampai
+2,56
sampai
tidakada lagi.
Kemudian
regresikan
lagi.
4. jika belum
normal juga
gunakan
data outlier
3. apabila
ada nilai
ZRE_3 diluar
(-1,96
sampai
+1,96) maka
dihapus 1
baris data
yang diluar
-1,96 sampai
+1,96
sampai
tidakada lagi.
Kemudian
regresikan
lagi. Maka
data akan
normal.
BAGAIMAN
A JIKA
BELUM
NORMAL
JUGA??
Maka
dilakukan uji
normalitas
dengan
menggunaka
n
transformasi.

Diposkan oleh
manse

Uji Asumsi
Klasik
Autokorelasi
di 22.12 | 1
komentar
APA
GUNANYA
UJI
AUTOKOREL
ASI??
Uji
Autokorelasi
bertujuan
menguji
apakah
dalam suatu
model
regresi linear
ada korelasi
antara
kesalahan
pengganggu
pada periode
t dengan
kesalahan
pada periode
t-1
(sebelumnya
).
BAGAIMAN
A MENGUJI
AUTOKOREL
ASI???
Ada 2
pendapat
mengenai
pengambilan
keputusan
uji
autokorelasi
yakni:
1.
Menggunaka
n uji DURBIN
WATSON
(DW-TEST).
kriteria
pengambilan
keputusanny
a adalah :
Jika 0
< d < dL,
berarti ada
autokorelasi
positif
Jika 4
dL < d < 4,
berarti ada
autokorelasi
negatif
Jika 2 <
d < 4 dU
atau dU < d
< 2, berarti
tidak ada
autokorelasi
positif atau
negatif
Jika dL
d dU
atau 4 dU
d 4 dL,
pengujian
tidak
meyakinkan.
Untuk itu
dapat
digunakan uji
lain atau
menambah
data.

Beberapa
juga ada
yang
menggunaka
n kriteria -2
sampai
dengan 2
untuk
menunjukkan
tidak tidak
adanya
autokorelasi

2. ada juga
yang
berpendapat
bahwa
rentang tidak
terjadinya
masalah
autokorelasi
antara -2
sampai +2.

Diposkan oleh
manse

Uji Asumsi
Klasik
Heterokedastisit
as
di 22.11 | 0
komentar

Heterokedast
isitas
digunakan
untuk
menguji
apakah
terdapat
perbedaan
varian
pengamatan
satu dengan
pengamatan
yang lainnya.
Apabila
terjadi
perbedaan
varians maka
terjadi yang
namanya
heterokedast
isitas.

Uji
heterokedast
isitas cukup
menggunaka
n grafik plot,
uji white, uji
park, dan uji
glejser.
1. GRAFIK
PLOT adalah
dengan
melihat
grafik Plot
antara nilai
prediksi
variabel
terikat
(ZPRED)
dengan
residualnya
(SRESID). Jika
ada pola
tertentu,
seperti titik-
titik yang
ada
membentuk
pola tertentu
yang teratur
(bergelomba
ng, melebar
kemudian
menyempit),
maka
mengindikasi
kan telah
terjadi
heteroskedas
tisitas, jika
tidak ada
pola yang
jelas, serta
titik-titik
menyebar
diatas dan
dibawah
angka nol
pada sumbu
Y maka tidak
terjadi
heteroskedas
tisitas.

2. UJI
GLEJSER
dapat
dengan
mudah
diaplikasikan
di SPSS.
Langkahnya :
1.
REGRESIKAN
DATA ANDA
TERLEBIH
DAHULU
DENGAN
ANALYZE----
--
REGRESSIO
N
2.
TRANSFOR
MASIKAN
UNSTANDA
RDIZED
RESIDUAL
KEDALAM
BENTUK
ABS
(ABSOLUT).
3. HASIL
TRANSFOR
MASI
DIJADIKAN
VARIABEL
DEPENDEN
DAN
DIREGRESIK
AN DENGAN
VARIABEL
INDEPENDE
N.
4. APABILA
NILAI T-
STATISTIK
ADA YANG
SIGNIFIKAN
MAKA
TERDAPAT
MASALAH
HETEROKEDA
STISITAS.
Diposkan oleh
manse

Uji Asumsi
Klasik
Multikolinearita
s
di 22.11 | 0
komentar

Multikolineari
tas
merupakan
uji asumsi
klasik yang
bertujuan
untuk
mengetahui
apakah
antara
sesama
variabel
independen
(variabel X)
penelitian
kita adanya
korelasi
(hubungan)
yang kuat.
Dalam
penelitian
yang bersifat
BLUE (best
linear
unbiased
estimator)
hendaknya
tidak tidak
terjadi
multikolineari
tas karena
korelasi yang
kuat karena
akan
mengakibatk
an bias nya
hasil
penelitian.

Bagaimana
menguji
multikoline
aritas??
Uji
multikolineari
tas dapat
diuji
menggukan
Variance
Inflation
Factor (VIF)
ataupun
dengan
korelasi
parsial.

Variance
Inflation
Factor (VIF)
Adanya
multikolineari
tas apabila
nilai dari
Variance
Inflation
Factor (VIF)
> 10.
Variance
Inflation
Factor (VIF)
dapat dilihat
pada tabel
coefficients
pada hasil
pengolahan
SPSS.

Korelasi
parsial
Korelasi
parsial dapat
dilihat
melalui
pengolahan
SPSS
ANALYZE----
----
CORRELATE
------
PARTIAL.
Apabila nilai
significance
2 tailed>0,05
maka tidak
terjadi
multikolineari
tas.
Diposkan oleh
manse

skripsi itu indah

Manipulasi Data
(tidak
disarankan)
Selasa, 28 Juni
2011 di 22.13 | 0
komentar

Manipulasi
merupakan
tindakan
mengubah
data yang
sebenarnya
menjadi
sebuah data
palsu.
Tujuannya
biasanya
agar data
signifikan
atau
memenuhi
uji asumsi
klasik
ataupun agar
memenuhi
validitas dan
reliabilitas.
Manipulasi
data
umumnya
dilakukan
pada data-
data yang
bersumber
dari
kuesioner.
Why ?????
karena
kebanyakan
data yang
diperoleh
dari hasil
kuesioner
hasilnya
tidak
memenuhi
uji validitas
dan
reliabilitas.
Disinilah
praktek
manipulasi
data terjadi..
Mengapa
manipulasi
data
umumnya
dilakukan
pada data-
data
kuesioner
bukan pada
data-data
keuangan???
Karena data
kuesioner
merupakan
data yang
berbeda-
beda
diperoleh
oleh tiap
peneliti
dikarenakan
berbedanya
respondenny
a. Hasil
jawaban
kuesioner
pada
umumnya
tidak
dipertanggun
gjawabkan
keberadaann
ya pada saat
seseorang
ujian
sarjana/thesi
s/dhisertasi
karena pada
saat
pengujian
data kuesiner
tidak diminta
dan kalaupun
diminta data
kuesioner
kevalid-
annya
apakah diisi
oleh benar-
benar
responden
atau diisi
oleh sang
peneliti
sendiri tidak
dapat
diungkap.
Pada data
keuangan
sangat sulit
melakukan
manipulasi
dikarenakan
setiap angka-
angka yang
diperoleh
adanya
pertangungja
wabanya..dar
imana???????
??data-data
yang berupa
angka-angka
tersebut
dapat
diperoleh
dari
perhitungan
data-data
dari yang
disajikan
dalam
laporan
keuangan.
Angka 7
tidak akan
dapat kita
hasilkan bila
bukti
nyatanya
15/3 =5
bukanlah 7.
Walau
bagaimanap
un yang
namanya
manipulasi
tidak
disarankan
dalam
penelitian
karena
bersifat
ILEGAL. Ya
akan tetapi
jika sudah
mepet ya
mau tidak
mau ya
dilakukan
juga..hehehe
(NB : Hasil
penelitian
hendaknya
jujur
merupakan
hasil
perolehan
kita
dilapangan/p
erhitungan
bukan hasil
manipulasi.
Karena
tujuan dari
penelitian
adalah untuk
mencari
apakah ada
yang
signifikan
atau tidak,
bukan
mencari cara
bagaimana
agar data
harus
signifikan.
Toh kalo
memang
data anda
tidak
signifikan 1
variabelpun,
toh itu
merupakan
hasil
penelitian
anda. So
jangan takut
mempertang
gungjawabka
nnya di
sidang alias
ujian
akhir..kejuju
ran
memang
ma
Diposkan oleh
manse

Uji Normalitas
Dengan
Menggunakan
Uji Outlier
di 22.13 | 1
komentar

APAKAH ITU
OUTLIER??
Outlier
merupakan
data-data
yang bersifat
ekstrim
dimana data
berada diluar
rentang
normal. Data
outlier
umumnya
terdapat
pada data-
data
keuangan.
Data yang
outlier
umumnya
nilai z residu
atau ZRE
antara
rentang :
1. -3 sampai
+3 bila
jumlah
datanya
banyak
2. -2,56
sampai
+2,56 bila
data yang di
uji dengan
nilai outlier
diatas masih
belum
normal.
3. -1,96
sampai
+1,96 bila
menggunaka
n 2 outlier
diatas masih
belum
normal juga.
(NB : uji
oulier -1,96
sampai
+1,96
biasanya
digunakan
untuk data
penelitian
dengan
jumlah n <
30)
BAGAIMAN
A UJI
OUTLIER???
??
Uji outlier
hendaknya
menggunaka
n program
analisis
statistik
seperti SPSS.
1. data
diregresikan
terlebih
dahulu
ANALYZE
REGRESSIO
N
2. kemudian
pada data
view, akan
terdapat
kolom
ZRE_1.
Kemudian
pada kolom
tersebut uji
menggunaka
n data outlier
1 terlebih
dahulu.
Artinya
apabila ada
nilai ZRE_1
diluar (-3
sampai +3)
maka
dihapus 1
baris data
yang diluar
-3 sampai +3
sampai
tidakada lagi.
Kemudian
regresikan
lagi. Contoh
ZRE_1 ada
yang bernilai
-3,032 pada
baris 18
maka baris
18 tersebut
dihapus.
3. jika belum
normal
gunakan
data outlier
2. apabila
ada nilai
ZRE_2 diluar
(-2,56
sampai
+2,56) maka
dihapus 1
baris data
yang diluar
-2,56 sampai
+2,56
sampai
tidakada lagi.
Kemudian
regresikan
lagi.
4. jika belum
normal juga
gunakan
data outlier
3. apabila
ada nilai
ZRE_3 diluar
(-1,96
sampai
+1,96) maka
dihapus 1
baris data
yang diluar
-1,96 sampai
+1,96
sampai
tidakada lagi.
Kemudian
regresikan
lagi. Maka
data akan
normal.
BAGAIMAN
A JIKA
BELUM
NORMAL
JUGA??
Maka
dilakukan uji
normalitas
dengan
menggunaka
n
transformasi.

Diposkan oleh
manse

Uji Asumsi
Klasik
Autokorelasi
di 22.12 | 1
komentar
APA
GUNANYA
UJI
AUTOKOREL
ASI??
Uji
Autokorelasi
bertujuan
menguji
apakah
dalam suatu
model
regresi linear
ada korelasi
antara
kesalahan
pengganggu
pada periode
t dengan
kesalahan
pada periode
t-1
(sebelumnya
).
BAGAIMAN
A MENGUJI
AUTOKOREL
ASI???
Ada 2
pendapat
mengenai
pengambilan
keputusan
uji
autokorelasi
yakni:
1.
Menggunaka
n uji DURBIN
WATSON
(DW-TEST).
kriteria
pengambilan
keputusanny
a adalah :
Jika 0
< d < dL,
berarti ada
autokorelasi
positif
Jika 4
dL < d < 4,
berarti ada
autokorelasi
negatif
Jika 2 <
d < 4 dU
atau dU < d
< 2, berarti
tidak ada
autokorelasi
positif atau
negatif
Jika dL
d dU
atau 4 dU
d 4 dL,
pengujian
tidak
meyakinkan.
Untuk itu
dapat
digunakan uji
lain atau
menambah
data.

Beberapa
juga ada
yang
menggunaka
n kriteria -2
sampai
dengan 2
untuk
menunjukkan
tidak tidak
adanya
autokorelasi

2. ada juga
yang
berpendapat
bahwa
rentang tidak
terjadinya
masalah
autokorelasi
antara -2
sampai +2.

Diposkan oleh
manse

Uji Asumsi
Klasik
Heterokedastisit
as
di 22.11 | 0
komentar

Heterokedast
isitas
digunakan
untuk
menguji
apakah
terdapat
perbedaan
varian
pengamatan
satu dengan
pengamatan
yang lainnya.
Apabila
terjadi
perbedaan
varians maka
terjadi yang
namanya
heterokedast
isitas.

Uji
heterokedast
isitas cukup
menggunaka
n grafik plot,
uji white, uji
park, dan uji
glejser.
1. GRAFIK
PLOT adalah
dengan
melihat
grafik Plot
antara nilai
prediksi
variabel
terikat
(ZPRED)
dengan
residualnya
(SRESID). Jika
ada pola
tertentu,
seperti titik-
titik yang
ada
membentuk
pola tertentu
yang teratur
(bergelomba
ng, melebar
kemudian
menyempit),
maka
mengindikasi
kan telah
terjadi
heteroskedas
tisitas, jika
tidak ada
pola yang
jelas, serta
titik-titik
menyebar
diatas dan
dibawah
angka nol
pada sumbu
Y maka tidak
terjadi
heteroskedas
tisitas.

2. UJI
GLEJSER
dapat
dengan
mudah
diaplikasikan
di SPSS.
Langkahnya :
1.
REGRESIKAN
DATA ANDA
TERLEBIH
DAHULU
DENGAN
ANALYZE----
--
REGRESSIO
N
2.
TRANSFOR
MASIKAN
UNSTANDA
RDIZED
RESIDUAL
KEDALAM
BENTUK
ABS
(ABSOLUT).
3. HASIL
TRANSFOR
MASI
DIJADIKAN
VARIABEL
DEPENDEN
DAN
DIREGRESIK
AN DENGAN
VARIABEL
INDEPENDE
N.
4. APABILA
NILAI T-
STATISTIK
ADA YANG
SIGNIFIKAN
MAKA
TERDAPAT
MASALAH
HETEROKEDA
STISITAS.
Diposkan oleh
manse

Uji Asumsi
Klasik
Multikolinearita
s
di 22.11 | 0
komentar

Multikolineari
tas
merupakan
uji asumsi
klasik yang
bertujuan
untuk
mengetahui
apakah
antara
sesama
variabel
independen
(variabel X)
penelitian
kita adanya
korelasi
(hubungan)
yang kuat.
Dalam
penelitian
yang bersifat
BLUE (best
linear
unbiased
estimator)
hendaknya
tidak tidak
terjadi
multikolineari
tas karena
korelasi yang
kuat karena
akan
mengakibatk
an bias nya
hasil
penelitian.

Bagaimana
menguji
multikoline
aritas??
Uji
multikolineari
tas dapat
diuji
menggukan
Variance
Inflation
Factor (VIF)
ataupun
dengan
korelasi
parsial.

Variance
Inflation
Factor (VIF)
Adanya
multikolineari
tas apabila
nilai dari
Variance
Inflation
Factor (VIF)
> 10.
Variance
Inflation
Factor (VIF)
dapat dilihat
pada tabel
coefficients
pada hasil
pengolahan
SPSS.

Korelasi
parsial
Korelasi
parsial dapat
dilihat
melalui
pengolahan
SPSS
ANALYZE----
----
CORRELATE
------
PARTIAL.
Apabila nilai
significance
2 tailed>0,05
maka tidak
terjadi
multikolineari
tas.
Diposkan oleh
manse

skripsi itu indah

Manipulasi Data
(tidak
disarankan)
Selasa, 28 Juni
2011 di 22.13 | 0
komentar

Manipulasi
merupakan
tindakan
mengubah
data yang
sebenarnya
menjadi
sebuah data
palsu.
Tujuannya
biasanya
agar data
signifikan
atau
memenuhi
uji asumsi
klasik
ataupun agar
memenuhi
validitas dan
reliabilitas.
Manipulasi
data
umumnya
dilakukan
pada data-
data yang
bersumber
dari
kuesioner.
Why ?????
karena
kebanyakan
data yang
diperoleh
dari hasil
kuesioner
hasilnya
tidak
memenuhi
uji validitas
dan
reliabilitas.
Disinilah
praktek
manipulasi
data terjadi..
Mengapa
manipulasi
data
umumnya
dilakukan
pada data-
data
kuesioner
bukan pada
data-data
keuangan???
Karena data
kuesioner
merupakan
data yang
berbeda-
beda
diperoleh
oleh tiap
peneliti
dikarenakan
berbedanya
respondenny
a. Hasil
jawaban
kuesioner
pada
umumnya
tidak
dipertanggun
gjawabkan
keberadaann
ya pada saat
seseorang
ujian
sarjana/thesi
s/dhisertasi
karena pada
saat
pengujian
data kuesiner
tidak diminta
dan kalaupun
diminta data
kuesioner
kevalid-
annya
apakah diisi
oleh benar-
benar
responden
atau diisi
oleh sang
peneliti
sendiri tidak
dapat
diungkap.
Pada data
keuangan
sangat sulit
melakukan
manipulasi
dikarenakan
setiap angka-
angka yang
diperoleh
adanya
pertangungja
wabanya..dar
imana???????
??data-data
yang berupa
angka-angka
tersebut
dapat
diperoleh
dari
perhitungan
data-data
dari yang
disajikan
dalam
laporan
keuangan.
Angka 7
tidak akan
dapat kita
hasilkan bila
bukti
nyatanya
15/3 =5
bukanlah 7.
Walau
bagaimanap
un yang
namanya
manipulasi
tidak
disarankan
dalam
penelitian
karena
bersifat
ILEGAL. Ya
akan tetapi
jika sudah
mepet ya
mau tidak
mau ya
dilakukan
juga..hehehe
(NB : Hasil
penelitian
hendaknya
jujur
merupakan
hasil
perolehan
kita
dilapangan/p
erhitungan
bukan hasil
manipulasi.
Karena
tujuan dari
penelitian
adalah untuk
mencari
apakah ada
yang
signifikan
atau tidak,
bukan
mencari cara
bagaimana
agar data
harus
signifikan.
Toh kalo
memang
data anda
tidak
signifikan 1
variabelpun,
toh itu
merupakan
hasil
penelitian
anda. So
jangan takut
mempertang
gungjawabka
nnya di
sidang alias
ujian
akhir..kejuju
ran
memang
ma
Diposkan oleh
manse

Uji Normalitas
Dengan
Menggunakan
Uji Outlier
di 22.13 | 1
komentar

APAKAH ITU
OUTLIER??
Outlier
merupakan
data-data
yang bersifat
ekstrim
dimana data
berada diluar
rentang
normal. Data
outlier
umumnya
terdapat
pada data-
data
keuangan.
Data yang
outlier
umumnya
nilai z residu
atau ZRE
antara
rentang :
1. -3 sampai
+3 bila
jumlah
datanya
banyak
2. -2,56
sampai
+2,56 bila
data yang di
uji dengan
nilai outlier
diatas masih
belum
normal.
3. -1,96
sampai
+1,96 bila
menggunaka
n 2 outlier
diatas masih
belum
normal juga.
(NB : uji
oulier -1,96
sampai
+1,96
biasanya
digunakan
untuk data
penelitian
dengan
jumlah n <
30)
BAGAIMAN
A UJI
OUTLIER???
??
Uji outlier
hendaknya
menggunaka
n program
analisis
statistik
seperti SPSS.
1. data
diregresikan
terlebih
dahulu
ANALYZE
REGRESSIO
N
2. kemudian
pada data
view, akan
terdapat
kolom
ZRE_1.
Kemudian
pada kolom
tersebut uji
menggunaka
n data outlier
1 terlebih
dahulu.
Artinya
apabila ada
nilai ZRE_1
diluar (-3
sampai +3)
maka
dihapus 1
baris data
yang diluar
-3 sampai +3
sampai
tidakada lagi.
Kemudian
regresikan
lagi. Contoh
ZRE_1 ada
yang bernilai
-3,032 pada
baris 18
maka baris
18 tersebut
dihapus.
3. jika belum
normal
gunakan
data outlier
2. apabila
ada nilai
ZRE_2 diluar
(-2,56
sampai
+2,56) maka
dihapus 1
baris data
yang diluar
-2,56 sampai
+2,56
sampai
tidakada lagi.
Kemudian
regresikan
lagi.
4. jika belum
normal juga
gunakan
data outlier
3. apabila
ada nilai
ZRE_3 diluar
(-1,96
sampai
+1,96) maka
dihapus 1
baris data
yang diluar
-1,96 sampai
+1,96
sampai
tidakada lagi.
Kemudian
regresikan
lagi. Maka
data akan
normal.
BAGAIMAN
A JIKA
BELUM
NORMAL
JUGA??
Maka
dilakukan uji
normalitas
dengan
menggunaka
n
transformasi.

Diposkan oleh
manse

Uji Asumsi
Klasik
Autokorelasi
di 22.12 | 1
komentar

APA
GUNANYA
UJI
AUTOKOREL
ASI??
Uji
Autokorelasi
bertujuan
menguji
apakah
dalam suatu
model
regresi linear
ada korelasi
antara
kesalahan
pengganggu
pada periode
t dengan
kesalahan
pada periode
t-1
(sebelumnya
).
BAGAIMAN
A MENGUJI
AUTOKOREL
ASI???
Ada 2
pendapat
mengenai
pengambilan
keputusan
uji
autokorelasi
yakni:
1.
Menggunaka
n uji DURBIN
WATSON
(DW-TEST).
kriteria
pengambilan
keputusanny
a adalah :
Jika 0
< d < dL,
berarti ada
autokorelasi
positif
Jika 4
dL < d < 4,
berarti ada
autokorelasi
negatif
Jika 2 <
d < 4 dU
atau dU < d
< 2, berarti
tidak ada
autokorelasi
positif atau
negatif
Jika dL
d dU
atau 4 dU
d 4 dL,
pengujian
tidak
meyakinkan.
Untuk itu
dapat
digunakan uji
lain atau
menambah
data.

Beberapa
juga ada
yang
menggunaka
n kriteria -2
sampai
dengan 2
untuk
menunjukkan
tidak tidak
adanya
autokorelasi

2. ada juga
yang
berpendapat
bahwa
rentang tidak
terjadinya
masalah
autokorelasi
antara -2
sampai +2.

Diposkan oleh
manse

Uji Asumsi
Klasik
Heterokedastisit
as
di 22.11 | 0
komentar

Heterokedast
isitas
digunakan
untuk
menguji
apakah
terdapat
perbedaan
varian
pengamatan
satu dengan
pengamatan
yang lainnya.
Apabila
terjadi
perbedaan
varians maka
terjadi yang
namanya
heterokedast
isitas.

Uji
heterokedast
isitas cukup
menggunaka
n grafik plot,
uji white, uji
park, dan uji
glejser.

1. GRAFIK
PLOT adalah
dengan
melihat
grafik Plot
antara nilai
prediksi
variabel
terikat
(ZPRED)
dengan
residualnya
(SRESID). Jika
ada pola
tertentu,
seperti titik-
titik yang
ada
membentuk
pola tertentu
yang teratur
(bergelomba
ng, melebar
kemudian
menyempit),
maka
mengindikasi
kan telah
terjadi
heteroskedas
tisitas, jika
tidak ada
pola yang
jelas, serta
titik-titik
menyebar
diatas dan
dibawah
angka nol
pada sumbu
Y maka tidak
terjadi
heteroskedas
tisitas.

2. UJI
GLEJSER
dapat
dengan
mudah
diaplikasikan
di SPSS.
Langkahnya :
1.
REGRESIKAN
DATA ANDA
TERLEBIH
DAHULU
DENGAN
ANALYZE----
--
REGRESSIO
N
2.
TRANSFOR
MASIKAN
UNSTANDA
RDIZED
RESIDUAL
KEDALAM
BENTUK
ABS
(ABSOLUT).
3. HASIL
TRANSFOR
MASI
DIJADIKAN
VARIABEL
DEPENDEN
DAN
DIREGRESIK
AN DENGAN
VARIABEL
INDEPENDE
N.
4. APABILA
NILAI T-
STATISTIK
ADA YANG
SIGNIFIKAN
MAKA
TERDAPAT
MASALAH
HETEROKEDA
STISITAS.

Diposkan oleh
manse
Uji Asumsi
Klasik
Multikolinearita
s
di 22.11 | 0
komentar

Multikolineari
tas
merupakan
uji asumsi
klasik yang
bertujuan
untuk
mengetahui
apakah
antara
sesama
variabel
independen
(variabel X)
penelitian
kita adanya
korelasi
(hubungan)
yang kuat.
Dalam
penelitian
yang bersifat
BLUE (best
linear
unbiased
estimator)
hendaknya
tidak tidak
terjadi
multikolineari
tas karena
korelasi yang
kuat karena
akan
mengakibatk
an bias nya
hasil
penelitian.
Bagaimana
menguji
multikoline
aritas??
Uji
multikolineari
tas dapat
diuji
menggukan
Variance
Inflation
Factor (VIF)
ataupun
dengan
korelasi
parsial.

Variance
Inflation
Factor (VIF)
Adanya
multikolineari
tas apabila
nilai dari
Variance
Inflation
Factor (VIF)
> 10.
Variance
Inflation
Factor (VIF)
dapat dilihat
pada tabel
coefficients
pada hasil
pengolahan
SPSS.

Korelasi
parsial
Korelasi
parsial dapat
dilihat
melalui
pengolahan
SPSS
ANALYZE----
----
CORRELATE
------
PARTIAL.
Apabila nilai
significance
2 tailed>0,05
maka tidak
terjadi
multikolineari
tas.
Diposkan oleh
manse