PENUNTUN PRAKTIKUM

EKONOMETRIKA

Oleh :

Wahyu Santoso, SP, MMA

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWATIMUR

FAKULTAS PERTANIAN
PRODI AGRIBISNIS
SURABAYA
2019
DAFTAR ISI

Materi I : Pengertian Dasar Ekonometrika 1

Materi 2: Mengenal IBM SPSS (Statistical Package for the Social Sciences) 3

Materi 3: Analisis Regresi Linear 9

Materi 4: Analisis Regresi Non Linear 18

Materi 5: Analisis Regresi Variabel Dummy 22

Materi 6: Analisis Korelasi 26

Materi 7: Uji Asumsi Klasik 29

Materi 8: Uji Chi Square 33

i
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat serta hidayah-
Nya kepada kami, sehingga pembuatan MODUL PRAKTIKUM EKONOMETRIKA ini
akhirnya dapat terselesaikan.
Bagian awal modul praktikum diuraikan mengenai prinsip mendasar terkait
ekonometrika beserta konsep-konsep penting untuk dipahami sebelum menggunakan
prosedur pengujian. Selanjutnya diikuti oleh beberapa bagian yang menguraikan
prosedur pengujian disertai dengan contoh-contoh pemakaiannya. Contoh-contoh
aplikasi, dibuat sesederhana mungkin, dengan harapan bisa dengan mudah
dimengerti oleh orang yang masih awam terhadap statistik sekalipun, terutama para
mahasiswa yang akan melakukan penelitian. Selanjutnya, bagian prosedur pengujian
dirinci berdasarkan t a h a p a n pengujian y a i t u i n p u t d a t a , r u n n i n g
d a t a ( p r o c e s s ) dan diakhiri dengan tugas untuk menyajikan data (interpretation).
Adapun, software pendukung pelaksanaan praktikum digunakan IBM SPSS
Ver. 21, yaitu sebuah program statistik dari pengembangan SPSS versi-versi
sebelumnya, tentunya dengan perbedaan yang sangat significance terutama tampilan
menu lengkap beserta solution tools yang mengarah penelitian – penelitian kuantitatif
sehingga mampu menjawab tantangan global calon-calon sarjana pertanian dalam
penyelesaian permasalahan dan pengambilan keputusan saat berkarier di
masa mendatang.

Surabaya, Februari 2019

Penyusun
 MATERI I: PENGERTIAN DASAR
EKONOMETRIKA

a. Pengertian Ekonometrika

Istilah ekonometrika terbentuk dari dua kata Yunani, yaitu “oikonomia” (economy) dan “metron”
(measure). Ekonometrika merupakan analisis kuantitatif dari fenomena ekonomi yang
sebenarnya (aktual) yang didasarkan pada pengembangan yang berbarengan dari teori dan
pengamatan, dihubungkan dengan metode inferensi yang sesuai atau kombinasi antara
Ilmu sosial yang menggunakan alat-alat teori ekonomi, matematika ekonomi, statistik infrensi
diterapkan untuk analisis fenomena ekonomi.

b. Tujuan dari pengujian

1) Membuktikan validitas teori-teori ekonomi (verifikasi)

2) Menghasilkan taksiran-taksiran numeric untuk kebijakan ekonomi (penaksiran)
3) Meramalkan nilai besaran-besaran ekonomi

c. Tahapan pengujian

a. Merumuskan persamaan matematis (spesifikasi)

b. Merancang metode dan prosedur sesuai teori statistik
c. Menyusun metode penaksiran (estimasi) sesuai langkah “1” penaksiran
d. Menyusun metode statistic untuk pengujian validitas teori (verifikasi)
e. Mengembangkan metode peramalan ekonomi (aplikasi/penerapan)

1
 Gambar 1. Tahapan Pembentukan Model Ekonomi

d. Bentuk-Bentuk Fungsional Pengujian

• Linier (sederhana, berganda)

• Kuadratik
• Logaritma
• Eksponensial
• Hiperbola
• Constant elastiticy of substitution (CES)

Fungsi-fungsi di atas digunakan untuk mengetahui pengaruh hubungan variabel antar ekonomi
(variabel independen dan variabel dependen).

2
 Materi 2: Mengenal IBM SPSS
(Statistical Package for the Social Sciences)

IBM SPSS merupakan salah satu aplikasi computer yang digunakan untuk mengolah
serta menganalisis data statistik. Ditinjau dari fungsi, fleksibilitas dan hasil akhir,
IBM SPSS sangat membantu dalam memecahkan permasalahan-permasalahan sosial
dan non sosial yang berkaitan dengan ilmu statistik. "All-in-one" adalah ungkapan
yang ditujukan pada IBM SPSS yaitu edisi yang dirancang untuk kepentingan bisnis,
namun dalam perkembangannya juga digunakan untuk kepentingan pendidikan.

IBM SPSS membantu dalam analisis data, perencanaan, prediksi, penelitian, survei,
evaluasi program dan database marketing, dengan cakupan array yang sangat luas
dan kemampuannya mengolah ataupun menampilkan data statistik terintegrasi.
Perangkat lunak ini istimewa, karena mampu meningkatkan produktivitas secara
signifikan dan membantu mencapai hasil yang superior baik untuk proyek tertentu
ataupun untuk tujuan bisnis (IBM SPSS Corp., 2013).

Kelebihan secara umum :

 Mudah dalam pengoperasian (user friendly), seperti penekanan modus
pengoperasian pada menu full-down dengan dialog box interface
 Unggul dalam menampilkan grafik hasil analisis dan kemudahan dalam
penyuntingan grafiknya.
 Menyediakan sintax windows sebagai sarana menulis instruksi-instruksi
program untuk menyelesaikan permasalahan seperti pembobotan case sesuai
yang dikehendaki. Instruksi program dengan menu full-down kurang begitu
efisien jika dibandingkan dengan modus interaktif dan modus batch.
 Menyediakan fasilitas yang lebih lengkap sehingga tidak memerlukan teks
editor lainnya.
 Menyediakan sintax sehingga mampu mendefinisikan istilah-istilah khusus
dalam perintah, subperintah maupun keyword dalam IBM SPSS.

Kelebihan secara teknis :

 Linear model (Model Linier) : memberikan regresi dan prosedur statistik yang
canggih. Dirancang agar sesuai dengan karakteristik yang melekat pada data
yang menggambarkan hubungan kompleks.
 Nonlinear models (Model Nonlinier) : membantu menerapkan cara yang lebih
canggih untuk olah data.
 Simulation capabilities (Kemampuan Simulasi) : secara otomatis mampu
memodelkan banyak kemungkinan yang bisa terjadi ketika input tak pasti,
meningkatkan analisis resiko dan pengambilan keputusan.
 Customized tables (Tabel Customable) : memudahkan bagi user dalam
memahami data mereka sendiri dan meringkas informasi dengan gaya yang
berbeda sesuai dengan user.
 Data preparation (Persiapan data) : menunjukan tahap persiapan dari sebuah

3
 proses analitic.
 Data validity and missing values (Validitas data dan nilai-nilai yang hilang) :
meningkatkan kemungkinan menerima hasil yang signifikan secara statistik.
 Categorical and numeric data (Data kategori dan numerik) : dapat digunakan
untuk memprediksi hasil dan mengungkapkan hubungan grafis.
 Decision trees (Pohon keputusan) : memudahkan untuk mengidentifikasi
kelompok, menemukan hubungan antara kelompok dan memprediksi
peristiwa masa depan.
 Forecasting (Fitur prediksi) : memungkinkan untuk menganalisis data historis
dan memprediksi tren lebih cepat.
 Structural equation modeling (Alat pemodelan persamaan struktural) :
memungkinkan membangun model persamaan struktural dengan lebih
akurat daripada standar model statistik multivariate.
 Bootstrapping : memudahkan untuk menguji stabilitas dan akurasi model,
sehingga hasil dapat diandalkan.
 Advanced sampling assessment and testing (Kecanggihan mengkaji dan menguji
sampel) : secara statistik memberikan kesimpulan yang valid dengan cara
memasukan desain sampel kedalam survey analysis.
 Direct marketing and product decision-making tools (Alat pengambilan keputusan
produk dan pemasaran) : membantu Anda dalam mengidentifikasi pelanggan
yang tepat.
 High-end charts and graphs (Charts dan graphs papan atas) : cara membuat,
berbagi dan berinteraksi yang mudah dengan visualisasi menarik dan support
untuk berbagai macam platform smart-device (Arbuckle, 2012).

A. Membuka program SPSS

Klik start > all program > IBM SPSS Statistic > IBM SPSS Statistic 21

KLIK

4
 Tampilan area kerja IBM Statistics 21 :

B. Membangun Data Baru

Langkah 1 : membuat variabel pada halaman variabel view

Keterangan:
 Name : nama variabel
 Type : menentukan tipe variabel.

Pada IBM Statistic 21 terdapat 9 variabel, yang paling banyak digunakan yaitu numeric (data
berupa angka) dan string (bukan angka).

5
 Width : ukuran menentukan lebar kolom secara default adalah 8.
 Decimals : menentukan banyaknya angka di belakang koma.
 Label : memberikan penjelasan nama variabel.
 Values : memberi value (nilai) untuk data tipe nominal atau ordinal.
Misal: 1 = tidak suka, 2 = suka dan 3 = sangat suka.

 Missing : menentukan data tertentu sebagai data yang hilang atau tidak
digunakan.

6
 Columns : menentukan lebar kolom pada kolom data pada halaman Data View.
 Align : menentukan letak data (lift, Center dan Right)
 Measures : menentukan ukuran data (nominal, ordinal dan scale).

Langkah 2 : Input data pada halaman Data View

C. Menyimpan Data

Setelah data diinput (entri) maka langkah selanjutnya menyimpan data. Langkah-
langkahnya sebagai berikut:

 Klik File > Save, kemudian terbuka kotak dialog Save Data As.
 pada Save In, pilih direktori/folder untuk menyimpan data anda. Ketikan
: Membangun Data pada SPSS di File Name, selanjutnya klik Save.
 Apabila anda ingin menyimpan output data dalam bentuk MS. Word maka
anda pilih menu File, kemudian Eksport dan pilih Save As dalam format
Word/Rtf.

7
 D. Membuka file data

Untuk membuka data yang sudah disimpan sebelumnya, langkah-langkahnya

 Klik File > Open > Data, kemudian akan terbuka kotak dialog Open Data.

 Pada Look In, pilih direktori/folder di mana data SPSS anda disimpan,
kemudian pilih dan klik tombol Open.

8
 Materi 3: ANALISIS REGRESI LINEAR

A. Regresi Linear Sederhana

Regresi linear sederhana bertujuan mempelajari hubungan antara dua variabel.

Kedua variabel ini dibedakan menjadi variabel bebas (x) dan variabel tidak bebas
(y). variabel bebas adalah variabel yang bisa dikontrol sedangkan variabel tidak
bebas adalah variabel yang mencerminkan respon dari variabel bebas.

Untuk mengetahui hubungan kejadian variabel dengan kejadian atau kejadian

lain, kita menggunakan teknik analisis yang disebut korelasi. Analisis korelasi yang
disimbolkan dengan tanda r (rhol). Koefisien korelasi menunjukkan seberapa kuat
hubungan antara variabel. Sedangkan untuk mencari pengaruh suatu variabel
terhadap variabel lain, alat analisis yang digunakan adalah analisis regresi. Hasil
analisis regresi berupa persamaan regresi yang merupakan fungsi prediksi suatu
variabel dengan menggunakan variabel lain.

Bentuk umum dari persamaan regresi adalah:

Dimana:

Y = a + βX

Y = nilai dari variabel dependen

a = konstanta
b = koefisien regresi
X = nilai dari variabel independen

B. Regresi Linier Berganda

Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih
variabel independen (X1,X2,…,Xn) dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen dan variabel dependen
berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel
dependen apabila variabel independen mengalami kenaikan atau penurunan. Data
yang digunakan biasanya berskala interval atau rasio. Persamaan regresi linier
berganda sebagai berikut:

Y = a + β1X1 + β2X2 + ….. + bnXn

Dimana:

Y = variabel dependen
X = variabel independen

9
a = konstanta (nilai Y apabila (X1,X2,…,Xn=0)
b = koefisien regresi (nilai peningkatan ataupun penurunan)

Uji Statistik
Uji statistik fungsinya untuk melihat hubungan antara variabel dependen dan
variabel Independen. Jenis uji statistik yaitu sebagai berikut :

Uji R2 (uji koefisien determinasi)

Penguji ini dimaksudkan untuk mengukur seberapa jauh variabel independen
mempengaruhi variabel dependen.
Uji F (uji regresi secara bersama)
Penguji ini dimaksudkan untuk mengetahui ada tidaknya pengaruh variabel
independen secara bersama-sama dengan variabel dependen.
Uji t (t-test)
Pengujian ini dimaksudkan untuk mengetahui ada tidaknya pengaruhnya variabel
independen secara parsial atau sendiri-sendiri dengan variabel dependen.

Contoh Kasus
Seorang manajer penjualan Traktor Mesin Merk “Quick” ingin mengetahui
pengaruh biaya promosi dengan jumlah unit motor yang terjual dalam
beberapa tahun terakhir. Ia menggunakan data penjualan dan biaya promosi 3
tahun terakhir untuk meramalkan penjualan berdasarkan biaya promosi yang
dikeluarkan setiap bulannya.

Data :

Biaya Unit
No.
Promosi Terjual

1 70000 8000
2 68000 7800
3 84000 9800
4 85000 7800
5 68000 7900
6 76000 8100
7 70000 7800
8 71000 8000
9 70000 7800
10 67000 7600
11 72000 8600

10
 Biaya Unit
No.
Promosi Terjual

12 77000 8100
13 68000 7600
14 71000 7500
15 77000 8700
16 82000 8300

Penyelesaian:
 Buka SPSS
 Beri nama pada tab “variable views” dengan X dan Y
Berikut tampilan data di SPSS

 Klik Analyze – Regression - Linier

 Masukkan variabel X (biaya promosi) ke box independent, dan Y (unit terjual)
ke box “dependent”

11
 LIHAT

Bandingkan output analisis berikut dengan latihan yang dikerjakan :

12
Pembahasan

Nilai koefisien determinasi 0.568. Dengan demikian dapat dinyatakan bahwa variasi
penjualan mampu dijelaskan oleh biaya promosi sebesar 56.80%, dan sisanya
dipengaruhi faktor lain selain biaya promosi

Persamaan regresi : Penjualan = 2881.296 + 0.069 (biaya promosi), Persamaan

regresi tersebut mempunyai makna sebagai berikut: Konstanta sebesar 2881.296
berarti bahwa tanpa adanya biaya yang dikeluarkan untuk promosi, maka penjualan
sepeda motor adalah sebesar 2,881 satuan. Jika variabel biaya promosi naik (satu
juta) maka akan menyebabkan kenaikan (karena tanda positif) sebesar 0.069 pada
penjualan mesin traktor.

Pengujian Hipotesis
Ho : Tidak ada pengaruh X terhadap Y
Ha : Ada pengaruh positif dan signifikan X terhadap Y

Pengambilan keputusan (berdasarkan probabilitas) :

Jika probabilitas > 0,05 maka Ho diterima, sedangkan jika probabilitas < 0,05 maka
Ho ditolak. Dari hasil uji signifikansi terlihat bahwa nilai probabilitas adalah sebesar
0,00 (< 0,01) sehingga Ho ditolak. Artinya, pengaruh biaya promosi terhadap
penjualan signifikan sehingga hipotesis alternatif (Ha) diterima.

Hasil uji melalui probabilitas ini juga relevan dengan pengujian melalui statistik t.
Nilai t hitung adalah sebesar 6.680, sementara t tabel diperoleh dari dk = n – 2 = 36-2
= 34 (dalam uji ini, diambil dk = 30) dan taraf signifikansi 1% adalah sebesar 2.704 .
Karena t hitung > t tabel (6.680> 2.704) maka Ho ditolak, artinya pengaruh X
terhadap Y adalah positif dan terbukti signifikan berdasarkan pengujian statistik.

Akan diprediksi penjualan sepeda motor jika biaya promosi sebesar 100 Juta

Penjualan = 2881.296 + 0.069 (biaya promosi) Penjualan = 2881.296 + 0.069 (100000)

Penjualan = 3749 (pembulatan)
Ket : biaya promosi dalam skala ribuan

Dengan demikian dapat dinyatakan bahwa jika biaya promosi sebesar 100 juta,
maka penjualan traktor mesin diprediksi sebesar 3749 unit terjual.

13
Kasus Regresi Linear Berganda :

Seorang mahasiswa Prodi Agribisnis meneliti tentang “Analisis Faktor-Faktor Yang

Mempengaruhi Kinerja Pegawai di Balai Benih Induk Padi Wilayah X”

Adapun tujuan penelitian telah ditetapkan yaitu menganalisis pengaruh variabel-

variabel motivasi kerja terhadap kinerja pegawai. Populasi yang menjadi subyek
dalam penelitian ini adalah seluruh pegawai yang bekerja di Balai Benih Induk Padi
Wilayah X yang berjumlah 30 orang, yang kemudian dijadikan sebagai sampel
penelitian untuk diberi kuesioner. Menjawab tujuan penelitian data diukur dengan
skala interval atau skala yang mempunyai jarak (interval) yang sama pada semua
tingkat dengan suatu atribut yang hendak diukur menggunakan skala Likert, dimana
indikator-indikator yang terukur dapat dijadikan titik tolak untuk membuat item
instrumen berupa pertanyaan yang dijawab responden. Setiap jawaban dihubungkan
dengan bentuk pernyataan atau dukungan sikap yang diungkapkan dengan kata-kata
sebagai berikut:

Sangat Setuju =5
Setuju =4
Netral =3
Tidak Setuju =2
Sangat Tidak Setuju = 1

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + ε

dimana,
Y = Kinerja Pegawai
X1 = Variabel Penghargaan
X2 = Variabel Pemberian Imbalan
X3 = Variabel Lingkungan Kerja
X4 = Variabel Pendidikan dan Pelatihan Kerja
β0 = Konstanta
β1, β2, β3 dan β4 = Koefisien Regresi
ε = error

Data:

No. Y X1 X2 X3 X4
1. 5 5 4 4 5
2. 3 4 3 3 4
3. 4 4 3 2 5
4. 3 4 3 4 4
5. 4 4 3 3 5
6. 4 4 3 2 5
7. 4 4 4 3 3
8. 4 4 4 4 4
9. 3 3 4 3 4
10. 3 4 4 3 4

14
 No. Y X1 X2 X3 X4
11. 4 4 4 3 4
12. 4 4 3 3 4
13. 3 4 4 3 4
14. 3 3 5 3 4
15. 4 4 4 4 5
16. 3 4 3 2 3
17. 4 4 4 4 4
18. 3 3 2 4 5
19. 4 5 3 3 4
20. 5 5 4 4 4
21. 4 5 4 4 4
22. 3 4 4 4 4
23. 4 4 5 4 4
24. 4 3 5 4 4
25. 3 4 4 3 3
26. 4 4 4 4 4
27. 5 5 5 4 4
28. 3 3 4 3 4
29. 3 3 4 2 4
30. 3 3 5 3 4

OUTPUT
Model Summary
Model R R Square Adjusted R Std. Error of the
Square Estimate
1 .802a .643 .586 .425

a. Predictors: (Constant), Pendidikan dan Pelatihan Kerja,

Penghargaan, Lingkungan Kerja, Pemberian Insentif

ANOVAa
Model Sum of Squares df Mean Square F Sig.

Regression 8.149 4 2.037 11.272 .000b

1 Residual 4.518 25 .181
Total 12.667 29

a. Dependent Variable: Kinerja

b. Predictors: (Constant), Pendidikan dan Pelatihan Kerja, Penghargaan, Lingkungan Kerja,
Pemberian Insentif

15
 Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients
B Std. Error Beta

(Constant) 2.174 1.006 2.161 .041

Penghargaan .713 .131 .690 5.426 .000
Pemberian Insentif .285 .120 .322 2.363 .026
1
Lingkungan Kerja .047 .127 .050 .370 .715
Pendidikan dan Pelatihan .437 .155 .362 2.827 .009
Kerja

a. Dependent Variable: Kinerja

TUGAS :
a. Bandingkan output analisis diatas dengan latihan yang dikerjakan!
b. Interpretasikan masing-masing uji statistik (uji R2, uji F dan uji t) pada
lembar jawaban yang telah disediakan!

Lembar Jawaban :
………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

16
………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………

17
 Materi 4: ANALISIS REGRESI NON LINEAR

Analisa regresi memiliki dua jenis pilihan model yaitu linear dan non linear dalam
parameternya. Model linear memiliki dua sifat yaitu regresi sederhana dan regresi
berganda dengan kurva yang dihasilkan membentuk garis lurus sebagaimana
dijelaskan pada materi sebelumnya, sedangkan untuk model non linear dalam
parameternya bersifat kuadratik dan kubik dengan kurva yang dihasillkan
membentuk garis lengkung.

Salah satu bentuk model nonlinier adalah fungsi produksi Cobb Douglas. Fungsi
produksi Cobb Douglas yaitu suatu fungsi yang melibatkan dua atau lebih variabel,
yaitu variabel yang satu disebut variabel terikat (variabel yang dijelaskan, yaitu Y),
dan variabel yang lain disebut variabel bebas (variabel yang menjelaskan, yaitu X).
Secara sederhana formulasi fungsi produksi Cobb Douglas adalah sebagai berikut:

𝑄 = 𝐴 𝐿 𝑎𝐾 𝑏

Keterangan :
Q : output
𝐴 : konstanta
𝐿 : tenaga kerja (labour)
𝐾 : modal (kapital) a,
b : elastisitas input faktor produksi

Untuk mengestimasi fungsi produksi Cobb Douglas ada beberapa metode, salah
satunya adalah dengan cara melinierkan fungsi produksi Cobb Douglas dengan
transformasi logaritma.

Logaritma dari persamaan diatas adalah :

ln 𝑄 = ln 𝐴 + 𝑎 ln 𝑋1 + 𝑏 ln𝑋2 + 𝑐 ln𝑋3 + d ln 𝑋4
.
menjadi

𝑄 ∗ = 𝐴 ∗ + 𝑎𝑋1 ∗+𝑏𝑋2 ∗ + 𝑐𝑋3 ∗ + 𝑑𝑋4 ∗

dimana :
𝑄 ∗ = ln 𝑄
𝑋 ∗ = ln X
𝐴 ∗ = ln A

18
Kasus :

Tim peneliti yang ditugasi oleh PEMKAB “TL” untuk mengeksplorasi Studi
Kelayakan dan Faktor Produksi Usahatani Padi Sawah Varietas Unggul yang
nantinya hasil penelitian tersebut dijadikan referensi dalam menentukan rencana
pengembangan sektor pertanian tanaman pangan di daerahnya. Tim peneliti
tersebut menetapkan variabel yang akan diuji yaitu pengaruh faktor produksi
(luas lahan, tenaga kerja, benih, pupuk urea, pupuk SP36, pupuk KCl, dan
pestisida) terhadap produksi padi sawah, data yang terkumpul di analisis
dengan menggunakan model fungsi produksi Cobb-Douglas. Persamaan
umum dari model yang dibangun adalah sebagai berikut :

ln Y = ln β0 + lnβ1𝑋1 + ln β2𝑋2 + ….. ln β7𝑋7 + e

dimana:
Y = Produksi
βo = Intercept / konstanta
bi = Koefisien regresi (i = 1,2, .... 7)
X1 = Luas lahan (ha)
X2 = Tenaga Kerja (HKSP)
X3 = Benih (kg)
X4 = Pupuk Urea (kg)
X5 = Pupuk SP36 (kg)
X6 = Pupuk KCl (kg)
X7 = Pestisida (kg)
Data :

No. X1 X2 X3 X4 X5 X6 X7 Y
1 0,50 91,00 7,00 75,00 50,00 37,00 3,00 1.700
2 1,00 150,00 13,00 150,00 45,00 75,00 8,00 2.800
3 0,75 87,00 10,00 70,00 30,00 30,00 1,00 2.000
4 1,00 170,00 12,00 50,00 20,00 20,00 2,00 1.700
5 0,50 60,00 8,00 50,00 20,00 20,00 1,00 980
6 0,75 90,00 12,00 75,00 50,00 50,00 1,00 1.450
7 1,75 175,00 25,00 100,00 70,00 70,00 1,50 2.800
8 1,00 130,00 12,00 100,00 75,00 75,00 2,00 1.400
9 0,25 40,00 5,00 30,00 20,00 20,00 1,00 240
10 0,75 40,00 15,00 100,00 75,00 50,00 2,00 1.500
11 0,50 91,00 9,00 100,00 75,00 50,00 1,00 780
12 0,50 81,00 15,00 100,00 75,00 50,00 2,00 1.300
13 1,30 70,00 20,00 150,00 80,00 75,00 4,00 2.300
14 0,50 70,00 15,00 50,00 20,00 20,00 2,00 750
15 0,75 51,00 9,00 70,00 25,00 25,00 2,00 890
16 0,75 80,00 15,00 100,00 75,00 50,00 3,00 1.000
17 1,00 99,00 15,00 150,00 90,00 75,00 8,00 2.800

19
 No. X1 X2 X3 X4 X5 X6 X7 Y
18 0,75 85,00 15,00 100,00 25,00 50,00 3,00 875
19 0,50 30,00 15,00 150,00 30,00 50,00 3,00 780
20 1,20 81,00 15,00 100,00 75,00 50,00 5,00 1.200
21 1,00 112,00 14,00 150,00 70,00 75,00 3,00 1.800
22 0,85 121,00 13,00 150,00 80,00 70,00 2,00 2.850
23 0,75 113,00 13,00 100,00 60,00 70,00 2,00 1.700
24 0,25 81,00 6,00 40,00 20,00 30,00 1,00 500
25 1,00 61,00 12,00 140,00 80,00 75,00 7,00 2.600
26 1,20 76,00 15,00 120,00 120,00 110,00 9,00 2.100
27 0,90 124,00 12,00 100,00 120,00 75,00 3,00 1.200
28 0,50 60,00 8,00 50,00 45,00 50,00 1,00 1.200
29 1,50 115,00 18,00 100,00 100,00 140,00 2,00 900
30 1,00 94,00 13,00 150,00 100,00 75,00 2,00 2.100

OUTPUT :

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 6,487 7 ,927 7,038 ,000a
Residual 2,896 22 ,132
Total 9,383 29
a. Predictors: (Constant), PESTIX7, TENAGAX2, SP36X5, BENIHX3, UREAX4,
LAHANX1, KCLX6
b. Dependent Variable: PRODUKY

20
 TUGAS :
a. Bandingkan output analisis diatas dengan latihan yang dikerjakan!
b. Interpretasikan masing-masing uji statistik (uji R2, uji F dan uji t) pada
lembar jawaban yang telah disediakan!

Lembar Jawaban :
………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………

21
 Materi 5: ANALISIS REGRESI
VARIABEL DUMMY

Dalam beberapa, model regresi juga bisa menggunakan variabel independen

kualitatif. Variabel kualitatif ini bisa dalam bentuk kelas, kelompok atau tingkatan.
Misalnya memasukkan variabel seperti jenis kelamin, ras, dll sejajar dengan variabel
independen lainnya.2) Kita ingin menghilangkan pengaruh mereka terhadap
prediktor kita yang utama karena dapat menyebabkan bias estimasi.

Semua responden yang menjadi anggota kategori yang diberi kode 1 sedangkan
responden tidak dalam kategori tersebut dikode dari 0. Dengan cara seperti ini maka
setiap responden akan memiliki kode 1 pada kategori yang sesuai dengannya dan
kode 0 pada kategori yang tidak sesuai dengannya. Kode biner dapat dianggap
sebagai mirip ke saklar listrik: kode A 1 sinyal bahwa kategori yang diberikan
adalah “on” untuk responden (misalnya, dia adalah anggota dari kelompok tertentu,
atau karakteristik tertentu hadir ), karena bukan anggota, variabel dummy yang
menunjukkan kategori yang diaktifkan “off (yaitu, karakteristik ini tidak ada).

Y = a + βX + c D1 (Model Dummy Intersep)

Y = a + βX + c (D1X) (Model Dummy Slope)
Y = a + βX + c (D1X) + d D1 (Kombinasi)`

Kasus :

Analisis pengaruh faktor-faktor terhadap pendapatan petani jagung hibrida digunakan

analisis regresi liniear berganda dengan variabel dummy, yang diformulasikan sebagai
berikut:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + α1D + ε

dimana,
Y = Pendapatan Petani Jagung Hibrida (Rp)
X1 = Biaya Benih Jagung Hibrida (Rp)
X2 = Biaya Pupuk (Rp)
X3 = Biaya Tenaga Kerja (Rp)
X4 = Jumlah Produksi Jagung Hibrida (Kg)
β0 = Konstanta
β1, β2, β3 dan β4 = Koefisien regresi
D1 = 1 (Petani Mitra)
D1 = 0 (Petani Non Mitra)
α1 dan α1 = penduga kuadrat terkecil dari parameter β1, β2, β3 dan β4
dalam model
ε = Faktor penggangu

22
Data :

No. Y X1 X2 X3 X4 D
1 2676800 125000 388550 539700 1500 1
2 7276950 262500 965300 1439200 4000 1
3 2696700 112500 377350 539700 1500 1
4 11403150 425000 1306350 1799000 6000 1
5 691000 137500 388500 514000 700 1
6 3064700 162500 526600 719600 1800 1
7 2753000 187500 626750 899500 1800 1
8 3096050 150000 505850 719600 1800 1
9 2646700 125000 482100 719600 1600 1
10 2654000 132500 403850 539700 1500 1
11 2107800 93750 321600 462600 1200 1
12 1849050 95000 326250 462600 1100 1
13 1050925 100000 342725 488300 800 1
14 1009550 62500 275850 436900 720 1
15 905675 107500 347875 488300 750 1
16 4153600 225000 752100 1079400 2500 1
17 2326150 162500 515150 719600 1500 1
18 2741750 187500 637525 899500 1800 1
19 2670750 143750 402500 514000 1500 1
20 3249875 188750 628625 899500 2000 1
21 1437250 196000 629550 827400 1500 0
22 3213300 399000 1279650 1684350 3200 0
23 2446500 294000 942900 1241100 2400 0
24 1046750 119000 382200 502350 1000 0
25 4035600 497000 1588250 2098050 4000 0
26 2049200 294000 953500 1241100 2200 0
27 1628800 196000 627500 827400 1600 0
28 2463250 497000 1596200 2098050 3200 0
29 2063500 294000 941400 1241100 2200 0
30 1646650 245000 786200 1034250 1800 0
31 1425450 119000 384700 502350 1200 0
32 1062150 112000 367900 502350 1000 0
33 1420000 133000 401150 502350 1200 0
34 1437500 262500 804750 1034250 1700 0
35 1019050 140000 406600 502350 1000 0
36 2426100 297500 961100 1241100 2400 0
37 1053400 105000 375550 502350 1000 0
38 1427650 192500 636950 827400 1500 0
39 1652250 245000 785000 1034250 1800 0
40 1623100 175000 637600 827400 1600 0

23
 Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 a
.998 .997 .997 110947.400
a. Predictors: (Constant), Dummy Variabel, Jumlah
Produksi, Biaya Benih, Biaya Tenaga Kerja, Biaya
Pupuk

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1.37E+14 5 2.739E+13 2225.040 .000a
Residual 4.19E+11 34 1.231E+10
Total 1.37E+14 39
a. Predictors: (Constant), Dummy Variabel, Jumlah Produksi, Biaya Benih, Biaya
Tenaga Kerja, Biaya Pupuk
b. Dependent Variable: Pendapatan Petani Jagung Hibrida

Coefficients a

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -157538 60470.806 -2.605 .014
Biaya Benih 5.317 2.787 .304 1.908 .065
Biaya Pupuk -8.609 2.360 -1.559 -3.647 .001
Biaya Tenaga Kerja 2.445 1.241 .584 1.970 .057
Jumlah Produksi 2610.852 48.644 1.446 53.672 .000
Dummy Variabel 362410.2 70730.385 .098 5.124 .000
a. Dependent Variable: Pendapatan Petani Jagung Hibrida

TUGAS :
a. Bandingkan output analisis diatas dengan latihan yang dikerjakan!
b. Interpretasikan masing-masing uji statistik (uji R2, uji F dan uji t) pada
lembar jawaban yang telah disediakan!

Lembar Jawaban :
………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………

24
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

25
 Materi 6: ANALISIS KORELASI

Korelasi Bivariate (Dua Variabel)

Ada tidaknya hubungan antara antara dua variabel dapat dilihat jika data
dati variabel yang bersangkutan dibuat scatterplot (diagram pencar). Scatterplot
merupakan langkah dasar untUk mengetahui ada tidaknya hubungan tadi.
Sedangkan ukuran yang biasa digunakan untuk mengukur kekuatan hubungan
(asosiasi) adalah Koefisien Kore/as; Pearson yang diberi notasi r sebagai :

Dimana N adalah banyaknya kasus, Sx dan Sy adalah standar deviasi dari

variabel X dan Y. Harga koefisien r berkisar antara 0 sampai dengan 1 atau -1. Harga
absolut dari r menunjukkan kekuatan hubungan linier antar variabel-variabel yang
bersangkutan. Harga r yang positif menunjukkan hubungan bahwa kenaikan harga
dari suatu variabel akan diikuti
dengan menaiknya harga-harga variabel yang lainnya. Demikian pula sebaliknya
jika harga r negatif menunjukkan bahwa kenaikkan harga-harga suatu variabel akan
diikuti dengan menurunnya harga-harga variabel yang lainnya. Jika r berharga 0, hal
ini menunjukkan tidak adanya hubungan linier. Jika r berharga 1 dapat terjadi jika
titik hasil observasi tepat jatuh pada garis lurus. Kemiringan garis
menunjukkan apakah hubungannya berbentuk positif atau negatif.
Mengadakan uji korelasi perlu dibarengi dengan pembuatan scatterplot,
karena beberapa koefisien korelasi dapat dihasilkan dari berbagai bentuk
hubungan yang berbeda. Dua variabel mempunyai koefisien korelasi yang hampir
sarna meskipun hubungannya mungkin berbeda. Yang satu mempunyai hubungan
yang linier dan yang lainnya mungkin hubungannya nonlinier. Koefisien korelasi
yang dihasilkan merupakan langkah pertama untuk menjelaskan kekuatan hubungan
linier antara dua variabel. Selanjutnya dapat diadakan uji hipotesis mengenai koefisien
populasi yang tidak diketahui yaitu menguji p (rho) sama dengan nol.
Korelasi Product Moment Pearson hanya cocok untuk data yang sedikitnya
terdapat sebuah pengukuran dalam tingkat interval. Jika datanya dalam
pengukuran ordinal atau interval dapat digunakan Koefisien Korelasi Rank
Spearman. Koefisien korelasi yang disediakan adalah Koefisien Korelasi
Kendall's tau-b.

26
Korelasi Parsial

Pada saat kita menguji hubungan antara dua variabel, kita juga harus
mempertimbangkan pengaruh dari variabel-variabel lain dalam hubungan
tersebut. Koefisien yang seperti ini disebut Koefisien Korelasi Parsial. Koefisien
korelasi parsial adalah sebuah teknik yang berhubungan sangat erat dengan regresi
linier berganda, yang memberikan ukuran hubungan (asosiasi) linier tunggal
antara dua variabel yang disesuaikan dengan pengaruh liniear dari satu atau
beberapa vanabel lainnya.
Deskripsi lain dari korelasi parsial adalah, misalnya kita mempunyai 3
buah variabel yaitu v1, v2, dan v3 maka r12.3 adalah koefisien korelasi parsial antara v1
dan v2 pada satu kelompok dimana v3 dianggap konstan (sebagai variabel kontrol).
Banyaknya variabel kontrol menentukan orde dari koefisien korelasi parsial. Jika
terdapat sebuah variabel kontrol seperti contoh diatas, maka koefisien korelasi
persialnya adalah parsial orde pertama. Jika terdapat dua variabel kontrol maka
disebut parsial orde kedua dan seterusnya. Koefisien korelasi biasa (bivariabel) sering
disebut korelasi zero order karena tidak mempunyai variabel kontrol.
Uji signifikansi diperlukan untuk menguji hipotesis nol bahwa koefisien korela.si
parsial populasi adalah O. Nilai statistik uji korelasi tersebut adalah :

Dimana θ adalah orde koefisien, dan r adalah koefisien korelasi parsial. Derajat
kebebasan dan t adalah N - θ - 2, dimana N adalah banyaknya kasus.

Data :

No. Y Xl X2
1. 5.92 4.90 4.78
2. 4.30 5.90 3.84
3. 3.30 5.60 3.13
4. 6.23 4.90 3.44
5. 10.97 5.60 6.84
6. 9.14 8.50 9.47
7. 5.77 7.70 6.51
8. 6.45 7.10 5.92
9. 7.60 6.10 6.08
10. 11.47 5.80 8.09
11. 13.46 7.10 10.01
12. 10.24 7.00 10.81
13. 5.99 9.70 8.00

27
Dimana : Y = Permintaan barang
Xl = Harga barang
X2 = Pendapatan konsumen.

Untuk menganalisis Korelasi antar variabel, awali dengan klik menu Analyze, pilih,
Correlate, pilih Bivariate. Masukkan variabel Y, Xl, dan X2 ke dalam kotak
Variables, kemudian tandai kotak Pearson, dan akhin dengan klik OK.

Output Analisis Korelasi

TUGAS :
a. Bandingkan output analisis diatas dengan latihan yang dikerjakan!
b. Interpretasikan masing-masing uji statistik (uji R2, uji F dan uji t) pada
lembar jawaban yang telah disediakan!

Lembar Jawaban :
………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………
………………………………………………………………………………………..…………………………………………………………
……………………………………………………………………………………………………..……….……………………………………
……………………………………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

28
 Materi 7: UJI ASUMSI KLASIK

Model regresi linier berganda (multiple regression) dapat disebut sebagai model
yang baik jika model tersebut memenuhi Kriteria BLUE (Best Linear Unbiased
Estimator). BLUE dapat dicapai bila memenuhi Asumsi Klasik. Sedikitnya terdapat
lima uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut,
yaitu:
a. Uji Normalitas
b. Uji Autokorelasi,
c. Uji Multikolinieritas
d. Uji Heteroskedastisitas
e. Uji Linieritas

Akan tetapi dalam praktikum ini ditekankan pada keempat uji yaitu normalitas,
autokorelasi, multikolinearitas dan heterokedastisitas.

Contoh ini adalah kasus permintaan ayam di AS selama periode 1960-1982

(Gujarati, 1995: 228).

Tabel 1. Permintaan Ayam di AS, 1960-1982

Tahun Y X2 X3 X4 X5
1960 27.8 397.5 42.2 50.7 78.3
1961 29.9 413.3 38.1 52 79.2
1962 29.8 439.2 40.3 54 79.2
1963 30.8 459.7 39.5 55.3 79.2
1964 31.2 492.9 37.3 54.7 77.4
1965 33.3 528.6 38.1 63.7 80.2
1966 35.6 560.3 39.3 69.8 80.4
1967 36.4 624.6 37.8 65.9 83.9
1968 36.7 666.4 38.4 64.5 85.5
1969 38.4 717.8 40.1 70 93.7
1970 40.4 768.2 38.6 73.2 106.1
1971 40.3 843.3 39.8 67.8 104.8
1972 41.8 911.6 39.7 79.1 114
1973 40.4 931.1 52.1 95.4 124.1
1974 40.7 1021.5 48.9 94.2 127.6
1975 40.1 1165.9 58.3 123.5 142.9
1976 42.7 1349.6 57.9 129.9 143.6
1977 44.1 1449.4 56.5 117.6 139.2
1978 46.7 1575.5 63.7 130.9 165.5
1979 50.6 1759.1 61.6 129.8 203.3
1980 50.1 1994.2 58.9 128 219.6
1981 51.7 2258.1 66.4 141 221.6
1982 52.9 2478.7 70.4 168.2 232.6
Sumber: Gujarati (1995: 228)

29
Adapun variabel yang digunakan terdiri atas:
Y = konsumsi ayam per kapita
X2 = pendapatan riil per kapita
X3 = harga ayam eceran riil per unit
X4 = harga babi eceran riil per unit
X5 = harga sapi eceran riil per unit

A. UJI NORMALITAS
 Lakukan regresi untuk data permintaan ayam di atas.
 Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel
X2, X3, X4 dan X5 ke kotak Independent(s) dengan mengklik tombol tanda
panah. Kemudian pilih Save.
 Centang pilihan Unstandardized pada bagian Residuals, kemudian pilih
Continue dan pada tampilan awal pilih tombol OK, akan menghasilkan variabel
baru bernama Unstandardized Residual (RES_1). Selanjutnya Analyze
Descriptive Statistics
 Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan pada
tampilan awal pilih OK. Hasilnya sebagai berikut (Beberapa bagian dipotong
untuk menghemat tempat).

Skewness Kurtosis

Statistic Std. Error Statistic Std. Error

Unstandardized Residual .105 .481 -1.002 .935
Valid N (listwise)

 Terlihat bahwa rasio skewness = 0,105/ 0,481 = 0,218; sedang rasio kurtosis = -
1,002/ 0,935 = -1,071. Karena rasio skewness dan rasio kurtosis berada di
antara –2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah
normal.

B. UJI AUTOKORELASI

 Lakukan regresi untuk data permintaan ayam

 Pilih Statistics
 Kemudian centang pilihan Durbin-Watson setelah itu pilih tombol Continue,
selanjutnya pilih OK.
 Hasil dari perhitungan Durbin-Watson Statistik akan muncul pada tabel Model
Summary seperti di bawah ini.
Model Summaryb

Adjusted R Std. Error of the

Square
Model R R Square Estimate Durbin-Watson
1 .971a .943 .930 1.95320 1.065
a. Predictors: (Constant), X5, X3, X4, X2
b. Dependent Variable: Y

30
  Langkah selanjutnya adalah menetapkan nilai dL dan dU. Caranya adalah
dengan menggunakan derajat kepercayaan 5%, sampel (n) yang kita miliki
sebanyak 23 observasi, dan variabel penjelas sebanyak 4 maka dapatkan nilai d L
dan dU sebesar 1,078 dan 1,660. Maka dapat disimpulkan bahwa model ini
memiliki gejala autokorelasi positif.

C. UJI MULTIKOLINIERITAS

 Kembali lakukan regresi untuk data permintaan ayam.

 Pilih Statistics kemudian centang pilihan Collinearity Diagnostics
 Pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK.
Hasilnya sebagai berikut.

Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
B Std. Error Beta Tolerance VIF
Model t Sig.
1 (Constant) 37.232 3.718 10.015 .000

X2 .005 .005 .420 1.024 .319 .019 52.701

X3 -.611 .163 -.922 -3.753 .001 .053 18.901

X4 .198 .064 .948 3.114 .006 .034 29.051

X5 .070 .051 .485 1.363 .190 .025 39.761

Dapat dilihat bahwa seluruh variabel penjelas memiliki nilai VIF lebih besar 10
maka dapat disimpulkan bahwa model regresi ini memiliki masalah Multikolinieritas

D. UJI HETEROSKEDASTISITAS
 Kita sudah memiliki variabel Unstandardized Residual (RES_1). Selanjutnya
pilih Transform Compute Variable.
 Pada kotak Target Variable ketik abresid, pada kotak Function group pilih
All dan dibawahnya akan muncul beberapa pilihan fungsi. Pilihlah Abs.
Kemudian klik pada tombol tanda panah arah ke atas, dan masukkan
variabel Unstandardized Residual (RES_1) ke dalam kotak Numeric
Expression dan tampilannya akan menjadi seperti berikut. Dan akhirnya
pilih OK.
 Kemudian dilanjutkan dengan regresi dengan cara, Analyze Regression
Linear
 Masukkan variabel abresid pada kotak sebelah kiri ke kotak Dependent, dan
variabel X2, X3, X4 dan X5 ke kotak Independent(s) dengan mengklik tombol
tanda panah dan OK, hasilnya sebagai berikut:

31
 Coefficientsa

Standardized

Unstandardized Coefficients Coefficients

Model B Std. Error Beta

t Sig.

1 (Constant) -1.507 1.590 -.948 .356

X2 -.002 .002 -1.097 -.737 .471

X3 .068 .070 .866 .971 .344

X4 -.001 .027 -.060 -.055 .957

X5 .012 .022 .713 .552 .588

a. Dependent Variable: abresid

 Nilai t-statistik dari seluruh variabel penjelas tidak ada yang signifikan
secara statistik, sehingga dapat disimpulkan bahwa model ini tidak mengalami
masalah heteroskedastisitas.

32
 Materi 8: UJI CHI SQUARE

A. CROSSTABS

Alat ini digunakan untuk menguji independensi dua variabel yang masing-
masing variabel memiliki kategori-kategori. Kedua variabel tersebut dinyatakan dalam
tabel (dalam baris dan kolom). Dimensi tabel diekspresikan dengan lambang r x k (r
= jumlah baris; k = jumlah kolom). Derajat kebebasan untuk menentukan nilai kritis
² hitung adalah df = (r – 1)(k – 1)

5.2. PROSEDUR CROSSTABS

Dengan prosedur Crosstabs Anda bisa menghasilkan 1 hingga n jalur

tabulasi silang peserta statistik yang sesuai untuk variabel numerik maupun string
pendek. Selain cacah case (frekuensi), Anda juga menampilkan prosentase sel, harga
pengharapan beserta residualnya kedalam sel.
Spesifikasi minimum dari prosedur ini:
o Sebuah variabel numerik atau string pendek sebagai variabel baris.
o Sebuah variabel numerik atau string pendek sebagai variabel kolom. Untuk
menjalankan prosedur ini, dari menu pilih:
Analyze → Descriptive Statistics → Crosstabs
Maka akan tampil kotak dialog Crosstabs.
Semua variabel numerik dan string pendek pada file data Anda akan ditampilkan
pada kotak daftar variabel.
1. Pindahkan variabel-variabel yang akan dijadikan variabel baris dan variabel kolom
ke kotak Row (s) dan Coulums(s). Tabulasi silang akan dihasilkan untuk masing-
masing kombinasi dari variabel baris dan variabel kolom. Jadi bila terdapat 3
variabel baris dan 2 variabel kolom maka akan dihasilkan
3 x 2 = 6 tabulasi silang.
2. Klik tombol OK untuk memperoleh default dari tabulasi silang tiap-tiap sel hanya
menampilkan frekuensi sel.

33
 Contoh Soal :

Manajer suatu perusahaan ingin mengetahui apakah ada perbedaan jabatan para
pegawainya berdasarkan gender. Ada tiga tingkat jabatan, yaitu karyawan, capeg dan
pegawai tetap. Adapun datanya sebagai berikut :

Gender Jabatan
1 1
2 1
2 1
2 1
2 2
2 2
2 2
1 2
1 2
1 2
1 2
1 1
1 1
2 1
1 1
1 2
2 2
1 1
2 1
1 2
1 1

Definisi Variabel:

ama variable ipe alue Label Label

ender umerik = Laki-laki nis Kelamin Pegawai

batan umerik = Karyawan batan Pegawai

Penyelesaian :

Jika langkah-langkah anda benar maka akan didapatkan Output sebagai berikut :

34
 Cases
Valid Missing Total
N Percent N Percent N Percent
GENDER * 21 100.0% 0 .0% 21 100.0%

GENDER * JABAT AN Crosstabulation

Count
JABATAN

PEGAW AI Total
KARYAW AN TETAP

GENDER LAKI•LAKI 6 6 12
PEREMPUAN 5 4 9
Total
11 10 21

Chi•Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2•sided) (2•sided) (1•sided)

Pearson Chi•Square .064 b 1 .801

Continuity Correction a .000 1 1.000
Likelihood Ratio Fisher's .064 1 .801
1.000 .575
Exact Test
Linear•by•Linear
Association .061 1 .806

a. Computed only for a 2x2 table

b. 2 cells (50.0%) have expected count less than 5. The minimum expected count is 4.29.

Pengambilan keputusan

Dari output diperoleh Xhitung = 0,064 (lihat pada output SPSS pada Pearson Chi
Square) Sedangkan Xtabel dengan tingkat signifikansi 5 % dan df (derajat kebebasan)
= (r – 1)(k – 1) = 1 sebesar 5,02. KARENA Xhitung < Xtabel maka Ho diterima
yang artinya katagori baris dan kolom saling independent dengan kata lain antara
gender dan jabatan pegawai tidak ada efek pembeda jabatan pegawai
terhadap gender.

35
REFERENSI

Andryan, S., 2010, Uji Asumsi Klasik dengan SPSS 16.0, FE-UNNES.

Arbuckle, J., 2012, IBM® SPSS® Amos™ 21 User’s Guide, IBM Corp.

FPIK-UB, 2015, Buku Pedoman Praktikum Ekonometrika, http://sep.fpik.ub.ac.id/wp-

content/uploads/2015/04/isi_buku_panduan_prak_ekonomet.pdf

Gaspersz, Vincent, 1991. Ekonometrika Terapan 1, Tarsito Bandung, Bandung.

Gujarati, Damodar, 1995. Ekonometrika Dasar. Penerbit Erlangga, Jakarta.

Hendry, 2012, Aplikasi Regresi Sederhana dengan SPSS,

https://teorionlinejurnal.files.wordpress.com/2012/10/aplikasi-regresi-
sederhana-dengan-spss.pdf.

IBM SPSS Corp., 2013, Get to Know the IBM SPSS Product Portfolio: Offering
integrated analytical capabilities that help organizations use data to drive
improved outcomes, USA.

36