Panduan Ekonometrika 2019
Panduan Ekonometrika 2019
EKONOMETRIKA
Oleh :
Materi 2: Mengenal IBM SPSS (Statistical Package for the Social Sciences) 3
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.
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.
c. Tahapan pengujian
1
Gambar 1. Tahapan Pembentukan Model Ekonomi
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).
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).
Klik start > all program > IBM SPSS Statistic > IBM SPSS Statistic 21
KLIK
4
Tampilan area kerja IBM Statistics 21 :
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).
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
Pada Look In, pilih direktori/folder di mana data SPSS anda disimpan,
kemudian pilih dan klik tombol Open.
8
Materi 3: ANALISIS REGRESI LINEAR
Dimana:
Y = a + βX
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:
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 :
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
11
LIHAT
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
Pengujian Hipotesis
Ho : Tidak ada pengaruh X terhadap Y
Ha : Ada pengaruh positif dan signifikan X terhadap Y
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
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 :
Sangat Setuju =5
Setuju =4
Netral =3
Tidak Setuju =2
Sangat Tidak Setuju = 1
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
ANOVAa
Model Sum of Squares df Mean Square F Sig.
15
Coefficientsa
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.
ln 𝑄 = ln 𝐴 + 𝑎 ln 𝑋1 + 𝑏 ln𝑋2 + 𝑐 ln𝑋3 + d ln 𝑋4
.
menjadi
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 :
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
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).
Kasus :
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
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
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 :
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.
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.
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
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
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
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
B Std. Error Beta Tolerance VIF
Model t Sig.
1 (Constant) 37.232 3.718 10.015 .000
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
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)
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:
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%
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
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.
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