Daftar Isi
Halaman
1.1. Pengantar
Pada kehidupan sehari-hari tanpa di sadari kita sangat sering
bersentuhan dengan dunia statistika. Tanpa disadari, kita sering
melakukan obrolan ringan di warung kopi dengan tema yang berkaitan
dengan statistika. Bahkan obrolan abang ojek di pangkalan pun tidak
jarang bertemakan isu-isu yang berhubungan dengan statistika. Berikut
adalah beberapa isu yang berhubungan decara langsung dengan dunia
statistika:
a. Tahun 2017 pertumbuhan industri retail Fast Moving Consumer
Goods (FMCG) mengalami perlambatan. Sampai dengan bulan
September, industri retail FMCG hanya tumbuh 2,7 persen.
Padahal pada kondisi normal pertumbuhan tahunan industri
retail FMCG rata-rata mencapai 11 persen. Melambatnya
pertumbuhan industri retail FMCG pada tahun ini diduga
disebabkan oleh dua hal. Pertama, menurunnya Take Home Pay
masyarakat kelas menengah yang selama ini menjadi tumpuan
sektor konsumsi. Kedua, kenaikan harga utility yang
mengakibatkan tingkat utilitas barang dan jasa dirasa menjadi
lebih mahal. Kedua penyebab tersebut mengakibatkan
menurunnya konsumsi masyarakat, menahan pembelian
implusife product dan downsizing. Jadi, perlambatan
pertumbuhan retail FMCG bukan semata-mata hanya
disebabkan oleh pertumbuhan e-commerce. (Sumber: The
Nielsen Company Indonesia, 2017)
b. Dalam setahun terakhir, pengangguran bertambah 10 ribu
orang, sementara TPT turun sebesar 0,11 poin. Dilihat dari
tingkat pendidikan pada Agustus 2017, TPT untuk Sekolah
Menengah Kejuruan (SMK) paling tinggi di antara tingkat
pendidikan lain yaitu sebesar 11,41 persen. TPT tertinggi
berikutnya terdapat pada Sekolah Menengah Atas (SMA)
sebesar 8,29 persen. Dengan kata lain, ada penawaran tenaga
kerja yang tidak terserap terutama pada tingkat pendidikan
3
2.1. Pengantar
Kumpulkan BI dan OJK, Jokowi Ingin Suku Bunga Kredit
Dibawah 10 Persen
Kompas.com - 28/08/2017, 21:32 WIB
JAKARTA, KOMPAS.com - Presiden Joko Widodo ingin suku
bunga kredit perbankan bisa turun lebih rendah di bawah 10 persen guna
mendorong perekonomian nasional. Hal tersebut diungkapkan Ketua
Dewan Komisioner Otoritas Jasa Keuangan ( OJK) Wimboh Santoso usai
rapat Presiden Jokowi di Kompleks Istana Kepresidenan, Jakarta, Senin
(28/8/2017).
"Arahan presiden yang jelas supaya suku bunga kredit bisa
diturunkan, wong inflasinya sudah rendah, suku bunga BI 7-Day sudah
4,5 persen. Logikanya harus diturunkan yang diikuti oleh penurunan
suku bunga deposito," kata Wimboh.
Turut hadir dalam rapat tersebut Menteri Koordinator Bidang
Perekonomian Darmin Nasution, Menteri Keuangan Sri Mulyani
Indrawati, dan Gubernur Bank Indonesia Agus Martowardojo.
(Baca: Turunkan Suku Bunga Kredit, Apa Lagi yang Diminta Bankir?)
Wimboh mengatakan, penurunan bunga deposito bisa menjadi
modal awal pemerintah mendorong seluruh perbankan di Indonesia untuk
menurunkan suku bunga kredit. Namun, ia menegaskan bahwa
penurunan suku bunga ini harus dilakukan tanpa harus memberikan
dampak negatif terhadap industri perbankan.
"Jadi mendorong untuk investasi, arahkan ke sana, kalau suku
bunga turun kan akan beralih ke investasi yang menghasilkan bunga,
kalau merasa bunga deposito kurang menguntungkan beralih ke
investasi, media investasinya kita ciptakan," ucapnya.
Wimboh mengakui Bank memang tidak mudah untuk menurunkan
suku bunga perbankan. Dibutuhkan rentang waktu yang cukup panjang
bagi perbankan untuk menurunkan suku bunga kreditnya. "Ya inikan
pertama perlu waktu, transmisi itu butuh waktu," kata Wimboh.
11
∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )(𝑦𝑖 −𝑦
̅)
𝑆𝑥𝑦 = 𝑛−1
…………………………………………………………..(2.3)
∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )
2
𝑆𝑥2 = …………………………………………………………………(2.4)
𝑛−1
∑𝑛 ̅)2
𝑖=1(𝑦𝑖 −𝑦
𝑆𝑦2 = …………………………………………………………………(2.5)
𝑛−1
13
Di mana:
r : Nilai koefisien korelasi
𝑆𝑥𝑦 : Kovarian antara x dan y
𝑆𝑥2 : Varian variabel x
𝑆𝑦2 : Variabel variabel y
𝑥̅ : Rata-rata nilai variabel x
𝑦̅ : Rata-rata nilai variabel y
n : Jumlah pasangan pengamatan y dan x
2. Rumus 2:
𝑛(∑ 𝑥𝑦)−(∑ 𝑥)(∑ 𝑦)
𝑟= …………………………………………….(2.6)
√[𝑛(∑ 𝑥 2 )−(∑ 𝑥)2 ][𝑛(∑ 𝑦2 )−(∑ 𝑦)2 ]
Di mana:
r : Nilai koefisien korelasi
Σx : Jumlah pengamatan variabel x
Σy : Jumlah pengamatan variabel y
Σxy : Jumlah hasil perkalian variabel x dan y
(Σx2) : Jumlah kuadrat dari pengamatan variabel x
(Σx)2 : Jumlah kuadrat dari jumlah pengamatan variabel x
(Σy2) : Jumlah kuadrat dari pengamatan variabel y
(Σy)2 : Jumlah kuadrat dari jumlah pengamatan variabel y
n : Jumlah pasangan pengamatan y dan x
Contoh:
Tabel 2.1. Suku Bunga Kredit Investasi dan Nilai Investasi
Tahun Suku Bunga Kredit Investasi (%) Nilai Investasi (dalam Miliar Rp)
2003 15.31 9,890.80
2004 13.91 12,500.00
2005 15.74 12,247.00
2006 14.75 20,649.00
2007 12.82 34,878.70
2008 14.44 20,363.40
2009 13.00 37,799.80
2010 12.44 60,626.30
2011 11.90 76,000.00
2012 11.27 92,200.00
2013 11.31 128,150.60
2014 12.36 156,126.16
2015 12.12 179,465.87
2016 11.21 216,230.85
1. Buka program SPSS (dalam buku ini menggunakan SPSS versi 24),
kemudian klik Variable View. Pada kolom Name, baris pertama
tuliskan tahun, baris kedua tuliskan SBKI sebagai singkatan dari
Suku Bunga Kredit Investasi, dan pada baris ketiga dituliskan INV
yang merupakan variabel dari nilai investasi. Tampilan SPSS seperti
dalam gambar di bawah.
2. Klik Data View. Pada tampilan Data View akan tampak seperti dalam
Gambar 2.3. Masukkan data penelitian dalam Tabel 2.1. di atas ke
dalam Data View.
16
Di mana:
di : perbedaan setiap pasang rank
n : jumlah pasangan rank
Contoh:
Misalkan seorang peneliti ingin mengetahui hubungan antara
kualitas suatu produk (X) dengan tingkat kepuasan konsumen (Y). Untuk
keperluan tersebut si peneliti menyebar 150 kuesioner di sebuah toko
furniture. Masalah yang akan diteliti adalah seberapa besar hubungan
antara variabel kualitas produk dengan kepuasan konsumen.
Jawaban responden disusun dalam bentuk kode angka sebagai
berikut:
A. Kode Kualitas Produk (X):
1. Sangat Tidak Berkualitas (STB) diberi nilai 1
2. Tidak Berkualitas (TB) diberi nilai 2
3. Cukup Berkualitas (CB) diberi nilai 3
4. Berkualitas (B) diberi nilai 4
5. Sangat Berkualitas (SB) diberi nilai 5
1. Buka program SPSS (dalam buku ini menggunakan SPSS versi 24),
kemudian klik Variable View. Pada kolom Name, baris pertama tuliskan
Responden, baris kedua tuliskan X yang merupakan variabel Kualitas
Produk dan pada baris ketiga dituliskan Y yang merupakan variabel
dari Tingkat Kepuasan. Tampilan SPSS seperti dalam gambar di bawah.
2. Klik Data View. Pada tampilan Data View akan tampak seperti dalam
Gambar 2.3. Masukkan data penelitian dalam Tabel 2.1. di atas ke
dalam Data View.
Di mana:
𝜒2 : nilai chi square
n : besar sampel
Untuk kasus dua kelompok dengan dua kategori, nilai chi square
dapat dihitung dengan rumus:
𝑛[(𝐴𝐷−𝐵𝐶)]2
𝜒 2 = (𝐴+𝐵)(𝐶+𝐷)(𝐴+𝐶)(𝐵+𝐷) ………………………………………………………….(2.9)
Contoh:
Seorang manajer ingin mengetahui apakah perbedaan jenis
kelamin ada hubungannya dengan kesenangan karyawan dalam
mengikuti acara olah raga bersama yang diadakan setiap Sabtu pagi. Dua
kelompok dibedakan menurut jenis kelamin yaitu X untuk kelompok laki-
laki dan Y untuk kelompok perempuan. Hasil wawancara dengan para
karyawan dapat dilihat dalam tabel di bawah ini:
X Y Jumlah
Senang 90 50 140
Tidak Senang 10 50 60
Jumlah 100 100 200
𝜒 2 = 38,095
38,095
𝐶=√ = √0,1599 = 0,3999
38,095 + 200
26
3.1. Pengantar
Senin 21 Dec 2015, 18:25 WIB
Harga Minyak Dunia Terus Merosot, Apa
Dampaknya Bagi RI?
Dewi Rachmat Kusuma - detikFinance
7. Validasi model
8. Menggunakan model untuk menjawab masalah
(Chatterjee dan Hadi, 2006 dalam Yamin et al., 2010)
3. Membangun model
Model yang digunakan diasumsikan antara variabel depenen
dengan variabel independen memiliki hubungan yang linear.
Dalam kasus kepuasan pelanggan restoran seperti telah
dijelaskan sebelumnya, variabel independennya adalah rasa
menu (X1), tampilan menu (X2), layanan (X3), dan harga (X4).
Sedangkan variabel dependennya adanya kepuasan pelanggan
(Y). Maka model yang diajukan dalam penelitian kasus restoran
ini adalah:
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝑒 ……………………………(3.1)
6. Validasi model
Model yang dihasilkan dari analisis regresi harus dicek
validasinya yaitu apakah model tersebut valid untuk
memodelkan hubungan antara variabel dependen dengan
variabel independen. Langkah-langkah dalam melakukan
validasi model regresi adalah memeriksa apakah model sesuai
dengan asumsi regresi linear yaitu (1) linearitas, (2) komponen
error mengikuti fungsi distribusi normal, (3) varians error
konstan untuk semua data pengamatan atau varians error
bersifat homoskedastisitas, (4) tidak ada masalah korelasi serial
(otokorelasi) yang biasanya terjadi pada data runtun waktu
(time series), dan (5) di antara variabel independen tidak
memiliki hubungan linear (multikolinearitas). Secara lebih jelas,
penjelasan mengenai masalah asumsi klasik ini akan dibahas
pada bab selanjutnya.
7. Menggunakan model
Setelah model dinyatakan valid maka peneliti atau pihak
manajemen bisa menggunakan model tersebut untuk
mengambil keputusan terbaik bagi perusahaan. Dengan
mengetahui variabel-variabel independen yang memengaruhi
kepuasan pelanggan maka pihak manajemen bisa membuat
rencana aksi, tindakan, atau program kerja yang berhubungan
dengan variabel tersebut dengan tujuan meningkatkan profit
perusahaan.
negatif. Dari teori ekonomi juga kita bisa mendapatkan informasi bahwa
variabel suku bunga merupakan variabel independen (yang memengaruhi)
sedangkan variabel realisasi investasi merupakan variabel dependen (yang
dipengaruhi).
Gambar 3.1 : Diagram Scatter Suku Bunga Kredit Investasi dan Nilai
Realisasi Investasi
Sumber : Otoritas Jasa Keuangan dan BKPM, 2017 (diolah)
∑ 𝑒𝑖2 = ∑(𝑦1 − 𝑦
̂)
1
2
= 𝑚𝑖𝑛𝑖𝑚𝑢𝑚…………………………………………………..(3.2)
𝑌̂ = 𝑎 + 𝑏𝑋 ………………………………………………………………………….(3.3)
Di mana:
𝑌̂ : nilai dugaan dari variabel Y berdasarkan nilai variabel X yang
diketahui
a : intersep, yaitu titik potong garis dengan sumbu Y atau nilai
perkiraan Y pada saat nilai X sama dengan nol (0)
b : Slope atau kemiringan garis, yaitu perubahan rata-rata 𝑌̂
untuk setiap unit perubahan pada variabel X
X : Sembarang nilai bebas yang dipilih dari variabel bebas X
𝛼̂ = 𝑎 = 𝑌̅ − 𝑏𝑋̅ …………………………………………….…………………….(3.5)
∑ 𝑒2
𝑆𝑦,𝑥 = √ ……………………………………………………………………….(3.7)
𝑛−2
Di mana
Sy,x : standar error variabel Y berdasarkan variabel X yang diketahui
Y : nilai pengamatan dari Y
𝑌̂ : nilai dugaan dari Y
n : jumlah sampel, derajat bebas n – 2 karena terdapat dua
paramter yang akan diduga yaitu a dan b
Contoh Kasus
Seorang manajer restoran ingin melihat pengaruh variabel
pelayanan pramusaji terhadap kepuasan pelanggan restoran. Untuk
mengetahui seberapa besar pengaruh pelayanan pramusaji terhadap
tingkat kepuasan pelanggan restoran maka manajer tersebut melakukan
survei terhadap 150 orang pelanggan restoran.
Manajer tersebut melakukan wawancara melalui kuesioner dengan
menanyakan aspek pelayanan dan tingkat kepuasan pelanggan. Aspek
pelayanan diukur melalui empat indikator yaitu:
1. Penampilan pramusaji
2. Kecermatan pramusaji dalam melayani pelanggan
3. Pramusaji melakukan pelayanan dengan cepat
4. Pramusaji melayani pelanggan dengan sikap yang ramah
Tingkat kepuasan pelanggan diukur dengan enam indikator yaitu:
1. Ekspektasi pelanggan yaitu apakah pelayanan pramusaji sesuai
dengan ekspektasi pelanggan
2. Kemungkinan merekomendasikan kepada teman
3. Pengalaman pelanggan dan pengalaman ideal
4. Kepuasan secara keseluruhan
5. Pengaruh dan arti kepuasan, yaitu seberapa penting pelayanan
pramusaji dalam membantu pelanggan dalam memutuskan
pilihannya dalam hal ini adalah memilih restoran
6. Keinginan membeli kembali
Skala pengukuran menggunakan skala Likert dengan skala 1
sampai 5. Skala penilaiannya adalah:
1. Sangat Tidak Setuju
2. Tidak Setuju
3. Netral
4. Setuju
5. Sangat Setuju
Dari hasil wawancara didapat jawaban seperti dalam Tabel 3.1.
(Secara lengkap Tabel 3.1. dapat diunduh dalam CD lampiran buku ini).
39
4. Klik button Plot dan masukkan Zpred dalam kolom X dan SDResid
dalam kolom Y, kemudian klik Histogram dan Normal Probability
Plot
6. Klik OK
42
Descriptive Statistics
Mean Std. Deviation N
Y 4.0856 .60686 150
X 4.1233 .59623 150
Correlations
Y X
Pearson Correlation Y 1.000 .715
X .715 1.000
Sig. (1-tailed) Y . .000
X .000 .
N Y 150 150
X 150 150
Pemeriksaan Asumsi
1. Normalitas Error
Pemeriksaan normalitas dari hasil output SPSS bisa menggunakan
beberapa output yaitu Histogram, Normal PP Plot of Regression
Standardized Residual, dan pengujian hipotesis Standardized Resiudal
melalui uji Kolmogorov Smirnov.
Pemeriksaan dalam bentuk visual dapat dilihat dari gambar
Histogram dan Normal PP Plot of Regression Standardized Residual seperti
gambar di bawah ini.
44
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Unstandardized Residual .064 150 .200* .992 150 .535
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Hipotesis
H0 : Error terdistribusi normal
H1 : Error tidak terdistribusi normal
Statistik Pengujian : Kolmogorov – Smirnov dan Shapiro Wilks dengan
pengujian alfa 5%. Kriteria pengujiannya adalah menerima hipotesis nol
bila p-value Uji Kolmogorov – Smirnov dan Shapiro Wilks lebih besar dari
0,05 (5%).
Dari tabel hasil output SPSS di atas diketahui bahwa p-value untuk
Kolmogorov –Smirnov adalah 0,2 dan p-value untuk Shapiro – Wilks
45
3. Klik OK
46
Runs Test
Unstandardized
Residual
Test Valuea -.01106
Cases < Test Value 72
Cases >= Test Value 78
Total Cases 150
Number of Runs 82
Z 1.004
Asymp. Sig. (2-tailed) .315
a. Median
Correlations
Mut_U X
Spearman's rho Mut_U Correlation Coefficient 1.000 -.084
Sig. (2-tailed) . .307
N 150 150
X Correlation Coefficient -.084 1.000
Sig. (2-tailed) .307 .
N 150 150
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 28.045 1 28.045 154.708 .000b
Residual 26.829 148 .181
Total 54.874 149
a. Dependent Variable: Y
b. Predictors: (Constant), X
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.085 .244 4.453 .000
X .728 .059 .715 12.438 .000
a. Dependent Variable: Y
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .715a .511 .508 .42577
a. Predictors: (Constant), X
b. Dependent Variable: Y
4.1. Pengantar
Menakar Pengaruh Pengendalian Harga Terhadap Bunga Kredit
Elisa Valenta Sari , CNN Indonesia | Selasa, 13/06/2017 12:55 WIB
Jakarta, CNN Indonesia -- Pemerintah setiap tahunnya selalu
dipusingkan dengan pengendalian inflasi, khususnya yang terkait dengan
harga pangan. Namun, pada tahun lalu, pemerintah akhirnya berhasil
mengendalikan inflasi pada kisaran 3,02 persen, dibawah target Anggaran
Pendapatan dan Belanja Negara (APBN) sebesar 4 persen.
Tahun ini, peningkatan laju inflasi kembali membayangi, seiring
kenaikan harga pangan, tarif listrik, serta kemungkinan kenaikan harga
bahan bakar minyak (BBM). Bank Indonesia baru-baru ini
memperkirakan inflasi pada sepanjang tahun ini akan berada dikisaran
4,36 persen atau diatas target inflasi dalam APBN 2017 sebesar 4 persen.
Pengendalian laju inflasi sendiri penting guna menjaga daya beli
masyarakat. Disamping itu, terdapat keuntungan lainnya yang diperoleh
jika tingkat inflasi suatu negara rendah dan stabil, yakni lebih murahnya
bunga kredit yang dipinjamkan oleh perbankan.
Menteri Koordinator Bidang Darmin yakin angka inflasi yang
rendah bisa mengerek turun suku bunga kredit perbankan. Maka dari itu,
menurut dia, penting bagi pemerintah agar bisa mengendalikan inflasi
sesuai dengan yang diasumsikan. Tahun ini, pemerintah menargetkan
inflasi dalam APBN 2017 sebesar 4 persen.
Darmin menjelaskan, rendahnya suku bunga kredit diharapkan
dapat memicu permintaan kredit dari masyarakat. Kondisi tersebut pun
diharapkan akan mendorong pertumbuhan ekonomi menjadi lebih tinggi.
"Jika inflasi kecil maka bunga deposito akan turun. Kalau sudah
turun, maka bunga kredit akan lebih rendah," kata Darmin, Senin (12/6).
Darmin mengatakan, Indonesia memiliki karakteristik pengelolaan
harga yang sama seperti Filipina. Filipina diketahui memiliki kondisi
geografis yang serupa dengan Indonesia yakni berbentuk kepulauan.
Namun, nyatanya, negara bekas jajahan Spanyol itu bisa mengendalikan
laju inflasinya dengan sangat baik.
52
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 …………………………………………………………….(4.1)
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + 𝑏3 𝑋3 ……………………………………………………(4.2)
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + 𝑏3 𝑋3 + ⋯ + 𝑏𝑘 𝑋𝑘 + 𝜀𝑖 ……………………………..…...(4.3)
Atau
𝑛−1
𝑅̅ 2 = 1 − (1 − 𝑅 2 ) (𝑛−𝑘) ……………………………………………………….(4.5)
Contoh Kasus
Seorang manajer restoran menyadari bahwa ternyata yang
memengaruhi tingkat kepuasan konsumen tidak hanya terdiri dari satu
variabel saja sebagaimana dalam kasus sebelumnya. Selain variabel
kualitas pelayanan pramusaji, dia menyadari bahwa kualitas produk yang
dihasilkan juga ikut memengaruhi. Oleh karena itu, dia ingin kembali
melihat pengaruh variabel pelayanan pramusaji dan kualitas produk
secara bersamaan terhadap kepuasan pelanggan restoran. Untuk
mengetahui seberapa besar pengaruh pelayanan pramusaji dan kualitas
produk terhadap tingkat kepuasan pelanggan restoran maka manajer
tersebut kembali melakukan survei terhadap 150 orang pelanggan
restoran.
Manajer tersebut melakukan wawancara melalui kuesioner dengan
menanyakan aspek pelayanan, kualitas produk, dan tingkat kepuasan
pelanggan. Aspek pelayanan diukur melalui empat indikator yaitu:
5. Penampilan pramusaji
6. Kecermatan pramusaji dalam melayani pelanggan
7. Pramusaji melakukan pelayanan dengan cepat
8. Pramusaji melayani pelanggan dengan sikap yang ramah
Kualitas produk restoran diukur oleh:
1. Tampilan produk (masakan) / plating
2. Rasa Masakan
3. Aroma Masakan
4. Kesegaran Masakan
5. Ukuran Menu
Tingkat kepuasan pelanggan diukur dengan enam indikator yaitu:
7. Ekspektasi pelanggan yaitu apakah pelayanan pramusaji dan
kualitas produk sesuai dengan ekspektasi pelanggan
8. Kemungkinan merekomendasikan kepada teman
9. Pengalaman pelanggan dan pengalaman ideal
10. Kepuasan secara keseluruhan
11. Pengaruh dan arti kepuasan, yaitu seberapa penting pelayanan
pramusaji dan kualitas produk dalam membantu pelanggan
dalam memutuskan pilihannya dalam hal ini adalah memilih
restoran
57
7. Klik Analyze\Regression\Linier
10. Klik OK
60
Descriptive Statistics
Mean Std. Deviation N
Y 4.1227 .62682 150
X1 4.1283 .59833 150
X2 4.0920 .60673 150
Correlations
Y X1 X2
Pearson Correlation Y 1.000 .738 .791
X1 .738 1.000 .698
X2 .791 .698 1.000
Sig. (1-tailed) Y . .000 .000
X1 .000 . .000
X2 .000 .000 .
N Y 150 150 150
X1 150 150 150
X2 150 150 150
Pemeriksaan Asumsi
4. Normalitas Error
Sama dengan pemeriksaan normalitas error pada regresi
sederhana, pemeriksaan normalitas pada regresi linear berganda juga bisa
menggunakan beberapa output SPSS yaitu Histogram, Normal PP Plot of
Regression Standardized Residual, dan pengujian hipotesis Standardized
Resiudal melalui uji Kolmogorov Smirnov.
Pemeriksaan dalam bentuk visual dapat dilihat dari gambar
Histogram dan Normal PP Plot of Regression Standardized Residual seperti
gambar di bawah ini.
62
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Standardized Residual .053 150 .200* .993 150 .630
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Hipotesis
H0 : Error terdistribusi normal
H1 : Error tidak terdistribusi normal
Statistik Pengujian : Kolmogorov – Smirnov dan Shapiro Wilks dengan
pengujian alfa 5%. Kriteria pengujiannya adalah menerima hipotesis nol
bila p-value Uji Kolmogorov – Smirnov dan Shapiro Wilks lebih besar dari
0,05 (5%).
Dari tabel hasil output SPSS di atas diketahui bahwa p-value untuk
Kolmogorov –Smirnov adalah 0,2 dan p-value untuk Shapiro – Wilks
0,630. Dengan kata lain, H0 diterima yaitu error terdistribusi secara
normal. Kesimpulannya adalah asumsi regresi berganda yang pertama
yaitu error terdistribusi secara normal terpenuhi.
63
6. Klik OK
64
Runs Test
Standardized
Residual
Test Valuea .03941
Cases < Test Value 75
Cases >= Test Value 75
Total Cases 150
Number of Runs 80
Z .655
Asymp. Sig. (2-tailed) .512
a. Median
Correlations
Mut_U X2 X1
Spearman's rho Mut_U Correlation Coefficient 1.000 -.039 .016
Sig. (2-tailed) . .640 .849
N 150 150 150
X2 Correlation Coefficient -.039 1.000 .602**
Sig. (2-tailed) .640 . .000
N 150 150 150
X1 Correlation Coefficient .016 .602** 1.000
Sig. (2-tailed) .849 .000 .
N 150 150 150
**. Correlation is significant at the 0.01 level (2-tailed).
Setelah itu akan muncul hasil output SPSS seperti tabel di bawah
ini.
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
1 X1 .512 1.952
X2 .512 1.952
a. Dependent Variable: Y
Collinearity Diagnosticsa
Variance Proportions
Model Dimension Eigenvalue Condition Index (Constant) X1 X2
1 1 2.982 1.000 .00 .00 .00
2 .012 15.816 .99 .12 .18
3 .006 21.764 .00 .88 .82
a. Dependent Variable: Y
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 40.567 2 20.283 165.864 .000b
Residual 17.976 147 .122
Total 58.543 149
a. Dependent Variable: Y
b. Predictors: (Constant), X2, X1
Coefficientsa
Standardized Collinearity
Unstandardized Coefficients Coefficients Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) .282 .214 1.315 .190
X1 .379 .067 .362 5.670 .000 .512 1.952
X2 .556 .066 .538 8.427 .000 .512 1.952
a. Dependent Variable: Y
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .832a .693 .689 .34970 2.240
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y
rendah maka biasanya hal ini menjadi petunjuk awal adanya masalah
multikolinearitas dalam model.
Sealin kedua cara di atas, ada beberapa cara lain untuk menditeksi
adanya masalah multikolinearitas dalam model, di antaranya adalah
dengan melakukan uji koefisien korelasi sederhana (Pearson Correlation
Coeffecient) di antara variabel bebas (independen). Jika ditemukan
koefisien korelasinya sangat tinggi dan signifikan maka dipastikan
terdapat masalah multikolinearitas dalam model regresi berganda.
Correlations
Mut_U X2 X1
Spearman's rho Mut_U Correlation Coefficient 1.000 -.039 .016
Sig. (2-tailed) . .640 .849
N 150 150 150
X2 Correlation Coefficient -.039 1.000 .602**
Sig. (2-tailed) .640 . .000
N 150 150 150
X1 Correlation Coefficient .016 .602** 1.000
Sig. (2-tailed) .849 .000 .
N 150 150 150
**. Correlation is significant at the 0.01 level (2-tailed).
81
Dari output hasil SPSS di atas, nilai p-value pengujian melalui uji
Spearman’s Rank Correlation untuk X1 dan X2 secara berturut-turut
adalah 0,849 dan 0,640. Nilai p-vlue kedua variabel bebas tersebut lebih
besar 0,05. Dengan demikian maka dapat disimpulkan bahwa model
regresi yang sudah disusun / dibangun ini tidak memiliki masalah
heteroskedastisitas.
̂ 𝑋𝑖 2
̂ −𝛽
𝑌𝑖 −𝛼
∑( ) ………………………………………………………(6.1)
𝜎𝑖
̂ 𝑋𝑖 2
𝑌𝑖 −𝛽
∑( ) ……………………………………………..……………(6.2)
𝜎𝑖
Di mana:
𝑦 ∗ = 𝑦𝑖 ⁄𝜎𝑖
𝑥 ∗ = 𝑥𝑖 ⁄𝜎𝑖
Untuk penggunaan metode WLS dalam model regresi berganda
berikut:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝑒𝑖 ……………………………………………(6.4)
Maka kita bisa melakukan transformasi dengan mendefinisikan
kembali variabel-variabel yang ada dalam model regresi asli
pada persamaan 6.4 menjadi:
𝑌 𝑋𝑗𝑖 𝑒
𝑌𝑖∗ = 𝜎𝑖 𝑋𝑖∗ = 𝜎𝑖
𝑒𝑖∗ = 𝜎𝑖 …………………………..(6.5)
𝑖 𝑖
𝑌 𝑋 𝑒
𝑌𝑖∗ = 𝑋1𝑖 𝑋𝑗𝑖∗ = 𝑋 𝑗𝑖 𝑒𝑖∗ = 𝑋 𝑖 …………………………..(6.7)
𝑖 1𝑖 1𝑖
9. Klik OK
Jika menggunakan contoh data yang ada dalam bab 4 maka hasil Uji Run
untuk model yang dibangun adalah seperti dalam tabel di bawah ini:
Runs Test
Standardized
Residual
Test Valuea .03941
Cases < Test Value 75
Cases >= Test Value 75
Total Cases 150
Number of Runs 80
Z .655
Asymp. Sig. (2-tailed) .512
a. Median