Rustomo
Peneliti Indonesia Bermutu
Badan Penelitian dan Pengembangan, Dikbud
Lembaga Penelitian & Pengabdian Masyarakat Universitas Pertiwi
KATA PENGANTAR
Berkat rakhmat Alloh SWT dengan adanya bantuan dari beberapa pihak, buku tentang Teknik
Olah Data Statistik (Teknik Analisis Data Kuantitatif) bidang kajian Statistik dapat diselesaikan
sesuai dengan rencana yang telah ditentukan. Buku ini adalah buku referensi yang dapat
digunakan sebagai acuan untuk mata kuliah Statistik dan Metode Penelitian. Di samping itu, buku
ini juga dapat digunakan oleh mahasiswa strata satu yang mengambil mata kuliah Statistik dan
Metode Pneletian di lingkungan Universitas Pertiwi dan Perguruan Tinggi lainnya. Kepada
semua pihak yang telah memberikan bantuan moral maupun finansial dalam penyelesaian buku
ini, melalui kesempatan ini disampaikan ucapan terima kasih yang sedalam-dalamnya. Secara
khusus, ucapan terima kasih dan penghargaan yang setinggi-tingginya disampaikan kepada
Rektor Universitas Pertiwi yang telah memberikan dukungan moral bagi penyusunan buku ini.
Ucapan terima kasih juga disampaikan kepada Dekan Fakultas Ekonomi dan Bisnis
Universitas Pertiwi yang telah memberikan kesempatan kepada saya untuk menyusun buku
referensi ini. Akhirnya, kepada semua pihak yang turut membantu pelaksanaan penyusunan buku
ini, disampaikan ucapan terima kasih yang mendalam. Semoga buku ini bermanfaat bagi
mahasiswa dan para pembaca yang berminat mempelajari Statistika dan Metode Penelitian.
Disadari sepenuhnya bahwa buku ini masih belum lengkap dan banyak kekurangan. Untuk itu,
melalui kesempatan ini kami mohon masukan untuk perbaikan lebih lanjut. Atas saran dan
sumbangan dari pembaca yang budiman, saya haturkan terima kasih.
Rustomo
1) Metode grafik
Uji normalitas residual dengan metode grafik yaitu dengan melihat penyebaran data
pada sumber diagonal pada grafik Normal P-P Plot of regression standardized residual.
Sebagai dasar pengambilan keputusannya, jika titik-titik menyebar sekitar garis dan
mengikuti garis diagonal maka nilai residual tersebut telah normal.
Langkah-langkah analisis pada SPSS sebagai berikut:
- Inputkan data pada SPSS
- Untuk analisis data, klik menu Analyze >> Regression >> Linear
- Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan ke kotak
Dependent, kemudian masukkan variabel Biaya produksi, Biaya distribusi, dan Biaya
promosi ke kotak Independent(s).
- Klik tombol Plots, kemudian terbuka kotak dialog Linear Regression: Plots.
- Beri tanda centang pada ‘Normal probability plot’, kemudian klik tombol Continue.
Akan kembali ke kotak dialog sebelumnya, klik tombol OK. Maka hasil grafik Normal
P-P Plot seperti berikut:
Dari gambar grafik di atas dapat diketahui bahwa titik-titik menyebar sekitar garis dan
mengikuti garis diagonal maka nilai residual tersebut telah normal.
- Langkah pertama yaitu mencari nilai residual, caranya klik Analyze >> Regression
>> Linear
- Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan ke kotak
Dependent, kemudian masukkan variabel Biaya produksi, Biaya distribusi, dan
Biaya promosi ke kotak Independent(s).
- Klik tombol Save, selanjutnya akan terbuka kotak dialog ‘Linear Regression: Save’
- Pada Residuals, beri tanda centang pada ‘Unstandardized’. Kemudian klik tombol
Continue. Akan kembali ke kotak dialog sebelumnya, klik tombol OK. Hiraukan
hasil output SPSS, Anda buka input data di halaman Data View, disini akan
bertambah satu variabel yaitu residual (RES_1).
- Langkah selanjutnya melakukan uji normalitas residual, caranya klik Analyze >>
Non Parametric tests >> Legacy Dialogs >> 1-Sample K-S.
- Selanjutnya akan terbuka kotak dialog ‘One Sample Kolmogorov Smirnov Test’
seperti berikut:
- Masukkan variabel Unstandardized Residual(RES 1) ke kotak Test Variable List.
Pada Test Distribution, pastikan terpilih Normal. Jika sudah klik tombol OK. Akan
kembali ke kotak dialog sebelumnya. Klik OK, maka hasil output seperti berikut:
Dari output di atas dapat diketahui bahwa nilai signifikansi (Asymp.Sig 2-tailed)
sebesar 0,631. Karena signifikansi lebih dari 0,05 (0,631 > 0,05), maka nilai residual
tersebut telah normal.
perbedaan, rata-rata manakah yang lebih tinggi. Data yang digunakan biasanya
berskala interval atau rasio.
Contoh kasus:
Menggunakan contoh kasus pada uji independent sample t test ditambah satu
kelompok data yaitu kelas C. Seorang mahasiswa dalam penelitiannya ingin
mengetahui apakah ada perbedaan nilai ujian antara kelas A, kelas B, dan kelas
C pada fakultas Psikologi suatu universitas. Penelitian dengan menggunakan
sampel sebanyak 20 responden yang diambil dari kelas A, kelas B. Dalam uji ini
jumlah kelompok responden yang diambil tidak harus sama, misalnya kelas A
sebanyak 7 orang, kelas B sebanyak 7 orang, dan kelas C sebanyak 6. Data-data
yang didapat sebagai berikut:
Pada kolom Values, untuk kolom pada baris pertama biarkan kosong
(None). Untuk kolom pada baris kedua klik pada kotak kecil, pada value
ketik 1, pada Value Label ketik kelas A, lalu klik Add. Langkah selanjutnya
pada Value ketik 2, pada Value Label ketik kelas B, lalu klik Add.
Selanjutnya pada Value ketik 3, pada Value Label ketik kelas C, lalu klik
Add. Kemudian klik OK.
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor, maka didapat kolom variabel nilaiujn
dan kelas.
Ketikkan data sesuai dengan variabelnya (pada variabel kelas ketik dengan
angka 1, 2 dan 3 (1 menunjukkan kelas A, 2 menunjukkan kelas B, dan 3
menunjukkan kelas C)
Klik Analyze - Compare Means - One Way ANOVA
Klik variabel Nilai Ujian dan masukkan ke kotak Dependent List, kemudian
klik variabel Kelas dan masukkan ke kotak Factor, kemudian klik Options,
klik Descriptive dan Homogeneity of variance, lalu klik Continue.
Klik OK, maka hasil output yang didapat adalah sebagai berikut:
Keterangan: Tabel Descriptives di atas telah dirubah kedalam bentuk baris (double klik pada
output Descriptives, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows and
Columns)
Sebelum dilakukan uji ANOVA maka dilakukan uji kesamaan varian
(homogenitas) dengan Levene Test, uji ini digunakan untuk mengetahui apakah
varian ketiga kelompok kelas sama. Data yang memenuhi syarat adalah jika
varian sama atau subjek berasal dari kelompok yang homogen.
Pada kolom Label, untuk kolom pada baris pertama ketik Sebelum Les,
untuk kolom pada baris kedua ketik Sesudah Les.
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor, maka didapat kolom variabel
sebelum dan sesudah.
Ketikkan data sesuai dengan variabelnya
Klik Analyze - Compare Means - Paired Sample T Test
Klik variabel Sebelum Les, kemudian klik variabel Sesudah Les dan
masukkan ke kotak Paired Variables.
Klik OK, maka hasil output yang didapat pada tabel Paired Samples
Statistics dan Paired Samples Test adalah sebagai berikut:
Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output paired
sample t test, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows and
Columns)
pada Value ketik 2, pada Value Label ketik kelas B, lalu klik Add. Kemudian
klik OK.
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor, maka didapat kolom variabel nilai
ujian dan kelas.
Ketikkan data sesuai dengan variabelnya (pada variabel kelas ketik dengan
angka 1 dan 2 (1 menunjukkan kelas A dan 2 menunjukkan kelas B)
Klik Analyze - Compare Means - Independent Sample T Test
Klik variabel Nilai Ujian dan masukkan ke kotak Test Variable, kemudian
klik variabel Kelas dan masukkan ke kotak Grouping Variable, kemudia klik
Define Groups, pada Group 1 ketik 1 dan pada Group 2 ketik 2, lalu klik
Continue.
Klik OK, maka hasil output yang didapat adalah sebagai berikut:
Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output
independen sample t test, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows
and Columns)
Ha : Kedua varian adalah berbeda (varian kelompok kelas A dan kelas B adalah
berbeda).
2. Kriteria Pengujian (berdasar probabilitas / signifikansi)
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
3. Membandingkan probabilitas / signifikansi
Nilai P value (0,613 > 0,05) maka Ho diterima.
4. Kesimpulan
Oleh karena nilai probabilitas (signifikansi) dengan equal variance assumed
(diasumsikan kedua varian sama) adalah 0,603 lebih besar dari 0,05 maka
Ho diterima, jadi dapat disimpulkan bahwa kedua varian sama (varian
kelompok kelas A dan kelas B adalah sama). Dengan ini penggunaan uji t
menggunakan equal variance assumed (diasumsikan kedua varian sama).
Nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka Ho
ditolak.
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka
Ho ditolak, artinya bahwa ada perbedaan antara rata-rata nilai ujian kelas A
dengan rata-rata nilai ujian kelas B. Pada tabel Group Statistics terlihat rata-rata
(mean) untuk kelas A adalah 40,30 dan untuk kelas B adalah 32,80, artinya bahwa
rata-rata nilai ujian kelas A lebih tinggi daripada rata-rata nilai ujian kelas B.
Nilai t hitung positif, berarti rata-rata group1 (kelas A) lebih tinggi daripada
group2 (kelas B) dan sebaliknya jika t hitung negatif berarti rata-rata group1
(kelas A) lebih rendah dari pada rata-rata group2 (kelas B)
Perbedaan rata-rata (mean diference) sebesar 7,50 (40,30-32,80), dan perbedaan
berkisar antara 2,98 sampai 12,02 (lihat pada lower dan upper).
8 6.15 6.28
9 7.21 5.00
10 7.48 6.76
3. Menentukan t hitung
Dari tabel di atas didapat nilai t hitung adalah 4,885
4. Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat
kebebasan (df) n-1 atau 10-1 = 9. Dengan pengujian 2 sisi (signifikansi = 0,025)
hasil diperoleh untuk t tabel sebesar 2,262 (Lihat pada lampiran) atau dapat
dicari di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,9) lalu enter.
5. Kriteria Pengujian
Ho diterima dan Ha ditolak jika -t tabel < t hitung < t tabel
Ho ditolak dan Ha diterima jika -t hitung < -t tabel atau t hitung > t tabel
Berdasar probabilitas:
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
6. Membandingkan t hitung dengan t tabel dan probabilitas
Nilai t hitung > t tabel (4,885 > 2,262) dan P value (0,001 < 0,05) maka Ho
ditolak
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (4,885 > 2,262) dan P value (0,001 < 0,05) maka
Ho ditolak, artinya bahwa rata-rata nilai matematika kelas 6 SD Harapan Mulia
berbeda dengan rata-rata nilai matematika SD di Yogyakarta. Hasil t hitung
positif menunjukkan bahwa rata-rata nilai matematika SD di Yogyakarta lebih
tinggi dari SD Harapan Mulia.
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Contoh kasus:
Kita mengambil contoh kasus pada uji normalitas, yaitu sebagai berikut: Seorang
mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang
mempengaruhi harga saham pada perusahaan di BEJ. Bambang dalam
penelitiannya ingin mengetahui hubungan antara rasio keuangan PER dan ROI
terhadap harga saham. Dengan ini Bambang menganalisis dengan bantuan
program SPSS dengan alat analisis regresi linear berganda. Dari uraian di atas
maka didapat variabel dependen (Y) adalah harga saham, sedangkan variabel
independen (X1 dan X2) adalah PER dan ROI.
Data-data yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:
Buka data view pada SPSS data editor, maka didapat kolom variabel y, x1,
dan x2.
Ketikkan data sesuai dengan variabelnya
Klik Analyze - Regression - Linear
Klik variabel Harga Saham dan masukkan ke kotak Dependent, kemudian
klik variabel PER dan ROI kemudian masukkan ke kotak Independent.
Klik Statistics, klik Casewise diagnostics, klik All cases. Klik Continue
Klik OK, maka hasil output yang didapat pada kolom Coefficients dan
Casewise diagnostics adalah sebagai berikut:
Y’ = a + b1X1+ b2X2
Y’ = 4662,491 + (-74,482)X1 + 692,107X2
Y’ = 4662,491 - 74,482X1 + 692,107X2
Keterangan:
Y’ = Harga saham yang diprediksi (Rp)
a = konstanta
b1,b2 = koefisien regresi
X1 = PER (%)
X2 = ROI (%)
Nilai harga saham yang diprediksi (Y’) dapat dilihat pada tabel Casewise
Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized
residual) adalah selisih antara harga saham dengan Predicted Value, dan Std.
Residual (standardized residual) adalah nilai residual yang telah terstandarisasi
(nilai semakin mendekati 0 maka model regresi semakin baik dalam melakukan
prediksi, sebaliknya semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin
tidak baik model regresi dalam melakukan prediksi).
Dari hasil analisis regresi, lihat pada output moddel summary dan disajikan
sebagai berikut:
Tabel. Hasil analisis korelasi ganda
Berdasarkan tabel di atas diperoleh angka R sebesar 0,879. Hal ini menunjukkan
bahwa terjadi hubungan yang sangat kuat antara PER dan ROI terhadap harga
saham.
Tabel. Uji t
Ho : Secara parsial tidak ada pengaruh signifikan antara ROI dengan harga
saham
Ha : Secara parsial ada pengaruh signifikan antara ROI dengan harga
saham
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5%.
3. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar 5,964
4. Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat
kebebasan (df) n-k-1 atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah
jumlah variabel independen). Dengan pengujian 2 sisi (signifikansi =
0,025) hasil diperoleh untuk t tabel sebesar 2,131.
5. Kriteria Pengujian
Ho diterima jika -t tabel t hitung t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
6. Membandingkan thitung dengan t tabel
Nilai t hitung > t tabel (5,964 > 2,131) maka Ho ditolak
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (5,964 > 2,131) maka Ho ditolak, artinya secara
parsial ada pengaruh signifikan antara ROI dengan harga saham. Jadi dari kasus
ini dapat disimpulkan bahwa secara parsial ROI berpengaruh positif terhadap
harga saham pada perusahaan di BEJ.
Contoh kasus:
Y’ = a + bX
Y’ = -28764,7 + 0,691X
hubungan positif antara harga dengan volume penjualan, semakin naik harga
maka semakin meningkatkan volume penjualan.
Nilai volume penjualan yang diprediksi (Y’) dapat dilihat pada tabel Casewise
Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized
residual) adalah selisih antara Volume Penjualan dengan Predicted Value, dan
Std. Residual (standardized residual) adalah nilai residual yang telah
terstandarisasi (nilai semakin mendekati 0 maka model regresi semakin baik
dalam melakukan prediksi, sebaliknya semakin menjauhi 0 atau lebih dari 1 atau
-1 maka semakin tidak baik model regresi dalam melakukan prediksi).
8 21 50 31
9 21 48 34
10 35 54 28
11 36 56 24
12 21 47 29
Controlling for.. X2
X1 Y
X1 1.0000 .4356
( 0) ( 9)
P= . P= .181
Y .4356 1.0000
( 9) ( 0)
P= .181 P= .
Dari hasil analisis korelasi parsial (ry.x1x2) didapat korelasi antara kecerdasan
dengan prestasi belajar dimana tingkat stress dikendalikan (dibuat tetap) adalah
0,4356. Hal ini menunjukkan bahwa terjadi hubungan yang sedang atau tidak
terlalu kuat antara kecerdasan dengan prestasi belajar jika tingkat stress tetap.
Sedangkan arah hubungan adalah positif karena nilai r positif, artinya semakin
tinggi kecerdasan maka semakin meningkatkan prestasi belajar.
8 21 50
9 21 48
10 35 54
11 36 56
12 21 47
Dari hasil analisis korelasi sederhana (r) didapat korelasi antara kecerdasan
dengan prestasi belajar (r) adalah 0,766. Hal ini menunjukkan bahwa terjadi
hubungan yang kuat antara kecerdasan dengan prestasi belajar. Sedangkan arah
hubungan adalah positif karena nilai r positif, berarti semakin tinggi kecerdasan
maka semakin meningkatkan prestasi belajar.
yang diambil dari kasus di atas adalah 12 siswa SMU Negeri 1 Yogyakarta, jadi
apakah hubungan yang terjadi atau kesimpulan yang diambil dapat berlaku
untuk populasi yaitu seluruh siswa SMU Negeri 1 Yogyakarta.
gambaran data tentang jumlah data, minimum, maksimum, mean, dan standar
deviasi.
Contoh kasus:
Sebagai contoh kasus mengambil kasus yang sama pada uji normalitas dengan
mengurangi satu variabel yaitu ROI. Bambang dalam penelitiannya ingin
mengetahui bagaimana hubungan antara rasio keuangan PER terhadap harga
saham. Dengan ini Bambang menganalisis dengan bantuan program SPSS
dengan alat analisis regresi linear. Sebelum dilakukan analisis maka akan
dilakukan analisis deskriptif dengan meringkas data dan menyajikannya dalam
bentuk tabel dan grafik. Data-data penelitian adalah sebagai berikut:
Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output
Descriptive Statistic, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows and
Columns)
Dari tabel di atas dapat dilihat bahwa variabel harga saham dengan jumlah data
(N) sebanyak 18 mempunyai harga saham rata-rata Rp.9.150,-; dengan harga
saham minimal Rp.6.500,- dan maksimal Rp.13.000,-. sedangkan standar
deviasinya sebesar Rp.1.714,-. Variabel PER dengan jumlah data (N) sebanyak 18
mempunyai prosentase rata-rata sebesar 9,9122%; dengan nilai minimal 3,28%
dan maksimal 17,24% sedangkan standar deviasinya sebesar 4,9193%.
Sebagai contoh kasus kita mengambil contoh kasus pada uji normalitas pada
pembahasan sebelumnya. Pada contoh kasus tersebut setelah dilakukan uji
normalitas, multikolinearitas, dan heteroskedastisitas maka selanjutnya akan
dilakukan pengujian autokorelasi.
Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi
adalah 1,387. Sedangkan dari tabel DW dengan signifikansi 0,05 dan jumlah data
(n) = 18, seta k = 2 (k adalah jumlah variabel independen) diperoleh nilai dL
sebesar 1,046 dan dU sebesar 1,535 (lihat lampiran). Karena nilai DW (1,387)
berada pada daerah antara dL dan dU, maka tidak menghasilkan kesimpulan
yang pasti (berada di daerah keragu-raguan).
a) Uji Park
Metode uji Park yaitu dengan meregresikan nilai residual (Lnei2) dengan masing-
masing variabel dependen (LnX1 dan LnX2).
Kriteria pengujian adalah sebagai berikut:
1. Ho : tidak ada gejala heteroskedastisitas
2. Ha : ada gejala heteroskedastisitas
3. Ho diterima bila –t tabel < t hitung < t tabel berarti tidak terdapat
heteroskedastisitas dan Ho ditolak bila t hitung > t tabel atau -t hitung < -t tabel
yang berarti terdapat heteroskedastisitas.
Sebagai contoh kasus kita mengambil contoh kasus pada uji normalitas pada
pembahasan sebelumnya. Pada contoh kasus tersebut setelah dilakukan uji
normalitas dan multikolinearitas, maka selanjutnya akan dilakukan pengujian
heteroskedastisitas.
Data-data dapat dilihat lagi sebagai berikut:
Klik OK, hiraukan hasil output, kita kembali ke SPSS Data Editor, kemudian
klik data view, terlihat satu variabel tambahan yaitu res_1, inilah variabel
Unstandardized Residual yang akan kita gunakan.
Kuadratkan nilai Unstandardized Residual (Bisa lewat program Ms Excel
dengan cara sorot seluruh data lalu kopi dan masukkan (paste) ke program
Ms Excel kemudian kuadratkan nilai tersebut) variabel yang didapat kita beri
nama yaitu ei2.
Ubah seluruh variabel ei2, X1, dan X2 kedalam bentuk logaritma natural (Bisa
lewat program Ms Excel dengan cara kopi variabel dan masukkan (paste) ke
program Ms Excel kemudian ubah dalam bentuk logaritma natural dengan
cara pada cel kosong ketik =Ln( lalu sorot variabel yang akan kita ubah,
kemudian tekan enter.
Data-data dalam bentuk logaritma natural disajikan dalam tabel berikut ini:
Dari hasil output di atas dapat dilihat bahwa nilai t hitung adalah -0,591 dan -
1,250. Sedangkan nilai t tabel dapat dicari pada tabel t dengan df = n-2 atau 18-2
= 16 pada pengujian 2 sisi (signifikansi 0,025), di dapat nilai t tabel sebesar 2,120
(Lihat lampiran tabel t), atau dapat dicari di Ms Excel dengan cara pada cell
kosong ketik =tinv(0.05,16) lalu enter. Karena nilai t hitung (-1,254) berada pada
–t tabel < t hitung < t tabel, maka Ho diterima artinya pengujian antara Ln ei2
dengan Ln X1 dan Lnei2 dengan LnX2 tidak ada gejala heteroskedastisitas.
Dengan ini dapat disimpulkan bahwa tidak ditemukannya masalah
heteroskedastisitas pada model regresi.
b) Uji Glejser
Uji Glejser dilakukan dengan cara meregresikan antara variabel independen dengan
nilai absolut residualnya. Jika nilai signifikansi antara variabel independen dengan
absolut residual lebih dari 0,05 maka tidak terjadi masalah heteroskedastisitas.
Contoh kasus:
Akan dilakukan analisis regresi linier berganda untuk mengetahui pengaruh biaya
produksi, distribusi, dan promosi terhadap tingkat penjualan. Dengan ini sebelumnya
akan dilakukan uji asumsi klasik heteroskedastisitas dengan metode uji Glejser. Data
sebagai berikut:
- Langkah selanjutnya mencari nilai absolute residual dari nilai residual di atas,
caranya klik menu Transform >> Compute Variable.
- Pada kotak Target Variable, merupakan nama variabel baru yang akan tercipta.
Ketikkan ABS_RES (absolute residual). Kemudian klik pada kotak Numeric
Expression, lalu ketikkan ABS( lalu masukkan variabel Unstandardized Residual
(RES_1) ke kotak Numeric Expression dengan klik tanda penunjuk, kemudian ketik
tanda tutup kurung. Maka lengkapnya akan tertulis ABS(RES_1), perintah ini untuk
menghitung nilai absolute dari residual. Jika sudah klik tombol OK.
- Langkah selanjutnya meregresikan nilai variabel independen dengan absolute
residual. Caranya klik Analyze >> Regression >> Linear.
- Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan varibel
Biaya produksi, Biaya distribusi, dan Biaya promosi ke kotak Independent(s).
Selanjutnya klik tombol OK. Maka hasil pada output Coefficient seperti berikut:
Dari output di atas dapat diketahui bahwa nilai signifikansi ketiga variabel independen
lebih dari 0,05. Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah
heteroskedastisitas pada model regresi.
- Untuk analisis data, klik menu Analyze >> Regression >> Linear
- Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan ke
kotak Dependent, kemudian masukkan variabel Biaya produksi, Biaya distribusi,
dan Biaya promosi ke kotak Independent(s).
- Klik tombol Plots, maka akan terbuka kotak dialog ‘Linear Regression: Plots’.
- Klik *SRESID (Studentized Residual) lalu masukkan ke kotak Y dengan klik tanda
penunjuk. Kemudian klik *ZPRED (Standardized Predicted Value) lalu masukkan
ke kotak X. Jika sudah klik tombol Continue. Akan terbuka kotak dialog
sebelumnya, klik tombol OK, maka hasil output pada grafik Scatterplot sebagai
berikut:
Dari output di atas dapat diketahui bahwa titik-titik tidak membentuk pola yang jelas,
dan titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Jadi dapat
disimpulkan bahwa tidak terjadi masalah heteroskedastisitas dalam model regresi.
Dari output di atas dapat diketahui bahwa nilai korelasi ketiga variabel independen
dengan Unstandardized Residual memiliki nilai signifikansi lebih dari 0,05. Karena
signifikansi lebih dari 0,05 maka dapat disimpulkan bahwa tidak terjadi masalah
heteroskedastisitas pada model regresi.
Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) kedua variabel
yaitu PER dan ROI adalah 1,899 lebih kecil dari 5, sehingga bisa diduga bahwa
antar variabel independen tidak terjadi persoalan multikolinearitas.
Contoh kasus:
Akan dilakukan analisis regresi untuk mengetahui pengaruh biaya produksi, distribusi,
dan promosi terhadap tingkat penjualan. sebelumnya dilakukan uji asumsi klasik
multikolinearitas, data sebagai berikut:
Dari tabel di atas dapat diketahui bahwa nilai koefisien r2 yang diperoleh seluruhnya
bernilai lebih kecil dari pada nilai koefisien determinasi (R2). Dengan demikian dapat
disimpulkan bahwa tidak terjadi masalah multikolinearitas pada model regresi.
dengan menggunakan Test for Linearity dengan pada taraf signifikansi 0,05. Dua
variabel dikatakan mempunyai hubungan yang linear bila signifikansi
(Linearity) kurang dari 0,05.
Contoh kasus:
Seorang mahasiswa bernama Joko melakukan penelitian untuk mengetahui
hubungan antara kecemasan dengan optimisme pada remaja. Data-data skor
total yang di dapat ditabulasikan sebagai berikut:
Dari output di atas dapat diketahui bahwa nilai signifikansi pada Linearity
sebesar 0,006. Karena signifikansi kurang dari 0,05 maka dapat disimpulkan
bahwa antara variabel kecemasan dan optimisme terdapat hubungan yang
linear.
Untuk kolom Values, klik simbol kotak kecil pada kolom baris kedua, pada
Value ketik 1 kemudian pada Value Label ketikkan IPK kurang dari 2,50,
kemudian klik Add. Kemudian pada Value ketik 2 kemudian pada Value
Label ketikkan IPK 2,50-3,30, kemudian klik Add. Selanjutnya pada Value
ketik 3 kemudian pada Value Label ketikkan IPK 3,31-4,00, kemudian klik
Add.
Klik OK
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor, maka didapat kolom variabel item1
dan item2.
Pada kolom item1 ketikkan data total skor item, pada kolom item2 ketikkan
angka-angka 1 sampai 3 yang menunjukkan tanda nilai IPK.
Klik Analyze - Compare Means - One Way Anova
Klik variabel Pemahaman Mahasiswa dan masukkan ke kotak Dependent
List, kemudian klik variabel Tingkat Prestasi dan masukkan ke kotak Faktor.
Klik Options
Klik Homogeneity of variance, kemudian klik Continue
Klik OK, maka hasil output yang didapat pada kolom Test of Homogeneity
of Variance adalah sebagai berikut:
Dari hasil di atas dapat diketahui signifikansi sebesar 0,193. Karena signifikansi
lebih dari 0,05 maka dapat disimpulkan bahwa ketiga kelompok data
pemahaman mahasiswa berdasar tingkat prestasi mempunyai varian sama.
Angka Levene Statistic menunjukkan semakin kecil nilainya maka semakin besar
homogenitasnya. df1 = jumlah kelompok data-1 atau 3-1=2 sedangkan df2 =
jumlah data – jumlah kelompok data atau 20-3=17.
Dari hasil di atas kita lihat pada kolom Kolmogorov-Smirnov dan dapat diketahui
bahwa nilai signifikansi untuk harga saham sebesar 0,05; untuk PER sebesar
0,200; dan untuk ROI sebesar 0,200. Karena signifikansi untuk seluruh variabel
lebih besar dari 0,05 maka dapat disimpulkan bahwa data pada variabel harga
saham, PER, dan ROI berdistribusi normal. Angka Statistic menunjukkan
semakin kecil nilainya maka distribusi data semakin normal. df = jumlah data.
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
N of Cases = 12.0 N of Items = 6
Alpha = .8970
Dari hasil analisis di atas di dapat nilai Alpha sebesar 0,8970. Sedangkan nilai r
kritis (uji 2 sisi) pada signifikansi 0,05 dengan jumlah data (n) = 12, di dapat
sebesar 0,576 (lihat pada lampiran tabel r). Karena nilainya lebih dari 0,576, maka
dapat disimpulkan bahwa butir-butir instrumen penelitian tersebut reliabel.
Klik item yang tidak gugur dan masukkan ke kotak items. Jika item-item
sudah berada dikotak items maka klik item yang gugur dan keluarkan
dengan klik simbol arah
Klik Statistics, pada Descriptives for klik scale if item deleted
Klik Continue
Klik OK, hasil output yang didapat adalah sebagai berikut:
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
N of Cases = 12.0 N of Items = 6
Alpha = .8970
Dari hasil analisis di atas di dapat nilai Alpha sebesar 0,8970. Sedangkan nilai r
kritis (uji 2 sisi) pada signifikansi 0,05 dengan jumlah data (n) = 12, di dapat
sebesar 0,576 (lihat pada lampiran tabel r). Karena nilainya lebih dari 0,576, maka
dapat disimpulkan bahwa butir-butir instrumen penelitian tersebut reliabel.
Contoh Kasus:
Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan
skala untuk mengetahui atau mengungkap prestasi belajar seseorang. Andi
membuat 10 butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1
= Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah
membagikan skala kepada 12 responden didapatlah tabulasi data-data sebagai
berikut:
Dari hasil analisis didapat nilai korelasi antara skor item dengan skor total. Nilai
ini kemudian kita bandingkan dengan nilai r tabel, r tabel dicari pada signifikansi
0,05 dengan uji 2 sisi dan jumlah data (n) = 12, maka didapat r tabel sebesar 0,576
(lihat pada lampiran tabel r).
Berdasarkan hasil analisis di dapat nilai korelasi untuk item 1, 9 dan 10 nilai
kurang dari 0,576. Karena koefisien korelasi pada item 1, 9 dan 10 nilainya kurang
dari 0,576 maka dapat disimpulkan bahwa item-item tersebut tidak berkorelasi
signifikan dengan skor total (dinyatakan tidak valid) sehingga harus dikeluarkan
atau diperbaiki. Sedangkan pada item-item lainnya nilainya lebih dari 0,576 dan
dapat disimpulkan bahwa butir instrumen tersebut valid.
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
N of Cases = 12.0 N of Items = 10
Alpha = .8384
Dari output di atas bisa dilihat pada Corrected Item – Total Correlation, inilah
nilai korelasi yang didapat. Nilai ini kemudian kita bandingkan dengan nilai r
tabel, r tabel dicari pada signifikansi 0,05 dengan uji 2 sisi dan jumlah data (n) =
12, maka didapat r tabel sebesar 0,576 (lihat pada lampiran tabel r).
Dari hasil analisis dapat dilihat bahwa untuk item 1, 5, 9 dan 10 nilai kurang dari
0,576. Karena koefisien korelasi pada item 1, 5, 9 dan 10 nilainya kurang dari 0,576
maka dapat disimpulkan bahwa butir instrumen tersebut tidak valid. Sedangkan
pada item-item lainnya nilainya lebih dari 0,576 dan dapat disimpulkan bahwa
butir instrumen tersebut valid.
Sebagai catatan: analisis korelasi pada contoh kasus di atas hanya dilakukan satu
kali, untuk mendapatkan hasil validitas yang lebih memuaskan maka bisa
dilakukan analisis kembali sampai 2 atau 3 kali, sebagai contoh pada kasus di
atas setelah di dapat 6 item yang valid, maka dilakukan analisis korelasi lagi
untuk menguji 6 item tersebut, jika masih ada item yang tidak signifikan maka
digugurkan, kemudian dianalisis lagi sampai didapat tidak ada yang gugur lagi.