Panduan Olah Data Statistik

1
o ► JENIS – JENIS UJI STATISTIK MODERN

o ▼ DENGAN PENGGUNAANNYA
STATISTIK OLAH DATA PENELITIAN
Rustomo
Peneliti Indonesia Bermutu
Badan Penelitian dan Pengembangan, Dikbud
Lembaga Penelitian & Pengabdian Masyarakat Universitas Pertiwi

2
o ► JENIS – JENIS UJI STATISTIK MODERN

o ▼ DENGAN PENGGUNAANNYA
1. UJI NORMALITAS REGRESI
2. ONE WAY ANOVA
3. Paired Samples T Test
4. INDEPENDENT SAMPLES T TEST
5. ONE SAMPLE T TEST
6. ANALISIS REGRESI LINIER BERGANDA
7. ANALISIS REGRESI LINIER SEDERHANA
8. ANALISIS KORELASI PARSIAL
9. ANALISIS KORELASI SEDERHANA
10. ANALISIS DESKRIPTIF
11. UJI AUTOKORELASI
12. UJI HETEROSKEDASTISITAS
13. UJI MULTIKOLINEARITAS
14. UJI LINIERITAS
15. UJI HOMOGENITAS
16. UJI NORMALITAS
17. UJI RELIABILITAS KUISIONER
18. UJI VALIDITAS KUISIONER

3
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

4
Uji normalitas pada model regresi digunakan untuk menguji apakah

nilai residual yang dihasilkan dari regresi terdistribusi secara normal atau tidak. Model
regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara normal.
Beberapa metode uji normalitas yaitu dengan melihat penyebaran data pada sumber
diagonal pada grafik Normal P-P Plot of regression standardized residual atau dengan
uji One Sample Kolmogorov Smirnov. Berikut pembahasannya:
Contoh kasus:
Akan dilakukan analisis regresi untuk mengatahui pengaruh biaya produksi, distribusi,
dan promosi terhadap tingkat penjualan. sebelumnya akan dilakukan uji normalitas
pada model regresi untuk mengetahui apakah residual terdistribusi normal atau tidak.
Data seperti berikut:
Tahun Tingkat penjualan Biaya produksi Biaya distribusi Biaya promosi

1996 127300000 37800000 11700000 8700000
1997 122500000 38100000 10900000 8300000
1998 146800000 42900000 11200000 9000000
1999 159200000 45200000 14800000 9600000
2000 171800000 48400000 12300000 9800000
2001 176600000 49200000 16800000 9200000
2002 193500000 48700000 19400000 12000000
2003 189300000 48300000 20500000 12700000
2004 224500000 50300000 19400000 14000000
2005 239100000 55800000 20200000 17300000
2006 257300000 56800000 18600000 18800000
2007 269200000 55900000 21800000 21500000
2008 308200000 59300000 24900000 21700000
2009 358800000 62900000 24300000 25900000
2010 362500000 60500000 22600000 27400000
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

5
- 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.
2) Metode statistik One Sample Kolmogorov Smirnov

Uji One Sample Kolomogorov Smirnov digunakan untuk mengetahui distribusi data,
apakah mengikuti distribusi normal, poisson, uniform, atau exponential. Dalam hal ini
untuk mengetahui apakah distribusi residual terdistribusi normal atau tidak. Residual
berdistribusi normal jika nilai signifikansi lebih dari 0,05.
- Inputkan data di SPSS

6
- 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.
One way anova

Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata
untuk lebih dari dua kelompok sampel yang tidak berhubungan. Jika ada

7
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:
Tabel 39. Tabulasi Data (Data Fikti)

No Nilai Ujian Kelas
1 32 Kelas A
2 35 Kelas A
3 41 Kelas A
4 39 Kelas A
5 45 Kelas A
6 43 Kelas A
7 42 Kelas A
8 35 Kelas B
9 36 Kelas B
10 30 Kelas B
11 28 Kelas B
12 26 Kelas B
13 27 Kelas B
14 32 Kelas B
15 38 Kelas C
16 45 Kelas C
17 42 Kelas C
18 42 Kelas C
19 40 Kelas C
20 38 Kelas C
Langkah-langkah uji dengan program SPSS

 Masuk program SPSS
 Klik variable view pada SPSS data editor
 Pada kolom Name ketik nilaiujn, dan kolom Name pada baris kedua ketik
kelas.
 Pada kolom Decimals, ubah nilai menjadi 0 untuk semua variabel.
 Pada kolom Label, untuk kolom pada baris pertama ketik Nilai Ujian, untuk
kolom pada baris kedua ketik Kelas.

8
 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:
Tabel. Hasil Uji One Way ANOVA
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

9
varian ketiga kelompok kelas sama. Data yang memenuhi syarat adalah jika
varian sama atau subjek berasal dari kelompok yang homogen.
Langkah-langkah uji homogenitas sebagai berikut:

1. Menentukan Hipotesis
Ho : Ketiga varian adalah sama (varian kelompok kelas A, B dan C sama)
Ha : Ketiga varian adalah berbeda (varian kelompok kelas A, B dan C
sama)
2. Kriteria Pengujian (berdasar probabilitas / signifikansi)
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
3. Membandingkan probabilitas
Nilai P value (0,395 > 0,05) maka Ho diterima. (lihat output pada test of
homogeneity of variance)
4. Kesimpulan
Oleh karena nilai probabilitas (signifikansi) adalah 0,395 lebih besar dari
0,05 maka Ho diterima, jadi dapat disimpulkan bahwa ketiga varian sama
(varian kelompok kelas A, B dan C 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.
Langkah-langkah uji ANOVA sebagai berikut:

Ho : Tidak ada perbedaan antara rata-rata nilai ujian kelas A, kelas B dan kelas
C
Ha : Ada perbedaan antara rata-rata nilai ujian kelas A, kelas B dan kelas C
2. Menentukan tingkat signifikansi
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi  = 5%.
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam
mengambil keputusan untuk menolak hipotesis yang benar sebanyak-
banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering
digunakan dalam penelitian)
3. Menentukan F hitung
Dari tabel di atas didapat nilai F hitung adalah 14,029
4. Menentukan F tabel
Dengan menggunakan tingkat keyakinan 95%,  = 5%, df 1 (jumlah variabel–
1) = 2, dan df 2 (n-3) atau 20-3 = 17, hasil diperoleh untuk F tabel sebesar 3,592
(Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell
kosong ketik =finv(0.05,2,17) lalu enter.
5. Kriteria pengujian
- Ho diterima bila F hitung  F tabel
- Ho ditolak bila F hitung > F tabel

10
6. Membandingkan F hitung dengan F tabel.

Nilai F hitung > F tabel (14,029 > 3,592), maka Ho ditolak.
7. Kesimpulan
Karena F hitung > F tabel (14,029 > 3,592), maka Ho ditolak, jadi dapat
disimpulkan bahwa ada perbedaan antara rata-rata nilai ujian kelas A, kelas B
dan kelas C. Pada tabel Descriptives terlihat rata-rata (mean) untuk kelas A adalah
39,57, untuk kelas B adalah 30,57 dan kelas C adalah 40,83, artinya bahwa rata-
rata nilai ujian kelas C paling tinggi, kemudian kelas A dan kelas B.
PAIRED T SAMPLE TES

antara dua kelompok sampel yang berpasangan (berhubungan). Maksudnya
disini adalah sebuah sampel tetapi mengalami dua perlakuan yang berbeda. Data
yang digunakan biasanya berskala interval atau rasio.
Contoh kasus:
Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada
perbedaan rata-rata nilai ulangan matematika antara sebelum diadakan les
matematika dengan sesudah diadakan les matematika pada SMP N 1
Yogyakarta. Penelitian dengan menggunakan sampel sebanyak 10 responden.
Data-data yang didapat sebagai berikut:
Tabel. Tabulasi Data (Data Fiktif)

No Sebelum Les Sesudah Les
1 6.34 6.24
2 6.58 6.38
3 5.38 6.45
4 5.60 7.50
5 6.68 6.25
6 7.42 5.27
7 7.20 5.86
8 6.24 5.90
9 5.78 6.47
10 5.47 6.98
Langkah-langkah pada program SPSS

 Pada kolom Name ketik sebelum, dan kolom Name pada baris kedua ketik
sesudah.

11
 Pada kolom Label, untuk kolom pada baris pertama ketik Sebelum Les,
untuk kolom pada baris kedua ketik Sesudah Les.
 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:
Tabel. Hasil Paired Sample T Test
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)
Langkah-langkah pengujian sebagai berikut:

Ho : Tidak ada perbedaan antara rata-rata nilai ulangan matematika
sebelum les dengan rata-rata nilai ulangan sesudah les
Ha : Ada perbedaan antara rata-rata nilai ulangan matematika sebelum les
dengan rata-rata nilai ulangan sesudah les

12

3. Menentukan t hitung
Dari tabel di atas didapat nilai t hitung adalah -0,153
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 jika -t tabel  t hitung  t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
Berdasar probabilitas:
6. Membandingkan t hitung dengan t tabel dan probabilitas
Nilai -t hitung > -t tabel (-0,153 > -2,262) dan P value (0,882 > 0,05) maka Ho
diterima.
7. Kesimpulan
Oleh karena nilai -t hitung > -t tabel (-0,153 > -2,262) dan P value (0,882 >
0,05) maka Ho diterima, artinya bahwa tidak ada perbedaan antara rata-rata
nilai ulangan matematika sebelum les dengan rata-rata nilai ulangan
sesudah les.
Sebagai catatan: Jika hasil ada perbedaan, maka kemudian dilihat rata-rata
mana yang lebih tinggi dengan melihat nilai Mean pada Paired Samples
Statistik, atau pada t hitung, t hitung positif berarti rata-rata sebelum les lebih
tinggi daripada sesudah les dan sebaliknya t hitung negatif berarti rata-rata
sebelum les lebih rendah daripada sesudah les.
INDEPENDENT SAMPEL T TES

antara dua kelompok sampel yang tidak berhubungan. Jika ada perbedaan, rata-
rata manakah yang lebih tinggi. Data yang digunakan biasanya berskala interval
atau rasio.
Contoh kasus:

13
Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada

perbedaan nilai ujian antara kelas A dan kelas B pada fakultas Psikologi suatu
universitas. Penelitian dengan menggunakan sampel sebanyak 20 responden
yang diambil dari kelas A dan kelas B. Dalam uji ini jumlah kelompok responden
yang diambil tidak harus sama, misalnya kelas A sebanyak 8 orang dan kelas B
sebanyak 12 orang. Data-data yang didapat sebagai berikut:

No Nilai Ujian Kelas
1 32 Kelas A
2 35 Kelas A
3 41 Kelas A
4 39 Kelas A
5 45 Kelas A
6 43 Kelas A
7 42 Kelas A
8 47 Kelas A
9 42 Kelas A
10 37 Kelas A
11 35 Kelas B
12 36 Kelas B
13 30 Kelas B
14 28 Kelas B
15 26 Kelas B
16 27 Kelas B
17 32 Kelas B
18 35 Kelas B
19 38 Kelas B
20 41 Kelas B

 Pada kolom Name ketik nilai ujian, dan kolom Name pada baris kedua ketik
kelas.
 Pada kolom Decimals, ubah nilai menjadi 0 untuk semua variabel.
 Pada kolom Label, untuk kolom pada baris pertama ketik Nilai Ujian, untuk
kolom pada baris kedua ketik Kelas.
 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

14
pada Value ketik 2, pada Value Label ketik kelas B, lalu klik Add. Kemudian
klik OK.
 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.
Tabel. Hasil Independent Sample T Test
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)
Sebelum dilakukan uji t test sebelumnya dilakukan uji kesamaan varian

(homogenitas) dengan F test (Levene,s Test), artinya jika varian sama maka uji t
menggunakan Equal Variance Assumed (diasumsikan varian sama) dan jika varian
berbeda menggunakan Equal Variance Not Assumed (diasumsikan varian
berbeda).
Langkah-langkah uji F sebagai berikut:
Ho : Kedua varian adalah sama (varian kelompok kelas A dan kelas B adalah
sama)

15
Ha : Kedua varian adalah berbeda (varian kelompok kelas A dan kelas B adalah
berbeda).
2. Kriteria Pengujian (berdasar probabilitas / signifikansi)
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).
Pengujian independen sample t test

Ho : Tidak ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-
rata nilai ujian kelas B
Ha : Ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata
nilai ujian kelas B
Dari tabel di atas didapat nilai t hitung (equal variance assumed) adalah 3,490
kebebasan (df) n-2 atau 20-2 = 18. Dengan pengujian 2 sisi (signifikansi =
lalu enter.
Ho diterima jika -t tabel < t hitung < t tabel

16
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).
ONE SAMPLE T TES

Uji ini digunakan untuk mengetahui perbedaan nilai rata-rata populasi yang
digunakan sebagai pembanding dengan rata-rata sebuah sampel. Dari hasi uji ini
akan diketahui apakah rata-rata populasi yang digunakan sebagai pembanding
berbeda secara signifikan dengan rata-rata sebuah sampel, jika ada perbedaan,
rata-rata manakah yang lebih tinggi.
Contoh kasus:
Seorang mahasiswi bernama Ana dalam penelitiannya ingin mengetahui apakah
rata-rata nilai matematika pada kelas 6 SD Harapan Mulia berbeda dengan rata-
rata nilai matematika pada SD di Yogyakarta. Setelah dilakukan penelitian
dengan menggunakan sampel sebanyak 10 responden diketahui rata-rata nilai
matematika SD di Yogyakarta adalah 7,47. Sedangkan rata-rata nilai matematika
kelas 6 SD Harapan Mulia diketahui adalah 6,48. Data-data yang didapat sebagai
berikut:

Nilai SD Nilai SD
Subjek
Di Yogyakarta Harapan Mulia
1 8.00 7.10
2 8.23 6.32
3 7.56 5.45
4 7.34 5.84
5 8.24 6.28
6 6.85 7.15
7 7.65 8.62

17
8 6.15 6.28
9 7.21 5.00
10 7.48 6.76
Langkah-langkah uji dengan program SPSS

 Pada kolom Name ketik x, dan kolom Name pada baris kedua ketik y.
 Pada kolom Label, untuk kolom pada baris pertama ketik SD Yogya, untuk
kolom pada baris kedua ketik SD Harapan Mulia.
 Buka data view pada SPSS data editor, maka didapat kolom variabel x dan
y.
 Klik Analyze - Compare Means - One Sample T Test
 Klik variabel SD Yogya dan masukkan ke kotak Test Variable, pada Test
Value ketik angka 6,48.
Tabel. Hasil One Sample T Test

Ho : Rata-rata nilai matematika kelas 6 SD Harapan Mulia tidak berbeda
dengan rata-rata nilai matematika SD di Yogyakarta
Ha : Rata-rata nilai matematika kelas 6 SD Harapan Mulia berbeda dengan
rata-rata nilai matematika SD di Yogyakarta

18
Dari tabel di atas didapat nilai t hitung adalah 4,885
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.
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
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.
Analisis regresi linier berganda adalah hubungan secara linear

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

Y’ = a + b1X1+ b2X2+…..+ bnXn
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)

19
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:
Tahun Harga Saham (Rp) PER (%) ROI (%)

1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
2001 9450 10.50 8.62
2002 13000 17.24 12.07
2003 8000 15.56 5.83
2004 6500 10.85 5.20
2005 9000 16.56 8.53
2006 7600 13.24 7.37
2007 10200 16.98 9.38

 Pada kolom Name ketik y, kolom Name pada baris kedua ketik x1, kemudian
untuk baris kedua ketik x2.
 Pada kolom Label, untuk kolom pada baris pertama ketik Harga Saham,
untuk kolom pada baris kedua ketik PER, kemudian pada baris ketiga ketik
ROI.

20
 Buka data view pada SPSS data editor, maka didapat kolom variabel y, x1,
dan x2.
 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:
Tabel. Hasil Analisis Regresi Linear Berganda
Persamaan regresinya sebagai berikut:

21
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 (%)
Persamaan regresi di atas dapat dijelaskan sebagai berikut:

- Konstanta sebesar 4662,491; artinya jika PER (X1) dan ROI (X2) nilainya adalah
0, maka harga saham (Y’) nilainya adalah Rp.4662,491.
- Koefisien regresi variabel PER (X1) sebesar -74,482; artinya jika variabel
independen lain nilainya tetap dan PER mengalami kenaikan 1%, maka harga
saham (Y’) akan mengalami penurunan sebesar Rp.74,482. Koefisien bernilai
negatif artinya terjadi hubungan negatif antara PER dengan harga saham,
semakin naik PER maka semakin turun harga saham.
- Koefisien regresi variabel ROI (X2) sebesar 692,107; artinya jika variabel
independen lain nilainya tetap dan ROI mengalami kenaikan 1%, maka harga
saham (Y’) akan mengalami peningkatan sebesar Rp.692,107. Koefisien
bernilai positif artinya terjadi hubungan positif antara ROI dengan harga
saham, semakin naik ROI maka semakin meningkat harga saham.
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).
A. Analisis Korelasi Ganda (R)

Analisis ini digunakan untuk mengetahui hubungan antara dua atau lebih
variabel independen (X1, X2,…Xn) terhadap variabel dependen (Y) secara
serentak. Koefisien ini menunjukkan seberapa besar hubungan yang terjadi
antara variabel independen (X1, X2,……Xn) secara serentak terhadap variabel
dependen (Y). nilai R berkisar antara 0 sampai 1, nilai semakin mendekati 1
berarti hubungan yang terjadi semakin kuat, sebaliknya nilai semakin mendekati
0 maka hubungan yang terjadi semakin lemah.

22
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien

korelasi sebagai berikut:
0,00 - 0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
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.
B. Analisis Determinasi (R2)

Analisis determinasi dalam regresi linear berganda digunakan untuk
mengetahui prosentase sumbangan pengaruh variabel independen (X1,
X2,……Xn) secara serentak terhadap variabel dependen (Y). Koefisien ini
menunjukkan seberapa besar prosentase variasi variabel independen yang
digunakan dalam model mampu menjelaskan variasi variabel dependen. R2
sama dengan 0, maka tidak ada sedikitpun prosentase sumbangan pengaruh
yang diberikan variabel independen terhadap variabel dependen, atau variasi
variabel independen yang digunakan dalam model tidak menjelaskan sedikitpun
variasi variabel dependen. Sebaliknya R2 sama dengan 1, maka prosentase
sumbangan pengaruh yang diberikan variabel independen terhadap variabel
dependen adalah sempurna, atau variasi variabel independen yang digunakan
dalam model menjelaskan 100% variasi variabel dependen.
Dari hasil analisis regresi, lihat pada output moddel summary dan disajikan
sebagai berikut:
Tabel. Hasil analisis determinasi

23
Berdasarkan tabel di atas diperoleh angka R2 (R Square) sebesar 0,772 atau

(77,2%). Hal ini menunjukkan bahwa prosentase sumbangan pengaruh variabel
independen (PER dan ROI) terhadap variabel dependen (harga saham) sebesar
77,2%. Atau variasi variabel independen yang digunakan dalam model (PER dan
ROI) mampu menjelaskan sebesar 77,2% variasi variabel dependen (harga
saham). Sedangkan sisanya sebesar 22,8% dipengaruhi atau dijelaskan oleh
variabel lain yang tidak dimasukkan dalam model penelitian ini.
Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu
lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Menurut
Santoso (2001) bahwa untuk regresi dengan lebih dari dua variabel bebas
digunakan Adjusted R2 sebagai koefisien determinasi.
Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model
regresi dalam memprediksikan nilai Y. Dari hasil regresi di dapat nilai 870,80
atau Rp.870,80 (satuan harga saham), hal ini berarti banyaknya kesalahan dalam
prediksi harga saham sebesar Rp.870,80. Sebagai pedoman jika Standard error of
the estimate kurang dari standar deviasi Y, maka model regresi semakin baik
dalam memprediksi nilai Y.
C. Uji Koefisien Regresi Secara Bersama-sama (Uji F)

Uji ini digunakan untuk mengetahui apakah variabel independen (X1,X2….Xn)
secara bersama-sama berpengaruh secara signifikan terhadap variabel dependen
(Y). Atau untuk mengetahui apakah model regresi dapat digunakan untuk
memprediksi variabel dependen atau tidak. Signifikan berarti hubungan yang
terjadi dapat berlaku untuk populasi (dapat digeneralisasikan), misalnya dari
kasus di atas populasinya adalah 50 perusahaan dan sampel yang diambil dari
kasus di atas 18 perusahaan, jadi apakah pengaruh yang terjadi atau kesimpulan
yang didapat berlaku untuk populasi yang berjumlah 50 perusahaan.
Dari hasil output analisis regresi dapat diketahui nilai F seperti pada tabel 2
berikut ini.
Tabel. Hasil Uji F

24
Tahap-tahap untuk melakukan uji F adalah sebagai berikut:

1. Merumuskan Hipotesis
Ho : Tidak ada pengaruh secara signifikan antara PER dan ROI secara
bersama-sama terhadap harga saham.
Ha : Ada pengaruh secara signifikan antara PER dan ROI secara bersama-
sama terhadap harga saham.
Tingkat signifikansi menggunakan  = 5% (signifikansi 5% atau 0,05 adalah
ukuran standar yang sering digunakan dalam penelitian)
3. Menentukan F hitung
Berdasarkan tabel diperoleh F hitung sebesar 25,465
4. Menentukan F tabel
Dengan menggunakan tingkat keyakinan 95%,  = 5%, df 1 (jumlah variabel–
1) = 2, dan df 2 (n-k-1) atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah
jumlah variabel independen), hasil diperoleh untuk F tabel sebesar 3,683
(Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell
kosong ketik =finv(0.05,2,15) lalu enter.
5. Kriteria pengujian
- Ho diterima bila F hitung < F tabel
- Ho ditolak bila F hitung > F tabel
6. Membandingkan F hitung dengan F tabel.
Nilai F hitung > F tabel (25,465 > 3,683), maka Ho ditolak.
7. Kesimpulan
Karena F hitung > F tabel (25,465 > 3,683), maka Ho ditolak, artinya ada pengaruh
secara signifikan antara price earning ratio (PER) dan return on investmen (ROI)
secara bersama-sama terhadap terhadap harga saham. Jadi dari kasus ini dapat
disimpulkan bahwa PER dan ROI secara bersama-sama berpengaruh terhadap
harga saham pada perusahaan di BEJ.
D. Uji Koefisien Regresi Secara Parsial (Uji t)

Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel
independen (X1, X2,…..Xn) secara parsial berpengaruh signifikan terhadap
variabel dependen (Y).
Dari hasil analisis regresi output dapat disajikan sebagai berikut:

25
Tabel. Uji t

Pengujian koefisien regresi variabel PER
Ho : Secara parsial tidak ada pengaruh signifikan antara PER dengan harga
saham.
Ha : Secara parsial ada pengaruh signifikan antara PER dengan harga
saham
Tingkat signifikansi menggunakan  = 5%
Berdasarkan tabel diperoleh t hitung sebesar -1,259
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 =
lalu enter.
Ho diterima jika -t tabel < t hitung < t tabel
6. Membandingkan thitung dengan t tabel
Nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho diterima
7. Kesimpulan
Oleh karena nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho diterima, artinya
secara parsial tidak ada pengaruh signifikan antara PER dengan harga saham.
Jadi dari kasus ini dapat disimpulkan bahwa secara parsial PER tidak
berpengaruh terhadap harga saham pada perusahaan di BEJ.
Pengujian koefisien regresi variabel ROI


26
Ho : Secara parsial tidak ada pengaruh signifikan antara ROI dengan harga
saham
Ha : Secara parsial ada pengaruh signifikan antara ROI dengan harga
saham
Tingkat signifikansi menggunakan  = 5%.
Berdasarkan tabel diperoleh t hitung sebesar 5,964
jumlah variabel independen). Dengan pengujian 2 sisi (signifikansi =
0,025) hasil diperoleh untuk t tabel sebesar 2,131.
Ho diterima jika -t tabel  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.
Analisis regresi linier sederhana adalah hubungan secara linear

antara satu variabel independen (X) dengan variabel dependen (Y). Analisis ini
untuk mengetahui arah hubungan antara variabel independen dengan variabel
dependen apakah positif atau negatif dan untuk memprediksi nilai dari variabel
dependen apabila nilai variabel independen mengalami kenaikan atau
penurunan.. Data yang digunakan biasanya berskala interval atau rasio.
Rumus regresi linear sederhana sebagi berikut:

Y’ = a + bX
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y’ apabila X = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Contoh kasus:

27
Seorang mahasiswa bernama Hermawan ingin meneliti tentang pengaruh biaya

promosi terhadap volume penjualan pada perusahaan jual beli motor. Dengan
ini di dapat variabel dependen (Y) adalah volume penjualan dan variabel
independen (X) adalah biaya promosi. Dengan ini Hermawan menganalisis
dengan bantuan program SPSS dengan alat analisis regresi linear sederhana.
Data-data yang di dapat ditabulasikan sebagai berikut:
Tabel. Tabulasi Data Penelitian (Data Fiktif)

No Biaya Promosi Volume Penjualan
1 12,000 56,000
2 13,500 62,430
3 12,750 60,850
4 12,600 61,300
5 14,850 65,825
6 15,200 66,354
7 15,750 65,260
8 16,800 68,798
9 18,450 70,470
10 17,900 65,200
11 18,250 68,000
12 16,480 64,200
13 17,500 65,300
14 19,560 69,562
15 19,000 68,750
16 20,450 70,256
17 22,650 72,351
18 21,400 70,287
19 22,900 73,564
20 23,500 75,642

 Pada kolom Name ketik y, kolom Name pada baris kedua ketik x.
 Pada kolom Label, untuk kolom pada baris pertama ketik Volume Penjualan,
untuk kolom pada baris kedua ketik Biaya Promosi.
 Buka data view pada SPSS data editor, maka didapat kolom variabel y dan x.

28
 Klik variabel Volume Penjualan dan masukkan ke kotak Dependent,

kemudian klik variabel Biaya Promosi dan 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:
Tabel. Hasil Analisis Regresi Linear Sederhana
Persamaan regresinya sebagai berikut:
Y’ = a + bX
Y’ = -28764,7 + 0,691X
Angka-angka ini dapat diartikan sebagai berikut:

- Konstanta sebesar -28764,7; artinya jika biaya promosi (X) nilainya adalah 0,
maka volume penjulan (Y’) nilainya negatif yaitu sebesar -28764,7.
- Koefisien regresi variabel harga (X) sebesar 0,691; artinya jika harga
mengalami kenaikan Rp.1, maka volume penjualan (Y’) akan mengalami
peningkatan sebesar Rp.0,691. Koefisien bernilai positif artinya terjadi

29
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).
Uji Koefisien Regresi Sederhana (Uji t)

Uji ini digunakan untuk mengetahui apakah variabel independen (X)
berpengaruh secara signifikan terhadap variabel dependen (Y). Signifikan berarti
pengaruh yang terjadi dapat berlaku untuk populasi (dapat digeneralisasikan).
Dari hasil analisis regresi di atas dapat diketahui nilai t hitung seperti pada tabel
2. Langkah-langkah pengujian sebagai berikut:
Ho : Ada pengaruh secara signifikan antara biaya promosi dengan
volume penjualan
Ha : Tidak ada pengaruh secara signifikan antara biaya promosi dengan
volume penjualan
Tingkat signifikansi menggunakan  = 5% (signifikansi 5% atau 0,05 adalah
ukuran standar yang sering digunakan dalam penelitian)
Berdasarkan tabel diperoleh t hitung sebesar 10,983
jumlah variabel independen). Dengan pengujian 2 sisi (signifikansi = 0,025)
hasil diperoleh untuk t tabel sebesar 2,110 (Lihat pada lampiran) atau dapat
dicari di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,17) lalu
enter.
Ho diterima jika –t tabel < t hitung < t tabel
Ho ditolak jika -thitung < -t tabel atau t hitung > t tabel
6. Membandingkan t hitung dengan t tabel
Nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak.
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak, artinya
bahwa ada pengaruh secara signifikan antara biaya promosi dengan volume
penjualan. Jadi dalam kasus ini dapat disimpulkan bahwa biaya promosi
berpengaruh terhadap volume penjualan pada perusahaan jual beli motor.

30
Analisis korelasi parsial (Partial Correlation) digunakan untuk

mengetahui hubungan antara dua variabel dimana variabel lainnya yang
dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol).
Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1
berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai mendekati
0 berarti hubungan antara dua variabel semakin lemah. Nilai positif
menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif
menunjukkan hubungan terbalik (X naik maka Y turun). Data yang digunakan
biasanya berskala interval atau rasio.

0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
Contoh kasus:
Kita mengambil contoh pada kasus korelasi sederhana di atas dengan
menambahkan satu variabel kontrol. Seorang mahasiswa bernama Andi
melakukan penelitian dengan menggunakan alat ukur skala. Andi ingin meneliti
tentang hubungan antara kecerdasan dengan prestasi belajar jika terdapat faktor
tingkat stress pada siswa yang diduga mempengaruhi akan dikendalikan.
Dengan ini Andi membuat 2 variabel yaitu kecerdasan dan prestasi belajar dan 1
variabel kontrol yaitu tingkat stress. Tiap-tiap variabel dibuat beberapa 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 skor total item-item yaitu sebagai berikut:

Subjek Kecerdasan Prestasi Belajar Tingkat Stress
1 33 58 25
2 32 52 28
3 21 48 32
4 34 49 27
5 34 52 27
6 35 57 25
7 32 55 30

31
8 21 50 31
9 21 48 34
10 35 54 28
11 36 56 24
12 21 47 29

 Pada kolom Name ketik x1, kolom Name pada baris kedua ketik x2, kemudian
kolom Name pada baris ketiga ketik y.
 Pada kolom Decimals ganti menjadi 0 untuk semua variabel
 Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan, untuk
kolom pada baris kedua Tingkat Stress, dan kolom pada baris ketiga ketik
Prestasi Belajar.
 Buka data view pada SPSS data editor, maka didapat kolom variabel x1, x2
dan y.
 Klik Analyze - Correlate - Partial
 Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian klik
variabel Prestasi Belajar dan masukkan ke kotak yang sama (Variables). Klik
variabel Tingkat Stres dan masukkan ke kotak Controlling for
Tabel. Hasil Analisis Korelasi Parsial
-PARTIAL CORRELATION COEFFICIENTS -
Controlling for.. X2
X1 Y
X1 1.0000 .4356
( 0) ( 9)
P= . P= .181
Y .4356 1.0000
( 9) ( 0)
P= .181 P= .
(Coefficient / (D.F.) / 2-tailed Significance)
" . " is printed if a coefficient cannot be computed

32
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.
Uji Signifikansi Koefisien Korelasi Parsial (Uji t)

Uji signifikansi koefisien korelasi parsial digunakan untuk menguji apakah
hubungan yang terjadi itu berlaku untuk populasi (dapat digeneralisasi).
Ho : Tidak ada hubungan secara signifikan antara kecerdasan dengan
prestasi belajar jika tingkat stress tetap
Ha : Ada hubungan secara signifikan antara kecerdasan dengan prestasi
belajar jika tingkat stress tetap
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi  = 5%. (uji
dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya hubungan yang
signifikan, jika 1 sisi digunakan untuk mengetahui hubungan lebih kecil atau
lebih besar)
mengambil keputusan untuk menolak hipotesa yang benar sebanyak-
4. Membandingkan probabilitas
Nilai P value (0,181 > 0,05) maka Ho diterima.
5. Kesimpulan
Oleh karena nilai P value (0,181 > 0,05) maka Ho diterima, artinya bahwa tidak
ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar jika
tingkat stress dibuat tetap. Hal ini dapat berarti terdapat hubungan yang tidak
signifikan, artinya hubungan tersebut tidak dapat berlaku untuk populasi yaitu
seluruh siswa SMU Negeri 1 Yogyakarta, tetapi hanya berlaku untuk sampel. Jadi
dalam kasus ini dapat disimpulkan bahwa kecerdasan tidak berhubungan
terhadap prestasi belajar pada siswa SMU Negeri 1 Yogyakarta .

33
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk

mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah
hubungan yang terjadi. Koefisien korelasi sederhana menunjukkan seberapa
besar hubungan yang terjadi antara dua variabel. Dalam SPSS ada tiga metode
korelasi sederhana (bivariate correlation) diantaranya Pearson Correlation, Kendall’s
tau-b, dan Spearman Correlation. Pearson Correlation digunakan untuk data
berskala interval atau rasio, sedangkan Kendall’s tau-b, dan Spearman Correlation
lebih cocok untuk data berskala ordinal.
Pada bab ini akan dibahas analisis korelasi sederhana dengan metode Pearson
atau sering disebut Product Moment Pearson. Nilai korelasi (r) berkisar antara 1
sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua
variabel semakin kuat, sebaliknya nilai mendekati 0 berarti hubungan antara dua
variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik
maka Y naik) dan nilai negatif menunjukkan hubungan terbalik (X naik maka Y
turun).
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
Contoh kasus:
Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan
alat ukur skala. Andi ingin mengetahui apakah ada hubungan antara kecerdasan
dengan prestasi belajar pada siswa SMU Negeri 1 Yogyakarta, dengan ini Andi
membuat 2 variabel yaitu kecerdasan dan prestasi belajar. Tiap-tiap variabel
dibuat beberapa 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 skor total item-item
yaitu sebagai berikut:

Subjek Kecerdasan Prestasi Belajar
1 33 58
2 32 52
3 21 48
4 34 49
5 34 52
6 35 57
7 32 55

34
8 21 50
9 21 48
10 35 54
11 36 56
12 21 47

 Pada kolom Name ketik x, kolom Name pada baris kedua ketik y.
 Pada kolom Decimals ganti menjadi 0 untuk variabel x dan y
 Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan, untuk
kolom pada baris kedua ketik Prestasi Belajar.
 Buka data view pada SPSS data editor, maka didapat kolom variabel x dan y.
 Klik Analyze - Correlate - Bivariate
 Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian klik
variabel Prestasi Belajar dan masukkan ke kotak yang sama (Variables).
Tabel. Hasil Analisis Korelasi Bivariate Pearson
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.
Uji Signifikansi Koefisien Korelasi Sederhana (Uji t)

Uji signifikansi koefisien korelasi digunakan untuk menguji apakah hubungan
yang terjadi itu berlaku untuk populasi (dapat digeneralisasi). Misalnya dari
kasus di atas populasinya adalah siswa SMU Negeri 1 Yogyakarta dan sampel

35
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.

Ho : Tidak ada hubungan secara signifikan antara kecerdasan dengan
prestasi belajar
Ha : Ada hubungan secara signifikan antara kecerdasan dengan prestasi
belajar
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi  = 5%. (uji
dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya hubungan yang
signifikan, jika 1 sisi digunakan untuk mengetahui hubungan lebih kecil atau
lebih besar).
mengambil keputusan untuk menolak hipotesa yang benar sebanyak-
Ho diterima jika Signifikansi > 0,05
Ho ditolak jika Signifikansi < 0,05
4. Membandingkan signifikansi
Nilai signifikansi 0,004 < 0,05, maka Ho ditolak.
5. Kesimpulan
Oleh karena nilai Signifikansi (0,004 < 0,05) maka Ho ditolak, artinya bahwa ada
hubungan secara signifikan antara kecerdasan dengan prestasi belajar. Karena
koefisien korelasi nilainya positif, maka berarti kecerdasan berhubungan positif
dan signifikan terhadap pretasi belajar. Jadi dalam kasus ini dapat disimpulkan
bahwa kecerdasan berhubungan positif terhadap prestasi belajar pada siswa
SMU Negeri 1 Yogyakarta.
Statistik deskriptif menggambarkan tentang ringkasan data-data penelitian

seperti mean, standar deviasi, varian, modus dll. Dalam program SPSS
digunakan juga ukuran skewness dan kurtosis untuk menggambarkan distribusi
data apakah normal atau tidak, selain ada beberapa pengujian untuk mengetahui
normalitas data dengan uji Kolmogorov-Smirnov dan Shapiro-Wilk. Dalam
pembahasan ini hanya akan dilakukan analisis deskriptif dengan memberikan

36
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:

Tahun Harga Saham PER
1990 8300 4.90
1991 7500 3.28
1992 8950 5.05
1993 8250 4.00
1994 9000 5.97
1995 8750 4.24
1996 10000 8.00
1997 8200 7.45
1998 8300 7.47
1999 10900 12.68
2000 12800 14.45
2001 9450 10.50
2002 13000 17.24
2003 8000 15.56
2004 6500 10.85
2005 9000 16.56
2006 7600 13.24
2007 10200 16.98
Langkah-langkah dengan program SPSS

 Pada kolom Name ketik y, kolom Name pada baris kedua ketik x
untuk kolom pada baris kedua ketik PER.
 Buka data view pada SPSS data editor, maka didapat kolom variabel y dan x.

37

 Klik Analyze - Deskriptive Statistics - Descriptives
 Klik variabel Harga saham dan PER kemudian masukkan ke kotak
Variable(s)
Tabel. Hasil Statistik Deskriptif
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%.
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya

penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara
residual pada satu pengamatan dengan pengamatan lain pada model regresi.
Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model
regresi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-
Watson (uji DW) dengan ketentuan sebagai berikut:
1) Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis nol
ditolak, yang berarti terdapat autokorelasi.
2) Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti
tidak ada autokorelasi.
3) Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak
menghasilkan kesimpulan yang pasti.
Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson yang
bergantung banyaknya observasi dan banyaknya variabel yang menjelaskan.

38
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.

 Kita menggunakan input data yang sama pada uji normalitas.
klik variabel PER dan ROI dan masukkan ke kotak Independent(s).
 Klik Statistics, pada Residuals klik Durbin Watson, kemudian klik Continue.
 Klik OK, hasil output pada Model Summary sebagai berikut:
Tabel. Hasil Uji Durbin-Watson
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).
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya

penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan
varian dari residual untuk semua pengamatan pada model regresi. Prasyarat
yang harus terpenuhi dalam model regresi adalah tidak adanya gejala
heteroskedastisitas. Ada beberapa metode pengujian yang bisa digunakan
diantaranya yaitu Uji Park, Uji Glesjer, Melihat pola grafik regresi, dan uji
koefisien korelasi Spearman.
a) Uji Park

39
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.
normalitas dan multikolinearitas, maka selanjutnya akan dilakukan pengujian
heteroskedastisitas.
Data-data dapat dilihat lagi sebagai berikut:

1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
2001 9450 10.50 8.62
2002 13000 17.24 12.07
2003 8000 15.56 5.83
2004 6500 10.85 5.20
2005 9000 16.56 8.53
2006 7600 13.24 7.37
2007 10200 16.98 9.38

klik variabel PER dan ROI dan masukkan ke kotak Independent(s).
 Klik Save, pada Residuals klik Unstandardized, kemudian klik Continue

40
 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:
Tabel. Pengubahan kebentuk Logaritma Natural

LnX1 LnX2 Lnei2
1.59 1.87 12.33
1.19 1.14 13.62
1.62 1.61 14.19
1.39 1.56 12.79
1.79 1.83 12.31
1.44 1.80 10.88
2.08 2.17 9.62
2.01 2.04 14.26
2.01 2.08 14.41
2.54 2.34 5.54
2.67 2.52 12.85
2.35 2.15 11.96
2.85 2.49 14.29
2.74 1.76 12.27
2.38 1.65 13.72
2.81 2.14 11.61
2.58 2.00 14.14
2.83 2.24 11.47
Langkah selanjutnya adalah:

 Kembali ke Variable View pada SPSS, buat variabel baru dengan cara pada
kolom Name pada baris 5 ketik lnx1, pada baris ke 6 ketik lnx2, kemudian
pada baris selanjutnya ketik lnei2. (kolom-kolom lain boleh dihiraukan)
 Klik Data View, terlihat kolom baru dengan nama lnx1, lnx2, dan lnei2.

41
 Bila anda merubah data ke bentuk Ln di Ms Excel maka kopikan seluruh

variabel dan masukkan (paste) ke data view pada program SPSS sesuai
dengan variabelnya.
 Klik Analize - Regression - Linear
 Klik varibel lnei2 dan masukkan ke kotak Dependent, kemudian klik variabel
lnx1 dan masukkan ke kotak Independent.
 Klik OK, sementara hiraukan hasil output yang di dapat.
 Klik Analize - Regression - Linear. Terlihat variabel lnei2 masih ada di kotak
Dependent dan variabel lnx1 di kotak independent.
 Klik varibel lnx1 dan keluarkan variabel dari kotak Independent, kemudian
klik variabel lnx2 dan masukkan kekotak Independent, kemudian klik
variabel lnx1 dan masukkan ke kotak Independent.
 Klik OK, maka hasil output pada tabel Coefficient pada dua kali analisis
regresi adalah sebagai berikut:
Tabel. Hasil Uji Heteroskedastisitas Lnei2 dengan LnX1
Tabel. Hasil Uji Heteroskedastisitas Lnei2 dengan LnX2
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.

42
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:

1996 127300000 37800000 11700000 8700000
1997 122500000 38100000 10900000 8300000
1998 146800000 42900000 11200000 9000000
1999 159200000 45200000 14800000 9600000
2000 171800000 48400000 12300000 9800000
2001 176600000 49200000 16800000 9200000
2002 193500000 48700000 19400000 12000000
2003 189300000 48300000 20500000 12700000
2004 224500000 50300000 19400000 14000000
2005 239100000 55800000 20200000 17300000
2006 257300000 56800000 18600000 18800000
2007 269200000 55900000 21800000 21500000
2008 308200000 59300000 24900000 21700000
2009 358800000 62900000 24300000 25900000
2010 362500000 60500000 22600000 27400000

- Langkah pertama yaitu mencari nilai unstandardized 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).
hasil output SPSS, Anda buka input data, disini akan bertambah satu variabel yaitu
residual (RES_1).

43
- 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
c) Melihat pola titik-titik pada scatterplots regresi

Metode ini yaitu dengan cara melihat grafik scatterplot antara standardized predicted
value (ZPRED) dengan studentized residual (SRESID). Ada tidaknya pola tertentu pada
grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah
diprediksi dan sumbu X adalah residual (Y prediksi - Y sesungguhnya).
Dasar pengambilan keputusan yaitu:
- Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu
yang teratur (bergelombang, melebar kemudian menyempit), maka terjadi
heteroskedastisitas.
- Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

44
- 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.
d) Uji koefisien korelasi Spearman’s rho

Metode uji heteroskedastisitas dengan korelasi Spearman’s rho yaitu mengkorelasikan
variabel independen dengan nilai unstandardized residual. Pengujian menggunakan
tingkat signifikansi 0,05 dengan uji 2 sisi. Jika korelasi antara variabel independen
dengan residual di dapat signifikansi lebih dari 0,05 maka dapat dikatakan bahwa tidak
terjadi masalah heteroskedastisitas pada model regresi.

45
- Langkah pertama yaitu mencari nilai unstandardized residual, caranya klik

Analyze >> Regression >> Linear
hasil output SPSS, Anda buka input data, disini akan bertambah satu variabel yaitu
residual (RES_1).
- Langkah selanjutnya melakukan analisis Spearman’s rho dengan cara klik Analyze
>> Correlate >> Bivariate, selanjutnya akan terbuka kotak dialog Bivariate
Correlations.
- Masukkan variabel Biaya produksi, Biaya distribusi, Biaya promosi dan
Unstandardized Residual ke kotak Variables. Kemudian hilangkan tanda centang
pada Pearson dan beri tanda centang pada Spearman. Gambar seperti di atas. Jika
sudah klik tombol OK, maka hasil output seperti berikut:
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

46
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya

penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear
antar variabel independen dalam model regresi. Prasyarat yang harus terpenuhi
dalam model regresi adalah tidak adanya multikolinearitas. Ada beberapa
metode pengujian yang bisa digunakan diantaranya yaitu 1) dengan melihat nilai
inflation factor (VIF) pada model regresi, 2) dengan membandingkan nilai
koefisien determinasi individual (r2) dengan nilai determinasi secara serentak
(R2), dan 3) dengan melihat nilai eigenvalue dan condition index. Pada pembahasan
ini akan dilakukan uji multikolinearitas dengan melihat nilai inflation factor (VIF)
pada model regresi dan membandingkan nilai koefisien determinasi individual
(r2) dengan nilai determinasi secara serentak (R2). Menurut Santoso (2001), pada
umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai
persoalan multikolinearitas dengan variabel bebas lainnya.
a) Melihat nilai inflation factor (VIF) pada model regresi

Contoh Kasus:
normalitas dan dinyatakan data berdistribusi normal, maka selanjutnya akan
dilakukan pengujian multikolinearitas. Contoh kasus sebagai berikut:
Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktor-
faktor yang mempengaruhi harga saham pada perusahaan di BEJ. Data-data
yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:

1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
2001 9450 10.50 8.62
2002 13000 17.24 12.07
2003 8000 15.56 5.83
2004 6500 10.85 5.20
2005 9000 16.56 8.53
2006 7600 13.24 7.37

47
2007 10200 16.98 9.38
Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara

rasio keuangan PER dan ROI terhadap harga saham. Dengan ini Bambang
menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear
berganda.

klik variabel PER dan ROI dan masukkan ke kotak Independent
 Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue
 Klik OK, pada output anda lihat tabel coefficients pada kolom collinearity
statistics, hasil yang di dapat sebagai berikut:
Tabel. Hasil Uji Multikolinearitas
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.
b) Dengan membandingkan nilai koefisien determinasi individual (r2) dengan nilai

determinasi secara serentak (R2)
Dalam metode ini, cara yang ditempuh adalah dengan meregresikan setiap variabel
independen dengan variabel independen lainnya, dengan tujuan untuk mengetahui
nilai koefisien r2 untuk setiap variabel yang diregresikan. Selanjutnya nilai r2 tersebut
dibandingkan dengan nilai koefisien determinasi R2. Kriteria pengujian yaitu jika r2 >
R2 maka terjadi multikolinearitas dan jika r2 < R2 maka tidak terjadi multikolinearitas.
Contoh kasus:

48
Akan dilakukan analisis regresi untuk mengetahui pengaruh biaya produksi, distribusi,
dan promosi terhadap tingkat penjualan. sebelumnya dilakukan uji asumsi klasik
multikolinearitas, data sebagai berikut:

1996 127300000 37800000 11700000 8700000
1997 122500000 38100000 10900000 8300000
1998 146800000 42900000 11200000 9000000
1999 159200000 45200000 14800000 9600000
2000 171800000 48400000 12300000 9800000
2001 176600000 49200000 16800000 9200000
2002 193500000 48700000 19400000 12000000
2003 189300000 48300000 20500000 12700000
2004 224500000 50300000 19400000 14000000
2005 239100000 55800000 20200000 17300000
2006 257300000 56800000 18600000 18800000
2007 269200000 55900000 21800000 21500000
2008 308200000 59300000 24900000 21700000
2009 358800000 62900000 24300000 25900000
2010 362500000 60500000 22600000 27400000

Langkah pertama meregresikan antar variabel independen, langkahnya masukkan
variabel Biaya produksi ke kotak Dependent, kemudian masukkan variabel Biaya
distribusi ke kotak Independent(s).
- Klik tombol OK. Hasil pada output Model Summary sebagai berikut: (regresi
variabel Biaya produksi dengan Biaya distribusi)
- Langkah selanjutnya meregresikan variabel Biaya produksi dengan Biaya promosi,

kemudian Biaya distribusi dengan Biaya promosi dengan langkah-langkah sama
seperti langkah di atas. Hasil output seperti berikut:

49
- Langkah selanjutnya mencari nilai koefisien determinasi (R2) yaitu dengan

meregresikan Biaya produksi, Biaya distribusi, dan Biaya promosi terhadap Tingkat
penjualan. Langkahnya yaitu klik Analyze >> Regression >> Linear. Masukkan
variabel Tingkat penjualan ke kotak Dependent, kemudian masukkan variabel Biaya
produksi, Biaya distribusi, dan Biaya Promosi ke kotak Independent(s).
- Klik tombol OK, maka hasil pada output Model Summary sebagai berikut:
Berikut ini ringkasan tabel hasil uji multikolinearitas:

Variabel Variabel Nilai r square (r2)
Dependen Independen
Biaya produksi Biaya distribusi 0,797
Biaya produksi Biaya promosi 0,843
Biaya distribusi Biaya promosi 0,728
Nilai R2 0,983
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.
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai

hubungan yang linear atau tidak secara signifikan. Uji ini biasanya digunakan
sebagai prasyarat dalam analisis korelasi atau regresi linear. Pengujian pada SPSS

50
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:

Subjek Kecemasan Optimisme
1 90 124
2 88 137
3 96 120
4 95 128
5 96 124
6 94 133
7 91 138
8 96 126
9 95 132
10 90 140
11 85 143
12 91 124
13 87 131
14 90 119
15 85 135
16 83 141
17 86 137
18 91 134
19 86 138
20 83 141

 Pada kolom Name ketik x, untuk kolom Name baris kedua ketik y
 Pada kolom Decimals angka ganti menjadi 0 untuk variabel x dan y
 Untuk kolom Label ketik Kecemasan, untuk kolom Label pada baris kedua
ketik Optimisme.
 Kolom lainnya boleh dihiraukan (isian default)
 Buka data view pada SPSS data editor
 Terlihat kolom x dan y, x adalah variabel kecemasan dan y adalah variabel
optimisme, ketikkan data sesuai dengan variabelnya.

51
 Klik Analyze - Compare Means - Means

 Klik variabel Optimisme dan masukkan ke kotak Dependent List, kemudian
klik variabel Kecemasan dan masukkan ke Independent List.
 Klik Options, pada Statistics for First Layer klik Test for Linearity, kemudian
klik Continue
 Klik OK, maka hasil output yang didapat pada kolom Anova Table adalah
sebagai berikut:
Tabel. Hasil Test for Linearity
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.
Uji homogenitas digunakan untuk mengetahui apakah beberapa varian

populasi adalah sama atau tidak. Uji ini dilakukan sebagai prasyarat dalam
analisis independent sample t test dan ANOVA. Asumsi yang mendasari dalam
analisis varian (ANOVA) adalah bahwa varian dari populasi adalah sama.
Sebagai kriteria pengujian, jika nilai signifikansi lebih dari 0,05 maka dapat
dikatakan bahwa varian dari dua atau lebih kelompok data adalah sama.
Contoh Kasus:
Seorang mahasiswi bernama Hanny melakukan penelitian untuk
mengetahui apakah ada perbedaan pemahaman mahasiswa jika dilihat dari
tingkat prestasi. Dengan ini Hanny menggunakan kuesioner sebagai alat
pengumpul data yang disebar pada 20 responden dan membuat dua variabel
pertanyaan yaitu pemahaman mahasiswa dan tingkat prestasi. Pada variabel
pemahaman mahasiswa memakai skala Likert dengan pertanyaan favorabel dan

52
unfavorabel (mengungkap dan tidak mengungkap). Pada item favorabel skala

yang dipakai 1 = sangat tidak setuju, 2 = tidak setuju, 3 = setuju, dan 4 = sangat
setuju. Pada item unfavorabel sebaliknya yaitu 1 = sangat setuju, 2 = setuju, 3 =
tidak setuju, dan 4 = sangat tidak setuju. Untuk variabel tingkat prestasi
menggunakan data nominal yang dibuat tiga alternatif jawaban yaitu 1 = IPK
kurang dari 2,50; 2 = IPK 2,51-3,30 dan 3 = IPK 3,31-4,00. Data-data yang di dapat
ditabulasikan sebagai berikut:
Pemahaman Mahasiswa Tingkat

Subjek
Item pertanyaan Total Prestasi
1 2 3 4 5 6 7 8 9 10 Skor
1 4 4 3 4 4 2 4 3 4 4 36 3
2 4 4 4 3 4 4 3 4 4 4 38 3
3 3 3 4 2 2 1 4 2 1 3 25 1
4 3 3 4 2 2 4 1 2 3 4 28 2
5 4 4 4 2 4 3 3 3 4 3 34 3
6 2 4 2 4 1 4 4 2 2 4 29 2
7 2 4 2 4 2 2 2 4 2 4 28 2
8 4 4 4 4 4 4 3 2 4 4 37 3
9 4 4 2 4 4 4 4 4 4 4 38 3
10 2 1 4 4 3 4 3 3 2 1 27 1
11 2 2 1 4 4 3 1 4 4 2 27 2
12 3 1 3 2 2 4 4 3 2 4 28 1
13 3 4 3 4 2 4 4 4 1 4 33 3
14 4 4 2 3 4 4 2 4 4 3 34 3
15 2 4 4 4 4 2 3 4 4 4 35 3
16 4 2 3 4 3 4 3 3 4 2 32 1
17 1 3 2 3 4 2 4 4 3 2 28 1
18 4 4 3 4 4 4 4 4 4 4 39 3
19 4 4 2 2 3 3 2 1 2 4 27 2
20 4 2 2 4 2 4 2 3 4 2 29 2
 Masuk program SPSS.

 Klik variable view pada SPSS data editor.
 Pada kolom Name ketik item1, kolom Name pada baris kedua ketik item2.
 Pada kolom Decimals untuk kolom item1 dan item2 angka ganti menjadi 0.
 Pada kolom Label, untuk kolom pada baris pertama ketik Pemahaman
 Mahasiswa dan untuk kolom pada baris kedua ketik Tingkat Prestasi.

53
 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:
Tabel. Hasil Uji Homogenitas
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.

54
Uji normalitas digunakan untuk mengetahui apakah populasi data

berdistribusi normal atau tidak. Uji ini biasanya digunakan untuk mengukur
data berskala ordinal, interval, ataupun rasio. Jika analisis menggunakan metode
parametrik, maka persyaratan normalitas harus terpenuhi yaitu data berasal dari
distribusi yang normal. Jika data tidak berdistribusi normal, atau jumlah sampel
sedikit dan jenis data adalah nominal atau ordinal maka metode yang digunakan
adalah statistik non parametrik. Dalam pembahasan ini akan digunakan uji One
Sample Kolmogorov-Smirnov dengan menggunakan taraf signifikansi 0,05. Data
dinyatakan berdistribusi normal jika signifikansi lebih besar dari 5% atau 0,05.
Contoh Kasus:
Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktor-
faktor yang mempengaruhi harga saham pada perusahaan di BEJ. Data-data
yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:
Tabel 5. Tabulasi Data (Data Fiktif)

1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
2001 9450 10.50 8.62
2002 13000 17.24 12.07
2003 8000 15.56 5.83
2004 6500 10.85 5.20
2005 9000 16.56 8.53
2006 7600 13.24 7.37
2007 10200 16.98 9.38
Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara

rasio keuangan PER dan ROI terhadap harga saham. Dengan ini Bambang
menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear
berganda. Sebelum dilakukan analisis tersebut dilakukan uji normalitas untuk
mengetahui sebaran data.
Sebagai catatan: bila menggunakan analisis regresi linear, uji normalitas bisa
dilakukan dengan melihat nilai residualnya, apakah residual berasal dari
distribusi normal ataukah tidak.

55

 Pada kolom Name ketik y, kolom Name pada baris kedua ketik x1, dan pada
kolom Name baris ketiga ketik x2.
untuk kolom pada baris kedua ketik PER, dan terakhir ketik ROI.
 Buka data view pada SPSS data editor, maka didapat kolom variabel y, x1,
dan x2
 Klik Analyze - Deskriptive Statistics - Explore
 Klik variabel Harga saham, PER, dan ROI dan masukkan ke kotak Dependent
List
 Klik Plots
 Klik Normality plots with tests, kemudian klik Continue
 Klik OK, maka hasil output yang didapat pada kolom Test of Normality
adalah sebagai berikut:
Tabel. Hasil Uji Normalitas dengan Kolomogorov-Smirnov
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.

56
Uji reliabilitas digunakan untuk mengetahui konsistensi alat ukur, apakah

alat pengukur yang digunakan dapat diandalkan dan tetap konsisten jika
pengukuran tersebut diulang. Ada beberapa metode pengujian reliabilitas
diantaranya metode tes ulang, formula belah dua dari Spearman-Brown, formula
Rulon, formula Flanagan, Cronbach’s Alpha, metode formula KR-20, KR-21, dan
metode Anova Hoyt. Dalam program SPSS akan dibahas untuk uji yang sering
digunakan penelitian mahasiswa adalah dengan menggunakan metode Alpha
(Cronbach’s). Metode alpha sangat cocok digunakan pada skor berbentuk skala
(misal 1-4, 1-5) atau skor rentangan (misal 0-20, 0-50). Metode alpha dapat juga
digunakan pada skor dikotomi (0 dan 1) dan akan menghasilkan perhitungan
yang setara dengan menggunakan metode KR-20 dan Anova Hoyt.
Uji signifikansi dilakukan pada taraf signifikansi 0,05, artinya instrumen dapat
dikatakan reliabel bila nilai alpha lebih besar dari r kritis product moment. Atau
kita bisa menggunakan batasan tertentu seperti 0,6. Menurut Sekaran (1992),
reliabilitas kurang dari 0,6 adalah kurang baik, sedangkan 0,7 dapat diterima dan
di atas 0,8 adalah baik.
Pada contoh kasus di atas setelah diuji validitasnya maka item-item yang gugur
dibuang dan item yang tidak gugur dimasukkan kedalam uji reliabilitas. Jadi
yang akan dihitung ada 6 item, karena 4 item telah digugurkan.

 Pada contoh kasus di atas kita telah menginput data item 1 sampai 10
 Klik Analyze - Scale - Reliability Analysis
 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:
Tabel 4. Hasil Analisis Reliabilitas dengan Teknik Alpha
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
Scale Scale Corrected

Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
ITEM2 14.6667 18.9697 .6414 .8906

ITEM3 14.8333 18.1515 .6963 .8827
ITEM4 14.3333 18.2424 .6835 .8846

57
ITEM6 14.6667 16.7879 .8612 .8574

ITEM7 14.7500 15.8409 .7943 .8680
ITEM8 14.6667 17.5152 .6749 .8867
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.
Uji reliabilitas Kuesioner digunakan untuk mengetahui konsistensi alat

ukur, apakah alat pengukur yang digunakan dapat diandalkan dan tetap
konsisten jika pengukuran tersebut diulang. Ada beberapa metode pengujian
reliabilitas diantaranya metode tes ulang, formula belah dua dari Spearman-
Brown, formula Rulon, formula Flanagan, Cronbach’s Alpha, metode formula
KR-20, KR-21, dan metode Anova Hoyt. Dalam program SPSS akan dibahas
untuk uji yang sering digunakan penelitian mahasiswa adalah dengan
menggunakan metode Alpha (Cronbach’s). Metode alpha sangat cocok
digunakan pada skor berbentuk skala (misal 1-4, 1-5) atau skor rentangan (misal
0-20, 0-50). Metode alpha dapat juga digunakan pada skor dikotomi (0 dan 1) dan
akan menghasilkan perhitungan yang setara dengan menggunakan metode KR-
20 dan Anova Hoyt.
Uji signifikansi dilakukan pada taraf signifikansi 0,05, artinya instrumen dapat
dikatakan reliabel bila nilai alpha lebih besar dari r kritis product moment. Atau
kita bisa menggunakan batasan tertentu seperti 0,6. Menurut Sekaran (1992),
reliabilitas kurang dari 0,6 adalah kurang baik, sedangkan 0,7 dapat diterima dan
di atas 0,8 adalah baik.
Pada contoh kasus di atas setelah diuji validitasnya maka item-item yang gugur
dibuang dan item yang tidak gugur dimasukkan kedalam uji reliabilitas. Jadi
yang akan dihitung ada 6 item, karena 4 item telah digugurkan.

 Pada contoh kasus di atas kita telah menginput data item 1 sampai 10
 Klik Analyze - Scale - Reliability Analysis

58
 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 Continue
 Klik OK, hasil output yang didapat adalah sebagai berikut:
Tabel 4. Hasil Analisis Reliabilitas dengan Teknik Alpha

ITEM2 14.6667 18.9697 .6414 .8906

ITEM3 14.8333 18.1515 .6963 .8827
ITEM4 14.3333 18.2424 .6835 .8846
ITEM6 14.6667 16.7879 .8612 .8574
ITEM7 14.7500 15.8409 .7943 .8680
ITEM8 14.6667 17.5152 .6749 .8867
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.
Uji Validitas Kuesioner adalah ketepatan atau kecermatan suatu

instrumen dalam mengukur apa yang ingin dukur. Dalam pengujian instrumen
pengumpulan data, validitas bisa dibedakan menjadi validitas faktor dan
validitas item. Validitas faktor diukur bila item yang disusun menggunakan lebih
dari satu faktor (antara faktor satu dengan yang lain ada kesamaan). Pengukuran
validitas faktor ini dengan cara mengkorelasikan antara skor faktor
(penjumlahan item dalam satu faktor) dengan skor total faktor (total keseluruhan

59
faktor), sedangkan pengukuran validitas item dengan cara mengkorelasikan

antara skor item dengan skor total item.
Pada pembahasan ini akan dibahas untuk metode pengujian validitas item.
Validitas item ditunjukkan dengan adanya korelasi atau dukungan terhadap
item total (skor total), perhitungan dilakukan dengan cara mengkorelasikan
antara skor item dengan skor total item. Bila kita menggunakan lebih dari satu
faktor berarti pengujian validitas item dengan cara mengkorelasikan antara skor
item dengan skor faktor, kemudian dilanjutkan mengkorelasikan antara skor
item dengan skor total faktor (penjumlahan dari beberapa faktor). Dari hasil
perhitungan korelasi akan didapat suatu koefisien korelasi yang digunakan
untuk mengukur tingkat validitas suatu item dan untuk menentukan apakah
suatu item layak digunakan atau tidak. Dalam penentuan layak atau tidaknya
suatu item yang akan digunakan, biasanya dilakukan uji signifikansi koefisien
korelasi pada taraf signifikansi 0,05, artinya suatu item dianggap valid jika
berkorelasi signifikan terhadap skor total. Atau jika melakukan penilaian
langsung terhadap koefisien korelasi, bisa digunakan batas nilai minimal korelasi
0,30. Menurut Azwar (1999) semua item yang mencapai koefisien korelasi
minimal 0,30 daya pembedanya dianggap memuaskan. Tetapi Azwar
mengatakan bahwa bila jumlah item belum mencukupi kita bisa menurunkan
sedikit batas kriteria 0,30 menjadi 0,25 tetapi menurunkan batas kriteria di bawah
0,20 sangat tidak disarankan. Untuk pembahasan ini dilakukan uji signifikansi
koefisien korelasi dengan kriteria menggunakan r kritis pada taraf signifikansi
0,05 (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan
dalam penelitian)
Pada program SPSS teknik pengujian yang sering digunakan para peneliti untuk
uji validitas adalah menggunakan korelasi Bivariate Pearson (Produk Momen
Pearson) dan Corrected Item-Total Correlation. Masing-masing teknik perhitungan
korelasi akan dibahas sebagai berikut:
1. Bivariate Pearson (Korelasi Produk Momen Pearson)

Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan skor
total. Skor total adalah penjumlahan dari keseluruhan item. Item-item
pertanyaan yang berkorelasi signifikan dengan skor total menunjukkan item-
item tersebut mampu memberikan dukungan dalam mengungkap apa yang
ingin diungkap.
Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05. Kriteria
pengujian adalah sebagai berikut:
- Jika r hitung ≥ r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-
item pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).
- Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-
item pertanyaan tidak berkorelasi signifikan terhadap skor total (dinyatakan
tidak valid).

60
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:
Tabel 1. Tabulasi Data (Data Fiktif)

Skor Item Skor
Subjek
1 2 3 4 5 6 7 8 9 10 Total
1 3 4 3 4 4 3 3 3 3 3 33
2 4 3 3 4 3 3 3 3 3 3 32
3 2 2 1 3 2 2 3 1 2 3 21
4 3 4 4 3 3 3 4 3 3 4 34
5 3 4 3 3 3 4 3 4 4 3 34
6 3 2 4 4 3 4 4 3 4 4 35
7 2 3 3 4 4 4 3 4 3 2 32
8 1 2 2 1 2 2 1 3 4 3 21
9 4 2 3 3 4 2 1 1 4 4 28
10 3 3 3 4 4 4 4 4 3 3 35
11 4 4 3 4 4 3 4 4 4 2 36
12 3 2 1 2 3 1 1 2 3 3 21
Langkah-langkah dengan program SPSS

 Pada kolom Name ketik item1 sampai item10, kemudian terakhir ketikkan
skortot (skor total didapat dari penjumlahan item1 sampai item10)
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh item
 Ketikkan data sesuai dengan variabelnya, untuk skortot ketikkan total
skornya.
 Klik Analyze - Correlate - Bivariate
 Klik semua variabel dan masukkan ke kotak variables
 Klik OK. Hasil output yang diperoleh dapat diringkas sebagai berikut:
Tabel. Hasil Analisis Bivariate Pearson

61
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.

62
2. Corrected Item-Total Correlation

Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan skor
total dan melakukan koreksi terhadap nilai koefisien korelasi yang overestimasi.
Hal ini dikarenakan agar tidak terjadi koefisien item total yang overestimasi
(estimasi nilai yang lebih tinggi dari yang sebenarnya). Atau dengan cara lain,
analisis ini menghitung korelasi tiap item dengan skor total (teknik bivariate
pearson), tetapi skor total disini tidak termasuk skor item yang akan dihitung.
Sebagai contoh pada kasus di atas kita akan menghitung item 1 dengan skor total,
berarti skor total didapat dari penjumlahan skor item 2 sampai item 10.
Perhitungan teknik ini cocok digunakan pada skala yang menggunakan item
pertanyaan yang sedikit, karena pada item yang jumlahnya banyak penggunaan
korelasi bivariate (tanpa koreksi) efek overestimasi yang dihasilkan tidak terlalu
besar.
Menurut Azwar (2007) agar kita memperoleh informasi yang lebih akurat
mengenai korelasi antara item dengan tes diperlukan suatu rumusan koreksi
terhadap efek spurious overlap.
Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05. Kriteria
pengujian adalah sebagai berikut:
- Jika r hitung ≥ r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-
item pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan
valid).
- Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-
item pertanyaan tidak berkorelasi signifikan terhadap skor total (dinyatakan
tidak valid).
Sebagai contoh kasus kita menggunakan contoh kasus dan data-data pada
analisis produk momen di atas.

 Pada kolom Name ketik item1 sampai item 10
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh item
 Ketikkan data sesuai dengan variabelnya,
 Klik Analyze - Scale – Reliability Analysis
 Klik semua variabel dan masukkan ke kotak items
 Klik continue, kemudian klik OK, hasil output yang didapat adalah sebagai
berikut:

63
Tabel. Hasil Analisis Validitas Item dengan

Teknik Corrected Item-Total Correlation

ITEM1 27.2500 29.8409 .4113 .8345

ITEM2 27.2500 28.0227 .6151 .8157
ITEM3 27.4167 25.7197 .8217 .7933
ITEM4 26.9167 26.6288 .7163 .8046
ITEM5 26.9167 29.5379 .5603 .8223
ITEM6 27.2500 25.8409 .7764 .7975
ITEM7 27.3333 25.1515 .6784 .8078
ITEM8 27.2500 27.1136 .5679 .8204
ITEM9 26.8333 32.8788 .1866 .8482
ITEM10 27.0833 35.3561 -.1391 .8683
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.

Panduan Olah Data Statistik

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Panduan Olah Data Statistik

Diunggah oleh

Hak Cipta:

Format Tersedia

1

o ► JENIS – JENIS UJI STATISTIK MODERN

STATISTIK OLAH DATA PENELITIAN

STATISTIK OLAH DATA PENELITIAN

o ► JENIS – JENIS UJI STATISTIK MODERN

STATISTIK OLAH DATA PENELITIAN

STATISTIK OLAH DATA PENELITIAN

Uji normalitas pada model regresi digunakan untuk menguji apakah

Tahun Tingkat penjualan Biaya produksi Biaya distribusi Biaya promosi

STATISTIK OLAH DATA PENELITIAN

2) Metode statistik One Sample Kolmogorov Smirnov

STATISTIK OLAH DATA PENELITIAN

One way anova

STATISTIK OLAH DATA PENELITIAN

Tabel 39. Tabulasi Data (Data Fikti)

Langkah-langkah uji dengan program SPSS

STATISTIK OLAH DATA PENELITIAN

Tabel. Hasil Uji One Way ANOVA

STATISTIK OLAH DATA PENELITIAN

Langkah-langkah uji homogenitas sebagai berikut:

Langkah-langkah uji ANOVA sebagai berikut:

STATISTIK OLAH DATA PENELITIAN

6. Membandingkan F hitung dengan F tabel.

PAIRED T SAMPLE TES

Tabel. Tabulasi Data (Data Fiktif)

Langkah-langkah pada program SPSS

STATISTIK OLAH DATA PENELITIAN

Tabel. Hasil Paired Sample T Test

Langkah-langkah pengujian sebagai berikut:

STATISTIK OLAH DATA PENELITIAN

2. Menentukan tingkat signifikansi

INDEPENDENT SAMPEL T TES

STATISTIK OLAH DATA PENELITIAN

Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada

Tabel. Tabulasi Data (Data Fiktif)

Langkah-langkah pada program SPSS

STATISTIK OLAH DATA PENELITIAN

Tabel. Hasil Independent Sample T Test

Sebelum dilakukan uji t test sebelumnya dilakukan uji kesamaan varian

STATISTIK OLAH DATA PENELITIAN

Pengujian independen sample t test

STATISTIK OLAH DATA PENELITIAN

ONE SAMPLE T TES

Tabel. Tabulasi Data (Data Fiktif)

STATISTIK OLAH DATA PENELITIAN

Langkah-langkah uji dengan program SPSS

Tabel. Hasil One Sample T Test

Langkah-langkah pengujian sebagai berikut:

STATISTIK OLAH DATA PENELITIAN

Analisis regresi linier berganda adalah hubungan secara linear

Persamaan regresi linear berganda sebagai berikut:

STATISTIK OLAH DATA PENELITIAN

Tabel. Tabulasi Data (Data Fiktif)

Tahun Harga Saham (Rp) PER (%) ROI (%)

Langkah-langkah pada program SPSS

STATISTIK OLAH DATA PENELITIAN

Tabel. Hasil Analisis Regresi Linear Berganda

Persamaan regresinya sebagai berikut:

STATISTIK OLAH DATA PENELITIAN

Persamaan regresi di atas dapat dijelaskan sebagai berikut:

A. Analisis Korelasi Ganda (R)

STATISTIK OLAH DATA PENELITIAN

Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien