BAB 1

SPSS DAN KOMPUTER STATISTIK

1.1. Pendahuluan
Popularitas sistem operai windows pada awal era 1990-an cukup berpengaruh
terhadap perkembangan versi-versi terbaru SPSS. Salah satunya adalah kemunculan SPP
versi windows pertama kali pada tahun 1992. Sejarah SPSS dimulai pada tahun 1968.
Ketika itu, tiga orang mahasiswa yang kuliah di Stanford University membuat dan
mengoperasikan SPSS pada komputer mainframe. Selanjutnya secara konsisten SPSS
mengalami perkembangan hingga pada tahun 1984 muncul SPSS pertama dengan versi
Personal Komputer (PC) dengan nama SPSS /PC+. Versi ini masih menggunakan sistem
operasi berbasis under Dos.
SPSS sebantiasa menunjukkan komitmennya untuk terus berkembang dengan terus
menerus melakukan terobosan yang strategis dalam rangka mengupgrade SPSS. Sejak
tahun 1994 hingga berjalan sekitar 5 tahun, SPSS mengakuisisi software house terkenal,
seperti BMDP Statistical Software, Jandel Statistical Software Clear Ltd, SYStat Inc.,
In2itive Technologies A/S, Integral Solutions dan Quantime Ltd. SPSS berusaha senantiasa
memmimpin pasar. Hubungan-hubungan kerjsa sama bahkan aliansi pun dilakukan
misalnya SPSS mewujudkan aliansi strategis dengan Oracle Corp, Cere Integrated Solution
dan Business Object.
Langkah-langkah dan kebijakan pengembangan strategis di atas menyebabkam
SPSS sebagi software statistik smeakin akomodatif. Pada awalnya, SPSS memang
bertujuan untuk mengolah data statistik di bidang ilmu sosial. Akan tetapi, kegunaan dan
jasa SPSS semakin akomodatif dalam melayani berbagai user yang memiliki multi
background, dari user akademisi hingga user yang terlibat dalam proses produksi di pabrik,
peneliti sains, dan user yang terlibat dalam beraneka macam bidang-bidang akademik.
Singkatan SPSS pun mengalami perubahan. Jika pada awal-awal rilisnya singkatan SPSS
adalah Statistical Package for the Social Science, tetapi kini singkatan SPSS telah berubah
menjadi Statistical Product and Service Solutions.

1.2. Cara Kerja SPSS

Untuk bisa memahami cara kerja SPSS, kita harus lebih dahulu memahami cara
kerja kompuer dengan SPSS.

1
1.2.1. Cara Kerja Komputer
Pada dasarnya computer berfungsi mengolah data menjadi informasi yang berarti.
Data yang akan diolah dimasukkan sebagai input, kemudian dengan proses pengolahan
data oleh computer, dihasilkan output berupa informasi untuk kegunaan lebih lanjut.

INPUT PROSES OUTPUT DATA

DATA KOMPUTER (INFORMASI)

1.2.2 Cara Kerja Statistik

Statistik juga mempunyai fungsi yang mirip dengan computer yaitu mengolah data
dengan perhitungan tertentu, menjadi informasi yang berarti.

INPUT PROSES OUTPUT DATA

DATA STATISTIK (INFORMASI)

1.2.3 Cara Kerja SPSS

Proses pengolahan data pada SPSS juga mirip dengan kedua proses diatas. Hanya
disini ada variasi dalam penyajian Input dan Output Data.

INPUT PROSES OUTPUT DATA

DATA STATISTIK (INFORMASI)
dengan dengan dengan
DATA DATA VIEWER
EDITOR EDITOR

Penjelasan Proses Statistik dengan SPSS :

1. Data yang akan diproses dimasukkan lewat menu DATA EDITOR yang otomatis
muncul dilayar saat SPSS dijalankan
2. Dara yang telah diinput kemudian diproses, juga lewat menu DATA EDITOR.
3. Hasil pengolahan data muncul dilayar (windows) yang lain dari SPSS, yaitu
VIEWER. Pada Viewer, informasi atau output bisa ditampilan secara ;
 Teks atau Tulisan.

2
 Pengerjaan yang berhubungan dengan output berbentuk teks bisa dilakukan
lewat Menu Text Output Editor.
 Tabel
Pengerjaan yang berhubungan dengan output berbentuk table dilakukan
lewat menu Pivot Table Editor
 Chart atau Grafik
Pengerjaan yang berhubungan dengan output berbentuk grafik bisa
dilakukan lewat menu Chart Editor
1.3. Windows SPSS
SPPS menyediakan beberapa windows yang meliputi :
1. Windows Data Editor
Window ini terbuka secara otomatis setiap kali program SPSS dijalankan dan
berfungsi untuk input data SPSS.
Window Data Editor bisa diakses dengan membuka menu FILE, kemudian
submenu NEW, lalu option DATA
Menu yang ada pada Data Editor :
 File
Menu File ini berfungsi untuk menangani hal-hal yang berhubungan dengan
file data, seperti file baru, membuka file tertentu, mengambil data dari
program lain, mencetak isi Data Editor dan lainnya.
 Edit
Menu Edit ini berfungsi untuk menangani hal-hal yang berhubungan dengan
memperbaiki atau mengubah nilai data ( duplikasi data, menghilangkan
data, edit data dan lainnya ). Selain itu, Menu Edit juga berfungsi untuk
mengubah setting pada Option (Seperti Output Laabel, Script, dan lainnya )
 View
Menu View berfungsi untuk mengatur toolbar ( status bar, penampakan
value label dan lainnya )
 Data
Menu Fata berfungsi untuk membuat perubahan data SPSS secara
keseluruhan, seperti mengurutkan data, menyeleksi data berdasar criteria
tertentu, menggabungkan data dan sebaginya.
 Transform

3
 Menu Transform berfungsi utnuk membuat perubahan pada variable yang
telah dipilih dengan criteria tertentu.
 Analyze
Menu Analyze merupakan menu inti SPSS yang berfungsi untuk melakukan
semua prosedur perhitungan statistic, seperti uji t, uji F, regresi, time series
dan lainnya.
 Graphs
Menu Graphs berfungsi untuk membuat berbagai jenis grafik untuk
mendukung analisis statistic, seperti Pie, Line, Bar dan kombinasinya.
 Utilities
Menu Utilities atau menu tambahan adalah menu yang mendukung program
SPSS seperti memberi informasi tentang variable yang sekarang sedang
dikerjakan, mengatur tampilan menu-menu yang lain.
 Window
Menu Window berfungsi untuk beroindah (switch ) diantara menu-menu
yang lain di SPSS
 Help
Menu Help berfungsi untuk menyediakan bantuan informasi mengenai
program SPSS yang bisa diakses secara mudah dan jelas.

2. Window VIEWER
Jika Data Editor berfungsi untuk memasukkan data yang siap diolah oleh SPSS,
kemudian melakukan pengolahan data yang dilakukan lewat menu Analyze maka
hasil pengolahan data atau informasi ditampilkan lwat wnidow SPSS Viewer atau
bisa sebut Viewer saja. Window VIEWER bisa diakses dengan membuka menu
FILE, kemudian submenu NEW, lalu option OUTPUT.
3. Window Syntax Editor
Walaupun SPSS sudah menyediakan berbagai macam pengolahan data statistik
secara memadai, namun ada beberapa perintah atau pilihan yang hanya bias
digunakan dengan SPSS Command Languange. Perintah-perintah tersebut bisa
ditulis pada Menu Syntax Editor. Menu ini berupa file teks yang berisi berbagai
perintah SPSS dan bisa diketik secara manual. Namun SPSS juga menyediakan
berbagai kemudahan untuk pembuatan Syntax, seperti lewat Output Log, Journal

4
 File dan lainnya. Isi menu Syntax sama dengan menu yang lain, hanya disini ada
tambahan submenu RUN yang berfungsi untuk menjalankan Symatx yang ditulis.
Window Syntax Editor bias diakses dengan membuka menu FILE, kemudian
submenu NEW, lalu option SYNTAX.
4. Menu Script Editor
Menu Script pada dasarnya digunakan untuk melakukan berbagai pengerjaan SPSS
secara otomatis, seperti membuka dan menutup file, Export Chart, penyesuaian
bentuk Output dan lainnya. Window Script Editor bisa diakses dengan membuka
menu FILE, kemudian submenu NEW, lalu option SCRIPT
5. Menu Draft Output
Menu ini bisa juga disebut dengan Draft Viewer dan pada dasarnya digunakan
untuk alternatif output hasil proses SPSS yang berupa teks dan chart. Output teks
yang berupa table-tabel (Pivot Tabel) bisa ditampilkan dalam bentuk simple text.
Sedangkan output grafik bisa ditampilkan dalam bentuk metafile picture.
Window Draft bisa diakses dengan membuka menu FILE, kemudian submenu
NEW, lalu option DRAFT OUPUT

5
 BAB 2
MEMBUAT VARIABEL DAN MENGISI DATA

2.1. Pemberian Nama Variabel

Dalam pemberian nama variabel harus memperhatikan aturan yang berlaku karena
penamaan variabel yang salah tidak akan diterima oleh SPSS. Aturan untuk menamai
variabel adalah :
1. Nama variabel harus dimulai dengan suatu huruf.Setelah itu dapat ditambahkan
karakter lain yang dapat berupa huruf, angka, tanda titik atau simbol seperti @, #, _, $
2. Nama variabel tidak boleh diakhiri dengan tanda titik
3. Nama variabel yang diakhiri dengan tanda underscore ( _ ) sebaiknya dihindari
4. Panjang nama tidak lebih dari 64 bytes. 64 bytes ini berarti 64 karakter.
5. Tempat kosong antarkarakter dan karakter khusus (seperti !.?,’ dan *) tidak dapat
digunakan
6. Tiap variabel harus unik, tidak boleh ada nama variabel yang sama
7. Kata kunci yang sudah digunakan pada SPSS tidak dapat digunakan sebagai nama
variabel yaitu : ALL, AND, BY, EQ, GE, LE, LT, NE, NOT, OR, TO, WITH
8. Jika nama variabel panjang akan dibuat dalam beberapa barus pada output.SPSS akan
memisahkannya dengan underscore atau titik.

2.2. Tipe Variabel

Tipe variabel menentukan tipe data untuk tiap variabel. Sebagai default, semua variabel
baru diasumsikan bertipe numerik. Untuk mengubah tipe data dilakukan melalui Type
Variabel.
Tipe data yang tersedia pada SPSS adalah
1. Numerik
Merupakan variabel yang nilainya berupa angka. Nilainya ditampilkan dalam
format numerik standar. Data editor menerima nilai numerik dalam format standar
atau notasi ilmiah
2. Comma
Merupakan variabel numerik yang nilainya dibatasi koma untuk tiap 3 angka dan
tanda titik sebagai batas desimal. Data editor menerima nilai numerik untuk
variabel dengan koma atau tanpa koma; atau dalam notasi ilmiah

6
 3. Dot
Merupakan variabel numerik yang nilainya ditampilkan dengan batas titik untuk
tiap 3 angka dan tanda koma sebagai pembatas. Data editor menerima nilai numerik
untuk variabel dengan dot atau tanpa dot; atau dalam notasi ilmiah
4. Scientific notation
Merupakan variabel numerik yang nilainya ditampilkan dalam notasi ilmiah dengan
simbol E dan suatu tanda eksponen dengan bilangan pokok 10.. Data editor
menerima nilai numerik untuk variabel dengan atau tanpa suatu eksponen
5. Date
Merupakan variabel numerik yang nilainya ditampilkan dalam format tanggal atau
waktu. Anda dapat memasukkan tipe data ini dengan garis miring (/), tanda hubung
(-), titik (.), koma(,) atau spasi kosong sebagai pembatas antara tanggal, bulan dan
tahun
6. Custom Currency
Merupakan variabel numerik yang nilainya ditampilkan dalam satu format biasa
langsung. Pendefinisian karakter custom currency tidak dapat dilakukan pada saat
entry data tetapi ditampilkan di data editor.
7. String
Nilai suatu variabel string bukan numerik dan tidak dapat dihitung. Biasanya berupa
karakter.

Contoh Soal Pengisian Data pada SPSS :

No Nama Lokasi Sales
1 Amir Jakarta Barat 100.000
2 Cicilia Jakarta Timur 250.000
3 Iin Jakarta Utara 200.000
4 Sugeng Jakarta Selatan 180.000
5 Lina Jakarta Pusat 190.000
6 Agus Bogor 125.000
7 Liana Depok 175.000
8 Diana Bekasi 110.000
9 Dede Tangerang 105.000
10 Herman Banten 95.000

7
Sebelum membuat table diatas menjadi data yang siap diolah oleh SPSS, perlu diperhatikan
bahwa disini ada tiga macam variable yaitu NAMA, BERAT dan GENDER. Selain itu juga
ada 10 Data atau Kasus.
Langkah-langkah Pemasukan Data ke SPSS :
1. Buka lembar kerja baru
Lembar kerja baru selalu dibuka jika ada pemasukan variable yang baru.
Perintahnya adalah File, New, Data
 Menamai variable yang diperlukan
Klik mouse pada sheet tab Variabel View yang ada di bagian kiri bawah.
Tampak tampilan pemasukan variable baru dengan urutan Nama, type dan
seterusnya.
 Mendefinisikan variable
Letakan pointer mouse pada baris 1 dan isikan data sesuai dengan yang
inginkan.
 Name, sesuai kasus letakkan pointer dibawah kolom Name,
klik ganda pada sel tersebut dan ketik NAMA
 Type, jenis tipe data yang ada adalah Numeric, String, Date,
dll. Untuk Nama berikan tipe data yang String,
 Width, pilihan ini menyediakan masukan antara 1 sampai 255
digit untuk isian data yang bertipe string.
 Decimals, pilihan ini hanya untuk tipe data desimal ( angka
dibelakang koma ).
 Label, adalah keterangan untuk nama variable, yang dapat
digunakan atau tidak.
 Values, pada contoh soal diatas gender dapat diberikan 1 untuk
wanita dan 2 untuk pria
 Align, adalah posisi data, apakah dikanan, kiri atau tengah sel.
 Measure, adalah hal yang penting di SPSS karena menyangkut
tipe variable yang nantinya menentukan jenis analisis yang
digunakan. Untuk data string (karakter) ada dua pilihan yaitu
nominal atau ordinal Untuk data kuantitatif dan tanpa
kategorisasi, SPSS akan memilih tipe Scale ( skala atau data
jenis interval/rasio).

8
 2. Mengisi Data
Setelah pengisian nama variable selesai dilakukan, langkah berikut adalah mengisi
data. Langkah-langkah untuk mengisi data yaitu :
 Klik tab sheet DATA VIEW yang ada di kiri bawah layar
 Untuk mengisi variable NAMA letakkan pointer pada baris 1 kolom
variable NAMA, lalu ketik menurun sesuai data Nama responden
 Untuk mengisi variable LOKASI letakkan pointer pada baris 1 kolom
variable LOKASI, lalu ketik menurun sesuai data Nama responden
 Untuk mengisi kolom SALES, isi sesuai data Nama responden
Supaya dalam prose penginputan kolom gender dapat langsung dilihat
keterangan wanita atau pria maka Pilih Menu VIEW, kemudian klik mouse
pada submenu Value Label.
3. Menyimpan Data
Untuk menyimpan data, lakukan langkah-langkah berikut :
 Pilih Menu FILE, kemudian pilih submenu SAVE AS
 Berikan nama filenya dan tempatkan file pada directory yang diinginkan.

Latihan
1. Buatlah, Isilah dan Simpanlah Data mahasiswa dengan variable-variabel sebagai
berikut :
a. Nomor Induk Mahasiswa : tipe String, width 10
b. Tanggal Lahir, tipe date
c. Alamat, tipe string, width 30
d. Jenis Kelamin : tipe numeric, width 1 ( 1 untuk Pria, 0 untuk Wanita )
e. Jurusan : tipe numeric, width 1 ( 1 untuk S1 Akuntansi, 2 untuk S1
Manajemen, 3 untuk D3 Akuntansi, 4 untuk D3 Manajemen
f. Status : tipe numeric, width 1 ( 1 untuk Belum Menikah, 2 untuk Menikah )
g. Agama : tipe numeric, width ( 1 untuk Islam, 2 untuk Kristen , 3 untuk
Katolik, 4 untuk Hindu, 5 Untuk Budha, 6 Untuk Kong Hu Chu )
h. Waktu Kuliah : tipe numeric, width 1 ( 1 untuk Pagi, 2 untuk Malam )

9
 BAB 3
REGRESI SEDERHANA

Dalam analisa regresi akan dihasilkan sebuah persamaan regresi ( estimating equation )
yaitu suatu formula yang mencari nilai variable dependen dari nilai variable independent
yang diketahui. Analisa regresi digunakan terutama untuk tujuan peramalan dimana model
tersebut ada sebuah variable dependen ( terikat ) dan variable independent ( bebas ).
Dalam praktek, regresi dibedakan menjadi regresi sederhana ( Simple Regresion ), jika
hanya ada satu variable independent dan regresi berganda ( Multiple Regresion ), jika
ada lebih dari satu variable independent.
Contoh Kasus.
Seorang mahasiswa melakukan penelitian dengan menggunakan alat ukur skala. Ia ingin
mengetahui apakah ada pengaruh antara kecerdasan dengan prestasi belajar.

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

Akan dilakukan analisis regresi untuk mengetahui pengaruh antara variable kecerdasan
dengan prestasi belajar.
Penyelesaian dengan SPSS :
1. Pemasukan Data ke SPP
a. Dari menu File, pilih menu View, lalu klik mouse pada Data. Kemudian
klik mouse pada sheet tab Variabel View.

10
 b. Pemberian nama variable yaitu :
 Kecerdasan, dengan type Numeric, width 8, Decimals 0
 Prestasi belajar, dengan type Numeric, width 8, Decimals 0

2. Mengisi Data
Klik mouse pada sheet tab Data View, kemudian masukan data.

3. Analisis dengan SPSS

a. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu
Regression, pilih Linear

11
Pengisian :
 Dependent, adalah variable P_Belajar
 Independent(s), adalah variable Kecerdasan

12
b. Pilih Options

13
 Pengisian :
 Untuk Stepping Method Criteria, digunakan Uji F yang mengambil
standar angka probabilitas sebesar 5 %. Oleh karena itu, angka
Entry .05 atau 5 % dipilih
 Pilihan default Include constant in equation atau menyertakan
persamaan regresi, tetap dipilih
 Penanganan Missing Value atau data yang hilang, digunakan default
dari SPSS yaitu Exclude cases listwise
 Klik Countinue untuk meneruskan

c. Pilih kolom Statictic dengan klik mouse pada pilihan tersebut

Pengisian :
 Regression Coefficient atau perlakuan koefisien regresi, tetap aktifkan
pilihan Estimate ( default dari SPSS ). Jika pilihan Estimate tidak
diaktifkan, koefisien regresi tidak ditampilkan pada output SPSS
 Klik mouse pada pilihan Descriptive pada kolom sebelah kanan, serta
tetap aktifkan Model Fit
 Residuals klik mouse pada Casewise diagnoctics dan dari situ pilih all
cases untuk melihat pengaruh regresi terhadap semua daerah. Jika
dipilih Outliers outside kemudian dipoilih sebanyak 1 standar deviasi

14
 sebagai contoh, maka akan ditampilkan hasil regresi pada daerah yang
melebihi satu standar deviasi
 Klik Countinue untuk meneruskan

d. Pilih kolom Plots atau berhubungan dengan gambar/grafik untuk regresi.

Direncanakan ada tiga plot (gambar) sehubungan dengan analisa regresi :
 Pilih kolom Plots atau berhubungan dengan gambar/grafik untuk regresi.
Direncanakan ada tiga plot ( gambar ) sehubungan dengan analisa
regresi :
 Klik mouse pada pilihan SDRESID dan masukan ke pilihan Y. lalu klik
mouse sekali lagi pada pilihan ZPRED dan masukkan ke pilihan X.
Setelah kedua variable Y dan X terisi klik tombol Next untuk
melanjutkan pengisian plot kedua

 Tampak variable Y dan X kosong kembali. Sekarang klik mouse pada

pilihan ZPRED dan masukkan ke pilihan Y. Lalu klik mouse sekail lagi
pada pilihan DEPENDENT dan masukkan ke pilihan X. Kemudian klik
tombol Next untuk melanjutkan pengisian plot ketiga

15
  Untuk plot ketiga, pada pilihan Standardized Residual Plots, klik
mouse pada Normal Probablity Plot
 Klik Countinue untuk meneruskan

e. Tekan OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS

melakukan pekerjaan dari terihat output SPPS
4. Output SPSS
Berikut output bagian pertama dan kedua dari analisis regresi sederhana.

16
Analisis :
a. Rata-rata Prestasi belajar (dengan jumlah data 12 buah) adalah 52.17 dengan
standar deviasi 3.810
b. Rata-rata Kecerdasan (dengan jumlah data 12 buah) adalah 29.58 dengan
standar deviasi 6.445
c. Besar hubungan antravariabel Prestasi belajar dengan Kecerdasan (koefisien
korelasi) adalah 0.766. Hal ini menunjukkan hubungan yang kuat
( mendekati 1 ). Arah hubungan yang positif ( tidak ada tanda negative pada
angka 0.861 ) menunjukkan semakin besar Kecerdasan akan membuat
Prestasi belajar cenderung meningkat. Demikian sebaliknya.

0,00 - 0,199 sangat rendah

0,20 - 0,399 Rendah
0,40 - 0,599 sedang
0,60 - 0,799 kuat
0,80 – 1.00 sangat kuat

d. Tingkat signifikan koefisien korelasi satu sisi dari output ( diukur dari
probabilitas ) menghasilkan anga 0.002. Oleh karena probabilitas jauh
dibawah 0.05 maka korelasi antara Prestasi belajar dengan Kecerdasan
sangat nyata.

17
Berikut output bagian ketiga dan keempat dari analisis regresi sederhana.

Analisis :
a. Tabel pertama menunjukkan variable yang dimasukkan adalah kecerdasan
dan tidak ada varaibel yang dikeluarkan (removed). Hal ini disebabkan
metode yang dipakai adalah single step (enter) dan bukannya stepwise
b. Angka R Square adalah 0.586 ( adalah pengkuadratan dari koefisien
korelasi ).R square bisa disebut koefisien determinasi, yang dalam hal ini
berarti 58.6 % Prestasi belajar bisa dijelaskan oleh variable kecerdasan.
Sedangkan sisanya yaitu 41.4 % dijelaskan oleh sebab-sebab lain.
c. Standar Error of Estimate adalah 2.570 ( satuan yang dipakai adalah
variable dependen atau Prestasi belajar). Perhatikan pada analisis
sebelumnya, bahwa standar deviasi Prestasi belajar adalah 3.810 yang jauh
lebih besar dari standar error of estimate yang hanya 2.570. Oleh karena
lebih kecil dari standar deviasi prestasi belajarmaka model regresi lebih
bagus dalam bertindak sebagai predictor Prestasi belajar daripada Rata-rata
Prestasi belajar itu sendiri.

Berikut output bagian kelima dan keenam dari analisis regresi sederhana.

18
Analisis :
a. Dari uji ANOVA atau T test, didapat T hitung adalah 3.765 dengan tingkat
signifikan 0.004. Oleh karena probabilitas ( 0.004 ) jauh lebih kecil dari 0.05
maka model regresi bisa dipakai untuk memprediksi Prestasi belajar.
b. Tabel selanjutnya menggambarkan persamaan regresi :
Y = 38.775 + 0.453 X
Keterangan :
 Konstanta sebesar 38.775 menyatakan bahwa jika tidak ada kecerdasan
maka Prestasi belajar adalah 38.775
 Koefisien regresi sebesar 0.453 menyatakan bahwa setiap penambahan
1 % kecerdasan akan meningkatkan prestasi belajar sebesar 0.453.
Namun sebaliknya bahwa setiap penurunan 1 % kecerdasan akan
menurunkan prestasi belajar sebesar 0.453. Jadi tanda + menayatakan
arah hubungan yang searah dimana kenaikan atau penurunan variable
independent ( X ) akan mengakibatkan kenaikan / penurunan variable
dependen ( Y )
c. Uji t untuk menguji signikansi konstanta dan variable dependen
Persamaan regresi yang didapat diatas selanjutnya akan diuji apakah
memang valid untuk memprediksi variable dependen. Dengan kata lain,

19
akan dilakukan pengujian apakah kecerdasan benar-benar bisa memprediksi
prestasi belajar di masa depan.
Hipotesis :
H0 : β1 = 0 Tidak ada pengaruh kecerdasan terhadap prestasi belajar
H1 : β1 ≠ 0 Ada pengaruh kecerdasan terhadap prestasi belajar

Pengambilan keputusan :
Berdasarkan t Hitung
Jika Statistik t Hitung < Statistik t table maka H0 diterima
Jika Statistik t Hitung > Statistik t table maka H0 ditolak

Mencari t hitung, dari table output diatas terlihat bahwa t hitung (tertulis t)
adalah 3.765

Prosedur mencari t table dengan criteria :

 Tingkat signifikan (ά) = 10 % (untuk uji dia sisi)
 Df ( derajat kebebasan ) = jumlah data – 2 atau 12– 2 = 10
 Untuk t table dua sisi didapat 1.812
Keputusan :
Oleh karena Statistik t hitung > Statistik t table ( 3.765> 1.812) maka H o
ditolak atau kecerdasan benar-benar berpengaruh secara signifikan terhadap
prestasi belajar.

Berdasarkan Probabilitas
Jika probabilitas > 0.05 maka H0 diterima
Jika probabilitas < 0.05 maka H0 ditolak
Keputusan :
Terlihat bahwa pada kolom sig/significance adalah 0.004 atau probabilitas
jauh dibawah 0.05 maka H0 ditolak atau koefisien regresi signifikan atau
kecerdasan benar-benar berpengaruh secara signifikan terhadap prestasi
belajar.

20
Latihan
Buatlah Analisis Regresi Sederhana dengan menggunakan data sbb:

Penjualan Biaya Periklanan

2006 45,000,000,000 150,000,000

2005 45,500,000,000 156,000,000

2004 53,000,000,000 170,000,000

2003 55,000,000,000 200,000,000

2002 65,000,000,000 250,000,000

2001 70,000,000,000 280,000,000

2000 72,000,000,000 300,000,000

21
 BAB 4
REGRESI BERGANDA

Dalam praktek bisnis, regresi berganda justru lebih banyak digunakan, selain karena
banyaknya variable dalam bisnis yang perlu dianalisis bersama, juga banyak kasus regresi
berganda lebih relevan digunakan. Dalam banyak kasus bisnis yang menggunakan regresi
berganda, pada umumnya jumlah varaibel dependen berkisar dua sampai empat variable.
Walaupun secara teoritis bisa digunakan banyak varaibel bebas, namun penggunaan lebih
dari tujuh variable independen dianggap tidak efektif.
Contoh Kasus 1
Seorang mahasiswa melakukan penelitian tentang faktor-faktor yang mempengaruhi harga
saham pada perusahaan di BEI. Ia ingin mengetahui pengaruh antara ratio keuangan PER
dan ROI terhadap harga saham. Berikut ini adalah Harga saham, PER dan ROI dalam 18
tahun terakhir

Tahun Harga Saham PER ROI

1993 8300 4.90 6.47
1994 7500 3.28 3.14
1995 8950 5.05 5.00
1996 8250 4.00 4.75
1997 9000 5.97 6.23
1998 8750 4.24 6.03
1999 10000 8.00 5.75
2000 8200 7.45 7.72
2001 8300 7.47 8.00
2002 10900 12.68 10.40
2003 12800 14.45 12.42
2004 9450 10.50 8.62
2005 13000 17.24 12.07
2006 8000 15.56 5.83
2007 6500 10.85 5.20
2008 9000 16.56 8.53
2009 7600 13.24 7.37
2010 10200 16.98 9.38

Akan dilakukan analisis regresi untuk mengetahui pengaruh PER dan ROI terhadap Harga
saham.

22
Penyelesaian dengan SPSS :
1. Pemasukan Data ke SPPS
a. Dari menu File, pilih menu View, lalu klik mouse pada Data. Kemudian
klik mouse pada sheet tab Variabel View.
b. Pemberian nama variable yaitu :
 Harga_saham, dengan type Numerik, width 8, Decimals 0
 PER, dengan type Numeric, width 8, Decimals 2
 ROI, dengan type Numeric, width 8, Decimals 2
2. Mengisi Data
Klik mouse pada sheet tab Data View, kemudian masukan data.

3. Analisis dengan SPSS

a. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu
Regression, pilih Linear
Pengisian :
 Dependent, adalah harga saham

23
  Independent(s), adalah variable PER dan ROI

b. Pilih Options

Pengisian :
 Untuk Stepping Method Criteria, digunakan Uji F yang mengambil
standar angka probabilitas sebesar 5 %. Oleh karena itu, angka
Entry .05 atau 5 % dipilih
 Pilihan default Include constant in equation atau menyertakan
persamaan regresi, tetap dipilih

24
  Penanganan Missing Value atau data yang hilang, digunakan default
dari SPSS yaitu Exclude cases listwise
 Klik Countinue untuk meneruskan

c. Pilih kolom Statictic dengan klik mouse pada pilihan tersebut

Pengisian :
 Regression Coefficient atau perlakuan koefisien regresi, tetap aktifkan
pilihan Estimate ( default dari SPSS ). Jika pilihan Estimate tidak
diaktifkan, koefisien regresi tidak ditampilkan pada output SPSS
 Klik mouse pada pilihan Descriptive pada kolom sebelah kanan, serta
tetap aktifkan Model Fit
 Residuals dikosongkan saja.
 Klik Countinue untuk meneruskan

d. Tekan OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS

melakukan pekerjaan dari terihat output SPPS

4. Output SPSS
Oleh karena output regresi cukup banyak, analisis hasil regresi akan dibahas bagian
per bagian.

25
Berikut output bagian pertama dan kedua dari analisis regresi sederhana.

Analisis :
 Rata-rata Harga saham (dengan jumlah data 18 buah) adalah Rp. 9.1500
dengan standar deviasi 4.91
 Rata-rata PER (dengan jumlah data 18 buah) adalah 9.91 dengan standar
deviasi Rp. 1.506 juta
 Rata-rata ROI (dengan jumlah data 18 buah) adalah 3.38 dengan standar
deviasi 2.52.
 Besar hubungan antravariabel Harga saham dengan PER dengan koefisien
korelasi adalah 0.483, sedangkan variable Harga saham dengan ROI adalah
0.825. Secara teoritis karena korelasi antara Penjualan dan ROI lebih besar
maka variable ROI lebih berpengaruh terhadap Harga Saham Penjaulan
dibandingkan variable PER.

26
Berikut output bagian ketiga dan keempat dari analisis regresi berganda

Analisis :
a. Tabel VARIEABLES ENTERED menunjukkan bahwa tidak ada variable yang
dikeluarkan (removed) atau dengan kata lain kedua variable bebas dimasukkan
dalam perhitungan regresi.
b. Angka R adalah 0.838, sedangkan Angka R square adalah 0.703. Hal ini berarti
70.3 % Harga saham bisa dijelaskan oleh variable PER dan ROI. Sedangkan
sisanya 29.7 % dijelaskan oleh sebab-sebab lain.
c. Standar Error of Estimate adalah 995.06. Perhatikan pada analisis
sebelumnya, bahwa standar deviasi harga saham adalah 1714.90 yang jauh lebih
besar dari standar error of estimate yang hanya 995.06. Oleh karena lebih kecil
dari standar deviasi Harga saham maka model regresi lebih bagus dalam
bertindak sebagai predictor Harga saham daripada Rata-rata Harga saham itu
sendiri.

Berikut output bagian kelima dan keenam dari analisis regresi berganda

27
Analisis :
d. Dari uji ANOVA atau F test, didapat F hitung adalah 17.746dengan tingkat
signifikan 0.000. Oleh karena probabilitas ( 0.000 ) jauh lebih kecil dari 0.05
maka model regresi bisa dipakai untuk memprediksi Harga saham. Atau bias
dikatakan, PER dan ROI secara bersama-samam berpengaruh terhadap
Harga Saham
e. Tabel selanjutnya menggambarkan persamaan regresi :
Y = 4984.575 – 73.385 X1 + 662.637 X2
Dimana X1 adalah PER dan X2 adalah ROI
Keterangan :
 Konstanta sebesar 4984.575 menyatakan bahwa jika PER dan ROI nol
maka Harga Saham adalah 4984.575
 Koefisien regresi X1 sebesar – 73.385 menyatakan bahwa setiap
penambahan 1 satuan PER akan menurunkan harga saham sebesar
73.385
 Koefisien regresi X2 sebesar 662.637 menyatakan bahwa setiap
penambahan 1 satuan ROI meningkatkan harga saham sebesar 662.637
 Uji t untuk menguji signifikansi konstanta dan variable dependen
(PER dan ROI)

28
Hipotesis :
H0 : β1 = 0 Tidak ada pengaruh PER terhadap Harga Saham
H1 : β1 ≠ 0 Ada pengaruh PER terhadap Harga Saham

H0 : β1 = 0 Tidak ada pengaruh ROI terhadap Harga Saham

H1 : β1 ≠ 0 Ada pengaruh ROI terhadap Harga Saham

Pengambilan keputusan :
Dasar Pengambilan Keputusan :
Berdasarkan Nilai t hitung
Jika t hitung < t tabel maka H0 diterima
Jika t hitung > t tabel maka H0 ditolak

Jika - t hitung < -t tabel maka H0 diterima

Jika - t hitung > - t tabel maka H0 ditolak

Keputusan :
 Tabel dilihat dengan db (derajat bebas) = N-k-1, N=jumlah sampel
(8) dan k=jumlah variabel (2) sehingga db = 18-2-1= 15
 t tabel (db=5 taraf kepercayaan 95 % ( α/2 = 0.05/2=0.025) = 2.132
 t hitung X1 = - 1.052. Oleh karena - t hitung < - t tabel maka ho
diterima atau PER tidak mempengaruhi Harga Saham
 t hitung X2 = 4.871. Oleh karena t hitung > t tabel maka ho ditolak
atau ROI secara signifikan mempengaruhi Harga saham

Berdasarkan Probabilitas
Jika probabilitas > 0.05 maka H0 diterima
Jika probabilitas < 0.05 maka H0 ditolak

Keputusan :
Terlihat bahwa pada kolom sig/significance untuk PER adalah 0.310
atau probabilitas diatas 0.05 maka H0 diterima atau PER tidak
berpengaruh secara signifikan terhadap harga saham.

29
 Uji yang sama, jika diterapkan pada variebel ROI dengan
sig/significance adalah 0.000 atau probabilitas jauh dibawah 0.05 maka
H0 ditolak atau ROI benar-benar berpengaruh secara signifikan terhadap
Harga Saham.

Contoh Kasus 2.
PT Era ingin mengetahui apakah menambah biaya distribusi dapat dijadikan strategi
tambahan untuk meningkatkan omset penjualan. Berikut ini adalah Biaya pengendalian
mutu, jumlah tenaga marketing, biaya distribusi dan omset penjualan dalam 8 tahun
terakhir. Permasalannya apakah strategi PT. Era untuk meningkatkan omset penjualan
dengan meningkatkan QC, tenaga marketing dan biaya distribusi secara bersama-sama
cukup efektif berdasarkan prediksi secara statistik

Tahun Quality Control Jml Tenaga Biaya Distribusi Omzet

(puluhan juta) Marketing Penjualan
(ratusan juta)
1999 5 11 15 24
2000 6 10 16 20
2001 5 13 13 23
2002 5 14 15 25
2003 6 15 18 27
2004 7 15 17 31
2005 8 16 16 34
2006 9 17 19 36

Penyelesaian dengan SPSS :

1. Pemasukan Data ke SPPS
e. Dari menu File, pilih menu View, lalu klik mouse pada Data. Kemudian
klik mouse pada sheet tab Variabel View.
f. Pemberian nama variable yaitu :
 QC, dengan type Numerik, width 8, Decimals 0
 T_marketing, dengan type Numeric, width 8, Decimals 0
 Distribusi dengan type Numeric, width 8, Decimals 0
 Penjualan, dengan type Numeric, width 8, Decimals 0

30
2. Mengisi Data
Klik mouse pada sheet tab Data View, kemudian masukan data.
3. Analisis dengan SPSS
a. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu Regression,
pilih Linear
Pengisian :
 Dependent, adalah variable Penjualan
 Independent(s), adalah variable QC, T_marketing dan Distribusi
 Perhatikan pada kolom Method
Menu ini merupakan menu pilihan metode regreesi yang hendak digunakan,
terdapat beberapa motede yang disajikan dalam SPSS yaitu adalah
1. Metode Enter
Adalah metode analisis biasa dimana semua variabel bebas dimasukkan
sebagai variabel prediktor, tidak memandang pengaruh apakah varaiabel
tersebut berpengaruh besar atau kecil pada variabel bergantung (kriterium)
2. Metode Stepwise
Digunakan untuk analisis regersi secara bertahap dengan tujuan pokok untuk
mencari variabel yang paling dominan.
3. Metode Romove
Digunakan untuk mencari prediktor yang dominan dan bila variabel
prediktor tidak berpengaruh, akan dibuang (di-remove)
4. Metode Backward
Menganalisis variabel dari belakang, artinya semua variabel dianalisis
kemudian dilanjutkan menganalisis pengaruh variabel-variabel bebasnya
lalu variabel yang tidak berpengaruh dibuang.
5. Metode Forward
Menganalisis dari depan, maksudnya semua variabel pertamanya dianggap
tidak berpengaruh semua, kemudian variabel yang berpengaruh dimasukkan.

Dalam kasus ini Method yang digunakan adalah Backward

31
b. Pilih Options

Pengisian :
 Untuk Stepping Method Criteria, digunakan Uji F yang mengambil
standar angka probabilitas sebesar 5 %. Oleh karena itu, angka
Entry .05 atau 5 % dipilih

32
  Pilihan default Include constant in equation atau menyertakan
persamaan regresi, tetap dipilih
 Penanganan Missing Value atau data yang hilang, digunakan default
dari SPSS yaitu Exclude cases listwise
 Klik Countinue untuk meneruskan

g. Pilih kolom Statictic dengan klik mouse pada pilihan tersebut

Pengisian :
 Regression Coefficient atau perlakuan koefisien regresi, tetap aktifkan
pilihan Estimate ( default dari SPSS ). Jika pilihan Estimate tidak
diaktifkan, koefisien regresi tidak ditampilkan pada output SPSS
 Klik mouse pada pilihan Descriptive pada kolom sebelah kanan, serta
tetap aktifkan Model Fit
 Residuals dikosongkan saja.
 Klik Countinue untuk meneruskan

h. Tekan OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS

melakukan pekerjaan dari terihat output SPPS

5. Output SPSS

33
Berikut output bagian pertama dan kedua dari analisis regresi berganda.

Analisis :
 Variabel Entered/Removed. Model 2 : Biaya distribusi dikeluarkan dari
model regresi sehingga diketahui tidak berpengaruh secara signifikan
terhadap penjualan.
 Model Summary
 Baris model 1 : Biaya distribusi belum dikeluarkan, R = 0.968 dan R2
= 0.937. Untuk regresi dengan variabel bebas lebih dari dua,
digunakan adjusted R square = 0.889
 Baris model 2 : Biaya distribusi dikeluarkan, R = 0.9687 dan R 2 =
0.934 menunjukkan 93.4 % variasi penjualan dipengaruhi oleh tenaga
marketing dan QC, sisanya sebesar 6.4 % disebabkan faktor lain.

34
Intrepretasi ANOVA :
 Model 1 : F hitung = 19.687 dengan p = 0.007. Oleh karena p < 0.05 maka
model 1 regresi dapat dipakai untuk memprediksi omset penjualan atau
secara bersama-sama variabel bebas yaitu QC, Tenaga markerting dan Biaya
distribusi berpengaruh terhadap penjualan.
 Model 2 : F hitung = 35.499 dengan p = 0.001. Oleh karena p < 0.05 maka
model 2 regresi dapat dipakai untuk memprediksi omset penjualan atau
secara bersama-sama variabel bebas yaitu QC, Tenaga markerting
berpengaruh terhadap penjualan.
 Kesimpulan ANOVA : Setelah variabel biaya distribusi dikeluarkan,
ternyata F hitung naik dari 19.687 menjadi 35.499. Dengan demikian, model
2 lebih baik daripada model 1

Uji t dan Probabilitas Model 1

Berdasarkan Nilai t hitung
 Tabel dilihat dengan db (derajat bebas) = N-k-1, N=jumlah sampel (8) dan
k=jumlah variabel (3) sehingga db = 8-3-1 = 4

35
  t tabel (db=5 taraf kepercayaan 95 % ( α/2 = 0.05/2=0.025) = 2.776
Jika t hitung < t tabel maka H0 diterima
Jika t hitung > t tabel maka H0 ditolak
 t hitung X1 (QC) = 2.378. Oleh karena t hitung < t tabel maka ho diterima
atau QC tidak secara signifikan mempengaruhi penjualan
 t hitung X2 (Tenaga marketing) = 3.118. Oleh karena t hitung > t tabel
maka ho ditolak atau tenaga marketing secara signifikan mempengaruhi
penjualan
 t hitung X3 (Distribusi) = -0.386 Oleh karena - t hitung < - t tabel maka ho
diterima atau Biaya distribusi tidak secara signifikan mempengaruhi
penjualan

Berdasarkan Nilai Probabilitas

Jika probabilitas > 0.05 maka H0 diterima
Jika probabilitas < 0.05 maka H0 ditolak
 Untuk QC p = 0.075. p > 0.05 maka ho diterima atau QC tidak secara
signifikan mempengaruhi penjualan
 Untuk Tenaga marketing p = 0.036. p < 0.05 maka ho ditolak atau tenaga
marketing secara signifikan mempengaruhi penjualan
 Untuk Biaya Distribusi p = 0.719. p > 0.05 maka ho diterima atau Biaya
distribusi tidak secara signifikan mempengaruhi penjualan

Uji t dan Probabilitas Model 2

Berdasarkan Nilai t hitung
 Tabel dilihat dengan db (derajat bebas) = N-k-1, N=jumlah sampel (8) dan
k=jumlah variabel (2) sehingga db = 8-2-1 = 5
 t tabel (db=5 taraf kepercayaan 95 % ( α/2 = 0.05/2=0.025) = 2.571
Jika t hitung < t tabel maka H0 diterima
Jika t hitung > t tabel maka H0 ditolak
 t hitung X1 (QC) = 2.887. Oleh karena t hitung > t tabel maka ho ditolak
atau QC terbukti secara signifikan mempengaruhi penjualan

36
  t hitung X2 (Tenaga marketing) = 3.400. Oleh karena t hitung > t tabel
maka ho ditolak atau tenaga marketing secara signifikan mempengaruhi
penjualan

Berdasarkan Nilai Probabilitas

Jika probabilitas > 0.05 maka H0 diterima
Jika probabilitas < 0.05 maka H0 ditolak
 Untuk QC p = 0.034. p > 0.05 maka ho ditolak atau QC terbukti secara
signifikan mempengaruhi penjualan
 Untuk Tenaga marketing p = 0.019. p < 0.05 maka ho ditolak atau tenaga
marketing secara signifikan mempengaruhi penjualan

Kesimpulan : Setelah biaya distribusi dikeluarkan, nilai p pada variabel QC dan

Tenaga Marketing semakin kecil, artinya model 2 yang tidak menyertakan Biaya
Distribusi adalah lebih baik daripada Model 1 yang menyertakan biaya distribusi

Intrepretasi Excluded Variables:

Biaya distribusi dikeluarkan dari model regresi sehingga selanjutnya persamaan
regresi yang digunakan adalah persamaan regresi yang didasarkan pada nilai B pada
model 2 dan bukan model 1.
 Persamaan Regresi berdasarkan Model 2 pada Coefficients
 Nilai B Constant = -2.108 menyatakan bahwa jika tidak ada Biaya QC dan
Tenaga marketing maka Penjualan adalah - Rp. 2.108 juta
 Koefisien regresi X1 sebesar 1.788 menyatakan bahwa setiap penambahan
1 rupiah biaya QC akan meningkatkan penjualan Rp. 1.788 .
 Koefisien regresi X2 sebesar 1.312 menyatakan bahwa setiap penambahan
1 Tenaga Marketing akan meningkatkan penjualan sebesar 1.312
 Berdasarkan Nilai B maka dapat dibuat persamaan regresi :
Y = - 2.108 + 1.788 X1 + 1.312 X2
Kesimpulan : Untuk meningkatkan omset maka strategi penambahan biaya
Quality Control damn tenaga marketing oleh PT. Era sangat penting. Akan
tetapi tidak perlu dibarengi dengan startegi peningkatan biaya distribusi

37
Contoh Kasus 3
Buatlah Analisis Regresi Berganda menggunakan data sbb dengan metode Stepwise:
Jumlah Harga Jual Biaya Quality
Tahun Penerimaan Produksi per liter Biaya Iklan Control
2010 340.0 4.2 6.0 16.0 26.0
2009 590.0 7.3 8.1 28.0 48.0
2008 580.0 7.2 7.9 27.0 48.0
2007 420.0 5.2 6.8 20.0 30.0
2006 510.0 6.3 7.2 24.0 41.0
2005 450.0 5.5 7.0 21.0 35.0
2004 550.0 6.7 7.7 26.0 45.0
2003 480.0 5.8 7.0 23.0 38.0
2002 440.0 5.3 6.9 21.0 35.0
2001 470.0 5.6 7.1 22.0 37.0
2000 370.0 4.5 6.5 18.0 27.0
1999 400.0 4.9 6.7 19.0 30.0
1998 540.0 6.7 7.6 25.0 34.0
1997 500.0 6.3 7.0 24.0 39.0
1996 460.0 5.8 6.8 22.0 36.0

Penyelesaian dengan SPSS :

1. Pemasukan Data ke SPPS
a. Dari menu File, pilih menu View, lalu klik mouse pada Data. Kemudian
klik mouse pada sheet tab Variabel View.
b. Pemberian nama variable yaitu :
 Produksi, dengan type Numerik, width 8, Decimals 1
 Harga, dengan type Numeric, width 8, Decimals 1
 Iklan dengan type Numeric, width 8, Decimals 1
 QC dengan type Numeric, width 8, Decimals 1
 Penerimaan, dengan type Numeric, width 8, Decimals 1
2. Mengisi Data
Klik mouse pada sheet tab Data View, kemudian masukan data.
3. Analisis dengan SPSS
a. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu Regression,
pilih Linear
Pengisian :
 Dependent, adalah variable Penerimaan

38
 Independent(s), adalah variable produksi, harga, iklan dan Qc
 Method yang digunakan adalah Stepwise

b. Pilih Options

Pengisian :

39
  Untuk Stepping Method Criteria, digunakan Uji F yang mengambil
standar angka probabilitas sebesar 5 %. Oleh karena itu, angka
Entry .05 atau 5 % dipilih
 Pilihan default Include constant in equation atau menyertakan
persamaan regresi, tetap dipilih
 Penanganan Missing Value atau data yang hilang, digunakan default
dari SPSS yaitu Exclude cases listwise
 Klik Countinue untuk meneruskan

i. Pilih kolom Statictic dengan klik mouse pada pilihan tersebut

Pengisian :
 Regression Coefficient atau perlakuan koefisien regresi, tetap aktifkan
pilihan Estimate ( default dari SPSS ). Jika pilihan Estimate tidak
diaktifkan, koefisien regresi tidak ditampilkan pada output SPSS
 Klik mouse pada pilihan Descriptive pada kolom sebelah kanan, serta
tetap aktifkan Model Fit
 Residuals dikosongkan saja.
 Klik Countinue untuk meneruskan

j. Tekan OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS

melakukan pekerjaan dari terihat output SPPS

40
6. Output SPSS
Berikut output bagian pertama dan kedua dari analisis regresi berganda.

41
Analisis :
 Kolom Variabels Entered/Removed
Dengan metode stepwise dapat dideteksi bahwa variable iklan pertama kali
dimasukkan dalam model, kemudian disusul variable produksi dan terakhir
variable harga. Sampai disini proses berhewnti, artinya ada satu varibel
yaitu variable QC tidak dimasukkan ke dalam model karena variable QC
tidak signifikan pengaruhnya terhadap penerimaan.
 Model Summary
 Baris model 1 : Saat hanya memasukkan satu variable independent,
yaitu iklan, model ini menghasilkan R (Koefisien korelasi) sebesar
0.997 dan R2 sebesar 0.994. Koefisien determinasi sebesar 0.994
artinya variasi besar kecilnya pendapatan perusahaan yang dihasilkan
dapat diterangkan oleh adanya variasi variable bebasnya sebesar 99.4
% dan hanya 0.6 % oleh factor lain.
 Baris model 2 : memasukkan satu variable independent tambahan,
yaitu Produksi, model ini menghasilkan R (Koefisien korelasi) sebesar
0.998 menunjukkan hubungan yang sangat kuat dan R 2 sebesar 0.996.
Koefisien determinasi sebesar 0.996 artinya variasi besar kecilnya
pendapatan perusahaan yang dihasilkan dapat diterangkan oleh adanya
variasi variable bebasnya sebesar 99.6 % dan hanya 0.4 % oleh factor
lain.
 Baris model 3 : memasukkan kembali satu variable independent
tambahan, yaitu harga, model ini menghasilkan R (Koefisien korelasi)
sebesar 0.999 menunjukkan hubungan yang sangat kuat dan R2 sebesar
0.997. Koefisien determinasi sebesar 0.997 artinya variasi besar
kecilnya pendapatan perusahaan yang dihasilkan dapat diterangkan
oleh adanya variasi variable bebasnya sebesar 99.7 % dan hanya 0.3 %
oleh factor lain.
 Setelah dilihat bahwa dengan memasukkan tiga variable dependen,
nilai koefisien korelasi maupun koefisien determinasinya naik terus
sehingga model ketiga merupakan model yang paling cocok. Proses
berhenti pada model ketiga karena variable QC ternyata dianggap

42
 tidak signifikan mempengaruhi pendapatan perushaaan sehingga tidak
dimasukkan dalam persamaan.

Intrepretasi ANOVA :
 Model 1 : F hitung pada saat hanya satu variable independent yaitu iklan
adalah 2.005 E3 dengan p = 0.000. Oleh karena p < 0.05 maka model 1
regresi sederhana (Y= a + bx ) dapat digunakan.
 Model 2 : F hitung pada saat memasukkan variable produksi adalah = 1.407
E3 dengan p = 0.000. Oleh karena p < 0.05 maka model 2 regresi berganda
(Y= a + b1x1 +b2X2 ) dapat digunakan.
 Model 3 : F hitung pada saat kembali memasukkan variable independent
lain yaitu harga adalah = 1.298 E3 dengan p = 0.000. Oleh karena p < 0.05
maka model 3 regresi berganda (Y= a + b 1x1 + b2X2 + b3X3 ) dapat
digunakan.

43
UJI T

Hipotesis :
Ho : β1 = 0 Tidak ada Pengaruh variable independent terhadap variable dependen
H1 : β1 ≠ 0 Ada Pengaruh variable independent terhadap variable dependen

Pengambilan Keputusan
Berdasarkan t hitung :
Jika t hitung < t tabel maka H0 diterima
Jika t hitung > t tabel maka H0 ditolak
Berdasarkan probabilitas :
Jika probabilitas > 0.05 maka H0 diterima
Jika probabilitas < 0.05 maka H0 ditolak

Keputusan :
Model 1
Pada baris pertama saat hanya memasukkan variabel iklan sebagai variabe
bebas :

44
  t hitung untuk iklan sebesar 44.780 dengan probabilitas (sig) 0.000.
Pengambilan keputusan dengan menggunakan t hitung :
Tabel dilihat dengan db (derajat bebas) = N – k - 1, N=jumlah
sampel (15) dan k=jumlah variabel (1) sehingga db = 15-1-1= 13
t tabel (db=5 taraf kepercayaan 95 % ( α/2 = 0.05/2=0.025) = 2.160
Jadi t hitung (44.780) > t tabel (2.160), maka ho ditolak. Berarti ada
pengaruh iklan yang signifikan terhadap penerimaan.
Pengambilan keputusan dengan menggunakan probabilitas :
Probabilitas (0,000) < 0.05 maka H0 ditolak berarti ada pengaruh
iklan yang signifikan terhadap penerimaan
 Persamaan regresi yang dihasilkan adalah : Y = - 13.684 + 21.742 X1

Model 2
Variabel yang dimasukkan adalah variabel iklan dan produksi sebagai variabe
bebas :
 t hitung untuk iklan sebesar 3.792 dengan probabilitas (sig) 0.003 dan t
hitung untuk produksi sebesar 2.491 dengan probabilitas (sig) 0.028
Pengambilan keputusan dengan menggunakan t hitung :
Tabel dilihat dengan db (derajat bebas) = N – k - 1, N=jumlah
sampel (15) dan k=jumlah variabel (2) sehingga db = 15-2-1= 12
t tabel (db=5 taraf kepercayaan 95 % ( α/2 = 0.05/2=0.025) = 2.178
 T hitung untuk iklan (3.792) > t tabel (2.178), maka ho
ditolak. Berarti ada pengaruh iklan yang signifikan terhadap
penerimaan.
 T hitung untuk produksi (2.491) > t tabel (2.178), maka ho
ditolak. Berarti ada pengaruh produksi yang signifikan
terhadap penerimaan.

Pengambilan keputusan dengan menggunakan probabilitas :

 Probabilitas untuk iklan (0,003) < 0.05 maka H 0 ditolak
berarti ada pengaruh iklan yang signifikan terhadap
penerimaan

45
  Probabilitas untuk produksi (0,028) < 0.05 maka H0
ditolak berarti ada pengaruh produksi yang signifikan
terhadap penerimaan
 Persamaan regresi yang dihasilkan adalah : Y = - 3.944 + 13.157 X 1 +
31.366 X2

Model 3
Variabel yang dimasukkan adalah variabel iklan dan produksi dan harga
sebagai variabe bebas sebagai variabe bebas :
 t hitung untuk iklan sebesar 3.054 dengan probabilitas (sig) 0.011, t hitung
untuk produksi sebesar 3.051 dengan probabilitas (sig) 0.011 dan t hitung
untuk harga sebesar 2.361 dengan probabilitas (sig) 0.038
Pengambilan keputusan dengan menggunakan t hitung :
Tabel dilihat dengan db (derajat bebas) = N – k - 1, N=jumlah
sampel (15) dan k=jumlah variabel (2) sehingga db = 15-3-1= 11
t tabel (db=5 taraf kepercayaan 95 % ( α/2 = 0.05/2=0.025) = 2.201
 T hitung untuk iklan (3.054) > t tabel (2.201), maka ho
ditolak. Berarti ada pengaruh iklan yang signifikan terhadap
penerimaan.
 T hitung untuk produksi (3.051) > t tabel (2.201), maka ho
ditolak. Berarti ada pengaruh produksi yang signifikan
terhadap penerimaan.
 T hitung untuk harga (2.361) > t tabel (2.201), maka ho
ditolak. Berarti ada pengaruh harga yang signifikan terhadap
penerimaan.

Pengambilan keputusan dengan menggunakan probabilitas :

 Probabilitas untuk iklan (0,011) < 0.05 maka H 0 ditolak
berarti ada pengaruh iklan yang signifikan terhadap
penerimaan
 Probabilitas untuk produksi (0,011) < 0.05 maka H0
ditolak berarti ada pengaruh produksi yang signifikan
terhadap penerimaan

46
  Probabilitas untuk harga (0,038) < 0.05 maka H 0 ditolak
berarti ada pengaruh harga yang signifikan terhadap
penerimaan
 Persamaan regresi yang dihasilkan adalah : Y = - 68.767 + 9.934 X 1 +
32.725 X2 + 18.221 X3

47
Contoh Kasus 4
Buatlah Analisis Regresi Berganda menggunakan data sbb dengan metode Backward:
Jumlah Harga Jual Biaya Quality
Tahun Penerimaan Produksi per liter Biaya Iklan Control
2010 340.0 4.2 6.0 16.0 26.0
2009 590.0 7.3 8.1 28.0 48.0
2008 580.0 7.2 7.9 27.0 48.0
2007 420.0 5.2 6.8 20.0 30.0
2006 510.0 6.3 7.2 24.0 41.0
2005 450.0 5.5 7.0 21.0 35.0
2004 550.0 6.7 7.7 26.0 45.0
2003 480.0 5.8 7.0 23.0 38.0
2002 440.0 5.3 6.9 21.0 35.0
2001 470.0 5.6 7.1 22.0 37.0
2000 370.0 4.5 6.5 18.0 27.0
1999 400.0 4.9 6.7 19.0 30.0
1998 540.0 6.7 7.6 25.0 34.0
1997 500.0 6.3 7.0 24.0 39.0
1996 460.0 5.8 6.8 22.0 36.0

Penyelesaian dengan SPSS :

1. Pemasukan Data ke SPPS
c. Dari menu File, pilih menu View, lalu klik mouse pada Data. Kemudian
klik mouse pada sheet tab Variabel View.
d. Pemberian nama variable yaitu :
 Produksi, dengan type Numerik, width 8, Decimals 1
 Harga, dengan type Numeric, width 8, Decimals 1
 Iklan dengan type Numeric, width 8, Decimals 1
 QC dengan type Numeric, width 8, Decimals 1
 Penerimaan, dengan type Numeric, width 8, Decimals 1
2. Mengisi Data
Klik mouse pada sheet tab Data View, kemudian masukan data.
3. Analisis dengan SPSS
a. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu Regression,
pilih Linear
Pengisian :
 Dependent, adalah variable Penerimaan

48
 Independent(s), adalah variable produksi, harga, iklan dan Qc
 Method yang digunakan adalah Backward

b. Pilih Options

49
 Pengisian :
 Untuk Stepping Method Criteria, digunakan Uji F yang mengambil
standar angka probabilitas sebesar 5 %. Oleh karena itu, angka
Entry .05 atau 5 % dipilih
 Pilihan default Include constant in equation atau menyertakan
persamaan regresi, tetap dipilih
 Penanganan Missing Value atau data yang hilang, digunakan default
dari SPSS yaitu Exclude cases listwise
 Klik Countinue untuk meneruskan

k. Pilih kolom Statictic dengan klik mouse pada pilihan tersebut

Pengisian :
 Regression Coefficient atau perlakuan koefisien regresi, tetap aktifkan
pilihan Estimate ( default dari SPSS ). Jika pilihan Estimate tidak
diaktifkan, koefisien regresi tidak ditampilkan pada output SPSS
 Klik mouse pada pilihan Descriptive pada kolom sebelah kanan, serta
tetap aktifkan Model Fit
 Residuals dikosongkan saja.
 Klik Countinue untuk meneruskan

50
 l. Tekan OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS
melakukan pekerjaan dari terihat output SPPS

7. Output SPSS
Berikut output bagian pertama dan kedua dari analisis regresi berganda.

Analisis :
 Kolom Variabels Entered/Removed
Dengan metode backward dapat dideteksi bahwa variable Quality Control
ternyata tidak mempunyai pengaruh yang nyata terhadap besarnya
penerimaan pendapatan sehingga biaya QC dikeluarkan dari analisis
 Model Summary

51
  Baris model 1 : Pada model ini variable QC belum dikeluarkan dan
menghasilkan R (Koefisien korelasi) sebesar 0.999 dan R 2 sebesar
0.997. Koefisien determinasi sebesar 0.997 artinya variasi besar
kecilnya pendapatan perusahaan yang dihasilkan dapat diterangkan
oleh adanya variasi variable bebasnya sebesar 99.7 % dan hanya 0.3 %
oleh factor lain.
 Baris model 2 : Pada model ini variable QC sudah dikeluarkan dan
menghasilkan R (Koefisien korelasi) sebesar 0.999 dan R 2 sebesar
0.997. Koefisien determinasi sebesar 0.997 artinya variasi besar
kecilnya pendapatan perusahaan yang dihasilkan dapat diterangkan
oleh adanya variasi variable bebasnya sebesar 99.7 % dan hanya 0.3 %
oleh factor lain.

Intrepretasi ANOVA :
 Model 1 : F hitung pada saat variable QC belum dikeluarkan adalah 905.588
dengan p = 0.000. Dengan membandingkan F hitung dengan F table α 5 %
dengan df=N-k-1=15-4-1=10 didapat F table = 3.48. F hitung > F table
berarti Ho ditolak. Berarti variabel x mempengaruhi variabel Y atau
persamaan regresi dapat digunakan. Dengan membandingkan probabilitas

52
 juga didapat hasil yang sama. Oleh karena p < 0.05 maka persamaan regresi
dapat digunakan.
 Model 2 : F hitung pada saat variable QC dikeluarkan adalah 1.298 E3
dengan p = 0.000. Dengan membandingkan F hitung dengan F table α 5 %
dengan df=N-k-1=15-4-1=10 didapat F table = 3.48. F hitung > F table
berarti Ho ditolak. Berarti variabel x mempengaruhi variabel Y atau
persamaan regresi dapat digunakan. Dengan membandingkan probabilitas
juga didapat hasil yang sama. Oleh karena p < 0.05 maka persamaan regresi
dapat digunakan.

UJI T
Hipotesis :
Ho : β1 = 0 Tidak ada Pengaruh variable independent terhadap variable dependen
H1 : β1 ≠ 0 Ada Pengaruh variable independent terhadap variable dependen

Pengambilan Keputusan
Berdasarkan t hitung :
Jika t hitung < t tabel maka H0 diterima
Jika t hitung > t tabel maka H0 ditolak

53
Berdasarkan probabilitas :
Jika probabilitas > 0.05 maka H0 diterima
Jika probabilitas < 0.05 maka H0 ditolak

Keputusan :
Model 1
Pada baris pertama saat variabel QC belum dikeluarkan:
 t hitung untuk produksi sebesar 2.950, untuk harga sebesar 2.323, untuk
iklan sebesar 2.214 dan QC sebesar 0.483..
Pengambilan keputusan dengan menggunakan t hitung :
Tabel dilihat dengan db (derajat bebas) = N – k - 1, N=jumlah
sampel (15) dan k=jumlah variabel (1) sehingga db = 15-4-1= 10
t tabel (db=5 taraf kepercayaan 95 % ( α/2 = 0.05/2=0.025) = 2.228
 Jadi t hitung produksi (2.950) > t tabel (2.228), maka ho
ditolak. Berarti ada pengaruh produksi yang signifikan
terhadap penerimaan.
 Jadi t hitung harga (2.323) > t tabel (2.228), maka ho ditolak.
Berarti ada pengaruh harga yang signifikan terhadap
penerimaan.
 Jadi t hitung iklan (2.214) > t tabel (2.228), maka ho ditolak.
Berarti ada pengaruh iklan yang signifikan terhadap
penerimaan.
 Jadi t hitung QC (0.483) > t tabel (2.228), maka ho ditolak.
Berarti ada pengaruh QC yang signifikan terhadap
penerimaan.

Pengambilan keputusan dengan menggunakan probabilitas :

 Probabilitas untuk produksi (0,015) < 0.05 maka H0 ditolak
berarti ada pengaruh produksi yang signifikan terhadap
penerimaan
 Probabilitas untuk harga (0,043) < 0.05 maka H 0 ditolak
berarti ada pengaruh harga yang signifikan terhadap
penerimaan

54
  Probabilitas untuk iklan (0,051) > 0.05 maka H0 diterima
berarti tidak ada pengaruh iklan yang signifikan terhadap
penerimaan
 Probabilitas untuk QC (0,640) > 0.05 maka H0 diterima
berarti tidak ada pengaruh QC yang signifikan terhadap
penerimaan

Model 2
Pada saat variabel QC dikeluarkan:
bebas :
 t hitung untuk produksi sebesar 3.051, untuk harga sebesar 2.361, untuk
iklan sebesar 3.054.
Pengambilan keputusan dengan menggunakan t hitung :
Tabel dilihat dengan db (derajat bebas) = N – k - 1, N=jumlah
sampel (15) dan k=jumlah variabel (1) sehingga db = 15-3-1= 11
t tabel (db=5 taraf kepercayaan 95 % ( α/2 = 0.05/2=0.025) = 2.201
 Jadi t hitung produksi (3.051) > t tabel (2.201), maka ho
ditolak. Berarti ada pengaruh produksi yang signifikan
terhadap penerimaan.
 Jadi t hitung harga (2.361) > t tabel (2.201), maka ho ditolak.
Berarti ada pengaruh harga yang signifikan terhadap
penerimaan.
 Jadi t hitung iklan (3.054) > t tabel (2.201), maka ho ditolak.
Berarti ada pengaruh iklan yang signifikan terhadap
penerimaan.

Pengambilan keputusan dengan menggunakan probabilitas :

 Probabilitas untuk produksi (0,01) < 0.05 maka H 0 ditolak
berarti ada pengaruh produksi yang signifikan terhadap
penerimaan

55
 Probabilitas untuk harga (0,038) < 0.05 maka H 0 ditolak
berarti ada pengaruh harga yang signifikan terhadap
penerimaan
 Probabilitas untuk iklan (0,011) < 0.05 maka H 0 ditolak
berarti ada pengaruh iklan yang signifikan terhadap
penerimaan

56
 BAB 5
UJI VALIDAITAS DAN RELIABILITAS

5.1 Pemahaman Dasar Pengujian Validitas dan Reabilitas

Uji validitas atau kesahihan digunakan untuk mengethui seberapa teat suatu alat
ukur mampu melakukan fungsi. Alat ukur yang dapat digunakan dalam pengujian validitas
suatu kuesioner adalah angka hasil korelasi antara skor pernyataan dan skor keseluruhan
pernyataan responden terhadap informasi dalam kusioner.
Setelah pengujian validitas, selanjtnya dilakukan pengujian reliabilitas. Tujuan
utama pengujian reliabilitas adalah untuk mengethui konsistensi atau keteraturan hasil
pengukuran suatu instrumen apabila instrumen tersebut digunakan lagi sebagai alat ukur
suatu objek atau responden. Hasil uji realibilitas mencerminkan dapat dipercaya dan
tidaknya suatu instruken penelitian berdasarkan tingkat kemantapan dan ketepatan suatu
alat ukur dalam pengertian bahwa hasil pengukuran yang didapatkan merupakan ukuran
yang benar dari sesuatu yang diukur.

Contoh Kasus :
Soal : Apakah kelima belas butir soal semuanya valid ? Jika tidak, butir-butir manakah
yang tidak valid ?
Res X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15
1 5 4 4 4 4 4 4 4 4 5 5 4 5 4 4
2 5 4 4 4 4 4 4 3 4 5 5 3 4 5 4
3 5 5 4 4 4 4 4 5 4 5 5 4 4 4 4
4 5 5 4 5 4 4 4 5 3 5 5 3 4 5 4
5 5 4 3 4 4 4 4 4 3 4 5 3 5 5 4
6 5 5 3 5 4 4 5 5 4 5 5 4 4 5 3
7 5 4 4 4 4 4 4 4 4 5 5 4 4 4 4
8 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
9 5 5 4 5 5 4 4 5 4 5 5 4 4 5 4
10 5 5 3 5 4 4 5 5 4 5 5 4 5 5 4
11 5 4 4 4 3 4 4 5 4 4 5 4 3 5 5
12 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4
13 5 4 3 4 4 4 4 4 3 4 4 3 3 4 3
14 5 5 5 5 4 5 5 5 5 5 5 5 5 4 4
15 5 5 4 4 4 4 4 4 4 5 5 4 4 5 4
16 5 5 4 4 4 4 4 4 4 5 5 5 4 4 4
17 5 5 4 4 4 4 4 5 4 5 5 5 4 4 3
18 5 5 4 5 5 4 5 5 5 5 4 4 5 5 5
19 4 5 5 4 4 4 5 5 5 4 4 5 5 4 3

57
20 5 5 5 5 4 4 5 4 4 5 4 5 5 4 4
21 5 4 4 4 4 4 4 4 4 5 5 4 4 4 4
22 4 4 4 4 4 4 4 4 3 4 4 4 1 4 4
23 4 5 4 4 4 4 4 5 2 4 4 4 4 4 4
24 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4
25 4 4 4 4 4 5 4 4 4 4 4 3 4 4 4
26 4 4 4 4 4 4 4 4 4 4 5 4 4 4 4
27 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
28 4 4 2 4 4 4 4 4 3 4 5 3 4 5 4
29 5 4 3 4 4 3 4 4 4 5 5 4 3 4 3
30 4 4 4 4 4 4 4 4 4 4 5 4 4 4 4

Penyelesaian dengan SPSS :

1. Pemasukan Data ke SPPS
 Dari menu File, pilih menu View, lalu klik mouse
pada Data. Kemudian klik mouse pada sheet tab Variabel View.
 Pemberian nama variable yaitu :
 Untuk X1, dengan type Numerik, width 8, Decimals 0
 Demikian seterusnya dilakukan langkah yang sama untuk X2 – X15
2. Mengisi Data
3. Analisis dengan SPSS
 Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu
Scale, pilih Reliability Analysis

58
 Tekan CTRL pada keyboard. Dengan tetap menekan CTRL klik

bergantian X1-X15. Klik kiri tanda untuk memasukkan seluruhnya ke kotak

dibawah Items

 Klik Statistics hingga tampak pada layar dan berikan tanda V dengan
mengklik kotak didepan pilihan Scale dan Scale if Item deleted

59
 Klik Continue, lalu klik OK sehingga muncul output hasil pengujian
Validitas dan Reabilitas.

60
Interpretasi Validitas & Reliabilias :
 Pada bagian Case Processing Summary terlihat bahwa responden yang
diteliti pada uji coba kuesioner berjumlah 30 orang ( N=30)
 Pada bagian Realibility Statistic terlihat bahwa nilai Alpha Croncach
adalah 0.799 dengan jumlah pertanyaan 15 butir atau item. Nilai r tabel untuk uji
dua sisi pada taraf kepercayaan 95 % atau signifikan 5 % (p=0.05) dapat dicari
berdasarkan jumlah responden atau N. Oleh karena N = 30, maka derajat bebasnya :
N-2 = 30–2 = 28. Nilai r tabel satu sisi pada df=28 dan p=0.05 adalah 0.2407. Oleh
karena nilai Alpha Cronbach = 0.799 ternyata lebih besar dari r tabel = 0.2407
maka kuesioner yang diuji terbukti reliabel.
 Pada bagian Item Total Statictic. Nilai r table untuk uji dua sisi pada
taraf kepercayaan 95 % atau signifikan 5 % (p=0.05) dapat dicari berdasarkan
jumlah responden atau N. Oleh karena N = 30, maka derajat bebasnya : N-2 = 30–2
= 28. Nilai r tabel satu sisi pada df=28 dan p=0.05 adalah 0.2407. Pada bagian
Correted Item Total Correlation, ternyata butir 6, 11, 14 dan 15 memiliki nilai r <
r table. Kesimpulan, oleh karena butir 6, 11, 14 dan 15 memiliki nilai r < r table dan
butir 1,2,3,4,5,7,8,9,10,12,13 memiliki nilai r > r tabel maka dapar diputuskan
bahwa hanya butir 1,2,3,4,5,7,8,9,10,12,13 yang dpaat dinyatakan valid

61
Latihan
Buatlah Uji Validitas & Realibilitas untuk kuesioner dibawah ini :
No Skor Pertanyaan dari Harapan setiap Butir
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 4 4 4 5 5 5 5 5 5 4 5 5 5 5 4 5 5
2 4 5 4 5 4 5 5 5 5 4 5 5 4 5 4 4 4
3 5 4 3 3 5 1 1 2 5 1 4 3 4 5 3 3 3
4 5 4 5 5 5 5 4 4 5 4 5 4 4 5 5 4 5
5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
6 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5
7 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
8 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
9 4 4 4 4 4 5 5 4 4 3 4 4 4 5 5 5 5
10 4 4 5 5 5 4 4 5 5 5 5 4 5 4 4 4 4
11 5 4 5 4 5 5 5 5 5 4 5 4 5 5 5 4 5
12 4 4 4 4 4 4 3 4 5 4 4 4 4 5 5 4 4
13 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4
14 4 4 4 4 4 5 5 4 4 3 4 4 4 5 5 5 5
15 4 4 4 4 4 4 4 4 4 3 4 4 4 5 4 4 4
16 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
17 5 5 4 4 4 4 5 4 5 4 4 4 4 5 4 4 4
18 4 4 4 4 4 4 4 4 5 4 4 4 4 5 4 4 4
19 5 5 5 5 5 5 5 4 5 4 4 4 5 5 4 4 4
20 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
21 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
22 4 3 4 5 5 3 4 4 4 5 5 4 5 4 3 4 5
23 5 5 5 4 4 4 5 4 4 4 4 5 4 4 4 4 4
24 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
25 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4
26 4 4 5 4 4 4 3 4 4 5 4 5 4 5 4 5 4
27 5 5 4 5 5 5 5 4 4 4 4 5 5 5 4 4 4
28 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4
29 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4
30 4 5 4 5 4 4 4 5 4 4 5 5 4 5 4 5 5

62
63