DOSEN PENGAMPU :
ALWAN FADLUROHMAN, M.Stat
DISUSUN OLEH :
NANDINI LOVA DIANI (B2A022025)
- Standarisasi data
Cara ini digunakan untuk menyamakan data pada rentang nilai yang relatif
satu frekuensi atau pada kumpulan data yang berdistribusi tidak normal
DATA PENELITIAN
Data berikut adalah data asli dari penelitian karya skripsi oleh Prayudhi Sulistya
Nugraha program studi Akuntasi, Universitas Negeri Yogyakarta tahun 2018.
Studi kasus pada mahasiswa akuntansi UNY.
Penelitian ini bertujuan untuk mengetahui:
1)Pengaruh Ekspektasi Pendapatan terhadap Minat Berwirausaha mahasiswa akuntansi
Universitas Negeri Yogyakarta.
2) Pengaruh Karateristik Individu terhadap Minat Berwirausaha mahasiswa akuntansi
Universitas Negeri Yogyakarta.
3) Pengaruh Pendidikan Kewirausahaan terhadap Minat Berwirausaha mahasiswa akuntansi
Universitas Negeri Yogyakarta.
4) Pengaruh Ekspektasi Pendapatan, Karakteristik Individu dan Pendidikan Kewirausahaan
terhadap Minat Berwirausaha mahasiswa akuntansi Universitas Negeri Yogyakarta.
Metode Pengumpulan data yang digunakan dalam penelitian ini adalah survey menggunakan
kuesioner.
TABLE
NO Y X1 X2 X3
1 23 24 16 34
2 22 24 16 30
3 24 24 16 27
4 32 25 17 37
5 27 24 16 31
6 24 22 14 31
7 23 21 15 29
8 23 22 16 32
9 24 24 18 33
10 30 13 18 33
11 21 27 17 30
12 24 16 17 37
13 23 26 17 31
14 24 22 18 30
15 22 22 15 32
16 24 21 16 33
17 31 23 21 40
18 24 22 15 34
19 24 20 18 29
20 31 22 19 40
21 25 24 16 30
22 27 24 16 33
23 25 23 19 28
24 30 15 15 28
25 26 28 15 30
26 24 17 20 31
27 25 21 18 31
28 22 19 14 31
29 29 23 19 29
30 24 22 18 29
31 23 17 17 32
Sumber : https://bitly.ws/XZxT
X1 : Ekspektasi Pendapatan
X2 : Karakteristik Individu
X3 : Pendidikan Kewirausahaan
STUDY KASUS
Penelitian ini bertujuan untuk mengetahui apakah data berdistribusi normal pada data
analisis pengaruh ekspetasi pendapatan, karakteristik individu dan pendidikan kewirausahaan
terhadap minat berwirausaha.
LANGKAH-LANGKAH PENGUJIAN
Deskripsi Variabel
Buka aplikasi SPSS kemudian copy data ke dalam SPSS, selanjutnya pilih Variable
Name.
Entry bagian Name (‘Y’ untuk minat, ‘X1’ untuk ekspektasi , ‘X2’ untuk karakteristik
Kemudian klik button save maka akan muncul kotak dialog seperti berikut :
Ceklis (unstandardized)
Klik Plots dan ceklist pada normality plot with test dan histogram. Lalu klik continue -> ok.
Maka akan muncul output sebagai berikut :
a. Deskriptif
1. Rasio skewnes = skewnes/standar error skewnes= 0,840/0,421= 1,995. Jika rasio skewnes
berada pada rentang -2 sampai 2, data dapat dikatakan normal. Berdasarkan output SPSS,
didapatkan rasio skewnes sebesar 1,995 sehingga dapat disimpulkan bahwa data tersebut
berdistirbusi normal.
b. Histogram
Normal Q – Q Plot
Scatter plot hasil output SPSS menunjukkan scatter plot yang linear positif dan ada outlier.
d. Penguji Statistika
Berdasarkan pengujian statistik
Hipotesis :
Didapatkan nilai Sig. 0.057 > 0.05, maka 𝐻0 diterima. Dapat disimpulkan bahwa data
tersebut berdistribusi normal.
OUTPUT
> Y=c(23, 22, 24, 32, 27, 24, 23, 23, 24, 30, 21, 24, 23, 24, 22, 24, 31, 24, 24, 31, 25, 27, 25,
30, 26, 24, 25, 22, 29, 24, 23)
> X1=c(24, 24, 24, 25, 24, 22, 21, 22, 24, 13, 27, 16, 26, 22, 22, 21, 23, 22, 20, 22, 24, 24,
23, 15, 28, 17, 21, 19, 23, 22, 17)
> X2=c(16, 16, 16, 17, 16, 14, 15, 16, 18, 18, 17, 17, 17, 18, 15, 16, 21, 15, 18, 19, 16, 16,
19, 15, 15, 20, 18, 14, 19, 18, 17)
> X3=c(34, 30, 27, 37, 31,31, 29, 32, 33, 33, 30, 37, 31, 30, 32, 33, 40, 34, 29, 40, 30, 33, 28,
28, 30, 31, 31, 31, 29, 29, 32)
> summary(Y)
Min. 1st Qu. Median Mean 3rd Qu. Max.
> summary(X1)
> summary(X2)
> summary(X3)
> Model<-lm(Y~X1+X2+X3)
> summary(Model)
Call:
lm(formula = Y ~ X1 + X2 + X3)
Residuals:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> Model$coefficients
(Intercept) X1 X2 X3
> shapiro.test(Model$residuals)
data: Model$residuals
> jarque.bera.test(Model$residuals)
data: Model$residuals
> library(nortest)
> ad.test(Model$residuals)
data: Model$residuals
> library(dgof)
data: Model$residuals
> library(car)
> vif(Model)
X1 X2 X3
KESIMPULAN
Berdasarkan hasil output R Studio, dengan uji Shapiro-Wilk didapatkan nilai p-value
sebesar 0.05741 > 0.05. Hasil dari uji Jarque Bera, didapatkan p-value 0.1914 > 0.05.
Sedangkan untuk uji Kolmogrov-Smirnov, didapatkan p-value 0.004821 < 0.05.
Jika menggunakan uji shapiro- wilk dan uji jarque bera berdistribusi normal, sedangkan
untuk kolmogrov-smirnov didapatkan hasil < 0,05.