PENGARUH EKSPETASI PENDAPATAN, KARAKTERISTIK INDIVIDU DAN

PENDIDIKAN KEWIRAUSAHAAN TERHADAP MINAT BERWIRAUSAHA

DOSEN PENGAMPU :
ALWAN FADLUROHMAN, M.Stat

DISUSUN OLEH :
NANDINI LOVA DIANI (B2A022025)

PROGRAM STUDI S1 STATISTIKA

FAKULTAS SAINS DAN TEKNOLOGI PERTANIAN
UNIVERSITAS MUHAMMADIYAH SEMARANG
2023/2024
 UJI NORMALITAS
suatu pengujian yang bertujuan untuk menilai apakah hasil residual berdistribusi
normal atau tidak. Apabila suatu data memiliki hasil residual berdistribusi normal, data dapat
dikatakan baik. Pengujian normalitas dapat dihitung dengan cara deskriptif dan juga uji
statistik. Bila perhitungan secara deskriptif, yang dapat dihitung adalah koefisien varians,
rasio skewness, rasio kurtosis, melihat histogram, melihat normal Q-Q plot, atau melihat box
plot. Jika menggunakan uji statistika yaitu dengan uji Jarque Berra, uji Liliefors, uji
Kolmogrov Smirnov, uji Shapiro Wilk, atau uji Chi-Square. Jika suatu model regresi tidak
berdistribusi normal, kita bisa melakukan beberapa cara, yaitu :

- Menghilangkan outlier/pencilanOutlier yang memiliki nilai ekstrim baik ekstrim tinggi

maupun rendah dapat membuat data condong ke kiri atau ke kanan.

- Standarisasi data

Cara ini digunakan untuk menyamakan data pada rentang nilai yang relatif

satu frekuensi atau pada kumpulan data yang berdistribusi tidak normal

dan memiliki outlier.

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

KETERANGAN : Y : Minat Berwirausaha

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

dan ‘X3’ untuk pendidikan).

Klik Analyze → Regretion → Linear

Maka akan muncul kotak dialog seperti gambar berikut :

Masukan Variabel Y (minat) ke dalam kotak Dependent, kemudian masukan X1,X2 dan X3
ke dalam kotak Block 1 of 1.

Kemudian klik button save maka akan muncul kotak dialog seperti berikut :

Ceklis (unstandardized)

Maka akan muncul variable RES_1

Klik Analyze → Descriptive Statistic → Explore

Masukkan Unstandarized Reciduals kedalam Dependent List

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.

2. Rasio kurtosis = kurtosis/standar error kurtosis= 0,110/0,821 = 0,133..Jika rasio kurtosis

berada pada rentang -2 hingga 2, data dapat dikatakan normal. Berdasarkan output SPSS,
didapatkan rasio kurtosis sebesar 0,133 sehingga dapat disimpulkan bahwa data tersebut
berdistribusi 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 :

𝐻0= data berdistribusi normal

𝐻1= data tidak berdistribusi normal

Kriteria= tolak 𝐻0 jika p-value<𝛼

Karena jumlah data kecil (n=31), maka menggunakan uji Shapiro-Wilk.

Didapatkan nilai Sig. 0.057 > 0.05, maka 𝐻0 diterima. Dapat disimpulkan bahwa data
tersebut berdistribusi normal.

PENGUJIAN DENGAN R.STUDIO

OUTPUT

> #Contoh Uji Normalitas dan Uji Multikolinearitas

> #Masukkan data

> 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.

21.00 23.00 24.00 25.16 26.50 32.00

> summary(X1)

Min. 1st Qu. Median Mean 3rd Qu. Max.

13.00 21.00 22.00 21.84 24.00 28.00

> summary(X2)

Min. 1st Qu. Median Mean 3rd Qu. Max.

14.00 16.00 17.00 16.84 18.00 21.00

> summary(X3)

Min. 1st Qu. Median Mean 3rd Qu. Max.

27.00 30.00 31.00 31.77 33.00 40.00

> #Model Regresi

> Model<-lm(Y~X1+X2+X3)

> summary(Model)

Call:

lm(formula = Y ~ X1 + X2 + X3)

Residuals:

Min 1Q Median 3Q Max

-3.500 -1.894 -0.745 1.561 6.459

Coefficients:
 Estimate Std. Error t value Pr(>|t|)

(Intercept) 8.01774 7.01884 1.142 0.2634

X1 -0.07991 0.14350 -0.557 0.5822

X2 0.47341 0.29818 1.588 0.1240

X3 0.34358 0.15927 2.157 0.0401 *

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.666 on 27 degrees of freedom

Multiple R-squared: 0.2846, Adjusted R-squared: 0.2051

F-statistic: 3.58 on 3 and 27 DF, p-value: 0.02673

> ##Asumsi Klasik

> Model$coefficients

(Intercept) X1 X2 X3

8.01774489 -0.07991334 0.47341428 0.34358273

> #Uji Normalitas

> shapiro.test(Model$residuals)

Shapiro-Wilk normality test

data: Model$residuals

W = 0.93428, p-value = 0.05741

> library(tseries)

> jarque.bera.test(Model$residuals)

Jarque Bera Test

data: Model$residuals

X-squared = 3.3069, df = 2, p-value = 0.1914

> library(nortest)

> ad.test(Model$residuals)

Anderson-Darling normality test

data: Model$residuals

A = 0.67395, p-value = 0.07086

> library(dgof)

> ks.test(Model$residuals, pnorm)

One-sample Kolmogorov-Smirnov test

data: Model$residuals

D = 0.30424, p-value = 0.004821

alternative hypothesis: two-sided

> #Uji Multikolinearitas

> library(car)

> vif(Model)

X1 X2 X3

1.008933 1.103364 1.097395

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.