PELATIHAN PENGOLAHAN DATA

TIME SERIES DENGAN SPSS

Oleh :
FEBRYANDHIE ANANDA, S.E, M.Si
 Contoh Kasus
• Seorang peneliti ingin menganalisis pengaruh
Harga Saham (HS) dan Nilai Aktual Kapital (NAK)
terhadap Nilai Investasi (INV) di Semen Padang.

• Jadi disini, peneliti hanya meneliti di satu tempat,

dari beberapa tahun mulai dari tahun 2000 - 2015.

• Data tersedia pada sheet 1 di Excel

 Rumusan Masalah
1. Sejauhmana pengaruh harga saham terhadap
nilai investasi di Semen Padang?
2. Sejauhmana pengaruh nilai aktual kapital
terhadap nilai investasi di Semen Padang?
3. Sejauhmana pengaruh harga saham dan nilai
aktual kapital secara bersama-sama terhadap
nilai investasi di Semen Padang?
 Hipotesis
• Hipotesis 1 :
H0 : tidak terdapat pengaruh yang signifikan antara harga
saham terhadap nilai investasi di Semen Padang.
Ha : terdapat pengaruh yang signifikan antara harga
saham terhadap nilai investasi di Semen Padang.

• Hipotesis 2 :
H0 : tidak terdapat pengaruh yang signifikan antara nilai
aktual kapital terhadap nilai investasi di Semen
Padang.
Ha : terdapat pengaruh yang signifikan antara nilai aktual
kapital terhadap nilai investasi di Semen Padang.
• Hipotesis 3 :
H0 : tidak terdapat pengaruh yang signifikan
antara harga saham dan nilai aktual
kapital secara bersama-sama terhadap
nilai investasi di Semen Padang.
Ha : terdapat pengaruh yang signifikan antara
harga saham dan nilai aktual kapital
secara bersama-sama terhadap nilai
investasi di Semen Padang.
 Kriteria Pengujian
• Hipotesis 1 dan 2 :
H0 : diterima jika t hit < t tabel atau –t hit > -t
tabel (Sig > 0,05)
Ha : diterima jika t hit ≥ t tabel atau –t hit < -t
tabel (Sig < 0,05)
• Hipotesis 3 :
H0 : diterima jika F hit < F tabel atau – F hit >
-F tabel (Sig > 0,05)
Ha : diterima jika F hit ≥ F tabel atau – F hit < -
F tabel (Sig < 0,05)
 Langkah-Langkah SPSS
• Klik program SPSS
Klik variabel view (untuk memasukkan variabel)
Isikan Nama Variabel
Klik data view (untuk memasukkan data)
Ketikkan data atau paste data dari excel
Regresi Berganda
• Untuk melakukan regresi :
• Klik Analize, Regression, Linear
• Masukkan variabel Y ke kotak Dependent
• Masukkan variabel X1 dan X2 ke kotak independent
• Klik OK
• Hasil Regresi di atas belum bisa
diinterprestasikan dan dimaknai karena belum
dilakukan uji asumsi klasik.

• Model regresi baru bisa diinterprestasikan dan

dimaknai jika sudah lulus uji asumsi klasik.
Uji Asumsi Klasik
 Uji Normalitas
• Uji normalitas dimaksudkan untuk menguji apakah nilai
residual yang telah distandarisasi pada model regresi
berdistribusi normal atau tidak.

• Nilai residual dikatakan berdistribusi normal jika nilai

residual terstandardisasi tersebut sebagian besar
mendekati nilai rata-ratanya.

• Tidak terpenuhinya normalitas umumnya dikarenakan

adanya nilai ekstrem pada data yang diambil.
 Metode Kolmogrov-Smirnov, Shapiro Wilk
dan Liliefors
• Klik Analyze, Regression, Linear
• Masukkan variabel Y ke kotak Dependent
• Masukkan variabel X1 dan X2 ke kotak
Independent
• Klik Save, Standardized
• Klik Ok
• Kembali ke data editor. Sekarang kita memiliki
variabel baru Standardized Residual yaitu ZRES_1
• Analize, Descriptive Statistics, Explore
• Masukkan Standardized Residual (ZRE_1) ke
kotak independen
• Klik Plots, Cek list Normality plot with test dan
Histogram serta Stem and Leaf
• Hasilnya akan terlihat nilai sig. Dari
Kolmogorov Smirnov dan Shapiro Wilk
haruslah lebih besar dari 0,05
Mengatasi Pelanggaran Normalitas
1. Menambah jumlah data
2. Melakukan transformasi data menjadi Log
3. Menghilangkan data ekstrem / outlier
4. Melakukan alat analisis lain
 Multikolinearitas
• Uji ini digunakan untuk melihat ada atau tidak
hubungan (korelasi) antara sesama variabel bebas.
• Jika terdapat hubungan antara sesama variabel
bebas, maka koefisien regresi cendrung tidak
signifikan walaupun R2nya tinggi. Bahkan tandanya
pun mungkin salah.

• Uji ini hanya dilakukan jika variabel bebas dalam

suatu penelitian lebih dari 1.
Cara 1 : Uji VIF (Variance Inflation Factor)
• Klik Analyze, Regression, Linear
• Masukkan variabel Y ke Kotak Dependent
• Masukkan variabel X1 dan X2 ke Kotak
Independent
• Klik statistic

• Klik Colinearity Diagnostic, continue,

OK
• Dari tabel di atas terlihat bahwa nilai VIF untuk
variabel HS (1.248) < 10 serta nilai VIF untuk
variabel NAK (1.248) juga < 10. Oleh karena
nilai VIF kedua variabel tersebut < 10 maka
dapat dikatakan bahwa model ini tidak terjadi
masalah multikolinearitas.
Cara Mengatasi Masalah Multikolinearitas

1. Memperbesar ukuran sampel

2. Menghilangkan salah satu atau lebih variabel
bebas
3. Menggabungkan data time series dan cross
section (data panel)
4. Melakukan transformasi data
 Heteroskedastisitas
• Heteroskedastisitas berarti adanya varian pada
model regresi yang tidak sama (konstan). Jika
varian tersebut sama maka disebut dengan
homoskedastisitas.
• Atau uji ini untuk melihat ada atau tidak pengaruh
antara variabel bebas dengan residual (error).
• Y = X1 + X2 + e
• Masalah ini sering terjadi pada data cross section.
 Uji Glejser
• Uji ini dilakukan dengan meregresikan semua
variabel bebas terhadap nilai mutlak
residualnya.
• Oleh karena itu, persamaan yang digunakan
adalah :
μ  α  β X i  υi
dimana :
μ  nilai residual mutlak
X i  variabelbebas
• Klik Analyze, Regression, Linear
• Masukkan Yke Kotak Dependent
• Masukkan X1 dan X2 ke Kotak Independent
• Klik Save, Klik Unstandardized, Continue, Ok
• Kembali ke Data Editor
• Klik Transform lalu compute variable
• Isi target variabel dengan abresid
• Isi numeric Expression dengan abs(RES_1)
• Klik OK
• Akan muncul abresid pada Data Editor
• Selanjutnya
• Klik Analyze, Regression, Linear
• Masukkan abresid ke Kotak Dependent
• Masukkan X1 dan X2 ke Kotak Independent
• Klik Ok
• Berdasarkan output diatas dapat diketahui
bahwa nilai Sig HS (0,872) > 0,05, dan Sig NAK
(0,021) < 0,05. Oleh karena nilai Sig pada
model ini ada yang kecil dari satu maka dapat
disimpulkan bahwa model ini mengandung
masalah heteroskedastisitas.
Mengatasi Masalah Heteroskedastisitas

1. Melakukan transformasi model menjadi regresi

logaritma atau logaritma natural
2. Tambah data
3. Gabungankan data time series dan cross section
4. Hilangkan variable bebas yang bermasalah
• Y = X1 + X2 + e
logY = logX1 + logX2 + e
lnY = lnX1 + lnX2 + e
 Autokorelasi
• Uji ini bertujuan untuk mengetahui ada atau tidak
korelasi antara anggota serangkaian data observasi
yang diuraikan menurut waktu (time series)

• Jadi, uji ini hanya digunakan untuk data berbentuk time

series.

• Tapi untuk kegiatan pelatihan ini, uji ini tetap dilakukan

walaupun sebenarnya untuk contoh ini tidak perlu
dilakukan.
 Uji Durbin Watson
• Klik Analyze, Regression, Linear
• Masukkan Y ke Kotak Dependent
• Masukkan X1 dan X2 ke Kotak Independent
• Klik Statistics
• Klik Durbin-Watson
• Klik OK
• Dari tabel di atas terlihat bahwa nilai DW model regresi sebesar 2.162.
• Apabila dilihat tabel DW dengan n = 16, K = 2, maka dL = 0,9820, dU =
1,5361, 4-dU = 2,4639, 4-dL = 3,018.
• Oleh karena nilai DW berada pada daerah dU dan 4-dU, maka model ini
dapat dikatakan tidak terjadi masalah autokorelasi
• Dari keempat uji asumsi klasik ternyata model
yang diestimasi tidak memenuhi persyaratan
terbebas dari normalitas oleh karena itu
diperlukan “penyembuhan” terhadap model
regresi linier yang akan digunakan.

• Guna memenuhi asumsi adanya normalitas

salah satu cara yang dapat digunakan adalah
melakukan transformasi model dari model
linier menjadi log-linier.
Lakukan Penyembuhan
• Model regresi yang dijelaskan awal (tanpa log
didepan variabel) biasa juga disebut dengan
model linier, sedangkan persamaan di atas
disebut dengan model log-linier.
• Karena model yang akan diestimasi berubah
maka kita mengulang langkah Estimasi model
Regresi dan Pengujian Asumsi Klasik.
• Cara meng-estimasinya model secara umum
sama dengan yang telah dijelaskan di atas,
hanya saja pada kali ini variabel harus dirubah
dulu dalam bentuk log seperti berikut :
Ketik transfrom, compute variabel, seperti
langkah berikut ini :
Ketik nama variabel logy di dalam kolom
target variable, dan ketikkan ln(y) pada
kolom numeric expression
Lakukan langkah yang sama, Ketik nama variabel
logx1 di dalam kolom target variable, dan
ketikkan ln(x1) pada kolom numeric expression
Lakukan langkah yang sama, Ketik nama variabel
logx2 di dalam kolom target variable, dan
ketikkan ln(x2) pada kolom numeric expression
Dengan demikian akan muncul variabel baru
pada tampilan dataview, seperti berikut :
 Kemudian lakukan langkah yang sama untuk
mengestimasi dan melakukan uji asumsi klasik seperti
yang sudah dijelaskan di atas
 Uji Normalitas : Kolmogrov-Smirnov

Dari tabel di atas terlihat bahwa Nilai Sig. sebesar 0,986 > 0,05
sehingga dapat disimpulkan bahwa residual sudah terdistribusi
normal yang artinya asumsi klasik tentang kenormalan telah
terpenuhi.
 Uji Multikolinearitas : Metode VIF

• Dari tabel di atas terlihat bahwa nilai VIF untuk

variabel log X1 (2.081) < 10 serta nilai VIF untuk
variabel log X2 (2.081) juga < 10. Oleh karena
nilai VIF kedua variabel tersebut < 10 maka dapat
dikatakan bahwa model ini tidak terjadi masalah
multikolinearitas.
Uji Heteroskedastisitas : Metode Glejser
 Uji Autokorelasi : Metode Durbin-Watson

Dari tabel di atas terlihat bahwa nilai DW model regresi sebesar 1.671.
Apabila dilihat tabel DW dengan n = 16, K = 2, maka dL = 0,9820, dU = 1,5361,
4-dU = 2,4639, 4-dL = 3,018. Oleh karena nilai DW berada pada daerah dU
dan 4-dU, maka model ini dapat dikatakan tidak terjadi masalah autokorelasi
 Jadi Model yang akan dimaknai adalah model yang
sudah bebas dari uji asumsi klasik. Dalam hal ini adalah
model dalam bentuk Log
 Interprestasi Model
• Koefisien Determinasi (Adjusted R Square) = 0.881
Artinya sumbangan variabel HS dan NAK terhadap
variabel terikat (INV) sebesar 88,1 %. Sedangkan sisanya
sebesar 11,9 % disumbangkan oleh variabel lain yang
tidak dimasukkan dalam model.

• Nilai F hit = 48.299 atau Prob = 0,00

Karena nilai Prob F = 0,00 < 0,05, maka dapat diartikan
bahwa variabel HS dan NAK secara bersama-sama
dapat menjelaskan nilai variabel terikat.
• Persamaan Regresi yang terbentuk :

• Log Y = 4.786 + 0.388 Log X1 – 0.857 Log X2

(0,000) (0,011) (0,001)

Artinya :
 Apabila nilai X1 (HS) dan X2 (NAK) nol (tidak ada), maka nilai Y
sebesar 4.786 satu-satuan.

 Koefisien estimasi HS terhadap INV sebesar 0.388. Artinya

apabila nilai HS naik sebesar satu-satuan maka nilai INV akan
meningkat sebesar 0.388 satu-satuan. Variabel HS berpengaruh
signifikan terhadap variabel INV. Hal ini terlihat dari nilai Prob
(0,011) < 0,05.
 Koefisien estimasi NAK terhadap INV sebesar 0.857.
Artinya apabila nilai NAK naik sebesar satu-satuan maka
nilai INV akan naik sebesar 0.857 satu-satuan. Variabel
NAK berpengaruh signifikan terhadap variabel INV. Hal ini
terlihat dari nilai Prob (0,001) < 0,05.
TERIMA KASIH