2020-Modul Statistika (Akuntansi)

MODUL
LABORATORIUM STATISTIKA
PROGRAM STUDI AKUNTANSI
Aplikasi Software Spss dan Eviews
LABORATORIUM STATISTIKA
PROGRAM STUDI AKUNTANSI FAKULTAS EKONOMI
UNIVERSITAS INTERNASIONAL BATAM
2020
Modul Statistika Universitas Internasional Batam - 2020
DAFTAR ISI
1. Pengenalan Statistika dan SPSS
2. Statistika Deskriptif
3. Normalitas dan Outlier
4. Analisis Korelasi
5. Analisis Regresi Linier
6. Penanganan Tidak Terpenuhinya Asumsi Analisis Regresi
7. Analisis Regresi dengan Variabel Dummy
8. Analisis Regresi Logistik
9. Analisis Regresi Panel (Aplikasi Software Eviews)
10. Instrumentasi Kuesioner
11. Uji Validitas dan Reliabilitas
12.Uji Beda Dua Sampel (T-Test)
13. Regresi dengan Variabel Moderating
14. Regresi dengan Variabel Intervening
3
10
17
22
26
40
44
47
54
66
71
81
88
95
2
Modul Statistika Universitas Internasional Batam - 2020
BAB I
PENGENALAN STATISTIKA DAN SPSS
1.1
Pengertian Statistika
Menurut Solimun (2005), Statistika adalah Ilmu atau seni yang berkaitan dengan metode pengumpulan
data, analisis data, dan interpretasi hasil analisis untuk mendapatkan informasi sebagai landasan di dalam
pengambilan keputusan dan penarikan kesimpulan.
Sedangkan Anderson dan Bancrof (1952) berpendapat bahwa Statistika adalah ilmu dan seni
pengembangan dan penerapan metode yang paling efektif sehingga kemungkinan kesalahan dalam kesimpulan
dan estimasi dapat diperkirakan dengan menggunakan penalaran induktif berdasarkan matematika probabilitas.
1.2.
Jenis Data:
Data merupakan nilai yang merepresentasikan deskripsi dari suatu objek atau kejadian (event).
1. Data berdasarkan sifat:
a. Data Kualitatif: Data yang tidak berbentuk angka (non metrik)
b. Data Kuantitatif: Data yang berbentuk Angka (metrik)
2. Data berdasarkan sumber:
a. Data Primer: Data yang diperoleh langsung dari sumbernya, contoh: data hasil kuesioner.
b. Data Sekunder: Data yang diperoleh dari hasil pengumpulan orang lain, contoh: data laporan keuangan
perusahaan Go Public yang diambil dari website.
3. Waktu Pengumpulan:
a. Data Cross Section: Data yang diambil pada satu waktu tertentu, contoh: Jumlah produksi
b. Data Time Series: Data yang diambil pada interval waktu tertentu, contoh: Data Laba bersih perusahaan
dari tahun 2006-2013.
4. Skala Pengukuran:
a. Data Nominal, adalah instrumen yang dapat menghasilkan data yang jenisnya klasifikasi atau
pemilahan, sifatnya hanya membedakan antar kelompok. Contoh: Jenis Kelamin (Pria dan Wanita),
Program Studi dalam sebuah Universitas (Akuntansi, Manajemen, Sistem Informasi, dll), Jenis industri
(Properti, Elektronik, Perbankan, dll)
b. Data Ordinal, adalah suatu instrument yang menghasilkan nilai atau skor yang bertingkat atau
berjenjang. Contoh: Tingkat Pendidikan (SMU, S1, S2, dll), Ranking.
c. Data Interval: Selain memiliki sifat data ordinal, tidak memiliki angka nol absolut. Contoh: Temperatur,
Skor Ujian.
d. Data Rasio: Selain memiliki sifat data interval, skala rasio memiliki angka 0 (nol) dan memiliki
perbandingan antar dua nilai memiliki arti. Contoh : Panjang, Berat Badan.
(Supranto, 2008)
Sebelum ke pembahasan lebih lanjut, agar memiliki persepsi yang sama, Tabel 1.1 adalah ilustrasi
tentang komponen data penelitian:
Obyek Penelitian
Mahasiswa
Variabel Penelitian
Data / Pengamatan
Umur
20 tahun
IPK
Tinggi Badan
3.99
180 cm
3
Modul Statistika Universitas Internasional Batam - 2020
Obyek Penelitian
Perusahaan
Rumah Sakit
Variabel Penelitian
Data / Pengamatan
Berat Badan
70 kg
Modal
1 milyard Rp
Aset
2 Milyard Rp
Bentuk
Perseroan
Kinerja manajerial
Baik
Kepuasan Pasien
Sangat Puas
Kepuasan Karyawan
Tidak Puas
Tabel 1.1 Komponen Penelitian
(Solimun, 2005)
Jenis data yang digunakan dalam penelitian sangat menentukan jenis analisis data yang digunakan. Jenis
analisis statistika dibedakan menjadi:
1.
Statistika Deskriptif: Statistika dimana peneliti hanya ingin mengetahui deskripsi dan karakteristik data baik
secara numerik maupun visual.
2.
Statistika Inferensia: Statistik dimana peneliti berusaha membuat berbagai inferensi terhadap sekumpulan
data yang berasal dari suatu sampel. Tindakan inferensi tersebut seperti melakukan perkiraan, peramalan,
pengambilan keputusan dan sebagainya, sehingga didalamnya diperlukan proses Pengujian Hipotesis.
Berdasarkan jenis hipotesis yang diuji, teknik statistika inferensi dibedakan menjadi:
a. Hipotesis Deskriptif: merupakan dugaan tentang karakteristik suatu populasi / satu variabel
b. Hipotesis Komparatif: Analisis ini digunakan untuk melakukan perbandingan / komparasi antara populasi
yang satu dengan yang lainnya.
c. Hipotesis Asosiatif: Analisis ini menginginkan diketahuinya hubungan atau pengaruh antar variabel
(Supranto, 2008)
1.3
Peranan Statistika dalam Penelitian
Statistika dalam penelitian merupakan salah satu komponen utama dalam tahapan penelitian.
Setidaknya terdapat empat peranan Statistika dalam penelitian, antara lain:
Pertama, Peranan Statistik dalam Penentuan Sampel Penelitian. Dalam ilmu statistik, dikenal istilah Populasi
dan sampel. Populasi merupakan keseluruhan objek yang ingin kita ukur dan analisa. Sedang sampel ialah
sebagian (kecil) dari populasi dimana kita benar-benar melakukan pengukuran dan dengan ini kita dapat menarik
kesimpulan. Tujuan teknik penentuan sampel adalah agar diperoleh sampel yang representatif bagi populasinya
dan diperoleh ukuran sampel yang memadai untuk dilakukannya penelitian. Berkaitan dengan peranan ini,
statistika menyediakan teknik–teknik dan rumus-rumus tertentu agar diperoleh sampel yang reperesentatif dan
ukuran sampel yang memadai.
Kedua, Peranan Statistik dalam Pengembangan Alat Pengambilan data. Sebelum seseorang menggunakan
suatu alat pengambil data, dia harus mempunyai kepastian bahwa alat yang digunakannya itu berkualitas.
Kualitas alat pengumpulan data dapat dilihat dari sisi validitas dan reliabilitasnya. Oleh karena itu setiap alat
pengumpulan data perlu diuji tingkat validitas dan relibilitasnya, dan cara terbaik untuk menguji validitas dan
reliabilitas alat pengumpulan data adalah dengan menggunakan metode statistik.
4
Modul Statistika Universitas Internasional Batam - 2020
Ketiga, Peranan Statistik dalam Menyajikan data. Data yang dikumpulkan melalui teknik pengambilan data
tertentu masih bersifat data mentah, oleh karena itu agar data itu lebih komunikatif maka harus disajikan
sedemikian rupa sehingga data mudah dibaca atau dipahami. Berkaitan dengan upaya untuk menampilkan data
agar mudah dibaca dan dipahami, maka statistika menyediakan teknik tertentu dalam mengolah data dan
menyajikan data, yaitu dengan metode statistika deskriptif.
Keempat, Peranan Statistika dalam Analisis Data atau Menguji Hipotesis. Tujuan akhir dalam kegiatan penelitian
adalah adanya kesimpulan sebagai bahan untuk mengambil keputusan. Agar diperoleh hasil penelitian yang valid
dan reliabel, statistika juga telah mengembangkan teknik-teknik perhitungan tertentu dan mengembangkan
berbagai metode untuk menguji hipotesis yang dapat membantu para peneliti, yaitu dengan metode statistika
inferensial.
1.4
Populasi dan Sampel
Populasi merupakan keseluruhan pengamatan yang menjadi obyek penelitian, sedangkan sampel
adalah sebagian dari populasi. Peneltian dengan menggunakan data sampel muncul karena keterbatasanketerbatasan dalam penelitian, antara lain keterbatasan waktu penelitian, biaya, sumber daya manusia, dan
sebagainya. (Walpole, 1995)
1.5
Mengenal SPSS (Statistical Product and Service Solutions)
SPSS adalah sebuah program aplikasi yang memiliki kemampuan analisis statistik cukup tinggi serta
sistem manajemen data pada lingkungan grafis dengan menggunakan menu-menu deskriptif dan kotak-kotak
dialog yang sederhana sehingga mudah untuk dipahami cara pengoperasiannya. SPSS banyak digunakan dalam
berbagai riset pemasaran, pengendalian dan perbaikan mutu (quality improvement), serta riset-riset sains.
Pada awalnya SPSS dibuat untuk keperluan pengolahan data statistik untuk ilmu-ilmu sosial, sehingga
kepanjangan SPSS itu sendiri adalah Statistikal Package for the Social Sciences. Sekarang kemampuan SPSS
diperluas untuk melayani berbagai jenis pengguna (user), seperti untuk proses produksi di pabrik, riset ilmu sains
dan lainnya. Dengan demikian, sekarang kepanjangan dari SPSS Statistical Product and Service Solutions.
Langkah awal yang harus dilakukan untuk menganalisis data dengan menggunakan SPSS adalah melakukan
Input Data. Pada saat anda membuka SPSS, maka akan muncul tampilan SPSS data Editor.
Menu Bar dan
Tool Bar
Sheet data view, tempat anda
melakukan input data
Sheet variabel view, tempat
anda mendefinisikan variabel
Gambar 1.1 SPSS Data Editor
5
Modul Statistika Universitas Internasional Batam - 2020
Setelah Data Editor aktif, berikut ini langkah-langkah untuk membuat data baru:
1.
Mendefinisikan atribut variabel dengan melakukan klik pada Variabel View. Contoh, anda membangun data
penjualan suatu perusahaan. Anda buat tiga variabel, yaitu nama, jenis kelamin dan penjualan.
(Gambar 1.2 Variabel View)
Ada sepuluh atribut variabel yang perlu anda definisikan:
Name, Merupakan nama variabel yang akan ditampilkan di baris teratas pada tampilan Data View, yaitu Nama,
JnsKel,dan Penjualan.
Type, Merupakan tipe variabel yang dipakai. Ada delapan tipe variabel yang secara umum dapat digolongkan
menjadi dua, yaitu variabel angka (Numeric, Comma, Dot, Scientific notation, Date, dollar, Custom currency) dan
variabel non angka (string).
Width, Merupakan lebar kolom, nilai defaultnya 8.
Decimals, merupakan jumlah digit setelah koma.
Label, Merupakan penjelasan atribut variabel Name yang muncul dalam kotak dialog maupun output apabila
anda melakukan analisa.
Value, Merupakan pengkodean pada variabel non angka (string variable). Contoh, Jenis kelamin diberi kode 1
untuk laki-laki dan kode 2 untuk perempuan. Klik sel pada kolom value yang akan diberi pengkodean sehingga
kotak dialog Value labels akan muncul. Pada Value, ketik 1 dan pada Label, ketik Laki-Laki. Klik Add.
Selanjutnya, lakukan cara yang sama untuk jenis kelamin perempuan. Jika telah selesai melakukan pengkodean
pada keseluruhan value, klik OK.
Variabel JnsKel merupakan variabel
string namun untuk keperluan analisis
diubah ke numerik dengan memberi
value pada variabel tersebut.
Laki-Laki = 1 ; Perempuan = 2
(Gambar 1.3 Input Variabel Value)
Missing, menetapkan nilai khusus data sebagai user missing. Contoh, anda ingin membedakan data yang tidak
diperoleh karena responden menolak menjawab dan data yang hilang karena anda belum mengirimnya ke
responden.
Columns, mempunyai fungsi seperti width
Align, merupakan posisi data dalam sel.
Measure, Merupakan ukuran data yang digunakan, untuk numeric secara otomatis SPSS akan memilih SCALE,
sedangkan string ada dua pilihan, ORDINAL dan NOMINAL.
6
Modul Statistika Universitas Internasional Batam - 2020
2.
3.
Setelah sepuluh variabel anda isi, klik Data View pada Data Editor untuk memulai input data.
Masukkan input pada variabel JnsKel cukup dengan kodenya, 1 untuk Laki-Laki dan 2 untuk Perempuan.
Aktifkan Value Labels pada ToolBar untuk
otomatisasi variabel Jenis Kelamin.
Data bisa disimpan, dengan prosedur berikut :
 Dari menu utama SPSS, pilih menu File,
kemudian pilih submenu Save As….
 Diberi nama file-untuk keseragamandengan Introduction, dan tempatkan file
pada directory yang dikehendaki.
(Gambar 1.5 Tampilan data View)
SOAL LATIHAN
1. Sebutkan masing-masing 10 variabel yang dimiliki oleh Perusahaan dan Perguruan Tinggi!
2. Nyatakan jenis data berikut ini berdasarkan bentuk, skala pengukuran, waktu pengumpulan
dan sumbernya!
a. Data hasil nilai TOEIC mahasiswa baru Universitas Internasional Batam pada tahun
ajaran 2015/2016 dari Badan Pengembangan Kemahasiswaan dan Alumni (BPKA)
b. Data Nilai Debt to Equity Ratio perusahaan yang terdaftar di BEI dari tahun 2014-2015
yang diambil dari www.idx.co.id
c. Data hasil survey kuesioner mengenai kepuasan layanan provider telepon seluler
“SPEED” selama periode tahun 2015
d. Data jenis perusahaan (perusahaan perbankan, asuransi, manufaktur, dan jasa) yang
masuk dalam daftar saham LQ45 pada bulan maret 2015.
e. Data Tingkat Pendidikan terakhir Karyawan PT XYZ yang diambil pada tahun 2015
f. Customer Satisfaction Index PT PLN tahun 2011-2015 yang diambil dari website PLN
g. Prosentase kandungan Gizi Produk makanan “PASTA” yang diperoleh melalui
eksperimen di akhir tahun 2015
h. Merk Handphone yang digunakan oleh Mahasiswa UIB pada tahun 2015
7
Modul Statistika Universitas Internasional Batam - 2020
3. Input data berikut ke dalam SPSS dengan memanfaatkan menu “Value” untuk data
kualitatif
Jenis
Perusahaan
Tekstil
Jenis Auditor
Big Four
Company
Lama IPO
Size
Big
5-10 tahun
Harga Saham
25.100
Industri
Alat Non Big Four
Berat
Minyak dan Gas Non Big Four
Big
Lebih dari 10 tahun
24.250
Big
Lebih dari 10 tahun
15.850
Elektronik
Medium
Lebih dari 10 tahun
3.480
Industri
Alat Big Four
Berat
Minyak dan Gas Big Four
Big
Lebih dari 10 tahun
2.140
Big
Lebih dari 10 tahun
1.090
Minyak dan Gas
Non Big Four
Big
Lebih dari 10 tahun
1.040
Jasa
Big Four
Small
Kurang dari 5 tahun
515
Jasa
Big Four
Small
Kurang dari 5 tahun
4.375
Jasa
Non Big Four
Small
5-10 tahun
4.120
Elektronik
Big Four
Big
Lebih dari 10 tahun
7.175
Industri
Berat
Elektronik
Alat Big Four
Big
Lebih dari 10 tahun
6.800
Small
5-10 tahun
7.425
Industri
Berat
Tekstil
Alat Big Four
Big
Lebih dari 10 tahun
6.000
Non Big Four
Medium
5-10 tahun
430
Consumer Goods
Big Four
Big
Lebih dari 10 tahun
560
Pertanian
Big Four
Big
Lebih dari 10 tahun
343
Elektronik
Non Big Four
Small
5-10 tahun
9.600
Elektronik
Non Big Four
Medium
5-10 tahun
13.125
Consumer Goods
Big Four
Big
Lebih dari 10 tahun
13.300
Consumer Goods
Big Four
Big
Lebih dari 10 tahun
3.950
Elektronik
Big Four
Big
Lebih dari 10 tahun
6.100
Non Big Four
Non Big Four
8
Modul Statistika Universitas Internasional Batam - 2020
Jenis
Perusahaan
Tekstil
Non Big Four
Company
Lama IPO
Size
Medium
5-10 tahun
Consumer Goods
Big Four
Big
Lebih dari 10 tahun
7.250
Elektronik
Non Big Four
Medium
Kurang dari 5 tahun
11.650
Elektronik
Big Four
Big
Lebih dari 10 tahun
11.425
Consumer Goods
Big Four
Big
Lebih dari 10 tahun
870
Elektronik
Non Big Four
Medium
5-10 tahun
7.250
Tekstil
Big Four
Big
Lebih dari 10 tahun
11.650
Consumer Goods
Big Four
Medium
Kurang dari 5 tahun
11.425
Jenis Auditor
Harga Saham
4.990
9
Modul Statistika Universitas Internasional Batam - 2020
BAB 2
STATISTIKA DESKRIPTIF
2.1. Pengertian Statistika Deskriptif
Statistika Deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian gugus
data sehingga memberikan informasi yang berguna (Walpole, 1995)
Ditinjau dari cara pengolahan datanya, statistika deskriptif dibagi menjadi dua, yaitu :
a. Statistika Deskriptif untuk Data Kuantitatif
b. Statistika Deskriptif untuk Data Kualitatif
2.2. Statistika Deskriptif untuk Data Kuantitatif
Gunakan data set “Harga Saham” (terlampir pada chapter 1) untuk melakukan analisis statistika deskriptif. Dalam
data tersebut terdapat dua jenis data berdasarkan sifat. Variabel Jenis Perusahaan, Jens Auditor, Company size
dan Lama IPO merupakan data tipe kualitatif, sedangkan harga saham merupakan data bertipe kuantitatif. Data
tersebut akan dibuat statistika deskriptif.
1.
Input Data
a.
Menampilkan tampilan Variabel View untuk memasukkan identitas variabel data sesuai dengan cara input
masing-masing atribut pada pembahasan sebelumnya. Sehingga akan menjadi tampilan Variabel View dan
Data View seperti pada gambar berikut. Ingat bahwa variabel Jenis Perusahaan, Jenis Auditor, Company
size, dan Lama IPO merupakan data bertipe kualitatif, sehingga perlu didefinisikan dengan menggunakan
menu value (sesuai dengan langkah input data pada bab 1).
2.
Statistika Deskriptif untuk Data Kuantitatif
Karena variabel Harga saham termasuk data kuantitatif, maka akan dibuat deskriptif statistik (meliputi Mean,
Standart Deviasi, Range dan lainnya) untuk variabel tersebut.
10
Modul Statistika Universitas Internasional Batam - 2020
a. Langkah analisis Deskriptif untuk Variabel Harga Saham yaitu pilih menu Analyze, kemudian pilih submenu
Descriptive Statistics => Descriptives, Maka akan keluar tampilan seperti berikut. Masukkan variabel
Harga Saham ke dalam kolom Variable(s).
b. Pilih Options maka akan tampil Dialog Box untuk menampilkan karakteristik data apa saja yang ingin anda
tampilkan, sesuai dengan kebutuhan penelitian. Beri tanda Cek List pada Mean, Sum, Std deviation,
Variance, Range, Minimum, dan Maximum seperti gambar berikut.
c. Kemudian klik Continue untuk kembali pada Dialog Box Descriptives, kemudian pilih OK.

Output yang muncul adalah seperti pada Gambar berikut.
11
Modul Statistika Universitas Internasional Batam - 2020
Berdasarkan gambar diatas, didapatkan beberapa karakteristik data yaitu:
N = 30, Banyaknya data yang diolah adalah 30
Mean (Rata-rata) = 7442,60, artinya harga saham berkisar di nilai 7442, 600.
Minimum = 343,00, Nilai Minimum harga saham tersebut adalah 343,00 Rupiah, dan
Maximum = 25100, Nilai Maksimum harga saham tersebut adalah 25.100 rupiah.
Sum = 223278 merupakan hasil penjumlahan seluruh harga saham dari 30 sampel yang diolah
Range = 24757, Merupakan selisih nilai Minimum dan Maksimum yaitu 25.100 – 343 = 24.757.
Standard Deviation = 6458,75477, Menjelaskan variasi data dalam suatu variabel. Standar devasi diukur dari
selisih antara data observasi dengan rata-rata. Semakin besar nilai standar deviasi, maka artinya data semakin
bervariasi. Menurut Santoso (2011), data dikatakan memiliki variasi tinggi jika nilai standar deviasi lebih dari 33%
dari rata-ratanya.
Berdasarkan data, terlihat bahwa nilai standar deviasi = 6458,754 sedangkan nilai rata-rata 7442,60, atau nilai
standar deviasi = 86.78% dari rata-ratanya. Artinya bahwa harga saham pada sampel penelitian ini memiliki
variasi yang tinggi.
Variance = 41715513,14 merupakan nilai kuadrat dari standar deviasi dan juga menunjukkan variasi data.
3.
Analisis Deskriptif untuk Data Kualitatiff
Variabel Jenis Perusahaan, Jenis Auditor, Company Size, dan Lama IPO memiliki data dengan sifat
kualitatif, sehingga statistik deskriptif yang diperlukan berbeda dengan data kuantitatif, yaitu dengan Tabel
Frekuensi. Tabel Frekuensi merupakan tabel satatistika deskriptif yang menampilkan prosentase masing-masing
kelompok dalam tiap variabel. Berikut langkah membuat tabel frekuensi.

Pilih Menu analyze , Descriptive Statistics , Frequencies, sehingga muncul Dialog Box seperti gambar
berikut
12
Modul Statistika Universitas Internasional Batam - 2020
 Masukkan Variabel Jenis Perusahaan, Jenis Auditor, Company Size, dan Lama IPO pada kolom
Variable(s), Check List Display Frequency Tables. Output yang muncul adalah sesuai gambar berikut.
Analisis Output:
Kolom Frequency menunjukkan banyaknya masing-masing jenis perusahaan pada data yang telah diolah. Pada
tabel ditunjukkan bahwa terdapat 4 perusahaan tekstil (13.3%), 4 perusahaan industri alat berat (13.3%), dan
seterusnya. Sebagian besar sampel merupakan perusahaan elektronik yaitu sebesat 30%. Valid percent
memeiliki nilai sama dengan kolom percent jika tidak terdapat missing data. Cumulative percent menunjukkan
nilai akumulasi (penjumlahan) prosentase pada masing-masing baris.
Berikut adalah hasil output untuk variabel kualitatif lainnya.
13
Modul Statistika Universitas Internasional Batam - 2020
Terlihat bahwa untuk variabel jenis auditor, 53.3% perusahaan diaudit oleh big four auditor, 46.7% lainnya diaudit
oleh non big four. Untuk variabel ukuran perusahaan, sebagian besar sampel masuk kategori perusahaan besar
atau sebesar 60%, 23.3% perusahaan medium, dan 16.7% lainnya perusahaan kecil. Pada tabel ketiga, dapat
disimpulkan bahwa sebanyak 18 perusahaan atau sekitar 60% perusahaan sampel sudah melakukan Initial
Public Offering (IPO) selama lebih dari 10 tahun.
4.
Statistika Deskriptif per kelompok (Split File)
Statistika Deskriptif juga dapat dibuat terpisah per kelompok dalam masing-masing variabel dengan
menggunakan menu Split File. Analisis ini berfungsi untuk menganalisis lebih jauh karakteristik variabel pada
kelompok tertentu. Misalnya, peneliti ingin menganalisis atau melakukan perbandingan antara perusahaan yang
diaudit oleh Big Four dan Non Big Four. Berikut adalah langkah-langkahnya.
a.
Dari menu utama SPSS, klik icon split file
14
Modul Statistika Universitas Internasional Batam - 2020
b.
Setelah muncul dialog box berikut, klik organize output by groups, kemudian masukkan variabel Jenis
Auditor pada kolom groups based on. Lalu pilih OK. Setelah langkah ini selesai, maka analisis
selanjutnya akan dipisah berdasarkan jenis auditor.
c.
Langkah analisis Deskriptif untuk Variabel Harga Saham yaitu pilih menu Analyze, kemudian pilih
submenu Descriptive Statistics => Descriptives. Masukkan variabel Harga Saham ke dalam kolom
Variable(s). Pilih Options maka akan tampil Dialog Box untuk menampilkan karakteristik data apa saja
yang ingin ditampilkan, sesuai dengan kebutuhan penelitian. Beri tanda Cek List pada Mean, Sum, Std
deviation, Variance, Range, Minimum, dan Maximum. Kemudian OK. Output yang akan muncul adalah
sebagai berikut:
Output diatas adalah hasl analisis setelah menggunakan Split File. Dari output ini, peneliti dapat melakukan
analisis lebih lanjut mengenai harga saham berdasarkan jenis auditor yang digunakan perusahaan.
15
Modul Statistika Universitas Internasional Batam - 2020
LATIHAN SOAL
Berikut adalah data nilai ujian mahasiswa yang diambil dari kelas pagi dan kelas malam prodi Manajemen:
Kelas
Pagi
Malam
Malam
Pagi
Pagi
Pagi
Pagi
Malam
Malam
Malam
Nilai
50
83
55
90
93
90
60
73
60
82
Kelas
Pagi
Malam
Malam
Pagi
Pagi
Malam
Pagi
Malam
Malam
Pagi
Nilai
Kelas
Nilai
Kelas
Nilai
80
82
83
70
68
80
82
74
56
72
Malam
56
87
70
77
75
66
45
70
60
72
Malam
62
76
83
88
85
60
53
60
69
75
Malam
Pagi
Malam
Malam
Pagi
Malam
Malam
Pagi
Pagi
Malam
Malam
Pagi
Malam
Pagi
Malam
Pagi
Malam
Pagi
Kelas
Pagi
Malam
Pagi
Malam
Malam
Malam
Pagi
Malam
Pagi
Pagi
Nilai
68
81
63
54
75
78
68
80
92
34
1. Buatlah statistika deskriptif dari data Nilai ujian mahasiswa kelas pagi dan kelas malam berikut ini,
dengan menampilkan nilai Mean, Median, Mode, Range, Quartile, Percentile (30,60, dan 90), variance,
standar deviasi, kemudian susunlah tabel frekuensi untuk data variabel Kelas.
a. Sebutkan rata-rata nilai mahasiswa tersebut!
b. Berapa selisih nilai terbesar dan terkecil nilai mahasiswa?
c. Berapa banyak mahaiswa yang mendapatkan nilai di bawah 72.5?
d. Sebutkan nilai standar deviasi dan Mode dalam data tersebut!
e. Berapa nilai yang paling banyak muncul?
f. Berapa prosentase jumlah mahasiswa kelas pagi dan kelas malam dalam data tersebut?
2. Lakukan uji statistika deskriptif secara terpisah nilai mahasiswa kelas pagi dan kelas malam.
a. Sebutkan selisih rata-rata nilai mahasiswa kelas pagi dan kelas malam. Kelas manakah yang
memiliki nilai rata-rata lebih tinggi?
b. Diantara kelompok kelas pagi dan kelas malam, manakah yang memiliki data lebih bervariasi?
16
Modul Statistika Universitas Internasional Batam - 2020
BAB 3
NORMALITAS DAN OUTLIER
3.1. NORMALITAS
Berdasarkan banyaknya variabel penelitian, data dikategorikan menjadi dua jenis, yaitu:
1.
Data Univariate : Terdiri dari satu variabel dalam penelitian, atau terdiri dari beberapa variabel, namun
masing-maisng variabel dianggap sebagai satu unitas yang berbeda-beda
2.
Data Multivariate : Terdiri lebih dari dua variabel dalam penelitian, keseluruhan variabel dianggap suatu
unitas yang terkait satu sama lain
Pola sebaran data sangat penting diperhitungkan untuk menentukan jenis analisis statistika yang
digunakan. Data dikatakan menyebar normal jika populasi data memenuhi kriteria:
68.27% data berada di sekitar Mean ± 1σ (standard deviasi)
95.45% data berada di sekitar Mean ± 2σ (standard deviasi)
99.73% data berada di sekitar Mean ± 3σ (standard deviasi)
Dan sisanya di luar range tersebut. Berikut adalah gambar kurva sebaran normal
Metode statistika yang mengharuskan terpenuhinya asumsi normalitas disebut Statistika Parametrik,
Sedangkan metode statistika yang digunakan untuk data tidak berdistribusi normal disebut Statistika
Nonparametrik.
Hipotesis yang melandasi asumsi normalitas adalah:
H0
: Data menyebar normal
H1
: Data tidak menyebar normal
17
Modul Statistika Universitas Internasional Batam - 2020
3.2. UJI NORMALITAS DATA
Cara menguji Normalitas data dapat dilakukan secara visual maupun empiris. Secara visual, uji normalitas
dilakukan dengan menggunakan Plot, sedangkan secara empiris dengan menggunakan Uji Kolmogorov
Smirnov. Adapun kriteria pengujiannya adalah:
a.
Jika Nilai Signifikansi (Asymp. Sig. (2-tailed)) pada kolmogorov Smirnov kurang dari 0.05, data tidak
menyebar normal.
b.
Jika nilai Signifikansi (Asymp. Sig. (2-tailed)) pada kolmogorov Smirnov lebih dari 0.05, maka data
menyebar normal.
Berikut langkah pengujian normalitas:
1.
Buka file Data Primer 01
2.
Pada menu utama SPSS pilih Analyze => Nonparametric Test => Legacy Dialogs => 1 sample K-S
sehingga muncul Dialog Box seperti pada gambar berikut
3.
Isi kolom Test Variable list dengan variabel Total kesadaran Merk, Total Asosiasi Merk dan Total
Ekuitas Merk, kemudian OK
4.
Selanjutnya akan muncul output seperti berikut.
18
Modul Statistika Universitas Internasional Batam - 2020
Analisis:
Output pada Gambar , merupakan output uji normalitas Kolmogorov Smirnov Test . Sesuai dengan kriteria
hasil uji normlitas menunjukkan hasil sebagai berikut:
-
Variabel kesadaran merk memiliki nilai Asymp.Sig (2-tailed) sebesar 0.005 (kurang dari 0.05), sehingga
disimpulkan data kesadaran merk tidak menyebar secara normal
-
Variabel asosiasi merk memiliki nilai Asymp.Sig (2-tailed) sebesar 0.255 (lebih dari 0.05), sehingga
disimpulkan data asosiasi merk menyebar secara normal
-
Variabel ekuitas merk memiliki nilai Asymp.Sig (2-tailed) sebesar 0.000 (kurang dari 0.05), sehingga
disimpulkan data kesadaran merk tidak menyebar secara normal
3.3 OUTLIER
Menurut Santoso (2012), Outlier adalah pengamatan yang memiliki simpangan yang cukup jauh dari
rata-rata, atau secara nyata berbeda dengan data-data yang lain. Sebagai contoh bila dalam suatu kelompok
mahasiswa, terdapat mahasiswa yang secara fisik jauh lebih tinggi dibandingkan mahasiswa lain, atau
mahasiswa dengan nilai IPK yang mendapatkan nilai ujian jauh lebih tinggi dibandingkan dengan mahasiswamahasiswa lain. Data outlier dapat menyebabkan interpretasi terhadap hasil analisis data menjadi kurang tepat.
Outlier juga dapat menyebabkan data tidak menyebar normal. Oleh karena itu data outlier perlu dihapus dan
tidak diikutsertakan dalam analisis berikutnya.
Cara untuk mendeteksi outlier sangat tergantung pada tingkatan analisis data, apakah tergolong
analisis data univariate, bivariate, atau multivariate. Pada bab ini akan dibahas deteksi outlier pada data
univariate, yaitu metode z-score. Z-Score merupakan nilai standarisasi masing-masing data, yang juga
menunjukkan ukuran simpangan masing-masing data terhada rata-ratanya. Nilai standarisasi data z-score
disebut juga sebagai sebaran normal baku.
19
Modul Statistika Universitas Internasional Batam - 2020
Adapun kriteria penentuan outlier berdasarkan nilai zscore yaitu:
Menurut Hair et al (2010), kriteria penentuan outlier dipengaruhi oleh banyaknya sampel, yaitu:
- Jika banyaknya sampel ≤ 80, maka pengamatan dengan Zscore > 2.5 atau < -2.5 adalah outlier.
- Jika banyaknya sampel > 80. Maka pengamatan dengan Zscore >3 atau < -3 adalah outlier.
3.4. UJI OUTLIER
Langkah-langkah untuk mendeteksi outlier adalah sebagai berikut:
a.
Dari file Data Primer 01, Pilih Analyze => Descriptive Statistics => Descriptives
b.
Masukkan variabel Total Kesadaran Merk, Total Asosiasi Merk, Total Ekuitas Merk pada kolom
Variable(s), kemudian cek list Save standardized values as variables => OK.
Analisa Output dan Pembahasan
Output yang perlu diperhatihan terdapat pada Data View, ditunjukkan dengan adanya penambahan
variabel-variabel baru yaitu Ztotal_Kesadaran_Merk, Ztotal_Asosiasi_Merk, dan Ztotal_Ekuitas_Merk. Z
merupakan nilai Z-Score untuk masing-masing data observasi. Sesuai dengan kriteria, maka data dengan nilai Z
lebih dari 3 atau kurang dari -3 harus dihapus dan tidak diikutsertakan dalam analisis berikutnya.
20
Modul Statistika Universitas Internasional Batam - 2020
Berdasarkan data, terlihat bahwa data no. 26 pada variabel kesadaran merk memiliki nilai Z-score 3.06579 atau krang dari -3, sehingga data ini disebut outlier dan harus dihapus.
LATIHAN SOAL
Berikut adalah data pendapatan (Dalam ratusan ribu) yang diambil dari 100 sampel penduduk Batam.
Data Pendapatan Masyarakat (Dalam Ratusan Ribu)
1.
2.
3.
4.
5.
90
75
98
58
104
48
14
88
92
52
60
70
65
47
67
76
79
90
77
90
60
65
78
90
102
70
75
68
68
61
85
66
89
57
40
65
80
67
78
70
70
73
82
69
76
77
98
50
72
82
11
76
84
70
80
112
77
90
85
84
55
40
89
72
80
57
79
74
72
78
80
11
78
50
94
45
88
73
89
85
70
78
56
52
75
68
77
88
88
74
80
82
48
12
82
92
97
80
Tabel 3.1. Data Pendapatan Masyarakat
74
91
Lakukan Uji Normalitas pada data pada tabel 3.1, dengan menu Explore, maupun dengan Menu Non
parametric. Bandingkan hasilnya!
Berdasarkan output, berapa banyak data yang memiliki gaji dalam kisaran 70 – 89?
Berdasarkan Box Plot, data mana sajakah yang merupakan nilai ekstrim?
Lakukan Uji Outlier dengan metode Z-Score. Data mana sajakah yang merupakan outlier berdasarkan hasil
Uji Z-Score? (Ikuti kriteria Hair dan Santoso) Bandingkan hasilnya dengan output yang dihasilkan dengan
Box Plot!
Hapus data yang terdeteksi sebagai outlier pada Uji Z-Score dengan menggunakan kriteria Hair, kemudian
ulangi lakukan uji normalitas dengan data yang tersisa. Bagaimana hasilnya?
21
Modul Statistika Universitas Internasional Batam - 2020
BAB 4
ANALISIS KORELASI
4.1.
DEFINISI DAN SIFAT ANALISIS KORELASI
Menurut Suliyanto (2011), Analisis Korelasi digunakan untuk mengetahui derajat hubungan linier antara
variabel satu dengan variabel yang lain. Suatu variabel dikatakan memiliki hubungan dengan variabel lain jika
perubahan satu variabel diikuti dengan perubahan variabel lain. Besarnya korelasi antara variabel satu dengan
variabel yang lain tersebut dinyatakan dengan koefisien korelasi.
Berikut sifat – sifat koefisien korelasi:
1. Nilai koefisien korelasi bersifat simetris.
Karena koefisien korelasi bersifat simetris maka korelasi antara X dan Y akan sama dengan koefisien korelasi
antara Y ddengan X.
2. Besarnya koefisien korelasi berkisar antara -1 sampai dengan 1 (-1 ≤ r ≤1)
Jika koefisien korelasi sebesar -1 ≤ r ≤ 0 berarti kedua variabel tersebut memiliki hubungan negatif atau
berlawanan arah. Artinya, semakin tinggi nilai variabel X maka akan semakin rendah nilai variabel Y.
Sebaliknya, jika koefisien korelasi 0 ≤ r ≤ 1 maka kedua variabel memiliki hubungan positif, atau semakin
tinggi variabel X maka akan semakin tinggi nilai variabel Y.
3. Koefisien korelasi hanya menggambarkan keeratan hubungan antar variabel tetapi tidak menggambarkan
hubungan kausalitas (Sebab akibat).
4. Koefisien korelasi hanya menggambarkan keeratan hubungan yang linier, dan tidak mampu menggambarkan
hubungan yang bersifat non linier.
1.
2.
Ada dua jenis korelasi yang umum digunakan oleh peneliti, yaitu:
Korelasi Pearson / Product Moment : Digunakan jika data yang menyebar normal, minimal berskala interval
atau Rasio (Data tinggi badan, berat badan, nilai ujian, pendapatan, dll).
Korelasi Spearman Rank : Digunakan jika data berskala nominal dan ordinal (Data Gender, Tingkat
Pendidikan, dan data-data kategorik lainnya).
4.2.
KORELASI PEARSON (PRODUCT MOMENT)
Contoh Kasus:
Suatu penelitian dilakukan untuk mengetahui keeratan hubungan antara Penghasilan dengan Nilai Prestasi
Kerja. Tabel 4.1 adalah data yang didapatkan:
Prestasi
Prestasi
Prestasi
Penghasilan
Penghasilan
Penghasilan
Kerja
Kerja
Kerja
3,5
65
3,6
67
5,2
72
2,7
52
3,8
69
6,3
91
4,5
82
4,2
73
2,9
50
6,7
95
3
60
4,5
76
3,2
62
2,9
51
3,8
63
2,1
52
5,8
90
4
83
4,5
76
6,3
93
6,1
91
4,1
73
5,4
74
4,4
84
4
72
5,2
83
4,2
83
4,1
70
3,1
62
3,8
69
(Tabel 4.1 Data Penghasilan dan Prestasi Kerja)
22
Modul Statistika Universitas Internasional Batam - 2020
Langkah-langkah analisis dalam SPSS adalah:
1. Karena analisis korelasi pearson hanya dapat digunakan untuk data berdistribusi normal, maka lakukan uji
normalitas pada variabel Penghasilan dan Prestasi Kerja, sehingga muncul hasil uji normalitas seperti
pada Gambar 4.1.
(Gambar 4.1. Hasil Uji Normalitas Variabel Penghasilan dan Prestasi Kerja)
2.
3.
Pilih Menu analyze => Correlate => Bivariate sehingga muncul dialog Box seperti pada Gambar 4.2.
Masukkan variabel Penghasilan dan Nilai Prestasi Kerja ke dalam kolom Variables. Klik OK. Output yang
muncul dari hasil analisis korelasi Pearson ini adalah sesuai Gambar 4.3.
(Gambar 4.2 Bivariate Correlation)
(Gambar 4.3 Output Pearson Correlation)
Analisis output:
1. Nilai Korelasi antara dua variabel dlihat dari nilai Pearson Correlation yaitu 0.907. Nilai ini cukup besar
karena sudah mendekati 1 (nilai maksimum).
2.
Korelasi antara Penghasilan dengan Nilai Prestasi Kerja dikatakan signifikan jika nilai Sig. (2-Tailed) kurang
dari alpha (0.05). Sehingga pada kasus ini dikatakan bahwa Penghasilan dan Prestasi Kerja memiliki
korelasi yang tinggi dan signifikan.
Note: Asumsi yang harus terpenuhi untuk dapat menggunakan analisis Korelasi Pearson adalah Normalitas.
Jika asumsi normalitas tidak terpenuhi, maka digunakan Korelasi Spearman Rank.
23
Modul Statistika Universitas Internasional Batam - 2020
4.3.
KORELASI SPEARMAN RANK
Berikut adalah data Gender dan Jabatan yang terdiri dari data berskala ordinal dan nominal
Gender
2
2
1
1
1
1
2
2
2
2
Jabatan
2
3
1
1
1
2
3
3
3
2
Gender
2
2
1
1
2
2
2
1
2
1
Jabatan
3
3
2
1
3
3
2
1
3
1
Gender
1
2
2
2
1
2
1
1
2
2
Jabatan
1
2
3
3
2
2
2
2
1
2
Keterangan:
Gender: 1=Pria; 2= Wanita
Jabatan: 1 = Administratif; 2 = Supervisor ;
3 = Top Management
(Tabel 4.2 Data Gender dan Jabatan)
Berikut adalah langkah-langkah analisis korelasi Spearman Rank.
1. Pilih Menu analyze => Correlate => Bivariate sehingga muncul dialog Box seperti pada Gambar 4.4.
2. Masukkan variabel Gender dan Jabatan ke dalam kolom Variables. Cek list Spearman, Klik OK.
Output yang muncul dari hasil analisis Korelasi Spearman ini adalah sesuai Gambar 4.5.
(Gambar 4.4 Bivariate Correlation)
(Gambar 4.5 Output Korelasi Spearman Rank)
Analisis output:
1. Nilai Korelasi antara dua variabel dlihat dari nilai Spearman`s Rho yaitu 0.707. Nilai ini cukup besar karena
sudah mendekati 1 (nilai maksimum).
2. Korelasi antara Gender dengan Jabatan dikatakan signifikan jika nilai Sig. (2-Tailed) kurang dari alpha (0.05).
Sehingga pada kasus ini dikatakan bahwa Gender dan Jabatan memiliki korelasi yang tinggi dan signifikan.
24
Modul Statistika Universitas Internasional Batam - 2020
LATIHAN SOAL
Berikut adalah data Pendapatan dan Saving yang akan dilihat hubungan antar variabelnya.
Pendapatan
Saving
Pendapatan
Saving
Pendapatan
Saving
Pendapatan
Saving
90
15
75
11
98
13
77
12
60
6
70
11
65
16
79
11
60
6
65
3
78
12
88
14
85
12
66
3
89
14
77
12
70
11
73
11
82
13
97
15
11
2
76
9
84
12
52
2
55
3
40
8
89
2
90
15
80
12
11
6
78
2
78
2
70
11
78
11
56
2
91
15
80
13
82
13
48
2
90
2
58
3
104
0
48
2
74
2
47
3
67
5
76
9
73
2
90
17
102
5
70
10
88
13
57
2
40
2
65
3
80
3
69
3
76
5
77
2
61
3
70
12
80
9
112
18
70
10
72
11
80
12
57
4
85
13
50
2
94
15
45
3
85
13
52
2
75
5
68
4
72
12
12
1
82
12
92
28
89
12
14
2
88
3
92
3
88
12
79
12
90
18
77
2
74
11
75
13
68
4
68
2
82
14
80
14
67
4
78
14
84
1
98
3
50
3
72
11
74
12
1.
Apakah data pada kedua variabel mengikuti sebaran normal?
a. Jika Ya, lakukan analisis korelasi yang sesuai!
b. Jika tidak, lakukan uji outlier sesuai dengan kriteria Hair et al (2010), kemudian buang data yang
terdeteksi sebagai outlier. Apakah data bisa menyebar normal dengan membuang outlier? Lakukan Uji
Korelasi yang sesuai dengan data yang tersisa, kemudian Analisa dan interpretasikan hasilnya!
25
Modul Statistika Universitas Internasional Batam - 2020
BAB 5
ANALISIS REGRESI LINIER
5.1
DEFINISI ANALISIS REGRESI
Analisis Regresi pertama kali diperkenalkan oleh Francis Galtom pada tahun 1886. Analisis Regresi
merupakan analisis ketergantungan dari satu atau lebih variabel bebas terhadap satu variabel terikat (Suliyanto,
2011).
Istilah lain variabel bebas dan terikat ada beberapa macam, namun pada prinsipnya variabel bebas
adalah variabel yang mempengaruhi variabel terikat. Tabel 5.1 menunjukkan istilah-istilah lain untuk variabel
terikat dan variabel bebas.
Variabel yang dipengaruhi (Y)
Variabel yang Mempengaruhi (X)
Variabel tergantung (Dependent Variable)
Variabel bebas (Independent Variable)
Variabel yang dijelaskan (Explained Variable)
Variabel yang menjelaskan (Explanatory Variable)
Variabel yang diramalkan (Predictant Variable)
Variabel Peramal (Predictor Variable)
Variabel yang diregresi (Regressand Variable)
Variabel yang meregresi (Regressor Variable)
Variabel Tanggapan (Response Variable)
Variable Stimulus (Stimulant Variable)
Ditinjau dari jumlah variabel independen, terdapat dua macam analisis regresi linier:
1.
Regresi Linier Sederhana: Analisis Regresi dengan satu Independent variable , dengan persamaan umum:
Y = a +b1X1 + e
2.
(4.1)
Regresi Linier Berganda: Analisis regresi dengan dua atau lebih Independent Variable , dengan persamaan
umum:
Y = a + b1X1 + b2X2 + … + bnXn + e
(4.2)
Dimana:
Y = Dependent variable
a = konstanta
b1 = koefisien regresi X1, b2 = koefisien regresi X2, dst.
e = Residual / Error
Fungsi persamaan regresi selain untuk memprediksi nilai Dependent Variable (Y), juga dapat
digunakan untuk mengetahui arah dan besarnya pengaruh Independent Variable (X) terhadap Dependent
Variable (Y). Teknik Estimasi analisis regresi menggunakan Metode Kuadrat Terkecil Ordinary Least Squares
(OLS) yang pertama kali diperkenalkan oleh Carl Friederich Gauss. Inti metode OLS adalah mengestimasi suatu
garis regresi dengan cara meminimalkan jumlah dari kuadrat error setiap observasi terhadap garis tersebut
(Ghozali, 2001).
26
Modul Statistika Universitas Internasional Batam - 2020
5.2
ASUMSI ANALISIS REGRESI LINIER
Asumsi yang harus terpenuhi dalam analisis regresi adalah (Ghozali, 2001)
1.
Normalitas
Uji normalitas pada analisis regresi dimaksudkan untuk menguji apakah nilai residual pada model regresi
berdistribusi normal atau tidak. Berdasarkan pengertian uji normalitas di sini tidak dilakukan per variabel
(univariate) tetapi hanya terhadap nilai residualnya.
2.
Non-multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tnggi
atau sempurna antar varabel independent. Model regresi yang baik adalah model regresi dimana tidak terjadi
multikolinieritas atau hubungan antar variabel independent. Uji asumsi multikolinieritas tidak perlu dilakukan
pada analisis regresi linier sederhana.
3.
Non-heteroskedastisitas (homoskedastisitas)
Heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak sama (konstan). Sebaliknya, jika
varian pada variabel model regresi memiliki nilai yang sama (konstan) maka disebut homoskedastisitas.
4.
Non Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara residual
pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada
problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu
sama lain. Oleh karena itu uji asumsi autokorelasi tidak perlu dilakukan pada data cross-section.
Asumsi-asumsi tersebut harus diuji untuk memastikan bahwa data yang digunakan telah memenuhi
asumsi analisis regresi.
3.1.
ANALISIS REGRESI LINIER BERGANDA
Contoh Kasus:
Suatu penelitian bertujuan untuk melihat pengaruh rasio-rasio keuangan terhadap Harga Saham perusahaan
yang terdaftar dalam bursa saham LQ45. Terdapat empat variabel independen yaitu Earning per Share (EPS),
Return on Equity (ROE), Book Value per Share (BVS) dan Price to Earning Ratio (PER), sedangkan variabel
dependennya adalah Harga Saham. Periode penelitian dimulai dari tahun 2013-2015.
a. Pilih Menu Analyze => Regression => Linear , sehingga muncul Dialog Box sesuai gambar berikut.
Masukkan variabel Harga Saham pada kolom Dependent Variable, dan empat variabel lain sebagai
Independent(s).
27
Modul Statistika Universitas Internasional Batam - 2020
b.
Pilih Statistics, cek list Estimates, Collinearity Diagnostics, dan Durbin Watson, Continue
c.
Pilih Plots, masukkan ZPRED pada kolom X, dan SRESID pada kolom Y. cek List Normal Probability
Plot, Continue.
d.
Pilih Save, cek list Unstandardized dan Studentized deleted Residuals yang ada pada lajur residuals.
Pilih Continue, kemudian OK
28
Modul Statistika Universitas Internasional Batam - 2020
Perhatikan output regresi yang muncul pada file output. Output tersebut adalah hasil dari analisis regresi awal.
Langkah berikutnya yang harus dilakukan adalah membuang data outlier sehingga hasil output analisis yang
dihasilkan tidak lagi terpengaruh oleh pengamatan yang menyimpang. Menurut Hair (2010), Outlier dalam
analisis regresi adalah nilai residual yang menyimpang dari residual lainnya, sehingga dapat menyebabkan
model tidak fit dengan data.
e. Uji Outlier
Perhatikan pada sheet Data View anda, maka anda akan temukan dua variabel baru, yaitu RES_1
(Untandardized Residual) dan SDR_1 (Studentized Deleted Residual). SDR_1 (Studentized Deleted Residual)
adalah nilai-nilai yang digunakan untuk mendeteksi adanya outlier dalam model regresi linier berganda. Dalam
deteksi outlier ini kita membutuhkan Tabel t (lihat lampiran). Kriteria pengujiannya adalah jika nilai absolute
|SDR| >
, maka pengamatan tersebut merupakan outlier. n = Jumlah Sampel, dan k = Jumlah variabel
independent (Montgomery and Peck, 1992). Namun, jika jumlah data lebih besar dari 120, maka data
dinyatakan sebagai outlier jika memiliki nilai SDR > 1.96 atau < 1.96.
Untuk menguji outlier, perhatikan tampilan data view, kemudian hapus data yang memiliki nilai > 1,96
atau < 1,96. Berdasarkan data view, berikut adalah data yang terdeteksi sebagai outlier:
No. Data
SDR
No. Data
SDR
52
4.66613
95
-2.11124
69
-4.35365
101
1.97794
70
-2.61212
119
3.07957
85
-2.87303
120
1.97794
29
Modul Statistika Universitas Internasional Batam - 2020
Selanjutnya, hapus delapan data outlier tersebut, sehingga pada Data View hanya tersisa 116 data.
f.
Setelah data dihapus, selanjutnya lakukan analisis regresi lagi pada 116 data yang tersisa, dengan langkah
yang sama seperti langkah poin a, b, c, dan d. Output yang muncul adalah output yang akan
diinterpretasikan karena sudah bebas dari data outlier. Berikut adalah outputnya.
Analisis dan Pembahasan Output
a. Koefisien Determinasi
Nilai R Square pada Tabel Model Summary adalah prosentase kecocokan model, atau nilai yang
menunjukkan seberapa besar variabel independent menjelaskan variabel dependent. Menurut Ghozali
(2001), R2 pada persamaan regresi rentan terhadap penambahan variabel independent, dimana semakin banyak
variabel Independent yang terlibat, maka nilai R2 akan semakin besar. Karena itulah digunakan R2 adjusted pada
analisis regresi linier Berganda, dan digunakan R2 pada analisis regresi sederhana. Pada gambar output Gambar
di atas terlihat nilai R Square adjusted sebesar 0.899, artinya variabel independen dapat menjelaskan variabel
dependent sebesar 89.9%, sedangkan 10.1% dijelaskan oleh variabel lain yang tidak terdapat dalam model.
b. Uji F
Uji F dalam analisis regresi linier berganda bertujuan untuk mengetahui pengaruh variabel independent
terhadap variabel dependen secara simultan. Hasil Uji F regresi terdapat pada table ANOVA.
Rumusan hipotesis yang digunakan adalah:
H0
: Ketiga variabel independent secara simultan tidak berpengaruh signifikan terhadap variabel
Harga saham.
H1
: Ketiga variabel independent secara simultan berpengaruh signifikan terhadap variabel Harga
saham.
Kriteria pengujiannya adalah:
Jika nilai signifikansi > 0.05 maka keputusannya adalah terima H0 atau variabel independent secara simultan
tidak berpengaruh signifikan terhadap variabel dependent.
Jika nilai Signifikansi < 0.05 maka keputusannya adalah tolak H0 atau variabel dependent secara simultan
berpengaruh signifikan terhadap variabel dependent.
30
Modul Statistika Universitas Internasional Batam - 2020
Berdasarkan output, Nilai Sig. yaitu sebesar 0.000, sehingga dapat disimpulkan bahwa EPS, ROE,
BVS, dan PER secara simultan berpengaruh signifikan terhadap Harga Saham perusahaan.
c. Uji t
Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen secara parsial, ditunjukkan
oleh Tabel Coefficients
Rumusan hipotesis yang digunakan adalah:
H1
: EPS berpengaruh signifikan terhadap Harga Saham
H2
: ROE berpengaruh signifikan terhadap Harga Saham
H3
: BVS berpengaruh signifikan terhadap Harga Saham
H4
: PER berpengaruh signifikan terhadap Harga Saham
Kriteria pengujiannya adalah:
Jika nilai signifikansi > 0.05 maka keputusannya adalah menolak Hipotesis atau variabel independent tidak
berpengaruh signifikan terhadap variabel dependent.
Jika nilai Signifikansi < 0.05 maka keputusannya adalah menerima hipotesis atau variabel dependent
berpengaruh signifikan terhadap variabel dependent.
Signifikansi pengaruh variabel independent terhadap variabel dependent dapat dilihat dari nilai Sig atau
Significance. Nilai signifikansi untuk variabel EPS yaitu sebesar 0.000 atau kurang dari 0.05, artinya variabel ini
berpengaruh secara signifikan terhadap Harga Saham. Hal ini berlaku sebaliknya pada tiga variabel lain, dimana
nilai signifikansinya < 0.05, sehingga kesimpulannya adalah menerima hipotesis atau dengan kata lain ROE, BVS
dan PER berpengaruh signifikan terhadap Harga Saham.
31
Modul Statistika Universitas Internasional Batam - 2020
Perhatikan nilai Unstandardized coefficients B untuk masing-masing variabel. Nilai – nilai tersebut
disebut sebagai Koefisien Regresi yang menunjukkan arah dan besar pengaruh masing-masing variabel
independen terhadap dependen. Variabel EPS mempengaruhi Harga Saham sebesar 9.177. Nilai koefisien ini
positif, artinya semakin meningkat nilai EPS, maka Harga Saham juga akan mengalami peningkatan.
Nilai 9,177 menunjukkan bahwa setiap peningkatan EPS sebesar 1 , maka akan meningkatkan Harga
saham sebesar 9,177. Demikian juga variabel ROE, BVS, dan PER masing-masing memiliki nilai koefisien
regresi positif, sehingga dapat disimpulkan bahwa keempat variabel tersebut berpengaruh positif terhadap Harga
Saham. Nilai koefisien regresi juga menunjukkan besar pengaruh masing-masing variabel independen.
Berdasarkan hasil, terlihat bahwa variabel ROE memiliki pengaruh paling tinggi dibandingkan dengan tiga
variabel lainnya, diikuti dengan variabel EPS, PER dan BVS.
Model regresi dapat dibentuk berdasarkan nilai koefisien regresi (Unstandardized B), yaitu:
Harga Saham = -799.939 + 9.177 EPS + 7745.345 ROE + 1.007 BVS + 1.699 PER + e
Model regresi juga digunakan untuk memprediksi nilai variabel dependen apabila diketahui nilai-nilai
variabel independennya. Residual (e) pada model regresi merupakan error atau sisaan pada model regresi yang
merupakan selisih antara nilai predicted dengan nilai aktualnya. Model regresi yang baik adalah model regresi
yang memiliki residual atau error sekecil mungkin sehingga hasil prediksi lebih akurat. Nilai konstanta sebesar 799.939 menunjukkan harga saham pada saat kondisi ceteris paribus atau dimana nilai – nilai variabel
independennya nol.
32
Modul Statistika Universitas Internasional Batam - 2020
3.2.
UJI ASUMSI KLASIK PADA ANALISIS REGRESI LINIER BERGANDA
a.
Uji Normalitas
Uji normalitas pada analisis regresi linier artinya bahwa residual model regresi harus menyebar secara
normal. Ada dua metode yang dapat digunakan untuk menguji normalitas yaitu:
1. Uji secara Visual (Normal P-P Plot)
2. Uji Secara Empiris (Uji Kolmogorov Smirnov)
1.
Uji secara visual (Normal P-P Plot)
Cara pertama melihat normalitas adalah secara visual yaitu melalui Normal P-P Plot. Gambar Normal
P-P Plot sudah ada dalam tampilan output regresi yang telah dilakukan. Berikut adalah gambar normal
P-P plot sesuai data yang telah dianalisis.
Ketentuan untuk uji normalitas secara visual adalah jika titik-titik berada di sekitar garis diagonal maka
dapat dikatakan bahwa residual menyebar normal. Namun pengujian secara visual ini cenderung bias karena
penilaian pengamat satu dengan yang lain relatif berbeda. Berdasarkan gambar, titik-titik berada di sekitar garis
diagonal, namun sebagian masih menjauhi garis diagonal.
2. Uji Secara Empiris (Uji Kolmogorov Smirnov)
Untuk memastikan bahwa residual menyebar normal atau tidak, dilakukan pengujian secara empiris.
Pengujian ini menggunakan angka (numerik) sehingga hasil pengujian lebih akurat. Ketentuan uji normalitas
adalah sebagai berikut:
33
Modul Statistika Universitas Internasional Batam - 2020
Jika nilai asymptotic significance (Asymp. Sig) > 0.05, artinya residual menyebar normal atau berarti
asumsi normalitas telah terpenuhi.
Sebaliknya, jika nilai asymptotic significance (Asymp. Sig) < 0.05, artinya residual tidak menyebar
secara normal atau berarti asumsi normalitas tidak terpenuhi.
Langkah-langkah uji kolmogorov smirnov adalah sebagai berikut:
1. Pilih Analyze => Nonparametric test => Legacy Dialogs. Setelah muncul Dialog Box, masukkan
variabel Unstandardized residual (RES_2) pada kolom Test Variable List. Cek list normal kemudian
=> OK
2. Output yang muncul adalah seperti pada berikut
Analisa Output:
Berdasarkan output hasil uji normalitas, terlihat bahwa nilai asymptotic significance (Asymp. Sig) sebesar 0.02.
Nilai ini masih kurang dari 0.05, syarat minimum untuk menyatakan bahwa residual menyebar normal. Sehingga
dapat disimpulkan bahwa berdasarkan data yang diolah, residual belum menyebar normal.
Tidak terpenuhinya salah satu asumsi dalam analisis regresi menyebabkan hasil analisis regresi tidak
dapat digunakan. Oleh karena itu non-normalitas ini harus ditangani, sehingga asumsi dapat dipenuhi.
34
Modul Statistika Universitas Internasional Batam - 2020
b.
Uji Non - Autokorelasi
Cara untuk mendeteksi ada tidaknya autokorelasi adalah dengan Uji Durbin Watson. Nilai Durbin
Watson terdapat pada tabel Model Summary, dan Tabel Durbin Watson sebagai nilai pembanding. Hipotesis
yang digunakan adalah:
H0
: Tidak terdapat autokorelasi antar residual
H1
: Terdapat autokorelasi antar residual
Kriteria penentuan autokorelasi berbeda-beda pada berbagai referensi. Berikut dua referensi yang menyebutkan
mengenai kriteria terjadi atau tidaknya autokorelasi:
1. Menurut Sunyoto, 2007:
Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin Watson ( DW )
dengan ketentuan sebagai berikut:
Terjadi autokorelasi positif, jika DW < -2
Tidak terjadi autokorelasi, jika -2 < DW < 2
Terjadi autokorelasi negatif, jika nilai DW > 2
2. Menurut Gujarati, 2003; Ghozali (2001); Suliyanto (2012):
Jika dU,α, < d < 4 - dU,α, maka berarti bahwa tidak terdapat autokorelasi antar residual.
Berdasarkan kriteria pertama (Sunyoto,2007), nilai durbin watson pada output masih berada dalam kisaran -2 <
DW < 2. Sehingga dapat disimpulkan asumsi non-autokorelasi terpenuhi.
Untuk menguji autokorelasi berdasarkan kriteria kedua, kita harus membandingkan nilai durbin watson pada
output dengan nilai Du dan Dw pada tabel durbit watson (terlampir). Nilai durbin Watson pada output dapat dilihat
pada Gambar yaitu sebesar 1.189. Sedangkan nilai tabel pembanding berdasarkan data Harga Saham dengan
melihat pada Tabel 4.3, nilai dL,α = 1.59, sedangkan nilai dU,α=1.76. Nilai d < dU,α sehingga dengan menggunakan
kriteria Gujarati, dapat disimpulkan bahwa residual mengandung autokorelasi.
35
Modul Statistika Universitas Internasional Batam - 2020
c. Uji Multikolinearitas
Pendeteksian multikolinearitas dapat dilihat melalui nilai Variance Inflation Factors (VIF) pada Gambar
5.7. Kriteria pengujiannya yaitu apabila nilai VIF < 10 maka tidak terdapat mutikolinearitas diantara variabel
independent, dan sebaliknya. Pada gambar berikut ditunjukkan nilai VIF untuk EPS adalah 8.836, ROE adalah
2.530, BVS adalah 8.580 dan PER adalah 2113. Maka nilai VIF seluruhnya < 10, sehingga asumsi non
multikolinieritas terpenuhi.
d. Uji Non Heteroskedastisitas (Homoskedastisitas)
Uji Heteroskedastisitas dapat dilakukan melalui dua cara, yaitu secara visual dan secara empiris. Pengujian
secara visual dapat diamati pada Scatter Plot seperti di bawah ini. Scatter Plot adalah plot antara nilai Predicted
Value (yang merupakan representasi dari independent variable) dengan nilai studentized residualnya. Suatu
model dikatakan tidak memiliki masalah heteroskedastisitas (terjadi homoskedastisitas) jika titik-titik pada scatter
plot tidak membentuk pola tertentu, seperti menyebar, menyempit, atau membentuk garis linier, dan berada di
atas dan di bawah angka nol. Berdasarkan gambar terihat bahwa titik-titik tidak membntuk pola tertentu, serta
berada di atas dan di bawah angka nol. Sehingga dapat disimpulkan bahwa secara visual asumsi
homoskedastisitas terpenuhi.
Gujarati (2003), menyatakan Uji heteroskedastisitas secara empiris dapat dilakukan dengan Uji Glejser,
yaitu dengan cara meregresikan nilai absolute residual dengan variabel – variabel independent dalam model.
36
Modul Statistika Universitas Internasional Batam - 2020
Langkah-langkahnya adalah:
1. Pilih Transform => Compute Variable
2. Pilih All pada Function Group kemudian pilih Abs pada Functions and Special Variables dengan cara
melakukan double klik. Selanjutnya ketik Abs_Res pada Target Variable dan masukkan Unstandardized
Residual_2 pada Numeric Expression. => OK
3. Outputnya adalah berupa variabel baru pada Data View.
4. Next, pilih Analyze => Regression => Linear => Masukkan Abs_Res sebagai dependent Variable
Sedangkan variabel EPS, ROE, BVS dan PER sebagai variabel independent.
5. Pilih Estimates dan Model Fit pada Menu Statistics => Continue => OK
37
Modul Statistika Universitas Internasional Batam - 2020
6. Perhatikan output regresi antara Residual dengan Variabel-variabel independent lainnya seperti terlihat pada
gambar berikut. Kriteria uji glejser adalah model regresi tidak mengandung heteroskedastisitas jika variabel
independen tidak berpengaruh signifikan terhadap nilai absolut residualnya. Atau dengan kata lain, nilai
significance pada output uji t Output harus lebih dari 0.05 (Sig. > 0.05).
Berdasarkan output, terlihat bahwa dua variabel yaitu EPS dan Per memenuhi syarat karena nilai
signifikansi lebih besar dari 0.05, namun dua variabel lain yaitu ROE dan BVS tidak memenuhi syarat karena nilai
signifikansi kurang dari 0.05. Dengan semikian dapat disimpulkan bahwa berdasarkan uji secara empiris (uji
glejser), model regresi tidak memenuhi asumsi homoskedastisitas.
38
Modul Statistika Universitas Internasional Batam - 2020
TUGAS
Analisislah data Impor karet berikut menggunakan analisis regresi linier berganda dan ujilah asumsi-asumsinya!
Y = Indeks Impor Karet
; X1 = Indeks Produksi Karet dalam Negeri
X2 = Rasio Indeks Harga impor dan Harga Karet dalam Negeri
Indeks Impor
Indeks
Produksi
Rasio Indeks
Indeks Impor
Indeks
Produksi
Rasio Indeks
100
100
0,8
102
110
0,67
106
104
0,5
112
114
0,38
107
106
0,23
125
123
0,92
120
111
0,4
134
125
0,39
110
111
0,6
120
126
0,46
123
115
0,8
118
127
0,56
133
120
0,3
100
130
0,87
137
124
0,42
135
122
0,77
139
126
0,55
144
106
0,58
146
108
0,67
126
106
0,72
110
118
0,81
107
100
0,67
120
125
0,92
112
102
0,56
115
110
0,34
108
114
0,45
101
138
0,52
118
109
0,34
136
138
0,34
130
129
0,92
114
125
0,91
115
104
0,88
128
121
0,38
124
110
0,72
142
116
0,7
130
128
0,71
121
108
119
110
0,65
0,45
145
102
138
121
0,43
0,39
1. Sebutkan data-data yang terdeteksi sebagai outlier dengan menggunakan metode SDR!
2. Bandingkan nilai Adj R Square sebelum dan sesudah dibuangnya outlier? Apakah eliminasi outlier dapat
meningkatkan Adj R-Square?
3. Apakah secara empiris keempat asumsi telah terpenuhi? Jelaskan secara detail!
4. Uraikan hasil uji t analisis regresi tersebut!
5. Susunlah persamaan regresi yang dihasilkan!
6. Jika diketahui nilai indeks Produksi = 90, dan Rasio Indeks = 0.5, berapakah prediksi nilai Indeks Impor
berdasarkan persamaan regresi yang dihasilkan?
39
Modul Statistika Universitas Internasional Batam - 2020
BAB 6
PENANGANAN TIDAK TERPENUHINYA ASUMSI ANALISIS REGRESI
Sebelum diputuskan bahwa asumsi analisis regresi memang tidak terpenuhi, peneliti hendaknya
memastikan bahwa langkah – langkah analisis data telah dilakukan dengan benar, mulai dari teknik pengambilan
sampel, deteksi outlier dan sebagainya. Jika langkah-langkah penelitian telah dilakukan dengan benar namun
masih terdapat beberapa asumsi analisis regresi yang tidak terpenuhi, maka perlu dilakukan langkah-langkah
untuk mengatasinya. Masing-masing asumsi akan memerlukan penanganan tersendiri jika tidak terpenuhi.
Pada Bagian ini data yang akan digunakan adalah data kredit bank dengan asumsi bahwa pada data
tersebut asumsi analisis regresi tidak terpenuhi.
6.1. MENGATASI MASALAH NORMALITAS
Jika pada analisis regresi ditemukan residual tidak menyebar normal, maka ada dua kemungkinan yang
menjadi penyebab tidak terpenuhinya asumsi tersebut:
1.
Jumlah sampel kurang
Jika jumlah sampel terlalu sedikit maka dapat menyebabkan residual tidak berdistribusi normal. Cek lagi
apakah teknik pengambilan sampel yang dilakukan sudah benar atau belum. Jika belum, maka yang harus
dilakukan oleh peneliti tentu saja adalah menambah jumlah sampel.
2.
Residual masih mengandung outlier
Residual yang tidak menyebar normal dapat disebabkan karena masih mengandung outlier. Cek sekali
lagi apakah prosedur deteksi outlier anda sudah benar atau belum. Jika anda menggunakan Uji Zscore untuk
mendeteksi outlier, coba dengan menggunakan SDR, atau sebaliknya. Jika kedua metode tersebut memberikan
hasil yang berbeda, maka buang semua outlier yang terdeteksi pada kedua uji tersebut.
3.
Dependent Variabel (Y) tidak berdistribusi normal.
Residual terkait erat dengan Dependent variabel Y sebagai variabel yang ingin diprediksi nilainya.
Residual yang tidak menyebar normal juga dapat disebabkan karena variabel Y tidak berdistribusi normal yang
juga disebabkan karena pada variabel tersebut mengandung outlier, sehingga diperlukan penanganan khusus.
Berdasarkan data Kredit Bank, cek apakah variabel Y mengandung outlier atau tidak dengan menggunakan
metode Zscore atau SDR (Langkah-langkah deteksi outlier ini telah dibahas pada Bab 3). Jika terdapat outlier
pada variabel Y, buang lalu lanjutkan dengan uji normalitas untuk variabel Y (menggunakan uji Kolmogorov
Smirnov). Jika variabel Y tidak normal, lakukan transformasi.
4.
Asumsi linier tidak tepat, sehingga harus menggunakan metode lain yang lebih sesuai.
6.2. MENGATASI MASALAH AUTOKORELASI
Masalah Autokorelasi hanya ditujukan pada data Time Series atau data yang mengandung runtut waktu.
Data Cross Sectional tidak perlu diuji autokorelasinya. Jika pada Data Time series terjadi masalah Autokorelasi,
maka langkah yang seharusnya dilakukan adalah dengan dengan memasukkan lag dari variabel dependent
menjadi salah satu variabel independentnya. Dengan ,menggunakan data yang sama seperti pada Analisis
Regresi Linier Berganda pada chapter sebelumnya, cara untuk mendapatkan lag dari variabel dependent (Y)
adalah:
a.
Buka File RLB_TanpaOutlier => Transform => Compute, sehingga muncul dialog Box seperti pada
Gambar 6.1.
40
Modul Statistika Universitas Internasional Batam - 2020
(Gambar 6.1 Compute Lag)
b. Beri nama Lag_Y pada kolom Target Variable => Pilih All pada Function Group => Pilih Lag() pada
Function and Special Variables => Masukkan variabel Penyaluran Kredit sebagai variabel yang akan
dicari nilai Lag nya => OK
c. Output yang muncul adalah berupa variabel baru (Lag_Y) pada Data View anda. Selanjutnya lakukan lagi
analisis regresi dengan menambahkan variabel Lag_Y sebagai variabel independent.
d. Pilih Analyze => Regression => Linear => Masukkan Besarnya Kredit sebagai variabel dependent,
sedangkan Dana, Bunga, Bunga Sekuritas dan Lag_Y sebagai variabel independent. Lakukan prosedur
analisis regresi seperti biasa kecuali Uji Outlier (Studentized Deleted Residual tidak perlu di cek list). Output
regresi yang muncul adalah seperti pada Gambar 6.2.
41
Modul Statistika Universitas Internasional Batam - 2020
(Gambar 5.2 Output Penanganan Autokorelasi)
e. Model regresi yang dihasilkan adalah seperti yang tersaji pada Gambar 5.2. Variabel Lag_Y tidak perlu
diinterpretasikan karena hanya merupakan langkah untuk mengatasi Autokorelasi. Pada output dapat dilihat
juga bahwa nilai Durbin Watson telah meningkat menjadi 1.734. Sesuai kriteria pada Uji Autokorelasi, nilai ini
berarti memenuhi asumsi autokorelasi atau dapat disimpulkan bahwa residual tidak mengandung
autokorelasi.
Diskusi: Setelah dilakukan penanganan autokorelasi, uji asumsi yang lain juga masih harus
dilakukan tanpa mengikutsertakan Variabel Lag_Y. Lakukan uji asumsi normalitas,
multikolinieritas, dan heteroskedastisitas pada model yang didapat setelah autokorelasi teratasi.
6.3.
MENGATASI MULTIKOLINIERITAS
Secara konsep multikolinieritas berarti tidak ada korelasi / hubungan antara variabel independent yang
satu dengan yang lain. Multikolinieritas ditandai dengan nilai Variance Inflation Factor (VIF) > 10. Jika masalah
multikolinieritas terjadi, maka langkah yang harus dilakukan adalah:
1. Menambah jumlah sampel
Jumlah sampel yang terlalu sedikit / kurang dari minimal akan cenderung menyebabkan data bermasalah,
sehingga antisipasi awal dalam penelitian sebaiknya adalah mempersiapkan data dengan jumlah sampel
yang cukup, didukung dengan metode sampling yang tepat.
2. Gujarati (2003) menyarankan untuk membuang variabel yang mengandung multikolinieritas.
3. Metode penggunaan analisis Regresi Linier Berganda tidak tepat, sehingga harus menggunakan metode
regresi lain, seperti regresi komponen utama atau Regresi Ridge.
42
Modul Statistika Universitas Internasional Batam - 2020
Masalah Multikolinieritas sangat mungkin muncul jika rumus yang digunakan antar variabel independent
berhubungan. Misalnya, terdapat dua variabel independent yang menggunakan ROA dalam rumusnya. Maka
masalah multikolinieritas untuk kasus ini tidak dapat dihindari.
6.4.
MENGATASI HETEROSKEDASTISITAS
Terjadinya heteroskedastisitas ditandai dengan adanya variabel yang tidak signifikan terhadap nilai
absolute residualnya. Pada umumnya heteroskedastisitas sangat jarang terjadi terutama bila asumsi-asumsi
lainnya telah terpenuhi. Namun apabila terjadi heteroskedastisitas, ini berarti bahwa terdapat hubungan antara
residual dengan variabel – variabel independen pada model. Heteroskedastisitas biasanya hanya terjadi pada
sebagian variabel independent yang terdapat pada model. Untuk mengatasinya (untuk memenuhi asumsi
homoskedastisitas), maka berikut beberapa alternatif langkah yang dapat dilakukan:
1. Melakukan uji outlier secara univariate dengan menggunakan z-score (seperti pada bagian 2) pada variabelvariabel yang terjadi heteroskedastisitas.
2. Melakukan transformasi data pada variabel independent yang terjadi heteroskedastisitas. Transformasi dapat
menggunakan Ln (lihat Bagian 2 modul ini), sqrt (square root) ataupun Log (Lg10). Fungsi-fungsi transformasi
ini terdapat pada menu Transform => Compute Variable.
TUGAS:
Analisislah data berikut dengan menggunakan analisis regresi Linier Berganda dan ujilah asumsi-asumsinya! Jika
terdapat asumsi yang tidak terpenuhi, lakukan analisa lebih lanjut!
PERIODE
PENJUALAN
Januari 2009
6119
Februari 2009
5634
Maret 2009
414
April 2009
5924
Mei 2009
2769
Juni 2009
5258
Juli 2009
19119
Agustus 2009
4783
September 2009
1961
Oktober 2009
3356
November 2009
4436
Desember 2009
43656
Januari 2010
40538
Februari 2010
7389
Maret 2010
12778
April 2010
3425
Mei 2010
4343
Juni 2010
5489
Juli 2010
6871
Agustus 2010
512
September 2010
4980
Oktober 2010
3638
November 2010
5050
Desember 2010
4650
Januari 2011
4229
Februari 2011
3890
Maret 2011
3254
April 2011
4782
Mei 2011
5538
Juni 2011
6271
Juli 2011
4028
Agustus 2011
3275
September 2011
4672
Oktober 2011
3827
HARGA
23,99
33,95
62
26,99
33,4
38,9
39,895
44,475
39,665
31,01
46,225
13,26
16,535
18,89
19,39
24,35
40,31
22,86
35,632
39,443
11,98
34,865
24,536
19,82
30,265
42,506
13,26
40,271
15,782
19,8
42,563
15,876
32,891
49,56
MESIN
1,8
2,8
4,2
2,5
2,8
4,6
4,6
4,6
3
5,7
2,2
3,1
3,1
3,4
5,7
3,1
4,2
3,2
3,8
1,8
2,7
2,2
2,8
1,7
1,6
2,6
3,9
3,2
3,6
2,9
1,9
1,6
2,6
2,9
MPG
27
22
21
26
24
25
22
22
22
22
15
27
25
25
27
28
25
26
24
18
27
27
26
26
17
25
24
25
26
27
29
26
28
24
43
Modul Statistika Universitas Internasional Batam - 2020
BAGIAN 7
REGRESI DENGAN VARIABEL DUMMY
7.1. DEFINISI VARIABEL DUMMY
Dalam regresi, kita mengenal istilah variabel dependent (terikat) dan variabel independent (bebas),
dimana variabel dependent dipengaruhi oleh variabel independent. Dalam konteks ini, variabel dependent pada
dasarnya tidak hanya dapat dipengaruhi oleh variabel independent kuantitatif, tetapi juga dimungkinkan oleh
variabel kualitatif. Misalnya, besarnya konsumsi sebuah keluarga tidak hanya dipengaruhi oleh pendapatan keala
keluarga, jumlah anggota keluarga, tetapi juga dapat dipengaruhi oleh gaya hidup keluarga, selera dan variabel
kualitatif lainnya.Untuk melakukan analisis regresi dimana sebuah variabel dependent dipengaruhi oleh variabel
independent yang bersifat kualitatif maka digunakan analisis regresi variabel dummy. Cara untuk memasukkan
variabel independent kualitatif ke dalam model regresi adalah dengan cara meng-kuantitatif-kan Variabel
kualitatif tersebut. Untuk mengkuantitatifkan atribut variabel kualitatif, dibentuk variabel dummy dengan nilai 1
dan 0. Jadi, inilah yang dimaksud dengan variabel dummy tersebut. Nilai 1 menunjukkan adanya ciri kualitas,
sedangkan nilai 0 menunjukkan tidak adanya ciri kualitas tersebut. Misalnya variabel jenis kelamin. Jika nilai 1
digunakan untuk laki-laki maka nilai 0 menunjukkan bukan laki-laki (perempuan), atau sebaliknya. Jika variabel
kualitatif tersebut terdiri lebih dari dua kategori, jumlah variabel dummy yg dibentuk harus sebanyak n-1, dimana
n adalah banyaknya kategori variabel tsb. (Suliyanto, 2011).
Langkah-langkah analisis pada Regresi dengan variabel dummy pada dasarnya hampir sama dengan
analisis regresi linier berganda. Namun ada beberapa perbedaan yaitu pada uji asumsi dan interpretasi output.
Pada bagian ini akan diberikan contoh kasus dimana variabel independentnya terdiri atas satu variabel kualitatif
(dummy) dan satu variabel kuantitatif.
Contoh Kasus:
Sebuah penelitian dilakukan untuk mengetahui pengaruh jenis kelamin dan prestasi kinerja terhadap
pernghasilan yang didapatkan oleh karyawan.
Y = Penghasilan
X1 = Jenis Kelamin (Pria dan wanita)
X2 = Nilai Kinerja
Pada kasus ini, jenis kelamin merupakan variabel kualitatif dua kategori yang akan menjadi variabel dummy.
Data pada Tabel 7.1 adalah contoh data yang akan dianalisis.
Penghasilan
Jenis Kelamin
Prestasi Kinerja
Penghasilan
Jenis Kelamin
Prestasi Kinerja
4600
3400
2950
3700
5600
4500
3700
2900
4500
3700
3900
2800
3000
4100
4000
1
1
0
1
1
1
0
0
1
1
1
0
0
1
1
78
80
70
68
82
78
68
60
78
68
68
70
61
73
72
2800
5200
4900
3800
2900
4000
3800
3200
4100
3800
2900
3200
3100
1900
2900
0
1
1
1
0
1
1
0
1
1
0
0
0
0
0
70
80
78
68
60
69
68
63
73
69
70
79
61
58
70
Tabel 7.1 Data
44
Modul Statistika Universitas Internasional Batam - 2020
Langkah-langkah analisis pada regresi dengan variabel dummy adalah:
1. Input data pada Tabel 7.1 ke dalam data sheet SPSS. Variabel Jenis kelamin sebagai variabel kualitatif
diinput dengan memberikan value pada Variable View ( 1 = Pria, 0 = Wanita)
2. Lakukan uji Outlier pada variabel yang berskala data interval / Rasio (non kategorik), dalam kasus ini hanya
variabel penghasilan dan prestasi yang bertipe data non kategorik. Lakukan deteksi outlier dengan metode ZScore.
Note: Perhatikan kriteria penentuan batas nilai Z-Score!
3. Lakukan langkah-langkah analisis seperti pada Analisis Regresi Linier Berganda, sehingga menghasilkan
output seperti pada Gambar 7.1.
(Gambar 7.1)
Analisis outputnya adalah sebagai berikut:
a. Tabel Model Summary menunjukkan nilai R Square sebesar 0.718 yang artinya bahwa model mampu
menjelaskan variabel independent sebesar 71.8%, sedangkan 28.2% dijelaskan oleh faktor lain yang
tidak ada dalam model.
b. Tabel ANOVA menunjukkan bahwa variabel independent secara simultan berpengaruh signifikan
terhadap variabel dependent.
(Gambar 7.2)
c. Tabel Coefficient pada (Gambar 7.2), menunjukkan bahwa Jenis Kelamin berpengaruh signifikan
terhadap Penghasilan. Artinya besarnya penghasilan antara tenaga kerja Laki-laki dan Perempuan
berbeda signifikan. Atau dapat disimpulkan juga bahwa pada setiap prestasi, terdapat perbedaan
besarnya penghasilan laki-laki dan perempuan. Perbedaaan tersebut besarnya adalah 884.643 (sebesar
b1 ) lebih tinggi untuk laki-laki.
Misalnya jika prestasi kerja = 70, maka
Jika JenisKelamin=0, rata-rata penghasilan perempuan adalah
Y = -509.215 + 884.643 (0) + 52.174 (70) = 3142.965
Jika JenisKelamin=1, rata-rata penghasilan laki-laki adalah
45
Modul Statistika Universitas Internasional Batam - 2020
Y = -509.215 + 884.643 (1) + 52.174 (70) = 4027.608
LATIHAN SOAL
Suatu penelitian bertujuan untuk mengetahui pengaruh asal daerah pegawai dengan dan masa kerja terhadap
produktivitas pegawai. Variabel asal daerah merupakan variabel dummy yang terdiri dari:
2 : Pegawai berasal dari dalam kota
3 : Pegawai yang berasal dari luar kota
Untuk itu diambil sampel sebanyak 40 pegawai dengan data sebagai berikut:
Asal Daerah
Masa Kerja Produktivitas Asal Daerah Masa Kerja Produktivitas
1
1
1
1
1
1
1
0
0
1
0
0
1
1
0
1
0
1
0
1
6
4
3
6
4
5
4
2
3
6
5
3
6
5
7
4
8
3
4
5
12
9
8
13
8
11
10
7
8
13
12
9
7
13
12
10
8
9
7
8
0
0
0
1
0
1
0
0
1
0
1
1
1
0
0
0
0
1
0
1
4
5
3
7
6
1
1
2
4
5
6
4
3
5
6
2
7
9
1
4
11
12
10
10
9
7
8
13
12
10
8
9
9
10
11
12
14
8
7
9
Analisis lah data tersebut dengan menggunakan analisis regresi linier berganda beserta asumsi-asumsinya!
46
Modul Statistika Universitas Internasional Batam - 2020
BAB 8
ANALISIS REGRESI LOGISTIK
8.1.
DEFINISI REGRESI LOGISTIK
Regresi logistik (Logistic Regression) sebenarnya sama dengan analisis regresi berganda, hanya
variabel dependentnya merupakan data berskala nominal (data bertipe categorical yang sifatnya hanya untuk
membedakan, tidak ada faktor ranking/tingkatan di dalamnya). Sedangkan variable independent dapat berskala
interval / nominal / ordinal. Regresi logistik tidak memerlukan asumsi-asumsi yang diberlakukan pada residual,
termasuk asumsi normal multivariate (Ghozali, 2001) , tetapi screening data outliers tetap dilakukan. Asumsi
yang harus terpenuhi pada Regresi Logistik hanya Asumsi Multikolinieritas. Ada dua jenis Regresi Logistik:
1. Binary Logistic
2. Multinomial Logistic
8.2.
: Digunakan jika dependent variabel hanya terdiri atas dua kategori (Baik-tidak
baik, tepat-tidak tepat, tinggi-rendah)
: Digunakan jika dependent variabel terdiri atas lebih dari 2 kategori (SuksesCukup Sukses-Gagal, Tinggi-Sedang-Rendah)
REGRESI LOGISTIK BINER (BINARY LOGISTIC REGRESSION)
Contoh Kasus:
Seorang Manajer Toko ingin meningkatkan penjualan suatu produk dengan mempertimbangkan
pengaruh rasio promosi terhadap laba dan perilaku pembelian pelanggan. Manajer toko tersebut melakukan
promosi dengan beberapa variasi biaya serta mengamati lifestyle belanja pelanggan apakah berpengaruh
terhadap pembelian atau tidak.
Lifestyle pelanggan adalah kebiasaan pelanggan berkunjung ke toko tersebut. Lifestyle dikelompokkan
ke dalam tiga kategori, yaitu:
1 = Belanja sebulan sekali
2 = Belanja Sebulan dua kali
3 = Belanja sebulan tiga kali
Tabel 8.1 (terlampir) adalah data yang dikumpulkan dari 60 sampel.
Y
X1
X2
= Pembelian ( 1 = beli, 0 = tidak membeli)
= Biaya Promosi
= Lifestyle
47
Modul Statistika Universitas Internasional Batam - 2020
Beli
0
1
0
0
0
1
1
1
1
0
0
0
1
1
0
1
1
0
0
0
Lifestyle
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
3
3
3
Promosi
0,025
0,05
0,075
0,1
0,15
0,175
0,2
0,225
0,25
0,025
0,05
0,075
0,125
0,15
0,175
0,2
0,25
0,025
0,05
0,075
Beli
1
1
0
1
1
1
0
1
0
0
1
1
1
1
0
0
0
1
1
1
Lifestyle
3
3
3
3
3
3
1
1
1
1
1
1
1
1
2
2
2
2
2
2
Promosi
0,1
0,125
0,15
0,175
0,225
0,25
0,025
0,05
0,1
0,125
0,15
0,2
0,225
0,25
0,025
0,05
0,075
0,1
0,125
0,15
Tabel 8.1. Data Regresi Logistik Biner
Langkah-langkah analisis:
1. Pilih analyze => Regression => Binary Logistic sehingga muncul dialog Box seperti pada Gambar 8.1.
2.
Masukkan variabel Beli sebagai dependent variabel sedangkan variabel lifestyle dan promosi pada kolom
Covariate => pada method
pilih Enter
3. Pilih categorical karena ada
variabel independent yang
bertipe kategorik, sehingga
muncul dialog box seperti
pada Gambar 8.2. Masukkan
variabel
Lifestyle
=>
Continue sehingga kembali
ke dialog Box Logistic
Regression.
(Gambar 8.1 Logistic Regression)
4.
Pada Options cek list Classification plots dan Hosmer-Lemeshow goodness-of fit  Continue =>
OK.
48
Modul Statistika Universitas Internasional Batam - 2020
5.
(Gambar 8.2 Define Categorical Variables)
(Gambar 8.3 Options)
Output yang muncul akan sangat beragam. Output yang perlu diperhatikan adalah pada sub Block 1:
Method = Enter. Hasil output dapat dilihat pada Gambar 8.4 dan Gambar 8.5. Berikut adalah analisa
masing-masing output:
(Gambar 8.4 R square dan Hosmer & Lemeshow Test)
a. Model Summary memuat nilai Nagelkerke R square yang merupakan prosentase kecocokan model.
Pada output terlihat bahwa R square sebesar 0.528 mengindikasikan bahwa model mampu
menjelaskan variabel dependent sebesar 52.8%, sedangkan 47.2% lainnya dijelaskan oleh faktor-faktor
lain yang tidak dimasukkan dalam model.
b. Hosmer and Lemeshow Test menunjukkan kesesuaian model dengan data. Kriterianya adalah, jika
nilai Sig. > 0.05, maka model sesuai dan sebaliknya.
Pada output nilai Sig sebesar 0.567 sehingga dapat disimpulkan model sesuai.
c. Signifikansi masing-masing variabel ditunjukkan pada tabel Variables in the Equation pada Gambar 8.5.
Kriterianya jika Nilai Sig < 0,05 maka berarti variabel tersebut berpengaruh signifikan terhadap variabel
independent. Pada output, dapat dilihat bahwa nilai signifikansi variabel lifestyle > 0,05 yang menunjukkan
bahwa variabel independent tersebut tidak berpengaruh signifikan terhadap keputusan pembelian oleh
customer. Sedangkan nilai signifikansi promosi < 0.05 menunjukkan bahwa besarnya biaya promosi dapat
mempengaruhi keputusan pembelian oleh Customer secara signifikan.
49
Modul Statistika Universitas Internasional Batam - 2020
(Gambar 8.5 Variables in the Equation)
Model yang dihasilkan pada Binary Logistic Regression adalah:
Binary Logistic Regression mengikuti sebaran eksponensial sehingga tidak diperlukan asumsi normalitas,
namun outlier tetap dideteksi secara parsial pada variabel-variabel dengan skala data interval dan rasio.
8.3.
REGRESI LOGISTIK MULTINOMIAL (MULTINOMIAL LOGISTIC REGRESSION)
Model regresi logistik multinomial pada prinsipnya sama dengan Regresi Logistik Biner dengan variabel
dependent tidak terbatas hanya dua pilihan.
Contoh kasus:
Sebuah perusahaan makanan melakukan penelitian preferensi makanan konsumen atas tiga produk (A, B, dan
C). Perusahaan melakukan sampling terhadap 500 konsumen dengan variabel yang dianggap mempengaruhi
adalah umur (terbagi atas tiga kategori: Di bawah 31; 31 – 45; 46 – 60; 60 ke atas), Gender (Laki-laki dan
perempuan), dan status bekerja (tidak; ya). Penelitian ini dimaksudkan untuk lebih mengetahui konsumen
sehingga perusahaan dapat menyiapkan pemasaran efektif atas produk tersebut.
Pada penelitian ini variabel kat_umur bertipe data Ordinal, Variabel Gender betipe data nominal,
variabel kerja bertipe data nominal, dan variabel preferensi bertipe data ordinal. Tampilan pada worksheet
Variable View adalah seperti Gambar 8.6.
(Gambar 8.6 Variable View Regresi Logistik Multinomial)
Data pada Tabel 8.2 adalah Data yang akan dianalisis.
Langkah-langkah untuk melakukan analisis dalam SPSS adalah sebagai berikut:
1. Pilih Analyze => Regression => Multinomial Logistik sehingga muncul Dialog Box Multinomial Logistic
Regression seperti Gambar 8.7.
50
Modul Statistika Universitas Internasional Batam - 2020
(Gambar 8.7 Multinomial Logistic Regression)
2. Masukkan variabel preferensi pada kolom Dependent dan masukkan variabel kat_umur, variabel
Gender,dan Variabel kerja pada Kolom Factor(s).
3. Pilih Reference category sehingga muncul dialog Box Multinomial Logistic Regression : Reference
Category.
(Gambar 8.8 Reference Category)
4. Pilih First Category  Continue  Statistics sehingga muncul Dialog Box Statistics.
51
Modul Statistika Universitas Internasional Batam - 2020
(Gambar 8.9 Statistics)
5. Pada Model, pilih Pseudo R-square, Step Summary, Model fitting Information, Cell Probabilities,
Classification Table, dan Goodness of fit  Continue  OK
Hasil output dapat dilihat pada (Gambar 8.10).
1.
(Gambar 8.10 Output 1)
Model fitting information menjelaskan signifikansi variabel secara simultan. Pengaruh variabel
independent dinyatakan signifikan jika nilai signifikansi Final (Sig.) bernilai < 0.05. Pada output ditunjukkan
nilai signifikansi sebesar 0.000 sehingga dapat disimpulkan bahwa variabel independent secara simultan
berpengaruh secara signifikan.
52
Modul Statistika Universitas Internasional Batam - 2020
2.
Goodness of fit menunjukkan kesesuaian model, yang dilihat dari dua indicator, yaitu Pearson dan
Deviance. Jika nilai signifikansi (Sig) > 0.05 maka dikatakan model sesuai. Pada output terlihat bahwa
Goodness of Fit pada kedua indikator signifikan, artinya model sesuai.
3.
Pseudo R Square memuat tiga jenis R square, yaitu Cox and Snell, Nagelkerke, dan Mc Fadden. Cox
and Snell merupakan prosentase kecocokan model yang digunakan untuk model dengan satu variable
independent. Untuk model dengan independent variable lebih dari satu, pilih R square terbesar diantara
Nagelkerke dan Mc Fadden untuk menginterpretasikan hasil. Pada Output R square terbesar yaitu
Nagelkerke yaitu sebesar 41.2%.
(Gambar 8.11 Likelihood Ratio Tests)
d.
Tabel Likelihood Ratio Tests menjelaskan signifikansi pengaruh masing-masing variabel independent.
Jika nilai Sig. < 0.05, maka variabel independent tersebut memiliki pengaruh yang signifikan terhadap variabel
dependent. Pada output terlihat bahwa variabel umur dan kerja berpengaruh signifikan terhadap preferensi
makanan, sedangkan Gender tidak berpengaruh signifikan.
Note:
Uji Asumsi Multikolinieritas pada Analisis Regresi Logistik dapat dilakukan dengan cara melihat
korelasi antar variable ataupun melalui nilai VIF (Variance Inflation Factors)
LATIHAN SOAL
1. Lakukan analisis regresi logistik biner pada data tabel 8.1 dengan terlebih dahulu melakukan Uji Outlier (zscore) pada tiap variabel, kemudian uji multikolinieritas, dan bandingkan hasil akhirnya dengan output gambar
8.4 dan 8.5.
2. Carilah data sekunder yang dapat dilakukan uji analisis regresi, kemudian analisalah dengan urutan:
a. Deteksi outlier dengan kriteria Hair, 2010.
b. Uji Multikolinieritas
c. Uji Analisis regresi logistik
53
Modul Statistika Universitas Internasional Batam - 2020
BAB 9
ANALISIS REGRESI PANEL
(Aplikasi Software Eviews)
4.1. Data Panel
Salah satu bentuk struktur data yang sering digunakan dalam studi ekonometrika adalah data panel.
Data panel atau pooled data atau longitudinal data merupakan kombinasi dari data time series dan cross section.
Berdasarkan jumlah observasi pada masing-masing unit time series dan cross section, data panel
terbagi menjadi dua jenis, yaitu:
1. Balanced Panel Data : Data panel dimana jumlah observasi (data) sama banyak pada masingmasing unit cross section maupun time series
2. Unbalanced Panel Data : Data panel dimana jumlah observasi (data) tidak sama banyak pada
masing-masing unit cross section maupun time series
Pemodelan antara variabel bebas terhadap variabel terikat pada data panel disebut dengan Regresi
Linier Panel. Dengan mengakomodasi informasi baik yang terkait dengan variabel-variabel cross section maupun
time series, regresi panel memiliki keunggulan terutama karena bersifat robust terhadap beberapa pelanggaran
asumsi Gauss Markov (Asumsi klasik analisis regresi), sehingga tidak diperlukan uji asumsi klasik pada regresi
panel (Ajija, 2011; Verbeek, 2000; Gujarati, 2003).
Perbedaan regresi panel dengan regresi linier (Ordinary Least Squares) adalah bahwa regresi panel
memperhitungkan efek dari faktor waktu dan faktor cross section. Pemodelan regresi panel dengan
menggunakan software E-Views, STATA, SAS, S-Plus dll. Terdapat tiga model regresi yang mungkin dihasilkan
pada regresi panel yaitu sebagai berikut:
1. Pooled Least Square (PLS) yaitu mengestimasi data panel dengan asumsi bahwa error regresi bersifat
konstan tidak terpengaruh waktu maupun objek. Teknik ini efektif untuk meningkatkan presisi jika kita dapat
mengasumsikan bahwa hubungan antara variabel dependen dan variabel independen adalah konstan pada
periode dan objek yang digunakan pada analisis. Model yang dihasilkan dari estimasi Pooled Least Squares
adalah sebagai berikut:
2. Fixed Effect Model (FEM) mengestimasi data panel dengan asumsi bahwa error regresi terpengaruh
perbedaan objek (individu) maupun waktu dan besifat tetap. Pemodelan ini masih memungkinkan terjadinya
heteroskedastisitas atau hubungan antara variabel independen dengan error. Jika dalam model terjadi
heteroskedastisitas maka akan diatasi dengan Random Effect Model (REM).
54
Modul Statistika Universitas Internasional Batam - 2020
3. Random Effect Model (REM) Mengestimasi data panel dengan asumsi bahwa error regresi terpengaruh
perbedaan objek (individu) maupun waktu dan bersifat random.
Model terbaik pada regresi panel dipilih berdasarkan karakteristik masing- masing data. Pemilihan
model terbaik pada regresi panel dilakukan melalui uji Chow (Likelihood Ratio / Uji F) dan Uji Hausman.
a.
Pemilihan Model terbaik pada Regresi Panel
Tiga pendekatan estimasi pada regresi panel diatas dipilih berdasarkan kriteria yang dihasilkan dari:
1. Uji Chow (Likelihood Ratio / Uji F) : Merupakan uji yang digunakan untuk memilih antara Pooled Least
Squares (PLS) dan Fixed Effect Model (FEM).
Hipotesis dalam Uji Chow adalah:
H0
: Model terbaik adalah Pooled Least Squares (PLS)
H1
: Model terbaik adalah Fixed Effect Model (FEM)
Jika nilai probabilitas (prob.) > α (α = 0.05) , maka kita menerima H0 atau artinya model yang terbaik adalah
Pooled Least Squares (PLS), dan sebaliknya jika nilai prob. (p-value) < 0.05, maka model yang terbaik adalah
Fixed Effect Model (FEM).
2. Uji Hausman merupakan uji yang digunakan untuk memilih antara Fixed Effect Model (FEM) dengan Random
Effect Model (REM).
H0
: Model terbaik adalah Random Effect Model (REM)
H1
: Model terbaik adalah Fixed Effect Model (FEM)
Jika nilai probabilitas (prob.) > 0.05 , maka kita menerima H0 atau artinya model yang terbaik adalah Random
Effect Model (REM), dan sebaliknya jika nilai probabilitas (prob) < 0.05, maka model yang terbaik adalah
Fixed Effect Model (FEM).
b.
Contoh Kasus
Suatu penelitian dilakukan untuk mengetahui pengaruh Earning Per Share (EPS), Dividend Payout
Ratio (DPR) dan Return on Equity (ROE) terhadap Harga Saham perusahaan yang terdaftar pada bursa indeks
LQ45 dari tahun 2010– 2015.
Perusahaan yang masuk dalam sampel penelitian dengan purposive sampling sebanyak 43 perusahaan, dan
menghasilkan unbalanced panel data (Jumlah observasi perusahaan di masing-masing unit time series (tahun)
dan unit cross section (perusahaan) tidak selalu sama). Total keseluruhan data observasi yang diteliti adalah
sebanyak 176 data.
55
Modul Statistika Universitas Internasional Batam - 2020
Data yang digunakan ada pada lampiran 1.
Langkah analisis Regresi Panel sebagai berikut:
1.
Uji Outlier dengan menggunakan Studentized Deleted Residual (SDR) dengan software SPSS.
Analyze => Regression => Linear
Pada Menu Save, Cek List Studentized Deleted => Continue => OK
2.
Hapus data yang terdeteksi sebagai outlier sesuai dengan kriteria Studentized Deleted Residual. Pada
kasus ini data yang terdeteksi sebagai outlier sebanyak 8 data sehingga tersisa data sebanyak 168 data.
Note: File Excel harus simpan dalam format xls (97-2003 Workbook)
3.
Buka program Eviews, terdapat dua cara mengimpor data dari excel ke Eviews:
Dengan membuat Workfile Baru:
Pilih File => New => Workfile sehingga muncul dialog box Workfile Create.
Isi Start Date dengan 2010 dan End Date dengan 2015 => OK. Selanjutnya akan muncul dialog box
seperti gambar berikut.
56
Modul Statistika Universitas Internasional Batam - 2020
Pilih Object => New Object Sehingga muncul dialog box seperti gambar berikut. Pilih Pool pada Type of
Object, beri nama object “Data” => OK
Selanjutnya akan muncul Pool Data yang meminta untuk mengisi cross section identifier. Isi dialog box ini
dengan nama perusahaan yang masuk dalam sampel penelitian. Nama perusahaan dapat berupa nomor,
kode, ataupun label perusahaan. Masukkan nama-nama perusahaan yang digunakan dalam penelitian.
Pilih Proc => Import Pool Data. Ambil data yang akan digunakan pada internal directory yang dituju
sehingga muncul Excel Spreadsheet Import.
Pada Upper left data cell dengan C2. Pada Ordinary and Pool series to read isi dengan Hargasaham?
Eps? Dpr? Roe? Sesuai dengan urutan variabel pada file excell => OK
57
Modul Statistika Universitas Internasional Batam - 2020
Tampilan Workfile akan berubah seperti gambar berikut.
Tampilan Workfile setelah Input variabel
Import Data Dengan Fasilitas Open A
Foreign File
1. Klik Open – Foreign Data as Workfile
2. Cek tampilan di Eviews apakah sudah
sesuai dengan Excel. Klik Next
3. Klik Next
4. Klik Next
5. Pada Kolom Cross Section ID identifiers
isikan Kode dan Data Series dengan
tahun. Selanjutnya klik finish.
58
Modul Statistika Universitas Internasional Batam - 2020
59
Modul Statistika Universitas Internasional Batam - 2020
Maka diperoleh tampilan berikut .
Workfile sudah siap digunakan,
namun dapat ditambahkan object
baru dengan format unstacked.
Untuk menambahkan lembar
kerja baru dapat diklik
Proc – Reshape Current Page –
Unstack in New Page
60
Modul Statistika Universitas Internasional Batam - 2020
Selanjutnya isi seperti berikut
Lalu klik OK
Kemudian double klik “Kode” pemisah cross section
Maka tampilan berubah menjadi seperti ini:
61
Modul Statistika Universitas Internasional Batam - 2020
Data sudah disiap untuk regresi panel.
4.
Selanjutnya adalah langkah estimasi regresi panel. Pada Pool Pilih Estimate => masukkkan
hargasaham? Pada dependent variable, dan c eps? dpr? roe? pada common coefficients seperti
pada Gambar berikut. Pada Fixed and Random Effect, tetap posisikan Cross section dan period
dengan none karena estimasi yang pertama adalah menggunakan Pooled Least Square. Selanjutnya
pilih OK.
Menu Estimate
5.
Maka akan muncul output Pooled Least Square seperti pada Gambar berikut. Copy tampilan output
pooled least squares berikut ke dalam file word.
62
Modul Statistika Universitas Internasional Batam - 2020
6.
Masih dalam tampilan output Pooled Least Squares, pilih menu Estimate => Ganti Cross
dengan Fixed => OK
Section
Berikut adalah output Fixed effect model. Output Pooled Least Square maupun Fixed Effect Model masih
belum bisa diinterpretasikan karena proses pemilihan model terbaik belum dilakukan.
Tampilan Output Fixed Effect Model
63
Modul Statistika Universitas Internasional Batam - 2020
7.
Masih dalam tampilan output Fixed Effect Model, selanjutnya akan dilakukan Uji Chow dengan memilih
View => Fixed / Random Effect Testing => Redundant Fixed Effect-Likelihood Ratio sehingga
muncul tampilan output Uji Chow seperti pada Gambar berikut.
Output Uji Chow menunjukkan nilai Probabilitas sebesar 0.000. Sesuai dengan kriteria, keputusannya adalah
menolak H0 atau model yang terpilih adalah Fixed Effect Model. Maka pemilihan model terbaik masih dilanjutkan
dengan Random Effect Model dan Uji Hausman.
8.
Masih dalam tampilan output Uji Chow, pilih Estimate, lalu ganti cross section dengan Random => OK,
sehingga muncul tampilan output Random Effect Model seperti Gambar berikut:
64
Modul Statistika Universitas Internasional Batam - 2020
9.
Selanjutnya akan dilakukan Uji Hausman, pilih View => Fixed / Random Effect Testing => Redundant
Fixed Effect-Hausman Test sehingga muncul output Uji Hausman seperti pada Gambar berikut.
Output Uji Hausman menunjukkan nilai probabilitas < 0,05, sehingga dapat disimpulkan bahwa model terbaik
yang terpilih adalah Fixed Effect Model. Sehingga untuk selanjutnya, model yang diinterpretasikan dan digunakan
untuk pemodelan adalah FIxed Effect Model.
Analisa Output:
Setelah dilakukan pemilihan model terbaik, model terpilih adalah random effect model, yang berarti bahwa faktor
cross section (perusahaan) dan time series (tahun) memberikan efek terhadap pengaruh variabel independen
terhadap dependen dan bersifat tetap. Sehingga untuk selanjutnya output model regresi yang digunakan adalah
output yang dihasilkan dari fixed effect model.
Dependent Variable: HARGASAHAM?
Method: Pooled Least Squares
Date: 04/11/17 Time: 10:55
Sample: 2010 2015
Included observations: 6
Cross-sections included: 43
Total pool (unbalanced) observations: 168
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EPS?
DPR?
ROE?
Fixed Effects (Cross)
_AALI—C
_ADHI—C
_ADRO--C
_AKRA--C
_ANTM--C
_ASII--C
1991.169
7.997263
-0.000968
-1196.620
745.8966
1.046957
0.001459
1844.100
2.669497
7.638575
-0.663310
-0.648891
0.0086
0.0000
0.5084
0.5176
6829.601
-919.4821
-786.4471
-1414.429
-1604.669
-6357.546
65
Modul Statistika Universitas Internasional Batam - 2020
_BBCA--C
_BLTA--C
_BBNI--C
_BBRI--C
_BDMN--C
_BMRI--C
_BNII--C
_BNGA--C
_BUMI--C
_CMNP--C
_ELSA--C
_ELTY--C
_GGRM--C
_GJTL--C
_INCO--C
_INDF--C
_INDY--C
_INTP--C
_ISAT--C
_ITMG--C
_JSMR--C
_KLBF--C
_LPKR--C
_LSIP--C
_MEDC--C
_PGAS--C
_PNBN--C
_PTBA--C
_SGRO--C
_SMCB--C
_SMGR--C
_TINS--C
_TLKM--C
_TOTL--C
_UNSP--C
_UNTR--C
_UNVR--C
920.3517
-2208.704
-986.4676
-87.71516
429.9834
100.9434
-1612.712
-1496.816
978.8042
-192.1030
-1713.550
-1860.312
-5736.810
-1674.254
-1364.875
-1184.646
-516.9371
5633.272
-3812.758
-2183.602
-1570.255
-2152.356
-1367.118
-2286.411
-1222.987
-720.4020
-1472.584
4826.442
-420.4224
-786.9427
2755.550
-1252.140
-5935.886
-1524.058
-1764.551
4885.948
8818.427
Effects Specification
Cross-section fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.848133
0.792116
3238.246
1.28E+09
-1569.415
15.14072
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
5404.911
7102.303
19.23113
20.08650
19.57828
2.074873
66
Modul Statistika Universitas Internasional Batam - 2020
d. Koefisien Determinasi (R squared)
Nilai adjusted R Square pada output adalah prosentase kecocokan model, atau nilai yang menunjukkan
seberapa besar variabel independent menjelaskan variabel dependent. Menurut Ghozali (2001), R2 pada
persamaan regresi rentan terhadap penambahan variabel independent, dimana semakin banyak variabel
Independent yang terlibat, maka nilai R2 akan semakin besar. Karena itulah digunakan R2 adjusted pada analisis
regresi linier Berganda, dan digunakan R2 pada analisis regresi sederhana. Pada gambar output terlihat nilai
adjusted R Square sebesar 0.7921, artinya variabel independen dapat menjelaskan variabel dependent sebesar
79.21%, sedangkan 20.79% dijelaskan oleh variabel lain yang tidak terdapat dalam model.
e. Uji F
Uji F dalam analisis regresi linier berganda bertujuan untuk mengetahui pengaruh variabel independent
terhadap variabel dependen secara simultan. Hasil Uji F regresi ditunjukkan pada nilai Prob(F statistic).
Rumusan hipotesis yang digunakan adalah:
H0
: Ketiga variabel independent secara simultan tidak berpengaruh signifikan terhadap variabel
harga saham.
H1
: Ketiga variabel independent secara simultan berpengaruh signifikan terhadap variabel harga
saham.
Kriteria pengujiannya adalah:
Jika nilai probability (prob) > 0.05 maka keputusannya adalah terima H0 atau variabel independent secara
simultan tidak berpengaruh signifikan terhadap variabel dependent.
Jika nilai probability (prob) < 0.05 maka keputusannya adalah tolak H0 atau variabel dependent secara simultan
berpengaruh signifikan terhadap variabel dependent.
Berdasarkan output, Nilai probability (prob) yaitu sebesar 0.000, sehingga dapat disimpulkan bahwa
EPS, DPR dan ROE secara simultan berpengaruh signifikan terhadap Harga Saham perusahaan.
f.
Uji t
Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen secara parsial.
Rumusan hipotesis yang digunakan adalah:
H1
: EPS berpengaruh signifikan terhadap Harga Saham
H2
: DPR berpengaruh signifikan terhadap Harga Saham
H3
: ROE berpengaruh signifikan terhadap Harga Saham
Kriteria pengujiannya adalah:
Jika nilai probability (prob) > 0.05 maka keputusannya adalah menolak Hipotesis atau variabel independent tidak
berpengaruh signifikan terhadap variabel dependent.
67
Modul Statistika Universitas Internasional Batam - 2020
Jika nilai probability (prob) < 0.05 maka keputusannya adalah menerima hipotesis atau variabel dependent
berpengaruh signifikan terhadap variabel dependent.
Signifikansi pengaruh variabel independent terhadap variabel dependent dapat dilihat dari nilai
probability (prob). Nilai prob untuk variabel EPS yaitu sebesar 0.000 atau kurang dari 0.05, artinya variabel ini
berpengaruh secara signifikan terhadap Harga Saham. Hal ini berlaku sebaliknya pada dua variabel lain, dimana
nilai prob > 0.05, sehingga kesimpulannya adalah menolak hipotesis atau dengan kata lain DPR dan ROE tidak
berpengaruh signifikan terhadap Harga Saham.
Perhatikan nilai coefficient untuk masing-masing variabel. Nilai – nilai tersebut disebut sebagai Koefisien
Regresi yang menunjukkan arah dan besar pengaruh masing-masing variabel independen terhadap dependen.
Variabel EPS mempengaruhi Harga Saham sebesar 7.997. Nilai koefisien ini positif, artinya semakin meningkat
nilai EPS, maka Harga Saham juga akan mengalami peningkatan.
Nilai 7.997menunjukkan bahwa setiap peningkatan EPS sebesar 1 , maka akan meningkatkan Harga
saham sebesar 7.997. Variabel DPR memiliki koefisien regresi negatif (-0.000968), artinya bahwa peningkatan
nilai DPR sebesar 1 satuan maka akan menurunkan harga saham perusahaan sebesar 0.000968, demikian juga
dengan variabel ROE memiliki nilai koefisien regresi negatif (-1196.620). Nilai koefisien regresi juga menunjukkan
besar pengaruh masing-masing variabel independen. Berdasarkan hasil, terlihat bahwa variabel EPS memiliki
pengaruh paling tinggi dibandingkan dengan dua variabel lainnya. Model regresi dapat dibentuk berdasarkan nilai
koefisien regresi (Coefficient), yaitu:
Harga Saham = 1991.169. + 7.997 EPS – 0.000968 DPR - 1196.620 ROE + e
Model regresi juga digunakan untuk memprediksi nilai variabel dependen apabila diketahui nilai-nilai
variabel independennya. Residual (e) pada model regresi merupakan error atau sisaan pada model regresi yang
merupakan selisih antara nilai predicted dengan nilai aktualnya. Model regresi yang baik adalah model regresi
yang memiliki residual atau error sekecil mungkin sehingga hasil prediksi lebih akurat. Nilai konstanta sebesar 1991.169 menunjukkan harga saham pada saat kondisi ceteris paribus atau dimana nilai – nilai variabel
independennya nol.
Berbeda dengan regresi linier berganda dengan metode estimasi Ordinary Least Squares, metode
regresi panel menghasilkan nilai konstanta pada masing-masing unit cross section maupun time series. Sebagai
contoh, pada random effect (cross), nilai konstanta perusahaan AALI menunjukkan nilai 6829.601. Artinya, pada
kondisi ceteris paribus (variabel independen bernilai nol) maka prediksi harga saham AALI adalah 6829.601.
Demikian juga dengan perusahaan lainnya.
68
Modul Statistika Universitas Internasional Batam - 2020
BAB 10
INSTRUMENTASI KUESIONER
10.1 KUESIONER
Menurut Mustafa (2009), Ditinjau dari cara atau metode pengumpulannya, terdapat beberapa metode
pengumpulan data primer, antara lain metode observasi, metode wawancara, dan Metode Kuesioner. Pada
bagian ini akan difokuskan pada instrumentasi dengan metode Kuesioner.
Metode Kuesioner atau sering disebut Metode angket adalah suatu cara untuk mengumpulkan data
primer dengan menggunakan seperangkat daftar pertanyaan mengenai variabel yang diukur melalui
perencanaan yang matang, disusun dan dikemas sedemikian rupa, sehingga jawaban dari semua pertanyaan
benar-benar dapat menggambarkan keadaan variable yang sebenarnya.
Tipe pertanyaan yang digunakan dalam kuesioner yaitu:
1.
Pertanyaan terbuka (Open ended questions) yaitu pertanyaan yang tidak disertai jawaban dari peneliti,
artinya responden diminta untuk menjawab sesuai dengan apa yang dialami atau dirasakan dengan
menggunakan bahasa atau kata-katanya sendiri. Contoh:
1) Bagaimana pendapat Saudara terhadap pelaksanaan program jaminan asuransi kecelakaan kerja yang
ada di tempat saudara?
2) Sejauh mana manfaat dari pelaksanaan program jaminan asuransi kecelakaan kerja bagi pribadi
Saudara?
2. Pertanyaan tertutup (Closed Questions) merupakan suatu pertanyaan yang telah disediakan beberapa
pilihan jawaban yang dapat dipilih oleh responden. Contoh:
3.
4.
1) Kebersihan ruang kerja Saudara saat ini:
a. Sangat Kotor
b. Kotor
c. Biasa Saja
d. Bersih
e. Sangat Bersih
Pertanyaan Positif adalah suatu pertanyaan yang narasinya atau kata-katanya disusun dengan kalimat
positif, yaitu kalimat mengarah ke hal-hal yang secara normatif “baik”. Misalnya peneliti ingin mengetahui
kualitas promosi suatu produk, maka pertanyaannya dapat disusun seperti berikut:
SS
: Sangat Setuju
TS
: Tidak Setuju
S
: Setuju
STS
: Sangat Tidak Setuju
N
: Netral
Variabel “Promosi”
Pernyataan
SS
S
N
TS
STS
Informasi lengkap
5
4
3
2
1
Informasinya jelas
5
4
3
2
1
Memberi citra positif
5
4
3
2
1
Menggugah minat pembeli
5
4
3
2
1
Pertanyaan Negatif adalah suatu pernyataan yang narasinya atau kata-katanya disusun dengan kalimat
negatif, yaitu kalimat mengarah ke hal-hal yang normatif “buruk” atau “tidak baik”. Contoh:
Variabel “Promosi”
69
Modul Statistika Universitas Internasional Batam - 2020
Pernyataan
Informasi tidak lengkap
Informasinya tidak jelas
Memberi citra negative
Tidak membangun minat pembeli
SS
5
5
5
5
S
4
4
4
4
N
3
3
3
3
TS
2
2
2
2
STS
1
1
1
1
Catatan :
Dalam satu variabel, tidak diperbolehkan terdapat pertanyaan positif sekaligus pertanyaan negatif.
Berikut ini adalah contoh kuesioner yang meneliti mengenai faktor-faktor terhadap pilihan seseorang untuk
menjadi wirausahawan.
KUESIONER
1. KARAKTERISTIK (IDENTITAS) RESPONDEN
1. Nama
: _________________________
2. Alamat
: _________________________
3. Jenis Kelamin
: Laki-Laki / Perempuan
4. Umur
: a. <25 tahun
b. 25 – 30 tahun
c. 31-35 tahun
d.
36 – 40 tahun
e. 41 – 45 tahun
f. 46 – 50 tahun
5. Pendidikan
: a. SLTA
b. Diploma
c. S1
d. S2/S3
6. Status Perkawinan
: a. Menikah
b. Belum Menikah
7. Pekerjaan Orang Tua
: a. Wirausaha
b. Non Wirausaha
8. Jenis Usaha yang dijalankan
: a. Perbengkelan b. Home Industri (makanan/minuman)
c. Handycraft
d. Pangkalan Mitan / Elpiji
e. Barang-barang bekas (elektronik)
f. Sembako
g. Produk intangible lain (berupa jasa)
h. Produk tangible lain (produk berupa barang)
9. Lama Usaha
: a. < 1 tahun
b. 1-2 tahun
c. 2-3 tahun
d. 3 – 4 tahun
e. > 4 tahun
10. Modal diperlukan dalam usaha
: a. Ya
b. Tidak
11. Jumlah Modal Usaha (diluar asset bangunan) : a. < 150 juta
b. 151 – 300 juta
c. 301 – 450 juta
d. 451 – 500 juta
e. > 500 juta
12. Pengalaman Usaha sebelumnya
: a. Ya
b. Tidak
70
Modul Statistika Universitas Internasional Batam - 2020
PENDAPAT
RESPONDEN
NO
KETERANGAN
Sangat
tidak setuju
1
2
Sangat
setuju sekali
3
4
5
SIKAP TERHADAP PERILAKU (ATTITUDE TOWARDS BEHAVIOR)
1
Saya merasa terjamin bila saya berwirausaha dari
pada bekerja
1
2
3
4
5
2
Kesempatan berkarier lebih leluasa bila saya
berwirausaha dari pada bekerja
1
2
3
4
5
3
Berwirausaha dapat mengangkat status sosial di
lingkungan tempat saya tinggal
1
2
3
4
5
4
Beban pekerjaan lebih sedikit bila saya berwirausaha
1
2
3
4
5
5
Saya dapat mengurangi tanggung jawab bila saya
berwirausaha
1
2
3
4
5
6
Dengan saya berwirausaha akan mendapatkan
peluang ekonomi yang lebih baik dari pada bekerja
1
2
3
4
5
7
Berwirausaha merupakan cara merealisasikan diri
1
2
3
4
5
8
Saya memiliki kewenangan yang lebih besar dengan
berwirausaha
1
2
3
4
5
9
Berwirausaha membuat saya tidak bergantung
(mandiri) pada orang lain
1
2
3
4
5
10
Berwirausaha membuat saya ikut berpartisipasi
dalam semua proses kegiatan usaha
1
2
3
4
5
11
Tantangan pekerjaan lebih besar bila saya
berwirausaha
1
2
3
4
5
NORMA-NORMA SUBJEKTIF (SUBJECTIVE NORM)
12
Keluarga tedekat mempengaruhi pilihan saya dalam
berwirausaha
1
2
3
4
5
13
Teman akrab mempengaruhi terhadap pilihan saya
dalam berwirausaha
1
2
3
4
5
14
Orang yang penting bagi saya, mempengaruhi
pilihan saya dalam berwirausaha
1
2
3
4
5
71
Modul Statistika Universitas Internasional Batam - 2020
I. KARAKTERISTIK RESPONDEN
II. PERNYATAAN KUESIONER
DATA RESPONDEN
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
(ATTITUDE TOWARDS BEHAVIOR)
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
(SUBJECTIVE
NORM)
12 13 14
1
1
2
2
2
2
2
2
2
1
1
1
1
1
1
2
1
1
1
2
1
2
2
2
2
1
1
2
1
1
1
1
2
1
1
2
1
1
1
2
1
1
1
1
1
2
4
1
1
4
2
4
5
3
2
5
2
2
4
1
3
1
2
2
1
5
1
1
4
1
2
3
2
5
3
3
3
2
3
3
1
5
3
5
5
2
1
3
1
5
1
3
3
1
1
2
1
1
1
1
3
1
1
3
1
1
1
1
2
3
1
1
1
3
2
2
1
3
1
1
3
3
3
1
3
1
1
1
1
1
3
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
2
1
2
1
2
2
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
2
1
1
1
1
2
1
2
1
2
1
2
2
2
1
1
1
1
2
1
1
2
1
1
2
2
2
1
1
2
2
1
1
1
2
2
1
1
2
1
2
1
1
1
2
1
2
6
7
8
2
2
7
7
7
2
6
2
1
8
7
7
6
8
8
8
8
7
8
6
8
2
8
8
8
8
6
6
5
7
3
8
5
2
8
8
8
8
8
2
8
2
4
1
1
4
4
1
4
4
1
4
4
4
2
4
1
4
2
4
1
2
4
2
3
2
3
1
3
4
4
4
3
3
4
3
4
4
4
4
4
4
1
3
4
4
4
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
2
1
2
1
1
1
4
2
1
2
1
4
2
4
3
1
2
1
1
1
1
1
1
2
2
1
3
1
1
1
1
2
2
1
2
2
1
4
1
1
1
1
1
1
2
1
2
2
1
1
2
1
2
2
1
2
1
2
2
1
1
1
1
2
1
1
2
1
1
1
1
1
2
2
2
2
1
1
1
2
1
2
1
2
5
5
4
4
5
5
5
5
5
3
5
4
1
4
3
5
4
5
3
3
3
1
5
3
4
5
5
4
5
5
5
5
3
4
5
5
4
5
5
5
3
5
4
5
4
1
4
4
5
4
5
5
4
4
3
5
4
5
4
3
5
5
5
3
3
5
1
5
4
5
5
5
4
5
5
5
5
4
4
5
3
4
5
4
5
4
4
3
2
4
5
5
3
5
5
4
5
5
5
4
5
3
1
3
2
5
5
5
4
2
3
1
5
4
4
5
5
3
5
5
5
5
3
1
4
5
4
5
2
5
3
4
4
5
4
3
4
3
3
4
5
1
5
5
5
4
5
1
3
2
5
2
5
1
2
1
1
5
2
5
5
5
3
1
4
4
4
1
1
2
5
1
5
2
4
1
1
4
1
1
4
5
1
4
3
5
1
4
4
2
4
3
1
2
3
5
2
1
1
3
2
1
1
1
5
5
1
1
1
4
5
3
1
1
1
1
5
5
2
4
1
1
4
3
5
5
5
3
5
5
5
5
5
3
5
5
3
5
4
4
5
5
5
4
3
4
5
5
5
4
5
5
5
5
5
5
5
4
4
5
5
5
5
4
5
4
4
3
5
5
4
5
3
5
5
4
5
5
4
5
5
4
1
3
4
5
5
5
4
4
3
1
5
5
5
5
5
5
5
5
4
4
5
4
3
5
1
5
4
5
3
5
5
5
1
2
5
4
5
5
4
5
4
5
4
5
5
5
3
1
5
4
5
4
4
4
1
1
5
5
5
5
5
5
5
5
5
4
1
4
4
4
5
4
5
5
5
5
5
4
5
5
4
5
5
5
5
4
4
5
4
5
5
4
1
5
5
5
3
4
5
1
5
5
5
5
5
5
5
5
4
4
4
3
4
5
5
5
4
5
4
5
5
5
5
4
4
3
5
4
5
5
5
3
4
5
5
1
4
5
5
5
5
3
4
4
1
5
5
5
5
5
4
5
5
5
5
4
4
4
4
4
5
4
5
3
5
5
4
4
1
4
4
4
4
5
5
5
4
5
5
4
5
4
3
5
5
5
4
4
5
5
5
5
5
5
5
4
5
5
5
5
4
4
4
5
5
5
4
5
4
5
4
5
5
1
3
5
5
3
3
5
4
5
4
4
2
1
2
5
4
4
1
3
3
4
1
1
5
4
5
3
4
5
5
5
5
4
4
3
5
1
5
2
4
4
1
4
5
1
1
3
3
4
2
2
2
4
4
1
3
2
1
2
2
4
4
1
2
3
2
1
1
5
5
5
3
3
5
5
5
5
2
3
2
4
1
3
2
2
2
1
1
3
1
72
1
3
3
3
1
1
5
4
3
5
2
1
5
3
5
3
5
1
4
3
4
1
5
5
4
5
1
2
1
4
5
5
4
1
2
5
4
2
2
1
3
4
4
5
4
Modul Statistika Universitas Internasional Batam - 2020
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
1
1
2
1
1
1
1
1
1
1
1
2
1
1
1
3
5
5
2
1
3
1
1
5
3
5
5
2
1
3
1
1
1
3
1
1
1
1
1
1
1
1
3
1
1
1
1
1
1
2
1
2
2
1
1
1
1
1
2
1
1
2
1
1
1
2
1
1
2
1
2
1
1
1
2
8
8
8
8
8
2
8
8
2
8
8
8
8
8
2
4
4
4
1
3
4
4
4
4
4
4
4
1
3
4
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
1
2
2
1
4
4
1
2
2
1
2
2
1
1
1
1
2
1
2
1
1
2
1
1
1
2
1
2
5
5
5
3
5
4
5
5
4
5
5
5
3
5
4
5
4
5
4
4
3
2
2
4
5
4
5
4
4
3
5
2
5
3
4
4
5
5
4
5
2
5
3
4
4
5
2
4
1
1
4
1
1
1
5
2
4
1
1
4
5
2
4
1
1
4
3
3
5
5
2
4
1
1
4
5
4
5
4
4
3
5
5
5
5
4
5
4
4
3
5
4
5
3
5
5
5
5
1
5
4
5
3
5
5
5
4
5
5
5
5
5
5
4
5
4
5
5
5
5
5
4
5
4
5
5
5
5
5
5
4
5
4
5
5
5
4
5
3
5
5
4
4
4
5
4
5
3
5
5
5
4
5
4
5
4
5
5
5
5
4
5
4
5
4
5
2
4
4
1
4
5
5
1
5
2
4
4
1
4
3
2
2
2
1
1
3
3
1
3
2
2
2
1
1
73
2
2
1
3
4
4
5
5
4
2
2
1
3
4
4
Modul Statistika Universitas Internasional Batam - 2020
BAB 11
UJI VALIDITAS DAN RELIABILITAS
11.1.
DEFINISI VALIDITAS DAN RELIABILITAS
Validitas adalah tingkat keandalan dan kesahihan alat ukur yang digunakan. Instrumen dikatakan valid
berarti menunjukkan alat ukur yang dipergunakan untuk mendapatkan data itu valid atau dapat digunakan untuk
mengukur apa yang seharusnya di ukur (Mustafa, 2009). Dengan demikian, instrumen yang valid merupakan
instrumen yang benar-benar tepat untuk mengukur apa yang hendak di ukur. Uji Validitas dalam kuesioner
digunakan untuk mengetahui apakah pertanyaan-pertanyaan yang digunakan telah sesuai digunakan
untuk menggambarkan variabel yang diteliti.
Reliabilititas adalah tingkat keandalan. Instrumen yang reliabel adalah jika digunakan beberapa kali
untuk mengukur objek yang sama, akan menghasilkan data yang sama (Mustafa, 2009). Lebih lanjut, Ghozali
(2001) menjelaskan bahwa reliabilitas sebenarnya adalah alat untuk mengukur suatu kuesioner dari variabel atau
konstruk. Suatu kuesioner dikatakan reliabel jika jawaban seseorang terhadap pernyataan adalah
konsisten atau stabil dari waktu ke waktu.
Dengan demikian, validitas menyangkut keabsahan alat ukur, dan reliabilitas menyangkut kehandalan
(konsistensi) alat ukur.
Berdasarkan jenis analisis yang digunakan, terdapat dua jenis validitas:
1. Validitas konstruk (Construct Validity) : Merupakan uji kecocokan antara butir – butir dalam kuesioner
dengan teori yang mendasari konsep atau konstruk yang diukur. Validitas konstruk dapat diuji dengan
analisis faktor (factor analysis)
2. Validitas Kriteria : Merupakan jenis validitas yang sering digunakan oleh peneliti. Pengujian validitas kriteria
dilakukan dengan analisis korelasi.
11.2
UJI VALIDITAS KONSTRUK
Uji Validitas konstruk dilakukan dengan menggunakan analisis faktor. Uji Validitas konstruk dilakukan
pada masing-masing variabel. Berdasarkan contoh data (data primer 01), karena terdapat tiga variabel, maka
nantinya akan dilakukan tiga kali uji validitas.
a. Pilih menu analyze  Dimension Reduction  Factor sehingga muncul dialog box berikut:
74
Modul Statistika Universitas Internasional Batam - 2020
b. Masukkan variabel Kesadaran Merk 1-4. Pilih menu Descriptives. Cek list KMO and Bartlett`s test of
sphericity  continue (sesuai gambar berikut)
c.
Pilih Extraction, pada extract, pilih fixed number to extract, kemudian isi dengan angka 1 ,Continue
=> OK
75
Modul Statistika Universitas Internasional Batam - 2020
d.
Pilih menu Rotation, cek list varimax => Continue , kemudian pilih OK
Analisa Output:
Setelah muncul output, perhatikan tabel “Component Matrix”.
Pada component matrix, masing-masing item pertanyaan memiliki nilai yang disebut dengan Loading Factor.
Nilai loading factor merupakan nilai korelasi / keeratan hubungan antara masing-masing item pertanyaan dengan
76
Modul Statistika Universitas Internasional Batam - 2020
variabel. Suatu item pertanyaan dikatakan valid jika pertanyaan tersebut memiliki korelasi yang kuat dengan
variabel. Sehingga, validitas masing-masing item pertanyaan ditentukan berdasarkan nilai loading factor yang
terdapat pada tabel Component Matrix. Item pertanyaan dikatakan valid jika memiliki nilai loading factor lebih
dari 0.6 (Hair et al. 2001). Item pertanyaan kesadaran merk 1 memiliki nilai loading factor sebesar 0.876. Nilai ini
lebih besar dari 0.6 maka item pertanyaan dinyatakan valid. Kesadaran merk 2, 3 dan 4 masing – masing
memiliki nilai loading factor berturut-turut sebesar 0.921, 0.825 dan 0.754. Sehingga dapat disimpukan bahwa
pada variabel kesadaran merk, seluruh pertanyaan dinyatakan valid karena memiliki nilai loading factor lebih
besar dari 0.6.
Jika dalam variabel terdapat item pertanyaan yang tidak valid, maka item pertanyaan tersebut harus
dikeluarkan / dihapus / tidak diikutkan dalam analisis selanjutnya.
Selanjutnya lakukan uji validitas dengan langkah yang sama untuk variabel Asosiasi Merk dan Ekuitas
Merk. Berikut adalah output hasinya.
Berdasarkan output, seluruh item pertanyaan menunjukkan nilai loading factor lebih besar dari 0.6,
sehingga dapat disimpulkan bahwa seluruh pertanyaan valid.
11.3 UJI VALIDITAS KRITERIA
Uji validitas dilakukan dengan cara meng-korelasikan masing-masing item pertanyaan terhadap total
skor masing-masing variabel. Caranya yaitu dengan menggunakan analisis korelasi Pearson.
a. Langkah awal untuk melakukan uji validitas konstruk yaitu menghitung total skor untuk masing-masing
variabel. Untuk menghitung total skor, pilih menu Transform => Compute Variable
b. Beri nama target variable dengan nama Total_Kesadaran_Merk
77
Modul Statistika Universitas Internasional Batam - 2020
c. Pada numeric expression, gunakan rumus sum, kemudian masukkan item pertanyaan kesadaran
merk 1-4, sehingga tertulis sum(KM1,KM2,KM3,KM4), Kemudian pilih OK
d. Dengan langkah yang sama, hitung total skor untuk variabel Asosiasi Merk dan Ekuitas Merk. Setelah
dihitung toal skor, maka pada sheet data view akan muncul tiga kolom baru, yaitu Tota Kesadaran Merk,
total Asosiasi Merk, dan Total Ekuitas Merk.
e. Selanjutnya untuk menguji validitas masing-masing item pertanyaan, pilih menu Analyze => Correlate
=> Bivariate sehingga muncul Dialog Box seperti pada gambar berikut.
f.
Masukkan item Kesadaran Merk 1-4, dan total kesadaran merk ke dalam kolom variables, kemudian
pilih OK. Output yang muncul adalah sebagai berikut.
78
Modul Statistika Universitas Internasional Batam - 2020
Analisis Output:
Output yang muncul adalah sesuai gambar diatas. Perhatikan kolom paling kanan. Masing-masing pertanyaan
akan memiliki tiga baris pada kolom tersebut. Baris pertama sebesar 0.872 menunjukkan nilai korelasi antara
pertanyaan kesadaran merk 1 dengan variabel kesadaran merk. Baris kedua sebesar 0.000 menunjukkan nilai
signifikansi korelasi antara pertanyaan kesadaran merk 1 dengan variabel kesadaran merk. Baris ketiga
sebesar 98 menunjukkan banyaknya data yang diolah, yaitu 98 responden.
Uji Validitas pada intinya adalah melihat besar korelasi dan signifikansi korelasi antara masing-masing item
pertanyaan terhadap total skornya. Menurut uji validitas kriteria, pertanyaan dikatakan valid jika memiliki nilai
korelasi lebih besar dari 0.3 (baris pertama), dan nilai signifikansi kurang dari 0.05 (baris kedua).
Pertanyaan pertama yaitu kesadaran merk 1 menunjukkan nilai korelasi 0.872 dan nilai signifikansi 0.000.
Sesuai dengan kriteria, maka pertanyaan tersebut dinyatakan valid.
Selanjutnya ujilah validitas kriteria untuk Asosiasi merk dan Ekuitas Merk, dengan langkah yang sama. Berikut
adalah outputnya.
79
Modul Statistika Universitas Internasional Batam - 2020
11.4
UJI RELIABILITAS
Sama halnya dengan uji validitas, uji reliabilitas juga dilakukan per variabel. Syarat utama dalam melakukan uji
reliabilitas adalah:
a. Minimal terdapat dua pertanyaan dalam satu variabel
b. Pertanyaan yang diuji reliabilitas adalah pertanyaan yang dinyatakan valid.
Jika salah satu syarat diatas tidak dilakukan maka uji reliabilitas tidak dapat dilakukan.
Langkah-langkah melakukan uji Reliabilitas adalah sebagai berikut:
1. Pilih Menu Analyze => Scale => Reliability Analysis, sehingga muncul dialog box berikut.
80
Modul Statistika Universitas Internasional Batam - 2020
2.
Masukkan Item-item pertanyaan kesadaran merk 1-4 pada kolom Items, kemudian pilih Statistics.
(Gambar 5.9 Statistics)
3.
Cek List Scale if Item Deleted pada Descriptives for => Continue => OK
4.
Berikut adalah hasil output untuk uji reliabilitas variabel kesadaran merk.
Analisis Output:
81
Modul Statistika Universitas Internasional Batam - 2020
Nilai yang dilihat untuk menentukan reliabilitas instrument adalah Cronbach`s Alpha. Cronbach’s
Alpha merupakan sebuah ukuran keandalan yang memiliki nilai berkisar dari nol sampai satu. Variabel
dikatakan Reliabel jika memiliki nilai Cronbach`s Alpha ≥ 0.6 (Hair et al., 2010: 92). Pada output terlihat
bahwa Cronbach`s alpha sebesar 0.865 sehingga dapat disimpulkan bahwa variabel tersebut reliabel.
Tabel Item Total Statistics yaitu pada kolom Cronbach’s alpha if item deleted menunjukkan tingkat
reliabilitas variable pada penghilangan satu item pertanyaan. Misalnya, jika item pertanyaan 1 (Kesadaran Merk
1) dibuang, maka nilai Cronbach’s alpha akan turun dari 0.865 menjadi 0.811. Jika nilai cronbach alpha
menunjukkan hasil tidak reliabel, maka peneliti dapat menggunakan tabel item-Total statistics, kemudian
membuang pertanyaan yang dapat meningkatkan nilai cronbach alpha. Selain menggunakan Cronbach’s
alpha if item deleted, peningkatan cronbach’s alpha juga dapat dilakukan dengan menghapus corrected itemtotal correlation yang kecil.
Dengan langkah yang sama, lakukan uji reliabilitas untuk variabel asosiasi merk dan ekuitas merk.
Berikut adalah outputnya.
82
Modul Statistika Universitas Internasional Batam - 2020
Untuk meniadakan atau setidak-tidaknya mengurangi butir yang dibuang karena tidak valid, dianjurkan kepada
peneliti untuk melakukan uji coba (tryout) instrument sebelum digunakan untuk mengukur subyek yang
sesungguhnya. Dua hal yang seharusnya diperhatikan oleh peneliti pada saat pelaksanaan uji coba kuesioner,
yaitu:
1.
Untuk menjamin hasil yang memadai, maka kondisi (karakteristik) subyek yang digunakan untuk uji coba
harus benar-benar mencerminkan kondisi (karakteristik) subyek sesungguhnya yang menjadi target
penelitian.
2.
Banyaknya subyek untuk uji coba sekurang-kurangnya adalah 30 responden, untuk memenuhi Rule of
Thumb kenormalan data.
Pada tahap uji coba ini, apabila ada butir yang dinyatakan tidak valid, maka peneliti harus melakukan
perbaikan terhadap butir yang dianggap tidak valid tersebut (tidak langsung membuang). Setelah perbaikan
dilakukan, uji coba diulangi lagi, tetapi bukan pada responden yang pernah diukur. Cari responden lain yang
memenuhi persyaratam di atas. Ulangi proses tersebut hingga benar-benar seluruh butir dinyatakan valid dan
reliabel. (Mustafa, 2009)
83
Modul Statistika Universitas Internasional Batam - 2020
BAB 12
UJI BEDA DUA SAMPEL (T-TEST)
12.1. DEFINISI UJI BEDA T-TEST
Menurut Ghozali (2001) Uji beda t-test digunakan untuk mengetahui ada atau tidaknya perbedaan
rata-rata diantara dua kelompok populasi, misalnya perbedaan antara gaji karyawan laki-laki dan perempuan,
perbedaan profit diantara perusahaan yang go public dan belum go public, perbedaan hasil penjualan yang
didapatkan oleh sales yang tersertifikasi dan sales yang tidak tersertifikasi, dan sebagainya. Terdapat dua jenis
Uji beda T-test, yaitu:
1.
Independent t-Test : Uji beda yang digunakan untuk menguji populasi yang independent. Populasi
independent adalah populasi yang didapatkan dari subyek yang berbeda, misalnya karyawan laki-laki dan
perempuan, perusahaan-perusahaan di Indonesia dengan perusahaan di Malaysia.
Terlihat bahwa peneliti
ingin mengetahui
perbedaan antara
perusahaan di Indonesia
dengan di Malaysia
2.
Paired t-Test : Uji beda yang digunakan untuk menguji populasi yang saling berhubungan / berpasangan
karena didapatkan dari subyek yang berbeda. Misalnya perusahaan sebelum go public dengan perusahaan
sesudah go public, nilai TOEIC mahasiswa sebelum mengikuti pelatihan Bahasa Inggris dengan sesudah
mengikuti pelatihan Bahasa Inggris, dan sebagainya.
Obyek penelitian diukur
dari populasi yang sama
12.2 Independent t-Test
Kasus:
Sebuah penelitian dilakukan untuk mengetahui apakah terdapat perbedaan antara perusahaan yang sudah Go
Public dengan perusahaan yang belum go Public ditinjau dari Ukuran Perusahaan dan Debt to Equity Ratio
(DER). Data independent t-test terlampir.
Langkah – langkah pengujian dengan menggunakan SPSS adalah sebagai berikut:
84
Modul Statistika Universitas Internasional Batam - 2020
a.
Input data dilakukan dengan mengisi data dalam tiga kolom (karena hanya merepresentasikan tiga
variabel, yaitu kelompok perusahaan, Firm Size dan DER).
b.
Pilih Menu Analyze => Compare Means => Independent sample T-Test. Masukkan variabel Firm Size
dan DER pada kolom Test Variable(s), dan variabel Kelompok pada Grouping Variable.
c.
Klik Define Group, isi 1 dan 2 karena variabel Kelompok terdiri dari dua kategori.
d.
Klik Continue => OK
85
Modul Statistika Universitas Internasional Batam - 2020
Analisa Output:
Output Bagian I : Group Statistics
Pada Output Bagian I terlihat ringkasan statistik deskriptif dari kedua sampel. Firm Size perusahaan Go Public
memiliki rata-rata sebesar 12.160 dengan standar deviasi 0.8436, sedangkan rata-rata Firm Size perusahaan
non Go Public sebesar 12.153 dengan standar deviasi 0.9027. Nilai ini tidak berbeda jauh, namun signifikansi
perbedaannya akan dilihat melalui hasil uji t.
Output Bagian II : Independent Samples Test
Uji t dua sampel dilakukan dalam dua tahapan. Tahapan pertama adalah menguji apakah varians kedua sampel
bisa dianggap sama atau homogen. Setelah itu baru dilakukan pengujian untuk melihat ada tidaknya perbedaan
rata-rata populasi. Uji ketidaksamaan varians dilakukan dengan Levene Test (Uji F), dengan dasar pengambilan
keputusan dalam pengujian ketidaksamaan varians adalah:
Jika
Sig > 0.05 maka varians sama (homogen)
Sig < 0.05 maka varians berbeda (tidak homogen)
Melalui hasil Uji F, dapat dilihat bahwa signifikansi uji Fbernilai 0.068, atau lebih besar dari 0.05, sehingga dapat
disimpulkan bahwa varians kedua populasi homogen, sehingga Uji t dilakukan dengan menggunakan nilai
signifikansi untuk varians homogen (Equal Variance Assumed).
Kriteria pengambilan keputusan untuk Uji t adalah:
Jika
Sig < 0.05 maka dua populasi berbeda signifikan
Sig > 0.05 maka dua populasi tidak berbeda signifikan
86
Modul Statistika Universitas Internasional Batam - 2020
Pada tabel hasil output terlihat bahwa nilai signifikansi untuk Equal Variances Assumed sebesar 0.960 atau
lebih dari 0.05, sehingga dapat disimpulkan bahwa tidak terdapat perbedaan Firm Size antara perusahaan go
public dengan perusahaan non go public.
Sedangkan pada variabel Debt to Equity Ratio, hasil Uji F menunjukkan bahwa signifikansi bernilai 0.397, atau
lebih besar dari 0.05, sehingga dapat disimpulkan bahwa varians kedua populasi homogen, sehingga Uji t juga
mengacu pada nilai signifikansi untuk varians homogen (Equal Variance Assumed).
Kriteria pengambilan keputusan untuk Uji t adalah:
Jika
Sig < 0.05 maka dua populasi berbeda signifikan
Sig > 0.05 maka dua populasi tidak berbeda signifikan
Pada tabel hasil output terlihat bahwa nilai signifikansi untuk Equal Variances Assumed sebesar 0.008 atau
kurang dari 0.05, sehingga dapat disimpulkan bahwa terdapat perbedaan signifikan Debt to Equity antara
perusahaan go public dengan perusahaan non go public.
12.3 Paired Sample t-Test
Uji ini dilakukan terhadap dua sampel yang berpasangan (paired). Sampel yang berpasangan diartikan sebagai
sebuah sampel dengan subyek yang sama namun mengalami dua pengukuran yang berbeda. Contoh kasus
berikut akan menjelaskan arti dari sampel berpasangan.
Kasus:
Pada tahun 2008, terjadi krisis Global yang cukup parah sehingga menyebabkan performa perusahaan
cenderung menurun bahkan sebagian diantaranya harus mengalami kebangkrutan. Suatu penelitian bertujuan
untuk melihat apakah terdapat perbedaan performa beberapa perusahaan di BEI sebelum dan sesudah
terjadinya krisis global. Berikut ini (data paired t-test terlampir) adalah datanya:
87
Modul Statistika Universitas Internasional Batam - 2020
Berikut adalah langkah-langkah analisis Paired t-test dengan menggunakan SPSS:
1.
Input Data : data diinput berdasarkan variable waktu, yaitu Profitability Sebelum krisis Global dan
Profitability Sesudah Krisis Global.
2.
Pilih Menu Analyze => Compare Means =>
Paired Samples t-Test.
Masukkan variabel Test
Profitability Sebelum pada kolom Variable1
dan Test Profitability Sesudah pada Variable2.
Selanjutnya Klik OK.
Output yang muncul adalah sebagai berikut:
88
Modul Statistika Universitas Internasional Batam - 2020
Analisa Output:
Output Bagian I menjelaskan statistika deskriptif dari masing-masing variabel. Output bagian 2 adalah hasil
korelasi antara kedua variabel yang menghasilkan angka 0.168 dengan nilai probabilitas (Sig) sebesar 0.243
atau diatas 0.05. Sehingga berdasarkan output bagian 2 ini dapat disimpulkan bahwa tidak terdapat korelasi
signifikan profitabilitas antara sebelum Krisis Global dengan sesudah terjadinya krisis global
Output Bagian 2 (Paired Samples Test)
Kriteria pengambilan keputusan pada Paired Sample t-Test adalah:
Jika
Sig < 0.05 maka dua populasi berbeda signifikan
Sig > 0.05 maka dua populasi tidak berbeda signifikan
Berdasarkan output, nilai signifikansi untuk uji t tersebut adalah 0.647 atau lebih dari 0.05, sehingga dapat
disimpulkan tidak terdapat perbedaan yang signifikan profitabilitas antara sebelum terjadinya krisis global dengan
sesudah terjadinya krisis global.
89
Modul Statistika Universitas Internasional Batam - 2020
LATIHAN SOAL
Untuk meningkatkan produktivitas, sekelompok UKM diberikan bantuan dana oleh pemerintah. Selanjutnya untuk
mengetahui efektivitas bantuan, pemerintah ingin mengetahui apakah terdapat perbedaan produktivitas antara
UKM yang mendapat bantuan dan yang tidak mendapat bantuan. Berikut adalah data profitabilitas UKM tersebut.
UKM DENGAN DANA BANTUAN
5.0
4.5
3.4
5.4
5.6
5.5
5.8
5.2
3.4
3.7
4.0
3.8
5.5
3.8
4.2
3.9
5.8
5.0
3.8
4.2
5.2
4.4
3.6
4.0
5.6
5.5
6.9
3.2
2.8
4.2
5.8
5.8
5.8
6.5
4.0
3.8
5.8
5.2
5.2
4.9
5.0
4.4
3.8
3.3
5.6
3.4
4.2
6.1
3.4
6.0
4.5
3.0
3.8
4.8
5.1
5.8
UKM TANPA DANA BANTUAN
5.9
5.8
4.2
6.1
5.0
4.4
3.8
3.3
2.1
3.0
6.4
3.7
3.4
2.9
5.0
6.3
3.4
6.0
4.5
5.8
5.8
5.5
5.3
7.0
3.2
5.0
2.9
4.9
4.7
3.9
4.5
4.0
4.6
4.3
4.8
4.6
4.2
3.2
6.1
6.2
4.9
6.4
6.4
4.7
3.2
6.0
4.0
3.0
4.8
4.6
4.0
3.5
4.6
6.1
a.
Ujilah perbedaan antara profitabilitas UKM dengan dan tanpa bantuan dana dengan Uji beda t-test yang
sesuai (Lakukan Uji asumsi sebelum analisa uji t)!
b.
Analisa dan interpretasikan datanya!
90
Modul Statistika Universitas Internasional Batam - 2020
BAB 13
REGRESI DENGAN VARIABEL MODERATING
13.1. DEFINISI VARIABEL MODERATOR (MODERATING VARIABLE)
Variabel Moderator (Moderator) adalah variabel yang variasi nilainya mempunyai pengaruh
ketergantungan (contingent effect) yang kuat terhadap pengaruh atau hubungan antara variabel independent
dengan variabel dependent.
Variabel Moderating biasanya ditemukan jika peneliti melakukan pengakajian penelitian terdahulu yang
relevan dengan penelitian yang sekarang dilakukan. Meskipun hal ini tidak terlalu mudah ditemui peneliti, namun
upaya menemukan variabel moderating akan semakin melengkapi model penelitian yang dilakukan. (Mustafa,
2009)
Contoh:
Penelitian dilakukan untuk menguji pengaruh antara Inflasi terhadap harga saham dengan Suku Bunga SBI
sebagai variabel Moderating. Diasumsikan bahwa semakin tinggi inflasi maka semakin tinggi pula harga saham.
Meskipun pengaruh ini dapat diyakini kebenarannya, namun pengaruh tersebut ternyata masih tergantung pada
Suku Bunga SBI. Contoh tersebut menunjukkan bahwa Suku Bunga SBI merupakan variabel moderating dari
pengaruh antara pendidikan formal terhadap kinerja pegawai. Model tersebut dapat dilihat pada Gambar 11.1.
Inflasi
Harga Saham
Variabel Independent
Variabel Dependent
Suku Bunga SBI
Variabel Moderating
(Gambar 13.1 Kedudukan Variabel Moderating)
Masuknya variabel moderating dalam model akan mengakibatkan munculnya nilai dari variabel moderating dan
nilai interaksi antara variabel independent dengan variabel moderating dalam model tersebut. Metode analisis
regresi
linear
dengan
variabel
moderating
dapat
dilakukan
melalui
tiga
cara:
1. Multiple Regression Analysis (MRA)
Metode ini dilakukan dengan menambahkan variabel perkalian antara variabel independent dengan variabel
moderatingnya, sehingga persamaan umumnya adalah sebagai berikut: Y = a + b1 X1 + b2 X2 + b3 X1 X2
dengan Y adalah Harga Saham, X1 adalah Inflasi, X2 Suku Bunga SBI dan X1 X2 adalah perkalian antara Inflasi
dengan Suku Bunga SBI. Hipotesis moderating diterima jika variabel X1 X2 mempunyai pengaruh signifikan
terhadap Y, tidak tergantung apakah X1 dan X2 mempunyai pengaruh terhadap Y atau tidak. Model ini biasanya
menyalahi asumsi multikolinearitas atau adanya korelasi yang tinggi antara variabel independent dalam model
regresi, sehingga menyalahi asumsi klasik dan hampir tidak ada model MRA yang terbebas dari masalah
multikolinearitas.
2. Absolut residual
Model ini mirip dengan MRA, tetapi variabel moderating didekati dengan selisih mutlak (absolut residual) antara
variabel independent dengan variabel moderatingnya (|X1 – X2|). Penerimaan hipotesis juga sama, dan model ini
masih riskan terhadap gangguan multikolinearitas meskipun risiko itu lebih kecil daripada dengan metode MRA.
91
Modul Statistika Universitas Internasional Batam - 2020
3. Residual
Model ini menggunakan konsep lack of fit yaitu hipotesis moderating diterima terjadi jika terdapat ketidakcocokan
dari deviasi hubungan linear antara variabel independen. Langkahnya adalah dengan meregresikan antara
Variabel Independent (Inflasi) terhadap Variabel Moderatiing (Suku bunga SBI) dan dihitung nilai residualnya.
Pada program SPSS dengan klik Save pada regression, lalu klik pada Unstandardized Residual. Nilai
residual kemudian diambil nilai absolutnya lalu diregresikan antara kinerja terhadap absolut residual. Hipotesis
moderating diterima jika nilai t hitung adalah negatif dan signifikan. Model ini terbebas dari gangguan
multikolinearitas karena hanya menggunakan satu variabel bebas.
Contoh:
Dengan menggunakan contoh kasus di atas, Tabel 13.1 adalah data yang akan digunakan sebagai analisis.
Inflasi
Suku Bunga SBI
4.2
3.9
3.4
3.1
4.1
4.8
5.2
5.7
6.4
5.8
5.9
5.6
5.7
4.9
6
15.4
14.8
14.2
11.6
15.1
16.1
16.6
17.9
22.8
18.3
18.8
18
17.8
16.5
19.1
Harga Saham
23.9
25.2
26.4
29.7
22.4
33.6
37.6
40.3
41.8
42.4
46
49.6
22.6
54.3
55.1
Inflasi Suku Bunga SBI
7.1
3.7
6.1
5.7
6.4
5.8
5.9
5.6
3.1
6.1
6
4.2
6.3
3.8
2.8
25.7
12.7
19.6
17.9
22.8
18.3
18.8
18
12.7
19.6
19.2
15.3
20.3
14.2
11.6
Harga Saham
62.9
61.7
42.2
40.3
41.8
42.4
46
49.6
40.3
41.8
42.4
46
49.6
26.4
29.7
(Tabel 13.1 Data)
Selanjutnya data akan dianalisis dengan menggunakan metode Multiple Regression Analysis (Opsi 1).
Langkah-langkah analisis:
1.
Hitung nilai interaksi antara Inflasi (Variabel independent) dengan Suku Bunga (variabel moderating)
dengan menggunakan menu Transform => Compute Variables. Masukkan operasi matematika perkalian
antara Inflasi dengan Suku Bunga (inflasi*sukubunga). Ketik Moderating pada target variables yang
merupakan nama dari interaksi antara inflasi dan suku bunga.
92
Modul Statistika Universitas Internasional Batam - 2020
(Gambar 13.2 Compute Interaksi Inflasi dan Suku Bunga)
2. Hasilnya adalah berupa kolom baru yaitu moderating pada Data View.
3. Lakukan analisis regresi linier berganda secara bertahap (satu per satu) dalam memasukkan variabel
independent yang dilibatkan dalam model.
Pilih Menu Analyze => Regression => Linear. Masukkan Harga Saham sebagai dependent variable,
masukkan Inflasi sebagai independent.
(Gambar 13.3 Regresi linier bertahap)
4. Pilih Next, masukkan suku Bunga sebagai independent, kemudian Next, masukkan moderating
sebagai independent => OK
Output yang akan muncul adalah seperti Gambar 13.4.
93
Modul Statistika Universitas Internasional Batam - 2020
(Gambar 13.4 Output Adj R Square)
Model 1 adalah Regresi antara Inflasi terhadap Harga Saham. Nilai Adj R Square sebesar 22.9%.
Jika ditambahkan variabel Suku Bunga nilai Adj R Square justru menurun menjadi 20.1%. Selanjutnya jika
variabel Moderating dimasukkan ke dalam model maka meningkatkan prosentase kecocokan model menjadi
28.8%. Artinya nilai interaksi inflasi dan Suku Bunga cukup berarti dalam meningkatkan kecocokan model (Adj R
Square).
(Gambar 13.5 Uji Simultan)
Secara simultan ketiga model menunjukkan pengaruh yang signifikan. Nilai signifikansi meningkat dari
model 2 ke model 3.
Gambar 13.6 Uji Parsial
94
Modul Statistika Universitas Internasional Batam - 2020
Pengaruh masing-masing variabel secara parsial seperti terlihat pada Gambar 13.6. Pada model 1
Inflasi menjadi satu-satunya ariable independent yang signifikan mempengaruhi Harga Saham. Pada Model 2,
terlihat bahwa terjadi penurunan tingkat signifikansi jika Variabel Suku Bunga menjadi Variabel Independent.
Sementara pada Model 3 variabel Inflasi dan Suku Bunga tidak berpengaruh signifikan terhadap Harga Saham.
Namun Interaksi antara keduanya signifikan mempengaruhi Harga Saham. Dengan demikian dapat disimpulkan
bahwa Suku Bunga SBI dapat memoderasi pengaruh antara inflasi terhadap Harga Saham.
BAB 14
REGRESI DENGAN VARIABEL INTERVENING (ANALISIS BARON AND
KENNY)
14.1. Definisi Variabel Intervening
Hubungan antar variabel seringkali harus dijelaskan melalui variabel lain. Misalnya untuk menjelaskan
upah dapat meningkatkan kinerja karyawan maka perlu dijelaskan dengan variabel lain yang berada diantaranya,
yaitu variabel motivasi kerja. Upah akan mampu meningkatkan kinerja karyawan karena upah dapat
meningkatkan motivasi kerja karyawan. Motivasi inilah yang akhirnya meningkatkan kinerja karyawan. Pada
kasus tersebut motivasi kerja ditempatkan sebagai variabel mediasi antara upah dan kinerja karyawan.
Variabel mediasi atau intervening merupakan variabel antara, berfungsi memediasi hubungan antara
variabel independen dengan variabel dependen.
(Suliyanto, 2011)
14.2. Uji Hipotesis Variabel Intervening
Analisis intervening (mediator) dapat ditempuh menggunakan teknik perhitungan regresi dengan metode
SPSS. Logika yang digunakan dalam pengujian intervening adalah sama apapun teknik yang digunakan (Baron
and Kenny, 1986; Kenny, 2008; Frazier et al., 2004). Tujuan analisis intervening ini adalah untuk mengukur
pengaruh variabel bebas terhadap variabel dependen melalui variabel mediator atau intervening. Pada penelitian
ini, model variabel intervening disajikan pada gambar berikut.
Variabel 1)
Mediasi (M)
Variabel
Bebas (X)
Variabel
Terikat (Y)
Gambar 14.1
Contoh Model Pengaruh Variabel Bebas terhadap Variabel dependen melalui variabel intervening
Sumber: Baron dan Kenny (1986)
Menurut Baron dan Kenny (1986), ada tiga tahapan untuk menguji pengaruh variabel independen
terhadap variabel dependen melalui variabel intervening (sebagai ilustrasi lihat Gambar 3.1), yaitu:
1)
Meregresi variabel independen terhadap terhadap variabel dependen dengan persamaan sebagai
berikut:
Y = β10 + β11X + ε1
95
Modul Statistika Universitas Internasional Batam - 2020
2)
Meregresi variabel independen terhadap variabel intervening dengan persamaan sebagai berikut
Me = β20 + β21X + ε2
3)
Meregresi variabel independen dan variabel mediasi terhadap variabel dependen dengan persamaan
sebagai berikut
Y = β30 + β31X + β32Me + ε3.
Ada 2 syarat yang harus dipenuhi untuk pengujian variabel intervening menurut Barron dan Kenny
(1986):
1) Hasil uji regresi 1, 2 dan 3 harus menunjukkan hubungan yang signifikan dan jika ada salah satu hasil
regresi yang tidak signifikan maka uji variabel intervening ini tidak dapat dilanjutkan.
2) Koefisien hubungan variabel independen ke variabel dependen pada regresi ketiga harus lebih kecil
daripada hubungan variabel independen ke variabel dependen pada regresi kesatu.
Jika salah satu syarat tidak dipenuhi maka variabel intervening dianggap tidak memenuhi syarat sebagai mediasi
antara variabel independen terhadap variabel dependen.
14.3. Contoh Kasus Regresi dengan Variabel Intervening
Berikut adalah contoh kasus hubungan antara Kepuasan Kerja (variabel independen) terhadap Kinerja Pegawai
(Variabel dependen) yang dimediasi oleh Komitmen Organisasi (Variabel intervening).
Komitmen
Organisasi
(M)
Kepuasan
Kerja (X)
Kinerja
Pegawai (Y)
Selanjutnya dilakukan analisis regresi dengan variabel intervening sesuai dengan kriteria Baron and Kenny
(1986):
1) Meregresi variabel independen terhadap terhadap variabel dependen. Artinya perlu dilakukan analisis
regresi antara Kepuasan Kerja terhadap Kinerja Pegawai (Langkah analisis regresi pada software SPSS
sesuai dengan langkah analisis pada bab “analisis regresi linier”
Berikut adalah hasil outputnya:
ANOVAa
Model
Sum of Squares
Regression
df
Mean Square
169,776
1
169,776
1166,912
386
3,023
F
56,160
Sig.
,000b
1
Residual
96
Modul Statistika Universitas Internasional Batam - 2020
Total
1336,688
387
a. Dependent Variable: Kinerja_Pegawai
b. Predictors: (Constant), Kepuasan_Kerja
Coefficientsa
2)
3)
Model
Unstandardized
Standardized
Coefficients
Coefficients
B
Std.
t
Sig.
Collinearity
Statistics
Beta
Tolerance
VIF
Error
(Constant)
6,233
,572
,046
,006
10,888
,000
7,494
,000
1
Kepuasan_Kerja
a.
,356
1,000
1,000
Dependent Variable: Kinerja_Pegawai
Gambar 14.1
Output Regresi Pertama
2)
Meregresi variabel independen terhadap variabel intervening. Pada tahap ini artinya akan dilakukan
analisis regresi antara Kepuasan Kerja terhadap Komitmen Organisasi. Berikut adalah output yang
dihasilkan:
Coefficientsa
Model
Unstandardized
Standardized
Coefficients
Coefficients
B
Std.
t
Sig.
Beta
Collinearity Statistics
Tolerance
VIF
Error
(Constant)
14,348
,822
-,037
,009
17,449
,000
-4,229
,000
1
Kepuasan_Kerja
-,210
1,000
1,000
a. Dependent Variable: Komitmen_Organsasi
Gambar 14.2
Output Regresi Ketiga
3)
Meregresi variabel independen dan variabel mediasi terhadap variabel dependen. Artinya akan dilakukan
analisis regresi antara Kepuasan Kerja da Komitmen Organisasi sebagai variabel independen terhadap
Kinerja Pegawai sebagai variabel dependen. Berikut adalah hasil outputnya:
97
Modul Statistika Universitas Internasional Batam - 2020
Coefficientsa
Model
Unstandardized
Standardized
Coefficients
Coefficients
B
Std.
t
Sig.
Beta
Collinearity Statistics
Tolerance
VIF
Error
(Constant)
1
Kepuasan_Kerja
Komitmen_Organsasi
7,510
,760
,043
,006
-,089
,035
9,877
,000
,331
6,845
,000
,956
1,046
-,122
-2,530
,012
,956
1,046
a. Dependent Variable: Kinerja_Pegawai
Gambar 14.3
Output Regresi Ketiga
Selanjutnya untuk memutuskan apakah variabel komitmen organisasi merupakan variabel mediasi
antara kepuasan kerja terhadap kinerja pegawai, terlebih dahulu dilakukan pengecekan persyaratan
Baron Kenny berdasarkan hasil ketiga regresi.
Syarat Pertama:
Hasil uji regresi 1, 2 dan 3 harus menunjukkan hubungan yang signifikan dan jika ada salah satu hasil
regresi yang tidak signifikan maka uji variabel intervening ini tidak dapat dilanjutkan.
Berdasarkan output, syarat pertama telah terpenuhi karena masing-masing regresi menunjukkan hubungan yang
signifikan.
Syarat Kedua
Koefisien hubungan variabel independen ke variabel dependen pada regresi ketiga harus lebih kecil
daripada hubungan variabel independen ke variabel dependen pada regresi kesatu.
Koefisien hubungan Kepuasan Kerja pada regresi ketiga yaitu 0.043, sedangkan koefisien kepuasan kerja pada
regresi pertama yaitu sebesar 0.046 atau lebih besar daripada koefisien pada regresi pertama. Sehingga
persyaratan kedua telah terpenuhi.
Dengan terpenuhinya kedua syarat tersebut maka dapat disimpulkan bahwa variabel Komitmen Organisasi
merupakan variabel mediasi antara kepuasan kerja terhadap Kinerja Pegawai.
98
Modul Statistika Universitas Internasional Batam - 2020
DAFTAR PUSTAKA
Ariefianto, Doddy Moch. 2012. Ekonometrika Esensi dan Aplikasi dengan Menggunakan Eviews. Jakarta:
Penerbit Erlangga
Ghozali, Imam.2001. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : Universitas
Diponegoro
Ghozali, Imam. 2017. Analisis Multivariat dan Ekonometrika. Semarang: Universitas Diponegoro
Gujarati, Damodar. 2003. Basic econometrics 4th edition. New York: Mc Graw Hill Company
Hair, dkk. 2001. Multivariate Data Analysis fifth edition. New Jersey : Prentice Hall
Ho, Robert. 2006. Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS.
New York : Chapman and Hall
Montgomery and Peck. 1991. Introduction to Linear Regression Analysis 2nd Edition. New York : John Willey
and Son
Mustafa, Zainal. 2009. Mengurai Variabel hingga Instrumentasi. Yogyakarta: Graha Ilmu
Pedhazur, Elazar. 1997. Multiple Regression in Behavioral Research Third Edition. Melbourne : wadsworth
Santoso, singgih. 2011. Structural Equation Modelling : Konsep dan Aplikasi dengan AMOS 18. Jakarta : PT
Elex Media Komputindo
Solimun. 2005. Kisi – Kisi Analisis Data. Malang: Universitas Brawijaya
Suliyanto, 2011. Ekonometrika Terapan: Teori dan Aplikas dengan SPSS
Supranto. 2008. Statistik: Teori dan Aplikasi. Jakarta : Erlangga
Trihendradi, Cornelius. 2006. Langkah Mudah Menguasai Statistik menggunakan SPSS 15. Yogyakarta : Andi
Trihendradi, Cornelius. 2007. Kupas Tuntas Analisis Regresi. Yogyakarta : Andi
99
Modul Statistika Universitas Internasional Batam - 2020
Lampiran 1
: TABEL T
100
Modul Statistika Universitas Internasional Batam - 2020
Lampiran 2
: Cara Menghitung Nilai TABEL T
MENGHITUNG NILAI TABEL T
Nilai tabel t dihitung berdasarkan jumlah sampel dan jumlah variabel bebas, yang tercermin dari nilai v dalam
tabel t. Nah, lalu bagaimana jika v yang kita punya tidak tersedia dalam tabel t?
Berikut adalah caranya:
Misal, kita ingin menghitung nilai
yang terdekat. Cara untuk mencari
. Pada Tabel t, kita hanya bisa menemukan
sebagai v
adalah melalui persamaan berikut:
Sehingga
2.0272
Demikian juga dengan penghitungan tabel Durbin Watson. Caranya sama dengan melakukan persamaan
perbandingan.
101
Modul Statistika Universitas Internasional Batam - 2020
Lampiran 2
: Tabel Durbin Watson
102