modul spss 17

Dilarang menggandakan seijin tim penyusun 1

KATA PENGANTAR

Puji dan syukur kita panjatkan kehadirat Allah SWT., shalawat dan salam yang senantiasa

tercurah kepada junjungan dan tauladan, Muhammad Rasulullah, keluarga dan para sahabatnya.

Alhamdulillah atas segala rahmat dan karuniaNya sehingga pada kesempatan kali ini, saya dapat

menyelesaikan Modul SPSS 17.0.

Modul SPSS 17.0 dibuat sebagai panduan belajar mengenai salah satu perhitungan statistik

yang pada umumnya kerap dihadapi oleh mahasiswa dalam mengerjakan tugas. Modul ini memuat

tentang cara meregresikan data dalam jumlah banyak dengan langkah-langkah yang mudah untuk

dipahami dan dipelajari.

Saya menyadari bahwa modul ini masih jauh dari kata sempurna karena keterbatasan yang

saya miliki, karena itu saya mengucapkan terima kasih untuk saran dan kritik yang telah terima

maupun yang akan diterima. saya juga menyadari bahwasanya di dalam penyusunan modul ini tidak

dapat berjalan dengan baik tanpa bantuan berbagai pihak, untuk itu saya mengucapkan terima kasih

kepada semua pihak yang telah membantu dalam pembuatan modul ini. Dan juga kepada pembaca

yang telah menggunakan modul ini sebagai salah satu sumber pembelajaran .

Semoga modul ini dapat bermanfaat bagi para pembaca untuk memberikan tambahan

pengetahuan, dan wawasan mengenai salah satu program statistik khususnya SPSS 17.0

Ayu Zuriah


BAB I

PENDAHULUAN

SPSS (Statistical Package for the Social Sciences) adalah sebuah program pada komputer

yang digunakan untuk membuat analisis statistika. SPSS (pertama dirilis pada tahun 1968, dan

diciptakan oleh Norman Nie, seorang lulusan Fakultas Ilmu Politik dari Stanford University, yang

sekarang menjadi Profesor Peneliti Fakultas Ilmu Politik di Stanford dan Profesor Emeritus Ilmu

Politik di University of Chicago.

Sekarang ini SPSS yang berkembang sudah berbasis Windows sehingga di kenal dengan

SPSS for windows. Petama kali muncul versi windows adalah SPSS for Windows versi 6.00, hingga

kini SPSS yang paling terbaru adalah SPSS 19. SPSS memilik banyak kegunaan bagi pengguna

seperti peneliti pasar, peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan,

organisasi pemasaran, dan sebagainya.

Pada dasarnya pengoperasian SPSS memiliki kesamaan dalam berbagai versi, perbedaan

hanya pada fasilitas tambahan yang ditawarkan. Selain itu, SPSS merupakan software statistik yang

paling populer, fasilitasnya sangat lengkap dibandingkan dengan software lainnya. Oleh karena itu,

diharapkan dengan penggunaan SPSS dapat memberikan kemudahan dan ketepatan dalam mengolah

data.

Ada beberapa teknik statistik yang dapat digunakan untuk menganalisis data. Tujuan dari

analisis data adalah untuk mendapatkan informasi yang relevan yang terdapat dalam data tersebut

dan menggunakan hasilnya untuk memecahkan suatu masalah. Dalam bab pendahuluan ini, sebelum

mengolah data, diperlukan pengelompokkan data terlebih dahulu agar dapat menghasilkan penelitian

dengan hasil yang baik.

DATA PENELITIAN

Data metriks atau data kuantitatif yaitu data yang berupa angka menunjukkan jumlah atau

banyaknya sesuatu unit.

Data nonmetrik atau data kualitatif yaitu data yang berupa huruf, data yang dikategorisasi

tetapi tidak dapat dikuantitatifkan atau dioperasikan dalam hitungan. misalnya jenis kelamin.


TIPE SKALA PENGUKURAN

Skala Nominal yaitu skala pengukuran yang menyatakan kategori interistik atau klasifikasi

dari konstruksi yang diukur dalam bentuk variabel dan merupakan data nonparametik atau

data kualitatif (data bukan angka). Contohnya jenis kelamin.

Skala Ordinal yaitu skala pengukuran yang tidak hanya menyatakan kategori tapi juga

menyatakan peringkat konstruksi yang diukur dan data nonparametik atau data kualitatif.

Skala Internal (Jarak) yaitu skala pengukuran yang menyatakan kategori, peringkat dan jarak

konstruksi. Skala interval mempunyai karakteristik seperti yang dimiliki oleh skala nominal

dan ordinal dan ditambah ada interval yang tetap dan menggunakan data parametik atau data

kuantitatif (data yang berupa angka).

Skala Ratio yaitu skala perbandingan yang menunjukkan kategori, peringkat, jarak dan

perbandingan konstruksi yang diukur. Skala ratio memiliki semua karakteristik yang

dipunyai oleh skala nominal, ordinal, dan interval dan merupakan data parametik atau

kuantitatif (data yang berupa angka). Pengukuran rasio biasanya dalam bentuk perbandingan

antara satu individu dengan objek lainnya.


BAB II

PENGENALAN SPSS

MEMBUKA FILE BARU

Untuk file baru dapat dibuat dengan mengaktifkan SPSS 17.0 dilakukan dengan cara yaitu :

1) Klik menu Start

2) Klik All Programs

3) Klik SPSS for inc

4) Klik SPSS Statistics 17.0, maka akan muncul tampilan seperti di bawah ini :

Gambar 2.1 Tampilan Menu Start


Gambar 2.2 SPSS 17.0

Gambar 2.3 Memulai SPSS 17.0

3

4

5

6

2

1


Keterangan :

Run the tutorial merupakan pilihan apabila akan menjalankan tutorial SPSS..

Memiliki tampilan seperti yang ada di bawah ini :

Ada 14 macam tutorial yang disajikan dalam SPSS 17.0 dan apabila ingin

memilih salah satu di anataranya, arahkan kursor dan klik bagian tutorial yang

ingin dituju. Selanjutnya untuk menjalankan tutorial dengan meng-klik tanda

yang terletak di bawah kanan tutorial.

Type in data. Apabila akan memasukkan data baru dengan pilihan perintah Type

in data, maka secara otomatis SPSS akan memunculkan pada data view dan

variabel view.

Run an existing query. Pilihan ini memuat menu Open atau membuka file

dengan tipe file *.spq.

Create new query using Database Wizard merupakan pilihan untuk

mengekstrak data non-SPSS. Biasanya default SPSS adalah data source Dbase

Files, Excel Files, MS Access Database, dan Visio Database Simples. Untuk

Gambar 2.4 Submenu Run the tutorial


mengambil data selain default ini, klik Add ODBC Data Source seperti tampilan

di bawah ini :

Open an existing data source merupakan pilihan apabila akan membuka file

yang baru dibuka atau dengan tipe file *.sav

Gambar 2.5 Tampilan Database Wizard

Gambar 2.6 Tampilan SPSS 17.0


Open another type or file merupakan pilihan untuk membuka file dengan tipe

file selain *.sav.

5) Setelah memilih salah satu dari cara membuka file maka klik OK.

DATA EDITOR

Ada 2 macam data editor di dalam SPSS yaitu :

1. Data view

Data view adalah tempat di mana data statistik yang akan diolah (sudah dalam bentuk angka

skala). Data view memiliki tampilan seperti di bawah ini :

Gambar 2.7 Tampilan Data View

B

C

D

E

A


Keterangan :

a) Title bar merupakan nama dari judul SPSS yang sedang dibuka. Pada umumnya, nama

yang diberikan oleh SPSS pada saat membuka pertama kali yaitu Untitled1[DataSet0]-

SPSS Statistics Data Editor.

b) Menu berisi perintah mengenai menu di mana di dalamnya terdapat Submenu yang

digunakan untuk memproses data yang akan diolah.

o File, pada menu utama File memuat 20 pilihan sub-menu.

Pada menu utama File memuat sub-submenu tentang file, di antaranya membuat file

baru (New), membuka (Open), menutup (Close), dan menyimpan file (Save-Save

As).

o Edit merupakan submenu untuk melakukan pengeditan data yang telah

dimasukkan pada SPSS Data Editor. Beberapa kegunaan dari submenu dari menu

utama Edit adalah melakukan undo atau mengembalikan action terakhir yang

dilakukan, sedangkan redo sebaliknya, cut clear untuk menghapus data, copy

Gambar 2.8 Tampilan menu File


paste untuk menggandakan dan duplikasi data, find untuk mencari data, dan copy

paste variable untuk mengganti variabel data.

o View, merupakan menu yang menampilkan submenu untuk menampilkan status

toolbar yang sedang aktif (Status Bar), toolbar dan font huruf yang digunakan.

Pilihan submenu dari menu utama View seperti berikut :

Gambar 2.9 Tampilan menu Edit

Gambar 2.10 Tampilan menu Edit


o Data, merupakan menu yang menampilkan submenu untuk melakukan perubahan-

perubahan terhadap data SPSS, seperti mendefinisikan nilai label data (define

variable properties), mendefinisikan waktu (define dates), mengurutkan data

(sort cases), dan memisah isi file dengan riteria tertentu (split file).

o Transform, merupakan pilihan menu utama yang melakukan operasi transformasi

data, seperti menghitung variabel data (compute variable), mengubah data (recode

into same variables- recode into different variables) ataupun me-ranking data

(rank cases).

Gambar 2.11 Tampilan menu Data


o Analyze, merupakan menu utama yang menjadi pusat pengolahan data SPSS,

menampilkan 21 submenu.

Gambar 2.12 Tampilan menu Transform

Gambar 2.13 Tampilan menu analyze


o Graphs, dikelompokkan hanya menjadi 4 submenu, yang menampilkan berbagai

bentuk grafik dan chart.

o Utilities, menu utama yang merupakan pelengkap pada pengoperasian SPSS ini

menyajikan 9 submenu. Beberapa kegunaansubmenu dari menu utama Utilities

adalah menampilkan informasivariabel (variables), mendefinisikan, dan

menampilkan variabel data (define-use variabel sets).

Gambar 2.14 Tampilan menu Graphs

Gambar 2.15 Tampilan menu Utilities


o Add-ons, merupakan menu utama yang menawarkan pelayanan SPSS lewat

website.

o Window, menu ini memberikan informasi window yang sedang aktif.

o Help, menu yang memuat 9 submenu ini memberikan bantuan informasi tentang

topik-topik SPSS (topics) ataupun dalam bentuk tutorial (tutorial).

Gambar 2.16 Tampilan menu Add-ons

Gambar 2.17 Tampilam menu Window


c) Toolbar berisi icons yang membantu dan mempermudah mengelola data dengan cepat.

Berikut beberapa icons yang terdapat pada toolbar :

merupakan icon untuk membuka file.

merupakan icon untuk menyimpan file.

merupakan icon untuk mencetak data.

icon untuk mengembalikan action terakhir.

icon untuk mengulang action yang baru saja dilakukan.

d) Baris Nama Variabel merupakan tempat yang menunjukkan nama dari suatu variabel.

Untuk pertama kali baris nama variabel diberi nama Var. Untuk mengganti nama

variabel dapat melalui variabel view dan mengganti dengan cara double klik kotak

variabel tersebut.

e) Baris data

Merupakan barisan yang berisi data-data dalam jumlah banyak yang merupakan data

daripada varibel tersebut.

Gambar 2.18 Tampilan menu Help


2. Variabel view

Variabel view merupakan bagian yang digunakan untuk mendefinisikan variabel data

yang akan dimasukkan. Untuk mengaktifkan kotak Variabel View lakukan dengan klik Variabel

View (bagian yang diberi kotak). Variabel view memiliki gambar seperti di bawah ini :

Di dalam Variabel View di atas memiliki keterangan sebagai berikut:

Name : berisi nama variabel. Misal dengan memberikan nama variabel data pertama,

maka klik kolom Name pada baris pertama, misalnya Jenis Kelamin.

Type : merupakan tipe data, berbagai macam type yang ada memiliki fungsi yang

berbeda yaitu :

a. numeric untuk data angka dengan lebar 8 digit dan 2 angka desimal di belakang

koma

b. string untuk data teks, biasanya data berupa nama. Contoh : nama perusahaan.

1 2

3 4 5 6 7

8 9

10

Gambar 2.19 Tampilan Variabel


c. Date adalah data yang dimasukkan berupa tanggal dst.

Width : diisikan sejumlah karakter (lebar kolom) yang akan diinput dalam Data View.

Untuk tipe data numerik, lebar maksimal 40 digit, sedangkan tipe data string lebar

maksimal 32767digit. Apabila menginginkan menambah lebar ditambah, klik tanda

panah ke atas, sebaliknya untuk mengurangi digit lebar, klik panah ke bawah.

Decimal : diisi jumlah desimal karakter maksimal yang akan diinput dalam Data View.

SPSS memberikan default 2 angka desimal di belakang koma. Jika jumlah desimal ingin

ditambah, klik tanda panah ke atas dan sebaliknya untuk mengurangi digit lebar, klik

panah ke bawah.

Label : kolom yang menunjukkan tambahan informasi dengan memberikan label

variabel data.

Value : untuk memberi kodefikasi, misalnya Motor=1, Mobil=2, 3=Jalan kaki.

Gambar 2.20 Tampilan

Type

Gambar 2.21 Tampilan

Value


Missing : untuk merupakan kolom yang menunjukkan data yang hilang) Namun, jika

data lengkap (tidak ada data yang hilang) maka kolom ini dapat diabaikan.

Columns : Memiliki fungsi mengubah jumlah karakter yang dapat dimasukkan pada

suatu variabel tertentu. Bila kita mengisi coloumns dengan angka 2, maka hanya dua

digit data saja yang dapat dimasukkan pada variabel tersebut.

Align : untuk pengaturan tampilan perataan kata dalam Data View, seperti left, centre,

right.

Measure : merupakan tipe variabel yang akan menentukan jenis analisis yang akan

digunakan. Maka secara default akan terpilih Nominal atau ordinal , jika variabel bertipe

Gambar 2.22 Tampilan Missing

Gambar 2.23 Tampilan Submenu Align


string. Scale digunakan apabila data yang ingin kita olah akan dibuat skala pengukuran

(range).

MEMINDAHKAN DATA

Di bawah ini adalah Tabel 1.1 yang merupakan contoh data yang akan diolah ke dalam SPSS

di mana jumlah data ada 84 buah dengan variabel DER(Hutang), NPM(Net Profit Margin), STKTR

AKTV(Struktur Aktiva), GROWTH(pertumbuhan), CR (Current Rasio) :

Tabel 2.1

Data Penelitian SPSS

NAMA OBS DER NPM

STKTR

AKTV GROWTH CR

AALI 1 0,19 23,45 0,41 -0,06 1,68

ANTM 2 1,11 26,37 0,6 0,06 2,68

ASII 3 1,81 9,3 0,19 0,56 0,74

INCO 4 0,29 30,25 0,72 0,15 3,65

INDF 5 2,33 1,34 0,41 -0,06 1,47

INKP 6 1,57 10,41 0,68 0,03 3,09

ISAT 7 1,28 14,25 0,66 0,18 1,39

PTBA 8 0,38 16,27 0,16 0,19 4,51

Gambar 2.24 Tampilan Measure


SMCB 9 2,98 7,67 0,83 -0,03 1,68

TLKM 10 1,4 10,36 0,74 0,1 0,76

UNTR 11 1,58 8,32 0,41 0,57 1,55

BLTA 12 2,94 25,41 0,66 0,81 1,46

PGAS 13 1,83 16,72 0,57 0,14 3,59

UNSP 14 1,54 13,5 0,22 0,11 2,09

AALI 15 0,24 20,95 0,44 0,1 0,87

ANTM 16 0,7 27,58 0,46 0,14 0,46

ASII 17 1,41 6,69 0,22 -0,05 0,78

INCO 18 0,26 38,38 0,57 0,18 4,6

INDF 19 2,13 3,01 0,4 0,09 1

INKP 20 0,02 28,44 0,25 -0,99 1,51

ISAT 21 1,24 11,52 0,73 0,04 0,83

PTBA 22 0,35 13,74 0,13 0,09 5,44

SMCB 23 2,37 5,88 0,84 -0,04 1,23

TLKM 24 1,39 21,46 0,74 0,21 0,68

UNTR 25 1,44 6,78 0,46 0,06 1,34

BLTA 26 1,62 39,21 0,72 0,04 1,53

PGAS 27 1,61 28,54 0,86 0,2 1,45

UNSP 28 1,78 14,64 0,19 0,43 3,55

AALI 29 0,28 33,11 0,33 0,53 1,6

ANTM 30 0,37 42,74 0,25 0,65 0,67

ASII 31 1,17 9,29 0,22 0,1 0,91

INCO 32 0,36 50,43 0,66 -0,07 2

INDF 33 2,62 3,52 0,27 0,83 0,92

INKP 34 0,02 25,81 0,36 0,05 8,44

ISAT 35 1,72 12,38 0,67 0,32 0,93

PTBA 36 0,4 18,43 0,09 0,26 4,43

SMCB 37 2,19 4,51 0,79 0,02 1,33

TLKM 38 1,16 21,63 0,75 0,09 0,77

UNTR 39 1,26 8,22 0,43 0,16 1,34

BLTA 40 2,2 20,84 0,76 1 0,7

PGAS 41 2,11 17,87 0,81 0,35 1,17

UNSP 42 0,81 10,6 0,17 1 3,17

AALI 43 0,23 32,24 0,31 0,22 1,94

ANTM 44 0,26 14,26 0,28 -0,15 0,57

ASII 45 1,21 9,47 0,01 0,27 1,32

INCO 46 0,21 27,38 0,73 0,14 4,89

INDF 47 3,11 2,67 0,24 0,34 0,9

INKP 48 0 21,88 0,41 0,01 3,96


ISAT 49 1,95 10,07 0,74 0,14 0,9

PTBA 50 0,51 23,67 0,06 0,55 3,66

SMCB 51 2,02 5,88 0,73 0,06 1,68

TLKM 52 1,38 17,5 0,78 0,11 0,54

UNTR 53 1,05 9,54 0,42 0,76 1,64

BLTA 54 3,24 22,24 0,83 0,21 0,71

PGAS 55 2,47 4,95 0,69 0,26 2,18

UNSP 56 0,9 5,92 0,16 0,09 1,49

AALI 57 0,18 22,37 0,32 0,16 1,83

ANTM 58 0,21 6,94 0,29 -0,03 0,55

ASII 59 1 10,19 0,25 0,1 1,37

INCO 60 0,29 22,4 0,68 -0,05 7,24

INDF 61 2,45 5,59 0,27 0,02 1,16

INKP 62 0,01 -33,67 0,4 -0,01 8,86

ISAT 63 2,05 8,15 0,81 0,06 0,55

PTBA 64 0,4 30,48 0,05 0,32 4,91

SMCB 65 1,19 15,07 0,75 -0,05 1,27

TLKM 66 1,22 17,54 0,78 0,07 0,61

UNTR 67 0,76 13,06 0,48 0,07 1,66

BLTA 68 3,04 -46,23 0,78 -0,06 0,76

PGAS 69 1,35 34,56 0,6 0,12 2,48

UNSP 70 0,9 10,87 0,14 0,08 1,01

AALI 71 0,23 21,47 0,32 0,12 1,32

ANTM 72 0,2 16,59 0,26 0,06 0,57

ASII 73 1,07 10,9 0,22 0,21 1,26

INCO 74 0,44 34,68 0,63 0,05 6,84

INDF 75 2,2 7,94 0,27 0,06 0,12

INKP 76 0,01 -6,05 0,4 -0,01 1,03

ISAT 77 2,16 3,58 0,77 0,02 0,79

PTBA 78 0,37 23,55 0,05 0,02 5,97

SMCB 79 0,86 14,45 0,73 0,01 1,49

TLKM 80 1,09 17,14 0,76 0,03 0,79

UNTR 81 0,77 10,64 0,47 0,14 1,59

BLTA 82 2,65 7,43 0,79 0,02 1,1

PGAS 83 1,38 32,18 0,56 0,06 2,94

UNSP 84 0,92 12,94 0,2 1,97 1,38

Kemudian langkah yang dilakukan untuk memindahkan data ke dalam SPSS dengan :

Klik Start All Programs SPSS Inc SPSS Stasistic 17.0


Pilih Type in data, Copy data di atas dan Paste di Data View seperti gambar di bawah

ini :

MENGGANTI NAMA VARIABLE

Untuk mengganti nama variabel pada data view, dengan cara :

Membuka Variabel View

Gambar 2.25 Tampilan Data pada Data View

Gambar 2.26 Tampilan Variable View


Double klik variabel pada Tab Nama untuk mengganti sesuai dengan variabel yang

dihendaki.

MENYIMPAN FILE

Untuk menyimpan data dalam SPSS, hal yang perlu kita lakukan :

Pada file yang sedang di buka pada SPSS, klik menu File

Pilih Submenu Save As

Gambar 2.27 Mengganti nama

Gambar 2.28 Tampilan Save As


Maka akan mucul kotak seperti d bawah ini, dan pada kotak File name berisi nama

file yang akan kita simpan misalnya SPSS.REGRESI dan pada kotak Save as type

berisi SPSS Statistics (*sav)

Pilih Save, maka data akan tersimpan dengan nama file SPSS.REGRESI.sav.

Gambar 2.29 Tampilan Save Data As


BAB III

DATA SCREENING DAN TRANSFORMASI

Untuk melakukan uji statistik langkah awal yang harus dilakukan adalah dengan screening

terhadap data yang akan diolah. Salah satu asumsi penggunaan statistika parametik adalah asumsi

multivariate normality. Multivariate normality merupakan asumsi bahwa setiap variabel dan semua

kombinasi linear dari variabel distribusi normal. Asumsi multivariate normality ini dapat diuji

dengan melihat normalitas suatu variabel.

Screening terhadap normalitas data merupakan langkah awal yang harus dilakukan untuk

setiap multivariate. Dengan demikian, data yang berdistribusi normal akan menghasilkan model

regresi yang baik. Ada beberapa cara yang dapat digunakan dalam mendekteksi normalitas data,

namun pada modul ini akan menjelaskan mengenai uji statitik Kolmogorov-Smirnov.

Langkah analisis :

Buka file SPSS.REGRESI.SAV

Dari menu utama SPSS, pilih menu Analyze, lalu pilih Non-parametic test,

kemudian pilih submenu 1-sample K-S.

Gambar 3.1 Tampilan 1-Sample K-S


Maka akan muncul tampilan seperti di bawah ini :

Pada layar One-Sample Kolmogorov-Smirnov Test, isi variabel DER, NPM,

NET_SLS, STR_AKT, GROW dan CURRENT RATIO pada kotak Test

Variable List.

Untuk Test Distribution klik pada bagian Normal.

Kemudian OK.

Maka akan menghasilkan output :

TABEL 3.1

HASIL ONE-SAMPLE KOLMOGOROV-SMIRNOV TEST

One-Sample Kolmogorov-Smirnov Test

DER NPM NET_SLS STR_AKT GROW

CURRENT

RATIO

N 84 84 84 84 84 84

Normal Parametersa,,b

Mean 1.2190 15.3839 18041991.23 .4786 .1805 2.0456

Std. Deviation .87445 13.74536 2.300E7 .24758 .33427 1.83172

Most Extreme

Differences

Absolute .123 .130 .237 .144 .229 .269

Positive .123 .059 .237 .098 .229 .269

Negative -.082 -.130 -.217 -.144 -.203 -.182

Gambar 3.2 Tampilan One-Sample Kolmogorov-Smirnov


Untuk probabilitas berdasarkan tabel di atas bahwa untuk variabel DER 0.156 , NPM 0.118,

STR_AKT 0.063 memiliki nilai di atas = 0.05 yang artinya bahwa variabel-variabel tersebut

terdistribusi dengan normal sedangkan untuk variabel NET_SLS 0.000 , GROW 0.000 dan

CURRENT RASIO 0,000 berada di bawah batas = 0.05 yang demikian variabel tersebut tidak

terdistribusi secara normal.

Kemudian apabila data tidak terdistribusi secara normal maka data perlu ditransformasi agar

menjadi normal. Untuk menormalkan data sebelumnya harus mengetahui terlebih dahulu bagaimana

bentuk grafik histrogram dari data yang ada di mana bentuk dari grafik itu sendiri ada bermacam-

macam seperti moderate positive skewness, severe positive skewness. Berikut ini cara untuk melihat

grafik histogram yaitu :

Buka file SPSS.REGRESI.sav melalui perintah File Open Data.

Dari menu utama SPSS pilih menu Graph, lalu Legacy Dialogs kemudian pilih

Histogram.

Kolmogorov-Smirnov Z 1.129 1.190 2.176 1.316 2.100 2.464

Asymp. Sig. (2-tailed) .156 .118 .000 .063 .000 .000

a. Test distribution is Normal. b. Calculated from data.

Gambar 3.3 Tampilan Submenu Histogram


Kemudian akan muncul layar Histogram. Karena ada 3 variabel yang berdistribusi

secara tidak normal maka perlu melakukan 3 kali membuat grafik histogram. Setelah itu

pada kotak variabel diisikan dengan variabel NET_SALES. Seperti tampilan di bawah

ini :

Kemudian beri checklist pada kotak display normal curve

Klik OK. Maka akan menghasilkan output seperti di bawah ini :

GRAFIK 3.2

NET SALES

Gambar 3.4 Tampilan kotak Histogram


Lakukan hal yang sama pada variabel GROW dan CURRENT RASIO untuk sehingga

menghasilkan grafik histogram seperti yang ada di bawah ini :

GRAFIK 3.3

GROW

GRAFIK 3.4

CURRENT RASIO


Dengan melihat grafik Histogram seprti gambar di atas maka kita dapat melakukan

trasformasi data. Untuk mengetahui jenis transformasi yang akan dilakukan, maka kita harus

mengetahui termaksud jenis grafik histogram yang mana variabel-variabel tersebut. Berikut ini

bentuk transformasi yang dapat dilakukan sesuai dengan grafik Histogram :

1. Moderate Positive Skewness : SQRT(x) atau bentuk kuadrat.

2. Subtansial Positive Skewness : LG10(x) atau logaritma 10 atau LN

3. Severe Positive Skewness dengan bentuk L : 1/x atau inverse

4. Subtansial Negative Skewness : LG10(k-x)

5. Severe Negative Skewness dengan bentuk J : 1/(k-x)

Melihat bentuk Grafik yang terjadi pada Net_Sls dan Current rasio merupakan bentuk grafik

Moderate Positive Skewness sehingga untuk melakukan transformasi data dengan cara :

Buka file SPSS.REGRESI.sav

Pada menu utama SPSS, menu Transform submenu Compute

Gambar 3.5 Tampilan Compute Variable


Maka akan muncul layar Compute Variable, untuk kotak Function group pilih All

dan untuk kotak Functions dan Special variables pilih Sqrt kemudian klik tombol

maka pada kotak numeric Expression muncul Sqrt(x) untuk (x) akan diganti

dengan meng-klik variabel NET_SLS lalu tombol sehingga menjadi

SQRT(NET_SALES). Kemudian pada Target variable diberi nama lain misal

NET_SLS1. Perhatikan gambar di bawah ini :

Pilih OK

Lakukan juga untuk variabel CURRENT RASIO dan variabel GROW dengan menggunakan

langkah seperti di atas tetapi pada kotak Funtions and Special Variables menggunakan LG10. Dan

pada Target Variable diberi nama GROW1 dan CR1. Untuk hasilnya kita dapat membuka data

editor. Akan muncul tab variabel yang baru sesuai dengan variabel yang kita beri nama tersebut.

Setelah melakukan transformasi data maka data tersebut diharapkan dapat terdistribusi

secara normal. Untuk memastikannya perlu adanya pengecekan data agar data tersebut dapat

dinyatakan normal yaitu dengan menggunakan menu utama SPSS, analyze Analyze Non-



parametic test 1-sample K-S. masukkan semua variabel yang sudah kita transformasikan

kemudian klik OK. Maka kita dapat melihat bahwa data yang kita punya sudah normal dimana

probabilitas data itu lebih dari = 0.05. untuk lebih jelasnya kita dapat melihat hasil output di

bawah ini :

TABEL 3.5

ONE-SAMPLE KOLMOGOROV-SMIRNOV TEST

One-Sample Kolmogorov-Smirnov Test

net_sls1 GROW1 CR1

N 84 70 84

Normal Parametersa,,b

Mean 3546.9244 -.8866 .1781

Std. Deviation 2350.98220 .49099 .33463

Most Extreme Differences Absolute .141 .052 .133

Positive .141 .052 .133

Negative -.083 -.051 -.068

Kolmogorov-Smirnov Z 1.293 .435 1.222

Asymp. Sig. (2-tailed) .071 .992 .101

a. Test distribution is Normal.

b. Calculated from data.

Dari hasil dapat disimpulkan bahwa untuk variabel net sales 0.71, grow 0.992, dan current

rasio 0.101 merupakan data yang berditribusi secara normal dengan nilai signifikan lebih dari 0.05.


BAB IV

KOLERASI

Uji kolerasi digunakan untuk menguji tentang ada tidaknya hubungan antar variabel satu

dengan variabel yang lainnya. Uji kolerasi belum dapat diketahui variabel penyebab dan variabel

akibat. Dalam analisis kolerasi yang diperhatiakan adalah arah (positif atau negative) dan besatnya

hubungna (kekuatan). Koefisien kolerasi mempunyai harga -1 atau +1 (bergerak dari nol hingga 1

maka semakin besar atau kuat hubungan variabel atau sempurna = 1). Sebaliknya semakin

mendekati 0 maka semakin lemah atau kecil hubungannya.

BIVARIATE COLLELATION

Sering juga disebut dengan Product Moment Person berguna untuk menguji kolerasi antar

dua variabel di dalam melakukan uji kolerasi perlu memperhatikan Test of Significant yaitu meliputi

Two-Tailed (uji dua sisi) digunakan dalam kondisi belum diketahui bentuk hubungan antar variabel

dan One-tailed (uji satu sisi) digunakan untuk menguji test of significant dari 2 variabel, tetapi telah

diketahui adanya arah kecenderungan hubungan negative atau positif di antara 2 variabel yang

berhubungan. Cara menganalisanya adalah


Pilih menu Analyze, pilih Correlate dan klik Bivariate

Gambar 4.1 Tampilan Analyze


Maka akan muncul layar Bivariate Correlations. Masukkan variabel DER dan NPM

dalam kotak Variables.

Pilih Correlation Coefficient Pearson dan Test Of Significance dengan two tailed

karena belum ditentukan arah hubungan dari variabel DER dan NPM.

Gambar 4.2 Tampilan Bivariate Correlations

Gambar 4.3 Tampilan Bivariate Correlations Options


Klik menu Option, lalu Continue akhiri dengan OK. Maka akan menghasilkan Output

seperti di bawah ini :

TABEL 4.1

CORRELATIONS

Correlations

DER STR_AKT

DER Pearson Correlation 1 .412**

Sig. (2-tailed) .000

N 84 84

STR_AKT Pearson Correlation .412** 1

Sig. (2-tailed) .000

N 84 84

**. Correlation is significant at the 0.01 level (2-tailed).

Terdapat hubungan antara DER dengan STR_AKT sebesar 0.412. sifat kolerasi positif

menunjukkan semakin tinggi hutang akan semakin tinggi juga struktuk aktiva. Nilai signifikasi

sebesar 0.000 berarti hubungan tersebut signifikan atau diterima pada probabilitas 5%.

PARTIAL CORRELATION

kolerasi parsial digunakan untuk menguji kolerasi dengan memperhitungkan efek dari variabel

lain atau dengan kata lain kolerasi partial mengukur kolerasi antar dua variabel dengan

mengeluarkan pengaruh dari satu atau lebih variabel lain yang sering disebut dengan variabel

control. Cara pengolahan data yaitu


Klik Analyze Correlate Partial.


Masukkan variabel NPM dan NET_SLS1 ke dalam kotak Variables. Masukkan variabel

CR1 ke Controlling for

Gambar 4. 4 Tampilan Analyze

Gambar 4.5 Tampilan Partial Correlation


Kemudian klik Options dan pilih zero-order correlations dan exclude cases listwise,

tekan continue lalu OK

Maka akan menghasilkan tabel seperti di bawah ini :

TABEL 4.2

CORRELATIONS

Correlations

Control Variables NPM NET_SLS1 CR1

-none-a NPM Correlation 1.000 -.047 .207

Significance (2-tailed) . .671 .059

Df 0 82 82

NET_SLS1 Correlation -.047 1.000 -.414

Significance (2-tailed) .671 . .000

Df 82 0 82

CR1 Correlation .207 -.414 1.000

Significance (2-tailed) .059 .000 .

Gambar 4.6 Tampilan Partial Correlation Options


Df 82 82 0

CR1 NPM Correlation 1.000 .043

Significance (2-tailed) . .697

Df 0 81

NET_SLS1 Correlation .043 1.000

Significance (2-tailed) .697 .

Df 81 0

a. Cells contain zero-order (Pearson) correlations.

Dari hasil koefisien antara NPM dan NET_SLS1 sebelum menghilangkan pengaruh variabel

CR1 adalah -0.047 dan signifikan pada alpha 0.05. dan setelah menghilangkan pengaruh variabel

CR1 adalah 0.043 dan signifikan pada alpha 0.05.


BAB V

REGRESI

Regresi digunakan untuk mengukur kekuatan hubungan antara dua variabel atau lebih, juga

menunjukkan arah hubungan antara variabel. Variabel adalah simbol yang melekat pada bilangan

atau angka. Dalam proses aplikasi SPSS, maka data-data selalu dikelompokkan ke dalam kelompok

variabel-variabel yang sangat menentukan dalam proses penarikan kesimpulan hasil uji statistik.

Ada 2 jenis variabel di dalam SPSS yaitu :

1. Variabel bebas (independen variabel) yaitu suatu variabel yang menerangkan

(mempengaruhi) terhadap variabel lainnya. Variabel ini dalam notasinya seringkali diberi notasi X

(X1,X2,X3,dst)

2. Variabel terikat (dependent variabel) yakni suatu variabel yang dipengaruhi (diterangkan)

oleh variabel lain. Variabel ini dalam notasinya sering ditulis dengan Y.

Kemudian Regresi Linear ada 2 macam yaitu

Regresi Linear Sederhana

Regresi sederhana, bertujuan untuk mempelajari hubungan antara dua variabel. Regresi

Linear digunakan apabila variabel dependent dipengaruhi hanya satu variabel independen.

Bentuk Umum Regresi Linear Sederhana :

Y = a + bX

Keterangan :

Y : peubah tak bebas

X : peubah bebas

a : konstanta

b : kemiringan

Regresi Linear Berganda

Analisis regresi ganda merupakan pengembangan dari analisis regresi sederhana.

Kegunaannya yaitu untuk meramalkan nilai variabel terikat (Y) apabila variabel bebasnya (X) dua

atau lebih.

Analisis regresi ganda adalah alat untuk meramalkan nilai pengaruh dua variabel bebas atau

lebih terhadap satu variabel terikat (untuk membuktikan ada tidaknya hubungan fungsional atau

hubungan kausal antara dua atau lebih variabel bebas X1, X2, ., Xi terhadap suatu variabel terikat

Y.


Bentuk Umum Regresi Linier Berganda :

Y = a + b1X

1 + b

2X

2 + ...+ b

nX

n

Keterangan :

Y : peubah takbebas

a : konstanta

X1 : peubah bebas ke-1

b1

: kemiringan ke-1

X2 : peubah bebas ke-2

b2

: kemiringan ke-2

Xn : peubah bebas ke-n

bn

: kemiringan ke-n

Sebagai contoh dalam regresi linear dengan menguji pengaruh net profit margin (NPM),

struktur aktiva (STR_AKT), net sales (NET_SLS1), pertumbuhan perusahaan (GROW1), dan

current rasio (CR1) terhadap hutang perusahaaan (Y). Proses pengelohan data :

Buka file SPSS.REGRESI.sav.

Klik Analyze pilih Regression klik Linear.

Gambar 5.1 Tampilan Analyze


Maka akan muncul kotak Linear Regression seperti gambar di bawah ini :

Klik variabel DER dan masukkan ke kotak dependen, dan klik variabel NPM,

STR_AKT, GROW1, NET_SLS1, dan CR1 ke dalam kotak independen.

Abaikan semua pilihan dan pilih OK.

KOEFISIEN DETERMINASI

Koefisien determasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam

variasi variabel dependen. Bila nilai R2 kecil berarti kemampuan variabel-variabel independen

dalam menjelaskan variasi variabel sangat terbatas. Kelemahan mendasar penggunaan koefisien

determasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model.

Setiap tambahan satu variabel independen, maka nilai R2 akan meningkat tidak peduli apakah

variabel tersebut berpengaruh secarasignifikan terhadapo variabel dependen.

TABEL 5.1

MODEL SUMMARY

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .716a .512 .474 .58837

a. Predictors: (Constant), CR1, GROW1, NPM, STR_AKT, NET_SLS1

Gambar 5.2 Tampilan Linear Regression


Dari tampilan output SPSS di atas besar dari Adjusted R2 adalah 0.474 atau hanya sebesar

47,7% DER dapat dijelaskan oleh keempat variabel independen CR1, GROW1, NPM, STR_AKT,

NET_SLS1 dan sisanya dijelaskan oleh variabel lainnya. SEE (Standart Error of estimate) sebesar

0.58837. semakin kecil nilai SEE akan membuat model regresi semakin tepat dalam memprediksi

variabel dependen.

UJI STATISTIK F

Pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang

dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen

atau terikat.

TABEL 5.2

ANOVA

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 23.258 5 4.652 13.437 .000a

Residual 22.155 64 .346

Total 45.413 69


b. Dependent Variable: DER

Dari uji ANOVA atau F test didapatkan nilai F hitung sebesar 13.437 dengan probabilitas

0.000. karena probabilitas jauh lebih kecil dari = 0.05 maka model regresi dapat digunakan untuk

memprediksi nilai DER atau yang artinya variabel CR1, GROW1, NPM, STR_AKT, NET_SLS1

secara bersama-sama mampu menerangkan variabel DER.

UJI STATISTIK T Uji ini untuk menunjukkan seberapa jauh pengaruh satu variabel penjelas atau independen

secara individual dalam menerangkan variasi variabel dependen. Untuk menginterprestasikan

koefisien variabel bebas (independen) dapat menggunakan unstandardized coefficients maupun

standardized coefficients yaitu dengan melihat nilai signifikasi masing-masing variabel independen

dari tabel di bawah ini bahwa nilai NET_SLS1 0.480 dan CR1 0.61 memiliki niali jauh di atas 0.05

sedangkan NPM 0.000 , STR_AKT 0.000 , dan GROW1 0.013 memiliki nilai yang signifikan pada

0.05


TABEL 5.3

COEFFICIENTS

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) 1.803 .281 6.420 .000

NPM -.041 .008 -.501 -5.177 .000

STR_AKT 1.434 .315 .446 4.557 .000

NET_SLS1 -2.395E-5 .000 -.070 -.710 .480

GROW1 .393 .154 .238 2.548 .013

CR1 -.498 .261 -.204 -1.906 .061

a. Dependent Variable: DER


BAB VI

UJI ASUMSI KLASIK

UJI MULTIKOLONIERITAS

Uji Multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya

kolerasi antar variabel bebas. Model regresi yang baik sebagiknya tidak terjadi kolerasi di antara

variabel terikat. Untuk mendektesi adanya atau tidaknya multikolonieritas dalam model regresi

dapat dengan cara :

Nilai R2 yang dihasilkan oleh oleh suatu estimasi model empiris sangat tinggi, tetapi

biasanya variabel-variabel independen banyak yang tidak signifikan terhadap variabel

dependentnya.

Dengan melihat batas tolerance yang memiliki nilaki kurang dari 0.10 yang berarti tidak ada

kolerasi antar variabel independen. Kemudian dari nilai VIF (Variance Inflation Factor) juga

menunjukkan hal yang sama yaitu tidak adanya penyakit multikolonieritas dengan nilai dari

VIF lebih dari 10.

Selain itu dari Ouput SPSS juga bisa dilihat nilai CI (Condition Index). Jika nilai CI > 30

maka dalam model terdapat penyimpangan Asumsi Klasik Multicolinierity.

Langkah untuk menganalisis penyakit multikolonieritas yaitu :

1. Buka file SPSS.REGRESI.sav

2. Pilih menu Analyze, submenu Regresi lalu pilih Linear Regression.

Gambar 6.1 Tampilan menu Analyze


3. Maka akan muncul layar windows Linear Regression.

Pada kotak Dependent isikan variabel DER dan pada kotak Independen isikan NPM,

NET_SLS1, STR_AKT, GROW1 dan CR1.

4. Untuk menampilkan matrik kolerasi dan nilai Tolernace serta VIF pilih Statistics

maka akan muncul layar tampilan windows Linear Regression Statistics. Akifkan

pilihan Covariance matrix dan Collinierity Diagnostics.

Gambar 6.2 Layar Linear Regression

Gambar 6.3 Tampilan Linear Regression Statistics


5. Tekan Continue, abaikan yang lain dan tekan OK

6. Maka akan muncul tampilan SPSS :

TABEL 6.1

COEFFICIENT CORRELATIONS

Coefficient Correlationsa

Model CR1 GROW1 NPM STR_AKT NET_SLS1

1 Correlations CR1 1.000 .127 -.314 .334 .395

GROW1 .127 1.000 -.182 .331 -.043

NPM -.314 -.182 1.000 -.220 .114

STR_AKT .334 .331 -.220 1.000 .089

NET_SLS1 .395 -.043 .114 .089 1.000

Covariances CR1 .068 .005 .000 .027 3.481E-6

GROW1 .005 .024 .000 .016 -2.212E-7

NPM .000 .000 6.240E-5 .000 3.040E-8

STR_AKT .027 .016 .000 .099 9.467E-7

NET_SLS1 3.481E-6 -2.212E-7 3.040E-8 9.467E-7 1.137E-9


Melihat besaran kolerasi antar variabel independen tampak bahwa variabel NET_SLS1

1.000 , variabel CR1 0.395 , NPM 0.114 memiliki kolerasi yang cukup tinggi , sedangkan

STR_AKT 0.089 dan GROW1 -0.043 atau sekitar 43%. Oleh karena itu kolerasi ini masih di bawah

95%, maka dapat dikatakan tidak terjadi multikolonieritas serius.

Kemudian dari hasil tabel 4.2 di bawah ini, nilai Tolerance untuk NET_SLS1 0.778 , NPM

0.815 , STR_AKT 0.797 , GROW1 0.874 , CR1 0.664 menunjukkan nilai kurang dari 0.10 yang

berarti tidak ada kolerasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan

nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, bahwa variabel NET_SLS1

1.286 , NPM 1.228 , STR_AKT 1.254 , GROW1 1.144, CR1 1.506 tidak ada satu variabel

independent yang memiliki nilai VIF lebih dari 10. Jadi tidak ada multikolonieritas antar variabel

independen dalam model regresi.


TABEL 6.2

COEFFICIENTS

Coefficientsa

Model


Standardized

Coefficients

t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) 1.803 .281 6.420 .000

NPM -.041 .008 -.501 -5.177 .000 .815 1.228

STR_AKT 1.434 .315 .446 4.557 .000 .797 1.254

NET_SLS1 -2.395E-5 .000 -.070 -.710 .480 .778 1.286

GROW1 .393 .154 .238 2.548 .013 .874 1.144

CR1 -.498 .261 -.204 -1.906 .061 .664 1.506


TABEL 6.3

DIAGNOSTIC COLLINEARITY

Nilai CI yang dihasilkan untuk masing-masing variabel independen adalah kurang dari 30

maka dapat disimpulkan bahwa variabel independen tidak terjangkit penyakit multikolonieritas.

Collinearity Diagnosticsa

Model

Dimen

sion

Eigenvalue

Condition Index

Variance Proportions

(Constant) NPM STR_AKT NET_SLS1 GROW1 CR1

1 1 4.426 1.000 .00 .01 .01 .01 .01 .01

2 .890 2.230 .00 .01 .01 .04 .00 .44

3 .272 4.031 .00 .00 .14 .43 .15 .06

4 .240 4.290 .00 .47 .02 .04 .26 .14

5 .122 6.021 .00 .30 .71 .02 .42 .25

6 .049 9.546 .99 .21 .11 .46 .15 .10



UJI AUTOKOLERASI

Uji autokolerasi bertujuan menguji apakah dalam model regresi linear ada kolerasi antara

kesalahan penggangguan pada perioade t dengan kesalahan pengganggu pada periode t-1

(sebelumnya). Jika adanya kolerasi maka adanya penyakit autokolerasi. Masalah ini disebabkan

karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya.

Apabila pada salah satu terdapat gangguan maka cenderung mempengaruhi gangguan untuk periode

berikutnya. Ada beberapa cara yang dapat digunakan untuk mendekteksi ada atau tidaknya

autokolerasi, pada modul ini akan menjelaskan dengan Uji Durbin Watson (DW test)

Digunakan untuk autokolerasi tingkat satu dan mensyaratkan adanya intercept (konstanta)

dalam model regresi. Hipotesis yang akan diuji adalah :

H0 : tidak adanya autokolerasi.

H1 : adanya autokolerasi.

Pengambilan keputusan autokolerasi :

Hipotesis nol Keputusan Jika

Tidak ada autokolerasi

positif

Tolak 0 < d < dl


positif

No desicion dl d du


negatif

Tolak 4-dl < d


Langkah yang digunakan untuk mengetahui ada tidaknya autokolerasi :


2. Menu Analyze Regression Linear

Kemudian Pada kotak Dependent isikan variabel DER dan pada kotak Independen isikan

NPM, NET_SLS1, STR_AKT, GROW1 dan CR1.

Gambar 6.4 Tampilan menu Analyze

Gambar 6.5 Layar Linear Regression


3. Pilih Statistics maka akan muncul layar tampilan windows Linear Regression Statistics.

Kemudian cheklist bagian Residuals Durbin-Watson.

4. Pilih Continue kemudian OK.

5. akan muncul output :

TABEL 6.4

MODEL SUMMARY

Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate Durbin-Watson

1 .716a .512 .474 .58837 2.096


b. Dependent Variable: DER

Nilai DW sebesar 2.096, nilai ini akan kita bandingkan dengan nilai table dengan

menggunakan signifikasi 5%, jumlah sampel 84 (n) dan jumlah variabel independen 5 (k=5) maka di

table Durbin Waston akan didapatkan nilai du sebesar1.386 dan nilai dl = 1.630. Oleh karena nilai

DW lebih besar dari (du) 1.386 dan kurang dari 4-dl(4-1.630=3.370), maka dapat disimpulkan

bahwa H0 diterima yaitu tidak adanya atau tidak terdapat autokolerasi. (untuk angka du dan dl dapat

dilihat di tabel).


Statistics


UJI HETEROSKEDASTISITAS

Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance

dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan

ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut

Heteroskedastisitas. Model regresi yang baik adalaha Homoskedastisitas atau tidak

Heteroskedetisitas. Dalam modul ini, akan menerangkan menguji ada tidaknya Heteroskedastisitas

dengan Uji Park.

. Cara melakukan Uji Park dengan SPSS :


2. Meregresikan semua variable bebas (NPM, NET_SLS1, STR_AKT, GROW1 dan

CR1) terhadap variable terikat (DER)

3. Untuk mendapatkan variabel residual dengan cara pilih Save pada Layar Linear

Regression sehingga muncul kotak Linear Regression Save, checklist unstandardized

residual.

Gambar 6.7 Linear Regression Save


4. Pilih Continue lalu OK. Maka pada Variable Data akan muncul 1 Variabel baru dengan

nama Res_1 yang merupakan nilai residual.

5. Kuadratkan nilai residual (Res_1*Res_1) tersebut dengan cara menu Transform

Compute Variable kemudian beri nama Res_2 dan klik OK.

6. Kemudian Logaritmakan Res_2 dengan menu Transform dan Compute.




7. Regresikan LNRes_2 sebagai variabel dependen dan variabel NPM, NET_SLS1,

STR_AKT, GROW1 dan CR1.

Maka akan menghasilkan output sebagai berikut :

TABEL 6.5

COEFFICIENTS

Coefficientsa

Model


Standardized

Coefficients

t

Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) -1.623 .997 -1.628 .109

NPM -.001 .028 -.007 -.050 .960 .815 1.228

STR_AKT .255 1.117 .031 .228 .820 .797 1.254

NET_SLS1 .000 .000 -.230 -1.662 .101 .778 1.286

GROW1 -.024 .548 -.006 -.045 .964 .874 1.144

CR1 -.586 .928 -.095 -.632 .530 .664 1.506

a. Dependent Variable: LNRes_2



HasiL output SPSS memberikan koefisien variabel independen tidak ada yang signifikan,

maka dapat disimpulkan bahwa model regresi tidak terdapat Heteroskedasititas.


Latihan :

Jelaskan perbedaan antara input data pada spss dengan input data copy-paste dari excel?

Apakah keuntungannya?

Dari data yang ada di bawah ini :

Tahun Y X1 X2 X3 X4

1960 27.80 397.50 42.20 50.70 78.30

1961 29.90 413.30 38.10 52.00 79.20

1962 29.80 439.20 40.30 54.00 79.20

1963 30.80 459.70 39.50 55.30 79.20

1964 31.20 492.90 37.30 54.70 77.40

1965 33.30 582.60 38.10 63.70 80.20

1966 35.60 560.30 39.30 69.80 80.40

1967 36.40 624.60 37.80 65.90 83.90

1968 36.70 666.40 38.40 64.50 85.50

1969 38.40 717.80 40.10 70.00 93.70

1970 40.40 768.20 38.60 73.20 106.10

1971 40.30 843.30 39.80 67.80 104.80

1972 41.80 911.60 39.70 79.10 114.00

1973 40.40 931.10 52.10 95.40 124.10

1974 40.70 1021.50 48.90 94.20 127.60

1975 40.10 1165.90 58.30 123.50 142.90

1976 42.70 1349.60 57.90 129.90 143.60

1977 44.10 1449.40 56.50 117.60 139.20

1978 46.70 1575.50 63.70 130.90 165.50

1979 50.60 1759.10 61.60 129.80 203.30

1980 50.10 1994.20 58.90 128.00 219.60

a) Bagaimana cara mengidentifikasi data di atas sudah terdistribusi dengan normal?

b) Bagaimana cara melakukan regresi data dan kolerasi data di atas?


Sumber :

Ghozali, Imam. 2006. Aplikasi Analisis Multivariate dengan Program SPSS . Semarang :

Badan Penerbit Universitas Diponegoro.

Juliandi, Azuar. 2007 . Pengolahan Data Penelitian Menggunakan Spss Korelasi Dan

Regresi. http://www.azuarjuliandi.com

Oswari, Teddy. SPSS for Psychology. http://staffsite.gunadarma.ac.id/toswari/.

Wijaya, Tony. 2009. Analisis data Penelitian Menggunakan SPSS. Yogyakarta : Penerbit

Universitas Atma Jaya.

modul spss 17

Documents