Ayo rek sinau SPSS ?

Tutorial Analisis Regresi Linear Berganda

Sofa Nur Ihtiari Wahyudi

@Hak Cipta TIDAK Dilindungi UU

Diterbitkan olah : Delapan Enam

Bagian 1

: Pengantar Teoritis

Bagian 2

: Pengenalan Tampilan SPSS

Bagian 3

: Input Data

Bagian 4

: Uji Asumsi Klasik

Bagian 5

: Pengujian Hipotesis

Bagian 1

: Pengantar Teoritis

Analisis regresi adalah bentuk hubungan antara dua peubah atau lebih
khususnya hubungan antara peubah-peubah yang mengandung sebab akibat.
(Wibisono, 2009)
Variabel "penyebab" disebut dengan bermacam- macam istilah: variabel
penjelas, variabel eksplanatorik, variabel independen, atau secara bebas, variabel X
(karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X).
Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi, variabel
dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan
variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel acak.
Analisis Regresi adalah salah satu analisis yang paling populer dan luas
pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis sebabakibat boleh dipastikan mengenal analisis ini.
Pada modul ini yang akan dibahas adalah analisa Regresi Liner yang terdiri atas
Regresi Linier sederhana dan Regresi Linier berganda.
Regresi Linear Sederhana ?
Regresi linier sederhana adalah merupakan hubungan fungsional ataupun
kausal satu variabel independen dengan satu variabel dependen (Purwanto S. K.,
2012).
Model regresi linier sederhana dapat digambarkan sebagaimana gambar
di bawah ini.

Persamaan umum regresi linier sederhana adalah: Y = a + bX

Y

= Variabel Dependen

= Konstansta/ Intercept

= Koefisien regresi

= Variabel Independen

Nilai a secara grafik adalah merupakan intercept /perpotongan pada sumbu

Y jika harga X = 0. Secara teknis harga b merupakan tangen dari perbandingan antara
perubahan harga Y pada perubahan harga X atau dapat dituliskan dengan Y/X.

Regresi Linier Berganda ? ( THIS STUDY ............ )

Regresi Linear Berganda adalah regresi linier yang menggunakan dua atau
lebih variabel independen/prediktor untuk meramalkan atau memprediksi satu
variabel dependen/terikat. Jadi analisis regresi linier berganda akan dilakukan bila
jumlah variabel independennya minimal 2. Model Regresi linier berganda untuk dia
variabel bebas dan satu variabel terikat adalah sebagai berikut:
Parsial
X1
Y
X2
Simultan

Model diatas dapat dijelaskan bahwa dalam model regresi linier berganda
mempunyai dua uji pengaruh yaitu :
1. Pengaruh variabel X (bebas) secara simultan terhadap variabel Y (terikat)
2. Pengaruh variabel X (bebas) secara Parsial terhadap variabel Y (terikat),
yaitu meliputi :
a. Pengaruh variabel X1 terhadap variabel
b. Pengaruh variabel X2 terhadap variabel Y

Persamaan Regresi Linier Berganda

Pada prinsipnya persamaan regresi linier berganda adalah sama dengan
persamaan pada regresi linier sederhana, yang membedakan adalah pada
perrsamaan Regresi Linier Berganda jumlah variabel X lebih dari satu. berikut adalah
beberapa contoh persamaan Regresi Linier Berganda:
1. Persamaan regresi untuk dua prediktor adalah:
Y = a0 + a1X1 + a2X2
2. Persamaan regresi untuk tiga prediktor adalah:
Y = a0 + a1X1 + a2X2+ a3X3
3. Persamaan regresi untuk n prediktor (independennya banyak) adalah:
Y = a0 + a1X1 + a2X2 + .... + anXn

Koefisien Regresi Linier Berganda

Persamaan regresi linier dimaksudkan untuk menjadi alat dalam membuat
taksiran dan ramalan keadaan berdasarkan data kejadian dan aktivitas di masa yang
lalu. Untukl membuat suatu persamaan Regresi Linier berganda terlebih dahulu
dilakukan penelitian atau data laporan periode yang lalu. Berikut ini adalah diuraikan
membuat persamaan regresi untuk dua variabel bebas X1 dan X2 , satu variabel
terikat Y.

Bagian 2

1.
2.
3.

4.

5.

6.
7.

8.

: Pengenalan Tampilan SPSS

Ada sembilan menu utama yang dimiliki SPSS for windows, yaitu:
File. Digunakan untuk membuat file baru atau membuka file, menyimpan file.
Edit. Digunakan untuk memodifikasi, mengkopi, menghapus, mencari dan
mengganti data atau teks dari output windows maupun syntak windows.
Data. Digunakan untuk membuat pilihan global dari file data SPSS, seperti
pendefinisian variabel, penggabungan file, transpose data, mengambil sebagai case
dan sebagainya.
Transform. Digunakan untuk mentranformasi data, yaitu pembentukan variabel baru
yang valuenya merupakan hasil tranformasi dari value variabel-variabel yang
sudah ada. Atau memodifikasi variabel yang sudah ada berdasarkan variabel
yang lain. Seperti tranformasi dengan operator aritmatik, fungsi aritmatika, fungsi
statistik dan sebagainya.
Analyze. Digunakan untuk memilih berbagai prosedur pengolahan secara statistik
seperti tabulasi silang (crosstab), korelasi, regresi linier, analisis varians, penyusunan
laporan dan sebagainya.
Graph. Digunakan untuk mengaktualisasikan data berupa bar chart, pie chart,
histogram, scatterplots (diagram pencar), dan bentuk-bentuk grafik lainnya.
Utilities. Digunakan untuk mengubah fonts, mengakses data secara dinamik,
menampilkan berbagai informasi mengenai isi file data SPSS, atau menampilkan
indeks dari perintah-perintah SPSS.
Windows. Digunakan untuk mengatur, memilih, dan mengontrol atribut-atribut
windows SPSS.

9. Help. Digunakan untuk membuka windows standart Microsoft Help yang memuat
informasi bantuan bagaimana menggunakan bantuan berbagai fasilitas pada SPSS.
Informasi bantuan ini juga bisa didapatkan lewat setiap kotak dialog.

Tampilan di atas adalah sebagai database untuk mengatur komposisi karakter

data (VARIABLE VIEW). Penjelasannya sebagai berikut :
NAME
Pemberian nama variabel harus memenuhi ketentuan berikut ini :
1. Nama variabel harus diawali dengan huruf dan karakter yang selanjutnya
boleh huruf, angka dan simbol @,#, atau $.
2. Nama variabel tidak boleh diakhiri dengan tanda titik.
3. Harus dihindari pemberian nama variabel yang diakhiri dengan garis bawah.
4. Panjang nama variabel tidak boleh lebih ari 8 karakter.
5. Spasi kosong an spesial karakter !,? dan * tidak digunakan.
6. Nama variabel tidak boleh sama satu variabel dengan variabel lainnya.
7. Tidak membedakan huruf kecil dengan huruf kapital.
8. Tidak menggunakan kata-kata yang sudak ada pada sistem atau bahasa
pemrograman SPSS yaitu, ALL,AND, BY,EQ, GT, LT, NE, NOR, OR, TO, AND.

TYPE
Tipe (memformat data sesuai dengan data yang di masukkan) data yang
ada pada SPSS adalah
1. Numeric, merupakan tipe angka dengan tanda plus dan tanda minus
didepan angka serta indikator desimal. Lebar maksimal 40 karakter.
2. Comma, merupakan tipe yang termasuk angka, tanda plus dan tanda
minus didepan angka, indikator desimal serta pemisah ribuan.
3. Dot, tipe ini sama dengan tipe comma, yang membedakan hanyalah
pemisah ribuan, yang digunakan adalah titik.
4. Scientifik notation, merupakan type data yang menggunakan lambang
atau notasi ilmiah seperti log, alfa, dll.
5. Date, tipe ini menampilkan data dalam format tanggal atau waktu.
6. Dollar, tipe ini adalah tanda $ sebuah titik sebagai indikator desimal
dan beberapa tanda koma pemisah ribuan.
7. Custom curency, tipe ini digunakan untuk menampilakan format mata
uang seperti Rp. 65.000.

8. String, digunakan untuk karakter huruf dan karajter lainnya.

WIDHT
Width digunakan untuk mengatur lebar cell.
DECIMAL
Decimal digunakan untukmengatur berapa angka di belakang koma
LABEL
Label digunakan untuk memberikan keterangan dari variabel-variabel yang
ada, agar lebih informatif dan anda tidak lupa terhadap data yang
didalamnya. Disamping ada Variabel label juga ada value label untuk nilai
nilai variabel faktor berupa data kategorik seperti contiohnya kelas. Untuk
data numerik tidak perlu ada value label.
COLUMS
adalah lebar kolom untuk data ini, standarnya 8 character. Anda bisa
mengubahnya sendiri sesuai yang anda kehendaki.
MISSING
berisi beberapa pilihan menangani missing value.
1. Tanpa ada missing value.
2. Diskret missing value : digunakan untuk menyediakan data mana
sajakah yang akan dihilangkan atau ditinggalkan.
3. Range missing value : data yang berupa interval yaitu nilai terendah
sampai nilai tertinggi yang akan dihilangkan atau ditinggalkan.
ALIGN
digunakan untuk menentukan data tersebut akan tampil secara rata kiri, rata
kanan, atau center.
MEASSURE
digunakan untuk menetukan macam data. Macam data ada tiga yaitu : Nominal
dimana untuk menghitung yang merupakan data diskret, scale serta ordinal
untuk menentukan data kontinu yaitu data mengukur.

TAMPILAN DATA VIEW (Seperti pada Ms. Excel)

Nama Variabel

MARI KITA LANGSUNG KE PRAKTIKNYA.....

Memakai Judul :
Pengaruh Return On Asset ( ROA) dan Net Profit Margin (NPM) Terhadap
Laba Bersih Perusahaan Rokok yang Terdaftar Di BEI 2009-2013 Dengan Model
Perhitungan Triwulan
Sampel : Gudang Garam (GGRM), Sampoerna (HMSP), dan Bentoel (RMBA)

N= 44
Persamaan/Model Regresinya : Laba = a +b1ROA + b2NPM + e

Bagian 3

: Input Data

Cara 1 : Dengan copy paste dari Ms. Excel (Recommended)

Cara 2 : Open data dari SPSS
** Catatan : Data harus diurutkan kebawah berdasarkan Perusahaan atau Tahun/Triwulan
secara konsisten

Lakukan sampai seperti tampilan di atas

Bagian 4

: Statistik Deskriptif

Pada Data View SPSS, Pilih menu Analyze Descriptive Statistics Descriptives, masukan
semua variabel ke kotak Varibel (yang sebelah kanan). Klik menu Options, centang Mean, Std.
Deviation, Maximum dan Minimum > Continue dan OK.

Tampilan Ouput : Pada bagian awal Bab III tinggal menarasikan hasil statistik deskriptifnya
Descriptive Statistics
N

Minimum

Maximum

Mean

Std. Deviation

ROA

44

-.08

.35

.0832

.09769

NPM

44

-.10

.16

.0820

.07245

Laba

44

-661152000000

7430950000000

1938674246603,64

1929747059290,929

Valid N (listwise)

44

Bagian 5

: Uji Asumsi Klasik

1. UJI NORMALITAS
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau
tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal.
Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai
residualnya.
Cara Pertama ANALISA GRAFIK, Langkahnya sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze Regression Linear, pada kotak
Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel
X1, X2, (ROA dan NPM)
2. Pilih metode Enter, kemudian klik Button Plots, dan aktifkan atau centang pada
Normal probability plot, tekan button Continue dan OK.

Tampilan Ouput :

Dasar pengambilan keputusan:

Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal
menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi
normalitas.
Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal
tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi
asumsi normalitas.

Tetapi karena menggunakan grafik, interprestasi tiap orang dapat berbeda karena unsur
subjektifitas, maka sobat dapat menggunakan metode lainnya, di mana teman-teman dapat
menggunakan Uji Statistik Kolmogorov Smirnov. Caranya sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze Regression Linear, pada kotak
Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel
X1, X2, (ROA dan NPM)
2. Pilih metode Enter, kemudian klik Button Save.
3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,
kemudian pilih OK.
4. Abaikan tampilan output

Maka pada data view akan ada kolom baru sebagai hasil dari Data Residual (RES_1)

5. Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama
kolom RES_1, ini merupakan residual regresi.
6. Pilih menu Analyze - Nonparametric Test - Legacy Dialogs (1-Sample K-S),
kemudian Pindahkan Unstandardized Residual ke kolom Test Variable List di
sebelah kanan, centang pada Normal, lalu klik OK.

Tampilan Ouput :
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N

44
Mean

Normal

Parametersa,b

Most Extreme Differences

Std. Deviation

-,0001054
696301030570,
17740000

Absolute

,119

Positive

,119

Negative

-,081

Kolmogorov-Smirnov Z

,787

Asymp. Sig. (2-tailed)

,565

a. Test distribution is Normal.

b. Calculated from data.

Bedasarkan gambar diatas, nilai Signifikan > Alpha ( 0.565 > 0.05 ), jadi bisa disimpulkan
bahwa data residual terdistribusi dengan normal.

2. UJI MULTIKOLONIERITAS
Untuk Uji Multikolonieritas sebenarnya ada beberapa metode, namun menggunakan atau
melihat nilai VIF atau Tolerance akan lebih menguatkan persepsi kita mengenai hal itu,
makanya lebih suka dengan menggunakan nilai VIF atau Tolerance untuk menyimpulkan ada
atau tidaknya gejala Multikolonieritas pada model atau variabel yang kita miliki. Langkahnya
sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze Regression Linear, pada kotak
Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel
X1, X2, (ROA dan NPM)
2. Hilangkan centang pada Unstandardized pada kolom Residuals.
3. Pilih metode Enter,
4. Klik Button Statistics, berikan centang seperti pada gambar dibawah ini, dan klik
Continue dan OK
5.

Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Coefficientsa
Model

Unstandardized Coefficients

Standardized

Sig.

Coefficients
B
(Constant)
1

Std. Error

340992201301,629

163529893884,208

ROA

17271843542219,086

1763124709580,933

NPM

1962067210184,621

2377286756319,015

Collinearity
Statistics

Beta

Tolerance

VIF

2,085

,043

,874

9,796

,000

,399

2,509

,074

,825

,414

,399

2,509

a. Dependent Variable: Laba

Pengambilan Keputusan dengan Melihat Nilai VIF dan Tolerance:

Melihat nilai Tolerance :
Tidak terjadi Multikolinearitas , jika nilai Tolerance lebih besar 0,10.
Terjadi Multikolinearitas, jika nilai Tolerance lebih kecil atau sama dengan
0,10.
Melihat nilai VIF (Variance Inflation Factor) :
Tidak terjadi Multikonieritas, jika nilai VIF lebih kecil 10,00.
Terjadi Multikonieritas, jika nilai VIF lebih besar atau sama dengan 10,00.
Berdasarkan outputdiatas, dapat disimpulkan bahwa Tidak terjadi Multikolinearitas antar
variabel independent dalam model regresi karena nilai Tolerance > 0.1 (0,399 > 0,1) dan nilai
VIF < 10 ( 2,509 < 10).

3. UJI AUTOKORELASI
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan
periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk
melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada
korelasi antara observasi dengan data observasi sebelumnya. Uji statistik yang akan dijelaskan
di bawah hanya Uji Durbin-Watson dan Uji dengan Run Test.

# Uji Durbin-Watson
1. Pada Data View SPSS, Pilih menu Analyze Regression Linear, pada kotak
Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel
X1, X2, (ROA dan NPM)
2. Hilangkan centang pada Unstandardized pada kolom Residuals.
3. Pilih metode Enter
4. Klik Button Statistics, berikan centang seperti pada gambar dibawah ini, dan klik
Continue dan OK.

Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Model Summaryb
Model

R Square

,933a

,870

Adjusted R

Std. Error of the

Square

Estimate
,863

713081775874,

Durbin-Watson

,992

252

a. Predictors: (Constant), NPM, ROA

b. Dependent Variable: Laba

DOWNLOAD DULU TABEL CURBIN-WATSON, Kalau sudah lihat tabel dengan

Signifikansi 5%

Silahkan bandingkan Nilai DW hitung dengan DW tabel sesuai dengan kriteria. Berdasarkan
gambar diatas, didapatkan bahwa:
Nilai DW = 0,992 nilai ini akan dibandingkan dengan nilai tabel signifikansi 5%, dengan (n=44)
dan jumlah variabel independent (K=2)
**Pada tabel adanya n=45, jadi gunakan perkiraan antara n=40 dengan n=45, karena n=44
berada diantaranya. INI CARAKU SENDIRI, MOHON KALAU ADA YANG SALAH DIKOREKSI
Apabila nilai n= nya sudah ada pada tabel lebih enak.
Untuk n=40, dL nya 1,391 dan dU nya 1,600
Untuk n=45, dL nya 1,430 dan dU nya 1,615

DARIPADA BINGUNG MENDING ASUMSIKAN KALAU N=45 .................

KALAU MASIH BINGUNG, KITA BARENG-BARENG TANYA KE MAHA GURU NYA METPEN / SPSS

Kembali ke hasil output kita bahwa nilai DW = 0,992, jadi patokannya

Untuk n=45.......

dL= 1,430
dU= 1,615

Syarat tidak terjadi Autokorelasi adalah : dU < Nilai DW < (4-Du)

Dari nilai DW di atas masuk pada kategori 0 < Nilai DW < dU yang berarti TIDAK ADA
AUTOKRELASI POSITIF dengan keptusan TOLAK ( 0 < 0,992 < 1,615 maka dapat disimpulkan
bahwa Terdapat Autokorelasi (Tidak terdapat autokorelasi positif, namun terdapat negatif
pada data yang diuji).

NAH, LEBIH BAIK KITA COBA DENGAN CARA YANG KEDUA.

# Uji Run Test
Langkahnya adalah sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze Regression Linear, pada kotak
Dependent, isikan variabel Y (Laba) dan pada kotak Independent, isikan variabel
X1, X2, (ROA dan NPM)
2. Pilih metode Enter, kemudian klik Button Save.
3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,
kemudian pilih OK.
4. Abaikan tampilan output
........CARA INI SEPERTI SAAT UJI KOLMOGORV SMIRNOV.........
5. Kemudian dilanjutkan dengan Pilih menu Analyze - Nonparametric Test - Legacy
Dialogs Runs, kemudian Pindahkan RES_1 ke kolom Test Variable List di sebelah
kanan, centang pada Median, lalu klik OK

Ada banyak tampilan output, namun amati tabel seperti dibawah ini :

Runs Test
Unstandardized
Residual
Test

Valuea

147668271532,
89140

Cases < Test Value

22

Cases >= Test Value

22

Total Cases

44

Number of Runs

10

-3,813

Asymp. Sig. (2-tailed)

,000

a. Median

Hasil run test menunjukkan bahwa nilai Asymp. Sig. (2-tailed) < 0.05 yang berarti data yang
dipergunakan tidak cukup random sehingga TERDAPAT MASALAH AUTOKORELASI pada data
yang diuji.
Hal ini sesuai hasil Uji Durbin-Watson yang menyatakan terdapat Autokorelasi.

SEKARANG KITA BEAJAR TREATMENT / PERLAKUAN DATA

OUTLIER ( EKSTRIM ) DENGAN TRANSFORMASI DATA
Tranformasi Data bisa menjadi LN, LG10, SQRT, dll.
Setiap variabel ditransformasikan.
*Hindari penghapusan data, kalau masih memungkinkan dilakukan transformasi,
dicoba terlebih dahulu saja. Kalau N nya banyak dan dengan transformasi belum juga
bisa berhasil, boleh dilakukan penghapusan data pengamatan yang dianggap outlier.

# Kita coba dengan memakai LN

Langkahnya adalah sebagai berikut :
1. Sekarang yang harus kita lakukan adalah meng-LN-kan ketiga variebel tersebut,
SPSS juga sudah menyediakan fasilitas tersebut.
2. Klik menu Transform Compute Variable, kemudian lakukan seperti gambar
dibawah ini, Kotak Target Variable diisi dengan nama variabel/kolom baru ( Untuk
ROA misal dinamai LN_ROA, begitu pula variabel NPM dan Laba).

3. Pada Function Group pilih All dan nanti akan muncul banyak menu pada Functions
And Specials Variables. Pilih Ln dan masukan ke dengan klik Panah ke atas.

4. Selanjutnya pada kotak Numeric Expression akan muncul Ln(?), tugas kita adalah
mengisi tanda kurung dengan memasukan Variabel (Misal : ROA) dengan Klik ROA
pada kolom varibel dan klik Panah ke kanan yang mengarah ke Numeric
Expression.

5. Selanjutnya klik OK
6. Abaikan tampilan output
7. Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama
kolom LN_ROA (Sesuai pemberian nama di Compute Varible, ini tampilan data
setelah di-LN-kan

....LAKUKAN CARA SERUPA UNTUK VARIBEL YANG LAIN (NPM DAN LABA)....
Maka setelah semua di LN-kan maka akan muncul tampilan seperti gambr di
bawah ini :

Setelah kita memiliki data yang sudah di LN kan maka lakukan kembali Prosedur Uji
DW dan Run Test, jadi yang dipakai adalah yang Ln, bukan yang aslinya (termasuk saat
membuat data Unstandarized atau RES).

Ini adalah hasil untuk Uji Run Test setelah di LN-kan :

Runs Test
Unstandardized
Residual
Test Valuea

-,08016

Cases < Test Value

18

Cases >= Test Value

19

Total Cases

37

Number of Runs

12

Z
Asymp. Sig. (2-tailed)

-2,331
,020

a. Median

Hasil run test setelah data di Ln-kan menunjukkan bahwa nilai Asymp. Sig. (2-tailed) > 0.05
yang berarti data yang dipergunakan cukup random sehingga tidak terdapat masalah
autokorelasi pada data yang diuji.

Untuk Uji DW bisa dicoba sendiri

4. UJI HETEROSKEDASTISITAS
#Menggunakan Metode Glejser
Langkahnya adalah sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze Regression Linear, pada kotak
Dependent, isikan variabel Y (LN_Laba) dan pada kotak Independent, isikan
variabel X1, X2, (LN_ROA dan LN_NPM). Ingat, mulai sekarang untuk langkah
berikutnya menggunakan Variabel LN_ !!!
2. Pilih metode Enter, kemudian klik Button Save.
3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,
kemudian pilih OK.
......... Kalau sudah memiliki data RES_2 (yang digunakan untuk Run Test data yang
sudah di-Ln-kan, maka tidak perlu melakukan proses Unstandarized lagi.....
4. Sekarang yang harus kita lakukan adalah meng-absolutkan nilai Residual (RES_2)
tersebut, SPSS juga sudah menyediakan fasilitas tersebut.
......... Langkah selanjutnya seperti me-Ln-kan varibel, namun ini menggunakan
pilihan ABS (Absolut).....
5. Klik menu Transform Compute Variable, kemudian lakukan seperti gambar
dibawah ini, Kotak Target Variable diisi dengan nama variabel/kolom baru ( Misal
menggunkan nama ABS_RES2).

6. Pada Function Group pilih All dan nanti akan muncul banyak menu pada Functions
And Specials Variables. Pilih ABS dan masukan ke dengan klik Panah ke atas.

7. Selanjutnya pada kotak Numeric Expression akan muncul ABS(?), tugas kita adalah
mengisi tanda kurung dengan memasukan Variabel RES_2 (Unstandarized
Residual ke 2) dengan Klik RES_2 (Unstandarized Residual ke 2) pada kolom varibel
dan klik Panah ke kanan yang mengarah ke Numeric Expression.

8. Selanjutnya klik OK
9. Lihat pada data view maka akan muncul variabel baru bernama ABS_RES2

10. Setelah variabel RES_2 diabsolutkan, maka langkah selanjutnya adalah klik menu
Analyze - Regression Linear, Masukkan variabel ABS_RES2 pada kotak
Dependent dan masukkan variabel LN_ROA dan LN_NPMpada kotak Independen.
11. Pada Button Save. Jangan lupa hilangkan centang di Unstandardized pada kolom
Residuals, lalu klik Continue, kemudian pilih OK.

Dasar Pengambilan Keputusan:

Tidak terjadi heteroskedastisitas, jika nilai T.hitung lebih kecil dari T.tabel dan nilai
signifikansi lebih besar dari 0.05 (5%).
Terjadi heteroskedastisitas, jika nilai Thitung lebih besar dari Ttabel dan nilai
signifikansi lebih kecil dari 0.05 (5%).

Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Coefficientsa
Model

Unstandardized Coefficients

Standardized

Sig.

Coefficients
B
(Constant)
1

Std. Error
,419

,154

LN_ROA

-,147

,082

LN_NPM

,192

,107

a. Dependent Variable: ABS_RES2

Beta
2,713

,010

-,511

-1,793

,082

,512

1,796

,081

Dengan melihat nilai Sig. dan alpha= 5%. Terlihat bahwa nilai Sig > alpha 0,05 untuk semua
variabel independen yang artinya tidak ada satupun variabel independen yang signifikan
secara statistik mempengaruhi variabel dependen. Jadi dapat disimpulkan bahwa model
regresi tidak mengandung adanya Heteroskedastisitas.
#Menggunakan Grafik Plot
1. Pada Data View SPSS, Pilih menu Analyze Regression Linear, pada kotak
Dependent, isikan variabel Y (LN_Laba) dan pada kotak Independen, isikan variabel
X1, X2, (LN_ROA dan LN_NPM.
2. Pilih metode Enter, kemudian klik Button Save.
3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,
kemudian pilih OK.
4. Kemudian klik Button Plots dan akan muncul menu Linear Regression Plots.
5. Masukan variabel SRESID pada kotak pilihan Y
6. Masukan variabel ZPRED pada kotak pilihan X
7. Tekan Continue, abaikan yang lain
8. Klik OK

Ada banyak tampilan output, namun amati tabel seperti dibawah ini :

Titik-titik menyebar secara rata (tidak membentuk pola), sehingga bisa dismpulkan bahwa
regresi tidak mengandung adanya Heteroskedastisitas

Bagian 5

: Pengujian Hipotesis

UJI ASUMSI KLASIK SELESAI, SEKARANG KITA

MASUK KE PENGUJIAN HIPOTESISNYA
# Koefisien Determinasi
Langahnya sebagai berikut :
1. Pada Data View SPSS, Pilih menu Analyze Regression Linear, pada kotak
Dependent, isikan variabel Y (LN_Laba) dan pada kotak Independen, isikan variabel
X1, X2, (LN_ROA dan LN_NPM).
2. Pada kotak Method pilih Enter.
3. Abaikan yang lain dan klik OK

**LANGKAH DI ATAS SEKALIGUS UNTUK Uji F dan Uji T**

Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Model Summaryb
Model

,957a

R Square

Adjusted R

Std. Error of the

Square

Estimate

,916

,911

,45668

a. Predictors: (Constant), LN_NPM, LN_ROA

b. Dependent Variable: LN_Laba

Dari tampilan di atas dihasilkan bahwa nilai Adjusted R Square adalah 0,911. Hal
ini berarti 91,1% Laba bisa dijelaskan oleh variasi independen ROA dan NPM.
Sedangkan sisanya (100% - 91,1% = 8,9%) dijelaskan oleh variabel independen
yang lain.

# Uji Signifikansi Simultan ( Uji Statistik F )

Untuk Uji Statistik F hanya perlu mengamati tabel seperti dibawah ini :
ANOVAa
Model

Sum of Squares
Regression

Residual
Total

df

Mean Square

76,931

38,466

7,091

34

,209

84,022

36

Sig.

184,441

,000b

a. Dependent Variable: LN_Laba

b. Predictors: (Constant), LN_NPM, LN_ROA

Dari tabel ANOVA di atas, nilai F.Hitung sebesar 184.441 dengan probabilitas 0,000. Karena
probabilitasnya jauh dibawah 0,05 ( < 5%) maka ROA dan NPM secara bersama-sama
erpengaruh terhadap Laba.

# Uji Signifikansi Parameter Individual ( Uji Statistik t )

Untuk Uji Statistik t hanya perlu mengamati tabel seperti dibawah ini :
Coefficientsa
Model

Unstandardized Coefficients

Standardized

Sig.

Coefficients
B
(Constant)
1

Std. Error

32,556

,260

LN_ROA

,650

,138

LN_NPM

1,226

,180

Beta
124,975

,000

,409

4,698

,000

,592

6,805

,000

a. Dependent Variable: LN_Laba

Dari hasil tampilan di atas, bisa dilihat bahwa probabilitas kedua variabel independen ROA
dan NPM siginifikan pada 0,05 ( keduanya 0,000 < 0,05). Dari sini bisa disimpulkan bahwa Laba
dipengaruhi oleh ROA dan NPM dengan persamaan matematis :

LABA = 32,556 + 0,650 ROA +1,226 NPM

SEKIAN DAN TERIMA KASIH

SEMOGA BISA MEMBANTU
TUGAS AKHIR TEMAN-TEMAN

Spesial saya persembahkan untuk :

Moch. Nur Chozin dan Wahyuningsih ( Pangeran Katon)

Bapak / Ibu Dosen Akuntansi FE Unesa
Mahasiswa Akuntansi FE Unesa
Teman-teman seletingku 2011
Terakhir, untuk Tanah Air Tercinta, INDONESIA

Kontak Kritik, Saran, dan Koreksi Materi :

081335137879
sofawahyudieks@gmail.com
FB : Sofa Nur Ihtiari Wahyudi
Alamat : Ds. Sugihwaras, Kec. Saradan Kab. Madiun