Professional Documents
Culture Documents
Bagian 1
: Pengantar Teoritis
Bagian 2
Bagian 3
: Input Data
Bagian 4
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.
= Variabel Dependen
= Konstansta/ Intercept
= Koefisien regresi
= Variabel Independen
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
Bagian 2
1.
2.
3.
4.
5.
6.
7.
8.
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.
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.
Nama Variabel
N= 44
Persamaan/Model Regresinya : Laba = a +b1ROA + b2NPM + e
Bagian 3
: Input Data
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
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 :
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
Std. Deviation
-,0001054
696301030570,
17740000
Absolute
,119
Positive
,119
Negative
-,081
Kolmogorov-Smirnov Z
,787
,565
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
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
Square
Estimate
,863
713081775874,
Durbin-Watson
,992
252
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
dL= 1,430
dU= 1,615
Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Runs Test
Unstandardized
Residual
Test
Valuea
147668271532,
89140
22
22
Total Cases
44
Number of Runs
10
-3,813
,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.
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).
-,08016
18
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.
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.
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
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
Ada banyak tampilan output, namun amati tabel seperti dibawah ini :
Model Summaryb
Model
,957a
R Square
Adjusted R
Square
Estimate
,916
,911
,45668
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.
Sum of Squares
Regression
Residual
Total
df
Mean Square
76,931
38,466
7,091
34
,209
84,022
36
Sig.
184,441
,000b
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.
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
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 :