APLIKASI SPSS 17 DALAM EKONOMETRIKA

  APLIKASI SPSS 17 DALAM EKONOMETRIKA panduan untuk praktikum Oleh:

IR. ANWAR, MP JURUSAN SOSIAL EKONOMI PERTANIAN PROGRAM STUDI AGRIBISNIS FAKULTAS PERTANIAN UNIVERSITAS MATARAM MARET 2018

PENGENALAN SPSS

   Sekilas tentang SPSS

  SPSS merupakan software aplikasi statistik yang pada awalnya digunakan untuk riset di bidang sosial (SPSS saat itu singkatan dari Statistical Package for the Social

  Science

  ). Sejalan dengan perkembangan SPSS digunakan untuk melayani berbagai jenis user sehingga sekarang SPSS singkatan dari Statistical Product and Service Solutions.

  Stastistical Package for the Social Science atau Product and Service Solutions

  (SPSS) merupakan salah satu dari sekian banyak software aplikasi statistika yang telah dikenal luas di kalangan penggunanya, atau aplikasi statistika yang sangat populer baik bagi praktisi untuk melakukan riset maupun mahasiswa untuk menyelesaikan tugas akhirnya. Disamping masih banyak lagi software statistika lainnya seperti Micro-TSP,

  Eviews , Minitab, STATA, AMOS dan masih banyak lagi. SPSS adalah suatu software

  yang berfungsi untuk menganalisis data, melakukan perhitungan statistik baik statistika parametrik dan statistika non-parametrik dengan basis windows. Saat system operasi komputer windows mulai populer, SPSS yang dahulunya under DOS dan bernama SPSS PC, juga berubah menjadi under windows dan populer di Indonesia dengan SPSS versi 6, kemudian versi 7.5, versi 9, versi 10, versi 11.5, versi 12, versi 13, versi 14, versi 16, versi 17 dan terakhir saat ini adalah versi 22. SPSS sebagai sebuah tools mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial.

  Buku panduan praktikum ini menggunakan SPSS versi 17, meski pengguna versi sebelumnya juga dapat menggunakan modul ini sebagai panduan. Tidak ada perbedaan yang mencolok dalam melakukan analisis bila dibandingkan versi sebelumnya. Untuk mengaktifkan SPSS 17 dengan melakukan klik Start ===> All Programs ===>

  

SPSS Inc ===> SPSS Statistics 17.0 atau klik langsung icon SPSS Statistics 17.0

sehingga muncul kotak dialog SPSS 17 berikut.

   SPSS Environment

MENU BAR TOOL BAR DATA VIEW

  VARIABLE VIEW MENU BAR : Kumpulan perintah-perintah dasar untuk mengoperasikan SPSS. Pada Variable View tampak judul di kolom-kolom sebagai berikut :

• Name. Pada kolom name dituliskan nama dari variabel. Untuk memasukkan nama variabelnya pada sel dengan cara doube klik kemudian dituliskan nama variabelnya.
• Type. Pada kolom type untuk mengisikan tipe dari data untuk variabel tersebut.

  Type data yang ada dalam SPSS adalah String, Numeric, Date, dan lain-lain. Cara

  memilih adalah dengan mengklik sel di bawah kolom type, kemudian akan muncul pilihan type data, klik type yang dipilih.

• Width. Pada kolom width untuk mengisikan panjang dari data untuk variabel tersebut. Panjang yang diijinkan dari 1 sampai 255 digit.
• Decimals. Pada kolom decimals untuk mengisikan jumlah angka desimal untuk data variabel tersebut.
• Label. Pada kolom label untuk mengisikan keterangan dari variabel.
• Value. Pada kolom value untuk mengisikan nilai dari variabel.
• Missing. Pada kolom missing untuk mengisikan nilai yang hilang.
• Column. Hampir sama fungsinya dengan width.
• Align. Pada kolom align untuk menentukan posisi data  Measure.

  Data View, merupakan tempat untuk memasukan datanya tiap variabel.

  Menu yang terdapat pada SPSS adalah menu File, Edit, View, Data, Transform, Analyze, Graphs, Utilities, Add-ons, Windows, dan Help.

  Secara rinci fungsi dari masing- masing menu diuraikan berikut.

1. FILE

  Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan pencetakan dan sebagainya. Ada 5 macam data yang digunakan dalam SPSS, yaitu :

  1. Data : dokumen SPSS berupa data

  2. Syntax : dokumen berisi file syntax SPSS

  3. Output : dokumen yang berisi hasil running output SPSS

  4. Script : dokumen yang berisi running output SPSS

  5. Database ♠ NEW : membuat lembar kerja baru SPSS ♠ OPEN : membuka dokumen SPSS yang telah ada

  Secara umum ada 3 macam ekstensi dalam lembar kerja SPSS, yaitu : 1. *.sav : file data yang dihasilkan pada lembar data editor 2. *.spo : file text/obyek yang dihasilkan oleh lembar output

  3. *.cht : file obyek gambar/chart yang dihasilkan oleh chart window ♠ Read Text Data : membuka dokumen dari file text (yang berekstensi txt), yang bisa dimasukkan/dikonversi dalam lembar data SPSS

  ♠ Save : menyimpan dokumen/hasil kerja yang telah dibuat.

  ♠ Save As : menyimpan ulang dokumen dengan nama/tempat/type dokumen yang berbeda ♠ Page Setup : mengatur halaman kerja SPSS ♠ Print : mencetak hasil output/data/syntaq lembar SPSS

  Ada 2 option/pilihan cara mencetak, yaitu :

• All visible output : mencetak lembar kerja secara keseluruhan
• Selection : mencetak sesuai keinginan yang kita sorot/blok ♠ Print Preview : melihat contoh hasil cetakan yang nantinya diperoleh ♠ Recently used data: berisi list file data yang pernah dibuka sebelumnya. ♠ Recently used file : berisi list file secara keseluruhan yang pernah dikerjakan

2. EDIT

  Untuk melakukan pengeditan pada operasi SPSS baik data, serta pengaturan/option untuk konfigurasi SPSS secara keseluruhan. ♠ Undo : pembatalan perintah yang dilakukan sebelumnya ♠ Redo : perintah pembatalan perintah redo yang dilakukan sebelumnya ♠ Cut : penghapusan sebual sel/text/obyek, bisa dicopy untuk keperluan tertentu dengan perintah dari menu paste ♠ Paste : mempilkan sebua sel/text/obyek hasil dari perintah copy atau cut ♠ Paste after : mengulangi perintah paste sebelumya ♠ Paste spesial : perintah paste spesial, yaitu bisa konvesri ke gambar, word, dan lain-lain ♠ Clear : menghapusan sebuah sel/text/obyek ♠ Find : mencari suatu text

3. VIEW

  Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahu proses-prose yang sedang terjadi pada operasi SPSS. ♠ Status Bar : mengetahui proses yang sedang berlangsung ♠ Toolbar : mengatur tampilan toolbar ♠ Fonts : untuk mengatur jenis, ukuran font pada data editor

  SPSS

• Outline size : ukuran font lembar output SPSS
• Outline font : jenis font lembar output SPSS ♠ Gridlines : mengatur garis sel pada editor SPSS ♠ Value labels : mengatur tampilan pada editor untuk mengetahui value label

  4. DATA Menu data digunakan untuk melakukan pemrosesan data.

  ♠ Define Dates : mendefinisikan sebuah waktu untuk variabel yang meliputi jam, tanggal, tahun, dan sebagainya ♠ Insert Variable : menyisipkan kolom variabel ♠ Insert case : menyisipkan baris ♠ Go to case : memindahkan cursor pada baris tertentu ♠ Sort case : mengurutkan nilai dari suatu kolom variabel ♠ Transpose : operasi transpose pada sebuah kolom variable menjadi baris ♠ Merge files : menggabungkan beberapa file dokumen SPSS, yang dilakukan dengan penggabungan kolom-kolom variabelnya

  ♠ Split file : memecahkan file berdasarkan kolom variabelnya ♠ Select case : mengatur sebuah variabel berdasarkan sebuah persyaratan tertentu

  5. TRANSFORM

  Menu transform dipergunakan untuk melakukan perubahan-perubahan atau penambahan data. ♠ Compute

  : operasi aritmatika dan logika untuk manipulasi ♠ Count : untuk mengetahui jumlah sebuah ukuran data tertentu pada suatu baris tertentu ♠ Recode : untuk mengganti nilai pada kolom variabel tertentu, sifatnya menggantikan (into same variable) atau merubah (into different variable) pada variabel baru

  ♠ Categorize variable : merubah angka rasional menjadi diskrit ♠ Rank case : mengurutkan nilai data sebuah variabel

  6. ANALYZE

  Menu analyze digunakan untuk melakukan analisis data yang telah kita masukkan ke dalam komputer. Menu ini merupakan menu yang terpenting karena semua pemrosesan dan analisis data dilakukan dengan menggunakan menu compare mens, correlate, regression, dan lain-lain.

  7. GRAPH

  Menu graph digunakan untuk membuat grafik, diantaranya ialah bar, line, pie, dan lain-lain.

  8. UTILITIES

  Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file, dan lain-lain.

  9. ADD-ONS

  Menu add-ons digunakan untuk memberikan perintah kepada SPSS jika ingin menggunakan aplikasi tambahan, misalnya menggunakan aplikasi AMOS, SPSS data entry, text analysis, dan sebagainya.

  10. WINDOWS

  Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke file lainnya.

  11. HELP

  Menu help digunakan untuk membantu pengguna dalam memahami perintah- perintah SPSS jika menemui kesulitan.

  TOOL BAR : Kumpulan perintah-perintah yang sering digunakan dalam bentuk gambar. POINTER : Kursor yang menunjukkan posisi cell yang sedang aktif/

PEMBUATAN FILE DATA SPSS

  5. Spidol 7000 7800

  10. Penggaris 5000 10500

  9. Pensil Zebra 17000 22000

  8. Tempat CD 45000 5200

  7. Gunting 70000 7800

  6. Kertas File 30000 25000

  Menu File merupakan menu pertama dari Data Editor yang dibuka oleh para pengguna SPSS. Dimana Data Editor pada SPSS mempunyai dua bagian utama :

  3. Dompet 45000 22000

  4. Jam Tangan 70000 2500

  2. Tas Punggung 80000 40000

  1. Buku Tulis 3000 5240

  No Barang Harga Pokok/Unit Stock di Gudang

  Contoh : Berikut ini data barang di gudang, 10 barang diambil secara acak (angka dalam rupiah)

  2. Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi oleh data.

  1. Kolom, dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam SPSS akan diisi oleh variabel.

  Langkah-langkah Input Data :

1. Membuat Variabel

  Misal : Barang, Harga, Stock Hal yang perlu diperhatikan saat mengisi nama variabel adalah : - Nama variabel harus diawali huruf dan tidak boleh diakhiri dengan tanda titik.

  Klik variable view pada pojok kiri bawah, kemudian isikan : ● Nama Variabel beserta keterangan yang diinginkan tentang variabel tersebut.

• Panjang maksimal 8 karakter.
• Tidak boleh ada yang sama, dengan tidak membedakan huruf kecil atau besar. ● Type, Width dan Decimal Variabel
• - Default dari type setiap variabel baru adalah numeric, lebar 8 karakter sesuai dengan desimal sebanyak 2 digit.

  Untuk mengubah tipe variabel dilakukan dengan cara mengklik tombol pilihan - pada kolom Type. Ada 8 tipe variabel, yaitu :

• - a. Numeric : angka, tanda (+) atau (-) didepan angka, indicator desimal

  b. Comma : angka, tanda (+) atau (-) didepan angka, indicator desimal, tanda koma sebagai pemisah bilangan ribuan c. Dot : angka, tanda (+) atau (-) didepan angka, indicator desimal, tanda titik sebagai pemisah bilangan ribuan d. Scientific notation : sama dengan tipe numeric, tetapi menggunakan symbol

  E untuk kelipatan 10 (misal 120000 = 1.20E+5)

  e. Date : menampilkan data format tanggal atau waktu

  f. Dollar : memberi tanda dollar ($), tanda koma sebagai pemisah bilangan ribuan dan tanda titik sebagai desimal g. Custom currency : untuk format mata uang

  h. String : biasanya huruf atau karakter lainnya

2. Mengisi Data

  Memasukkan data pada Data Editor dilakukan dengan cara mengetik data yang akan dianalisa pada sel-sel (case) di bawah judul (heading) kolom nama variabel.

3. Menyimpan Data

  Setelah data dimasukkan, maka data perlu disimpan untuk kepeluan analisa selanjutnya. Langkah penyimpanan data adalah sebagai berikut : Klik Menu File ===> Save As ===> (Pilih folder penyimpanan), ketik Nama File ===> Klik OK.

  Membuka File Data SPSS

  Data yang telah Anda buat dan simpan sewaktu-waktu dapat Anda buka untuk analisis lebih lanjut. Berikut cara membuka data :

• Klik File ===> Open ===> Data sehingga kotak dialog Open File akan muncul.
• Cari folder file data pada daftar drop down Look in.
• Klik ganda file data pada kotak atau klik file data kemudian klik Open sehingga data yang telah Anda simpan akan muncul.

  Mengimpor File Data Excel ke SPSS

  Langkah-langkah transfer file data Excel ke SPSS mirip dengan saat Anda membuka file data format SPSS (*.sav) :

• Klik File ===> Open ===> Data sehingga kotak dialog Open File akan muncul.
• Cari folder file data Anda pada daftar drop down Look in.
• Klik Files of type di combo box sehingga muncul daftar berikut :
• Pilih format yang sesuai, misal Excel (*.xls).

• Cari folder file data Excel Anda pada daftar drop down Look in.
• Klik ganda file data pada kotak atau klik file data kemudian klik Open sehingga kotak dialog Opening Excel Data Source muncul.
• Tanda cek akan aktif secara default. Tanda cek Read variable names from the

  first row of data aktif dimaksudkan supaya nama variabel yang terdapat pada baris pertama file data Excel tidak dianggap sebagai data, namun sebagai variabel.

• Klik OK.

MODEL REGRESI LINIER SEDERHANA

  Model regresi liner merupakan suatu model yang parameternya linier (bisa saja fungsinya tidak berbentuk garus lurus), dan secara kuantitatif dapat digunakan untuk menganalisis pengaruh suatu variabel terhadap variabel lainnya. Analisis regresi menyangkut studi tentang hubungan antara satu variabel Y yang disebut variabel tak bebas atau variabel yang dijelaskan (dependend variable) dan satu atau lebih variabel X1, X2, …., Xk, yang disebut variabel bebas atau variabel penjelas (independent variable).

  Persamaan regresi yang hanya terdiri dari satu variabel bebas, maka model tersebut dikenal dengan sebutan regresi linier sederhana (simple regression). Sedangkan jika dalam persamaan regresi terdapat lebih dari satu variabel bebas, maka model yang diperoleh disebut dengan regresi linier berganda (multiple regression).

  Perhatian utama regresi pada dasarnya adalah menjelaskan dan mengevaluasi hubungan antara suatu variabel dependen dengan satu atau lebih variabel independen. Kita akan memberi ilustrasi tentang regresi sederhana yang terdiri dari satu variabel independen. Sebagai contoh, diberikan ilustrasi sebagai berikut: menurut model pendekatan tradisional (traditional approach) yang dikemukakan oleh Dornbusch (2000), bahwa perubahan harga saham dipengaruhi oleh nilai tukar. Misalkan jika nilai tukar rupiah terhadap dollar Amerika Serikat mengalami apresiasi (dollar AS depresiasi) maka harga saham di Bursa Efek Indonesia mengalami penguatan, dan seblaiknya jika nilai tukar rupiah terhadap dollar AS mengalami depresiasi (dollar AS apresiasi) maka harga saham di Bursa Efek Indonesia mengalami penurunan dengan asumsi variabel selain harga tetap.

  Kita asumsikan terdapat hubungan yang linier antara harga saham dan nilai tukar. Hubungan keduannya tidak harus linier, namun untuk penyederhanaan kita asumsikan linier. Hubungan linier kedua dapat kita tulis dalam persamaan regresi berikut :

  Yi = a + b Xi + ei Dalam persamaan tersebut variabel Y yaitu jumlah permintaan barang (harga saham) disebut variabel dependen (dependent variable) sedangkan variabel X yaitu Jumlah permintaan barang aktual tidak harus sama dengan nilai harapannya. Ada banyak faktor yang mempengaruhi jumlah permintaan barang selain harga. Dimana ei adalah variabel gangguan (disturbance/errors terms) yang nilainya bisa positif atau negatif.

  Variabel gangguan ini muncul karena hubungan variabel ekonomi adalah hubungan yang acak atau random tidak seperti hubungan variabel dalam matematika yang bersifat deterministik. Pada tingkat harga yang sama, jumlah barang yang dibeli konsumen akan berbeda. Hal ini terjadi karena ada faktor selain harga yang juga bisa mempengaruhi permintaan barang, misalnya selera konsumen. Dengan demikian, variabel gangguan mencerminkan faktor-faktor selain harga (nilai tukar) yang mempengaruhi jumlah permintaan konsumen tetapi tidak dimasukan dalam persamaan.

  Oleh karen itu, variabel dependen Y adalah variabel random (random variable) atau stokastik (stochastic variable) yang besar kecilnya tergantung dari variabel independen X. Variabel independen X adalah variabel tetap atau non-stochastic, sedangkan variabel ei adalah variabel random atau stokastik.

  Pendugaan Parameter (b o ) dan (b

  1 )

  Untuk menduga nilai parameter

  β

  dan

  β 1 terdapat bermacam-macam metode,

  misalnya metode kuadrat terkecil (least square method), metode kemungkinan maksimum (maximum likelihood method), metode kuadrat terkecil terboboti (weighted least square method) , dan sebagainya.

  Contoh :

  Data tentang hubungan antara nilai penjualan produk (Y) dengan biaya promosi (X) sebagai berikut.

  B_Promosi N_Sales 23 100 24 120 34 135 36 200 34 250 37 255 38 260 39 268 45 270 48 300 49 340

  60 380 80 390 86 400 89 405 90 469 95 500 96 554 98 556 98 576

  Langkah-langkah untuk melakukan Analisis Regresi

  a. Buka lembar kerja baru, dengan meng-klik menu File lalu pilih New kemudian klik Data akan muncul tampilan layar Data Editor.

  b. Definisikan variabel yang akan digunakan di tab sheet Variable View yang ada di bagian kiri bawah, dengan cara klik Variable View kemudian isi nama variabelnya, ketik B_Promosi lalu tekan ENTER dan ketik N_Sales lalu tekan ENTER.

  c. Selanjutnya klik Data View pada pojok kiri bawah dan masukkan data contoh di atas pada kolom variabel masing-masing data. Hasilnya seperti pada tampilan berikut.

  d. Simpan data Anda dengan cara meng-klik menu File lalu pilih Save As dan tulis nama filenya, misalnya regresi sederhana.

  e. Lakukan analisis regresi linier sederhana dengan cara, klik menu Analyze ===> pilih submenu Regression ===> lalu klik Linear, pada layar akan muncul tampilan berikut. f. Masukkan variabel N_ S al es pada kotak sebelah kiri ke kotak Dependent, dan variabel B_Promosi ke kotak Independent(s) dengan mengklik tombol tanda

  panah , seperti tampak pada tampilan berikut.

  g. Kemudian klik OK, hasilnya seperti pada tampilan berikut.

2 Koefisien Determinasi (r ) Model Summary

  Adjusted Std. Error of Model R R Square R Square the Estimate _a

  1 ,943 ,889 ,883 48,609 a.

  Predictors: (Constant), B_Promosi

  2 Berdasarkan tampilan output SPSS model summary besarnya R adalah 0,889

  artinya 88,9% perubahan/variasi nilai variabel dependen (N_Sales) dapat dijelaskan oleh variasi dari variabel independen (B_Promosi), dan sisanya (100% - 88,9% = 11,1%) dijelaskan oleh sebab-sebab yang lain di luar model.

  Uji Signifikansi Serentak (Uji-F) _b

ANOVA

  Sum of Model Squares df Mean Square F Sig. _a

  1 Regression 359270,2 1 359270,247 152,051 ,000 Residual

  44893,753 19 2362,829 Total 404164,0

  

20

  a. Predictors: (Constant), B_Promosi

  b. Dependent Variable: N_Sales

  Berdasarkan uji ANOVA atau F-test didapat nilai F-hitung sebesar 152,051 dengan probabilitas 0,000; karena probabilitas jauh lebih kecil dari α = 0,05 maka model regresi dapat digunakan untuk memprediksi nilai penjualan (N_Sales).

  Uji Signifikansi Parsial (Uji-t)

  Untuk menginterpretasikan koefisien variabel bebas (independen) dapat menggunakan unstandardized coefficients maupun standardized coefficients. _a

  Coefficients Unstandardized Standardized Coefficients Coefficients

  

Model B Std. Error Beta t Sig.

1 (Constant) 45,528 25,983 1,752 ,096

  B_Promosi 4,917 ,399 ,943 12,331 ,000 a.

  Dependent Variable: N_Sales

  Hipotesis Uji

  Ho : koefisien regresi tidak signifikan (β = 0) H1 : koefisien regresi signifikan (β ≠0)

  Berdasarkan tabel coefficients dapat dituliskan persamaan regresinya :

  N_Sales = 45,528 + 4,917 B_Promosi

  atau

  Y = 45,528 + 4,917 X

  Nilai t-hitung sebesar 12,331 dengan probabilitas 0,000; karena probabilitas jauh lebih kecil dari α = 0,05 maka Ho ditolak, koefisien regresi signifikan atau berpengaruh nyata terhadap variabel dependen (Y). Jika biaya promosi naik Rp 1 maka nilai penjualan barang naik sebesar Rp 4,917.

MODEL REGRESI LINIER BERGANDA

  −

  = + + + + 

  X − −

  Y b b X b X b

  ˆ _{i i i p i p}

  1 ^{1 2 2 1 , 1}

  = β + β + β + + β + ε 

  X − −

  X X

  Y

  X3 1 6,90 2,35 2,20 3,84 2 14,40 3,07 2,31 4,03 3 7,40 2,12 2,17 4,00 4 8,50 3,65 3,16 3,18 5 8,00 2,18 2,10 4,08 6 2,80 2,35 2,67 4,13 7 5,00 2,85 2,74 3,81 8 12,20 2,05 1,90 5,08 9 10,00 2,67 2,36 3,22 ^{1 1 2 2 1 , 1 i i i p i p i}

  X1 X2

  Data hipotetis tentang pengaruh pendapatan konsumen (X1), harga barang itu sendiri (X2), dan harga barang substitusi (X3) terhadap permintaan suatu barang (Y) sbb. : No Y

  Contoh :

  1) sama dengan nol Untuk melakukan pendugaan parameter model regresi ganda dan menguji signifikansinya dapat dilakukan dengan program SPSS 17.

  Regresi linear ganda adalah persamaan regresi yang menggambarkan hubungan antara lebih dari satu peubah bebas (X) dan satu peubah tak bebas (Y). Hubungan peubah- peubah tersebut dapat dituliskan dalam bentuk persamaan: Y = Peubah tak bebas, X = Peubah bebas,

  β

  σ

  = intersep/perpotongan dengan sumbu tegak,

  β 1 ,

  β 2 , ....,

  β p

  − 1 = parameter model regresi,

  

ε

i saling bebas dan menyebar normal N(0,

  2

  1 : Tidak semua β

  ), dimana i = 1, 2, …, n Persamaan regresi dugaannya adalah : Hipotesis yang harus diuji dalam analisis regresi ganda adalah

  H :

  β 1 =

  β 2 = … =

  β p-1 = 0

  H

  i (i = 1, 2,…,p

  11 26,80 3,67 2,31 4,03 12 14,00 3,51 2,84 3,22 13 14,70 3,70 3,16 3,18 14 16,40 2,75 2,67 4,13 15 17,60 3,65 2,74 3,81 16 22,30 2,75 1,90 4,13 17 24,80 3,60 2,36 3,81 18 26,00 3,65 2,30 5,08 19 34,90 3,95 2,31 3,22 20 18,20 2,72 2,17 3,84

  Langkah-langkah untuk melakukan Analisis Regresi

  a. Buka lembar kerja baru, dengan meng-klik menu File lalu pilih New kemudian klik

  Data akan muncul tampilan layar Data Editor.

  b. Definisikan variabel yang akan digunakan di tab sheet Variable View yang ada di bagian kiri bawah, dengan cara klik Variable View kemudian isi nama variabelnya, ketik Y lalu tekan ENTER, ketik X1 lalu tekan ENTER, ketik X2 lalu tekan ENTER, dan ketik X3 lalu tekan ENTER.

  c. Selanjutnya klik Data View dan masukkan data contoh di atas pada kolom variabel masing-masing data. Hasilnya seperti pada tampilan berikut.

  d. Simpan data Anda dengan cara meng-klik menu File lalu pilih Save As dan tulis nama filenya, misalnya regresi berganda.

  e. Lakukan analisis regresi linier berganda dengan cara, klik menu Analyze ===> pilih submenu Regression ===> lalu klik Linear. f. Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel

  X1, X2, X3 ke kotak Independent(s) dengan mengklik tombol tanda panah, hasilnya seperti tampak pada tampilan berikut.

  g. Kemudian klik OK, hasil outputnya seperti pada tampilan berikut.

  h. Hasil output SPSS sebagai berikut.

2 Koefisien Determinasi (R ) Model Summary

  Adjusted Std. Error of Model R R Square R Square the Estimate a

  1

,931 ,866 ,841 3,3227

a. Predictors: (Constant), X3, X1, X2

  2 Berdasarkan tampilan output SPSS model summary besarnya R

  adalah 0,866 artinya 86,6% perubahan/variasi nilai variabel dependen (Y) dapat dijelaskan oleh variasi dari semua variabel independen (X1, X2, dan X3), dan sisanya (100% - 86,6% = 13,4%) dijelaskan oleh sebab-sebab yang lain di luar model.

  Uji Signifikansi Serentak (Uji-F) _b ANOVA

  Sum of Model Squares df Mean Square F Sig. _a

  1 Regression 1143,821 3 381,274 34,534 ,000 Residual 176,649 16 11,041 Total

  1320,470

  

19

a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y

  Berdasarkan uji ANOVA atau F-test didapat nilai F-hitung sebesar 34,534 dengan probabilitas 0,000; karena probabilitas jauh lebih kecil dari α = 0,05 maka Ho ditolak.

  Artinya secara bersama-sama (serentak) semua variabel bebas (X1, X2, dan X3) yang dimasukan dalam model berpengaruh nyata terhadap jumlah permintaan barang (Y).

  Uji Signifikansi Parsial (Uji-t)

  Untuk menginterpretasikan koefisien variabel bebas (independen) dapat menggunakan

  unstandardized coefficients maupun standardized coefficients. _a

Coefficients

  

Unstandardized Standardized

Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 9,591 11,816 ,812 ,429

  X1 14,270 1,453 1,058 9,824 ,000

  X2

• 16,733 2,743 -,731 -6,100 ,000

  X3 ,867 1,749 ,056 ,496 ,627 a.

  Dependent Variable: Y

  Berdasarkan tabel coefficients diketahui nilai t-hitung untuk X1 sebesar 9,824 dengan artinya koefisien regresi X1 signifikan atau berpengaruh nyata terhadap variabel dependen (Y). Nilai t-hitung untuk X2 sebesar -6,100 dengan probabilitas 0,000; karena probabilitas jauh lebih kecil dari α = 0,05 maka Ho ditolak, artinya koefisien regresi X2 signifikan atau berpengaruh nyata (negatif) terhadap variabel dependen (Y). Nilai t-hitung untuk X3 sebesar 0,496 dengan probabilitas 0,627; karena probabilitas jauh lebih besar dari α = 0,05 maka Ho diterima, artinya koefisien regresi X3 tidak signifikan atau tidak berpengaruh nyata terhadap variabel dependen (Y). Berdasarkan tabel coefficients dapat dituliskan persamaan regresinya :

  Y = 9,591 + 14,270 X1 – 16,733 X2 + 0,867 X3

• Konstanta sebesar 9,591 menyatakan bahwa jika semua variabel independen dianggap konstan (tetap), maka rata-rata jumlah permintaan barang sebesar 9,591 unit.
• Koefisien regresi X1 sebesar 14,270 menyatakan bahwa jika variabel X1 (pendapatan konsumen) naik satu unit dan variabel lain dianggap konstan (tetap), maka jumlah permintaan barang naik sebesar 14,270 unit.
• Koefisien regresi X2 sebesar -16,733 menyatakan bahwa jika variabel X2 (harga barang itu sendiri) naik satu unit dan variabel lain dianggap konstan (tetap), maka jumlah permintaan barang turun sebesar 16,733 unit.
• Koefisien regresi X3 sebesar 0,867 menyatakan bahwa jika variabel X3 (harga barang substitusi) naik satu unit dan variabel lain dianggap konstan (tetap), maka jumlah permintaan barang naik sebesar 0,867 unit.

UJI ASUMSI KLASIK DALAM REGRESI

  Model regresi linier berganda (multiple regression) dapat disebut sebagai model yang baik jika model tersebut memenuhi kriteria BLUE (Best Linear Unbiased

  

Estimator ). BLUE dapat dicapai bila memenuhi Asumsi Klasik. Sedikitnya terdapat

  empat uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut, yaitu: Uji Normalitas, Uji Multikolinieritas, Uji Autokorelasi, dan Uji Heteroskedastisitas.

1. DATA

  X1 X2

  70.0

  37.8

  65.9

  83.9 1999 36.7 666.4

  38.4

  64.5

  85.5 2000 38.4 717.8

  40.1

  93.7 2001 40.4 768.2

  69.8

  38.6 73.2 106.1 2002 40.3 843.3

  39.8 67.8 104.8 2003 41.8 911.6

  39.7 79.1 114.0 2004 40.4 931.1

  52.1 95.4 124.1 2005 40.7 1021.5

  48.9 94.2 127.6 2006 40.1 1165.9 58.3 123.5 142.9 2007 42.7 1349.6 57.9 129.9 143.6 2008 44.1 1449.4 56.5 117.6 139.2 2009 46.7 1575.5 63.7 130.9 165.5 2010 50.6 1759.1 61.6 129.8 203.3 2011 50.1 1994.2 58.9 128.0 219.6 2012 51.7 2258.1 66.4 141.0 221.6 2013 52.9 2478.7 70.4 168.2 232.6

  Keterangan : Y = konsumsi ayam ras per kapita X1= pendapatan riil per kapita

  Data hipotetis tentang permintaan ayam ras (Y) di Kota Mataram selama periode tahun 1991 – 2013 sebagai berikut.

  80.4 1998 36.4 624.6

  39.3

  X3 X4 1991 27.8 397.5

  54.0

  42.2

  50.7

  78.3 1992 29.9 413.3

  38.1

  52.0

  79.2 1993 29.8 439.2

  40.3

  79.2 1994 30.8 459.7

  80.2 1997 35.6 560.3

  39.5

  55.3

  79.2 1995 31.2 492.9

  37.3

  54.7

  77.4 1996 33.3 528.6

  Tahun Y

  63.7

  38.1 X3 = harga kambing eceran riil per unit X4 = harga sapi eceran riil per unit

  Teori ekonomi mikro mengajarkan bahwa permintaan akan suatu barang dipengaruhi oleh pendapatan konsumen, harga barang itu sendiri, harga barang substitusi, dan harga barang komplementer.

2. UJI NORMALITAS Salah satu asumsi model regresi adalah residual mempunyai distribusi normal.

  Apa konsekuensinya jika model tidak mempunyai residual yang berdistribusi normal ? Uji t dan F untuk melihat signifikansi variabel independen terhadap variabel dependen tidak bisa diaplikasikan jika residual tidak mempunyai distribusi normal. Jadi, kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil.

  Uji normalitas hanya digunakan jika jumlah observasi kurang dari 30, untuk mengetahui apakah residual (error term) mendekati distribusi normal. Jika jumlah observasi lebih dari 30, maka tidak perlu dilakukan uji normalitas, sebab distribusi sampling error term telah mendekati normal.

  Cara yang sering digunakan dalam menentukan apakah suatu model berdistribusi normal atau tidak hanya dengan melihat pada histogram residual apakah memiliki bentuk seperti “lonceng” atau tidak. Cara ini menjadi fatal karena pengambilan keputusan data berdistribusi normal atau tidak hanya berpatokan pada pengamatan gambar saja. Selain cara grafik, ada cara lain untuk menentukan data berdistribusi normal atau tidak dengan menggunakan rasio skewness dan rasio kurtosis, serta uji Kolmogorov- Smirnov.

  Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau tidak. Rasio skewness adalah nilai skewnes dibagi dengan standard error skewness; sedang rasio kurtosis adalah nilai kurtosis dibagi dengan standard error kurtosis. Sebagai pedoman, bila rasio kurtosis dan skewness berada di antara –2 hingga +2, maka distribusi data adalah normal.

  Langkah analisis dalam SPSS 17.0 :

  a. Ketik data permintaan ayam ras di atas pada lembar kerja Data Editor SPSS dan b. Lakukan regresi berganda dengan pilih Analyze ===> pilih submenu Regression ===> pilih Linear, akan muncul tampilan berikut.

  c. Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel X1, X2, X3 dan X4 ke kotak Independent(s) dengan mengklik tombol tanda

  panah . Kemudian pilih Save dan muncul tampilan berikut. d. Centang pilihan Unstandardized pada bagian Residuals, kemudian pilih Continue dan pada tampilan awal pilih tombol OK, akan menghasilkan variabel baru bernama

  Unstandardized Residual

  (RES_1). Selanjutnya Analyze ====> pilih Descriptive Statistics ====> Descriptives akan muncul tampilan berikut.

  e. Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri, selanjutnya pilih Options akan muncul tampilan berikut. f. Centang pilihan Kurtosis dan Skewness dan kemudian k l i k Continue dan pada tampilan awal pilih OK. Hasilnya sebagai berikut (beberapa bagian dipotong untuk menghemat tempat).

  Descriptive Statistics Std.

  N Minimum Maximum Mean Skewness Kurtosis Deviation Statistic Statistic Statistic Statistic Statistic Statistic Std. Error Statistic Std. Error Unstandardized Residual

  23 -3,26458 3,03053 ,0000000 1,766734 ,105 ,481 -1,002 ,935 Valid N (listwise)

23 Berdasarkan tabel Descriptive Statistics dapat dihitung rasio skewness = 0,105/0,481 =

  0,218; sedang rasio kurtosis = -1,002/0,935 = -1,071. Karena rasio skewness dan rasio kurtosis berada di antara –2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah normal.

  Uji statistik

  lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogorov-Smirnov (K - S). Uji K - S dilakukan dengan membuat hipotesis.

  Ho : data residual berdistribusi normal H1 : data residual tidak berdistribusi normal

  Langkah Analisis : a. Dari menu utama SPSS pilih menu Analyze, lalu pilih Nonparametrik Tests.

  b. Kemudian pilih submenu 1-Sample K-S, di layar akan tampak tampilan windwos

  One-sample Kolmogorov-Smirnov test . c. Pada kotak test variable list, isikan unstandardized residual (RES_1), dan aktifkan test Distribution pada kotak Normal.

  d. Pilih OK.

  e. Output SPSS sebagai berikut.

  One-Sample Kolmogorov-Smirnov Test

  23 ,0000000 1,76673414 ,163

  ,163

  ed Residual Test distribution is Normal.

• ,097 ,780 ,577 N Mean

  Std. Deviation

  Normal Parameters ^a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) Unstandardiz

  a.

  Calculated from data.

  b.

  Besarnya nilai Kolmogorov-Smirnov adalah 0,780 dan signifikan sebesar 0,577 lebih besar dari α = 0,05. Hal ini berarti Ho diterima yang berarti data residual berdistribusi normal (hasilnya konsisten dengan uji sebelumnya).

3. MULTIKOLINIERITAS

  Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas di dalam model regresi sebagai berikut :

  2

  a. Nilai R yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.

  b. Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya > 0,70) maka hal ini merupakan indikasi adanya multikolinieritas.

  c. Melihat nilai tolerance dan variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF = 1/Tolerance). Jika nilai tolerance < 0,10 atau sama dengan nilai VIF > 10 menunjukkan adanya gejala multikolinieritas. Berikut ini disajikan cara mendeteksi gejala multikolinieritas dengan menganalisis matrik korelasi antar variabel independen dan perhitungan nilai tolerance dan VIF.

  Langkah Analisis :

  a. Buka file data Asumsi Klasik.sav

  b. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Regression, lalu pilih Linear.

  c. Tampak di layar windows Linear Regression.

  d. Pada kotak Dependent isikan variabel Y.

  e. Pada kotak Independent isikan variabel X1, X2, X3, dan X4.

  f. Pada kotak method, pilih Entar.

  g. Untuk menampilkan matrik korelasi dan nilai Tolerance dan VIF, pilih Statistics di layar akan muncul tampilan windows Linear Regression Statistics.

  h. Aktifkan/centang pilihan Covariance matrix dan Collinierity Diagnostics. i. Tekan tombol Continue, abaikan yang lain dan tekan OK. j. Tampilan output SPSS sebagai berikut.

  Model Summary ,971 ^a ,943 ,930 1,9532 Model

  1 R R Square Adjusted R Square Std. Error of the Estimate Predictors: (Constant), X4, X2, X3, X1 a.

  ANOVA

^b

1127,259 4 281,815 73,871 ,000 ^a 68,670

1 Sum of Squares df Mean Square F Sig.

  18 3,815 1195,929

  22 Regression Residual Total Model

  Predictors: (Constant), X4, X2, X3, X1 a. Dependent Variable: Y b.

  

Coefficients

^a

37,232 3,718 10,015 ,000

,005 ,005 ,420 1,024 ,319 ,019 52,701

• ,611 ,163 -,922 -3,753 ,001 ,053 18,901 ,198 ,064 ,948 3,114 ,006 ,034 29,051 ,070 ,051 ,485 1,363 ,190 ,025 39,761 (Constant)

  X3 X4 Model

  1 B Std. Error Unstandardized Coefficients

Beta

  

Standardized

Coefficients

t Sig. Tolerance

  VIF Collinearity Statistics a.

X1 X2

• ,316 1,000 -,767 ,257 ,280 -,767 1,000 -,523
• ,879 ,257 -,523 1,000 ,003 -,003 ,001 ,000
• ,003 ,027 -,008 ,000 ,001 -,008 ,004 ,000 ,000 ,000 ,000 2,39E-005

  1

  Berdasarkan hasil output SPSS menunjukkan bahwa tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama tidak ada satu variabel independen yang memiliki nilai VIF lebih besar dari 10. Jadi dapat disimpulkan bahwa ada gejala multikolinieritas antar variabel independen dalam model regresi.

  X3 X4 Variance Proportions Dependent Variable: Y a.

  X1 X2

  1 Eigenvalue Condition Index (Constant)

  5 Model

  4

  3

  2

  ,010 22,239 ,12 ,03 ,03 ,23 ,08 ,003 43,117 ,75 ,45 ,23 ,06 ,45 ,001 57,961 ,09 ,50 ,74 ,72 ,47 Dimension

  Coefficient Correlations ^a 1,000 -,316 ,280 -,879

  Collinearity Diagnostics ^a 4,830 1,000 ,00 ,00 ,00 ,00 ,00 ,156 5,567 ,04 ,01 ,00 ,00 ,00

  X1 Dependent Variable: Y a.

  X2 X3

  1 X4

  X3 X1 Correlations Covariances Model

  X4 X2

  X3 X1

  X4 X2

  Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel X1 mempunyai korelasi sangat tinggi dengan variabel X4 sebesar -0,879, demikian juga antara variabel X2 dengan X3 dengan korelasi -0,767 dimana kedua nilai korelasi ini lebih besar dari 0,70. Jadi dapat disimpulkan bahwa terdapat gejala multikolinieritas yang serius antar variabel independen dalam model regresi.

4. AUTOKORELASI

  Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan terdapat problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time series) karena “gangguan” pada seseorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya.

  Pada data cross section (silang waktu), masalah autokorelasi relatif jarang terjadi karena “gangguan” pada observasi yang berbeda berasal dari individu/kelompok yang berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.

  Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi. Pertama, Uji Durbin-Watson (DW Test). Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel penjelas (independen). Hipotesis yang diuji adalah:

  Ho : p = 0 (tidak ada autokorelasi positif atau negatif) H1 : p ≠0 (ada autokorelasi positif atau negatif)

  Langkah Analisis :

  a. Buka file data Asumsi Klasik.sav

  b. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Regression, lalu pilih Linear.

  c. Tampak di layar windows Linear Regression.

  d. Pada kotak Dependent isikan variabel Y.

  e. Pada kotak Independent isikan variabel X1, X2, X3, dan X4.

  f. Untuk menampilkan nilai Durbin-Watson, pilih Statistics di layar akan muncul tampilan windows Linear Regression Statistics.

  g. Aktifkan/centang pilihan Durbin-Watson.

  h. Tekan tombol Continue, abaikan yang lain dan tekan OK. i. Tampilan output SPSS sebagai berikut, sebagian hasilnya dihilangkan.

  b Model Summary Adjusted Std. Error of Durbin- Model R R Square R Square the Estimate Watson a

  1 ,971 ,943 ,930 1,9532 1,065 a.

  Predictors: (Constant), X4, X2, X3, X1 b. Dependent Variable: Y

  Nilai Durbin-Watson sebesar 1,065 dan nilai ini akan dibandingkan dengan nilai DW tabel. Langkah selanjutnya adalah menetapkan nilai dl dan du, dengan cara menggunakan α=5%, sampel (n) yang kita miliki sebanyak 23 observasi, dan variabel independen sebanyak 4, maka didapatkan nilai dl = 1,078 dan du = 1,660. Jadi nilai DW lebih kecil dari nilai dl (1,065 < 1,078) sehingga dapat disimpulkan bahwa model ini

5. HETEROSKEDASTISITAS

  Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Kebanyakan data

  

cross section mengandung situasi heteroskedastisitas karena data ini menghimpun data

yang mewakili berbagai ukuran (kecil, sedang dan besar).