STATISTIKA INFERENSIAL Materi Analisis R

STATISTIKA INFERENSIAL

Materi:
Analisis Regresi Linier Dengan Software Aplikasi SPSS:
1. Uji Asumsi Dasar Regresi (Asumsi Klasik),
2. Pemodelan dan Analisis Regresi Linier,
3. Simulasi Kasus: Pengaruh Informasi Akuntansi terhadap Return Saham.

Ir. GINANJAR SYAMSUAR, ME.

SEKOLAH TINGGI ILMU EKONOMI INDONESIA
(STEI) – JAKARTA
2017

DAFTAR ISI
Halaman

DAFTAR ISI ................................................................................................. 1
I.

TEORI DASAR...................................................................................... 2

A. PENGANTAR ............................................................................................ 2
B. ANALISIS REGRESI LINIER: ..................................................................... 2
1.1. . Tahap-1: Uji Asumsi Dasar Regresi Linier ..................................................3
(1)

Uji Normalitas Residu: ................................................................................. 3

(2)

Uji Multikolinieritas: .................................................................................... 4

(3)

Uji Autokorelasi: .......................................................................................... 5

(4)

Uji Heteroskedastisitas: ............................................................................... 6

(5)

Cara Memperbaiki (Mengobati) adanya Penyimpangan Asumsi .............. 7

1.2. Tahap-2: Pemodelan Regresi Linier (Konstruksi model) ........................ 8
(1)

Pemilihan Metode Analisis Regresi Linier dalam SPSS: ............................. 8

(2)

Analisis secara simultan: ............................................................................. 9
Signifikansi model: ................................................................................................ 9
Korelasi ganda dan Koefisien determinasi: .......................................................... 10

(3)

Analisis secara parsial: ............................................................................... 11
Signifikansi koefisien variabel bebas: .................................................................... 11
Penentuan variabel bebas dominan dan kontribusi terhadap variabel terikat: ... 11

II. MATERI SIMULASI KASUS ................................................................ 13
PENGARUH INFORMASI AKUNTANSI TERHADAP RETURN SAHAM ...... 13

Pustaka: ....................................................................................................32
Lampiran: ................................................................................................ 33

TEORI DASAR
ANALISIS REGRESI LINIER DAN KORELASI
I.

A. PENGANTAR
Dalam mengkaji hubungan antara dua variabel atau lebih, penting dipahami skala
pengukuran dari setiap data variabelnya, sehingga teknik analisis yang akan digunakan untuk
menjelaskan hubungan atau kaitan diantara variabel tersebut dapat dipilih yang paling sesuai.
Apabila hal ini diabaikan, maka dapat menghasilkan interpretasi hasil yang kurang tepat
(misleading). Dalam hal ini, analisis regresi mensyaratkan bahwa variabel yang digunakan
paling tidak diukur secara interval, sehingga kalau ada salah satu variabel yang diukur secara
nominal atau ordinal maka hasil yang diperoleh tidak dapat ditafsirkan secara tepat, oleh karena
asumsi dalam penggunaan teknik ini yang tidak dapat dilanggar adalah bahwa variabel yang
digunakan mengikuti distribusi normal.

Pada materi ini teknik yang dibahas merupakan teknik analisis statistik inferensial kajian
analisis regresi linier, yaitu teknik yang mendasarkan pada pemanfaatan data yang diperoleh
dari suatu sampel acak, sehingga hasilnya merupakan gambaran keadaan populasi dari mana
sampel acak tersebut diambil. Teknik statistik semacam ini memberikan jaminan bahwa
kesimpulan dan penafsiran dibuat dengan tingkat kesalahan yang rendah,1 biasanya dipakai
0,05 (5 %) atau 0.1 (10%).
Teknik analisis statistik yang dibahas dalam materi ini bersumber pada SPSS (Statistical

Package for the Social Sciences) yang difokuskan hanya pada teknik yang dapat menjelaskan
hubungan atau kaitan antara beberapa variabel, baik hubungan antara dua variabel (bivariate)
maupun banyak variabel (multivariate). Pembahasan diutamakan pada cara membaca dan
menafsirkan arti dari parameter yang diperoleh dari hasil pengolahan data yang terdapat pada

output SPSS. Teknik analisis statistik yang dibahas adalah Analisis Regresi Linier dan Korelasi.

B. ANALISIS REGRESI LINIER:
Analisis regresi merupakan alat yang dapat memberikan penjelasan hubungan antara dua
jenis variabel yaitu hubungan antara variabel dependen atau variabel kriteria dengan variabel
independen atau variabel prediktor. Analisis hubungan antara dua variabel disebut sebagai

1

Tingkat kesalahan tersebut dalam teori probabilita dan uji hipotesis merupakan besarnya probabilita menolak hipotesis
benar, atau disebut kesalahan tipe-1. Istilah umum yang dipakai adalah  tetapi istilah lain yang juga sering dipakai adalah p2
2
value, significancy of statistic (T, Z,  , atau F), atau Pr>T, Pr>Z, Pr >  , Pr > F tergantung statistik uji yang digunakan.

Page | 1

analisis regresi sederhana jika hanya melibatkan satu variabel independen (variable
bebas/prediktor). Analisis disebut sebagai analisis regresi berganda jika melibatkan lebih dari
satu variabel independen.
Hubungan antara variabel dependen (Y) dengan variabel independen (X) dituliskan dalam
model linier umum:

̂ +�
̂
̂=�

̂�

+ ⋯+ �

�

+ �, �~�

,� ,

�

� �=

−̂

di mana ˆ i , i = 1,2,........p adalah koefisien regresi yang berarti besarnya perubahan pada Yˆ ,
jika Xi bertambah satu satuan dan variabel yang lain konstan, ˆ 0 adalah intercept. Residual �

mengikuti distribusi normal dengan rata-rata 0 dan varians konstan sebesar σ2.

Dengan teknik estimasi metode Ordinary Least Square (OLS) atau metode Kuadrat Terkecil,

model regresi linier yang dihasilkan harus memenuhi asumsi metode tersebut yaitu (i) setiap Y
merupakan kombinasi linier atas X dan mengikuti distribusi normal, (ii) ε tersebar secara acak

dan tidak berpola mengikuti besarnya nilai X, (iii) tidak terdapat hubungan (korelasi) yang tinggi
antar variabel X.
Oleh karena itu, untuk melakukan analisis regresi linier demi mendapatkan hasil yang masuk
akal yang dapat anda percaya, data yang anda gunakan harus memenuhi persyaratan asumsi
dasar. Jika tidak, output yang anda dapatkan dari menjalankan analisis regresi kemungkinan
tidak benar (Julie Pallant dalam Dr. J. Hanson, 2008). Dengan demikian dalam membuat
pemodelan regresi linier yang harus dilakukan pertama kali adalah pemeriksaan data untuk
pemenuhan asumsi dasar model regresi, selanjutnya apabila syarat asumsi sudah dipenuhi
dilanjutkan dengan tahap pemodelan (konstruksi model).
1.1. Tahap-1: Uji Asumsi Dasar Regresi Linier
Untuk mendapatkan model yang secara empirik signifikan atau [Pr>F]0.05) maka residu model
telah terdistribusi normal. Pada Output SPSS hasil uji Kolmogorov-Smirnov nilai signifikansi
tersebut ditunjukan pada baris akhir table One-Sample Kolmogorov-Smirnov seperti
berikut:
One-Sample Kolmogorov-Smirnov Test
Unstandardized

Residual
N
a
Normal Parameters
Most Extreme Differences

Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)

Mean
Std. Deviation
Absolute
Positive
Negative

32
.0000000
.33713584
.101
.096

-.101
.573
.897

a. Test distribution is Normal.

Apabila diperoleh indikasi bahwa syarat asumsi normalitas ini tidak dipenuhi yaitu
jika Signifikansi Kolmogorov-Smirnov < 0.05, maka data harus diperbaiki terlebih dulu
sebelum dilakukan analisis regresi.
(2) Uji Multikolinieritas:
Uji Regresi mengasumsikan variabel-variabel bebas tidak memiliki hubungan linier
satu sama lain. Sebab, jika terjadi hubungan linier antar variabel bebas akan membuat
prediksi atas variabel terikat menjadi bias karena terjadi masalah hubungan di antara para
variabel bebasnya.
Dalam Regresi Berganda dengan SPSS, masalah Multikolinieritas ini ditunjukkan
lewat tabel Coefficients, yaitu pada kolom Tolerance dan kolom VIF (Variance Inflated

Factors). Tolerance adalah indikator seberapa banyak variabilitas sebuah variabel bebas
tidak bisa dijelaskan oleh variabel bebas lainnya. Tolerance dihitung dengan rumus 1 – R2

Page | 3

untuk setiap variabel bebas. Jika nilai Tolerance sangat kecil (< 0,10), maka itu
menandakan korelasi berganda satu variabel bebas sangat tinggi dengan variabel bebas
lainnya dan mengindikasikan Multikolinieritas. Nilai VIF merupakan invers dari nilai

Tolerance (1 dibagi Tolerance). Jika nilai VIF > 10, maka itu mengindikasikan terjadinya
Multikolinieritas.
Hipotesis untuk Multikolinieritas ini adalah:
Ho: Tolerance < 1 dan VIF < 10  Tidak terjadi Multikolonieritas antar variabel
bebas
H1: Tolerance > 1 dan VIF > 10  Terjadi Multikolinieritas antar variabel bebas
Output SPSS untuk uji Multikolinieritas terdapat pada tabel Coefficients seperti
berikut:
Coefficients
Unstandardized
Coefficients
Model

B

Std. Error

.683

.097

X1

1.404

.359

X2

.025

X3
X4

1 (Constant)

a

Standardized
Coefficients
Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

7.006

.000

.703

3.917

.001

.669

1.495

.052

.075

.479

.636

.886

1.129

-.024

.077

-.052

-.307

.761

.750

1.333

-1.223

.460

-.441

-2.660

.013

.783

1.278

Regresi

Berganda

a. Dependent Variable: Y

(3) Uji Autokorelasi:
Autokorelasi

juga

disebut

sebagai

Independent

Errors.

mengasumsikan residu observasi seharusnya tidak berkorelasi (atau bebas). Asumsi ini
bisa diuji dengan teknik statistik Durbin-Watson, yang menyelidiki korelasi berlanjut antar

error (kesalahan). Durbin-Watson menguji apakah residual yang berdekatan saling
berkorelasi. Statistik pengujian bervariasi antara 0 hingga 4.
Cara melakukan uji Durbin-Watson adalah, nilai Durbin-Watson hitung (d) yang
dihasilkan oleh SPSS (output SPSS pada tabel Model summary) harus lebih besar dari
batas atas Durbin-Watson tabel (du) dan lebih kecil dari 4 dikurang oleh batas atas
Durbin-Watson tabel (du) atau (du < d < 4-du) yang berarti terbebas dari pengaruh
autokorelasi. Secara grafik digambarkan sebagai berikut:

Page | 4

Interval Keputusan Statistik Durbin-Watson (d)
Autokorelasi
Negatif
0

Autokorelasi
Tidak Ada
dl

du

Autokorelasi
Positif

4-du

Interval:
du < d < 4- du



dl ≤ d ≤ du dan 4- du ≤ d ≤ 4- dl



4

Keputusan:



d < dl dan d > 4- dl

4-dl

Artinya ada autokorelasi pada model
Tidak ada autokorelasi pada model
Tidak diketahui ada atau
autokorelasi pada model

tidaknya

Untuk mendapatkan nilai du dan dl dilihat dari tabel Durbin-Watson yaitu dengan cara
mengidentifikasi nilai yang dimaksud pada jumlah variabel bebas (k) dengan jumlah data
yang sedang diolah (n).
Output SPSS untuk uji Autokorelasi terdapat pada tabel Model summary seperti
berikut:
b

Model Summary

Model

R

1

R Square

.646

a

Adjusted R

Std. Error of the

Square

Estimate

.418

.332

Durbin-Watson

.3612467

1.773

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

(4) Uji Heteroskedastisitas:
Uji

Regresi

bisa

dilakukan

jika

data

bersifat

Homoskedastisitas

bukan

Heteroskedastisitas. Homoskedastisitas adalah kondisi dimana varians dari data adalah
sama pada seluruh pengamatan. Terdapat sejumlah uji guna mendeteksi gejala
heteroskedastisitas misalnya uji Goldfeld-Quandt, uji Park, uji Glejser, dan uji korelasi rank

Spearman antara absolut residu dengan variabel bebasnya. Bisa juga secara plot grafik
(Scatterplot)
keputusannya

yaitu

persilangan

adalah

jika

plot

antara
data

ZPred

(X-axis)

tersebut

tidak

dengan

SResid

membentuk

(Y-axis),

pola

maka

homoskedastisitas (cara ini tidak dianjurkan, bisa digunakan hanya sebagai penegas visual
bagi uji statistik yang lain).

Page | 5

Pengambilan keputusan pada metode uji korelasi rank Spearman antara absolut
residu (sisaan) dengan variabel bebas regresi adalah dilihat dari nilai signifikansi
korelasinya, dimana apabila nilai signifikansinya lebih besar dari 0.05 (Sig.>0.05) berarti
terbebas dari pengaruh Heteroskadastisitas (Homoskedastisitas).
Metode uji korelasi rank Spearman hampir mirip dengan metode uji Glejser yaitu
dalam hal mengabsolutkan nilai residu, hanya kalau dalam uji ini meregresikan absout
residu sebagai variabel terikat terhadap variabel bebas yang ada. Keputusannya adalah
dengan cara deteksi apabila variabel bebasnya signifikan mempengaruhi variabel
terikatnya (Sig. < 0.05) berarti Heteroskedastisitas.
Output SPSS untuk uji Heteroskedastisitas metode korelasi rank Spearman adalah
seperti berikut:
Correlations
X1
Spearman's
rho

X1

Correlation Coefficient

X2

.105

.616

.000

.126

.567

32

32

32

32

32

-.092

1.000

-.241

.336

-.180

.616

.

.184

.060

.325

32

32

32

32

32

**

-.241

1.000

.169

.034

.000

.184

.

.355

.855

32

32

32

32

32

Correlation Coefficient

.276

.336

.169

1.000

-.217

Sig. (2-tailed)

.126

.060

.355

.

.233

Sig. (2-tailed)
N
Correlation Coefficient

.836

Sig. (2-tailed)
N
X4

.276

.

Correlation Coefficient

N
ABS_RE Correlation Coefficient
S
Sig. (2-tailed)
N

.836

ABS_RES

-.092

N

X3

X4
**

1.000

Sig. (2-tailed)
X2

X3

32

32

32

32

32

.105

-.180

.034

-.217

1.000

.567

.325

.855

.233

.

32

32

32

32

32

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

(5) Cara Memperbaiki (Mengobati) adanya Penyimpangan Asumsi
Apabila berdasarkan hasil serangkaian pengujian terhadap asumsi dasar regresi linier
dan

ditemukan

adanya

asumsi

yang

dilanggar,

maka

cara

memperbaiki

atau

mengobatinya adalah:
1. Lakukan Transformasi data variabelnya.

2. Lakukan deteksi data outlier dengan Z score atau dengan casewise diagnostics
dalam regresi.

Page | 6

Hal ini harus dilakukan sampai terbebas dari pengaruh adanya asumsi yang
dilanggar agar hasil analisis regresi bisa dipertangungjawabkan dan bisa digeneralisasi
bagi sampel lainnya untuk penelitian lain yang serupa.
1.2. Tahap-2: Pemodelan Regresi Linier (Konstruksi model)
Model regresi linier ganda (Multivariate Linear Regression) yang secara umum
modelnya seperti dituliskan diatas. Selain berguna untuk dapat menjelaskan hubungan p
variabel X secara bersama terhadap variabel Y, dengan analisis regresi ganda juga dapat
diperoleh suatu penjelasan tentang peranan atau kontribusi relatif setiap variabel X
terhadap variabel Y. Secara empirik walaupun misalnya model regresinya signifikan, yang
berarti bahwa secara bersama (simultan) p variabel X dapat menjelaskan variabel Y, tidak
berarti bahwa setiap variabel mempunyai pengaruh yang signifikan pada variabel Y. Suatu
kajian tersendiri perlu dilakukan untuk kemudian dapat memilah variabel X yang
berpengaruh secara parsial pada variabel Y.
(1) Pemilihan Metode Analisis Regresi Linier dalam SPSS:
Pada saat membuat analisis regresi pada SPSS sebelumnya sangat perlu dan penting
untuk diperhatikan terhadap tujuan akhir bentuk model regresi yang ingin dihasilkan, yaitu
apakah model yang diinginkan adalah merupakan model lengkap dimana semua variabel
bebas ditampilkan tanpa memandang apakah variabel tersebut berpengaruh besar atau
kecil pada variabel terikatnya (dependent). Pilihan metode analisis regresi pada SPSS
terdiri atas option metode seperti berikut berikut:
a. Metode Enter
Adalah metode analisis biasa dimana semua variabel bebas dimasukkan sebagai
variabel prediktor, tidak memandang pengaruh apakah variabel tersebut
berpengaruh besar atau kecil pada variabel terikat (dependent).
b. Metode Stepwise
Digunakan untuk analisis regresi secara bertahap dengan tujuan pokok untuk
mencari variabel yang paling dominan.
c. Metode Remove
Digunakan untuk mencari prediktor yang dominan dan bila variabel prediktor
tidak berpengaruh, akan dibuang (di-remove).
d. Metode Backward
Menganalisis variabel dari belakang, artinya semua variabel dianalisis kemudian
dilanjutkan menganalisis pengaruh variabel-variabel bebasnya lalu variabel yang
tidak berpengaruh dibuang.

Page | 7

e. Metode Forward
Menganalisis variabel dari depan, maksudnya semua variabel pertamanya
dianggap tidak berpengaruh semua, kemudian variabel yang berpengaruh
dimasuk-masukkan.
(2) Analisis secara simultan:

Signifikansi model:
Model persamaan regresi ganda umum diatas, secara simultan bentuk hipotesis yang
harus diujinya diformulasikan sebagai berikut:
H0:  1 =  2 = .........=  p = 0
dengan alternatif

H1:  i  0, (i = 1,2,.....,p), sedikitnya ada satu buah koefisien variabel bebas tidak sama
dengan nol,
yang dari ouput SPSS dapat dilihat pada output tabel ANOVA, sebagai contoh tabel Anova
berikut adalah regresi ganda dengan dua variabel bebas (p=2):
b

ANOVA
Model
1

Sum of Squares
Regression

Mean Square

11101.959

2

843.031

104

11944.991

106

Residual
Total

df

5550.980

F

Sig.

684.793

.000

a

8.106

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

Dengan ���. = �̂ = 0.00 mengindikasikan bahwa regresi Y pada X1 dan X2 signifikan,

karena lebih kecil dari 0.05 (=5%).

Adapun bentuk model regresi linier yang diuji berdasarkan hipotesis dengan uji
signifikansi tabel Anova diatas dapat diformulasikan berdasarkan dari informasi tabel

Coefficients pada Output SPSS seperti berikut:
Coefficients

Model
1

a

Unstandardized

Standardized

Coefficients

Coefficients

B

Std. Error

(Constant) 82.677

.626

X1

-.662

.263

X2

-.240

.013

Beta

t

Sig.

132.176

.000

-.119

-2.518

.013

-.863

-18.326

.000

Page | 8

Konstruksi model regresi bergandanya adalah dibentuk oleh nilai pada kolom B
sebagai koefisien variabel bebas X, sehingga modelnya diperoleh seperti berikut:

=

.

− .

− .

Korelasi ganda dan Koefisien determinasi:

Korelasi ganda (multiple correlation coefficient) R adalah korelasi antara nilai
pengamatan �� dengan nilai prediksi �� (�̂� ) dan menunjukkan seberapa baik model
memprediksi data yang diamati. Kisaran nilai korelasi ganda R adalah 0 hingga 1. Semakin

nilai R mendekati angka 1, maka semakin kuat variabel-variabel bebas memprediksikan
variabel terikat. Dan apabila nilai R dikuadratkan maka nilai R kuadrat (R Square) ini
fungsinya untuk menjelaskan apakah sampel penelitian mampu memperoleh jawaban
yang dibutuhkan dari populasinya (atau untuk melihat apakah model regresi yang
diperoleh sudah memadai/cocok, dikenal sebagai uji Goodness of Fit), akan tetapi karena
estimasi R2 cenderung terlalu tinggi (overestimate) selanjutnya nilai ini disempurnakan
dengan Adjusted R Square sebagai koreksi atas nilai R, yang dihitung dengan cara:

�

=

−

�−

−

−

dengan p adalah banyaknya variabel bebas (independent) X pada persamaan model
regresi ganda. Secara matematis R2 dan R2a dapat dirumuskan dengan

=
�

=

−

�

−
�

�

�

�
�

�
�

�

⁄ �−
⁄ �−

Pedoman interpretasi atas nilai Adjusted R Square (
adalah sebagai berikut:


< 0.10
0.11 – 0.30
0.31
> 0.50

– 0.50





�

�)

−

(dalam Andy Field, 2009)

Ketepatannya Buruk
Ketepatannya Rendah
Ketepatannya Cukup
Ketepatannya Tinggi

Page | 9

Kalikan Adjusted R2 dengan 100% maka akan diperoleh berapa % varians tiap
sampel pada variabel terikat bisa diprediksi oleh variabel-variabel bebas secara bersamasama (simultan), nilai ini disebut sebagai Koefisien determinasi.
Pada output SPSS nilainya ditampilkan pada tabel Model Summary seperti berikut:
b

Model Summary

Change Statistics
Model
1

R

Adjusted R
Square

R Square

.646

a

.418

Std. Error of the
Estimate

.332

R Square
Change

.3612467

F Change df1

.418

4.846

df2

4

Sig. F
Change

27

.004

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

Dengan menggunakan R2a = 0,332 maka variasi dari Y yang dapat dijelaskan oleh
model adalah sebesar 33.2 persen, sedangkan sisanya sebesar 66.8 persen dijelaskan
oleh variabel bebas lain yang tidak diikutkan pada penelitian ini, hal ini merupakan
interpretasi dari Koefisien determinasi.
(3) Analisis secara parsial:

Signifikansi koefisien variabel bebas:
Secara umum model regresi dengan Y pada X1 dan X2 dapat digunakan lebih
lanjut, namun demikian untuk mengetahui apakah X1 dan X2 secara parsial berpengaruh
terhadap Y dapat diuji dengan melihat output SPSS tabel Coefficients seperti berikut:
Coefficients

Model
1

a

Unstandardized

Standardized

Coefficients

Coefficients

B

Std. Error

(Constant) 82.677

.626

X1

-.662

.263

X2

-.240

.013

Beta

t

Sig.

132.176

.000

-.119

-2.518

.013

-.863

-18.326

.000

Dapat disimpulkan bahwa X1 dan X2 secara parsial berpengaruh signifikan terhadap
Y dengan tingkat signifikansi (p-value) masing-masing 0.013 dan 0.000, dimana kedua
nilai ini lebih kecil dari taraf signifikansi penelitian 5% (0.05).

Penentuan variabel bebas dominan dan kontribusi terhadap variabel terikat:
Walaupun model regresi linier ganda signifikan, mungkin tidak semua variabel
bebas X mempunyai pengaruh nyata pada variabel terikat Y, apalagi jika lebih banyak
variabel bebas (independen) sebagai prediktor tidak akan membuat lebih mudah dalam

Page | 10

melakukan analisis. Untuk menganalisis dan mendeteksi adanya pengaruh variabel
bebas yang dominan terhadap variabel terikatnya serta kemudian besaran kontribusinya
bisa dihitung, untuk hal ini ada beberapa cara analisis yaitu diantaranya:

 Metode korelasi parsial sederhana, yaitu dengan menghitung nilai korelasi
masing-masing variabel bebas terhadap variabel terikatnya, lalu untuk nilai besaran
kontribusinya ditentukan dengan cara mengkuadratkan nilai korelasi parsialnya, atau

 Metode regresi stepwise (bertatar) yang pada dasarnya tolok ukur metodenya
adalah sama didasarkan atas nilai korelasi sederhana antara variabel bebas dengan
variabel terikatnya, namun caranya bertahap dengan cara membuat model pola
hubungan antar variabel dimana terlebih dulu dimulai dari nilai korelasi sederhana
antar variabel yang tertinggi, kemudian dengan prosedur yang sama dilanjutkan ke
level terbawahnya. Dalam output SPSS bisa diidentifikasi pada tabel Model summary
dimana sekaligus nilai besaran kontribusinya bisa dilihat dari kolom Adjusted R

Square Change.
Pada metode korelasi parsial sederhana, untuk mengetahui variabel bebas dominan
yang selanjutnya dihitung nilai besaran kontribusinya dilihat pada output SPSS tabel
Coefficient, seperti berikut:
Coefficients

Model
1

Unstandardized

Standardized

Coefficients

Coefficients

B

Std. Error

(Constant)

.893

.084

X1

.158

.003

X2

.952

.037

X3

-.295

.053

Beta

a

Correlations
t

Sig.

Zero-order

Partial

Part

10.665

.000

25.632

.000

.341

.479

.000

.529

.498

.325

-.071

-5.526

.000

-.160

-.123

-.070

.646

.757

.733

.609

a. Dependent Variable: Y

Pada tabel Coefficients perhatikan nilai korelasi pada kolom Zero-order, kemudian hitung
nilai kuadratnya untuk setiap variabel bebas yang bersesuain, maka diperoleh sebagai
berikut:
Variabel

Korelasi ( r )

r2

X1
X2
X3

0.757
0.529
-0.160

0.5731
0.2798
0.0256

Kontribusi terhadap
variabel terikat Y (%)
57.31%
27.98%
2.56%

Ranking
Dominan (1)
Dominan (2)
Dominan (3)

Page | 11

II. MATERI SIMULASI KASUS

PENGARUH INFORMASI AKUNTANSI TERHADAP RETURN SAHAM
(Studi Empirik Terhadap 32 Perusahaan Consumer Goods yang Terdaftar di Bursa Efek Indonesia Tahun 2013)

SIMULASI SOFTWARE APLIKASI STATISTIK SPSS
KAJIAN ANALISIS REGRESI LINIER

Oleh:
Ir. Ginanjar Syamsuar, ME.

JAKARTA, PEBRUARI 2017

Page | 12

Kerangka Pemikiran

Page | 13

Operasionalisasi Variabel
No

Variabel

Indikator

Rumus Hitung Perubahan

1

Return
Saham (R)

Stock Price
Per 31
December

2

Informasi
Akuntansi (GP)

Gross
Profit

3

Informasi
Akuntansi (CFI)

Cash Flow
Investment

PerubahanCFI 

4

Informasi
Akuntansi
(CFO)

Cash Flow
Operation

PerubahanCFO 

5

Informasi
Akuntansi (Size
Emiten : SE)

Total Assets

Ri 

Pt  Pt  1
Pt  1

PerubahanGP 

PerubahanSE 

GPt  GPt  1
GPt  1

CFIt  CFIt  1
CFIt  1

CFOt  CFOt  1
CFOt  1

SEt  SEt  1
SEt  1

Skala

Sumber
Data*)

Rasio

ICMD-2013

Rasio

ICMD-2013

Rasio

ICMD-2013

Rasio

ICMD-2013

Rasio

ICMD-2013

*): ICMD - Indonesian Capital Market Directory

Page | 14

FORMULASI DAN SOLUSI MASALAH
FORMULASI:

Pemodelan Regresi Linier
Model regresi linier estimasi yang dihipotesiskan pada kasus ini adalah:

̂ =� +�

+�

+�

+�

dimana: Y  Variabel terikat (dependent): Return Saham perusahaan consumer goods
X1  Variabel bebas (independent): Laba Kotor
X2  Variabel bebas (independent): Arus Kas Infestasi
X3  Variabel bebas (independent): Arus Kas Operasi
X4  Variabel bebas (independent): Ukuran Perusahaan
�  Konstanta regresi Return Saham perusahaan consumer goods
� , � , � , �  Koefisien variabel bebas

Hipotesis:

Hipotesis bagi model regresi linier tersebut diformulasikan sebagai berikut:
Regresi:
Ho: Diduga perubahan laba kotor, arus kas investasi, arus kas operasi, dan ukuran perusahaan
tidak berpengaruh signifikan terhadap perubahan return saham perusahaan.
H1:

Diduga perubahan laba kotor, arus kas investasi, arus kas operasi, dan ukuran perusahaan
berpengaruh signifikan terhadap perubahan return saham perusahaan.

Korelasi:
Ho: Diduga tidak terdapat korelasi yang siginifkan diantara perubahan laba kotor, perubahan
arus kas investasi, perubahan arus kas operasi, perubahan ukuran perusahaan, dengan
perubahan return saham perusahaan.
H1:

Diduga terdapat korelasi yang siginifkan diantara perubahan laba kotor, perubahan arus kas
investasi, perubahan arus kas operasi, perubahan ukuran perusahaan, dengan perubahan
return saham perusahaan.

SOLUSI:
Data prosesing dengan SPSS:
1.
2.
3.
4.

Install program SPSS-16 ke dalam komputer (notebook) anda.
Lanjutkan pengisian data variabel (entry data) diatas ke SPSS.
Lakukan pengujian uji asumsi klasik terhadap data penelitian (amati dan pastikan data anda
bebas dari asumsi klasik!),
Lakukan pengujian model regresi linier dan Korelasi.

Page | 15

Analisis dan pembahasan:
5.

Dengan menggunakan alpha 5%, lakukan analisis lalu tentukan keputusan terhadap hipótesis
(H0 dan H1) mengenai hipotesis model regresi linier berganda yang telah ditetapkan diatas,
(apakah Ho diterima atau ditolak.?), analisis secara simultan dan parsial, jelaskan interpretasinya.

6.

Dengan menggunakan alpha 5%, lakukan analisis lalu tentukan keputusan terhadap hipótesis
(H0 dan H1) mengenai hipotesis korelasi ganda penelitian (apakah Ho diterima atau ditolak.?).
Juga hitung besaran nilai korelasi parsialnya, kemudian susunlah urutan ranking kekuatan korelasi
parsial tersebut (Informasi Akuntansi apa yang paling Dominan berpengaruh terhadap Return
Saham) , jelaskan interpretasinya.

Page | 16

ENTRI DATA KE SPSS

(Data terlampir pada Lampiran-1)
Entry data ke program SPSS sesuai format yang terlihat pada Lampiran-1. Data inipun boleh/bisa
dilengkapi terlebih dahulu di Excel kemudian dipanggil (Open) di program SPSS atau di-entry langsung
pada SPSS.
1. Apabila Data diambil dari file yang sudah tersimpan di Excel, maka instruksinya sebagai berikut:

Instruksi SPSS
Untuk entry data dari file excel yang sudah ada, pilih menu File > Open > Data,
Tentukan Directory tempat file yang akan di-entry-kan, Kemudian pilih type file

Excel(*.xls, *.xlsx, *.xlsm) pada File of Type:, tekan OPEN, lalu Continue
2. Apabila Data langsung di-entry-kan ke program SPSS, maka instruksinya sebagai berikut:

Instruksi SPSS
Untuk entry data langsung di SPSS (jika program SPSS sedang dalam keadaan
terbuka, pilih menu File > New > Data, entrikan (ketik) data sesuai format
susunan variabel datanya.

Page | 17

ANALISIS DAN PEMBAHASAN
I. Pengujian Asumsi Klasik yang Melandasi Analisis Regresi Linier
a) Uji Normalitas
Uji normalitas dimaksudkan untuk mengetahui apakah residual model regresi yang diteliti
berdistribusi normal atau tidak. Metode yang digunakan untuk menguji normalitas adalah
dengan menggunakan uji Kolmogorov-Smirnov. Jika nilai signifikansi dari hasil uji
Kolmogorov-Smirnov > 0,05, maka asumsi normalitas terpenuhi.

Instruksi SPSS
Untuk menguji asumsi normalitas, pilih menu Analyze > Nonparametric Tests > 1sample K-S
Kemudian masukkan Test Variable List: Res_1, tekan OK

1. Output Uji Normaltas (NPar Tests):
Hasil uji Normalitas ditunjukkan pada tabel berikut:
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N
a
Normal Parameters
Most Extreme Differences

Mean
Std. Deviation
Absolute
Positive
Negative

Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)

32
.0000000
.33713584
.101
.096
-.101
.573
.897

a. Test distribution is Normal.

2. Pembahasan Hasil Output Uji Normalitas:
Dari hasil pengujian di atas, diperoleh nilai signifikansi sebesar 0,897 > 0,05, maka asumsi
normalitas terpenuhi.

Page | 18

b) Uji Multikolinieritas
Artinya adanya korelasi linier yang tinggi (mendekati sempurna) diantara dua atau lebih
variabel bebas. Multikolinieritas diuji dengan menghitung nilai VIF (Variance Inflating Factor).
Bila nilai VIF lebih kecil dari 5 maka tidak terjadi multikolinieritas atau non multikolinieritas.

Instruksi SPSS:
Untuk menguji asumsi multikolinieritas, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: Y, Independent Variable: X1 sampai X4,
klik Statistics lalu pilih Collinearity Diagnostics, tekan OK

1. Output Uji Multikolinieritas:
Hasil uji Multikolinieritas ditunjukkan pada kolom akhir tabel berikut:
Coefficients
Unstandardized Coefficients
Model

B

Std. Error

.683

.097

X1

1.404

.359

X2

.025

X3
X4

1 (Constant)

a

Standardized
Coefficients
Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

7.006

.000

.703

3.917

.001

.669

1.495

.052

.075

.479

.636

.886

1.129

-.024

.077

-.052

-.307

.761

.750

1.333

-1.223

.460

-.441

-2.660

.013

.783

1.278

a. Dependent Variable: Y

2. Pembahasan Hasil Output Uji Multikoliniertias:
Dari output SPSS tersebut diperoleh kesimpulan bahwa semua variabel bebas bersifat nonmultikolinieritas karena nilai VIF < 5.

c) Uji Autokorelasi
Autokorelasi adalah suatu keadaan di mana terdapat suatu korelasi (hubungan) antara residual
tiap seri. Pemeriksaan autokorelasi menggunakan metode Durbin-Watson, di mana jika nilai d
(Durbin-Watson) dekat dengan 2, maka asumsi tidak terjadi autokorelasi terpenuhi.

Instruksi SPSS:
Untuk menguji asumsi autokorelasi, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: Y, Independent Variable: X1 sampai
X4, klik Statistics lalu pilih Durbin-Watson, akhiri dengan tekan OK

Page | 19

1. Output Uji Autokorelasi:
Hasil uji Autokorelasi ditunjukkan pada kolom akhir (Durbin-Watson) tabel berikut:
b

Model Summary

Model
1

R
.646

R Square
a

Adjusted R

Std. Error of the

Square

Estimate

.418

.332

Durbin-Watson

.3612467

1.773

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

2. Pembahasan Hasil Output Uji Autokorelasi:
Untuk mendapatkan kesimpulan model terbebas dari Autokorelasi adalah dengan melihat
tabel statistik Durbin Watson. Dimana dicari berapa nilai du dan dl dengan melihat tabel
Durbin-Watson untuk k=4 (Jumlah variable bebas) pada n=32 (jumlah data), maka
diperoleh nilai dl=1.18 dan du= 1.73, selanjutnya petakan pada interval keputusan statistik
Durbin-Watson berikut.

Interval Keputusan Statistik Durbin-Watson (d)
Autokorelasi
Negatif
0

Autokorelasi
Tidak Ada
dl

Interval:
d < dl dan d > 4- dl

du

4-du


du < d < 4- du



dl ≤ d ≤ du dan 4- du ≤ d ≤ 4- dl



Autokorelasi
Positif
4-dl

4

Keputusan:
Artinya ada autokorelasi pada model
Tidak ada autokorelasi pada model
Tidak diketahui ada atau
autokorelasi pada model

tidaknya

Bedasarkan rumus diatas, maka hasil 4 – du = 2,27, sedangkan 4 – dl = 2.82. Sehingga
interval keputusan untuk bebas autokorelasi adalah 1.73 < d < 2.27, dengn demikian
karena dari hasil pengujian autokorelasi yaitu pada output SPSS diperoleh nilai statistic
Durbin-Watson 1.773 yang dalam hal ini dapat ditarik kesimpulan model terbebas dari
autokorelasi karena berada dalam intervalnya yaitu 1.73 < 1.773 < 2.27.

Page | 20

d) Uji Heteroskedastisitas
Heteroskedastisitas adalah suatu keadaan dimana masing-masing kesalahan pengganggu
mempunyai varian yang berlainan. Heteroskedastisitas diuji dengan menggunakan uji koefisien
korelasi Rank Spearman yaitu mengkorelasikan antara absolut residual hasil regresi dengan
semua variabel bebas. Bila signifikansi hasil korelasi lebih kecil dari 0,05 (5%) maka
persamaan regresi tersebut mengandung heteroskedastisitas dan sebaliknya berarti non
heteroskedastisitas atau homoskedastisitas.

Instruksi SPSS-1:
Untuk menguji asumsi Heteroskedastisitas, pilih menu Analyze > Regression >
Linear
Kemudian masukkan Dependent Variable: Y, Independent Variable: X1 sampai X4,
klik Save lalu pilih Unstandardized Residuals, kemudian akhiri dengan tekan OK
Maka pada worksheet data akan terbentuk varibel yang ditampilkan sebagai variabel res_1

Instruksi SPSS-2:
Untuk mendapatkan nilai absolut residual, klik Transform > Compute, Target
Variable: Abs_Res,
Numeric Expression: Abs(Res_1)
Lihat pada worksheet muncul variabel Abs_Res, yaitu variabel absolut residual.

Instruksi SPSS-3:
Kemudian lakukan korelasi, pilih menu Analyze > Correlate > Bivariate
Masukkan Variables: X1 sampai X4, dan Abs_Res, hidupkan (centang) correlation
coefficients Spearman, dan matikan correlation coefficient pearson.

Page | 21

1. Output Korelasi Spearman untuk Uji Heteroskedastisitas:
Hasil uji heteroskedastisitas koefisien Rank Spearman ditunjukkan pada tabel berikut:
Correlations
X1
Spearma X1
n's rho

Correlation Coefficient

.276

.105

.616

.000

.126

.567

32

32

32

32

-.092

1.000

-.241

.336

-.180

.616

.

.184

.060

.325

32

32

32

32

32

**

-.241

1.000

.169

.034

.000

.184

.

.355

.855

32

32

32

32

32

Correlation Coefficient

.276

.336

.169

1.000

-.217

Sig. (2-tailed)

.126

.060

.355

.

.233

32

32

32

32

32

Correlation Coefficient

.105

-.180

.034

-.217

1.000

Sig. (2-tailed)

.567

.325

.855

.233

.

32

32

32

32

32

Correlation Coefficient

Correlation Coefficient

.836

Sig. (2-tailed)
N

N
ABS_RES

.836

ABS_RES

.

N

X4

-.092

X4
**

32

Sig. (2-tailed)
X3

X3

1.000

Sig. (2-tailed)
N

X2

X2

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

2. Pembahasan Output Korelasi Spearman untuk Uji
Heteroskedastisitas:

Hasil Output SPPS tersebut diperoleh:

Variabel bebas

r

Sig

Kesimpulan

Laba kotor (X1)
Arus kas infestasi (X2)

0.105
-0.180
0.034
-0.217

0.567
0.325

Homoskedastisitas
Homoskedastisitas

0.855
0.233

Homoskedastisitas
Homoskedastisitas

Arus kas operasi (X3)
Ukuran perusahaan (X4)

Dari tabel di atas ditunjukkan bahwa nilai signifikansi korelasi spearman semuanya lebih
besar dari taraf signifikan pengujian yaitu 0.05 (5%), sehingga keputusannya

adalah

bahwa keempat variabel tersebut bebas dari pengaruh asumsi heteroskedastisitas atau
dengan kata lain bersifat homoskedastisitas. Artinya tidak ada korelasi antara besarnya
data dengan residual sehingga bila data diperbesar tidak menyebabkan residual
(kesalahan) semakin besar pula.

Page | 22

II. Analisis Regresi Linier dan Korelasi
A. Analisis Regresi Linier
Instruksi SPSS:
Untuk menguji regresi, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: Y, Independent Variable: X1 sampai X4,
klik Statistics lalu pilih Descriptive dan Part and Partial Correlation, tekan
Continue lalu OK

1. Output Analisis Regresi Linier:
Descriptive Statistics
Mean
Y
X1
X2
X3
X4

Std. Deviation

.447755
-.056805
.507055
.091799
.135524

N

.4418817
.2212217
1.3330549
.9750549
.1595617

32
32
32
32
32

Correlations
Y
Pearson Correlation

Sig. (1-tailed)

N

X1

X2

X3

X4

Y

1.000

.514

-.051

.236

-.164

X1

.514

1.000

-.033

.451

.370

X2

-.051

-.033

1.000

-.209

.256

X3

.236

.451

-.209

1.000

.032

X4

-.164

.370

.256

.032

1.000

Y

.

.001

.391

.097

.185

X1

.001

.

.428

.005

.019

X2

.391

.428

.

.126

.079

X3

.097

.005

.126

.

.431

X4

.185

.019

.079

.431

.

Y

32

32

32

32

32

X1

32

32

32

32

32

X2

32

32

32

32

32

X3

32

32

32

32

32

X4

32

32

32

32

32

Page | 23

Variables Entered/Removed
Variables

Variables

Entered

Removed

Model
1

X4, X3, X2, X1

b

Method

a

. Enter

a. All requested variables entered.
b. Dependent Variable: Y

Model Summary

Model

R

1

Adjusted R

Std. Error of the

Square

Estimate

R Square

.646

a

.418

.332

.3612467

Mean Square

F

a. Predictors: (Constant), X4, X3, X2, X1

b

ANOVA
Model
1

Sum of Squares

df

Regression

2.530

4

.632

Residual

3.523

27

.130

Total

6.053

31

Sig.

4.846

.004

a

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

Coefficients

Model
1

Unstandardized

Standardized

Coefficients

Coefficients

B

Std. Error

(Constant)

.683

.097

X1

1.404

.359

X2

.025

.052

X3

-.024

X4 -1.223

Beta

a

Correlations
t

Sig.

Zero-order

Partial

Part

7.006

.000

.703

3.917

.001

.514

.602

.575

.075

.479

.636

-.051

.092

.070

.077

-.052

-.307

.761

.236

-.059

-.045

.460

-.441

-2.660

.013

-.164

-.456

-.391

a. Dependent Variable: Y

Page | 24

2. Pembahasan Hasil Output SPSS Regresi Linier:
a) Uji Simultan:
Hipotesis Regresi
Ho: Diduga perubahan laba kotor (gross profit), arus kas investasi, arus kas operasi, dan
ukuran perusahaan tidak berpengaruh signifikan terhadap perubahan return saham
perusahaan.
H1: Diduga perubahan laba kotor (gross profit), arus kas investasi, arus kas operasi, dan
ukuran perusahaan berpengaruh signifikan terhadap perubahan return saham
perusahaan.
Atau secara statistik ditulis sebagai:
Ho: 1=2=3=4=0  koefisien regresi
H1: paling sedikit ada satu buah nilai 1 atau 2 atau 3 atau 4  0
Dari hasil output SPSS yang ditunjukan oleh tabel ANOVA yaitu:
b

ANOVA
Model
1

Sum of Squares

df

Mean Square

F

Regression

2.530

4

.632

Residual

3.523

27

.130

Total

6.053

31

4.846

Sig.
.004

a

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

Diperoleh bahwa nilai signifikansi F= 0,004. Jadi Sig F < 5% (0,0000,05), maka secara parsial variabel
Arus kas operasi (X3) tidak berpengaruh signifikan terhadap variabel Return saham (Y)
d. Uji t terhadap variabel Ukuran perusahaan (X4) didapatkan signifikansi t sebesar 0,013.
Karena signifikansi t lebih kecil dari 5% (0,013Regression>Linear Kemudian masukkan Dependent Variable: Y,
Independent Variable: X1 sampai X4, klik Statistics lalu pilih (centang) Estimate,
Model fit, dan R squared change, tekan Continue lalu OK

1. Output SPSS untuk Analisis Korelasi ganda:

Page | 27

b

Model Summary

Change Statistics
Model
1

R
.646

R Square
a

.418

Adjusted R
Square
.332

Std. Error of the
Estimate

R Square
Change

.3612467

F Change df1

.418

4.846

4

df2
27

Sig. F
Change
.004

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

2. Pembahasan Hasil Output SPSS Korelasi ganda:
Dari tabel tersebut pada kolom R dengan nilai 0.646 adalah merupakan koefisien
korelasi ganda (multiple correlation coefficient) dimana menjelaskan seberapa baik
variabel-variabel bebas memprediksikan hasil, adapun kisaran nilai R ini adalah mulai 0
hingga 1, semakin nilai R mendekati angka 1 maka semakin kuat variable-variabel
bebas memprediksikan variable terikat (Return saham). Apabila dengan hanya
membandingkan dan mempetakan nilai R=0.646 terhadap kisaran nilai R maka hal ini
dapat diindikasikan bahwa korelasi ganda signifikan dengan kata lain berpotensi
hipotesis Ho ditolak.
Akan tetapi secara teori bahwa untuk mengambil keputusan uji hipotesis adalah diuji
dengan statistik uji-F atau nilai significant yang dibandingkan dengan taraf-signifikan
5% yang digunakan dalam penelitian ini. Dari tabel diatas diperoleh bahwa nilai Sig.F
lebih kecil dari 0.05 (0.004 < 0.05) dimana hal ini memberikan informasi bahwa benar
hipotesis Ho ditolak, dengan kata lain dapat disimpulkan bahwa terdapat korelasi
secara simultan yang signifikan diantara perubahan Laba kotor, perubahan Arus kas
infestasi, perubahan Arus kas operasi, perubahan Ukuran perusahaan dengan Return
Saham (Model regresi yang diperoleh memadai).

b) Korelasi Parsial:
Untuk menentukan atau menghitung korelasi parsial atau korelasi antara variabel-variabel
bebas dengan variabel terikatnya, maka dianalisis melalui output SPSS tabel Coefficients.

Instruksi SPSS:
Untuk menghitung korelasi parsial, pilih menu Analyze>Regression>Linear
Kemudian masukkan Dependent Variable: Y, Independent Variable: X1 sampai X4,
klik Statistics lalu pilih (centang) Estimate, Model fit, dan Part and partial
correlations, tekan Continue lalu OK

Page | 28

1. Output SPSS untuk Analisis Korelasi parsial:
Coefficients
Unstandardized
Coefficients
Model

B

Std. Error

1 (Constant)

.683

.097

X1

1.404

.359

X2

.025

X3
X4

a

Standardized
Coefficients
Beta

Correlations
t

Sig.

Zero-order

Partial

Part

7.006

.000

.703

3.917

.001

.514

.602

.575

.052

.075

.479

.636

-.051

.092

.070

-.024

.077

-.052

-.307

.761

.236

-.059

-.045

-1.223

.460

-.441

-2.660

.013

-.164

-.456

-.391

a. Dependent Variable: Y

2. Pembahasan Hasil Output SPSS Korelasi parsial:
Untuk mengetahui nilai korelasi yang digunakan adalah dilihat dari besaran nilai
korelasi zero-order pada tabel coefficient output SPSS.
Dari tabel hasil diatas pada kolom zero-order, dapat kita ketahui bahwa korelasi parsial
diantara masing-masing variabel bebasnya dengan variabel terikat adalah:

 Return saham (Y) dengan Perubahan Laba kotor (X1), memiliki korelasi sebesar
0.514 dimana ukuran keeratan antar variabelnya digolongkan sedang.

 Return saham (Y) dengan Perubahan Arus kas infestasi (X2), memiliki korelasi
negatif sebesar 0.051 dimana ukuran keeratan antar variabelnya tergolong lemah.

 Return saham (Y) dengan Perubahan Arus kas operasi (X3), memiliki korelasi
sebesar 0.236 dimana ukuran keeratan antar variabelnya tergolong lemah.

 Return saham (Y) dengan Perubahan Ukuran perusahaan (X4), memiliki korelasi
negatif sebesar 0.164 dimana ukuran keeratan antar variabelnya tergolong lemah.

Menentukan Variabel Dominan:
Untuk menguji variabel dominan, terlebih dahulu diketahui kontribusi masing-masing
variabel bebas yang diuji terhadap variabel terikat. Kontribusi masing-masing variabel
diketahui dari koefisien determinasi regresi sederhana terhadap variabel terikat atau
diketahui dari kuadrat korelasi sederhana (Zero-Order) variabel bebas dan terikat. Dari
tabel di bawah diketahui bahwa variabel yang paling dominan pengaruhnya adalah
variabel Laba kotor (X1) yaitu memiliki kontribusi sebesar 26,42%.

Page | 29

Variabel

r

r2

Kontribusi (%)

Laba kotor (X1)

.514

0.2642

26.42%

Arus kas infestasi (X2)

-.051

0.0026

0.26%

Arus kas operasi (X3)

.236

0.0557

5.57%

Ukuran perusahaan (X4)

-.164

0.0269

2.69%

Ranking Dominansi pengaruh:
Sehingga urutan rangking dominansi pengaruh variabel bebas terhadap variabel
terikatnya adalah:
Laba kotor (X1) > Arus kas operasi (X3) > Ukuran perusahaan (X4) > Arus
kas infestasi (X2).

Page | 30

Pustaka:
1. Institute for Economic and Financial Research. (2013). Indonesian Capital Markets Directory
(ICMD) 2013: Consumer Goods Industry.
2. Andy Field. (2009). Discovering Statistics Using SPSS (Introducing Statistical Method), 3nd ed.
SAGE Publications Ltd. London.
3. Robert Ho, 2006, Handbook of Univariate and Multivariate Data Analysis and Interpretation with
SPSS, Chapman & Hall/CRC; 1 edition. ISBN: 1584886021.
4. Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation
analysis for the behavioral sciences, 3rd Ed. Mahwah, NJ: Lawrence Erlbaum Associates.
5. Kathleen Martin, D.P.E., Carmen Acuna, Ph.D., 2002, SPSS for Institutional Researchers,
Bucknell University.
6. Dr J Hanson. 2008. Using SPSS to Analyse Data: a Guide (The essential reading: Pallant, J.

SPSS Survival Manual. Open University Press.)

Page | 31

Lampiran-2: Tabel de Durbin-Watson (dw),  = 5%.
Jumlah
data
(n)

dL

dU

6

0.6102

1.4002

7

0.6996

8
9

k=1

k=2

Jumlah Variabel Independent (k)
k=3

dL

dU

dL

dU

1.3564

0.4672

1.8964

0.7629

1.3324

0.5591

0.8243

1.3199

0.6291

1.7771

0.3674

2.2866

1.6993

0.4548

10

0.8791

1.3197

11

0.9273

1.3241

0.6972

1.6413

0.7580

1.6044

12

0.9708

13

1.0097

1.3314

0.8122

1.3404

0.8612

14
15

1.0450

1.3503

1.0770

1.3605

16

1.1062

17

1.1330

18
19

k=4

k=5