Modul Spss 17

Dilarang menggandakan seijin tim penyusun
1

KATA PENGANTAR
Puji dan syukur kita panjatkan kehadirat Allah SWT., shalawat dan salam yang senantiasa
tercurah kepada junjungan dan tauladan, Muhammad Rasulullah, keluarga dan para sahabatnya.
Alhamdulillah atas segala rahmat dan karuniaNya sehingga pada kesempatan kali ini, saya dapat
menyelesaikan Modul SPSS 17.0.
Modul SPSS 17.0 dibuat sebagai panduan belajar mengenai salah satu perhitungan statistik
yang pada umumnya kerap dihadapi oleh mahasiswa dalam mengerjakan tugas. Modul ini memuat
tentang cara meregresikan data dalam jumlah banyak dengan langkah-langkah yang mudah untuk
dipahami dan dipelajari.
Saya menyadari bahwa modul ini masih jauh dari kata sempurna karena keterbatasan yang
saya miliki, karena itu saya mengucapkan terima kasih untuk saran dan kritik yang telah terima
maupun yang akan diterima. saya juga menyadari bahwasanya di dalam penyusunan modul ini tidak
dapat berjalan dengan baik tanpa bantuan berbagai pihak, untuk itu saya mengucapkan terima kasih
kepada semua pihak yang telah membantu dalam pembuatan modul ini. Dan juga kepada pembaca
yang telah menggunakan modul ini sebagai salah satu sumber pembelajaran .
Semoga modul ini dapat bermanfaat bagi para pembaca untuk memberikan tambahan
pengetahuan, dan wawasan mengenai salah satu program statistik khususnya SPSS 17.0

Ayu Zuriah

2

BAB I
PENDAHULUAN
SPSS (Statistical Package for the Social Sciences) adalah sebuah program pada komputer
yang digunakan untuk membuat analisis statistika. SPSS (pertama dirilis pada tahun 1968, dan
diciptakan oleh Norman Nie, seorang lulusan Fakultas Ilmu Politik dari Stanford University, yang
sekarang menjadi Profesor Peneliti Fakultas Ilmu Politik di Stanford dan Profesor Emeritus Ilmu
Politik di University of Chicago.
Sekarang ini SPSS yang berkembang sudah berbasis Windows sehingga di kenal dengan
SPSS for windows. Petama kali muncul versi windows adalah SPSS for Windows versi 6.00, hingga
kini SPSS yang paling terbaru adalah SPSS 19. SPSS memilik banyak kegunaan bagi pengguna
seperti peneliti pasar, peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan,
organisasi pemasaran, dan sebagainya.
Pada dasarnya pengoperasian SPSS memiliki kesamaan dalam berbagai versi, perbedaan
hanya pada fasilitas tambahan yang ditawarkan. Selain itu, SPSS merupakan software statistik yang
paling populer, fasilitasnya sangat lengkap dibandingkan dengan software lainnya. Oleh karena itu,
diharapkan dengan penggunaan SPSS dapat memberikan kemudahan dan ketepatan dalam mengolah
data.
Ada beberapa teknik statistik yang dapat digunakan untuk menganalisis data. Tujuan dari
analisis data adalah untuk mendapatkan informasi yang relevan yang terdapat dalam data tersebut
dan menggunakan hasilnya untuk memecahkan suatu masalah. Dalam bab pendahuluan ini, sebelum
mengolah data, diperlukan pengelompokkan data terlebih dahulu agar dapat menghasilkan penelitian
dengan hasil yang baik.

DATA PENELITIAN
Data metriks atau data kuantitatif yaitu data yang berupa angka menunjukkan jumlah atau
banyaknya sesuatu unit.
Data nonmetrik atau data kualitatif yaitu data yang berupa huruf, data yang dikategorisasi
tetapi tidak dapat dikuantitatifkan atau dioperasikan dalam hitungan. misalnya jenis kelamin.

3

TIPE SKALA PENGUKURAN
Skala Nominal yaitu skala pengukuran yang menyatakan kategori interistik atau klasifikasi
dari konstruksi yang diukur dalam bentuk variabel dan merupakan data nonparametik atau
data kualitatif (data bukan angka). Contohnya jenis kelamin.
Skala Ordinal yaitu skala pengukuran yang tidak hanya menyatakan kategori tapi juga
menyatakan peringkat konstruksi yang diukur dan data nonparametik atau data kualitatif.
Skala Internal (Jarak) yaitu skala pengukuran yang menyatakan kategori, peringkat dan jarak
konstruksi. Skala interval mempunyai karakteristik seperti yang dimiliki oleh skala nominal
dan ordinal dan ditambah ada interval yang tetap dan menggunakan data parametik atau data
kuantitatif (data yang berupa angka).
Skala Ratio yaitu skala perbandingan yang menunjukkan kategori, peringkat, jarak dan
perbandingan konstruksi yang diukur. Skala ratio memiliki semua karakteristik yang
dipunyai oleh skala nominal, ordinal, dan interval dan merupakan data parametik atau
kuantitatif (data yang berupa angka). Pengukuran rasio biasanya dalam bentuk perbandingan
antara satu individu dengan objek lainnya.

4

BAB II
PENGENALAN SPSS
MEMBUKA FILE BARU
Untuk file baru dapat dibuat dengan mengaktifkan SPSS 17.0 dilakukan dengan cara yaitu :
1) Klik menu Start
2) Klik All Programs
3) Klik SPSS for inc

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

Gambar 2.1 Tampilan Menu Start

5

Gambar 2.2 SPSS 17.0
Gambar 2.3 Memulai SPSS 17.0
3
4
5
6
2
1

6

Keterangan :
Run the tutorial merupakan pilihan apabila akan menjalankan tutorial SPSS..
Memiliki tampilan seperti yang ada di bawah ini :

Ada 14 macam tutorial yang disajikan dalam SPSS 17.0 dan apabila ingin
memilih salah satu di anataranya, arahkan kursor dan klik bagian tutorial yang
ingin dituju. Selanjutnya untuk menjalankan tutorial dengan meng-klik tanda
yang terletak di bawah kanan tutorial.
Type in data. Apabila akan memasukkan data baru dengan pilihan perintah Type
in data, maka secara otomatis SPSS akan memunculkan pada data view dan
variabel view.
Run an existing query. Pilihan ini memuat menu Open atau membuka file
dengan tipe file *.spq.
Create new query using Database Wizard merupakan pilihan untuk
mengekstrak data non-SPSS. Biasanya default SPSS adalah data source Dbase
Files, Excel Files, MS Access Database, dan Visio Database Simples. Untuk
Gambar 2.4 Submenu Run the tutorial

7

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

Open an existing data source merupakan pilihan apabila akan membuka file
yang baru dibuka atau dengan tipe file *.sav

Gambar 2.5 Tampilan Database Wizard
Gambar 2.6 Tampilan SPSS 17.0

8

Open another type or file merupakan pilihan untuk membuka file dengan tipe
file selain *.sav.
5) Setelah memilih salah satu dari cara membuka file maka klik OK.
DATA EDITOR
Ada 2 macam data editor di dalam SPSS yaitu :
1. Data view
Data view adalah tempat di mana data statistik yang akan diolah (sudah dalam bentuk angka
skala). Data view memiliki tampilan seperti di bawah ini :

Gambar 2.7 Tampilan Data View
B
C
D
E
A

9

Keterangan :
a) Title bar merupakan nama dari judul SPSS yang sedang dibuka. Pada umumnya, nama
yang diberikan oleh SPSS pada saat membuka pertama kali yaitu Untitled1[DataSet0]-
SPSS Statistics Data Editor.
b) Menu berisi perintah mengenai menu di mana di dalamnya terdapat Submenu yang
digunakan untuk memproses data yang akan diolah.
o File, pada menu utama File memuat 20 pilihan sub-menu.

Pada menu utama File memuat sub-submenu tentang file, di antaranya membuat file
baru (New), membuka (Open), menutup (Close), dan menyimpan file (Save-Save
As).
o Edit merupakan submenu untuk melakukan pengeditan data yang telah
dimasukkan pada SPSS Data Editor. Beberapa kegunaan dari submenu dari menu
utama Edit adalah melakukan undo atau mengembalikan action terakhir yang
dilakukan, sedangkan redo sebaliknya, cut clear untuk menghapus data, copy
Gambar 2.8 Tampilan menu File

10

paste untuk menggandakan dan duplikasi data, find untuk mencari data, dan copy
paste variable untuk mengganti variabel data.

o View, merupakan menu yang menampilkan submenu untuk menampilkan status
toolbar yang sedang aktif (Status Bar), toolbar dan font huruf yang digunakan.
Pilihan submenu dari menu utama View seperti berikut :

Gambar 2.9 Tampilan menu Edit
Gambar 2.10 Tampilan menu Edit

11

o Data, merupakan menu yang menampilkan submenu untuk melakukan perubahan-
perubahan terhadap data SPSS, seperti mendefinisikan nilai label data (define
variable properties), mendefinisikan waktu (define dates), mengurutkan data
(sort cases), dan memisah isi file dengan riteria tertentu (split file).

o Transform, merupakan pilihan menu utama yang melakukan operasi transformasi
data, seperti menghitung variabel data (compute variable), mengubah data (recode
into same variables- recode into different variables) ataupun me-ranking data
(rank cases).
Gambar 2.11 Tampilan menu Data

12

o Analyze, merupakan menu utama yang menjadi pusat pengolahan data SPSS,
menampilkan 21 submenu.

Gambar 2.12 Tampilan menu Transform
Gambar 2.13 Tampilan menu analyze

13

o Graphs, dikelompokkan hanya menjadi 4 submenu, yang menampilkan berbagai
bentuk grafik dan chart.

o Utilities, menu utama yang merupakan pelengkap pada pengoperasian SPSS ini
menyajikan 9 submenu. Beberapa kegunaansubmenu dari menu utama Utilities
adalah menampilkan informasivariabel (variables), mendefinisikan, dan
menampilkan variabel data (define-use variabel sets).

Gambar 2.14 Tampilan menu Graphs
Gambar 2.15 Tampilan menu Utilities

14

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

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

o Help, menu yang memuat 9 submenu ini memberikan bantuan informasi tentang
topik-topik SPSS (topics) ataupun dalam bentuk tutorial (tutorial).
Gambar 2.16 Tampilan menu Add-ons
Gambar 2.17 Tampilam menu Window

15

c) Toolbar berisi icons yang membantu dan mempermudah mengelola data dengan cepat.
Berikut beberapa icons yang terdapat pada toolbar :
merupakan icon untuk membuka file.
merupakan icon untuk menyimpan file.
merupakan icon untuk mencetak data.
icon untuk mengembalikan action terakhir.
icon untuk mengulang action yang baru saja dilakukan.
d) Baris Nama Variabel merupakan tempat yang menunjukkan nama dari suatu variabel.
Untuk pertama kali baris nama variabel diberi nama Var. Untuk mengganti nama
variabel dapat melalui variabel view dan mengganti dengan cara double klik kotak
variabel tersebut.
e) Baris data
Merupakan barisan yang berisi data-data dalam jumlah banyak yang merupakan data
daripada varibel tersebut.
Gambar 2.18 Tampilan menu Help

16

2. Variabel view
Variabel view merupakan bagian yang digunakan untuk mendefinisikan variabel data
yang akan dimasukkan. Untuk mengaktifkan kotak Variabel View lakukan dengan klik Variabel
View (bagian yang diberi kotak). Variabel view memiliki gambar seperti di bawah ini :

Di dalam Variabel View di atas memiliki keterangan sebagai berikut:
Name : berisi nama variabel. Misal dengan memberikan nama variabel data pertama,
maka klik kolom Name pada baris pertama, misalnya Jenis Kelamin.
Type : merupakan tipe data, berbagai macam type yang ada memiliki fungsi yang
berbeda yaitu :
a. numeric untuk data angka dengan lebar 8 digit dan 2 angka desimal di belakang
koma
b. string untuk data teks, biasanya data berupa nama. Contoh : nama perusahaan.
1
2
3 4 5 6
7
8
9
10
Gambar 2.19 Tampilan Variabel

17

c. Date adalah data yang dimasukkan berupa tanggal dst.

Width : diisikan sejumlah karakter (lebar kolom) yang akan diinput dalam Data View.
Untuk tipe data numerik, lebar maksimal 40 digit, sedangkan tipe data string lebar
maksimal 32767digit. Apabila menginginkan menambah lebar ditambah, klik tanda
panah ke atas, sebaliknya untuk mengurangi digit lebar, klik panah ke bawah.
Decimal : diisi jumlah desimal karakter maksimal yang akan diinput dalam Data View.
SPSS memberikan default 2 angka desimal di belakang koma. Jika jumlah desimal ingin
ditambah, klik tanda panah ke atas dan sebaliknya untuk mengurangi digit lebar, klik
panah ke bawah.
Label : kolom yang menunjukkan tambahan informasi dengan memberikan label
variabel data.
Value : untuk memberi kodefikasi, misalnya Motor=1, Mobil=2, 3=Jalan kaki.

Gambar 2.20 Tampilan
Type
Gambar 2.21 Tampilan
Value

18

Missing : untuk merupakan kolom yang menunjukkan data yang hilang) Namun, jika
data lengkap (tidak ada data yang hilang) maka kolom ini dapat diabaikan.

Columns : Memiliki fungsi mengubah jumlah karakter yang dapat dimasukkan pada
suatu variabel tertentu. Bila kita mengisi coloumns dengan angka 2, maka hanya dua
digit data saja yang dapat dimasukkan pada variabel tersebut.
Align : untuk pengaturan tampilan perataan kata dalam Data View, seperti left, centre,
right.

Measure : merupakan tipe variabel yang akan menentukan jenis analisis yang akan
digunakan. Maka secara default akan terpilih Nominal atau ordinal , jika variabel bertipe
Gambar 2.22 Tampilan Missing
Gambar 2.23 Tampilan Submenu Align

19

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

MEMINDAHKAN DATA
Di bawah ini adalah Tabel 1.1 yang merupakan contoh data yang akan diolah ke dalam SPSS
di mana jumlah data ada 84 buah dengan variabel DER(Hutang), NPM(Net Profit Margin), STKTR
AKTV(Struktur Aktiva), GROWTH(pertumbuhan), CR (Current Rasio) :
Tabel 2.1
Data Penelitian SPSS
NAMA OBS DER NPM
STKTR
AKTV GROWTH CR
AALI 1 0,19 23,45 0,41 -0,06 1,68
ANTM 2 1,11 26,37 0,6 0,06 2,68
ASII 3 1,81 9,3 0,19 0,56 0,74
INCO 4 0,29 30,25 0,72 0,15 3,65
INDF 5 2,33 1,34 0,41 -0,06 1,47
INKP 6 1,57 10,41 0,68 0,03 3,09
ISAT 7 1,28 14,25 0,66 0,18 1,39
PTBA 8 0,38 16,27 0,16 0,19 4,51
Gambar 2.24 Tampilan Measure

20

SMCB 9 2,98 7,67 0,83 -0,03 1,68
TLKM 10 1,4 10,36 0,74 0,1 0,76
UNTR 11 1,58 8,32 0,41 0,57 1,55
BLTA 12 2,94 25,41 0,66 0,81 1,46
PGAS 13 1,83 16,72 0,57 0,14 3,59
UNSP 14 1,54 13,5 0,22 0,11 2,09
AALI 15 0,24 20,95 0,44 0,1 0,87
ANTM 16 0,7 27,58 0,46 0,14 0,46
ASII 17 1,41 6,69 0,22 -0,05 0,78
INCO 18 0,26 38,38 0,57 0,18 4,6
INDF 19 2,13 3,01 0,4 0,09 1
INKP 20 0,02 28,44 0,25 -0,99 1,51
ISAT 21 1,24 11,52 0,73 0,04 0,83
PTBA 22 0,35 13,74 0,13 0,09 5,44
SMCB 23 2,37 5,88 0,84 -0,04 1,23
TLKM 24 1,39 21,46 0,74 0,21 0,68
UNTR 25 1,44 6,78 0,46 0,06 1,34
BLTA 26 1,62 39,21 0,72 0,04 1,53
PGAS 27 1,61 28,54 0,86 0,2 1,45
UNSP 28 1,78 14,64 0,19 0,43 3,55
AALI 29 0,28 33,11 0,33 0,53 1,6
ANTM 30 0,37 42,74 0,25 0,65 0,67
ASII 31 1,17 9,29 0,22 0,1 0,91
INCO 32 0,36 50,43 0,66 -0,07 2
INDF 33 2,62 3,52 0,27 0,83 0,92
INKP 34 0,02 25,81 0,36 0,05 8,44
ISAT 35 1,72 12,38 0,67 0,32 0,93
PTBA 36 0,4 18,43 0,09 0,26 4,43
SMCB 37 2,19 4,51 0,79 0,02 1,33
TLKM 38 1,16 21,63 0,75 0,09 0,77
UNTR 39 1,26 8,22 0,43 0,16 1,34
BLTA 40 2,2 20,84 0,76 1 0,7
PGAS 41 2,11 17,87 0,81 0,35 1,17
UNSP 42 0,81 10,6 0,17 1 3,17
AALI 43 0,23 32,24 0,31 0,22 1,94
ANTM 44 0,26 14,26 0,28 -0,15 0,57
ASII 45 1,21 9,47 0,01 0,27 1,32
INCO 46 0,21 27,38 0,73 0,14 4,89
INDF 47 3,11 2,67 0,24 0,34 0,9
INKP 48 0 21,88 0,41 0,01 3,96

21

ISAT 49 1,95 10,07 0,74 0,14 0,9
PTBA 50 0,51 23,67 0,06 0,55 3,66
SMCB 51 2,02 5,88 0,73 0,06 1,68
TLKM 52 1,38 17,5 0,78 0,11 0,54
UNTR 53 1,05 9,54 0,42 0,76 1,64
BLTA 54 3,24 22,24 0,83 0,21 0,71
PGAS 55 2,47 4,95 0,69 0,26 2,18
UNSP 56 0,9 5,92 0,16 0,09 1,49
AALI 57 0,18 22,37 0,32 0,16 1,83
ANTM 58 0,21 6,94 0,29 -0,03 0,55
ASII 59 1 10,19 0,25 0,1 1,37
INCO 60 0,29 22,4 0,68 -0,05 7,24
INDF 61 2,45 5,59 0,27 0,02 1,16
INKP 62 0,01 -33,67 0,4 -0,01 8,86
ISAT 63 2,05 8,15 0,81 0,06 0,55
PTBA 64 0,4 30,48 0,05 0,32 4,91
SMCB 65 1,19 15,07 0,75 -0,05 1,27
TLKM 66 1,22 17,54 0,78 0,07 0,61
UNTR 67 0,76 13,06 0,48 0,07 1,66
BLTA 68 3,04 -46,23 0,78 -0,06 0,76
PGAS 69 1,35 34,56 0,6 0,12 2,48
UNSP 70 0,9 10,87 0,14 0,08 1,01
AALI 71 0,23 21,47 0,32 0,12 1,32
ANTM 72 0,2 16,59 0,26 0,06 0,57
ASII 73 1,07 10,9 0,22 0,21 1,26
INCO 74 0,44 34,68 0,63 0,05 6,84
INDF 75 2,2 7,94 0,27 0,06 0,12
INKP 76 0,01 -6,05 0,4 -0,01 1,03
ISAT 77 2,16 3,58 0,77 0,02 0,79
PTBA 78 0,37 23,55 0,05 0,02 5,97
SMCB 79 0,86 14,45 0,73 0,01 1,49
TLKM 80 1,09 17,14 0,76 0,03 0,79
UNTR 81 0,77 10,64 0,47 0,14 1,59
BLTA 82 2,65 7,43 0,79 0,02 1,1
PGAS 83 1,38 32,18 0,56 0,06 2,94
UNSP 84 0,92 12,94 0,2 1,97 1,38

Kemudian langkah yang dilakukan untuk memindahkan data ke dalam SPSS dengan :
Klik Start All Programs SPSS Inc SPSS Stasistic 17.0

22

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

MENGGANTI NAMA VARIABLE
Untuk mengganti nama variabel pada data view, dengan cara :
Membuka Variabel View

Gambar 2.25 Tampilan Data pada Data View
Gambar 2.26 Tampilan Variable View

23

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

MENYIMPAN FILE
Untuk menyimpan data dalam SPSS, hal yang perlu kita lakukan :
Pada file yang sedang di buka pada SPSS, klik menu File
Pilih Submenu Save As

Gambar 2.27 Mengganti nama
Gambar 2.28 Tampilan Save As

24

Maka akan mucul kotak seperti d bawah ini, dan pada kotak File name berisi nama
file yang akan kita simpan misalnya SPSS.REGRESI dan pada kotak Save as type
berisi SPSS Statistics (*sav)

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

Gambar 2.29 Tampilan Save Data As

25

BAB III
DATA SCREENING DAN TRANSFORMASI
Untuk melakukan uji statistik langkah awal yang harus dilakukan adalah dengan screening
terhadap data yang akan diolah. Salah satu asumsi penggunaan statistika parametik adalah asumsi
multivariate normality. Multivariate normality merupakan asumsi bahwa setiap variabel dan semua
kombinasi linear dari variabel distribusi normal. Asumsi multivariate normality ini dapat diuji
dengan melihat normalitas suatu variabel.
Screening terhadap normalitas data merupakan langkah awal yang harus dilakukan untuk
setiap multivariate. Dengan demikian, data yang berdistribusi normal akan menghasilkan model
regresi yang baik. Ada beberapa cara yang dapat digunakan dalam mendekteksi normalitas data,
namun pada modul ini akan menjelaskan mengenai uji statitik Kolmogorov-Smirnov.
Langkah analisis :
Buka file SPSS.REGRESI.SAV
Dari menu utama SPSS, pilih menu Analyze, lalu pilih Non-parametic test,
kemudian pilih submenu 1-sample K-S.

Gambar 3.1 Tampilan 1-Sample K-S

26

Maka akan muncul tampilan seperti di bawah ini :

Pada layar One-Sample Kolmogorov-Smirnov Test, isi variabel DER, NPM,
NET_SLS, STR_AKT, GROW dan CURRENT RATIO pada kotak Test
Variable List.
Untuk Test Distribution klik pada bagian Normal.
Kemudian OK.
Maka akan menghasilkan output :
TABEL 3.1
HASIL ONE-SAMPLE KOLMOGOROV-SMIRNOV TEST
One-Sample Kolmogorov-Smirnov Test

DER NPM NET_SLS STR_AKT GROW
CURRENT
RATIO
N 84 84 84 84 84 84
Normal Parameters
a,,b
Mean 1.2190 15.3839 18041991.23 .4786 .1805 2.0456
Std. Deviation .87445 13.74536 2.300E7 .24758 .33427 1.83172
Most Extreme
Differences
Absolute .123 .130 .237 .144 .229 .269
Positive .123 .059 .237 .098 .229 .269
Negative -.082 -.130 -.217 -.144 -.203 -.182
Gambar 3.2 Tampilan One-Sample Kolmogorov-Smirnov

27

Untuk probabilitas berdasarkan tabel di atas bahwa untuk variabel DER 0.156 , NPM 0.118,
STR_AKT 0.063 memiliki nilai di atas = 0.05 yang artinya bahwa variabel-variabel tersebut
terdistribusi dengan normal sedangkan untuk variabel NET_SLS 0.000 , GROW 0.000 dan
CURRENT RASIO 0,000 berada di bawah batas = 0.05 yang demikian variabel tersebut tidak
terdistribusi secara normal.
Kemudian apabila data tidak terdistribusi secara normal maka data perlu ditransformasi agar
menjadi normal. Untuk menormalkan data sebelumnya harus mengetahui terlebih dahulu bagaimana
bentuk grafik histrogram dari data yang ada di mana bentuk dari grafik itu sendiri ada bermacam-
macam seperti moderate positive skewness, severe positive skewness. Berikut ini cara untuk melihat
grafik histogram yaitu :
Buka file SPSS.REGRESI.sav melalui perintah File Open Data.
Dari menu utama SPSS pilih menu Graph, lalu Legacy Dialogs kemudian pilih
Histogram.

Kolmogorov-Smirnov Z 1.129 1.190 2.176 1.316 2.100 2.464
Asymp. Sig. (2-tailed) .156 .118 .000 .063 .000 .000
a. Test distribution is Normal. b. Calculated from data.
Gambar 3.3 Tampilan Submenu Histogram

28

Kemudian akan muncul layar Histogram. Karena ada 3 variabel yang berdistribusi
secara tidak normal maka perlu melakukan 3 kali membuat grafik histogram. Setelah itu
pada kotak variabel diisikan dengan variabel NET_SALES. Seperti tampilan di bawah
ini :

Kemudian beri checklist pada kotak display normal curve
Klik OK. Maka akan menghasilkan output seperti di bawah ini :
GRAFIK 3.2
NET SALES

Gambar 3.4 Tampilan kotak Histogram

29

Lakukan hal yang sama pada variabel GROW dan CURRENT RASIO untuk sehingga
menghasilkan grafik histogram seperti yang ada di bawah ini :
GRAFIK 3.3
GROW

GRAFIK 3.4
CURRENT RASIO

30

Dengan melihat grafik Histogram seprti gambar di atas maka kita dapat melakukan
trasformasi data. Untuk mengetahui jenis transformasi yang akan dilakukan, maka kita harus
mengetahui termaksud jenis grafik histogram yang mana variabel-variabel tersebut. Berikut ini
bentuk transformasi yang dapat dilakukan sesuai dengan grafik Histogram :
1. Moderate Positive Skewness : SQRT(x) atau bentuk kuadrat.
2. Subtansial Positive Skewness : LG10(x) atau logaritma 10 atau LN
3. Severe Positive Skewness dengan bentuk L : 1/x atau inverse
4. Subtansial Negative Skewness : LG10(k-x)
5. Severe Negative Skewness dengan bentuk J : 1/(k-x)
Melihat bentuk Grafik yang terjadi pada Net_Sls dan Current rasio merupakan bentuk grafik
Moderate Positive Skewness sehingga untuk melakukan transformasi data dengan cara :
Buka file SPSS.REGRESI.sav
Pada menu utama SPSS, menu Transform submenu Compute

Gambar 3.5 Tampilan Compute Variable

31

Maka akan muncul layar Compute Variable, untuk kotak Function group pilih All
dan untuk kotak Functions dan Special variables pilih Sqrt kemudian klik tombol
maka pada kotak numeric Expression muncul Sqrt(x) untuk (x) akan diganti
dengan meng-klik variabel NET_SLS lalu tombol sehingga menjadi
SQRT(NET_SALES). Kemudian pada Target variable diberi nama lain misal
NET_SLS1. Perhatikan gambar di bawah ini :

Pilih OK
Lakukan juga untuk variabel CURRENT RASIO dan variabel GROW dengan menggunakan
langkah seperti di atas tetapi pada kotak Funtions and Special Variables menggunakan LG10. Dan
pada Target Variable diberi nama GROW1 dan CR1. Untuk hasilnya kita dapat membuka data
editor. Akan muncul tab variabel yang baru sesuai dengan variabel yang kita beri nama tersebut.
Setelah melakukan transformasi data maka data tersebut diharapkan dapat terdistribusi
secara normal. Untuk memastikannya perlu adanya pengecekan data agar data tersebut dapat
dinyatakan normal yaitu dengan menggunakan menu utama SPSS, analyze Analyze Non-

32

parametic test 1-sample K-S. masukkan semua variabel yang sudah kita transformasikan
kemudian klik OK. Maka kita dapat melihat bahwa data yang kita punya sudah normal dimana
probabilitas data itu lebih dari = 0.05. untuk lebih jelasnya kita dapat melihat hasil output di
bawah ini :
TABEL 3.5
ONE-SAMPLE KOLMOGOROV-SMIRNOV TEST
One-Sample Kolmogorov-Smirnov Test

net_sls1 GROW1 CR1
N 84 70 84
Normal Parameters
a,,b
Mean 3546.9244 -.8866 .1781
Std. Deviation 2350.98220 .49099 .33463
Most Extreme Differences Absolute .141 .052 .133
Positive .141 .052 .133
Negative -.083 -.051 -.068
Kolmogorov-Smirnov Z 1.293 .435 1.222
Asymp. Sig. (2-tailed) .071 .992 .101
a. Test distribution is Normal.
b. Calculated from data.

Dari hasil dapat disimpulkan bahwa untuk variabel net sales 0.71, grow 0.992, dan current
rasio 0.101 merupakan data yang berditribusi secara normal dengan nilai signifikan lebih dari 0.05.

33

BAB IV
KOLERASI
Uji kolerasi digunakan untuk menguji tentang ada tidaknya hubungan antar variabel satu
dengan variabel yang lainnya. Uji kolerasi belum dapat diketahui variabel penyebab dan variabel
akibat. Dalam analisis kolerasi yang diperhatiakan adalah arah (positif atau negative) dan besatnya
hubungna (kekuatan). Koefisien kolerasi mempunyai harga -1 atau +1 (bergerak dari nol hingga 1
maka semakin besar atau kuat hubungan variabel atau sempurna = 1). Sebaliknya semakin
mendekati 0 maka semakin lemah atau kecil hubungannya.
BIVARIATE COLLELATION
Sering juga disebut dengan Product Moment Person berguna untuk menguji kolerasi antar
dua variabel di dalam melakukan uji kolerasi perlu memperhatikan Test of Significant yaitu meliputi
Two-Tailed (uji dua sisi) digunakan dalam kondisi belum diketahui bentuk hubungan antar variabel
dan One-tailed (uji satu sisi) digunakan untuk menguji test of significant dari 2 variabel, tetapi telah
diketahui adanya arah kecenderungan hubungan negative atau positif di antara 2 variabel yang
berhubungan. Cara menganalisanya adalah
Pilih menu Analyze, pilih Correlate dan klik Bivariate

Gambar 4.1 Tampilan Analyze

34

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

Pilih Correlation Coefficient Pearson dan Test Of Significance dengan two tailed
karena belum ditentukan arah hubungan dari variabel DER dan NPM.

Gambar 4.2 Tampilan Bivariate Correlations
Gambar 4.3 Tampilan Bivariate Correlations Options

35

Klik menu Option, lalu Continue akhiri dengan OK. Maka akan menghasilkan Output
seperti di bawah ini :
TABEL 4.1
CORRELATIONS
Correlations

DER STR_AKT
DER Pearson Correlation 1 .412
**

Sig. (2-tailed)

.000
N 84 84
STR_AKT Pearson Correlation .412
**
1
Sig. (2-tailed) .000

N 84 84
**. Correlation is significant at the 0.01 level (2-tailed).

Terdapat hubungan antara DER dengan STR_AKT sebesar 0.412. sifat kolerasi positif
menunjukkan semakin tinggi hutang akan semakin tinggi juga struktuk aktiva. Nilai signifikasi
sebesar 0.000 berarti hubungan tersebut signifikan atau diterima pada probabilitas 5%.
PARTIAL CORRELATION
kolerasi parsial digunakan untuk menguji kolerasi dengan memperhitungkan efek dari variabel
lain atau dengan kata lain kolerasi partial mengukur kolerasi antar dua variabel dengan
mengeluarkan pengaruh dari satu atau lebih variabel lain yang sering disebut dengan variabel
control. Cara pengolahan data yaitu
Klik Analyze Correlate Partial.

36

Masukkan variabel NPM dan NET_SLS1 ke dalam kotak Variables. Masukkan variabel
CR1 ke Controlling for

Gambar 4. 4 Tampilan Analyze
Gambar 4.5 Tampilan Partial Correlation

37

Kemudian klik Options dan pilih zero-order correlations dan exclude cases listwise,
tekan continue lalu OK

Maka akan menghasilkan tabel seperti di bawah ini :
TABEL 4.2
CORRELATIONS

Correlations
Control Variables NPM NET_SLS1 CR1
-none-
a
NPM Correlation 1.000 -.047 .207
Significance (2-tailed) . .671 .059
Df 0 82 82
NET_SLS1 Correlation -.047 1.000 -.414
Significance (2-tailed) .671 . .000
Df 82 0 82
CR1 Correlation .207 -.414 1.000
Significance (2-tailed) .059 .000 .
Gambar 4.6 Tampilan Partial Correlation Options

38

Df 82 82 0
CR1 NPM Correlation 1.000 .043

Significance (2-tailed) . .697

Df 0 81

NET_SLS1 Correlation .043 1.000

Significance (2-tailed) .697 .

Df 81 0

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

Dari hasil koefisien antara NPM dan NET_SLS1 sebelum menghilangkan pengaruh variabel
CR1 adalah -0.047 dan signifikan pada alpha 0.05. dan setelah menghilangkan pengaruh variabel
CR1 adalah 0.043 dan signifikan pada alpha 0.05.

39

BAB V
REGRESI
Regresi digunakan untuk mengukur kekuatan hubungan antara dua variabel atau lebih, juga
menunjukkan arah hubungan antara variabel. Variabel adalah simbol yang melekat pada bilangan
atau angka. Dalam proses aplikasi SPSS, maka data-data selalu dikelompokkan ke dalam kelompok
variabel-variabel yang sangat menentukan dalam proses penarikan kesimpulan hasil uji statistik.
Ada 2 jenis variabel di dalam SPSS yaitu :
1. Variabel bebas (independen variabel) yaitu suatu variabel yang menerangkan
(mempengaruhi) terhadap variabel lainnya. Variabel ini dalam notasinya seringkali diberi notasi X
(X1,X2,X3,dst)
2. Variabel terikat (dependent variabel) yakni suatu variabel yang dipengaruhi (diterangkan)
oleh variabel lain. Variabel ini dalam notasinya sering ditulis dengan Y.
Kemudian Regresi Linear ada 2 macam yaitu
Regresi Linear Sederhana
Regresi sederhana, bertujuan untuk mempelajari hubungan antara dua variabel. Regresi
Linear digunakan apabila variabel dependent dipengaruhi hanya satu variabel independen.
Bentuk Umum Regresi Linear Sederhana :
Y = a + bX
Keterangan :
Y : peubah tak bebas
X : peubah bebas
a : konstanta
b : kemiringan
Regresi Linear Berganda
Analisis regresi ganda merupakan pengembangan dari analisis regresi sederhana.
Kegunaannya yaitu untuk meramalkan nilai variabel terikat (Y) apabila variabel bebasnya (X) dua
atau lebih.
Analisis regresi ganda adalah alat untuk meramalkan nilai pengaruh dua variabel bebas atau
lebih terhadap satu variabel terikat (untuk membuktikan ada tidaknya hubungan fungsional atau
hubungan kausal antara dua atau lebih variabel bebas X
1
, X
2
, ., X
i
terhadap suatu variabel terikat
Y.

40

Bentuk Umum Regresi Linier Berganda :
Y = a + b
1
X
1
+ b
2
X
2
+ ...+ b
n
X
n
Keterangan :
Y : peubah takbebas
a : konstanta
X
1
: peubah bebas ke-1
b
1
: kemiringan ke-1
X
2
: peubah bebas ke-2
b
2
: kemiringan ke-2
X
n
: peubah bebas ke-n
b
n
: kemiringan ke-n
Sebagai contoh dalam regresi linear dengan menguji pengaruh net profit margin (NPM),
struktur aktiva (STR_AKT), net sales (NET_SLS1), pertumbuhan perusahaan (GROW1), dan
current rasio (CR1) terhadap hutang perusahaaan (Y). Proses pengelohan data :
Buka file SPSS.REGRESI.sav.
Klik Analyze pilih Regression klik Linear.

Gambar 5.1 Tampilan Analyze

41

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

Klik variabel DER dan masukkan ke kotak dependen, dan klik variabel NPM,
STR_AKT, GROW1, NET_SLS1, dan CR1 ke dalam kotak independen.
Abaikan semua pilihan dan pilih OK.

KOEFISIEN DETERMINASI
Koefisien determasi (R
2
) pada intinya mengukur seberapa jauh kemampuan model dalam
variasi variabel dependen. Bila nilai R
2
kecil berarti kemampuan variabel-variabel independen
dalam menjelaskan variasi variabel sangat terbatas. Kelemahan mendasar penggunaan koefisien
determasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model.
Setiap tambahan satu variabel independen, maka nilai R
2
akan meningkat tidak peduli apakah
variabel tersebut berpengaruh secarasignifikan terhadapo variabel dependen.
TABEL 5.1
MODEL SUMMARY
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .716
a
.512 .474 .58837
a. Predictors: (Constant), CR1, GROW1, NPM, STR_AKT, NET_SLS1
Gambar 5.2 Tampilan Linear Regression

42

Dari tampilan output SPSS di atas besar dari Adjusted R
2
adalah 0.474 atau hanya sebesar
47,7% DER dapat dijelaskan oleh keempat variabel independen CR1, GROW1, NPM, STR_AKT,
NET_SLS1 dan sisanya dijelaskan oleh variabel lainnya. SEE (Standart Error of estimate) sebesar
0.58837. semakin kecil nilai SEE akan membuat model regresi semakin tepat dalam memprediksi
variabel dependen.
UJI STATISTIK F
Pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang
dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen
atau terikat.
TABEL 5.2
ANOVA
ANOVA
b

Model Sum of Squares df Mean Square F Sig.
1 Regression 23.258 5 4.652 13.437 .000
a

Residual 22.155 64 .346

Total 45.413 69

b. Dependent Variable: DER

Dari uji ANOVA atau F test didapatkan nilai F hitung sebesar 13.437 dengan probabilitas
0.000. karena probabilitas jauh lebih kecil dari = 0.05 maka model regresi dapat digunakan untuk
memprediksi nilai DER atau yang artinya variabel CR1, GROW1, NPM, STR_AKT, NET_SLS1
secara bersama-sama mampu menerangkan variabel DER.
UJI STATISTIK T
Uji ini untuk menunjukkan seberapa jauh pengaruh satu variabel penjelas atau independen
secara individual dalam menerangkan variasi variabel dependen. Untuk menginterprestasikan
koefisien variabel bebas (independen) dapat menggunakan unstandardized coefficients maupun
standardized coefficients yaitu dengan melihat nilai signifikasi masing-masing variabel independen
dari tabel di bawah ini bahwa nilai NET_SLS1 0.480 dan CR1 0.61 memiliki niali jauh di atas 0.05
sedangkan NPM 0.000 , STR_AKT 0.000 , dan GROW1 0.013 memiliki nilai yang signifikan pada
0.05

43

TABEL 5.3
COEFFICIENTS

Coefficients
a

Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) 1.803 .281

6.420 .000
NPM -.041 .008 -.501 -5.177 .000
STR_AKT 1.434 .315 .446 4.557 .000
NET_SLS1 -2.395E-5 .000 -.070 -.710 .480
GROW1 .393 .154 .238 2.548 .013
CR1 -.498 .261 -.204 -1.906 .061
a. Dependent Variable: DER

44

BAB VI
UJI ASUMSI KLASIK

UJI MULTIKOLONIERITAS
Uji Multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya
kolerasi antar variabel bebas. Model regresi yang baik sebagiknya tidak terjadi kolerasi di antara
variabel terikat. Untuk mendektesi adanya atau tidaknya multikolonieritas dalam model regresi
dapat dengan cara :
Nilai R
2
yang dihasilkan oleh oleh suatu estimasi model empiris sangat tinggi, tetapi
biasanya variabel-variabel independen banyak yang tidak signifikan terhadap variabel
dependentnya.
Dengan melihat batas tolerance yang memiliki nilaki kurang dari 0.10 yang berarti tidak ada
kolerasi antar variabel independen. Kemudian dari nilai VIF (Variance Inflation Factor) juga
menunjukkan hal yang sama yaitu tidak adanya penyakit multikolonieritas dengan nilai dari
VIF lebih dari 10.
Selain itu dari Ouput SPSS juga bisa dilihat nilai CI (Condition Index). Jika nilai CI > 30
maka dalam model terdapat penyimpangan Asumsi Klasik Multicolinierity.
Langkah untuk menganalisis penyakit multikolonieritas yaitu :
1. Buka file SPSS.REGRESI.sav
2. Pilih menu Analyze, submenu Regresi lalu pilih Linear Regression.

Gambar 6.1 Tampilan menu Analyze

45

3. Maka akan muncul layar windows Linear Regression.

Pada kotak Dependent isikan variabel DER dan pada kotak Independen isikan NPM,
NET_SLS1, STR_AKT, GROW1 dan CR1.
4. Untuk menampilkan matrik kolerasi dan nilai Tolernace serta VIF pilih Statistics
maka akan muncul layar tampilan windows Linear Regression Statistics. Akifkan
pilihan Covariance matrix dan Collinierity Diagnostics.

Gambar 6.2 Layar Linear Regression
Gambar 6.3 Tampilan Linear Regression Statistics

46

5. Tekan Continue, abaikan yang lain dan tekan OK
6. Maka akan muncul tampilan SPSS :
TABEL 6.1
COEFFICIENT CORRELATIONS

Coefficient Correlations
a

Model CR1 GROW1 NPM STR_AKT NET_SLS1
1 Correlations CR1 1.000 .127 -.314 .334 .395
GROW1 .127 1.000 -.182 .331 -.043
NPM -.314 -.182 1.000 -.220 .114
STR_AKT .334 .331 -.220 1.000 .089
NET_SLS1 .395 -.043 .114 .089 1.000
Covariances CR1 .068 .005 .000 .027 3.481E-6
GROW1 .005 .024 .000 .016 -2.212E-7
NPM .000 .000 6.240E-5 .000 3.040E-8
STR_AKT .027 .016 .000 .099 9.467E-7
NET_SLS1 3.481E-6 -2.212E-7 3.040E-8 9.467E-7 1.137E-9

Melihat besaran kolerasi antar variabel independen tampak bahwa variabel NET_SLS1
1.000 , variabel CR1 0.395 , NPM 0.114 memiliki kolerasi yang cukup tinggi , sedangkan
STR_AKT 0.089 dan GROW1 -0.043 atau sekitar 43%. Oleh karena itu kolerasi ini masih di bawah
95%, maka dapat dikatakan tidak terjadi multikolonieritas serius.
Kemudian dari hasil tabel 4.2 di bawah ini, nilai Tolerance untuk NET_SLS1 0.778 , NPM
0.815 , STR_AKT 0.797 , GROW1 0.874 , CR1 0.664 menunjukkan nilai kurang dari 0.10 yang
berarti tidak ada kolerasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan
nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, bahwa variabel NET_SLS1
1.286 , NPM 1.228 , STR_AKT 1.254 , GROW1 1.144, CR1 1.506 tidak ada satu variabel
independent yang memiliki nilai VIF lebih dari 10. Jadi tidak ada multikolonieritas antar variabel
independen dalam model regresi.

47

TABEL 6.2
COEFFICIENTS
Coefficients
a

Model
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1.803 .281

6.420 .000

NPM -.041 .008 -.501 -5.177 .000 .815 1.228
STR_AKT 1.434 .315 .446 4.557 .000 .797 1.254
NET_SLS1 -2.395E-5 .000 -.070 -.710 .480 .778 1.286
GROW1 .393 .154 .238 2.548 .013 .874 1.144
CR1 -.498 .261 -.204 -1.906 .061 .664 1.506
TABEL 6.3
DIAGNOSTIC COLLINEARITY

Nilai CI yang dihasilkan untuk masing-masing variabel independen adalah kurang dari 30
maka dapat disimpulkan bahwa variabel independen tidak terjangkit penyakit multikolonieritas.

Collinearity Diagnostics
a

Model
Dimen
sion
Eigenvalue
Condition Index
Variance Proportions
(Constant) NPM STR_AKT NET_SLS1 GROW1 CR1
1 1 4.426 1.000 .00 .01 .01 .01 .01 .01
2 .890 2.230 .00 .01 .01 .04 .00 .44
3 .272 4.031 .00 .00 .14 .43 .15 .06
4 .240 4.290 .00 .47 .02 .04 .26 .14
5 .122 6.021 .00 .30 .71 .02 .42 .25
6 .049 9.546 .99 .21 .11 .46 .15 .10

48

UJI AUTOKOLERASI
Uji autokolerasi bertujuan menguji apakah dalam model regresi linear ada kolerasi antara
kesalahan penggangguan pada perioade t dengan kesalahan pengganggu pada periode t-1
(sebelumnya). Jika adanya kolerasi maka adanya penyakit autokolerasi. Masalah ini disebabkan
karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya.
Apabila pada salah satu terdapat gangguan maka cenderung mempengaruhi gangguan untuk periode
berikutnya. Ada beberapa cara yang dapat digunakan untuk mendekteksi ada atau tidaknya
autokolerasi, pada modul ini akan menjelaskan dengan Uji Durbin Watson (DW test)
Digunakan untuk autokolerasi tingkat satu dan mensyaratkan adanya intercept (konstanta)
dalam model regresi. Hipotesis yang akan diuji adalah :
H0 : tidak adanya autokolerasi.
H1 : adanya autokolerasi.
Pengambilan keputusan autokolerasi :

Hipotesis nol Keputusan Jika
Tidak ada autokolerasi
positif
Tolak 0 < d < dl
positif
No desicion dl d du
negatif
Tolak 4-dl < d <4
negatif
No desicion 4-du d 4-dl
Tidak ada autokolerasi,
positif atau negatif
Diterima du < d < 4-dl

49

Langkah yang digunakan untuk mengetahui ada tidaknya autokolerasi :
2. Menu Analyze Regression Linear

Kemudian Pada kotak Dependent isikan variabel DER dan pada kotak Independen isikan
NPM, NET_SLS1, STR_AKT, GROW1 dan CR1.

Gambar 6.4 Tampilan menu Analyze
Gambar 6.5 Layar Linear Regression

50

3. Pilih Statistics maka akan muncul layar tampilan windows Linear Regression Statistics.
Kemudian cheklist bagian Residuals Durbin-Watson.

4. Pilih Continue kemudian OK.
5. akan muncul output :
TABEL 6.4
MODEL SUMMARY
Model Summary
b

Model R R Square
Adjusted R
Square
Std. Error of the
Estimate Durbin-Watson
1 .716
a
.512 .474 .58837 2.096
b. Dependent Variable: DER
Nilai DW sebesar 2.096, nilai ini akan kita bandingkan dengan nilai table dengan
menggunakan signifikasi 5%, jumlah sampel 84 (n) dan jumlah variabel independen 5 (k=5) maka di
table Durbin Waston akan didapatkan nilai du sebesar1.386 dan nilai dl = 1.630. Oleh karena nilai
DW lebih besar dari (du) 1.386 dan kurang dari 4-dl(4-1.630=3.370), maka dapat disimpulkan
bahwa H0 diterima yaitu tidak adanya atau tidak terdapat autokolerasi. (untuk angka du dan dl dapat
dilihat di tabel).
Statistics

51

UJI HETEROSKEDASTISITAS
Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance
dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan
ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut
Heteroskedastisitas. Model regresi yang baik adalaha Homoskedastisitas atau tidak
Heteroskedetisitas. Dalam modul ini, akan menerangkan menguji ada tidaknya Heteroskedastisitas
dengan Uji Park.
. Cara melakukan Uji Park dengan SPSS :
2. Meregresikan semua variable bebas (NPM, NET_SLS1, STR_AKT, GROW1 dan
CR1) terhadap variable terikat (DER)
3. Untuk mendapatkan variabel residual dengan cara pilih Save pada Layar Linear
Regression sehingga muncul kotak Linear Regression Save, checklist unstandardized
residual.

Gambar 6.7 Linear Regression Save

52

4. Pilih Continue lalu OK. Maka pada Variable Data akan muncul 1 Variabel baru dengan
nama Res_1 yang merupakan nilai residual.
5. Kuadratkan nilai residual (Res_1*Res_1) tersebut dengan cara menu Transform
Compute Variable kemudian beri nama Res_2 dan klik OK.

6. Kemudian Logaritmakan Res_2 dengan menu Transform dan Compute.


53

7. Regresikan LNRes_2 sebagai variabel dependen dan variabel NPM, NET_SLS1,
STR_AKT, GROW1 dan CR1.

Maka akan menghasilkan output sebagai berikut :
TABEL 6.5
COEFFICIENTS
Coefficients
a

Model
Standardized
Coefficients
t
Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -1.623 .997

-1.628 .109

NPM -.001 .028 -.007 -.050 .960 .815 1.228
STR_AKT .255 1.117 .031 .228 .820 .797 1.254
NET_SLS1 .000 .000 -.230 -1.662 .101 .778 1.286
GROW1 -.024 .548 -.006 -.045 .964 .874 1.144
CR1 -.586 .928 -.095 -.632 .530 .664 1.506
a. Dependent Variable: LNRes_2


54

HasiL output SPSS memberikan koefisien variabel independen tidak ada yang signifikan,
maka dapat disimpulkan bahwa model regresi tidak terdapat Heteroskedasititas.

55

Latihan :
Jelaskan perbedaan antara input data pada spss dengan input data copy-paste dari excel?
Apakah keuntungannya?
Dari data yang ada di bawah ini :
Tahun Y X1 X2 X3 X4
1960 27.80 397.50 42.20 50.70 78.30
1961 29.90 413.30 38.10 52.00 79.20
1962 29.80 439.20 40.30 54.00 79.20
1963 30.80 459.70 39.50 55.30 79.20
1964 31.20 492.90 37.30 54.70 77.40
1965 33.30 582.60 38.10 63.70 80.20
1966 35.60 560.30 39.30 69.80 80.40
1967 36.40 624.60 37.80 65.90 83.90
1968 36.70 666.40 38.40 64.50 85.50
1969 38.40 717.80 40.10 70.00 93.70
1970 40.40 768.20 38.60 73.20 106.10
1971 40.30 843.30 39.80 67.80 104.80
1972 41.80 911.60 39.70 79.10 114.00
1973 40.40 931.10 52.10 95.40 124.10
1974 40.70 1021.50 48.90 94.20 127.60
1975 40.10 1165.90 58.30 123.50 142.90
1976 42.70 1349.60 57.90 129.90 143.60
1977 44.10 1449.40 56.50 117.60 139.20
1978 46.70 1575.50 63.70 130.90 165.50
1979 50.60 1759.10 61.60 129.80 203.30
1980 50.10 1994.20 58.90 128.00 219.60

a) Bagaimana cara mengidentifikasi data di atas sudah terdistribusi dengan normal?
b) Bagaimana cara melakukan regresi data dan kolerasi data di atas?

56

Sumber :
Ghozali, Imam. 2006. Aplikasi Analisis Multivariate dengan Program SPSS . Semarang :
Badan Penerbit Universitas Diponegoro.
Juliandi, Azuar. 2007 . Pengolahan Data Penelitian Menggunakan Spss Korelasi Dan
Regresi. http://www.azuarjuliandi.com
Oswari, Teddy. SPSS for Psychology. http://staffsite.gunadarma.ac.id/toswari/.
Wijaya, Tony. 2009. Analisis data Penelitian Menggunakan SPSS. Yogyakarta : Penerbit
Universitas Atma Jaya.

Modul Spss 17

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modul Spss 17

Uploaded by

Copyright:

Available Formats

Dilarang menggandakan seijin tim penyusun

You might also like