MATERI LANJUTAN PENGOLAHAN DATA DENGAN SPSS

UJI ASUMSI KLASIK

1. Uji Normalitas
Pengujian normalitas adalah pengujian tentang kenormalan distribusi data. Uji ini
merupakan pengujian yang paling banyak dilakukan untuk analisis statistik parametrik.
Penggunaan uji normalitas karena pada analisis statistik parametrik, asumsi yang harus
dimiliki oleh data adalah bahwa data tersebut terdistribusi secara normal. Maksud data
terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal.
Distribusi normal data dengan bentuk distribusi normal dimana data memusat pada nilai
rata-rata dan median. Contoh:
Berikut adalah data penjualan laptop, biaya iklan media dan biaya bonus salesman.
Dengan mengunakan data tersebut, ujilah apakah data terdistribusi secara normal.
Pengujian ini dilakukan karena kita akan membuat analisis regresi. Hasil penjualan laptop
(ribu unit) tersebut ditunjukkan pada Tabel berikut:

Penjualan Biaya Biaya

Laptop Iklan Bonus
1680 7400000 2900000
1530 7400000 2100000
2040 8900000 2400000
2440 10200000 2700000
2110 10400000 2300000
2140 10800000 2400000
1840 10700000 2100000
2500 11900000 2900000
2350 12700000 2800000
2290 12700000 2800000
1830 12400000 2600000
2500 13900000 2900000
2350 14000000 2800000
2170 14200000 2600000
2470 14900000 2900000
2670 15600000 3100000

langkah-langkah yang harus dilakukan adalah;

1. Masukkan data pada sheet SPSS. Ben nama untuk penjualan dengan jual, biaya iklan
dengan iklan, dan biaya bonus dengan bonus. Label untuk jual adalah penjualan
laptop, iklan adalah biaya iklan media dan bonus adalah biaya bonus karyawan (lihat
data penjualan laptop). Setelah langkah diatas maka tampilan SPSS sebagai berikut
pada tampilan Data View:

Kemudian Berikan nama pada masing-masing variabel tersebut sebagai berikut:

Sesuaikan decimal sesuai data yang digunakan pada penelitian Bapak Ibu.
Klik Analyze-Regression-Save (pilih yang unstandardized residual) untuk
memunculkan data residual:
Salah satu jenis uji normalitas yang dapat digunakan ialah One Sample Kolmogorov-
Smirnov-Test. Langkah-lang sabagai berikut:
1. Dari menu utama SPSS pilih menu Analyze lalu pilih Non-parametric Test
2. Kemudian pilih submenu I-Sample K-S
3. Pada kotak test variable list, isikan unstandardized residual dan aktifkan test
Distribution pada kotak normal.
maka tampilan di SPSS sebagai berikut:

Kemudian klik lagi 1 Sample K-S

 Kemudian akan muncul sebagai berikut:

Langkah selanjutnya klik OK maka akan muncul sebagai berikut:

One-Sample Kolmogorov-Smirnov Test

Unstandardi
zed
Residual
N 16
a,b
Normal Parameters Mean ,0000000
Std. 185,759639
Deviation 27
Most Extreme Absolute ,138
Differences Positive ,075
Negative -,138
Test Statistic ,138
Asymp. Sig. (2-tailed) ,200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

Besarnya signifikansi adalah 0,200 < 0,05. Hal ini berarti Ha diterima yang berarti data residual
terdistribusi normal.

2. Uji Multikolinearitas
Salah satu pengujian untuk analisis regresi adalah uji multikolinearitas. Uji ini
merupakan bentuk pengujian untuk asumsi dalam analisis regresi berganda. Asumsi
multikolinearitas menyatakan bahwa variabel independen harus terbebas dari gejala
multikolinearitas. Gejala multikolinearitas adalah gejala korelasi antarvariabel independen.
Gejala ini ditunjukkan dengan korelasi yang signifikan antarvariabel independen. Apabila
terjadi gejala multikolinearitas, salah satu langkah untuk memperbaiki model adalah
dengan menghilangkan variabel dari model regresi. sehingga bisa dipilih model yang paling
baik. Untuk memperoleh model yang terbaik ini kita bisa melakukan langkah pemilihan
variabel seperti dengan metode Stepwise, Forward, dan Backward.
Contoh:
Dengan menggunakan data penjualan laptop, ujilah apakah model regresi dengan
menggunakan variabel tersebut melanggar asumsi multikolinearitas.
Jawab:
Untuk menjawab pertanyaan tersebut, langkah-langkah yang harus dilakukan
adalah:
1. Buka file data penjualan laptop.
2. Dari menu Analyze, pilih Regression, kemudian klik Linear.
3. Masukkan variabel penjualan pada kolom Dependent, biaya iklan dan biaya bonus
pada kolom
Independent.
4. Untuk metode, pilih Enter.
5. Klik pilihan Statistics. Klik Estimates, Covariance Matrix, dan
Collinearity
Diagnostics. Klik tombol Continue.
6. Abaikan yang lainnya dan tekan OK
7. Tampilan output SPSS:

Coefficientsa
Standardiz
ed
Unstandardized Coefficient Collinearity
Coefficients s Statistics
Std. Toleran
Model B Error Beta t Sig. ce VIF
1 (Constant
275,293 453,060 ,608 ,554
)
Biaya
6,993E-5 ,000 ,538 2,747 ,017 ,648 1,544
Iklan
Biaya
,000 ,000 ,380 1,943 ,074 ,648 1,544
Bonus
a. Dependent Variable: Penjualan Laptop

Analisis:
Untuk melihat gejala multikolinearitas, kita dapat melihat dari hasil Collinearity
Statistics. Dari hasil output tersebut terlihat bahwa nilai VIF adalah 1,5<10. Kesimpulan
yang bisa diperoleh adalah bahwa pada model regresi tidak terjadi gejala multikolienaritas.
Selain dengan melihat nilai VIF, kita juga bisa menguji asumsi multikolinearitas dengan
melihat nilai korelasi antarvariabel independen.
3. Uji Heterokedastisitas
Salah satu asumsi dalam regresi berganda adalah uji Heterokedastitas. Asumsi
heterokedastisitas adalah asumsi dalam regresi di mana varians dari residual tidak
sama untuk satu pengamatan ke pengamatan yang lain. Dalam regresi, salah satu
asumsi yang harus dipenuhi adalah bahwa varians dan residual dari satu pengamatan
ke pengamatan yang lain tidak memiliki pola tertentu. Pola yang tidak sama ini
ditunjukkan dengan nilai yang tidak sama antar satu varians dari residual. Gejala varians
yang tidak sama ini disebut dengan gejala heterokedastisitas, sedangkan adanya gejala
varians residual yang sama dari satu pengamatan ke pengamatan yang lain disebut
dengan homokedastisitas. Salah satu uji untuk menguji heterkedastisitas ini adalah
dengan melihat penyebaran dari varians residual.
Contoh:
Dengan menggunakan data penjualan laptop tersebut, ujilah apakah persaman
regresi memenuhi asumsi heterokedastisitas.
Jawab:
Untuk-menjawab permasalahan tersebut, langkah-langkah yang harus dilakukan
adalah:
1. Buka kembali file data penjualan laptop.
2. Dari menu Analyze, pilih Regression, kemudian pilih Linear.
3. Masukkan variabel penjualan pada kolom Dependent, biaya iklan dan biaya bonus pada
kolom Independents.
4. Klik menu Plots. Isi dengan SRESID pada kolom Y dan ZPRED pada kolom X. Klik
Continue kemudian klik OK

Hasil output SPSS ialah sebagai berikut:

Analisis:
Dari hasil tersebut terlihat bahwa penyebaran residual adalah tidak teratur. Hal
tersebut dapat dilihat pada plot yang terpencar dan tidak membentuk pola tertentu. Dengan
hasil demikian, kesimpulan yang bisa diambil adalah bahwa tidak terjadi gejala
homokedastisitas atau persamaan regresi memenuhi asumsi heterokedastisitas.

4. Uji Autokorelasi
Uji Autokorelasi merupakan pengujian asumsi dalam regresi di mana variabel
dependen tidak berkorelasi dengan dirinya sendiri. Maksud korelasi dengan diri sendiri
adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu
sendiri, baik nilai periode sebelumnya atau nilai periode sesudahnya. Untuk mendeteksi
gejala autokorelasi kita menggunakan uji Durbin-Watson (DW). Uji ini menghasilkan nilai
DW hitung (d) dan nilai DW tabel (dL & du), Aturan pengujiannya adalah:
d<dL : Terjadi masalah autokorelasi yang positif yang perlu perbaikan.
dL<d<du : Ada masalah autokorelasi positif tetapi lemah, di mana perbaikan
akan lebih baik.
du<d< 4-du : Tidak ada masalah autokorelasi
4-du< d < 4-d L : Masalah autokorelasi lemah, di mana dengan perbaikan akan lebih
baik.
4-dL<d : Masalah autokorelasi serius

Contoh:
Dengan menggunakan data penjualan laptop tersebut, ujilah apakah terdapat gejala
autokoreiasi pada variabel penjualan laptop.
Jawab:
 Untuk menjawab permasalahan tersebut, langkah-langkah yang harus dilakukan
adalah:
1. Buka file penjualan laptop.
2. Dari menu Analyze, pilili Regression, dan klik pilihan Regression.
3. Klik pilihan Statistics dan kemudian klik Durbin-Watson.
4. Klik Continue dan klik tombol OK.
5. Hasil output uji autokorelasi adalah seperti berikut:

Model Summary

Adjusted R Std. Error of the Durbin-W

Model R R Square Square Estimate atson
a
1 ,819 ,671 .620 2.02295 1,361

a. Predictors: (Constant), Biaya Bonus Salesman, Biaya Iklan Medi;

b. Dependent Variable: Penjualan Laptop
Gambar output SPSS

Analisis:
Hasil analisis menunjukkan nilai Durbin-Watson sebesar 1,361. Untuk mengujinya
kita harus mencari nilai Durbin-Watson tabel pada tabel Durbin-Watson. Dengan jumlah
variabel independen 2 dan jumlah sampel 16, diperoleh nilai dL sebesar 0,86 dan du
sebesar 1,40. Dengan hasil tersebut kita lihat bahwa nilai d terletak diantara batas bawah dL
dan balas atas du. Dengan hasil tersebut bisa disimpulkan bahwa terjadi gejala autokorelasi
yang lemah di mana dengan perbaikan pada model akan lebih memperbaiki model.
Untuk memperbaiki masalah autokorelasi kita bisa melakukan langkah transformasi
data, baik dengan logaritma. In, inverse ataupun dengan mengalikan nilai dengan faktor
kali.
5. Uji Linearitas
Asumsi terakhir dari analisis regresi yang kita bahas adalah asumsi Linearitas.
Asumsi ini menyatakan bahwa untuk setiap persamaan regresi linear, hubungan antara
variabel independen dan dependen harus linear. Asumsi ini akan menentukan jenis
persamaan estimasi yang digunakan, apakah persamaan logaritma, persamaan kubik,
kuadratik atau inverse. Untuk melihat linearitas kita dapat melihat pada grafik hubungan
antara variabel dependen dan variabel independen.
Contoh:
Dari data penjualan laptop pada label 12.1, ujilah apakah ada hubungan yang
linear antara biaya iklan media dan biaya bonus salesman dengan penjualan laptop.
Jawab:
Untuk mencari hubungan linearitas antara variabel independen dan variabel
dependen kita bisa melihat dari grafik. Langkah-langkah untuk melihat hubungan linearitas
tersebut dirumuskan sebagai berikut:
1. Buka kembali fiie data penjualan laptop.
2. Dari menu Graph, klik Line.
3. Klik pilihan Multiple dan Values of individual case pada kolom Data in Chart Are.
Klik Define.
4. Masukkan variabel biaya bonus salesman dan biaya iklan media pada kolom Line
Represent. Klik pilihan Variables pada kolom Category Labels, masukkan variabel
penjualan laptop pada kolom Variable.
5. Klik pilihan Titles dan isi kolom Line l dengan Hubungan Biaya dan Penjualan. Klik
Continue.

Kemudian klik define:

6. Klik Hasil output SPSS adalah seperti berikut:

Hasil output SPSS

Analisis:
Dari tersebut terlihat bahwa biaya iklan media meningkat seiring dengan
peningkatan penjualan. Akan tetapi jika kita melihat pada biaya bonus karyawan, terlihat
bahwa biaya bonus karyawan cenderung stagnan pada beberapa level penjualan.
Dengan hasil tersebut kita bisa memperoleh kesimpulan bahwa terdapat hubungan
yang linear antara biaya iklan media dengan penjualan laptop. Akan tetapi dengan
melihat grafik biaya bonus, kesimpulan yang bisa diambil adalah bahwa tidak terdapat
hubungan linear antara biaya bonus dengan peniualan laptop. Dengan hasil tersebut. maka
analisis regresi yang dilakukan seharusnya hanya memasukkan faktor biaya iklan media
dalam memprediksi penjualan laptop