BAHAN AJAR
PRAKTIKUM SPSS 21.0
Oleh :
Amin Tohari, M.Si.
FAKULTAS EKONOMI
UNIVERVITAS NUSANTARA PGRI
KEDIRI
1 | P r a k t i k u m S P S S 2 1 . 0
KATA PENGANTAR
Syukur Alhamdulillah mari kita panjatkan kehadirat Allah SWT yang telah
memberikan limpahan rahmat sehingga penulis dapat menyelesaikan bahan ajar
praktikum SPSS 21.0 ini.
Bahan ajar praktikum SPSS 21.0 ini diselesaikan untuk memberikan panduan
belajar bagaimana mengaplikasikan alat analisis statistika dalam rangka
menghadapi seminar dan tugas akhir/skripsi. Bahan ajar ini memuat tentang analisis
data deskriptif, uji beda dan regresi linier dengan langkah-langkah yang mudah
untuk dipahami.
Kami menyadari bahwa bahan ajar praktikum SPSS 21.0 ini masih jauh dari
kesempurnaan. Untuk itu, kritik dan saran yang membangun sangat diharapkan
demi kesempurnaan bahan ajar ini. Dalam menyusun bahan ajar ini, penulis
memperoleh banyak bantuan dari berbagai pihak, baik secara langsung maupun
tidak langsung, untuk itu pada kesempatan ini penulis mengucapkan terima kasih
kepada semuah pihak yang telah membantu penyelesaian bahan ajar ini.
Semoga bahan ajar ini dapat bermanfaat bagi para pembaca dalam rangka
memberikan tambahan pengetahuan, dan wawasan mengenai salah satu software
dalam statistika yaitu SPSS 21.0.
Kediri, Februari 2015
2 | P r a k t i k u m S P S S 2 1 . 0
1.2. Konsep Dasar Penelitian ... 7
BAB 2 PENGENALAN SPSS ... 10
2.1. Membuka File Baru ... 10
2.2. SPSS Data Editor ... 11
BAB 3 ANALISIS DESKRIPTIF ... 18
BAB 4 UJI VALIDITAS DAN RELIABILITAS ... 21
4.1. Uji Validitas Instrumen ... 21
4.2. Uji Reliabilitas ... 27
BAB 5 UJI BEDA ... 29
5.1. Independent Sample t-test ... 29
5.2. Paired Sample t-test ... 32
BAB 6 ANALISIS REGRESI LINIER ... 36
6.1. Pengertian Regresi ... 36
6.2. Pemahaman Regresi ... 37
6.3. Asumsi Klasik Regresi Linier ... 37
6.4. Studi Kasus ... 39
3 | P r a k t i k u m S P S S 2 1 . 0
DAFTAR TABEL
Tabel 4.1. Tabulasi Data Variabel Motivasi ... 21
Tabel 5.1. Data Kinerja Karyawan Menurut Jenis Kelamin ... 29
Tabel 5.2. Data Harga Saham sebelum dan sesudah stock split ... 33
Tabel 6.1. Kriteria Pengambilan Keputusan ... 39
Tabel 6.2. Data Motivasi, Budaya Inovasi dan Kinerja Karyawan PT. X ... 40
4 | P r a k t i k u m S P S S 2 1 . 0
DAFTAR GAMBAR
Gambar 2.1. Memulai SPSS 21.0 ... 10
Gambar 2.2. Loading SPSS 21.0 ... 11
Gambar 2.3. Sheet Data Editor ... 11
Gambar 2.4. Sheet variable view ... 12
Gambar 2.5. Tampilan output ... 12
Gambar 2.6. Tipe Data ... 14
Gambar 2.7. Kotak dialog value labels ... 15
Gambar 2.8. Tampilan Data View ... 15
Gambar 2.9. Tampilan va riable view ... 16
Gambar 2.10. Menu untuk menyimpan file ... 16
Gambar 2.11. Pilihan directory untuk menyimpan file ... 17
Gambar 2.12. Cara Membuka File ... 17
Gambar 3.1. Analisis deskriptif ... 18
Gambar 3.2. Kotak dialog deskriptif ... 18
Gambar 3.3. Analisis Frekuensi ... 19
Gambar 3.4. Kotak dialog frekuensi ... 20
Gambar 4.1. Uji Validitas dengan bivariate correlations ... 22
Gambar 4.3. Syntax Uji Validitas dengan biva riate correlations... 24
Gambar 4.4. Uji validitas dengan corrected item total correlation ... 25
Gambar 4.5. Kotak dialog uji validitas dengan corrected item ... 25
Gambar 4.6. Kotak dialog Scale if item deleted ... 26
Gambar 4.7. Uji Reliabilitas ... 27
Gambar 4.5. Kotak dialog uji reliabilitas ... 27
5 | P r a k t i k u m S P S S 2 1 . 0
Gambar 5.2. Kotak dialog independent sample t-test ... 31
Gambar 5.4. Uji paired sample t-test ... 33
Gambar 5.5. Kotak dialog paired sample t-test ... 34
Gambar 6.1. Analisis regresi linier ... 41
Gambar 6.2. Kotak dialog variabel yang dimasukkan ... 42
Gambar 6.3. Kotak dialog uji multikolinieritas dan autokorelasi ... 42
Gambar 6.4. Kotak dialog uji heteroskedastisitas dan normalitas ... 43
Gambar 6.5. Menu transformasi variabel ... 58
Gambar 6.6. Kotak dialog compute variable ... 58
Gambar 6.7. Kotak dialog target variable ... 59
6 | P r a k t i k u m S P S S 2 1 . 0
BAB 1 PENDAHULUAN
Statistical package for the social sciences (SPSS) merupakan salah satu
software berbasis windows yang digunakan untuk menyelesaikan berbagai
permasalahan pengolahan data dalam statistika. SPSS merupakan softwa re
statistics yang sangat familiar, sehingga diharapkan penguasaan SPSS dapat
memberikan kemudahan dan ketepatan dalam mengolah data.
Banyak fenomena dalam bidang ekonomi, industri, pertanian, dan
bidang-bidang lain yang tidak terlepas dari kegiatan statistika, karena statistika sangat
berperan dalam pengambilan, pengolahan, penyajian data dan pengujian hipotesis
sehingga didapatkan kesimpulan sebagai informasi dan penentu kebijakan bagi
perusahaan atau organisasi tersebut. Pada proses pengolahan data banyak metode
dalam statistika yang dapat digunakan, tergantung pada tujuan dan jenis data yang
digunakan. Pemilihan metode atau alat analisis yang tidak tepat akan memberikan
kesimpulan yang tidak tepat juga, untuk itu dalam bab pendahuluan ini, terlebih
dahulu diperlukan pemahaman tentang pengelompokan data dan konsep dasar
penelitian.
1.1. Data Penelitian
Berdasarkan jenisnya, data dapat diklasifikasikan menjadi data kuantitatif
(metrik) dan data kualitatif (non metrik) dengan penjelasan sebagai berikut :
- Data kuantitatif (metrik) adalah data yang dapat dikuantifikasikan dan
dipaparkan dalam bentuk angka-angka. Misalnya adalah jumlah pembeli saat
hari raya idul adha, tinggi badan mahasiswa, umur anda, kecepatan kendaraan,
dan lain-lain
- Data kualitatif (non metrik) adalah data yang disajikan dalam bentuk kata-kata
yang mengandung makna atau merupakan kualitas. Contohnya seperti persepsi
konsumen terhadap botol air minum dalam kemasan, anggapan para ahli
terhadap inflasi 2014, merek mobil, jenis kelamin, dan lain-lain
Sedangkan menurut skala pengukurannya data dapat dibedakan menjadi data
7 | P r a k t i k u m S P S S 2 1 . 0
- Data nominal merupakan data dengan skala level paling rendah, umumnya
digunakan untuk data yang hanya bisa diklasifikasikan ke dalam beberapa
kategori dengan ciri utama tidak ada urutan dalam pengelompokannya dan
kategori yang dibuat saling lepas (mutually exlusive). Contoh : jenis kelamin,
agama, pekerjaan, dan lain-lain.
- Data ordinal merupakan skala data yang sudah memiliki urutan atau tingkatan
dari kategori yang dibuat, dimana masih belum dapat ditentukan jarak dari
urutan yang ada. Contoh : kategori “istimewa” lebih tinggi dari kategori “baik”.
- Data interval merupakan skala data yang selain memiliki urutan dari kategori
yang dibuat, juga memiliki jarak atau interval antar nilai yang tetap. Akan tetapi
jarak yang ada masih belum dapat dibandingkan. Contoh : suhu, IPK
mahasiswa, dan lain-lain.
- Data rasio merupakan level tertinggi dari skala data, selain memiliki sifat
nominal, ordinal dan interval, pada skala rasio jarak yang ada dapat
dibandingkan. Contoh : berat badan, pendapatan, usia, dan lain-lain.
1.2. Konsep Dasar Penelitian
Hal-hal yang harus diperhatikan dalam setiap penelitian dilihat dari sudut
pandang statistika adalah sebagai berikut :
1. Rumusan masalah, setelah mengetahui latar belakang maka akan muncul
hal-hal yang menjadi masalah dalam penelitian, dimana biasanya merupakan
kalimat tanya. Contoh :
- Apakah terdapat pengaruh yang signifikan PER dan ROI terhadap Harga Saham
- Apakah terdapat pengaruh yang signifikan motivasi dan budaya inovasi terhadap kinerja karyawan
- Apakah terdapat perbedaan yang signifikan antara Harga Saham sebelum dan Setelah pengumuman dividen
- Apakah terdapat perbedaan yang signifikan antara kinerja karyawan pria dan kinerja karyawan wanita
2. Tujuan penelitian merupaka hal-hal yang menjadi tujuan dari penelitian,
8 | P r a k t i k u m S P S S 2 1 . 0
- Untuk mengetahui pengaruh yang signifikan PER dan ROI terhadap Harga Saham
- Untuk mengetahui pengaruh yang signifikan motivasi dan budaya inovasi terhadap kinerja karyawan
- Untuk mengetahui adanya perbedaan yang signifikan antara Harga Saham sebelum dan Setelah pengumuman dividen
- Untuk mengetahui perbedaan yang signifikan antara kinerja karyawan pria dan kinerja karyawan wanita
3. Hipotesis merupakan jawaban sementara terhadap rumusan masalah penelitian.
Pada bab 2 terakhir biasanya ada hipotesis penelitian, ada juga hipotesis
statistik yang biasanya ada di bab 3 dalam sub bab analisis data dan dicirikan
oleh H0 dan Ha. Jenis hipotesis ada 3, yaitu :
o Hipotesis deskriptif merupakan dugaan tentang variabel mandiri, tidak
membandingkan atau menghubungkan (contoh : Diduga mesin produksi PT.
X memiliki kecepatan rata-rata 300 km/jam)
o Hipotesis komparatif merupakan dugaan nilai dalam satu variabel atau lebih
pada sampel yang berbeda.Contoh :
a. Diduga terdapat perbedaan yang signifikan antara Harga Saham
sebelum dan Setelah pengumuman dividen
b. Diduga terdapat perbedaan yang signifikan antara kinerja karyawan
pria dan kinerja karyawan wanita
o Hipotesis asosiatif merupakan dugaan tentang hubungan antara dua variabel
atau lebih. Misal hubungan sebab akibat (pengaruh) dengan contoh hipotesis
penelitian:
a. Diduga terdapat pengaruh yang signifikan PER dan ROI terhadap
Harga Saham
b. Diduga terdapat pengaruh yang signifikan motivasi dan budaya inovasi
terhadap kinerja karyawan
4. Analisis data merupakan metode statistik yang digunakan untuk mengolah data
yang bergantung pada tujuan dan hipotesis penelitian
- Jika hipotesisnya termasuk deskriptif maka analisis datanya adalah analisis
9 | P r a k t i k u m S P S S 2 1 . 0
- Jika hipotesisnya termasuk komparatif maka analisis datanya adalah uji
beda (bisa independent sample t-test atau paired sample t-test yang
bergantung pada permasalahannya)
- Jika hipotesisnya termasuk asosiatif (hubungan sebab akibat/pengaruh)
maka analisis datanya adalah regresi linier
5. Signifikan merupakan istilah yang dapat dipahami sebagai meyakinkan atau
berarti, dalam penelitian mengandung arti bahwa hipotesis yang telah terbukti
pada sampel dapat diberlakukan pada populasi.
6. Signifikansi, dalam penelitian sering disebut dengan α (alfa), secara statistik
sering disebut dengan kesalahan tipe I (menolak H0 padahal H0 benar). Dengan
kata lain dapat diartikan sebagai tingkat kesalahan yang ditentukan sebelum
melakukan penelitian
- Tingkat signifikansi 5%, artinya kita mengambil resiko salah dalam
mengambil keputusan untuk menolak hipotesis yang benar
sebanyak-banyaknya adalah 5% dan benar dalam mengambil keputusan sedikitnya
95% (tingkat kepercayaan).
- Tingkat signifikansi 5%, 1% atau 10% ditentukan sendiri oleh peneliti akan
tetapi semakin kecil tingkat signifikansi berarti semakin sedikit tingkat
kesalahan yang diambil. Pada penelitian-penelitian bidang sosial tingkat
signifikansi 5% sering digunakan
7. Probabilitas (p-value) merupakan peluang munculnya kejadian atau tingkat
kesalahan yang dihasilkan dari hasil penelitian. Pada output SPSS muncul
dengan sig., dalam software lain misalnya Minitab, Eiews dan AMOS muncul
dengan simbul p.
8. Degrees of freedom (df) merupakan derajat ketergantungan banyaknya
observasi (n) dan banyak variabel bebas. DF digunakan untuk menentukan nilai
10 | P r a k t i k u m S P S S 2 1 . 0
BAB 2
PENGENALAN SPSS
1.1. Membuka File Baru
Untuk membuat file baru dapat dilakukan dengan mengaktifkan SPSS 21.0
dengan cara sebagai berikut :
Klik Start All Program IBM SPSS Statistics IBM SPSS Statistics 21
Gambar 2.1. Memulai SPSS 21.0
11 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.2. Loading SPSS 21.0
1.2. SPSS Data Editor
a. Tampilan Spread Sheet
1. Sheet Data View
Sheet ini berfungsi untuk lembar input data atau menampilkan data base
hasil penelitian yang akan diolah atau dianalisis dengan program SPSS.
Pada data view ditampilkan kolom-kolom disertai nama-nama variable
yang disingkat dengan “var”.
12 | P r a k t i k u m S P S S 2 1 . 0
2. Sheet Variabel View
Sheet ini difungsikan untuk mengidentifikasi jenis data yang
diinputkan. Pada variable view ditampilkan nama variabel, tipe data,
lebar kolom, penggunaan desimal, label, macam data (nominal, skala,
ordinal), alignment
Gambar 2.4. Sheet variable view
b. Tampilan Output
Tampilan output merupakan tempat hasil proses analisis dari SPSS. Dalam
output akan ditampilkan hasil olahan berupa table atau gambar
13 | P r a k t i k u m S P S S 2 1 . 0 c. Mendefinisikan Varibel
1. Aturan pemberian nama variable
Biasanya dilambangkan saja (misalnya X1, X2, Y dst) atau ditulis semua kata dalam variable (misalnya berat_badan, ROA, CR, dll)
Karakter pertama harus huruf, karakter selanjutnya boleh angka, huruf, symbol dan tidak boleh menggunakan karakter tanda seru,
tanda tanya, koma, bintang dan spasi.
Tidak boleh diakhiri dengan tanda titik
Tidak boleh sama dengan variable lain
Tidak membedakan huruf besar dan kecil
Tidak boleh menggunakan kata-kata : ALL, AND, BY, EQ, NE, NOT, OR, TO dan AND.
2. Tipe data
Numeric : tipe data yang termasuk angka dengan tanda plus dan
minus di depan angka, serta indikator desimal
Comma : tipe data yang termasuk angka dengan tanda plus dan
minus di depan angka, indikator desimal serta pemisah ribuan
berupa koma.
Dot : sama saja dengan comma, akan tetapi pemisah ribuan berupa titik
Scientific Notation : tipe ini menggunakan lambang atau notasi
ilmiah seperti log, alfa dan lain sebagainya
Date : tipe ini menampilkan data dengan format tanggal dan waktu
Dollar : tipe ini menampilkan tanda $
Custom Currency : tipe ini digunakan untuk menampilkan format
mata uang seperti Rp.
String : tipe ini digunakan untuk menampilkan huruf dan karakter
14 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.6. Tipe Data
3. Label
Kolom label merupakan kolom yang berisi label dari nama variable
yang telah didefinisikan. Misal name “X1” pada kolom label di beri nama “laba bersih”, missal name “X2” pada kolom label di beri nama
“loyalitas pelanggan”. 4. Values
Values digunakan apabila data yang diperoleh merupakan tipe data
nominal, misalnya jenis kelamin (laki-laki dan perempuan), jenis
pekerjaan (Petani, Pedagang, PNS, Mahasiswa) serta tipe data ordinal
(rangking), misalnya rendah, sedang dan tinggi. Cara memasukkan
sebagai berikut :
- Ketik angka pada kotak Value
- Ketik karakter pada kotak Label
15 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.7. Kotak dialog value labels
d. Mengisi Data
Contoh :
Gambar 2.8. Tampilan Data View
Cara Mengisi :
Klik Variable view lalu ketik nama variable-variabel yang akan diolah
datanya. Untuk contoh di atas yaitu : nama, jenis kelamin, jabatan,
umur, masa kerja dan gaji
Pada kolom Type klik cell maka akan muncul gambar 5, diisi sesuai dengan nama variable yang akan dimasukkan
Pada kolom Label beri keterangan masing-masing variable
Kolom Values khususnya untuk variable jenis kelamin dan jabatan diisi dengan cara klik cell maka akan muncul gambar 6
16 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.9. Tampilan va riable view
e. Menyimpan File
1. Klik menu FILE
Gambar 2.10. Menu untuk menyimpan file
2. Pilih SAVE AS
17 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.11. Pilihan directory untuk menyimpan file
4. Misal beri nama DATA 1 untuk file data atau Output 1 untuk file
output
f. Membuka Data
Untuk membuka data/output yang sudah tersimpan langkahnya sebagai
berikut:
1. Klik menu FILE
2. Pilih OPEN
3. Pilih DATA/OUTPUT
Gambar 2.12. Cara Membuka File
Untuk membuka data/output yang telah tersimpan dapat juga langsung klik
18 | P r a k t i k u m S P S S 2 1 . 0
BAB 3
ANALISIS DESKRIPTIF
Statistik deskriptif lebih berhubungan dengan pengumpulan dan peringkasan
data, serta penyajian hasil ringkasan data yang berfungsi menggambarkan data yang
digunakan. Berikut adalah contoh analisis deskriptif dengan data yang ada pada
gambar 2.8 di atas.
Langkah analisis
a. Klik Analyze Descriptive statistics descriptive.
Gambar 3.1. Analisis deskriptif
Maka akan muncul kotak dialog sebagai berikut :
19 | P r a k t i k u m S P S S 2 1 . 0 Output Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Umur Karyawan 5 25,00 45,00 36,2000 8,40833
Masa Kerja 5 3,00 10,00 6,4000 3,04959
Gaji Karyawan 5 900000,00 2500000,00 1640000,0000 622896,46010
Valid N (listwise) 5
- N Menunjukkan banyaknya data
- Minimum Menunjukkan nilai minimal dari masing-masing variable yang
diuji
- Maximum Menunjukkan nilai maksimal dari masing-masing variable yang diuji
- Mean Menunjukkan nilai rata-rata hitung dari masing-masing variabel yang
diuji
-
Std. Deviation Menunjukkan ukuran penyimpangan masing-masing dataterhadap rata-ratanya, semakin besar std. deviasi berarti data semakin bervariasi
dan sebaliknya semakin kecil std. deviasi menunjukkan semakin homogen data
b. Klik Analyze Descriptive statistics Frequencies
Gambar 3.3. Analisis Frekuensi
20 | P r a k t i k u m S P S S 2 1 . 0
Gambar 3.4. Kotak dialog frekuensi
Kemudian klik OK
Output Frekuensi
Jenis Kalamin
Frequency Percent Valid Percent Cumulative Percent
Valid Laki-laki 3 60,0 60,0 60,0
Perempuan 2 40,0 40,0 100,0
Total 5 100,0 100,0
Jabatan Karyawan
Frequency Percent Valid Percent Cumulative Percent
Valid Direksi 2 40,0 40,0 40,0
- Percent menunjukkan prosentase (misal 60% adalah laki-laki dan 40% adalah perempuan)
- Valid percent menunjukkan prosentase untuk data yang terisi (=percent jika tidak ada missing data/data hilang)
21 | P r a k t i k u m S P S S 2 1 . 0
BAB 4
UJI VALIDITAS DAN RELIABILITAS
Uji validitas dan reliabilitas dilakukan untuk penelitian yang menggunakan
kuesioner dengan skala pengukuran interval dan merupakan jawaban dari
responden berupa persepsi. Sehingga jika data yang digunakan adalah data-data
skunder (misalnya data dari Bursa Efek, atau data dari laporan keuangan) tidak
perlu uji validitas dan reliabilitas.
4.1. Uji Validitas Instrumen
Validitas merupakan ketepatan alat ukur (instrumen) terhadap apa yang akan
diukur. Untuk memahaminya, misalnya alat ukur meteran tentunya digunakan
untuk mengukur panjang bukan digunakan untuk mengukur berat. Pengujian
validitas dilakukan dengan mengkorelasikan masing-masing item dengan total
skor. Terdapat 2 cara korelasi yang dilakukan dalam validitas yaitu korelasi
bivariate pearson dan corrected item-total correlation. Misalkan peneliti
mengumpulkan data kepada 30 responden dengan menyebarkan angket yang terdiri
dari 5 pertanyaan untuk variabel motivasi, dan diperoleh hasil sebagai berikut :
Tabel 4.1. Tabulasi Data Variabel Motivasi
22 | P r a k t i k u m S P S S 2 1 . 0 a. Bivariate Pearson
1. Pilih menu ANALYZE, pilih CORRELATE, pilih BIVARIATE
Gambar 4.1. Uji Validitas dengan bivariate correlations
2. Masukkan x1.1, x1.2, x1.3, x1.4, x1.5 dan x1 ke kotak VARIABLES,
Gambar 4.2. Kotak dialog bivariate correlations
23 | P r a k t i k u m S P S S 2 1 . 0
Hasil pada jendela output adalah sebagai berikut:
Correlations
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).
Pada hasil dengan bentuk seperti ini, sebenarnya ada beberapa hasil yang tidak
perlu. Bagian yang diperlukan hanya korelasi x1.1 dengan X1, x1.2 dengan X1,
x1.3 dengan X1, x1.4 dengan X1 dan x1.5 dengan X1. Untuk mendapatkan hasil
yang dimaksud lakukan langkah-langkah berikut:
1. Masuk ke window data, pilih menu ANALYZE, pilih CORRELATE, pilih
BIVARIATE
2. Klik PASTE, maka Anda akan mendapatkan window SYNTAX. Sisipkan kata
24 | P r a k t i k u m S P S S 2 1 . 0
Gambar 4.3. Syntax Uji Validitas dengan biva riate correlations
Pilih menu RUN, pilih CURRENT. Lihat perbedaan hasil outputnya.
Correlations
Motivasi
x1.1 Pearson Correlation ,603**
Sig. (2-tailed) ,000
N 30
x1.2 Pearson Correlation ,659**
Sig. (2-tailed) ,000
N 30
x1.3 Pearson Correlation ,758**
Sig. (2-tailed) ,000
N 30
x1.4 Pearson Correlation ,737**
Sig. (2-tailed) ,000
N 30
x1.5 Pearson Correlation ,681**
Sig. (2-tailed) ,000
N 30
**. Correlation is significant at the 0.01 level (2-tailed).
- Dari hasil analisis didapat nilai skor item dengan skor total. Nilai ini kemudian dibandingkan dengan dengan nilai r table, jika hasil korelasi
(pearson correlation) > r table dikatakan valid dan sebaliknya jika jika
hasil korelasi (pearson correlation) < r table dikatakan tidak valid - r table dicari pada tingkat signifikansi 5% dan n=30 didapatkan r table
25 | P r a k t i k u m S P S S 2 1 . 0
- Maka dapat disimpulkan bahwa semua item telah valid karena memiliki pearson correlation (r hitung) yang lebih besar dari r table
b. Corrected Item-Total Correlation
Konsep yang digunakan dalam uji ini tetap korelasi antar item dengan skor
total, akan tetapi skor totalnya terkoreksi dengan item yang diuji.
Langkah pengujian
1. Pilih menu ANALYZE, pilih SCALE, pilih RELIABILITY
ANALYSIS
Gambar 4.4. Uji validitas dengan corrected item total correlation
2. Masukkan x1.1, x1.2, x1.3, x1.4 dan x1.5 ke kotak ITEMS
26 | P r a k t i k u m S P S S 2 1 . 0
3. Klik STATISTICS, Pada descriptive for centang SCALE IF ITEM
DELETED
Gambar 4.6. Kotak dialog Scale if item deleted
4. Klik CONTINUE, OK
Hasil validitas dengan corrected item-total correlation dilihat pada kolom
corrected item-total correlation. Jika nilai corrected > r table maka valid dan
sebaliknya jika nilai corrected < r table maka tidak valid. Dapat dilihat bahwa
nilai corrected item-total correlation untuk semua item adalah lebih besar dari
27 | P r a k t i k u m S P S S 2 1 . 0 4.2. Uji Reliabilitas
Reliabilitas merupakan kekonsistenan alat ukur, artinya alat ukur (instrument)
digunakan berulang-ulang dapat dihandalkan. Pengertian lain dari reliabilitas
adalah internal consistency atau kekonsistenan dari persepsi responden pada
masing-masing item dalam satu variabel. Pengujian reliabilitas dilakukan dengan
melihat alpha Cronbach. Dengan menggunakan contoh yang sama pada uji
validitas di atas maka langkah-langkah pengujian reliabilitas adalah sebagai
berikut:
1. Pilih menu ANALYZE, pilih SCALE, pilih RELIABILITY ANALYSIS
Gambar 4.7. Uji Reliabilitas
2. Masukkan x1.1, x1.2, x1.3, x1.4 dan x1.5 ke kotak ITEMS
28 | P r a k t i k u m S P S S 2 1 . 0
3. Klik OK
Reliability Statistics
Cronbach's Alpha N of Items
,720 5
Kriteria yang digunakan adalah :
- Menurut Singgih Santoso dikatakan reliable jika nilai cronbach’s alpha lebih
besar r table
- Menurut Nunally dalam Imam Ghozali dikatakan reliable jika nilai cronbach’s alpha lebih besar dari 0,6. (sering digunakan dalam penelitian-penelitian)
Tabel di atas menunjukkan bahwa besarnya koefisien alpha cronbach pada variabel
motivasi lebih besar dari 0.6, dengan demikian kuisioner mengenai variabel
29 | P r a k t i k u m S P S S 2 1 . 0
BAB 5
UJI BEDA RATA-RATA
Uji beda dilakukan jika suatu penelitian memiliki tujuan membandingkan
antar kelompok sampel, ada banyak macam uji beda bergantung pada
permasalahannya, akan tetapi dalam kasus Ekonomi yang sering digunakan adalah
INDEPENDENT SAMPLE t-TEST (Uji beda yang saling lepas/bebas) dan PAIRED SAMPLE t-TEST (Uji beda yang saling berhubungan).
5.1. Independent Sample t-test
Uji beda yang saling lepas/bebas ini merupakan pengujian dengan objek yang
memiliki perlakuan atau pengukuran yang sama dari dua subyek yang berbeda.
Penelitian yang dapat diuji independent sample t-test misalnya penelitian yang
memiliki tujuan untuk mengetahui perbedaan Harga Saham dari kelompok
perusahaan dengan auditor big five dan perusahaan dengan auditor non big five,
untuk mengetahui perbedaan Kinerja karyawan laki-laki dan karyawan perempuan.
Bagaimana langkah-langkah uji beda dalam SPSS? berikut ini contoh kasus
dalam bidang manajemen : Seorang peneliti ingin mengetahui perbedaan antara
Kinerja Karyawan dari kelompok karyawan laki-laki dan perempuan. Misal data
diperoleh sebagai berikut :
Tabel 5.1. Data Kinerja Karyawan Menurut Jenis Kelamin
30 | P r a k t i k u m S P S S 2 1 . 0
Gambar 5.1. Uji independent sample t-test
Masukkan variable Harga Saham ke Test Variable dan perlakuan ke
31 | P r a k t i k u m S P S S 2 1 . 0
Gambar 5.2. Kotak dialog independent sample t-test
Klik Define Group lalu isi kotak Edit Group 1 dengan angka 1 dan kotak Edit
Group 2 dengan angka 2.
Gambar 5.3. Kotak dialog define groups
Klik Continue OK
Output SPSS
Group Statistics
Jenis Kelamin N Mean Std. Deviation Std. Error Mean
Kinerja Karyawan Laki-laki 20 18,20 2,142 ,479
32 | P r a k t i k u m S P S S 2 1 . 0
Independent Samples Test
Levene's Test for
Equality of
Variances t-test for Equality of Means
F Sig. t df
laki-laki dan kelompok karyawan perempuan
Ha : μ1 ≠ μ2, ada perbedaan kinerja karyawan dari kelompok karyawan
laki-laki dan kelompok karyawan perempuan
b. Tingkat signifikansi (α) = 0,05
c. Kriteria Pengujian
Sig. < 0,05 Tolak H0 dan sig. > 0,05 gagal tolak H0
d. P-value (sig.) yang dihasilkan adalah 0,386
e. Kesimpulan
Karena p-value (sig.) > 0,05 maka gagal tolak H0 sehingga dapat disimpulkan
bahwa tidak ada perbedaan yang signifikan kinerja karyawan dari kelompok
karyawan laki-laki dan kelompok karyawan perempuan
5.2. Paired Sample t-test
Uji beda yang saling berhubungan ini merupakan pengujian yang dilakukan
dengan subjek yang sama namun mengalami dua perlakuan atau pengukuran yang
berbeda, seringkali dicirikan oleh kata-kata sebelum dan sesudah. Penelitian yang
dapat diuji dependent sample t-test misalnya penelitian yang memiliki tujuan untuk
33 | P r a k t i k u m S P S S 2 1 . 0
mengetahui perbedaan Kinerja karyawan sebelum dan sesudah dilakukan
pendidikan dan pelatihan (Diklat).
Bagaimana langkah-langkah uji dependent sample t-test dalam SPSS? berikut
ini contoh kasus dalam bidang akuntansi : Seorang peneliti ingin mengetahui
perbedaan harga saham sebelum dan sesudah stock split. Data yang dihasilkan
adalah sebagai berikut :
Tabel 5.2. Data Harga Saham sebelum dan sesudah stock split
Sebelum
34 | P r a k t i k u m S P S S 2 1 . 0
Masukkan variable sebelum stock split dan sesudah stock split secara besama-sama ke dalam Paired Variables
Gambar 5.5. Kotak dialog paired sample t-test
Klik OK
Output SPSS
Paired Samples Statistics
Mean N Std. Deviation Std. Error Mean
Pair 1 Sebelum stock split 8105,00 10 760,647 240,538
Sesudah stock split 10665,00 10 1394,754 441,060
Paired Samples Correlations
N Correlation Sig.
Pair 1 Sebelum stock split & Sesudah stock
35 | P r a k t i k u m S P S S 2 1 . 0 Uji Hipotesis
a. H0 : μ1 = μ2, tidak ada perbedaan harga saham dari perusahaan sebelum dan
sesudah stock split
Ha : μ1 ≠ μ2, ada perbedaan harga saham dari perusahaan sebelum dan
sesudah stock split
b. Tingkat signifikansi (α) = 0,05
c. Kriteria Pengujian
Sig. < 0,05 Tolak H0 dan sig. > 0,05 Gagal tolak H0
d. P-value (sig.) yang dihasilkan adalah 0,000
e. Kesimpulan
Karena p-value (sig.) < 0,05 maka tolak H0 sehingga dapat disimpulkan
bahwa ada perbedaan yang signifikan harga saham dari perusahaan sebelum dan
36 | P r a k t i k u m S P S S 2 1 . 0
BAB 6
ANALISIS REGRESI LINIER
6.1. Pengertian Regresi
Istilah regresi pertama kali dikenalkan oleh Francis Galton. Pada sebuah
karya tulisnya yang terkenal, Galton menemukan bahwa terdapat kecenderungan
dari orang tua yang berbadan tinggi untuk memiliki anak dengan badan yang tinggi,
serta orang tua yang berbadan pendek cenderung memiliki anak dengan badan yang
pendek. Rata-rata tinggi badan anak yang lahir dari orang tua yang berbadan tinggi
tertentu cenderung untuk bergerak atau “beregresi” menuju rata-rata tinggi badan populasi secara keseluruhan. Dengan kata lain, tinggi badan dari anak-anak yang
tinggi badan orang tuanya tidak biasa atau tidak biasa pendeknya cenderung
bergerak menuju rata-rata tinggi badan populasi. Hukum regresi universal Galton
kemudian dikonfirmasi oleh temannya, Karl Pearson, yang mengumpulkan lebih
dari seribu pencatatan mengenai tinggi badan dari anggota kelompok keluarga,
yang menemukan bahwa rata-rata tinggi badan anak laki-laki dari ayah yang
berbadan tinggi, lebih rendah dari tinggi badan ayahnya dan rata-rata tinggi badan
anak laki-laki dari kelompok ayah berbadan pendek, lebih besar dari tinggi
ayahnya; sehingga “meregresi” anak yang berbadan tinggi dan berbadan pendek secara bersama akan mengarahkan pada tinggi badan rata-rata semua laki-laki
(Gujarati and Porter, 2010).
Interpretasi istilah regresi masa kini adalah berkaitan dengan studi mengenai
ketergantungan satu variabel yaitu variabel dependen terhadap satu atau lebih
variabel lainnya yaitu variabel penjelas, dengan tujuan untuk mengestimasi
dan/atau memperkirakan rata-rata populasi variabel dependen dari nilai yang
diketahui atau nilai tetap dari variabel penjelas dalam sampling berulang (Gujarati
dan Porter, 2010). Sedangkan menurut Setiawan dan Kusrini (2010), analisis regresi
adalah suatu analisis yang bertujuan untuk menunjukkan hubungan matematis
37 | P r a k t i k u m S P S S 2 1 . 0 6.2.Pemahaman Regresi
Analisis Regresi dilakukan jika suatu penelitian bertujuan untuk mengetahui
hubungan sebab akibat (pengaruh) antar variabel, karena sebab akibat maka dalam
regresi terdapat variabel yang menjadi sebab disebut variabel
bebas/independen/penjelas (X) dan variabel yang menjadi akibat disebut variabel
terikat/dependen/respon (Y). Regresi juga disebut dengan bentuk hubungan,
sehingga memiliki rumus/formula/persamaan/model. Secara umum model regresi
dengan � buah variabel penjelas adalah sebagai berikut:
= � + � + � … … �� �+ ��
(disturbance term)/ variabel yang tidak menjelaskan
(unexplanatory variable)
Jika variabel bebas berjumlah 1 (satu) maka disebut regresi linier sederhana
dan jika variabel bebas berjumlah 2 (dua) atau lebih maka disebut regresi linier
berganda.
6.3. Asumsi Klasik Regresi Linier
Analisis regresi selalu menghasilkan persamaan/model regresi dan
persamaan/model regresi dapat digunakan untuk melakukan prediksi, selain itu
secara statistik konstanta dan koefisien didapatkan dari hasil estimasi (pendugaan),
agar estimasi (pendugaan) yang dilakukan tidak bias (menyimpang) ada syarat yang
harus dipenuhi dalam regresi yaitu asumsi klasik. Macam-macam asumsi klasik
38 | P r a k t i k u m S P S S 2 1 . 0
1. Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi
residual (��) mempunyai distribusi normal atau tidak. Asumsi residual (��)
memiliki distribusi normal dapat dilihat dari normal probability plot. Apabila
titik-titik pada normal probability plot menyebar di sekitar garis diagonal dan
mengikuti arah garis diagonal, maka disimpulkan bahwa residual (��)
berdistribusi normal.
Pengujian normalitas juga dapat dilakukan dengan uji Kolmogorov
Smirnov. Prosedur pengujian normalitas adalah dengan menguji residual (��).
H0 : Residual (��) berdistribusi normal
Ha : Residual (��) tidak berdistribusi normal
Kriteria yang digunakan adalah jika nilai signifikansi lebih besar dari 0,05
maka H0 gagal ditolak dan sebaliknya jika nilai signifikansi lebih kecil dari 0,05
maka H0 ditolak.
2. Non Multikolinieritas
Multikolinieritas merupakan kasus di dalam regresi dimana ada
hubungan yang kuat antar variabel bebas, di dalam regresi tidak boleh terjadi
hubungan antar variabel bebas. Salah satu pengujian multikolinieritas yang
sering digunakan adalah melihat nilai VIF atau nilai tolerance (VIF =
1/tolerance). Kriteria yang digunakan adalah jika nilai VIF lebih kecil dari 10
atau nilai tolerance lebih besar dari 0,1 maka regresi tidak terjadi
multikolinieritas.
3. Non Heteroskedastisitas
Non heteroskedastisitas (Homoskedastisitas) menunjukkan keadaan di
mana residual (��) mempunyai nilai varian yang sama sebesar σ2. Sebaliknya
jika residual (��) mempunyai nilai varian yang berbeda-beda sebesar �� berarti
terjadi kasus heteroskedastisitas. Model regresi yang baik adalah model regresi
yang tidak menunjukkan adanya gejala heteroskedastisitas. Pendeteksian kasus
heteroskedastisitas dapat dilakukan dengan berbagai cara, salah satunya
39 | P r a k t i k u m S P S S 2 1 . 0
nol, menyebar secara acak dan tidak membentuk pola, maka dapat dikatakan
tidak terjadi kasus heteroskedastisitas.
Pengujian asumsi non heteroskedastisitas juga dapat dilakukan dengan
uji glejster yaitu dengan meregresikan absolut residual dengan variabel
penjelas yang digunakan. Hipotesis yang diajukan untuk pengujian asumsi non
heteroskedastisitas adalah.
H0 : varian identik (non heteroskedastisitas)
Ha : varian tidak identik (heteroskedastisitas)
Kriteria yang digunakan adalah jika nilai signifikansi lebih besar dari
0,05 maka H0 gagal ditolak dan sebaliknya jika nilai signifikansi lebih kecil
dari 0,05 maka H0 ditolak.
4. Non Autokorelasi
Autokorelasi adalah keadaan yang menunjukkan residual (��) memiliki
hubungan dari satu observasi ke observasi lainnya. Model regresi yang baik
adalah regresi yang bebas dari autokorelasi. Untuk mengetahui model regresi
dikatakan tidak terjadi autokorelasi jika nilai durbin watson berada antara du
sd 4-du, dimana du ditentukan berdasarkan tabel durbin Watson atau dapat
dilihat berdasarkan kriteria berikut :
Tabel 6.1. Kriteria Pengambilan Keputusan
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif
Tidak ada autokorelasi positif
Tidak ada autokorelasi negatif
Tidak ada autokorelasi negatif
Tidak ada autokorelasi positif
maupun negatif
40 | P r a k t i k u m S P S S 2 1 . 0 1. Bidang MSDM
Judul penelitian : Pengaruh Motivasi dan Budaya Inovasi Terhadap Kinerja
Karyawan PT. X
Tujuan : Ingin mengetahui pengaruh signifikan Motivasi dan Budaya Inovasi
Terhadap Kinerja Karyawan
Sampel penelitian : 30 karyawan PT. X dengan hasil tabulasi sebagai berikut :
Tabel 6.2. Data Motivasi, Budaya Inovasi dan Kinerja Karyawan PT. X
No X1 X2 Y No X1 X2 Y
“Diduga terdapat pengaruh yang signifikan Motivasi dan Budaya Inovasi
41 | P r a k t i k u m S P S S 2 1 . 0
Hipotesis Statistik (biasanya ada di bab 3 dalam sub bab analisis data
Secara Simultan
H0: 1= 2= 0; Secara simultan tidak terdapat pengaruh yang signifikan
antara Motivasi dan Budaya Inovasi terhadap Kinerja Karyawan H1: Minimal satu i≠0, dimana i = 1,2; Secara simultan terdapat pengaruh
yang signifikan antara Motivasi dan Budaya Inovasi terhadap Kinerja Karyawan
Secara Parsial
H0: 1,2= 0; Secara parsial tidak terdapat pengaruh yang signifikan
antara Motivasi dan Budaya Inovasi terhadap Kinerja Karyawan H1: 1,2≠0; Secara parsial terdapat pengaruh yang signifikan antara
Motivasi dan Budaya Inovasi terhadap Kinerja Karyawan 2. Taraf signifikansi α = 0,05
3. Menghitung Fhitung dan thitung dengan menggunakan SPSS 4. Kriteria pengujian :
Jika Fhitung dan thitung≤ Ftabel dan ttabel atau nilai sig. ≥ 0,05 maka H0 diterima
Jika Fhitung dan thitung > Ftabel dan ttabel atau nilai sig. < 0,05 maka H0 ditolak
5. Membandingkan Fhitung dan thitung dengan Ftabel dan ttabel atau nilai sig. dengan
0,05
6. Membuat kesimpulan
Praktek SPSS
Pilih menu ANALYZE, pilih REGRESSION, pilih linier
42 | P r a k t i k u m S P S S 2 1 . 0
Masukkan variable MOTIVASI (X1) dan BUDAYA INOVASI (X2) ke dalam INDEPENDENT(S) dan Kinerja Karyawan ke dalam
DEPENDENT
Gambar 6.2. Kotak dialog variabel yang dimasukkan
Klik STATITICS dan centang COLINIERITY DIAGNOSTICS,
DURBIN-WATSON dan klik continue
43 | P r a k t i k u m S P S S 2 1 . 0
Klik PLOT dan centang NORMAL PROBABILITY PLOT, masukkan
ZPRED ke dalam X dan SRESID ke dalam Y dan klik CONTINUE
Gambar 6.4. Kotak dialog uji heteroskedastisitas dan normalitas
Klik OK.
Output SPSS (ditampilkan dalam lampiran laporan penelitian)
Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Budaya Inovasi,
Motivasi
. Enter
a. All requested variables entered.
b. Dependent Variable: Kinerja Karyawan
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,736a ,542 ,508 1,435 2,069
a. Predictors: (Constant), Budaya Inovasi, Motivasi
44 | P r a k t i k u m S P S S 2 1 . 0
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 65,798 2 32,899 15,985 ,000a
Residual 55,569 27 2,058
Total 121,367 29
a. Predictors: (Constant), Budaya Inovasi, Motivasi
b. Dependent Variable: Kinerja Karyawan
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) ,180 3,279 ,055 ,957
Motivasi ,465 ,155 ,402 2,995 ,006 ,941 1,062
Budaya Inovasi ,540 ,138 ,527 3,928 ,001 ,941 1,062
45 | P r a k t i k u m S P S S 2 1 . 0 INTERPRETASI OUTPUT SPSS
1. Persamaan Regresi (table Coefficient)
Model
Unstandardized Coefficients
B Std. Error
1 (Constant) ,180 3,279
Motivasi ,465 ,155
Budaya Inovasi ,540 ,138
a. Dependent Variable: Kinerja Karyawan
Y= a+b1X1+b2X2
= 0,180 + 0,465X1 + 0,540X2
- a = 0,180; artinya apabila MOTIVASI (x1) dan BUDAYA INOVASI (x2)
diasumsikan tidak memiliki pengaruh sama sekali (=0) maka Kinerja
karyawan adalah sebesar 0,180
- b1= 0,465;artinya apabila MOTIVASI (x1) naik 1 (satu) satuan dan BUDAYA INOVASI (x2) tetap maka Kinerja karyawan akan naik sebesar
46 | P r a k t i k u m S P S S 2 1 . 0
- b2= 0,540; artinya apabila BUDAYA INOVASI (x2) naik 1 (satu) satuan dan MOTIVASI (x1) tetap maka Kinerja karyawan akan naik sebesar 0,540
2. Koefisien Determinasi (table model summary)
Merupakan besarnya variasi dari Kinerja karyawan (Y) yang dapat dijelaskan
oleh MOTIVASI (x1) dan BUDAYA INOVASI (x2)
Model R R Square Adjusted R Square
1 ,736a ,542 ,508
Nilai R-Square=0,542 menunjukkan besarnya variasi MOTIVASI (x1) dan
BUDAYA INOVASI (x2) dalam menjelaskan variasi Kinerja karyawan (Y)
adalah sebesar 54,2%. Berarti masih ada variabel lain sebesar 45,8% yang
dapat menjelaskan variasi Kinerja karyawan tetapi tidak diteliti dalam
penelitian ini.
bisa juga dengan Adjusted R-Square (tapi semestinya digunakan untuk
pemilihan model terbaik)
3. Pengujian Hipotesis
a. Uji F (Pengaruh secara simultan) dilihat di table Anova
ANOVAb
H0 ditolak; artinya secara bersama-sama MOTIVASI (x1) dan BUDAYA
INOVASI (x2) memiliki pengaruh yang signifikan terhadap Kinerja
karyawan (Y)
Catatan : Untuk mencari F table caranya dengan melihat df1 dan df2
df1 = k = banyak variable bebas
df2 = n-k-1; n = banyaknya data
Atau dengan menggunakan excel ketik
47 | P r a k t i k u m S P S S 2 1 . 0
b. Uji t (Pengaruh secara parsial/Individu) dilihat di table coefficient
Coefficientsa
a. Dependent Variable: Kinerja Karyawan
- Untuk MOTIVASI (X1) Nilai thitung= 2,995 > ttabel(α/2;27) = 2,052
atau nilai sig. = 0,006 < 0,05 H0 ditolak; artinya MOTIVASI (X1)
secara parsial berpengaruh signifikan terhadap Kinerja karyawan (Y)
- Untuk BUDAYA INOVASI (X2) Nilai thitung=3,928 > ttabel(α/2;27)
= 2,052 atau nilai sig. = 0,001 < 0,05 H0 ditolak; artinya BUDAYA
INOVASI (X2) secara parsial berpengaruh signifikan terhadap
Kinerja karyawan (Y)
Catatan : Untuk mencari t table caranya dengan melihat α=0,05 dan df - Jika pengujian 1 arah maka yang dilihat langsung α = 0,05;
jika pengujian 2 arah maka α = 0,05/2 = 0,025 - df= n-k-1; n = banyaknya data
Atau bisa menggunakan Excel ketik “=tinv(probability,
48 | P r a k t i k u m S P S S 2 1 . 0 INTERPRETASI ASUMSI KLASIK
1. Normalitas
Dari gambar di atas dapat dilihat bahwa titik-titik menyebar mengikuti garis
diagonal dan berada di sekita garis diagonal sehingga dapat disimpulkan
residual berdistribusi normal
2. Multikolinieritas (Tabel coefficients)
Model
Collinearity Statistics
Tolerance VIF
1 (Constant)
MOTIVASI ,941 1,062
BUDAYA INOVASI ,941 1,062
a. Dependent Variable: Kinerja karyawan
Dari table di atas diketahui bahwa nilai VIF kedua variable kurang dari 10,
sehingga tidak terjadi hubungan antar variable bebas atau asumsi
49 | P r a k t i k u m S P S S 2 1 . 0
3. Heteroskedastisitas
Gambar di atas menunjukkan titik-titik menyebar secara acak tidak membentuk
pola serta berada di atas nol dan di bawa nol, sehingga asumsi
heteroskedastisitas telah terpenuhi
4. Autokeralasi (table model summary)
Model Durbin-Watson
1 2,069
a. Predictors: (Constant), BUDAYA INOVASI, MOTIVASI
b. Dependent Variable: Kinerja karyawan
Nilai durbin watson (dw) yang dihasilkan adalah 2,069;
nilai du (2,30) =1,57 sehingga 4-du=4-1,57=2,43
Dapat disimpulkan nilai durbin watson (dw) terletak antara du s/d 4-u sehingga
asumsi autokorelasi telah terpenuhi
Catatan : nilai du dicari dari table durbin Watson dengan cara mencari
pertemuan antara kolom k = banyak variable bebas dan baris
50 | P r a k t i k u m S P S S 2 1 . 0 2. Bidang Akuntansi
Judul penelitian : Faktor-faktor yang mempengaruhi harga saham pada
perusahaan manufaktur di BEI tahun 2008 sd 2011
Tujuan : Ingin mengetahui pengaruh yang signifikan rasio keuangan PER dan
ROI terhadap Harga Saham
Sampel penelitian : 5 perusahaan manufaktur (perusahaan A, B, C, D dan E)
Periode : 2008 sd 2011
Tabel 6.3. Data PER, ROI dan Harga Saham
Perusahaan Tahun PER ROI Harga
Sumber : Data simulasi
Langkah Menjawab
1. Menentukan hipotesis
Hipotesis penelitian
51 | P r a k t i k u m S P S S 2 1 . 0
Hipotesis Statistik (biasanya ada di bab 3 dalam sub bab analisis data
Untuk Simultan
H0: 1= 2= 0; Secara simultan tidak terdapat pengaruh yang signifikan
antara PER dan ROI terhadap Harga Saham
H1: Minimal satu i≠0, dimana i = 1,2; Secara simultan terdapat pengaruh
yang signifikan antara PER dan ROI terhadap Harga Saham
Untuk Parsial
H0: 1,2= 0; Secara parsial tidak terdapat pengaruh yang signifikan
antara PER dan ROI terhadap Harga Saham
H1: 1,2≠0; Secara parsial terdapat pengaruh yang signifikan antara PER
dan ROI terhadap Harga Saham
2. Taraf signifikansi α = 0,05
3. Menghitung Fhitung dan thitung dengan menggunakan SPSS
4. Kriteria pengujian :
Jika Fhitung dan thitung≤ Ftabel dan ttabel atau nilai sig. ≥ 0,05 maka H0 diterima
Jika Fhitung dan thitung > Ftabel dan ttabel atau nilai sig. < 0,05 maka H0 ditolak
5. Membandingkan Fhitung dan thitung dengan Ftabel dan ttabel atau nilai sig. dengan
0,05
6. Membuat kesimpulan
Praktek SPSS
Langkah-langkah di SPSS sama dengan contoh pada kasus manajemen di atas
Pilih menu ANALYZE, pilih REGRESSION, pilih linier
Masukkan variable PER (X1) dan ROI (X2) ke dalam INDEPENDENT(S)
dan Harga Saham ke dalam DEPENDENT
Klik STATITICS dan centang COLINIERITY DIAGNOSTICS,
DURBIN-WATSON dan klik continue
Klik PLOT dan centang NORMAL PROBABILITY PLOT, masukkan
ZPRED ke dalam X dan SRESID ke dalam Y dan klik CONTINUE
52 | P r a k t i k u m S P S S 2 1 . 0
Output SPSS (ditampilkan dalam lampiran laporan penelitian)
Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 ROI, PERa . Enter
a. All requested variables entered.
b. Dependent Variable: Harga Saham
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,879a ,773 ,746 860,648 2,424
a. Predictors: (Constant), ROI, PER
b. Dependent Variable: Harga Saham
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 42891144,751 2 21445572,376 28,953 ,000a
Residual 12592155,249 17 740715,015
Total 55483300,000 19
a. Predictors: (Constant), ROI, PER
b. Dependent Variable: Harga Saham
Coefficientsa
54 | P r a k t i k u m S P S S 2 1 . 0 INTERPRETASI OUTPUT SPSS
1. Persamaan Regresi (table Coefficient)
Model
a. Dependent Variable: Harga Saham
Y = a+b1X1+b2X2 tetap maka Harga Saham akan turun sebesar 64,991 Rupiah
- b2= 697,671; artinya apabila ROI (x2) naik 1 (satu) persen dan PER (x1) tetap maka Harga Saham akan naik sebesar 697,671 Rupiah
2. Koefisien Determinasi (table model summary)
Merupakan besarnya variasi Harga Saham (Y) yang dapat dijelaskan oleh PER
(x1) dan ROI (x2)
Model R R Square Adjusted R Square
1 ,879a ,773 ,746
nilai R-Square=0,773 menunjukkan besarnya variasi PER (x1) dan ROI (x2)
dalam menjelaskan variasi Harga Saham (Y) adalah sebesar 77,3%. Berarti
masih ada variabel lain sebesar 22,7% yang dapat menjelaskan variasi Harga
Saham tetapi tidak diteliti dalam penelitian ini.
bisa juga dengan Adjusted R-Square (tapi semestinya digunakan untuk
pemilihan model terbaik)
55 | P r a k t i k u m S P S S 2 1 . 0
a. Uji F (Pengaruh secara simultan) dilihat di table Anova
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 42891144,751 2 21445572,376 28,953 ,000a
Residual 12592155,249 17 740715,015
Total 55483300,000 19
Nilai Fhitung=28,953 > Ftabel (2,17) =3,592 atau nilai sig. = 0,000 < 0,05
H0 ditolak; artinya secara bersama-sama PER (x1) dan ROI (x2) memiliki
pengaruh yang signifikan terhadap Harga Saham (Y)
Catatan : Untuk mencari F table caranya dengan melihat df1 dan df2
df1 = k = banyak variable bebas
df2 = n-k-1; n = banyaknya data
Atau dengan menggunakan excel ketik
“=Finv(probability, deg_freedom1, deg_freedom2)” enter
b. Uji t (Pengaruh secara parsial/Individu) dilihat di table coefficient
Coefficientsa
parsial tidak berpengaruh signifikan terhadap Harga Saham (Y)
- Untuk ROI (X2) Nilai thitung=6,091 > ttabel (α/2;17) = 2,110 atau
nilai sig. = 0,000 < 0,05 H0 ditolak; artinya ROI (X2) secara parsial
berpengaruh signifikan terhadap Harga Saham (Y)
Catatan : Untuk mencari t table caranya dengan melihat α=0,05 dan df - Jika pengujian 1 arah maka yang dilihat langsung α = 0,05;
jika pengujian 2 arah maka α = 0,05/2 = 0,025 - df= n-k-1; n = banyaknya data
Atau bisa menggunakan Excel ketik “=tinv(probability,
56 | P r a k t i k u m S P S S 2 1 . 0 INTERPRETASI ASUMSI KLASIK
1. Normalitas
Dari gambar di atas dapat dilihat bahwa titik-titik menyebar mengikuti garis
diagonal dan berada di sekita garis diagonal sehingga dapat disimpulkan
residual berdistribusi normal
2. Multikolinieritas (Tabel coefficients)
Model
Collinearity Statistics
Tolerance VIF
1 (Constant)
PER ,490 2,039
ROI ,490 2,039
a. Dependent Variable: Harga Saham
Dari tabel di atas diketahui bahwa nilai VIF kedua variable kurang dari 10,
sehingga tidak terjadi hubungan antar variable bebas atau asumsi
57 | P r a k t i k u m S P S S 2 1 . 0
3. Heteroskedastisitas
Gambar di atas menunjukkan titik-titik menyebar secara acak tidak membentuk
pola serta berada di atas nol dan di bawa nol, sehingga asumsi
heteroskedastisitas telah terpenuhi
4. Autokeralasi (table model summary)
Model Durbin-Watson
1 2,424
a. Predictors: (Constant), ROI, PER
b. Dependent Variable: Harga Saham
Nilai durbin watson (dw) yang dihasilkan adalah 2,424;
nilai du (2,20) =1,54 sehingga 4-du=4-1,54=2,46
Dapat disimpulkan nilai durbin watson (dw) terletak antara du s/d 4-u sehingga
asumsi autokorelasi telah terpenuhi
Catatan : nilai du dicari dari table durbin Watson dengan cara mencari
pertemuan k = banyak variable bebas dengan n = banyak data
NB : Jika Asumsi Normalitas dan Heteroskedastisitas tidak terpenuhi maka dapat
dilakukan TRANSFORMASI DATA dengan menggunakan LOGARITMA
58 | P r a k t i k u m S P S S 2 1 . 0
Langkah-Langkah :
1. Klik TRANSFORM COMPUTE.
Gambar 6.5. Menu transformasi variabel
Sehingga muncul kotak dialog berikut :
59 | P r a k t i k u m S P S S 2 1 . 0
2. Isi kolom Target Variable dengan calon variable baru (misal L_x1)
Gambar 6.7. Kotak dialog target variable
3. Isi kolom Numeric Expression dengan LG10(x1) atau bisa dipilih melalui
kolom Function and Special Variable
Gambar 6.8. Kotak dialog numeric expression
Klik OK
60 | P r a k t i k u m S P S S 2 1 . 0
DAFTAR PUSTAKA
Ghazali, I., 2005, Aplikasi Analisis Multivariate dengan SPSS, Badan Penerbit Universitas Diponegoro, Semarang.
Gujarati D.N., Porter C., 2010, Dasar-Dasar Ekonometrika, Edisi 5, Penerjemah : Eugenia Mardanugraha, Sita Wardhani, dan Carlos Mangunsong, Salemba Empat, Jakarta.
McClave J.T., Benson P.G., Sincich T., 2011, Statistik untuk Bisnis dan Ekonomi, Jilid 2 Edisi Kesebelas, Alih Bahasa : Irzam Hardiansyah, Erlangga, Jakarta.
Nurgiyantoro, B., Gunawan & Marzuki, 2004, Statistik Terapan Untuk Ilmu-ilmu Sosial, Gadjah Mada University Press, Yogyakarta
Priyatno, D., 2010, Paham Analisa Statistik Data dengan SPSS, Mediakom, Yogyakarta
Riduwan, 2011, Dasar-dasar Statistika, Alfabeta, Bandung
Santoso, S., 2011, Mastering SPSS Versi 19, Elex Media Komputindo, Jakarta
Setiawan dan Kusrini D.E., 2010, Ekonometrika, Andi Offset, Yogyakarta
