MATEMATIKA EKONOMI 1 DERET HITUNG

(1)

(2)

METODE RISET

KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatuh. Puji syukur kami

panjatkan kepada Tuhan Yang Maha Esa atas limpahan rahmat dan karunia-Nya sehingga modul praktikum Metode Riset ini dapat terselesaikan.

Modul praktikum ini merupakan penyempurnaan dari modul praktikum sebelumnya dan diharapkan dengan adanya modul praktikum ini dapat meningkatkan pemahaman dasar materi praktikum serta sebagai pedoman bagi mahasiswa dalam melakukan penelitian-penelitian ekonomi. Selain itu, modul ini juga dapat digunakan sebagai dasar suatu pandangan mahasiswa dalam melihat keadaan perekonomian dan disesuaikan dengan teori-teori ekonomi yang ada.

Dengan penuh kesadaran, bahwa modul praktikum ini masih perlu disempurnakan lagi, sehingga saran dan kritik untuk penyajian serta isinya sangat diperlukan. Akhir kata, terima kasih kepada tim Litbang Metode Riset Laboratorium Manajemen Dasar 2015/2016 yang turut berpartisipasi dalam penulisan modul praktikum ini. Ucapan terima kasih juga kami sampaikan kepada seluruh pihak yang berpartisipasi sehingga pelaksanaan praktikum ini dapat berjalan dengan lancar.

Wassalamu’alaikum Warahmatullahi Wabarakatuh.

Depok, Agustus 2016

Tim Litbang

(3)

(4)

METODE RISET

IV. Langkah-langkah software r-commander ... ... 8

(5)

METODE RISET

ANOVA

I. Pendahuluan ... 32

II. Contoh kasus ... 34

III. Langkah-langkah software r-commander ... 35

IV. Analisis pengujian ... 44

REGRESI LINIER BERGANDA I. Pendahuluan ... 45

II. Tujuan penggunaan regresi linier berganda ... 45

III. Analisis regresi linier berganda ... 45

IV. Contoh kasus ... 55

V. Langkah-langkah software r-commander ... 57

VI. Analisis pengujian ... 63

(6)

METODE RISET

DAFTAR TABEL

Tabel 1.1 Output uji K-S dengan unstandardized residual …..……...…....…… 4

Tabel 1.2 Output uji K-S tanpa unstandardized residual …..……...…...…… 4

Tabel 2.1 Output uji independent t- test ...……...…...….. 16

Tabel 2.2 Output uji paired...……...…...… 26

Tabel 3.1 Output uji anova...……...…...……... 34

Tabel 4.1 Output autokorelasi …..……...…..…… 46

Tabel 4.2 Output multikolinieritas …..……...…..…… 47

Tabel 4.3 Output koefisien korelasi …..……...…..…… 51

Tabel 4.4 Output koefisien determinasi …..……...…..…… 52

Tabel 4.5 Output uji t …..……...…..…… 53

(7)

METODE RISET

Gambar 1.5 Tampilan grafik normal probability plot pada SPSS yang terdistribusi normal …..….…...…………. 6

Gambar 1.6 Tampilan awal R-commander …..….…...…...……. 8

Gambar 1.7 Tampilan menu data …..….…...……...……. 8

Gambar 1.8 Tampilan data set …..….…...…...…...……. 9

Gambar 1.9 Tampilan data editor …..….…...……...……. 9

Gambar 1.10 Tampilan variabel editor samsung, sony, oppo …...……. 10 Gambar 1.11 Tampilan data editor yang telah diisi …...……. 10 Gambar 1.12 Tampilan R-commander yang telah diinput data …...……. 11 Gambar 1.13 Tampilan menu pengolahan data …...……. 11 Gambar 1.14 Tampilan kotak dialog shapiro wilk test for normality …...……. 12 Gambar 1.15 Tampilan output shapiro wilk test for normality …...……. 13 Gambar 2.1 Tampilan menu awal R-commander …..……...…………. 18

(8)

METODE RISET

Gambar 2.11 Tampilan independent sample t-test …...…. 22

Gambar 2.12 Tampilan output independent sample t-test …...……. 23

Gambar 2.13 Tampilan menu awal R-commander …...… 27

Gambar 2.14 Tampilan new data set …...……. 28

Gambar 2.15 Tampilan data editor …...…. 28

Gambar 2.16 Tampilan menu variabel editor …...…...…. 29

Gambar 2.17 Tampilan menu data editor setelah input data …...…. 29

Gambar 2.18 Tampilan menu olah data …...……. 30

Gambar 2.19 Tampilan paired t-test …...…. 30

Gambar 2.20 Tampilan hasil R-commander …...……. 31

Gambar 3.1 Tampilan menu awal R-commander …..………...……. 35

(9)

METODE RISET

Gambar 3.3 Tampilan data editor …..…...…...……….…. 36

Gambar 3.4 Tampilan variabel editor…..….…...….………. 37

Gambar 3.5 Tampilan data editor sudah diinput ...……….…. 37

Gambar 3.6 Tampilan menu data editor setelah input data...…. 38

Gambar 3.7 Tampilan menu …..….…...……...……. 38

Gambar 4.1 Tampilan output tidak terjadi heteroskedastisitas …..…….………. 49

Gambar 4.2 Tampilan output terjadi heteroskedastisitas …....……....…………. 49

Gambar 4.3 Tampilan awal r-commander …..…...…...……….…. 57

Gambar 4.4 Tampilan menu data …..….…...….………. 57

Gambar 4.5 Tampilan new data set ...……….…. 58

Gambar 4.6 Tampilan data editor …..….…...……...……. 58

(10)

METODE RISET

Gambar 4.8 Tampilan variabel editor biaya promosi …...……. 59

Gambar 4.9 Tampilan variabel editor hasil penjualan …..….…...……. 59

Gambar 4.10 Tampilan isi data editor …...……. 60

Gambar 4.11 Tampilan window R-commander …...…. 60

Gambar 4.12 Tampilan statistics …...……. 61

Gambar 4.13 Tampilan linear regression …...…. 61

(11)

METODE RISET MATERI NORMALITAS

UJI NORMALITAS

I. KONSEP DASAR RISET

Fellin, Tripodi dan Meyer (1969) riset adalah suatu cara sistematik untuk maksud meningkatkan, memodifikasi dan mengembangkan pengetahuan yang dapat disampaikan (dikomunikasikan) dan diuji (diverifikasi) oleh peneliti lain. Pada dasarnya riset adalah setiap proses yang menghasilkan ilmu pengetahuan. Dalam bidang ekonomi tingkat kesalahan yang biasa digunakan adalah 5 %.

1.1 Klasifikasi Riset

1.2 Tujuan Riset

1. Penemuan teori, hukum dll yang sebelumnya belum pernah diketahui. 2. Pembuktian atas keraguan terhadap informasi atau pengetahuan tertentu 3. Pengembangan atas pengetahuan yang sudah ada.

1.3 Statistika Deskriptif dan Inferensia

1. Statistika deskriptif adalah statistika yang meliputi kegiatan-kegiatan pengumpulan, penyajian, penyederhanaan atau penganalisisan, dan penentuan ukuran-ukuran khusus dari suatu data tanpa penarikan kesimpulan..Contoh : Ukuran statistik, distribusi binomial dll.

2. Statistika inferensia adalah ilmu mengenai penarikan kesimpulan dan pengambilan keputusan tentang makna statistik yang telah dihitung. Contoh : Uji Anova, Regresi Linier Berganda dll.

Berdasarkan Tujuan

Ilmiah : Untuk mengembangkan serta menemukan teori. Hasil dari riset ini menjadi dasar dalam riset non ilmiah.

(12)

1. SPSS (Statistical Package for the Social Science) 2. Amos (Analysis of Moment Structure)

3. Lisrel (Linier Structural Relationship) 4. R-Commander dan lain - lain

II. UJI NORMALITAS

2.1. Pengertian Uji Parametrik dan Non Parametrik

1. Uji Parametrik adalah jenis pengujian dimana data yang digunakan harus memiliki parameter tertentu. Contoh : Anova, Regresi Linier Berganda, Uji t, dll.

2. Uji Non Parametrik adalah jenis pengujian yang datanya tidak perlu memiliki parameter tertentu. Contoh : Chi Square, Spearman – rho.

2.2. Pengertian Uji Normalitas

(13)

normal adalah bahwa data akan mengikuti bentuk distribusi normal dimana datanya memusat pada nilai rata-rata dan median

2.3. Ciri – ciri Data Terdistribusi Normal

1. Menggunakan Shapiro Wilk Test Of Normality. Dalam hal ini, data dinyatakan terdistribusi normal apabila nilai yang diperoleh dari Shapiro-Wilk Test of Normality harus lebih besar dari (>) 0,05.

2. Menggunakan Uji Skewness. Dalam uji ini, peneliti membandingkan antara nilai skewness dengan standar error skewness data dapat dikatakan normal bila mempunyai nilai antara -2 sampai dengan 2. Atau dapat dilihat dengan kemencengan grafik , jika titik puncak berada ditengah maka data terdistribusi normal.

Gambar 1.1 Kurva Skewness

3. Menggunakan Uji Kurtosis. Dalam uji ini, peneliti membandingkan antara nilai kurtosis dengan standar error kurtosis data dapat dikatakan normal bila mempunyai nilai antara -2 sampai dengan 2. Atau dapat dilihat dengan keruncingan grafik ,Jika grafiknya membentuk mesokurtik atau

(14)

4. Menggunakan Uji Kolmogorov – Smirnov. Dalam hal ini, data dinyatakan terdistribusi normal apabila nilai yang diperoleh dari Uji K-S (dilihat dari Asymp. Sig) harus lebih besar dari (>) 0,05. Berikut adalah output SPSS uji normalitas menggunakan K – S Test.

Tabel 1.1 Output Uji K-S dengan Unstandardized Residual

Sumber : Hutami,Rescyana Putri,. 2012

Dari Hasil Uji K-S diatas dapat dilihat Asymp. Sig. (P-Val) sebesar 0,000 < 0,05 maka data dikatakan tidak terdistribusi normal.

Tabel 1.2 Output Uji K-S tanpa Unstandardized Residual

(15)

Dari Hasil Uji K-S diatas dapat dilihat Asymp. Sig. (P-Val) kelima variabel > 0,05 maka data dikatakan terdistribusi normal.

5. Menggunakan Uji Grafik

 Menggunakan Grafik Histogram. Dengan grafik histogram data yang diteliti ditampilkan menjadi diagram batang. Jika grafik tersebut menyerupai kurva lonceng maka data dinyatakan terdistribusi normal.

Sumber : Kurniawanda ,A.M. 2013.

Gambar 1.3 Tampilan Grafik Histogram pada SPSS

Analisis : Dari hasil uji grafik diatas dapat dilihat diagram batang hampir menyerupai kurva normal maka data dikatakan terdistribusi normal.

(16)

Sumber :Hutami,Rescyana Putri,. 2012

Gambar 1.4 Tampilan Grafik Normal Probability Plot pada SPSS yang Tidak Terdistribusi Normal.

Analisis : Dari hasil uji grafik Normal Probability plot diatas dapat dilihat titik – titik menyebar jauh dari garis maka data dikatakan tidak terdistribusi normal

Sumber :Hutami,Rescyana Putri,. 2012

(17)

Analisis : Dari hasil uji grafik Normal Probability plot diatas dapat dilihat titik – titik menyebar mendekati garis maka data dikatakan terdistribusi normal.

2.4 Cara Mengatasi Data yang tidak Terdistribusi Normal

1. Gabungkan nilai data (Unstandardized) sebelum melakukan uji.

2. Lakukan berbagai metode uji normalitas karena nilai tiap uji terkadang berbeda.

3. Transformasikan data menjadi Log atau Ln. 4. Gunakan Uji Non Parametrik.

III. CONTOH KASUS

Saipul seorang mahasiswa Gunadarma ingin mengetahui apakah data penjualan handphone yang akan digunakan untuk Penulisan Ilmiahnya terdistribusi normal atau tidak. Berikut data penjualannya :

(18)

IV. LANGKAH-LANGKAH SOFTWARE R-COMMANDER

1. Tekan icon R commander pada desktop, kemudian akan muncul tampilan seperti dibawah ini.

Gambar 1.6 Tampilan Awal R-Commander

2. Pilih menu Data, New Data Set. Masukan nama dari data set adalah Normalitas kemudian tekan tombol OK.

(19)

Gambar 1.8 Tampilan Data Set

3. Akan muncul Data Editor yang digunakan untuk menginput data yang akan diuji.

Gambar 1.9 Tampilan Data Editor

(20)

Gambar 1.10 Tampilan Variabel Editor Samsung, Sonny, Oppo.

5. Kemudian isi masing-masing variabel sesuai dengan data soal setelah selesai isi data kemudian tekan tombol X (close) pada Data Editor.

(21)

6. Selanjutnya pilih Window R commander maka akan muncul tampilan seperti ini. Terdapat kata “Normalitas  edit(as.data.frame(NULL)”, yang menunjukan data berhasil diinput.

Gambar 1.12 Tampilan R-Commander yang Telah Diinput Data. 7. Pilih Statistic pada menubar, lalu pilih summaries, klik Shapiro Wilk Test Of

Normality

(22)

8. Akan muncul tampilan kotak dialog Shapiro-Wilk test of normality. Pilih salah satu variable, misal dimulai dari Samsung, lalu klik OK, dan akan keluar hasilnya. Data yang keluar tersebut hanya satu (yaitu untuk data samsung) , data yang lain tidak dapat keluar pada satu kali pengolahan. Oleh sebab itu, lakukan langkah ini secara berulang terhadap variabel oppo dan sony. Akan Muncul tabel dialog, lalu pilih variabel yang nilai normalitasnya ingin ditampilkan.

(23)

9. Maka akan muncul hasil pada output window sebagai berikut.

(24)

V. ANALISIS PENGUJIAN

1. Kriteria pengujian

P-Value > 0,05 = Data terdistribusi normal P-Value < 0,05 = Data tidak terdistribusi normal

2. Nilai P value Samsung : 0.02296 Sony : 0.01867 Oppo : 0.001302

3. Keputusan

P-Value Samsung < 0,05 : Data tidak terdistribusi normal P-Value Sony < 0,05 : Data tidak terdistribusi normal P-Value Oppo < 0,05 : Data tidak terdistribusi normal

4. Kesimpulan

(25)

METODE RISET MATERI INDEPENDENT

UJI T SAMPEL BEBAS

(INDEPENDENT SAMPLE T-TEST)

I. PENDAHULUAN

Pengujian Hipotesis dengan distribusi t adalah pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik. Distribusi ini pertama kali diterbitkan dalam suatu makalah oleh W.S Gosset pada tahun 1908. Pada waktu itu Gosset bekerja pada perusahaan bir Irlandia yang melarang penerbitan oleh Karyawannya. Untuk mengelakkan larangan tersebut, ia menerbitkan karyanya secara rahasia dibawah nama “student”. Karena itulah distribusi t biasa disebut Distribusi Student.

 Pengertian Uji T

Uji ini akan membandingkan rata-rata dari dua grup yang tidak berhubungan satu dengan yang lain, dengan tujuan apakah kedua grup tersebut mempunya rata-rata yang sama ataukah tidak.

 Fungsi Uji T

- Untuk memperkirakan interval rata-rata.

- Untuk menguji hipotesis tentang rata-rata suatu sampel. - Menunjukkan batas penerimaan suatu hipotesis.

- Untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya  Ciri – Ciri Uji T

Kasus yang diuji bersifat acak  Asumsi Uji T

(26)

 Syarat Uji T

P-value > 0,05 maka Ho diterima

P-value < 0,05 maka Ha diterima

Tabel 2.1 Output uji independent t-test

Sumber : Apriyo,ari,. 2013

Berdasarkan tabel tersebut dapat dilihat secara rata-rata bahwa nilai rata-rata

Significant (2-tailed) sebesar 0,192 lebih besar dari Level of Significant 5%

(27)

 LANGKAH-LANGKAH ANALISIS PENGUJIAN

Langkah-langkah pengujian independent sample t-test adalah : 1) Menentukan hipotesis pengujian

H0 : Rata-rata kedua sampel adalah identik atau sama

H1 : Rata-rata kedua sampel adalah tidak identik atau tidak sama 2) Kriteria pengujian

P-value > 0,05 maka H0 diterima P-value < 0,05 maka H1 diterima 3) Lihat hasil P-value

4) Menentukan keputusan

5) Membuat kesimpulan dari keputusan yang telah dibuat.

II. CONTOH KASUS

(28)

METODE RISET MATERI INDEPENDENT menggunakan program R, ikutilah langkah-langkah berikut :

(29)

2. Pilih menu Data > New Data Set, masukkan nama dari data set adalah independent (tanpa spasi) kemudian tekan tombol OK

Gambar 2.2. Tampilan New Data Set

Gambar 2.3. Tampilan New Data Set Kemudian akan muncul Data Editor

(30)

3. Klik dua kali Var 1 kemudian ganti namanya menjadi METODE lalu pilih numerik lalu close, setelah itu klik dua kali Var 2 kemudian ganti namanya menjadi KODE lalu pilih numerik lalu close. Jika data editor tidak aktif maka dapat diaktifkan dengan menekan Rgui di taskbar windows pada bagian bawah layar monitor. Jika sudah selesai dalam pengisian data tekan Close.

Gambar 2.5. Tampilan Variabel Editor METODE

Gambar 2.6. Tampilan Variabel Editor KODE

Kemudian masing-masing variabel sesuai dengan data soal setelah selesai isi data kemudian tekan tombol X (close).

(31)

4. Untuk mengecek kebanaran data yang sudah dimasukkan, tekan tombol View data set maka akan muncul tampilan, Jika ada data yang salah, tekan tombol edit data set, lalu perbaiki data yang salah. Untuk merubah variabel numerik buku pada tampilan R Commander pilih : Manage Variables In Active Data Set kemudian pilih Bin Numeric Variable

Kemudian akan muncul tampilan :

Gambar 2.8. Tampilan Bin Numeric

(32)

5. Jika data sudah benar, pilih menu Statistics > Means > Independent Sample T-Test

Gambar 2.10. Tampilan menu olah data

6. Pada Respons Variable pilih METODE kemudian tekan tombol OK

(33)

7. Maka akan muncul hasil pada output window sebagai berikut :

(34)

METODE RISET MATERI INDEPENDENT metode baru tidak identik atau tidak sama

2. Kriteria Pengujian

Jika probabilitas (p-value) > 0,05 maka H0 diterima Jika probabilitas (p-value) < 0,05 maka H1 diterima

3. Dari hasil pengolahan R-Programing diperoleh P value = 0,6786

4. Keputusan

Hasil perhitungan menyatakan bahwa besarnya probabilitas (p-value) adalah 0,6786 karena probabilitas lebih besar daripada taraf uji yang digunakan dalam penelitian atau p- value > α atau 0,9253 > 0,05 maka H0 diterima.

5. Kesimpulan

(35)

METODE RISET MATERI PAIRED Pengujian ini biasanya dilakukan pada suatu sampel antara sebelum dan sesudah diberikan perlakuan. Tujuan uji paired sample t-test adalah untuk menguji perbandingan rata – rata sampel yang berpasangan.

1.1.Syarat dari uji paired sample t-test P-Value > 0,05 maka H0 diterima P-Value < 0,05 maka H1 diterima

1.2.Langkah – Langkah Analisis Pengujian 1. Hipotesis

H0 : Tidak ada perbedaan rata-arata ntara sebelum dan sesudah adanya perlakuan

(36)

METODE RISET MATERI PAIRED

Tabel 2.2 Output uji paired

Sumber : Model analisis dengan SPSS 17. 2013

 Kolom Mean pada hasil paired-samples t test table menunjukkan rata-rata perbedaan antara triglyceride dan pengukuran weight sebelum diet dan 6 bulan proses diet.

 Kolom Sig. (2-tailed) menampilkan probabilitas (signifikansi) di dalam statistik t yang memiliki nilai mutlak sama dengan atau lebih besar dari yang diperoleh t statistik. Ketika nilai signifikan untuk perubahan berat kurang dari 0.05, kita dapat menyimpulkan bahwa rata -rata hilangnya 8.06 pon setiap pasien bukanlah dalam kaitan dengan variasi dan memang dapat melekat pada diet tersebut. Kemudian arti nilai signifikan lebih besar dari 0.10 untuk perubahan level triglyceride menunjukkan diet tidak dengan mantap untuk mengurangi level triglyceride responden.

(37)

1. Tekan icon R Commander pada dekstop, kemudian muncul tampilan seperti gambar dibawah ini.

(38)

2. Pilih data, lalu klik new data set, akan muncul name box. Lalu ganti namanya menjadi paired seperti gambar dibawah ini.

Gambar 2.14 Tampilan Menu New Data Set

3. Lalu akan muncul data editor seperti gambar dibawah ini.

(39)

Gambar 2.16 Tampilan Menu Variabel Editor

5. Kemudian masukan data sesuai dengan soal yang ada

(40)

6. Setelah itu pilih Statistics – Mean – Paired t-test.

Gambar 2.18 Tampilan Menu Olah Data

7. Kemudian akan muncul dialog box, pilih Sebelum untuk First Variable dan Sesudah untuk Second Variable seperti gambar di bawah ini.

(41)

8. Kemudian klik Ok dan akan muncul output seperti gambar dibawah ini.

Gambar 2.20 Tampilan Hasil R-Commander

IV. ANALISIS PENGUJIAN 1. Hipotesis

H0 : Tidak ada perbedaan rata-rata pengetahuan tentang saham sebelum dan sesudah adanya acara seminar

H1 : Ada perbedaan rata-rata pengetahuan tentang saham sebelum dansesuadah adanya acara seminar

2. Syarat dan ketentuan

P-value > 0.05 maka H0 diterima P-value < 0.05 maka H1 diterima 3. Nilai P-value = 0.002277

4. Keputusan : karena nilai P-value < 0.05 maka H1 diterima

(42)

METODE RISET MATERI ANOVA

UJI ANOVA ( Analysis Of Variance )

I. PENDAHULUAN

Dalam sebuah penelitian, terkadang kita ingin membandingkan hasil perlakuan (treatment) pada sebuah populasi dengan populasi yang lain dengan metode uji hipothesis yang ada (Distribusi Z,Chi Kuadrat, atau Distribusi-T). Membandingkan satu rata-rata populasi dengan satu rata-rata populasi yang lain, selain memakan waktu, juga beresiko mengandung kesalahan yang besar. Untuk itu, kita memerlukan sebuah metode yang cepat dan beresiko mengandung kesalahan lebih kecil, yakni ANOVA (Analysis of Variance)

Anova merupakan uji perbedaan rata-rata lebih dari dua populasi disebut juga analisis of varians, dipopulerkan oleh Sir Ronald Aylmer Fisher, seorang pendiri modern pada tahun 1920. Distribusi F digunakan sebagai statisti uji untuk anova. Analisis ini digunakan untuk :

1. Menguji hipotesis perbedaan rata-rata antara lebih dari dua populasi 2. Menguji apakah varians populasinya sama ataukah tidak

1.1. Adapun ciri-ciri uji anova yaitu : 1. Tidak pernah bernilai negative

2. Merupakan distribusi yang continue yang mendekati sumbu X tetapi tidak pernah menyentuhnya

3. Kemencengannnya positif

4. Didasarkan pada dua derajat kebebasan

1.2. Asumsi :

(43)

1.3. Langkah – Langkah Analisis Pengujian

Uji Kesamaan Varians:Lihat output livene’s test of homogeneity of varians

1. Hipotesis Uji Varians :

H0 : Varians ketiga populasi identik H1 : Varians ketiga populasi tidak identik 2. Kriteria Pengujian

H0 diterima jika F Prob > 0.05 H1 diterima jika F Prob < 0.05 3. Nilai Probabilitas : (F Prob) 4. Pengambilan keputusan ;

Jika Probabilitas > 0.05, maka H0 di terima Jika Probabilitas < 0.05, maka H1 di terima

5. Kesimpulan : Penjabaran dari hipotesis yang diterima.

6. Contoh H0 diterima : Jadi varians dari ketiga populasi adalah identik

Pada tahap selanjutnya jika varians yang identik maka atau Ho diterima maka dilanjutkan menggunakan uji Anova, jika Ho ditolak maka penelitian hanya sampai pada tahap uji kesamaan varians saja.

Uji Anova : Lihat output analysis of varians / one way anova 1. Hipotesis yang di gunakan untuk uji anova :

H0 : ke-3 rata-rata populasi adalah identik H1 : ke-3 rata-rata populasi adalah tidak identik 2. Kriteria Pengujian

H0 diterima jika F Prob > 0.05 H1 diterima jika F Prob < 0.05 3. Nilai Probabilitas : (F Prob) 4. Pengambilan keputusan

(44)

5. Kesimpulan : Penjabaran dari hipotesis yang diterima.

Contoh H0 diterima : Jadi ke-3 rata-rata populasi adalah identik

Tabel 3.1 Output uji anova

Sumber : Desti Widiyana, 2013

Dari data diatas diperoleh bahwa nilai signifikansi Anova = 0.020 lebih kecil dari 0.05 yang menandakan bahwa H0 ditolak atau Ha diterima. Jadi dapat disimpulkan bahwa rata- rata data diatas tidak identik.

(45)

(46)

2. Pilih data, lalu klik new data set (dataset baru), akan muncul name box. Lalu ganti namanya menjadi ANOVA seperti gambar dibawah ini.

Gambar 3.2 Tampilan New Data Set

3. Lalu akan muncul data editor seperti gambar dibawah ini.

(47)

Gambar 3.4 Tampilan Variabel Editor

5. Kemudian isi masing-masing variable sesuai dengan data soal setelah isi data kemudian tekan tombol X (Close)

(48)

Gambar 3.6 Tampilan menu data editor setelah input data

6. Untuk merubah variable numeric bin pada tampilan R-commander pilih : data –

(49)

7. Kemudian akan muncul tampilan :

Gambar 3.8 Tampilan bin numeric

8. Kemudian akan muncul tampilan ubah nama bin :

Gambar 3.9 Tampilan bin names

(50)

Gambar 3.10 Tampilan Menu Olah Data

10.Pada Response Variable pilih variable penjualan pilih mean kemudian tekan OK.

(51)

11.Hasil Uji Varians

Gambar 3.12 Tampilan Output

(52)

12.Pilih menu R-commander untuk mencari nilai Anova. Pilih menu Statistics, Means, One-way ANOVA

Gambar 3.13 Tampilan Menu

13.Kemudian akan muncul tampilan :

Gambar 3.14 Tampilan Menu

(53)

14.Maka akan muncul hasil pada output window sebagai berikut:

Gambar 3.15 Tampilan Output

(54)

IV. ANALISIS PENGUJIAN

UJI KESAMAAN VARIANS

1. Hipotesis uji varians

H0 : Varians penjualan dari ketiga menu ayam tersebut adalah identik. H1 : Varians penjualan dari ketiga menu ayam tersebut adalah tidak identik. 2. Kriteria Pengujian

H0 diterima jika F Prob > 0.05 H1 diterima jika F Prob < 0.05 3. Nilai Probabilitas : 0.873(F Prob)

4. Keputusan : H0 diterima karena F Prob > 0.05

5. Kesimpulan : Jadi, varians penjualan dari ketiga menu ayam tersebut adalah identik.

Catatan : Apabila Pr (>F) >= 0.05, maka pengujian dapat dilanjutkan ke uji anova.tapi jika Pr (>F) < 0.05, pegujian tidak dapat dilanjutkan ke uji anova.

UJI ANOVA

1. Hipotesis Uji Anova

H0 : Rata-rata penjualan dari ketiga menu ayam adalah identik. H1 : Rata-rata penjualan dari ketiga menu ayam adalah tidak identik. 2. Kriteria Pengujian

H0 diterima jika F Prob > 0.05 H1 diterima jika F Prob < 0.05 3. Nilai Probabilitas : 0.922 (F Prob)

4. Keputusan : H0 diterima karena F Prob > 0.05

(55)

METODE RISET MATERI RLB

REGRESI LINIER BERGANDA

I. PENDAHULUAN

Regresi linier berganda adalah Alat analisis yang digunakan untuk mengetahui pengaruh dua atau lebih variabel bebas terhadap variabel terikat. Variabel X atau sering disebut dengan variabel bebas (independent) adalah variabel yang mempengaruhi variabel tak bebas. Sedangkan variabel Y atau disebut dengan variabel terikat (dependent) adalah variabel yang dipengaruhi oleh variabel bebas.

Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut variabel yang diterangkan dengan satu atau dua variabel yang menerangkan.

II. TUJUAN PEGGUNAAN REGRESI LINIER BERGANDA.

1. Untuk membuat estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai variabel bebas.

2. Untuk menguji hipotesis karakteristik dependensi.

3. Untuk meramalkan nilai rata-rata variabel bebas berdasarkan pada nilai variabel bebas diluar pengakuan sampel.

(56)

METODE RISET

datanya harus normal. Lebih jelasnya silahkan buka kembali materi tentang uji normalitas.

 Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara pengamatan pada periode t dengan pengamatan pada periode t-1. Model regresi yang baik seharusnya bebas autokorelasi.

Untuk mengetahui autokorelasi atau tidak dapat dilakukan dengan Uji Durbin Watson (DW) menurut Singgih Santoso (2000:218) secara dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.

Tabel 4.1 Output Autokorelasi

Sumber: Skripsi, Sutrisni, Tahun 2010

(57)

METODE RISET

Cara yang dapat dilakukan jika terjadi autokorelasi, antara lain : Jika regresi kita memiliki autokorelasi, maka ada beberapa opsi penyelesaiannya antara lain :

a. Tentukan apakah autokorelasi yang terjadi merupakan pure

autocorrelation.

b. Jika yang terjadi adalah pure autocorrelation, maka solusi autokorelasi adalah dengan mentransformasi.

 Uji Multikolonieritas

Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antarvariabel bebas (independent). Model regresi yang baik seharusnya bebas multikolinieritas atau tidak terjadi korelasi antarvariabel variabel bebas (independent).

Untuk mengetahui ada tidaknya gejala multikolinieritas di dalam model regresi, maka perlu diperhatikan hal-hal berikut ini:

a. Nilai Tolerance harus lebih besar dari 0,10

b. Nilai Variance Infaltion Factor (VIF) lebih kecil dari 10

Dibawah ini adalah contoh hasil SPSS untuk uji multikolonieritas dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.

Tabel 4.2 Output Multikolinieritas

(58)

METODE RISET

Berdasarkan gambar diatas diketahui bahwa nilai tolerance kelima variabel independen lebih besar dari 0.1 dan nilai VIF dari kelima variabel independen tersebut kurang dari 10, maka dapat disimpulkan bahwa tidak ada multikolinieritas.

Cara yang dapat dilakukan jika terjadi multikolonieritas, antara lain : Jika regresi kita memiliki multikolonieritas, maka ada beberapa opsi penyelesaiannya antara lain :

a. Menggabungkan data crossection dan time series (pooling data). b. Keluarkan satu atau lebih variabel independen yang mempunyai

korelasi tinggi dari model regresi.

c. Transformasi variabel merupakan salah satu cara mengurangi hubungan linier diantara variabel independen. Transformasi dapat dilakukan dengan bentuk logaritma.

d. Gunakan metode analisis yang lainnya.

 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik seharusnya bebas heteroskedastisitas.

Dengan melihat grafik plot antara nilai variabel terikat (SRESID) dengan residual (ZPRED). Jika ada pola tertentu, seperti titik-titik yang membentuk pola yang teratur (menyempit, melebar, maupun bergelombang) maka terjadi heterokedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah ataupun diatas angka 0 pada sumbu Y, maka terjadi homoskedastisitas.

(59)

METODE RISET

Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang” yang tidak terjadi heteroskedastisitas.

Gambar 4.1 Output Tidak Terjadi Heteroskedastisitas

Dari gambar diatas dapat dilihat bahwa tidak ada pola yang jelas, titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y, sehingga dapat disimpulkan bahwa tidak ada heteroskedastisitas.

Dibawah ini adalah contoh hasil SPSS untuk uji heteroskedastisitas dengan judul “Peran Variabel Citra Perusahaan, Kepercayaan Dan Biaya Perpindahan Yang Memediasi Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan” yang terjadi heteroskedastisitas.

(60)

METODE RISET

Dari gambar diatas dapat dilihat bahwa terdapat pola yang jelas, titik-titik membentuk garis mengikuti sumbu Y, sehingga dapat disimpulkan bahwa terdapat heteroskedastisitas.

Cara yang dapat dilakukan jika terjadi heteroskedastisitas, antara lain :

Jika regresi kita memiliki heteroskedastisitas, dengan cara pola heteroskedastisitas. Ada beberapa asumsi pola heteroskedastisitas antara lain :

a. Asumsi 1 : error varianceσ2 i terhadap X2 i.

b. Asumsi 2 : error variance σ2 i terhadap variabel independen Xi atau disebut transformasi akar kuadrat.

c. Asumsi 3 : error varianceσ2 i terhadap kuadrat nilai Y. d. Asumsi 4 : lakukan transformasi dalam bentuk logaritma.

2. Persamaan Regresi Linier Berganda

Koefisien korelasi adalah koefisien yang digunakan untuk mengetahui hubungan antara variabel X dan Y.

Syaratnya yaitu :

(61)

METODE RISET

b. Jika r = 0 atau mendekati 0, maka hubungannya sangat lemah atau bahkan tidak ada hubungan sama sekali.

c. Jika r = -1 atau mendekati -1, maka hubungannya kuat dan tidak searah.

Dibawah ini adalah contoh hasil SPSS untuk koefisien korelasi dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.

Tabel 4.3 Output Koefisien Korelasi

Berdasarkan gambar diatas, didapat nilai koefisien korelasi sebesar 0,872. Hal ini berarti nilai 0,872 mendekati +1, maka hubungannya kuat dan searah yang artinya memenuhi syarat koefisien korelasi.

4. Koefisien Determinasi (R2)

Koefisien determinasi adalah koefisien yang digunakan untuk mengetahui seberapa besar variabel bebas (X) mempengaruhi variabel terikat (Y). Nilai koefisien determinasi berkisar antara 0 sampai dengan 1.

(62)

METODE RISET

Tabel 4.4 Output Koefesien Determinasi

Berdasarkan gambar diatas, didapat nilai koefisien determinasi sebesar 0,758. Hal ini berarti nilai 0,758 berkisar antara 0 sampai dengan 1 yang artinya memenuhi syarat koefisien determinasi.

5. Uji t

Uji parsial dengan t-test ini bertujuan untuk mengetahui besarnya pengaruh masing-masing variabel independen secara individual (parsial) terhadap variabel dependen. Kriteria pengambilan keputusan uji hipotesis secara parsial didasarkan pada nilai probabilitas.

Kriteria pengambilan keputusan untuk uji parsial adalah sebagai berikut:

 Jika P-value > 0.05 maka H0 diterima.

 Jika P-value < 0.05 maka H1 diterima.

(63)

METODE RISET

Tabel 4.5 Output Uji t

Hipotesis yang digunakan dalam uji parsial (uji t) adalah:

H01 : Kualitas produk tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.

H11 : Kualitas produk berpengaruh signifikan terhadap Loyalitas Pelanggan.

H02 : Kualitas pelayanan tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.

H12 : Kualitas pelayanan berpengaruh signifikan terhadap Loyalitas Pelanggan.

H03 : Desain produk tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.

H13 : Desain produk berpengaruh signifikan terhadap Loyalitas Pelanggan.

(64)

METODE RISET

H05 : Kepercayaan tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.

H15 : Kepercayaan berpengaruh signifikan terhadap Loyalitas Pelanggan.

Berdasarkan gambar diatas, diketahui bahwa nilai signifikan semua variabel bebas masing-masing sebesar 0,000; 0,004; 0,000; 0,002; 0,009 dan nilai signifikan semua variabel lebih kecil dari 0,05 maka keputusannya adalah H0 ditolak, H1 diterima. Dengan demikian, dapat ditarik kesimpulan bahwa kualitas produk, kualitas pelayanan, desain produk, harga & kepercayaan berpengaruh signifikan terhadap Loyalitas Pelanggan.

6. Uji F

Uji simultan dengan F-test ini bertujuan untuk mengetahui pengaruh bersama-sama variabel independen terhadap variabel dependen. Kriteria pengambilan keputusan didasarkan pada nilai probabilitas.

Kriteria pengambilan keputusan untuk uji simultan adalah sebagai berikut:

 Jika P-value > 0.05 maka H0 diterima.

 Jika P-value < 0.05 maka H1 diterima.

Dibawah ini adalah contoh hasil SPSS untuk uji F dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.

(65)

METODE RISET

Tabel 4.6 Output Uji F

Hipotesis yang digunakan pada uji F (uji simultan) adalah:

H0 : Kualitas produk, kualitas pelayanan, desain produk, harga & kepercayaan secara bersama-sama tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.

H1 : Kualitas produk, kualitas pelayanan, desain produk, harga & kepercayaan secara bersama-sama berpengaruh signifikan terhadap Loyalitas Pelanggan.

Berdasarkan gambar diatas, diketahui bahwa nilai signifikan semua variabel bebas secara bersama-sama sebesar 0,000 dan nilai signifikannya lebih kecil dari 0,05 maka keputusannya adalah H0 ditolak, H1 diterima. Dengan demikian, dapat ditarik kesimpulan bahwa kualitas produk, kualitas pelayanan, desain produk, harga & kepercayaan secara bersama-sama berpengaruh signifikan terhadap Loyalitas Pelanggan.

IV. CONTOH KASUS

(66)

METODE RISET

Bulan Biaya Iklan Biaya Promosi Hasil Penjualan

Januari 570 151 5700

Taraf signifikan yang digunakan adalah 5% (α = 5%). Tentukan :

1) Persamaan regresi 2) Uji t

(67)

METODE RISET

V. LANGKAH-LANGKAH SOFTWARE

1. Tekan icon R commander pada desktop, kemudian akan muncul tampilan seperti dibawah ini.

Gambar 4.3 Tampilan Awal R-Commander

(68)

METODE RISET

Gambar 4.5 Tampilan New Data Set

3. Kemudian akan muncul data editor seperti dibawah ini.

(69)

METODE RISET

Gambar 4.7 Tampilan Variable Editor Biaya Iklan

Gambar 4.8 Tampilan Variable Editor Biaya Promosi

(70)

METODE RISET

5. Kemudian isi masing-masing variabel sesuai dengan data soal setelah selesai isi data kemudian tekan tombol X (close).

4.10 Tampilan Isi Data Editor

6. Selanjutnya pilih Window R commander maka akan muncul tampilan seperti ini.

(71)

METODE RISET

7. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol view data set, jika ada data yang salah, tekan tombol edit data set, lalu perbaiki data yang salah. Jika sudah benar, pilih menu Statistics, Fit models, Linear Regression, maka akan muncul seperti gambar dibawah ini.

4.12 Tampilan Menu Statistics

8. Pada Response Variable pilih variabel yang termasuk variabel terikat yaitu hasil penjualan dan pada Explanatory Variables pilih yang termasuk variabel bebas yaitu biaya iklan dan biaya promosi. Untuk memilih 2 variabel sekaligus tekan Ctrl lalu pilih biaya iklan dan biaya promosi

(72)

METODE RISET

9. kemudian tekan tombol OK. Maka akan muncul hasil pada output window sebagai berikut.

(73)

METODE RISET

VI. ANALISIS PENGUJIAN 1) Persamaan Regresi

Y = 2741.0085 + 1.0343 X1 + 15.1089 X2

Dari persamaan regresi diatas maka dapat disimpulkan hasilnya adalah sebagai berikut:

 Konstanta (α) bernilai positif yaitu sebesar 2741.0085, artinya jika variabel-variabel independen yaitu biaya iklan & biaya promosi bernilai nol, maka hasil penjualan naik sebesar Rp 2741.0085.

 Variabel bebas biaya iklan bernilai positif yaitu 1.0343. Hal ini menunjukkan bahwa setiap peningkatan sebesar 1% variabel biaya iklan, maka hasil penjualan akan naik sebesar Rp 1.0343.

 Variabel bebas biaya promosi bernilai positif yaitu 15.1089. Hal ini menunjukkan bahwa setiap peningkatan sebesar 1% variabel biaya promosi, maka hasil penjualan akan naik sebesar Rp 15.1089.

2) Uji t (Parsial)

Uji t digunakan untuk mengetahui masing-masing variabel bebas berpengaruh signifikan atau tidak terhadap variabel terikat.

Biaya Iklan

 Hipotesis :

H0 : Biaya iklan tidak berpengaruh signifikan terhadap hasil penjualan.

H1 : Biaya iklan berpengaruh signifikan terhadap hasil penjualan.

 Syarat :

Jika P-value > 0.05 maka H0 diterima. Jika P-value < 0.05 maka H1 diterima.

 Nilai P-value : 0.1662 > 0.05

 Keputusan : H0 diterima.

(74)

METODE RISET

Biaya Promosi

 Hipotesis :

H0 : Biaya promosi tidak berpengaruh signifikan terhadap hasil penjualan.

H1 : Biaya promosi berpengaruh signifikan terhadap hasil penjualan.

 Syarat :

 Nilai P-value : 0.0780 > 0.05

 Kesimpulan : Biaya promosi tidak berpengaruh signifikan terhadap hasil penjualan.

3) Uji F (Simultan)

Uji F digunakan untuk mengetahui apakah secara bersama-sama variable bebas berpengaruh signifikan terhadap variabel terikatnya.

 Hipotesis :

 Nilai P-value : 0.1173 > 0.05

(75)

METODE RISET

4) R2

(76)

METODE RISET

DAFTAR PUSTAKA

Amaliyah, Siti. 2012. Analisis Kinerja Keuangan dan Pengaruhnya Terhadap Harga Saham PT. United Tractors (PERSERO), Tbk Periode 2009-2011. PI Jurusan Akuntansi Universitas Gunadarma.

Apriyo, Ari,. 2013 Analisis Overreaction pada Saham Perusahaan Manufaktur di Bursa Efek Indonesia (BEI) Periode 2005-2009”. Jurnal Nomina. Vol II No II.

Desti Widiyana, 2013. Pengaruh model pembelajaran ARIAS (Assurance, Relevance, Interest, Assessment, and Satisfaction) Terhadap hasil belajar KKPI pada siswa kelas X SMK Negeri 1 Pedan

Ghozali. 2011. Aplikasi Analisis Multivariate Dengan Program SPSS. Semarang, BP Universitas Diponegoro, Jakarta.

Kurniawanda,A.M.. 2013. Pengaruh Profesionalisme Auditor Dan Etika Profesi Terhadap Pertimbangan Tingkat Materialitas. Jurnal Akuntansi Universitas Jambi.

Modul Metode Riset. Lab. Manajemen Dasar Periode PTA 2015/2016.

Priyatno, Duwi. 2010, Paham Analisa Statistik Data Dengan SPSS. Yogyakarta : Mediakom.

(77)

METODE RISET

Manufaktur Yang Tercatat Di Bursa Efek Indonesia Periode 2006-2010. Jurnal Nominal Universitas Negeri Yogyakarta.

Rochaety, Ety. 2007. Metodologi Penelitian Bisnis dengan Aplikasi SPSS. Jakarta: Mitra Wacana Media.

Santoso, Singgih, 1998, “Faktor yang Mempengaruhi Harga Saham Sektor Manufaktur di Bursa Efek Jakarta”, Jurnal Bisnis dan Ekonomi,

Sunyoto, Danang. 2011. Analisis Regresi dan Uji Hipotesisi. Yogyakarta: Caps

Suwono, Jonathan. 2006. SPSS 14 Panduan Cepat dan Mudah. Yogyakarta : Penerbit Andi.

Tri Hendardi, C. 2009. SPSS 16 Step by Step Analisis Data Statistik. Yogykarta: Penerbit Andi.

(78)