MAKALAH ANALISIS UJI ASUMSI KLASIK SKRIPSI
Makalah Ini Disusun Untuk Memenuhi Tugas Mata Kuliah Statistik Inferensial
Dosen Pengampu Nimas Dian Fitria, S.Pd, M.Pd.
Disusun Oleh Kelompok 6:
Mahfud Baihaki 212004010
Finurillah 212003976
Lailatul Fitria 212004126
Shelia Windi Kurniawati 212004068
Siti Khotimah 212004074
Siti Mariya Ulfa 212004077
PROGRAM STUDI PENDIDIKAN EKONOMI STKIP PGRI LUMAJANG Jl. Pisang Gajih N.02 telp. (0334) 882467
LUMAJANG
2023
1. Prasyarat Uji Asumsi
Sebelum dilakukan analisis tersebut, terlebih dahulu dilakukan uji persyaratan yaitu uji normalitas data dan lineritas data.
1) Uji normalitas
Uji normalitas dilakukan untuk mengetahui apakah data penelitian berdistribusi normal atau tidak. Uji normalitas ini menggunakan Chi Kuadrat, yaitu dengan rumus sebagai berikut:
Keterangan:
x 2= koefisien Chi Kuadrat fo= frekuensi yang diobservasi
fb = frekuensi yang diharapkan (Sugiyono, 2010:107)
Apabila harga chi kuadrat yang diperoleh melalui hitungan lebih kecil dari harga chi kuadrat tabel dengan taraf signifikansi 5 % pada derajat kebebasan jumlah kelas interval dikurangi satu (k–1) maka data dari variabel tersebut berdistribusi normal. Sebaliknya jika harga chi kuadrat melalui hitungan atau observasi lebih besar dari harga chi kuadrat tabel maka data tersebut berdistribusi tidak normal. Kriteria pengujian ini dapat dinyatakan sebagai berikut: Ho ditolak jika : chi hitung (0,05 (k–1)) > chi tabel (0,05 (k–1)) Ho diterima jika : chi hitung (0,05 (k–1)) < chi tabel (0,05) (k–1).
2) Uji Linearitas
Pengujian hipotesis hubungan antar variabel dilakukan dengan menentukan persamaan garis regresinya terlebih dahulu, untuk mengetahui bentuk hubungan antara variabel bebas dengan variabel terikat. Linieritas dilakukan terhadap variabel-variabel independen yang terdiri dari motivasi belajar dan minat belajar.
Variabel dependennya adalah prestasi belajar. Uji yang digunakan untuk mengetahui linier atau tidaknya adalah menggunakan uji F yang dikutip pada Sugiyono (2010:286) rumusnya sebagai berikut:
2
Ket:
Freg = harga garis korelasi
N = cacah kasus
m = cacah prediktor R = koefisien korelasi
Setelah didapat harga F, kemudian dikorelasikan dengan harga F pada tabel dengan taraf signifikansi 5%. Jika harga F hasil analisis (Fa) lebih kecil dari Ftabel (Ft) maka hubungan kriterium dengan prediktor adalah hubungan linier. Jika F hasil analisis (Fa) lebih besar dari Ftabel (Ft) maka hubungan kriterium dengan prediktor adalah hubungan non linier.
3) Uji Multikolinieritas
Uji Multikolinieritas dilakukan untuk mengetahui ada tidaknya hubungan antar variabel bebas. Menggunakan analisis korelasi akan diperoleh harga interkorelasi antar variabel bebas. Jika harga interkorelasi antar variabel bebas lebih kecil atau sama dengan 0,600 maka tidak terjadi multikolinieritas.
Kesimpulannya jika terjadi multikolinieritas antar variabel bebas maka uji kolerasi ganda tidak dapat dilanjutkan. Akan tetapi jika tidak terjadi multikolinieritas antar variabel maka ujikorelasi ganda dapat dilanjutkan. Berikut rumus untuk menghitung koefisien korelasi yang dikutip dari Sugiyono (2010:228):
Syarat terjadinya multikolineritas adalah jika harga interkorelasi antar variabel bebas lebih besar atau sama dengan 0,600. Apabila harga interkorelasi antar variabel bebas kurang dari 0,600 berarti tidak terjadi multikorelasi.
2. Uji Asumsi Klasik 1) Uji Normalitas
Uji normalitas bertujuan untuk mengetahui sebaran data penelitian berdistribusi normal atau tidak, sehingga selanjutnya dapat digunakan metode statistika yang akan digunakan apakah menggunakan statistik parametris atau nonparametris. Uji normalitas dalam penelitian ini menggunakan rumus Chi Kuadrad. Kriteria yang digunakan yaitu data dikatakan berdistribusi normal jika harga Chi Kuadrad hitung lebih besar dari harga Chi Kuadrad tabel. Berikut merupakan hasil uji normalitas yang disajikan dengan bantuan tabel penolong.
Tabel Penolong Untuk Pengujian Normalitas Data Motivasi
Dalam perhitungan ditemukan Chi Kuadrad hitung = 10,12. Harga Chi Kuadrad tabel diketahui = 11,070. Karena harga Chi Kuadrad hitung lebih kecil dari harga Chi Kuadrad tabel 10,12<11,070 maka dapat dinyatakan data motivasi belajar berdistribusi
Interval
34-38 3 1 2 4 4,63
39-43 3 4 -1 2 0,41
44-48 10 11 -1 1 0,08
49-53 11 11 0 0 0,00
54-58 2 4 -2 4 1,00
59-63 3 1 2 4 4,00
32 32 10,12
normal.
Tabel Penolong Untuk Pengujian Normalitas Data Minat
Dalam perhitungan ditemukan Chi Kuadrad hitung = 8,93. Harga Chi Kuadrad tabel
diketahui = 11,070. Karena harga Chi Kuadrad hitung lebih kecil dari harga Chi Kuadrad tabel 8,93<11,070 maka dapat dinyatakan data minat belajar berdistribusi normal.
Tabel Penolong Untuk Pengujian Normalitas Data Prestasi
Dalam perhitungan ditemukan Chi Kuadrad hitung = 9,71. Harga Chi Kuadrad tabel diketahui = 11,070. Karena harga Chi Kuadrad hitung lebih kecil dari harga Chi Kuadrad tabel 9,71<11,070 maka dapat dinyatakan data prestasi belajar berdistribusi normal.
2) Uji Linieritas
Uji Linieritas bertujuan untuk mengetahui mengetahui linier atau tidaknya sebaran data penelitian, Uji yang digunakan untuk Pengujian Linieritas adalah uji F. Berdasarkan
No Variabel Sig. Deviation
from Linierity
Taraf Signifikansi
Kesimpulan
1. Motivasi Belajar dengan Prestasi belajar
0,277 0,05 Linier
Interval
38 – 42 3 1 2 4 4,63
43 – 48 4 4 0 0 0,03
49 – 53 11 11 0 0 0,00
54 – 58 6 11 -5 25 2,27
59 – 64 6 4 2 4 1,00
65 – 70 2 1 1 1 1,00
32 32 8,93
Interval
1 – 3 1 1 0 0 0,16
4 – 6 3 4 -1 2 0,41
7 – 9 8 11 -3 9 0,78
10 – 12 9 11 -2 4 0,36
13 – 16 8 4 4 16 4,00
17 – 19 3 1 2 4 4,00
32 32 9,71
analisis data dengan bantuan program SPSS 19 dapat diketahui Uji linieritas antara Variabel bebas (Motivasi belajar dan Minat belajar) dengan Variabel terikatnya (Prestasi belajar) dilihat dari deviation from liniarity, Menurut hasil perhitungan didapatkan nilai deviation from liniarity sebesar 0,277 antara Motivasi Belajar dan Prestasi belajar, dan sebesar 0,393 antara Minat belajar dan Prestasi belajar. Menurut kriterianya adalah jika harga deviation from liniarity lebih besar dari taraf signifikansi yang diambil (5%) berarti berhubungan linier. Dalam penelitian ini terbukti bahwa deviation from liniarity antara variabel bebas dengan variabel terikatnya adalah lebih besar terhadap taraf signifikansinya (0.05), maka dapat disimpulkan bahwa Motivasi belajar, dan Minat belajar dengan Prestasi belajar bersifat linier. Artinya hubungan atau korelasi tersebut dapat dinyatakan dengan sebuah garis lurus. Apabila mempunyai hubungan atau korelasi yang linier positif maka jika variabel satu meningkat, variabel yang lain akan meningkat, demikian sebaliknya. Akan tetapi apabila korelasi atau hubungan itu linier negatif jika variabel satu naik maka variabel yang lain akan turun dan demikian sebaliknya. Rangkuman hasil uji linearitas dapat dilihat pada Tabel 13.
3) Uji Multikolinearitas
No Variabel Sig. Deviation
from Linierity
Taraf Signifikansi
Kesimpulan
1. Motivasi Belajar dengan Prestasi belajar
0,277 0,05 Linier
2. Minat belajar dengan Minat Prestasi belajar
0,393 0,05 Linier
Variabel X1 X2 Ket
Motivasi Belajar (X1) 1 0.047 Tidak terjadi multikolinearitas Minat Belajar (X2) 0.047 1 Tidak terjadi multikolinearitas
Syarat tidak terjadi multikolinieritas apabila interkorelasi antar variabel bebas kurang dari 0,60 sehingga analisis regresi berganda dapat dilanjutkan. Apabila terdapat korelasi lebih dari 0,60 maka terjadi multikolinieritas sehingga analisis regresi ganda tidak dapat dilanjutkan. Uji multikolinieritas dilakukan dengan menggunakan bantuan program komputer SPSS 19, diperoleh hasil uji multikolinieritas yang disajikan pada Tabel 14. Sebagai berikut :
3. Langkah-Langkah Uji Klasik di SPSS
Dengan asumsi data yang digunakan adalah sebagai berikut:
Tahun Y X2 X3 X4 X5
1960 27.8 397.5 42.2 50.7 78.3
1961 29.9 413.3 38.1 52 79.2
1962 29.8 439.2 40.3 54 79.2
1963 30.8 459.7 39.5 55.3 79.2
1964 31.2 492.9 37.3 54.7 77.4
1965 33.3 528.6 38.1 63.7 80.2
1966 35.6 560.3 39.3 69.8 80.4
1967 36.4 624.6 37.8 65.9 83.9
1968 36.7 666.4 38.4 64.5 85.5
1969 38.4 717.8 40.1 70 93.7
1970 40.4 768.2 38.6 73.2 106.1
1971 40.3 843.3 39.8 67.8 104.8
1972 41.8 911.6 39.7 79.1 114
1973 40.4 931.1 52.1 95.4 124.1
1974 40.7 1021.5 48.9 94.2 127.6
1975 40.1 1165.9 58.3 123.5 142.9
1976 42.7 1349.6 57.9 129.9 143.6
1977 44.1 1449.4 56.5 117.6 139.2
1978 46.7 1575.5 63.7 130.9 165.5
1979 50.6 1759.1 61.6 129.8 203.3
1980 50.1 1994.2 58.9 128 219.6
1981 51.7 2258.1 66.4 141 221.6
1982 52.9 2478.7 70.4 168.2 232.6
1) Uji Normalitas
Lakukan regresi untuk data permintaan ayam di atas.
Analyze Regression Linear, akan muncul tampilan sebagai berikut:
Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel X2, X3, X4 dan X5 ke kotak Independent(s) dengan mengklik tombol tanda panah. Kemudian pilih Save dan muncul tampilan sebagai berikut:
Centang pilihan Unstandardized pada bagian Residuals, kemudian pilih Continue dan pada tampilan awal pilih tombol OK, akan menghasilkan variabel baru bernama Unstandardized Residual (RES_1). Selanjutnya Analyze Descriptive Statistics Descriptives akan muncul tampilan sebagai berikut.
Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri, selanjutnya pilih Options akan muncul tampilan sebagai berikut:
Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan pada tampilan awal pilih OK. Hasilnya sebagai berikut (Beberapa bagian dipotong untuk menghemat tempat).
Skewness Kurto
sis Statistic Std.
Error
Statistic Std.
Error
Unstandardized Residual Valid N (listwise)
.105 .481 -
1.002 .935
Terlihat bahwa rasio skewness = 0,105/ 0,481 = 0,218; sedang rasio kurtosis = -1,002/ 0,935 = - 1,071. Karena rasio skewness dan rasio kurtosis berada di antara –2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah normal.
2) Uji Linieritas
Lakukan regresi untuk data permintaan ayam di atas seperti pada Uji Normalitas. Setelah itu pilih Statistics akan muncul tampilan seperti di bawah ini.
Kemudian centang pilihan Durbin-Watson setelah itu pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK.
Hasil dari perhitungan Durbin-Watson Statistik akan muncul pada tabel Model Summary seperti di bawah ini.
Model
Summaryb
Model R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .
971a
. 943
.930 1.9532
0
1.065
a. Predictors: (Constant), X5, X3, X4, X2 b.Dependent Variable: Y
Langkah selanjutnya adalah menetapkan nilai dL dan dU. Caranya adalah dengan menggunakan derajat kepercayaan 5%, sampel (n) yang kita miliki sebanyak 23 observasi, dan variabel penjelas sebanyak 4 maka dapatkan nilai dL dan dU sebesar 1,078 dan 1,660. Maka dapat disimpulkan bahwa model ini memiliki gejala autokorelasi positif.
3) Uji Multikolinieritas
Analyze Correlate Partial akan muncul tampilan sebagai berikut.
Masukkan variabel X2, X3, X4 dan X5 ke dalam kotak Variables, dan variabel Y ke dalam kotak Controlling for, dan kemudian OK. Hasilnya sebagai berikut.
Correlations
Untuk menentukan apakah hubungan antara dua variabel bebas memiliki masalahmultikoliniaritas adalah melihat nilai Significance (2-tailed), jika nilainya
Control Variables X2 X
3
X 4
X5
Y X2 Correlation
Significance (2- tailed) Df
1.000 .782 .708 .881
. .000 .000 .000
0 20 20 20
X3 Correlation
Significance (2- tailed)
Df
.782 1.000 .917 .744
.000 . .000 .000
20 0 20 20
X4 Correlation
Significance (2- tailed)
Df
.708 .917 1.000 .602
.000 .000 . .003
20 20 0 20
X5 Correlation
Significance (2- tailed) Df
.881 .744 .602 1.000
.000 .000 .003 .
20 20 20 0
lebih kecil dari 0,05 (α=5%) maka diindikasikan memiliki gejala Multikolinearitas yang serius. Dari seluruh nilai Significance (2-tailed) di atas, dapat disimpulkan seluruh variabel penjelas tidak terbebas dari masalah Multikolinearitas.
