Professional Documents
Culture Documents
Analisis Regresi Linier Berganda Dengan Data Rasio
Analisis Regresi Linier Berganda Dengan Data Rasio
Uji normalitas
Uji linearitas
Uji homogenitas
Uji normalitas
Uji heteroskedastisitas
Analisis Deskriptif
Tabel
2
Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05.
Kriteria pengujian adalah sebagai berikut:
- Jika r hitung r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau
item-item pertanyaan berkorelasi signifikan terhadap skor total
(dinyatakan valid).
- Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau
item-item pertanyaan tidak berkorelasi signifikan terhadap skor total
(dinyatakan tidak valid).
Contoh Kasus:
Seorang mahasiswa bernama Andi melakukan penelitian dengan
menggunakan skala untuk mengetahui atau mengungkap prestasi
belajar seseorang. Andi membuat 10 butir pertanyaan dengan
menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 =
Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan
skala kepada 12 responden didapatlah tabulasi data-data sebagai
berikut:
3
Ketikkan data sesuai dengan variabelnya, untuk skortot ketikkan total
skornya.
Klik Analyze - Correlate - Bivariate
Klik semua variabel dan masukkan ke kotak variables
Klik OK. Hasil output yang diperoleh dapat diringkas sebagai berikut:
Dari hasil analisis didapat nilai korelasi antara skor item dengan
skor total. Nilai ini kemudian kita bandingkan dengan nilai r tabel, r
tabel dicari pada signifikansi 0,05 dengan uji 2 sisi dan jumlah data (n)
= 12, maka didapat r tabel sebesar 0,576 (lihat pada lampiran tabel r).
Berdasarkan hasil analisis di dapat nilai korelasi untuk item 1, 9
dan 10 nilai kurang dari 0,576. Karena koefisien korelasi pada item 1, 9
dan 10 nilainya kurang dari 0,576 maka dapat disimpulkan bahwa
item-item tersebut tidak berkorelasi signifikan dengan skor total
(dinyatakan tidak valid) sehingga harus dikeluarkan atau diperbaiki.
Sedangkan pada item-item lainnya nilainya lebih dari 0,576 dan dapat
disimpulkan bahwa butir instrumen tersebut valid.
4
2. Corrected Item-Total Correlation
Analisis ini dengan cara mengkorelasikan masing-masing skor
item dengan skor total dan melakukan koreksi terhadap nilai koefisien
korelasi yang overestimasi. Hal ini dikarenakan agar tidak terjadi
koefisien item total yang overestimasi (estimasi nilai yang lebih tinggi
dari yang sebenarnya). Atau dengan cara lain, analisis ini menghitung
korelasi tiap item dengan skor total (teknik bivariate pearson), tetapi
skor total disini tidak termasuk skor item yang akan dihitung. Sebagai
contoh pada kasus di atas kita akan menghitung item 1 dengan skor
total, berarti skor total didapat dari penjumlahan skor item 2 sampai
item 10. Perhitungan teknik ini cocok digunakan pada skala yang
menggunakan item pertanyaan yang sedikit, karena pada item yang
jumlahnya banyak penggunaan korelasi bivariate (tanpa koreksi) efek
overestimasi yang dihasilkan tidak terlalu besar.
Menurut Azwar (2007) agar kita memperoleh informasi yang lebih
akurat mengenai korelasi antara item dengan tes diperlukan suatu
rumusan koreksi terhadap efek spurious overlap.
Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05.
Kriteria pengujian adalah sebagai berikut:
- Jika r hitung r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen
atau item-item pertanyaan berkorelasi signifikan terhadap skor total
(dinyatakan valid).
- Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau
item-item pertanyaan tidak berkorelasi signifikan terhadap skor total
(dinyatakan tidak valid).
Sebagai contoh kasus kita menggunakan contoh kasus dan data-data
pada analisis produk momen di atas.
Langkah-langkah pada program SPSS
Masuk program SPSS
Klik variable view pada SPSS data editor
Pada kolom Name ketik item1 sampai item 10
Pada kolom Decimals angka ganti menjadi 0 untuk seluruh item
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor
Ketikkan data sesuai dengan variabelnya,
Klik Analyze - Scale Reliability Analysis
Klik semua variabel dan masukkan ke kotak items
Klik Statistics, pada Descriptives for klik scale if item deleted
Klik continue, kemudian klik OK, hasil output yang didapat adalah
sebagai berikut:
5
Teknik Corrected Item-Total Correlation
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
N of Cases = 12.0 N of Items = 10
Alpha = .8384
6
2. UJI RELIABILITAS KUISIONER
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
7
Scale Scale Corrected
Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
Reliability Coefficients
N of Cases = 12.0 N of Items = 6
Alpha = .8970
8
Uji normalitas digunakan untuk mengetahui apakah populasi data
berdistribusi normal atau tidak. Uji ini biasanya digunakan untuk
mengukur data berskala ordinal, interval, ataupun rasio. Jika analisis
menggunakan metode parametrik, maka persyaratan normalitas harus
terpenuhi yaitu data berasal dari distribusi yang normal. Jika data tidak
berdistribusi normal, atau jumlah sampel sedikit dan jenis data adalah
nominal atau ordinal maka metode yang digunakan adalah statistik
non parametrik. Dalam pembahasan ini akan digunakan uji One
Sample Kolmogorov-Smirnov dengan menggunakan taraf signifikansi
0,05. Data dinyatakan berdistribusi normal jika signifikansi lebih besar
dari 5% atau 0,05.
Contoh Kasus:
Seorang mahasiswa bernama Bambang melakukan penelitian
tentang faktor-faktor yang mempengaruhi harga saham pada
perusahaan di BEJ. Data-data yang di dapat berupa data rasio dan
ditabulasikan sebagai berikut:
9
analisis tersebut dilakukan uji normalitas untuk mengetahui sebaran
data.
Sebagai catatan: bila menggunakan analisis regresi linear, uji
normalitas bisa dilakukan dengan melihat nilai residualnya, apakah
residual berasal dari distribusi normal ataukah tidak.
10
2. UJI HOMOGENITAS
Contoh Kasus:
Seorang mahasiswi bernama Hanny melakukan penelitian untuk
mengetahui apakah ada perbedaan pemahaman mahasiswa jika dilihat
dari tingkat prestasi. Dengan ini Hanny menggunakan kuesioner
sebagai alat pengumpul data yang disebar pada 20 responden dan
membuat dua variabel pertanyaan yaitu pemahaman mahasiswa dan
tingkat prestasi. Pada variabel pemahaman mahasiswa memakai skala
Likert dengan pertanyaan favorabel dan unfavorabel (mengungkap dan
tidak mengungkap). Pada item favorabel skala yang dipakai 1 = sangat
tidak setuju, 2 = tidak setuju, 3 = setuju, dan 4 = sangat setuju. Pada
item unfavorabel sebaliknya yaitu 1 = sangat setuju, 2 = setuju, 3 =
tidak setuju, dan 4 = sangat tidak setuju. Untuk variabel tingkat
prestasi menggunakan data nominal yang dibuat tiga alternatif
jawaban yaitu 1 = IPK kurang dari 2,50; 2 = IPK 2,51-3,30 dan 3 = IPK
3,31-4,00. Data-data yang di dapat ditabulasikan sebagai berikut:
11
11 2 2 1 4 4 3 1 4 4 2 27 2
12 3 1 3 2 2 4 4 3 2 4 28 1
13 3 4 3 4 2 4 4 4 1 4 33 3
14 4 4 2 3 4 4 2 4 4 3 34 3
15 2 4 4 4 4 2 3 4 4 4 35 3
16 4 2 3 4 3 4 3 3 4 2 32 1
17 1 3 2 3 4 2 4 4 3 2 28 1
18 4 4 3 4 4 4 4 4 4 4 39 3
19 4 4 2 2 3 3 2 1 2 4 27 2
20 4 2 2 4 2 4 2 3 4 2 29 2
Pada kolom Name ketik item1, kolom Name pada baris kedua
ketik item2.
Pada kolom Decimals untuk kolom item1 dan item2 angka ganti
menjadi 0.
Untuk kolom Values, klik simbol kotak kecil pada kolom baris
kedua, pada Value ketik 1 kemudian pada Value Label ketikkan
IPK kurang dari 2,50, kemudian klik Add. Kemudian pada Value
ketik 2 kemudian pada Value Label ketikkan IPK 2,50-3,30,
kemudian klik Add. Selanjutnya pada Value ketik 3 kemudian
pada Value Label ketikkan IPK 3,31-4,00, kemudian klik Add.
Klik OK
Buka data view pada SPSS data editor, maka didapat kolom
variabel item1 dan item2.
12
Pada kolom item1 ketikkan data total skor item, pada kolom
item2 ketikkan angka-angka 1 sampai 3 yang menunjukkan tanda
nilai IPK.
Klik Options
Klik OK, maka hasil output yang didapat pada kolom Test of
Homogeneity of Variance adalah sebagai berikut:
Duwi Consultant
Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel
independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah
hubungan antara variabel independen dengan variabel dependen apakah positif atau
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
13
independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya
berskala interval atau rasio.
Rumus regresi linear sederhana sebagi berikut:
Y = a + bX
Keterangan:
Y = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y apabila X = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Contoh kasus:
Seorang mahasiswa bernama Hermawan ingin meneliti tentang pengaruh biaya
promosi terhadap volume penjualan pada perusahaan jual beli motor. Dengan ini di
dapat variabel dependen (Y) adalah volume penjualan dan variabel independen (X)
adalah biaya promosi. Dengan ini Hermawan menganalisis dengan bantuan program
SPSS dengan alat analisis regresi linear sederhana. Data-data yang di dapat
ditabulasikan sebagai berikut:
14
Klik variable view pada SPSS data editor
Pada kolom Name ketik y, kolom Name pada baris kedua ketik x.
Pada kolom Label, untuk kolom pada baris pertama ketik Volume Penjualan, untuk
kolom pada baris kedua ketik Biaya Promosi.
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor, maka didapat kolom variabel y dan x.
Ketikkan data sesuai dengan variabelnya
Klik Analyze - Regression - Linear
Klik variabel Volume Penjualan dan masukkan ke kotak Dependent, kemudian klik
variabel Biaya Promosi dan masukkan ke kotak Independent.
Klik Statistics, klik Casewise diagnostics, klik All cases. Klik Continue
Klik OK, maka hasil output yang didapat pada kolom Coefficients dan Casewise
Diagnostics adalah sebagai berikut:
15
Persamaan regresinya sebagai berikut:
Y = a + bX
Y = -28764,7 + 0,691X
16
Uji ini digunakan untuk mengetahui apakah variabel independen (X) berpengaruh
secara signifikan terhadap variabel dependen (Y). Signifikan berarti pengaruh yang
terjadi dapat berlaku untuk populasi (dapat digeneralisasikan).
Dari hasil analisis regresi di atas dapat diketahui nilai t hitung seperti pada tabel 2.
Langkah-langkah pengujian sebagai berikut:
1. Menentukan Hipotesis
Ho: Ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan
Ha :Tidak ada pengaruh secara signifikan antara biaya promosi dengan volume
penjualan
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5% (signifikansi 5% atau 0,05 adalah ukuran
standar yang sering digunakan dalam penelitian)
3. Menentukan t hitung Berdasarkan tabel diperoleh t hitung sebesar 10,983
4. Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan
(df) n-k-1 atau 20-2-1 = 17 (n adalah jumlah kasus dan k adalah jumlah variabel
independen). Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t
tabel sebesar 2,110 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara
pada cell kosong ketik =tinv(0.05,17) lalu enter.
5. Kriteria Pengujian:
Ho diterima jika t tabel < t hitung < t tabel
Ho ditolak jika -thitung < -t tabel atau t hitung > t tabel
6. Membandingkan t hitung dengan t tabel
Nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak.
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak, artinya bahwa
ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan.
Jadi dalam kasus ini dapat disimpulkan bahwa biaya promosi berpengaruh terhadap
volume penjualan pada perusahaan jual beli motor.
http://duwiconsultant.blogspot.com/2011/11/analisis-regresi-linier-sederhana.html#
Analisis Deskriptif
17
Tabel
UJI LINIERITAS
Contoh kasus:
Seorang mahasiswa bernama Joko melakukan penelitian untuk
mengetahui hubungan antara kecemasan dengan optimisme pada
remaja. Data-data skor total yang di dapat ditabulasikan sebagai
berikut:
18
Masuk program SPSS
Klik variable view pada SPSS data editor
Pada kolom Name ketik x, untuk kolom Name baris kedua ketik y
Pada kolom Decimals angka ganti menjadi 0 untuk variabel x dan y
Untuk kolom Label ketik Kecemasan, untuk kolom Label pada baris
kedua ketik Optimisme.
Kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor
Terlihat kolom x dan y, x adalah variabel kecemasan dan y adalah
variabel optimisme, ketikkan data sesuai dengan variabelnya.
Klik Analyze - Compare Means - Means
Klik variabel Optimisme dan masukkan ke kotak Dependent List,
kemudian klik variabel Kecemasan dan masukkan ke Independent List.
Klik Options, pada Statistics for First Layer klik Test for Linearity,
kemudian klik Continue
Klik OK, maka hasil output yang didapat pada kolom Anova Table
adalah sebagai berikut:
19
Uji normalitas pada model regresi digunakan untuk menguji apakah nilai
residual yang dihasilkan dari regresi terdistribusi secara normal atau tidak.
Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi
secara normal. Beberapa metode uji normalitas yaitu dengan melihat
penyebaran data pada sumber diagonal pada grafik Normal P-P Plot of
regression standardized residual atau dengan uji One Sample Kolmogorov
Smirnov. Berikut pembahasannya:
Contoh kasus:
Akan dilakukan analisis regresi untuk mengatahui pengaruh biaya produksi,
distribusi, dan promosi terhadap tingkat penjualan. sebelumnya akan
dilakukan uji normalitas pada model regresi untuk mengetahui apakah
residual terdistribusi normal atau tidak. Data seperti berikut:
1) Metode grafik
Uji normalitas residual dengan metode grafik yaitu dengan melihat
penyebaran data pada sumber diagonal pada grafik Normal P-P Plot of
regression standardized residual. Sebagai dasar pengambilan keputusannya,
jika titik-titik menyebar sekitar garis dan mengikuti garis diagonal maka nilai
residual tersebut telah normal.
Langkah-langkah analisis pada SPSS sebagai berikut:
20
- Inputkan data pada SPSS
- Untuk analisis data, klik menu Analyze >> Regression >> Linear
- Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan
ke kotak Dependent, kemudian masukkan variabel Biaya produksi, Biaya
distribusi, dan Biaya promosi ke kotak Independent(s).
- Klik tombol Plots, kemudian terbuka kotak dialog Linear Regression: Plots.
- Beri tanda centang pada Normal probability plot, kemudian klik tombol
Continue. Akan kembali ke kotak dialog sebelumnya, klik tombol OK. Maka
hasil grafik Normal P-P Plot seperti berikut:
Dari gambar grafik di atas dapat diketahui bahwa titik-titik menyebar sekitar
garis dan mengikuti garis diagonal maka nilai residual tersebut telah normal.
21
Dalam hal ini untuk mengetahui apakah distribusi residual terdistribusi
normal atau tidak. Residual berdistribusi normal jika nilai signifikansi lebih
dari 0,05.
Langkah-langkah analisis pada SPSS sebagai berikut:
- Inputkan data di SPSS
- Langkah pertama yaitu mencari nilai residual, caranya klik Analyze >>
Regression >> Linear
- Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan
ke kotak Dependent, kemudian masukkan variabel Biaya produksi, Biaya
distribusi, dan Biaya promosi ke kotak Independent(s).
- Klik tombol Save, selanjutnya akan terbuka kotak dialog Linear Regression:
Save
- Pada Residuals, beri tanda centang pada Unstandardized. Kemudian klik
tombol Continue. Akan kembali ke kotak dialog sebelumnya, klik tombol OK.
Hiraukan hasil output SPSS, Anda buka input data di halaman Data View,
disini akan bertambah satu variabel yaitu residual (RES_1).
- Langkah selanjutnya melakukan uji normalitas residual, caranya klik Analyze
>> Non Parametric tests >> Legacy Dialogs >> 1-Sample K-S.
- Selanjutnya akan terbuka kotak dialog One Sample Kolmogorov Smirnov
Test seperti berikut:
- Masukkan variabel Unstandardized Residual(RES 1) ke kotak Test Variable
List. Pada Test Distribution, pastikan terpilih Normal. Jika sudah klik tombol
OK. Akan kembali ke kotak dialog sebelumnya. Klik OK, maka hasil output
seperti berikut:
22
Dari output di atas dapat diketahui bahwa nilai signifikansi (Asymp.Sig 2-
tailed) sebesar 0,631. Karena signifikansi lebih dari 0,05 (0,631 > 0,05),
maka nilai residual tersebut telah normal.
2. UJI MULTIKOLINEARITAS
23
Contoh Kasus:
Sebagai contoh kasus kita mengambil contoh kasus pada uji
normalitas pada pembahasan sebelumnya. Pada contoh kasus tersebut
setelah dilakukan uji normalitas dan dinyatakan data berdistribusi
normal, maka selanjutnya akan dilakukan pengujian multikolinearitas .
Contoh kasus sebagai berikut:
Seorang mahasiswa bernama Bambang melakukan penelitian
tentang faktor-faktor yang mempengaruhi harga saham pada
perusahaan di BEJ. Data-data yang di dapat berupa data rasio dan
ditabulasikan sebagai berikut:
24
Klik variabel Harga Saham dan masukkan ke kotak Dependent,
kemudian klik variabel PER dan ROI dan masukkan ke kotak
Independent
Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue
Klik OK, pada output anda lihat tabel coefficients pada kolom
collinearity statistics, hasil yang di dapat sebagai berikut:
Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF)
kedua variabel yaitu PER dan ROI adalah 1,899 lebih kecil dari 5,
sehingga bisa diduga bahwa antar variabel independen tidak terjadi
persoalan multikolinearitas.
Contoh kasus:
Akan dilakukan analisis regresi untuk mengetahui pengaruh biaya
produksi, distribusi, dan promosi terhadap tingkat penjualan. sebelumnya
dilakukan uji asumsi klasik multikolinearitas, data sebagai berikut:
25
1997 122500000 38100000 10900000 8300000
1998 146800000 42900000 11200000 9000000
1999 159200000 45200000 14800000 9600000
2000 171800000 48400000 12300000 9800000
2001 176600000 49200000 16800000 9200000
2002 193500000 48700000 19400000 12000000
2003 189300000 48300000 20500000 12700000
2004 224500000 50300000 19400000 14000000
2005 239100000 55800000 20200000 17300000
2006 257300000 56800000 18600000 18800000
2007 269200000 55900000 21800000 21500000
2008 308200000 59300000 24900000 21700000
2009 358800000 62900000 24300000 25900000
2010 362500000 60500000 22600000 27400000
26
- Langkah selanjutnya mencari nilai koefisien determinasi (R 2) yaitu dengan
meregresikan Biaya produksi, Biaya distribusi, dan Biaya promosi terhadap
Tingkat penjualan. Langkahnya yaitu klik Analyze >> Regression >>
Linear. Masukkan variabel Tingkat penjualan ke kotak Dependent,
kemudian masukkan variabel Biaya produksi, Biaya distribusi, dan Biaya
Promosi ke kotak Independent(s).
- Klik tombol OK, maka hasil pada output Model Summary sebagai berikut:
27
3. UJI HETEROSKEDASTISITAS
a) Uji Park
Metode uji Park yaitu dengan meregresikan nilai residual (Lnei 2)
dengan masing-masing variabel dependen (LnX1 dan LnX2).
Kriteria pengujian adalah sebagai berikut:
1. Ho : tidak ada gejala heteroskedastisitas
2. Ha : ada gejala heteroskedastisitas
3. Ho diterima bila t tabel < t hitung < t tabel berarti tidak terdapat
heteroskedastisitas dan Ho ditolak bila t hitung > t tabel atau -t hitung
< -t tabel yang berarti terdapat heteroskedastisitas.
28
2001 9450 10.50 8.62
2002 13000 17.24 12.07
2003 8000 15.56 5.83
2004 6500 10.85 5.20
2005 9000 16.56 8.53
2006 7600 13.24 7.37
2007 10200 16.98 9.38
29
2.67 2.52 12.85
2.35 2.15 11.96
2.85 2.49 14.29
2.74 1.76 12.27
2.38 1.65 13.72
2.81 2.14 11.61
2.58 2.00 14.14
2.83 2.24 11.47
30
Dari hasil output di atas dapat dilihat bahwa nilai t hitung adalah
-0,591 dan -1,250. Sedangkan nilai t tabel dapat dicari pada tabel t
dengan df = n-2 atau 18-2 = 16 pada pengujian 2 sisi (signifikansi
0,025), di dapat nilai t tabel sebesar 2,120 (Lihat lampiran tabel t),
atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik
=tinv(0.05,16) lalu enter. Karena nilai t hitung (-1,254) berada pada t
tabel < t hitung < t tabel, maka Ho diterima artinya pengujian antara
Ln ei2 dengan Ln X1 dan Lnei2 dengan LnX2 tidak ada gejala
heteroskedastisitas. Dengan ini dapat disimpulkan bahwa tidak
ditemukannya masalah heteroskedastisitas pada model regresi.
b) Uji Glejser
Uji Glejser dilakukan dengan cara meregresikan antara variabel independen
dengan nilai absolut residualnya. Jika nilai signifikansi antara variabel
independen dengan absolut residual lebih dari 0,05 maka tidak terjadi
masalah heteroskedastisitas.
Contoh kasus:
Akan dilakukan analisis regresi linier berganda untuk mengetahui
pengaruh biaya produksi, distribusi, dan promosi terhadap tingkat penjualan.
Dengan ini sebelumnya akan dilakukan uji asumsi klasik heteroskedastisitas
dengan metode uji Glejser. Data sebagai berikut:
31
2001 176600000 49200000 16800000 9200000
2002 193500000 48700000 19400000 12000000
2003 189300000 48300000 20500000 12700000
2004 224500000 50300000 19400000 14000000
2005 239100000 55800000 20200000 17300000
2006 257300000 56800000 18600000 18800000
2007 269200000 55900000 21800000 21500000
2008 308200000 59300000 24900000 21700000
2009 358800000 62900000 24300000 25900000
2010 362500000 60500000 22600000 27400000
32
Dari output di atas dapat diketahui bahwa nilai signifikansi ketiga
variabel independen lebih dari 0,05. Dengan demikian dapat disimpulkan
bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
33
- Klik *SRESID (Studentized Residual) lalu masukkan ke kotak Y dengan klik
tanda penunjuk. Kemudian klik *ZPRED (Standardized Predicted Value) lalu
masukkan ke kotak X. Jika sudah klik tombol Continue. Akan terbuka kotak
dialog sebelumnya, klik tombol OK, maka hasil output pada grafik Scatterplot
sebagai berikut:
34
Pengujian menggunakan tingkat signifikansi 0,05 dengan uji 2 sisi. Jika
korelasi antara variabel independen dengan residual di dapat signifikansi
lebih dari 0,05 maka dapat dikatakan bahwa tidak terjadi masalah
heteroskedastisitas pada model regresi.
Langkah-langkah analisis pada SPSS sebagai berikut:
- Inputkan data di SPSS
- Langkah pertama yaitu mencari nilai unstandardized residual, caranya klik
Analyze >> Regression >> Linear
- Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan
ke kotak Dependent, kemudian masukkan variabel Biaya produksi, Biaya
distribusi, dan Biaya promosi ke kotak Independent(s).
- Klik tombol Save, selanjutnya akan terbuka kotak dialog Linear Regression:
Save
- Pada Residuals, beri tanda centang pada Unstandardized. Kemudian klik
tombol Continue. Akan kembali ke kotak dialog sebelumnya, klik tombol OK.
Hiraukan hasil output SPSS, Anda buka input data, disini akan bertambah
satu variabel yaitu residual (RES_1).
- Langkah selanjutnya melakukan analisis Spearmans rho dengan cara klik
Analyze >> Correlate >> Bivariate, selanjutnya akan terbuka kotak dialog
Bivariate Correlations.
- Masukkan variabel Biaya produksi, Biaya distribusi, Biaya promosi dan
Unstandardized Residual ke kotak Variables. Kemudian hilangkan tanda
centang pada Pearson dan beri tanda centang pada Spearman. Gambar
seperti di atas. Jika sudah klik tombol OK, maka hasil output seperti berikut:
Dari output di atas dapat diketahui bahwa nilai korelasi ketiga variabel
independen dengan Unstandardized Residual memiliki nilai signifikansi lebih
35
dari 0,05. Karena signifikansi lebih dari 0,05 maka dapat disimpulkan bahwa
tidak terjadi masalah heteroskedastisitas pada model regresi
4. UJI AUTOKORELASI
36
Dari hasil output di atas didapat nilai DW yang dihasilkan dari
model regresi adalah 1,387. Sedangkan dari tabel DW dengan
signifikansi 0,05 dan jumlah data (n) = 18, seta k = 2 (k adalah jumlah
variabel independen) diperoleh nilai dL sebesar 1,046 dan dU sebesar
1,535 (lihat lampiran). Karena nilai DW (1,387) berada pada daerah
antara dL dan dU, maka tidak menghasilkan kesimpulan yang pasti
(berada di daerah keragu-raguan).
ANALISIS DESKRIPTIF
37
1991 7500 3.28
1992 8950 5.05
1993 8250 4.00
1994 9000 5.97
1995 8750 4.24
1996 10000 8.00
1997 8200 7.45
1998 8300 7.47
1999 10900 12.68
2000 12800 14.45
2001 9450 10.50
2002 13000 17.24
2003 8000 15.56
2004 6500 10.85
2005 9000 16.56
2006 7600 13.24
2007 10200 16.98
38
Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output
Descriptive Statistic, kemudian pada menu bar klik pivot, kemudian klik Transpose
Rows and Columns)
39
mendekati 0 berarti hubungan antara dua variabel semakin lemah.
Nilai positif menunjukkan hubungan searah (X naik maka Y naik) dan
nilai negatif menunjukkan hubungan terbalik (X naik maka Y turun).
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi
koefisien korelasi sebagai berikut:
- 0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
Contoh kasus:
Seorang mahasiswa bernama Andi melakukan penelitian dengan
menggunakan alat ukur skala. Andi ingin mengetahui apakah ada
hubungan antara kecerdasan dengan prestasi belajar pada siswa SMU
Negeri 1 Yogyakarta, dengan ini Andi membuat 2 variabel yaitu
kecerdasan dan prestasi belajar. Tiap-tiap variabel dibuat beberapa
butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1 =
Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat
Setuju. Setelah membagikan skala kepada 12 responden didapatlah
skor total item-item yaitu sebagai berikut:
40
Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan,
untuk kolom pada baris kedua ketik Prestasi Belajar.
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor, maka didapat kolom variabel x
dan y.
Ketikkan data sesuai dengan variabelnya
Klik Analyze - Correlate - Bivariate
Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian
klik variabel Prestasi Belajar dan masukkan ke kotak yang sama
(Variables).
Klik OK, maka hasil output yang didapat adalah sebagai berikut:
41
Langkah-langkah pengujian sebagai berikut:
1. Menentukan Hipotesis
Ho : Tidak ada hubungan secara signifikan antara kecerdasan
dengan prestasi belajar
Ha : Ada hubungan secara signifikan antara kecerdasan dengan
prestasi belajar
Menentukan tingkat signifikansi
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi =
5%. (uji dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya
hubungan yang signifikan, jika 1 sisi digunakan untuk mengetahui
hubungan lebih kecil atau lebih besar).
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah
dalam mengambil keputusan untuk menolak hipotesa yang benar
sebanyak-banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran
standar yang sering digunakan dalam penelitian)
3. Kriteria Pengujian
Ho diterima jika Signifikansi > 0,05
Ho ditolak jika Signifikansi < 0,05
4. Membandingkan signifikansi
Nilai signifikansi 0,004 < 0,05, maka Ho ditolak.
5. Kesimpulan
Oleh karena nilai Signifikansi (0,004 < 0,05) maka Ho ditolak, artinya
bahwa ada hubungan secara signifikan antara kecerdasan dengan
prestasi belajar. Karena koefisien korelasi nilainya positif, maka berarti
kecerdasan berhubungan positif dan signifikan terhadap pretasi
belajar. Jadi dalam kasus ini dapat disimpulkan bahwa kecerdasan
berhubungan positif terhadap prestasi belajar pada siswa SMU Negeri 1
Yogyakarta.
42
terbalik (X naik maka Y turun). Data yang digunakan biasanya berskala
interval atau rasio.
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi
koefisien korelasi sebagai berikut:
- 0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
Contoh kasus:
Kita mengambil contoh pada kasus korelasi sederhana di atas
dengan menambahkan satu variabel kontrol. Seorang mahasiswa
bernama Andi melakukan penelitian dengan menggunakan alat ukur
skala. Andi ingin meneliti tentang hubungan antara kecerdasan dengan
prestasi belajar jika terdapat faktor tingkat stress pada siswa yang
diduga mempengaruhi akan dikendalikan. Dengan ini Andi membuat 2
variabel yaitu kecerdasan dan prestasi belajar dan 1 variabel kontrol
yaitu tingkat stress. Tiap-tiap variabel dibuat beberapa butir
pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat
tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju.
Setelah membagikan skala kepada 12 responden didapatlah skor total
item-item yaitu sebagai berikut:
43
Pada kolom Name ketik x1, kolom Name pada baris kedua ketik x2,
kemudian kolom Name pada baris ketiga ketik y.
Pada kolom Decimals ganti menjadi 0 untuk semua variabel
Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan,
untuk kolom pada baris kedua Tingkat Stress, dan kolom pada baris
ketiga ketik Prestasi Belajar.
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor, maka didapat kolom variabel
x1, x2 dan y.
Ketikkan data sesuai dengan variabelnya
Klik Analyze - Correlate - Partial
Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian
klik variabel Prestasi Belajar dan masukkan ke kotak yang sama
(Variables). Klik variabel Tingkat Stres dan masukkan ke kotak
Controlling for
Klik OK, maka hasil output yang didapat adalah sebagai berikut:
Controlling for.. X2
X1 Y
X1 1.0000 .4356
( 0) ( 9)
P= . P= .181
Y .4356 1.0000
( 9) ( 0)
P= .181 P= .
Dari hasil analisis korelasi parsial (ry.x 1x2) didapat korelasi antara
kecerdasan dengan prestasi belajar dimana tingkat stress dikendalikan
(dibuat tetap) adalah 0,4356. Hal ini menunjukkan bahwa terjadi
hubungan yang sedang atau tidak terlalu kuat antara kecerdasan
dengan prestasi belajar jika tingkat stress tetap. Sedangkan arah
44
hubungan adalah positif karena nilai r positif, artinya semakin tinggi
kecerdasan maka semakin meningkatkan prestasi belajar.
45
variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan
antara variabel independen dengan variabel dependen apakah masing-
masing variabel independen berhubungan positif atau negatif dan
untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Data yang
digunakan biasanya berskala interval atau rasio.
Persamaan regresi linear berganda sebagai berikut:
47
Persamaan regresinya sebagai berikut:
Y = a + b1X1+ b2X2
Y = 4662,491 + (-74,482)X1 + 692,107X2
Y = 4662,491 - 74,482X1 + 692,107X2
Keterangan:
Y = Harga saham yang diprediksi (Rp)
a = konstanta
b1,b2 = koefisien regresi
X1 = PER (%)
X2 = ROI (%)
PENJELASAN
Persamaan regresi di atas dapat dijelaskan sebagai berikut:
- Konstanta sebesar 4662,491; artinya jika PER (X 1) dan ROI (X2) nilainya
adalah 0, maka harga saham (Y) nilainya adalah Rp.4662,491.
- Koefisien regresi variabel PER (X1) sebesar -74,482; artinya jika
variabel independen lain nilainya tetap dan PER mengalami kenaikan
1%, maka harga saham (Y) akan mengalami penurunan sebesar
Rp.74,482. Koefisien bernilai negatif artinya terjadi hubungan negatif
48
antara PER dengan harga saham, semakin naik PER maka semakin
turun harga saham.
- Koefisien regresi variabel ROI (X2) sebesar 692,107; artinya jika
variabel independen lain nilainya tetap dan ROI mengalami kenaikan
1%, maka harga saham (Y) akan mengalami peningkatan sebesar
Rp.692,107. Koefisien bernilai positif artinya terjadi hubungan positif
antara ROI dengan harga saham, semakin naik ROI maka semakin
meningkat harga saham.
Nilai harga saham yang diprediksi (Y) dapat dilihat pada tabel
Casewise Diagnostics (kolom Predicted Value). Sedangkan Residual
(unstandardized residual) adalah selisih antara harga saham dengan
Predicted Value, dan Std. Residual (standardized residual) adalah nilai
residual yang telah terstandarisasi (nilai semakin mendekati 0 maka
model regresi semakin baik dalam melakukan prediksi, sebaliknya
semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik
model regresi dalam melakukan prediksi).
49
Dari hasil analisis regresi, lihat pada output moddel summary dan
disajikan sebagai berikut:
50
Berdasarkan tabel di atas diperoleh angka R2 (R Square) sebesar
0,772 atau (77,2%). Hal ini menunjukkan bahwa prosentase
sumbangan pengaruh variabel independen (PER dan ROI) terhadap
variabel dependen (harga saham) sebesar 77,2%. Atau variasi variabel
independen yang digunakan dalam model (PER dan ROI) mampu
menjelaskan sebesar 77,2% variasi variabel dependen (harga saham).
Sedangkan sisanya sebesar 22,8% dipengaruhi atau dijelaskan oleh
variabel lain yang tidak dimasukkan dalam model penelitian ini.
Adjusted R Square adalah nilai R Square yang telah disesuaikan,
nilai ini selalu lebih kecil dari R Square dan angka ini bisa memiliki
harga negatif. Menurut Santoso (2001) bahwa untuk regresi
dengan lebih dari dua variabel bebas digunakan Adjusted R 2
sebagai koefisien determinasi.
Standard Error of the Estimate adalah suatu ukuran banyaknya
kesalahan model regresi dalam memprediksikan nilai Y. Dari hasil
regresi di dapat nilai 870,80 atau Rp.870,80 (satuan harga saham), hal
ini berarti banyaknya kesalahan dalam prediksi harga saham sebesar
Rp.870,80. Sebagai pedoman jika Standard error of the estimate
kurang dari standar deviasi Y, maka model regresi semakin baik dalam
memprediksi nilai Y.
51
Tahap-tahap untuk melakukan uji F adalah sebagai berikut:
1. Merumuskan Hipotesis
Ho :Tidak ada pengaruh secara signifikan antara PER dan ROI
secara bersama-sama terhadap harga saham.
Ha :Ada pengaruh secara signifikan antara PER dan ROI secara
bersama-sama terhadap harga saham.
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5% (signifikansi 5% atau
0,05 adalah ukuran standar yang sering digunakan dalam
penelitian)
3. Menentukan F hitung
Berdasarkan tabel diperoleh F hitung sebesar 25,465
4. Menentukan F tabel
Dengan menggunakan tingkat keyakinan 95%, = 5%, df 1
(jumlah variabel1) = 2, dan df 2 (n-k-1) atau 18-2-1 = 15 (n
adalah jumlah kasus dan k adalah jumlah variabel independen),
hasil diperoleh untuk F tabel sebesar 3,683 (Lihat pada lampiran)
atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik
=finv(0.05,2,15) lalu enter.
5. Kriteria pengujian
- Ho diterima bila F hitung < F tabel
- Ho ditolak bila F hitung > F tabel
6. Membandingkan F hitung dengan F tabel.
Nilai F hitung > F tabel (25,465 > 3,683), maka Ho ditolak.
7. Kesimpulan
Karena F hitung > F tabel (25,465 > 3,683), maka Ho ditolak,
artinya ada pengaruh secara signifikan antara price earning ratio
(PER) dan return on investmen (ROI) secara bersama-sama
terhadap terhadap harga saham. Jadi dari kasus ini dapat
disimpulkan bahwa PER dan ROI secara bersama-sama
berpengaruh terhadap harga saham pada perusahaan di BEJ.
52
Uji ini digunakan untuk mengetahui apakah dalam model regresi
variabel independen (X1, X2,..Xn) secara parsial berpengaruh
signifikan terhadap variabel dependen (Y).
Tabel. Uji t
53
5. Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
6. Membandingkan thitung dengan t tabel
Nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho diterima
7. Kesimpulan
Oleh karena nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho
diterima, artinya secara parsial tidak ada pengaruh signifikan
antara PER dengan harga saham. Jadi dari kasus ini dapat
disimpulkan bahwa secara parsial PER tidak berpengaruh terhadap
harga saham pada perusahaan di BEJ.
54
TABEL (5 Tabel) :
Tabel F
F Table Statistics
(Signifikan Level 0.05)
Df1
Df 2
1 2 3 4 5 6 7 8
161.44 199.49 215.70 224.58 230.16 233.98 236.76 238.88
1 6 9 7 3 0 8 7 4
2 18.513 19.000 19.164 19.247 19.296 19.329 19.353 19.371
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726
8 5.318 4.459 4.066 3.838 3.688 3.581 3.500 3.438
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447
21 4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420
22 4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397
23 4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375
55
24 4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355
25 4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337
26 4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321
27 4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305
28 4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291
29 4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278
30 4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266
31 4.160 3.305 2.911 2.679 2.523 2.409 2.323 2.255
32 4.149 3.295 2.901 2.668 2.512 2.399 2.313 2.244
33 4.139 3.285 2.892 2.659 2.503 2.389 2.303 2.235
34 4.130 3.276 2.883 2.650 2.494 2.380 2.294 2.225
35 4.121 3.267 2.874 2.641 2.485 2.372 2.285 2.217
36 4.113 3.259 2.866 2.634 2.477 2.364 2.277 2.209
37 4.105 3.252 2.859 2.626 2.470 2.356 2.270 2.201
38 4.098 3.245 2.852 2.619 2.463 2.349 2.262 2.194
39 4.091 3.238 2.845 2.612 2.456 2.342 2.255 2.187
40 4.085 3.232 2.839 2.606 2.449 2.336 2.249 2.180
41 4.079 3.226 2.833 2.600 2.443 2.330 2.243 2.174
42 4.073 3.220 2.827 2.594 2.438 2.324 2.237 2.168
43 4.067 3.214 2.822 2.589 2.432 2.319 2.232 2.163
44 4.062 3.209 2.816 2.584 2.427 2.313 2.226 2.157
45 4.057 3.204 2.812 2.579 2.422 2.308 2.221 2.152
46 4.052 3.200 2.807 2.574 2.417 2.304 2.216 2.147
47 4.047 3.195 2.802 2.570 2.413 2.299 2.212 2.143
48 4.043 3.191 2.798 2.565 2.409 2.295 2.207 2.138
49 4.038 3.187 2.794 2.561 2.404 2.290 2.203 2.134
50 4.034 3.183 2.790 2.557 2.400 2.286 2.199 2.130
51 4.030 3.179 2.786 2.553 2.397 2.283 2.195 2.126
52 4.027 3.175 2.783 2.550 2.393 2.279 2.192 2.122
53 4.023 3.172 2.779 2.546 2.389 2.275 2.188 2.119
54 4.020 3.168 2.776 2.543 2.386 2.272 2.185 2.115
55 4.016 3.165 2.773 2.540 2.383 2.269 2.181 2.112
56 4.013 3.162 2.769 2.537 2.380 2.266 2.178 2.109
57 4.010 3.159 2.766 2.534 2.377 2.263 2.175 2.106
58 4.007 3.156 2.764 2.531 2.374 2.260 2.172 2.103
59 4.004 3.153 2.761 2.528 2.371 2.257 2.169 2.100
60 4.001 3.150 2.758 2.525 2.368 2.254 2.167 2.097
61 3.998 3.148 2.755 2.523 2.366 2.251 2.164 2.094
62 3.996 3.145 2.753 2.520 2.363 2.249 2.161 2.092
63 3.993 3.143 2.751 2.518 2.361 2.246 2.159 2.089
64 3.991 3.140 2.748 2.515 2.358 2.244 2.156 2.087
65 3.989 3.138 2.746 2.513 2.356 2.242 2.154 2.084
66 3.986 3.136 2.744 2.511 2.354 2.239 2.152 2.082
67 3.984 3.134 2.742 2.509 2.352 2.237 2.150 2.080
68 3.982 3.132 2.739 2.507 2.350 2.235 2.148 2.078
69 3.980 3.130 2.737 2.505 2.348 2.233 2.145 2.076
56
70 3.978 3.128 2.736 2.503 2.346 2.231 2.143 2.074
71 3.976 3.126 2.734 2.501 2.344 2.229 2.142 2.072
72 3.974 3.124 2.732 2.499 2.342 2.227 2.140 2.070
73 3.972 3.122 2.730 2.497 2.340 2.226 2.138 2.068
74 3.970 3.120 2.728 2.495 2.338 2.224 2.136 2.066
75 3.968 3.119 2.727 2.494 2.337 2.222 2.134 2.064
76 3.967 3.117 2.725 2.492 2.335 2.220 2.133 2.063
77 3.965 3.115 2.723 2.490 2.333 2.219 2.131 2.061
78 3.963 3.114 2.722 2.489 2.332 2.217 2.129 2.059
79 3.962 3.112 2.720 2.487 2.330 2.216 2.128 2.058
80 3.960 3.111 2.719 2.486 2.329 2.214 2.126 2.056
Tabel t
57
26 2.056 1.706 66 1.997 1.668
27 2.052 1.703 67 1.996 1.668
28 2.048 1.701 68 1.995 1.668
29 2.045 1.699 69 1.995 1.667
30 2.042 1.697 70 1.994 1.667
31 2.040 1.696 71 1.994 1.667
32 2.037 1.694 72 1.993 1.666
33 2.035 1.692 73 1.993 1.666
34 2.032 1.691 74 1.993 1.666
35 2.030 1.690 75 1.992 1.665
36 2.028 1.688 76 1.992 1.665
37 2.026 1.687 77 1.991 1.665
38 2.024 1.686 78 1.991 1.665
39 2.023 1.685 79 1.990 1.664
40 2.021 1.684 80 1.990 1.664
Tabel r
r Table (Pearson Product Moment)
(Signifikan Level 0.05)
58
27 0.323 0.381 65 0.206 0.244
28 0.317 0.374 66 0.204 0.242
29 0.312 0.367 67 0.203 0.240
30 0.306 0.361 68 0.201 0.239
31 0.301 0.355 69 0.200 0.237
32 0.296 0.349 70 0.198 0.235
33 0.291 0.344 71 0.197 0.233
34 0.287 0.339 72 0.195 0.232
35 0.283 0.334 73 0.194 0.230
36 0.279 0.329 74 0.193 0.229
37 0.275 0.325 75 0.191 0.227
38 0.271 0.320 76 0.190 0.226
39 0.267 0.316 77 0.189 0.224
40 0.264 0.312 78 0.188 0.223
41 0.261 0.308 79 0.186 0.221
42 0.257 0.304 80 0.185 0.220
Sumber: Microsoft Excel 2007
59
22 33.924 62 81.381
23 35.172 63 82.529
24 36.415 64 83.675
25 37.652 65 84.821
26 38.885 66 85.965
27 40.113 67 87.108
28 41.337 68 88.250
29 42.557 69 89.391
30 43.773 70 90.531
31 44.985 71 91.670
32 46.194 72 92.808
33 47.400 73 93.945
34 48.602 74 95.081
35 49.802 75 96.217
36 50.998 76 97.351
37 52.192 77 98.484
38 53.384 78 99.617
39 54.572 79 100.749
40 55.758 80 101.879
6 0.610 1.400 - - - - - - - -
10 0.879 1.320 0.697 1.641 0.525 2.016 0.376 2.414 0.243 2.822
60
11 0.927 1.324 0.658 1.604 0.595 1.928 0.444 2.283 0.316 2.645
12 0.971 1.331 0.812 1.579 0.658 1.864 0.512 2.177 0.379 2.506
13 1.010 1.340 0.861 1.562 0.715 1.816 0.574 2.094 0.445 2.390
14 1.045 1.350 0.905 1.551 0.767 1.779 0.632 2.030 0.505 2.296
15 1.077 1.361 0.946 1.543 0.814 1.750 0.685 1.977 0.562 2.220
16 1.106 1.371 0.982 1.539 0.857 1.728 0.734 1.935 0.615 2.157
17 1.133 1.381 1.015 1.536 0.897 1.710 0.779 1.900 0.664 2.104
18 1.158 1.391 1.046 1.535 0.933 1.696 0.820 1.872 0.710 2.060
19 1.180 1.401 1.074 1.536 0.967 1.685 0.859 1.848 0.752 2.023
20 1.201 1.411 1.100 1.537 0.998 1.676 0.894 1.828 0.792 1.991
21 1.221 1.420 1.125 1.538 1.026 1.669 0.927 1.812 0.829 1.964
22 1.239 1.429 1.147 1.541 1.053 1.664 0.958 1.797 0.863 1.940
23 1.257 1.437 1.168 1.543 1.078 1.660 0.986 1.785 0.895 1.920
24 1.273 1.446 1.188 1.546 1.101 1.656 1.013 1.775 0.925 1.902
25 1.288 1.454 1.206 1.550 1.123 1.654 1.038 1.767 0.953 1.886
26 1.302 1.461 1.224 1.553 1.143 1.652 1.062 1.759 0.979 1.873
61
27 1.316 1.469 1.240 1.556 1.162 1.651 1.084 1.753 1.004 1.861
28 1.328 1.476 1.255 1.560 1.181 1.650 1.104 1.747 1.028 1.850
29 1.341 1.483 1.270 1.563 1.198 1.650 1.124 1.743 1.050 1.841
30 1.352 1.489 1.284 1.567 1.214 1.650 1.143 1.739 1.071 1.833
31 1.363 1.496 1.297 1.570 1.229 1.650 1.160 1.735 1.090 1.825
32 1.373 1.502 1.309 1.574 1.244 1.650 1.177 1.732 1.109 1.819
33 1.383 1.508 1.321 1.577 1.258 1.651 1.193 1.730 1.127 1.813
34 1.393 1.514 1.333 1.580 1.271 1.652 1.208 1.728 1.144 1.808
35 1.402 1.519 1.343 1.584 1.283 1.653 1.222 1.726 1.160 1.803
36 1.411 1.525 1.354 1.587 1.295 1.654 1.236 1.724 1.175 1.799
37 1.416 1.530 1.364 1.590 1.307 1.655 1.249 1.723 1.190 1.795
38 1.427 1.535 1.373 1.594 1.318 1.656 1.261 1.722 1.204 1.792
39 1.435 1.540 1.382 1.597 1.328 1.658 1.273 1.722 1.218 1.789
40 1.442 1.544 1.391 1.600 1.338 1.659 1.285 1.721 1.230 1.786
Sumber: N.E. Savin and K.J White, The Durbin-Watson Test for Serial Correlation
with Extreme Small Samples or Many Regressor," Econometrica, vol.45, November 1977
Keteranga
n:
n = Jumlah data
62
k = Jumlah variabel independen
63