Analisis Regresi Linier Berganda Dengan Data Rasio

UJI STATISTIK
Uji Instrumen (2 Uji)
Uji validitas kuisioner
Uji reliabilitas kuisioner
Uji Asumsi Dasar (3 Uji)
Uji normalitas
Uji linearitas
Uji homogenitas
Uji Asumsi Klasik (4 Uji)
Uji normalitas
Uji multikolinearitas (antar variable independen)
Uji heteroskedastisitas
Uji autokorelasi (antar data pengamatan dalam variable ybs)
Analisis Deskriptif
Korelasi dan Regresi
Tabel
UJI INSTRUMEN (2 Uji):

1. UJI VALIDITAS KUISIONER
Validitas adalah ketepatan atau kecermatan suatu instrumen

dalam mengukur apa yang ingin dukur. Dalam pengujian instrumen
pengumpulan data, validitas bisa dibedakan menjadi validitas faktor
dan validitas item. Validitas faktor diukur bila item yang disusun
menggunakan lebih dari satu faktor (antara faktor satu dengan yang
lain ada kesamaan). Pengukuran validitas faktor ini dengan cara
1
mengkorelasikan antara skor faktor (penjumlahan item dalam satu
faktor) dengan skor total faktor (total keseluruhan faktor), sedangkan
pengukuran validitas item dengan cara mengkorelasikan antara skor
item dengan skor total item.
Pada pembahasan ini akan dibahas untuk metode pengujian
validitas item. Validitas item ditunjukkan dengan adanya korelasi atau
dukungan terhadap item total (skor total), perhitungan dilakukan
dengan cara mengkorelasikan antara skor item dengan skor total item.
Bila kita menggunakan lebih dari satu faktor berarti pengujian validitas
item dengan cara mengkorelasikan antara skor item dengan skor
faktor, kemudian dilanjutkan mengkorelasikan antara skor item dengan
skor total faktor (penjumlahan dari beberapa faktor). Dari hasil
perhitungan korelasi akan didapat suatu koefisien korelasi yang
digunakan untuk mengukur tingkat validitas suatu item dan untuk
menentukan apakah suatu item layak digunakan atau tidak. Dalam
penentuan layak atau tidaknya suatu item yang akan digunakan,
biasanya dilakukan uji signifikansi koefisien korelasi pada taraf
signifikansi 0,05, artinya suatu item dianggap valid jika berkorelasi
signifikan terhadap skor total. Atau jika melakukan penilaian langsung
terhadap koefisien korelasi, bisa digunakan batas nilai minimal korelasi
0,30. Menurut Azwar (1999) semua item yang mencapai koefisien
korelasi minimal 0,30 daya pembedanya dianggap memuaskan. Tetapi
Azwar mengatakan bahwa bila jumlah item belum mencukupi kita bisa
menurunkan sedikit batas kriteria 0,30 menjadi 0,25 tetapi
menurunkan batas kriteria di bawah 0,20 sangat tidak disarankan.
Untuk pembahasan ini dilakukan uji signifikansi koefisien korelasi
dengan kriteria menggunakan r kritis pada taraf signifikansi 0,05
(signifikansi 5% atau 0,05 adalah ukuran standar yang sering
digunakan dalam penelitian)
Pada program SPSS teknik pengujian yang sering digunakan para
peneliti untuk uji validitas adalah menggunakan korelasi Bivariate
Pearson (Produk Momen Pearson) dan Corrected Item-Total Correlation.
Masing-masing teknik perhitungan korelasi akan dibahas sebagai
berikut:
1. Bivariate Pearson (Korelasi Produk Momen Pearson)

Analisis ini dengan cara mengkorelasikan masing-masing skor item
dengan skor total. Skor total adalah penjumlahan dari keseluruhan
item. Item-item pertanyaan yang berkorelasi signifikan dengan skor
total menunjukkan item-item tersebut mampu memberikan dukungan
dalam mengungkap apa yang ingin diungkap.
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:
Tabel 1. Tabulasi Data (Data Fiktif)

Subje Skor Item Skor
k 1 2 3 4 5 6 7 8 9 10 Total
1 3 4 3 4 4 3 3 3 3 3 33
2 4 3 3 4 3 3 3 3 3 3 32
3 2 2 1 3 2 2 3 1 2 3 21
4 3 4 4 3 3 3 4 3 3 4 34
5 3 4 3 3 3 4 3 4 4 3 34
6 3 2 4 4 3 4 4 3 4 4 35
7 2 3 3 4 4 4 3 4 3 2 32
8 1 2 2 1 2 2 1 3 4 3 21
9 4 2 3 3 4 2 1 1 4 4 28
10 3 3 3 4 4 4 4 4 3 3 35
11 4 4 3 4 4 3 4 4 4 2 36
12 3 2 1 2 3 1 1 2 3 3 21
Langkah-langkah dengan program SPSS

Masuk program SPSS
Klik variable view pada SPSS data editor
Pada kolom Name ketik item1 sampai item10, kemudian terakhir
ketikkan skortot (skor total didapat dari penjumlahan item1 sampai
item10)
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
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:
Tabel. Hasil Analisis Bivariate Pearson
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.
- 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
Pada kolom Name ketik item1 sampai item 10
Pada kolom Decimals angka ganti menjadi 0 untuk seluruh item
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:
Tabel. Hasil Analisis Validitas Item dengan
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
Scale Scale Corrected

Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
ITEM1 27.2500 29.8409 .4113 .8345

ITEM2 27.2500 28.0227 .6151 .8157
ITEM3 27.4167 25.7197 .8217 .7933
ITEM4 26.9167 26.6288 .7163 .8046
ITEM5 26.9167 29.5379 .5603 .8223
ITEM6 27.2500 25.8409 .7764 .7975
ITEM7 27.3333 25.1515 .6784 .8078
ITEM8 27.2500 27.1136 .5679 .8204
ITEM9 26.8333 32.8788 .1866 .8482
ITEM10 27.0833 35.3561 -.1391 .8683
Reliability Coefficients
N of Cases = 12.0 N of Items = 10
Alpha = .8384
Dari output di atas bisa dilihat pada Corrected Item Total

Correlation, inilah nilai korelasi yang didapat. 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).
Dari hasil analisis dapat dilihat bahwa untuk item 1, 5, 9 dan 10 nilai
kurang dari 0,576. Karena koefisien korelasi pada item 1, 5, 9 dan 10
nilainya kurang dari 0,576 maka dapat disimpulkan bahwa butir
instrumen tersebut tidak valid. Sedangkan pada item-item lainnya
nilainya lebih dari 0,576 dan dapat disimpulkan bahwa butir instrumen
tersebut valid.
Sebagai catatan: analisis korelasi pada contoh kasus di atas hanya
dilakukan satu kali, untuk mendapatkan hasil validitas yang lebih
memuaskan maka bisa dilakukan analisis kembali sampai 2 atau 3 kali,
sebagai contoh pada kasus di atas setelah di dapat 6 item yang valid,
maka dilakukan analisis korelasi lagi untuk menguji 6 item tersebut,
jika masih ada item yang tidak signifikan maka digugurkan, kemudian
dianalisis lagi sampai didapat tidak ada yang gugur lagi.
6
2. UJI RELIABILITAS KUISIONER
Uji reliabilitas digunakan untuk mengetahui konsistensi alat ukur,

apakah alat pengukur yang digunakan dapat diandalkan dan tetap
konsisten jika pengukuran tersebut diulang. Ada beberapa metode
pengujian reliabilitas diantaranya metode tes ulang, formula belah dua
dari Spearman-Brown, formula Rulon, formula Flanagan, Cronbachs
Alpha, metode formula KR-20, KR-21, dan metode Anova Hoyt. Dalam
program SPSS akan dibahas untuk uji yang sering digunakan penelitian
mahasiswa adalah dengan menggunakan metode Alpha (Cronbachs).
Metode alpha sangat cocok digunakan pada skor berbentuk skala
(misal 1-4, 1-5) atau skor rentangan (misal 0-20, 0-50). Metode alpha
dapat juga digunakan pada skor dikotomi (0 dan 1) dan akan
menghasilkan perhitungan yang setara dengan menggunakan metode
KR-20 dan Anova Hoyt.
Uji signifikansi dilakukan pada taraf signifikansi 0,05, artinya
instrumen dapat dikatakan reliabel bila nilai alpha lebih besar dari r
kritis product moment. Atau kita bisa menggunakan batasan tertentu
seperti 0,6. Menurut Sekaran (1992), reliabilitas kurang dari 0,6 adalah
kurang baik, sedangkan 0,7 dapat diterima dan di atas 0,8 adalah baik.
Pada contoh kasus di atas setelah diuji validitasnya maka item-
item yang gugur dibuang dan item yang tidak gugur dimasukkan
kedalam uji reliabilitas. Jadi yang akan dihitung ada 6 item, karena 4
item telah digugurkan.

Pada contoh kasus di atas kita telah menginput data item 1 sampai 10
Klik Analyze - Scale - Reliability Analysis
Klik item yang tidak gugur dan masukkan ke kotak items. Jika item-item
sudah berada dikotak items maka klik item yang gugur dan keluarkan
dengan klik simbol arah
Klik Statistics, pada Descriptives for klik scale if item deleted
Klik Continue
Klik OK, hasil output yang didapat adalah sebagai berikut:
Tabel 4. Hasil Analisis Reliabilitas dengan Teknik Alpha
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
ITEM2 14.6667 18.9697 .6414 .8906

ITEM3 14.8333 18.1515 .6963 .8827
ITEM4 14.3333 18.2424 .6835 .8846
ITEM6 14.6667 16.7879 .8612 .8574
ITEM7 14.7500 15.8409 .7943 .8680
ITEM8 14.6667 17.5152 .6749 .8867
Reliability Coefficients
N of Cases = 12.0 N of Items = 6
Alpha = .8970
Dari hasil analisis di atas di dapat nilai Alpha sebesar 0,8970.

Sedangkan nilai r kritis (uji 2 sisi) pada signifikansi 0,05 dengan jumlah
data (n) = 12, di dapat sebesar 0,576 (lihat pada lampiran tabel r).
Karena nilainya lebih dari 0,576, maka dapat disimpulkan bahwa butir-
butir instrumen penelitian tersebut reliabel.
UJI ASUMSI DASAR (3 Uji):

1. UJI NORMALITAS
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:
Tabel 5. Tabulasi Data (Data Fiktif)

Tahun Harga Saham (Rp) PER (%) ROI (%)
1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
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
Bambang dalam penelitiannya ingin mengetahui bagaimana

hubungan antara rasio keuangan PER dan ROI terhadap harga saham.
Dengan ini Bambang menganalisis dengan bantuan program SPSS
dengan alat analisis regresi linear berganda. Sebelum dilakukan
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.

Masuk program SPSS
Pada kolom Name ketik y, kolom Name pada baris kedua ketik x1, dan
pada kolom Name baris ketiga ketik x2.
Pada kolom Label, untuk kolom pada baris pertama ketik Harga Saham,
untuk kolom pada baris kedua ketik PER, dan terakhir ketik ROI.
Buka data view pada SPSS data editor, maka didapat kolom variabel y,
x1, dan x2
Ketikkan data sesuai dengan variabelnya
Klik Analyze - Deskriptive Statistics - Explore
Klik variabel Harga saham, PER, dan ROI dan masukkan ke kotak
Dependent List
Klik Plots
Klik Normality plots with tests, kemudian klik Continue
Klik OK, maka hasil output yang didapat pada kolom Test of Normality
adalah sebagai berikut:
Tabel. Hasil Uji Normalitas dengan Kolomogorov-Smirnov
Dari hasil di atas kita lihat pada kolom Kolmogorov-Smirnov dan

dapat diketahui bahwa nilai signifikansi untuk harga saham sebesar
0,05; untuk PER sebesar 0,200; dan untuk ROI sebesar 0,200. Karena
signifikansi untuk seluruh variabel lebih besar dari 0,05 maka dapat
disimpulkan bahwa data pada variabel harga saham, PER, dan ROI
berdistribusi normal. Angka Statistic menunjukkan semakin kecil
nilainya maka distribusi data semakin normal. df = jumlah data.
10
2. UJI HOMOGENITAS
Uji homogenitas digunakan untuk mengetahui apakah beberapa

varian populasi adalah sama atau tidak. Uji ini dilakukan sebagai
prasyarat dalam analisis independent sample t test dan ANOVA.
Asumsi yang mendasari dalam analisis varian (ANOVA) adalah bahwa
varian dari populasi adalah sama. Sebagai kriteria pengujian, jika nilai
signifikansi lebih dari 0,05 maka dapat dikatakan bahwa varian dari
dua atau lebih kelompok data adalah sama.
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:
Tabel. Tabulasi Data (Data Fiktif)
Pemahaman Mahasiswa Tingkat

Subjek Total Prestas
Item pertanyaan Skor i
1 2 3 4 5 6 7 8 9 10
1 4 4 3 4 4 2 4 3 4 4 36 3
2 4 4 4 3 4 4 3 4 4 4 38 3
3 3 3 4 2 2 1 4 2 1 3 25 1
4 3 3 4 2 2 4 1 2 3 4 28 2
5 4 4 4 2 4 3 3 3 4 3 34 3
6 2 4 2 4 1 4 4 2 2 4 29 2
7 2 4 2 4 2 2 2 4 2 4 28 2
8 4 4 4 4 4 4 3 2 4 4 37 3
9 4 4 2 4 4 4 4 4 4 4 38 3
10 2 1 4 4 3 4 3 3 2 1 27 1
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
Masuk program SPSS.
Klik variable view pada SPSS data editor.
Pada kolom Name ketik item1, kolom Name pada baris kedua
ketik item2.
Pada kolom Decimals untuk kolom item1 dan item2 angka ganti
menjadi 0.
Pada kolom Label, untuk kolom pada baris pertama ketik

Pemahaman Mahasiswa dan untuk kolom pada baris kedua ketik
Tingkat Prestasi.
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 Analyze - Compare Means - One Way Anova
Klik variabel Pemahaman Mahasiswa dan masukkan ke kotak

Dependent List, kemudian klik variabel Tingkat Prestasi dan
masukkan ke kotak Faktor.
Klik Options
Klik Homogeneity of variance, kemudian klik Continue
Klik OK, maka hasil output yang didapat pada kolom Test of
Homogeneity of Variance adalah sebagai berikut:
Tabel. Hasil Uji Homogenitas
Dari hasil di atas dapat diketahui signifikansi sebesar 0,193.

Karena signifikansi lebih dari 0,05 maka dapat disimpulkan bahwa
ketiga kelompok data pemahaman mahasiswa berdasar tingkat
prestasi mempunyai varian sama. Angka Levene Statistic menunjukkan
semakin kecil nilainya maka semakin besar homogenitasnya. df1 =
jumlah kelompok data-1 atau 3-1=2 sedangkan df2 = jumlah data
jumlah kelompok data atau 20-3=17.
ANALISIS REGRESI LINIER SEDERHANA
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
Tabel. Tabulasi Data Penelitian (Data Fiktif)
No Biaya Promosi Volume Penjualan

1 12,000 56,000
2 13,500 62,430
3 12,750 60,850
4 12,600 61,300
5 14,850 65,825
6 15,200 66,354
7 15,750 65,260
8 16,800 68,798
9 18,450 70,470
10 17,900 65,200
11 18,250 68,000
12 16,480 64,200
13 17,500 65,300
14 19,560 69,562
15 19,000 68,750
16 20,450 70,256
17 22,650 72,351
18 21,400 70,287
19 22,900 73,564
20 23,500 75,642

Masuk program SPSS
14
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.
Buka data view pada SPSS data editor, maka didapat kolom variabel y dan x.
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:
Tabel. Hasil Analisis Regresi Linear Sederhana
15
Persamaan regresinya sebagai berikut:
Y = a + bX
Y = -28764,7 + 0,691X
Angka-angka ini dapat diartikan sebagai berikut:

- Konstanta sebesar -28764,7; artinya jika biaya promosi (X) nilainya adalah 0, maka
volume penjulan (Y) nilainya negatif yaitu sebesar -28764,7.
-Koefisien regresi variabel harga (X) sebesar 0,691; artinya jika harga mengalami
kenaikan Rp.1, maka volume penjualan (Y) akan mengalami peningkatan sebesar
Rp.0,691. Koefisien bernilai positif artinya terjadi hubungan positif antara harga dengan
volume penjualan, semakin naik harga maka semakin meningkatkan volume penjualan.
Nilai volume penjualan yang diprediksi (Y) dapat dilihat pada tabel Casewise
Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized residual)
adalah selisih antara Volume Penjualan 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).
Uji Koefisien Regresi Sederhana (Uji t)
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#
Uji Instrumen (2 Uji)
Uji Asumsi Dasar (3 Uji)
Uji Asumsi Klasik (4 Uji)
Analisis Deskriptif
Korelasi dan Regresi
17
Tabel
UJI LINIERITAS
Uji linearitas bertujuan untuk mengetahui apakah dua variabel

mempunyai hubungan yang linear atau tidak secara signifikan. Uji ini
biasanya digunakan sebagai prasyarat dalam analisis korelasi atau
regresi linear. Pengujian pada SPSS dengan menggunakan Test for
Linearity dengan pada taraf signifikansi 0,05. Dua variabel dikatakan
mempunyai hubungan yang linear bila signifikansi (Linearity) kurang
dari 0,05.
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:

Subjek Kecemasan Optimisme
1 90 124
2 88 137
3 96 120
4 95 128
5 96 124
6 94 133
7 91 138
8 96 126
9 95 132
10 90 140
11 85 143
12 91 124
13 87 131
14 90 119
15 85 135
16 83 141
17 86 137
18 91 134
19 86 138
20 83 141
18
Masuk program SPSS
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)
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:
Tabel. Hasil Test for Linearity
Dari output di atas dapat diketahui bahwa nilai signifikansi pada

Linearity sebesar 0,006. Karena signifikansi kurang dari 0,05 maka
dapat disimpulkan bahwa antara variabel kecemasan dan optimisme
terdapat hubungan yang linear.
UJI ASUMSI KLASIK (4 uji):

1. UJI NORMALITAS REGRESI
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:
Tingkat Biaya Biaya Biaya

Tahun penjualan produksi distribusi promosi
1996 127300000 37800000 11700000 8700000
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
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.
2) Metode statistik One Sample Kolmogorov Smirnov

Uji One Sample Kolomogorov Smirnov digunakan untuk mengetahui distribusi
data, apakah mengikuti distribusi normal, poisson, uniform, atau exponential.
21
Dalam hal ini untuk mengetahui apakah distribusi residual terdistribusi
normal atau tidak. Residual berdistribusi normal jika nilai signifikansi lebih
dari 0,05.
- Inputkan data di SPSS
- Langkah pertama yaitu mencari nilai residual, caranya klik Analyze >>
Regression >> Linear
- 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
Uji multikolinearitas digunakan untuk mengetahui ada atau

tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya
hubungan linear antar variabel independen dalam model regresi.
Prasyarat yang harus terpenuhi dalam model regresi adalah tidak
adanya multikolinearitas. Ada beberapa metode pengujian yang bisa
digunakan diantaranya yaitu 1) dengan melihat nilai inflation factor
(VIF) pada model regresi, 2) dengan membandingkan nilai koefisien
determinasi individual (r2) dengan nilai determinasi secara serentak
(R2), dan 3) dengan melihat nilai eigenvalue dan condition index. Pada
pembahasan ini akan dilakukan uji multikolinearitas dengan melihat
nilai inflation factor (VIF) pada model regresi dan membandingkan nilai
koefisien determinasi individual (r2) dengan nilai determinasi secara
serentak (R2). Menurut Santoso (2001), pada umumnya jika VIF lebih
besar dari 5, maka variabel tersebut mempunyai persoalan
multikolinearitas dengan variabel bebas lainnya.
a) Melihat nilai inflation factor (VIF) pada model regresi
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
perusahaan di BEJ. Data-data yang di dapat berupa data rasio dan

1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
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
Bambang dalam penelitiannya ingin mengetahui bagaimana

dengan alat analisis regresi linear berganda.

Kita menggunakan input data yang sama pada uji normalitas.
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:
Tabel. Hasil Uji Multikolinearitas
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.
b) Dengan membandingkan nilai koefisien determinasi individual

(r ) dengan nilai determinasi secara serentak (R2)
2
Dalam metode ini, cara yang ditempuh adalah dengan meregresikan

setiap variabel independen dengan variabel independen lainnya, dengan
tujuan untuk mengetahui nilai koefisien r2 untuk setiap variabel yang
diregresikan. Selanjutnya nilai r2 tersebut dibandingkan dengan nilai
koefisien determinasi R2. Kriteria pengujian yaitu jika r2 > R2 maka terjadi
multikolinearitas dan jika r2 < R2 maka tidak terjadi 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:

1996 127300000 37800000 11700000 8700000
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

Langkah pertama meregresikan antar variabel independen, langkahnya
masukkan variabel Biaya produksi ke kotak Dependent, kemudian masukkan
variabel Biaya distribusi ke kotak Independent(s).
- Klik tombol OK. Hasil pada output Model Summary sebagai berikut:
(regresi variabel Biaya produksi dengan Biaya distribusi)
- Langkah selanjutnya meregresikan variabel Biaya produksi dengan Biaya

promosi, kemudian Biaya distribusi dengan Biaya promosi dengan langkah-
langkah sama seperti langkah di atas. Hasil output seperti berikut:
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:
Berikut ini ringkasan tabel hasil uji multikolinearitas:

Variabel Variabel Nilai r square (r2)
Dependen Independen
Biaya produksi Biaya distribusi 0,797
Biaya produksi Biaya promosi 0,843
Biaya distribusi Biaya promosi 0,728
2
Nilai R 0,983
Dari tabel di atas dapat diketahui bahwa nilai koefisien r 2 yang

diperoleh seluruhnya bernilai lebih kecil dari pada nilai koefisien determinasi
(R2). Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah
multikolinearitas pada model regresi
27
3. UJI HETEROSKEDASTISITAS
Uji heteroskedastisitas digunakan untuk mengetahui ada atau

tidaknya penyimpangan asumsi klasik heteroskedastisitas yaitu
adanya ketidaksamaan varian dari residual untuk semua pengamatan
pada model regresi. Prasyarat yang harus terpenuhi dalam model
regresi adalah tidak adanya gejala heteroskedastisitas. Ada beberapa
metode pengujian yang bisa digunakan diantaranya yaitu Uji Park, Uji
Glesjer, Melihat pola grafik regresi, dan uji koefisien korelasi Spearman.
a) Uji Park
Metode uji Park yaitu dengan meregresikan nilai residual (Lnei 2)
dengan masing-masing variabel dependen (LnX1 dan LnX2).
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.

setelah dilakukan uji normalitas dan multikolinearitas, maka
selanjutnya akan dilakukan pengujian heteroskedastisitas.
Data-data dapat dilihat lagi sebagai berikut:

1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
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

Independent(s).
Klik Save, pada Residuals klik Unstandardized, kemudian klik Continue
Klik OK, hiraukan hasil output, kita kembali ke SPSS Data Editor,
kemudian klik data view, terlihat satu variabel tambahan yaitu res_1,
inilah variabel Unstandardized Residual yang akan kita gunakan.
Kuadratkan nilai Unstandardized Residual (Bisa lewat program Ms Excel
dengan cara sorot seluruh data lalu kopi dan masukkan (paste) ke
program Ms Excel kemudian kuadratkan nilai tersebut) variabel yang
didapat kita beri nama yaitu ei2.
Ubah seluruh variabel ei2, X1, dan X2 kedalam bentuk logaritma natural
(Bisa lewat program Ms Excel dengan cara kopi variabel dan masukkan
(paste) ke program Ms Excel kemudian ubah dalam bentuk logaritma
natural dengan cara pada cel kosong ketik =Ln( lalu sorot variabel
yang akan kita ubah, kemudian tekan enter.
Data-data dalam bentuk logaritma natural disajikan dalam tabel
berikut ini:
Tabel. Pengubahan kebentuk Logaritma Natural

LnX1 LnX2 Lnei2
1.59 1.87 12.33
1.19 1.14 13.62
1.62 1.61 14.19
1.39 1.56 12.79
1.79 1.83 12.31
1.44 1.80 10.88
2.08 2.17 9.62
2.01 2.04 14.26
2.01 2.08 14.41
2.54 2.34 5.54
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
Langkah selanjutnya adalah:

Kembali ke Variable View pada SPSS, buat variabel baru dengan cara
pada kolom Name pada baris 5 ketik lnx1, pada baris ke 6 ketik lnx2,
kemudian pada baris selanjutnya ketik lnei2. (kolom-kolom lain boleh
dihiraukan)
Klik Data View, terlihat kolom baru dengan nama lnx1, lnx2, dan lnei2.
Bila anda merubah data ke bentuk Ln di Ms Excel maka kopikan seluruh
variabel dan masukkan (paste) ke data view pada program SPSS sesuai
dengan variabelnya.
Klik Analize - Regression - Linear
Klik varibel lnei2 dan masukkan ke kotak Dependent, kemudian klik
variabel lnx1 dan masukkan ke kotak Independent.
Klik OK, sementara hiraukan hasil output yang di dapat.
Klik Analize - Regression - Linear. Terlihat variabel lnei2 masih ada di
kotak Dependent dan variabel lnx1 di kotak independent.
Klik varibel lnx1 dan keluarkan variabel dari kotak Independent,
kemudian klik variabel lnx2 dan masukkan kekotak Independent,
kemudian klik variabel lnx1 dan masukkan ke kotak Independent.
Klik OK, maka hasil output pada tabel Coefficient pada dua kali analisis
regresi adalah sebagai berikut:
Tabel. Hasil Uji Heteroskedastisitas Lnei 2 dengan LnX1
Tabel. Hasil Uji Heteroskedastisitas Lnei2 dengan LnX2
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:

1996 127300000 37800000 11700000 8700000
1997 122500000 38100000 10900000 8300000
1998 146800000 42900000 11200000 9000000
1999 159200000 45200000 14800000 9600000
2000 171800000 48400000 12300000 9800000
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

- Langkah pertama yaitu mencari nilai unstandardized residual, caranya klik
Analyze >> Regression >> Linear
Save
Hiraukan hasil output SPSS, Anda buka input data, disini akan bertambah
satu variabel yaitu residual (RES_1).
- Langkah selanjutnya mencari nilai absolute residual dari nilai residual di
atas, caranya klik menu Transform >> Compute Variable.
- Pada kotak Target Variable, merupakan nama variabel baru yang akan
tercipta. Ketikkan ABS_RES (absolute residual). Kemudian klik pada kotak
Numeric Expression, lalu ketikkan ABS( lalu masukkan variabel
Unstandardized Residual (RES_1) ke kotak Numeric Expression dengan klik
tanda penunjuk, kemudian ketik tanda tutup kurung. Maka lengkapnya akan
tertulis ABS(RES_1), perintah ini untuk menghitung nilai absolute dari
residual. Jika sudah klik tombol OK.
- Langkah selanjutnya meregresikan nilai variabel independen dengan
absolute residual. Caranya klik Analyze >> Regression >> Linear.
- Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan
varibel Biaya produksi, Biaya distribusi, dan Biaya promosi ke kotak
Independent(s). Selanjutnya klik tombol OK. Maka hasil pada output
Coefficient seperti berikut:
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.
c) Melihat pola titik-titik pada scatterplots regresi
Metode ini yaitu dengan cara melihat grafik scatterplot antara

standardized predicted value (ZPRED) dengan studentized residual (SRESID).
Ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED
dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual
(Y prediksi - Y sesungguhnya).
Dasar pengambilan keputusan yaitu:
- Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola
tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka
terjadi heteroskedastisitas.
- Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
- Klik tombol Plots, maka akan terbuka kotak dialog Linear Regression: Plots.
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:
Dari output di atas dapat diketahui bahwa titik-titik tidak membentuk

pola yang jelas, dan titik-titik menyebar di atas dan di bawah angka 0 pada
sumbu Y. Jadi dapat disimpulkan bahwa tidak terjadi masalah
heteroskedastisitas dalam model regresi.
d) Uji koefisien korelasi Spearmans rho
Metode uji heteroskedastisitas dengan korelasi Spearmans rho yaitu

mengkorelasikan variabel independen dengan nilai unstandardized residual.
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 pertama yaitu mencari nilai unstandardized residual, caranya klik
Analyze >> Regression >> Linear
Save
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
16.52 Duwi Consultant

Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi
antara residual pada satu pengamatan dengan pengamatan lain pada
model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya
autokorelasi dalam model regresi. Metode pengujian yang sering
digunakan adalah dengan uji Durbin-Watson (uji DW) dengan
ketentuan sebagai berikut:
1) Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis
nol ditolak, yang berarti terdapat autokorelasi.
2) Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang
berarti tidak ada autokorelasi.
3) Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka
tidak menghasilkan kesimpulan yang pasti.
Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson
yang bergantung banyaknya observasi dan banyaknya variabel yang
menjelaskan.
setelah dilakukan uji normalitas, multikolinearitas, dan
heteroskedastisitas maka selanjutnya akan dilakukan pengujian
autokorelasi.

Independent(s).
Klik Statistics, pada Residuals klik Durbin Watson, kemudian klik
Continue.
Klik OK, hasil output pada Model Summary sebagai berikut:
Tabel. Hasil Uji Durbin-Watson
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

Statistik deskriptif menggambarkan tentang ringkasan data-data
penelitian seperti mean, standar deviasi, varian, modus dll. Dalam
program SPSS digunakan juga ukuran skewness dan kurtosis untuk
menggambarkan distribusi data apakah normal atau tidak, selain ada
beberapa pengujian untuk mengetahui normalitas data dengan uji
Kolmogorov-Smirnov dan Shapiro-Wilk. Dalam pembahasan ini hanya
akan dilakukan analisis deskriptif dengan memberikan gambaran data
tentang jumlah data, minimum, maksimum, mean, dan standar
deviasi.
Contoh kasus:
Sebagai contoh kasus mengambil kasus yang sama pada uji
normalitas dengan mengurangi satu variabel yaitu ROI. Bambang
dalam penelitiannya ingin mengetahui bagaimana hubungan antara
rasio keuangan PER terhadap harga saham. Dengan ini Bambang
menganalisis dengan bantuan program SPSS dengan alat analisis
regresi linear. Sebelum dilakukan analisis maka akan dilakukan analisis
deskriptif dengan meringkas data dan menyajikannya dalam bentuk
tabel dan grafik. Data-data penelitian adalah sebagai berikut:
Tahun Harga Saham PER

1990 8300 4.90
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
Langkah-langkah dengan program SPSS

Masuk program SPSS
Pada kolom Name ketik y, kolom Name pada baris kedua ketik x
untuk kolom pada baris kedua ketik PER.
Buka data view pada SPSS data editor, maka didapat kolom variabel y
dan x.
Klik Analyze - Deskriptive Statistics - Descriptives
Klik variabel Harga saham dan PER kemudian masukkan ke kotak
Variable(s)
Klik OK, maka hasil output yang didapat adalah sebagai berikut:
Tabel. Hasil Statistik Deskriptif
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)
Dari tabel di atas dapat dilihat bahwa variabel harga saham

dengan jumlah data (N) sebanyak 18 mempunyai harga saham rata-
rata Rp.9.150,-; dengan harga saham minimal Rp.6.500,- dan
maksimal Rp.13.000,-. sedangkan standar deviasinya sebesar
Rp.1.714,-. Variabel PER dengan jumlah data (N) sebanyak 18
mempunyai prosentase rata-rata sebesar 9,9122%; dengan nilai
minimal 3,28% dan maksimal 17,24% sedangkan standar deviasinya
sebesar 4,9193%.
KORELASI DAN REGRESI

KORELASI (2 Korelasi):
1. ANALISIS KORELASI SEDERHANA
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk

mengetahui keeratan hubungan antara dua variabel dan untuk
mengetahui arah hubungan yang terjadi. Koefisien korelasi sederhana
menunjukkan seberapa besar hubungan yang terjadi antara dua
variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate
correlation) diantaranya Pearson Correlation, Kendalls tau-b, dan
Spearman Correlation. Pearson Correlation digunakan untuk data
berskala interval atau rasio, sedangkan Kendalls tau-b, dan Spearman
Correlation lebih cocok untuk data berskala ordinal.
Pada bab ini akan dibahas analisis korelasi sederhana dengan
metode Pearson atau sering disebut Product Moment Pearson. Nilai
korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau
-1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai
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:

Subjek Kecerdasan Prestasi Belajar
1 33 58
2 32 52
3 21 48
4 34 49
5 34 52
6 35 57
7 32 55
8 21 50
9 21 48
10 35 54
11 36 56
12 21 47

Masuk program SPSS
Pada kolom Name ketik x, kolom Name pada baris kedua ketik y.
Pada kolom Decimals ganti menjadi 0 untuk variabel x dan y
40
Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan,
untuk kolom pada baris kedua ketik Prestasi Belajar.
Buka data view pada SPSS data editor, maka didapat kolom variabel x
dan y.
Klik Analyze - Correlate - Bivariate
Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian
klik variabel Prestasi Belajar dan masukkan ke kotak yang sama
(Variables).
Tabel. Hasil Analisis Korelasi Bivariate Pearson
Dari hasil analisis korelasi sederhana (r) didapat korelasi antara

kecerdasan dengan prestasi belajar (r) adalah 0,766. Hal ini
menunjukkan bahwa terjadi hubungan yang kuat antara kecerdasan
dengan prestasi belajar. Sedangkan arah hubungan adalah positif
karena nilai r positif, berarti semakin tinggi kecerdasan maka semakin
meningkatkan prestasi belajar.
- Uji Signifikansi Koefisien Korelasi Sederhana (Uji t)

Uji signifikansi koefisien korelasi digunakan untuk menguji apakah
hubungan yang terjadi itu berlaku untuk populasi (dapat
digeneralisasi). Misalnya dari kasus di atas populasinya adalah siswa
SMU Negeri 1 Yogyakarta dan sampel yang diambil dari kasus di atas
adalah 12 siswa SMU Negeri 1 Yogyakarta, jadi apakah hubungan yang
terjadi atau kesimpulan yang diambil dapat berlaku untuk populasi
yaitu seluruh siswa SMU Negeri 1 Yogyakarta.
41
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
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.
ANALISIS KORELASI PARSIAL
Analisis korelasi parsial (Partial Correlation) digunakan untuk

mengetahui hubungan antara dua variabel dimana variabel lainnya
yang dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai
variabel kontrol). Nilai korelasi (r) berkisar antara 1 sampai -1, nilai
semakin mendekati 1 atau -1 berarti hubungan antara dua variabel
semakin kuat, sebaliknya nilai mendekati 0 berarti hubungan antara
dua variabel semakin lemah. Nilai positif menunjukkan hubungan
searah (X naik maka Y naik) dan nilai negatif menunjukkan hubungan
42
terbalik (X naik maka Y turun). Data yang digunakan biasanya berskala
interval atau rasio.
- 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:

Subjek Prestasi
Kecerdasan Belajar Tingkat Stress
1 33 58 25
2 32 52 28
3 21 48 32
4 34 49 27
5 34 52 27
6 35 57 25
7 32 55 30
8 21 50 31
9 21 48 34
10 35 54 28
11 36 56 24
12 21 47 29

Masuk program SPSS
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.
Buka data view pada SPSS data editor, maka didapat kolom variabel
x1, x2 dan y.
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
Tabel. Hasil Analisis Korelasi Parsial
-PARTIAL CORRELATION COEFFICIENTS -
Controlling for.. X2
X1 Y
X1 1.0000 .4356
( 0) ( 9)
P= . P= .181
Y .4356 1.0000
( 9) ( 0)
P= .181 P= .
(Coefficient / (D.F.) / 2-tailed Significance)
" . " is printed if a coefficient cannot be computed
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.
- Uji Signifikansi Koefisien Korelasi Parsial (Uji t)

Uji signifikansi koefisien korelasi parsial digunakan untuk menguji
apakah hubungan yang terjadi itu berlaku untuk populasi (dapat
digeneralisasi). Langkah-langkah pengujian sebagai berikut:
Ho : Tidak ada hubungan secara signifikan antara kecerdasan
dengan prestasi belajar jika tingkat stress tetap
Ha : Ada hubungan secara signifikan antara kecerdasan dengan
prestasi belajar jika tingkat stress tetap
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
Berdasar probabilitas:
erima jika P value > 0,05
Ho ditolak jika P value < 0,05
4. Membandingkan probabilitas
Nilai P value (0,181 > 0,05) maka Ho diterima.
8. Kesimpulan
Oleh karena nilai P value (0,181 > 0,05) maka Ho diterima, artinya
bahwa tidak ada hubungan secara signifikan antara kecerdasan
dengan prestasi belajar jika tingkat stress dibuat tetap. Hal ini dapat
berarti terdapat hubungan yang tidak signifikan, artinya hubungan
tersebut tidak dapat berlaku untuk populasi yaitu seluruh siswa SMU
Negeri 1 Yogyakarta, tetapi hanya berlaku untuk sampel. Jadi dalam
kasus ini dapat disimpulkan bahwa kecerdasan tidak berhubungan
terhadap prestasi belajar pada siswa SMU Negeri 1 Yogyakarta .
ANALISIS REGRESI LINIER BERGANDA
Analisis regresi linier berganda adalah hubungan secara linear

antara dua atau lebih variabel independen (X 1, X2,.Xn) dengan
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:
Y = a + b1X1+ b2X2+..+ bnXn

Keterangan:
Y = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y apabila X1, X2..Xn = 0)
b =Koefisien regresi (nilai peningkatan ataupun penurunan)
Contoh kasus:
Kita mengambil contoh kasus pada uji normalitas, yaitu sebagai
berikut: Seorang mahasiswa bernama Bambang melakukan penelitian
perusahaan di BEJ. Bambang dalam penelitiannya ingin mengetahui
dengan alat analisis regresi linear berganda. Dari uraian di atas maka
didapat variabel dependen (Y) adalah harga saham, sedangkan
variabel independen (X1 dan X2) adalah PER dan ROI.
Data-data yang di dapat berupa data rasio dan ditabulasikan
sebagai berikut:

1990 8300 4.90 6.47
1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75
1997 8200 7.45 7.72
1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
46
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

Masuk program SPSS
Pada kolom Name ketik y, kolom Name pada baris kedua ketik x1,
kemudian untuk baris kedua ketik x2.
untuk kolom pada baris kedua ketik PER, kemudian pada baris ketiga
ketik ROI.
Buka data view pada SPSS data editor, maka didapat kolom variabel y,
x1, dan x2.
kemudian klik variabel PER dan ROI kemudian 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:
Tabel. Hasil Analisis Regresi Linear Berganda
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).
A. Analisis Korelasi Ganda (R)

Analisis ini digunakan untuk mengetahui hubungan antara dua
atau lebih variabel independen (X1, X2,Xn) terhadap variabel
dependen (Y) secara serentak. Koefisien ini menunjukkan seberapa
besar hubungan yang terjadi antara variabel independen (X 1, X2,Xn)
secara serentak terhadap variabel dependen (Y). nilai R berkisar antara
0 sampai 1, nilai semakin mendekati 1 berarti hubungan yang terjadi
semakin kuat, sebaliknya nilai semakin mendekati 0 maka hubungan
yang terjadi semakin lemah.
0,00 - 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
49
Dari hasil analisis regresi, lihat pada output moddel summary dan
disajikan sebagai berikut:
Tabel. Hasil analisis korelasi ganda
Berdasarkan tabel di atas diperoleh angka R sebesar 0,879. Hal ini

menunjukkan bahwa terjadi hubungan yang sangat kuat antara PER
dan ROI terhadap harga saham.
B. Analisis Determinasi (R2)
Analisis determinasi dalam regresi linear berganda digunakan
untuk mengetahui prosentase sumbangan pengaruh variabel
independen (X1, X2,Xn) secara serentak terhadap variabel dependen
(Y). Koefisien ini menunjukkan seberapa besar prosentase variasi
variabel independen yang digunakan dalam model mampu
menjelaskan variasi variabel dependen. R 2 sama dengan 0, maka tidak
ada sedikitpun prosentase sumbangan pengaruh yang diberikan
variabel independen terhadap variabel dependen, atau variasi variabel
independen yang digunakan dalam model tidak menjelaskan
sedikitpun variasi variabel dependen. Sebaliknya R 2 sama dengan 1,
maka prosentase sumbangan pengaruh yang diberikan variabel
independen terhadap variabel dependen adalah sempurna, atau
variasi variabel independen yang digunakan dalam model menjelaskan
100% variasi variabel dependen.
Dari hasil analisis regresi, lihat pada output model summary dan
disajikan sebagai berikut:
Tabel. Hasil analisis determinasi
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.
C. Uji Koefisien Regresi Secara Bersama-sama (Uji F)

Uji ini digunakan untuk mengetahui apakah variabel independen
(X1,X2.Xn) secara bersama-sama berpengaruh secara signifikan
terhadap variabel dependen (Y). Atau untuk mengetahui apakah model
regresi dapat digunakan untuk memprediksi variabel dependen atau
tidak. Signifikan berarti hubungan yang terjadi dapat berlaku untuk
populasi (dapat digeneralisasikan), misalnya dari kasus di atas
populasinya adalah 50 perusahaan dan sampel yang diambil dari kasus
di atas 18 perusahaan, jadi apakah pengaruh yang terjadi atau
kesimpulan yang didapat berlaku untuk populasi yang berjumlah 50
perusahaan.
Dari hasil output analisis regresi dapat diketahui nilai F seperti
pada tabel 2 berikut ini.
Tabel. Hasil Uji F
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.
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.
D. Uji Koefisien Regresi Secara Parsial (Uji t)
52
Uji ini digunakan untuk mengetahui apakah dalam model regresi
variabel independen (X1, X2,..Xn) secara parsial berpengaruh
signifikan terhadap variabel dependen (Y).
Dari hasil analisis regresi output dapat disajikan sebagai berikut:
Tabel. Uji t

Pengujian koefisien regresi variabel PER
Ho : Secara parsial tidak ada pengaruh signifikan antara PER
dengan harga saham.
Ha : Secara parsial ada pengaruh signifikan antara PER dengan
harga saham
Tingkat signifikansi menggunakan = 5%
3. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar -1,259
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan
derajat kebebasan (df) n-k-1 atau 18-2-1 = 15 (n adalah jumlah
kasus dan k adalah jumlah variabel independen). Dengan pengujian
2 sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel
sebesar 2,131 (Lihat pada lampiran) atau dapat dicari di Ms Excel
dengan cara pada cell kosong ketik =tinv(0.05,15) lalu enter.
53
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.
Pengujian koefisien regresi variabel ROI

Ho : Secara parsial tidak ada pengaruh signifikan antara ROI
dengan harga
saham
Ha : Secara parsial ada pengaruh signifikan antara ROI dengan
harga saham
Tingkat signifikansi menggunakan = 5%.
3. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar 5,964
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan
derajat kebebasan (df) n-k-1 atau 18-2-1 = 15 (n adalah jumlah
kasus dan k adalah jumlah variabel independen). Dengan pengujian
2 sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel
sebesar 2,131.
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 (5,964 > 2,131) maka Ho ditolak
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (5,964 > 2,131) maka Ho ditolak,
artinya secara parsial ada pengaruh signifikan antara ROI dengan
harga saham. Jadi dari kasus ini dapat disimpulkan bahwa secara
parsial ROI berpengaruh positif 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
Sumber: Function Statistical Microsoft

Excel
Tabel t

T Table Statistics
Signifikan Level Signifikan Level

Df Df
0.025 0.05 0.025 0.05
1 12.706 6.314 41 2.020 1.683
2 4.303 2.920 42 2.018 1.682
3 3.182 2.353 43 2.017 1.681
4 2.776 2.132 44 2.015 1.680
5 2.571 2.015 45 2.014 1.679
6 2.447 1.943 46 2.013 1.679
7 2.365 1.895 47 2.012 1.678
8 2.306 1.860 48 2.011 1.677
9 2.262 1.833 49 2.010 1.677
10 2.228 1.812 50 2.009 1.676
11 2.201 1.796 51 2.008 1.675
12 2.179 1.782 52 2.007 1.675
13 2.160 1.771 53 2.006 1.674
14 2.145 1.761 54 2.005 1.674
15 2.131 1.753 55 2.004 1.673
16 2.120 1.746 56 2.003 1.673
17 2.110 1.740 57 2.002 1.672
18 2.101 1.734 58 2.002 1.672
19 2.093 1.729 59 2.001 1.671
20 2.086 1.725 60 2.000 1.671
21 2.080 1.721 61 2.000 1.670
22 2.074 1.717 62 1.999 1.670
23 2.069 1.714 63 1.998 1.669
24 2.064 1.711 64 1.998 1.669
25 2.060 1.708 65 1.997 1.669
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
Sumber: Function Statistical Microsoft Excel
Tabel r
r Table (Pearson Product Moment)
N 1-tailed 2-tailed N 1-tailed 2-tailed

3 0.988 0.997 41 0.261 0.308
4 0.900 0.950 42 0.257 0.304
5 0.805 0.878 43 0.254 0.301
6 0.729 0.811 44 0.251 0.297
7 0.669 0.755 45 0.248 0.294
8 0.622 0.707 46 0.246 0.291
9 0.582 0.666 47 0.243 0.288
10 0.549 0.632 48 0.240 0.285
11 0.521 0.602 49 0.238 0.282
12 0.497 0.576 50 0.235 0.279
13 0.476 0.553 51 0.233 0.276
14 0.458 0.532 52 0.231 0.273
15 0.441 0.514 53 0.228 0.270
16 0.426 0.497 54 0.226 0.268
17 0.412 0.482 55 0.224 0.265
18 0.400 0.468 56 0.222 0.263
19 0.389 0.456 57 0.220 0.261
20 0.378 0.444 58 0.218 0.258
21 0.369 0.433 59 0.216 0.256
22 0.360 0.423 60 0.214 0.254
23 0.352 0.413 61 0.213 0.252
24 0.344 0.404 62 0.211 0.250
25 0.337 0.396 63 0.209 0.248
26 0.330 0.388 64 0.207 0.246
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
Rumus mencari r table : =t table/SQRT(df+t table^2)
Tabel Chi Square
Chi Square Table Statistics

Signifikan Level Signifikan Level

Df 0.05
Df 0.05
1 3.841 41 56.942
2 5.991 42 58.124
3 7.815 43 59.304
4 9.488 44 60.481
5 11.070 45 61.656
6 12.592 46 62.830
7 14.067 47 64.001
8 15.507 48 65.171
9 16.919 49 66.339
10 18.307 50 67.505
11 19.675 51 68.669
12 21.026 52 69.832
13 22.362 53 70.993
14 23.685 54 72.153
15 24.996 55 73.311
16 26.296 56 74.468
17 27.587 57 75.624
18 28.869 58 76.778
19 30.144 59 77.930
20 31.410 60 79.082
21 32.671 61 80.232
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
Sumber: Function Statistical Microsoft Excel
Tabel Durbin Watson

Durbin-Watson Table
Signifikan Level 0.05
k=1 k=2 k=3 k=4 k=5

n
dL dU dL dU dL dU dL dU dL dU
6 0.610 1.400 - - - - - - - -
7 0.700 1.356 0.467 1.896 - - - - - -
8 0.763 1.332 0.559 1.777 0.368 2.287 - - - -
9 0.824 1.320 0.629 1.699 0.455 2.128 0.296 2.588 - -
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

Analisis Regresi Linier Berganda Dengan Data Rasio

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analisis Regresi Linier Berganda Dengan Data Rasio

Uploaded by

Copyright:

Available Formats

UJI STATISTIK

Uji Instrumen (2 Uji)

Uji validitas kuisioner

Uji reliabilitas kuisioner

Uji Asumsi Dasar (3 Uji)

Uji Asumsi Klasik (4 Uji)

Uji multikolinearitas (antar variable independen)

Uji autokorelasi (antar data pengamatan dalam variable ybs)

Korelasi dan Regresi

UJI INSTRUMEN (2 Uji):

Validitas adalah ketepatan atau kecermatan suatu instrumen

1. Bivariate Pearson (Korelasi Produk Momen Pearson)

Tabel 1. Tabulasi Data (Data Fiktif)

Langkah-langkah dengan program SPSS

Tabel. Hasil Analisis Bivariate Pearson

Tabel. Hasil Analisis Validitas Item dengan

Scale Scale Corrected

ITEM1 27.2500 29.8409 .4113 .8345

Dari output di atas bisa dilihat pada Corrected Item Total

Uji reliabilitas digunakan untuk mengetahui konsistensi alat ukur,

Langkah-langkah pada program SPSS

Tabel 4. Hasil Analisis Reliabilitas dengan Teknik Alpha

ITEM2 14.6667 18.9697 .6414 .8906

Dari hasil analisis di atas di dapat nilai Alpha sebesar 0,8970.

UJI ASUMSI DASAR (3 Uji):

Tabel 5. Tabulasi Data (Data Fiktif)

Bambang dalam penelitiannya ingin mengetahui bagaimana

Langkah-langkah pada program SPSS

Tabel. Hasil Uji Normalitas dengan Kolomogorov-Smirnov

Dari hasil di atas kita lihat pada kolom Kolmogorov-Smirnov dan

Uji homogenitas digunakan untuk mengetahui apakah beberapa

Tabel. Tabulasi Data (Data Fiktif)

Pemahaman Mahasiswa Tingkat

Langkah-langkah pada program SPSS

Masuk program SPSS.

Klik variable view pada SPSS data editor.

Pada kolom Label, untuk kolom pada baris pertama ketik

Untuk kolom-kolom lainnya boleh dihiraukan (isian default)

Klik Analyze - Compare Means - One Way Anova

Klik variabel Pemahaman Mahasiswa dan masukkan ke kotak

Klik Homogeneity of variance, kemudian klik Continue

Tabel. Hasil Uji Homogenitas

Dari hasil di atas dapat diketahui signifikansi sebesar 0,193.

ANALISIS REGRESI LINIER SEDERHANA

Tabel. Tabulasi Data Penelitian (Data Fiktif)

No Biaya Promosi Volume Penjualan

Langkah-langkah pada program SPSS

Tabel. Hasil Analisis Regresi Linear Sederhana

Angka-angka ini dapat diartikan sebagai berikut:

Uji Koefisien Regresi Sederhana (Uji t)

Uji Instrumen (2 Uji)

Uji Asumsi Dasar (3 Uji)

Uji Asumsi Klasik (4 Uji)

Korelasi dan Regresi

Uji linearitas bertujuan untuk mengetahui apakah dua variabel

Tabel. Tabulasi Data (Data Fiktif)

Langkah-langkah pada program SPSS

Tabel. Hasil Test for Linearity

Dari output di atas dapat diketahui bahwa nilai signifikansi pada

UJI ASUMSI KLASIK (4 uji):

Tingkat Biaya Biaya Biaya

2) Metode statistik One Sample Kolmogorov Smirnov

Uji multikolinearitas digunakan untuk mengetahui ada atau