Analisis Regresi dengan SPSS 16

Langkah-langkanya adalah:

• buka program SPSS 16
• masukkan variabelnya pada Variable View dan datanya pada Data View
• untuk anlisisnya pilih menu Analyze >> Regression >> Linear
• masukkan variabel dependennya ke Dependent
• masukkan variabel independenya ke Independent
• pilih jenis metodenya pada menu Method (pilih enter, stepwise, remove atau backward)
• OK

Intrepertasi Output

untuk outputnya lihat pada tabel Coefficient, disana akan menampilkan nilai-nilai koeffisien dari konstanta dan variabel independennya. Jika nilai signifikansinya lebih kecil dari taraf signifikansinya, maka model cocok digunakan.

Validitas dan Realbilitas dengan SPSS 16

Langkah-langkah uji validitas dan reliabilitas dengan SPSS 16

• buka program SPSS 16, tuliskan nama variabel pada "variable view" kemudian masukkan datanya pada "data view"
• pilih "Analyze >> Scale >> Reliability Analyze"
• muncul kotak "Reliability Analyze >> masukkan variabel pada kotak "item" >> untuk kotak model pilihlah "Alpha"
• klik menu statistic dan aktifkan menu "item, scale, dan scale item deleted" pada Descriptive for >> continue
• OK.

  
interpretasi output uji validitas dan reliabilitas

         Untuk mengetahui soal yang di ujikan valid dan tidak valid, maka dapat dilihat dari  nilai korelasi pada hasil output pada Corrected Item-Total Correlation  pada tabel output "item-total statistics" kemudian nilai korelasi tersebut dibandingkan dengan table corelasi product moment  dengan df = n-1  dengan taraf signifikansi alpha 5% . Jika nilai korelasi pada " Corrected Item-Total Correlation" lebih besar dari r tabel maka pertanyaan kuasioner di katakan valid.

         sedangkan untuk uji reliabilitas dapat dilihat dari hasil output pada tabel "Reliability Statistics". Jika nila r pada Cronbach's Alpha > r tabel maka kuasioner dikatakan reliabel

 

Stasioneritas dan Nonstasioneritas

Dalam anilsis time series asumsi yang harus dipenuhi yaitu data harus stasioner baik dalam mean maupun varians. data dikatakan stasioner jika rata-rata dan variansnya konstan.

1.      Stasioneritas

Stasioneritas dalam time series adalah tidak adanya pertumbuhan atau penurunan data, dengan kata lain data tetap konstan sepanjang waktu pengamatan. Menurut Santoso (2009: 38), stasioneritas adalah keadaan rata-ratanya tidak berubah seiring dengan berubahnya waktu, dengan kata lain, data berada di sekitar nilai rata-rata dan variansssi yang konstan.

Makridakis (1999: 351) menyatakan bahwa bentuk visual dari plot time series sering menyakinkan peramal bahwa data tersebut stasioner atau nonstasioner, demikian pula plot autokorelasi dapat dengan mudah memperlihatkan ketidakstasineran data. Kebanyakan data dalam time series tidak stasioner, oleh karena itu perlu dilakukan pengujian mengenai stasioneritas pada data time series. Pengujian ini dapat dilakukan dengan menggamati plot time series. Jika plot time seriescenderung konstan tidak tedapat pertumbuhan atau penurunan disimpulkan bahwa data sudah stasioner.

Selain itu, stasioneritas dapat dilihat dari nilai-nilai autokorelasi pada plot ACF. Nilai-nilai autokorelasi dari data stasioner akan turun samapai nol sesudah time lag kedua atau ketiga.   

2.      Non stasioneritas

Nonstasioneritas suatu data time series dapat dilihat dari plot time series. Data yang tidak stasioner plot time series cenderung memperlihatkan trend searah diagonal. Selain itu, ketidakstasioneritas dapat dilihat dari plot ACF yang nilai-nilai autokorelasinya signifikan berbeda dari nol untuk beberapa periode waktu. Nonstasioneritas ada dua macam, yaitu nonstasioneritas dalam mean dan nonstasioneritas dalam varians. Jika suatu data terbukti tidak stasioner dalam mean, maka dilakukan proses differencing atau pembedaan, sedangkan jika data tidak stasioner dalam varianss maka dilakukan proses transformasi.

Ref.

Makridakis, S., Wheelwright, S.C., & McGee, V.E. 1999. Metode dan Aplikasi Peramalan Jilid 1 Edisi Kedua. Terjemahan Ir. Untung S. Andriyanto dan Ir. Abdul Basith. Jakarta: Erlangga.

Santoso, S. 2009. Bussiness Forecasting Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS. Jakarta: PT Elex Media Komputindo.

 

Analisis Time Series

Analisis time series atau deret berkala pertama kali diperkenalkan oleh George E. P. Box dan Gwilym M. Jenkins pada tahun 1905 . Time series merupakan sekumpulan data yang dicatat dalam satu periode waktu. Pengamatan yang diamati diperoleh pada interval waktu yang sama, misalnya harian, mingguan, bulanan, tahunan dan sebagainya. Kumpulan pengamatan dari time series dinyatakan sebagai variabel yang dinotasikan sebagai Y. Pengamatan data tersebut diamati dalam waktu t, yaitu t1, t2 …ti. Sehingga variabel pengamatan data pada waktu t dinotasikan dengan Yt.

Metode ini sering digunakan untuk melakukan peramalan. Peramalan atau forecasting adalah suatu kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Peramalan merupakan salah satu unsur yang sangat penting dalam perencanaan serta pengambilan keputusan. Jika waktu tenggang nol atau sangat kecil, maka perencanaan tidak diperlukan, namun jika waktu tenggang panjang dan hasil peristiwa akhir bergantung pada faktor-faktor yang dapat diketahui, maka perencanaan memegang peranan penting.

Hal pertama yang dilakukan dalam analisis analisis time series adalah membuat grafik time series. Menurut Hanke dan Wichern (2005: 58) terdapat empat tipe umum pola data pada time series, yaitu:
1.Horisontal (data observasi tidak mengalami perubahan dari waktu ke waktu
(konstan))
2.Trend (data observasi cenderung bergerak naik atau turun dalam jangka waktu yang panjang).
3.Musiman (perubahan data observasi tergantung musim, baik bulan, triwulana, kuartalan atau semester)
4.Siklis (ketika fluktuasi naik dan turun dalam periode dan frekuensi yang stabil dalam jangka waktu yang lama).

Tujuan analisis time series yaitu menjelaskan mekanisme tertentu, meramalkan suatu nilai di masa depan dan mengoptimalkan sistem kendal.
Tahap-tahap analisis time series.

1.Identifikasi Model: dilakukan dengan membuat plot time series
2.Taksiran Model: dapat dilakukan dengan metode least squared ata Maksimum
Likelihood (MLE)
3.Diagnostik Model


Ref.
Hanke, J. E & Wichern, D.W. 2005. Business Forecasting. New Jersey: Pearson
Education International.
Makridakis, S., Wheelwright, S.C., & McGee, V.E. 1999. Metode dan Aplikasi Peramalan Jilid 1 Edisi Kedua. Terjemahan Ir. Untung S. Andriyanto dan Ir. Abdul Basith. Jakarta: Erlangga.
Iriawan, N & Astuti, S.P. 2006. Mengolah Data Statistik dengan Mudah Menggunakan Minitab 14. Yogyakarta: ANDI.

Asumsi Klasik

Analisis regresi merupakan suatu analisis statistik parametrik. Dalam melakukan analisis regresi terdapat asumsi-asumsi yang harus dipenuhi. Asumsi-asumsi ini dinamakan dengan asumsi klasik.

1. uji normalitas
uji normalitas dilakukan untuk menguji apakah data sampel yang diambil mengikuti sebaran distribusi normal atau tidak. Uji ini dapat dilakukan dengan melihat histogram atau plot datanya. Jika data mengikuti sampel menyebar merata kesemua daerah kurva normal maka dapat disumpulkan data sampel berdistribusi normal. Selain itu normalitas dapat dilihat dari hasil uji statistik misalanya uji Kolmogorov Smirnov, Liliefors Dan Shapiro-Wilk.

2. Uji multikolonieritas
uji multikolonieritas bertujuan untuk menguji apakah model regresi yang diperoleh terdapat korelasi antara variabel bebas (independen) (Ghozali,2005). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel-variabel independennya. Untuk mendeteksi ada atau tidaknya multikolonieritas di dalam model regresi dapat menggunakan tolerance value dan variance inflation factor (VIF).
Tolerance digunakan untuk mengukur variabilitas variabel independen yang terpilih dan tidak dijelaskan oleh variabel lainnya. Nilai cutoff yang umum dipakai untuk menunjukan multikolonieritas adalah nilai Tolerance lebih kecil sama dengan 0,01 atau sama dengan nilai VIF lebih besar sama dengan 10.

3. Uji homogenitas
Uji homogenitas atau disebut juga sebagai uji heteroskesdastisitas dapat dilihat dengan menggunakan Scatter Plot nilai residual variabel dependen. Jika data menyebar (tidak mengumpul di satu sudut/bagian) maka dapat disimpulkan bahya data sampel homogen.

4. Linearitas
Linearitas dapat dilihat dari plot datanya. Jika data sampel tidak mengikuti garis linear maka dapat digunakan analisis regresi non-linear.


5. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya (Ghozali,2005). Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi ada atau tidaknya autokorelasi dapat dilakukan dengan menggunakan Uji Durbin-Watson (DW test). Uji Durbin-Watson (DW test) digunakan untuk autokorelasi tingkat 1 dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel independen. Berikut adalah kriteria Penentuan Uji Durbin-Watson (DW test):
•Jika 4 – dl < dw>dl maka tidak terjadi autokorelasi.
•Jika dw < dl, koefisien korelasinya lebih besar dari nol terjadi autokorelasi positif. •Jika dw > 4- dl, koefisien korelasinya lebih kecil dari nol, maka terjadi autokorelasi negatif
•Jika dw terletak antara 4 – du dan 4- dl maka hasilnya tidak dapat disimpulkan.

sumber:
Ghozali, Iman. 2005. Aplikasi Analisis Multivariate Dengan Program SPSS. Semarang. Badan Penerbit Universitas Diponegoro.
Wahana Komputer. 2005. Pengembangan Analisis Multivariat dengan SPSS 12. Jakarta. Salemba Infotek.

Analisis Regresi

Analisis regresi banyak digunakan dalam berbagai bidang, misalnya saja industri, teknik sipil, pertanian, lingkungan, kedokteran, pemasaran, kependudukan dsb.

Model regresi dapat digunakan untuk mengukur kekuatan hubungan antar variabel dependen (terikat) dan variabel independen (bebas), mengetahui pengaruh suatu atau beberapa variabel independen  terhadap varibel dependen, memprediksi pengaruh suatu variabel atau beberapa variabel dependen dan variabel independen.

Model regresi terdiri dari variabel yaitu variabel dependen (Y) variabel independen. Variabel dependen (x) . variabel dependen adalah variabel yang dipengaruhi oleh suatu variabel independen, sedangkan variabel independen adalah variabel yang mempengaruhi variabel dependennya.

Analisis Regresi Linear Sederhana

Analisis regresi sederhana terdiri dari satu variabel dependen (Y) dan satu variabel independen (X). bentuk umum regresi sederhana:

Y=b0+b1X

Dengan Y adalah variabel dependen; X adalah variabel independen ; b0 adalah konstanta yang menunjukkan bahwa tanpa ditambahkan X nilai Y akan bertambah sebesar b0; dan b1 adalah koefisien X.

Analisis Regresi Berganda

Analisis regresi berganda terdiri dari satu variabel dependen (Y) dan variabel independen (X) yanh lebih dari satu.

Bentuk umum persamaan regresi berganda adalah:

Y=b0+b1X1+b2X2+…+biXi+e

Dengan  b0 adalah konstantaa; b1,b2,…,bi adalah koefisien model regresi untuk X1, X2, …, Xi, dan e (error) atau yang sering disebut dengan residual merupakan selisih antara nilai sebenarnya dengan garis taksiran yang dirumuskan (e=Y-Y’) dengan Y adalah nilai sebenarnya pada variabel dependen dan Y’  adalah nilai taksiran variabel dependen.