PENUNTUN PRAKTIKUM

E K O N O M E T R I K A

Oleh :

Wahyu Santoso, SP, MMA

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWATIMUR FAKULTAS PERTANIAN

PRODI AGRIBISNIS SURABAYA

2019

DAFTAR ISI

Materi I : Pengertian Dasar Ekonometrika 1

Materi 2: Mengenal IBM SPSS (Statistical Package for the Social Sciences) 3

Materi 3: Analisis Regresi Linear 9

Materi 4: Analisis Regresi Non Linear 18

Materi 5: Analisis Regresi Variabel Dummy 22

Materi 6: Analisis Korelasi 26

Materi 7: Uji Asumsi Klasik 29

Materi 8: Uji Chi Square 33

i

KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat serta hidayah- Nya kepada kami, sehingga pembuatan MODUL PRAKTIKUM EKONOMETRIKA ini akhirnya dapat terselesaikan.

Bagian awal modul praktikum diuraikan mengenai prinsip mendasar terkait ekonometrika beserta konsep-konsep penting untuk dipahami sebelum menggunakan prosedur pengujian. Selanjutnya diikuti oleh beberapa bagian yang menguraikan prosedur pengujian disertai dengan contoh-contoh pemakaiannya. Contoh-contoh aplikasi, dibuat sesederhana mungkin, dengan harapan bisa dengan mudah dimengerti oleh orang yang masih awam terhadap statistik sekalipun, terutama para mahasiswa yang akan melakukan penelitian. Selanjutnya, bagian prosedur pengujian dirinci berdasarkan t a h a p a n pengujian y a i t u i n p u t d a t a , r u n n i n g d a t a ( p r o c e s s ) dan diakhiri dengan tugas untuk menyajikan data (interpretation).

Adapun, software pendukung pelaksanaan praktikum digunakan IBM SPSS Ver. 21, yaitu sebuah program statistik dari pengembangan SPSS versi-versi sebelumnya, tentunya dengan perbedaan yang sangat significance terutama tampilan menu lengkap beserta solution tools yang mengarah penelitian – penelitian kuantitatif sehingga mampu menjawab tantangan global calon-calon sarjana pertanian dalam penyelesaian permasalahan dan pengambilan keputusan saat berkarier di masa mendatang.

Surabaya, Februari 2019

Penyusun

1

MATERI I: PENGERTIAN DASAR

EKONOMETRIKA

a. Pengertian Ekonometrika

Istilah ekonometrika terbentuk dari dua kata Yunani, yaitu “oikonomia” (economy) dan “metron” (measure). Ekonometrika merupakan analisis kuantitatif dari fenomena ekonomi yang sebenarnya (aktual) yang didasarkan pada pengembangan yang berbarengan dari teori dan pengamatan, dihubungkan dengan metode inferensi yang sesuai atau kombinasi antara Ilmu sosial yang menggunakan alat-alat teori ekonomi, matematika ekonomi, statistik infrensi diterapkan untuk analisis fenomena ekonomi.

b. Tujuan dari pengujian

1) Membuktikan validitas teori-teori ekonomi (verifikasi) 2) Menghasilkan taksiran-taksiran numeric untuk kebijakan ekonomi (penaksiran) 3) Meramalkan nilai besaran-besaran ekonomi

c. Tahapan pengujian

a. Merumuskan persamaan matematis (spesifikasi) b. Merancang metode dan prosedur sesuai teori statistik c. Menyusun metode penaksiran (estimasi) sesuai langkah “1” penaksiran d. Menyusun metode statistic untuk pengujian validitas teori (verifikasi) e. Mengembangkan metode peramalan ekonomi (aplikasi/penerapan)

2

Gambar 1. Tahapan Pembentukan Model Ekonomi

d. Bentuk-Bentuk Fungsional Pengujian

• Linier (sederhana, berganda) • Kuadratik • Logaritma • Eksponensial • Hiperbola • Constant elastiticy of substitution (CES)

Fungsi-fungsi di atas digunakan untuk mengetahui pengaruh hubungan variabel antar ekonomi (variabel independen dan variabel dependen).

3

Materi 2: Mengenal IBM SPSS

(Statistical Package for the Social Sciences)

IBM SPSS merupakan salah satu aplikasi computer yang digunakan untuk mengolah serta menganalisis data statistik. Ditinjau dari fungsi, fleksibilitas dan hasil akhir, IBM SPSS sangat membantu dalam memecahkan permasalahan-permasalahan sosial dan non sosial yang berkaitan dengan ilmu statistik. "All-in-one" adalah ungkapan yang ditujukan pada IBM SPSS yaitu edisi yang dirancang untuk kepentingan bisnis, namun dalam perkembangannya juga digunakan untuk kepentingan pendidikan.

IBM SPSS membantu dalam analisis data, perencanaan, prediksi, penelitian, survei, evaluasi program dan database marketing, dengan cakupan array yang sangat luas dan kemampuannya mengolah ataupun menampilkan data statistik terintegrasi. Perangkat lunak ini istimewa, karena mampu meningkatkan produktivitas secara signifikan dan membantu mencapai hasil yang superior baik untuk proyek tertentu ataupun untuk tujuan bisnis (IBM SPSS Corp., 2013).

Kelebihan secara umum : Mudah dalam pengoperasian (user friendly), seperti penekanan modus

pengoperasian pada menu full-down dengan dialog box interface

Unggul dalam menampilkan grafik hasil analisis dan kemudahan dalam penyuntingan grafiknya.

Menyediakan sintax windows sebagai sarana menulis instruksi-instruksi program untuk menyelesaikan permasalahan seperti pembobotan case sesuai yang dikehendaki. Instruksi program dengan menu full-down kurang begitu efisien jika dibandingkan dengan modus interaktif dan modus batch.

Menyediakan fasilitas yang lebih lengkap sehingga tidak memerlukan teks editor lainnya.

Menyediakan sintax sehingga mampu mendefinisikan istilah-istilah khusus dalam perintah, subperintah maupun keyword dalam IBM SPSS.

Kelebihan secara teknis :

Linear model (Model Linier) : memberikan regresi dan prosedur statistik yang canggih. Dirancang agar sesuai dengan karakteristik yang melekat pada data yang menggambarkan hubungan kompleks.

Nonlinear models (Model Nonlinier) : membantu menerapkan cara yang lebih

canggih untuk olah data. Simulation capabilities (Kemampuan Simulasi) : secara otomatis mampu

memodelkan banyak kemungkinan yang bisa terjadi ketika input tak pasti, meningkatkan analisis resiko dan pengambilan keputusan.

Customized tables (Tabel Customable) : memudahkan bagi user dalam memahami data mereka sendiri dan meringkas informasi dengan gaya yang berbeda sesuai dengan user.

Data preparation (Persiapan data) : menunjukan tahap persiapan dari sebuah

4

proses analitic. Data validity and missing values (Validitas data dan nilai-nilai yang hilang) :

meningkatkan kemungkinan menerima hasil yang signifikan secara statistik. Categorical and numeric data (Data kategori dan numerik) : dapat digunakan

untuk memprediksi hasil dan mengungkapkan hubungan grafis. Decision trees (Pohon keputusan) : memudahkan untuk mengidentifikasi

kelompok, menemukan hubungan antara kelompok dan memprediksi peristiwa masa depan.

Forecasting (Fitur prediksi) : memungkinkan untuk menganalisis data historis dan memprediksi tren lebih cepat.

Structural equation modeling (Alat pemodelan persamaan struktural) : memungkinkan membangun model persamaan struktural dengan lebih akurat daripada standar model statistik multivariate.

Bootstrapping : memudahkan untuk menguji stabilitas dan akurasi model, sehingga hasil dapat diandalkan.

Advanced sampling assessment and testing (Kecanggihan mengkaji dan menguji sampel) : secara statistik memberikan kesimpulan yang valid dengan cara memasukan desain sampel kedalam survey analysis.

Direct marketing and product decision-making tools (Alat pengambilan keputusan produk dan pemasaran) : membantu Anda dalam mengidentifikasi pelanggan yang tepat.

High-end charts and graphs (Charts dan graphs papan atas) : cara membuat, berbagi dan berinteraksi yang mudah dengan visualisasi menarik dan support untuk berbagai macam platform smart-device (Arbuckle, 2012).

A. Membuka program SPSS

Klik start > all program > IBM SPSS Statistic > IBM SPSS Statistic 21

KLIK

5

Tampilan area kerja IBM Statistics 21 :

B. Membangun Data Baru

Langkah 1 : membuat variabel pada halaman variabel view

Keterangan:

Name : nama variabel

Type : menentukan tipe variabel.

Pada IBM Statistic 21 terdapat 9 variabel, yang paling banyak digunakan yaitu numeric (data

berupa angka) dan string (bukan angka).

6

Width : ukuran menentukan lebar kolom secara default adalah 8.

Decimals : menentukan banyaknya angka di belakang koma. Label : memberikan penjelasan nama variabel. Values : memberi value (nilai) untuk data tipe nominal atau ordinal.

Misal: 1 = tidak suka, 2 = suka dan 3 = sangat suka.

Missing : menentukan data tertentu sebagai data yang hilang atau tidak

digunakan.

7

Columns : menentukan lebar kolom pada kolom data pada halaman Data View. Align : menentukan letak data (lift, Center dan Right)

Measures : menentukan ukuran data (nominal, ordinal dan scale).

Langkah 2 : Input data pada halaman Data View

C. Menyimpan Data

Setelah data diinput (entri) maka langkah selanjutnya menyimpan data. Langkah- langkahnya sebagai berikut:

Klik File > Save, kemudian terbuka kotak dialog Save Data As.

pada Save In, pilih direktori/folder untuk menyimpan data anda. Ketikan: Membangun Data pada SPSS di File Name, selanjutnya klik Save.

Apabila anda ingin menyimpan output data dalam bentuk MS. Word maka anda pilih menu File, kemudian Eksport dan pilih Save As dalam format Word/Rtf.

8

D. Membuka file data

Untuk membuka data yang sudah disimpan sebelumnya, langkah-langkahnya Klik File > Open > Data, kemudian akan terbuka kotak dialog Open Data.

Pada Look In, pilih direktori/folder di mana data SPSS anda disimpan,

kemudian pilih dan klik tombol Open.

9

Materi 3: ANALISIS REGRESI LINEAR

A. Regresi Linear Sederhana

Regresi linear sederhana bertujuan mempelajari hubungan antara dua variabel. Kedua variabel ini dibedakan menjadi variabel bebas (x) dan variabel tidak bebas (y). variabel bebas adalah variabel yang bisa dikontrol sedangkan variabel tidak bebas adalah variabel yang mencerminkan respon dari variabel bebas.

Untuk mengetahui hubungan kejadian variabel dengan kejadian atau kejadian lain, kita menggunakan teknik analisis yang disebut korelasi. Analisis korelasi yang disimbolkan dengan tanda r (rhol). Koefisien korelasi menunjukkan seberapa kuat hubungan antara variabel. Sedangkan untuk mencari pengaruh suatu variabel terhadap variabel lain, alat analisis yang digunakan adalah analisis regresi. Hasil analisis regresi berupa persamaan regresi yang merupakan fungsi prediksi suatu variabel dengan menggunakan variabel lain.

Bentuk umum dari persamaan regresi adalah:

Dimana:

Y = a + βX

Y = nilai dari variabel dependen a = konstanta b = koefisien regresi

X = nilai dari variabel independen

B. Regresi Linier Berganda

Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel independen (X1,X2,…,Xn) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dan variabel dependen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila variabel independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio. Persamaan regresi linier berganda sebagai berikut:

Y = a + β1X1 + β2X2 + ….. + bnXn

Dimana:

Y = variabel dependen

X = variabel independen

10

a = konstanta (nilai Y apabila (X1,X2,…,Xn=0) b = koefisien regresi (nilai peningkatan ataupun penurunan)

Uji Statistik

Uji statistik fungsinya untuk melihat hubungan antara variabel dependen dan

variabel Independen. Jenis uji statistik yaitu sebagai berikut :

Uji R2 (uji koefisien determinasi)

Penguji ini dimaksudkan untuk mengukur seberapa jauh variabel independen

mempengaruhi variabel dependen.

Uji F (uji regresi secara bersama)

Penguji ini dimaksudkan untuk mengetahui ada tidaknya pengaruh variabel

independen secara bersama-sama dengan variabel dependen.

Uji t (t-test)

Pengujian ini dimaksudkan untuk mengetahui ada tidaknya pengaruhnya variabel

independen secara parsial atau sendiri-sendiri dengan variabel dependen.

Contoh Kasus Seorang manajer penjualan Traktor Mesin Merk “Quick” ingin mengetahui pengaruh biaya promosi dengan jumlah unit motor yang terjual dalam beberapa tahun terakhir. Ia menggunakan data penjualan dan biaya promosi 3 tahun terakhir untuk meramalkan penjualan berdasarkan biaya promosi yang dikeluarkan setiap bulannya.

Data :

No.

Biaya Promosi

Unit Terjual

1 70000 8000

2 68000 7800

3 84000 9800

4 85000 7800

5 68000 7900

6 76000 8100

7 70000 7800

8 71000 8000

9 70000 7800

10 67000 7600

11 72000 8600

11

No.

Biaya Promosi

Unit Terjual

12 77000 8100

13 68000 7600

14 71000 7500

15 77000 8700

16 82000 8300

Penyelesaian: Buka SPSS

Beri nama pada tab “variable views” dengan X dan Y Berikut tampilan data di SPSS

Klik Analyze – Regression - Linier Masukkan variabel X (biaya promosi) ke box independent, dan Y (unit terjual)

ke box “dependent”

12

Bandingkan output analisis berikut dengan latihan yang dikerjakan :

LIHAT

13

Pembahasan

Nilai koefisien determinasi 0.568. Dengan demikian dapat dinyatakan bahwa variasi penjualan mampu dijelaskan oleh biaya promosi sebesar 56.80%, dan sisanya dipengaruhi faktor lain selain biaya promosi

Persamaan regresi : Penjualan = 2881.296 + 0.069 (biaya promosi), Persamaan regresi tersebut mempunyai makna sebagai berikut: Konstanta sebesar 2881.296 berarti bahwa tanpa adanya biaya yang dikeluarkan untuk promosi, maka penjualan sepeda motor adalah sebesar 2,881 satuan. Jika variabel biaya promosi naik (satu juta) maka akan menyebabkan kenaikan (karena tanda positif) sebesar 0.069 pada penjualan mesin traktor.

Pengujian Hipotesis

Ho : Tidak ada pengaruh X terhadap Y

Ha : Ada pengaruh positif dan signifikan X terhadap Y

Pengambilan keputusan (berdasarkan probabilitas) :

Jika probabilitas > 0,05 maka Ho diterima, sedangkan jika probabilitas < 0,05 maka Ho ditolak. Dari hasil uji signifikansi terlihat bahwa nilai probabilitas adalah sebesar 0,00 (< 0,01) sehingga Ho ditolak. Artinya, pengaruh biaya promosi terhadap penjualan signifikan sehingga hipotesis alternatif (Ha) diterima.

Hasil uji melalui probabilitas ini juga relevan dengan pengujian melalui statistik t. Nilai t hitung adalah sebesar 6.680, sementara t tabel diperoleh dari dk = n – 2 = 36-2 = 34 (dalam uji ini, diambil dk = 30) dan taraf signifikansi 1% adalah sebesar 2.704 . Karena t hitung > t tabel (6.680> 2.704) maka Ho ditolak, artinya pengaruh X terhadap Y adalah positif dan terbukti signifikan berdasarkan pengujian statistik.

Akan diprediksi penjualan sepeda motor jika biaya promosi sebesar 100 Juta

Penjualan = 2881.296 + 0.069 (biaya promosi) Penjualan = 2881.296 + 0.069 (100000) Penjualan = 3749 (pembulatan)

Ket : biaya promosi dalam skala ribuan

Dengan demikian dapat dinyatakan bahwa jika biaya promosi sebesar 100 juta, maka penjualan traktor mesin diprediksi sebesar 3749 unit terjual.

14

Kasus Regresi Linear Berganda :

Seorang mahasiswa Prodi Agribisnis meneliti tentang “Analisis Faktor-Faktor Yang

Mempengaruhi Kinerja Pegawai di Balai Benih Induk Padi Wilayah X”

Adapun tujuan penelitian telah ditetapkan yaitu menganalisis pengaruh variabel-

variabel motivasi kerja terhadap kinerja pegawai. Populasi yang menjadi subyek

dalam penelitian ini adalah seluruh pegawai yang bekerja di Balai Benih Induk Padi

Wilayah X yang berjumlah 30 orang, yang kemudian dijadikan sebagai sampel

penelitian untuk diberi kuesioner. Menjawab tujuan penelitian data diukur dengan

skala interval atau skala yang mempunyai jarak (interval) yang sama pada semua

tingkat dengan suatu atribut yang hendak diukur menggunakan skala Likert, dimana

indikator-indikator yang terukur dapat dijadikan titik tolak untuk membuat item

instrumen berupa pertanyaan yang dijawab responden. Setiap jawaban dihubungkan

dengan bentuk pernyataan atau dukungan sikap yang diungkapkan dengan kata-kata

sebagai berikut:

Sangat Setuju = 5

Setuju = 4

Netral = 3

Tidak Setuju = 2

Sangat Tidak Setuju = 1

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + ε dimana,

Y = Kinerja Pegawai X1 = Variabel Penghargaan X2 = Variabel Pemberian Imbalan X3 = Variabel Lingkungan Kerja X4 = Variabel Pendidikan dan Pelatihan Kerja

β0 = Konstanta β1, β2, β3 dan β4 = Koefisien Regresi

ε = error

Data:

No. Y X1 X2 X3 X4

1. 5 5 4 4 5

2. 3 4 3 3 4

3. 4 4 3 2 5

4. 3 4 3 4 4

5. 4 4 3 3 5

6. 4 4 3 2 5

7. 4 4 4 3 3

8. 4 4 4 4 4

9. 3 3 4 3 4

10. 3 4 4 3 4

15

No. Y X1 X2 X3 X4

11. 4 4 4 3 4

12. 4 4 3 3 4

13. 3 4 4 3 4

14. 3 3 5 3 4

15. 4 4 4 4 5

16. 3 4 3 2 3

17. 4 4 4 4 4

18. 3 3 2 4 5

19. 4 5 3 3 4

20. 5 5 4 4 4

21. 4 5 4 4 4

22. 3 4 4 4 4

23. 4 4 5 4 4

24. 4 3 5 4 4

25. 3 4 4 3 3

26. 4 4 4 4 4

27. 5 5 5 4 4

28. 3 3 4 3 4

29. 3 3 4 2 4

30. 3 3 5 3 4

OUTPUT

Model Summary

Model R R Square Adjusted R

Square

Std. Error of the

Estimate

1 .802a .643 .586 .425

a. Predictors: (Constant), Pendidikan dan Pelatihan Kerja,

Penghargaan, Lingkungan Kerja, Pemberian Insentif

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 8.149 4 2.037 11.272 .000b

1 Residual 4.518 25 .181

Total 12.667 29

a. Dependent Variable: Kinerja

b. Predictors: (Constant), Pendidikan dan Pelatihan Kerja, Penghargaan, Lingkungan Kerja,

Pemberian Insentif

16

Coefficientsa

Model Unstandardized Coefficients Standardized

Coefficients

t Sig.

B Std. Error Beta

(Constant) 2.174 1.006

2.161 .041

Penghargaan .713 .131 .690 5.426 .000

1

Pemberian Insentif

Lingkungan Kerja

.285

.047

.120

.127

.322

.050

2.363

.370

.026

.715

Pendidikan dan Pelatihan .437 .155 .362 2.827 .009

Kerja

a. Dependent Variable: Kinerja

TUGAS :

a. Bandingkan output analisis diatas dengan latihan yang dikerjakan!

b. Interpretasikan masing-masing uji statistik (uji R2, uji F dan uji t) pada lembar jawaban yang telah disediakan!

Lembar Jawaban :

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

17

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

18

Materi 4: ANALISIS REGRESI NON LINEAR

Analisa regresi memiliki dua jenis pilihan model yaitu linear dan non linear dalam parameternya. Model linear memiliki dua sifat yaitu regresi sederhana dan regresi berganda dengan kurva yang dihasilkan membentuk garis lurus sebagaimana dijelaskan pada materi sebelumnya, sedangkan untuk model non linear dalam parameternya bersifat kuadratik dan kubik dengan kurva yang dihasillkan membentuk garis lengkung.

Salah satu bentuk model nonlinier adalah fungsi produksi Cobb Douglas. Fungsi produksi Cobb Douglas yaitu suatu fungsi yang melibatkan dua atau lebih variabel, yaitu variabel yang satu disebut variabel terikat (variabel yang dijelaskan, yaitu Y), dan variabel yang lain disebut variabel bebas (variabel yang menjelaskan, yaitu X). Secara sederhana formulasi fungsi produksi Cobb Douglas adalah sebagai berikut:

𝑄 = 𝐴 𝐿 𝑎𝐾 𝑏

Keterangan : Q : output 𝐴 : konstanta 𝐿 : tenaga kerja (labour) 𝐾 : modal (kapital) a, b : elastisitas input faktor produksi

Untuk mengestimasi fungsi produksi Cobb Douglas ada beberapa metode, salah satunya adalah dengan cara melinierkan fungsi produksi Cobb Douglas dengan transformasi logaritma.

Logaritma dari persamaan diatas adalah :

ln 𝑄 = ln 𝐴 + 𝑎 ln 𝑋1 + 𝑏 ln𝑋2 + 𝑐 ln𝑋3 + d ln 𝑋4 .

menjadi

𝑄 ∗ = 𝐴 ∗ + 𝑎𝑋1 ∗+𝑏𝑋2 ∗ + 𝑐𝑋3 ∗ + 𝑑𝑋4 ∗

dimana : 𝑄 ∗ = ln 𝑄 𝑋 ∗ = ln X 𝐴 ∗ = ln A

19

Kasus :

Tim peneliti yang ditugasi oleh PEMKAB “TL” untuk mengeksplorasi Studi Kelayakan dan Faktor Produksi Usahatani Padi Sawah Varietas Unggul yang nantinya hasil penelitian tersebut dijadikan referensi dalam menentukan rencana pengembangan sektor pertanian tanaman pangan di daerahnya. Tim peneliti

tersebut menetapkan variabel yang akan diuji yaitu pengaruh faktor produksi (luas lahan, tenaga kerja, benih, pupuk urea, pupuk SP36, pupuk KCl, dan pestisida) terhadap produksi padi sawah, data yang terkumpul di analisis dengan menggunakan model fungsi produksi Cobb-Douglas. Persamaan umum dari model yang dibangun adalah sebagai berikut :

ln Y = ln β0 + lnβ1𝑋1 + ln β2𝑋2 + ….. ln β7𝑋7 + e

dimana: Y βo

= =

Produksi Intercept / konstanta

bi = Koefisien regresi (i = 1,2, .... 7) X1 = Luas lahan (ha) X2 = Tenaga Kerja (HKSP) X3 = Benih (kg) X4 = Pupuk Urea (kg) X5 = Pupuk SP36 (kg) X6 = Pupuk KCl (kg) X7 = Pestisida (kg)

Data :

No. X1 X2 X3 X4 X5 X6 X7 Y

1 0,50 91,00 7,00 75,00 50,00 37,00 3,00 1.700

2 1,00 150,00 13,00 150,00 45,00 75,00 8,00 2.800

3 0,75 87,00 10,00 70,00 30,00 30,00 1,00 2.000

4 1,00 170,00 12,00 50,00 20,00 20,00 2,00 1.700

5 0,50 60,00 8,00 50,00 20,00 20,00 1,00 980

6 0,75 90,00 12,00 75,00 50,00 50,00 1,00 1.450

7 1,75 175,00 25,00 100,00 70,00 70,00 1,50 2.800

8 1,00 130,00 12,00 100,00 75,00 75,00 2,00 1.400

9 0,25 40,00 5,00 30,00 20,00 20,00 1,00 240

10 0,75 40,00 15,00 100,00 75,00 50,00 2,00 1.500

11 0,50 91,00 9,00 100,00 75,00 50,00 1,00 780

12 0,50 81,00 15,00 100,00 75,00 50,00 2,00 1.300

13 1,30 70,00 20,00 150,00 80,00 75,00 4,00 2.300

14 0,50 70,00 15,00 50,00 20,00 20,00 2,00 750

15 0,75 51,00 9,00 70,00 25,00 25,00 2,00 890

16 0,75 80,00 15,00 100,00 75,00 50,00 3,00 1.000

17 1,00 99,00 15,00 150,00 90,00 75,00 8,00 2.800

20

No. X1 X2 X3 X4 X5 X6 X7 Y

18 0,75 85,00 15,00 100,00 25,00 50,00 3,00 875

19 0,50 30,00 15,00 150,00 30,00 50,00 3,00 780

20 1,20 81,00 15,00 100,00 75,00 50,00 5,00 1.200

21 1,00 112,00 14,00 150,00 70,00 75,00 3,00 1.800

22 0,85 121,00 13,00 150,00 80,00 70,00 2,00 2.850

23 0,75 113,00 13,00 100,00 60,00 70,00 2,00 1.700

24 0,25 81,00 6,00 40,00 20,00 30,00 1,00 500

25 1,00 61,00 12,00 140,00 80,00 75,00 7,00 2.600

26 1,20 76,00 15,00 120,00 120,00 110,00 9,00 2.100

27 0,90 124,00 12,00 100,00 120,00 75,00 3,00 1.200

28 0,50 60,00 8,00 50,00 45,00 50,00 1,00 1.200

29 1,50 115,00 18,00 100,00 100,00 140,00 2,00 900

30 1,00 94,00 13,00 150,00 100,00 75,00 2,00 2.100

OUTPUT :

ANOVAb

Model

Sum of

Squares

df

Mean Square

F

Sig.

1 Regression 6,487 7 ,927 7,038 ,000a

Residual 2,896 22 ,132

Total 9,383 29

a. Predictors: (Constant), PESTIX7, TENAGAX2, SP36X5, BENIHX3, UREAX4,

LAHANX1, KCLX6

b. Dependent Variable: PRODUKY

21

TUGAS :

a. Bandingkan output analisis diatas dengan latihan yang dikerjakan!

b. Interpretasikan masing-masing uji statistik (uji R2, uji F dan uji t) pada lembar jawaban yang telah disediakan!

Lembar Jawaban :

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

22

Materi 5: ANALISIS REGRESI

VARIABEL DUMMY

Dalam beberapa, model regresi juga bisa menggunakan variabel independen kualitatif. Variabel kualitatif ini bisa dalam bentuk kelas, kelompok atau tingkatan. Misalnya memasukkan variabel seperti jenis kelamin, ras, dll sejajar dengan variabel independen lainnya.2) Kita ingin menghilangkan pengaruh mereka terhadap prediktor kita yang utama karena dapat menyebabkan bias estimasi.

Semua responden yang menjadi anggota kategori yang diberi kode 1 sedangkan responden tidak dalam kategori tersebut dikode dari 0. Dengan cara seperti ini maka setiap responden akan memiliki kode 1 pada kategori yang sesuai dengannya dan kode 0 pada kategori yang tidak sesuai dengannya. Kode biner dapat dianggap sebagai mirip ke saklar listrik: kode A 1 sinyal bahwa kategori yang diberikan adalah “on” untuk responden (misalnya, dia adalah anggota dari kelompok tertentu, atau karakteristik tertentu hadir ), karena bukan anggota, variabel dummy yang menunjukkan kategori yang diaktifkan “off (yaitu, karakteristik ini tidak ada).

Y = a + βX + c D1 (Model Dummy Intersep) Y = a + βX + c (D1X) (Model Dummy Slope)

Y = a + βX + c (D1X) + d D1 (Kombinasi)`

Kasus :

Analisis pengaruh faktor-faktor terhadap pendapatan petani jagung hibrida digunakan analisis regresi liniear berganda dengan variabel dummy, yang diformulasikan sebagai berikut:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + α1D + ε

dimana, Y = Pendapatan Petani Jagung Hibrida (Rp) X1 = Biaya Benih Jagung Hibrida (Rp) X2 = Biaya Pupuk (Rp) X3 = Biaya Tenaga Kerja (Rp) X4 = Jumlah Produksi Jagung Hibrida (Kg) β0 = Konstanta

β1, β2, β3 dan β4 = Koefisien regresi D1 = 1 (Petani Mitra) D1 = 0 (Petani Non Mitra)

α1 dan α1 = penduga kuadrat terkecil dari parameter β1, β2, β3 dan β4

dalam model ε = Faktor penggangu

23

Data :

No. Y X1 X2 X3 X4 D

1 2676800 125000 388550 539700 1500 1

2 7276950 262500 965300 1439200 4000 1

3 2696700 112500 377350 539700 1500 1

4 11403150 425000 1306350 1799000 6000 1

5 691000 137500 388500 514000 700 1

6 3064700 162500 526600 719600 1800 1

7 2753000 187500 626750 899500 1800 1

8 3096050 150000 505850 719600 1800 1

9 2646700 125000 482100 719600 1600 1

10 2654000 132500 403850 539700 1500 1

11 2107800 93750 321600 462600 1200 1

12 1849050 95000 326250 462600 1100 1

13 1050925 100000 342725 488300 800 1

14 1009550 62500 275850 436900 720 1

15 905675 107500 347875 488300 750 1

16 4153600 225000 752100 1079400 2500 1

17 2326150 162500 515150 719600 1500 1

18 2741750 187500 637525 899500 1800 1

19 2670750 143750 402500 514000 1500 1

20 3249875 188750 628625 899500 2000 1

21 1437250 196000 629550 827400 1500 0

22 3213300 399000 1279650 1684350 3200 0

23 2446500 294000 942900 1241100 2400 0

24 1046750 119000 382200 502350 1000 0

25 4035600 497000 1588250 2098050 4000 0

26 2049200 294000 953500 1241100 2200 0

27 1628800 196000 627500 827400 1600 0

28 2463250 497000 1596200 2098050 3200 0

29 2063500 294000 941400 1241100 2200 0

30 1646650 245000 786200 1034250 1800 0

31 1425450 119000 384700 502350 1200 0

32 1062150 112000 367900 502350 1000 0

33 1420000 133000 401150 502350 1200 0

34 1437500 262500 804750 1034250 1700 0

35 1019050 140000 406600 502350 1000 0

36 2426100 297500 961100 1241100 2400 0

37 1053400 105000 375550 502350 1000 0

38 1427650 192500 636950 827400 1500 0

39 1652250 245000 785000 1034250 1800 0

40 1623100 175000 637600 827400 1600 0

24

Model Summary

Model

R

R Square

Adjusted

R Square

Std. Error of

the Estimate

1 .998a .997 .997 110947.400

a. Predictors: (Constant), Dummy Variabel, Jumlah

Produksi, Biaya Benih, Biaya Tenaga Kerja, Biaya

Pupuk

ANOVAb

Model

Sum of

Squares

df

Mean Square

F

Sig.

1 Regression 1.37E+14 5 2.739E+13 2225.040 .000a

Residual 4.19E+11 34 1.231E+10

Total 1.37E+14 39

a. Predictors: (Constant), Dummy Variabel, Jumlah Produksi, Biaya Benih, Biaya

Tenaga Kerja, Biaya Pupuk

b. Dependent Variable: Pendapatan Petani Jagung Hibrida

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients

t

Sig. B Std. Error Beta

1 (Constant) -157538 60470.806 -2.605 .014

Biaya Benih 5.317 2.787 .304 1.908 .065

Biaya Pupuk -8.609 2.360 -1.559 -3.647 .001

Biaya Tenaga Kerja 2.445 1.241 .584 1.970 .057

Jumlah Produksi 2610.852 48.644 1.446 53.672 .000

Dummy Variabel 362410.2 70730.385 .098 5.124 .000

a. Dependent Variable: Pendapatan Petani Jagung Hibrida

TUGAS :

a. Bandingkan output analisis diatas dengan latihan yang dikerjakan!

b. Interpretasikan masing-masing uji statistik (uji R2, uji F dan uji t) pada lembar jawaban yang telah disediakan!

Lembar Jawaban :

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

25

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

26

Materi 6: ANALISIS KORELASI

Korelasi Bivariate (Dua Variabel)

Ada tidaknya hubungan antara antara dua variabel dapat dilihat jika data

dati variabel yang bersangkutan dibuat scatterplot (diagram pencar). Scatterplot

merupakan langkah dasar untUk mengetahui ada tidaknya hubungan tadi.

Sedangkan ukuran yang biasa digunakan untuk mengukur kekuatan hubungan

(asosiasi) adalah Koefisien Kore/as; Pearson yang diberi notasi r sebagai :

Dimana N adalah banyaknya kasus, Sx dan Sy adalah standar deviasi dari

variabel X dan Y. Harga koefisien r berkisar antara 0 sampai dengan 1 atau -1. Harga

absolut dari r menunjukkan kekuatan hubungan linier antar variabel-variabel yang

bersangkutan. Harga r yang positif menunjukkan hubungan bahwa kenaikan harga

dari suatu variabel akan diikuti

dengan menaiknya harga-harga variabel yang lainnya. Demikian pula sebaliknya

jika harga r negatif menunjukkan bahwa kenaikkan harga-harga suatu variabel akan

diikuti dengan menurunnya harga-harga variabel yang lainnya. Jika r berharga 0, hal

ini menunjukkan tidak adanya hubungan linier. Jika r berharga 1 dapat terjadi jika

titik hasil observasi tepat jatuh pada garis lurus. Kemiringan garis

menunjukkan apakah hubungannya berbentuk positif atau negatif.

Mengadakan uji korelasi perlu dibarengi dengan pembuatan scatterplot,

karena beberapa koefisien korelasi dapat dihasilkan dari berbagai bentuk

hubungan yang berbeda. Dua variabel mempunyai koefisien korelasi yang hampir

sarna meskipun hubungannya mungkin berbeda. Yang satu mempunyai hubungan

yang linier dan yang lainnya mungkin hubungannya nonlinier. Koefisien korelasi

yang dihasilkan merupakan langkah pertama untuk menjelaskan kekuatan hubungan

linier antara dua variabel. Selanjutnya dapat diadakan uji hipotesis mengenai koefisien

populasi yang tidak diketahui yaitu menguji p (rho) sama dengan nol.

Korelasi Product Moment Pearson hanya cocok untuk data yang sedikitnya

terdapat sebuah pengukuran dalam tingkat interval. Jika datanya dalam

pengukuran ordinal atau interval dapat digunakan Koefisien Korelasi Rank

Spearman. Koefisien korelasi yang disediakan adalah Koefisien Korelasi

Kendall's tau-b.

27

Korelasi Parsial

Pada saat kita menguji hubungan antara dua variabel, kita juga harus

mempertimbangkan pengaruh dari variabel-variabel lain dalam hubungan

tersebut. Koefisien yang seperti ini disebut Koefisien Korelasi Parsial. Koefisien

korelasi parsial adalah sebuah teknik yang berhubungan sangat erat dengan regresi

linier berganda, yang memberikan ukuran hubungan (asosiasi) linier tunggal

antara dua variabel yang disesuaikan dengan pengaruh liniear dari satu atau

beberapa vanabel lainnya.

Deskripsi lain dari korelasi parsial adalah, misalnya kita mempunyai 3

buah variabel yaitu v1, v2, dan v3 maka r12.3 adalah koefisien korelasi parsial antara v1

dan v2 pada satu kelompok dimana v3 dianggap konstan (sebagai variabel kontrol).

Banyaknya variabel kontrol menentukan orde dari koefisien korelasi parsial. Jika

terdapat sebuah variabel kontrol seperti contoh diatas, maka koefisien korelasi

persialnya adalah parsial orde pertama. Jika terdapat dua variabel kontrol maka

disebut parsial orde kedua dan seterusnya. Koefisien korelasi biasa (bivariabel) sering

disebut korelasi zero order karena tidak mempunyai variabel kontrol.

Uji signifikansi diperlukan untuk menguji hipotesis nol bahwa koefisien korela.si

parsial populasi adalah O. Nilai statistik uji korelasi tersebut adalah :

Dimana θ adalah orde koefisien, dan r adalah koefisien korelasi parsial. Derajat

kebebasan dan t adalah N - θ - 2, dimana N adalah banyaknya kasus.

Data :

No. Y Xl X2 1. 5.92 4.90 4.78 2. 4.30 5.90 3.84 3. 3.30 5.60 3.13 4. 6.23 4.90 3.44 5. 10.97 5.60 6.84 6. 9.14 8.50 9.47 7. 5.77 7.70 6.51 8. 6.45 7.10 5.92 9. 7.60 6.10 6.08 10. 11.47 5.80 8.09 11. 13.46 7.10 10.01 12. 10.24 7.00 10.81 13. 5.99 9.70 8.00

28

Dimana : Y = Permintaan barang

Xl = Harga barang

X2 = Pendapatan konsumen.

Untuk menganalisis Korelasi antar variabel, awali dengan klik menu Analyze, pilih,

Correlate, pilih Bivariate. Masukkan variabel Y, Xl, dan X2 ke dalam kotak

Variables, kemudian tandai kotak Pearson, dan akhin dengan klik OK.

Output Analisis Korelasi

TUGAS :

a. Bandingkan output analisis diatas dengan latihan yang dikerjakan!

b. Interpretasikan masing-masing uji statistik (uji R2, uji F dan uji t) pada lembar jawaban yang telah disediakan!

Lembar Jawaban :

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………..…………………………………………………………

………………………………………………………………………………………..…………………………………………………………

……………………………………………………………………………………………………..……….……………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

29

Materi 7: UJI ASUMSI KLASIK

Model regresi linier berganda (multiple regression) dapat disebut sebagai model

yang baik jika model tersebut memenuhi Kriteria BLUE (Best Linear Unbiased

Estimator). BLUE dapat dicapai bila memenuhi Asumsi Klasik. Sedikitnya terdapat

lima uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut, yaitu:

a. Uji Normalitas b. Uji Autokorelasi, c. Uji Multikolinieritas d. Uji Heteroskedastisitas e. Uji Linieritas

Akan tetapi dalam praktikum ini ditekankan pada keempat uji yaitu normalitas,

autokorelasi, multikolinearitas dan heterokedastisitas.

Contoh ini adalah kasus permintaan ayam di AS selama periode 1960-1982

(Gujarati, 1995: 228).

Tabel 1. Permintaan Ayam di AS, 1960-1982

Tahun Y X2 X3 X4 X5

1960 27.8 397.5 42.2 50.7 78.3

1961 29.9 413.3 38.1 52 79.2

1962 29.8 439.2 40.3 54 79.2

1963 30.8 459.7 39.5 55.3 79.2

1964 31.2 492.9 37.3 54.7 77.4

1965 33.3 528.6 38.1 63.7 80.2

1966 35.6 560.3 39.3 69.8 80.4

1967 36.4 624.6 37.8 65.9 83.9

1968 36.7 666.4 38.4 64.5 85.5

1969 38.4 717.8 40.1 70 93.7

1970 40.4 768.2 38.6 73.2 106.1

1971 40.3 843.3 39.8 67.8 104.8

1972 41.8 911.6 39.7 79.1 114

1973 40.4 931.1 52.1 95.4 124.1

1974 40.7 1021.5 48.9 94.2 127.6

1975 40.1 1165.9 58.3 123.5 142.9

1976 42.7 1349.6 57.9 129.9 143.6

1977 44.1 1449.4 56.5 117.6 139.2

1978 46.7 1575.5 63.7 130.9 165.5

1979 50.6 1759.1 61.6 129.8 203.3

1980 50.1 1994.2 58.9 128 219.6

1981 51.7 2258.1 66.4 141 221.6

1982 52.9 2478.7 70.4 168.2 232.6

Sumber: Gujarati (1995: 228)

30

Adapun variabel yang digunakan terdiri atas: Y = konsumsi ayam per kapita X2 = pendapatan riil per kapita X3 = harga ayam eceran riil per unit X4 = harga babi eceran riil per unit X5 = harga sapi eceran riil per unit

A. UJI NORMALITAS

Lakukan regresi untuk data permintaan ayam di atas. Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel

X2, X3, X4 dan X5 ke kotak Independent(s) dengan mengklik tombol tanda panah. Kemudian pilih Save.

Centang pilihan Unstandardized pada bagian Residuals, kemudian pilih Continue dan pada tampilan awal pilih tombol OK, akan menghasilkan variabel baru bernama Unstandardized Residual (RES_1). Selanjutnya Analyze Descriptive Statistics

Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan pada tampilan awal pilih OK. Hasilnya sebagai berikut (Beberapa bagian dipotong untuk menghemat tempat).

Skewness

Kurtosis

Statistic Std. Error Statistic Std. Error

Unstandardized Residual .105 .481 -1.002 .935

Valid N (listwise)

Terlihat bahwa rasio skewness = 0,105/ 0,481 = 0,218; sedang rasio kurtosis = -

1,002/ 0,935 = -1,071. Karena rasio skewness dan rasio kurtosis berada di

antara –2 hingga +2, maka dapat disimpulkan bahwa distribusi data adalah

normal.

B. UJI AUTOKORELASI

Lakukan regresi untuk data permintaan ayam Pilih Statistics Kemudian centang pilihan Durbin-Watson setelah itu pilih tombol Continue,

selanjutnya pilih OK. Hasil dari perhitungan Durbin-Watson Statistik akan muncul pada tabel Model

Summary seperti di bawah ini. Model Summaryb

Model

R

R Square

Adjusted R

Square

Std. Error of the

Estimate

Durbin-Watson

1 .971a .943 .930 1.95320 1.065

a. Predictors: (Constant), X5, X3, X4, X2 b. Dependent Variable: Y

31

Langkah selanjutnya adalah menetapkan nilai dL dan dU. Caranya adalah dengan menggunakan derajat kepercayaan 5%, sampel (n) yang kita miliki sebanyak 23 observasi, dan variabel penjelas sebanyak 4 maka dapatkan nilai dL dan dU sebesar 1,078 dan 1,660. Maka dapat disimpulkan bahwa model ini memiliki gejala autokorelasi positif.

C. UJI MULTIKOLINIERITAS

Kembali lakukan regresi untuk data permintaan ayam. Pilih Statistics kemudian centang pilihan Collinearity Diagnostics Pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK.

Hasilnya sebagai berikut.

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant)

X2

X3

X4 X5

37.232 3.718 10.015 .000

.005 .005 .420 1.024 .319 .019 52.701

-.611 .163 -.922 -3.753 .001 .053 18.901

.198 .064 .948 3.114 .006 .034 29.051

.070 .051 .485 1.363 .190 .025 39.761

Dapat dilihat bahwa seluruh variabel penjelas memiliki nilai VIF lebih besar 10

maka dapat disimpulkan bahwa model regresi ini memiliki masalah Multikolinieritas

D. UJI HETEROSKEDASTISITAS

Kita sudah memiliki variabel Unstandardized Residual (RES_1). Selanjutnya pilih Transform Compute Variable.

Pada kotak Target Variable ketik abresid, pada kotak Function group pilih All dan dibawahnya akan muncul beberapa pilihan fungsi. Pilihlah Abs.

Kemudian klik pada tombol tanda panah arah ke atas, dan masukkan variabel Unstandardized Residual (RES_1) ke dalam kotak Numeric Expression dan tampilannya akan menjadi seperti berikut. Dan akhirnya pilih OK.

Kemudian dilanjutkan dengan regresi dengan cara, Analyze Regression

Linear

Masukkan variabel abresid pada kotak sebelah kiri ke kotak Dependent, dan variabel X2, X3, X4 dan X5 ke kotak Independent(s) dengan mengklik tombol tanda panah dan OK, hasilnya sebagai berikut:

32

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t

Sig.

B Std. Error Beta

1 (Constant)

X2

X3

X4

X5

-1.507

1.590

-.948

.356

-.002 .002 -1.097 -.737 .471

.068 .070 .866 .971 .344

-.001 .027 -.060 -.055 .957

.012 .022 .713 .552 .588

a. Dependent Variable: abresid

Nilai t-statistik dari seluruh variabel penjelas tidak ada yang signifikan secara statistik, sehingga dapat disimpulkan bahwa model ini tidak mengalami masalah heteroskedastisitas.

33

Materi 8: UJI CHI SQUARE

A. CROSSTABS

Alat ini digunakan untuk menguji independensi dua variabel yang masing-

masing variabel memiliki kategori-kategori. Kedua variabel tersebut dinyatakan dalam

tabel (dalam baris dan kolom). Dimensi tabel diekspresikan dengan lambang r x k (r

= jumlah baris; k = jumlah kolom). Derajat kebebasan untuk menentukan nilai kritis

² hitung adalah df = (r – 1)(k – 1)

5.2. PROSEDUR CROSSTABS

Dengan prosedur Crosstabs Anda bisa menghasilkan 1 hingga n jalur

tabulasi silang peserta statistik yang sesuai untuk variabel numerik maupun string

pendek. Selain cacah case (frekuensi), Anda juga menampilkan prosentase sel, harga

pengharapan beserta residualnya kedalam sel.

Spesifikasi minimum dari prosedur ini:

o Sebuah variabel numerik atau string pendek sebagai variabel baris.

o Sebuah variabel numerik atau string pendek sebagai variabel kolom. Untuk

menjalankan prosedur ini, dari menu pilih:

Analyze → Descriptive Statistics → Crosstabs

Maka akan tampil kotak dialog Crosstabs.

Semua variabel numerik dan string pendek pada file data Anda akan ditampilkan

pada kotak daftar variabel.

1. Pindahkan variabel-variabel yang akan dijadikan variabel baris dan variabel kolom

ke kotak Row (s) dan Coulums(s). Tabulasi silang akan dihasilkan untuk masing-

masing kombinasi dari variabel baris dan variabel kolom. Jadi bila terdapat 3

variabel baris dan 2 variabel kolom maka akan dihasilkan

3 x 2 = 6 tabulasi silang.

2. Klik tombol OK untuk memperoleh default dari tabulasi silang tiap-tiap sel hanya

menampilkan frekuensi sel.

34

Contoh Soal :

Manajer suatu perusahaan ingin mengetahui apakah ada perbedaan jabatan para pegawainya berdasarkan gender. Ada tiga tingkat jabatan, yaitu karyawan, capeg dan pegawai tetap. Adapun datanya sebagai berikut :

Gender Jabatan

1 1

2 1

2 1

2 1

2 2

2 2

2 2

1 2

1 2

1 2

1 2

1 1

1 1

2 1

1 1

1 2

2 2

1 1

2 1

1 2

1 1

Definisi Variabel:

ama variable ipe alue Label Label

ender umerik = Laki-laki nis Kelamin Pegawai

batan umerik = Karyawan batan Pegawai

Penyelesaian :

Jika langkah-langkah anda benar maka akan didapatkan Output sebagai berikut :

35

Cases Valid Missing Total N Percent N Percent N Percent

GENDER * 21 100.0% 0 .0% 21 100.0%

GENDER * JABAT AN Crosstabulation

Count JABATAN

Total KARYAW AN

PEGAW AI TETAP

GENDER LAKI•LAKI

PEREMPUAN

Total

6

5

11

6

4

10

12

9

21

Chi•Square Tests

Value

df Asymp. Sig.

(2•sided) Exact Sig. (2•sided)

Exact Sig. (1•sided)

Pearson Chi•Square

Continuity Correction a

.064b

.000

1

1

.801

1.000

Likelihood Ratio Fisher's Exact Test Linear•by•Linear Association

.064

.061

1

1

.801

.806

1.000 .575

a. Computed only for a 2x2 table b. 2 cells (50.0%) have expected count less than 5. The minimum expected count is 4.29.

Pengambilan keputusan

Dari output diperoleh Xhitung = 0,064 (lihat pada output SPSS pada Pearson Chi

Square) Sedangkan Xtabel dengan tingkat signifikansi 5 % dan df (derajat kebebasan) = (r – 1)(k – 1) = 1 sebesar 5,02. KARENA Xhitung < Xtabel maka Ho diterima

yang artinya katagori baris dan kolom saling independent dengan kata lain antara gender dan jabatan pegawai tidak ada efek pembeda jabatan pegawai terhadap gender.

36

REFERENSI

Andryan, S., 2010, Uji Asumsi Klasik dengan SPSS 16.0, FE-UNNES.

Arbuckle, J., 2012, IBM® SPSS® Amos™ 21 User’s Guide, IBM Corp.

FPIK-UB, 2015, Buku Pedoman Praktikum Ekonometrika, http://sep.fpik.ub.ac.id/wp-

content/uploads/2015/04/isi_buku_panduan_prak_ekonomet.pdf

Gaspersz, Vincent, 1991. Ekonometrika Terapan 1, Tarsito Bandung, Bandung.

Gujarati, Damodar, 1995. Ekonometrika Dasar. Penerbit Erlangga, Jakarta.

Hendry, 2012, Aplikasi Regresi Sederhana dengan SPSS, https://teorionlinejurnal.files.wordpress.com/2012/10/aplikasi-regresi- sederhana-dengan-spss.pdf.

IBM SPSS Corp., 2013, Get to Know the IBM SPSS Product Portfolio: Offering integrated analytical capabilities that help organizations use data to drive improved outcomes, USA.