UNIVERSITAS GADJAH MADA PRODI EKONOMIKA TERAPAN SEKOLAH VOKASI

UNIVERSITAS GADJAH MADA PRODI EKONOMIKA TERAPAN SEKOLAH VOKASI   

BUKU III : MODUL BAHAN AJAR

PRAKTIKUM STATISTIKA TERAPAN (SPSS DAN EVIEWS) SEMESTER III/2 SKS/ PRK 465

Oleh : 1. Anisa Nurpita, SE 2. Adi Irawan, SE

Didanai dengan dana BOPTN P3-UGM Tahun Anggaran 2012

DESEMBER 2012

DAFTAR ISI

Judul

…………………………………………..

0

Daftar Isi

…………………………………………..

i

Tinjauan Bahan Ajar

…………………………………………..

ii

BAB I

Penggunaan Eviews dan SPSS

…………………………………………..

1

BAB II

Entry Data dan Database dengan …………………………………………..

10

SPSS BAB III

Entry Data dan Database dengan …………………………………………..

17

Eviews BAB IV

Descriptive Statistic Data dengan …………………………………………..

23

SPSS BAB V

Descriptive Statistic Data dengan …………………………………………..

27

Eviews BAB VI

Interpretasi Descriptive Statistic …………………………………………..

32

Data dari SPSS BAB VII

Interpretasi Descriptive Statistic …………………………………………..

45

Data dari Eviews BAB VIII

Pengenalan

Pembuatan

Model …………………………………………..

48

Penelitian dan Hipotesis BAB IX

Olah Data : OLS dengan SPSS

…………………………………………..

53

BAB X

Olah Data : OLS dengan Eviews

…………………………………………..

66

BAB XI

Uji Hipotesis

…………………………………………..

74

BAB XII

Interpretasi Hasil Olah Data

…………………………………………..

80

BAB XIII

Kesimpulan dari Hasil Olah Data

…………………………………………..

85

i   

TINJAUAN MATA KULIAH Statistika Terapan (SPSS dan Eviews)

Mata Kuliah Statistika Terapan (SPSS dan Eviews) ini adalah matakuliah wajib yang harus diambil mahasiswa. Mata kuliah ini merupakan matakuliah aplikasi dari teori Statistika dengan menggunakan SPSS dan Eviews berisi tentang praktik penggunaan SPSS dan Eviews dimana SPSS dan Eviews adalah salah dua alat yang dapat digunakan sebagai alat mempermudah mengaplikasikan statistika dalam proses pengolahan data. Selain itu dalam praktikum ini juga berisi tentang bagiamana cara mengentry data kke SPS maupun Eviews kemudian membuat basis data, membuat descriptive statistic dari data kemudian menginterpretasikan hasil deskripsi statistiknya, membuat model dan membuat uji hipotesis penenlitian, mengolah data dengan meregresi Ordinary Least Square (OLS), membuat uji signifikansi dan menginterpretasikan hasil dari regresi tersebut.

Matakuliah ini sangat berguna bagi mahasiswa terutama untuk menjadi bekal kemampuan softskill olah data yang nanti akan sangat diperlukan mahasiswa di dunia kerja. Sebagian besar pekerjaan membutuhkan ketrampilan mengolah data terutama sebagai alat untuk mengestimasi apa yang terjadi di masa depan.

TUJUAN

PEMBELAJARAN

MATAKULIAH

INI

ADALAH

AGAR

MAHASISWA: 1. Memiliki pemahaman tentang SPSS dan Eviews 2. Memiliki kemampuan mengentry data dan membuat data base 3. Memilik kemampuan membuat descriptive statistic data. 4. Memiliki kemampuan menginterpretasikan descriptive statistive data. 5. Memiliki kemampuan membuat model dan membuat uji hipotesisinya. 6. Memiliki kemampuan mengolah data sesuai dengan model. 7. Memiliki kemampuan menginterpretasikan hasil olah data. 8. Memiliki kemampuan menyimpulkan hasil olah data.

ii   

CAPAIN PEMBELAJARAN (LEARNING OUTCOME/LO) MATAKULIAH INI ADALAH MAHASISWA: 1

Mampu mengaplikasikan SPSS dan Eviews untuk statistika.

2

Mampu mengentry data dan membuat data base dengan SPSS.

3

Mampu mengentry data dan membuat data base dengan Eviews.

4

Mampu membuat descriptive statistic data dengan SPSS.

5

Mampu membuat descriptive statistic data dengan Eviews.

6

Mampu membuat interpretasi dari hasil descriptive statistic data SPSS.

7

Mampu membuat interpretasi dari hasil descriptive statistic data Eviews.

8

Mampu membuat model dan membuat uji hipotesis

9

Mampu mengolah data sesuai model menggunakan OLS di SPSS

10

Mampu mengolah data sesuai model menggunakan OLS di Eviews.

11

Mampu menguji Hipotesis

12

Mampu menginterpretasikan hasil olah data baik SPSS maupun Eviews

13

Mampu membuat kesimpulan dari data yang diolah.yang sesuai dengan hipotesisnya

Materi Pembelajaran atau Pokok Bahan Kajian 1. Penggunaan Eviews dan SPSS 2. Entry Data dan Data Base dengan SPSS 3. Entry Data dan Data Base dengan Eviews 4. Descriptive statistic Descriptive Data dengan SPSS 5. Descriptive statistic dengan Eviews 6. Interpretasi descriptive statistic Data dari SPSS 7. Interpretasi descriptive statistic Data dari Eviews 8. Pengenalan Pembuatan Model Penelitian dan Hipotesis 9. Olah Data : OLS dengan SPSS 10. Olah Data : OLS dengan Eviews iii   

11. Uji Hipotesis 12. Interpretasi Hasil Olah Data 13. Kesimpulan dari Hasil Olah Data

PETUNJUK PENGGUNAAN BAHAN AJAR Bahan ajar ini digunakan sebagai lanjutan dari teori Statistika. Instruktur Praktikum hendaknya mengikuti tahap-tahap yang ada dalam penyajian setiap bab dalam modul bahan ajar ini. Setelah penyampaian tahap-tahap latihan diarahkan dan pembimbingan dilaksanakan maka mahasiswa diharuskan mengerjakan tugas yang telah ada disetiap bab dalam modul bahan ajar ini. Tugas wajib dikumpulkan kepada instruktur sebagai bahan evaluasi dan penilaian setiap materi praktikum. DAFTAR PUSTAKA Douglas, AL, et.al. 2005. Statistical Technique in Business and Economics. Mc.Graw-Hill Companies, Gujarati, Damodar N. 2003.Basic Econometrics 4th edition.Singapore: Mc Graw Hill, Maddala, G.S. 2001. Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd, Priyatno, Dwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu.Yogyakarta: Penerbit Andi, Santoso. S. 2010. Mastering SPSS 18. Jakarta. PT.Elex Media Komputindo. Santoso. S. 2010. Mastering SPSS 18. Jakarta. PT.Elex Media Komputindo. Wahana Komputer. 2010. Mudah Belajar Statistik dengan SPSS 18. Edisi satu.Yogyakarta: Penerbit Andi Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta.UPP STIM YKPN

iv   

 

BAB I PENGENALAN SPSS DAN EVIEWS

PENDAHULUAN SPSS dan Eviews adalah software yang digunakan untuk aplikasi statistik terutama dalam hal mengolah data. Pembelajaran statistik akan terasa tidak sah jika tidak mengenal dan mempraktekkan cara-cara pemrosesan dan pengolahan data secara nyata. Kedua software ini harus diketahui setiap mahasiswa agar dapat mempermudah cara pengaplikasian ilmu statistik. Manfaat Bab ini bermanfaat untuk menjabarkan pentingnya aplikasi SPSS dan Eviews dalam statistika. SPSS dan Eviews hanyalah media yang dapat digunakan untuk menyelesaikan beberapa masalah statistika terutama terkait olah data. Relevansi SPSS for Windows merupakan sebuah program aplikasi yang dirilis pada tahun 1992 dengan kemampuan analisis statistik cukup tinggi serta sistem manajemen data pada lingkungan grafis dengan menggunakan menu-menu deskriptif dan kotak-kotak dialog yang sederhana sehingga mudah untuk dipahami cara pengoperasianya. SPSS yang pertama kali dirilis adalah SPSS/PC+ berbasis teks pada tahun 1984. Aplikasi ini dapat menggunakan program atau kode eksternal, artinya membutuhkan software bantu lain berupa editor. SPSS (Stastistical Package for the Social Science) pada awalnya merupakan program, computer sosial yang dibuat pertama kali oleh mahasiswa Stanford University yaitu Norman H. Nie, C Handlai Hull dan Dale H Bent pada tahun 1968 yang dijalankan dengan computer mainframe. Setelah penerbit terkenal Mc Graw-Hill menerbitkan user manual SPSS, program tersebut menjadi sangat terkenal. Seiring dengan perkembangan jenis user untuk proses produksi, riset sains dan lainya maka SPSS telah berkembang tidak hanya Statistical Package for the Social Science tetapi menjadi Statistical Product and Service Solution. SPSS aplikasi berbasis Windows dimulai dari SPPSS 6.0 sampai saat ini SPSS 19. Untuk memantapkan posisinya sebagai salah satu market leader dalam business intelligence, SPSS juga menjalin aliasi strategis dengan software house terkemuka dunia lainya seperti Oracle Corp, Business Object serta Ceres Integrated Solutions. 1   

 

Setelah merilis versi SPSS 17 pada akhir tahun 2009 SPSS secara resmi diakuisisi oleh IBM dan nama pun berubah menjadi IBM SPSS. Sekarang SPSS menjadi bagian dari Business Analytics and Process Optimization dari IBM. Bersamaan dengan itu, dirilis versi terbaru dari SPSS menjadi PAWS Statistic 18. PAWS adalah kependekan dari Predictive Analytics Software, yang menunjukan konsistensi dari IBM untuk mempertahankan kekuatan SPSS sebagai alat predictive analytics software. Sedangkan Eviews merupakan program lain selain SPSS yang sering juga digunakan untuk olah data secara statistic. Program olah data ini merupakan program olah data yang menyediakan atau memberikan alat untuk melakukan regresi (regression) dan peramalan (forecasting). Dengan program olah data E-Views dapat dikembangkan suatu hubungan statistik dari suatu data yang dimiliki dan menggunakan hubungan dari data yang sedang diamati

tersebut untuk melakukan peramalan terhadap nilai data yang dimaksudkan,

terutama dalam konteks data runtun waktu (time series). Kegunaan e-views adalah sebagai berikut: 1. Untuk melakukan peramalan 2. Untuk melakukan analisis biaya dan selanjutnya melakukan peramalan 3. Untuk melakukan analisis keuangan 4. Untuk melakukan permalan dalam ekonomi makro 5. Untuk melakukan simulasi 6. Untuk melakukan analisis data ilmu pengetahuan dan melakukan evaluasi. Learning Outcome Learning Outcome dari Bab ini adalah mahasiswa mampu mengaplikasikan SPSS dan Eviews untuk statistika.

PENYAJIAN A. SPSS 1. Cara Kerja SPSS Untuk memahami carakerja software SPSS, berikut dikemukakan kaitan antara sara kerja computer dengan SPSS dalam mengolah data. Komputer Pada dasarnya computer berfungsi mengolah data menjadi informasi yang berarti. Data yang akan diolah dimasukan sebagai input, kemudian dengan prosess pengolahan data oleh computer dihasilkan output yang berupa informasi untuk kegunaan lebih lanjut. 2   

 

PROSES KOMPUTER  OUTPUT  DATA 

INPUT DATA 

Statistik Statistik juga mempunyai fungsi mirip dengan computer, yaitu mengolah data dengan perhitungan statistic tertentu, menjadi informasi yang berarti. Statistic

merupakan

ilmu

yang

berkaitan

dengan

kegiatan

pengoleksian,

pengorganisasian, presentasi, analisis, dan interprestasi data numeric untuk membantu pembuatan keputusan lebih efektif (Dougglas 2005)

PROSES STATISTIK  INPUT 

OUTPUT 

SPSS Proses pengolahan data pada SPSS juga mirip dengan kedua proses diatas hanya disini ada variasi dalam penyajian input dan output data.

PROSES DENGAN  DATA EDIT  INPUT DATA  dengan DATA 

OUTPUT  DATA 

Penjelasan Proses Statistik dengan SPSS a. Data yang akan diproses dimasukan lewat menu DATA EDITOR yang otomatis muncul di layar SPSS ketika dijalankan. b. Data yang telah diinput kemudian diproses, juga lewat menu DATA EDITOR. c. hasil pengolahan data muncul dilayar (window) yang lain dari SPSS yaitu VIEWER. Output SPSS bisa berupa teks/tulisan, tabel, atau grafik. Dengan demikian, dalam SPSS

ada berbagai macam Window yang tampil

sekaligus jika memang akan dilakukan berbagai proses diatas. Namun yang pasti 3   

 

harus digunakan DATA EDITOR sebagai bagian input dan proses data, serta VIEWER yang merupakan tempat output pengolahan data.

2. Mengaktifkan Program SPSS 17 Untuk mengaktifkan program SPSS 17, Langkah-langkahnya sebagai berikut Lakukan double klik pada ikon SPSS 17 pada desktop atau ikon pada Start menu

 

Klik Cancel untuk memulai membuat variable dan data baru, kotak dialok dibawah ini memandu penguna untuk memilih proses yang akan dilakukan. Namun untuk praktisnya , tutup kotak dialog tersebut dengan klik ikon cancel. untuk lebih praktinya dianjurkan untuk mengakifkan kotak dialok dibawah ini dengan memklik Don’t show this dialog in the future.

4   

 

3. Mengenal Halaman SPSS 17 Menubar File Menu ini digunakan untuk keperluan yang berhubungan dengan file data, seperti membuka data baru, output baru, membuka dan menutup file, menyimpan, print dan sebagainya.

5   

 

Edit Menu ini digunakan untuk perbaikan dan pengubahandata misalnya untuk mencopy data, memotong atau cut, menambahkan variable, menambahkan kasus, mencari variabel atau kasus akan diganti atau diubah, menghapus data mencari data dan sebagainya.

6   

 

View, Menu ini digunakan untuk mengatur penampakan layar atau toolbar pada halaman SPSS seperti bentuk tulisan atau font, tampak atau tidaknya garis pada windows, value label, status bar dan menu editor. Pengerjaan pada menu ini tidak mengubah isi variable atau data dan juga tidak berpengaruh pada perhitungan statistic yang dilakukan.

B. Eviews Eviews adalah program yang banyak digunakan dalam pendidikan, pemerintah dan industri. EViews, yang merupakan singkatan Views Ekonometrik, adalah versi baru dari paket statistik untuk memanipulasi data time series. Meskipun sebagian besar EViews dirumuskan oleh ekonom, program itu sendiri juga dapat digunakan dalam bidang-bidang studi, seperti sosiologi, statistik, keuangan, dll. EViews memanfaatkan lingkungan windows user-friendly, sebagian besar perusahaan operasi dapat dilakukan dengan menu drop-down Kegunaan EVIEWS antara lain adalah analisis data dan evaluasinya, analisis financial, peramalan ekonomi makro, simulasi, peramalan penjualan dan analisis biaya. Versi terakhir (Januari 2011) adalah versi 7.2. 1. Mengaktifkan Eviews Klik Program Eviews dua kali

7   

 

Jika program EVIEWS sudah terbuka, maka tampilan awalnya adalah seperti ini :

2. Mengenal halaman awal Eviews a. Menu Utama Eviews adalah File, Edit, Window and Help mengikuti standard Windows-conventions.Objects, View, Procs, Quick and Options tergabung pada special Eviews-features. b. Eviews Help 8   

 

Eviews Help memuat Bantuan-sistem yang sangat lengkap meliputi hampir seluruh panduan pengguna software ini. Jadi jika belajar EVIEWS dapat juga melalui menu help ini

PENUTUP Latihan a. Kerjakan instruksi berikut: 1. Bukalah SPSS 2. Bukalah Eviews b. Deskripsikan apa manfaat SPSS dan Eviews dalam ilmu statistika? c. Serahkan tugas pada instruktur!

Daftar Pustaka Douglas, AL, et.al. 2005. Statistical Technique in Business and Economics. Mc.Graw-Hill Companies. Priyatno, Duwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu. Yogyakarta: Penerbit Andi Santoso. S. 2010. Mastering SPSS 18. Jakarta : PT.Elex Media Komputindo Wahana Komputer. 2010. Mudah Belajar Statistik dengan SPSS 18. Edisi satu. Yogyakarta: Penerbit Andi Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta: UPP STIM YKPN

9   

 

BAB II ENTRY DATA DAN PEMBUATAN DATABASE DENGAN SPSS

PENDAHULUAN Entry data merupakan salah satu tahap yang penting dalam mengolah data. Ketepatan, ketelitian dalam memasukkan data adalah kunci pokok membuat data yang baik. Manfaat Manfaat entry data dan database adalah memudahkan seseorang dalam mencari data yang kemudian dapat diolah sesuai kebutuhan. Relevansi Entry data dan Pembuatan database merupakan salah satu tahap awal dalam pengolahan data. Dari sinilah olah data yang baik dapat dihasilkan jika entry datanya benar. Ketelitian dan ketepatan sangat dibutuhkan sehingga dapat membentuk database yang baik. Learning Outcome Setiap mahasiswa mampu mengentry data dan membuat database dengan SPSS.

PENYAJIAN A. Halaman Kerja SPSS a) Variable View, digunakan untuk memasukan dan mendefinisikan variabel

10   

 

1)

Name, kolom ini digunakan untuk memberikan nama pada variable.

2)

Type, kolom ini digunakan untuk menentukan tipe data apa yang akan kita input.

3)

Width, digunakan untuk menentukan berapa digit huruf atau angka (lebar kolom)

4)

Decimals, kolom ini digunakan untuk menentukan berapakah angka yang ada di belakang tanda koma.

5)

Label, digunakan untuk memberikan nama variable atau keterangan penjelasan suatu variable.

6)

Values, digunakan untuk menentukan

nilai untuk data ordinal maupun

nominal (misalnya 1=Akuntansi, 2= Manajemen, dan 3 = Ekonomi Terapan) 7)

Missing, kolom Mising digunakan untuk menentukan data yang hilang.

8)

Columns, digunakan untuk menentukan berapa digit lebar kolom yang akan digunakan.

9)

Align, digunakan untuk menentukan rata kanan, kiri atau tengah.

10)

Measure, digunakan untuk menentukan tipe atau ukuran data, yaitu nominal, ordinal atau skala.

b) Data View Halaman Data View digunakan untuk memasukan data pada kolom variable yang telah dibuat.

11   

 

B. Cara menyusun Variable pada Variable View a)

Klik tab Variabel View. Kemudian

tempatkan kursor atau pointer pada

kolom Name, lalu kemudian berikan nama misalnya Jurusan, Nilai Statistik atau jenis kelamin. b) Kemudian Klik kursor pada Type, kemudian klik kotak kecil yang telah tersedia yaitu : 1) Numeric yaitu tipe data berbentuk angka 2) Comma, digunakan untuk data yang menggunakan koma. 3) Dot, yaitu tipe data menggunakan titik. 4) Scientific notation, yaitu tipe data berbentuk angka yang menggunakan notasi bilangan. 5) Date, yaitu tipe data berbentuk tanggal 6) Dollar, yaitu data yang menggunakan satuan dolar. 7) Custom Currency, yaitu data angka nilai mata uang.

12   

 

8) String, yaitu data yang berupa kalimat atau angka yang tidak dapat diperhitungkan nilainya.

c)

Pilih salah satu tipe data yang sesuai kemudian klik OK

d) Kemudian Klik Width untuk menentukan berapa digit lebar baris yang akan digunakan untuk input data. e)

Pada Desimal, tentukan berapa jumlah angka dibelakang koma yang akan digunakan.

f)

Pada Label, berikan nama sebagai penjelasan dari Kolom Name jika kolom Name sekiranya belum jelas.

g) Pada values, jika data adalah data ordinal atau kategori (nominal) dan ingin menyederhanakan dalam bentuk angka misalnya 1= Akuntansi, 2= Manajemen dan 3= Ek.Terapan makaklik kotak kecil . Selanjutnya, pada kotak dialog Value Label isilah kotak Value dengan angka 1, sedangkan kotak Value Label diisikan dengan Akuntansi kemudian klik tombol Add. dan ulangi sampai semua value terisi.

13   

 

h) Kolom Missing Value digunakan jika ada data yang hilang atau yang tidak digunakan. Jika tidak ada, abaikan kolom ini. i)

Pada Column tentukan berapa digit lebar kolom yang akan digunakan.

j)

Pada Align dapat ditentukan apakah rata kanan, tengah atau kiri yang akan kita gunakan.

k) Measure, pilihlah sesuai jenis data yang anda gunakan yaitu: 1) Scale : data interval atau rasio yang bukan merupakan data hasil kategorisasi misalnya nilai statistika, nilai mate-matika dan sebagainya. 2) Ordinal, yaitu data hasil kategorisasi yang tidak setara misalnya 1= sangat tidak puas, 2= puas dan 3= sangat tidak puas.

14   

 

C. Menyimpan data Untuk Menyipan data yang telah diinput maka klik File > Save As/ Save selanjutnya pada dialog Save Data As yang terbuka, silahkan pilih salah satudirektori untuk menyimpan file. kemudian berikan nama file dan klik save.

15   

 

PENUTUP Tugas a. Entrylah data berikut dan buatlah database. Data Produksi Sektor Manufaktur di Greek, 1961-1987 Tahun 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985

Output (miliar) 35,858 37,504 40,378 46,147 51,047 53,871 56,834 65,439 74,939 80,976 90,802 101,955 114,367 101,823 107,572 117,6 123,224 130,971 138,842 135,486 133,441 130,388 130,615 132,244 137,318

Labor (ribuan) 637 643,2 651 685,7 710,7 724,3 735,2 760,3 777,6 780,8 825,8 864,1 894,2 891,2 887,5 892,3 930,1 969,9 1006,9 1020,9 1017,1 1016,1 1008,1 985,1 977,1

Capital (miliar) 59,6 64,2 68,8 75,5 84,4 91,8 99,9 109,1 120,7 132 146,6 162,7 180,6 197,1 209,6 221,9 232,5 243,5 257,7 274,4 289,5 301,9 314,9 327,7 339,4

b. Serahkan pada Instruktur!

DAFTAR PUSTAKA Douglas, AL, et.al. 2005. Statistical Technique in Business and Economics. Mc.Graw-Hill Companies. Priyatno, Duwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu. Yogyakarta: Penerbit Andi Santoso. S. 2010. Mastering SPSS 18. Jakarta : PT.Elex Media Komputindo Wahana Komputer. 2010. Mudah Belajar Statistik dengan SPSS 18. Edisi satu.Yogyakarta: Penerbit Andi 16   

 

BAB III ENTRY DATA DAN PEMBUATAN DATABASE DENGAN EVIEWS

PENDAHULUAN Entry data merupakan salah satu tahap yang penting dalam mengolah data. Ketepatan, ketelitian dalam memasukkan data adalah kunci pokok membuat data yang baik. Manfaat Manfaat entry data dan database adalah memudahkan seseorang dalam mencari data yang kemudian dapat diolah sesuai kebutuhan. Relevansi Entry data dan Pembuatan database merupakan salah satu tahap awal dalam pengolahan data. Dari sinilah olah data yang baik dapat dihasilkan jika entry datanya benar. Ketelitian dan ketepatan sangat dibutuhkan sehingga dapat membentuk database yang baik. Learning Outcome Setiap mahasiswa mampu mengentry data dan membuat database dengan Eviews.

PENYAJIAN A. Memasukkan Data dalam Program E-views Klik item menu utama: FILEÆ NEWÆWORKFILEÆKlik satu kali. Setelah WORKFILE di-klik maka selanjutnya akan muncul tampilan WORKFILE RANGE. Dalam kota workfile range terdapat workfile frequency data yang menunjukkan jenis data (tahunan, semesteran, kuartalan, bulanan, mingguan, harian).

17   

 

Pilihlah salah satu pilihan jenis data. Selanjutnya, isi kotak START DATE dan END DATE jika data adalah tahunan/kuartalan/semeseran.

18   

 

Jika data adalah cross section atau data sewaktu maka

Isilah jumlah observasi yang akan Saudara teliti, missal 100. Apabila proses di atas telah selesai, langkah selanjutnya adalah memasukkan data. Cara: meng-klik Item menu utama: QUICÆ EMPTY GROUP (EDIT SERIES). Cara ini merupakan cara yang paling praktis dan efisien. Langkah pertama yang harus dilakukan dalam memasukkan data adalah dengan mengklik MENU UTAMA: QUICK

kemudian EMPTY GROUP (EDIT SERIES).

19   

 

Untuk dapat memberikan nama adalah dengan cara mengklik kotak sejajar dengan tulis OBS kemudian tuliskan nama variabel yang akan dimasukkan datanya dalam program olah data e-views, lalu kemudian tekan tombol ENTER.

B. Mengimpor Data dari Microsoft Excel Untuk mengimpor dari MS Excel ke program olah data e-views, maka langkah-langkah yang perlu dilakukan adalah sebagai berikut:

20   

 

1.

Buka program MS Excel

2.

Setelah program MS Excel terbuka, kemudian bukalah data yang akan diekspor ke dalam program olah data e-views

3.

Lakukan pem-blok-an terhadap data yang akan diekspor ke dalam program olah data e-views, termasuk nama variabel dan data, kemudian klik kanan COPY.

4.

Pastikan jenis data yang akan diekspor: tahunan, semesteran, kuartalan, dll

Setelah proses peng-copy-an data telah dilakukan, selanjutnya masuklah dalam program olah data e-views (Catatan: MS Excel tetapi dalam posisi terbuka atau OPEN---- jangan ditutup) dan dalam program e-views buatlah Workfile data dengan cara: FILEÆ NEWÆWORKFILE. Dalam kotak dialog workfile range

PENUTUP a. Masukkan data berikut ini ke dalam Workfile dan buatlah database. Dimana Y adalah pendapatan dan C adalah jumlah pengeluaran konsumsi. Y

C

(dalam

(dalam

obs ratusan))

ratusan)

1

19583

3346

2

20263

3114

3

20325

3554

4

26800

4642

5

29470

4669

6

26610

4888

7

30678

5710

8

27170

5536

9

25853

4168

10

24500

3547

11

24274

3159

12

27170

3621

13

30168

3782

21   

 

14

26525

4247

15

27360

3982

16

21690

3568

17

21974

3155

18

20816

3059

19

18095

2967

20

20939

3285

21

22644

3914

22

24624

4517

23

27186

4349

24

33990

5020

25

23382

3594

26

20627

2821

27

22795

3366

28

21570

2920

29

22080

2980

30

22250

3731

b. Serahkan pekerjaan Saudara kepada Instruktur!

DAFTAR PUSTAKA Douglas, AL, et.al. 2005. Statistical Technique in Business and Economics. Mc.Graw-Hill Companies. Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta: UPP STIM YKPN.

22   

BAB IV PEMBUATAN DESCRIPTIVE STATISTIC DATA DENGAN SPSS

PENDAHULUAN Kegiatan statistik berkaitan dengan angka, data berupa angka diolah menjadi output yang relevan dan sering disajikan dalam bentuk tabel dan grafik namun kegiatan statistic tidak hanya membuat tabel dan grafik saja, banyak hal lain yang bisa diperoleh dari data angka yang telah diinput. Salah satunya menyajikan sebuah ringkasan data atau biasa diartikan dengan upaya mendeskripsikan data lewat beragam ukuran statistik. Descriptiptive statisitic penting dibuat untuk dapat melihat statistik suatu data atau sekumpulan data. Dari Hasil descriptive statistic ini, dapat diinterpretasikan dan dianalisis. Manfaat Dalam SPSS, Descriptive statistic dapat tersajikan dengan sekelompok data sehingga memudahkan seseorang untuk melihat komponen-komponen descriptive statistic, seperti: 1. Mean

5. Standard Deviasi

2. Median

6. Skewness

3. Maximum

7. Kurtosis

4. Minimum

8. dll

Kemudahan dalam melihat descriptive statistic ini nantinya dapat digunakan untuk interpretasi descriptive statisticnya. Relevansi Materi ini relevan dengan praktikum Statistik dalam tahap pengolahan data awal yaitu menyajikan descriptive statistic data. Learning Outcomes Dapat membuat descriptive statistic data dengan SPSS.

PENYAJIAN a.

Descriptive Statistic SPSS menyediakan dua menu yang berhubungan dengan statistic deskriptif yakni menu REPORT dan DESCRIPTIVE STATISTICS.

23   

1. REPORT Menu REPORT lebih berhubungan dengan laporan dari variable variable yang bertipe kategorikal (nominal atau ordinal), yang mempunyai kaitan dengan variable scale (interval atau rasio). Pada menu ini juga ada fasilitas untuk meringkas satu kelompok data.

a) OLAP Cubes, digunakan untuk pembuatan tabel yang menghubungkan sejumlah variable sebagai baris dan sejumlah variabel lain sebagi isian kolom. b) Case Summaries, digunakan untuk melihat lebih jauh isi statistic deskriptif yang meliputi subgroup dari sebuah kasus.

2. DESCRIPTIVE STATISTICS Menu ini mengulas lebih dalam penggunaan berbagai ukuran descriptif data, seperti Skewness, Kurtosis dan sebagainya. Menu ini mempunyai beberapa submenu:

a) Frequencies, submenu ini membahas beberapa ukuran statistic dasar, seperti Mean, Median, Kuartil, Persentil, Standar Deviasi, dan lainya.

b) Descriptive, lebih kompleks dari menu Frequencies; menu ini dapat menyajikan ukuran statistic beberapa variable dalam satu tabel, serta untuk mengetahui skor z dari suatu distribusi data. Skor z biasadigunakan untuk pengujian kenormalan distribusi data.

24   

c) Explore, menuh ini lebih lengkap dari menu sebelumnya, berfungsi untuk memeriksa lebih teliti sekelompok data, antara lain data screening, uji asumsi kenormalan data dan kesamaan varians, serta penggunaan data per kasus.

d) Crosstabs, digunakan untuk menyajikan deskripsi data dalam bentuk tabel silang, yang terdiri atas baris dan kolom. Selain itu, menu ini juga dilengkapi dengan analisis hubungan diantara baris dan kolom, seperti independensi diantara mereka,besar hubungannya dan lainya.

e) Ratio, menu ini menyediakan ringkasan statistic untuk data hasil perbandingan dua data tertentu. Berbeda dengan menu lainya, menu ini hanya menangani perbandingan dua data, bukan satu data yang berdiri sendiri.

f) P-P Plots dan Q-Q Plots, menu ini menampilkan grafik pengujian distribusi data.

PENUTUP Tugas a. Buatlah statistik deskriptif dari data di bawah ini! Tabel Data Jenis Kelamin, Pendidikan, Penghasilan dan Pemakaian Pulsa No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Nama Dhino Mursalin Rayi Yusuf Bintara Cinandi Nabila Cecep Ita Yanuar Rakyan Wawan Rani Evi Yayuk Fitri Syukur

Jenis Kelamin pria pria wanita pria pria wanita wanita pria wanita pria pria pria wanita wanita wanita wanita pria

Pendidikan S1 S1 D3 S2 SMA SMA SMA S2 S1 S1 S1 S1 S2 S2 S2 SMA D3

Penghasilan 3.000.000 2.500.000 1.800.000 4.000.000 2.000.000 1.500.000 1.700.000 5.000.000 2.750.000 3.000.000 3.250.000 3.500.000 4.000.000 3.950.000 3.750.000 1.800.000 900.000

Pulsa/Bln 200.000 200.000 190.000 350.000 175.000 215.000 150.000 350.000 180.000 175.000 165.000 185.000 375.000 175.000 185.000 125.000 225.000 25 

 

18 19 20

Riki Bayu Retno

pria pria wanita

D3 D3 S1

850.000 1.100.000 2.750.000

125.000 120.000 200.000

b. Serahkan kepada Instruktur!

DAFTAR PUSTAKA Priyatno, Duwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu. Yogyakarta: Penerbit Andi Santoso. S. 2010. Mastering SPSS 18. Jakarta : PT.Elex Media Komputindo Wahana Komputer. 2010. Mudah Belajar Statistik dengan SPSS 18. Edisi satu. Yogyakarta: Penerbit Andi

26   

BAB V PEMBUATAN DESCRIPTIVE STATISTIC DATA DENGAN EVIEWS

PENDAHULUAN Kegiatan statistik berkaitan dengan angka, data berupa angka diolah menjadi output yang relevan dan sering disajikan dalam bentuk tabel dan grafik namun kegiatan statistic tidak hanya membuat tabel dan grafik saja, banyak hal lain yang bisa diperoleh dari data angka yang telah diinput. Salah satunya menyajikan sebuah ringkasan data atau biasa diartikan dengan upaya mendeskripsikan data lewat beragam ukuran statistik. Descriptiptive statisitic penting dibuat untuk dapat melihat statistik suatu data atau sekumpulan data. Dari Hasil descriptive statistic ini, dapat diinterpretasikan dan dianalisis. Manfaat Dalam Eviews, Descriptive statistic dapat tersajikan dengan sekelompok data sehingga memudahkan seseorang untuk melihat komponen-komponen descriptive statistic, seperti: 1. Mean

5. Standard Deviasi

2. Median

6. Skewness

3. Maximum

7. Kurtosis

4. Minimum

8. dll

Kemudahan dalam melihat descriptive statistic ini nantinya dapat digunakan untuk interpretasi descriptive statisticnya. Relevansi Materi ini relevan dengan praktikum Statistik dalam tahap pengolahan data awal yaitu menyajikan descriptive statistic data. Learning Outcomes Dapat membuat descriptive statistic data dengan Eviews.

PENYAJIAN Analisis deskripsi merupakan analisis yang paling mendasar untuk menggambarkan keadaan data

secara umum. Analisis deskripsi ini meliputi

beberapa hal sub menu deskriptive

statistic seperti frekuensi, deskriptif, eksplorasi data, tabulasi silang dan analisis rasio. Untuk membuat descriptive statistic pada Eviews setelah data sudah di masukkan ke kertas kerja adalah seperti berikut: 27   

1. Bukalah database yang sudah tersimpan. Misal data produksi berikut, di mana data produksi (Q) suatu perusahaan yang dipengaruhi oleh jumlah modal (K) dan jumlah tenaga kerja (L).

2. Setelah database terbuka maka tahap selanjutnya adalah klik view Æ descriptive statistic Æ common sample

28   

3. Maka akan keluar penyajian descriptive statistic data sebagai berikut:

4. Dari hasil descriptive statistic di atas kita dapat interpretasikan hasil descriptive statistic datanya.

29   

PENUTUP Tugas a. Buatlah descriptive statistic data dari data berikut: Dimana: CM

: Child Mortality (Angka Kematian Bayi)

PGNP : Gross National Product/ Pendapatan Nasional Bruto Per Kapita FLR

: Female Literacy Rate (Tingkat Melek Huruf Perempuan)

Data Observasi Negara X OBS

CM

FLR

PGNP

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

128 204 202 197 96 209 170 240 241 55 75 129 24 165 94 96 148 98 161 118 269 189 126 12 167 135 107 72 128 27

37 22 16 65 76 26 45 29 11 55 87 55 93 31 77 80 30 69 43 47 17 35 58 81 29 65 87 63 49 63

1870 130 310 570 2050 200 670 300 120 290 1180 900 1730 1150 1160 1270 580 660 420 1080 290 270 560 4240 240 430 3020 1420 420 19830

b. Serahkan pekerjaan kepada Instruktur!

30   

DAFTAR PUSTAKA Maddala, G.S. 2001. Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd. Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta: UPP STIM YKPN.

31   

BAB VI PENYAJIAN DAN INTERPRETASI DESCRIPTIVE STATISTIC DATA DENGAN SPSS

PENDAHULUAN Penyajian dan interpretasi statistic deskriptif data adalah tahap setelah hasil statistic deskriptif didapatkan. Sebelum data itu diolah /diestimasi, data tersebut harus di deskripsikan terdahulu untuk memudahkan dalam membaca data yang diolah. Maka penyajian dan interpretasi data ini menjadi penting dalam tahap pemrosesan data. Manfaat Memudahkan seseorang dalam melihat data apa yang digunakan dalam olah data tersebut sehingga tidak terjadi ekspektasi tinggi atau ekspektasi lebih rendah sari sebuah data atau sekumpulan data. Relevansi Materi ini berhubungan erat dari materi sebelumnya, relevansinya adalah setelah menemukan haisl statistic deskriptifnya dengan SPSS maka tahap selanjutnya adalah menyajikan maupun menginterpretasikan hasil statistic deskriptif . Learning Outcome Dapat membuat interpretasi dari hasil descriptive statistic data SPSS.

PENYAJIAN Dalam satu kelas yang sama terdapat 1000 mahasiswa yang berasal dari tiga jurusan yang berbeda, diambil sampel sebanyak 20 mahasiswa yang mengikuti dua tes yang sama yaitu TOEFL dan Tes Potensi Akademik. Saudara diminta untuk menganalisis data dibawah ini menggunakan Deskriptif Statistik (Frequencies, Descriptives, Esplore, Crosstab)

dan

menyimpulkan informasi apa sajakah yang saudara peroleh dari data yang berada pada tabel dibawah ini

32   

Tabel Nilai TOEFL dan TPA Mahasiswa Diloma Ekonomi SV UGM No

Nama

Jenis Kelamin

Jurusan

TOEFL

TPA

1

Dhino

pria

Akuntansi

470

490

2

Mursalin

pria

Akuntansi

380

375

3

Rayi

wanita

EK.Terapan

460

470

4

Yusuf

pria

Manajemen

565

465

5

Bintara

pria

EK.Terapan

465

470

6

Cinandi

wanita

Akuntansi

375

380

7

Nabila

wanita

Akuntansi

475

465

8

Cecep

pria

Manajemen

480

490

9

Ita

wanita

EK.Terapan

480

490

10

Yanuar

pria

Manajemen

390

550

11

Rakyan

pria

Akuntansi

480

390

12

Wawan

pria

EK.Terapan

470

472

13

Rani

wanita

Manajemen

385

370

14

Evi

wanita

Akuntansi

460

475

15

Yayuk

wanita

Manajemen

575

470

16

Fitri

wanita

Manajemen

490

460

17

Syukur

pria

EK.Terapan

570

475

18

Riki

pria

Akuntansi

550

445

19

Bayu

pria

Manajemen

485

375

20

Retno

wanita

Akuntansi

475

480

1. Langkah pertama, saudara diminta untuk mengentry data tabel diatas kedalam program SPSS sesuai dengan petunjuk modul ! 2. Frequencies a) Menggunakan data yang sudah ada Pilih menu Analyze >> Descriptive Statistic >> Frequenscies ! b) setelah itu kotak dialog akan tampil sebagai berikut

33   

c) Masukan variable Nilai TOEFL ke kotak Variable(s), kemudian Klik tab Statistics. Langkah ini akan menampilkan kotak dialog seperti gambar

d) Berikan tanda centang pada pilihan Central Tendency, Dispersion dan Distribution.

34   

e) Kemudian, klik Continue, maka anda akan kembali ke kotak dialog Frequencies f) Klik tab Chart sehingga tampil kotak dialog sebagai berikut

g) Pilih Histograms. Beri centang pada With normal curve. Kemudian, klik Continue. Selanjutnya anda akan kembali ke kotak dialog sebelumnya. h) Klik OK hasil outputnya sebagai berikut dan simpanlah dalam server yang telah disedialkan dengan nama file NIM_Frequencies.spo

35   

36   

Pembacaan hasil analisis Output Statistics •

N adalah jumlah data; dalam kasus ini jumlah data yang valid ada 20 data dan tidak ada data yang hilang.

•

Mean adalah rata-rata nilai TOEFL dari dua puluh mahasiswa yaitu besarnya 474.00

•

Standard error of mean, yaitu standar kesalahan untuk populasi yang diperkirakan dari sampel dengan menggunakan ukuran rata-rata. Nilainya sebesar 13.385.

•

Median adalah titik tengah, yaitu semua data diurutkan dan dibagi menjadi dua sama besar, dari data yang ada diketahu besarnya median adalah 475.00

37   

•

Mode atau modus adalah nilai yang paling sering muncul atau memiliki jumlah data sama yang paling banyak. Dalam hal ini besarnya mode yaitu 480.00

•

Standard Deviation, yaitu ukuran penyebaran data dari rata-ratanya nilainya sebesar 59.859

•

Variance, yaitu varian data yang didapat dari kelipatan standar deviasi, nilainya sebesar 3583.158

•

Skweness, yaitu ukuran distribusi data. Untuk mengetahui apakah data terdistribusi normal atau tidak maka dihitung rasio skweness dengan standard error of skewness atau 0.002/0.512 =0.003906. Karena besarnya nilai rasio ini berada diantara -2 sampai 2, maka data berdistribusi normal.

•

Kurtosis, sama halnya dengan skewness, kurtosis juga digunakan untuk mengetahui data terdistribusi dengan normal atau tidak, maka dihitung rasio kurtosis dengan standard error of kurtosis. Data dapat dikatakan berdistribusi normal jika berada di antara -2 sampai 2.

•

Range adalah selisih atau jarak data, yaitu data tertinggi dikurangi dengan data terendah. Nilai range sebesar 200.

•

Minimum adalah nilai terendah, dalam hal ini adalah 375

•

Maximum adalah nilai tertinggi, dalam hal ini adalah 575

Output Nilai TOEFL •

Dari tabel nilai TOEFL bisa dilihat frequency dari setiap nilai berapakah besarnya persentasenya serta juga dapat dilihat cumulative persentase dari tiap data.

Output Histogram •

Dari hasil analisis data nilai TOEFL diatas dapat dilihat bahwa kurva histogram membentuk seperti lonceng yang tegak tidak condong ke kanan maupun ke kiri, sehingga dpat dikatakan data terdistribusi dengan normal.

3.Descriptive a) Menggunakan data yang sudah ada Klik Analyze >> Descriptive Statistics >> Descriptives b) Setelah itu kotak dialog Descriptive akan tampil sebagai berikut 38   

c) Masukan variable Nilai TOEFL dan Nilai TPA ke kotak Variable(s). Kemudian klik tab Option sehingga akan menampilkan kotak dialog sebagai berikut

d) Klik tab Continue. Langkah ini akan mengembalikan ke kotak dialog sebelumnya. e) Klik tab OK sehingga akan keluar out put hasil analisa kemudian jelaskan makna output data kemudian simpan dengan nama file NIM_Descriptive.spo 39   

4. Explore a) Menggunakan data yang sudah ada Klik Analyze >> Descriptive Statistics >> Explore. b) Setelah itu aka melihat tampilan kotak dialog sebagai berikut.

c) Masukan variable nilai TOFL dan Nilai TPA ke kotak Dependent List. Dan jurusan kedalam factor list

d) Kemudian, klik tab Plots. Langkah ini akan memunculkan kotak dialog sebagai berikut.

40   

e) Karena akan dilakukan uji normalitas data, maka berilah tanda centang pada Normality plots with test. Kemudian klik tab Continue maka akan kembali ke dialog sebelumnya. f) Klik tab OK dan analisislah tabel yang muncul kemudian simpanlah dengan nama File NIM_Explore.spo g) Untuk melakukan analisis statistic lebih lanjut seperti idependent sample t test, korelasi bivariate, regresi dan analisis lain yang akan dibahas dibab lebih lanjut maka syaratnya data harus terdistribusi secara normal. Tes normalitas dilakukan dengan menggunakan uji Kolmogrorov-Smirnov dengan criteria pengujian sebagai berikut: Signifikansi > 0.05, maka data terdistribusi normal.

Signifikansi < 0.05, maka data terdistribusi normal.

41   

Pada data nilai TOEFL jurusan Akuntansi signifikansi lebih dari 0.05 (0.109>0.05) oleh karena itu dapat dikatakan bahwa data terdistribusi normal. Begitu juga nilai TOEFL untuk jurusan Manajemen mempunyai signifikansi sebesar lebih besar dari 0.05 (0.200>0.05) maka data juga dapat dikatakan terdistribusi normal sedangkan untuk Nilai TOEFL jurusan EK.Terapan nilainya lebih kecil dari 0.05 (0.019<0.05) maka bisa dikatakan data tidak terdistribusi dengan normal. 5. Crosstab a) Menggunakan data yang sudah ada Klik Analyze >> Descriptive Statistics >> Crostabs setelah itu anda akan melihat tampilan kotak dialog sebagai berikut

b) Masukan variable Jenis kelamin ke kotak Row(s), sedangkan variabel jurusan ke kotak Column(s). Kemudian Klik tab Statistics. Langkah ini menampilkan kotak sebagai berikut.

42   

c) Sebagai latihandasar maka kosongkanlah semua kotak dialog dan tab Continue untuk kembali ke kotak dialog awal. d) Klik lah OK analisislah hasil output dan simpan dengan nama file NIM_CROSTAB.Spo

43   

PENUTUP Tugas a. Buatlah penyajian dan interpretasi descriptive statistic dari data berikut: Tabel Data Jenis Kelamin, Pendidikan, Penghasilan dan Pemakaian Pulsa No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Nama Dhino Mursalin Rayi Yusuf Bintara Cinandi Nabila Cecep Ita Yanuar Rakyan Wawan Rani Evi Yayuk Fitri Syukur Riki Bayu Retno

Jenis Kelamin pria pria wanita pria pria wanita wanita pria wanita pria pria pria wanita wanita wanita wanita pria pria pria wanita

Pendidikan S1 S1 D3 S2 SMA SMA SMA S2 S1 S1 S1 S1 S2 S2 S2 SMA D3 D3 D3 S1

Penghasilan 3.000.000 2.500.000 1.800.000 4.000.000 2.000.000 1.500.000 1.700.000 5.000.000 2.750.000 3.000.000 3.250.000 3.500.000 4.000.000 3.950.000 3.750.000 1.800.000 900.000 850.000 1.100.000 2.750.000

Pulsa/Bln 200.000 200.000 190.000 350.000 175.000 215.000 150.000 350.000 180.000 175.000 165.000 185.000 375.000 175.000 185.000 125.000 225.000 125.000 120.000 200.000

b. Serahkan pekerjaan kepada instruktur!

DAFTAR PUSTAKA Douglas, AL, et.al. 2005. Statistical Technique in Business and Economics. Mc.Graw-Hill Companies. Priyatno, Duwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu. Yogyakarta: Penerbit Andi Santoso. S. 2010. Mastering SPSS 18. Jakarta : PT.Elex Media Komputindo Wahana Komputer. 2010. Mudah Belajar Statistik dengan SPSS 18. Edisi satu.Yogyakarta: Penerbit Andi

44   

 

BAB VII PENYAJIAN DAN INTERPRETASI DESCRIPTIVE STATISTIC DATA DENGAN EVIEWS

PENDAHULUAN Penyajian dan interpretasi statistic deskriptif data adalah tahap setelah hasil statistic deskriptif didapatkan. Sebelum data itu diolah /diestimasi, data tersebut harus di deskripsikan terdahulu untuk memudahkan dalam membaca data yang diolah. Maka penyajian dan interpretasi data ini menjadi penting dalam tahap pemrosesan data. Manfaat Memudahkan seseorang dalam melihat data apa yang digunakan dalam olah data tersebut sehingga tidak terjadi ekspektasi tinggi atau ekspektasi lebih rendah sari sebuah data atau sekumpulan data. Relevansi Materi ini berhubungan erat dari materi sebelumnya, relevansinya adalah setelah menemukan haisl statistik deskriptifnya dengan Eviews maka tahap selanjutnya adalah menyajikan maupun menginterpretasikan hasil statistic deskriptif . Learning Outcome Dapat membuat interpretasi dari hasil descriptive statistic data Eviews.

45   

 

PENYAJIAN Penyajian Descriptive Statistic ini penting untuk memudahkan seseorang menginterpretasikan hasil descriptive statistic. Langkah-langkah yang dapat digunakan adalah sebagai berikut: 1. Buka hasil Descriptive Statistic dari hasil sebelumnya

2. Dari hasil yang sudah ada dapat ditarik beberapa poin yaitu mean, median, maksimum, minimum, standar deviasi, dll untuk masing-masing variabel. Dari poin tersebut seseorang mampu menginterpretasikan hasil descriptive statistic per masingmasing data. 3. Contoh : Rata-rata produksi yang dihasilkan oleh Perusahaan X adalah sebesar 97,80 Milyar. Rata-rata Modal per tahun yang digunakan untuk berproduksi Perusahaan X adalah 196,80 Milyar. Dari tahun 1961 hingga 1987 maksimum jumlah produksi yang mampu dihasilkan Perusahaan X adalah sebesar 138,84 Milyar. Dari tahun 1961 hingga tahun 1987 minimum produksi yang pernah dialami Perusahaan X adalah 35,85 Milyar. Dan seterusnya.

46   

 

PENUTUP Tugas a. Interpretasikan hasil Descriptive Statistic data berikut ini, Diketahui Y adalah Pendapatan dan C0N adalah jumlah konsumsi yang dikeluarkan. Di mana Besarnya konsumsi dipengaruhi oleh pendapatan.

b. Serahkan pekerjaan Saudara kepada Instruktur!

DAFTAR PUSTAKA Maddala, G.S. 2001. Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd. Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta: UPP STIM YKPN.

47   

 

BAB VIII PENGENALAN PEMBUATAN MODEL PENELITIAN DAN HIPOTESIS

PENDAHULUAN Pembuatan model penelitian sangat penting dalam tahap awal olah data. Data tidak dapat diolah jika model penelitiannya belum ditentukan. Setelah model ditentukan maka tahap selanjutnya adalah membuat hipotesis penelitian. Hipotesis penelitian ini dibuat harus mengacu pada model penelitian, keduanya saling berkaitan dan tak terpisahkan. Manfaat Manfaat materi ini adalah memudahkan penentuan data mana yang harus diolah dan apa yang harus dilakukan setelah olah data. Relevansi Materi ini merupakan tahap awal sebelum proses pengolahan data secara statistik. Di mana penentuan model dan hipotesis adalah acuan kita untuk mengolah data. Data tidak dapat diolah jika model dan hipotesis belum dibuat. Learning Outcome Mahasiswa mampu membuat model penelitian dan hipotesis. PENYAJIAN A. Pembuatan Model Penelitian Fungsi model konseptual menurut Jan Jonker, dkk (2011) antara lain : 1. Fungsi pertama dari model Konseptual sangat erat hubungannya dengan teori referensi/litelatur yang digunakan. Dengan bantuan model konseptual, peneliti dapat menunjukkan bagaimana melihat fenomena yang diketengahkan dalam penelitiannya. Konsep-konsep teoritis yang digunakan untuk membangun model konseptual memberikan persfektif atau sebuah cara untuk melihat fenomena empiris. 2. Fungsi kedua adalah pembangunan model dapat membantu dalam penataan masalah, mengidentifikasi faktor-faktor relevan, dan kemudian memberikan koneksi yang membuatnya lebih mudah untuk memetakan bingkai masalahnya. 48   

 

Jika dipetakan dengan benar, maka model konseptual dapat menjadi representasi yang benar dari fenomena yang sedang dipelajari. Selanjutnya model tersebut akan membantu menyederhanakan masalah dengan mengurangi jumalh properti yang harus disertakan, sehingga lebih mudah berfokus untuk hal-hal yang hakiki. 3. Fungsi ketiga adalah menghubungkannya ke dalam sistem teori. Karakteristik Model Konseptual menurut Jan Jonker, dkk (2011) antara lain : 1. Model Konseptual merupakan konstruksi verbal atau visual yang membantu untuk membedakan antara apa yang penting dan apa yang tidak 2. Sebuah model menawarkan kerangka kerja yang menggambarkan (secara logis) hubungan kausal antara faktor-faktor yang berkaitan. Model konseptual dapat mempromosikan hal yang masuk akal atau makna dalam situasi tertentu 3. Model konseptual menciptakan realitas dalam aarti pemahaman kolektif. Karena model konseptual didasarkan pada bahasa yang berasal dari pengertian teoritis Model konseptual dibangun berdasarkan teori atau setidaknya pengertian teoritis. Tanpa masukan teoritis, maka mustahil untuk membuat konstruksi yang berfokus dari sebuah realitas yang terjadi. Teori memberitahu kepada kita dimana harus mencari, apa yang harus dicari, dan bagaimana melihat suatu masalah. Latihan: Suatu kecamatan ingin melihat pengaruh pendapatan setiap keluarga terhadap besaran konsumsi yang dikeluarkan setiap keluarga per bulan. Maka buatlah model berdasarkan ilustrasi di atas. Catatan : model yang dibentuk harus berdasarkan teori yang ada. Jawab: Berdasarkan teori konsumsi bahwa pengeluaran konsumsi dipengarhi oleh pendapatan seseorang. Maka model yang dibentuk adalah: C = α + βY

Dimana: C : konsumsi setiap keluarga/bulan Y : pendapatan setiap keluarga/bulan

49   

 

B. Pembuatan Hipotesis “yakinlah secara logis dengan kerangka teoritis ilmiah dan buktikan secara empiris dengan pengumpulan data yang relevan : Jujun S. Suriasumantri, 2003) Hipotesis merupakan dugaan atau jawaban sementara terhadap permasalahan yang diajukan. Seperti diketahui, pada umumnya metode ilmiah yang disimpulkan dalam dua langkah utama yaitu, pertama mengajukan hipotesis yang merupakan kerangka teoritis yang secara deduktif dijalin dari pengetahuan yang dapat diandalkan, dan kedua, pengumpulan data empiris untuk menguji apakah kenyataan yang sebenarnya mendukung atau menolak hipotesis (Jujun, S, Suriasumantri, 2003) Cara merumuskan hipotesa ialah dengan tahapan sebagai berikut: rumuskan hipotesa penelitian, hipotesa operasional, dan hipotesa statistik. a. Hipotesa penelitian ialah hipotesa yang kita buat dan dinyatakan dalam bentuk kalimat. Contoh: -

Ada hubungan antara gaya kepempininan dengan kinerja pegawai

-

Ada hubungan antara promosi dan volume penjualaan

b. Hipotesa operasional ialah mendefinisikan hipotesa secara operasional variable-variabel yang ada didalamnya agar dapat dioperasionalisasikan. Misalnya “gaya kepemimpinan” dioperasionalisasikan sebagai cara memberikan

instruksi

terhadap

bawahan.

Kinerja

pegawai

dioperasionalisasikan sebagai tinggi rendahnya pemasukan perusahaan. Hipotesa operasional dijadikan menjadi dua, yaitu hipotesa 0 yang bersifat netral dan hipotesa 1 yang bersifat tidak netral. Maka bunyi hipotesanya: H0: Tidak ada hubungan antara cara memberikan instruksi terhadap bawahan

dengan

tinggi

–

rendahnya

pemasukan

perusahaan

H1: Ada hubungan antara cara memberikan instruksi terhadap bawahan dengan tinggi – rendahnya pemasukan perusahaan c. Hipotesa statistik ialah hipotesa operasional yang diterjemahkan kedalam bentuk angka-angka statistik sesuai dengan alat ukur yang dipilih oleh peneliti. Dalam contoh ini asumsi kenaikan pemasukan sebesar 30%, maka hipotesanya berbunyi sebagai berikut: 50   

 

H0: P = 0,3 H1: P tidak sama dengan 0,3 Uji Hipotesa Hipotesa yang sudah dirumuskan kemudian harus diuji. Pengujian ini akan membuktikan H0 atau H1 yang akan diterima. Jika H1 diterima maka H0 ditolak, artinya ada hubungan antara cara memberikan instruksi terhadap bawahan dengan tinggi – rendahnya pemasukan perusahaan. Latihan Berdasarkan teori konsumsi bahwa pengeluaran konsumsi dipengarhi oleh pendapatan seseorang. Maka model yang dibentuk adalah: C = α + βY

Dimana: C : konsumsi setiap keluarga/bulan Y : pendapatan setiap keluarga/bulan Maka untuk membuat hipotesis untuk variabel pendapatan adalah: Ho = Pendapatan tidak berpengaruh terhadap konsumsi H1 = Pendapatan berpengaruh terhadap konsumsi

PENUTUP Tugas Jumlah barang X yang diminta dipengaruhi oleh harga barang X, harga barang Y, Pendapatan seseorang. Jika harga barang X adalah Px, harga barang Y adalah Py, dan pendapatan seseorang adalah I maka, a. Teori apakah yang dapat diacu untuk membuat model b. Buatlah model sesuai dengan teori c. Buatlah hipotesis dari model ini d. Serahkan pekerjaan Saudara kepada instruktur!

DAFTAR PUSTAKA Douglas, AL, et.al. 2005. Statistical Technique in Business and Economics. Mc.Graw-Hill Companies, 51   

 

Gujarati, Damodar N. 2003.Basic Econometrics 4th edition.Singapore: Mc Graw Hill. Jan Jonker, Bartjan J.W. Pennink, Sari Wahyuni. 2011. Metodologi Penelitian. Panduan Untuk Master Ph.D di bidang Manajemen. Jakarta : Salemba Empat Jujun S. Suriasumantri. 2003. Filsafat Ilmu. Sebuah Pengantar Populer. Jakarta : Pustaka Sinar Harapan Maddala, G.S. 2001. Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd,

52   

BAB IX OLAH DATA: ORDINARY LEAST SQUARES (OLS) DENGAN SPSS

PENDAHULUAN Olah data dengan analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya terutama dengan metode Ordinary Least Squares (OLS). OLS ini sering digunakan untuk mengolah data secara statistik. Manfaat Olah data OLS dengan SPSS digunakan untuk pengolahan data secara sederhana. Hampir seluruh ilmu memerlukan dan menggunakan olah data OLS ini terutama dalam memecahkan masalah-masalah penelitian sederhana. Relevansi Materi ini relevan dan menjadi aplikasi pokok dalam statistik terutama kaitannya dengan olah data sederhana. Learning Outcome Dapat mengolah data sesuai model menggunakan OLS di SPSS

PENYAJIAN Sebuah perusahaan Otomotif dalam negri beberapa bulan ini gencar mempromosikan produk barunya yaitu motor roda tiga dengan bak angkut Sebagai sampel untuk meneliti populasi pengaruh biaya iklan terhadap besarnya penjualan di seluruh Propinsi di Indonesia diambil sampel dari 20 Propinsi dengan data sebagai berikut: Tabel Jumlah Biaya Iklan dan Jumlah Penjualan

No

Provinsi

Bi.Iklan

Jumlah Penjualan

(jt Rupiah)

(jt Rupiah)

1 D.I. Aceh

26

205

2 Sumatra Barat

28

206

3 Jambi

35

254

4 Lampung

31

246

5 DKI.Jakarta

21

201

53   

6 Jawa Barat

49

291

7 Jawa Tengah

30

234

8 DIY

30

209

9 Jawa Timur

24

204

10 Bali

31

216

11 NTB

32

245

12 NTT

47

286

13 Kalimantan Selatan

54

312

14 Kalimantan Timur

40

265

15 Kalimantan Tengah

42

322

16 Kalimantan Barat

48

298

17 Sulawesi Tenggara

47

295

18 Sulawesi Utara

48

350

19 Sulawesi Selatan

50

365

20 Papua Barat

52

375

1. Langkah pertama, saudara diminta untuk mengentry data tabel diatas kedalam program SPSS sesuai dengan petunjuk modul !

2. Regression Linier a) Menggunakan data yang sudah ada Pilih menu Analyze >> Regression >> Liniear ! b) setelah itu kotak dialog akan tampil sebagai berikut

54   

c) Dependent atau variable tergantung. Karena variable yang akan diprediksi adalah variable Penjualan, maka masukan variable penjualan pada kotak DEPENDENT. d) Independent(s) atau variable bebas, dalam hal ini variable bebas adalah bi.iklan. Maka masukan variable Bi.Iklan ke kotak Independent. e) Case Labels atau keterangan pada kasus. Karena kasus didasarkan pada Provinsi, maka masukan variabel Provinsi ke kotak Case Labels. f) Method pilih enter, yaitu prosedur pemilihan variable dimana semua variable dalam blok dimasukan dalam perhitungan ‘sigle step’ g) Pilih options

55   

•

untuk Stepping Method Criteria, digunakan uji F yang mengambil standar angka probabilitas sebesar 5%. Karena itu angka entry 0.05 atau 5%

•

Include Constant in equation biarkan tetap aktif

•

Klik continue

h) Pilih Kolom Statistics dengan klik mouse

Pilihan ini berkenaan dengan perhitungan statistik regresi yang akan digunakan. Pengisian:

56   

•

Regression Coefisient atau perlakukan koefisien regresi, tetap aktifkan pilihan estimate

•

Klik Descriptive pada kolom sebelah kanan, serta tetap aktifkan model fit

•

Residual, klik Casewise diagnostics dan pilih all cases untuk melihat pengaruh regresi terhadap semua provinsi.

•

Klik Continue

i) Pilih Plot, fasilitas ini berguna untuk menguji asumsi-asumsi pada regresi, seperti normalitas, linieritas, kesamaan varians dan juga

dapat digunakan

untuk mendeteksi ada tidaknya data yang tidak normal.

j) Direncanakan ada tiga plot sehubungan dengan pengujian asumsi pada analisis regresi: 1.

klik mouse pada pilihan SDRESID dan masukan ke pilihan Y, lalu klik lagi pada pilihan ZPRED dan masukan ke X kemudian klik Next untuk plot kedua.

2.

klik ZPRED masukan ke pilihan Y, lalu klik lagi DEPENDNT dan masukan ke pilihan X kemudian klik Next. Plot pertama dan kedua digunakan untuk menguji linieritas dan kesamaan varians

3.

untuk plot ketiga, pada pilihan Standardized Residual Plots, klik mouse pada Normal Probability Plot klik Continue lalu tekan OK. Plot ketiga digunakan untuk menguji normalitas

57   

k) Output SPSS dan analisis 1.

Output pertama dan kedua

Analisis •

Rata-rata penjualan dari 20 Provinsi adalah 268.95 jt dengan standard deviasi 56.127 jt

•

Rata-rata biaya iklan adalah sebesar 38.25 jt dengan standard deviasi sebesar 10.508 Jt

•

Besar hubungan antarvariabel penjualan dengan bi. iklan yang dihitung dengan koefisien korelasi adalah 0.910. Hal ini menunjukan bahwa bi.iklan dan penjualan memiliki hubungan yang sangat erat dengan hubungan positif yang artinya semakin besar bi.iklan maka semakin besar pula penjualan yang didapat.

•

Tingkat signifikansi koefisien korelasi satu sisi dari output menghasilkan angka 0.000, karena probabilitasnya lebih kecil dari 0.05 maka korelasi antara bi.iklan dengan penjualan sangat nyata.

2.

Output ketiga dan ke empat

58   

•

Tabel pertama menunjukan variable yang dimasukan adalah bi.iklan dan tidak ada variable yang dikeluarkan. Hal ini disebabkan metode yang dipakai adalah sigle step (enter) dan bukan stepwise.

•

Angka R square adalah 0.829 adalah pengkuadratan dari koefisien korelasi. R square bisa disebut koefisien determinasi , yang dalam hal ini berarti 82.9% dari penjualan perusahaan bisa dijelaskan oleh variable bi.iklan. dan sisanya dijelaskan sebab lain. Semakin kecil R Square, semakin lemah hubungan kedua variable.

•

Standard Error of Estimate adalah 23.848 jt, pada analisis sebelumnya standard deviasi penjualan nilainya 56.127jt karena lebih kecil dari standard deviasi penjualan, maka model regresi lebih bagus sebagai predictor atau peramal penjualan daripada menggunakan rata-rata.

3.

Output kelima dan keenam

59   

Analisis: •

Dari uji ANOVA atau F test, didapat F hitung adalah 87.244 dengan tingkat signifikansi 0.000.Karena probabilitas 0.000 lebih kecil dari 0.05, maka bisa dikatakan model regresi dapat digunakan sebagai alat prediksi penjualan.

•

Tabel selanjutnya menggambarkan persamaan rgresi Y= 82.924 + 4.863X Y= Penjualan X= Bi.iklan Konstanta sebesar 82.924 menyatakan bahwa jika tidak ada biaya promosi, maka penjualan adalah sebesar 82.924 jt Koefisien regresi sebesar 4.863 menyatakan bahwa setiap penambahan biaya iklan 1jt maka

penjualan akan meningkat

sebesar 4.863jt demikian sebaliknya •

Uji t untuk menguji signifikansi konstanta dan variable dependen Dalam contoh ini kita akan menguji koefisien regresi dari variable Bi.iklan. Hipotesis kasus ini: Ho = Koefisien regresi tidak significant Hi = Koefisien regresi signifikan Pengambilan keputusan Berdasarkan Probabilitas •

Jika probabilitas > 0.025 (karena menggunakan uji 2sisi), Maka Ho diterima

•

jika probabilitas < 0.025, Maka Ho ditolak

Keputusan: Terlihat bahwa pada kolom Sig/significance adalah 0.000 atau dibawah <0.025 maka Ho ditolak atau koefisien regresi signifikan atau Bi.iklan benar-benar berpengaruh secara signifikan terhadap penjualan

60   

4.

Output ketujuh Pada tabel output ke tujuh ini berjudul Casewise Diagnostics

Dari tabel ini kita dapat melihat antara selisih nilai penjualan yang diramalkan dengan nilai penjualan aslinya misanya: Diprovinsi Aceh penjualan yang diramalkan menggunakan persamaan regresi nilainya sebesar 209.37jt sedangkan nilai aslinya yaitu 205 jt sehingga selisihnya 4.373jt. Semakin kecil Std.Residual maka semakin baik persamaan regresi dalam memprediksi data.

61   

5.

Output kedelapan

Pada tabel ini berjudul Residual Statistics, tabel ini memuat ringkasan yang berisi nilai minimum, maksimum, mean dan standar deviasi dari nilai yang prediksi. 6.

Output Bagian Gambar • Persyaratan NORMALITAS Gambar NORMAL PROBABILITY PLOT

62   

Jika data berasal dari distribusi normal maka nilai-nilai sebaran data terletak disekitar garis lurus dan dari gambar diatas terlihat bahwa sebaran sebagian besar berada di garis lurus. Maka bisa dikatakan bahwa persyaratan Normalitas bisa terpenuhi. • Persyaratan Kelayakan Model Regresi (Model Fit)

Jika model regresi layak untuk dipakai untuk prediksi (fit), maka data akan berpencar disekitar angka nol (0 dalam sumbu Y) dan tidak membentuk pola atau garis tertentu. Dari chart diatas terlihat sebaran data ada disekitar 0 serta tidak tampak adanya suatu pola tertentu dari sebaran. Maka bisa dikatakan model regresi memenuhi syarat untuk memprediksi penjualan. • Persyaratan Model Fit tiap data Jika model memenuhi syarat, maka sebaran data akan berada mulai dari kiri bawah lurus kearah kanan atas. Terlihat sebaran data dibawah ini membentuk arah seperti yang disyaratkan. Oleh karena itu dapat dikatakan model regresi sudah layak digunakan.

63   

PENUTUP Tugas a. Dari Seluruh Provinsi yang ada di Indonesia diambil 20 Sampel untuk meneliti seberapa besar pengaruh Pendapatan Pajak Reklame terhadap Jumlah Pendapatan Daerah, hasil penelitian ii nantinya akan digunakan oleh Pemerintah Daerah sebagai dasar penentuan strategi yang tepat guna meningkatkan pendapatan daerah. Oleh karena itu olah data di bawah ini dengan menggunakan Ordanary Least Square (OLS). Tabel Pajak Reklame Serta Jumlah Pendapatan Daerah

No 1 2 3 4 5 6 7 8 9 10 11 12 13

Provinsi D.I. Aceh Sumatra Barat Jambi Lampung DKI.Jakarta Jawa Barat Jawa Tengah DIY Jawa Timur Bali NTB NTT Kalimantan Selatan

Retribusi jt (Rupiah) 2700 2600 3600 3150 2250 4950 3550 3000 2400 3100 3200 4700 5400

Jumlah Pendapatan Daerah (jt Rupiah) 20600 20400 25500 24650 22000 29200 24500 20900 20400 21600 24500 28600 31200 64 

 

14 15 16 17 18 19 20

Kalimantan Timur Kalimantan Tengah Kalimantan Barat Sulawesi Tenggara Sulawesi Utara Sulawesi Selatan Papua Barat

4000 4200 4850 4750 4800 5500 5200

26500 32200 29900 29000 35000 37500 37500

b. Serahkan pekerjaan Saudara kepada Instruktur!

DAFTAR PUSTAKA Dajan, Anto. 1974. Pengantar Metode Statistik. Jilid I. Jakarta: LP3ES Priyatno, Duwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu. Yogyakarta: Penerbit Andi Santoso. S. 2010. Mastering SPSS 18. Jakarta : PT.Elex Media Komputindo Subagyo.P dan Ps.Djarwanto. 2005. Statistik Induktif. Edisi Lima. Yogyakarta: BPFE Wahana Komputer. 2010. Mudah Belajar Statistik dengan SPSS 18. Edisi satu. Yogyakarta: Penerbit Andi

65   

 

BAB X OLAH DATA: ORDINARY LEAST SQUARES (OLS) DENGAN EVIEWS

PENDAHULUAN Olah data dengan analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya terutama dengan metode Ordinary Least Squares (OLS). OLS ini sering digunakan untuk mengolah data secara statistik. Manfaat Olah data OLS dengan Eviews digunakan untuk pengolahan data secara sederhana. Hampir seluruh ilmu memerlukan dan menggunakan olah data OLS ini terutama dalam memecahkan masalah-masalah penelitian sederhana. Relevansi Materi ini relevan dan menjadi aplikasi pokok dalam statistik terutama kaitannya dengan olah data sederhana. Learning Outcome Dapat mengolah data sesuai model menggunakan OLS di Eviews.

PENYAJIAN Model regresi yang baik adalah model regresi yang dapat menghasilkan nilai residual terkecil. Semakin kecil nilai residual yang dihasilkan, maka semakin baik hasil dari model regresi tersebut. Nilai residual terkecil menunjukkan nilai estimasi yang dihasilkan dari suatu analisis regresi akan mendekati nilai aktualnya. Oleh karena itu, kita harus dapat menentukan nilai βˆ0 dan βˆ1 yang dapat menghasilkan nilai residual terkecil. Metode yang dapat digunakan untuk menentukan nilai koefisien-koefisien regresi tersebut adalah metode kuadrat terkecil (ordinary least square/OLS). Metode OLS dapat menghasilkan nilai residual sekecil mungkin dengan menjumlahkan kuadrat residual.

66   

 

Asumsi-Asumsi OLS Metode OLS yang dikenal sebagai metode Gaussian dibangun dengan menggunakan asumsiasumsi berikut. 1. Hubungan antara variabel dependen dan independen adalah linier dalam parameter. 2. Variabel-variabel independen adalah variabel-variabel non-stokastik yang bernilai tetap untuk bebagai observasi yang berulang-ulang. 3. Tidak ada hubungan linier antara variabel independen atau tidak ada multikolinearitas antara variabel-variabel independen. 4. Nilai harapan (expected value) atau rata-rata dari variabel gangguan (residual/ei) adalah nol atau dapat dinyatakan sebagai berikut.

E (ei X i ) = 0 5. Varian dari variabel gangguan (ei) adalah sama setiap periode waktu atau bersifat homoskedastis.

Var (ei X i ) = E[ei − E (ei X i )]

2

(

= E ei2 X i

)

=σ2 6. Tidak ada serial korelasi antara gangguan ei yang satu dengan ei yang lain atau tidak ada autokorelasi.

(

)

(

Cov ei , e j X i , X j = E[(ei − E (ei ) X i )]⎣ e j − E (e j ) X j

(

= E (ei X i ) e j X j

)⎦

)

=0 7. Variabel gangguan ei berdistribusi normal

e ~ N (0, σ 2 ) 8. Covariance antara ui dan xi adalah nol [Cov (ui, xj) = 0] 9. Banyaknya observasi (n) harus lebih besar dari banyaknya parameter yang diestimasi 10. Nilai variabel penjelas harus bervariasi atau var(x) harus bernilai positif Dengan asumsi-asumsi di atas, metode OLS akan menghasilkan estimator yang bersifat tidak bias, linier, dan memiliki varian minimum (best linear unbiased estimators - BLUE). Kriteria estimator βˆ k yang memiliki sifat BLUE adalah: 67   

 

1. Linier Estimator βˆ k linier terhadap variabel stokastik Y, sebagai variabel dependen. 2. Tidak bias Estimator βˆ k tidak bias, yaitu nilai rata-rata atau nilai harapan E(βˆk ) sama dengan nilai β k yang sebenarnya. 3. Memiliki varian minimum Estimator βˆ k memiliki nilai varian yang minimum Koefisien Determinasi (R2) Hasil analisis regresi yang good fit adalah hasil yang dapat meminimumkan penyimpangan Y estimasi dari Y aktual. Estimasi persamaan regresi bertujuan untuk menghasilkan parameter persamaan regresi yang memenuhi kriteria goodness-of-fit. Indikator dari goodness-of-fit adalah koefisien determinasi (R2). Koefisien R2 menggambarkan seberapa besar proporsi variasi variabel dependen dapat dijelaskan oleh variabel-variabel independen yang ada dalam suatu model regresi. Formula R2 dapat dinyatakan sebagai berikut.

R

2

∑ (Yˆ − Y ) = ∑ (Y − Y ) =

2 2

0 ≤ R2 ≤ 1

ESS TSS

Keterangan: ESS: Explained Sum of Squares TSS: Total Sum of Squares Nilai koefisien R2 yang mendekati 1 menunjukkan bahwa variabel-variabel independen yang terdapat dalam suatu model sudah dapat menjelaskan variabel dependennya dengan baik, yang berarti model regresi tersebut semakin baik. Misalkan, nilai R2 = 0,9889, artinya proporsi variabel dependen sebesar 98,89% sudah dapat dijelaskan oleh variabel independen yang ada dalam model, sedangkan proporsi variabel dependen sebesar 1,11% dijelaskan oleh variabel residual, yaitu variabel-variabel lain yang tidak dimasukkan ke dalam model.

68   

 

Berdasarkan konsep koefisien determinasi ini, suatu model yang baik adalah model yang dapat menghasilkan nilai R2 yang tinggi. Meskipun demikian, konsep tersebut hanyalah konsep statistik karena rendahnya nilai R2 dapat terjadi karena alasan-alasan tertentu. Dalam kasus analisis regresi dengan data time series, tingginya nilai R2 justru dapat menjadi indikator awal atas adanya hasil regresi yang lancung (spurious regression), penjelasan lebih lanjut mengenai hal ini terdapat dalam bahasan time series. Sementara itu, rendahnya nilai R2 pada hasil analisis regresi dengan data cross section adalah akibat dari adanya variasi yang besar antara variabel yang diteliti pada periode waktu yang sama. Selain itu, masalah lain dalam menggunakan koefisien determinasi R2 adalah nilai R2 yang selalu meningkat ketika kita menambahkan variabel independen, yang sebenarnya belum tentu memiliki justifikasi atau pembenaran dari teori maupun logika ekonomi. Untuk itu, para pakar ekonometrika memiliki alternatif lain agar nilai R2 tidak lagi merupakan fungsi dari variabel independen. Alternatif tersebut adalah R2 yang disesuaikan (R2 adjusted- R 2 ), yang memiliki formula sebagai berikut.

(∑ eˆ )/(n − k ) = 1− ∑ (Y − Y ) /(n − 1) 2

R

2

2

Keterangan: k: jumlah parameter, termasuk intercept n: jumlah observasi Terminologi koefisien determinasi yang disesuaikan yaitu karena koefisien determinasi tersebut disesuaikan dengan derajat kebebasan/degree of freedom (df), dimana n-k dan

∑ (Y − Y )

2

∑ eˆ

2

memiliki df sebesar

dengan df sebesar n-1.

         

69   

 

  Melakukan Regeresi dengan Metode OLS Contoh 1: Pengeluaran = f(Gaji)

Regresi Sederhana

Model dari fungsi tersebut:

Pengeluaran = α 0 + α1Gaji Untuk dapat melakukan estimasi atau regresi terhadap persamaan di atas, maka dalam program olah data e-views, salah satu cara yang dapat dilakukan adalah: meng-klik menu utama QUICK. Dengan cara ini adalah klik QUICK Æ KLIK ESTIMATE ÆEQUATION akan muncul kotak dialog EQUATION SPECIFICATION. Dalam kotak dialog Equation Specification, ketik Pengeluaran C Gaji Æ Klik OK.

Hasil Estimasi Regresi Sederhana sebagai berikut:

70   

 

Pengeluaran = -1434,32 + 0,2106 Gaji Se

(490,46)

(0,019)

R2 =0,696

PENUTUP Tugas a. Dengan data di bawah ini lakukan olah data regresi OLS dengan Eviews. Dimana Y adalah Pendapatan dan C adalah Konsumsi. Modelnya adalah: C = α + βY

Dimana konsumsi dipengaruhi oleh pendapatan. obs

Y

C

1

19583

3346

2

20263

3114 71 

 

 

3

20325

3554

4

26800

4642

5

29470

4669

6

26610

4888

7

30678

5710

8

27170

5536

9

25853

4168

10

24500

3547

11

24274

3159

12

27170

3621

13

30168

3782

14

26525

4247

15

27360

3982

16

21690

3568

17

21974

3155

18

20816

3059

19

18095

2967

20

20939

3285

21

22644

3914

22

24624

4517

23

27186

4349

24

33990

5020

25

23382

3594

26

20627

2821

27

22795

3366

28

21570

2920

29

22080

2980

30

22250

3731

b. Serahkan pekerjaan Saudara kepada instruktur!

72   

 

DAFTAR PUSTAKA Gujarati, Damodar N. 2003.Basic Econometrics 4th edition.Singapore: Mc Graw Hill, Maddala, G.S. 2001. Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd. Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta: UPP STIM YKPN.

73   

BAB XI UJI HIPOTESIS

PENDAHULUAN Uji hipotesis merupakan suatu prosedur untuk pembuktian kebenaran sifat populasi berdasarkan data sampel. Dalam melakukan penelitian berdasarkan sampel, seorang peneliti harus menyatakan secara jelas hipotesis penelitian yang nantinya akan dibuktikan kebenarannya melalui penelitian dari data sampel tersebut. Pada umumnya, hipotesis yang ingin kita uji kebenarannya (hipotesis alternatif-Ha) akan dibandingkan dengan hipotesis yang salah, yang nantinya akan kita tolak (hipotesis nol-H0). Keputusan untuk menerima atau menolak H0 dibuat berdasarkan nilai uji statistik yang diperoleh dari data. Manfaat manfaat uji hipotesis adalah untuk menguji kebenaran suatu hipotesis, dan menentukan keputusan mana yang akan diterima. Relevansi Relevansi uji hipotesis dengan statistika adalah keterkaitan uji hipotesis untuk pembuktian dari hasil estimasi yang telah didapatkan. Pada penelitian uji hipotesis merupan kunci terjawabnya suatu permasalahan dalam penelitian jika menggunakan alat statistika. Learning Outcome Dapat menguji hipotesis.

PENYAJIAN Hipotesis merupakan pernyataan tentang sifat populasi, sedangkan uji hipotesis merupakan suatu prosedur untuk pembuktian kebenaran sifat populasi berdasarkan data sampel. Dalam melakukan penelitian berdasarkan sampel, seorang peneliti harus menyatakan secara jelas hipotesis penelitian yang nantinya akan dibuktikan kebenarannya melalui penelitian dari data sampel tersebut. Pada umumnya, hipotesis yang ingin kita uji kebenarannya (hipotesis alternatif-Ha) akan dibandingkan dengan hipotesis yang salah, yang nantinya akan kita tolak (hipotesis nol-H0). Keputusan untuk menerima atau menolak H0 dibuat berdasarkan nilai uji statistik yang

74   

diperoleh dari data. Terdapat dua metode yang sering digunakan dalam melakukan uji hipotesis, yaitu uji t dan uji F. 1. Uji t Uji t merupakan suatu prosedur untuk menguji signifikansi dari koefisien-koefisien regresi secara parsial. Hal penting yang perlu diperhatikan dalam melakukan uji hipotesis melalui uji t adalah masalah pemilihan apakah menggunakan dua sisi atau satu sisi. Uji hipotesis dua sisi dipilih jika kita tidak memiliki dugaan kuat atau dasar teori yang kuat dalam penelitian. Sementara itu, uji hipotesis satu sisi dipilih jika kita memiliki landasan teori atau dugaan yang kuat. Langkah-langkah dalam melakukan uji hipotesis melalui uji t adalah: 1. Menentukan hipotesis penelitian, apakah melalui uji satu sisi maupun dua sisi. • Uji hipotesis positif satu sisi H0 : β 1 ≤ 0 Ha : β 1 > 0 • Uji hipotesis negatif satu sisi H0 : β 1 ≥ 0 Ha : β 1 < 0 • Uji dua sisi H0 : β 1 = 0 Ha : β 1 ≠ 0 Lakukan langkah ini pada setiap koefisien regresi (β) yang ada dalam model. 2. Menentukan nilai statistik t (thitung) untuk setiap koefisien regresi yang ada dan menentukan nilai tkritis dari tabel distribusi t pada α dan degree of freedom (df) tertentu. Formula nilai thitung adalah sebagai berikut. t=

Keterangan:

βˆ1 − β 1* Se( βˆ1 )

β1* merupakan nilai β1 pada hipotesis nol.

Catatan: saat ini, nilai thitung dari koefisien-koefisien regresi dapat diperoleh dengan mudah dari program olahan regresi, seperti EViews, Shazam, dan Rats.

75   

3. Membandingkan nilai thitung dengan nilai tkritis-nya. Kriteria pengujiannya adalah: • Apabila nilai thitung > nilai tkritis, maka H0 ditolak atau Ha diterima, yang berarti secara statistik, variabel independen tersebut berpengaruh signifikan terhadap perubahan variabel dependen. • Apabila nilai thitung < nilai tkritis, maka H0 diterima atau Ha ditolak, yang berarti secara statistik, variabel independen tersebut tidak berpengaruh signifikan terhadap perubahan variabel dependen. Area penolakan atau penerimaan hipotesis berdasarkan distribusi t, adalah: a. Uji hipotesis positif satu sisi f(t)

H0 diterima

H0 ditolak

1-α

α

tc

0

t

b. Uji hipotesis negatif satu sisi f(t)

H0 ditolak

H0 diterima

1-α

α 

-tc

0

t

76   

c. Uji hipotesis dua sisi f(t)

H0 ditolak

H0 diterima

1-α

α/2 

-tc

2.

H0 ditolak

α/2

0

tc

t

Uji F Dasar uji F hampir sama dengan dasar uji t, yaitu untuk menguji signifikansi koefisien-koefisien regresi variabel dalam suatu model. Perbedaan uji t dan uji F adalah uji t dilakukan secara parsial pada masing-masing koefisien, sedangkan uji F dilakukan secara serempak pada seluruh koefisien regresi. Jadi, uji F dilakukan untuk mengevaluasi pengaruh semua variabel independen terhadap variabel dependen dalam suatu model regresi. Langkah-langkah dalam melakukan uji hipotesis melalui uji F adalah: 1. Menentukan hipotesis penelitian sebagai berikut. H0 : β1= β2=...= βk=0 Ha : β1≠ β2≠...= βk≠0 2. Menentukan nilai Fhitung dan nilai Fkritis dari tabel distribusi F. Nilai F kritis berdasarkan besarnya α dan besarnya df untuk numerator (k-1) dan df untuk denominator (n-k). Adapun formula nilai Fhitung adalah sebagai berikut.

F=

R 2 /(k − 1) 1 − R 2 /(n − k )

Catatan: saat ini, nilai Fhitung dari suatu model regresi dapat diperoleh dengan mudah dari program olahan regresi, seperti EViews, Shazam, dan Rats. 3. Membandingkan nilai Fhitung dengan nilai Fkritis-nya. Kriteria pengujiannya adalah: • Apabila nilai Fhitung > Fkritis, maka H0 ditolak atau Ha diterima, yang berarti secara statistik, seluruh variabel independen yang ada berpengaruh signifikan terhadap perubahan variabel dependen.

77   

• Apabila nilai Fhitung < Fkritis, maka H0 diterima atau Ha ditolak, yang berarti secara statistik, seluruh variabel independen yang ada tidak berpengaruh signifikan terhadap perubahan variabel dependen.

PENUTUP Tugas a. Permintaan bunga mawar. memberikan data per kuartal untuk variabel ini: Y

: Jumlah mawar yang dijual

X2

: Rata-rata harga bunga mawar di tingkat pedagang besapr, $/lusin

X3

: Rata-rata harga bunga anyelir di tingkat pedagang besar/ $/lusin

X4

: Rata –rata pendapatan bersih mingguan rumah tangga, $/minggu

X5

: Variabel kecenderungan , dengan nilai 1,2, dan seterusnya untuk

menunjukkan periode 1971-III hingga 1975-II di kawasan Metropolitan Detroit. Hasil regresi OLS sebagai berikut; Dependent Variable: Y Method: Least Squares Date: 10/12/12 Time: 10:20 Sample: 1971Q3 1975Q2 Included observations: 16 Variable

Coefficient

C X2 X3 X4 X5

10816.04 -2227.704 1251.141 6.282986 -197.3999

R-squared 0.834699 Adjusted R-squared 0.774590 S.E. of regression 969.8744 Sum squared resid 10347220 Log likelihood -129.7401 F-statistic 13.88635 Prob(F-statistic) 0.000281

Std. Error

t-Statistic

5988.348 1.806181 920.4657 -2.420193 1157.021 1.081347 30.62166 0.205181 101.5612 -1.943655 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Prob. 0.0983 0.0340 0.3027 0.8412 0.0780 7645.000 2042.814 16.84252 17.08395 16.85488 2.333986

Dengan menggunakan alfa 5% maka uji hipotesis menggunakan uji –t (one tail)?

78   

Petunjuk pengerjaan: 1. Menentukan taraf nyata/ level of significance = α. Taraf nyata / derajad keyakinan yang digunakan sebesar α = 1%, 5%, 10%, dengan: df = n – k Dimana: df = degree of freedom/ derajad kebebasan n = Jumlah sampel k = banyaknya koefisien regresi + konstanta 2. Menentukan daerah keputusan, yaitu daerah dimana hipotesa nol diterima atau tidak. Untuk mengetahui kebenaran hipotesis digunakan kriteria sebagai berikut. Ho diterima apabila –t (α / 2; n – k) ≤ t hitung ≤ t (α / 2; n – k), artinya tidak ada pengaruh antara variabel bebas terhadap variabel terikat. Ho ditolak apabila t hitung > t (α / 2; n– k) atau –t hitung < -t (α / 2; n – k), artinya ada pengaruh antara variabel bebas terhadap variabel terikat.

3. Menentukan uji statistik (Rule of the test) 4. Mengambil keputusan. Keputusan bisa menolak Ho atau menolak Ho menerima Ha. Nilai t tabel yang diperoleh dibandingkan nilai t hitung, bila t hitung lebih besar dari t tabel, maka Ho ditolak, sehingga dapat disimpulkan bahwa variabel independent berpengaruh pada variabel dependent. Apabila t hitung lebih kecil dari t tabel, maka Ho diterima sehingga dapat disimpulkan bahwa variabel independen tidak berpengaruh terhadap variabel dependen.

DAFTAR PUSTAKA Gujarati, Damodar N. 2003.Basic Econometrics 4th edition.Singapore: Mc Graw Hill, Maddala, G.S. 2001. Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd. Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta: UPP STIM YKPN.

79   

BAB XII INTERPRETASI HASIL OLAH DATA

PENDAHULUAN Intepretasi data adalah salah satu komponen penting dalam tahap akhir olah data. Ketika data telah diolah maka inilah kunci dari akhir tahap olah data sebelum pembuatan kesimpulan. Manfaat Manfaat interpretasi adalah memudahkan dalam melihal hasil olah data karena dijabarkan atau dideskripsikan lebh jelas dalam interpretasi data. Relevansi Materi ini berkaitan dengan tahap akhir olah data statistic, di mana hasil estimasi telah didapatkan sehingga memudahkan dalam pembacaan hasil olah data. Lerning Oucome Mampu menginterpretasikan hasil olah data baik SPSS maupun Eviews PENYAJIAN A. Membuat hasil Estimasi dari hasil olah data Dependent Variable: C Method: Least Squares Date: 12/19/12 Time: 15:56 Sample: 1 40 Included observations: 40 Variable

Coefficient

C Y

-734.0347 0.183379

R-squared 0.638726 Adjusted R-squared 0.629219 S.E. of regression 505.5060 Sum squared resid 9710380. Log likelihood -304.7541 F-statistic 67.18325 Prob(F-statistic) 0.000000

Std. Error

t-Statistic

534.8733 -1.372352 0.022373 8.196539 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Prob. 0.1780 0.0000 3600.850 830.1705 15.33770 15.42215 15.36824 1.100857

80   

Langkah pertama buat hasil estimasi sesuai dengan model yang telah dibuat. Menurut teori konsumsi, bahwa konsumsi dipengaruhi oleh pendapatan seseorang.

C = α + βY Maka berdasarkan hasil di atas dihasilkan

C = −734,0347 + 0,183379Y B. Menginterpretasikan hasil Estimasi 1. Uji signifikansi (uji –t) Ho : Pendapatan tidak berpengaruh terhadap konsumsi H1 : Pendapatan berpengaruh terhadap konsumsi Dengan alfa (5%) maka dengan memakai cara cepat melihat nilai probabilitas variabel pendapatan sebesar 0,0000 adalah lebih kecil dari 0,05 maka Ho ditolak. Ho ditoak berarti pendapatan berpengaruh signifikan terhadap konsumsi. Maka C = −734,0347 + 0,183379Y + e Dimana: C : konsumsi Y : pendapatan e

: error term (kesalahan yang ditangkap oleh model)

Berarti setiap pendapatan naik 100 akan mempengaruhi kenaikan konsumsi sebesar 18,3379. 2. R-squared Dengan nilai R-squared sebesar 0,6387 berarti 63,87 persen penyimpangan dijelaskan oleh model sedangkan sisanya 36,13 persen dipengaruhi oleh error term.

81   

C. Uji Serempak (Uji F) untuk lebih dari satu variabel independen

y i = β1 + β 2 x 2i + β 3 x 3i + β 4 x 4i + β 5 x 5i + u i dengan hasil estimasi sebagai berikut: (dengan alfa 10%) Dependent Variable: Y Method: Least Squares Sample: 1 81 Included observations: 81 Variable

Coefficien Std. Error t

C 1.563432 X2 -0.004057 X3 0.985157 X4 -0.012113 X5 0.019740 R-squared 0.883327 Adjusted R-squared 0.877186 S.E. of regression 3.523895 Sum squared resid 943.7553 Log likelihood -214.3784 Durbin-Watson stat 0.991839 Maka yang harus dilakukan:

t-Statistic

12.85515 0.121619 0.014920 -0.271922 0.186123 5.293036 0.022062 -0.549029 0.208117 0.094849 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.9035 0.7864 0.0000 0.5846 0.9247 33.83457 10.05541 5.416752 5.564557 143.8485 0.000000

Uji Individual (uji-t) a. Variabel X2 H0 = β2 sama dengan nol H1 = β2 tidak sama dengan nol Dengan menggunakan alfa 10% (0,1) Hasil estimasi probabilitas t statistik untuk variabel X2 adalah 0,7864 lebih besar dari 0,1 maka H0 diterima. Variabel X2 tidak berpengaruh signifikan terhadap variabel Y. b. Variabel X3 H0 = β3 sama dengan nol H1 = β3 tidak sama dengan nol

82   

Dengan menggunakan alfa 10% (0,1) Hasil estimasi probabilitas t statistik untuk variabel X3 adalah 0,0000 lebih kecil dari 0,1 maka H0 ditolak. Variabel X3 berpengaruh signifikan terhadap variabel Y. c. Variabel X4 H0 = β4 sama dengan nol H1 = β4 tidak sama dengan nol Dengan menggunakan alfa 10% (0,1) Hasil estimasi probabilitas t statistik untuk variabel X4 adalah 0,5846 lebih besar dari 0,1 maka H0 diterima. Variabel X4 tidak berpengaruh signifikan terhadap variabel Y. d. Variabel X5 H0 = β5 sama dengan nol H1 = β5 tidak sama dengan nol Dengan menggunakan alfa 10% (0,1) Hasil estimasi probabilitas t statistik untuk variabel X5 adalah 0,9247 lebih besar dari 0,1 maka H0 diterima. Variabel X5 tidak berpengaruh signifikan terhadap variabel Y.

Uji Serempak (uji f) Variabel X2, X3. X4. X5 Ho: X2=X3=X4=X5= 0 H1: selain H0 Dengan menggunakan alfa 10% (0,1) Hasil estimasi probabilitas F statistik adalah 0,0000 kurang dari 0,1 maka H0 ditolak. Berarti seluruh variabel independen (X2,X3,X4, dan X5) secara serempak berpengaruh signifikan terhadap variabel dependen (Y). R-squared Nilai R-squared 0,8837 berarti 88,37 persen penyimpangan dijelaskan oleh model sisanya 11,63 dijelaskan oleh error term. 83   

PENUTUP Tugas a. Interpretasikan hasil olah data berikut: Dimana savings (tabungan) dipengaruhi oleh pendapatan seseorang. Dengan model: S = α + βY + e Dependent Variable: SAVINGS Method: Least Squares Date: 12/19/12 Time: 16:22 Sample: 1970 1995 Included observations: 26 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C INCOME

62.42267 0.037679

12.76075 0.004237

4.891772 8.893776

0.0001 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.767215 0.757515 31.12361 23248.30 -125.2390 79.09925 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

162.0885 63.20446 9.787614 9.884391 9.815482 0.859717

b. Serahkan pekerjaan Saudara kepada Instruktur!

DAFTAR PUSTAKA Douglas, AL, et.al. 2005. Statistical Technique in Business and Economics. Mc.Graw-Hill Companies, Gujarati, Damodar N. 2003.Basic Econometrics 4th edition.Singapore: Mc Graw Hill, Maddala, G.S. 2001. Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd, Priyatno, Dwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu.Yogyakarta: Penerbit Andi, Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta.UPP STIM YKPN

84   

BAB XIII PEMBUATAN KESIMPULAN HASIL OLAH DATA

PENDAHULUAN Pembuatan kesimpulan dari hasil adalah tahap terakhir dari proses olah data. Setelah hasil diinterpretasikan maka materi ini menyimpulkan kesimpulan hasil olah data secara utuh dan menyeluruh. Manfaat Manfaat yang didapat dari materi ini adalah memuahkan membaca asil olah data dengan berupa rangkuman dari interpretasi hasil. Relevansi Materi ini penting di bagian akhir olah data statistic untuk menyimpulkan interpretasi hasil olah data yang sudah dibuat agar memudahkan orang lain untuk membaca. Learning Outcome Mampu membuat kesimpulan dari data yang diolah.yang sesuai dengan hipotesisnya.

PENYAJIAN A. Telaah Hasil Interpretasi data Dependent Variable: C Method: Least Squares Date: 12/19/12 Time: 15:56 Sample: 1 40 Included observations: 40 Variable

Coefficient

C Y

-734.0347 0.183379

R-squared 0.638726 Adjusted R-squared 0.629219 S.E. of regression 505.5060 Sum squared resid 9710380. Log likelihood -304.7541 F-statistic 67.18325

Std. Error

t-Statistic

534.8733 -1.372352 0.022373 8.196539 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Prob. 0.1780 0.0000 3600.850 830.1705 15.33770 15.42215 15.36824 1.100857 85 

 

Prob(F-statistic)

0.000000

Dengan hasil interpretasi sebagai berikut: 1. Uji signifikansi (uji –t) Ho : Pendapatan tidak berpengaruh terhadap konsumsi H1 : Pendapatan berpengaruh terhadap konsumsi Dengan alfa (5%) maka dengan memakai cara cepat melihat nilai probabilitas variabel pendapatan sebesar 0,0000 adalah lebih kecil dari 0,05 maka Ho ditolak. Ho ditoak berarti pendapatan berpengaruh signifikan terhadap konsumsi. Maka C = −734,0347 + 0,183379Y + e Dimana: C : konsumsi Y : pendapatan e

: error term (kesalahan yang ditangkap oleh model)

Berarti setiap pendapatan naik 100 akan mempengaruhi kenaikan konsumsi sebesar 18,3379. 2. R-squared Dengan nilai R-squared sebesar 0,6387 berarti 63,87 persen penyimpangan dijelaskan oleh model sedangkan sisanya 36,13 persen dipengaruhi oleh error term. B. Pembuatan kesimpulan dari telaah interpretasi hasil Pertama tentukan poin-poin penting dari hasil olah data, kemudian jabarkan/deskripsikan dalam kalimat kesimpulan. Bila dilhat dari hasil olah data di atas, poin kesimpulan olah data adalah apakah pendapatan mempengaruhi pengeluaran konsumsi maka kesimpulan yang dibuat harus mengacu pada poin tersebut. Contoh : 1. Pendapatan berpengaruh signifikan (dengan alfa 5%) terhadap pengeluaran konsumsi. 2. Setiap pendapatan naik 100 akan mempengaruhi kenaikan konsumsi sebesar 18,3379.

PENUTUP Tugas 86   

a. Buatlah kesimpulan dari hasil olah data di bawah ini, kesimpulan harus mengacu pada interpretasi hasil yang sudah dilakukan pada Bab XII. Dimana savings (tabungan) dipengaruhi oleh pendapatan seseorang. Dengan model: S = α + βY + e Dependent Variable: SAVINGS Method: Least Squares Date: 12/19/12 Time: 16:22 Sample: 1970 1995 Included observations: 26 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C INCOME

62.42267 0.037679

12.76075 0.004237

4.891772 8.893776

0.0001 0.0000

R-squared 0.767215 Adjusted R-squared 0.757515 S.E. of regression 31.12361 Sum squared resid 23248.30 Log likelihood -125.2390 F-statistic 79.09925 Prob(F-statistic) 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

162.0885 63.20446 9.787614 9.884391 9.815482 0.859717

b. Serahkan pekerjaan Saudara kepada instruktur!

DAFTAR PUSTAKA Douglas, AL, et.al. 2005. Statistical Technique in Business and Economics. Mc.Graw-Hill Companies, Gujarati, Damodar N. 2003.Basic Econometrics 4th edition.Singapore: Mc Graw Hill, Maddala, G.S. 2001. Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd, Priyatno, Dwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu.Yogyakarta: Penerbit Andi, Wahyu, Winarno Wing.2007. Analisis Ekonometrika dan Statistika dengan Eviews, Yogyakarta.UPP STIM YKPN

87