Uji Asumsi Klasik Dengan SPSS

Uji Asumsi Klasik Dengan SPSS (Panduan Lengkap dan Cara Bacanya)

Tidak sedikit para mahasiswa khususnya yang sedang mengerjakan skripsi atau TA kebingungan dengan program spss yaitu pada uji asumsi klasiknya. Dan ada banyak cara juga termasuk browsing sama mbah google dengan kata kunci cara menghitung uji asumsi klasik dengan spss. Tapi hasilnya malah membingungkan (saya sangat mengerti karena saya juga pernah mengalaminya.. hehe..)

Disini saya akan membantu dengan tulisan saya ini dan semoga bermanfaat bagi sekalian.. Amin...

Oke langsung saja klik selengkapnya ya..

Sebelumnya saya mau curhat dulu nih, gara-gara ada hacker sirik yang “meng-obrak-abrik artikel ini jadinya tulisannya pada hilang. Padahal artikel ini menduduki peringkat terpopuler di blog saya. Mungkin karena masih jarang ada yang membahas ini di blog lain. Karena di hack alamat ni artikel langsung kayak tulisannya orang “bego”. Cuma pengantar doank, gak ada bahasannya. Alamaaakk, saya langsung nangis darah kehilangan ni bagian penting artikelnya. Saya yakin banyak yang kecewa setelah membuka isi artikel saya yang sudah di rusak ini.. Padahal saya sudah tidak punya copy nya. Alhasil saya terpaksa mengetik ulang selama 2 jam, mengedit foto sebagai pelengkap tutorialnya dan meng-upload semua yang diperlukan.. Akhirnya berhasil..!! Saya merasa hidup kembali..!! Hehe.(Buat yang sudah meng-hack artikel saya terimakaaasiiiih banyak yah,,,!! Grr!!!)Oke deh demikian curhatan dari saya, sekarang tanpa basa basi lagi langsung saja cek tulisan saya ini yang sudah saya revisi ya… Hehehe

-o0o-

Persyaratan untuk bisa menggunakan persamaan regresi berganda adalah terpenuhinya asumsi klasik. Untuk mendapatkan nilai pemeriksa yang efisien dan tidak bias atau BLUE (Best Linear Unbias Estimator) dari satu persamaan regresi berganda dengan metode kuadrat terkecil (least square), maka perlu dilakukan pengujian untuk  mengetahui model regresi yang dihasilkan memenuhi persyaratan  asumsi klasik.Disini uji yang akan saya kemukakan adalah uji yang umum, yaitu Uji Normalitas, Uji Multikolinieritas, Uji Heteroskedastisitas serta Uji Autokorelasi.

Disini saya pakai SPSS 13, kalo ada yang beda silakan menyesuaikan aja ya…

Supaya mempermudah saya berikan sebuah contoh:Saya akan menghitung pengaruh Leverage, Current ratio (CR), ROA dan ROE terhadap Risiko Sistematis (beta) yang sudah saya rekap sebagai berikut:

(kalo kurang jelas bisa di download dulu gambar di atas ini)

Pertama-tama yang harus dilakukan adalah masuk ke program SPSS. Kemudian masukkan semua angkanya pada "data view". Sebagai contoh saya yang tadi saya memasukkannya seperti pada gambar berikut:

Kemudian klik pada "variable view". Pada "Name" masukkan nama variable, pada "Decimals" bisa di ubah sesuai dengan keinginan. disini saya memakai 3 desimal maka semua saya ubah menjadi 3. Sedangkan kolom yang lain abaikan saja. Untuk lebih jelasnya bisa dilihat pada gambar berikut sesuai dengan contoh saya tadi: 

  Setelah semua sudah diisi, dan datanya pastikan sudah benar (untuk mencek kebenarannya klik lagi pada Data View maka pada var akan berubah namanya sesuai dengan data variabel kita). hati-hati jangan sampai terbalik memasukkan angka.

Analisis dimulai.

Klik analize>regression>linear

  Akan muncul jendela "Linear Regression". Masukkan variabel sesuai dengan data anda. Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap (dependent), sedangkan leverage, current ratio, ROA dan ROE variabel bebas (independen). Klik tanda berbentuk seperti "panah" untuk memasukkannya ke dalam kolom data. Contohnya sebagai berikut:

  Kemudian klik pada statistics (masih dalam jendela Linear Reggresion). Sehingga akan muncul jendela "Linear Regressions: Statistics". Pada Regression Coefficients centang pada "Estimates", Covariance matrik", "Model Fit", "R squared change", "Collinearity diagnostics". Dan pada residuals klik "Durbin-Watson". Setelah semua dicentang klik "Continue". Supaya jelas lihat contoh saya sebagai berikut:

Akan muncul lagi jedela "Linear Regression" yang awal. Klik pada "Plots" sehingga muncul jendela "Linnear Regression:Plots". Masukkan *ZPRED pada Y, dan *SRESID pada X. Caranya dengan mengklik *zpred atau *sresid kemudian klik tanda yang mirip bentuk panah pada tempatnya masing-masing. Kemudian pada Standardized Residual Plots centang pada "Histogram" dan "Normal Probability Plot". Setelah selesai klik “Continue”. Seperti contoh saya berikut ini:

  Kembali ke jendela "Linear regression". Klik "OK" untuk segera memproses data.Dan akan muncul jendela baru. Data yang tertera disitulah yang akan menjadi dasar analisis kita.

1. Uji Normalitas

Uji normalitas adalah pengujian tentang kenormalan distribusi data. Penggunaan uji normalitas karena pada analisis statistik parametik, asumsi yang harus dimiliki oleh data adalah bahwa data

tersebut harus terdistribusi secara normal. Maksud data terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal (Santosa&Ashari, 2005:231).

Uji normalitas bisa dilakukan dengan dua cara. Yaitu dengan "Normal P-P Plot" dan "Tabel Kolmogorov Smirnov". Yang paling umum digunakan adalah Normal P-P Plot.

Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan:a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.b. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas (Ghozali 2007:110-112).

Untuk menganalisis dengan SPSS kita lihat hasil output kita tadi pada gambar "Normal P-P Plot of Regression Standardized Residual". seperti contoh saya yang sebagai berikut:

  Dari analisis kurva dapat dilihat bahwa data menyebar di sekitar diagram dan mengikuti model regresi sehingga dapat disimpulkan bahwa data yang diolah merupakan data yang berdistribusi normal sehingga uji normalitas terpenuhi.

Namun bila para pembaca kepingin cara Kolmogorov-Smirnov juga bisa. data dianalisis tidak menggunakan gambar namun dengan angka. Kelebihannya hasilnya memang lebih akurat.Caranya yaitu untuk memasukkan data sama saja. namun tidak menggunakan jendela "Linear Regression". Caranya masuk ke menu awal. klik pada Analize>Nonparametic test>1-Sample K-S.

Akan muncul jendela "One-Sample Kolmogorov-Smirnov Test". Masukka semua variabel dengan menklik variabel kemudian klik tanda panah untuk memasukkannya pada kolom yang di sebelah.

  Setelah selesai dimasukkan semua, klik OK. Dan akan muncul jendela One-Sample Kolmogorov-Smirnov Test seperti pada gambar contoh saya ini:

untuk menganalisisnya, kita lihat pada baris "Asymp. Sig. (2-tailed)" baris paling bawah. bila nilai tiap variabel lebih dari (>0,05) maka uji normalitas bisa terpenuhi.

Pada contoh saya yang ini nilainya ada yang kurang dari 0,05 sehingga agar terlihat terpenuhi saya lebih baik menggunakan metode P-P Plot yang berupa gambar. hehehee...

2. Uji Multikolinieritas

Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal (Ghozali 2007:91). Untuk mendeteksi adanya multikolinearitas, dapat dilihat dari Value Inflation Factor (VIF). Apabila nilai VIF > 10, terjadi multikolinieritas. Sebaliknya, jika VIF < 10, tidak terjadi multikolinearitas (Wijaya, 2009:119).

Untuk analisisnya dengan SPSS kita lihat hasil output pada tabel "Coefficients". seperti pada contoh saya berikut: 

  Dari hasil output data didapatkan bahwa nilai semua nilai VIF<10 ini berarti tidak terjadi multikolonieritas. Dan menyimpulkan bahwa uji multikolonieritas terpenuhi.

3. Uji Heteroskedastisitas

Pengujian ini digunakan untuk melihat apakah variabel pengganggu mempunyai varian yang sama atau tidak. Heteroskedastisitas mempunyai suatu keadaan bahwa varian dari residual suatu pengamatan ke pengamatan yang lain berbeda. Salah satu metode yang digunakan untuk menguji ada tidaknya Heterokedastisitas akan mengakibatkan penaksiran koefisien-koefisien regresi menjadi tidak efisien. Hasil penaksiran akan menjadi kurang dari semestinya. Heterokedastisitas bertentangan dengan salah satu asumsi dasar regresi linear, yaitu bahwa variasi residual sama untuk semua  pengamatan atau disebut  homokedastisitas (Gujarati dalam Elmasari, 2010:53)Untuk mendeteksi ada atau tidaknya heteroskedastisitas yaitu dengan melihat grafik Plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesuungguhnya) yang telah di-studentized.Dasar analisisnya adalah sebagai berikut:a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.b. Jika ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

untuk menganalisis datanya kita lihat pada gambar "Scatterplot" pada output data. Seperti contoh saya di bawah ini:

  Dari gambar diatas dapat diketahui bahwa tidak terjadi heteroskedastisitas sebab tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. sehingga dapat dikatakan uji heteroskedastisitas terpenuhi.

4. Uji Autokorelasi

Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri. Maksud korelasi dengan diri sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu sendiri, baik nilai variabel sebelumnya atau nilai periode sesudahnya (Santosa&Ashari, 2005:240).Dasar pengambilan keputusannya adalah sebagai berikut:- Angka D-W di bawah -2 berarti ada autokorelasi positif- Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi- Angka D-W di atas +2 berarti ada autokorelasi negatif  untuk menganalisisnya menggunakan output SPSS tadi kita lihat pada tabel "Model Summary". seperti contoh saya berikut ini:

  Dari tabel diatas didapatkan nilai Durbin-Watson (DW hitung) sebesar 2,038 atau 2. Berdasarkan kriteria yang telah ditentukan DW hitung berada diantara -2 dan 2, yakni -2 ≤ 2 ≤ 2 maka ini berarti tidak terjadi autokorelasi. Sehingga kesimpulannya adalah Uji Autokorelasi terpenuhi.

Nah.. Berdasarkan berbagai macam pengujian di atas atas contoh saya dapat disimpulkan bahwa syarat asumsi klasik telah terpenuhi semua sehingga analisis data dengan menggunakan persamaan regresi berganda dapat dilakukan.. Siap maju ke dosen dhe.. Prikitiew! Hehehe..

Demikianlah para pembaca tentang artikel dari saya. Buset dah saya harus ngetik dua kali dan upload foto2, edit foto2nya dua kali.. trimakasih banget buat oknum (hacker sirik) yang udah merusak artikel saya. Tapi gakpapa. maju terus pantang mundur.. Saya akan terus menabur kebaikan bagi semua orang... Amin.. hehee..

Dan saya yakin artikel ini sangat bermanfaat bagi kita semua karena dari semua artikel saya artikel ini selalu menduduki peringkat pertama dalam blog saya ini. Dan apabila ada pertanyaan atau saran atau ada artikel hilang dan tidak lengkap atau apapun itu jangan sungkan-sungkan segera kemukakan lewat email saya ([email protected]) atau komentar di bawah ini. saya sangat berharap kerjasamanya dari teman-teman semua.

Dan jangan lupa juga sebagai pelengkap cek juga mengenai Analisis Regresi Linear Berganda, Uji T, Uji F dan Uji R Square (R²) di artikel selanjutnya yaa...

Salam,Siscahttp://carapandangku.blogspot.com/2011/07/uji-asumsi-klasik-dengan-spss-panduan_04.html

Posted by hendry

A. VALIDITAS DAN RELIABILITAS

Reliabilitas adalah ukuran yang menujukkan bahwa alat ukur yang digunakan dalam penelitian keperilakukan mempunyai keandalan sebagai alat ukur, diantaranya di ukur melalui konsistensi hasil pengukuran dari waktu ke waktu jika fenomena yang diukur tidak berubah (Harrison, dalam Zulganef, 2006). Sementara validitas adalah suatu ukuran yang menunjukkan bahwa variabel yang diukur memang benar-benar variabel yang hendak diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef, 2006)

Penelitian memerlukan data yang betul valid dan reliabel. Dalam rangka urgensi ini, maka kuesioner sebelum digunakan sebagai data penelitian primer, terlebih dahulu diujicobakan ke sampel uji coba penelitian. Uji coba ini dilakukan untuk memperoleh bukti sejauh mana ketepatan dan kecermatan alat ukur dalam melakukan fungsi ukurnya

Definisi validitas dan reliabilitas dapat dilihat di sini

B. CONTOH KASUS

Akan di uji validitas dan reliabilitas variabel kepuasan kerja. Variabel ini berjumlah 5 indikator yang diadaptasi dari Intrinsic factor dari teori dua factor Herzberg meliputi pekerjaan itu sendiri, keberhasilan yang diraih, kesempatan bertumbuh, kemajuan dalam karier dan pengakuan orang lain.

Skala yang digunakan adalah skala Likert 1 – 5 dengan jumlah sampel sebanyak 30. Setelah angket ditabulasi maka diperoleh data sbb (Data Reliabilitas)

C. PENYELESAIAN

Tahap 1. Analisis Faktor

Klik Analyze – Data Reduction – Factor

Masukkan seluruh pertanyaan ke box “Variables”

Klik Desctiptive – Aktifkan KMO and Bartlett’s Test of Specirity dan Anti-Image

Klik Rotation : Aktifkan Varimax

Hasil Analisis Faktor

Nilai KMO sebesar 0.840 menandakan bahwa instumen valid karena sudah memenuhi batas 0.50 (0.840 > 0.50)

Korelasi anti image menghasilkan korelasi yang cukup tinggi untuk masing-masing item, yaitu 0.850 (X1), 0.791 (X2), 0.856 (X3), 0.956 (X4) dan 0.804 (X5). Dapat dinyatakan bahwa 5 item yang digunakan untuk mengukur konstruk kepuasan instrinsik memenuhi kriteria sebagai pembentuk konstak.

Output ketiga adalah Total variance Explained menunjukkan bahwa dari 5 item yang digunakan, hasil ekstraksi SPSS menjadi 1 faktor dengan kemampuan menjelaskan konstak sebesar 72.132% .

Dengan melihat component matrix terlihat bahwa seluruh item meliputi pekerjaan itu sendiri (x1), keberhasilan yang diraih (x2), kesempatan bertumbuh (x3), kemajuan dalam karier (x4) dan pengakuan orang lain (x5) memiliki loading faktor yang besar yaitu di atas 0.50. Dengan demikian dapat dibuktikan bahwa 5 item valid.

Tahap 2

Pilih Analyze > Scale > Reliability Analysis

Masukkan semua variabel (item 1 s/d 5) ke kotak items

Klik Kotak Statistics, lalu tandai ITEM, SCALE, dan SCALE IF ITEM DELETED pada kotak DESCRIPTIVES FOR > Continue

Klik OK

Maka akan tampil output sebagai berikut :

D. INTERPRETASI

Reliabilitas

Sekaran (dalam Zulganef, 2006) yang menyatakan bahwa suatu instrumen penelitian mengindikasikan memiliki reliabilitas yang memadai jika koefisien alpha Cronbach lebih besar atau sama dengan 0,70. Sementara hasil uji menunjukkan koef cronbach alpha sebesar 0.900, dengan demikian dapat disimpulkan bahwa variabel ini adalah reliabel.

Analisis Item

Dalam prosedur kontruksi atau penyusunan test, sebelum melakukan estimasi terhadap reliabilitas dan validitas, dilakukan terlebih dahulu prosedur aitem yaitu dengan menguji karakteristik masing-masing item yang akan menjadi bagian test yang bersangkutan. Aitem-aitem yang tidak memenuhi persyaratan tidak boleh diikutkan sebagai bagian dari test. Pengujian reliabilitas dan validitas hanya layak dilakukan terhadap kumpulan aitem-aitem yang telah dianalisis dan diuji.

Beberapa teknik seleksi yang biasanya dipertimbangkan dalam prosedur seleksi adalah koefisien korelasi item-total, indeks reliabilitas item, dan indeks validitas item. Pada tes yang dirancang untuk mengungkap abilitas kognitif dengan format item pilihan ganda, masih ada karakteristik item yang seharusnya juga dianalisis seperti tingkat kesukaran item dan efektivitas distraktor.

Salah satu parameter fungsi pengukuran item yang sangat penting adalah statistic yang memperlihatkan kesesuaian antara fungsi item dengan fungsi tes secara keseluruhan yang dikenal dengan istilah konsistensi item-total. Dasar kerja yang digunakan dalam analisis item dalam hal ini adalah memilih item-item yang fungsi ukurnya sesuai dengan fungsi ukur test seperti dikehendaki penyusunnya. Dengan kata lain adalah memilih item yang mengukur hal yang sama dengan apa yang diukur oleh tes secara keseluruhan.

Pengujian keselarasan fungsi item dengan fungsi ukur tes dilakukan dengan menghitung koefisien korelasi antara distribusi skor pada setiap item dengan distribusi skor toral tes itu sendiri. Prosedur ini akan menghasilkan koefisien korelasi item total (r it) yang juga dikenal dengan sebutan parameter daya beda item.

Read more http://teorionline.net/analisis-item-korelasi-item-total/

Penjelasan Corrected item-total correlation dapat anda baca lebih dalam di Paper :

George W. Bohrnstedt . A Quick Method for Determining the Reliability and Validity of Multiple-Item Scale. American Sociological Review, Vol. 34, No. 4 (Aug., 1969), pp. 542-548

atau dibuku Robert B. Burns, Richard Burns, Robert P Burns. “Business Research Methods and Statistics Using SPSS”,  p. 430

Tentang Cronbach Alpha

Cronbach’s alpha is a measure of internal consistency, that is, how closely related a set of items are as a group.  A “high” value of alpha is often used (along with substantive arguments and possibly other statistical measures) as evidence that the items measure an underlying (or latent)

construct. However, a high alpha does not imply that the measure is unidimensional. If, in addition to measuring internal consistency, you wish to provide evidence that the scale in question is unidimensional, additional analyses can be performed. Exploratory factor analysis is one method of checking dimensionality. Technically speaking, Cronbach’s alpha is not a statistical test – it is a coefficient of reliability (or consistency).

Source : http://www.ats.ucla.edu/stat/spss/faq/alpha.html

Didasarkan pada penjelasan di atas, maka penggunaan cronbach alpha bukanlah satu-satunya pedoman untuk menyatakan instrumen yang digunakan sudah reliabel. Untuk mengecek unidimensional pertanyaan diperlukan analisis tambahan yaitu ekplanatory factor analysis.

Teknik Yang Lebih Akurat Untuk Mengukur Validitas dan Reliabilitas

Untuk teknik yang lebih akurat untuk menguji validitas dan reliabilitas adalah analisis faktor konfirmatory. Menurut Joreskog dan Sorbom (1993), CFA digunakan untuk menguji “theoritical or hypotesical concepts, or contruct, or variables, which are not directly measurable or observable”.

Penjelasan Hair, dkk (2006) mengenai CFA adalah :

“CFA is way of testing how well measured variables represent a smaller number of contruct…CFA is used to provide a confirmatory test of our measurement theory. A Measurement theory specifies how measured variables logically and systematically represent contruct involved in a theoretical model. In Order words, measurement theory specifies a series relationships that suggest how variables represent a latent contruct that is non measured directly” (dalam Kusnendi, 2008:97).

Penjelasan CFA lihat di sini

Referensi :

Kusnendi. 2008. Model_Model Persamaan Struktural. Bandung : Alfabeta, p.94

Zulganef. 2006. Pemodelan Persamaan Struktur dan Aplikasinya menggunakan AMOS 5. Bandung : Pustaka

https://teorionline.wordpress.com/category/tutorial-statistik/reliabilitas-dan-validitas/

Pengujian Hipotesis: Regresi Linier Berganda, Uji T, Uji F dan Uji R Square (Penjelasan Lengkap)

Regresi linier berganda merupakan salah satu pengujian hipotesis untuk mengetahui pengaruh antara variabel bebas (independen) terhadap variabel tetapnya (dependen).  Selain itu uji hipotesis yang lainnya adalah Uji T, Uji F dan Uji R² yang akan di bahas dalam artikel ini… Secara tajam, setajam…….. Pisau dapur..!! Hehehe..

Okedeh, tanpa basa basi saya antar anda kepada pembahasannya. Dijamin akan sangat bermanfaat..

1. Analisis Regresi Linier Berganda

Analisis regresi linier berganda ini digunakan untuk mengetahui ada tidaknya pengaruh dari variabel bebas terhadap variabel terikat. Disini saya akan memberikan contoh seperti artikel saya sebelumnya, lihat artikelnya disini.Sehingga yang saya cari adalah pengaruh variabel bebas (independen variable) yaitu Leverage (X1), CR (X2), Return On Asset (X3) dan Return On Equity (X4) terhadap variabel terikat (dependen variable) yaitu Beta (Y).

Dan persamaan regresinya dapat dirumuskan sebagai berikut (Suharyadi dan Purwanto, 2004:509):

Dimana:Y                = Beta (β)a                = Konstantab1,b2,b3,b4        = Koefisien determinasi

X1              = LeverageX2             = CRX3             = Return On Asset (ROA)X4             = Return On Equity (ROE)e                = Error

Untuk membaca dari hasil SPSS terhadap persamaan regresinya adalah dengan melihat output spss pada tabel “Coefficients” (yang belum tau caranya bisa dilihat langkahnya dengan klik disini).Untuk lebih jelasnya bisa lihat pada contoh saya yang sebelumnya dan gambar di bawah ini:

Berdasarkan tabel diatas dapat diperoleh rumus regresi sebagai berikut:

Y = (-0,094) + 2,934 X1 - 0,071 X2 - 0,043 X3 – 0,003 X4  + e

Interpretasi dari regresi diatas adalah sebagai berikut:

1. Konstanta (a)Ini berarti jika semua variabel bebas memiliki nilai nol (0) maka nilai variabel terikat (Beta) sebesar -0,094.

2. Leverage (X1) terhadap beta (Y)Nilai koefisien Leverage untuk variabel X1 sebesar 2,839. Hal ini mengandung arti bahwa setiap kenaikan Leverage satu satuan maka variabel Beta (Y) akan naik sebesar 2,839 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

3. CR (X2) terhadap beta (Y)Nilai koefisien Current Ratio untuk variabel X2 sebesar 0,071 dan bertanda negatif, ini menunjukkan bahwa Current Ratio mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan Current Ratio satu satuan maka variabel Beta (Y) akan turun sebesar 0,071 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

4. ROA (X3) terhadap Beta (Y)Nilai koefisien ROA terstandarisasi untuk variabel X3 sebesar 0,043 dan bertanda negatif, ini menunjukkan bahwa ROA mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan ROA satu satuan maka variabel Beta (Y) akan turun sebesar 0,043 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

5. ROE (X4) terhadap Beta (Y)Nilai koefisien ROE  untuk variabel X4 sebesar 0,003 dan bertanda negatif, ini menunjukkan bahwa ROE mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan ROE satu satuan maka variabel Beta (Y) akan turun sebesar 0,003 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

2. Uji t

Uji t digunakan untuk mengetahui apakah variabel-variabel independen secara parsial berpengaruh nyata atau tidak terhadap variabel dependen. Derajat signifikansi yang digunakan adalah 0,05. Apabila nilai signifikan lebih kecil dari derajat kepercayaan maka kita menerima hipotesis alternatif, yang menyatakan bahwa suatu variabel independen secara parsial mempengaruhi variabel dependen.

Analisis uji t juga dilihat dari tabel ”Coefficient”. Contoh dari artikel saya sebelumnya:

Cara bacanya:

1. Leverage (X1) terhadap Beta (Y)Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,002. Nilai sig lebih kecil dari nilai probabilitas 0,05, atau nilai 0,002<0,05, maka H1 diterima dan Ho ditolak. Variabel X1

mempunyai thitung  yakni 3,317 dengan ttabel=2,021. Jadi thitung>ttabel dapat disimpulkan bahwa variabel X1 memiliki kontribusi terhadap Y. Nilai t positif menunjukkan bahwa variabel X1

mempunyai hubungan yang searah dengan Y. Jadi dapat disimpulkan leverage memiliki pengaruh signifikan terhadap Beta.

2. Current Ratio (X2) terhadap beta (Y)Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,039. Nilai sig lebih kecil dari nilai probabilitas 0,05, atau nilai 0,039<0,05, maka H1 diterima dan Ho ditolak. Variabel X2

mempunyai thitung  yakni 2,134 dengan ttabel=2,021. Jadi thitung>ttabel dapat disimpulkan bahwa variabel X2 memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa X2 mempunyai hubungan yang  berlawanan arah dengan Y. Jadi dapat disimpulkan CR memiliki pengaruh signifikan terhadap beta.

3. ROA (X3) terhadap Beta (Y)Terlihat nilai sig untuk ROA adalah 0,100. Nilai sig lebih besar dari nilai probabilitas 0,05, atau nilai 0,100>0,05, maka H1 ditolak dan Ho diterima. Variabel X3 mempunyai thitung  yakni 1,683 dengan ttabel=2,021. Jadi thitung<ttabel dapat disimpulkan bahwa variabel X3 tidak memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa X3 mempunyai hubungan yang berlawanan arah dengan Y. Jadi dapat disimpulkan ROA tidak berpengaruh signifikan terhadap risiko Beta.4. ROE (X4) terhadap Terlihat nilai sig pada ROE adalah 0,726. Nilai sig lebih besar dari nilai probabilitas 0,05, atau nilai 0,726>0,05, maka H1 ditolak dan Ho diterima. Variabel X4 mempunyai thitung  yakni 0,353 dengan ttabel=2,021. Jadi thitung<ttabel dapat disimpulkan bahwa variabel X4 tidak memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa ROE mempunyai hubungan yang berlawanan arah dengan Beta. Jadi dapat disimpulkan ROE tidak berpengaruh signifikan terhadap risiko Beta.

Sehingga ringkasan hasil pengujian hipotesis adalah sbb:

3. Uji F

Uji F digunakan untuk mengetahui apakah variabel-variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen. Derajat kepercayaan yang digunakan adalah 0,05. Apabila nilai F hasil perhitungan lebih besar daripada nilai F menurut tabel maka hipotesis

alternatif, yang menyatakan bahwa semua variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen.

Untuk analisisnya dari output SPSS dapat dilihat dari tabel ”Anova”, seperti contoh saya:

Cara bacanya:

Pengujian secar simultan X1, X2, X3 dan X4 terhadap Y:Dari tabel diperoleh nilai Fhitung sebesar 5,889 dengan nilai probabilitas (sig)=0,001. Nilai Fhitung

(5,889)>Ftabel (2,61), dan nilai sig. lebih kecil dari nilai probabilitas 0,05 atau nilai 0,001<0,05; maka H01 diterima, berarti secara bersama-sama (simultan) Leverage, CR, ROA dan ROE berpengaruh signifikan terhadap Beta. ditolak dan H

4. Koefisien determinasi (R²)

Koefisien determinasi digunakan untuk mengetahui seberapa besar hubungan dari beberapa variabel dalam pengertian yang lebih jelas. Koefisien determinasi akan menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan oleh perubahan atau variasi pada variabel yang lain (Santosa&Ashari, 2005:125).

Dalam bahasa sehari-hari adalah kemampuan variabel bebas untuk berkontribusi terhadap variabel tetapnya dalam satuan persentase.

Nilai koefisien ini antara 0 dan 1, jika hasil lebih mendekati angka 0 berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel amat terbatas. Tapi jika hasil mendekati angka 1 berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.

Untuk analisisnya dengan menggunakan output SPSS dapat dilihat pada tabel ”Model Summary”.Supaya lebih sederhana lihat contoh saya berikut ini:

Cara bacanya (berdasarkan contoh saya sebelumnya):

Berdasarkan Tabel ”Model Summary” dapat disimpulkan bahwa Leverage, CR, ROA dan ROE berpengaruh sebesar 35,4% terhadap Risiko Sistematis, sedangkan 64,6% dipengaruhi variabel lain yang tidak diteliti. Karena nilai R Square dibawah 5% atau cenderung mendekati nilai 0 maka dapat disimpulkan kemampuan variabel-variabel independen  dalam menjelaskan variasi variabel amat terbatas.

Demikian penjelasan dari saya. Semoga bermanfaat bagi kita semua. Jangan lupa lihat link Contoh Cara Analisis Data Dengan SPSS yang bisa di lihat dengan klik disini. Atau jika tidak bisa bisa copy paste link ini di jendela baru:(http://carapandangku.blogspot.com/2011/07/uji-asumsi-klasik-dengan-spss-panduan_04.html#more)

Salam,Sisca