Cara Regresi Linear Berganda dan Uji Asumsi Klasik Data Time Series di SPSS IBM 23

Gambar : Cover Artikel

REGRESI LINER BERGANDA

Ditulis oleh : Dimas Purbo Wicaksono Fenda Putra, S.E.

A.Penjelasan Regresi Linear Berganda

Regresi linear berganda adalah pengujian regresi linear yang menggunakan variabel bebas dan predictor lebih dari satu. Model regresi linear berganda (multiple regression) harus memenuhi kriteria BLUE (Best Linear Unbaised Estimator). Kriteria BLUE dapat dicapai jika data memunuhi persyaratan pada uji asumsi klasik.

Persyaratan untuk analisis regresi berganda atau regresi multiples adalah harus lolos dalam serangkaian pengujian asumsi klasik. Adapun pengujiannya antara lain :

• Uji normalitas => data harus berdistribusi normal
• Uji linearitas => hubungan antara kedua variabel (independen dan dependen) harus linear (sesui/berhubungan).
• Uji multikolinearitas => data harus terhindar dari masalah multikolinearitas.
• Uji heteroskedastisitas => data harus terhindar dari masalah heteroskedastisitas.
• Uji autokorelasi => data harus terhindar dari masalah autokorelasi.

Rumus persamaan regresi : Y=a+b1x1+b2x2+b3x3+e

Sebagai contoh, peneliti ingin mengetahui apakah terdapat pengaruh antara variabel inflasi (X1), upah minimum (X2), dan pengangguran (X3) terhadap PDRB atas dasar harga konstan (Y). Data penelitian ini merupakan data time series dengan tipe sekunder dan satuannya sudah disamakan menjadi bentuk persentase. Sampel pada data ini sebanyak 7 tahun. Berikut adalah datanya :

Gambar : Data Latihan

B.Tahapan Pengolahan Data

Berikut adalah tahapannya :

Langkah 1 : Buka program SPSS, klik variabel View. Pada bagian Name tuliskan dengan inflasi_X1, upah_minimum, pengangguran, dan PDRB_konstan. Pada bagian type pilih numeric (karena data berbentuk angka). Widht isikan dengan 8 (disesuaikan dengan type data - secara default banyak digit angka adalah 8). Decimal isikan dengan 2 (disesuaikan dengan jumlah angka setelah koma). Label isikan dengan inflasi (X1), upah minimum (X2), pengangguran (X3), dan PDRB konstan (Y) (karena pada kolom label ini merupakan penjelasan secara detail dari kolom label). Values pilih none (kode ini hanya diisikan jika variabel yang digunakan adalah kategorik). Missing pilih none (karena missing merupakan data yang tidak diikut sertakan dalam analisis). Columns isikan dengan 8 (samakan dengan isian widht) (columns merupakan lebar kolom). Align pilih right (fungsinya menentukan teks kiri, tengah, atau kanan data yang kita masukkan). Measure pilih scale (disesuaikan dengan jenis-jenis data kuantitatif apakah berbentuk scale, ordinal, atau nominal). Role pilih input (diseaikan dengan peran variabel input, target, keduanya, none, partisi atau split).

Gambar : Pengolah SPSS Statistics 23

Langkah 2 : Selanjutnya klik Data View, kemudian masukkan data yang sudah tersusun (inflasi, upah minimum, pengangguran terbuka, dan PDRB konstan).

Gambar : Pengolah SPSS Statistics 23

Langkah 3 : Pilih Analyze – Regression –Linear.

Gambar : Pengolah SPSS Statistics 23

Langkah 4 : Pada tampilan kotak dialog “Linear Regression”, masukkan variabel inflasi (X1), upah minimum (X2), pengangguran terbuka (X3), dan PDRB konstan (Y). Untuk variabel X (independen) masukan pada kotak independent(s) dan variabel Y (dependen) masukkan pada kotak dependent. Bagian method pilih enter. Setelah itu klik Statistics.

Gambar : Pengolah SPSS Statistics 23

Langkah 5 : Bagian “Linear Regression : Statistics”, beri tanda pada Estimates dan Model fit kemudian klik Continue.

Gambar : Pengolah SPSS Statistics 23

Langkah 6 : Kembali ke “Linear Regression”. Klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 7 : Hasilnya sebagai berikut :

Tabel Variables Entered/Removed

Gambar : Hasil Output SPSS Statistics IBM 23

Interpretasi Output :

Hasil output di atas menginformasikan tentang varabel dan metode yang digunakan dalam penelitian analisis regresi. Variabel independen yang digunakan dalam penelitian ini adalah inflasi, upah minimum, dan pengangguran terbuka. Sementara untuk variabel dependen adalah PDRB Konstan. Metode yang digunakan dalam analisis regresi ini adalah Enter. Pada kolom variables Removed tidak muncul angka artinya tidak ada variabel yang dibuang.

Tabel Model Summary

Gambar : Hasil Output SPSS Statistics IBM 23

Interpretasi Output :

Hasil output di atas menginformasikan tentang nilai kontribusi yang menyebabkan terjadinya hubungan/pengaruh variabel independen (inflasi, upah minimum, dan pengangguran terbuka) secara serentak/bersama-sama (simultan) terhadap variabel dependen (PDRB konstan). Nilai kontribusi yang dimaksud disini adalah koefisien determinasi. Hasil dari nilai koefisien determinasi adalah sebagai berikut :

Nilai R Square sebesar 0.976 atau 97.6%. Nilai ini berasal dari hasil koefisien korelasi “R” yang dikuadratkan (R=0.988 dikuadratkan menjadi 0.976). Besaran nilai R Square (angka koefisien determinasi) mengandung arti bahwa variabel inflasi (X1), upah minimum (X2), dan pengangguran terbuka (X3) secara serentak/bersama-sama (simultan) berpengaruh terhadap variabel PDRB konstan (Y) sebesar 97.6% dan sisanya 2.4% (di dapat dari 100%-97.6%) dipengaruhi variabel lain diluar model atau persamaan regresi atau variabel yang tidak diteliti.

Persyaratan baik atau tidak nilai koefisien determinasi adalah bila nilanya tidak lebih kecil dari 50% dan lebih besar dari 95%-98%. Karena untuk nilai yang lebih besar dari 95%-98% maka akan ada kecenderungan data lancung. Data lancung dapat mengakibatkan regresi menjadi bias atau variabel seakan memiliki berhubungan dan pengaruh terhadap variabel lain padahal dalam kenyataannya sama sekali tidak saling berhubungan.

Tambahan : Penelitian yang menggunakan data primer yang berbentuk cross section maka koefisien determinasi 0.2 atau 0.3 sudah dinyatakan baik, kecuali untuk data sekunder.

Tabel ANOVA

Gambar : Hasil Output SPSS Statistics IBM 23

Interpretasi Output :

Hasil output di atas menginformasikan tentang apakah terdapat pengaruh inflasi, upah minimum, dan pengangguran terbuka secara serentak/bersama-sama (simultan) terhadap PDRB konstan.

Tentukan terlebih dahulu rumusan hipotesis dalam uji f atau simultan. Rumusan hipotesa yang digunakan dalam penelitian ini adalah terdapat pengaruh inflasi (X1), upah minimum (X2), dan pengangguran terbuka (X3) secara serentak/bersama-sama (simultan) terhadap PDRB konstan (Y).

Uji hipotesa ini dilakukan dengan dua macam cara yaitu :

Dilihat nilai signifikansi (sig.) dari ouput ANOVA :

1.Bila nilai sig. < 0.05 (disesuaikan dengan tingkatan alpha masing-masing) maka dipotesis diterima. Artinya inflasi (X1), upah minimum (X2), dan pengangguran terbuka (X3) secara serentak atau bersama-sama (simultan) berpengaruh terhadap PDRB konstan (Y).

2.Bila nilai sig. > 0.05 (disesuaikan dengan tingkatan alpha masing-masing) maka dipotesis ditolak. Artinya inflasi (X1), upah minimum (X2), dan pengangguran terbuka (X3) secara serentak atau bersama-sama (simultan) tidak berpengaruh terhadap PDRB konstan (Y).

Dilihat nilai F-hitung dengan F-tabel dari output ANOVA :

1.Bila nilai F-hitung > F-tabel (disesuaikan dengan F-tabel) maka dipotesis diterima. Artinya inflasi (X1), upah minimum (X2), dan pengangguran terbuka (X3) secara serentak atau bersama-sama (simultan) berpengaruh terhadap PDRB konstan (Y).

2.Bila nilai F-hitung < F-tabel (disesuaikan dengan F-tabel) maka dipotesis ditolak. Artinya inflasi (X1), upah minimum (X2), dan pengangguran terbuka (X3) secara serentak atau bersama-sama (simultan) tidak berpengaruh terhadap PDRB konstan (Y).

Hasil Penelitian :

Dilihat nilai signifikansi (sig.) dari ouput ANOVA :

Nilai sig. 0.006 < 0.05 artinya hipotesis diterima dan variabel inflasi (X1), upah minimum (X2), pengangguran terbuka (X3) secara serentak/bersama-sama (simultan) berpengaruh terhadap PDRB konstan (Y).

Dilihat nilai F-hitung dengan F-tabel dari output ANOVA :

Sebelum menentukan hipotesis diterima atau tidak. Kita cari nilai F-tabel terlebih dahulu. Berikut adalah contoh tampilan F-tabel.

Gambar : F-Tabel 0.05

Cari nilai df terlebih dahulu dengan rumus :

 

Keterangan :

k=jumlah variabel penelitian (independen)

n=jumlah observasi/data/responden

df=degree of freedom

Dalam penelitian ini jumlah k = 3 (inflasi, upah minimum, dan pengangguran terbuka). Jumlah n = 7 tahun (dari tahun 2010-2016). Selanjutnya kita masukkan ke dalam rumus menjadi : 

Setelah itu lihat pada nilai F-tabel .

Gambar : F-Tabel 0.05

Kita peroleh nilai F-tabel sebesar 6.59. Nilai ini bandingkan dengan F-hitung. Berdasarkan output ANOVA di dapat nilai  F-hitung sebesar 41.520 > 6.59, sehingga dapat disimpulkan bahwa hipotesisi diterima dan variabel inflasi (X1), upah minimum (X2), pengangguran terbuka (X3) secara serentak/bersama-sama (simultan) berpengaruh terhadap PDRB konstan (Y).

Tabel Coefficients

Gambar : Hasil Output SPSS Statistics IBM 23

Interpretasi Output :

Hasil output di atas menunjukkan nilai yang di dapat dari tabel ini adalah persamaan regresi dan pengaruh antara variabel independen terhadap variabel dependen secara sendiri-sendiri (parsial). Rumus persamaan regresi dalam persamaan regresi ini adalah :

Y=a+bx1+bx2-bx3+e

Y=2.853+0.002+0.282-0.007+e

Hipotesa yang diajukan :

H₁ : terdapat pengaruh inflasi (X1) terhadap PDRB konstan (Y).

H₂ : terdapat pengaruh upah minimum (X2) terhadap PDRB konstan (Y).

H₃ : terdapat pengaruh pengangguran terbuka (X3) terhadap PDRB konstan (Y).

Sebelum melakukan uji hipotesis, terlebih dahulu harus diketahui dasar pengambilan keputusan dalam uji t parsial. Pengambilan keputusan ada dua cara yaitu :

Dilihat nilai signifikansi (Sig.) dari output Coefficients :

1.Bila nilai sig. < 0.05 (disesuaikan dengan tingkatan alpha masing-masing) maka dipotesis diterima. Artinya terdapat pengaruh variabel independen (X) terhadap variabel dependen (Y) secara parsial.

2.Bila nilai sig. > 0.05 (disesuaikan dengan tingkatan alpha masing-masing) maka dipotesis ditolak. Artinya tidak terdapat pengaruh variabel independen (X) terhadap variabel dependen (Y) secara parsial.

Dilihat nilai T-hitung dengan T-tabel dari output Coefficients :

1.Bila nilai T-hitung > T-tabel (disesuaikan dengan T-tabel) maka dipotesis diterima. Artinya terdapat pengaruh variabel independen (X) terhadap variabel dependen (Y) secara parsial.

2.Bila nilai T-hitung < T-tabel (disesuaikan dengan T-tabel) maka dipotesis ditolak. Artinya tidak terdapat pengaruh variabel independen (X) terhadap variabel dependen (Y) secara parsial.

Hasil Penelitian :

Dilihat nilai signifikansi (Sig.) dari output Coefficients :

1.Nilai signifikansi (sig.) variabel inflasi sebesar 0.236 > 0.05 artinya hipotesis ditolak dan variabel inflasi (X1) tidak berpengaruh terhadap PDRB konstan (Y) secara parsial.

2.Nilai signifikansi (sig.) variabel upah minimum sebesar 0.013 < 0.05 artinya hipotesis diterima dan variabel upah minimum (X2) berpengaruh terhadap PDRB konstan (Y) secara parsial.

3.Nilai signifikansi (sig.) variabel pengangguran terbuka sebesar 0.522 > 0.05 artinya hipotesis ditolak dan variabel pengangguran terbuka (X3) berpengaruh terhadap PDRB konstan (Y) secara parsial.

Dilihat nilai T-hitung dengan T-tabel dari output Coefficients :

Rumus mencari T-tabel :

Keterangan :

α=alpha (signifikan yang digunakan)

k=jumlah variabel penelitian (independen)

n=jumlah observasi/data/responden

df=degree of freedom

Sehingga hasil-nya :

Angka 3 merupakan angka yang sudah ada di hasil anova yaitu pada residual df. Cara ini hanya sebagai pembuktian bahwa hasil perhitungan sama dengan hasil output residual df.

Setelah kita mengetahui T-tabel = 0.025 ; 3. Langkah selanjutnya kita cari nilai pada t-tabel. Berikut adalah tampilan dari T-tabel.

Gambar : F-Tabel df 1-40

Nilai ini bandingkan dengan T-hitung.

Gambar : F-Tabel df 1-40

Dilihat output Coefficients di dapat nilai T-hitung :

1.Inflasi (X1) sebesar 1.477 < 3.18245, sehingga dapat disimpulkan bahwa hipotesisi ditolak dan variabel inflasi (X1) tidak berpengaruh terhadap PDRB konstan (Y) secara parsial.

2.Upah Minimum (X2) sebesar 5.344 > 3.18245, sehingga dapat disimpulkan bahwa hipotesisi diterima dan variabel Upah Minimum (X2) berpengaruh terhadap PDRB konstan (Y) secara parsial.

3.Pengangguran Terbuka (X3) sebesar -0.722 < 3.18245, sehingga dapat disimpulkan bahwa hipotesisi ditolak dan variabel Pengangguran Terbuka (X3) tidak berpengaruh terhadap PDRB konstan (Y) secara parsial.

Intinya : nilai signifikansi (sig.) dan nilai t-hitung saling mengikuti. Bila nilai signifikansi (sig.) menerima hipotesis maka nilai T-tabel juga akan merima hipotesis.

Setelah kita mengetahui hasil regresi, langkah selanjutnya kita cari hasil pada uji asumsi klasik. Caranya :

Langkah 8 : Kita lakukan uji normalitas. Pilih Analyze => Regression => Linear.

Gambar : Pengolah SPSS Statistics 23

Langkah 9 : Seperti pada langkah keempat di tampilan kotak dialog “Linear Regression”, masukkan variabel inflasi (X1), upah minimum (X2), pengangguran terbuka (X3), dan PDRB konstan (Y). Untuk variabel X (independen) masukan pada kotak independent(s) dan variabel Y (dependen) masukkan pada kotak dependent. Bagian method pilih enter.

Gambar : Pengolah SPSS Statistics 23

Langkah 10 : Kemudian pilih Save dan akan muncul tampilan “Linear Regression Save”. Centang pilihan Unstandardized pada bagian residual.

Gambar : Pengolah SPSS Statistics 23

Langkah 11 : Pilih Continue. Kemudian klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 12 : Menghasilkan variabel baru bernama Unstandardized Residual (RES_1).

Gambar : Pengolah SPSS Statistics 23

Langkah 13 : Selanjutnya menuju ke Analyze => Deskriptive Statistics => Deskriptives.

Gambar : Pengolah SPSS Statistics 23

Langkah 14 : Muncul tampilan “Deskriptives”. Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri dan pilih Options.

Gambar : Pengolah SPSS Statistics 23

Langkah 15 : Pada tampilan “Deskriptives Options” centang Kurtosis dan Skewness. Kemudian klik Continue.

Gambar : Pengolah SPSS Statistics 23

Langkah 16 : Klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 17 : Hasilnya sebagai berikut :

Gambar : Hasil Output SPSS Statistics IBM 23

Hasil output di atas terlihat bahwa nilai rasio skewness (dilihat di Statistic dan Std.Error) sebesar 0.652/0.794 = 0.821. Nilai rasio kurtosis (dilihat di Statistic dan Std.Error) sebesar -0.066/1.587 = -0.041. Rasio skewness dan kurtosis nilainya diantara -2 dan tidak lebih dari +2, kesimpulan : data berdistribusi normal.

Langkah 18 : Selanjutnya uji autokorelasi. Lakukan uji seperti pada uji normalitas. Pilih statistics. Centang Durbin-Watson pada bagian Residuals. Klik continue.

Gambar : Pengolah SPSS Statistics 23

Langkah 19 : Klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 20 : Hasilnya sebagai berikut.

Gambar : Hasil Output SPSS Statistics IBM 23

Interpretasi Output :

Hipotesa yang diuji :

H₀ : p = 0 (tidak ada autokorelasi)

H₁ : p ≠ 0 (ada autokorelasi)

Penetuan interpretasi hasil :

a).Bila nilai durbin watson terletak diantara DU sampai 4-DU => tidak ada autokorelasi (koefisien autokorelasi sama dengan nol).

b).Bila nilai durbin watson lebih kecil dari DU => ada autokorelasi positif (koefisien autokorelasi lebih besar dari nol).

c).Bila nilai durbin watson berada diantara DL dan DU => tidak dapat disimpulkan.

d).Bila nilai durbin watson lebih besar dari 4-DU => ada autokorelasi negatif.

e).Bila durbin watson berada diantara 4-DU dan 4-DL => tidak dapat disimpulkan.

Penentuan ada atau tidaknya autokorelasi adalah dengan menentukan nilai DL dan DU terlebih dahulu. Untuk menentukan nilai DL dan DU gunakan derajat kepercayaan 5% atau derajat kepercayaan yang dijadikan patokan masing-masing peneliti. Nilai n pada data ini adalah 7 tahun dengan 3 variabel independen (k).

Penentuan Nilai
Durbin Watson	2.768
N (jumlah observasi)	7 tahun
K (variabel independen)	3 variabel
Nilai DL	?
Nilai DU	?
Nilai 4-DL	?
Nilai 4-DU	?

Kita cari pada tabel durbin watson.

Gambar : Tabel Durbin Watson (DW), α = 5%

Hasil perncarian tabel durbin watson tidak menemukan hasil. Maka solusinya tambah observasi yang tadinya 7 tahun menjadi 8 atau seterusnya.

Bila observasi penelitian ada 8 tahun maka nilai DL = 0.3676 dan DU = 2.2866. Sehingga nilai 4-DL = 3.6324 dan 4-DU = 1.7134. Bila sudah mendapatkan hasil-nya, kita bisa lanjutkan untuk penentuan apakah data terjangkit autokorelasi atau tidak. Perlu diingat, ini adalah contoh saja (karena data tidak ditemukan nilai DL dan DU, maka sebagai contoh penulis andaikan jika data memiliki jumlah observasi 8 tahun dengan nilai durbin watson tetap).

Gambar : Tabel Durbin Watson (DW), α = 5%

Gambar : Posisi Koefisien Durbin Watson

Interpretasi Output :

Hasil perandaian (hanya contoh saja) menunjukkan nilai durbin watson berada pada daerah tidak ada autokorelasi. Sehingga kesimpulan contoh perandaian ini adalah data tidak terjangkit masalah autokorelasi.

Langkah 21 : Kita lakukan uji multikolinearitas. Lakukan uji seperti pada uji normalitas. Pilih statistics. Centang Collinearity Diagnostics pada bagian Regression Coefficients. Klik continue.

Gambar : Pengolah SPSS Statistics 23

Langkah 22 : Klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 23 : Hasilnya sebagai berikut.

Gambar : Hasil Output SPSS Statistics IBM 23

Interpretasi Output :

Berbagai macam cara yang bisa kita lakukan untuk menentukan apakah suatu model memiliki gejala penyakit multikolinearitas. Pada penelitian ini hanya di perlihatkan untuk dua uji yaitu VIF dan uji korelasi.

Pertama kita lihat pada uji VIF. Dasar menetukan suatu model memiliki gejala penyakit multikolinearitas adalah bila nilai VIF lebih besar atau kecil dari 10. Bila nilai VIF lebih besar dari 10 maka model memiliki gejala penyakit multikolinearitas begitupula sebaliknya.

Hasil output Coefficients untuk VIF menunjukkan nilai untuk inflasi (X1) = 1.224, upah minimum (X2) = 3.701, dan Pengangguran Terbuka (X3) = 3.476. Artinya nilai semua variabel lebih kecil dari 10. Kesimpulan : data atau model tidak terjangkit penyakit multikolinearitas.

Langkah 24 : Kedua kita lihat di uji korelasi. Langkah untuk melakukan uji korelasi berbeda dengan uji VIF. Caranya dengan memilih Analyze => Correlate => Partial.

Gambar : Pengolah SPSS Statistics 23

Langkah 25 : Masukkan variabel inflasi (X1), upah minimum (X2) dan Pengangguran (X3) ke dalam kotak Variables. Variabel Y masukkan ke dalam kotak Controlling for. Kemudian klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 26 : Hasilnya sebagai berikut.

Gambar : Hasil Output SPSS Statistics IBM 23

Interpretasi Output :

Penentuan apakah variabel terbebas dari masalah multikolinearitas adalah dengan melihat nilai Signicance (2-tailed). Bilai nilainya lebih kecil dari tingkat alpha 5% atau 0.05 maka data memiliki gejala penyakit multikolinearitas begitu juga sebaliknya.

Hasil output ini menunjukkan nilai untuk inflasi (X1) sebesar 0.104 dan 0.797, upah minimum (X2) sebesar 0.104 dan 0.726, dan pengangguran terbuka sebesar 0.797 dan 0.726. Sehingga dapat disimpulkan bahwa nilai di atas 0.05 dan data tidak memiliki gejala penyakit multikolinearitas.

Langkah 27 : Pengujian terakhir yaitu uji heterokedastisitas. Hasil dari langkah uji normalitas di dapat nilai (RES_1). Pilih Tranform => Compute Variable.

Gambar : Pengolah SPSS Statistics 23

Langkah 28 : Tampilan Compute Variable di kotak Target Variable ketik abresid. Kotak Function group pilih All, dibawah akan muncul beberapa pilihan fungsi dan pilih Abs. Klik panah atas dan masukkan variabel Unstandardized Residual atau RES_1 ke dalam kotak Numuric Expression. Klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 29 : Kita dapatkan nilai abresid.

 Gambar : Pengolah SPSS Statistics 23

Langkah 30 : Berikutnya pilih Analyze => Regression => Linear.

Gambar : Pengolah SPSS Statistics 23

Langkah 31 : Masukkan variabel abresid pada kotak Dependent dan variabel inflasi (X1), upah minimum (X2), dan pengangguran terbuka (X3) pada kotak Independent(s). Klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 32 : Hasilnya sebagai berikut.

Gambar : Hasil Output SPSS Statistics IBM 23

Interpretasi Output :

Hasil output di atas dapat dilihat dari nilai t-statistik. Penentuan terjangkit atau tidak penyakit heteroskedastisitas adalah bila nilai t dari tiap variabel tidak melebihi tingkat alpha 5% atau 0.05. Dapat dilihat bahwa nilai t-statistik inflasi (X1) sebesar 0.057, upah minimum (X2) sebesar 0.330, dan pengangguran terbuka (X3) sebesar 0.458 serta Constant sebesar 0.334. Sehingga dapat disimpulkan bahwa nilai ini di atas 0.05 dan data tidak terjangkit penyakit heteroskedastisitas.

Langkah 33 : Uji Linearitas. Pilih Analyze => Compare Means => Means.

Gambar : Pengolah SPSS Statistics 23

Langkah 34 : Muncul kotak Means. Masukkan variabel dependen dan independen.

Gambar : Pengolah SPSS Statistics 23

Langkah 35 : Berikutnya klik Options, di bagian “Statistics for First Layer” pilih Test of Linearity dan klik Continue.

Gambar : Pengolah SPSS Statistics 23

Langkah 36 : Klik ok.

Gambar : Pengolah SPSS Statistics 23

Langkah 37 : Hasilnya sebagai berikut.

Gambar : Pengolah SPSS Statistics 23

Interpretasi Output :

Dapat dilihat bahwa hasil tidak muncul. Mengapa hasil tidak muncul ?

Karena jumlah data tidak sesuai dengan kaidah olah data yang mengharuskan n>30. Data yang penulis gunakan hanya memiliki sampel 7 tahun. Pada dasarnya data time series harus memiliki minimal jumlah sampel 30 (n). Bila jumlah sampel kurang dari 30 akan menyebabkan masalah pada pengujian data. Oleh sebab itu karena ini hanya sebagai contoh saja, maka penulis akan menambahkan data (tidak dianjurkan di penelitian sesungguhnya) agar hasil linearitas bisa kita dapat. Penulis akan menambah data maksimal 6 tahun di setiap variabel. Data yang penulis tambahkan masih belum sampai 30 tahun, tetapi ini tidak masalah sebab hanya sebagai contoh mencari dan membaca hasil linearitas.

Langkah 38 : penulis akan menambah data sebanyak 6 tahun (dengan data yang penulis buat sendiri).

Gambar : Pengolah SPSS Statistics 23

Langkah 39 : Lakukan pengujian seperti langkah awal. Hasilnya sebagai berikut.

Gambar : Pengolah SPSS Statistics 23

Interpretasi Output :

Hasil output di atas menunjukkan linearitas terjadi jika nilai sig. < 0.05. Bila nilai sig. > 0.05 maka tidak terjadi linearitas pada data. Korelasi yang baik jika terdapat hubungan linear antara variabel predictor (independen) dengan variabel kriterium (dependen). Contoh : seorang lulusan sarjana ekonomi menjadi pakar ekonomi di pemerintahan. Maka hubungan keilmuan antara pendidikan dengan pekerjaan adalah linear atau saling berhubungan. Lain halnya jika keilmuannya ekonomi tetapi pekerjaannya menjadi sejarahwan, maka hubungannya tidak linear atau tidak saling berhubungan.

Dasar pengambilan keputusan untuk interpretasi hasil linearitas adalah :

Dilihat nilai signifikansi (Sig.) dari output ANOVA Table :

1.Bila nilai Deviation from Linearity sig. > 0.05 maka terdapat hubungan linear dan signifikan antara variabel independen dan dependen.

2.Bila nilai Deviation from Linearity sig. < 0.05 maka tidak terdapat hubungan linear dan signifikan antara variabel independen dan dependen.

Dilihat nilai F-hitung dengan F-tabel dari output ANOVA Table :

1.Bila nilai F-hitung < F-tabel (disesuaikan dengan F-tabel) maka terdapat hubungan linear dan signifikan antara variabel independen dan dependen.

2.Bila nilai F-hitung > F-tabel (disesuaikan dengan F-tabel) maka tidak terdapat hubungan linear dan signifikan antara variabel independen dan dependen.

Hasil Penelitian :

Dilihat nilai signifikansi (Sig.) dari output ANOVA Table :

1.Nilai Deviation from Linearity (sig.) sebesar 0.910 > 0.05 artinya terdapat hubungan linear dan signifikan antara variabel independen dan dependen.

Berdasarkan nilai F-hitung dengan F-tabel dari output ANOVA Table :

Sebelum menentukan data linear atau tidak. Kita cari nilai F-tabel terlebih dahulu. Berikut adalah contoh tampilan F-tabel.

Gambar : F-Tabel 0.05

Cari nilai df terlebih dahulu dengan rumus :

Keterangan :

k=jumlah variabel penelitian (independen)

n=jumlah observasi/data/responden

df=degree of freedom

Dalam penelitian ini jumlah k = 3 (inflasi, upah minimum, dan pengangguran terbuka). Jumlah n = 13 tahun (tambahan 6 tahun). Selanjutnya kita masukkan ke dalam rumus menjadi : 

Setelah itu lihat pada nilai F-tabel .

Gambar : F-Tabel 0.05

Interpretasi Output :

Kita peroleh nilai F-tabel sebesar 3.71. Nilai ini bandingkan dengan F-hitung. Berdasarkan output ANOVA di dapat nilai  F-hitung sebesar 0.283 < 3.71, sehingga dapat disimpulkan bahwa terdapat hubungan linear dan signifikan antara variabel independen dan dependen.

Informasi ekonometrika secara lengkap, silakan kunjungi channel youtube saya di : Dimas Channel

Note : Silakan bagi teman-teman yang ingin meng-copy artikel ini. Mohon sertakan sumber aslinya.

Terima Kasih :-)