One Way Anova dalam Excel

Tutorial One Way Anova dalam Excel

Artikel kali ini melanjutkan artikel sebelumnya yang berjudul "One Way Anova dalam SPSS". Pada bahasan tersebut, dijelaskan bagaimana langkah demi langkah melakukan uji One Way Anova dengan menggunakan aplikasi atau software SPSS beserta dengan pengertian dan interprestasi hasilnya. Sedangkan pada bahasan ini, hanya kan dijelaskan cara melakukan uji One Way Anova dengan menggunakan software yang banyak beredar, yaitu MS Excel 2007 atau di atasnya. Tentunya hasil dengan menggunakan excel tidaklah sebaik menggunakan SPSS, tetapi dengan menggunakan Excel tentunya lebih mudah dan program excel ini biasanya banyak dimiliki oleh setiap pengguna komputer.

Sebelum memulai tutorial, anda terlebih dahulu harus mengaktifkan Add Inn dalam Aplikasi Excel anda, yaitu Add inn "Analysis Toolpak". Cara mengaktifkannya, baca artikel kami tentang "Cara Mengaktifkan Add Inn Analysis toolpak di Excel".

Setelah anda mengaktifkannya, langsung saja lihat file di bawah ini, atau anda mendownloadnya di:

One Way Anova.xlsx

(Apabila mucul jendela Adf.ly, tunggu 5 detik lalu klik Lewati)

Berikut Tahapan Langkahnya:

• Buka MS Excel
• Jika belum mengaktifkan "Analysis Toolpak", maka aktifkan!
• Buat 3 kolom dari cell A5 s/d C12 seperti contoh dan isi datanya
• Kolom pertama adalah data pendapatan pekerja Tani, kolom kedua adalah pendapatan Buruh dan ketiga adalah pendapatan Lainnya.
• Data berisi 8 responden per kolom
• Setelah data terisi, pada Menu klik Data, pada Data Ribbon kanan sendiri, pilih "Data Analysis" lalu klik

• Setelah diklik, akan muncul jendela sebagai berikut:

• Pilih "Anova: Single Factor" Lalu klik OK. Maka akan muncul jendela:

• Arahkan pointer kursor ke kotak "input range" lalu klik dan blok 3 kolom data, yaitu dari cell A5 s/d cell C12.
• Output Optioons pilih Output Range dan klik kotak output range dan pilih cell E5.
• Klik OK
• Lihat hasil

Interprestasi Hasil:

• Pada Uji One Way Anova dengan Analysis Toolpak Excel, anda hanya bisa mendapatkan nilai P-Value yaitu dengan melihat Nilai P-Value pada tabel ANOVA. Pada contoh ini nilainya 0,036738 di mana <0,05 yang berarti terdapat perbedaan bermakna pendapatan berdasarkan pekerjaan.
• Beda halnya dengan SPSS, anda dapat melihat nilai homogenitas dan Pos Hoc Test. Untuk lebih jelasnya baca artikel "One Way Anova dalam SPSS".

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Uji F dan Uji T

Uji F dan Uji T

Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova, yaitu uji untuk melihat bagaimanakah pengaruh semua variabel bebasnya secara bersama-sama terhadap variabel terikatnya. Atau untuk menguji apakah model regresi yang kita buat baik/signifikan atau tidak baik/non signifikan.

Jika model signifikan maka model bisa digunakan untuk prediksi/peramalan, sebaliknya jika non/tidak signifikan maka model regresi tidak bisa digunakan untuk peramalan.
 

Uji F dapat dilakukan dengan membandingkan F hitung dengan F tabel, jika F hitung > dari F tabel, (Ho di tolak Ha diterima) maka model signifikan atau bisa dilihat dalam kolom signifikansi pada Anova (Olahan dengan SPSS, Gunakan Uji Regresi dengan Metode Enter/Full Model ). Model signifikan selama kolom signifikansi (%) < Alpha (kesiapan berbuat salah tipe 1, yang menentukan peneliti sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5% atau 1%). Dan sebaliknya jika F hitung < F tabel, maka model tidak signifikan, hal ini juga ditandai nilai kolom signifikansi (%) akan lebih besar dari alpha.

Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t tabel atau dengan melihat kolom signifikansi pada masing-masing t hitung, proses uji t identik dengan Uji F (lihat perhitungan SPSS pada Coefficient Regression Full Model/Enter). Atau bisa diganti dengan Uji metode Stepwise.

Untuk mempelajari tentang bagaimana melakukan uji F dan uji t parsial, baca artikel kami yang berjudul:

"Analisis Regresi Korelasi", "Analisis Regresi dalam Excel" dan "Regresi Linear Sederhana dengan SPSS".

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Linearitas Regresi

Linearitas Regresi

Saat kita melakukan uji regresi linear atau uji pearson product moment, kita dihadapkan pada situasi di mana harus melakukan uji linearitas, sebab linearitas merupakan salah satu syarat atau asumsi yang harus dipenuhi.

Linearitas adalah sifat hubungan yang linear antar variabel, artinya setiap perubahan yang terjadi pada satu variabel akan diikuti perubahan dengan besaran yang sejajar pada variabel lainnya.

Cara melakukan uji linearitas dapat dilakukan dengan 2 cara dengan menggunakan aplikasi SPSS, yaitu dengan fungsi "Scatter Plot Graph" dan fungsi "Compare Means". 

Kita coba cara melakukannya dengan menggunakan fungsi "Compare Means".

Buka aplikasi SPSS anda dan isikan data dengan skala data interval atau numerik sebanyak 20 sample pada 2 variabel yaitu X dan Y. Data tersebut seperti contoh di bawah ini:

Pada menu, klik Analyze, Compare Means, Means. Isikan Y ke kotak Dependent List dan Isikan X ke kotak Independen List.

Klik Tombol Options dan centang Test of Linearity.

Lihat Output.

Interprestasinya adalah: lihat kolom Sig. pada baris Linearity di Table Anova, jika nilainya < 0,05 maka bersifat linear sehingga dapat disimpulkan memenuhi syarat linearitas.

Bagaimana melakukannya dengan fungsi "Scatter Plot"? Caranya mudah, yaitu pada menu, pilih Chart Builder, pada Tab Gallery pilih Scatter/Dot, Masukkan X ke Axis X dan Masukkan Y ke Axis Y, kemudian tekan OK.

Lihat pada output: Jika plot-plot yang ada mengikuti garis fit line, maka terdapat hubungan linear.

Cara pengujian dengan metode grafik seperti ini memberikan interprestasi dan tentunya kesimpulan yang sangat bervariatif antar orang yang melakukan interprestasi, sehingga sangat subjektif. Oleh karenanya pengujian ini tidak dianjurkan.

Demikian Terima Kasih, Semoga Bermanfaat.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Uji Normalitas Dengan Excel

Normalitas Excel

Uji normalitas adalah uji yang dilakukan untuk membuktikan apakah sebuah variabel memiliki sebaran data yang berdistribusi normal atau tidak.

Mengapa dilakukan uji normalitas? Jawabannya adalah untuk menguji apakah sebuah uji statistik memenuhi syarat untuk diuji statistik parametris. Normalitas adalah syarat mutlak yang harus dipenuhi dalam uji statistik parametris, seperti uji pearson, t test dan regresi linear.

Selama ini sebagian dari pembaca mungkin menganggap bahwa kita dapat melakukan uji normalitas data hanya dapat dilakukan dengan menggunakan Software Aplikasi Seperti SPSS.

Apakah dapat dilakukan uji normalitas dengan MS Excel? Ya.

"Baca Tentang uji Kolmogorov Smirnov dengan SPSS"

Bagaimana caranya? Mari kita mulai pembahasannya: Cara Uji Kolmogorov Smirnov dengan Excel 2007/2010.

Dalam artikel ini kita akan membahas uji kolmogorov smirnov dengan excel, di mana uji tersebut salah satu uji normalitas yang populer. Dalam artikel berikutnya kita akan bahas uji normalitas yang lain, yaitu Uji Liliefors dengan Excel.

Buka Aplikasi Excel anda.

Untuk kemudahan anda, kami anjurkan anda download file kerja excel tutorial ini di:

"Normalitas Kolmogorov"

(Jika muncul jendela Adf.ly tunggu 5 detik dan klik Lewati atau Skip)

Atau Lihat File Kerja di bawah ini (Skydrive.com)

 

Data diisi mulai dari cell A4 yaitu 0,888 sampai dengan cell A51 yaitu 0,396.

Buat Tabel seperti berikut: Mulai cell D4 yaitu "Terbesar" sampai dengan E11 yang nantinya akan mendapatkan hasil 0,241.

Ketikkan rumus seperti berikut pada cell:

E4: =MAX(A4:A51)

E5: =MIN(A4:A51)

E6: =E4-E5

E7: =COUNT(A4:A51)

E8: =ROUNDUP(1+(3,3)* LOG(E7);0)

E9: =E6/E8

E10: =AVERAGE(A4:A51)

E11: =STDEV(A4:A51)

Jika benar apa yang anda ketikkan, hasilnya akan tampak seperti di bawah ini.

Statistik	Var I
Terbesar	0,974
Terkecil	0,112
Rentang	0,862
N Sampel	48
Banyak Kelas	7
Panjang Kelas	0,123
Mean	0,589
Simpangan Baku	0,241

Dari tabel di atas, anda perhatikan baris "Banyak Kelas" pada kolom Var I: Nilainya 7. Maka kita akan buat tabel dengan 7 baris, yaitu kelas 1, 2,3, 4, 5, 6 dan 7. Contohnya seperti di bawah, dimulai dari cell D14 yaitu "Kelas" Sampai N21 yang nanti hasilnya adalah "0".

Ketikkan rumus pada cell-cell seperti berikut:

E15: =E5

E16: =E15+$E$9 dan kopi pastekan hingga cell E21

F15: =E15+$E$9 dan kopi pastekan hingga cell F21

G15: =COUNTIF($A$4:$A$51;">="&E15)-COUNTIF($A$4:$A$51;">"&F15) dan kopi pastekan hingga cell G21

H15: =E15+($E$9/2) dan kopi pastekan hingga cell H21

I15: =G15 dan kopi pastekan hingga cell I21

J15: =(G15-$E$10)/$E$11 dan kopi pastekan hingga cell J21

K15: =I15/$E$7 dan kopi pastekan hingga cell K21

L15: =NORM.DIST(G15;$E$10;$E$11;TRUE) dan kopi pastekan hingga cell L21

M15: =ABS(K15-L15) dan kopi pastekan hingga cell M21

N15: =ABS(L15-K15) dan kopi pastekan hingga cell N21

Buat Tabel seperti di bawah ini: dari cell D25 s/d E29.

Ketikkan rumus pada cell-cell seperti berikut:

E25: =0,05

E26: =IF(E25=0,01;1,63;IF(E25=0,02;1,52;IF(E25=0,05;1,36;IF(E25=0,1;1,22;IF(E25=0,2;1,07;0)))))

E27: =E26/SQRT($E$7)

E28: =MAX(N15:N21)

E29: =IF(E28<E27;"Distribusi Normal";"Distribusi Tidak Normal")

Langkah anda sudah selesai, Lihatlah hasilnya:

Pada Derajat kepercayaan 95 % (Batas Kritis 0,05 seperti yang anda ketikkan di cell E25) maka Kolmogorov Smirnov (KS) hitung sebesar 0,938 > 0,196 (KS Tabel Pada DF 48 {banyaknya Sample}), Oleh karenanya berarti Data Tidak Berdistribusi Normal.

Baca Selengkapnya tentang Tabel kolmogorov Smirnov

Untuk Pengujian Normalitas dalam SPSS, Baca: Normalitas Pada SPSS

Baca Juga Tentang: "Uji Homogenitas"

Terima Kasih.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Normalitas Pada Regresi Linear Berganda

Banyak para peneliti baru terutama mahasiswa S1 kesulitan untuk melakukan uji regresi linear bergandadengan alasan datanya tidak berdistribusi normal. Kesulitan terjadi disebabkan mereka melakukan pengujian normalitas pada data per variabel. Tentunya itu sangat sulit sebab sebenarnya untuk regresi linear berganda, aumsi normalitas tidak pada per variabel, melainkan pada residual.

Jadi seharusnya asumsi normalitas akan mudah dicapai apabila kita mengikuti aturan yang benar, yaitu melakukan pengujian normalitas pada residual. Apabila tidak normal, maka dengan transformasi biasanya residual berubah menjadi normal. Apabila gagal kita bisa membuang outlier atau menambah sample.

Kesimpulannya:

Uji Normalitas pada regresi linear berganda dilakukan pada residual, bukan pada data per variabel.

Di sini kita akan melakukan uji normalitas residual pada uji regresi linear berganda. Ada 2 cara, yaitu:

1. Include Regresi Linear Berganda

2. Metode Explore Setelah Regresi Linear Berganda

Berikut cara pertama:

Masukkan data variabel-variabel independen (x) dan variabel dependen (y)

Pada menu, klik Analyze, Regression, Linear.

Masukkan variabel dependen pada kotak Dependent dan variabel independen pada kotakIndependent(s)

Klik Tombol Statistics

Centang Semua (ini tidak digunakan pada uji normalitas residual, tetapi untuk menguji asumsi yang lain, yaitu Durbin Watson untuk auto korelasi, Collinearity diagnostics dan covariance Matrix untuk Multikolinearitas dan  yang lainnya untuk kebutuhan lain dalam memenuhi tujuan penelitian)

Klik Tombol Continue

Klik Tombol Plot, centang Histogram dan Normal Probability plot. Sedangkan pada kotak Y, masukkan SRESIDdan pada kotak X masukkan ZPRED. Pada kotak X dan Y ini nanti digunakan untuk uji heteroskedastisitas.

Klik Tombol Continue

Klik Tombol Save dan kemudian centang Unstandardized, hal ini digunakan pada normalitas regresi linear berganda dengan pendekatan explore pada residual.

Klik Tombol Continue kemudian OK.

Lihat hasilnya!

Pada output SPSS, lihat diagram Histogram: jika membentuk lengkung kurve normal maka residualdinyatakan normal dan asumsi normalitas terpenuhi. 

Lihat pula diagram Normal P-P Plot, dikatakan memenuhi asumsi normalitas jika diagram menunjukkan plot-plot mengikuti alur garis lurus.

Ke-2 grafik di atas dapat anda gunakan untuk mengetahui normalitas residual pada uji regresi linear berganda, tetapi karena menggunakan grafik, interprestasi tiap orang dapat berbeda karena unsursubjektifitas, maka anda dapat menggunakan metode ke-2 nantinya di mana anda dapat menggunakanpendekatan teori untuk mengetahui normalitas, yaitu dengan menggunakan uji Kolmogorov Smirnov dengan Koreksi Lilliefors dan uji Shapiro Wilk.

Demikian penjelasan pada metode yang pertama, yaitu include dengan uji regresi linear berganda. Untuk metode ke-2 yaitu metode explore akan dijelaskan pada artikel berikutnya:
Uji Normalitas Pada Regresi Linear Berganda Dengan Pendekatan Teori

Terima Kasih.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Prosedur Jasa Bimbingan Olah Analisis Data Online

Anda kesulitan dalam melakukan olah dan analisa data?

Jangan Bingung atau frustasi! Kami dengan senang hati akan membantu anda.

Hanya dengan Rp. 50.000,- s/d Maksimal Rp. 300.000,- anda sudah mendapatkan bantuan olah data dengan menggunakan aplikasi Komputasi dengan SPSS atau Excel.

Hubungi: +6281804886455 (Ibu Uun) (Lebih Baik SMS)

Masa Pengerjaan 1 s/d 3 hari tergantung pada tingkat kesulitan dan banyaknya variabel atau uji asumsi.

Berikut Daftar Olah dan Analisa Data Yang Bisa Kami Lakukan:

Prosedur

1. Isi data diri anda dan analisis yang anda inginkan di form ini
2. Hubungi Admin dengan SMS. Sebutkan Nama dan email
3. Jika mendapatkan balasan kesediaan dari Admin, Kirimkan data mentah dalam bentuk Word (.doc/.docx) atau excel (.xls/.xlsx), beserta survey angket(bila ada) dan skripsinya ke email Admin: hariscompwt@gmail.com.
4. Setelah Admin mendapatkan kiriman email data mentah, admin akan membalas email atau sms bahwa data mentah akan diproses dengan tarif harga yang ditetapkan berdasarkan tarif tabel di atas (Tidak semua jenis uji sesuai tarif karena juga mempertimbangkan banyaknya variabel dan jumlah sampel).
5. Balas sms atau email Admin berupa kesepakatan bahwa menyetujui harga yang ditetapkan.
6. Admin akan membalas email atau sms bahwa data akan diproses.
7. Setelah proses dilakukan termasuk kemungkinan transformasi, maka admin akan membalas email atau sms berupa ringkasan hasil analiss data. 
8. Admin akan mengirimkan payment invoice/nota pembayaran untuk anda melalui email.
9. Transfer uang sesuai harga yang telah disepakati.
10. Kirim email atau sms bahwa dana telah dikirimkan.
11. Hasil analisa data kemudian dikirimkan oleh admin ke pelanggan melalui email dalam bentuk output word (.docx/.doc), file kerja SPSS (.sav), output SPSS (.spv) atau file kerja dan output excel (.xls/.xlsx).
12. Jangan lupa beri komentar di blog dan share ke social media.

Cara pembayaran :

1. Cash untuk daerah Purwokerto

2. Transfer antar bank, mohon transfer biayanya ke :

Nama                : Thoriq Salafi

Nomor Rekening :0215564077

Bank                 : BNI Syariah Jakarta Timur

2.Pembayaran lewat Paypal ke:

Email : thoriq280993@gmail.com

Perjanjian:

Saat anda meminta bantuan kami dalam olah dan analisa data, maka berarti anda telah menyepakati aturan dan perjanjian sebagai berikut:

1. Kesalahan transfer dana karena salah menuliskan Nama dan No Rekening Penerima Transfer bukan merupakan tanggung jawab Pemilik Blog atau Admin.
2. Hasil Analisa Data merupakan karya intelektual Pemilik Blog yang tidak dapat digugat secara hukum.
3. Dana yang sudah ditransfer tidak bisa ditarik kembali apabila hasil analisis data sudah dikirimkan oleh pemilik blog, kecuali data yang dikirimkan salah alamat yang artinya data yang dikirimkan bukan merupakan data hasil analisis data dari data mentah pelanggan yang bersangkutan.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Uji Multikolinearitas

Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya multikolinearitas. Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu 1) dengan melihat nilai inflation factor (VIF) pada model regresi, 2) dengan membandingkan nilai koefisien determinasi individual (r²) dengan nilai determinasi secara serentak (R²), dan 3) dengan melihat nilai eigenvalue dan condition index. Pada pembahasan ini akan dilakukan uji multikolinearitas dengan melihat nilai inflation factor (VIF) pada model regresi dan membandingkan nilai koefisien determinasi individual (r²) dengan nilai determinasi secara serentak (R²). Menurut Santoso (2001), pada umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel bebas lainnya. 

a)  Melihat nilai inflation factor (VIF) pada model regresi

Contoh Kasus:

         Sebagai contoh kasus kita mengambil contoh kasus pada uji normalitas pada pembahasan sebelumnya. Pada contoh kasus tersebut setelah dilakukan uji normalitas dan dinyatakan data berdistribusi normal, maka selanjutnya akan dilakukan pengujian multikolinearitas. Contoh kasus sebagai berikut:

Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang mempengaruhi harga saham pada perusahaan di BEJ. Data-data yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:         

                     Tabel. Tabulasi Data (Data Fiktif)

Tahun	Harga Saham (Rp)	PER (%)	ROI (%)
1990	8300	4.90	6.47
1991	7500	3.28	3.14
1992	8950	5.05	5.00
1993	8250	4.00	4.75
1994	9000	5.97	6.23
1995	8750	4.24	6.03
1996	10000	8.00	8.75
1997	8200	7.45	7.72
1998	8300	7.47	8.00
1999	10900	12.68	10.40
2000	12800	14.45	12.42
2001	9450	10.50	8.62
2002	13000	17.24	12.07
2003	8000	15.56	5.83
2004	6500	10.85	5.20
2005	9000	16.56	8.53
2006	7600	13.24	7.37
2007	10200	16.98	9.38

Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara rasio keuangan PER dan ROI terhadap harga saham. Dengan ini Bambang menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear berganda.

Langkah-langkah pada program SPSS

Ø  Kita menggunakan input data yang sama pada uji normalitas.

Ø  Klik Analyze - Regression - Linear

Ø  Klik variabel Harga Saham dan masukkan ke kotak Dependent, kemudian klik variabel PER dan ROI dan masukkan ke kotak Independent

Ø  Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue

Ø  Klik OK, pada output anda lihat tabel coefficients pada kolom collinearity statistics, hasil yang di dapat sebagai berikut:

                                             Tabel. Hasil Uji Multikolinearitas

Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) kedua variabel yaitu PER dan ROI adalah 1,899 lebih kecil dari 5, sehingga bisa diduga bahwa antar variabel independen tidak terjadi persoalan multikolinearitas.

b) Dengan membandingkan nilai koefisien determinasi individual (r²) dengan nilai determinasi secara serentak (R²)

Dalam metode ini, cara yang ditempuh adalah dengan meregresikan setiap variabel independen dengan variabel independen lainnya, dengan tujuan untuk mengetahui nilai koefisien r² untuk setiap variabel yang diregresikan. Selanjutnya nilai r² tersebut dibandingkan dengan nilai koefisien determinasi R². Kriteria pengujian yaitu jika r² > R² maka terjadi multikolinearitas dan jika r² < R² maka tidak terjadi multikolinearitas.

Contoh kasus:

Akan dilakukan analisis regresi untuk mengetahui pengaruh biaya produksi, distribusi, dan promosi terhadap tingkat penjualan. sebelumnya dilakukan uji asumsi klasik multikolinearitas, data sebagai berikut:

Tahun	Tingkat penjualan	Biaya produksi	Biaya distribusi	Biaya promosi
1996	127300000	37800000	11700000	8700000
1997	122500000	38100000	10900000	8300000
1998	146800000	42900000	11200000	9000000
1999	159200000	45200000	14800000	9600000
2000	171800000	48400000	12300000	9800000
2001	176600000	49200000	16800000	9200000
2002	193500000	48700000	19400000	12000000
2003	189300000	48300000	20500000	12700000
2004	224500000	50300000	19400000	14000000
2005	239100000	55800000	20200000	17300000
2006	257300000	56800000	18600000	18800000
2007	269200000	55900000	21800000	21500000
2008	308200000	59300000	24900000	21700000
2009	358800000	62900000	24300000	25900000
2010	362500000	60500000	22600000	27400000

Langkah-langkah analisis pada SPSS sebagai berikut:

- Inputkan data di SPSS 

-    Untuk analisis data, klik menu Analyze >> Regression >> Linear       

Langkah pertama meregresikan antar variabel independen, langkahnya masukkan variabel Biaya produksi ke kotak Dependent, kemudian masukkan variabel Biaya distribusi ke kotak Independent(s).

- Klik tombol OK. Hasil pada output Model Summary sebagai berikut:  (regresi variabel Biaya produksi dengan Biaya distribusi) 

-       Langkah selanjutnya meregresikan variabel Biaya produksi dengan Biaya promosi, kemudian Biaya distribusi dengan Biaya promosi dengan langkah-langkah sama seperti langkah di atas. Hasil output seperti berikut:

-   Langkah selanjutnya mencari nilai koefisien determinasi (R²) yaitu dengan meregresikan Biaya produksi, Biaya distribusi, dan Biaya promosi terhadap Tingkat penjualan. Langkahnya yaitu klik Analyze >> Regression >> Linear. Masukkan  variabel Tingkat penjualan ke kotak Dependent, kemudian masukkan variabel Biaya produksi, Biaya distribusi, dan Biaya Promosi ke kotak Independent(s).

-       Klik tombol OK, maka hasil pada output Model Summary sebagai berikut:    

         

Berikut ini ringkasan tabel hasil uji multikolinearitas:

Variabel Dependen	Variabel Independen	Nilai r square (r2)
Biaya produksi Biaya produksi Biaya distribusi	Biaya distribusi Biaya promosi Biaya promosi	0,797 0,843 0,728
Nilai R2	0,983

                                 

           Dari tabel di atas dapat diketahui bahwa nilai koefisien r² yang diperoleh seluruhnya bernilai lebih kecil dari pada nilai koefisien determinasi (R²). Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah multikolinearitas pada model regresi

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini