Tampilkan postingan dengan label Normalitas. Tampilkan semua postingan
Tampilkan postingan dengan label Normalitas. Tampilkan semua postingan

Uji Normalitas pada Analisis Regresi Linier Berganda dengan SPSS Versi 26

Uji normalitas adalah untuk melihat apakah suatu data terdistribusi normal atau tidak. Beberapa uji statistik, terutama statistik parametrik mensyaratkan adanya normalitas pada data yang akan diuji. Artikel ini akan fokus pada uji normalitas pada analisis regresi linier berganda dengan alat bantu berupa program SPSS Versi 26. Apa dan bagaimana uji normalitas pada analisis regresi linier? Mari kita bahas bersama.

Daftar Isi

  1. Normalitas Data
  2. Statistik parametrik
  3. Analisis regresi linier berganda
  4. Nilai residual pada analisis regresi linier berganda
  5. Berbagai uji normalitas pada analisis regresi linier berganda
  6. Histogram
  7. Normal P Plot
  8. Uji Lillieffors
  9. Uji Shapiro Wilks
  10. Skewness dan Kurtosis
  11. Jarque Berra
  12. Kesimpulan

Normalitas Data
Suatu data dinyatakan normal jika diplotkan akan menyerupai bentuk lonceng. Jika normal baku maka akan mempunyai nilai rata-rata mendekati nol dan simpangan baku mendekati 1. Terminologi normal untuk data sudah ada sejak abad 18 dengan banyak para tokoh yang memberikan jasa, di antaranya Abraham de Moivre, Pierre Simon de Laplace, Legendre, Johann Carl Friedrich Gauß, Francis Galton dan masih banyak lagi. Metode yang dipergunakan juga sangat banyak dan bervariasi. Dalam artikel ini kita akan menekankan pada uji normalitas pada analisis regresi linier berganda. Untuk kajian normalitas secara lebih luas, bisa disimak di artikel normalitas.


Statistik Parametrik
Statistik parametrik adalah alat uji statistik yang dikenakan pada data berskala interval atau rasio dan memenuhi syarat-syarat tertentu. Kondisi atau syarat-syarat uji parametrik salah satunya adalah normalitas. Jika suatu data tidak memenuhi asumsi normalitas, maka tidak bisa dikenai statistik parametrik (tentunya asumsi parametrik yang lain juga memenuhi). Untuk analisis regresi linier berganda termasuk statistik parametrik sehingga harus memenuhi asumsi normalitas. Lebih jauh tentang statistik parametrik, silahkan visit di artikel tentang statistik parametrik.


Analisis Regresi Linier Berganda
Analisis regresi linier berganda adalah metode analisis statistik untuk mencari pengaruh dari beberapa variabel bebas terhadap satu buah variabel terikat. Jika hanya ada satu variabel bebas, sering disebut dengan analisis regresi linier sederhana. Metode statistik ini sangat populer dipergunakan untuk mahasiswa yang sedang menempuh tugas akhirnya atau skripsi. Banyak juga alat bantu atau software yang mempermudah melakukan analisis regresi linier. Bahkan di Microsoft Excel pun sudah tersedia menu ini.

Analisis regresi linier berganda merupakan statistik parametrik sehingga memerlukan asumsi normalitas, di samping berbagai asumsi lain yang termasuk dalam uji asumsi klasik. Terpenting dari uji normalitas dalam analisis regresi linier berganda adalah bahwa uji normalitas dilakukan terhadap nilai residualnya, bukan pada masing-masing variabel dalam penelitian. Apakah tidak boleh melakukan uji normalitas pada masing-masing variabel? Tentu saja boleh, tetapi itu bukan uji normalitas yang diperlukan dalam analisis regresi linier berganda. Jadi analisis regresi linier bisa dilakukan meskipun ada salah satu atau lebih variabel yang tidak terdistribusi secara normal. Acuannya adalah nilai residual. 


Nilai Residual pada analisis regresi linier berganda
Residual pada regresi linier adalah selisih antara nilai sebenarnya dengan nilai prediksi. Sebagai contoh, nilai variabel terikat pada sampel 01 adalah sebesar 10, tetapi hasil prediksi dari persamaan regresi yang dihasilkan adalah sebesar 9. Maka dapat dinyatakan bahwa nilai residual adalah sebesar 1 atau selisih dari 10 dengan 9. Nilai residual bisa positif dan bisa juga negatif. Karena menggunakan metode kuadrat terkecil maka nilai residual pasti 0. Jika tidak 0 berarti ada yang salah perhitungannya. 

Nilai residual inilah yang harus normal. Jika nilai residual tidak terdistribusi secara normal, maka hasil regresi akan terdegradasi dan tidak boleh dipergunakan. Modifikasi atau transformasi tentu bisa dilakukan kepada variabel-variabel yang ada. Bisa ditransformasikan atau dikeluarkan data yang outliers atau menambah data, mengurangi data, menghilangkan variabel dan lain-lain. Diskusi tentang nilai residual lebih lanjut silahkan visit di sini.


Berbagai Uji Normalitas pada Analisis Regresi Linier Berganda
Ada banyak sekali uji normalitas yang sudah tersedia di SPSS Versi 26 untuk menguji normalitas pada analisis regresi linier berganda. Semuanya mempunyai karakteristik masing-masing dan dapat dipilih oleh peneliti. Bisa menggunakan metode grafis, misalnya dengan histogram atau normal P Plot. Ada juga yang menggunakan metode statistik seperti Liliefors, Sharpiro-Wilks, Skewness dan Kurtosis atau pun Jarque Berra. Mari kita pelajari bersama satu persatu.

Untuk data yang dipergunakan silahkan download di Google Drive dengan akun Gmail Anda. Setelah itu pilih Analyze, pilih Regression lalu klik pada Linear seperti pada gambar di bawah:
Menu Regresi Linier pada SPSS Versi 26

Maka akan diarahkan ke menu regresi oleh SPSS. Masukkan variabel DAC ke Dependent dan variabel yang lain ke Independents seperti pada gambar di bawah. 
Memasukkan Variabel

Setelah itu klik pada Plots di kanan atas sehingga akan diarahkan ke sub menu sebagai berikut:
Memberikan Tanda Centang pada Standardized Residual Plots

Berikan tanda centang pada Histogram dan Normal probability plot seperti pada gambar di atas. Setelah itu klik Continue maka akan kembali ke gambar sebelumnya dan klik Save di kanan atas di bawah Plots sehingga akan masuk ke sub menu yang lain yaitu sebagai berikut:
Memberikan Tanda Centang pada Unstandardized
Berikan tanda centang pada Unstandardized seperti pada gambar di atas. Lalu klik Continue lalu klik OK sehingga akan keluar output dan juga variabel baru di SPSS.
Variabel Baru yaitu Residual (Res_1)
Nilai Residual ini lah yang akan diuji normalitasnya, bukan masing-masing variabel bebas atau terikat. Berikut penjelasan lebih rinci tentang residual pada regresi linier. Berikutnya akan kita uji normalitasnya dengan berbagai metode yang ada dan lazim dipergunakan.


Histogram
Metode histogram sering dipergunakan dalam uji normalitas. Merupakan metode grafis sehingga lebih mudah dilihat meskipun kadang menimbulkan perdebatan di antara para pengamatnya. Metode ini keluar karena kita memberikan tanda centang pada Histogram pada Sub Menu Plots di atas.
Uji Normalitas Histogram
Model regresi linier dinyataka memenuhi asumsi normalitas jika plot histogram menyerupai bentuk lonceng. Gambar di atas tampak bahwa ada nilai yang terlalu jauh menyimpang di bagian kanan. Ini menunjukkan bahwa model tidak memenuhi asumsi normalitas. Asumsi normalitas terpenuhi jika hasil histogram adalah menyerupai bentuk lonceng dengan sisi kanan dan kiri relatif sama dan kebanyakan nilai mengumpul di tengah.

Normal P Plot
Normal P Plot juga merupakan uji normalitas dengan diagram. Output ini akan muncul ketika kita memberikan tanda centang pada Normal probability plot seperti pada gambar di atas pada sub menu Plot.
Uji Normalitas dengan P Plot
Model dinyatakan memenuhi asumsi normalitas jika P Plot titik pada grafik mendekati sumbu diagonal pada grafis. Gambar di atas tampak bahwa titik-titik cenderung membentuk huruf S pada sumbu diagonalnya. Hasil ini selaras dengan pengujian histogram yang menyatakan bahwa model tidak memenuhi asumsi normalitas.

Kedua pengujian di atas adalah dengan metode grafis. Sedangkan beberapa metode di bawah adalah menggunakan metode perhitungan secara statistik.


Uji Lilliefors
Metode Lilliefors menggunakan metode Kolmogorov-Smirnov yang merupakan uji satu sampel untuk statistik non parametrik. Konsep dasarnya adalah membandingkan distribusi data yang akan diuji normalitasnya dengan normalitas baku. Jika ada perbedaan berarti data tersebut dinyatakan tidak normal, demikian sebaliknya, jika tidak terdapat perbedaan maka data dinyatakan normal.

Pilih Analyze, pilih Descriptive Statistics lalu klik pada Explore seperti pada gambar di bawah:
Menu Explore pada SPSS Versi 26
Maka kita akan masuk ke menu Explore dan masukkan variabel Residual ke box Dependent Lists lalu klik Plots di kanan atas seperti pada gambar di bawah:
Memasukkan Variabel
Kita akan diarahkan ke sub menu lagi dan berikan tanda centang pada Normal plots with tests seperti pada gambar di bawah:
Sub Menu Uji Normalitas
Lalu klik Continue lalu klik OK sehingga akan keluar output sebagai berikut:

Output Uji Normalitas denga Lilliefors
Hasil di atas memberikan nilai Signifikansi sebesar 0,00 < 0,05 yang berarti ada perbedaan yang signifikan dengan distribusi normal baku. Kesimpulannya adalah bahwa nilai residual tidak normal dan asumsi normalitas pada regresi linier tidak terpenuhi. Hasil ini sesuai dengan hasil yang diberikan dengan pengujian grafis sebelumnya.

Metode ini bahkan latah disebut Uji Kolmogorov-Smirnov karena memang dikembangkan oleh Kolmogorov dan Smirnov. Jadi metode ini juga bisa dilakukan dengan menu Non parametric atau selengkapnya silahkan simak di sini.


Uji Shapiro-Wilks
Uji Shapiro-Wilks menggunakan menu yang sama dengan uji Lilliefors, bahkan outputnya juga berdampingan seperti pada gambar di atas. Dengan konsep yang sama maka output signifikansi adalah sebesar 0,00 < 0,05 sehingga dinyatakan bahwa model regresi linier tidak memenuhi asumsi normalitas. Hasil ini konsisten dengan hasil pengujian yang sebelumnya. Artikel selengkapnya tentang uji normalitas dengan Shapiro-Wilks kami tampilkan di sini.


Skewness dan Kurtosis
Metode Skewness dan Kurtosis juga sering disebut dengan kemencengan data. Nilai Skewness (S) dan Kurtosis (K) bisa diperoleh dengan SPSS Versi 26, tetapi nilai Z nya harus dihitung sendiri dengan persamaan sebagai berikut:
Rumus Z untuk Skewness dan Kurtosis
Dengan N adalah jumlah sampel. Untuk mencari nilai S dan K, kita bisa menggunakan Analyze, lalu pilih Descriptive Statistics lalu klik pada Descriptives seperti pada gambar di bawah:
Menu Analisis Deskriptif pada SPSS Versi 26
Maka kita akan diarahkan ke menu analisis deskriptif
Memasukkan Variabel Residual
Masukkan variabel residual ke Box Variable(s) lalu klik pada Options di kanan atas sehingga akan masuk ke sub menu berikut:
Menu Skewness dan Kurtosis
Berikan tanda centang pada Kurtosis dan Skewness seperti pada gambar di atas lalu klik Continue lalu klik OK dan akan keluar output sebagai berikut:
Output Kurtosis dan Skewness
Nilai Skewness adalah sebesar 3,988 dan Kurtosis adalah sebesar 18,346 dan N adalah sebanyak 108. Jika di masukkan ke dalam persamaan di atas maka diperoleh nilai Z Skewness = 16,9197 dan Z Kurtosis = 38,9178. Keduanya jauh di atas 1,96 yang berarti tidak normal. Hasil ini juga sesuai dengan hasil perhitungan sebelumnya. Untuk artikel dan video lebih lengkap kami tampilkan di sini.

Jarque Berra
Jarque Berra (JB) adalah pengembangan dari Skewness dan Kurtosis karena memang menggunakan kedua nilai tersebut dengan persamaan sebagai berikut:
Rumus Jarque Berra
Dengan N adalah jumlah data maka kita dengan mudah menghitung nilai JB dan membandingkannya dengan nilai Chi Square pada df 2 dengan signifikansi 5% yaitu sebesar 5,99. Dengan menggunakan nilai S dan K yang telah diketahui di atas maka diperoleh nilai JB adalah sebesar = 1346,02 yang jelas jauh di atas 5,99. Berarti tidak memenuhi asumsi normalitas dan sesuai dengan hasil pengujian sebelumnya. Sebagai catatan, banyak yang menyarankan JB digunakan untuk sampel yang besar, bukan untuk sampel kecil.


Kesimpulan

Perlu ditegaskan sekali lagi bahwa asumsi normalitas pada regresi linier adalah pada nilai residualnya, bukan pada masing-masing variabel. Sebenarnya sudah sangat jelas.

Share:

Uji Normalitas pada AMOS Versi 18

Asumsi normalitas memang sangat penting pada analisis parametrik. Beberapa artikel tentang normalitas sudah kami tampilkan di blog sederhana ini. Kali ini kita akan membahas tentang uji normalitas pada AMOS Versi 18. 

AMOS adalah salah satu software Structural Equation Modeling (SEM) yang cukup populer, tentu saja di samping LISREL. Untuk uji normalitas kali ini, kita akan menggunakan path diagram seperti di bawah ini:

Simulasi Path Diagram

Setelah path diagram dihubungkan dengan data, dalam format Excel, maka klik pada Analysis Property di icon di sebelah kiri layar

Icon Analysis Properties

Icon juga ditunjuk dengan gambar anak panah. Setelah itu, maka akan dirahkan ke Menu Analysis Properties sebagai berikut:

Tab Menu Output

Pilih Tab Output di bagian atas box. Lalu berikan tanda centang pada Tests for normality dan outliers. Setelah itu tutup Box tersebut dengan mengklik tanda X di bagian kiri atas. Di layar lalu klik Calculate Estimates dengan icon seperti tampak pada gambar:

Icon Calculate Estimates

Setelah diklik maka program akan melakukan perhitungan dan setelah selesai, kita dapat melihat path diagram yang sudah di run. Sedangkan untuk melihat output normalitas, kita klik saja Icon View Text

Icon untuk Melihat Output

Untuk melihat uji normalitas, kita bisa melihatnya pada output Assesment Normality di mana outputnya adalah sebagai berikut:

Assessment of normality (Group number 1)
Variable min max skew c.r. kurtosis c.r.
NP1 4,000 7,000 ,587 3,030 -,048 -,123
NP2 4,000 7,000 ,537 2,772 -,193 -,498
NP3 4,000 7,000 ,604 3,120 ,204 ,527
NP4 4,000 7,000 ,615 3,175 -,009 -,022
KP3 4,000 7,000 ,724 3,739 ,123 ,318
NS3 4,000 7,000 ,524 2,707 ,181 ,468
NZ3 4,000 7,000 ,546 2,820 -,051 -,133
NZ2 4,000 7,000 ,499 2,576 -,122 -,315
NZ1 4,000 7,000 ,606 3,127 -,162 -,419
SZ1 4,000 7,000 ,543 2,805 -,030 -,078
SZ2 4,000 7,000 ,553 2,853 -,047 -,121
SZ3 4,000 7,000 ,530 2,737 -,050 -,130
KP1 4,000 7,000 ,728 3,759 ,632 1,633
KP2 4,000 7,000 ,568 2,934 -,011 -,029
NS2 4,000 7,000 ,552 2,849 -,008 -,022
NS1 4,000 7,000 ,623 3,217 ,086 ,222
Multivariate 6,618 1,744

Untuk masing-masing variabel akan keluar output Minimal, Maksimal dan juga nilai Skewness dan Kurtosis. Memang AMOS menggunakan metode Skewness dan Kurtosis dalam uji normalitas. Berbeda dengan SPSS di mana kita harus menghitung nilai Z-nya, pada AMOS sudah dikeluarkan nilai c.r. atau Critical Ratio. Misalnya NP1 c.r. adalah sebesar 3,030 untuk Skewness dan -0,123 untuk Kurtosis. Kita tinggal membandingkannya dengan nilai standar yaitu sebesar 1,96 untuk 5% dan 2,58 untuk 1%. 

Penting dicatat bahwa asumsi normalitas yang dipergunakan untuk justifikasi adalah multivariate. Jadi kita ambil nilai yang ada di baris paling bawah, yaitu sebesar 1,744. Nilai ini di bawah 1,96 sehingga dinyatakan bahwa data telah memenuhi asumsi normalitas. Jika lebih lengkap disertakan juga nilai 5%.

AMOS tidak mempunyai metode uji normalitas yang lain karena memang fokus pada analisis SEM. Berbeda dengan SPSS yang mempunyai banyak sekali menu untuk melakukan uji normalitas.

Jika Anda memerlukan data untuk simulasi ini dan juga contoh tabulasi data untuk SEM dengan AMOS dalam format Excel, silahkan ke TKP.

Share:

Contoh Perhitungan dengan Tabel Z atau Kurva Normal

Di artikel sebelumnya kita telah mengenal tentang Tabel Z dan juga Kurva Normal atau pun Z Score. Kali ini kita akan membuat simulasi perhitungan dengan menggunakan Tabel Z atau pun kurva normal. Sebagai ilustrasi, ada 150 kepala keluarga dalam suatu kompleks perumahan. Data yang telah diketahui adalah bahwa gaji rata-rata adalah 6 juta dengan simpangan baku sebesar 2 juta. (Ini hanya contoh saja). Pertanyaannya adalah berapa orang yang mempunyai gaji di atas 8 juta?

Pertanyaan ini dapat dijawab dengan menggunakan kurva normal atau pun Tabel Z seperti yang pernah kita bahas bersama. Informasi yang diperoleh adalah rata-rata dan simpangan baku. Jadi jika kita masukkan ke dalam rumus untuk mencari Z-Score akan diperoleh hasil sebagai berikut:

Hasilnya nilai ZScore adalah 1 dan jika kita lihat di grafik Kurva Normal untuk nilai 1 maka luasnya adalah 34,13.

Tabel Z
Jadi kepala keluarga yang mempunyai gaji antara 6 sd 8 juga adalah sebanyak 50% - 34,13% = 15,87%. 
Kurva Normal
Lebih detailnya lagi, kurva dibagi menjadi 2 kiri dan kanan secara simetris, sehingga luasan yang sebelah kanan (atau kiri) adalah 50%. Karena luasan dengan ZScore 1 adalah 34,13 maka sisanya 15,87%. Jadi jumlah kepala keluarga yang mempunyai gaji di atas 8 juta adalah sebanyak 15,87% x 150 = 23,805 atau sekitar 24 orang. 

Simulasi seperti ini bisa diterapkan untuk berbagai keperluan dengan tujuan pengambilan keputusan, misalnya dalam data demografi.

Demikian simulasi penggunaan kurva normal dan Tabel Z.

Share:

Uji Normalitas SPSS dengan Jarque-Bera

Uji Normalitas dengan Jarque-Bera memang kurang populer bagi pengguna SPSS. Mungkin karena di SPSS belum tersedia menu uji normalitas dengan Jarque-Bera. Berbeda dengan Eviews atau R yang sudah menyediakan menu ini. Akan tetapi sebenarnya SPSS juga bisa dipergunakan untuk uji Jarque-Bera meskipun harus menggunakan perhitungan secara manual.

Metode Jarque-Bera adalah hasil dari dua orang yaitu Carlos M. Jarque Uribe dan Anil K. Bera. Keduanya masih aktif berkarya sampai saat ini. Persamaan yang dipergunakan adalah sebagai berikut:

Ada juga yang menulis dengan versi lain tetapi sebenarnya sama, misalnya:

Dengan:

JB adalah Jarque-Bera, n adalah jumlah sampel, S adalah Skewness dan K adalah Kurtosis. Kedua persamaan di atas adalah identik.

Nilai Skewness dan Kurtosis telah tersedia menunya di SPSS sehingga tidak perlu menghitung secara manual. Jika menginginkan, nanti kapan-kapan kita bahas perhitungan Skewness dan Kurtosis secara manual dengan bantuan Excel saja.

Sebagai simulasi, kita menggunakan data ini. Bisa di download dengan akun G mail Anda melalui Google Drive. Dengan SPSS kita pilih Analyze, pilih Descriptive Statistics, lalu klik pada Descriptives seperti pada gambar di bawah:

Memilih Menu Deskriptif
Masukkan variabel yang akan diuji normalitasnya, lalu klik Options di kanan atas seperti pada gambar di bawah:

Memasukkan Data Penelitian
Setelah klik Options, abaikan yang lain dan berikan tanda centang pada Skewness dan Kurtosis seperti pada gambar di bawah:

Memberikan Tanda Centang untuk Skewness dan Kurtosis
Setelah itu klik Continue, lalu OK sehingga akan keluar output sebagai berikut:

Output Skewness dan Kurtosis
Tampak bahwa nilai Skewness adalah -0,439 dan nilai Kurtosis adalah 1,158. Kedua parameter ini dimasukkan ke dalam persamaan di atas. Kita pilih yang pertama (yang kedua juga boleh dan hasilnya juga akan sama):

Tampak bahwa nilainya adalah 3,277. Justifikasinya adalah dibandingkan dengan nilai Chi Square dengan df sebesar 2 pada signifikansi 5% yaitu sebesar 5,99. Tampak bahwa nilai JB < Chi Square atau 3,277 < 5,99 yang menunjukkan bahwa data telah memenuhi asumsi normalitas. Jika kita uji normalitas dengan metode Kolmogorov-Smirnov akan memberikan hasil sebagai berikut:

Uji Normalitas dengan Kolmogorov-Smirnov
Dengan hasil signifikansi sebesar 0,070 > 0,05 maka dapat disimpulkan bahwa data telah memenuhi asumsi normalitas. Hasil ini sesuai dengan pengujian dengan Jarque-Bera.

Apakah semua data akan konsisten seperti contoh di atas? Belum tentu. Banyak yang menyarankan bahwa uji Jarque-Bera hanya cocok untuk sampel yang besar, bahkan sangat besar. Sehingga kurang sesuai untuk sampel kecil atau dikatakan sensitif. Ada juga modifikasi nilai p-value untuk sampel kecil karena hal tersebut.

Share:

Pengaruh Page Views Blog terhadap Ranking Alexa dengan Regresi Linear Sederhana

Kali ini kita akan menguji apakah terdapat pengaruh antara page views blog yang diambil dari data Google Analytic berpengaruh terhadap Ranking Alexa. Data yang dipergunakan adalah data blog ini sendiri yang dapat Anda unduh di Google Drive. Data yang dipergunakan adalah periode 20 Mei 2021 sampai dengan 2 Agustus 2021 atau sekitar 75 hari. Alat bantu yang dipergunakan adalah SPSS Versi 23. Uji asumsi klasik yang dipergunakan adalah uji autokorelasi, uji normalitas dan uji heteroskedastisitas. Uji multikolinearitas tidak digunakan karena hanya menggunakan satu variabel bebas saja atau regresi linear sederhana.

Hasil uji autokorelasi dengan Run test pada model penelitian memberikan hasil sebagai berikut:

Hasil uji autokorelasi dengan run test

Tampak jelas bahwa signifikansi adalah sebesar 0,000 < 0,05 yang berarti terdapat gangguan autokorelasi pada model penelitian. Ini wajar saja karena yang dipergunakan adalah data time series. Alternatif upaya perbaikan dilakukan dengan mencoba variabel Lag Alexa. Jadi page views hari ini mempengaruh rangkin alexa besok hari (karena lag 1). Tetapi hasilnya tetap terjadi gangguan autokorelasi. Maka dicoba dipergunakan transformasi difference delta, yaitu dengan mengurangkan data pada periode t dengan periode t-1. Dalam bahasa sederhana, kita bisa menyebutnya pengaruh perubahan page views terhadap perubahan ranking alexa. Adapun hasilnya adalah sebagai berikut:

Uji autokorelasi transformasi data

Gangguan autokorelasi telah hilang dengan signifikansi 0,64 > 0,05. Tampak bahwa jumlah data hanya 74 karena berkurang 1 akibat transformasi data. Untuk uji normalitas dengan Kolmogorov-Smirnov adalah sebagai berikut:

Uji normalitas data transformasi

Asumsi normalitas telah terpenuhi dengan nilai signifikansi sebesar 0,081 > 0,05. Sedangkan untuk uji heteroskedastisitas dilakukan dengan mengkorelasikan variabel bebas dengan absolut residualnya dan diperoleh hasil sebagai berikut:

Uji heteroskedastisitas data transformasi

Tampak bahwa nilai signifikansi adalah sebesar 0,077 > 0,05 yang berarti tidak terdapat gangguan heteroskedastisitas pada model penelitian.

Setelah model dinyatakan terbebas dari gangguan asumsi klasik, maka dilihat apakah terdapat pengaruh atau tidak dengan hasil sebagai berikut:

Nilai R dan R Square

Nilai F hitung dan signifikansi

Nilai T hitung dan signifikansi

Dari output di atas, tampak jelas bahwa tidak terdapat pengaruh yang signifikan antara page views terhadap rangking alexa. Hasil ini agak berbeda dengan asumsi awal bahwa page views berpengaruh terhadap rangkin alexa. Beberapa alasan yang membuat tidak ada pengaruh adalah sebagai berikut:

  1. Rangking alexa tidak ditentukan dari pageviews saja tetapi juga dari lama pengunjung berada dalam suatu situs. Variabel ini belum dimasukkan dan sepertinya agak sulit mencari data. Ada data di alexa, tetapi itu adalah data rata-rata secara harian bukan secara individu pengunjung.
  2. Data yang dipergunakan hanya 75 data dan hanya 1 blog ini saja. Jadi sangatlah kecil untuk mewakili fenomena yang ada di dunia internet secara keseluruhan.
  3. Meskipun data daily time on site secara keseluruhan, tetapi bisa dipergunakan sebagai sumber data sehingga di masa mendatang dapat menggunakan data daily time on site sebagai variabel bebas yang mempengaruhi rangking alexa.


Share:

Uji Normalitas dengan Simplis Lisrel

Asumsi normalitas memang sangat diperlukan pada statistik parametrik. Metode uji normalitas juga beraneka ragam. Selain itu, alat bantu atau software juga banyak beredar sehingga memudahkan bagi siapa saja yang memerlukannya. Kali ini kita akan membahas tentang uji normalitas, tetapi bukan dengan SPSS melainkan dengan Simplis pada Lisrel. Sebagaimana kita ketahui, Lisrel sangat populer untuk analisis Structural Equation Modeling (SEM). Tetapi sebenarnya Lisrel juga memiliki menu banyak, salah satu di antaranya adalah untuk uji normalitas.

Tampilan Menu Simplis

Lisrel bisa menggunakan tabulasi data dari software lain, dalam simulasi ini kami ambilkan tabulasi dari SPSS. Pilih File di kiri atas, lalu klik pada Import External Data in Other Format, seperti pada gambar di bawah ini:

Menu Import Data dari SPSS

Maka kita akan diarahkan ke menu import data. Pertama arahkan ke Drive yang akan kita tuju, juga arahkan ke folder yang kita maksud. Setelah itu pada List Files of Type di bagian bawah, carilah format SPSS for Windows. Di situ juga tampak berbagai format lain yang dapat kita import ke dalam Simplis, mulai dari SAS, STATA, EXCEL dan masih banyak lagi.

Mengarahkan ke Folder dan Type Data

Setelah klik OK, maka kita akan diarahkan untuk menentukan letak folder yang akan kita gunakan untuk menyimpan file ini.

Mengatur letak folder yang akan kita gunakan untuk menyimpan file

Setelah itu klik OK maka kita akan melihat tampilan tabulasi data dan juga telah menyimpan file tersebut pada folder yang telah kita tentukan. 

Tabulasi Data Simplis Hasil Import dari SPSS

Langkah pertama adalah melakukan set bahwa data yang akan kita analisis adalah data Continuous. Ada 5 pilihan tipe data di Lisrel, yaitu Ordinal, Continuous, Censored Above, Censored Below dan Censored Above and Below. Langkahnya adalah pilih Data pada menu di atas, lalu klik pada Define Variables seperti pada gambar di bawah.

Menu Define Variables

Maka kita akan diarahkan ke sub menu lagi untuk menentukan tipe data yang akan kita analisis. 

Menentukan Tipe Data

Klik pada salah satu variabel, lalu klik Variable Type sehingga akan masuk ke sub menu lagi yaitu sebagai berikut:

Memilih Tipe Data Continuous

Pilih Continuous, lalu berikan tanda centang pada Apply to all seperti pada gambar di atas. Lalu klik OK sehingga akan kembali ke tabulasi data, tetapi kita sudah melakukan setting pada tipe data. Untuk melakukan uji normalitas, pilih menu Statistics di atas lalu klik pada Output Options.

Menu Statistics

Maka kita akan masuk ke menu Statistics yaitu sebagai berikut:

Menu Uji Normalitas

Berikan tanda centang pada Perform tests of multivariate normality seperti pada gambar di atas, lalu klik OK. Maka akan keluar output yaitu sebagai berikut:


Test of Univariate Normality for Continuous Variables


              Skewness         Kurtosis      Skewness and Kurtosis


 Variable Z-Score P-Value   Z-Score P-Value   Chi-Square P-Value


     POF1   0.262   0.793     1.473   0.141        2.238   0.327

     POF2   0.037   0.970     1.472   0.141        2.167   0.338

     POF3   0.776   0.438     0.742   0.458        1.153   0.562

     POF4   0.262   0.793     0.822   0.411        0.744   0.689

       K1  -0.697   0.486     0.929   0.353        1.349   0.509

       K2  -0.003   0.998     0.717   0.474        0.514   0.773

       K3   1.962   0.050    -0.140   0.889        3.869   0.144

       K4   1.178   0.239    -0.214   0.830        1.433   0.488

       K5   2.060   0.039     1.411   0.158        6.234   0.044

      LK1   0.838   0.402     1.623   0.104        3.338   0.188

      LK2   1.373   0.170     1.081   0.280        3.053   0.217

      LK3  -0.406   0.685     1.238   0.216        1.698   0.428

      LK4   0.726   0.468     0.871   0.384        1.286   0.526

      LK5   0.231   0.818     1.090   0.276        1.241   0.538

      LK6   0.646   0.518     0.570   0.569        0.742   0.690

       M1  -1.149   0.251     1.752   0.080        4.389   0.111

       M2  -0.709   0.479     0.806   0.420        1.152   0.562

       M3   0.412   0.680     0.069   0.945        0.175   0.916

       M4  -0.828   0.408     0.748   0.454        1.245   0.537

       M5   0.254   0.799     1.217   0.224        1.546   0.462

      KP1   1.333   0.183     0.675   0.500        2.231   0.328

      KP2   0.301   0.763     0.914   0.360        0.927   0.629

      KP3   0.677   0.498    -0.053   0.958        0.461   0.794

      KP4   0.342   0.732     0.615   0.538        0.496   0.780

      KP5   0.391   0.696     0.496   0.620        0.399   0.819


 Relative Multivariate Kurtosis = 0.989


 Test of Multivariate Normality for Continuous Variables


             Skewness                   Kurtosis           Skewness and Kurtosis


      Value  Z-Score P-Value     Value  Z-Score P-Value      Chi-Square P-Value

     ------  ------- -------   -------  ------- -------      ---------- -------

    137.347   -0.829   0.407     3.597    0.587   0.557           1.032   0.597


Output Lisrel memang dapat kita copy ke dalam bentuk notepad kurang lebih seperti tampilan di atas. Itu hanya sebagaian output saja. Untuk menu pada Test of Univariate Normality for Continuous Variables maka kita akan melihat normalitas dari masing-masing variabel yang kita uji. Misalnya POF1 maka akan ada output Skewness, Kurtosis dan juga Chi Square di kolom paling kanan. Tampak nilai p-value adalah 0,327 > 0,05 yang berarti dinyatakan normal. Silahkan dilihat pada variabel yang lain, ada juga yang tidak normal.

Untuk multivariate, ada di bagian bawah output yaitu Test of Multivariate Normality for Continuous Variables. Juga ada Skewness, Kurtosis dan Chi Square dan menunjukkan nilai p-value sebesar 0,597 yang berarti normal. Ini hanya simulasi saja jika tidak normal, kita juga dapat melakukan transformasi data menggunakan Simplis. Di Simplis ini juga terdapat menu untuk analisis statistik yang lain, misalnya analisis faktor, Two - Stage Least - Squares atau juga analisis regresi.

Share:

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *