modul statistik akuntansi

Daftar IsiBAB I. 1Pengantar Statistik

11.Tujuan Penelitian

12.Skala Data

33.Jumlah Variabel

BAB II. 4Analisis Deskriptif

41.Pengertian Analisis Deskriptif

42.Contoh Kasus

6a.Langkah-Langkah Analisis Deskriptif

8b.Output SPSS

BAB III. 11Korelasi

111.Pengertian Analisis Korelasi

122.Korelasi Pearson Product Moment

13a.Langkah-Langkah Analisis Korelasi Pearson :

15b.Output SPSS

163.Contoh Kasus Korelasi Spearman

18a.Langkah-Langkah Analisis Korelasi Spearman

21b.Output SPSS

BAB IV. 23Uji Validitas Dan Reliabilitas

231.Pengertian Uji Validitas dan Reliabilitas

232.Uji Validitas

24a.Langkah-Langkah Uji Validitas

26b.Output SPSS

273.Uji Reliabilitas

27a.Langkah-langkah Uji Reliabilitas

29b.Output SPSS

BAB V. 30Uji Komparatif

301.Uji T Tidak Berpasangan (Independent T Test)

30a.Langkah-langkah Analisis

32b.Output SPSS

332.Uji T Berpasangan (Paired- T Test)

33a.Langkah-langkah analisis Uji-T berpasangan

34b.Output SPSS

353.ANOVA (Analisis Of Variance)

36a.Langkah-langkah ANOVA

37b.Outputs SPSS

BAB VI. 39Regresi

391.Pengertian Analisis Regresi

392.Asumsi dalam Regresi

413.Contoh Kasus

42a.Langkah-Langkah Analisis Regresi

44b.Output SPSS

BAB I

Pengantar Statistik

Statistik adalah metode, ilmu dan seni yang dipergunakan untuk mempelajari pengumpulan data, analisis data dan interpretasi hasil analisis serta mempergunakannnya untuk maksud peramalan. Statistika sering digunakan dalam penelitian kuantitatif, untuk mengumpulkan, mengolah, dan mengambil kesimpulan. Pemilihan metode statistika dipengaruhi oleh beberapa hal antara lain :

1. Tujuan Penelitian

Metode analisis statistika yang dipakai dalam penelitian tergantung dari tujuan peneliti sendiri, apakah tujuan penelitian tersebut ingin menggambarkan objek penelitian saja, atau membandingkan beberapa objek, atau ingin mengetahui hubungan antar objek penelitian. Sehingga berdasarkan tujuan penelitiannya metode analisis statistik dapat dibagi menjadi 3 antara lain :

a. Deskriptif : menggambar dan menjelaskan objek penelitian

Contoh : Analisis profil perusahaan gudang garam, deskripsi pegawai di kantor perpajakan kota Malang, dan lain sebagainya

b. Komparatif : membandingkan dua atau lebih objek penelitian

Contoh : Membandingkan kualitas produk dari dua perusahaan yang berbeda, mengetahui income perusahaan sesudah dilakukan pembaruan strategi perusahaan, dan lain sebagainya

c. Assosiatif : mengetahui hubungan dan pengaruh antar variabel penelitian

Contoh : Meneliti pengaruh laba perusahaan terhadap nilai perusahan, dan lain sebagainya

2. Skala Data

Berdasarkan skala pengukurannya, data dapat dibedakan menjadi data nominal, ordinal, interval dan ratio.1) Data Nominal adalah data yang dinyatakan dalam bentuk kategori dan mengandung unsur penamaan Data nominal mempunyai dua ciri :

a. Kategori data bersifat mutually exclusive (satu objek masuk hanya pada satu kelompok saja),

b. Kategori data tidak disusun secara logis.

Contoh data nominal:Jurusan MahasiswaSkor yang mungkin

Statistika123

Ilmu Pemerintahan211

Keperawatan332

Statistika adalah pendekatan kuantitatif, sehingga data nominal yang bersifat kualitatif harus dirubah menjadi data kuantitatif dengan cara pemberian skor (skoring). Yang perlu diperhatikan bahwa dalam pemberian skor data nominal bersifat sembarang, yaitu hanya sekedar untuk dapat membedakan (penamaan saja) sehingga dapat di bolak-balik.2) Data Ordinal adalah data yang selain mengandung unsur penamaan juga memiliki unsur urutan (order=urut). Ciri dari data ini kategori data disusun berdasarkan urutan logis dan sesuai dengan besarnya karakteristik yang dimiliki. Contoh data ordinal:

PreferensiSkor

Peralatan dan Teknologi canggih (seperti computer) yang dimiliki BRI14

Penataan desain dan baik interior maupun eksterior BRI23

Penampilan dan kerapian karyawan BRI32

Kebersihan dan kerapihan fasilitas BRI41

Perbedaan antara pembuatan skor untuk data ordinal dan nominal adalah jika data nominal skor dapat dibuat sembarang (tidak harus urut), tetapi untuk data ordinal urutan menunjukkan arah tingkatan.

3) Data Interval adalah data yang selain mengandung unsur penamaan dan urutan juga memiliki sifat interval (selangnya bermakna). Disamping itu data ini memiliki ciri angka nolnya tidak mutlak. Skala interval mempunyai ciri matematis additivity, artinya kita dapat menambah atau mengurangi. Contoh data interval:

IPSuhu (Derajat Celcius)

00

110

220

330

440

Perhatikan bahwa 0 pada indeks Prestasi barangkali akan setara dengan < 30 untuk skala nilai 1 100 dan 0 pada suhu dengan derajat celcius = 32o F.

4) Data Rasio adalah data yang memiliki unsur penamaan, urutan, intervalnya bermakna dan angka nolnya mutlak (fixed zero point), sehingga rationya mempunyai makna.Contoh data rasio:

Luas Bangunan ()Produksi (satuan)

25530

35600

45750

Disebut nolnya mutlak sebab memang tidak akan ada perusahaan yang produksinya 0. kalau produksinya nol berarti tidak ada perusahaan. Atau jika ada bangunan dengan luas 0 m2 itu berarti tidak ada bangunannya.3. Jumlah Variabel

Jumlah variabel penelitian juga menentukan analisis statistika yang akan dipakai pada suatu penelitian, analisis statistika yang digunakan untuk membandingkan dua perusahaan hanya berdasarkan jumlah penjualannya saja jelas berbeda jika membandingkan berdasarkan jumlah karyawan, aset, dan juga laba perusahaan perbulan. Sehingga berdasarkan jumlah variabelnya analisis statistik dibagi menjadi 2 antara lain:

1. Analisis Statistik Univariat : Analisis Statistika yang memperhitungkan faktor atau variabel tungal

Contoh : membandingkan jumlah pernjualan barang dari perusahaan A dan perusahaan B

2. Analisis Statistik Multivariat : Analisis Statistika yang memperhitungkan banyak faktor atau multi variabel

Contoh : membandingkan nilai perusahaan dilihat dari laba, aset, dan berbagai aspek lainnya

BAB II

Analisis Deskriptif1. Pengertian Analisis Deskriptif

Statistik deskriptif adalah statistik yang berfungsi untuk mendeskripsikan atau memberi gambaran terhadap obyek yang diteliti melalui data sampel atau populasi sebagaimana adanya, tanpa melakukan analisis dan membuat kesimpulan yang berlaku untuk umum. Contohnya kita ingin membuat profil sebuah perusahaan dengan memberi gambaran berupa jumlah karyawan dan komposisi jenis kelamin dari keseluruhan karyawan, umur, gaji, tempat tinggal dan lain sebagainya.

Analisis statistika deskriptif ini meliputi beberapa hal sub menu deskriptif statistik seperti frekuensi, deskriptif, eksplorasi data, tabulasi silang dan analisis rasio. Analisis deskriptif merupakan analisis yang mencakup gambaran frekuensi data secara umum seperti mean, median, modus, simpangan baku, ragam, nilai minimum, maksimum dan sebagainya. Data yang dipakai untuk statistik deskriptif berupa data kualitatif maupun data kuantitatif. Penyajian data secara numerik dapat mengetahui deskripsi data dalam bentuk tabel dan juga dalam bentuk diagram.

Statistika deskriptif bertujuan untuk mensederhanakan penyajian data, serta membuat penyajian data lebih menarik dan mudah dipahami salah satunya dengan menggunakan diagram maupun tabel.

2. Contoh Kasus

Kualitas Pelayanan Dalam Membayar Pajak di Kota Batu

Data Karakteristik Responden

NoJenis KelaminPendidikanKualitas Pelayanan

1Laki-LakiSMA5

2Laki-LakiSD2

3PerempuanSMA3

4PerempuanSarjana1

5Laki-LakiSarjana4

6Laki-LakiSMA4

7Laki-LakiSMP4

8Laki-LakiSMA5

9Laki-LakiSarjana5

10Laki-LakiSMP3

11Laki-LakiSMA3

12PerempuanSD3

13PerempuanSMA4

14PerempuanSD4

15PerempuanSMA4

16PerempuanSarjana2

17Laki-LakiSMP2

18Laki-LakiSMA1

19PerempuanSarjana4

20Laki-LakiSarjana4

21Laki-LakiSD4

22Laki-LakiSMP2

23PerempuanSMP2

24PerempuanSMA5

25Laki-LakiSarjana4

26Laki-LakiSarjana4

27PerempuanSMA4

28Laki-LakiSMA3

29PerempuanSarjana3

30PerempuanSarjana3

31Laki-LakiSMP3

32PerempuanSMA4

33PerempuanSMA4

34PerempuanSMA4

35PerempuanSarjana4

36PerempuanSD4

37PerempuanSD4

38PerempuanSD5

39PerempuanSMP5

40PerempuanSMP3

41Laki-LakiSMA3

42Laki-LakiSD3

43Laki-LakiSD3

44PerempuanSMA4

45Laki-LakiSMP4

46Laki-LakiSMP4

47Laki-LakiSD4

48Laki-LakiSD4

49Laki-LakiSMP4

50PerempuanSMP5

a. Langkah-Langkah Analisis Deskriptif

1. Input Data Contoh Penelitian (Data Kualitas Pelayanan Pembayaran Pajak Kota Batu)

2. Menuliskan Nama variabel pada kotak variabel view

3. Klik Menu Analyze, Kemudian pilih menu Descriptive, Klik Frequencies

4. Setelah muncul kotak dialog seperti dibawah, klik tanda panah ke arah kanan untuk memasukkan variabel yang akan di deskripsikan

5. Setelah semua dipindahkan semua variabel dipindahkan, klik tombol chart untuk membuat diagram pada variabel yang akan dideskriptifkan

6. Setelah muncul kotak dialog seperti di bawah, pilih diagram yang diinginkan contoh diagram pie (pie chart), setelah itu klik continue

7. Setelah muncul kembali kotak seperti dibawah, klik ok

b. Output SPSS

Setelah di lakukan analisis maka akan keluar output seperti dibawah ini :

Frequencies

Statistics

PelayananJenis_KelaminPendidikan

NValid505050

Missing000

Pada Output Baris Valid diatas menunjukkan jumlah data pada masing-masing variabel yang telah diinput sedangkan baris Missing menunjukkan jumlah data yang hilang

Frequency Table

Jenis_Kelamin

FrequencyPercentValid PercentCumulative Percent

ValidPerempuan2448.048.048.0

Laki-Laki2652.052.0100.0

Total50100.0100.0

Pendidikan


ValidSD1020.020.020.0

SMP1326.026.046.0

SMA1632.032.078.0

Sarjana1122.022.0100.0

Total50100.0100.0

Pelayanan


Validsangat tidak puas24.04.04.0

tidak puas510.010.014.0

Cukup1224.024.038.0

Puas2448.048.086.0

Sangat Puas714.014.0100.0

Total50100.0100.0

Output Frequency Table menunjukkan frekuensi masing-masing kelompok yang terdapat pada variabel penelitian, kolom percent menunjukkan peresentase kelompok dari keseluruhan dengan mengikutsertakan data yang hilang, sedangkan valid percent presentase tanpa menghitung data yang hilang.

Output diagram yang didapat sama dengan output di excel namun tampilan grafisnya lebih baik, sehingga lebih representative jika digunakan untuk presentasi

BAB III

Korelasi1. Pengertian Analisis Korelasi

Analisis Korelasi merupakan studi yang membahas tentang derajat keeratan hubungan antar peubah, yang dinyatakan dengan Koefisien Korelasi. Analisis Korelasi dapat digunakan untuk mengetahui hubungan satu variabel penelitian dengan variabel penelitian yang lain.

Analisis Korelasi hanya dapat digunakan untuk mengetahui keeratan hubungan bukan arah hubungan, sehingga analisis korelasi tidak dapat menentukan pengaruh. Terdapat banyak sekali jenis analisis korelasi berdasarkan jenis datanya, namun yang sering digunakan dalam penelitian sosial maupun ekonomi adalah korelasi pearson dan korelasi spearman.

Korelasi Pearson digunakan untuk mengetahui hubungan antar variabel yang datanya berupa data numerik (skala data : interval dan rasio). Contohnya jika kita ingin meneliti hubungan antara jumlah penjualan dengan laba harian, atau meneliti hubungan ukuran perusahaan dengan kinerja perusahaan, dan lain sebagainya.

Korelasi Spearman digunakan untuk mengetahui hubungan antar variabel yang datanya berupa data ordinal, kebanyakan kasus berupa data persepsi. Contohnya jika kita ingin mengetahui minat baca koran mahasiswa dengan wawasan politik mahasiswa, dan lain sebagainya.

Analisis korelasi bertujuan untuk mengetahui arah dan keeratan antar variabel, untuk menentukan keeratan tersebut dapat dilihat dari koefisien korelasi, berikut beberapa hal yang perlu diketahui tentang koefisien korelasi :

1. Nilai Koefisien korelasi besarnya berada diantara -1 sampai 1, semakin besar maka keeratan hubungannya semakin dekat

2. Arah hubungan ditentukan oleh tanda koefisien korelasi yaitu jika,

a. Positif, artinya jika X naik (turun) maka Y naik(turun).

b. Negatif, artinya jika X naik (turun) maka Y turun(naik).

c. Bebas, artinya naik turunnya Y tidak dipengaruhi oleh X3. Keeratan hubungan berdasarkan koefisien korelasi dapat digolongkan sebagai berikut :

0,00 0,199= sangat rendah

0,20 0,399 = rendah

0,40 -0,599 = sedang

0,60 0,799 = kuat

0,80 1,000 = sangat kuat2. Korelasi Pearson Product Moment

Contoh kasus: Hubungan Inflasi terhadap IHSG Data

NoPeriodeKurs RupiahIHSGNoPeriodeKurs RupiahIHSG

1Desember 201312087.10004274.1826Nopember 20119109.10003715.08

2Nopember 201310392.70004256.4427Oktober 20119088.50003790.85

3Oktober 201311366.90004510.6328Sep-119015.20003549.03

4Sep-139022.60004316.1829Agustus 20118895.20003841.73

5Agustus 20138938.40004195.0930Juli 20118765.50004130.8

6Juli 20138927.90004610.3831Juni 20118532.00003888.57

7Juni 201310073.40004818.932Mei 20118533.20003836.97

8Mei 20139482.70005068.6333Apr-118564.00003819.62

9Apr-139760.90005034.0734Maret 20118555.80003678.67

10Maret 20139709.40004940.9935Februari 20118651.30003470.35

11Februari 201311852.80004795.7936Januari 20118761.50003409.17

12Januari 20139687.30004453.737Desember 20108912.60003703.51


14Nopember 20129628.00004276.1439Oktober 20108975.80003635.32

15Oktober 20129597.10004350.2940Sep-108971.80003501.3

16Sep-129566.40004262.5641Agustus 20109049.50003081.88

17Agustus 201211346.20004060.3342Juli 20109148.40003069.28

18Juli 201210572.50004142.3443Juni 20109183.20002913.68

19Juni 20129499.80003955.5844Mei 20109027.30002796.96

20Mei 20129456.60003832.8245Apr-109173.70002971.25

21Apr-129451.10004180.7346Maret 20109348.20002777.3

22Maret 20129290.20004121.5547Februari 20109275.50002549.03

23Februari 20129175.50003985.2148Januari 20109457.80002610.8

24Januari 20129165.30003941.6949Desember 20099470.00002534.36


a. Langkah-Langkah Analisis Korelasi Pearson :

1. Input Data yang Akan dianalisis terlebih dahulu

2. Klik Menu Analysis, Lalu Pilih Correlate, Kemudian Klik Bivariate

3. Setelah Muncul Kotak Seperti pada gambar, pilih variabel yang akan diuji korelasi lalu tekan tombol kanan untuk memindah variabel ke kotak variable

4. Setelah variabel yang akan dianalisis sudah berada di kotak variabel, kemudian pada pilihan coefficient correlation, pilih pearson

5. Jika Sudah dicentang, kemudian klik Ok

b. Output SPSS

Kemudian Akan Muncul Output dibawah Ini

Correlations

Kurs_RupiahIHSG

Kurs_RupiahPearson Correlation1.578**

Sig. (2-tailed).000

N6060

IHSGPearson Correlation.578**1

Sig. (2-tailed).000

N6060

**. Correlation is significant at the 0.01 level (2-tailed).

Untuk Melihat Signifikan atau tidaknya hubungan antara dua variabel tersebut, pada contoh ini yaitu kurs rupiah dan IHSG, dapat dilihat pada nilai Signifikansi korelasi pearson, jika nilai signifikansi lebih kecil dari pada derajat kesalahan (alpha) dalam penelitian yaitu sebesar 5% atau 0,05 maka dapat disimpulkan terdapat hubungan yang signifikan antara kedua variabel tersebut.

Pada Contoh Kasus dapat disimpulkan bahwa Terdapat hubungan antara Kurs Rupiah dengan IHSG karena nilai sig lebih kecil dari 0.05.3. Contoh Kasus Korelasi Spearman :

Pengaruh Peningkatan Kualitas Mutu Pelayanan KPP dengan Bertambahnya Jumlah Wajib Pajak (Studi Kasus KPP Pratama Batu)Kepatuhan Wajib PajakPelayanan

44

54

54

33

55

44

55

45

34

43

43

54

44

44

44

43

44

43

35

53

34

54

54

44

45

13

44

34

55

55

55

55

44

53

43

45

54

54

54

44

44

54

54

44

44

53

52

54

54

54

43

44

44

33

45

45

44

54

55

43

44

55

54

43

44

54

44

54

54

54

54

34

54

54

55

54

45

34

55

45

44

55

55

54

54

45

44

44

44

44

44

43

55

43

43

44

45

45

45

54

a. Langkah-Langkah Analisis Korelasi Spearman

1. Input Data yang akan dianalisis

2. Klik Menu Analyze, pilih correlate, kemudian klik bivariate

3. Setelah muncul kotak dialog seperti dibawah pindahkan semua variabel yang akan diuji hubungannya

4. Setelah Semua variabel yang diuji dipindahkan ke kotak varibel (sebelah kanan), kemudian centang spearman pada correlation coefficient

5. Kemudian Klik Ok

b. Output SPSS

Kemudian Akan Muncul Output dibawah

Correlations

Kepatuhan Wajib PajakPelayanan

Spearman's rhoKepatuhan

Wajib PajakCorrelation Coefficient1.000.199*

Sig. (2-tailed)..047

N100100

PelayananCorrelation Coefficient.199*1.000

Sig. (2-tailed).047.

N100100

*. Correlation is significant at the 0.05 level (2-tailed).

Untuk Melihat Signifikan atau tidaknya hubungan antara dua variabel tersebut, pada contoh ini yaitu peningakatan kualitas pelayanan dengan kepatuhan membayar pajak, dapat dilihat pada nilai Signifikansi korelasi spearman, jika nilai signifikansi lebih kecil dari pada derajat kesalahan (alpha) dalam penelitian yaitu sebesar 5% atau 0,05 maka dapat disimpulkan terdapat hubungan yang signifikan antara kedua variabel tersebut.

Sehingga pada contoh kasus ini dapat disimpulkan bahwa terdapat hubungan antara Kepatuhan Wajib Pajak dengan Kualitas Pelayanan karena nilai sig lebih kecil dari 0.05.

BAB IV

Uji Validitas Dan Reliabilitas1. Pengertian Uji Validitas dan Reliabilitas

Dalam penelitian seringkali menggunakan instrument kuesioner. Dalam menyusun kuesioner, terdapat dua kriteria kuesioner yang baik yaitu harus valid dan reliabel. Hasil penelitian dinyatakan valid bila terdapat kesamaan antara data yang terkumpul dengan data sesungguhnya. Selanjutnya, bila suatu hasil penelitian dapat dikatakan reliabel jika kuesioner tersebut konsisten bila digunakan untuk waktu yang berbeda.

Jika butir-butir pertanyaan sudah valid dan reliabel berarti butir-butir tersebut sudah dapat untuk mengukur faktornya, yang kemudian menguji apakah faktor-faktor sudah valid untuk mengukur konstruk yang ada. Dalam pengujian butir, dapat saja ada butir-butir pertanyaan yang tidak valid dan tidak reliabel, sehingga harus dibuang atau diganti kalimatnya. Analisis dimulai dengan menguji validitas terlebih dahulu dan diikuti uji reliabilitas. Jika sebuah butir tidak valid, maka otomatis butir tersebut dibuang dan butir-butir pertanyaan yang valid kemudian baru secara bersama diukur reliabilitasnya. Tujuan dari pengujian validitas dan reliabilitas kuesioner adalah untuk meyakinkan bahwa kuesioner yang disusun akan benar-benar bisa mengukur gejala dan menghasilkan data yang valid.

2. Uji Validitas

Contoh Data Kuesioner:

RespondenItem PertanyaanTotal

12345678910

1555552255342

2435545155542

3444534354541

4545543155542

5525531355539

6545442345541

7535522245538

8533512252533

9535512155537

10555522255541

11535512555440

12324522234229

13424312255533

14525523155437

15543522155436

16244522155131

17424522154433

18424312154329

19422522254331

20514511153430

21514515153333

22424522354334

23424512154331

24412321154326

25415512153330

26413521145430

27523521143228

28522532455235

29414522143127

30524521153129

a. Langkah-Langkah Uji Validitas

1. Masukkan jawaban dari item-item pertanyaan kuesioner

2. Kemudian Klik Analyze, pilih correlate, klik bivariate

3. Pindahkan semua skor jawaban item pertanyaan dan total jawaban ke kotak sebelah kanan

4. Centang pearson pada correlation coefficient

5. Kemudian Klik OK

b. Output SPSS

Kemudian Akan Muncul Output dibawah ini

Correlations

total

item1Pearson Correlation.427*

Sig. (2-tailed).017

N31

item2Pearson Correlation.754**

Sig. (2-tailed).000

N31


Sig. (2-tailed).000

N31

item4Pearson Correlation.236

Sig. (2-tailed).202

N31


Sig. (2-tailed).000

N31


Sig. (2-tailed).008

N31

item7Pearson Correlation.454*

Sig. (2-tailed).010

N31

item8Pearson Correlation.225

Sig. (2-tailed).223

N31


Sig. (2-tailed).001

N31


Sig. (2-tailed).000

N31

Untuk Melihat kevalidan item pertanyaan dapat dilihat pada nilai signifikansi, seperti yang terdapat pada output diatas jika nilai signifikansi kurang dari tingkat kesalahan yang ditetapkan peneliti atau alpha (0,05) maka pertanyaan tersebut dinyatakan sudah valid, pada contoh kasus diatas diketahui bahwa semua item pertanyaan valid, kecuali item pertanyaan ke-4 dan ke-8, karena nilai signifikansinya lebih dari alpha (0,05) yaitu pada item-4 sebesar 0,202 sedangkan pada item ke-8 sebesar 0,223 sehingga pertanyaan tersebut dinyatakan tidak valid dan harus dihilangkan atau diganti dengan pertanyaan yang lain.

Setelah ke-2 item pertanyaan yang tidak valid dihilangkan maka bisa dilanjutkan dengan menguji reliabilitas dari kuesioner dengan menggunakan uji reliabilitas menggunakan software SPSS dengan langkah-langkah sebagai berikut :

3. Uji Reliabilitas

a. Langkah-langkah Uji Reliabilitas

1. Klik menu Analyze, pilih Scale, Reliability Analysis

2. Setelah Muncul kotak Reliability Analysis, pindahkan semua item pertanyaan yang telah dinyatakan valid pada uji validitas ke kotak sebelah kanan (kotak items)

3. Setelah semua item pertanyaan yang valid sudah dipindahkan, kemudian klik Ok

b. Output SPSS

Setelah dilakukan analisis reliabilitas maka keluar output seperti berikut

Reliability

Untuk melihat apakah semua item pertanyaan tersebut sudah reliabel dapat dilihat pada inlai Alpha Cronbach nya, jika nilai alpha cronbach nya lebih dari 0,6 maka pertanyaan-pertanyaan tersebut sudah reliabel, pada contoh kasus diketahui bahwa nilai alpha cronbach sebesar 0,729 lebih besar daripada 0,6 sehingga pertanyaan-pertanyaan tersebut sudah bisa dijadikan acuan sebagai penelitian selanjutnya.

BAB V

Uji Komparatif

1. Uji T Tidak Berpasangan (Independent T Test)Independen T Test adalah uji komparatif atau uji beda untuk mengetahui adakah perbedaan mean atau rerata yang bermakna antara 2 kelompok bebas yang berskala data interval/rasio. Dua kelompok bebas yang dimaksud di sini adalah dua kelompok yang tidak berhubungan, artinya kita membandingkan dua objek atau variabel yang tidak saling berhubungan.

Contoh kasus:

Analisis Perbandingan Rasio Resiko Perbankan Bagi Hasil Bank Syariah Dan Bunga Bank Konvensional

Data Rasio Resiko Likuiditas

TahunRisiko Likuiditas

KonvensionalSyariah

20032,917%118,250%

20046,380%188,447%

20056,127%142,205%

20064,455%130,196%

20076,203%270,127%

a. Langkah-langkah Analisis : 1. Masukkan data likuiditas terlebih dahulu dengan format seperti berikut

2. Kemudian klik analyze, pilih compare means, kemudian klik independent-samples T-test

3. Setelah muncul kotak dialog seperti dibawah, pindah data tipe di group variabel dan rasio resiko di test variable

4. Setelah selesai, kemudian klik define groups, untuk mengisikan jumlah kelompok

5. Isikan angka 1 pada group 1 dan angka 2 pada group 2, kemudian klik continue

6. Setelah muncul dialog independent t-test kembali, klik Ok

b. Output SPSS

Pertama yang harus diperhatikan adalah pada kolom levenes test, kolom ini digunakan untuk memilih uji t yang akan dipakai pada kolom sebelahnya, jika nilai signifikansi pada levenes test lebih besar dari 0,05 maka signifikansi uji t yang dipakai adalah yang berada di paling atas sendiri sejajar dengan equal variances assumed, namun jika lebih kecil dari o,05 ujit yang dipakai adalah signifikansi uji t yang paling bawah sejajar dengan equal variances not assumed.

Pada contoh kasus didapatkan bahwa nilai signifikansi pada levenes test lebih kecil dari 0,05 sehingga uji t yang dipakai adalah uji t paling bawah, dan didapatkan nilai signifikansi sebesar 0,004 nilai tersebut kurang dari alpha = 0,05 sehingga dikatakan terdapat perbedaan rasio resiko likiditas antara Bank Konvensional dan Syariah.2. Uji T Berpasangan (Paired- T Test)

Paired T Test adalah uji komparatif atau uji beda untuk mengetahui adakah perbedaan mean atau rerata yang bermakna kelompok yang berasal dari 1 populasi yang dikenai 2 perlakuan. Uji T berpasangan dapat kita definisikan sebagai uji yang digunakan untuk mengetahui perbedaan kondisi sebelum dan sesudah dilakukan suatu tindakan pada objek, individu, atau perusahaan tertentu, sehingga Uji T cocok digunakan untuk meninjau keberhasilan suatu tindakan atau program kerja.Contoh Kasus

Pengaruh Kebijakan Pemecahan Saham (Stock Split) terhadap Return Saham perusahaan. (Studi Kasus Perusahaan Terbuka yang terdaftar di Bursa Efek Indonesia).

Data Return Saham Sebelum dan Setelah Stock Split Tahun 2008

PerusahaanSebelum Stock SplitSetelah Stock Split

BBCA0.000117-0.0819

BRNA0.0648-0.0491

DOID0.04410.1135

INCO0.043857-0.19436

MIRA0.0711-0.122

PANS-0.0062080.001408

PANR0.12150.1206

a. Langkah-langkah analisis Uji-T berpasangan :

1. Input data contoh kedalam SPSS seperti dibawah

2. Kemudian Klik Analyze, pilih compare means, kemudian pilih paired-samples T-test

3. Masukkan sebelum pada kolom variabel 1 dan sesudah pada kolom variabel 2

4. Klik Ok

b. Output SPSS

Untuk melihat apakah terdapat perbedaan return saham perusahaan sebelum stock-split dan sesudah stock-split, dapat dilihat pada nilai signifikansi yang berada pada kolom paling ujung pada output uji T, jika nilai signifikansi kurang dari 0,05 maka dapat dinyatakan terdapat perbedaan return saham sebelum dan sesudah stock-split. Pada contoh kasusu didapatkan nilai signifikansi lebih dari 0.05 sehingga dikatakan tidak terdapat perbedaan return saham sebelum dan sesudah diberlakukan stock split

3. ANOVA (Analisis Of Variance)

ANOVA merupakan lanjutan dari uji-t independen dimana kita memiliki dua kelompok percobaan atau lebih. ANOVA biasa digunakan untuk membandingkan mean dari dua kelompok sampel independen (bebas). Uji ANOVA ini juga biasa disebut sebagai One Way Analysis of Variance.Contoh Kasus:

Analisis Perbandingan Kinerja Keuangan Bank Pemerintah, Bank Swasta Nasional Dan Bank Swasta Asing Dengan Menggunakan Rasio KeuanganJenis BankTahunRasio Keuangan

Bank Pemerintahan199996.21

200083.76

200180.6

200287.42

200384.5

Bank Swasta Nasional199924.6

200030.6

200141.8

200240.3

200343.37

Bank Swasta Asing199956.5

200072.2

200180.8

200275.5

200388.1

a. Langkah-langkah ANOVA:

1. Susun data seperti berikut

2. Klik Analyze --> Compare Means --> One Way ANOVA :

3. Pada kotak dialog One Way ANOVA, masukkan variabel Rasio Keungan pada Dependent List dan Bank pada Faktor.

4. Selanjutnya klik Post-Hoc, pilih Tukey lalu Continue. OK

b. Outputs SPSS

ANOVARasio Keuangan

Sum of SquaresdfMean SquareFSig.

Between Groups6931.31923465.66043.240.000

Within Groups961.7931280.149

Total7893.11214

Untuk melihat apakah terdapat perbedaan rasio keuangan antara ketiga bank tersebut, dapat dilihat pada nilai signifikansi yang terdapat pada Tabel ANOVA, pada tabel tersebut dapat diketahui bahwa ada perbedaan rasio keuangan antara ketiga Bank (nilai sig < 0.00). Karena hasil uji F signifikan, maka dapat dilakukan uji lanjutan (Post-Hoc Test) yaitu untuk mengetahui bank manakah yang memiliki rasio keuangan berbeda.

Untuk mengetahui bank mana saja yang memiliki rasio keuangan yang berbeda dan mana yang sama dapat dilihat pada kolom subset for alpha, pada uji tukey, bank yang terletak dalam satu subset menunjukkan bahwa tidak terdapat perbedaan rasio keuangan pada bank tersebut, sehingga berdasakan hasil uji lanjutan Tukey dapat diketahui bahwa Bank Swasta Nasional berbeda dengan kedua bank lainnya (pada subset 1 hanya terdiri dari Bank tersebut).BAB VI

Regresi

1. Pengertian Analisis Regresi

Analisis Regresi merupakan analisis statistik yang digunakan untuk meneliti pengaruh dari variabel bebas terhadap variabel terikat. Dengan analisis regresi kita dapat mengetahui seberapa besar pengaruh suatu variabel bebas terhadap variabel terikatnya, dan vatiabel mana yang paling mempengaruhi variabel terikat tersebut. Sehingga dengan mengetahui variabel mana yang paling mempengaruhi kita dapat menentukan strategi ataupun keputusan di masa yang akan datang. Dalam analisis regresi akan dihasilkan suatu model yang menunjukkan hubungan dari variabel terikat dengan variabel bebas, secara umum model regresi dituliskan sebagai berikut :

Keterangan:

Y= Variabel Terikat (Variabel yang dipengaruhi)

X1= Variabel bebas pertama

X2= Variabel bebas kedua

Xn= Variabel bebas ke-n

0= Nilai Y tanpa dipengaruhi oleh variabel bebas

1= Besarnya Pengaruh X1 terhadap Y

2= Besarnya pengaruh X2 terhadap Y

n= Besarnya pengaruh Xn terhadap Y

Bentuk persamaan regresi dan jumlah tergantung pada jumlah variabel bebasnya jika, jumlah variabel bebas hanya 2 maka bentuk persamaannya menjadi

jika variabel bebasnya hanya satu maka bentuk persamaannya menjadi

2. Asumsi dalam Regresi

Analisis regesi memiliki beberapa asumsi atau syarat yang harus dipenuhi agar hasil analisis yang didapat benar benar sesuai dengan penelitian antara lain :

1. Normalitas

Analisis regresi mensyaratkan agar data yang dianalisis menyebar secara normal, menyebar secara normal artinya tidak terdapat data yang ekstrem yang merupakan pencilan, atau jauh dari data yang lainnya, normalitas dari data yang diregresikan dapat dilihat salah satunya menggunakan P-P Plot, apabila data tidak menyebar normal maka analisis regresi tidak dapat dilakukan sebab dapat memberikan hasil yang bias, atau tidak sesuai dengan data yang didapat.

2. Non-Multikolinearitas

Dalam analisis regresi hanya terdapat satu pengaruh yaitu pengaruh variabel bebas terhadap variabel terikat, sehingga dalam analisis regresi dengan banyak variabel bebas, tidak boleh terdapat hubungan antar variabel bebasnya, ini yang disebut sebagai non-multikolinearitas, sebab apabila terdapat hubungan antar variabel bebas hal tersebut akan mempengaruhi hasil dari penelitian, untuk melihat apakah terdapat multikolinearitas atau tidak dapat menggunakan VIF dari hasil analisis regresi

3. Non-Heterokedastisitas

Dalam analisis regresi data yang digunakan haruslah homogen, maksudnya berasal dari populasi yang sama, contohnya kita ingin meneliti pengaruh besar perusahaan terhadap gaji karyawan maka, data yang diambil haruslah dari perusahaan yang sejenis, dalam hal produksinya maupun besar tidaknya perusahaan tersebut, untuk mengetahui homogenitas dari suatu data regresi dapat menggunakan plot residual

4. Non-Autokorelasi

Dalam regresi terdapat persyaratan bahwa tidak boleh terdapat hubungan natar data yang didapat, hubungan antar data itu disebut autokorelasi, contohnya jika kita ingin meneliti pengaruh laba terhadap rasio keuangan maka data yang kita ambil dari beberapa perusahaan tidak boleh saling mempengaruhi, contohnya laba perusahaan pertama tidak boleh dipengaruhi oleh laba perusahaan kedua dan seterusnya, asumsi ini dapat diuji menggunakan koefisisen durbin watson

3. Contoh Kasus

Pengaruh Besar Perusahaan (Size) dan Corporate Governance (CG) terhadap Return of Equity (ROE)

PerusahaanROESIZECG

117,5712,9485,99

215,4212,6482,65

322,1913,4891,67

411,4313,1782,98

53,1312,7582,23

629,5612,5976,99

719,2413,6469,33

813,7912,8691,42

91,7111,6777,6

1012,3813,2884,58

1131,5512,9084,11

123,3012,6282,55

1314,5811,8977,53

145,7911,3282,65

1524,0013,5786,89

1632,2513,1682,98

1716,1212,4473,19

182,2312,1476,96

190,4011,4269,97

2014,9113,2985,26

a. Langkah-Langkah Analisis Regresi :

1. Input data contoh seperti berikut

2. Klik Analyze, pilih regression, kemudian klik linier

3. Masukkan variabel ROE pada kotak variabel dependen sedangkan CG dan SIZE pada kotak variabel dependen

4. Klik menu statistik, kemudian centang collinearity diasnogtics, dan durbin watson seperti contoh, kemudian klik continue

5. kemudian klik menu plots, masukkan ZPRED pada kolom sebelah kiri, pada kotak Y dan SDRESID pada kotak X, kemudian centang normal probability plot kemudian klik continue

6. Klik Ok

b. Output SPSS

RegressionModel Summaryb

ModelRR SquareAdjusted R SquareStd. Error of the EstimateDurbin-Watson

1.586a.343.2668.512072.530

a. Predictors: (Constant), CG, SIZE

b. Dependent Variable: ROE

Pada output di atas yaitu pada model summary, bagian terpenting adalah pada kolom R square, R square menunjukkan seberapa peran variabel bebas mempengaruhi variabel terikat, pada contoh kasus didapatkan bahwa nilai R Square sebesar 0,343 ini menunjukkan bahwa CG dan SIZE berperan sebesar 34,3% mempengaruhi ROE sedangkan sisanya sebesar 65,7% dipengaruhi oleh variabel bebas lain selain CG dan SIZE yang tidak kita teliti. Semakin besar nilai R Square maka menunjukkan semakin baik hasil penelitian yang kita dapat.

Bagian terpenting kedua adalah pada kolom durbin-watson yang digunakan untuk mengetahui apakah data yang kita analisis sudah memenuhi asumsi autokorelasi atau tidak, untuk mengetahuinya dapat kita ketahui melalui nilai durbin-watson, apabila nilai durbin watson berada diantara du dan 4-du maka data kita sudah memenuhi asumsi non-autokorelasi, nilai du dapat dilihat pada tabel durbin watson di halaman akhir modul, dari tabel durbin watson diketahui bahwa untuk jumlah sampel sebanyak 20, dengan jumlah variabel bebas sebanyak 2, nilai du nya sebesar 1,5367, sehingga dapat diketahui 4-du = 2,4633, dapat kita ketahui bahwa nilai durbin watson yang kita dapat adalah sebesar 2,530 nilai ini tidak berada diantar du dengan 4-du, sehingga untuk data ini tidak memenuhi asumsi autokorelasi.

ANOVAb

ModelSum of SquaresdfMean SquareFSig.

1Regression643.5842321.7924.441.028a

Residual1231.7401772.455

Total1875.32419

a. Predictors: (Constant), CG, SIZE

b. Dependent Variable: ROE

Pada Output ANOVA, bagian terpenting adalah pada nilai signifikansi, nilai signifikansi pada tabel ANOVA menunjukkan pengaruh variabel bebas secara bersamaan terhadap variabel terikat, dalam hal ini pengaruh bersamaan SIZE dan CG terhadap ROE, jika nilainya kurang dari 0,05, maka tabel ANOVA untuk regresi data contoh dapat disimpulkan bahwa terdapat pengaruh secara bersamaan yang signifikan dari SIZE dan CG terhadap ROE. Coefficientsa

ModelUnstandardized CoefficientsStandardized CoefficientstSig.Collinearity Statistics

BStd. ErrorBetaToleranceVIF

1(Constant)-91.94337.570-2.447.026

SIZE8.3723.127.5852.677.016.8101.235

CG.004.355.002.010.992.8101.235

a. Dependent Variable: ROE

Pada Output coefficient bagian terpenting adalah pada nilai B, signifikansi, dan VIF, signifikansi menunjukkan apakah terdapat pengaruh variabel bebas terhadap variabel terikat secara sendiri-sendiri jika nilai signifikansi kurang dari 0,05 maka dapat disimpulakn bahwa terdapat pengaruh yang signifikan variabel bebas terhadap variabel terikat, pada tabel coefficient data contoh dapat diketahui bahwa nilai signifikansi SIZE kurang dari 0,05 ini menunjukkan bahwa SIZE mempengaruhi ROE secara signifikan, sedangkan pada signifikansi CG didapatkan nilainya sebesar 0,992 lebih besar daripada 0,05, sehingga dapat disimpulkan CG tidak mempengaruhi ROE secara signifikan.

Kolom VIF menunjukkan apakah data yang kita analisis sudah memenuhi asumsi non-multikolinearitas atau tidak, jika tiap nilai VIF < 10, maka data yang kita analisis sudah memenuhi asumsi non-multikolinearitas, pada data contoh didapatkan nilai VIF kedua variabel sebesar 1,235 lebih kecil dari 10, maka dapat disimpulkan bahwa data contoh sudah memenuhi asumsi non-multikolinearitas

Bagian penting terakhir yaitu kolom B, kolom ini menunjukkan model regresi yang kita dapat nilai konstanta menunjukkan besarnya 0 , sedangkan nilai yang lainnya menunjukkan pengaruh masing-masing variabel bebas terhadap variabel terikat sehingga berdasarkan kolom B kita mendapatkan persaamaan regresi sebagai berikut :

Berdasarkan model tersebut dapat kita ketahui bahwa pengaruh size terhadap ROE sebesar 8,372 sehingga apabila size perusahaan bertambah 1 satuan maka ROE akan bertambah sebesar 8,372, begitu juga dengan CG apabila bertambah 1 satuan akan meningkatkan ROE sebesar 0,04

Charts

Output Normal P-P Plot menunjukkan apakah data kita sudah memenuhi asumsi normalitas apabila titik-titik pada P-P plot yang menunjukkan data kita menyebar disekitar garis diagonal maka data kita sudah memenuhi asumsi normalitas, pada output data contoh dapat dilihat pada P-P plot titik-titik data menyebar disekitar garis diagonal sehingga dapat disimpulkan bahwa data contoh sudah memenuhi asumsi normalitas

Output yang terakhir adalah plot residual yang digunakan untuk mengetahui apakah data yang kita analisis sudah memenuhi asumsi non-heterokedatisistas atau tidak, untuk mengetahuinya dapat kita ketahui plot pada scatter plot output SPSS apabila plot atau titik pada gambar menyebar di atas dan dibawah nilai 0, dan tidak membentuk pola tertentu, maka data yang kita analisis sudah memenuhi asumsi non-heterokedastisitas, dengan melihat gambar output SPSS dapat diktahui bahwa plot residual menyebar di atas dan dibawah 0, dan tidak membentuk pola tertentu, sehingga dapat disimpulkan bahwa data contoh sudah memenuhi asumsi non-heterokedatisitas.

4

modul statistik akuntansi

Documents