Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi

ARTIKEL ILMIAH
1. Judul
2. Abstrak (Abstract)
3. Pendahuluan (introduction)
4. Literatur, Kerangka konseptual dan hipotesis (literature, Conceptual
Framework and hypothesis)
5. Metodologi (Methodology)
6. Hasil dan pembahasan (Results and discussion)
7. Kesimpulan (Conclusion)
8. Daftar Pustaka (References)
Kwl
Vrb
Books

Alat analisis yang diperlukan - Artikel
1) Uji Validity
2) Uji Reliability
3) Statistik Descriptif
4) Correlation
5) Uji Multicollinearity
6) Uji Autocorrelation
7) Uji Heteroscedasticity
8) Uji Normaliity
9) Uji Linearity
10) Kerangka Konseptual
11) Persamaan Regresi
12) Uji Statistik F
13) Uji Statistik t
14) Koefisien Determinan (Adjusted R2)
15) Uji path (Uji pengaruh tidak langsung melalui variabel intervening)
16) Logit (logistic) Model, dll

Implementasi software statistik &interprestasinya
• Jurnal: Hasil & Pembahasan
• Data Cross section & Time series
• Questionnaire (angket)
• Tabulasi data
• Input data
• Output statistik
• Interpretasi

PENGARUH CITRA MEREK, KESADARAN MEREK, DAN KUALITAS PRODUK
TERHADAP KEPUTUSAN MEMBELI PRODUK APPLE
Kerangka Konseptual
Model Analisis Regresi

1. Uji questionnaire (instrument) data cross section: Uji Validity dan uji
Reliability
2. Statistik deskriptif
3. Koefisien korelasi
4. Uji asumsi klasik (multicollinearity, autocorrelation, hetersocedasticity,
normality, dan linearity)
5. Goodness of fit : koefisien determinasi (R2)
6. Uji statistic-F : uji simultan
7. Uji statistic-t : uji parsial
Analisis statistik

Uji Validitas
Instrument dikatakan valid jika korelasi antara skor faktor dengan skor total bernilai positif dan nilainya lebih
dari 0,30 (r > 0,3). Hasil menunjukkan bahwa seluruh indikator pernyataan memiliki korelasi item total lebih dari
0,30 sehingga seluruh indikator tersebut telah memenuhi syarat validitas data.

Uji Reliabilitas
Hasil uji reliabilitas memiliki koefisien Cronbach’s Alpha lebih dari 0,6. Hal ini dapat
dikatakan bahwa semua instrumen reliabel.

Hasil Regresi
Y = -0.160 + 0,277 X1 + 0,390 X2 + 0,353 X3
Persamaan Regresi:
Model Persamaan Resgresi :
Estimasi Pers. Resgresi :

Pengaruh Faktor Good Corporate Governance, Free Cash Flow,
dan Leverage Terhadap Manajemen Laba

Uji Asumsi Klasik:
 Uji normalitas dilakukan dengan analisis penyebaran data pada grafik histogram dan normal probability
plot. Pengujian normalitas juga dilakukan secara statistik untuk mendapatkan hasil yang lebih valid,
yaitu dengan uji statistik non-parametrik Kolmogorov-Smirnov. Data dikatakan normal jika nilai signifikan
lebih besar dari 0,05. Hasil pengujian statistik Kolmogorov Smirnov, bahwa data telah terdistribusi
secara normal. Hal ini ditunjukkan oleh nilai signifikansi Kolmogorov-Smirnov yang berada di atas 0.05
yaitu sebesar 0.205. Selanjutnya, untuk mendukung hasil uji statistik tersebut, dilakukan pula uji
normalitas melalui analisis grafik histogram dan normal probability plot. Setelah dilakukannya casewise
diagnostics, model regresi telah terdistribusi secara normal. Hal ini ditunjukkan dari distribusi data yang
membentuk seperti lonceng.
 Pengujian terhadap adanya mulkolinieritas dalam penelitian ini adalah dengan menggunakan nilai
tolerance dan variance inflation factor (VIF) pada model regresi. Jika tolerance value lebih dari 0,10 dan
VIF kurang dari 10, hal ini menunjukkan bahwa tidak terjadi multikolienaritas.
 Nilai Durbin-Watson adalah sebesar 1.877. Hal ini berarti bahwa model regresi tidak mengindikasikan
adanya autokorelasi karena nilai Durbin Watson (r) terletak pada batas antara du dan 4-du.
 Model regresi dalam penelitian ini bebas dari gejala heteroskedastisitas karena tidak ada pola tertentu
pada grafik scatterplot tersebut. Titik-titik pada grafik relatif menyebar baik di atas sumbu Y maupun di
bawah sumbu Y (tidak terdapat pola tertentu).

Kerangka Konseptual
X2
X3
X6
X4
X1
X5
Y
H5
H4
H3
H2
H1
H6
Model Persamaan Regresi:
Y = β0 + β1X1 + β2X2 +β3X3 +β4X4 +β5X5 + β6X6 + e

DATA
• Data Cross section
• Data Time serie

QUESTIONNAIRE (ANGKET)
• Contoh Questioner (angket)
oVariabel Y - Kometmen Organisasi : 6 pertanyaan
oVariabel X1 - Kompensasi langsung : 5 pertanyaan
oVariabel X2 - Kompensasi tak langsung : 10 Pertanyaan
 Tabulasi data: input data
oTabulasi tiap: skor tiap pertanyaan dijumlahkan
oRata-rata: input data

Tabulasi Data
Dst …untuk variabel X1 dan X2
Responden (n) Y1 Y2 Y3 Y4 Y5 Y6 Y7 Jumlah Rata2
1 3 4 4 3 4 4 3 25 3.6
2 5 5 5 5 5 5 5 35 5.0
3 2 3 3 2 3 3 2 18 2.6
4 3 3 2 3 2 3 3 19 2.7
5 3 3 3 3 3 3 3 21 3.0
6 4 4 4 4 4 4 4 28 4.0
7 3 3 3 3 3 3 3 21 3.0
8 2 3 2 2 2 3 2 16 2.3
9 3 3 3 3 3 3 3 21 3.0
10 4 4 4 4 4 4 4 28 4.0
dst
TABULASI DATA VARIABEL Y ( 7 Pertanyaan: Y1 sd Y7)

Tabulasi data
Responden (n) Y X1 X2
1 3.6 2 4
2 5.0 4 3
3 2.6 5 4
4 2.7 4 5
5 3.0 3 4
6 4.0 4 5
7 3.0 3 4
8 2.3 4 3
9 3.0 2 4
10 4.0 4 5
dst
TABULASI DATA : Y, X1 dan X2 (Input data)

n Y1 Y2 Y3 Y4 Y5 Y6 Y7 Total Rata-rata
1 3 4 4 3 4 4 3 25 3.6
2 5 5 5 5 5 5 5 35 5.0
3 2 3 3 2 3 3 2 18 2.6
4 3 3 2 3 2 3 3 19 2.7
5 3 3 3 3 3 3 3 21 3.0
6 4 4 4 4 4 4 4 28 4.0
7 3 3 3 3 3 3 3 21 3.0
8 2 3 2 2 2 3 2 16 2.3
9 3 3 3 3 3 3 3 21 3.0
10 4 4 4 4 4 4 4 28 4.0
11 3 3 3 3 3 3 3 21 3.0
12 2 3 2 2 2 3 2 16 2.3
13 3 3 3 3 3 3 3 21 3.0
14 4 4 4 4 4 4 4 28 4.0
15 3 3 3 3 3 3 3 21 3.0
16 3 3 3 3 3 3 3 21 3.0
17 4 3 3 4 3 3 4 24 3.4
18 3 5 5 3 5 5 3 29 4.1
19 3 3 3 3 3 3 3 21 3.0
20 4 3 4 4 4 3 4 26 3.7
21 3 3 3 3 3 3 3 21 3.0
22 3 5 5 3 5 5 3 29 4.1
23 4 3 3 4 3 3 4 24 3.4
24 3 3 4 3 4 3 3 23 3.3
25 3 3 3 3 3 3 3 21 3.0
Return saham (Y) : 7 pertanyaan
Dst …untuk variabel X1, X2,…..Xn

Uji Validity
 Uji validitas, adalah untuk mengetahui seberapa cermat suatu instrument (teknik pengambilan sampel
atau pengukuran data) dalam mengukur apa yang ingin diukur atau diteliti.
 Uji Valitas Kuisioner : Langkahnya,
Analyze → Correlate → Bivariate → Pindahkan semua item dan total ke kolom Variables → OK
 Tiap Item dari variable Y memiliki tingkat Sig (2-tailed) 0,000 < 0,01 (1%), atau korelasi tiap item terhadap
total > r table 0,505 (1% atau 0,01 dan n = 25).
 Dst …untuk variabel X1, X2…Xn

y1 Y2 Y3 Y4 Y5 Y6 Y7 YT
Pearson Correlation 1 .417*
.562**
1.000**
.562**
.417*
1.000**
.818**
Sig. (2-tailed) 0.038 0.003 0.000 0.003 0.038 0.000 0.000
Pearson Correlation .417*
1 .849**
.417*
.849**
1.000**
.417*
.837**
Sig. (2-tailed) 0.038 0.000 0.038 0.000 0.000 0.038 0.000
Pearson Correlation .562**
.849**
1 .562**
1.000**
.849**
.562**
.915**
Sig. (2-tailed) 0.003 0.000 0.003 0.000 0.000 0.003 0.000
Pearson Correlation 1.000
**
.417
*
.562
**
1 .562
**
.417
*
1.000
**
.818
**
Sig. (2-tailed) 0.000 0.038 0.003 0.003 0.038 0.000 0.000
.849**
1.000**
.562**
1 .849**
.562**
.915**
Sig. (2-tailed) 0.003 0.000 0.000 0.003 0.000 0.003 0.000
Pearson Correlation .417
*
1.000
**
.849
**
.417
*
.849
**
1 .417
*
.837
**
Sig. (2-tailed) 0.038 0.000 0.000 0.038 0.000 0.038 0.000
Pearson Correlation 1.000**
.417*
.562**
1.000**
.562**
.417*
1 .818**
Sig. (2-tailed) 0.000 0.038 0.003 0.000 0.003 0.038 0.000
.837**
.915**
.818**
.915**
.837**
.818**
1
Sig. (2-tailed) 0.000 0.000 0.000 0.000 0.000 0.000 0.000
Y5
Y6
Y7
YT
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).
Correlations
y1
Y2
Y3
Y4
Uji Validitas

Uji Reliability
 Menguji konsistensi alat ukur jika pengukuran diulangi, hasilnya konsisten atau dapat dipercaya atau
tahan uji.
 Uji Reliabilitas Kuisioner : Langkahnya,
Analyze → Scale → Reliability Analysis → Pindahkan semua item kekolom item (kecuali total) → OK
 Karena Cronbach’s Alpha variable Y > 0,7 maka dinyatakan bahwa instrument pengukuran variable Y
dinyatakan reliable.
 Dst … untuk variabel X1, X2…Xn
Cronbach's Alpha N of Items
0.937 7
Reliability Statistics

n Y X1 X2
1 3.6 3.5 3.8
2 5.0 5.0 5.0
3 2.6 2.5 2.8
4 2.7 2.8 2.5
5 3.0 3.0 3.0
6 4.0 4.0 4.0
7 3.0 3.0 3.0
8 2.3 2.3 2.3
9 3.0 3.0 3.0
10 4.0 4.0 4.0
11 3.0 3.0 3.0
12 2.3 2.3 2.3
13 3.0 3.0 3.0
14 4.0 4.0 4.0
15 3.0 3.0 3.0
16 3.0 3.0 3.0
17 3.4 3.5 3.3
18 4.1 4.0 4.5
19 3.0 3.0 3.0
20 3.7 3.8 3.8
21 3.0 3.0 3.0
22 4.1 4.0 4.5
23 3.4 3.5 3.3
24 3.3 3.3 3.5
25 3.0 3.0 3.0
Input Data (cross section)
Langkahnya,
Analyse → Regression → Linear → Dependen Y →
Independent X1, X2 → OK

Standardized
Coefficients
B Std. Error Beta
(Constant) 0.032 0.029 1.077 0.293
X1 0.704 0.033 0.698 21.590 0.000
X2 0.283 0.030 0.309 9.546 0.000
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1
OUTPUT (data cross section)
Sum of Squares df Mean Square F Sig.
Regression 9.644 2 4.822 6833.086 .000
b
Residual 0.016 22 0.001
Total 9.660 24
ANOVAa
Model
1
b. Predictors: (Constant), X2, X1
R R Square Adjusted R Square Std. Error of the Estimate
1 .999
a
0.998 0.998 0.02657
Model Summary
Model
a. Predictors: (Constant), X2, X1

Data Hal. 1n Y X1 X2 X3 X4 X5 X6
1 -0.12 0.15 0.21 0.00 0.01 6.82 0.0193126
2 -0.21 0.04 0.18 0.00 -0.06 2211 0.0000086
3 -0.01 0.15 -0.09 0.31 0.20 1834 0.0214533
4 -0.37 -0.03 -0.16 0.05 0.10 1232 0.0039274
5 -0.23 0.10 0.09 0.25 0.09 3988 0.0097421
6 -0.01 0.27 0.11 0.17 0.27 9175 0.0041773
7 -0.64 0.22 -0.06 0.43 0.15 7.63 0.0059318
8 -0.27 0.25 0.00 0.09 0.22 1.73 0.0000089
9 -0.04 0.03 -0.11 0.02 0.03 69.7 0.0162511
10 -0.20 0.17 -0.07 0.00 0.24 7.10 0.0022809
11 -0.56 -0.05 -0.30 0.15 0.10 6.86 0.0000172
12 -0.36 -0.08 -0.06 0.15 -0.04 6.59 0.0000003
13 -0.63 0.25 0.42 0.06 0.15 5.19 0.0090006
14 -0.21 0.07 0.12 0.01 0.03 4.73 0.0001764
15 -0.48 -0.04 -0.40 0.00 0.17 7.18 0.0007541
16 -0.21 0.02 0.14 0.01 0.06 4.66 0.0254870
17 -0.29 -0.01 -0.42 0.05 0.02 4.68 0.0000531
18 -0.71 0.08 0.07 0.18 0.07 30.2 0.0000831
19 -0.02 0.35 -0.47 0.00 0.04 38.8 0.0030028
20 -0.02 0.12 -0.11 0.02 0.04 7.55 0.0151324
21 -0.27 0.39 0.09 0.32 0.05 5.78 0.0329183
22 -0.11 0.03 0.04 0.04 0.07 6.18 0.0148446
23 -0.08 0.33 0.05 0.07 0.13 3.94 0.0004418
24 -0.05 0.33 0.20 0.01 0.03 6.31 0.0003481
n Y X1 X2 X3 X4 X5 X6

Data Hal. 2
n Y X1 X2 X3 X4 X5 X6
25 -0.14 0.29 -0.23 0.12 0.13 10.1 0.0227586
26 -0.58 -0.21 -0.29 0.19 0.07 10.0 0.0000875
27 -0.76 0.12 -0.05 0.31 0.04 3.06 0.0000040
28 -0.52 0.12 -0.11 0.15 0.35 0.59 0.0020673
29 -0.48 -0.21 -0.14 0.11 0.03 3.78 0.0005421
30 -0.07 0.00 0.03 0.01 0.00 6.12 0.0014098
31 -0.17 -0.04 -0.01 0.06 -0.06 6.37 0.0000120
32 -0.31 -0.01 0.09 0.01 0.00 7.25 0.0010565
33 -0.40 0.00 -0.52 0.00 0.35 7.80 0.0000055
34 -0.69 0.01 0.06 0.02 0.01 0.60 0.0000014
35 -0.20 0.09 0.02 0.02 -0.09 6.97 0.0000463
36 0.00 0.00 -0.63 0.02 -0.38 8.71 0.0009827
37 -0.67 0.06 0.09 0.33 0.02 1.88 0.0012050
38 -0.09 0.14 0.21 0.06 0.04 47.1 0.0000013
39 -0.66 0.15 0.08 0.00 0.19 7.65 0.0006202
40 -0.05 0.00 -0.32 0.00 -0.02 7.53 0.0030660
41 -0.08 0.00 -0.27 0.00 0.01 7.94 0.0029773
42 -0.05 -0.02 0.03 0.00 0.03 9.43 0.0115297
43 -0.03 0.15 -0.01 0.02 0.21 6.89 0.0000948
44 -0.22 0.14 0.08 0.00 -0.08 4.81 0.0000069
45 -0.39 0.01 0.08 0.01 0.10 7.75 0.0032611
46 -0.34 0.02 -0.20 0.02 0.10 7.79 0.0010159
47 -0.48 0.09 0.45 0.00 -0.06 241 0.0000285
48 -0.23 0.06 0.14 0.00 0.16 7.49 0.0001410

Standardized
Coefficients
B Std. Error Beta
(Constant) -0.288 0.035 -8.268 0.000
X1 0.539 0.206 0.313 2.621 0.012
X2 -0.275 0.112 -0.270 -2.450 0.019
X3 -1.158 0.231 -0.558 -5.022 0.000
X4 -0.502 0.208 -0.269 -2.417 0.020
X5 0.00006 0.000 0.356 3.229 0.002
X6 10.205 3.176 0.360 3.213 0.003
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
1

R R Square Adjusted R Square
Std. Error of the
Estimate
1 .744
a
0.554 0.488 0.16308
Model Summary
Model
a. Predictors: (Constant), X6, X5, X2, X4, X3, X1

Sum of
Squares df
Mean
Square F Sig.
Regression 1.353 6 0.225 8.476 .000b
Residual 1.090 41 0.027
Total 2.443 47
ANOVAa
Model
1
b. Predictors: (Constant), X6, X5, X2, X4, X3, X1

1. Uji questionnaire (instrument) data cross section: Uji Validity dan uji Reliability
2. Statistik deskriptif
3. Koefisien korelasi
4. Uji asumsi klasik (multicollinearity, autocorrelation, hetersocedasticity,
normality, dan linearity)
5. Goodness of fit : koefisien determinasi (R2)
6. Uji statistic-F : uji simultan
7. Uji statistic-t : uji parsial
8. Uji hipotesis: koefisien regresi, pengaruh negative atau positif dan tingkat sig
Analisis statistik

Damodar N. Gujarati (Edisi 4th)
Asumsi klasik pada regresi linear berganda :
1.Multikollinearitas,
2.Autokorelasi,
3.Heteroskedastisitas,
4.Normalitas
5.Linearitas

Statistik deskriptif
N Minimum Maximum Mean Std. Deviation
Y 48 -0.76 0.00 -0.2856 0.228
X1 48 -0.21 0.39 0.0854 0.132
X2 48 -0.63 0.45 -0.0406 0.224
X3 48 0.00 0.43 0.0802 0.110
X4 48 -0.38 0.35 0.0692 0.122
X5 48 0.59 9175 398 1475
X6 48 0.00 0.03 0.0050 0.008
Valid N
(listwise)
48
Descriptive Statistics
Variable
Langkahnya: Analyzes  Disecriptive Statistics  Descriptive  Variabel Y, X1….Xn pindahkan ke
Variables  OK

Koefisien korelasi
Y X1 X2 X3 X4 X5 X6
Pearson Correlation 1 0.232 -0.104 -.394
** -0.193 0.209 .296
*
Sig. (2-tailed) 0.112 0.483 0.006 0.190 0.155 0.041
Pearson Correlation 0.232 1 .299
*
0.187 0.270 0.178 .315
*
Sig. (2-tailed) 0.112 0.039 0.203 0.064 0.227 0.029
Pearson Correlation -0.104 .299*
1 0.027 0.031 0.145 0.125
Sig. (2-tailed) 0.483 0.039 0.856 0.833 0.325 0.398
Pearson Correlation -.394** 0.187 0.027 1 0.184 0.220 0.232
Sig. (2-tailed) 0.006 0.203 0.856 0.210 0.132 0.112
Pearson Correlation -0.193 0.270 0.031 0.184 1 0.222 0.067
Sig. (2-tailed) 0.190 0.064 0.833 0.210 0.129 0.653
Pearson Correlation 0.209 0.178 0.145 0.220 0.222 1 0.052
Sig. (2-tailed) 0.155 0.227 0.325 0.132 0.129 0.725
Pearson Correlation .296*
.315*
0.125 0.232 0.067 0.052 1
Sig. (2-tailed) 0.041 0.029 0.398 0.112 0.653 0.725
N 48 48 48 48 48 48 48
*. Correlation is significant at the 0.05 level (2-tailed).
X2
X3
X4
X5
X6
**. Correlation is significant at the 0.01 level (2-tailed).
Correlations
Y
X1
Langkahnya: Analyze Correlate  Bevariate  Variabel Y…Xn pindahkan ke Variable(s)  Ok

Koefisien Regresi, ANOVA, Model
• Langkahnya:
Analysis  Regresion  Linaer  Y ke Dependent  X1…Xn ke
Independent (s)  Pada statistics klik Durbin-Watson, dan Collinearity
Diagnostics  Continue  Ok

Model : Koefisien Detrminan, Autocorrelation
R R Square
Adjusted R
Square
Std. Error of the
Estimate
Durbin-
Watson
1 .744
a
0.554 0.488 0.16308 2.147
Model Summaryb
Model
b. Dependent Variable: Y

Coefficient, Uji-t, Muliticollinearity

Multicollinearity
 Multikolinearitas, adalah terjadinya korelasi linear yang tinggi atau mendekati
sempurna antara variable bebas.
 Konsekuensi atau akibat terjadinya multikolineariti, yaitu penaksir kuadrat terkecil
tidak bisa ditentukan (indeterminate).
 Uji multikolinearitas dengan Tolerance (TOL) dan Vriance Inflation Factor (VIF)
o Jika nilai VIF < 10 atau tidak lebih dari 10, dan nilai tolerance > 0.10 maka dinyatakan
tidak ada gejala multikolinearitas
 Langkahnya,
o Analyze → Regression → Linear → Dependent → Independent → Statitics →
Collinierity Diagnostics → Continue → OK

Multicollinearity
Standardized
Coefficients
B Std. Error Beta Tolerance VIF
(Constant) 0.127 0.021 6.172 0.000
X1 0.027 0.122 0.036 0.221 0.826 0.777 1.287
X2 0.115 0.067 0.265 1.714 0.094 0.887 1.127
X3 -0.110 0.139 -0.123 -0.790 0.434 0.872 1.146
X4 0.149 0.124 0.186 1.198 0.238 0.879 1.138
X5 -1.099E-05 0.000 -0.166 -1.073 0.290 0.886 1.128
X6 -0.904 1.803 -0.078 -0.502 0.619 0.866 1.155
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
Collinearity Statistics
1
a. Dependent Variable: ABRESID
Catatan: Karena Tolerance < 0.10 dan VIF < 10 maka dinyatakan tdk terjadi multicollinearity

Autocorrelation
 Autokorelasi, adalah keadaan dimana terjadinya korelasi dari residual untuk pemgamatan satu dengan
pengamatan yang lain yg disusun menurut urutan waktu (time-series) dan ruang (cross-saction).
 Uji autokorelasi dimaksudkan untuk mengetahui apakah ada korelasi antara anggota serangkaian data
observasi yang diuraikan menurut waktu (time-series) dan ruang (cross-saction).
 Konsekuensi bila terdapat masalah autokorelasi, yaitu nilai t-statistik dan nilai F-statistik tidak dapat
dipercaya, karena hal itu akan menye-satkan.
 Langkahnya,
o Analyze → Regression → Linear → Dependent → Independent → Statistics → Durbin-Watson → Continue
→ OK
 Bandingkan antara DW tabel pada alpha 5% (dl dan dU) dengan DW statistik
Tabel DW 5%, n=25, k=6: dL = 0.8680 dan dU= 2.0125
DW statistik = 2.147
0.8680 2.0125 1.9875 3.2320

Autocorrelation
R R Square
Adjusted R
Square
Std. Error
of the
Estimate
Durbin-
Watson
1 .362a 0.131 0.004 0.09754 2.145
Model Summary
b
Model
b. Dependent Variable: ABRESID
Catatan: Karena DW statistik =2.145 lebih besar dari dU dan lebih kecil dari 4-dU, maka dinyatakan
Tidak ada indikasi terjadi autokocorrelation

Autocorellation: 5%, k=6, n=25

Heteroscedasticity
 Heteroskedastisitas, adalah keadaan dimana terjadinya ketidaksa-maan varian
dari residual pada model regresi.
 Heteroskedastisitas berarti ada varian variable pada model regresi yang tidak
sama atau konstan.
 Sebaliknya Homoskedastisitas berarti varian variable pada model regresi
memiliki nilai yang sama atau konstan.
 Masalah heteroskedastisitas sering terjadi pada data cross-saction.
 Konse-kuensi heteroskedastisitas adalah uji hipotesis yang didasadrkan pada
uji t dan dsitribusi F tidak dapat dipercaya.

Heteroscedasticity
 Uji heteroskedastisitas dengan metode GLejser
 Langkahnya,
a. Meregresikan variable :
Analyze → Regression → Linear → Dependent → Independent →Save → pada
Residual → Unstandardized → Continue → OK
b. Kembali kedata, ada tambahan data pada kolom RES_1 selanjutnya lakukan lagi
transformasi ABRESID
Transform → Compute → pada target variable isi ABRESID → Pada Number
Expresion isi ABS(RES_1) →OK
c. Kembali ke data, ada tambahan data pada kolom ABRESID, lanjutkan dengan
meregresikan variable ABRESID
Analyze → Regression →Linear→ pada Dependent masukkan ABRESID →
pada Independent X1 dan X2→ OK

Heteroscedasticity
Catatan: Katrena sig. variabel independent terhadap residual (ABRESSID) > 0.05 maka dinyatakan
Tidak ada gejala heteroscesticity
Standardized
Coefficients
B Std. Error Beta
(Constant) 0.127 0.021 6.172 0.000
X1 0.027 0.122 0.036 0.221 0.826
X2 0.115 0.067 0.265 1.714 0.094
X3 -0.110 0.139 -0.123 -0.790 0.434
X4 0.149 0.124 0.186 1.198 0.238
X5 -1.099E-05 0.000 -0.166 -1.073 0.290
X6 -0.904 1.803 -0.078 -0.502 0.619
a. Dependent Variable: ABRESID
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
1

Normality
 Uji normalitas bertujuan untuk mengetahui apakah nilai residual yang telah
distandarisasi pada model regresi tsb berdistribusi normal atau tidak.
 Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi
sebagian besar mendekati nilai rata-ratanya.
 Nilai residual terstandarisasi yang berdistribusi normal jika digambarkan dalam
bentuk kurva akan membentuk gambar lonceng (bell-shaped curve).
 Berdasarkan pengertian uji normalitas tersebut maka uji normalitas disini tidak
dilakukan pervariabel (univariate) tetapi hanya terhadap nilai residual
terstandarisasinya (multivariate).

Normality
 Uji normalitas dengan Kolmogorov-Smirnow
 Langkahnya,
 Meregressikan variable bebas terhadap variable terikat
o Analyse → Regrsion → Linier → Dependent → Indepen-denave → Save → Pada
Residual klik Standardized → Continue → OK
 Lanjutkan dengan perhitungan Standard ResidualHitung
o Analyze → Nonparametrics Test → Legacy Dialog → 1 Sample K-S → pada Variables
isi Standardized Residu → OK

Normality
Catatan: karena Asymptotic Sig (2-tailed) > 0.05 maka dinyatakan bahwa nilai residual
berdistribusi normal
Standardized Residual
48
Mean 0.000
Std. Deviation 0.934
Absolute 0.094
Positive 0.064
Negative -0.094
0.094
.200c,d
d. This is a lower bound of the true significance.
Most Extreme
Differences
Test Statistic
Asymp. Sig. (2-tailed)
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
One-Sample Kolmogorov-Smirnov Test
N
Normal Parametersa,b

Linearity
 Pengujian perlu dilakukan untuk membuktikan apakah model yang digunakan linear
atau tidak.
 Untuk mendeteksi apakah model sebaiknya menggunakan linear atau tidak, maka
digunakan beberapa metode.

Linear
 Uji linieritss dengan Metode Durbin-Watson d Statistc (The Durbin-Watson d Statistic Test)
 Langkahnya,
 Meregresikan variable bebas terhadap variable terikat
o Analyze → Regression →Linear→Dependent → Independent → Statistic → pada bagian Residual
klik Durbin-Watson → Continue → OK,
 kembali ke data editor, mengkuadratkan variable bebas,
o Transform → Compute → pada Target Variable isi X1Sqr → pada Numeric Expression isi X1 *
X1→OK,
 Transformasi untuk mendapatkan variable X2Sqr,
o Transform → Compute → pada Target Variable isi X2Sqr → pada Numeric Expression isi X2 *
X2→OK,
 Meregresi variable bebas yang sudah kuadrat,
o Analyze → Regression → Linear → pada Dependent isi Y→ pada Independent isi X1 , X2, X1Sqr,
X2Sqr →Statistic → pada Residual klik Durbin-Watson → Continue → OK.

Linearity
R R Square
Adjusted R
Square
Std. Error
of the
Durbin-
Watson
1 .802
a 0.643 0.521 0.15784 2.435
Model Summary
b
Model
a. Predictors: (Constant), X6Sqr, X4, X2, X3Sqr, X5Sqr, X1Sqr, X4Sqr,
X2Sqr, X1, X5, X3, X6b. Dependent Variable: Y
 Bandingkan antara DW tabel pada alpha 5% (dl dan dU) dengan DW statistik
Tabel DW 5%, n=25, k=12: dL = 0.4005 dan dU= 2.8436
DW statistik = 2.435
0.4005 2.8436
Catatan: Karena DW statistik =2.435 lebih besar dari dL dan lebih kecil dari dU, maka autucorrelation
Tidak dapat dipastikan, sehingga tidak dapat dipastikan model linear atau nonlinear.

Kerangka Konseptual
X2
X3
X6
X4
X1
X5
Z
H5
H4
H3
H2
H1
H6
Model Persamaan Regresi:
Y = β0 + β1X1 + β2X2 +β3X3 +β4X4 +β5X5 + β6X6 + β7Z + β8M + β9 (ZxM) + e
Z = β0 + β1X1 + β2X2 +β3X3 +β4X4 +β5X5 + β6X6 + e
Y = β0 + β1Z + β2M + β3(ZxM) + e
Y
M

Pengertian Partial least square
 Partial least square atau yang biasa disingkat PLS adalah jenis analisis statistik yang kegunaannya
mirip dengan SEM di dalam analisis covariance. Oleh karena mirip SEM maka kerangka dasar
dalam PLS yang digunakan adalah berbasis regresi linear. Jadi apa yang ada dalam regresi linear,
juga ada dalam PLS.
 Partial least square adalah suatu teknik statistik multivariat yang bisa untuk menangani banyak
variabel respon serta variabel eksplanatori sekaligus. Analisis ini merupakan alternatif yang baik
untuk metode analisis regresi berganda dan regresi komponen utama, karena metode ini bersifat
lebih robust atau kebal. Robust artinya parameter model tidak banyak berubah ketika sampel
baru diambil dari total populasi (Geladi dan Kowalski, 1986).
 Partial Least Square suatu teknik prediktif yang bisa menangani banyak variabel independen,
bahkan sekalipun terjadi multikolinieritas diantara variabel-variabel tersebut (Ramzan dan Khan,
2010).
 Menurut Wold, PLS adalah metode analisis yang powerfull sebab tidak didasarkan pada banyak
asumsi atau syarat, seperti uji normalitas dan multikolinearitas. Metode tersebut mempunyai
keunggulan tersendiri antara lain: data tidaklah harus berdistribusi normal multivariate. Bahkan
indikator dengan skala data kategori, ordinal, interval sampai rasio dapat digunakan. Keunggulan
lainnya adalah ukuran sampel yang tidak harus besar.

CONTENT
1) Uji Validity
2) Uji Reliability
3) Statistik Descriptif
4) Correlation
5) Uji Multicollinearity
6) Uji Autocorrelation
7) Uji Heteroscedasticity
8) Uji Normaliity
9) Uji Linearity
10) Kerangka Konseptual
11) Persamaan Regresi
12) Uji Statistik F
13) Uji Statistik t
14) Koefisien Determinan (Adjusted R2)
15) Uji path (Uji pengaruh tidak langsung melalui variabel intervening)

UJI VALIDITAS & REALIBILITAS
• Sebelum instrument/alat ukur digunakan untuk mengumpulkan data penelitian, maka perlu
dilakukan uji coba kuesioner untuk mencari kevalidan dan reliabilitas alat ukur tersebut
• Uji validitas dan realibilitas digunakan untuk menguji data yang berasal dari daftar pertanyaan
atau kuesioner responden
• Uji validitas dan reliabilitas dapat membuktikan bahwa daftar pertanyaan dalam kuesioner adalah
tepat dan konsisten hasil jawaban dari responden atas pertanyaan yang diajukan.
• Uji validitas berguna untuk mengetahui apakah alat ukur tersebut valid, valid artinya ketepatan
mengukur atau alat ukur tersebut tepat untuk mengukur sebuah variable yang akan diukur.
• Setelah dilakukan uji validitas, maka harus dilanjutkan dengan menggunakan uji reliabilitas data.
Alat ukur yang reliabel pasti terdiri dari item-item alat ukur yang valid. Sehingga, setiap reliabel
pasti valid, namun setiap yang valid belum tentu reliabel.
• Reliabilitas adalah keandalan/konsistensi alat ukur (keajegan alat ukur), sehingga reliabilitas
merupakan ukuran suatu kestabilan dan konsistensi responden dalam menjawab hal yang
berkaitan dengan konstruk-konstruk pertanyaan yang merupakan dimensi suatu variabel dan
disusun dalam suatu bentuk kuesioner.

1) UJI VALIDITY
UJI VALIDITAS KUISIONER
• Uji validitas, adalah untuk mengetahui seberapa cermat suatu instru-
ment (teknik pengambilan sampel atau pengukuran data) dalam
mengukur apa yang ingin diukur atau diteliti.
• Untuk melakukan Uji Validitas kuisioner, digunakan metode Pearson
Corelation (Product Moment Pearson) dan metode Corrected Item
Total Correlation.

1) UJI VALIDITY Variable Y
n
Y1 Y2 Y3 Y4 Y5 Y6 Y7 Total
1 3 4 4 3 3 4 4 25
2 5 5 5 5 5 5 4 34
3 2 3 3 2 3 3 3 19
4 3 3 2 3 2 4 2 19
5 3 3 3 3 3 4 3 22
6 4 4 4 4 4 5 4 29
7 3 3 3 3 3 4 3 22
8 2 3 2 2 2 3 2 16
9 3 3 3 3 3 4 3 22
10 4 4 4 4 4 5 4 29
11 3 3 3 3 3 4 3 22
12 2 3 2 2 3 3 2 17
13 3 3 3 3 3 4 3 22
14 4 4 4 4 4 5 4 29
15 3 3 3 3 3 4 3 22
16 3 3 3 3 2 4 3 21
17 4 3 3 4 4 5 3 26
18 3 5 5 3 3 4 4 27
19 3 3 3 3 3 4 3 22
20 4 3 4 4 3 5 4 27
21 3 3 3 3 4 4 3 23
22 3 5 5 3 3 4 4 27
23 4 3 3 4 3 5 3 25
24 3 3 4 3 4 4 4 25
25 3 3 3 3 3 4 3 22
Return Saham ( Y )Contoh :

1) UJI VALIDITY
1. Metode Pearson Correlation (Product Moment Pearson)
 Langkahnya (SPSS): Analyze → Correlate → Bivariate → Pindahkan semua
item dan total ke kolom Variables → OK
 Hasil perhitungan variabel Y, korelasi item_Y1 sampai dengan item_Y7
terhadap total, bervariasi antara 0,716 sampai dengan 0,884 dengan tingkat
signifikan (2-tailed) 0,000.
 Variabel Y dinyatakan Valid , karena tiap item memiliki tingkat Sig (2-tailed)
0,000 < 0,01 (1%), atau korelasi tiap item terhadap total > r table 0,505 (1%
atau 0,01 dan n = 25).

1) UJI VALIDITY
2. Metode Corrected Item Total Correlation
 Langkahnya (SPSS): Analyze → Scale → Reliability Analysis → Pindahkan
semua Item ke kolom item (kecuali total) → Statistics → Centang pada Scale
if item deleted → Continue → OK
 Hasil perhitungan variable Y menunjukkan bahwa “Corrected Item – Total
Correlation” diperoleh: variabel Y, corelasi item Y_1 sampai dengan item Y_7
terhadap total bervaiasi antara 0,616 sampai dengan 0,836.
 Karena tiap item memiliki nilai Corrected item – Total Correlation yang lebih
besar dari r-tabel 0,505 (0,01 dan n=25), maka kese-luruhan item dari
variable Y dinyatakan Valid.

2) UJI RELIABILITY
UJI RELIABILITAS KUISIONER
• Menguji konsistensi alat ukur jika pengukuran diulangi, hasilnya
konsisten atau dapat dipercaya atau tahan uji.
• Langkahnya (SPSS): Analyze → Scale → Reliability Analysis →
Pindahkan semua item kekolom item (kecuali total) → OK

2) UJI RELIABILITY
• Contoh aplikasi dengan menggunakan data hasil penelitian diatas,
yaitu variable Y (7 item)
• Hasilnya akan konsisten bila dilakukan pengukuran terhadap Y
• Uji reliabilitas biasanya menggunakan batasan Crombach’s alpha 0,7
keatas dapat diterima.
• Output SPSS, pada Cronbach’s Alpha diperoleh, variable Y = 0,924,
• Karena Cronbach’s Alpha masing-masing variable tersebut > 0,7 maka
dinyatakan bahwa instrument pengukuran variable Y dinyatakan
reliable.

2) UJI RELIABILITY
Uji Reliability - variable Y

3) STATISTIK DESCRIPTIF
• Statistika adalah suatu ilmu yang mempelajari tentang cara-cara
pengumpulan data, penyajian daata, analisis dan interpretasi tentang data
terseut. Seorang yang belajar statistika biasanya bekerja dengan data
numerik yang berupa hasil cacahan ataupun hasil pengukuran, atau
mungkin dengan data kategorik yang diklasifikasikan menurut kriteria
tertentu. Setiap informasi yang tercatat dan terkumpul, baik numerik dan
kategorik disebut pengamatan.
• Metode statistika adalah prosedur-prosedur yang digunakan dalam
pegumpulan, penyajian, analisis, dan penafsiran data. Metode-metode
tersebut dikelompokkan dalam dua kelompok besar, yaitu:
1. Statistika Deskriptif
2. Statistika Inferensial

STATISTIK DESKRIPTIF
• Statistik deskriptif adalah metode-metode yang berkaitan dengan
pengumpulan dan Penyajian suatu gugus data sehingga memberikan
informasi yang berguna. (Ronald E. walpole)
• Statistik deskriptif adalah metode yang sangat sederhana. Metode ini
hanya mendeskripsikan kondisi dari data dalam bentuk tabel diagram
grafik dan bentuk lainnya yang disajikan dalam uraian-uraian singkat
dan terbatas.
• Statistika deskriptif memberikan informasi hanya mengenai data tsb
dan sama sekali tidak menarik kesimpulan apapun tentang data
tersebut.

STATISTIK INFERENSIAL
• Statistik inferensial adalah sebuah sebuah metode yang dapat digunakan
untuk menganalisis kelompok kecil data dari data induknya (sample yang
diambil dari populasi) sampai pada peramalan dan penarikan kesimpulan
terhadap kelompok data induknya atau populasi.
• Statistika inferensial merupakan cakupan seluruh metode yang
berhubungan dengan analisis sebagian data untuk kemudian sampai pada
peramalan atau penarikan kesimpulan mengenai keseluruhan data induk
(populasi) tersebut.
• Generalisasi yang berhubungan dengan inferensia statistik selalu
mempunyai sifat tidak pasti, karena kita mendasarkan pada informasi
parsial yang diperoleh dari sebagian data. Sehingga yang didapat hanya
peramalan.

CONTOH STATISTIKA INFERENSIA
• Catatan kelulusan selama lima tahun terakhir pada sebuah universitas
negeri di Sumatra Barat menunjukkan bahwa 72% diantara
mahasiswa S1 lulus dengan nilai yang memuaskan.
• Nilai numerik 72% merupakan bentuk suatu statistika deskriptif.
• Jika berdasarkan ini kemudian seorang mahasiswa Teknik Industri
menyimpulkan bahwa peluang dirinya akan lulus dengan nilai yang
memuaskan adalah lebih dari 70%, maka mahasiswa tersebut telah
melakukan inferensia statistika yang tentu saja memiliki sifat yang
tidak pasti

PERBEDAAN ANTARA STATISTIK DESKRIPTIF DAN STATISTIK
INFERENSIA
• Statistik deskriptif hanya terbatas dalam menyajikan data dalam
bentuk tabel, diagram, grafik, dan besaran lain
• Sedangkan statistik inferensial selain mencakup statistik deskriptif
juga dapat digunakan untuk melakukan estimasi dan penarikan
kesimpulan terhadap populasi dari sampelnya.
• Untuk sampai pada penarikan kesimpulan statistik inferensia melalui
tahap uji hipotesis dan uji statistik.

3) STATISTIK DESKRIPTIF
• Contoh: variabel Y, X1 dan X2 berikut ini
• Langkah (SPSS): AnalysisDescriptives statistics Descriptives 
pindahkan semua variabel ke kanan kontak variable (s)Ok
• Hasil SPSS
N Minimum Maximum Mean
Std.
Deviation
Y 25 37.00 80.00 56.1200 14.14013
X1 25 29.00 75.00 46.6000 16.22498
X2 25 40.00 88.00 63.6400 13.90108
Valid N
(listwise)
25
Descriptive Statistics

n Y X1 X2
1 37 29 40
2 37 29 45
3 39 30 46
4 40 30 47
5 39 30 48
6 42 31 50
7 42 31 52
8 43 31 54
9 50 35 55
10 51 36 58
11 52 38 61
12 53 39 63
13 55 42 64
14 56 44 65
15 58 46 67
16 59 47 68
17 65 59 70
18 67 61 72
19 68 62 74
20 70 64 76
21 72 66 78
22 76 68 82
23 78 70 83
24 80 72 85
25 74 75 88
Contoh: Statistic Desriptif

4) CORRELATION
• Analisis korelasi digunakan untuk mengetahui derajat atau kekuatan
hubungan linear antara satu variable dengan variable lain.
• Dikatakan suatu variable memiliki hubungan dengan variable lain jika
perubahan suatu variable diikuti dengan perubahan variable lain.
• Perubahan dapat terjadi dalam bentuk searah atau korelasi positif
dan perubahan berlawanan arah atau korelasi negatif.
• Koefisien korelasi suatu variabel dinyatakan memiliki kekuatan atau
derajat hubungan dengan variable lain, dan tidak membedakan
antara variable bebas dengan variable terikat.

4. CORRELATION
• Koefisien korelasi menggambarkan keeratan hubungan yang berkisar
pada negatif satu (-1) sampai dengan satu (1)
• Koefisien korelasi -1 atau mendekati -1 maka semakin tinggi nilai X
maka semakin rendah nilai Y
• Sebaliknya bila koefisien korelasi mendekati 1, maka semakin tinggi
nilai X semakin besar nilai Y
• Metode yang digunakan dalam analisis korelasi :
a) Korelasi product moment (Pearson)
b) Korelasi Rank Spearman
c) Korelasi Rank Kendal atau Kendal Tau
d) Korelasi dengan koefisien kontingensi

Korelasi product moment (Pearson)
• Analisis korelasi product moment digunakan untuk mengetahui hubungan
antara variable yang memiliki skala interval atau rasio.
• Analisis product moment atau Pearson Correlation, digunakan untuk
mengetahui seberapa kuat hubungan antara dua variable. Berikut contoh
data penelitian, aplikasi SPSS untu analisis korelasi product moment.
• Langkahnya (SPSS) : Analyze → Correlate → Bivariate → Pindahkan
variable X1, X2 dan Y ke kolom Variables → Pada Correlatin Coeficient
biarkan terpilih Pearson → Pada Test of significance jika uji dua sisi
biarkan terpilih Two tailed atau pilih one-tiled (bila telah ditunjuk arah
korelasi positif) → OK
• Berdasarkan output SPSS, diperoleh (a) koefisien korelasi antar variabel X1
dengan Y= 0.980, dan tingkat sig (2-tailed) 0,000, (b) koefisien korelasi
variabel X2 dengan Y = 0,985, dan tingkat sig (2-tailed) 0,000.

• Sugiyono (2007) memberikan interpretasi koefisien korelasi, y :
• 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 kuat
• Karena tingkat koefisien korelasi (X1 =0,980 dan X2 = 0,985) > 0,80
maka dinyatakan hubungannya sangat kuat. Kemudian tingkat Sig (2-
tailed) X1 dan X2 terhadap Y sebesar 0,000< 0,05 atau 5%, maka
dinyatakan bahwa terjadi hubungan yang signifikan antara variable
bebas X1, X2 dengan Y.

Koefisien korelasi Product Moment dapat dihitung dengan formula :
n∑XY – (∑X) (∑Y)
rxy = ----------------------------------------------------
{ n∑X2
– (∑X)2
} {n∑Y2
– (∑Y)2
}
Dimana :
rxy = koefisien korelasi
n = jumlah pengamatan
∑X = jumlah nilai X
∑Y = jumlah nilai Y

Tambahan…. CORRELATION
Reference:
https://rumusrumus.com/korelasi-adalah/

Reference: https://rumusrumus.com/korelasi-adalah/
Pengertian Korelasi
Korelasi atau umumnya disebut koefisien korelasi adalah nilai yang menunjukkan kekuatan
dan arah hubungan linier antara dua peubah acak
Korelasi Sederhana adalah suatu Teknik Statistik yang dipakai guna mengukur kekuatan
hubungan 2 Variabel dan juga untuk bisa mengetahui bentuk hubungan antara 2 Variabel
itu dengan hasil yang sifatnya kuantitatif.
Rumus Korelasi
Koefisien Korelasi Sederhana pada umumnya disebut juga dengan Koefisien Korelasi
Pearson karena memiliki rumus perhitungan Koefisien korelasi sederhana dikemukakan
oleh Karl Pearson yaitu seseorang ahli Matematika yang berasal dari Inggris. (Rumus ini
disebut juga dengan Pearson product moment)
rumus korelasi
Keterangan Rumus :
n adalah Banyaknya Pasangan data X dan Y
Σx adalah Total Jumlah dari Variabel X
Σy adalah Total Jumlah dari Variabel Y
Σx2 adalah Kuadrat dari Total Jumlah Variabel X
Σy2 adalah Kuadrat dari Total Jumlah Variabel Y
Σxy adalah Hasil Perkalian dari Total Jumlah
Variabel X dan Variabel Y

Bentuk Hubungan Antara 2 Variabel
Korelasi Linear Positif (+1)
 Perubahan Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara
teratur dengan arah yang sama. Jika Nilai Variabel X mengalami kenaikan, maka
Variabel Y juga ikut naik. Jika Nilai Variabel X mengalami penurunan, maka
Variabel Y pun ikut turun.
 Jika Nilai Koefisien Korelasi mendekati +1 (positif Satu) berarti pasangan data
Variabel X dan Y mempunyai Korelasi Linear Positif yang kuat.
Korelasi Linear Negatif (-1)
 Perubahan Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara
teratur tetapi dengan arah yang berlawanan. Jika Nilai Variabel X mengalami
kenaikan, maka Variabel Y akan turun. Jika Nilai Variabel X turun, maka Nilai
Variabel Y mengalami kenaikan.
 Apabila Nilai Koefisien Korelasi mendekati -1 maka hal ini menunjukan pasangan
data Variabel X dan Variabel Y mempunyai Korelasi Linear Negatif yang kuat/erat.
Tidak berkolerasi (0)
 Kenaikan Nilai Variabel yang satunya terkadang diikuti dengan penurunan Variabel
yang lainnya atau terkadang diikuti dengan kenaikan Variable yang lainnya.Arah
hubungannya tidak teratur, searah, dan terkadang berlawanan.
 Apabila Nilai Koefisien Korelasi mendekati 0 (Nol) berarti pasangan data Variabel
X dan Y mempunyai korelasi yang sangat lemah atau berkemungkinan tidak
berkolerasi

Koefisien korelasi non-parametrik
Koefisien korelasi Pearson adalah statistik parametrik, dan ia kurang begitu
menggambarkan korelasi jika asumsi dasar normalitas suatu data dilanggar. Metode
korelasi non-parametrik seperti ρ Spearman and τ Kendall berguna saat distribusi tidak
normal.
Koefisien korelasi non-parametrik masih kurang kuat jika disejajarkan dengan metode
parametrik jika asumsi normalitas data terpenuhi, tetapi cenderung memberikan hasil
distrosi ketika asumsi tersebut tak terpenuhi.

Korelasi Ganda
Korelasi pada (multyple correlation) adalah angka yang menunjukkan arah dan kuatnya
hubungan antara dua variabel secara bersama-sama atau lebih dengan variabel yang lainya.
Pemahaman tentang korelasi ganda bisa dilihat melalui gambar berikut ini. Simbol korelasi
ganda adalah R
Keterangan gambar :
X1 = Kepemimpinan
X2 = Tata Ruang Kantor
Y = Kepuasan Kerja
R = Korelasi Ganda

Keterangan gambar :
X1 = Kesejahteraan pegawai
X2 = Hubungan dengan pimpinan
X3 = Pengawasan
Y = Efektivitas kerja
Dari contoh di atas, terlihat bahwa korelasi ganda R, bukan merupakan penjumlahan dari
korelasi sederhana yang ada pada setiap variabel (r1-r2-r3). Jadi R (r1+ r2+ r3).
Korelasi ganda merupakan hubungan secara bersama-sama antara X1 dengan X2 dan Xn
dengan Y. Pada gambar pertama. korelasi ganda merupakan hubungan secara bersama-
sama antara variabel kepemimpinan, dan tata ruang kantor dengan kepuasan kerja pegawai

Kopula dan korelasi
Banyak yang keliru dan menganggap bahwa informasi yang diberikan dari sebuah koefisien
korelasi cukup mendefinisikan struktur ketergantungan antara peubah acak.
Untuk mengetahui adanya ketergantungan antara peubah acak harus dipertimbangkan
kopula antara keduanya. Koefisien korelasi bisa didefinisikan sebagai struktur
ketergantungan hanya pada beberapa kasus, misalnya pada fungsi distribusi kumulatif pada
distribusi normal multivariat
Korelasi Parsial
Analisis korelasi parsial dipakai untuk mengetahui hubungan antara dua variabel dimana
variabel lainnya yang dianggap berpengaruh dikendalikan atau dibuat tetap sebagai variabel
kontrol.
Nilai korelasi (r) berkisar antara 1 sampai dengan -1, nilai semakin mendekati 1 atau -1
berarti hubungan antara dua variabel akan semakin kuat, sebaliknya jika nilai mendekati 0
berarti hubungan antara dua variabel akan semakin lemah.
Nilai positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif
menunjukkan bahwa hubungan terbalik (X naik maka Y turun). Data yang dipakai biasanya
berskala interval atau rasio.
Pedoman untuk memberikan interpretasi koefisien korelasi 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 kuat

Reference:
 http://mediaspss.blogspot.com/2015/04/pengertian-one-tailed-dan-
two-tailed.html

Reference:
 https://www.spssindonesia.com/2014/02/analisis-korelasi-dengan-
spss.html

Langkah-langkah Analisis Korelasi Bivariate
Pearson dengan SPSS

References:
(1) http://mediaspss.blogspot.com/2015/04/pengertian-one-tailed-dan-two-tailed.html
(2) https://www.spssindonesia.com/2014/02/analisis-korelasi-dengan-spss.html

5) UJI MULTICOLLINEARITY
• Multikolinearitas, adalah terjadinya korelasi linear yang tinggi atau
mendekati sempurna antara variable bebas. Konsekuensi atau akibat
terjadinya multikolineariti, yaitu penaksir kuadrat terkecil tidak bisa
ditentukan (indeterminate).
• Beberapa metode yang digunakan untuk mendeteksi multikolinearitas
dalam model regresi.
a. Melihat nilai R2 dan nilai t statistic
b. Uji multikolinearitas menggunakan Pair-Wise Correlation antara variable bebas
c. Uji multikolieritas berdasarkan EIGENVALUE dan Condition Index
d. Uji multikolieritas dengan korelasi parsial
e. Uji multikolinearitas dengan Tolerance (TOL) dan Vriance Inflation Factor (VIF)

• Uji multikolinearitas dengan Tolerance (TOL) dan Vriance Inflation
Factor (VIF)
• Jika nilai VIF < 10 atau tidak lebih dari 10 dan nilai Tolerance (TOL) >
0,10 maka dinyatakan tidak ada gejala multikolinearitas
• Langkahnya (SPSS): Analyze → Regression → Linear → Dependent →
Independent → Statitics → Collinierity Diagnostics → Continue →
OK

Hasil sebagaimana pada table Coeficients. Nilai VIF atas variebl X1 =15,234 dan X2
=15,234 sehingga dinyatakan bahwa dalam model regresi tersebut terdapat gejala
multikolinearitas karena nilai VIF> 10 dan Tolerance (TOL) < 0,10

6) UJI AUTOCORRELATION
• Autokorelasi, adalah keadaan dimana terjadinya korelasi dari residual
untuk pemgamatan satu dengan pengamatan yang lain yg disusun menurut
urutan waktu. Uji autokorelasi dimaksudkan untuk menge-tahui apakah
ada korelasi antara anggota serangkaian data observasi yang diuraikan
menurut waktu (time-series) dan ruang (cross-saction). Konsekuensi bila
terdapat masalah autokorelasi, yaitu nilai t-statistik dan nilai F-statistik
tidak dapat dipercaya, karena hal itu akan menye-satkan.
• Beberapa metode yang dapat digunakan untuk mendeteksi terjadinya
autokorelasi (Gujaratai, 1995):
a. Metode Durbin Watson (Durbin Watson Test)
b. Metode Lagrange Multiplier (LM Test)
c. Metode Breusch-Godfrey (B-G Test)
d. Metode Run Test

Uji autokorelsi dengan metode Durbin Watson (Durbin Watson Test)
• Uji ini diperkenalkan oleh J. Durbin dan GS Watson tahun 1951. Rumus
yang digunakan untuk uji Durbin-Watson :
• Membandingkan DW dengan table DW, dengan kesimpulan, yaitu
(a) ada autokorelasi positif : DW < dL, (b) tanpa kesimpulan atau tak
dapat dipastikan : DW diantara dL sampai dengan dU, (c) tidak ada
autokorelasi,: DW diantara dU sampai dengan 4-dU, (d) tanpa
kesimpulan atau tak dapat dipastikan : DW diantara 4-dU sampai dengan
4-dL, (e) ada autokorelasi negatif DW > 4-dL
DW = (∑e – et-1)2
/ ∑ei
2

• Langkahnya (SPSS): Analyze → Regression → Linear → Dependent →
Independent → Statistics → Durbin-Watson → Continue → OK
• Output SPSS diperoleh DW hitung = 1,446 sedangkan DW table
diperoleh dengan n= 25 dan k=2 dengan nilai dL=1,206 dan dU =
1,550, sehingga dapat dinyatakan bahwa model regresi tidak dapat
dipastikan adanya autokorelasi, karena DW berada diantara dL dan dU

7) UJI HETEROSCEDASTICITY
• Heteroskedastisitas, adalah keadaan dimana terjadinya ketidaksa-
maan varian dari residual pada model regresi.
• Heteroskedastisitas berarti ada varian variable pada model regresi
yang tidak sama atau konstan.
• Sebaliknya Homoskedastisitas berarti varian variable pada model
regresi memiliki nilai yang sama atau konstan.
• Masalah heteroskedastisitas sering terjadi pada data cross-saction.
Konse-kuensi heteroskedastisitas adalah uji hipotesis yang
didasadrkan pada uji t dan dsitribusi F tidak dapat dipercaya.

Beberapa metode yang dapat digunakan menguji heteroskedas -
tisitas :
1. Metode grafik
2. Metode Glejser
3. Metode Park
4. Metode White
5. Metode Rank Spearman
6. Metode Bresh-Pagan-Godfrey (BPG)

Uji heteroskedastisitas dengan metode GLejser
• Metode ini meregresi semua variable bebas terhadap nilai mutlak
residualnya. Jika terdapat pengaruh variable bebas yang signifikan
terhadap nilai mutlak residualnya, maka dalam model regresi
terdapat masalah heteroskedastisitas.
• Persamaan yang digunakan untuk menguji heteroskedastisitas dari
metode Glejser adalah :
│µi│ = α + βXi + έi
Dimana │µi│ nilai residual mutlak dan Xi variable bebas

Langkahnya (SPSS):
a) Meregresikan variable : Analyze → Regression → Linear → Dependent
→ Independent →Save → pada Residual → Unstandardized →
Continue → OK
b) Kembali kedata, ada tambahan data pada kolom RES_1 selanjutnya
lakukan lagi transformasi ABRESID : Transform → Compute → pada
target variable isi ABRESID → Pada Number Expresion isi ABS(RES_1)
→OK
c) Kembali ke data, ada tambahan data pada kolom ABRESID, lanjutkan
dengan meregresikan variable ABRESID: Analyze → Regression
→Linear→ pada Dependent masukkan ABRESID → pada Independent
X1 dan X2→ OK

• Sebagai acuan yaitu bila nilai probabilitas (sig) > nilai alpha 5%, maka dipastikan
tidak terjadi Heteroskedastisitas.
• Dari outpu SPSS pada table coeficient diperolehtingkat sig X1 =0,758 dan X2 =
0,969 > 0,05 (alpha), sehingga dinyatakan bahwa dalam model regresi tidak
terdapat gejala Heteroskedastisitas. Dengan kata lain, jika t hitung < t table atau
sig > alpha 5%, maka tidak terjadi gejala heteroskedastisitas

8) UJI NORMALITY
• Uji normalitas bertujuan untuk mengetahui apakah nilai residual yang telah
distandarisasi pada model regresi tsb berdistribusi normal atau tidak.
• Nilai residual dikatakan berdistribusi normal jika nilai residual
terstandarisasi sebagian besar mendekati nilai rata-ratanya.
• Nilai residual terstandarisasi yang berdistribusi normal jika digambarkan
dalam bentuk kurva akan membentuk gambar lonceng (bell-shaped curve).
• Berdasarkan pengertian uji normalitas tersebut maka uji normalitas disini
tidak dilakukan pervariabel (univariate) tetapi hanya terhadap nilai residual
terstandarisasinya (multivariate).
• Tidak terpe-nuhinya normalitas pada umumnya karena distribusi data yang
dianalisis tidak normal, karena nilai ekstrim pada data yang diambil yang
dapat terjadi karena (a) kesalahan pengambilan sampel, (b) pengetikan
input data, (c) atau memang karakter data tersebut jauh dari rata-ratanya
atau benar-benar berbeda dibanding dengan lain.

8) UJI NORMALITY
• Untuk mendeteksi nilai residual terstandarisasi berdistribusi normal
atau tidak, maka digunakan beberapa metode.
a) Uji normalitas dengan Grafik
b) Uji normalitas denga metode signifikansi Skewness dan Kurtosis
c) Uji normalitas dengan Jarque-Bera (JB-Test)
d) Uji normalitas dengan Kolmogorov-Smirnow
e) Uji normalitas lainnya

8) UJI NORMALITY
Uji normalitas dengan Kolmogorov-Smirnow
• Langkahnya (SPSS):
a) Meregressikan variable bebas terhadap variable terikat: Analyse →
Regrsion → Linier → Dependent → Indepen-denave → Save → Pada
Residual klik Standardized → Continue → OK
b) Lanjutkan dengan perhitungan Standard ResidualHitung: Analyze →
Nonparametrics Test → Legacy Dialog → 1 Sample K-S → pada Variables
isi Standardized Residu → OK
• Berdasarkan ouput SPSS diperoleh nilai Asymptotic significance 2-
tailed atau Asymp Sig (2-tailed) sebesar 0,343> table 0,05 atau 5%
atau H0 diterima yang berarti bahwa nilai residu terstandarisasi
dinyatakan menyebar secara normal.

8) UJI NORMALITY
Uji Normalitas lainnya
• Menguji apakah data terdistribusi dengan normal atau tidak. Analisis
parametric seperti korelasi product moment mensyaratkan bahwa data
harus teridtribusi dengan normal. Uji normalitas lainnya, yaitu (a) Metode
Lillefors dan (b) Metode Kolmogorov-Smirnow Z.
a) Metode Lillefors
• Langkahnya (SPSS) : Analyze → Descriptive statistics → Explore → pindahkan variable
Y, X1 dan X2 ke kolom Dependent list → Plots → Centang Normality plots with tests
→ Continue → OK
• Tingkat Sig masing-masing variable, yaitu Y = 0,198 variabell X1 = 0,097 dan X2 =
0,200 sehingga dinyatakan nilai residual berdistribusi normal, karena tingikat Sig
melebihi 0,05 atau 5%.

8) UJI NORMALITY
b) Metode Kolmogorov-Smirnow Z
• Langkahnya (SPAA) : Analyze → Nonparametric test → Legacy dialog → 1-
Simple K-S →indahkan variable Y, X1, dan X2ke kolom Test variable list →
pada Distribution biarkan terpilih Normal → OK
• Nilai Asymp Sig masing-masing variable, yaitu Y = 0,684, X1 = 0,542, dan X2 =
0,982.
• Karena tingkat Asymp Sig lebih besar dari 0,05 atau 5%, maka nilai residual
terstandarisasi dinyatakan berdistribusi normal

9) UJI LINEARITY
Uji Linieritas
Pengujian perlu dilakukan untuk membuktikan apakah model yang
digunakan linear atau tidak. Untuk mendeteksi apakah model sebaik-nya
menggunakan linear atau tidak, maka digunakan beberapa metode.
a) Uji linieritas dengan Metode Analisis Grafik
b) Uji linieritas dengan Metode Durbin-Watson d Statistik (The Durbin-Watson d
Statistic Test)
c) Uji linieritas dengan Metode Uji MWD (Mac Kinnon, White dan Davidson)
d) Uji linieritas dengan Metode Ramsey
e) Uji linieritas dengan Metode Lagrange Multiplier (LM-Test)
f) Uji linieritas lainnya, untuk mengetahui apakah dua variable yang dikenai prosedur
analisis statistik korelasional menunjukkan hu-bungan yang linear atau tidak.

Uji linieritss dengan Metode Ramsey
Langkahnya (SPSS):
• Meregresikan varibel X1, X2 terhadap Y : Analyze → Regression →
Linear = > Dependent isi Y→ Inde-pendent isi X1, X2 → Save → pada
Influnce Statitic klik DFit → Continue → OK
• Meregresikan variable bebas dan DFF_1 terhadap Y: Analyze →
Regression →Linear→ Reset → Dependent isi Y→ pada Independent
isi X1, X2, dan DFF_1 → OK

• Berdasarkan output SPSS dihitung besarnya F hitung, ke-mudian dibandingkan
dengan F table, dan hasilnya F hitung (176) > F table (n-k; 0,05 : 3,049 ). Formula
yang digunakan untuk menghitung F hitung :
F hitung = (R2 new – R2 old) / m
(1-R2 new) / (n-k)
F hitung= (0,998 – 0,982) / 1 = 176
(1-0,998) / (25-3)
Dimana, m jumlah variable bebas yang baru masuk (DFF_1), dan k banyaknya parameter (k=3)
• Karena F hitung (176) > F table (4,301) maka dinyatakan bahwa model regresi adalah linear,
dimana F table =4,301 diperoleh dari alpha 5%, m = 1 dan (n-k) =25-3 = 22

Menghitung R2new :
Karena F hitung (176) > F table (4,301) maka dinyatakan bahwa model
regresi adalah linear, dimana F table =4,301 diperoleh dari alpha 5%, m
= 1 dan (n-k) =25-3 = 22

10) KERANGKA KONSEPTUAL
X1
X2
C
I Y
M
Variabel Moderating
Variabel Independent
Variabel Intervening Variabel Dependent
Variabel Control

11) PERSAMAAN REGRESI
Persamaan Regresi:
I = β0 + β1X1 + β2X2 + β3C + e ……………………………………..(1)
Y = β0 + β1I + e ………………………………………………..…………(2)
Y = β0 + β1I + β2M + β3IM + e ………………………………..……(3)
Y = β0 + β1X1 + β2X2 + β3C + β4I + β5M + β6IM + e ……...(4)
Dimana: X1 dan X2 = variabel independen; C = variabel control; I = variabel
intervening,; M = variabel moderating; IM = interaksi variabel I dengan M; β0 =
konstanta; β1 … β6 = Koefisien regresi; e = error

Catatan: Variabel
- M = moderating
- C = control
- I = intervening
- X1 dan X2 = independent
- IM = interaksi I dan M
n Y X1 X2 C I M IM
1 37 29 40 26 15 16 232
2 37 29 45 26 15 18 261
3 39 30 46 27 15 18 276
4 40 30 47 28 15 19 282
5 39 30 48 27 15 19 288
6 42 31 50 29 16 20 310
7 42 31 52 29 16 21 322
8 43 31 54 30 16 22 335
9 50 35 55 35 18 22 385
10 51 36 58 41 22 35 752
11 52 38 61 42 23 37 834
12 53 39 63 42 23 38 885
13 55 42 64 44 25 38 968
14 56 44 65 45 26 39 1030
15 58 46 67 46 28 40 1110
16 59 47 68 47 28 41 1151
17 65 59 70 52 35 42 1487
18 67 61 72 60 49 50 2460
19 68 62 74 61 50 52 2569
20 70 64 76 63 51 53 2724
21 72 66 78 65 53 55 2883
22 76 68 82 68 54 57 3123
23 78 70 83 70 56 58 3254
24 80 72 85 72 58 60 3427
25 74 75 88 67 60 62 3696
Contoh: Persamaan Regresi

Standardized
Coefficients
B Std. Error Beta
(Constant) -5.356 4.299 -1.246 .227
X1 .861 .160 .835 5.390 .000
X2 -.444 .165 -.369 -2.698 .013
C .542 .206 .518 2.630 .016
a. Dependent Variable: I
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
1
Persamaan Regresi:
I = β0 + β1X1 + β2X2 + β3C + e ……………………………………..(1)
I = - 5.356 + 0.861 X1 – 0.444 X2 + 0.542 C

Standardized
Coefficients
B Std. Error Beta
(Constant) 30.673 1.685 18.205 .000
I .814 .048 .963 17.052 .000
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1
Persamaan Regresi:
Y = β0 + β1I + e ………………………………………………..…………(2)
Y = 30.673 + 0.814 I

Standardized
Coefficients
B Std. Error Beta
(Constant) 19.234 4.817 3.993 .001
I .683 .394 .808 1.734 .098
M .655 .116 .722 5.639 .000
IM -.006 .005 -.538 -1.177 .252
1
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
Persamaan Regresi:
Y = β0 + β1I + β2M + β3IM + e ………………………………..……(3)
Y = 19.234 + 0.683 I + 0.655 M – 0.006 IM

Standardized
Coefficients
B Std. Error Beta
(Constant) -1.613 1.152 -1.400 .178
X1 .223 .036 .255 6.251 .000
X2 .320 .034 .315 9.307 .000
C 1.186 .043 1.342 27.838 .000
I -.321 .072 -.380 -4.476 .000
M -.430 .033 -.474 -12.852 .000
IM -.001 .001 -.068 -1.086 .292
Model
Unstandardized
Coefficients
t Sig.
1
Coefficientsa
Persamaan Regresi:
Y = β0 + β1X1 + β2X2 + β3C + β4I + β5M + β6IM + e ……...(4)
Y = -1,613 + 0.223 X1 + 0.320 X2 + 1.186 C – 0.321 I – 0.430 M – 0.001 IM

12) UJI STATISTIC F
Sum of
Squares df
Mean
Square F Sig.
Regression 4797.105 6 799.517 9373.853 .000
b
Residual 1.535 18 .085
Total 4798.640 24
ANOVA
a
Model
1
b. Predictors: (Constant), IM, X2, M, X1, C, I
Sum of
Squares df
Mean
Square F Sig.
Regression 6612.490 3 2204.163 434.420 .000
b
Residual 106.550 21 5.074
Total 6719.040 24
ANOVA
a
Model
1
b. Predictors: (Constant), C, X2, X1

13) UJI STATISTIK t
Standardized
Coefficients
B Std. Error Beta
(Constant) -1.613 1.152 -1.400 .178
X1 .223 .036 .255 6.251 .000
X2 .320 .034 .315 9.307 .000
C 1.186 .043 1.342 27.838 .000
I -.321 .072 -.380 -4.476 .000
M -.430 .033 -.474 -12.852 .000
IM -.001 .001 -.068 -1.086 .292
Model
Unstandardized
Coefficients
t Sig.
1
Coefficientsa

14) KOEFISIEN DETERMINAN (ADJUSTED R2)
R R Square
Adjusted R
Square
Std. Error of the
Estimate
1
.986a
.971 .967 2.56348
Model Summary
Model
a. Predictors: (Constant), IM, M, I
R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 1.000a
1.000 1.000 .29205
Model
a. Predictors: (Constant), IM, X2, M, X1, C, I
Model Summary

15) UJI PATH (UJI PENGARUH TAK LANGSUNG MELALUI VARIABEL
INTERVENING)
Standardized
Coefficients
B Std. Error Beta
(Constant) -5.356 4.299 -1.246 .227
X1 .861 .160 .835 5.390 .000
X2 -.444 .165 -.369 -2.698 .013
C .542 .206 .518 2.630 .016
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
1
(a) Pengaruh variabel Indpenden terhadap variabel Intervening
Pengaruh tak langsung variabel indeenden terhadap variabel dependen melalui vriabel intervening
Pada butir (b) berikut ini.

INTERVENING)
Standardized
Coefficients
B Std. Error Beta
(Constant) 30.673 1.685 18.205 .000
I .814 .048 .963 17.052 .000
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1
(b) Pengaruh variabel Intervening terhadap variabel Dependen
Uji pengaruh tak lagsung variabel independent terhadap variabel dependent, melalui
variabel intervening, menggunakan perhitungan (a) dan (b) diatas, dengan cara berikut ini.

INTERVENING)
Uji variabel intervening
Uji variabel intervening ini dapat dilakukan melalui Path Analysis yang
dikembangkan pertama kali oleh Sewal Wright pada tahun 1934 (Sarwono, 2011),
yaitu menguji pengaruh tidak langsung variabel independen terhadap variabel
dependen melalui uji statistic t dengan tahap perhitungan:
a) Koefisien regresi standardized variabel independen terhadap variabel
interevening dikali koefisien regresi standardized variabel intervening terhadap
variabel dependen,
b) Jumlahkan standar deviasi kedua persamaan regresi tersebut kemudian dibagi
dua,
c) Hitung statistic t melalui butir a dibagi butir b, kemudian bandingkan dengan t
tabel alpha 0,05.
d) Pengaruh tidak langsung signifikan bila t hit > t tab, dan sebaliknya pengaruh
tidak signifikan bila t hit < t tab.

INTERVENING)
Contoh:
a) Koefisien standardized X1 terhadap I = 0.835 dikali I terhadap Y = 0.963,
yaitu : 0.835 x 0.963 = 0.796
b) Jumlah standar devisi kedua koefisien tsb dibagi dua : (0.160 + 0.048)/ 2
= 0.104
c) Statistik t (a dibagi b): (0.796 / 0.104) = 7.654 (t hitung), dan t tabel (n-k-
1 :22, alpha : 0.05) = 2.074
d) Karena t hitung (7.654) lebih besar dari t tabel (2.074) pada alpha 5%
(0.05), maka dinyatakan bahwa X1 berpengaruh tidak langsung signifikan
terhadap Y (melalui I)
e) Dst dengan cara yang sama untuk menguji pengaruh tidak langsung X2
terhadap Y melalui I

KERANGKA KONSEPTUAL
X1
X2
C
I Y
M
Variabel Moderating
Variabel Independent
Variabel Intervening Variabel Dependent
Variabel Control

Tabel T
d.f.
dua sisi 20% 10% 5% 2% 1% 0,2% 0,1%
satu sisi 10% 5% 2,5% 1% 0,5% 0,1% 0,05%
1 3,078 6,314 12,706 31,821 63,657 318,309 636,619
2 1,886 2,920 4,303 6,965 9,925 22,327 31,599
3 1,638 2,353 3,182 4,541 5,841 10,215 12,924
4 1,533 2,132 2,776 3,747 4,604 7,173 8,610
5 1,476 2,015 2,571 3,365 4,032 5,893 6,869
6 1,440 1,943 2,447 3,143 3,707 5,208 5,959
7 1,415 1,895 2,365 2,998 3,499 4,785 5,408
8 1,397 1,860 2,306 2,896 3,355 4,501 5,041
9 1,383 1,833 2,262 2,821 3,250 4,297 4,781
10 1,372 1,812 2,228 2,764 3,169 4,144 4,587
11 1,363 1,796 2,201 2,718 3,106 4,025 4,437
12 1,356 1,782 2,179 2,681 3,055 3,930 4,318
13 1,350 1,771 2,160 2,650 3,012 3,852 4,221
14 1,345 1,761 2,145 2,624 2,977 3,787 4,140
15 1,341 1,753 2,131 2,602 2,947 3,733 4,073
16 1,337 1,746 2,120 2,583 2,921 3,686 4,015
17 1,333 1,740 2,110 2,567 2,898 3,646 3,965
18 1,330 1,734 2,101 2,552 2,878 3,610 3,922
19 1,328 1,729 2,093 2,539 2,861 3,579 3,883
20 1,325 1,725 2,086 2,528 2,845 3,552 3,850
21 1,323 1,721 2,080 2,518 2,831 3,527 3,819
22 1,321 1,717 2,074 2,508 2,819 3,505 3,792
23 1,319 1,714 2,069 2,500 2,807 3,485 3,768
24 1,318 1,711 2,064 2,492 2,797 3,467 3,745
25 1,316 1,708 2,060 2,485 2,787 3,450 3,725
TINGKAT SIGNIFIKANSI
n-k-1 =22

MODEL ANALISIS REGERESI JALUR
(PATH ANALYSIS)
Batam, 8 Maret 2019
Prof. Dr. Dr. H. Aminullah Assagaf, SE., MS., MM., M.Ak
Email: assagaf29@yahoo.com
HP : 08113543409

Menghitung koefisien -Stadardize
• Konstanta = 0
• Koefisien regresi dihitung dari x kecil atau (Xi – Xbar), dengan jumlah
nol dengan langkah:
a) Data X dan Y ditransfer menjadi x dan y, dengan (Xi-Xbar) dan (Yi-Ybar),
dengan jumlah = nol
b) x dibagi standar deviasi X, dan y dibagi standar devisi Y, hasil penjumlahan x
dan y = nol sebagaimana butir a
c) x kecil sebagai variabel independent, dan y sebagai variabel dependent
dengan jumlah nol sebagaimana butir a, sehingga menghasilkan nilai
xbar=0 dan y=0
d) Berdasarkan butir c, maka konstanta (b0) = ybar – xbar(b1) = 0

Contoh Regresi Jalur Path
n X Y x=X-Xbar y=Y-Ybar x^2 y^2 Z2 = X Z1 = Y X^2 XY
1 30 70 -3,80 9,7 14,4 94,1 -0,48 0,87 0,23 -0,42
1 32 78 -1,80 17,7 3,2 313,3 -0,23 1,59 0,05 -0,36
1 45 56 11,20 -4,3 125,4 18,5 1,40 -0,39 1,97 -0,54
1 24 45 -9,80 -15,3 96,0 234,1 -1,23 -1,38 1,51 1,69
1 46 68 12,20 7,7 148,8 59,3 1,53 0,69 2,34 1,06
1 32 67 -1,80 6,7 3,2 44,9 -0,23 0,60 0,05 -0,14
1 33 54 -0,80 -6,3 0,6 39,7 -0,10 -0,57 0,01 0,06
1 35 50 1,20 -10,3 1,4 106,1 0,15 -0,93 0,02 -0,14
1 20 45 -13,80 -15,3 190,4 234,1 -1,73 -1,38 3,00 2,38
1 41 70 7,20 9,7 51,8 94,1 0,90 0,87 0,82 0,79
10 338 603 0 0 635,6 1238,1 0 0 10 4,38
33,8 60,3 0 0 7,97 11,13 Xbar Ybar
Xbar Ybar xbar =0 ybar=0 SDX SDY Z2bar=0 Z1bar=0
Catatan:
- SD= standar deviasi =SQR (jumlah x^2/10), untuk SDX = (635.6/10)^0.5 = 7.97…dan utk SDY =(1238.1/10)^(0.5)=11.13
- Z2 adalah sama dengan X yg diperoleh dari = x dibagi standar deviasi dari X = x/SDX = -3.80/7.97 = - 0.48..dst
- Z1 adalah = y/SDY = 9.7 / 11.13 = 0.87…dst

Persamaan Rgeresi
x^2= X^2 - (X)^2/n = 10 0 10
xy =XY-(X . Y)/n = 4,38 0 4,38
b= xy/x^2 = 0,438
a=Ybar -Xbar (b) = 0 0 0,438 0,000
Pers. Regresi:
y = 0 + 0.438x
Standardized
Coefficients
B Std. Error Beta
(Constant) 39,635 15,405 2,573 ,033
X ,611 ,444 ,438 1,378 ,205
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1
Pers. Regresi:
Y = 0 + 0.438 X
Beta Standardize

n X Y x=X-Xbar y=Y-Ybar x^2 y^2 Z2 = X Z1 = Y X^2 XY
1 30 70 -3,80 9,7 14,4 94,1 -0,48 0,87 0,23 -0,42
1 32 78 -1,80 17,7 3,2 313,3 -0,23 1,59 0,05 -0,36
1 45 56 11,20 -4,3 125,4 18,5 1,40 -0,39 1,97 -0,54
1 24 45 -9,80 -15,3 96,0 234,1 -1,23 -1,38 1,51 1,69
1 46 68 12,20 7,7 148,8 59,3 1,53 0,69 2,34 1,06
1 32 67 -1,80 6,7 3,2 44,9 -0,23 0,60 0,05 -0,14
1 33 54 -0,80 -6,3 0,6 39,7 -0,10 -0,57 0,01 0,06
1 35 50 1,20 -10,3 1,4 106,1 0,15 -0,93 0,02 -0,14
1 20 45 -13,80 -15,3 190,4 234,1 -1,73 -1,38 3,00 2,38
1 41 70 7,20 9,7 51,8 94,1 0,90 0,87 0,82 0,79
10 338 603 0 0 635,6 1238,1 0 0 10 4,38
33,8 60,3 0 0 7,97 11,13 Xbar Ybar
Xbar Ybar xbar =0 ybar=0 SDX SDY Z2bar=0 Z1bar=0
Persamaan Rgeresi
x^2= X^2 - (X)^2/n = 10 0 10
xy =XY-(X . Y)/n = 4,38 0 4,38
b= xy/x^2 = 0,438
a=Ybar -Xbar (b) = 0 0 0,438 0,000
Pers. Regresi:
y = 0 + 0.438x
Standardized
Coefficients
B Std. Error Beta
(Constant) 39,635 15,405 2,573 ,033
X ,611 ,444 ,438 1,378 ,205
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1
Pers. Regresi:
Y = 0 + 0.438 X
Beta Standardize

ANALISIS JALUR (PATH ANALYSIS)
Cara Uji Analisis Jalur [Path Analysis] dengan SPSS Lengkap ...
https://www.spssindonesia.com/.../cara-uji-analisis-jalur-path-analysis.html
Cara Uji Analisis Jalur [Path Analysis] dengan SPSS Lengkap, ... Program SPSS, Cara Uji
Regresi menggunakan Variabel Intervening dengan SPSS versi 21.

Persamaan (1) : Y=f(X1, X2)
Persamaan (2): Z = f(X1, X2, Y)
 Pengaruh langsung X1 to Z = 0.156  Pers. 2
 Pengaruh tak langsung X1 to Z = 0.336 x 0.612 = 0.206  (X1 to Y=0.336 Pers. 1) kali (Y to Z
=0.612 Pers. 2)

MODEL LOGIT
Model logit disusun berdasarkan fungsi peluang logistik kumulatif (Gaspersz, 91):
Untuk menduga persaman di atas secara langsung adalah tidak mungkin, karena Pi mengambil
nilai 0 sampai 1. Komponen {Pi/(1-Pi)} = 0 akan menjadi 0 apabila Pi = 1 dan menjadi tak
terdefinisi bila Pi = 1. Untuk menduga model peluang melalui penggunaan Pi* sebagai pendekatan
Pi dengan formulasi:
Persamaan di atas linear dalam parameter sehingga dapat diduga dengan menggunakan OLS.
Dengan asumsi bahwa setiap individu pengamatan dalam kelompok adalah bebas menurut sebaran
binomial, maka variabel tak bebas Ln (Pi*/(1-Pi*) akan mendekati sebaran normal (ukuran sampel
besar). Persamaan Model Logit dan variabel yang digunakan untuk mengetahui faktorfaktor yang
berpengaruh terhadap peluang peningkatann produksi disajikan dalam bentuk persamaan sebagai
berikut :
Keterangan :

Contoh perhitungan Y pada penelitian KB

Data Hasil Penelitian
n Y X1 X2 X3 n Y X1 X2 X3 n Y X1 X2 X3
1 0 39 1 0 17 0 40 0 0 33 1 34 0 2
2 0 39 1 0 18 0 40 0 0 34 1 38 0 2
3 0 47 1 0 19 0 37 0 0 35 1 35 0 2
4 0 44 1 0 20 0 30 0 0 36 1 38 0 2
5 0 33 1 0 21 0 41 0 1 37 1 34 0 2
6 0 38 1 0 22 0 35 0 1 38 1 45 0 2
7 0 41 1 0 23 0 30 0 0 39 1 41 1 2
8 0 40 1 1 24 0 37 0 1 40 1 49 1 2
9 0 39 1 1 25 0 40 0 1 41 1 44 0 2
10 0 38 1 2 26 0 41 0 1 42 1 55 1 2
11 0 33 1 2 27 0 40 0 2 43 1 45 1 2
12 0 40 1 2 28 1 38 1 0 44 1 38 0 2
13 0 35 1 2 29 1 36 0 0 45 1 44 0 1
14 0 40 1 1 30 1 31 0 0 46 1 44 0 1
15 0 37 1 1 31 1 35 1 0 47 1 42 0 2
16 0 26 1 1 32 1 45 1 1 48 1 33 0 2
Dimana:
Y = 1, jika konsumen membeli mobil, = 0 jika konsumen tidak membeli mobil
X1 = umur responden dalam tahun
X2 = 1, jika konsumen berjenis kelamin wanita, = 0 jika konsumen berjenis kelamin pria
X3 = 0, jika konsumen berpendapatan rendah, = 1 jika konsumen berpendapatan sedang
= 2 jika konsumen berpendapatan tinggi

Proses SPSS
LOGISTIC
- Analysis
- Regression
- Binary Logistic
- Dependent : Y
- Independent : X1, X2, X3….
- Khusus X3, karena datanya (1, 2, 3), maka:
- Categorical
- Klik X3
- Klik tanda panah samping "Categorical covarians"
- Pilih "Reference Category" dengan " "First"
- Klik "Change"
- Continue
- OK
B S.E. Wald df Sig. Exp(B
Variables in the Equation

Exp (B)
=ln(10) =10^(1/2.302) 1.153
10 2.302585 2.718282 =2.718282^(0.142) = 1.153
- Dalam kasus variabel X1 (umur), dengan odds ratio sebesar 1,153 dapat diartikan bahwa konsumen yang berumur
lebih tua satu tahun peluang membeli mobilnya adalah 1,153 kali dibandingkan konsumen umur yang lebih muda
(satu tahun), jika pendapatan dan jenis kelamin mereka sama.
- Dalam kasus variabel X2 (jenis kelamin dimana 1 = wanita dan 0 = pria), dengan odds ratio sebesar 0,201 dapat
diartikan bahwa peluang wanita untuk membeli mobil adalah 0,201 kali dibandingkan pria, jika umur dan
pendapatan mereka sama. Artinya wanita memiliki peluang lebih rendahi dalam membeli mobil dibandingkan pria.

Result “Exp(B)”
B S.E. Wald df Sig. Exp(B)
X1 .142 .084 2.838 1 .092 1.153
X2 -1.602 .795 4.065 1 .044 .201
X3 8.783 2 .012
X3(1) -.712 .992 .515 1 .473 .491
X3(2) 1.864 .833 5.011 1 .025 6.450
Constant -5.637 3.150 3.202 1 .074 .004
Variables in the Equation
Step 1a
a. Variable(s) entered on step 1: X1, X2, X3.

Uji F (Chi-Square) dan R2
Chi-square df Sig.
Step 18.131 4 .001
Block 18.131 4 .001
Model 18.131 4 .001
-2 Log
likelihood
Cox & Snell R
Square
Nagelkerke R
Square
1 47.660a
.315 .422
Model Summary
Step
a. Estimation terminated at iteration number 5
because parameter estimates changed by less than
Omnibus Tests of Model Coefficients
Step 1

TAHAPAN-TAHAPAN ESTIMASI DALAM SPSS
1. Setelah data diinput dalam lembar kerja SPSS kemudian klik Analyze > Regression > Binary Logistic
2. Masukkan Y sebagai variable dependent dengan cara klik Y di kotak kiri, kemudian klik tanda panah
disamping kotak Dependent. Masukkan X1, X2 dan X3 kedalam kotak Covariates, dengan cara klik masing-
masing variable, kemudian klik tanda panah disamping kotak covariates.
3. Selanjutnya, karena variabel X3 merupakan peubah kategori (ordinal) dengan lebih dari dua kategori
(yaitu 0=pendapatan rendah, 1=pendapatan sedang dan 2=pendapatan tinggi) maka diubah terlebih
dahulu ke dalam 2 variabel dummy, untuk mengembangkan model yang logis dan mudah diinterpretasi,
sebagai berikut: (ini sama dengan prosedur regresi dengan variabel bebas dummy sebelumnya)
X3_1 = 1, jika konsumen berpendapatan menengah
0, jika selainnya
X3_2 = 1, jika konsumen berpendapatan tinggi
0, jika selainnya
Dalam program SPSS untuk mengkonversi ini dengan cara klik Categorical dari tampilan diatas, maka akan
muncul tampilan berikut: Selanjutnya, klik X3, klik tanda panah disamping Categorical Covariates. Pilih
Reference Category dengan First, kemudian klik Change dan Continue. Selanjutnya klik OK.
4. Akan keluar output SPSS untuk regresi logit sebagai berikut (disini hanya ditampilkan bagian-bagian
terpenting saja yang akan dibahas)

Result and Discuss
 Printout di tabel pertama diatas menjelaskan transformasi variabel X3 dengan kategori 0,1 dan 2
menjadi dua variabel dummy yaitu X3_1 dan X3_2. Seperti yang terlihat dari tabel tersebut,
variabel X3_1 bernilai 1 untuk kategori 1 (pendapatan menengah) dan 0 untuk kategori lainnya.
Variabel X3_2 bernilai 1 untuk kategori 2 (pendapatan tinggi) dan 0 untuk kategori lainnya.
Dengan demikian, kategori 0 (pendapatan rendah) akan bernilai 0 baik pada variabel X3_1 dan
X3_2.
 Printout di tabel kedua diatas merupakan nilai Khi-kuadrat (χ2) dari model regresi. Sebagaimana
halnya model regresi linear dengan metode OLS, kita juga dapat melakukan pengujian arti penting
model secara keseluruhan. Jika metode OLS menggunakan uji F, maka pada model logit
menggunakan uji G. Statistik G ini menyebar menurut sebaran Khi-kuadrat (χ2). Karenanya dalam
pengujiannya, nilai G dapat dibandingkan dengan nilai χ2 tabel pada α tertentu dan derajat bebas
k-1. (kriteria pengujian dan cara pengujian persis sama dengan uji F pada metode regresi OLS).
 Tetapi, kita juga bisa melihat nilai p-value dari nilai G ini yang biasanya ditampilkan oleh sofware-
software statistik, termasuk SPSS.

Result and Discuss
• Dari output SPSS, didapatkan nilai χ2 sebesar 18,131 dengan p-value 0,001. Karena nilai
ini jauh dibawah 10 % (jika menggunakan pengujian dengan α=10%), atau jauh dibawah
5% (jika menggunakan pengujian dengan α=5%), maka dapat disimpulkan bahwa model
regresi logistik secara keseluruhan dapat menjelaskan atau memprediksi keputusan
konsumen dalam membeli mobil.
• Printout di tabel ketiga memberikan estimasi koefisien model dan pengujian hipotesis
parsial dari koefisien model. Dalam pelaporannya, model regresi logistiknya dapat
dituliskan sebagai berikut:
Dari output SPSS diatas menjadi sebagai berikut:

Result and Discuss
• Model ini merupakan model peluang membeli mobil [(P(xi)] yang dipengaruhi
oleh faktor-faktor umur, jenis kelamin dan pendapatan. Model tersebut adalah
bersifat non-linear dalam parameter. Selanjutnya, untuk menjadikan model
tersebut linear, dilakukan transformasi dengan logaritma natural, (transformasi ini
yang menjadi hal penting dalam regresi logistik dan dikenal dengan istilah ”logit
transformation”), sehingga menjadi (pembahasan lebih rinci, silakan dibaca buku-
buku ekonometrik):

Result and Discuss
• 1-P(xi) adalah peluang tidak membeli mobil, sebagai kebalikan dari P(xi)
sebagai peluang membeli mobil. Oleh karenanya, ln [P(xi)/1-P(xi)] secara
sederhana merupakan log dari perbandingan antara peluang membeli
mobil dengan peluang tidak membeli mobil. Oleh karenanya juga, koefisien
dalam persamaan ini menunjukkan pengaruh dari umur, jenis kelamin dan
pendapatan terhadap peluang relative individu membeli mobil yang
dibandingkan dengan peluang tidak membeli mobil.
• Selanjutnya, untuk menguji faktor mana yang berpengaruh nyata terhadap
keputusan pilihan membeli mobil tersebut, dapat menggunakan uji
signifikansi dari parameter koefisien secara parsial dengan statistik uji
Wald, yang serupa dengan statistik uji t atau uji Z dalam regresi linear
biasa, yaitu dengan membagi koefisien terhadap standar error masing-
masing koefisien.

Result and Discuss
• Dari output SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan nilai
p-value (dan menggunakan kriteria pengujian α=10%), dapat dilihat seluruh
variabel (kecuali X3_1), berpengaruh nyata (memiliki p-value dibawah 10%)
terhadap keputusan membeli mobil.
• Lalu, bagaimana interpretasi koefisien regresi logit dari persamaan di atas ?
Dalam model regresi linear, koefisien βi menunjukkan perubahan nilai
variabel dependent sebagai akibat perubahan satu satuan variabel
independent.
• Hal yang sama sebenarnya juga berlaku dalam model regresi logit, tetapi
secara matematis sulit diinterpretasikan.
•

Result and Discuss
• Koefisien dalam model logit menunjukkan perubahan dalam logit sebagai
akibat perubahan satu satuan variabel independent. Interpretasi yang
tepat untuk koefisien ini tentunya tergantung pada kemampuan
menempatkan arti dari perbedaan antara dua logit.
• Oleh karenanya, dalam model logit, dikembangkan pengukuran yang
dikenal dengan nama odds ratio (ψ).
• Odds ratio untuk masing-masing variabel ditampilkan oleh SPSS
sebagaimana yang terlihat tabel diatas (kolom Exp(B)).
• Odds ratio dapat dirumuskan: ψ = eβ, dimana e adalah bilangan 2,71828
dan β adalah koefisien masing-masing variabel.
• Sebagai contoh, odds ratio untuk variabel X2 = e-0.1602 = 0,201 (lihat
output SPSS).

Result and Discuss
• Dalam kasus variabel X2 (jenis kelamin dimana 1 = wanita dan 0 = pria), dengan
odds ratio sebesar 0,201 dapat diartikan bahwa peluang wanita untuk membeli
mobil adalah 0,201 kali dibandingkan pria, jika umur dan pendapatan mereka
sama. Artinya wanita memiliki peluang lebih rendahi dalam membeli mobil
dibandingkan pria.
• Dalam kasus variabel X1 (umur), dengan odds ratio sebesar 1,153 dapat diartikan
bahwa konsumen yang berumur lebih tua satu tahun peluang membeli mobilnya
adalah 1,153 kali dibandingkan konsumen umur yang lebih muda (satu tahun),
jika pendapatan dan jenis kelamin mereka sama.
• Artinya orang yang lebih tua memiliki peluang yang lebih tinggi dalam membeli
mobil.
• Dalam konteks umur ini (yang merupakan variabel dengan skala ratio), hati-hati
menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan umur lebih dari
1 tahun,

Result and Discuss
• misalnya 10 tahun, maka odds rationya akan menjadi 4,14, yang diperoleh dari
perhitungan sbb: ψ=e(10 x 0.142) . Artinya peluang membeli mobil konsumen
yang berumur lebih tua 10 tahun adalah 4,14 kali dibandingkan konsumen yang
lebih muda (10 tahun) darinya.
• Selanjutnya, dalam konteks variabel pendapatan, terlihat bahwa X31 tidak
berpengaruh signifikan. Artinya, peluang membeli mobil antara konsumen
pendapatan sedang dan pendapatan rendah adalah sama saja.
• Sebaliknya, untuk X32, dapat diinterpretasikan bahwa peluang membeli mobil
konsumen pendapatan tinggi adalah 6,45 kali dibandingkan pendapatan rendah,
jika umur dan jenis kelaminnya sama.
• atau

Result and Discuss
 Atau:
 Di mana: exp atau ditulis “e” adalah fungsi exponen.
 (Perlu diingat bahwa exponen merupakan kebalikan dari logaritma
natural. Sedangkan logaritma natural adalah bentuk logaritma namun
dengan nilai konstanta 2,71828182845904 atau biasa dibulatkan
menjadi 2,72).

Result and Discuss
• Dengan model persamaan di atas, tentunya akan sangat sulit untuk
menginterprestasikan koefisien regresinya.
• Oleh karena itu maka diperkenalkanlah istilah Odds Ratio atau yang biasa
disingkat Exp(B) atau OR.
• Exp(B) merupakan exponen dari koefisien regresi. Jadi misalkan nilai slope dari
regresi adalah sebesar 0,80, maka Exp(B) dapat diperkirakan sebagai berikut:

Desain Penelitian
Beberapa hal yang perlu dikemukakan dalam rancangan penelitian ini, yaitu :
(a) Penelitian ini termasuk sebagai jenis pengujian hipotesis untuk menguji apakan hipotesis yang diajukan
untuk menjawab permasalahan penelitian dapat diterima atau sesuai dengan prediksi.
(b) Penelitian ini melakukan pengujian hipotesis yang berbasis pada kausalitas untuk menunjukkan tingkat
signifikansi pengaruh variabel independen terhadap variabel dependen baik secara langsung maupun secara
tidak langsung melalui variabel intervening.
(c) Data yang digunakan pada penelitian ini adalah data panel atau pooled data yang menggunakan data
gabungan antara data cross section dengan data time series.
(d) Sumber data pada penelitian ini diperoleh dari 44 BUMN sebagaimana lampiran 4.
(e) Penelitian dilakukan dengan lingkungan yang riil yaitu sesuai dengan kondisi operasional dan financial
perusahaan.
(f) Penelitian ini menggunakan unit analisis entitas BUMN untuk mengkaji dan memahami berbagai aspek
operasional BUMN, terutama dalam hal organisasi dari perusahaan BUMN yang diteliti, industry terkait,
pasar modal yang menyajikan informasi terkait BUMN tersebut, pemerintah melalui kantor kementerian
BUMN sebagai pemegang saham BUMN dan kantor kementerian teknis yang terkait. Hal ini dimaksudkan
untuk memperoleh gambaran yang lengkap terkait dengan analisis permasalahan dan tujuan penelitian ini.
(g) Penelitian ini membutuhkan sumber daya berupa sistim informasi online sehingga memudahkan perolehan
data yang diperlukan, disamping kemudahan akses untuk memperoleh informasi langsung dari personal
kunci di masing-masing BUMN yang menjadi unit analisis penelitian ini

Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi

Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente(20)

Similar a Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi

Similar a Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi(20)

Más de Aminullah Assagaf

Más de Aminullah Assagaf(20)

Último

Último(20)

Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi