Aminullah assagaf penulisan jurnal

Informasi
• Literatur (Buku):
www.gen.lib.rus.ec.com
• Jurnal Internasiona:
www.google scholar.com
• Slideshare:
Aminullah Assagaf_Penulisan Jurnal

Penulisan Jurnal Ilmiah
Jakarta, 6 Nopember 2019
Prof. Dr. H. Aminullah Assagaf, SE., MS., MM., M.Ak
Email: assagaf29@yahoo.com
HP : 08113543409

ISI TESIS
Isi tesis terdiri dan 6 Bab:
Bab I Pendahuluan
Bab II Tinjauan Pustaka
Bab III Kerangka Konseptual
Bab IV Metode Penelitian
Bab V Hasil Penelitian dan Analisis Hasil Penelitian
Bab VI Simpulan dan Saran
Daftar Pustaka
Lampiran-lampiran

Bab I dan II
Bab I Pendahuluan
1.1. Latar Belakang Masalah
1.2. RumusanMasalah
1.3. Tujuan Penelitian
1.4. Manfaat Penelitian
1.5. Sistematika Penulisan
2.1. Teori-teori
2.1. Konsep yang relevan
2.2. Penelitian terdahulu

Bab III dan IV
Bab III Kerangka Konseptual
3.1. Alur Pikir
3.2. Kerangka Konseptual Penelitian
3.3. Hipotesis (kalau ada)
3.4. Model Analisis
Bab IV Metode Penelitian
4.1. Pendekatan Penelitian
4.2. Identifikasi Variabel
4.3. Definisi Operasional Variabel
4.4. Populasi dan Prosedur Penentuan Sampel
4.5. Jenis dan Sumber Data
4.6. Tehnik Pengumpulan Data
4.7. Teknik Analisis

Bab V dan VI
5.1. Gambaran Umum Obyek Penelitian
5.2. Deskripsi Masing-masing Variabel
5.3. Analisis Model dan Pembuktian Hipotesis (kalau ada)
5.4. Pembahasan
6.1. Simpulan
6.2. Saran-saran
Daftar Pustaka
Lampiran-lampiran

1.1. Latar Belakang Masalah
 Merupakan landasan pemikiran secara garis besar, baik secara teoritis
dan atau fakta serta pengamatan yang menimbulkan minat untuk
melakukan penelitian.
 Fungsi dari latar belakang masalah sebagai informasi yang relevan
untuk membantu pokok permasalahan yang ada pada obyek
penelitian yang akan ditulisnya.
 Atas dasar itu setelah membaca latar belakang masalah tersebut
pembaca sudah dapat menduga pokok masalah yang akan diteliti.

Latar belakang
Latar belakang penelitian, mencakup:
1) Phenomena penelitian
2) Research gap
3) Motivasi penelitian utk mengkaji research gap dgn mempelajari
teori dan penelitian sebelumnya yg relevan (secara umum, singkat)
4) Beberapa pandangan penelitian sebelumnya terkait
5) Novelti, orignalitas penelitian
6) Kontribusi penelitian (secara umum)
7) Pentingnya penelitian

1.2. RumusanMasalah
• Berdasarkan uraian pada latar belakang masalah, maka akan dihasilkan
suatu rumusan masalah.
• Suatu rumusan masalah adalah pernyataan tentang kondisi atau keadaan,
fenomena dan atau dapat pula konsep yang memerlukan pemecahan dan
atau jawaban melalui suatu penelitian serta analisis yang mendalam
berdasarkan teori-teori, konsep-konsep, dan alat-alat yang relevan.
• Rumusan masalah yang baik mempunyai beberapa ciri-ciri antara lain:
1.2.1. Penelitian mempunyai nilai dalam arti:
a. mempunyai nilai keaslian dan kejelasan sumber
b. merupakan hal yang penting dan patut untuk diteliti
c. memberikan implikasi untuk dapat dikaji secara empiris
1.2.2. Layak untuk dapat dilakukan penelitian dan didukung oleh data empiris.

Gap Penelitian
Sumber – sumber untuk menemukan masalah yang akan diteliti adalah :
1. Fenomena Bisnis
Penelitian ilmiah berangkat dari pengamatan atas fenomena bisnis sehari – hari dimana memunculkan masalah
yang layak untuk diteliti. Salah satu cara untuk melihat masalah dari fenomena bisnis adalah dengan
mengamati data. Data adalah representasi fenomena bisnis yang paling aktual.
2. Research Gap
Research gap adalah celah – celah atau senjang penelitian yang dapat dimasuki oleh seorang peneliti
berdasarkan pengalaman atau temuan peneliti – peneliti terdahulu. Penelitian ilmiah disasarkan untuk
mendapatkan sebuah jawaban baru terhadap sesuatu yang menjadi masalah. Oleh karena itu peneliti harus
berhadapan dengan sesuatu yang menjadi masalah didukung oleh pembenaran atau justifikasi penelitian yang
baik dan berupaya untuk mencari jawaban yang baru dari masalah yang memang penting untuk diteliti.
3. Theory Gap
Theory gap adalah kesenjangan atau ketidakmampuan sebuah teori dalam menjelaskan sebuah fenomena,
oleh karena itu teori tersebut lalu dipertanyakan. Perbedaan theory gap dengan research gap adalah dalam
besaran cakupannya.

5 JENIS RESEARCH GAP
Sumber: Hazierah dan Jahja (2017)

1. Theoritical gap, berkaitan dengan teori-teori dan framework, dimana terdapat
kelemahan, limitasi atau sesuatu yang tidak perna. Merancang untuk menambahkan
sesuatu yang baru dan menambahkan teori atau framework kajian. Strategi
memenuhi gap theoretical, yaitu: (a) menambahkan variabel dalam framework dari
suatu hasil kajian, (b) menggunakan suatu teori yang cenderung digunakan dalam
bidang lain, dan kemudian diuji dan digunakan pada kajian tertentu, (c)
menggunakan framework yang sama dengan menggunakan teori lain, (d) ambil suatu
framework untuk diuji pada kajian tertentu, (e) bangun suatu framework yang baru.
2. Conceptual gap, berkaitan dengan konsep yang digunakan dalam suatu kajian
tertentu, terdapat banyak konsep yang sama tetapi didefinisikan secara berbeda,
terdapat pembangunan konsep yang tidak dibangun secara jelas atau tidak dikaitkan
dengan teori. Strategi memenuhi gap conceptual, yaitu: (a) meneliti maksud suatu
konsep dibangun, ada keraguan dan tidak jelas, (b) gunakan konsep bidang lain yang
terdekat atau relevan, berikan justifikasi, (c) berikan definisi yang lebih jelas jika
terdapat keraguan, (d) bangun konsep baru jika belum tersedia.

3. Empirical gap, terdapat bias, kelemahan atau limitasi dalam aspek metodologi yang
mempengaruhi suatu kajian, sampel dari sector yang berbeda sumbernya tidak dapat
digunakan untuk generalisasi. Strategi memenuhi empirical gap, yaitu: (a) test sekali
lagi dengan menggunakan sampel yang sama dan lihat konsistensinya, (b) perhatikan
kelemahan dan limitasi kajian sebelumnya dalam aspek metode yang digunakan,
dan atasi kelemahan tersebut dengan metode yang lebih baik.
4. Methodological gap, terkait dengan limitasi suatu metode, kelemahan justifikasi
terhadap kajian tertentu, memungkinkan dikembangkan suatu metode dengan
menggunakan mix method, instrument yang berbeda teapi menggunakan konsep yang
sama memberikan hasil yang bereda. Staretgi mengisi methodological gap, yaitu: (a)
gunakan metode yang terbaik untuk menjawab permaslahan, (b) tambahkan metode
jika perlu, (c) gunakan instrument yang berbeda dengan menggunakan konsep yang
sama, (d) gunakan sampel yang berbeda dan bangun instrument baru.
5. Practical gap, terkait dengan intervensi atau pengaruh lingkungan yang menyebabkan
sulit untuk diaplikasikan, seperti pengaruh faktro budaya, agama, budaya organisasi,
kepemimpinan dan personality. Startegi mengisi practical gap, yaitu: siapkan suatu
intervensi baru yang lebih bagus.

Tujuan, Manfaat an Sistimatika Pnelitian
1.3. Tujuan Penelitian
 Bagian ini harus disebutkan secara spesifik tujuan yang ingin dicapai.Tujuan penelitian
harus sesuai dengan latar belakang masalah dan rumusan masalah yang telah dibuat.
1.4. Manfaat Penelitian
 Bagian ini disebutkan manfaat penelitian bagi khasanah ilmu pengetahuan, penyelesaian
operasional maupun untuk kebijaksanaan.
1.5. Sistematika Penulisan
 Bagian ini memuat uraian secara garis besarnya dari sisi masing-masing bab, mulai dan
Bab I sampai dengan Bab VI.
 Perlu diperhatikan bahwa dalam sistematika penulisan ini bukan merupakan pemindahan
dari daftar isi.

Manfaat Penelitian
• Pengembangan ilmu pengetahuan (khususnya terkait penelitian)
• Sebagai masukan bagi manajemen dalam pengambilan keputusan
• Sebagai informasi bagi praktisi
• Menjadi referensi bagi penelitian dimasa yang datang

• Bagian ini berisi hasil-hasil penelitian terdahulu, teori-teori, darn konsep-konsep
yang relevan dengan obyek penelitiannya.Hasil penelitian terdahulu berkaitan
dengan penelitian yang akandilakukan perlu diuraikan secara sistematis. Paling
tidak harus diungkapkan siapa yang meneliti, untuk kepentingan apa, tahun
berapa dan dari lembaga mana.
• Harus pula dijelaskan model yang digunakan serta simpulan yang dihasilkan dari
penelitian terdahulu tersebut. Selain itu harus diungkapkan pula persamaan serta
perbedaan dengan penelitian yang akan dilakukan. Dan hasil penelitian terdahulu
dapat dipakai pula untuk memecahkan masalah dan merumuskan hipotesis
tentunya bila menggunakan hipotesis.
• Teori dan konsep yang dikutip dan literatur maupun sumber yang dapat
dipertanggungjawabkan harus relevan dengan obyek penelitiannya. Artinya teori
dan konsep yang dikutip tersebut tidak hanya sekedar pemindahbukuan saja,
bahkan kadang-kadang tidak ada hubungannya sama sekali dengan obyek yang
akan diteliti.

Tinjauan Pusataka
1) Landasan Teori:
• Grand theory
• Midle range
• Aplied Theory)
2) Penelitian Terdahulu (Google scholar)

3.1. Alur Pikir
• Alur pikir dapat berbentuk gambar yang dilengkapi dengan uraian
kualitatif. Uraian tersebut merupakan gambaran tentang pola
hubungan dan atau perbedaan konsep-konsep yang ditemukan dari
teori-teori.
• Dari alur pikir ini akan terlihat pola hubungan dan atau perbedaan
antara variabel bebas terhadap variabel tidak bebasnya dan atau
perbedaan antara variabel bebas, sehingga akan diketahui apa yang
ingin dicapai dalam penelitian ini.

3.2. Kerangka Konseptual Penelitian
• Kerangka konseptual penelitian dapat berbentuk gambar yang
merupakan suatu hubungan atau terkait antara konsep dari masalah
yang ingin diteliti.
• Kerangka ini didapatkan dari konsep ilmu/teori yang dipakai sebagai
landasan penelitian yang didapatkan pada tinjauan pustaka yang
biasanya dikaitkan dengan garis satu dengan garis yang lainnya sesuai
variabel yang diteliti.

3.3. Hipotesis (kalau ada)
• Hipotesis penelitian merupakan pernyataan singkat tentang
hubungan dan atau perbedaan antar dua variabel atau lebih,
dirumuskan secara operasional dan dapat diuji secara empiris dengan
menggunakan alat uji statistic inferensial.
• Jadi bila suatu penelitian yang bersifat deskriptif kuantitatif maupun
kualitatif, tidak diperlukan hipotesis ini.

3.4. Model Analisis
• Dari alur pikir dan hipotesis (kalau ada) dapat disusun suatu model
analisis, yang merupakan simplifikasi dari dunia nyata dan harus
konsisten antara satu dengan lainnya.
• Pada dasarnya model analisis ini merupakan penyederhanaan dari
dunia nyata yang sedemikian banyaknya variabel-variabel yang ada.
• Oleh karenanya model analisis ini digambarkan secara spesifik
perbedaan dan atau hubungan antar variabel yang diturunkan dari
rumusan masalah, tujuan dan hipotesis (kalau ada).

Model Analisis
• Model yang digunakan dalam penelitian (Misa: Model Regresi)
• Uji Sampel: Uji validitas, Uji Reliabilitas
• Uji Asumis klasik : Multicollinearity, Autocoreelation, Heteroskedasticity,
Normality, Linearity
• Uji hipotesis: Persamaan regrsei, Uji F, Uji t, Koefisien determinan (R2)
• Model Logistic (Logit): Variebl dependent menggunakan data dummy
(1 dan 0)

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.
• Contoh: 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, X1, dan X2 dinyatakan Valid.

UJI RELIABILITAS KUISIONER
• Menguji konsistensi alat ukur jika pengukuran diulangi, hasilnya
konsisten atau dapat dipercaya atau tahan uji.
• Contoh:
• Output SPSS, pada Cronbach’s Alpha diperoleh, variable Y = 0,924, variable
X1 = 0,919 dan variable X2 = 0,928
• Karena Cronbach’s Alpha masing-masing variable tersebut > 0,7 maka
dinyatakan bahwa instrument pengukuran variable Y, X1 dan X2 dinyatakan
reliable.

Uji validitas dan Reliabiitas
• Uji Validitas: Uji validitas dilakukan untuk mengetahui apakah alat
ukur tersebut memiliki ketepatan dalam melakukan pengukuran, atau
dengan kata lain apakah alat ukur tersebut dapat benar-benar
mengukur apa yang hendak diukur (Suharsimi Arikunto 2010)
• Uji Reliabilitas: Reliabilitas adalah indeks yang menunjukkan sejauh
mana suatu alat ukur dapat dipercaya atau dapat diandalkan, yang
menunjukkan sejauh mana hasil pengukuran tetap konsisten
(Djamaludin Ancok, 1989). Reliabilitas untuk mengetahui sejauh
mana alat ukur yang digunakan tersebut memilliki taraf ketelitian,
kepercayaan, kekonstanan ataupun kestabilan.

Uji Multicollinearity
• Multikolinearitas, adalah terjadinya korelasi linear yang tinggi atau
mendekati sempurna antara variable bebas
• Uji multikolinearitas dengan Tolerance (TOL) dan Vriance Inflation
Factor (VIF)
• Jika nilai VIF < 10 atau tidak lebih dari 10, dan nilai tolerance > 0.10
maka dinyatakan tidak ada gejala multikolinearitas

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).

Durbin Watson _ Uji Autokorelasi

Uji Heteroskedastisitas
• 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.

Uji Normalitas
• 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).
• Contoh: Ouput SPSS diperoleh nilai 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.

Uji linearitas
• Pengujian perlu dilakukan untuk membuktikan apakah model yang
digunakan linear atau tidak.
• Contoh: Output SPSS dapat dihitung Chi square atau X2, kemudian
dibandingkan dengan table X2. Bila X2 hitung<X2 tabel, maka model regresi
dinyatakan linear.
• Formula yang digunakan untuk menghitung Chi square (X2) hitung :
X2hitung = n x R2
• Hasil perhitungan berikut ini diperoleh R2 = 0,004, dan penga-matan
(n=25), maka : X2 hitung =25 x 0,004 = 0,1
• Karena X2 hitung (0,1) < nilai X2 tabel 37,652 (5%, n=25), maka dinyatakan
bahwa model regresi yang adalah linear.

Pendekatan Penelitian dan dentifikasi variabel
4.1. Pendekatan Penelitian
• Berbagai macam pendekatan yang digunakan dan dapat dipilih salah
satu diantaranya adalah Penelitian kuantitatif dan Penelitian
kualitatif. Metode survei banyak digunakan dalam penelitian
kuantitatif, sedangkan untuk penelitian kualitatif seringkali
menggunakan studi kasus.
4.2. Identifikasi Variabel
• Bagian ini mengidentifikasi dari variabel-variabel yang digunakan
dalam model analisis sesuai dengan nama-namanya.

4.3. Definisi Operasional Variabel
• Variabel-variabel yang digunakan dalam penelitian harus
diidentifikasi-kan secara operasional agar supaya tidak ada perbedaan
persepsi antara peneliti dan pembacanya.T
• Tidak selamanya definisi operasional ini sama dengan teori-teori atau
konsep-konsep yang berlaku secara umum.
• Atas dasar itu definisi operasional mengandung penjelasan secara
spesifik mengenai viabel-variabel yang telah diidentifikasi,
pengukuran variabel dan skala ukuran yang digunakan, termasuk
indikator-indikator yang digunakan bila diperlukan oleh peneliti.

Sampel dan Data
4.4. Populasi dan Prosedur Penentuan Sampel
• Bagian mi menjelaskan tentang populasi yang ada serta jump sampel yang
digunakan dalam penelitian.
• Tentu saja dalam penentuan sampel ini menggunakan prosedur tertentu
supaya sesuai dengan karakteristik populasi-nya, agar tujuan penelitian
yang diinginkan dapat tercapai.
4.5. Jenis dan Sumber Data
• Data harus terukur, bark dengan jenisukuran atau skalanya nominal,
ordinal, interval maupun rasio.
• Data dapat berasal dari sumber primes dan atau sekunder dapat pula
gabungan keduanya.

JENIS DATA MENURUT SIFATNYA
1. Kualitatif : Berupa label/nama-nama yang digunakan untuk mengidentifikasikan atribut suatu elemen
• Skala pengukuran: Nominal atau Ordinal
• Data bisa berupa numeric atau non numeric.
a. Data Ordinal
Data ordinal ada dasarnya adalah hasil dari kuantitatif dan kualitatif. Contoh dari data ordinal adalah
penskalaan sikap individu. Penskalaan sikap individu terhadap sesuatu bisa diwujudkan dalam bermacam
bentuk, misalnya : dari sikap Sangat setuju (5), Setuju (4). Netral (3), Tidak setuju (2) dan Sangat tidak
setuju (1). Pada tingkat ordinal ini data yang ada tidak mempunyai jarak data yang pasti, contohnya :
Sangat setuju (5) dan Setuju (4) tidak diketahui asti jarak antar nilainya karena jarak antara Sangat setuju
(5) dan Setuju (4) bukan 1 satuan (5-1).
b. Data Nominal
Data nominal adalah tingkatan data paling rendah menurut tingkat pengukurannya. Data nominal ini
pada satu individu tidak mempunyai variasi sama sekali, jadi 1 individu hanya mempunyai 1 bentuk data.
Contoh data nominal yaitu : jenis kelamin, tempat tinggal, tahun lahir dan lain-lain. Data jenis kelamin ini
nantinya akan diberi label dalam pengolahannya misalnya : perempuan = 1 dan laki-laki = 2 .

JENIS DATA MENURUT SIFATNYA
2. Kuantitatif
Mengindikasikan seberapa banyak (how many/diskret atau how much/kontinu)
Data selalu numeric
Skala pengukuran: Interval dan Rasio.
a. Data Rasio
Data rasio adalah tingkatan data yang paling tinggi. Data rasio memiliki jarak antar nilai yang pasti dan memiliki
nolai nol mutlak yang tidak dimiliki olh jenis-jenis data lainnya. Contoh data rasio adalah : berat badan, panjang
benda, jumlah satuan benda.
Jika kita memiliki 10 bola maka ada perwujudan 10 bola itu. Ketika seseorang memiliki 0 bola maka orang
tersebut tidak memiliki bola satupun. Data rasio dapat digunakan dalam komputasi matematik, misalnya : A
memiliki 10 bola dan B memiliki 8 bola, maka A memiliki 2 bola lebih banyak dari B.
b. Data Interval
Data interval mempunyai tingkatan lebih rendah dari data rasio. Data interval memiliki jarak data yang pasti
namun tidak memiliki nilai nol mutlak. Contoh dari nilai data interval adalah hasil dari nilai ujian matematika.
Jika A mendapat nilai 10 dan B mendapat nilai 8, maka dipastikan A mempunyai 2 nilai lebih banyak dari B.
Namun tidak ada nilai nol mutlak, maksudnya bila C mendapat nilai 0, tidak berarti bahwa kemampuan C
dalam pelajaran matematika adalah nol atau kosong.

JENIS DATA YANG DIPENGARUHI OLEH KARAKTERISTIK EMPIRIK
1. Data parametrik, disebut sebagai data parametrik bila memenuhi kriteria
sebagai berikut :
a. Normally distributed data, data yang mempunyai distribusi normal adalah data yang dapat
mewakili populasi yang akan diteliti. Secara kasat mata kita bisa melihat histogram dari data
yang dimaksud, apakah membentuk kurva normal atau tidak.
b. Homogenity of variance, variasi dari data yang dimaksud harus stabil tidak berubah atau
homogen.
c. Interval data, data yang dimaksud minimal merupakan data interval
d. Independence, data yang diperoleh merupakan data dari tiap indivdu yang independen,
maksudnya respon dari 1 individu tidak mempengaruhi atau dipengaruhi respon individu
lainnya.
2. Non parametrik, data non parametrik menyatakan bahwa tidak adanya asumsi
distribusi khusus pada suatu populasi. Distribusi data normal tidak terpenuhi. Hasil
uji non parametrik lebih kuat terhadap pelanggaran asumsi. Uji non parametrik
dilakukan jika asumsi data bebas tidak lengkap, sebagai contoh masih
dibutuhkannya data pada random sampling yang independent.

JENIS DATA MENURUT WAKTU PENGUMPULANNYA
1. Cross-sectional Data, adalah data yang dikumpulkan pada waktu
tertentu yang sama atau hampir sama. Contoh: Jumlah mahasiswa
STEKPI TA 2015/2016, Jumlah perusahaan go public tahun 2016
2. Time Series Data, adalah data yang dikumpulkan selama kurun
waktu/periode tertentu. Contoh: pergerakan nilai tukar rupiah dalam 1
bulan, Produksi Padi Indonesia tahun 2007-2016.

Teknik Pengumpulan Data dan Analisis
4.6. Tehnik Pengumpulan Data
• Bagian ini mengemukakan metodedan instrumen apa yang digunakan untuk mengumpulkan data.
• Metode tersebut antara lain:observasi, kuesioner, wawancara, survei, yang dapat dilengkapi
dengan alat-alat berupa kamera foto, kamera video, tape recorder, alatnumerator dan lain-lain.
• Tentu saja prosedur yang dilakukan harus sesuai dengan rumusan masalah yang akan dipecahkan.
4.7. Teknik Analisis
• Bagian ini mengemukakan tahapan-tahapanyang harusdilakukan oleh peneliti sesuai dengan
model analisis yang telah dibuat, dan dapat digunakan untuk menguji hipotesis (kalau ada) yang
telah dinyatakan.
• Bila tahapan-tahapan tersebut tidak dapat dikerjakan atau sulit bila dilakukan secara manual,
terutama yang menggunakan perhitungan statistik dan atau matematik, maka alat bantu
komputer program apa yang dipakai supaya disebutkan.

Penentuan sampel (Slovin)
Contoh Penentuan sampel dengan formula umus Slovin
Dalam sebuah kelas di universitas, diperintahkan untuk menentukan bagaimana minat baca
mahasiswa seni angkatan 2015. Dengan jumlah 2000 mahasiswa, persennya 10%,
penyelesaiannyadibawah ini:
Rumus slovin:
n = N / (1 + N.e2)
n = 2000 / (1 + 1000.(10%)2)
n = 2000 / (1 + 1000.(0,1)2)
n = 2000 / (1 + 0,01)
n = 2000 / (1 + 10)
n = 2000 / 11
n = 181,81818181
jika dibulatkan maka besar sampel 182.

PROBABILITY SAMPLING
• Probability sampling adalah Metode pengambilan sampel secara
random atau acak. Dengan cara pengambilan sampel ini.
• Seluruh anggota populasi diasumsikan memiliki kesempatan yang
sama untuk terpilih menjadi sampel penelitian.
• Metode ini terbagi menjadi beberapa jenis yang lebih spesifik, antara
lain:

PROBABILITY SAMPLING
1. Pengambilan Sampel Acak Sederhana (Simple Random Sampling)
• Pengambilan sampel acak sederhana disebut juga Simple Random
Sampling. teknik penarikan sampel menggunakan cara ini memberikan
kesempatan yang sama bagi setiap anggota populasi untuk menjadi sampel
penelitian. Cara pengambilannya menggunakan nomor undian.
2. Pengambilan Sampel Acak Sistematis (Systematic Random Sampling)
• Metode pengambilan sampel acak sistematis menggunakan interval dalam
memilih sampel penelitian. Misalnya sebuah penelitian membutuhkan 10
sampel dari 100 orang, maka jumlah kelompok intervalnya 100/10=10.
Selanjutnya responden dibagi ke dalam masing-masing kelompok lalu
diambil secara acak tiap kelompok.

3. Pengambilan Sampel Acak Berstrata (Stratified Random Sampling)
Metode Pengambilan sampel acak berstrata mengambil sampel berdasar tingkatan
tertentu. Misalnya penelitian mengenai motivasi kerja pada manajer tingkat atas, manajer
tingkat menengah dan manajer tingkat bawah. Proses pengacakan diambil dari masing-
masing kelompok tersebut.
4. Pengambilan Sampel Acak Berdasar Area (Cluster Random Sampling)
Cluster Sampling adalah teknik sampling secara berkelompok. Pengambilan sampel jenis ini
dilakukan berdasar kelompok / area tertentu. Tujuan metode Cluster Random Sampling
antara lain untuk meneliti tentang suatu hal pada bagian-bagian yang berbeda di dalam
suatu instansi.
5. Teknik Pengambilan Sampel Acak Bertingkat (Multi Stage Sampling)
Proses pengambilan sampel jenis ini dilakukan secara bertingkat. Baik itu bertingkat dua,
tiga atau lebih.
Misalnya -> Kecamatan -> Gugus -> Desa -> RW – RT

NON PROBABILITY SAMPLING
1. Purposive Sampling
Purposive Sampling adalah teknik sampling yang cukup sering
digunakan. Metode ini menggunakan kriteria yang telah dipilih oleh
peneliti dalam memilih sampel. Kriteria pemilihan sampel terbagi
menjadi kriteria inklusi dan eksklusi.
2. Snowball Sampling
Snowball Sampling adalah teknik pengambilan sampel berdasarkan
wawancara atau korespondensi. Metode ini meminta informasi dari
sampel pertama untuk mendapatkan sampel berikutnya, demikian
secara terus menerus hingga seluruh kebutuhan sampel penelitian
dapat terpenuhi.

NON PROBABILITY SAMPLING
3. Accidental Sampling
Pada metode penentuan sampel tanpa sengaja (accidental) ini, peneliti mengambil
sampel yang kebetulan ditemuinya pada saat itu. Penelitian ini cocok untuk
meneliti jenis kasus penyakit langka yang sampelnya sulit didapatkan.
4. Quota Sampling
Metode pengambilan sampel ini disebut juga Quota Sampling. Tehnik sampling ini
mengambil jumlah sampel sebanyak jumlah yang telah ditentukan oleh peneliti.
Kelebihan metode ini yaitu praktis karena sampel penelitian sudah diketahui
sebelumnya, sedangkan kekurangannya yaitu bias penelitian cukup tinggi jika
menggunakan metode ini.
5. Teknik Sampel Jenuh
Teknik Sampling Jenuh adalah teknik penentuan sampel yang menjadikan semua
anggota populasi sebagai sampel. dengan syarat populasi yang ada kurang dari 30
orang.

5.1. Gambaran Umum Obyek Penelitian
5.2. Deskripsi Masing-masing Variabel
5.3. Analisis Model dan Pembuktian Hipotesis (kalau ada)
5.4. Pembahasan

Cotoh hasil Regresi
Standardiz
ed
Coefficient
s
B Std. Error Beta
(Constant) 35.552 10.938 3.250 .017
X1 -1.158 1.205 -.211 -.961 .374
X2 .729 .311 .670 2.342 .058
X3 -.210 .201 -.296 -1.043 .337
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
1
a. Dependent Variable: Y

R R Square
Adjusted R
Square
Std. Error
of the
Estimate
Durbin-
Watson
1 .894a
.799 .698 2.91002 1.594
Model Summaryb
Model
a. Predictors: (Constant), X3, X1, X2
b. Dependent Variable: Y
Sum of
Squares df
Mean
Square F Sig.
Regressio
n
201.691 3 67.230 7.939 .016b
Residual 50.809 6 8.468
Total 252.500 9
1
b. Predictors: (Constant), X3, X1, X2
ANOVA
a
Model

Y X1 X2 X3
Pearson Correlation 1 -.109 .813
**
-.782
**
Sig. (2-tailed) .765 .004 .008
N 10 10 10 10
Pearson Correlation -.109 1 .246 .210
Sig. (2-tailed) .765 .493 .561
N 10 10 10 10
Pearson Correlation .813**
.246 1 -.660*
Sig. (2-tailed) .004 .493 .038
N 10 10 10 10
Pearson Correlation -.782
**
.210 -.660
*
1
Sig. (2-tailed) .008 .561 .038
N 10 10 10 10
X3
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
Correlations
Y
X1
X2

N Minimum Maximum Mean
Std.
Deviation
Y 10 32.00 45.00 37.5000 5.29675
X1 10 2.00 5.00 3.4000 .96609
X2 10 13.00 25.00 18.9000 4.86370
X3 10 23.00 45.00 37.6000 7.45654
Valid N
(listwise)
10
Descriptive Statistics

6.1. Simpulan
6.2. Saran-saran
Daftar Pustaka
Lampiran-lampiran

• Isi latar belakng
• Gap
• Variabel indep, dependen, intervening, moderating, control
• Sampel, slovin
• Jenis data
• Hipotesis tdk untuk variabel konrol
• Model logistic: contoh spss
• Model regresi: contoh spss, standar deviasi
• Teori: grand, midle range, applied
• Tinjauan pustak
• Pengukuran menyebyt sumbernya
• Jurnal sistimatika, contoh
• Hasil: contoh Urutan, Diskripsi, matriks korelasi, uji klasik, uji hipotesis (Persamaan reg, F,t,R2
• Uji klasik: normalitas, muticolinearitu, heteroskedastisitas, autocorrelation
• Model linear dan non linear
• Kesimpulan dan saran konsisten dgn Maslah, tujuan, hipotesis
• Daftar pustaka
• Keterbatasn (Jurnal)
• Saran untuk penelitian berikutnya (Jurnal)

Kesimpulan dan Implikasi Penelitian
BAB VI KESIMPULAN DAN IMPLIKASI PENELITIAN
1. Ringkasan Penelitian
Suatu pengantar bagi pembaca untuk memahami isi disertasi tanpa harus membaca BAB II-IV
sebelumnya.
2. Kesimpulan
Berisi bagian utama dari temuan penelitian yang menjawab masalah penelitian.
3. Implikasi Teoritis
Di sini disajikan implikasi teoritis dari tiap-tiap kesimpulan atas pengujian hipotesis dengan
Mendukung (Suporting), Memperbaiki (Improving) atau Kontroversial (Contadicting)
terhadap teori yang dikembangkan peneliti lain.
4. Implikasi Praktis
Di sini disajikan aplikasi dari tiap-tiap kesimpulan atas pengujian hipotesis sesuai dengan
bidang-bidang yang terkait.
5. Keterbatasan Penelitian
Setelah penelitian selesai dilaksanakan maka perlu bagi peneliti untuk menjabarkan
keterbatasan atau kelemahan selama penelitian dilakukan. Keterbatasan penelitian ini tidak
terkait dengan variabel-variabel penelitian.

1. Ringkasan Penelitian
Suatu pengantar bagi pembaca untuk memahami isi disertasi tanpa harus membaca BAB II-IV
sebelumnya.
2. Kesimpulan
Berisi bagian utama dari temuan penelitian yang menjawab masalah penelitian.
3. Implikasi Teoritis
Di sini disajikan implikasi teoritis dari tiap-tiap kesimpulan atas pengujian hipotesis dengan
Mendukung (Suporting), Memperbaiki (Improving) atau Kontroversial (Contadicting)
terhadap teori yang dikembangkan peneliti lain.
4. Implikasi Praktis
Di sini disajikan aplikasi dari tiap-tiap kesimpulan atas pengujian hipotesis sesuai dengan
bidang-bidang yang terkait.
5. Keterbatasan Penelitian
Setelah penelitian selesai dilaksanakan maka perlu bagi peneliti untuk menjabarkan
keterbatasan atau kelemahan selama penelitian dilakukan. Keterbatasan penelitian ini tidak
terkait dengan variabel-variabel penelitian.

MODEL LOGISTIC (LOGIT)
Reference: Mudah Memahami Regresi Logit (Junaidi, 2008)
Untuk Latihan SPSS_Binary Logistic, Studi Kasus “AA”
Jakarta, 21 Maret 2019

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:

MODEL REGRESI
Jakarta, 5 April 2019
HP: 08113543409

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 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 = 0.953,
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
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

Model Non Linear (Prediksi)
Jakarta, 30 Juli 2019
HP: +628113543409

STUDI KASUS HAL 342 (TABEL 8.6)
th n Y (AC) X (Q) Log Y Log X Catatan :
1 2 3 4 5=3x4 6=4x4 Ybar = Y/n = 0,8479
1 1 9,00 150 0,9542 2,1761 Xbar = X/n = 2,4646
2 1 7,20 275 0,8573 2,4393 xy = XY - (X) (Y) /n = (0,0526)
3 1 6,50 350 0,8129 2,5441 x^2 = X^2 - (X)^2 = 0,1451
4 1 5,85 500 0,7672 2,6990 b = xy /x^2 = (0,3626)
Sigma 4 28,55 1.275 3,3916 9,8585 a = Ybar - B( Xbar ) = 1,7416
log Y = log a + b logX
Mis : X = 1000 unit
th n Y (Q) X (VC) XY X^2 log Y = 1.7416 - 0.3626 (log 1000)
1 2 3 4 5=3x4 6=4x4 log Y = 1.7416 - 0.3626 (3) 0,6538 (1,0879)
1 1 0,9542 2,1761 2,0765 4,7354 log Y = 1.7416 - 1.0879
2 1 0,8573 2,4393 2,0913 5,9503 log Y = 0.6538
3 1 0,8129 2,5441 2,0681 6,4723 Y =10 ^ 0.6538 = 4.506
4 1 0,7672 2,6990 2,0705 7,2844
Sigma 4 3,3916 9,8585 8,3065 24,4424 ATAU
Y = a Q^b
Catatan : (mis : a = 2 dan b = 2) Mis : X atau Q = 1000 unit
Y = log a + b log X Y = aQ^b a = 1.7416 = 10 ^1.7416 = 55.1605 55,1605
mis : X = 100 mis : X atau Q = 100 Y = 55.1605 (1000 ^ - 0.3626) 0,0817
Y = 2 + 2 (log 100) a = 10^2 = 100 Y = 55.1605 (0.0817) = 4.506 4,506
Y = 2 + 2 (2) = 6 Y = 100(100^2)
Y = 10^6 = 1.000.000 Y = 100(10.000)
Y = 1.000.000 Y = 1.000.000

Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 17411.936 353.757 49.220 .000
LnX -.362 .014 -.998 -25.327 .002
a. Dependent Variable: lnY
Mis : X = 1000 unit
log Y = 1.7416 - 0.3626 (log 1000)
log Y = 1.7416 - 0.3626 (3) 0,6538 (1,0879)
log Y = 1.7416 - 1.0879
log Y = 0.6538
Y =10 ^ 0.6538 = 4.506
ATAU
Y = a Q^b
Mis : X atau Q = 1000 unit
a = 1.7416 = 10 ^1.7416 = 55.1605 55,1605
Y = 55.1605 (1000 ^ - 0.3626) 0,0817
Y = 55.1605 (0.0817) = 4.506 4,506

Contoh 2:
Contoh 1: a=2 dan b=2
mis: Y=a.X^b = 2.X^2 mis: Y=X1â.X^b = X1^2.X2^^2
bila X=1000 bila X1=1000 dan X2=1000
maka: maka:
a=10â=10^2 =100 a=X1^2=1000^2=1000.000
X^b=1000^2=1000.000 X^b=1000^2=1000.000
Y=a.X^b=100 x1000.000=100.000.000 Y=X1â.X^b=1000^2 x 1000^2= 1000.000^2=1000.000.000.000=1 Triliun
ATAU ATAU
Y=a+ b log X Y=a+ b log X
a= 2 a= 2 (log 1000=3) = 6
b=2 (log 1000-3) =6 b=2 (log 1000-3) =6
Y=2 + 6 = 8 Y=6 + 6 = 12
Y=10^8=100.000.000 Y=10^12=1000.000.000.000 = 1 triliun

Contoh perhitungan model linear Log atau Ln
• Log(100)=2 100^(1/2)=10 (bilangan dasar 10)
• Ln(100)=4,6051702 100^(1/4,60517012)=2,7182818 (bilangan
dasar 2,718…)
• Model regresi nonlinear: hasil prediksi = 1 juta, untuk Y = a + b logx
atau Y= a. X^b, bila diketahui a=2 dan b=2
1) Y=a + b logX Y=2+ 2 logX  bila X=100, maka log(100)=2
Yest= 2 + 2(2) = 6 shingga Yest= 10^6=1.000.000
2) Y= a.X^b  Y=10^a . X^b  Y= 2 . X^2  bila X=100, maka
Y=10^2 . 100^2 = 100 . 10.000 = 1.000.000

Aminullah assagaf penulisan jurnal

Aminullah assagaf penulisan jurnal

Recommended

Recommended

More Related Content

What's hot

What's hot (19)

Similar to Aminullah assagaf penulisan jurnal

Similar to Aminullah assagaf penulisan jurnal (20)

More from Aminullah Assagaf

More from Aminullah Assagaf (20)

Recently uploaded

Recently uploaded (9)

Aminullah assagaf penulisan jurnal