SlideShare a Scribd company logo

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

UMT 28 Des 2020

1 of 211
Download to read offline
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, 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 :
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Pengaruh Faktor Good Corporate Governance, Free Cash Flow,
dan Leverage Terhadap Manajemen Laba
Model Regresi
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).
Koefisien Regresi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
Daftar pertanyaan : Y
Daftar pertanyaan : X1
Daftar pertanyaan : X2
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)
Input data
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
Pearson Correlation .562**
.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
Pearson Correlation .818**
.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
a. Dependent Variable: Y
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
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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 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
a. Dependent Variable: Y
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
a. Dependent Variable: Y
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
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
a. Predictors: (Constant), X6, X5, X2, X4, X3, X1
b. Dependent Variable: Y
ANALYSIS OF VARIANCE : Uji-F
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
a. Predictors: (Constant), X6, X5, X2, X4, X3, X1
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.
Normality, DW tabel (k=12)
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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.
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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).
a. Variable Y
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.
a. Variable Y
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
Contoh: Analisis Korelasi
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.
Korelasi product moment (Pearson)
• 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.
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Korelasi product moment (Pearson)
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
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
Tambahan…. CORRELATION
Reference:
 http://mediaspss.blogspot.com/2015/04/pengertian-one-tailed-dan-
two-tailed.html
Tambahan…. CORRELATION
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Tambahan…. CORRELATION
Reference:
 https://www.spssindonesia.com/2014/02/analisis-korelasi-dengan-
spss.html
Langkah-langkah Analisis Korelasi Bivariate
Pearson dengan SPSS
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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)
Conto: Multicollinearity
5) UJI MULTICOLLINEARITY
• 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
5) UJI MULTICOLLINEARITY
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
Contoh: Autocorrelation
6) UJI AUTOCORRELATION
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
6) UJI AUTOCORRELATION
• 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
6) UJI AUTOCORRELATION
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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.
7) UJI HETEROSCEDASTICITY
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)
Contoh: Heteroskedastisitas
7) UJI HETEROSCEDASTICITY
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
7) UJI HETEROSCEDASTICITY
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
7) UJI HETEROSCEDASTICITY
• 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
Contoh: Uji Normalitas
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
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%.
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
8) UJI NORMALITY
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.
Contoh: Uji Linearitas
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
Mengitung R2old
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
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
11) 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
11) PERSAMAAN REGRESI
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
a. Dependent Variable: Y
Persamaan Regresi:
Y = β0 + β1I + e ………………………………………………..…………(2)
Y = 30.673 + 0.814 I
11) PERSAMAAN REGRESI
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
a. Dependent Variable: Y
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
11) PERSAMAAN REGRESI
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
a. Dependent Variable: Y
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
a. Dependent Variable: Y
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
a. Dependent Variable: I
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
a. Dependent Variable: Y
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
a. Dependent Variable: I
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.
15) UJI PATH (UJI PENGARUH TAK LANGSUNG MELALUI VARIABEL
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
a. Dependent Variable: Y
(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.
15) UJI PATH (UJI PENGARUH TAK LANGSUNG MELALUI VARIABEL
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.
15) UJI PATH (UJI PENGARUH TAK LANGSUNG MELALUI VARIABEL
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
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
Contoh Regresi Jalur Path
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
a. Dependent Variable: Y
Pers. Regresi:
Y = 0 + 0.438 X
Beta Standardize
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
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
a. Dependent Variable: Y
Pers. Regresi:
Y = 0 + 0.438 X
Beta Standardize
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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)
Kesimpulan:
Menghitung nilai e
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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 :
Keterangan :
Contoh perhitungan Y pada penelitian KB
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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)
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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:
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi
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
Aminullah assagaf umt 28 des 2020-sampel, data, olah data, interpretasi

Recommended

Aminullah assagaf revisi implementasi software statistik &amp; analisis 27 ju...
Aminullah assagaf revisi implementasi software statistik &amp; analisis 27 ju...Aminullah assagaf revisi implementasi software statistik &amp; analisis 27 ju...
Aminullah assagaf revisi implementasi software statistik &amp; analisis 27 ju...Aminullah Assagaf
 
Aminullah assagaf implementasi software statistik &amp; analisis 27 juni 2020
Aminullah assagaf implementasi software statistik &amp; analisis 27 juni 2020Aminullah assagaf implementasi software statistik &amp; analisis 27 juni 2020
Aminullah assagaf implementasi software statistik &amp; analisis 27 juni 2020Aminullah Assagaf
 
Fp unsam c bab 2-2-uji-peringkat-bertanda-wilcoxon
Fp unsam c bab 2-2-uji-peringkat-bertanda-wilcoxonFp unsam c bab 2-2-uji-peringkat-bertanda-wilcoxon
Fp unsam c bab 2-2-uji-peringkat-bertanda-wilcoxonIr. Zakaria, M.M
 
Statistik pengukuran instrumen reliabilitas
Statistik    pengukuran instrumen reliabilitasStatistik    pengukuran instrumen reliabilitas
Statistik pengukuran instrumen reliabilitasHafiza .h
 
010 statistika-analisis-korelasi
010 statistika-analisis-korelasi010 statistika-analisis-korelasi
010 statistika-analisis-korelasiMizayanti Mizayanti
 
Contoh analisis uji beda nonparamaetrik wilcoxon
Contoh analisis uji beda nonparamaetrik wilcoxonContoh analisis uji beda nonparamaetrik wilcoxon
Contoh analisis uji beda nonparamaetrik wilcoxonEDI RIADI
 
Matematika Analisis varians
Matematika Analisis variansMatematika Analisis varians
Matematika Analisis varianswafa khairani
 

More Related Content

What's hot

Microsoft Power Point Analisis Regresi.Ppt [Compatibility Mode]
Microsoft Power Point   Analisis Regresi.Ppt [Compatibility Mode]Microsoft Power Point   Analisis Regresi.Ppt [Compatibility Mode]
Microsoft Power Point Analisis Regresi.Ppt [Compatibility Mode]arditasukma
 
STATISTIKA EKONOMI Chi kuadrat
STATISTIKA EKONOMI Chi kuadratSTATISTIKA EKONOMI Chi kuadrat
STATISTIKA EKONOMI Chi kuadratShinta Alya
 
Cara bina histogram
Cara bina histogramCara bina histogram
Cara bina histogramvijayan79
 
Bnp.01.uji tanda (sign test) - 2
Bnp.01.uji tanda (sign test) - 2Bnp.01.uji tanda (sign test) - 2
Bnp.01.uji tanda (sign test) - 2raysa hasdi
 
108967219 contoh-soal-penyelesaian-analisa-regresi-dan-korelasi-jurusan-tekni...
108967219 contoh-soal-penyelesaian-analisa-regresi-dan-korelasi-jurusan-tekni...108967219 contoh-soal-penyelesaian-analisa-regresi-dan-korelasi-jurusan-tekni...
108967219 contoh-soal-penyelesaian-analisa-regresi-dan-korelasi-jurusan-tekni...Agus Melas Agues
 
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANAANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANALucky Maharani Safitri
 
Kasus analisis regresi dan kolerasi linier
Kasus analisis regresi dan kolerasi linierKasus analisis regresi dan kolerasi linier
Kasus analisis regresi dan kolerasi linierIU Mb
 
Statistik Inferensial dan Analisis Kualitatif
Statistik Inferensial dan Analisis Kualitatif Statistik Inferensial dan Analisis Kualitatif
Statistik Inferensial dan Analisis Kualitatif Angga Debby Frayudha
 
Ppt ekonometrika analisis regresi berganda
Ppt ekonometrika analisis regresi bergandaPpt ekonometrika analisis regresi berganda
Ppt ekonometrika analisis regresi bergandaSOFIATUL JANNAH
 
Analisis statistik inferensial
Analisis statistik inferensialAnalisis statistik inferensial
Analisis statistik inferensialiwan Alit
 
STATISTIKA-Regresi dan korelasi
STATISTIKA-Regresi dan korelasiSTATISTIKA-Regresi dan korelasi
STATISTIKA-Regresi dan korelasiYousuf Kurniawan
 
Bnp.01.uji tanda (sign test)
Bnp.01.uji tanda (sign test)Bnp.01.uji tanda (sign test)
Bnp.01.uji tanda (sign test)raysa hasdi
 

What's hot (20)

Microsoft Power Point Analisis Regresi.Ppt [Compatibility Mode]
Microsoft Power Point   Analisis Regresi.Ppt [Compatibility Mode]Microsoft Power Point   Analisis Regresi.Ppt [Compatibility Mode]
Microsoft Power Point Analisis Regresi.Ppt [Compatibility Mode]
 
STATISTIKA EKONOMI Chi kuadrat
STATISTIKA EKONOMI Chi kuadratSTATISTIKA EKONOMI Chi kuadrat
STATISTIKA EKONOMI Chi kuadrat
 
Cara bina histogram
Cara bina histogramCara bina histogram
Cara bina histogram
 
05 reresi linier berganda
05 reresi linier berganda05 reresi linier berganda
05 reresi linier berganda
 
Bnp.01.uji tanda (sign test) - 2
Bnp.01.uji tanda (sign test) - 2Bnp.01.uji tanda (sign test) - 2
Bnp.01.uji tanda (sign test) - 2
 
108967219 contoh-soal-penyelesaian-analisa-regresi-dan-korelasi-jurusan-tekni...
108967219 contoh-soal-penyelesaian-analisa-regresi-dan-korelasi-jurusan-tekni...108967219 contoh-soal-penyelesaian-analisa-regresi-dan-korelasi-jurusan-tekni...
108967219 contoh-soal-penyelesaian-analisa-regresi-dan-korelasi-jurusan-tekni...
 
Minggu 10_Teknik Analisis Regresi
Minggu 10_Teknik Analisis RegresiMinggu 10_Teknik Analisis Regresi
Minggu 10_Teknik Analisis Regresi
 
Regresi linear-berganda
Regresi linear-bergandaRegresi linear-berganda
Regresi linear-berganda
 
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANAANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
 
Kasus analisis regresi dan kolerasi linier
Kasus analisis regresi dan kolerasi linierKasus analisis regresi dan kolerasi linier
Kasus analisis regresi dan kolerasi linier
 
Annova Oneway
Annova OnewayAnnova Oneway
Annova Oneway
 
Analisa regresi
Analisa regresiAnalisa regresi
Analisa regresi
 
Statistik Inferensial dan Analisis Kualitatif
Statistik Inferensial dan Analisis Kualitatif Statistik Inferensial dan Analisis Kualitatif
Statistik Inferensial dan Analisis Kualitatif
 
Chi square
Chi squareChi square
Chi square
 
Ppt ekonometrika analisis regresi berganda
Ppt ekonometrika analisis regresi bergandaPpt ekonometrika analisis regresi berganda
Ppt ekonometrika analisis regresi berganda
 
Analisis statistik inferensial
Analisis statistik inferensialAnalisis statistik inferensial
Analisis statistik inferensial
 
STATISTIKA-Regresi dan korelasi
STATISTIKA-Regresi dan korelasiSTATISTIKA-Regresi dan korelasi
STATISTIKA-Regresi dan korelasi
 
Bnp.01.uji tanda (sign test)
Bnp.01.uji tanda (sign test)Bnp.01.uji tanda (sign test)
Bnp.01.uji tanda (sign test)
 
Bab11 regresi
Bab11 regresiBab11 regresi
Bab11 regresi
 
Uji perbedaan uji t
Uji perbedaan uji tUji perbedaan uji t
Uji perbedaan uji t
 

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

4_Aminullah Assagaf_IMPLEMENTASI SOFTWARE STATISTIK & ANALISIS_27 Juni 2020.pptx
4_Aminullah Assagaf_IMPLEMENTASI SOFTWARE STATISTIK & ANALISIS_27 Juni 2020.pptx4_Aminullah Assagaf_IMPLEMENTASI SOFTWARE STATISTIK & ANALISIS_27 Juni 2020.pptx
4_Aminullah Assagaf_IMPLEMENTASI SOFTWARE STATISTIK & ANALISIS_27 Juni 2020.pptxAminullah Assagaf
 
Kelompok 3 Analisa Kuantitatif.pptx
Kelompok 3 Analisa Kuantitatif.pptxKelompok 3 Analisa Kuantitatif.pptx
Kelompok 3 Analisa Kuantitatif.pptxIrfan Sirad
 
3 regresi and-korelasi_berganda.ppt
3 regresi and-korelasi_berganda.ppt3 regresi and-korelasi_berganda.ppt
3 regresi and-korelasi_berganda.pptaliff_aimann
 
Uji Normalitas dan Homogenitas ppt-
Uji Normalitas dan Homogenitas ppt-Uji Normalitas dan Homogenitas ppt-
Uji Normalitas dan Homogenitas ppt-Aisyah Turidho
 
bab-4-estimasi-permintaan-170303075107 (2).pptx
bab-4-estimasi-permintaan-170303075107 (2).pptxbab-4-estimasi-permintaan-170303075107 (2).pptx
bab-4-estimasi-permintaan-170303075107 (2).pptxanas370247
 
INSTRUMEN_DAYA BEDA_VALIDITAS_REALIBILITAS new.pptx
INSTRUMEN_DAYA BEDA_VALIDITAS_REALIBILITAS new.pptxINSTRUMEN_DAYA BEDA_VALIDITAS_REALIBILITAS new.pptx
INSTRUMEN_DAYA BEDA_VALIDITAS_REALIBILITAS new.pptxFinaKartika1
 
statistika
statistikastatistika
statistikamfebri26
 
Bab 1 statistika
Bab 1 statistikaBab 1 statistika
Bab 1 statistikamfebri26
 
Laporan praktikum teori peluang 6
Laporan praktikum teori peluang 6Laporan praktikum teori peluang 6
Laporan praktikum teori peluang 6zenardjov
 
PROBABILITAS DAN STATISTIK materi 2.ppt
PROBABILITAS DAN STATISTIK materi 2.pptPROBABILITAS DAN STATISTIK materi 2.ppt
PROBABILITAS DAN STATISTIK materi 2.pptSollyLubis
 
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptx
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptxAminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptx
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptxAminullah Assagaf
 
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdf
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdfAminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdf
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdfAminullah Assagaf
 
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_15 Juli 2023.pptx
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_15 Juli 2023.pptxAminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_15 Juli 2023.pptx
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_15 Juli 2023.pptxAminullah Assagaf
 

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

4_Aminullah Assagaf_IMPLEMENTASI SOFTWARE STATISTIK & ANALISIS_27 Juni 2020.pptx
4_Aminullah Assagaf_IMPLEMENTASI SOFTWARE STATISTIK & ANALISIS_27 Juni 2020.pptx4_Aminullah Assagaf_IMPLEMENTASI SOFTWARE STATISTIK & ANALISIS_27 Juni 2020.pptx
4_Aminullah Assagaf_IMPLEMENTASI SOFTWARE STATISTIK & ANALISIS_27 Juni 2020.pptx
 
Power point statistik anava
Power point statistik anavaPower point statistik anava
Power point statistik anava
 
8._UJI_ASUMSI_KLASIK.pdf
8._UJI_ASUMSI_KLASIK.pdf8._UJI_ASUMSI_KLASIK.pdf
8._UJI_ASUMSI_KLASIK.pdf
 
STATISTIK DESKRIPTIF
STATISTIK DESKRIPTIFSTATISTIK DESKRIPTIF
STATISTIK DESKRIPTIF
 
Kelompok 3 Analisa Kuantitatif.pptx
Kelompok 3 Analisa Kuantitatif.pptxKelompok 3 Analisa Kuantitatif.pptx
Kelompok 3 Analisa Kuantitatif.pptx
 
3 regresi and-korelasi_berganda.ppt
3 regresi and-korelasi_berganda.ppt3 regresi and-korelasi_berganda.ppt
3 regresi and-korelasi_berganda.ppt
 
Uji Normalitas dan Homogenitas ppt-
Uji Normalitas dan Homogenitas ppt-Uji Normalitas dan Homogenitas ppt-
Uji Normalitas dan Homogenitas ppt-
 
tugas7b.pdf
tugas7b.pdftugas7b.pdf
tugas7b.pdf
 
bab-4-estimasi-permintaan-170303075107 (2).pptx
bab-4-estimasi-permintaan-170303075107 (2).pptxbab-4-estimasi-permintaan-170303075107 (2).pptx
bab-4-estimasi-permintaan-170303075107 (2).pptx
 
INSTRUMEN_DAYA BEDA_VALIDITAS_REALIBILITAS new.pptx
INSTRUMEN_DAYA BEDA_VALIDITAS_REALIBILITAS new.pptxINSTRUMEN_DAYA BEDA_VALIDITAS_REALIBILITAS new.pptx
INSTRUMEN_DAYA BEDA_VALIDITAS_REALIBILITAS new.pptx
 
statistika
statistikastatistika
statistika
 
Bab 1 statistika
Bab 1 statistikaBab 1 statistika
Bab 1 statistika
 
ANALISIS Data.ppt
ANALISIS Data.pptANALISIS Data.ppt
ANALISIS Data.ppt
 
P13_Uji Persyaratan Analisis Data.pdf
P13_Uji Persyaratan Analisis Data.pdfP13_Uji Persyaratan Analisis Data.pdf
P13_Uji Persyaratan Analisis Data.pdf
 
Laporan praktikum teori peluang 6
Laporan praktikum teori peluang 6Laporan praktikum teori peluang 6
Laporan praktikum teori peluang 6
 
PROBABILITAS DAN STATISTIK materi 2.ppt
PROBABILITAS DAN STATISTIK materi 2.pptPROBABILITAS DAN STATISTIK materi 2.ppt
PROBABILITAS DAN STATISTIK materi 2.ppt
 
STATISTIK 1.ppt
STATISTIK 1.pptSTATISTIK 1.ppt
STATISTIK 1.ppt
 
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptx
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptxAminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptx
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pptx
 
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdf
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdfAminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdf
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_23 Juli.pdf
 
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_15 Juli 2023.pptx
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_15 Juli 2023.pptxAminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_15 Juli 2023.pptx
Aminullah Assagaf_PERBANDINGAN SPSS, PLS SEM, MANUAL_15 Juli 2023.pptx
 

More from Aminullah Assagaf

Prof. Dr. Dr. Aminullah Assagaf_Manajemen Keuangan PLN & Nilai Perusahaan_29 ...
Prof. Dr. Dr. Aminullah Assagaf_Manajemen Keuangan PLN & Nilai Perusahaan_29 ...Prof. Dr. Dr. Aminullah Assagaf_Manajemen Keuangan PLN & Nilai Perusahaan_29 ...
Prof. Dr. Dr. Aminullah Assagaf_Manajemen Keuangan PLN & Nilai Perusahaan_29 ...Aminullah Assagaf
 
Aminullah Assagaf_Regresi Lengkap 19_8 Nov 2023_Inc. Data panel & Perbandinga...
Aminullah Assagaf_Regresi Lengkap 19_8 Nov 2023_Inc. Data panel & Perbandinga...Aminullah Assagaf_Regresi Lengkap 19_8 Nov 2023_Inc. Data panel & Perbandinga...
Aminullah Assagaf_Regresi Lengkap 19_8 Nov 2023_Inc. Data panel & Perbandinga...Aminullah Assagaf
 
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf
 
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf
 
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdfAminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf
 
Aminullah Assagaf_MODEL REGRESI LENGKAP 18_8 Nop 2023_(Data Panel & EVIEWS).pptx
Aminullah Assagaf_MODEL REGRESI LENGKAP 18_8 Nop 2023_(Data Panel & EVIEWS).pptxAminullah Assagaf_MODEL REGRESI LENGKAP 18_8 Nop 2023_(Data Panel & EVIEWS).pptx
Aminullah Assagaf_MODEL REGRESI LENGKAP 18_8 Nop 2023_(Data Panel & EVIEWS).pptxAminullah Assagaf
 
Aminullah Assagaf_Regresi Data Panel_EVIEWS_8 November 2023.pptx
Aminullah Assagaf_Regresi Data Panel_EVIEWS_8 November 2023.pptxAminullah Assagaf_Regresi Data Panel_EVIEWS_8 November 2023.pptx
Aminullah Assagaf_Regresi Data Panel_EVIEWS_8 November 2023.pptxAminullah Assagaf
 
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdfAminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdfAminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_Financial Mangement_Ch. 3,4_21 Okt 2023_.pptx
Aminullah Assagaf_Financial Mangement_Ch. 3,4_21 Okt 2023_.pptxAminullah Assagaf_Financial Mangement_Ch. 3,4_21 Okt 2023_.pptx
Aminullah Assagaf_Financial Mangement_Ch. 3,4_21 Okt 2023_.pptxAminullah Assagaf
 
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdfAminullah Assagaf_SILSILA_18 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_SILSILA_18 Oktober 2023.pptx
Aminullah Assagaf_SILSILA_18 Oktober 2023.pptxAminullah Assagaf_SILSILA_18 Oktober 2023.pptx
Aminullah Assagaf_SILSILA_18 Oktober 2023.pptxAminullah Assagaf
 
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdfAminullah Assagaf_SILSILA_18 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_SILSILA_17 Oktober 2023.docx
Aminullah Assagaf_SILSILA_17 Oktober 2023.docxAminullah Assagaf_SILSILA_17 Oktober 2023.docx
Aminullah Assagaf_SILSILA_17 Oktober 2023.docxAminullah Assagaf
 
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdfAminullah Assagaf_SILSILA_17 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdfAminullah Assagaf_SILSILA_17 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdfAminullah Assagaf_SILSILA_16 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdfAminullah Assagaf_SILSILA_16 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdfAminullah Assagaf
 
Aminullah Assagaf_2911956 Silsila.pdf
Aminullah Assagaf_2911956 Silsila.pdfAminullah Assagaf_2911956 Silsila.pdf
Aminullah Assagaf_2911956 Silsila.pdfAminullah Assagaf
 

More from Aminullah Assagaf (20)

Prof. Dr. Dr. Aminullah Assagaf_Manajemen Keuangan PLN & Nilai Perusahaan_29 ...
Prof. Dr. Dr. Aminullah Assagaf_Manajemen Keuangan PLN & Nilai Perusahaan_29 ...Prof. Dr. Dr. Aminullah Assagaf_Manajemen Keuangan PLN & Nilai Perusahaan_29 ...
Prof. Dr. Dr. Aminullah Assagaf_Manajemen Keuangan PLN & Nilai Perusahaan_29 ...
 
Aminullah Assagaf_Regresi Lengkap 19_8 Nov 2023_Inc. Data panel & Perbandinga...
Aminullah Assagaf_Regresi Lengkap 19_8 Nov 2023_Inc. Data panel & Perbandinga...Aminullah Assagaf_Regresi Lengkap 19_8 Nov 2023_Inc. Data panel & Perbandinga...
Aminullah Assagaf_Regresi Lengkap 19_8 Nov 2023_Inc. Data panel & Perbandinga...
 
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
 
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
 
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdfAminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
 
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
Aminullah Assagaf_MODEL REGRESI LENGKAP 19_8 Nop 2023_(Inc. Data Panel, EVIEW...
 
Aminullah Assagaf_MODEL REGRESI LENGKAP 18_8 Nop 2023_(Data Panel & EVIEWS).pptx
Aminullah Assagaf_MODEL REGRESI LENGKAP 18_8 Nop 2023_(Data Panel & EVIEWS).pptxAminullah Assagaf_MODEL REGRESI LENGKAP 18_8 Nop 2023_(Data Panel & EVIEWS).pptx
Aminullah Assagaf_MODEL REGRESI LENGKAP 18_8 Nop 2023_(Data Panel & EVIEWS).pptx
 
Aminullah Assagaf_Regresi Data Panel_EVIEWS_8 November 2023.pptx
Aminullah Assagaf_Regresi Data Panel_EVIEWS_8 November 2023.pptxAminullah Assagaf_Regresi Data Panel_EVIEWS_8 November 2023.pptx
Aminullah Assagaf_Regresi Data Panel_EVIEWS_8 November 2023.pptx
 
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdfAminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdf
 
Aminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdfAminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdf
Aminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdf
 
Aminullah Assagaf_Financial Mangement_Ch. 3,4_21 Okt 2023_.pptx
Aminullah Assagaf_Financial Mangement_Ch. 3,4_21 Okt 2023_.pptxAminullah Assagaf_Financial Mangement_Ch. 3,4_21 Okt 2023_.pptx
Aminullah Assagaf_Financial Mangement_Ch. 3,4_21 Okt 2023_.pptx
 
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdfAminullah Assagaf_SILSILA_18 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdf
 
Aminullah Assagaf_SILSILA_18 Oktober 2023.pptx
Aminullah Assagaf_SILSILA_18 Oktober 2023.pptxAminullah Assagaf_SILSILA_18 Oktober 2023.pptx
Aminullah Assagaf_SILSILA_18 Oktober 2023.pptx
 
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdfAminullah Assagaf_SILSILA_18 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_18 Oktober 2023.pdf
 
Aminullah Assagaf_SILSILA_17 Oktober 2023.docx
Aminullah Assagaf_SILSILA_17 Oktober 2023.docxAminullah Assagaf_SILSILA_17 Oktober 2023.docx
Aminullah Assagaf_SILSILA_17 Oktober 2023.docx
 
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdfAminullah Assagaf_SILSILA_17 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdf
 
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdfAminullah Assagaf_SILSILA_17 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_17 Oktober 2023.pdf
 
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdfAminullah Assagaf_SILSILA_16 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdf
 
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdfAminullah Assagaf_SILSILA_16 Oktober 2023.pdf
Aminullah Assagaf_SILSILA_16 Oktober 2023.pdf
 
Aminullah Assagaf_2911956 Silsila.pdf
Aminullah Assagaf_2911956 Silsila.pdfAminullah Assagaf_2911956 Silsila.pdf
Aminullah Assagaf_2911956 Silsila.pdf
 

Recently uploaded

PROGRAM WALI KELAS untuk SMA/SMK sebagai kelengkapan pelaporan PMM. semoga be...
PROGRAM WALI KELAS untuk SMA/SMK sebagai kelengkapan pelaporan PMM. semoga be...PROGRAM WALI KELAS untuk SMA/SMK sebagai kelengkapan pelaporan PMM. semoga be...
PROGRAM WALI KELAS untuk SMA/SMK sebagai kelengkapan pelaporan PMM. semoga be...LukyDEwiMasitoh
 
Feedback Mentee Buat Mentor KMB 2024 TDA DEPOK
Feedback Mentee Buat Mentor KMB 2024 TDA DEPOKFeedback Mentee Buat Mentor KMB 2024 TDA DEPOK
Feedback Mentee Buat Mentor KMB 2024 TDA DEPOKedukasitdadepok
 
aksi nyata iklim sekolah aman mencegah kekerasan seksual
aksi nyata iklim sekolah aman mencegah kekerasan seksualaksi nyata iklim sekolah aman mencegah kekerasan seksual
aksi nyata iklim sekolah aman mencegah kekerasan seksualLIDIADEVEGA4
 
AKSI NYATA ERWIN Literasi Membaca Bersama dan Membaca Terbimbing [Kemitraan d...
AKSI NYATA ERWIN Literasi Membaca Bersama dan Membaca Terbimbing [Kemitraan d...AKSI NYATA ERWIN Literasi Membaca Bersama dan Membaca Terbimbing [Kemitraan d...
AKSI NYATA ERWIN Literasi Membaca Bersama dan Membaca Terbimbing [Kemitraan d...Erwin606694
 
Bioteknologi kelas x kurikulum merdeka.ppt
Bioteknologi kelas x kurikulum merdeka.pptBioteknologi kelas x kurikulum merdeka.ppt
Bioteknologi kelas x kurikulum merdeka.pptRikaElvana
 
Rubrik Observasi Kelas Supervisi akademik
Rubrik Observasi Kelas Supervisi akademikRubrik Observasi Kelas Supervisi akademik
Rubrik Observasi Kelas Supervisi akademikAgusSetyawan71
 
Aksi Nyata Perencanaan Pembelajaran SD Merumuskan Pemahaman Bermakna.pptx
Aksi Nyata Perencanaan Pembelajaran SD Merumuskan Pemahaman Bermakna.pptxAksi Nyata Perencanaan Pembelajaran SD Merumuskan Pemahaman Bermakna.pptx
Aksi Nyata Perencanaan Pembelajaran SD Merumuskan Pemahaman Bermakna.pptxaswarrasyid1
 
Modul Ajar Observasi Dimensi Aktivitas Interaktif
Modul Ajar Observasi Dimensi Aktivitas InteraktifModul Ajar Observasi Dimensi Aktivitas Interaktif
Modul Ajar Observasi Dimensi Aktivitas InteraktifLIDIADEVEGA4
 
RENCANA + Link2 Materi BimTek _(Ketentuan TERBARU) "PTK 007 Rev-5 /2023 (PENG...
RENCANA + Link2 Materi BimTek _(Ketentuan TERBARU) "PTK 007 Rev-5 /2023 (PENG...RENCANA + Link2 Materi BimTek _(Ketentuan TERBARU) "PTK 007 Rev-5 /2023 (PENG...
RENCANA + Link2 Materi BimTek _(Ketentuan TERBARU) "PTK 007 Rev-5 /2023 (PENG...Kanaidi ken
 
Materi Kelas Ministry Learning Center "Kehidupan Rasul Paulus"
Materi Kelas Ministry Learning Center "Kehidupan Rasul Paulus"Materi Kelas Ministry Learning Center "Kehidupan Rasul Paulus"
Materi Kelas Ministry Learning Center "Kehidupan Rasul Paulus"SABDA
 
Makalah Administrasi Kepegawaian Kelompok 1.pdf
Makalah Administrasi Kepegawaian Kelompok 1.pdfMakalah Administrasi Kepegawaian Kelompok 1.pdf
Makalah Administrasi Kepegawaian Kelompok 1.pdffierlitaamalia
 
Modul Ajar Teks Fantasi Mata Pelajaran Bahasa Indonesia Kelas 7
Modul Ajar Teks Fantasi Mata Pelajaran Bahasa Indonesia Kelas 7Modul Ajar Teks Fantasi Mata Pelajaran Bahasa Indonesia Kelas 7
Modul Ajar Teks Fantasi Mata Pelajaran Bahasa Indonesia Kelas 7LIDIADEVEGA4
 
Aksi Nyata_ Membuat Lingkungan Kaya Teks di Kelas_Fatimah.pdf
Aksi Nyata_ Membuat Lingkungan Kaya Teks di Kelas_Fatimah.pdfAksi Nyata_ Membuat Lingkungan Kaya Teks di Kelas_Fatimah.pdf
Aksi Nyata_ Membuat Lingkungan Kaya Teks di Kelas_Fatimah.pdfjamnahamapd21
 
MOTIVASI KLS 12 ELIGIBLE SMKN 50 JAKARTA.pptx
MOTIVASI KLS 12 ELIGIBLE SMKN 50 JAKARTA.pptxMOTIVASI KLS 12 ELIGIBLE SMKN 50 JAKARTA.pptx
MOTIVASI KLS 12 ELIGIBLE SMKN 50 JAKARTA.pptxDedi Dwitagama
 
PELAKSANAAN + Link2 MATERI Training _"Teknik Perhitungan dan Verifikasi TKDN...
PELAKSANAAN  + Link2 MATERI Training _"Teknik Perhitungan dan Verifikasi TKDN...PELAKSANAAN  + Link2 MATERI Training _"Teknik Perhitungan dan Verifikasi TKDN...
PELAKSANAAN + Link2 MATERI Training _"Teknik Perhitungan dan Verifikasi TKDN...Kanaidi ken
 
Bullying atau perundungan untuk tingkat SMP
Bullying atau perundungan untuk tingkat SMPBullying atau perundungan untuk tingkat SMP
Bullying atau perundungan untuk tingkat SMPAntoniusMardani
 
Artikel STAD Tingkatkan Prestasi Belajar PPKn dan Keterampilan peserta didik....
Artikel STAD Tingkatkan Prestasi Belajar PPKn dan Keterampilan peserta didik....Artikel STAD Tingkatkan Prestasi Belajar PPKn dan Keterampilan peserta didik....
Artikel STAD Tingkatkan Prestasi Belajar PPKn dan Keterampilan peserta didik....BAYULAKSONOJAELANE
 
PPT Administrasi Kurikulum dan Pembelajaran Kel. 2.pptx
PPT Administrasi Kurikulum dan Pembelajaran Kel. 2.pptxPPT Administrasi Kurikulum dan Pembelajaran Kel. 2.pptx
PPT Administrasi Kurikulum dan Pembelajaran Kel. 2.pptxGitaArya1
 
Excel (2)SUMIFS COUNTIFS PIVOT TABLE.pptx
Excel (2)SUMIFS COUNTIFS PIVOT TABLE.pptxExcel (2)SUMIFS COUNTIFS PIVOT TABLE.pptx
Excel (2)SUMIFS COUNTIFS PIVOT TABLE.pptxLaras Wiranti
 

Recently uploaded (20)

PROGRAM WALI KELAS untuk SMA/SMK sebagai kelengkapan pelaporan PMM. semoga be...
PROGRAM WALI KELAS untuk SMA/SMK sebagai kelengkapan pelaporan PMM. semoga be...PROGRAM WALI KELAS untuk SMA/SMK sebagai kelengkapan pelaporan PMM. semoga be...
PROGRAM WALI KELAS untuk SMA/SMK sebagai kelengkapan pelaporan PMM. semoga be...
 
Feedback Mentee Buat Mentor KMB 2024 TDA DEPOK
Feedback Mentee Buat Mentor KMB 2024 TDA DEPOKFeedback Mentee Buat Mentor KMB 2024 TDA DEPOK
Feedback Mentee Buat Mentor KMB 2024 TDA DEPOK
 
aksi nyata iklim sekolah aman mencegah kekerasan seksual
aksi nyata iklim sekolah aman mencegah kekerasan seksualaksi nyata iklim sekolah aman mencegah kekerasan seksual
aksi nyata iklim sekolah aman mencegah kekerasan seksual
 
AKSI NYATA ERWIN Literasi Membaca Bersama dan Membaca Terbimbing [Kemitraan d...
AKSI NYATA ERWIN Literasi Membaca Bersama dan Membaca Terbimbing [Kemitraan d...AKSI NYATA ERWIN Literasi Membaca Bersama dan Membaca Terbimbing [Kemitraan d...
AKSI NYATA ERWIN Literasi Membaca Bersama dan Membaca Terbimbing [Kemitraan d...
 
Bioteknologi kelas x kurikulum merdeka.ppt
Bioteknologi kelas x kurikulum merdeka.pptBioteknologi kelas x kurikulum merdeka.ppt
Bioteknologi kelas x kurikulum merdeka.ppt
 
Rubrik Observasi Kelas Supervisi akademik
Rubrik Observasi Kelas Supervisi akademikRubrik Observasi Kelas Supervisi akademik
Rubrik Observasi Kelas Supervisi akademik
 
Aksi Nyata Perencanaan Pembelajaran SD Merumuskan Pemahaman Bermakna.pptx
Aksi Nyata Perencanaan Pembelajaran SD Merumuskan Pemahaman Bermakna.pptxAksi Nyata Perencanaan Pembelajaran SD Merumuskan Pemahaman Bermakna.pptx
Aksi Nyata Perencanaan Pembelajaran SD Merumuskan Pemahaman Bermakna.pptx
 
Modul Ajar Observasi Dimensi Aktivitas Interaktif
Modul Ajar Observasi Dimensi Aktivitas InteraktifModul Ajar Observasi Dimensi Aktivitas Interaktif
Modul Ajar Observasi Dimensi Aktivitas Interaktif
 
Pemilihan KBLI_Badan Pusat Statistik.pptx
Pemilihan KBLI_Badan Pusat Statistik.pptxPemilihan KBLI_Badan Pusat Statistik.pptx
Pemilihan KBLI_Badan Pusat Statistik.pptx
 
RENCANA + Link2 Materi BimTek _(Ketentuan TERBARU) "PTK 007 Rev-5 /2023 (PENG...
RENCANA + Link2 Materi BimTek _(Ketentuan TERBARU) "PTK 007 Rev-5 /2023 (PENG...RENCANA + Link2 Materi BimTek _(Ketentuan TERBARU) "PTK 007 Rev-5 /2023 (PENG...
RENCANA + Link2 Materi BimTek _(Ketentuan TERBARU) "PTK 007 Rev-5 /2023 (PENG...
 
Materi Kelas Ministry Learning Center "Kehidupan Rasul Paulus"
Materi Kelas Ministry Learning Center "Kehidupan Rasul Paulus"Materi Kelas Ministry Learning Center "Kehidupan Rasul Paulus"
Materi Kelas Ministry Learning Center "Kehidupan Rasul Paulus"
 
Makalah Administrasi Kepegawaian Kelompok 1.pdf
Makalah Administrasi Kepegawaian Kelompok 1.pdfMakalah Administrasi Kepegawaian Kelompok 1.pdf
Makalah Administrasi Kepegawaian Kelompok 1.pdf
 
Modul Ajar Teks Fantasi Mata Pelajaran Bahasa Indonesia Kelas 7
Modul Ajar Teks Fantasi Mata Pelajaran Bahasa Indonesia Kelas 7Modul Ajar Teks Fantasi Mata Pelajaran Bahasa Indonesia Kelas 7
Modul Ajar Teks Fantasi Mata Pelajaran Bahasa Indonesia Kelas 7
 
Aksi Nyata_ Membuat Lingkungan Kaya Teks di Kelas_Fatimah.pdf
Aksi Nyata_ Membuat Lingkungan Kaya Teks di Kelas_Fatimah.pdfAksi Nyata_ Membuat Lingkungan Kaya Teks di Kelas_Fatimah.pdf
Aksi Nyata_ Membuat Lingkungan Kaya Teks di Kelas_Fatimah.pdf
 
MOTIVASI KLS 12 ELIGIBLE SMKN 50 JAKARTA.pptx
MOTIVASI KLS 12 ELIGIBLE SMKN 50 JAKARTA.pptxMOTIVASI KLS 12 ELIGIBLE SMKN 50 JAKARTA.pptx
MOTIVASI KLS 12 ELIGIBLE SMKN 50 JAKARTA.pptx
 
PELAKSANAAN + Link2 MATERI Training _"Teknik Perhitungan dan Verifikasi TKDN...
PELAKSANAAN  + Link2 MATERI Training _"Teknik Perhitungan dan Verifikasi TKDN...PELAKSANAAN  + Link2 MATERI Training _"Teknik Perhitungan dan Verifikasi TKDN...
PELAKSANAAN + Link2 MATERI Training _"Teknik Perhitungan dan Verifikasi TKDN...
 
Bullying atau perundungan untuk tingkat SMP
Bullying atau perundungan untuk tingkat SMPBullying atau perundungan untuk tingkat SMP
Bullying atau perundungan untuk tingkat SMP
 
Artikel STAD Tingkatkan Prestasi Belajar PPKn dan Keterampilan peserta didik....
Artikel STAD Tingkatkan Prestasi Belajar PPKn dan Keterampilan peserta didik....Artikel STAD Tingkatkan Prestasi Belajar PPKn dan Keterampilan peserta didik....
Artikel STAD Tingkatkan Prestasi Belajar PPKn dan Keterampilan peserta didik....
 
PPT Administrasi Kurikulum dan Pembelajaran Kel. 2.pptx
PPT Administrasi Kurikulum dan Pembelajaran Kel. 2.pptxPPT Administrasi Kurikulum dan Pembelajaran Kel. 2.pptx
PPT Administrasi Kurikulum dan Pembelajaran Kel. 2.pptx
 
Excel (2)SUMIFS COUNTIFS PIVOT TABLE.pptx
Excel (2)SUMIFS COUNTIFS PIVOT TABLE.pptxExcel (2)SUMIFS COUNTIFS PIVOT TABLE.pptx
Excel (2)SUMIFS COUNTIFS PIVOT TABLE.pptx
 

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

  • 5. 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
  • 6. 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
  • 7. Implementasi software statistik &interprestasinya • Jurnal: Hasil & Pembahasan • Data Cross section & Time series • Questionnaire (angket) • Tabulasi data • Input data • Output statistik • Interpretasi
  • 9. PENGARUH CITRA MEREK, KESADARAN MEREK, DAN KUALITAS PRODUK TERHADAP KEPUTUSAN MEMBELI PRODUK APPLE Kerangka Konseptual Model Analisis Regresi
  • 10. 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
  • 11. 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.
  • 12. Uji Reliabilitas Hasil uji reliabilitas memiliki koefisien Cronbach’s Alpha lebih dari 0,6. Hal ini dapat dikatakan bahwa semua instrumen reliabel.
  • 13. Hasil Regresi Y = -0.160 + 0,277 X1 + 0,390 X2 + 0,353 X3 Persamaan Regresi: Model Persamaan Resgresi : Estimasi Pers. Resgresi :
  • 15. Pengaruh Faktor Good Corporate Governance, Free Cash Flow, dan Leverage Terhadap Manajemen Laba
  • 17. 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).
  • 20. 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
  • 21. DATA • Data Cross section • Data Time serie
  • 22. 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
  • 26. 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)
  • 27. 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)
  • 30. 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
  • 31. 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
  • 32. 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 Pearson Correlation .562** .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 Pearson Correlation .818** .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
  • 33. 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
  • 34. 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
  • 35. 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 a. Dependent Variable: Y 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
  • 37. 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
  • 38. 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
  • 39. 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
  • 40. 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 a. Dependent Variable: Y
  • 41. 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
  • 42. 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 a. Dependent Variable: Y b. Predictors: (Constant), X6, X5, X2, X4, X3, X1
  • 43. 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
  • 44. Damodar N. Gujarati (Edisi 4th) Asumsi klasik pada regresi linear berganda : 1.Multikollinearitas, 2.Autokorelasi, 3.Heteroskedastisitas, 4.Normalitas 5.Linearitas
  • 46. 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
  • 47. 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
  • 49. 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
  • 50. 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 a. Predictors: (Constant), X6, X5, X2, X4, X3, X1 b. Dependent Variable: Y
  • 53. 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
  • 54. 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
  • 55. 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
  • 56. 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 a. Predictors: (Constant), X6, X5, X2, X4, X3, X1 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
  • 58. 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.
  • 59. 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
  • 60. 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
  • 61. 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).
  • 62. 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
  • 63. 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
  • 64. 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.
  • 65. 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.
  • 66. 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.
  • 69. 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
  • 70. 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.
  • 72. 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)
  • 73. 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.
  • 74. 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.
  • 75. 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 :
  • 76. 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).
  • 78. 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.
  • 81. 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
  • 82. 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.
  • 83. 2) UJI RELIABILITY Uji Reliability - variable Y
  • 84. 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
  • 85. 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.
  • 86. 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.
  • 87. 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
  • 88. 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.
  • 89. 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
  • 90. 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
  • 91. 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.
  • 92. 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
  • 94. 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.
  • 95. Korelasi product moment (Pearson) • 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.
  • 97. Korelasi product moment (Pearson) 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
  • 99. 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
  • 100. 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
  • 102. 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.
  • 103. 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
  • 104. 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
  • 105. 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
  • 111. Langkah-langkah Analisis Korelasi Bivariate Pearson dengan SPSS
  • 122. 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)
  • 124. 5) UJI MULTICOLLINEARITY • 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
  • 125. 5) UJI MULTICOLLINEARITY 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
  • 126. 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
  • 128. 6) UJI AUTOCORRELATION 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
  • 129. 6) UJI AUTOCORRELATION • 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
  • 132. 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.
  • 133. 7) UJI HETEROSCEDASTICITY 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)
  • 135. 7) UJI HETEROSCEDASTICITY 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
  • 136. 7) UJI HETEROSCEDASTICITY 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
  • 137. 7) UJI HETEROSCEDASTICITY • 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
  • 138. 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.
  • 139. 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
  • 141. 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.
  • 143. 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%.
  • 145. 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
  • 147. 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.
  • 149. 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
  • 150. • 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
  • 152. 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
  • 154. 10) KERANGKA KONSEPTUAL X1 X2 C I Y M Variabel Moderating Variabel Independent Variabel Intervening Variabel Dependent Variabel Control
  • 155. 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
  • 156. 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
  • 157. 11) 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
  • 158. 11) PERSAMAAN REGRESI 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 a. Dependent Variable: Y Persamaan Regresi: Y = β0 + β1I + e ………………………………………………..…………(2) Y = 30.673 + 0.814 I
  • 159. 11) PERSAMAAN REGRESI 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 a. Dependent Variable: Y 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
  • 160. 11) PERSAMAAN REGRESI 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 a. Dependent Variable: Y 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
  • 161. 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 a. Dependent Variable: Y 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 a. Dependent Variable: I b. Predictors: (Constant), C, X2, X1
  • 162. 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 a. Dependent Variable: Y Coefficientsa
  • 163. 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
  • 164. 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 a. Dependent Variable: I 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.
  • 165. 15) UJI PATH (UJI PENGARUH TAK LANGSUNG MELALUI VARIABEL 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 a. Dependent Variable: Y (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.
  • 166. 15) UJI PATH (UJI PENGARUH TAK LANGSUNG MELALUI VARIABEL 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.
  • 167. 15) UJI PATH (UJI PENGARUH TAK LANGSUNG MELALUI VARIABEL 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
  • 168. KERANGKA KONSEPTUAL X1 X2 C I Y M Variabel Moderating Variabel Independent Variabel Intervening Variabel Dependent Variabel Control
  • 169. 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
  • 171. 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
  • 172. 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
  • 173. 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
  • 174. Contoh Regresi Jalur Path 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 a. Dependent Variable: Y Pers. Regresi: Y = 0 + 0.438 X Beta Standardize
  • 175. 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 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 a. Dependent Variable: Y Pers. Regresi: Y = 0 + 0.438 X Beta Standardize
  • 177. 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.
  • 178. 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)
  • 184. 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 :
  • 186. Contoh perhitungan Y pada penelitian KB
  • 189. 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
  • 190. 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
  • 191. 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.
  • 192. 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.
  • 193. 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
  • 194. 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)
  • 197. 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.
  • 198. 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:
  • 199. 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):
  • 200. 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.
  • 201. 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. •
  • 202. 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).
  • 203. 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,
  • 204. 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
  • 205. 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).
  • 206. 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:
  • 208. 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