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
Ad

Recommended

Aminullah assagaf revisi implementasi software statistik & analisis 27 ju...
Aminullah assagaf revisi implementasi software statistik & analisis 27 ju...Aminullah assagaf revisi implementasi software statistik & analisis 27 ju...
Aminullah assagaf revisi implementasi software statistik & analisis 27 ju...Aminullah Assagaf
 
Aminullah assagaf implementasi software statistik & analisis 27 juni 2020
Aminullah assagaf implementasi software statistik & analisis 27 juni 2020Aminullah assagaf implementasi software statistik & analisis 27 juni 2020
Aminullah assagaf implementasi software statistik & 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

Jurnal Steivy Kartika Tuegeh : Meningkatkan Nilai Bahasa Inggris dengan Tekno...
Jurnal Steivy Kartika Tuegeh : Meningkatkan Nilai Bahasa Inggris dengan Tekno...Jurnal Steivy Kartika Tuegeh : Meningkatkan Nilai Bahasa Inggris dengan Tekno...
Jurnal Steivy Kartika Tuegeh : Meningkatkan Nilai Bahasa Inggris dengan Tekno...triwahyuniblitar1
 
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptxPPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptximamasyari24
 
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdfMuhammadNurBalad
 
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptxPanduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptxgiriindrakharisma
 
bab 5 konektivitas antar ruang dan waktu-1.pptx
bab 5 konektivitas antar ruang dan waktu-1.pptxbab 5 konektivitas antar ruang dan waktu-1.pptx
bab 5 konektivitas antar ruang dan waktu-1.pptxNurulyDybala1
 
Mulai dari Diri pendidikan profesi guru gelombang 1
Mulai dari Diri pendidikan profesi guru gelombang 1Mulai dari Diri pendidikan profesi guru gelombang 1
Mulai dari Diri pendidikan profesi guru gelombang 1AlfianaNurulWijayant
 
Modul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Fisika Kelas 11 Fase F Kurikulum MerdekaModul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Fisika Kelas 11 Fase F Kurikulum MerdekaModul Guruku
 
Bahasa Bare'e (Bare'e-Taal) di Sulawesi Bagian Tengah
Bahasa Bare'e (Bare'e-Taal) di Sulawesi Bagian TengahBahasa Bare'e (Bare'e-Taal) di Sulawesi Bagian Tengah
Bahasa Bare'e (Bare'e-Taal) di Sulawesi Bagian TengahPejuangKeadilan2
 
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdfPPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdfAGUSWACHID4
 
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.pptBab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.pptMichael Bradley
 
ppt-hindari-ghibah-lakukan-tabayun-ikm-kelas-7-bab-8.pptx
ppt-hindari-ghibah-lakukan-tabayun-ikm-kelas-7-bab-8.pptxppt-hindari-ghibah-lakukan-tabayun-ikm-kelas-7-bab-8.pptx
ppt-hindari-ghibah-lakukan-tabayun-ikm-kelas-7-bab-8.pptxAgusRahmat39
 
Basic Presentation Skill,PPDS.pdf tugas komunikasi
Basic Presentation Skill,PPDS.pdf tugas komunikasiBasic Presentation Skill,PPDS.pdf tugas komunikasi
Basic Presentation Skill,PPDS.pdf tugas komunikasidiyahwahab1
 
Modul Ajar Sejarah Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Sejarah Kelas 11 Fase F Kurikulum MerdekaModul Ajar Sejarah Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Sejarah Kelas 11 Fase F Kurikulum MerdekaModul Guruku
 
Koneksi Antar Materi pada Modul 3.2.pdf
Koneksi Antar Materi  pada Modul 3.2.pdfKoneksi Antar Materi  pada Modul 3.2.pdf
Koneksi Antar Materi pada Modul 3.2.pdfResnaningPujiAstuti1
 
Modul Ajar Kelas 11 Ekonomi Fase F Kurikulum Merdeka
Modul Ajar Kelas 11 Ekonomi Fase F Kurikulum MerdekaModul Ajar Kelas 11 Ekonomi Fase F Kurikulum Merdeka
Modul Ajar Kelas 11 Ekonomi Fase F Kurikulum MerdekaModul Guruku
 
PELAKSANAAN + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
PELAKSANAAN  + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...PELAKSANAAN  + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
PELAKSANAAN + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...Kanaidi ken
 
Media Infografis IPAS Mari Berkenalan Dengan Bumi Kita
Media Infografis IPAS Mari Berkenalan Dengan Bumi KitaMedia Infografis IPAS Mari Berkenalan Dengan Bumi Kita
Media Infografis IPAS Mari Berkenalan Dengan Bumi KitaHYwg
 
Kerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
Kerajaan Tojo (Todjo) di Sulawesi Bagian TengahKerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
Kerajaan Tojo (Todjo) di Sulawesi Bagian TengahPejuangKeadilan2
 
ppt kurikulum merdeka belajar kelas xi s
ppt kurikulum merdeka belajar kelas xi sppt kurikulum merdeka belajar kelas xi s
ppt kurikulum merdeka belajar kelas xi sindripratiwi83
 
"Web Development - Inovasi Digital 2024"
"Web Development - Inovasi Digital 2024""Web Development - Inovasi Digital 2024"
"Web Development - Inovasi Digital 2024"Herry Prasetyo
 

Recently uploaded (20)

Jurnal Steivy Kartika Tuegeh : Meningkatkan Nilai Bahasa Inggris dengan Tekno...
Jurnal Steivy Kartika Tuegeh : Meningkatkan Nilai Bahasa Inggris dengan Tekno...Jurnal Steivy Kartika Tuegeh : Meningkatkan Nilai Bahasa Inggris dengan Tekno...
Jurnal Steivy Kartika Tuegeh : Meningkatkan Nilai Bahasa Inggris dengan Tekno...
 
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptxPPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
 
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
 
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptxPanduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
 
bab 5 konektivitas antar ruang dan waktu-1.pptx
bab 5 konektivitas antar ruang dan waktu-1.pptxbab 5 konektivitas antar ruang dan waktu-1.pptx
bab 5 konektivitas antar ruang dan waktu-1.pptx
 
Mulai dari Diri pendidikan profesi guru gelombang 1
Mulai dari Diri pendidikan profesi guru gelombang 1Mulai dari Diri pendidikan profesi guru gelombang 1
Mulai dari Diri pendidikan profesi guru gelombang 1
 
Modul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Fisika Kelas 11 Fase F Kurikulum MerdekaModul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
 
Bahasa Bare'e (Bare'e-Taal) di Sulawesi Bagian Tengah
Bahasa Bare'e (Bare'e-Taal) di Sulawesi Bagian TengahBahasa Bare'e (Bare'e-Taal) di Sulawesi Bagian Tengah
Bahasa Bare'e (Bare'e-Taal) di Sulawesi Bagian Tengah
 
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdfPPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
 
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.pptBab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
 
ppt-hindari-ghibah-lakukan-tabayun-ikm-kelas-7-bab-8.pptx
ppt-hindari-ghibah-lakukan-tabayun-ikm-kelas-7-bab-8.pptxppt-hindari-ghibah-lakukan-tabayun-ikm-kelas-7-bab-8.pptx
ppt-hindari-ghibah-lakukan-tabayun-ikm-kelas-7-bab-8.pptx
 
Basic Presentation Skill,PPDS.pdf tugas komunikasi
Basic Presentation Skill,PPDS.pdf tugas komunikasiBasic Presentation Skill,PPDS.pdf tugas komunikasi
Basic Presentation Skill,PPDS.pdf tugas komunikasi
 
Modul Ajar Sejarah Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Sejarah Kelas 11 Fase F Kurikulum MerdekaModul Ajar Sejarah Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Sejarah Kelas 11 Fase F Kurikulum Merdeka
 
Koneksi Antar Materi pada Modul 3.2.pdf
Koneksi Antar Materi  pada Modul 3.2.pdfKoneksi Antar Materi  pada Modul 3.2.pdf
Koneksi Antar Materi pada Modul 3.2.pdf
 
Modul Ajar Kelas 11 Ekonomi Fase F Kurikulum Merdeka
Modul Ajar Kelas 11 Ekonomi Fase F Kurikulum MerdekaModul Ajar Kelas 11 Ekonomi Fase F Kurikulum Merdeka
Modul Ajar Kelas 11 Ekonomi Fase F Kurikulum Merdeka
 
PELAKSANAAN + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
PELAKSANAAN  + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...PELAKSANAAN  + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
PELAKSANAAN + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
 
Media Infografis IPAS Mari Berkenalan Dengan Bumi Kita
Media Infografis IPAS Mari Berkenalan Dengan Bumi KitaMedia Infografis IPAS Mari Berkenalan Dengan Bumi Kita
Media Infografis IPAS Mari Berkenalan Dengan Bumi Kita
 
Kerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
Kerajaan Tojo (Todjo) di Sulawesi Bagian TengahKerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
Kerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
 
ppt kurikulum merdeka belajar kelas xi s
ppt kurikulum merdeka belajar kelas xi sppt kurikulum merdeka belajar kelas xi s
ppt kurikulum merdeka belajar kelas xi s
 
"Web Development - Inovasi Digital 2024"
"Web Development - Inovasi Digital 2024""Web Development - Inovasi Digital 2024"
"Web Development - Inovasi Digital 2024"
 

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