Dokumen tersebut membandingkan tiga metode analisis jalur yaitu SPSS, SmartPLS, dan manual untuk melakukan analisis jalur. Dibahas perbedaan penggunaan ketiga metode tersebut mulai dari input data, perhitungan koefisien regresi, hingga perbandingan hasil prediksi ketiganya.

1. Perbandingan
SPSS - Smart PLS SEM - Manual
7 Juli 2023
https://www.youtube.com/watch
?v=WG5HdBuvBEs&t=11s
Prof. Dr. Dr. Aminullah Assagaf, SE., MS., MM., M.Ak
Email: assagaf29@yahoo.com
Hp: 08113543409
https://www.slideshare.net/AminullahAssagaf1/aminullah-
assagafspsspls-semmanual07072023pptx

2. Perbandingan : SPSS, PLS, Manual (Link
Slideshare)
https://www.slideshare.net/AminullahAssagaf1/aminullah-assagafpls-sem-spss4-juli-2023pptx

3. Link tutorial PLS
https://www.youtube.com/watch?v=WG5HdBuvBEs&t=11s
https://www.youtube.com/watch?v=teyrLfkCyOo

5. Imput data, dan save melalui excel style
CSV(delimited atau MSDOS), atau Notepad
• Dalam menggunakan data excel: save dengan style CSV (Delimited
atau MSDOS)
• Data dlm excel hanya satu baris nama vabel
• Data diletakkan mulai pojok kiri atas atau A1, agar data tsb bisa
dibaca oleh PLS
• Bila menggunakan Notepate: blok data di excel, buka notepad melalui
search, pilih open, save as, letakkan pd salah satu folder misalnya di
Download.
• Buka PLS: mulai dgn new project, double clik cari file excel atau file
notepad…dst

6. Perbandingan: SPSS, PLS dan Manual
Prof. Dr. Dr. Aminullah Assagaf, SE., MS., MM., M.Ak
Email: assagaf29@yahoo.com
HP : +628113543409
Jakarta, 15 Juli 2023

8. Untuk Regresi Unstandardize : Unstandardize
n X1 Y X-Xbar Y-Ybar xy x^2 y^2 Yest Y-Yest
x y e
1 4 5 0.6 0.6 0.36 0.36 0.36 4.37 0.63
1 4 5 0.6 0.6 0.36 0.36 0.36 4.37 0.63
1 4 5 0.6 0.6 0.36 0.36 0.36 4.37 0.63
1 5 4 1.6 -0.4 -0.64 2.56 0.16 4.32 -0.32
1 5 4 1.6 -0.4 -0.64 2.56 0.16 4.32 -0.32
1 3 4 -0.4 -0.4 0.16 0.16 0.16 4.42 -0.42
1 3 3 -0.4 -1.4 0.56 0.16 1.96 4.42 -1.42
1 2 4 -1.4 -0.4 0.56 1.96 0.16 4.47 -0.47
1 2 5 -1.4 0.6 -0.84 1.96 0.36 4.47 0.53
1 2 5 -1.4 0.6 -0.84 1.96 0.36 4.47 0.53
10 34 44 - (0) (1) 12 4.4 44 0.00
Xbar 3.4 b = xy/x^2 = -0.048 Var Y=JKT/(n-1)==>ANOVA=4.4/9
Ybar 4.4 a = Ybar - b(Xbar) = 4.565 Var Y=y^2/(n-1)= 0.489
Var X = x^2/(n-1) = 1.378
SDY = 0.70
SDX = 1.17

9. Untuk analisis Jalur (Standardize): Standardize
n X1 Y X-Xbar Y-Ybar xy x^2 Yest Y-Yest SD Y(Yest) (SD.Y)+Ybar Selisih Yest
x y e 0.5 4.4 Unstd-Std
1 0.51 0.86 0.511 0.858 0.439 0.261 -0.04 0.90 (0.02) 4.38 (0.01)
1 0.51 0.86 0.511 0.858 0.439 0.261 -0.04 0.90 (0.02) 4.38 (0.01)
1 0.51 0.86 0.511 0.858 0.439 0.261 -0.04 0.90 (0.02) 4.38 (0.01)
1 1.36 -0.57 1.363 (0.572) (0.780) 1.858 -0.11 -0.46 (0.05) 4.35 (0.02)
1 1.36 -0.57 1.363 (0.572) (0.780) 1.858 -0.11 -0.46 (0.05) 4.35 (0.02)
1 -0.34 -0.57 (0.341) (0.572) 0.195 0.116 0.03 -0.60 0.01 4.41 0.01
1 -0.34 -2.00 (0.341) (2.002) 0.682 0.116 0.03 -2.03 0.01 4.41 0.01
1 -1.19 -0.57 (1.193) (0.572) 0.682 1.423 0.10 -0.67 0.05 4.45 0.02
1 -1.19 0.86 (1.193) 0.858 (1.023) 1.423 0.10 0.76 0.05 4.45 0.02
1 -1.19 0.86 (1.193) 0.858 (1.023) 1.423 0.10 0.76 0.05 4.45 0.02
10 - (0) - - (0.73) 9.00 (0) - (0) 44 (0)
Xbar - b = xy/x^2 = -0.081
Ybar (0.00) a = Ybar - b(Xbar) = 0.00 CATATAN :
- UTK ESTIMASI HASILNYA SAMA ANTARA
Xstd = (X - Xbar)/SD, sehingga untuk mengembalikan ke X maka : STANDIZE DENGAN UNSTANDARDIZE
=> Xstd dikalikan SD, misalnya 0,86 x SD = 0,86 x 8,4 = -1.4 - Formulanya :
=> jadi (X - Xbar ) = 7,2 (1) Standardise : (Yest x SDY) + Ybar
=> jika Xbar = 33,8 maka X = Xbar + 7,2 = 2 Yest : standardize
SDY : SD dari Y unstandardize
Ybar : Y rata2 dari unstandardize
(2) Unstandardize : Yest

10. SPSS
Standardized
Coefficients
B Std. Error Beta
(Constant) 4.565 0.751 6.078 0.000
X1 -0.048 0.210 -0.081 -0.231 0.823
PLS
bo
b1
Prediksi S
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1

11. Beta_Unstd SPSS_Pred Beta-Std PLS-Pred
bo 4.565 4.565 0 0
b1 -0.048 -0.194 -0.081 -0.162
Prediksi SPSS: Y (X=2)= 4.4 -0.162 Prediksi PLS Pers
Realisasi Y th 10 ========> 5 -0.114 kali SDY 0.699
Prediksi PLS Y ( X=2) ========> 4.3 plus rt2 Y 4.4
PREDIKSI SPSS & PLS (bila X=2))

13. n Y X1 X2 X1Y X2Y X1X2 X1^2 X2^2
1 5 4 3 20 15 12 16 9
2 5 4 3 20 15 12 16 9
3 5 4 3 20 15 12 16 9
4 4 5 4 20 16 20 25 16
5 4 5 4 20 16 20 25 16
6 4 3 4 12 16 12 9 16
7 3 3 3 9 9 9 9 9
8 4 2 3 8 12 6 4 9
9 5 2 3 10 15 6 4 9
10 5 2 3 10 15 6 4 9
Total 44 34 33 149 144 115 128 111 n
n Ybar X1bar X2bar 1
10 4.4 3.4 3.3 2
x1y = X1Y - (X1. Y)/n 149 34 44 (1) A 3
x2y = X2Y - (X2.Y)/n 144 33 44 1.20
- B 4
x1x2 =X1X2 -(X1. X2)/n 115 34 33 3 C 5
x1^2 = X1^2 - (X1)^2/n 128 34 12 D 6
X2^2 = X2^2 - (X2)^2/n 111 33 2 E 7
b1 = (EA - CB)/(DE- CC) 1
- 3
- 26 8 0.115 8
b2 = (DB - CA)/(DE - CC) 15
- 2
- 26 8 -0.725 9
b0 = Ybar - (b1.Xbar) - (b2. X2bar) 4.4 0.39 2.39
- 6.401 10
Persamaan Reg : Jumlah
Y =6.401 + 0.115 X1 - 0.725 X2
UNSTANDARDIZED COEFFICIENTs
Standardized
Coefficients
B Std. Error Beta
(Constant) 6.401 1.666 3.841 0.006
X1 0.115 0.244 0.194 0.474 0.650
X2 -0.725 0.592 -0.501 -1.225 0.260
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1
MANUAL
SPSS

14. Y X1 X2
n Y X1 X2 y x1 x2 y^2 x1^2 x2^2 Y=y/SDY X1=x1/SDX1 X2=x2/SDX2 X1Y X2Y X1X2 X1^2 X2^2
1 5 4 3 0.6 0.6 -0.3 0.36 0.36 0.09 0.86 0.51 -0.62 0.439 -0.533 -0.317 0.261 0.386
2 5 4 3 0.6 0.6 -0.3 0.36 0.36 0.09 0.86 0.51 -0.62 0.439 -0.533 -0.317 0.261 0.386
3 5 4 3 0.6 0.6 -0.3 0.36 0.36 0.09 0.86 0.51 -0.62 0.439 -0.533 -0.317 0.261 0.386
4 4 5 4 -0.4 1.6 0.7 0.16 2.56 0.49 -0.57 1.36 1.45 -0.780 -0.829 1.975 1.858 2.100
5 4 5 4 -0.4 1.6 0.7 0.16 2.56 0.49 -0.57 1.36 1.45 -0.780 -0.829 1.975 1.858 2.100
6 4 3 4 -0.4 -0.4 0.7 0.16 0.16 0.49 -0.57 -0.34 1.45 0.195 -0.829 -0.494 0.116 2.100
7 3 3 3 -1.4 -0.4 -0.3 1.96 0.16 0.09 -2.00 -0.34 -0.62 0.682 1.244 0.212 0.116 0.386
8 4 2 3 -0.4 -1.4 -0.3 0.16 1.96 0.09 -0.57 -1.19 -0.62 0.682 0.355 0.741 1.423 0.386
9 5 2 3 0.6 -1.4 -0.3 0.36 1.96 0.09 0.86 -1.19 -0.62 -1.023 -0.533 0.741 1.423 0.386
10 5 2 3 0.6 -1.4 -0.3 0.36 1.96 0.09 0.86 -1.19 -0.62 -1.023 -0.533 0.741 1.423 0.386
Total 44 34 33 0
- - 0 4.4 12.4 2.10 -0.00 0.00 0.00 -0.731 -3.553 4.938 9.000 9.000
Rata2 4.4 3.4 3.3 n Ybar X1bar X2bar
Var 0.489 1.38 0.23 10 -0 0 0
SD 0.699 1.17 0.48
STANDARDIZED COEFFICIENTS
spss
MANUAL
Standardized
Coefficients
B Std. Error Beta
(Constant) 6.401 1.666 3.841 0.006
X1 0.115 0.244 0.194 0.474 0.650
X2 -0.725 0.592 -0.501 -1.225 0.260
1
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
x1y = X1Y - (X1. Y)/n -0.73 0.00 -0.00 -0.73 A
x2y = X2Y - (X2.Y)/n -3.55 0.00 -0.00 -3.55 B
x1x2 =X1X2 -(X1. X2)/n 4.94 0.00 0.00 4.94 C
x1^2 = X1^2 - (X1)^2/n 9.00 0.00 9.00 D
X2^2 = X2^2 - (X2)^2/n 9.00 0.00 9.00 E
b1 = (EA - CB)/(DE- CC) -6.58 -17.55 81.00 24.39 0.194
b2 = (DB - CA)/(DE - CC) -31.98 -3.61 81.00 24.39 -0.501
b0 = Ybar - (b1.Xbar) - (b2. X2bar) -0.00 0.00 -0.00 -0.000
Persamaan Reg :
Y = 0 + 0.194 X1 - 0.501 X2

15. Standardized
Coefficients
B Std. Error Beta
(Constant) 6.401 1.666 3.841 0.006
X1 0.115 0.244 0.194 0.474 0.650
X2 -0.725 0.592 -0.501 -1.225 0.260
1
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
SPSS
PLS

16. R R Square
Adjusted R
Square
Std. Error of
the Estimate
1 .427
a
0.182 -0.052 0.71703
Model Summary
Model
a. Predictors: (Constant), X2, X1
PLS
SPSS

17. Y X1 X2
Pears
on
1 -0.081 -0.395
Sig. (2-
tailed)
0.823 0.259
N 10 10 10
Pears
on
-0.081 1 0.549
Sig. (2-
tailed)
0.823 0.100
N 10 10 10
Pears
on
-0.395 0.549 1
Sig. (2-
tailed)
0.259 0.100
N 10 10 10
Correlations
Y
X1
X2
PLS SPSSS

18. Beta_Unstd
SPSS_Pred
Beta-Std PLS-Pred
bo 6.401 6.401 0 0
b1 0.115 0.462 0.194 0.775
b2 -0.725 -2.176 -0.501 -1.503
Prediksi SPSS: Y (X1=4, X2=3)=
4.7 -0.728 Prediksi PLS
Realisasi Y th 10 ========>5 -0.509 kali SDY 0.699
Prediksi PLS Y ( X1=2, X2=3) ========>
3.9 plus rt2 Y 4.4
PREDIKSI SPSS & PLS (bila X1=4 dan X2=3)
Standardized
Coefficients
B Std. Error Beta
(Constant) 6.401 1.666 3.841 0.006
X1 0.115 0.244 0.194 0.474 0.650
X2 -0.725 0.592 -0.501 -1.225 0.260
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1

19. KESIMPULAN
1) SPSS menggunakan data real sesuai pengamatan atau riset dilapangan
2) Formula perhitungan regresi SPSS dan PLS adalah sama, yg berbeda hanya pada data yang dioleh untuk
menghasilkan koefisien variabel independent. Hal ini telah dibuktikan dengan perhitungan manual baik
SPSS maupun PLS.
3) Smart PLS atau SEM menggunakan data dari: selisih antara data pengamatan dengan rata2 total
pengamatan (mis: Y – Ybar, X1 – X1bar…dst), kemudian dibagi standar deviasi variabel tsb (mis: SDY,
SDX1…dst)
4) Selisih antara data pengamatan dengan rata2 total pengamatan, jumlahnya nol dan rata2 nol, sehingga
data yg diolah PLS seperti butir 3 diatas, menghasilkan konstanta nol. Konstanta dihitung dari rata-rata
variabel dependen Y dikurangi (koefisien kali rata-rata variabel independent Xi), sehingga nilai konstanta
nol.
5) Koefisien dari PLN tidak dapat digunakan untuk prediksi, tetapi harus dikembalikan perhitungannya,
yaitu hasil prediksi Y yang diperoleh dari perkalian koefisien variabel independent Xi dikali data prediksi
Xi menghasilkan nilai yang tidak sesuai prediksi sebagaimana perhitungan SPSS.
6) Prediksi Y sebagaimana butir 5, kemudian dikalikan dengan standar deviasi Y (SDY), dan ditambahkan
nilai rata-rata Y. Hasilnya mendekati perhitungan prediksi SPSS dan relevan dengan kondisi empiris,
terutama bila diuji dengan angka realisasi dengan asumsi dipakai pada prediksi periode sebelumnya.

20. KESIMPULAN
7) Perhitungan SPSS dan PLS atau SEM memiliki kesamaan dalam formula perhitungan koefisien regresi. Hasil
perhitungan coefficients SPSS menunjukkan koefisien Unstandardized (menggunakan data real) dan koefisien
Standardized (menggunakan data sebagaimana butir 3) dengan hasil yang sama dengan PLS SEM
8) Model SPSS dan PLS dapat digunakan untuk prediksi dengan hasil yang hamper sama, bila menggunakan data
realisasi dengan asumsi prediksi pada periode sebelumnya.
9) Pemahaman perbandingan perhitungan manual, SPSS, PLS adalah penting dipahami oleh mahasiswa atau
peneliti yang menggunakan PLS untuk menjelaskan perbedaan hasil perhitungan dan menggunakannya pada
kebijakan terhadap variabel independent Xi yang berdampak terhadap variabel dependen Y.
10) Koefisien regresi dari PLS SEM tidak dapat digunakan secara langsung untuk melakukan prediksi variabek
dependen Y, tetapi harus mengembalikan perhitungannya dengan cara kalikan dengan standar deviasi Y,
kemudian tambahkan nilai rata2 total Y.
11) Hal ini juga dapat digunakan untuk menjelaskan hasil dan pembahasan pada hasil penelitian yang
menggunakan Smart PLS SEM. Bila menggunakan secara langsung maka hasilnya menjadi tidak rasional, dan
sangat signifikan perbedaannya dengan prediksi SPSS maupun kondisi empiris sesuai data hasil penelitian.

22. Contoh data sekunder:

24. Pers Regresi (Unstandardized)
n Y X y=Y-Ybar x=X-Xbar y^2 x^2 xy x^2 A=y/SDY B=x/SDX
1 70 30 9.7 -3.8 94 14 -36.9 14.4 0.8 -0.5
2 78 32 17.7 -1.8 313 3 -31.9 3.2 1.5 -0.2
3 56 45 -4.3 11.2 18 125 -48.2 125.4 -0.4 1.3
4 45 24 -15.3 -9.8 234 96 149.9 96.0 -1.3 -1.2
5 68 46 7.7 12.2 59 149 93.9 148.8 0.7 1.5
6 67 32 6.7 -1.8 45 3 -12.1 3.2 0.6 -0.2
7 54 33 -6.3 -0.8 40 1 5.0 0.6 -0.5 -0.1
8 50 35 -10.3 1.2 106 1 -12.4 1.4 -0.9 0.1
9 45 20 -15.3 -13.8 234 190 211.1 190.4 -1.3 -1.6
10 70 41 9.7 7.2 94 52 69.8 51.8 0.8 0.9
Total 603 338 0.0 0.0 1238 636 388.6 635.6 0.0 0.0
Ybar 60.3
Xbar 33.8 b= 0.611
VarY y^2/(n-1)= 137.57 SDY 11.73 a= 39.635
VarX x^2/(n-1)= 70.62 SDX 8.40

25. Pers Regressi (Standardized)
n Y X y=Y-Ybar x=X-Xbar xy x^2
1 0.8 -0.5 0.8 -0.5 -0.4 0.2
2 1.5 -0.2 1.5 -0.2 -0.3 0.0
3 -0.4 1.3 -0.4 1.3 -0.5 1.8
4 -1.3 -1.2 -1.3 -1.2 1.5 1.4
5 0.7 1.5 0.7 1.5 1.0 2.1
6 0.6 -0.2 0.6 -0.2 -0.1 0.0
7 -0.5 -0.1 -0.5 -0.1 0.1 0.0
8 -0.9 0.1 -0.9 0.1 -0.1 0.0
9 -1.3 -1.6 -1.3 -1.6 2.1 2.7
10 0.8 0.9 0.8 0.9 0.7 0.7
Total 0.0 0.0 - - 3.9 9.0
Ybar 0.0 b= 0.438
Xbar 0.0 a= 0.000

26. Pers Regresi (SPSS & PLS)
Standardized
Coefficients
B Std. Error Beta
(Constant) 39.635 15.405 2.573 0.033
X 0.611 0.444 0.438 1.378 0.205
1
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized Coefficients
t Sig.

27. Prediksi periode: 11 - 13
Pers Reg =
n Y X Y X
8 -0.9 0.1 50 35
9 -1.3 -1.6 45 20
10 0.8 0.9 70 41
11 0.307 0.7 61 35
12 0.350 0.8 64 40
13 0.394 0.9 67 45
Y = 0 + 0.438 X Y = 39.6635 + 0.611 X

28. Prediksi Periode: 11 - 13
Pers Reg =
n Y X Y X
8 -0.9 0.1 50 35
9 -1.3 -1.6 45 20
10 0.8 0.9 70 41
11 0.307 0.7 61 35
12 0.350 0.8 64 40
13 0.394 0.9 67 45
11 64 kali SDY 11.7
12 64 Plus Ybar 60.3
13 65
Residual (e) e= Ŷ - Y e= Ŷ - Y
8 62 0.1 61 35
9 41 -1.6 52 20
10 70 0.9 65 41
Y = 0 + 0.438 X Y = 39.6635 + 0.611 X

29. Contoh data sekunder:

30. Y X1 X2
6 30 70
7 32 78
5 45 56
5 24 45
6 46 68
7 32 67
6 33 54
8 35 50
6 20 45
8 41 70
Data Penelitian
Y = Kinerja
X1= Incentive
X2= Lingkungan

31. Standardized
Coefficients
B Std. Error Beta
(Constant) 4.363 2.101 2.076 0.077
X1 -0.003 0.050 -0.025 -0.064 0.951
X2 0.036 0.036 0.388 0.997 0.352
1
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized Coefficients
t Sig.
SPSS
PLS

32. Manual (Beta-Unstandardized Coefficients)
n Y X1 X2 X1Y X2Y X1X2 X1^2 X2^2
1 6 30 70 180 420 2100 900 4900
2 7 32 78 224 546 2496 1024 6084
3 5 45 56 225 280 2520 2025 3136
4 5 24 45 120 225 1080 576 2025
5 6 46 68 276 408 3128 2116 4624
6 7 32 67 224 469 2144 1024 4489
7 6 33 54 198 324 1782 1089 2916
8 8 35 50 280 400 1750 1225 2500
9 6 20 45 120 270 900 400 2025
10 8 41 70 328 560 2870 1681 4900
Jumlah 64 338 603 2175 3902 20770 12060 37599
Y X1 X2 X1Y X2Y X1X2 X1^2 X2^2
64 338 603 2,175 3,902 20,770 12,060 37,599 n
Ybar X1bar X2bar n 1
6.4 33.8 60.3 10 2
x1y = X1Y - (X1. Y)/n 2,175 338 64 12 A 3
x2y = X2Y - (X2.Y)/n 3,902 603 64 42.80 B 4
x1x2 =X1X2 -(X1. X2)/n 20,770 338 603 389 C 5
x1^2 = X1^2 - (X1)^2/n 12,060 338 636 D 6
X2^2 = X2^2 - (X2)^2/n 37,599 603 1,238 E 7
b1 = (EA - CB)/(DE- CC) 14,610 16,632 786,936 151,010 (0.003) 8
b2 = (DB - CA)/(DE - CC) 27,204 4,585 786,936 151,010 0.036 9
b0 = Ybar - (b1.Xbar) - (b2. X2bar) 6.4 0.11
- 2.14 4.363 10
Persamaan Reg : Jumlah
Y =4.363 - 0.003 X1 + 0.03 X2

33. Manual ( Beta – Standardized Coefficients)
n Y X1 X2 y x1 x2 y^2 x1^2 x2^2 Y=y/SDY X1=x1/SDX1 X2=x2/SDX2 X1Y X2Y X1X2 X1^2 X2^2
1 6 30 70 -0.4 -3.8 9.7 0.16 14.44 94.09 0.37
- 0.45
- 0.83 0.168 -0.308 -0.374 0.204 0.684
2 7 32 78 0.6 -1.8 17.7 0.36 3.24 313.29 0.56 0.21
- 1.51 -0.120 0.842 -0.323 0.046 2.277
3 5 45 56 -1.4 11.2 -4.3 1.96 125.4 18.49 1.30
- 1.33 0.37
- -1.736 0.477 -0.489 1.776 0.134
4 5 24 45 -1.4 -9.8 -15.3 1.96 96.04 234.09 1.30
- 1.17
- 1.30
- 1.519 1.699 1.521 1.360 1.702
5 6 46 68 -0.4 12.2 7.7 0.16 148.8 59.29 0.37
- 1.45 0.66 -0.540 -0.244 0.953 2.108 0.431
6 7 32 67 0.6 -1.8 6.7 0.36 3.24 44.89 0.56 0.21
- 0.57 -0.120 0.319 -0.122 0.046 0.326
7 6 33 54 -0.4 -0.8 -6.3 0.16 0.64 39.69 0.37
- 0.10
- 0.54
- 0.035 0.200 0.051 0.009 0.289
8 8 35 50 1.6 1.2 -10.3 2.56 1.44 106.09 1.49 0.14 0.88
- 0.213 -1.307 -0.125 0.020 0.771
9 6 20 45 -0.4 -13.8 -15.3 0.16 190.4 234.09 0.37
- 1.64
- 1.30
- 0.611 0.485 2.142 2.697 1.702
10 8 41 70 1.6 7.2 9.7 2.56 51.84 94.09 1.49 0.86 0.83 1.275 1.231 0.709 0.734 0.684
Jumlah 64 338 603 0
- 0 0 10.4 635.6 1238.10 0.0 0.0 0.0 1.306 3.395 3.943 9.000 9.000
Rt 6.4 33.8 60.3 1.3
Var 1.16 70.62 137.57
SD 1.07 8.40 11.73
Y X1 X2 X1Y X2Y X1X2 X1^2 X2^2
(0) 0 0 1.306 3.395 3.943 9.000 9.000
Ybar X1bar X2bar n
0.0
- 0.0 0.0 10
x1y = X1Y - (X1. Y)/n 1.306 0.000 0.000
- 1.306 A
x2y = X2Y - (X2.Y)/n 3.395 0.000 0.000
- 3.395 B
x1x2 =X1X2 -(X1. X2)/n 3.943 0.000 0.000 3.943 C
x1^2 = X1^2 - (X1)^2/n 9.000 0.000 9.000 D
X2^2 = X2^2 - (X2)^2/n 9.000 0.000 9.000 E
b1 = (EA - CB)/(DE- CC) 11.756 13.383 81.000 15.544 (0.025)
b2 = (DB - CA)/(DE - CC) 30.552 5.150 81.000 15.544 0.388
b0 = Ybar - (b1.Xbar) - (b2. X2bar) 0.000
- 0.000
- 0.000 (0.000)
Persamaan Reg : J
Y = 0 - 0.025 X1 + 0.388 X2 R
V
Sum of
Squares df
Mean
Square F Sig.
Regression 1.485 2 0.742 0.583 .583
b
Residual 8.915 7 1.274
Total 10.400 9
A JKT=y^2 10.400
B df - (n-1) 9
Variance C=A/B KTT 1.16
Standar Dv C^(0.5) 1.07
ANOVA
a
Model
1
a. Dependent Variable: Y
b. Predictors: (Constant), X2, X1

34. Istilah
• Variabel Laten merupakan variabel yang tidak dapat diukur secara
langsung kecuali dengan satu atau lebih variabel manifest
(indicator). Variabel laten (tidak dapat diukur secara langsung, msi:
tingkat sehatan) dapat berfungsi sebagai variabel eksogen
(independent) maupun endogen (dependen).

35. Jenis variabel
•Berdasarkan perannya dalam suatu hubungan
• 1. Variabel Independen/Prediktor/Bebas
• 2. Variabel Dependent/Respon/Terikat
• 3. Variabel Eksogen
• 4. Variabel Endogen
• 5. Variabel Intervening/Mediasi
• 6. Variabel Moderating
•Berdasarkan cara pengukurannya
• 1. Variabel Laten (variabel kosntrak)
• 2. Variabel Indikator / Manifest

36. Berdasarkan perannya dalam suatu hubungan
1. Variabel Independen/Prediktor/Bebas
Merupakan variabel yang mempengaruhi variabel lain dalam suatu hubungan. Variabel
ini dapat dijumpai di model regresi linier, regresi logistik, model probit/gompit, analisis
data panel, model GLM dan lainnya.
2. Variabel Dependent/Respon/Terikat
Merupakan variabel yang dipengaruhi oleh variabel lain dalam suatu model hubungan.
Variabel ini dapat dijumpai di model regresi linier, regresi logistik, model probit/gompit,
analisis data panel, model GLM dan lainnya. Seringkali, di bidang Bisnis/Ekonomi
cenderung menggunakan nama variabel dependent, Sedangkan di bidang Ilmu
Kehidupan (Biologi dan Pertanian) cenderung akan menggunakan nama variabel Respon.
3. Variabel Eksogen
Pengertian variabel ini sama dengan variabel independent, namun tidak dikatakan
variabel independent karena dalam hubungannya ada yang bertindak sebagai variabel
independent sekaligus variabel dependent. Jenis variabel ini dapat dijumpai dalam
analisis Jalur (Path Analysis).

37. 4. Variabel Endogen
Pengertian variabel ini sama dengan variabel dependent, namun tidak dikatakan
variabel dependent karena dalam hubungannya ada yang bertindak sebagai
variabel independent sekaligus variabel dependent. Jenis variabel ini dapat
dijumpai dalam analisis Jalur (Path Analysis).
5. Variabel Intervening/Mediasi
Variabel ini seolah-olah bertindak sebagai variabel independent dan dependent
variabel sekaligus dalam suatu set hubungan. Variabel ini dapat dijumpai dalam
analisis jalur (Path Analysis)
6. Variabel Moderating
Merupakan variabel yang dapat melemahkan atau memperkuat hubungan
antara variabel satu dengan variabel lainnya.

38. Berdasarkan cara pengukurannya
1. Variabel Laten (variabel kosntrak)
Merupakan variabel yang tidak bisa diukur secara langsung. Oleh karena itu, kita perlu
sejumlah variabel lain untuk menyatakannya. Contoh variabel laten adalah Tingkat
Kesehatan, Loyalitas, Kebijaksanaan, dan Kepuasan. Untuk mengukur variabel ini kita
perlu kombinasi variabel lain (a.k.a indikator).
Contohnya, variabel Tingkat Kesehatan bisa diukur menggunakan kombinasi beberapa
indikator seperti tekanan darah, kadar asam urat, kadar glukosa dalam darah, dan
kolesterol.
2. Variabel Indikator / Manifest
Merupakan variabel yang bisa diukur secara langsung sehingga dia seringkali menjadi
penyusun variabel laten. Contoh variabel Manifest adalah tinggi badan, berat badan,
dan suhu.

42. Standardized Coefficients
B Std. Error Beta
(Constant) 2.705 0.905 2.988 0.020
X1 0.323 0.237 0.437 1.360 0.216
X2 -0.045 0.055 -0.264 -0.820 0.439
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized Coefficients
t Sig.
1

43. Standardized Coefficients
B Std. Error Beta
(Constant) 2.364 0.787 3.002 0.017
X1 0.364 0.227 0.492 1.600 0.148
Standardized Coefficients
B Std. Error Beta
(Constant) 3.873 0.301 12.870 0.000
X2 -0.061 0.056 -0.355 -1.075 0.314
Sig.
1
a. Dependent Variable: Y
Coefficients
a
Model
Unstandardized Coefficients
t Sig.
1
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized Coefficients
t

46. Standardized Coefficients
B Std. Error Beta
(Constant) 8.264 2.676 3.088 0.018
X1 0.304 0.239 0.410 1.270 0.245
X2 -0.047 0.053 -0.289 -0.896 0.400
Standardized Coefficients
B Std. Error Beta
(Constant) 7.231 2.385 3.032 0.016
X1 0.343 0.232 0.463 1.478 0.178
Standardized Coefficients
B Std. Error Beta
(Constant) 11.501 0.849 13.553 0.000
X2 -0.059 0.054 -0.364 -1.107 0.301
1
a. Dependent Variable: Y
1
a. Dependent Variable: Y
Coefficients
a
Model
Unstandardized Coefficients
t Sig.
1
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized Coefficients
t Sig.
Coefficientsa
Model
Unstandardized Coefficients
t Sig.

47. Standardized Coefficients
B Std. Error Beta
(Constant) 8.264 2.676 3.088 0.018
X1 0.304 0.239 0.410 1.270 0.245
X2 -0.047 0.053 -0.289 -0.896 0.400
1
a. Dependent Variable: Y
Coefficientsa
Model
Unstandardized Coefficients
t Sig.

49. R R Square Adjusted R Square Std. Error of the Estimate
1 .543a
0.295 0.094 1.34995
Model Summary
Model
a. Predictors: (Constant), X2, X1

52. Standardiz
ed
Coefficient
s
B Std. Error Beta
(Constant) 4.363 2.101 2.076 0.077
X1 -0.003 0.050 -0.025 -0.064 0.951
X2 0.036 0.036 0.388 0.997 0.352
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
1
a. Dependent Variable: Y

55. R R Square
Adjusted R
Square
Std. Error
of the
Estimate
1 .378
a
0.143 -0.102 1.12854
Model Summary
Model
a. Predictors: (Constant), X2, X1

56. Standardiz
ed
Coefficient
s
B Std. Error Beta
(Constant) 5.772 1.554 3.715 0.006
X1 0.019 0.045 0.145 0.415 0.689
Standardiz
ed
Coefficient
s
B Std. Error Beta
(Constant) 4.315 1.840 2.345 0.047
X2 0.035 0.030 0.377 1.152 0.283
Standardiz
ed
Coefficient
s
B Std. Error Beta
(Constant) 4.363 2.101 2.076 0.077
X1 -0.003 0.050 -0.025 -0.064 0.951
X2 0.036 0.036 0.388 0.997 0.352
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
1
a. Dependent Variable: Y
1
a. Dependent Variable: Y
1
a. Dependent Variable: Y
Coefficients
a
Model
Unstandardized
Coefficients
t Sig.
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.

59. b = xy/x^2 = 0.611
a = Ybar - b(Xbar) = 39.63
MANUAL
Standardize
d
Coefficients
B Std. Error Beta
(Constant) 39.635 15.405 2.573 0.033
X1 0.611 0.444 0.438 1.378 0.205
1
a. Dependent Variable: YX2
Coefficientsa
Model
Unstandardized
Coefficients
t Sig.
b = xy/x^2 = 0.438
a = Ybar - b(Xbar) = 0.00
Standardized
Unstandardized