Statistik deskriptif digunakan untuk menganalisis data penelitian. Beberapa statistik deskriptif yang digunakan antara lain frekuensi, rata-rata, modus, mediana, dan simpangan baku untuk memberikan gambaran umum tentang data seperti distribusi dan kecenderungan tengahnya.

1. MULITIVARIATE DATA ANALYSIS
P1-4_ 19 Februari 2021
Dosen: Prof. Dr. Dr. H. Aminullah Assagaf, SE., MS., MM., M.Ak
Email: assagaf29@yahoo.com
HP : +628113543409
URL: https://scholar.google.com/citations?user=EFBaeOsAAAAJ&hl=en&oi=ao
Ref.:
http://libgen.rs/search.php?req=Investments+portfolio&open=0&res=25&view=simple&phrase=
1&column=title
Slideshare: https://www2.slideshare.net/
Slideshare:
https://www2.slideshare.net/search/slideshow?searchfrom=header&q=aminullah+assagaf+simk
1sd7&ud=any&ft=all&lang=**&sort=
Youtube: https://www.youtube.com/channel/UC26u-Ys3fjKlcJAACrsnAeQ/videos

3. MULTIVARIATE DATA ANALYSIS
1. Overview of multivariate method – 2
2. Examining your data – 32
3. Exploratory faktor analysis – 90
4. Multiple regression analysis – 152
5. Multiple discriminant analysis – 232
6. Logistic regression: Regression with a Binary a dependent variabel – 314
7. MANOVA and GLM (General Linear Model) – 342
8. Conjoint analysis – 405
9. Claster analysis – 478
10. Multidimensional scaling – 538

4. MULTIVARIATE DATA ANALYSIS
11. Analysing nominal data with correspondence analysis – 582
12. Structural equition model (SEM) overview
 Appendix A: Estimating relationship using Path Analysis – 655
 Appendix B: SEM Abreviations - 657
 Appendix C: Detail on selected GUF indices -658
13. Confirmatory factor analysis – 661
14. Testing structural equations models – 700
15. Advanced SEM Topics and PLS - 726

11. Pengertian Analisis Multivariat
 Analisis Multivariat adalah metode pengolahan variabel dalam jumlah yang banyak, dimana
tujuannya adalah untuk mencari pengaruh variabel-variabel tersebut terhadap suatu obyek secara
simultan atau serentak.
 Metode analisis multivariat adalah suatu metode statistika yang tujuan digunakannya adalah untuk
menganalisis data yang terdiri dari banyak variabel serta diduga antar variabel tersebut saling
berhubungan satu sama lain.

14. Pengertian Analisis Multivariat

15. Pengertian Analisis Multivariat

16. MULTIVARIATE DATA ANALYSIS
 Jika yang diuji pada regresi sederhana atau regresi multipel (berganda) hanya diuji variabel tak
bebas (Y) yang tunggal terhadap satu atau lebih variabel bebas (X), sedangkan pada pengujian
regresi multivariate yang diuji lebih dari satu variabel tak bebas (Y) terhadap satu atau lebih variabel
bebas (X) yang sama.Fe

17. Klasifikasi Data Penelitian
Data Penelitian dapat diklasifikasikan berdasarkan sifat, sumber, dan juga skala pengukurannya.
Berikut di bawah ini akan kami jelaskan satu persatu tentang klasifikasi data penelitian:
Berdasarkan sifatnya:
1) Data kuantitatif: data yang berupa angka-angka. Misalnya berat badan, luas rumah, tinggi
badan, nilai IQ, dll.
2) Data kualitatif: data yang berupa kata-kata atau pernyataan- pernyataan. Dapat pula diartikan
sebagai data kategorik, karena memang biasanya berupa kategori atau pengelompokan-
pengelompokan berdasarkan nama atau inisial tertentu. Misalkan: Kelompok PNS, Petani, Buruh,
Wiraswasta, dll.

18. Data Berdasarkan sumbernya
Berdasarkan sumbernya, data diklasifikasikan antara lain:
Data primer
Data primer adalah data yang diperoleh langsung pihak yang diperlukan datanya.
Data sekunder
Data Sekunder adalah data yang tidak diperoleh langsung dari pihak yang diperlukan
datanya.

19. Data Berdasarkan Skala Pengukurannya
Berdasarkan skala pengukuruannya, data diklasifikasikan antara lain:
Data yang merupakan hasil pengukuran variabel penelitian, memiliki jenis skala pengukuran sebagaimana
yang terdapat pada variabel penelitian. Dengan demikian berdasarkan tinjauan ini, data dapat dibedakan
menjadi antara lain:
1. Data Nominal
Data nominal adalah salah satu jenis data kualitatif, dimana berupa kategori yang diantara kategori tersebut
tidak ada perbedaan derajat yang lebih tinggi dan yang lebih rendah. Misalkan: Jenis kelamin perempuan dan
laki-laki, dimana laki-laki belum tentu lebih tinggi dari pada perempuan, begitu pula sebaliknya.
2. Data Ordinal
Data ordinal hampir sama dengan data nominal, hanya saja ada perbedaan derajat lebih tinggi dan lebih rendah.
Misalnya: Pendidikan, dimana pendidikan perguruan tinggi lebih tinggi dari pada SMA, dan sebaliknya
pedidikan SMA lebih rendah dari pada perguruan tinggi.

20. Data Berdasarkan Skala Pengukurannya
3. Data Interval
Data interval adalah data yang termasuk kelompok data kuantitatif, dimana berupa angka-angka yang
didalamnya dapat dilakukan operasi matematika serta urutan antara satu data dengan data lainnya mempunyai
rentang yang sama. Misalnya: Nilai ujian, dimana dikatakan berurutan dengan rentang yang sama yaitu setelah
angka 1 kemudian 2 kemudian 3 dst. Serta dikatakan dapat dilakukan operasi matematika, adalah misalkan:
angka 1 dapat dikalikan dengan angka 2 dan hasilnya adalah 2.
Ciri khas penting lainnya adalah, data interval tidak mempunyai angka 0 absolut dan 100 absolut secara
bersamaan atau dalam arti lain tidak bisa dipastikan peresentase antara satu data dengan keseluruhan data.
maksudnya 0 absolut misalkan nilai ujian. Secara akal sehat, tidak mungkin ada nilai ujian kurang dari 0.
Sedangkan 100 absolut misalkan juga nilai ujian, secara akal sehat tidak mungkin ada nilai ujian lebih dari 100.
jadi data interval contohnya adalah berat badan, dimana tidak bisa dipastikan berapa sebenarnya nilai tertinggi
berat badan. Bisa jadi orang punya berat bada puluhan kilo, ratusan atau bahkan ribuan kilo.
4. Data Rasio
Data rasio adalah data yang sebenarnya sama dengan data iterval, namun bedanya adalah data rasio dapat dibuat
persentase karena ada nilai 0 dan 100 absolut. Seperti yang sudah dibahas di atas, yaitu misalnya nilai ujian
yang mempunyai batasan nilai 0 sampai 100. Jika seorang siswa mendapatkan nilai 25, dapat diartikan nilai
tersebut adalah 25% dari nilai maksimal 100.

23. Jika data kuantitatif yang dikelompokkan berdasarkan pada tipe skala pengukuran yang
digunakan maka terbagi atas empat jenis yaitu:

25. MULTIVARIATE DATA ANALYSIS

39. 4_Multiple regression analysis

41. 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)

42. 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.

43. 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.

44. 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 :

45. 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).

46. a. Va
riable Y

47. 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.

48. a. Variable Y

50. 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

51. 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.

52. 2) UJI RELIABILITY
Uji Reliability - variable Y

53. 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

54. 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.

55. 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.

56. 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

57. 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.

58. 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

59. 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

60. 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.

61. 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

62. Contoh: Analisis Korelasi

63. 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.

64. 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.

66. 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

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

68. 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

69. 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

71. 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.

72. 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

73. 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

74. 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

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

76. Tambahan…. CORRELATION

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

80. Langkah-langkah Analisis Korelasi Bivariate
Pearson dengan SPSS

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

91. 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)

92. Conto: Multicollinearity

93. 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

94. 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

95. 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

96. Contoh: Autocorrelation

97. 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

98. 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

99. 6) UJI AUTOCORRELATION

101. 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.

102. 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)

103. Contoh: Heteroskedastisitas

104. 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

105. 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

106. 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

107. 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.

108. 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

109. Contoh: Uji Normalitas

110. 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.

111. 8) UJI NORMALITY

112. 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%.

114. 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

115. 8) UJI NORMALITY

116. 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.

117. Contoh: Uji Linearitas

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

121. (a) Meregresi variable bebas yang sudah kuadrat,
Analyze → Regression → Linear → pada Dependent isi Y→ pada Independent isi X1 ,
X2, X1Sqr, X2Sqr →Statistic → pada Residual klik Durbin-Watson → Continue → OK.
Membandingkan output SPSS DW hitung dan table DW, dengan kesimpulan, (1) ada auto
korelasi positif bila DW < dL, (2) tanpa kesimpulan bila DW diantara dL sampai dengan dU,
(3) tidak ada auto korelasi bila DW diantara dU sampai dengan 4-dU, (4) tanpa kesimpulan
bila DW diantara 4-dU sampai dengan 4-dL, (5) ada auto korelasi negatif bila DW > 4-dL
Hasil perhitungan sebagaimana output SPSS berikut ini, yaitu (a) persamaan regresi
pertama, DW hitung = 1,446 sedangkan table DW pada alpha 5%, n=25, dan variable bebas
k=2 diperoleh dL=1,206 dan dU = 1,550, sehingga dinyatakan persamaan regresi pertama
tanpa kesimpulan atau tidak dapat dipastikan model linear atau non linear, karena DW
hitung berada diantara dL dan dU, (b) persamaan regresi kedua diperoleh DW hitung =
1,456 dan alpha 5%, n=25, dan variable bebas k = 4, diperoleh dL=1,038 dan dU = 1,767,
sehingga dinyatakan bahwa persamaan regresi kedua tanpa kesimpulan atau tak dapat
dipastikan model linear atau non linear, karena DW hitung terletak diantara dL dan dU.

122. 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

123. • 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

124. Mengitung R2old

125. 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

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

128. 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

129. 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

130. 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

131. 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

132. 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

133. 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

134. 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

135. 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

136. 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

137. 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.

138. 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.

139. 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.

140. 15) UJI PATH (UJI PENGARUH TAK LANGSUNG MELALUI VARIABEL
INTERVENING)
Contoh:
a) Koefisien standardized X1 terhadap I = 0.835 dikali I terhadap Y = 0.953,
yaitu : 0.835 x 0.963 = 0.796
b) Jumlah standar devisi kedua koefisien tsb dibagi dua : (0.160 + 0.048)/ 2
= 0.104
c) Statistik t (a dibagi b): (0.796 / 0.104) = 7.654 (t hitung), dan t tabel (n-k-
1 :22, alpha : 0.05) = 2.074
d) Karena t hitung (7.654) lebih besar dari t tabel (2.074) pada alpha 5%
(0.05), maka dinyatakan bahwa X1 berpengaruh tidak langsung signifikan
terhadap Y (melalui I)
e) Dst dengan cara yang sama untuk menguji pengaruh tidak langsung X2
terhadap Y melalui I

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

142. 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

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

145. 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

147. 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

148. 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

149. 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

151. 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.

152. 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)

153. Kesimpulan:

154. Menghitung nilai e

157. 5_Multiple discriminant analysis

158. MODEL “MULTIPLE DISCRIMINANT ANALYSIS” (MDA)
Reference: Asumsi dan Contoh Analisis Diskriminan - Belajar SPSS (11 Junli 2012), dan
ripa_fajarina in Statistik MultiVariat (9 Sep 2013)
Model Pengukuran Score Financial Distress (Contoh: Edward Althman, 1968)
Prof. Dr. Dr. H. Aminullah Assagaf, SE., MS., MM., M.Ak
Email: assagaf29@yahoo.com
HP. : +618113543409

159. n Code EBITAS ROTC
1 1 0.158 0.182
2 1 0.21 0.206
3 1 0.207 0.188
4 1 0.208 0.236
5 1 0.197 0.193
6 1 0.227 0.173
7 1 0.148 0.196
8 1 0.254 0.212
9 1 0.079 0.147
10 1 0.149 0.128
11 1 0.2 0.15
12 1 0.187 0.191
13 2 0.012 -0.012
14 2 0.036 0.036
15 2 0.038 0.038
16 2 0.063 -0.063
17 2 0.054 -0.054
18 2 0 0
19 2 0.005 0.005
20 2 0.091 0.091
21 2 0.036 -0.036
22 2 0.045 0.045
23 2 0.026 -0.026
24 2 0.016 0.016
DATA PENELITIAN

160. PROSE SPSS _ Determinant
• Analysis
• Clasiffy
• Discriminant
• Y pindahkan ke Grouping variable
• Klik Define rang (klik dependent) – isi minmum; 1,
maximum: 2
• Continue
• Pindahkan Xi ke Indepents
• Ok
• Pada statistics, centang semua pada Descriptions,
Matrices, Function coefficients
• Continue
• OK

161. OUTPUT SPSS
- Output SPSS untuk persamaan atau fungsi determinant : Standardized Canonical
Discrimintant Function Coefficients untuk : Y = w1X1 + w2X2…..+ wnXn
Misalnya : Y = 0.501 X1 + 0.703 X2
Standardized Canonical Discriminant Function
Coefficients
Function
1
EBITAS .501
ROTC .703

174. MULTIPLE DISCRIMINANT ANALYSIS
A. DEFINISI
Menurut Cramer, Multiple Discriminant Analysis merupakan teknik parametrik yang digunakan
untuk menentukan bobot dari prediktor yg paling baik untuk membedakan dua atau lebih
kelompok kasus, yang tidak terjadi secara kebetulan.
Model Analisis Diskriminan ditandai dengan ciri khusus yaitu data variabel dependen yang harus
berupa data kategori, sedangkan data independen justru berupa data non kategori. Atau dengan
kata lain Analisis Diskriminan adalah teknik untuk menganalisis data yang memiliki variabel
dependen dalam bentuk kategori dan variabel independen dalam bentuk metric.
Hal ini dapat dimodelkan sebagai berikut :
Y1 = X1 + X2 + X3 + … + Xn
Dimana :
1. Variabel Independen (X1 dan seterusnya) adalah data metrik, yaitu data berskala interval
atau rasio.
2. Variabel Dependen (Y1) adalah data kategorikal atau nominal. Jika data kategorikal
tersebut hanya terdiri dari 2 kode saja disebut “Two-Groups Discriminant Analysis”.
Namun apabila lebih dari 2 kategori disebut “Multiple Discriminant Analysis”.
Dependen Variabel dari analisis diskriminan disebut criterion à kategori (nominal/ordinal)
dalam regression disebut dummy variable (hanya saja tidak hanya 2 kategori, tapi bisa lebih dari
2 kategori). Sedangkan independen variable-nya disebut predictor à interval/rasio

175. B. MODEL MULTIPLE DISCRIMINANT ANALYSIS :
Bentuk Kombinasi linier :
D = bo + bX + b2X2 + b3X3 +…+ bkXk
Dimana :
D = Skor Diskriminan
B = Koefisien diskriminasi atau bobot
X = Predictor atau Variabel Independen

176. C. TUJUAN MULTIPLE DISCRIMINANT ANALYSIS
Tujuan dari Multiple Discriminant Analysis yakni adalah sebagai berikut:
1. Untuk membedakan suatu objek (responden) masuk dalam kelompok kategori yang
mana.
2. Menguji apakah ada perbedaan yang signifikan antara CRITERION (kategori) dengan
PREDIKTOR
3. Menentukan PREDIKTOR yang mana yang memberikan sumbangan sehingga terjadi
perbedaan antar kelompok.
Dalam literatur yang lain tujuan dari analisis diskriminan adalah :
1. Menganalisis apakah terdapat perbedaan yang cukup signifikan antar kelompok dalam
hal variabel independen
2. Penentuan variabel mana yang memberikan kontribusi terbesar terhadap perbedaan yang
terjadi antar kelompok
3. Klasifikasi setiap kasus ke dalam satu kelompok berdasarkan nilai dari prediktor
4. Evaluasi terhadap akurasi klasifikasi

177. D. ASUMSI ANALISIS DISKRIMINAN
Asumsi penting yang harus dipenuhi agar model diskriminan dapat digunakan antara lain :
1. Variabel bebas harus terdistribusi normal (adanya normalitas).
2. Matriks kovarians semua variabel bebas harus sama (equal).
3. Tidak terjadi multikolinearitas (tidak berkorelasi) antar variabel bebas.
4. Tidak terdapat data yang ekstrim (outlier).

178. E. PROSES ANALISIS DISKRIMINAN
Beberapa langkah yang merupakan proses dasar dalam Analisi Diskriminan antara lain :
1. Memilah variabel-variabel menjadi Variabel terikat (Dependent) dan Variabel bebas
(Independent).
2. Menentukan metode untuk membuat Fungsi Diskriminan, yaitu :
1. Simultaneous Estimation; semua variabel dimasukkan secara bersamasama lalu dilakukan
proses Diskriminan.
2. Step-Wise Estimation; variabel dimasukkan satu per satu ke dalam model Diskriminan.
3. Menguji signifikansi Fungsi Diskriminan yang terbentuk, dengan menggunakan Wilk’s
Lambda, Pilai, F test, dan lainnya.
4. Menguji ketepatan klasifikasi dari fungsi diskriminan (secara individual dengan Casewise
Diagnotics).
5. Melakukan interpretasi Fungsi Diskriminan.
6. Melakukan uji validasi fungsi diskriminan.
Dengan analisis diskriminan, pada akhirnya akan dibuat sebuah model seperti regresi yaitu satu
variabel terikat (dependent) dan banyak variabel bebas (independent). Prinsip Diskriminan
adalah ingin membuat model yang dapat secara jelas menunjukkan perbedaan (diskriminasi)
antar isi variabel dependen.

179. F. CONTOH KASUS
Terdapat 100 objek dengan variabel-variabel antara lain :
1. Specification Buying (x11), dengan kode :
– Kode 0 = Specification Buying
– Kode 1 = Total Value Analysis
1. Delivery Speed (x1)
2. Price Level (x2)
3. Price Flexibility (x3)
4. Manufacturer Image (x4)
5. Service (x5)
6. Salesforce Image (x6)
7. Product Quality (x7)
Sebelum melakukan analisis diskriminan, hal yang perlu dilakukan yaitu menguji ketepatan
variabel; yaitu apakah keseluruhan variabel yang terkumpul secara keseluruhan dapat digunakan
lebih lanjut dalam analisis diskriminan, atau terdapat variabel yang terpaksa harus disingkirkan
dalam pelaksanaan analisis diskriminan. Untuk itu, tahap pertama yang harus dilakukan yaitu
melakukan uji variabel. Seperti berikut ini.

180. 1) Menilai Variabel yang Layak
1. Dari data yang telah dimasukkan, selanjutnya klik menu “analyze” dan pilih sub menu
“Classify” dan kemudian “Discriminant…”
2. Masukkan variabel dependent ke dalam kotak “Grouping Variable”. Sedangkan
keenam variabel lainnya: masukkan ke dalam kotak “Independents”. Berarti variabel
dependent berciri data kategori. Oleh karena itu, SPSS minta masukan kode kategori
yang dipakai. Untuk itu, buka icon “Define Range”.
3. Sesuai kode variabel dependent, maka masukkan angka 0 (nol) pada bagian “Minimum”
dan angka 1 (satu) pada bagian “Maximum”. Lalu tekan “Continue” untuk kembali ke
menu utama.
4. Klik mouse pada icon “Statistics”
5. Pada bagian “Descriptives” aktifkan bagian Univariate ANOVAs dan Box’s M. Abaikan
bagian yang lain lalu tekan “Continue”. Selanjutnya dari tampilan menu utama, abaikan
bagian yang lain dan tekan OK untuk menampilkan output aplikasi SPSS pengujian
variabel pada analisis diskriminan.

181. Tabel yang dihasilkan (tests of equality of group means) merupakan hasil pengujian tiap-tiap
variabel bebas yang ada. Keputusan yang diambil dalam pengujian variabel dapat melalui 2 cara
:
a) Dengan angka “Wilk’s Lambda”. Angka Wilk’s Lambda berkisar 0 sampai 1. Jika
angka mendekati 0, maka data tiap grup cenderung berbeda; sedangkan jika angka mendekati 1,
data tiap grup cenderung sama.
b) Dengan F test (uji signifikansi). Uji F dilakukan untuk menguji hipotesis berikut:
Ho : group means dari masing-masing kelompok adalah relatif sama
H1 : group means dari masing-masing kelompok memiliki perbedaan secara nyata
Jika Sig < 0,05, maka Ho ditolak, yang berarti ada perbedaan antar grup.
Jika Sig > 0,05, maka Ho tidak ditolak yang berarti group means masing-masing kelompok
relatif sama. Hal ini menunjukkan bahwa tidak ada perbedaan antar grup.
Setelah dilakukan pengujian terhadap masing-masing variabel, berikutnya dilakukan pengujian
variansi dari setiap variabel. Analisis Diskriminan mempunyai asumsi bahwa :
1. Variansi variabel bebas untuk setiap grup seharusnya sama.
2. Variansi diantara variabel-variabel bebas seharusnya juga sama.

182. Kedua pengertian diatas dapat disimpilkan bahwa “group covariance matrices” adalah relatif
sama.
Untuk itu, perlu dilakukan pengujian hipotesis sebagai berikut :
Ho : group covariance matrices adalah relatif sama
H1 : group covariance matrices adalah berbeda secara nyata
Adapun penilaian signifikansi dari pengujian hipotesis diatas sebagai berikut :
Jika Sig < 0,05, maka Ho ditolak.
Jika Sig > 0,05, maka Ho tidak ditolak.
Dari tampilan tabel (test result) output, tentukan nilai Sig. Bila > 0,05, berarti bahwa group
covariance matrices adalah relatif sama. Hal ini berarti data di atas dianggap telah memenuhi
asumsi analisis diskriminan, sehingga proses dapat dilanjutkan.

184. 6_Logistic regression: Regression
with a Binary a dependent variabel

185. MODEL LOGISTIC (LOGIT)
Reference: Mudah Memahami Regresi Logit (Junaidi, 2008)
Untuk Latihan SPSS_Binary Logistic, Studi Kasus “AA”
Jakarta, 21 Maret 2019
Prof. Dr. Dr. H. Aminullah Assagaf, SE., MS., MM., M.Ak
Email: assagaf29@yahoo.com
HP. : +618113543409

186. MODEL LOGISTIK ATAU MODEL LOGIT
 Regresi logistik (kadang disebut model logistik atau model logit), dalam statistika digunakan
untuk prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada fungsi
logit kurva logistik.
 Metode ini merupakan model linier umum yang digunakan untuk regresi binomial.
 Seperti analisis regresi pada umumnya, metode ini menggunakan beberapa variabel
prediktor, baik numerik maupun kategori.
 Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertentu
dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh.
 Regresi logistik juga digunakan secara luas pada bidang kedokteran dan ilmu sosial, maupun
pemasaran seperti prediksi kecenderungan pelanggan untuk membeli suatu produk atau
berhenti berlangganan.
 Karena nilai Dependen berupa kategori 0 dan 1, tentunya penjelasan persamaan yang
menghubungkan antara variabel independen dan variabel dependen tidak bisa dilakukan
secara linear seperti yang dilakukan pada regresi umumnya. Maka penggunaan regresi
logistik diperlukan untuk menghitung peluang kecenderungan responden untuk bernilai 0
hingga 1.

187. MODEL LOGISTIK ATAU MODEL LOGIT
Tujuan Menggunakan regresi Logistik, ada 3
1. Menghitung peluang
 Persamaan yang diperoleh dari proses regresi logistik, dapat digunakan untuk menghitung peluang
responden diluar responden yang termasuk dalam penelitian. Contoh yang dapat dipahami adalah proses
pengajuan kredit. Pihak bank biasanya melakukan evaluasi kelayakan seseorang layak atau tidak untuk
menerima kredit pinjaman dari bank. Beberapa pertanyaan diberikan kepada pihak bank terhadap calon
penerima kredit. Pertanyaan yang diberikan seputar karakteristik variabel calon penerima modal tersebut
merupakan variabel independen yang akan diinput oleh petugas bank kedalam model. Dari beberapa
variabel yang dipertanyakan itulah, petugas bank dapat menentukan peluang calon penerima kredit tersebut
untuk bisa mengembalikan pinjaman atau tidak, nilai antara 0 – 1.
 Tentunya model yang digunakan oleh petugas bank adalah model regresi logistik berdasarkan data-data
peminjam sebelumnya. Dalam model tersebut terdapat komponen bahwa biasanya peminjam yang memiliki
pendapatan dibawah sekian dengan pinjaman yang telah dimiliki sebelumnya sekian, ditambah tanggungan
kerja sekian, memiliki peluang untuk mengembalikan pinjaman sebesar sekian ( nilai 0 -1).

188. 2. Melihat karakteristik
 Tujuan kedua ini sering digunakan untuk melihat perbedaan karakteristik antara 2 kelompok. Salah satunya
adalah skripsi saya yang saya sebutkan diatas. Skripsi tersebut menggambarkan karakteristik petani anorganik
dan petani organik. Hasil kesimpulan bahwa peluang petani mampu beralih dari anorganik ke organik adalah
karena perbedaan harga produk hasil kedua proses tersebut. Petani organik bersedia beralih dari anorganik ke
organik meskipun produktivitas organik lebih kecil dibanding anorganik. Namun, perbedaan harga yang tinggi
menjadikan petani organik memiliki pendapatan yang lebih tinggi dibandingkan petani anorganik.
 Tujuan melihat karakteristik ini biasanya membahas nilai odds ratio di masing masing variabel independen
(nilai odds ratio adalah (exp(koefisien)) masing-masing variabel). Nilai odds ratio menjelaskan peluang
responden beralih ke organik (contoh kasus diatas). Penjelasan nilai odds ratio berbeda dari nilai koefisien
regresi pada umumnya. Bila koefisien regresi menjelaskan : “ jika variabel X naik 1 satuan, maka nilai Y akan
naik sebesar nilai koefisien satuan” maka exp(koefisien) atau odds ratio pada regresi logistik menjelaskan : “
responden yang memiliki variabel x lebih tinggi, maka akan berpeluang untuk memilih organik (contoh kasus
diatas) sebesar “exp(nilai koefisien) atau biasa disebut odds ratio” kali dibandingkan responden yang memiliki
variabel x lebih rendah”. Iya, nilai exp(koefisien) pada regresi logistik atau disebut sebagai odds ratio
menjelaskan peluang, dan tidak menjelaskan berapa yang dimaksud “lebih tinggi” dari variabel X tersebut.

189. 3. Faktor Yang mempengaruhi
 Tujuan ketiga ini merupakan pengembangan dari tujuan kedua, peneliti mampu mengetahui faktor yang
mempengaruhi mengapa terdapat perbedaan antara kedua kelompok tersebut. Nilai odds ratio yang tinggi
menandakan varaibel tersebut memiliki pengaruh yang tinggi terhadap pemilihan beda dari responden.
Tujuan untuk mengetahui faktor yang mempengaruhi ini adalah diharapkan faktor yang signifikan
mempengaruhi tersebut merupakan faktor yang bisa diatur oleh peneliti atau pengambil kebijakan
sehingga bisa menggiring responden lainnya untuk berbuat yang sama terhadap responden yang bernilai 1
sebelumnya.
 Contoh pada skripsi ini adalah bahwa harga merupakan faktor yang paling berpengaruh terhadap
preferensi petani memilih pertanian organik, maka pemerintah jika ingin mengembangkan pertanian
organik harus melakukan kebijakan yang tetap menstabilkan harga agar terus berada diatas harga produk
anorganik sehingga peminat petani organik akan sebakin banyak dan bisa terus berkembang.

190. Bagaimana Model Persamaan Regresi Logistik?
 Jika regresi linear memiliki persamaan :
Y = a + b1X1 + …. + bnXn, dengan a sebagai konstanta, dan b1 hingga bn adalah koefisien, maka
regresi logistik juga akan mengeluarkan output yang sama jika anda menggunakan software
minitab atau SPSS. Namun, anda akan keliru jika langsung mengambil persamaan itu untuk
menjelaskan atau membahas peluang.
 Nilai koefisen masing masing variabel dari gambar diatas terletak pada kolom B, sedangkan
penjelasan nilai odds ratio dari masing masing variabel adalah pada kolom Exp(B).

192. Persamaan regresi logistik adalah :
 Jika anda menggunakan regresi logistik untuk membuat persamaan dan menginterpretasikan peluang
pada responden lain, maka pembahasan anda akan berkutat kepada kolom B untuk membuat persamaan,
jika anda akan membahas faktor yang mempengaruhi variabel secara parsial, maka anda akan membahas
kolom odd ratio atau exp(B)
 Persamaan tersebut dapat anda gunakan untuk menghitung peluang responden yang memiliki nilai
variabel yang sudah ditetapkan dalam persamaan, hasil akhir nilai p tentunya akan berkisar antara 0 – 1.

193. Persamaan regresi logistik adalah :

194. Tahapan Proses Regresi Logistik
 Mari kita langsung praktek dengan menggunakan spss 22. Buka spss dan copikan data yang anda
miliki. Proses regresi logistik bermula dari klik analyze – regression – binary logistic
 Kemudian isikan nilai kolom dependen dengan variabel Y dan kolom covariate dengan variabel
independen. Anda bisa menggunakan bermacam – macam methode untuk mengeliminasi variabel
dan memperoleh persamaan yang paling baik untuk menginterpretasikan penelitian anda, anda
bisa membaca artikel saya tentang cara eliminasi variabel pada regresi. Pada latihan ini, kita pilih
methode enter saja. Klik oK

198. Interpretasi Output
 Nilai signifikan omnibus test harus berada dibawah 0.05 jika anda menggunakan taraf kepercayaan
95%. Omnibus Test dengan jumlah variabel independen sebanyak x menghasilkan nilai signifikansi
yang lebih rendah dari 0.05. Hal ini menunjukkan bahwa terdapat pengaruh yang signifikan dari x
variabel independen secara simultan mempengaruhi variabel dependen.Kemudian nilai nagelkerke R
Square merupakan nilai R squared pada regresi linear. Variabel independen mampu menjelaskan 86
persen variabel dependen yang terlihat dari nilai Square nagelkerke sebesar 0.86. Sedangkan 14
persen lainnya dapat dijelaskan oleh faktor lain diluar variabel independen dalam persamaan hasil
regresi logistik.
Hosmer and lemeshow Test
 Berbeda dengan omnibus test, nilai hosmer and lemeshow test justru dikatakan baik jika nilai
signifikannya > 0.05.
 Nilai Hosmer tersebut lebih besar dibandingkan α = 0.05, artinya terima H0 yakni model regresi
logistik mampu menjelaskan data dan tidak terdapat perbedaan antara model dan nilai
observasinya. Hal ini menunjukkan bahwa persamaan regresi logistik dapat digunakan untuk
menjelaskan hubungan variabel independen dan variabel dependen

202. Membuat persamaan
 Persamaan diperlukan apabila anda selanjutnya ingin membahas atau meramal suatu
peluang dimana kondisi – kondisi variabel telah anda peroleh. Contoh simple seperti
diatas adalah penentuan layak atau tidak seseorang mendapatkan kredit pinjaman.
Atau, bisa juga memprediksi peluang keberhasilan suatu program apabila memiliki
kondisi kkondisi yang mirip dengan variabel yang ada di persamaan tersebut.
 Cara membuat persamaan sudah saya jelaskan diatas, namun sebagai gambaran saya
ilustrasikan sebuah contoh:
 Hasil interpretasi nilai logistic regression adalah sebagai berikut:
B0 = -4.2
B1 = 2.3
 Variabel independen yang diproses adalah : IP semester 1 mahasiswa dengan variabel
dependennya : 0 berarti lulus lebih atau sama dengan 4 tahun, nilai 1 berarti lulus
kurang dari 4 tahun.
 Jika IP semester 1 seorang mahasiswa adalah 3, maka berapa peluang mahasiswa
tersebut untuk lulus kurang dari 4 tahun?

203. Catatan utk IP=3:
P= e^(B0+B1X) / (1+e^(B0+B1X)
e=2.718282
e^(B0+B1X)=2.718282 ^ (-4.2 + (2.3 x 3)
e^(B0+B1X)= 2.718282 ^ 2.7 = 14.87973
(1+e^(B0+B1X)=(1+14.87973) = 15.87973
P = 14.87973 / 15.87973 = 0.94
Catatan utk IP=2:
P= e^(B0+B1X) / (1+e^(B0+B1X)
e=2.718282
e^(B0+B1X)=2.718282 ^ (-4.2 + (2.3 x 2) =
e^(B0+B1X)= 2.718282 ^ 0.4 = 1.491825
(1+e^(B0+B1X)=(1+1.491825) = 2.491825
P = 1.491825 / 2.491825 = 0.59

205. 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 :

206. Keterangan :

207. Contoh perhitungan Y pada penelitian KB

210. 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

211. Proses SPSS-LOGISTIC
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

212. 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.

213. 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.

214. 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

215. 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)

218. 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.

219. 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:

220. 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):

221. 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.

222. 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.
•

223. 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). Atau 2.718282^(-1.602) = 0.201…demikian seterusnya utk
variabel lainnya

224. 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.
Catatan Utk Exp (B):
e^B…e=2.718282
- Utk X1 : 2.718282 ^ (0.142) = 1.153
- Utk X2 : 2.718282 ^ (-1.602) = 0.201
- dst

225. 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,

226. Result and Discuss
• misalnya 10 tahun, maka odds rationya akan menjadi 4,14, yang diperoleh dari
perhitungan sbb: ψ=e(10 x 0.142) = 2.718282^1.42=4.14 . 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

227. 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).

228. 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:

230. 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

231. Data Penelitian
n Y X1 X2 X3
1 0 39 1 0
2 0 39 1 0
3 0 47 1 0
4 0 44 1 0
5 0 33 1 0
6 0 38 1 0
7 0 41 1 0
8 0 40 1 1
9 0 39 1 1
10 0 38 1 2
11 0 33 1 2
12 0 40 1 2
13 0 35 1 2
14 0 40 1 1
15 0 37 1 1
16 0 26 1 1
17 0 40 0 0
18 0 40 0 0
19 0 37 0 0
20 0 30 0 0
21 0 41 0 1
22 0 35 0 1
23 0 30 0 0
24 0 37 0 1
25 0 40 0 1