APLIKASI SPSS DALAM ANALISIS MULTIVARIATES

K e a n e k a r a g a m a n H a y a t i | i

APLIKASI SPSS

DALAM ANALISIS MULTIVARIATES

ii| K e a n e k a r a g a m a n H a y a t i

Sanksi pelanggaran pasal 44: Undang-undang No. 7 Tahun 1987 tentang

Perubahan atas Undang-undang No. 6 Tahun 1982 tentang hak cipta.

1. Barang siapa dengan sengaja dan tanpa hak mengumumkan atau

memperbanyak suatu ciptaan atau memberi izin untuk itu dipidana dengan

pidana penjara paling lama 7 (tujuh) tahun dan/atau denda paling banyak

Rp. 100.000.000,- (seratus juta rupiah)

2. Barang siapa dengan sengaja menyiarkan, memamerkan, mengedarkan,

atau menjual kepada umum suatu ciptaan atau barang hasil pelanggaran

hak cipta sebagaimana dimaksud dalam ayat 1 (satu), dipidana dengan

pidana penjara paling lama 5 (Iima) tahun dan/atau denda paling banyak

Rp. 50.000.000,- (lima puluh juta rupiah)

K e a n e k a r a g a m a n H a y a t i | iii

APLIKASI SPSS

DALAM ANALISIS MULTIVARIATES

Penerbit

LPPM Universitas Bung Hatta

2020

iv| K e a n e k a r a g a m a n H a y a t i

Judul:

APLIKASI SPSS DALAM ANALISIS MULTIVARIATES

Penulis: Surya Dharma, Purbo Jadmiko, Elfitra Azliyanti

Sampul: Elfitra Azliyanti

Perwajahan: LPPM Universitas Bung Hatta

Diterbitkan oleh LPPM Universitas Bung Hatta, November 2020

Alamat Penerbit:

Gedung Rektorat Lt.III, Jl, Sumatra Ulak Karang Padang,

Sumbar, Indonesia. Telp. 0751-7051678 Ext.323, Fax. 0751-7055475

Email: [email protected]

Hak Cipta dilindungi Undang-undang

Dilarang mengutip atau memperbanyak sebagian atau seluruh

isi buku ini tanpa izin tertulis penerbit

Isi diluar tanggung jawab percetakan

Cetakan Pertama: November 2020

Perpustakaan Nasional RI: Katalog Dalam Terbitan (KDT)

Surya Dharma, Purbo Jadmiko, Elfitra Azliyanti

APLIKASI SPSS DALAM ANALISIS MULTIVARIATES

Padang: LPPM Universitas Bung Hatta, November 2020

124 Hlm + x; 18,2 cm ISBN: 978-623-93573-9-9

mailto:[email protected]

S a m b u t a n R e k t o r | v

SAMBUTAN REKTOR

UNIVERSITAS BUNG HATTA

isi Universitas Bung Hatta adalah menjadikan Universitas Bung Hatta

Bermutu dan terkemuka dengan misi utamanya meningkatkan mutu

sumberdaya manusia yang berada dalam jangkauan funsinya.

Mencermati betapa beratnya tantangan universitas Bung Hatta terhadap dampak

globalisasi, baik yang bersumber dari tuntutan internal dan eksternal dalam

meningkatkan daya saing lulusan perguruan tinggi, maka upaya peningkatan

kualitas lulusan universitas Bung Hatta adalah suatu hal yang harus di lakukan

dengan terencana dan terukur. Untuk mewujudkan hal itu universitas Bung Hatta

melalui lembaga Penelitian dan Pengabdian kepada masyarakat merancang program

kerja dan memberikan dana kepada dosen untuk menulis buku, karena kompetensi

seorang dosen tidak cukup hanya menguasai bidang ilmunya dengan kulaifikasi S2

dan S3 kita di tuntut untuk memahami elemen kompetensi yang bisa di aplikasi

dalam proses pembelajaran. Melakukan riset dan menuangkan dalam bentuk buku.

Saya ingin menyampaikan penghargaan kepada saudara Surya Dharma,

Purbo Jadmiko, Elfitra Azliyanti yang telah menulis buku “APLIKASI SPSS DALAM

ANALISIS MULTIVARIATES”. Harapan saya buku ini akan tetap eksis sebagai

wahana komunikasi bagi kelompok dosen dalam bidang ilmu “Ekonomi dan

Manajemen” sehingga dapat di jadikan sebagai sumber bahan ajar untuk mata

kuliah yang di ampu dan menambah kasanah ilmu pengetahuan mahasiswa.

Tantangan kedepan tentu lebih berat lagi, karena kendala yang sering di

hadapi dalam penulisan buku ini adalah tidak di punyainya hasil-hasil riset yang

bernas. Kesemuanya itu menjadi tantangan kita bersama terutama para dosen di

universitas Bung Hatta.

V

vi| S a m b u t a n R e k t o r

Demikianlah sambutan saya, sekali lagi saya ucapkan selamat atas

penerbitan buku ini. Semoga Tuhan Yang Maha Kuasa meridhoi segala upaya yang

kita perbuat bagi memajukan pendidikan di Universitas Bung Hatta.

Padang, November 2020

Rektor

Prof. Dr. Tafdil Husni, S.E.,M.B.A.

K a t a P e n g a n t a r | vii

KATA PENGANTAR

uji syukur tak terhingga penulis panjatkan kehadirat ALLAH SWT, atas

rahmat dan ridhonya meskipun dalam kondisi pandemik covid-19, penulis

akhirnya mampu menyelesaikan buku: Statistik Multivariate dengan

SPSS.

Penulisan buku ini merupakan momen penting bagi penulis setelah 20 tahun

membina mata kuliah Statistik dan Metode Penelitian di Program Studi Manajemen

FEB Universitas Bung Hatta Padang. Pengalaman dalam membimbing skripsi

mahasiswa, keikutsertaan di berbagai pelatihan analisis statistik dan kegiatan

penelitian−memotivasi penulis untuk menghasilkan sebuah buku yang mudah

dipahami agar pembaca selalu termotivasi untuk mengembangkan pengetahuan

melalui pemanfaatan perkembangan teknologi informasi.

Buku praktikum ini berasal dari modul perkuliahan Analisis Multivariate yang

dibina sejak tahun 2015. Agar bisa dipahami dengan mudah dan aplikati, buku ini

tidak membahas konsep matematis setiap alat analisis. Tiap bab disertai kasus

berupa masalah/pertanyaan penelitian, prosedur analisis secara statistik, tahapan

pengerjaan dengan program aplikasi hingga interprestasi ouput untuk pengambilan

keputusan.

Tiada gading yang tak retak, kesempurnaan hanya milik sang maha pencipta.

Penulis sangat mengharapkan kritik dan saran yang membangun dari seluruh

pembaca melalui: [email protected]. .

Semoga buku ini memberikan manfaat.

Padang, Oktober 2019

Tim Penulis

P

viii| K a t a P e n g a n t a r

D a f t a r I s i | ix

DAFTAR ISI

SAMBUTAN REKTOR UNIVERSITAS BUNG HATTA ......................................... v

KATA PENGANTAR ................................................................................................ vii

DAFTAR ISI ................................................................................................................ ix

BAB 1 PENGENALAN SPSS ........................................................................................ 1

BAB 2 DESKRIPSI VARIABEL BERDASARKAN SKALA PENGUKURAN ........ 11

BAB 3 STATISTIK INFERENSIA ............................................................................... 27

BAB 4 UJI HIPOTESIS KOMPARATIF DATA BERPASANGAN ........................... 43

BAB 5 PENGANTAR ANALISIS MULTIVARIATE (MANOVA) ........................... 51

BAB 6 PENGANTAR ANALISIS DISKRIMINAN .................................................... 55

BAB 7 ANALISIS FAKTOR EKSPLORATORI (EFA) .............................................. 63

BAB 8 ANALISIS FAKTOR CONFIRMATORY

(VALIDITAS KONSTRUK DAN RELIABILITAS) ....................................... 73

BAB 9 PENGANTAR ANALISIS CLUSTER (K-MEAN CLUSTER) ....................... 83

BAB 10 ANALISIS KORELASI DAN REGRESI ......................................................... 93

BAB 11 ANALISIS REGRESI DENGAN VARIABEL PEMODERASI

(SUB-GROUP) .................................................................................................. 99

BAB 12 ANALISIS REGRESI DENGAN VARIABEL PEMODERASI (MRA) ....... 107

BAB 13 ANALISIS REGRESI DENGAN VARIABEL PEMEDIASI

(ANALISIS JALUR) ....................................................................................... 113

x| D a f t a r I s i

P e n g e n a l a n S P S S |1

Bab 1 Pengenalan SPSS

Tujuan Instruksional:

1. Mampu mempersiapkan lembar kerja untuk pengisian data

2. Mampu menentukan tipe variabel yang cocok pada spss berdasarkan skala

pengukuran

3. Mampu membuat coding pada variabel yang berskala nominal dan ordinal

4. Mampu mengimpor data dari file lain menjadi data lembar kerja SPSS

1.1 Menu SPSS (SPSS Data Editor)

Saat SPSS pertama kali dibuka, akan tampak tampilan pertama berikut:

Menu Utama SPSS(SPSS Data Editor)

Data editor mempunyai dua fungsi utama:

1. Pengisian data yang akan diolah oleh SPSS

2. Proses data yang telah diinput dengan prosedur statistik tertentu

2| P e n g e n a l a n S P S S

Data Editor terdiri atas sepuluh menu utama, yaitu:

Menu Fungsi

File Menangani hal-hal yang berhubungan dengan file data seperti:

membuat file baru, membuka file tertentu hingga mencetak isi

Data Editor

Edit Menangani hal-hal yang berhubungan dengan editing atau

mengubah nilai data

View Mengatur toolbar (Status bar, penampakan value label dan

lainnya).

Data Membuat perubahan data SPSS secara keseluruhan, seperti:

mengurutkan data, menseleksi data berdasarkan kriteria tertentu,

menggabung data dan sebagainya

Menu Fungsi

Transform Membuat perubahan pada variabel yang telah dipilih dengan

kriteria tertentu

Analyze Untuk melakukan semua prosedur perhitungan statistik.

Graph Membuat berbagai jenis grafik untuk mendukung analisis statistik

Utilities Menu tambahan untuk mendukung program SPSS, seperti:

memberikan informasi tentang variabel yang sekarang sedang

dikerjakan, mengatur menu-menu yang lain

Window Berpindah/switch diantara menu yang lain di SPSS

Help Menyediakan bantuan informasi mengenai Program SPSS


Latihan 1

Membuat Variabel dan Mengisi Data

1.1 Kasus

Berikut ini adalah data 10 orang karyawan PT. Aduhai. Siapkanlah lembar

kerja guna mengisi data. Lembar kerja ini terdiri dari 8 variabel yang dapat dilihat

pada gambar berikut:

Keterangan:

a. Variabel Usia berskala rasio dengan tipe numerik, tanpa angka dibelakang

koma

b. Tenure berisikan informasi tentang masa kerja dari masing-masing karyawan,

berskala rasio dengan tipe numerik, tanpa angka dibelakang koma

c. Variabel Berat berisikan informasi tentang berat badan (kg) dari masing-

masing karyawan, atribut variabel ini sama dengan variabel Usia dan Tenure.

d. Variabel Gender berisikan informasi tentang gender dari karyawan. Variabel

ini berskala nominal dengan tipe numerik Perempuan=0, dan laki-laki 1


e. Variabel Unit berisikan informasi tentang unit kerja dari masing-masing

karyawan. Variabel ini berskala nominal dengan tipe numerik yang terdiri

dari 4 jenis pilihan yaitu: Pemasaran=1, SDM=2, Produksi=3, dan Keuangan=4

f. Variabel Pend diisi dengan pendidikan terakhir dari masing-masing karyawan.

Variabel ini berskala ordinal dengan tipe numerik yang terdiri dari tiga pilihan

yaitu: Sarjana=3, D3=2, dan SMU=1

g. Variabel Levmotiv berisikan informasi tentang level motivasi dari tiap

karyawan. Variabel ini berskala ordinal dengan tipe numerik. Nilai level

motivasi berkisar dari 1 sampai 5, yaitu: Fisiologis=1, Rasa Aman=2, Sosial=3,

Harga Diri=4, dan Aktualisasi Diri=5.

1.2 Pengerjaan

Saat SPSS diaktifkan, layar yang aktif adalah Data View. Untuk mendefinisikan

atribut dari variabel yang dibuat, layar harus alihkan ke Variabel View dengan

cara mengklik Tab Variabel View. Pengalihan ini juga bisa dilakukan dengan cara

lain, yaitu melalui menu Bar View dengan mengklik menu Variables.

Setelah Tab Variabel Vew aktif, layar akan berubah menjadi seperti yang terlihat

pada gambar berikut:


Berbeda dengan tampilan pada tab data view. Pada Tab ini kolom tidak lagi

tampil dengan nama Var, tapi menampilkan atribut dari tiap-tiap variabel. SPSS

secara default akan memberikan nama “var”. Untuk membuat secara spesifik

tentang nama dan atribut variabel, maka Tab Variabel View harus diaktifkan.

1.2.a Variabel Usia, Tenure, Jumanak dan berat

Variabel-Variabel ini berskala rasio dengan type numerik. Pada baris 1

(pertama), yang terlebih dahulu dilakukan adalah mengisi kolom/atribut

Name. Isikan Usia pada kolom name. Tipe variabel ditentukan dengan

cara:

❖ Klik tanda “…” pada pojok kanan, dan pilih numeric. Isikan angka 0

pada Decimal Place, kemudian isikan kolom label dengan “Usia”. Cara

yang sama juga dilakukan untuk variabel Tenure, Jumanak, dan berat.


Kolom label digunakan untuk memberikan label pada variabel. SPSS

membatasi hanya 8 karakter untuk nama variabel tanpa spasi, karenanya

informasi lengkap tentang suatu variabel bisa dilakukan melalui label. Pemberian

label ini akan memudahkan user dalam memahami hasil analisis/ouput.

1.2.b Variabel gender, Unit, Pend, LevMot

Statistik digunakan untuk mengolah data kuantitatif, pengisian data dengan

menggunakan string/teks membuat analisis tidak bisa dilakukan. Karenanya

variabel-variabel berskala nominal atau ordinal harus diberikan kode sedemikian

rupa agar data tersebut memiliki pengkodean dalam bentuk angka/numerik.

❖ Ketikkan “gender” kolom name, kemudian aktifkan tanda ... pada kolom type

untuk menentukan type variabel ini. Seperti yang telah dijelaskan

sebelumnya, untuk keperluan pengkodeaan secara kuantitatif, variabel gender

berskala nominal bertype numerik. Oleh sebab itu pilih Numeric pada Tab

Variabel View, Decimal place bisa diabaikan saja, atau isikan dengan 0 jika

tidak memerlukan pecahan desimal.

❖ Pada Kolom Values, isikan kode angka yang diinginkan. Pengkodean ini akan

sangat memudahkan karena saat mengisi data kita cukup mengetikkan angka

kode tanpa harus mengetik “Laki-Laki” atau “Perempuan”


❖ Lakukan hal yang sama untuk variabel unit, pend dan Levmotiv dengan

mengikuti teknik penskalaan yang sesuai

Latihan 2

Mengimpor File dari Aplikasi Lain

SPSS memiliki kemampuan untuk membaca data dari program aplikasi lain

seperti MS-Excel. Dalam kenyataannya, mengisi data melalui lembar kerja SPSS

membutuhkan waktu, terlebih lagi bila data dientri dalam jumlah besar. Pada

sesi ini, lakukanlah impor data dari aplikasi MS-Excel

Langkah:

1. Melalui menu Open tentukan lokasi dimana file yang akan diimpor

2. Pada Kota Files of type , pilih jenis file MS-Excel(*.xls)


3. Simpan file melalui menu Save As dengan memberikan nama sesuai

keinginan

D e s k r i p s i V a r i a b e l B e r d a s a r k a n S k a l a P e n g u k u r a n |11

Bab 2

Deksripsi Variabel Berdasarkan Skala Pengukuran


1. Mampu mendeskripsikan variabel berskala nominal dan ordinal

2. Mampu mengeksplorasi data

3. Mampu mendeskripsikan variabel-variabel empiris dan persepsional

(skala interval maupun rasio) dengan melibatkan ukuran-ukuran gejala

pusat, ukuran lokasi, dan dispersi

4. Mampu menguji apakah variabel yang dideskripsikan memiliki distribusi

data yang normal atau tidak

Pengantar:

Statistik deskriptif merupakan metode statistika yang digunakan untuk

menggambarkan data numerik menjadi informasi statistik. Data mentah yang

belum diolah, tidak memberikan manfaat bagi yang menerimanya/pengguna.

Karena itu data harus diolah sedemikian rupa agar dihasilkan informasi statistik

baik berupa tabel ataupun grafik sehingga pengguna dapat memahaminya dengan

mudah. Selain tabel dan grafik, informasi statistik bisa disajikan melalui ukuran-

ukuran statistik. Beberapa ukuran statistik yang sering dipakai adalah:

1. Central tendency seperti: mean, median dan modus

2. Ukuran dispersi seperti standar deviasi dan varian

3. skewness dan kurtosis untuk mengetahui kemencengan/kemenjuluran

data.

2.1 Kasus:

File stres.sav berisikan data penelitian yang dilakukan dengan melibatkan 91

orang responden dengan berbagai latar belakang demografis. Penelitian ini

bertujuan untuk memberikan deskripsi tentang stres kerja yang dirasakan. Stres

kerja diukur dengan mempergunakan kuesioner yang diadopsi dari Kim (1996).

Kuesioner ini terdiri atas 14 pernyataan yang dikelompokkan menjadi 5 dimensi.

12| D e s k r i p s i V a r i a b e l B e r d a s a r k a n S k a l a P e n g u k u r a n

No Item

Pernyataan Dimensi

1 Saya tidak tahu apa yang menjadi tanggung jawab pekerjaan yang saya jalankan

Ambigiuitas Peran 2

Saya tahu dengan pasti apa yang diharapkan instansi dari saya sehubungan dengan pekerjaan yang saya terima

3 Saya mengalami konflik dalam menjalankan berbagai tugas yang diberikan atasan-atasan saya yang berlainan

Konflik Pekerjaan 4

Saya merasakan konflik dari tugas pekerjaan yang dibebankan oleh atasan langsung saya

5 Saya tidak punya cukup waktu untuk menyelesaikan semua pekerjaan saya Beban Pekerjaan

6 Beban tugas saya terlalu berat bagi saya

7 Saya harus bekerja super cepat dalam menyelesaikan pekerjaan saya

8 Saya tidak memiliki ruangan kerja yang memadai untuk menjalankan pekerjaan saya

Ketersediaan Sumber Daya &

Fasilitas

9 Saya memperoleh peralatan kantor yang memadai untuk bekerja

10 Saya mendapatkan dukungan layanan yang cukup untuk melaksanakan pekerjaan saya

11 Saya mengalami kesulitan memperoleh bahan-bahan habis pakai (Seperti: alat tulis) yang saya butuhkan dalam pekerjaan saya

12 Pekerjaan saya jarang membahayakan fisik saya

Tingkat Bahaya Pekerjaan

13 Pekerjaan saya sering menempatkan saya dalam kondisi tidak sehat (fisik maupun batin)

14 Kecelakaan kerja yang serius seringkali terjadi dalam pekerjaan saya

Dengan data yang ada , Anda diminta untuk mendeskipsikan:

1. Secara komprehensif tentang karakteristik demografis responden:

a. Status Menikah dan Status Bekerja Pasangan Menikah

b. Gender, Status Menikah dan Pendidikan

2. Stres Kerja secara keseluruhan

3. Stres kerja berdasarkan karakteristik demografis responden (Gender, Status

Menikah, Pendidikan)


2.2 Solusi:

Pada sesi ini akan dibahas prosedur Descriptive Statistics dengan sub-menu:

a. Frequencies yang membahas beberapa ukuran statistik deskriptif seperti

mean, median, kuartil, perecentil dan lainnya.

b. Descriptive yang berfungsi untuk mengetahui berbagai ukuran statistik

deskriptif seperti halnya dengan sub-menu Frequencies.

c. Explore untuk memeriksa lebih teliti sekelompok data (deskriptif

komparatif)

d. Crosstabs untuk menyajikan deskripsi data dalam bentuk tabulasi silang

yang terdiri atas baris dan kolom (inferensia atau induktif)

2.2.1 Informasi Demografis Responden (Crosstabs)

Tabulasi silang adalah suatu teknik memperbandingkan dua variabel berskala

non-metric(nominal atau ordinal.

Langkah pengerjaan:

Analyze > Descriptive Statistics > Crosstabs

2.2.1.a Status Menikah dan Status Bekerja Pasangan Menikah

Status Menikah * Pasangan Bekerja Crosstabulation

Count

37 0 37

31 23 54

68 23 91

Tidak Menikah

Menikah

Status Menikah

Total

Tidak Bekerja Bekerja

Pasangan Bekerja

Total


2.2.1.b Gender vs Status Menikah dan Pendidikan

Crosstabs

Gender * Status Menikah Crosstabulation

Count

22 50 72

15 4 19

37 54 91

Perempuan

Laki-Laki

Gender

Total

Tidak

Menikah Menikah

Status Menikah

Total

Gender * Pendidikan Crosstabulation

Count

18 22 22 10 72

5 6 3 5 19

23 28 25 15 91

Perempuan

Laki-Laki

Gender

Total

SLTA D3 Sarjana

Pasca

Sarjana

Pendidikan

Total

2.2.2 Deskripsi Stres Secara Umum

Data yang tersedia hanya berupa hasil pengukuran melalui item-item

pertanyaan pada kuesioner. Agar bisa dideskripsikan, terlebih dahulu harus

dibuat variabel baru yang merupakan penjumlahan dari ke 14 item pengukuran


Langkah Pengerjaan:

Transform > Compute

❖ Isikan Target Variable dengan nama Stres

❖ Pada kotak Numeric Expression isikan :

RA1+RA2+KK1+KK2+WL1+WL2+WL3+RES1+RES2+RES3+RES4+WorkD

1+WorkD2+WorkD3

❖ Klik Ok

* Perhatikan melalui Data View, sudah muncul sebuah variabel baru dengan nama

Stres


2.2.2.a Solusi dengan Sub-Menu Frequencies

Langkah Pengerjaan:

Analyze > Descriptive Statistics > Frequencies

❖ Isi variabel yang akan dimasukkan ke dalam box Variable(s). Pilih variabel

Stres dengan cara mengklik variabel tersebut yang diikuti dengan mengklik

tombol sehingga tampilan di layar berubah menjadi:

❖ Klik tombol Statistics untuk menentukan berbagai ukuran yang

menggambarkan data (Lihat gambar) kemudian klik continue untuk memilih

jenis grafik yang akan ditampilkan dengan mengklik tombol Charts


❖ Klik tombol Charts berikan aktifkan Histogram dan With normal curve, klik

continue

Output

Statistics

Stres Kerja

91

0

43,55

47,00

35a

14,875

221,273

-,149

,253

-1,181

,500

49

19

68

3963

34,00

47,00

57,00

Valid

Missing

N

Mean

Median

Mode

Std. Deviation

Variance

Skewness

Std. Error of Skewness

Kurtosis

Std. Error of Kurtosis

Range

Minimum

Maximum

Sum

25

50

75

Percentiles

Multiple modes exis t. The smallest value is showna.


Stres Kerja

3 3,3 3,3 3,3

4 4,4 4,4 7,7

3 3,3 3,3 11,0

2 2,2 2,2 13,2

3 3,3 3,3 16,5

2 2,2 2,2 18,7

1 1,1 1,1 19,8

3 3,3 3,3 23,1

1 1,1 1,1 24,2

4 4,4 4,4 28,6

6 6,6 6,6 35,2

3 3,3 3,3 38,5

5 5,5 5,5 44,0

1 1,1 1,1 45,1

2 2,2 2,2 47,3

4 4,4 4,4 51,6

5 5,5 5,5 57,1

6 6,6 6,6 63,7

6 6,6 6,6 70,3

2 2,2 2,2 72,5

1 1,1 1,1 73,6

1 1,1 1,1 74,7

1 1,1 1,1 75,8

1 1,1 1,1 76,9

5 5,5 5,5 82,4

4 4,4 4,4 86,8

4 4,4 4,4 91,2

6 6,6 6,6 97,8

1 1,1 1,1 98,9

1 1,1 1,1 100,0

91 100,0 100,0

19

20

21

22

23

24

25

32

33

34

35

36

37

45

46

47

48

49

50

52

53

54

57

59

61

62

63

64

66

68

Total

Valid

Frequency Percent Valid Percent

Cumulative

Percent


70605040302010

Stres Kerja

25

20

15

10

5

0

Fre

qu

en

cy

Mean = 43.55Std. Dev. = 14.875N = 91

Histogram

2.2.2.b Solusi dengan Descriptives

Langkah Pengerjaan:

Analyze > Descriptive Statistics > Descriptives

❖ Sama dengan langkah sebelumnya, masukkan variabel Stres ke dalam box

Variable(s)

❖ Kemudian klik tombol Option untuk memilih menentukan berbagai ukuran

yang dinginkan seperti yang terlihat pada gambar:


Output

Descriptive Statistics

91 49 19 68 43,55 14,875 221,273 -,149 ,253 -1,181 ,500

91

Stres Kerja

Valid N (listwise)

Statis tic Statis tic Statis tic Statis tic Statis tic Statis tic Statis tic Statis tic Std. Error Statis tic Std. Error

N Range Minimum Maximum Mean Std.

DeviationVariance Skewness Kurtosis

2.2.3 Stres kerja berdasarkan karakteristik demografis responden (Gender,

Status Menikah, Pendidikan) dengan Sub-Menu Explore

Langkah Pengerjaan:

Analyze > Descriptive Statistics > Explore


Explore Gender

Descriptives

40,83 1,799

37,25

44,42

40,69

37,00

232,901

15,261

19

68

49

26

,176 ,283

-1,235 ,559

53,84 1,562

50,56

57,12

53,55

50,00

46,363

6,809

47

66

19

14

,668 ,524

-1,372 1,014

Mean

Lower Bound

Upper Bound

95% Confidence

Interval for Mean

5% Trimmed Mean

Median

Variance

Std. Deviation

Minimum

Maximum

Range

Interquartile Range

Skewness

Kurtosis

Mean

Lower Bound

Upper Bound

95% Confidence

Interval for Mean

5% Trimmed Mean

Median

Variance

Std. Deviation

Minimum

Maximum

Range

Interquartile Range

Skewness

Kurtosis

Gender

Perempuan

Laki-Laki

Stres Kerja

Statis tic Std. Error


Status Menikah

Descriptives

53,78 1,210

51,33

56,24

53,62

50,00

54,174

7,360

45

66

21

15

,536 ,388

-1,585 ,759

36,54 1,999

32,53

40,55

35,93

35,00

215,725

14,688

19

68

49

27

,675 ,325

-,727 ,639

Mean

Lower Bound

Upper Bound

95% Confidence

Interval for Mean

5% Trimmed Mean

Median

Variance

Std. Deviation

Minimum

Maximum

Range

Interquartile Range

Skewness

Kurtosis

Mean

Lower Bound

Upper Bound

95% Confidence

Interval for Mean

5% Trimmed Mean

Median

Variance

Std. Deviation

Minimum

Maximum

Range

Interquartile Range

Skewness

Kurtosis

Status Menikah

Tidak Menikah

Menikah

Stres Kerja



Pendidikan

Descriptives

43,17 1,276

40,53

45,82

43,36

47,00

37,423

6,117

34

49

15

12

-,642 ,481

-1,576 ,935

31,50 2,538

26,29

36,71

31,17

23,00

180,407

13,432

19

50

31

29

,569 ,441

-1,653 ,858

49,40 3,141

42,92

55,88

49,67

62,00

246,583

15,703

25

68

43

30

-,138 ,464

-2,009 ,902

56,87 1,849

52,90

60,83

57,80

61,00

51,267

7,160

35

62

27

8

-2,245 ,580

5,998 1,121

Mean

Lower Bound

Upper Bound

95% Confidence

Interval for Mean

5% Trimmed Mean

Median

Variance

Std. Deviation

Minimum

Maximum

Range

Interquartile Range

Skewness

Kurtosis

Mean

Lower Bound

Upper Bound

95% Confidence

Interval for Mean

5% Trimmed Mean

Median

Variance

Std. Deviation

Minimum

Maximum

Range

Interquartile Range

Skewness

Kurtosis

Mean

Lower Bound

Upper Bound

95% Confidence

Interval for Mean

5% Trimmed Mean

Median

Variance

Std. Deviation

Minimum

Maximum

Range

Interquartile Range

Skewness

Kurtosis

Mean

Lower Bound

Upper Bound

95% Confidence

Interval for Mean

5% Trimmed Mean

Median

Variance

Std. Deviation

Minimum

Maximum

Range

Interquartile Range

Skewness

Kurtosis

Pendidikan

SLTA

D3

Sarjana

Pasca Sarjana

Stres Kerja



Sebaran Data/Normalitas Distribusi

Pengantar

Rata-rata hitung/mean merupakan ukuran pemusatan utama yang digunakan

sebagai ukuran statistik untuk variabel-variabel berskala metrik (interval dan

rasio). Pada kenyataanya rata-rata hitung sensitif terhadap keberadaan nilai

ekstrim (data dengan nilai terlalu kecil atau terlalu besar), sehingga menimbulkan

bias. Kerenanya, dibutuhkan ukuran sebaran seperti: range/rentang, standar

deviasi hingga varians.

Distribusi normal juga dikenal dengan nama Gauss. Carl Friedrich Gauss

(1777–1855) meneliti tentang terhadap galat/kesalahan dalam pengukuran

berulang pada benda yang sama. Sebaran data akan membentuk distribusi

normal jika jumlah data di atas dan di bawah mean relatif sama, berbentuk kurva

seperti lonceng setangkup yang melebar tak berhingga pada kedua arah positif

dan negatifnya. Dalam bahasa probabilita, peluang untuk mendapatkan suatu

acak nilai pengukuran dengan kisaran 1 standar deviasi diatas maupun dibawah

rata-rata adalah 68,26% seperti gambar berikut:

Cara sederhana dalam mendeteksi apakah sebaran data mengikuti distribusi

normal atau tidak adalah dengan melihat histogram data tersebut. Setiap batang

pada histogram dihubungkan dengan garis sehingga membentuk suatu kurva.

Perhatikan Histogram masa kerja berikut:


Secara kasat mata histogram masa kerja cenderung berbentuk lonceng,

namun cara ini sangat subyektif. Karenanya dibutuhkan suatu uji statistik untuk

memastikan apakah distribusi data sudah mengikuti distribusi normal atau tidak.

Tersedia beberapa uji untuk keperluan tersebut beberapa diantaranya:

Kolmogorov-Smirnov, Shapiro-Wilk, Anderson Darling, Cramer-von Mises,

Pearson Chi-square, Shapiro-Francia dan Lilliefors. SPSS menyediakan uji

Kolmogorov-Smirnov.

Kasus:

Lakukanlah pengujian untuk memeriksa apakah variabel masa kerja memiiliki

distribusi normal atau tidak

Solusi:

Uji Kolmogorov Smirnov adalah pengujian normalitas yang banyak dipakai.

Konsep dasar dari uji normalitas Kolmogorov-Smirnov adalah membandingkan

distribusi data yang ada dengan distribusi normal baku. Distribusi normal baku

adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan

diasumsikan normal.

Rumusan Hipotesis untuk pengujiannya adalah:

H0 : Data berdistribusi normal H1 : Data tidak berdistribusi normal

H0 diterima ketika nilai signifikansi pengujian lebih besar atau sama( >) dengan nilai Alfa


Langkah Pengerjaan:

Analyze > Nonparametrik Test > 1 Sample K-S

* Masukkan Masa Kerja pada kotak Test Variable List

Output:

One-Sample Kolmogorov-Smirnov Test

91

5,88

2,800

,128

,090

-,128

1,222

,101

N

Mean

Std. Deviation

Normal Parametersa,b

Absolute

Pos itive

Negative

Most Extreme

Differences

Kolmogorov-Smirnov Z

Asymp. Sig. (2-tailed)

Masa Kerja

Test dis tribution is Normal.a.

Calculated from data.b.

Jawaban:

1. Hasil output komputasi One-Sample Kolmogorov-Smirnov Test

menghasilkan nilai signifikasi pengujian (Asymp.Sig) sebesar 0,101. Nilai

tersebut lebih besar 0,05 (Alfa 5%,). Karena itu, H0 yang menyatakan

sebaran data berdistribusi normal harus diterima.

S t a t i s t i k I n f e r e n s i a |27

Bab 3 Statistik Inferensia


1. Mampu melakukan pengujian hipotesis perbedaan rata-rata (variabel berskala

interval dan rasio ) dengan dua atau lebih kelompok melalui:

a. Independent Sample T-test

b. One-Way Anova dengan analisis Post-Hoc

c. General Linear Model Univariate/Two-way Anova

2. Mampu mentransformasi variabel berskala metrik (interval dan rasio) ke

skala yang lebih rendah (ordinal)

3. Mampu melakukan pengujian hipotesis perbedaan variabel berskala nominal

dan ordinal untuk 2 atau lebih kelompok melaui: Uji Chi-Square, Mann-

Whitney-U Test, dan Kruskall Wallis

3.1 Kasus:

Tim seleksi penerimaan mahasiswa ingin melihat apakah terdapat perbedaan

Skor Test Potensi Akademik calon mahasiswa berdasarkan sejumlah karakteristik

individu (jenis SLTA dan Gender). Tim ingin memastikan apakah perbedaan yang

ada tersebut terjadi secara kebetulan atau memang pada hakikatnya

demikian/signifikan. Pada sesi ini Anda diminta untuk menjelaskan apakah:

1. Terdapat perbedaan Skor TPA kerja berdasarkan Gender?

2. Terdapat perbedaan Skor TPA berdasarkan jenis SLTA? jika ya, yang mana

saja yang berbeda?

3. Terdapat perbedaan tingkatan Skor TPA (Tinggi, Sedang dan Rendah )

berdasarkan asal SLTA ?

4. Apakah Asal SLTA dan gender saling berinteraksi dalam kaitannya dengan

skor TPA?

3.2 Solusi:

Tersedia prosedur (Compare Means) dengan beberapa sub-menu yang dapat

digunakan untuk menjawab tiga permasalahan yang diajukan, yaitu:

28| S t a t i s t i k I n f e r e n s i a

a. Sub-Menu Compare Means(Means) digunakan untuk serangkaian statistik

deskriptif suatu variabel berdasarkan pengelompokkan tertentu. Pada

umumnya penggunaan sub-menu ini tidak ada inferensi atau uji terhadap

hipotesis. Namun demikian hal tersebut sangat mungkin dilakukan jika

dibutuhkan.

b. Sub-Menu Compare Means (Independent Samples T-Test) digunakan

untuk mengetahui apakah terdapat perbedaan rata-rata (mean) antara

dua populasi dengan melihat rata-rata dua sampelnya. Pengertian

“independent “ atau “bebas” berarti tidak ada hubungan antara kedua

sampel/populasi yang akan diuji.

c. Sub-Menu Compare Means (One-Way Anova) digunakan untuk

mengetahui apakah ada perbedaan yang signifikan antara rata-rata hitung

tiga kelompok atau lebih. Terdapat tiga asumsi yang harus dipenuhi yaitu:

Populasi/sampel yang diuji berdistribusi normal, memiliki varians yang

sama dan tidak saling berhubungan satu dengan yang lain.

3.2.1 Solusi Untuk Kasus 1 (Sub-Menu Independent Samples T-test)

Langkah Pengerjaan:

Analyze > Compare Means > Independent Samples T-test

❖ Masukkan variabel Skor TPA pada box Test Variable(s) dan Gender pada

Grouping Variable. Karena peneliti hanya akan memperbandingkan dua

kelompok laki-laki dan perempuan, maka untuk keperluan tersebut harus

diklik tombol Define Groups pada Grouping Variable, lalu isikan 0

(perempuan) untuk Group 1 dan 1 (laki-laki) untuk Group 2


Output T-Test

Group Statistics

43 388,09 11,747 1,791

69 425,30 14,895 1,793

Gender

Perempuan

Laki-Laki

Skor TPA

N Mean Std. Deviation

Std. Error

Mean

Jawaban:

1. 69 Calon mahasiswa Laki-laki memiliki rata-rata Skor TPA 425,30 dengan

standar deviasi 11,747 sedangkan 43 calon mahasiswa perempuan

memiliki skor rata-rata stress 388,09 dengan standar deviasi 17,895.

2. Perbedaan rata-rata skor TPA signifikan karena jika dilihat melalui t-test

Equality of Mean yang lebih kecil dari 0,05 baik dengan asumsi variansnya

sama (0,001) maupun tidak (0,000)

Independent Samples Test

3,279 ,073 -13,901 110 ,000 -37,211 2,677 -42,516 -31,906

-14,681 103,903 ,000 -37,211 2,535 -42,238 -32,185

Equal variances

assumed

Equal variances

not assumed

Skor TPA

F Sig.

Levene's Test for

Equality of Variances

t df Sig. (2-tai led)

Mean

Difference

Std. Error

Difference Lower Upper

95% Confidence

Interval of the

Difference

t-test for Equality of Means

3.2.2 Solusi Kasus 2 dengan (Sub-Menu One-Way Anova)

Langkah Pengerjaan:

Analyze > Compare Means > One-Way Anova

❖ Isikan variabel Produktivitas pada box Dependent List dengan cara mengklik

variabel tersebut yang diikuti dengan mengklik tombol seperti pada gambar.

Kemudian masukkan Variabel Unit ke dalam box Factor dengan cara yang

sama


❖ Untuk mengetahui unit mana yang saling berbeda produktivitasnya klik

tombol Post Hoc lalu centang pada box Bonferonni. Sigfinicance level adalah

0,05 (default) kemudian klik continue.

❖ Jika dibutuhkan output deskriptif dari masing-masing kelompok, klik tombol

Options pada sub-menu One-Way Anova lalu beri centang pada box

Descriptive dan Homogenity-of-variance seperti pada gambar berikut:


Output: Oneway

Descriptives

Skor TPA

40 399,75 17,577 2,779 394,13 405,37 367 436

37 401,24 17,390 2,859 395,45 407,04 354 430

35 434,23 14,510 2,453 429,24 439,21 402 461

112 411,02 22,773 2,152 406,75 415,28 354 461

SMU

MA

SMK

Total

N Mean Std. Deviation Std. Error Lower Bound Upper Bound

95% Confidence Interval for

Mean

Minimum Maximum

Test of Homogeneity of Variances

Skor TPA

,961 2 109 ,386

Levene

Statis tic df1 df2 Sig.

ANOVA

Skor TPA

27469,482 2 13734,741 49,746 ,000

30094,482 109 276,096

57563,964 111

Between Groups

Within Groups

Total

Sum of

Squares df Mean Square F Sig.

Jawaban:

1. Syarat pengujian/asumsi anova terpenuhi. Test of Homogenity of

Variances SKOR TPA memiliki Levene Statistic 0,961 dengan nilai

signifikansi 0,386. Karena 0,386 lebih besar dari 0,05, maka varians dari

seluruh data adalah homogen.


2. Perbedaan rata-rata antar kelompok Jenis SLTA signifikan, dimana

kelompok SMK memiliki rata-rata skor tertinggi yaitu 434,23 dengan

standar deviasi 14,510

3. Analisis posthoc pada multiple comparisson memperlihatkan perbedaan

rata-rata yang siginifikan antar kelompok adalah: SMU dengan MA

Multiple Comparisons

Dependent Variable: Skor TPA

Bonferroni

-1,493 3,790 1,000 -10,71 7,72

-34,479* 3,846 ,000 -43,83 -25,13

1,493 3,790 1,000 -7,72 10,71

-32,985* 3,918 ,000 -42,51 -23,46

34,479* 3,846 ,000 25,13 43,83

32,985* 3,918 ,000 23,46 42,51

(J) Sekolah Asal

MA

SMK

SMU

SMK

SMU

MA

(I) Sekolah Asal

SMU

MA

SMK

Mean

Difference

(I-J) Std. Error Sig. Lower Bound Upper Bound

95% Confidence Interval

The mean difference is significant at the .05 level.*.

3.2.3.1.a Transformasi ke skala yang lebih rendah

Jika Skor TPA dikatagorikan menjadi tingkatan Tinggi, Sedang dan Rendah,

maka terjadi penurunan skala. Skor TPA kerja yang berskala interval/metrik,

terlebih dahulu harus dirubah/transform menjadi berskala ordinal. Pertanyaan

yang muncul adalah apa yang menjadi kriteria pengkatagorian tersebut?. Cara

yang paling mudah dengan membagi 3 kelas rentang (nilai tertinggi – nilai

terendah)


112 354 461 411,02 22,773

112

Skor TPA

Valid N (listwise)

N Minimum Maximum Mean Std. Deviation

Rentang : 461 - 354 = 107

Panjang Kelas : 107: 3 = 35,66 => 36

Rendah : < 389

Sedang : 389-425

Tinggi : > 425


Langkah Transformasi:

Transform > Recode > Into Different Variables

Isikan Skor pada box Numeric Variable -> Output Variable. Isikan “TingkatSkor”

pada Output Variable Name, klik Change

*Perhatikan box Numeric Variable terlihat muncul TingkatSkor

❖ Klik tombol Old and New Values. Isikan 425 through highest lalu isikan 3 pada

New Value, lalu Klik Add dan seterusnya


Setelah selesai klik Continue lalu OK, perhatikan layar kerja pada bagian paling

belakang sudah muncul variabel baru

Karena variabel baru TingkatSkor masih berupa angka 1 sampai dengan 3, maka

label untuk masing-masingnya harus diberikan dengan cara berpindah ke Tab

Variable View, isikan bagian Values untuk variabel Tingkat Skor sebagai berikut:


3.2.3.1.b Solusi Kasus 5 (Uji Kruskall Wallis)

Langkah Pengerjaan:

Analyze > Nonparametric Tests > K Independent Sample

Output Descriptives


112 354 461 411,02 22,773

112

Skor TPA

Valid N (listwise)



NPar Tests Kruskal-Wallis Test

Ranks

40 45,16

37 42,14

35 84,64

112

Sekolah Asal

SMU

MA

SMK

Total

Tingkat Skor

N Mean Rank

Test Statisticsa,b

47,579

2

,000

Chi-Square

df

Asymp. Sig.

Tingkat Skor

Kruskal Wallis Testa.

Grouping Variable: Sekolah Asalb.

Jawaban:

1. Terdapat perbedaan peringkat /rank Skor TPA yang signfikan

berdasarkan kelompok SLTA. (Asymp.sig 0,000 < 0,05)

3.2.4 Solusi Kasus 3 (Chi-square test)

Uji Chi-Square merupakan uji non-parametrik yang paling luas digunakan.

Uji ini digunakan untuk melihat signifikansi perbedaan data berskala katagorikal

baik ordinal maupun nominal. Pengambilan keputusan dilakukan dengan melihat

signifikasi perbedaan antara data sampel dengan distribusi yang diharapkan.


Langkah Pengerjaan:

Analyze > Descriptive Statistics > Crosstabs

Output Crosstabs

Sekolah Asal * Gender Crosstabulation

Count

26 14 40

16 21 37

1 34 35

43 69 112

SMU

MA

SMK

Sekolah

Asal

Total

Perempuan Laki-Laki

Gender

Total


Chi-Square Tests

31,026a 2 ,000

37,681 2 ,000

29,850 1 ,000

112

Pearson Chi-Square

Likelihood Ratio

Linear-by-Linear

Association

N of Valid Cases

Value df

Asymp. Sig.

(2-s ided)

0 cells (,0%) have expected count less than 5. The

minimum expected count is 13,44.

a.

Symmetric Measures

,466 ,000

112

Contingency CoefficientNominal by Nominal

N of Valid Cases

Value Approx. Sig.

Not assuming the null hypothes is .a.

Using the asymptotic standard error assuming the null hypothes is .b.

Jawaban:

1. Terdapat perbedaan jumlah gender berdasarkan jenis SLTA karena Peason

Chi-Square memiliki Symp.sig (2-sided) sebesar 0,00 yang lebih kecil dari

0,05

3.2.5 Solusi Kasus 5 (General Linear Model Univariate/Two way Anova)

Pertanyaan penelitian pertama (apakah terdapat perbedaan Skor TPA

yang signifikan berdasarkan gender), bisa dijawab dengan independent sampel t-

test. One-way Anova digunakan untuk mengetahui apakah terdapat perbedaan

Skor TPA yang signifikan berdasarkan asal SLTA.

Selain harus melakukan pengujian beberapa kali, pemakai independent

sampel t-test maupun one-way anova tidak mampu menjawab pertanyaan

penelitian keenam. Sebab itu, masalah ke 5 diselesaikan dengan mempergunakan

Analisis Varians Dua Arah/Two Way Anova. Perbedaan sederhana antara one way

anova dengan two way anova terletak pada jumlah independen variabel atau

factor. Pada one way anova perbedaan variabel hanya didasarkan pada satu faktor

dengan lebih dari 2 kelompok. Sedangkan Two Way Anova, faktornya lebih dari 1

dengan jumlah kelompok lebih dari 2.


Langkah Pengerjaan:

Analyze > General Linear Model > Univariate

❖ Masukkan Skor TPA pada Dependent Variable. Sekolah Asal dan Gender

pada Fixed Factors, Klik Options

❖ Masukkan OVERALL pada display Mean For, lalu berikan tanda checklist

pada Descriptive Statistics dan Homogenity Test

❖ Klik Continue lalu Ok


Output: Univariate Analysis of Variance

Between-Subjects Factors

SMU 40

MA 37

SMK 35

Perempuan 43

Laki-Laki 69

1

2

3

Sekolah

Asal

0

1

Gender

Value Label N



389,04 10,196 26

419,64 8,445 14

399,75 17,577 40

385,69 13,874 16

413,10 7,674 21

401,24 17,390 37

402,00 . 1

435,18 13,584 34

434,23 14,510 35

388,09 11,747 43

425,30 14,895 69

411,02 22,773 112

Gender

Perempuan

Laki-Laki

Total

Perempuan

Laki-Laki

Total

Perempuan

Laki-Laki

Total

Perempuan

Laki-Laki

Total

Sekolah Asal

SMU

MA

SMK

Total

Mean Std. Deviation N

Levene's Test of Equality of Error Variancesa


2,192 5 106 ,060

F df1 df2 Sig.

Tests the null hypothesis that the error variance of the

dependent variable is equal across groups.

Des ign: Intercept+SLTA+Gender+SLTA * Gendera.

Tests of Between-Subjects Effects


43883,600a 5 8776,720 68,005 ,000

4783229,736 1 4783229,736 37062,051 ,000

1476,497 2 738,249 5,720 ,004

6655,372 1 6655,372 51,568 ,000

62,472 2 31,236 ,242 ,785

13680,364 106 129,060

18978360,0 112

57563,964 111

Source

Corrected Model

Intercept

SLTA

Gender

SLTA * Gender

Error

Total

Corrected Total

Type III Sum

of Squares df Mean Square F Sig.

R Squared = ,762 (Adjusted R Squared = ,751)a.


Estimated Marginal Means

Grand Mean


407,440 2,116 403,244 411,636

Mean Std. Error Lower Bound Upper Bound


Jawaban:

1. Descriptive Statistics memberikan informasi tentang rata-rata dan standar

deviasi Skor TPA untuk tiap kelompok SLTA yang dipisahkan berdasarkan

gender. Perhitungan Levene’s Test of Equality of Error Variance

mendapatkan nilai sig. sebesar 0,06 yang lebih besar dari 0,05. Dengan

demikian asumsi pengujian dengan ANOVA terpenuhi.

2. Pada output Tests of Between-Subject Effects ditemukan SLTA memiliki

nilai sig sebesar 0,004 yang secara nyata lebih kecil dari 0,05. Dengan

demikian disimpulkan bahwa perbedaan Skor TPA berdasarkan SLTA

adalah signifikan

3. Gender juga memiliki nilai sig yang lebih kecil dari 0,05 yaitu 0,000 yang

bermakna bahwa perbedaan Skor TPA berdasarkan gender juga signifikan

4. Pada bagian interaksi (SLTA * Gender) didapatkan nilai sig sebesar 0,785

yang lebih besar dari 0,05. Dengan demikian bisa disimpulkan bahwa

Jenis SLTA dan gender tidak berinteraksi dalam menghasilkan varians

Skor TPA.

U j i H i p o t e s i s K o m p a r a t i f D a t a B e r p a s a n g a n |43

Bab 4 Uji Hipotesis Komparatif Data Berpasangan


1. Mampu melakukan pengujian hipotesis perbedaan rata-rata

berpasangan

2. Mampu melakukan pengujian hipotesis perbedaan berpasangan

variabel berskala ordinal

4.1 Kasus

Sebuah Perusahaan memiliki 23 orang karyawan yang baru dilantik sejak 3

tahun yang lalu. Manajemen selalu memantau perkembangan kemampuan

mereka. Tabel berikut memberikan informasi tentang kemampuan bahasa Inggris

mereka ketika sebelum dan dan sesudah mengikuti pelatihan TOEFL.

Selain itu, pada tabel yang sama juga terlihat bagaimana kinerja mereka untuk

setiap tahunnya. Berdasarkan kepada data yang ada, Anda diminta untuk menilai

apakah:

44| U j i H i p o t e s i s K o m p a r a t i f D a t a B e r p a s a n g a n

1. Pelatihan toefl yang diselenggarakan bisa dikatakan efektif?

2. Apakah selalu terjadi peningkatan kinerja mereka dari waktu ke waktu?

4.2 Solusi

4.2.1 Paired sample t-test

Kasus pertama bisa diselesaikan dengan sub menu paired sample t-test. Sub

menu ini digunakan karena hipotesis yang akan diuji satu subyek yang mengalami

dua perlakuan atau menjalani dua pengukuran yang berbeda (Sebelum dan

Sesudah). Asumsi yang harus dipenuhi untuk melaksanakan pengujian adalah

variabel yang akan diuji harus mengikuti distribusi normal (Gunakan uji

Kolmogorov-Smirnov)


23 23

380,70 389,43

16,499 15,353

,168 ,132

,101 ,098

-,168 -,132

,806 ,631

,534 ,821

N

Mean

Std. Deviation


Absolute

Pos itive

Negative

Most Extreme

Differences



Skor Toefl

Sblm

Pelatihan

Skor Toefl

Ssdh

Pelatihan




Langkah Pengerjaan:

Analyze > Compare Mean > Paired Sample T-test

NPar Tests


23 23

380,70 389,43

16,499 15,353

,168 ,132

,101 ,098

-,168 -,132

,806 ,631

,534 ,821

N

Mean

Std. Deviation


Absolute

Pos itive

Negative

Most Extreme

Differences



Skor Toefl

Sblm

Pelatihan

Skor Toefl

Ssdh

Pelatihan



T-Test

Paired Samples Statistics

380,70 23 16,499 3,440

389,43 23 15,353 3,201

Skor Toefl Sblm Pelatihan

Skor Toefl Ssdh Pelatihan

Pair

1

Mean N Std. Deviation

Std. Error

Mean

Paired Samples Correlations

23 ,235 ,281

Skor Toefl Sblm

Pelatihan & Skor

Toefl Ssdh Pelatihan

Pair

1

N Correlation Sig.


Paired Samples Test

-8,739 19,724 4,113 -17,268 -,210 -2,125 22 ,045

Skor Toefl Sblm

Pelatihan - Skor Toefl

Ssdh Pelatihan

Pair

1

Mean Std. Deviation

Std. Error

Mean Lower Upper

95% Confidence

Interval of the

Difference

Paired Differences

t df Sig. (2-tai led)

Jawaban:

1. Rata-rata skor toefl sebelum latihan adalah 380,70 dengan standar deviasi

16,499 sedangkan rata-rata skor toelf sesudah pelatihan 389,43 dengan

sntar deviasi 15,353. Dengan kata lain terjadi peningkatan skor TOEFL

sebesar 8,739 dan standar deviasi 19,724

2. Peningkatan tersebut signifikan karena nilai (sig.two–tailed) sebesar

0,045 lebih kecil dari 0,05

3. Dengan demikian dapat disimpulkan bahwa pelatihan skor tersebut efektif

4.2.2 Pengujian non-parametrik (Wilcoxon Signed Ranks Test atau Sign

Test)

Kasus kedua, hampir mirip dengan kasus pertama. Namun teknik yang

digunakan berbeda, yaitu pengujian non-parametrik (Wilcoxon Signed Ranks

Test atau Sign Test). ini dikarenakan variabel yang akan diuji hipotesisnya

berskala non-metrik. Pengujian dengan Wilcoxon Signed Ranks Test dilakukan

apabila peneliti ingin melakukan pengujian secara parsial (hanya sepasang-

sepasang). Namun jika pengujian dilakukan terhadap lebih dari satu pasang dan

secara serentak/simultan, maka uji non-parametrik yang digunakan adalah

Friedman Test.


Langkah Pengerjaan:

Analyze > Nonparametric Test > 2 Related Samples

Aktifkan Descriptive pada tombol Option, lalu berikan tanda centang pada kolom

Descriptive.

NPar Tests


23 2,35 ,885 1 4

23 2,96 ,825 1 4

23 2,74 ,752 1 4

Kinerja Tahun 1

Kinerja Tahun 2

Kinerja Tahun 3

N Mean Std. Deviation Minimum Maximum


Wilcoxon Signed Ranks Test

Ranks

3a 15,17 45,50

17b 9,68 164,50

3c

23

9d 7,78 70,00

5e 7,00 35,00

9f

23

Negative Ranks

Pos itive Ranks

Ties

Total

Negative Ranks

Pos itive Ranks

Ties

Total

Kinerja Tahun 2 -

Kinerja Tahun 1

Kinerja Tahun 3 -

Kinerja Tahun 2

N Mean Rank Sum of Ranks

Kinerja Tahun 2 < Kinerja Tahun 1a.

Kinerja Tahun 2 > Kinerja Tahun 1b.

Kinerja Tahun 2 = Kinerja Tahun 1c.

Kinerja Tahun 3 < Kinerja Tahun 2d.

Kinerja Tahun 3 > Kinerja Tahun 2e.

Kinerja Tahun 3 = Kinerja Tahun 2f.

Test Statisticsc

-2,368a -1,213b

,018 ,225

Z


Kinerja Tahun

2 - Kinerja

Tahun 1

Kinerja Tahun

3 - Kinerja

Tahun 2

Based on negative ranks.a.

Based on pos itive ranks.b.

Wilcoxon Signed Ranks Testc.

Jawaban

1. Descriptive Statistics menunjukkan rata-rata dan standar deviasi kinerja

masing-masing tahun

2. Proses pemberian ranking pada Ranks memberikan informasi bahwa dari

tahun pertama ke tahun kedua ditemukan 3 kasus yang mengalami

penurunan kinerja , 17 kasus kenaikan dan 3 kasus yang tidak berubah.

3. Dari tahun kedua menuju ketiga, ditemukan 9 kasus penurunan, 5 kasus

kenaikan dan 9 kasus yang tidak mengalami perubahan

4. Tabel Test Statistics memberikan informasi bahwa perubahan kinerja

yang signifikan hanya ditemukan dari tahun pertama ke tahun kedua

(0,018 < 0,05). Sedangkan dari tahun kedua ke tahun ketiga tidak

(0,225>0,05)


Sign Test

Frequencies

3

17

3

23

9

5

9

23

Negative Differencesa,b

Pos itive Differencesc,d

Tiese, f

Total

Negative Differencesa,b

Pos itive Differencesc,d

Tiese, f

Total

Kinerja Tahun 2 -

Kinerja Tahun 1

Kinerja Tahun 3 -

Kinerja Tahun 2

N

Kinerja Tahun 2 < Kinerja Tahun 1a.

Kinerja Tahun 3 < Kinerja Tahun 2b.

Kinerja Tahun 2 > Kinerja Tahun 1c.

Kinerja Tahun 3 > Kinerja Tahun 2d.

Kinerja Tahun 2 = Kinerja Tahun 1e.

Kinerja Tahun 3 = Kinerja Tahun 2f.

Test Statisticsb

,003a ,424aExact Sig. (2-tai led)

Kinerja Tahun

2 - Kinerja

Tahun 1

Kinerja Tahun

3 - Kinerja

Tahun 2

Binomial distribution used.a.

Sign Testb.

P e n g a n t a r A n a l i s i s M u l t i v a r i a t e ( M a n o v a ) |51

Bab 5 Pengantar Analisis Multivariate (Manova)

Tujuan Instruksional

1. Mampu menguji hpotesis perbedaaan rata-rata lebih dari satu variabel

dependen berdasarkan 2 atau lebih lebih kelompok

2. Mampu mengestimasi parameter

3. Mampu memeriksa homogenitas varians tiap variabel berdasarkan

kelompok

5.1 Pengantar

Perbedaan ANOVA dan MANOVA terletak pada banyaknya jumlah variabel

dependennya. Pada MANOVA, jumlah variabel dependennya lebih dari 1 (Skala

rasio atau interval) dan variabel independennya dapat lebih dari satu (Ordinal

atau Nominal). Tujuan dari Manova adalah untuk mengetahui apakah perbedaan

rata-rata kelompok/centroid berbeda signifikan atau tidak. Manova

mengasumsikan setiap variabel dependen memiliki error varians yang sama

untuk setiap grup. Levene’s test digunakan untuk menguji asumsi tersebut .

5.2 Kasus

Sebuah survey dilakukan untuk mengetahui tentang bagaimana masyarakat

menghabiskan waktu mereka. Untuk itu dicatat beberapa variabel penting yaitu:

lama menonton televisi setiap hari (jam), lama membaca majalah atau koran

setiap hari (jam), dan lama mendengar radio setiap hari (jam). Selain itu survey

juga mengelompokkan responden berdasarkan strata pendidikan. Sehubungan

dengan itu, Anda diminta untuk mengetahui :

a. Apakah terdapat perbedaan ketiga variabel berdasarkan tingkat pendidikan

secara bersama-sama?

Langkah Pengerjaan:

Analyze > General Linear Model > Multivariate

❖ Masukkan ketiga variabel yang akan diuji ke dalam Dependent Variables

❖ Masukkan Tingkat Pendidikan Responden ke dalam Fixed Factor (s)

52| U j i P e n g a n t a r A n a l i s i s M u l t i v a r i a t e ( M a n o v a )

❖ Aktifkan tombol option, lalu masukkan OVERALL ke bagian Display Means For

❖ Berikan tanda checklist pada Descriptive Statistics, Paramater Estimates dan

Homogonity Test

❖ Klik Continue lalu Ok

Output

Between-Subjects Factors

Sarjana 11

Akademi 8

SMA 6

1,00

2,00

3,00

tingkat pendidikan

responden

Value Label N

P e n g a n t a r A n a l i s i s M u l t i v a r i a t e ( M a n o v a ) |53


5,2909 1,58774 11

3,5750 1,34137 8

3,8000 1,00995 6

4,3840 1,57101 25

2,9909 ,85259 11

2,6125 ,96279 8

2,2500 1,08766 6

2,6920 ,95478 25

2,0636 ,92333 11

2,1375 ,76893 8

2,1333 ,56095 6

2,1040 ,77108 25

tingkat pendidikan

respondenSarjana

Akademi

SMA

Total

Sarjana

Akademi

SMA

Total

Sarjana

Akademi

SMA

Total

menonton televisi setiap hari (jam)

membaca majalah atau koran setiap hari (jam)

mendengar radio setiap hari (jam)


Box's Test of Equality of Covariance Matricesa

9,249

,598

12

1318,895

,845

Box's M

F

df1

df2

Sig.

Tests the null hypothesis that the observed covariance

matrices of the dependent variables are equal across groups.

Design: Intercept+didika.

Multivariate Testsc

,951 130,764a 3,000 20,000 ,000

,049 130,764a 3,000 20,000 ,000

19,615 130,764a 3,000 20,000 ,000

19,615 130,764a 3,000 20,000 ,000

,361 1,540 6,000 42,000 ,189

,650 1,603a 6,000 40,000 ,172

,522 1,654 6,000 38,000 ,159

,489 3,423b 3,000 21,000 ,036

Pillai's Trace

Wilks ' Lambda

Hotelling's Trace

Roy's Largest Root

Pillai's Trace

Wilks ' Lambda

Hotelling's Trace

Roy's Largest Root

Effect

Intercept

didik

Value F Hypothes is df Error df Sig.

Exact s tatis tica.

The s tatis tic is an upper bound on F that yields a lower bound on the s ignificance level.b.

Des ign: Intercept+didikc.

Levene's Test of Equality of Error Variancesa

,200 2 22 ,820

,911 2 22 ,417

,664 2 22 ,525

menonton televis i setiap hari (jam)



F df1 df2 Sig.

Tests the null hypothes is that the error variance of the dependent variable is equal across groups.

Des ign: Intercept+didika.

54| U j i P e n g a n t a r A n a l i s i s M u l t i v a r i a t e ( M a n o v a )

Tests of Between-Subjects Effects

16,330a 2 8,165 4,187 ,029

2,206b 2 1,103 1,233 ,311

,032c 2 ,016 ,025 ,976

419,329 1 419,329 215,020 ,000

161,213 1 161,213 180,283 ,000

104,883 1 104,883 162,066 ,000

16,330 2 8,165 4,187 ,029

2,206 2 1,103 1,233 ,311

,032 2 ,016 ,025 ,976

42,904 22 1,950

19,673 22 ,894

14,238 22 ,647

539,720 25

203,050 25

124,940 25

59,234 24

21,878 24

14,270 24

Dependent Variable



















Source

Corrected Model

Intercept

didik

Error

Total

Corrected Total

Type III Sum

of Squares df Mean Square F Sig.

R Squared = ,276 (Adjusted R Squared = ,210)a.

R Squared = ,101 (Adjusted R Squared = ,019)b.

R Squared = ,002 (Adjusted R Squared = -,088)c.

Grand Mean

4,222 ,288 3,625 4,819

2,618 ,195 2,213 3,022

2,111 ,166 1,768 2,455

Dependent Variable

menonton televis i setiap hari (jam)



Mean Std. Error Lower Bound Upper Bound


Jawaban:

1. Asumsi kesamaan varians diperiksa melalui ouput Levene’s Test of Equality

of Error Variance. Seluruh variabel dependen memiliki varians yang sama

antar kelompok pendidikan. Tidak ditemukan satu variabelpun dengan

nilai Sig. yang kurang dari 0,05 (0,820, 0,417 dan 0,525)

2. Hasil pengujian hipotesis dilihat pada output Tests of Between-Subjects

Effects. Perhatikan Source “didik”, nilai sig. dibawah 0,05 hanya

ditemukan pada variabel menonton televisi (Sig. 0,029). Dengan demikian

tingkat pendidikan hanya menghasilkan perbedaan yang signifikan pada

variabel menonton televisi.

3. Informasi pada Descriptive Statistics memperlihatkan responden dengan

pendidikan sarjana memiliki rata-rata lama menonton televisi yang paling

lama, yaitu: 5,2909 jam

P e n g a n t a r A n a l i s i s D i s k r i m i n a n |55

Bab 6 Pengantar Analisis Diskriminan


1. Mampu menentukan metode estimasi yang cocok untuk membuat fungsi

diskriminan

2. Mampu Menguji signifikansi dari fungsi diskriminan yang telah terbentuk,

dengan mempergunakan Wilk’s Lambda, Pilai, F test maupun yang lainnya

3. Mampu menguji ketepatan klassifikasi dari fungsi diskriminan, termasuk

mengetahui ketepatan klassifikasi secara individual dengan Casewise

Diagnostics

4. Mampu melakukan interprestasi terhadap fungsi diskriminan

5. Mampu Melakukan uji validasi fungsi diskriminan

6.1 Pengantar

Analisis diskriminan adalah teknik multivariat yang termasuk pada

dependence method, yakni adanya variabel dependen dan variabel independen.

Ciri khusus analisis ini adalah variabel dependen berupa data katagori/nominal

atau ordinal, sedangkan independen variabelnya justru berupa data interval atau

rasio. Hal ini dapat dimodelkan sebagai berikut

Y = X1 + X2 + X3 +……+ Xn

Interval atau Rasio Nominal atau Ordinal

6.1.a Tujuan Analisis Diskriminan:

1. Mengetahui perbedaan yang jelas antar grup pada variabel dependen.

2. Jika ada perbedaan, variabel independen manakah pada fungsi

diskriminan yang membuat perbedaan tersebut.

3. Membuat fungsi atau model diskriminan (yang mirip dengan persamaan

regresi).

4. Melakukan klasifikasi terhadap obyek ke dalam kelompok (grup).

6.1.b Asumsi:

1. Variabel bebas harus terdistribusi normal (adanya normalitas).

2. Matriks kovarians semua variabel bebas harus sama/equal (Box’s M)

56| P e n g a n t a r A n a l i s i s D i s k r i m i n a n

3. Tidak terjadi multikolinearitas (tidak berkorelasi) antar variabel bebas

(Eigen Value harus jauh dari 0)

4. Tidak terdapat data yang ekstrim (outlier).

6.1c. Proses Analisis Diskriminan

1. Memisah variabel-variabel menjadi variabel dependen dan independen

2. Menentukan metode untuk membuat fungsi diskriminan:

a. Simultaneous Estimation, dimana semua variabel dimasukkan

secara bersama-sama dan kemudian dilakukan proses diskriminan

b. Stepwise Estimation, dimana variabel dimasukkan satu persatu ke

dalam model diskriminan. Pada model ini, tetu ada variabel yang

tetap ada pada model, dan ada kemungkinan satu atau lebih

variabel independen yang dibuang dari model

3. Menguji signifikansi dari fungsi diskriminan yang telah terbentuk, dengan

mempergunakan Wilk’s Lambda, Pilai, F test maupun yang lainnya

4. Menguji ketepatan klassifikasi dari fungsi diskriminan, termasuk

mengetahui ketepatan klassifikasi secara individual dengan Casewise

Diagnostics

5. Melakukan interprestasi terhadap fungsi diskriminan

6. Melakukan uji validasi fungsi diskriminan

6.2 Kasus

Seorang analis kredit ingin mengetahui apa variabel-variabel yang dapat

membedakan/mendiskriminasi nasabah yang pernah menunggak pembayaran

cicilan kartu kredit dengan yang tidak pernah. Untuk itu dikumpulkan data 100

nasabah yang melibatkan variabel:

1. Usia

2. Pendapatan

3. Lama menikah

4. Rata-Rata frekuensi menggunakan kartu kredit dalam 1 bulan


Solusi

Langkah Pengerjaan:

Analyze > Classify > Diskriminant..

Isikan Tunggakan pada kotak Grouping Variable dan variabel-variabel (Usia,

Penghasilan, Lama Menikah, dan Frekuensi) pada Independents dan centang

Enter independents together:

Klik kotak Define Range untuk mendefinisikan rentang kelompok pada variabel

Tunggakan (1=Tidak Pernah dan 2= Pernah ), klik continue

Klik tombol Statistics untuk menghasilkan output deskriptif dan pemeriksaan

asumsi yang diperlukan, Beri centang seperti yang terlihat pada gambar berikut:


Discriminant

Analysis Case Processing Summary

100 100,0

0 ,0

0 ,0

0 ,0

0 ,0

100 100,0

Unweighted Cases

Valid

Missing or out-of-range

group codes

At least one missing

discriminating variable

Both miss ing or

out-of-range group codes

and at least one missing

discriminating variable

Total

Excluded

Total

N Percent

Group Statistics

35,82 4,383 50 50,000

6966,00 1376,124 50 50,000

10,44 2,950 50 50,000

6,10 1,992 50 50,000

33,80 5,529 50 50,000

4614,00 1507,533 50 50,000

7,02 2,343 50 50,000

3,44 1,875 50 50,000

34,81 5,067 100 100,000

5790,00 1859,863 100 100,000

8,73 3,159 100 100,000

4,77 2,344 100 100,000

Usia

Penghasilan

Lama Menikah

Jml Frekuensi Transaks i

Bulanan

Usia

Penghasilan

Lama Menikah


Bulanan

Usia

Penghasilan

Lama Menikah


Bulanan

Status KreditTidak Pernah

Pernah

Total

Mean Std. Deviation Unweighted Weighted

Valid N (listwise)

Tests of Equality of Group Means

,960 4,098 1 98 ,046

,596 66,387 1 98 ,000

,704 41,214 1 98 ,000

,675 47,258 1 98 ,000

Usia

Penghas ilan

Lama Menikah

Jml Frekuens i Transaks i Bulanan

Wilks '

Lambda F df1 df2 Sig.


Test of Equality of Group Means memperlihatkan terdapat perbedaan yang

signifikan antar dua kelompok pada seluruh variabel yang dianalisis. Kelima

variabel memiliki nilai sigfinikansi yang lebih kecil dari 0,05. Perbedaan yang

signifikan ini juga diperlihatkan oleh nilai signifikansi Wilk’s Lambda sebesar

0,000 yang secara nyata lebih kecil dari 0,05

Analysis 1

Box's Test of Equality of Covariance Matrices

Log Determinants

4 20,811

4 20,801

4 20,961

Status Kredit

Tidak Pernah

Pernah

Pooled within-groups

Rank

Log

Determinant

The ranks and natural logarithms of determinants

printed are those of the group covariance matrices.

Test Results

15,152

1,448

10

45915,538

,152

Box's M

Approx.

df1

df2

Sig.

F

Tests null hypothes is of equal population covariance matrices.

Dengan selang kepercayaan 95%, kelompok yang tidak pernah menunggak dan

kelompok yang pernah menunggak memiliki matriks kovarians yang sama dilihat

nilai sig 0.152 yang lebih besar dari 0.05(Alfa). Selain itu, kesimpulan dapat

diambil dengan melihat nilai log determinan dari tiap-tiap kelompok pada tabel

log determinants. Nilai log determinan kelompok yang tidak pernah adalah 20,811

dan kelompok pernah ringan 20.801. Hasil keduanya relatif sama, yang

mengindikasikan kovarians untuk tiap kelompok sama.


Summary of Canonical Discriminant Functions

Eigenvalues

1,708a 100,0 100,0 ,794

Function

1

Eigenvalue % of Variance Cumulative %

Canonical

Correlation

Firs t 1 canonical discriminant functions were used in the

analysis .

a.

Nilai Eigen (eigen value) menunjukkan ada atau tidaknya multikolinearitas

antar variabel bebas. Multikolinearitas akan terjadi bila nilai Eigen mendekati 0

(nol). Berdasarkan hasil pengolahan data didapatkan nilai akar ciri yang menjauhi

nol, yaitu sebesar 1,704. Keadaan ini dapat diartikan bahwa fungsi diskriminan

yang diperoleh cukup baik karena tidak terjadi multikolinearitas di antara

sesama variabel independen.

Nilai canonical correlation. Canonical correlation digunakan untuk

mengukur derajat hubungan antara besarnya variabilitas yang mampu

diterangkan oleh variabel independen terhadap variabel dependen. Dari tabel di

atas, diperoleh nilai canonical correlation sebesar 0,794, bila dikuadratkan

menjadi 0.6304 memiliki arti bahwa artinya 63,04% varians dari variabel

dependen dapat dijelaskan dari model diskriminan yang terbentuk

Wilks' Lambda

,369 95,620 4 ,000

Test of Function(s)

1

Wilks '

Lambda Chi-square df Sig.

Standardized Canonical Discriminant Function Coefficients

,046

,660

,434

,681

Usia

Penghasilan

Lama Menikah


1

Function


Structure Matrix

,630

,531

,496

,156

Penghasilan


Lama Menikah

Usia

1

Function

Pooled within-groups correlations between discriminating

variables and s tandardized canonical discriminant functions

Variables ordered by absolute s ize of correlation within function.

Canonical Discriminant Function Coefficients

,009

,000

,163

,352

-6,066

Usia

Penghasilan

Lama Menikah

Jml Frekuensi Transaksi Bulanan

(Constant)

1

Function

Unstandardized coefficients

Tabel canonical discriminant function coefficients menerangkan model

diskriminan yang terbentuk, yaitu :

Y= -6.066+0.352Frekuensi+0.162Lama Menikah+0,000Penghasilan+0,009Usia

Functions at Group Centroids

1,294

-1,294

Status Kredit

Tidak Pernah

Pernah

1

Function

Unstandardized canonical discriminant

functions evaluated at group means

Classification Statistics

Prior Probabilities for Groups

,500 50 50,000

,500 50 50,000

1,000 100 100,000

Status Kredit

Tidak Pernah

Pernah

Total

Prior Unweighted Weighted

Cases Used in Analys is


Classification Function Coefficients

1,295 1,271

,003 ,002

1,062 ,641

2,034 1,124

-46,565 -30,870

Usia

Penghasilan

Lama Menikah

Jml Frekuensi Transaksi Bulanan

(Constant)

Tidak Pernah Pernah

Status Kredit

Fisher's l inear discriminant functions

A n a l i s i s F a k t o r E x p l o r a t o r i ( E F A ) |63

Bab 7 Analisis Faktor Eksploratori (EFA)


1. Mampu melakukan pemeriksaan asumsi analisis faktor

2. Mampu melakukan proses menurunkan satu atau lebih faktor dari variabel-

variabel yang telah lolos pada uji variabel sebelumnya

3. Mampu memilih metode rotasi yang tepat untuk memperjelas variabel yang

masuk ke dalam suatu faktor

4. Mampu memberi nama dan menginterprestasikan faktor yang terbentuk

7.1 Pengantar

Analisis Faktor merupakan suatu teknik untuk meringkas/summarize

informasi yang ada dalam variabel/atribut asli (awal) menjadi satu set dimensi

baru (factor). Contoh: jika ada 10 atribut yang independen satu dengan yang lain,

dengan analisis faktor mungkin bisa diringkas menjadi 3 kumpulan atribut baru

Kumpulan variabel baru tadi disebut dengan faktor, dimana faktor tersebut tetap

mencerminkan atribut-atribut aslinya. Summarizing dilakukan dengan cara

mengidentifikasi struktur hubungan antar atribut dengan cara melihat korelasi

antar variabel.

Ada beberapa langkah utama yang harus dilakukan untuk melakukan

analisis faktor, yaitu:

1. Menyusun matriks korelasi.

2. Ekstraksi faktor.

3. Merotasi faktor.

4. Menginterpretasikan Faktor.

7.1.1 Menyusun Matriks Korelasi

Dalam analisis faktor, keputusan pertama yang harus diambil adalah

memastikan apakah data yang ada cukup memenuhi syarat. Persyaratan tersebut

diperiksa dengan mencari korelasi matriks antara atribut yang diobservasi. Ada

beberapa ukuran yang bisa digunakan untuk syarat kecukupan data sebagai rule

of thumb yaitu:

64| A n a l i s i s F a k t o r E x p l o r a t o r i ( E F A )

a. Korelasi matriks antar atribut. Tingginya korelasi antar atribut

mengindikasikan bahwa atribut tersebut dapat dikelompokkan ke dalam

sebuah indikator yang bersifat homogen sehingga setiap atibut mampu

membentuk faktor umum atau faktor konstruk. Sebaliknya korelasi yang

rendah antara atribut mengindikasikan bahwa atribut tersebut tidak

homogen sehingga tidak mampu membentuk faktor konstruk.

b. Korelasi parsial: Metode kedua adalah memeriksa korelasi parsial atau

negative anti-image correlations. Dengan kata lain, korelasi antara suatu

atribut dengan dirinya sendiri harus kuat, sementara dengan atribut

justru harus kecil.

c. Kaiser-Meyer Olkin (KMO): Metode ini paling banyak digunakan untuk

melihat syarat kecukupan data untuk analisis faktor. Metode KMO ini

mengukur kecukupan sampling secara menyeluruh dan mengukur

kecukupan sampling untuk setiap atribut. Secara umum jumlah sampel

minimal yang dianjurkan adalah antara 50 sampai 100 sampel, atau

dengan patokan (10:1) dalam arti satu variabel ada 10 sampel.

7.1.2 Ekstraksi faktor

Ekstraksi Faktor adalah suatu metode yang digunakan untuk mereduksi data

dari beberapa atribut untuk menghasilkan faktor yang lebih sedikit yang mampu

menjelaskan korelasi antara atribut yang diobservasi. Ada beberapa metode yang

bisa digunakan untuk melakukan ekstraksi faktor yaitu:

a. Principal Components Analysis: Analisis komponen utama/principal

components analysis) merupakan metode yang paling sederhana di dalam

melakukan ekstraksi faktor. Metode ini membentuk kombinasi linear dari

atribut yang diobservasi. Metode ini merupakan metode yang paling

sederhana dan mudah digunakan dibanding dengan metode lainnya

sehingga sering digunakan.

b. Principal Axis Factoring: Metode ini hampir sama dengan metode principal

components analysis sebelumnya kecuali matriks korelasi diagonal diganti

dengan sebuah estimasi faktor, namun tidak sama dengan principal

components analysis dimana faktor yang awal selalu diberi angka 1.

c. Unweighted Least Square: Metode ini adalah prosedur untuk

meminimumkan jumlah perbedaan yang dikuadratkan antara matriks


korelasi yang diobservasi dan yang diproduksi dengan mengabaikan

matriks diagonal dari sejumlah faktor tertentu.

d. Generalized Least Square: Metode ini adalah metode meminimumkan

error sebagaimana metode unweighted least squares. Namun, korelasi

diberi timbangan sebesar keunikan dari indikator (error). Korelasi dari

indikator yang mempunyai error yang besar diberi timbangan yang lebih

kecil dari indikator yang mempunyai error yang kecil.

e. Maximum Likelihood: Adalah suatu prosedur ekstraksi faktor yang

menghasilkan estimasi parameter yang paling mungkin untuk

mendapatkan matriks korelasi observasi jika sampel mempunyai

distribusi normal multivariat.

Ekstraksi faktor menghasilkan suatu matriks yang disebut matriks faktor.

Matriks faktor ini merupakan matriks yang belum dirotasi. Matriks faktor akan

menunjukkan faktor loadings dari masing-masing atribut terhadap terhadap

sediap faktor. Dengan kata lain, Faktor Loadings merupakan skor yang

menunjukkan seberapa besar suatu attribut berkontribusi pada faktor (Young dan

Pearce, 2013)

7.1.3 Merotasi Faktor

Ekstraksi faktor diperoleh, langkah selanjutnya adalah melalukan rotasi

faktor. Rotasi faktor ini diperlukan jika metode ekstraksi faktor belum

menghasilkan komponen faktor utama yang jelas. Artinya terdapat beberapa

atribut yang menghasilkan cross loading sehingga faktor yang dihasilkan belum

mampu merepresentasikan attribut-attribut yang dijelaskan atau malah justru

membingungkan (Young dan Perace, 2013). Atribut tersebut memiliki loading

factors yang tinggi lebih dari satu faktor (Williams et al, 2010)

Tujuan dari rotasi faktor ini agar dapat memperoleh struktur faktor yang

lebih sederhana agar mudah diinterpretasikan. Pada umumnya dalam analisis

faktor, matriks loading faktor yang diperoleh sulit untuk diinterpretasikan, maka

disarankan untuk melakukan rotasi agar faktor yang sudah dirotasi memiliki

sedikit saja atribut dengan nilai muatan mutlak/absolute loading factor yang

besar, sedangkan sisanya kecil atau nol. Pola seperti ini akan memudahkan

interpretasi terhadap faktor yang terbentuk. Progam aplikasi akan

mentransformasi matriks tersebut dengan mengalikan matriks orthogonalnya

sehingga interpretasi yang bermakna menggunakan matriks yang baru itu


memungkinkan (Johnson and Wichern, 1992). Beberapa metode yang bisa

digunakan adalah:

a. Varimax Method: Adalah metode rotasi orthogonal untuk

meminimalisasi jumlah indikator yang mempunyai factor loading

tinggi pada tiap faktor.

b. Quartimax Method: Merupakan metode rotasi untuk meminimalisasi

jumlah faktor yang digunakan untuk menjelaskan indikator.

c. Equamax Method: Merupakan metode gabungan antara varimax

method yang meminimalkan indikator dan quartimax method yang

meminimalkan faktor.

7.1.4 Interpretasi Faktor

Setelah diperoleh sejumlah faktor yang valid, selanjutnya perlu

diinterprestasikan nama-nama fackor, mengingat faktor merupakan sebuah

konstruk dan sebuah konstruk menjadi berarti kalau dapat diartikan.

Interprestasi faktor dapat dilakukan dengan mengetahui atribut-atribut yang

membentuknya. Interprestasi dilakukan dengan judgment dan bersifat subjektif.

Penamaan faktor bisa berbeda bagi setiap orang.

7.2 Kasus

Direktur sebuah rumah sakit swasta ingin mengetahui, apa faktor yang

mendorong para pasien untuk berkunjung ke rumah sakitnya. Untuk itu diambil

sampel sebanyak 100 orang, yang kemudian diminta pendapatnya tentang atribut-

atribut sebagai berikut:

1. Pelayanan pasien

2. Keluasan area parkir

3. Kebersihan rumah sakit

4. Kecepatan waktu pelayanan

5. Kenyamanan rumah sakit, dan

6. Kelengkapan peralatan medis

Respon diberikan dalam skala likert 5 poin dari 1 (sangat tidak penting) sampai 5

(sangat penting).


Langkah Pengerjaan:

Analyze > Data Reduction >Factor

❖ Masukkan seluruh variabel/atribut yang akan dianalisis kedalam kotak

Variables

❖ Klik kotak Descriptive agar analisis menghasilkan output yang dibutuhkan

untuk pemeriksaan asumsi. Beri centang pada Initial Solution, Coefficient,

KMO Barlett’s dan Anti-Image. Klik Continue


❖ Klik kotak Extraction, klik Continue

❖ Setelah kembali ke menu Factor Analysis klik kotak Rotation, berikan tanda

centang pada kotak Method untuk Varimax, dan berikan centang pada Loading

plot(s), klik continue

Output:

KMO and Bartlett's Test

,661

99,852

15

,000

Kaiser-Meyer-Olkin Measure of Sampling

Adequacy.

Approx. Chi-Square

df

Sig.

Bartlett's Test of

Sphericity


Anti-image Matrices

,725 -,075 ,015 -,045 -,344 ,035

-,075 ,709 -,220 -,090 -,073 -,138

,015 -,220 ,673 -,077 -,111 -,218

-,045 -,090 -,077 ,874 ,068 -,151

-,344 -,073 -,111 ,068 ,696 ,067

,035 -,138 -,218 -,151 ,067 ,736

,561a -,105 ,022 -,056 -,485 ,048

-,105 ,743a -,319 -,114 -,104 -,191

,022 -,319 ,693a -,100 -,162 -,310

-,056 -,114 -,100 ,756a ,087 -,188

-,485 -,104 -,162 ,087 ,555a ,094

,048 -,191 -,310 -,188 ,094 ,693a

Pelayanan

Parkir

Bersih

Waktu

Nyaman

Lengkap

Pelayanan

Parkir

Bersih

Waktu

Nyaman

Lengkap

Anti-image Covariance

Anti-image Correlation

Pelayanan Parkir Bersih Waktu Nyaman Lengkap

Measures of Sampling Adequacy(MSA)a.

Dua output pertama (KMO and Bartlett’s Test dan Anti-Image Matrices

memberikan informasi pemeriksanaan asumsi yaitu kecukupan sampel. Nilai

Kaiser-Meyer-Olkin measure of Sampling Adequacy 0,661 > 0,5 mengisyarakatkan

bahwa secara umum jumlah sampel sudah memadai untuk proses selanjutnya.

Anti-Image Correlation memberikan informasi detil tentang kecukupan sampel

untung masing-masing atribut. Tidak ditemukan atribut dengan MSA kurang dari

0,5, sehingga seluruh atribut bisa dilibatkan dalam proses selanjutnya.

Communalities adalah jumlah varians (dalam %) dari suatu atribut yang bisa

jelaskan oleh faktor yang ada. Contoh: Faktor yang terbentuk (2 komponen pada

Componen Matrix) menjelaskan 70,7% variasi dari atribut Pelayanan. Sedangkan

Atribut Parkir hanya mampu dijelaskan sebesar 56,7% oleh faktor yang ada.

Communalities

1,000 ,707

1,000 ,576

1,000 ,609

1,000 ,379

1,000 ,748

1,000 ,617

Pelayanan

Parkir

Bersih

Waktu

Nyaman

Lengkap

Initial Extraction

Extraction Method: Principal Component Analys is .

Total Variance Explained menjelaskan tentang besarnya varians yang dapat

dijelaskan oleh faktor yang terbentuk. Bila Total Initial Eigenvalues >1, maka

faktor tersebut dapat menjelaskan atribut dengan baik sehingga dapat

diikutsertakan dalam pembentukan faktor. Sebaliknya jika total Total Initial


Eigenvalues < 1, maka faktor tersebut tidak dapat menjelaskan atribut dengan

baik sehingga tidak bisa diikutsertakan dalam proses pembentukan faktor.

Total Variance Explained

2,177 36,285 36,285 2,177 36,285 36,285 2,015 33,581 33,581

1,459 24,317 60,602 1,459 24,317 60,602 1,621 27,021 60,602

,799 13,314 73,915

,584 9,728 83,644

,532 8,870 92,514

,449 7,486 100,000

Component

1

2

3

4

5

6

Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

Extraction Method: Principal Component Analysis .

Pada tabel ada 6 atribut yang dimasukkan dalam analisis faktor. Jika ke 6

atribut diringkas menjadi satu faktor/komponen, maka varians atribut yang bisa

dijelaskan oleh faktor tersebut hanya 36,38%. Jika semua atribut diringkas

menjadi 2 faktor, maka secara akumulatif kedua faktor mampu menjelaskan

60,60% varians atribut yang ada. Peringkasan menjadi 3 faktor, tidak bisa

dilakukan karena memiliki Total Initial Eigenvalues 0,799 < 1

Tampilan Component Matrix memberikan informasi tentang atribut mana

yang masuk pada faktor pertama atau kedua. Angka yang ada menunjukkan factor

loading atau korelasi antara suatu antribut dengan faktornya. Dalam banyak

kasus, sering ditemukan suatu atribut memiliki loading factor yang hampir sama

besar pada komponen yang terbentuk. Mengatasi masalah ini maka digunakan

loading factor setelah di rotasi.

Component Matrixa

,423 ,727

,757

,764

,491

,454 ,736

,628 -,471

Pelayanan

Parkir

Bersih

Waktu

Nyaman

Lengkap

1 2

Component

Extraction Method: Principal Component Analys is .

2 components extracted.a.


Rotated Component Matrixa

,027 ,841

,691 ,314

,749 ,220

,609 -,093

,050 ,864

,777 -,116

Pelayanan

Parkir

Bersih

Waktu

Nyaman

Lengkap

1 2

Component


Rotation Method: Varimax with Kaiser Normalization.

Rotation converged in 3 iterations.a.

Hasil rotasi membuat loading factor yang semulanya kecil menjadi semakin

kecil dan yang besar semakin besar. Atribut pelayanan memiliki loading factor

terbesar pada Componen 2 (0,841) dengan demikian atribut ini masuk ke faktor 2.

Atribut parkir memiliki loading factor terbesar pada Component 1 (0,691)

sehingga masuk pada faktor 1.

Component Plot in Rotated Space memberikan informasi visual tentang

pengelompokkan seluruh atribut menurut faktor yang terbentuk. Atribut Nyaman


dan Pelayanan mengelompok pada faktor pertama, sedangkan Atribut lainnya

mengelompok pada faktor kedua.

Component Transformation Matrix

,880 ,475

-,475 ,880

Component

1

2

1 2


Rotation Method: Varimax with Kaiser Normalization.

LATIHAN

Persaingan body lotion cukup menarik untuk diperhatikan, body lotion bagi

sebagian wanita sudah menjadi bagian yang tidak terpisahkan dalam kehidupan

sehari-hari. Oleh karena itu perlu dilakukan penelitian mengenai faktor apa saja

yang diperhitungkan seorang konsumen untuk membeli produk body lotion

sehingga produsen mampu menciptakan produk body lotion yang sesuai dengan

ekspektasi konsumen. Untuk menjawab pertanyaan penelitian tersebut,

dilakukan survey terhadap 140 responden dengan menanyakan seberapa penting

atribut-atribut berikut ini:

1. Kekentalan

2. Merk Dikenal/Terkenal

3. Tidak Membuat Alergi

4. Harga Yang Terjangkau

5. Kelembutan Di Kulit

6. Kemasan Yang Menarik

7. Kesesuaian Harga Dengan Mutu

8. Kelembaban

9. Variasi Ukuran Kemasan

10. Pencantuman Komposisi Bahan

11. Variasi Aroma

12. Wangi Yang Lama

13. Reputasi Perusahaan

14. Cepat Menyerap

A n a l i s i s F a k t o r C o n f i r m a t o r y ( V a l i d i t a s K o n s t r u k . . . |73

Bab 8 Analisis Faktor Confirmatory

(Validitas Konstruk dan Reliabilitas)


1. Mampu menggunakan Analisis Faktor untuk mengukur validitas konstruk

2. Mampu menguji item yang valid atau tidak dalam mengukur suatu

konstruk

3. Mampu menguji realibilitas item pertanyaan untuk pengukuran

4. Mampu menghitung Validitas/average variance extracted (AVE).dan

Reliabilitas Konstruk/Composite Reliability (CR)

8.1 Validitas

Latan (2014a: 110) memberikan pengertian validitas sebagai kemampuan

dari instrumen untuk mengukur secara aktual apa yang seharusnya diukur tanpa

kesalahan dalam penarikan kesimpulan dari data. Validitas Konstruk mengukur

sejauh mana item-item pengukuran secara aktual merepresentasikan konstruk

hipotetis yang dirancang untuk diukur oleh sejumlah item pertanyaan (Dahlan,

2014: 183). Teknik yang lazim digunakan untuk hal tersebut adalah dengan

menggunakan Analisis Faktor Konfirmatory/AFK (confirmatory factor

Analysis/CFA).

Asra et al. (2017:110) menjelaskan bahwa tujuan AFK adalah untuk

mengkonfirmasi atau menguji kembali pembentukan konsep atau konstruk yang

telah diformulasikan dalam suatu kerangka teori, atau memerika kembali suatu

model pengukuran yang perumusannya berasal dari suatu teori.

Amir (2015: 135) menjelaskan AFK sebagai metode lanjutan dari analisis

faktor untuk menguji hipotesis dimana yang dihipotesiskan adalah factor

loadingnya. Kemudian CFA dilakukan untuk menguji kecocokan loading yang

terjadi pada matriks yang terbentuk. Dari hasilnya, dapat dilihat sejauh mana

kesesuaian (fit)nya antara faktor loading dari data dengan yang dihasilkan oleh

model. Selain itu juga dijelaskan bahwa factor loading yang bernilai lebih dari 0,4

(absolut) bisa dianggap sebagai angka yang layak. Hair (2010) memberikan

kriteria untuk menentukan factor loading dalam CFA, yaitu:

74| A n a l i s i s F a k t o r C o n f i r m a t o r y ( V a l i d i t a s K o n s t r u k . . .

Factor Loading Jumlah Sampel

0,30 350 0,35 250 0,40 200 0,45 150 0,50 120 0,55 100 0,60 85 0,65 70 0,70 60 0,75 50

8.2 Reliabilitas

Latan (2014b: 97) menjelaskan reliabilitas dari suatu pengukuran

menunjukkan bahwa pengukuran yang dilakukan bebas dari kesalahan atau tanpa

bias dan pengukuran tersebut konsisten dari waktu ke waktu dengan

menggunakan item instrumen yang sama. Salah satu pengujian realibilitas yang

dapat digunakan adalah konsistensi internal dengan menggunakan koefisien

Cronbach Alpha.

Amir (2015:41) menyebutkan bahwa para ahli pengukuran sepakat

mengatakan koefisien Alfa 0,7 diperlukan untuk sebuah skala yang sudah mapan

dan dianggap stabil. Adapun untuk sebuah skala yang masih dalam

pengembangan, koefisien 0,60 dianggap cukup memadai.

8.3. Kasus

Seorang pakar membuat sebuah instrumen untuk mengukur istri ideal

yang menggunakan 4 item pernyataan. Responden diminta mengungkapkan

persetujuan dalam bentuk “sangat tidak setuju” (1), “tidak setuju” (2), “agak

setuju”(3), “Setuju” (4) dan “sangat setuju” (5).

1. Istri saya adalah orang menyenangkan jika di pandang

2. Istri saya selalu patuh atas apapun perintah saya

3. Istri saya adalah orang yang menjaga kehormatan dirinya

sekalipun saya tidak dirumah

4. Istri saya selalu merasa cukup atas segala yang saya berikan

Berdasarkan hasil pilot test terhadap 83 responden, Anda diminta untuk:

1. Menguji Validitas keempat pertanyaan yang ada


2. Menguji keadalan semua item tersebut

8.3.1 Uji Validitas

Langkah Pengerjaan:

Analyze > Data Reduction > Factor

❖ Masukkan seluruh item ke box Variables, klik tombol Descriptives..

❖ Centang pada Initial solution, Anti-image dan KMO and Barlet’s test of

spherecity, klik contine untuk kembali ke menu Factor Analysis

❖ Tentukan metode ekstraksi dengan mengaktifkan tombol Extraction, pilih

metode Principal axis factoring, pada box extract isikan 1 pada Number of

factors


❖ Clik Continue untuk kembali ke menu Factor Analysis, klik Rotation untuk

menentukan metode rotasi, centang pada Promax


,699

93,401

6

,000


Adequacy.

Approx. Chi-Square

df

Sig.

Bartlett's Test of

Sphericity


Anti-image Matrices

,583 -,215 -,103 ,006

-,215 ,437 -,250 ,009

-,103 -,250 ,513 -,027

,006 ,009 -,027 ,999

,759a -,425 -,189 ,008

-,425 ,653a -,527 ,014

-,189 -,527 ,706a -,037

,008 ,014 -,037 ,393a

Menyenangkan Jika dipandang

Selalu patuh

Menjaga Kehormatan

Mensyukuri Pemberian Suami


Selalu patuh

Menjaga Kehormatan




Menyenan

gkan Jika

dipandang Selalu patuh

Menjaga

Kehormatan

Mensyukuri

Pemberian

Suami



2,235 55,876 55,876 1,877 46,927 46,927

1,000 25,008 80,883

,468 11,702 92,585

,297 7,415 100,000

Factor

1

2

3

4

Total % of Variance Cumulative % Total % of Variance Cumulative %

Initial Eigenvalues Extraction Sums of Squared Loadings

Extraction Method: Principal Axis Factoring.

Factor Matrixa

,703

,893

,765

,018


Selalu patuh

Menjaga Kehormatan


1

Factor


1 factors extracted. 13 iterations required.a.

Jawaban:

1. Asumsi analisis faktor pertama adalah Kecukupan Sampel. Output pada

Keiser-Meyer-Olkin Sampling Adequacy/KMO mendapatkan nilai sebesar

0,699 dengan nilai sig sebesar 0,00 yang lebih kecil dari 0,05. Dengan

demikian asumsi terpenuhi.

2. Bagian Anti-image Correlation menunjukkan item mana yang layak

dimasukkan untuk analisis berikutnya. Item keempat, yaitu: "mensyukuri

pemberian suami" memiliki nilai 0,393. Berdasarkan aturan, maka

tindakan yang bisa diambil adalah dengan menambah jumlah

sampel/responden atau membuang item tersebut.

3. Mengulang kembali proses tanpa melibatkan item keempat



,699

93,676

3

,000


Adequacy.

Approx. Chi-Square

df

Sig.

Bartlett's Test of

Sphericity

Anti-image Matrices

,583 -,215 -,103

-,215 ,437 -,250

-,103 -,250 ,514

,759a

-,426 -,189

-,426 ,653a -,527

-,189 -,527 ,707a

Menyenangkan Jika

dipandang

Selalu patuh

Menjaga Kehormatan

Menyenangkan Jika

dipandang

Selalu patuh

Menjaga Kehormatan



Menyenan

gkan Jika

dipandang Selalu patuh

Menjaga

Kehormatan


Communalities

,417 ,495

,563 ,797

,486 ,585


Selalu patuh

Menjaga Kehormatan

Initial Extraction



2,235 74,484 74,484 1,877 62,562 62,562

,469 15,622 90,106

,297 9,894 100,000

Factor1

2

3

Total % of Variance Cumulative % Total % of Variance Cumulative %

Initial Eigenvalues Extraction Sums of Squared Loadings


Factor Matrixa

,703

,893

,765


Selalu patuh

Menjaga Kehormatan

1

Factor


1 factors extracted. 13 iterations required.a.


Catatan:

1. Setelah item ke empat dibuang, tidak ditemukan satu itempun yang

memiliki kecukupan sampel kurang dari 0,5 (Anti Image Correlation)

2. Factor Matrix memberikan informasi tentang loading factor masing-

masing item, ketiga item valid karena tidak satupun yang memiliki nilai

kurang dari 0,6

8.3.2 Uji Realibilitas

Langkah Pengerjaan:

Analyze > Scale > Reliability Analysis

❖ Masukkan seluruh item yang valid ke dalam box Items. Pilih Alfa pada box

Model dan beri centang pada List item Labels

❖ Klik Statistics, pada box Descriptives for, beri centang item, Scale dan Scale if

item deleted, klik continue


Reliability

Case Processing Summary

83 100,0

0 ,0

83 100,0

Valid

Excludeda

Total

CasesN %

Listwise deletion based on all

variables in the procedure.

a.

Reliability Statistics

,828 3

Cronbach's

Alpha N of Items

Item Statistics

3,90 ,637 83

4,04 ,740 83

3,93 ,729 83


Selalu patuh

Menjaga Kehormatan


Item-Total Statistics

7,96 1,816 ,636 ,812

7,83 1,435 ,750 ,694

7,94 1,545 ,682 ,767


Selalu patuh

Menjaga Kehormatan

Scale Mean if

Item Deleted

Scale

Variance if

Item Deleted

Corrected

Item-Total

Correlation

Cronbach's

Alpha if Item

Deleted


Scale Statistics

11,87 3,311 1,820 3

Mean Variance Std. Deviation N of Item s

Jawaban:

1. Ketiga item memiliki keandalan yang cukup baik, dengan nilai

Crobach’s Alfa 0,828

8.3.3 Penghitungan Validitas dan Reliabilitas Konstruk

0,62ελ

λAVE

2

2

=+

=

( )( )

+

=ελ

λCR

2

2

Item Factor

Loading ()

2 (1-2)

Menyenangkan Jika dipandang 0,70 0,49 0,51 Selalu patuh 0,89 0,80 0,20 Menjaga Kehormatan 0,76 0,58 0,42

Jumlah 2,36 1,88 1,12

0,621,121,88

1,88AVE =

+=

0,836,6896

5,5696

1,125,5696

5,5696

1,122,36

2,36CR

2

2

==+

=+

=


Rekapitulasi Hasil Pengujian

Item Factor

Loading ()

AVE CR

Menyenangkan Jika dipandang 0,70 0,62 0,83 Selalu patuh 0,89

Menjaga Kehormatan 0,76

P e n g a n t a r A n a l i s i s C l u s t e r ( K - m e a n C l u s t e r ) |83

Bab 9 Pengantar Analisis Cluster (K-mean Cluster)


1. Mampu membuat pengelompokkan obyek atas dasar kesamaan

karakteristik yang dimiliki dengan K-mean Kluster

2. Mampu menghitung nilai rata-rata variabel pada cluster yang

terbentuk

3. Mampu memberikan nama kelompok yang cocok atas cluster yang

terbentuk

4. Menguji signifikansi perbedaan variabel berdasarkan kluster yang

terbentuk

9.1 Analisis Cluster

Analisis cluster merupakan teknik multivariat dengan tujuan utama untuk

mengelompokkan sejumlah objek berdasarkan karakteristik yang dimilikinya.

Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat

kesamaannya dengan objek lain berada dalam cluster yang sama. Cluster-cluster

yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas

eksternal yang tinggi.

Analisis cluster tidak mengestimasi set vaiabel secara empiris, namun

menggunakan set variabel yang ditentukan oleh peneliti itu sendiri. Fokus dari

analisis cluster adalah membandingkan objek berdasarkan set variabel, hal inilah

yang menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis

dalam analisis cluster. Set variabel cluster adalah suatu set variabel yang

merepresentasikan karakteristik yang dipakai objek-objek. Bedanya dengan

analisis faktor adalah bahwa analisis cluster terfokus pada pengelompokkan objek

sedangkan analisis faktor terfokus pada kelompok variabel

Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap

penyelesaian/solusi tergantung pada beberapa elemen prosedur dan beberapa

solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih.

Solusi cluster secara keseluruhan bergantung pada variabel-variaabel yang

digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau pengurangan

84| P e n g a n t a r A n a l i s i s C l u s t e r ( K - m e a n C l u s t e r )

variabelvariabel yang relevan dapat mempengaruhi substansi hasi analisisi

cluster.

Cara Kerja Analisis Cluster

Secara garis besar ada tiga hal yang harus terjawab dalam proses kerja analisis

cluster, yaitu :

1. Bagaimana mengukur kesamaan ? Ada tiga ukuran untuk mengukur

kesamaaan antar objek, yaitu ukuran korelasi, ukuran jarak dan ukuran

asosiasi

2. Bagaimana membentuk cluster? Prosedur yang diterapkan harus dapat

mengelompokkan objek-objek yang memiliki kesamaan yang tinggi ke

dalam suatu cluster yang sama.

3. Berapa banyak cluster/kelompok yang akan dibentuk ? Pada prinsipnya

jika jumlah cluster berkurang maka homogenitas dalam cluster secara

otomatis akan menurun.

Tujuan dari Analisis Cluster adalah mengelompokkan obyek berdasarkan

kesamaan karakteristik di antara obyek-obyek tersebut. Dengan demikian, ciri-ciri

suatu cluster yang baik yaitu mepunyai :

1. Homogenitas internal/within cluster: yaitu kesamaan antar anggota dalam

satu cluster.

2. Heterogenitas external/between cluster: yaitu perbedaan antara cluster

yang satu dengan cluster yang lain.

Langkah pengelompokkan dalam analisis cluster mencakup 3 hal berikut :

1. Mengukur kesamaan jarak

2. Membentuk cluster secara hirarkis

3. Menentukan jumlah cluster

Adapun metode pengelompokan dalam analisis cluster meliputi :

1. Metode Hirarkis: pengelompokan dimulai dengan dua atau lebih obyek

dengan kesamaan paling dekat. Kemudian diteruskan pada obyek yang

lain hingga cluster akan membentuk semacam ‘pohon’ dimana terdapat

tingkatan (hirarki) yang jelas antar obyek, dari yang paling mirip hingga

yang paling tidak mirip. Alat yang membantu untuk memperjelas proses

hirarki ini disebut “dendogram”.


2. Metode Non-Hirarkis : dimulai dengan menentukan terlebih dahulu

jumlah cluster yang diinginkan (dua, tiga, atau yang lain). Setelah jumlah

cluster ditentukan, maka proses cluster dilakukan dengan tanpa mengikuti

proses hirarki. Metode ini biasa disebut “K-Means Cluster”.

Asumsi yang harus dipenuhi dalam Analisis Cluster yaitu :

1. Sampel harus random

2. Data berkala metrik

3. Jumlah Sampel besar (>200)

9.2 Kasus:

Sebuah Perusahaan ingin mengelompokkan konsumen mereka berdasarkan

profil demografis. Untuk itu dilakukan pendataan dengan melibatkan

sejumlah variabel yaitu:

1. Usia Konsumen (dalam tahun)

2. Jumlah Anak (orang)

3. Income/penghasilan konsumen (dalam Rupiah)

4. Kegiatan konsumen membaca koran setiap minggu (jam)

5. Kegiatan konsumen menonton tv setiap minggu (jam)

6. Jumlah sepeda motor yang dimiliki konsumen (buah)

7. Jumlah mobil yang dimiliki konsumen (buah)

8. Jumlah kartu kredit/ATM yang dimiliki konsumen (buah)

9. Frekuensi pembelian konsumen setiap minggu (kali)

Tahapan Pengerjaan:

9.2.a. Standarisasi Z-Score Variabel untuk menyeragamkan satuan variabel yang

berbeda-beda

Langkah:

Analyze > Descriptive Statistics > Descriptives…

❖ Masukkan seluruh variabel yang menjadi dasar pengelompokkan pada

Box Variables(s),

❖ Centang Options… untuk menampilkan informasi deskriptif yang

dibutuhkan yaitu: mean, std. deviation, Minimum, Maximum



60 20 42 29,88 5,660

60 0 4 ,70 1,109

60 225000 2000000 630000,00 444094,966

60 2 11 5,73 2,321

60 10 24 16,77 3,586

60 0 2 ,93 ,634

60 0 2 ,57 ,647

60 0 5 2,00 1,193

60 1 9 4,15 2,563

60 70000 600000 186833,33 132609,778

60 10 75 29,87 16,766

60 3 25 9,94 5,015

60

Usia

Jumlah Anak

Penghasilan rata-rata per bulan

Jumlah Jam membaca Koran setiap minggu

Jumlah Jam menonton TV setiap minggu

Jumlah Motor yang dipunyai

Jumlah Mobil yang dipunyai

Jumlah Kartu Kredit/ATM yang dipunyai

Tingkat Pembelian Barang setiap minggu

Tingkat Pengeluaran Bulanan

Jumlah Jam Kerja setiap minggu

Jumlah Jam Berbelanja setiap minggu

Valid N (listwise)


Hasil Standarisasi:


9.2.b Analisis Cluster

Dilakukan dengan metode Non-Hierarchical Cluster atau K-Mean Kluster:

Analyze > Classify > K-Mean Kluster

Masukkan semua variabel yang sudah distandarisasi ke dalam kotak Variables,

lalu isikan tempat tinggal pada kotak Label Cases by. Isikan 3 ( hanya untuk

keseragaman ) pada kotak Number of Cluster

Aktifkan menu Save, lalu Berikan centang pada Cluster membership dan

Distance from cluster center


Aktifkan menu Option, berikan centang pada Initial cluser centers dan ANOVA

tables

Quick Cluster

Initial Cluster Centers

-,50941 2,14071 -1,74613

-,63104 2,97489 -,63104

3,08493 -,85567 -,63050

,97675 -,31601 -,74692

-1,32922 ,90164 -1,60807

,10511 -1,47158 ,10511

2,21377 ,66928 -,87521

2,51425 ,00000 -1,67616

1,50199 ,33161 -1,22890

3,11566 -,84333 -,65480

2,69195 -,11134 -1,18493

3,00381 -,30606 -,78460

Zscore: Us ia

Zscore: Jumlah Anak

Zscore: Penghas ilan rata-rata per bulan

Zscore: Jumlah Jam membaca Koran setiap minggu

Zscore: Jumlah Jam menonton TV setiap minggu

Zscore: Jumlah Motor yang dipunyai

Zscore: Jumlah Mobil yang dipunyai

Zscore: Jumlah Kartu Kredit/ATM yang dipunyai

Zscore: Tingkat Pembelian Barang setiap minggu

Zscore: Tingkat Pengeluaran Bulanan

Zscore: Jumlah Jam Kerja setiap minggu

Zscore: Jumlah Jam Berbelanja setiap minggu

1 2 3

Cluster

Iteration Historya

3,884 3,314 2,503

,599 ,834 ,314

,000 ,291 ,148

,000 ,383 ,205

,000 ,316 ,207

,000 ,152 ,115

,000 ,195 ,172

,000 ,000 ,000

Iteration

1

2

3

4

5

6

7

8

1 2 3

Change in Clus ter Centers

Convergence achieved due to no or small change in

clus ter centers. The maximum absolute coordinate

change for any center is ,000. The current iteration is 8.

The minimum dis tance between initial centers is 6,795.

a.


Final Cluster Centers

,57272 -,02356 -,36218

,04507 -,09015 ,04507

1,36091 -,23081 -,71494

1,08448 ,07182 -,78283

-,03950 ,32998 -,24865

,99200 -,13139 -,55184

,95887 ,05148 -,68215

1,25712 ,08381 -,90792

1,16063 ,13654 -,88754

1,33411 -,22874 -,69879

1,24930 ,03479 -,86186

1,21304 -,07377 -,74721

Zscore: Us ia

Zscore: Jumlah Anak











1 2 3

Cluster

ANOVA

4,204 2 ,888 57 4,736 ,013

,122 2 1,031 57 ,118 ,889

21,483 2 ,281 57 76,371 ,000

16,814 2 ,445 57 37,775 ,000

1,843 2 ,970 57 1,899 ,159

11,700 2 ,625 57 18,732 ,000

12,966 2 ,580 57 22,349 ,000

22,605 2 ,242 57 93,435 ,000

20,416 2 ,319 57 64,049 ,000

20,622 2 ,312 57 66,199 ,000

21,412 2 ,284 57 75,447 ,000

18,526 2 ,385 57 48,114 ,000

Zscore: Us ia

Zscore: Jumlah Anak











Mean Square df

Cluster

Mean Square df

Error

F Sig.

The F tes ts should be used only for descriptive purposes because the clus ters have been chosen to maximize the differences among cases in

different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tes ts of the hypothesis that the

cluster means are equal.

Number of Cases in each Cluster

16,000

20,000

24,000

60,000

,000

1

2

3

Cluster

Valid

Missing

Jawaban

1. Tampilan pada Final Cluster Centers memperlihatkan hasil proses

clustering setelah dilakukan iteraksi sebanyak 8 kali.

2. Arti Angka:

− Angka Zusia sebesar 0,57272 (pada kluster pertama) bertanda positif,

ini menandakan bahwa Rata-Rata Usia responden (dalam bentuk nilai

Z) diatas rata-rata responden keseluruhan.

Rata-Rata usia di cluster 1: mean+ Z.

29,88+0,57272 x 5,66 = 33,12 Tahun


3. Rekapitulasi:

Cluster Diatas Rata-Rata

1 2 3 1 2 3

Zscore: Usia 0,57272 -

0,02356 -

0,36218 Ya Tidak Tida

k

Zscore: Jumlah Anak 0,04507 -

0,09015 0,04507 Ya Tidak Tida

k Zscore: Penghasilan rata-rata per bulan 1,36091

-0,23081

-0,71494 Ya Tidak

Tidak

Zscore: Jumlah Jam membaca Koran setiap minggu 1,08448 0,07182

-0,78283 Ya

Ya (< C1)

Tidak

Zscore: Jumlah Jam menonton TV setiap minggu -0,03950 0,32998

-0,24865

Tidak Ya

Tidak

Zscore: Jumlah Motor yang dipunyai 0,99200

-0,13139

-0,55184 Ya Tidak

Tidak

Zscore: Jumlah Mobil yang dipunyai 0,95887 0,05148

-0,68215 Ya

Ya (< C1)

Tidak

Zscore: Jumlah Kartu Kredit/ATM yang dipunyai 1,25712 0,08381

-0,90792 Ya

Ya (< C1)

Tidak

Zscore: Tingkat Pembelian Barang setiap minggu 1,16063 0,13654

-0,88754 Ya

Ya (< C1)

Tidak

Zscore: Tingkat Pengeluaran Bulanan 1,33411

-0,22874

-0,69879 Ya Tidak

Tidak

Zscore: Jumlah Jam Kerja setiap minggu 1,24930 0,03479

-0,86186 Ya

Ya (< C1)

Tidak

Zscore: Jumlah Jam Berbelanja setiap minggu 1,21304

-0,07377

-0,74721 Ya Tidak

Tidak

4. Signifikansi Perbedaan:

− Tabel Anova memberikan informasi tentang seberapa tajam

perbedaan masin-masing variabel untuk tiap kluster (nilai F).

Semakin besar nilai F, maka makin besar perbedaan itu. Variabel Zusia

memiliki nilai sig 0, 013 yang lebih kecil dari 0,05. Ini berarti Variabel

usia sangat membedakan karakteristik ketiga kluster.

− Jumlah anak pada ketiga cluster tidak berbeda signifikan (0,889 >0,05)

demikian pula untuk jumlah jam menonton TV setiap minggu


ANOVA

4,204 2 ,888 57 4,736 ,013

,122 2 1,031 57 ,118 ,889

21,483 2 ,281 57 76,371 ,000

16,814 2 ,445 57 37,775 ,000

1,843 2 ,970 57 1,899 ,159

11,700 2 ,625 57 18,732 ,000

12,966 2 ,580 57 22,349 ,000

22,605 2 ,242 57 93,435 ,000

20,416 2 ,319 57 64,049 ,000

20,622 2 ,312 57 66,199 ,000

21,412 2 ,284 57 75,447 ,000

18,526 2 ,385 57 48,114 ,000

Zscore: Us ia

Zscore: Jumlah Anak











Mean Square df

Cluster

Mean Square df

Error

F Sig.

The F tes ts should be used only for descriptive purposes because the clus ters have been chosen to maximize the differences among cases in

different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tes ts of the hypothesis that the

cluster means are equal.

Signifikansi nilai F tidak berkaitan dengan valid tidaknya variabel

pengklusteran

A n a l i s i s K o r e l a s i d a n R e g r e s i |93

Bab 10

Analisis Korelasi dan Regresi


1. Mampu menjelaskan perbedaan bentuk hubungan simetris, resiprokal dan

kausal

2. Mampu menjelaskan keeratan hubungan simetris bivariate

3. Mampu merumuskan model pengujian dan hipotesis hubungan kausal

4. Mampu menguji hipotesis hubungan kausal

5. Mampu menjelaskan makna dari hubungan kausal yang telah diuji

Analisis regresi sangat berhubungan erat dengan korelasi, sehingga dapat

dikatakan bahwa analisis regresi didasarkan pada korelasi dengan memasukkan

perubahan pada Y relatif akibat perubahan di dalam level X. Latan (2014)

menyimpulkan anali`fssis regresi sebagai teknik analisis statistik yang digunakan

untuk menguji hubungan antara satu atau lebih variabel independen (prediktor)

dengan satu variabel dependen (kriteria).

Analisis ini mempunyai dua tujuan utama yaitu: untuk memprediksi dan

untuk menganalisis hubungan kausal. Dalam memprediksi analisis regresi

digunakan untuk mengembangkan formula untuk melakukan prediksi tentang

variabel dependen. Sedangkan dalam analisis kausal, regresi digunakan untuk

mengatahui apakah variabel independen sesungguhnya berpengaruh terhadap

variabel dependen ataukah tidak dan untuk mengestimasi besarnya pengaruh

tersebut.

Analisis regresi dan korelasi mempunyai keterkaitan. Jika suatu variabel

mempunyai hubungan yang dengan variabel-variabel lain, maka peneliti dapat

mempertimbangkan bahwa variabel-variabel tersebut bisa dipergunakan untuk

memprediksi suatu variabel. Namun jika tidak terdapat hubungan antar variabel,

maka variabel-variabel tersebut juga tidak dapat digunakan untuk memprediksi

keadaan suatu variabel. Dengan kata lain, analisis hanya dapat dan atau

diperlukan jika telah diketahui bahwa ada hubungan yang signifikan antar

variabel yang bersangkutan.

94| A n a l i s i s K o r e l a s i d a n R e g r e s i

Correlations

1 -,796** -,802** -,978** -,955**

,000 ,000 ,000 ,000

130 130 130 130 130

-,796** 1 ,969** ,787** ,807**

,000 ,000 ,000 ,000

130 130 130 130 130

-,802** ,969** 1 ,786** ,804**

,000 ,000 ,000 ,000

130 130 130 130 130

-,978** ,787** ,786** 1 ,937**

,000 ,000 ,000 ,000

130 130 130 130 130

-,955** ,807** ,804** ,937** 1

,000 ,000 ,000 ,000

130 130 130 130 130

Pearson Correlation

Sig. (2-tai led)

N

Pearson Correlation

Sig. (2-tai led)

N

Pearson Correlation

Sig. (2-tai led)

N

Pearson Correlation

Sig. (2-tai led)

N

Pearson Correlation

Sig. (2-tai led)

N

Stress

Kecerdasan Emosional

Kecerdasan Spritual

Etos Kerja

Kepuasan Kerja

Stress

Kecerdasan

Emosional

Kecerdasan

Spritual Etos Kerja

Kepuasan

Kerja

Correlation is s ignificant at the 0.01 level (2-tai led).**.

Kasus:

Ingin diketahui variabel apa saja yang dapat mempengarui etos kerja

seseorang. Dari tabel terlihat bahwa etos kerja berhubungan dengan

variabelvariabel lain: stres, kecerdasan Kecerdasan spritual dan loyalitas pada

atasan. Dan hasil analisis korelasi, peneliti bisa melakukan pengujian satu arah

tentang sejauh mana ketiga variabel independen tersebut mempengaruhi etos

kerja (variabel dependen). Oleh sebab itu ada 3 hipotesis yang bisa diturunkan :

H1 : Semakin tinggi stres kerja yang dialami oeh seseorang, maka etos kerjanya

akan semakin rendah

H2 : Semakin tinggi kecerdasan spiritual seseorang, maka etos kerjanya akan

semakin tinggi

H3 : Semakin loyal orang pada atasannya, maka etos kerja akan semakin tinggi

Model dari ketiga hipotesis tersebut dapat dibuat dalam sebuah persamaan

regresi, yaitu :

Y = a - b1x1 + b2x2 + b3x3 + + e

Dimana:

Y = Etos Kerja

b1,2,,3,4 = Slope/kemiringan setiap variabel independen

x1 = Stress Kerja

x2 = Kecerdasan Spritual

x3 = Loyalitas

e = error


Langkah Pengerjaan:

Analyze > Regression > Linear

❖ Masukkan Variabel Etos Kerja pada kota Dependent lalu masukkan

Stres, Kecerdasan Spiritual, dan loyalitas pada kotak Independent(s)

❖ Aktifkan Menu Statisrics.., lalu beri centang pada Estimates, Model fit

dan Descriptives

96| A n a l i s i s K o r e l a s i d a n R e g r e s i

Regression


52,09 4,032 130

37,45 7,872 130

58,67 6,165 130

60,90 12,355 130

Etos Kerja

Stress

Kecerdasan Spritual

Loyalitas


Correlations

1,000 -,978 ,786 ,974

-,978 1,000 -,802 -,966

,786 -,802 1,000 ,748

,974 -,966 ,748 1,000

. ,000 ,000 ,000

,000 . ,000 ,000

,000 ,000 . ,000

,000 ,000 ,000 .

130 130 130 130

130 130 130 130

130 130 130 130

130 130 130 130

Etos Kerja

Stress

Kecerdasan Spritual

Loyalitas

Etos Kerja

Stress

Kecerdasan Spritual

Loyalitas

Etos Kerja

Stress

Kecerdasan Spritual

Loyalitas

Pearson Correlation

Sig. (1-tai led)

N

Etos Kerja Stress

Kecerdasan

Spritual Loyalitas

Variables Entered/Removedb

Loyalitas, Kecerdasan Spritual, Stressa . Enter

Model

1

Variables Entered

Variables

Removed Method

All requested variables entered.a.

Dependent Variable: Etos Kerjab.

Model Summary

,985a ,970 ,969 ,710

Model

1

R R Square

Adjusted

R Square

Std. Error of

the Estimate

Predictors : (Constant), Loyalitas , Kecerdasan Spritual,

Stress

a.

ANOVAb

2033,428 3 677,809 1345,702 ,000a

63,464 126 ,504

2096,892 129

Regression

Residual

Total

Model

1

Sum of


Predictors : (Constant), Loyalitas , Kecerdasan Spritual, Stressa.

Dependent Variable: Etos Kerjab.


Coefficientsa

50,924 2,966 17,168 ,000

-,256 ,035 -,499 -7,331 ,000

,027 ,017 ,041 1,544 ,125

,151 ,020 ,462 7,532 ,000

(Constant)

Stress

Kecerdasan Spritual

Loyalitas

Model

1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.

Dependent Variable: Etos Kerjaa.

Jawaban:

1. Model regresi yang dihasilkan mampu menjelaskan 96,9% (Adjusted R

Square= 0,969) variasi pada etos kerja

2. Stres kerja memiliki pengaruh negatif (B= -0,256) dengan nilai signifikansi

0,00 < 0,05. Dengan demikian H1 yang menyatakan semakin tinggi stres

kerja yang dialami oeh seseorang, maka etos kerjanya akan semakin

rendah, terbukti

3. Kecerdasan Spiritual berpengaruh positif (B= 0,027) dengan nilai

signifikansi 0,125 > 0,05. H2 yang menyatakan Semakin tinggi kecerdasan

spiritual seseorang, maka etos kerjanya akan semakin tinggi, tidak

terbukti

4. Loyalitas memiliki pengaruh positif (B= 0,151) dengan nilai signifikansi

0,00 < 0,05. H3 yang menyatakan semakin loyal orang pada atasannya,

maka etos kerja akan semakin tinggi, tidak terbukti.

A n a l i s i s R e g r e s i D e n g a n V a r i a b e l P e m o d e r a s i . . . . |99

Bab 11

Analisis Regresi Dengan Variabel Pemoderasi (Sub-Group)


1. Mampu mendeteksi kapan suatu variabel dapat ditempatkan sebagai

variabel pemoderasi

2. Mampu menguji perbedaan hubungan kausal berdasarkan katagori

3. Mampu menyimpulkan dan memaknai hasil pengujian moderasi dengan

metode sub-group

Dalam kenyataannya tidak hanya terdapat hubungan antara varibel bebas

dengan variabel tergantung, tetapi juga muncul adanya variabel yang ikut

mempengaruhi hubungan antar variabel tersebut yaitu variabel moderasi.

Contoh: Pendapatan akan mempengaruhi konsumsi, namun gaya hidup akan

mempengaruhi hubungan antara pendapatan dengan konsumsi.

Variabel Moderasi adalah variabel yang bersifat memperkuat atau

memperlemah pengaruh variabel penjelas (independen) terhadap variabel

tergantung Salah satu ciri yang penting adalah bahwa variabel ini tidak

dipengaruhi variabel independen

Model Pengujian

Beberapa Metode

1. Sub-Group, dilakukan dengan memecah sampel menjadi dua atau lebih

kelompok berdasarkan yang dihipotesiskan sebagai pemoderasi.

Pemecahan dilakukan berdasarkan nilai rata-rata atau median

2. Uji Interaksi, disebut dengan Moderated Regression Analysis (MRA),

merupakan aplikasi khusus regresi linier berganda dimana dalam

persamaan regresinya mengandung unsur interaksi (perkalian dua atau

lebih variabel independen)

100| A n a l i s i s R e g r e s i D e n g a n V a r i a b e l P e m o d e r a s i . . . .

3. Uji Nilai Selisih Mutlak, dilakukan dengan mencari nilai selisih mutlak dari

variabel independen.

4. Uji Residual, dilakukan dengan menguji pengaruh deviasi dari suatu

model. Fokusnya adalah ketidakcocokan (pack of fit) yang dihasilkan dari

deviasi hubungan antar variabel independen

Kasus

Ingin diketahui apakah gender memoderasi pengaruh pelatihan terhadap

produktivitas

Solusi Dengan Metode Sub-Group

1. Meregresikan X terhadap Y untuk semua sampel untuk mendapatkan sum

square residual/SSR dan diberi simbol SSRT untuk semua sampel

2. Meregresikan X terhadap Y sampel kelompok pertama untuk

mendapatkan SSR1

3. Meregresikan X terhadap Y sampel kelompok kedua untuk mendapatkan

SSR2

4. Hitung SSRG dengan menjumlahkan SSR1 dan SSR2

5. Hitung nilai F

6. Menarik kesimpulan uji moderasi jika nilai F hitung > F tabel, maka

variabel yang digunakan sebagai dasar pembagi kelompok terbukti

sebagai variabel pemoderasi


Langkah Pengerjaan:

1. Meregresikan Pelatihan terhadap Produktivitas

2. Lakukan split file dengan cara:

Data > Split file

❖ Masukkan Gender pada kotak Group Based on Untuk

mengelompokkan output berdasarkan group


3. Meregresikan kembali Pelatihan terhadap Produktivitas

Regression


Pelatihana . Enter

Model

1

Variables

Entered

Variables

Removed Method


Dependent Variable: Produktivitasb.

Model Summary

,638a ,407 ,391 3,44038

Model

1

R R Square

Adjusted

R Square

Std. Error of

the Estimate

Predictors: (Constant), Pelatihana.

ANOVAb

308,625 1 308,625 26,075 ,000a

449,775 38 11,836

758,400 39

Regression

Residual

Total

Model

1

Sum of


Predictors : (Constant), Pelatihana.


Coefficientsa

9,672 2,801 3,453 ,001

,312 ,061 ,638 5,106 ,000

(Constant)

Pelatihan

Model1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.

Dependent Variable: Produktivitasa.

Regresi Pelatihan terhadap Produktivitas untuk semua sampel mendapatkan

koefisien positif ( 0,312) yang signifkan (0,000 < 0,05) Ini berarti pelatihan

terbukti mempengaruhi produktivitas. Selain ini juga didapatkan sum square

residual/SSR (diberi simbol SSRT) untuk semua sampel sebesar 449,775.


Regression

Gender = Wanita

Variables Entered/Removedb,c

Pelatihana . Enter

Model

1

Variables

Entered

Variables

Removed Method



Gender = Wanitac.

Model Summaryb

,372a ,138 ,090 2,97482

Model

1

R R Square

Adjusted

R Square

Std. Error of

the Estimate


Gender = Wanitab.

ANOVAb,c

25,508 1 25,508 2,882 ,107a

159,292 18 8,850

184,800 19

Regression

Residual

Total

Model

1

Sum of




Gender = Wanitac.

Coefficientsa,b

17,982 3,375 5,327 ,000

,133 ,078 ,372 1,698 ,107

(Constant)

Pelatihan

Model

1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.


Gender = Wanitab.

Regresi Pelatihan terhadap Produktivitas untuk semua sampel sampel wanita

koefisien positif ( 0,133) yang tidak signifkan (0,107 > 0,05) dengan sum square

residual 159,292


Gender = Pria

Variables Entered/Removedb,c

Pelatihana . Enter

Model

1

Variables

Entered

Variables

Removed Method



Gender = Priac.

Model Summaryb

,867a ,752 ,738 2,80946

Model

1

R R Square

Adjusted

R Square

Std. Error of

the Estimate


Gender = Priab.

ANOVAb,c

431,125 1 431,125 54,621 ,000a

142,075 18 7,893

573,200 19

Regression

Residual

Total

Model

1

Sum of




Gender = Priac.

Coefficientsa,b

-2,329 3,591 -,649 ,525

,549 ,074 ,867 7,391 ,000

(Constant)

Pelatihan

Model

1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.


Gender = Priab.

Untuk sampel pria, Regresi Pelatihan berpengaruh positif (0,549) terhadap

Produktivitas dengan nilai signifikansi 0,00 < 0,05. Kelompok pria mendapatkan

sum square residual 142,075.

Sampai disini bisa diperoleh Sum Square Residual Group/SSRG dengan

menjumlahkan SSR sampel wanira dan SSR pria yaitu: 142,075+ 159,292 =

301,367. Selanjutnya hitung nilai F perbedaan residual untuk kemudian

dibandingkan dengan F Tabel


Karena nilai F Hitung berada di daerah penolakan (10,834 > 3,259), maka

perbedaan pengaruh antara kelompok wanita dengan pria signifikan. Dengan

demikian bisa disimpulkan bahwa gender memoderasi pengaruh pelatihan

terhadap produktivitas.

A n a l i s i s R e g r e s i D e n g a n V a r i a b e l P e m o d e r a s i ( M R . . |107

Bab 12

Analisis Regresi Dengan Variabel Pemoderasi (MRA)


1. Mampu merumuskan model pengujian dan hipotesis pengaruh moderasi

2. Mampu menguji hipotesis pengaruh moderasi dengan MRA

3. Mampu menentukan kriteria moderasi berdasarkan aturan yang ada

Variabel moderasi berperanan sebagai variabel dapat memperkuat atau

memperlemah hubungan antara variabel independen dengan variabel dependen.

Apabila variabel moderasi tidak dilibatkan dalam model , maka disebut sebagai

analisis regresi saja, sehingga tanpa adanya variabel moderasi, analisis hubungan

antara variabel prediktor dengan variabel tergantung masih dapat dilakukan.

Dalam analisis regresi moderasi, semua asumsi analisis regresi berlaku, artinya

asumsi-asumsi dalam analisis regresi moderasi sama dengan asumsi-asumsi

dalam analisis regresi. MRA dilakukan dengan cara mengalikan dua atau lebih

variabel bebasnya. Jika hasil perkalian dua varibel bebas tersebut signifikan

maka variabel tersebut memoderasi hubungan antara variabel bebas dan variabel

dependennya.

Tahapan

1. Meregresikan X terhadap Y (Y = a + b1X1+)

2. Meregresikan X dan M terhadap Y (Y = a + b1x1 + b2m+)

Y = Nilai yang diramalkana = Konstansta

b1 = Koefesien regresi untuk variabelprediktor pertama, X1

b2 = Koefesien regresi untuk variabelprediktor kedua (pemoderasi),M

b3 = Koefesien variabel interaksi

X1 = Variabel bebas pertama

M = Variabel bebas kedua (pemoderasi)

X3 = Variabel Interaksi

= Nilai Residu

Y = a + b1X1 + b2M+b3X1M +

Y

X1X1

InteraksiX1

* MInteraksi

X1* M

X2=MX2=M

108| A n a l i s i s R e g r e s i D e n g a n V a r i a b e l P e m o d e r a s i ( M R . .

3. Meregresikan X, M dan interaksi (XM) terhadap Y (Y = a + b1x1

+b2m+b3x1m + )

Hipotesis Pemoderasi Diterima bila:

1. Saat variabel interaksi dimasukkan pengaruhnya signifikan

2. Bagaimana Kriteria Moderasinya..??:

a. Pure moderasi merupakan variabel yang memoderasi hubungan

antara variabel prediktor dan variabel tergantung dimana variabel

moderasi murni berinteraksi dengan variabel prediktor tanpa menjadi

variabel prediktor

b. Quasi moderasi merupakan variabel yang memoderasi hubungan

antara variabel prediktor dan variabel tergantung di mana variabel

moderasi semu berinteraksi dengan variabel prediktor sekaligus

menjadi variabel prediktor

c. Homologiser moderasi merupakan variabel yang potensial menjadi

variabel moderasi yang mempengaruhi kekuatan hubungan antara

variabel prediktor dan variabel tergantung. Variabel ini tidak

berinteraksi dengan variabel prediktor dan tidak mempunyai

hubungan yang signifikan dengan variabel tergantung

d. Prediktor moderasi hanya berperanan sebagai variabel independen

dalam model ubungan yang dibentuk

Kriteria (SHARMA Et al, 1981)

Tipe Kondisi Keterangan

Pure Moderasi

b2 non-significant Moderasi Murni

b3 significant

Quasi Moderasi

b2 significant Moderasi Semu (memoderasi hubungan antara variabel independen dengan variabel dependen yang sekaligus menjadi variabel independen.

b3 significant

Homologiser Moderasi

b2 non-significant Potensial menjadi variabel moderasi

b3 non-significant

Predictor Moderasi

b2 significant Prediktor Moderasi (hanya berperanan sebagai variabel prediktor/ independen dalam model hubungan yang dibentuk)

b3 non-significant


Kasus :

Apakah lingkungan kerja (M) memoderasi pengaruh Konflik Antar Departemen

(X) terhadap Kinerja Organisasi?

Tahapan

1. Buat variabel baru yang merupakan variabel interaksi (perkalian)antara

lingkungan kerja dengan konflik antar departemen melaui menu:

Transform > Compute

Ketik Interaksi pada kotak Target Variable, lalu masukkan variabel konflik

yang dikalikan (*) dengan ling_kja pada kota Numeric Expression:

2. Lakukan Regresi berjenjang yang terdiri atas 3 tahap

2.1. Regresikan Konflik antar departemen terhadap Kinerja Organisasi


Melalui tombol Statistics, beri centang pada R squared change, klik

continue

2.2. Setelah kembali ke menu regresi, klik tombol next pada Block 1 of 1 untuk

melakukan tahap berikutnya yaitu Block 2 of 2 dengan memasukkan

Kinerja organisasi sebagai variabel dependen, konflik antar departemen

dan lingkungan organisasi sebagai variabel independen

Klik Next pada Block 2 of 2 untuk masuk ke Block 3 of 3


2.3. Masukkan Kinerja organisasi sebagai variabel dependen, konflik antar

departemen lingkungan organisasi , dan interaksi sebagai variabel

independen, OK

Output

Regression


Konflik antar Departemena . Enter

Lingkungan Kerjaa . Enter

Interaks ia . Enter

Model

1

2

3

Variables Entered

Variables

Removed Method


Dependent Variable: Kinerja Organisas ib.

Model Summary

,793a ,629 ,625 ,694 ,629 166,342 1 98 ,000

,806b ,650 ,643 ,677 ,021 5,838 1 97 ,018

,832c ,693 ,683 ,638 ,042 13,221 1 96 ,000

Model

1

2

3

R R Square

Adjusted

R Square

Std. Error of

the Estimate

R Square

Change F Change df1 df2 Sig. F Change

Change Statis tics

Predictors : (Constant), Konflik antar Departemena.

Predictors : (Constant), Konflik antar Departemen, Lingkungan Kerjab.

Predictors : (Constant), Konflik antar Departemen, Lingkungan Kerja, Interaks ic.


Coefficientsa

5,344 ,252 21,209 ,000

-,823 ,064 -,793 -12,897 ,000

4,653 ,377 12,331 ,000

-,784 ,064 -,755 -12,160 ,000

,110 ,046 ,150 2,416 ,018

1,938 ,827 2,343 ,021

-,101 ,197 -,098 -,515 ,608

,655 ,156 ,891 4,203 ,000

-,140 ,038 -,880 -3,636 ,000

(Constant)

Konfl ik antar Departemen

(Constant)


Lingkungan Kerja

(Constant)


Lingkungan Kerja

Interaks i

Model1

2

3

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.

Dependent Variable: Kinerja Organisasia.

Tabel koefisien terdiri atas 3 tahap/model. Pengujian hipotesis pemoderasi hanya

memperhatikan tahap ke 3 saja. Pada tahapan ini lingkungan kerja berpengaruh

positif dengan koefisien 0,655 (Sig. 0,000 > 0,05). Selain itu, variabel interaksi

berpengaruh positif dengan nilai sginifikansi 0,000 < 0,05. Dengan demikian

lingkungan kerja terbukti memoderasi pengaruh Konflik Antar Departemen

terhadap Kinerja Organisasi. Mengikuti acuan Sharma (1984), jenis moderasinya

adalah Quasi Moderasi.

A n a l i s i s R e g r e s i D e n g a n V a r i a b e l P e m o d e r a s i ( A n a . . |113

Bab 13

Analisis Regresi Dengan Variabel Pemediasi (Analisis Jalur)


1. Mampu mendeteksi kapan suatu variabel dapat ditempatkan sebagai

variabel mediasi

2. Mampu merumuskan model pengujian dan hipotesis dengan analisis jalur

3. Mampu melakukan pengujian hipotesis dengan metode Kausal-Step dan

Product of Coefficient

4. Mampu menghitung perngaruh langsung dan tidak langsung variabel-

variabel dalam pengujian

Pendahuluan:

Dalam analisis regresi sangat mungkin peneliti menemukan adanya

hubungan tidak langsung antara satu variabel dengan variabel lain. Terdapat satu

variabel yang memperantarai keduanya. Suhu udara bisa saja disimpulkan

mempengaruhi konsumsi bahan bakar mobil, dalam arti semakin tinggi suhu

udara, maka mobil akan semakin boros bahan bakar. Pengaruh tersebut tidaklah

sesederhana itu karena suhu udara tidak serta merta akan mempengaruhi

konsumsi bahan bakar. Sangat logis jika muncul pemikiran bahwa panasnya suhu

udara akan menyebabkan itensitas pemakaian AC semakin tinggi, tingginya

intensitas tersebutlah yang membuat mobil semakin banyak mengkonsumsi

bahan bakar.

Dalam kondisi demikian, maka itensitas pemakaian AC menjadi variabel

mediasi atau intervening. Variabel mediasi adalah variabel yang bersifat menjadi

perantara (mediating) pada pengaruh variabel independen terhadap variabel

dependen. Media tersebut (bisa bersifat partial atau perfect mediation.

Model mediasi memiliki hipotesis bahwa variabel independen

mempengaruhi variabel mediator, dan variabel mediator mempengaruhi variabel

dependen. Mediasi sempurna (perfect mediation) terjadi ketika variabel mediator

dimasukkan dalam persamaan, maka pengaruh variabel independen ke dependen

hilang. Namun jika pengaruhnya berkurang namun tidak sama dengan nol, maka

terjadi mediasi parsial.

114| A n a l i s i s R e g r e s i D e n g a n V a r i a b e l P e m o d e r a s i ( A n a . .

Analisis jalur merupakan suatu teknik untuk menganalisis hubungan sebab

akibat yang terjadi pada regresi berganda jika variabel independennya

mempengaruhi variabel dependen tidak hanya secara langsung, tetapi juga secara

tidak langsung. Hubungan antar variabel dalam analisis jalur ada 2 yaitu :

1. Pengaruh Langsung biasanya digambarkan dengan panah satu arah

dari satu variabel ke variabel lainnya.

2. Pengaruh Tidak Langsung digambarkan dengan panah satu arah pada

satu variabel pada variabel lain, kemudian dari variabel lain panah

satu arah ke variabel berikutnya.

Model Pengujian:

Regresi Tanpa Mediasi

Regresi dengan Mediasi 1

Variabel independen memprediksi M danM memprediksi Y atau:

1. Sebagian variasi X1 bisa memprediksi M dan..

2. Sebagian variasi M bisa memprediksi Y

X1

X2

Y

X1

X2

Y


Regresi dengan Intervening 2

Y bisa dipengaruhi oleh X1, namun lebih besar pengaruh M terhadap Y

Variabel mediasi dikenal dengan juga dengan istilah variabel antara atau variabel

intervening (intervene variables) sebagai variabel yang bersifat menjadi perantara

(mediating) dari hubungan variabel independen terhadap variabel dependen.

Sifatnya sebagai penghubung (”jembatan”) antara variabel independen terhadap

variabel dependen (bisa bersifat partial atau complete mediation).

Model Pengujian:

Regresi Tanpa Intervening


Variabel independen memprediksi I dan I memprediksi Y atau:

3. Sebagian variasi X1 bisa memprediksi I dan..

4. Sebagian variasi I bisa memprediksi Y

X1

X2

Y

X1

X2

Y

X1

X1 I Y

I Y



Y bisa dipengaruhi oleh X1, namun lebih besar pengaruh I terhadap Y

Kasus:

Sebuah penelitian dilakukan untuk menganalisis apakah variabel kepuasan

pelanggan (I) memediasi hubungan kausal antara pelayanan (X) terhadap loyalitas

(Y)

Solusi 1 : Metode Kausal Step (Baron dan Kenny,1986)

Langkah & Kriteria:

1. Persamaan 1, pengaruh X terhadap Y, X berpengaruh signifikan terhadap Y

(c≠0)

2. Persamaan 2, pengaruh X terhadap I, X berpengaruh signifikan terhadap I

(a≠0)

3. Persamaan 3, pengaruh X dan I terhadap Y, I berpengaruh signifikan

terhadap Y (b≠0)

4. I adalah :

a. intervening sempurna jika setelah memasukkan I, pengaruh X

terhadap Y menjadi 0 atau tidak signifikan

b. Intervening parsial jika setelah memasukkan I, pengaruh X

terhadap Y menjadi turun tapi tidak menjadi 0 namun masih

signifikan

X1

X1

I

Y

Y

I

Kualitas Layanan Kepuasan Loyalitas


Langkah Pengerjaan:

1. Regresikan Kualitas Pelayanan Terhadap Loyalitas

Coefficientsa

2,714 ,887 3,059 ,005

,528 ,141 ,577 3,735 ,001

(Constant)

Kualitas Pelayanan

Model1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.

Dependent Variable: Loyalitasa.

Regresikan Kualitas Pelayanan Terhadap Kepuasan

Coefficientsa

1,098 ,647 1,697 ,101

,973 ,103 ,872 9,446 ,000

(Constant)

Kualitas Pelayanan

Model

1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.

Dependent Variable: Kepuasana.

2. Regresikan Kualitas Pelayanan dan Kepuasan terhadap loyalitas

Coefficientsa

1,949 ,817 2,384 ,024

-,151 ,254 -,165 -,594 ,557

,697 ,227 ,850 3,066 ,005

(Constant)

Kualitas Pelayanan

Kepuasan

Model

1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.


Kesimpulan:

1. Kualitas (X) pelayanan berpengaruh terhadap Loyalitas (Y)

2. Kualitas layanan (X) berpengaruh terhadap kepuasan (I)

3. Kualitas pelayanan (X) menjadi tidak berpengaruh terhadap Loyalitas (Y)

ketika kepuasan (I) dimasukkan dalam persamaan

X YC’

c= 0.528, sig: 0.001

X YC’

c= 0.528, sig: 0.001

I

ab= 0.973, sig: 0.001 ab= 0.973, sig: 0.001 b c = 0.697, sig: 0.005b c = 0.697, sig: 0.005

c’= -0.151, sig: 0.557


4. Artinya: kepuasan pelanggan memediasi secara sempurna pengaruh

kualitas pelayanan terhadap loyalitas

Solusi 2 : Metode Product of Coefficient (MacKinnon, Warsi, & Dwyer, 1995)

1. Dilakukan dengan menguji kekuatan pengaruh tidak langsung X terhadap

Y melalui I atau

2. Menguji pengaruh tidak langsung: perkalian pengaruh langsung X

terhadap I (a) dan pengaruh langsung I terhadap Y (b) menjadi ab-

dilakukan berdasarkan rasio antara bc dengan standar error yang akan

menghasilkan nilai statistik

3. Tahapan :

a. Membuat persamaan Regresi X terhadap I untuk mendapatkan

koefisien Regresi (a) dan standar error koefisien regresi (Sa)

b. Membuat persamaan regresi X terhadap Y dengan memasukkan

variabel I untuk mendapatkan koefisien regresi (b ) dan standar error

koefisien regresi (sb)

c. Hitung nilai standar error ab (Sab)

d. Hitung nilai t koefisien ab dengan membagi ab dengan sab

Hasil Tahap 1

Coefficientsa

1,098 ,647 1,697 ,101

,973 ,103 ,872 9,446 ,000

(Constant)

Kualitas Pelayanan

Model

1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.

Dependent Variable: Kepuasana.

222222ab sbsasbasabS ++=

abs

abZ =


Hasil Tahap 2

Coefficientsa

1,949 ,817 2,384 ,024

-,151 ,254 -,165 -,594 ,557

,697 ,227 ,850 3,066 ,005

(Constant)

Kualitas Pelayanan

Kepuasan

Model

1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.


e. Tahap 3: Menghitung nilai standar error ab (Sab) dan menghitung

Hitung nilai t koefisien ab dengan membagi ab dengan sab

Kesimpulan

1. Nilai Z hitung 2,910 lebih besar dari Z tabel pada Alfa 0,05 yaitu 1,96

2. Berarti kepuasan pelanggan memediasi (menjadi variabel intervening)

pengaruh kualitas pelayanan terhadap loyalitas

X Y

I

c

c= -0.151, sig: 0.5571Sc=0.254

c

c= -0.151, sig: 0.5571Sc=0.254

aa= 0.973, sig: 0.001Sa=0.103

aa= 0.973, sig: 0.001Sa=0.103

b b= 0.697, sig: 0.005Sb=0.227

b b= 0.697, sig: 0.005Sb=0.227

222222ab 0,2270,1030,2270,9730,1030,697S ++=

0,0010,0490,005Sab ++= 0,233Sab =

abs

abZ = 2,910

0,233

0,697 x 0,973Z ==

222222ab sbsasbasabS ++=

R e f e r e n s i |121

Referensi

Amir, Taufiq. 2015. Merancang Kuesioner: Konsep dan Panduan untuk Penelitian

Sikap, Kepribadian & Perilaku, Edisi I. Penerbit: Pranamedia Group, Jakarta.

Asra, Abuzar., dan Rudiansyah. 2013. Statistika Terapan Untuk Pembuat

Kebijakan dan Pengambil Keputusan, edisi kedua. Penerbit: In Media, Bogor

Asra, Abuzar., Utomo, Agung Priyo., Asikin, Munawar., dan Pusponegoro, Novi

Hidayat. 2017. Analisis Multivariabel: Suatu Pengantar. Penerbit: In Media,

Bogor

Baron, R. M., and Kenny, D. A. 1986. The moderator–mediator variable distinction

in social psychological research: Conceptual, strategic, and statistical

considerations. Journal of Personality and Social Psychology, 51(6): 1173–

1182

Breaugh, J. A., & Colihan, J. P. 1994. Measuring facets of job ambiguity: Construct

validity evidence. Journal of Applied Psychology, 79(2), 191–202

Dachlan, Usman. 2014. Panduan Lengkap Structural Equation Modeling

Tingkat Dasar. Penerbit: Lentera Ilmu, Semarang

Dillon, R. W. Dan Goldstein, M. 1984. Multivariate Analysis and Aplications. New

York: John Wiley & Sons, Inc.

Doornik, J. A., and H. Hansen. 2008. An omnibus test for univariate and

multivariate normality. Oxford Bulletin of Economics and Statistics 70: 927–

939

Fornell, C., and Larcker, D. F. 1981. Evaluating Structural Equation Models

with Unobservable Variables and Measurement Error. Journal of

Marketing Research, 18(1): 39 -50

Hair, J. F., Black. W. C., Babin. B. J.; and Anderson. R. E. 2010. Multivariate Data

Analysis, 7th ed. New Jersey: Pearson Prentice Hall

Hu, L., & Bentler, P. M. 1999. Cutoff criteria for fit indexes in covariance structure

analysis: Conventional criteria versus new alternatives. Structural Equation

Modeling, 6: 1–55.

122| R e f e r e n s i

Johnson, R. A., & Wichern, D. W. 1992. Applied multivariate statistical analysis.

Englewood Cliffs, N.J: Prentice Hall.

Kline, Rex B. 2005. Principles and Practice of Structural Equation Modeling,

Second Edition. New York: Guilford Press

Latan, Hengki. 2012. Structural Equation Modelling: Konsep dan Aplikasi

Menggunakan Program Lisrel 9.80. Penerbit: Alfabeta, Bandung

Latan, Hengki. 2014a. Aplikasi Analisis Data Statistik untul Ilmu Sosial Sains

dengan STATA. Penerbit: Alfabeta, Bandung

Latan, Hengki. 2014b. Aplikasi Analisis Data Statistik untul Ilmu Sosial Sains

dengan IBM SPSS. Penerbit: Alfabeta, Bandung

Malhotra, N.K. 2012. Basic Marketing Research : Integration of Social Media,

Fourth Edition. US : Pearson

McLave, James T., Benson. George P., Sinsich, Terry. 2011. Statistik untuk Bisnis

dan Ekonomi, Jiilid 2 edisi 11. Penerbit: Erlangga, Jakarta

Park, H.M. 2008. Univariate Analysis and Normality Test Using SAS, Stata, and SPSS.

Technical Working Paper.

Perrot, Bastien., Bataille,Emmanuelle ., and Hardouin. Jean-Benoit. 2018.

validscale: A Command to Validate Measurement Scales. The Stata Journal,

18(1): 29–50

Raykov, T. 1997. Estimation of composite reliability for congeneric measures.

Applied Psychological Measurement, 21: 173-184.

Razali, Nornadiah Mohd dan Bee Wah Yap. 2011. Power comparisons of Shapiro-

Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal

of Statistical Modeling and Analytics, 2(1): 21-33

Santoso, Singgih. 2006. Seri Solusi Bisnis Berbasis TI: Menggunakan SPSS untuk

Statistik Multivariat. Penerbit: Elex Media Komputindo, Jakarta

Suliyanto, 2011. Ekonometrika Terapan Teori dan Aplikasi dengan SPSS. Penerbit:

CV. Andi Offset, Yogyakarta

R e f e r e n s i |123

Williams, B., Brown, T., Onsman, A. 2010. Journal of Emergency Primary Health

Care (JEPHC), 8(3):1-12

ong, A. G., & Pearce, S. 2013. A beginner’s guide to factor analysis: Focusing on

exploratory factor analysis. Tutorials in Quantitative Methods for Psychology,

9(2): 79–94

Zinbarg, R. E., Revelle, W., Yovel, I. & Li, W. 2005. Cronbach’s a, Revelle’s, b and

McDonalds w: their relations with each other and two alternative

conceptualizations of reliability. Psychometrica, 70(1): 1-11.

124| R e f e r e n s i

APLIKASI SPSS DALAM ANALISIS MULTIVARIATES

Documents

Transcript of APLIKASI SPSS DALAM ANALISIS MULTIVARIATES