MODUL 16 (Modul Tambahan)

PENGGUNAAN SPSS UNTUK ANALISIS

A. Uji Questionare: Reliabilitas dan Validitas

Sebelum questinare benar-benar dibagikan kepada

responden dengan sampel yang besar, hendaknya diuji coba

kepada sampel yang lebih kecil. Hal bertujuan untuk

memperbaiki questinare jika ternyata item pertanyaan yang

disusun tidak dapat mengukur perilaku yang ingin diukur,

atau tidak konsisten.

CONTOH DATA DARI TABULASI Uji Coba Lapangan

Misalnya kita memiliki data dari 11 responden berikut.

Penelitian memodel untuk menjelaskan kinerja dengan dua

variabel penjelas, yaitu, kepuasan terhadap upah (UPAH),

dan motivasi dari dalam (MOTIV). Masing masing variabel

diberi nilai kuantitatif dengan 5 pertanyaan.

Skala Likert digunakan dengan skala 5 (sangat

tinggi/sangat setuju dengan pernyataan), 4, 3, 2, dan 1

(sangat rendah/sangat tidak setuju pernyataan). Skala

tersebut menggambarkan aspek-aspek tertentu yang

diobservasi dari kinerja, kepuasan upah, maupun memberi

motivasi. Dari questionare yang dikirim ke responden

misalnya diperoleh data berikut.

KINERJANo.resp. Q1 Q2 Q3 Q4 Q5 Skore

KINERJA1. 4 3 4 5 3 192. 3 3 3 4 5 183. 5 4 4 5 4 224. 3 2 2 3 2 125. 5 5 4 4 3 216. 4 3 3 3 4 177. 3 4 4 3 2 168. 4 3 5 5 4 219. 4 4 4 5 3 20

10. 3 4 5 5 3 2011. 5 5 5 5 4 24

Kepuasan UPAHNo.resp. Q1 Q2 Q3 Q4 Q5 Skore

Upah1. 5 4 5 5 4 232. 4 3 3 4 5 193. 4 4 4 4 3 194. 2 3 2 3 2 125. 4 5 3 4 3 196. 5 5 3 3 2 187. 4 4 3 3 2 168. 5 4 5 4 5 239. 5 5 5 5 4 24

10. 3 4 4 3 2 1611. 5 5 5 4 4 23

Skore Motivasi No.resp. Q1 Q2 Q3 Q4 Q5 Skore

MOTIVASI1. 5 4 4 3 4 202. 4 3 3 4 5 193. 4 4 4 5 3 204. 2 3 3 4 2 145. 4 5 4 3 3 196. 5 5 4 4 2 207. 4 4 4 5 2 198. 5 4 5 5 5 249. 5 5 4 5 4 23

10. 3 4 4 4 2 1711. 5 5 5 4 4 23

Sekarang bagaimana menggunakan data di atas dengan alat bantu SPSS.

1. Hidupkan program SPSS

2. Klik variable (lihat tanda lingkaran pada gambar di

bawah) pada data editor, beri nama item sesuai urutan

q1, q2. q3. q4, q5, dst. Pada kolom decimal set nol

desimal. (lihat chart).

3. Masukkan tabulasi data hasil penelitian ke dalam chart

data SPSS.

Di layar SPSS susunan data akan terlihat sebagai berikut.

Kolom paling kiri isi dengan nama variabel (q1, q2, dst )

Type: Numeric – untuk variabel yang berisi angk-angka skala

– klik string untuk variabel kategori (laki-wanita, besar-kecil,

nama orang dst).

Width: set untuk banyaknya digit/lebar kolom yang diinginkan.

Decimal: set untuk berapa angka di belakang koma, SPSS

akan langsung set 2 decimal,

CARA MEMBUAT VARIABEL BARU dari variabel yang sudah ada.

Jika total skore untuk variabel KINERJA, UPAH, dan

MOTIVASI belum dijumlah, SPSS bisa digunakan dengan

prosedur berikut.

1. Klik: Transform

2. Klik: Compute

3. Masukkan nama variabel target: KINERJA

4. Kemudian jumlahkan nilai q1 + q2 + q3 + q4 + q5

dalam box numeric expression (lihat contoh dalam

box berikut);

5. Kemudian klik OK (lihat panah).

Pada data editor akan muncul variabel baru yang merupakan

skore variabel KINERJA yang berasal dari jumlah nilai-nilai

dari pertanyaan 1 sampai 5 (jumlah q1 ---- s.d. ….q5).

Cara Melakukan Analisis Regresi Dengan

SPSS

Setelah data yang tidak valid dibuang, dan reliabilitas

questionare dapat dihandalkan, maka skore total dari variabel

UPAH, MOTIVASI, dan KINERJA dapat digunakan untuk

analisis regresi.

Untuk ini akan digunakan simulasi data sebagaimana yang

terdapat dalam modul sebelumnya. Sekarang, masukkan

contoh data dari modul tersebut ke dalam chart data editor

SPSS.

1. Regresi Linear (Lihat Modul 3).

Contoh: Misalkan kita memiliki data berikut.

Y X1 X2

10 2 1.212 2.2 1.414 2.3 215 2.2 2.316 2.4 2.616 2.8 2.817 2.7 3.518 3 418 3 4.220 3.4 4

∑ 156 26 28

Dimana: Y = KinerjaX1 = MotivasiX2 = Upah

Langkah-langkah analisis Regressi:

1. Masukkan data di atas ke dalam chart data editor SPSS

Di layar akan nampak susunan berikut.

2. Klik Analyze pilih Regression

pilih Linear, dan isikan kolom Dependent

dengan variabel Y dan kolom Indenpendent

dengan variabel X1 dan X2 sehingga seperti

2. Klik Statistics

3. Klik Continue

4. Ok

Hasil output SPSS adalah sebagai berikut (Hasil – hasil

penting yang akan ditampilkan diberi lingkaran)

Regression

Variables Entered/Removedb

X2, X1a . EnterModel1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: Yb.

a Predictors: (Constant), X2, X1b Dependent Variable: Y

Model Summaryb

.958a .917 .893 .97737 .917 38.583 2 7 .000 1.010Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

R SquareChange F Change df1 df2 Sig. F Change

Change Statistics

Durbin-Watson

Predictors: (Constant), X2, X1a.

Dependent Variable: Yb.

ANOVAb

73.713 2 36.857 38.583 .000a

6.687 7 .955

80.400 9

Regression

Residual

Total

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), X2, X1a.

Dependent Variable: Yb.

Coefficients(a)

Model Unstandardized

CoefficientsStandardized Coefficients t Sig. Collinearity Statistics

B Std. Error Beta Tolerance VIF1 (Constant) 5.449 2.969 1.835 .109 X1 1.865 1.836 .281 1.016 .343 .156 6.423 X2 1.893 .754 .693 2.509 .040 .156 6.423

a Dependent Variable: Y

Coefficient Correlations(a)

Model X2 X11 Correlations X2 1.000 -.919

X1 -.919 1.000

a Dependent Variable: Y

Dari hasil output SPSS di atas, ambil informasi yang

diperlukan (lihat yanda lingkaran) untukdisajikan dapat dalam

bentuk tabel atau persamaan :

Interpretasi dan Uji Statistik

a. Parameter Estimate. Apabila motivasi meningkat 1

skor, maka kinerja meningkat 1,865 skor, dan

apabila kepuasan upah meningkat 1 skor maka

kinerja meningkat 1,893 skor. Nilai konstanta

sebesar 5,449 menunjukkan nilai rta-rata Y apabila

X1 dan X2 nol.

b. R2 = 0,917 . Artinya, 91,7 % variabel yang

dipilih/masuk kedalam model sudah tepat, yaitu

variasi variabel Motivasi dan Upah dapat

menerangkan variasi variabel Kinerja. Sisanya 8,3

% diterangkan oleh variabel residualnya.

Kinerja = 5,449 + 1,865 X1 + 1,893 X2

(1,835) (1,016) * (2,509)**

R2 = 0,917 F = 38,5

D.W = 1,01

c. F = 38,583 Nilai F hitung > 4, maka model cukup

baik yaitu pemilihan variabel Motivasi dan Upah

sudah tepat.

d. t1 = 1,016 Nilai t1 < 2, dapat disimpulkan bahwa

pengaruh variabel Motivasi sebenarnya tidak

berbeda dari nol /tidak nyata. t2 = 2,509 Nilai t2 > 2,

maka pengaruh variabel Upah ada/nyata/bukan

nol.

UJI ASUMSI KLASIK

Uji Asumsi klasik yang umumnya disertakan dalam

menilai kehandalan model adalah Normalitas,

Multikolinearitas, Otokorelasi, dan Heteroskedastisitas.

1. Uji Normalitas Jarque Berra

Lihat Modul 6. Kita akan menguji apakah error

(residual) berdistribusi normal. Caranya adalah

sebagai berikut.

Ulangi langkah regresi di atas kemudian tambahkan

perintah SAVE (lihat tanda panah), pilih

Unstandardized Residual dan Unstandadized

Predicted. Artinya, kita menghitung error/residual dan

menghitung nilai Y predicted atau Y topi pada modul 4.

Di layar akan muncul variabel res_1 dan Pred_1.

Klik Descriptive. Masukkan variabel res_1 ke dalam

box Variables

Klik Option dan pilih/klik SKWENESS dan KURTOSIS

Klik Continue dan klik OK. SPSS akan

menampilkan output berikut

Descriptive StatisticsN Skewness Kurtosis

Statistic Statistic Std. Error Statistic Std. Error RES_1 10 -.238 .687 -.791 1.334

Valid N (listwise) 10

Nilai Skewmess = -0,238 dan Kurtosis -0,791. Masukkan

ke dalam rumus JB (modul 6). Nilai JB = 6,08, karena

nilai JB lebih kecil dari 9,2 yang merupakan nilai kritis

tabel Chi Square maka variabel residual/error dari data

yang diuji beridstribusi normal. Uji normal merupakan

syarat berlakunya uji t dan F.

2. Uji Multikolinearitas (lihat modul 10)

Uji multikolinearitas dalam printout regresi sudah dihitung

secara rutin. Perhatikan print out regresi di atas. Di sana

disajikan collinearity diagnosis, dan coefficient

correlation.

Unstandardized

Coefficients

Standardized

Coefficients t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF(Constant) 5.449 2.969 1.835 .109X1 1.865 1.836 .281 1.016 .343 .156 6.423X2 1.893 .754 .693 2.509 .040 .156 6.423

Coefficient Correlations(a)

Model X2 X11 Correlations X2 1.000 -.919

X1 -.919 1.000

a Dependent Variable: Y

Ternyata nilai koeffisien korelasi X1 dan X2 sebesar -0,919

yang mendekati angka 1, menunjukkan adanya

multicollinearitas. Demikian nilai toleransi mendekati nol.

Atau nilai inflasi variance (VIF) cenderung besar (mendekati

10). Kedua hal tersebut menggambarkan kolinearitas X1 dan

X2.

3. Uji Otokorelasi (Durbin Watson/Lihat Modul 8)

Untuk menguji otokorelasi Durbin Watson dapat dilakukan

secara rutin, dengan klik Durbin Watson.

Pada tabel Model Summary, akan muncul Durbin

Watson adalah 1,010.

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

Durbin-Watson

1 .958 .917 .893 .97737 1.010 a Predictors: (Constant), X2, X1b Dependent Variable: Y

Karena nilai DW < 1,5 maka data memperlihatkan

adanya gejla otokorelasi.

4. Uji Heteroskedastisitas LM test (Lihat

Modul 7)

Model yang akan diuji dalam heteroskedastisias

adalah,

= a + b + v

Variabel e dan y estimate sudah disimpan dalam

data editor dengan perintah SAVE dengan nama

Res_1 dan Pred_1.

Kuadratkan Res_1 dan Pred_1 dengan perintah

TRANSFORM.

Klik Transform

Klik Compute. Pada layar akan muncul

window berikut.

Beri nama variabel baru dengan Res_kua

(singkatan residual kuadrat).

Masukkan res_1 ke dalam box kemudian

beri perintah dua binting dan angka 2 (itu

adalah perintah mengkuadratkan).

Klik OK

Ulangi perintah untuk membuat Pred_kua

(predicted kuadrat).

Pada data editor sekrang kita memiliki

varaibel res kuadarat dan pred kuadrat.

Kemudian lakukan regressi dengan

dependen res kuadrat dan independen pred

kuadrat.

Klik OK

Pada layar akan muncul print-out. Berikut.

Model SummaryModel R R

SquareAdjusted

R Square

Std. Error of

the Estimate

Durbin-Watson

1 .322 .104 -.008 .71038 1.911 a Predictors: (Constant), PRED_KUAb Dependent Variable: RES_KUA

Nilai R Square yang dilaporkan adalah 0,104

(lihat tanda lingkaran).

Gunakan kalkulator kalikan n sampel dengan

nilai R square = 10 x 0,104 = 10,04. Karena

nilai perkalian tersebut lebih besar dari nilai

kritis Tabel Chi Square = 9,2, maka gejala

heteroskedastisitas ada atau signifikan.

Model memerlukan transformasi sebagaimana

dibahas pada modul 7. Untuk mentranformasi data

gunakan perintah TRANSFORM dan Compute, yaitu

untuk perintah Logaritma, pembagian, dan perkalian.

Setelah data ditransformasi, kemudian lakukan

kembali regresi dengan prosedur di atas, sampai

heteroskedastisitas menghilang.

Hanya uji normal yang tidak mengalami masalah,

sedangkan ketiga uji asumsi klasik mengalamai

Hasil regresi selengkapnya sekarang dapat disajikan sebagai berikut.

Kinerja = 5,449 + 1,865 X1 + 1,893

X2

(1,835) (1,016) * (2,509)**

R2 = 0,917 F = 38,5

Uji Asunsi Klasik:

Normalitas (uji JB) = 6,08

Otokorelasi (uji D.W) = 1,01

Heteroskedastisitas (uji LM) = 10,04Multikolinerity (Toleransi)X1 = 0,156X2 =0,156

masalah. Oleh karena itu data perlu ditransformasi

untuk mengatasi masalah ketidak sesuaian asumsi

dan formula regresi.

REGRESI DENGAN MENGGUNAKAN

VARIABEL DUMMY (Lihat Modul 12)

Contoh data dari modul 12.

Industri Kode Industri UpahPangan 31 500Sandang 32 520Sandang 32 530Pangan 31 520Peralatan logam 38 600Peralatan logam 38 640Pangan 31 540Pangan 31 520Sandang 32 580Sandang 32 570

Langkah-langkah membuat Variabel Dummy Industri:

Di sini kita akan membuat tiga variabel dummy untuk

industri pangan (dpangan), industri sandang

(dsandang) , dan industri peralatan (dalat).

1. Klik Transform Recode Into Different

Variable

2. Masukkan variabel yang akan didummy, misalnya kode

industri pada kolom Numeric Variable dan isikan pada

box Name pada Output variable dengan nama baru,

dpangan (dummy pangan) klik change.

3. Klik Old and New Value

4. Tuliskan nilai dalam old value untuk kode 31. Tulis

pada Value 31.

5. Tuliskan pada new value 1. Klik add.

6. Klik pada box all other value.

7. Klik pada newe value berikan nilai 0. klik add.

(lihat chart berikut)

8. Klik continue

9. Ok

Lakukan langkah di atas untuk pembuatan variabel

dummy selanjutnya sandang (kelompok 32 dan

peralatan kelompok 38) sehingga hasilnya akan

tampak seperti layar berikut,

LANGKAH-LANGKAH MEMBUAT REGRESI DENGAN

VARIABEL DUMMY:

Model: Upah = a + b1 Dsandang + b2

Dalat + e

1. Klik Analyze Regression Linear

2. Masukkan variabel upah pada kolom Dependent

dan variabel dummy pada box Independent

(lihat modul 12). Kita hanya bisa memasukkan n-1

variabel dummy.

3. Ok

Hasil output SPSS adalah sebagai berikut:

Variables Entered/Removedb

DALAT,DSANDANG

a . Enter

Model1

VariablesEntered

VariablesRemoved Method

Tolerance = .000 limits reached.a.

Dependent Variable: UPAHb.

Model Summaryb

.872a .761 .692 24.49490 .952Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Durbin-Watson

Predictors: (Constant), DALAT, DSANDANGa.

Dependent Variable: UPAHb.

ANOVAb

13360.000 2 6680.000 11.133 .007a

4200.000 7 600.000

17560.000 9

Regression

Residual

Total

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), DALAT, DSANDANGa.

Dependent Variable: UPAHb.

Coefficientsa

520.000 12.247 42.458 .000

30.000 17.321 .351 1.732 .127

100.000 21.213 .955 4.714 .002

(Constant)

DSANDANG

DALAT

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: UPAHa.

Excluded Variablesb

.a . . . .000DPANGANModel1

Beta In t Sig.Partial

Correlation Tolerance

CollinearityStatistics

Predictors in the Model: (Constant), DALAT, DSANDANGa.

Dependent Variable: UPAHb.

Regresi di atas mnunjukkan bahwa upah industri

sandang berada 30 di atas upah industri pangan

(industri yang tidak masuk menjadi independent

menjadi patokan bench mark). Nilai upah rata-rata

industri pangan tidak lain adalah konstanta = 520.

Demikian juiga, nilai upah industri alat 100 di atas

upah industri pangan = 620.

3. REGRESI DENGAN MENGGUNAKAN LOGIT (lihat modul 13).

Model Ln = b0 + b1 X

m+eContoh Data logist:

Y X1 41 61 80 20 41 50 30 51 80 2

Langkah-langkah:

1. Masukkan file data di atas ke dalam data editor

SPSS

2. Pilih menu Analyze Regression Binary

Logistics, sehingga tampak layar,

3. Pada Kotak Dependen isi dengan variabel Y

4. Pada Kotak Covariate, isi dengan variabel X

5. Klik Options dan aktifkan semua Statistics and

Plots. Abaikan yang lain.

6. Klik Continue

7. Klik Ok.

Hasil output SPPS adalah sebagai berikut,

Logistic Regression

Case Processing Summary

10 100.0

0 .0

10 100.0

0 .0

10 100.0

Unweighted Casesa

Included in Analysis

Missing Cases

Total

Selected Cases

Unselected Cases

Total

N Percent

If weight is in effect, see classification table for the totalnumber of cases.

a.

Dependent Variable Encoding

0

1

Original Value.00

1.00

Internal Value

Block 0: Beginning Block

Iteration Historya,b,c

13.863 .000Iteration

1Step 0

-2 Loglikelihood Constant

Coefficients

Constant is included in the model.a.

Initial -2 Log Likelihood: 13.863b.

Estimation terminated at iteration number 1 becauseparameter estimates changed by less than .001.

c.

Classification Tablea,b

0 5 .0

0 5 100.0

50.0

Observed.00

1.00

Y

Overall Percentage

Step 0.00 1.00

Y PercentageCorrect

Predicted

Constant is included in the model.a.

The cut value is .500b.

Variables in the Equation

.000 .632 .000 1 1.000 1.000ConstantStep 0B S.E. Wald df Sig. Exp(B)

Variables not in the Equation

5.344 1 .021

5.344 1 .021

XVariables

Overall Statistics

Step 0Score df Sig.

Block 1: Method = Enter

Iteration Historya,b,c,d

7.789 -3.349 .713

6.842 -5.163 1.127

6.622 -6.512 1.438

6.603 -7.077 1.566

6.602 -7.144 1.581

6.602 -7.145 1.581

Iteration1

2

3

4

5

6

Step1

-2 Loglikelihood Constant X

Coefficients

Method: Entera.

Constant is included in the model.b.

Initial -2 Log Likelihood: 13.863c.

Estimation terminated at iteration number 6 becauseparameter estimates changed by less than .001.

d.

Omnibus Tests of Model Coefficients

7.261 1 .007

7.261 1 .007

7.261 1 .007

Step

Block

Model

Step 1Chi-square df Sig.

Model Summary

6.602 .516 .688Step1

-2 Loglikelihood

Cox & SnellR Square

NagelkerkeR Square

Hosmer and Lemeshow Test

.892 4 .926Step1

Chi-square df Sig.

Contingency Table for Hosmer and Lemeshow Test

2 1.963 0 .037 2

1 .917 0 .083 1

1 1.388 1 .612 2

1 .636 1 1.364 2

0 .088 1 .912 1

0 .008 2 1.992 2

1

2

3

4

5

6

Step1

Observed Expected

Y = .00

Observed Expected

Y = 1.00

Total

Classification Tablea

4 1 80.0

1 4 80.0

80.0

Observed.00

1.00

Y

Overall Percentage

Step 1.00 1.00

Y PercentageCorrect

Predicted

The cut value is .500a.

Variables in the Equation

1.581 1.062 2.218 1 .136 4.862

-7.145 4.826 2.192 1 .139 .001

X

Constant

Step1

a

B S.E. Wald df Sig. Exp(B)

Variable(s) entered on step 1: X.a.

Correlation Matrix

1.000 -.980

-.980 1.000

Constant

X

Step1

Constant X

Step number: 1

Observed Groups and Predicted Probabilities 4 F R 3 E Q U E 2 0 1 1 1N 0 1 1 1C 0 1 1 1Y 0 1 1 1

1 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 1 1Predicted Prob: 0 .25 .5 .75 1 Group: 000000000000000000000000000000111111111111111111111111111111

Predicted Probability is of Membership for 1.00 The Cut Value is .50 Symbols: 0 - .00 1 - 1.00 Each Symbol Represents .25 Cases.

Uji Ketepatan Model Dalam Logistik

Pebedaan dasar dari OLS dan Logistik

A. Penilaian model dalam regressi Logistik dapat

dilihat dari -2Log Likelihood (-2LL). Prosedur

menggunakan uji -2LL

Ho : bahwa model fit/cocok dengan data

Ha : model tidak cocok dengan data

Nilai -2LL mengikuti distribusi Chi Square X2 dengan

degree of freedom n-q (n : besar sampel dan q

banyaknya parameter).

Lihat pada print out contoh di atas.

Nilai -2 Log Likelihood = 6,6.

Jika -2 LL < X2 tabel dengan df n-q (10-2) = 8, maka

Ho tidak ditolak , berarti model fit/sesuai dengan

data. Jika -2LL > X2 tabel maka Ho ditolak (Ha

diterima) yang berarti model tidak fit/sesuai dengan

data. Jika Ha diterima, peneliti perlu memasukkan

variabel penjelas baru.

Dalam contoh di atas nilai -2LL = 6,6.

Jika nilai X2 tabel dengan df = 8 dan α = 0,050

sebesar 15,5.

Karena -2LL = 6,6 < 15,5 maka Ho tidak ditolak yang

berarti model sudah sesuai/fit dengan data.

Ketetapatan model juga dapat dilihat dari nilai

Nagelkerke R2 = 0,688.

Nilai Nagelkerke R2 dapat ditafsirkan sebagimana R2

dalam metode OLS, yaitu bahwa variabel X dapat

menjelaskan variasi Y sebesar 68,82 persen.

Ketepatan model juga dapat dilihat dari Hosmer and

Lemenshow Test. Jika signikansi > 0,05 maka model

dinilai fit/sesuai dengan data.

B. Interpretasi Koefisien Logistik

Model logit mengubah variabel dependen 1-0 (terjadi-

tak terjadi) menjadi suatu probabilitas suatu event

akan terjadi atau tak terjadi. (Misalnya bangkrut-tak

bangkrut, layak-tak layak, senbuh-tak sembuh).

Prosedur model logit akan mempredikasi terjadi, jika

probabilitas > 0,5 dan memprediksi tak terjadi jika

sebaliknya

Estimate B0, B1, B2, …… Bn dengan demikian

mengukur rasio probabilitas suatu event terjadi atau

tak terjadi.

Jika koefisien positif probabilitas terjadi meningkat,

dan jika negatif sebaliknya.

Perbandingan antara suatu event terjadi dengan tak

terjadi disebut odds=

Log odds = ln = a + bX

Jadi b sekarang mengukur sejauh mana X mampu

meningkatkan/menurunkan Log probabilitas suatu

event terjadi. Misalnya log probabilitas sembuh

dibanding tidak sembuh.

Nilai koefisien b dalam contoh di atas 1,581 dan nilai

konstanta -7,145.

Karena tanda b = 1,581 positif maka semakin besar

X, semakin besar juga odds = log probabilitas Y

terjadi dibagi probabilitas tak terjadi.

Uji t

Dalam logistik uji t digantikan dengan uji Wald.

Signifiknasi Wald dilaporkan dalam print out SPSS.

Dalam contoh di atas nilai Wald untuk variabel X =

2,218 dengan signifiknasi 0,136 atau 13,6 persen.

Ini berarti kemungkinan menerima Ho sebesar 13,6

persen dan kemungkinan menerima Ha 86,4 persen.

Bisa juga dikatakan pengaruh X terhadap variabel

logistik Y tidak signifikan pada α = 10 %

C. REGRESI DENGAN MENGGUNAKAN

VARIABEL MODERATING

Contoh Data.

Y X1 X2

10 2 1.212 2.2 1.414 2.3 215 2.2 2.316 2.4 2.616 2.8 2.817 2.7 3.518 3 418 3 4.220 3.4 4

∑ 156 26 28

Model 1. Interkasi X1 dan X2 dalam bentuk perkalian.

Y = a + b1 X1 + b2 X2 + b3 X1X2

+ e

Langkah Analisis

1. Buat dulu variabel interaksi X1X2 dengan

perintah TRANSFORM dan COMPUTE.

2. Masukkan nama variabel target X1X2

3. Masukkan X1 * X2 pad box numeric expression

(lihat contoh chart)

4. Klik OK.

5. Lakukan regresi dengan tiga variabel penjelas.

6. Analysis Regression, pilih linear, masukkan Y

pada dependent, dan X1, X2, dan X1X2 pada

box indepdendent. Perintah Statistik yang

diperlukan (lihat bagian sebelumnya).

Klik continue dan OK.

CoefficientsUnstandardized

Coefficients

Standardized

Coefficients

t Sig.

Model B Std. Error

Beta

1 (Constant)

-6.893 7.984 -.863 .421

X1 7.401 3.756 1.113 1.970 .096X2 5.275 2.171 1.932 2.430 .051

X1X2 -1.499 .914 -2.037 -1.640 .152

a Dependent Variable: Y

Lihat hasil print out, ternyata variabel X1X2 tidak signifikan (t

= -1,64), menunjukkan bahwa tidak terjadi interaksi atau

moderating antara X1 dan X2.

Regresi Dengan Variabel Moderating Nilai Selisih

Absolut

Model: Y = a + b1 X1 + b2 X2 + b3

+ e

Langkah analisis:

1. Membuat variabel baru dengan standardize

Motivasi dan standardize Upah dengan cara:

a. Klik Analyze Descriptive Statistics

Descriptive.

b. Masukkan variabel variabel X1 dan X2 ke

dalam box Varaibale(s).

c. Klik Save standardized values as variables.

d. Klik OK

Pada SPSS data editor kita telah mempunyai variabel

baru ZX1 dan ZX2.

2. Membuat variabel baru bentuk

a. Klik Tansform compute

b. Pada kotak target variable isi dengan nama

baru yang merupakan , misal

absX1_X2

c.Pada kotak Numeric Expression isi dengan

mengklik ABS(numexpr) bisa melalui perintah

Function, atau bisa juga diketik langsung:

ABS(ZX1 - ZX2).

d. Klik ok

3. Membuat regresi dengan:

a. Klik Analyze Regression Linear

b. Isi kotak dependent dengan variabel Y

(Kinerja) dan pada kotak Independent dengan

variabel X1, X2 dan absX1_X2.

c. Klik ok

Hasil Output SPSS yang penting adalah sebagai

berikut,

Model Summaryb

.964a .930 .894 .97144 .930 26.399 3 6 .001 1.326Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

R SquareChange F Change df1 df2 Sig. F Change

Change Statistics

Durbin-Watson

Predictors: (Constant), ABSX1_X2, Zscore(X2), Zscore(X1)a.

Dependent Variable: Yb.

ANOVAb

74.738 3 24.913 26.399 .001a

5.662 6 .944

80.400 9

Regression

Residual

Total

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), ABSX1_X2, Zscore(X2), Zscore(X1)a.

Dependent Variable: Yb.

Coefficientsa

14.773 .851 17.356 .000

.367 .937 .123 .391 .709 .119 8.380

2.300 .849 .770 2.708 .035 .145 6.881

2.421 2.323 .146 1.042 .338 .597 1.675

(Constant)

Zscore(X1)

Zscore(X2)

ABSX1_X2

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig. Tolerance VIF

Collinearity Statistics

Dependent Variable: Ya.

Tampilan SPSS menunjukkan bahwa nilai R2

cukup tinggi yaitu sebesar 90 %. Ini berarti

variabilitas Kinerja dapat dijelaskan oleh variabel

Zmotivasi, Zupah dan AbsX1_X2 sebesar 90% dan

sisanya 10% dijelaskan oleh variabel lain di luar

model ini.

Hasil F test menunjukkan bahwa F hitung

sebesar 26,339 dengan tingkat signifikan 0,001. Hal

ini berarti bahwa variabel indenpenden Zmotivasi,

Zupah dan AbsX1_X2 secara bersama-sama atau

simultan mempengaruhi Kinerja.

Untuk menguji signifikansi parameter secara

individual ditunjukkan dengan nilai t. Hasil tampilan

SPSS menunjukkan bahwa hanya variabel Zupah

yang mempunyai probabiltas di bawah 0.05

sedangkan dua variabel yang lain tidak signifikan.

DAFTAR PUSTAKA

Gujarati D N, 2003. Basic Ekonoemtrics, Fourth Edition. Mc GrawHill. Singapore.

Kennedy Peter, 1992. A Guide to Econometrics, Third Edition. The MIT Press. Cambridge, Massachusetts.

Koutsoyiannis A, 1977. Theory of Econometrics, Second Edition. Macmillan Publishers LTD. Hongkong.

Pyndick R S and Rubinfeld D L. Econometrics Models and Economics Forecast, Third Edition. McGrawHill Inc. United State of America.

Sharma Subhas, 1996. Applied Multivariate Techniques. John Wiley and Sons Inc. Canada

Thomas R L, 1993. Introductory Econometrics, Second Edition. Longman Publishing. New York.

____________, 1997. Modern Econometrics an Introduction. Addison Wesley Longman. England.