Pelatihanspss
Pelatihanspss
OLEH :
NURJANNAH, S.Si
(Staf Pengajar Program Studi Statistika Univ. Brawijaya Malang)
Melbourne
Autumn, 2008
Model regresi dapat digunakan untuk mengukur kekuatan hubungan antara variabel
respons dan variabel prediktor
Model regresi dapat digunakan untuk mengetahui pengaruh suatu atau beberapa variabel
prediktor terhadap variabel respon
Model regresi berguna untuk memprediksi pengaruh suatu atau beberapa variabel
prediktor terhadap variabel respon.
Model regresi memliliki variabel respon (y) dan variabel prediktor (x). Variabel respons
adalah variabel yang dipengaruhi suatu variabel prediktor. Variabel respons sering dikenal
sebagai variable dependen karena peneliti tidak bisa bebas mengendalikannya. Kemudian,
variabel prediktor digunakan untuk memprediksi nilai variabel respons dan sering disebut
variabel independen karena peneliti bebas mengendalikannya.
y i = b 0 + b1 X 1i
Untuk mengetahui apakah model sampel representatif terhadap model populasi maka diperlukan
pengujian terhadap parameter-parameter regresi tersebut berdasarkan nilai-nilai statistiknya
dengan cara uji serempak (menggunakan tabel analisis ragam (statistik uji F)) atau uji parsial
dengan statistik uji t.
Kriteria pengujiannya dengan p-value (sig). Jika pengujian berdasarkan tabel ANOVA, maka :
Jika p-value > maka terima H0 berarti
sebaliknya, jika p-value maka tolak H0 berari minimal ada salah satu variabel bebas
(prediktor) berhubungan linier dengan variabel tak bebas (respon).
Apabila pengujian berdasarkan statistik uji t maka : Jika p-value > maka terima H0 berarti
pada parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan tidak ada
P age |1
1.0
8.1
1.1
7.8
1.2
8.5
1.3
9.8
1.4
9.5
1.5
8.9
1.6
8.6
1.7
10.2
1.8
9.3
1.9
9.2
2.0
10.5
Perintah SPSS:
1) Klik Analyze > Regression > Linear
2) Kemudian masukkan Dependent Variable: y, Independent Variable: x lalu Klik OK
Output:
Model Summary
Model
1
Adjusted
R Square
.444
R
R Square
.707a
.500
Std. Error of
the Estimate
.63261
Regression
Residual
Total
Sum of
Squares
3.600
3.602
7.202
df
1
9
10
Mean Square
3.600
.400
F
8.996
Sig.
.015a
t
6.936
2.999
Sig.
.000
.015
Coefficientsa
Model
1
(Constant)
SUHU
Unstandardized
Coefficients
B
Std. Error
6.414
.925
1.809
.603
Standardized
Coefficients
Beta
P age |2
.707
Interpretasi intersep (b0=6.414) Pada saat X=0 (Suhu 0), maka gula yang terbentuk
sebanyak 6.414
ii.
Interpretasi slope (b1=1.809) Setiap kenaikan suhu (X) sebesar satu satuan (derajat)
maka Gula yang terbentuk (Y) akan naik sebesar 1.80909
Model ini secara simultan terbukti signifikan karena nilai p-value pada uji F (ANOVA) sebesar
0.015 (kurang dari 0.05).
Untuk menguji hipotesis secara parsial digunakan uji t yaitu untuk menguji secara parsial variabel
bebas terhadap variabel terikat. Hasil perhitungan dijelaskan sebagai berikut: Uji t terhadap
variabel Suhu (X) didapatkan thitung sebesar 2.999 dengan p-value sebesar 0.015. Karena thitung
lebih besar ttabel (2.999 > 2.201) atau p-value t lebih kecil dari 5% (0,015 < 0,05), maka secara
parsial variabel Suhu (X) berpengaruh signifikan terhadap variabel Y (Gula yang terbentuk).
y i = b0 + b1 X 1i + b2 X 2 i + ... + b p X pi
Untuk mengetahui apakah model sampel representatif terhadap model populasi maka diperlukan
pengujian terhadap parameter-parameter regresi tersebut berdasarkan nilai-nilai statistiknya
dengan cara uji serempak (menggunakan tabel analisis ragam (statistik uji F)) atau uji parsial
dengan statistik uji t.
Kriteria pengujiannya dengan p-value. Jika pengujian berdasarkan tabel ANOVA, maka : Jika pvalue > maka terima H0 berarti tidak ada hubungan linier antar variabel. Dan sebaliknya, jika
p-value maka tolak H0 berari minimal ada salah satu variabel bebas (prediktor) berhubungan
linier dengan variabel tak bebas (respon).
Apabila pengujian berdasarkan statistik uji t maka : Jika p-value > maka terima H0 berarti
pada parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan tidak ada
hubungan linier dengan variabel respon. Dan jika p-value maka tolak H0 berari pada
parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan ada hubungan linier
dengan variabel respon.
P age |3
=
=
=
=
Kinerja Karyawan
Gaji
Bonus
Tunjangan
X4
X5
X6
X7
Variabel
Gaji (X1)
Bonus (X2)
Tunjangan (X3)
Promosi (X4)
=
=
=
=
Promosi
Tanggung jawab
Kebijakan yang sehat
Lingkungan kerja
X11.
X12.
X13.
X14.
X15.
X16.
X21.
X22.
X23.
X24.
X31.
X32.
X33.
X34.
X41.
X42.
X43.
X44.
X51.
X52.
X53.
X54.
X61.
X62.
X62.
X63.
X71.
X72.
X73.
X74.
X75.
X76.
X77.
Y1.
Y2.
Y3.
Y4.
Y5.
b0 = konstanta
b1..7 = koefisien regresi
e = kesalahan pengganggu
Item
Sistem pembayaran gaji
Kesesuaian dengan peker-jaan
Kesesuaian gaji dengan lama kerja
Kesesuaian gaji tingkat pendidikan
Kesesuaian gaji senioritas
Pemenuhan kebutuhan po-kok
Pemberian bonus yang di-laksanakan
Sistem pembayaran bonus
Kesuaian bonus dengan senioritas
Kesesuaian bonus dengan keahlian
Pemberian tunjangan
Kesesuian tunjangan dengan harapan
Kesesuian tunjangan dengan masa kerja
Sistem pemberian tunjangan
Prosedur promosi
Kesesuaian promosi dengan harapan
Kesesuaian promosi dengan masa kerja
Kesesuaian promosi dengan prestasi kerja
Prosedur pelaksanaan tang-gung jawab
Kesesuian tanggung jawab dengan harapan
Kesesuian tanggung jawab dengan keahlian
Kesesuaian tanggung jawab dengan pendidikan
Kebijakan yang diterapkan
Kesesuaian kebijakan dengan harapan
Kesesuaian kebijakan dengan masa kerja
Kebijakan dengan mengi-kuti Diklat
Suasana kerja
Kondisi tempat kerja
Fasilitas
Dukungan rekan kerja
Hubungan dengan rekan kerja
Kesulitan dengan melaku-kan kerjasama
Suasana lingkungan sekitar tempat kerja
Ketelitian kerja
Kebersihan kerja
Kerapian hasil kerja
Ketepatan waktu
Standar kerja
P age |4
Sig. (1-tailed)
Y
1,000
,479
,756
,562
,406
,534
,460
,711
.
,000
,000
,000
,000
,000
,000
,000
80
80
80
80
80
80
80
80
Y
X1
X2
X3
X4
X5
X6
X7
Y
X1
X2
X3
X4
X5
X6
X7
Y
X1
X2
X3
X4
X5
X6
X7
X1
,479
1,000
,414
,193
,106
,115
,283
,284
,000
.
,000
,043
,176
,155
,005
,005
80
80
80
80
80
80
80
80
X2
,756
,414
1,000
,469
,339
,488
,436
,752
,000
,000
.
,000
,001
,000
,000
,000
80
80
80
80
80
80
80
80
X3
,562
,193
,469
1,000
,227
,386
,248
,459
,000
,043
,000
.
,021
,000
,013
,000
80
80
80
80
80
80
80
80
X4
,406
,106
,339
,227
1,000
,208
,100
,342
,000
,176
,001
,021
.
,032
,188
,001
80
80
80
80
80
80
80
80
X5
,534
,115
,488
,386
,208
1,000
,129
,441
,000
,155
,000
,000
,032
.
,128
,000
80
80
80
80
80
80
80
80
X6
,460
,283
,436
,248
,100
,129
1,000
,377
,000
,005
,000
,013
,188
,128
.
,000
80
80
80
80
80
80
80
80
X7
,711
,284
,752
,459
,342
,441
,377
1,000
,000
,005
,000
,000
,001
,000
,000
.
80
80
80
80
80
80
80
80
Model Summary
Model
1
Adjusted
R Square
,722
R
R Square
,864a
,746
Std. Error of
the Estimate
,39286
Regression
Residual
Total
Sum of
Squares
32,687
11,112
43,800
df
7
72
79
Mean Square
4,670
,154
F
30,256
Sig.
,000a
Model
1
(Constant)
X1
X2
X3
X4
X5
X6
X7
Unstandardized
Coefficients
B
Std. Error
-,992
,463
,242
,074
,168
,081
,199
,078
,184
,084
,211
,078
,191
,093
,243
,103
Standardized
Coefficients
Beta
,217
,216
,178
,140
,191
,138
,221
t
-2,141
3,279
2,088
2,549
2,188
2,699
2,053
2,368
a. Dependent Variable: Y
P age |5
Sig.
,036
,002
,040
,013
,032
,009
,044
,021
Zero-order
Correlations
Partial
,479
,756
,562
,406
,534
,460
,711
,360
,239
,288
,250
,303
,235
,269
Part
,195
,124
,151
,130
,160
,122
,141
r2
Kontribusi (%)
Gaji (X1)
Bonus (X2)
Tunjangan (X3)
Promosi (X4)
Tanggung Jawab (X5)
Kebijakan yang sehat (X6)
Lingkungan Kerja (X7)
0,479
0,756
0,562
0,406
0,534
0,460
0,711
0,2304
0,5715
0,3158
0,1648
0,2852
0,2116
0,5055
23,04
57,15
31,58
16,48
28,52
21,16
50,55
Model
1
(Constant)
X1
X2
X3
X4
X5
X6
X7
Unstandardized
Coefficients
B
Std. Error
-,992
,463
,242
,074
,168
,081
,199
,078
,184
,084
,211
,078
,191
,093
,243
,103
Standardized
Coefficients
Beta
,217
,216
,178
,140
,191
,138
,221
t
-2,141
3,279
2,088
2,549
2,188
2,699
2,053
2,368
Sig.
,036
,002
,040
,013
,032
,009
,044
,021
Collinearity Statistics
Tolerance
VIF
,805
,331
,723
,860
,705
,775
,405
1,242
3,024
1,383
1,163
1,418
1,290
2,470
a. Dependent Variable: Y
Dari output SPSS diperoleh kesimpulan bahwa semua variabel bebas disifati nonmultikolinieritas
karena nilai VIF < 5.
P age |7
heteroskedastisitas
dan
sebaliknya
berarti
non
heteroskedastisitas
atau
X1
X2
X3
X4
X5
X6
X7
ABS_
RES
Correlation
Coefficient
Sig. (2-tailed)
N
Correlation
Coefficient
Sig. (2-tailed)
N
Correlation
Coefficient
Sig. (2-tailed)
N
Correlation
Coefficient
Sig. (2-tailed)
N
Correlation
Coefficient
Sig. (2-tailed)
N
Correlation
Coefficient
Sig. (2-tailed)
N
Correlation
Coefficient
Sig. (2-tailed)
N
Correlation
Coefficient
Sig. (2-tailed)
N
1,000
X2
X3
X4
X5
X6
X7
ABS_
RES
,267*
,201
,047
,117
,254*
,110
-,008
.
80
,017
80
,074
80
,678
80
,303
80
,023
80
,333
80
,947
80
,267*
1,000
,337**
,300**
,260*
,390**
,594**
,017
80
.
80
,002
80
,007
80
,020
80
,000
80
,000
80
,201
,337**
1,000
,171
,236*
,232*
,365**
,074
80
,002
80
.
80
,129
80
,035
80
,038
80
,001
80
,857
80
,047
,300**
,171
1,000
,122
,041
,253*
-,011
,678
80
,007
80
,129
80
.
80
,279
80
,717
80
,023
80
,925
80
,117
,260*
,236*
,122
1,000
,104
,278*
-,006
,303
80
,020
80
,035
80
,279
80
.
80
,360
80
,013
80
,956
80
,254*
,390**
,232*
,041
,104
1,000
,023
80
,000
80
,038
80
,717
80
,360
80
.
80
,007
80
,911
80
,110
,594**
,365**
,253*
,278*
,301**
1,000
-,053
,333
80
,000
80
,001
80
,023
80
,013
80
,007
80
.
80
,641
80
-,008
-,046
-,020
-,011
-,006
-,013
-,053
1,000
,947
80
,686
80
,857
80
,925
80
,956
80
,911
80
,641
80
.
80
P age |8
,301**
-,046
,686
80
-,020
-,013
r
-0,008
-0,046
-0,020
-0,011
-0,006
-0,013
-0,053
sig
0,947
0,686
0,857
0,925
0,956
0,911
0,641
Keterangan
Homoskedastisitas
Homoskedastisitas
Homoskedastisitas
Homoskedastisitas
Homoskedastisitas
Homoskedastisitas
Homoskedastisitas
Dari tabel di atas menunjukkan bahwa variabel yang diuji tidak mengandung heteroskedastisitas atau
homoskedastisitas. Artinya tidak ada korelasi antara besarnya data dengan residual sehingga bila
data diperbesar tidak menyebabkan residual (kesalahan) semakin besar pula.
c. Uji Asumsi Normalitas
Uji normalitas dimaksudkan untuk mengetahui apakah residual model regresi yang diteliti
berdistribusi normal atau tidak. Metode yang digunakan untuk menguji normalitas adalah dengan
menggunakan uji Kolmogorov-Smirnov. Jika nilai signifikansi dari hasil uji Kolmogorov-Smirnov > 0,05,
maka asumsi normalitas terpenuhi.
Untuk menguji asumsi normalitas, pilih menu Analyze > Nonparametric Tests > 1-sample K-S
Kemudian masukkan Test Variable List: Res_1, tekan OK
One-Sample Kolmogorov-Smirnov Test
N
Normal Parameters a,b
Most Extreme
Differences
Mean
Std. Deviation
Absolute
Positive
Negative
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
Unstandardiz
ed Residual
80
,0000000
,37504965
,142
,071
-,142
1,273
,078
Dari hasil pengujian di atas, diperoleh nilai signifikansi sebesar 0,078 > 0,05, maka asumsi normalitas
terpenuhi.
d. Uji Asumsi Autokorelasi
Autokorelasi adalah suatu keadaan di mana terdapat suatu korelasi (hubungan) antara residual tiap
seri. Pemeriksaan autokorelasi menggunakan metode Durbin-Watson, di mana jika nilai d dekat
dengan 2, maka asumsi tidak terjadi autokorelasi terpenuhi.
P age |9
R
R Square
,864a
,746
Adjusted
R Square
,722
Std. Error of
the Estimate
,39286
Durbin-W
atson
1,915
Dari output SPSS di atas diperoleh nilai d sebesar 1,915. Karena nilai ini sangat dekat dengan 2,
maka asumsi tidak terjadinya autokorelasi terpenuhi.
e. Uji Asumsi Linieritas
Pengujian linearitas ini perlu dilakukan, untuk mengetahui model yang dibuktikan merupakan model
linear atau tidak. Uji linieritas dilakukan dengan menggunakan curve estimation, yaitu gambaran
hubungan linier antara variabel X dengan variabel Y. Jika nilai sig f < 0,05, maka variabel X tersebut
memiliki hubungan linier dengan Y
Untuk menguji asumsi linieritas, pilih menu Analyze > Regression > Curve Estimation
Kemudian masukkan Dependent Variable: Y, Independent Variable: X1, tekan OK
Lakukan hal itu berulang dengan mengganti independent variable X2, lalu X3, sampai X7.
MODEL:
MOD_1.
Independent:
Dependent Mth
Rsq
d.f.
Sigf
b0
b1
,4286
X1
LIN
,230
78
23,25
,000
1,7561
X2
LIN
,572
78
104,06
,000
-,0181
,9693
X3
LIN
,316
78
36,00
,000
1,6421
,5015
X4
LIN
,165
78
15,36
,000
1,7378
,3090
X5
LIN
,285
78
31,12
,000
1,7506
,4820
X6
LIN
,211
78
20,91
,000
2,0232
,3336
X7
LIN
,505
78
79,61
,000
1,0361
,6465
Dari output di atas diperoleh semua nilai sigf < 0,05, maka asumsi linieritas terpenuhi.
P a g e | 10
2. Analisis Path
Untuk mengetahui hubungan antara sejumlah variabel bebas, dengan variabel terikat dapat
digunakan analisis regresi berganda. Dalam analisis regresi berganda mesing-masing variabel bebas
harus saling bebas dan memiliki urutan waktu yang sama (tidak terjadi multiko) sehingga dapat
diduga pengaruh langsung secara kuantitatif dari masing-masing variabel bebas terhadap variabel
terikat.
Dalam praktiknya variabel bebas tidak selalu dapat mempengaruhi variabel terikat secara
langsung tetapi dapat pula variabel bebas mempengaruhi variabel terikat melalui variabel bebas
lainnya. Adanya hubungan antar variabel bebas berarti asumsi tidak adanya multikolinieritas tidak
dipenuhi. Ini berarti bahwa analisis regresi berganda tidak dapat digunakan, untuk mengatasi hal
tersebut digunakan analisis path.
Analisis path dikembangkan oleh Sewall Wright (1960) sebagai metode untuk mempelajari
pengaruh langsung dan tak langsung diantara variabel-variabel penjelas dan variabel-variabel terikat.
Tujuan dari Analisis path adalah menentukan besar pengaruh langsung dari sejumlah variabel
berdasarkan koefisien regresi beta (koefisien path). Analisis path bukanlah metode untuk menemukan
penyebab, namun hanya menguji kebenaran kausal yang telah diteorikan. Dalam analisis path dapat
ditarik kesimpulan tentang variabel mana yang memiliki pengaruh kuat terhadap variabel terikat.
Langkah-langkah analisis Path :
1.
Merancang model berdasarkan konsep dan teori. Berdasarkan hubungan variable secara teoritis
tersebut kemudian dibuat model dalam bentuk diagram path. Model tersebut juga dapat
dinyatakan dalam bentuk persamaan.
2.
3.
Pendugaan parameter atau perhitungan koefisien path dengan penjelasan sebagai berikut :
1) Untuk anak panah bolak balik (), koefisiennya merupakan koefisien korelasi r (dihitung
seperti biasanya)
2) Untuk anak panah satu arah (), digunakan perhitungan regresi variabel dibakukan secara
parsiil pada masing-masing persamaan dengan metode OLS (metode kuadrat terkecil biasa)
4.
Pemeriksaan validitas model. Sahih tidaknya suatu hasil analisis tergantung dari terpenuhi atau
tidaknya asumsi yang melandasinya. Telah disebutkan bahwa dianggap semua asumsi terpenuhi.
Terdapat dua indikator validitas model dalam analisis path yaitu :
1) Koefisien Determinasi Total
P a g e | 11
keragaman
data
yang
dapat
dijelaskan
oleh
model
diukur
dengan
2) Theory Triming
Uji validasi koefisien path pada setiap jalur untuk pengaruh langsung adalah sama dengan
pada regresi yaitu menggunakan nilai p dari uji t, yaitu pengujian koefisien regresi variabel
dibakukan secara parsiil. Berdasarkan theory trimming maka jalur-jalur yang nonsignifikan
dibuang sehingga diperoleh model yang didukung oleh data empirik.
5.
Melakukan interpretasi hasil analisis. Pertama dengan memperhatikan hasil validitas model. Dan
yang kedua adalah menghitung total dari setiap variabel yang mempunyai pengaruh kasual ke
variabel endogen.
Bila analisis path telah dilakukan (berdasarkan sampel), maka dapat dimanfaatkan untuk :
Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
Prediksi nilai variable tergantung berdasarkan nilai variable bebas, yang mana prediksi dengan
analisis path ini bersifat kualitatif.
Faktor determinan yaitu penentuan variabel bebas mana yang berpengaruh dominan terhadap
variabel tergantung. Dan juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur)
pengaruh variabel bebas terhadap variabel tergantung.
Pengujian model menggunakan theory trimming, baik untuk uji keajegan konsep yang sudah ada
maupun uji pengembangan konsep baru.
Contoh aplikasi, digunakan data path, dengan gambaran penelitian secara teoritis sebagai berikut:
Kualitas Kerja
(X1)
Imbalan Finansial
(X3)
Kuantitas Kerja
(X2)
Imbalan Interpersonal
(X4)
Kepuasan
Imbalan Ekstrinsik
(X5)
Langkah-langkah analisis path adalah sebenarnya melakukan tiga persamaan regresi, yaitu
1). Regresi antara X1 dan X2 terhadap X3
2). Regresi antara X1 dan X2 terhadap X4
3). Regresi antara X3 dan X4 terhadap X5
Untuk menguji regresi pertama, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: X3, Independent Variable: X1 dan X2, tekan OK
P a g e | 12
Adjusted
R Square
,584
R
R Square
,771a
,594
Std. Error of
the Estimate
,08872
Regression
Residual
Total
Sum of
Squares
,876
,598
1,474
df
2
76
78
Mean Square
,438
,008
F
55,641
Sig.
,000a
t
19,552
3,774
7,139
Sig.
,000
,000
,000
Coefficientsa
Model
1
(Constant)
X1
X2
Unstandardized
Coefficients
B
Std. Error
3,150
,161
,152
,040
,178
,025
Standardized
Coefficients
Beta
,308
,583
a. Dependent Variable: X3
R
R Square
,555a
,308
Adjusted
R Square
,289
Std. Error of
the Estimate
,19086
Regression
Residual
Total
Sum of
Squares
1,230
2,768
3,999
df
2
76
78
Mean Square
,615
,036
P a g e | 13
F
16,884
Sig.
,000a
Coefficientsa
Model
1
(Constant)
X1
X2
Unstandardized
Coefficients
B
Std. Error
2,383
,347
,329
,086
,120
,054
Standardized
Coefficients
Beta
,406
,239
t
6,878
3,804
2,239
Sig.
,000
,000
,028
a. Dependent Variable: X4
R
,784a
Adjusted
R Square
,593
R Square
,614
Std. Error of
the Estimate
,11248
Regression
Residual
Total
Sum of
Squares
1,490
,936
2,426
df
4
74
78
Mean Square
,373
,013
F
29,442
Sig.
,000a
Model
1
(Constant)
X1
X2
X3
X4
Unstandardized
Coefficients
B
Std. Error
1,526
,511
,174
,059
,128
,041
,188
,147
,182
,068
Standardized
Coefficients
Beta
,275
,325
,147
,233
t
2,987
2,960
3,103
1,281
2,660
Sig.
,004
,004
,003
,204
,010
a. Dependent Variable: X5
Konstanta
3,150
0,152
0,178
R Square
= 0,594
Adjusted R Square
= 0,584
Sig F
= 0,000
Beta
Sig t
Ket
19,552
0,000
0,308
3,774
0,000
Signifikan
0,583
7,139
0,000
Signifikan
P a g e | 14
Konstanta
2,383
0,329
0,120
R Square
= 0,308
Adjusted R Square
= 0,289
Sig F
= 0,000
Beta
Sig t
Ket
6,878
0,000
0,406
3,804
0,000
Signifikan
0,239
2,239
0,028
Signifikan
Regresi 3
Variabel
Konstanta
Kualitas Kerja (X1)
Kuantitas Kerja (X2)
Imbalan Finansial (X3)
Imbalan Interpersonal (X4)
R Square
Adjusted R Square
Sig F
1,526
0,174
0,128
0,188
0,182
= 0,614
= 0,593
= 0,000
Beta
0,275
0,325
0,147
0,233
t
2,987
2,960
3,103
1,281
2,660
Sig t
Ket
0,004
0,004
0,003
0,204
0,010
Signifikan
Signifikan
Tidak sig
Signifikan
Kuantitas Kerja
(X2)
80
0 ,5 0
= 0 ,0 0
p=
=
p = 0 ,4 0
0 ,0 6
00
= 0,239
p = 0,028
Imbalan Finansial
(X3)
Imbalan Interpersonal
(X4)
=
p = 0,14
0, 2 7
04
33
0 ,2
= 0,010
p=
5
27
0, 04
= ,0
=0
p
Kualitas Kerja
(X1)
= 0,308
p = 0,000
Kepuasan
Imbalan Ekstrinsik
(X5)
5
32
0, 003
= ,
=0
p
Dari gambar di atas diperoleh bahwa gambaran terdapat beberapa path yang signifikan. Koefisien
diatas adalah pengaruh langsung masing-masing variabel. Sedangkan pengaruh tidak langsung yang
bisa diukur adalah:
1.
2.
3.
4.
Berdasarkan model-model pengaruh tersebut, dapat disusun model lintasan pengaruh sebagai berikut.
Model lintasan ini disebut dengan analisis path, dimana pengaruh error ditentukan sebagai berikut:
Regresi 1 : Pe1 =
1 R 1 = 1 0,594 2 = 0,804
Regresi 2 : Pe2 =
1 R 2 = 1 0,308 2 = 0,951
P a g e | 15
1 R3
Regresi 3 : Pe3 =
1 0,614 2 = 0,789
MOD_1.
Independent:
X1
Dependent Mth
Rsq
d.f.
Sigf
b0
b1
X3
LIN
,317
78
36,15
,000
3,4131
,2764
X4
LIN
,264
78
27,92
,000
2,5572
,4143
X5
LIN
,471
78
69,57
,000
2,8334
,3906
Curve Fit
MODEL:
MOD_2.
Independent:
X2
Dependent Mth
Rsq
d.f.
Sigf
b0
b1
X3
LIN
,510
78
81,19
,000
3,6229
,2190
X4
LIN
,176
78
16,63
,000
3,4041
,2112
X5
LIN
,437
78
60,50
,000
3,4700
,2347
Rsq
d.f.
Sigf
b0
b1
,449
78
63,45
,000
,9545
,7758
Curve Fit
MODEL:
MOD_3.
Independent:
X3
Dependent Mth
X5
LIN
Curve Fit
MODEL:
MOD_4.
Independent:
X4
Dependent Mth
X5
LIN
Rsq
d.f.
,313
78
Sigf
35,60
,000
b0
2,8154
P a g e | 16
b1
,3946
3. Analisis Diskriminan
Analisis ini mirip dengan regresi, akan tetapi variabel dependennya bersifat kategori
(nonmetrik). Ciri-ciri dari metode analisis ini adalah :
Input data : Data dari observable variable dan bukan data dari indikator variabel latent
(konstruks). Variabel dependen memiliki data nonmetrik dan variabel independen berupa data
kategori (nonmetrik) dan atau metrik.
Metode Perhitungan : Konsep eigen value dan eigen vector.
Output : Berupa fungsi (diskriminan)
Kegunaan : Merupakan alat untuk prediksi alternatif, alat pengelompokkan obyek dan faktor
determinan, yaitu dapat digunakan untuk menentukan variabel mana yang merupakan
pembeda terkuat.
Analisis diskriminan merupakan suatu teknik statistik untuk mencapai tujuan sebagai berikut:
1. Menemukan variabel yang membedakan secara signifikan antara dua kelompok.
2. Menyusun suatu persamaan atau fungsi untuk menghitung nilai indeks yang akan mewakili
secara tepat perbedaan antara dua kelompok.
3. Menggunakan indeks yang terhitung sebagai pedoman untuk mengklasifikasikan observasi
selanjutnya ke dalam salah satu kelompok tersebut.
Sebagai ilustrasi digunakan data diskriminan, yang berisi penelitian tentang analisis kinerja
keuangan dengan menggunakan analisis diskriminan pada perusahaan Food and Beverages yang Go
Public di BEJ. Adapun definisi variabel adalah sebagai berikut:
X1 : Rasio Lancar
X2 : Rasio cair
Hidupkan Use Stepwise Method, dan pada bagian Method, hidupkan mahalanobis distance,
dan use probability of F.
Pada bagian statistics, hidupkan means, univariate ANOVA, function coefficient hidupkan
unstandardized.
Pada bagian classification, klik casewise result, dan leave-one out classification.
Klik OK.
P a g e | 17
Y
,00
1,00
Total
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
Mean
,8511
,5558
5,8368
,8689
,6926
,5089
,1847
-,0374
-9,1942
-21,6105
1,5879
,9061
5,5280
,9861
,5400
,7482
,2174
,0500
7,2089
14,1602
1,4129
,8229
5,6014
,9583
,5763
,6914
,2096
,0292
3,3131
5,6646
Std. Deviation
,89764
,49082
,99584
,41808
,13295
,82179
,06769
,04382
6,55686
6,33255
,92453
,44088
1,11652
,61649
,12724
,54300
,06522
,04872
6,01210
12,88835
,96557
,47436
1,09099
,57532
,14351
,62314
,06685
,06033
9,30537
19,23399
Valid N (listwise)
Unweighted Weighted
19
19,000
19
19,000
19
19,000
19
19,000
19
19,000
19
19,000
19
19,000
19
19,000
19
19,000
19
19,000
61
61,000
61
61,000
61
61,000
61
61,000
61
61,000
61
61,000
61
61,000
61
61,000
61
61,000
61
61,000
80
80,000
80
80,000
80
80,000
80
80,000
80
80,000
80
80,000
80
80,000
80
80,000
80
80,000
80
80,000
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
Wilks'
Lambda
,893
,900
,985
,992
,793
,973
,956
,615
,430
,366
F
9,325
8,666
1,163
,597
20,414
2,167
3,566
48,742
103,326
135,279
df1
P a g e | 18
df2
1
1
1
1
1
1
1
1
1
1
78
78
78
78
78
78
78
78
78
78
Sig.
,003
,004
,284
,442
,000
,145
,063
,000
,000
,000
Eigenvalue % of Variance
3,198a
100,0
Canonical
Correlation
,873
Cumulative %
100,0
Wilks' Lambda
Wilks'
Lambda
,238
Test of Function(s)
1
Chi-square
104,726
df
10
Sig.
,000
Y
,00
1,00
Classification Statistics
Classification Resultsb,c
Original
Count
%
Cross-validated a
Count
%
Y
,00
1,00
,00
1,00
,00
1,00
,00
1,00
Predicted Group
Membership
,00
1,00
19
0
1
60
100,0
,0
1,6
98,4
18
1
3
58
94,7
5,3
4,9
95,1
Total
19
61
100,0
100,0
19
61
100,0
100,0
Analisis Diskriminan dengan metode langsung digunakan untuk melakukan uji terhadap
semua variabel bebas secara serentak terhadap variabel terikat untuk membedakan kinerja keuangan
perusahaan food and beverages dalam dua kelompok, yaitu kelompok perusahaan dengan kinerja
keuangan yang sehat dan tidak sehat.
P a g e | 19
Rasio Keuangan
Rasio Lancar (X1)
Rasio Cair (X2)
Rasio Perputaran Persediaan (X3)
Rasio Perputaran Total Aktiva (X4)
Rasio Hutang Terhadap Aktiva (X5)
Rasio Hutang Terhadap Ekuitas (X6)
Marjin Laba Kotor (X7)
Rasio Laba Operasi Bersih Terhadap
Penjualan (X8)
Rasio Laba Operasi Bersih Terhadap Total
Aktiva (X9)
Rasio Hasil Pengembalian Atas Ekuitas
(X10)
Constanta
Standardized
0,254
0,003
-0,247
-0,405
-0,246
0,075
-0,028
Unstandardized
0,277
0,006
-0,227
-0,702
-1,913
0,121
-0,429
-0,005
-0,108
0,415
0,068
0,835
0,071
2,031
Dari tabel di atas dapat diketahui bahwa nilai koefisien fungsi diskriminan standardized dari
10 variabel pembeda berperan dalam mengelompokkan perusahaan food and beverages yang
berkinerja sehat dan perusahaan food and beverages yang berkinerja tidak sehat.
Koefisien fungsi diskriminan unstandardized dapat digunakan untuk melihat kontribusi
variabel X terhadap skor diskriminan apabila terjadi semua variabel X bernilai 0 (X=0), maka skor
diskriminannya adalah sebesar 2,031, yang berarti bahwa tanpa kontibusi dari variabel X, maka kodisi
keuangan suatu perusahaan menjadi positif sehingga cenderung masuk ke dalam kelompok
perusahaan yang berkinerja sehat.
Dari hasil struktur matrik dengan metode langsung dapat diketahui urutan dari variabel
pembeda yang paling memberikan kontribusi pada model diskriminan dengan metode langsung, yaitu
rasio hasil pengembalian atas ekuitas (X10), rasio laba operasi bersih terhadap total aktiva (X9), rasio
laba operasi bersih terhadap penjualan (X8), rasio hutang terhadap aktiva (X5), rasio lancar (X1), rasio
cair (X2), marjin laba kotor (X7), rasio hutang terhadap ekuitas (X6), rasio perputaran persediaan (X3),
dan rasio perputaran total aktiva (X4).
Pengelompokan perusahaan food dan beverages yang berkinerja sehat dan tidak sehat dapat
dilihat dari perhitungan rata rata nilai diskriminan. Function at group of centriods dengan
menggunakan metode langsung dari masing masing kelompok perusahaan food and beverages
adalah sebagai berikut:
Centriod dari kelompok perusahaan yang berkinerja tidak sehat adalah -3.176.
Batas nilai Z antara kelompok peruahaan yang berkinerja sehat dan perusahaan yang berkinerja
sehat adalah :
P a g e | 20
Z CU =
Z CU =
N AZB + N B Z A
N A + NB
Berdasarkan nilai ZCU, maka suatu perusahaan dikatakan berkinerja sehat apabila mempunyai
nilai Z< -2,1786.
Untuk mengetahui hubungan antara variabel pembeda dengan variabel terikat, dan juga seberapa
besar variabel terikat dapat dijelaskan oleh variabel pembeda, dapat dilihat dari nilai Canonical
Corelation Metode Langsung dari hasil penelitian ini.Koefisien determinasi Koefisien (R2) atau disebut
juga dengan Fit Model, dimana mempunyai nilai yang bergerak antara 0 1 atau ( 0 < R2 <1),
digunakan untuk mengukur variasi variabel terikat yang dapat dijelaskan oleh variabel bebas dalam
suatu model. Nilai R2 dapat diperoleh dengan mengkuadratkan nilai canonical coralation. Nilai
canonical coralation dengan menggunakan metode langung dalam penelitian ini adalah 0,873, maka
nilai R2 = (0,873)2 = 0,7621 atau R2 = 76,21%. Ini berarti kesepuluh variabel rasio keuangan yang
digunakan dalam penelitian ini mampu menjelaskan pemisahan antara perusahaan yang mempunyai
kinerja sehat dan tidak sehat sebesar 76,21%.
Hasil Pengelompokkan Berdasarkan Nilai Z Menurut Sampel Analisis Pada Kedua Kelompok
Perusahaan dengan Metode Langsung
Kinerja
Jumlah Kasus
Perusahaan
Tidak Sehat ( 0 )
Sehat ( 1 )
19
61
Sehat
19
( 100%)
(0)
60
(1.6%)
( 98,4%)
Hasil dari analisis diskriminan masing-masing variabel yang diuji, yang dapat dilihat pada Test
of Equality of Group Means, diperoleh nilai Wilks Lambda, F ratio, dan tingkat signifikansi masingmasing variabel.
Dari output diatas diketahui bahwa dengan menggunakan tingkat signifikansi = 0,05,
ternyata terdapat empat variabel penelitian yang tidak signifikan, karena mempunyai nilai signifikan
of F di atas nilai (0,05), yaitu marjin laba kotor (X7), rasio hutang terhadap ekuitas (X6), rasio
perputaran persediaan (X3), rasio perputaran total aktiva (X4), sedangkan sisanya signifikan.
P a g e | 21
4. Analisis Faktor
Maholtra (1996) mengatakan bahwa dalam analisis faktor ini tidak dibedakan antara variabel
independen dan variabel dependen dimana seluruh variabel yang ada diteliti, mempunyai hubungan
saling tergantung. Maholtra (1996) menjelaskan bahwa melalui analisis faktor akan diperoleh hasil:
1. Identifikasi dimensi-dimensi atau faktor-faktor mendasar yang dapat menjelaskan korelasi dari
serangkaian variabel.
2. Identifikasi variabel-variabel baru yang lebih kecil untuk menggantikan variabel yang tidak
berkorelasi dari serangkaian variabel asli (asal) yang berkorelasi dari analisa multivariate (analisa
regresi atau diskriminan).
3. Identifikasi variabel-variabel kecil yang menonjol (dari variabel yang lebih besar) dari suatu
analisis multivariate.
Jika variabel-variabel tersebut dibakukan model faktornya adalah sebagai berikut:
Xi = Ai1 F1 + Ai2 F2 + Ai3 F3 + + Aim Fm + Vi Ui
Dimana:
Xi = Variabel standar ke-i
Faktor-faktor tidak berkorelasi satu sama lain, juga tidak ada korelasinya dengan faktor-faktor
umum. Faktor-faktor umum dapat dinyatakan sebagai kombinasi linier dari variabel-variabel yang
dapat diamati. Dengan formula sebagai berikut:
Fi = Wi1 X1 + Wi2 X2 + Wi3 X3 + + Wik Xk
Dimana:
Fi
Wi
k = Jumlah variabel
Merumuskan masalah
Menyusun Matriks Korelasi
Menentukan Jumlah Faktor
Merotasi Faktor-faktor
Menafsirkan Faktor-faktor
Menghitung
Skor Faktor
Memilih variabel
pengganti
P a g e | 22
2.
3.
4.
5.
P a g e | 23
Contoh: Faktor-faktor apa sajakah yang dipertimbangkan konsumen dalam keputusan pembelian
deterjen Rinso
1.
2.
Kebutuhan
X2
Pengalaman
X3
Persepsi
X4
Usia
X5
Gaya Hidup
X6
Kepribadian
X7
Sikap Pendirian
3.
5.
Kebiasaan
4.
Pendapatan
X10 :
Tingkat Pendidikan
X11 :
Pekerjaan
Keluarga
X13 :
Teman Sejawat
X14 :
Opini Pemimpin
Kemasan
X16 :
Kualitas
X17 :
Keistimewaan
P a g e | 24
6.
7.
8.
X18 :
Merek
X19 :
Ukuran
X20 :
Manfaat
Harga Produk
X22 :
Diskon/Potongan Harga
X23 :
Pemberian Hadiah
Ketersediaan Produk
X25 :
Lokasi
Frekuensi Penayangan
X27 :
X28 :
Tokoh Pendukung
Tahap I
Masuk ke menu Analyze > Data Reduction > Factor. Masukkan semua variabel ke dalam
variables. Pada bagian Descriptives hidupkan KMO and Bartlett`s test of sphericity and Anti Image.
Nilai MSA
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
0,912
0,906
0,851
0,449 *
0,863
0,881
0,893
0,63
0,857
0,892
0,875
0,859
0,861
0,612
X15
X16
X17
X18
X19
X20
X21
X22
X23
X24
X25
X26
X27
X28
0,318*
0,905
0,925
0,913
0,896
0,923
0,764
0,276*
0,865
0,834
0,834
0,864
0,887
0,915
MSA = 1, berarti variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel yang lain
MSA > 0,5, berarti variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut
MSA < 0,5, berarti variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau
dikeluarkan dari variabel lainnya.
Pada analisis faktor tahap 1 yang melibatkan 28 variabel yang diuji, terdapat tiga variabel (tanda *)
yang tidak memenuhi persyaratan MSA (nilai MSA di bawah 0,5). Dengan demikian ketiga variabel
tersebut dikeluarkan dari model sehingga tersisa 25 variabel yang diuji kembali pada tahap II.
P a g e | 25
0,916
0,917
0,866
0,866
0,890
0,891
0,638
0,867
0,891
0,890
0,863
0,862
X14
X16
X17
X18
X19
X20
X21
X23
X24
X25
X26
X27
X28
0,649
0,909
0,929
0,914
0,899
0,923
0,788
0,873
0,836
0,831
0,889
0,886
0,919
Pada analisis faktor tahap II yang melibatkan 25 variabel, terdapat 2 variabel yang tidak memenuhi
persyaratan komunalitas (komunalitas di bawah 0,5) yaitu;
a. Pakar/ahli (X14) dengan komunalitas sebesar 0,464
b. Tokoh pendukung (X28) dengan komunalitas sebesar 0,456
Dengan demikian kedua variabel tersebut dikeluarkan dari model sehingga tersisa 23 variabel untuk
diuji kembali pada tahap III.
Komunalitas menunjukkan proporsi ragam yang dapat dijelaskan oleh p faktor bersama.
Tahap III
Masuk ke menu Analyze > Data Reduction > Factor. Masukkan semua variabel kecuali kelima
variabel yang tidak diikutkan, ke dalam variables.
-
Pada bagian Extraction, method pilih Principal Components, hidupkan unrotated factor solution
dan scree plot, hidupkan eigenvalue over 1 (dengan mengacu angka eigen value, bila nilai < 1,
maka akan dikeluarkan).
Pada bagian Rotation, hidupkan varimax, rotated solution, dan loading plot. Loading plot
menyajikan korelasi antara variabel tertentu dengan faktor yang terbentuk.
P a g e | 26
Barlett Test = - ln R n 1
2p + 5
Dimana
Nilai determinan
n = Jumlah data
p =
jumlah variabel
Hasil perhitungan dengan SPSS dihasilkan nilai Barlett Test of Spehricity sebesar 1971,8988
dengan signifikansi sebesar 0,0000. Dengan demikian Barlett Test of Spehricity memenuhi
persyaratan karena signifikansi di bawah 0,05 (5%)
Measures of Sampling Adequacy (MSA)
Pengujian persyaratan MSA terhadap 23 variabel yang tersisa dijelaskan tabel
berikut:
Hasil Uji Persyaratan MSA
Variabel
Kebutuhan (X1)
Pengalaman (X2)
Persepsi (X3)
Gaya hidup (X5)
Kepribadian (X6)
Sikap (X7)
Kebiasaan (X8)
Pendapatan (X9)
Tingkat pendidikan (X10)
Pekerjaan (X11)
Keluarga (X12)
Teman (X13)
Kualitas (X16)
Keistemawaan (X17)
Merek (X18)
Ukuran (X19)
Manfaat (X20)
Harga produk (X21)
Pemberian hadiah (X23)
Ketersediaan produk (X24)
Lokasi (X25)
Frekuensi penayangan (X26)
Isi peran iklan (X27)
MSA
0,91403
0,91703
0,86474
0,87181
0,89890
0,89083
0,65265
0,87487
0,88776
0,89010
0,86005
0,85838
0,91421
0,92747
0,90996
0,89275
0,91718
0,78607
0,87853
0,82935
0,82640
0,88432
0,88008
P a g e | 27
Komunalitas
0,80487
0,70451
0,82335
0,84493
0,64873
0,80047
0,97894
0,7035
0,75516
0,69591
0,70538
0,79594
0,65984
0,67212
0,62720
0,62089
0,68048
0,78399
0,70879
0,74090
0,73866
0,77228
0,85696
Dari tabel di atas menujukkan 23 variabel diuji memenuhi persyaratan komunalitas yaitu lebih
besar dari 0,5.
Rotasi Faktor
Hasil rotasi faktor dengan metode varimax dijelaskan tabel berikut ini:
Tabel 11. Hasil Rotasi Faktor dengan Varimax
No
1
2
3
4
5
6
7
8
9
10
11
12
13
Variabel
Isi peran iklan (X27)
Frekuensi penayangan (X26)
Manfaat (X20)
Keistemawaan (X17)
Kualitas (X16)
Merek (X18)
Ukuran (X19)
Gaya hidup (X5)
Persepsi (X3)
Sikap (X7)
Kebutuhan (X1)
Pengalaman (X2)
Kepribadian (X6)
Faktor
Eigen Value
7,68744
% variance
33,4
3,21645
14,0
Faktor 1
(Promosi)
Faktor 2
(Individual
Konsumen )
P a g e | 28
14
15
16
17
18
19
20
21
22
23
2,94558
12,8
2,27223
9,9
1,00212
4,4
Faktor 3
(Lingkungan)
Faktor 4
(Harga)
Faktor 5 (Budaya)
Total varians dari 5 faktor adalah 74,5% sehingga memenuhi persyaratan varian yaitu sebesar 0,6.
Pengertian total varian 74,5% adalah kelima faktor tersebut menjadi bahan pertimbangan konsumen
sebesar 74,5% sedangkan sisanya (25,5%) faktor-faktor lain di luar 5 faktor tersebut.
5. DESAIN EKSPERIMEN
A. Pengantar Desain Eksperimen
Desain Eksperimen merupakan salah satu metode statistik yang digunakan sebagai salah satu
alat untuk meningkatkan dan melakukan perbaikan kualitas. Perubahan-perubahan terhadap
variabel suatu proses atau sistem diharapkan akan memberi hasil (respon) yang optimal dan
cukup memuaskan.
Definisi Desain Eksperimen:
suatu uji atau rentetan uji dengan mengubah-ubah variabel input (faktor) suatu proses
sehingga bisa diketahui penyebab perubahan output (respons)
Unit Eksperimen
unit dasar di mana ukuran respons dikumpulkan
Faktor
tipe kondisi berbeda dalam Eksperimen yang bisa diubah-ubah.
Level
cara / mode berbeda suatu faktor.
Perlakuan (treatment)
kombinasi level pada faktor yang berbeda
Replikasi / ulangan
banyaknya perulangan unit Eksperimen pada perlakuan tertentu
Menentukan variabel input yang membuat respons mendekati nilai yang diinginkan
P a g e | 29
sifat 2 rata-rata sampel yang digunakan untuk menaksir pengaruh suatu faktor dalam
Eksperimen
2. Randomisasi / Pengacakan
Perlakuan harus diberikan secara acak pada unit-unit Eksperimen. Secara umum, metode
statistik mengharapkan bahwa pengamatan atau error adalah variabel independen,
random, dan berdistribusi tertentu
3. Kontrol Lokal
Artinya sebarang metode yang dapat menjelaskan dan mengurangi variabilitas alami.
Prinsip dilakukan dengan mengelompokkan satuan unit eksperimen yang mirip ke dalam
blok (kelompok) tertentu. Pengelompokan (blocking) bertujuan meningkatkan ketepatan
eksperimen.
Mengenali permasalahan
Melaksanakan Eksperimen
Analisis data
ANOVA pada prinsipnya sama dengan regresi, tetapi skala data variabel independen
adalah kategorik, yaitu skala ordinal atau nominal
MODEL : yij = + i + ij
dengan :
i =1
dan
=0
i =1
menyatakan rataan keseluruhan (grand mean) dan i disebut sebagai efek atau pengaruh
perlakuan ke-i
P a g e | 30
Contoh Penerapan :
Dalam suatu percobaan industri seorang insinyur ingin menyelidiki bagaimana rataan penyerapan
uap air dalam beton berubah di antara lima adukan beton yang berbeda. Adukan beton ini
berbeda dalam persen berat komponen penting. Sampel dibiarkan kena uap air selama 48 jam.
Dari tiap adukan diambil 6 sampel untuk diuji, sehingga seluruhnya diperlukan 30 sampel. Ujilah
kesamaan rata-rata pada taraf signifikansi 0.05 mengenai penyerapan uap air oleh berbagai jenis
adukan semen!
551
595
639
417
563
457
580
615
449
631
450
508
511
517
522
731
583
573
438
613
499
633
648
415
656
632
517
677
555
679
TOTAL
3320
3416
3663
2791
3664
16854
RATAAN
553.33
569.33
610.5
465.17
610.67
561.8
Output :
df
4
1
4
25
30
29
Mean Square
21339.117
9468577.200
21339.117
4960.813
P a g e | 31
F
4.302
1908.674
4.302
Sig.
.009
.000
.009
Tukey HSD
(I) BETON
1
LSD
Dunnett t (2-sided)a
2
3
4
5
(J) BETON
2
3
4
5
1
3
4
5
1
2
4
5
1
2
3
5
1
2
3
4
2
3
4
5
1
3
4
5
1
2
4
5
1
2
3
5
1
2
3
4
1
1
1
1
Mean
Difference
(I-J)
-16.0000
-57.1667
88.1667
-57.3333
16.0000
-41.1667
104.1667
-41.3333
57.1667
41.1667
145.3333*
-.1667
-88.1667
-104.1667
-145.3333*
-145.5000*
57.3333
41.3333
.1667
145.5000*
-16.0000
-57.1667
88.1667*
-57.3333
16.0000
-41.1667
104.1667*
-41.3333
57.1667
41.1667
145.3333*
-.1667
-88.1667*
-104.1667*
-145.3333*
-145.5000*
57.3333
41.3333
.1667
145.5000*
16.0000
57.1667
-88.1667
57.3333
Std. Error
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
40.66454
Sig.
.995
.630
.224
.627
.995
.847
.109
.845
.630
.847
.012
1.000
.224
.109
.012
.012
.627
.845
1.000
.012
.697
.172
.040
.171
.697
.321
.017
.319
.172
.321
.001
.997
.040
.017
.001
.001
.171
.319
.997
.001
.984
.444
.123
.441
P a g e | 32
Homogeneous Subsets
UAP_AIR
Subset
BETON
Tukey HSDa,b 4
1
2
3
5
Sig.
N
6
6
6
6
6
1
465.1667
553.3333
569.3333
.109
2
553.3333
569.3333
610.5000
610.6667
.627
Interpretasi :
KESIMPULAN : Bahwa kelima adukan tidak mempunyai rataan penyerapan yang sama. p
Hasil ANOVA menyatakan terdapat perbedaan yang signifikan dari rataan penyerapan uap
air dalam beton berdasarkan persentase berat adukan beton. Oleh karena itu kita perlu
melakukan uji untuk mengetahui level yang berbeda. Terdapat tiga uji yang dapat digunakan,
yaitu Dunnets Test, Tukeys Test, dan Fishers Test.
Dunnetts test menggunakan level kontrol persentase berat adukan beton 1 dan tingkat
kesalahan 5%. Kita dapat melakukan interpretasi dengan melihat interval rata-rata. Aturan
keputusannya adalah apabila dalam interval rata-rata atau antara nilai terendah (lower) sampai
nilai tertinggi (upper) mencakup bilangan 0 (nol), maka kesimpulannya adalah tidak ada
perbedaan rata-rata penyerapan uap air antar level adukan. Output di atas menunjukkan bahwa
keseluruhan dari interval mencakup nilai nol. Sehingga melalui uji Dunnett dapat disimpulkan
bahwa perlakuan adukan 2, 3, 4, dan 5 tidak mempunyai perbedaan yang cukup signifikan
dengan rata-rata perlakuan adukan 1 (sebagai kontrol). Atau dengan kata lain adukan 2, 3, 4 dan
5 relatif sama pengaruhnya dengan adukan 1 terhadap penyerapan uap air yang dihasilkan.
Tukeys test melakukan perbandingan untuk semua level faktor agar memperoleh suatu
kesimpulan yang cukup memuaskan. Cara membaca output Tukeys test tidak berbeda jauh
dengan output Dunnetts test, Yakni apabila dalam interval rata-rata atau antara nilai terendah
(lower) sampai nilai tertinggi (upper) mencakup bilangan 0 (nol), maka kesimpulannya adalah
tidak ada perbedaan rata-rata penyerapan uap air antar level adukan yang bersangkutan. Dari
output terlihat bahwa yang berbeda adalah antara adukan 3 dan 4; dan adukan 4 dan 5.
Sedangkan pasangan yang lain relatif sama pengaruhnya karena interval melewati nilai 0.
P a g e | 33
df
9
1
4
5
20
30
29
Mean Square
13481.207
9468577.200
21339.117
7194.880
4402.297
P a g e | 34
F
3.062
2150.827
4.847
1.634
Sig.
.018
.000
.007
.197
Tukey HSD
(I) BETON
1
LSD
Dunnett t (2-sided)a
2
3
4
5
(J) BETON
2
3
4
5
1
3
4
5
1
2
4
5
1
2
3
5
1
2
3
4
2
3
4
5
1
3
4
5
1
2
4
5
1
2
3
5
1
2
3
4
1
1
1
1
Mean
Difference
(I-J)
-16.0000
-57.1667
88.1667
-57.3333
16.0000
-41.1667
104.1667
-41.3333
57.1667
41.1667
145.3333*
-.1667
-88.1667
-104.1667
-145.3333*
-145.5000*
57.3333
41.3333
.1667
145.5000*
-16.0000
-57.1667
88.1667*
-57.3333
16.0000
-41.1667
104.1667*
-41.3333
57.1667
41.1667
145.3333*
-.1667
-88.1667*
-104.1667*
-145.3333*
-145.5000*
57.3333
41.3333
.1667
145.5000*
16.0000
57.1667
-88.1667
57.3333
Std. Error
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
38.30708
Sig.
.993
.579
.185
.576
.993
.817
.086
.815
.579
.817
.009
1.000
.185
.086
.009
.009
.576
.815
1.000
.009
.681
.151
.032
.150
.681
.295
.013
.293
.151
.295
.001
.997
.032
.013
.001
.001
.150
.293
.997
.001
.980
.397
.100
.395
P a g e | 35
Homogeneous Subsets
UAP_AIR
Tukey HSDa,b
BETON
4
1
2
3
5
Sig.
N
6
6
6
6
6
Subset
1
2
465.1667
553.3333
553.3333
569.3333
569.3333
610.5000
610.6667
.086
.576
C. Desain Faktorial
Desain faktorial digunakan apabila eksperimen terdiri atas dua faktor atau lebih. Desain faktorial
memungkinkan kita melakukan kombinasi antar level faktor. Kita memerlukan desain faktorial
apabila interaksi antarfaktor mungkin mempengaruhi kesimpulan.
Gambar berikut menunjukkan contoh hirarki desain faktorial untuk 2 faktor.
A1
Faktor A
Faktor B
Replikasi
B1
B2
A2
....
Bb
B1
B2
....
....
Aa
Bb
B1
B2
....
Bb
-
Contoh Penerapan :
Berikut adalah ilustrasi desain faktorial untuk 2 faktor. Kasus yang akan diangkat mengenai
desain baterai dengan waktu hidup lebih lama. Berikut adalah datanya :
Tipe Material
Temperatur
0
15 F
70 F
125 F
130
155
74
180
150
188
159
126
138
34
40
80
75
136
122
106
115
174
20
70
82
58
25
70
58
45
96
110
120
104
168
150
82
160
139
60
P a g e | 36
df
8
1
2
2
4
27
36
35
Mean Square
7427.028
400900.028
5341.861
19559.361
2403.444
675.213
F
11.000
593.739
7.911
28.968
3.560
Profile Plots
Estimated Marginal Means of WKT_HDP
180
160
140
120
100
MATERIAL
80
60
40
15
70
SUHU
P a g e | 37
125
Sig.
.000
.000
.002
.000
.019
1 = 2 =3 = 0
(tipe material tidak berpengaruh terhadap waktu hidup baterai)
H1 :
i = 1, 2, 3
1 = 2 =3 = 0
(temperatur tidak berpengaruh terhadap waktu hidup baterai)
H1 :
j = 1, 2, 3
H1 :
()ij 0
(interaksi antar faktor berpengaruh terhadap waktu hidup baterai)
Untuk melihat hasil uji hipotesis adalah dengan cara melihat nilai p-value yang dihasilkan dari
tabel ANOVA untuk Interaction effect Tipe Material*Temperatur.
P a g e | 38
P a g e | 39