Anda di halaman 1dari 52

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.

KINERJA No.resp. Q1 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 4 3 5 3 5 4 3 4 4 3 5

Q2 3 3 4 2 5 3 4 3 4 4 5

Q3 4 3 4 2 4 3 4 5 4 5 5

Q4 5 4 5 3 4 3 3 5 5 5 5

Q5 3 5 4 2 3 4 2 4 3 3 4

Skore KINERJA 19 18 22 12 21 17 16 21 20 20 24

Kepuasan UPAH No.resp. Q1 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 5 4 4 2 4 5 4 5 5 3 5

Q2 4 3 4 3 5 5 4 4 5 4 5

Q3 5 3 4 2 3 3 3 5 5 4 5

Q4 5 4 4 3 4 3 3 4 5 3 4

Q5 4 5 3 2 3 2 2 5 4 2 4

Skore Upah 23 19 19 12 19 18 16 23 24 16 23

Skore Motivasi No.resp. Q1 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 5 4 4 2 4 5 4 5 5 3 5

Q2 4 3 4 3 5 5 4 4 5 4 5

Q3 4 3 4 3 4 4 4 5 4 4 5

Q4 3 4 5 4 3 4 5 5 5 4 4

Q5 4 5 3 2 3 2 2 5 4 2 4

Skore MOTIVASI 20 19 20 14 19 20 19 24 23 17 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 10 12 14 15 16 16 17 18 18 20 156 X1 2 2.2 2.3 2.2 2.4 2.8 2.7 3 3 3.4 26 X2 1.2 1.4 2 2.3 2.6 2.8 3.5 4 4.2 4 28

Dimana: Y = Kinerja X1 = Motivasi X2 = 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. 4.

Klik Continue Ok Hasil output SPSS adalah sebagai berikut (Hasil hasil penting yang akan ditampilkan diberi lingkaran)

Regression
b Variables Entered/Removed

Model 1

Variables Entered a X2, X1

Variables Removed .

Method Enter

a. All requested variables entered. b. Dependent Variable: Y


a Predictors: (Constant), X2, X1 b Dependent Variable: Y
b Model Summary

Change Statistics Model 1 R R Square .958a .917 Adjusted R Square .893 Std. Error of the Estimate .97737 R Square Change .917 F Change 38.583 df1 2 df2 7 Sig. F Change .000 Durbin-W atson 1.010

a. Predictors: (Constant), X2, X1 b. Dependent Variable: Y

b ANOVA

Model 1

Regression Residual Total

Sum of Squares 73.713 6.687 80.400

df 2 7 9

Mean Square 36.857 .955

F 38.583

Sig. .000a

a. Predictors: (Constant), X2, X1 b. Dependent Variable: Y

Coefficients(a) Model 1 (Constant) X1 X2 a Dependent Variable: Y Unstandardized Coefficients B 5.449 1.865 1.893 Std. Error 2.969 1.836 .754 Standardized Coefficients Beta .281 .693 1.835 1.016 2.509 .109 .343 .040 t Sig.

Collinearity Statisti Tolerance .156 .156

VIF

Coefficient Correlations(a) Model 1 X2 1.000 -.919 X1 -.919 1.000

Correlations

X2 X1

a Dependent Variable: Y

Dari hasil output SPSS di atas, ambil informasi yang diperlukan (lihat yanda lingkaran) untukdisajikan dapat dalam bentuk tabel atau persamaan :

Kinerja = R2

5,449 (1,835) (1,016) * = 0,917

+ 1,865 X1 (2,509)** F = 38,5

1,893 X2

D.W = 1,01 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 variasi variabel Motivasi % variabel Upah yang dapat dipilih/masuk kedalam model sudah tepat, yaitu dan menerangkan variasi variabel Kinerja. Sisanya 8,3 % diterangkan oleh variabel residualnya.

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. (residual) sebagai berikut. Ulangi langkah regresi di atas kemudian tambahkan perintah SAVE (lihat Residual tanda dan panah), pilih Unstandardized Unstandadized Kita akan menguji apakah error normal. Caranya adalah

berdistribusi

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. menampilkan output berikut

SPSS akan

Descriptive Statistics N Statistic 10 10 Skewness Statistic -.238 Std. Error .687 Kurtosis Statistic -.791 Std. Error 1.334

RES_1 Valid N (listwise)

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. syarat berlakunya uji t dan F. Uji normal merupakan

2.

Uji Multikolinearitas (lihat modul 10) Uji multikolinearitas dalam printout regresi sudah dihitung secara rutin. Perhatikan print out regresi di atas. Di sana disajikan correlation.
Standardi zed Coefficien ts Beta .281 .693 1.835 1.016 2.509 .109 .343 .040

collinearity

diagnosis,

dan

coefficient

Unstandardized Coefficients (Constant) X1 X2 B 5.449 1.865 1.893 Std. Error 2.969 1.836 .754

Sig.

Collinearity Statistics Tolerance .156 .156 VIF 6.423 6.423

Coefficient Correlations(a) Model 1 X2 1.000 -.919 X1 -.919 1.000

Correlations

X2 X1

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 .893 Std. Error of the Estimate .97737 DurbinWatson 1.010

1 .958 .917 a Predictors: (Constant), X2, X1 b 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,
e2 = a + b Y 2 + 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 Summary Model R R Square .104 Adjusted R Square -.008 Std. Error of the Estimate .71038 DurbinWatson 1.911

1 .322 a Predictors: (Constant), PRED_KUA b 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. Hasil regresi selengkapnya sekarang dapat disajikan sebagai berikut. Kinerja = X2 (1,835) R2 Uji Asunsi Klasik: Normalitas (uji JB) Otokorelasi (uji D.W) = 6,08 = 1,01 (1,016) * (2,509)** F = 38,5 = 0,917 5,449 + 1,865 X1 + 1,893

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

Hanya uji normal yang tidak mengalami masalah, sedangkan ketiga uji asumsi klasik mengalamai

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

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 Variable Recode Into Different

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. 4. 5. 6.
7.

Klik Old and New Value Tuliskan nilai dalam old value untuk kode 31. Tulis pada Value 31. Tuliskan pada new value 1. Klik add. Klik pada box all other value. 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 variabel dummy. pada box Independent (lihat modul 12). Kita hanya bisa memasukkan n-1

3. Ok Hasil output SPSS adalah sebagai berikut:

b Variables Entered/Removed

Model 1

Variables Entered DALAT, DSANDAN a G

Variables Removed .

Method Enter

a. Tolerance = .000 limits reached. b. Dependent Variable: UPAH


b Model Summary

Model 1

R R Square .872 a .761

Adjusted R Square .692

Std. Error of the Estimate 24.49490

Durbin-W atson .952

a. Predictors: (Constant), DALAT, DSANDANG b. Dependent Variable: UPAH


b ANOVA

Model 1

Sum of Squares Regression 13360.000 Residual 4200.000 Total 17560.000

df 2 7 9

Mean Square 6680.000 600.000

F 11.133

Sig. .007a

a. Predictors: (Constant), DALAT, DSANDANG b. Dependent Variable: UPAH


a Coefficients

Model 1

(Constant) DSANDANG DALAT

Unstandardized Coefficients B Std. Error 520.000 12.247 30.000 17.321 100.000 21.213

Standardized Coefficients Beta .351 .955

t 42.458 1.732 4.714

Sig. .000 .127 .002

a. Dependent Variable: UPAH

b Excluded Variables

Model 1

Beta In DPANGAN .a

t .

Sig. .

Partial Correlation .

Collinearity Statistics Tolerance .000

a. Predictors in the Model: (Constant), DALAT, DSANDANG b. Dependent Variable: UPAH

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
P = b0 + b1 X 1 P

m+e Contoh Data logist: Y 1 1 1 0 0 1 0 0 1 0 Langkah-langkah:

X 4 6 8 2 4 5 3 5 8 2

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 Unweighted Cases Selected Cases
a

N Included in Analysis Missing Cases Total 10 0 10 0 10

Unselected Cases Total

Percent 100.0 .0 100.0 .0 100.0

a. If weight is in effect, see classification table for the total number of cases.

Dependent Variable Encoding Original Value Internal Value .00 0 1.00 1

Block 0: Beginning Block


a,b,c Iteration History

Iteration Step 0 1

-2 Log likelihood 13.863

Coefficients Constant .000

a. Constant is included in the model. b. Initial -2 Log Likelihood: 13.863 c. Estimation terminated at iteration number 1 because parameter estimates changed by less than .001.
a,b Classification Table

Predicted Y Step 0 Observed Y Overall Percentage a. Constant is included in the model. b. The cut value is .500 .00 .00 1.00 0 0 1.00 5 5 Percentage Correct .0 100.0 50.0

Variables in the Equation Step 0 Constant B .000 S.E. .632 Wald .000 df 1 Sig. 1.000 Exp(B) 1.000

Variables not in the Equation Step 0 Variables Overall Statistics X Score 5.344 5.344 df 1 1 Sig. .021 .021

Block 1: Method = Enter

a,b,c,d Iteration History

Iteration Step 1 1 2 3 4 5 6

-2 Log likelihood 7.789 6.842 6.622 6.603 6.602 6.602

Coefficients Constant X -3.349 .713 -5.163 1.127 -6.512 1.438 -7.077 1.566 -7.144 1.581 -7.145 1.581

a. Method: Enter b. Constant is included in the model. c. Initial -2 Log Likelihood: 13.863 d. Estimation terminated at iteration number 6 because parameter estimates changed by less than .001.

Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 7.261 7.261 7.261
Model Summary Step 1 -2 Log likelihood 6.602 Cox & Snell R Square .516 Nagelkerke R Square .688

df 1 1 1

Sig. .007 .007 .007

Hosmer and Lemeshow Test Step 1 Chi-square .892 df 4 Sig. .926

Contingency Table for Hosmer and Lemeshow Test Y = .00 Observed Expected 2 1.963 1 .917 1 1.388 1 .636 0 .088 0 .008 Y = 1.00 Observed Expected 0 .037 0 .083 1 .612 1 1.364 1 .912 2 1.992

Total 2 1 2 2 1 2

Step 1

1 2 3 4 5 6

a Classification Table

Predicted Y Step 1 Observed Y Overall Percentage a. The cut value is .500 Variables in the Equation Step a 1 X Constant B 1.581 -7.145 S.E. 1.062 4.826 Wald 2.218 2.192 df 1 1 Sig. .136 .139 Exp(B) 4.862 .001 .00 .00 1.00 4 1 1.00 1 4 Percentage Correct 80.0 80.0 80.0

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

Correlation Matrix Step 1 Constant X Constant 1.000 -.980 X -.980 1.000

Step number: 1 Observed Groups and Predicted

Probabilities
4 F R E Q U E 1 N 1 3 2 0 0

1 1

1 1

C 1 Y 1 1

0 0 1 0 0 0 0 0

1 1 0 0 0

1 1 0 0 0 1 1 1

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

Group: 000000000000000000000000000000111111111111111111111111 111111

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 = 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 (terjaditak 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 sebaliknya
Pr ob (terjadi) Pr ob (tak - terjadi) = e Bo +b1 X 1 +..... +Bn X n

dan memprediksi tak terjadi jika

Estimate tak terjadi.

B0,

B1,

B2,

Bn

dengan

demikian

mengukur rasio probabilitas suatu event terjadi atau Jika koefisien positif probabilitas terjadi meningkat, dan jika negatif sebaliknya.

Perbandingan antara suatu event terjadi dengan tak terjadi disebut odds= 1 p Log odds = ln 1 p = a + bX Jadi b sekarang mengukur sejauh mana X mampu meningkatkan/menurunkan event terjadi. Misalnya 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 = 10 % Log log probabilitas suatu probabilitas sembuh
p p

C. REGRESI DENGAN MENGGUNAKAN VARIABEL MODERATING


Contoh Data.
Y 10 12 14 15 16 16 17 18 18 20 156 X1 2 2.2 2.3 2.2 2.4 2.8 2.7 3 3 3.4 26 X2 1.2 1.4 2 2.3 2.6 2.8 3.5 4 4.2 4 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.
Coefficients Unstand ardized Standar dized t Sig.

Model (Consta nt) X1 X2 X1X2 a Dependent Variable: Y 1

Coefficie nts B -6.893 7.401 5.275 -1.499

Std. Error 7.984 3.756 2.171 .914

Coefficie nts Beta -.863 1.113 1.932 -2.037 1.970 2.430 -1.640 .421 .096 .051 .152

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 Langkah analisis: 1. Membuat variabel baru dengan standardize Motivasi dan standardize Upah dengan cara: a. Klik Analyze Descriptive Descriptive. Statistics
X1 2 X

+e

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. a.

Membuat variabel baru bentuk

X 1 X 2

Klik Tansform

compute

b.

Pada kotak target variable isi dengan nama baru yang merupakan absX1_X2
X 1 X 2

, misal

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,

b Model Summary

Change Statistics Model 1 R R Square .964a .930 Adjusted R Square .894 Std. Error of the Estimate .97144 R Square Change .930 F Change 26.399 df1 3 df2 6 Sig. F Change .001 Durbin-W atson 1.326

a. Predictors: (Constant), ABSX1_X2, Zscore(X2), Zscore(X1) b. Dependent Variable: Y

ANOVAb Model 1 Sum of Squares 74.738 5.662 80.400 df 3 6 9 Mean Square 24.913 .944 F 26.399 Sig. .001a

Regression Residual Total

a. Predictors: (Constant), ABSX1_X2, Zscore(X2), Zscore(X1) b. Dependent Variable: Y


a Coefficients

Model 1

(Constant) Zscore(X1) Zscore(X2) ABSX1_X2

Unstandardized Coefficients B Std. Error 14.773 .851 .367 .937 2.300 .849 2.421 2.323

Standardized Coefficients Beta .123 .770 .146

t 17.356 .391 2.708 1.042

Sig. .000 .709 .035 .338

Collinearity Statistics Tolerance VIF .119 .145 .597 8.380 6.881 1.675

a. Dependent Variable: Y

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 Introduction. Addison England. Econometrics an Wesley Longman.