Anda di halaman 1dari 19

TUGAS

STATISTIKA
(VARIABEL DUMMY DAN ANALISIS JALUR)

Oleh:

YUSLIHUDDIYARI AB
181050701021
KELAS B

PENDIDIKAN MATEMATIKA
PROGRAM PASCA SARJANA UNIVERSITAS NEGERI MAKASSAR
TAHUN 2018
A. VARIABEL DUMMY

1. VARIABEL DEPENDEN DENGAN DATA NUMERIK DAN VARIABEL INDEPENDEN DENGAN DATA
KATEGORIK

Contoh kasus:

Seorang Manager sebuah perusahaan industri mobil ingin mengetahui gaji karyawan berdasarkan
jenis kelamin dan tingkat pendidikan karyawannya. Formulasi informasi variabelnya sebagai berikut:
Variabel dependen : Gaji

Variabel independen : jenis kelamin dan tingkat pendidikan karyawan

Terdapat dua variabel independen yaitu jenis kelamin dan tingkat pendidikan karyawan.

Jenis kelamin dan tingkat pendidikan karyawan merupakan data kategori. Jenis kelamin terdiri atas dua
kategori yaitu laki-laki dan perempuan, sedangkan tingkat pendidikan karyawan terdiri atas dua
kategori, yaitu pekerja dengan pendidikan tingkat SMA dan pekerja dengan pendidikan tingkat sarjana.

Diketahui data sampel gaji 30 karyawan


Misalnya peneliti memperoleh data sebagai berikut:
Tingkat Gaji
Subjek Jenis Kelamin
Pendidikan (Rupiah)
1 Laki-laki Sarjana 6.50
2 Laki-laki Sarjana 6.50
3 Perempuan Sarjana 6.25
4 Perempuan Sarjana 6.25
5 Laki-laki Sarjana 5.50
6 Laki-laki Sarjana 5.50
7 Perempuan SMA 6.00
8 Laki-laki Sarjana 5.25
9 Laki-laki Sarjana 4.50
10 Laki-laki SMA 5.00
11 Perempuan Sarjana 5.25
12 Perempuan Sarjana 4.25
13 Laki-laki Sarjana 5.50
14 Laki-laki SMA 4.00
15 Laki-laki SMA 4.00
16 Perempuan SMA 3.75
17 Laki-laki SMA 6.00
18 Laki-laki SMA 5.00
19 Perempuan SMA 3.75
20 Perempuan SMA 3.75
21 Perempuan SMA 4.75
22 Laki-laki SMA 4.00
23 Laki-laki SMA 4.00
24 Laki-laki SMA 5.00
25 Laki-laki SMA 6.00
26 Perempuan SMA 5.75
27 Laki-laki SMA 4.00
28 Perempuan SMA 4.75
29 Laki-laki Sarjana 6.00
30 Perempuan SMA 4.75

Membuat kode variabel dummy, jumlah kategori ditentukan dengan rumus k-1, sedangkan kode yang
diberikan adalah 1 dan 0. Semua responden yang menjadi anggota kategori yang diberi kode 1
sedangkan responden tidak dalam kategori tersebut dikode dari 0. Dengan cara seperti ini maka setiap
responden akan memiliki kode 1 pada kategori yang sesuai dengannya dan kode 0 pada kategori yang
tidak sesuai dengannya.

Pada kategori 2 kelompok, sebenarnya tidak ada aturan baku mana yang harus diberi kode 1 mana yang
0. Tapi agar memudahkan pemaknaan terhadap hasil berilah angka 1 pada kategori yang secara teoritik
akan memiliki nilai prediksi lebih tinggi. Misal secara teoritik, penghasilan ini lebih mampu diprediksi
oleh laki-laki, maka laki-laki kita beri kode 1. Dari data mentah kita, kita bisa ubah input data kita seperti
di bawah ini.

Jenis Kelamin

Laki-laki 1, Laki-laki
Perempuan
 X1 = { 0, lainnya

Tingkat Pendidikan

Sarjana 1, Sarjana
SMA
 X3 = { 0, lainnya

Dari variabel dummy tersebut, diperoleh data baru sebagai berikut:


Subjek X1 X3 (Y)

1 1 1 6.50
2 1 1 6.50
3 0 1 6.25
4 0 1 6.25
5 1 1 5.50
6 1 1 5.50
7 0 0 6.00
8 1 1 5.25
9 1 1 4.50
10 1 0 5.00
11 0 1 5.25
12 0 1 4.25
13 1 1 5.50
14 1 0 4.00
15 1 0 4.00
16 0 0 3.75
17 1 0 6.00
18 1 0 5.00
19 0 0 3.75
20 0 0 3.75
21 0 0 4.75
22 1 0 4.00
23 1 0 4.00
24 1 0 5.00
25 1 0 6.00
26 0 0 5.75
27 1 0 4.00
28 0 0 4.75
29 1 1 6.00
30 0 0 4.75

Setelah diproses dengan SPSS, maka diperoleh hasil sebagai berikut:


2. VARIABEL DEPENDEN DENGAN DATA NUMERIK DAN VARIABEL INDEPENDEN DENGAN DATA
CAMPURAN

Contoh kasus:

Seorang Manager sebuah perusahaan industri mobil ingin mengetahui gaji karyawan berdasarkan
masa kerja, jenis kelamin dan tingkat pendidikan karyawannya. Formulasi informasi variabelnya
sebagai berikut:
Variabel dependen : Gaji

Variabel independen : jenis kelamin, masa kerja, dan tingkat pendidikan karyawan

Terdapat tiga variabel independen yaitu jenis kelamin, masa kerja dan tingkat pendidikan karyawan.

Jenis kelamin dan tingkat pendidikan karyawan merupakan data kategori. Jenis kelamin terdiri atas dua
kategori yaitu laki-laki dan perempuan, sedangkan tingkat pendidikan karyawan terdiri atas dua
kategori, yaitu pekerja dengan pendidikan tingkat SMA dan pekerja dengan pendidikan tingkat sarjana.
Sedangkan masa kerja merupakan data numerik dinyatakan dalam tahun.

Diketahui data sampel gaji 30 karyawan


Misalnya peneliti memperoleh data sebagai berikut:
Masa Kerja Tingkat Gaji
Subjek Jenis Kelamin
(Tahun) Pendidikan (Rupiah)
1 Laki-laki 10 Sarjana 6.50
2 Laki-laki 10 Sarjana 6.50
3 Perempuan 10 Sarjana 6.25
4 Perempuan 10 Sarjana 6.25
5 Laki-laki 7 Sarjana 5.50
6 Laki-laki 7 Sarjana 5.50
7 Perempuan 10 SMA 6.00
8 Laki-laki 8 Sarjana 5.25
9 Laki-laki 5 Sarjana 4.50
10 Laki-laki 10 SMA 5.00
11 Perempuan 7 Sarjana 5.25
12 Perempuan 5 Sarjana 4.25
13 Laki-laki 7 Sarjana 5.50
14 Laki-laki 8 SMA 4.00
15 Laki-laki 8 SMA 4.00
16 Perempuan 8 SMA 3.75
17 Laki-laki 12 SMA 6.00
18 Laki-laki 10 SMA 5.00
19 Perempuan 8 SMA 3.75
20 Perempuan 7 SMA 3.75
21 Perempuan 10 SMA 4.75
22 Laki-laki 9 SMA 4.00
23 Laki-laki 8 SMA 4.00
24 Laki-laki 10 SMA 5.00
25 Laki-laki 12 SMA 6.00
26 Perempuan 12 SMA 5.75
27 Laki-laki 8 SMA 4.00
28 Perempuan 9 SMA 4.75
29 Laki-laki 8 Sarjana 6.00
30 Perempuan 11 SMA 4.75

Membuat kode variabel dummy, jumlah kategori ditentukan dengan rumus k-1, sedangkan kode yang
diberikan adalah 1 dan 0. Semua responden yang menjadi anggota kategori yang diberi kode 1
sedangkan responden tidak dalam kategori tersebut dikode dari 0. Dengan cara seperti ini maka setiap
responden akan memiliki kode 1 pada kategori yang sesuai dengannya dan kode 0 pada kategori yang
tidak sesuai dengannya.

Pada kategori 2 kelompok, sebenarnya tidak ada aturan baku mana yang harus diberi kode 1 mana yang
0. Tapi agar memudahkan pemaknaan terhadap hasil berilah angka 1 pada kategori yang secara teoritik
akan memiliki nilai prediksi lebih tinggi. Misal secara teoritik, penghasilan ini lebih mampu diprediksi
oleh laki-laki, maka laki-laki kita beri kode 1. Dari data mentah kita, kita bisa ubah input data kita seperti
di bawah ini.

Jenis Kelamin

Laki-laki 1, Laki-laki
Perempuan
 X1 = { 0, lainnya

Tingkat Pendidikan

Sarjana 1, Sarjana
SMA
 X3 = { 0, lainnya

Masa Kerja  X2 = Data Nominal


Dari variabel dummy tersebut, diperoleh data baru sebagai berikut:

Subjek X1 X2 X3 (Y)

1 1 10 1 6.50
2 1 10 1 6.50
3 0 10 1 6.25
4 0 10 1 6.25
5 1 7 1 5.50
6 1 7 1 5.50
7 0 10 0 6.00
8 1 8 1 5.25
9 1 5 1 4.50
10 1 10 0 5.00
11 0 7 1 5.25
12 0 5 1 4.25
13 1 7 1 5.50
14 1 8 0 4.00
15 1 8 0 4.00
16 0 8 0 3.75
17 1 12 0 6.00
18 1 10 0 5.00
19 0 8 0 3.75
20 0 7 0 3.75
21 0 10 0 4.75
22 1 9 0 4.00
23 1 8 0 4.00
24 1 10 0 5.00
25 1 12 0 6.00
26 0 12 0 5.75
27 1 8 0 4.00
28 0 9 0 4.75
29 1 8 1 6.00
30 0 11 0 4.75
Setelah diproses dengan SPSS, maka diperoleh hasil sebagai berikut:

a. Tabel 1

Dari tabel diatas diketahui bahwa variabel yang dimasukkan adalah tingkat pendidikan, jenis
kelamin dan masa kerja (ditunjukkan pada kolom variable entered). Sedangkan variabel yang
dihilangkan Regresi dengan Variabel Bebas Dummy 10 atau dihapuskan tidak ada. Dengan kata lain,
semua variabel bebas dimasukkan dalam analisis regresi linier berganda tersebut.
b. Tabel 2

Tabel diatas menunjukkan bahwa kofisien atau R simultannya adalah 0,939. Kisaran nilai R
adalah 0 hingga 1. Semakin nilai R mendekati angka 1, maka semakin kuat variabel-variabel bebas
memprediksikan variabel terikat. Karena 0,939 mendekati angka 1, maka variabel-variabel bebas
berupa tingkat pendidikan, jenis kelamin dan masa kerja dapat gaji pekerja dengan cukup kuat.
Sedangkan R Square adalah 0,881 yaitu hasil kuadrat dari koefisien korelasi (0,939 x 0,939 = 0,881).
Koefisien determinasi R-Square = 0.881 (88,1%). Ini menunjukkan bahwa sebesar 88,1% variasi
variabel dependent (Y) dapat dijelaskan oleh 3 variabel independent (X1, X2,dan X3), artinya
pengaruh variabel independen terhadap perubahan variabel dependen adalah 88,1%, sedangkan
sisanya sebesar 11,9% dipengaruhi oleh variabel lain selain variabel independen X1,X2 dan X3.
Seperti halnya R Simultan, kisaran nilai adjusted R Square adalah 0 hingga 1. Dari tabel diatas
diketahui bahwa nilai adjusted R Square adalah 0,867 tidak mendekati 1, sehingga ketetapan
mencari jawaban berdasarkan sampel yang ada sangat tinggi.
Standard Error of Estimate adalah 0,32917 Karena 0,32917 mendekati nilai 0, maka data
tersebut model excellent.
c. Tabel 3

Dari tabel diatas, diketahui bahwa df (degree of freedom) adalah derajat kebebasan dimana df
regression (perlakuan) sebagai df pembilang dan df residual (sisa) sebagai df penyebut. Nilai df
pembilang adalah 3 (jumlah variabel bebas), sedangkan df penyebut adalah 26. Disamping itu
diketahui bahwa Fhitung adalah 64,167 diperoleh dari mean square untuk regression dibagi mean
square untuk residual (6,953 : 0,108). Kemudian nilai Ftabel kita peroleh dengan melihat pada tabel
untuk nilai dari F(0,05;3;26) adalah 2,98.
Karena Fhitung > Ftabel, maka dapat disimpulkan bahwa variabel bebas (tingkat pendidikan,
jenis kelamin dan masa kerja ) secara serentak mempengaruhi gaji pekerja atau dengan kata lain
model regresi dapat digunakan untuk memprediksi gaji Pekerja.
Selain itu, kita juga dapat menarik kesimpulan dengan membandingkan nilai Sig.hitung pada
tabel diatas yaitu 0,001 dengan α = 0,05 dimana Sig.hitung < α, sehingga juga dapat ditarik
kesimpulan yang sama bahwa variabel bebas (tingkat pendidikan, jenis kelamin dan masa kerja)
secara serentak mempengaruhi gaji pekerja atau dengan kata lain model regresi dapat digunakan
untuk memprediksi gaji Pekerja.
d. Tabel 4

Dari tabel diatas diperoleh koefisien nilai β dari kolom B pada Unstandardized Coefficients, yaitu:
α1 = -1.014
α2 = 0,093
α3 = 1,603
β1 = 0,428
Adapun persamaan regresi linier berganda sementara yang dapat diperoleh:
Ŷ = α1 + α2X1 + α3X2 + βD + Ԑ
Ŷ = -1,014 + 0,093X1 + 1,603X2 + 0,428D
Disamping itu, kolom Sig. diatas juga menunjukkan nilai signifikansi hubungan antara setiap
variabel bebas dngan variable terikat dimana jika Sig.hitung < α (α = 0,05), maka variabel
bebas tersebut berpengaruh signifikan terhadap variabel terikat. Artinya:

 Masa Kerja Sig.hitung = 0.00 <α = 0,05 , jadi Masa Kerja berpengaruh secara signifikan
terhadap gaji karyawan.
 Jenis Kelamin
Sig.hitung = 0,.460> α = 0.05 , jadi Jenis kelamin tidak berpengaruh secara signifikan terhadap
gaji karyawan.
 Tingkat Pendidikan
Sig.hitung = 0,00 < α = 0,05 , jadi Tingkat Pendidikan berpengaruh secara signifikan terhadap
gaji karyawan.
Karena tidak semua variable bebas pada regresi tersebut yang signifikan terhadap variabel
terikat, maka model persamaan regresi tersebut menjadi:
Ŷ = -1,014 + 0,093X1 + 1,603X2 + 0,428D

B. ANALISIS JALUR

Contoh kasus:

Akan diketahui pengaruh kompensasi dan budaya terhadap motivasi kerja serta pengaruh langsung dan
tidak langsung kompensasi dan budaya terhadap kinerja pegawai.

Berdasarkan konsep dan teori, secara teoritis:

 Variabel kompensasi dan budaya berpengaruh terhadap motivasi kerja


 Variabel motivasi kerja berpengaruh terhadap kinerja pegawai
 Variabel kompensasi dan budaya berpengaruh terhadap kinerja pegawai

Berdasarkan hubungan antar variable secara teoritis, dapat dibuat model diagram jalur sebagai berikut:

Kompensasi

Motivasi Kerja Kinerja Pegawai

Budaya
Misalkan:

 Kompensasi = X1
 Budaya = X2
 Motivasi Kerja = X3
 Kinerja Pegawai = Y

Berdasarkan model tersebut, maka variable Kompensasi dan Budaya merupakan variable eksogenus,
sedangkan motivasi kerja dan kinerja pegawai merupakan variable endogenus, sehingga dapat
dirumuskan sebuah hipotesis sebagai berikut:

1. Pengaruh X1 dan X2 terhadap X3


2. Pengaruh X1, X2 dan X3 terhadap Y
3. Pengaruh tidak langsung X1, X2 melalui X3 terhadap Y
4. Pengaruh langsung X1 dan X2 terhadap Y

Misalkan diperoleh data sebagai berikut:

No VARIABEL
Subjek
Kompensasi Motivasi Kinerja
Budaya (X2)
(X1) kerja (X3) Pegawai (Y)

1 79 69 71 72
2 64 78 78 78
3 79 82 73 78
4 69 63 63 66
5 72 80 81 78
6 75 78 70 79
7 76 74 74 72
8 76 65 77 76
9 77 80 80 80
10 77 76 73 72
11 75 74 72 71
12 74 80 76 80
13 67 65 61 62
14 72 63 74 70
15 72 77 71 73
16 70 68 70 72
17 78 80 77 79
18 72 73 73 74
19 69 67 68 69
20 66 69 65 64
21 72 70 64 61
22 78 80 79 78
23 84 76 79 74
24 75 70 68 70
25 78 77 75 71
26 80 79 80 82
27 70 80 79 80
28 66 82 70 83
29 79 78 76 80
30 71 73 63 75
31 72 72 72 74
32 72 70 71 70
33 52 55 46 45
34 78 73 80 82
35 69 73 65 68
36 70 82 71 73
37 79 67 75 77
38 69 72 67 68
39 71 76 69 71
40 82 74 81 79
41 87 65 86 88
42 63 68 67 64
43 77 73 79 77
44 83 69 82 80
45 72 77 68 71
46 77 70 66 76
47 80 66 70 80
48 72 72 71 76
49 74 70 65 71
50 80 78 78 80
51 61 63 62 61
52 69 65 64 65
53 79 69 65 75
54 64 63 67 65
55 81 82 79 80
56 71 76 70 72
57 63 68 60 64
58 76 73 68 65
59 77 75 72 70
60 62 71 75 76
61 50 59 64 67
62 66 68 68 68
63 77 74 73 77
64 77 80 79 79
65 67 72 76 79
66 77 70 65 71
67 75 80 76 79
68 78 75 76 74
69 78 77 72 78
70 73 72 80 78
71 64 61 63 62
72 81 80 80 80
73 74 67 68 67
74 78 74 74 79
75 70 73 72 71
76 76 79 80 73
77 70 74 73 74
78 72 69 70 71
79 81 80 64 78

Untuk menganalisis data tersebut, maka dibuat dua model analisis jalur, sebagai berikut:

 Model I

Kompensasi

Motivasi Kerja

Budaya

 Model 2

Kompensasi

Motivasi Kerja Kinerja Pegawai

Budaya

Pada tahap ini kita akan menghitung Koefisien Jalur Model I dan Koefisien Jalur Model II.

- Koefisien pi dinamakan koefisien path pengaruh langsung.


Pengaruh langsung Kompensasi ke Motivasi kerja = p1
Pengaruh langsung Budaya ke Motivasi kerja = p2
Pengaruh langsung Kompensasi ke Kinerja Pegawai = p3
Pengaruh langsung Budaya ke Kinerja Pegawai = p4
Pengaruh langsung Motivasi kerja ke Kinerja Pegawai = p5
- Adapun pengaruh tidak langsung dan pengaruh total dapat dihitung dengan cara sebagai
berikut:
Pengaruh tidak langsung Kompensasi ke Kinerja Pegawai melalui Motivasi Kerja = p1 x p5
Pengaruh tidak langsung Budaya ke Kinerja Pegawai melalui Motivasi kerja = p2 x p5
Pengaruh total Kompensasi ke Kinerja Pegawai = p3 + (p1 x p5)
Pengaruh total Budaya ke Kinerja Pegawai = p4 + (p2 x p5)

Model tersebut dapat dinyatakan dalam bentuk persamaan, sehingga membentuk system persamaan /
model struktural sebagai berikut:

1) Model I Motivasi Kerja = α0 + α1 Kompensasi + α2 Budaya + ε1


2) Model II Kinerja Pegawai = β0 + β1 Kompensasi + β2 Budaya + β3 Motivasi kerja+ ε2

Apabila sudah dibakukan:

1) Model I ZMotivasi kerja = α0 + α1 Kompensasi + α2 Budaya + ε1


2) Model II  ZKinerja Pegawai = β0 + β1 Kompensasi + β2 Budaya + β3 Motivasi kerja + ε2

Setelah dilakukan analisis dengan SPSS, maka diperoleh data sebagai berikut:

 Model I

Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 X2, X1b . Enter

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

Model Summary

Adjusted R Std. Error of the


Model R R Square Square Estimate

1 .638a .407 .396 3.914

a. Predictors: (Constant), X2, X1


ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 1176.497 2 588.248 38.398 .000b

Residual 1715.799 112 15.320

Total 2892.296 114

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

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 8.810 3.994 2.206 .029

X1 .461 .114 .336 4.041 .000

X2 .324 .067 .403 4.845 .000

a. Dependent Variable: Y

Model II

Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 Y, X1, X2b . Enter

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

Model Summary

Adjusted R Std. Error of the


Model R R Square Square Estimate

1 .803a .645 .635 3.113

a. Predictors: (Constant), Y, X1, X2

ANOVAa
Model Sum of Squares df Mean Square F Sig.

1 Regression 1953.141 3 651.047 67.176 .000b

Residual 1075.780 111 9.692

Total 3028.922 114

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

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 2.064 3.245 .636 .526

X1 .219 .097 .156 2.254 .026

X2 .120 .059 .146 2.050 .043

Y .626 .075 .612 8.335 .000

a. Dependent Variable: Z

Berdasarkan hasil analisis SPSS,

Koefisien Jalur Model I :

Mengacu pada output Regresi Model I, besarnya nilai R2 atau R Square yang terdapat pada tabel Model
Summary adalah sebesar 0,407, hal ini menunjukkan bahwa kontribusi atau sumbangan pengaruh X1
dan X2 terhadap Y adalah sebesar 40,7% sementara sisanya 59,3% merupakan kontribusi dari variabel-
variabel lain yang tidak dimasukkan dalam penelitian. Sementara itu, untuk nilai e1 dapat dicari dengan
rumus e1 = √ (1-R2), jadi e1 = √ (1-0,407) = 0,7701.

Pada bagian tabel Coefficients dapat diketahui bahwa nilai signifikansi dari kedua variabel yaitu X1 =
0,000 dan X2 = 0,000 lebih kecil dari 0,05. Hasil ini memberikan kesimpulan bahwa Regresi Model I,
yakni variabel X1 dan X2 berpengaruh signifikan terhadap Y.

Dengan demikian diperoleh model regresi untuk persamaanmodel I sebagai berikut:

 Motivasi = 8,81 + 0,461 Gaya kepemimpinan + 0,324 Lingkungan kerja

Atau bilamana sudah dibakukan:

 ZMotivasi = 0,336 ZGaya Kepemimpinan + 0,403 ZLingkungan kerja

Diagram jalur model struktur I:


E1

X1 0,336 0,7701

0,403
X2

Koefisien Jalur Model II :

Berdasarkan output Regresi Model II,besarnya nilai R2 atau R Square yang terdapat pada tabel Model
Summary adalah sebesar 0,645 hal ini menunjukkan bahwa kontribusi X1,X2 dan Y terhadap Z adalah
sebesar 64,5% sementara sisanya 35,5% merupakan kontribusi dari variabel-variabel lain yang tidak
diteliti. Sementara untuk nilai e2 = √ (1-0,645) = 0,5958

Pada bagian tabel Coefficients, diketahui bahwa nilai signifikansi dari ketiga variabel yaitu X1 = 0,026, X2
= 0,043 dan Y = 0,000 lebih kecil dari 0,05. Hasil ini memberi kesimpulan bahwa Regresi Model II, yakni
variabel X1, X2 dan Y berpengaruh signifikan terhadap Z.

Dengan demikian diperoleh model regresi untuk persemaan model II sebagai berikut:

 Kinerja Guru = 2,064 + 0,219 Gaya kepemimpinan + 0,12 Lingkungan kerja + 0,625 Motivasi

Atau bilamana sudah dibakukan:

 ZKinerja Guru = 0,156 Gaya kepemimpinan + 0,146 Lingkungan kerja + 0,612 Motivasi

Diagram jalur model struktur II:

E2

Gaya kepemimpinan 0,156 0,5958

Motivasi 0,612 Kinerja Guru

Lingkungan kerja 0,146

Dengan demikian diperoleh model diagram jalur sebagai berikut:

E1
E2

Gaya kepemimpinan 0,156 0,7701 0,5958


0,336
Motivasi 0,612 Kinerja Guru
0,403

Lingkungan kerja 0,146

Analisis pengaruh variabel eksogenus terhadap variabel endogenus:

Analisis pengaruh X1 terhadap Y: dari analisis di atas diperoleh nilai signifikansi X1 sebesar 0,000 < 0,05.
Sehingga dapat disimpulkan bahwa secara langsung terdapat pengaruh signifikan X1 terhadap Y.

Analisis pengaruh X2 terhadap Y: dari analisis di atas diperoleh nilai signifikansi X2 sebesar 0,000 < 0,05.
Sehingga dapat disimpulkan bahwa secara langsung terdapat pengaruh signifikan X2 terhadap Y.

Analisis Pengaruh X1 terhadap Z: dari analisa diperoleh nilai signifikansi X1 sebesar 0,026 < 0,05.
Sehingga dapat disimpulkan bahwa secara langsung terdapat pengaruh signifikan X1 terhadap Z.

Analisis pengaruh X2 terhadap Z: dari analisa diperoleh nilai signifikansi X2 sebesar 0,043 < 0,05.
Sehingga dapat disimpulkan bahwa bahwa secara langsung terdapat pengaruh signifikan X2 terhadap Z.

Analisis pengaruh Y terhadap Z: dari analisa diperoleh bahwa nilai signifikansi Y sebesar 0,000 < 0,05.
Sehingga dapat disimpulkan bahwa bahwa secara langsung terdapat pengaruh signifikan Y terhadap Z.

Analisis Pengaruh X1 melalui Y terhadap Z : diketahui pengaruh langsung yang diberikan X1 terhadap Z
sebesar 0,156. Sedangkan pengaruh tidak langsung X1 melalui Y terhadap Z adalah perkalian antara nilai
beta X1 terhadap Y dengan nilai beta Y terhadap Z yaitu : 0,336 x 0,612 = 0,206. Maka pengaruh total
yang diberikan X1 terhadap Z adalah pengaruh langsung ditambah dengan pengaruh tidak langsung
yaitu : 0,156 + 0,206 = 0,362. Berdasarkan hasil perhitungan di atas diketahui bahwa nilai pengaruh
langsung sebesar 0,156 dan pengaruh tidak langsung sebesar 0,206 yang berarti bahwa nilai pengaruh
tidak langsung lebih besar dibandingkan dengan nilai pengaruh langsung, hasil ini menunjukkan bahwa
secara tidak langsung X1 melalui Y mempunyai pengaruh signifikan terhadap Z.

Analisis Pengaruh X2 melalui Y terhadap Z : diketahui pengaruh langsung yang diberikan X2 terhadap Z
sebesar 0,146. Sedangkan pengaruh tidak langsung X2 melalui Y terhadap Z adalah perkalian antara nilai
beta X2 terhadap Y dengan nilai beta Y terhadap Z yaitu : 0,403 x 0,612 = 0,247. Maka pengaruh total
yang diberikan X2 terhadap Z adalah pengaruh langsung ditambah dengan pengaruh tidak langsung
yaitu : 0,146 + 0,247 = 0,393. Berdasarkan hasil perhitungan di atas diperoleh nilai pengaruh langsung
sebesar 0,146 dan pengaruh tidak langsung sebesar 0,247 yang berarti bahwa nilai pengaruh tidak
langsung lebih besar dari pada nilai pengaruh langsung, hasil ini menunjukkan bahwa secara tidak
langsung X2 melalui Y mempunyai pengaruh signifikan terhadap Z.
Jadi, pengaruh total X1 dan X2 terhadap Z melalui Y = 0,362 + 0,393 = 0,755.

Dari serangkaian pembahasan atas hasil di atas, dapat menarik kesimpulan bahwa ada pengaruh Gaya
Kepemimpinan (X1) dan Lingkungan Kerja (X2) terhadap Motivasi (Y) Serta dampaknya terhadap Kinerja
Guru (Z).

Adapun total keragaman data (koefisien determinasi total) adalah sebagai berikut:
2 2 2
 𝑅𝑚 = 1 − 𝑝𝑒1 𝑝𝑒2 = 1 − (0,7701)2 (0,5958)2 = 0,789

Model hasil analisis dapat menjelaskan sebesar 78,9% terhadap fenomena yang dikaji, sedangkan
sisanya 21,1% dijelaskan oleh variabel lain (yang belum terdapat di dalam model) dan error.