Belajar Mengolah Data dengan STATCAL untuk

Bidang Pendidikan

Disertai Perbandingan Hasil dengan SPSS

Tulisan Ini Diupdate pada 15 Oktober 2019

Download STATCAL di: www.statcal.org

Berbagai Artikel dan Video Pembelajaran Statistika: www.statcal2019.com

 DAFTAR ISI

CONTOH KASUS: KORELASI PEARSON [1]

CONTOH KASUS: REGRESI LINEAR SEDERHANA [7]

CONTOH KASUS: REGRESI LINEAR BERGANDA [14]

CONTOH KASUS: ANALISIS VARIANS SATU ARAH [22]

CONTOH KASUS: ANALISIS VARIANS DUA ARAH [31]

CONTOH KASUS: ANALISIS KOVARIAN [39]

CONTOH KASUS: ANALISIS FAKTOR [47]

iii
CONTOH KASUS: KORELASI PEARSON

Contoh Kasus-I

Misalkan seorang guru ingin meneliti apakah terdapat hubungan yang signifikan antara

jumlah jam belajar dan nilai ujian matematika. Untuk keperluan penelitian, guru tersebut

mengambil sampel sebanyak 20 siswa. Dari 20 siswa tersebut, kemudian ditanya nilai ujian

matematika yang telah diperoleh serta berapa jam yang dihabiskan untuk belajar

matematika di rumah. Data yang telah dikumpulkan disajikan pada Tabel 1.

Tabel 1 Data Jumlah Jam Belajar dan Nilai Ujian Matematika berdasarkan 20 Siswa

No Nama Jumlah Jam Belajar Nilai Ujian Matematika

1 Andi 3 65
2 Budi 4 72
3 Rina 5 86
4 Rini 2 55
5 Anggun 4 70
6 Iin 5 86
7 Intan 5 75
8 Indah 4 60
9 Rudi 6 92
10 Rina 5 88
11 Wati 3 67
12 Wawan 4 76
13 Toni 5 65
14 Anggi 5 87
15 Angga 6 82
16 Dodi 2 52
17 Dodo 3 65
18 Dani 4 77
19 Fira 0 45
20 Fini 5 69

1
Berdasarkan data pada Tabel 1, diketahui:

 Siswa bernama Andi, menghabiskan waktu untuk belajar matematika di rumah

selama 3 jam dan memperoleh nilai ujian matematika 65.

 Siswa bernama Budi, menghabiskan waktu untuk belajar matematika di rumah

selama 4 jam dan memperoleh nilai ujian matematika 72, dan seterusnya.

Dalam kasus ini, akan diuji apakah terdapat hubungan yang signifikan antara jumlah jam

belajar dan nilai ujian matematika, pada tingkat signifikansi 5%. Metode statistika yang akan

digunakan adalah korelasi Pearson.

Penyelesaian Contoh Kasus-I dengan STATCAL

Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1.

Gambar 1 Menginput Data Numerik di STATCAL

2
Selanjutnya pilih Statistics => Pearson and Spearman Correlation (Gambar 2).

Gambar 2 Menu Korelasi Pearson

Gambar 3 Pemilihan Variabel

Pada Gambar 3 lakukan pemilihan variabel, yakni pada kotak Choose Numeric Variable

(Multiple Choicea), pindahkan variabel nilai ujian matematika dan jumlah jam belajar ke

kotak sebelah kanan. Multiple Choices berarti variabel yang dapat dipindahkan ke kotak

sebelah kanan dapat lebih dari 1 variabel.

Hasil Penyelesaian Contoh Kasus-I dengan STATCAL

Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 4 merupakan hasil STATCAL

pada bagian deskriptif (Result: Descriptive). Pada hasil STATCAL bagian deskriptif, disajikan

3
beberapa nilai statistik seperti minimum, maksimum, rata-rata, standar deviasi dan

sebagainya.

Gambar 4 Result: Descriptive

Berdasarkan hasil STATCAL pada Gambar 4:

 Nilai minimum (atau nilai paling rendah) ujian matematika adalah 45 (Fira),

sementara nilai maksimum (atau nilai paling tinggi) ujian matematika adalah 92

(Rudi). Rata-rata nilai ujian matematika adalah 71,7, dengan standar deviasi 12,9131.

 Jumlah jam belajar paling rendah adalah 0 (Fira), sementara jumlah jam belajar

paling tinggi adalah 6 (Rudi dan Angga). Rata-rata jumlah jam belajar adalah 4,

dengan standar deviasi 1,4868.

4
 Gambar 5 Grafik Sebaran Data antara Jumlah Jam Belajar dan Nilai Ujian Matematika

Gambar 5 disajikan grafik sebaran data antara jumlah jam belajar dan nilai ujian matematika.

Terlihat bahwa titik-titik (data) cenderung menyebar dari kiri bawah, ke kanan atas. Dengan

kata lain jumlah jam belajar dan nilai ujian matematika berkorelasi positif. Berkorelasi positif

berarti terdapat kecenderungan jumlah jam belajar yang semakin meningkat, cenderung

nilai ujian matematika meningkat.

5
 Gambar 6 Korelasi Pearson

Gambar 6 merupakan hasil STATCAL untuk korelasi Pearson. Diketahui nilai korelasi Pearson

antara jumlah jam belajar dan nilai ujian matematika adalah 0,8581, yakni bernilai positif,

yang berarti jumlah jam belajar dan nilai ujian matematika berkorelasi positif. Berkorelasi

positif berarti terdapat kecenderungan jumlah jam belajar yang semakin meningkat,

cenderung nilai ujian matematika meningkat. Diketahui nilai P-Value adalah 0. Perhatikan

bahwa pengaturan Decimals adalah 4, sehingga nilai P-Value 0,0000 < tingkat signifikansi

0,05, maka disimpulkan jumlah jam belajar dan nilai ujian matematika berkorelasi signifikan.

Gambar 7 merupakan hasil korelasi Pearson berdasarkan SPSS.

Gambar 7 Hasil Korelasi Pearson berdasarkan SPSS

6
CONTOH KASUS: REGRESI LINEAR SEDERHANA

Contoh Kasus-I

Misalkan seorang guru ingin meneliti apakah jumlah jam belajar di rumah signifikan

mempengaruhi nilai ujian matematika. Untuk keperluan penelitian, guru tersebut

mengambil sampel sebanyak 20 siswa. Dari 20 siswa tersebut, kemudian ditanya nilai ujian

matematika yang telah diperoleh serta berapa jam yang dihabiskan untuk belajar

matematika di rumah. Data yang telah dikumpulkan disajikan pada Tabel 1.

Tabel 1 Data Jumlah Jam Belajar dan Nilai Ujian Matematika berdasarkan 20 Siswa

No Nama Jumlah Jam Belajar Nilai Ujian Matematika

1 Andi 3 65
2 Budi 4 72
3 Rina 5 86
4 Rini 2 55
5 Anggun 4 70
6 Iin 5 86
7 Intan 5 75
8 Indah 4 60
9 Rudi 6 92
10 Rina 5 88
11 Wati 3 67
12 Wawan 4 76
13 Toni 5 65
14 Anggi 5 87
15 Angga 6 82
16 Dodi 2 52
17 Dodo 3 65
18 Dani 4 77
19 Fira 0 45
20 Fini 5 69

7
Berdasarkan data pada Tabel 1, diketahui:

 Siswa bernama Andi, menghabiskan waktu untuk belajar matematika di rumah

selama 3 jam dan memperoleh nilai ujian matematika 65.

 Siswa bernama Budi, menghabiskan waktu untuk belajar matematika di rumah

selama 4 jam dan memperoleh nilai ujian matematika 72, dan seterusnya.

Dalam kasus ini, akan diuji:

 Berapa persen kontribusi jumlah jam belajar di rumah dalam mempengaruhi nilai

ujian matematika siswa?

 Dengan menggunakan tingkat signifikansi 5%, apakah jumlah jam belajar di rumah

berpengaruh signifikan terhadap nilai ujian matematika?

Metode statistika yang akan digunakan adalah regresi linear sederhana.

Penyelesaian Contoh Kasus-I dengan STATCAL

Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1.

Gambar 1 Menginput Data Numerik di STATCAL

8
Selanjutnya pilih Statistics => Linear Regression (Ordinary Least Squares Method) (Gambar

2).

Gambar 2 Menu Regresi Linear

Gambar 3 Pemilihan Variabel

Pada Gambar 3 lakukan pemilihan variabel, yakni:

9
  Pada kotak Choose Numeric Variable (Single Choice) (Dependent), pindahkan

variabel nilai ujian matematika ke kotak sebelah kanan. Single Choice berarti variabel

yang dapat dipindahkan ke kotak sebelah kanan hanya 1 variabel.

 Pada kotak Choose Numeric Variable (Multiple Choices) (Independent), pindahkan

variabel jumlah jam belajar ke kotak sebelah kanan. Multiple Choices berarti variabel

yang dapat dipindahkan ke kotak sebelah kanan dapat lebih dari 1 variabel.

Hasil Penyelesaian Contoh Kasus-I dengan STATCAL

Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 4 merupakan hasil STATCAL

pada bagian deskriptif (Result: Descriptive). Pada hasil STATCAL bagian deskriptif, disajikan

beberapa nilai statistik seperti minimum, maksimum, rata-rata, standar deviasi dan

sebagainya.

Gambar 4 Result: Descriptive

Berdasarkan hasil STATCAL pada Gambar 4:

 Nilai minimum (atau nilai paling rendah) ujian matematika adalah 45 (Fira),

sementara nilai maksimum (atau nilai paling tinggi) ujian matematika adalah 92

(Rudi). Rata-rata nilai ujian matematika adalah 71,7, dengan standar deviasi 12,9131.
10
  Jumlah jam belajar paling rendah adalah 0 (Fira), sementara jumlah jam belajar

paling tinggi adalah 6 (Rudi dan Angga). Rata-rata jumlah jam belajar adalah 4,

dengan standar deviasi 1,4868.

Gambar 5 Result: Coefficient of Determination

Gambar 5 merupakan hasil STATCAL pada bagian koefisien determinasi (Result: Coefficient

of Determination). Koefisien determinasi (r-square) merupakan suatu nilai yang mengukur

kemampuan variabel bebas dalam menjelaskan variasi (variation) variabel tak bebas.

Diketahui nilai koefisien determinasi (r-square) adalah 0,7363. Nilai tersebut dapat

diinterpretasi bahwa variabel jumlah jam belajar di rumah mampu menjelaskan variasi

(variation) variabel nilai ujian matematika sebesar 73,63%, sisanya 26,37% dipengaruhi oleh

faktor lain. Gambar 6 merupakan hasil koefisien determinasi berdasarkan SPSS.

Gambar 6 Hasil Koefisien Determinasi (R-Square) berdasarkan SPSS

11
 Gambar 7 Result: T-Test

Gambar 7 merupakan hasil STATCAL pada bagian uji t (Result: T-Test). Pada bagian ini, akan

diuji apakah jumlah jam belajar di rumah berpengaruh signifikan atau tidak terhadap nilai

ujian matematika. Berdasarkan Gambar 7, diperoleh persamaan regresi linear sederhana

sebagai berikut.

𝑌̂ = 41,8905 + 7,4524𝑋

Perhatikan bahwa variabel Y menyatakan nilai ujian matematika, sementara variabel X

menyatakan jumlah jam belajar di rumah. Diketahui:

 Nilai koefisien regresi dari variabel jumlah jam belajar di rumah adalah 7,4524, yakni

bernilai positif, yang berarti jumlah jam belajar di rumah berpengaruh positif

terhadap nilai ujian matematika. Dengan kata lain, terdapat kecenderungan,

semakin tinggi jumlah jam belajar di rumah, semakin tinggi juga nilai ujian

matematika yang akan didapat.

 Nilai P-Value untuk variabel jumlah jam belajar adalah 0. Hasil STATCAL pada bagian

T-Test dilakukan pembulatan 4 angka di belakang koma, sehingga nilai P-Value untuk

variabel jumlah jam belajar adalah 0,0000, yakni < 0,05 (tingkat signifikansi), maka

12
 disimpulkan jumlah jam belajar di rumah berpengaruh signifikan terhadap nilai ujian

matematika, pada tingkat signifikansi 5%.

Gambar 8 merupakan hasil uji t berdasarkan SPSS.

Gambar 8 Hasil Uji t berdasarkan SPSS

13
CONTOH KASUS: REGRESI LINEAR BERGANDA

Contoh Kasus-I

Misalkan seorang guru ingin meneliti apakah jumlah jam belajar di rumah dan uang jajan

signifikan mempengaruhi nilai ujian matematika. Untuk keperluan penelitian, guru tersebut

mengambil sampel sebanyak 20 siswa. Dari 20 siswa tersebut, kemudian ditanya nilai ujian

matematika yang telah diperoleh, berapa jam yang dihabiskan untuk belajar matematika di

rumah dan uang jajan. Data yang telah dikumpulkan disajikan pada Tabel 1.

Tabel 1 Data Jumlah Jam Belajar, Uang Jajan dan

Nilai Ujian Matematika berdasarkan 20 Siswa

No Nama Jumlah Jam Belajar Uang Jajan Nilai Ujian Matematika

1 Andi 3 5000 65
2 Budi 4 7000 72
3 Rina 5 3000 86
4 Rini 2 9000 55
5 Anggun 4 7200 70
6 Iin 5 6400 86
7 Intan 5 7200 75
8 Indah 4 8900 60
9 Rudi 6 3000 92
10 Rina 5 7000 88
11 Wati 3 8200 67
12 Wawan 4 7200 76
13 Toni 5 6900 65
14 Anggi 5 3000 87
15 Angga 6 6200 82
16 Dodi 2 9000 52
17 Dodo 3 8400 65
18 Dani 4 7000 77
19 Fira 0 9200 45
20 Fini 5 6000 69

14
Berdasarkan data pada Tabel 1, diketahui:

 Siswa bernama Andi, menghabiskan waktu untuk belajar matematika di rumah

selama 3 jam, uang jajan per-hari Rp. 5000 dan memperoleh nilai ujian matematika

65.

 Siswa bernama Budi, menghabiskan waktu untuk belajar matematika di rumah

selama 4 jam, uang jajan per-hari Rp. 7000 dan memperoleh nilai ujian matematika

72, dan seterusnya.

Dalam kasus ini, akan diuji:

 Berapa persen kontribusi jumlah jam belajar di rumah dan uang jajan dalam

mempengaruhi nilai ujian matematika siswa?

 Dengan menggunakan tingkat signifikansi 5%, apakah jumlah jam belajar di rumah

dan uang jajan, secara bersama-sama atau simultan, berpengaruh signifikan terhadap

nilai ujian matematika?

 Dengan menggunakan tingkat signifikansi 5%, apakah jumlah jam belajar di rumah

berpengaruh signifikan terhadap nilai ujian matematika?

 Dengan menggunakan tingkat signifikansi 5%, apakah uang jajan berpengaruh

signifikan terhadap nilai ujian matematika?

Metode statistika yang akan digunakan adalah regresi linear berganda.

15
Penyelesaian Contoh Kasus-I dengan STATCAL

Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1.

Gambar 1 Menginput Data Numerik di STATCAL

Selanjutnya pilih Statistics => Linear Regression (Ordinary Least Squares Method) (Gambar

2).

Gambar 2 Menu Regresi Linear

16
 Gambar 3 Pemilihan Variabel

Pada Gambar 3 lakukan pemilihan variabel, yakni:

 Pada kotak Choose Numeric Variable (Single Choice) (Dependent), pindahkan

variabel nilai ujian matematika ke kotak sebelah kanan. Single Choice berarti variabel

yang dapat dipindahkan ke kotak sebelah kanan hanya 1 variabel.

 Pada kotak Choose Numeric Variable (Multiple Choices) (Independent), pindahkan

variabel jumlah jam belajar dan uang jajan ke kotak sebelah kanan. Multiple Choices

berarti variabel yang dapat dipindahkan ke kotak sebelah kanan dapat lebih dari 1

variabel.

Hasil Penyelesaian Contoh Kasus-I dengan STATCAL

Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 4 merupakan hasil STATCAL

pada bagian deskriptif (Result: Descriptive). Pada hasil STATCAL bagian deskriptif, disajikan

beberapa nilai statistik seperti minimum, maksimum, rata-rata, standar deviasi dan

sebagainya.

17
 Gambar 4 Result: Descriptive

Berdasarkan hasil STATCAL pada Gambar 4:

 Nilai minimum (atau nilai paling rendah) ujian matematika adalah 45 (Fira),

sementara nilai maksimum (atau nilai paling tinggi) ujian matematika adalah 92

(Rudi). Rata-rata nilai ujian matematika adalah 71,7, dengan standar deviasi 12,9131.

 Jumlah jam belajar paling rendah adalah 0 (Fira), sementara jumlah jam belajar

paling tinggi adalah 6 (Rudi dan Angga). Rata-rata jumlah jam belajar adalah 4,

dengan standar deviasi 1,4868.

 Uang jajan paling rendah adalah 3000 (Rina, Rudi dan Anggi), sementara uang jajan

paling tinggi adalah 9200 (Fira). Rata-rata uang jajan adalah 6740, dengan standar

deviasi 1955,1282.

Gambar 5 Result: Coefficient of Determination

18
Gambar 5 merupakan hasil STATCAL pada bagian koefisien determinasi (Result: Coefficient

of Determination). Koefisien determinasi (r-square) merupakan suatu nilai yang mengukur

kemampuan variabel bebas dalam menjelaskan variasi (variation) variabel tak bebas.

Diketahui nilai koefisien determinasi (r-square) adalah 0,8063. Nilai tersebut dapat

diinterpretasi bahwa variabel jumlah jam belajar di rumah dan uang jajan mampu

menjelaskan variasi (variation) variabel nilai ujian matematika sebesar 80,63%, sisanya

19,37% dipengaruhi oleh faktor lain. Gambar 6 merupakan hasil koefisien determinasi

berdasarkan SPSS.

Gambar 6 Hasil Koefisien Determinasi (R-Square) berdasarkan SPSS

Gambar 7 Result: F-Test

Gambar 7 merupakan hasil STATCAL pada bagian uji F (Result: F-Test). Pada bagian ini, akan

diuji apakah jumlah jam belajar di rumah dan uang jajan secara bersama-sama atau

simultan, berpengaruh signifikan atau tidak terhadap nilai ujian matematika. Nilai P-Value
19
adalah 0. Hasil STATCAL pada bagian F-Test dilakukan pembulatan 4 angka di belakang

koma, sehingga nilai P-Value adalah 0,0000, yakni < 0,05 (tingkat signifikansi), maka

disimpulkan jumlah jam belajar di rumah dan uang jajan, secara bersama-sama atau

simultan, berpengaruh signifikan terhadap nilai ujian matematika, pada tingkat signifikansi

5%. Gambar 8 merupakan hasil uji F berdasarkan SPSS.

Gambar 8 Hasil Uji F berdasarkan SPSS

Gambar 9 Result: T-Test

Gambar 9 merupakan hasil STATCAL pada bagian uji t (Result: T-Test). Berdasarkan Gambar

9, diperoleh persamaan regresi linear berganda sebagai berikut.

𝑌̂ = 65,6775 + 5,4289𝑋1 − 0,0023𝑋2

20
Perhatikan bahwa variabel 𝑌 menyatakan nilai ujian matematika, variabel 𝑋1 menyatakan

jumlah jam belajar di rumah dan 𝑋2 menyatakan uang jajan. Diketahui:

 Nilai koefisien regresi dari variabel jumlah jam belajar di rumah adalah 5,4289, yakni

bernilai positif, yang berarti jumlah jam belajar di rumah berpengaruh positif

terhadap nilai ujian matematika. Dengan kata lain, terdapat kecenderungan,

semakin tinggi jumlah jam belajar di rumah, semakin tinggi juga nilai ujian

matematika yang akan didapat. Nilai P-Value untuk variabel jumlah jam belajar

adalah 0. Hasil STATCAL pada bagian T-Test dilakukan pembulatan 4 angka di

belakang koma, sehingga nilai P-Value untuk variabel jumlah jam belajar adalah

0,0004, yakni < 0,05 (tingkat signifikansi), maka disimpulkan jumlah jam belajar di

rumah berpengaruh signifikan terhadap nilai ujian matematika, pada tingkat

signifikansi 5%.

 Nilai koefisien regresi dari variabel uang jajan adalah -0,0023, yakni bernilai negatif,

yang berarti uang jajan berpengaruh negatif terhadap nilai ujian matematika. Dengan

kata lain, terdapat kecenderungan, semakin tinggi uang jajan, semakin turun nilai

ujian matematika yang akan didapat. Nilai P-Value untuk variabel uang jajan adalah

0,024, yakni < 0,05 (tingkat signifikansi), maka disimpulkan uang jajan berpengaruh

signifikan terhadap nilai ujian matematika, pada tingkat signifikansi 5%. Gambar 8

merupakan hasil uji t berdasarkan SPSS.

Gambar 10 Hasil Uji t berdasarkan SPSS

21
CONTOH KASUS: ANALISIS VARIANS SATU ARAH

Contoh Kasus-I

Misalkan seorang guru ingin meneliti apakah terdapat perbedaan nilai ujian matematika

yang signifikan di antara siswa yang hobi membaca, olahraga dan musik. Dengan kata lain,

apakah hobi signifikan mempengaruhi nilai ujian matematika. Untuk keperluan penelitian,

guru tersebut mengambil sampel sebanyak 20 siswa. Dari 20 siswa tersebut, kemudian

ditanya nilai ujian matematika yang telah diperoleh serta hobi dari siswa tersebut. Data yang

telah dikumpulkan disajikan pada Tabel 1.

Tabel 1 Data Hobi Siswa dan Nilai Ujian Matematika berdasarkan 20 Siswa

No Nama Hobi Nilai Ujian Matematika

1 Andi 1 89
2 Budi 1 87
3 Rina 1 99
4 Rini 1 90
5 Anggun 1 88
6 Iin 1 89
7 Intan 1 92
8 Indah 2 75
9 Rudi 2 65
10 Rina 2 62
11 Wati 2 75
12 Wawan 2 76
13 Toni 2 77
14 Anggi 2 74
15 Angga 3 76
16 Dodi 3 74
17 Dodo 3 67
18 Dani 3 66
19 Fira 3 65
20 Fini 3 69

22
 Label
Angka
Hobi
1 Membaca
2 Olahraga
3 Musik

Berdasarkan data pada Tabel 1, diketahui:

 Siswa bernama Andi memiliki hobi membaca, dengan nilai ujian matematika 89.

 Siswa bernama Indah memiliki hobi olahraga, dengan nilai ujian matematika 75, dan

seterusnya.

Dalam kasus ini, akan diuji:

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian

matematika yang signifikan di antara siswa yang memiliki hobi membaca, olahraga

dan musik. Dengan kata lain, apakah hobi signifikan mempengaruhi nilai ujian

matematika?

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian

matematika yang signifikan antara siswa yang memiliki hobi membaca dan olahraga?

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian

matematika yang signifikan antara siswa yang memiliki hobi membaca dan musik?

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian

matematika yang signifikan antara siswa yang memiliki hobi olahraga dan musik?

Metode statistika yang akan digunakan adalah analisis varians satu arah (one way analysis of

variance) dan uji least significant difference (LSD).

23
Penyelesaian Contoh Kasus-I dengan STATCAL

Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1 dan

Gambar 2.

Gambar 1 Menginput Data Numerik di STATCAL

Gambar 2 Menginput Data Kategori di STATCAL

24
Selanjutnya pilih Statistics => One-Way Analysis of Variance (ANOVA) and Kruskal-Wallis

Test (Gambar 3).

Gambar 3 Menu Analisis Varians Satu Arah

Gambar 4 Pemilihan Variabel

Pada Gambar 4 lakukan pemilihan variabel, yakni:

 Pada kotak Choose Numeric Variable (Multiple Choices), pindahkan variabel nilai

ujian matematika ke kotak sebelah kanan. Multiple Choices berarti variabel yang

dapat dipindahkan ke kotak sebelah kanan dapat lebih dari 1 variabel.

25
  Pada kotak Choose Categorical Variable (Single Choice), pindahkan variabel hobi ke

kotak sebelah kanan. Single Choice berarti variabel yang dapat dipindahkan ke kotak

sebelah kanan hanya sebanyak 1 variabel.

Hasil Penyelesaian Contoh Kasus-I dengan STATCAL

Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 5 merupakan hasil STATCAL

pada bagian deskriptif (Result: Descriptive). Pada hasil STATCAL bagian deskriptif, disajikan

beberapa nilai statistik seperti minimum, maksimum, rata-rata, standar deviasi dan

sebagainya.

Gambar 5 Result: Descriptive

Berdasarkan hasil STATCAL pada Gambar 5:

 Diketahui rata-rata nilai ujian matematika pada siswa dengan hobi membaca adalah

90,5714, dengan standar deviasi 4,0356.

 Diketahui rata-rata nilai ujian matematika pada siswa dengan hobi olahraga adalah

72, dengan standar deviasi 5,9442.

26
  Diketahui rata-rata nilai ujian matematika pada siswa dengan hobi musik adalah 69,5,

dengan standar deviasi 4,5056.

Gambar 6 Grafik Garis Rata-Rata Nilai Ujian Matematika berdasarkan Hobi

Gambar 6 disajikan grafik garis rata-rata nilai ujian matematika berdasarkan hobi. Secara

rata-rata terlihat bahwa rata-rata nilai ujian matematika paling tinggi terjadi pada siswa

dengan hobi membaca, dengan nilai rata-rata 90,57, sementara rata-rata nilai ujian

matematika paling rendah adalah 69,5.

Gambar 7 Grafik Boxplot

27
Gambar 7 disajikan grafik boxplot. Grafik boxplot tersebut menampilkan sebaran data nilai

ujian matematika berdasarkan hobi. Pada grafik boxplot tersebut, titik yang berwarna merah

dapat diartikan data tersebut cenderung menyebar jauh dari rata-ratanya (data ekstrim atau

outlier).

Gambar 8 Grafik Garis Rata-Rata Nilai Ujian Matematika berdasarkan Hobi

Gambar 8 disajikan grafik batang rata-rata nilai ujian matematika berdasarkan hobi. Secara

rata-rata terlihat bahwa rata-rata nilai ujian matematika paling tinggi terjadi pada siswa

dengan hobi membaca, dengan nilai rata-rata 90,57 (dengan standar deviasi 4,04),

sementara rata-rata nilai ujian matematika paling rendah adalah 69,5 (dengan standar

deviasi 4,51).

28
 Gambar 9 Result: One-Way ANOVA (Analisis Varians Satu Arah)

Gambar 9 merupakan hasil analisis varians satu arah (one-way ANOVA). Berdasarkan

Gambar 9 diketahui nilai P-Value adalah 0. Hasil STATCAL pada bagian One-Way Analysis of

Variance (ANOVA) dilakukan pembulatan 4 angka di belakang koma, sehingga nilai P-Value

untuk variabel nilai ujian matematika adalah 0,0000, yakni < 0,05 (tingkat signifikansi), maka

disimpulkan terdapat perbedaan nilai ujian matematika yang signifikan di antara siswa yang

memiliki hobi membaca, olahraga dan musik. Dengan kata lain, apakah hobi signifikan

mempengaruhi nilai ujian matematika. Gambar 10 merupakan hasil ANOVA berdasarkan

SPSS.

Gambar 10 Hasil ANOVA berdasarkan SPSS

29
 Gambar 11 Result: Least Significant Difference (LSD)

Gambar 11 merupakan hasil uji least significant difference (LSD). Berdasarkan hasil uji LSD

pada Gambar 11:

 Terdapat perbedaan nilai ujian matematika yang signifikan antara siswa yang

memiliki hobi membaca dan olahraga (P-Value = 0,000 < 0,05).

 Terdapat perbedaan nilai ujian matematika yang signifikan antara siswa yang

memiliki hobi membaca dan musik (P-Value = 0,000 < 0,05).

 Tidak terdapat perbedaan nilai ujian matematika yang signifikan antara siswa yang

memiliki hobi olahraga dan musik (P-Value = 0,000 < 0,05).

Gambar 12 merupakan hasil uji LSD berdasarkan SPSS.

Gambar 12 Hasil Uji LSD berdasarkan SPSS

30
CONTOH KASUS: ANALISIS VARIANS DUA ARAH

Contoh Kasus-I

Misalkan seorang guru ingin meneliti apakah faktor jenis kelamin dan hobi memiliki

pengaruh yang signifikan terhadap nilai ujian matematika siswa. Untuk keperluan penelitian,

guru tersebut mengambil sampel sebanyak 18 siswa. Data yang telah dikumpulkan disajikan

pada Tabel 1.

Tabel 1 Data Jenis Kelamin, Hobi dan Nilai Ujian Matematika berdasarkan 18 Siswa

No Nama Jenis Kelamin Hobi Nilai Ujian Matematika

1 Andi 1 1 65
2 Budi 1 1 65
3 Bima 1 1 64
4 Tono 1 1 65
5 Toni 1 2 91
6 Tohar 1 2 92
7 Rudi 1 2 91
8 Wawan 1 2 92
9 Deri 1 2 91
10 Rini 2 1 91
11 Rina 2 1 92
12 Sari 2 1 91
13 Sasi 2 1 92
14 Sisi 2 2 65
15 Dini 2 2 64
16 Dina 2 2 65
17 Fina 2 2 64
18 Fini 2 2 65

Label
Angka
Jenis Kelamin Hobi
1 Laki-Laki Membaca
2 Perempuan Olahraga

31
Berdasarkan data pada Tabel 1, diketahui:

 Siswa bernama Andi dengan jenis kelamin laki-laki, memiliki hobi membaca, dengan

nilai ujian matematika 65.

 Siswa bernama Rini dengan jenis kelamin perempuan, memiliki hobi membaca,

dengan nilai ujian matematika 91, dan seterusnya.

Dalam kasus ini, akan diuji:

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian

matematika yang signifikan di antara siswa laki-laki dan perempuan? Dengan kata

lain, apakah jenis kelamin signifikan mempengaruhi nilai ujian matematika?

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian

matematika yang signifikan di antara siswa yang memiliki hobi membaca dan

olahraga? Dengan kata lain, apakah hobi signifikan mempengaruhi nilai ujian

matematika?

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat interaksi yang

signifikan antara jenis kelamin dan hobi, dalam pengaruhnya terhadap nilai ujian

matematika?

Metode statistika yang akan digunakan adalah analisis varians dua arah (two way analysis of

variance).

Penyelesaian Contoh Kasus-I dengan STATCAL

Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1 dan

Gambar 2.

32
 Gambar 1 Menginput Data Numerik di STATCAL

Gambar 2 Menginput Data Kategori di STATCAL

Selanjutnya pilih Statistics => Two-Way Analysis of Variance (Two Way ANOVA) (Gambar

3).

33
 Gambar 3 Menu Analisis Varians Dua Arah

Gambar 4 Pemilihan Variabel

Pada Gambar 4 lakukan pemilihan variabel, yakni:

 Pada kotak Choose Numeric Variable (Multiple Choices), pindahkan variabel nilai

ujian matematika ke kotak sebelah kanan.

34
  Pada kotak Choose Categorical Variable (Single Choice), pindahkan variabel jenis

kelamin dan hobi ke kotak sebelah kanan. Single Choice berarti variabel yang dapat

dipindahkan ke kotak sebelah kanan hanya sebanyak 1 variabel.

Hasil Penyelesaian Contoh Kasus-I dengan STATCAL

Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 5 merupakan hasil STATCAL

untuk analisis varians 2 arah.

Gambar 5 Hasil Analisis Varians 2 Arah (Two Way ANOVA)

Berdasarkan hasil STATCAL pada Gambar 5:

 Diketahui nilai P-Value (kolom Pr(>F) pada baris jenis kelamin adalah 0,924 > 0,05,

maka disimpulkan tidak terdapat perbedaan nilai ujian matematika yang signifikan

berdasarkan jenis kelamin. Dengan kata lain, faktor jenis kelamin tidak signifikan

mempengaruhi nilai ujian matematika.

 Diketahui nilai P-Value (kolom Pr(>F) pada baris hobi adalah 0,636 > 0,05, maka

disimpulkan tidak terdapat perbedaan nilai ujian matematika yang signifikan

35
 berdasarkan hobi. Dengan kata lain, faktor hobi tidak signifikan mempengaruhi nilai

ujian matematika.

 Diketahui nilai P-Value (kolom Pr(>F) pada baris Jenis Kelamin*Hobi adalah 0.

Perhatikan pengaturan Decimals pada Gambar 5 adalah 3. Sehingga nilai P-Value

0,000 < 0,05, maka disimpulkan terdapat interaksi yang signifikan antara jenis

kelamin dan hobi, dalam pengaruhnya terhadap nilai ujian matematika.

Gambar 6 merupakan hasil uji analisis varians 2 arah berdasarkan SPSS.

Gambar 6 Hasil Uji Analisis Varians 2 Arah berdasarkan SPSS

Data pada Tabel 1 disajikan kembali pada Tabel 2.

Tabel 2 Data Jenis Kelamin, Hobi dan Nilai Ujian Matematika berdasarkan 18 Siswa

No Nama Jenis Kelamin Hobi Nilai Ujian Matematika

1 Andi 1 1 65
2 Budi 1 1 65
3 Bima 1 1 64
4 Tono 1 1 65
5 Toni 1 2 91
6 Tohar 1 2 92
7 Rudi 1 2 91
8 Wawan 1 2 92
9 Deri 1 2 91
10 Rini 2 1 91

36
 11 Rina 2 1 92
12 Sari 2 1 91
13 Sasi 2 1 92
14 Sisi 2 2 65
15 Dini 2 2 64
16 Dina 2 2 65
17 Fina 2 2 64
18 Fini 2 2 65

Berdasarkan data pada Tabel 2, terlihat bahwa:

 Nilai ujian matematika cenderung tinggi pada jenis kelamin laki-laki dan hobi

olahraga.

 Sementara nilai ujian matematika cenderung tinggi pada jenis kelamin perempuan

dan hobi membaca.

Perhatikan grafik garis rata-rata pada Gambar 7.

Gambar 7 Grafik Garis Rata-Rata Nilai Ujian Matematika

berdasarkan Jenis Kelamin dan Hobi

37
Perhatikan Gambar 7 terlihat bahwa pada jenis kelamin laki-laki, rata-rata nilai ujian

matematika untuk siswa dengan hobi olahraga (91,4) lebih tinggi dibandingkan siswa dengan

hobi membaca (64,75). Sementara pada jenis kelamin perempuan, rata-rata nilai ujian

matematika untuk siswa dengan hobi membaca (91,5) lebih tinggi dibandingkan siswa

dengan hobi olahraga (64,4). Grafik garis berpotongan (terdapat interaksi).

38
CONTOH KASUS: ANALISIS KOVARIAN

Contoh Kasus-I

Misalkan seorang guru ingin meneliti apakah metode mengajar dan IQ memiliki pengaruh

yang signifikan terhadap nilai ujian matematika siswa. Untuk keperluan penelitian, guru

tersebut mengambil sampel sebanyak 12 siswa. Data yang telah dikumpulkan disajikan pada

Tabel 1.

Tabel 1 Data Metode Mengajar, IQ dan Nilai Ujian Matematika berdasarkan 12 Siswa

No Nama Metode Mengajar IQ Nilai Ujian Matematika

1 Andi 1 101 65
2 Budi 1 102 72
3 Rina 1 99 33
4 Rini 1 100 56
5 Tono 2 101 79
6 Toni 2 102 83
7 Dona 2 99 45
8 Doni 2 100 78
9 Sepri 3 101 95
10 Indah 3 102 99
11 Iin 3 99 79
12 Vitri 3 100 91

Label
Angka
Metode Mengajar
1 Metode A
2 Metode B
3 Metode C

39
Berdasarkan data pada Tabel 1, diketahui:

 Siswa bernama Andi mendapatkan metode mengajar dengan metode A, memiliki IQ

101 dan nilai ujian matematika 54.

 Siswa bernama Tono mendapatkan metode mengajar dengan metode B, memiliki IQ

101 dan nilai ujian matematika 71, dan seterusnya.

Dalam kasus ini, akan diuji:

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian

matematika yang signifikan di antara metode mengajar A, B dan C? Dengan kata lain,

apakah metode mengajar signifikan mempengaruhi nilai ujian matematika?

 Dengan menggunakan tingkat signifikansi 5%, apakah IQ memiliki pengaruh yang

signifikan terhadap nilai ujian matematika?

 Dengan menggunakan tingkat signifikansi 5%, apakah terdapat interaksi yang

signifikan antara metode mengajar dan IQ, dalam pengaruhnya terhadap nilai ujian

matematika?

Metode statistika yang akan digunakan adalah analisis kovarian (analysis of covariance).

Penyelesaian Contoh Kasus-I dengan STATCAL

Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1 dan

Gambar 2.

40
 Gambar 1 Menginput Data Numerik di STATCAL

Gambar 2 Menginput Data Kategori di STATCAL

Selanjutnya pilih Statistics => Analysis of Covariance (ANCOVA) (Gambar 3).

41
 Gambar 3 Menu Analisis Kovarian

Gambar 4 Pemilihan Variabel

Pada Gambar 4 lakukan pemilihan variabel, yakni:

 Pada kotak Choose Numeric Variable (Dependent) (Single Choice), pindahkan

variabel nilai ujian matematika ke kotak sebelah kanan. Single Choice berarti variabel

yang dapat dipindahkan ke kotak sebelah kanan hanya sebanyak 1 variabel.

42
  Pada kotak Choose Numeric Variable (Covariate) (Single Choice), pindahkan variabel

IQ ke kotak sebelah kanan. Single Choice berarti variabel yang dapat dipindahkan ke

kotak sebelah kanan hanya sebanyak 1 variabel.

 Pada kotak Choose Categorical Variable (Independent) (Single Choice), pindahkan

variabel metode mengajar ke kotak sebelah kanan. Single Choice berarti variabel

yang dapat dipindahkan ke kotak sebelah kanan hanya sebanyak 1 variabel.

Hasil Penyelesaian Contoh Kasus-I dengan STATCAL

Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 5 merupakan hasil STATCAL

untuk pengujian asumsi homogenitas regresi

Gambar 5 Result: Assumption Test of Homogeneity of Regression

Untuk menentukan apakah asumsi homogenitas dari regresi terpenuhi atau tidak, maka

dapat dilakukan dengan membandingkan nilai P-Value (nilai pada kolom PR(>F)) pada baris

IQ*Metode Mengajar. Diketahui nilai P-Value adalah 0,453 > 0,05 (tingkat signifikansi 5%),

maka disimpulkan asumsi homogenitasi dari regresi terpenuhi.

43
Terpenuhinya asumsi homogenitas berarti tidak terjadi interaksi yang begitu signifikan

antara metode mengajar dan IQ dalam pengaruhnya terhadap nilai ujian matematika.

Dengan kata lain, asumsi mengenai kemiringan dari garis regresi populasi adalah sama untuk

setiap kategori pada metode mengajar terpenuhi pada tingkat signifikansi 5%. Gambar 6

merupakan hasil uji asumsi homogenitas regresi berdasarkan SPSS.

Gambar 6 Hasil Uji Homogenitas Regresi berdasarkan SPSS

Gambar 7 merupakan hasil STATCAL untuk pengujian asumsi linearitas regresi.

Gambar 7 Result: Linearity Assumption Test

Asumsi linearitas dari regresi berarti terdapat hubungan linear yang signifikan antara

kovariat (IQ) dengan variabel tak bebas (nilai ujian matematika). Signifikan atau tidak dari

hubungan linear tersebut dapat diuji dengan menggunakan korelasi Pearson.

44
Gamst dkk. (2008:458) jika hubungan linear antara kovariat dan variabel tak bebas tidak

signifikan, prosedur pendekatan regresi linear yang melibatkan kovariat akan memberikan

hasil estimasi yang tidak tepat (no viable prediction).

Untuk menentukan apakah asumsi linearitas dari regresi terpenuhi atau tidak, perhatikan

nilai P-Value, yakni bernilai 0,042 < tingkat signifikansi 0,05, maka disimpulkan asumsi

linearitas dari regresi terpenuhi. Terpenuhinya asumsi linearitas dari regresi menunjukkan

terdapat alasan yang cukup kuat untuk memasukkan variabel IQ sebagai kovariat. Gambar 8

merupakan hasil uji asumsi linearitas regresi berdasarkan SPSS.

Gambar 8 Hasil Uji Homogenitas Regresi berdasarkan SPSS

Gambar 9 merupakan hasil STATCAL untuk analisis kovarian (analysis of covariance)

Gambar 9 Result: Analysis of Covariance

45
Berdasarkan hasil analisis kovarian pada Gambar 9 diperoleh hasil:

 Diketahui nilai P-Value (kolom Pr(>F)) pada IQ adalah 0,001 < tingkat signifikansi 0,05,

maka disimpulkan terdapat pengaruh yang signifikan antara IQ terhadap nilai ujian

matematika.

 Diketahui nilai P-Value (kolom Pr(>F)) pada metode mengajar adalah 0,001 < tingkat

signifikansi 0,05, maka disimpulkan terdapat perbedaan nilai ujian matematika yang

signifikan di antara metode mengajar A, B dan C. Dengan kata lain, faktor metode

mengajar signifikan mempengaruhi nilai ujian matematika, pada tingkat signifikansi

5%.

Gambar 10 merupakan hasil analisis kovarian berdasarkan SPSS.

Gambar 10 Hasil Analisis Kovarian berdasarkan SPSS

46
CONTOH KASUS: ANALISIS FAKTOR

Contoh Kasus-I

Analisis faktor merupakan suatu metode yang dapat mereduksi sekumpulan variabel-

variabel asli (original variables) menjadi beberapa variabel baru, yang disebut dengan faktor

atau dimensi. Analisis faktor berusaha menghasilkan faktor dengan jumlah seminimal

mungkin, yang mana faktor-faktor tersebut mampu menjelaskan jumlah maksimal dari

variance (explaining the maximum amount of common variance in a correlation matrix)

dalam matriks korelasi atau matriks R (keseluruhan variabel) (Gio dan Elly, 2015).

Misalkan seorang peneliti sedang melakukan penelitian terkait penilaian kesukaan mengenai

menggambar, berhitung, bergaul, menyendiri dan musik berdasarkan 12 siswa. Skor

penilaian dimulai dari 1 (menyatakan sangat tidak suka) sampai dengan skor 10 (menyatakan

sangat suka). Data yang telah dikumpulkan disajikan pada Tabel 1.

Tabel 1 Data Penilaian 12 Responden berdasarkan Kesukaan

Nama Menggambar Berhitung Bergaul Menyendiri Musik

Ani 9 9 9 9 4
Budi 4 8 4 8 4
Intan 7 5 7 5 7
Joko 9 5 5 5 3
Edi 4 9 4 9 4
Irwan 9 2 9 2 9
Sari 9 7 9 7 9
Didi 5 5 5 5 5
Danu 3 8 3 8 3
Ima 9 6 9 2 9
Dini 6 9 6 9 6
Dono 5 9 5 9 5

47
Metode analisis faktor akan digunakan untuk mereduksi kelima variabel penilaian tersebut,

menjadi variabel-variabel atau faktor-faktor baru.

Penyelesaian Contoh Kasus-I dengan STATCAL

Pilih Statistics => Factor Analysis (FA) (Gambar 1).

Gambar 1 Menu Factor Analysis

48
 Gambar 2 Factor Analysis dengan STATCAL

Pada Gambar 2, pindahkan data pada Tabel 1 ke bagian Eenter Your Data. Pada bagian

Number of Factor, misalkan faktor baru yang akan dibuat sebanyak 2. Kemudian pada

bagian Rotation pilih Varimax. Hasil analisis faktor diperlihatkan pada Gambar 3.

Gambar 3 Hasil Analisis Faktor dengan STATCAL

49
Berdasarkan Gambar 3, diperoleh hasil:

 Terbentuk 2 faktor, katakanlah faktor I dan faktor II.

 Faktor I meliputi variabel menggambar, bergaul dan musik.

 Faktor II meliputi berhitung dan menyendiri.

Selanjutnya, 2 faktor baru tersebut diberikan nama baru. Misalkan untuk faktor I, yakni

menggambar, bergaul dan musik, diberi nama faktor otak kanan, sementara faktor II, yakni

berhitung dan menyendiri, diberi nama faktor otak kiri.

50
Referensi

[1] John Maindonald dan W. John Braun, 2010, Data Analysis and Graphics Using R, An
Example-Based Approach 3rd Edition, Cambridge University Press.

[2] Gareth James, Daniela Witten, Trevor Hastie dan Robert Tibshirani, 2014, An Introduction to
Statistical Learning with Applications in R, Springer.

[3] Peter Dalgaard, 2008, Introductory Statistics with R, 2nd Edition, Springer.

[4] Michael J. Crawley, 2015, Statistics, An Introduction Using R, 2nd Edition, John Wiley and
Sons, Ltd.

[5] Sanders & Smidth, 2000, Statistics, A First Course, 6th Edition, McGraw-Hill.

[6] Douglas C. Montgomery dan George C. Runger, 2014, Applied Statistics and Probability for
Engineers, 6th Edition, John Wiley & Sons.

[7] Alan Agresti dan Barbara Finlay, 2009, Statistical Methods for the Social Sciences, 4th
Edition, Prentice Hall.

[8] Andy Field, 2009, Discovering Statistics Using SPSS, 3rd Edition, Sage.

[9] Damodar N. Gujarati, 2003, Basic Econometrics, 4th Edition, McGraw-Hill.

[10] Prem S. Mann, 2013, Introductory Statistics, 8th Edition, John Wiley and Sons.

[11] Murray R. Spiegel dan Larry J. Stephens, 2008, Statistics 4th Edition, McGraw-Hill
Companies.

[12] Jim Albert, 2009, Bayesian Computation with R, 2nd Edition, Springer.

[13] Nick T. Thomopoulos, 2013, Essentials of Monte Carlo Simulation, Statistical Methods for
Building Simulation Models, Springer.

[14] Sugiyono, 2015, Metode Penelitian Manajemen, Penerbit ALFABETA.

[15] Yvonne Augustine dan Robert Kristaung, 2013, Metodologi Penelitian Bisnis dan
Akuntansi, Dian Rakyat.

[16] W. J. Conover, 1999, Practical Nonparametric Statistics 3rd Edition, John Wiley and Sons.

[17] Paul H. Kvam dan Brani Vidakovic, 2007, Nonparametric Statistics with Applications to
Science and Engineering, John Wiley and Sons.

51
[18] Baron, R. M dan Kenny, D. A., 1986. The Moderator-Mediator Variable Distinction in
Social Psychological Research: Conceptual, Strategic, and Statistical Considerations. Journal of
Personality and Social Psychology. Vol. 51, No. 6, 1173-1182. American Psychological
Association, Inc.

[19] Hair, J.F Jr., R.E. Anderson, B.J. Babin, dan W.C. Black. 2010. Multivariate Data Analysis, 7th
Edition. Pearson Prentice Hall.

[20] Hair, J.F Jr., G.T.M. Hult, C.M. Ringle, dan M. Sarstedt. 2014. A Primer on Partial Least Squares
Structural Equation Modeling (PLS-SEM). Sage.

[21] MacKinnon, D.P. 2008. Introduction to Statistical Mediation Analysis. Lawrence Erlbaum
Associates.

[22] Meyers, L.S., G. Gamst, dan A.J. Guarino. 2005. Applied Multivariate Research, Design
and Interpretation. Sage.

[23] Mindrila, D. 2010, Maximum Likelihood (ML) and Diagonally Weighted Least Squares
(DWLS) Estimation Procedures: A Comparison of Estimation Bias with Ordinal and
Multivariate Non-Normal Data, International Journal of Digital Society (IJDS), Volume 1, Issue
1.

[24] Preacher, K. J dan Hayes, A. F., 2004. SPSS and SAS Procedures for Estimating Indirect
Effects in Simple Mediation Models. Behavior Research Methods, Instruments, & Computers, 36
(4), 717-731. Psychonomic Society, Inc.

[25] Preacher, K. J dan Leonardelli, G. J., 2006. Calculation for the Sobel Test: An Interactive
Calculation Tool for Mediation Tests. www.psych.ku.edu/ preacher/sobel/sobel.htm.

[26] Schumacker, R.E. dan R.G. Lomax. 2010. A Beginner's Guide to Structural Equation
Modeling, 3rd Edition. Rouletdge.

[27] Sholihin, M. dan D. Ratmono. 2013. Analisis SEM-PLS dengan WarpPLS 3.0 untuk
Hubungan Nonlinear dalam Penelitian Sosial dan Bisnis. Penerbit ANDI.

[28] Gio, P.U. dan Elly, Rosmaini, 2016, Belajar Olah Data dengan SPSS, Minitab, R, Microsoft
Excel, EViews, LISREL, AMOS dan SmartPLS, USUpress.

[29] Rosseel, Yves, 2018, The lavaan tutorial

[30] Haryono, Siswoyo, 2017, Metode SEM untuk Penelitian Manajemen AMOS, LISREL PLS,
luxima.

52
[31] Ghozali, Imam, 2013, Aplikasi Analisis Multivariate dengan Program IBM SPSS 22 Update
PLS Regresi, Penerbit Universitas Diponegoro.

[32] Yves Rosseel (2012). lavaan: An R Package for Structural Equation Modeling. Journal of
Statistical Software, 48(2), 1-36. URL http://www.jstatsoft.org/v48/i02/.

[33] Gamst, G., L.S. Meyers, dan A.J. Guarino. 2008. Analysis of Variance Designs,
Computational Approach with SPSS and SAS. Cambridge: Cambridge University Press.

http://www.sthda.com/english/wiki/ggplot2-quick-correlation-matrix-heatmap-r-software-and-data-
visualization

http://www.sthda.com/english/wiki/ggcorrplot-visualization-of-a-correlation-matrix-using-ggplot2

https://briatte.github.io/ggcorr/

http://jamesmarquezportfolio.com/correlation_matrices_in_r.html

http://a-little-book-of-r-for-time-series.readthedocs.io/en/latest/src/timeseries.html

https://www.r-bloggers.com/plotting-time-series-data-using-ggplot2/

https://www.statmethods.net/advstats/timeseries.html

https://plot.ly/r/time-series/

https://plot.ly/ggplot2/facet/

http://ggplot2.tidyverse.org/reference/facet_grid.html

http://cookbook-r.com/Graphs/Facets_(ggplot2)/

http://www.sthda.com/english/wiki/ggplot2-facet-split-a-plot-into-a-matrix-of-panels

https://www3.nd.edu/~steve/computing_with_data/13_Facets/facets.html

https://www3.nd.edu/~steve/computing_with_data/13_Facets/facets.html

http://sape.inf.usi.ch/quick-reference/ggplot2/facet

https://cran.r-project.org/web/packages/shinythemes/index.html

https://cran.r-project.org/web/packages/lavaan/index.html

https://cran.r-project.org/web/packages/plspm/index.html

https://cran.r-project.org/web/packages/ggplot2/index.html

https://cran.r-project.org/web/packages/reshape2/index.html

53
https://cran.r-project.org/web/packages/dplyr/index.html

https://cran.r-project.org/web/packages/shiny/index.html

https://cran.r-project.org/web/packages/plyr/index.html

https://cran.r-project.org/web/packages/DT/index.html

https://cran.r-project.org/web/packages/doBy/index.html

https://cran.r-project.org/web/packages/GGally/index.html

https://cran.r-project.org/web/packages/plotrix/index.html

https://cran.r-project.org/web/packages/tseries/index.html

https://cran.r-project.org/web/packages/nortest/index.html

https://cran.r-project.org/web/packages/car/index.html

https://cran.r-project.org/web/packages/RVAideMemoire/index.html

https://cran.r-project.org/web/packages/plm/index.html

https://cran.r-project.org/web/packages/colourpicker/index.html

https://cran.r-project.org/web/packages/psych/index.html

https://cran.r-project.org/web/packages/DescTools/index.html

https://cran.r-project.org/web/packages/semPlot/index.html

54