1.Hipotesis
Hipotesis adalah pernyataan mengenai sesuatu hal yang masih harus diuji kebenarannya.
Contoh :
a. Seorang produsen mobil merek “X” mengatakan bahwa konsumsi bahan bakar produknya dapat
mencapai 25 km tiap liternya.
b. Produsen obat flu merek “Z” mengatakan bahwa obat produknya mengandung “asetaminopen
200 mg”
Pernyataan seperti contoh-contoh diatas merupakan hipotesis bagi kita dan para pembeli.
Hipotesis statistik yang akan diuji dinamakan hipotesis nihil (atau hipotesis nol) dan diberi
symbol H0 sedang hipotesis lawannya dinamakan hipotesis alternatif dan diberi symbol Ha atau H1.
1
Langkah 1 : Formulasi H0 dan H1. CONTOH DI APP UJI MEAN 1 SAMPLE
'
H0 : = 10
H1 : 10
H0 dibaca rata-rata luas yang dicapai untuk 1 kaleng cat tembok adalah 10 m2.
H1 dibaca rata-rata luas yang dicapai untuk 1 kaleng cat tembok tidaklah sama dengan 10 m2.
Langkah 2.
= 5 %, carilah tabel t untuk menentukan t tabel. Pada tabel t didapat angka 2,571.
Sehingga dengan = 5 % di dapat t tabel = 2,571.
Langkah 3
Kriteria Pengujian.
Berdasarkan tabel t tersebut, dapatlah digambar sebagai berikut :
Daerah terima
-2,571 0 2,571
X
t hitung
S/ n
Perhitungan :
9,6 10,2 10 9,2 9,5 10,4
X
6
X 9,8167 9,82
(9,6 9,82) 2 (10,2 9,82) 2 (10 9,82) 2 (9,2 9,82) 2 (9,5 9,82) 2 (10,4 9,82) 2
S S
6 1
= 0,4579
Sehingga :
9,82 10
t hitung
0,4579 / 6
Langkah 5
Dari hasil perhitungan pada langkah 4, dan dengan membandingkannya pada langkah 3, maka
dapat terlihat bahwa t hitung terletak antara –2,571 dan 2,571.
Sehingga kesimpulan yang diperoleh ialah bahwa H0 diterima.
2
Langkah 6
Arti dari H0 diterima kita kembalikan pada makna sesungguhnya Hipotesis H0 itu sendiri, yaitu
rata-rata luas yang dicapai untuk 1 kaleng cat tembok adalah 10 m2.
Sekarang marilah kita melihat hasil perhitungan yang diperoleh dari SPSS sebagai berikut :
One-Sample Statistics
Std. Error
N Mean Std. Deviation Mean
LUAS 6 9.817 .458 .187
One-Sample Test
Test Value = 10
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
LUAS -.981 5 .372 -.183 -.664 .297
Yang perlu mendapat perhatian pada output SPSS ialah pada kolom ke 4 yaitu Sig (2-tailed).
Kriteria keputusan didasarkan pada angka dibawah Sig (2-tailad) tersebut dengan pedoman sebagai
berikut :
Perhatikan bahwa dari output SPSS dapat diambil kesimpulan bahwa H0 diterima.
Akan terdapat hasil yang sama antara manual dan perhitungan dengan bantuan komputer (SPSS).
Contoh :
Telah menjadi pendapat umum bahwa ada perbedaan daya tahan lampu merk “A” dengan
merk “B”. suatu penelitian dilakukan oleh lembaga konsumen untuk membuktikan pendapat umum
tersebut dengan mengambil masing-masing 10 lampu yang bertipe sejenis.
3
Hasil pengujian daya tahan lampu (dalam ratusan jam) tercatat sebagai berikut :
Merk
A B
80 75
75 80
83 80
80 75
73 83
68 65
70 80
80 70
75 80
80 75
Dengan taraf Signifikansi = 5 %, apakah daya tahan lampu merk “A” dan merk “B” berbeda secara
nyata?
Jawab :
Langkah 1 :
Formulasikan H0 dan H1
H0 : 1 = 2
H1 : 1 2
H0 dibaca rata-rata daya tahan lampu merk “A” sama dengan rata-rata daya tahan lampu merk
“B”.
H1 dibaca rata-rata daya tahan lampu merk “A” tidak sama dengan rata-rata daya tahan lampu
merk “B”.
Langkah 2
=5%
Carilah pada tabel t untuk menentukan t tabel dengan d.f = n1 + n2 – 2 = 10 + 10 – 2 = 18.
Pada tabel t didapat angka 2,101.
Langkah 3.
Kriteria pengujian :
-2,101 0 2,101
4
Langkah 4.
Rumus untuk uji mean dua sampel independen.
X1 X 2
t hitung
(n1 1) S12 (n 2 1) S 22 1 1
n1 n 2 2 n1 n 2
Perhitungan :
80 75 83 80 73 68 70 80 75 80
X1 76,4
10
75 80 80 75 83 65 80 70 80 75
X2 76,3
10
= 4,971
= 5,498
76,4 76,3
t hitung
(10 1)( 4,971) 2 (10 1)(5,498) 2 1 1
10 10 2 10 10
= 0,043
Langkah 5.
Dari tabel perhitungan pada langkah 4, dan dengan membandingkan pada langkah 3, maka dapat
terlihat bahwa t hitung terletak antara –2,101 dan 2,101 sehingga kesimpulan yag diperoleh ialah
bahwa H0 diterima.
Langkah 6.
Arti dari H0 diterima kita kembalikan pada makna sesungguhnya Hipotesis H0 itu sendiri, yaitu
rata-rata daya tahan lampu merek “A” sama dengan rara-rata daya tahan lampu merek “B”
Sekarang marilah kita lihat hasil perhitungan yang diperoleh dari SPSS sebagai berikut :
Group Statistics
Std. Error
MEREK N Mean Std. Deviation Mean
DAYA merek A 10 76.40 4.97 1.57
merek B 10 76.30 5.50 1.74
5
Independent Samples Test
DAYA
Equal variances Equal variances
assumed not assumed
Levene's Test for F .007
Equality of Variances Sig. .935
t-test for Equality of t .043 .043
Means df 18 17.820
Sig. (2-tailed) .966 .966
Mean Difference
.10 .10
Contoh :
Produsen obat diet (penurunan berat badan) ingin mengetahui apakah obat yang diproduksinya
benar-benar mempunyai efek terhadap penurunan berat badan konsumen. Untuk itu, sebuah sampel
yang terdiri dari 10 orang masing-masing diukur berat badannya, dan setelah sebulan meminum obat
tersebut, kembali diukur berat badannya. Hasil yang diperoleh adalah sebagai berikut :
Berat badan
Orang ke
Sebelum Sesudah
1 76,85 76,22
2 77,95 77,89
3 78,65 79,02
4 79,25 80,21
5 82,65 82,65
6 88,15 82,53
7 92,54 92,56
8 96,25 92,33
9 84,56 85,12
10 88,25 84,56
Dengan level of significance = 0,05, ujilah hipotesis nihil yang menyatakan bahwa tidak ada
perbedaan berat badan sebelum dan sesudah minum obat diet. (Bahasa lain : Berat badan sebelum
dan sesudah minum obat diet sama saja).
Jawab :
6
Langkah 1.
Formulasi H0 dan H1
H0 : 1 = 2
H1 : 1 2
H0 dibaca rata-rata berat badan sebelum minum obat sama dengan rata-rata berat badan
sesudah minum obat.
H1 dibaca rata-rata berat badan sebelum minum oba tidak sama dengan rata-rata berat badan
sesudah minum obat.
Langkah 2.
= 5 %, pada tabel t dengan df = 10 – 1 = 9 di dapat angka 2,262.
Langkah 3.
Kriteria Pengujian
Daerah tolak Daerah tolak
-2,262 0 2,262
Langkah 4.
Rumus untuk uji mean dua sampel berpasangan
D
t hitung
SD / n
D = Mean dari D
n = banyaknya pasangan.
Perhitungan
7
Berat badan
Orang ke D D D D D 2
sebelum sesudah
D 12,01
D 1,201
n 10
( D D ) 2
SD
n 1
47,916
=
10 1
= 5,324 = 2,307
1,201
t hitung
2,307 / 10
1,201
= 0,730
= 1,64
Langkah 5.
Dari hasil perhitungan t pada langkah 4 dan dengan membandingkan pada langkah 3, maka
terlihat bahwa t hitung terletak antara –2,262 dan 2,262 sehingga kesimpulan yang diambil ialah H0
diterima.
8
Langkah 6.
Arti dari H0 diterima ialah rata-rata berat badan sebelum dan sesudah minum obat diet sama saja.
Dengan kata lain, tidak ada perbedaan berat badan sebelum dan sesudah minum obat.
Sekarang marilah kita lihat hasil perhitungan yang diperoleh dari SPSS.
Std. Error
Mean N Std. Deviation Mean
Pair SEBELUM 84.5100 10 6.6393 2.0995
1 SESUDAH 83.3090 10 5.5824 1.7653
N Correlation Sig.
Pair 1 SEBELUM & SESUDAH 10 .943 .000
Pair 1
SEBELUM - SESUDAH
Paired Differences Mean 1.2010
Std. Deviation
2.3074
Kriteria keputusan didasarkan pada angka Sig. (2-tailed) tersebut dengan pedoman sebagai berikut :
Jika Sig > 0.05, maka H0 diterima
Jika Sig < 0.05, maka H0 ditolak
Perhatikan bahwa dari output SPSS dapat siambil kesimpulan bahwa H0 diterima.
Akan terdapat hasil yang sama antara manual dan perhitungan dengan bantuan komputer (SPSS).
1.4. A N O V A
Pada dasarnya Anova = Analysis of Variance adalah pengujian mean yang lebih dari dua sampel
independen. Hipotesis nihil yang akan diuji mengatakan bahwa “mean lebih dari dua populasi
normal adalah sama”
9
Asumsi yang digunakan pada pengujian ANOVA ialah :
a. Populasi-populasi yang akan diuji berdistribusi normal;
b. Varians dari populasi-populasi tersebut adalah sama;
c. Sampel tidak berhubungan satu dengan yang lain (independen)
Contoh :
Kita ingin membandingkan 3 merek sepeda motor yang sejenis (sama tipe berbeda merek) dalam hal
jarak yang dapat ditempuh pada pemakaian 1 liter bensin. Dari hasil uji diperoleh informasi sebagai
berikut : (dalam km/liter)
Sepeda Merek
motor ke A B C
1 22 22 25
2 21 25 29
3 26 24 28
4 23 25 30
Means 23 24 28
Dengan level of significance 5 %, ujilah apakah ada perbedaan rata-rata jarak tempuh pada
pemakaian 1 liter diantara ke 3 merek sepeda motor tersebut?
Jawab :
Contoh soal tersebut sering dinamakan “One-Way ANOVA” atau “ANOVA satu jalur”.
Pada kasus ini banyaknya sampel tiap merek diberi simbol n, sedangkan banyaknya merek diberi
notasi k. Sehingga untuk kasus ini n = 4 dan k = 3.
X A = rata-rata jarak tempuh sepeda motor merek “A”
22 21 26 23
23
4
22 25 24 25
24
4
25 29 28 30
28
4
X A X B X C 23 24 28
X 25
3 3
10
= disebut over all mean
Langkah 1.
Formulasi H0 dan H1
H0 : A = B = C
H1 : A B C
H0 dibaca tidak ada perbedaan rata-rata jarak tempuh dari ke 3 merek tersebut.
H1 dibaca paling sedikit terdapat satu pasang yang berbeda diantara ke 3 merek tersebut.
Langkah 2.
= 5 %, carilah pada tabel F
dengan d.f = (k-1) ; k (n-1)
df = (3-1) ; 3 (4-1)
df = 2,9
diperoleh Ftabel = F5 % ; 2 ; 9 = 4,26
Langkah 3.
Kriteria Pengujian
Daerah tolak
Daerah terima
4,26
Langkah 4
Rumus yang digunakan
Variance Between Means (VBM)
Fhitung =
Variance Within Group (VWG)
Dimana
VBM = n . S X2
4 1 9
S X2 7
2
VBM = n . S X2
=4.7
= 28
11
(22-23)2 + (21-23) 2 + (26-23) 2 + (23-23) 2 + (22-24) 2 + (25-24) 2 +
(24-24) 2 + (25-24) 2 + (25-28) 2 + (29-28) 2 + (28-28) 2 + (30-28) 2
VWG =
3 (4-1)
1 4 9 4 11 9 1 4
VWG
9
= 3,78
VBM 28
Fhitung 7,41
VWG 3,78
Langkah 5.
Dari hasil Fhitung pada langkah 4 dan dengan membandingkan pada langkah 3, maka terlihat
bahwa Fhitung > 4,26, sehingga kesimpulan yang didapat ialah H0 ditolak. Karena H0 ditolak
berarti H1 diterima.
Langkah 6.
Arti dari H1 diterima ialah bahwa paling sedikit terdapat satu pasang yang berbeda diantara ke
3 merek tersebut. Atau dengan kata lain, rata-rata jarak tempuh pemakaian 1 liter bensin dari
ke 3 merek tersebut paling sedikit ada dua merek sepeda motor yang tidak sama.
Catatan.
Anova ini memang tidak dapat membandingkan mana saja yang berbeda, apakah merek A dengan
merek B atau merek A dengan merek C dan sebagainya.
Untuk mengetahui pasangan mana yang berbeda dapat digunakan cara :
a. Menggunakan Uji t dua sampel independen untuk menguji tiap pasang merek sepeda motor.
b. Menggunakan Uji “Least Significance Difference” atau LSD dengan rumus
LSD = t , k (n-1) . Sd
Dimana
VWG VWG
Sd
n n
VWG
2
n
Cara mencari pasangan mana yang berbeda dengan menggunakan Uji t dua sampel independen
cukup memakan waktu lama, sehingga kita pakai cara LSD saja sebagai berikut :
VWG
LSD t 5% ; 9 x 2
n
3,78
2,262 x 2
4
= 2,262 x 1,3748
= 3,11
12
Seperti telah dihitung X A = 23; X B = 24 dan X C = 28 maka hitunglah selisih tiap pasang
merek sepeda motor
X A X B 23 24 1
X A X C 23 28 5
X B X C 24 28 4
Selanjutnya bandingkanlah selisih setiap pasang tersebut dengan LSD. Jika LSD lebih kecil dari
selisih pasangan itu maka artinya ada perbedaan yang signifikan antara pasangan tersebut. Jadi
yang berbeda untuk kasus ini ialah merek A dengan merek C dan merek B dengan merek C.
Sedangkan merek A dengan merek B tidak terdapat perbedaan.
Sekarang marilah kita lihat hasil perhitungan yang diperoleh dari SPSS.
Oneway
Descriptives
JARAK
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
merek A 4 23.00 2.16 1.08 19.56 26.44 21 26
merek B 4 24.00 1.41 .71 21.75 26.25 22 25
merek C 4 28.00 2.16 1.08 24.56 31.44 25 30
Total 12 25.00 2.86 .83 23.18 26.82 21 30
JARAK
Levene
Statistic df1 df2 Sig.
.250 2 9 .784
ANOVA
JARAK
Multiple Comparisons
Sum of
Squares
Dependent Variable: JARAK df Mean Square F Sig.
Between Groups 56.000 2 28.000 7.412 .013
Within Groups 34.000 9 Mean 3.778
Total 90.000 11Difference 95% Confidence Interval
(I) MEREK (J) MEREK (I-J) Std. Error Sig. Lower Bound Upper Bound
LSD merek A merek B -1.00 1.37 .485 -4.11 2.11
merek C -5.00* 1.37 .005 -8.11 -1.89
Post Hoc Testsmerek B merek A 1.00 1.37 .485 -2.11 4.11
merek C -4.00* 1.37 .017 -7.11 -.89
merek C merek A 5.00* 1.37 .005 1.89 8.11
merek B 4.00* 1.37 .017 .89 7.11
Bonferroni merek A merek B -1.00 1.37 1.000 -5.03 3.03
merek C -5.00* 1.37 .016 -9.03 -.97
merek B merek A 1.00 1.37 1.000 -3.03 5.03 13
merek C -4.00 1.37 .052 -8.03 3.15E-02
merek C merek A 5.00* 1.37 .016 .97 9.03
merek B 4.00 1.37 .052 -3.15E-02 8.03
*. The mean difference is significant at the .05 level.
Pada tabel ANOVA tampak bahwa Sig = 0,013 < 0,05 sehingga H0 ditolak, berarti terdapat paling
sedikit satu pasang merek sepeda motor yang berbeda jarak tempuhnya.
Lebih lanjut pada tabel Post Hoc Tests, pada kolom “Mean Difference” ada angka yang bertanda “*”.
Itulah tanda yang berarti terdapat perbedaan jarak tempuh.
Contoh diatas menunjukkan bahwa banyaknya individu pada tiap sampel adalah sama. Apabila
banyaknya individu pada tiap sampel tidak sama, maka rumus yang digunakan adalah sebagai
berikut :
J 1 n J
nk
Contoh :
Kita ingin mengetahui output hasil pekerjaan tertentu yang sama dari tiga kelompok pekerjaan yang
berlatar belakang pendidikan yang berbeda. Hasilnya sebagai berikut :
14
56
Dengan = 5 %, ujilah hipotesis bahwa tiga populasi tersebut mempunyai mean yang sama.
Jawab :
Langkah 1.
Formulasi H0 dan H1
H0 : 1 = 2 = 3
H1 : 1 2 3 (paling sedikit satu pasang berbeda).
Langkah 2.
= 5 % . d.f = (k-1) ; (n-k)
= (3-1) ; (15-3)
= 2 ; 12
Ftabel = F5% ; 2 ; 12 = 3,89
Langkah 3
Kriteria pengujian
Daerah tolak
Daerah terima
3,89
Langkah 4.
Perhitungan
n1 = 5 T1 = 295 T = T1 + T2 + T3 = 811
n2 = 7 T2 = 357 n = n1 + n2 + n3 = 15
n3 = 3 T3 = 159 k=3
95,45
Fhitung 2,386
40
15
Langkah 5.
Dari hasil Fhitung pada langkah ke 4 dan dengan membandingkan pada langkah ke 3, maka terlihat
bahwa Fhitung < 3,89, sehingga kesimpulan yang didapat ialah H0 diterima.
Langkah 6.
Artinya bahwa mean dari ketiga populasi dapat dianggap sama.
Sekarang marilah kita lihat hasil perhitungan yang diperoleh dari SPSS.
Oneway
Descriptives
HASIL
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
group 1 5 59.00 6.16 2.76 51.35 66.65 50 65
group 2 7 51.00 5.69 2.15 45.74 56.26 46 61
group 3 3 53.00 8.19 4.73 32.67 73.33 44 60
Total 15 54.07 6.92 1.79 50.23 57.90 44 65
HASIL
Levene
Statistic df1 df2 Sig.
.240 2 12 .790
ANOVA
HASIL
Sum of
Squares df Mean Square F Sig.
Between Groups 190.933 2 95.467 2.387 .134
Within Groups 480.000 12 40.000
Total 670.933 14
Multiple Comparisons
Analisis korelasi bertujuan untuk mengukur kekuatan asosiasi (hubungan) linier antara dua
variabel. Korelasi tidak menunjukkan hubungan fungsional atau dengan kata lain analisis korelasi
tidak membedakan antara variabel dependen dengan variable independen (ghozali,2005).
Analisis regresi pada dasarnya merupakan studi mengenai ketergantungan variabel dependent
( terikat ) dengan variabel independent (bebas ) dan hasil analisis regresi adalah berupa koefisien
masing-masing variabel independent. Dalam analisis regresi selain mengukur kekuatan hubungan
antara dua atau lebih variabel, juga menunjukkan arah hubungan antara variabel dependent dengan
variabel independent.
Teknik estimasi variabel independent terhadap dependent yang melandasi analisis regresi
disebut Ordinary Least square ( pangkat kwadrat terkecil biasa ). Inti dari metode Ordinary Last
Square (OLS) adalah mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari
kwadrat kesalahan setiap observasi terhadap garis tersebut. Regresi dengan metode estimasi Ordnary
Least Squares (OLS) akan memberikan hasil yang Best Linier Unbiased Estimator ( BLUE ), jika
memenuhi syarat asumsi klasik.
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of Fit
nya. Secara statistik, setidaknya ini dapat diukur dari nilai koefisien determinasi, nilai statistik F dan
nilai statistik t. Perhitungan statistik disebut signifikan secara statistik apabila nilai uji statistiknya
berada dalam daerah kritis (H0 ditolak). Sebaliknya disebut tidak signifikan bila nilai uji statistiknya
berada dalam daerah dimana H0 diterima
Menurut Gujarati (2003) terdapat asumsi utama yang mendasari model regresi linier klasik
dengan menggunakan model OLS. Adapun asumsi-asumsinya sebagai berikut:
1. Model regresi linier, artinya linier dalam parameter seperti dalam persamaan berikut :
Yi = b1 + b2 Xi + ui
2. X diasumsikan non stokastik , artinya nilai x dianggap tetap dalam sampel yang berulang
3. Nilai rata-rata kesalahan adalah nol atau E(ui/Xi) = 0
4. Homoskedastisitas, artinya variance kesalahan sama untuk setiap periode ( homo = sama,
skedastisitas = sebaran), dan dinyatakan dalam bentuk matematis Var (ui/xi) = σ²
17
5. Antar ui dan uj saling bebas, sehingga Cov (ui/xi) = 0
6. Tidak ada autokorelasi antar kesalahan ( antara u i dan uj tidak ada korelasi ) atau secara
matemetis Cov (ui,uj/XiXj) = 0
7. Tidak ada multikolonieritas yang sempurna antar variabel bebas
8. Jumlah observasi ( n ), harus lebih besar dari pada jumlah parameter yang diestimasi (jumlah
variabel bebas)
9. Model regresi telah dispesifikasi secara benar, atau dengan kata lain tidak ada bias (kesalahan)
spesifikasi dalam model yang digunakan.
10. Adanya variabilitas dalam x, artinya nilai X harus berbeda.
Uji Hipotesis
Koefisien Determinansi
Digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi
variabel dependent, dan nilainya antara 0 dan 1
Nilai koefisien determinansi (R²) kecil, berarti kemampuan variabel-variabel independent
dalam menjelaskan variabel dependent kecil (terbatas) dan sebaliknya bila mendekati 1 berarti
variabel independent memberikan hampir semua informasi yang dibutuhkan untuk memprediksi
variasi variabel dependent. Banyak peneliti menganjurkan untuk menggunakan Adjusted R², pada
saat mengevaluasi mana model regresi yang baik.
18
Persamaan regresi :
Y = a + bX
Dimana : a = konstanta/bilangan tetap
b = koefisien regresi/slope ( kecondongan arah garis)
X = independent variabel
Y = dependent variabel
Y
Y= a + b1X
Contoh :
Manajer pemasaran ingin mengestimasi hasil penjualan pakaian bayi di daerah A, dan data historis
jumlah kelahiran dan penjualan pakaian bayi yang diperoleh selama 12 bulan sbb :
BULAN PENJUALAN PAKAIAN BAYI BAYI LAHIR
(Y) (X)
1 30 40
2 20 30
3 45 35
4 35 40
5 30 42
6 60 41
7 40 50
8 50 52
9 45 44
X = dalam ribuan
Y = dalam ribuan
Model Summary
a. Predictors: (Constant), X
19
ANOVAb
Total 1172.222 8
a. Predictors: (Constant), X
b. Dependent Variable: Y
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
a. Dependent Variable: Y
Sehingga persamaan regresi nya adalah
Y′ = 3,018 + 0,877 X
Bila bulan berikutnya jumlah bayi lahir 60.000 orang, maka estimasi penjualan pakaian bayi sbb:
Y = 3,018 + 0,877 ( 60.000 ) = Rp 53.623,018
UJI t (T test ) :
KetentuanPengambilan Kesimpulan:
Ho diterima bila probabilitas (sig) > 0,05
Ho ditolak bila probabilitas (sig) < 0,05
Koefisien Determinasi :
Lihatlah kolom ke 4 pada tabel Model Summary, diperoleh angka Adjusted R Square sebesar 0.133.
R2 = 0.133 = 13.3%. Artinya Variabel X (Bayi Lahir) hanya memberikan kontribusi 13,3 % terhadap
naik turunnya penjualan pakaian bayi
20
Regresi berganda merupakan perluasan regresi sederhana, yang terdiri dari satu variabel
dependent (terikat) dan dua atau lebih variabel independent ( bebas ). Regresi berganda juga
membangun hubungan antara variabel dependent dan independent.
Diamana :
Y = variabel dependent
α = konstanta( nilai Y bila Xk = 0 )
β1…βk = koefisien regresi
X = variabel independent
e = error dari observasi
Contoh : Kasus 1
Kita ingin menganalisa hasil penjualan di beberapa kota yang dipengaruhi oleh Promosi, jumlah
Outlet yg ada, Laju pertumbuhan penduduk, Jumlah pesaing yg ada, dan Rata-rata pendapatan
dari penduduk kota tersebut.
Data yang berhasil dikumpulkan sebagai berikut :
Model Summary
21
ANOVAb
Total 23663.600 14
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
22
3. Koefisien Jumlah Outlet (X2) sebesar 0,550 dan variabel lainnya (X1; X3; X4; X5) dianggap
konstan maka setiap ada penambahan 1 Outlet, maka akan meningkatkan hasil penjualan sebesar
0,550
4. Dan seterusnya seperti no 2 dan no 3
R = 0,976
Menunjukkan hubungan antara variabel bebas X1, X2, X3 dan X4 secara bersama-sama dengan
variabel terikat (Y ) sebesar 0,976 , artinya ada hubungan yang sangat kuat.
Adjusted R = 0,927
Menunjukkan bawa variabel independent ( X1; X2; X3; X4 ) mampu menjelaskan variabel dependent
sebesar 0,927 atau ( 92,7 %) dan sisanya dijelaskan variabel lain yang tidak diteliti sebesar ( 100 % -
92,7 % ) = 7,3 %.
ATAU
Sig. t pada :
X1 = 0,050 berada ≤ 0,05 artinya secara parsial (individu) mempunyai pengaruh yang signifikan
terhadap Y (hasil penjualan)
X2 = 0,003 berada < 0,05 artinya secara parsial (individu) mempunyai pengaruh yang signifikan
terhadap Y (hasil penjualan)
X3 = 0,903 berada > 0,05 artinya secara parsial (individu) X 3 tidak mempunyai pengaruh yang
signifikan terhadap Y (hasil penjualan)
X4 = 0,802 berada > 0,05 artinya secara parsial (individu) X 4 tidak mempunyai pengaruh yang
signifikan terhadap Y (hasil penjualan)
X5 = 0,829 berada > 0,05 artinya secara parsial (individu) X 5 tidak mempunyai pengaruh yang
signifikan terhadap Y (hasil penjualan)
23
a. Nilai R² yang dihasilkan sangat tinggi, tetapi secara individual variabel bebas banyak yang tidak
signifikan mempengaruhi variabel terikat.
b. Menganalisis matrik korelasi antar variabel bebas, jika korelasi cukup tinggi ( umumnya di atas
0,90 ), maka ada indikasi multikolonieritas. Tidak ada korelasi yang tinggi antar variabel
inevendent tidak berarti bebas dari multikolonieritas. Multikolonieritas dapat juga disebabkan
adanya efek kombinasi dua atau lebih variabel independent.
c. Melihat nilai Tolerance dan lawanya : Variance Inflation Faktor (VIF)
Tolerance : mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh
variabel bebas lainnya. (VIF =1/tolerance).
Multikolonieritas terjadi bila : nilai tolerance < 0,10 atau VIF > 10
d. Melakukan regresi parsial , dg. cara :
a. Buat estimasi regresi awal dan temukan R²
b. Lakukan regresi antar variabel bebas
c. Bandingkan nilai R² ( model b )dengan model awal (a), jika nilai R² model (b) lebih tinggi
maka terjadi multikolonieritas.
Solusi multikolonieritas :
a. Transformasi variabel ( logaritma natural)
b. Keluarkan satu atau lebih variabel bebas yang memiliki korelasi tinggi
c. Gunakan model dengan variabel bebas yang mempunyai korelasi tinggi hanya semata-mata untuk
prediksi ( jangan mencoba menginterpretasikan koefisien regresinya )
d. Gunakan korelasi sederhana antara setiap variabel bebas dan variabel terikat untuk memahami
hubungan variabel bebas dan variabel terikat.
e. Gunakan analisis yang lebih canggih (Bayesion Regression).
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Laju Penduduk daerah 1.154 9.177 .014 .126 .903 .410 2.442
24
Coefficient Correlationsa
Melihat besaran korelasi antar variabel bebas jumlah promosi berkorelasi cukup tinggi
dengan jumlah pesaing yaitu – 0,872 tetapi masih dibawah 0,90, boleh dikatakan tidak terjdi
multikolonieritas yang serius. Hasil perhitungan tolerance juga tidak ada variabel bebas yang
memiliki tolerance dibawah 10 %, demikian juga angka variance infation factor (VIF) tidak ada
satupun yang memiliki angka lebih dari 10. Dapat disimpulkan bahwa tidak ada multikolonieritas
antar variabel bebas dalam model.
Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara
kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 ( sebelumnya) .
Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Masalah ini muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lain, atau dapat juga timbul karena
residual (kesalahan pengganggu) tidak bebas dari satu observasi satu ke observasi lainnya (sering
terjadi pada data runtut waktu atau time series)
25
: ATAU
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl
Tidak ada autokorelasi positif No decicion dl ≤ d ≤ du
Tidak ada korelasi negative Tolak 4 – dl <d <
Tidak ada korelasi negatig No decision 4 – du ≤ d ≤ 4-dl
Tidak ada korelasi positif atau negatif Tidak ditolak Du< d < 4 - du
Model Summaryb
Uji Heteroskedastisitas
-1
-2
-1.5 -1.0 -.5 0.0 .5 1.0 1.5 2.0
Dari kasus 1 ( output SPSS ) ternyata grafik scatterplots menunjukkan titik-titik menyebar
secara acak serta tersebar di atas maupun dibawah angka nol pada sumbu Y, dapat disimpulkan tidak
terjadi heterokesdasititas pada model regresi yang dipakai.
2. Uji Park
3. Uji Glejser
4. Uji White
( cara 2,3,4 tidak dibahas )
Cara perbaikan :
Perbaikan yang dapat dilakukan dengan mengubah data dalam bentuk logaritma ( log ), natural
(LN) .
Uji Normalitas
Uji normalitas bertujuan untuk menguji variabel dependent dan independent dalam model
regresi memiliki distribusi normal atau tidak. Model regresi yang baik berdistribusi normal atau
mendekati normal
Cara menguji :
a. Analisis grafik
Melihat histogram yang membandingkan antara data observasi dengan distribusi yang mendekati
distribusi normal.
Atau
Melihat normal probability plot yang membandingkan distribusi komulatif dari data
sesungguhnya dengan distribusi komulatif dari distribusi normal. Distribusi normal akan
membentuk satu garis lurus diagonal dan ploting data akan dibandingkan dg. garis diagonal.
Distribusi data adalah normal bila garis yang menggambarkan data sesungguhnya akan
mengikuti garis diagonal.
Printout : kasus 1
27
Histogram
Dependent Variable: jumlah penjualan
5
2
Frequency
0 N = 15.00
-1.00 -.50 0.00 .50 1.00 1.50
.75
Expected Cum Prob
.50
.25
0.00
0.00 .25 .50 .75 1.00
Analisis :
1. Dengan melihat tampilan grafik histogram maupun grafik normal plot dapat disimpulkan
grafik histogram meberikan pola distribusi mendekati normal.
2. Pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal dan
penyebarannya mengikuti arah garis diagonal ( model regresi memenuhi asumsi normalitas )
Jika data menyebar jauh dari garis diagonal/tidak mengikuti arah garis ( model regresi tidak
memenuhi asumsi normalitas )
b. Analisis statistik
Descriptive Statistics
28
Mendasarkan nilai kurtosis dan skewness
Skewness 0,048
Z skewness = = -------- = 0,076
√ 6/N √6/15
kurtosis -0,344
Z kurtosis = = -------- = - 0,54
√ 6/N √6/15
dimana N = jumlah sample
Jika Z hitung > Z tabel , maka distribusi data tidak normal dan sebaliknya.
Hasil Z hitung menunjukkan 1,64, dengan demikian dapat disimpulkan bahwa data di atas
berdistribusi normal.
Unstandardiz
ed Residual
N 15
Normal Parameters a,b Mean 6.457170E-08
Std. Deviation 8.9322815
Most Extreme Absolute .113
Differences Positive .113
Negative -.109
Kolmogorov-Smirnov Z .438
Asymp. Sig. (2-tailed) .991
a. Test distribution is Normal.
b. Calculated from data.
Uji Linieritas
Uji linieritas digunakan untuk melihat spesifikasi dari model yang digunakan sudah benar
atau tidak. Disamping itu juga akan diperoleh informasi model sebaiknya linier, kwadrat dsb
Cara menguji : scatter plot ( diagram pencar )
29
Linear Regression
320
R-Square = 0.46
280
240
200
12 16 20 24
jumlah pesaing
320 Linear Regression
jumlah penjualan
280
240
jumlah penjualan = 269.46 + -11.63 * lajupen
R-Square = 0.02
200
laju penduduk
30
Linear Regression
jumlah penjualan = 63.59 + 0.97 * outlet
R-Square = 0.81
320
jumlah penjualan
280
240
200
160 200 240 280
outlet (m)
320 Linear Regression
jumlah penjualan = 111.52 + 3.89 * promosi
R-Square = 0.84
jumlah penjualan
280
240
200
20 30 40 50
jumlah promosi
31
Linear Regression
320
jumlah penjualan
280
240
jumlah penjualan = 289.03 + -12.81 * incame
R-Square = 0.08
200
incame masyarakat
Struktur
Organisasi
Partisipasi Kinerja
Anggaran Manajerial
32
Semakin tinggi tingkat partisipasi anggaran dan struktur organisasinya desentralisasi, maka semakin
tinggi kinerja manajerial. Sebaliknya semakin tinggi partisipasi anggaran dan struktur organisasinya
sentralisasi, maka semakin menurun kinerja manajerial.
kualitas
pelayanan
kepuasan kepuasan
karyawan pelanggan
Semakin tinggi tingkat kepuasan yang dirasakan karyawan diikuti kualitas pelayanan yang semakin
baik bagi pelanggan maka kepuasan pelanggan semakin meningkat dan sebaliknya.
Cara menguji dapat dilakukan dengan beberapa cara ( dalam buku ini hanya dibahas uji
interaksi ) : a. Uji Interaksi; b. Uji Selisih Mutlak; dan c. Uji Residual
UJI INTERAKSI
( Moderated Regression Analysis = MRA)
Kekayaan
(Wealth)
Gaji Pendapatan
(Earns) (Income)
Semakin tinggi earns/gaji dan wealth/kekayaan akan berpengaruh terhadap semakin tinggi
income/pendapatan
Jika variabel wealth/ kekayaan merupakan variabel moderating, maka koefisien b3 harus signifikan
pada 0,05 atau 0,01. atau lebih kecil dibanding 0,05 atau 0,01
33
Contoh :
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 12.094 3 4.031 53.409 .000a
Residual .906 12 7.548E-02
Total 13.000 15
a. Predictors: (Constant), moderating income, kekayaan keluarga, gaji keluarga
b. Dependent Variable: income keluarga
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 1.502 2.067 .726 .482
gaji keluarga .784 .511 .736 1.534 .151
kekayaan keluarga -9.12E-02 .476 -.070 -.191 .851
moderating income 3.951E-02 .102 .298 .388 .705
a. Dependent Variable: income keluarga
34
Analisis :
Uji Anova atau F test terlihat signifikansi F 0,000 < 0,05 artinya model regresi dapat digunakan
untuk memprediksi income atau dapat dikatakan secara bersama-sama gaji, kekayaan dan moderating
berpengaruh terhadap income.
Uji signifikansi Parsial (t test), koefisien moderating income (b3) tidak mempunyai pengaruh yang
signifikan terhadap income, terlihat signifikansi t = 0,705. Angka tersebut jauh diatas 0,05 atau 0,01
dapat dikatakan variabel kekayaan bukan merupakan variabel moderating.
e1
kekayaan
p3
p2
Path Analysis :
- = menjunjukkan hubungan antar variabel.
- P = menggambarkan jalur dan koefisien jalur
- p1 = menunjukkan hubungan langsung gaji dg. income
- p2, p3 = menunjukkan hubungan tak langsung gaji ke kekayaan kemudian ke income.
- e1 = jumlah variance variabel wealth yang tidak dijelaskan earns
- e2 = jumlah variance variabel income yang tidak dijelaskan oleh earns
Ada 2 persamaan :
1. Kekayaan = b1 gaji + e1
2. Income = b1 gaji + b2 kekayaan + e2
Standardize koefisien :
- gaji persamaan (1) memberikan nilai p1
- gaji dan kekayaan (2) memberi nilai p2 dan p3
35
Dari print out komputer dengan program SPSS :
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) .820 .335 2.449 .028
gaji keluarga 1.027 .076 .964 13.488 .000
a. Dependent Variable: income keluarga
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) .718 .425 1.691 .115
gaji keluarga .972 .155 .912 6.255 .000
kekayaan keluarga 7.735E-02 .189 .060 .410 .689
a. Dependent Variable: income keluarga
wealth
(kekayaan)
0,912 0,060
earns income
(gaji) 0,964 (pendapatan )
Analisis :
1. Pengaruh langsung terlihat dari nilai beta earns ke income sebesar 0,964
2. Pengaruh tak langsung terlihat nilai beta earns ke wealth sebesar 0,912, kemudian wealth ke
income sebesar 0,060, sehingga besarnya pengaruh tidak langsung sebesar : (0,912) (0,060) =
0,05472
Dengan demikian yang benar ada pengaruh langsung earns terhadap income, terbukti
koefisien jalur yang besar 0,964.
36
1.4. Analisis Jalur.
Teknik Analisis jalur dikembangkan oleh Sewal Wright di tahun 1934. Analisis Jalur mempunyai
kedekatan dengan regresi berganda. Dengan kata lain Regresi Berganda merupakan bentuk khusus
dari analisis jalur. Teknik ini juga dikenal sebagai model sebab akibat (causing modelling). Salah satu
definisi tentang analisis jalur diantaranya “Analisis Jalur adalah suatu teknik untuk menganalisis
hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi
variabel tergantung tidak hanya secara langsung, tetapi juga secara tidak langsung” (Robert
D.Rutherford,1993).
Contoh :
Kita ingin mengukur besarnya pengaruh variabel Produk, Harga, dan Layanan terhadap Loyalitas
Pelanggan secara langsung dan secara tidak langsung melalui variabel Kepuasan Pelanggan pada
Perusahaan “ABC”
Data yang diperoleh sebagai berikut :
37
Permasalahan :
1. Berapa besar pengaruh Produk, Harga, dan Layanan terhadap Kepuasan Pelanggan secara
parsial dan variabel mana yang paling besar pengaruhnya ?
2. Berapa besar pengaruh Produk, Harga, dan Layanan terhadap Kepuasan Pelanggan secara
bersama-sama (gabungan) ?
3. Berapa besar pengaruh Produk, Harga, Layanan, dan Kepuasan Pelanggan terhadap Loyalitas
Pelanggan ?
4. Berapa besar pengaruh Produk, Harga, dan Layanan terhadap Loyalitas Pelanggan melalui
Kepuasan Pelanggan ?
Penyelesaian :
Langkah 1 : Menentukan Model diagram Jalur dan Persamaan Strukturalnya
Model diagram jalurnya dapat digambarkan sebagai berikut :
Produk ε ε
1 2
Layanan
X1 ε ε
1 2
X2 Y1 Y2
X3
Keterangan :
38
Berdasarkan diagram tersebut diatas, maka persamaan strukturalnya terbagi menjadi dua, yaitu :
Y1 = PY1 X1 + PY1 X2 + PY1 X3 + ε1 (Persamaan SubStruktur 1)
Y1 = Kepuasan Pelanggan
X1 = Produk
X2 = Harga
X3 = Layanan
ε1 = Error
ANOVAb
Total 101.367 29
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
39
ANOVAb
Total 101.367 29
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
N 30 30 30
N 30 30 30
N 30 30 30
40
Model Summary
Besarnya angka R Square adalah 0,470, artinya 47 % Kepuasan Pelanggan dipengaruhi oleh
Produk, Harga dan Layanan secara gabungan, sedangkan sisanya 53% dipengaruhi oleh faktor
lain.
b.Hubungan Linier antara Produk, Harga dan Layanan terhadap Kepuasan.
ANOVAb
Total 101.367 29
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
1. Hubungan linier antara Produk dengan Kepuasan dapat dilihat pada kolom Sig sebesar 0.039,
yang berarti lebih kecil dari 0.05, sehingga dapat dikatakan terdapat hubungan linier antara
41
Produk dengan Kepuasan. Sedangkan besarnya pengaruh Produk terhadap Kepuasan sebesar
0,413 atau 41,3% (lihat kolom Beta).
2. Hubungan linier antara Harga dengan Kepuasan dapat dilihat pada kolom Sig sebesar 0.534,
yang berarti lebih besar dari 0.05, sehingga dapat dikatakan tidak terdapat hubungan linier
antara Harga dengan Kepuasan. Sedangkan besarnya pengaruh Harga terhadap Kepuasan
sebesar -0,097 atau 9,7% (lihat kolom Beta) dianggap tidak signifikan (tidak berarti).
3. Hubungan linier antara Layanan dengan Kepuasan dapat dilihat pada kolom Sig sebesar
0.054, yang berarti lebih besar dari 0.05, sehingga dapat dikatakan tidak terdapat hubungan
linier antara Layanan dengan Kepuasan. Sedangkan besarnya pengaruh Layana terhadap
Kepuasan sebesar 0,376 atau 37,6% (lihat kolom Beta) dianggap tidak signifikan (tidak
berarti).
2.Analisis Korelasi.
Bagian ini akan menganalisa korelasi antar variabel Produk, Harga, dan Layanan dengan hasil
perhitungan yang telah disajikan diatas dan ditulis kembali seperti berikut ini :
Correlations
42
>0,50 - 0,75 Kuat
>0,75 - 1 Sangat Kuat
SubStruktur 2
Y2 = Loyalitas
X1 = Produk
Y1 = Kepuasan
X3 = Layanan
ε1 = Error
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .902a .814 .784 .85468
a. Predictors: (Constant), Kepuasan, Harga, Layanan, Produk
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 80.038 4 20.010 27.392 .000a
Residual 18.262 25 .730
Total 98.300 29
a. Predictors: (Constant), Kepuasan, Harga, Layanan, Produk
b. Dependent Variable: Loyalitas
43
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -2.648 1.456 -1.818 .081
Produk .018 .088 .026 .205 .839
Harga .318 .081 .365 3.910 .001
Layanan -.091 .087 -.127 -1.049 .304
Kepuasan .819 .117 .832 7.030 .000
a. Dependent Variable: Loyalitas
Dengan cara yang sama seperti pada analisis SubStruktur 1, maka dapat diringkas hasilnya sebagai
berikut :
1. Besarnya angka R Square adalah 0,814, artinya 81,4 % Loyalitas Pelanggan dipengaruhi oleh
Produk, Harga, Layanan dan Kepuasan secara gabungan, sedangkan sisanya 18,6 %
dipengaruhi oleh faktor lain.
2. Berdasarkan angka signifikan pada tabel anova sebesar 0.000 < 0,05, artinya ada hubungan
linier antara Produk, Harga, Layanan dan Kepuasan terhadap Loyalitas.
3. Hubungan linier antara Produk dengan Loyalitas dapat dilihat pada kolom Sig sebesar 0.839,
yang berarti lebih besar dari 0.05, sehingga dapat dikatakan tidak terdapat hubungan linier
antara Produk dengan Loyalitas. Sedangkan besarnya pengaruh Produk terhadap Loyalitas
sebesar 0,026 atau 2,6% (lihat kolom Beta) dianggap tidak signifikan (tidak berarti).
4. Hubungan linier antara Harga dengan Loyalitas dapat dilihat pada kolom Sig sebesar 0.001,
yang berarti lebih kecil dari 0.05, sehingga dapat dikatakan terdapat hubungan linier antara
Harga dengan Loyalitas. Sedangkan besarnya pengaruh Harga terhadap Loyalitas sebesar
0,365 atau 36,5% (lihat kolom Beta).
5. Hubungan linier antara Layanan dengan Loyalitas dapat dilihat pada kolom Sig sebesar
0.304, yang berarti lebih besar dari 0.05, sehingga dapat dikatakan tidak terdapat hubungan
linier antara Layanan dengan Loyalitas. Sedangkan besarnya pengaruh Layanan terhadap
Kepuasan sebesar -0,127 atau 12,7 % (lihat kolom Beta) dianggap tidak signifikan.
6. Hubungan linier antara Kepuasan dengan Loyalitas dapat dilihat pada kolom Sig sebesar
0.000, yang berarti lebih kecil dari 0.05, sehingga dapat dikatakan terdapat hubungan linier
antara Kepuasan dengan Loyalitas. Sedangkan besarnya pengaruh Kepuasan terhadap
Loyalitas sebesar 0,832 atau 83,2% (lihat kolom Beta).
Korelasi
44
Correlations
45
2.Pengaruh Variabel Harga terhadap Kepuasan
X2 Y1 = - 0,097
Model diagram Jalur setelah dilakukan perhitungan menjadi seperti dibawah ini :
0,18
X1 0,5
3 6
46
0,41 0,026
0,35 3
5
0,63
9
X2 -
0,09
Y1 0,83 Y2
7 2
0,30
5 0,37
6 0,127
X3
Kesimpulan
1. Pengaruh variabel Produk terhadap Loyalitas secara langsung sebesar 0,026
2. Pengaruh variabel Layanan terhadap Loyalitas secara langsung sebesar -0,127
3. Pengaruh variabel Kepuasan terhadap Loyalitas secara langsung sebesar 0,832
4. Pengaruh variabel Produk; Harga; Layanan dan Kepuasan terhadap Loyalitas secara langsung
sebesar 0,814
5. Pengaruh variabel variabel lain diluar model terhadap Loyalitas sebesar 0,186
6. Pengaruh variabel Produk terhadap Kepuasan sebesar 0,413
7. Pengaruh variabel Harga terhadap Kepuasan sebesar -0,097
8. Pengaruh variabel Layanan terhadap Kepuasan sebesar 0,376
9. Pengaruh variabel Produk, Harga, dan Layanan terhadap Kepuasan secara gabungan sebesar
0,470
10. Pengaruh variabel vriabel lain diluar model terhadap Kepuasan sebesar 0,530
47