Anda di halaman 1dari 40

MODUL PELATIHAN

(Statistical Package for the Social Sciences)

ADVANCED – PERTEMUAN II

OLEH :

NURJANNAH, S.Si

(Staf Pengajar Program Studi Statistika Univ. Brawijaya Malang)

Melbourne
Autumn, 2008
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Statistika Inferensi parametrik

1. Analisis Regresi

Analisis regresi adalah analisis tentang bentuk hubungan linier antara variabel dependen
(respon) dengan variabel independen (prediktor). Analisis regresi banyak dugunakan dalam
berbagai bidang seperti industri, teknik sipil, pertanian, kehutanan, lingkungan, kedokteran,
farmasi, permasaran, manajemen, kependudukan dan lain-lain. Analisis regresi sangat berguna
dalam berbagai penelitian antara lain:
 Model regresi dapat digunakan untuk mengukur kekuatan hubungan antara variabel
respons dan variabel prediktor
 Model regresi dapat digunakan untuk mengetahui pengaruh suatu atau beberapa variabel
prediktor terhadap variabel respon
 Model regresi berguna untuk memprediksi pengaruh suatu atau beberapa variabel
prediktor terhadap variabel respon.
Model regresi memliliki variabel respon (y) dan variabel prediktor (x). Variabel respons
adalah variabel yang dipengaruhi suatu variabel prediktor. Variabel respons sering dikenal
sebagai variable dependen karena peneliti tidak bisa bebas mengendalikannya. Kemudian,
variabel prediktor digunakan untuk memprediksi nilai variabel respons dan sering disebut
variabel independen karena peneliti bebas mengendalikannya.

Analisis Regresi Sederhana

Apabila hanya melibatkan 1 variabel bebas (independen) maka disebut analisis regresi linier
sederhana.
Modelnya adalah :
Yi= β0 + β1X1i + εi
Sedangkan model sampelnya adalah

ŷ i = b 0 + b1 X 1i
Untuk mengetahui apakah model sampel representatif terhadap model populasi maka diperlukan
pengujian terhadap parameter-parameter regresi tersebut berdasarkan nilai-nilai statistiknya
dengan cara uji serempak (menggunakan tabel analisis ragam (statistik uji F)) atau uji parsial
dengan statistik uji t.
Kriteria pengujiannya dengan p-value (sig). Jika pengujian berdasarkan tabel ANOVA, maka :
Jika p-value > α maka terima H0 berarti tidak ada hubungan linier antar variabel. Dan
sebaliknya, jika p-value ≤ α maka tolak H0 berari minimal ada salah satu variabel bebas
(prediktor) berhubungan linier dengan variabel tak bebas (respon).
Apabila pengujian berdasarkan statistik uji t maka : Jika p-value > α maka terima H0 berarti
pada parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan tidak ada

P age |1
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

hubungan linier dengan variabel respon. Dan jika p-value ≤ α maka tolak H0 berari pada
parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan ada hubungan linier
dengan variabel respon.
Berikut contoh penerapan analisis regresi sederhana:
Sebuah Penelitian mengukur banyaknya gula yang terbentuk pada berbagai suhu. Datanya telah
dikodekan sebagai berikut :

Suhu (X) Gula yang terbentuk (Y)

1.0 8.1
1.1 7.8
1.2 8.5
1.3 9.8
1.4 9.5
1.5 8.9
1.6 8.6
1.7 10.2
1.8 9.3
1.9 9.2
2.0 10.5

Perintah SPSS:
1) Klik Analyze > Regression > Linear
2) Kemudian masukkan Dependent Variable: y, Independent Variable: x lalu Klik OK
Output:

Model Summary

Adjusted Std. Error of


Model R R Square R Square the Estimate
1 .707a .500 .444 .63261
a. Predictors: (Constant), SUHU

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 3.600 1 3.600 8.996 .015a
Residual 3.602 9 .400
Total 7.202 10
a. Predictors: (Constant), SUHU
b. Dependent Variable: GULA

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 6.414 .925 6.936 .000
SUHU 1.809 .603 .707 2.999 .015
a. Dependent Variable: GULA

P age |2
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Interpretasi :
Dari nilai Adjusted R Square menunjukkan nilai sebesar 0.4444 = 44.4%. Artinya bahwa variabel
Y (Gula yang terbentuk) dipengaruh sebesar 44.4% oleh Suhu (X), sedangkan sisanya 55.6%
dipengaruhi oleh variabel lain di luar Suhu.
Adapun model persamaan regresi linier sederhana yang diperoleh adalah sebagai berikut:
Y= 6.414 + 1.809 X
i. Interpretasi intersep (b0=6.414)  Pada saat X=0 (Suhu 0), maka gula yang terbentuk
sebanyak 6.414
ii. Interpretasi slope (b1=1.809)  Setiap kenaikan suhu (X) sebesar satu satuan (derajat)
maka Gula yang terbentuk (Y) akan naik sebesar 1.80909
Model ini secara simultan terbukti signifikan karena nilai p-value pada uji F (ANOVA) sebesar
0.015 (kurang dari 0.05).
Untuk menguji hipotesis secara parsial digunakan uji t yaitu untuk menguji secara parsial variabel
bebas terhadap variabel terikat. Hasil perhitungan dijelaskan sebagai berikut: Uji t terhadap
variabel Suhu (X) didapatkan thitung sebesar 2.999 dengan p-value sebesar 0.015. Karena thitung
lebih besar ttabel (2.999 > 2.201) atau p-value t lebih kecil dari 5% (0,015 < 0,05), maka secara
parsial variabel Suhu (X) berpengaruh signifikan terhadap variabel Y (Gula yang terbentuk).

Analisis Regresi Berganda


Analisis Regresi Berganda merupakan perluasan dari analisis regresi sederhana jika jumlah dari
variabel bebas lebih dari satu.
Model Umum dari regresi berganda adalah :
Yi= β0 + β1X1i + .... + βpXpi + εi
Sedangkan model sampelnya adalah

yˆ i = b0 + b1 X 1i + b2 X 2 i + ... + b p X pi
Untuk mengetahui apakah model sampel representatif terhadap model populasi maka diperlukan
pengujian terhadap parameter-parameter regresi tersebut berdasarkan nilai-nilai statistiknya
dengan cara uji serempak (menggunakan tabel analisis ragam (statistik uji F)) atau uji parsial
dengan statistik uji t.
Kriteria pengujiannya dengan p-value. Jika pengujian berdasarkan tabel ANOVA, maka : Jika p-
value > α maka terima H0 berarti tidak ada hubungan linier antar variabel. Dan sebaliknya, jika
p-value ≤ α maka tolak H0 berari minimal ada salah satu variabel bebas (prediktor) berhubungan
linier dengan variabel tak bebas (respon).
Apabila pengujian berdasarkan statistik uji t maka : Jika p-value > α maka terima H0 berarti
pada parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan tidak ada
hubungan linier dengan variabel respon. Dan jika p-value ≤ α maka tolak H0 berari pada
parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan ada hubungan linier
dengan variabel respon.

P age |3
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Berikut contoh penerapan analisis regresi berganda:

Data regresi adalah data hasil penelitian Pengaruh Kompensasi (Gaji, Bonus, Tunjangan,
Promosi, Tanggung Jawab, Kebijakan yang sehat, dan Lingkungan Kerja) Terhadap Kinerja
Karyawan perusahaan X. Metode analisis yang digunakan pada penelitian ini adalah regresi
berganda dengan rumus umum:
Y = b0+b1X1 +b2X2 +b3X3 +b4X4 +b5X5 +b6X6 +b7X7 + e

Y = Kinerja Karyawan X4 = Promosi b0 = konstanta


X1 = Gaji X5 = Tanggung jawab b1..7 = koefisien regresi
X2 = Bonus X6 = Kebijakan yang sehat e = kesalahan pengganggu
X3 = Tunjangan X7 = Lingkungan kerja

Variabel Item
Gaji (X1) X11. Sistem pembayaran gaji
X12. Kesesuaian dengan peker-jaan
X13. Kesesuaian gaji dengan lama kerja
X14. Kesesuaian gaji tingkat pendidikan
X15. Kesesuaian gaji senioritas
X16. Pemenuhan kebutuhan po-kok
Bonus (X2) X21. Pemberian bonus yang di-laksanakan
X22. Sistem pembayaran bonus
X23. Kesuaian bonus dengan senioritas
X24. Kesesuaian bonus dengan keahlian
Tunjangan (X3) X31. Pemberian tunjangan
X32. Kesesuian tunjangan dengan harapan
X33. Kesesuian tunjangan dengan masa kerja
X34. Sistem pemberian tunjangan
Promosi (X4) X41. Prosedur promosi
X42. Kesesuaian promosi dengan harapan
X43. Kesesuaian promosi dengan masa kerja
X44. Kesesuaian promosi dengan prestasi kerja
Tanggung jawab (X5) X51. Prosedur pelaksanaan tang-gung jawab
X52. Kesesuian tanggung jawab dengan harapan
X53. Kesesuian tanggung jawab dengan keahlian
X54. Kesesuaian tanggung jawab dengan pendidikan
Kebijakan yang sehat (X6) X61. Kebijakan yang diterapkan
X62. Kesesuaian kebijakan dengan harapan
X62. Kesesuaian kebijakan dengan masa kerja
X63. Kebijakan dengan mengi-kuti Diklat
Lingkungan kerja (X7) X71. Suasana kerja
X72. Kondisi tempat kerja
X73. Fasilitas
X74. Dukungan rekan kerja
X75. Hubungan dengan rekan kerja
X76. Kesulitan dengan melaku-kan kerjasama
X77. Suasana lingkungan sekitar tempat kerja
Kinerja Karyawan (Y) Y1. Ketelitian kerja
Y2. Kebersihan kerja
Y3. Kerapian hasil kerja
Y4. Ketepatan waktu
Y5. Standar kerja

P age |4
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Untuk menguji regresi, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: y, Independent Variable: X1 sampai X7, klik
Statistics pilih Descriptive dan Part and Partial Correlation, tekan OK

Correlations

Y X1 X2 X3 X4 X5 X6 X7
Pearson Correlation Y 1,000 ,479 ,756 ,562 ,406 ,534 ,460 ,711
X1 ,479 1,000 ,414 ,193 ,106 ,115 ,283 ,284
X2 ,756 ,414 1,000 ,469 ,339 ,488 ,436 ,752
X3 ,562 ,193 ,469 1,000 ,227 ,386 ,248 ,459
X4 ,406 ,106 ,339 ,227 1,000 ,208 ,100 ,342
X5 ,534 ,115 ,488 ,386 ,208 1,000 ,129 ,441
X6 ,460 ,283 ,436 ,248 ,100 ,129 1,000 ,377
X7 ,711 ,284 ,752 ,459 ,342 ,441 ,377 1,000
Sig. (1-tailed) Y . ,000 ,000 ,000 ,000 ,000 ,000 ,000
X1 ,000 . ,000 ,043 ,176 ,155 ,005 ,005
X2 ,000 ,000 . ,000 ,001 ,000 ,000 ,000
X3 ,000 ,043 ,000 . ,021 ,000 ,013 ,000
X4 ,000 ,176 ,001 ,021 . ,032 ,188 ,001
X5 ,000 ,155 ,000 ,000 ,032 . ,128 ,000
X6 ,000 ,005 ,000 ,013 ,188 ,128 . ,000
X7 ,000 ,005 ,000 ,000 ,001 ,000 ,000 .
N Y 80 80 80 80 80 80 80 80
X1 80 80 80 80 80 80 80 80
X2 80 80 80 80 80 80 80 80
X3 80 80 80 80 80 80 80 80
X4 80 80 80 80 80 80 80 80
X5 80 80 80 80 80 80 80 80
X6 80 80 80 80 80 80 80 80
X7 80 80 80 80 80 80 80 80

Model Summary

Adjusted Std. Error of


Model R R Square R Square the Estimate
1 ,864a ,746 ,722 ,39286
a. Predictors: (Constant), X7, X1, X4, X6, X5, X3, X2

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 32,687 7 4,670 30,256 ,000a
Residual 11,112 72 ,154
Total 43,800 79
a. Predictors: (Constant), X7, X1, X4, X6, X5, X3, X2
b. Dependent Variable: Y

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Correlations
Model B Std. Error Beta t Sig. Zero-order Partial Part
1 (Constant) -,992 ,463 -2,141 ,036
X1 ,242 ,074 ,217 3,279 ,002 ,479 ,360 ,195
X2 ,168 ,081 ,216 2,088 ,040 ,756 ,239 ,124
X3 ,199 ,078 ,178 2,549 ,013 ,562 ,288 ,151
X4 ,184 ,084 ,140 2,188 ,032 ,406 ,250 ,130
X5 ,211 ,078 ,191 2,699 ,009 ,534 ,303 ,160
X6 ,191 ,093 ,138 2,053 ,044 ,460 ,235 ,122
X7 ,243 ,103 ,221 2,368 ,021 ,711 ,269 ,141
a. Dependent Variable: Y

P age |5
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Hasil SPSS ini berarti :


Uji hipotesis secara simultan yaitu untuk menguji pengaruh secara bersama-sama variabel bebas
terhadap variabel terikat digunakan uji F. Dari hasil perhitungan didapatkan nilai Fhitung sebesar
30,256 (signifikansi F= 0,000). Jadi Fhitung>Ftabel (30,256>3,292) atau Sig F < 5% (0,000<0,05).
Artinya bahwa secara bersama-sama variabel bebas yang terdiri dari variabel Gaji (X1), Bonus
(X2), Tunjangan (X3), Promosi (X4), Tanggung Jawab (X5), Kebijakan yang sehat (X6) dan
Lingkungan Kerja (X7) berpengaruh signifikan terhadap variabel Kinerja Karyawan (Y).
Dari nilai Adjusted R Square menunjukkan nilai sebesar 0,722 atau 72,2%. Artinya bahwa
variabel Y dipengaruh sebesar 72,2% oleh Gaji (X1), Bonus (X2), Tunjangan (X3), Promosi (X4),
Tanggung Jawab (X5), Kebijakan yang sehat (X6) dan Lingkungan Kerja (X7) sedangkan sisanya
27,8% dipengaruhi oleh variabel lain di luar 7 variabel bebas tersebut.
Adapun model persamaan regresi linier berganda yang diperoleh adalah sebagai berikut:
Y= -0,992+0,242X1+0,168X2+0,199X3+0,184X4+0,211X5+0,191X6+0,243X7
Untuk menguji hipotesis secara parsial digunakan uji t yaitu untuk menguji secara parsial variabel
bebas terhadap variabel terikat. Hasil perhitungan dijelaskan sebagai berikut:
a. Uji t terhadap variabel Gaji (X1) didapatkan thitung sebesar 3,279 dengan signifikansi t sebesar
0,002. Karena thitung lebih besar ttabel (3,279>1,993) atau signifikansi t lebih kecil dari 5%
(0,002<0,05), maka secara parsial variabel Gaji (X1) berpengaruh signifikan terhadap variabel
Kinerja Karyawan (Y)
b. Uji t terhadap variabel Bonus (X2) didapatkan thitung sebesar 2,088 dengan signifikansi t
sebesar 0,040. Karena thitung lebih besar ttabel (2,088>1,993) atau signifikansi t lebih kecil dari
5% (0,040<0,05), maka secara parsial variabel Bonus (X2) berpengaruh signifikan terhadap
variabel Kinerja Karyawan (Y)
c. Uji t terhadap variabel Tunjangan (X3) didapatkan thitung sebesar 2,549 dengan signifikansi t
sebesar 0,013. Karena thitung lebih besar ttabel (2,549>1,993) atau signifikansi t lebih kecil dari
5% (0,013<0,05), maka secara parsial variabel Tunjangan (X3) berpengaruh signifikan
terhadap variabel Kinerja Karyawan (Y)
d. Uji t terhadap variabel Promosi (X4) didapatkan thitung sebesar 2,188 dengan signifikansi t
sebesar 0,032. Karena thitung lebih besar ttabel (2,188>1,993) atau signifikansi t lebih kecil dari
5% (0,032<0,05), maka secara parsial variabel Promosi (X4) berpengaruh signifikan terhadap
variabel Kinerja Karyawan (Y)
e. Uji t terhadap variabel Tanggung Jawab (X5) didapatkan thitung sebesar 2,699 dengan
signifikansi t sebesar 0,009. Karena thitung lebih besar ttabel (2,699>1,993) atau signifikansi t
lebih kecil dari 5% (0,009<0,05), maka secara parsial variabel Tanggung Jawab (X5)
berpengaruh signifikan terhadap variabel Kinerja Karyawan (Y)
f. Uji t terhadap variabel Kebijakan yang sehat (X6) didapatkan thitung sebesar 2,053 dengan
signifikansi t sebesar 0,044. Karena thitung lebih besar ttabel (2,053>1,993) atau signifikansi t
lebih kecil dari 5% (0,044<0,05), maka secara parsial variabel Kebijakan yang sehat (X6)
berpengaruh signifikan terhadap variabel Kinerja Karyawan (Y)

P age |6
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

g. Uji t terhadap variabel Lingkungan Kerja (X7) didapatkan thitung sebesar 2,368 dengan
signifikansi t sebesar 0,021. Karena thitung lebih besar ttabel (2,368>1,993) atau signifikansi t
lebih kecil dari 5% (0,021<0,05), maka secara parsial variabel Lingkungan Kerja (X7)
berpengaruh signifikan terhadap variabel Kinerja Karyawan (Y)
Untuk menguji variabel dominan, terlebih dahulu diketahui kontribusi masing-masing variabel
bebas yang diuji terhadap variabel terikat. Kontribusi masing-masing variabel diketahui dari
koefisien determinasi regresi sederhana terhadap variabel terikat atau diketahui dari kuadrat
korelasi sederhana variabel bebas dan terikat. Dari tabel di bawah diketahui bahwa variabel yang
paling dominan pengaruhnya adalah variabel Bonus (X2) yaitu memiliki kontribusi sebesar
57,15%.

Variabel r r2 Kontribusi (%)


Gaji (X1) 0,479 0,2304 23,04
Bonus (X2) 0,756 0,5715 57,15
Tunjangan (X3) 0,562 0,3158 31,58
Promosi (X4) 0,406 0,1648 16,48
Tanggung Jawab (X5) 0,534 0,2852 28,52
Kebijakan yang sehat (X6) 0,460 0,2116 21,16
Lingkungan Kerja (X7) 0,711 0,5055 50,55

Uji Asumsi yang Melandasi Analisis Regresi

a. Uji Asumsi Multikolinieritas

Artinya adanya korelasi linier yang tinggi (mendekati sempurna) diantara dua/lebih variabel bebas.
Multikolinieritas diuji dengan menghitung nilai VIF (Variance Inflating Factor). Bila nilai VIF lebih kecil
dari 5 maka tidak terjadi multikolinieritas atau non multikolinieritas.

Untuk menguji asumsi multikolinieritas, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: y, Independent Variable: X1 sampai X7, klik
Statistics pilih Collinearity Diagnostics, tekan OK

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -,992 ,463 -2,141 ,036
X1 ,242 ,074 ,217 3,279 ,002 ,805 1,242
X2 ,168 ,081 ,216 2,088 ,040 ,331 3,024
X3 ,199 ,078 ,178 2,549 ,013 ,723 1,383
X4 ,184 ,084 ,140 2,188 ,032 ,860 1,163
X5 ,211 ,078 ,191 2,699 ,009 ,705 1,418
X6 ,191 ,093 ,138 2,053 ,044 ,775 1,290
X7 ,243 ,103 ,221 2,368 ,021 ,405 2,470
a. Dependent Variable: Y

Dari output SPSS diperoleh kesimpulan bahwa semua variabel bebas disifati nonmultikolinieritas
karena nilai VIF < 5.

P age |7
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

b. Uji Asumsi Heteroskedastisitas

Heteroskedastisitas adalah suatu keadaan dimana masing-masing kesalahan pengganggu mempunyai


varian yang berlainan. Heteroskedastisitas diuji dengan menggunakan uji koefisien korelasi Rank
Spearman yaitu mengkorelasikan antara absolut residual hasil regresi dengan semua variabel bebas.
Bila signifikansi hasil korelasi lebih kecil dari 0,05 (5%) maka persamaan regresi tersebut
mengandung heteroskedastisitas dan sebaliknya berarti non heteroskedastisitas atau
homoskedastisitas. Heteroskedastisitas diuji dengan menggunakan uji koefisien korelasi Rank
Spearman yaitu mengkorelasikan antara absolut residual hasil regresi dengan semua variabel bebas.
Hasil uji heteroskedastisitas ditunjukkan pada tabel berikut:

Untuk menguji asumsi heteroskedastisitas, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: y, Independent Variable: X1 sampai X7, klik Save
pilih Unstandardized Residuals, tekan OK
Didapatkan pada worksheet muncul variabel res_1
Untuk mendapatkan nilai absolut residual, klik Transform > Compute, Target Variable: Abs_Res,
Numeric Expression: Abs(Res_1)
Lihat pada worksheet muncul variabel Abs_Res, yaitu variabel absolut residual.
Kemudian lakukan korelasi, pilih menu Analyze > Correlate > Bivariate
Masukkan Variables: X1 sampai X7, dan Abs_Res, hidupkan correlation coefficients Spearman,
dan matikan correlation coefficient pearson.
Correlations

ABS_
X1 X2 X3 X4 X5 X6 X7 RES
Spearma X1 Correlation
1,000 ,267* ,201 ,047 ,117 ,254* ,110 -,008
n's rho Coefficient
Sig. (2-tailed) . ,017 ,074 ,678 ,303 ,023 ,333 ,947
N 80 80 80 80 80 80 80 80
X2 Correlation
,267* 1,000 ,337** ,300** ,260* ,390** ,594** -,046
Coefficient
Sig. (2-tailed) ,017 . ,002 ,007 ,020 ,000 ,000 ,686
N 80 80 80 80 80 80 80 80
X3 Correlation
,201 ,337** 1,000 ,171 ,236* ,232* ,365** -,020
Coefficient
Sig. (2-tailed) ,074 ,002 . ,129 ,035 ,038 ,001 ,857
N 80 80 80 80 80 80 80 80
X4 Correlation
,047 ,300** ,171 1,000 ,122 ,041 ,253* -,011
Coefficient
Sig. (2-tailed) ,678 ,007 ,129 . ,279 ,717 ,023 ,925
N 80 80 80 80 80 80 80 80
X5 Correlation
,117 ,260* ,236* ,122 1,000 ,104 ,278* -,006
Coefficient
Sig. (2-tailed) ,303 ,020 ,035 ,279 . ,360 ,013 ,956
N 80 80 80 80 80 80 80 80
X6 Correlation
,254* ,390** ,232* ,041 ,104 1,000 ,301** -,013
Coefficient
Sig. (2-tailed) ,023 ,000 ,038 ,717 ,360 . ,007 ,911
N 80 80 80 80 80 80 80 80
X7 Correlation
,110 ,594** ,365** ,253* ,278* ,301** 1,000 -,053
Coefficient
Sig. (2-tailed) ,333 ,000 ,001 ,023 ,013 ,007 . ,641
N 80 80 80 80 80 80 80 80
ABS_ Correlation
-,008 -,046 -,020 -,011 -,006 -,013 -,053 1,000
RES Coefficient
Sig. (2-tailed) ,947 ,686 ,857 ,925 ,956 ,911 ,641 .
N 80 80 80 80 80 80 80 80
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).

P age |8
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Hasil output SPSS diperoleh interpretasi (pada baris terakhir atau kolom terakhir)
Variabel bebas r sig Keterangan
Gaji (X1) -0,008 0,947 Homoskedastisitas
Bonus (X2) -0,046 0,686 Homoskedastisitas
Tunjangan (X3) -0,020 0,857 Homoskedastisitas
Promosi (X4) -0,011 0,925 Homoskedastisitas
Tanggung Jawab (X5) -0,006 0,956 Homoskedastisitas
Kebijakan yang sehat (X6) -0,013 0,911 Homoskedastisitas
Lingkungan Kerja (X7) -0,053 0,641 Homoskedastisitas

Dari tabel di atas menunjukkan bahwa variabel yang diuji tidak mengandung heteroskedastisitas atau
homoskedastisitas. Artinya tidak ada korelasi antara besarnya data dengan residual sehingga bila
data diperbesar tidak menyebabkan residual (kesalahan) semakin besar pula.

c. Uji Asumsi Normalitas

Uji normalitas dimaksudkan untuk mengetahui apakah residual model regresi yang diteliti
berdistribusi normal atau tidak. Metode yang digunakan untuk menguji normalitas adalah dengan
menggunakan uji Kolmogorov-Smirnov. Jika nilai signifikansi dari hasil uji Kolmogorov-Smirnov > 0,05,
maka asumsi normalitas terpenuhi.

Untuk menguji asumsi normalitas, pilih menu Analyze > Nonparametric Tests > 1-sample K-S
Kemudian masukkan Test Variable List: Res_1, tekan OK

One-Sample Kolmogorov-Smirnov Test

Unstandardiz
ed Residual
N 80
Normal Parameters a,b Mean ,0000000
Std. Deviation ,37504965
Most Extreme Absolute ,142
Differences Positive ,071
Negative -,142
Kolmogorov-Smirnov Z 1,273
Asymp. Sig. (2-tailed) ,078
a. Test distribution is Normal.
b. Calculated from data.

Dari hasil pengujian di atas, diperoleh nilai signifikansi sebesar 0,078 > 0,05, maka asumsi normalitas
terpenuhi.

d. Uji Asumsi Autokorelasi

Autokorelasi adalah suatu keadaan di mana terdapat suatu korelasi (hubungan) antara residual tiap
seri. Pemeriksaan autokorelasi menggunakan metode Durbin-Watson, di mana jika nilai d dekat
dengan 2, maka asumsi tidak terjadi autokorelasi terpenuhi.

P age |9
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Untuk menguji asumsi autokorelasi, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: y, Independent Variable: X1 sampai X7, klik
Statistics pilih Durbin-Watson, tekan OK

Model Summaryb

Adjusted Std. Error of Durbin-W


Model R R Square R Square the Estimate atson
1 ,864a ,746 ,722 ,39286 1,915
a. Predictors: (Constant), X7, X1, X4, X6, X5, X3, X2
b. Dependent Variable: Y

Dari output SPSS di atas diperoleh nilai d sebesar 1,915. Karena nilai ini sangat dekat dengan 2,
maka asumsi tidak terjadinya autokorelasi terpenuhi.

e. Uji Asumsi Linieritas

Pengujian linearitas ini perlu dilakukan, untuk mengetahui model yang dibuktikan merupakan model
linear atau tidak. Uji linieritas dilakukan dengan menggunakan curve estimation, yaitu gambaran
hubungan linier antara variabel X dengan variabel Y. Jika nilai sig f < 0,05, maka variabel X tersebut
memiliki hubungan linier dengan Y

Untuk menguji asumsi linieritas, pilih menu Analyze > Regression > Curve Estimation
Kemudian masukkan Dependent Variable: Y, Independent Variable: X1, tekan OK
Lakukan hal itu berulang dengan mengganti independent variable X2, lalu X3, sampai X7.

MODEL: MOD_1.

Independent: Y

Dependent Mth Rsq d.f. F Sigf b0 b1

X1 LIN ,230 78 23,25 ,000 1,7561 ,4286


X2 LIN ,572 78 104,06 ,000 -,0181 ,9693
X3 LIN ,316 78 36,00 ,000 1,6421 ,5015
X4 LIN ,165 78 15,36 ,000 1,7378 ,3090
X5 LIN ,285 78 31,12 ,000 1,7506 ,4820
X6 LIN ,211 78 20,91 ,000 2,0232 ,3336
X7 LIN ,505 78 79,61 ,000 1,0361 ,6465

Dari output di atas diperoleh semua nilai sigf < 0,05, maka asumsi linieritas terpenuhi.

P a g e | 10
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

2. Analisis Path

Untuk mengetahui hubungan antara sejumlah variabel bebas, dengan variabel terikat dapat
digunakan analisis regresi berganda. Dalam analisis regresi berganda mesing-masing variabel bebas
harus saling bebas dan memiliki urutan waktu yang sama (tidak terjadi multiko) sehingga dapat
diduga pengaruh langsung secara kuantitatif dari masing-masing variabel bebas terhadap variabel
terikat.
Dalam praktiknya variabel bebas tidak selalu dapat mempengaruhi variabel terikat secara
langsung tetapi dapat pula variabel bebas mempengaruhi variabel terikat melalui variabel bebas
lainnya. Adanya hubungan antar variabel bebas berarti asumsi tidak adanya multikolinieritas tidak
dipenuhi. Ini berarti bahwa analisis regresi berganda tidak dapat digunakan, untuk mengatasi hal
tersebut digunakan analisis path.
Analisis path dikembangkan oleh Sewall Wright (1960) sebagai metode untuk mempelajari
pengaruh langsung dan tak langsung diantara variabel-variabel penjelas dan variabel-variabel terikat.
Tujuan dari Analisis path adalah menentukan besar pengaruh langsung dari sejumlah variabel
berdasarkan koefisien regresi beta (koefisien path). Analisis path bukanlah metode untuk menemukan
penyebab, namun hanya menguji kebenaran kausal yang telah diteorikan. Dalam analisis path dapat
ditarik kesimpulan tentang variabel mana yang memiliki pengaruh kuat terhadap variabel terikat.
Langkah-langkah analisis Path :
1. Merancang model berdasarkan konsep dan teori. Berdasarkan hubungan variable secara teoritis
tersebut kemudian dibuat model dalam bentuk diagram path. Model tersebut juga dapat
dinyatakan dalam bentuk persamaan.
2. Pemeriksaan terhadap asumsi yang melandasi, antara lain :
1) Di dalam analisis path hubungan antar variabel adalah linier dan aditif.
2) Hanya model rekursif yang dipertimbangkan, artinya hanya sistem aliran kasual ke satu arah.
3) Variabel endogen minimal dalam skala ukur interval
4) Observed variables diukur tanpa kesalahan (instrument pengukuran valid dan reliabel)
5) Model yang dianalisis dispesifikasi (diidentifikasi) dengan benar berdasarkan teori-teori dan
knsep-konsep yang relevan
3. Pendugaan parameter atau perhitungan koefisien path dengan penjelasan sebagai berikut :
1) Untuk anak panah bolak balik (↔), koefisiennya merupakan koefisien korelasi r (dihitung
seperti biasanya)
2) Untuk anak panah satu arah (→), digunakan perhitungan regresi variabel dibakukan secara
parsiil pada masing-masing persamaan dengan metode OLS (metode kuadrat terkecil biasa)
4. Pemeriksaan validitas model. Sahih tidaknya suatu hasil analisis tergantung dari terpenuhi atau
tidaknya asumsi yang melandasinya. Telah disebutkan bahwa dianggap semua asumsi terpenuhi.
Terdapat dua indikator validitas model dalam analisis path yaitu :
1) Koefisien Determinasi Total

P a g e | 11
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Total keragaman data yang dapat dijelaskan oleh model diukur dengan :

R 2m = 1 − Pe21 Pe22 ...Pep2

Dalam hal ini R m sama dengan interpretasi koefisien determinasi (R2) pada analisis regresi.
2

2) Theory Triming
Uji validasi koefisien path pada setiap jalur untuk pengaruh langsung adalah sama dengan
pada regresi yaitu menggunakan nilai p dari uji t, yaitu pengujian koefisien regresi variabel
dibakukan secara parsiil. Berdasarkan theory trimming maka jalur-jalur yang nonsignifikan
dibuang sehingga diperoleh model yang didukung oleh data empirik.
5. Melakukan interpretasi hasil analisis. Pertama dengan memperhatikan hasil validitas model. Dan
yang kedua adalah menghitung total dari setiap variabel yang mempunyai pengaruh kasual ke
variabel endogen.

Bila analisis path telah dilakukan (berdasarkan sampel), maka dapat dimanfaatkan untuk :
• Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
• Prediksi nilai variable tergantung berdasarkan nilai variable bebas, yang mana prediksi dengan
analisis path ini bersifat kualitatif.
• Faktor determinan yaitu penentuan variabel bebas mana yang berpengaruh dominan terhadap
variabel tergantung. Dan juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur)
pengaruh variabel bebas terhadap variabel tergantung.
• Pengujian model menggunakan theory trimming, baik untuk uji keajegan konsep yang sudah ada
maupun uji pengembangan konsep baru.

Contoh aplikasi, digunakan data path, dengan gambaran penelitian secara teoritis sebagai berikut:

Kualitas Kerja Imbalan Finansial


(X1) (X3)
Kepuasan
Imbalan Ekstrinsik
(X5)
Kuantitas Kerja Imbalan Interpersonal
(X2) (X4)

Langkah-langkah analisis path adalah sebenarnya melakukan tiga persamaan regresi, yaitu
1). Regresi antara X1 dan X2 terhadap X3
2). Regresi antara X1 dan X2 terhadap X4
3). Regresi antara X3 dan X4 terhadap X5

Untuk menguji regresi pertama, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: X3, Independent Variable: X1 dan X2, tekan OK

P a g e | 12
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Untuk menguji regresi kedua, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: X4, Independent Variable: X1 dan X2, tekan OK

Untuk menguji regresi pertama, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: X5, Independent Variable: X1 sampai X4, tekan OK

Regression (X1, X2 terhadap X3)

Model Summary

Adjusted Std. Error of


Model R R Square R Square the Estimate
1 ,771a ,594 ,584 ,08872
a. Predictors: (Constant), X2, X1

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression ,876 2 ,438 55,641 ,000a
Residual ,598 76 ,008
Total 1,474 78
a. Predictors: (Constant), X2, X1
b. Dependent Variable: X3

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 3,150 ,161 19,552 ,000
X1 ,152 ,040 ,308 3,774 ,000
X2 ,178 ,025 ,583 7,139 ,000
a. Dependent Variable: X3

Regression (X1, X2 terhadap X4)

Model Summary

Adjusted Std. Error of


Model R R Square R Square the Estimate
1 ,555a ,308 ,289 ,19086
a. Predictors: (Constant), X2, X1

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1,230 2 ,615 16,884 ,000a
Residual 2,768 76 ,036
Total 3,999 78
a. Predictors: (Constant), X2, X1
b. Dependent Variable: X4

P a g e | 13
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2,383 ,347 6,878 ,000
X1 ,329 ,086 ,406 3,804 ,000
X2 ,120 ,054 ,239 2,239 ,028
a. Dependent Variable: X4

Regression (X1, X2, X3, dan X4 terhadap X5)

Model Summary

Adjusted Std. Error of


Model R R Square R Square the Estimate
1 ,784a ,614 ,593 ,11248
a. Predictors: (Constant), X4, X2, X1, X3

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1,490 4 ,373 29,442 ,000a
Residual ,936 74 ,013
Total 2,426 78
a. Predictors: (Constant), X4, X2, X1, X3
b. Dependent Variable: X5

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1,526 ,511 2,987 ,004
X1 ,174 ,059 ,275 2,960 ,004
X2 ,128 ,041 ,325 3,103 ,003
X3 ,188 ,147 ,147 1,281 ,204
X4 ,182 ,068 ,233 2,660 ,010
a. Dependent Variable: X5

Interpretasi ketiga persamaan regresi:


Regresi 1
Variabel B Beta t Sig t Ket
Konstanta 3,150 19,552 0,000
Kualitas Kerja (X1) 0,152 0,308 3,774 0,000 Signifikan
Kuantitas Kerja (X2) 0,178 0,583 7,139 0,000 Signifikan
R Square = 0,594
Adjusted R Square = 0,584
Sig F = 0,000

P a g e | 14
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Regresi 2
Variabel B Beta t Sig t Ket
Konstanta 2,383 6,878 0,000
Kualitas Kerja (X1) 0,329 0,406 3,804 0,000 Signifikan
Kuantitas Kerja (X2) 0,120 0,239 2,239 0,028 Signifikan
R Square = 0,308
Adjusted R Square = 0,289
Sig F = 0,000

Regresi 3
Variabel B Beta t Sig t Ket
Konstanta 1,526 2,987 0,004
Kualitas Kerja (X1) 0,174 0,275 2,960 0,004 Signifikan
Kuantitas Kerja (X2) 0,128 0,325 3,103 0,003 Signifikan
Imbalan Finansial (X3) 0,188 0,147 1,281 0,204 Tidak sig
Imbalan Interpersonal (X4) 0,182 0,233 2,660 0,010 Signifikan
R Square = 0,614
Adjusted R Square = 0,593
Sig F = 0,000

Sehingga diperoleh gambaran path sebagai berikut:

β =0
= ,0
β = 0,308 p
0, 04
27
p = 0,000
5
Kualitas Kerja Imbalan Finansial β=
(X1) 80 (X3) p = 0,14
0 ,5 0 0, 2 7
β = 0 ,0 0 04 Kepuasan
p=
β= Imbalan Ekstrinsik
p = 0 ,4 0 33
0 ,0 6 0 ,2 (X5)
Kuantitas Kerja 00 Imbalan Interpersonal β = 0,010
p=
(X2) β = 0,239
(X4) 5
32
p = 0,028 0, 003
= ,
β =0
p

Dari gambar di atas diperoleh bahwa gambaran terdapat beberapa path yang signifikan. Koefisien β
diatas adalah pengaruh langsung masing-masing variabel. Sedangkan pengaruh tidak langsung yang
bisa diukur adalah:
1. Pengaruh X1 ke X5 melalui X3: 0,308 × 0,147 = 0,045
2. Pengaruh X1 ke X5 melalui X4: 0,406 × 0,233 = 0,095
3. Pengaruh X2 ke X5 melalui X3: 0,580 × 0,147 = 0,085
4. Pengaruh X2 ke X5 melalui X4: 0,239 × 0,233 = 0,056
Berdasarkan model-model pengaruh tersebut, dapat disusun model lintasan pengaruh sebagai berikut.
Model lintasan ini disebut dengan analisis path, dimana pengaruh error ditentukan sebagai berikut:

1 − R 1 = 1 − 0,594 2 = 0,804
2
Regresi 1 : Pe1 =

1 − R 2 = 1 − 0,308 2 = 0,951
2
Regresi 2 : Pe2 =

P a g e | 15
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

1− R3
2
Regresi 3 : Pe3 = = 1 − 0,614 2 = 0,789
Sehingga Koefisien determinasi total
R2m = 1 – Pe12 × Pe22 × Pe32 = 0,635
Artinya keragaman data yang dapat dijelaskan oleh model analisis path tersebut adalah sebesar 0,635
atau 63,5% atau dengan kata lain informasi yang terkandung dalam data 63,5% dapat dijelaskan
oleh model tersebut. Sedangkan yang 36,5% dijelaskan oleh variabel lain yang belum terdapat dalam
model dan error.
Langkah terakhir yang dilakukan adalah menguji asumsi linieritas masing-masing variabel.

Untuk menguji asumsi linieritas pertama, pilih menu Analyze > Regression > Curve Estimation

Kemudian masukkan Dependent Variable: X3, X4, dan X5, Independent Variable: X1, tekan OK

Untuk menguji asumsi linieritas kedua, pilih menu Analyze > Regression > Curve Estimation

Kemudian masukkan Dependent Variable: X3, X4, dan X5, Independent Variable: X2, tekan OK

Untuk menguji asumsi linieritas ketiga, pilih menu Analyze > Regression > Curve Estimation

Kemudian masukkan Dependent Variable: X5, Independent Variable: X3 tekan OK

Untuk menguji asumsi linieritas keempat, pilih menu Analyze > Regression > Curve Estimation

Kemudian masukkan Dependent Variable: X5, Independent Variable: X4 tekan OK

Curve Fit
MODEL: MOD_1.
Independent: X1
Dependent Mth Rsq d.f. F Sigf b0 b1
X3 LIN ,317 78 36,15 ,000 3,4131 ,2764
X4 LIN ,264 78 27,92 ,000 2,5572 ,4143
X5 LIN ,471 78 69,57 ,000 2,8334 ,3906

Curve Fit
MODEL: MOD_2.
Independent: X2
Dependent Mth Rsq d.f. F Sigf b0 b1
X3 LIN ,510 78 81,19 ,000 3,6229 ,2190
X4 LIN ,176 78 16,63 ,000 3,4041 ,2112
X5 LIN ,437 78 60,50 ,000 3,4700 ,2347

Curve Fit
MODEL: MOD_3.
Independent: X3
Dependent Mth Rsq d.f. F Sigf b0 b1
X5 LIN ,449 78 63,45 ,000 ,9545 ,7758
Curve Fit
MODEL: MOD_4.
Independent: X4
Dependent Mth Rsq d.f. F Sigf b0 b1
X5 LIN ,313 78 35,60 ,000 2,8154 ,3946

P a g e | 16
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

3. Analisis Diskriminan

Analisis ini mirip dengan regresi, akan tetapi variabel dependennya bersifat kategori
(nonmetrik). Ciri-ciri dari metode analisis ini adalah :
 Input data : Data dari observable variable dan bukan data dari indikator variabel latent
(konstruks). Variabel dependen memiliki data nonmetrik dan variabel independen berupa data
kategori (nonmetrik) dan atau metrik.
 Metode Perhitungan : Konsep eigen value dan eigen vector.
 Output : Berupa fungsi (diskriminan)
 Kegunaan : Merupakan alat untuk prediksi alternatif, alat pengelompokkan obyek dan faktor
determinan, yaitu dapat digunakan untuk menentukan variabel mana yang merupakan
pembeda terkuat.
Analisis diskriminan merupakan suatu teknik statistik untuk mencapai tujuan sebagai berikut:
1. Menemukan variabel yang membedakan secara signifikan antara dua kelompok.
2. Menyusun suatu persamaan atau fungsi untuk menghitung nilai indeks yang akan mewakili
secara tepat perbedaan antara dua kelompok.
3. Menggunakan indeks yang terhitung sebagai pedoman untuk mengklasifikasikan observasi
selanjutnya ke dalam salah satu kelompok tersebut.

Sebagai ilustrasi digunakan data diskriminan, yang berisi penelitian tentang analisis kinerja
keuangan dengan menggunakan analisis diskriminan pada perusahaan Food and Beverages yang Go
Public di BEJ. Adapun definisi variabel adalah sebagai berikut:
X1 : Rasio Lancar X7 : Marjin Laba Kotor
X2 : Rasio cair X8 : Rasio Laba Operasi bersih Terhadap Penjualan
X3 : Rasio perputaran persediaan X9 : Rasio Laba Operasi bersih Terhadap Total Aktiva
X4 : Rasio Perputaran Tabel Aktiva X10 : Rasio Hasil Pengembalian atas Ekuitas
X5 : Rasio Hutang terhadap Aktiva Y : Kategori awal perusahaan (sehat dan tidak sehat)
X6 : Rasio Hutang terhadap Ekuitas

Untuk melakukan analisis diskriminan, pilih menu Analyze > Classify > Discriminant
Kemudian masukkan Grouping Variable: y, lalu Define Range: minimum 0 dan maximum 1,
continue.
- Hidupkan Use Stepwise Method, dan pada bagian Method, hidupkan mahalanobis distance,
dan use probability of F.
- Pada bagian statistics, hidupkan means, univariate ANOVA, function coefficient hidupkan
unstandardized.
- Pada bagian classification, klik casewise result, dan leave-one out classification.
- Pada bagian save, hidupkan predicted group membership.
- Klik OK.

P a g e | 17
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Discriminant

Group Statistics

Valid N (listwise)
Y Mean Std. Deviation Unweighted Weighted
,00 X1 ,8511 ,89764 19 19,000
X2 ,5558 ,49082 19 19,000
X3 5,8368 ,99584 19 19,000
X4 ,8689 ,41808 19 19,000
X5 ,6926 ,13295 19 19,000
X6 ,5089 ,82179 19 19,000
X7 ,1847 ,06769 19 19,000
X8 -,0374 ,04382 19 19,000
X9 -9,1942 6,55686 19 19,000
X10 -21,6105 6,33255 19 19,000
1,00 X1 1,5879 ,92453 61 61,000
X2 ,9061 ,44088 61 61,000
X3 5,5280 1,11652 61 61,000
X4 ,9861 ,61649 61 61,000
X5 ,5400 ,12724 61 61,000
X6 ,7482 ,54300 61 61,000
X7 ,2174 ,06522 61 61,000
X8 ,0500 ,04872 61 61,000
X9 7,2089 6,01210 61 61,000
X10 14,1602 12,88835 61 61,000
Total X1 1,4129 ,96557 80 80,000
X2 ,8229 ,47436 80 80,000
X3 5,6014 1,09099 80 80,000
X4 ,9583 ,57532 80 80,000
X5 ,5763 ,14351 80 80,000
X6 ,6914 ,62314 80 80,000
X7 ,2096 ,06685 80 80,000
X8 ,0292 ,06033 80 80,000
X9 3,3131 9,30537 80 80,000
X10 5,6646 19,23399 80 80,000

Tests of Equality of Group Means

Wilks'
Lambda F df1 df2 Sig.
X1 ,893 9,325 1 78 ,003
X2 ,900 8,666 1 78 ,004
X3 ,985 1,163 1 78 ,284
X4 ,992 ,597 1 78 ,442
X5 ,793 20,414 1 78 ,000
X6 ,973 2,167 1 78 ,145
X7 ,956 3,566 1 78 ,063
X8 ,615 48,742 1 78 ,000
X9 ,430 103,326 1 78 ,000
X10 ,366 135,279 1 78 ,000

P a g e | 18
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Analysis 1
Summary of Canonical Discriminant Functions

Eigenvalues

Canonical
Function Eigenvalue % of Variance Cumulative % Correlation
1 3,198a 100,0 100,0 ,873
a. First 1 canonical discriminant functions were used in the
analysis.

Wilks' Lambda

Wilks'
Test of Function(s) Lambda Chi-square df Sig.
1 ,238 104,726 10 ,000

Functions at Group Centroids

Function
Y 1
,00 -3,164
1,00 ,985
Unstandardized canonical discriminant
functions evaluated at group means

Classification Statistics

Classification Resultsb,c

Predicted Group
Membership
Y ,00 1,00 Total
Original Count ,00 19 0 19
1,00 1 60 61
% ,00 100,0 ,0 100,0
1,00 1,6 98,4 100,0
Cross-validated a Count ,00 18 1 19
1,00 3 58 61
% ,00 94,7 5,3 100,0
1,00 4,9 95,1 100,0
a. Cross validation is done only for those cases in the analysis. In
cross validation, each case is classified by the functions derived
from all cases other than that case.
b. 98,8% of original grouped cases correctly classified.
c. 95,0% of cross-validated grouped cases correctly classified.

Analisis Diskriminan dengan metode langsung digunakan untuk melakukan uji terhadap
semua variabel bebas secara serentak terhadap variabel terikat untuk membedakan kinerja keuangan
perusahaan food and beverages dalam dua kelompok, yaitu kelompok perusahaan dengan kinerja
keuangan yang sehat dan tidak sehat.

P a g e | 19
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Dengan menggunakan metode langsung, maka 10 rasio keuangan dari perusahaan food and
beverages dalam penelitian ini dimasukkan secara serempak. Hasil analisis tersebut adalah sebagai
berikut:
Koefisien Fungsi Diskriminan Standardized dan Unstandardized dengan Metode Langsung
No. Rasio Keuangan Standardized Unstandardized
1. Rasio Lancar (X1) 0,254 0,277
2. Rasio Cair (X2) 0,003 0,006
3. Rasio Perputaran Persediaan (X3) -0,247 -0,227
4. Rasio Perputaran Total Aktiva (X4) -0,405 -0,702
5. Rasio Hutang Terhadap Aktiva (X5) -0,246 -1,913
6. Rasio Hutang Terhadap Ekuitas (X6) 0,075 0,121
7. Marjin Laba Kotor (X7) -0,028 -0,429
8. Rasio Laba Operasi Bersih Terhadap
-0,005 -0,108
Penjualan (X8)
9. Rasio Laba Operasi Bersih Terhadap Total
0,415 0,068
Aktiva (X9)
10. Rasio Hasil Pengembalian Atas Ekuitas
0,835 0,071
(X10)
Constanta 2,031

Dari tabel di atas dapat diketahui bahwa nilai koefisien fungsi diskriminan standardized dari
10 variabel pembeda berperan dalam mengelompokkan perusahaan food and beverages yang
berkinerja sehat dan perusahaan food and beverages yang berkinerja tidak sehat.
Koefisien fungsi diskriminan unstandardized dapat digunakan untuk melihat kontribusi
variabel X terhadap skor diskriminan apabila terjadi semua variabel X bernilai 0 (X=0), maka skor
diskriminannya adalah sebesar 2,031, yang berarti bahwa tanpa kontibusi dari variabel X, maka kodisi
keuangan suatu perusahaan menjadi positif sehingga cenderung masuk ke dalam kelompok
perusahaan yang berkinerja sehat.
Dari hasil struktur matrik dengan metode langsung dapat diketahui urutan dari variabel
pembeda yang paling memberikan kontribusi pada model diskriminan dengan metode langsung, yaitu
rasio hasil pengembalian atas ekuitas (X10), rasio laba operasi bersih terhadap total aktiva (X9), rasio
laba operasi bersih terhadap penjualan (X8), rasio hutang terhadap aktiva (X5), rasio lancar (X1), rasio
cair (X2), marjin laba kotor (X7), rasio hutang terhadap ekuitas (X6), rasio perputaran persediaan (X3),
dan rasio perputaran total aktiva (X4).
Pengelompokan perusahaan food dan beverages yang berkinerja sehat dan tidak sehat dapat
dilihat dari perhitungan rata – rata nilai diskriminan. Function at group of centriods dengan
menggunakan metode langsung dari masing – masing kelompok perusahaan food and beverages
adalah sebagai berikut:
 Centroid dari kelompok perusahaan yang berkinerja sehat adalah 0.989.
 Centriod dari kelompok perusahaan yang berkinerja tidak sehat adalah -3.176.
Batas nilai Z antara kelompok peruahaan yang berkinerja sehat dan perusahaan yang berkinerja
sehat adalah :

P a g e | 20
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

N AZB + N B Z A
Z CU =
N A + NB
(61) (-2.984) + (19) (0.930)
Z CU = = -2.054425
( 61 + 19)

Berdasarkan nilai ZCU, maka suatu perusahaan dikatakan berkinerja sehat apabila mempunyai
nilai Z< -2,1786.
Untuk mengetahui hubungan antara variabel pembeda dengan variabel terikat, dan juga seberapa
besar variabel terikat dapat dijelaskan oleh variabel pembeda, dapat dilihat dari nilai Canonical
Corelation Metode Langsung dari hasil penelitian ini.Koefisien determinasi Koefisien (R2) atau disebut
juga dengan Fit Model, dimana mempunyai nilai yang bergerak antara 0 – 1 atau ( 0 < R2 <1),
digunakan untuk mengukur variasi variabel terikat yang dapat dijelaskan oleh variabel bebas dalam
suatu model. Nilai R2 dapat diperoleh dengan mengkuadratkan nilai canonical coralation. Nilai
canonical coralation dengan menggunakan metode langung dalam penelitian ini adalah 0,873, maka
nilai R2 = (0,873)2 = 0,7621 atau R2 = 76,21%. Ini berarti kesepuluh variabel rasio keuangan yang
digunakan dalam penelitian ini mampu menjelaskan pemisahan antara perusahaan yang mempunyai
kinerja sehat dan tidak sehat sebesar 76,21%.

Hasil Pengelompokkan Berdasarkan Nilai Z Menurut Sampel Analisis Pada Kedua Kelompok
Perusahaan dengan Metode Langsung
Kinerja Jumlah Kasus Prediksi Kategori Perusahaan
Perusahaan Tidak Sehat Sehat
Tidak Sehat ( 0 ) 19 19 0
( 100%) (0)
Sehat ( 1 ) 61 1 60
(1.6%) ( 98,4%)

Hasil dari analisis diskriminan masing-masing variabel yang diuji, yang dapat dilihat pada Test
of Equality of Group Means, diperoleh nilai Wilks’ Lambda, F ratio, dan tingkat signifikansi masing-
masing variabel.
Dari output diatas diketahui bahwa dengan menggunakan tingkat signifikansi α = 0,05,
ternyata terdapat empat variabel penelitian yang tidak signifikan, karena mempunyai nilai signifikan
of F di atas nilai α (0,05), yaitu marjin laba kotor (X7), rasio hutang terhadap ekuitas (X6), rasio
perputaran persediaan (X3), rasio perputaran total aktiva (X4), sedangkan sisanya signifikan.

P a g e | 21
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

4. Analisis Faktor

Maholtra (1996) mengatakan bahwa dalam analisis faktor ini tidak dibedakan antara variabel
independen dan variabel dependen dimana seluruh variabel yang ada diteliti, mempunyai hubungan
saling tergantung. Maholtra (1996) menjelaskan bahwa melalui analisis faktor akan diperoleh hasil:
1. Identifikasi dimensi-dimensi atau faktor-faktor mendasar yang dapat menjelaskan korelasi dari
serangkaian variabel.
2. Identifikasi variabel-variabel baru yang lebih kecil untuk menggantikan variabel yang tidak
berkorelasi dari serangkaian variabel asli (asal) yang berkorelasi dari analisa multivariate (analisa
regresi atau diskriminan).
3. Identifikasi variabel-variabel kecil yang menonjol (dari variabel yang lebih besar) dari suatu
analisis multivariate.
Jika variabel-variabel tersebut dibakukan model faktornya adalah sebagai berikut:
Xi = Ai1 F1 + Ai2 F2 + Ai3 F3 + … + Aim Fm + Vi Ui
Dimana:
Xi = Variabel standar ke-i Vi = Koefisien standar regresi dari variabel
Aij = Koefisien multiple regression dari variabel i pada faktor khusus i
i pada common factor j Ui = Faktor khusus dari variabel i
F = Common Factor (faktor umum) m = jumlah dari faktor-faktor umum.
Faktor-faktor tidak berkorelasi satu sama lain, juga tidak ada korelasinya dengan faktor-faktor
umum. Faktor-faktor umum dapat dinyatakan sebagai kombinasi linier dari variabel-variabel yang
dapat diamati. Dengan formula sebagai berikut:
Fi = Wi1 X1 + Wi2 X2 + Wi3 X3 + … + Wik Xk
Dimana:
Fi = Estimasi faktor ke-i
Wi = Bobot atau koefisien nilai factor ; k = Jumlah variabel

Merumuskan masalah

Menyusun Matriks Korelasi

Menentukan Jumlah Faktor

Merotasi Faktor-faktor

Menafsirkan Faktor-faktor

Menghitung Memilih variabel


Skor Faktor pengganti

Menentukan model yang tepat

P a g e | 22
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Berdasarkan gambar di atas secara umum penggunaan Analisis Faktor akan melalui beberapa
tahap antara lain:
1. Uji Independensi Variabel dalam Matrik Korelasi
Pada tahap ini semua data yang masuk dengan bantuan komputer akan dapat diidentifikasi.
Variabel-variabel tertentu yang hampir tidak mempunyai korelasi dengan variabel lain sehingga
dapat dikeluarkan dari analisis, dalam waktu yang bersamaan juga dapat diketahui variabel-
variabel yang menimbulkan masalah multikolinieritas dengan koefisien korelasi lebih tinggi dari
0,800. Jika terjadi demikian, maka variabel ini nantinya dijadikan satu atau dipilih salah satu
untuk analisis lebih lanjut (Barlett’s Test of Sphericity), untuk mengukur signifikansi uji ini
digunakan chi-square tabel. Kemudian dilakukan uji Keiser-Meyer-Olkin (KMO) untuk mengetahui
kecukupan sampelnya. Nilai KMO kurang dari 0,50 mensiratkan bahwa teknik analisis faktor
tidak tepat untuk digunakan dalam studi ini. Sedangkan semakin tinggi nilai KMO akan semakin
baik penggunaan model analisis faktor.
2. Ekstraksi Faktor/Metode Analisis Faktor
Terdapat sejumlah teknik atau metode untuk melakukan ekstraksi dalam analisis faktor. Dalam
studi ini penentuan teknik analisis faktor akan dilakukan dengan teknik PCA (Principal
Component Analysis). Dengan teknik ini diharapkan dapat diperoleh hasil yang dapat
memaksimumkan prosentase varian yang mampu dijelaskan oleh model.
3. Menentukan Jumlah Faktor dan Rotasi Faktor
Setelah variabel disusun berdasarkan pola korelasi hasil langkah pertama kemudian menentukan
jumlah faktor yang diperlukan untuk mewakili data. Pada langkah ini akan diketahui sejumlah
faktor yang dapat diterima atau layak mewakili seperangkat variabel yang dianalisis dengan
melihat dari besarnya nilai eigen value serta presentase varian total. Dalam penelitian ini
meskipun pada mulanya variabel-variabel yang dianalisis telah dikelompokkan secara apriori ke
dalam beberapa faktor, namun untuk analisis dan interpretasi selanjutnya akan didasarkan pada
hasil analisis statistik dengan teknik PCA dimana untuk memilih faktor inti yang dapat mewakili
sekelompok variabel adalah yang mempunyai nilai eigen value minimal sama dengan 1,00 (satu).
Hasil dari ekstraksi faktor yang masih kompleks kadangkala masih sulit untuk dapat
diinterpretasikan, oleh karena itu bila dari matriks faktor mula-mula ternyata masih sulit
diinterpretasikan maka diperlukan rotasi faktor yang dapat memperjelas dan mempertegas
factor loading dalam setiap faktor sehingga lebih mudah untuk diinterpretasikan. Selanjutnya
memperhatikan matrik faktor mula-mula, eigen value, persentase varian dan factor loading
minimum kita dapat menentukan suatu variabel masuk faktor yang mana, sehingga dapat
diidentifikasi nama atau sebutan lain dari variabel yang bergabung tadi.
4. Perhitungan Skor Faktor
Perhitungan skor faktor pada dasarnya dimaksudkan untuk mencari nilai faktor yang dapat
digunakan untuk analisis multivariate selanjutnya.
5. Pemilihan Surrogate Variabel

P a g e | 23
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Di samping mencari nilai skor faktor, cara lain yang dapat digunakan untuk keperluan analisis
multivariate selanjutnya adalah dengan mencari salah satu variabel dalam setiap faktor sebagai
wakil dari masing-masing faktor yang bersangkutan atau juga dikenal dengan surrogate variabel.
Pada umumnya penentuan surrogate variabel didasarkan pada nilai factor loading.
6. Menentukan Ketetapan Model
Sama halnya dengan sejumlah model analisis statistik lainnya, untuk mengetahui apakah model
mampu menjelaskan dengan baik fenomena data yang ada perlu diuji terlebih dahulu
ketepatannya. Untuk menguji ketepatan model analisis faktor dengan teknik PCA dapat
dilakukan dengan melihat besarnya prosentase korelasi residual di atas 5% atau 10%. Semakin
tinggi nilai prosentase tersebut akan semakin buruk kemampuan model dalam menjelaskan
fenomena data yang ada. Tidak ada ketentuan yang baku mengenai batas maksimum
prosentase residual yang dapat diterima, namun bila tingkat residual mencapai lebih dari 50%
maka tingkat ketepatan teknik PCA akan semakin melemah, sehingga perlu dicari teknik analisis
faktor lain yang dapat meminimumkan nilai prosentase residual tersebut.

Contoh: Faktor-faktor apa sajakah yang dipertimbangkan konsumen dalam keputusan pembelian
deterjen Rinso
1. Variabel yang terkait dengan Internal Konsumen:
X1 : Kebutuhan
X2 : Pengalaman
X3 : Persepsi
X4 : Usia
X5 : Gaya Hidup
X6 : Kepribadian
X7 : Sikap Pendirian
2. Variabel yang terkait dengan Budaya:
X3 : Kebiasaan
3. Variabel yang terkait dengan Kelas Sosial:
X9 : Pendapatan
X10 : Tingkat Pendidikan
X11 : Pekerjaan
4. Variabel yang terkait dengan Kelompok Sosial dan Referensi:
X12 : Keluarga
X13 : Teman Sejawat
X14 : Opini Pemimpin
5. Variabel yang terkait dengan Produk:
X15 : Kemasan
X16 : Kualitas
X17 : Keistimewaan

P a g e | 24
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

X18 : Merek
X19 : Ukuran
X20 : Manfaat
6. Variabel yang terkait dengan Harga:
X21 : Harga Produk
X22 : Diskon/Potongan Harga
X23 : Pemberian Hadiah
7. Variabel yang terkait dengan Distribusi:
X24 : Ketersediaan Produk
X25 : Lokasi
8. Variabel yang terkait dengan Promosi:
X26 : Frekuensi Penayangan
X27 : Isi Peran Iklan
X28 : Tokoh Pendukung

Tahap I
Masuk ke menu Analyze > Data Reduction > Factor. Masukkan semua variabel ke dalam
variables. Pada bagian Descriptives hidupkan KMO and Bartlett`s test of sphericity and Anti Image.

Nilai MSA
X1 0,912 X15 0,318*
X2 0,906 X16 0,905
X3 0,851 X17 0,925
X4 0,449 * X18 0,913
X5 0,863 X19 0,896
X6 0,881 X20 0,923
X7 0,893 X21 0,764
X8 0,63 X22 0,276*
X9 0,857 X23 0,865
X10 0,892 X24 0,834
X11 0,875 X25 0,834
X12 0,859 X26 0,864
X13 0,861 X27 0,887
X14 0,612 X28 0,915

Angka MSA (Measure of Sampling Adequacy) berkisar antara 0 dan 1, jika


 MSA = 1, berarti variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel yang lain
 MSA > 0,5, berarti variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut
 MSA < 0,5, berarti variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau
dikeluarkan dari variabel lainnya.
Pada analisis faktor tahap 1 yang melibatkan 28 variabel yang diuji, terdapat tiga variabel (tanda *)
yang tidak memenuhi persyaratan MSA (nilai MSA di bawah 0,5). Dengan demikian ketiga variabel
tersebut dikeluarkan dari model sehingga tersisa 25 variabel yang diuji kembali pada tahap II.

P a g e | 25
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Tahap II
Masuk ke menu Analyze > Data Reduction > Factor. Masukkan semua variabel kecuali ketiga
variabel yang tidak diikutkan, ke dalam variables. Pada bagian Descriptives hidupkan KMO and
Bartlett`s test of sphericity and Anti Image.
Nilai MSA

X1 0,916 X14 0,649


X2 0,917 X16 0,909
X3 0,866 X17 0,929
X5 0,866 X18 0,914
X6 0,890 X19 0,899
X7 0,891 X20 0,923
X8 0,638 X21 0,788
X9 0,867 X23 0,873
X10 0,891 X24 0,836
X11 0,890 X25 0,831
X12 0,863 X26 0,889
X13 0,862 X27 0,886
X28 0,919

Pada analisis faktor tahap II yang melibatkan 25 variabel, terdapat 2 variabel yang tidak memenuhi
persyaratan komunalitas (komunalitas di bawah 0,5) yaitu;
a. Pakar/ahli (X14) dengan komunalitas sebesar 0,464
b. Tokoh pendukung (X28) dengan komunalitas sebesar 0,456
Dengan demikian kedua variabel tersebut dikeluarkan dari model sehingga tersisa 23 variabel untuk
diuji kembali pada tahap III.
Komunalitas menunjukkan proporsi ragam × yang dapat dijelaskan oleh p faktor bersama.

Tahap III
Masuk ke menu Analyze > Data Reduction > Factor. Masukkan semua variabel kecuali kelima
variabel yang tidak diikutkan, ke dalam variables.
- Pada bagian Extraction, method pilih Principal Components, hidupkan unrotated factor solution
dan scree plot, hidupkan eigenvalue over 1 (dengan mengacu angka eigen value, bila nilai < 1,
maka akan dikeluarkan).
- Pada bagian Rotation, hidupkan varimax, rotated solution, dan loading plot. Loading plot
menyajikan korelasi antara variabel tertentu dengan faktor yang terbentuk.
- Pada bagian Scores, hidupkan save as variables.

Uji Determinant of Correlation Matrix


Matrik korelasi dikatakan antar variabel saling terkait apabila determinan bernilai mendekati
nilai 0. Hasil perhitungan menunjukkan nilai Determinant of Correlation Matrix sebesar 0,0000000.
Nilai ini mendekatai 0, dengan demikian matrik korelasi antara variabel saling terkait.

P a g e | 26
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Uji Kaiser Meyer Olkin Measure of Sampling (KMO)


Kaiser Meyer Olkin Measure of Sampling (KMO) adalah indek perbandingan jarak antara
koefisien korelasi dengan koefisien korelasi parsialnya. Jika jumlah kuadrat koefisen korelasi parsial di
antara seluruh pasangan variabel bernilai kecil jika dibandingkan dengan jumlah kuadrat koefisien
korelasi, maka akan menghasilkan nilai KMO mendekati 1. Nilai KMO dianggap mencukupi jika lebih
dari 0,5. Hasil penelitian menunjukkan bahwa nilai Kaiser Meyer Olkin Measure of Sampling sebesar
0,88267. Dengan demikian persyaratan KMO memenuhi persyaratan karena memiliki nilai di atas 0,5.

Barlett Test of Sphericity


Rumus yang digunakan untuk Barlett Test of Sphericity adalah sebagai berikut:

 2p + 5 
Barlett Test = - ln R  n − 1 − 
 6 
Dimana

R = Nilai determinan n = Jumlah data p = jumlah variabel

Hasil perhitungan dengan SPSS dihasilkan nilai Barlett Test of Spehricity sebesar 1971,8988
dengan signifikansi sebesar 0,0000. Dengan demikian Barlett Test of Spehricity memenuhi
persyaratan karena signifikansi di bawah 0,05 (5%)

Measures of Sampling Adequacy (MSA)


Pengujian persyaratan MSA terhadap 23 variabel yang tersisa dijelaskan tabel
berikut:
Hasil Uji Persyaratan MSA
Variabel MSA
Kebutuhan (X1) 0,91403
Pengalaman (X2) 0,91703
Persepsi (X3) 0,86474
Gaya hidup (X5) 0,87181
Kepribadian (X6) 0,89890
Sikap (X7) 0,89083
Kebiasaan (X8) 0,65265
Pendapatan (X9) 0,87487
Tingkat pendidikan (X10) 0,88776
Pekerjaan (X11) 0,89010
Keluarga (X12) 0,86005
Teman (X13) 0,85838
Kualitas (X16) 0,91421
Keistemawaan (X17) 0,92747
Merek (X18) 0,90996
Ukuran (X19) 0,89275
Manfaat (X20) 0,91718
Harga produk (X21) 0,78607
Pemberian hadiah (X23) 0,87853
Ketersediaan produk (X24) 0,82935
Lokasi (X25) 0,82640
Frekuensi penayangan (X26) 0,88432
Isi peran iklan (X27) 0,88008

P a g e | 27
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Dari tabel di atas menunjukkan bahwa 23 variabel diuji memenuhi persyaratan MSA yaitu di
atas 0,5 sehingga dapat digunakan untuk pengujian selanjutnya

Komunalitas

Hasil pengujian persyaratan komunalitas dijelaskan tabel berikut ini:


Variabel Komunalitas
Kebutuhan (X1) 0,80487
Pengalaman (X2) 0,70451
Persepsi (X3) 0,82335
Gaya hidup (X5) 0,84493
Kepribadian (X6) 0,64873
Sikap (X7) 0,80047
Kebiasaan (X8) 0,97894
Pendapatan (X9) 0,7035
Tingkat pendidikan (X10) 0,75516
Pekerjaan (X11) 0,69591
Keluarga (X12) 0,70538
Teman (X13) 0,79594
Kualitas (X16) 0,65984
Keistemawaan (X17) 0,67212
Merek (X18) 0,62720
Ukuran (X19) 0,62089
Manfaat (X20) 0,68048
Harga produk (X21) 0,78399
Pemberian hadiah (X23) 0,70879
Ketersediaan produk (X24) 0,74090
Lokasi (X25) 0,73866
Frekuensi penayangan (X26) 0,77228
Isi peran iklan (X27) 0,85696

Dari tabel di atas menujukkan 23 variabel diuji memenuhi persyaratan komunalitas yaitu lebih
besar dari 0,5.

Rotasi Faktor
Hasil rotasi faktor dengan metode varimax dijelaskan tabel berikut ini:
Tabel 11. Hasil Rotasi Faktor dengan Varimax
No Variabel Faktor Eigen Value % variance
1 Isi peran iklan (X27) 7,68744 33,4
2 Frekuensi penayangan (X26)
3 Manfaat (X20)
Faktor 1
4 Keistemawaan (X17)
(Promosi)
5 Kualitas (X16)
6 Merek (X18)
7 Ukuran (X19)
8 Gaya hidup (X5) 3,21645 14,0
9 Persepsi (X3)
Faktor 2
10 Sikap (X7)
(Individual
11 Kebutuhan (X1)
Konsumen )
12 Pengalaman (X2)
13 Kepribadian (X6)

P a g e | 28
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

14 Teman (X13) 2,94558 12,8


15 Tingkat pendidikan (X10)
Faktor 3
16 Pekerjaan (X11)
(Lingkungan)
17 Keluarga (X12)
18 Pendapatan (X9)
19 Harga produk (X21) 2,27223 9,9
20 Lokasi (X25) Faktor 4
21 Ketersediaan produk (X24) (Harga)
22 Pemberian hadiah (X23)
23 Kebiasaan (X8) Faktor 5 (Budaya) 1,00212 4,4

Total varians dari 5 faktor adalah 74,5% sehingga memenuhi persyaratan varian yaitu sebesar 0,6.
Pengertian total varian 74,5% adalah kelima faktor tersebut menjadi bahan pertimbangan konsumen
sebesar 74,5% sedangkan sisanya (25,5%) faktor-faktor lain di luar 5 faktor tersebut.

5. DESAIN EKSPERIMEN

A. Pengantar Desain Eksperimen


Desain Eksperimen merupakan salah satu metode statistik yang digunakan sebagai salah satu
alat untuk meningkatkan dan melakukan perbaikan kualitas. Perubahan-perubahan terhadap
variabel suatu proses atau sistem diharapkan akan memberi hasil (respon) yang optimal dan
cukup memuaskan.

Definisi Desain Eksperimen:

 suatu uji atau rentetan uji dengan mengubah-ubah variabel input (faktor) suatu proses
sehingga bisa diketahui penyebab perubahan output (respons)

Istilah-Istilah Dalam Desain Eksperimen

 Unit Eksperimen
− unit dasar di mana ukuran respons dikumpulkan
 Faktor
− tipe kondisi berbeda dalam Eksperimen yang bisa diubah-ubah.
 Level
− cara / mode berbeda suatu faktor.
 Perlakuan (treatment)
− kombinasi level pada faktor yang berbeda
 Replikasi / ulangan
− banyaknya perulangan unit Eksperimen pada perlakuan tertentu

Tujuan Desain Eksperimen

 Menentukan variabel input (faktor) yang berpengaruh terhadap respons


 Menentukan variabel input yang membuat respons mendekati nilai yang diinginkan
 Menentukan variabel input yang menyebabkan variasi respons kecil

P a g e | 29
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Prinsip Dasar Desain Eksperimen

1. Replikasi / Ulangan
 terdapat pengulangan yang sama pada unit Eksperimen yang berbeda
 melalui ulangan dapat diketahui variabilitas alami dan kesalahan pengukuran
 sifat 1  penyimpangan taksiran / dugaan dalam Eksperimen
 sifat 2  rata-rata sampel yang digunakan untuk menaksir pengaruh suatu faktor dalam
Eksperimen
2. Randomisasi / Pengacakan
 Perlakuan harus diberikan secara acak pada unit-unit Eksperimen. Secara umum, metode
statistik mengharapkan bahwa pengamatan atau error adalah variabel independen,
random, dan berdistribusi tertentu
3. Kontrol Lokal
 Artinya sebarang metode yang dapat menjelaskan dan mengurangi variabilitas alami.
Prinsip dilakukan dengan mengelompokkan satuan unit eksperimen yang mirip ke dalam
blok (kelompok) tertentu. Pengelompokan (blocking) bertujuan meningkatkan ketepatan
eksperimen.
Langkah - Langkah Desain Eksperimen
 Mengenali permasalahan
 Memilih Variabel Respons
 Menentukan Faktor dan Level
 Memilih metode Desain Eksperimen
 Melaksanakan Eksperimen
 Analisis data
 Membuat suatu keputusan
ANALISIS RAGAM (Analysis of Variance)
 ANOVA digunakan untuk menyelidiki hubungan antara variabel respons (dependen)
dengan 1 atau beberapa variabel prediktor (independen).
 ANOVA pada prinsipnya sama dengan regresi, tetapi skala data variabel independen
adalah kategorik, yaitu skala ordinal atau nominal

B. Desain Eksperimen Satu Faktor


One-way ANOVA:
 MODEL : yij = µ + αi + εij
dengan : k

∑µ i k
µ= i =1

k
dan ∑α
i =1
i =0

µ menyatakan rataan keseluruhan (grand mean) dan αi disebut sebagai efek atau pengaruh
perlakuan ke-i

P a g e | 30
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

 Hipotesis yang ingin diuji adalah :


H0 : α1 = α2 = … = αr = 0
H1 : paling sedikit satu αi tidak sama dengan nol
Contoh Penerapan :
Dalam suatu percobaan industri seorang insinyur ingin menyelidiki bagaimana rataan penyerapan
uap air dalam beton berubah di antara lima adukan beton yang berbeda. Adukan beton ini
berbeda dalam persen berat komponen penting. Sampel dibiarkan kena uap air selama 48 jam.
Dari tiap adukan diambil 6 sampel untuk diuji, sehingga seluruhnya diperlukan 30 sampel. Ujilah
kesamaan rata-rata pada taraf signifikansi 0.05 mengenai penyerapan uap air oleh berbagai jenis
adukan semen!

ADUKAN BETON (% BERAT)


Ulangan 1 2 3 4 5
1 551 595 639 417 563
2 457 580 615 449 631
3 450 508 511 517 522
4 731 583 573 438 613
5 499 633 648 415 656
6 632 517 677 555 679
TOTAL 3320 3416 3663 2791 3664 16854
RATAAN 553.33 569.33 610.5 465.17 610.67 561.8

Langkah membuat ANOVA (Analisis Ragam) :


1. Pilih Analyze > General Linear Model > Univariate
2. Isikan uap air pada kotak Dependent Variable dan beton pada kotak Fixed Factor
3. Klik Post Hoc ; masukkan beton pada kotak Post Hoc test for
4. Beri tanda cek (√) untuk LSD, Tukey, dan Dunnett
5. Dalam box Control Category, pilih first
6. Klik Continue, OK

Output :

Tests of Between-Subjects Effects

Dependent Variable: UAP_AIR


Type III Sum
Source of Squares df Mean Square F Sig.
Corrected Model 85356.467a 4 21339.117 4.302 .009
Intercept 9468577.200 1 9468577.200 1908.674 .000
BETON 85356.467 4 21339.117 4.302 .009
Error 124020.333 25 4960.813
Total 9677954.000 30
Corrected Total 209376.800 29
a. R Squared = .408 (Adjusted R Squared = .313)

P a g e | 31
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Post Hoc Tests


BETON
Multiple Comparisons

Dependent Variable: UAP_AIR

Mean
Difference 95% Confidence Interval
(I) BETON (J) BETON (I-J) Std. Error Sig. Lower Bound Upper Bound
Tukey HSD 1 2 -16.0000 40.66454 .995 -135.4265 103.4265
3 -57.1667 40.66454 .630 -176.5932 62.2598
4 88.1667 40.66454 .224 -31.2598 207.5932
5 -57.3333 40.66454 .627 -176.7598 62.0932
2 1 16.0000 40.66454 .995 -103.4265 135.4265
3 -41.1667 40.66454 .847 -160.5932 78.2598
4 104.1667 40.66454 .109 -15.2598 223.5932
5 -41.3333 40.66454 .845 -160.7598 78.0932
3 1 57.1667 40.66454 .630 -62.2598 176.5932
2 41.1667 40.66454 .847 -78.2598 160.5932
4 145.3333* 40.66454 .012 25.9068 264.7598
5 -.1667 40.66454 1.000 -119.5932 119.2598
4 1 -88.1667 40.66454 .224 -207.5932 31.2598
2 -104.1667 40.66454 .109 -223.5932 15.2598
3 -145.3333* 40.66454 .012 -264.7598 -25.9068
5 -145.5000* 40.66454 .012 -264.9265 -26.0735
5 1 57.3333 40.66454 .627 -62.0932 176.7598
2 41.3333 40.66454 .845 -78.0932 160.7598
3 .1667 40.66454 1.000 -119.2598 119.5932
4 145.5000* 40.66454 .012 26.0735 264.9265
LSD 1 2 -16.0000 40.66454 .697 -99.7502 67.7502
3 -57.1667 40.66454 .172 -140.9168 26.5835
4 88.1667* 40.66454 .040 4.4165 171.9168
5 -57.3333 40.66454 .171 -141.0835 26.4168
2 1 16.0000 40.66454 .697 -67.7502 99.7502
3 -41.1667 40.66454 .321 -124.9168 42.5835
4 104.1667* 40.66454 .017 20.4165 187.9168
5 -41.3333 40.66454 .319 -125.0835 42.4168
3 1 57.1667 40.66454 .172 -26.5835 140.9168
2 41.1667 40.66454 .321 -42.5835 124.9168
4 145.3333* 40.66454 .001 61.5832 229.0835
5 -.1667 40.66454 .997 -83.9168 83.5835
4 1 -88.1667* 40.66454 .040 -171.9168 -4.4165
2 -104.1667* 40.66454 .017 -187.9168 -20.4165
3 -145.3333* 40.66454 .001 -229.0835 -61.5832
5 -145.5000* 40.66454 .001 -229.2502 -61.7498
5 1 57.3333 40.66454 .171 -26.4168 141.0835
2 41.3333 40.66454 .319 -42.4168 125.0835
3 .1667 40.66454 .997 -83.5835 83.9168
4 145.5000* 40.66454 .001 61.7498 229.2502
Dunnett t (2-sided)a 2 1 16.0000 40.66454 .984 -90.0084 122.0084
3 1 57.1667 40.66454 .444 -48.8418 163.1751
4 1 -88.1667 40.66454 .123 -194.1751 17.8418
5 1 57.3333 40.66454 .441 -48.6751 163.3418
Based on observed means.
*. The mean difference is significant at the .05 level.
a. Dunnett t-tests treat one group as a control, and compare all other groups against it.

P a g e | 32
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Homogeneous Subsets
UAP_AIR

Subset
BETON N 1 2
Tukey HSDa,b 4 6 465.1667
1 6 553.3333 553.3333
2 6 569.3333 569.3333
3 6 610.5000
5 6 610.6667
Sig. .109 .627
Means for groups in homogeneous subsets are displayed.
Based on Type III Sum of Squares
The error term is Mean Square(Error) = 4960.813.
a. Uses Harmonic Mean Sample Size = 6.000.
b. Alpha = .05.

Interpretasi :
 KEPUTUSAN : TOLAK H0 (karena Fhit > F tabel) (4.30 > 2.76)
 KESIMPULAN : Bahwa kelima adukan tidak mempunyai rataan penyerapan yang sama. p
value (nilai peluang) untuk F = 4.30 lebih kecil dari 0.01
 Hasil ANOVA menyatakan terdapat perbedaan yang signifikan dari rataan penyerapan uap
air dalam beton berdasarkan persentase berat adukan beton. Oleh karena itu kita perlu
melakukan uji untuk mengetahui level yang berbeda. Terdapat tiga uji yang dapat digunakan,
yaitu Dunnet’s Test, Tukey’s Test, dan Fisher’s Test.

Dunnett’s test menggunakan level kontrol persentase berat adukan beton 1 dan tingkat
kesalahan 5%. Kita dapat melakukan interpretasi dengan melihat interval rata-rata. Aturan
keputusannya adalah apabila dalam interval rata-rata atau antara nilai terendah (lower) sampai
nilai tertinggi (upper) mencakup bilangan 0 (nol), maka kesimpulannya adalah tidak ada
perbedaan rata-rata penyerapan uap air antar level adukan. Output di atas menunjukkan bahwa
keseluruhan dari interval mencakup nilai nol. Sehingga melalui uji Dunnett dapat disimpulkan
bahwa perlakuan adukan 2, 3, 4, dan 5 tidak mempunyai perbedaan yang cukup signifikan
dengan rata-rata perlakuan adukan 1 (sebagai kontrol). Atau dengan kata lain adukan 2, 3, 4 dan
5 relatif sama pengaruhnya dengan adukan 1 terhadap penyerapan uap air yang dihasilkan.

Tukey’s test melakukan perbandingan untuk semua level faktor agar memperoleh suatu
kesimpulan yang cukup memuaskan. Cara membaca output Tukey’s test tidak berbeda jauh
dengan output Dunnett’s test, Yakni apabila dalam interval rata-rata atau antara nilai terendah
(lower) sampai nilai tertinggi (upper) mencakup bilangan 0 (nol), maka kesimpulannya adalah
tidak ada perbedaan rata-rata penyerapan uap air antar level adukan yang bersangkutan. Dari
output terlihat bahwa yang berbeda adalah antara adukan 3 dan 4; dan adukan 4 dan 5.
Sedangkan pasangan yang lain relatif sama pengaruhnya karena interval melewati nilai 0.

P a g e | 33
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Fisher’s test sering juga disebut Least Significant Difference (LSD). Seperti halnya Tukey’s
test, Fisher’s test pun melakukan uji perbandingan untuk semua kemungkinan level. Cara
menginterpretasikan output juga sama dengan Tukey. Dari output terlihat bahwa ada sedikit
perbedaan yang dihasilkan, yakni pasangan perlakuan yang berbeda sekarang adalah : adukan 1
dan 4 ; 2 dan 4 ; 3 dan 4 ; serta 4 dan 5.

Two-way ANOVA:

Misalkan kita tidak hanya ingin melihat perbedaan pengaruh perlakuan, namun juga pengaruh
ulangan. Yakni ingin diketahui apakah masing-masing ulangan mempunyai perbedaan yang
signifikan terhadap penyerapan uap air?
Maka karena kita ingin melihat tidak hanya pengaruh dari perlakuan namun juga ulangan maka
dilakukan Two-way ANOVA.
1. Pilih Analyze > General Linear Model > Univariate
2. Isikan uap air pada kotak Dependent Variable dan beton dan ulangan pada kotak
Fixed Factor
3. Klik Model, masukkan beton dan ulangan pada kotak Model
4. Klik Post Hoc ; masukkan beton pada kotak Post Hoc test for
5. Beri tanda cek (√) untuk LSD, Tukey, dan Dunnett
6. Dalam box Control Category, pilih first
7. Klik Continue, OK

Univariate Analysis of Variance

Tests of Between-Subjects Effects

Dependent Variable: UAP_AIR


Type III Sum
Source of Squares df Mean Square F Sig.
Corrected Model 121330.867a 9 13481.207 3.062 .018
Intercept 9468577.200 1 9468577.200 2150.827 .000
BETON 85356.467 4 21339.117 4.847 .007
ULANGAN 35974.400 5 7194.880 1.634 .197
Error 88045.933 20 4402.297
Total 9677954.000 30
Corrected Total 209376.800 29
a. R Squared = .579 (Adjusted R Squared = .390)

P a g e | 34
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Post Hoc Tests


BETON
Multiple Comparisons

Dependent Variable: UAP_AIR

Mean
Difference 95% Confidence Interval
(I) BETON (J) BETON (I-J) Std. Error Sig. Lower Bound Upper Bound
Tukey HSD 1 2 -16.0000 38.30708 .993 -130.6291 98.6291
3 -57.1667 38.30708 .579 -171.7958 57.4625
4 88.1667 38.30708 .185 -26.4625 202.7958
5 -57.3333 38.30708 .576 -171.9625 57.2958
2 1 16.0000 38.30708 .993 -98.6291 130.6291
3 -41.1667 38.30708 .817 -155.7958 73.4625
4 104.1667 38.30708 .086 -10.4625 218.7958
5 -41.3333 38.30708 .815 -155.9625 73.2958
3 1 57.1667 38.30708 .579 -57.4625 171.7958
2 41.1667 38.30708 .817 -73.4625 155.7958
4 145.3333* 38.30708 .009 30.7042 259.9625
5 -.1667 38.30708 1.000 -114.7958 114.4625
4 1 -88.1667 38.30708 .185 -202.7958 26.4625
2 -104.1667 38.30708 .086 -218.7958 10.4625
3 -145.3333* 38.30708 .009 -259.9625 -30.7042
5 -145.5000* 38.30708 .009 -260.1291 -30.8709
5 1 57.3333 38.30708 .576 -57.2958 171.9625
2 41.3333 38.30708 .815 -73.2958 155.9625
3 .1667 38.30708 1.000 -114.4625 114.7958
4 145.5000* 38.30708 .009 30.8709 260.1291
LSD 1 2 -16.0000 38.30708 .681 -95.9072 63.9072
3 -57.1667 38.30708 .151 -137.0738 22.7405
4 88.1667* 38.30708 .032 8.2595 168.0738
5 -57.3333 38.30708 .150 -137.2405 22.5738
2 1 16.0000 38.30708 .681 -63.9072 95.9072
3 -41.1667 38.30708 .295 -121.0738 38.7405
4 104.1667* 38.30708 .013 24.2595 184.0738
5 -41.3333 38.30708 .293 -121.2405 38.5738
3 1 57.1667 38.30708 .151 -22.7405 137.0738
2 41.1667 38.30708 .295 -38.7405 121.0738
4 145.3333* 38.30708 .001 65.4262 225.2405
5 -.1667 38.30708 .997 -80.0738 79.7405
4 1 -88.1667* 38.30708 .032 -168.0738 -8.2595
2 -104.1667* 38.30708 .013 -184.0738 -24.2595
3 -145.3333* 38.30708 .001 -225.2405 -65.4262
5 -145.5000* 38.30708 .001 -225.4072 -65.5928
5 1 57.3333 38.30708 .150 -22.5738 137.2405
2 41.3333 38.30708 .293 -38.5738 121.2405
3 .1667 38.30708 .997 -79.7405 80.0738
4 145.5000* 38.30708 .001 65.5928 225.4072
Dunnett t (2-sided)a 2 1 16.0000 38.30708 .980 -85.5537 117.5537
3 1 57.1667 38.30708 .397 -44.3870 158.7204
4 1 -88.1667 38.30708 .100 -189.7204 13.3870
5 1 57.3333 38.30708 .395 -44.2204 158.8870
Based on observed means.
*. The mean difference is significant at the .05 level.
a. Dunnett t-tests treat one group as a control, and compare all other groups against it.

P a g e | 35
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Homogeneous Subsets
UAP_AIR

Subset
BETON N 1 2
Tukey HSDa,b 4 6 465.1667
1 6 553.3333 553.3333
2 6 569.3333 569.3333
3 6 610.5000
5 6 610.6667
Sig. .086 .576
Means for groups in homogeneous subsets are displayed.
Based on Type III Sum of Squares
The error term is Mean Square(Error) = 4402.297.
a. Uses Harmonic Mean Sample Size = 6.000.
b. Alpha = .05.

C. Desain Faktorial
Desain faktorial digunakan apabila eksperimen terdiri atas dua faktor atau lebih. Desain faktorial
memungkinkan kita melakukan kombinasi antar level faktor. Kita memerlukan desain faktorial
apabila interaksi antarfaktor mungkin mempengaruhi kesimpulan.
Gambar berikut menunjukkan contoh hirarki desain faktorial untuk 2 faktor.
Faktor A A1 A2 .... Aa

Faktor B B1 B2 .... Bb B1 B2 .... Bb B1 B2 .... Bb

Replikasi
- - - - - - - - -
- - - - - - - - -
- - - - - - - - -
- - - - - - - - -
- - - - - - - - -
Contoh Penerapan :
Berikut adalah ilustrasi desain faktorial untuk 2 faktor. Kasus yang akan diangkat mengenai
desain baterai dengan waktu hidup lebih lama. Berikut adalah datanya :
Temperatur
Tipe Material 0 0 0
15 F 70 F 125 F
130 34 20
155 40 70
1
74 80 82
180 75 58
150 136 25
188 122 70
2
159 106 58
126 115 45
138 174 96
110 120 104
3
168 150 82
160 139 60

P a g e | 36
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Ahli baterai memperkirakan ada dua faktor yang memiliki pengaruh terhadap lama waktu hidup
baterai, yaitu tipe material yang dijadikan bahan baterai dan temperatur yang digunakan.
Eksperimen mengidentifikasikan 3 tipe material yang diperkirakan mempengaruhi baterai dan
dapat memaksimalkan waktu hidupnya. Pada eksperimen, ahli baterai mengetahui bahwa rentang
temperatur tertentu dapat pula memaksimalkan waktu hidup. Untuk memaksimalkannya
temperatur dikendalikan dalam 3 level untuk tiap-tiap material, yaitu 150 F, 700 F, dan 1250 F.
Pada eksperimen, ahli baterai menguji 4 baterai di tiap kombinasi level tipe material dan
temperatur sehingga total ada 36 pengamatan yang dilakukan.
1. Pilih Analyze > General Linear Model > Univariate
2. Isikan wkt_hdp pada kotak Dependent Variable dan material dan suhu pada kotak
Fixed Factor
3. Klik Model, pilih full factorial
4. Klik Post Hoc ; masukkan material dan suhu pada kotak Post Hoc test for
5. Klik Plots; masukkan suhu pada Horisontal Axis dan material pada Separate Lines, klik
add
6. Klik Continue, OK

Output :

Tests of Between-Subjects Effects

Dependent Variable: WKT_HDP


Type III Sum
Source of Squares df Mean Square F Sig.
Corrected Model 59416.222a 8 7427.028 11.000 .000
Intercept 400900.028 1 400900.028 593.739 .000
MATERIAL 10683.722 2 5341.861 7.911 .002
SUHU 39118.722 2 19559.361 28.968 .000
MATERIAL * SUHU 9613.778 4 2403.444 3.560 .019
Error 18230.750 27 675.213
Total 478547.000 36
Corrected Total 77646.972 35
a. R Squared = .765 (Adjusted R Squared = .696)

Profile Plots
Estimated Marginal Means of WKT_HDP
180

160

140
Estimated Marginal Means

120

100
MATERIAL
80
1

60 2

40 3
15 70 125

SUHU

P a g e | 37
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Interpretasi :
Tabel ANOVA dapat digunakan untuk mengetahui pengaruh tiap faktor atau interaksi antar faktor
terhadap variabel respons (waktu hidup baterai).
Dalam kasus ini, ada 2 faktor dan 1 interaksi sehingga ada 3 hipotesis yang harus dirumuskan,
yaitu uji hipotesis untuk mengetahui pengaruh tipe material, pengaruh temperatur dan pengaruh
interaksi antara tipe material dan temperatur.

Memeriksa Pengaruh Tipe Material Terhadap Waktu Hidup Baterai


Hipotesis :
H0 : τ1 = τ2 =τ3 = 0
(tipe material tidak berpengaruh terhadap waktu hidup baterai)
H1 : paling sedikit satu τi ≠ 0 i = 1, 2, 3
(tipe material berpengaruh terhadap waktu hidup baterai)
Untuk melihat hasil uji hipotesis adalah dengan cara melihat nilai p-value yang dihasilkan dari
tabel ANOVA untuk Tipe Material.
Dari output dihasilkan p-value adalah sebesar 0.002. Nilai ini kurang dari α sebesar 0.05.
Sehingga H0 ditolak dan dapat disimpulkan bahwa terdapat pengaruh yang signifikan dari tipe
material terhadap waktu hidup baterai.

Memeriksa Pengaruh Temperatur Terhadap Waktu Hidup Baterai


Hipotesis :
H0 : β1 = β2 =β3 = 0
(temperatur tidak berpengaruh terhadap waktu hidup baterai)
H1 : paling sedikit satu βj ≠ 0 j = 1, 2, 3
(temperatur berpengaruh terhadap waktu hidup baterai)
Untuk melihat hasil uji hipotesis adalah dengan cara melihat nilai p-value yang dihasilkan dari
tabel ANOVA untuk Temperatur.
Dari output dihasilkan p-value adalah sebesar 0.000. Nilai ini kurang dari α sebesar 0.05.
Sehingga H0 ditolak dan dapat disimpulkan bahwa terdapat pengaruh yang signifikan dari
temperatur terhadap waktu hidup baterai.

Memeriksa Pengaruh Interaksi antar Faktor terhadap Waktu Hidup Baterai


Hipotesis :
H0 : (τβ)ij = 0 untuk semua i, j
(interaksi antar faktor tidak berpengaruh terhadap waktu hidup baterai)
H1 : (τβ)ij ≠ 0
(interaksi antar faktor berpengaruh terhadap waktu hidup baterai)
Untuk melihat hasil uji hipotesis adalah dengan cara melihat nilai p-value yang dihasilkan dari
tabel ANOVA untuk Interaction effect Tipe Material*Temperatur.

P a g e | 38
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Dari output dihasilkan p-value adalah sebesar 0.019. Nilai ini kurang dari α sebesar 0.05.
Sehingga H0 ditolak dan dapat disimpulkan bahwa terdapat pengaruh yang signifikan dari
interaksi antara tipe material dan temperatur terhadap waktu hidup baterai.

GRAFIK UNTUK DESAIN FAKTORIAL


Interpretasi :
Gambar di atas memperlihatkan bahwa tipe material 3 dan temperatur 150F memiliki pengaruh
besar terhadap waktu hidup baterai. Kedua jenis faktor memiliki pengaruh yang berlawanan.
Semakin tinggi level tipe material, semakin besar pengaruhnya terhadap waktu hidup baterai.
Sebaliknya, semakin tinggi temperaturnya maka akan memberi pengaruh yang semakin kecil
terhadap waktu hidup baterai.
Dari analisis plot interaksi antara tipe material dan temperatur, kita mengetahui bahwa interaksi
faktor yang cukup mempengaruhi waktu hidup baterai adalah interaksi antara tipe material
dengan temperatur pada saat temperaturnya 700 F.

P a g e | 39