Aplikasi Analisis Kuantitatif

BUKU AJAR
APLIKASI ANALISIS
KUANTITATIF
UNTUK EKONOMI DAN BISNIS
Oleh:
PROF. DR. MADE SUYANA UTAMA, SE., MS.
FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS UDAYANA
DENPASAR
2016
Hak Cipta Dilindungi Undang-Undang
Dilarang memperbanyak, mencetak, dan menerbitkan sebagian atau seluruh isi buku
ini dengan cara dan dalam bentuk apapun juga tanpa seijin Penulis dan Penerbit.
Diterbitkan pertama kali oleh:
c.v. sastra utama

Denpasar, 2016
ISBN: 978-602-74788-0-0
ii
Aplikasi Analisis Kuantitatif Made Suyana Utama
KATA PENGANTAR
Berkat Rahmat Ida Sang Hyang Widhi Wasa, maka dapat disusun buku
yang berjudul: Aplikasi Analisis Kuantitatif. Buku ini diharapkan dapat membantu
mahasiswa dan peneliti lainnya memahami dan mengaplikasikan alat analisis
yang relevan dalam bidang ekonomi dan bisnis secara nyata. Keputusan dalam
bidang ekonomi dan bisnis dapat dalam bentuk estimasi, identifikasi, eksplorasi,
konfirmasi, dan ekplanasi masalah yang akan diselesaikan. Alat analisis yang
digunakan lebih bersifat terapan yang merupakan unifikasi antara alat dengan
teori ekonomi dan bisnis. Materi yang dibahas dalam metode kuantitatif ini
antara lain statistik nonparametrik, analisis regresi dan pengembangannya,
analisis faktor, serta deskriminan.
Buku ini diselesaikan atas kerja sama yang baik antara berbagai pihak.
Oleh karena itu, penulis menyampaikan terima kasih dan penghargaan yang
setinggi-tingginya kepada yang terhormat:
Dr. I Nyoman Mahaendra Yasa, MSi., dekan Fakultas Ekonomi dan
Bisnis, Universitas Udayana yang dengan bijaksana memfasilitasi dalam
penyelesaian buku ini.
Prof. Dr. Ni Nyoman Kertiyasa, SE., MS., Pembantu Dekan I Fakultas
Ekonomi dan Bisnis, Universitas Udayana yang telah banyak memberikan
arahan dan fasilitas sehingga buku ini dapat diselesaikan.
Semua dosen, karyawan, dan karyawati di Fakultas Ekonomi, Universitas
Udayana yang telah banyak memberikan dukungan moral untuk penyelesaian
penulisan buku ini.
Istriku Luh Putu Suati yang telah memberikan dorongan, baik moral
maupun spiritual dengan penuh kesabaran, pengorbanan, keikhlasan, serta doa
yang dipanjatkan sehingga penulis merasa ringan dalam penyelesaikan buku
ini. Anak-anakku Luh Putu Inten Pradnyani dan Made Agung Raharja,
menantu Ida Bagus Raka Ananta Kusuma dan Wayan Oktaviari serta cucu-
cucu Ida Bagus Wijaya Kusuma Putra, Ida Bagus Surya Diatmika
Dwinanda, Ida Bagus Dimas Aditya, Luh Putu Chintya Maharani, Made
Mekhel Wikananda, dan Luh Nyoman Anindya Maheswari yang semuanya
memberikan dorongan moral kepada penulis.
Pada bagian akhir ini penulis memohon kepada Tuhan Yang Maha Esa,
Ida Sang Hyang Widhi Wasa agar menerima amalan serta memberikan balasan
yang setimpal atas dukungan dan pengorbanan semua pihak yang telah
membantu penyelesaian buku ini.
Denpasar, Juni 2016

Penulis,
iii
RIWAYAT HIDUP
Made Suyana Utama adalah Guru Besar Tetap di Fakultas Ekonomi
Universitas Udayana dalam bidang Ekonomi Pembangunan, yang dilahirkan di
Desa Gunaksa-Klungkung-Bali. Menamatkan Sarjana Ekonomi di Fakultas
Ekonomi Universitas Udayana, Jurusan Umum, tahun 1981. Tahun 1991
menamatkan pendidikan Magister Sain pada Institut Pertanian Bogor dalam
bidang Ilmu Perencanaan Pembangunan Wilayah dan Pedesaan. Tahun 2006
memperoleh gelar Doktor Ilmu Ekonomi dari Universitas Airlangga, Surabaya.
Pengalaman mengajar dalam bidang kuantitatif dimulai pada tahun 1981
dengan mengajar Statistik I (Deskriptif) dan Statistik II (Induktif). Bidang
kuantitatif lainnya yang pernah diajar adalah Matematika Ekonomi,
Ekonometrika, Manajemen Sain, Analytical Heararchy Process (AHP), Analisis
Input-Output, dan Social Accounting Matrix (Sistem Neraca Sosial Ekonomi =
SNSE). Disamping itu, matakuliah yang pernah diajar dari jenjang pendidikan
S1 sampai dengan jenjang S3 antara lain: Ekonomi Pembangunan,
Perencanaan Pembangunan Daerah, Ekonomi Publik, Kebijakan Ekonomi
Regional, Ekonomi Manajerial, Ekonomi Makro, Ekonomi Mikro, Keuangan
Daerah, Sejarah Pemikiran Ekonomi, Ekonomi Sumberdaya Alam dan
Lingkungan (ESDAL), Metodelogi Penelitian, Perekonomian Indonesia, Ekonomi
Kelembagaan, Ekonomi Perilaku, Perencanaan Pengembangan Pariwisata, dll.
Saat ini menjabat sebagai Ketua Penjaminan Mutu Program
Pascasarjana Ilmu Ekonomi pada Fakultas Ekonomi dan Bisnis Universitas
Udayana. Selain itu juga aktif dalam menulis beberapa buku, peneliti, konsultan
(tim ahli) serta sebagai kontributor pada berbagai majalah atau jurnal ilmiah.
iv
DAFTAR ISI
Halaman
KATA PENGANTAR .......... ............................................................... ii
DAFTAR ISI ........................................................................................ iv
DAFTAR LAMPIRAN .......................................................................... vii
1. SATISTIK NONPARAMETRIK DAN SKALA PENGUKURAN

1.1. Statistik nonparametrik ........................................................ 1
1.2. Kebaikan statistik nonparamterik ........................................ 2
1.3. Kelemahan statistik nonparamterik ..................................... 3
1.4 Skala pengukuran ............................................................... 5
1.5 Kesesuaian skala pengukuran dengan tes statistik ............ 8
2. UJI NORMALITAS DENGAN METODE KOLMOGOROV-

SMIRNOV
2.1. Pengantar .......................................................................... 11
2.2. Langkah-langkah pengujian metode Kolmogorov-Smirnov.. 12
Soal-soal Latihan ........................................................................ 16
3. UJI DUA SAMPEL BERPASANGAN DENGAN METODE

WILCOXON
3.1. Uji Tanda Wilcoxon sample kecil ........................................ 19
3.2 . Uji Tanda Wilcoxon sample besar ...................................... 24
4. UJI DUA SAMPEL INDEPENDEN DENGAN METODE MANN

AND WHITNEY
4.1. Uji Man and Whitney sampel kecil ...................................... 31
4.2. Uji Man and Whitney sampel besar .................................... 36
5. UJI K SAMPEL BERPASANGAN DENGAN METODE

FRIEDMAN
5.1. Pengantar 43
5.2. Langkah-langkah Pengujian dengan Metode Friedman ..... 47
6. UJI K SAMPEL INDEPENDEN DENGAN METODE

KURSKALL-WALLIS
6.1. Pengantar ............................................................................ 53
v
6.2. Langkah-langkah pengujian ................................................ 55
7. REGRESI SEDERHANA
7.1. Pengertian regresi ............................................................... 59
7.2. Persamaan regresi sederhana ............................................ 60
7.3. Penaksiran persamaan regresi ........................................... 60
7.4. Koefisien determinasi dan ukuran kecocokan ..................... 63
7.5. Aplikasi program SPSS ....................................................... 63
7.6. Pengujian hipotesis dalam regresi ....................................... 66
7.7. Perluasan aplikasi model regresi ......................................... 69
7.7.1 Model double log ......................................................... 71
7.7.2 Model semi log ............................................................ 73
7.7.3 Model transformasi timbal balik (reciprocal model) .. 75
7.8. Prinsip pemilihan model terbaik ........................................... 74
8. REGRESI MAJEMUK
8.1. Penaksiran persamaan regresi majemuk ............................ 77
8.2. Koefisien regresi berganda (R2 ) ......................................... 78
8.3. Koefisien regresi berganda yang disesuaikan ( Adjusted R2) 79
8.4. Pengujian siginifikansi pada regresi majemuk ..................... 79
8.5. Pelaporan hasil analisis regresi ........................................... 83
8.6. Aplikasi analisis regresi dalam bentuk fungsi regresi dan
analisis efisiensi ................................................................... 85
9. ASUMSI KLASIK
9.1. Pengantar ............................................................................ 99
9.2. Uji normalitas ...................................................................... 99
9.3. Uji autokorelasi atau serial korelasi ..................................... 103
9.4. Uji multikolinier .................................................................... 106
9.5. Uji heteroskedastisitas ........................................................ 106
10. REGRESI DENGAN VARIABEL BEBAS DATA KUALITATIF

10.1. Pengantar .......................................................................... 119
10.2. Variabel dummy untuk menguji intersep ........................... 119
10.3. Variabel dummy untuk menguji kesamaan persamaan
regresi ............................................................................... 123
Soal-soal Latihan ...................................................................... 128
vi
11. REGRESI DENGAN VARIABEL TERIKAT DATA KUALITATIF
11.1. Pengantar .......................................................................... 133
11.2. Model Probabilitas Linier .................................................. 133
11.3. Regresi Logistik ................................................................. 137
12. REREGRESI DENGAN VARIABEL MODERASI

12.1. Pengantar .............. ........................................................... 147
12.2. Regresi moderasi dengan model interaksi ........................ 149
13. ANALISIS ANALISIS JALUR DAN MEDIASI

13.1. Pengantar …………………………………..………………… 159
13.2. Variabel mediasi ................................................................ 160
13.3. Perbedaan variabel mediasi dengan moderasi ................. 161
13.4. Langkah-langkah dalam analisis jalur ............................... 161
13.5. Koefisien jalur dan persamaan structural …………...…….. 166
13.6. Pengujian peran variable mediasi ..................................... 167
13.7. Penggunaan PLS untuk analisis jalur ................................ 177
Soal-soal Latihan ………………………………………………… 188
14. ANALISIS FAKTOR

14.1. Pengantar .......................................................................... 195
14.2. Jenis analisis faktor ........................................................... 195
14.3. Data dalam analisis faktor ................................................. 196
14.4. Analisis faktor eksploratori ................................................ 196
14.5. Validitas analisis faktor ...................................................... 199
14.6. Analisis faktor konfirmatori (CFA) satu tahap .................... 208
14.7. Menghitung skor faktor ...................................................... 215
15. ANALISIS DISKRIMINAN

15.1. Pengantar ........................................................................... 227
15.2. Langkah-langkah analisis diskriminan ............................... 227
15.3. Identifikasi variabel yang mampu membedakan ............... 230
15.4. Fungsi diskriminan dan klasifikasi ..................................... 235
DAFTAR PUSTAKA ........................................................................... 244
Tabel-tabel ......................................................................................... 245
vii
DAFTAR LAMPIRAN
Tabel Halaman
1. Harga Kritis D Test Satu Sampel Kolmogorov-Smirnov ................ 245
2. Kuantil Tanda Beranking Wilcoxon .............................................. 246
3. Luas di bawah Kurva Normal ........................................................ 247
4a. Kuantil Mann-Whitney ( = 0,005) atau T w0,005 ........................... 248
4b. Kuantil Mann-Whitney ( = 0,005) atau T w0,01 ............................ 249
4c. Kuantil Mann-Whitney ( = 0,005) atau T w0,025 ........................... 250
4d. Kuantil Mann-Whitney ( = 0,005) atau T w0,05 ............................. 251
5. Distribusi Chi Kuadrat ................................................................... 252
6. Distribusi Student (t) ..................................................................... 253
7a. Distribusi F (dengan alfa 0,05) .................................................... 254
7b. Distribusi F (dengan alfa 0,01) .................................................... 255
8a. Statistik d dan Durbin-Watson: pada level of signifikan 0,05 ...... 256
8b. Statistik d dan Durbin-Watson: pada level of signifikan 0,01 ....... 257
viii
1
STATISTIK NONPARAMETRIK
1 DAN SKALA PENGUKURAN
1.1 Statistik Nonparametrik
Sampai saat ini para akhli statistik belum memberikan difinisi yang jelas
mengenai arti dari statistik nonparametrik dan juga ketegasan kapan suatu uji atau
tes statistik parametrik maupun yang nonparametrik digunakan. Seigel (1985)
mengatakan bahwa tes statistik parametrik adalah suatu tes yang modelnya
menghendaki diketahuinya syarat-syarat tertentu mengenai paramater populasi
yang merupakan sumber sampel penelitiannya. Syarat ini umumnya tidak diuji dan
dianggap sudah terpenuhi, seperti misalnya anggapan bahwa data yang diambil
berasal dari populasi yang berdistribusi normal. Seberapa jauh validitas hasil suatu
tes parametrik sangat tergantung dari validitas anggapan-anggapan tadi. Tes-tes
parametrik juga menuntut bahwa angka-angka yang dianalisis merupakan hasil
suatu pengukuran yang sedikitnya berukuran skala interval, sedangkan tes
nonparametrik adalah tes yang modelnya tidak menetapkan syarat-syarat
mengenai paramater populasi yang merupakan induk sampelnya. Anggapan
tertentu dari beberapa tes statistik nonparametrik adalah bahwa observasi-
observasi yang diamati adalah independen dan variabel yang diteliti pada
dasarnya memliliki kontinyuitas. Tetapi anggapan-anggapan tadi lebih sedikit dan
lebih lemah daripada anggapan yang berkaitan dengan tes parametrik. Terlebih
lagi tes nonparametrik tidak menuntut pengukuran sekuat yang dituntut tes-tes
parametrik, yang mana sebagian tes nonparametrik dapat diterapkan untuk data
dalam skala ordinal, dan beberapa data malah dapat diterapkan untuk skala
nominal.
Pendapat lain seperti yang dikemukakan oleh Walsh (1962) adalah bahwa
titik pandang dari prosedur tipe statistik nonparamterik adalah dimilikinya kekuatan
tertentu yang dapat memuaskan dan rasional, karena beberapa asumsi yang

2
sifatnya umum diminimalkannya. Seperti misalnya suatu distribusi sampel yang

berasal dari suatu populasi yang berdistribusi normal dan mempunyai standar
deviasi tertentu. Dengan mengurangi anggapan bahwa suatu data sampel yang
berasal dari suatu populasi yang berdistribusi normal itu, beberapa pakar statistik
mengkaitkan analisis nonparametrik ini dalam analisis ”distribusi bebas" atau
"distribution-free".
Untuk memilih metode statistik mana yang dipakai (parametrik ataukah
nonparametrik) dalam pembuatan keputusan tentang pengujian hipotesis
penelitian Seigel (1985) juga mengharuskan melihat beberapa kriteria, yaitu:
1) kekuatan dari metode pengujiannya;
2) kemungkinan penerapan jenis model statistik yang menjadi dasar pengujian
pada data diteliti;
3) kekuatan efesiensi;
4) tingkat pengukuran yang ingin dicapai dalam penelitian tersebut.
Sudah disebutkan juga bahwa tes statistik parametrik adalah paling kuat
apabila asumsi model statistiknya dipenuhi dan variabel-variabel yang dianalisis,
diukur setidaknya dalam skala interval. Meskipun semua anggapan pengujian
parametrik mengenai keadaan populasi dan syarat-syarat kekuatan
pengukurannya terpenuhi, tetapi dari segi efesiensi pengujian nonparametrik
masih lebih baik, karena dengan sampel yang lebih sedikit masih mempertahankan
kekuatan yang sama untuk menguji hipotesis tertentu. Sudah tentu kekuatan
pengujian nonparametrik dapat ditingkatkan dengan memperbesar sampel. Oleh
karena statistik nonparametrik dapat digunakan untuk menggarap data yang
sifatnya kualitatif, maka pengujian nonparametrik ini banyak digunakan untuk
penelitian-penelitian sosial.
Dalam beberapa pengujian statistik nonparamtrik datanya banyak dirubah
dari data absolut menjadi skor, atau peringkat (rank) atau bahkan menjadi tanda
(sign). Metode semacam ini mulanya menimbulkan kritik bahwa metode ini tidak
menggunakan segala informasi yang ada dalam sampel, atau bahkan ada

3
mengatakan "membuang-buang informasi". Berhubungan dengan hal itu, agar

informasi yang ada dalam sampel dapat digunakan secara maksimal dan
memadai, maka sangat tergantung dari tingkat pengukuran yang diperoleh dan
pengetahuan peneliti tentang populasinya. Apabila tingkat ukuran data lebih
rendah dari skala interval, menggunakan pengujian parametrik menuntut peneliti
untuk menambah informasi. Dengan demikian mungkin akan terjadi
penyimpangan yang sama besar dan mungkin sama rusaknya sebagai akibat dari
membuang informasi pada waktu merubah skor menjadi rangking. Terlebih lagi,
anggapan yang dibuat dalam pembenaran penggunaan pengujian statistik
biasanya hanya didasarkan atas dugaan dan anggapan, tetapi pengetahuan sifat-
sifat mengenai paramater populasinya hampir selalu tidak ada. Oleh karena itu
untuk berbagai distribusi populasi, pengujian non paparemtrik jelas lebih unggul
kekuatannya dibandingkan dengan pengujian parametrik.
1.2 Kebaikan Statistik Nonparametrik

Berdasarkan uraian-uraian di atas dapat disarikan berbagai kebaikan dari
statistik nonparametrik antara lain:
1) Hasil yang diperoleh dalam pengujian statistik nonparametrik adalah
kemungkinan-kemungkinan yang aksak, tak perduli dari bentuk distribusi
populasi dari sampel yang diambil. Keculai untuk sampel yang besar,
kemungkinan juga terdapat beberapa pendekatan yang memberikan hasil yang
lebih baik. Dalam beberapa kasus, pengujian nonparamatrik sama juga dengan
pengujian paramatrik yang menganggap bahwa distribusi yang mendasarinya
adalah kontinyu.
2) Jika sampel sangat kecil misalnya lebih kecil dari 6, hanya pengujian statistik
nonparamterik yang dapat digunakan secara valid, kecuali sifat distribusi
populasinya diketahui secara pasti.
3) Pengujian-pengujian statistik nonparametrik juga menyediakan metode untuk
menggarap observasi-observasi sampel-sampel dari populasi yang berlainan.

4
Tidak satupun diantara pengujian-pengujian paramatrik yang dapat digunakan

untuk data semacam itu tanpa menuntut anggapan-anggapan yang rupanya
tidak realistis.
4) Pengujian-pengujian statistik nonparametrik dapat digunakan untuk menggarap
data yang pada dasarnya merupakan ranking dan juga untuk data yang skor-
skor angkanya secara spintas kelihatan memiliki kekuatan rangking, meskipun
secara sepintas tidak dapat diungkapkan seberapa kurang atau lebih data yang
dimaksudkan. Misalnya: sangat baik, baik, sedang , buruk, dan buruk sekali.
5) Metode nonparametrik dapat digunakan untuk menggarap data yang hanya
merupakan klasifikasi semata, yakni yang diukur dalam skala nominal. Tetapi
tidak satu teknik parametrik pun yang dapat diterapkan untuk data semacam
itu.
6) Pengujian-pengujian statistik nonparametrik lebih mudah dipelajari dan
diterapkan dibandingkan dengan pengujian-pengujian parametrik.
1.3. Kelemahan Statistik Nonparametrik

Disamping yang disebutkan di atas, sebagai suatu metode statistik non
parametrik juga mempunyai kelemahan. Kelemahannya antara lain:
1) Jika semua anggapan yang disyaratkan dalam statistik parametrik terpenuhi
dan juga kekuatan pengujiannya serta sesuai dengan yang diharapkan, maka
penggunaan pengujian nonparametrik merupakan pemborosan data.
Pemberorosan data itu dicerminkan dari tingkat kekuatan efesiensinya.
Misalnya pengujian nonpaprametrik memiliki kekuatan efesiensi besar,
katakanlah 90 persen. Ini berarti bahwa apabila semua syarat pengujian
paramatrik terpenuhi, maka untuk menguji hipotesis tertentu statistik boros 10
persen dibandingkan dengan statistik parametrik.
2) Belum ada satupun metode nonparametrik yang dapat digunakan untuk
menguji adanya interaksi seperti dalam model analisis varian, kecuali ada
keberanian untuk membuat asumsi khusus mengenai aditivitas.

5
3) Kelemahan lainnya mengenai statistik nonparametrik adalah pengujian-

pengujian dan tabel-tabel yang menyertainya yang berisikan nilai-nilai
signifikansi sangat banyak macamnya dan malahan sangat khusus sifatnya,
sehingga sering memberatkan para pemakai analisis ini.
1.4. Skala pengukuran

Seorang ilmuwan fisika membicarakan mengenai pengukuran, biasanya
mereka memberikan angka yang sangat sesuai terhadap fenomena yang diamati,
sehingga angka-angka itu sesuai dengan analasis dan bermafaat sesuai dengan
hukum-hukum ilmu tertentu. Hubungan antara angka-angka yang diberikan
terhadap observasi-observasi itu begitu langsung, sehingga dengan
mengoperasikan angka-angkanya para ilmuwan itu akan memperoleh informasi
yang baru mengenai benda yang diteliti. Misalnya ilmuwan menentukan berapa
berat suatu masa meteri homogen kalau dipotong menjadi dua, adalah dengan
cara membagi benda itu menjadi dua.
Ilmuwan sosial sering menjalankan hal serupa dalam memberikan nilai atas
variabel-variabel sosial, tetapi sering melupakan fakta yang azasi dalam teori
pengukurannya. Dia melupakan bahwa dalam rangka menangani angka-angka
yang diberikan terhadap observasi-observasi, maka struktur metode dalam
memberikan skor atas observasi tersebut haruslah isoformis (pola sama). Apabila
pengukuran yang dilakukan sudah isoformis, maka baru dapat dioperasionalkan
secara matematika. Tetapi dalam pengukuran suatu observasi membutuhkan
seperangkat teori, dimana suatu variabel tertentu memerlukan teori yang terpisah
dan berbeda. Seperangkat skor tergantung pada tingkat pengukuran yang dicapai.
Empat jenis tingkatan pengukuran akan dijelaskan sebagai berikut:
1) Skala nominal
Skala ini mempunyai tingkatan paling lemah, ketika angka-angka atau
lambang-lambang tertentu digunakan membedakan suatu obyek, orang atau sifat
lainnya dalam bentuk kategori. Jika angka-angka atau lambang-lambang tersebut

6
dipakai mendifinisikan kelompok-kelompok sebagai induk obyek-obyek yang

berlainan, maka angka atau lambang-lambang tadi merupakan skala nominal atau
klasifikasi. Sifat formal dari skala ini adalah ekuivalen, yang artinya bahwa sifat
yang diskalakan harus sama. Hubungan ekuivalensinya adalah: reflektif, simetris
dan transitif. Reflektif berarti bahwa X = X untuk semua harga X; Simetris berarti
apabila X = Y, maka Y = X; transitif, apabila X = Y dan Y = Z, maka X = Z.
Contoh 1.1.
Data dengan skala nominal antara lain adalah jenis kelamin, jenis
kontrasepsi yang digunakan oleh akseptor KB, dll. Letak dari skala nominal ini
dapat ditukar satu sama lain. Jenis statistik yang diperkenankan untuk data
semacam ini yang tidak akan berubah apabila diadakan transformasi perhitungan
modus dan frekuensi, melalui pengujian Chi Kuadrat dan pengujian Binomial.
Analisis asosiasi atau hubungan yang paling lumrah dipakai adalah koefesien
kontingensi.
Tabel 1.2. Penduduk Usia Subur Desa Luhur

Tabel 1.1. Penduduk Desa Alas Pangkung Menurut Jenis Kontrasepsi yang
Menurut Jenis Kelamin, Tahun Digunakan, Tahun 2014
2014
No Jenis Kelamin Jumlah Orang No Agama Jumlah Orang

1. Laki-laki 2.364 1. IUD 234
2. Perempuan 2.646 2. Pil 189
Jumlah 5.010 3. Suntik 98
4. Inplant 25
5. Lainnya 86
Jumlah 632
2) Skala Ordinal
Obyek dalam suatu skala mungkin tidak saja berbeda dari obyek lain dalam
kategori, tetapi juga berbeda tingkatannya, yaitu hubungan tertentu dari kategori-
kategori atau klasifikasi-klasifikasi yang dibuat. Misalnya: tingkat pendidikan : SD,
SLTP, SLTA, PT, tingkat kesehatan BPR, tingkat kepuasan pasien RSUD, dll.

7
Tabel 1.3. Penduduk Batan Bunut Menurut Tabel 1.4. Jumlah BPR Kabupaten Bukit Manis
Pendidikan Tertinggi, Tahun 2014 Menurut Tingkat Kesehatannya, Tahun
2013
No Jenis Kelamin Jumlah Orang No Agama Jumlah BPR
1. Sekolah Dasar 689 1. Tidak sehat 13
2. SLTP 456 2. Kurang sehat 38
3. SLTA 301 3. Cukup sehat 32
4. Perguruan Tinggi 87 4. Sehat 17
Jumlah 1.533 Jumlah 100
Sifat formal dari skala ordinal bukan saja menghubungkan ekuivalensi atau
persamaan, melainkan sifat tingkatannya, yaitu lebih besar atau lebih kecil.
Hubungan tersebut menjadi tidak reflektif dan tidak semetris, tetapi transitif. Tidak
reflektif, karena sembarang X > Y; tidak semetris, karena X > Y, maka Y tidak tidak
sama dengan X; Transitif: jika X > Y dan Y > Z, maka X > Z.
Pengujian yang dapat digunakan untuk data berskala ordinal ini adalah
Koreasi ranking Sperman atau Kendal. Pengujian-pengujian yang menggunakan
rata-rata hitung dan standar deviasi untuk data semacam ini sama sekali tidak
pantas untuk digunakan, karena sistem keangkaannya tidak isoformis, lebih-lebih
pengklasifikasian dengan menggunakan interval yang lebarnya tidak sama.
Contoh: 1.2.
Misalnya, Ali memperoleh nilai mata kuliah Statistika Ekonomi dengan nilai
huruf B, sedangkan Burhan memperoleh dengan nilai A. Sesuai dengan buku
pedoman, angka mutu dari nilai B adalah 3, sedangkan nilai A adalah 4. Hal ini
bukan berarti prestasi Ali dalam bidang Statistika Bisnis adalah ¾ kali dari yang
dimiliki oleh Burhan.
3) Skala interval
Skala interval mempunyai pengukuran yang lebih kuat, karena disamping
dapat memperlihatkan urutan data, juga mampu memperlihatkan berapa jarak atau

8
interval obyek yang satu dengan yang lainnya. Skala interval mempunyai ukuran
yang umum dan konstan dengan angka riil yang diberikan kepada semua obyek
dalam himpunan yang berurut. Dengan unit pengukuran dan titik nol yang berbeda,
tidak dipermasalahkan dalam pengukuran jenis ini apabila membuat ratio dua
interval.
Contoh 1.3.
Pengukuran suhu banyak dilakukan dengan skala Celsius dan skala
Fahrenheit, yang mana unit pengukuran dan titik nol dalam pengukuran suhu
adalah sembarang dan berlainan. Meskipun demikian, keduanya memberikan
informasi yang sama, karena mempunyai hubungan yang linier. Artinya, apabila
diketahui skala yang satu, maka dapat diketahui skala yang lain dengan jalan
transformasi linier: F =9/5 C + 32 atau sebaliknya C = 5/9 (F – 32).
Dalam hal ini ratio selisih temperatur tidak bergantung pada unit
pengukurannya dan titik nolnya. Pada skala Celsius, membeku terjadi pada 0
derajat, dan mendidih pada 100 derajat. Sedangkan pada Fahrenheit, membeku
pada 32 derajat dan mendidih pada 212 derajat.
Celcius 0 10 30 100
Fahrenheit 32 50 86 212
Sifat formal dari skala interval dapat menggunakan hitungan-hitungan

seperti dalam ilmu hitung (aritmatika) dengan menggunakan informasi-informasi
yang ada pada perbedaan-perbedaan antara angka-angka ini. Apabila
diasumsikan datanya normal dan variansnya sama, maka pengujian parametrik
sebaiknya digunakan untuk memaksimalkan manfaat dari informasi yang tersedia.

9
4) Skala ratio
Skala ratio mempunyai semua ciri dari skala interval dan mempunyai titik
nol yang sejati sebagai titik asalnya. Dalam suatu skala ratio, perbandingan antara
suatu titik skala tidak bergantung pada unit pengukurannya.
Contoh: 1.4.
Untuk mengukur berat suatu barang ada yang menggunakan pon dan ada
yang menggunakan gram. Apabila menetapkan berat dau obyek penelitian dalam
ukuran pon dan gram yang berbeda, akan diperoleh ratio antara dua berat, baik
dalam pon maupun gram.
Contoh: 1.5
Gaji Anom bula lalu sebesar Rp 5.000.000,- sedangkan gaji Budi sebesar
Rp 4.000.000,-. Dengan demikian dapat dikatakan bahwa gaji Budi adalah 80
persen dari gajinya Anom, atau gaji Budi Rp 1.000.000,- lebih sedikit dari pada
gajinya Anom.
Sifat formal dari skala ratio sangat isoformis, sehingga segala aritmatika
dapat digunakan, karena memiliki empat hubungan operasional: a) ekuivalen, b)
lebih besar daripada, c) ratio yang diketahui untuk dua interval dan d) ratio yang
diketahui untuk dua skala.
1.5 Kesesuaian Skala Pengukuran Dengan Pengujian Statistik.

Berdasarkan skala pengukuran data beberapa jenis pengujian statistik
parametrik dan nonparametrik yang kiranya cocok digunakan dalam suatu analisis
dapat disajikan pada Tabel 1.1. Pada Tabel 1.1 dapat dilihat bahwa untuk data
yang berskala nominal dan ordinal hanya pantas dianalisis dengan menggunakan
metode statistic nonparametric, sedangkan untuk skala interval dan rasio dapat
digunakan metode statistik nonparametrik dan juga statistik parametrik.

10
Tabel 1.1. Empat Skala Pengukuran dan Pengujian Statistik yang Cocok
Digunakan
Skala Hubungan-hubungan yang Contoh-contoh Data Tes Statistik

membatasi Statistik yang Sesuai
Nominal (1) Ekuivalensi Modus Pengujian
Frekuensi Statistik
Koefisien Kontingensi Nonparame-
trik.
Ordinal (1) Ekuivalensi Median

Persentil Pengujian
Statistik
(2) Lebih besar dari Sepearman Nonparame-
Kendal Trik
Interval (1) Ekuivalensi Mean (rata-rata) Pengujian

(2) lebih besar dari Deviasi standar Statistik
(3) Rasio sembarang dua Korelasi Produk momen Nonparame-
Interval diketahui Tungal dan berganda trik dan
Parametrik
Rasio 1) Ekuivalensi
(2) lebih besar dari Mean geometrik Pengujian
(3) Rasio sembarang dua Koefesien variasi Statistik
interval diketahui Nonparame-
(4) Rasio sembarang dua trik dan
harga skala diketahui Parametrik
Sumber : Seigel (1985).

11
UJI NORMALITAS DENGAN METODE
2 KOLMOGOROV-SMIRNOV
2.1. Pengantar
Untuk meguji normalitas suatu data dilakukan dengan menggunakan
statistik nonparamaterik dengan metode uji satu sampel Kolmogorov-Smirnov. Ide
dari pengujian ini hampir sama dengan pengujian kesesuaian (goodness of fit) Chi
Kuadrat, yaitu untuk mengetahui tingkat kesesuaian antara distribusi serangkaian
data sampel (skor yang diobservasi) dengan distribusi teoritis tertentu. Pengujian
ini menetapkan apakah skor-skor dalam sampel dapat secara masuk akal
dianggap berasal dari populasi tertentu degan distribusi normal. Data yang
digunakan dalam analisis ini minimal berskala ordinal.
Caranya adalah dengan membandingkan distribusi kumulatif relatif hasil
observasi (Scr) dengan distribusi kumulatif relatif teoritisnya (harapannya) atau
Fcr (x), seperti Gambar 2.1.
Gambar 2.1. Distribusi Kumulatif Relatif Teoritis
Selisih antara Fcr(x) dengan Scr(x) dinotasikan D. Dan apabila D hitung

lebih besar dari D tabel, berarti bahwa distribusi yang diamati adalah tidak sesuai
dengan yang diharapkan (tidak normal atau tidak uniform).

12
2.1. Langkah-langkah pengujian metode Kolmogorov-Smirnov

1) Formulasi hipotesis:
Ho : Tidak ada perbedaan antara distribusi observasi dengan distribusi
harapan, atau data yang dianalisis berdistribusi normal
H1 : Ada perbedaan antara distribusi observasi dengan distribusi harapan, atau

data yang dianalisis tidak berdistribusi normal.
2) Tingkat signifikan misalnya 5% D = ….? Gunakan Tabel 1 seperti pada

Lampiran.
3) Kriteria pengujian
H0 diterima bila Dhitung  D tabel
H0 ditolak bila D hitung > D tabel

4) Perhitungan
D = maksimum  Fcr (x) – Scr (X) 
5) Kesimpulan
Bandingkan antara langkah 4) dengan dengan langkah 3).
Contoh 2.1.
Penelitian dengan mengabil sampel secara random 16 orang pedagang kaki
lima (PKL) di suatu pasar tradisional menunjukkan bahwa hasil penjualannya per
minggu (dalam juta rupiah) adalah:
Sampel 1 2 3 4 5 6 7 8
Penjualan 3,8 2,5 15,0 5,0 4,5 4,1 14,0 11,3
Sampel 9 10 11 12 13 14 15 16
Penjualan 12,1 16,1 11,8 3,1 3,9 17,0 2,8 10,6
Berdasarkan data tersebut ujilah apakah hasil penjualan PKL itu menyebar
normal?
Jawab:
Ho : Hasil penjualan PKL menyebar normal
H1 : Hasil penjualan PKL tidak menyebar normal

13
2) Tingkat signifikan misalnya 5% n = 16 D = 0,328 (lihat Tabel 1).

H0 diterima bila Dhitung  0,328
H0 ditolak bila D hitung > 0,328
4) Perhitungan:
Langkah awal adalah mengurut (sort) data dari yang paling kecil ke besar,
kemudian dihitung rata-rata dan standar deviasinya untuk menghitung nilai z.
Selanjutnya z dihitung dengan rumus:
xi  x
z  , .........................................................................(2.1)
s
selanjutnya dicari probalilitas kumulatifnya,seperti tabel berikut ini:
Penjualan Z P(Z) P(E) p(Z) – p(E)
2,5 -1,14 0,127 0,063 0,064

2,8 -1,09 0,139 0,125 0,014
3,1 -1,03 0,152 0,188 0,036
3,8 -0,90 0,184 0,250 0,066
3,9 -0,88 0,189 0,313 0,123
4,1 -0,84 0,200 0,375 0,175
4,5 -0,77 0,221 0,438 0,216
5,0 -0,67 0,250 0,500 0,250
10,6 0,37 0,646 0,563 0,083
11,3 0,51 0,693 0,625 0,068
11,8 0,60 0,725 0,688 0,038
12,1 0,66 0,744 0,750 0,006
14,0 1,01 0,844 0,813 0,032
15,0 1,20 0,885 0,875 0,010
16,1 1,41 0,920 0,938 0,018
17,0 1,57 0,942 1,000 0,058
Mean = 8,6 S = 5,34
Langkah-langkah perhitungan:
(1) Urutlah data yang akan dianalisis dari kecil ke besar (asending).
(2) Hitung rata-rata dan standar devasi dari data tersebut.
(Xi  X
(3) Hitunglah z skor, yaitu dengan rumus: z 
s

14
(4) Cari probabilitas kumulatif dari z atau p(z). Misalnya untuk z = -1,114 adalah
0,5 – 0,373 = 0,127; untuk Z = -1,09 adalah 0,5 – 0,361 = 0,139; dan untuk
z = 1,20 adalah 0,5 + 0,385 = 0,885, dan seterusnya, seperti gambar
berikut ini.
(5) Probabilitas harapan P(E) dari dari Xi = 1/16 atau 0,0625. Kemudian dicari
kumulatifnya, misalnya X2 = 0,0625+0,0625=0,125; X3 = 0,125+ 0,0625
=0,188, dan seterusnya.
(6) Berdasarkan kumulatif p(Z) dan P(E) dapat dihitung D =p(Z) – p(E)
dimana D = maksimum p(Z) – p(E) = 0,250
5) Kesimpulan
Oleh karena D hitung sebesar 0,250 yang lebih kecil dari 0,328 maka Ho
diterima. Dengan demikian berarti bahwa hasil penjualan PKL menyebar normal.
Apabila data Contoh 2.1 diolah dengan menggunakan SPSS langkah-

langkahnya sebagai berikut:
 Buka File Contoh 2-1 Normalitas.sav
 Klik Analyze  Nonparametric Test  1-Sampel K-S…

15
 Bawa data penjualan ke kolom sebelah kanan  OK
Hasil olahan data nampak pada kotak berikut ini
One-Sample Kolmogorov-Smirnov Test
Penjualan
N 16
Normal Parameters a,b Mean 8,6000
Std. Deviation 5,33517
Most Extreme Absolute ,250
Differences Positive ,250
Negative -,146
Kolmogorov-Smirnov Z 1,000
Asymp. Sig. (2-tailed) ,270
a. Test distribution is Normal.
b. Calculated from data.

16
Dari olahan data dengan menggunakan SPSS terlihat bahwa probabilitas

penerimaan Ho sebesar 0,270, atau lebih besar dari taraf signifikansi sebesar 0,05
yang umum digunakan. Hal ini berarti bahwa Ho diterima, dan dapat disimpulkan
bahwa hasil penjualan PKL menyebar normal.
Soal-soal Latihan
2.1. Tingkat Perputaran Kas (TPK) pada 20 sampel Lembaga Perkreditan Desa
(LPD) pada suatu kabupaten di Bali tahun 2012 adalah sebagai berikut:
Sampel TPK Sampel TPK

1 0,43 11 0,97
2 3,40 12 1,70
3 0,41 13 2,51
4 1,80 14 1,71
5 1,17 15 1,10
6 0,98 16 0,45
7 0,95 17 0,42
8 2,15 18 0,70
9 3,19 19 1,32
10 1,13 20 0,73
Ujilah kenormalan data Tingkat Perputaran Kas (TPK) dengan menggunakan

level of significant 5 persen.
2.2. Suku bunga rata-rata yang berlaku pada bank-bank umum di Indonesia
selama tahun 1983 – 2002 adalah sebagai berikut:
Tahun Suku Bunga Tahun Suku Bunga

1983 20,0 1993 15,0
1984 20,0 1994 14,2
1985 15,0 1995 16,0
1986 15,3 1996 15,0
1987 20,0 1997 45,0
1988 19,0 1998 48,0
1989 16,0 1999 21,0
1990 22,0 2000 20,0
1991 23,0 2001 30,0
1992 19,0 2002 18,5

17
Dengan menggunakan level of significant 5% ujilah bahwa suku bunga yang

berlaku di Indonesia pada tahun 1983 – 2002 menyebar normal.
2.3. Hasil olahan data uji kenormalan Luas lahan garapan petani bawang merah
program Pertanian Inti Rakyat (PIR) nampak sebagai berikut.
TANAH
N 30
Negative -,099
Jelaskan apakah luas lahan garapan para petani menyebar normal?
2.4. Hasil olahan data mengenai sebaran kenormalan tingkat inflasi (INFL) di kota
Denpasar selama tahun 1983 – 2002 adalah sebagai berikut. Dengan level of
significant 5% apakah inflasi tersebut menyebar normal?
INFL
N 20
Negative -,278

18

19
UJI DUA SAMPEL BERPASANGAN

3 DENGAN METODE WILCOXON
3.1. Uji Tanda Wilcoxon Sampel Kecil

Uji tanda beranking Wilcoxon digunakan untuk menguji perbedaan rata-rata
data berpasangan (related sampel). Data yang diperlukan minimal berskala
interval dari suatu sampel random berpasangan, seperti: (X1, Y1), (X2, Y2) ……(Xn,
Yn) yang jumlahnya sebanyak n pengamatan. Mula-mula data asli dihitung selisih
atau perbedaannya yang dinotasikan dengan huruf “d” yang diperoleh dari Yi - Xi
dengan aturan:
 + d = Yi > XI
 - d = Yi < XI
 0 = Yi = XI
Kemudian tanpa memperhatikan beda yang bertanda “plus” atau tanda

“minus” dan tidak memakai data yang seri atau nol, maka perbedaan absolut
ataud itu diranking dari kecil ke besar. Apabila terdapat nilai perbedaan yang
sama, maka ranking itu dirata-ratakan. Setelah suatu pasangan data diberikan
ranking, maka ranking itu kembali diberikan tanda “plus” atau “minus” sesuai
dengan tanda perbedaan aslinya atau “d”.
Ranking perbedaan (di) tersebut secara teoritis diasumsikan merupakan
variabel random kontinyu dengan distribusi yang simetris. Apabila jumlah
pengamatannya cukup besar, nilai kuantil dari distribusi ini minimal sama dengan
nol dan maksimal adalah sebesar n(n + 1)/2, serta mempunyai rata-rata sebesar
n(n + 1)/4 dengan standar deviasi n(n  1)(2n  1) / 24 .
Pengujian dilakukan dengan menggunakan statistik T. Nilai T dihitung dengan

menjumlahkan ranking yang bertanda positif atau negatif yang dipilih jumlahnya
yang lebih sedikit.

20
Langkah-langkah pengujian
1) Formulasi hipotesis
A. (uji dua arah)
H0 : E(X) = E(Y)
H1 : E(X)  E(Y)
B. (uji satu arah, diharapkan positif lebih banyak)
H0 : E(X)  E(Y)
H1 : E(X) < E(Y)
C. (uji satu arah, diharapkan positif lebih sedikit)
H0 : E(X)  E(Y)
H1 : E(X) > E(Y)
Oleh karena jumlah T yang dipilih adalah yang lebih sedikit, maka jika hipotesis
seperti formulasi C, maka hipotesis tersebut dimodifikasi menjadi:
H0 : E(Y)  E(X)
H1 : E(Y) < E(X)
1) Perhitungan
n
Dimana :
T= R
i 1
i
Ri = jumlah ranking yang lebih sedikit
3) Tentukan tingkat signifikansi yang diinginkan, misalnya 0,05, 0,01 dan

seterusnya pada n tertentu. Apabila ada data yang sama atau seri tidak ikut
dimasukkan sebagai sampel.
Gunakan Tabel 2. Harga kritis untuk Uji tanda beranking Wilcoxon yang
dinotasikan dengan T tabel = T w . Dimana w merupakan kuantil ranking
bertanda Wilcoxon pada tingkat probabilitas kumulatif tertentu.
a. Test dua sisi apabila perbedaan arah tidak dinyatakan
Ho diterima apabila T hitung  T w/2
Ho ditolak apabila T hitung < T w/2

21
b. Test satu sisi

Ho diterima bila T hitung  T w
Ho ditolak bila T hitung < T w
5) Lihat jumlah ranking yang terkecil yang merupakan nilai T hitung, kemudian
bandingkan dengan nilai T kritis (T tabel), serta buat kesimpulan sesuai dengan
formulasi hipotesis yang dibuat.
Contoh 3.1.
Untuk mengetahui dampak krisis moneter tahun 1998 ingin diketahui
perubahan kinerja Bank Perkreditan Rakyat (BPR), yaitu dengan indikator
rentabilitasnya. Dari hasil penelitian terhadap BPR yang diambil secara random,
rata-rata retabilitas BPR tahun 1995-1996 (mewakili sebelum krisis) dan tahun
1997-1998 (mewakili saat krisis), hasilnya sebegai berikut:
Tabel 3.1. Rentabilitas BPR Sampel
BPR Rentabilitas BPR

Sebelum krisis Saat krisis
1 28 30
2 42 31
3 32 33
4 27 30
5 32 31
6 51 43
7 50 44
8 38 32
9 52 42
10 47 42
Uji dengan alpa 5% apakah kinerja BPR memang menurun saat krisis
ekonomi apabila dibandingkan dengan sebelum krisis?
Jawab:
H0 : 1  2 kinerja BPR tidak menurun saat krisis ekonomi apabila
dibandingkan dengan sebelum krisis

22
H1 : 1 > 2 kinerja BPR menurun saat krisis ekonomi apabila dibandingkan

dengan sebelum krisis
Supaya menjadi sisi kiri, maka hipotesis dimodifikasi:
H0 : 2  1 kinerja BPR tidak menurun saat krisis ekonomi apabila
dibandingkan dengan sebelum krisis
H1 : 2 < 1 kinerja BPR menurun saat krisis ekonomi apabila dibandingkan

dengan sebelum krisis
2) Tentukan tingkat signifikansi 0,05, n = 10 (dan tidak ada data yang seri atau
sama). T w0,05 = 11 (lihat Tabel 2 pada lampiran di belakang).
Ho diterima bila T hitung  11
Ho ditolak bila T hitung < 11
4) Perhitungan statistik
Sampel Sebelum Saat krisis Beda Ranking
RI Positif RI Negatif
krisis (di) di
1 28 30 2 3 3
2 42 31 -11 10 10
3 32 33 1 1,5 1,5
4 27 30 3 4 4
5 32 31 -1 1,5 1,5
6 51 43 -8 8 8
7 50 44 -6 6,5 6,5
8 38 32 -6 6,5 6,5
9 52 42 -10 9 9
10 47 42 -5 5 5
Jumlah ranking 8,5 46,5
Langkah-langkah perhitungan:
(1) Hitung (di) atau selisih data Y (sesudah krisis) dengan X (sebelum krisis)
(2) Dengan mengabsolutkan di atau tanpa memperhatikan tandanya yang
positif atau negative, kemudian dilakukan pengurutan di. Jika terdapat
nilai di yang sama, maka urutan dirata-ratakan. Misalnya pada kasus ini,
nilai 1 ada dua, seharusnya urutannya 1 dan 2. Angka ini kalau

23
dijumlahkan menjadi 3. Oleh karena itu urutannya dirata-ratakan masing-

masing menjadi 1,5.
(3) Setelah diurut, kembali dikelompokkan apakah di yang telah diurut
bertanda positif atau negative, kemudian lakukan penjumlahan.
(4) Jumlah nilai terkecil dari di tersebut merupakan nilai d hitung Wilcoxon,
yaitu
n
T= R
i 1
i = 8,5
5) Oleh karena T hitung = 8,5 yang lebih kecil dari T tabel = 11, maka Ho ditolak.
Disimpulkan bahwa kinerja BPR memang menurun saat krisis moneter.
Catatan : Sebagai kontrol jumlah rangking positif dan negatif = n(n + 1)/2. Dengan
jumlah sampel n = 10, maka total ranking = 10(10 + 1)/2 = 55.
Sehingga hasil perhitungan rangkin cocok = 8,5 + 46,5 = 55.
Langkah-langkah pengolahan data dengan SPSS

 Buka File Contoh 3-1 Wilcoxon
 Analyze  Nonparametric Test  Ralated Samples...

24
 Bawa data yang akan dianalisis ke kotak sebelah kanan, abaikan perintah
lainnya  OK
Hasil olahan data dengan program SPSS hasilnya nampak sebagai berikut:
NPar Tests Wilcoxon Signed Ranks Test
Ranks
Mean Sum of
N Rank Ranks
Sesudah Krisis - Negative Ranks 7a 6,64 46,50
Sebelum Krisis Positive Ranks 3b 2,83 8,50
Ties 0c
Total 10
a. Sesudah Krisis < Sebelum Krisis
b. Sesudah Krisis > Sebelum Krisis
c. Sesudah Krisis = Sebelum Krisis
Test Statisticsa
Sesudah Krisis -
Sebelum Krisis
Z -1,939b
a. Wilcoxon Signed Ranks Test
b. Based on positive ranks.
Berdasarkan hasil olahan SPSS, Ho diterima pada probabilitas sebesar

0,052 untuk uji dua sisi (2-tailed). Untuk uji satu sisi, angka itu dibagi dua sehingga
menjadi 0,026. Angka ini lebih kecil dari 0,05, sehingga berarti bahwa kinerja LPD
menurun saat krisis ekonomi apabila dibandingkan dengan sebelum krisis.

25
3.2. Uji Tanda Beranking Wilcoxon untuk Sampel Besar

Untuk menyelesaikan uji tanda beranking Wilcoxon yang sampelnya lebih
besar atau sama dengan 30, perhitungannya menggunakan pendekatan distribusi
normal:
T  T n(n  1) n(n  1)(2n  1)
z ; dimana:  T  ; T 
T 4 24
Contoh 3.2.
Suatu makanan konsentrat jenis baru yang ditambahkan pada pakan babi
diiklankan akan dapat meningkatkan berat babi jenis Sadle back. Pengalaman
sebelumnya menunjukkan bahwa dengan pakan yang biasa, berat babi Sadle
Back bisa mencapai 30 kg pada umur 3 bulan. Untuk menguji kebenaran dari iklan
tersebut, seorang peternak melakukan percobaan terhadap 30 babi dengan
memberikan makanan konsentrat jenis baru. Berat babi pada umur 3 bulan adalah
sebagai berikut:
Tabel 3.2. Berat babi yang diberikan konsentrat jenis baru pada umur 3 bulan
Sampel 1 2 3 4 5 6 7 8 9 10
Berat 30,7 42,3 40,6 37,2 28,0 37,3 32,8 30,3 23,8 33,9
Sampel 11 12 13 14 15 16 17 18 19 20
Berat 36,1 37,9 39,6 35,9 34,3 26,0 35 31,2 31,3 45,8
Sampel 21 22 23 24 25 26 27 28 29 30
Berat 41,1 27,4 33,2 44,0 36,4 42,8 38,2 36,6 26,9 34,9
Ujilah dengan menggunakan tingkat keyakinan 95% apakah konsentrat jenis baru
dapat meningkatkan berat badan babi.
Jawab:
(uji satu arah diharapkan positif lebih banyak)
H0 : E(X)  E(Y) = konsentrat jenis baru tidak dapat menaikkan berat babi
H1 : E(X) < E(Y) = konsentrat jenis baru dapat menaikkan berat babi

26
2) Tentukan tingkat signifikansi 0,05, n = 30 (dan tidak ada data yang seri atau
sama). Uji satu sisi z = -1,645
Ho diterima bila z  1,645
Ho ditolak bila z < -1,645
4) Perhitungan statistik
Sampel Berat anak (YI – XI) │Yi - Xi│ Ranking Ri Positif Ri Negatif
babi (di) |di| di
1 30,7 0,7 0,7 2 2
2 42,3 12,3 12,3 27 27
3 40,6 10,6 10,6 25 25
4 37,2 7,2 7,2 20 20
5 28,0 -2,0 2,0 5 5
6 37,3 7,3 7,3 21 21
7 32,8 2,8 2,8 7 7
8 30,3 0,3 0,3 1 1
9 23,8 -6,2 6,2 17 17
10 33,9 3,9 3,9 10 10
11 36,1 6,1 6,1 16 16
12 37,9 7,9 7,9 22 22
13 39,6 9,6 9,6 24 24
14 35,9 5,9 5,9 15 15
15 34,3 4,3 4,3 12 12
16 26,0 -4,0 4,0 11 11
17 35,0 5,0 5,0 14 14
18 31,2 1,2 1,2 3 3
19 31,3 1,3 1,3 4 4
20 45,8 15,8 15,8 30 30
21 41,1 11,1 11,1 26 26
22 27,4 -2,6 2,6 6 6
23 33,2 3,2 3,2 9 9
24 44,0 14,0 14,0 29 29
25 36,4 6,4 6,4 18 18
26 42,8 12,8 12,8 28 28
27 38,2 8,2 8,2 23 23
28 36,6 6,6 6,6 19 19
29 26,9 -3,1 3,1 8 8
30 34,9 4,9 4,9 13 13
418 47
T = 47

27
30(30  1)
T  =232,5
4
30(30  1)(60  1)
T  = 48,62
24
T  T 47  232,5
z=  z=  z = -3,82
T 48,62
5) Oleh karena z hitung besarnya 3,82 yang lebih kecil dari -1,645, maka Ho
ditolak. Disimpulkan bahwa konsentrat jenis baru dapat meningkatkan berat
badan babi.
Hasil olahan data dengan program SPSS nampak sebagai berikut:

NPar Tests Wilcoxon Signed Ranks Test
Ranks
N Mean Rank Sum of Ranks

Konsentrat Baru - Negative Ranks 5a 9,40 47,00
Konsentrat Lama Positive Ranks 25b 16,72 418,00
Ties 0c
Total 30
a. Konsentrat Baru < Konsentrat Lama
b. Konsentrat Baru > Konsentrat Lama
c. Konsentrat Baru = Konsentrat Lama
Test Statistics b
Konsentrat
Baru -
Konsentrat
Lama
Z -3,815a
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test
Hasil perhitungan SPSS terlihat bahwa nilai z hitung sebesar -3,815, dengan
probabilitas menerima Ho adalah sebesar 0,000, yang mana jauh lebih kecil dari
alpha 1 persen. Hal ini berarti Ho ditolak, disimpulkan bahwa konsentrat jenis baru
dapat meningkatkan berat badan babi.

28
Soal-soal Latihan
3.1. Tujuh orang menjalankan program diet, yang mana berat badan mereka
sebelum dan setelah melakukan program diet adalah (kg) :
Sebelum 87 96 93 91 101 94 85
Sesudah 83 93 91 87 102 91 82
Ujilah dengan metode Wilcoxon apakah program diet itu berhasil?
3.2. Sepuluh petak sawah pada dua musim tanam ditanami dua jenis padi, yaitu
pada jenis lama dan padi jenis baru. Hasilnya hektar (dalam kuintal) sbb:
Petak sawah 1 2 3 4 5 6 7 8 9 10
Padi Lama 51 49 54 52 60 55 53 57 56 52
Padi Baru 63 54 61 56 57 65 63 64 61 62
Ujilah dengan metode Wilcoxon apakah produksi padi jenis baru lebih banyak
dibandingkan dengan padi jenis lama?
3.3. Penelitian terhadap 30 sample random Industri Kecil Menengah (IKM) di

Kabupaten Jaya Makmur mengenai penyerapan tenaga kerja (dalam jam
kerja) sebelum dan sesudah mendapatkan bantuan penguatan modal.
Berdasarkan hasil olahan data disajikan sebagai berikut ini ujilah dengan
level of signifikan 5 persen, apakah bantuan penguatan modal bagi IKM
memberikan meningkatan terhadap penyerapan tenaga kerja?
Ranks
N Mean Rank Sum of Ranks

Sesudah - Sebelum Negative Ranks 10a 13,00 130,00
Positive Ranks 18b 15,33 276,00
Ties 2c
Total 30
a. Sesudah < Sebelum
b. Sesudah > Sebelum
c. Sesudah = Sebelum

29
Test Statisticsb
Sesudah -
Sebelum
Z -1,666a
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test
3.4. Suatu sampel random terdiri dari 20 orang pengrajin tenun diteliti
produktivitas menenun perbulan (jumlah meter kain) sebelum dan sesudah
mendapatkan pembinaan teknis. Datanya sebagai berikut:
Sampel Sebelum Sesudah Sampel Sebelum Sesudah

1 68 73 11 65 72
2 64 62 12 59 60
3 68 66 13 78 78
4 82 92 14 67 66
5 58 68 15 65 68
6 80 87 16 76 77
7 72 77 17 61 72
8 65 70 18 86 86
9 84 88 19 74 72
10 73 79 20 88 97
Apakah secara statistik pembinaan teknis terbukti dapat meningkatkan

produktivitas pengrajin?
Catatan: Jika dalam soal satistik tidak ditentukan tingkat signifikansi yang harus
digunakan, maka dapat digunakan tingkat signifikansi 0,01, 0,05 atau
0,10, namun harus dinyatakan dalam jawaban.
----------------------

30

31
UJI DUA SAMPEL INDEPENDEN DENGAN

4 METODE MAN AND WHITNEY
4.1. Uji Man and Whitney Sampel Kecil

Metode Man and Whitney digunakan untuk menguji beda dua rata-rata
untuk sampel yang independen. Misalnya untuk membandingkan rata-rata
kelompok sampel A dengan jumlah pengamatan sebanyak n1 dengan kelompok
sampel B yang jumlah pengamatannya sebanyak n2. Data yang akan dibandingkan
dibuatkan rankingnya secara keseluruhan, yaitu dari ke-1 sampai dengan ke-(n1 +
n2). Ranking dibuat dari yang skornya terkecil ke skor yang lebih besar. Kemudian
ranking dari masing-masing kelompok sampel dijumlahkan. Asumsi yang
mendasari teori statistik ini adalah dimana sampel yang diambil dari masing-
masing populasi adalah random dan variabelnya adalah kontinyu. Data yang
nilainya sama diperkenankan, dan skala pengukuran yang diperlukan minimal
ordinal. Apabila ada nilai yang sama, maka rankingnya dirata-ratakan. Setelah
diranking, total rangking minimal sama dengan nol, maksimal jumlahnya sama
dengan (n1 x n2) dan rata-rata = (n1 x n2)/2, serta dengan standar deviasi
 T  n1 n 2 (n1  n 2  1) / 12 .
Langkah-langkah pengujiaannya adalah sebagai berikut:

A. (uji dua arah)
H0 : 1 = 2
H1 : 1  2
B. (uji satu arah)
H0 : 1  2 H0 : 2  1
dimodifikasi
H1 : 1> 2 H1 : 2 < 1

32
C. (uji satu arah)

H0 : 1  2
H1 : 1 < 2
2) Tentukan tingkat signifikansi yang diinginkan, misalnya 0,05, 0,01 dan

seterusnya pada n tertentu. Nilai T tabel dapat dilihat pada lampiran Tabel 4.
Untuk menentukan daerah kritis pada sampel kecil, digunakan tabel khusus
Man and Whitney, yaitu Tabel 5 pada lampiran di belakang.
a. Test satu sisi
Ho diterima bila T hitung  T w
Ho ditolak bila T hitung < T w
b. Test dua sisi apabila perbedaan arah tidak dinyatakan
Ho diterima apabila T hitung  T w1-/2
Ho ditolak apabila T hitung < T w1-/2
4) Perhitungan
n
S=  R( X
i 1
i ) Dimana :
n(n  1) Ri = Ranking kelompok pertama
T= S
2
Berdasarkan asumsi bahwa distribusi yang dimiliki uji Man and Whitney ini
adalah simetris, maka untuk lebih efisien hasil T yang digunakan adalah yang lebih
sedikit atau yang lebih kecil. Untuk mengetahui bahwa T tersebut lebih sedikit
atau lebih banyak, maka dibandingkan dengan rata-ratanya (UT), yaitu T = (n1n2)
/2. Bila T adalah jumlahnya lebih besar dari UT, maka T yang lebih kecil atau sebut
saja T’ = (n1n2) –T.
5) Kesimpulan
Untuk uji satu sisi, terlebih dahulu periksa ranking rata-rata (mean rank)
masing-masing kelompok apakah sesuai dengan yang diharapkan kemudian
bandingkan hasil T hitung dengan nilai T kritis (sesuai dengan kriteria pengujian),
Tolak/terima Ho dan buat kesimpulan.

33
Contoh 4.1.
Seorang peneliti menduga bahwa profitabilitas BPR sangat dipengaruhi oleh
lokasinya atau potensi daerahnya. Penelitian yang dilakukan di Kabupaten Antaka
dan Bahama pada tahun tertentu dengan mengambil sampel masing-masing
sebanyak 10 di Kabupaten Antaka dan 12 BPR di Kabupaten Bahama, yang mana
profitabilitasnya adalah sebagai berikut:
Profitabilitas BPR
Sampel
A B
1 28 30
2 52 32
3 32 31
4 29 43
5 38 47
6 32 51
7 50 37
8 27 44
9 42 31
10 30 42
11 33
12 42
Apakah rata-rata profitabilitas BPR pada dua kabupaten tersebut berbeda?

Gunakan tingkat keyakinan 95 persen.
Jawab:
H0 : 1 = 2  rata-rata profitabilitas BPR di Kabupaten Antaka dan
Bahama adalah sama.
HI : 1  2  rata-rata profitabilitas BPR di Kabupaten Antaka dan
Bahama tidak sama.
2) Tingkat keyakinan 95 persen, untuk n1 = 10 dan n2 = 12 pengujian dua sisi,
maka dari Tabel 4c pada lampiran dibelakang diperoleh Tw/2 = 30.

34
Ho diterima apabila T hitung  30
Ho ditolak apabila T hitung < 30
4) Perhitungan
Sampel Profitabilitas Wilayah Rank Total

BPR BPR BPR Profitabilitas Rank
1 28 Antaka 2,0
2 52 Antaka 22,0
3 32 Antaka 9,0
4 29 Antaka 3,0
5 38 Antaka 13,0
6 32 Antaka 9,0
7 50 Antaka 20,0
8 27 Antaka 1,0
9 42 Antaka 15,0
10 30 Antaka 4,5 98,5
11 30 Bahama 4,5
12 32 Bahama 9,0
13 31 Bahama 6,5
14 43 Bahama 17,0
15 47 Bahama 19,0
16 51 Bahama 21,0
17 37 Bahama 12,0
18 44 Bahama 18,0
19 31 Bahama 6,5
20 42 Bahama 15,0
21 33 Bahama 11,0
22 42 Bahama 15,0 154,5
Total ranking adalah = 98,5 + 154,5 = 253,0. Hal ini dapat dikontrol dengan
total rangking = (n1 +n2) (n1 +n2 +1) /2 = 253,0
T = S – n1(n1 + 1)/2
T = 98,5 – (10)(11)/2
T = 98,5 - 55
T = 43,5
5) Oleh karena T terkecil yang jumlahnya 43,5 yang lebih besar dari T tabel yang
besarnya 30, maka Ho diterima. Ini berarti bahwa rata-rata tingkat profitabilitas
BPR pada Kabupaten Antaka dan Bahama tidak berbeda nyata.

35

 Buka file Contoh 4-1 Whitney
 Analyze  Nonparametric Test  2 Independent Samples..
 Masukkan variable Profitabilitas (Profit) ke kotak Test Variable List, dan

variable kabupaten ke Grouping Variable
 Klik Define Group dan isi kotak angka 1 dan 2  Continue  OK
Hasil olahan data dengan SPSS tampak sebagai berikut:

36
Mann-Whitney Test
Ranks
Kecamatan N Mean Rank Sum of Ranks

Profitabilitas Petang 10 9,85 98,50
Mengwi 12 12,88 154,50
Total 22
Test Statisticsb
Profitabilitas
Mann-Whitney U 43,500
Wilcoxon W 98,500
Z -1,091
Exact Sig. [2*(1-tailed a
,283
Sig.)]
a. Not corrected for ties.
b. Grouping Variable: Kecamatan
Hasil olahan data dengan SPSS dari print out di atas menunjukkan bahwa
hasil statistic Mann-Whitney sebesar 43,50 pada probabilitas penerimaan Ho
sebesar 0,283. Angka ini jauh lebih besar dari tingkat signifikansi 0,05 yang sering
dipakai dalam penelitian ekonomi. Sehingga disimpulkan bahwa bahwa rata-rata
tingkat profitabilitas BPR pada Kabupaten Antaka dan Bahama tidak berbeda
nyata.
4.2. Uji Man and Whitney Untuk Sampel Besar.

Untuk sampel yang besar atau sampelnya yang lebih besar dari 20, maka
diberlakukan dalil limit sentral, sehingga pengujian dapat menggunakan
pendekatan kurva normal. Perbedaannya dengan analisis sampel kecil adalah
terletak pada perhitungan dan kriteria pengujiannya.
Perhitungannya:
T  T n
z
T
S=  R( X
i 1
i )

37
Keterangan : T = (n1n2) /2 ;
T = S – n1(n1 + 1)/2  T  n1 n 2 (n1  n 2  1) / 12
Ri = Ranking kelompok yang terkecil
Kriteria pengujian:
a.Test satu sisi apabila
Ho diterima bila z hitung  -z 
Ho ditolak bila z hitung < -z 
b. Test dua sisi apabila perbedaan arah tidak dinyatakan
Ho diterima bila z hitung  -z /2
Ho ditolak bila z hitung < - z /2
Contoh 4.2.
Adanya persaingan yang agak ketat, bisnis minimart di kota disinyalir kurang
menguntungkan dibandingkan dengan di desa. Di pihak lain, meskipun persaingan
kurang ketat di perdesaan, dengan tingkat daya beli konsumen yang rendah,
volume penjualan bisnis minimart di desa rendah, sehingga tingkat profitabilitasnya
mungkin rendah. Untuk menjawab dugaan tersebut diambil sampel random 15
bisnis palen-palen kecil di desa dan 20 di kota. Profitabilitasnya adalah sebagai
beikut:
Di Desa Di Kota
33 31 25 54
42 66 38 29
28 47 32 65
29 51 50 30
41 34 26 27
32 52 42
53 37 30
29 44 31
62 36 43
30 63 45
Dengan alpa 5 persen, uji apakah ada perbedaan profitabilitas bisnis palen-
palen kecil di kota dan di desa.

38
Jawab:
H0 : 1 = 2  tidak terdapat perbedaan profitabilitas bisnis palen-palen kecil di
kota dan di desa.
HI : 1  2  terdapat perbedaan profitabilitas bisnis palen-palen kecil di kota

dan di desa.
2) Alpa 5% , uji dua sisi, z = -1,96

Ho diterima apabila z hitung  -1,96
Ho ditolak apabila z hitung < -1,96
4) Perhitungan
Di Desa Di Kota
No. sampel Profitabilitas Ranking No. sample Profitabilitas Ranking
3 28 4 16 25 1
4 29 6 20 26 2
8 29 6 30 27 3
10 30 9 27 29 6
11 31 11,5 29 30 9
6 32 13,5 32 30 9
1 33 15 33 31 11,5
15 34 16 18 32 13,5
5 41 20 24 36 17
2 42 21,5 22 37 18
13 47 26 17 38 19
14 51 28 31 42 21,5
7 53 30 34 43 23
9 62 32 23 44 24
12 66 35 35 45 25
19 50 27
21 52 29
26 54 31
25 63 33
28 65 34
273,5 356,5
T = S – n1(n1 + 1)/2 T’ = n1n2 –T
T = 273,5 – 15(15 + 1)/2 T’ = 300-153,5
T = 153,5 T ‘= 146,5
T = (n1n2) /2

39
T = (15)(20)/2
T = 150
 T  n1 n 2 (n1  n 2  1) / 12
 T  (15)(20)(15  20  1) / 12
= 30
146,5  150
z  0,117
30
5) Oleh karena z hitung sebesar -0,117 atau lebih besar dari –1,96, maka Ho
diterima. Hal ini berarti bahwa profitabilitas bisnis palen-palen kecil di desa dan
di kota tidak berbeda nyata alias sama.
Hasil olahan data dengan menggunakan program SPSS nampak sebagai

berikut:
Mann-Whitney Test
Ranks
Wilayah N Mean Rank Sum of Ranks

Profitabilitas Desa 15 18,23 273,50
Kota 20 17,83 356,50
Total 35
Test Statistics b
Profitabilitas
Wilcoxon W 356,500
Z -,117
,908
Sig.)]
b. Grouping Variable: Wilayah

40
Soal-soal Latihan
4.1. Lembaga konsumen bermaksud membandingkan masa pakai bola lampu
merek terkenal, yaitu merek A dan merek B. Sebanyak 10 buah bola lampu
diambil dari pabrik A dan 8 buah dari pabrik B yang mempunyai watt yang
sama. Masa pakainya (dalam jam) adalah sebagai berikut:
Produk A : 430 500 430 440 500 490 475 460 480 510
Produk B : 470 450 475 420 435 495 460 492
Tugas:
a. Rumuskanlah hipotesis nol dan alternatifnya jika lembaga konsumen
beranggapan bahwa merek B lebih baik dari merek A .
b. Tentukanlah uji nonarametrik yang sesuai, dan dengan alpa 5%
apakah kesimpulannya.
4.2. Sebanyak 20 orang karyawan hotel diteliti mengenai rata-rata persentase

tabungan yang dimiliki dari pendapatan yang diterimanya per bulan selama
tahun 2002 adalah sebagai berikut:
Pria : 21 19 21 27 19 20 25 17 29 18
Wanita : 20 21 28 23 24 24 22 26 32 23
Ujilah apakah terdapat perbedaan rata-rata persentase tabungan yang

dimiliki antara karyawan pria dan wanita?
4.3. Hasil penelitian mengenai tingkat hunian hotel Melati dan Bintang di wilayah
Kecamatan Kuta tahun 2003 adalah sebagai berikut:
Hotel Melati Hotel Berbintang
55 71 39 72 53 77 50 78
68 60 54 52 80 84 70 84
32 65 65 59 73 76 61 82
62 49 55 51 74 77 62 64
53 35 41 68 65 62 75 86

41
Dapatkah dikatakan bahwa rata-rata tingkat hunian di hotel berbintang lebih

tinggi dibandingkan dengan hotel melati?
4.4. Prestasi para agen blok dari suatu perusahaan asuransi dalam berproduksi
diduga ditentukan oleh strata pendidikannya. Penelitian dilakukan dengan
mengambil sample masing-masing 15 orang agen blok dengan pendidikan
dan S1 hasil olahan data dengan SPSS menunjukan sbb:
Mann-Whitney Test
Ranks
Pendidikan N Mean Rank Sum of Ranks

Prestasi D3 15 17,47 262,00
S1 15 13,53 203,00
Total 30
Test Statistics b
Prestasi
Wilcoxon W 203,000
Z -1,224
,233
Sig.)]
b. Grouping Variable: Pendidikan
Apakah terdapat perbedaan prestasi para agen blok dengan strata

pendidikan D3 dengan S1? Uji dengan level of signifikan 5 persen.
-----------------------

42

43
UJI K SAMPEL BERPASANGAN DENGAN

5 METODE FRIEDMAN
5.1. Pengantar
Apabila dimiliki data yang terdiri dari k variabel yang berpasangan dengan n
pengamatan, yang mana hasil perlakuan satu variabel kemungkinan berhubungan
dengan yang lainnya, maka hal ini dapat dianalisis dengan uji Friedman. Pada
prinsipnya uji Friedman menguji perbedaan antar kolom, sehingga datanya diurut
antar kolom.
Perlakuan
Sampel 1 2 … K
1 X11 X12 … X1k
2 X21 X21 … X2k
… … … … …
B Xb1 Xb1 … Xb1
Dalam hal ini Xij merupakan ranking dari 1 sampai dengan k dari pengamatan
yang ada dalam masing-masing baris. Selanjutnya dari masing-masing kolom
rankingnya dijumlahkan.
5.2. Langkah-langkah pengujian

1. Formulasi hipotesis
Ho : Ranking setiap kolom adalah identik atau efek perlakuan pada semua
kolom adalah sama.
H1 : Paling sedikit satu kolom mempunyai ranking yang berbeda dibandingkan

dengan kolom lainnya atau paling sedikit satu kolom efek perlakuannya
berbeda
2. Level of significant = ...% derajat bebas = k – 1  2 = ....? dan Gunakan

nilai tabel Chi Kwadrat atau Tabel 5 pada lampiran.
3. Kriteria pengujian

44
H0 diterima bila 2 hitung  2 tabel

H0 ditolak bila 2hitung > 2 tabel
4. Perhitungan
k
12
2 
Nk ( k  1 )

j 1
( R j ) 2  3 N ( k  1)
5. Bandingkan hasil perhitungan dengan nilai kritis, dan buat kesimpulan
Contoh 5.1.
Pengamatan yang dilakukan pada 10 wilayah pemasaran, jumlah sepeda
motor yang laku pada tahun tertentu dari tiga merek adalah sebagai berikut:
Wilayah Merek Sepeda motor
Pemasaran A B C
1 76 27 48
2 47 45 41
3 51 47 48
4 40 35 37
5 42 43 35
6 39 27 38
7 45 37 25
8 107 45 56
9 41 27 35
10 24 14 22
Dengan alpa 5 persen ujilah apakah 3 merek sepeda motor memiliki
keunggulan yang sama pada berbagai wilayah pemasaran yang diteliti?
Jawab:
1. Formulasi hipotesis
Ho : Unggulan pangsa pasar 3 merek sepeda motor yang diteliti adalah sama
pada wilayah pemasaran yang diteliti.
Hi : Paling sedikit satu merek sepeda motor berbeda unggulan pangsa

pasarnya dibandingkan dengan merek lainnya pada wilayah pemasaran
yang diteliti.
2. Level of significant = 5% derajat bebas = 3 – 1 = 2 2 = 5,99 (lihat Table 5)

3. Kriteria pengujian

45
H0 diterima bila 2 hitung  5,99

H0 ditolak bila 2 hitung > 5,99
4. Perhitungan
k
12
2  
Nk ( k  1) j 1
( R j ) 2  3 N ( k  1)
No Merek Sepeda motor

Sampel A B C
Jumlah Ranking Jumlah Ranking Jumlah Ranking
1 76 3 27 1 48 2
2 47 3 45 2 41 1
3 51 3 47 1 48 2
4 40 3 35 1 37 2
5 42 2 43 3 35 1
6 39 3 27 1 38 2
7 45 3 37 2 25 1
8 107 3 45 1 56 2
9 41 3 27 1 35 2
10 24 3 14 1 22 2
Rj 29 14 17
Rj2 841 196 289
12
2  (841  196  289)  {10(3)(4)}
10(3)(4)
2 = 12,6
5. Oleh karena 2 hitung sebesar 12,6, yang lebih besar dari 5,99 maka H0 ditolak.
Hal ini berarti bahwa unggulan pasar 3 merek sepeda motor adalah berbeda
pada berbagai wilayah pemasaran yang diteliti.
Catatan: Sebagai kontrol total ranking ( rank) = nk(k+1)/2. Untuk soal di atas
adalah (10)(3)(4)/2 = 60 yang sama dengan 11 + 26 + 23 = 60.

 Data yang dimasukkan dalam SPSS adalah data yang telah diranking
 Buka file data Contoh 5-2 Friedman
 Analyze  Nonparametric Test  K Related Samples

46
 Letakkan semua variabel yang dianalisis ke kotak sebelah kanan

 Centangin Friedman, dan hilangkan contrengan lainnya  OK
Hasil olahan data dengan menggunakan program SPSS nampak sebagai

berikut:
NPar Tests Friedman Test
Test Statistics a
N 10
Chi-Square 12,600
df 2
Asymp. Sig. ,002
a. Friedman Test

47
Data dilihat hasil perhitungan Chi-Square sebesar 12,6 dengan probabilitas

penerimaan Ho sebesar 0,002 atau kurang dari 1 persen, hal ini berarti bahwa
nggulan pasar 3 merek sepeda motor adalah berbeda pada berbagai wilayah
pemasaran yang diteliti.
Soal-soal Latihan
5.1. Sebanyak 4 jenis varitas padi dicobakan pada bidang sawah yang sama
selama 4 musim tanam. Jumlah bidang sawah yang dipakai percobaan
adalah 10 bidang, yang mana hasilnya perhektar (dalam kuintal) sbb:
Varitas
Sampel
A B C D
1 52 63 71 70
2 64 67 72 72
3 53 61 68 66
4 51 54 60 63
Uji apakah terdapat
5 55 52 54 65 perbedaan produksi
6 56 61 70 71
padi dari 4 varitas yang
7 57 58 60 68
8 53 53 62 65 dicobakan?
9 52 67 70 67
10 61 64 65 66
5.2. Tiga jenis bahan bakar minyak dicobakan pada 8 mobil sebagai sampel
secara bergiliran. Dengan menggunakan masing-masing jenis bahan bakar
sebanyak 200 liter mulai dari premium, fertilite, dan pertamak, maka dicatat
rata-rata daya tempuh (dalam km) per satu liter bensin sebagai berikut.
Mobil Premium Fertilite Pertamax

1 21 23 26
2 23 22 25
3 24 25 27
4 24 24 26
5 25 26 30
6 26 24 27
7 27 28 32
8 27 26 28

48
Dengan menggunakan level of signifikan 5 persen, adakah perbedaan daya

tempuh mobil berdasarkan jenis bahan bakar minyak yang digunakan?

49
UJI K SAMPEL INDEPENDEN DENGAN

6 METODE KURSKAL-WALLIS
6.1. Pengantar
Analisis varian berangking satu arah Kurskal-Wallis adalah model
pengujian yang berguna untuk menguji perbedaan nilai rata-rata populasi untuk
lebih dari 2 k sampel atau untuk sampelnya yang berlainan (independen). Dalam
analisis ini masing-masing nilai data dari seluruh observasi (dari semua
kelompok sampel) digantikan dengan nomor urut (ranking) masing-masing data
tersebut terhadap data keseluruhan). Kemudian masing-masing kelompok
rankingnya dijumlahkan. Dalam analisis ini suatu skor yang sama juga ditoleransi
dengan cara merata-ratakan.
6.2. Langkah mengujian

Ho : Nilai rata-rata dari populasi yang diteliti adalah sama.
H1 : Paling sedikit satu kelompok mempunyai nilai rata-rata yang berbeda
dibandingkan dengan kelompok lainnya.
2) Level of significant = ...% derajat bebas = k – 1 2 = ....? dan Gunakan nilai
tabel Chi Kwadrat atau Tabel 5 pada lampiran.
Ho diterima bila 2 hitung  2 tabel  H0 ditolak bila 2 hitung > 2 tabel
4) Perhitungan
12 k R 2j
2 
N ( N  1)

j 1 nj
 3 ( N  1)
Keterangan:
k = banyak kelompok
nj = banyak sample dalam kelompok ke-j
N = banyak sample keseluruhan
Rj= ranking dalam sampel ke-j

50
5) Kesimpulan
Membandingkan hasil perhitungan pada langkah 4 dan 3 dan tarik
kesimpulan
Contoh 6.1.
Sebanyak 15 LPD diambil secara random di tiga kecamatan Abian Semal,
Mengwi dan Petang dengan rentabilitas pada tahun tertentu sebagai berikut:
Rentabilitas LPD di Kecamatan
Abiansemal Mengwi Petang
19 17 29
26 28 35
18 27 37
20 16 16
22 20
32
Selidiki apakah terdapat perbedaan rata-rata rentabilitas LPD di tiga

kecamatan yang diteliti. Pakai alpa 5 persen.
Jawab:
Ho : Rentabilitas rata-rata LPD di tiga kecamatan yang diteliti adalah sama
H1 : Paling sedikit satu kecamatan mempunyai rata-rata rentabilitas yang
berbeda dibandingkan dengan kecamatan lainnya.
2) Level of significant = 5% derajat bebas = 3 – 1  2 = 5,99 (lihat Tabel 5)
H0 diterima bila 2 hitung  5,99
H0 ditolak bila 2 hitung > 5,99
4) Perhitungan:
12 k R 2j
  2
N ( N  1)
 nj
 3 ( N  1)
j 1

51
Sampel Rentabilitas Kecamatan Rank Total

1 19 Abiansemal 5,0
2 26 Abiansemal 9,0
3 18 Abiansemal 4,0
4 20 Abiansemal 6,5
5 22 Abiansemal 8,0 32,5
6 17 Mengwi 3,0
7 28 Mengwi 11,0
8 27 Mengwi 10,0
9 16 Mengwi 1,5
10 20 Mengwi 6,5
11 32 Mengwi 13,0 45,0
12 29 Petang 12,0
13 35 Petang 14,0
14 37 Petang 15,0
15 16 Petang 1,5 42,5
12  (32,5) 2 (45) 2 (42,5) 2 

2       3(15  1)
15(15  1)  5 6 4 
= 0,05 (211,25 + 337,5 + 451,56) – 48

= 50,02 – 48
= 2,02
5) Oleh karena 2 sebesar 2,02 yang lebih kecil dari 5,99, maka H0 diterima.
Berarti tidak ada perbedaan rata-rata rentabilitas LPD di tiga kecamatan yang
diteliti.

 Buka file data Contoh 6-1 Kurskal
 Analyze Nonparametric Test  K Independent Samples ..

52
 Masukkan variabel Rentabilitas ke kotak Test Variabell List, dan Kecamatan

ke Grouping Variabel.
 Klik Define Range dan isi Range for Grouping Variabel, 1 untuk Minimum, 3
untuk Maximum, karena yang dibandingkan sebanyak 3 kelompok.
Hasil olahan data dengan menggunakan program SPSS tampak sebagai

berikut:

53
NPar Tests Kruskal-Wallis Test

Ranks
Kecamatan N Mean Rank

Rentabilitas Abiansemal 5 6,50
Mengwi 6 7,50
Petang 4 10,63
Total 15
Test Statisticsa,b
Rentabilitas
Chi-Square 2,023
df 2
Asymp. Sig. ,364
a. Kruskal Wallis Test
b. Grouping Variable: Kecamatan
Soal-soal Latihan:
6.1 Produksi padi di empat desa di suatu kabupaten pada tahun tertentu adalah
sebagai berikut:
Produksi padi per hektar
Desa A Desa B Desa C Desa D
92 83 94 96
91 87 92 89
95 86 89 82
88 95 97 95
83 91 94 89
92 98
88
Tugas:
a. Rumuskanlah hipotesis nol dan hipotesis alternatifnya.
b. Tentukanlah uji nonarametrik yang sesuai
c. Dengan alpa 5 persen, apakah produksi padi di empat desa yang
diteliti berbeda nyata?

54
6.2 Ranking prestasi LPD yang berasal dari 3 kecamatan pada suatu kabupaten
di Provinsi Bali pada tahun tertentu adalah sebagai berikut:
Ranking Ranking
Kecamatan Kecamatan
Prestasi LPD Prestasi LPD
1 C 13 A
2 C 14 A
3 B 15 C
4 C 16 C
5 A 17 B
6 C 18 A
7 B 19 B
8 C 20 B
9 B 21 B
10 C 22 A
11 A 23 A
12 B 24 A
Dengan menggunakan metode statistic yang relevan, ujilah apa ada
perbedaan presatasi LPD menurut kelompok kecamatan?
6.3. Hasil olahan data pengujian berbedaan rata-rata pendapatan bersih per
hektar usaha tani cabe, kacang panjang, dan melon per musim tanam (dalam
juta rupiah) dari sample random masing-masing 10 orang adalah sebagai
berikut:
Kruskal-Wallis Test
Test Statisticsa,b
Ranks
Pendapatan
Komoditas N Mean Rank bersih
Pendapatan bers Cabe 10 9,20 Chi-Square 8,038
Kacang Panjan 10 17,60 df 2
Melon 10 19,70 Asymp. Sig. ,018
Total 30 a. Kruskal Wallis Test
b. Grouping Variable: Komoditas
Dengan langkah-langkah metode statistik nonparametrik, dan dengan alpa 5

persen uji apakah rata-rata pendapatan bersih usahatani tersebut berbeda
nyata?
-------------------

55
REGRESI SEDERHANA
7
7.1. Pengertian Regresi.
Suatu alat statistika yang tujuannya membantu memperkirakan atau
memprediksi nilai suatu variabel yang tidak terikat dari satu atau beberapa
variabel yang bebas disebut regresi. Analisis regresi merupakan cabang dari
statistika teori yang banyak digunakan hampir di semua disiplin statistika. Dalam
bidang ekonomi misalnya sebagai dasar untuk memperkirakan hubungan antara
variabel ekonomi yaitu untuk mengembangkan teori ekonomi dengan kehidupan
ekonomi nyata. Misalnya, diketahui bahwa ada hubungan yang tepat antara harga
suatu barang (X) dengan jumlah barang yang diminta (Y). Apabila persamaan
regresinya sudah diketahui, maka dengan memasukkan nilai variabel X pada
persamaan regresi maka nilai variabel Y bisa diperkirakan.
Dengan demikian analisis regresi akan membantu beberapa hal yang
penting, antara lain:
1) Untuk menaksir nilai dari suatu variabel tertentu berdasarkan suatu variabel
bebas. Untuk tujuan ini dibuat persamaan garis regresi yang menggambarkan
rata-rata hubungan antara variabel X dan Y.
2) Tujuan kedua dari analisis regresi adalah untuk mengetahui tingkat
penyimpangan dari garis regresi. Apabila suatu data hampir selalu
berdekatan dengan garis regresinya atau penyimpangannya relatif kecil, maka
perkiraan yang baik terhadap Y akan dapat dibuat berdasarkan garis regresi
tersebut. Sebaliknya apabila penyimpangannya semakin besar, atau datanya
terlalu menyebar disekitar garis regresinya, maka garis regresi tersebut
menghasilkan penaksiran yang tidak bagus.
3) Untuk membantu analisis regresi juga dapat diperoleh derajat hubungan atau
korelasi yang terjadi antara dua variabel. Koefisien determinasi yang dihitung

56
dari tujuan ini mengukur derajat kekuatan hubungan yang terjadi antara
variabel tersebut.
7.2. Persamaan Regresi Sederhana

Persamaan regresi secara aljabar dinyatakan dalam garis regresi.
Persamaan regresi Y atas X adalah dipakai untuk menggambarkan variasi nilai
dari Y atas perubahan tertentu dari X. Persamaan regresi Y atas X umumnya
dinyatakan dalam bentuk:
Y =  + Xi + εi…………………………..............…....................(7.01)
Dari persamaan tersebut  disebut konstanta,  disebut koefisien regresi.
Koefeien regresi juga disebut slope dari garis regresi. Ŷ disebut taksiran dari Y
yang menyatakan nilai Y akan diketahui apabila X tertentu dimasukkan dalam
persamaan tersebut, sedangkan ε disebut komponen pengganggu atau error term
atau nilai variable lain yang tidak ikut dimasukkan dalam model.
7.3. Penaksiran Persamaan Regresi

Garis regresi dengan persamaan Ŷ =  + X dapat digunakan untuk
mendekati diagaram pencar yang merupakan garis lurus, baik untuk data cross
section maupun untuk data berkala (time sieries). Untuk menyelesaikan
persamaan tersebut digunakan metode kuadrat terkecil sederhana atau
"ordinary least square" yang disingkat OLS dengan formula:
Yi = N +   Xi …………………………………(7.02)
 XiYi = Xi +  Xi2 ....................…………………. (7.03)
dari kedua persamaan tersebut dapat disederhanakan:

n X iYi   X i  Yi
 ……..........…………….............…..(7 04)
n X 2i   X i 
2
 = Y -  X …………………….……………..... ……......(7.05)
dan rumus (7.04) dapat disederhanakan lagi menjadi:

57

x y i i
………………………………………………….….....(7.06)
x 2
i
dimana xi = Xi - X dan yi = Yi - Y
Untuk regresi sederhana (dua variabel) standar penyimpangan (standard error)

regresi dapat dihitung dengan rumus:
Syx 
 (Y  Yˆ ) 2
………………….………………................. (7.07)
n2
atau Syx  Y 2
   Y    XY
……………………………..........(7.08)
n2
atau Syx 
e 2
……… ...................….......…................…..(7.09)
n2
ei2 = (Y - Ŷ )2 ………………..…....…………..........................(7.10)

ei2 =  yi2 – 2xi2 …………..………………........................(7.11)
dimana ei disebut komponen residual atau error term
Berdasarkan hasil Syx dapat juga dihitung standar deviasi dari koefisien regresi
dengan rumus:
S yx
S ( )  …………………………………………………..(7.12)
x 2
i
Contoh 7.1.
Hubungan tenaga kerja (X) dan produksi (Y) adalah sebagai berikut:
X 5 7 8 10 15
Y 9 12 15 20 24
Pertanyaan:
a. Carilah persamaan regresi dari data tersebut di atas. Jika tenaga kerja yang
digunakan sebanyak 12 orang, prediksilah jumlah produksi.
b. Hitung standar penyimpangan penaksirannya, serta interpretasikan hasilnya.

58
Tabel 7.1. Perhitungan Koefisien regresi tenaga kerja (X) dan produksi (Y)
(Xi - M) (Yi - )
X Y XY xy x2 Y2
(x) (y)
5 9 45 -4 -7 28 16 49
7 12 84 -2 -4 8 4 16
8 15 120 -1 -1 1 1 1
10 20 200 1 4 4 1 16
15 24 360 6 8 48 36 64
45 80 809 0 0 89 58 146
X = 45/5 = 9 Y = 80/5 = 16
89
  1,5345  = 16 - 1,5345 (9) = 2,190
58
a. Taksiran persamaan regresinya menjadi Ŷ = 2,190 + 1,534 X. Jika tenaga

kerja yang digunakan sebanyak 12 orang, maka jumlah taksiran produksi
adalah: Ŷ = 2,1895 + 1,5345 (12) = 20,93 unit.
b. Berdasarkan persamaan regresi tersebut dapat dihitung taksiran produksi (Ŷ).
Simpangan Y terhadap Ŷ dapat dilihat pada Tabel 7.2. Dari perhitungan
tersebut ternyata standar simpangan dari regresinya atau Syx adalah sebesar
1,773. Ini berarti bahwa apabila persamaan regresi Ŷ = 2,190 + 1,534 X.
digunakan untuk menaksir produksi berdasarkan tenaga kerja, maka
simpangan yang dibuat sekitar 1,733 unit.
Secara lengkap hasil taksiran produksi (Y) atas berbagai jumlah tenaga
kerja (X) adalah sbb:
Tabel 7.2. Taksiran produksi ( Ŷ ) dan Simpangan Y terhadap Ŷ
X Y Ŷ Ei =(Y - Ŷ) ei2 = (Y - Ŷ)2
5 9 9.8622 -0.86220 0.74339
7 12 12.9312 -0.93120 0.86713
8 15 14.4657 0.53430 0.28548
10 20 17.5347 2.46530 6.07770
15 24 25.2072 -1.20720 1.45733
45 80 9.43100

59
S yx 
 (Y  Yˆ ) 2
nk
9,431
S yx   Syx = 1,773
52
7.4. Koefisien Determinasi dan Ukuran Kecocokan (goodness of fit)

Untuk tujuan itu koefisien determinasi atau r2 (untuk kasus dua variabel)
dan R2 (untuk regresi berganda) merupakan ihtisar yang mengatakan seberapa
baik garis regresi cocok dengan datanya. Koefisien determinasi dapat dihitung
dengan rumus:
r 2
1
 (Y i  Yˆ ) 2
……………………………..…………...............(7.13)
 (Y i  Y )2
atau:
 2  xi2
r  2
…………………………..….……….......................…(7.14)
y 2
atau:
1 
2
2 e i
r …………………………..….……….......................…(7.15)
y i
2
Berdasarkan contoh 7.1 dan dengan menggunakan rumus nomor 7.14, dapat
dihitung koefisien determinasinya:
(1,5345)2 (58)
r2   0,935
146
9,431
r2  1  0,935
146
Koefisien determinasi sebesar 0,935 mempunyai arti bahwa sekitar 93,5

persen variasi produksi (Y) disumbangkan oleh variasi dari variabel tenaga kerja
(X), sedangkan sisanya 6,5 persen oleh variabel lain di luar model.

60
7.5. Aplikasi Program SPSS

 Buka program SPSS
 Buka file dengan perintah  File New jika file baru, dan open jika sudah
tersedia data dalam bentuk work sheet SPSS.
 Ketik data yang dikelompokkan menurut jenis variabelnya
 Berikan nama variabel (Variabel Name)
 Analyze, pilih metode yang diinginkan, dalam hal ini Regression dan pilih
metode regresi yang diinginkan, linier, logistic, logit, dll.
 Masukkan variabel yang akan dianalisis sesuai dengan fungsinya, yaitu
variabel dependent (terikat) dan variabel independent (bebas).

61
 Klik OK untuk mengakhiri, karena menu lainnya belum diperlukan.
Hasil olahan data dari Contoh 7-1 dengan menggunakan program SPSS
nampak sebagai berikut:
Regression
Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .967a .935 .914 1.77304
a. Predictors: (Constant), Tenaga kerja
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 136,569 1 136,569 43,442 ,007a
Residual 9,431 3 3,144
Total 146,000 4
a. Predictors: (Constant), NAKER
b. Dependent Variable: PRODUKSI
Coefficients a
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 2,190 2,240 ,977 ,400
NAKER 1,534 ,233 ,967 6,591 ,007
a. Dependent Variable: PRODUKSI
Hasil olahan data dengan SPSS dapat dicocokkan dengan hasil perhitungan
secara manual, yaitu besarnya koefisien determinasi atau R square besarnya
0,935, standar penyimpangan regresi atau standard error of estimate besarnya
1,773. Di samping itu, konstanta besarnya 2,190 dan koefisien regresi 1,534 yang
hasilnya persis sama dengan hasil perhitungan manual.

62
Berdasarkan perhitungan di atas dapat dijelaskan beberapa hal dari model

regresi, yaitu:
1) Model atau persamaan taksiran dari regresi adalah Ŷ = 2,190 + 1,534 X.
Karena merupakan taksiran, maka Y harus memakai topi (^).
2) Nilai 2,190 merupakan konstanta yang menunjukkan bahwa apabila variabel
tenaga kerja (X) adalah nol, maka variabel produksi (Y) adalah sebesar
2,190.
7.6. Pengujian hipotesis dalam regresi

Pengujian hipotesis dalam regresi dapat dilakukan dengan dua cara.
Pertama pengujian terhadap koefisien regresi dan yang kedua terhadap
persamaan regresinya atau model secara keseluruhan. Untuk menguji signifikansi
(pentingnya) variabel bebas terhadap variabel terikatnya secara individual yang
dikenal dengan uji t. Kalau variabel bebasnya lebih dari satu ini juga dikenal
dengan nama pengujian parsial. Di pihak lain, yang kedua adalah untuk menguji
signifikansi secara serempak semua variabel bebas terhadap variabel terikatnya
yang dikenal dengan uji F. Sudah tentu untuk regresi sederhana karena hanya
memiliki hanya satu variabel bebas, maka cara kedua ini mubazir karena hasil uji F
memberikan kesimpulan yang sama dengan uji t, yaitu F = t2. Tetapi apabila
variabel bebasnya lebih dari satu pengujian ini sangat penting.
Pengujian koefisien regresi.

Untuk menguji koefisien regresi sangat penting untuk meyakinkan
kebenaran atau kepalsuan hubungan antara variabel X dan variabel Y. Hipotesis
diformulasikan sesuai dengan model yang dispesifiksikan.
Misalnya:
H0 :   0,5 Atau H0 :  ≤ 0
H1 :  > 0,5 H1 :  > 0

63
Secara umum untuk menguji signifikansi (pentingnya) variabel bebas

terhadap variabel terikat hipotesis diformulasikan:
H0 :  = 0
H1 :   0
Daerah kritis dicari pada tabel dengan derajat bebas n – k, dimana k = jumlah
variabel yang dilibatkan termasuk variabel terikat.
Uji statistik dari koefisien regresi digunakan rumus:

ˆ   0
t …………………………………..…….........……..……….(7.16)
S
Oleh karena βo tidak diketahui, maka rumus 7.15 disederhanakan menjadi:
ˆ
t …………………………………..…….........……….......….….(7.17)
S
S yx
S() dihitung dengan rumus: S (  )  ………….............……..........(7.18)
 xi2
Standar error koefisien regresi dari contoh 7.1 adalah:
1,773
S ( )   S() = 0,233
58
Contoh 7.2.
Apabila contoh 7.1. diuji signifikansi koefisien regresinya, maka jawabanya
sebagai berikut:
a) Formulasi hipotesis:
H0 :  ≤ 0 Tenaga kerja tidak berpengaruh terhadap produksi 
H1 :  > 0 Tenaga kerja berpengaruh positif terhadap produksi
Pengujian satu sisi ujung kanan
b)  = 0,5 n = 5 derajat bebas = 5 – 2 = 3 t = 2,353

c) Kriteria pengujian

64
Gambar 7.4.
Ho diterima jika:
t  2,353
Ho ditolak jika:
t > 2,353
d) Pengujian:
 = 1,5345  S() = 0,2328
ˆ 1,5345
t  t  t = 6,591
S 0,2328
e) Oleh karen t hitung sebesar 6,591 terletak di daerah penolakan H0, maka H0
ditolak. Kesimpulan, bahwa tenaga kerja (X) berpengaruh positif dan signifikan
terhadap produksi (Y).
Catatan: Hasil pengujian ini dapat dicocokkan dengan hasil olahan data dengan
SPSS (halaman 64) yang ditunjukkan oleh probabilitas penerimaan Ho
(Sig) yang besarnya 0,007 atau kurang dari 0,01.
7.7. Perluasan Aplikasi Model Regresi

Beberapa aspek dari regresi linier dapat dengan mudah diaplikasikan
melalui kerangka kerja regresi linier dua variable, yang pada prinsipnya membahas
model yang berkaitan dengan mengukur perubahan Y sebagai akibat dari
perubahan X. Beberapa perluasan aplikasi model non linier diuraikan sbb:
7.7.1 Model Double Log

Model ini disebut juga log linier atau model dengan elastisitas konstan.
Modelnya adalah sebagai berikut:
Yi  X i e i ………………………………………………..………....(7.19)

65
model ini bisa ditransformasi seperti:

ln Yi = ln  +  ln XI +  …………………………………………....(7.20)
dimana ln = log natural, atau logaritma dengan bilangan dasar e, yang mana nilai e
= 2,718. Persamaan di atas dapat ditulis:
ln Yi =  +  ln XI +  ………………………………......………....(7.21)
Transformasi model double log dapat digambarkan akan tampak sebagai berikut:
Dalam model double log koefisien regresi mengukur perubahaan relatif

dari Y sebagai akibat dari perubahan relatif dari X, yaitu:
Β = Perubahan relatif dari Y ..........................................(7.22)

Perubahan relatif dari X
% perubahanY

% perubahanX
Model double log banyak digunakan dalam analisis ekonomi, seperti untuk
fungsi produksi, fungsi ongkos, fungsi keuntungan dan lain sebagainya, yang
mana secara teoritis bentuknya adalah non linier. Model ini juga disebut
exponential regression, log-log, log-linier, atau constant elasticity models.
Contoh 7.3
Data berikut ini adalah total pengeluaran rumah tangga yang dirinci menurut
jenis pengeluarannya masyarakat di Amerika Serikat ($/bulan).

66
Tahun, Pengeluaran Pengeluaran Pengeluaran Total Waktu

Triwulan Jasa Barang Tahan Barang Konsumsi Pengeluaran (T)
(PJ) Lama (PBT) (PBK)) (TP)
2003.1 4143 971 2073 7187 1
2003.2 4161 1010 2084 7255 2
2003.3 4191 1050 2123 7364 3
2003.4 4220 1051 2133 7404 4
2004.1 4268 1067 2155 7490 5
2004.2 4308 1071 2164 7543 6
2004.3 4342 1094 2184 7620 7
2004.4 4377 1110 2213 7700 8
2005.1 4395 1117 2242 7754 9
2005.2 4420 1151 2268 7839 10
2005.3 4455 1176 2288 7919 11
2005.4 4477 1138 2310 7925 12
2006.1 4495 1191 2343 8029 13
2006.2 4535 1191 2351 8077 14
2006.3 4567 1209 2360 8136 15
Elastisitas pengeluaran barang tahan lama (PBT) terhadap total

pengeluaran (TP) rumah tangga di AS dari triwulan pertama tahun 2003 sampai
dengan triwulan ke-3 tahun 2006 dapat dibuat model:
ln PBTLi =  +  ln TPi +  ………………………………………....… .(7.23)
Hasil olahan data tampak sebagai berikut.
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
1 (Constant) -7,278 ,689 -10,564 ,000
LNTP 1,597 ,077 ,985 20,735 ,000
a. Dependent Variable: LNPBT
Berdasarkan hasil olahan data dapat dibuat persamaan regresi sebagai

berikut:

67
ln PBTLi = -7,28 + 1,597 ln TPi ......................................................(7.24)

Sb = (0,689) ( 0,077)
t = (10,564) (20,735)
Berdasarkan hasil olahan data dan persamaan regresi dapat diketahui

bahwa koefisien regresi pengaruh total pengeluaran terhadap jumlah pengeluaran
untuk barang tahan lama sebesar 1,597. Oleh karena regresi yang dibuat dalam
bentuk doubel log, maka koefisien tersebut mempunyai arti bahwa apabila total
pengeluaran masyarakat meningkat satu persen mengakibatkan pengeluaran
untuk barang konsumsi meningkat 1,597 persen.
7.7.2 Model Semilog

Model semilog adalah transformasi logaritma pada variabel terikat atau
pada variabel bebas. Bentuknya ada dua macam, yaitu
a) Log lin, dimana variabel terikatnya yang logaritma, seperti:
ln Yi =  +  Xi +  ………………………………………..…………(7.25.a.)
Model aslinya adalah berbentuk

Yi =  + Xi +  …………………………….……………………….(7.25.b.)
Dalam model log lin, koefisien regresi mengukur perubahaan relatif dari Y
sebagai akbibat dari perubahan absolut dari X, yaitu:
Β = Perubahan relatif dari Y ..........................................(7.26)

Perubahan absolut dari X
Model lin log umumnya digunakan untuk model pertumbuhan konstan

(measurement growth model), dimana variabel bebasnya umumnya linier, seperti
waktu dan lain sebagainya yang mengalami pertambahan yang tetap. Kalau
digambarkan akan tampak sebagai berikut:

68
Contoh 7.4
Berdasarkan Contoh 7.3 dapat dibuat model pertumbuhan pengeluaran
jasa sebagai berikut:
ln PJi =  +  T +  ………………………………….…………….....(7.27)
Hasil olahan data adalah sebagai berikut:

Coefficientsa
1 (Constant) 5612,42
8,323 ,001 ,000
8
T ,007 ,000 ,997 43,379 ,000
a. Dependent Variable: LNPJ
Berdasarkah hasil olahan data dapat dibuat model regresi sebagai berikut:
ln PJi = 8,323 + 0,007 T .........................................................(7.28)
Sb = (0,0016) ( 0,0002)
t = (5214) (40,225)
Koefesien regresi dari model log lin harus dikalikan 100, sehingga
koefesien regresi sebesar 0,007 dapat dinterpretasikan bahwa selama periode
triwulan pertama tahun 2005 sampai dengan triwulan ke-3 tahun 2008
pertumbuhan pengeluaran jasa meningkat rata-rata sebesar 0,7 persen per
triwulan.

69
b) Lin log, dimana variabel bebasnya yang logaritma, seperti model:
YI =  +  ln XI +  …………………………………………………(7.29)
Dalam model lin log koefisien regresi mengukur perubahaan absolut dari
Y sebagai akibat dari perubahan relatif dari X, yaitu:
β = Perubahan absolut dari Y .........................................(7.30)

Perubahan relatif dari X
Model ini cocok dipakai untuk menganalisis suatu perubahan proporsional

tertentupada variabel X mengakibatkan perubahan mutlak dari variabel Y.
Contoh 7.5
Untuk membuktikan hipotesis Engel mengenai hubungan antara total
pengeluaran rumah tangga (TP) dengan pengeluaran bahan makanan (PBK) ,
dibuat model sebagai berikut:
PBKi =  +  ln TPi +  ……………………………………….....…(7.31)
Berdasarkan Contoh 7.3 dan model regresi 7.31 diperoleh hasil olahan data
sebagai berikut:
Coefficientsa
1 (Constant) -19583,552 621,700 -31,500 ,000
LNTP 2437,173 69,494 ,995 35,070 ,000
a. Dependent Variable: PBK
Hasil olahan data dapat dibuat model regresi sebagai berikut:

PBKi = -19583,552 + 2437,173 LnTPi
Sb = (621,700) (69,494)
t = (-31,500) (35,070)

70
Dalam mengingterpretasikan koefisien regresi model lin-log, berlawanan

dengan model log-lin. Pada regresi dengan model lin-log koefisien regresinya
dibagi seratus, sedangkan pada model log-lin, koefisien regresinya dikalikan 100.
Pada contoh ini, koefisien regresi sebesar 2437,173 mempunyai arti bahwa
dengan kenaikan pengeluaran total (TP) sebesar 1 persen, mengakibatkan
kenaikan pengeluaran bahan makanan (PBK) sebesar Rp 24,37.
7.7.3 Model Transformasi Timbal Balik (Reciprocal Model)

Model ini biasanya digunakan untuk menganalisis suatu data yang
menurun secara non linier mendekati titik nol pada saat X meningkat secara tak
terbatas, misalnya seperti biaya tetap rata-rata (AFC), penurunan angka kematian
bayi (AKB) sebagai akibat dari kenaikan pendapatan perkapita, dan lain
sejenisnya, seperti gambar berikut ini.
Persamaan regresinya adalah sebagai berikut:

 1 
Yi =        i …………………………………………………(7.32)
 Xi 
Model ini menunjukkan bahwa dengan meningkatnya X tidak terbatas,

maka akan tetap mendekati nol, tetapi tidak nol. Koefisien regresi (β) pada
persamaan 7.32 merupakan koefisien elastisitas yang menunjukkan rasio
perubahan Y sebagai akibat perubahan X.

71
Contoh 7.6
Angka kematian bayi (AKB) dan PDB per kapita (GNPP) suatu negara
selama tahun 1982 – 2013 ditampilkan pada sebegai berikut. Angka kematian
bayi (AKB) apabila dihubungkan dengan PDB per kapita (GNPP) dapat
ditransformasikan ke dalam bentuk model regresi sebagai berikut:
AKB = α + β (1/GNPP) .................................................................(7.33)
Tahun AKB GNPP 1/GNPP Tahun AKB GNPP 1/GNPP

1982 241 120 0,0083 1998 148 580 0,0017
1983 204 130 0,0077 1999 98 660 0,0015
1984 209 200 0,0050 2000 170 670 0,0015
1985 167 240 0,0042 2001 129 900 0,0011
1986 189 270 0,0037 2002 118 1080 0,0009
1987 55 290 0,0034 2003 165 1150 0,0009
1988 269 290 0,0034 2004 94 1160 0,0009
1989 240 300 0,0033 2005 75 1180 0,0008
1990 202 310 0,0032 2006 96 1270 0,0008
1991 161 420 0,0024 2007 72 1420 0,0007
1992 128 420 0,0024 2008 24 1730 0,0006
1993 152 420 0,0024 2009 128 1870 0,0005
1994 135 430 0,0023 2010 96 2050 0,0005
1995 224 530 0,0019 2011 107 3020 0,0003
1996 126 560 0,0018 2012 12 4240 0,0002
1997 197 570 0,0018 2013 27 5830 0,0002
Data di atas jika diolah dengan SPSS, hasilnya ditampilkan sebegai berikut:
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 ,654a ,427 ,408 50,54256
a. Predictors: (Constant), 1/GNPP
Coefficientsa
Model B Std. Error Beta T Sig.
1 (Constant) 91,536 13,486 6,787 ,000
1/GNPP 21747,687 4598,395 ,654 4,729 ,000
a. Dependent Variable: AKB

72
Hasil olahan data di atas dapat ditampilkan dalam persamaan regresi:

AKB = 91,536 + 21747,69 (1/GNPP)
Sb = (13,486) (4573,30)
t = (6,818) (4,729)
2
r = 0,427
Berdasarkan persamaan regresi di atas dapat dijelaskan bahwa dengan

meningkatnya GNP per kapita secara tak terbatas, kematian bayi mendekat
mendekati rata-rata 91 orang per 1000. Koefisien regresi (1/GNPP) yang bertanda
positif memberikan arti bahwa hubungan antara GNP perkapita dengan angka
kematian bayi adalah negatif (terbalik).
7.8. Prinsip Pemilihan Model Terbaik:

Dari suatu rangkaian data dapat dibuat beberapa model regresi. Pemilihan
model terbaik yang digunakan harus diperhatikan sebagai berikut:
1) Teori yang mendasari. Misalnya penelitian yang menyangkut produksi atau
produktivitas, seyogyanya menggunakan fungsi produksi Cob-Douglas atau
model double log.
2) Sesuai dengan sebaran data yang dilihat dari scater diagram.
3) Lolos dari mengujian statistik.
4) Memiliki standar error yang terkecil.
5) Memiliki F hitung yang terbesar.
6) Memiliki R 2 yang terbesar.

7) Memiliki Maximum Likelihood (ML) yang terbesar.
Beberapa bentuk model fungsi regresi dengan slope dan elastisitasnya

dapat dilihat pada Tabel 7.3.

73
Tabel 7.3 Beberapa Model Fungsi Regresi

Tipe Fungsi Regresi Model Regresi Slope Elastisitas
1. Linear Y    X    X

Y
2. Double log (log-log) LnY     ln X   Y 

X
3. Semi log (lin-log) Y     ln X   1 1
 
X Y
4. Semi log (log-lin) LnY    X   Y X
5. Resiprokal 1 1 1
Y      2 
X X XY
6. Log inverse 1 Y 1
LnY        2 
X X X
Catatan: Regresi logistic juga merupakan salah model regresi nonlinier yang akan
dijelaskan pada Bab 11.
Soal-soal Latihan
7.1. Dibawah ini adalah Pembentukan Modal (Investasi) dan Pendapatan Nasional
(GDP) suatu negara.
Tahun Investasi GDP Tugas:
($ juta) ($ juta)
a. Buatlah persamaan regresi dan
1995 22 120
1996 28 157 interpretasinya, serta perkirakan
1997 44 232
1998 50 275
besarnya Investasi jika GDP $
1999 64 356 550 juta.
2000 75 453
2001 84 542 b. Berdasarkan data ini juga,
2002 90 498 hitunglah pertumbuhan investasi
2003 96 567
2004 103 650 per tahun dengan menggunakan
2005 115 674 model semi log.
2006 122 726
7.2. Di bawah ini adalah hasil olahan data mengenai pengaruh jumlah kamar
terhadap pemakaian listrik (KWH) pada 10 sampel rumah kos di suatu
kelurahan di wilayah Denpasar Selatan.

74
Model Summary
R Adjusted Std. Error of
Model R Square R Square the Estimate
1 ,829a ,687 ,648 92,477
a. Predictors: (Constant), Jumlah Kamar
Coefficientsa
Model Coefficients Coefficients T Sig.
1 (Constant) ,502 143,471 ,004 ,997
Jumlah Kamar 40,294 9,620 ,829 4,188 ,003
a. Dependent Variable: Pemakaian Listrik
Tugas:
a. Buatlah persamaan regresi,
b. Interpretasikan R kuadrat dan Std. Error of the Estimate
c. Perkirakan pemakaian listrik jika jumlah kamar adalah 20 unit.
7.3. Hasil penjualan bulanan PT. Aji Mumpung pada tahun 2014 dan 2015
ditunjukkan pada tabel sebagai berikut.
Bulan pada Penjualan Bulan pada Penjualan
Tahun 2014 (Rp juta) Tahun 2015 (Rp juta)
Januari 1.120 Januari 2.639
Februari 1.646 Februari 2.657
Maret 1.690 Maret 2.754
April 1.702 April 2.877
Mei 1.233 Mei 2.909
Juni 1.956 Juni 2.410
Juli 2.030 Juli 2.440
Agustus 1.583 Agustus 2.461
September 1.818 September 2.493
Oktober 1.905 Oktober 2.650
Nopember 2.462 Nopember 3.191
Desember 2.620 Desember 2.856
Berdasarkan tabel di atas, buatlah persamaan regresi yang sesuai untuk

mengetahui rata-rata pertumbuhan penjualan bulanan PT. Aji Mumpung serta
interpretasikan koefisien regresi dan standar penyimpangan regresi.

75
7.4. Teori ekonomi menyebutkan bahwa permintaan suatu barang ditentukan oleh
harga barang itu sendiri, dengan asumsi faktor lainnya konstan. Hasil olahan
data dengan menggunakan Excel mengenai hubungan antara harga (Rp ribu)
dan pemintaan mangga (kg) dalam bentuk persamaan double log adalah
sebagai berikut:
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,590
R Square 0,348
Standard Error 0,245
Observations 16
Dependent : LNKUANTITAS
Coefficient Standard
s Error t Stat P-value
Intercept 7,380 0,792 9,323 0,000
LNHARGA -0,358 0,131 -2,734 0,016
Tugas:
a. Buat persamaan regresinya
b. Tentukan elastisitas permintaan terhadap mangga tersebut, serta jelaskan
sifat elastisitasnya.
---------------

76

77
REGRESI MAJEMUK
8
8.1. Penaksiran Persamaan Regresi Berganda
Pada kenyataannya bahwa suatu variabel terikat dapat dipengaruhi oleh
lebih dari satu variabel bebas. Misalnya, harga beras tidak saja dipengaruhi oleh
adanya persediaan, tetapi juga dipengaruhi oleh harga input sebagai faktor untuk
memproduksi beras, harga bensin, atau harga-harga barang lainnya. Dengan
demikian, maka dalam bagian ini akan dibahas regresi berganda.
Salah satu contoh persamaan populasi dari regresi berganda adalah:
Y =  + 1X1 + 2X2 + ……………. k Xk + μi.……………………..(8.01)
dimana : , 1, 2, k ditentukan berdasarkan hasil pengamatan. Dan

persamaan regresi sampelnya dapat dituliskan:
Y = a + b1X1 + b2X2 + ……………. bk Xk + ei.…………….………..(8.02)
Metode OLS bertujuan untuk meminimalkan jumlah kuadrat dari residual

sekecil mungkin. Apabila variabelnya adalah sebanyak 3 buah, termasuk satu
variabel terikat, maka persamaan estimasinya adalah:
 Y  Na  b  X  b  X ...……………………………………..(8.03)
i 1 1i 2 2i
 X Y  a X  b X  b X X .......................................……. (8.04)
1i i 1i 1
2
1i 2 1i 2i
 X Y  a X  b X  b X X .......................................…….(8.05)
2i i 1i 1
2
2i 2 1i 2i
Dari persamaan-persamaan ini dengan menggunakan nilai deviasi

masing-masing variabel, maka persamaan (8.03), (8.04) dan (8.05) dapat
disederhanakan menjadi:

78
( yi x1i )( x22i )  ( yi x2i )( x1i x2i )

b1  ……..………..…....…..(8.06)
( x12i )( x22i )   x1i x2i 
2
( yi x2i )( x12i )  ( yi x1i )( x1i x2i )

b2  …….....………..….…..(8.07)
( x12i )( x22i )   x1i x2i 
2
a = Y - b1 X 1 - b2 X 2 ………….………..........…..……….…. …(8.08)
dimana x1i  X 1i  X1 x2i  X 2i  X 2 dan yi  Yi  Y
Selanjutnya dapat dihitung varian dan standar deviasi dari koefisien regresi dengan
rumus:
Var (b1 )  x 2
2i
 2 ……..………..….….......(8.09)
( x )( x )   x1i x2i 
2 2 2
1i 2i
Var (b2 )  x 2
1i
 2 ……..………..….….....(8.10)
( x )( x )   x1i x2i 
2 2 2
1i 2i
Di mana :

2
e
 2 i
...........................................……………………...........(8.11)
n3
ei2 = yi 2 - b1  yi x 1i + b2  yi x2i..................................(8.12)
8.2. Koefisien Regresi Berganda (R2 )

Koefisien determinasi berganda merupakan ukuran kesesuaian (godness of
fit) dari persamaan regresi , yaitu variasi dari variabel terikat yang mampu
dijelaskan oleh variabel bebas. Koefisien determinasi dari regresi berganda dapat
dihitung dengan rumus:
ESS
R2  ....................................................................................(8.13)
TSS
 i
(Yˆ  Y ) 2
…………………………………………………..…...(8.14)
 (Yi  Y )2
Koefisien determinasi juga dapat dihitung dengan rumus:

79
RSS
R2  1  …............……………......………………......................(8.15)
TSS
R 1
2  (Yi  Yˆi ) 2
………….……......……………….....................(8.16)
 (Yi  Y )2
R2  1   e ……………….....………………..................................(8.17)
2
i
y i
2
 
2 b x b x
1
2
1i 2
2
2i
R .....................................................................(8.18)
y 2
i
8.3. Koefisien Regresi Berganda yang Disesuaikan( Adjusted R2 )

Umumnya makin banyak variabel bebas yang dilibatkan pada suatu
persamaan regresi menyebabkan nilai R2 semakin besar dan hampir tidak
2
pernah menurun (non decreasing). Sedangkan R tersebut merupakan ukuran
baik tidaknya suatu garis regresi. Apabila kita bermaksud membandingkan
beberapa persamaan regresi tentu tidaklah valid apabila sekedar
membandingkan R2. Untuk itu R2 perlu disesuaikan berdasarkan jumlah variabel
yang dilibatkan dengan rumus sebagai berikut:
R 1 
2 ei2 /(n  k )
………………………………..............(8.19)
y 2
i /(n  1)
8.4. Pengujian Signifikansi Pada Regresi Berganda

Seperti telah disebutkan sebelumnya bahwa pengujian statistik terhadap
persamaan regresi sangat penting untuk meyakinkan kebenaran atau kepalsuan
hubungan antara variabel X dan variabel Y. Pengujian parsial antara masing-
masing variabel bebas terhadap variabel terikat digunakan uji t, sedangkan
pengujian secara serempak suluruh variabel bebas terhadap variabel terikat
digunakan uji F. Perhitungan nilai t dapat digunakan rumus :
bi   i
ti  ………………………………………………….………. (8.20)
Si
Karena βi tidak diketahui, maka persamaan (8.20) ditransformasi menjadi:

80
bi
ti  ……….……………………………………………………. (8.21)
S(  i )
Perhitungan F untuk 3 variabel dilakukan dengan rumus:

(b1  x12i  b2  x22i ) /(k  1)
F …………........................................(8.22)
 ei2 /(n  2)
R 2 /(k  1)
F …………….…………….................................(8.23)
(1  R 2 ) /( n  k )
ESS /( k  1)
F …………….….....………….................................(8.24)
RSS /(n  k )
Dalam pengujian ini F tabel dilihat pada derajat bebas (k-1);(n-k) dan hopotesis
diformulasikan:
Ho : tidak ada pengaruh serempak variabel X1 dan X2 terhadap Y.
H1 : ada pengaruh secara serempak variabel X1 dan X2 terhadap Y.
Perhitungan F selengkapnya dapat disajikan dalam tabel Analisis of Variance

(Anova) sbb:
Tabel 8.1. Anova untuk regresi tiga variabel

Sumber Derajat
Jumlah Kwadrat Kwadrat Rata- Ratio F
Variasi Bebas
rata
Akibat b1  x12i  b2  x 22i (k – 1) b1  x12i  b2  x 22i
Regresi
(k  1) Kwadrat rata-2 regresi
Akibat ei 2
(n - k) ei2/(n-k) F=
Residual Kwadrat rata-2 residual
Total y 2
(n – 1)
Contoh 8.1
Di bawah ini adalah konsumsi untuk barang A (Y) dalam kg, harga barang
A (X1 = dalam Rp 1.000), dan pendapatan konsumen (X2 = Rp 1.000), adalah
sebagai berikut:

81
Konsumsi A (Y) 4 4 6 6 8 8 10 10 12 12
Harga barang A (X1) 7 7 4 3 6 4 3 2 2 2
Pendapatan (X2) 30 35 45 40 65 50 60 45 70 80
Apabila data tersebut dibuat persamaan regresinya, perhitungannya adalah

sebagai berikut:
Tabel 8.2. Perhitungan Analisis Regresi Konsumsi barang A
Y X1 X2 y x1 x2 y2 x12 x22 yx1 yx2 x 1x 2
4 7 30 -4 3 -22 16 9 484 -12 88 -66
4 7 35 -4 3 -17 16 9 289 -12 68 -51
6 4 45 -2 0 -7 4 0 49 0 14 0
6 3 40 -2 -1 -12 4 1 144 2 24 12
8 6 65 0 2 13 0 4 169 0 0 26
8 4 50 0 0 -2 0 0 4 0 0 0
10 3 60 2 -1 8 4 1 64 -2 16 -8
10 2 45 2 -2 -7 4 4 49 -4 -14 14
12 2 70 4 -2 18 16 4 324 -8 72 -36
12 2 80 4 -2 28 16 4 784 -8 112 -56
80 40 520 0 0 0 80 36 2360 -44 380 -165
Y  80 / 10  8 X 1  40 / 10  4 X 2  520 / 10  52
( yi x1i )( x22i )  ( yi x2i )( x1i x2i )

b1 
( x12i )( x22i )   x1i x2i 
2
(44)(2360)  (380)(165)
b1 
(36)(2360)  (165) 2
b1= -0,713
( yi x2i )( x12i )  ( yi x1i )( x1i x2i )
b2 
( x12i )( x22i )   x1i x2i 
2
(380)(36)  (44)(165)
b2 
(36)(2360)  (165) 2
b2= 0,111
a = Y - b1 X 1 - b2 X 2
= 8 - (-0,713)(4) – (0,111)(52)
= 5,068

82
ei2 = yi 2 - b1  yi x1i + b2  yi x2i

= 80 – (-0,713)(-44) – (0,111)(380)
= 6,392
2 = 6,392 / (10 - 3) = 0,913
Var (b1 )  x 2
2i
2
( x )( x )   x1i x2i 
2 2 2
1i 2i
2360
 0,913
(36)(2360)  (165) 2
= 0,037
S (b1 )  0,037
= 0,193
Var (b2 )  x 2
1i
2
( x )( x )   x1i x2i 
2 2 2
1i 2i
36
 0,913
(36)(2360)  (165) 2
= 0,001
S (b2 )  Var (b2 )  0,001
= 0,024
RSS 6,392
R2  1  1
TSS 80,000
= 0,920
Tabel 8.3. Anova untuk Konsumsi Barang A
Sumber Variasi Jumlah Derajat Kwadrat Rata- Ratio F

Kwadrat Bebas rata
Akibat Regresi 73,608 2 36,804
Akibat Residual 6,392 7 0,913 F= 40,305
Total 80,000 9

83
Hasil pengolahan data dengan computer yang menggunakan program SPSS

selengkapnya tampak sbb:
Regression
Model Summary

1 .959a .920 .897 .95558
a. Predictors: (Constant), Pendapatan Konsumen, Harga
Barang A
ANOVAb
Sum of
1 Regression 73.608 2 36.804 40.305 .000a
Residual 6.392 7 .913
Total 80.000 9
a. Predictors: (Constant), Pendapatan Konsumen, Harga Barang A
b. Dependent Variable: Konsumsi Barang A
Coefficientsa
1 (Constant) 5.068 1.820 2.784 .027
Harga Barang A -.713 .193 -.478 -3.688 .008
Pendapatan Konsumen .111 .024 .604 4.660 .002
a. Dependent Variable: Konsumsi Barang A
8.5. Pelaporan Hasil Analisis Regresi.

Terdapat berbagai cara pelaporan hasil regresi. Namun format laporan
akan tergantung dari jumlah variabel yang dianalisis. Setelah ditampilkan hasil
taksiran persamaan/model regresi pada prinsipnya laporan regresi memuat uraian
empat paragraf (alenia) dengan kronologi yang dikemukanan Gujarati (2009) yang
juga banyak diaplikasikan pada analisis statistic multivariate, sehingga disini
disebut standar Gujarati, yaitu:
1) Menguraikan mengenai signifikansi pengaruh seluruh variabel bebas secara

84
serempak terhadap variabel terikat, yang mana ini juga disebut uji serempak
(uji F) atau uji validitas model.
2) Menginterpretasikan makna dari koefisien determinasi (R2).
3) Menguraikan mengenai signifikansi (pentingnya) pengaruh masing-masing
variabel bebas terhadap variabel terikat, yang mana ini juga disebut uji parsial
(uji t)
4) Menginterpretasikan makna dari koefisien regresi.
Apabila hasil olahan data di atas dibuat laporannya, maka hasilnya dapat
berpentuk sebagai berikut:
Ŷ = 5,068 - 0,713 X1 + 0,111 X2 …………………………….(8.25)
S() = (1,280) (0,193) (0,024)
t = (2,784) (-3,688) (4,660)
Sig = (0,008) (0,003) (0,000)
2
R = 0,920 df = 7 F = 40,305 Sig = 0,000
Hasil perhitungan F menunjukkan angka sebesar 40,305, dengan

signifikansi sebesar 0,000. Angka tersebut jauh lebih kecil dari level of significant
5 persen yang biasa digunakan dalam penelitian ekonomi. Ini berarti bahwa
secara serempak variabel harga barang A (X1) dan tingkat pendapatan
konsumen (X2) berpengaruh serempak terhadap konsumsi barang A.
Koefisien determinasi atau R2 = 0,920 mempunyai arti bahwa 92 persen
variasi konsumsi barang A dipengaruhi oleh variasi harga barang A dan variasi
tingkat pendapatan konsumen, sedangkan sisanya 8 persen dipengaruhi oleh
faktor lainnya yang tidak dimasukkan dalam model tersebut.
Dari angka-angka tersebut dapat dijelaskan bahwa variabel harga barang
A (X1) dan tingkat pendapatan konsumen (X2) berpengaruh sangat nyata (**)
terhadap konsumsi barang A. Hal ini dibuktikan dari t hitung masing-masing
sebesar -3,688 dan 4,660, sedangkan t tabel pada derajat bebas 7 adalah 2,365
lebih kecil dari angka-angka itu. Pengaruh variabel harga barang A (X1) dan tingkat

85
pendapatan konsumen terhadap konsumsi barang A juga dapat dilihat dari nilai
signifikansi kedua variabel itu berdasarkan olahan data dengan SPSS masing-
masing 0,008 dan 0,002 atau dengan probabilitas lebih kecil dari 1 persen.
Koefisien regresi dari harga barang A sebesar -0,713 berarti bahwa
apabila harga barang A naik Rp 1000,- dengan anggapan bahwa variabel bebas
lainnya konstan, maka konsumsi akan barang A turun 0,713 kg. Koefisien
regresi tingkat pendapatan sebesar 0,111 berarti bahwa apabila pendapatan naik
sebesar Rp 1.000,- dengan anggapan variabel bebas lainnya konstan maka kon-
sumsi akan barang A naik 0,111 kg.
Jika dari persamaan regresi di atas diketahui bahwa harga barang A adalah
Rp 5.000 dan pendapatan konsumen adalah Rp 40.000, maka jumlah barang A
yang diminta adalah sebanyak 5,953 kg, seperti perhitungan sebagai berikut:
Ŷ = 5,068 + 0,713 X1 + 0,111 X2
= 5,068 + 0,713 (5) + 0,111 (40)
= 5,953 atau sebanyak 5,953 kg.
Catatan:
Intersep atau konstanta dalam persamaan regresi tidak selalu harus
diinterpretasikan. Konstanta yang perlu diinterpretasikan adalah yang telah jelas
dasar teorinya. Misalnya konstanta dalam fungsi konsumsi, yaitu C = a + bY.
Dalam teori ekonomi makro, a disebut konsumsi otonom yang besarnya lebih
besar dari nol. Demikian juga halnya fungsi biaya total, misalnya TC = 100 + 2Q.
8.6. Aplikasi Analisis Regresi Dalam Bentuk Fungsi Produksi dan Analisis
Efisiensi
Aplikasi persamaan regresi untuk fungsi produksi dikenal dalam bentuk

double log oleh Cobb-Douglas. Model double log ini akan menghasilkan constan
elasticity of substitution (CES). Persamaan regresinya akan berbentuk:
Ln Y = ln + 1 ln X1 + 2 ln X2 + ……k ln Xk ……………….....(8.26)
Oleh karena berbetuk logaritma, maka koefisien regresi 1 , 2 , ... k

merupakan koefisien elastisitas konstan faktor-faktor produksi yang sekaligus
menunjukkan efisiensi fisik dari faktor produksi.

86
Skala Hasil (return to scale)

Skala hasil dihitung dengan rumus:
 = 1 + 2 + …..k …………………………………………………(8.27)
Jika  = 1 menunjukkan bahwa pertambahan input satu persen
mengakibatkan produksi meningkat satu persen. Kondisi ini disebut skala hasil
tetap atau constan return to scale. Jika  < 1, menunjukkan bahwa pertambahan
input satu persen mengakibatkan produksi meningkat kurang dari satu persen.
Kondisi ini disebut skala hasil menurun atau decreasing return to scale. Sedangkan
jika jumlah jika  > 1, menunjukkan bahwa pertambahan input satu persen
mengakibatkan produksi meningkat lebih dari satu persen, yang disebut skala
hasil meningkat atau increasing return to scale.
Contoh 8.2.
Produksi dan penggunaan factor-faktor produksi bawang merah usahatani
Pertanian Inti Rakyat (PIR) ditunjukan pada Tabel 8.5.
Tabel 8.5. Produksi Bawang Merah dan Penggunaan Faktor Produksi Tenaga
kerja dan Modal, per Hektar Tanah
Observasi Output Naker Modal Observasi Output Naker Modal
ke (100 kg) (jam) (Rp 10.000) ke (100 kg) (jam) (Rp 10.000)
1 100 225 1000 11 285 344 1273
2 123 218 975 12 298 356 1305
3 145 243 1030 13 310 360 1250
4 166 267 1083 14 321 369 1278
5 186 255 1133 15 331 377 1303
6 205 276 1125 16 340 375 1325
7 223 296 1170 17 348 380 1313
8 240 314 1213 18 355 383 1330
9 256 330 1200 19 361 375 1345
10 271 330 1238 20 366 375 1325
Tugas:
d. Olah data untuk menghasilkan fungsi produksi
e. Tampilkan fungsi produksi secara lengkap
f. Laporkan fungsi produksinya (dengan standar Gujarati, halaman 83 - 84)
g. Hitung skala hasil dan interpretasikan.
h. Hitung efesiensi ekonomi factor-faktor produksi

87
Hasil olahan data dengan SPSS adalah sebagai berikut:
Regression
Model Summary

1 .987a .973 .970 6.602E-02
a. Predictors: (Constant), LN.M, LN.N
ANOVAb
Sum of
1 Regression 2.719 2 1.359 311.924 .000a
Residual 7.409E-02 17 4.358E-03
Total 2.793 19
a. Predictors: (Constant), LN.M, LN.N
b. Dependent Variable: LN.Y
Coefficients a
Standardi
zed
Coefficients ts
1 (Constant) -13.936 3.214 -4.335 .000
LN.N .972 .418 .478 2.326 .033
LN.M 1.951 .781 .513 2.497 .023
a. Dependent Variable: LN.Y
Apabila olahan data di atas dilaporkan dalam bentuk persamaan regresi

akan nampak sebagai berikut:
LnŶi = -13,936 + 0,972 Ln Ni + 1,951 Ln Mi
Sb = (0,418) (0,781)
t = (2,326) (2,497)
Sig = (0,033) (0,023)
R2 = 0,973 Df = 17 F = 311,924
Hasil perhitungan dari uji F menunjukkan hasil sebesar 311,924. Angka ini
berada pada probabilitas kurang dari 1 persen. Hal ini mempunyai arti bahwa

88
variabel tenaga kerja dan modal secara serempak berpengaruh nyata terhadap
produksi bawang merah.
Koefisien determinasi atau R2 = 0,973 mempunyai arti bahwa 97,30 persen
variasi dari produksi bawang merah dipengaruhi oleh variasi penggunaan tenaga
kerja dan modal, sedangkan 2,70 persen dipengaruhi oleh faktor lain yang tidak
diikutkan dalam persamaan tersebut.
Dari persamaan regresi yang ditampilkan di atas dapat dijelaskan bahwa
variabel tenaga kerja dan modal masing-masing berpengaruh nyata terhadap
produksi bawang merah, dengan probabilitas kurang dari 5 persen.
Koefisien regresi tenaga kerja sebesar 0,972 mempunyai arti apabila jam
kerja tenaga kerja dinaikkan satu persen mengakibatkan produksi bawang merah
naik 0,972 persen dengan asumsi variabel lainnya konstan. Koefisien regresi
modal sebesar 1,951 mempunyai arti apabila modal dinaikkan satu persen
mengakibatkan produksi bawang merah naik 1,951 persen, dengan asumsi
variabel lainnya konstan.
Skala Hasil
Skala hasil dari fungsi produksi bawang merah adalah (0,972 + 1,951) =
2,923. Kondisi ini disebut skala hasil yang menaik atau increasing return to scale,
karena nilai skala hasil lebih dari satu. Hal ini berarti bahwa apabila faktor-faktor
produksi ditingkatkan satu persen maka produksi naik lebih besar dari satu persen.
Efisiensi Ekonomis
Dengan mengalikan koefisien produksi tersebut dengan rata-rata output
dan juga dengan harganya, kemudian membaginya dengan rata-rata
penggunaan masing-masing faktor produksi yang dikalikan dengan harganya,
maka akan dapat dicari efisiensi ekonomis. Ringkasnya efisiensi ekonomis dapat
Y HY
Ef   i ……………………..…………………………............…(8.28)
X H Xi

89
Apabila Ef = 1 berarti bahwa penggunaan faktor produksi ke-i adalah

efisien dan maksimum sehingga tidak perlu ditingkatkan.
Ef < 1 berarti penggunaan factor produksi ke-i tidak efisien,

sehingga tidak perlu ditingkatkan.
Ef > 1 berarti penggunaan factor produksi ke-i efisien namun

belum maksimal sehingga masih bisa ditingkatkan.
Contoh 8.3.
Apabila dalam memproduksi bawang merah tersebut diketahui bahwa
harga bawang merah adalah Rp 5.000,-, sedangkan harga tenaga kerja adalah Rp
3.500 per jam dan modal Rp 1.000,-. Rata-rata produksi adalah 262 kwintal, rata-
rata penggunaan tenaga kerja adalah 322 jam dan modal adalah 1211 ribu rupiah.
Efisiensi penggunaan faktor produksi tenaga kerja dan modal adalah:
(262)(5.000)
Efx1 = 0,972 = 1,13
(322)(3500)
(262)(5.000)
Efx2 = 1,951 = 2,09
(1211)(1.000)
Efisiensi penggunaan faktor produksi tenaga kerja dan modal lebih besar
dari satu. Hal ini berarti bahwa penggunaan faktor produksi tenaga kerja dan
modal masih efisien dan masih bisa ditingkatkan penggunaannya.
Soal-soal Latihan
8.1 Di bawah ini adalah hasil olahan data mengenai GDP ( triliun rupiah), Indeks
(persen) dan Impor (triliun rupiah).

90
Regression
Model Summary

1 ,976a ,953 ,943 2,51871
a. Predictors: (Constant), Indkes, GDP
ANOVAb
Sum of
1 Regression 1167,155 2 583,578 91,991 ,000a
Residual 57,095 9 6,344
Total 1224,250 11
a. Predictors: (Constant), Indkes, GDP
b. Dependent Variable: Impor
Coefficientsa
1 (Constant) -45,350 18,612 -2,437 ,038
GDP ,069 ,028 ,444 2,430 ,038
Indkes ,553 ,183 ,552 3,020 ,014
a. Dependent Variable: Impor
Tugas:
a. Buatlah persamaan (model) secara secara lengkap (tiru halaman 86)
b. Hitung nilai F, dan lakukan uji F apakah model yang dibuat sudah fit
dengan menggunakan alpha 5 persen.
c. Interpretasikan R2.
d. Hitung nilai t, dan lakukan uji individual (uji t), apakah masing-masing
variabel bebas secara parsial berpengaruh terhadap variabel terikat.
Gunakan alpha 5 persen.
e. Interpretasikan koefisien regresinya.
8.2. Dibawah ini adalah hasil penjualan, pengeluaran promosi dan jumlah tenaga
kerja pada PT. GUNA RAHARJA.

91
Sales Promosi T.Kerja

Tahun Triwulan
(Rp juta) (Rp juta) (orang)
1985 I 38 8 19
II 49 12 22
III 32 3 17
IV 28 4 15
1986 I 37 7 23
II 51 12 27
III 32 4 19
IV 47 10 27
1987 I 25 3 15
II 38 5 22
III 33 3 20
IV 35 5 20
Tugas: Olah data dengan dengan program apa saja, buatlah laporan
regresinya (dengan standar Gujarati halaman 83 - 84).
8.3. Jumlah barang yang ditawarkan (Y) secara teoritis oleh bahan baku (Rp
1.000) dan tingkat upah tenaga kerja (Rp 1.000). Hasil olahan data dengan
menggunakan komputer dengan dua model, yaitu:
a) Model Linier
Model Summary

1 .912a .832 .804 18.0388
a. Predictors: (Constant), W, P
ANOVAb
Sum of
1 Regression 19306.804 2 9653.402 29.666 .000a
Residual 3904.796 12 325.400
Total 23211.600 14
a. Predictors: (Constant), W, P
b. Dependent Variable: Q

92
Coefficientsa
Standardi
zed
Coefficients ts
1 (Constant) 89.516 30.193 2.965 .012
P 1.048 .490 .406 2.137 .054
W -7.310 2.491 -.558 -2.934 .013
a. Dependent Variable: Q
b) Non linier
Model Summary

1 .924a .853 .829 .2519
a. Predictors: (Constant), LN.W, LN.P
ANOVAb
Sum of
1 Regression 4.426 2 2.213 34.887 .000a
Residual .761 12 6.344E-02
Total 5.188 14
a. Predictors: (Constant), LN.W, LN.P
b. Dependent Variable: LN.Q
Coefficientsa
Standardi
zed
Coefficients ts
1 (Constant) 2.139 .751 2.847 .015
LN.P .765 .170 .667 4.500 .001
LN.W -.309 .137 -.333 -2.248 .044
a. Dependent Variable: LN.Q
Pertanyaan : Dari model a) dan b) jelaskan manakah yang terbaik? Buat

persamaan regresi masing-masing dan laporan regresinya.

93
8.4. Produksi Kecap dengan menggunakan faktor produksi tenaga kerja (orang)
dan modal dalam bentuk olahan data adalah sebagai berikut:
Model Summary

1 .995a .991 .989 6.968E-03
a. Predictors: (Constant), LN.K, LN.L
ANOVAb
Sum of
1 Regression 6.338E-02 2 3.169E-02 652.809 .000a
Residual 5.826E-04 12 4.855E-05
Total 6.397E-02 14
a. Predictors: (Constant), LN.K, LN.L
b. Dependent Variable: LN.P
Coefficients a
Standardi
zed
Coefficients ts
1 (Constant) 4.936 .274 18.002 .000
LN.L .150 .066 .118 2.285 .041
LN.K .270 .016 .894 17.292 .000
a. Dependent Variable: LN.P
Nilai rata-rata dan harga variabel:
Variabel Produksi Tenaga Kerja Modal

(Botol) (orang) (Rp)
Nilai rata-rata 2.425 75 1.800
Harga 4.000 15.000 1.000
Buatlah laporan regresi, skala hasil dan hitung efisiensi ekonomisnya.
8.5. Permintaan uang (M) secara teori berhubungkan dengan pendapatan nasional
(Y), tingkat harga-harga (H) dan tingkat bunga (B), dengan persamaan
regresi:
Ln Mt = α + β1 Ln Yt + β 2 Ln Ht + β 3 L Bt + εt

94
Hasil olahan datanya tampak sebagai berikut.

Model Summary

1 .979a .957 .948 6.718E-02
a. Predictors: (Constant), LN.B, LN.H, LN.Y
ANOVAb
Sum of
1 Regression 1.322 3 .441 97.623 .000a
Residual 5.866E-02 13 4.513E-03
Total 1.380 16
a. Predictors: (Constant), LN.B, LN.H, LN.Y
b. Dependent Variable: LN.M
Coefficients a
Standardi
zed
Coefficients ts
1 (Constant) -8.184 4.199 -1.949 .073
LN.Y 1.252 .386 1.041 3.244 .006
LN.H 1.809 1.046 .445 1.730 .107
LN.B 1.110 .490 .525 2.265 .041
a. Dependent Variable: LN.M
Tugas: Buatlah laporan regresinya (standar Gujarati halaman 83 - 84)
8.6. Volume penjualan (Rp juta) pada PT AGUNG selama 20 tahun (1986 – 2005)
diduga dipengaruhi oleh Aset (Rp juta), Tenaga Kerja (orang) dan variabel
trend (tahun), seperti yang ditunjukkan oleh hasil olahan data sebagai berikut:
Model Summary

1 .987a .975 .970 188.7348
a. Predictors: (Constant), TAHUN, NAKER, ASSET

95
ANOVAb
Sum of
1 Regression 22063067 3 7354355.628 206.462 .000a
Residual 569933.1 16 35620.820
Total 22633000 19
a. Predictors: (Constant), TAHUN, NAKER, ASSET
b. Dependent Variable: SALES
Coefficientsa
Standardi
zed
Coefficients ts
1 (Constant) 1677.652 208.424 8.049 .000
NAKER 54.264 10.088 .398 5.379 .000
ASSET 7.853E-02 .032 .242 2.418 .028
TAHUN 74.481 22.611 .404 3.294 .005
a. Dependent Variable: SALES
Tugas:
a. Buat laporan regresinya (gunakan standar Gujarati halaman 83-84)
b. Prediksi besarnya sales pada tahun 2010 jika diketahui bahwa jumlah
tenaga kerja sebanyak 50 orang dan asset sebesar Rp 5 milyard.
8.7. Pengaruh tingkat perputaran kas, efektifitas pengelolaan hutang dan tingkat
kredit yang disalurkan terhadap rentabilitas ekonomis pada LPD-LPD di
Kabupaten Klungkung selama tahun 1999 – 2002 disajikan dalam hasil
olahan data sebagai berikut:
Model Summary

1 .874a .764 .760 2.650E-02
a. Predictors: (Constant), LDR, SM, TPK

96
ANOVAb
Sum of
1 Regression .386 3 .129 183.151 .000a
Residual .119 170 7.021E-04
Total .505 173
a. Predictors: (Constant), LDR, SM, TPK
b. Dependent Variable: RE
Coefficientsa
Standardi
zed
Coefficients ts
1 (Constant) 5.461E-02 .008 6.428 .000
TPK 6.697E-03 .003 .123 2.442 .016
SM .763 .045 .761 16.819 .000
LDR 4.482E-02 .013 .144 3.391 .001
a. Dependent Variable: RE
Keterangan:
RE = Rentabilitas LPD
TPK = tingkat perputaran kas LPD
SM = efektivitas pengelolaan hutang LPD
LDR = tingkat penyaluran kredit LPD
Tugas: Buatlah laporan regresinya secara lengkap (tiru halaman 83-84).
8.8. Tabel di bawah ini adalah data produksi dan faktor produksi Pertanian Inti
Rakyat (PIR) bawang merah. Juga diketahui bahwa harga produksi adalah
Rp 5.000,- per kg, harga modal Rp 10.000 per satuan, naker Rp 5.000
perjam kerja, dan sewa tanah Rp 100.000,-.
Tugas:
c. Olah data dengan program SPSS atau EViews
d. Buatlah fungsi produksinya serta laporkan hasilnya (tiru halaman 83 - 84)
e. Hitung skala ekonomis dan efisiensi ekonomis serta interpretasikan
hasilnya.

97
Produksi Modal Naker Tanah Produksi Modal Naker Tanah

Sampel Sampel
(kg) (Rp 10000) (jam) (are) (kg) (Rp 10000) (jam) (are)
1 4.500 875 1.025 39 21 3.050 626 1.025 37
2 2.000 467 690 25 22 3.600 479 1.006 38
3 2.500 635 937 35 23 1.950 469 635 26
4 3.000 616 848 35 24 2.100 460 815 25
5 3.000 900 690 25 25 2.000 563 741 30
6 1.900 301 647 25 26 8.000 1.200 1.200 48
7 2.600 456 936 28 27 1.200 223 315 25
8 2.100 475 841 27 28 5.710 590 1.000 48
9 1.400 360 426 25 29 3.200 647 954 36
10 3.100 737 1.029 40 30 2.400 552 876 30
11 1.800 330 564 30 31 3.600 850 825 40
12 2.700 644 920 35 32 2.100 461 880 26
13 5.500 720 975 35 33 5.000 823 963 50
14 3.000 423 950 25 34 1.200 327 356 20
15 1.920 398 625 20 35 4.600 500 900 30
16 2.300 573 771 30 36 1.000 318 347 15
17 3.300 675 1.090 40 37 2.000 537 781 27
18 2.400 426 847 25 38 2.900 624 925 35
19 7.600 1.225 1.100 45 39 5.800 860 1.100 40
20 6.200 931 1.049 38 40 5.800 825 954 38
----------------

98

99
UJI ASUMSI KLASIK

9
9.1. Pengantar
Salah satu tujuan penggunaan model regresi adalah melakukan prediksi
terhadap variable terikat (Y). Berkaitan dengan hal itu, agar hasil prediksi tidak
bias, maka dianggap perlu diyakinkan kembali apakah model yang dibuat sudah
valid dan tidak melanggar asumsi-asumsi metode kuadrat terkecil, yaitu BLUE
(Best, Linear, Unbias Estimator), yang sering disebut asumsi klasik. Untuk itu
dilakukan pelacakaan atau pengujian asumsi klasik yang meliputi: 1) Uji
Normalitas residual, 2) Uji Autokorelasi, 3) Uji Multikolinieritas, dan 4). Uji
Heteroskedastisitas.
Oleh karena tujuan pengujian asumsi klasik tersebut bertujuan untuk lebih
meyakinkan atas kelayakan model yang dibuat, terutama untuk tujuan
memprediksi, maka beberapa buku menyebutkan uji asumsi klasik disebut uji
urutan kedua (second order test) yang dilakukan setelah uji kelayakan model F test
dan t test dilakukan. Pertimbangan lain kenapa uji asumsi klasik dilakukan setelah
uji F dan uji t urutan pertama (first order test), karena sebagian besar dalam
pengujian asumsi klasik menggunakan hasil residual dari model regresi.
9.2. Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam residual dari model
regresi yang dibuat berdistribusi normal ataukah tidak. Model regresi yang baik
adalah memiliki distribusi residual yang normal atau mendekati normal. Jika tidak
normal, maka prediksi yang dilakukan dengan model tersebut akan tidak baik, atau
dapat memberikan hasil prediksi yang menyimpang (bias).

100
Seperti telah diketahui, residual yang sering dinotasikan μi untuk populasi

atau εi untuk sampel merupakan selisih antara nilai variabel terikat aktual (Yi)
dikurangi dengan nilai prediksi dari variabel terikat tersebut. Dari model regresi:
Yi = α + β1X1i + β2X2i + ……………. βk Xki + εi ...................................(9.1)
Diperoleh residual:
εi = Yi – { α + β1X1i + β2X2i + ……………. βk Xki } ................................ (9.2)
Dalam suatu analisis, untuk menguji apakah model sudah normal atau tidak,
pertama dapat dilakukan dengan melihat normal probability plot dari residual
dengan membandingkan distribusi komulatif dari residual yang dihasilkan dengan
distribusi komulatif dari distribusi normal. Jika titik-titik menyebar mendekati garis
diagonal maka data tersebut dianggap berdistribusi normal. Kedua, dapat
dilakukan dengan Uji Komogorov-Sminarnov. Caranya adalah dengan
membandingkan distribusi kumulatif relatif hasil observasi Scr (ε) dengan distribusi
kumulatif relatif teoritisnya (harapannya) atau Fcr (ε) seperti ditampilkan pada
Gambar 9.1.
Gambar 9.1. Distribusi kumulatif relatif teoritis residual
Langkah-langkah pengujian:
Ho : Residual yang diuji menyebar normal
H1 : Residual yang diuji tidak menyebar normal

101
2) Tingkat signifikan misalnya 5% D = ….? Gunakan Tabel 1 seperti pada

lampiran.
Ho diterima bila Dhitung  D tabel atau p.value  tingkat signifikansi
Ho ditolak bila D hitung > D tabel atau p.value > tingkat signifikansi
4) Perhitungan
D = maksimum  Fcr (x) – Scr (X) 
5) Kesimpulan
Bandingkan antara langkah 4) dengan dengan langkah 3).
Dengan menggunakan print out komputer kesimpulan dapat ditarik dengan

melihat Sig (2-tailed). Jika Sig (2-tailed) lebih besar dari level of signifikan yang
dipakai, maka Ho diterima, selanjutnya disimpulkan bahwa residual yang dianalisis
berdistribusi normal. Sebaliknya jika Sig (2-tailed) lebih kecil berarti bahwa data
yang dianalisis tidak berdistribusi normal.
Contoh 9.1
Di bawah ini adalah data mengenai penjualan (sales), promosi dan jumlah
tenaga kerja dari PT. GUNA RAHARJA.
Semes Sales Promosi T.Kerja Semes Sales Promosi T.Kerja
Tahun Tahun
Ter (Rp juta) (Rp juta) (orang) Ter (Rp juta) (Rp juta) (orang)
2001 I 38 8 19 2003 III 33 3 20
II 49 12 22 IV 35 5 20
III 32 3 17 2004 I 49 7 28
IV 28 4 15 II 52 10 32
2002 I 37 7 23 III 66 14 38
II 51 12 27 IV 53 7 30
III 32 4 19 2005 I 45 6 27
IV 47 10 27 II 71 17 38
2003 I 25 3 15 III 46 4 28
II 38 5 22 IV 35 4 21
Buatlah model regresinya, serta uji apakah residualnya berdistribusi
normal?

102
Langkah-langkah pengujian asumsi Klasik: Normalitas residual

 Buka File Contoh 9-1
 Analysis  Regression  Linear
 Masukkan variable Sales pada kotak dependent, variable Promosi dan
T.Kerja pada independent(s)
 Tekan tombol save dan centangin unstandardized residual
Sehingga diperoleh hasil olahan data regresi dan residual yang tersimpan sebagai
berikut:
Regression 9.1
Model Summary
Mode Adjusted R Std. Error of

l R R Square Square the Estimate
1 a
,986 ,971 ,968 2,160
a. Predictors: (Constant), T.Kerja, Promosi

103
ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 2684,487 2 1342,243 287,696 ,000b
Residual 79,313 17 4,665
Total 2763,800 19
a. Dependent Variable: Sales
b. Predictors: (Constant), T.Kerja, Promosi
Coefficientsa
1 (Constant) 5,428 2,017 2,691 ,015
Promosi 1,067 ,192 ,357 5,548 ,000
T.Kerja 1,227 ,115 ,684 10,627 ,000
Unstandardized Residual
Berdasarkan hasil olahan data di atas ternyata variabel promosi dan tenaga
kerja berpengaruh signifikan terhadap sales pada tingkat signifikansi kurang dari
satu persen, baik secara parsial (uji t) maupun secara serempak (uji F). Hasil
olahan data tersebut dapat dibuat persamaan regresi:
Sales = 5,428 + 1,067 Promosi + 1,227 T.Kerja ………………….(9.01)
Selanjutnya berdasarkan persamaan 9.01 dan data pada Tabel 9.1 dihitung
residualnya untuk diuji kenormalannya, dengan langkah-langkah:

104
 Analyze  Nonparametric Test  Legacy Dialogs 1-Sample K-S
 Masukkan variabel Unstandarized Residual ke kotak Test Variabel List

 OK
Hasil olahan data tampak sebagai berikut:

Unstandardized
Residual
N 20
Normal Mean ,00000
Parametersa,b Std. Deviation 2,043132
Negative -,111
Test Statistic ,111
Asymp. Sig. (2-tailed) ,200c,d
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

105
Hasil pengujian statistik dengan menggunakan SPSS ternyata residual

model pengaruh peromosi dan tenaga kerja terhadap sales berdistribusi normal.
Hal ini ditunjukkan nilai statistic Kolmogorev-Smirnov sebesar 0,111 dengan Sig
(2-tailed) sebesar 0,200 yang lebih besar dari 0,05. Oleh karena residual model
berdistribusi normal, maka model layak digunakan untuk analisis lebih lanjut.
9.3. Uji Autokorelasi atau Serial Korelasi

Untuk melacak adanya korelasi auto atau pengaruh data dari pengamatan
sebelumnya dalam suatu model regresi dilakukan uji autokorelasi. Jika suatu
model regresi mengandung gejala autokorelasi, maka prediksi yang dilakukan
dengan model tersebut akan tidak baik (bias), atau dapat memberikan hasil
prediksi yang menyimpang. Uji autokorelasi dapat dilakukan dengan beberapa
cara, namun sebagian besar program statistik menggunakan Uji Durbin-Watson
(DW-test) atau d statistik. Nilai d dihitung dengan rumus:
d=
 (e  e
t t 1 )2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . ………. . . (9.2)
e 2
i
Dimana :
D = Nilai d (Durbin-Watson) statistik
et = Variabel penganggu pada priode t
et-1 = Variabel penganggu pada satu periode sebelum
priode t
Dari hasil perhitungan nilai d statistik itu kemudian dibandingkan dengan

kriteria pengujian seperti berikut ini.
Ho = Tidak ada auto korelasi dalam model
Ha = Ada auto korelasi dalam model
n = 20; k’ = jumlah variabel bebas = 2; dL = 1,10 dU = 1,54
Jika : 1,54 < d < 2,46 Berarti tidak ada auto korelasi
1,10 > d > 2,90 Berarti ada auto korelasi
1,10  d  1,54 Berarti tidak ada keputusan atau
2,46  d  2,9 ragu-ragu

106
Langkah-langkah pengolahan data dengan SPSS:

 Masukkan variabel Sales pada kota dependent dan Promosi serta T,Kerja
pada kotak independent’s.
 Tekan tombol Statistics
 Centangin Durbin-Watson

107
Contoh 9.2
Berdasarkan Contoh 9.1 apabila dihitung DW dengan menggunakan SPSS
tampak sebagai berikut:
Model Summaryb
Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 ,986a ,971 ,968 2,15998 1,612
a. Predictors: (Constant), NAKER, PROMOSI
Dengan level of signifikan 5 persen, untuk n = 20 dan jumlah variabel

bebas (k) sebanyak 2, dL = 1,10 dan dU = 1,54. Dengan demikian d statistic
berada pada daerah tidak ada autokorelasi atau model regresi mengenai pengaruh
promosi dan tenaga kerja terhadap sales, yaitu Sales = 5,428 + 1,067 Promosi +
1,227 T.Kerja tidak mengandung gejala autokorelasi, sehingga layak dipakai untuk
memprediksi.
Metode Bruesch-Godfrey
Bruesch dan Godfrey mengembangkan uji autokorelasi yang lebih umum
berdasarkan kelemahan-kelemahan metode Durbin-Watson terutama dengan
kesimpulan tidak memberikan keputusan (ragu-ragu). Sebaliknya, pengujian
autokorelasi Bruesch dan Godfrey dikenal dengan uji Lagrange Multiplier (LM),
yang memberikan kesimpulan ada autokorelasi vs tidak ada autokorelasi. Untuk
memahami uji LM, misalkan kita mempunyai model regresi sederhana sbb:
Yt = α + βXt + εt ………………………………………………………….(9.3)
Sebenarnya kita bisa memasukkan lebih dari satu variabel independen,

namun untuk memudahkan kita menggunakan model regresi sederhana.
Diasumsikan model residualnya mengikuti model autoregresif dengan order p atau
disingkat AR (p) sebagai berikut:
et = ρ1et-1 + ρ2 et-2 + …….. ρ et-k + vt …………………………………(9.4)

108
dimana vt adalah residual.

Sebagaimana uji Durbin-Watson, maka hipotesis nul tidak adanya autokorelasi
yang dapat diformulasikan sbb:
H0: p1 = p2 = .... = pk =0 ………………………………………………..(9.5)
Jika kita menerima H0 maka dikatakan tidak ada autokorelasi dalam model.
Adapun prosedur uji dari LM adalah sbb:
1) estimasi persamaan (9.3) dengan metode OLS dan kita dapatkan residualnya.
2) melakukan regresi residual et dengan variabel independen Xt (jika ada lebih
dari satu variabel independen maka kita harus masukkan semua variabel
independen) dan lag dari residual et-1, et-2, ..... et-k. Langkah kedua ini dapat
ditulis sbb:
et = ρ1et-1 + ρ2 et-2 + …….. ρ et-k + vt ……………………….(9.6)
Kemudian dapatkan R2
3) Jika sampel adalah besar, menurut Breusch dan Godfrey maka model dalam
persamaan (9.6) akan mengikuti distribusi Chi-Squares dengan df sebanyak p.
Nilai hitung statistik Chi-Squares dapat dihitung dengan menggunakan formula
sbb:
(n) R2 =  p2 …………………………………………....…………...(9.7)
Nilai (n) R2 merupakan chi-squares (  2 ) hitung. Jika nilainya lebih besar

dari nilai kritis chi-squares pada derajat kepercayaan tertentu (α), maka menolak
hipotesis nul (H0), maka hal ini menunjukkan adanya masalah autokorelasi dalam
model. Sebaliknya jika nilai Chi-Squares hitung lebih kecil dari nilai kritisnya, maka
hipotesis nul diterima, atau model tidak mengandung unsur autokorelasi.
Meskipun demikian, pelacakan autokorelasi dengan metode LM yang
dikembangkan oleh Breusch-Godfrey memiliki kelemahan, yaitu dalam hal
menentukan panjangnya kelambanan (k) untuk variabel residual. Keputusan ada
tidaknya masalah autokorelasi sangat tergantung dari kelambanan yang dipilih.

109
Dapat dilakukan metode coba-coba (trial and errors) untuk menghindari masalah
autokorelasi. Untuk memilih panjangnya lag residual yang tepat kita bisa
menggunakan kriteria yang dikemukakan oleh Akaike dan Schwarz. Berdasarkan
kriteria ini, panjangnya lag yang dipilih adalah ketika nilai kriteria Akaike dan
Schwarz paling kecil.
Contoh 9.3
Data PDRB (Y = Rp triliyun) ekspor (X1 = Rp triliyun) dan tenaga kerja (X2 =
100.000 orang) di subuah provinsi selama tahun 1985-2006 adalah sebagai
berikut.
Tahun PDRB Ekspor Naker Tahun PDRB Ekspor Naker
1985 68 22 11 1996 156 65 15

1986 73 23 12 1997 169 70 16
1987 79 24 12 1998 179 82 16
1988 90 38 13 1999 182 78 17
1989 98 44 13 2000 193 83 17
1990 107 46 14 2001 199 87 16
1991 115 50 13 2002 204 91 17
1992 125 53 14 2003 211 96 18
1993 135 55 15 2004 205 103 18
1994 135 52 16 2005 216 98 19
1995 145 59 16 2006 240 100 19
Dari data di atas, apabila dibuat model regresi pengaruh ekspor dan tenaga
kerja terhadap PDRB, maka estimasi model regresinya nampak sebagai berikut:
Ŷt = -34,075 + 1,477 X1t + 5,870 X2t .......................................(9.8)
t = (-1,52) (7,093) (2,514)
Sig = (0,163) (0,000) (0,021)
R2 = 0,979 F = 451,363 Sig = 0,000 d = 1,255
Dengan n = 22; k’ = 2, pada tingkat signifikansi 5 persen dL = 1,15 dan dU =

1,54. Oleh karena d = 1,255, maka d terletak di wilayah antara dL dan dU atau
berada di wilayah keragu-raguan. Berhubungan dengan hal itu, selanjutnya
dilakukan pelacakan autokorelasi dengan uji Breusch-Godfrey, dengan hipotesis:

110
Ho = model tidak mengandung gejala autokorelasi

Ha = model mengandung gejala autokorelasi
Langkah awal dari pengujian Breusch-Godfrey adalah menyimpan residual

pada waktu meregres persamaan 9.3. Selanjutnya, residual yang diperoleh
dilambankan (lag) satu dan dua periode, seperti pada tabel berikut ini.
Dan seterusnya ........
Data seperti di atas selanjutnya dibuat regresi dengan persaaan:

et = α + β1X1 + β2X2 + β3et-1 + β4 et-2+ vt ……………………….(9.9)
Kemudian didapatkan R2 hasilnya sebagai berikut.

Model Summary

1 ,587a ,344 ,169 7,044
a. Predictors: (Constant), Res_2, Ekspor, Res_1, Tenaga Kerja
 2  (n  k ) R 2
= (22)*0,344
= 7,568
Olah karena Chi kuadrat hitung sebesar 7,568 yang lebih besar Chi kuadrat
tabel pada tingkat signifikan 0,05 dan derajat bebas 2, besarnya 5,991, maka
disimpulkan bahwa dalam model pengaruh ekspor dan tenaga kerja terhadap
PDRB mengandung gejala autokorelasi.

111
9.4. Uji Multikolinieritas

Uji multikolienieritas bertujuan untuk menguji apakah pada model regresi
ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik
seharusnya tidak terjadi korelasi diantara variabel bebas atau bebas dari gejala
multikolinier. Jika suatu model regresi yang mengandung gejala multikolinier
dipaksakan untuk digunakan, maka akan memberikan hasil prediksi yang
menyimpang. Untuk mendeteksi ada atau tidaknya korelasi antar sesama variabel
bebas dapat dilihat dari nilai tolerance dan nilai variance inflation factor (VIF). Jika
nilai tolerance lebih dari 10 persen atau VIF kurang dari 10, maka dikatakan tidak
ada multikolinieritas. Adanya gejala multikolinier sering diindikasikan oleh R2 yang
sangat besar atau uji F yang signifikant, tetapi variabel bebas sedikit atau mungkin
juga tidak ada yang signifikan.jika diuji melalui uji parsial (t).
Langkah-langkah pengolahan data dengan SPSS:

 Masukkan variabel Sales pada kota dependent dan Promosi serta T,Kerja
pada kotak independent’s (lihat ketika menguji Autokoralasi)
 Tekan tombol Statistics  Centangin Collinearity diagnostics
Contoh 9.4
Berdasarkan hasil olahan data terhadap Contoh 9.1, ternyata koefisien
tolerance lebih besar dari 0,10 dan VIF lebih kecil dari 10. Hal ini berarti bahwa
model regresi pengaruh promosi dan tenaga kerja terhadap sales yang dibuat tidak
terdapat gejala multikolinier, sehingga model tersebut layak digunakan untuk
memprediksi.

112
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
1 Promosi .408 2.454
T.Kerja .408 2.454
9.5. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi
terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah yang tidak mengandung
gejala heteroskedastisitas atau mempunyai varians yang homogen. Jika suatu
model regresi yang mengandung gejala heteroskedastis akan memberikan hasil
prediksi yang menyimpang. Banyak metode untuk menditeksi adanya gejala
heteroskedastis, tetapi dalam buku ini untuk mendeteksi ada atau tidaknya
heteroskedastisitas dilakukan dengan uji Glejser dan metode Park.
a. Metode Glejser
Metode ini adalah meregres variabel bebas terhadap absolut residual.
Namun untuk melakukan hal itu harus dihitung residualnya melalui regresi dengan
formula:
Yi = α + β1X1 + ……….. βkXk + ei ..................................................(9.10)
Setelah residual diperoleh kemudian diabsolutkan dan diregresikan dengan
formulasi:
| ei | = α + β1X1 + ……….. βkXk + υi .................................................(9.11)
Jika variabel bebas yang dianalisis tidak mempunyai pengaruh signifikan terhadap
residual absolut | ei |, berarti model regresi yang dianalisis tidak mengandung
gejala heterosskedastis.

113
Contoh 9.5
Apabila data pada Contoh 9.1 diuji adanya gejala heteroskedastis dengan
menggunakan metode Glejser hasilnya nampak sebagai berikut.
Regression
ANOVAb
Sum of
1 Regression ,749 2 ,374 ,194 ,826a
Residual 32,889 17 1,935
Total 33,637 19
a. Predictors: (Constant), T.Kerja, Promosi
b. Dependent Variable: ABRES
Coefficientsa
1 (Constant) 1,063 1,299 ,819 ,424
Promosi ,041 ,124 ,123 ,328 ,747
T.Kerja ,006 ,074 ,032 ,085 ,934
a. Dependent Variable: ABRES
Berdasarkan olahan data dengan SPSS terlihat bahwa tidak ada pengaruh
variabel bebas promosi dan tenaga kerja terhadap absolut residual (ABRES), baik
secara serempak maupun secara parsial. Dengan demikian model regresi promosi
dan tenaga kerja terhadap sales yang dibuat, yaitu Sales = 5,428 + 1,067 Promosi
+ 1,227 T.Kerja tidak mengandung gejala heteroskedastis, sehingga layak
digunakan untuk memprediksi.
b. Metode Park
Metode ini menganggap bahwa varians (s2) merupakan fungsi variabel
bebas, yang dapat dinyatakan dalam persamaan :
σ2i = α Xi β …………………………………………………………….(9.12)

114
Persamaan ini dapat ditransformasikan dalam persamaan logaritma, sehingga

menjadi :
Ln σ2i = α + β1 Ln X1i + .... βk Ln Xki + vi ......................................(9.13)
Selanjutnya σ2i ditaksir dengan menggunakan residual µ, sehingga persamaan
menjadi :
Ln µ 2i = α + β1 Ln X1i + .... βk Ln Xki + vi.......................................(9.14)
Contoh 9.6
Berdasarkan hasil olahan data dengan SPSS yang ditampilkan pada kotak
berikut.
Regression
Model Summary

1 .235a .055 -.056 2.68678
a. Predictors: (Constant), LNX2, LNX1
ANOVAb
Sum of
1 Regression 7.204 2 3.602 .499 .616a
Residual 122.719 17 7.219
Total 129.923 19
a. Predictors: (Constant), LNX2, LNX1
b. Dependent Variable: LNKUARES
Coefficientsa
1 (Constant) -3.373 8.770 -.385 .705
LNX1 .988 1.756 .204 .563 .581
LNX2 .385 3.463 .040 .111 .913
a. Dependent Variable: LNKUARES

115
Berdasarkan hasil olahan data dengan SPSS dapat diketahui bahwa tidak
terdapat variabel bebas yang berpengaruh signifikan terhadap residual kuadrat.
Hal ini berarti bahwa dengan menggunakan metode Park maka model regresi
tentang pengaruh promosi dan tenaga kerja terhadap sales, yaitu Sales = 5,428 +
1,067 Promosi + 1,227 T.Kerja tidak mengandung gejala heteroskedastis.
Catatan: Program EViews memberikan cara yang lebih sederhana, ringkas, serta
tampilan yang lebih menarik untuk mengolah model regresi, serta
melakukan pengujian asumsi klasik.
Soal-soal Latihan
9.1. Data berikut ini adalah nilai investasi, tenaga kerja dan PDRB Provinsi Mekar
Jaya selama tahun 1986 – 2005.
Tahun Investasi* T.Kerja PDRB * Tahun Investasi* T.Kerja PDRB *
(Rp Milyar) (Ribu orang) (Rp Milyar) (Rp Milyar) (Ribu orang) (Rp Milyar)
1986 13 13 73 1996 40 16 164
1987 13 13 79 1997 36 17 174
1988 14 13 86 1998 31 16 167
1989 15 13 94 1999 24 16 168
1990 17 14 102 2000 25 17 173
1991 20 14 111 2001 25 17 179
1992 23 15 121 2002 25 17 184
1993 27 15 131 2003 26 18 191
1994 30 15 141 2004 28 18 200
1995 33 16 152 2005 28 19 211
Keterangan: * Berdasarkan harga konstan tahun 2000
Berdasarkan data tersebut, olah data untuk membuat model regresi, beserta
laporannya (tiru halaman 79 - 80), dan uji apakah model yang dibuat
melanggar asumsi klasik?
9.2 Di bawah ini adalah hasil olahan data mengenai pengaruh PDB dan suku
bunga terhadap uang beredar pada suatu negara selama 18 tahun
pengamatan. Ujilah apakah model yang dibuat mengandung gejala
autokorelasi ?

116
Model Summaryb
Std. Error
Adjusted R of the Durbin-
Model R R Square Square Estimate Watson
a
1 ,990 ,981 ,979 ,15298 1,459
a. Predictors: (Constant), GDP, SB
b. Dependent Variable: M1
9.3. Hasil olahan data berikut ini menunjukkan pengaruh modal, tenaga kerja, dan
luas tanah terhadap produksi usahatani bawang merah dari 36 sampel
petani. Berdasarkan hasil olahan data di bawah ini: a) Buat persamaan
regresinya, b) Laporkan hasil regresinya, dan c) Uji apakah model regresi
yang dibuat mengadung gejala autokorelasi dan multikolinier?
Model Summaryb
Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 ,968a ,938 ,932 254,39834 ,690
a. Predictors: (Constant), Luas Tanah, Modal, Jam Kerja
b. Dependent Variable: Produksi
ANOVAb
Sum of
1 Regression 31303698 3 10434566,16 161,230 ,000a
Residual 2070992 32 64718,515
Total 33374691 35
a. Predictors: (Constant), Luas Tanah, Modal, Jam Kerja
b. Dependent Variable: Produksi
a
Coefficients
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -774,464 121,983 -6,349 ,000
Jam Kerja 1,552 ,698 ,405 2,224 ,033 ,058 17,132
Modal ,893 ,404 ,308 2,209 ,034 ,099 10,056
Luas Tanah 21,523 10,173 ,277 2,116 ,042 ,113 8,823
a. Dependent Variable: Produksi

117
9.4. Hasil olahan data di bawah ini adalah model regresi pengaruh tingkat
perputaran kas (TPK), pengelolaan hutang (SM), dan load deposit ratio (LDR)
terhadap residual absolut (Abres). Abres sendiri merupakan residual absolute
dari model regresi pengaruh tingkat perputaran kas (TPK), pengelolaan
hutang (SM), dan load deposit ratio (LDR) terhadap rentabilitas ekonomis
(RE) ditunjukkan pada lampiran.
Regression
Model Summaryb

1 ,173a ,030 -,008 1,95231
a. Predictors: (Constant), Loan Doposit Ratio,
Pengelolaan utang, Tingkat Perputaran Kas
b. Dependent Variable: Abres
ANOVAb
Sum of
1 Regression 8,897 3 2,966 ,778 ,510a
Residual 289,675 76 3,812
Total 298,573 79
a. Predictors: (Constant), Loan Doposit Ratio, Pengelolaan utang, Tingkat Perputaran
Kas
b. Dependent Variable: Abres
Coefficientsa
1 (Constant) 1,957 ,891 2,197 ,031
Tingkat Perputaran Kas ,173 ,267 ,091 ,647 ,520
Pengelolaan utang -,081 ,053 -,195 -1,517 ,133
Loan Doposit Ratio ,003 ,014 ,025 ,196 ,845
a. Dependent Variable: Abres
Berdasarkan lampiran tersebut analisislah apakah pada model regresi

pengaruh tingkat perputaran kas (TPK), pengelolaan hutang (SM), dan load
deposit ratio (LDR) terhadap rentabilitas ekonomis (RE) terdapat gejala
heteroskedastis? ------------------

119
REGRESI DENGAN VARIABEL

10 BEBAS DATA KUALITATIF
10.1. Pengantar
Regresi tidak saja dapat menganalisis data yang kuantitatif yang sudah
banyak dibicarakan, juga dapat digunakan menganalisis data kuantitatif pada
variabel bebasnya, misalnya jenis kelamin, agama, tingkat pendidikan, perangai
salesman, sukses-gagal, dsb. Seperti telah diketahui bahwa data kualitatif
umumnya mempunyai skala nominal, jika hanya terdiri dari dua kategori, maka
untuk mengkuantitatifkannya dibuat variabel buatan yang umum disebut "variabel
dummy" atau variable simbol, misalnya dengan memberikan nilai 1 misalnya untuk
jenis kelamin pria dan 0 untuk wanita. Nama lain variabel ini disebut juga variabel
binomial (binary variable) atau variabel dikotomi. Variabel dummy dapat dipasang
sebagai variabel bebas maupun variabel terikat. Pada bab ini dibahas variabel
dummy untuk variabel bebas.
10.2. Variabel Bebas Dummy Untuk Menguji Intersep (Beda Rata-rata)

Variabel dummy dapat dioperasikan ke dalam persamaan regresi semudah
variabel kuantitatif lainnya. Misalnya, tingkat pendapatan guru selain merupakan
fungsi dari masa kerja juga dipengaruhi oleh variabel jenis kelamin. Dengan
memasukkan variabel dummy ke dalam persamaan regresi sebagai proxy
(cerminan) dari jenis kelamin, akan dapat diketahui secara sekaligus pengaruh
masa kerja dan jenis kelamin. Dengan kata lain variabel dummy akan dapat
membantu mengetahui ada atau tidaknya perbedaan rata-rata variabel terikat,
yaitu tingkat pendapatan menurut jenis kelamin. Modelnya dapat dirancang sbb:
Yi =  + 1 XI + 2 Di + εi…..…………………............................(10.1)
dimana : Yi = gaji guru

XI = masa kerja
Di = jenis kelamin 1 = pria; dan 0 = wanita

120
Koefisien regresi dari dummy, yaitu 2 pada persamaan 10.1 menunjukkan

perbedaan rata-rata gaji guru pria dan wanita. Jika 2 positif, berarti gaji guru pria
(D = 1) rata-rata lebih tinggi daripada guru wanita (D = 0), sebaliknya jika 2
negatif, berarti gaji guru pria rata-rata lebih rendah daripada guru wanita.
Apabila variabel dummy tidak dimasukkan, maka ditemukan dua persamaan
regresi pengaruh pendapatan menurut masa kerja, yaitu yang pertama untuk guru
dengan jenis kelamin pria, dan kedua dengan jenis kelamin wanita sebagai berikut.
YWanita = 1 + Xi ……………………….…………………(10.2)
YPria = (1 + 2) + Xi ……………………….………….(10.3)
Dalam hal ini diasumsikan bahwa gaji guru pria dan guru wanita mempunyai
kemiringan () yang sama, tetapi intersepnya yang berbeda. Dengan kata lain
bahwa pengaruh masa kerja terhadap besarnya gaji adalah sama antara guru pria
dan wanita, tetapi guru pria gajinya pengalaman masa lalu lebih banyak dari pada
guru wanita karena guru pria memperoleh tambahan tanggungan keluarga.
Apabila digambarkan hal ini tampak pada Gambar 10.1.
Gambar 10.1.
Contoh 10.1.
Dua puluh orang guru pada suatu tempat, diteliti mengenai jumlah gaji yang
diterima berdasarkan masa kerja dan jenis kelaminnya. Datanya sebagai berikut:
120
121
Guru Wanita Guru Pria

Gaji Ms. Kerja Dummy Gaji Ms. Kerja Dummy
Guru Guru
(Rp 1000) (tahun) Kelamin (Rp 1000) (tahun) Kelamin
1 445 5 0 11 465 4 1
2 462 6 0 12 515 6 1
3 496 7 0 13 560 8 1
4 511 8 0 14 555 8 1
5 551 9 0 15 585 9 1
6 592 10 0 16 610 10 1
7 625 11 0 17 630 11 1
8 628 12 0 18 650 12 1
9 645 14 0 19 700 14 1
10 735 18 0 20 785 18 1
Dimana: 0 = wanita dan 1 = pria
Data di atas jika diolah dengan SPSS hasilnya sebagai berikut:
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 ,991a ,982 ,979 13,155
a. Predictors: (Constant), Jenis Kelamin, Masa Kerja
ANOVAa
Sum of Mean
1 Regression 78380,80
156761,614 2 452,893 ,000b
7
Residual 2942,136 17 173,067
Total 159703,750 19
a. Dependent Variable: Gaji
b. Predictors: (Constant), Jenis Kelamin, Masa Kerja
Coefficientsa
1 (Constant) 339,909 8,822 38,532 ,000

Masa Kerja 22,909 ,778 ,969 29,450 ,000
Jenis Kelamin 36,500 5,883 ,204 6,204 ,000

122
Apabila hasil olahan data itu dibuat persamaan regresi pengaruh masa kerja
dan jenis kelamin terhadap gaji guru, maka persamaan regresinya adalah:
= 339,9 + 22,9 Xi + 36,5 Di ……(10.4)
Ŷi
Sb = (0,78) (5,88)
t = (29,45) (6,20)
Sig = (0,000) (0,000)
R2 = 0,982 F = 443,79 Sig = 0,000
Dari persamaan di atas, pertama dapat dilihat bahwa semua variabel bebas,
yaitu masa kerja guru dan dummy jenis kelamin berpengaruh nyata secara
simultan terhadap gaji guru, dengan probabilitas dari F hitung sebesar 0,000 atau
kurang dari 1 persen.
Koefisien determinasi atau R2 = 0,982 memiliki arti bahwa 98,2 persen
variasi dari gaji guru mampu dijelaskan oleh variasi masa kerja dan jenis kelamin,
sedangkan sisanya hanya 1,8 persen dipengaruhi oleh factor lain yang tidak
dimasukkan dalam model.
Secara parsial, variabel bebas, yaitu masa kerja guru dan dummy jenis
kelamin berpengaruh nyata terhadap gaji guru, dengan probabilitas penolakan
terhadap Ho sebesar 0,000 atau kurang dari satu persen.
Koefisien regresi variable masa kerja sebesar 22,9 mempunyai arti bahwa
jika masa kerja meningkat 1 tahun, maka gaji guru meningkat rata-rata Rp 22,9
ribu, dengan asumsi variable lainnya konstan. Koefisien dari variabel dummy
sebesar 36,5 mempunyai arti bahwa guru pria (D=1) mempunyai gaji rata-rata
lebih tinggi Rp 36,5 ribu dibandingkan dengan guru wanita (D=0).
Berdasarkan persamaan regresi 10.4 dapat diperoleh persamaan regresi
gaji guru wanita dengan mensubstitusikan (D = 0) sehingga menjadi:
Ŷi = 339,9 + 22,9 Xi + 36,5 (0)
Ŷi = 339,9 + 22,9 Xi …………………………(10.5)
Demikian juga untuk persamaan regresi gaji guru pria dengan mensubstitusikan D
= 1, sehingga menjadi:
122
123
Ŷi = 339,9 + 22,9 Xi + 36,5 (1)

= (339,9 + 36,5) + 22,9 Xi
Ŷi = 376,4 + 22,9 Xi …………….(10.6)
Dengan demikian perbedaan intersep persamaan regresi gaji guru pria dan
wanita, yaitu 376,4 – 339,9 = 36,5 merupakan selisih rata-rata gaji guru pria dan
wanita.
10.3. Variabel Dummy Untuk Menguji Kesamaan Persamaan Regresi

Untuk menguji mengenai kesamaan persamaan regresi apabila
pengamatannya ditambah, hal ini dapat dilakukan dengan digunakan variabel
dummy. Dua persamaan regresi kemungkinan memiliki intersep atau koefisien
regresi yang sama atau berbeda, dapat diilustrasikan pada Gambar 10.2.
Gambar 10.2.

124
Pada Gambar 10.2 dapat dilihat bahwa persamaan regresi intersep dan
koefisiennya sama, sehingga grafiknya berimpitan (gambar a). Intersepnya
berbeda, tetapi koefisiennya berbeda sehingga grafiknya sejajar (gambar b).
Intersepnya sama tetapi koefisiennya berbeda (gambar c), serta intersep dan
koefisiennya berbeda (gambar d) .
Apabila menguji kestabilan koefisien regresi pengaruh pendapatan terhadap
pengeluaran konsumsi rumah tangga pada dua periode waktu yang berbeda
digunakan model sebagai berikut:
Yt = o + 1 Xt + 2Dt + 3 (Dt Pt) + εt ..……………………(10.7)
Dari persamaan (10.7) akan dapat disimpulkan bahwa apabila 1 adalah

signifikan berarti intersep persamaan regresi yang dibandingkan adalah berbeda.
Dan apabila 3 asignifikan, berarti bahwa koefisien regresi yang dibandingkan
adalah berbeda atau tidak stabil dengan adanya perbedaan nilai D.
Contoh 10.2.
Data berikut ini adalah jumlah konsumsi dan pendapatan nasional suatu
negara dari tahun 1981 –2000 dalam triliyun rupiah.
Periode 1981-1990 Periode 1991-2000
Konsumsi Pendapatan Dummy Konsumsi Pendapatan Dummy
Tahun Dt Xt Tahun Dt Xt
(Yt) (Xt) (Dt) (Yt) (Xt) (Dt)
1981 720 880 0 0 1991 1095 1670 1 1670
1982 730 940 0 0 1992 1130 1770 1 1770
1983 820 1000 0 0 1993 1160 1860 1 1860
1984 860 1060 0 0 1994 1210 1970 1 1970
1985 890 1100 0 0 1995 1230 2110 1 2110
1986 978 1190 0 0 1996 1290 2280 1 2280
1987 1029 1270 0 0 1997 1310 2390 1 2390
1988 1000 1350 0 0 1998 1360 2520 1 2520
1989 1007 1430 0 0 1999 1380 2610 1 2610
1990 1091 1550 0 0 2000 1450 2850 1 2850
Dengan menggunakan paket SPSS, hasil olahan adalah sebagai berikut:
124
125
Model Summary
R Adjusted R Std. Error of
Model R Square Square the Estimate
1 ,991a ,982 ,979 13,155
a. Predictors: (Constant), Dummy Kelamin, Masa Kerja
ANOVAa
Sum of Mean
1 Regression 156761,61
2 78380,807 452,893 ,000b
4
Residual 2942,136 17 173,067
Total 159703,75
19
0
b. Predictors: (Constant), Dummy Kelamin, Masa Kerja
Coefficientsa
Standardize
Unstandardized d
1 (Constant) 339,909 8,822 38,532 ,000
Masa Kerja 22,909 ,778 ,969 29,450 ,000
Dummy Kelamin 36,500 5,883 ,204 6,204 ,000
Berdasarkan hasil olahan data dapat disajikan dalam bentuk persamaan

regresi sebagai berikut:
Ŷt = 261,01 + 347,92 Dt + 0,553 Xt - 0,257 DtXt ...(10.8)

Sb = (55,507) (80,60) (0,046) (0,053)
T = (4,703) (4,317) (11,920) (-4,828)
Sig = (0,000) (0,000) (0,001) (0,000)
2
R = 0,983 F = 305,461 Sig = 0,000
Di mana :
Y = Tingkat konsumsi
X = Tingkat pendapatan
D = 0= periode tahun 1981-1990
= 1= periode tahun 1991-2000

126
Tampilan di atas dapat dilihat bahwa semua variabel, yaitu variabel dummy
periode waktu, variabel pendapatan dan interaksi dummy periode dan pendapatan
berpengaruh nyata pada tingkat signifikansi kurang dari 5 persen terhadap tingkat
konsumsi. Intersep (1) sebesar 261,01 dengan signifikansi sebesar 0,000 berarti
terdapat perbedaan intersep fungsi regresi konsumsi secara signifikan antara
periode 1981-1990 dan periode 1991-2000. Demikian juga 3 dengan koefisien
sebesar -0,257 dengan signifikansi 0,000. Hal ini mengindikasikan adanya
perbedaan koefisien fungsi konsumsi (MPC) antara dua periode waktu tersebut.
Untuk periode 1991-2000, yaitu dengan D = 1, MPC sebesar 0,257 lebih kecil
dibandingkan dengan periode 1981-1990. Dari persamaan regresi di atas, dapat
diperoleh persamaan regresi (fungsi konsumsi) masing-masing periode sebagai
berikut:
Ŷ (81-90)i = 261,06 + 0,553 Xt ......……………(10.9)
Ŷ (91-00)i = (261,06 + 347,92) + (0,553 - 0,257) Xt
= 608,98 + 0,296 Xt ......................(10.10)
Dengan demikian, maka dapat dilihat bahwa intersep fungsi konsumsi

pada priode 1981-1990 lebih kecil dibandingkan dengan periode 1991-2000,
namun, slope fungsi konsumsinya mengecil, seperti Gambar 10.3.
Gambar 10.3. Perubahan intersept dan Koefisien Regresi
126
127
Gambar 10.3 dapat dilihat bahwa intersep fungsi konsumsi pada priode
1981-1990 lebih kecil dibandingkan dengan periode 1991-2000, yaitu 261,06
berbanding dengan 608,98.pada priode 1981-1990, sedangkan koefisien
regresinya lebih besar dibandingkan dengan periode 1991-2000, yaitu 0,553
berbanding dengan 0,296.
Contoh 10.3
Apabila dari contoh 10.1 mengenai pengaruh masa kerja dan jenis kelamin
terhadap gaji guru diuji perbedaan koefisien regresinya. Hasil olahan data dengan
SPSS menunjukkan hasil sebagai berikut:
Coefficientsa
1 (Constant) 261,059 55,507 4,703 ,000
Pendapatan ,553 ,046 1,571 11,920 ,000
Dummy Waktu 347,916 80,596 ,830 4,317 ,001
Interaksi Pendapatan Waktu -,257 ,053 -1,390 -4,828 ,000
a. Dependent Variable: Konsumsi
Hasil olahan data SPSS di atas dapat ditransformasi menjadi persamaan:
Ŷi = 339,93 + 22,91 Xi + 36,46 Di - 0,004 DiXi …(10.11)

Sb = (12,24) (1,146) (17,15) (1,604)
t = (27,78) (19,988) (2,126) (0,002)
Sig = (0,000) (0,000) (0,049) (0,998)
2
R = 0,983 F = 305,461 Sig = 0,000
Dari persamaan di atas dapat dilihat bahwa intersep sebesar 339,93

dengan sigifikansi sebesar 0,000. Hal ini berarti intersep persamaan regresi gaji
guru berbeda nyata. Di pihak lain, koefisien interaksi antara variabel dummy jenis
kelamin dan variabel gaji (3) sebesar 0,004, dengan signifikansi sebesar 0,998,
sama sekali tidak berbeda nyata. Hal ini berarti bahwa koefisien regresi gaji guru
laki dan wanita tidak berbeda nyata alias sama.

128
Soal-soal Latihan:
10.1. Sebanyak 24 orang karyawan hotel diteliti mengenai jumlah tabungan pada
akhir tahun dan gajinya selama setahun yang dikelompokkan menurut
bidang pekerjaaanya, yaitu bidang keuangan dan bidang lainnya. Datanya
ditampilkan pada tabel berikut ini.
Tabungan Gaji Bidang Tabungan Gaji Bidang
Sampel Sampel
(Rp juta) (Rjuta) Pekerjaan (Rp juta) (Rjuta) Pekerjaan
1 57 212 0 13 98 286 1
2 49 181 0 14 38 153 0
3 48 211 0 15 42 165 0
4 77 241 1 16 85 272 1
5 45 178 0 17 41 159 0
6 36 140 0 18 53 198 0
7 65 187 1 19 90 242 1
8 99 186 1 20 84 233 1
9 46 186 0 21 55 199 0
10 69 205 1 22 60 214 0
11 61 226 1 23 72 240 1
12 36 132 0 24 37 154 0
Keterangan: Pekerjaan 0 = bukan bidang keuangan 1 = bidang keuangan
Tugas:
a. Buatlah persamaan regresi bahwa tabungan dipengaruhi oleh gaji dan
bidang pekerjaan, serta buat laporan regresinya (tiru halaman 83 - 84)
b. Buat persamaan regresi masing-masing untuk karyawan yang bekerja
bukan bidang keuangan, dan yang bekerja pada bidang keuangan.
c. Prediksi jumlah tabungan yang dimiliki karyawan jika gajinya sebesar Rp
200 juta, dan bekerja pada bidang keuangan.
10.2. Pemakaian daya listrik (KWH) pada rumah kos diduga dipengaruhi oleh
jumlah kamar (unit), tingkat hunian kamar (persen), dan sumber air minum
(dummy 1 = PAM; 0 = sumur pompa). Penelitian berkaitan dengan
pemakaian daya listrik tersebut dilakukan terhadap 30 sampel rumah kos
pada suatu wilayah di Denpasar Selatan. Hasil olahan data disajikan pada
Lampiran soal 10.2.
128
129
Dependent Variable: LISTRIK (Y)

Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.

C 186.469 162.335
KAMAR (X1) 22.261 5.899 ?
HUNIAN (X2) 2.739 1.271 ?
AIR MINUM (X3) -109.030 49.226 ?
R-squared 0.613 S.E. of regression 107.8530

Adjusted R-squared 0.568 F-statistic ?
Berdasarkan Lampiran soal 10.2:

a. Tampilkan persamaan (model) regresi secara lengkap (tiru halaman 84)
b. Hitung nilai F, dan lakukan uji F apakah model yang dibuat sudah fit, dan
interpretasikan R2.
c. Hitung nilai t, dan lakukan uji individual (uji t), apakah masing-masing
variabel bebas berpengaruh terhadap variabel terikat, dalam hal ini
jumlah pemakaian daya listrik.
d. Interpretasikan koefisien regresinya.
e. Prediksi jumlah pemakaian listrik dalam KWH, jika diketahui jumlah
kamar sebanyak 30 unit, tingkat hunian kamar adalah 75 persen, dan
sumber air minum berasal dari PAM.
10.3. Hasil penjualan (sales) pada PT Tikon diduga dipengaruhi oleh jumlah Naker
(salesmen), promosi dan kondisi ekonomi, seperti yang ditunjukkan oleh hasil
olahan data sebagai berikut:
Model Summary

1 .958a .918 .896 252.0150
a. Predictors: (Constant), DUMMY, NAKER, PROMOSI

130
ANOVAb
Sum of
1 Regression 7821373 3 2607124.230 41.050 .000a
Residual 698627.3 11 63511.574
Total 8520000 14
a. Predictors: (Constant), DUMMY, NAKER, PROMOSI
Coefficientsa
Standardi
zed
Coefficients ts
1 (Constant) 1748.142 486.274 3.595 .004
NAKER 62.248 27.024 .299 2.303 .042
PROMOSI 8.922 4.011 .351 2.225 .048
DUMMY 608.696 222.870 .403 2.731 .020
a. Dependent Variable: SALES
Keterangan : Penjualan = Ribuan rupiah

Naker = Orang
Promosi = Ribuan rupiah
Dummy = 0 = 1989 – 1997 dan 1 = 1998 – 2003
Tugas:
a. Buatlah persamaan penjualan untuk tahun 1989 – 2003, dan bahas
hasilnya (dengan standar Gujarati halaman 83 - 84).
b. Buatlah persamaan penjualan masing-masing untuk tahun 1989 –
1997 dan 1998 – 2003, dan bahas hasilnya.
10.4. Pengaruh Ekspor (X) Daerah Bali, dummy waktu (D) dan interaksi keduanya
(DX) terhadap PDRB (Y) daerah Bali ditunjukkan pada lampiran berikut ini.
Model Summary

1 ,992a ,983 ,979 250,34055
a. Predictors: (Constant), DX, X, D
130
131
ANOVAb
Sum of
1 Regression 47725199 3 15908399,60 253,842 ,000a
Residual 814715,1 13 62670,391
Total 48539914 16
a. Predictors: (Constant), DX, X, D
b. Dependent Variable: Y
Coefficientsa
1 (Constant) -435,579 690,826 -,631 ,539
X 2,854 ,494 1,227 5,774 ,000
D 2401,875 799,557 ,700 3,004 ,010
DX -1,096 ,517 -,867 -2,119 ,054
a. Dependent Variable: Y
Dimana :
PDRB Bali (Rp juta)
Ekspor Bali (Rp juta)
Variabel dummy: 0 = 1984-1990; 1 = 1991 – 2000
Tugas:
a. Buatlah laporan regresinya dan interpretasikan secara lengkap olahan
data tersebut (gunakan standar Gujarati, pada halaman 83 - 84)
b. Berdasarkan persamaan regresi yang dilaporkan pada soal (a) buatlah
masing-masing persamaan regresi untuk periode 1984 – 1990 dan 1991
– 2000.
-------------------

132
132
133

11 TERIKAT DATA KUALITATIF
11.1. Pengantar
Sebelumnya telah dibahas menggenai apalikasi data kualitatif sebagai
variabel bebas yang disebut variabel dummy. Pada kenyataannya banyak sekali
kasus data kualitatif yang dapat diterapkan pada variabel terikat. Misalnya
dikotomi kemampuan keluarga untuk memiliki sebuah rumah di kota yang
mungkin dipengaruhi tingkat pendapatan keluarga, jumlah anggota keluarga.
Seorang peneliti kesehatan tertarik untuk mengetahui bagaimana probabilitas
suatu serangan jantung dapat diperkirakan apabila diketahui pasien yang
mengidap tekanan jantung, tingkat kolestorol, kalori yang dikonsumsi dan gaya
hidup.
Bidang pemasaran dari telkom tertarik untuk mengetahui kemungkinan
suatu rumahtangga akan berlangganan suatu jaringan telpon apabila diketahui
tingkat pendapatan perkapita, tingkat pendidikan, pekerjaan, status perkawinan,
dan jumlah anak. Seorang auditor tertarik untuk mengetahui kemungkinan bahwa
sebuah perusahaan akan gagal apabila diketahui sejumlah ratio finansial dan
secala dan lain sebagainya.
Untuk melihat bagaimana model yang menggunakan variabel kualitatif
atau kategori terikat, khususnya dengan dua kategori (binary) dalam buku ini akan
dibahas dengan dua cara, yaitu pertama dengan regresi model probabilitas linier
(linear probability model = LPM) dan kedua dengan regresi model logistik binari
(binary logistics regression model).
11.2 Regresi Model Probabilitas Linier (LPM)

Dalam teknis analisis ini variabel terikat yang berupa kualitatif (kategori)
dianggap sebagai variabel dummy, yang mana dalam bentuk sederhananya dapat
ditunjukkan dalam model probabilitas linear (LPM) sbb:
^
Y i =  + X ...............…………………………….................... (11.1)

134
Keterangan : Y = 1 keluarga memiliki rumah; 0 = tidak memiliki rumah.

X = pendapatan keluarga
Dalam kasus tersebut E(Yi/Xi) menunjukkan probabilitas suatu keluarga

memiliki sebuah rumah apabila pendapatannya sebesar Xi. Variabel Y merupakan
variabel binomial sebagai syarat dari Xi, maka modelnya dapat dinyatakan:
E(Yi/Xi) = + X...............……………………….............(11.2)
Oleh karena E(Yi/Xi) merupakan suatu probabilitas, maka besarnya akan

minimal sama dengan nol dan maksimal sama dengan satu, atau dapat
dinyatakan:
0 ≤ E(Yi/Xi) ≤ 1…………………………………................(11.3)
Dalam menaksir agar Y minimal 0 dan maksimal 1 maka jumlah

pengamatan harus cukup banyak, yaitu sekitar 100 pengamatan. Apabila Y
yang ditaksir tidak memenuhi syarat tersebut, maka langkah pertama dapat
diasumsikan bahwa apabila Y lebih besar dari satu maka dianggap satu dan
apabila Y lebih kecil dari nol, maka dapat dianggap nol. Langkah kedua yang lebih
ilmiah adalah dengan menggunakan fungsi logistik atau logit model yang akan
dijelaskan pada bagian berikutnya.
Persamaan 11.1 di atas dapat dikembangkan dengan beberapa variabel
bebas, baik yang menggunakan variabel kategori (dummy) atau menggunakan
variabel kontinyu seperti yang telah dibahas dalam regresi berganda sebelumnya.
Sehingga persamaannya menjadi:
^
Y i = o + 1 X1 + 2 X2 , ……kXk ……………………………...(11.4)
Pengolahan data untuk LPM ini dapat digunakan metode kuadrat terkecil
biasa (ordinary least square = OLS), seperti yang telah banyak dibahas
sebelumnya.
134
135
Contoh 11.1.
Di bawah ini adalah data 24 Bank yang diambil secara random, diteliti
mengenai tingkat kinerjanya dengan kategori “bagus” dan “jelek” menurut skala
usaha (BS) serta kinerja keuangannya (FP), seperti Tabel 11.1.
Tabel 11.1. Kinerja Bank, Menurut Skala dan Kinerja Keuangannya (FP).
Kinerja “bagus” (B) Kinerja “jelek” (J)
No Y BS FP No Y BS FP
1 1 1 0,58 13 0 1 2,28
2 1 1 2,80 14 0 0 1,06
3 1 1 2,77 15 0 0 1,08
4 1 1 3,50 16 0 0 0,07
5 1 1 2,67 17 0 0 0,16
6 1 1 2,97 18 0 0 0,70
7 1 1 2,18 19 0 0 0,75
8 1 1 3,24 20 0 0 1,61
9 1 1 1,49 21 0 0 0,34
10 1 1 2,19 22 0 0 1,15
11 1 0 2,70 23 0 0 0,44
12 1 0 2,57 24 0 0 0,86
Keterangan: Kinerja Bank : 1 = “bagus”; 0 = “jelek”.
Skala Bank (BS) 1= besar: 0 = kecil
FP = Financial Performance (kinerja keuangan)
Olahan data Tabel 11.1. dengan menggunakan program SPSS adalah sbb:
Regression
Model Summary

1 ,830a ,690 ,660 ,29779
a. Predictors: (Constant), Kinerja Keuangan (FP), Skala
Bank (BS)
ANOVAb
Sum of
1 Regression 4,138 2 2,069 23,331 ,000a
Residual 1,862 21 ,089
Total 6,000 23
a. Predictors: (Constant), Kinerja Keuangan (FP), Skala Bank (BS)
b. Dependent Variable: Kinerja Bank

136
Coefficientsa
1 (Constant) -,076 ,115 -,662 ,515
Skala Bank (BS) ,448 ,162 ,447 2,770 ,011
Kinerja Keuangan (FP) ,221 ,077 ,466 2,887 ,009
a. Dependent Variable: Kinerja Bank
^
YI = -0,0759 + 0,448 BS + 0,221 FP ……(11.5)
Sb = (0,162) (0,077)
t = (2,770)** (2,887)**
Sig = (0,011) (0,009)
R2 = 0,69 F = 23,33 Sig = 0,000
Dimana :
Yi = Dummy tingkat kinerja= 1 = bagus; 0 = jelek
BSi = Dummy Skala usaha = 1 = besar; 0 = kecil
FP = Financial Performance
i = 1,2………n
Laporan Regresi LPM

Secara simultan variabel skala usaha dan FP berpengaruh nyata terhadap
kinerja Bank pada level of significant 1 persen, hal ini dapat dilihat dimana F hitung
= 23,33 sedangkan F tabel pada derajat bebas (2;21) adalah 5,85. Ini berarti
bahwa variabel skala usaha Bank dan kinerja keuangan Bank (FP) berpengaruh
secara serempak terhadap tingkat kinerja Bank. Nilai R2 = 0,69 memberikan
makna bahwa 69 persen variasi kinerja Bank dipengaruhi oleh variasi skala usaha
dan kinerja keuangan (FP), sedangkan sisanya 31 persen dipengaruhi oleh faktor
lain di luar model.
Dari persamaan 11.5 pada dapat dilihat bahwa variabel bebas BS dan FP
berpengaruh nyata terhadap kinerja Bank, masing-masing pada tingkat signifikansi
kurang dari 5 persen. Koefisien regresi skala usaha 4,88 berarti bahwa bank
berskala besar (1) mempunyai probabilitas berkinerja bagus 0,448 lebih besar
dibandingkan dengan bank dengan skala kecil (0), dengan anggapan faktor lainnya
136
137
konstan. Koefisien regresi FP sebesar 0,221 mempunyai arti bahwa apabila FP

naik satu satuan, maka probabilitas bank berkinerja bagus meningkat sebesar
0,221 dengan anggapan faktor lainnya konstan.
Dari persamaan 11.5 dapat dibuat taksiran probabilitas dari kinerja Bank
dengan memasukkan nilai variabel bebas skala usaha (BS) dan kinerja
keuangannya (FP) seperti pada Tabel 11.2.
Tabel 11.2. Taksiran Probabilitas Kinerja Bank Menurut Skala Bank (BS) dan
Kinerja Keuangan (FP)

YI BS FP* Ŷi Yi BS FP* Ŷi
1 1 0,58 0,5003 0 1 2,28 0,8760
1 1 2,80 0,9909 0 0 1,06 0,1584
1 1 2,77 0,9843 0 0 1,08 0,1628
1 1 3,50 1,1456 0 0 0,07 -0,0604
1 1 2,67 0,9622 0 0 0,16 -0,0405
1 1 2,97 1,0285 0 0 0,70 0,0788
1 1 2,18 0,8539 0 0 0,75 0,0899
1 1 3,24 1,0881 0 0 1,61 0,2799
1 1 1,49 0,7014 0 0 0,34 -0,0008
1 1 2,19 0,8561 0 0 1,15 0,1783
1 0 2,70 0,5208 0 0 0,44 0,0213
1 0 2,57 0,4921 0 0 0,86 0,1142
Hasil perkiraan kinerja dari Tabel 11.2 ini tentu tidak sesuai dengan asumsi
probabilitas yang besarnya minimal nol dan maksimal satu. Oleh karena itu apabila
taksiran probabilitas yang dihasilkan lebih besar dari satu dianggap satu,
sedangkan apabila lebih kecil dari nol dianggap nol. Agar hasilnya lebih
memuaskan, maka kelemahan itu dapat ditanggulangi dengan menambah sampel,
atau menggunakan regresi model logistik seperti yang akan dibahas selanjutnya.
11.2. Regresi Logistik

Regresi logistik merupakan model cumulative distribution function (CDF),
yang mampu menjamin nilai variable terikat (Y) terletak antara 0 dan 1 sesuai
dengan teori probabilitas. CDF memiliki dua sifat, yaitu:

138
1) jika variable bebas naik, maka P(Yi = 1|Xi) juga ikut naik, tetapi tidak pernah
melewati rentangan 0 – 1, dan
2) hubungan antara Pi dan Xi adalah non linear sehingga tingkat perubahannya
tidak sama, tetapi kenaikannya semakin besar, kemudian mengecil. Ketika
nilai probabilitasnya mendekati nol, maka tingkat penurunannya semakin kecil,
demikian juga sebaliknya ketika nilai probabilitasnya mendekati satu, maka
tingkat kenaikannya semakin kecil.
f(z)
1,0
1 1
f (  )  f ( ) 
1  e  (  ) 1  e ( )
1 1
 0  1
1  e  (  ) 1  e  ( )
0,5
 0 
 z 
Gambar 11.1 Cumulative Distribution Function (CDF)
Secara umum persamaan regresi logistik untuk k variabel terikat dapat ditulis sbb:
ln[odds(T/X1, X2 , ……Xk)] = o + 1 X1 + 2 X2 , ……kXk …..(11.5)
atau
 p 
ln  = o + 1 X1 + 2 X2 , ……kXk …………...….…....…(11.6)
1 p 
p
odds(T/ X1, X2 , ……Xk ) = ………………………...……...(11.7)
1 p
Pembahasan atau analisis dalam regresi logistik.

a. Menilai fit model
Fit model dalam analisis regresi logistik cukup dilihat dari Likelihood Ratio (LR)
Chi-Square statistic, dengan derajat bebas sebesar q, dimana q adalah jumlah
138
139
variabel dalam model. Namun pada program SPSS disamping LR dan R-

square, juga mengeluarkan output Hosmer and Lemeshow Test. Hosmer and
Lemeshow Test bertujuan untuk mengetahui apakah data fit atau sesuai
dengan model. Jika signifikansi nilai Chi-square dari Hosmer and Lemeshow
Test lebih besar atau sama dengan 0,05 berarti bahwa data fit atau sesuai
dengan model.
b. Menganalisis signifikansi estimasi parameter dan menginterpretasinya.

 Buka file Contoh 11.1 LPM-Logit
 Analyze  Regression  Binary Logistic
 Masukkan variabel Kinerja Bank pada kotak Dependent, dan variabel BS

dan FP pada Covariates
 Tekan tombol Option dan centangin Hosmer-Lemeshow goodness-of-fit 
 Continue  OK

140
Contoh 11.2.
Di bawah ini adalah data 24 Bank yang diambil secara random, diteliti
mengenai tingkat kinerjanya dengan kategori “bagus” dan “jelek” menurut skala
usaha (BS) serta kinerja keuangannya (FP), seperti Tabel 11.1. Berdasarkan
hasil olahan data:
a. buatlah persamaan regresi.
b. buat laporan regresi secara lengkap.
c. Dari sampel yang diambil, jika diketahui bahwa sampel tersebut
merupakan bank berskala besar, dan kinerja keuangannya (FP) sebesar
0,58, prediksi apakah bank tersebut tergolong berkinerja bagus ataukah
jelek ?
Hasil olahan data dengan SPSS nampak sebagai berikut

Logistic Regression
Omnibus Tests of Model Coefficients
Chi-square Df Sig.
Step 1 Step 21,482 2 ,000
Block 21,482 2 ,000
Model 21,482 2 ,000
Model Summary
-2 Log Cox & Snell R Nagelkerke
Step likelihood Square R Square
a
1 11,789 ,591 ,789
a. Estimation terminated at iteration number 6 because
parameter estimates changed by less than ,001.
Hosmer and Lemeshow Test

Step Chi-square df Sig.
1 10,450 8 ,235
Variables in the Equation

B S.E. Wald Df Sig. Exp(B)
a
Step 1 D 3,055 1,598 3,655 1 ,056 21,226
X 1,924 ,912 4,457 1 ,035 6,851
Constan
-4,445 1,843 5,816 1 ,016 ,012
t
a. Variable(s) entered on step 1: D, X.
140
141
Hasil olahan data jika menggunakan program EViews nampak sebagai berikut:
Dependent Variable: Y
Method: ML - Binary Logit
Variable Coefficient Std. Error z-Statistic Prob.
C -4.445 1.843 -2.412 0.016
BS 3.055 1.598 1.912 0.056
FP 1.924 0.912 2.111 0.035
LR statistic (2 df) 21.482 S.E. of regression 0.275
Probability(LR stat) 0.000 R-squared 0.645
a) Persamaan regresi
Hasil olahan data yang tertampil dapat disajikan dalam bentuk persamaan sbb:
pˆ
ln = -4,445 + 3,055 BS + 1,924 FP………………………….(11.8)
1  pˆ
Sb = (1,843) (1,598) (0,912)
t = (2,412) (1,912) (2,111)
Sig = (0,015) (0,055) (0,034)
2 = 21,482 (Sig. 0,000) R2 = 0,789
b) Laporan regresi
Secara serempak variabel bebas Skala dan FP berpengaruh nyata
terhadap kinerja Bank. Hal ini dapat dilihat dari hasil perhitungan 2 = 21,482 yang
lebih besar dibandingkan dengan nilai tabel 2 yang besarnya 5,991 pada derajat
bebas 2 pada level of significant 5 persen. Chi-square dari Hosmer and
Lemeshow Test sebesar 10,450 dengan signifikansi sebesar 0,235. Signifikansi
tersebut lebih besar dari 0,05. Hal ini berarti bahwa data fit atau sesuai dengan
model.
Dari hasil olahan data pada Contoh 11.2. juga dapat dilihat bahwa
Nagelkerke R2 sebesar 0,789 yang sama dengan koefisien determinasi pada
model regresi biasa. Hal ini berarti bahwa 78,9 persen variasi kinerja Bank
dipengaruhi oleh variasi variabel skala bank (BS) dan kinerja keuangan (FP),
sedangkan sisanya 21,1 persen dipengaruhi oleh variable lain di luar model.
Hasil olahan data juga dapat dilihat bahwa variabel bebas Skala Bank tidak
berpengaruh nyata terhadap kinerja Bank pada level of siginicant 5 persen pada uji

142
dua sisi, sedangkan kinerja keuangan (FP) berpengaruh nyata terhadap kinerja
Bank pada level of siginicant 5 persen.
Nilai t statistik dapat diperoleh dengan mengakarkan nilai Wald statistik
( t  WaldStatistik ). Nilai t tabel pada tingkat signifikasi 5 persen dengan pengujian
dua sisi dan pada derajat kebebasan 24 – 3 adalah sebesar  2,08. Nilai t tabel ini
lebih kecil dari hasil t hitung untuk variabel FP, namun lebih besar dari t hitung
variable Skala Bank. Dari persamaan 11.8 dapat ditransformasikan menjadi
persamaan 11.09 dan selanjutnya menjadi persamaan 11.10.
pˆ
ln = e(-4,445 + 3,055 SKALA + 1,924 FP) ………………....…. .(11.09)
1  pˆ
p̂ = 1/ {1 + e-(-4,445 + 3,055 SKALA + 1,924 FP)}…….…....…(11.11)
Koefisien regresi logistik variabel skala bank sebesar 3,055 dapat dihitung
probabilitasnya:
p̂ = 1/ {1 + e-(3,055 )}
= 1/(1+ 0,0471)
= 0,955
Angka itu dapat diinterpretasikan bahwa koefisien regresi logistik dari skala
bank sebesar 3,055 mempunyai arti bahwa untuk bank berskala besar (skala 1)
mempunyai probabilitasnya berkinerja bagus 0,955 lebih besar dibandingkan
dengan bank yang berskala kecil. Angka sebesar 0,955 juga dapat diperoleh dari
Exp(B)/(1+Exp(B)), yaitu 21,226/(1+21,226). Angka koefisien Exp(B) sebesar
21,226 memiliki arti, bahwa bank yang beskala besar memiliki peluang berkinerja
bagus 21,226 kali lebih besar dari bank berskala kecil.
Koefisien regresi logistik dari kinerja keuangan (FP) sebesar 1,924 dapat
dihitung probabilitas sebesar 0,873 (yang diperoleh dari 1/(1 + e-1,924), juga dapat
diperoleh dari nilai eksponensial (6,851/(1+6,851). Hal ini dapat diinterpretasikan
bahwa dengan meningkatnya kinerja keuangan sebesar satu satuan, maka
probabilitas bank berkinerja bagus meningkat sebesar 0,873, dengan asumsi
faktor lainnya konstan.
142
143
Hasil print out SPSS juga menampilkan validitas model, yaitu bahwa
ketepatan prediksi adalah 22 dari 24 pengamatan. Sehingga ketepatan model
yang dibuat adalah 22/24 atau 91,7 persen.
a
Classification Table
Predicted
Kinerja Bank Percentage

Observed Jelek Bagus Correct
Step 1 Kinerja Bank Jelek 11 1 91,7
Bagus 1 11 91,7
Overall Percentage 91,7
a. The cut value is ,500
c) Prediksi probabilitas kinerja bank

Dengan memasukkan nilai variabel bebas, yaitu bank berskala besar, dan
kinerja keuangannya (FP) sebesar 0,50, maka probabilitas kinerja bank dapat
diperkirakan:
p̂ = 1/ {1 + e- [- 4,445 + 3,055 (1) +1,924 (0,50)]
}
= 1/(1+1,3153)
= 0,432
Oleh karena taksiran probabilitas bank tersebut sebesar 0,432 yang kurang
dari 0,5, maka taksiran kinerja bank yang dianalisis adalah ”jelek”. Taksiran
probabilitas kinerja bank berdasarkan berbagai skala dan skor kenerja keuangan
(FP) secara lengkap disajikan pada Tabel 11.3.
Berdasarkan Tabel 11.3 dapat dilihat bahwa Bank nomor 1 sebelumnya
dinyatakan berkinerja ”bagus”, namun hasil prediksi ternyata berkinerja ”jelek”,
karena nilai probabilitasnya 0,4320 yang kurang dari 0,50. Demikian juga Bank
nomor 13 sebelumnya dinyatakan berkinerja ”jelek”, namun hasil prediksi ternyata
berkinerja ”bagus”. Hal ini disebabkan karena nilai probabilitasnya 0,9525 yang
lebih besar dari 0,50.

144
Tabel 11.3. Taksiran Probabilitas kinerja Bank menurut skala usaha dan kinerja
keuangan (FP)
^ ^
YI BS FP* Yi Group YI BS FP* Yi Group
1 1 0,58 0,4320 0 0 1 2,28 0,9525 1
1 1 2,80 0,9820 1 0 0 1,06 0,0828 0
1 1 2,77 0,9972 1 0 0 1,08 0,0858 0
1 1 3,50 0,9953 1 0 0 0,07 0,0133 0
1 1 2,67 0,9770 1 0 0 0,16 0,0157 0
1 1 2,97 0,9870 1 0 0 0,70 0,0432 0
1 1 2,18 0,9430 1 0 0 0,75 0,0474 0
1 1 3,24 0,9922 1 0 0 1,61 0,2066 0
1 1 1,49 0,8143 1 0 0 0,34 0,0221 0
1 1 2,19 0,9441 1 0 0 1,15 0,0970 0
1 0 2,70 0,6797 1 0 0 0,44 0,0266 0
1 0 2,57 0,6230 1 0 0 0,86 0,0579 0
Soal-soal Latihan
11.1. Suatu penelitian pada sebuah komplek perumahan dengan mengambil
sampel 30 orang, diperoleh data mengenai tipe rumah yang dimiliki (0 =
kecil, 1 = sedang), pendapatan dalam setahun (Rp jutaan), jumlah anggota
keluarga (orang), dan pendidikan kepala keluarga (dalam tahun sukses),
seperti di bawah ini.
Tipe Penda- Anggota Pendi- Tipe Penda- Anggota Pendi-
No. No.
Rumah patan RT dikan Rumah Patan RT Dikan
1 0 34 2 16 16 1 50 7 16
2 0 41 3 17 17 1 56 6 11
3 0 49 5 17 18 1 61 3 10
4 0 53 1 9 19 1 71 5 16
5 0 54 3 9 20 1 77 3 18
6 0 55 1 10 21 1 83 4 13
7 0 56 3 16 22 1 86 6 15
8 0 58 2 14 23 1 94 4 12
9 0 59 2 18 24 1 98 6 10
10 0 60 3 11 25 1 100 4 10
11 0 61 1 10 26 1 102 5 9
12 0 62 3 9 27 1 104 6 16
13 0 63 2 10 28 1 108 5 10
14 0 65 3 11 29 1 115 5 10
15 0 68 6 9 30 1 120 5 11
Keterangan: 0 = tipe kecil; 1 = tipe sedang
144
145
Tugas: Olah data di atas dengan regresi logistik, bahwa pemilikan rumah
dipengaruhi oleh pendapatan, jumlah anggota keluarga, dan
pendidikan kepala keluarga, serta buat laporan regresinya secara
lengkap (gunakan standar Gujarati, halaman 83 - 84).
11.2. Kinerja LPD diduga dipengaruhi oleh tingkat perputaran kas, efektifitas
pengelolaan hutang (SM) dan tingkat kredit yang disalurkan (LDR).
Sebanyak 70 LPD di Kabupaten Klungkung tahun 2013 diamati kinerjanya,
yang mana hasil olahan datanya dengan EViews nampak sebagai berikut:
Dependent Variable: Y
Method: ML - Binary Logit
Variable Coefficient Std. Error z-Statistic Prob.
C -3.906 1.076 -3.623 0.000
TPK 1.736 0.534 3.249 0.001
SM 0.011 0.025 0.439 0.660
LDR 0.028 0.014 2.024 0.043
LR statistic (3 df) 30.110 S.E. of regression 0.396
Probability(LR stat) 0,000 McFadden R-squared 0.310
Dimana:
Kinerja = kinerja LPD, 0 = jelek; 1 = bagus
TPK = tingkat perputaran kas LPD (1 kali)
SM = efektivitas pengelolaan hutang LPD (persen)
LDR = tingkat kredit yang disalurkan LPD (Persen)
Tugas: a. Buatlah model regresi, serta laporan regresinya secara lengkap.
b. Jika diobservasi sebuah LPD dengan TPK = 1,25 kali, SM = 10
persen, dan LDR 60 persen, prediksi apakah LPD tersebut
berkinerja jelek ataukah bagus.
11.3. Penerapan teknologi oleh petani padi yang diindikasikan dengan

pelaksanaan pemupukan berimbang di Kabupaten Jembrana diduga
dipengaruhi oleh beberapa faktor sosial ekonomi, yaitu: pendidikan,
pengalaman bertani, status tanah garapan, luas tanah garapan, dan
pendapatan. Hal ini ditunjukan oleh hasil olahan data sebagai berikut.

146
Logistic Regression
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 166,686 5 ,000
Block 166,686 5 ,000
Model 166,686 5 ,000
Model Summary
-2 Log Cox & Snell Nagelkerke

Step likelihood R Square R Square
1 74,628a ,614 ,821
a. Estimation terminated at iteration number 7 because
parameter estimates changed by less than ,001.
Variables in the Equation
B S.E. Wald df Sig. Exp(B)

Step
a
X1 ,840 ,177 22,526 1 ,000 2,317
1 X2 ,230 ,056 17,044 1 ,000 1,259
D 4,735 ,942 25,277 1 ,000 113,828
X3 ,052 ,022 5,491 1 ,019 1,053
X4 ,005 ,002 5,015 1 ,025 1,005
Constant -16,264 2,795 33,857 1 ,000 ,000
a. Variable(s) entered on step 1: X1, X2, D, X3, X4.
Keterangan: Y = penerapan teknologi, 1 = ya; 0 = tidak

X1 = pendidikan petani (dalam tahun sukses)
X2 = pengalaman bertani (tahun)
D = Status pemilikan lahan, 1 = milik sendiri, 0 = menyakap
X3 = luas lahan garapan (are)
X4 = pendapatan keluarga (Rp 1.000)
Tugas :
a. Buatlah laporan regresinya (gunakan standar Gujarati halaman 83 - 84).
b. Jika seorang petani diteliti, diketahui dia adalah tamatan SLTA,
pengalaman bertani 4 tahun, status tanah milik sendiri, luas tanah
garapan 40 are, dan pendapatan keluarga sebesar Rp 500 ribu,
prediksilah probabilitasnya apakah petani yang bersangkutan menerapkan
teknologi pemupukan berimbang ataukah tidak?
--------------------------
146
147

12 MODERASI
12.1 Penngantar
Melalui suatu model regresi juga dapat diketahui peran suatu variabel yang
dapat memperkuat atau memperlemah hubungan antara suatu variabel bebas
terhadap variabel terikat. Variabel yang mempunyai kekuatan demikian disebut
variabel moderasi. Sebagai contoh, hubungan antara Teknologi, Tenaga Kerja
dan Produksi. Apabila teknologi merupakan variabel moderasi, maka variabel ini
dapat melemahkan atau memperkuat hubungan antara tenaga kerja dengan
produksi. Dasar pemikirannya adalah: semakin modern teknologi yang digunakan
dengan jumlah tenaga kerja yang sama, maka semakin banyak produksi yang
dihasilkan. Apabila variabel tenaga kerja dan teknologi sama-sama ditingkatkan,
maka perlu dianalisis apakah teknologi dapat memperkuat atau memperlemah
hubungan antara tenaga kerja dengan produksi. Hubungan variabel independen
dan variabel moderasi terhadap variabel dependen secara diagramatis umunya
digambarkan sebagai berikut.
Gambar 12.1. Pengaruh variabel X terhadap Y yang dimoderasi oleh M
Secara teoritis variabel independen tidak mempunyai hubungan dengan

variabel moderasi, sehingga dalam model regresi dipasang sama-sama sebagai
variabel independen. Model regresi moderasi dapat terdiri dari satu atau beberapa

148
variabel imoderasi, dan terhadap satu atau beberapa variabel indepeden, seperti
yang ditambilkan pada Gambar 12.2.
Gambar 12.2. Pengaruh variabel X terhadap Y yang dimoderasi oleh M
Gambar 12.2. a. menunjukkan pengaruh X terhadap Y yang dimoderasi

oleh X1 dan X2 . Berikutnya Gambar 12.2. b adalah pengaruh X1 dan X2 terhadap
Y yang mana X1 dimoderasi oleh M1, sedangkan X2 dimoderasi oleh M2. Gambar
12.2.c menunjukkan bahwa variabel M hanya memoderasi variabel X1 dari
pengaruh X1, X2, dan X3 terhadap Y. Selanjutnya Gambar 12.2.d menunjukkan
bahwa variabel M selain memoderasi variabel X1, juga terhadap X2 dan X3 dari
pengaruh X1, X2, dan X3 terhadap Y. Gambar 12.2. c menunjukkan pengaruh X
terhadap Y yang dimoderasi oleh variabel M1 dan M2.
Untuk menguji apakah suatu merupakan variabel moderasi dapat dilakukan
dengan tiga cara, yaitu : (1) uji interaksi, (2) uji nilai selisih mutlak, dan (3) uji
residual, namun dalam modul ini hanya dibahas uji interaksi seperti yang diuraikan
berikut ini.
148
149
10.2. Regresi Moderasi dengan Model Interaksi

Suatu model regresi dengan melakukan uji interaksi antarvariabel sering
disebut dengan Moderated Regression Analysis (MRA). Berdasarkan Gambar 10.1
apabila dirancang ke dalam hubungan variabel, maka variabel bebas tidak ada
hubungan dengan variabel moderasi, namun menjadi variabel independen yang
ditunjukkan oleh perkalian dua atau lebih variabel independen), seperti yang
diilustrasikan pada Gambar 10.2.
Gambar 12.2. Hubungan Variabel Independen, Independen, dan Interaksi
Gambar 12.2 apabila dibuat ke dalam persamaan regresi akan menjadi

sebagai berikut:
Y = β1X + β2M + β3XM + ε .......................................................(12.01)
Koefisien β3 merupakan koefisien perkalian antara X dan M atau XM yang

merupakan variabel moderasi oleh karena menggambarkan pengaruh moderasi
variabel M terhadap hubungan X dan Y, sedangkan koefisien β2 dan β3 merupakan
pengaruh langsung dari variabel X dan M terhadap Y.
Sekali lagi, peran variabel moderasi adalah perkalian antara X dan M. Hal
ini dapat dijelaskan dengan cara membuat persamaan derivasi (turunan) X atau
dY/dX dari persamaan (1). Hasil dY/dX adalah :
dY/dX = β1 + β3M ....................................................................(12.02)

150
Persamaan (12.02) memberikan makna bahwa variabel dependen atau

dY/dX merupakan fungsi dari variabel M yang memoderasi hubungan antara X dan
Y.
Dengan memperhatikan pengaruh langsung variabel moderasi, dalam hal
ini β2 dan interkasi antara variabel independen dengan variabel moderasi, yaitu β3,
maka diperoleh beberapa jenis moderasi, seperti yang disajikan pada Tabel 12.1.
Tabel 12.1. Jenis peran Moderasi
No Hasil Uji Jenis Moderasi

1. Β2 non significant Moderasi Murni (Pure Moderator)
Β3 significant
2. Β2 significant Moderasi Semu (Quasi Moderator). Quasi
Β3 significant moderasi merupakan variabel yang memoderasi
hubungan antara variabel independen dengan
variabel dependen yang sekaligus menjadi
variabel independen.
3. Β2 significant Prediktor Moderasi (Predictor Moderasi Variabel).
Β3 non significant Artinya variabel moderasi ini hanya berperanan
sebagai variabel prediktor (independen), dan
bukan momoderasi dalam model hubungan yang
dibentuk.
4. Β2 non significant Moderasi Potensial (Homologiser moderator).
Β3 non significant Artinya variabel tersebut potensial menjadi
variabel moderasi.
Jika β3 signifikan, berarti M merupakan variabel moderasi, sebaliknya jika

tidak signifikan, maka M bukan variabel moderasi. Jika β3 signifikan, selanjutnya
dilacak apakah variabel M memperkuat atau memperlemah pengaruh X terhadap
Y, yaitu dengan memperhatikan koefisien dari β3 apakah positif atau negatif. Hal ini
bertujuan untuk mengetahui apakah variabel moderasi atau M memperkuat atau
memperlemah pengaruh X terhadap Y.
 Jika β1 positif, signifikan atau tidak, dan β3 positif signifikan, maka M
sebagai variabel moderasi yang memperkuat pengaruh X1 terhadap Y
 Jika β1 negatif, signifikan atau tidak, dan β3 negatif signifikan, maka M
sebagai variabel moderasi yang memperkuat pengaruh X1 terhadap Y.
150
151
 Jika β1 positif, signifikan atau tidak, dan β3 negatif signifikan, maka M

sebagai variabel moderasi yang memperlemah pengaruh X1 terhadap Y.
 Jika β1 negatif, signifikan atau tidak, dan β3 positif signifikan, maka M
sebagai variabel moderasi yang memperlemah pengaruh X1 terhadap Y.
Untuk memberikan contoh dengan data, misalkan ingin diketahui hubungan

antara Gaji (kepala keluarga), Pendapatan (seluruh anggota keluarga) dan
Kekayaan. Dalam hal ini ingin diketahui apakah ada hubungan moderasi antara
Gaji dan Kekayaan yang mana nampak sebagai berikut.
Contoh 12.1.
Sebanyak 40 orang kepala keluarga disurvei mengenai gaji, kekayaan dan
pendapatannya dalam satu tahun, dalam juta rupiah.
Pendapatan Gaji Kekayaan Pendapatan Gaji Kekayaan
No (Rp juta) (Rp juta) (Rp juta) No (Rp juta) (Rp juta) (Rp juta)
1 7 4 70 21 8 4 70
2 17 12 76 22 20 16 78
3 12 9 74 23 6 6 70
4 10 8 74 24 14 7 72
5 20 16 88 25 19 14 82
6 14 8 76 26 16 11 76
7 13 10 76 27 17 13 80
8 15 11 76 28 16 13 74
9 15 12 76 29 6 6 70
10 7 7 68 30 13 10 70
11 18 14 74 31 10 5 72
12 8 5 72 32 23 19 98
13 15 11 76 33 16 12 74
14 17 13 78 34 12 9 74
15 18 15 78 35 5 3 70
16 11 8 74 36 18 15 80
17 13 8 72 37 19 15 78
18 5 2 68 38 23 18 92
19 11 9 76 39 14 9 76
20 9 7 72 40 9 3 74
Tugas:
a. Olah data, dan buatlah persamaan regresi berdasarkan hasil olahan data
dengan model: Y = α + β1 X + β2M + β3 XM + ε

152
b. Uji apakah ada pengaruh serempak semua variabel bebas terhadap

variabel terikat, dan interpretasikan R2.
c. Uji apakah ada pengaruh partial masing-masing variabel bebas terhadap
variabel terikat, dan jelaskan apakah kekayaan merupakan variabel
moderasi.
Berdasarkan data pada Tabel 12.1 dengan menggunakan uji interaksi, hasil
olahan data dapat dinterpretasikan sbb.
Uji Ketepatan Model

Uji Anova atau F test menghasilkan nilai F hitung sebesar 155,832 dengan
tingkat signifikansi 0,00. Karena probabilitas signifikansi jauh lebih kecil dari 0,05,
maka dapat dikatakan bahwa Gaji, Kekayaan dan Moderasi secara bersama-sama
berpengaruh terhadap Pendapatan, sehingga model regresi layak digunakan untuk
memprediksi Pendapatan.
ANOVAa
Sum of Mean
Model Squares Df Square F Sig.
1 Regression 867,196 3 289,065 155,832 ,000b
Residual 66,779 36 1,855
Total 933,975 39
a. Dependent Variable: Pendapatan
b. Predictors: (Constant), Interaksi X1X2, Kekayaan, Gaji
Koefisien Determinasi
Tampilan output SPSS memberikan besarnya R2 sebesar 0,928 hal ini
berarti 92,8 persen variasi Pendapatan yang dapat dijelaskan oleh variasi variabel
indepeden Gaji, Kekayaan dan Moderasi. Sedangkan sisanya (100% - 92,8% =
9,7%) dijelaskan oleh faktor-faktor lain diluar model.
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
a
1 ,964 ,928 ,923 1,362
a. Predictors: (Constant), Interaksi X1X2, Kekayaan, Gaji
152
153
Uji Signifikansi Parameter Individual (Uji t Statistik)

Dari ke tiga variabel bebas yang dimasukkan dalam regresi, variabel Gaji
dan Kekayaan berpengaruh secara signifíkan terhadap Pendapatan. Variabel Gaji
memberikan nilai koefisien parameter 2,239 dengan tingkat signifíkansi 0,000 dan
variabel kekayaan (Kekayaan) memberikan nilai koefísien parameter 1,179 dengan
tingkat signifíkansi 0,003. Variabel moderasi yang merupakan interaksi antara Gaji
dan Kekayaan berpengaruh signifíkan, yaitu dengan signifikansi sebesar 0,009,
sehingga dapat disimpulkan bahwa variabel Kekayaan merupakan variabel
moderasi hubungan antara Gaji dan Pendapatan.
Coefficientsa
1 (Constant) -38,307 12,825 -2,987 ,005
Gaji 2,763 ,663 2,441 4,165 ,000
Kekayaan ,589 ,182 ,726 3,233 ,003
Interaksi X1X2 -,026 ,009 -2,107 -2,760 ,009
Oleh karena variable kekayaan dan interaksi gaji dengan kekayaan sama-
sama signifikan, maka variabel kekayaan merupakan variabel moderasi semu.
Artinya, meskipun kekayaan meningkat, pendapatan akan meningkat dengan
meningkatnya gaji.
Koefisien variable interaksi X1*X2 memiliki koefisien yang negative sebesar
-0,026 dapat diinterpretasikan, bahwa dengan meningkatnya kekayaan, maka
pengaruh gaji terhadap pendapatan menjadi menurun. Dengan kata lain, kekayaan
memperlemah pengaruh gaji terhadap pendapatan.
Regresi dengan variabel interaksi umumnya menimbulkan masalah, karena
akan terjadi multikolonieritas yang tinggi antara variabel independen, misalkan
antara variabel Gaji dan Moderasi (Gaji*Kekayaan) atau antara variabel Kekayaan
dan moderasi (Gaji*Kekayaan), hal ini disebabkan pada variabel moderasi ada

154
unsur Gaji dan Kekayaan, seperti yang ditampilkan pada tabel matrik korelasi
berikut ini. Hubungan antar variabel bebas yang lebih dari 80% menimbulkan
masalah dalam regresi, sehingga perlu dicari cara lain untuk menguji moderasi
variabel.
Correlations
Gaji Kekayaan Interaksi X1X2
Gaji Pearson Correlation 1 ,808** ,985**
Sig. (2-tailed) ,000 ,000
**
Kekayaan Pearson Correlation ,808 1 ,892**
Sig. (2-tailed) ,000 ,000
** **
Interaksi X1X2 Pearson Correlation ,985 ,892 1
Sig. (2-tailed) ,000 ,000
**. Correlation is significant at the 0.01 level (2-tailed).
Latihan Soal:
12.1. Kualitas laporan akuntansi (Y) disamping dipengaruhi oleh kemampuan
manajemen (X1) pengelola perusahaan juga dapat dipengaruhi oleh kualitas
jasa auditor (X2). Kualitas jasa auditor diduga sebagai variabel yang
memoderasi pengaruh kemampuan manajemen terhadap kualitas laporan
akuntansi, hasil olahan datanya disajikan sebagai berikut.
Lampiran soal 12.1.
Model Summary

1 .955a .913 .909 .29690
a. Predictors: (Constant), Interaksi, Kualitas Jasa Auditor,
Kemampuan Manajemen
ANOVAb
Sum of
1 Regression 60.771 3 20.257 229.802 .000a
Residual 5.818 66 .088
Total 66.588 69
a. Predictors: (Constant), Interaksi, Kualitas Jasa Auditor, Kemampuan Manajemen
b. Dependent Variable: Kualitas Informasi Akuntansi
154
155
a
Coefficients
1 (Constant) .326 .228 1.430 .157
Kemampuan Manajeme .262 .085 .336 3.064 .003
Kualitas Jasa Auditor .365 .086 .378 4.229 .000
Interaksi .064 .028 .358 2.261 .027
a. Dependent Variable: Kualitas Informasi Akuntansi
Tugas:
a. Buatlah persamaan regresi berdasarkan hasil olahan data.
variabel terikat.
d. Uji apakah ada pengaruh partial masing-masing variabel bebas terhadap
variabel terikat.
e. Jelaskan apakah kualitas jasa auditor sebagai variabel moderasi
hubungan antara variabel kemampuan manajemen dengan kualitas
informasi akuntansi?
12.2. Penelitian yang dilakukan terhadap 100 orang agen blok perusahaan
asuransi, yang bermaksud menganalisis apakah produksi yang dihasilkan
oleh masing-masing dari mereka dipengaruhi oleh umur dan tingkat
pendidikannya. Di samping itu, pengaruh pendidikan terhadap produksi
juga diduga moderasi oleh pengalaman kerja, sehingga model regresinya:
Y =α + β1X1 + β2X2 + β3X3 + β4 X2X3 + ε
Berdasarkan hasil olahan data yang disajikan pada Lampiran soal 12.2.
a. Buatlah persamaan regresinya
variabel terikat.

156
d. Uji apakah ada pengaruh partial masing-masing variabel bebas

terhadap variabel terikat.
e. Jelaskan apakah pengalaman kerja memoderasi pengaruh umur dan
tingkat pendidikan terhadap produksi, serta bagaimana jenis peran
moderasinya, yaitu dengan memperhatikan pengaruh langsung variabel
bebas terhadap variabel terikat.
f. Jelaskan juga apakah pengalaman kerja memperkuat atau
memperlemah pengaruh tingkat pendidikan terhadap produksi.
Lampiran soal 12.2.
1 ,983a ,967 ,965 206,757
a. Predictors: (Constant), Interaksi X1X3, Pendidikan, Umur, Pengalaman
ANOVA
Sum of Mean
Model Squares Df Square F Sig.
1 Regression 80853280 4 20213320 472,842 ,000b
Residual 2778657 65 42749
Total 83631937 69
b. Predictors: (Constant), Interaksi X1X3, Pendidikan, Umur, Pengalaman
Coefficientsa
1 (Constant) -1156,478 521,531 -2,217 ,030
Umur 7,597 5,031 ,087 1,510 ,136
Pendidikan 499,200 37,201 ,457 13,419 ,000
Pengalaman 52,231 23,424 ,213 2,230 ,029
Interakasi X1X3 1,195 ,488 ,316 2,449 ,017
Y = produksi (Rp juta per tahun)
X1 = Umur (tahun)
X2 = tingkat pendidikan (dummy 0 = SLTA; 1 = PT)
X3 = pengalaman kerja (tahun)
156
157
12.3. Fungsi produksi industri kerajinan bambu, yang terdiri dari faktor produksi
tenaga kerja, bahan baku dan modal. Faktor produksi teknologi dinyatakan
sebagai variabel yang memoderasi ketiga faktor produksi sebelumnya. Model
regresi moderasi dinyatakan dalam bentuk persamaan regresi moderasi
(MRA):
Ln Y = α + β1Ln X1 + β2Ln X2 + β3Ln X3 + β4X4 + β5X4 Ln X1 + β6X4 LnX2 +
β7X4 Ln X3 + ε
Berdasarkan hasil olahan data pada Lampiran soal 13.2.

a. Buatlah persamaan regresinya
variabel terikat.
d. Uji apakah ada pengaruh partial masing-masing variabel bebas
terhadap variabel terikat.
e. Jelaskan apakah teknologi memoderasi pengaruh variabel tenaga kerja,
bahan baku dan modal terhadap produksi, serta bagaimana jenis peran
moderasinya, yaitu dengan memperhatikan pengaruh langsung
teknologi terhadap produksi, dan pengaruh interaksi teknologi dengan
faktor produksi lainnya.
f. Jelaskan juga apakah teknologi memperkuat atau memperlemah
pengaruh variabel tenaga kerja, bahan baku dan modal terhadap
produksi.
Lampiran soal 13.2.
Model Summary
1 ,996a ,992 ,992 ,05890
a. Predictors: (Constant), X4LNX3, LNX1, LNX3, LNX2, X4LNX1, X4, X4LNX2

158
ANOVAa
Sum of
Model Squares Df Mean Square F Sig.
1 Regression 41,445 7 5,921 1706,655 ,000b
Residual ,319 92 ,003
Total 41,764 99
a. Dependent Variable: LNY
b. Predictors: (Constant), X4LNX3, LNX1, LNX3, LNX2, X4LNX1, X4, X4LNX2
Coefficientsa
1 (Constant) 1,139 ,306 3,718 ,000

LNX1 ,126 ,050 ,092 2,486 ,015
LNX2 ,448 ,057 ,430 7,803 ,000
LNX3 ,258 ,068 ,131 3,774 ,000
X4 ,233 ,408 ,181 ,571 ,569
X4LNX1 ,215 ,094 ,552 2,288 ,024
X4LNX2 -,181 ,083 -,742 -2,178 ,032
X4LNX3 ,091 ,109 ,441 ,841 ,402
a. Dependent Variable: LNY
Keterangan:
Y = produksi
X1 = tenaga kerja (0rang)
X2 = bahan baku (Rp juta)
X3 = modal ( Rp juta)
X4 = teknologi; 1 = modern 0 = konvensional
LN = logaritma natural
---------------
158
159
ANALISIS JALUR DAN

13 UJI MEDIASI
13.1 Pengantar
Analisis jalur (path analysis) merupakan perluasan penerapan analisis
regresi linear berganda untuk memprediksi hubungan kausalitas antar variabel
(model kasual) yang telah ditetapkan sebelumnya berdasarkan teori. Model ini
dipertimbangkan untuk digunakan dalam suatu penelitian apabila hubungan yang
dianalisis merupakan hubungan sebab akibat dengan model yang komplek.
Dalam analisis jalur terdapat suatu variable yang berperan ganda yaitu sebagai
variabel independen pada suatu hubungan, namun menjadi variabel dependen
pada hubungan lain. Variabel yang berfungsi danda tersebut dinamakan variabel
mediasi atau intervening. Adanya hubungan yang komplek tersebut membutuhkan
alat analisis yang mampu menjelaskan sistem secara simultan. Dengan
menggunakan analisis jalur akan dapat dihitung pengaruh langsung dan tidak
langsung antar variabel.
Meskipun analisis jalur menerapkan model regresi berganda, namun
tujuannya sedikit berbeda dengan model regresi. Model regresi tujuan utamanya
memprediksi nilai variable terikat berdasarkan nilai variable bebas yang diketahui
yang didukung dengan kebermaknaannya. Di pihak lain, analisis jalur tujuan
utamanya memprediksi kebermaknaan (magnitude) hubungan suatu variabel
dengan variabel lainnya, serta adanya pengaruh tidak langsung. Kebermaknaan
hubungan antar variable ini mencakup signifikansinya, arahnya (positif atau
negatif), dan juga besar pengaruh atau hubungannya. Dengan demikian, pada
analisis jalur lebih banyak digunakan koefisien terstandar, sedangkan pada regresi
digunakan yang tak standar. Pada buku ini dibahas aplikasi analisis jalur dengan
indikator tunggal (single indicator). Berbagai buku atau penelitian juga banyak

160
membahas dan menerapkan analisis jalur menggunakan multi indikator yang

disebut model persamaan struktural (SEM).
Alasan penggunaan analisis jalur adalah:
(1) hipotesis yang diuji dikembangkan dengan model (kerangka konseptual) yang
hubungan antarvariabel bersifat kausalitas, serta model bersifat rekursif
sehingga metode yang pantas adalah analisis jalur;
(2) analisis jalur memberikan metode langsung berkaitan dengan hubungan ganda
secara simultan (model struktural) sehingga memberikan efisiensi analisis
statistika;
(3) kemampuannya untuk menguji hubungan secara komprehensif dan
memberikan suatu bentuk transisi analisis exploratory menuju analisis
confirmatory. Bentuk transisi ini berkaitan dengan upaya memperbanyak
temuan-temuan penelitian pada semua lapangan studi dengan memenfaatkan
hubungan yang berantai.
13.2. Variabel Mediasi

Dalam analisis jalur pasti terdapat variabel mediasi. Variabel mediasi atau
sering juga disebut variabel intervening adalah variabel yang secara teoritis
memediasi hubungan antara variabel independent (IV) dengan variabel dependen
(DV) melalui hubungan yang tidak langsung. Variabel ini merupakan variabel
penyela, atau mediator antara variabel independen dengan variabel dependen,
sehingga variabel independen tidak langsung mempengaruhi variabel dependen.
Dengan demikian, variable intervening (mediator) dikatakan memberikan
pengaruh atas independen variable (IV) terhadap dependen variable (DV).
Sugiyono (2007) memberikan contoh sebagai berikut:
Penghasilan (X)  Gaya hidup (M)  Harapan hidup (Y)
Dengan demikian dapat diketahui bahwa :
1) Penghasilan mempengaruhi gaya hidup.
2) Gaya hidup mempengaruhi harapan hidup.
160
161
3) Karena adanya variabel gaya hidup ini maka hubungan yang terjadi antara
penghasilan (X) ke harapan hidup (M) menjadi hubungan yang tidak
langsung karena dimediasi oleh gaya hidup (Y).
13.3. Perbedaan Variabel Mediasi Dengan Moderasi

Ditinjau dari definisinya, variabel mediasi (intervening) dan moderasi sama-
sama mempengaruhi variable dependen, namun perbedaannya adalah:
1) Variabel mediator berada dalam satu jalur hubungan, namun variabel
moderasi berada di luar jalur (Lihat Gambar 13.1).
2) Variabel mediator dipengaruhi variabel independen dan selanjutnya
mempengaruhi variabel dependen, sedangkan variabel moderasi tidak
dipengaruhi oleh variabel independen, namun dapat mempengaruhi variabel
dependen.
(a) (b)
Gambar 13.1
Perbedaan Peran Variabel Moderasi dan Mediasi Dalam Hubungan Antara
Variabel Independen dan Variabel Dependen
13.4. Langkah-langkah dalam Analisis Jalur

1) merancang model berdasarkan konsep, teori, dan logika.
2) membuat persamaan struktural
3) memeriksa pemenuhan asumsi analisis jalur
4) menduga parameter atau koefisien path dan pengaruh tak langsung
5) memeriksa masalah identifikasi
6) memeriksa validitas atau kesahihan model
7) interpretasi hasil olahan data

162
i) Pertama: merancang model

Langkah pertama di dalam analisis jalur adalah merancang model
berdasarkan konsep, teori, penelitian sebelumnya, dan logika. Model tersebut juga
dapat dinyatakan dalam bentuk persamaan sehingga membentuk sistem
persamaan. Sistem persamaan ini ada yang menamakan persamaan simultan
atau juga ada yang menyebut model struktural. Oleh karena model tersebut
dikembangkan untuk menjawab permasalahan penelitian serta berbasis konsep,
teori, dan empiris, maka dinamakan model hipotetik. Ciri dari persamaan
struktural, adanya lebih dari satu persamaan regresi, yang mana persamaan-
persamaan regresi yang dibuat terdapat beberapa variabel berfungsi ganda, yaitu
pada suatu persamaan ebagai variabel bebas, namun sebagai variabel terikat
pada persamaan lainnya.
ii) Kedua: memeriksa pemenuhan asumsi

Langkah kedua dari analisis jalur adalah pemeriksaan terhadap asumsi
yang melandasi, yaitu sebagai berikut.
(1) Di dalam model analisis jalur, hubungan antarvariabel adalah linier dan
aditif. Uji linieritas menggunakan curve fit. Sifat aditif dimungkinkan karena
analisis jalur menggunakan data yang telah dinormalkan atau distandarkan.
Beberapa program statistik, seperti SPSS, PLS, dll, meskipun data inputnya
tak standar (satuan aslinya), namun outputnya terstandar seperti yang
ditunjukkan oleh koefisien beta.
(2) Hanya model rekursif dapat dipertimbangkan, yaitu hanya sistem aliran
kausal ke satu arah, seperti Gambar 13.2. a dan c, sedangkan pada model
yang mengandung kausal resiprokal tidak dapat dilakukan analisis jalur,
seperti yang ditampilkan pada Gambar 13.2. d, dan b. Misalnya, meskipun
secara teoritis atau dalam penelitian terdahulu ditemukan bahwa kekayaan
berpengaruh terhadap pendapatan, dan juga pendapatan berpengaruh
terhadap kekayaan, namun apabila tetap memilih analisis jalur, maka harus
diputuskan memilih salah satu jalur agar model menjadi recursive.
162
163
Gambar 13.2 Model Jalur Recusive dan Nonrecursive
(3) Variabel endogen minimal dalam skala ukur interval.

(4) Pengamatan diukur tanpa kesalahan. Jika penelitian menggunakan
instrumen, maka instrumen tersebut harus diuji validitas dan
reliabeliltasnya.
(5) Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar
berdasarkan teori-teori atau konsep-konsep yang relevan.
iii) Ketiga: Menduga parameter

Langkah ketiga di dalam analisis jalur adalah pendugaan parameter atau
koefisien path. Perhitungan koefisien pada gambar diagram jalur dijelaskan
sebagai berikut.
(1) Untuk anak panah bolak-balik koefisiennya merupakan koefisien korelasi,
r (yang biasa dihitung dengan product moment methode).
(2) Untuk anak panah satu arah  digunakan perhitungan regresi variabel yang
distandarkan, secara parsial pada tiap-tiap persamaan. Metode yang
digunakan adalah Ordinary Least Square (OLS), yaitu metode kuadrat terkecil

164
biasa. Hal ini dapat dilakukan mengingat modelnya rekursif (satu arah). Hasil
perhitungan koefisien beta merupakan koefisien jalur pengaruh langsung.
(3) Di dalam analisis jalur di samping ada pengaruh langsung juga terdapat
pengaruh tidak langsung dan pengaruh total. Pengaruh langsung yang juga
disebut koefisien jalur dengan menggunakan koefisien beta atau koefisien
regresi terstandar, sedangkan pengaruh tidak langsung dilakukan dengan
mengalikan koefisien beta dari variabel yang dilalui. Pengaruh total dihitung
dengan menjumlahkan pengaruh langsung dan pengaruh tak langsung
(Sharma, 1996: 451; Ghozali, 2001: 161).
iv) Keempat: memeriksa munculnya masalah identifikasi

Dalam mengestimasi model kausal ini, salah satu masalah yang akan
dihadapi adalah masalah identifikasi (identification problem). Problem identifikasi
pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang
dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi dapat
muncul melalui gejala-gejala berikut ini:
(1) Satu atau beberapa koefisien beta sangat besar, apalagi di atas satu, atau
kurang dari minus satu.
(2) Munculnya korelasi yang sangat tinggi (misalnya lebih dari 0.9) antar
variabel bebas yang diteliti (dapat dilihat dari matriks korelasi).
Direkomendasi agar variabel yang memiliki korelasi tinggi dikeluarkan dalam
model.
(3) Adanya tanda koefisien jalur yang tidak konsisten antara output estimasi
jalur dibandingkan dengan output matriks korelasi. Misalnya, pada matrik
korelasi hubungannya positif, namun pada koefisien jalur tandanya negatif.
v) Langkah kelima: memeriksa validitas model

Langkah kelima di dalam analisis jalur adalah pemeriksaan validitas atau
kesahihan model. Sahih tidaknya suatu hasil analisis tergantung dari terpenuhi
atau tidaknya asumsi yang melandasinya. Terdapat dua indikator validitas model di
dalam analisis jalur, yaitu koefisien determinasi total dan theory triming.
164
165
(a) Koefisien Determinasi Total

Total keragaman data yang dapat dijelaskan oleh model diukur dengan :
Rm2  1  Pe21 Pe22 ...Pep2 ................................................................................(13.1)
Dalam hal ini, interpretasi terhadap Rm2 sama dengan interpretasi koefisien
determinasi (R2) pada analisis regresi.
Pei yang merupakan standard error of estimate dari model regresi dihitung
dengan rumus :
Pei  1  R 2 ..................................................................................(13.2)
(b) Theory Triming

Uji validasi koefisien jalur pada setiap jalur untuk pengaruh langsung adalah
sama dengan pada analisis regresi, menggunakan nilai p (p value) dari uji t, yaitu
pengujian koefisien regresi variabel yang distandarkan secara parsial. Berdasarkan
theory triming, maka jalur-jalur yang nonsignifikan dapat dibuang sehingga
diperoleh model yang didukung oleh data empiris. Triming bisa diabaikan, apabila
pada model tertentu suatu variabel memiliki pengaruh tidak langsung terhadap
variabel lainnya yang didukung oleh konsep atau teori. Umumnya, penelitian
dalam bidang sosial ekonomi tidak melakukan triming, karena secara teoritis
banyak sekali model hubungan yang tidak saja memiliki pengaruh langsung, juga
berpengaruh secara tidak langsung setelah memalui (dimediasi) oleh variabel
lainnya.
vi) Keenam: interpretasi hasil

Langkah terakhir di dalam analisis jalur adalah melakukan interpretasi atau
kebermaknaan (magnitude) hasil olahan data, yaitu mengidentifikasi jalur-jalur
yang signifikan, berpengaruh positif atau negatif, serta pengaruhnya lebih kuat
atau lebih besar dengan melihat koefisien yang terstandar. Demikian juga perlu
diinterpretasikan peran mediasi suatu variabel mediasi (variabel antara) yang
dipasang dalam model.
13.5. Koefïsien Jalur Dan Persamaan Struktural

166
Koefïsien jalur adalah standardized koefïsien regresi. Koefisien regresi

standar diperoleh dari data yang telah distandarkan (dinormalkan), meskipun
variabel yang dianalisis memiliki satuan dan distribusi yang berbeda. Standarisasi
diperlukan karena salah satu asumsi analisis jalur adalah aditif. Koefisien yang
terstandar, memiliki makna yang lebih besar akan lebih penting dibandingkan
daripada yang lebih kecil. Koefïsien jalur diperoleh dengan membuat persamaan
struktural yaitu persamaan regresi yang menunjukkan hubungan yang
dihipotesiskan. Misalnya, pengaruh gaji terhadap kekayaan dan pendapatan, yang
ditunjukkan oleh diagram jalur Gambar 13.3.
Gambar 13.3. Diagram Jalur Pengaruh Gaji terhadap Kekayaan dan Pendapatan
Berdasarkan diagram jalur pada Gambar 13.3 dapat dibuat dua

persamaan, yaitu:
Kekayaan = β1 Gaji + e1 ..........................................................(13.3)
Pendapatan = β2 Gaji + β3 Kekayaan + e2 ……..……………...….(13.4)
Standardized coeficient (path coefficient) untuk Gaji, yaitu β1 pada

persamaan (1) akan memberikan nilai p1 pada Gambar 13.3, sedangkan koefïsien
untuk Gaji (β2) dan Kekayaan (β3) pada persamaan (2) akan memberikan nilai p2
dan p3.
Pengaruh langsung, tidak langsung dan total
166
167
Pengaruh langsung terjadi jika satu variabel mempengaruhi variabel lainnya

tanpa ada variabel lainnya yang memediasi (intervening) hubungan kedua variabel
tadi. Di lain pihak, hubungan tidak langsung adalah jika ada variabel lain yang
memediasi hubungan kedua variabel ini. Setiap nilai p mengg8ambarkan koefïsien
jalur. Berdasarkan Gambar 13.3 model jalur dibuat berdasarkan teori bahwa Gaji
mempunyai hubungan langsung dengan Pendapatan (p2). Namun demikian Gaji
juga mempunyai hubungan tidak langsung ke Pendapatan yaitu dari Gaji ke
Kekayaan (p1) baru kemudian ke Pendapatan (p3). Total pengaruh hubungan dari
Gaji ke Pendapatan (korelasi Gaji dan Pendapatan) sama dengan pengaruh
langsung Gaji ke Pendapatan (koefïsien path atau regresi p2) di tambah pengaruh
tidak langsung yaitu koefïsien path dari Gaji ke Kekayaan yaitu p1 dikalikan dengan
koefïsien jalur dari Kekayaan ke Pendapatan yaitu p3.
Pengaruh langsung Gaji ke Pendapatan = p2
Pengaruh tak langsung Gaji ke Kekayaan ke Pendapatan = p1 x p3 .
Pengaruh total (korelasi Gaji ke Pendapatan) = p2 + (p1 x p3)
13.6. Pengujian Peran Variabel Mediasi

Seperti telah disebutkan sebelumnya, tujuan analisis jalur disamping untuk
mengetahui pengaruh langsung suatu variabel dengan variabel lainnya, juga untuk
mengetahui peran suatu variabel memediasi suatu variabel terhadap variabel
lainnya.
Secara sederhana peran variabel mediasi dapat diketahui dari signifikansi
hubungan antar variabel seperti yang ditampilkan pada Gambar 13.2. Berdasarkan
Gambar 13.2 A dapat dijelaskan bahwa apabila secara langsung variabel
independen tidak berpengaruh nyata terhadap variabel dependen, namun variabel
independen berpengaruh sangat nyata terhadap variabel mediasi, dan selanjutnya
variabel mediasi berpengaruh sangat nyata terhadap variabel dependen, maka
keadaan ini disebut mediasi penuh. Kemungkinan kedua, pada Gambar 3.2.B
menunjukkan bahwa apabila secara langsung variabel independen berpengaruh
nyata terhadap variabel dependen, namun variabel independen berpengaruh
sangat nyata terhadap variabel mediasi, dan selanjutnya variabel mediasi

168
berpengaruh sangat nyata terhadap variabel dependen, maka keadaan ini disebut
mediasi parsial.
Gambar 13.2
Empat Kemungkinan Peran Variabel Mediasi
Kemungkinan ketiga Gambar 13.2.C, jika secara langsung variabel

independen tidak berpengaruh nyata terhadap variabel dependen yang disertai
dengan adanya perubahan tanda, misalnya yang seharusnya positif menjadi
negatif, demikian juga sebaliknya, namun variabel independen berpengaruh
sangat nyata terhadap variabel mediasi, dan selanjutnya variabel mediasi
berpengaruh sangat nyata terhadap variabel dependen, maka keadaan ini disebut
mediasi tak konsisten. Yang terakhir adalah jika Gambar 13.2.D adalah jika
secara langsung variabel independen berpengaruh nyata terhadap variabel
dependen, dan variabel independen berpengaruh sangat nyata terhadap variabel
mediasi, namun selanjutnya variabel mediasi tidak berpengaruh nyata terhadap
variabel dependen, maka keadaan ini disebut bukan mediasi atau tidak ada
mediasi.
Secara sederhana peran variabel mediasi dapat dilihat dari signifikansi
168
169
hubungannya seperti pada Gambar 13.2. Namun lebih ilmiah, pengujian hipotesis
mediasi dapat dilakukan dengan prosedur yang dikembangkan oleh Sobel
(1982) dan dikenal dengan Uji Sobel (Sobel Test). Uji Sobel ini dilakukan
dengan cara menguji kekuatan pengaruh tidak langsung variable independen
(X) terhadap variable dependen (Y) melalui variable mediasi/intervening (M),
seperti yang ditampilkan pada Gambar 13.3.
Gambar 13.3
Hubungan Antara Variabel Independen, Mediasi, dan Variabel Dependen
Berdasarkan Gambar 13.3 dapat dibuat persamaan strukturalnya sebagai

berikut:
M = α + aX + ε1 ................................................................................(13.5)
Y = α + bM + cX + ε2 ........................................................................(13.6)
Oleh karena bertujuan untuk menguji peran suatu variabel, maka model
yang digunakan adalah yang tidak standar. Pengaruh tidak langsung X ke Y
melalui M dihitung dengan cara mengalikan koefisien tak standar jalur X  M
(a) dengan jalur M Y (b) atau ab. Standar error koefisien a dan b ditulis dengan
Sa dan Sb, besarnya standar error tidak langsung (indirect effect) Sab dihitung
dengan rumus berikut ini :
S ab  b 2 S a2  a 2 Sb2 ……………………………….........………………..(13.7)
Untuk menguji signifikansi pengaruh tidak langsung maka menghitung nilai t

dari koefisien ab dengan rumus sebagai berikut :
ab
z …………………………………………………........………….(13.8)
S ab

170
Untuk mengetahui pengambilan keputusan uji hipotesa, maka dilakukan

dengan cara membandingkan p-value dan alpha (0,05), dengan ketentuan sbb :
 Jika p-value > alpha (0,05) atau z hitung ≤ z tabel = 1,96, maka Ho diterima
yang berarti M bukan variable mediasi
 Jika p-value < alpha (0,05) atau z hitung > z tabel = 1,96, maka Ho ditolak
yang berarti M merupakan variable mediasi
Contoh 13.1
Dari data Contoh 12.1 dianalisis hubungan kausalitas variabel Gaji (X),
Kekayaan (M) Pendapatan (Y), yang diilustrasikan pada Gambar 13.3, dan
persamaan struktural 13.3 dan 13.4. Hasil olahan data dengan SPSS dapat
dianalisis sebagai berikut:
a. Pemeriksaan lineritas hubungan antar variabel.
b. Pengujian pengaruh langsung,
c. Menghitung standar error dn koefisien determinasi total
d. Pengujian pengaruh tidak langsung, besarannya, serta pengaruh total.
Hasil olahan data SPSS

Curve Fit
Model Summary and Parameter Estimates
Dependent Variable: Kekayaan
Model Summary Parameter Estimates
Equation R Square F df1 df2 Sig. Constant b1
Linear ,652 71,233 1 38 ,000 64,422 1,126
The independent variable is Gaji.
Dependent Variable: Pendapatan
Linear 367,62
,906 1 38 ,000 2,778 1,078
9
The independent variable is Gaji.
170
171

Dependent Variable: Pendapatan
Linear ,670 77,027 1 38 ,000 -36,740 ,664
The independent variable is Kekayaan.
Regression a.
Model Summary
1 a
,808 ,652 ,643 3,60247
a. Predictors: (Constant), Gaji
Coefficientsa
1 (Constant) 64,422 1,442 44,684 ,000
Gaji 1,126 ,133 ,808 8,440 ,000
a. Dependent Variable: Kekayaan
a Sa
Regression b.
Model Summary
R
Squar Adjusted Std. Error of
Model R e R Square the Estimate
1 ,956a ,913 ,909 1,47876
a. Predictors: (Constant), Kekayaan, Gaji
Coefficientsa
1 (Constant) -4,667 4,330 -1,078 ,288
Gaji ,948 ,093 ,837 10,203 ,000
Kekayaan ,116 ,067 ,142 1,736 ,091
b Sb

172
Jawaban:
a. Pengujian asumsi linieritas
Berdasarkan hasil olahan data dengan curve fit dapat diringkas ke tabel 13.1.
Tabel 13.1. Hubungan Linier Antarvariabel
Model Summary
Equation
R Square F df1 df2 Sig.
Gaji  Kekayaan ,652 71,233 1 38 ,000
Gaji  Pendapatan ,906 367,629 1 38 ,000
Kekayaan  Pendapatan ,670 77,027 1 38 ,000
Berdasarkan tabel di atas dapat diketahui bahwa dapat diketahui hubungan

antar variabel adalah linier, karena memiliki signifikansi lebih kecil dari 1
persen.
b. Pengujian pengaruh langsung

Berdasarkan hasil olahan data dua set regresi dapat diringkas menjadi:
Tabel 13.2. Pengaruh Langsung Variabel Penelitian
Koefisien regresi
Hubungan Variabel SE t Sig
Takstandar Standar
Gaji  Kekayaan 1,126 0,808 0,133 8,440 0,000
Gaji  Pendapatan 0,948 0,837 0,093 10,203 0,000
Kekayaan  Pendapatan 0,116 0,142 0,067 1,736 0,091
Berdasarkan tabel di atas, dapat diketahui bahwa gaji berpengaruh langsung

terhadap kekayaan dan pendapatan, yaitu dengan signifikansinya sebesar
0,000 atau kurang dari satu persen. Namun variabel kekayaan tidak
berpengaruh nyata terhadap pendapatan dengan signifikansi sebesar 0,091.
c. Standard Error dan Koefisien determinasi total

Besarnya nilai e1  (1 - 0,652 ) = 0,590 dan besarnya nilai e2  (1 - 0,913 ) =
0,295. Koefisien determinasi total persamaan struktural Rm2  1  e12 .e22 ...e 2p , yaitu
Rm2  1  (0,5902 x0,2952 ) diperoleh nilai Rm2  0,970 . Koefisien determinasi total
sebesar 0,970 mempunyai arti bahwa sebesar 97 persen informasi yang
172
173
terkandung dapat dijelaskan oleh model yang dibentuk, sedangkan sisanya,

yaitu 3 persen dijelaskan oleh variabel lain di luar model yang dibentuk.
Gambar 13.4
Diagram Jalur Pengaruh Gaji terhadap Pendapatan Melalui Kekayaan
Berdasarkan Gambar 13.4 dapat dilihat bahwa variabel pendapatan lebih

besar dipengaruhi oleh gaji dengan koefisien jalur sebesar 0,837, sedangkan
pengaruh kekayaan hanya 0,142.
c. Pengujian pengaruh tidak langsung

Pengujian pengaruh tidak langsung dilakukan dengan beberapa tahap sbb:
Ho : Variabel kekayaan bukan sebagai variabel mediasi pengaruh variabel
gaji terhadap pendapatan.
Hi : Variabel kekayaan sebagai variabel mediasi pengaruh variabel gaji
terhadap pendapatan.
2) Kriteria Pengujian:
 Jika z hitung ≤ 1,96 maka Ho diterima, berarti kekayaan bukan
merupakan variabel mediasi
 Jika z hitung > 1,96, maka Ho ditolak, berarti kekayaan merupakan
variabel mediasi
3) Perhitungan statistik:

174
a = 1,126 b = 0,116 Sa = 0,133 Sb = 0,067
S ab  b 2 S a2  a 2 Sb2
S ab  (0,116) 2 (0,133) 2  (1,126) 2 (0,067) 2
Sab = 0,0766
ab
z
S ab
(1,126)(0,116)
z
0,0766
z = 1,700
4) Kesimpulan: Oleh karena z hitung sebesar 1,700 lebih kecil dari 1,96
berarti kekayaan bukan merupakan variabel yang memediasi
pengaruh gaji terhadap pendapatan.
Untuk melakukan uji mediasi metode Sobel dapat dilakukan dengan script
yang disediakan dalam program SPSS mulai versi 22 oleh Preacher And Hayes
(2004). Caranya adalah sebagai berikut:
 File  Open  Script
 Setelah membuka script maka akan muncul
 Pilih sobel_spss.sbs
174
175
 Pilih Macro  Run

 Isi kotak independent variable dengan X1, kotak proposed mediator dengan
X2, dan dependen variable dengan Y
 OK ,
Hasil UJi Sobel dengan menggunakan SPSS sebagai berikut:
VARIABLES IN SIMPLE MEDIATION MODEL

Y Y
X X1
M X2
DESCRIPTIVES STATISTICS AND PEARSON CORRELATIONS

Mean SD Y X1 X2
Y 13,4750 4,8937 1,0000 ,9520 ,8183
X1 9,9250 4,3228 ,9520 1,0000 ,8075
X2 75,6000 6,0290 ,8183 ,8075 1,0000
SAMPLE SIZE: 40

176
DIRECT And TOTAL EFFECTS

Coeff s.e. t Sig(two)
b(YX) 1,0777 ,0562 19,1736 ,0000
b(MX) 1,1263 ,1334 8,4400 ,0000 (X  M)
b(YM.X) ,1156 ,0666 1,7356 ,0910 (M  Y)
b(YX.M) ,9476 ,0929 10,2029 ,0000 (X  Y)
INDIRECT EFFECT And SIGNIFICANCE USING NORMAL DISTRIBUTION

Value s.e. LL 95 CI UL 95 CI Z Sig(two)
Effect ,1302 ,0771 -,0209 ,2812 1,6887 ,0913
Pada DIRECT And TOTAL EFFECTS terlihat bahwa variable gaji (X)
berpengaruh nayata terhadap kekayaan (M) dan pendapatan (Y) dengan t hitung
masing-masing 8,440 dan 10,2029 serta seginifkansi masing-masing sebesar
0,000. Namun variabel kekayaan (M) tidak berpengaruh nyata terhadap
pendapatan (Y) dengan t hitung sebesar 1,735 dan signifikansi sebesar 0,091.
Pengaruh total gaji (X) terhadap pendapatan (Y) dengan t hitung sbesar 19.1736
dengan signifikansi 0,000.
Hampir sama dengan cara manual, uji Sobel dengan menggunakan script
SPSS menghasilkan z hitung sebesar 1,6887 pada sig sebesar 0,0913 (lihat hasil
Indirect Effect). Hal ini berarti bahwa variable Aset bukan merupakan variable
mediasi hubungan antara variable Gaji terhadap variabel Pendapatan.
Pengaruh langsung, tidak langsung dan total

Hasil analisis jalur menunjukkan bahwa Gaji dapat berpengaruh langsung
ke Pendapatan dan dapat juga berpengaruh tidak langsung yaitu dari Gaji ke
Kekayaan (sebagai intervening) lalu ke Pendapatan.
Besarnya pengaruh langsung adalah = 0,837
Pengaruh tidak langsungnya yaitu : (0,808) x (0,142) = 0,115
Pengaruh total = 0,952
Catatan: salah satu kelemahan dari uji Sobel menggunakan SPSS 22 ini adalah
tidak diperoleh koefisien langsung dan tidak langsung yang terstandar.
176
177
13.7. Penggunaaan soft ware Partial Least Square (PLS) untuk Analisis Jalur
Partial Least Square (PLS) adalah sebuah software yang dikembangkan
untuk mengolah data menggunakan persamaan struktural, dan juga dapat
digunakan untuk persamaan regresi linear. Secara umum dikenal dua software
yang paling populer mengenai Partial Least Square, yakni Smart PLS dan PLS
Graph yang menitikberatkan pada gambar. Masing-masing mempunyai kriteria dan
spesifikasi sendiri. Pada modul ini akan dibahas lebih lanjut mengenai Smart PLS.
Software ini diciptakan sebagai proyek di Institute of Operation Management and
Organization (School of Business) University of Hamburg, Jerman, untuk versi
versi student yang mampu mengolah maksimum 30 variabel dapat didownload
secara gratis di www.bauer.uh.edu.
Penggunaan soft ware Partial Least Square (PLS) beberapa pertimbangan:
1) PLS merupakan metode analisis yang powerfull karena mengakomodasi data
berbagai skala ukuran, dan tidak mengasumsikan data harus dalam skala
pengukuran tertentu karena berbasis statistic nonparametric dan juga dapat
digunakan untuk jumlah sampel relatif kecil, minimal direkomendasikan
berkisar dari 30 sampai 100 (Ghozali, 2011).
2) PLS dapat digunakan untuk model yang rumit, yaitu biasanya diaplikasikan
untuk analisis jalur yang menggunakan variabel dengan multi indikator, namun
juga dapat digunakan untuk variabel dengan indikator tunggal (single
indicator).
3) PLS secara otomatis mengeluarkan output dalam bentuk diagram jalur lengkap
dengan koefisien pengaruh langsung (path coefficient) serta dilengkapi tabel
pengaruh tidak langsung (indirect effect) dan pengaruh total secara simultan
yang dapat mengurangi resiko pengguna melakukan kesalahan mengutip atau
kesalahan menggambar outputnya.
Contoh 13.2.
Penelitian dilakukan terhadap 50 orang sampel karyawan yang meneliti
mengenai hubungan umur dan kemandirian kerja terhadap pendapatan dan
kepuasan kerja beberapa perusahaan. Datanya ditampilkan pada tabel sbb:

178
Umur Kemandirian Pendapatan Kepuasan Umur Kemandirian Pendapatan Kepuasan

Sampel Sampel
(X1) Kerja (X2) (X3) Kerja (X1) Kerja (X2) (X3) Kerja
1 40 7 8.900 13 26 19 7 5.900 14
2 46 7 8.200 13 27 37 10 7.800 12
3 63 11 9.300 15 28 31 7 6.700 10
4 33 10 8.800 13 29 43 12 7.500 11
5 27 8 6.900 11 30 23 5 6.800 12
6 29 6 7.100 10 31 27 5 7.000 10
7 55 9 9.000 14 32 28 14 7.500 12
8 48 13 9.100 15 33 29 7 6.800 10
9 32 8 7.900 12 34 42 7 7.300 11
10 48 7 8.300 13 35 53 16 9.100 16
11 18 9 6.700 13 36 32 10 7.600 12
12 28 13 7.500 12 37 31 9 6.500 11
13 53 11 9.000 14 38 55 15 9.500 17
14 34 5 8.000 11 39 26 14 7.400 12
15 43 9 8.500 13 40 53 14 8.600 13
16 21 14 7.000 11 41 51 13 7.800 13
17 50 6 8.100 13 42 48 8 7.700 12
18 31 7 6.200 10 43 48 7 6.900 12
19 31 10 6.800 11 44 62 9 7.900 10
20 52 12 8.200 14 45 42 12 8.900 14
21 54 10 7.200 13 46 21 8 7.100 10
22 28 7 6.200 9 47 26 5 6.400 9
23 50 13 8.300 14 48 46 8 6.800 13
24 52 13 8.000 14 49 30 10 7.100 11
25 40 10 7.500 12 50 29 9 7.300 11
Hubungan antar variabel secara teoritis ditunjukkan pada diagram jalur

sebagai berikut:
Gambar 13.5. Diagram Jalur Hubungan Antarvariabel
178
179
Berdasarkan Gambar 13.5, dapat dibuat sistem persamaan struktural

sebagai berikut:
(1) Hubungan antara X1 dan X2
X2 = β1 X1 + ε1 .......................................................................(13.9)
(2) Hubungan antara X1 dan X2 terhadap X3
X3 = β 2 X1 + β 3 X2 + ε2 ......................................................(13.10)
(3) Hubungan antara X1, X2, dan X3 terhadap Y
Y = β 4 X1 + β 5 X2 + β 6X3 + ε3 ............................................(13.11)
Keterangan:
X1 adalah umur karyawan
X2 adalah kemandirian kerja karyawan
X3 adalah pendapatan karyawan
Y adalah kepuasan kerja karyawan
β 1 adalah koefisien jalur X1 terhadap X2
β 4 adalah koefisien jalur X1 terhadap Y
ε1, ε2 dan ε3 adalah error
Hasil olahan data dengan SPSS dan PLS disajikan pada Lampiran 13.1
dan 13.2. Berdasarkan lampiran tersebut dapat dianalisis:
a. Evaluasi Terhadap Pemenuhan Asumsi Analisis Jalur

Pemeriksaan terhadap pemenuhan asumsi yang melandasi analisis jalur
perlu dilakukan agar hasilnya memuaskan. Asumsi yang melandasi analisis jalur
adalah sebagai berikut.
1) Di dalam model analisis jalur hubungan antarvariabel adalah linier dan aditif.
Uji linieritas menggunakan curve fit. Hasil olahan data dengan SPSS
ditampilkan pada Tabel 13.3. Berdasarkan Tabel 13.3 dapat dilihat bahwa
semua variabel berhubungan secara linier satu dengan lainnya. Hasil ini
ditunjukkan oleh signifikansi yang kurang dari 0,05. Hubungan yang paling linier
adalah antara X3 dengan Y, yaitu ditunjukkan oleh F hitung paling besar, yaitu
sebesar 57,502.

180
Tabel 13.3. Hubungan Linier Antarvariabel Penelitian

Hubungan
R Square F Df1 df2 Sig.
Variabel
X1 --> X2 0,110 5,905 1 48 0,019
X1 --> X3 0,493 46,729 1 48 0,000
X1 --> Y 0,347 25,510 1 48 0,000
X2 --> X3 0,231 14,392 1 48 0,000
X2 --> Y 0,320 22,560 1 48 0,000
X3 --> Y 0,545 57,502 1 48 0,000
Sumber: Lampiran 13.1.
Keterangan:
X2 adalah kemandirian verja karyawan
(2) Hanya model rekursif dapat dipertimbangkan, yaitu hanya sistem aliran
kausal ke satu arah, sedangkan pada model yang mengandung kausal
resiprokal tidak dapat dilakukan analisis jalur. Berdasarkan Gambar 13.5.
terlihat bahwa tidak ada anak panah yang bolak-balik antar variabel
penelitian, sehingga model yang dianalisis adalah rekursif dan layak
menggunakan analisis jalur.
(3) Variabel endogen minimal dalam skala ukur interval. Dalam penelitian ini
semua variabel endogen berskala rasio, yaitu: income dalam satuan rupiah,
kemandirian dan kepuasan kerja dalam skor.
(4) Pengamatan diukur tanpa kesalahan. Karena data yang digunakan dalam
skala rasio, maka dalam penelitian sudah layak digunakan dalam analisis
jalur, meskipun tidak diuji validitas dan reliabeliltasnya.
b. Evaluasi terhadap Validitas Model

Validitas model struktural dapat dilihat dari R2 dari variabel dependen. Nilai
R2 dalam penelitian ini terdapat 3 variabel dependen, yaitu kemandirian (X2),
income atau pendapatan (X3), dan kepuasan kerja (Y), yang disajikan pada Tabel
13.4.
180
181
Tabel 13.4. Nilai R2 dari variabel dependen
No Variabel Dependen Variabel R2 Kemampuan Menjelaskan

Independen Variabel Indpenden
1. Kemandirian (X2) X1 0,110 Lemah
2. Pendapatan (X3) X1, X2 0,562 Moderat
3. Kepuasan Kerja (Y) X1, X2, Y 0,613 Moderat
Sumber: Lampiran 13.2
Nilai R2 dari sebesar 0,110. Oleh karena angka tersebut kurang dari 0,19,
berarti pengaruh umur (X1) terhadap kemandirian (X2) tergolong ”lemah”. Di pihak
lain nilai R2 dari pengaruh umur (X1) dan kemandirian (X2) terhadap income atau
pendapatan (X3) sebesar 0,562 serta pengaruh umur (X1), kemandirian (X2), dan
pendapatan (X3) terhadap kepuasan kerja (Y) memiliki nilai R2 sebesar 0,613.
Oleh karena kurang dari 0,667 tergolong ”moderat”, sesuai pendapat Chin (dalam
Ghozali, 2011).
Koefisien determinasi total persamaan struktural = Rm2 yang dihitung dengan
rumus 13.1 dalam PLS juga sama, namun notasinya Q2 dengan rumus:
Q 2  1  (1  R12 )(1  R22 )....(1  Rk2 ) ..................................................(13.12)
Q2 = 1 – { (1 – 0,110) (1 – 0,562) (1 – 0,613)}

Q2 = 1 – 0,151
Q2 = 0,849
Koefisien determinasi total sebesar 0,849 mempunyai arti bahwa sebesar

84,9 persen variasi dari Kepuasan Kerja dapat dijelaskan oleh model yang
dibentuk, sedangkan sisanya, yaitu 15,1 persen dijelaskan oleh variabel lain di luar
model yang dibentuk.
c. Pengaruh Langsung (Path Coefficient)

Berdasarkan hasil olahan data, pengaruh langsung suatu variabel terhadap
variabel lainnya dalam penelitian ini disajikan pada Tabel 13.5.

182
Tabel 13.5. Pengaruh Langsung Antar Variabel Penelitian
Hubungan
Coefficient Std Err T statistic P value Keterangan
variabel
X1  X2 0,331 0,133 2,494 0,013 Signifikan
X1  X3 0,610 0,062 7,402 0,000 Signifikan
X1  Y 0,143 0,152 0,942 0,347 Nonsignifikan
X2  X3 0,278 0,086 3,254 0,001 Signifikan
X2  Y 0,275 0,073 3,746 0,000 Signifikan
X3  Y 0,506 0,129 3,919 0,000 Signifikan
Keterangan:
X2 adalah kemandirian kerja karyawan
Berdasarkan Tabel 13.5 dapat dijelaskan bahwa variabel umur (X1)

berpengaruh positif terhadap kemandirian (X2) dengan probabilitas nilai sebesar
0,013 atau kurang dari 5 persen. Variabel umur (X1) dan kemandirian (X2)
berpengaruh positif terhadap pendapatan (X3) dengan probabilitas nilai kurang dari
0,01. Di pihak lain, kemandirian (X2) dan pendapatan karyawan (X3) berpengaruh
positif dan signifikan terhadap kepuasan kerja (Y), dengan probabilitas kurang dari
0,01, namun umur (X1) tidak berpengaruh signifikan terhadap kepuasan kerja (Y).
Hubungan antar variable penelitian secara lengkap juga disajikan pada diagram
jalur Gambar 13.6. Berdasarkan Gambar 13.6 apabila dicermati bahwa tidak ada
koefisien jalur yang memiliki nilai lebih dari satu atau kurang dari minus satu. Hal
ini menunjukkan bahwa model yang dibuat tidak memiliki masalah dalam
identifikasi, sehingga layak untuk memprediksi.
Berdasarkan Gambar 13.6 dan juga Tabel 13.5 dapat dibuat estimasi
persamaan struktural sebagai berikut:

a. X 2 = 0,331 X1

b. X 3 = 0,610 X1 + 0,278 X2
c. Ŷ = 0,143 X1 + 0,275 X2 + 0,506 X3
182
183
Keterangan:
Gambar 13.6. Koefisien Jalur Hubungan Antarvariabel Penelitian
Berdasarkan Gambar 13.6 dan juga Tabel 13.5 variabel yang mempunyai
pengaruh yang terbesar terhadap pendapatan (income) atau X3 adalah variabel
umur (X1) dengan koefisien jalur sebesar 0,610, sedangkan variabel kemandirian
memiliki koefisien jalur sebesar 0,278. Di pihak lain, variabel kepuasan kerja (Y)
paling besar dipengaruhi oleh pendapatan (income) atau X3, sebesar 0,506,
kemudian disusul oleh variabel kemandirian (X2) sebesar 0,275, dan terakhir umur
(X1) sebesar 0,143.
d. Pengaruh Tidak Langsung (Indirect Effect)

Pengaruh tidak langsung suatu variabel terhadap variabel lainnya dalam
penelitian ini disajikan pada Tabel 13.7.

184
Tabel 13.7. Pengaruh Tidak Langsung (Indirect Effect) Variabel Penelitian

Hubungan Variabel
Coefficient Std Err t statistik p value Keterangan
Antarvariabel Mediasi
X1  X3 X2 0,092 0,050 1,843 0,066 Nonsignifikan
X1  Y X2 dan X3 0,446 0,112 3,971 0,000 Signifikan
X2  Y X3 0,141 0,055 2,565 0,011 Signifikan
Keterangan:
Berdasarkan Tabel 13.7 dapat diketahui bahwa pengaruh variabel umur (X1)
terhadap income atau pendapatan (X3) melalui kemandirian (X2), dengan t statistik
sebesar 1,843 atau dengan probabilitas sebesar 0,066. Hal ini berarti bahwa
variabel kemandirian tidak berperan memediasi pengaruh variabel umur (X1)
terhadap income atau pendapatan (X3). Variabel kemandirian (X2) dan income
atau pendapatan (X3) berperan memediasi pengaruh umur (X1) terhadap kepuasan
kerja (Y) dengan t hitung sebesar 3,971 dan dengan probabilitas sebesar 0,000.
Oleh karena umur (X1) secara langsung tidak berpengaruh signifikan terhadap
kepuasan kerja (Y), sedangkan secara tidak langsung terdapat pengaruh umur
(X1) terhadap kepuasan kerja (Y) melalui variabel kemandirian (X2) dan income
atau pendapatan (X3), maka kemandirian (X2) dan income atau pendapatan (X3)
tergolong ”memediasi penuh” pengaruh umur (X1) terhadap kepuasan kerja (Y).
Variabel income atau pendapatan (X3) memediasi pengaruh variabel kemandirian
(X2) terhadap kepuasan kerja (Y) dengan nilai t statistik sebesar 2,565 atau
dengan probabilitas sebesar 0,011. Oleh karena variabel kemandirian (X2)
berpengaruh langsung secara signifikan terhadap kepuasan kerja (Y), dan juga
setelah dimediasi oleh variabel pendapatan (X3) juga signifikan, maka peran
mediasi variabel pendapatan dalam hal ini tergolong ”memediasi parsial”.
e. Pengaruh langsung (PL), tidak langsung (PTL), dan total (PT)
184
185
Koefisien pada Gambar 13.6 merupakan koefisien hubungan langsung

antar variabel antarvariabel. Pengaruh langsung, tidak langsung dan pengaruh
total dari output PLS dapat dilihat pada Lampiran 13.2, yang selajutnya disajikan
kembali pada Tabel 13.8.
Tabel 13.8. Koefisien hubungan langsung, tidak langsung, dan total antar variabel
X1 X2 X3
Vriabel
PL PTL PT PL PTL PT PL PTL PT
X2 0,331 - 0,331 - - - - - -
X3 0,610 0,092 0,702 0,278 - 0,278 - - -
Y 0,143 0,471 0,614 0,275 0,141 0,416 0,506 - 0,506
Berdasarkan Tabel 13.8 dapat dijelaskan bahwa pengaruh langsung
variabel X1 terhadap X2 adalah 0,331. Tidak ada pengaruh tidak langsung di
antara variabel tersebut, sehingga pengaruh totalnya tetap sebesar 0,331. Secara
manual pengaruh langsung variabel X1 terhadap variabel X3 adalah 0,610.
Pengaruh tidak langsung X1 terhadap X3 melalui X2 diperoleh dari b1 x b3 atau
(0,331 x 0,278) = 0,092. Oleh karena itu pengaruh total X1 terhadap X3 melalui X2
adalah sebesar 0,610 + 0,092 = 0,702.
Pengaruh langsung X1 terhadap variabel Y adalah 0,143. Pengaruh tidak
langsung X1 terhadap Y melalui X2 dan X3 secara manual diperoleh dari (b1 x b5)
+ (b1 x b3 x b5) + (b1 x b6), yaitu (0,620 x 0,560) + (0,331 x 0,278 x 0,506) + (0,331
x 0,275) = 0,451. Sehingga pengaruh total X1 terhadap variabel Y adalah 0,143 +
0,451 = 0,594.
Dengan demikian, meskipun secara langsung xariabel X1 (umur) secara
langsung tidak berpengaruh terhadap Y (kepuasan kerja), akan tetapi melalui
kemandirian kerja (X2) dan pendapatan (X3) variabel X1 berpengaruh sebesar
0,594 terhadap Y, atau sebesar 4,16 kali dibandingkan dengan pengaruh
langsung.

186
Lampiran 13.1. Curve Fit

Dependent Variable: Kemandirian Kerja
Linear ,110 5,905 1 48 ,019 6,411 ,080
The independent variable is Umur.

Dependent Variable: Income
Linear ,493 46,729 1 48 ,000 5605,350 52,803

Dependent Variable: Kepuasan Kerja
Linear ,347 25,510 1 48 ,000 8,909 ,085

Dependent Variable: Income
Equation R Square F df1 df2 Sig. Constant B1
Linear ,231 14,392 1 48 ,000 6233,600 148,992
The independent variable is Kemandirian Kerja.

Linear ,320 22,560 1 48 ,000 8,999 ,338
The independent variable is Kemandirian Kerja.
186
187

Linear ,545 57,502 1 48 ,000 1,322 ,001
The independent variable is Income.
Lampiran 13.2. Output PLS
Path Coefficient
Original Sampel Standard T
P Value
Sampel Mean Error Statistics
X1 (Umur) --> X2 (Kemandirian) 0,331 0,340 0,133 2,494 0,013
X1 (Umur) --> X3 (Income) 0,610 0,608 0,082 7,402 0,000
X1 (Umur) --> Y (Kepuasan Kerja) 0,143 0,145 0,152 0,942 0,347
X2 (Kemandirian) --> X3 (Income) 0,278 0,279 0,086 3,254 0,001
X2 (Kemandirian) --> Y (Kepuasan Kerja) 0,275 0,270 0,073 3,746 0,000
X3 (Income) --> Y (Kepuasan Kerja) 0,506 0,502 0,129 3,919 0,000
Dirrect Effect
Original Sampel Standard T P Value
X1 (Umur) --> X2 (Kemandirian)
X1 (Umur) --> X3 (Income) 0,092 0,096 0,050 1,843 0,066
X1 (Umur) --> Y (Kepuasan Kerja) 0,446 0,450 0,112 3,971 0,000
X2 (Kemandirian) --> X3 (Income)
X2 (Kemandirian) --> Y (Kepuasan Kerja) 0,141 0,140 0,055 2,565 0,011
X3 (Income) --> Y (Kepuasan Kerja)
R Square
R Square
X2 (Kemandirian) 0,110
X3 (Income) 0,562
Y (Kepuasan Kerja) 0,613
Path Coefficient
X1 (Umur) X2 X3 (Income) Y (Kepuasan
(Kemandirian) Kerja)
X1 (Umur) 0,331 0,610 0,143
X2 (Kemandirian) 0,278 0,275
X3 (Income) 0,506
Y (Kepuasan Kerja)
Indirect Effect

188

X1 (Umur) 1,000 0,092 0,446
X2 (Kemandirian) 1,000 0,141
X3 (Income) 1,000
Total Effect
X1 (Umur) 1,000 0,331 0,702 0,589
X2 (Kemandirian) 1,000 0,278 0,416
X3 (Income) 1,000 0,506
Soal-soal Latihan:
13.1. Pendapatan asli daerah (PAD) secara teoritis berpengaruh langsung
terhadap kesejahteraan masyarakat yang diproksikan dengan IPM, juga
secara tidak langsung, melalui alokasi belanja publik/pembangunan, yang
diilustrasikan pada diagram jalur terlampir. Hubungan tersebut
direalisasikan melalui suatu penelitian dengan data sekunder pada
kabupaten/kota di Propinsi Bali selama tahun 2001 – 2012. Hasil olahan
data terlampir.
Tugas:
a. Buatlah persamaan struktural berdasarkan diagram jalur soal 13.1.
b. Isilah koefisien jalur pada diagram jalur pada gambar soal 13.1.
c. Menjelaskan signifikansi pengaruh antar variabel dalam sebuah tabel.
d. Menghitung standar error tiap tiap variabel independen
e. Menghitung koefisien diterminasi gabungan dan menginterpretasi-
kannya.
f. Menguji pengaruh tidak langsung PAD terhadap kesejahteraan
masyarakat melalui belanja pembangunan.
g. Menghitung besarnya pengaruh langsung, tidak langsung, dan total.
188
189
Pendapatan Asli Belanja

Daerah Pembangunan
(X1) (X2)
ε1
Kesejahteraan
ε2 Masyarakat
(Y)
Gambar. Diagram Jalur Soal 12.2
Regression a.
Model Summary
R Adjusted Std. Error of
Model R Square R Square the Estimate
1 ,322a ,104 ,095 8,970
Coefficientsa
1 (Constant) 33,432 1,183 28,267 ,000
PAD ,162 ,046 ,322 3,503 ,001
a. Dependent Variable: Belanja Publik
Regression b.
Model Summary
Mode R Adjusted R Std. Error of the
l R Square Square Estimate
1 a
,591 ,349 ,336 2,881
a. Predictors: (Constant), Belanja Publik, PAD
Coefficientsa
1 (Constant) 66,195 1,110 59,624 ,000
PAD ,088 ,016 ,466 5,596 ,000
Belanja Publik ,091 ,031 ,243 2,922 ,004
a. Dependent Variable: IPM

190
13.2. Profiltabilitas perusahaan diduga secara kausalitas dipengaruhi oleh resiko

usaha (X1), resiko keuangan (X2) dan intensitas modal (X3), seperti yang
digambarkan pada diagram jalur di bawah ini. Diagram jalur dan hasil olahan
data dapat dilihat sebagai berikut.
Lampiran soal 13.2.

Regression a.
Model Summary

1 ,419a ,175 ,156 3,76531
a. Predictors: (Constant), Resiko Keuangan, Resiko
Usaha
Coefficientsa
1 (Constant) 5,605 ,509 11,013 ,000
Resiko Usaha ,007 ,003 ,215 2,190 ,031
Resiko Keuangan -,475 ,138 -,336 -3,433 ,001
a. Dependent Variable: Intensitas Modal
190
191
Regression b.
Model Summary

1 ,814a ,663 ,651 13,23898
a. Predictors: (Constant), Intensitas Modal, Resiko
Usaha, Resiko Keuangan
Coefficientsa
1 (Constant) 6,250 2,769 2,257 ,027
Resiko Usaha ,068 ,011 ,407 6,283 ,000
Resiko Keuangan -1,146 ,519 -,148 -2,209 ,030
Intensitas Modal 2,959 ,377 ,541 7,851 ,000
a. Dependent Variable: Profitabilitas
Berdasarkan hasil olahan data dapat dilihat pada Lampiran 13.2.

Tugas:
a. Buatlah persamaan sruktural berdasarkan daigram jalur soal 13.2.
b. Isilah koefisien jalur pada diagram jalur
c. Menjelaskan signifikansi pengaruh antar variabel
d. Menghitung standar error tiaptiap variabel independen
e. Menghitung koefisien diterminasi gabungan dan menginterpretasi-
kannya.
f. Menguji pengaruh tidak langsung dengan uji Sobel resiko usaha dan
resiko keuangan terhadap profitabilitas, melalui intensitas modal.
g. Menghitung pengaruh tidak langsung dan total serta
menginterpretasikannya.
13.3. Hasil penelitian mengenai hubungan aktivitas bisnis internasional, struktur

modal, resiko usaha terhadap kinerja keuangan perusahaan-perusahaan,
ditunjukkan oleh diagram jalur sebagai berikut.

192
Berdasarkan hasil olahan data pada Lampiran soal 13.3

a. Lengkapilah koefisien jalur pada diagram jalur yang ditampilkan di atas.
b. Uji signifikansi pengaruh antar variabel tersebut.
c. Hitung koefisien diterminasi gabungan dan menginterpretasikannya.
d. Uji pengaruh tidak langsung,
e. Tampilkan besarnya pengaruh langsung, tidak langsung, dan total antar
variabel serta menginterpretasikannya.
Path Coefficient
X1 (Aktivitas Bisnis Internasional) -->
X2 (Struktur Modal) 0,363 0,363 0,092 3,944 0,000
X3 (Resiko Usaha) 0,238 0,239 0,096 2,485 1,013
Y (Kinerja Usaha) 0,271 0,267 0,086 3,152 0,002
X2 (Struktur Modal) --> X3 (Resiko
Usaha)) 0,377 0,381 0,098 3,858 0,000
X2 (Struktur Modal) --> Y (Kinerja
Keuangan) 0,408 0,408 0,086 4,729 0,000
X3 (Resiko Usaha) --> Y (Kinerja
Keuangan) 0,111 0,113 0,118 0,941 0,347
R Square
R Square
X2 (Struktur Modal)) 0,132
X3 (Resiko Usaha) 0,264
Y (Kinerja Keuangan) 0,397
192
193
Indirrect Effect
X2 (Struktur Modal)
X3 (Resiko Usaha) 0,137 0,137 0,048 2,872 0,004
Y (Kinerja Usaha) 0,190 0,191 0,056 3,358 0,001
X2 (Struktur Modal) --> X3 (Resiko
Usaha))
X2 (Struktur Modal) --> Y (Kinerja
Keuangan) 0,042 0,048 0,053 0,793 0,428
X3 (Resiko Usaha) --> Y (Kinerja
Keuangan)
Path Coefficient
X1 (Aktivitas Bisnis Internasional) 0,363 0,238 0,271
X2 (Struktur Modal)) 0,377 0,408
Y (Kinerja Keuangan)
Indirect Effect
X2 Y (Kepuasan
X1 (Umur) X3 (Income)
X1 (Aktivitas Bisnis Internasional) 1,000 0,137 0,190
X2 (Struktur Modal)) 1,000 0,042
Total Effect
X2 Y (Kepuasan
X1 (Umur) X3 (Income)
X1 (Aktivitas Bisnis Internasional) 1,000 0,363 0,375 0,461
X2 (Struktur Modal)) 1,000 0,377 0,450
X3 (Resiko Usaha) 1,000 0,111

194
----------
194
195
ANALISIS FAKTOR
14
14.1 Pengantar
Analisis faktor adalah analisis yang digunakan untuk mereduksi atau
meringkas sejumlah variabel menjadi lebih sedikit, namun tidak mengurangi makna
dari variabel aslinya. Disamping itu, analisis faktor juga bertujuan untuk
mengkonfirmasi struktur faktor yang dianalisis berdasarkan konsep atau teori, atau
mengukur validitas konstruk (construct validity) yang menunjukkan seberapa baik
hasil yang diperoleh dari penggunaan pengukur sesuai dengan teori-teori. Tujuan
lain dari analisis faktor adalah untuk mendapatkan ukuran (berupa skor) dari
variabel laten berdasarkan beberapa variabel terukur.
14.2 Jenis Analisis Faktor

Berdasarkan tujuan analisis faktor, maka jenis analisis faktor adalah:
1) Analisis Faktor Eksploratori (Explolatory Factor Analisis). Analisis factor yang
bertujuan untuk mereduksi (meringkas) sejumlah variable menjadi satu atau
beberapa factor.
2) Analisis Faktor Konfirmatori (Confirmatory Factor Analisis = CFA). Analisis
factor ini merupakan model deskriptif dengan tujuan untuk mendeskripsikan
sebuah keadaan atau sebuah konsep atau sebuah faktor, seperti misalnya
peneliti ingin mendapatkan gambaran mengenai struktur loyalitas merek,
struktur konsep pemasaran. Analisis yang dihasilkan disebut sebagai
measurement model karena model ini digunakan untuk mengukur kuatnya
struktur dari dimensi-dimensi yang membentuk sebuah faktor. Aplikasi analisis
faktor dengan confirmatory factor analysis terhadap variabel variabel yang
direncanakan akan diperlakukan sebagai indikator baik dari variabel laten
independen maupun laten dependen. Variabel observasi ini yang disebut juga
sebagai variabel indikator atau dimensi dibangun berdasarkan pijakan teoretis

196
yang cukup, serta justifikasi teoretis bahwa ia dapat dipertimbangkan sebagai

variabel laten independent dan juga variable dependen.
14.3 Data dalam Analisis Faktor

Dalam analisis faktor ukuran data yang disyaratkan adalah data berskala
interval atau rasio, tetapi dapat juga menggunakan variabel dummy (1 dan 0).
Sedangkan ukuran sampel dalam analisis faktor hendaknya tidak kurang dari 50
observasi, lebih baik jika di atas 100 observasi. Sebagai acuan umum, jumlah
sampel minimum 5 kali jumlah variabel dan lebih baik lagi jika 10 kali jumlah
variabel.
14.4 Analisis Faktor Eksploratory

Seperti yang dijelaskan di atas bahwa analisis faktor eksploratori adalah
meringkas (mereduksi) beberapa variabel menjadi lebih sedikit. Variabel baru yang
terbentuk hasil dari reduksi atau ringkasan beberapa variable dinamakan factor.
Langkah-langkah analisis factor eksploratori adalah:
1) Identifikasi variabel
Variabel yang akan direduksi dalam analisis faktor hendaknya berdasarkan
pada teori yang ada, atau penelitian terdahulu.
2) Memilih variabel
Proses analisis faktor berdasarkan korelasi antar variabel. Oleh karena dalam
analisis faktor akan mengelompokkan sejumlah variabel, maka seharusnya
ada korelasi yang cukup kuat diantara variabel yang akan dikelompokkan. Jika
ada suatu variabel berkorelasi lemah dengan variabel lainnya akan
dikeluarkan. Tabel 14.1 merupakan matrik korelasi antarvariabel dan
pengelompokkan variabel sesuai dengan lemah-kuatnya hubungan antar
variabel yang dianalisis.
Berdasarkan Tabel 14.1 dapat dilihat bahwa X1, X2, dan X3 saling berkorelasi
yang cukup kuat, namun dengan variabel X4, X5, dan X6 mempunyai korelasi
yang sangat lemah. Demikian juga antarvariabel X4, X5, dan X6 saling
196
197
berkorelasi yang cukup kuat, namun dengan variable X1, X2, dan X3
mempunyai korelasi yang sangat lemah. Apabila dianalisis dengan analisis
factor, kemungkinan besar X1, X2, dan X3 mengelompok, dan X4, X5, dan X6
berkelompok sendiri.
Tabel 14.1 Matrik Korelasi Antarvariabel
Metode statistik yang digunakan untuk menguji model analisis faktor

berdasarkan korelasi adalah KMO (Kaiser-Meyer-Olkin) atau Bartletf s test.
Besarnya KMO minimal 0,5, dan jika nilai KMO di bawah 0,5 maka analisis
faktor tidak bisa digunakan.
3) Ekstraksi variabel sehingga menjadi satu atau beberapa faktor. Metode yang
populer untuk mencari faktor adalah principal component.
4) Menentukan jumlah faktor
Untuk menentukan jumlah faktor bisa digunakan eigenvalue, a priori
determination, scree plot, atau percentase of variance. Berdasarkan
eigenvalue, hanya faktor yang mempunyai eigenvalue >1 yang dipakai.
Sedangkan berdasarkan percentace of variance, untuk ilmu sosial persentase
varian komulatif minimal 60 persen. Faktor yang terbentuk harus mampu
menggambarkan perbedaan diantara faktor yang terbentuk, dalam arti apakah
isi (variabel) suatu faktor benar-benar layak masuk faktor tersebut ataukah
mungkin masuk ke faktor lain. Jika isi faktor masih diragukan dapat dilakukan
proses rotasi.
5) Rotasi Faktor

198
Alat terpenting untuk interpretasi terhadap faktor adalah rotasi faktor. Tujuan
rotasi faktor untuk memperjelas masuknya variabel kedalam faktor tertentu.
Ada beberapa metode rotasi: a) Rotasi Orthogonal yaitu memutar sumbu 90°.
Proses rotasi orthoganal dibedakan lagi menjadi Quartimax, Varimax dan
Equamax. b) Rotasi Oblique yaitu memutar sumbu kekanan, tetapi tidak harus
90°. Proses rotasi Oblique dibedakan lagi menjadi Oblimin, Promax dan
Orthoblique. Tidak ada aturan khusus kapan harus memilih rotasi orthogonal
atau oblique. Pemilihan metode rotasi didasarkan pada kebutuhan khusus
masalah penelitian. Jika tujuan penelitian adalah mengurangi jumlah variabel
asli (awal), maka pilihan rotasi yang cocok adalah orthogonal. Namun demikian
jika tujuan kita ingin mendapatkan faktor atau konstruk yang sesuai dengan
teori, maka rotasi yang dipilih sebaiknya oblique.
Gambar 14.1 Proses Rotasi Faktor
198
199
6) Pemberian nama variabel baru. Jika faktor benar-benar sudah terbentuk,

selanjutnya dilakukan pemberian nama berdasarkan isi dari faktor yang ada.
Kadang-kadang sulit menemukan nama yang tepat untuk menggabungkan
sejumlah variabel yang membentuk suatu faktor.
14.5 Validitas Analisis Faktor

Validitas dalam analis faktor adalah dengan melihat besarnya nilai-nilai
KMO (Kaiser-Meyer-Olkin, χ2 (Chi Square), Significance Probability, Eigen value,
Varians Kumulatif, dan Anti-Image seperti yang diringkas pada Tabel 14.2.
Tabel 14.2. Nilai Validitas dalam Analisis Faktor
Nilai Validitas Cut-off Value
KMO (Kaiser-Meyer-Olkin) ≥ 0,50

χ2 (Chi Square) Diharapkan besar
Significance Probability < 0,05
Eigen value > 1,00
Varians Kumulatif ≥ 60 persen
Anti- Image ≥ 0,50
Di samping itu juga perlu diperhatikan kelayakan faktor muatan atau

loading factor dari tiap-tiap variable dengan menggunakan pedoman dari Tabel
14.3.
Tabel 14.3. Pedoman Untuk Mengidentifikasi Loading Factor
pada Tingkat Signifikansi 5 Persen
Sampel Loading Factor

50 0,75
60 0,70
70 0,65
85 0,60
100 0,55
120 0,50
150 0,45
200 0,40

200
Contoh 14.1
Seorang peneliti ingin mengetahui faktor yang dipertimbangkan seseorang
untuk menjadi nasabah di suatu bank. Setelah melakukan penelitian terhadap 140
responden, diidentifikasi variabel-variabel yang mempengaruhl keinginan menjadi
nasabah yaitu:
 Pelayanan teller (Yantel)
 Pelayanan satpam (Yanpam)
 Pelayanan konsumen (Yankon)
 Tingkat suku bunga (Bunga)
 Produk yang ditawarkan (Produk)
 Fasilitas ruang tunggu yang nyaman (Tunggu)
 Fasilitas parkir yang aman (Parkir)
 Tersedianya Fasilitas ATM (ATM)
Berdasarkan data dari 140 responden yang diolah dengan SPSS dengan
langkah-langkah sebagai berikut:
 Buka file Faktor.save
 Analyze  Data Reduction  Factor
 Masukkan semua variabel pada kotak di sebelah kanan
200
201
 Klik tomboh Descriptive contrengin KMO dan Anti-image  Continue
 Klik tombol Extration  pilih metode principal component  biarkan

perintah lainnya  Continue
 Klik Rotation  pilih Varimax  Continue  OK

202
Setelah diolah diperoleh print out seperti Output 14.1.1

Output 14.1.1
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,583
Bartlett's Test of Approx. Chi-Square 181,741

Sphericity df 28
Sig. ,000
Anti-image Matrices
PARKIR ATM YANTEL PRODUK BUNGA YANPAM YANKON TUNGGU

Anti-image CovarianPARKIR ,758 -,233 -,138 -,105 ,169 ,071 ,064 -,181
ATM -,233 ,751 ,093 ,180 -,049 ,024 -,022 -,191
YANTEL -,138 ,093 ,624 ,094 -,041 -,200 -,246 -,018
PRODUK -,105 ,180 ,094 ,797 -,305 -,050 -,061 ,020
BUNGA ,169 -,049 -,041 -,305 ,808 ,054 -,018 -,134
YANPAM ,071 ,024 -,200 -,050 ,054 ,675 -,197 -,098
YANKON ,064 -,022 -,246 -,061 -,018 -,197 ,643 ,030
TUNGGU -,181 -,191 -,018 ,020 -,134 -,098 ,030 ,809
Anti-image Correlat PARKIR ,496a -,308 -,201 -,135 ,216 ,099 ,092 -,232
ATM -,308 ,573a ,136 ,233 -,063 ,034 -,032 -,245
YANTEL -,201 ,136 ,616a ,134 -,058 -,308 -,388 -,026
PRODUK -,135 ,233 ,134 ,445 a -,380 -,069 -,085 ,024
BUNGA ,216 -,063 -,058 -,380 ,435a ,074 -,024 -,166
YANPAM ,099 ,034 -,308 -,069 ,074 ,687a -,299 -,132
YANKON ,092 -,032 -,388 -,085 -,024 -,299 ,671a ,042
TUNGGU -,232 -,245 -,026 ,024 -,166 -,132 ,042 ,586a
a. Measures of Sampling Adequacy(MSA)
202
203
Analisis 14.1.1
• Pada tabel KMO and Bartlet’s test, nilai KMO measure of sampling adequacy
(MSA) sebesar 0,583. Oleh karena angka ini > 0,5 dan dilihat dari Bartletf s test
of sphericity dengan nilai chi square sebesar 181,741 dengan signifikansi 0,000
berarti kumpulan variabel tersebut dapat diperoses lebih lanjut.
• Pada tabel Anti Image Matrices, khususnya bagian bawah (Anti Image
Correlation), terlihat angka-angka yang membentuk diagonal (bertanda 'a')
merupakan MSA sebuah variabel. Jika ada diantara angka tersebut < 0,5,
maka pilih variabel dengan angka terkecil untuk dikeluarkan. Adapun MSA yang
< 0,5 adalah variabel parkir (0,496), variabel produk (0,445) dan variabel bunga
(0,435). Pada langkah selanjutnya variabel bunga dikeluarkan karena memiliki
MSA paling kecil, dan ulangi langkah pemilihan variabel setelah mengeluarkan
variabel bunga. Hasilnya seperti print out Output 14.1.2.
Output 14.1.2
Adequacy. .625
Bartlett's Test of Approx. Chi-Square 153.206

Sphericity df 21
Sig. .000
Analisis 14.1.2
• Pada tabel KMO and Bartletf s test, nilai KMO measure of sampling adequacy
(MSA) sebesar 0,625. Oleh karena angka ini > 0,5 berarti kumpulan variabel
tersebut signifikan untuk diperoses lebih lanjut. Demikian jugajika dilihat dari
Bartletf s test of sphericity dengan nilai chi square sebesar 153,206 dengan
signifikansi 0,000.
• Pada tabel Anti Image Matrices bagian bawah, terlihat masih ada angka MSA
yang <0,5 yaitu variabel produk (0,427). Sehingga pada tahap selanjutnya
variabel produk dikeluarkan. Kemudian ulangi langkah pemilihan variabel
dengan mengeluarkan variabel produk dan hasilnya seperti print out Output
14.1.3.

204
Anti-image Matrices
PARKIR ATM YANTEL PRODUK YANPAM YANKON TUNGGU

Anti-image Covarianc PARKIR ,795 -,234 -,136 -,051 ,063 ,071 -,165
ATM -,234 ,754 ,091 ,189 ,028 -,023 -,206
YANTEL -,136 ,091 ,626 ,092 -,199 -,248 -,026
PRODUK -,051 ,189 ,092 ,931 -,035 -,079 -,037
YANPAM ,063 ,028 -,199 -,035 ,679 -,197 -,092
YANKON ,071 -,023 -,248 -,079 -,197 ,644 ,028
TUNGGU -,165 -,206 -,026 -,037 -,092 ,028 ,832
Anti-image Correlatio PARKIR ,561a -,302 -,193 -,059 ,086 ,100 -,203
ATM -,302 ,575a ,133 ,226 ,039 -,034 -,260
YANTEL -,193 ,133 ,624a ,121 -,305 -,391 -,036
PRODUK -,059 ,226 ,121 ,427a -,044 -,102 -,042
YANPAM ,086 ,039 -,305 -,044 ,702a -,298 -,122
YANKON ,100 -,034 -,391 -,102 -,298 ,665a ,038
TUNGGU -,203 -,260 -,036 -,042 -,122 ,038 ,629a
Output 13.1.3
Anti-image Matrices
PARKIR ATM YANTEL YANPAM YANKON TUNGGU

Anti-image Covariance PARKIR ,798 -,237 -,134 ,061 ,068 -,168
ATM -,237 ,795 ,078 ,037 -,008 -,209
YANTEL -,134 ,078 ,636 -,199 -,246 -,023
YANPAM ,061 ,037 -,199 ,680 -,203 -,093
YANKON ,068 -,008 -,246 -,203 ,650 ,025
TUNGGU -,168 -,209 -,023 -,093 ,025 ,833
Anti-image Correlation PARKIR ,571a -,297 -,188 ,083 ,094 -,206
ATM -,297 ,611a ,109 ,050 -,011 -,257
YANTEL -,188 ,109 ,647a -,302 -,383 -,031
YANPAM ,083 ,050 -,302 ,699a -,305 -,124
YANKON ,094 -,011 -,383 -,305 ,674a ,034
TUNGGU -,206 -,257 -,031 -,124 ,034 ,632a
Communalities
Initial Extraction
PARKIR 1,000 ,571
ATM 1,000 ,592
YANTEL 1,000 ,678
YANPAM 1,000 ,642
YANKON 1,000 ,667
TUNGGU 1,000 ,539
Extraction Method: Principal Component Analysis.
204
205
Total Variance Explained
Initial Eigenvalues ction Sums of Squared Loadtion Sums of Squared Load

Compon Total of Varianc umulative %Total of Varianc
umulative %Total of Varianc
umulative %
1 2,020 33,662 33,662 2,020 33,662 33,662 2,016 33,592 33,592
2 1,668 27,799 61,461 1,668 27,799 61,461 1,672 27,869 61,461
3 ,725 12,077 73,538
4 ,646 10,763 84,301
5 ,506 8,430 92,731
6 ,436 7,269 100,000
Rotated Component Matrixa

Component Matrixa
Component
Component
1 2
1 2
PARKIR ,002 ,755
PARKIR -,080 ,751
ATM -,156 ,753
ATM -,238 ,732
YANTEL ,820 ,073
YANTEL ,807 ,162
YANPAM ,801 -,012
YANPAM ,798 ,076
YANKON ,813 -,078
YANKON ,817 ,011
TUNGGU ,126 ,723
TUNGGU ,046 ,732
Rotation Method: Varimax with Kaiser Normalization.
a. 2 components extracted.
a. Rotation converged in 3 iterations.
Analisis 14.1.3.
• Pada tabel KMO and Bartletf s test, nilai KMO measure of sampling adequacy
(MSA) sebesar 0,648. Oleh karena angka ini > 0,5 berarti kumpulan variabel
tersebut signifikan untuk diperoses lebih lanjut. Demikian juga kelayakan analisis
factor jika dilihat dari Bartletf s test of sphericity dengan nilai chi square sebesar
143,829 dengan signifikansi 0,000.
• Pada tabel Anti Image Matrices bagian bawah, terlihat tidak ada variabel dengan
MSA < 0,50 sehingga ke-enam variabel tersebut memenuhi syarat untuk analisis
faktor.

206
Communalities (Kebersamaan)
Angka communalities merupakan jumlah kuadrat dari nilai factor muatan
(loading factor) dari component matrix (CM) seperti yang ditunjukkan pada Tabel
14.4. Angka communalities untuk variabel parkir sebesar 0,571 berarti sekitar 57,1
persen varians dari variabel parkir dapat dijelaskan oleh faktor yang terbentuk.
Sedangkan angka communalities untuk variabel ATM sebesar 0,592 berarti sekitar
59,2 persen varians dari variabel ATM dapat dijelaskan oleh faktor yang terbentuk.
Demikian juga untuk variabel lainnya dapat dilihat pada tabel communalities di
atas, di mana semakin kecil communalities suatu variabel, berarti semakin lemah
hubungannya dengan faktor yang terbentuk.
Tabel 14.4. Nilai Loading Factor dan Communalities
Rotated CM
Variable Communalities
1 2
Fasilitas Parkir 0.002 0.755 (0,002)2 x (0,755)2 = 0.571
Fasilitas ATM -0.156 0.753 (-0,156)2 x (0,753)2 = 0.592
Pelayanan Teller 0.820 0.073 (0,820)2 x (0,073)2 = 0.678
Pelayanan Satpam 0.801 -0.012 (0,801)2 x (-0,012)2 = 0.642
Pelayanan Konsumen 0.813 -0.078 (0,813)2 x (-0,078)2 = 0.667
Fasilitas Ruang Tunggu 0.126 0.723 (0,126)2 x (0,723)2 = 0.539

Dari Tabel 14.4 terlihat bahwa hanya dua faktor terbentuk, karena dengan
satu faktor angka eigenvalue di atas 1, dengan dua faktor angka eigenvalue masih
di atas 1, tetapi dengan tiga faktor angka eigenvalue sudah di bawah 1. Varian
faktor 1 sebesar 33,662 persen dan varian faktor 2 sebesar 27,799 persen.
Sehingga kedua faktor itu dapat menjelaskan 61,461 persen dari variasi ke-enam
variabel yang dianalisis.
Scree Plot
Kelayakan faktor dapat dilihat dari scree plot, Faktor 1 dan faktor 2 (sumbu
component number) mempunyai eidenvalues di atas angka 1 (sumbu
eigenvalues), sedangkan faktor 3 sudah di bawah angka 1. Hal ini menunjukkan
206
207
bahwa dua faktor paling bagus untuk meringkas ke-enam variabel tersebut,
sedangkan mulai faktor ke-tiga dan seterusnya tidak layak, karena memiliki
eigenvalue kurang dari 1.
Scree Plot
2.5
2.0
1.5
1.0
Eigenvalue
.5
0.0
1 2 3 4 5 6
Component Number
Component Matrix
Angka pada tabel component Matrix adalah faktor loading yang
menunjukkan korelasi antara suatu variabel dengan faktor 1 atau faktor 2. Variabel
ATM misalnya, korelasi antara variabel ATM dengan faktor 1 adalah -0,238
(lemah) dan korelasi antara variabel ATM dengan faktor 2 adalah 0,732 (kuat).
Dengan demikian variabel ATM dapat dimasukkan sebagai komponen faktor 2.
Demikian juga variabel parkir dan variabel tunggu masuk faktor 2. Sedangkan
variabel Yantel. Yanpam dan Yankon masuk faktor 1.
Proses rotasi memperjelas masuknya suatu variabel ke salah satu factor.
Suatu variabel dikatakan tidak jelas bisa dimasukkan ke salah satu faktor mungkin
karena koefisien korelasinya sama-sama kecil (angka pembatas/cut off point agar
sebuah variabel secara nyata masuk suatu faktor untuk data sekitar 100 observasi
adalah 0,55), atau mungkin juga karena koefisien karelasinya sama-sama besar.

208
Menamakan Faktor
Pemberian nama faktor akan tergantung pada nama-nama variabel yang
membentuk faktor atau interpretasi analis atau pertimbangan lainnya yang bersifat
subyektif dan yang paling baik adalah berdasarkan acuan teoritis. Untuk kasus di
atas faktor 1 yang terdiri atas Yantel, Yanpam dan Yanko, karena mengandung
unsur pelayanan mungkin bisa disebut faktor pelayanan. Sedangkan faktor 2 yang
terdiri atas Parkir, ATM dan Tunggu yang semuanya adalah mengandung unsur
fasilitas, mungkin bisa disebut faktor fasilitas fisik. Dengan terbentuknya dua faktor,
maka pihak manajemen tidak perlu mengamati 6 variabel, cukup 2 faktor saja,
yaitu factor fasilitas dan factor pelayanan.
14.6 Analisis Faktor Konfirmatori (CFA) Satu Tahap

Langkah-langkah CFA satu tahap
1) Identifikasi variabel
Variabel yang akan direduksi dalam analisis faktor hendaknya berdasarkan
pada teori yang ada, atau penelitian terdahulu.
2) Ekstraksi variabel dilakukan sehingga menjadi satu faktor saja dengan metode
principal component.
208
209
3) Dalam analisis faktor konfirmatori yang umumnya bertujuan untuk mencari skor
faktor maka skor faktor perlu dimunculkan dengan perintah save. Skor faktor
merupakan variate atau kombinasi linier dari indikator-indikator yang dilibatkan,
 Klik Scores  centangin save as variabels dan display score
coefficient matrix  Continue  OK
Catatan: Evaluasi validitas pengukuran dalam analisis faktor konfirmatori sama

seperti dalam analisis faktor eksploratori.
Contoh 14.2
Kinerja keuangan daerah secara teoritis dapat ditentukan oleh komponen,
yaitu: efektifitas, efesiensi, kemandirian, keserasian, dan upaya pemungutan
pendapatan asli daerah (PAD), seperti yang digambarkan sbb:
Gambar 14.3
Model Pengukuran Kinerja Keuangan Dearah

210
Penelitian dengan menggunakan data tahun 2001 – 2006 pada 9

kabupaten/kota di Provinsi Bali ditunjukkan oleh hasil olahan data dengan SPSS
sebagai berikut.
Output 14.2.1
Adequacy. ,600

Sphericity df 10
Sig. ,000
Anti-image Matrices
Efektivitas Efisiensi Kemandirian Keserasian Upaya PAD

Anti-image Covarianc Efektivitas ,816 -,293 -,048 -,007 ,026
Efisiensi -,293 ,854 ,040 -,048 -,020
Kemandirian -,048 ,040 ,080 -,011 -,076
Keserasian -,007 -,048 -,011 ,749 -,030
Upaya PAD ,026 -,020 -,076 -,030 ,082
Anti-image CorrelationEfektivitas ,566 a -,351 -,189 -,009 ,101
Efisiensi -,351 ,438a ,152 -,060 -,076
Kemandirian -,189 ,152 ,567a -,046 -,940
Keserasian -,009 -,060 -,046 ,961a -,122
Upaya PAD ,101 -,076 -,940 -,122 ,572a
Communalities
Initial Extraction
Efektivitas 1,000 ,133
Efisiensi 1,000 ,009
Kemandirian 1,000 ,901
Keserasian 1,000 ,479
Upaya PAD 1,000 ,896
210
211
Initial Eigenvalues Extraction Sums of Squared Loadings

Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,419 48,376 48,376 2,419 48,376 48,376
2 1,284 25,680 74,056
3 ,703 14,059 88,115
4 ,552 11,050 99,165
5 ,042 ,835 100,000
Component Matrixa
Compone
nt
1
Efektivitas ,364
Efisiensi -,096
Kemandirian ,949
Keserasian ,692
Upaya PAD ,947
Analisis 14.2.1
Dengan mamasukkan semua variabel terukur, yaitu rasio efektivitas dan
efisiensi, rasio keserasian, rasio kemandirian, serta upaya pemungutan PAD,
ternyata model ini belum memenuhi kriteria yang disayaratkan, yaitu varians
kumulatifnya belum mencapai minimal 60 persen, dan loading faktor untuk
variabel efektivitas dan efisiensi kurang 0,60 (untuk sampel hanya 54). Oleh
karena itu secara bertahap variabel efisiensi dikeluarkan dari model, karena
variabel ini memiliki loading factor dan anti image terkecil.
Output 14.2.2
Adequacy. ,621

Sphericity df 6
Sig. ,000

212
Anti-image Matrices
Efektivitas Kemandirian Keserasian Upaya PAD

Anti-image Covariance Efektivitas ,930 -,041 -,027 ,022
Kemandirian -,041 ,082 -,009 -,078
Keserasian -,027 -,009 ,752 -,032
Upaya PAD ,022 -,078 -,032 ,082
Anti-image Correlation Efektivitas ,820a -,146 -,032 ,080
Kemandirian -,146 ,572a -,037 -,942
Keserasian -,032 -,037 ,965a -,127
Upaya PAD ,080 -,942 -,127 ,571a
Communalities
Initial Extraction
Efektivitas 1,000 ,148

1 2,414 60,342 60,342 2,414 60,342 60,342
2 ,912 22,790 83,131
3 ,632 15,809 98,941
4 ,042 1,059 100,000
Component Matrixa
Compone
nt
1
Efektivitas ,385
Kemandirian ,946
Keserasian ,694
Upaya PAD ,943
212
213
Analisis 14.2.2
Dengan mengeluarkan variabel efisiensi dari model pengukuran, maka
variabel terukur yang tersisa adalah: rasio efektivitas, rasio keserasian, rasio
kemandirian, serta upaya pemungutan PAD. Dari hasil olahan data meskipun
varian kumulatif telah memeuhi persyaratan, yaitu telah mencapai 60 persen,
namun ternyata masih ada kriteria belum terpenuhi dari model pengukuran ini,
yaitu loading faktor untuk variabel efektivitas kurang 0,60. Oleh karena itu variabel
efektivitas dikeluarkan dari model pengukuran kinerja keuangan daerah.
Output 14.2.3

Adequacy. ,606

Sphericity df 3
Sig. ,000
Anti-image Matrices
Kemandirian Keserasian Upaya PAD

Anti-image Covariance Kemandirian ,084 -,011 -,079
Keserasian -,011 ,753 -,031
Upaya PAD -,079 -,031 ,083
Anti-image Correlation Kemandirian ,564a -,042 -,943
Keserasian -,042 ,965a -,125
Upaya PAD -,943 -,125 ,562a
Communalities
Initial Extraction

214

1 2,321 77,381 77,381 2,321 77,381 77,381
2 ,636 21,187 98,568
3 ,043 1,432 100,000
Component Matrix a
Compone
nt
1
Kemandirian ,952
Keserasian ,708
Upaya PAD ,955
Analisis 14.2.3
Setelah variabel efektivitas dikeluarkan dari model pengukuran, hasil
olahan data dengan analisis faktor menunjukkan bahwa variabel rasio keserasian,
rasio kemandirian, serta upaya pemungutan PAD ternyata valid atau memenuhi
kriteria statistik membentuk model pengukuran kinerja keuangan daerah
kabupaten/kota di Propinsi Bali untuk tahun 2001 – 2006. Nilai validitas konstruk
variabel kinerja keuangan daerah dapat dilihat pada Tabel 14.5.
Tabel 14.5
Nilai Validitas Konstruk Kinerja Keuangan Daerah Kabupaten/kota
di Propinsi Bali untuk tahun 2001 – 2006
Kriteria Penilaian Cut-off Value Nilai Keterangan

KMO (Kaiser-Meyer-Olkin) ≥ 0,50 0,606 Baik
2
χ (Chi Square) Besar 141,141 Sangat Baik
Significance Probability ≤ 0,05 0,000 Sangat Baik
Eigen value > 1,00 2,321 Baik
Cummulative Variance ≥ 60 % 77,381% Baik
214
215
Di samping kriteria yang ditampilkan pada Tabel 14.5 anti image atau
mesures of sampling adequacy (MSA) semua variabel rasio keserasian, rasio
kemandirian, serta upaya pemungutan PAD telah memenuhi syarat minimal 0,50,
dan loading factor masing-masing variabel semuanya 0,60 ke atas, sesuai yang
disyaratkan.
Varians kumulatif (VC) sebesar 77,381 persen mempunyai arti bahwa
77,381 persen faktor kinerja keuangan mampu menjelaskan variasi ketiga variabel
keuangan daerah yang diteliti. Hubungan antara variabel rasio keserasian, rasio
kemandirian, serta upaya pemungutan PAD dengan konstruk kinerja keuangan
daerah ditampilkan pada Gambar 14.3.
Gambar 14.3
Model Pengukuran Kinerja Keuangan Daerah Kabupaten/Kota
di Propinsi Bali, Tahun 2001 - 2006
14.7. Menghitung Skor Faktor

Dalam suatu penelitian dengan menggunakan analisis faktor tidak saja
bertujuan untuk mengetahui validitas indikator (variabel terukur) terhadap variabel
laten atau variabel konstruk yang dibuat, namun banyak juga bertujuan untuk
menghitung skor faktor yang dimanfaatkan untuk tujuan lainnya, seperti:
mendeskripsikan, mengkomparasikan, atau meregresikan. Metode regresi dengan
variabel laten melalui analisis faktor sering disebut regression with factor analysis.
Skor faktor merupakan kombinasi linier dari beberapa variabel yang dapat
Zi = α1i X1i + α2i X2i + .......αki Xki ............................. …. …………(14.1)

216
Keterangan :
Zi = Skor faktor variabel laten terstandar ke-i
αij = Koefisien regresi dari variabel i
X = variabel terukur
Skor faktor yang diperoleh apabila tidak dideskripsikan umumnya dibiarkan

sesuai dengan angka aslinya, namun jika dideskripsikan, maka agar lebih
bermakna angkanya ditrasformasi dengan batas minimal 0 atau 1. Data dengan
skala Likert yang skor minimumnya 1, hasil skor faktornya juga sering
ditransformasi minimal 1. Apabila ditransformasi minimal 1, maka skor yang baru
yang biasanya disebut indeks dihitung dengan rumus:
Indeks = 1 + Zi – minZ ..................................................................(14.2)
Keterangan:
Zi = Skor faktor variabel laten terstandar ke-i
MinZ = skor minimal dari seluruh pengamatan
Contoh 14.3
Apabila data Contoh 14.2 hasil skor faktornya ditransformasi minimal 1 yang
selanjutnya disebut Indeks Kinerja Keuangan Daerah Kabupaten/Kota di Provinsi
Bali, hasilnya ditampilkan pada Tabel 14.6.
Tabel 14.6
Cuplikan Data Asal, Skor Faktor dan Indeks Kinerja Keuangan Daerah
Kabupaten/Kota di Provinsi Bali, tahun 2001 – 2006
Kab/
Tahun X1 X2 X3 X4 X5 FACT_1 Indeks
Kota
1 2001 99,09 97,12 6,18 18,27 0,61 -0,991 1,29
2 2001 110,89 98,02 4,3 10,61 0,44 -1,282 1,00
3 2001 89,93 95,07 10,05 23,69 1,29 -0,588 1,69
4 2001 103,36 85,89 69,59 47,66 8,7 3,269 5,55
5 2001 95,19 79,72 19,81 37,46 2,11 0,210 2,49
6 2001 102,13 95,35 4,87 18,33 0,61 -1,020 1,26
7 2001 100,15 92,74 8,51 32,6 1,08 -0,437 1,84
8 2001 98,42 95,62 10,47 24,86 1,38 -0,524 1,76
9 2001 88,92 80,31 43,21 30,93 3,09 0,820 3,10
dan seterusnya tahun 2002 ....
Berdasarkan Tabel 14.6 dapat diketahui bahwa indeks kinerja keuangan

daerah Kabupaten/Kota adalah 1, yang dimiliki oleh Kabupaten nomor urut 2 pada
tahun 2001. Angka tersebut diperoleh karena skor faktor minimal dari 54
216
217
pengamatan adalah -1,282. Secara keseluruhan, indeks kinerja keuangan daerah

kabupaten/kota di Provinsi Bali, tahun 2001 – 2006 dapat ditampilkan pada Tabel
14.7.
Tabel 14.7
Indeks Kinerja Keuangan Daerah Kabupaten/Kota di Provinsi Bali,
tahun 2001 – 2006
Kabupaten Tahun Rata-
/Kota 2001 2002 2003 2004 2005 2006 rata
1 1,29 1,26 1,25 1,34 1,29 1,94 1,40
2 1,00 1,19 1,53 1,69 1,65 1,93 1,50
3 1,69 2,04 2,01 2,18 2,15 2,18 2,04
4 5,55 4,84 4,09 4,78 4,78 4,36 4,74
5 2,49 2,48 2,17 2,52 2,55 2,73 2,49
6 1,26 1,39 1,63 1,76 1,79 1,95 1,63
7 1,84 1,96 1,99 1,79 2,17 2,30 2,01
8 1,76 1,88 1,89 2,18 2,18 2,41 2,05
9 3,10 2,57 2,60 2,52 2,72 2,61 2,69
Berdasarkan Tabel 14.7 dapat diketahui bahwa selama tahun 2001 – 2006,
secara rata-rata Kabupaten dengan nomur urut 1 memiliki kinerja keuangan yang
terrendah, sedangkan yang tertinggi kabupaten nomor 4.
Soal-Soal Latihan:
14.1. Data berikut ini adalah mengenai indikator kinerja pembangunan pedesaan
dengan mengambil 150 sample desa dengan variabel sebagai berikut:
1) Tingkat pendapatan (Rp) 5) Harapan hidup (tahun)
2) Jumlah penduduk miskin (%) 6) Kematian bayi (%)
3) Distribusi pendapatan (indeks) 7) Penduduk melek huruf (%)
4) Pertumbuhan penduduk (%)
Factor Analysis a)
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,599
Sphericity
Df 21
Sig. ,000

218
Anti-image Matrices
Panda
patan penmis dispen Perped harhid kembayi Melhurf
Anti-image Pendapatan ,664 -,182 -,267 -,230 -,014 -,038 -,083
Covariance Penmis -,182 ,787 -,163 -,038 ,082 -,025 ,011
Dispend -,267 -,163 ,728 ,138 ,074 ,010 ,039
Perpedd -,230 -,038 ,138 ,881 ,061 -,053 ,038
Harhid -,014 ,082 ,074 ,061 ,746 -,148 -,312
Kembayi -,038 -,025 ,010 -,053 -,148 ,925 -,080
Melhurf -,083 ,011 ,039 ,038 -,312 -,080 ,781
Anti-image Pendapatan ,581a -,252 -,385 -,300 -,020 -,049 -,116
Correlation Penmis -,252 ,727a -,216 -,046 ,107 -,030 ,014
Dispend -,385 -,216 ,600a ,172 ,101 ,013 ,052
Perpedd -,300 -,046 ,172 ,455a ,076 -,059 ,046
a
Harhid -,020 ,107 ,101 ,076 ,582 -,178 -,408
Kembayi -,049 -,030 ,013 -,059 -,178 ,683a -,094
Melhurf -,116 ,014 ,052 ,046 -,408 -,094 ,565a
Factor Analysis b)

Sphericity 5
Df 15
Sig. ,000
Anti-image Matrices
Panda
Patan Penmis dispend harhid kembayi Melhurf
Anti-image pendapatan ,729 -,211 -,262 ,002 -,057 -,081
Covariance Penmis -,211 ,788 -,162 ,085 -,028 ,013
dispend -,262 -,162 ,750 ,067 ,019 ,034
Harhid ,002 ,085 ,067 ,750 -,145 -,317
kembayi -,057 -,028 ,019 -,145 ,928 -,078
melhurf -,081 ,013 ,034 -,317 -,078 ,783
Anti-image pendapatan ,620a -,279 -,354 ,003 -,070 -,107
Correlation Penmis -,279 ,698a -,211 ,111 -,033 ,016
dispend -,354 -,211 ,663a ,089 ,023 ,044
Harhid ,003 ,111 ,089 ,582a -,174 -,414
kembayi -,070 -,033 ,023 -,174 ,686a -,091
melhurf -,107 ,016 ,044 -,414 -,091 ,565a
a. Measures of Sampling) Adequacy(MSA
218
219
Communalities
Initial Extraction
pendapatan 1,000 ,659
penmis 1,000 ,558
dispen 1,000 ,602
harhid 1,000 ,660
kembayi 1,000 ,351
melhurf 1,000 ,618

Extraction Sums of Squared Rotation Sums of Squared
Initial Eigenvalues Loadings Loadings
Comp % of Cumula % of Cumula % of Cumula
onent Total Variance tive % Total Variance tive % Total Variance tive %
1 1,884 31,408 31,408 1,884 31,408 31,408 1,829 30,487 30,487
2 1,562 26,037 57,446 1,562 26,037 57,446 1,617 26,958 57,446
3 ,843 14,044 71,489
4 ,644 10,726 82,216
5 ,543 9,046 91,262
6 ,524 8,738 100,000

Component
1 2
Pendapatan ,798 ,150
Penmis ,743 -,078
Dispen ,769 -,103
Harhid -,197 ,788
Bayi ,106 ,583
Melhurf -,013 ,786
Factor Analysis c)

Bartlett's Approx. Chi-Square 104,678
Test of
Sphericity Df 10
Sig. ,000

220
Anti-image Matrices
pendapatan penmis dispen harhid melhurf

Anti-image pendapatan ,733 -,214 -,262 -,007 -,087
Covariance penmis -,214 ,789 -,162 ,084 ,011
dispen -,262 -,162 ,750 ,072 ,036
harhid -,007 ,084 ,072 ,774 -,342
melhurf -,087 ,011 ,036 -,342 ,789
Anti-image pendapatan ,618a -,282 -,354 -,009 -,114
Correlation penmis -,282 ,698a -,210 ,107 ,013
dispen a
-,354 -,210 ,663 ,095 ,047
harhid a
-,009 ,107 ,095 ,545 -,438
melhurf -,114 ,013 ,047 -,438 ,508a
Communalities
Initial Extraction
pendapatan 1,000 ,670
penmis 1,000 ,556
dispen 1,000 ,605
harhid 1,000 ,714
melhurf 1,000 ,736

Extraction Sums of Squared Rotation Sums of Squared
Initial Eigenvalues Loadings Loadings
Comp % of Cumula % of Cumula % of Cumula
onent Total Variance tive % Total Variance tive % Total Variance tive %
1 1,877 37,533 37,533 1,877 37,533 37,533 1,809 36,188 36,188
2 1,405 28,110 65,643 1,405 28,110 65,643 1,473 29,455 65,643
3 ,645 12,903 78,545
4 ,544 10,882 89,428
5 ,529 10,572 100,000

Component
1 2
pendapatan ,809 ,125
penmis ,736 -,121
dispend ,768 -,125
harhid -,147 ,832
melhurf ,048 ,857
220
221
Analisislah hasil olahan data di atas untuk mendapatkan ringkasan variable

atau factor-faktor yang menentukan kinerja pembangunan pedesaan. Berikan
nama variable factor-faktor tersebut, dan jelaskan factor yang mana
berkontribusi dominant terhadap factor yang dibentuk.
14.2. Berikut ini adalah data survey pemasaran yang dilakukan oleh sebuah
perusahaan terhadap 100 responden, dengan variabel atau artribut sebagai
berikut:
X1 = kecepatan penyediaan X5 = pelayanan
X2 = tingkat harga X6 = image kemampuan penjualan
X3 = fleksibilitas harga X7 = kualitas produk
X4 = image perusahaan
Tugas:
a. mengelompokkan semua artribut tersebut dalam bentuk yang lebih
ringkas dengan menggunakan hasil olahan data.
b. Memberikan nama variabel (faktor) yang baru terbentuk relevan dengan
nama variabel asal, dan urut faktor mana yang berkontribusi lebih besar.
Factor Analysis a)
Bartlett's Approx. Chi-Square 271,702
Test of Df 21
Sphericity Sig. ,000
Communalities
Initial Extraction
Kecepatan penyediaan 1.000 .834
Fleksibilitas harga 1.000 .858
Tingkat harga 1.000 .866
Image produk 1.000 .898
Pelayanan menyeluruh 1.000 .818
Kualitas produk 1.000 .871
Promosi 1.000 .175

222
Anti-image Matrices
KecepatanFleksibilitas Pelayanan Kualitas

penyediaan harga ingkat hargamage produmenyeluruh produk Promosi
Anti-image Cova Kecepatan peny .537 .075 -.129 .064 -.328 -.017 -.001
Fleksibilitas harg .075 .342 -.262 -.029 -.094 .049 -.030
Tingkat harga -.129 -.262 .327 .013 .079 -.039 -.036
Image produk .064 -.029 .013 .348 -.096 -.277 .074
Pelayanan meny -.328 -.094 .079 -.096 .522 .005 -.041
Kualitas produk -.017 .049 -.039 -.277 .005 .368 -.046
Promosi -.001 -.030 -.036 .074 -.041 -.046 .941
Anti-image CorreKecepatan peny .520a .175 -.308 .148 -.620 -.038 -.002
Fleksibilitas harg .175 .525a -.784 -.085 -.222 .138 -.053
Tingkat harga -.308 -.784 .525a .039 .192 -.112 -.064
Image produk .148 -.085 .039 .512a -.226 -.774 .130
Pelayanan meny -.620 -.222 .192 -.226 .552a .011 -.059
Kualitas produk -.038 .138 -.112 -.774 .011 .520a -.078
Promosi -.002 -.053 -.064 .130 -.059 -.078 .743a
a.Measures of Sampling Adequacy(MSA)
Initial Eigenvalues action Sums of Squared Loadation Sums of Squared Loadi

Compon Total of Variancumulative %Total of Variancumulative %Total of Variancumulative %
1 2.451 35.015 35.015 2.451 35.015 35.015 1.884 26.914 26.914
2 1.756 25.080 60.095 1.756 25.080 60.095 1.840 26.279 53.193
3 1.113 15.900 75.994 1.113 15.900 75.994 1.596 22.801 75.994
4 .913 13.042 89.036
5 .400 5.711 94.748
6 .198 2.831 97.579
7 .169 2.421 100.000
Component Matrixa
Component
1 2 3
Kecepatan penyediaan .650 -.172 -.617
Fleksibilitas harga .703 -.440 .413
Tingkat harga .727 -.436 .385
Image produk .483 .788 .210
Pelayanan menyeluruh .702 .105 -.560
Kualitas produk .466 .779 .215
Promosi .249 -.322 .095
222
223
Component
1 2 3
Kecepatan penyediaan .204 -.037 .889
Fleksibilitas harga .916 .085 .106
Tingkat harga .915 .091 .143
Image produk -.012 .942 .097
Pelayanan menyeluruh .114 .235 .866
Kualitas produk -.016 .929 .083
Promosi .390 -.125 .084
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 4 iterations.
Factor Analysis b)
Adequacy. .520
Bartlett's Test of Approx. Chi-Square 266.750

Sphericity df 15
Sig. .000
Anti-image Matrices
Kecepatan Fleksibilitas Pelayanan Kualitas

penyediaan harga ingkat harga mage produk
menyeluruh produk
Anti-image Cova Kecepatan penye .537 .075 -.130 .065 -.329 -.017
Fleksibilitas harg .075 .343 -.265 -.027 -.096 .048
Tingkat harga -.130 -.265 .328 .016 .078 -.041
Image produk .065 -.027 .016 .354 -.095 -.280
Pelayanan meny -.329 -.096 .078 -.095 .524 .003
Kualitas produk -.017 .048 -.041 -.280 .003 .370
Anti-image Corre Kecepatan penye .513 a .175 -.309 .149 -.621 -.038
Fleksibilitas harg .175 .512a -.791 -.079 -.226 .134
Tingkat harga -.309 -.791 .511 a .048 .189 -.117
Image produk .149 -.079 .048 .517a -.221 -.773
Pelayanan meny -.621 -.226 .189 -.221 .550a .006
Kualitas produk -.038 .134 -.117 -.773 .006 .523a
a.Measures of Sampling Adequacy(MSA)

224
Communalities
Initial Extraction
Kecepatan penyediaan 1.000 .837
Fleksibilitas harga 1.000 .895
Tingkat harga 1.000 .899
Image produk 1.000 .897
Pelayanan menyeluruh 1.000 .818
Kualitas produk 1.000 .883
Initial Eigenvalues action Sums of Squared Loadation Sums of Squared Loadi

Compon Total of Variancumulative %Total of Variancumulative %Total of Variancumulative %
1 2.415 40.250 40.250 2.415 40.250 40.250 1.824 30.393 30.393
2 1.703 28.383 68.633 1.703 28.383 68.633 1.796 29.935 60.327
3 1.111 18.519 87.152 1.111 18.519 87.152 1.610 26.825 87.152
4 .400 6.664 93.816
5 .201 3.357 97.173
6 .170 2.827 100.000
Component Matrixa
Component
1 2 3
Kecepatan penyediaan ,645 -,229 -,606
Fleksibilitas harga ,680 -,493 ,435
Tingkat harga ,703 -,490 ,406
Image produk ,530 ,759 ,200
Pelayanan menyeluruh ,711 ,053 -,557
Kualitas produk ,506 ,767 ,198

Component
1 2 3
Kecepatan penyediaan -,045 ,187 ,894
Fleksibilitas harga ,026 ,937 ,128
Tingkat harga ,033 ,933 ,164
Image produk ,942 ,039 ,091
Pelayanan menyeluruh ,236 ,104 ,867
Kualitas produk ,936 ,018 ,077
224
225
14.3 Secara teoritis strategi pemasaran ditentukan oleh variabel harga, promosi,
personal selling, dan evidensi, seperti diagram berikut ini.
HARGA PROMO PERSONA EVIDENSI
STRATEGI
PEMASARAN
Penelitian yang dilakukan terhadap 100 perusahaan dengan tujuan

mengkonfirmasi teori tersebut. Berdasarkan hasil olahan data SPSS terlampir
jelaskanlah validitas variabel yang menentukan strategi pemasaran tersebut.
Factor Analysis
Adequacy. ,877

Sphericity df 6
Sig. ,000
Anti-image Matrices
Personal
Harga Promosi Selling Evidensi
Anti-image Covariance Harga ,216 -,053 -,052 -,049
Promosi -,053 ,173 -,043 -,069
Personal Selling -,052 -,043 ,186 -,065
Evidensi -,049 -,069 -,065 ,144
Anti-image Correlation Harga ,908a -,272 -,260 -,277
Promosi -,272 ,874a -,241 -,435
Personal Selling -,260 -,241 ,886a -,398
Evidensi -,277 -,435 -,398 ,844a

226
Communalities
Initial Extraction
Harga 1,000 ,874
Promosi 1,000 ,899
Personal Selling 1,000 ,892
Evidensi 1,000 ,918
Extraction Method: Principal Component Analysi

1 3,583 89,583 89,583 3,583 89,583 89,583
2 ,167 4,166 93,748
3 ,145 3,626 97,375
4 ,105 2,625 100,000
Component Matrixa
Compone
nt
1
Harga ,935
Promosi ,948
Personal Selling ,944
Evidensi ,958
----------------
226
227
ANALISIS DISKRIMINAN
15
15.1. Pengantar
Analisis diskriminan memiliki kesamaan dengan analisis regresi dengan
variabel terikat berbentuk kualitatif atau kategori yang bertujuan untuk
menganalisis variabel yang mampu membedakan (mendiskriminasi) kategori
tersebut. Misalnya, Kepala Dinas Pertanian telah mengidentifikasi faktor-faktor
yang dapat membedakan antara petani yang inovatif dan yang tidak, seperti:
pengalaman bertani, pendapatan keluarga, dan luas tanah garapan. Selanjutnya
fungsi diskriminan yang dihasilkan tersebut dapat digunakan untuk memprediksi
petani yang inovatif dan yang tidak berdasarkan variabel diskriminan yang
diketahui. Dengan demikian tujuan dari analisis diskriminan sebagai berikut:
1) Mengidentifikasi variabel-variabel yang mampu membedakan (diskriminasi)
antara kedua kelompok atau lebih.
2) Menggunakan variabel-variabel yang telah teridentifikasi untuk menyusun
persamaan atau fungsi untuk menghitung variabel baru atau indeks yang
dapat menjelaskan perbedaan antara dua kelompok atau lebih.
3) Menggunakan variabel yang telah teridentifikasi untuk memprediksi sampel di
masa mendatang apakah masuk pada kelompok yang mana.
15.2. Langkah-langkah Analisis Diskriminan

1) Mengidentifikasi variabel yang mampu membedakan antara dua kelompok
atau lebih. Pertama, dapat dilihat dari deskripsi nilai rata-rata masing-masing
variabel diskriminan (indepenen) pada masing-masing kelompok. Kedua,
melihat signifikansi perbedaan nilai rata-ratanya pada masing-masing
kelompok.
2) Menguji apakah skor diskriman berbeda antara dua kelompok atau lebih. Skor
diskriminan adalah kombinasi linier yang dihasilkan berdasarkan variabel
diskriminan yang digunakan.

228
3) Menginterpretasikan R2. Nilai R2 diperoleh dengan mengkuadratkan koefisien

korelasi kanonikal, dan diinterpretasikan sama dengan koefisien determinasi
pada regresi berganda.
4) Mengidentifikasi peranan variabel diskriminan terhadap fungsi diskrimanan
yang terbentuk dengan melihat standardized canonical discriminant function.
5) Menilai kontribusi masing-masing variabel diskriminan, terhadap fungsi
diskrimanan yang terbentuk dengan melihat nilai loading dari structure
coeffícient.
6) Membuat fungsi diskriminan dan melakukan prediksi klasifikasi kelompok.
Fungsi diskriminan yang lengkapnya disebut Fisher's linear discriminant
function dapat dibuat berdasarkan output Canonical Discriminant Function
Coefficient. Berdasarkan fungsi diskriminan tersebut, dan berdasarkan nilai
variabel diskriminan yang diketahui akan dapat diprediksi pada kelompok
mana suatu observasi berada.
7) Menilai kekuratan prediktif dari fungsi diskriminan.
Contoh 15.1.
Data berikut ini adalah skala bank (BS) dan kinerja keuangan (FP) dua
kelompok bank menutut kategori kinerja bagus dan jelek.
Bank berkinerja “Bagus” Bank berkinerja “Jelek”
Sampel Kinerja Skala FP Sampel Kinerja Skala FP
1 2 1 0,58 13 1 1 2,28
2 2 1 2,80 14 1 0 1,06
3 2 1 2,77 15 1 0 1,08
4 2 1 3,50 16 1 0 0,07
5 2 1 2,67 17 1 0 0,16
6 2 1 2,97 18 1 0 0,70
7 2 1 2,18 19 1 0 0,75
8 2 1 3,24 20 1 0 1,61
9 2 1 1,49 21 1 0 0,34
10 2 1 2,19 22 1 0 1,15
11 2 0 2,70 23 1 0 0,44
12 2 0 2,57 24 1 0 0,86
Keterangan: Kinerja bank adalah 1 = baik; 2 = jelek
Skala usaha bank adalah 1 = besar, 0 = kecil
228
229
Pertanyaan: Apakah variabel skala dan kinerja keuangan bank mampu

membedakan kedua kelompok bank dengan kinerja baik dan jelek? Buat fungsi
diskriminan, dan prediksi klasifikasi kinerja bank berdasarkan nilai variabel
diskriminan.
Langkah Anàlisis Dengan SPSS

 Buka file contoh diskriminan
 Dari menu utama SPSS, pilih menu Analyze kemudian submenu Classify
lalu pilih Discriminant
Gambar 15.1 Discriminant Analysis
 Tampak dilayar monitor Discriminant Analysis

 Pada box Grouping Variabel masukkan kinerja bank, dengan define range:
minimum 1 dan maksimum 2.
 Pada kotak Independent masukkan variabel SKALA dan FP.
Gambar 15.2. Memasukkan Variabel

230
 Pada submenu Statistics dan test statistic descriptive centangin: Means,

Univariate ANOVA, serta function coeffícient: Fisher’s dan Unstandardized.
Gambar 15.3 Discriminant Analysis: Statistics
 Pada Submenu Clasify centangin: Summary tabel
Gambar 15.5 Discriminant Analysis: Classification
15.3. Identifikasi Variabel yang Mampu Membedakan

Tujuan pertama dari analisis diskriminan adalah mengidentifikasi variable
yang mampu membedakan kelompok yang diamati. Pertama menguji perbedaan
nilai masing-masing antar pasangan variabel sejenis, kemudian dilanjutnya dengan
uji perbedaan skor diskriminan yang melibatkan semua variabel antar kelompok
yang dibandingkan.
230
231
a. Deskripsi variabel diskriminan

Berdasarkan hasil olahan data dengan menggunakan SPSS, deskripsi
variabel deskriminan tampak dalam Group Statistic sebagai berikut.
Group Statistics
Std. Valid N (listwise)
Kinerja Bank Mean
Deviation Unweighted Weighted
Jelek Skala Bank ,0833 ,28868 12 12,000
Kinerja
,8750 ,62866 12 12,000
Keuangan (FP)
Bagus Skala Bank ,8333 ,38925 12 12,000
Kinerja
2,4717 ,79204 12 12,000
Keuangan (FP)
Total Skala Bank ,4583 ,50898 24 24,000
Kinerja
1,6733 1,07428 24 24,000
Keuangan (FP)
Dari Group statistics dapat diketahui bahwa skala bank (BS) dengan kinerja
jelek (1) mempunyai rata-rata 0,0833, sedangkan pada bank dengan kinerja bagus
(2) dengan rata-rata 0,8333. Untuk kinerja keuangan (FP) bank dengan kinerja
jelek mempunyai rata-rata 0,8750, sedangkan bank dengan kinerja bagus
mempunyai rata-rata 2,4717. Atau dapat dikatakan bahwa kinerja keuangan (FP)
pada bank ber kinerja bagus 3 kali lipat dibandingkan dengan bank berkinerja
jelek.
b. Penilaian signifikansi perbedaan masing-masing variabel diskriminan

Penilaian signifíkansi variabel diskriminan dapat dilihat dari nilai statistik
masing-masing variabel diskriminan atau secara parsial. Untuk menguji apakah
ada perbedaan secara signifíkan antara dua kelompok sampel umumnya dapat
dilakukan dengan uji t test. Namun, oleh karena analisis diskriminan juga dipakai
menganalisis lebih dari dua kelompok sample, maka alternatif lain untuk
menganalisis perbedaan nilai rata-rata antarkelompok sampel adalah dengan
menggunakan Wilk's A test statistics. Semakin kecil nilai Wilk's A, sehingga
semakin besar probabilitas hipotesis nol (tidak ada perbedaan rata-rata populasi)
ditolak. Untuk menguji signifikansi nilai Wilk's A, maka dapat dikonversikan
kedalam F ratio.

232
Tests of Equality of Group Means
Wilks'
Lambda F df1 df2 Sig.
Skala Bank (BS) .434 28.742 1 22 .000
Kinerja Keuangan (FP .424 29.918 1 22 .000
Dari test statistik Wilk's dapat dilihat BS memiliki nilai Wilk's Lamda sebesar
0,434 dan probablilitas 0,000 sedangkan nilai Wilk's Lamda FP sebesar 0.424 juga
memiliki probabilitas 0,000, atau lebih kecil dari tingkat signifikansi 1 persen. Hasil
ini menunjukkan bahwa variabel BS dan FP (kinerja keuangan) masing-masing
berbeda antara kelompok bank yang berkinerja bagus dan yang berkinerja jelek.
Dengan demikian variabel tersebut dapat digunakan untuk membentuk fungsi
diskriminan (persamaan diskriminan), berdasarkan output Canonical
Discriminant Function Coefficient.
c. Signifikansi perbedaan skor diskriminan

Untuk mengetahui perbedaan kumpulan variabel diskriminan tersebut
secara simultan antar kelompok atau kategori yang dianalisis, dilakukan dengan
menguji signifïkansi statistik nilai means (rata-rata) score diskriminan. Skor
diskriminan dihasilkan dari fungsi diskriminan (canonical discriminant function),
yang merupakan hasil kombinasi linier dari variabel diskriminan. Contoh skor
diskriminan dengan notasi Z dapat dilihat pada Tabel 15.3. Untuk menguji beda
skor diskriminan atau perbedaan simultan (serempak) antarkelompok variabel
diskriminan, dilakukan menggunakan multivariate test of significance melalui uji
Wilk's Lamda, yang dapat didekati dengan statistic Chi-square, seperti tampak
dalam kotak sebagai berikut.
Wilks' Lambda
Wilks'
Test of Function(s Lambda Chi-square df Sig.
1 ,310 24,570 2 ,000
232
233
Besarnya nilai Wilk's Lamda sebesar 0,310 sama dengan Chi-square

24,570 dan ternyata nilai ini signifíkan pada 0,000, maka dapat disimpulkan bahwa
fungsi atau rata-rata skor disriminan antara bank yang berkinerja jelek dan bagus
berbeda secara signifíkan dengan probabilitas kurang dari 1 persen.
d. Koefiesien Korelasi Kanonik

Walaupun secara statistik perbedaan kedua kelompok perusahaan itu
signifíkan, tetapi untuk tujuan praktis perbedaan skor diskriminan tersebut mungkin
belum mempunyai arti apabila jumlah sample cukup besar. Untuk menguji
seberapa besar dan berarti perbedaan skor diskriminan antara kedua kelompok
yang dibandingkan dapat dilihat dari nilai Square Canonical Correlation (CR2).
Square Canonical Correlation identik dengan R2 pada regresi yaitu mengukur
variasi antara kedua kelompok yang dapat dijelaskan oleh variabel diskriminannya.
Tampilan output eigenvalues menunjukkan bahwa besarnya Canonical
Correlation adalah sebesar 0,830 atau besarnya Square Canonical Correlation
(CR2) = (0,830)2 atau sama dengan 0,689. Jadi dapat disimpulkan bahwa 68,9%
variasi kinerja bank (kinerja bagus dan jelek) dijelaskan oleh variasi variabel
diskriman BS dan FP.
Eigenvalues
Canonical
Function Eigenvalue % of Variance Cumulative % Correlation
1 2,222a 100,0 100,0 ,830
a. First 1 canonical discriminant functions were used in the
analysis.
e. Menilai peran masing-masing variabel diskriminan

Menilai pentingnya variabel diskriminan dan arti dari fungsi diskriminan
dapat dilakukan dengan melihat fungsi diskriminan standar, seperti berikut ini:
Standardized Canonical Discriminant Function Coefficients
Function
1
Skala Bank (BS) .636
Kinerja Keuangan (FP) .655

234
Tampilan standardized canonical discriminant function menunjukkan bahwa

besarnya koefisien skala bank (BS) adalah 0,635 dan koefísien FP sebesar 0,655.
Koefísien yang sudah distandardisasi digunakan untuk menilai pentingnya variabel
diskriminator secara relatif dalam membentuk fungsi diskriminan. Makin tinggi
koefisien yang telah distandardisasi, maka makin penting variabel tersebut
terhadap variabel lainnya dan sebaliknya. Variabel FP relatif lebih penting
dibandingkan variabel BS dalam membentuk fungsi diskriminan.
f. Kontribusi masing-masing variabel diskriminan

Oleh karena score diskriminan adalah indeks gabungan atau kombinasi
linear dari variabel awal, maka perlu untuk mengetahui apakah arti dari score
diskriminan. Nilai loading dari structure coeffícient dapat digunakan untuk
menginterpretasikan kontribusi setiap variabel untuk membentuk fungsi
diskriminan. Nilai loading variabel diskriminator merupakan korelasi antara score
diskriminan dan variabel diskriminator dan nilai loading akan berkisar antara + 1
dan - 1. Makin mendekati 1 (satu) nilai absolut dari loading, maka makin tinggi
komunalitas (kebersamaan) antara variabel diskriminan dengan fungsi diskriminan,
dan sebaliknya semakin kecil nilai loading semakin kecil komunalitas
(kebersamaan) antara variabel diskriminan dengan fungsi diskriman.
Structure Matrix
Functio
n
1
Kinerja Keuangan (FP) ,782
Skala Bank ,767
Tampilan Struktur Matrik menunjukan bahwa besarnya loading untuk FP

0,782 dan besarnya loading untuk BS sebesar 0,767. Oleh karena loading kedua
variabel ini tinggi (di atas 0,50) maka fungsi diskriminan yang dibuat layak dipakai
memprediksi ukuran kinerja bank. Nilai loading dari FP sebesar 0,782 mempunyai
arti bahwa 78,2 persen memberikan kontribusi terhadap fungsi diskriminan atau
skor diskriminan yang dibentuk.
234
235
15.4. Fungsi Diskriminan dan Prediksi Klasifikasi Kelompok

Setelah variabel diskriminan mampu membedakan dua kelompok yang
dianalisis, selanjutnya dibuat fungsi diskriminan. Kombinasi linear atau fungsi
diskriminan yang membentuk variabel baru (score diskriminan) adalah dengan
persamaan sbb:
Z = c + w1 Skala + w2 FP ...............................................................(15.1)
Dimana Z adalah fungsi diskriminan tidak standar, w1 dan w2 merupakan bobot

masing-masing variabel. Fungsi diskriminan didapat dengan memaksimumkan
nilai λ dan disebut Fisher's linear discriminant function, yang dapat dilihat dari
output Canonical Discriminant Function Coefficient dengan persamaan sebagai
berikut:
Canonical Discriminant Function
Coefficients
Function
1
Skala Bank 1,855
Kinerja Keuangan (FP) ,916
(Constant) -2,383
Unstandardized coefficients
Selanjutnya dapat dibuat persamaan sebagai berikut:

Z = - 2,383 + 1,855 SKALA + 0,916 FP .........................................(15.2)
Apabila suatu observasi bank berskala besar dan kinerja keuangannya

sebesar 0,58, maka dengan persamaan (15.2) diperoleh skor diskriminannya:
Z = - 2,383 + 1,855 (1) + 0,916 (0,58)
Z = 0,03
Dengan mensubstitusikan nilai-nilai variabel diskriminan ke dalam fungsi

diskriminan untuk semua observasi, maka skor diskriminan diperoleh yang
dirangkum pada Tabel 15.3.

236
Tabel 15.3 Score Diskriminan dan Klasifikasi Kinerja Bank
Klasifikasi Klasifikasi Klasifikasi Klasifikasi

No BS FP Z No BS FP Z
Awal Prediksi Awal Prediksi
1 2 1 0.58 0.003 2 13 1 1 2.28 1.561 2*
2 2 1 2.80 2.037 2 14 1 0 1.06 -1.412 1
3 2 1 2.77 2.010 2 15 1 0 1.08 -1.394 1
4 2 1 3.50 2.679 2 16 1 0 0.07 -2.319 1
5 2 1 2.67 1.918 2 17 1 0 0.16 -2.237 1
6 2 1 2.97 2.193 2 18 1 0 0.70 -1.742 1
7 2 1 2.18 1.469 2 19 1 0 0.75 -1.696 1
8 2 1 3.24 2.440 2 20 1 0 1.61 -0.908 1
9 2 1 1.49 0.837 2 21 1 0 0.34 -2.072 1
10 2 1 2.19 1.478 2 22 1 0 1.15 -1.330 1
11 2 0 2.70 0.090 2 23 1 0 0.44 -1.980 1
12 2 0 2.57 -0.029 1* 24 1 0 0.86 -1.596 1
Rata-rata Skor 1.427 Rata-rata Skor -1.427
Berdasarkan Tabel 15.3 dapat dilihat bahwa rata-rata skor diskriminan bank
berdasarkan kategori awal berkinerja bagus adalah 1,427, sedangkan dengan
kategori berkinerja jelek adalah -1,427. Nilai rata-rata score diskriminan itu sesuai
dengan hasil perhitungan output SPSS dalam bentuk function of centroids.
Functions at Group Centroids
Function
KINERJA 1
1,00 -1,427
2,00 1,427
Unstandardized canonical discriminant
functions evaluated at group means
Berdasarkan nilai centroids tersebut dapat digunakan sebagai nilai cut off
pengklasifikasian. Nilai score diskriminan yang membagi ruang kedalam dua
wilayah disebut nilai cutoff. Klasifikasi dari observasi secara esensial akan
membagi ruang diskriminan kedalam dua wilayah. Makin tinggi SKALA dan makin
tinggi FP makin tinggi nilai score diskriminan dan sebaliknya. Oleh karena itu bank
yang mempunyai kinerja baik akan memiliki nilai yang lebih tinggi untuk kedua
variabel diskriminan tersebut, yaitu SKALA dan FP, sedangkan bank yang
mempunyai kinerja jelek akan memiliki score diskriminan lebih rendah. Jadi bank
236
237
akan dikelompokkan dengan kinerja baik jika score diskriminannya lebih tinggi
daripada nilai cutoff dan sebaliknya bank dikelompokkan dengan kinerja jelek jika
score diskriminannya lebih kecil dari nilai cutoff.
Secara umum nilai cutoff adalah angka kritis yang meru[akan nilai yang
meminimumkan jumlah incorrect classifícation atau kesalahan misklasifíkasi yang
dapat dihitung dengan rumus:
Z1  Z 2
NilaiCutoff 
2
Dimana Zj adalah rata-rata score diskriminan kelompok j atau centroids.
Rumus ini berasumsi jumlah sample kedua kelompok sarna. Dalam hal jumlah
sample kedua kelompok tidak sarna maka rumus cutoff menjadi:
n1Z1  n2Z 2
Nilaicutoff 
n1  n 2
Dengan menggunakan fungsi diskriminan, selanjutnya diperoleh nilai
centroids dapat dicari nilai cut off. Nilai dari Tabel 14.3 dan nilai centroids yang
dihasilkan SPSS, maka cut off = (1,427 + -1,427)/2 = 0.
Dengan menggunakan nilai cut off tersebut, maka jika nilai Z score > 0
masuk klasifikasi bank dengan kinerja bagus (2), sedangkan jika nilai Z score < 0
masuk klasifikasi bank dengan kinerja jelek (1). Dengan demikian, bank sampel
nomor 1 dengan skor diskriminan sebesar 0,003, diklasifikasikan berkinerja
“bagus” karena skor diskriminannya lebih besar dari nol. Demikian juga bank nonor
12, karena memiliki skor diskriminannya kurang dari nol, maka diklasifikasikan
berkinerja “jelek”, namun bank dengan nomor 13 diklasifikasikan berkinerja
“bagus”, karena skor diskriminannya lebih besar dari nol.
Ketepanan Pridiksi Fungsi Diskriminan

Berdasarkan Tabel 15.3 dapat dilihat bahwa terdapat 2 buah bank yang
misprediksi atau misklasifikasi. Bank dengan nomor 12, pada klasifikasi awal
berkinerja bagus, namun hasil akhir diklasifikasikan berjinerja jelek, dan nomer 13
dengan klasifikasi awal berkinerja jelek, namun klasifikasi akhir berkinerja jelek.
Output SPSS memberikan nilai tingkat klasifikasi sebesar 91,7 persen. Ringkasan

238
hasil klasifíkasi dapat dilíhat pada classification matrix atau confusion matrix. Hasil
matrik klasiflkasi menunjukkan bahwa 22 dari 24 observasi telah diklasifíkasikan
secara benar dan hanya dua observasi diklasifíkasikan salah yaitu observasi no 12
dan 13, jadi ketepatan klasifikasi adalah (22/24) atau 91,7 persen.
Classification Results a
Predicted Group
Membership
KINERJA 1.00 2.00 Total
Original Count 1.00 11 1 12
2.00 1 11 12
% 1.00 91.7 8.3 100.0
2.00 8.3 91.7 100.0
a. 91.7% of original grouped cases correctly classified.
Soal-soal Latihan
15.1. Data berikut ini adalah dua ratio keuangan, yaitu EBITTA (earning before
interest and tax to total asset) dan ROTC (return on total capital), terhadap 24
perusahaan dengan kondisi sehat dan bangkrut.
Perusahaan Kondisi EBITTA ROTC Perusahaan Kondisi EBITTA ROTC
1 2 0,16 0,18 13 1 -0,01 -0,03
2 2 0,21 0,21 14 1 0,04 0,05
3 2 0,21 0,19 15 1 0,04 0,04
4 2 0,28 0,24 16 1 -0,06 -0,07
5 2 0,20 0,19 17 1 -0,05 -0,12
6 2 0,23 0,17 18 1 0,00 -0,01
7 2 0,15 0,20 19 1 0,01 0,04
8 2 0,25 0,21 20 1 0,09 0,12
9 2 0,08 0,15 21 1 -0,04 -0,07
10 2 0,15 0,13 22 1 0,05 0,06
11 2 0,20 0,15 23 1 -0,03 -0,02
12 2 0,19 0,19 24 1 0,02 0,03
Keterangan: 1 = bangkrut; 2 = sehat
Pertanyaan: apakah kedua variabel kinerja keuangan perusahaan mampu

membedakan kedua kelompok perusahaan dengan kondisi sehat dan
bangkrut? Buat juga fungsi diskriminan dan berdasarkan fungsi itu buat
reklasifikasi kinerja perusahaan berdasarkan kategori bangkrut atau sehat.
238
239
15.2. Di bawah ini adalah hasil olahan data mengenai pemilikan rumah (1 = tidak
memiliki rumah 2 = memiliki rumah) pada komplek perumahan pada suatu
kecamatan di Kota Denpasar berdasarkan 30 sampel rumah tangga, yang
dikaitkan dengan pendapatan keluarga (Rp juta), jumlah anggota (orang), dan
jarak tempat tinggal sekarang dengan kampung (domisili asal = km).
Group Statistics
Memiliki rumah Mean Deviation Unweighted Weighted
Tidak Jumlah Pendapatan 3,440 1,028 15 15,000
memiliki Jumlah anggota KK 3,867 1,246 15 15,000
rumah Jarak Kampung 40,133 28,795 15 15,000
Memiliki Jumlah Pendapatan 6,980 2,486 15 15,000
rumah Jumlah anggota KK 4,867 1,187 15 15,000
Jarak Kampung 45,867 31,316 15 15,000
Total Jumlah Pendapatan 5,210 2,595 30 30,000
Jumlah anggota KK 4,367 1,299 30 30,000
Jarak Kampung 43,000 29,702 30 30,000

Wilks'
Lambda F df1 df2 Sig.
Tingkat Pendapatan ,519 25,974 1 28 ,000
Jumlah anggota KK ,847 5,064 1 28 ,032
Jarak Kampung ,990 ,272 1 28 ,606
Wilks' Lambda
Wilks' Chi-
Test of Function(s) Lambda square df Sig.
1 ,437 21,943 3 ,000
Standardized Canonical Discriminant

Function Coefficients
Function
1
Jumlah Pendapatan ,983
Jumlah anggota KK ,332
Jarak Kampung ,482

240
Structure Matrix
Function
1
Jarak Kampung ,087
Canonical Discriminant Function Coefficients

Function
1
Jarak Kampung ,016
(Constant) -4,573

Function
Memiliki rumah 1
Tidak memiliki rumah -1,097
Memiliki rumah 1,097
Unstandardized canonical discriminant functions

evaluated at group means
Pertanyaan:
a. Apakah variabel pendapatan, jumlah anggota, dan jarak tempat tinggal
sekarang dengan kampung (domisili asal) mampu membedakan
kepemilikan rumah?
b. Apakah skor diskriminan kepemilikan rumah yang dibentuk dari
pendapatan, jumlah anggota, dan jarak kampung berbeda nyata?
c. Variabel mana yang berpengaruh dominan terhadap kepemilikan rumah
tersebut?
d. Berdasarkan olahan data tersebut buat juga fungsi diskriminan, jika suatu
rumah tangga yang diteliti tersebut memiliki pendapatan Rp 5 juta per
bulan, jumlah anggota keluarga 4 orang, dan jarak dengan kampung
asalnya 50 km, prediksi apakah rumah tersebut memiliki rumah?
240
241
15.3. Sebanyak 25 perusahaan yang go public diamati pertumbuhan harga

sahamnya selama tiga tahun, yaitu 2005 – 2007, yang dikategorikan
mempunyai pertumbuhan rendah dan pertumbuhan tinggi. Faktor yang
diduga membedakannya adalah X1 (arus kas), X2 (Economic Value Added)
dan X3 (Return on Total Asset). Berdasarkan hasil olahan data analisislah:
a. Apakah variable X1 (arus kas), X2 (Economic Value Added) dan X3
(Return on Total Asset), secara individual maupun secara bersama-sama
mampu membedakan score diskriminan pada perusahaan-perusahaan
yang memiliki pertumbuhan harga saham dengan kategori rendah dan
tinggi?
b. Urut (ranking) variable mana yang mempunyai kontribusi yang lebih besar
terhadap fungsi diskriminan?
c. Buat fungsi diskriminan, prediksilah klasifikasi perusahaan menurut
pertumbuhan harga sahamnya, apakah dapat dikategorikan rendah atau
tinggi, jika suatu perusahaan yang diobservasi memiliki arus kas sebesar
0,30, EVA sebesar 3.000.000, dan ROA sebesar 0,01, bagaimana
Discriminant
Group Statistics
Kelompok Perusahaan Mean
Deviation Unweighted Weighted
Harga Arus Kas -,327 ,935 30 30,000
Saham Economic Value Added ,377 ,177 30 30,000
Rendah Return on Total Asset -,012 ,249 30 30,000
Harga Arus Kas ,434 ,692 45 45,000
Saham Economic Value Added ,412 ,132 45 45,000
Tinggi Return on Total Asset ,091 ,193 45 45,000
Total Arus Kas ,130 ,876 75 75,000
Economic Value Added ,398 ,152 75 75,000
Return on Total Asset ,050 ,221 75 75,000

Wilks'
F df1 df2 Sig.
Lambda
Arus Kas ,816 16,408 1 73 ,000
Economic Value Added ,987 ,953 1 73 ,332
Return on Total Asset ,947 4,082 1 73 ,047

242
Eigenvalues
Eigenvalu % of Cumulative Canonical
Function e Variance % Correlation
1 ,285a 100,0 100,0 ,471
a. First 1 canonical discriminant functions were used in the analysis.
Wilks' Lambda
Wilks'
Test of Function(s) Lambda Chi-square df Sig.
1 ,778 17,925 3 ,000
Standardized Canonical Discriminant

Function Coefficients
Function
1
Arus Kas ,889
Economic Value Added ,107
Return on Total Asset ,424
Structure Matrix
Function
1
Arus Kas ,888
Return on Total Asset ,443
Canonical Discriminant Function

Coefficients
Function
1
Arus Kas 1,115
Return on Total Asset 1,954
(Constant) -,523
Unstandardized coefficients
242
243

Function
Kelompok Perusahaan 1
Harga Saham Rendah -,645
Harga Saham Tinggi ,430
Unstandardized canonical discriminant
functions evaluated at group means
---------------

244
DAFTAR PUSTAKA
Conover, 1983. Practical Nonparametric Statistics. New York: ohn Wiley & Son Inc.
Ghozali, Imam. 2011. Aplikasi Analisis Multivariate dengan Program SPSS. Edisi
Kelima. Semarang: Badan Penerbit Universitas Diponegoro.
Gujarati D.N., 2009. Basic Econometrics. Fifth Edition. New York: McGraw-Hill. Inc.
Hair, J.F. 2007. Multivariate Data Analysis. Fifth Edition. New York: MacMillan
Publishing Company.
Kerlinger, Fred. N. 2002. Asas-asas Penelitian Beharioral. Edisi Ketiga

(Penerjemah: Landung R. Simatupang). Yogyakarta: Gadjah Mada
University Press.
Siegel, Sidney, 1985. Statistik Nonparametrik Untuk Ilmu-ilmu Sosial. PT.

Gramedia, Jakarta.
Solimun, 2002. Structural Equation Modeling, Lisrel dan Amos. Malang: Program
Pascasarjana Universitas Brawijaya.
244

Aplikasi Analisis Kuantitatif

Diunggah oleh

Informasi Dokumen

Hak Cipta

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Aplikasi Analisis Kuantitatif

Diunggah oleh

Hak Cipta:

BUKU AJAR

FAKULTAS EKONOMI DAN BISNIS

Diterbitkan pertama kali oleh:

c.v. sastra utama

Denpasar, Juni 2016

1. SATISTIK NONPARAMETRIK DAN SKALA PENGUKURAN

2. UJI NORMALITAS DENGAN METODE KOLMOGOROV-

3. UJI DUA SAMPEL BERPASANGAN DENGAN METODE

4. UJI DUA SAMPEL INDEPENDEN DENGAN METODE MANN

5. UJI K SAMPEL BERPASANGAN DENGAN METODE

6. UJI K SAMPEL INDEPENDEN DENGAN METODE

10. REGRESI DENGAN VARIABEL BEBAS DATA KUALITATIF

12. REREGRESI DENGAN VARIABEL MODERASI

13. ANALISIS ANALISIS JALUR DAN MEDIASI

14. ANALISIS FAKTOR

15. ANALISIS DISKRIMINAN

DAFTAR PUSTAKA ........................................................................... 244

Tabel-tabel ......................................................................................... 245

1. Harga Kritis D Test Satu Sampel Kolmogorov-Smirnov ................ 245

2. Kuantil Tanda Beranking Wilcoxon .............................................. 246

3. Luas di bawah Kurva Normal ........................................................ 247

4a. Kuantil Mann-Whitney ( = 0,005) atau T w0,005 ........................... 248

4b. Kuantil Mann-Whitney ( = 0,005) atau T w0,01 ............................ 249

4c. Kuantil Mann-Whitney ( = 0,005) atau T w0,025 ........................... 250

4d. Kuantil Mann-Whitney ( = 0,005) atau T w0,05 ............................. 251

5. Distribusi Chi Kuadrat ................................................................... 252

6. Distribusi Student (t) ..................................................................... 253

7a. Distribusi F (dengan alfa 0,05) .................................................... 254

7b. Distribusi F (dengan alfa 0,01) .................................................... 255

Aplikasi Analisis Kuantitatif Made Suyana Utama

sifatnya umum diminimalkannya. Seperti misalnya suatu distribusi sampel yang

Aplikasi Analisis Kuantitatif Made Suyana Utama

mengatakan "membuang-buang informasi". Berhubungan dengan hal itu, agar

1.2 Kebaikan Statistik Nonparametrik

Aplikasi Analisis Kuantitatif Made Suyana Utama

Tidak satupun diantara pengujian-pengujian paramatrik yang dapat digunakan

1.3. Kelemahan Statistik Nonparametrik

Aplikasi Analisis Kuantitatif Made Suyana Utama

3) Kelemahan lainnya mengenai statistik nonparametrik adalah pengujian-

1.4. Skala pengukuran

Aplikasi Analisis Kuantitatif Made Suyana Utama

dipakai mendifinisikan kelompok-kelompok sebagai induk obyek-obyek yang

Tabel 1.2. Penduduk Usia Subur Desa Luhur

No Jenis Kelamin Jumlah Orang No Agama Jumlah Orang

Aplikasi Analisis Kuantitatif Made Suyana Utama

Aplikasi Analisis Kuantitatif Made Suyana Utama

Sifat formal dari skala interval dapat menggunakan hitungan-hitungan

Aplikasi Analisis Kuantitatif Made Suyana Utama

1.5 Kesesuaian Skala Pengukuran Dengan Pengujian Statistik.

Aplikasi Analisis Kuantitatif Made Suyana Utama

Skala Hubungan-hubungan yang Contoh-contoh Data Tes Statistik

Ordinal (1) Ekuivalensi Median

Interval (1) Ekuivalensi Mean (rata-rata) Pengujian

Sumber : Seigel (1985).

Aplikasi Analisis Kuantitatif Made Suyana Utama

UJI NORMALITAS DENGAN METODE

Gambar 2.1. Distribusi Kumulatif Relatif Teoritis

Selisih antara Fcr(x) dengan Scr(x) dinotasikan D. Dan apabila D hitung

Aplikasi Analisis Kuantitatif Made Suyana Utama

2.1. Langkah-langkah pengujian metode Kolmogorov-Smirnov

H1 : Ada perbedaan antara distribusi observasi dengan distribusi harapan, atau

2) Tingkat signifikan misalnya 5% D = ….? Gunakan Tabel 1 seperti pada

H0 ditolak bila D hitung > D tabel

Aplikasi Analisis Kuantitatif Made Suyana Utama

2) Tingkat signifikan misalnya 5% n = 16 D = 0,328 (lihat Tabel 1).

Penjualan Z P(Z) P(E) p(Z) – p(E)

2,5 -1,14 0,127 0,063 0,064