Aplikasi Analisis Kuantitatif
Aplikasi Analisis Kuantitatif
APLIKASI ANALISIS
KUANTITATIF
UNTUK EKONOMI DAN BISNIS
Oleh:
PROF. DR. MADE SUYANA UTAMA, SE., MS.
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.
iii
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
DAFTAR ISI
Halaman
KATA PENGANTAR .......... ............................................................... ii
DAFTAR ISI ........................................................................................ iv
DAFTAR LAMPIRAN .......................................................................... vii
v
Aplikasi Analisis Kuantitatif Made Suyana Utama
6.2. Langkah-langkah pengujian ................................................ 55
Soal-soal Latihan ........................................................................ 57
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
Soal-soal Latihan ........................................................................ 75
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
Soal-soal Latihan ........................................................................ 89
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
Soal-soal Latihan ........................................................................ 110
vi
Aplikasi Analisis Kuantitatif Made Suyana Utama
11. REGRESI DENGAN VARIABEL TERIKAT DATA KUALITATIF
11.1. Pengantar .......................................................................... 133
11.2. Model Probabilitas Linier .................................................. 133
11.3. Regresi Logistik ................................................................. 137
Soal-soal Latihan ........................................................................ 142
vii
Aplikasi Analisis Kuantitatif Made Suyana Utama
DAFTAR LAMPIRAN
Tabel Halaman
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
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
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 1.3. 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
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
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.
Tabel 1.1. Empat Skala Pengukuran dan Pengujian Statistik yang Cocok
Digunakan
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.
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:
1) Formulasi hipotesis:
Ho : Hasil penjualan PKL menyebar normal
H1 : Hasil penjualan PKL tidak menyebar normal
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
(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.
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.
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:
2.3. Hasil olahan data uji kenormalan Luas lahan garapan petani bawang merah
program Pertanian Inti Rakyat (PIR) nampak sebagai berikut.
TANAH
N 30
Normal Parameters a,b Mean 30,6333
Std. Deviation 9,0038
Most Extreme Absolute ,195
Differences Positive ,195
Negative -,099
Kolmogorov-Smirnov Z 1,066
Asymp. Sig. (2-tailed) ,205
a. Test distribution is Normal.
b. Calculated from data.
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
Normal Parameters a,b Mean 12,0355
Std. Deviation 15,1072
Most Extreme Absolute ,411
Differences Positive ,411
Negative -,278
Kolmogorov-Smirnov Z 1,837
Asymp. Sig. (2-tailed) ,002
a. Test distribution is Normal.
b. Calculated from data.
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
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
Uji dengan alpa 5% apakah kinerja BPR memang menurun saat krisis
ekonomi apabila dibandingkan dengan sebelum krisis?
Jawab:
1) Formulasi hipotesis
H0 : 1 2 kinerja BPR tidak 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).
3) Kriteria pengujian
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
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.
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
Asymp. Sig. (2-tailed) ,052
a. Wilcoxon Signed Ranks Test
b. Based on positive ranks.
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:
1) Formulasi hipotesis
(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
2) Tentukan tingkat signifikansi 0,05, n = 30 (dan tidak ada data yang seri atau
sama). Uji satu sisi z = -1,645
3) Kriteria pengujian
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
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.
Test Statistics b
Konsentrat
Baru -
Konsentrat
Lama
Z -3,815a
Asymp. Sig. (2-tailed) ,000
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.
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
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?
Ranks
Test Statisticsb
Sesudah -
Sebelum
Z -1,666a
Asymp. Sig. (2-tailed) ,096
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:
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.
----------------------
3) Kriteria pengujian
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.
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
Jawab:
1) Formulasi hipotesis
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.
3) Kriteria pengujian
Ho diterima apabila T hitung 30
Ho ditolak apabila T hitung < 30
4) Perhitungan
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.
Mann-Whitney Test
Ranks
Test Statisticsb
Profitabilitas
Mann-Whitney U 43,500
Wilcoxon W 98,500
Z -1,091
Asymp. Sig. (2-tailed) ,275
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.
Perhitungannya:
T T n
z
T
S= R( X
i 1
i )
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.
Jawab:
1) Formulasi hipotesis
H0 : 1 = 2 tidak terdapat perbedaan profitabilitas bisnis palen-palen kecil di
kota dan di desa.
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.
Test Statistics b
Profitabilitas
Mann-Whitney U 146,500
Wilcoxon W 356,500
Z -,117
Asymp. Sig. (2-tailed) ,907
Exact Sig. [2*(1-tailed a
,908
Sig.)]
a. Not corrected for ties.
b. Grouping Variable: Wilayah
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
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.
Pria : 21 19 21 27 19 20 25 17 29 18
Wanita : 20 21 28 23 24 24 22 26 32 23
4.3. Hasil penelitian mengenai tingkat hunian hotel Melati dan Bintang di wilayah
Kecamatan Kuta tahun 2003 adalah sebagai berikut:
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
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
Test Statistics b
Prestasi
Mann-Whitney U 83,000
Wilcoxon W 203,000
Z -1,224
Asymp. Sig. (2-tailed) ,221
Exact Sig. [2*(1-tailed a
,233
Sig.)]
a. Not corrected for ties.
b. Grouping Variable: Pendidikan
-----------------------
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.
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.
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.
N 10
Chi-Square 12,600
df 2
Asymp. Sig. ,002
a. Friedman Test
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.
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.
Keterangan:
k = banyak kelompok
nj = banyak sample dalam kelompok ke-j
N = banyak sample keseluruhan
Rj= ranking dalam sampel ke-j
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
Jawab:
1) Formulasi hipotesis
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)
3) Kriteria pengujian
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
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.
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?
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
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
dari tujuan ini mengukur derajat kekuatan hubungan yang terjadi antara
variabel tersebut.
Y = + Xi + εi…………………………..............…....................(7.01)
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.
= Y - X …………………….……………..... ……......(7.05)
dan rumus (7.04) dapat disederhanakan lagi menjadi:
x y i i
………………………………………………….….....(7.06)
x 2
i
dimana xi = Xi - X dan yi = Yi - Y
Syx
(Y Yˆ ) 2
………………….………………................. (7.07)
n2
atau Syx Y 2
Y XY
……………………………..........(7.08)
n2
atau Syx
e 2
……… ...................….......…................…..(7.09)
n2
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.
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
S yx
(Y Yˆ ) 2
nk
9,431
S yx Syx = 1,773
52
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
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).
Hasil olahan data dari Contoh 7-1 dengan menggunakan program SPSS
nampak sebagai berikut:
Regression
Model Summary
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.
Daerah kritis dicari pada tabel dengan derajat bebas n – k, dimana k = jumlah
variabel yang dilibatkan termasuk variabel terikat.
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
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.
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:
% 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).
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -7,278 ,689 -10,564 ,000
LNTP 1,597 ,077 ,985 20,735 ,000
a. Dependent Variable: LNPBT
Dalam model log lin, koefisien regresi mengukur perubahaan relatif dari Y
sebagai akbibat dari perubahan absolut dari X, yaitu:
Contoh 7.4
Berdasarkan Contoh 7.3 dapat dibuat model pertumbuhan pengeluaran
jasa sebagai berikut:
ln PJi = + T + ………………………………….…………….....(7.27)
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.
YI = + ln XI + …………………………………………………(7.29)
Dalam model lin log koefisien regresi mengukur perubahaan absolut dari
Y sebagai akibat dari perubahan relatif dari X, yaitu:
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -19583,552 621,700 -31,500 ,000
LNTP 2437,173 69,494 ,995 35,070 ,000
a. Dependent Variable: PBK
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)
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
Unstandardized Standardized
Coefficients Coefficients
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
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.
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
Unstandardized Standardized
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
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.
---------------
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.
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
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)
n3
ei2 = yi 2 - b1 yi x 1i + b2 yi x2i..................................(8.12)
i
(Yˆ Y ) 2
…………………………………………………..…...(8.14)
(Yi Y )2
Koefisien determinasi juga dapat dihitung dengan rumus:
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
R 1
2 ei2 /(n k )
………………………………..............(8.19)
y 2
i /(n 1)
bi
ti ……….……………………………………………………. (8.21)
S( i )
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.
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:
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
Y 80 / 10 8 X 1 40 / 10 4 X 2 520 / 10 52
(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
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
Total 80,000 9
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
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
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
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
Regression
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
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
Hasil perhitungan dari uji F menunjukkan hasil sebesar 311,924. Angka ini
berada pada probabilitas kurang dari 1 persen. Hal ini mempunyai arti bahwa
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
dihitung dengan rumus:
Y HY
Ef i ……………………..…………………………............…(8.28)
X H Xi
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).
Regression
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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.
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
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
8.4. Produksi Kecap dengan menggunakan faktor produksi tenaga kerja (orang)
dan modal dalam bentuk olahan data adalah sebagai berikut:
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
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
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
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
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
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
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.
----------------
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.
Langkah-langkah pengujian:
1) Formulasi hipotesis:
Ho : Residual yang diuji menyebar normal
H1 : Residual yang diuji tidak menyebar 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?
Sehingga diperoleh hasil olahan data regresi dan residual yang tersimpan sebagai
berikut:
Regression 9.1
Model Summary
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
a. Dependent Variable: Sales
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:
Selanjutnya berdasarkan persamaan 9.01 dan data pada Tabel 9.1 dihitung
residualnya untuk diuji kenormalannya, dengan langkah-langkah:
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
Centangin Durbin-Watson
Contoh 9.2
Berdasarkan Contoh 9.1 apabila dihitung DW dengan menggunakan SPSS
tampak sebagai berikut:
Model Summaryb
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)
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)
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.
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
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.
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.
Coefficientsa
Collinearity Statistics
Model Tolerance VIF
1 Promosi .408 2.454
T.Kerja .408 2.454
a. Dependent Variable: Sales
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.
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
Model Squares df Mean Square F Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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)
Contoh 9.6
Berdasarkan hasil olahan data dengan SPSS yang ditampilkan pada kotak
berikut.
Regression
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
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 ?
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Standardized
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
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
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.
Yi = + 1 XI + 2 Di + εi…..…………………............................(10.1)
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
121
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
Model Squares df Square F Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
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:
Demikian juga untuk persamaan regresi gaji guru pria dengan mensubstitusikan D
= 1, sehingga menjadi:
122
Aplikasi Analisis Kuantitatif Made Suyana Utama
123
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.
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)
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
124
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Model Squares df Square F Sig.
1 Regression 156761,61
2 78380,807 452,893 ,000b
4
Residual 2942,136 17 173,067
Total 159703,75
19
0
a. Dependent Variable: Gaji
b. Predictors: (Constant), Dummy Kelamin, Masa Kerja
Coefficientsa
Standardize
Unstandardized d
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
a. Dependent Variable: Gaji
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)
126
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
129
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 7821373 3 2607124.230 41.050 .000a
Residual 698627.3 11 63511.574
Total 8520000 14
a. Predictors: (Constant), DUMMY, NAKER, PROMOSI
b. Dependent Variable: SALES
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
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
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
130
Aplikasi Analisis Kuantitatif Made Suyana Utama
131
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
133
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).
Pengolahan data untuk LPM ini dapat digunakan metode kuadrat terkecil
biasa (ordinary least square = OLS), seperti yang telah banyak dibahas
sebelumnya.
134
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
136
Aplikasi Analisis Kuantitatif Made Suyana Utama
137
Tabel 11.2. Taksiran Probabilitas Kinerja Bank Menurut Skala Bank (BS) dan
Kinerja Keuangan (FP)
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.
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
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
138
Aplikasi Analisis Kuantitatif Made Suyana Utama
139
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 ?
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.
140
Aplikasi Analisis Kuantitatif Made Suyana Utama
141
Hasil olahan data jika menggunakan program EViews nampak sebagai berikut:
Dependent Variable: Y
Method: ML - Binary Logit
Included observations: 24
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
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
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.
Tabel 11.3. Taksiran Probabilitas kinerja Bank menurut skala usaha dan kinerja
keuangan (FP)
Kinerja “bagus” (B) Kinerja “jelek” (J)
^ ^
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Included observations: 70
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.
Logistic Regression
Chi-square df Sig.
Step 1 Step 166,686 5 ,000
Block 166,686 5 ,000
Model 166,686 5 ,000
Model Summary
--------------------------
146
Aplikasi Analisis Kuantitatif Made Suyana Utama
147
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.
variabel imoderasi, dan terhadap satu atau beberapa variabel indepeden, seperti
yang ditambilkan pada Gambar 12.2.
148
Aplikasi Analisis Kuantitatif Made Suyana Utama
149
150
Aplikasi Analisis Kuantitatif Made Suyana Utama
151
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
Berdasarkan data pada Tabel 12.1 dengan menggunakan uji interaksi, hasil
olahan data dapat dinterpretasikan sbb.
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
153
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
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
a. Dependent Variable: Pendapatan
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
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
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
155
a
Coefficients
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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.
b. Uji apakah ada pengaruh serempak semua variabel bebas terhadap
variabel terikat.
c. Interpretasikan R2.
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
b. Uji apakah ada pengaruh serempak semua variabel bebas terhadap
variabel terikat.
c. Interpretasikan R2.
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
a. Dependent Variable: Produksi
b. Predictors: (Constant), Interaksi X1X3, Pendidikan, Umur, Pengalaman
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
a. Dependent Variable: Produksi
Y = produksi (Rp juta per tahun)
X1 = Umur (tahun)
X2 = tingkat pendidikan (dummy 0 = SLTA; 1 = PT)
X3 = pengalaman kerja (tahun)
156
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
---------------
158
Aplikasi Analisis Kuantitatif Made Suyana Utama
159
160
Aplikasi Analisis Kuantitatif Made Suyana Utama
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).
(a) (b)
Gambar 13.1
Perbedaan Peran Variabel Moderasi dan Mediasi Dalam Hubungan Antara
Variabel Independen dan Variabel Dependen
162
Aplikasi Analisis Kuantitatif Made Suyana Utama
163
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).
164
Aplikasi Analisis Kuantitatif Made Suyana Utama
165
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)
Gambar 13.3. Diagram Jalur Pengaruh Gaji terhadap Kekayaan dan Pendapatan
166
Aplikasi Analisis Kuantitatif Made Suyana Utama
167
berpengaruh sangat nyata terhadap variabel dependen, maka keadaan ini disebut
mediasi parsial.
Gambar 13.2
Empat Kemungkinan Peran Variabel Mediasi
168
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
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)
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.
170
Aplikasi Analisis Kuantitatif Made Suyana Utama
171
Regression a.
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 a
,808 ,652 ,643 3,60247
a. Predictors: (Constant), Gaji
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) -4,667 4,330 -1,078 ,288
Gaji ,948 ,093 ,837 10,203 ,000
Kekayaan ,116 ,067 ,142 1,736 ,091
a. Dependent Variable: Pendapatan
b Sb
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
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
173
Gambar 13.4
Diagram Jalur Pengaruh Gaji terhadap Pendapatan Melalui Kekayaan
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:
S ab b 2 S a2 a 2 Sb2
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
Pilih sobel_spss.sbs
174
Aplikasi Analisis Kuantitatif Made Suyana Utama
175
OK ,
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.
Catatan: salah satu kelemahan dari uji Sobel menggunakan SPSS 22 ini adalah
tidak diperoleh koefisien langsung dan tidak langsung yang terstandar.
176
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
179
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 2 adalah koefisien jalur X1 terhadap X3
β 3 adalah koefisien jalur X2 terhadap X3
β 4 adalah koefisien jalur X1 terhadap Y
β 5 adalah koefisien jalur X2 terhadap Y
β 6 adalah koefisien jalur X3 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:
(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.
180
Aplikasi Analisis Kuantitatif Made Suyana Utama
181
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)
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
Sumber: Lampiran 13.2
Keterangan:
X1 adalah umur karyawan
X2 adalah kemandirian kerja karyawan
X3 adalah pendapatan karyawan
Y adalah kepuasan kerja karyawan
182
Aplikasi Analisis Kuantitatif Made Suyana Utama
183
Keterangan:
X1 adalah umur karyawan
X2 adalah kemandirian verja karyawan
X3 adalah pendapatan karyawan
Y adalah kepuasan kerja karyawan
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.
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
185
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
Sumber: Lampiran 13.2
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
187
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
Sampel Mean Error Statistics
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
Total Effect
X1 (Umur) X2 X3 (Income) Y (Kepuasan
(Kemandirian) Kerja)
X1 (Umur) 1,000 0,331 0,702 0,589
X2 (Kemandirian) 1,000 0,278 0,416
X3 (Income) 1,000 0,506
Y (Kepuasan Kerja) 1,000
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
189
ε1
Kesejahteraan
ε2 Masyarakat
(Y)
Regression a.
Model Summary
R Adjusted Std. Error of
Model R Square R Square the Estimate
1 ,322a ,104 ,095 8,970
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
191
Regression b.
Model Summary
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
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
Path Coefficient
Original Sampel Standard T P Value
Sampel Mean Error Statistics
X1 (Aktivitas Bisnis Internasional) -->
X2 (Struktur Modal) 0,363 0,363 0,092 3,944 0,000
X1 (Aktivitas Bisnis Internasional) -->
X3 (Resiko Usaha) 0,238 0,239 0,096 2,485 1,013
X1 (Aktivitas Bisnis Internasional) -->
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
193
Indirrect Effect
Original Sampel Standard T P Value
Sampel Mean Error Statistics
X1 (Aktivitas Bisnis Internasional) -->
X2 (Struktur Modal)
X1 (Aktivitas Bisnis Internasional) -->
X3 (Resiko Usaha) 0,137 0,137 0,048 2,872 0,004
X1 (Aktivitas Bisnis Internasional) -->
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 (Umur) X2 X3 (Income) Y (Kepuasan
(Kemandirian) Kerja)
X1 (Aktivitas Bisnis Internasional) 0,363 0,238 0,271
X2 (Struktur Modal)) 0,377 0,408
X3 (Resiko Usaha) 0,111
Y (Kinerja Keuangan)
Indirect Effect
X2 Y (Kepuasan
X1 (Umur) X3 (Income)
(Kemandirian) Kerja)
X1 (Aktivitas Bisnis Internasional) 1,000 0,137 0,190
X2 (Struktur Modal)) 1,000 0,042
X3 (Resiko Usaha) 1,000
Y (Kinerja Keuangan) 1,000
Total Effect
X2 Y (Kepuasan
X1 (Umur) X3 (Income)
(Kemandirian) Kerja)
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
Y (Kinerja Keuangan) 1,000
----------
194
Aplikasi Analisis Kuantitatif Made Suyana Utama
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.
196
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
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.
198
Aplikasi Analisis Kuantitatif Made Suyana Utama
199
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
200
Aplikasi Analisis Kuantitatif Made Suyana Utama
201
Anti-image Matrices
202
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. .625
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.
Anti-image Matrices
Output 13.1.3
Anti-image Matrices
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
205
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.
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
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
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.
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.
208
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
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
Anti-image Matrices
Communalities
Initial Extraction
Efektivitas 1,000 ,133
Efisiensi 1,000 ,009
Kemandirian 1,000 ,901
Keserasian 1,000 ,479
Upaya PAD 1,000 ,896
Extraction Method: Principal Component Analysis.
210
Aplikasi Analisis Kuantitatif Made Suyana Utama
211
Component Matrixa
Compone
nt
1
Efektivitas ,364
Efisiensi -,096
Kemandirian ,949
Keserasian ,692
Upaya PAD ,947
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
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
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,621
Anti-image Matrices
Communalities
Initial Extraction
Efektivitas 1,000 ,148
Kemandirian 1,000 ,894
Keserasian 1,000 ,482
Upaya PAD 1,000 ,890
Extraction Method: Principal Component Analysis.
Component Matrixa
Compone
nt
1
Efektivitas ,385
Kemandirian ,946
Keserasian ,694
Upaya PAD ,943
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
212
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Anti-image Matrices
Communalities
Initial Extraction
Kemandirian 1,000 ,907
Keserasian 1,000 ,502
Upaya PAD 1,000 ,913
Extraction Method: Principal Component Analysis.
Component Matrix a
Compone
nt
1
Kemandirian ,952
Keserasian ,708
Upaya PAD ,955
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
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
214
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Keterangan :
Zi = Skor faktor variabel laten terstandar ke-i
αij = Koefisien regresi dari variabel i
X = variabel terukur
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 ....
216
Aplikasi Analisis Kuantitatif Made Suyana Utama
217
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)
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,599
Bartlett's Test of Approx. Chi-Square 133,453
Sphericity
Df 21
Sig. ,000
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
a. Measures of Sampling Adequacy(MSA)
Factor Analysis b)
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
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 Method: Principal Component Analysis.
Factor Analysis c)
Anti-image Matrices
Communalities
Initial Extraction
pendapatan 1,000 ,670
penmis 1,000 ,556
dispen 1,000 ,605
harhid 1,000 ,714
melhurf 1,000 ,736
Extraction Method: Principal Component Analysis.
220
Aplikasi Analisis Kuantitatif Made Suyana Utama
221
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)
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,528
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
Extraction Method: Principal Component Analysis.
Anti-image Matrices
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
Extraction Method: Principal Component Analysis.
a. 3 components extracted.
222
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 4 iterations.
Factor Analysis b)
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. .520
Anti-image Matrices
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
Extraction Method: Principal Component Analysis.
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
Extraction Method: Principal Component Analysis.
224
Aplikasi Analisis Kuantitatif Made Suyana Utama
225
14.3 Secara teoritis strategi pemasaran ditentukan oleh variabel harga, promosi,
personal selling, dan evidensi, seperti diagram berikut ini.
STRATEGI
PEMASARAN
Factor Analysis
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,877
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
a. Measures of Sampling Adequacy(MSA)
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
Component Matrixa
Compone
nt
1
Harga ,935
Promosi ,948
Personal Selling ,944
Evidensi ,958
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
----------------
226
Aplikasi Analisis Kuantitatif Made Suyana Utama
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.
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
229
230
Aplikasi Analisis Kuantitatif Made Suyana Utama
231
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.
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.
Wilks' Lambda
Wilks'
Test of Function(s Lambda Chi-square df Sig.
1 ,310 24,570 2 ,000
232
Aplikasi Analisis Kuantitatif Made Suyana Utama
233
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.
Function
1
Skala Bank (BS) .636
Kinerja Keuangan (FP) .655
234
Aplikasi Analisis Kuantitatif Made Suyana Utama
235
Z = c + w1 Skala + w2 FP ...............................................................(15.1)
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.
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
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.
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
238
Aplikasi Analisis Kuantitatif Made Suyana Utama
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
Std. Valid N (listwise)
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
Wilks' Chi-
Test of Function(s) Lambda square df Sig.
1 ,437 21,943 3 ,000
Structure Matrix
Function
1
Jumlah Pendapatan ,848
(Constant) -4,573
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
Aplikasi Analisis Kuantitatif Made Suyana Utama
241
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
Structure Matrix
Function
1
Arus Kas ,888
Return on Total Asset ,443
Economic Value Added ,214
242
Aplikasi Analisis Kuantitatif Made Suyana Utama
243
---------------
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.
244
Aplikasi Analisis Kuantitatif Made Suyana Utama