ANALISIS DATA KUANTITAF

(MANUAL DAN KOMPUTER)

Makalah disampaikan pada Mata Kuliah

METODELOGI PENELITIAN

Dosen Pengampu:
Prof. Dr.H. Kamrani Buseri, M.A. (Koordinator)
Prof. Dr. H. Suratno, M.Pd
Dr. Hj. Nuril Huda, M.Pd
Dr. Dina Hermina, M.Pd

Pemakalah :

ABDUR RAHMAN
(NIM 1403520041)

INSTITUT AGAMA ISLAM NEGERI (IAIN) ANTASARI

PROGRAM PASCASARJANA (S-3)
BANJARMASIN
2014

1
 I. PENDAHULUAN

A. Latar Belakang

Analisis data merupakan salah satu proses penelitian yang dilakukan setelah
semua data yang diperlukan guna memecahkan permasalahan yang diteliti sudah
diperoleh secara lengkap. Ketajaman dan ketepatan dalam penggunaan alat analisis
sangat menentukan keakuratan pengambilan kesimpulan, karena itu kegiatan analisis
data merupakan kegiatan yang tidak dapat diabaikan begitu saja dalam proses
penelitian. Kesalahan dalam menentukan alat analisis dapat berakibat fatal terhadap
kesimpulan yang dihasilkan dan hal ini akan berdampak lebih buruk lagi terhadap
penggunaan dan penerapan hasil penelitian tersebut. Dengan demikian, pengetahuan
dan pemahaman tentang berbagai teknik analisis mutlak diperlukan bagi seorang
peneliti agar hasil penelitiannya mampu memberikan kontribusi yang berarti bagi
pemecahan masalah sekaligus hasil tersebut dapat diperanggungjawabkan secara
ilmiah.
Secara garis besarnya, teknik analisis data terbagi ke dalam dua bagian, yakni
analisis kuantitatif dan kualitatif. Yang membedakan kedua teknik tersebut hanya
terletak pada jenis datanya. Untuk data yang bersifat kualitatif (tidak dapat diangkakan)
maka analisis yang digunakan adalah analisis kualitatif, sedangkan terhadap data yang
dapat dikuantifikasikan dapat dianalisis secara kuantitatif, bahkan dapat pula dianalisis
secara kualitatif.

B. Pembatasan Masalah
Pada makalah ini, penulis hanya membatasi pada permasalahan:
1. Pengertian Data
2. Statistik Desktiptif dan Statistik Inferensial
3. Persyaratan Uji Statistik Parametrik dan Non Parametrik
4. Hipotesis

2
 5. Analisis Kuantitatif

II. PEMBAHASAN

A. Defenisi

Data berasal dari bahasa latin datum yang berarti “memberi”, Data adalah

kumpulan fakta, fenomena, atau keadaan yang merupakan hasil pengamatan,

pengukuran, atau pencacahan terhadap karakteristik atau sifat dari obyek yang dapat

berfungsi untuk membedakan obyek yang satu dengan lainnya pada sifat yang sama.

Data yang terkumpul dari hasil penelitian biasanya banyak sekali yang terdiri dari

catatan lapangan dan komentar peneliti, gambar, foto, dokumen, biografi, artikel, hasil

wawancara dan sebagainya. Pekerjaan analisis data adalah mengatur, mengurutkan,

mengelompokkan, memberikan kode, dan mengkategorikannya.

Analisis kuantitatif yang biasa digunakan adalah analisis statistik. Analisis

statistik adalah cara mengolah informasi data (kuantitatif) yang berhubungan dengan

angka-angka, bagaimana mencari, mengumpul, dan mengolah data sehingga sampai

menyajikan data dalam bentuk sederhana dan mudah dibaca atau data yang diperoleh

dapat dimaknai (diinterpretasikan). 1 Analisis statistik ini dimaksudkan sebagai teknik

untuk menjadikan data menjadi lebih sederhana dan mudah dipahami. 2

Ada beberapa tahap yang harus dilalui seorang peneliti untuk melakukan

analisis data, yaitu data coding, data entering, data cleaning, data output dan data

analyzing. Tahap tersebut dapat digambarkan sebagai berikut:

1
Iskandar, Metodologi Penelitian Pendidikan dan Sosial (Kuantitatif dan Kualitatif) dilengkapi
Cara Praktis Menggunakan, Mengolah, dan Menginterpretasikan Hasil Analisis Program Statistik
Package for the Sosial Sciences (SPSS) (Jakarta: Gaung Persada Press, 2009), h. 101.
2
Hurmaini, Metodologi Penelitian untuk Bimbingan Skripsi; Rancangan, Pelaksanaan,
Analisis, dan Penulisan (Riau: Suska Press, 2008), h. 31.
3
 Data Coding
Data Coding
Data Entering Ada kesalahan

Tidak ada kesalahan Data Output Data Coding

Data Analyzing

Gambar 1. Tahap Analisis Data

1. Data coding merupakan suatu proses penyusunan data mentah secara sistematis ke
dalam bentuk yang mudah dibaca oleh mesin pengolah data (computer).
2. Data entering merupakan proses pemindahan data yang telah diubah ke dalam
kode angka ke dalam computer.
3. Data cleaning atau pembersihan data merupakan proses pengecekan untuk
memastikan bahwa seluruh data yang telah dimasukkan ke computer sudah sesuai
dengan informasi yang sebenarnya.
4. Data output atau penyajian data merupakan tahap menyajikan hasil pengolahan
data dengan bentuk yang mudah dibaca dan lebih menarik.
5. Data analyzing atau analisis data merupakan tahap akhir dalam penelitian. Untuk
menganalisis data peneliti perlu menggunakan beberapa alat uji statistik yang
sesuai dengan kebutuhan.3

3
Nanang Martono, Metode Penelitian Kuantitatif: Analisis Isi dan Analsis Data Sekunder,
(Jakarta: PT. RajaGrafindo Persada, 2011), 144-146
4
 Teknik analisis data yang digunakan dalam penelitian kuantitatif diarahkan
untuk menjawab rumusan masalah atau menguji hipotesis yang telah dirumuskan.
Karena datanya kuantitatif, maka teknik analisis data menggunakan metode statistik
yang sudah tersedia. Pengujian hipotesis hubungan antar dua variabel bila datanya
ordinal maka statistik yang digunakan adalah Korelasi Spearman Rank dan bila
datanya interval atau ratio menggunakan Product Moment. Sedangkan pengujian
signifikansi komparasi data dua sampel, bila datanya interval atau ratio maka
menggunakan t-test dua sampel, bila datanya nominal maka digunakan Chi Kuadrat.
Selanjutnya bila akan menguji hipotesis komparatif lebih dari dua sampel, datanya
interval, digunakan Analisis Varian.
Terdapat dua macam statistik yang digunakan analisis data dalam penelitian
kuantitatif, yaitu statistik deskriptif dan statistik inferensial. Statistik inferensial dilihat
dari segi analisisnya meliputi statistik korelasional dan statistik komparasi; dilhat dari
segi parameternya meliputi statistik parametris dan statistik nonparametris.

B. Statistik Deskriptif dan Analitik

Dalam suatu penelitian, sebelum Anda melakukan pengumpulan data, Anda
harus membuat proposal penelitian. Pada proposal penelitian, terdapat bab rencana
analisis yang menggambarkan apa yang Anda rencanakan pada data yang akan
Anda miliki. Rencana analisis biasanya dibagi menjadi dua bagian yaitu rencana
analisis secara deskriptif dan analitik/inferensi. Dengan demikian, ada dua
pemahaman utama yang harus Anda miliki, yaitu tentang statistik deskriptif dan
statistik analitik.
Statistik deskriptif akan membawa Anda pada pemahaman tentang
karakteristik data yang Anda miliki. Statistik deskriptif ini harus selalu mendahului
statistik inferensi/analitik. Karena pentingnya statistik deskriptif ini, para ahli selalu
mengatakan: know your data, what kind of data you have!4 Statistik inferensi akan

4
Ruswana Anwar, Teori Sederhana Prosedur Pemilihan Uji Hipotesis, (Bandung:Makalah,
2005), hal. 1-25.
5
membawa Anda mengambil kesimpulan terhadap hipotesis Anda.
Dengan demikian, ada dua pertanyaan utama dan sekaligus akan menjadi topik
pembahasan pada buku ini. Pertanyaan utama tersebut adalah:
1. Bagaimana karakteristik data yang Anda miliki/akan Anda miliki? (statistik
deskriptif)
2. Bagaimana Anda menentukan uji hipotesis yang sesuai dengan set data yang
Anda miliki/akan Anda miliki ? (statistik analitik)

1. Statistik deskriptif

Statistik deskriptif berusaha menggambarkan berbagai karakteristik data.

Berikut ini merupakan catatan utama berkaitan dengan statistik deskriptif :

a. Variabel kategorikal
Berkaitan dengan gambaran karakteristik satu set data dengan skala pengukuran
kategorikal, Anda mengenal istilah jumlah atau frekuensi tiap kategori (n), dan
persentase tiap kategori (%), yang umumnya disajikan dalam bentuk tabel atau
grafik.

Tabel 1. Contoh deskripsi variabel kategorikal dalam bentuk tabel

n %

Jenis kelamin
- Laki-laki 22 44
- Perempuan 28 56
Tingkat pendidikan
- Rendah 15 20
- Sedang 25 50
- Tinggi 15 30
Total 50 100

Berikut ini merupakan contoh penyajian variabel dengan skala pengukuran

kategorikal dalam bentuk grafik batang.

Grafik Batang
120 6
100
80
60
 Gambar 1. Contoh penyajian variabel kategorikal dalam bentuk grafik batang

Sebaran Responden Berdsarkan

Tingkat Pendidikan

20%
30%
Tingkat Pendidikan
Rendah
Sedang
50%
Tinggi

Gambar 2. Sebaran responden berdasarkan tingkat perdidikan (n=50)

b. Variabel numerik
Berkaitan dengan gambaran karakteristik satu set data dagan skala
pengukuran numerik, Anda mengenal dua parameter yang lazim digunakan yaitu
parameter ukuran pemusatan dan parameter ukuran penyebaran. Anda mengenal
beberapa parameter untuk ukuran pemusatan, yaitu: mean, median, dan modus.
Untuk parameter ukuran penyebaran, Anda mengenal standar deviasi, varians,
koefisien varians, interkuartil, range, dan minimum maksimum. Data variabel
dengan skala pengukuran numerik umumnya disajikan dalam bentuk tabel dan
grafik (histogram dan plots). Berikut ini merupakan contoh penyajian variabel
dengan skala pengukuran numerik dalam bentuk tabel dan histogram.

7
 Tabel 2. Contoh penyajian variabel numerik dalam bentuk tabel

Variabel Mean Median Simpang baku Minimum Maksimum

Usia 46,69 47 12,56 15 69
Berat badan 50,4 50 8,33 45 64

Kapan Anda memilih mean, median atau modus sebagai ukunn pemusatan? Kapan
pula Anda memilih standar deviasi, atau minimum maksimum sebagai ukuran
penyebaran ?

Jika sebaran data mempunyai distribusi normal, Anda dianjurkan untuk

memilih mean sebagai ukuran pemusatan dan standardeviasi (SD) sebagai ukuran
penyebaran. Dalam kasus di atas (tabel 1.2), jika variabel usia mempunyai sebaran
normal, Anda menuliskan: Rerata usia responden adalah 46,69 (SD 12,56).
Jika sebaran data tidak normal Anda dianjurkan untuk memilih median sebagai
ukuran pemusatan dan minimum maksimum sebagai ukuran penyebaran. Dalam
kasus di atas (tabel 1.2. , jika variabel usia mempunyai sebaran tidak normal, Anda
dianjurkan untuk menuliskan rerata usia responden adalah 47 (15-69).
Untuk mempelajari bagaimana membuat deskripsi variabel kategorikal deskripsi
variabel numerik, dan Bagaimana cara mengetahui sebaran suatu variabel numerik
memiliki sebaran normal atau tidak dengan menggunakan SPSS, silahkan pelajari
Bab II.

C. Statistik analitik
Pertanyaan yang sering muncul dalam an alisis data adalah: uji hipotesis apa
yang Anda pakai untuk menguji set data yang Anda miliki? Jawabannya tentu
saja: Anda menggunakan uji hipotesis yang sesuai. Uji hipotesis yang sesuai akan
membawa kita pada pengambilan kesimpulan yang sahih. Akan tetapi, untuk
mencapai keputusan untuk menggunakan uji tertentu, tentu saja harus didasari
berbagai pertimbangan. Pertimbangan apa saja yang harus kita pikirkan untuk

8
 menentukan uji hipotesis?

Tahukah Anda dengan berpedoman pada tabel uji hipotesis (tabel 3)

Anda sudah bisa menentukan sebagian besar uji hipotesis yang sesuai
dengan set data yang Anda miliki ?

Tabel 3. Tabel uji hipotesis

Skala Jenis
pengukuran hipotesis
Komparatif/asosiatif
variabel 2 kelompok > 2 kelompok Korelatif
Berpasangan Tidak Tidak Tidak
Berpasangan Berpasangan Berpasangan
Nominal McNemar Chi Square Cochran Chi Square Coefisen
Marginal Fisher Fisher Kontingensi
homogeneity Kolmogorov Kolmogorov Lambda
Smirnov Smirnov
Ordinal Mc.Nemar Chi Square Cochran Chi Square Somers'd
Marginal Fisher Fisher Gamma
Homogeneity Kolmogorov Kolmcagorov
Smirnov Smirnov
Wilcoxon Mann- Friedman Kruskal-Wallis Spearman
Numerik Uji t Whitney
Uji t tidak Anova Anova Pearson
(interval berpasangan Berpasangan
dan
rasio)
Keterangan:
Uji dengan tanda * merupakan uji parametrik
Tanda panah menunjukan uji alternatif bila syarat uji parametrik tidak terpenuhi

Dengan berpedoman pada tabel di atas, sesungguhnya Anda sudah dapat

menentukan uji hipotesis yang sesuai dengan set data yang Ada miliki. Langkah-
langkah penggunaan tabel uji hipotesis adalah sebagai berikut :
1. Identifikasi skala pengukuran variabel
2. Tentukan jenis uji hipotesis
3. Identifikasi jumlah kelompok
4. Identifikasi pasangan/tidak berpasangan
5. Untuk variabel kategorikal, identifikasi apakah dapat dibuat tabel silang. Kalau
bisa, tentukan jenis tabel silangnya.
6. Identifikasi persyaratan uji parametrik dan non parametrik

9
Dengan demikian, Anda dapat menentukan uji hipotesis dengan berpedoman pada
tabel Uji Hipotesis dengan syarat Anda harus memahami beberapa istilah: 1) Skala
pengukuran variabel: kategorikal (nominal, ordinal) dan numerik (rasio dan interval);
2) Jenis hipotesis: komparatif asosiatif dan korelatif; 3) Jumlah kelompok data : 1
kelompok, 2 kelompok, > 2 kelompok; 4)Pasangan: berpasangan atau tidak
berpasangan; 5)Tabel silang (baris kali kolom); 6)Syarat uji parametrik dan non
parametrik.
1. Skala pengukuran variabel
Pemahaman tentang skala pengukran variabel, menggambarkan pemahaman
terhadap data yang ada miliki. Pada tabel uji hipotesis (tabel 1.3), skala pengukuran
variabel dibagi menjadi nominal, ordinal, dan numerik (rasio dan interval). Apa yang
dimaksud dengan kala variabel? Lihatlah dengan seksama tabel 1.4:

Tabel 4. Skala pengukuran variabel

SKALA PENGUKURAN
KATEGORIKAL/KUALITATIF/ NUMERIKNONKATEGORIKAL/
DISKONTINYU KUANTITATIF/KONTINYU
Nominal Rasio
Jenis kelamin BERAT BADAN TINGGI BADAN
 Laki-laki KADAR GULA DARAH KADAR
 Perempuan KOLESTEROL

Golongan darah
 Golongan darah A
 Golongan darah B
 Golongan darah AB
 Golongan darah O
Ordinal Interval
Tingkat pendidikan Suhu badan
•Pendidikan rendah
•Pendidikan menengah
•Pendidikan tinggi

Klasifikasi Kadar kolesterol

•Baik
•Sedang
•Buruk

10
 Dengan melihat tabel 4, Apakah Anda sudah dapat membedakan variabel nominal,
ordinal dan numerik (Rasio dan interval). Apakah perbedaannya? Dapatkah Anda
memberikan contoh lainnya?

Catatan:
Dalam berbagai buku rujukan, ada beberapa istilah yang dipergunakan dalam
klasifikasi skala pengukuran antara lain kategorikal - non- kategorikal, kualitatif -
kuantitatif, dan kontinyudiskontinyu. Dalam program SPSS, dipergunakan istilah
scale untuk istilah kontinyu, kuantitatif, dan non kategorikal.
Dalam buku ini, penulis memakai istilah kategorikal untuk mewakili istilah
diskontinyu dan kualitatif. Untuk mewakili istilah non kategorikal, kuantitatif, dan
diskontinyu, penulis memakai istilah numerik.

a. Nominal dan Ordinal (kategorikal)

Variabel nominal dan variabel ordinal disebut sebagai variabel kategorikal
karena variabel tersebut mempunyai kategori variabel. "Jenis kelamin" adalah
variabel, sedangkan "laki-laki" dan "perempuan" adalah kategori variabel.
"Klasifikasi kadar kolesterol" adalah variabel, sedangkan "baik", "sedang", dan
"buruk" adalah kategorinya.
Berdasarkan kategori inilah Anda dapat membedakan variabel nominal dan
variabel ordinal. Variabel noninal mempunyai kategori yang 'sederajat" atau "tidak
bertingkat" (contoh: variabel jenis kelamin dengn kategori laki- laki dan perempuan)
sedangkan variabel ordinal mempunyai kategori yang "tidak sederajat" atau kategori
yang "bertingkat" (contoh:variabel kolesterol dengan kategori kadar kolesterol baik,
kadar kolesterol sedang, dan kadar kolesterol buruk).

b. Rasio dan interval (numerik)

Variabel rasio dan interval disebut sebagai variabel numerik karena variabel
11
tersebut memberikan informasi peringkat lengkap. Anda dapat membedakan variabel
rasio dan interval berdasarkan nilai nolnya. Apabila variabel tersebut mempunyai nilai
nol alami (seperti tinggi badan, berat badan, jarak) maka Anda menyebutnya sebagai
variabel rasio. Apabila variabel tersebut tidak mempunyai nilai nol alami (seperti
suhu) maka Anda menyebutnya sebagai variabel interval. Perhatikan bahwa nol
derajat pada skala Celcius berbeda dengan nol derajat pada skala Fahrenheit.

c. Lambang skala pengukuran dalam SPSS

Perhatikan lambang skala pengukuran variabel yang dapat Anda temukan pada
program SPSS
Scale
Ordinal
Nominal

Gambar 1.3 Simbol skala pengukuran pada SPSS

Program SPSS tidak membedakan variabel rasio dengan interval. Dalam SPSS,
variabel rasio dan interval disebut sebagai variabel scale.
Anda perhatikan, bahwa variabel scale dilambangkan dengan sebuah penggaris
untuk mewakili contoh variabel scale (ukuran panjang adalah salah satu contoh
variabel scale). Variabel ordinal dilambangkan dengan suatu tangga bertingkat
untuk menunjukkan kategori dalam variabel ordinal tidak sederajat. Adapun
variabel nominal dilambangkan dengan bulatan-bulatan bola untuk menunjukkan
kategori dalam variabel nominal adalah sederajat.

2. Jenis hipotesis
Anda harus mengetahui apa yang dimaksud dengan hipotesis komparatif/asosiatif
dan hipotesis korelatif.
Pada tabel uji hipotesis, jenis hipotesis dibagi menjadi dua yaitu komparatif/
asosiatif dan korelatif. Untuk membedakannya, perhatikan contoh sebagai berikut:

12
1. Pertanyaan penelitian untuk hipotesis komparatif/asosiatif: Apakah terdapat
perbedaan rerata kadar gula darah antara kelompok yang mendapat pengobatan
glibenklamid dan kelompok plasebo?

13
 Apakah terdapat hubungan antara kadar gula darah dengan jenis pengobatan yang
diterima (glibenklamid dan plasebo)?
Apakah terdapat perbedaan terjadinya kanker paru antara perokok dan bukan
perokok?
Apakah terdapat hubungan antara perilaku merokok dan tejadinya kanker paru?

2. Pertanyaan untuk hipotesis korelasi

Berapa besar korelasi antara kadar trigliserida dan kadar gula darah? Dengan
mengamati secara seksama contoh pertanyaan penelitian untuk masing-masing jenis
hipotesis, Anda sudah mengetahui perbedaan jenis hipotesis tersebut. Apa perbedaan
hipotesis asosiati^komparatif dengan hipotesis korelatif ?

3. Ilustrasi Satu: dua kelompok tidak berpasangan

Anda mengukur tekanan darah subyek penelitian. Subyek penelitian tersebut berasal
dari dua kelompok, yaitu kelompok daerah rural dan kelompok daerah urban. Nah,
data tekanan darah kelompok rural adalah satu kelompok data sedangkan data tekanan
darah kelompok urban adalah kelompok data yang lain. Dengan demikian, dari segi
jumlah, Anda punya dua kelompok data. Sedangkan dari segi berpasangan, Anda
mempunyai kelompok data yang tidak berpasangan karena individu dari kedua
kelompok data tersebut berbeda.
Coba bandingkan dengan ilustrasi sebagai berikut

4. Ilustrasi dua : dua kelompok berpasangan

Ada sekelompok mahasiswa yang diukur berat badannya sebanyak dua kali,
yaitu pada Bulan Januari 2003 dan Bulan Februari 2003. Nah, data berat badan
mahasiswa pada Bulan Januari alalah satu kelompok data. Berat badan mahasiswa
pada Bulan Februari adalah sekelompok data lagi. Dari segi jumlah, Anda
mempunyai dua kelompok data (yaitu berat badan rnahasiswa pada Bulan Januari
dan Februari. Dari segi berpasangan, Anda mempunyai kelompok data yang
berpasangan karena individu dari kedua kelompok data adalah individu yang sama.
 15

5. kelompok berpasangan karena matchi ng

Ilustrasi sama dengan ilustrasi pertama. Anda mengukur tekanan darah subyek
penelitian yang berasal dari dua kelompok, yaitu kelompok daerah rural dan
kelompok daerah urban. Dalam prosedur pemilihan subyek penelitian, Anda
melakukan proses matching, yaitu setiap subyek dari kelompok rural dicarikan
pasangannya yang mempunyai karakteristik yang sama dengan subyek dari
kelompok urban. Dengan demikian, dari segi jumlah, Anda punya dua kelompok
data. Sedangkan dari segi berpasangan, Anda mempunyai kelompok data yang
berpasangan karena ada proses matching

6. Definisi Berpasangan dan tidak berpasangan

Dua atau lebih kelompok data dikatakan berpasangan apabila data berasal dari
subyek yang sama atau subyek yang berbeda yang telah dilakukan matching Dua atau
lebih kelompok data dikatakan tidak berpasangan apabila data berasal dari subyek
yang berbeda tanpa prosedur matching.

7. Uji parametrik
Untuk uji parametrik, terdapat tiga syarat yang perlu diperhatikan yaitu skala
pengukuran variabel, sebaran data, serta varians data:
1. Skala pengukuran variabel: Skala pengukuran variabel harus variabel numerik
2. Sebaran data: sebaran data harus normal
3. Varians data:
a. Kesamaan varians tidak menjadi syarat untuk uji kelompok yang
berpasangan

15
 b. Kesamaan varians adalah syarat tidak mutlak untuk 2 kelompok tidak
berpasangan artinya, varians data boleh sama boleh juga berbeda.
c. Kesamaan varians adalah syarat mutlak untuk > 2 kelompok tidak
berpasangan artinya varians data harus wajib sama.

8. Uji non parametrik

Uji non prametrik dipergunakan untuk keadaan sebagai berikut:
1. Jika data dengan skala numerik tidak memenuhi syarat untuk uji parametrik
(misalnya sebaran data tidak normal), maka dilakukan uji non parametrik yang
merupakan alternatif dari uji parametriknya. Lihat tanda panah pada tabel Uji
hipotesis.
Alternatif uji t berpasangan adalah Uji Wilcoxon.
Alternatif uji t tidak berpasangan adalah uji MannWhitney.
Alternatif uji anova berpasangan adalah Uji Friedman. Alternatif uj Anova tidak
berpasangan adalah Uji Kruskal-Wallis.
2. Jika skala pengukuran variabel adalah kategorikal (ordinal din nominal) maka
dapat diuji dengan uji non parametrik.

a. Lalu, bagaimana Anda mengetahui set data memiliki sebaran normal?

Anda dapat mengetahui set data memiliki sebaran normal atau tidak dengan dua
metode yaitu metode deskriptif dan metode analitik. Rincian serta penjelasan kedua
metode tersebut dapat dilihat pada tabel 5:

Tabel 5 Metode untuk mengetahui suatu set data memiliki sebaran normal atau tidak
Metode Parameter Definisi Kriteria sebaran data
dikatakan normal
Deskriptif Deskriptif varians Perbandingan standar Nilai koefisien varians
deviasi dan mean <30%
SD/mean x 100%
Rasio skewness Adalah perbandingan Nilai rasio skewness -2 s.d 2
antara skewness dan
standar error of kurtosis
Rasio kurtosis Adalah perbandingan Nilai rasio kurtosis -2 s/d 2
antara kurtosis dan
slander error of kurtosis

13
 Histogram Simetris tidak miring kin
maupun kanan, tidak
terlalu tinggi atau terlalu
Box plot rendah median tepat di
Simetris
tengah, tidak ada out har
atau nilai ekstrim
Normal Q-Q plots Data menyebar sekitar
Detrended Q-Q garis
Data menyebar sekitar
lots garis pada nilav 0
Analitik Kolmogorov Nlai kemaknaan (p) >
Smirnov 0,05
Shapiro-Wlk

b. Lalu, bagaimana mengetahu‫ ؛‬dua buah data atau lebih mempunya varians
yang sama atau tidak?

Uji varians (Leuvene test of varians) digunakan untuk mengetahui apakah dua atau
lebih kelompok data mempuyai varians yang sama atau tidak. Jka uji varians
menghasilkan nilai p>0,05, maka varians dari data yang diuji adalah sama.

Defenisi
St andar Deviasi adalah parameter ukuran penyebaran satu set data numerik,
merupakan variabilifas nilai-nilai terhadap rerata.

Varians adalah parameter ukuran penyebaran satu set data numerik yang secara
matematis merupakan kuadrat standar deviasi. Sebaran Normal adalah disttibusi
nilai yang sesuai dengan kurva Gaussian, dimana 68% nilai beada pada simpang
baku-1 sampai dengan 1 dan 95% nilai pada simpang baku -2 sampai dengan 2.

9. Istilah Keenam
Anda harus memahami apa yang dimaksud dengan tabel silang. Pada tabel
uji hipotesis, dijelaskan bahwa untuk uji hipotesis komparatif untuk varibel ordinal
sama dengan uji untuk variabel nominal bila dapat dibuat dalam bentuk tabel
silang (tabel Baris kali Kolom).
Apakah yang dimaksud tabel B kali K?
B adalah singkatan dari baris dan K dari kolom. Pada baris (B) umumnya
diletakkan variabel independent/bebas, sedangkan pada kolom (K) diletakkan
variabel dependen/tergantung.
Jenis tabel ditentukan oleh jumlah baris dan kolomnya. Jika jumlah baris ada 3 dan
kolom 3, maka tabel tersebut disebut tabel 3x3. Berikut ini merupakan contoh dari
table 3 x 3.
Tabel 6, merupakan contoh tabel 3 x 3 karena jumlah baris ada 3 dan
jumlah kolom ada 3. Baris ada tiga karena tingkat pendidikan dibagi menjadi 3
kategori yaitu rendah, sedang, dan tinggi Pada kolom juga terdapat 3 kolom karena
tingkat pengetahuan dibagi menjadi 3 yaitu rendah, sedang dan tinggi. Persilangan
antara satu kategori dengan kategori lain dinamacan sebagai sel. Pada tabel 3 x 3,
terdapat 9 sel yang diberi nama mulai dari sel a sampai dengan sel i. Perhatikan
bahwa variabel tingkat pendidikan dan tingcat pengetahuan merupakan variabel
ordinal. Hubungan antara dua buah variabel ordinal ini dapat disajikan dalam
Tabel 6. Contoh tabel silang 3x3

Tingkat pengetahuan Total

Tingkat Rendah a b c a+b+c

Pendidikan
Sedang d e f d+e+f
Tinggi g h i g+h+i
Total a+d+g b+e+h c+f+i N
bentuk tabel silang (tabel B kali K).

10. Uji Hipotesis

Sampai sejauh ini Anda sudah memahami berbagai istilah yang harus
Anda ketahui untuk menentukan uji hpotesis yang sesuai dengan set data yang
Anda miliki dengan menggunakan tabel uji hipotesis. Pemaparan berikut akan
lebih membantu Anda untuk memahami alur pemikiran menuju hipotesis yang
sesuai. Pemaparan akan diklasifikasikan menjadi lima bagian.
1
1. Resume hipotesis komparatif skala pengukuran numerik
2. Resume hipotesis komparatif skala pengukuran ordinal
3. Resume hipotesis komparatif skala pengukuran ordinal dan nominal dalam
bentuk tabel B kali K tidak berpasangan
4. Resume hipotesis komparatif skala pengukuran ordinal dan nominal dalam
bentuk tabel B kali K tidak berpasangan
5. Resume hipotesis korelatif

a. Resume Uji Hipotesis Komparatif Variabel Numerik

Cakupan uji hipotesis komparatif variabel numerik disajikan pada table 7.
Perhatikan bahwa tabel 7 ini adalah sebagian dari tabel uj hipotesis yang Anda
pelajari pada tabel 3.

Tabel 7. Tabel Uji hipotesis: alur menuju pemilihan uji hipotesis komparatif
variabel numerik
Skala Jenis hipotesis
pengukuran Komparatif/asosiatif
variabel 2 kelompok >2 kelompok
Berpasangan Tidak Berpasangan Tidak
Ordinal
Berpasangan Berpasangan
Wilcoxon Mann-Whitney Friedman Kruskal-Wallis
Numerik
(interval dan
rasio) Uji t berpasangan Uji t tidak Anova Anova
berpasangan

Untuk variabel numerik, penggunaan tabel uji hipotesis akan lebih mudah
dimengerti bila dikombinasikan dengan diagram alur sebagai berikut.

2
 Variabel numerik
Hipotesis
komparatif

Berpasangan? Berpasangan/ tidak berpasangan

Varians? 2 kelompok > 2 kelompok

Sebaran normal?

Berbeda

Transformasi Data ( Log, akar, kuadrat,dll)

Sama (homogen) UJI PARAMETRIK

Bila tetap Berbeda

UJI NON PARAMETRIK

Gambar 3. Diagram alur uji hipotesis komparatif variabel numerik

Tanda panah melengkung pertama menunjukkan upaya yang dilakukan untuk

menormalkan sebaran data dari tidak normal menjadi normal. Sedangkan tanda
lengkung yang kedua menunjukkan upaya yang dilakukan supaya data yang
mempunyai varians berbeda diupayakan untuk mempunyai varians yang sama.
Upaya ini dinamakan proses transformasi data. Transformasi dilakukan dengan
menggunakan fungsi-fungsi log, akar, kuadrat dll. Bila proses transformasi data
berhasil, maka proses akan berujung pada uji parametrik. Apabila tidak berhasil,
maka proses akan berujung pada uji non parametrik. Proses transformasi data ini
belum tentu berhasil. Bagaimana proses transformasi ini dilakukan dengan program
SPSS?

3
b. Resume Uji Hipotesis Komparatif Variabel Ordinal

Cakupan uji hipotesis komparatif variabel ordinal disajikan pada tabel 1.8.
Perhatikan bahwa tabel 8 ini adalah sebagian dari tabel uj hipotesis yang Anda
pelajari pada tabel 3.

Tabel 8. Tabel Uji hipotesis: alur menuju pemilihan uji Hipotesis komparatif
variabel ordinal
Skala Jenis hipotesis
pengukuran Komparatif/asosiatif
variahel 2 kelompok >2 kelompok
Berpasangan Tidak Berpasangan Tidak
Berpasangan Berpasangan
Ordinal Wilcoxon Mann-Whitney Friedman Kruskal-Wallis

Tabel 9. Tabel Uji hipotesis: alur menuju pemilihan uji hipotesis variabel
kategorikal
Skala Jenis hipotesis
pengukuran Komparatif/asosiatif
variabel 2 kelompok >2 kelompok
Berpasangan Tidak Berpasangan Tidak
Berpasangan Berpasangan
Nominal McNemar Chi Square Cochran Chi Square
Marginal Fisher Fisher
Homogeneity Kolmogorov Kolmogorov
Smirnov Smirnov
Ordinal McNemar Chi Square Cochran Chi Square
Marginal Fisher Fisher
Homogeneity Kolmogorov Kolmogorov
Smirnov Smirnov

Dengan menggunakan Tabel 9, Anda sudah bisa menentukan uji hipotesis

yang dipilih untuk menguji data yang Anda miliki. Penggunaan tabel 9 akan lebih
mudah dimengerti bila dkombinasikan dengan diagram uj hipotesis tabel B kali K
sebagai berikut.

4
c. Resume Hipotesis Korelatif
Anda dapat memilih uji hipotess korelatif dengan berpedoman pada tabel sebagai
berikut.

Tabel 10. Pemilihan hipotesis korelatif

Variabel 1 Variabel 2 Uji korelasi yang dipilih
Nominal Nominal Koefisien kontingensi, Lambda
Nominal Ordinal Koefisien kontingensi, Lambda
Ordinal Ordinal Spearman, Gamma, Somers'd
Ordinal Numerik Spearman
Numerik Numerik Pearson

Keterangan:
Korelasi untuk variabel numerik-numerik, memakai uji Pearson dengan uji Spearman sebagai
alternatifnya

1. CONTOH KASUS
Dengan menggunakan pengetahuan mengenai skala pengukuran, jenis
hipotesis, syarat uji parametrik dan non parametrik, berpasangan atau tidak
berpasangan, jumlah kelompok, serta tabel silang B kali K, cobalah pelajari
beberapa contoh kasus berikut ini. Saat mempelajari setiap kasus, pergunakanlah
tabel uji hipotesis dan diagram alur.

Kasus 1:
Apakah terdapat perbedaan rerata body mass index (bmi) antara kelompok status
ekonomi tinggi dibandingkan kelompok ekonomi rendah?

5
 Jawab:

Tabel 11. Langkah-langkah untuk menentukan uji hipotesis yang sesuai dengan
panduan tabel uji hipotesis dan diagram alur

No. LANGKAH JAWABAN UJI YANG

MUNGKIN
1 Menentukan variabel yang Variabel yang diuji adalah
diuji body mass index
2 Menentukan skala Body mass index adalah t tes berpasangan, t
pengukuran variabel variabel dengan skala tes tidak berpasangan,
pengukuran numerik anova. Pearson
3 Manentuan jenis hipotesis Jenis hipotesis komparatif t tes berpasangan, t
tes tidak berpasangan,
4 Manentikan jumlah Jumlah kelompok yang tanova. tes berpasangan, t
kelompok diuji adalah 2 kelompok tes tidak berpasangan
(kelompok ekonomi
rendah dan ekonomi
5 Menentukan berpasangan Pada tinggi)kasus di atas, kedua t tes tidak
atau tidak kelompok tidak berpasangan
berpasangan
Kesimpulan :
Uji yang digunakan adalah t tes tidak berpasangan (uji prametrik), jika memenuhi syarat.
Bila tidak memenuhi syarat, maka digunakan uji alternatifnya yaitu uji Mann-Whitney (uji
non parametrik)

Kasus 2 :
"Apakah terdapat hubungan antra jenis kelamin, (lai-laki dan perempuan)
dengan asupan makanan (kurang, cukup, lebih)"

Jawab:

Langkah-langkah yang digunakan untuk mnjawab pertanyaan tersebut adalah

sebagai berikut :

6
Tabel 12. Langkah-langkah untuk menentukan uji hipotesis yang sesuai dengan
panduan tabel uji hipotesis dan diagram alur
LANGKAH JAWABAN UJI YANG MUNGKIN

1 Menentukan Variabel yang diuji adalah Chi square, McNemmar,

variabel yang diujiAsupan makanan (variabel Marginal homogeneity,
tergantung) dan jenis kelamin Cochran,
(variabel bebas) koefisien kontingensi
2 Menentukan sk,al,a Variabel jenis kelamin Chi square, McNemmar,
pengukuran merupakan variabel nominal Marginal homogeneity,
Variabel asupan makanan Cochran
merupakan
3 Manentukan jenis Jenis hipotesis komparatif Chi square, McNemmar,
hipotesis Marginal homogeneity,
Cochran
4 Manentukan jumlah Jumlah kelompok yang diuji Chi square
kelompok/jumlah adalah 2 kelompok (kelompok
variabel yang diuji ekonomi rendah dan ekonomi
tinggi)
5 Menentukan Pada kasus di atas, kedua Chi square, bila
berpasangan atau kelompok tidak berpasangan memenuhi syarat
tidak
6 Menentukan jenis Jenis tabelnya adalah 2 kali 3
tabel kontingensi

KESIMPULAN :
Jenis tabel pada soal ini adalah tabel 2 kali 3.
Uji yang digunakan adalan uji chi square bila memenuhi syarat uji chi square. Bila tldak
memenuhi syarat uji chi square. Digunakan uji alternatif yaitu uji Kolmogorov-Smirnov.

Kasus 3.
"Apakah terdapat korelasi antara kadar radikal bebas dengan total jumlah rokok
yang dihisap selama satu hari?"

Jawab:
Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah
sebagai berikut :

7
Tabel 13 . Langkah-langkah untuk menentukan uji hipotesis yang sesuai dengan
panduan tabel uji hipotesis dan diagram alur

No. LANGKAH JAWABAN UJI YANG MUNGKIN

1 Menentukan variabel Variabel yang diuji adalah kadar
yang diuji radikal bebas dan jumlah rokok
per hari
2 Menentukan skala Kadar radikal bebas adalah t-tes berpasangan, t-tes
pengukuran variabel variabel dengan skala tidak berpasangan, anova.
pengukuran numerik Pearson
3 Manentukan jenis Jenis hipotesis korelatif Pearson
hipotesis
KESIMPULAN:
Uji yang digunakan adatah uji korelasi Pearson (uji parametrik) jika memenuhi syarat. Bila
tidak memenuhi syarat maka digunakan uji alternatifnya yaitu uji korelasi Spearman (uji
non-parametrik)

d. Nilai P Dan Interval Kepercayaan

Anda menggunakan dua cara untuk menarik kesimpulan pada uji hipotesis yaitu
dengan menghitung nilai p dan menghitung nilai confidenece interval (interval
kepercayaan).

- Nilai p
Interpretasi yang diberikan pada tabel 1.14 adalah untuk menudahkan saja. nda
harus mengerti juga apa yang dimaksud dengan nilai p, hipotesis nol dan
hipotesis alternatif:
1. Hipotesis (H) adalah pernyataan sebagai jawaban sementara atas pertanyaan
penelitian yang harus dijawab secara empiris.
2. Hipotesis nol (Ho) adalah hipotesis yang menunjukkan tidak ada perbedaan antar
kelompok atau tidak ada hubungan antara variabel atau tidak ada korelasi antar
variabel.
3. Hipotesis alternatif (Ha) adalah hipotesis kebalikan dari hipotesis nol, yang akan
disimpulkan bila hipotesis nol ditolak.
4. Interpretasi yang lengkap untuk nilai p adalah sebagai berikut "besarnya
kemungkinan hasil yang diperoleh atau hasil yang lebih ekstrim diperoleh karena
faktor peluang, bila hipotesis nol benar".
8
- Interval kepercayaan
1. Interval kepercayaan (IK) menunjukkan taksiran rentang nilai pada populasi yang
dihitung dengan nilai yang diperoleh pada sampel.
2. Sebagaimana untuk menghitung nilai p, perhitungan IK mempunyai rumus
tersendiri untuk masing-masing uji hipotesis.

- Hubungan nilai p dengan interval kepercayaan

1. Nilai p dengan IK menghasilkan kesimpulan yang konsisten. Bia nilai p
menghasilkan kesimpulan yang bermakna, maka IK akan memberikan
kesimpulan yang bermakna juga. Begitu juga sebaliknya. Hanya saja, informasi
yang diberikan keduanya berbeda.
2. Konsistensi nilai p dengan nilai IK adalah pada contoh sebagai berikut:
a. Bila pada uji hipotesis komparatif perhitungan nilai p < 0,05 ("secara
statistik bermakna") maka pada perhitungan IK nilai 0 tidak akan tercakup
di dalam nilai intervalnya ("secara statistik bermakna").
b. Bila pada perhitungan rasio odds atau risiko relatif perhitungan nilai p <
0,05, maka pada perhitungan IK nilai 1 tidak akan tercakup di dalam
intervalnya.
3. Nilai p memberikan informasi peluang untuk memperoleh hasil yang
diobservasi bila hipotesis nol benar, sedangkan IK memberikan informasi
perkiraan rentang nilai parameter pada populasi.

Berdasarkan jenis analisisnya, statistik inferensial terbagi ke dalam dua

bagian:
a. Analisis Korelasional
Analisis korelasional adalah analisis statistik yang berusaha untuk mencari
hubungan atau pengaruh antara dua buah variabel atau lebih. Dalam analisis
korelasional ini, variabel dibagi ke dalam dua bagian. Pertama, variabel bebas
(independent variable), yaitu variabel yang keberadaannya tidak dipengaruhi oleh

9
variabel lain.Kedua, variabel terikat (dependent variable), yaitu variabel yang
keberadaannya dipengaruhi oleh variabel yang lain.
Misalnya contoh penelitian tentang "Pengaruh Gaya Kepemimpinan dan
Motivasi Kerja terhadap Kinerja Pegawai .". Variabel pada penelitian tersebut
adalah: Gaya kepemimpinan (X1), dan Motivasi Kerja (X2) sebagai veriabel
independen/Variabel endogen, dan Kinerja Pegawai (Y) sebagai variabel
dependent/Variabel eksogen. Paradigma penelitian ini dapat dikemukakan dalam
gambar berikut.

X1 P31
r13
r12 Y Keterangan:
p21
P23 r23 X1 = Gaya kepemimpinan (variabel
X2 bebas/independent)
X2 = Motivasi Kerja (variabel
bebas/independent)
Y = Kinerja (Variabel
terikat/dependent)

Penelitian di atas berupaya untuk mencari korelasi antar variabel diantaranya

adalah:
 Hubungan antara Gaya Kepemimpinan dengan Motivasi Kerja
 Hubungan antara Gaya Kepemimpinan dengan Kinerja
 Hubungan antara Motivasi Kerja dengan Kinerja
Untuk menentukan jenis analisis korelasional yang tepat dalam sebuah
penelitian, terlebih dahulu harus dilihat jenis data dari variabel-variabel yang diteliti.
Sebagai panduan, Tabel 14 disajikan berbagai jenis analisis korelasional berdasarkan
skala datanya.

10
 Tabel 14. Jenis Analisis Korelasional Dilihat dari Skala Data

Variabel dan Variabel Dependen/Terikat

Skala Data Nominal Ordinal Interval
- Eta
Nominal
Koefisien - Korelasi Serial
kontingensi - Regresi dengan
variabel dummy
Variabel independen

Ordinal

- Rank Spearman
- Tau Kendali

- Korelasi product
moment
Interval

Discriminant - Korelasi parsial

Analysis - Korelasi semi
parsial
- Analisis regresi

b. Analisis Komparasi

Analisis komparasi adalah teknik analisis statistik yang bertujuan untuk

membandingkan antara kondisi dua buah kelompok atau lebih. Misalnya penelitian

"Pengaruh Gaya Kepemimpinan Kepala Madrasah dan Situasi Kepemimpinan

terhadap Iklim Organisasi Madrasah ........."

Penelitian di atas berupaya untuk mencari perban-dinganpersepsi antar

kelompok guru berdasarkan jenjang pendidikan S2, S1, D3, dan jenis kelamin (pria

dan wanita) terhadap nilai variabel yang diteliti diantaranya adalah:

 Perbedaan gaya kepemimpinan kepala madrasah yang signifikan menurut

persepsi guru yang berpendidikan S2, S1, dan D3

11
  Perbedaan situasi kepemimpinan yang signifikan menurut persepsi guru yang

berpendidikan S2, S1, dan D3

 Perbedaan iklim kerja organisasi secara signifikan menurut persepsi guru

yang berpendidikan S2, S1, dan D3

 Perbedaan gaya kepemimpinan kepala madrasah yang signifikan berdasarkan

persepsi guru pria dan wanita

 Perbedaan situasi kepemimpinan yang signifikan berdasarkan persepsi guru

pria dan wanita

 Perbedaan iklim kerja organisasi madrasah yang signifikan berdasarkan

persepsi guru pria dan wanita

Teknik analisis yang digunakan juga cukup banyak, penggunaan teknik

analisis tersebut tergantung pada jenis skala data dan banyak sedikitnya kelompok.

Jenis-jenisanalisis komparasi dapat dilihat pada Tabel 3.

Tabel 15. Jenis Analisis Komparasi Dilihat dari Jumlah Kelompok

Variabel yang diuji

Jumlah
Kelompok Nominal Ordinal Interval

- Mann-Whitney U
Independen

- Kai Kuadrat
- Kolmogorov-Smirnov - Eta
- Kolmogorov-
- Kai Kuadrat - Separate t-test
Smirnov
2 Kelompok

- Pooled t-test
Correlated

- Wilcoxon Paired/correlated
- McNemar t-test
- Sign Test

12
 Independ
Lebih dari 2 Kelompok
- Kruskall-Wallis
Discriminant Analisis Varians

en
- Uji Median
Analysis (ANAVA)
- Kai Kuadrat

Correlated
- Friedman
ANAVA repeat
- Kendall's W
Measures
- Cochran's Q

2. Contoh Kasus Perhitungan Dengan Menggunakan SPSS dan LISREL

Analisis jalur (Path Analysis) merupakan salah satu teknik statistika parametrik yang
digunakan untuk menguji hubungan antar variabel yang sifatnya kausal. Analisis
jalur dikembangkan oleh Sewall Bright pada tahun 1934. Analisis jalur digunakan
untuk mengetahui pengaruh langsung dan tidak langsung suatu variabel terhadap
variabel lainnya.
Dalam pengujian hubungan kausal tersebut yang didasarkan pada teori yang
memang menyatakan bahwa variabel yang dikaji memiliki hubungan secara kausal.
Analisis jalur bukan ditujukan untuk menurunkan teori kausal, melainkan dalam
penggunaannya harus didasarkan pada teori yang menyatakan bahwa hubungan
antar variabel tersebut bersifat kausal.
Menurut Pedhazur dalam Kerlinger (1983:301) menyatakan bahwa analisis
jalur merupakan suatu bentuk terapan dari analisis multiregresi. Dalam analisis ini
digunakan diagram jalur untuk membantu konseptualisasi masalah atau menguji
hipotesis yang kompleks dan juga untuk mengetahui pengaruh langsung dan tidak
langsung dari variabel-variabel bebas terhadap variabel terikat. Pengaruh tersebut
yang tercermin dalam koefisien jalur, yang sebenarnya adalah koefisien regresi yang
telah dibakukan (p = beta). Meskipun demikian analisis jalur berbeda dengan
analisis regresi. Dalam analisis regresi tidak mengenal istilah adanya variabel antara
atau intervening.

13
 Analisis regresi sederhana hanya dapat melakukan pengujian pengaruh
langsung variabel independen terhadap variabel dependen. Sedangkan analisis jalur
tidak hanya menguji hubungan kausal yang sifatnya pengaruh langsung saja,
melainkan pengaruh tidak langsung melalui variabel intervening. Dalam analisis
selalu dikenal dengan variabel eksogen dan variabel endogen. Pada hakikatnya,
keberadaan variabel eksogen sama dengan variabel independen, yaitu variabel yang
mempengaruhi, sedangkan variabel endogen sebagal variabel yang dipengaruhi.
Dalam analisis jalur dengan jumlah variabel minimal dalam model adalah 3
variabel, dimana salah satunya akan berperan sebagai variabel intervening. Variabel
intervening ini yang dapat berperan ganda. Dalam arti variabel tersebut dapat
berperan sebagai variabel eksogen bagi variabel lainnya dan juga berperan sebagai
variabel endogen bagi variabel satunya.
Misalnya, pengaruh budaya organisasi dan motivasl kerja terhadap kinerja, di
mana motivasi kerja sebagai variabel intervening. Bagi variabel budaya organisasi
yang berperan sebagai variabel eksogen, maka motivasi kerja berperan sebagai
variabel endogen, sedangkan bagi variabel kinerja yang berperan sebagai variabel
endogen, maka variabel motivasi kerja bersifat sebagai variabel eksogen. Diagram
jalur untuk analisis jalur dalam kasus ini digambarkan pada Gambar 1.

Budaya Organisasi

Kinerja

Motivasi Kerja

Gambar 1. Model Sederhana Diagram Analisis Jalur

14
B. Persyaratan dalam Analisis Jalur

Dalam analisis jalur yang merupakan bagian dalam statistika parametrik memiliki
asumsi-asumsi yang harus dipenuhi, yaitu:
1. Data masing-masing variabel sekurang-kurangnya adalah interval,

2. Hubungan antar variabel dalam model haruslah linier dan aditif,

3. Model hubungan antar variabel adalah rekursif (satu arah) atau hubungan
yang tidak timbal balik,

4. Semua variabel residu (error) tidak berkorelasi dengan variabel residu lainnya
dalam model.

C. Diagram Jalur
Dalam analisis jalur biasanya variabel dilambangkan dengan satu lambang,
yaitu X. Penggunaan satu lambang ini bukanlah sesuatu yang sifatnya mutlak. Ada
pula dalam tulisan-tulisan lainnya digunakan lambang yang berbada, misalnya untuk
variabel eksogen digunakan lambang X sedangkan variabel endogen digunakan
lambang Y.
Meskipun hanya menggunakan satu lambang, untuk membedakan antara
variabel eksogen dengan endogen digunakan subscript (indeks) seperti Xi,
X2,X3,X4....X،. Misalnya pada gambar 1untuk variabel budaya organisasi digunakan
lambing X1, variabel motivasi kerja digunakan lambang X2 dan kinerja
menggunakan lambing Y. Penggunaan lambang X yang disertai dengan subscript
berupa angka numerik untuk memudahkan dalam penggunaan simbol rumus dalam
analisisnya.
Berikut ini disajikan beberapa gambar diagram jalur yang disertai dengan
persamaan strukturnya.

15
 Contoh 1:
Suatu penelitian dengan judul pengaruh gaya kepemimpinan (X1) dan
motivasi (X2) kerja terhadap kinerja karyawan (Y), yang digambarkan dalam
persamaan jalur sebagai berikut:

1. Model persamaan jalur dengan 3 variabel (X1,X2 dan Y)

X1 p31
r13
r12 Y Keterangan:
p21
P23 r23 X1 = Gaya kepemimpinan (variabel
X2 bebas/independent)
X2 = Motivasi Kerja (variabel
bebas/independent)
Y = Kinerja (Variabel
terikat/dependent)

Dari Contoh soal di atas dapat disusun Paradigma5 Penelitian sebagai berikut:

1. Banyaknya Variabel yang digunakan terdiri dari 3, yaitu: 2 variabel

eksogen/Variabel bebas/Variabel Independen yang disimbolkan dengan X1
(Gaya Kepemimpinan dan X2 (Motivasi Kerja). 1 variabel endogen/Variabel
dependen/variabel yang terikat, yang disimbolkan dengan Y (Kinerja).
2. Perumusan masalah dapat ditulis :
a. “Seberapa besar hubungan variabel Y dpat diprediksikan oleh variabel
independen ?”. Apakah variabel kepemimpinan (X1) dan Motivasi Kerja
(X2) mempengaruhi kinerja pegawai ?
b. “Seberapa besar pengaruh kausal variabel X terhadap variabel Y, baik
langsung, tidak langsung dan pengaruh total?
3. Hipotesis yang digunakan dalam penelitian sebagai berikut :

5
Pola pikir yang menunjukkan hubungan antara variabel yang akan diteliti yang sekaligus
mencerminkan jenis dan jumlah rumusan masalah yang perlu dijawab melalui penelitian, teori yang
digunakan dalam penelitian, jenis dan jumlah hipotesis dan teknik analisis statistik yang akan
digunakan.
16
 H0 = Gaya kepemimpinan (X1) dan motivasi kerja (X2) tidak berpengaruh
nyata terhadap kinerja pegawai (Y)/terima H0 tolak H1 Jika thitung< ttabel
atau Probabilitasnya >0,05, maka H1= Ditolak ; terima H0
H1 = Gaya kepemimpinan (X1) dan motivasi kerja (X2) berpengaruh nyata
terhadap kinerja pegawai (Y)/terima H1 tolak H0 Jika thitung > ttabel atau
Probabilitasnya <0,05, maka H0= Ditolak ; terima H1
4. Untuk menjawab perumusan masalah pada no. 2 diatas maka digunakan analisis:
a. Besarnya pengaruh antara variabel bebas (X) dan Variabel terikat (Y) dapat
diprediksi dengan menggunakan analisis korelasi6 (r) dan R2 (determinant)
dengan menggunakan analisis regresi linear berganda dimana y = a + b1X1 +
b2X2. (menggunakan Analisis SPSS Ver. 17.0).
b. Besarnya pengaruh kausal (r)7 antara variabel eksogenus (X1 dan X2)
terhadap variabel endogenus (Y) baik langsung (direct) maupun tidak
langsung (indirect) serta pengaruh total dapat dianalisis jalur8 dengan
menggunakan program LISREL9 ver. 8.80 (for student).
c. Pengaruh langsung10 yaitu pengaruh X1 terhadap X2 (, pengaruh X2
terhadap Y, yaitu: Pengaruh X1 terhadap X2 (p21); Pengaruh X1 terhadap Y
(p31); dan Pengaruh X2 terhadap Y (p32). Pengaruh Tidak Langsung:
pengaruh X1 terhadap Y, melalui X2, yaitu perkalian antara pengaruh
langsung X1 terhadap X2 dengan pengaruh langsung antara X2 terhadap Y
yang dirumuskan sebagai berikut: (PTL = p21 x p32). Pengaruh Total adalah
jumlah pengaruh langsung X1 terhadap Y, yaitu penjumlahan pengaruh

6
Peneliti yang melakukan analisis korelasi (r) dan regresi, sebenarnya peneliti baru sampai
pada tahap analisis seberapa besar hubungan antara variabel belum sampai pada analisi kausal.
7
Dapat dilihat pada perhitungan manual pada contoh 1.
8
Analisis jalur adalah metode analisis untuk mengetahui seberapa besar pengaruh langsung,
pengaruh tidak langsung, maupun secara total dari sejumlah variabel bebas (eksogenus) terhadap
sejumlah variabel-variabel terikat (endogenus) pada sebuah model teoritis.
9
LISREL (Linear Structural Relationship), sejak diperkenalkannya metode analisis jalur pada
tahun 1920 oleh Sewall Wright dan Neil, metode ini terus mengalami penyempurnaan dan baru pada
tahun 1966 baru diperkenalkan secara luas sebagai metode untuk semua disiplin ilmu.
10
Edi Riadi, Aplikasi Lisrel, Untuk Penelitian Analisis Jalur, (Yogyakarta: CV. Andi Offset,
2013). hal.4
17
 langsung X1 terhadap Y dengan pengaruh tidak langsung X1 terhadap Y
melalui X2 dirumuskan sebagai berikut: (PT = p31 + PTL).

2. Diperoleh data penelitian sebagai berikut

Tabel 1. Data Penelitian Untuk Pengujian Analisis Jalur

No.
Resp. X1 X2 Y X12 X22 Y2 X1.Y X2.Y X1 . X2
1 5 4 37 25 16 1369 185 148 20
2 5 5 37 25 25 1369 185 185 25
3 4 4 33 16 16 1089 132 132 16
4 5 3 34 25 9 1156 170 102 15
5 4 4 36 16 16 1296 144 144 16
6 4 4 36 16 16 1296 144 144 16
7 3 2 27 9 4 729 81 54 6
8 3 3 28 9 9 784 84 84 9
9 5 4 36 25 16 1296 180 144 20
10 2 3 27 4 9 729 54 81 6
40 36 331 170 136 11113 1359 1218 149

Dari data di atas maka dapat diketahui:

n  10, X 1  40,  X 2  36,  12  170,  X 22  136

2
Y  331, Y  11113,  X 1.Y  1359. X 2 .Y  1218

 X .X
1 2  149, s1  1,054; s 2  0,843; s3  4,175

2 2
( X 1 ) 2 (40) 2
X X 
1 1
n
 170 
10
 170  160,00  10,00

2 2
( X 2 ) 2 (36) 2
X 2  X  2
n
 136 
10
 136  129,60  6,40

18
 ( Y ) 2 (331) 2
Y 2  Y 2  n
 11113 
10
 11113  10956,10  156,9

 ( X ).( Y )  1359  (40).(331)  1359  1324,00  35,00

1
 X .Y   X .Y 
1 1
n 10

 ( X ).( Y )  1218  (36).(331)  1218  1191,60  26,40

2
X 2 .Y   X 2 .Y 
n 10

 ( X ).( X
1 2 ) (40).(36)
 X .X   X .X
1 2 1 2 
n
 149 
10
 149  144,00  5,00

Jawaban :

1. Langkah pertama dalam analisis jalur adalah menghitung koefisien korelasi

sederhana. Menghitung koefisien korelasi sederhana antara X1 dengan X2
sebagai berikut:

n ( X1 .Y )  ( X 1 ).( Y )
r13 
{(n. X 12  ( X 1) 2 ).(n. Y 2  ( Y ) 2 )}

10 (1359) - (40).(331)
r13 
{(10.(170)  (40) 2 )(10.(11113)  (331) 2 }

13590 - 13240
r13 
(1700) - (1600).(111130 - 109561)

350 350
r13  
(100).(1569) 156900

350
r13   0,884
396,106

r13  0,884
19
Menghitung korelasi sederhana untuk X2 dan Y sebagai berikut :

n ( X 2 .Y )  ( X 2 ).( Y )
r23 
{(n. X 22  ( X 2) 2 ).(n. Y 2  ( Y ) 2 )}

10 (1218) - (36).(331)
r23 
{(10.(136)  (36) 2 )(10.(11113)  (331) 2 }

1280 - 11916
r23 
(1360) - (1296).(111130 - 109561)

264 264
r23  
(64).(1569) 100416

264
r23   0,833
316,885

r23  0,833

Menghitung korelasi sederhana untuk X1 dan X2 sebagai berikut :

n ( X1 . X 2 )  ( X 1 ).( X 2 )
r12 
2
{(n. X 12  ( X 1) 2 ).(n. X 2  ( X 2) 2 )}

10 (149) - (40).(36)
r12 
{(10.(170)  (40) 2 )(10.(136)  (36) 2 }

20
 1490 - 1440
r12 
(1700) - (1600).(1360 - 1296)

50 50
r12  
(100).(64) 6400

50
r12   0,625
80

r12  0,625

2. Langkah kedua : membuat matriks korelasi, sebagai berikut:

Tabel 2. Matriks koefisien korelasi

rij X1 X2 Y
X1 1,000 0,625 0,884
X2 1,000 0,833
Y 1,000

3. Langkah ketiga: menghitung koefisien jalur yang ditentukan dari persamaan

yang dibuat berdasarkan gambar diagram jalur, yaitu:

r12 = p21
r13 = p31 + p32.r12
r23 = p31 . r12 + p32

Dari persamaan tersebut diperoleh; r12=0,625 ; r13 = 0,884; dan r23 = 0,833, maka:
0,625 = p21
0,884 = p31 + p32 . 0,625
0,833 = p310,625 + p32

Untuk menghitung koefisien jalur p31 dan p32 dihitung dengan menggunakan
persamaan determinant sebagai berikut :

21
 0,884 0,625
0,833 1,000 (0,884 x1,000)  (0,833x 0,625) 0,3634
p 31   
1,000 0,625 (1,000 x1,000)  (0,625 x0,625) 0,6094
0,625 1,000

= 0,5963 ~ 0,596

1,000 0,884
0,625 0,833 (1,000 x0,833)  (0,625 x0,884) 0,2805
p 32   
1,000 0,625 (1,000 x1,000)  (0,625 x0,625) 0,6094
0,625 1,000

= 0,4603 ~ 0,460

Berdasarkan perhitungan tersebut, maka diperoleh besarnya koefisien jalur

p21=0,625; p31=0,596 dan p32=0,460

4. Langkah keempat: Pengujian Signifikansi Koefisien Jalur

Pengujian signifikansi koefisien jalur dilakukan dengan uji t dan uji F. untuk
menyatakan sigifikan atau tidaknya koefisien jalur didasarkan pada koefisien hasil
uji t. uji t dilakukan untuk mengetahui apakah terdapat pengaruh langsung yang
signifikan variabel eksogen terhadap variabel endogen. Apabila koefisien t-hitung
lebih besar dari t-kriteria/t-tabel, berarti hipotesis nol (H0) ditolak, hal ini mempunyai
arti bahwa terdapat pengaruh langsung yang signifikan variabel eksogen
(independent) terhadap variabel endogen (dependent). Sebaliknya apabila koefisien
t-hitung lebih kecil dari t-kriteria/t-tabel, berarti hipotesis nol (H0) diterima. Hal ini
berarti tidak terdapat langsung yang signifikan antara variabel eksogen (independent)
terhadap variabel endogen (dependent). Uji t yang digunakan dirumuskan sebagai
berikut:

22
 b1
t
JK s / n  2)
 x12 (1  (rij ) 2
Keterangan:
t = koefisien t hitung
JK(s) = Jumlah Kuadrat Sisa (Residu)
 x12 = Jumlah nilai simpangan dari variabel eksogen i
rij2 = koefisien determinan antara variabel eksogen/dengan variabel eksogen
yang juga berperan sebagai variabel endogen j
n = jumlah data

Sedangkan untuk pengujian signifikansi koefisien jalur dimana variabel eksogen

berperan secara murni terhadap variabel endogen yang juga berperan sebagai
variabel eksogen, maka digunakan uji t seperti pengujian signifikansi korelasi
sederhana sebagai berikut:

r12 n  2
t
1 r2

Berdasarkan rumus pengujian signifikansi koefisien jalur maka dilakukan pengujian t

sebagai berikut terhadap data pada contoh:

1. Pengujian koefisien jalur p21 didasarkan pada pengujian signifansi koefisien

korelasi (r12=p21)

r12 n  2 0,625. 10  2 1,767

t 2
   2,265
{1  (r12 ) } {1  (0,625) 2 } 0,780

Untuk menentukan koefisien jalur signifikan atau tidak, maka dilakukan

pengujian signifikansi dengan membandingkannilai t-hitung dengan nilai t-
tabel atau t kritis.

23
 Diketahui jumlah data dari soal sebanyak 10 maka dk=8 (n-2), besarnya
koefisien t-tabel pada α=0,05 sebesar 2,30611 dan α=0,01 sebesar 3,355. Oleh
karena itu nilai t-hitung lebih kecil dari t table atau t kritis (2,265<2,306).
Maka koefisien jalur dikatakan tidak signifikan.

5. Langkah kelima: Mencari Pengaruh Langsung dan Tidak Langsung dan

Pengaruh Total dair persamaan jalur

Dalam analisis jalur tidak hanya bertujuan untuk mengetahui besarnya

pengaruh langsung variabel eksogen terhadap variabel endogen, melainkan juga
untuk mengetahui pengaruh tidak langsung melalui variabel intervening dan
pengaruh total variabel yang berperan sebagai variabel eksogen terhadap variabel
endogen.

1. Pengaruh Langsung
Pengaruh langsung merupakan pengaruh X1 terhadap X2, pengaruh X2 terhadap
Y, yaitu:
- Pengaruh X1 terhadap X2 (p21) = 0,625
- Pengaruh X1 terhadap Y (p31) = 0,596
- Pengaruh X2 terhadap Y (p32) = 0,460

2. Pengaruh Tidak Langsung

Pengaruh tidak langsung merupakan pengaruh X1 terhadap Y melalui X2,
yaitu:Perkalian antara pengaruh langsung X1 terhadap X2 dengan pengaruh
langsung antara X2 terhadap Y, yaitu (0,625 x 0,460) = 0,288
- Pengaruh X1 terhadap X2 (p21) = 0,625
- Pengaruh X1 terhadap Y (p31) = 0,596
- Pengaruh X2 terhadap Y (p32) = 0,460

11
Lihat pada tabel t, pada df=8 dan taraf signifikansi 0,05 dan 0,01
24
2. Pengaruh Total
Pengaruh total merupakan jumlah pengaruh langsung X1 terhadap Y, yaitu:
penjumlahan pengaruh langsung X1 terhadap X1 dengan pengaruh tidak langsung
X1 melalui Y, yaitu (0,596 + 0,288) = 0,884

Contoh 2 : Aplikasi Analisis Jalur Dengan SPSS

Dengan menggunakan contoh soal 1, kita akan menghitung pengaruh Gaya

Kepemimpinan (X1) dan Motivasi Kerja (X2) terhadap Kinerja Karyawan (Y),
dengan menggunakan Program SPSS Ver. 17.0.

1. Langkah Kerja

 Siapkan data kerja seperti pada Tabel 1, pada lembar kerja Excel seperti
berikut:

Copy ke
Lembar kerja
SPSS

 Buka program SPSS dengan mengklik program SPSS ver 17.0 pada Desktop
atau Program File.

25
  Kemudian akan terlihat pada lembar kerja SPSS sebagai berikut:

 Pilih Cancel, kemudian akan terlihat lembar kerja SPSS sebagai berikut:

 Klik button variable view, kemudian defenisikan pada kolom sel Name: X1,X2
dan Y. kemudian pada kolom label ketik masing-masing; X1 = Gaya
Kepemimpinan,; X2=Motivasi Kerja dan Y=Kinerja, pastikan kolom Measure
tipe data berupa Scale. Tampilan data sebagai berikut:

26
 Pindah ke button Data View, secara otomatis variabel X1,X2 dan Y, terdefenisi
pada lembar kerja DataView. Selanjutnya, dengan mencopy data pada lembar
kerja Excel (Data pada kolom bertanda merah), kemudian Paste pada Lembar
kerja Data View di SPSS, maka akan dihasilkan sebagai berikut:

27
 Pindah ke button Variable View. Lakukan analisis regresi linier berdasarkan data
pada contoh soal 1, dengan cara klik Analyze, klik Regression, kemudian klik
Linear.

 Pada tahap pertama melakukan analisis regresi sederhana untuk melakukan

perhitungan koefisien jalur p21 (pengaruh gaya kepemimpinan terhadap motivasi
kerja), yang nilainya sama dengan r12. masukkan variabel gaya kepemimpinan ke
dalam kotak Independent dan variabel motivasi kerja ke dalam kotak Dependent,
abaikan yang lain dan kilik Ok. Langkah kerja dan output analisis regresi pada
Lembar SPSS sebagai berikut:

28
 p31

p32 P-Value

t-hitung

 Berdasarkan hasil perhitungan tersebut diperoleh koefisien jalur p31 sebesar

0,596 sedangkan p32 sebesar 0,461. Besarnya nilai t-hitung pada hasil di atas
menunjukkan 4,105 dan 3,177. Merupakan koefisien t untuk pengujian
12
signifikansi koefisien regresi . Koefisien t tersebut merupakan hasil perhitungan
yang didasarkan pada rumus pengujian signifikansi regresi, yaitu:

b1
t
JK s / n  2)
 x12 (1  (rij ) 2
12
Selain menggunakan koefisien korelasi, Koefisien jalur dapat juga dihitung dengan
menggunakan koefisien regresi dengan rumus : pij = b (sj/si)
29
 Didalam analisis Jalur hubungan antara variabel bersifat kausal, sehingga hanya
terjadi hubungan satu variabel independent dengan satu variabel dependent yang
bersifat sebab akibat, sehingga jumlah variabel independent nya selalu satu k=1,
maka rumus t-hitung di atas berlaku untuk perhitungan t.

 Pada table untuk pengujian dengan menggunakan signifikansi (P-value)

diperoleh nilai 0,053. Besarnya nilai tersebut sama dengan perhitungan secara
manual baik koefisien jalur maupun nilai t-hitung. Oleh karena P-value > dari
0,05 (0,053>0,05), maka dinyatakan koefisien jalur tidak signifikan.

 Simpan data yang telah dibuat pada contoh soal 1 pada program SPSS di atas
dengan nama DATA01_Lat, dengan cara klik File, klik Save as, pada file name
beri nama: DATA01_Lat, pada kotan Save as type (SPSS Statistic(*.sav)).
DATA01_Lat ini yang dijadikan parameter input pada analisis jalur dengan
menggunakan program LISREL Ver. 8.80 (Full Version). Jangan lupa eksekusi
dengan menggunakan Save, pilih folder yang dikehendaki untuk menyimpan.

30
Contoh 3: Aplikasi Analisis Jalur Dengan LISREL

Aplikasi analisis jalur dengan menggunakan LISREL Ver. 8.80,

menggunakan data contoh yang telah dibuat pada aplikasi analisis jalur dengan
nemggunakan program SPSS Ver. 17.0.

Langkah-langkah kerja pada Program LISREL Ver.8.80 adalah sebagai berikut:

 Buka program LISREL Ver.8.80 dengan mengklik ikon maka akan

tampil halaman muka LISREL Ver. 8.80 berikut:

 Sistem kerja LISREL 8.80 menggunakan Prelis, maka langkah selanjutnya

adalah klik File dan pilih klik New maka akan muncul tampilan berikut:

31
 Pada tampilan di atas pilih PRELIS Data dan klik OK, maka akan muncul
lembar kerja LISREL seperti gambar berikut ini.

 Selanjutnya klik File dan pilih Import Data, akan muncul tampilan gambar
sebagi berikut.

 Tampilan di atas berfungsi untuk membuka data yang telah tersimpan. Data yang
telah kita buat pada latihan dengan menggunakan program SPSS dengan nama
file DATA01_Lat dengan format *.sav kita panggil kembali. Dalam latihan ini
data tersimpan di Folder di drive D:\DATA LISREL\DATA01_Lat, kemudian
klik Open, sehingga akan muncul tampilan seperti ini.

32
 Pilih Latihan01, secara otomatis pada kolom File name: tercatat Latihan01, ubah
nama Latihan01 menjadi DATA, pada kotak Save as type: pastikan format data
PRELIS Data (*.psf), klik Save. Maka akan tampil layer berikut.

 Selanjutnya klik File dan pilih New dan akan muncul tampilan berikut ini.

 Kemudian pilih SIMPLIS Project dan klik OK. Pada File name: beri nama file
DATA_Latih1, kemudian klik Save.

33
 Anda akan melihat tampilan menjadi seperti ini.

 Klik Setup dan klik Variable akan muncul tampilan gambar seperti berikut.

 Pada kotak Add/Read Variables diklik sehingga muncul tampilan sebagai

berikut.

34
 Pada Read from file terdapat dua pilihan, yaitu LISREL System File dan
PRELIS System File. Pilih saja PRELIS System File dan klik Browser dan klik
nama file yang tersimpan dalam format *.psf, Open dan kembali pada tampilan
seperti gambar di atas kemudian klik OK. Selanjutnya akan tampil ke tampilan
sebelumnya dan klik Next, sehingga muncul tampilan seperti gambar berikut ini.

35
 Pada kotak Number of Observation masukkan jumlah data yang akan dianalisis.
Dalam contoh ini data yang dianalisis sebanyak 10 maka tuliskan angka tersebut
dalam kotak tersebut dan klik OK, dan kembali ke tampilan awal seperti gambar
berikut.

 Kemudian klik Output dan pilih LISREL Output dan klik Selections, kemudian
akan muncul tampilan gambar berikut ini.

36
 Pilih dan klik Total Effects dan Inderect Effect, dan Completely Standardize
Solution. Pada bagian Number of Decimal (0-8)in the Printed Output, isikan
nilai atai angka 3 (berarti kita menginginkan hanya 3 angka dibelakang koma
atau 3 desimal). Selanjutnya klik OK dan akan muncul tampilan gambar sebagai
berikut.

 Pada bagian bawah Relationships tuliskan persamaan sesuai dengan hipotesis

penelitian. Dalam contoh ini sebagai berikut.

 Kemudian klik Gambar , diperoleh hasil analisis sebagai berikut:

37
38
t-hitung untuk jalur p21

39
t-hitung jalur p21 t-hitung jalur p22

40
 Dari hasil data di atas dapat dilihat nilai t hitung untuk jalur p21 menunjukkan
nilai sebesar 2,265. Sedangkan koefisien t-hitung untuk jalur p31 dan p32 masing-
masing sebesar 3,396 dan 4,388 (hasil uji t tersebut sama dengan perhitungan
secara manual).

 Sedangkan untuk mengetahui koefisien jalur, pengaruh total dan pengaruh tidak
langsung dapat dilakukan dengan kembali pada lembar kerja LISREL, dengan
memilih menu Setup dan mengklik Build LISREL Syntax, atau tekan F4,
seperti gambar berikut.

 Kemudian klik gambar dan hasil analisis sebagai berikut:

DATE: 11/ 9/2014

TIME: 0:49

L I S R E L 8.80

BY

Karl G. J¤reskog & Dag S¤rbom

This program is published exclusively by

Scientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100
Lincolnwood, IL 60712, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140
Copyright by Scientific Software International, Inc., 1981-2006
Use of this program is subject to the terms specified in the
Universal Copyright Convention.
Website: www.ssicentral.com

The following lines were read from file D:\DATA LISREL\DATA_Latih1.LPJ:

TI
!DA NI=3 NO=10 MA=CM

41
 SY='D:\DATA LISREL\DATA_Latih1.DSF'
SE
2 3 1 /
MO NX=1 NY=2 BE=FU GA=FI PS=SY TY=FI TX=FI AL=FI KA=FI
FR BE(2,1) GA(1,1) GA(2,1) AL(1) AL(2) KA(1)
PD
OU PC RS EF FS SS SC XM ND=3

TI

Number of Input Variables 3

Number of Y - Variables 2
Number of X - Variables 1
Number of ETA - Variables 2
Number of KSI - Variables 1
Number of Observations 10

TI

Covariance Matrix

X2 Y X1
-------- -------- --------
X2 0.711
Y 2.933 17.433
X1 0.556 3.889 1.111

Means

X2 Y X1
-------- -------- --------
3.600 33.100 4.000

TI

Parameter Specifications

BETA

X2 Y
-------- --------
X2 0 0
Y 1 0

GAMMA

X1
--------
X2 2
Y 3

42
 PHI

X1
--------
4

PSI

X2 Y
-------- --------
5 6

ALPHA

X2 Y
-------- --------
7 8

TI

Number of Iterations = 0

LISREL Estimates (Maximum Likelihood)

BETA

X2 Y
-------- --------
X2 - - - -
Y 2.282 - -
(0.672)
3.396

GAMMA

X1
--------
X2 0.500
(0.221)
2.265
Y 2.359
(0.538)
4.388

Covariance Matrix of Y and X

X2 Y X1
-------- -------- --------
X2 0.711
Y 2.933 17.433
X1 0.556 3.889 1.111

Mean Vector of Eta-Variables

X2 Y
-------- --------
3.600 33.100

43
 PHI

X1
--------
1.111
(0.556)
2.000

PSI
Note: This matrix is diagonal.

X2 Y
-------- --------
0.433 1.566
(0.217) (0.783)
2.000 2.000

Squared Multiple Correlations for Structural Equations

X2 Y
-------- --------
0.391 0.910

Squared Multiple Correlations for Reduced Form

X2 Y
-------- --------
0.391 0.781

Reduced Form

X1
--------
X2 0.500
(0.221)
2.265
Y 3.500
(0.656)
5.337

ALPHA

X2 Y
-------- --------
1.600 15.449
(0.913) (2.042)
1.752 7.566

Goodness of Fit Statistics

Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.000)
Normal Theory Weighted Least Squares Chi-Square = 0.00 (P = 1.000)

The Model is Saturated, the Fit is Perfect !

44
 Covariance Matrix of Parameter Estimates

BE 2_1 GA 1_1 GA 2_1 PH 1_1 PS 1_1 PS 2_2

-------- -------- -------- -------- -------- --------
BE 2_1 0.452
GA 1_1 0.000 0.049
GA 2_1 -0.226 0.000 0.289
PH 1_1 0.000 0.000 0.000 0.309
PS 1_1 0.000 0.000 0.000 0.000 0.047
PS 2_2 0.000 0.000 0.000 0.000 0.000 0.613
AL 1 0.000 -0.195 0.000 0.000 0.000 0.000
AL 2 -0.723 0.000 -0.343 0.000 0.000 0.000
KA 1 0.000 0.000 0.000 0.000 0.000 0.000

Covariance Matrix of Parameter Estimates

AL 1 AL 2 KA 1
-------- -------- --------
AL 1 0.834
AL 2 0.000 4.170
KA 1 0.000 0.000 0.139

TI

Correlation Matrix of Parameter Estimates

BE 2_1 GA 1_1 GA 2_1 PH 1_1 PS 1_1 PS 2_2

-------- -------- -------- -------- -------- --------
BE 2_1 1.000
GA 1_1 0.000 1.000
GA 2_1 -0.625 0.000 1.000
PH 1_1 0.000 0.000 0.000 1.000
PS 1_1 0.000 0.000 0.000 0.000 1.000
PS 2_2 0.000 0.000 0.000 0.000 0.000 1.000
AL 1 0.000 -0.967 0.000 0.000 0.000 0.000
AL 2 -0.527 0.000 -0.313 0.000 0.000 0.000
KA 1 0.000 0.000 0.000 0.000 0.000 0.000

Correlation Matrix of Parameter Estimates

AL 1 AL 2 KA 1
-------- -------- --------
AL 1 1.000
AL 2 0.000 1.000
KA 1 0.000 0.000 1.000

45
TI

Factor Scores Regressions

X2 Y X1
-------- -------- --------
X2 1.000 - - - -
Y 0.000 1.000 - -

X2 Y X1
-------- -------- --------
X1 0.000 0.000 1.000

TI

Standardized Solution

BETA

X2 Y
-------- --------
X2 - - - -
Y 0.461 - -

GAMMA

X1
--------
X2 0.625
Y 0.596

Correlation Matrix of Y and X

X2 Y X1
-------- -------- --------
X2 1.000
Y 0.833 1.000
X1 0.625 0.884 1.000

PSI
Note: This matrix is diagonal.

X2 Y
-------- --------
0.609 0.090

46
 Regression Matrix Y on X (Standardized)

X1
--------
X2 0.625
Y 0.884

TI

Total and Indirect Effects

Total Effects of X on Y

X1
--------
X2 0.500
(0.221)
2.265
Y 3.500
(0.656)
5.337

Indirect Effects of X on Y

X1
--------
X2 - -
Y 1.141
(0.606)
1.884

Total Effects of Y on Y

X2 Y
-------- --------
X2 - - - -
Y 2.282 - -
(0.672)
3.396

Largest Eigenvalue of B*B' (Stability Index) is 5.208

TI

Standardized Total and Indirect Effects

Standardized Total Effects of X on Y

X1
--------
X2 0.625
Y 0.884

Standardized Indirect Effects of X on Y

X1
--------
X2 - -

47
 Y 0.288

Standardized Total Effects of Y on Y

X2 Y
-------- --------
X2 - - - -
Y 0.461 - -

Time used: 0.031 Seconds

Correlation Matrix of Y and X

X2 Y X1
-------- -------- --------
X2 1.000
Y 0.833 1.000
X1 0.625 0.884 1.000

 Korelasi antara gaya kepemimpinan dengan kinerja sebesar 0,884 (r13); korelasi
antara motivasi kerja dengan kinerja sebesar 0,833 (r23) dan korelasi antara gaya
kepemimpinan dengan motivasi kerja sebesar 0,625 (r12). Sedangkan besarnya
koefisien jalur yang menunjukkan besarnya pengaruh langsung antar variabel
sebagai berikut.

BETA

X2 Y
-------- --------
X2 - - - -
Y 0.461 - -

GAMMA

X1
--------
X2 0.625
Y 0.596

48
 Besarnya koefisien jalur pengaruh gaya kepemimpinan terhadap kinerja sebesar
0,596 (p31), besarnya koefisen jalur pengaruh movitasei kerja terhadap kinerja
sebesar 0461 (p12). Sedangkan besarnya koefisien jalur pengaruh gaya
kepemimpinan terhadap motivasi kerja sebesar 0,625 (p21). Besarnya pengaruh
total dan pengaruh tidak langsung sebagai berikut.

X1
--------
X2 0.625
Y 0.884

Standardized Indirect Effects of X on Y

X1
--------
X2 - -
Y 0.288

 Pengaruh tidak langsung merupakan gaya kepemimpinan terhadap kinerja

melalui motivasi kerja (pengaruh X1 terhadap Y melalui X2).
 Hasil analisis menunjukkan koefisien sebesar 0,288. Nilai tersebut merupakan
perkalian antara pengaruh langsung X1 terhadap X2 dengan pengaruh langsung
antara X2 terhadap Y, yaitu (0,625 x 0,460)=0,288.
 Pengaruh total merupakan gaya kepemimpinan terhadap kinerja (X1 terhadap Y)
sebesar 0,884. Nilai ini merupakan jumlah dari pengaruh langsung X1 terhadap
Y, dengan pengaruh tidak langsung X1terhadap Y melalui X2, yaitu
(0,596+0,288) = 0,884

49
B. Simpulan

Analisis data merupakan salah satu proses penelitian yang dilakukan setelah
semua data yang diperlukan guna memecahkan permasalahan yang diteliti sudah
diperoleh secara lengkap. Ketajaman dan ketepatan dalam penggunaan alat analisis
sangat menentukan keakuratan pengambilan kesimpulan, karena itu kegiatan analisis
data merupakan kegiatan yang tidak dapat diabaikan begitu saja dalam proses
penelitian. Kesalahan dalam menentukan alat analisis dapat berakibat fatal terhadap
kesimpulan yang dihasilkan dan hal ini akan berdampak lebih buruk lagi terhadap
penggunaan dan penerapan hasil penelitian tersebut.

Ada beberapa tahap yang harus dilalui seorang peneliti untuk melakukan
analisis data, yaitu data coding, data entering, data cleaning, data output dan data
analyzing.

Sebelum melakukan analisis data kuantitatif peneliti harus mengetahui hal-

hal sebagai berikut : 1) Skala pengukuran variabel: kategorikal (nominal, ordinal)
dan numerik (rasio dan interval); 2) Jenis hipotesis: komparatif asosiatif dan
korelatif; 3) Jumlah kelompok data : 1 kelompok, 2 kelompok, > 2 kelompok;
4)Pasangan: berpasangan atau tidak berpasangan; 5)Tabel silang (baris kali kolom);
6)Syarat uji parametrik dan non parametrik.
DAFTAR PUSTAKA

Anwar, Ruswana, Teori Sederhana Prosedur Pemilihan Uji Hipotesis,

(Bandung:Makalah, 2005), hal. 1-25.

Hurmaini, Metodologi Penelitian untuk Bimbingan Skripsi; Rancangan,

Pelaksanaan, Analisis, dan Penulisan (Riau: Suska Press, 2008), h. 31.

Iskandar, Metodologi Penelitian Pendidikan dan Sosial (Kuantitatif dan Kualitatif)

dilengkapi Cara Praktis Menggunakan, Mengolah, dan Menginterpretasikan
Hasil Analisis Program Statistik Package for the Sosial Sciences (SPSS)
(Jakarta: Gaung Persada Press, 2009), h. 101.

Martono, Nanang, Metode Penelitian Kuantitatif: Analisis Isi dan Analsis Data
Sekunder, (Jakarta: PT. RajaGrafindo Persada, 2011), 144-146

Riadi, Edi, Aplikasi Lisrel: Untuk Penelitian Analisis Jalur, (Yogyakarta:CV. Andi
Offset, 2013). 278 halaman.

Widiyanto, M.,A., 2013. Statistika Terapan, Konsep & Aplikasi Penelitian

Pendidikan, Psikologi & Ilmu Sosial Lainnya. PT. Elex Media Komputindo,
Jakarta, 2013. 384 halaman.