Modul

Pengolaan
Publish: September 24

2010
Data SPSS
Metode Penelitian Dan
Pengolahan Data Penelitian Modul
(Pendekatan Praktis)
Oleh: Hanif Mauludin@gmail.com Praktikum
Statistik
 Bismillaahirrahmaanirrahiim,
Wabihii nasta’inu Subhaanaka laa ’ilmalana illaa maa ‘allamtana innaka antal
‘aliimul hakiim. Allahumma shalli ‘alaa sayyidina Muhammad wa ‘alaa alihi
washahbihi.

Pendahuluan

…….. Dalam suatu ujian skripsi, tujuh peserta ujian ditanya oleh penguji…. “Apa
alasan anda memilih regresi berganda sebagai alat analisa ?..,” peserta 1, 2 dan 3
menjawab, dengan senyuman alias nggak ngerti, peserta 4 menjawab ikut skripsi
yang lalu, peserta 5 dan 6 menjawab atas saran dosen pembimbing, peserta 7
menjawab karena pertimbangan masalah dan tujuan penelitian serta formulasi model
penelitian.
….. mana kira-kira jawaban yang terbaik…….. !

Berdasarkan pengalaman penulis dalam membimbing dan menguji skripsi

selama ini, masih ada beberapa mahasiswa yang telah lupa atau belum faham
mengenai apa dan bagaimana proses analisis data itu dilakukan sebagai alat bantu
pembuatan kesimpulan penelitian.
Suplemen ini merupakan pelengkap modul mata kuliah metode penelitian yang
biasa digunakan oleh penulis dalam memberikan materi perkuliahan di kelas. Lebih
lanjut, suplemen ini disusun atas dasar keinginan penulis untuk membantu mahasiswa
STIEMARA yang sedang menyusun tugas akhir dan berkeinginan mengolah data
secara mandiri.
Menurut pengamatan penulis, terdapat beberapa alat analisa yang umum
digunakan mahasiswa S1 dalam menjawab permasalahan, tujuan serta hipotesis
penelitian. Alat analisa tersebut antara lain analisis regresi berganda, analisis jalur, uji
beda, analisis factor, analisis cluster dan diskriminan.
Dalam buku kecil ini terdapat petunjuk praktis proses pengolahan data dengan
menggunakan regresi berganda, analisis jalur, uji beda dan analisis faktor. Untuk
analisis cluster dan diskriminan InsyaAllah akan menyusul dalam modul berikutnya.
Pendekatan praktis yang dimaksud adalah lebih menitikberatkan pada proses
pengolahannya serta pembacaan hasil analisnya. Penggunakan beberapa proxy juga
ditekankan untuk membantu mahasiswa didalam menafsirkan temuan penelitiannya
secara statistic. Dengan disertai disket yang berisi data SPSS akan sangat membantu
mahasiswa dalam berlatih dan melakukan berberapa simulasi pengolahan data yang
akan dipandu secara sistematis.
 Bagian Satu
Analisa Regresi Berganda

Penggunaan Regresi Berganda

Regresi Berganda adalah bagian dari analisis multivariate. Tujuan utama analisis
regresi berganda adalah untuk menduga besarnya koefisien regresi. Selanjutnya,
koefisien regresi inilah yang akan menunjukkan besarnya pengaruh peubah bebas
(independent variable/X) terhadap peubah tak bebas (dependent variable/Y).
Kata “berganda” diambil sebagai penjelas untuk menunjukkan bahwa peneliti dalam
penelitiannya menggunakan lebih dari satu variabel bebas (di kampus tercinta ini
variabel diistilahkan dengan kata peubah, pengertian keduanya mempunyai arti yang
sama). Pemborosan yang sering dilakukan oleh mahasiswa dalam skripsinya ialah ia
menyajikan semua analisa seperti regresi sederhana, korelasi sedehana, regresi
berganda, korelasi berganda yang pada akhirnya mahasiswa bingung sendiri, figure
statistik mana yang dipakai ?. Seiring kemajuan teknologi software, semua tujuan
untuk uji hubungan maupun pengaruh baik secara bersama-sama maupun secara
parsial dapat diselesaikan hanya dengan satu “click” yaitu “regression”. Semua
tindakan olah data itu dapat dilakukan bahkan berulang-ulang dengan beberapa
perbaikan yang dimungkinkan hanya dalam hitungan menit. Bersyukurlah kita karena
sudah ada software pengolah data yang saudara kenal dengan sebutan SPSS for
windows.
Jangan bayangkan statistic berwajah rumus yang “jlimet” dan seabrek
perhitungan lain, disini statistik sebagai alat dan sebagai alat ia telah mengalamai
metamorfosis, ibarat mengitung perkalian 2435364 x 647469865, dengan manual
?????, tetapi dengan calculator “no problem”. Demikian juga regresi berganda,
dengan manual ??????, tetapi dengan SPSS “smile dan menantang”. Yang terpenting
dari semua aspek teknis itu saudara bisa membaca hasil output SPSS tersebut untuk
pengambilan kesimpulan atas masalah dan tujuan penelitian, misal untuk apa
mengetahui nilai R, R square, nilai F, nilai b, nilai t, nilai Sig dan beberapa figure atau
parameter lain yang diperlukan untuk pengujian hipotesis dan menjawab
permasalahan penelitian.

Nah saudaraku mari kita santai sejenak dan perhatikan hiburan berikut
ini…………………….

Ibarat anda sakit batuk dan tentu anda beli obat batuk, yang penting adalah anda
mengerti aturan/cara minum, kontra indikasi serta pantangannya. Anda tidak perlu
tahu bagaimana unsur-unsur kimia itu diproses dan bagaimana komposisi zat itu
dihitung takarannya. Sebab itu sudah menjadi tanggung jawab ahli-ahli kimia dan
kedokteran dan tentunya telah melalui proses quality control yang ketat sebelum dijual.
Analisis regresi dengan bantuan software SPSS layaknya seperti ilustrasi tersebut.
Ketahui saja bagimana persyaratan-persyaratan sebelum proses input data dan
outputnya sebagai bahan untuk pengambilan kesimpulan, jelaskan temuan angka-
angka atau figure statistik itu dengan bersandar pada teori dan empiris, jangan sibuk
belajar dari mana asal muasal angka R, R square, t, beta, dsb apalagi sampai
dibuktikan secara manual, akhirnya energi saudara habis untuk urusan hitung
menghitung yang sebenarnya bukan tujuan utama saudara. Akibatnya pembahasan
thesis, anti-thesis dan sintesa antara kajian teori dan temuan empiris menjadi tidak
tajam karena anda lebih mengutamakan belajar darimana angka-angka tersebut tapi
bukan belajar apa arti angka-angka tersebut. Fenomena ini sering penulis temui ketika
menjelang ujian skripsi mahasiswa sibuk dan stress gara-gara rumus. Bukan sibuk
mempersiapkan penjelasan yang logis atas temuan penelitiannya.
Mohon direnungkan……

Persiapan mengolah data penelitian.

Sebagai misal peneliti ingin mengetahui apakah ada pengaruh antara gaji karyawan
dan Kedisiplinan kerja karyawan terhadap Prestasi kerja karyawan.

Lihat model teori penelitian berikut:1

Gaji
karyawan

Prestasi kerja
karyawan

Kedisiplinan kerja
karyawan

didalam akhir bab II, gambar ini biasanya disajikan kerangka/ model
teori penelitan

Based on this model, dapat kita mengerti bahwa terdapat dua peubah bebas (x1 dan
x2) dan satu peubah terikat (Y), yang selanjutnya ingin diketahui bagaimana bentuk
hubungan dan pengaruhnya, tentunya dengan menggunakan analisis regresi
berganda.

Apa yang perlu dipersiapkan ?

Setelah bangunan teori di susun dengan menyajikan argumen yang kuat dan relevan.
Berikutnya perumusan hipotesis dilakukan sebagai dasar pengujian. Dalam contoh
diatas peneliti mempunyai fokus pada peubah gaji karyawan (x1) dan Kedisiplinan
karyawan (x2) keduanya sebagai peubah bebas yang berpengaruh pada prestasi kerja
karyawan (Y) (lihat model hal 1). Selanjutnya peneliti harus menyusun pengukuran

1
Model penelitian dimaksudkan untuk membuat penyederhanaan permasalahan,
sehingga pembaca dapat mengetahui alur atau arah cerita penelitian yang
dilakukan.
dari peubah-peubah tersebut. (dalam skripsi saudara, perbincangan ini masuk pada
bab III, Peubah dan Pengukuran). Untuk mempermudah penguasan peubah dan
pengukuran, saudara lebih baik membuat tabel yang berisikan penjelasan atas peubah
dan pengukuran tersebut, lihat contoh berikut:

Tabel 1. Peubah dan pengukuran

Peubah Penelitian Indikator peubah
Gaji karyawan (X1) 1. jumlah gaji
2. kesesuaian dengan beban
kerja
3. unsur keadilan
Kedisiplinan karyawan (x2) 1. taat pada aturan
2. absensi
3. pemanfaatan fasilitas kerja
Prestasi Kerja karyawan (Y) 1. kuantitas hasil kerja
2. kesesuaian dengan standart
3. ketepatan waktu
∗
Skala pengukuran
1. ordinal-interval
2. ordinal-interval
3. ordinal-interval
1. ordinal-interval
2. ordinal-interval
3. ordinal-interval
1. ordinal-interval
2. ordinal-interval
3. ordinal-interval

Setelah peubah dan pengukuran tersebut dikonsultasikan dengan pembimbing dan

dinilai sudah tepat artinya sesuai dengan tujuan penelitian dan kondisi
empiris/lapangan, maka indikator-indikator tersebut untuk selanjutnya digunakan
sebagai bahan penyusunan kuesioner dalam bentuk pertanyaan-pertanyaan.
Selanjutnya kuesioner dibagikan kepada responden, dan jawaban-jawaban responden
yang telah terdokumentasi didalam kuesioner dimasukkan kedalam SPSS editor
dengan langkah-langkah sebagai berikut:

Langkah awal.

Susun terlebih dahulu peubah dan pengukurannya sebelum di input kedalam SPSS
editor sbb. (lihat tabel hal 3)

Peubah Gaji karyawan (x1),

Indikatornya: x1.1 Jumlah gaji
X1.2 kesesuaian dengan beban kerja
X1.3 unsur keadilan


Penjelasan mengenai skala pengukuran dan teknik prosedur penyusunan
instrument penelitian baca dii modul metpen yang atau konsultasikan pada Dosen
pembimbing yang terhormat
Contoh pertanyaan didalam kuisioner:

1. Bagaimana pendapat bpk/ibu/sdr tentang jumlah gaji yang diterima perbulan dari
perusahaan.
a. sangat memadai Jawaban a dinilai 5, b nilai 4, dst, e nilai 1
b. memadai Lihat panduan penyusunan skala likert , semantik
c. cukup diferensial dan skala guttman. (modul metpen)
d. kurang
e. sangat tidak memadai

informasi lain : …… …………………………………………………………

……. …………………………………………………………
Terkadang didalam kuesioner perlu diberikan pertanyaan terbuka untuk memperoleh
informasi lain yang mungkin diperlukan dan berguna pada saat memperkuat
penjelasan

Untuk Peubah kedisiplinan karyawan (x2), sbb:

Indikatornya: X2.1 Taat pada aturan
X2.2 absensi
X2.3 pemanfaatan fasiltas

Untuk Peubah Prestasi kerja Karyawan (Y), sbb:

Indikatornya: Y.1 kuantitas hasil kerja
Y.2 kesesuaian dengan standart
Y.3 Ketepatan waktu

(x1.1; x1.2 dst hanyalah pemberian istilah saja untuk mempermudah mengenali
variabel beserta indikatornya. X1.1 artinya indikator ke 1 dari variable ke 1, x2.2
artinya indikator ke dua dari variable ke 2, dst)

Menjalankan SPSS.
1. Buka SPSS , bisa open lewat program, windows explorer atau klik dua kali icon
SPSS.
Hasilnya akan nampak seperti ini:
setelah media spss editor dalam posisi ready, selanjutnya tinggal ketik nama-nama
variable beserta masing-masing indikatornya dengan cara sbb: (untuk memulai
memberi nama variable, klik variable view pada bagian paling bawah sebelah kiri)
Hasilnya akan tampak sbb:

berikutnya entry data bisa dimulai dengan kesabaran dan ketelitian. Sekali lagi proses
ini sangat mudah sekali tinggal klik sana klik sini dan langsung jadi. Hasilnya lihat
dibawah ini.
Data diatas berjumlah n=30 namun hanya tampak n=12

Setelah data lengkap disajikan didalam spss editor selanjutnya akan dilakukan analisis
regresi, dengan tahapan sebagai berikut.

Tahap Awal.
Lakukan uji Validitas dan Reliabilitas seperti petunjuk di bawah ini
• Arahkan pointer saudara pada menu Analyze
• Pilih Scale, selanjutnya pilih Reliability Analysis,,,,, (lihat kotak )
berikutnya akan tampak kotak sbb:
Masukkan tiap peubah dan indikator ke dalam kotak item (pakai tanda untuk
memasukkan dan mengeluarkan tiap peubah beserta indikatornya) sesuai dengan
kelompoknya masing-masing, Gambar diatas adalah proses untuk menguji validitas
dan reliabilitas untuk indikator-indikator X1, lakukan hal yang sama untuk x2 dan Y
lakukan sesuai kelompoknya (lihat hal 5 )
Klik Ok dan hasilnya adalah

Reliability
****** Method 1 (space saver) will be used for this analysis ******

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)

Mean Std Dev Cases

1. X1.1 3.5667 .7279 30.0

2. X1.2 3.9333 .5833 30.0
3. X1.3 3.9333 .6915 30.0
4. X1TOTAL 11.4000 1.0372 30.0

Item-total Statistics

Scale Scale Corrected

Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted

X1.1 19.2667 2.9609 .5157 .5404

X1.2 18.9000 3.4034 .5499 .5816
X1.3 18.9000 3.5414 .6007 .6758
X1TOTAL 11.4333 1.0816 .7746 .7698

Reliability Coefficients

N of Cases = 30.0 N of Items = 4

Alpha = .7784
Interpretasi hasil uji validitas dan reliabilitas.
Secara statistik, Instrumen penelitian dikatakan mempunyai tingkat validitas yang baik
jika Nilai corrected item-total correlation dibandingkan dengan nila r kritik pada tabel
harus lebih besar.
Instrumen penelitian dikatakan mempunyai tingkat reliabilitas yang tinggi jika nilai
Alpha lebih besar dari 0,6. Jadi instrument penelitian untuk merespon peubah gaji
sudah “valid dan reliable”, lakukan interpretasi yang sama untuk x2 dan Y dengan
bersandar pada ketentuan diatas.

Setelah melakukan uji validitas dan reliabilitas, berikutnya lakukan pengujian asumsi
klasik2 (untuk uji asumsi klasik akan dijelaskan pada bagian akhir). Setelah semua
asumsi dipenuhi ( multikolieritas, autokorelasi, heteroskedastisitas dan normalitas)

Proses uji asumsi klasik bisa dilakukan secara bersama dengan analisi regresi
berganda. Dengan tahapan sebagai berikut:

Pilih menu Analyze, pilih Regression, pilih linear, tampilannya akan tampak sebagai
berikut.

Klik linear maka akan tampak kotak perintah sbb: ikuti langkah berikut:

2
lihat penjelasannya pada halaman 19.
 • Masukkan peubah bebas (hanya nilai total saja, x1, x2 ) pada kotak
independent
• Masukkan peubah terikat (hanya nilai total Y) pada kotak dependent
• Berikutnya klik icon “statistics….” Kemudian beri tanda check (√ ) pada kotak
yang telah disediakan, sesuaikan dengan contoh

Setelah
Selanjutnya klik continue dan klik Ok, maka spss sedang running… tunggu beberapa
saat dan hasil analisis regresi berganda sudah bisa dilihat seperti tampilan berikut ini.

Regression

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 kedisiplina
n, gaji a . Enter
karyawan
a. All requested variables entered.
b. Dependent Variable: prestasi kerja

Model Summaryb

Change Statistics
Adjusted Std. Error of R Square Durbin-W
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change atson
1 .738a .544 .510 .9066 .544 16.103 2 27 .000 2.002
a. Predictors: (Constant), kedisiplinan, gaji karyawan
b. Dependent Variable: prestasi kerja

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 26.473 2 13.237 16.103 .000a
Residual 22.194 27 .822
Total 48.667 29
a. Predictors: (Constant), kedisiplinan, gaji karyawan
b. Dependent Variable: prestasi kerja

Coefficientsa

Standardi
zed
Unstandardized Coefficien
Coefficients ts Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) -4.35E-04 2.181 .000 1.000
gaji karyawan .588 .179 .471 3.279 .003 .642 .534 .426 .819 1.220
kedisiplinan .512 .183 .402 2.799 .009 .602 .474 .364 .819 1.220
a. Dependent Variable: prestasi kerja
Berikutnya adalah melakukan interpretasi atas hasil analisis regresi. Dalam membaca
print out SPSS tersebut, saudara harus bersandar pada rumusan masalah, tujuan dan
hipotesis penelitian. Artinya tidak semua angka-angka/parameter diinterpretasikan.
Dalam contoh ini telah disebutkan bahwa peneliti ingin mengetahui dan menguji:
• Apakah ada pengaruh antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap
prestasi kerja (Y) secara bersama-sama mapun secara parsial
Dengan demikian hipotesis penelitian akan dinyatakan :
• Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2)
terhadap prestasi kerja (Y) secara bersama-sama mapun secara parsial.

Atau bisa disusun secara terpisah, sbb.

• Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2)
terhadap prestasi kerja secara bersama-sama.
• Ada pengaruh yang signifikan antara gaji karyawan (x1) terhadap prestasi kerja
(Y) (parsial)
• Ada pengaruh yang signifikan antara kedisiplinan (x2) terhadap prestasi kerja (y)
(parsial)

Jika dimungkinkan, saudara juga diperbolehkan menduga bahwa salah satu variabel
mempunyai pengaruh paling dominan, asalkan saudara mempunyai argumen yang
kuat berdasarkan teori maupun penelitian terdahulu, ingat harus punya argumen tidak
sekedar menduga tanpa dasar.
Misalnya, Diduga gaji karyawan (x1) mempunyai pengaruh yang paling dominant
terhadap prestasi kerja (Y), hal ini tentunya harus didukung dengan alasan yang kuat
bukan sekedar ikut kebiasaan selama ini.
Sekarang marilah kita mulai dengan belajar membaca print out spss regresi
berganda.

Pengujian hipotesis,
Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap
prestasi kerja (Y) secara bersama-sama.
Untuk pengujian penelitian, secara statistik biasanya ada prosedur sbb
1. lihat nilai R (koefisien korelasi berganda) gunanya untuk mengetahui keeratan
hubungan antara peubah x1 dan x2 (secara sumultan) terhadap peubah terikat (y).
Nilai korelasi bisa bernotasi negative maupun positif, notasi ini mengindikasikan
bentuk atau arah hunungan yang terjadi. Perhatikan Kriteria nilai korelasi pada
tabel berikut:

Nilai R (korelasi) Kriteria hubungan

0 Tidak ada hubungan
0 – 0,5 Korelasi lemah
0,5 – 0,8 Korelasi sedang/cukup kuat
0,8 – 1 Korelasi kuat
1 Korelasi sempurna

Hasil analisis menunjukkan nilai R= 0.738, hal ini menunjukkan bahwa terdapat
hubungan yang cukup kuat antara gaji karyawan (x1) dan kedisipliinan (x2) secara
 bersama-sama terhadap prestasi kerja (Y). Artinya jika x1 dan x2 meningkat maka
Y juga akan meningkat (korelasi positif). (lihat tabel Model Summary hal 13)
2. Lihat nilai R square (R2) juga disebut sebagai koefisien determinasi gunanya untuk
mengetahui besarnya kontribusi peubah bebas (x) secara serempak didalam
menjelaskan peubah terikat (Y). R Square juga dapat menunjukkan ragam naik
atau turunnya peubah terikat (Y) yang diterangkan oleh pengaruh linier peubah
bebas (X).
Ukuran nilai R Square adalah 0 ≤ R2 ( 1, artinya semakin mendekati angka satu
berarti garis regresi yang terbentuk dapat meramalkan peubah terikat (Y) secara
lebih baik menuju kesempurnaan (model fit)
Dalam tabel model summary (hal 13) kita lihat nilai R2 sebesar 0,544. Hal ini
diartikan bahwa peubah bebas dalam hal ini gaji dan kedisiplinan secara bersama-
sama menjelaskan peubah prestasi kerja sebesar 54,4 %, sedangkan sisanya
45,6 % dijelaskan oleh peubah lain yang tidak diteliti dalam penelitian ini atau
model penelitian.
Semakin besar nilai R2 semakin menunjukkan ketepatan model yang telah
disusun (model yang dimaksud adalah model teori penelitian ini).

3. Lihat Nilai F statistic (biasa disebut Uji F) dan Nilai Sig. (lihat table ANOVA, hal 13)
NIlai F statistic dapat digunakan untuk mengetahui tingkat signifikansi kontribusi
peubah bebas (secara bersama-sama) dalam menjelaskan peubah terikat. Artinya
apakah pengaruhnya nyata atau bermakna. Dengan membandingkan nilai F
statistic dengan nilai F table dapat diketahui tingkat signifikansinya.
Kita lihat dari table ANOVA bahwa nilai F stat sebesar 16.03 sedangkan F table dapat
di tentukan dengan cara sebagai berikut:
Lihat df (degree of freedom) atau derajat bebas (db) rumusnya k, n-k-1 atau
langsung lihat di table anova, df nya adalah 2 (jumlah peubah bebas) , dan 27
(jumlah responden – peubah bebas -1 jadi 30-2-1=27) setelah diketahui df nya
berikutnya lihat table F yang tersedia di setiap buku statistic. Cara baca tabelnya
adalah sebagai berikut
Lihat angka 2 pada kolom db pembilang dan lihat angka 27 pada kolom db
penyebut dan hubungkan perpotongan keduanya pada tingkat alpha (misal 0,05)
maka akan terlihat angka sebesar 3,35.
Jika kita bandingkan antara F stat dengan F table maka 16,03>3.35, jadi
keputusannya adalah menerima hipotesis yang menyatakan bahwa terdapat
pengaruh yang signifikan antara gaji karyawan (x1) dan Kedisiplinan karyawan
(x2) secara bersama-sama terhadap prestasi kerja karyawan (Y)

Cara lain untuk melihat tingkat signifikansi.

Cara menarik kesimpulan untuk menerima atau menolak hipotesis dapat juga
dilakukan dengan melihat nilai signifikansi atau nilai Sig pada table anova. Cara ini
lebih mudah dan praktis yaitu cukup membandingkan antara nilai Sig tersebut dengan
standar kesalahan atau alpha yang telah ditetapkan oleh peneliti. Biasanya peneliti
menetapkan alpha 5 persen atau 0,05 walaupun untuk penelitian sosial alpha 10
persen pun masih ditoleransi. Dalam table anova terlihat nilai Sig sebesar 0.000 yang
masih dibawah alpha sebesar 0,05, artinya semua obyek yang diamati (30 responden)
sesuai dengan model yang ditetapkan. Jadi 30 karyawan yang menjadi obyek amatan
menjelaskan bahwa secara bersama-sama antara gaji dan disiplin mempengaruhi
prestasi kerja. Dua cara tersebut, yaitu membandingkan antara F stat dengan F table
atau membandingkan Nilai Sig dengan Alpha, silahkan saudara pilih mana yang lebih
mudah.
Setelah mengetahui pengaruh secara bersama-sama, selanjutnya kita akan
analisis bagaimana pengaruhnya secara parsial (pengaruh secara sendiri-sendiri,
artinya bagiamana pengaruh X1 thd Y dalam kondisi X2 dikontrol/tetap/cateris
paribus).
Adapun manfaat lain mengetahui pengaruh secara parsial adalah untuk
mencari informasi dari keseluruhan peubah bebas, peubah mana yang pengaruhnya
paling dominan atau paling besar.
Untuk tujuan itu kita bisa lihat dari table coefficient berikut ini (sumber pada hal 13.)

Coefficientsa

Standardi
zed
Unstandardized Coefficien
Coefficients ts Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) -4.35E-04 2.181 .000 1.000
gaji karyawan .588 .179 .471 3.279 .003 .642 .534 .426 .819 1.220
kedisiplinan .512 .183 .402 2.799 .009 .602 .474 .364 .819 1.220
a. Dependent Variable: prestasi kerja

Secara parsial semua peubah bebas mempunyai pengaruh yang signifikan hal ini bisa
dilihat dari nilai t stat maupun Sig, dimana nilai t stat lebih besar dari t table sedangkan nilai
Sig masih dibawah Alpha 0,05
Peubah gaji karyawan pengaruhnya signifikan terhadap prestasi kerja (t stat =3.279 > t
table=2,056). Demikian juga nilai Sig=0.003 < 0,05 dengan koefisien regresi sebesar
0.588. Hal ini menyimpulkan bahwa hipotesis diterima.
Demikian juga dengan peubah kedisiplinan, dengan melihat nilai yang sama seperti
diatas dapat disimpulkan bahwa, kedisiplinan mempunyai pengaruh signifikan
terhadap prestasi kerja. Hal ini menyimpulkan bahwa hipotesis diterima.
Dari kedua peubah tersebut, dapat disimpulkan bahwa peubah gaji karyawan
mempunyai pengaruh yang paling dominant, hal ini ditunjukkan oleh nilai B maupun
nilai beta dan t yang lebih besar dan Sig yang lebih kecil dibandingkan dengan peubah
kedisiplinan.
 Rekapitulasi hasil analisis regresi berganda

Gaji karyawan (x1)

B=0,588
t=3,279 R = 0,738
Sig=0,003 R2 = 0,544
Prestasi kerja
karyawan (Y).
F =16,03
Sig = 0,00

Kedisiplinan kerja
karyawan (x2)
B=0,512 Semua Hipotesis diterima, pada :
t=2,799 F tabel = 3,35
Sig=0,009 t table = 2,056
Alpha = 0,05

Jadi untuk tujuan penelitian ini beberapa parameter yang harus saudara ketahui ialah:
Nilai R, R square, Nilai F(uji F), Nilai koefisien b atau beta, Nilai t (uji t), Nilai Sig
Ketika saudara mengartikan beberapa nilai statistik berdasarkan tabel-tabel pada
halaman 13, itu berarti saudara sudah melakukan interpretasi secara statistik.

Pekerjaan saudara selanjutnya adalah menjelaskan atau interpretasi secara teoritis

dan empiris. Artinya secara statistik terbukti ada pengaruh nyata (berdasarkan pada
parameter-parameter tsb), berikutnya perlu penjelasan secara teori mengapa dan
bagaimana itu terjadi, untuk itu kuasai landasan teori dan pertajam hasil observasi
empiris.

Oh ya hampir lupa, terkadang pembimbing menghendaki ada asumsi klasik

dalam analisi regresi sebagai syarat, untuk urusan yang satu ini disarankan saudara
berdiskusi secara langsung dengan dosen statistic yang ada atau berdiskusi dengan
dosen pembimbing yang terhormat atau ke penulis.
 Bagian Dua
Path Analysis (Analisa Jalur)3

Prinsip dan keterbatasan

Path Analysis (analis jalur) pada dasarnya merupakan cabang dari multiple regression.
Dalam analisis jalur terdapat suatu set variabel yang merupakan kumpulan atau
rangkaian dari beberapa hubungan antar variabel yang telah membentuk sebuah
model penelitian yang kita yakini variabel-variabel tersebut saling berpengaruh satu
dengan yang lainnya. Tujuan path analysis adalah memberikan estimasi terhadap
hubungan sebab akibat antara variabel-variabel yang diteliti. Disamping mengetahui
hubungan, dengan path analysis peneliti akan mengetahui pengaruh secara langsung
maupun pengaruh secara tidak langsung antar variabel tersebut.
Seperti halnya alat analisa yang lain, path analysis juga mempunyai keterbatasan.
Keterbatasannya adalah : (1) tidak bisa digunakan untuk menguji pola hubungan
timbal balik (feed back). Jadi gerak hubungan hanya dimungkinkan untuk lurus atau
turun artinya satu tujuan. (2) setiap ada intervening variable, maka ia dianggap
sebagai dependent variable. (3) skala pengukuran hanyalah interval atau rasio.
Sedangkan untuk skala nominal, ordinal atau dichotomies tidak mungkin dilakukan.

Penggunaan
Sebagai contoh perhatikan figure 14 yang menjelaskan sebuah set variabel yang saling
berhubungan dengan survey tentang kepuasan kerja.

Diagram Input
Masa kerja
Kepuasan kerja

otonomi

income

3
Prosedur analisis jalur sama dengan regresi berganda yang telah dibahas pada bagian 1.
4
Model ini dikutip dari Bryman, A. & Cramer,D.(1990). Quantitative data analysis for social
scientists, pp.246-251)
Tujuan penelitian adalah untuk menjelaskan bahwa peneliti ingin mengetahui
bagaimana pengaruh masa kerja, otonomi dan income secara langsung maupun tidak
langsung terhadap kepuasan kerja
Untuk mengetahui tujuan itu, kita harus menghitung path coefficients. Path
coefficients ini bisa kita peroleh dari nilai standardized regression coefficient atau beta.
Pada bahasan regresi berganda nilai beta terdapat pada table coefficient (misal hal
17).

Selanjutnya merumuskan persamaan dasar berdasarkan figure 1 sebagai berikut:

1. kepuasan kerja = β11masa kerja + β12 otonomi + β13income + e1

2. Income = β21masa kerja + β22otonomi + e2
3. Otonomi = β31masa kerja + e2
Keterangan:
β adalah path coefficient, yang diperoleh dari nilai beta.
e1, e2, e3 adalah error atau unexplained variance. Jika diperlukan nilai e1, e2, e3, diperoleh
dari 1-R2 (note: bukan 1-R2 adj)
Formulasi persamaan ini pada dasarnya sama dengan regresi berganda, namun nilai
konstanta (a) tidak diperlukan. (bryman, A. & Cramer, D:1990:246-251)

Tahapan pengoalahan data.

Berdasarkan figure 1 maka, proses pengolahan untuk mencari nilai –nilai yang
diperlukan seperti nilai β, R2 dan e akan dilakukan secara bertahap. Lakukan analisis
regresi dengan formulasi sbb;
Indentifikasi variabel dan formulasi persamaan regresi
Tahap Variabel independent Variable dependent Persamaan
1 • Masa kerja (x11) • Kepuasan kerja (Y1) β 11 masa kerja + β12otonomi
• Otonomi (x12) + β13income + e1
(regresi berganda)
• Income (x13)
2 • Masa kerja (x21) • Income(Y2) β21masa kerja + β22otonomi
+ e2
• Otonomi (x22)
(regresi berganda)
3 • Masa kerja (x31) • Otonomi (Y3) β31masa kerja + e2
(regresi sederhana)
4 • Masa kerja (x) • Kepuasan kerja (Y) β masa kerja + e1
(regresi sederhana)
Setelah diolah dengan spss, masukkan setiap nilai beta pada garis panah yang
menghubungkan antar variable untuk mempermudah pembacaan hasil dan
interpretasi hasil analisis. Sebagai misal lihat diagram output berikut:

Diagram output ( p<0.05)

Masa kerja β - 0.08

Kepuasan kerja

β 0.28 otonomi
β 0.58

β 0.22

β 0.57 income
β 0.47

Berdasarkan diagram output kita bisa menarik kesimpulan secara statistic sebagai
berikut.

1. Pengaruh secara langsung antara masa kerja dengan kepuasan adalah -0.08
(pola hubungan negative)

2. Pengaruh secara tidak langsung antara masa kerja dengan kepuasan kerja dapat
dihitung sebagai berikut:

masa kerja  income  kepuasan kerja = 0.57 x 0.47 = 0.26

masa kerja  otonomi  kepuasan kerja = 0.28 x 0.58 = 0.16
masa kerjaotonomi income kepuasan kerja = 0.28 x 0.22 x 0.47 = 0.03
Total pengaruh tidak langsung = 0.45

Total pengaruh adalah -0.08 + 0.45 = 0.37

Interpretasi
Hasil ini menjelaskan bahwa secara uji statistik pengaruh langsung antara masa
kerja dengan kepuasan adalah kecil dan negative (-0.08), sedangkan pengaruh
secara tidak langsung adalah positif dan lebih besar (0.37).

Berikutnya peneliti menjelaskan secara teoritis dan empiris mengapa hal itu terjadi.
Menurut logika penulis hal ini sangat dimungkinkan sebab semakin lama masa
kerja jika tidak diikuti oleh peningkatan peran akan menyebabkan pegawai merasa
jenuh, kondisi ini mungkin menyebabkan pegawai merasa dirinya sudah tidak bisa
lagi ikut berperan dalam dinamika organisasi sehingga kepuasan kerjanya menjadi
menurun. Lain halnya jika masa kerja yang lama dibarengi juga dengan
peningkatan wewenang untuk mengatur aktivitasnya (otonomi), perbaikan
pendapatan atau pergharaan lain (income), maka kepuasan kerja akan meningkat
sebab pegawai merasa semakain dihargai senioritas dan pengabdiannya.
Tentunya pendapat yang disampaikan akan lebih kuat jika didukung oleh teori
maupun hasil penelitian terdahulu.
Demikian Path Analysis, dengan kelebihannya dapat mengungkap pengaruh
secara langsung maupun pengaruh secara tidak langsung yang mungkin
diperlukan dan berguna bagi peneliti dalam menjelaskan temuannya.
 Bagian Tiga
Analisa Paired – Samples t tests
dan Independent Samples t tests
(Uji Beda Untuk Sampel Berpasangan dan Tidak
Berpasangan)

1. Analisa uji beda untuk sample berpasangan (Paired – Samples t tests)

Terkadang tujuan penelitian menyebutkan ingin mengetahui perbedaan antara dua
kelompok yang diamati. Misalkan Peneliti ingin mengetahui apakah ada perbedaan
rasa kopi antara merek A dan merek B. Untuk tujuan ini bisa digunakan Uji t atau uji
beda untuk sample yang berpasangan. Perhatikan contoh berikut:

Contoh 1
Misal, peneliti ingin mengetahui apakah ada perbedaan antara rasa kopi merek A dan
merek B. Untuk tujuan tersebut peneliti telah menyiapkan 10 orang relawan yang suka
kopi untuk mencoba rasa kopi merek A dan merek B. kemudian diminta memberikan
nilai dengan skala 1 sampai dengan 8 seperti berikut.
Skala pengukuran (semantic differential)
Tidak Enak Cukup
Sangat Enak
1 2 3 4 5 6 7 8

Hasil dari kuesioner ditampilkan dalam tabel sbb.

Relawan Kopi A Kopi B

1 8 6
2 8 7
3 6 7
4 7 5
5 6 5
6 8 7
7 8 8
8 5 6
9 8 7
10 6 5

Berikutnya untuk menjawab tujuan penelitian, data tersebut kita siapkan di SPSS
editor dengan langkah sebagai berikut:
Selanjutnya analisa dapat dimulai dengan langkah sbb:
Klik Analyze pilih Compare Means pilih Paired Samples T Test. Maka akan tampil
BOX seperti berikut:
Selanjutnya klik merek a (a) dan merek b (b) kemudian klik tanda panah maka merek
a dan merek b yang dibandingkan masuk dalam kotak Paired Variables, Kemudian
OK,

Hasil pengolahan dengan menggunakan SPSS dapat dilihat pada output dibawah ini.

T-Test
 Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair merek a 7.0000 10 1.1547 .3651
1 merek b 6.3000 10 1.0593 .3350

Paired Samples Correlations

N Correlation Sig.
Pair 1 merek a & merek b 10 .545 .103

Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 merek a - merek b .7000 1.0593 .3350 -5.78E-02 1.4578 2.090 9 .066

Dari hasil diatas dapat ditarik kesimpulan sebagai berikut:

Hipotesisnya
Ho: µa-µb = 0, artinya antara merek a dan merek b tidak ada perbedaan rasa
Ha: µa-µb ≠ 0, artinya antara merek a dan merek b ada perbedaan yang significant
tingkat signifikan menggunakan 0.05
Dari uji Paired - samples t test yang digunakan untuk menguji hipotesis menyatakan
bahwa ada perbedaan nilai rata-rata, merek a dengan mean =7 merek b dengan
mean=6.3, tetapi perbedaan tersebut tidak significant dimana t=2.09 dan p<0.066(
pada significant level 0.05). Informasi lainnya adalah terdapat korelasi yang positif
antara merek a dan merek b artinya peningkatan kepuasan merek a akan juga diikuti
peningkatan kepuasan merek b, hal ini mengindikasikan antara merek a dan merek b
mempunyai daya saing yang relative sama dari segi rasa. Atau bisa dikatakan diantara
keduanya terdapat posisi market leader dan market chalanger.
Contoh 2.
Misal peneliti ingin mengetahui apakah BPNN selaku badan penyehatan perbankan
berhasil meningkatkan kinerja Bank yang menjadi pasiennya. Untuk tujuan itu
diperlukan indikator untuk menilai kinerja bank tsb, misalnya CAR. Andaikan ada 10
bank yang telah diperbaiki dengan nilai CAR sebelum dan sesudah ditangani BPPN
selengkapnya disajikan dalam tabel berikut.

Bank CAR (%)

Sebelum Sesudah
Masuk Masuk
BPPN BPPN
A -2 3,5
B 1 4,6
C 0,5 3,7
D -4 2,1
E -4 1,2
F -3 2
G 0,5 3,8
H 2 6,6
I 1,3 4.8
J -1 3

Kriteria Hipotesis yang diajukan.

Ho: µa-µb = 0 maka usaha BPPN untuk meningkatkan nilai CAR Bank yang sakit,
tidak berarti
Ha: µa-µb ≠ 0 maka usaha BPPN untuk meningkatkan CAR yang sakit, berarti.
Tingkat signifikansi adalah 0.05

Dengan tahapan analisis seperti pada contoh satu maka didapat output spss sebagai
berikut:

T-Test
Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair SEBELUM -.8700 10 2.2514 .7120
1 SESUDAH 3.5300 10 1.5770 .4987

Paired Sa mples Corre la tions

N Correlation Sig.
Pair 1 SEBELUM & SESUDAH 10 .917 .000
 Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 SEBELUM - SESUDAH -4.4000 1.0220 .3232 -5.1311 -3.6689 -13.615 9 .000

Dari output diatas dapat ditarik suatu kesimpulan sebagai berikut:

Dilihat dari nilai rata-rata, ternyata ada perbedaan kinerja bank (CAR) antara sebelum
(mean=-0.87) dan sesudah di tangani BPPN (mean=3.35). Perbedaan tersebut
singnificant dengan t=-13.615 dan p>0.000. Sehingga BPPN patut mendapat pujian
karena mampu meningkatkan nilai CAR bank sakit yang ditangani. Jadi Ha diterima.
Informasi lainnya adalah dari nilai korelasi positif , sangat kuat dan significant (r=0.917;
sig<p) artinya bank dengan posisi CAR baik(positif) cenderung akan semakin
meningkat kinerjanya setelah ditangani BPPN. Atau bisa diartikan Usaha BPPN
ditunjang juga oleh kinerja Bank yang ditangani sebelumnya.
Demikian mengenai Uji beda untuk sample yang berpasangan. Dua kasus tersebut
hanyalah contoh, dan masih bisa dikembangkan untuk menjawab permasalahan
penelitan yang lain.

2. Uji beda untuk uji satu kelompok (one samples t test)

Nah…Sekarang mari kembali pada contoh kasus 2, dimana peneliti ingin mengetahui
apakah target BPPN untuk menyehatkan bank sakit mampu memiliki CAR sebesar 3%
dapat dikatakan tercapai secara keseluruhan.

Dengan demikian maka hipotesis dapat dirumuskan sebagai berikut:

Ho= µbank = 3%
Ha= µbank ≠ 3%
Tingkat signifikan menggunakan 0.05
Selanjutnya mari kita uji hipotesis tersebut, dengan langkah-langkah pengolahan
sebagai berikut.

Pilih Compare mean, pilih one samples t test

Pilih “variable sesudah” untuk dianalisa, dengan test value 3. dan confidence interval
95%. Klik OK, tunggu data sedang diolah .

Hasil pengolahan akan nampak sebagai berikut:

T-Test

One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
SESUDAH 10 3.5300 1.5770 .4987

One-Sample Test

Test Value = 3
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
SESUDAH 1.063 9 .316 .5300 -.5981 1.6581

Kesimpulan yang dapat ditarik dari print out tersebut adalah:

Secara keseluruhan nilai CAR bank yang ditangani oleh BPPN dengan batas ambang
CAR sebesar 3% terpenuhi. Hal ini ditunjukkan oleh Nilai t=1.063 dengan p<0.316
dengan mean= 3.5 yang artinya tidak ada perbedaan signifikan sehingga H0 diterima.
Latihan
Sebuah industri Bola lampu ingin menguji apakah produknya mempunyai daya nyala
selama 1000 jam nonstop. Untuk keperluan pengujian, telah diambil 10 bola lampu
secara acak dari 2 lini produk masing-masing 5 unit dan dinyalakan secara bersama-
sama dan daya tahan lampu tersebut didokumentasikan seperti dalam table berikut.

lampu Daya tahan

(jam)
1 998
2 1050
3 1025
4 1068
5 998
6 1009
7 1016
8 935
9 1005
10 997

Dengan langkah yang sama maka hasil disajikan sebagai berikut

T-Test

One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
WAKTU 10 1010.1000 35.4854 11.2215

One-Sample Test

Test Value = 1000

95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
WAKTU .900 9 .392 10.1000 -15.2847 35.4847

Berdasarkan hasil perhitungan tersebut, apa kesimpulan saudara ?.

 Bagian Empat
Analisis Faktor

1. Dasar pemikiran
Terkadang dalam suatu penelitian kita dihadapkan pada beragam factor atau
variable yang diduga mempunyai kaitan dengan suatu permasalahan yang ingin
kita cari tahu jawabannya. Banyaknya factor atau variable ini terkadang bisa
membuat bias dalam perumusan/formulasi permsalahan atau terkadang akan
merepotkan peneliti karena harus mengendalikan banyaknya variable atau factor
tersebut yang secara bangunan teori terkadang kurang kuat.
Berdasar pada situasi tersebut maka timbul pemikiran untuk mereduksi atau
meringkas beragam factor atau variable tersebut menjadi suatu bentuk/model teori
yang baru dengan harapan model tersebut nantinya akan dapat menjelaskan
secara optimal tentang permasalahan yang ingin kita cari tahu jawabannya.
Dengan demikian, merujuk pada pendapat Malhotra (1993), analisis factor adalah
merupakan sekelompok prosedur untuk mengurangi dan meringkas data.

Dengan model matematisnya adalah :

Xi = Ai1F1 ┿ Ai2F2 ┿ Ai3F3 ┿ …………. ┿ AimFm ┿ ViUi

Ket:
Xi :variable standar ke-i
Aij :koefisien loading dari variable I pada factor umum j
F :factor umum
Vi :koefisien standartized loading dari variable I pada factor khusus I
Ui : factor khusus bagi variable I
m :jumlah dari factor umum
Sedangkan faktor-faktor umum dapat dinyatakan sebagai berikut:

F1 = Wi1Xi1+Wi2Xi2+Wi3Xi3+…………+WikXik

Ket:
F1 :estimasi factor loading ke-1
Wi :bobot atau koefisien nilai factor
k :jumlah variabel
2. Akurasi Model Faktor

Agar terdapat kesesuaian antara permasalahan yang akan dijawab beserta data
yang diperoleh dengan alat analisis yang akan digunakan maka perlu dilakukan
telaah akurasi model factor. Prosedur dalam analisis factor adalah mengikuti
beberapa tahapan sebagai berikut:

Memformulasikan permasalahan

Membuat matrik korelasi

Menentukan jumlah factor/komponen

Rotasi faktor

Interpretasi factor-faktor

Menghitung skor Memilih variable

faktor pengganti

Menentukan Model Fit

Gambar 1. Prosedur analisis faktor. (Malhotra:1996)

Penjelasan Gambar 1.

1. Memformulasikan permasalahan

Beberapa yang perlu diperhatikan dalam memformulasikan permasalahan yaitu:

 Mengidentifikasi tujuan analisis faktor
 Variabel-variabel yang akan dimasukkan dalam analisis faktor berdasarkan
pada penelitian terdahulu, teori dan keputusan peneliti.
 Kesesuaian antara instrumen penelitian dengan sampel penelitian.

2. Membentuk matrik korelasi.

Proses analisis berdasarkan pada matriks korelasi antar variable-variabel yang
diteliti. Agar analisis faktor dapat dilakukan variabel-variabel tersebut harus
berkorelasi. Jika korelasi antar variabel kecil maka analisis faktor tidak dapat
dilakukan. Pengujian korelasi antar variabel tersebut merupakan langkah
pendahuluan sekaligus sebagai tindakan koreksi seperlunya. Selanjutnya
diteruskan dengan penentuan metode yang cocok dalam analisis faktor. Metode
yang lazim digunakan jika fokus tujuannya adalah untuk menentukan jumlah faktor
minimum dari berbagai faktor yang ada yaitu: Principal Component analysis (PCA)

3. Menentukan jumlah factor

Dalam tahap ini informasi-informasi dalam variable-variabel awal diekstraksi
menjadi factor-faktor yang lebih kecil. Dengan menggunakan criteria eigenvalues
dimana dalam pendekatan ini, hanya factor yang mempunyai eigenvalues lebih
besar dari 1 akan dipilih sedangkan yang laiinya tidak disertakan dalam model.

4. Rotasi factor.
Hasil penyederhanaan dalam matrik factor memperlihatkan hubungan antara
factor dengan variable individual. Tetapi dengan banyaknya variable yang saling
berkorelasi sehingga sulit untuk diinterpretasikan. Untuk itu harus dilakukan rotasi
factor matrik yang hasilnya lebih sederhana sehingga mudah dibaca. Dalam rotasi
matrik factor ini metode yang digunakan adalah Varimax yaitu metode rotasi
orthogonal untuk meminimumkan jumlah variable dengan berpedoman pada nilai
loading tertinggi.

5. Interprestasi faktor-faktor.
Interprestasi factor dapat dilakukan dengan mengelompokkan variable yang
mempunyai factor loading tertinggi kedalam factor tersebut. Untuk interpretasi
hasil perilaku ini, factor loading dengan nilai > 0,5 sedangkan yang < 0,5
dikeluarkan dari model.

6. Menentukan Model Fit

Tahap akhir dalam analisis factor adalah menentukan model fit yaitu untuk
mengetahui apakah model mampu menjelaskan data dengan baik.
Beberapa Ketentuan Yang Harus Diketahui Dalam FA

1. Uji Bartlett
Yaitu uji tingkat independen dari variable-variabel. Hasil Bartlett test of sphericity
dengan melihat tingkat signifikansi kesalahan untuk mengindikasikan sejauhmana
antar variable tersebut berkorelasi.

2. Nilai KMO (kaiser-meyer-olkin)

Untuk mengetahui ketepatan dari analisis factor. Nilai KMO > 0,5 dianggap
mempunyai ketepatan.

Tabel 1. Ukuran ketepatan KMO

Ukuran KMO Rekomendasi

>0.9 Baik sekali
>0.8 Baik
>0.7 Sedang/agak baik
>0.6 Cukup
>0.5 Kurang
<0.5 Ditolak

3. Penentuan jumlah factor.

Untuk menentukan jumlah factor biasanya digunakan ukuran sbb:
 Eigenvalue > 1 (menurut pendapat kaiser) atau > 0,5 (menurut pendapat
lawley and maxwell)
 Persentase kumulatif > 60% atau mencapai 85%

4. Model FIT
Analisis ini sebenarnya untuk seberapa besar residual antara korelasi yang
diamati dengan korelasi yang direproduksi. Sebagai ukuran jika terdapat banyak
nilai residual melebihi nilai absolut 0.05 maka model tidak dapat diterima.

Petunjuk praktis teknis Analisis Faktor dengan SPSS.

Utk pemula

Follow this direction

• Open SPSS
• Siapkan data yang akan diolah
• Klik menu analyze, pilih Data Reduction, pilih factor.
• Muncul box menu berisikan:
 Kotak variables (sebelah kiri berisikan variable, kanan kosong)
Masukkan variable yang akan difaktorisasi (kolom sebelah kiri) kedalam
kolom sebelah kanan, dengan menekan tanda ►.
 Descriptives (pada menu box, pilih coefficient dan KMO and Bartlett test
atau klik semua pilihan), continue
 Extraction ( pada menu box, pilih metode principal component, eigenvalue
1 atau 0,5. continue
 Rotation (pada menu box pilih method varimax )continue
 Scores
 Option
 Tekan OK, output akan nampak seperti dibawah ini:

 Mudah kan! Selamat mencoba dirumah.

Contoh Print out factor analysis dari SPSS

KMO and Bartlett's Test

Kaiser-Meyer-Olkin ,644
Measure of Sampling
Adequacy.
Bartlett's Test of Sphericity Approx. Chi- 562,809
Square
df 153
Sig. ,000

Cara membaca table:

• Uji Bartlett's Test of Sphericity menyatakan sebesar 562,809 dengan Sig.
0,000. artinya peluang terjadi kesalahan untuk variable saling tidak
independent sebesar 0% dengan demikian antar variable memiliki korelasi.
(lihat penjelasan pada hal 3 tentang point 2)
• Nilai Kaiser-meyer-olkin / KMO measure of sampling adequacy sebesar 0,644
melebihi nilai baku 0,5 maka analisis factor memiliki ketepatan untuk
digunakan.

Total Variance Explained

Initial
Eigenvalues Rotation Sums of Squared Loadings

Componen Total % of Variance Cumulative Total % of Variance Cumulative %

t %
1 3,920 21,779 21,779 2,526 14,032 14,032
2 2,700 15,002 36,781 2,307 12,817 26,849
3 2,279 12,662 49,444 2,273 12,626 39,475
4 1,909 10,604 60,048 1,994 11,079 50,554
5 1,382 7,678 67,726 1,625 9,026 59,580
6 ,980 5,447 73,173 1,280 7,109 66,689
7 ,907 5,040 78,213 1,162 6,456 73,145
8 ,708 3,932 82,145 1,155 6,416 79,561
9 ,598 3,321 85,466 1,063 5,905 85,466
10 ,489 2,719 88,185
11 ,397 2,204 90,388
12 ,335 1,863 92,251
13 ,327 1,817 94,069
14 ,293 1,630 95,699
15 ,266 1,480 97,179
16 ,219 1,219 98,398
17 ,166 ,924 99,323
18 ,122 ,677 100,000
Extraction Method: Principal Component Analysis.
Cara membaca table:
Dengan menggunakan metode principle component diperoleh 9 faktor dari 18 faktor
yang telah diajukan. Hasil tersebut diperoleh dengan melihat nilai eigenvalue yang
lebih besar dari 0,5. (ketika mengolah penulis menetapkan eigenvalue=0,5, namun jika
yang ditetapkan sebesar 1 maka hanya terdapat 5 faktor yang akan membentuk
model).
9 faktor tersebut memiliki Cumulative % sebesar 85,466 %. Dengan demikian asumsi
kedua telah terpenuhi yaitu menetapkan eigenvalue sebesar 0,5 dengan perolehan %
kumulatif variance sebesar > 85,466%. (lihat penjelasan hal 4 point 3)
Reproduced Correlations
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11X12X13X14 X15X16 X17X18
Re X1 , ,786 , , , - - 2,933 , -,160 - 4,6 , , - 5,2 ,126 ,
pro 839 627 346 335 4,322E- 6,781E- E-02 313 7,704E-23E 137 125 5,107E-92E 263
duc 03 02 02 -02 02 -02
ed
Cor
rela
tion
X2 , ,841 , , , 2,638E- - 6,656 , 9,155 ,183 , , 9,2 - , ,133 ,
786 641 348 378 02 9,256E- E-02 294 E-02 293 17551E 3,397E- 110 359
02 -02 02
X3 , ,641 , , , - 8,999E- 3,426 , 2,196 8,035E- , , , - 4,6 ,219 ,
627 794 573 642 2,050E- 03 E-02 196 E-02 02 248 241 123 2,259E-22E 103
02 02 -02
X4 , ,348 , , , - - ,210 , - - , , 9,5 ,197 , ,228 ,
346 573 912 483 2,026E- 7,119E- 354 9,470 9,844E- 240 17945E 224 211
02 02 E-02 02 -02
X5 , ,378 , , , - ,151 ,175 , - - 9,7 , - -,124-,14 6,005 ,
335 642 483 896 1,901E- 133 2,107 7,114E-84E 318 3,9 4 E-02 310
02 E-02 03 -02 69E
-02
X6 - 2,638 - - - ,760 ,659 ,668 , ,290 ,192 , 3,9 , - - 6,378 -
4,3 E-02 2,0 2,0 1,9 350 137 71E 212 1,225E- 8,2 E-02 7,7
22E 50E26E01E -02 0316E 24E
-03 -02 -02 -02 -03 -02
X7 - - 8,9 - , ,659 ,844 ,501 , ,1766,762E- 2,2 , , 5,272E- -,10 ,227 -
6,7 9,25699E 7,1 151 432 0245E 171 331 02 0 2,0
81E E-02 -0319E -02 59E
-02 -02 -02
X8 2,9 6,656 3,4 , , ,668 ,501 ,871 , 8,641 6,678E- 3,4 , 8,4 ,126 , 3,736 ,
33E E-0226E 210 175 255 E-02 0296E 14863E 156 E-02 168
-02 -02 -02 -02
 X9 , ,294 , , , ,350 ,432 ,255 , 3,747 - , - , 6,569E- - ,218 ,
313 196 354 133 896 E-02 5,108E- 163 4,6 155 02 4,5 440
02 44E 26E
-02 -02
X10-,16 9,155 2,1 - - ,290 ,176 8,641 3,7 ,841 ,693 , , , -,108 - - -
0 E-0296E 9,4 2,1 E-0247E 711 177 216 2,8 1,640 2,8
-0270E07E -02 72E E-02 02E
-02 -02 -02 -02
X11 - ,183 8,0 - - ,192 6,762E- 6,678 - ,693 ,841 , 5,5 - ,233 , ,297 2,1
7,7 35E 9,8 7,1 02 E-02 5,1 696 51E 2,9 329 44E
04E -0244E14E 08E -0544E -02
-02 -02 -03 -02 -02
X12 4,6 ,293 , , 9,7 ,137 2,245E- 3,496 , ,711 ,696 , , , ,164 , ,251 ,
23E 248 24084E 02 E-02 163 805 191 198 253 134
-02 -02
X13 , ,175 , , , 3,971E- ,171 ,148 - ,1775,551E- , , , 9,091E- 7,7 ,111 ,
137 241 179 318 02 4,6 05 191 841 681 0277E 244
44E -02
-02
X14 , 9,251 , 9,5 - ,212 ,331 8,463 , ,216 - , , , ,121 7,1 ,211 -
125 E-02 12345E 3,9 E-02 155 2,944E- 198 681 866 50E 3,2
-0269E 02 -02 70E
-02 -02
X15 - - - , -,12 - 5,272E- ,126 6,5 -,108 ,233 , 9,0 , ,885 , ,772 ,
5,1 3,397 2,2 197 4 1,225E- 02 69E 164 91E 121 823 156
07E E-0259E 03 -02 -02
-02 -02
X16 5,2 ,110 4,6 , -,14 - -,100 ,156 - - ,329 , 7,7 7,1 ,823 , ,678 ,
92E 22E 224 4 8,216E- 4,5 2,872 253 77E50E 860 125
-02 -02 03 26E E-02 -02 -02
-02
X17 , ,133 , , 6,0 6,378E- ,227 3,736 , - ,297 , , , ,772 , ,857 8,0
126 219 22805E 02 E-02 218 1,640 251 111 211 678 84E
 -02 E-02 -02
X18 , ,359 , , , - - ,168 , - 2,144E- , , - ,156 , 8,084 ,
263 103 211 310 7,724E- 2,059E- 440 2,802 02 134 244 3,2 125 E-02 935
02 02 E-02 70E
-02
Res X1 -,119 - 3,4 1,9 6,025E- 1,355E- - - 2,790 1,718E- 1,3 - - 2,204E- - - 9,3
idu 6,627E76E 03 02 1,312 3,1 E-02 0242E 1,0 1,2 02 2,3 2,832 64E
al 49E -02 -02 E-0246E -02 51E40E 05E E-03 -03
-02 -02 -03 -02 -02
X2-,11 - 9,9 - - 2,471E- 1,131 2,9 - - 2,3 9,0 - - - 2,489 -
9 4,307E 2,2 3,116E- 02 E-0257E 1,603 2,662E-85E 50E 7,7 1,269E- 7,0 E-02 3,1
27E -0314E 02 -03 E-02 02 -03 -0307E 0208E 45E
-02 -03 -03 -03 -02
X3 - - - - - 4,785E- 1,823 1,8 3,686 - - - - 1,168E- 3,8 - 4,2
6,6 4,327 5,8 7,8 1,625E- 03 E-0299E E-02 3,179E- 2,8 7,9 5,3 0267E 4,339 96E
49E E-02 93E23E 02 -02 0271E 56E54E -02 E-02 -02
-02 -02 -02 -02 -03 -03
X4 3,4 9,907 - - 1,591E- 4,941E- - - 1,753 4,915E- - 3,4 - - - 1,489 2,6
27E E-03 5,8 2,2 02 02 4,488 5,2 E-02 02 5,9 66E 8,1 1,602E- 1,6 E-02 31E
-02 93E 74E E-0268E 95E -0312E 0212E -02
-02 -02 -02 -02 -03 -02
X5 1,9 - - - 4,022E- - - 2,0 - 8,224E- 2,4 - 6,5 1,288E- 2,4 - -
76E 2,214 7,8 2,2 02 5,269E- 1,69121E 2,897 0364E 4,894E 0258E 2,675 2,2
-02 E-0323E74E 02 E-02 -02 E-02 -02 45E -02 -02 E-02 56E
-02 -02 -02 -02
X6 6,0 - - 1,5 4,0 - -,142 - - 2,390E- 1,4 4,0 - 4,655E- - - 2,7
25E 3,116 1,691E22E 9,289E- 1,6 7,074 0253E 15E 1,6 02 2,8 1,909 87E
-03 E-0225E -02 -02 02 29E E-02 -02 -0239E 26E E-02 -02
-02 -02 -02 -02
X7 1,3 2,471 4,7 4,9 - - - - 3,609 - 7,8 - - - 5,8 - 3,1
55E E-0285E41E 5,2 9,289E- 7,864 6,7 E-02 3,223E-42E 3,5 1,0 2,715E-89E 4,170 41E
-02 -03 -0269E 02 E-0356E 02 -03 76E78E 02 -02 E-02 -02
-02 -02 -02 -02
 X8 - 1,131 1,8 - - -,142 - 3,0 2,975 - 1,5 - 1,3 - - 6,123 -
1,3 E-0223E 4,4 1,6 7,864E- 70E E-02 2,574E-88E 1,772E 2,798E- 2,7 E-02 2,9
12E -0288E91E 03 -02 02 -02 40E -02 0248E 24E
-02 -02 -02 -02 -02 -02
X9 - 2,957 1,8 - 2,0 - - 3,070 - 3,974E- - 6,4 - 1,709E- 6,1 - -
3,1 E-0399E 5,221E 1,629E- 6,756E- E-02 2,314 02 2,1 51E 2,2 0236E 2,191 6,4
46E -0268E -02 02 02 E-02 14E -0235E -03 E-02 62E
-02 -02 -02 -02 -02
X10 2,7 - 3,6 1,7 - - 3,609E- 2,975 - - - - - 7,926E- 1,7 1,863 2,3
90E 1,60386E53E 2,8 7,074E- 02 E-02 2,3 5,588E- 9,3 3,5 4,4 0397E E-02 67E
-02 E-02 -02 -0297E 02 14E 0290E 50E29E -02 -02
-02 -02 -02 -02 -03
X11 1,7 - - 4,9 8,2 2,390E- - - 3,9 - - 3,2 2,5 - - - -
18E 2,662 3,115E24E 02 3,223E- 2,57474E 5,588 9,2 00E04E 5,619E- 1,7 2,567 1,1
-02 E-0279E -02 -03 02 E-02 -02 E-02 48E -02 -02 0315E E-02 86E
-02 -02 -02 -02
X12 1,3 2,385 - - 2,4 1,453E- 7,842E- 1,588 - - - - - 5,166E- - 7,200 -
42E E-03 2,8 5,964E 02 03 E-02 2,1 9,390 9,248E- 6,8 2,0 03 1,4 E-03 1,6
-02 71E95E -02 14E E-02 02 66E37E 35E 43E
-02 -02 -02 -04 -02 -02 -02
X13 - 9,050 - 3,4 - 4,015E- - - 6,4 - 3,200E- - -,13 2,565E- - 2,042 -
1,0 E-03 7,966E 4,8 02 3,576E- 1,74051E 3,550 02 6,8 0 02 5,6 E-02 5,8
51E 56E -0345E 02 E-02 -02 E-02 66E 00E 13E
-03 -03 -02 -04 -02 -02
X14 - - - - 6,5 - - 1,372 - - 2,504E- - -,13 - 4,4 - 3,4
1,2 7,707 5,3 8,194E 1,639E- 1,078E- E-02 2,2 4,429 02 2,0 0 2,438E-40E 2,414 40E
40E E-0354E12E -02 02 02 35E E-03 37E 02 -02 E-02 -02
-02 -03 -03 -02 -02
X15 2,2 - 1,1 - 1,2 4,655E- - - 1,7 7,926 - 5,1 2,5 - - - -
04E 1,26968E 1,688E 02 2,715E- 2,79809E E-03 5,619E-66E 65E 2,4 5,1 5,747 1,8
-02 E-02 -0202E -02 02 E-02 -02 03 -03 -0238E 86E E-02 20E
-02 -02 -02 -02
X16 - - 3,8 - 2,4 -5,889E- - 6,1 1,797 - - - 4,4 - - 1,7
 2,3 7,00867E 1,658E 2,826E- 02 2,74836E E-021,715E- 1,4 5,640E 5,186E- 7,541 13E
05E E-03 -0212E -02 02 E-02 -03 0235E 00E -02 02 E-02 -02
-02 -02 -02 -02
X17 - 2,489 - 1,4 - - - 6,123 - 1,863 - 7,2 2,0 - - - -
2,8 E-02 4,389E 2,6 1,909E- 4,170E- E-02 2,1 E-02 2,567E-00E 42E 2,4 5,747E- 7,5 4,3
32E 39E -0275E 02 02 91E 02 -03 -0214E 0241E 36E
-03 -02 -02 -02 -02 -02 -04
X18 9,3 - 4,2 2,6 - 2,787E- 3,141E- - - 2,367 - - - 3,4 - 1,7 -
64E 3,14596E31E 2,2 02 02 2,924 6,4 E-02 1,186E- 1,6 5,840E 1,820E-13E 4,336
-03 E-02 -02 -0256E E-0262E 0243E 13E -02 02 -02 E-04
-02 -02 -02 -02
Extraction Method: Principal Component Analysis.
a Residuals are computed between observed and reproduced correlations. There are 25 (16,0%) nonredundant residuals with
absolute values > 0.05.
b Reproduced communalities
Cara membaca table:
Pada tahap ini bertujuan untuk menetapkan Model Fit. Dari hasil perhitungan diatas
disimpulkan sbb:
There are 25 (16,0%) nonredundant residuals with absolute values > 0.05. artinya nilai
residual dari korelasi observasi dengan korelasi reproduksi yang mempunyai korelasi
dengan nilai > 0,5 sangat sedikit yaitu sebesar 16 % sedangkan sisanya 84 %
mempunyai korelasi < 0,05.

Rotated Component Matrix

Component
Factor
1 2 3 4 5 6 7 8 9
X1 -,118 ,891
X2 ,179 ,868 ,107 ,189
X3 ,648 ,102 ,501 -,115 ,288
X4 ,180 ,270 ,287 ,132 ,836
X5 ,273 ,857 ,171 ,198
X6 ,179 ,809 ,217 -,118
X7 -,127 ,653 ,227 ,231 ,469 -,116 -,243
X8 ,891 ,172 ,176
X9 ,229 ,262 ,809 ,281 ,198
X10 -,144 ,876 ,131 ,160
X11 ,265 ,843 -,121 -,164
X12 ,151 ,838 ,119 ,118 ,203
X13 ,837 ,234 -,160 ,199
X14 ,104 ,881 -,113 ,178 -,123
X15 ,925
X16 ,867 ,121 -,151 -,195 ,135
X17 ,856 ,103 ,100 ,152 ,252
X18 ,180 ,118 ,165 ,921
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with
Kaiser Normalization.
a Rotation converged in 9 iterations.

Cara membaca tabel:

Tabel diatas merupakan inti analisa factor yaitu menentukan ke sembilan factor yang
telah teridentifikasi melalui beberapa tahapan diatas.
Cara menentukan factor adalah sbb:
Dalam tabel terdapat 9 komponen (lihat kolom), artinya ada 9 faktor yang akan
direkomendasi menuju analisa lebih lanjut misal correl atau regress
Prosedur menentukan factor:
1. Pilih koefisien tertinggi pada masing-masing kolom (hanya nilai tertinggi)
2. Setelah semua kolom terpilih nilai tertingginya. Hubungkan nilai-nilai tersebut
dengan kolom factor.( kolom paling kiri).
Sebagai contoh
Pada kolom komponen 1 nilai tertinggi adalah ,925 nama factor atau variable adalah
X15
Pada kolom komponen 9 nilai tertinggi adalah ,836 nama factor atau variable adalah
X4

Demikian seterusnya.
Penutup

Seperti pesan Imam As Syafii kepada para santrinya

Ra’yuna shawab yahtamil al khata’ Wa ra’yuna ghairina khata’ yahtamil al shawab

Bersandar pada pendapat ini, masihkan kita saling bertahan dengan pendapat pribadi
dengan mengabaikan pendapat orang lain yang kemungkinan mengandung
kebenaran dan membawa pencerahan….. Penulis yang masih kurang dalam segala
hal sangat mengharapkan saran koreksi dari pembaca untuk perbaikan.

Semoga ada manfaatnya, Bagi adik-adik mahasiswa diberikan kesempatan seluas-

luasnya untuk berdiskusi dengan penulis jika terdapat ketidakjelasan atau perbedaan
pendapat.

Wallaahua’lam bisshawab
Singosari, 27 Rajab 2003,

Hanif Mauludin,
e-mail: hanif@stie-mce.ac.id.
Web: www.stie-mce.ac.id/~hanif
phone: STIE –MCE. 491813 ext 129 (ruang mce internet J-4)
Segera terbit suplemen tambahan untuk edisi mahasiswa ABM, analisis kluster dan
diskriminan

REFERENCE

1. Everitt, B.S, & Dunn, G. (1991). Applied multivariate data analysis. London:
Edward Arnold.
2. Bryman, A & Cramer, D. (1990). Quantitative data analysis for social scientists. pp.
246-251
3. Rietveld & Sunaryanto, (1994). 87 masalah pokok dalam regresi berganda
4. Sugiarto. (1992). Tahap awal dan Aplikasi analisis Regresi
5. http://www.exeter.ac.uk/~SEGLea/multvar2