Statistika Lanjutan

Juli Afriadi, M.Pd

 Mater UAS
• Pengujian Lebih dari Dua Sampel Bebas
(Kruskall Walis H Test)
• Pengujian Lebih dari dua sampel Terikat
(Friedman Test)
• Uji Korelasi
• Uji Regresi
• Analisis Jalur (Bonus)
 Kruskal Wallis
• Klik Menu Anlyze, Pilih Non Parametric Test, Plih Legacy Dialog, lalu
klik K sampel
• Pindahkan Variabel Nilai ke kolom Test Variable List
• Pada Grouping Variable masukkan Variabel Kelas, Klik Define Range,
Pada Minimum ketik 1 dan pada maximum ketik berapak banyak
kelompok yang diuji
• Pada test type pastikan bahwa Kruskal-Wallis H telah diberi tanda
ceklist
• Klik Deskriptive, Continue dan klik Ok
• Interpretasi
– Hipotesis
– Signifikansi
– Output : H0 Terima jika P-Value lebih besar dari Alpha
– Simpulan
 Friedman Test
• Klik Menu Anlyze, Pilih Non Parametric Test, Plih Legacy
Dialog, lalu klik K Related sampel
• Pindahkan semua Variabel Nilai ke kolom Test Variable
List
• Pada test type pastikan bahwa Kruskal-Wallis H telah
diberi tanda ceklist
• Klik Deskriptive, Continue dan klik Ok
• Interpretasi
– Hipotesis
– Signifikansi
– Output : H0 Terima jika P-Value lebih besar dari Alpha
– Simpulan
 Uji Korelasi
Suatu uji statistik yang digunakan untuk
mengetahui kekuatan atau bentuk arah
hubungan di antara dua variabel atau lebih,
dan besarnya pengaruh yang disebabkan oleh
variabel yang satu (variabel
bebas/independen) terhadap variabel lainnya
(variabel terikat/dependen)
Jenis-jenis Korelasi

Hubungan Simetris

Hubungan Kausal

Hubungan Interaktif
 Jenis-jenis Korelasi
Hubungan Simetris
• Hubungan yang
menyatakan sifat
kebersamaan antara dua
variabel atau lebih, tetapi
tidak menunjukkan
hubungan sebagai akibat
• Contoh : Hubungan jumlah
penonton dengan tingkat
kerusuhan
Hubungan Kausal Hubungan Interaktif
• Hubungan antara dua • Hubungan antara dua
variabel atau lebih yang variabel atau lebih bersifat
bersifat mempengaruhi saling mempengaruhi di
antara variabel yang satu mana kedudukan variabel
(variabel bebas) terhadap X dan Y dapat saling
variabel lainnya (variabel bergantian.
terikat)
• Contoh: Hubungan antara
• Contoh : Hubungan tingkat harga barang dengan
pendidikan dengan waktu tingkat penjualan
tunggu kerja
 Teknik Statistik untuk Menganalisa Hubungan

• Bilangan yang menyatakan

kekuatan hubungan antara
dua variabel atau lebih serta
KOEFISIEN KORELASI dapat menentukan arah dari
kedua variabel
• Nilai korelasi r = ( -1 ≤ 0 ≤ 1)

• Angka yang menyatakan atau

digunakan untuk mengetahui
KOEFISIEN kontribusi atau sumbangan
DETERMINASI yang diberikan oleh sebuah
variabel atau lebih
Tingkat Korelasi & Rumus Koefisien Determinasi

Tabel. Tingkat Korelasi dan Kekuatan

Hubungan

r = ( -1 ≤ 0 ≤ 1)
Rumus Koefisien Determinasi
Uji Korelasi pada Statistik Parametrik dan Non Parametrik

Parametrik Non Parametrik

Interval & Nominal Ordinal & Rasio

Pearson Product Kendall

Moment Spearman
Langkah-langkah Uji Korelasi di SPSS (1)

X : Total nilai
jawaban untuk
seluruh pertanyaan
X per responden
Y : Total nilai
jawaban untuk
seluruh pertanyaan
Y per responden
Langkah-langkah Uji Korelasi di SPSS (2)
Pindahkan X dan Y
ke kolom variabel

Selanjutnya pilih
koefisien korelasi
yang relevan dengan
data penelitian
Ingat :

Pearson :
Parametrik dan
untuk data interval
dan nominal

Kendall dan
Spearman : Non
Parametrik untuk
data ordinal dan
rasio
Langkah-langkah Uji Korelasi di SPSS (3)
Lihat angka yang
sama pada baris
pearson correlation :
0.619

Ada tanda bintang

** artinya ada
hubungan antara
variabel X terhadap
variabel Y

Interpretasi :
Sig (2 tailed)
hubungan : 0.00
kuat dan
positif
Berarti nilai sign <
0.05

Interpretasi : Ho
ditolak, Ha diterima
 Uji Korelasi Berganda

Analisa korelasi berganda adalah untuk mengetahui derajat atau kekuatan

hubungan antara tiga variabel atau lebih serta untuk mengetahui kontribusi
yang diberikan secara simultan oleh variabel X1, X2, dst terhadap nilai variabel Y
dan kontribusi parsial yang diberikan oleh variabel X1 terhadap Y, X2 terhadap Y,
dst

X1
Gaya Kepemimpinan
Y
Produktivitas
X2 Kerja
Budaya Kerja
 Langkah-Langkah Uji Korelasi Berganda di SPSS (1)
X1
Gaya
Kepemimpinan Y X1 : Total nilai jawaban
Produktivitas
Kerja untuk seluruh pertanyaan X1
X2 per responden
Budaya Kerja

X2 : Total nilai jawaban

untuk seluruh pertanyaan
X2 per responden

Y : Total nilai jawaban untuk

seluruh pertanyaan Y per
responden
Langkah-Langkah Uji Korelasi Berganda di SPSS (2)

Pindahkan X1, X2
dan Y ke kolom
variabel

Selanjutnya pilih
koefisien korelasi
yang relevan dengan
Ingat :
data penelitian

Pearson : Parametrik
dan untuk data
interval dan nominal

Kendall’s tau-b dan

Spearman : Non
Parametrik untuk
data ordinal dan
rasio
Langkah-Langkah Uji Korelasi Berganda di SPSS (3)
Lihat angka yang sama pada
baris Pearson correlation : 0.237
dan 0.592

Ada tanda bintang ** artinya

ada hubungan antara variabel
X2 terhadap variabel Y

Interpretasi : Hubungan Variabel

X2 dengan Y kuat dan positif

Sig (2 tailed) : 0.026

Berarti nilai sign < 0.05

1. Ada hubungan variabel X2 dan Y
2. Tidak ada hubungan antara X1 dan Y Interpretasi : Ho ditolak, Ha diterima
untuk hubungan X2 terhadap Y
Analisis Regresi
ANALISIS REGRESI
• Melihat ‘pengaruh’ variable bebas/independet variabel/ thd variable
terikat/dependent variabel.
• Berdasarkan jumlah variabel bebas :
Ada 1 vaiabel bebas - regresi sederhana
Ada > 1 variabel bebas - regresi berganda
• Berdasar sifat hubungan kedua variabel :
Bersifat linier - regresi linier
Bersifat non-linier - regresi non linier
• Berdasar skala pengukuran variabel bebas dan terikat :
Var. terikat senmua var. bebas interval/rasio - regresi standar
Var. terikat dan sebagian var. bebas interval tapi ada sebagian var. bebas
nomilal/ordinal - regresi dummy
Var. terikat berskala nominal/ordinal - regresi logistik/ordinal
Persamaan Garis Regresi:

Yi  0  1 X1i   i dalam populasi.

yi  yˆi  ei  b0  b1 X1i  ei dalam sample.

yˆ i  b0  b1 X 1i persamaan yang diduga.

ei  yi  yˆ ei adl error atau residual

b1 disebut ‘slope’, koefisien regresi dari X, koefisien kemiringan.

b0 disebut intercept, titik potong terhadap sumbu Y, dugaan Y bila X=0.

Metode Kuadrat terkecil biasa (Ordinary least squares, OLS) digunakan

untuk menduga ‘slope’ (b1) dan ‘intercept’ (b0).

 (Y  ˆ
Y ) 2
diminimalkan. Yi  0  1 X1i   2 X 2i   i
 Regresi Berganda (Multiple Regression)
• Independent variable yang dianalisis lebih dari dua.
• Kegunaan:
 Untuk melihat ‘pengaruh’ lebih dari satu variabel bebas thd variable
terikat sekaligus dlm satu metode analisis.
 Untuk melihat variabel bebas yang lebih berpengaruh thd variabel
terikat .
 Memprediksi nilai ‘variabel terikat’ bila diketahui nilai-nilai ‘variabel
bebas’.
• Asumsi antara lain:
 Y (variabel terikat) atau e (residuals) mengikuti sebaran normal.
 Nilai antar variabel terikat saling tidak berkorelasi (tidak terjadi ‘auto
correlation’).
 Keragaman (variation) nilai residual haruslah sama untuk semua nilai Y
(homoscedasticity variance).
 antar variabel bebas tidak berkorelasi (tidak terjadi multi-collinearity).
 Regression Modeling Steps
• Hypothesize deterministic component
• Estimate unknown model parameters
• Hitung koefisien keterandalan
• Evaluate model and Use model for prediction
and estimation
Langkah 1 Uji Regresi
• Terdiri dari 2 macam hipotesis
Uji model keseluruhan (uji F)
• Menguji apakah model sudah baik
Model Baik
Model Baik

• Uji vaiabel bebas (Uji T)

• Menguji variabel bebas mana yang berpengaruh

• Demikian selanjutnya untuk semua variabel

 Langkah 2, menghitung persamaan regresi

• Rumus untuk menduga persamaan regresi

b1 
   X  Y 
n  X iY i  i i

n X    X 
2 2
i i

b0  Y  b1 X
Langkah 3, Hitung koefisien determinasi
• Koefisien determinasi merupakan ukuran berapa besar variasi variabel
terikat dipengaruhi variabel bebas
• Dihitung dari nilai korelasi yang dikuadratkan
 Kasus: Income Sales Person
• Y adalah income sales person (dalam dolar).
• X1 adalah usia.
• X2 adalah pengalaman kerja.
• X3 adalah jenis kelamin

• Ingin diketahui:
 ‘Pengaruh’ X1, X2 dan X3 thd Y.
 Ingin diketahui antara X1, X2 dg X2 mana yang lebih dominan
‘berpengaruh’ thd Y.
 Ingin diduga income sales person (Y) jika diketahui usia (X1),
pengalaman kerja (X2) dan jenis kelamin (X3).
 Multiple Regression
Perintah dalam SPSS
• Buka file multiple_reg
• Pada kotak Dependent isikan variabel Income
• Pada kotak Independent isikan variabel Usia, Pengalaman Kerja dan Jenis
Kelamin
• Pada kotak Method, pilih Enter
• Abaikan yang lain dan tekan OK
 Kasus: Multiple Regression, Metode Enter
Konteks penelitian: 11 sales person dipilih secara acak (random), n = 11.
Y = Income sales person (dalam dolar).
X1 = Usia.
R2 adjusted berguna untuk
X2 = Pengalaman kerja. membandingkan dua
persamaan regresi yg
X3 = Jenis kelamin
berbeda banyaknya
Model Summary independent variable.
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .979a .959 .941 2758.308
a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia

Multiple Correlation: R2 = 0.959 atau R2 = 95.9%, X1, X2 dan X3

mampu menjelaskan keragaman Y sebanyak
Korelasi X1, X2 dan X3 (bersama-sama)
95.9%.
dengan Y sebesar 0.979.
 Lanjutan Kasus: Multiple Regression, Metode Enter
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 8.770E8 2 4.385E8 64.105 .000a
Residual 5.472E7 8 6840078.364
Total 9.317E8 10
a. Predictors: (Constant), X2 Pengalaman Kerja, X1 Usia
b. Dependent Variable: Y Income

Pengaruh model (seluruh independent variables bersama-sama) thd

dependent variable:
Hipotesis:
H0. Dalam populasi tidak ada pengaruh seluruh variabel bebas thd
variabel terikat.
H1. Dalam populasi minimal ada satu variabel bebas berpengaruh thd
variabel terikat.
Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H1.
Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H1.

Karena Sig < taraf nyata maka terima H1. Minimal satu variabel bebas
‘berpengaruh’ thd variabel terikat. YANG MANA?
 Lanjutan Kasus: Multiple Regression, Metode Enter
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.242E9 3 4.139E8 54.402 .000a
Residual 5.326E7 7 7608262.177
Total 1.295E9 10
a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia
b. Dependent Variable: Income

Pengaruh model (seluruh independent variables bersama-sama) thd

dependent variable:
Hipotesis:
H0. Dalam populasi tidak ada pengaruh seluruh independent variables thd
dependent variable.
H1. Dalam populasi minimal ada satu independent variable berpengaruh thd
dependent variable.
Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H1.
Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H1.

Karena Sig < taraf nyata maka terima H1. Minimal satu independent variable
‘berpengaruh’ thd dependent variable. YANG MANA?
Lanjutan Kasus: Multiple Regression, Metode Enter
Coefficientsa
Standardize
Unstandardized d
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -9071.764 5331.943 -1.701 .133
Usia 1148.913 204.717 .620 5.612 .001
Pengalaman Kerja 1513.691 650.596 .246 2.327 .053
Jenis Kelamin 5239.227 2826.196 .240 1.854 .106
a. Dependent Variable: Income

Dugaan Persamaan Regresi:

Bandingkan thitung dg
yˆi  -9071.764  1148.913X1i  1513.691X 2i  5239.227 X 3i ttabel, v = n-2-1.
Kalau thitung > ttabel
“Usia” lebih terima H1. Dalam
Jadi dalam populasi: ada populasi ada
dominan
‘pengaruh’ Usia dan Jenis ‘pengaruh’ X thd Y
dibanding
Kelamin thd income.
“Pengalaman
Tidak ada ‘pengaruh’ Kerja” dan
Pengalaman Kerja thd “Jenis Kelamin” Jika Sig < taraf nyata
income. thd income maka terima H1. Dalam
populasi ada ‘pengaruh’
X thd Y
 ANALISA JALUR
(PATH ANALYSIS)

MAGISTER
 Sejarah
• Diperkenalkan oleh Sewall Wright
(1921) - ahli genetika

• Dipopulerkan oleh Otis Dudley

Duncan (1966) - ahli sosiologi

• Land (1968) membahas secara

teoritis dan prosedur analisis jalur
 Analisis Jalur
• Berkaitan dengan Korelasi dan Regresi
Korelasi :
– kuat hubungan antar variabel
– secara tidak langsung : dapat meramalkan apa
yang akan terjadi pada satu variabel, jika
variabel yang lain mempunyai nilai tertentu

Regresi :dapat melakukan peramalan

terhadap variabel dependen jika variabel
independen dikendalikan
 Korelasi dan Regresi

• Tidak mempermasalahkan mengapa

(why) hubungan tersebut terjadi

• Tidak mempermasalahkan apakah

hubungan antar variabel disebabkan
oleh variabel itu sendiri atau mungkin
dipengaruhi oleh variabel lain
 Analisis Jalur
• Mempelajari apakah hubungan yang terjadi
disebabkan oleh pengaruh langsung dan
tidak langsung dari variabel independen
terhadap variabel dependen
• Mempelajari ketergantungan sejumlah
variabel dalam suatu model (model kausal)
• Menganalisis hubungan antar variabel dari
model kausal yang telah dirumuskan oleh
peneliti atas dasar pertimbangan teoritis
 Analisis Jalur
• Menguji seperangkat hipotesis kausal
dan menginterpretasikan hubungan
tersebut (langsung atau tidak langsung)

• Penting : Cara berpikir kausal !!!!

 HUBUNGAN-HUBUNGAN DALAM PENELITIAN

• Korelasi dan Kausalitas

X Y X Y

X X

Y Y

37
 ANALISIS JALUR
ANALISIS REGRESI

ANALISIS PATH
 HUBUNGAN-HUBUNGAN DALAM PENELITIAN

• Hubungan langsung dan tidak langsung

Contoh hubungan Z ke Y

Hubungan langsung Z ke Y
Z Y
Hubungan tidak Hubungan
langsung Z ke Y tidak langsung
melalui X Z ke Y melalui X
X V dan V

39
 Contoh Analisis Jalur

Pekerjaan
Pekerjaan Anak
Orang tua

Status
Sosial
Anak

Pendidikan
Orang tua Pendidikan
Anak
 Asumsi dalam Analisis Jalur
1. Hubungan antar variabel linier
2. Sifat aditif
3. Skala pengukuran minimal interval
4. Hubungan sebab akibat (landasan
teoritis)
5. Syarat lain ~ multiple regression
 Model Analisis Jalur
1

11 Y1
X1 31

31
21
21
Y3
12 32

32
3
X2
22 Y2
2
 Analisis Jalur sebagai alat
penguji model
• Analisis jalur dikembangkan sebagai metode untuk
mempelajari pengaruh (efek) secara langsung dan secara
tidak langsung dari variable bebas terhadap variable
terikat. Analisis ini merupakan salah satu pilihan dalam
rangka mempelajari ketergantungan sejumlah variable di
dalam model.
• Analisis jalur digunakan untuk menelaah hubungan
antara model kausal yang telah dirumuskan peneliti atas
dasar pertimbangan teoritis dan pengetahuan tertentu.
Hubungan kausal selain didasarkan pada data, juga
didasarkan pada pengetahuan, perumusan hipotesis dan
analisis logis, sehingga dapat dikatakan analisis jalur
dapat digunakan untuk menguji seperangkat hipotesis
kausal serta untuk menafsirkan hubungan
• Model kausal dibedakan antara variabel eksogenus dan
variabel endogenus. Variabel eksogenus atau variabel
bebas adalah variabel yang keragamannya tidak
dipengaruhi oleh penyebab di dalam sistim. Variabel
endogenus/ tidak bebas/dependent/antara adalah
variabel yang keragamannya terjelaskan oleh variabel
eksogenus dan variabel endogenus lainnya di dalam
model.

• Cara yang digunakan untuk menguji model adalah

menghitung semua koefisien jalur dalam model, kemudian
dilakukan penyaringan berdasar uji statistik dengan
menghitung koefisien arah β menggunakan regresi. Jika
bermakna maka koefisien jalur signifikan, jika tidak
bermakna maka koefisien tersebut dihilangkan.

•
Analisis regresi bermanfaat menggambarkan
hubungan sebab akibat antara variable sehingga
diperoleh model terbaik yang menggambarkan
hubungan antara kedua jenis variable tersebut.
Beberapa macam analisis regresi: regresi
linier, ordinal, logistik, pohon regresi dll. Analisis
regresi dan analisis jalur dapat dikerjakan dengan
menggunakan SPSS.
 PATH ANALYSIS
• Merupakan perluasan dr analisis regresi yg digunakan
untuk menerangkan akibat langsung dan tidak
langsung seperangkat variabel, sbg variabel penyebab
terhadap seperangkat variabel lain yg merupakan
variabel akibat.
• Bertujuan utk menguji apakah model yg diusulkan
didukung oleh data, dg cara membandingkan matriks
korelasi teoritis dan matriks korelasi empiris. Jika
kedua matriks relatif sama, maka model dikatakan
cocok.
• Pengujian dilakukan dg menggunakan koefisien
determinasi ganda (multiple determination) -
(Pedhazur, 1982).
 JENIS-JENIS MODEL STRUKTURAL

Path Analysis Models

V Z

Y • Hanya melibatkan variabel-variabel indikator tanpa

melibatkan analisis terhadap konstruk atau konsep
yang ingin diukur
• Ini berarti semua variabel yang dilihat adalah terukur
atau terobservasi 47
 JENIS-JENIS MODEL STRUKTURAL

Confirmatory factor analysis models

Z1
• Bertujuan untuk mengevaluasi
pola-pola hubungan antara
Z2 Y1
beberapa konstruk
Z3 • Dalam model tidak diasumsikan
adanya arah hubungan antara
konstruk, tetapi hanya ada
X1 hubungan korelatif

X2 • Variabel konstruk merupakan

Y2
variabel yang tidak terobservasi
X3 • Setiap konstruk dibangun oleh
beberapa indikator
48
 JENIS-JENIS MODEL STRUKTURAL

Structural Equation Modeling

• Menganalisis sekaligus variabel
indikator, variabel
laten/konstruk,dan kekeliruan
Z1 pengukuran
• Menganalisis hubungan antara
Z2 Y1 indikator dengan konstruk yang
dikenal dengan nama
measurement equation
Z3
• Menganalisis hubungan antara
Y3 variabel laten satu dengan
Z4 variabel laten yang lain yang
dikenal dengan nama structural
equation
X1
V1 V2
X2 Y2

X3
49
 KONSEP PENTING (1)
• Estimasi jalur dapat dilakukan dengan regresi OLS atau
MLE (antar software bisa berbeda metode estimasi)
• Model Jalur (Path Model), mpk diagram yg mengaitkan
variabel bebas, variabel antara, dan variabel terikat.
– Panah tunggal menunjukkan hubungan antara
variabel bebas (eksogen)/variabel antara dan
variabel endogen (terikat).
– Panah ganda menunjukkan hubungan sepasang
variabel eksogen.
– Terkadang panjang panah dalam model jalur
menunjukkan proporsi besarnya koefisien jalur.
 KONSEP PENTING (2)
• Causal Path, untuk suatu variabel meliputi (1) jalur
langsung yg mengarah ke variabel tsb, dan (2) korelasi
jalur (variabel endogen berkorelasi dg variabel lain yg
memiliki jalur (panah) menuju ke variabel tertentu.
• Contoh model jalur:
A B C
D E
– Model diatas memiliki variabel eksogen A, B, dan C yg
saling berkorelasi dan variabel endogen D dan E.
– Suku error tidak dimunculkan.
– Jalur yg menyatakan variabel yg mempengaruhi D
adalah A ke D, B ke D, dan jalur yg menyatakan
pengaruh tdk langsung thd D adalah dari B ke A ke D,
dari C ke A ke D, dan dari C ke B ke D.
 KONSEP PENTING (3)
• Variabel eksogen dan endogen.
– Variabel eksogen = variabel yg tdk dipengaruhi variabel lain (tdk
ada panah yg mengarah ke variabel tsb).
Jika 2 variabel eksogen saling berkorelasi, hal ini diindikasikan oleh
panah 2 arah yg menghubungkan variabel tsb.
– Variabel endogen = variabel yang dipengaruhi oleh variabel lain
(ada panah yg mengarah ke variabel tsb).
Variabel endogen terdiri atas variabel antara (intervening
variables) dan variabel terikat (dependent variables).
– Variabel antara memiliki panah yg mengarah dan yg
meninggalkan variabel tsb, sedangkan variabel terikat hanya
memiliki panah yg mengarah ke variabel tsb.
 KONSEP PENTING (4)
• Koefisien Jalur (path coefficient), mpk koefisien regresi
yg distandarisasi (beta) yg menunjukkan pengaruh
langsung dr suatu variabel bebas thd variabel terikat
pada suatu model jalur.
Misal pada model regresi dg satu variabel bebas,
koefisien beta (koefisien b untuk data yg dibakukan)
akan sama dg koefisien korelasi, shg pada kasus model
jalur dg satu variabel terikat dan satu variabel eksogen,
koefisien jalur dlm kasus tsb merupakan koefisien
korelasi ordo nol.
KONSEP PENTING (5)
• Misal model berikut (Bryman, A. and D. Cramer, 1990):

kepemimpinan Mutu pendidikan

Ikl Org

Kinerja
• Model tsb dpt dituliskan sbb:
1. Mutu Pendidikan = b11kepemimpinan +b12Ikl Org+b13kinerja+e1
2. Income = b21age+b22ikl org+e2
3. Ikl Org = b31Kepemimpinan+e3
• Koefisien jalur (b) dlm persamaan tsb mpk koef. regresi parsial yg
dibakukan. Koef. jalur disebut jg koefisien p atau pembobot beta
sederhana, yg didasarkan pd kegunaan dlm model regresi berganda.
KONSEP PENTING (6)
• Unsur gangguan (disturbance term). Suku sisaan/
kesalahan, disebut juga unsur gangguan,
merefleksikan keragaman yg tidak dapat dijelaskan
(pengaruh dari variabel yg tidak terukur) dan
kesalahan pengukuran.
• Besarnya pengaruh unsur gangguan untuk suatu
variabel endogen adalah (1 – R2).
• Besarnya nilai koefisien jalur adalah 1 R2
KONSEP PENTING (7)
• Signifikansi dan goodness of fit dalam model jalur.
– Untuk menguji koefisien jalur secara individual dpt
digunakan nilai uji t atau F dari output regresi.
– Untuk menguji model jalur digunakan uji goodness
of fit.
– Uji goodness of fit dpt dilakukan dg memasukkan
model beserta data yg digunakan ke dlm program
model persamaan struktural (structural equation
modeling) spt LISREL dan AMOS.
Asumsi-asumsi melandasi Analisis Path adalah :
a) Di dalam model analisis path hubungan antar variabel
adalah linier dan aditif,
b) Hanya model rekrusif dapat dipertimbangkan, yaitu
hanya sistem aliran kausal satu arah, sedangkan pada
model yang mengandung kausal resiprokal tidak dapat
dilakukan analisis path,
c) Variabel endongen minimal dalam skala ukuran interval,
d) Observe variabel diukur tanpa kesalahan (instrumen
pengukuran valid dan reliabel)
e) Model yang dianalisis dispesifikasikan (diindentifikasi)
dengan benar berdasarkan teori-teori dan konsep-
konsep yang relevan (Solimun, 2002).
illustrasi
 ILUSTRASI
• Suatu penelitian berbentuk survey (observasional)
bertujuan ingin menguji model pengaruh beberapa
variabel terhadap variabel kinerja karyawan (telah
dibahas pada analisis faktor)

• Sistem hubungan sbb:

Kepuasan
Motivasi Kinerja
Loyalitas

59
LANGKAH-LANGKAH ANALISIS PATH (1)
• PERTAMA (PERANCANGAN MODEL)
– Merancang model berdasarkan konsep dan teori.
Misal, secara teoritis :
• Variabel Motivasi berpengaruh terhadap Kepuasan
dan Loyalitas.
• Loyalitas dipengaruhi oleh Kepuasan.
• Variabel Kepuasan dan Loyalitas berpengaruh
terhadap Kinerja.
– Berdasarkan hubung-hubungan antar variabel
secara teoritis tersebut, dapat dibuat model
HIPOTETIK

60
LANGKAH-LANGKAH ANALISIS PATH (1)
KONSTRUKSI DIAGRAM JALUR

61
 LANGKAH-LANGKAH ANALISIS PATH (1)
KONVERSI DIAGRAM JALUR KE PERSAMAAN

• Model tersebut juga dapat dinyatakan dalam

bentuk persamaan, sehingga membentuk sistem
persamaan / sistem persamaan simultan / model
struktural.
(1) Kepuasan = 1 Motivasi + 1
(2) Loyalitas = 1 Motivasi + 2 Kepuasan + 2
(3) Kinerja = 1 Kepuasan + 2 Loyalitas + 3

62
 LANGKAH-LANGKAH ANALISIS PATH (1)

• Atau bilamana sudah dibakukan :

(1) ZKepuasan = 1 ZMotivasi + 1
(2) ZLoyalitas = 1 ZMotivasi + 2 ZKepuasan + 2
(3) ZKinerja = 1 ZKepuasan + 2 ZLoyalitas + 3

• Mengingat model tersebut dikembangkan untuk menjawab

permasalahan penelitian dan berbasis teori dan konsep,
maka dinamakan model hipotetik.

63
 Bagaimana menentukan koefisien
regresi di atas
• tidak sama dengan menentukan koefisien
regresi linear biasa

• Kalau mau manual lihat rumus berikut

 Graphical Decomposition of Effects

Decomposition of Effects

 
Yi ŷ  a  bx

yi  y
ˆ i  error
yi  y  Total Effect

Y
 ŷ  y  regression effect

X
X

65
 Decomposition of the sum of squares

Y  Y  Yˆ  Y  Yˆ  Y
total effect  error effects  regression (model ) effect
Yi  Y  Yˆi  Yi  Yˆi  Y per case i
(Y  Y ) 2  (Yˆ  Y ) 2  (Yˆ  Y ) 2 per case i
i i i i
n n n

 (Yi  Y ) 
i 1
2
 (Yˆi  Yi )
i 1
2
  i
(Yˆ
i 1
 Y ) 2
for data set

66
 Decomposition of the sum of squares
• Total SS = model SS + error SS
and if we divide by df
n n n

 (Y  Y )
i
2
 (Yi  Yi )
ˆ 2
 (Yi  Y )
ˆ 2

i 1
 i 1
 i 1

n1 nk 1 k

• This yields the Variance Decomposition: We have the total

variance= model variance + error variance

67
F test for significance and R2 for magnitude
of effect
• R2 = Model var/total var n

 (Yˆ i 1
i  Y )2

R2  k
n

 i
(Y
i 1
ˆ  Yi ) 2

nk 1

•F test for model significance = Model Var/Error Var

R2
F( k , n  k  1 )  k
1  R2
nk 1
68
 The Multiple Regression Equation
• We proceed to the derivation of its components:
– The intercept: a
– The regression parameters, b1 and b2

Yi  a  b1 x1  b2 x2  ei

69
 Derivation of the Intercept
y  a  bx  e
e  y  a  bx
n n n n

e
i 1
i  
i 1
yi   ai  b  xi
i 1 i 1
n
Because by definition  ei  0
i 1
n n n
0 
i 1
yi   ai  b  xi
i 1 i 1

n n n

 ai   yi  b  xi
i 1 i 1 i 1

n n
na   yi  b  xi
i 1 i 1

a  y  bx 70
 Derivation of the Regression Coefficient
Given : yi  a  b xi  ei
ei  yi  a  b xi
n n

e
i 1
i  (y
i 1
i  a  b xi )
n n

e
i 1
i
2
 (y
i 1
i  a  b xi ) 2
n
  ei 2
n n
i 1
 2 xi  ( yi )  2b  xi xi
b i 1 i 1
n n
0  2 xi  ( yi )  2 b  xi xi
i 1 i 1
n

x i yi
b  i 1
n


i 1
xi 2
71
 n

 xi yi
r  i 1

x   
n n
2
i yi 2
i 1 i 1

where
x  xi  x
y  yi  y

 xi yi
bj  i 1
n


i 1
x2
72
Kalau disederhanakan ya seperti ini

sd y
bj  r *
sd x
 Model Analisis Jalur
1
11 Y1
X1  31
21 31
21
Z
12 32
 32 3
X2
22 Y2
2
 Persamaan Struktural

Y1 = 11 X1 + 12 X2 +  1

Y2 = 21 X1 + 22 X2 +  2

Z = 31 X1 + 32 X2 + 31Y1 + 32Y2 +  3

 contoh real
Kontribusi Koordinasi dan Motivasi
kerja pegawai terhadap pelayanan
Resp X1 X2 Y
1 36 55 64
2 46 45 55
3 47 60 72
4 25 35 50
5 68 64 79
6 69 44 77
7 57 64 78
8 49 65 72
9 58 63 66
10 67 74 82
11 79 84 87
12 52 73 82
PERTAMA-TAMA RUMUSKAN HIPOTESIS

Hipotesis :
Kemampuan pegawai dalam berkoordinasi dan motivasi
kerja pegawai berkontribusi secara simultan dan
signifikan terhadap produktivitas kerja

Hitung koefisien regresi

Diagram jalurnya adalah

Diagram jalurnya adalah

y
X1 yx1
r12 Y

X2 yx2
r12 = 0.645
 =0.831

Bandingkan dengan F tabel, atau cukup lihat nilai sig

yx1= 0.510
yx2= 0.495

Nilai t hitung untuk individual ini dibandingkan

dengan nilai t tabel atau cukup lihat nilai signya
Hipotesa simultan
H0 : yx1 = yx2 0
Kemampuan pegawai dan motivasi kerja berkontribusi
secara simultan dan signifikan terhadap produktivitas
kerja

Lihat tabel anova, berarti hipotesa diterima

Hipotesa Individual
H0 = yx1 > 0
Kemampuan pegawai berkontribusi secara signifikan
terhadap Produktivitas kerja
Lihat tabel koefisien, sig < 0.05 maka hipotesa diterima

Hipotesa Individual
H0 = yx2 > 0
Motivasi kerja berkontribusi secara signifikan terhadap
Produktivitas kerja

Lihat tabel koefisien, sig < 0.05 maka hipotesa ditolak

 Rangkuman

Maka hubungan Kausal emperis antara X1 , X2 dan Y adalah

Yang diagram jalurnya adalah

 Diagram jalurnya adalah

y=0.169
X1 yx1=0.510
r12 =0.645 =0.831 Y

X2 yx2=0.495

Silakan diberi interpretasi/makna dari hasil yang dipreoleh