Hubungan Simetris
Hubungan Kausal
Hubungan Interaktif
Jenis-jenis Korelasi
r = ( -1 ≤ 0 ≤ 1)
Rumus Koefisien Determinasi
Uji Korelasi pada Statistik Parametrik dan Non Parametrik
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
Interpretasi :
Sig (2 tailed)
hubungan : 0.00
kuat dan
positif
Berarti nilai sign <
0.05
Interpretasi : Ho
ditolak, Ha diterima
Uji Korelasi Berganda
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
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
(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
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
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
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
MAGISTER
Sejarah
• Diperkenalkan oleh Sewall Wright
(1921) - ahli genetika
X Y X Y
X X
Y Y
37
ANALISIS JALUR
ANALISIS REGRESI
ANALISIS PATH
HUBUNGAN-HUBUNGAN DALAM PENELITIAN
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.
•
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
V Z
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
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):
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)
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
62
LANGKAH-LANGKAH ANALISIS PATH (1)
63
Bagaimana menentukan koefisien
regresi di atas
• tidak sama dengan menentukan koefisien
regresi linear biasa
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
n1 nk 1 k
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
nk 1
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
Hipotesis :
Kemampuan pegawai dalam berkoordinasi dan motivasi
kerja pegawai berkontribusi secara simultan dan
signifikan terhadap produktivitas kerja
y
X1 yx1
r12 Y
X2 yx2
r12 = 0.645
=0.831
Hipotesa Individual
H0 = yx2 > 0
Motivasi kerja berkontribusi secara signifikan terhadap
Produktivitas kerja
y=0.169
X1 yx1=0.510
r12 =0.645 =0.831 Y
X2 yx2=0.495