49
penjelasan dalam bilangan yang terbatas pada sekumpulan data) akan
dilanjutkan dengan statistik inferensial (yang meramalkan sesuatu kesimpulan
untuk suatu populasi yang lebih besar dari sekumpulan data yang diselidiki).
Metode statistik inferensial membutuhkan cara pemikiran yang yang lebih
kompleks jika dibandingkan dengan statistik deskriptif.
50
berpenghasilan Rp 15,- dan seorang lagi berpenghasilan Rp 20,- Hal ini dapat
dicari dengan tabel 6.1 sebagai berikut ini.
∑ fX 75
M = = = 12,50
N 6
Berikut ini disajikan contoh menghitung mean untuk distribusi
bergolong.
51
Nilai X di sini tidak lagi mewakili nilai variabel individual, melainkan
mewakili titik tengah interval kelas. Dengan memasukkan data-data pada tabel
6.2 di atas, maka akan diperoleh harga Mean, yakni:
∑ fX 18559
M = = = 111,13
N 167
Median adalah suatu nilai yang membatasi 50 persen frekuensi
distribusi bagian bawah dengan 50 persen frekuensi distribusi bagian atas.
Perlu ditegaskan bahwa seperti mean, juga median mungkin sekali tidak
menjadi milik dari salah satu individu dalam distribusi. Hal ini akan menjadi
jelas, setelah kita bicarakan lebih lanjut.
Sebagai contoh misalnya distribusi penghasilan 7 orang seperti
disajikan pada tabel 6.3 berikut ini.
Tabel 6.3. Tabel Distribusi Penghasilan Fiktif untuk Contoh Mencari Median
Individu Penghasilan
1 Rp.10
2 12
3 13
4 14
5 16
6 16
7 20
52
dengan frekuensi genap? Hal ini dijawab sebagai berikut. Bila suatu distribusi
frekuensi genap, maka median ditentukan secara kompromi, yaitu dengan
membagi dua nilai-nilai variabel yang ada di tengah-tengah distribusi.
Misalkan ada 4 orang yang masing-masing mempunyai tinggi badan: 162,
162, 164, dan 166 cm, maka median tinggi badan 4 orang tersebut adalah 163
cm (diperoleh dari 162 cm ditambah 164 cm, kemudian dibagi dua).
Pemecahan semacam ini sama sekali tidak bertentangan dengan definisi
median, sebab angka 163 cm itu sebagai batas antara tinggi 162 cm dan 164
cm, membatasi 50 persen frekuensi variabel di bagian bawah distribusi, yaitu
dua orang, dan 50 persen frekuensi variabel di bagian atas distribusi, yaitu dua
orang.
Selanjutnya, untuk mencari median dari distribusi bergolong dengan
rumus sebagai berikut:
½N− cfb
Median = Bb + { }i
fd
Keterangan:
Bb = batas bawah (nyata) dari interval yang mengandung median
cfb = frekuensi kumulatif di bawah interval yang mengandung median
fd = frekuensi dalam interval yang mengandung median
i = lebar interval
N = jumlah frekuensi dalam distribusi
53
Tabel 6.4. Tabel untuk Contoh Menghitung Median dari Distribusi Bergolong
Interval Nilai Frekuensi (f) cf
100 – 104 1 55
95 – 99 3 54
90 – 94 5 51
85 – 89 9 fd 46
80 – 84 (13) 37
75 – 79 Bb 10 (24)
70 – 74 6 cfb 14
65 – 69 4 8
60 – 64 3 4
55 – 59 1 1
- N = ∑ f = 55
54
2. Ukuran Kedudukan Relatif
Kadang-kadang perlu kita jelaskan sifat penyebaran tanpa ukuran
tendensi sentral. Misalnya saja, kita ingin mengetahui satu titik nilai dimana
terdapat sebanyak 30 persen nilai di bawah titik itu. Untuk itu dipakai ukuran
yang sanggup menjelaskan keadaan penyebaran pada hampir setiap titik
dalam jarak penyebaran nilai. Ukuran itulah yang disebut ukuran kedudukan
relatif. Bentuk-bentuk ukuran yang lazim untuk keperluan ini adalah kuartil,
desil, dan persentil.
1). Kuartil
Ada tiga macam kuartil, yaitu:
a. Kuartil pertama (K1) adalah suatu nilai dalam distribusi yang membatasi
25 persen frekuensi di bagian bawah distribusi dan 75 persen di bagian
atas distribusi.
b. Kuartil kedua (K2) adalah suatu nilai dalam distribusi yang membatasi
50 persen frekuensi di bagian bawah distribusi dan 50 persen di bagian
atas distribusi.
c. Kuartil ketiga (K3) adalah suatu nilai dalam distribusi yang membatasi
75 persen frekuensi di bagian bawah distribusi dan 25 persen di bagian
atas distribusi.
Cara untuk menghitung kuartil pada prinsipnya sama saja dengan cara
menghitung median. Letak perbedaannya hanya pada komponen N-nya. Jadi
untuk K1 digunakan ¼ N, untuk K2 digunakan ½ N, dan untuk K3 digunakan
¾ N.
2). Desil
Pengertian-pengertian yang telah kita miliki tentang median dan kuartil
dapat dijadikan dasar untuk memahami desil. Kita mempunyai 9 desil dalam
tiap-tiap distribusi, yaitu: Desil pertama (D1) sampai k desil kesembilan (D9).
Sama halnya seperti kuartil, maka untuk D1 digunakan 1⁄10 N, dan untuk D9
digunakan 9⁄10 N.
55
3). Persentil
Persentil pertama adalah satu titik dalam distribusi yang menjadi batas
satu persen dari frekuensi yang terbawah. Persentil kedua adalah satu titik
dalam distribusi yang membatasi dua persen frekuensi yang terbawah,
demikian seterusnya. Dalam satu distribusi memiliki 99 persentil, yang
disingkat dengan P1, P2, . . . , P98, dan P99. Sedangkan rumus dasarnya sama
halnya dengan prinsip-prinsip kuartil dan desil, yakni:
n
100
N− cfb
Pn = Bb + { }i
fd
Akhirnya, perlu dicatat bahwa kuartil, desil, dan persentil adalah titik-
titik, adalah nilai-nilai, bukan jarak (range). Sebab itu tidak tepat jika
dinyatakan misalnya: “Angka ini terletak dalam K1, D4, P56, dan sejenisnya”,
karena kuartil, desil, dan persentil masing-masing adalah suatu titik, suatu nilai
tertentu, maka tidak akan ada kemungkinan nilai-nilai lain yang berada di
dalamnya. Jadi lebih tepat jika dinyatakan misalnya: “Angka ini terletak antara
K1 dan K2, dan antara D7 dan D8.
3. Ukuran Variabilitas
Dengan ukuran-ukuran terdahulu, masih ada hal-hal yang belum
segera dapat diketahui tentang penyebaran. Yang dimaksud adalah besarnya
variabilitas penyebaran. Cara yang tepat untuk memperoleh bayangan tentang
variabilitas ialah dengan meneliti selisih penyebaran, yakni selisih antara nilai
tertinggi dan nilai terendah. Selisih ini menunjukkan satu deviasi antara dua
golongan skor itu. Dengan kata lain, variabilitas adalah derajat penyebaran
nilai-nilai variabel dari sesuatu tendensi sentral dalam suatu distribusi.
Ada beberapa cara untuk mencari variabilitas. Di sini yang akan
dibicarakan hanyalah yang penting-penting saja, yaitu range, mean deviasi,
dan standar deviasi.
56
1). Range
57
Adapun rumus mean deviasi adalah:
∑ !x!
MD = dimana: MD = Mean Deviasi
N
∑ !x! = jumlah deviasi dalam harga
mutlak
N = jumlah individu
Rumus lainnya adalah:
∑ f !x!
MD =
N
Contoh:
Tabel 6. 5. Tabel Contoh untuk Mencari Mean Deviasi
X f fX !x! f !x!
80
Mean = = 11,43
7
∑ f !x! 6,87
Mean Deviasi = =
= 0,94
N 7
Keunggulan mean deviasi terhadap range adalah mulai dipenuhinya
definisi tentang variabilitas oleh mean deviasi itu, yaitu penyebaran nilai-nilai
yang ditinjau dari tendensi sentral. Mean deviasi tidak membuang data
sedikitpun, nilai-nilai yang ekstrim tetap dipakai. Akan tetapi mean deviasi
mempunyai satu kelemahan pokok, karena cara perhitungannya
mengabaikan tanda-tanda plus dan minus, sehingga mean deviasi tidak dapat
dikenai perhitungan-perhitungan matematik yang tetap mempertahankan nilai-
nilai plus dan minus. Untuk mengatasi kelemahan itu maka timbullah cara
pengukuran variabilitas lain yang dinamakan Standar Deviasi.
58
3). Standar Deviasi
Secara matematik, standar deviasi (lazim juga disebut simpangan
baku) dibatasi sebagai: “Akar dari jumlah deviasi kuadrat dibagi banyaknya
individu.” Untuk memudahkan pengertiannya, perhatikanlah contoh berikut ini.
∑ X = 154 - ∑ x2 = 110
ΣX 154
Pertama, hitunglah mean, yaitu: M = = = 14.
N 11
Kedua, dengan mengetahui mean ini, maka selanjutnya dapat mengisi kolom
kedua dan kolom ketiga.
Ketiga, setelah kolom kedua dan ketiga diisi, maka Standar Deviasi dihitung
dengan rumus:
∑x2 110
SD = √ = √ = 3,162
N 11
59
∑x2
Varians V = SD2 =
N
Rumus menghitung Standar Deviasi seperti yang telah diuraikan di
atas, adalah rumus yang paling sederhana. Dalam banyak hal, banyak
dijumpai data yang tidak sesederhana seperti pada contoh di atas. Frekuensi
tiap-tiap nilai tidaklah satu, melainkan berbeda-beda, bergerak dari bilangan 0
ke bilangan yang tidak terhingga. Sehingga rumus Standar Deviasi untuk hal
seperti ini adalah:
∑fx2
SD = √ (Rumus ini juga disebut rumus deviasi).
N
Rumus Standar Deviasi di atas disebut rumus deviasi, karena rumus ini
menggunakan deviasi dari mean sebagai salah satu komponennya. Berikut ini
adalah contoh penggunaan rumus di atas.
Tabel 6.7. Tabel untuk Menghitung SD dengan Rumus Deviasi
X f fX x x2 f x2
10 3 30 + 3,60 12,96 38,88
9 9 81 + 2,60 6,76 60,84
8 13 104 + 1,60 2,56 33,28
7 23 161 + 0,60 0,36 8,28
6 24 144 - 0,40 0, 16 3,84
5 13 65 - 1,40 1,96 25,48
4 10 40 - 2,40 5,76 57,60
3 5 15 - 3,40 11,56 57,80
- N = 100 ∑ fX = 640 - - ∑fx2 = 286,00
60
Pada prinsipnya mencari Standar Deviasi data yang berdistribusi bergolong
tidak ada bedanya dengan data yang berdistribusi tunggal. Rumus untuk data
yang berdistribusi tunggal berlaku sepenuhnya untuk mencari Standar Deviasi
data yang berdistribusi bergolong. Hanya saja nilai X disini bukan lagi mewakili
nilai variabel individual, melainkan mewakili titik tengah dari tiap-tiap interval
kelas. Berikut ini adalah contoh mencari Standar Deviasi untuk data yang
berdistribusi bergolong dengan rumus Standar Deviasi angka kasar !
2 2
SD = √∑fX − (∑fX)
N N
2
SD = √914020 − (9530)
100 100
SD = 7,62299
61
pengukuran yang digunakan dalam distribusi. Apa yang disebut nilai standar
mempunyai satu keistimewaan, yaitu bahwa nilai standar tidak lagi tergantung
kepada satuan pengukuran seperti cm, kg, rupiah, dan sebagainya itu.
Nilai standar yang paling asli adalah nilai standar yang dalam literatur
statistik biasa disebut z-score. Menurut definisinya, z-score adalah suatu
bilangan yang menunjukkan seberapa jauh suatu nilai (angka kasar)
menyimpang dari mean dalam satuan SD, atau secara singkat, nilai standar
adalah indeks deviasi sesuatu nilai.
Rumusnya adalah sebagai berikut:
X−M
z = dimana: z = nilai standar
SD
X = sesuatu angka kasar
M = mean distribusi
SD = standar deviasi
Karena X – M = x maka rumus di atas dapat juga ditulis sebagai berikut:
x
z =
SD
Dilihat dari definisi dan rumusnya, z-score dapat dipandang sebagai
indeks pengukuran jarak semacam range atau SD, bedanya dengan range
dan SD adalah bahwa z-score tidak lagi menggunakan angka kasar dan
satuan pengukuran, melainkan suatu jarak dalam satuan SD. Konsep di atas
dapat diterangkan dengan contoh berikut.
Misalnya, seorang siswa A mendapat nilai 70 dalam pelajaran PKn. Mean dari
distribusi nilai PKn dalam kelas siswa A adalah 50, sedangkan SD-nya adalah
10. Berapa z-score siswa tersebut?
X−M 70−50
z = = = +2
SD 10
Jadi z-score siswa A dalam pelajaran PKn adalah + 2, artinya bahwa
nilai siswa A dalam pelajaran PKn adalah 2 SD di atas mean, karena bertanda
+ menunjukkan bahwa nilai siswa A berada di atas mean. Jelaslah, bahwa 70
menyimpang 20 dari M yang besarnya 50. Karena SD = 10 maka
penyimpangan 20 itu dalam satuan SD sama dengan 2 SD. Dengan z-score
akan dimungkinkan untuk membandingkan kecakapan seorang siswa dalam
62
bermacam-macam pelajaran. Kalau misalnya seorang siswa P mendapat nilai
80 dalam pelajaran Matematika dan nilai 50 dalam pelajaran IPS, biasanya
segera kita menyimpulkan bahwa kecakapan siswa P dalam pelajaran
Matematika lebih baik dari pada kecakapannnya dalam IPS, namun benarkah
demikian?
Jawabannya adalah benar jika kita menganggap misalnya nilai 60
sebagai indeks rata-rata kecakapan para siswa untuk semua mata pelajaran.
Tetapi suatu pertanyaan segera muncul, benarkah anggapan bahwa indeks
rata-rata kecakapan siswa adalah 60? Untuk menjawab ini, harus dilihat
kedudukan siswa tersebut dalam kelompok distribusinya sebagai landasan.
Seandainya nilai rata-rata dalam pelajaran Matematika 90 dan SD-nya adalah
10, maka kedudukan nilai 80 dari siswa P dalam Matematika 1 SD di bawah
mean atau – 1 SD. Dan seandainya nilai rata-rata dalam pelajaran IPS 40 dan
SD-nya adalah 5, maka kedudukan nilai 50 dari siswa P dalam IPS adalah 2
SD di atas mean atau + 2 SD. Berdasarkan uraian di atas, jelaslah bahwa
kecakapan siswa P dalam pelajaran IPS lebih baik dari pada kecakapannya
dalam Matematika.
63
Tabel 6.9. Data untuk Contoh Penentuan Distribusi Frekuensi
No X f No X f No X f
1 53 2 14 92 2 27 107 9
2 59 2 15 93 7 28 108 1
3 60 4 16 94 3 29 109 1
4 70 2 17 95 7 30 110 1
5 75 3 18 96 2 31 111 1
6 78 2 19 97 4 32 112 3
7 79 2 20 98 3 33 114 1
8 82 2 21 99 4 34 117 1
9 84 3 22 101 4 35 118 4
10 87 3 23 102 2 36 120 2
11 88 1 24 103 4 37 121 1
12 89 4 25 104 2 38 122 3
13 91 3 26 105 2 39 126 3
Jumlah N = 110
64
Jika misalnya skor tertinggi ideal = 140 dan skor terendah ideal = 28, maka
rerata ideal (Mi) dan simpangan baku ideal (SDi) dihitung dengan rumus:
40-
36
30-
24
20-
16
12
10- 9
8
3
2
0- //
52,5 62,5 72,5 82,5 92,5 102,5 112,5 122,5 132,5
Gambar Histogram Skor X
65
Dengan mempedomani kriteria penentuan tingkat kecenderungan pada
tabel 6.10 di atas, maka hasilnya seperti pada tabel berikut.
4. Ukuran Perbedaan
Berikut ini akan dibahas rumus-rumus statistik yang ringkas dan praktis
saja, serta yang paling sering dipakai.
1). Uji-t
Untuk menguji perbedaan dua mean dapat diketahui dengan:
66
M1 − M2
(1). z =
SD2 2
1 + SD2
√
N1 N2
M1 − M2
(2). Uji-t =
∑ x2 2
1 + ∑ x2 )( 1 + 1 )
√(
N1 + N2 − 2 N1 N 2
z = 2,21
67
Adapun hipotesis nihil (Ho) adalah M1 = M2 dan hipotesis alternatif
(Ha) adalah M1 ≠ M2 pada taraf signifikansi 5 % dengan ketentuan:
(1) Menolak hipotesis nihil (Ho) dan menerima hipotesis alternatif (Ha)
bilamana ternyata z ≤ - 1,96 atau z ≥ + 1,96.
(2) Menerima hipotesis nihil (Ho) dan menolak hipotesis alternatif (Ha)
bilamana ternyata z terletak di antara - 1,96 dan + 1,96 ataupun -
1,96 ˂ z ˂ + 1,96
Hasil perhitungan di atas menunjukkan bahwa z = 2,21 berada di atas
+ 1,96 sehingga dikenakan ketentuan pertama: menolak hipotesis nihil (Ho)
dan menerima hipotesis alternatif (Ha), dengan demikian dapat disimpulkan
bahwa dalam mengajarkan mata pelajaran tersebut maka metode Contextual
Teaching and Learning (CTL) lebih baik dari metode konvensional.
7−6
t =
28+ 20 1 1
√( )( + )
15+15− 2 15 15
1
t =
48 2
√( )( )
28 15
1
t = = 2,0916
0,47809
68
Tabel 6.13. Tabel Contoh Perhitungan Uji-t
Metode Pembelajaran
x y x2 y2
CTL (X) Konvens.(Y)
9 8 +2 +2 4 4
8 7 +1 +1 1 1
6 5 -1 -1 1 1
8 7 +1 +1 1 1
9 6 +2 0 4 0
6 5 -1 -1 1 1
6 4 -1 -2 1 4
9 7 +2 +1 4 1
7 6 0 0 0 0
6 5 -1 -1 1 1
8 6 +1 0 1 0
5 5 - 2 -1 4 1
7 8 0 +2 0 4
6 5 -1 -1 1 1
5 6 -2 0 4 0
∑ X = 105 ∑ Y = 90 - - ∑ x2 = 28 ∑ y2 = 20
69
yang berbentuk frekuensi, proporsi ataupun probabilitas. Adapun rumusnya
adalah sebagai berikut:
(fo − fh )2
𝓍2 = ∑
fh
fo = frekuensi obserbasi
70
Tabel 6.14. Pendapat 100 Orang Dosen Suatu Perguruan Tinggi tentang
Penerapan Sistem Baru
Jumlah N = 100
71
Tabel 6.16. Tabel Perhitungan Kai Kwadrat (𝔁𝟐 )
(fo − fh )2
Pernyataan fo fh (fo − fh )2
fh
1 49 25 576 23,04
2 21 25 16 0,64
3 19 25 36 1,44
4 11 25 196 7,84
(fo −fh )2
𝓍2 = ∑ = 32,96
fh
72
Tabel 6.17. Data Skor Hasil Belajar Statistik
69 9 621 42849
71 6 426 30246
72 4 288 20736
73 1 73 5329
74 3 222 16428
75 5 375 28125
76 1 76 5776
77 4 308 23716
78 4 312 24336
79 1 79 6241
83 2 166 13778
- N = 40 ∑ fX = 2946 ∑ fX2 = 217560
Langkah pertama, menghitung mean skor hasil belajar untuk data di atas
ΣfX 2946
maka: Mean = M = = = 73,65
N 40
Langkah kedua, menghitung Standar Deviasi skor hasil belajar untuk data di
atas, maka:
2 2
SD = √∑fX − (∑fX)
N N
2
SD = √217560 − (2946)
40 40
SD = 3,83
73
I II III IV V VI
-3 -2 -1 M +1 +2 +3
62,16 65,99 69,82 73,65 77,48 81,31 85,14
Tabel 6.18. Frekuensi Observasi (fo) dan Frekuensi yang Diharapkan (fh)
(fo − fh )2
Kelas fo fh (fo − fh )2
fh
I 0 0,91 0,828 0,910
II 9 5,44 12,674 2,329
III 11 13,65 7,023 0,514
IV 13 13,65 0,423 0,031
V 5 5,44 0,194 0,036
VI 2 0,91 1,188 1,306
2
(fo −fh )
- 40 40,00 - ∑ = 5,126
fh
Ho : Distribusi skor Hasil Belajar Statistik tidak berbeda dengan distribusi kurva
normal.
Ha : Distribusi skor Hasil Belajar Statistik berbeda dengan distribusi kurva
normal.
74
Ketentuan: Terima Ho atau tolak Ha jika 𝓍 2 hitung ≤ 𝓍 2 tabel atau sebaliknya,
75
(b).Jika harga Lo > harga Ltabel, maka skor galat taksiran Y atas X tidak
berdistribusi normal
76
38 163 153 146.387 -6.613 -8.527 -0.81 0.209 0.204 0.005
39 164 148 146.765 -1.235 -8.259 -0.79 0.2148 0.210 0.0048
40 164 160 146.765 -13.235 -8.053 -0.77 0.2206 0.215 0.0056
41 165 153 147.143 -5.857 -7.699 -0.73 0.2327 0.220 0.0127
42 165 145 147.143 2.143 -7.077 -0.67 0.2514 0.226 0.0254
43 165 147 147.143 0.143 -6.723 -0.64 0.2611 0.231 0.0301
44 166 147 147.521 0.521 -6.613 -0.63 0.2643 0.236 0.0283
45 166 149 147.521 -1.479 -6.345 -0.60 0.2743 0.241 0.0333
46 166 148 147.521 -0.479 -6.307 -0.60 0.2743 0.247 0.0273
47 166 149 147.521 -1.479 -5.857 -0.56 0.2877 0.253 0.0347
48 167 138 147.899 9.899 -5.675 -0.54 0.2946 0.258 0.0366
49 167 150 147.899 -2.101 -5.455 -0.52 0.3015 0.263 0.0385
50 167 150 147.899 -2.101 -5.321 -0.51 0.305 0.269 0.0360
51 167 138 147.899 9.899 -4.943 -0.47 0.3192 0.274 0.0452
52 168 137 148.277 11.277 -4.943 -0.47 0.3192 0.28 0.0392
53 168 116 148.277 32.277 -4.723 -0.45 0.3264 0.285 0.0414
54 168 155 148.277 -6.723 -4.455 -0.42 0.3372 0.29 0.0472
55 168 139 148.277 9.277 -4.187 -0.40 0.3446 0.296 0.0486
56 168 153 148.277 -4.723 -4.163 -0.40 0.3446 0.301 0.0436
57 168 139 148.277 9.277 -4.139 -0.39 0.3483 0.306 0.0423
58 169 145 148.655 3.655 -4.053 -0.39 0.3483 0.312 0.0363
59 169 155 148.655 -6.345 -3.675 -0.35 0.3632 0.318 0.0452
60 169 146 148.655 2.655 -3.661 -0.35 0.3632 0.322 0.0412
61 169 146 148.655 2.655 -3.651 -0.35 0.3632 0.327 0.0362
62 170 138 149.033 11.033 -3.431 -0.33 0.3707 0.333 0.0377
63 170 136 149.033 13.033 -3.053 -0.29 0.3859 0.338 0.0479
64 170 144 149.033 5.033 -2.809 -0.27 0.3936 0.344 0.0496
65 170 137 149.033 12.033 -2.699 -0.26 0.3974 0.349 0.0484
66 171 150 149.411 -0.589 -2.431 -0.23 0.409 0.354 0.055
67 171 141 149.411 8.411 -2.321 -0.22 0.4129 0.360 0.0529
68 172 170 149.789 -20.211 -2.101 -0.20 0.4207 0.366 0.0547
69 172 127 149.789 22.789 -2.101 -0.20 0.4207 0.370 0.0507
70 172 161 149.789 -11.211 -2.053 -0.20 0.4207 0.376 0.0447
71 172 161 149.789 -11.211 -2.053 -0.20 0.4207 0.381 0.0397
72 173 148 150.167 2.167 -1.929 -0.18 0.4286 0.387 0.0416
73 173 169 150.167 -18.833 -1.919 -0.18 0.4286 0.392 0.0366
74 173 145 150.167 5.167 -1.809 -0.17 0.4325 0.398 0.0345
75 173 177 150.167 -26.833 -1.785 -0.17 0.4325 0.403 0.0295
76 173 159 150.167 -8.833 -1.699 -0.16 0.4364 0.408 0.0284
77 174 138 150.545 12.545 -1.675 -0.16 0.4364 0.413 0.0234
78 174 156 150.545 -5.455 -1.479 -0.14 0.4443 0.419 0.0253
79 174 143 150.545 7.545 -1.479 -0.14 0.4443 0.425 0.0193
80 174 155 150.545 -4.455 -1.235 -0.12 0.4522 0.430 0.0222
81 174 161 150.545 -10.455 -1.187 -0.11 0.4562 0.435 0.0212
77
82 174 143 150.545 7.545 -1.149 -0.11 0.4562 0.440 0.0162
83 175 165 150.923 -14.077 -0.929 -0.09 0.4641 0.446 0.0181
84 175 158 150.923 -7.077 -0.919 -0.09 0.4641 0.450 0.0141
85 175 143 150.923 7.923 -0.895 -0.09 0.4641 0.456 0.0081
86 176 154 151.301 -2.699 -0.589 -0.06 0.4761 0.462 0.0141
87 176 129 151.301 22.301 -0.565 -0.05 0.4801 0.468 0.0121
88 176 159 151.301 -7.699 -0.479 -0.05 0.4801 0.472 0.0081
89 176 153 151.301 -1.699 -0.321 -0.03 0.488 0.478 0.0100
90 176 140 151.301 11.301 -0.053 -0.01 0.496 0.482 0.0140
91 177 162 151.679 -10.321 -0.053 -0.01 0.496 0.489 0.0070
92 177 143 151.679 8.679 0.119 0.011 0.504 0.494 0.0100
93 177 157 151.679 -5.321 0.143 0.014 0.5044 0.500 0.0044
94 177 148 151.679 3.679 0.215 0.02 0.508 0.505 0.0030
95 177 154 151.679 -2.321 0.435 0.041 0.516 0.511 0.0050
96 177 146 151.679 5.679 0.435 0.041 0.516 0.517 0.0010
97 177 152 151.679 -0.321 0.521 0.05 0.5199 0.522 0.0021
98 177 147 151.679 4.679 0.593 0.056 0.5202 0.527 0.0068
99 177 150 151.679 1.679 1.387 0.132 0.5517 0.532 0.0197
100 178 149 152.057 3.057 1.593 0.152 0.5596 0.538 0.0216
101 178 161 152.057 -8.943 1.631 0.155 0.5599 0.543 0.0169
102 178 157 152.057 -4.943 1.679 0.16 0.5636 0.548 0.0156
103 178 157 152.057 -4.943 1.813 0.173 0.5675 0.553 0.0145
104 178 184 152.057 -31.943 1.837 0.175 0.5678 0.559 0.0088
105 178 165 152.057 -12.943 1.861 0.177 0.5681 0.565 0.0031
106 178 146 152.057 6.057 2.081 0.198 0.5753 0.570 0.0053
107 179 143 152.435 9.435 2.143 0.204 0.5793 0.575 0.0043
108 179 152 152.435 0.435 2.167 0.206 0.5795 0.580 0.0005
109 179 152 152.435 0.435 2.239 0.213 0.5832 0.586 0.0028
110 179 153 152.435 -0.565 2.349 0.224 0.5871 0.590 0.0029
111 180 151 152.813 1.813 2.655 0.253 0.5987 0.596 0.0027
112 180 162 152.813 -9.187 2.655 0.253 0.5987 0.602 0.0033
113 180 154 152.813 -1.187 2.813 0.268 0.6026 0.608 0.0054
114 180 150 152.813 2.813 3.057 0.291 0.6141 0.613 0.0011
115 180 162 152.813 -9.187 3.081 0.293 0.6143 0.618 0.0037
116 180 157 152.813 -4.187 3.349 0.319 0.6217 0.623 0.0013
117 180 146 152.813 6.813 3.655 0.348 0.6331 0.629 0.0041
118 181 156 153.191 -2.809 3.679 0.35 0.6368 0.634 0.0028
119 181 155 153.191 -1.809 4.081 0.388 0.648 0.639 0.0090
120 181 149 153.191 4.191 4.191 0.399 0.6517 0.645 0.0067
121 182 149 153.569 4.569 4.569 0.435 0.6664 0.65 0.0164
122 182 157 153.569 -3.431 4.679 0.445 0.67 0.655 0.0150
123 182 156 153.569 -2.431 5.033 0.479 0.6808 0.661 0.0198
124 182 163 153.569 -9.431 5.167 0.492 0.6879 0.667 0.0209
125 183 154 153.947 -0.053 5.325 0.507 0.6915 0.672 0.0195
78
126 183 140 153.947 13.947 5.679 0.54 0.7054 0.677 0.0284
127 183 158 153.947 -4.053 5.727 0.545 0.7059 0.682 0.0239
128 183 156 153.947 -2.053 5.727 0.545 0.7059 0.688 0.0179
129 183 157 153.947 -3.053 6.057 0.576 0.7157 0.693 0.0227
130 183 154 153.947 -0.053 6.325 0.602 0.7257 0.698 0.0277
131 183 144 153.947 9.947 6.425 0.611 0.7291 0.703 0.0261
132 183 162 153.947 -8.053 6.459 0.615 0.7293 0.709 0.0203
133 183 145 153.947 8.947 6.497 0.618 0.7296 0.714 0.0156
134 183 156 153.947 -2.053 6.617 0.63 0.7357 0.72 0.0157
135 183 146 153.947 7.947 6.703 0.638 0.7361 0.726 0.0101
136 184 156 154.325 -1.675 6.741 0.641 0.7389 0.731 0.0079
137 184 148 154.325 6.325 6.813 0.648 0.7392 0.736 0.0032
138 184 145 154.325 9.325 6.971 0.663 0.7454 0.741 0.0044
139 184 149 154.325 5.325 7.009 0.667 0.7457 0.747 0.0013
140 184 160 154.325 -5.675 7.105 0.676 0.7486 0.752 0.0034
141 184 158 154.325 -3.675 7.119 0.677 0.7489 0.758 0.0091
142 184 146 154.325 8.325 7.325 0.697 0.7549 0.763 0.0081
143 184 147 154.325 7.325 7.545 0.718 0.7611 0.768 0.0069
144 185 148 154.703 6.703 7.545 0.718 0.7611 0.774 0.0129
145 185 164 154.703 -9.297 7.875 0.749 0.7703 0.78 0.0097
146 185 146 154.703 8.703 7.875 0.749 0.7703 0.785 0.0147
147 186 152 155.081 3.081 7.923 0.754 0.7734 0.790 0.0166
148 186 157 155.081 -1.919 7.947 0.756 0.7737 0.796 0.0223
149 186 168 155.081 -12.919 8.095 0.77 0.7794 0.801 0.0216
150 186 156 155.081 -0.919 8.325 0.792 0.7852 0.806 0.0208
151 186 151 155.081 4.081 8.401 0.799 0.7856 0.812 0.0264
152 186 153 155.081 2.081 8.411 0.800 0.7881 0.817 0.0289
153 187 149 155.459 6.459 8.483 0.807 0.7883 0.822 0.0337
154 187 125 155.459 30.459 8.679 0.826 0.7939 0.828 0.0341
155 187 184 155.459 -28.541 8.703 0.828 0.7943 0.833 0.0387
156 188 177 155.837 -21.163 8.947 0.851 0.8023 0.839 0.0367
157 188 154 155.837 1.837 9.095 0.865 0.8051 0.844 0.0389
158 188 160 155.837 -4.163 9.277 0.883 0.8106 0.849 0.0384
159 188 187 155.837 -31.163 9.277 0.883 0.811 0.855 0.0440
160 189 165 156.215 -8.785 9.325 0.887 0.8115 0.86 0.0485
161 189 156 156.215 0.215 9.435 0.898 0.8133 0.866 0.0527
162 189 158 156.215 -1.785 9.483 0.902 0.8186 0.871 0.0524
163 190 155 156.593 1.593 9.497 0.904 0.8238 0.876 0.0522
164 190 140 156.593 16.593 9.899 0.942 0.8264 0.881 0.0546
165 190 156 156.593 0.593 9.899 0.942 0.8355 0.887 0.0515
166 191 150 156.971 6.971 9.947 0.946 0.8412 0.892 0.0508
167 191 141 156.971 15.971 10.229 0.973 0.8461 0.898 0.0519
168 191 167 156.971 -10.029 11.033 1.05 0.8531 0.903 0.0499
169 192 161 157.349 -3.651 11.277 1.073 0.8577 0.908 0.0503
79
170 192 145 157.349 12.349 11.301 1.075 0.858 0.913 0.0550
171 192 154 157.349 3.349 12.033 1.145 0.8729 0.919 0.0461
172 192 184 157.349 -26.651 12.349 1.175 0.879 0.925 0.0460
173 192 155 157.349 2.349 12.545 1.194 0.883 0.930 0.0470
174 193 152 157.727 5.727 13.033 1.24 0.8925 0.936 0.0435
175 193 152 157.727 5.727 13.947 1.327 0.9066 0.941 0.0344
176 194 159 158.105 -0.895 14.473 1.377 0.9147 0.946 0.0313
177 194 151 158.105 7.105 14.861 1.414 0.9207 0.951 0.0303
178 195 185 158.483 -26.517 15.119 1.439 0.9236 0.956 0.0324
179 195 149 158.483 9.483 15.971 1.52 0.9357 0.962 0.0263
180 195 150 158.483 8.483 16.593 1.579 0.9419 0.968 0.0261
181 196 157 158.861 1.861 17.009 1.618 0.9463 0.973 0.0267
182 196 144 158.861 14.861 19.229 1.83 0.9664 0.978 0.0116
183 196 163 158.861 -4.139 22.301 2.122 0.983 0.984 0.0010
184 197 157 159.239 2.239 22.789 2.168 0.9846 0.989 0.0044
185 198 153 159.617 6.617 30.459 2.898 0.9981 0.994 0.0041
186 198 181 159.617 -21.383 32.277 3.071 0.999 1,000 0.0010
80
kita ingin membandingkan hasil belajar matematika siswa sekolah X
berdasarkan pekerjaan orang tuanya. Jika pekerjaan orang tua siswa
dikelompokkan atas tiga kelompok yaitu: PNS, petani, dan nelayan. Adapun
nilai-nilainya seperti dicantumkan pada tabel 6.19 berikut.
Tabel 6.19. Hasil belajar Matematika Siswa Sekolah X
6 6 6
6 6 6
7 6 6
7 6 7
7 7 7
7 7 7
8 7 7
8 7 8
9 8 8
9 9 9
Sumber
dk JK KR F0
Variasi
Antar (∑ X1 )
2
(∑ X2 )
2
(∑ Xt )
2 JK a
k-1 JK a = { + +⋯} − KR a =
Kelompok N1 N2 Nt dk a KR a
F0 =
Dalam JK d KR d
Nt-k JK d = JK t − JK a KR d =
Kelompok dk d
2
(∑ Xt )
Total (t) Nt-1 JK t = ∑ X2t − - -
Nt
81
Berdasarkan data pada tabel 6.19 di atas, dapatlah dihitung harga-
2
harga Mean, N1,…,t , ∑ X1,…,t , (∑ X1,…,t ) seperti pada tabel 6.21 berikut ini.
2
Tabel 6.21. Harga-harga Mean, N1,…,t , ∑ X1,…,t , (∑ X1,…,t )
Yang dihitung PNS (1) Petani (2) Nelayan (3) Jumlah (t)
N 10 10 10 30
∑ Xi 74 69 71 214
∑ Xi2 558 485 513 1556
Mean 7,4 6,9 7,1 -
(214)2
JK t = 1556 − = 1556 – 1526,53 = 29,47
30
2 2 2 2
(∑ X1 ) (∑ X2 ) (∑ X3 ) (∑ Xt )
JKa = { + + }−
N1 N2 N3 Nt
JKd 28,20
KRd = = = 1,044
dkd 27
KRa 0,635
F0 = = = 0,608
KRd 1,044
82
Ha: Terdapat perbedaan hasil belajar matematika siswa sekolah X jika
didasarkan atas pekerjaan orang tuanya (PNS, petani, nelayan).
Kesimpulan:
Berdasarkan perhitungan di atas, dimana F0 ˂ Ft(5%) maka Ho diterima
atau Ha ditolak, sehingga dapat disimpulkan bahwa tidak ada perbedaan hasil
belajar matematika siswa sekolah X jika didasarkan atas pekerjaan orang
tuanya (PNS, petani, nelayan).
Jika F0 ˃ Ftabel maka dilanjutkan dengan uji perbedaan ganda yaitu
Mi −Mj
dengan uji Tukey yang rumusnya: Q =
KRd
√
N
Dengan ketentuan, jika Qhitung ˃ Qtabel (1% atau 5%), maka perbedaan
tersebut signifikan, dengan dk = (k ; dkd).
83
Tabel 6.23. Hasil Belajar Matematika Siswa Sekolah X
6 6 6 5
6 6 6 6
7 6 6 6
7 6 7 6
7 7 7 6
7 7 7 7
8 7 7 7
8 7 8 7
9 8 8 8
9 9 9 8
N1 = 10 N2 = 10 N3 = 10 N4 = 10
∑ X1 = 74 ∑ X2 = 69 ∑ X3 = 71 ∑ X4 = 66
∑ X12 = 548 ∑ X22 = 485 ∑ X32 = 513 ∑ X42 = 484
M1 = 7,4 M2 = 6,9 M3 = 7,1 M4 = 6,6
Pertanyaan:
a. Apakah ada perbedaan hasil belajar matematika siswa antara yang
memiliki pekerjaan orang tua PNS dan pekerjaan orang tua swasta?
b. Apakah ada perbedaan hasil belajar matematika siswa antara yang
berasal dari kota dan berasal dari desa?
c. Apakah ada interaksi jenis pekerjaan orang tua dengan daerah asal?
Penyelesaian:
Nt = 40
∑ Xtotal = 74 + 69 + 71 + 66 = 280
2
∑ Xtotal = 548 + 485 + 513 + 484 = 2030
84
2
(∑ Xt )
a. JK total = ∑ X2t −
Nt
(280)2
= 2030 −
40
= 2030 - 1960
= 70
b. JK antar kelompok =
2 2 2 2 2
(∑ X1 ) (∑ X2 ) (∑ X3 ) (∑ X4 ) (∑ Xt )
= { + + + }−
N1 N2 N3 N4 Nt
85
e. JK interaksi (AB):
2 2 2 2
2
(∑ XA B ) (∑ XA B ) (∑ XA B ) (∑ XA B ) (∑ Xt )
1 1 1 2 2 1 2 2
= { + + + }− -
NA1B1 NA1B2 NA2B1 NA2 B2 Nt
JKA - JKB
(74)2 (69)2 (71)2 (66)2 (280)2
= { + + + }− 40
- 0,9 - 2
10 10 10 10
h. Fhitung :
RJKA 0,9
FA = = = 0,486 .................. a
RJKd 1,85
RJKB 2
FB = = = 1,08 ....................... b
RJKd 1,85
RJKAB 0,5
FAB = = = 0,270 ................. c
RJKd 1,85
i. Ftabel :
F5%(1;36) = 4,11 dan F1%(1;36) = 7,39
86
Tabel 6.24. Tabel Rangkuman Analisis Variansi
39 70,0 - - - -
Total
Kesimpulan:
a. Tidak terdapat perbedaan hasil belajar matematika siswa sekolah X
antara yang memiliki pekerjaan orang PNS dan Swasta.
b. Tidak terdapat perbedaan hasil belajar matematika siswa sekolah X
antara yang berasal dari kota dan desa.
c. Tidak terdapat interaksi antara pekerjaan orang tua dengan asal
daerah.
5. Ukuran Korelasi
Korelasi berarti hubungan timbal balik antara dua variabel atau lebih,
yang dinyatakan dalam angka atau grafik. Hubungan timbal balik ini sering
menjadi pusat perhatian para peneliti, misalnya hubungan antara kejahatan
dan kemelaratan, hubungan antara kelengkapan fasilitas belajar dan indeks
prestasi, hubungan antara permintaan dan penawaran, dan sebagainya.
Jika ada korelasi antara dua variabel, misalnya hubungan antara
kejahatan dan kemelaratan, biasanya orang segera menarik kesimpulan
bahwa antara dua variabel atau gejala itu tedapat hubungan sebab akibat.
Kesimpulan semacam itu kerap kali tidak benar, sebab sungguhpun semua
rangkaian sebab akibat menunjukkan adanya korelasi, namun tidak semua
korelasi menunjukkan sebab akibat.
87
Apabila hubungan antara variabel merupakan inti sebuah penelitian
ilmiah, maka perlu diketahui berbagai jenis bentuk hubungan antara variabel.
Ada tiga jenis bentuk hubungan antara variabel, yaitu hubungan simetris,
hubungan asimetris, dan hubungan timbal balik.
88
faslitas belajar dengan prestasi belajar. Namun, para peneliti sering
dihadapkan pada “prinsip selektivitas”. Sebagai contoh: siswa memiliki
kebiasaan belajar yang baik, ternyata memiliki minat belajar yang baik
juga. Yang dihadapkan pada prinsip selektivitas adalah: apakah siswa
yang memiliki minat belajar yang baik karena kebiasaan belajarnya
yang baik, ataukah justru sebaliknya karena memiliki kebiasaan belajar
yang baik sehingga adanya minat belajar yang baik?
(2) Hubungan antara ciri individu dan tingkah laku. Ciri individu yang
dimaksukan adalah sifat individu yang relatif tidak berubah dan tidak
dipengaruhi oleh lingkungan, seperti: suku, jenis kelamin, agama,
pendidikan, dan lainnya.
(3) Hubungan antara disposisi dan respons. Disposisi adalah
kecenderungan untuk menunjukkan respons tertentu dalam situasi
tertentu. Jika stimulus datang dari luar, sedangkan disposisi berada
dalam diri seseorang, seperti kebiasaan belajar, sikap, kemampuan,
dorongan, dan lainnya.
(4) Hubungan antara prakondisi yang perlu dengan akibat tertentu.
Misalnya, agar siswa dapat berprestasi yang lebih baik, maka perlu
memperlengkapi fasilitas belajarnya.
(5) Hubungan antara tujuan (ends) dan cara (means). Misalnya hubungan
antara frekuensi berkunjung ke perpustakaan dan prestasi belajar,
hubungan jumlah jam belajar dan prestasi belajar.
(6) Hubungan yang imanen antara dua variabel. Hubungan kedua variabel
terjalin satu sama lain, sehingga jika satu variabel berubah maka
vaiabel yang lain ikut berubah. Misalnya, jika suatu organisasi semakin
besar, maka semakin rumit juga administrasinya. Jadi administrasi
yang rumit bukan disebabkan besarnya organisasi, namun merupakan
ciri suatu organisasi yang besar semakin rumit administrasinya.
89
menjadi sebab dan mana yang menjadi akibat. Namun, apabila suatu variabel
X misalnya mempengaruhi variabel Y, pada waktu lainnya variabel Y
mempengaruhi variabel X. Misalnya, hubungan antara motivasi belajar dan
prestasi belajar, hubungan antara kecerdasan dan kekayaan, hubungan
antara berat badan dan tinggi badan.
No X Y X2 Y2 XY
90
Berdasarkan data-data pada tabel 6.25 di atas, selanjutnya dihitung:
(1595)(276)
∑ xy = 44827 - = 805
10
(1595)2
∑ x 2 = 258605 - = 4202,5
10
(276)2
∑ y 2 = 7902 - = 284,4
10
∑ xy
rxy =
√(∑ x2 )(∑ y2 )
805
rxy =
√(4202,5)(284,4)
rxy = 0,736
Untuk mengetahui apakah harga rxy = 0,736 itu signifikan atau tidak,
91
8050
rxy =
√119519100
8050
rxy =
10932,479133298
rxy = 0,737
Analisis Regresi
Suatu variabel dapat diramalkan dari variabel lainnya apabila terdapat
korelasi yang signifikan. Seperti contoh pada tabel 6.25 di atas, harga Y dapat
diramalkan dari harga X. Jika variabel yang meramalkan disebut prediktor dan
variabel yang diramalkan disebut kriterium, maka korelasi antara prediktor dan
kriterium dapat dilukiskan dalam suatu garis yang disebut garis regresi. Garis
regresi ini mungkin garis lurus (linier), mungkin garis lengkung (parabola,
hiperbola, dan sebagainya).
Suatu garis regresi dapat dituliskan dalam persamaan matematik yang
disebut persamaan regresi. Untuk garis regresi linier dengan satu variabel
prediktor, maka persamaan regresinya adalah:
Y = aX + b
Keterangan: Y = kriterium
X = prediktor
a = koefisien prediktor
b = bilangan konstanta
Untuk garis regresi linier dengan dua variabel prediktor, maka
persamaan regresinya adalah:
Y = a1 X 1 + a 2 X 2 + b
Dan untuk m variabel prediktor, maka persamaan regresinya adalah:
Y = a1 X 1 + a 2 X 2 + . . . + a m X m + b
92
Contoh 1
Suatu penelitian ingin memastikan apakah berat badan pada kelompok
umur tertentu dapat diramalkan dari tinggi badannya. Data-datanya seperti
ditampilkan pada tabel 6.26 berikut.
Tabel 6.26. Data Tinggi Badan (X) dan Berat Badan (Y)
No X Y X2 Y2 XY
N ∑ XY− (∑ X)(∑ Y)
rxy =
√{N ∑ X2 −(∑ X)2 }{N ∑ Y2 −(∑ Y)2 }
15.156305− (2524)(921)
rxy =
√{15.426586−(2524)2 }{15.57585−(921)2 }
2344575− 2324604
rxy =
√(6398790−6370576)(863775−848241)
19971
rxy =
√28214 .15534
19971
rxy =
√438276276
19971
rxy = = 0,954
20935,04898
rxy = 0,954
93
Untuk mengetahui apakah harga rxy = 0,954 itu signifikan atau tidak,
maka harus dikonsultasikan pada tabel r, dengan N = 15. Pada tabel r dengan
N = 15 diperoleh harga r pada taraf signifikansi 1% atau rt(1%) = 0,641
94
Dengan pembulatan angka, maka a = 0,7078 dan b = - 57,7059 dimana
harga-harga tersebut dimasukkan pada rumus di atas, maka persamaan
regresinya adalah:
Y = aX + b
Y = 0,7078 X - 57,7059
Dengan metode skor deviasi, harga-harga a dan b dapat dihitung
dengan persamaan:
y = ax
dimana: y = Y - My
x = X - Mx
∑ xy
a =
∑ x2
(∑ X)(∑ Y)
∑ xy = ∑ XY -
N
(2524)(921)
∑ xy = 156305 - = 156305 - 154973,6 = 1331,4
15
(∑ X)2
∑ x2 = ∑ X2 -
N
(2524)2
∑ x 2 = 426586 - = 426586 - 424705,067 = 1880,933
15
1331,4
a =
1880,933
a = 0,7078402 = 0,7078
maka: y = 0,7078 x
∑X 2524
sedangkan harga-harga: Mx = = = 168,266667
N 15
∑Y 921
My = = = 61,4
N 15
Karena persamaan regresi y = ax, maka:
Y - My = a(X - Mx)
Y - 61,4 = (0,7078402)(X - 168,266667)
Y = 61,4 + 0,7078402 X - 119,105911
Y = 0,7078402 X - 57,705911 atau Y = 0,7078 X - 57,7059.
95
pembulatan angka dihindari, sehingga harga-harga a dan b di atas hampir
tidak ada perbedaaan antara metode skor kasar dan metode skor deviasi.
Harga-harga a dan b dapat juga dihitung dengan rumus-rumus
sebagai berikut:
N ∑ XY− (∑ X)(∑ Y)
a =
N ∑ X2 −(∑ X)2
96
Tabel 6.27. Rumus Analisis Variansi Garis Regresi dengan Metode Skor
Deviasi
Sumber Variasi dk JK KR Freg
(∑ xy)2 JKres
Residu (res) N-2 ∑ y2 -
∑ x2 dkres
Tabel 6.28. Rumus Analisis Variansi Garis Regresi dengan Metode Skor
Kasar
Sumber Variasi dk JK KR Freg
JKres
Residu (res) N-2 ∑ Y2 − a ∑ XY − b ∑ Y
dkres
(∑ Y)2
Total (t) N-1 ∑ Y2 − - -
N
N−2
Rumus-rumus pada tabel 6.27, 6.28 dan 6.29 di atas digunakan untuk
sebuah prediktor dan sebuah kriterium.
97
Selanjutnya menghitung Freg pada contoh 1 pada tabel 6.26 di atas
JKres −240,64
KRres = = = - 18,51
dkres 13
KRreg 1276,24
Freg = = = - 68,95
KRres − 18,51
98
Analisis Regresi Ganda
Pada umumnya, prinsip-prinsip perhitungan analisis regresi satu
prediktor berlaku juga untuk analisis regresi dua prediktor. Persamaan garis
regresi untuk dua prediktor adalah:
Y = a1 X 1 + a 2 X 2 + b
Persamaan garis regresi untuk tiga prediktor adalah:
Y = a1 X 1 + a 2 X 2 + a 3 X 3 + b
Persamaan garis regresi untuk n prediktor adalah:
Y = a1 X 1 + a 2 X 2 + . . . + a n X n + b
Tabel 6.31. Data Tinggi Badan (X1), Umur (X2) dan Berat Badan (Y)
No X1 X2 Y X1X2 X12 X22 Y2 X1Y X2Y
1 171 44 64 7524 29241 1936 4096 10944 2816
2 168 43 63 7224 28224 1849 3969 10584 2709
3 170 45 65 7650 28900 2025 4225 11050 2925
4 164 40 60 6560 26896 1600 3600 9840 2400
5 184 50 70 9200 33856 2500 4900 12880 3500
6 181 48 68 8688 32761 2304 4624 12308 3264
7 160 32 52 5120 25600 1024 2704 8320 1664
8 165 42 62 6930 27225 1764 3844 10230 2604
9 157 29 49 3140 24649 841 2401 7693 1421
10 163 36 56 5868 26569 1296 3136 9128 2016
11 190 60 80 11400 36100 3600 6400 15200 4800
12 150 30 50 4500 22500 900 2500 7500 1500
13 169 44 64 7436 28561 1936 4096 10816 2816
14 180 47 67 8460 32400 2209 4489 12060 3149
15 182 31 51 4712 23104 961 2601 7752 1581
15 2524 621 921 104412 426586 26745 57585 156305 39165
N ∑ X1 ∑X2 ∑ Y ∑ X1X2 ∑ X12 ∑ 𝑋22 ∑ Y2 ∑ X1Y ∑ X2Y
99
Dengan memasukkan data-data pada tabel tersebut pada persamaan
(1), (2), dan (3) di atas, maka:
(1) 921 = 2524 a1 + 621 a2 + 15 b
(2) 156305 = 426586 a1 + 104412 a2 + 2524 b
(3) 39165 = 104412 a1 + 426586 a2 + 621 b
Persamaan (1) dikali 2524 hasilnya pers (4) dan persmaan (2) dikali 15
hasilnya pers (5):
(4) 2324604 = 6370576 a1 + 1567404 a2 + 37860 b
(5) 2344575 = 6398790 a1 + 1566180 a2 + 37860 b -
(6) 19971 = 28214 a1 - 1224 a2
Persamaan (1) dikali 621 hasilnya pers (7) dan persmaan (3) dikali 15 hasilnya
pers (8):
(7) 571941 = 1567404 a1 + 385641 a2 + 9315 b
(8) 587475 = 1566180 a1 + 6398790 a2 + 9315 b -
(9) 15534 = - 1244 a1 + 6013149 a2
Persamaan (6) dikali 6013149 hasilnya pers (10) dan persmaan (9) dikali 1224
hasilnya pers (11):
(10) 120088598679 = 169654985886 a1 - 7360094376 a2
(11) 19013616 = - 1498176 a1 + 7360094376 a2 +
120107612295 = 169653487710 a1
a1 = 120107612295 : 169653487710
a1 = 0,707958403427
(6) 19971 = 28214 a1 - 1224 a2
19971 = (28214)( 0,707958403427) - 1224 a2
1224 a2 = 19974,338394289 – 19971
1224 a2 = 3,3383942889996
a2 = 3,3383942889996 : 1224
a2 = 0,0027274463145
(1) 921 = (2524)( 0,707958403427) + (621)( 0,0027274463145) + 15 b
15 b = 921 - (2524)( 0,707958403427) - (621)( 0,0027274463145)
15 b = 921 - 1786,8870102497 - 1,6937441613045
15 b = - 867,580754411
100
b = - 867,580754411 : 15
b = - 57,83816960733
b = - 57,838 (pembulatan)
a1 = 0,707958403427
a1 = 0,708 (pembulatan)
a2 = 0,0027274463145
a2 = 0,003 (pembulatan)
Jadi persamaan regresi ganda untuk dua prediktor (tinggi badan dan
umur) adalah: Y = 0,708 X1 + 0,003 X2 - 57,838.
Dari persamaan ini berarti berat badan akan naik jika tinggi badan dan
umur naik. Namun koefisien regresi untuk tinggi badan (0,708) lebih besar dari
pada koefisien regresi untuk umur.
Koefisien korelasi ganda antara berat badan (Y) dengan tinggi badan
(X1 ) dan umur (X 2 ) dapat dihitung dengan rumus:
a1 ∑ x1 y+a2 ∑ x2 y
R y(1,2) = √ ∑ y2
(∑ X1 )(∑ Y)
∑ x1 y = ∑ X1 Y -
N
(2524)(921)
∑ x1 y = 156305 - = 156305 - 154973,6 = 1331,4
15
(∑ X2 )(∑ Y)
∑ x2 y = ∑ X 2 Y -
N
(621)(921)
∑ x2 y = 39165 - = 39165 - 38129,4 = 1035,6
15
(∑ Y)2
∑ y2 = ∑ Y2 -
N
(921)2
∑ y 2 = 57585 - = 57585 - 56549,4 = 1035,6
15
(0,708)(1331,4)+(0,003)(1035,6)
R y(1,2) = √
1035,6
101
Rumus koefisien korelasi untuk m prediktor adalah:
a1 ∑ x1 y + a2 ∑ x2 y + . . .+ am ∑ xm y
R y(1,…,m) = √ ∑ y2
0,9562 (15−2−1)
Freg =
2(1− 0,9562 )
(0,913936)(12)
Freg =
2(1− 0,913936)
11,881168
Freg =
2(0,086064)
11,881168
Freg =
0,172128
Freg = 69,025
102
sebab akibat; sedang regresi linier memang merupakan prosedur statistik
yang digunakan untuk menganalisis hubungan sebab akibat antar variabel
yang dikaji.
103
Karena analisis jalur merupakan perpanjangan regresi linier berganda,
maka semua asumsi dalam rumus ini harus diikuti,
Sebab–akibat dalam model hanya bersifat searah (one direction); tidak
boleh bersifat timbal balik (reciprocal).
Beberapa istilah yang lazim digunakan dalam analisis jalur antara lain:
Model jalur. Model jalur ialah suatu diagram yang menghubungkan antara
variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan
dengan menggunakan anak panah. Anak panah-anak panah tunggal
menunjukkan hubungan sebab–akibat antara variabel-variabel eksogenus
atau perantara dengan satu variabel tergantung atau lebih. Anak panah
juga menghubungkan kesalahan (variabel residu) dengan semua variabel
endogenus masing-masing. Anak panah ganda menunjukkan korelasi
antara pasangan variabel-variabel eksogenus.
Jalur penyebab untuk suatu variabel yang diberikan meliputi pertama
jalur-jalur arah dari anak-anak panah menuju ke variabel tersebut dan
kedua jalur-jalur korelasi dari semua variabel endogenus yang
dikorelasikan dengan variabel-variabel yang lain yang mempunyai anak
panah-anak panah menuju ke variabel yang sudah ada tersebut.
Variabel exogenous. Variabel–variabel eksogenus dalam suatu model
jalur ialah semua variabel yang tidak ada penyebab-penyebab eskplisitnya
atau dalam diagram tidak ada anak-anak panah yang menuju kearahnya,
selain pada bagian kesalahan pengukuran. Jika antara variabel
eksogenus dikorelasikan maka korelasi tersebut ditunjukkan dengan anak
panah dengan kepala dua yang menghubungkan variabel-variabel
tersebut. Dalam istilah lain, dapat disebut pula sebagai independen
variabel.
Variabel endogenus. Variabel endogenus ialah variabel yang
mempunyai anak-anak panah menuju kearah variabel tersebut. Variabel
yang termasuk didalamnya ialah mencakup semua variabel perantara dan
tergantung. Variabel perantara endogenus mempunyai anak panah yang
menuju kearahnya dan dari arah variabel tersebut dalam sutau model
104
diagram jalur. Sedang variabel tergantung hanya mempunyai anak panah
yang menuju kearahnya. Atau dapat disebut juga sebagai variabel
dependen.
Koefisien jalur/pembobotan jalur. Koefisien jalur adalah koefisien
regresi standar atau disebut ‘rho’ (ρ) yang menunjukkan pengaruh
langsung dari suatu variabel bebas terhadap variabel tergantung dalam
suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai
dua atau lebih variabel-variabel penyebab, maka koefisien-koefisien
jalurnya merupakan koefisien-koefisien regresi parsial yang mengukur
besarnya pengaruh satu variabel terhadap variabel lain dalam suatu
model jalur tertentu yang mengontrol dua variabel lain sebelumnya
dengan menggunakan data yang sudah distandarkan atau matriks
korelasi sebagai masukan.
Variabel Laten dapat didefinisikan sebagai variabel penyebab yang tidak
dapat diobservasi secara langsung (unobservable). Pengamatan variabel
tersebut diamati melalui variabel manifesnya. Variabel manifest adalah
variabel indikator terukur yang dapat diobservasi secara langsung untuk
mengukur variabel laten. Contoh: variabel laten motivasi. Tidak bisa
diobservasi secara langsung, namun melalui variabel manifesnya
(indikator) seperti kerja keras, pantang penyerah, tekun, teliti, dll.
Variabel Mediator/Intervening dan Moderator. Variabel yang secara
teoretis mempengaruhi hubungan antar variabel independen dengan
variabel dependen menjadi hubungan yang tidak langsung dan tidak dapat
diamati dan di ukur.
105
ρx3e3
ρ31 X3
ρ53
X1 ρ51
r12 X5
ρ52
ρ54
X2 ρ42
ρx5e5
X4
ρx4e4
106
𝑟13 = 0,147 𝑟25 = 0,288
𝑟24 = 0,322 𝑟35 = 0,254
𝑟15 = 0,252 𝑟45 = 0,315
Keterangan:
ρxi xj = koefisien jalur atau besarnya pengaruh relatif dari variabel eksogenus
terhadap variabel endogenus.
n = jumlah responden
k = jumlah variabel eksogenus dalam substruktur yang sedang diuji
R2xjxi = koefisien determinasi
Keterangan:
F = F-Snedecor, dengan derajat kebebasan dk: k lawan
n-k-1 dengan taraf signifikansi α = 0,05.
R2t = Koefisien Determinasi Total (R2xjxi )
R2xjxi = ∑(ρxixj )(rxjxi )
107
ρx3e3= 0,989
X3
ρ31 = 0,147
X1
Coefficientsa
Standardized
Unstandardized Coefficients
Model Coefficients t Sig.
B Std. Error Beta
(Constant) 91.272 7.404 12.328 .000
1
X1 .133 .066 .147 2.009 .046
a. Dependent Variable: X3
Model Summary
Adjusted R Std. Error of
Model R R Square
Square the Estimate
1 .147a .021 .016 9.55233
a. Predictors: (Constant), X1
108
2. Analisis Sub Struktur 2:
Hipotesisnya: Pengaruh Budaya Sekolah (X2) terhadap Motivasi Kerja (X4),
sebagaimana ditunjukkan pada gambar berikut.
X2
ρ42 = 0,212
X4
ρx4e4= 0,946
Coefficientsa
Standardized
Unstandardized Coefficients
Model Coefficients t Sig.
B Std. Error Beta
(Constant) 76.662 8.508 9.011 .000
1
X2 .317 .069 .322 4.607 .000
a. Dependent Variable: X4
Model Summary
Adjusted R Std. Error of
Model R R Square
Square the Estimate
1 .322a .103 .099 9.16861
a. Predictors: (Constant), X 2
109
3. Analisis Sub Struktur 3:
Hipotesisnya: Pengaruh Komunikasi Interpersonal (X1), Budaya Sekolah (X2),
Kepuasan Kerja (X3) dan Motivasi Kerja (X4) terhadap
Komitmen Organisasi (X5), sebagaimana ditunjukkan pada
gambar berikut.
ρx3e3= 0,989
X3
ρ53 = 0,146
X1 ρ51= 0,156
X5
ρ52 = 0,160
X2 ρ54 = 0,193
ρx5e5= 0,904
X4
ρx4e4= 0,946
Berdasarkan tabel ANOVA di atas diperoleh bahwa taraf signifikansi F hitung <
0,05 berarti Ho ditolak. Jadi Komunikasi Interpersonal (X1), Budaya Sekolah
(X2), Kepuasan Kerja (X3) dan Motivasi Kerja (X4) berpengaruh langsung
110
positif terhadap Komitmen Organisasi (X5), dengan demikian pengujian secara
individual dapat dilakukan.
Coefficientsa
Standardized
Unstandardized Coefficients
Model Coefficients t Sig.
B Std. Error Beta
(Constant) 43.093 12.365 3.485 .001
X1 .152 .069 .156 2.205 .029
1 X2 .169 .079 .160 2.149 .033
X3 .157 .077 .146 2.026 .044
X4 .207 .079 .193 2.609 .010
a. Dependent Variable: X5
Model Summary
Adjusted R Std. Error of
Model R R Square
Square the Estimate
1 .428a .183 .165 9.45497
a. Predictors: (Constant), X 4, X3, X2, X1
111
Perhitungan Pengaruh Relatif dan Pengaruh Proporsional Variabel
Eksogenus terhadap Variabel Endogenus.
ρx3e3
ρ31 X3
ρ53
X1 ρ51
r12 X5
ρ52
ρ54
X2
ρ42
ρx5e5
X4
ρx4e4
Gambar Diagram Jalur Struktur Hubungan Kausal X1, X2, X3 X4, dan X5.
Ket. : X1 = Komunikasi Interpersonal
X2 = Budaya Sekolah
X3 = Kepuasan Kerja
X4 = Motivasi Kerja
X5 = Komitmen Organisasi dan ρxe = variabel residu (error)
112
Pers. 5 ...... 𝑟35 = 𝜌51 . 𝑟13 + 𝜌52 . 𝑟23 + 𝜌53 + 𝜌54 . 𝑟34
Pers. 6 ...... 𝑟45 = 𝜌51 . 𝑟14 + 𝜌52 . 𝑟24 + 𝜌53 . 𝑟34 + 𝜌54
ρx3e3= 0,989
X3
ρ31 = 0,147
X1
113
2. Analisis Sub Struktur 2:
Hipotesisnya: Pengaruh Budaya Sekolah (X2) terhadap Motivasi Kerja (X4),
sebagaimana ditunjukkan pada gambar berikut.
X2
ρ42 = 0,322
X4
ρx4e4= 0,946
114
ρx3e3= 0,989
X3
ρ53 = 0,146
X1 ρ51= 0,156
X5
ρ52 = 0,160
X4
ρx4e4= 0,946
115
dengan Motivasi Kerja (X4) adalah = 0,0575, sehingga pengaruh total
(Total Effect) relatif kepemimpinan pembelajaran (X1) terhadap komitmen
organisasi (X5)
= DE + IE + U = 0,156 + 0,0215 + 0,074314
= 0,251814 = 0,252 (dibulatkan).
Jadi, koefisien korelasi antara kepemimpinan pembelajaran (X1)
dengan komitmen organisasi (X5), yaitu: r15 terdiri dari komponen pengaruh
langsung (Direct Effect), pengaruh tidak langsung (Indirect Effect), dan
komponen Unanalyzed (U) relatif yang besarnya sama dengan koefisien
korelasi tersebut.
Selain itu, dengan menggunakan Rumus Pengaruh Proporsional dari
Al-Rasjid didapat:
Pengaruh langsung proporsional Komunikasi Interpersonal (X1) terhadap
Komitmen Organisasi (X5) = ρ51 x ρ51
= 0,156 x 0,156
= 0,024336 = 0,024 (dibulatkan)
Selanjutnya dihitung pengaruh tidak langsung, komponen Spurious, dan
komponen Unanalyzed proporsional sebagai berikut:
Pengaruh tidak langsung proporsional dari Komunikasi Interpersonal (X1)
terhadap Komitmen Organisasi (X5) melalui Kepuasan Kerja (X3), yaitu:
ρ51.ρ53.r13 = 0,156 x 0,146 x 0,147
= 0,003348072
= 0,0033 (dibulatkan)
Komponen Unanalyzed (U) proporsional dari Komunikasi Interpersonal (X1)
terhadap Komitmen Organisasi (X5). melalui korelasinya dengan Budaya
Sekolah (X2), yaitu:
ρ51.ρ52.r12 = 0,156 x 0,160 x 0,105
= 0,0026208
= 0,0026 (dibulatkan)
Komponen Unanalyzed (U) proporsional dari Komunikasi Interpersonal (X1)
terhadap Komitmen Organisasi (X5). melalui korelasinya dengan Motivasi
Kerja (X4) yaitu:
116
ρ51.ρ54.r14 = 0,156 x 0,193 x 0,298
= 0,008972184
= 0,00897 (dibulatkan)
Dengan demikian, Komunikasi Interpersonal (X1) secara langsung
mempengaruhi perubahan-perubahan Komitmen Organisasi (X5), sebesar
0,024 = 2,4 %, dan secara tidak langsung mempengaruhi Komitmen
Organisasi (X5) melalui Kepuasan Kerja (X3) sebesar 0,0033 = 0,33 %, dan
melalui Budaya Sekolah (X2) dan Motivasi Kerja (X4) sebesar 0,0026 +
0,00897 = 0,01157 = 0,0116 = 1,16 %.
117
komponen Unanalyzed (U) yang besarnya sama dengan koefisien korelasi
tersebut.
118
melalui Komunikasi Interpersonal (X1) dan Kepuasan Kerja (X3) sebesar
0,0026 + 0,0079 = 0,01157 = 0,0105 = 1,05 %.
119
= 0,021316
Selanjutnya dihitung pengaruh tidak langsung, komponen Spurious, dan
komponen Unanalyzed proporsional sebagai berikut:
Komponen Spurious (S) proporsional dari Kepuasan Kerja (X3) terhadap
Komitmen Organisasi (X5) melalui Komunikasi Interpersonal (X1), yaitu:
ρ53.ρ51.r13 = 0,146 x 0,156 x 0,147
= 0,003348072
= 0,0033 (dibulatkan)
Komponen Unanalyzed (U) proporsional dari Kepuasan Kerja (X3) terhadap
Komitmen Organisasi (X5) melalui korelasinya dengan Budaya Sekolah (X2),
yaitu:
ρ53.ρ52.r23 = 0,146 x 0,160 x 0,339
= 0,00791904
= 0,0079 (dibulatkan).
Komponen Unanalyzed (U) proporsional dari Kepuasan Kerja (X3) terhadap
Komitmen Organisasi (X5) melalui korelasinya dengan Motivasi Kerja (X4),
yaitu:
ρ53.ρ54.r34 = 0,146 x 0,193 x 0,161
= 0,004536658
= 0,00453 (dibulatkan)
Dengan demikian, Kepuasan Kerja (X3) secara langsung
mempengaruhi perubahan-perubahan Komitmen Organisasi (X5), sebesar
0,021316 = 2,13 %, dan secara tidak langsung mempengaruhi Komitmen
Organisasi (X5) melalui Komunikasi Interpersonal (X1) sebesar 0,0033 =
0,33 %, dan melalui Budaya Sekolah (X2) dan Motivasi Kerja (X4) sebesar
0,0079 + 0,0053 = 0,0132 = 1,32 %.
120
= (0,156)(0,298) + (0,160)(0,322) + (0,146)(0,161) + 0,193
U S U DE
= 0,046488 + 0,05152 + 0,023506 + 0,193
U S U DE
= 0,193 + 0,05152 + 0,069994
DE S U
Berdasarkan perhitungan di atas dapat diketahui bahwa besar
pengaruh langsung (Direct Effect) relatif dari Motivasi Kerja (X4) terhadap
Komitmen 0rganisasi (X5), yaitu: ρ54 = 0,193, sedangkan komponen Spurious
(S) relatifnya melalui Budaya Sekolah (X2), yaitu = 0,05152, serta
komponen Unanalyzed (U) relatif secara berturut melalui korelasinya dengan
Komunikasi Interpersonal (X1) dan Kepuasan Kerja (X3), yaitu: =
0,046488 dan = 0,023506, sehingga pengaruh total (Total Effect)
relatif) Motivasi Kerja (X3) terhadap Komitmen Organisasi (X5) = DE + S +
U = 0,193 + 0,05152 + 0,069994 = 0,314514
Jadi, koefisien korelasi antara Motivasi Kerja (X4) dengan Komitmen
Organisasi (X5), yaitu: r45 == 0,315 terdiri dari komponen pengaruh langsung
(Direct Effect), komponen Spurious (S), dan komponen Unanalyzed (U) yang
besarnya sama dengan koefisien korelasi tersebut yaitu 0,314514.
Selanjutnya, dengan menggunakan Rumus Pengaruh Proporsional dari
Al-Rasjid didapat:
Pengaruh langsung proporsional dari Motivasi Kerja (X4) terhadap Komitmen
Organisasi (X5) = ρ54 x ρ54
= 0,193 x 0,193
= 0,037249
= 0,037 (dibulatkan)
Selanjutnya dihitung pengaruh tidak langsung, komponen Spurious, dan
komponen Unanalyzed proporsional sebagai berikut:
Komponen Spurious (S) proporsional dari Motivasi Kerja (X4) terhadap
Komitmen Organisasi (X5) melalui Budaya Sekolah (X2), yaitu:
ρ54.ρ52. = 0,183 x 0,160 x 0,322
= 0,00994336
121
= 0,0099 (dibulatkan)
Komponen Unanalyzed (U) proporsional dari Motivasi Kerja (X4) terhadap
Komitmen Organisasi (X5) melalui korelasinya dengan Komunikasi
Interpersonal (X1), yaitu:
ρ54.ρ51.r14 = 0,193 x 0,156 x 0,298
= 0,008972184
= 0,00897 (dibulatkan)
Komponen Unanalyzed (U) proporsional dari Motivasi Kerja (X4) terhadap
Komitmen Organisasi (X5) melalui korelasinya dengan Kepuasan Kerja (X3),
yaitu:
ρ54.ρ53.r34 = 0,193 x 0,146 x 0,161
= 0,004536658
= 0,00453 (dibulatkan).
Dengan demikian, Motivasi Kerja (X3) secara langsung mempengaruhi
perubahan-perubahan Komitmen Organisasi (X5), sebesar 0,037249 = 3,72
%, dan secara tidak langsung mempengaruhi Komitmen Organisasi (X5)
melalui Budaya Sekolah (X2) sebesar 0,0099 = 0,99 %, dan melalui
Komunikasi Interpersonal (X1) dan Kepuasan Kerja (X4) sebesar 0,00897 +
0,0053 = 0,01427 = 1,42 %.
122
Jadi, sebesar 12,2 % perubahan–perubahan Komitmen Organisasi (X5)
dapat ditentukan oleh Komunikasi Interpersonal (X1), Budaya Sekolah
(X2), Kepuasan Kerja (X3) dan Motivasi Kerja (X4).
b) Komponen Spurious (S) proporsional total dari variabel X1, X2, X3, dan
X4 terhadap X5 = 0,0033 + 0,0099 = 0,0132 = 0,013 (dibulatkan)
c) Komponen Unanalyzed (U) proporsional total dari variabel X1, X2, X3,
dan X4 terhadap X5 = 0,0026 + 0,0090 + 0,0026 + 0,0079 + 0,0079 +
0,0045 + 0,0090 + 0,0045 = 0,0480.
Pengaruh langsung (DE), pengaruh tidak langsung (IE), Spurious (S),
dan Unanalyzed (U) proporsional adalah merupakan total komponen
proporsional yang disebut pengaruh gabungan harus sama dengan koefisien
determinasinya. Jadi, R2x5 (x1,x2,x3,x4) = TE + S + U.
Hasil perhitungan dengan menggunakan alat bantu komputer program SPSS
for Windows versi 23 sebagaimana pada halaman sebelumnya ditemukan
R2x5 (x1,x2,x3,x4) = 0,183. Selanjutnya, dengan memasukkan hasil perhitungan
komponen proporsional pada substruktur 3 di atas, didapat:
R2x5 (x1,x2,x3,x4) = TE + S + U, yaitu:
0,183 = 0,122 + 0,013 + 0,048.
Dengan demikian, pengaruh gabungan yang terdiri dari pengaruh
langsung (DE), pengaruh tidak langsung (IE), Spurious (S), dan Unanalyzed
(U) yang disebabkan Komunikasi Interpersonal (X1), Budaya Sekolah (X2),
Kepuasan Kerja (X3) dan Motivasi Kerja (X4) terhadap Komitmen Organisasi
(X5) adalah sebesar 0,183 (koreksi R2 = 0,183), sedangkan sisanya sebesar
1 – 0,183 = 0,813 = 81,3 % ditentukan oleh faktor lainnya di luar Komunikasi
Interpersonal (X1), Budaya Sekolah (X2), Kepuasan Kerja (X3) dan Motivasi
Kerja (X4) dengan koefisien jalur, yaitu: ρx5e5 = √1 − 0,183 = 0,903.
123
matriks korelasi estimasi (reproduced correlation matrix) atau korelasi yang
diharapkan (expected correlation matrix).
Untuk menguji kesesuaian model ini dengan menggunakan rumus:
1−R2m
Q = 1−M
124