Kristian Wijaya

216080236
Chi Square
Analisa Data
Analisa Data Chi Square
• Bertujuan untuk mengetahui hubungan antara variable yang terdapat
pada baris dan kolom
• Jenis data yang digunakan adalah berbentuk data kategori atau data
frekuensi
Contoh Analisa Data Chi Square
• Apakah terdapat hubungan antara Kompensasi dengan Keinginan untuk
pindah kerja (pada data Indri)?
 Dasar Pengambilan Keputusan
Kompensasi * Keinginan Pindah Crosstabulation
• Jika Nilai Signifikansi < 0.05, maka Count
Keinginan Pindah
terdapat hubungan yang signifikan keinginan keinginan
antara baris dengan kolom Kompensasi kompensasi kurang
pindah kurang
17
pindah tinggi
17
Total
34
kompensasi baik 13 43 56
• Jika Nilai Signifikansi > 0.05, maka Total 30 60 90

tidak terdapat hubungan yang Chi-Square Tests

signifikan antara baris dengan Asymptotic
Significance Exact Sig. (2- Exact Sig. (1-
kolom Value df (2-sided) sided) sided)
Pearson Chi-Square 6.830a 1 .009

• Terlihat nilai Signifikansi sebesar Continuity Correctionb 5.678 1 .017

0.009. karena nilai signifikansi Likelihood Ratio 6.751 1 .009

0.009 < 0.05, maka dapat Fisher's Exact Test .012 .009

disimpulkan bahwa terdapat Linear-by-Linear

Association
6.754 1 .009

hubungan antara kompensasi N of Valid Cases 90

dengan keinginan pindah a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 11.33.
b. Computed only for a 2x2 table
Regresi Logistik
Analisis Data
Analisa Data Regresi Logistik
• Bertujuan untuk mengetahui hubungan antara variable predictor (X)
dengan variable respon (Y) yang bersifat dikotomi (2 kategori)
• Jenis data yang digunakan adalah
• Variable Prediktor berbentuk data kategori atau data numerik
• Variable Respon berbentuk data kategori dikotomi (0/1)

• Regresi Logistik terbagi menjadi dua:

• Regresi logistic sederhana : untuk menetahui hubungan antara 1 variable independent
(predictor) dengan variable dependen (respon) yang dikotomus
• Regresi logistic ganda : untuk menetahui hubungan antara beberapa variable
independent (predictor) dengan variable dependen (respon) yang dikotomus
Contoh Analisa Data Regresi Logistik Sederhana
• Apakah terdapat hubungan antara Kompensasi dengan Keinginan untuk
pindah kerja (pada data Indri)?
 Model Summary Variables in the Equation
-2 Log Cox & Snell R Nagelkerke R
B S.E. Wald df Sig. Exp(B)
Step likelihood Square Square
Step1a Kompensasi(1) -1.196 .467 6.570 1 .010 .302
1 107.822a .072 .100
Constant 1.196 .317 14.285 1 .000 3.308
a. Estimation terminated at iteration number 4 because
a. Variable(s) entered on step 1: Kompensasi.
parameter estimates changed by less than .001.

Nilai Negelkerke R Squere sebesar Dari Tabel diatas, maka dapat dibentuk persamaan Regresi:
0.10, yang artinya besaran pengaruh Keinginan Pindah = 1.196 – 1.196 Kompensasi Baik
variabel bebas (Kompensasi)
terhadap variabel terikat (Keinginan Pengujian Hipotesis:
Pindah kerja) sebesar 10% Dasar Pengambilan Keputusan
• Bila nilai Signifikansi > 0.05 maka Ho Diterima
• Bila nilai Signifikasni < 0.05 maka Ho ditolak
Ho = Kompensasi baik tidak memiliki pengaruh terhadap Keinginan pindah kerja
Ha = Kompensasi baik memiliki pengaruh terhadap Keinginan pindah kerja

Dari table diatas, didapat nilai signifikansi variable kompensasi sebesar 0.010 (<0.05), maka kompenasi baik memiliki
pengaruh terhadap keinginan pindah kerja

Dari table diatas didapatkan nilai Exp(B) sebesar 0.302, berarti nilai Odd Ratio sebesar 0.302 kali.
Maka dapat disimpulkan karyawan yang mendapat Kompensasi baik memiliki peluang 0.302 kali untuk pindah kerja,
atau karyawan yang mendapat Kompensasi tidak baik memiliki peluang (1/0.302) 3.311 kali untuk pindah kerja
Contoh Analisa Data Regresi Logistik Ganda
• Apakah terdapat hubungan antara Komunikasi, Pengembangan Karir,
Kompensasi dan lingkungan kerja dengan Keinginan untuk pindah kerja
(pada data Indri)?
 Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 6.818 7 .448

Ho = model yang terbentuk cocok dengan data pengamatan

Ha = model yang terbentuk tidak cocok dengan data pengamatan

Dari output SPSS Hosmer and Lameshow test diatas terlihat nilai
signifikansi sebesar 0.448 (>0.05) yang artinya model sudah cocok
dengan data observasi, sehingga model regresi ini layak digunakan
dalam tahap lebih lanjut

Model Summary
Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square
1 103.823a .113 .156
a. Estimation terminated at iteration number 4 because parameter estimates changed by less than .001.

Nilai Negelkerke R Squere sebesar 0.156, yang artinya besaran

penaruh variabel bebas (Komunikasi, Pengembangan Karir,
Kompensasi dan lingkungan kerja) terhadap variabel terikat
(Keinginan Pindah Kerja) sebesar 15.6%
 PEMODELAN MULTIVARIAT
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a Komunikasi(1) .574 .544 1.114 1 .291 1.776
Pengembangan Karir(1) -.856 .570 2.258 1 .133 .425
Kompensasi(1) -.958 .501 3.648 1 .056 .384
Lingkungan Kerja(1) .470 .491 .916 1 .338 1.600
Constant .935 .421 4.930 1 .026 2.546
a. Variable(s) entered on step 1: Komunikasi, Pengembangan Karir, Kompensasi, Lingkungan Kerja.

Dari hasil output SPSS diatas dapat dilihat bahwa ada 4 variabel yang nilai signifikansinya > 0,05 yaitu
variabel Komunikasi, Pengembangan Karir, Kompensasi dan lingkungan kerja, yang paling besar adalah
variabel lingkungan kerja, sehingga pemodelan selanjutnya variable lingkungan kerja di keluarkan dari
model
 Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a Komunikasi(1) .493 .536 .848 1 .357 1.638
Pengembangan Karir(1) -.819 .562 2.123 1 .145 .441
Kompensasi(1) -.945 .497 3.611 1 .057 .389
Constant 1.151 .363 10.073 1 .002 3.160
a. Variable(s) entered on step 1: Komunikasi, Pengembangan Karir, Kompensasi.

Dari output SPSS diatas setelah variabel lingkungan kerja dikeluarkan nilai OR untuk variabel Komunikasi,
pengembangan karis dan kompensasi dapat dilihat sebagai berikut :

Variabel OR Variabel Lengkap OR Variabel lingkungan kerja dikeluarkan Perhitungan Perubahan OR

Komunikasi 1,776 1,638 ((1,776-1,638) / 1,776) x 100% 8%
Pengembangan Karir 0,425 0,441 ((0,441-0,425) / 0,425) x 100% 4%
Kompensasi 0,384 0,389 ((0,389-0,384) / 0,384) x 100% 1%

Dari tabel diatas dapat dilihat bahwa dengan hasil perbandingan OR terlihat tidak ada perubahan OR yang
>10% dengan demikian variabel Lingkungan kerja dikeluarkan dari model.
 Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a Pengembangan Karir(1) -.834 .561 2.210 1 .137 .434
Kompensasi(1) -.961 .496 3.759 1 .053 .383
Constant 1.302 .329 15.649 1 .000 3.677
a. Variable(s) entered on step 1: Pengembangan Karir, Kompensasi.

Dari output SPSS diatas setelah variabel komunikasi dikeluarkan nilai OR untuk variabel pengembangan karis
dan kompensasi dapat dilihat sebagai berikut :

Variabel OR Variabel Lengkap OR Variabel komunikasi dikeluarkan Perhitungan Perubahan OR

Pengembangan Karir 0,441 0,434 ((0,441-0,434) / 0,425) x 100% 2%
Kompensasi 0,389 0,383 ((0,389-0,383) / 0,384) x 100% 2%

Dari tabel diatas dapat dilihat bahwa dengan hasil perbandingan OR terlihat tidak ada perubahan OR yang
>10% dengan demikian variabel Komunikasi dikeluarkan dari model.
 Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a Kompensasi(1) -1.196 .467 6.570 1 .010 .302
Constant 1.196 .317 14.285 1 .000 3.308
a. Variable(s) entered on step 1: Kompensasi.

Dari output SPSS diatas setelah variabel Pengembangan karir dikeluarkan nilai OR untuk variabel kompensasi
dapat dilihat sebagai berikut :
OR Variabel Pengembangan karir
Variabel OR Variabel Lengkap Perhitungan Perubahan OR
dikeluarkan
Kompensasi 0,383 0,303 ((0,383-0,303) / 0,383) x 100% 21%

Dari tabel diatas dapat dilihat bahwa dengan hasil perbandingan OR terlihat perubahan OR yang >10% dengan
demikian variabel Pengembangan karir masuk Kembali kedalam model.
 Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a Pengembangan Karir(1) -1.188 .524 5.147 1 .023 .305
Constant .987 .269 13.496 1 .000 2.684
a. Variable(s) entered on step 1: Pengembangan Karir.

Dari output SPSS diatas setelah variabel kompensasi dikeluarkan nilai OR untuk variabel pengembangan karir
dapat dilihat sebagai berikut :

Variabel OR Variabel Lengkap OR Variabel komunikasi dikeluarkan Perhitungan Perubahan OR

Pengembangan Karir 0,434 0,302 ((0,434-0,302) / 0,434) x 100% 30%

Dari tabel diatas dapat dilihat bahwa dengan hasil perbandingan OR terlihat perubahan OR yang >10% dengan
demikian variabel Kompensasi masuk Kembali kedalam model.
 PEMODELAN TERAKHIR
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a Pengembangan Karir(1) -.834 .561 2.210 1 .137 .434
Kompensasi(1) -.961 .496 3.759 1 .053 .383
Constant 1.302 .329 15.649 1 .000 3.677
a. Variable(s) entered on step 1: Pengembangan Karir, Kompensasi.

Berdasarkan tabel diatas hasil pemodelan multivariat regresi logistik yang digunakan untuk melihat faktor-
faktor yang berhubungan (Komunikasi, Pengembangan Karir, Kompensasi dan lingkungan kerja) dengan
Keinginan pindah kerja (dari data Indri) di dapatkan hasil seperti pada table, dimana yang masuk ke dalam
pemodelan multivariat yaitu variabel Pengembangan Karir, Kompensasi sedangkan yang tidak masuk kedalam
model atau dikeluarkan dari model adalah variabel Komunikasi dan Lingkungan kerja karena memiliki p value
(nilai signifikansi) > 0,05 dan setelah dikeluarkan tidak di dapatkan perbandingan hasil perubahan Odd Ratio
yang > 10 %.
Uji Interaksi
Correlation Matrix
Constant Pengembangan Karir(1) Kompensasi(1)
Step 1 Constant 1.000 -.246 -.551
Pengembangan Karir(1) -.246 1.000 -.294
Kompensasi(1) -.551 -.294 1.000

Dari tabel diatas dapat dilihat hasil uji interaksi antara variable Pengembangan karir dan kompensasi dimana
nilai p-value yang di peroleh adalah 0,294 yang berarti p value lebih besar dari 0,05 (p>0,05), yang diartikan
tidak ada interaksi antara antara variable Pengembangan karir dan kompensasi

Maka dapet disimpulkan pemodelan terakhir adalah valid dan tidak ada variable yang dikeluarkan

Ho = Tidak ada interaksi/hubungan antara variabel

Ha = ada interaksi/hubungan antara variabel
 Interpretasi
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a Pengembangan Karir(1) -.834 .561 2.210 1 .137 .434
Kompensasi(1) -.961 .496 3.759 1 .053 .383
Constant 1.302 .329 15.649 1 .000 3.677
a. Variable(s) entered on step 1: Pengembangan Karir, Kompensasi.

Dari Tabel diatas, maka dapat dibentuk persamaan Regresi:

Keinginan Pindah = 1.302 – 0.834 Pengembangan karir baik– 0.961 Kompensasi Baik

Pengujian Hipotesis:
Dasar Pengambilan Keputusan
• Bila nilai Signifikansi > 0.05 maka Ho Diterima
• Bila nilai Signifikasni < 0.05 maka Ho ditolak / Ha diterima

Ho = Variabel tidak mempengaruhi secara signifikan terhadap Keinginan pindah kerja

H1 = pengembangan karir memiliki pengaruh terhadap Keinginan pindah kerja
H2 = Kompensasi memiliki pengaruh terhadap Keinginan pindah kerj
 Interpretasi
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a Pengembangan Karir(1) -.834 .561 2.210 1 .137 .434
Kompensasi(1) -.961 .496 3.759 1 .053 .383
Constant 1.302 .329 15.649 1 .000 3.677
a. Variable(s) entered on step 1: Pengembangan Karir, Kompensasi.

Dari table diatas, didapat nilai signifikansi variable pengembangan karir sebesar 0.137 (>0.05), maka
Pengembangan karir baik tidak memiliki pengaruh signifikan terhadap keinginan pindah kerja

Dari table diatas didapatkan nilai Exp(B) sebesar 0.434, berarti nilai Odd Ratio sebesar 0.434 kali.
Maka dapat disimpulkan karyawan yang mendapat Pengembangan karir baik memiliki peluang 0.434 kali
untuk pindah kerja, atau karyawan yang mendapat Pengembangan karir tidak baik memiliki peluang (1/0.434)
2,304 kali untuk pindah kerja

Dari table diatas, didapat nilai signifikansi variable Kompensasi sebesar 0.053 (>0.05), maka kompenasi baik
tidak memiliki pengaruh signifikan terhadap keinginan pindah kerja

Dari table diatas didapatkan nilai Exp(B) sebesar 0.434, berarti nilai Odd Ratio sebesar 0.383 kali.
Maka dapat disimpulkan karyawan yang mendapat Kompensasi baik memiliki peluang 0.383 kali untuk pindah
kerja, atau karyawan yang mendapat Kompensasi tidak baik memiliki peluang (1/0.383) 2,61 kali untuk pindah
kerja