Regresi dan Tutor SPSS

A. Pendahuluan

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji

sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel

Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut juga

dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga

dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple

Linear Regression) juga merupakan salah satu Metode Statistik yang dipergunakan dalam

produksi untuk melakukan peramalan ataupun prediksi tentang karakteristik kualitas

maupun Kuantitas. Contoh Penggunaan Analisis Regresi Linear Sederhana dalam Produksi

antara lain :

1. Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang dihasilkan
2. Hubungan Jumlah Pekerja dengan Output yang diproduksi
3. Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan.

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

Y = a + bX

Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.

Sebelum masuk kepada pembahasan tentang aplikasi regresi dengan program SPSS
sebaiknya diketahui beberapa hal yaitu :
1) Penelitian adalah kegiatan yang dilakukan secara terencana dan sistematis dengan
mengikuti konsep ilmiah untuk mendapatkan sesuatu yang objektif dan rasional tentang
sesuatu hal.
2) Variabel adalah suatu yang beragam atau bervariasi. Variabel dibedakan sebagai berikut :
a) Variabel tergantung/ Y (dependen) adalah variabel yang dipengaruhi oleh variabel lain
yang sifatnya tidak dapat berdiri sendiri, b) Variabel bebas/ X (independen) adalah
variabel yang memengaruhi variabel lain yang sifatnya berdiri sendiri.
3) Hipotesis adalah jawaban sementara tentang rumusan masalah penelitian yang belum
 dibuktikan kebenarannya. Dalam hipotesis terdapat hipotesis nihil dan hipotesis alternatif,
yaitu sebagai berikut:
a. Hipotesis nihil atau nol hipotesis (Ho) adalah hipotesis yang menyatakan tidak adanya
hubungan antarvariabel.
b. Hipotesis alternatif atau hipotesis kerja (Ha) adalah hipotesis yang menyatakan
adanya hubungan antarvariabel
4) Signifikansi artinya meyakinkan atau berarti, dalam penelitian mengandung arti bahwa
hipotesis yang telah terbukti pada sampel dapat diberlakukan pada populasi. Tingkat
signifikansi 5% atau 0,05 artinya kita mengambil risiko salah dalam mengambil
keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya 5% dan benar dalam
mengambil keputusan sedikinya 95%.
5) Populasi adalah suatu kelompok atau kumpulan subjek atau objek yang akan dikenai
generalisasi hasil penelitian. Sampel adalah bagian dari populasi yang akan diteliti.
6) Data adalah sesuatu yang digunakan atau dibutuhkan dalam penelitian, dengan
menggunakan parameter tertentu yang telah ditentukan. Jenis-jenis data adalah sebagai
berikut:
1. Data kualitatif adalah data yang dinyatakan dalam bentuk bukan angka, tetapi
berbentuk kata, kalimat, gambar atau bagan.
2. Data kuantitatif adalah data yang dinyatakan dalam bentuk angka. Tipe-tipe data
kuantitatif adalah sebagai berikut :
 a. Data nominal adalah data hasil penggolongan atau kategorisasi yang sifatnya
setara atau tidak dapat dilakukan perhitungan aritmatika. Angka yang diberikan
hanya sebagai simbol saja dan tidak menunjukkan tingkatan terterntu. Misalnya;
laki-laki = 1 dan perempuan = 2
b. Data ordinal adalah data hasil kategorisasi yang sifatnya tidak setara dan tidak
dapat dilakukan perhitungan aritmatika. Angka yang diberikan menunjukkan
peringkat dan tingkatan tertentu. Tipe data ini tidak memperhatikan jarak data,
jadi jarak data bisa berbeda-beda. Misalnya; nila A = 1, nilai B = 2, nilai C = 3,
pada contoh ini, 1 lebih tinggi dari 2, dan 2 lebih tinggi dari 3.
c. Data interval adalah data bukan dari hasil kategorisasi dan dapat dilakukan
perhitungan aritmatika. Tipe data ini menggunakan jarak data yang sama.
Walaupun dapat dilakukan operasi hitung, data ini tidak mempunyai nilai nol (0)
absolut, maksudnya angka 0, tetap nilainya, contohnya dalam pengukuran suhu.
Data ini dapat dibuat menjadi tipe ordinal yang menggunakan peringkat seperti
dalam pengukuran skala likert, misalnya, 5=sangat setuju, 4=setuju 3=cukup
setuju/netral/ragu-ragu, 2=tidak setuju, 1=sangat tidak setuju.
d. Data rasio adalah data yang dapat dilakukan perhitungan aritmatika dan
menggunakan jarak yang sama. Data ini mempunyai nilai nol (0) absolut,
maksudnya angka 0 benar-benar tidak ada nilainya. Contohnya dalam pengukuran
berat badan, jika beratnya adalah 0 kg berarti tidak ada bobotnya. Tipe data ini
misalnya data berat badan, tinggi badan, data keuangan perusahaan dan lainnya.

B. Konsep Dasar Regresi Linear

Regresi linear merupakan model persamaan yang didasarkan pada garis lurus yang
mencerminkan adanya hubungan linear antara variabel bebas (X) dengan variabel terikat (Y).
Garis lurus tersebut dapat didefinisikan dengan dua hal : 1) slope atau gradient yang diwakili
dengan notasi 1, 2) suatu titik dimana garis melintasi sumbu vertikal dalam grafik yang
disebut sebagai intercept dan diwakili dengan notasi a atau 0. Untuk memahami regresi
linear dengan benar maka dapat dilihat gambar garis regresi sebagai berikut :
 Y

6 X,Y (2,5)

2 a=3

0 1 2 3 4 5 X

Regresi menggunakan trend linear (garis lurus), maka persamaan regresi linear adalah
persamaan yang mengekspresikan hubungan linear antara variabel terikat dengan satu atau
lebih variabel bebas, adapun persamaan regresi dapat ditunjukkan sebagai berikut :
Y = a + bX + e atau
Y = 0 + 1X1 +  (regresi sederhana : 1 variabel Y dan 1 Variabel X)
selanjutnya :
Y = a + b1X1 + b2X2 + e atau
Y = 0 +1X1 + 2X2 + ,,, +  (regresi berganda: 1 variabel Y dan lebih dari 1
Variabel X)
dimana :
Y = variabel terikat/tergantung/dipengaruhi/kriterion
X = variabel bebas/independen/konstruk/predictor
a/0 = intercept/konstanta adalah nilai Y pada saat variabel bebas sama dengan nol.
b1,b2/1,2 = merupakan koefisien regresi jika hanya ada satu predictor, dan koefisien
regresi partial jika terdapat lebih dari satu predictor. Nilai ini juga mewakili
koefisien regresi baku (standardized) dan koefisien regresi tidak baku
(unstandardized). Koefisien regresi ini merupakan jumlah perubahan yang
terjadi pada Y yang disebabkan oleh perubahan nilai X, untuk menghitung
perubahan ini dapat dilakukan dengan cara mengalikan nilai prediktor
 sebenarnya (observasi) untuk kasus (data) tertentu dengan koefisien regresi
prediktor tersebut.
Hubungan linear dalam regresi linear mempunyai tiga kemungkinan yaitu ; 1)
hubungan linear positif, 2) hubungan linear negatif, 3) tidak ada hubungan linear. Selanjutnya
ada beberapa asumsi yang melandasi regresi linear yaitu :
1. Normalitas Data, dimaksudkan untuk menguji apakah nilai residual yang telah
distandarisasi pada model regresi terdistribusi normal atau tidak. Nilai residual
terstandarisasi yang berdistribusi normal jika digambarkan dengan bentuk kurva akan
membentuk gambar lonceng (bell shaped curve). Kesalahan yang terdistribusi secara
normal, diasumsikan bahwa residual dalam model bersifat random, variabel-variabel
terdistribusi secara normal dengan rata-rata sebesar nol. Untuk mendeteksi apakah nilai
residual terstandarisasi berdistribusi normal atau tidak dapat digunakan analisis grafik dan
analisis statistic.
Pada lembar kerja SPSS atau data yang sudah dinput untuk Analisis grafik : klik Analyse,
Regression, Linear, masukan variable terikat pada kotak dependen, masukan variabel
bebas pada kotak independen. Klik Plots, pada kotak Y ketik/klik Dependent, pada kotak
X isi/klik ZRESID, pada Standardized Residual Plots : klik Histogram, Normal
probability plot, lalu OK maka muncul gambar histogram dan gambar plots. Untuk uji
normalitas dapat juga dilakukan dengan metode Skewness (kemiringan) dan Kurtosis
(keruncingan), uji dengan metode Kolmogorov-Smirnov, uji dengan metode Jarque-Bera
(uji JB)
2. Tidak terjadi multikolinearitas, artinya tidak ada hubungan linear yang sempurna antar
variabel bebas. Kolinearitas berarti terjadi korelasi linear yang mendekati sempurna antar
dua variabel bebas. Multikolinearitas berarti terjadi korelasi linear yang mendekati
sempurna antar lebih dari dua variabel bebas (vertikal) antar variabel bebas dengan
variabel terikat (lateral) Hair (2010), Sholihin dan Ratmono (2013). Jika dalam model
regresi terdapat korelasi yang tinggi atau sempurna diantara variabel bebas maka model
regresi tersebut dinyatakan mengandung gejala multikolinearitas. Terdapat beberapa
metode untuk mendeteksi gejala multikolinearitas yaitu :
a. Hubungan linear sempurna dicerminkan terjadinya korelasi yang tinggi antar variabel
bebas yang menurut Hair (2010) sebesar 0,90. Nilai-nilai lain yang dapat digunakan
adalah variance inflation factor (VIF) dengan batasan VIF < 5 tidak terjadi
multikolinearitas, bila nilai VIF > 5 maka diindikasikan terjadi multikolinearitas, atau
dengan nilai condition index > 5 terjadi multikolinearitas, bila nilai condition index <
 5 tidak terjadi multikolinearitas. Asumsi ini hanya berlaku untuk regresi linear
berganda.
b. Jika nilai R2 tinggi, misal diatas 0,80. Uji F menolak hipotesis nol. Nilai t statistic
yang sangat kecil atau tidak ada variabel bebas yang significant
c. Nilai Pair Wise Correlation antar variabel bebas tinggi, misal > 0,70
d. Nilai TOL (tolerance), misal > 10, bila < 10 tidak terjadi multikolinearitas
3. Tidak boleh terjadi heteroskedastisitas, yaitu adanya varian variabel pada model regresi
yang tidak sama (konstan). Justru yang diharapkan adalah homoskedastisitas yaitu adanya
varian variabel pada model regresi yang memiliki nilai yang sama (konstan).
Homoskedastisitas adalah deskrispi data dimana varian batas kesalahan (error term = e)
kelihatan konstan diluar jangkauan dari nilai variabel bebas tertentu. Asumsi kesamaan
varian kesalahan populasi  (dimana  diestimasi dari nilai sampel e) kritis jika
diaplikasikan pada regresi linear yang benar, maka data disebut bersifat
heteroskedastisitas. Dengan kata lain homoskedastisitas merupakan asumsi dimana
variabel terikat menunjukkan tingkatan varian yang sama untuk semua variabel bebasnya.
Jika penyebaran nilai varian pada semua variabel bebas tidak sama, maka hubungan
tersebut dikatakan sebagai heteroskedastisitas.
4. Tidak terjadi otokorelasi. Otokorelasi terjadi saat dua observasi atau nilai berkorelasi
dalam satu variabel. Untuk pengujian otokorelasi dapat digunakan nilai Durbin-Watson
(DW) kisaran nilai ini antara 0-4. Tidak terjadi otokorelasi bila nilai -2  DW  2
(Anderson, 2011).
5. Linearitas, mempunyai arti bahwa nilai rata-rata veriabel tergantung untuk masing-
masing kenaikan variabel bebas terletak pada garis lurus, atau model regresi bersifat
linear.
6. Variabel bebas atau predictor tidak boleh berkorelasi dengan error atau disturbance term.
Jika ini terjadi maka metode Least Square (LS) yang digunakan untuk menaksir
parameter yang tidak diketahui, yaitu koefisien regresi akan bias dan tidak konsisten.
7. Variabel bebas dan variabel terikat harus kualitatif dan berskala metric, interval atau
rasio.
8. Variabel bebas yang digunakan sebagai predictor tidak boleh berkorelasi dengan variabel
eksternal yang tidak dimasukan dalam model regresi yang dibuat.
Sebelum dilakukan input data dari kuesioner ke SPSS atau tabulasi ke Excel
sebaiknya diperhatikan terlebih lembaran kuesioner yang diisi oleh responden, mengapa
demikian, karena ada kemungkinan pengisian kuesioner yang tidak tuntas khususnya pada
jawaban persepsi dalam skala Likert. Untuk itu diperlukan langkah bijak dari peneliti untuk
melakukan perbaikan yaitu :
1) Mendatangi kembali responden tersebut untuk dapat melengkapi jawabannya, ini dapat
dilakukan bila peneliti memberi kode khusus pada semua lembar / bundle kuesioner yang
hanya peneliti yang mengetahuinya, sehingga mudah untuk melacaknya waktu
disebarkan.
2) Dilengkapi sendiri oleh peneliti mana jawaban persepsi yang tidak lengkap, pada jawaban
netral.
3) Memberi kode atau nomor urut pada setiap bundle / lembaran kuesioner yang selesai diisi
oleh responden, dengan tujuan memudahkan peneliti bila diperlukan dalam perbaikan
data atau indikator yang tidak valid dan sebagainya.
4) Setelah pengisian data dirasa lengkap, maka langkah selanjutnya semua data dapat input
dari kuesioner ke Excel atau langsung ke SPSS bila diperlukan, yang mulai dari
indentitas responden sampai jawaban responden.

C. Tutorial SPSS, Contoh Olah Data Kuesioner dan Penjelasannya

Pada dasarnya setiap mahasiswa di Perguruan Tinggi yang telah masuk dalam tahap
penyelesaian perkuliahan dan penyusunan tugas akhir di semester V dan VI untuk program
D-III atau skripsi di semester VII, VIII atau IX untuk program S.1 mempunyai kemampuan
untuk melakukan olah data dengan menggunakan excel dan program SPSS atau pengolah
data lainnya seperti SEM-AMOS, LISREL, PLS, Warp-PLS. Karena buku-buku, chapter
buku dan tutorial dalam bentuk CD, Video yang berkaitan dengan pengolahan data terutama
dengan SPSS cukup banyak tersedia dalam media internet. Permasalahan terletak pada
kemampuan, kemauan dan kesempatan yang dimiliki oleh masing-masing mahasiswa untuk
belajar secara mandiri (otodidak), pengolahan data dengan SPSS dapat dipelajari secara
mandiri, dengan bantuan orang lain, atau masuk les pengolahan data. Kelemahan lain dalam
olah data yang diambil dari internet adalah sebagian dari penyajiannya tidak tuntas sehingga
mahasiswa yang mempelajari sedikit bingung atau tidak bisa menuntaskannya.
Kenyataan yang banyak dijumpai pada sebagian mahasiswa yang menyusun skripsi
lebih suka atau cenderung melakukan penelitian dengan menggunakan instrumen kuesioner,
tapi masalahnya banyak mahasiswa yang tidak tau cara mengolah data kuesionernya terutama
mahasiswa yang berasal dari daerah atau yang jauh dari pusat kota, tapi kondisi ini tidaklah
menjadi alasan kuat untuk dapat mengetahui dan memahami olah data terutama dengan
SPSS.
 Pada Tutorial SPSS berikut ini, data yang akan diolah berjenis data primer melalui
kuesioner dengan skala likert 1 sampai 5 (sangat tidak setuju sampai sangat setuju) dan SPSS
yang digunakan SPSS version 23. Tutorial SPSS berikut ini disertai dengan langkah-langkah
olah data kuesioner SPSS meliputi : setting variabel, input data, pemetaan responden,
pemetaan jawaban responden, compute variabel, menguji kualitas data, uji regresi,
melakukan regresi, uji asumsi klasik, yang disertai dengan penjelasannya. Dalam olah data
berikut adalah menggunakan data primer kuesioner Audit yang terdiri dari 4 variabel yaitu :
Kompentensi auditor X1 (Independen, atau variabel bebas)
Independensi Auditor X2 (Independen, atau variabel bebas)
Integritas Auditor X3 (Independen, atau variabel bebas)
Kualitas Audit Y (Dependen, atau variabel terikat)
Untuk mengolah dan menginput data dapat menggunakan microsoft excel selanjutnya
dicopy atau ekspor ke SPSS, atau dapat langsung mengiput data pada program SPSS. Pada
kesempatan ini hanya disajikan input data langsung pada program SPSS. Catatan yang harus
dipenuhi bahwa dikomputer atau di laptop sudah ada program pengolah data SPSS yang siap
dioperasikan. Berikut tutorial yang dilengkapi dengan langkah-langkah cara olah data
kuesioner dengan SPSS :

1. Aktifkan komputer /Laptop lalu klik icon SPSS yang ada Desktop / shortcut / folder
(tertulis IBM SPSS Statistic).
Setelah diklik maka akan muncul layar kerja pada program SPSS sebagai berikut :

Sebenarnya gambar layar kerja diatas tampil dalam satu bidang, hanya untuk membedakan
dimunculkan dua layar kerja yaitu : 1) variable view yaitu untuk menginput data deskripsi
dari responden (umur, pendidikan, pekerjaan, lama bekerja, golongan, bagian dan
seterusnya), selanjutnya untuk menginput variabel atau item pernyataan yang digunakan
dalam kuesioner penelitian (jumlahnya sesuai dengan kebutuhan penelitian). 2) data view
yaitu layar kerja untuk menginput semua data yang telah disajikan pada layar kerja variable
view.

2. Langkah Setting Variabel

Untuk melakukan input data terlebih dahulu Variabel View-nya disetting seperti dibawah ini:
Dari layar diatas terlihat bahwa dari baris pertama sampai baris keenam diperuntukkan
untuk menampung data indentitas responden mulai dari usia sampai pendidikan dan pelatihan
yang telah diikuti responden. Data-data ini disetting dengan type Sting dan pengukuran
secara ordinal karena hanya digunakan untuk mendeskripsikan pemetaan responden melalui
Frekuensi. Sedangkan baris ke tujuh sampai dua puluh delapan diperuntukkan untuk
menampung data jawaban responden yang disimbolkan dengan Q (Question) yang terdiri atas
22 butir pernyataan untuk 4 Variabel dengan type numeric dan pengukurannya dengan skala
(scale). Dalam data yang digunakan Q1-Q6 untuk variabel Kompentensi Auditor (X1), Q 7-Q11
untuk Variabel Independensi Auditor (X2), Q12-Q17 untuk Variabel Integritas Auditor (X3)
dan Q18-Q22 untuk Variabel Kualitas Audit (Y) (semua angka dan harus diketik sendiri).

3. Langkah Input Data

Setelah melakukan setting Variabel dengan benar maka langkah selanjutnya adalah meng-
input data dengan mengklik Data View, input data tinggal masukkan semua data dari
kuesioner dari jawaban responden ke Data View seperti gambar di bawah ini :
Dari layar diatas terlihat bahwa responden pertama berumur 31 tahun berjenis kelamin pria,
telah berkerja selama 5 tahun, berpendidikan Sarjana (S1) dan belum pernah mengikuti
diklat. Jawaban responden ini untuk pernyataan pertama adalah tidak setuju yang
disimbolkan dengan angka 2, dan begitulah seterusnya sampai responden 34 silahkan baca
sendiri. (semua angka dan huruf diketik sendiri).

4. Langkah Pemetaan Responden

Setelah input data selesai maka selanjutnya sudah dapat dilakukan analisa terhadap data
tersebut, maka langkah senjutnya adalah memetakan responden, tujuannya agar diperoleh
gambaran mengenai karakteristik responden. Langkahnya klik Menu Utama Analize, Pilih
Descriptive Statistics lalu Frecuencies seperti gambar di bawah ini :

Maka akan muncul jendela Frecuencies-nya, pada kotak dialog Frecuencies Variabel umur,
jenis kelamin, masa berkerja, Pendidikan terakhir dan diklat yang merupakan indentitas
responden dimasukkan dalam kotak Varible(s) dengan cara meng-klik tanda panah disamping
kotak tersebut sehingga hasilnya seperti gambar di bawah ini :
Setelah itu klik OK (tidak perlu lagi mengatur statistis, Chart atau formatnya tinggal
mengikuti pengaturan bawaan saja). Hasilnya seperti Gambar di bawah ini :
5. Langkah Pemetaan Jawaban Responden
Setelah responden dipetakan, sekarang giliran jawaban responden yang dipetakan, tujuannya
adalah untuk mendeskripsikan bagaimana jawaban yang diberikan responden. Langkah-
langkahnya klik menu utama Analize Pilih Descriptive Statistics lalu Frecuencies
seperti gambar di bawah ini :

Maka akan muncul jendela Frecuencies-nya, pada kotak dialog Frecuencies Variabel Q1
sampai Q22 yang merupakan jawaban responden dimasukkan dalam kotak Varible(s) dengan
cara meng-klik tanda panah disamping kotak tersebut sehingga hasilnya seperti Gambar di
bawah ini :
Setelah itu klik OK (tidak perlu lagi mengatur statistis, Chart atau Formatnya tinggal
mengikuti pengaturan bawaan saja). Hasilnya seperti Gambar di bawah ini :
6. Langkah Meng-Compute Variable
Selanjutnya setelah responden dan jawaban responden dipetakan maka sudah saatnya
melakukan ujikualitas data, uji kualitas data dalam postingan ini menggunakan uji Validitas
dan uji Reliabilitas. Untuk yang pertama kita lakukan uji Validitas. Sebelum melakukan uji
Validitas terlebih dahulu konstruk-konstruk dari setiap Variabel dijumlahkan terlebih dahulu
dengan cara Klik Menu Utama Transform lalu Compute Variable seperti Gambar Di bawah
ini :

Dalam kotak dialog compute variable, pada target variable ketik X1 lalu klik Type&Label
Ketik nama Variable yang dimaksud pada label (contoh disini : Kompetensi Auditor) lalu
Continue. Kembali pada kotak dialog compute Variable, pada kotak numeric Xpression-nya
jumlahkan Q1 + Q2 + ,,,, + Q6 untuk Variabel X1 dengan cara klik satu persatu konstruk
tersebut kemudian klik tanda panah disamping lalu klik (+) Lalu klik OK.
Sampai disini kita telah berhasil mendapatkan total dari Variable pertama X1(dapat dilihat
pada data Viewnya). Untuk Variabel selanjutnya X2, X2 dan Y juga demikian disesuaikan
dengan nama Variabel dan urutan konstruknya, berikut hasilnya :
7. Langkah Menguji Kualitas Data
Setelah didapat nilai total konstruk dari masing-masing variable maka telah bisa dilakukan uji
Validitas. Uji ini bertujuan untuk mengetahui validitas secara keseluruhan dengan
menggunakan beberapa metode dan cara. Namun tidak menggunakan cara manual, tetapi
menggunakan bantuan perangkat komputer melalui program SPSS (Statistical Package for
the Social Sciences). Menurut Suliyanto (2011) bahwa keputusan valid atau tidak validnya
dari suatu instrument penelitian berdasarkan nilai r kritis sebesar 0,30 bila nilai r hitung lebih
besar dari 0,30 maka butir instrument dapat dikatakan valid, kecil dari 0,30 berarti tidak valid
atau korelasi product moment lebih besar dari r tabel bila nilai r hitung lebih besar dari r tabel
maka butir instrument dapat dikatakan valid, bila r hitung kecil dari r tabel berarti tidak valid
(r tabel lihat pada tabel Product Moment). Berikut dapat dijelaskan beberapa contoh uji
validitas yaitu :
1. Uji validitas dengan Correlate (hubungan korelasi bevariat)
Adalah uji validitas dengan melakukan korelasi antara masing-masing skor indikator
dengan total skor variabel utama. Disini tidak membandingkan hasil (output) antara nilai
rtabel dengan rhitung namun dengan melihat nilai akhir pada baris pearson correlation yang
memiliki tanda bintang, dimana tanda * significant pada  = 10%, ** significant pada  =
5%, *** significant pada  = 1%.
2. Uji validitas dengan Corrected Item total Correlation pada Cronbach Alpha
Adalah uji validitas dengan mengkorelasikan setiap skor butir indikator dengan skor
keseluruhan butir indikator terhadap variabel induknya atau dikenal juga dengan korelasi
Product Moment. Yaitu membandingkan hasil output Corrected Item total Correlation
(rhitung) dengan rtabel (nilai kritis) pada degree of freedom (df) = n-2, dimana n adalah
jumlah sampel dan standard uji yang sering dilakukan pada  = 5%.
3. Uji validitas dengan Analisis Faktor
Analisis faktor adalah sebuah teknik yang digunakan untuk mencari faktor-faktor yang
mampu menjelaskan hubungan atau korelasi antara berbagai indikator independen yang
diobservasi. Analisis faktor digunakan untuk mengidentifikasi sejumlah faktor yang
relatif kecil yang dapat digunakan untuk menjelaskan sejumlah besar variabel yang saling
berhubungan. Adapun tujuan analisis faktor yaitu : 1) Untuk melakukan data
summarization untuk variabel-variabel yang dianalisis, yakni mengidentifikasi adanya
hubungan antar variabel, 2) Data reduction, yakni setelah melakukan korelasi, dilakukan
proses membuat sebuah variabel set baru yang dinamakan faktor. Batasan yang harus
dipenuhi dalam analisis faktor yaitu :
 a) Ukuran sampel minimal 5 x Variabel yang diteliti. Jika terdapat 20 Variabel, maka
sampel minimal 100 responden, ini berarti dalam penelitian ini ada 20 kolom
(variabel) dan 100 baris (responden) atau 2000 sel data.
b) Menentukan besaran nilai Barlett Test of Sphericity, yang digunakan untuk
mengetahui apakah ada korelasi yang signifikan antar variabel. Bartlett Test of
Sphericity significant harus lebih kecil dari pada Alpha standar 0,05. Kita lihat
dari output bahwa Sig 0,000 lebih kecil dari Alpha 0,05 untuk menerima atau
menolak hipotesis nol (rho=0) dan terima hipotesis alternatif (rho≠0) sehingga
disimpulkan ada korelasi antar variabel multivariate atau tidak ada korelasi antar
variabel.
c) Keiser-Meyers-Oklin (KMO) Measure of Sampling Adequacy, yang digunakan
untuk mengukur kecukupan sampel dengan cara membandingkan besarnya
koefisien korelasi yang diamati dengan koefisein korelasi parsialnya, kriteria
kesesuaian dalam pemakaian analisis faktor adalah :
1) Jika harga KMO sebesar 0,9 berarti sangat memuaskan,
2) Jika harga KMO sebesar 0,8 berarti memuaskan,
3) Jika harga KMO sebesar 0,7 berarti harga menengah,
4) Jika harga KMO sebesar 0,6 berarti cukup,
5) Jika harga KMO sebesar 0,5 berarti kurang memuaskan, dan
6) Jika harga KMO kurang dari 0,5 tidak dapat diterima.
d) Melihat output pada Anti Image Matrices dimana yang perlu kita lihat sisi
Measure of Sampling Adequacy (MSA) saja yaitu yang ada huruf “a” nya pada
Anti Image Correlationnya, nilai MSA ini selalu berkisar antara 0 hingga 1.
Batasan yang harus dipenuhi adalah :
1) MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
2) MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
3) MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut,
atau dikeluarkan dari variabel lainnya
Uji validitas tujuannya untuk melihat korelasi antara setiap indikator dengan variabel utama
dan analisis faktor ini lebih banyak digunakan untuk penelitian yang multivariate analysis
dengan alasan menggunakan variabel dan indikator yang lebih banyak dibandingkan dengan
univariate analysis, disamping itu analisis faktor dapat digunakan untuk mereduksi beberapa
indikator / faktor menjadi jumlah tertentu atau jumlah yang diinginkan.
Uji validitas dengan korelasi bivariate :
Langkah-langkahnya adalah Klik Menu Utama Analize kemudian Correlate lalu bivariate
seperti gambar berikut :

Lalu akan muncul kotak dialog bivariate correlations, disini kita harus memasukkan butir-
butir pertanyaan/konstruk per Variabel kedalam kotak Varible(s) dan total konstruk yang
telah dicompute tadi seperti gambar berikut :

Lalu klik OK maka akan muncul hasilnya seperi berikut :

Variabel Kompetensi Auditor (X1)

Variabel Independensi Auditor (X2)

Variabel Integritas Auditor (X3)

Variabel Kualitas Audit (Y)

Valid tidaknya item pernyataan atau masing-masing indikator dapat dilihat dari nilai pearson
correlation yang berkorelasi positif atau negatif, misal *sinificant dibawah 0.10, **significant
dibawah 0.05, ***significant dibawah 0.01 terhadap total variabel. Hal ini juga dilakukan
untuk setiap Variable yang ada untuk melihat korelasi dari konstruk setiap variable terhadap
total konstruknya, tapi bagaimana bila masih ada dari atau salah satu item pernyataan atau
indikator yang tidak memenuhi asumsi validitas (tidak valid), maka akan dilakukan perlakuan
khusus.
Uji validitas dengan Corrected Item total Correlation pada Cronbach Alpha :
Klik Analyse, Scale, Reliability Analysis, pindahkan variabel ke kotak items, statistic, scale if
item deleted, continue, Ok.
 Item-Total Statistics

Corrected Item- Cronbach's

Scale Mean if Scale Total Alpha if Item
Item Deleted Variance if Correlatio Deleted
Item Deleted n

Kompetensi Auditor1 18.1176 13.198 .448 .898

Kompetensi Auditor2 17.9706 12.151 .792 .834
Kompetensi Auditor3 17.4412 14.012 .559 .872
Kompetensi Auditor4 17.6471 13.023 .726 .847
Kompetensi Auditor5 18.0588 11.754 .729 .844
Kompetensi Auditor6 17.9706 11.242 .890 .814

Dalam contoh ini rtabel dengan nilai 0.339 berarti semua item indikator valid. Dari contoh
diatas dapat ditentukan bahwa n = 34 pada  = 0.05 maka df = n-2 adalah df= 34-2 = 32,
dapat digunakan rumus sebagai berikut dilembar kerja excel ketik =ttabel/SQRT(df+ttabel^2),
sebelumnya tentukan ttabel terlebih dahulu yaitu ketik =TINV(0.05,32) enter hasilnya 2.037
lalu masukkan hasil ke rumus =ttabel/SQRT(df+ttabel^2) maka =2.037/SQRT(32+2.037^2) enter
hasil 0.339.

Uji validitas dengan Analisis Faktor :

Basic Factor Analysis Concepts :
a) Communality-besarnya varian variabel yang disaring dengan variabel lainnya.
b) Eigenvalue -total variance yang dapat dijelaskan masing-masing faktor.
c) Factor loadings–korelasi antara faktor dan variabel.
d) Factor Matrix-matrik yang berisi faktor loading dari faktor yang terekstrasi
e) KMO measure of sampling adequacy-indeks yang digunakan untuk menguji kesesuaian
analisis faktor, nilainya minimal 0,5.
f) Residuals-perbedaan antara korelasi observasi dan korelasi hasile estimasi dari matrik
faktor.
Klik Analyse, dimension reduction, factor, dan pilih menu yang dibutuhkan pada
kotak items pada descripteves, initial solution, anti-image, KMO-Bartletts, continue, unrotate
factor solution, continue, varimax, rotate solution, save as variable, regression, continue, Ok.
 Menurut Dachlan (2014), Santoso (2014) bila masih ada instrument, indikator,
pernyataan yang tidak cukup meyakinkan atau tidak meyakinkan maka instrument dan
indikator dari variabel tersebut dilakukan perlakuan atau opsi yang sesuai yaitu:
1) Apabila variabel yang diukur masih memiliki banyak butir (item) pernyataan yang valid
berdasarkan hasil uji validitas, maka butir yang tidak valid bisa digugurkan (tidak
digunakan dalam proses tindak lanjut).
2) Apabila variabel yang diukur tidak banyak memiliki butir (item) pernyataan, atau butir
yang tidak valid berasal dari indikator, maka pernyataan dalam angket direvisi, dan
membagikan ulang kepada responden untuk dijawab).
3) Apabila butir (item) pernyataan yang tidak valid memiliki sifat tendensi (tidak
memberikan peluang yang sama pada opsi yang tersedia untuk dipilih responden), maka
lakukan penanganan seperti no.2 di atas.
4) Bila hasil uji instrumen masih ditemukan item pernyataan yang tidak valid maka data
sampel dapat ditambah atau pengumpulan data tetap dapat diteruskan sampai pada batas
kuota sampel yang ditetapkan (Santoso, 2014), bila pada sampel total masih dijumpai
item pernyataan atau instrument yang tidak valid maka item pernyataan dibuang secara
permanen dan tidak masuk pengolahan data final, perlakuan ini digunakan dengan
pertimbangan karena : a) responden tidak memahami pertanyaan yang disampaikan oleh
 peneliti, b) responden kurang serius dalam memberikan jawaban atas pertanyaan dalam
angket karena item pertanyaan terlalu banyak, atau item pernyataan yang panjang, c)
dalam ilmu sosial instrument yang digunakan sudah ada yang baku, telah teruji validitas
dan reliabilitasnya, tapi masih banyak yang belum baku bahkan tidak ada. Untuk itu
peneliti harus mampu menyusun sendiri instrument penelitian dan menguji validitas dan
reliabilitasnya (Sugiyono, 2008 : 122).
5) Mengugurkan, membuang atau menyebar ulang kuesioner, khususnya terhadap item
instrument yang tidak valid dalam penelitian survey atau sumber data primer bukanlah
sebuah jaminan akan menjadikan item pernyataan tersebut tetap valid bahkan dapat
menganggu validitas item instrument yang lain, maka disini diperlukan sikap dan
perlakuan hati-hati dari peneliti terhadap item pernyataan yang tidak valid tersebut karena
berkaitan dengan pendapat, persepsi, sikap, bahkan deskripsi tindakan seseorang yang
dikumpulkan dalam satu rentang waktu tertentu (cross sectional).

Uji Reliabilitas
Setelah keempat variable telah diuji validitasnya, dan ternyata semuanya valid maka
dapat dilanjutkan kepada uji reliabilitas, uji reliabilitas adalah untuk melihat keabsahan
instrument penelitian bila digunakan berulang-ulang akan mengasilkan nilai yang relative
tidak berubah. Uji reliabilitas digunakan untuk mengetahui konsistensi instrumen, apakah
instrumen yang digunakan dapat diandalkan dan tetap konsisten jika instrumen tersebut
diulang. Teknik yang digunakan dalam pengujian reliabilitas ini adalah menggunakan metode
Cronbach’s Alpha. Dasar pengambilan keputusan untuk pengujian reliabilitas adalah sebagai
berikut:
Tingkat Keandalan Cronbach’s Alpha
Nilai Cronbach’s Alpha Tingkat Keandalan
0.00 - 0.20 Kurang Andal
>0.20 – 0.40 Agak Andal
>0.40 – 0.60 Cukup Andal
>0.60 – 0.80 Andal
>0.80 – 1.00 Sangat Andal
Sumber: Hair et al. (2010)
Keterangan
:
- Jika nilai Cronbach’s Alpha > 0,60, maka kuesioner yang diuji dinyatakan reliabel.
- Jika nilai Cronbach’s Alpha < 0,60, maka kuesioner yang diuji dinyatakan tidak reliabel.
Caranya Klik Analize lalu Scale lalu Reliability Analysis, akan muncul kotak dialog
Reliability Analysis seperti Gambar berikut:
Pada Kotak Item masukkan butir-butir konstruk per Variabel (ingat, hanya butir-butirnya
saja) dengan cara klik satu per satu lalu klik tanda panah lalu Ok seperti Gambar Berikut :

Ini dilakukan untuk setiap Variabel. dan hasil adalah :

Variabel Kompetensi Auditor

Lakukan hal sama untuk variabel independensi auditor, integritas auditor, kualitas audit,
reliabel tidaknya instrumen dilihat dari nilai Cronbach Alfa yang diatas 0,60.

8. Melakukan Uji Asumsi Klasik

Secara teori uji asumsi klasik dilakukan sebelum Uji Regresi (karena Model regresi harus
terlebih dahulu lolos Asumsi Klasik atau data berdistribusi normal) uji normalitas instrument
data dapat dilakukan secara mandiri dengan uji Kolmogorov-Smirnov Test bila p-value diatas
0,05 maka instrument data berdistribusi normal dapat dilihat hasil sebagai berikut : Klik
Analyse lalu Non Parametrict Test lalu Legacy Dialog lalu 1-Sample KS, maka muncul layar
berikut :
Maka akan muncul gambar atau layar berikut, pindahkan dengan krusor semua variabel (total
variabel) yang sudah dicompute ke Test Variable Test lalu klik OK

Maka diperoleh hasilnya..

Ternyata semua hasil variabel yang diuji dengan uji Kolmogorov Smirnov memenuhi syarat
diatas 0,05 dengan demikian data berdistribusi normal, namun dalam prakteknya asumsi
klasik dapat dilakukan sekaligus dalam uji regresi.

9. Langkah Uji Regresi

Setelah data telah diuji Valid dan uji Reliabel maka dapat dilakukan Pengujian Regresi.
Pengujian regresi ini dilakukan sekaligus dengan pengujian asumsi klasik (normalitas,
Multikolinieritas dan Heterokedastisitas). Langkah-langkah yang harus dilakukan adalah :
Mencari nilai rata-rata dari total konstruk sebagai nilai Variable. Caranya Klik Menu Utama
Transform lalu Compute Variable seperti berikut :

Dalam kotak dialog compute Variable, pada target Variable ketik X1 lalu klik Type&Label
Ketik nama Variable yang dimaksud pada label (contoh disini : Kompetensi Auditor) lalu
Continue. Kembali pada kotak dialog compute Variable, pada kotak numeric Expression-nya
masukkan Variabel X1 (Kompetensi Auditor) kemudian dibagi 6 (jumlah konstruk Lalu klik
OK) Seperti gambar berikut :
Maka diperoleh hasilnya sebagai berikut :

Sampai disini kita telah berhasil mendapatkan nilai dari Variable pertama (dapat dilihat pada
data View-nya. Untuk Variabel selanjutnya juga demikian disesuaikan dengan nama Variabel
dan jumlah konstruknya.
10. Melakukan Regresi
Setelah nilai rata-rata diperoleh untuk setiap Variabel, maka sudah dapat dilakukan regresi
dengan cara Klik Analize pada menu utama lalu Regressions kemudian Linier, seperti
berikut:

Maka akan muncul kotak dialog linier regressionnya. Pada kotak dialog tersebut, pada kotak
dependent masukkan Variable dependent-nya (contoh disini : Kualitas Audit) Lalu pada
kotak independent masukkan) Variable-Variable independent-nya (contoh disini :
Kompetensi Auditor, Integritas Auditor dan Independensi Auditor). Seperti berikut :
Pada kotak dialog Linier Regressions klik Opsi Statistic, pada kotak dialog Linier
Regressions : Statistic centang model fit, descriptive dan colinierity diagnostic dan kotak
regression coefficient centang estimate lalu continue seperti gambar berikut :

Kemudian Klik opsi Plot, maka akan muncul kotak linier regression : Plots. Pada kolom Y
masukkan *Z-PRED dan pada kolom X masukkan *S-RESID lalu centang Histogram dan
Normal Probability Plot pada kotak Standarized Residual Plots. Lalu Countinue Seperti
gambar berikut :
 Langkah selanjutnya klik opsi Save maka akan muncul kotak dialog Linier Regressions: Save
kemudian centang Unstandarized pada kolom residual lalu klik Countinue Seperti berikut :

Kemudian kita akan kembali pada kotak dialog Linier Regression, Nah setelah semua proses
tadi telah dilaukan dengan baik dan benar maka langkah terakhir Klik OK. Maka hasil dari
regresi pengolahan data kuesioner akan terlihat seperti ini :
Regression
Descriptive Statistics
Mean Std. Deviation N

Kualitas Audit 3.7824 .52655 34

Kompetensi Auditor 3.5735 .70016 34
Independensi Auditor 2.6471 .56367 34
Integritas Auditor 4.0882 .39191 34

Correlations
Kompetensi Independensi Integritas
Kualitas Audit Auditor Auditor Auditor
Pearson Correlation Kualitas Audit 1.000 .338 .223 .532
Kompetensi Auditor .338 1.000 .006 -.193
Independensi Auditor .223 .006 1.000 .072
Integritas Auditor .532 -.193 .072 1.000
Sig. (1-tailed) Kualitas Audit . .025 .102 .001
Kompetensi Auditor .025 . .486 .137
Independensi Auditor .102 .486 . .343
Integritas Auditor .001 .137 .343 .
N Kualitas Audit 34 34 34 34
Kompetensi Auditor 34 34 34 34
Independensi Auditor 34 34 34 34
Integritas Auditor 34 34 34 34
 Variables Entered/Removeda
Variables Variables
Model Entered Remove Method
d
1 Integritas
Auditor,
Independensi
. Enter
Auditor,
Kompetensi
Auditorb
a. Dependent Variable: Kualitas Audit
b. All requested variables entered.

Model Summaryb
Adjusted Std. Error of the
Model R R Square R Estimate
Square
1 .718a .515 .467 .38453
a. Predictors: (Constant), Integritas Auditor, Independensi Auditor,
Kompetensi Auditor
b. Dependent Variable: Kualitas Audit

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 4.714 3 1.571 10.626 .000b
Residual 4.436 30 .148
Total 9.149 33
a. Dependent Variable: Kualitas Audit
b. Predictors: (Constant), Integritas Auditor, Independensi Auditor, Kompetensi Auditor

Coefficientsa
Unstandardized Standardize
Coefficients d Collinearity Statistics
Model Coefficients t Sig.
B Std. Error Beta Tolerance VIF
1 (Constant) -1.205 .890 -1.354 .186
Kompetensi
.341 .097 .454 3.502 .001 .962 1.039
Auditor
Independens
.165 .119 .177 1.387 .176 .994 1.006
i Auditor
Integritas Auditor .815 .175 .606 4.667 .000 .957 1.045
a. Dependent Variable: Kualitas Audit

Collinearity Diagnosticsa

Variance Proportions
Condition Kompetensi Independensi Integritas
Model Dimension Eigenvalue Index (Constant) Auditor Auditor Auditor
1 1 3.934 1.000 .00 .00 .00 .00
2 .039 10.047 .00 .43 .55 .00
3 .024 12.841 .03 .36 .42 .14
4 .004 33.504 .97 .21 .03 .86
a. Dependent Variable: Kualitas Audit
 Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 3.0647 4.4942 3.7824 .37794 34
Std. Predicted Value -1.899 1.883 .000 1.000 34
Standard Error of Predicted
.080 .242 .126 .039 34
Value
Adjusted Predicted Value 3.1728 4.5390 3.7767 .37837 34
Residual -1.46470 .51508 .00000 .36663 34
Std. Residual -3.809 1.340 .000 .953 34
Stud. Residual -4.156 1.374 .006 1.025 34
Deleted Residual -1.74349 .54171 .00568 .42476 34
Stud. Deleted Residual -6.273 1.395 -.054 1.310 34
Mahal. Distance .472 12.085 2.912 2.539 34
Cook's Distance .000 .822 .041 .140 34
Centered Leverage Value .014 .366 .088 .077 34
a. Dependent Variable: Kualitas Audit
11. Hasil Regresi dan Penjelasannya

Setelah melalui proses analisis regresi maka hasil dapat ditunjukkan sebagai berikut :
Y = 0 + 1X1 + 2X2 + 3X3 + 
Y = - 1.205 + 0.341X1 + 0.165X2 + 0.815X3 + 
(-1.354) (3.502) (1.387) (4.667) t hitung
(1.697) (1.697) (1.697) (1.697) t tabel / nilai kritis (df = 34-3-1=30)
(0.890) (0.097) (0.119) (0.175) std error
(0.186) (0.001) (0.176) (0.000) significant / p-value
R = 0.718
R2 = 0.515
Adjusted R square = 0.467
Penjelasan :
a. 0 = -1.205 artinya bila diasumsikan variabel Kompetensi Auditor = X1, Independensi
Auditor = X2 dan Integritas Auditor = X 3 diberi nilai nol, maka Kualitas Audit = Y punya
nilai -1.205 tanda minus pada konstanta adalah nilai dibawah nol atau sama dengan nol
menunjukkan bahwa tanpa ada kompetensi, independensi dan integritas dari auditor sulit
untuk menentukan bahwa seorang auditor mempunyai kualitas. Bila ini terjadi pada
sebuah perusahaan yang di audit oleh seorang auditor yang tidak mempunyai kompetensi,
independensi, dan integritas justru dapat merugikan perusahaan tersebut atau dapat
dikatakan sebagai implikasi dari tidak dimilikinya kompetensi, independensi, dan
integritas oleh seorang auditor. Dalam kaidah ilmiah sebaiknya hasil penelitian ini
didukung oleh hasil penelitian lain yang mendukung atau bertentangan, atau hasil
penelitian yang menjustifikasi hasil penelitian yang sedang dilakukan.
b. 1 = 0.341, bila diasumsikan variabel Kompetensi Auditor = X 1 meningkat 1 variansi,
maka memberikan efek peningkatan pada Kualitas Audit sebesar 0,341 variansi pada taraf
significansi 0.001. Dapat disimpulkan bahwa kemampuan auditor mempunyai kontribusi
besar terhadap kualitas audit, karena dalam kompetensi auditor terkandung pendidikan,
keahlian, jam terbang dan pengalaman yang digunakan untuk melakukan audit.
c. 2 = 0.165, bila diasumsikan variabel Independensi Auditor = X2 meningkat 1 variansi,
maka memberikan efek peningkatan pada Kualitas Audit sebesar 0.165 variansi, tapi
peningkatan ini tidak significan yang ditunjukkan oleh p-value sebesar 0.176 atau t tabel
besar dari t hitung. Jadi yang dipertanyakan disini adalah bagaimana independensi
seorang auditor terhadap pihak-pihak yang terkait dengannya.
d. 3 = 0.815, bila diasumsikan variabel Integritas Auditor = X 3 meningkat 1 variansi, maka
memberikan efek peningkatan pada Kualitas Audit sebesar 0,815 variansi pada taraf
significan 0.00. yang perlu diperhatikan disini adalah integritas mencakup hal apa saja
karena dalam hasil penelitian ini mempunyai nilai yang tinggi dan kontribusinya terhadap
kualitas audit besar dan meyakinkan.
e.  = epsilon atau disturbance menunjukkan hal atau variabel yang tidak diperhitungkan,
tidak diteliti dalam penelitian ini, peneliti meyakini banyak faktor yang mempengaruhi
kualitas audit, tapi karena alasan tertentu dan keterbatasan hanya menggunakan beberapa
variabel dalam penelitian yang dilakukan.
f. R atau r = 0.718 menunjukkan keeratan hubungan (koefisien korelasi) antara variabel X
dengan Y, keeratan hubungan ini ditunjukan dalam tiga kondisi yaitu : 1) mendekati
positif 1 artinya X meningkat maka Y juga meningkat. Nilai r = 0.718 menunjukkan
korelasi yang kuat antara X dan Y, 2) mendekati negatif 1 artinya X meningkat tapi Y
menurun atau peningkatan X justru menjadikan Y menurun, 3) mendekati nol artinya
perubahan-perubahan yang terjadi pada satu variabel mempunyai pengaruh lemah
terhadap variabel lain atau perubahan variabel X tidak mempunyai efek terhadap variabel
Y, sebagai pedoman dapat digunakan ketentuan koefisien korelasi seperti pada tabel
berikut :
Kondisi Keterangan
0 Tidak ada korelasi antara dua variabel
0 s/d 0,25 Korelasi sangat lemah
R=r 0,25 s/d 0,50 Korelasi cukup
0,50 s/d 0,75 Korelasi kuat
0,75 s/d 0,99 Korelasi sangat kuat
1 Korelasi sempurna
Sumber : Sarwono J, 2017, p 158
g. R2 = 0.515 menunjukkan pengaruh variabel X terhadap variabel Y (koefisien determinasi)
artinya variabel X mempengaruhi variabel Y yaitu sebesar 0.515 atau 51,5 % dan sisanya
48,5 % atau (100% - 51,5%) dipengaruhi oleh faktor lain yang tidak diteliti dalam model,
besarnya pengaruh ini dapat dilihat tabel berikut :
R Squared (R2) Merupakan cara untuk mengukur tingkat Besar pengaruh
goodness of fit (GoF) suatu model 0.67 (kuat)
struktural, yaitu untuk menilai seberapa 0.33 (moderat)
besar pengaruh variabel independen 0.19 (lemah)
terhadap variabel dependen
Sumber : Sholihin dan Ratmono (2013) dan Yulianto (2017)
Adjusted R square = 0.467 adalah R2 yang sudah terjustifikasi atau disesuaikan sehingga
hasil R square bisa punya nilai negatif atau positif. Adjusted R square mempunyai fungsi
yang sama dengan R2, tapi dalam menafsirkan koefisien determinasi peneliti lebih
cenderung menggunakan R2 dari pada menggunakan Adjusted R square. Selanjutnya
standard error of the estimate menunjukkan bahwa semakin kecil nilai SEE menunjukkan
model regresi semakin tepat memprediksi variabel dependen.
h. Uji Significant Individual (uji statistic t)
Ada juga yang menyebut uji t adalah uji parsial, selanjutnya menghitung nilai t hitung
untuk kasus yang dibahas diatas dapat digunakan rumus berikut :

Signifikan pada semua level keyakinan (10%, 5%, dan 1%)

Tidak signifikan pada semua level keyakinan (10%, 5%, dan 1%)

Signifikan pada semua level keyakinan (10%, 5%, dan 1%)

Batas nilai kritis untuk tingkat kesalahan 10 % = 1,64 berarti tingkat keyakinan 90 %,
untuk kesalahan 5 % = 1,96 berarti tingkat keyakinan 95 %, untuk kesalahan 1 % = 2,58
berarti tingkat keyakinan 99 % (lihat tabel Distribusi t), untuk menentukan t hitung > ttabel
dapat dilihat pada tabel distribusi dengan memperhatikan derajat kebebasan df = n – k –
1, dimana n = jumlah observasi (sampel), k adalah jumlah variabel independen.
 Untuk kasus diatas df = 34-3-1 = 30, maka lihat pada baris 30 ditemukan pada keyakinan
90 % nilai ttabel = 1.697, pada keyakinan 95 % nilai t tabel = 2.042, pada keyakinan 99 %
nilai ttabel = 2.750., bila nilai thitung > ttabel maka hipotesis nol ditolak (lihat tabel Distribusi
t) atau masuk layar kerja Excel ketik =TINV(0.10,30) enter hasilnya 1.697, ketik
=TINV(0.05,30) enter hasilnya 2.042, ketik =TINV(0.01,30) enter hasilnya 2.750. Cara
lain untuk menentukan diterima / ditolaknya hipotesis adalah dengan melihat langsung
nilai significant pada tabel coefficient.
i. Uji statistic F
Uji statistic F sering disebut uji serentak, uji simultan, uji universal, uji F dapat dilakukan
dengan membandingkan nilai Fhitung dengan Ftabel (lihat tabel Nilai Kritis Distribusi F) jika
Fhitung > Ftabel maka hipotesis nol ditolak, artinya secara umum variabel independen
mempengaruhi atau mempunyai kontribusi terhadap perubahan variabel dependen yang
diteliti.
Significant uji F yang sering digunakan level  = 5% atau  = 1%. Ftabel dapat ditentukan
dengan df = V1 = k – 1 untuk menentukan kolom, df = V2 = n – k untuk menentukan
baris. Untuk kasus diatas diperoleh nilai Fhitung sebesar 10.626, dapat dilihat V1 = k – 1
maka V1 = 4 – 1 = 3 berarti lihat kolom ke 3. V 2 = n – k maka V 2 = 34 – 4 = 30 berarti
lihat baris ke 30, maka diperoleh nilai Ftabel 2,92 untuk  = 5% dan nilai Ftabel 4,509 untuk
 = 1% (lihat tabel distribusi F). Atau  = 5% pada lembar kerja excel ketik
=FINV(0.05,3,30) enter hasilnya 2.922 dan  = 1% pada lembar kerja excel ketik
=FINV(0.01,3,30) enter hasilnya 4.509.

Daftar Pustaka

Kontributor utama http://herugan.com/tutorial didownload 23 Maret 2019.

Anderson, Sweeny & William. 2011. Statistic for Business and Economic. South Western:
Cengange Learning.
Dachlan, Usman, (2014), Panduan Lengkap : Structural Equation Modeling, Tingkat Dasar,
Metodologi, Konsepsi, Aplikasi dengan Amos, Edisi I, Cetakan I, Lentera Ilmu,
Semarang, hal. 1-481.
Hair, Jr, Joseph F., Black, William C., Babin., Barry J., Anderson, Rolph E. (2010).
Multivariate Data Analysis, Seventh Edition, Copyright © 2010. Pearson Prentice
Hall, hal. 1-761.
Herispon. 2018. Analisis Perilaku Utang Rumah Tangga Dengan Pendekatan Theory Of
Planned Behavior Dan Financial Literacy (Studi Rumah Tangga Di Kota
Pekanbaru). Disertasi unpublisher, Fakultas Ekonomi, Universitas Andalas, Padang,
hal. 1-261.
Santoso, Singgih, (2014), Konsep Dasar dan Aplikasi SEM dengan AMOS 22, Cetakan I, PT.
Elex Media Komputindo, Jakarta, hal. 1-227.
Sarwono, J. 2017. Mengenal Prosedur-Prosedur Populer Dalam SPSS 23. PT. Elex Media
Komputindo, Jakarta, ISBN. 978-602-04-0349-6, hal. 1-272.
Sholihin, Mahfud dan Ratmono, Dwi. 2013. Analisis SEM-PLS Dengan WarpPLS 3.0 Untuk
Hubungan Nonlinear dalam Penelitian Sosial dan Bisnis. Edisi ke 1. Andi Offset.
Yogyakarta, hal. 1-288.
Sugiyono, (2008), Metode Penelitian Kuantitatif, Kualitatif dan R & D, Cetakan ke IV
Februari 2008, Alfabeta Bandung, hal. 1-334.
Suliyanto (2011) Perbedaan Pandangan Skala Likert Sebagai Skala Ordinal Atau Skala
Interval, Fakultas Ekonomi Universitas Jenderal Soedirman, Purwokerto, Prosiding
Seminar Nasional Statistika Universitas Diponegoro 2011, ISBN: 978-979-097-142-4
: hal. 1-10
Yulianto. Akhid. 2017. Warped-Pls, https://www.slideshare.net/akhidy/warped-pls-
71744108, didown load tanggal 11 Februari 2018.
Lampiran 1

Data linear, non linear, dan outlier

Lampiran 2

Konsep Variabel Penelitian

Sumber : Herispon, 2018

 Lampiran 3; Contoh data mentah dari respoden (dua variabel X dan Y )

JK Umur Pend Jabatan Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 X Q11 Q12 Q13 Q14 Q15 Q16 Q17 Q18 Q19 Q20 Y
L 25 D3 Purchasing 4 5 5 5 4 4 4 3 4 4 42 5 4 4 3 4 4 4 4 5 5 42
L 35 S1 End User/Planner 4 5 4 4 3 4 3 2 4 4 37 5 4 3 4 3 4 4 4 5 5 41
L 37 S1 End User/Planner 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
L 45 S2 Owner 2 5 4 4 4 4 4 4 5 4 40 4 5 2 2 4 5 4 4 4 4 38
L 41 S1 Mill Manager 4 5 5 5 5 5 4 4 4 4 45 5 5 4 4 4 4 4 4 4 5 43
L 20 D3 Purchasing 4 5 5 5 4 5 3 3 5 5 44 5 5 4 4 5 5 5 5 5 5 48
L 28 S1 End User/Planner 5 5 5 5 5 5 4 4 4 4 46 4 4 4 4 4 4 4 4 4 4 40
P 33 S1 End User/Planner 2 4 4 4 4 4 4 4 4 4 38 4 4 3 3 3 4 4 3 4 5 37
L 39 S1 Mill Manager 2 4 4 4 4 4 3 3 4 4 36 4 4 4 3 3 4 4 4 4 4 38
L 34 S1 Mill Manager 3 4 5 5 5 5 4 4 5 4 44 4 4 4 3 3 5 3 3 3 4 36
L 27 S1 End User/Planner 4 3 4 4 3 3 4 4 5 4 38 4 3 4 3 5 5 5 4 4 4 41
L 40 S1 Mill Manager 2 4 4 5 5 4 3 4 4 4 39 4 4 3 3 4 5 4 5 4 5 41
L 31 S1 End User/Planner 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
P 33 S1 End User/Planner 3 4 5 4 4 4 3 3 4 4 38 4 4 3 3 3 4 4 5 4 4 38
L 33 S2 Purchasing 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
L 45 S2 End User/Planner 3 4 5 4 4 4 3 3 4 4 38 4 4 3 3 3 4 4 5 4 4 38
L 43 S2 End User/Planner 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
P 22 D3 Purchasing 5 5 5 5 5 5 4 4 4 4 46 5 4 3 4 3 4 4 4 5 5 41
L 22 S1 End User/Planner 4 4 4 4 4 4 4 4 4 4 40 4 4 3 3 4 5 4 5 4 5 41
L 44 S2 Owner 4 5 4 4 3 4 3 2 4 4 37 4 3 4 4 4 4 4 5 4 4 40
L 35 S1 Mill Manager 4 5 5 5 4 5 3 3 5 5 44 5 5 4 4 5 5 5 5 5 5 48
L 34 S1 End User/Planner 5 5 5 5 5 5 4 4 4 4 46 4 4 4 4 4 4 4 4 4 4 40
L 36 S1 Mill Manager 2 4 4 4 4 4 4 4 4 4 38 4 4 3 3 3 4 4 3 4 5 37
L 45 S2 Mill Manager 2 4 4 4 4 4 3 3 4 4 36 4 4 4 3 3 4 4 4 4 4 38
P 31 S2 End User/Planner 2 4 4 5 5 4 3 4 4 4 39 4 4 3 3 4 5 4 5 4 5 41
L 39 S2 Purchasing 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
L 40 SMA Purchasing 3 4 5 4 4 4 3 3 4 4 38 4 4 3 3 3 4 4 5 4 4 38
L 41 S1 Owner 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
P 24 D3 Purchasing 4 5 5 5 4 4 4 3 4 4 42 5 4 4 3 4 4 4 4 5 5 42
P 25 S1 End User/Planner 4 5 4 4 3 4 3 2 4 4 37 5 4 3 4 3 4 4 4 5 5 41
P 25 S1 End User/Planner 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
P 27 S2 Purchasing 2 5 4 4 4 4 4 4 5 4 40 4 5 2 2 4 5 4 4 4 4 38
L 36 D3 Purchasing 4 5 5 5 5 5 4 4 4 4 45 5 5 4 4 4 4 4 4 4 5 43
L 36 D3 Purchasing 4 5 5 5 4 5 3 3 5 5 44 5 5 4 4 5 5 5 5 5 5 48
P 30 S2 Purchasing 5 5 5 5 5 5 4 4 4 4 46 4 4 4 4 4 4 4 4 4 4 40
P 35 S2 End User/Planner 2 4 4 4 4 4 4 4 4 4 38 4 4 3 3 3 4 4 3 4 5 37
P 34 S2 Purchasing 2 4 4 4 4 4 3 3 4 4 36 4 4 4 3 3 4 4 4 4 4 38
L 38 D3 Purchasing 3 4 5 5 5 5 4 4 5 4 44 4 4 4 3 3 5 3 3 3 4 36
L 28 S1 End User/Planner 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
L 29 S2 Purchasing 3 4 5 4 4 4 3 3 4 4 38 4 4 3 3 3 4 4 5 4 4 38
L 28 S2 Purchasing 4 4 4 4 4 4 4 4 4 4 40 4 4 4 4 4 4 4 4 4 4 40
P 27 S1 End User/Planner 5 5 5 5 5 5 4 4 4 4 46 5 4 3 4 3 4 4 4 5 5 41
P 37 S1 End User/Planner 4 4 4 4 4 4 4 4 4 4 40 4 4 3 3 4 5 4 5 4 5 41
P 37 SMA Purchasing 4 5 4 4 3 4 3 2 4 4 37 4 3 4 4 4 4 4 5 4 4 40
P 25 S1 End User/Planner 4 5 5 5 4 5 3 3 5 5 44 5 5 4 4 5 5 5 5 5 5 48
L 25 S1 End User/Planner 5 5 5 5 5 5 4 4 4 4 46 4 4 4 4 4 4 4 4 4 4 40

Dr. Herispon, SE. M.Si---STIE Riau, Pekanbaru---2020--| 45

L 24 S1 End User/Planner 2 4 4 4 4 4 4 4 4 4 38 4 4 3 3 3 4 4 3 4 5 37
L 22 D3 Purchasing 2 4 4 4 4 4 3 3 4 4 36 4 4 4 3 3 4 4 4 4 4 38
L 29 S1 End User/Planner 2 4 4 5 5 4 3 4 4 4 39 4 4 3 3 4 5 4 5 4 5 41
L 35 S2 Mill Manager 4 5 5 5 5 5 4 4 4 4 45 5 5 4 4 5 5 5 5 5 5 48
L 31 S1 Purchasing 4 5 5 5 4 5 3 3 5 5 44 4 4 4 4 4 4 4 4 4 4 40
L 28 S1 End User/Planner 5 5 5 5 5 5 4 4 4 4 46 4 4 3 3 3 4 4 3 4 5 37
L 34 S1 End User/Planner 2 4 4 4 4 4 4 4 4 4 38 4 4 4 3 3 4 4 4 4 4 38

Dr. Herispon, SE. M.Si---STIE Riau, Pekanbaru---2020--| 46

View publication stats