DAFTAR ISI

BAB I...................................................................................................................................................4
PENDAHULUAN..................................................................................................................................4
BAB II..................................................................................................................................................4
PENGANTAR EKONOMETRIKA............................................................................................................4
1.1. Pengertian Ekonometrika....................................................................................................4
1.2. Tujuan Ekonometrika..........................................................................................................1
1.3. Peranan Ekonometrika........................................................................................................2
1.4. Manfaat Ekonometrika........................................................................................................2
BAB II..................................................................................................................................................4
KONSEP EKONOMETRIKA...................................................................................................................4
2.1. Konsep Dasar Ekonometrika....................................................................................................4
2.2. Penggolongan Ekonometrika....................................................................................................5
2.3. Keuntungan dan Kelemahan Ekonometrika.............................................................................5
EKONOMETRIKA DAN METODE PENELITIAN.....................................................................................7
3.1. Ekonometrika dan Metode.......................................................................................................7
BAB IV.................................................................................................................................................9
METODOLOGI EKONOMETRIKA.........................................................................................................9
BAB V................................................................................................................................................15
VARIABEL PENELITIAN......................................................................................................................15
5.1 Variabel Bebas (Independent Variabel)...................................................................................16
5.2 Variabel Terikat (dependent variabel).....................................................................................17
5.3 Variabel Moderating (variabel Memoderasi)..........................................................................18
5.4 Perbedaan Antara Variabel Bebas dan Variabel Moderating..................................................19
5.5 Variabel Mediasi (Mediating Variable)....................................................................................21
5.6 Pendalaman Materi.................................................................................................................22
BAB VI...............................................................................................................................................23
METODE REGRESI LINEAR.................................................................................................................23
BAB VII..............................................................................................................................................27
REGRESI LINEAR SEDERHANA...........................................................................................................27
BAB VIII.............................................................................................................................................32
REGRESI LINEAR BERGANDA............................................................................................................32
8.1. Estimasi dan Asumsi...............................................................................................................32
8.2. Inferensi pada Regresi Linier Berganda..................................................................................34
8.3. Kelaiksuaian pada Regresi Berganda......................................................................................34
BAB IX...............................................................................................................................................38

1
ANALISIS JALUR................................................................................................................................38
9.1. Pengertian Analisis Jalur....................................................................................................38
9.2. Tujuan Analisis jalur...........................................................................................................39
9.3. Manfaat Analisis Jalur........................................................................................................39
9.4. Analisis Jalur dalam Teknis Analisis Multivariat.................................................................42
9.5. Kelebihan Analisis jalur dibanding dengan regresi liner berganda....................................43
9.6. Persyaratan Menggunakan Path Analysis......................................................................44
BAB X................................................................................................................................................46
ANALISIS KORELASI...........................................................................................................................46
10.1. Pengertian Analisis Korelasi..................................................................................................46
10.2 Manfaat Analisis Korelasi......................................................................................................46
10.3 Metode Pengukuran Analisis Korelasi...................................................................................47
10.4 Koefisien Korelasi..................................................................................................................49
APLIKASI ANALISIS JALUR.................................................................................................................51
11.1 LANGKAH ANALISIS JALUR.....................................................................................................51
11.2 PENGARUH LANGSUNG DAN TIDAK LANGSUNG...................................................................53
11.3 VALIDITAS MODEL.................................................................................................................57
11.4 INTERPRETASI........................................................................................................................58
11.5 MANFAAT ANALISIS PATH.....................................................................................................58
BAB XII..............................................................................................................................................60
SEM STRUCTURAL EQUATION MODELING.......................................................................................60
12.1 Pengertian SEM.....................................................................................................................60
12.2 Manfaat SEM.........................................................................................................................60
12.3 Karakteristik SEM..................................................................................................................60
12.4 Variabel Laten.......................................................................................................................60
12.5 Variabel Terukur (Measured Variables).................................................................................61
12.6 Observed or Unobserved ????..............................................................................................61

2
 KATA PENGANTAR
Segala puji syukur kami panjatkan kepada Tuhan yang maha Esa, karena atas
pertolongan dan limpahan rahmatnya sehingga penulis bisa menyelasikan buku yang
berjudul Ilmu Akuntansi. Buku ini di susun secara lengkap dengan tujuan untuk
memudahkan para pembaca memahami isi buku ini. Buku ini membahas tentang sejarah
akuntansi, filsafat ilmu akuntansi, teori dan perkembangan akuntansi, siklus akuntansi,
laporan keuangan, akuntansi perbankan, akuntansi perpajakan, akuntansi perkopeasian,
akuntansi utang dan investasi akuntansi manajemen akuntansi internasional dan sistem
informasi akuntansi.

Kami menyadari bahwa buku yang ada ditangan pembaca ini masih banyak
kekurangan. Maka dari itu kami sangat mengharapkan saran untuk perbaikan buku ini
dimasa yang akan datang. Dan tidak lupa kami mengucapkan terimakasih kepada semua
pihak yang telah membantu dalam proses penerbitan buku ini. Semoga buku ini dapat
membawa manfaat dan dampak positif bagi para pembaca.

Penulis,Surabaya 31 Juli 2023

3
 Dr. Hwihanus,SE., MM., CMA

4
 BAB I
PENDAHULUAN

Ekonometrika merupakan salah satu alat analisis penting dalam riset di bidang
ekonomi, manajamen (keuangan, pemasaran, sumber daya manusia dan fungsi perusahaan
lainnya) serta berbagai disiplin ilmu lainnya. Pada bagian ini akan dibahas pengantar
ekonometrika, konsep ekonometrika, ekonometrika dan metode penelitian, variabel
penelitian, metode regresi linear sampai dengan aplikasi analisis jalur dan Structural
Equation Model.
Ekonometrika dikatakan sebagai cabang ilmu ekonomi yang menggunakan metod
statistik dan matematika untuk menganlisis data ekonomi dan mengembangkan model
ekonometrik. Tujuan utama ekonometrik adalah untuk mengukur dan menjelaskan
hubungan kausal antara variabel ekonomi serta memprediksi perilaku dan hasil ekonomi di
masa depan. Dalam prosesnya ekonometrika ini memadukan teori ekonomi dan mengalisa
secara statistik untuk mengambil kesimpulan yang kuat dari data empiris.
Sebagai ilmu interdisipliner, ekonometrika menggabungkan prinsip-prinsip ekonomi
dengan metode statistik yang pada umumnya melibatkan tahapan berupa”
1. Pengumpulan data yang relevan sesuai tujuan dari penelitian yang dilakukan dengan
data dapat berupa data waktu (time series) yang mengamai perunbahan variabel dari
waktu ke waktu atau data cross sectional yang mencatat variabel untuk berbagai
entitas pada satu titik waktu tertentu. Data panel yang menggabungkan elemen data
dari time series dan cross section dalam beberapa kasus penelitian
2. Spesifikasi model berupa rumusal model ekonometrik yang sesuai untuk
menganalisis data kemudian model ini didasarkan pada teori ekonomi atau hipotesis
yang harus diuji. Model ini berbentuk persamaan metematika yang memetakan
hubungan antara variabel ekonomi.
3. Estimasi model setelah model dipilih dan ditetapkan kemudian dilakukan pembuatan
parameter dengan teknik statistik yang dinekal dengan metode kuadrat terkecil (least
square) dan metodem maksimum likelihood
4. Menguji hipotesis setelah adanya estimasi model tentang hubungan antar variabel.
Pengujian ini mengunakan uji hubungan secara signifikan atau tidak
5. Mendiagnosa model apakah telah memenuhi asumsi statistik yang relevan. Jika
terdapat pelanggaran asumsi, model harus diperbaiki atau disesuaikan untuk
5
 memastikan hasil yang lebih dapat diandalkan
6. Penggunaan model setelah dilakukan evaluasi dan pengujian yang akan memberikan
hasil untuk diambil kesimpulan, memprediksi perilaku ekonomi di masa mendatang
atau memberikan rekomendasi kebijakan ekonomi dari hasil model.
Dalam era yang semakin ketat dan perkembangan ilmu pengetahuan, tidak lepas dari
adanya ketergantungan pada data dan analisis empiris, ekonometrika memainkan pernanan
penting dalam menginformasikan kebijakan ekonomi dan pengambilan keputusan.
Penting untuk diingat bahwa ekonometrika memerlukan ketrampilan matematika
dan pemahaman ekonomi yang solid dan keterhati-hatian dalam interpretasi hasil dan
kesadaran tentang batasan metode merupakan hal yang penting dalam melakukan analisis
ekonometrika yang lebih berkualitas karena sangat penting dalam perkembangan ilmu
pengetahuan nantinya.

6
 BAB II
PENGANTAR EKONOMETRIKA

2.1. Pengertian Ekonometrika

Ekonometrika merupakan cabang ilmu ekonomi yang menggunakan metode-metode

matematika dan statistika untuk menganalisis dan mengukur hubungan-hubungan ekonomi
yang ada di masyakarakat bahkan negara. Ilmu ekonomi adalah disiplin ilmu sosial yang
mempelajari tentang bagaimana masyarakat memproduksi, mendistribusikan, dan
mengonsumsi sumber daya yang terbatas dengan tujuan mencapai kepuasan yang maksimal
yang mencakup berbagai topik seperti teori pasar, kebijakan ekonomi, pengambilan
keputusan, produksi dan konsumsi, investasi, perdagangan internasional, dan sebagainya.
Ilmu matematika adalah disiplin ilmu yang mempelajari konsep, struktur, dan
hubungan dalam bentuk angka, ruang, kuantitas, dan pola dalam memodelkan dan
memahami fenomena di dunia nyata, serta memberikan solusi untuk berbagai masalah di
berbagai bidang seperti ilmu pengetahuan, teknologi, bisnis, dan sosial sedangkan ilmu
statistik adalah ilmu yang mempelajari tentang cara pengumpulan, analisis, interpretasi, dan
presentasi data pada berbagai bidang ilmu pengetahuan, teknik, bisnis, kedokteran,
sosiologi, dan sebagainya. Ilmu statistik bertujuan untuk membuat keputusan berdasarkan
data dengan cara yang rasional dan obyektif.
Dalam ekonometrika, data ekonomi dianalisis dan diuji dengan metode-metode
statistika untuk memperoleh informasi dan pengetahuan yang bermanfaat bagi keputusan
ekonomi sehingga ekonometrika sebagai sebuah ukuran ekonomi yang mempelajari secara
kuantitatif dari suatu fenomena ekonomi dengan dukungan empiris terhadap model yang
dibangun menurut teori matematika ekonomi. Prinsip ekonometrika bersifat multi disiplin
yang menggabungkan beberapa disiplin ilmu baik teori ekonomi, matematika, dan statistika
yang dijadikan pada suatu pendekatan atau tools dalam melakukan identifikasi dan
mengkuantitatifkan hubungan yang terdapat dalam suatu fenomena ekonomi khususnya
sehingga menjadi bagian dari analisa empiris.

2.2. Tujuan Ekonometrika

Tujuan ekonometrika adalah untuk mempelajari bagaimana faktor-faktor ekonomi

berinteraksi satu dengan yang lain dan mempengaruhi hasil-hasil ekonomi guna

7
kepentingan kemakmuran dan kesejateraan masyarakat yang ditinjau dari segi keilmuan
yang terukur. Ilmu ini membantu para ekonom untuk memahami hubungan antara variabel-
variabel ekonomi yang kompleks dan mengembangkan model yang dapat digunakan untuk
memprediksi hasil-hasil ekonomi di masa depan. Kedudukan ekonometrika dapat dilihat
pada gambar sebagai berikut

Ekonomi Matematika

Ekono-
metrika

Statistika

Gambar 1 : Ekonometrika dalam bagian ekonomi, matematika dan statistika

Ekonometrika memadukan konsep-konsep dari ekonomi, matematika, dan statistik
untuk membuat model yang dapat menggambarkan hubungan antara variabel ekonomi dan
memperkirakan dampak kebijakan ekonomi. Pembahasan ekonometrika meliputi:
1. Model regresi linier sederhana dan berganda untuk mengukur hubungan antara
variabel dependen dan variabel independen.
2. Asumsi dasar dalam regresi meliputi asumsi normalitas, homoskedastisitas, dan
tidak adanya multikolinearitas.
3. Metode OLS (ordinary least squares) yang mengestimasi parameter model regresi
menggunakan metode OLS.
4. Evaluasi model regresi yang mempelajari teknik evaluasi model regresi berupa
koefisien determinasi (R-squared), uji t, uji F, dan asumsi heteroskedastisitas.
5. Model regresi non-linier melibatkan variabel dependen atau independen yang tidak
linier.
6. Ekonometrika deret waktu seperti time series dan data panel.

2.3. Peranan Ekonometrika

Ekonometrika memiliki peranan penting dalam analisis ekonomi dan pembuatan

kebijakan ekonomi. Beberapa peranan ekonometrika antara lain:
1. Memperkirakan dampak kebijakan ekonomi seperti kebijakan fiskal dan moneter
pertumbuhan ekonomi, inflasi, dan pengangguran.

8
 2. Menganalisis hubungan ekonomi yang digunakan para ekonom untuk memahami
hubungan berbagai variabel ekonomi dan bagaimana hubungan ini dapat
dipengaruhi oleh faktor-faktor lainnya.
3. Memprediksi perilaku ekonomi bagi para ekonom untuk membuat prediksi
permintaan konsumen, produksi perusahaan, dan investasi.
4. Mengevaluasi kebijakan ekonomi yang telah diterapkan dan untuk menentukan
apakah kebijakan tersebut efektif dalam mencapai tujuan ekonomi yang diinginkan.
5. Membuat model ekonomi secara matematika dari hubungan antar variabel ekonomi
yang kompleks yang dapat digunakan untuk memperkirakan perilaku ekonomi dan
dampak kebijakan ekonomi.
6. Membuat keputusan bisnis antar variabel bisnis dan membuat keputusan yang lebih
baik berdasarkan data.
Jadi secara keseluruhan, peranan ekonometrika sangat penting dalam membantu kita
memahami dan memodelkan hubungan ekonomi, serta dalam membuat keputusan ekonomi
dan bisnis yang lebih baik.

2.4. Manfaat Ekonometrika

Ekonometrika adalah cabang ilmu ekonomi yang menggunakan metode statistik

untuk menganalisis data ekonomi dan menguji hipotesis ekonomi. Manfaat ekonometrika
sangat luas dan relevan dalam berbagai bidang ekonomi dan kebijakan publik yaitu:
1. Prediksi dan Peramalan yang memungkinkan para ekonom untuk memprediksi dan
meramalkan perilaku ekonomi di masa depan berdasarkan data historis dan model
statistik. Prediksi ini dapat membantu pemerintah, perusahaan, dan individu dalam
perencanaan bisnis, pengambilan keputusan investasi, dan kebijakan ekonomi.
2. Evaluasi Kebijakan bagi para ekonom dapat mengevaluasi dampak dari kebijakan
ekonomi yang telah diimplementasikan atau yang akan diimplementasikan. Evaluasi
ini membantu dalam memahami efektivitas kebijakan tertentu dan membantu
menginformasikan pembuatan kebijakan lebih lanjut.
3. Pengujian Hipotesis Ekonomi memungkinkan para peneliti untuk menguji hipotesis
ekonomi tentang hubungan kausal antara variabel-variabel tertentu. Hal ini
memungkinkan kita untuk memahami secara lebih mendalam tentang mekanisme
ekonomi yang ada dan menyelidiki hubungan sebab-akibat antara variabel-variabel.
4. Analisis Pemasaran dan Konsumen untuk mengidentifikasi faktor-faktor yang
mempengaruhi permintaan, harga, dan keputusan pembelian konsumen. Hal ini
9
 membantu perusahaan dalam pengambilan keputusan strategis terkait pemasaran dan
penentuan harga produk.
5. Perencanaan Sumber Daya, ekonometrika membantu dalam perencanaan sumber
daya, termasuk perencanaan produksi, distribusi, dan alokasi sumber daya yang
efisien dalam ekonomi.
6. Pengembangan Model Ekonomi yang memungkinkan pengembangan dan pengujian
model ekonomi yang lebih kompleks dan realistis, yang dapat memberikan
pandangan yang lebih komprehensif tentang dinamika ekonomi.
7. Pengukuran Kinerja Ekonomi, ekonometrika membantu dalam mengukur kinerja
ekonomi suatu negara, wilayah, atau sektor tertentu melalui indikator ekonomi
seperti pertumbuhan GDP, tingkat pengangguran, inflasi, dan lainnya.
8. Analisis Rantai Nilai dan Efisiensi Produksi dengan tujuan membantu perusahaan
dalam mengidentifikasi area-area potensial untuk peningkatan efisiensi dan
penurunan biaya produksi.

Dengan bantuan ekonometrika, para ekonom dapat mengambil keputusan yang lebih
baik dan merumuskan kebijakan yang lebih efektif untuk mencapai tujuan ekonomi yang
diinginkan.

10
 BAB II
KONSEP EKONOMETRIKA
2.1. Konsep Dasar Ekonometrika

Ekonometrika adalah cabang ilmu ekonomi yang menggunakan metode statistik

untuk memodelkan dan menganalisis data ekonomi. Konsep dasar ekonometrika meliputi:
1. Model Ekonometrik merupakan suatu model matematis yang dibuat untuk
menjelaskan hubungan antara variabel ekonomi dengan memprediksi perilaku
ekonomi di masa depan atau untuk memahami faktor-faktor yang mempengaruhi
perilaku ekonomi di masa lalu.
2. Data Ekonometrik adalah data yang digunakan dalam analisis ekonometrik yang
bersifat waktu (time series) atau bersifat silang (cross-section), atau keduanya (panel
data) dan data ekonometrik juga bisa bersifat stasioner atau tidak stasioner.
3. Variabel Endogen dan Eksogen. Variabel endogen adalah variabel yang dipengaruhi
oleh variabel lain dalam model, sedangkan variabel eksogen adalah variabel yang
tidak dipengaruhi oleh variabel lain dalam model. Dalam sebuah model
ekonometrik, variabel endogen biasanya dinyatakan sebagai fungsi dari variabel
eksogen.
4. Hipotesis Ekonometrik adalah pernyataan tentang hubungan antara variabel
ekonomi yang diuji dengan menggunakan data ekonometrik. Hipotesis ini dapat
digunakan untuk memeriksa teori ekonomi atau untuk menguji asumsi-asumsi
tertentu dalam model ekonometrik.
5. Estimasi dan Pengujian Parameter. Estimasi parameter adalah proses
memperkirakan nilai-nilai parameter dalam model ekonometrik dengan
menggunakan data ekonometrik yaitu time series, cross-section, dan atau data panel.
Pengujian parameter adalah proses untuk memeriksa apakah parameter tersebut
bersifat signifikan secara statistik atau tidak.
6. Prediksi dan Evaluasi Model. Setelah model ekonometrik dibuat dan diestimasi,
model tersebut dapat digunakan untuk memprediksi nilai-nilai variabel endogen di
masa depan atau untuk mengevaluasi kinerja model dalam memprediksi nilai-nilai
tersebut. Evaluasi model dapat dilakukan menggunakan berbagai metode seperti uji
diagnostik atau uji akurasi prediksi.

11
2.2. Penggolongan Ekonometrika

Penggolongan ekonometrika dapat dilakukan berdasarkan beberapa kriteria, di

antaranya:
1. Berdasarkan jenis model, ekonometrika dibagi menjadi model regresi linier, model
regresi logistik, model time-series, dan model panel data.
2. Berdasarkan pendekatan analisis dalam ekonometrika terbagi menjadi dua
pendekatan analisis, yaitu pendekatan kausal dan pendekatan statistik deskriptif.
Pendekatan kausal digunakan untuk menganalisis hubungan sebab-akibat antara
variabel, sedangkan pendekatan statistik deskriptif digunakan untuk menjelaskan
pola atau karakteristik data ekonomi tanpa menghubungkannya dengan sebab-akibat.
3. Berdasarkan jenis data yang digunakan yaitu data cross-sectional, data time-series,
dan data panel.
4. Berdasarkan jenis analisis dalam ekonometrika yaitu analisis multivariat, analisis
regresi, analisis time-series, dan analisis panel data.
5. Berdasarkan tujuan analisis dengan analisis forecasting, analisis causal, analisis
pengujian hipotesis, dan analisis evaluasi kebijakan.

2.3. Keuntungan dan Kelemahan Ekonometrika

Ekonometrika merupakan gabungan teori ekonomi dengan analisis statistik yang

kuat untuk memberikan wawasan mendalam tentang fenomena ekonomi yang komplek
pada pasa sekarang. Analisis data, ekonomi dan pengambilan keputusan akan menjadi lebih
baik dalam mempraktekan pada dunia ekonomi dan sosial. Ada beberapa keuntungan dalam
mempelajari ekonometrika yaitu:
1. Memahami hubungan kausalitas dimana dalam ekonometrika antara berbagai
variabel ekonomi dalam membuat keputusan yang lebih baik dengan kebijakan yang
strategis dalam dunia bisnis.
2. Memungkinkan untuk menganalisis data ekonomi secara statistik dan mendapatkan
informasi penting dari data tersebut serta memahami tren ekonomi, membuat
prediksi, dan mengidentifikasi faktor-faktor penting yang akan mempengaruhi
variabel ekonomi.
3. Validitas dan akurasi analisis yang lebih tepat akan memberikan dasar yang lebih
kuat untuk pengambilan keputusan yang baik.

12
 4. Model ekonometrika memungkinkan membangun model sesuai dengan data dan
beberapa ide yang muncul dalam bentuk pertanyaan penelitian Anda serta untuk
menguji hipotesis, membuat prediksi, dan melakukan analisis kebijakan.
5. Keterampilan penggunaan metode statistik yang canggih untuk menganalisis data
ekonomi yang dapat diterapkan dalam berbagai konteks.
6. Dalam dunia penelitian akademis dan profesional di bidang ekonomi atau keuangan
akan menjadikan aset yang berharga sehingga banyak studi ekonomi yang
diterbitkan dalam jurnal-jurnal ilmiah.
7. Pengambilan keputusan yang lebih baik dalam berbagai situasi ekonomi dan
keuangan dan berkontribusi pada masalah tertentu atau mengevaluasi efektivitas
kebijakan ekonomi.
8. Pengenalan dunia penelitian interdisipliner yang mencakup ekonomi, matematika,
dan statistik secara profesional tentang berbagai masalah sosial dan ekonomi.

Selain keuntungan dalam ekonometrika, ternyata ekonometrika memiliki kelemahan

dalam mempelajarinya yaitu
1. Ekonometrika melibatkan metode matematika dan statistik yang kompleks yang
membutuhkan waktu dan usaha ekstra untuk memahaminya sepenuhnya.
2. Kebergantungan pada asumsi tentang data dan model. Jika asumsi-asumsi ini
tidak terpenuhi, hasil analisis dapat menjadi bias atau tidak dapat diandalkan.
3. Dalam praktiknya, data yang tersedia untuk analisis ekonometrika mungkin
terbatas atau tidak lengkap sehingga akan menyulitkan proses pemodelan dan
dapat mempengaruhi ketepatan hasil analisis.
4. Interpretasi yang kompleks dan memerlukan kecermatan, bagi yang tidak
berpengalaman akan mengalami kesulita analisis.
5. Keterbatasan perangkat lunak untuk melakukan analisis sehingga memerlukan
biaya tambahan tambahan untuk melisensikan perangkat lunak yang kuat.
6. Terfokus pada hubungan kausalitas sehingga sulit untuk mengidentifikasi dan
membuktikan hubungan secara pasti terutama situasi yang kompleks.
7. Penerapkan metode ekonometrika sering memerlukan data yang lengkap dan
berkualitas tinggi.
8. Penggunaan yang tidak tepat terutama interpretasi yang tidak benar dari hasil
analisis dapat mengarah pada kesimpulan yang keliru dan kebijakan yang tidak
efektif.
13
 BAB III

EKONOMETRIKA DAN METODE PENELITIAN

3.1. Ekonometrika dan Metode

Ekonometrika dan Metode Penelitian saling terkait dan melengkapi dalam

melakukan analisis dalam pementukan dan pengembangan model ilmu ekonomi. Metode
penelitian membantu para peneliti dalam mengumpulkan, menganalisis, dan menafsirkan
data empiris yang diperoleh dari lapangan atau pengamatan, sedangkan ekonometrika
memberikan alat analisis yang kuat untuk memodelkan hubungan antara variabel ekonomi.
Beberapa metode penelitian yang umum digunakan dalam ekonometrika antara lain:
1. Menyatakan teori atau hipotsis yaitu mencari, menentukan dan menyatakan teori
yang sesuai dengan tema yang akan dianalisis kemudian menyusun hipotesis
berdasarkan teori yang dipilih dan ditetapkan. Teori dan hipotesisi ini menjadi
sangat penting dalam menganalisis secara dasar yang akan dilakukan.
2. Perancangan penelitian yang meliputi sampel, pengumpulan data, pengaturan
eksperimen atau pengamatan. Perancangan penelitian untuk memastikan data yang
dianalisis berkualitas dan dapat diandalkan untuk membuat kesimpulan yang akurat.
3. Pengumpulan data meliputi survei, eksperimen, observasi, dan pengumpulan data
sekunder. Pengumpulan data dilakukan dengan menggunakan data sekunder dari
badan statistik nasional atau data yang dikumpulkan oleh organisasi internasional.
4. Menentukan model statistik yang meliputi variabel bebas dan variabel terkait dengan
asumsi dari teori yang ada. Model statistik ini akan menunjukkan hubungan antar
variabel untuk menganalisis berbagai macam faktor secara implisit.
5. Analisis deskriptif digunakan untuk menggambarkan karakteristik data berupa
distribusi, rata-rata, dan deviasi standar. Analisis deskriptif membantu para peneliti
untuk memahami karakteristik data yang akan digunakan dalam analisis
ekonometrik.
6. Analisis multivariat digunakan untuk menganalisis hubungan antara dua atau lebih
variabel secara simultan. Dalam ekonometrika, analisis multivariat biasanya
dilakukan dengan menggunakan teknik regresi linier.
7. Uji hipotesis untuk menentukan apakah ada perbedaan antara dua atau lebih
kelompok data secara signifikan atau hanya secara kebetulan. Uji hipotesis ini dapat

14
 membantu para peneliti untuk menentukan apakah hubungan antara dua variabel
adalah signifikan atau tidak.
8. Analisis data deret waktu digunakan untuk menganalisis perubahan variabel
ekonomi dari waktu ke waktu. Metode ini berguna untuk memahami tren, musiman,
dan fluktuasi dalam data deret waktu, dan dapat digunakan untuk memprediksi
perilaku ekonomi di masa depan.
9. Interpretasi hasil dari alat anlisis untuk memberikan pemahaman atas alat yang telah
dilakukan untuk menarik hubungan variabel, dampak kebijakan, perumusan hasil
dan menarik kesimpulan dan merekomendasi kebijakan atas fenomena yang telah
ditentukan sesuai bidang yang diambil.

15
 BAB IV
METODOLOGI EKONOMETRIKA

Metodologi ekonometrika adalah teknik-teknik statistik dan matematika yang

digunakan untuk memodelkan hubungan ekonomi dalam pengambilan keputusan yang tepat
hal ini menggunakan data statistik untuk mengukur dan memodelkan hubungan antara
variabel ekonomi.
Tujuan dilakukan metodologi ekonometrika adalah untuk memahami dan mengukur
hubungan antara variabel ekonomi dan pengembangan model ekonometrik yang dapat
digunakan untuk memprediksi perilaku ekonomi di masa depan. Dalam bidang ekonomi,
banyak variabel yang saling terkait dan saling mempengaruhi antar variabel sehingga
metodologi ekonometrika digunakan untuk mengukur dan memahami hubungan tersebut.
Penggunaan metodologi ekonometrika, ekonom dapat mengembangkan model
ekonometrik yang dapat membantu memprediksi perilaku ekonomi di masa depan,
keputusan bisnis yang lebih baik, dan mengevaluasi kebijakan ekonomi dengan melakukan
analisis regresi, pengujian hipotesis, dan estimasi parameter.
Beberapa tahapan penting dalam metodologi ekonometrika:
1. Menyatakan teori atau hipotesis dimana teori digunakan untuk memberikan
kerangka konseptual dan penjelasan tentang topik penelitian yang akan diteliti dan
digunakan sebagai dasar untuk mengembangkan hipotesis. Hipotesis adalah
pernyataan yang dihasilkan dari teori dan diajukan untuk diuji kebenarannya melalui
penelitian sehingga hipotesis harus spesifik, dapat diuji, dan dapat diterima atau
ditolak melalui bukti empiris. Teori dan hipotesis dapat digunakan untuk
merumuskan pertanyaan penelitian yang lebih spesifik dan fokus yang akan
membantu peneliti dalam merancang metodologi penelitian yang tepat dan
pengumpulan data yang relevan dan valid.
2. Identifikasi Variabel, variabel dalam penelitian adalah konsep, sifat atau
karakteristik yang dapat berubah dan diukur atau diamati. Identifikasi variabel
merupakan langkah awal yang penting dalam merancang penelitian dan akan
digunakan sebagai dasar dalam merumuskan pertanyaan penelitian dan
mengembangkan hipotesis. Dalam penelitian, terdapat dua yaitu variabel independen
dan variabel dependen. Variabel independen adalah variabel yang dapat
mempengaruhi atau memprediksi perubahan pada variabel dependen. Sementara itu,
16
 variabel dependen adalah variabel yang akan dipengaruhi atau diprediksi oleh
variabel independen. Setelah identifikasi variabel, peneliti dapat merumuskan
pertanyaan penelitian dan hipotesis berdasarkan variabel yang telah diidentifikasi
untuk merancang instrumen pengukuran dan memilih teknik analisis yang tepat
untuk menguji hipotesis.
3. Perumusan Masalah merupakan merupakan tahap awal dimana peneliti harus
menentukan masalah atau fenomena ekonomi yang ingin dipelajari dan dipecahkan.
Beberapa tips dalam perumusan masalah yaitu a) identifikasi masalah untuk
menentukan masalah atau fenomena ekonomi yang ingin diteliti secara jelas dan
terperinci; b) deskripsi fenomena harus lebih detail misalnya tentang faktor-faktor
yang mempengaruhinya, skala dan waktu peristiwa, dan dampak yang ditimbulkan
c) keterkaitan dengan literatur untuk membantu peneliti dalam memperkaya
pemahaman tentang masalah dan menghindari pengulangan penelitian yang sama; d)
relevansi dimana masalah yang diteliti harus relevan dengan kondisi ekonomi saat
ini dan memiliki dampak yang signifikan pada masyarakat dan e) dukungan data
dengan mempertimbangkan apakah data yang diperlukan untuk menjawab masalah
tersebut tersedia atau dapat diakses.
4. Penentuan Model dan ekonometrika, model adalah representasi matematika dari
hubungan antara variabel ekonomi yang ingin diuji. Proses penentuan model dapat
dilakukan dengan beberapa cara, yaitu a) model teoritis yang dibangun berdasarkan
teori ekonomi yang relevan dengan masalah yang diteliti yang nantinya dapat
membantu peneliti dalam memperjelas hubungan antara variabel-variabel dan
memperkirakan efek dari perubahan variabel; b) model statistik yang dibangun
berdasarkan analisis statistik terhadap data yang ada dimana peneliti mencari
hubungan antara variabel-variabel dengan menggunakan analisis regresi dan teknik
analisis data lainnya dan c) model campuran yang memadukan kedua pendekatan
sebelumnya, yaitu model teoritis dan model statistik sebagaimana peneliti
menggunakan teori ekonomi untuk memilih variabel-variabel yang akan dimasukkan
ke dalam model dan kemudian mengestimasi model dengan menggunakan teknik
statistik.
Model memerlukan pertimbangan dalam penentuannya yaitu a) relevansi model
harus relevan dengan masalah yang ingin diteliti dan dapat menjelaskan fenomena
yang sedang terjadi; b) Data, peneliti harus mempertimbangkan data yang tersedia
untuk mengestimasi model dan apakah data tersebut cukup untuk mengestimasi
17
 model dengan akurat; c) Variabel apa saja yang akan dimasukkan ke dalam model
dan apakah variabel tersebut memiliki kausalitas atau hubungan yang signifikan
dengan variabel lain dalam model; d) Asumsi, peneliti harus mempertimbangkan
asumsi-asumsi yang diterapkan pada model dan memastikan bahwa asumsi tersebut
dapat terpenuhi.
5. Estimasi Model, setelah penentuan model, tahap selanjutnya estimasi model yang
dalam prosesnya untuk menentukan parameter-parameter dalam model yang telah
dipilih melalui analisis data. Ada beberapa teknik estimasi model yang dapat
digunakan, di antaranya adalah a) Metode OLS (Ordinary Least Squares)
merupakan teknik yang paling umum digunakan dalam analisis regresi dimana OLS
mengestimasi parameter-model dengan cara menyesuaikan garis regresi terhadap
data observasi; b) Metode Maximum Likelihood digunakan untuk mengestimasi
parameter-model dengan memaksimalkan likelihood function yang secara teknik
digunakan dalam model probabilitas, c) metode Generalized Method of Moments
(GMM) yang mengestimasi parameter-model dengan meminimalkan perbedaan
antara nilai sebenarnya dan nilai yang dihasilkan oleh model pada saat data
dikumpulkan dan d) metode Bayesian dimana metode ini mengestimasi parameter-
model dengan menerapkan prinsip Bayesian, yang mempertimbangkan informasi a
priori dan informasi yang dihasilkan dari data.
Beberapa hal yang perlu dipertimbangkan dalam estimasi model adalah konsistensi
yaitu estimasi harus konvergen ke nilai parameter yang benar saat jumlah
pengamatan meningkat. efisiensi yaitu varian estimasi harus sekecil mungkin
sehingga estimasi dapat memberikan hasil yang akurat dan asumsi harus
mempertimbangkan asumsi-asumsi yang telah diterapkan pada model dan
memastikan bahwa asumsi tersebut terpenuhi.
6. Pengujian Model merupakan proses untuk mengevaluasi keakuratan model dan
menguji hipotesis mengenai hubungan antar variabel dalam model. Ada beberapa
teknik pengujian model yang dapat digunakan, di antaranya adalah a) uji signifikansi
yang digunakan untuk menentukan apakah variabel dalam model memiliki pengaruh
signifikan terhadap variabel lain dalam model, b) uji fungsi Residu untuk
menentukan apakah model memiliki fit yang baik dengan data observasi, c) uji
multikolinearitas digunakan untuk menentukan apakah terdapat korelasi tinggi
antara variabel dalam model, d) uji autokorelasi yang digunakan untuk menentukan
apakah terdapat ketergantungan antara nilai-nilai residual pada waktu yang berbeda
18
 dalam model dan e) uji heteroskedastisitas yang digunakan untuk menentukan
apakah varian residual dalam model tidak konstan.
Dalam pengujian model perlu mempertimbangkan adanya a) asumsi yang telah
diterapkan pada model dan memastikan bahwa asumsi tersebut terpenuhi; b) tingkat
signifikansi yang sesuai untuk uji statistik yang dilakukan, c) keakuratan model
untuk memastikan model yang digunakan memiliki keakuratan dan keandalan yang
cukup untuk dijadikan dasar pengambilan keputusan dan d) kesesuaian model
dengan tujuan penelitian dan cocok untuk data yang digunakan. Model yang telah
diestimasi akan diuji dengan menggunakan berbagai teknik statistik, seperti uji t, uji
F, atau uji chi-squared, untuk memastikan bahwa model tersebut memiliki
kemampuan yang baik dalam menjelaskan fenomena yang ingin dipelajari.
7. Penggunaan Model tergantung dari data dan keinginan peneliti, diantaranya a)
model Machine Learning yang digunakan untuk mempelajari pola dalam data dan
melakukan prediksi misalnya model regresi linear, pohon keputusan, jaringan saraf
tiruan, dan sebagainya; b) model bisnis digunakan untuk memahami cara bisnis
beroperasi dan membuat keputusan yang lebih baik termasuk model analisis SWOT,
model Canvas Bisnis, dan sebagainya; c) model matematika yang digunakan untuk
memecahkan masalah matematika dan fisika yang rumit seperti model persamaan
diferensial, model statistik, dan sebagainya; d) model fisik yang digunakan untuk
memprediksi perilaku sistem fisik seperti model simulasi cuaca, model simulasi
kebisingan, dan sebagainya; e) model komputasi yang digunakan untuk memahami
dan memodelkan sistem komputasi seperti model automata, model teori bahasa
formal, dan sebagainya; f) model sosial yang digunakan untuk memprediksi perilaku
manusia dan masyarakat termasuk model matematika untuk epidemiologi, model
perpindahan penduduk, dan sebagainya dan g) model lingkungan yang digunakan
untuk memprediksi dampak lingkungan dan perubahan iklim seperti model simulasi
iklim, model hidrologi, dan sebagainya.
8. Pengumpulan data adalah tahap penting dalam penelitian karena data yang diperoleh
akan digunakan sebagai dasar dalam analisis dan pengambilan kesimpulan.
Ada beberapa teknik pengumpulan data yang dapat digunakan dalam penelitian,
antara lain:
a. Wawancara: peneliti melakukan wawancara dengan responden untuk
mendapatkan data tentang pendapat, persepsi, rasa, pengalaman, dan sikap
mereka terkait topik penelitian.
19
 b. Kuesioner: peneliti menyebarkan kuesioner kepada responden untuk
mendapatkan data tentang karakteristik, sikap, persepsi, perilaku mereka dan
sebagainya.
c. Observasi: peneliti melakukan pengamatan langsung terhadap objek
penelitian untuk mendapatkan data tentang perilaku, interaksi sosial, dan
situasi lingkungan yang relevan dengan topik penelitian.
d. Studi dokumentasi: peneliti mengumpulkan data dari sumber tertulis seperti
buku, jurnal, dokumen, dan arsip untuk mendapatkan informasi tentang topik
penelitian.
Pemilihan teknik pengumpulan data yang tepat tergantung pada karakteristik dan
kompleksitas topik penelitian, sumber data yang tersedia, dan pertimbangan etika
dan keamanan data.
9. Menganalisa data merupakan proses memeriksa, membersihkan, memodelkan, dan
menafsirkan data dengan tujuan mengidentifikasi pola, tren, dan hubungan antara
variabel.
10. Interpretasi Hasil adalah proses memahami dan menjelaskan arti dari hasil analisis
data dan membuat kesimpulan dari temuan yang ditemukan dengan beberapa
langkah yang dapat diikuti dalam interpretasi hasil yaitu a) memahami metrik atau
ukuran yang digunakan dalam analisis data sangat penting misalnya, jika analisis
melibatkan persentase, penting untuk memahami cara menghitung persentase dan
apa arti dari angka tersebut; b) membandingkan hasil dengan hasil sebelumnya atau
dengan standar yang telah ditetapkan dapat membantu memahami apakah hasil
tersebut mengindikasikan peningkatan atau penurunan; c) mengidentifikasi pola atau
tren dari data dapat membantu memahami hubungan antara variabel dan apakah ada
faktor yang mempengaruhi hasil; d) melakukan analisis lebih lanjut yang akan
menunjukkan hasil yang tidak diharapkan atau tidak jelas dan membantu memahami
penyebab hasil tersebut dan menentukan tindakan yang perlu diambil; e) menarik
kesimpulan untuk membantu membuat keputusan atau rekomendasi dan menyajikan
hasil dalam bentuk grafik atau tabel yang mudah dipahami dan menarik untuk
membantu mempresentasikan temuan kepada orang lain.
11. Pelaporan Hasil adalah proses menyajikan hasil analisis data dalam bentuk laporan
yang dapat dipahami dan digunakan oleh orang lain. Beberapa hal yang perlu
dipertimbangkan dalam proses pelaporan hasil yaitu a) tujuan laporan yang sangat
penting untuk menentukan tujuan laporan dan audiens yang dituju untuk
20
 menentukan jenis informasi dan presentasi yang diperlukan dalam laporan; b)
struktur laporan yang disusun dengan struktur yang jelas dan logis, dengan bagian
yang mudah dipahami dan dapat diikuti. Struktur laporan harus mencakup
pendahuluan, metodologi, temuan, analisis, dan kesimpulan; c) bahasa yang
digunakan dalam laporan harus jelas, mudah dipahami, dan tidak ambigu dan
menghindari penggunaan istilah teknis atau bahasa yang tidak dikenal oleh audiens;
d) visualisasi data yang disajikan harus mudah dipahami, seperti grafik atau tabel
yang dapat membantu membawa pesan yang kuat dan mudah dipahami, e)
kesimpulan dan rekomendasi dimana laporan harus mencakup kesimpulan dan
rekomendasi berdasarkan hasil analisis data. Kesimpulan harus mencakup ringkasan
temuan dan rekomendasi harus membantu audiens dalam mengambil tindakan
berdasarkan temuan tersebut dan f) kesesuaian format yang diminta atau yang umum
digunakan dalam organisasi.
Pelaporan hasil yang baik sangat penting dalam membantu organisasi membuat
keputusan yang lebih baik dan memahami informasi yang diberikan. Pelaporan hasil
yang efektif harus mudah dipahami, sesuai dengan tujuan laporan, dan
menggunakan bahasa yang jelas serta visualisasi data yang baik. Selain itu, laporan
juga harus mencakup kesimpulan dan rekomendasi untuk membantu pengambilan
keputusan.
12. Hasil analisis harus dilaporkan secara jelas dan sistematis, dengan menjelaskan
model yang digunakan, teknik yang digunakan, data yang digunakan, hasil yang
diperoleh, dan interpretasi hasil yang dilakukan.

21
 BAB V
VARIABEL PENELITIAN

Setelah melakukan wawancara, menyelesailan telaahan beberapa literatur, dan

merumuskan masalah, berikutnya adalah kesiapan untuk mengembangkan atau membangun
kerangka teori sebagai dasar atau fondasi untuk penelitian, dan juga untuk hipotesis yang
akan dikembangkan. Kerangka teori menyajikan atau menyatakan keyakinan dan
kepercayaan mengenai bagaimana gejala tertentu (atau varibel atau konsep) yang satu sama
lainnya berkaitan (sebuah model) dan suatu penjelasan tentang mengapa variabel penelitian
yang digunakan saling berkaitan satu sama lainnya (sebuah teori). Teori dan model mengalir
secara logis atau masuk akal dari dokumentasi penelitian sebelumnya pada bidang masalah
yang sama pada suatu penelitian. Mengintegrasikan logika yang diyakini dengan hasil riset
yang sudah dipublikasikan dengan mempertimbangkan batasan-batasan (the boundaries)
dan keterbatasan (the constraints) yang menghambat situasi, adalah sangat penting dan
utama dalam mengembangkan dasar ilmu pengetahuan (a scientific basis) untuk
menyelidiki masalah penelitian.
Proses mengembangkan kerangka teori adalah sebagai berikut:
1. Menjelaskan definisi konsep atau variabel pada model penelitian anda
2. Mengembangkan model konseptual yang memberikan penyajian deskriptif untuk
teori yang digunakan.
3. Merumuskan teori yang memberikan penjelasan untuk hubungan antara variabel
dalam model anda.

Dari kerangka teori, maka hipotesis yang dapat diuji dapat disusun untuk menguji
apakah teori yang digunakan valid atau tidak valid. Hubungan yang dihipotesiskan tersebut
kemudian dapat diuji melalui analisis statistik yang sesuai. Jadi, seluruh pengujian pada
penelitian ini mendasarkan kepada kerangka teori. Sekalipun jika hipotesis yang dapat diuji
belum tentu menghasilkan atau tidak menghasilkan sesuai yang direncanakan peneliti
(sebagaimana pada beberapa projek penelitian penerapan), pengembangan, atau tepatnya
maka membangun kerangka teori yang baik adalah inti pengujian masalah penelitian yang
sedang diteliti harus tetap dilakukan.
Kerangka teori memberikan dasar konseptual untuk melanjutkan penelitian, dan
kerangka teori mencakup tidak lebih daripada mengindentifikasi atau menentukan jaringan

22
hubungan antara variabel-variabel yang dipertimbangkan atau dianggap penting untuk
diteliti pada setiap situasi yang eksis atau ada, itu merupakan hal yang sangat penting untuk
memahami apa yang dimaksud dengan variabel dan apa yang menyebebkan perbedaan pada
variabel.
Variabel adalah apa saja (anything) yang dapat mempunyai nilai berbeda dan dapat
dibedakan. Variabel dapat dikatakan suatu karakteristik atau konsep yang dapat bervariasi
atau berubah nilainya dalam sebuah penelitian atau eksperimen. Variabel dapat
didefinisikan secara kuantitatif atau kualitatif dan dapat diamati atau diukur. Nilai tersebut
dapat berbeda pada waktu yang berbeda untuk objek sama atau seseorang, atau pada waktu
sama untuk objek dan seseorang yang berbeda. Contoh, laba bersih perusahaan, efektivitas
pengendalian internal, motivasi karyawan, integritas manajemen, profitabilitas, likuiditas.
Variabel terdapat 4(empat) tipe utama dalam sebuah penelitian yaitu:
1. Variabel independen (variabel eksogen)
2. Variabel terikat / dependen (variabel endogen)
3. Variabel moderating
4. Variabel mediating (variabel intervening)

5.1 Variabel Bebas (Independent Variabel)

Varibel bebas adalah salah satu yang mempengaruhi variabel terikat, baik penggaruh
positif dan negatif, tentunya dengan tingkat atau intensitas dapat rendah, sedang dan tinggi.
Jadi, ketika variabel bebas digunakan pada penelitian oleh peneliti, varibel terikat juga harus
ada pada penelitian, dan dengan kenaikan setiap unit pada variabel bebas, dapat
menyebakan kenaikan atau penurunan pada variabel terikat. Dengan kata lain, penyebaran
nilai (variance) variabel terikat adalah dihitung dengan menggunakan variabel bebas.
Untuk mengetahui dan menetapkan bahwa perubahan dalam variabel bebas
menyebabkan perubahan dalam variabel terikat keempat kondisi berikut harus dipenuhi.
1. Variabel bebas dan variabel terikat sebaiknya berubah secara bersamaan dengan kata
lain, perubahan pada variabel terikat sebaiknya terkait dengan perubahan pada
variabel bebas.
2. Variabel bebas (faktor penyebab yang diduga) sebaiknya mendahului variabel
terikat, harus terjadi urutan waktu dimana kedua variabel berubah; penyebab harus
terjadi sebelum dampak atau pengaruh).

23
 3. Sebaiknya tidak ada faktor lain yang mungkinkan menjadi penyebab perubahan pada
variabel terikat. Peneliti sebaiknya mengendalikan dampak dari variabel lain
(variabel moderatig dan variabel mediating).
4. Penjelasan logis (sebuah teori) adalah diperlukan guna menjelaskan mengapa
variabel bebas mempengaruhi variabel terikat.

5.2 Variabel Terikat (dependent variabel)

Variabel terikat, dalam konteks statistik dan analisis data, merujuk pada variabel
yang nilainya bergantung pada variabel lain yang disebut variabel bebas atau independen.
Variabel terikat juga dikenal sebagai variabel respons, variabel bergantung, atau variabel
outcome. Variabel terikat adalah variabel yang ingin kita pelajari atau prediksi nilainya
berdasarkan variabel bebas yang ada.
Dalam sebuah analisis statistik, variabel terikat adalah variabel yang diukur atau
diamati dan menjadi fokus penelitian atau analisis. Misalnya, dalam studi tentang hubungan
antara pengeluaran iklan dengan penjualan suatu produk, penjualan produk adalah variabel
terikat yang ingin dipahami bagaimana hubungannya dengan pengeluaran iklan yang
merupakan variabel bebas.

Contoh
Misal, sebuah penelitian pada PT X mengindikasikan bahwa keberhasilan pengembangan
produk baru telah mempengaruhi harga saham perusahaan PT X. Dengan demikian,
semakin sukses pengembangan produk baru sebuah perusahaan akan menyebabkan semakin
tinggi harga saham perusahaan tersebut. Kesimpulannya, keberhasilan pengembangan
produk baru sebagai variabel bebas dan harga saham sebagai variabel terikat. Derajat atau
tingkat sukses yang diekspektasi pada pengembangan produk baru akan menjelaskan nilai
varians pada harga saham di pasar. Hubungn antara kedua variabel tersebut dapat
digambarkan seperti berikut ini:
Gambar: 5.1

Kesuksesan
pengembangan produk Harga saham di pasar
baru

Variabel Bebas Variabel terikat

Gambar 11-1 merupakan diagram hubungan atau relasi antara variabel bebas (keberhasilan
24
produk baru) dan variabel terikat (harga saham di pasar)

5.3 Variabel Moderating (variabel Memoderasi)

Variabel moderating adalah salah variabel yang mempunyai pengeruh kuat terhadap
hubungan antara variabel bebas dengan variabel terikat. Jadi, merupakan variabel ketiga
yang menyebabkan terjadi modifikasi pada relasi asli atau relasi awal antara variabel bebas
dengan variabel terikat. Kondisi tersebut akan menjadi jelas setelah memahami contoh
berikut ini.
Contoh
Telah ditemukan bahwa ada hubungan antara ketersediaan manual referensi yang dapat
diakses karyawan manufaktur, dan penolakan produk. Artinya, ketika pekerja mengikuti
prosedur yang ditetapkan dalam manual, mereka dapat memproduksi produk yang tanpa
cacat. Hubungan ini diilustrasikan pada Gambar 5.2 (a).
Gambar: 5.2a

Ketersediaan referensi
Penolakan produk
manual
Variabel Bebas Variabel Terikat
Gambar: 5.2b

Ketersediaan referensi
manual Penolakan produk

Variabel Bebas Variabel Terikat

Minat dan
keinginan

Variabel Moderating

Gambar 5.2a, merupakan diagram untuk relasi antara variabel bebas (ketersediaan referensi
manual) dengan variabel terikat (penolakan produk). Gambar 11.2b, juga merupakan
diagram dari hubungan antara variabel bebas (ketersediaan referensi manual) dan variabel
terikat (penolakan produk) sebagai moderasi (yang memperkuat atau memperlemah) relasi
antara variabel bebas dengan variabel terikat adalah variabel moderating (minat dan
25
keinginan).
Walaupun hubungan tersebut dapat dikatakan berlaku secara umum untuk semua
pekerja, Tidak pernah bergantung pada kecenderungan atau dorongan karyawan untuk
melihat manual setiap kali prosedur baru diadopsi. Dengan kata lain, hanya mereka yang
memiliki minat dan keinginan untuk merujuk pada manual setiap kali proses baru diadopsi
akan menghasilkan produk tanpa cacat. Orang lain yang tidak membaca manual tidak akan
mendapat manfaat dan akan terus menghasilkan produk yang cacat. Pengaruh atribut
(karakteristik: minat dan keinginan) pekerja ini pada hubungan antara variabel independen
dan dependen dapat diilustrasikan seperti yang ditunjukkan pada gambar 11.2.b.
Seperti pada kasus di atas, kapanpun hubungan atau relasi antara variabel bebas
dengan variabel terikat menjadi yang bergantung (contingent) atau tergantung (dependent)
pada variabel lain, kita mengatakan bahwa variabel ketiga memiliki efek moderating (yang
memperkuat atau memperlemah) pada hubungan variabel dependen dengan variabel
independen. Variabel yang memoderasi hubungan dikenal sebagai variabel pemoderasi atau
variabel moderating.

5.4 Perbedaan Antara Variabel Bebas dan Variabel Moderating

Hampir dipastikan pada awalnya kita akan mengalami kebingungan untuk

membedakan antara variabel bebas dengan variabel moderating, karena kedua-duanya
mempengaruhi variabel terikat. Dengan demikian, kita sulit untuk membedakan antara
kedua variabel tersebut. Untuk kita dapat memahami perbedaan antara kedua variabel.
Mungkin contoh situasi berikut ini dapat membantu anda.
1. Sebuah penelitian mengindikasikan atau menunjukan bahwa kualitas lebih baik pada
program pelatihan di perusahaan dan semakin besar kebutuhan untuk tumbuh dan
berkembang pada para pekerja (dalam hal ini, kebutuhan untuk berkembangan dan
tumbuh terhadap pekerjaan adalah kuat), semakin besar kesediaan para pekerja atau
peserta training untuk belajar cara baru untuk melaksanakan pekerjaan agar lebih
produktif.
2. Penelitian lain mengindikasikan bahwa kesediaan para pekerja untuk belajar cara
baru untuk melaksanakan pekerjaan agar lebih produktif adalah tidak dipengaruhi
oleh kualitas program pelatihan yang diberikan oleh perusahaan untuk semua
pekerja tanpa ada perbedaan. Hanya para pekerja yang memiliki kebutuhan untuk

26
 tumbuh nampaknya mempunyai keinginan untuk belajar melaksanakan pekerjaan
dengan cara baru melalui pelatihan khusus.

Pada kedua situasi di atas, kita mempunyai sama-sama tiga variabel. Pada situasi
atau kasus pertama, program training dan kebutuhan untuk tumbuh yang kuat adalah
variabel bebas yang mempengaruhi kesediaan para pekerja untuk belajar cara baru, variabel
yang belakangan merupakan variabel terikat. Walaupun demikian, pada kasus kedua,
kualitas program pelatihan adalah variabel bebas, dan sementara itu, variabel terikat tetap
sama, yaitu, kesediaan para pekerja untuk belajar cara baru. Sedangkan kebutuhan untuk
tumbuh yang kuat, menjadi variabel moderating. Dengan kata lain, hanya mereka atau para
pekerja yang mempunyai kebutuhan tinggi untuk tumbuh atau berkembang memperlihatkan
kesedian yang semakin besar dan memiliki adaptasi untuk belajar dan melaksanakan
pekerjaan baru ketika kualitas pogram pelatihan berkembang lebih baik. jadi, sekarang
hubungan antara variabel bebas dengan variabel terikat menjadi bergantung (contingent)
pada adanya (eksistensi) sebuah variabel moderator – variabel yang memperkuat atau
memperlemah hubungan antara variabel bebas dengan variabel terikat.
Di bawah ini ilustrasi yang memperkuat kedua kasus di atas dengan variabelnya
menjadi semakin jelas, yang sekalipun variabel yang digunakan pada kedua penelitian
tersebut adalah sama, baik jumlah dan variabelnya. Keputusan untuk memberikan label atau
nama variabel kepada mereka, variabel terikat, variabel bebas dan variabel moderating
tergantung kepada bagaimana mereka saling mempengaruhi satu sama lainnya. Perbedaan
antara dampak variabel bebas dan variabel moderating mungkin dapat divisualkan atau
dapat dilihat dengan kasat mata pada gambar 5.3a dan 5.3b. Perhatikan bahwa kemiringan
curam (steep incline) kemiringan curam dari garis atas dan relatif rata dari garis bawah pada
Gambar 5.3b.

Kesedian untuk belajar Kesediaan untuk belajar

dampak pekerja yang
memiliki
Kebutuhan untuk tumbuh

Dampak pekerja yang memiliki

kebutuhan untuk tumbuh

27
 Program pelatihan Program pelatihan
Kebutuhan untuk tumbuh
Gambar 5.3a Gambar 5.3b

Gambar 5.3 (a) mengilustrasikan pengaruh variabel bebas mempengaruhi variabel terikat,
ketika tidak ada variabel moderating beroperasi di dalam situasi. (b) mengilustrasikan
pengaruh variabel bebas terhadap variabel terikat, ketika variabel moderating beroperasi di
dalam situasi.

5.5 Variabel Mediasi (Mediating Variable)

Variabel mediasi yang lebih dikenal sebagai variabel intervening (intervening

variable) adalah salah satu yang muncul antara waktu variabel independen mulai beroperasi
untuk mempengaruhi variabel dependen dan waktu dampaknya ada di dalamnya. Dengan
demikian, ada kualitas temporal atau dimensi waktu untuk variabel mediasi. Dengan kata
lain, menjalankan variabel mediasi membantu Anda membuat model suatu proses. Variabel
mediasi muncul sebagai fungsi dari variabel independen yang beroperasi dalam situasi apa
pun, dan membantu untuk membuat konsep dan menjelaskan pengaruh variabel independen
terhadap variabel dependen. Contoh berikut menggambarkan hal ini.
Contoh
Pada sebuah penelitian pada sebuah perusahaan dimana para pekerja terdiri dari multiras,
multietnik dan multinasional dan merupakan variabel bebas (perbedaan tenaga kerja)
mempengaruhi variabel terikat (efektivitas perusahaan) dan variabel intervening yang
muncul sebagai fungsi (artinya mempengaruhi tinggi dan rendah dari pengaruh variabel
bebas terhadap variabel terikat) dari perbedaan tenaga kerja (variabel bebas) adalah “sinergi
kreatif”. Sinergi kreatif berasal dari multietnik, multiracial, dan multinasional (yaitu:
perbedaan) tenaga kerja berinteraksi dan menyatukan keahlian beragam mereka dalam
pemecahan masalah. Hal tersebut membantu kita untuk memahami bagaimana efektivitas
perusahaan dapat dihasilkan dari memiliki keanekaragaman pada para pekerjanya.
Perhatikan bahwa sinergi kreatif adalah variabel intervening, muncul ke permukaan pada
waktu t2, sebagai fungsi keanekaragaman tenaga kerja, yang ada pada waktu t 1, untuk
membawa efektivitas perusahaan dalam waktu t3. Variabel intervening dari sinergi kreatif
membantu kita untuk membuat konsep dan memahami bagaimana keragaman tenaga kerja
membawa efektivitas perusahaan. Dinamika hubungan ini diilustrasikan pada Gambar 11.4.
28
 Waktu t1 t2 t3

Keanekaragaman tenaga Efektivitas

Sinergi kreatif
kerja perusahaan
Variabel bebas Variabel intervening Variabel terikat
Gambar 5.4
Gambar 12.4 merupakan diagram hubungan antara variabel bebas, variabel intervening dan
variabel terikat.

5.6 Pendalaman Materi

1. Seorang peneliti menginginkan untuk meningkatkan kinerja pegawai bank pada

cabang kota Harapan Indah Bekasi. Pada penelitian yang akan dilaksanakan, apa
variabel terikatnya, dan jelaskan.
2. Seorang manajer percaya pengawasan yang baik dan pelatihan yang baik akan
meningkatkan produktivitas pekerja. Sebutkan dan jelaskan variabel bebas dan
variabel terikat.
3. Seorang manajer menemukan bahwa pelatihan di luar kelas memiliki dampak besar
pada produktivitas pekerja pada departemen yang dipimpinnya. Di samping itu, dia
juga melakukan observasi bahwa para pekerja di atas usia 60 tahun yang ikut
pelatihan di luar kelas tidak mendapat manfaat, karena produktivitas stagnan.
4. Kegagalan untuk mengikuti standar akuntansi menyebabkan kebingungan besar,
yang pada gilirannya menciptakan sejumlah masalah bagi organisasi. Namun,
mereka yang memiliki pengalaman luas dalam pembukuan dapat menghindari
masalah dengan mengambil tindakan korektif yang tepat waktu. Daftarkan dan beri
label atau nama pada variabel dalam situasi ini, jelaskan hubungan antar variabel,
dan gambarkan dengan menggunakan diagram.

Sebutkan dan jelaskan variabel bebas dan variabel terikat, serta buat diagram hubungan
antar variabel.

29
 BAB VI
METODE REGRESI LINEAR

Metode regresi linear adalah teknik analisis statistik yang digunakan untuk
menemukan hubungan antara satu variabel independen (x) dan satu variabel dependen (y).
Regresi linear mengasumsikan bahwa hubungan antara kedua variabel dapat dijelaskan
dalam bentuk persamaan linear (garis lurus).
Regresi linear dapat dilakukan dalam dua jenis: regresi linear sederhana dan regresi
linear berganda. Regresi linear sederhana melibatkan satu variabel independen dan satu
variabel dependen, sedangkan regresi linear berganda melibatkan dua atau lebih variabel
independen dan satu variabel dependen.
Berikut adalah langkah-langkah umum dalam melakukan analisis regresi linear:
1. Menyiapkan data: penyiapkan data merupakan langkah awal penting dalam
melakukan analisis regresi linear. Data harus dibersihkan dan diatur dengan benar
untuk memastikan hasil analisis yang akurat dan dapat diandalkan. Beberapa
langkah yang dapat diambil untuk menyiapkan data pada analisis regresi linear a)
kumpulkan data yang diperlukan dan pastikan bahwa data tersebut lengkap dan
akurat; b) identifikasi variabel independen (x) dan variabel dependen (y) dan
memastikan pengukuran untuk masing-masing variabel sudah sesuai dan konsisten;
c) memeriksa konsistensi data dan akurasi, apakah ada nilai yang hilang, tidak valid,
atau outlier; d) transformasi data untuk memastikan bahwa data memenuhi asumsi
regresi linear, misalnya melakukan transformasi logaritmik pada data untuk
mengubah distribusi data yang tidak normal; e) membuat scatter plot untuk
memvisualisasikan hubungan antara variabel independen dan variabel dependen, hal
ini untuk dapat membantu menentukan apakah ada hubungan linier antara kedua
variabel; f) hitung korelasi untuk membantu menentukan seberapa kuat hubungan
linier antara kedua variabel; g) Evaluasi data untuk memastikan bahwa data yang
akan digunakan dalam analisis regresi linear memenuhi asumsi regresi linear yang
mencakup memastikan normalitas data, homoskedastisitas, dan tidak adanya
multikolinearitas.
2. Membuat grafik sangat penting dalam analisis regresi linear karena dapat membantu
memvisualisasikan hubungan antara variabel independen dan variabel dependen.
Salah satu cara untuk membuat grafik pada regresi linear adalah dengan
30
 menggunakan scatter plot. Langkah-langkah untuk membuat grafik pada regresi
linear a) menyiapkan data yang akan digunakan dengan benar; b) tentukan variabel
variabel independen (x) dan variabel dependen (y); c) membuat scatter plot dengan
variabel independen pada sumbu x dan variabel dependen pada sumbu y. Titik pada
grafik akan menunjukkan hubungan antara kedua variabel; d) menambahkan garis
regresi untuk menunjukkan hubungan linier antara kedua variabel. Garis regresi
dapat dibuat dengan menggunakan persamaan regresi linear yang telah dihitung
sebelumnya; e) evaluasi grafik untuk menentukan seberapa kuat hubungan linier
antara kedua variabel. Perhatikan apakah ada titik yang berada jauh dari garis
regresi, yang menunjukkan kemungkinan adanya outlier atau data yang tidak biasa.
3. Menghitung koefisien regresi linear untuk mengukur seberapa kuat hubungan linier
antara variabel independen (x) dan variabel dependen (y) pada analisis regresi linear.
Ada dua jenis koefisien regresi linear, yaitu koefisien regresi slope (m) dan koefisien
regresi intercept (b) yaitu
a) Hitung rata-rata dari variabel independen (x) dan variabel dependen (y) dengan
menggunakan rumus:
x̄ = (Σx) / n ȳ = (Σy) / n
di mana Σx adalah jumlah dari semua nilai x, n adalah jumlah data, dan Σy
adalah jumlah dari semua nilai y.
b) Hitung variansi dari variabel independen (x) dengan menggunakan rumus:
Var (x) = (Σ(x - x̄)²) / (n-1)
di mana Σ(x - x̄)² adalah jumlah dari kuadrat selisih antara setiap nilai x dan rata-
rata x, dan n adalah jumlah data.
c) Hitung kovariansi antara variabel independen (x) dan variabel dependen (y)
dengan menggunakan rumus:
Cov (x,y) = (Σ[(x - x̄) * (y - ȳ)]) / (n-1)
di mana Σ[(x - x̄) * (y - ȳ)] adalah jumlah dari produk selisih antara setiap nilai x
dan rata-rata x dan setiap nilai y dan rata-rata y, dan n adalah jumlah data.
d) Hitung koefisien regresi slope (m) dengan menggunakan rumus:
m = cov(x,y) / var(x)
Koefisien regresi slope menunjukkan seberapa besar perubahan pada variabel
independen (x) mempengaruhi variabel dependen (y).
e) Hitung koefisien regresi intercept (b) dengan menggunakan rumus:
b = ȳ - (m * x̄)
31
 Koefisien regresi intercept menunjukkan nilai dari variabel dependen (y) ketika
variabel independen (x) bernilai nol.
Dengan menghitung koefisien regresi linear, dapat memahami seberapa kuat
hubungan linier antara variabel independen dan variabel dependen. Koefisien regresi
slope (m) dan koefisien regresi intercept (b) juga dapat digunakan untuk
memprediksi nilai dari variabel dependen (y) ketika variabel independen (x)
diketahui.
4. Melakukan regresi linear yang melibatkan menentukan persamaan garis lurus terbaik
yang mewakili hubungan antara kedua variabel. Persamaan ini dapat digunakan
untuk memprediksi nilai variabel dependen berdasarkan nilai variabel independen.
Berikut adalah langkah-langkah untuk melakukan regresi linear:
a. Tentukan model regresi yang akan digunakan. Model regresi linear
sederhana mengasumsikan bahwa hanya ada satu variabel independen (x)
yang mempengaruhi variabel dependen (y). Model regresi linear berganda
mengasumsikan bahwa ada dua atau lebih variabel independen yang
mempengaruhi variabel dependen.
b. Plot data pada grafik untuk memvisualisasikan hubungan antara variabel
independen dan variabel dependen.
c. Hitung koefisien regresi slope (m) dan koefisien regresi intercept (b)
menggunakan langkah-langkah yang telah dijelaskan sebelumnya.
d. Hitung prediksi nilai y, koefisien regresi slope dan intercept untuk
memprediksi nilai dari variabel dependen (y) ketika variabel independen (x)
diketahui. Rumus untuk menghitung nilai prediksi y adalah:
y = mx + b
di mana y adalah nilai prediksi dari variabel dependen (y), m adalah
koefisien regresi slope, x adalah nilai dari variabel independen (x), dan b
adalah koefisien regresi intercept.
e. Evaluasi model regresi dengan menggunakan metrik evaluasi yang sesuai,
seperti R-squared atau Mean Squared Error (MSE).
5. Mengevaluasi hasil untuk memastikan kesimpulan yang ditarik valid dan dapat
digunakan untuk membuat prediksi yang akurat. Berikut adalah beberapa metode
evaluasi hasil regresi linear:
a) R-squared adalah metrik evaluasi yang mengukur seberapa baik model regresi
linear cocok dengan data. R-squared berkisar dari 0 hingga 1, dengan nilai 1
32
 menunjukkan bahwa model regresi linear sepenuhnya cocok dengan data. Nilai
R-squared yang tinggi menunjukkan bahwa model regresi linear memiliki
kemampuan yang baik untuk menjelaskan variasi dalam data. Namun, nilai R-
squared yang tinggi tidak selalu menunjukkan bahwa model regresi linear yang
dihasilkan optimal atau sesuai dengan tujuan analisis.
b) Mean Squared Error (MSE) adalah metrik evaluasi yang mengukur seberapa
dekat nilai prediksi yang dihasilkan oleh model regresi linear dengan nilai aktual
data. Semakin kecil nilai MSE, semakin baik model regresi linear cocok dengan
data. Namun, nilai MSE tidak selalu mudah untuk diinterpretasikan dan hanya
menggambarkan kualitas model regresi linear pada data tertentu.
c) Analisis residual adalah selisih antara nilai aktual dan nilai prediksi dari model
regresi linear. Analisis residual dapat membantu dalam mengevaluasi kesalahan
prediksi dan memastikan bahwa model regresi linear tidak mengandung pola
tertentu atau outliers yang dapat mempengaruhi akurasi prediksi.
d) Uji signifikansi dapat dilakukan untuk mengevaluasi apakah model regresi linear
secara signifikan mempengaruhi variabel dependen. Uji signifikansi dapat
dilakukan dengan menggunakan nilai p dari koefisien regresi linear dan menguji
hipotesis nol bahwa koefisien regresi adalah nol.
Dalam mengevaluasi hasil regresi linear, penting untuk mempertimbangkan tujuan
analisis dan konteks dari data yang digunakan. Terkadang, nilai R-squared atau MSE
yang rendah dapat diterima jika tujuan analisis hanya untuk memprediksi nilai
variabel dependen secara kasar. Oleh karena itu, penting untuk mempertimbangkan
hasil evaluasi secara holistik dan tidak hanya mengandalkan satu metrik evaluasi
saja.

33
 BAB VII
REGRESI LINEAR SEDERHANA

Regresi linear sederhana adalah metode statistik yang digunakan untuk menentukan
hubungan antara dua variabel dengan model matematika garis lurus. Dalam regresi linear
sederhana, variabel yang dijelaskan (y) diperkirakan berdasarkan nilai variabel yang
menjelaskan (x) melalui persamaan garis linear.

Persamaan umum untuk regresi linear sederhana adalah:

y = α + βx + Ɛ
Di mana:
y adalah variabel yang dijelaskan
x adalah variabel yang menjelaskan
α adalah intercept (konstanta) atau nilai y ketika x = 0
dengan rumusan sebagai berikut
( Σy ) ( Σ x 2 )−( Σx ) ( Σxy )
α=
n ( Σ x ) ( Σx )
2 2

β adalah koefisien regresi (slope) atau perubahan unit dalam y yang terjadi saat x
meningkat 1 satuan.

34
 n ( Σxy )− ( Σx )( Σy )
β=
n ( Σ x ) ( Σx )
2 2

Untuk menentukan nilai α dan β, digunakan metode least square regression dengan tujuan
utama adalah untuk membuat model prediksi yang dapat digunakan untuk memprediksi
nilai y yang dijelaskan berdasarkan nilai x yang diketahui.
Berikut ini adalah langkah dalam melakukan analisa regresi linear sederhana:
1. Tentukan tujuan dari melakukan analisa regresi linear sederhana
2. Identifikasi variabel faktor penyebab (predictor) dan variabel akibat (response)
3. Lakukan pengumpulan data
4. Hitung X2, Y, XY dan total dari masing-masing
5. Hitung α dan β berdasarkan rumus diatas
6. Buat Model Persamaan Regresi Linear Sederhana
7. Lakukan prediksi atau peramalan terhadap variabel faktor penyebab atau variabel akibat
Contoh kasus
Seorang QC – quality control ingin mengetahui hubungan suhu ruangan dengan produk
barang makanan dalam hal ini barang yang cacat selama 30 hari.
Tanggal Suhu Ruangan (X) Produk Cacat (Y)
1 24 10
2 22 5
3 21 6
4 20 3
5 22 6
6 19 4
7 20 5
8 23 9
9 24 11
10 25 13
11 21 7
12 20 4
13 20 6
14 19 3
15 25 12
16 27 13
17 28 16
18 25 12
19 26 14
20 24 12
21 27 16
22 23 9
23 24 13

35
Tanggal Suhu Ruangan (X) Produk Cacat (Y)
24 23 11
25 22 7
26 21 5
27 26 12
28 25 11
29 26 13
30 27 14

Penyelesaian
Langkah 1: Penentuan Tujuan yaitu memprediksi jumlah produk cacat akibat suhu ruangan
yang tidak terkendali
Langkah 2: mengindentifikasi variabel penyebab dan akibat
Variabel penyebab (X): Suhu ruangan
Variabel akibat (Y): Jumlah produk cacat
Langkah 3: pengumpulan data
Langkah 4: menentukan X2, Y, XY dan total dari masing-masing yang terlihat pada tabel
berikut
Tangga
l Suhu Ruangan (X) Produk Cacat (Y) X2 Y2 XY
1 24 10 576 100 240
2 22 5 484 25 110
3 21 6 441 36 126
4 20 3 400 9 60
5 22 6 484 36 132
6 19 4 361 16 76
7 20 5 400 25 100
8 23 9 529 81 207
9 24 11 576 121 264
10 25 13 625 169 325
11 21 7 441 49 147
12 20 4 400 16 80
13 20 6 400 36 120
14 19 3 361 9 57
15 25 12 625 144 300
16 27 13 729 169 351
17 28 16 784 256 448
18 25 12 625 144 300
19 26 14 676 196 364
20 24 12 576 144 288
21 27 16 729 256 432
22 23 9 529 81 207
23 24 13 576 169 312
36
Tangga
l Suhu Ruangan (X) Produk Cacat (Y) X2 Y2 XY
24 23 11 529 121 253
25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Jumlah 699 282 16487 3112 6861

( Σy ) ( Σ x 2 )−( Σx ) ( Σxy )
α=
n ( Σ x 2 ) ( Σx )2
( 282 )( 16.487 )−( 699 ) ( 6.861 )
α= 2
30 ( 16.487 ) ( 699 )
α =−24,38

n ( Σxy )− ( Σx )( Σy )
β=
n ( Σ x ) ( Σx )
2 2

30 ( 6.861 )−( 699 ) ( 282 )

β=
30 ( 16.487 ) ( 699 )2
β=1,45

Langkah 6 membuat model persamaan regresi

y = α + βx + Ɛ
y = -24,38 + 1,45x + Ɛ
Langkah 7: Melakukan prediksi atau peramalan terhadap variabel penyebab atau variabel
akibat
1. Prediksi, jumlah produk cacat jika suhu dalam ruangan dalam keadaan tinggi
y = -24,38 + 1,45(30)
y = 19,12
jika suhu ruangan mencapai suhu tertinggi diprediksi akan terdapat 19,12 unit cacat
yang di hasilkan

2. Jika produk cacat yang ditargetkan sebanyak 4 unit, berapa suhu ruangan yang
diperlukan untuk mencapat target tersebut
37
y = -24,38 + 1,45x
4 = -24,38 + 1,45x
1,45x = 4 + 24,38
X = 19,57
Jadi prediksi suhu ruangan yang paling sesuai untuk mencapai target produk cacat
adalah 19,57°C

38
 BAB VIII
REGRESI LINEAR BERGANDA

Regresi linier berganda merupakan pengembangan analisis regresi linier

sederhana. Pendekatan ini dimungkinkan karena dalam banyak kasus, penggunaan
regresi dua variabel untuk memodelkan hubungan ekonomi disinyalir terlalu sederhana.
Hubungan yang mungkin perlu dijelaskan oleh beberapa variabel atau dengan kata lain
melibatkan lebih dari satu variabel penjelas. Perbedaan yang mendasar diantara
keduanya terletak pada banyaknya variabel bebas, dimana dalam regresi linier sederhana
hanya ada satu variabel bebas, sedangkan dalam regresi linier berganda variabel bebas
tersebut lebih dari satu (bisa dua, tiga dan seterusnya).
Suatu model regresi berganda dengan k variabel dapat dituliskan dalam bentuk :

Y = β0 + β1X1 + β2X2 + ......

+ βkXk + u
dimana β0 adalah intersep dan βj, untuk k = 1 sd
k, adalah parameter terkait dengan variabel j. Sedangkan u adalah disturbance.
Parameter βj menunjukkan besaran hubungan antara variabel bebas dengan variabel
terikat dengan mengasumsikan seluruh faktor lain dianggap konstan. Karena persamaan
(4) adalah linier dalam parameter, maka setiap perubahan xj sebesar Δxj akan berdampak
pada perubahan y sebesar Δy.
Sebagai ilustrasi, kita ingin melihat hubungan antara penjualan (Yt) dengan
faktor-faktor yang mempengaruhi, misalnya iklan, kualitas produk, pendapatan, dan
sebagainya. Dalam regresi sederhana, kita hanya tertarik pada satu model yang hanya
melibatkan satu variabel bebas misalnya iklan (x1), sehingga model regresi sederhana
sebagai berikut :
Yt = βo + β1 Xt + Ɛt
namun jika kita ingin melibatkan variabel lain seperti iklan (x1), kualitas produk (x2),
dan pendapatan (x3), model regresi linier berganda sebagai berikut :
Yt = βo + β1 X1t + β2X2t + Ɛt
8.1. Estimasi dan Asumsi

Sebagaimana regresi sederhana, estimasi parameter βj juga dilakukan dengan

metode kuadrat terkecil atau OLS (Ordinary Least Squares). Caranya meminimumkan

39
jumlah kuadrat error (Ɛt) sebagai berikut :

Dengan menggunakan kalkulus, kondisi orde pertama terhadap βj didapat suatu

persamaan linier sebanyak i dengan k+1 variabel. Penyelesaian sistem persamaan
tersebut akan menghasilkan estimator OLS dengan model regresi linear yang dikenal
dengan sample regression function sebagai berikut :

Estimator intersep adalah prediksi nilai y jika seluruh variabel bebas bernilai 0.
Sedangkan parameter menunjukkan besarnya perubahan variabel terikat (y) jika
variabel bebas (xj) berubah dengan asumsi variabel bebas lainnya tidak berubah (ceteris
paribus).
Sebagaimana model regresi sederhana, jika model regresi berganda diestimasi
dengan teknik OLS, maka bila memenuhi suatu set asumsi (Gauss-Markov) dapat
ditunjukkan, parameter yang diperoleh bersifat BLUE (Best Linier Unbiased
Estimator).
Parameter dikatakan best dalam artian memiliki varians terkecil dibandingkan
parameter yang diperoleh dengan metode linier lain selain OLS. Linier mempunyai
makna berupa Y (variabel dependen) merupakan kombinasi linier terhadap X (variabel
independen), serta makna kedua berupa linier dalam parameter. Unbiased berarti jika
estimasi dilakukan terhadap sampel berulang maka rata-rata estimasi akan mendekati
populasi. Oleh karena itu, asumsi yang diperlukan untuk mendapatkan parameter
tersebut, sebagai berikut :
1. Rata-rata nilai Ɛt sama dengan nol. Hal ini akan selalu dipenuhi karena inilah Ɛt
yang positif dan negatif akan saling meniadakan.
2. Error Ɛt tidak berkorelasi dengan variabel bebas [ Cov (Ɛt, Xt) = 0].
3. Tidak ada kesalahan spesifikasi model.
4. Antar variabel independen tidak saling berkorelasi (tidak ada multicollinearity)
5. Varian Ɛt adalah konstan, artinya tidak ada kecenderungan Ɛt semakin besar
dengan nilai variabel bebas yang makin besar.
6. Tidak ada otokorelasi antara Ɛi dan Ɛj untuk i ≠ j, artinya observasi ke i tidak
mempengaruhi nilai observasi ke j.

40
8.2. Inferensi pada Regresi Linier Berganda

Bagian ini menguraikan tentang keterpentingan atau signifikansi parameter yang

ditemukan bila memenuhi syarat Gauss-Markov sehingga bersifat BLUE. Perhatian kita
berupa pertanyaan mengenai apakah nilai parameter yang diperoleh telah sesuai dengan
hipotesis yang diturunkan dari teori ekonomi. Pada prinsipnya kita akan melakukan dua
jenis pengujian yaitu pengujian hipotesis individual dimana apakah suatu parameter
regresi telah sesuai dengan hipotesis dan pengujian hipotesis berganda dimana apakah
beberapa parameter regresi secara bersama telah memenuhi suatu hipotesis.
Pengujian hipotesis individual diperlukan suatu asumsi agar kita dapat
menggunakan statistik hitung sebagai sarana uji yang valid. Asumsi tersebut berupa
normalitas, artinya residual populasi adalah independen terhadap variabel bebas dan
terdistribusi normal dengan rata-rata nol dan varians konstan. Bila asumsi ini
terpenuhi ditambah dengan asumsi Gauss-Markov maka disebut Classical Linier Model
(CLM), sehingga aturan pengujian dapat dilakukan dengan menghitung t- hitung
kemudian membandingkan dengan t-tabel pada derajat bebas (degree of freedom)
sebesar n-k-1 pada tingkat α (alpha) yang dinginkan.
Pengujian hipotesis berganda untuk mengetahui apakah sekelompok variabel
bebas tidak memiliki dampak terhadap variabel terikat. Dengan kata lain, apakah secara
kolektif seluruh variabel bebas yang ada pada model regresi memberikan dampak
penjelas yang signifikan pada variabel terikat atau sebaliknya. Disini, pengujian bersifat
dua arah sehingga pengujian yang bersifat positif atau negatif tidak relevan. Prosedur
pengujiannya dengan membandingkan F-hitung dengan F-tabel, aturan penolakan
hipotesis null jika F-hitung lebih besar dari F-tabel begitu juga sebaliknya.

8.3. Kelaiksuaian pada Regresi Berganda

Dalam bahasa sehari-hari koefesien determinasi R2 dapat didefiniskan sebagai

bagian atau porsi dari variasi variabel terikat (Y) yang dapat diterangkan oleh variabel
bebas (X). Dengan memperhatikan persamaan (6), jika variasi Y sebagian besar mampu
diterangkan oleh variabel bebas X1 dan X2 , maka akan semakin besar pula nilai R2 dari
model yang dibuat, dengan demikian akan semakin baik atau sesuai model tersebut.
Nilai R2 berkisar antara 0 sampai 1 atau 0% sampai 100%. Perlu diperhatikan

41
bahwa sifat R2 sangat dipengaruhi oleh banyaknya variabel bebas. Semakin banyak
variabel bebas dimasukkan dalam model, maka R2 cenderung semakin besar. Untuk
mengatasi hal tersebut, dikembangkan suatu instrumen pengukuran kelaiksuaian dengan
melibatkan faktor koreksi sehingga nilai R2 tidak dipengaruhi oleh bertambahnya
variabel bebas. Ukuran R2 yang telah dikoreksi disebut sebagai R2 adjusted yang
dirumuskan sebagai :

2
R adjusted=1−(1−R )
2
( n−k−1
n−1
) 
Dengan demikian untuk regresi linier berganda, kelaiksuaian model dapat digunakan
R2 adjusted.
Contoh:
Dalam suatu penelitian terhadap 10 rumah tangga yang dipilih secara acak, diperoleh data
pengeluaran untuk pembelian barnag-barang tahan lama perminggu (Y), pendapatan per
minggu (X1) dan jumlah anggota rumah tangga (X2) sebagai berikut
Y (ratusan Rp) 23 7 15 17 23 22 10 14 29 19
X1 (ribuan Rp) 10 2 4 6 8 7 4 6 7 6
X2 (orang) 7 3 2 4 6 5 3 3 4 3

Seandainya suatu rumah tangga mempunyai X1 dan X2, masing-masing 11 dan 8. Berapa
besarnya nilai Y. Berapa ratus Rp rumah tangga yang bersangkutan akan mengeluarkan
biaya untuk pembelian barang tahan lama?
Dalam menjawab pertanyaan diatas diperlukan suatu rumusan sebagai berikut
Ŷ = variabel terikat Y
X = variabel bebas
b = konstanta
bi = koefisien regresi
untuk menghitung b, b1, b2 .... bk dan seterusnya dapat menggunakan mtode kuadrat
terkecil (Least Square Method) yang menghasilkan persamaan model nya

42
Untuk memudahkan dalam menghitung b0, b1, b2 dapat menggunakan matriks sebagai
berikut:

Dimana :
A = matrik yang diketahui
H = vektor yang diketahui
b = vektor kolom yang tidak diketahui
Y X1 X2 X12 X22 X1X2 X1Y X2Y
23 10 7 100 49 70 230 161
7 2 3 4 9 6 14 21
15 4 2 16 4 8 60 30
17 6 4 36 16 24 102 68
23 8 6 64 36 48 184 138
22 7 5 49 25 35 154 110
10 4 3 16 9 12 40 30
14 6 3 36 9 18 84 42
20 7 4 49 16 28 140 80
19 6 3 36 9 18 114 57
2 2
ΣY =170 ΣX1= 60 ΣX2= 40 ΣX1 406 ΣX2 =182 ΣX1X2= 267 ΣX1Y = 1122 ΣX2Y = 737

[ ] [] [ ]
10 60 40 b0 170
A = 60 406 267 b = b 1 H = 1122
40 267 182 b2 737

b = A-1H
43
 [ ][ ]
0,919 −0,084 −0,077 170
b = −0,084 0,078 −0,095 1122
−0,077 −0,095 0,163 737

[ ]
5,233
b = 3,221
0,451

Dari perhitungan diatas, maka model regresi berganda

Ŷ = 5,233 + 3,221X1 + 0,451X2
Jadi setiap kenaikan pendapatan perminggu sebesar Rp. 1.000 maka akan menaikan
pengeluaran untuk pembelian barang tahan lama per minggu sebsar Rp. 3.221,1 dengan
asumsi jumlah anggota rumah tangga konstan atau tetap.
Jika jumlah anggota rumah tangga bertambah 1 orang, maka akan menaikan pengeluaran
untuk pembelian barang-barang tahan lama per minggu sebear Rp. 45,1 dengan asumsi
pendaptan perminggu konstan.
Besar nya nilai Y apabila ada pendapatan perminggu sebesar Rp. 11.000 dan anggota rumah
tanggah sebesar 8 orang maka pengeluaran untuk pembelian barang-barang sebesar Rp.
4.427.200

44
 BAB IX
ANALISIS JALUR
9.1. Pengertian Analisis Jalur

Analisis jalur atau path analysis adalah sebuah metode statistik yang digunakan untuk
mengevaluasi hubungan kausalitas antara variabel-variabel dalam sebuah model. Metode ini
memperkirakan hubungan antar variabel melalui beberapa pengukuran atau variabel antara,
dan menunjukkan seberapa besar pengaruh setiap variabel pada variabel akhir atau outcome.
Analisis jalur sering digunakan dalam penelitian sosial dan psikologi untuk
mempelajari hubungan antara variabel, seperti pengaruh pendidikan dan tingkat pendapatan
pada kesehatan, atau pengaruh stres pada kinerja kerja.
Pada dasarnya, analisis jalur adalah metode regresi yang lebih kompleks karena
memperhitungkan efek langsung dan efek tidak langsung (mediator) dari variabel pada
outcome, hal ini memungkinkan peneliti untuk memperkirakan efek total dari suatu variabel
pada outcome, serta mengevaluasi seberapa besar variabel-variabel antara mempengaruhi
hubungan antara variabel tersebut dengan outcome.
Untuk melakukan analisis jalur, peneliti harus memulai dengan merancang model
konseptual yang mencakup variabel-variabel yang akan dipelajari, serta mengidentifikasi
hubungan kausalitas antara variabel tersebut. Selanjutnya, peneliti harus mengumpulkan data
pada variabel-variabel yang terdapat dalam model tersebut, dan melakukan analisis statistik
untuk mengevaluasi hubungan antara variabel-variabel tersebut.
Analisis jalur dapat dilakukan menggunakan berbagai jenis perangkat lunak statistik,
seperti SPSS, Smart PLS, atau Amos. Namun, karena kompleksitasnya, analisis jalur
memerlukan pengetahuan yang baik tentang metode statistik dan interpretasi hasilnya. Oleh
karena itu, sebaiknya dilakukan oleh peneliti atau statistisi yang berpengalaman.
Beberapa hal penting dalam analisis jalur adalah

1. Analisis Jalur merupakan perluasan dari model regresi, yang digunakan untuk
menguji matriks korelasi pada model kausal yang dibandingkan oleh peneliti untuk
melihat kecocokan model (goodness of fit).

2. Analisis jalur mempunyai manfaat prediktif yang disajikan dengan panah berarah
tunggal yang menyatakan sebab akibat.

45
 3. Analisis jalur digunakan untuk menelaah hubungan antara model kausal yang telah
dirumuskan peneliti atas dasar pertimbangan teoritis dan pengetahuan tertentu.

4. Hubungan kausal selain didasarkan pada data, juga didasarkan pada pengetahuan,
perumusan hipotesis, analisis logis.

9.2. Tujuan Analisis jalur

Tujuan utama analisis jalur adalah untuk mengevaluasi hubungan kausalitas antar
variabel dalam sebuah model. Kita dapat mengetahui seberapa besar pengaruh variabel
independen pada variabel dependen, serta mengevaluasi pengaruh variabel antara yang
mungkin memediasi hubungan antara variabel independen dan dependen.
Adapun tujuan khusus analisis jalur antara lain:
1. Menguji model konseptual, disini menguji kecocokan model konseptual yang telah
dirancang dengan data empiris yang dikumpulkan.
2. Mengetahui pengaruh langsung dan tidak langsung variabel independen pada variabel
dependen yang dapat membantu memperkirakan pengaruh langsung dan tidak
langsung variabel independen pada variabel dependen melalui pengaruh variabel
antara atau mediator.
3. Mengetahui pengaruh dan mengevaluasi variabel antara hubungan antara variabel
independen dan dependen.
4. Meningkatkan pemahaman tentang hubungan antara variabel-variabel dengan
melakukan analisis jalur dan dapat meningkatkan pemahaman tentang hubungan
antara variabel-variabel yang ada dalam model dan bagaimana variabel-variabel
tersebut saling berhubungan.
5. Memberikan dasar untuk pengembangan kebijakan atau intervensi agar pembuat
kebijakan atau praktisi untuk merancang intervensi atau program yang dapat
meningkatkan variabel-variabel yang dianggap penting dalam model.

9.3. Manfaat Analisis Jalur

Analisis jalur dapat memberikan banyak manfaat bagi peneliti dan praktisi dalam
berbagai bidang, antara lain:
1. Memperjelas hubungan antar variabel dalam sebuah model yang telah ditentukan
sehingga dapat memberikan pemahaman yang lebih baik tentang faktor-faktor yang
mempengaruhi outcome.

46
 2. Mengidentifikasi variabel yang paling berpengaruh dengan menggunakan analisis
jalur, variabel apa saja yang paling berpengaruh dalam hubungan variabel independen
dan dependen, serta mengetahui apakah pengaruh tersebut secara langsung atau tidak
langsung melalui mediator.
3. Menilai kausalitas dimana analisis jalur memungkinkan untuk menilai kausalitas antar
variabel dalam model, karena hal ini dapat membantu menghindari kesalahan dalam
menafsirkan hubungan antara variabel sebagai sebab akibat, padahal sebenarnya
hubungan tersebut bersifat korelasi saja.
4. Mengevaluasi kecocokan suatu model konseptual yang telah dirancang dengan data
empiris. Hal ini dapat membantu mengevaluasi validitas konseptual model dan
mengidentifikasi area yang perlu ditingkatkan atau dimodifikasi.
5. Membantu dalam perencanaan program atau intervensi atas hasil analisis jalur yang
memberikan dasar bagi pembuat kebijakan atau praktisi untuk merancang intervensi
atau program yang dapat meningkatkan variabel-variabel yang dianggap penting
dalam model.
6. Meningkatkan prediksi, dengan analisis jalur akan membantu peningkatan
kemampuan memprediksi model dengan memperhitungkan pengaruh variabel antara
atau mediator, sehingga hasil prediksi menjadi lebih akurat.
Jadi analisis jalur dapat memberikan manfaat yang signifikan dalam menggambarkan
dan memahami hubungan antara variabel dalam sebuah model, sehingga dapat digunakan
sebagai dasar dalam membuat keputusan dan rekomendasi bagi peneliti, praktisi, dan
pembuat kebijakan.
Berikut ini ilustrasi analisis : Sikap
Penolakan

Kepatuhan
Tingkat
Denda

Perilaku
Penolakan
Keterangan:
1. Penetapan tingkat denda akan mempengaruhi sikap penolakan dan ber-perilaku
penolakan
2. Sikap penolakan akan mempengaruhi perilaku seseorang untuk menolak atau
orang tersebut akan memberikan kepatuhan
3. Perilaku pengolakan akan mempengaruhi kepatuhan seseorang

47
Sebelum pembahasan lebih mendalam, ada beberapa hal yang harus di pahami dalam
menganalisis jalur yaitu:
a. Model jalur adalah suatu diagram yang menghubungkan beberapa variabel dengan
arah yang diletakan berurutan kemudian di kaji dalam penelitian dengan memberikan
usulan untuk teori atau hipotesis yang menguji hubungan sebab akibat.
b. Variabel eksogen, variabel yang tidak dipengaruhi oleh variabel lain dalam model,
tetapi dapat mempengaruhi variabel lainnya. Atau variabel yang tidak ada
penyebabnya yang eksplisit dalam diagram yang sering disebut variabel independen
(variabel bebas). Variabel eksogen memiliki peran penting dalam model persamaan
struktural sebagai kontrol atau faktor-faktor yang dapat mempengaruhi variabel
terikat tanpa dipengaruhi oleh variabel lainnya. Dengan memasukkan variabel
eksogen dalam analisis, dapat mengidentifikasi sejauh mana faktor-faktor tersebut
berpengaruh terhadap variabel terikat dan mengisolasi pengaruhnya dari faktor-faktor
lain yang juga dapat mempengaruhi variabel terikat. Dalam notasi model persamaan
struktural, variabel eksogen diberi simbol Ɛ yang mewakili faktor penyebab atau
prediktor dari variabel lain dalam suatu model
c. Variabel endogen, variabel yang disebabkan oleh variabel lain yang dalam suatu
model, atau variabel yang ditentukan oleh hubungan dengan variabel lain dalam
model. Dalam notasi model persamaan struktural, variabel endogen biasanya diberi
simbol “y” yang dapat sebagai prediksi atau pahami, dan hubungannya dengan
variabel lain dalam model dianalisis melalui koefisien regresi
Contoh, misalkan memiliki persamaan struktural yang menghubungkan variabel
pendapatan (Y) dengan variabel pendidikan (X0 dan pengalaman kerja (X) sehingga
model persamaan struktural nya
Y = aX + bZ + Ɛ
Keterangan
Y = variabel endogen (pendapatan)
X = variabel eksogen (pendidikan)
Z = variabel eksogen (pengalaman kerja)
a, b = koefisien regresi
Ɛ = kesalahan

48
 d. Variabel perantara, variabel yang disebabkan oleh variabel eksogen dan endogen yang
dalam diagram ditunjukkan dengan menerima anak panah dari variabel eksogen dan
mempunyai anak panah yang menuju variabel endogen. Variabel perantara dapat
sebagai variabel mediasi mapun variabel moderasi (lihat halaman sebelumnya).
e. Koefisien jalur yang merujuk pada ukuran statistik yang digunakan dalam analisis
regresi dengan tujuan untuk mengukur sejauh mana hubungan antara dua atau lebih
variabel antara variabel independen dan variabel dependen dalam model regresi.
f. Model resursif merujuk pada model yang melibatkan hubungan timbal balik atau
sirkular antara variabel-variabel yang dimodelkan yang setidaknya ada satu variabel
independen yang bertindak sebagai variabel dependen atau mediator. Model rekursif
dapat digambarkan sebagai struktur aliran data yang membentuk siklus atau loop, di
mana informasi mengalir dari satu variabel ke variabel lain, dan kemudian kembali
lagi ke variabel awal.
g. Model Nonresursive dalam analisis jalur mengacu pada model yang tidak melibatkan
hubungan timbal balik atau sirkular antara variabel-variabel yang dimodelkan. Dalam
analisis jalur, model non-recursive adalah model yang lebih sederhana dan lebih
mudah diinterpretasikan karena tidak ada kompleksitas dari hubungan timbal balik
dan digunakan ketika hubungan kausalitas antara variabel-variabel relatif jelas dan
tidak ada interaksi timbal balik yang signifikan yang perlu dimodelkan.
h. Direct effect merujuk pada pengaruh langsung dari satu variabel independen terhadap
satu variabel dependen dalam model jalur tanpa melalui variabel mediator atau
hubungan timbal balik dengan variabel lain.
i. Indirect effect dalam analisis jalur merujuk pada efek yang berjalan melalui satu atau
lebih variabel mediator dalam jalur antara variabel independen dan variabel dependen
yang mungkin mempengaruhi variabel mediator.

9.4. Analisis Jalur dalam Teknis Analisis Multivariat

Analisis Jalur (Path Analysis) merupakan salah satu teknik analisis multivariat yang
digunakan untuk menguji hubungan kausal antara beberapa variabel dalam sebuah model
dengan tujuan untuk memahami bagaimana variabel-variabel saling berhubungan dan
berkontribusi terhadap variabel lainnya. Dalam analisis jalur, variabel-variabel dianalisis
dalam bentuk model berbentuk grafik, di mana panah-panah mengindikasikan arah kausalitas
antara variabel-variabel.

49
 Gambar 9.1
Motivasi

Disiplin Kinerja Karyawan

Kreativitas

Pada gambar 9.1: diatas sebagai konsep, ide dan gagasan dalam menentukan
kinerja karyawan dipengaruhi variabel motivasi, kedisiplinan dan kreativitas yang
diidentifikasi:
Variabel bebas (eksogen) terdiri dari motivasi, kedisiplinan dan kreativitas sedang
variabel akan mempengarui kinerja pegawai sebagai variabel terikat (endogen).

9.5. Kelebihan Analisis jalur dibanding dengan regresi liner berganda.

Beberapa alasan peneliti banyak menggunakan analisis jalur dibandingkan dengan
regresi linear berganda yaitu
1. Model hubungan Kausal yang dapat mengidentifikasi variabel-variabel yang berperan
sebagai variabel independen, variabel mediator, dan variabel dependen, serta
memahami arah hubungan kausal.
2. Pengujian hipotesis yang lebih komprehensif mengenai hubungan antar variabel
dalam model dan dapat menguji efek langsung dan efek tidak langsung melalui
variabel mediator secara bersamaan, sehingga memperoleh informasi yang lebih kaya
tentang kontribusi masing-masing variabel dalam menjelaskan variabel dependen.
3. Penilaian model secara keseluruhan dengan melihat bagaimana variabel-variabel
saling berhubungan dalam model untuk membantu memastikan konsistensi dan
kualitas model secara menyeluruh.
4. Memungkinkan penanganan variabel tidak terukur atau variabel laten dengan
menggunakan variabel mediator dalam model hubungan yang kompleks dan tidak
dapat diukur secara langsung dalam regresi linear berganda.
5. Lebih fleksibel untuk model kompleks yang lebih baik daripada regresi linear
berganda. Misalnya, analisis jalur dapat mengatasi model dengan banyak variabel
independen dan mediator, sementara regresi linear berganda memiliki batasan pada
jumlah variabel independen yang dapat dimasukkan.
Namun, perlu dicatat bahwa analisis jalur juga memiliki kelemahan, seperti kebutuhan
akan data yang lengkap dan akurat, interpretasi yang rumit dalam model yang lebih

50
kompleks, dan kemungkinan penilaian subjektif dalam pemilihan model. Keputusan untuk
menggunakan analisis jalur atau regresi linear berganda harus didasarkan pada tujuan
penelitian, pertanyaan yang ingin dijawab, serta karakteristik data yang dimiliki.
Jika kita menggunakan regresi linier berganda, kita hanya dapat melihat pengaruh
gabungan (R2) dari variabel bebas terhadap variabel tergantung, sedangkan pengaruh
masing-masing variabel bebas terhadap variabel tergantung tidak bisa dilakukan
dibandingkan dengan menggunakan analisis jalur dimana kita kita dapat mengetahui
pengaruh gabungan (R2) dari variabel eksogen terhadap variabel endogen, tetapi kita juga
dapat mengetahui pengaruh partial/sendiri-sendiri dari variabel eksogen terhadap
variabel endogen

9.6. Persyaratan Menggunakan Path Analysis

Untuk menggunakan analisis jalur (path analysis), ada beberapa persyaratan yang
perlu dipertimbangkan:
1. Hubungan Kausal dimana analisis jalur dirancang untuk memodelkan hubungan
kausal antar variabel dan harus memiliki hipotesis tentang hubungan kausal di
antara variabel-variabel yang akan diuji.
2. Data Kuantitatif sangat diperlukan baik data interval maupun data rasio dan data
ini biasanya dihasilkan dari pengukuran variabel-variabel yang ingin dimasukkan
dalam model jalur.
3. Pemilihan variabel yang relevan dan berhubungan erat dengan pertanyaan
penelitian dan tujuan analisis Anda. Variabel yang tidak relevan atau tidak
memiliki kaitan langsung dengan model jalur dapat mempengaruhi interpretasi
dan validitas hasil analisis.
4. Memastikan data lengkap dan tidak bias, apabila ada missing data atau data yang
bias dapat mempengaruhi kualitas analisis dan mengurangi keandalan hasil.
5. Linearitas hubungan yang didasarkan pada asumsi bahwa hubungan antar variabel
adalah linier.
6. Normalitas data sangat penting, beberapa teknik analisis jalur mengasumsikan
distribusi normal. Jika data tidak terdistribusi normal, pertimbangkan untuk
melakukan transformasi data atau menggunakan teknik analisis alternatif.
7. Ukuran sampel yang memadai untuk melakukan analisis jalur. Sampel yang
terlalu kecil dapat menyebabkan kesulitan dalam estimasi parameter dan membuat
hasil tidak stabil.

51
8. Penguji hipotesis yang tepat untuk menguji signifikansi hubungan dalam model.
9. Pemahaman konsep dan teori sangat penting untu mendasari model jalur yang
dibangun dan akan membantu dalam interpretasi hasil dan memberikan konteks
yang tepat untuk temuan analisis.

52
 BAB X
ANALISIS KORELASI
10.1. Pengertian Analisis Korelasi

Analisis korelasi adalah sebuah metode statistik yang digunakan untuk mengukur
tingkat hubungan antara dua atau lebih variabel yang membantu dalam menentukan apakah
ada keterkaitan atau ketergantungan antara variabel-variabel tersebut, serta sejauh mana
keterkaitan tersebut terjadi.
Metode analisis korelasi sangat berguna dalam berbagai bidang, seperti ilmu sosial,
ekonomi, psikologi, kedokteran, dan ilmu alam. Dengan mengidentifikasi korelasi antara
variabel-variabel ini, analisis korelasi membantu memahami bagaimana satu variabel dapat
mempengaruhi variabel lainnya dan membantu dalam pengambilan keputusan dan prediksi.
Namun, penting untuk diingat bahwa korelasi tidak menyiratkan hubungan sebab-akibat;
hanya karena dua variabel berkorelasi, bukan berarti salah satu menyebabkan yang lain.
Korelasi hanya menggambarkan hubungan statistik di antara variabel-variabel tersebut.

10.2 Manfaat Analisis Korelasi

Dalam penelitian, seorang peneliti pasti akan mencari seberapa besar korelasi yang
terjadi antara variabel yang satu dengan variabel yang lain, dengan mencari besar korelasi
akan memberikan manfaat. Analisis korelasi memiliki banyak manfaat dan dapat
memberikan wawasan yang berharga dalam berbagai bidang dalam pengambilan keputusan
penelitian. Berikut adalah beberapa manfaat utama dari analisis korelasi:
1. Mengidentifikasi hubungan antara variabel, hal ini memungkinkan kita untuk
memahami bagaimana variabel-variabel tersebut saling berhubungan dan berpotensi
mempengaruhi satu sama lain.
2. Memprediksi, jika terdapat korelasi yang kuat antara dua variabel, maka kita dapat
menggunakan informasi tersebut untuk memprediksi nilai satu variabel berdasarkan
nilai variabel lainnya dan hal ini membantu dalam perencanaan, pengambilan
keputusan, dan perkiraan di berbagai bidang seperti bisnis, ekonomi, dan ilmu sosial.
3. Verifikasi teori atau hipotesis, analisis korelasi digunakan untuk menguji teori atau
hipotesis yang diajukan, jika korelasi antara variabel sesuai dengan prediksi teori, ini
dapat memberikan dukungan empiris untuk teori tersebut.

53
 4. Menemukan variabel yang berpengaruh dalam mengidentifikasi variabel yang
memiliki hubungan yang kuat dengan variabel lainnya dan memungkinkan untuk
menemukan variabel yang paling berpengaruh terhadap suatu fenomena atau masalah
yang sedang dipelajari.
5. Pengelolaan risiko khususnya bisnis dan keuangan, analisis korelasi dapat membantu
dalam mengelola risiko dengan mengidentifikasi hubungan antara aset atau investasi.
Diversifikasi portofolio berdasarkan korelasi antara aset dapat membantu mengurangi
risiko secara keseluruhan.
6. Penelitian pasar dan perilaku konsumen untuk memahami hubungan antara faktor-
faktor yang mempengaruhi perilaku konsumen dan membantu perusahaan untuk
mengetahui faktor apa yang paling berpengaruh terhadap preferensi dan keputusan
pembelian konsumen.
7. Pengembangan strategi dalam bisnis dan manajemen, analisis korelasi membantu
dalam pengembangan strategi yang efektif. Misalnya, mengidentifikasi korelasi antara
biaya pemasaran dan penjualan dapat membantu menentukan anggaran pemasaran
yang optimal atau seorang pemimpin kerap kali menggunakan korelasi untuk
mengetahui apakah terdapat hubungan yang kuat antara kenaikan gaji pegawah
dengan jumlah pendapatan perusahaan.

10.3 Metode Pengukuran Analisis Korelasi

Pemilihan metode analisis korelasi tergantung pada jenis data yang dimiliki, skala
pengukuran variabel, dan asumsi yang ingin dipenuhi. Selain itu, penting untuk selalu
memeriksa asumsi yang relevan sebelum menggunakan metode korelasi tertentu, terutama
asumsi tentang distribusi data dan jenis hubungan yang diharapkan antara variabel-variabel
tersebut.
Ada beberapa metode yang digunakan untuk mengukur analisis korelasi antara dua
atau lebih variabel yang digunakan:
1. Korelasi Pearson, metode ini yang paling umum digunakan untuk mengukur
hubungan linier antara dua variabel kontinu dengan memberikan nilai koefisien
korelasi Pearson (r) yang dapat berkisar dari -1 hingga 1, sesuai dengan tingkat
hubungan linier antara kedua variabel tersebut. Metode korelasi Pearson bisa
digunakan dengan kondisi data skala interval atau rasio dan berkorelasi antara 2
variabel harus linear yaitu distribusi data harus menunjukan hubungan yang searah.
Contoh pertanyaan penelitian bila menggunakan Korelasi Pearson:

54
 a) Apakah ada hubungan yang signifikan secara statistik antara usia (dalam tahun)
dan tinggi badan (dalam CM)?
b) Apakah ada hubungan antara suhu (°F) dengan penjualan es krim (dalam
pendapatan)?
c) Apakah ada hubungan antara kepuasan kerja dengan pendapatan?
2. Korelasi Spearman, metode ini digunakan ketika data yang digunakan bersifat ordinal
atau asumsi normalitas tidak terpenuhi. Korelasi Spearman mengukur hubungan
monotik antara dua variabel dengan mengubah data ke dalam peringkat (ranking).
Korelasi Spearman memiliki dua kondisi penggunaan yaitu kondisi dimana data yang
digunakan bersifat unik atau tidak ditemukan data ganda dan kondisi dimana data
yang digunakan terdapat data ganda.
Contoh pertanyaan penelitian yang dapat dilakukan dengan korelasi Spearman
a) Apakah ada hubungan yang signifikan secara statistik antara tingkat pendidikan
peserta dengan gaji awal mereka?
b) Apakah ada hubungan yang signifikan secara statistik antara berat badan dengan
usia?
3. Korelasi Kendall, korelasi Kendall sama seperti korelasi Spearman, dimana metode
ini menggunakan data ordinal atau non-parametrik. Korelasi Kendall mengukur
tingkat konsistensi ketertiban antara dua variabel.
Contoh pertanyaan penelitian yang dapat dilakukan dengan mengugnakan analisis
korelasi Kendall:
a) Apakah ada korelasi antara tingkat pendidikan dan tingkat kepuasan pekerjaan?
b) Apakah ada hubungan antara tingkat stres dan tingkat kesehatan mental pada
pasien?
c) Apakah ada korelasi antara peringkat keterampilan sosial dan peringkat prestasi
akademik pada siswa di sekolah?
4. Korelasi Point-Biserial digunakan untuk mengukur hubungan antara variabel biner
(dichotomous) dan variabel kontinu. Korelasi ini adalah korelasi product moment
Pearson yang berlaku pada skor item yang bersifat dikotomi diskret – perbedaan nilai
1 dan 0 dengan skor total pada suatu tes yang bersifat internval.
Rumus Point-Biserial

55
 Dimana
X p = mean nilai variabel interval yang terkait dengan kategori pertama dikotomis
X q = mean nilai variabel interval yang terkait dengan kategori kedua dikotomis
Sx = standar deviasi variabel pada skala internal
P p = proporsi nilai variabel interval yang terkait dengan kategori pertama variabel
dikotomis
P q = proporsi nilai variabel interval yang terkait dengan kategori kedua variabel
dikotomis
Contoh pertanyaan penelitian yang menggunakan korelasi Point-Biserial
a) Apakah terdapat korelasi antara IPK dan hasil ujian mahasiswa
5. Korelasi Phi dan Cramer's V: Metode ini digunakan untuk mengukur hubungan antara
dua variabel kategorikal, terutama ketika keduanya berbentuk tabel silang
(contingency table).
6. Korelasi Kanonikal: Metode ini digunakan ketika ada lebih dari dua variabel dan
mengukur hubungan antara kombinasi linier dari dua set variabel yang berbeda.
7. Korelasi Partiel (Partial Correlation): Metode ini memeriksa hubungan antara dua
variabel ketika pengaruh variabel lainnya telah dikendalikan (dieliminasi). Hal ini
dilakukan untuk memahami hubungan langsung antara dua variabel tertentu tanpa
pengaruh variabel lain yang mungkin berperan di dalamnya.
8. Korelasi Spesifik (Specific Correlation): Ini adalah metode yang mengukur hubungan
antara dua variabel setelah menghapus efek dari variabel luar tertentu, seperti variabel
pengganggu atau variabel kebingungan (confounding variable).

10.4 Koefisien Korelasi

Koefisien korelasi adalah ukuran statistik yang digunakan untuk mengukur tingkat
hubungan atau keterkaitan antara dua variabel. Koefisien korelasi mengindikasikan arah
(positif atau negatif) dan kekuatan hubungan antara variabel-variabel tersebut.
Koefisien korelasi paling umum adalah koefisien korelasi Pearson, yang dinotasikan
dengan huruf "r." Koefisien korelasi Pearson mengukur hubungan linier antara dua variabel
kontinu. Nilai r berkisar antara -1 hingga 1, dan memiliki interpretasi sebagai berikut:
1. Jika r bernilai 1, itu menunjukkan hubungan linier positif sempurna, artinya ada
hubungan positif yang kuat antara kedua variabel. Jika satu variabel naik, variabel
lainnya juga naik dalam pola yang sejajar.

56
 2. Jika r bernilai -1, itu menunjukkan hubungan linier negatif sempurna, artinya ada
hubungan negatif yang kuat antara kedua variabel. Jika satu variabel naik, variabel
lainnya turun dalam pola yang sejajar.
3. Jika r bernilai 0, itu menunjukkan tidak adanya hubungan linier antara kedua variabel.
Namun, perlu diingat bahwa meskipun tidak ada hubungan linier, masih bisa ada
hubungan non-linier antara variabel-variabel tersebut.
Untuk menghitung koefisien korelasi Pearson (r), Anda memerlukan sepasang data
yang terdiri dari nilai-nilai kedua variabel. Ada berbagai cara untuk menghitungnya, tetapi
salah satu metode umumnya melibatkan kalkulasi kovariansi antara kedua variabel dan
membaginya dengan produk standar deviasi masing-masing variabel. Rumus matematisnya
adalah sebagai berikut:

di mana:
n = jumlah pasangan data (jumlah sampel)
x i = nilai dari variabel pertama dalam pasangan data ke-i
yi = nilai dari variabel kedua dalam pasangan data ke-i
x = rata-rata dari semua nilai variabel pertama
y = rata-rata dari semua nilai variabel kedua
Tingkat Korelasi dan hubungan antar variabel terlihat sebagai berikut:
NILAI KORELASI (R) TINGKAT HUBUNGAN
0 Tidak berkorelasi
0,01 – 0,20 Sangat rendah
0,21 – 0,40 Rendah
0,41 – 0,60 Agak rendah
0,61 – 0,80 Cukup
0,81 – 0,99 Tinggi
1 Sangat tinggi

57
 BAB XI
APLIKASI ANALISIS JALUR
Dalam suatu penelitian yang berbentuk survey (observasional), peneliti bertujuan
ingin menguji model yang telah ditetapkan memberikan pengaruh ke beberapa variabel
eksogen terhadap variabel endogen.
Berikut ini seorang peneliti mengetahui apakah kinerja karyawan di pengaruhi oleh motivasi,
kepuasan dan loyalitas yang dilakukan seorang karyawan. Untuk memperjelas gambaran
penelitian, peneliti membuat suatu konsep penelitian yang terlihat sebagai berikut:

Kepuasan

Motivasi Kinerja karyawan

Loyalitas

11.1 LANGKAH ANALISIS JALUR

Adapun langkah yang diterapkan adalah:

PERTAMA
1. Merancang model yang didasarkan atas konsep dan teori diman secara teori akan
terlihat bahwa
- Variabel motivasi berpengaruh terhadap kepuasan dan loyalitas
- Variabel loyalitas dipengaruhi oleh kepuasan
- Variabel kepuasan dan loyalitas berpengaruh terhadap kinerja
2. Berdasarkan hubungan antar variabel secara teoritis tersebut dapat dibuat sebuah
model hipotesis

58
 3. Meng-konversi diagram jalur ke persamaan dimana
- Model tersebut dapat dinyatakan dalam bentuk persamaan yang membentuk
sistem persamaan atau model struktural diama
Kepuasan = α0 + α1 + Ɛ1
Loyalitas = β0 + β1 Motivasi + β2 Kepuasan + Ɛ2
Kinerja = γ0 + γ1 Kepuasan + γ2 Loyalitas + Ɛ3
- Atau dapat dibakukan menjadi
ZKepuasan = α0 + α1 Z Motivasi + Ɛ1
ZLoyalitas = β0 + β1 ZMotivasi + β2 ZKepuasan + Ɛ2
ZKinerja = γ0 + γ1 ZKepuasan + γ2 ZLoyalitas + Ɛ3
Model diatas dikembangkan untuk menjawab permasalahan penelitian dan
berbasis teori dan konsep sehingga dinamakan model hipotesis
KEDUA (ASUMSI)
1. Asumsi yang melandasi analisis path adalah :
- Di dalam model analisis jalur, hubungan antar variabel adalah linier dan aditif
- Hanya model rekursif dapat dipertimbangkan, yaitu hanya sistem aliran causal ke
satu arah. Sedangkan pada model yang mengandung causal bolak-balik tidak
dapat dilakukan analisis path.
- Data variabel endogen minimal dalam skala interval
- Observed variables diukur tanpa kesalahan (instrumen pengukuran valid dan
reliabel).
- Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan
teori-teori dan konsep-konsep yang relevan.

59
KETIGA Pendugaan Parameter (Perhitungan Koefisien Jalur)

1. Metode perhitungan koefisien jalur terdapat tiga cara:

– Pendekatan matriks korelasi; bila model tidak berjenjang (p = Rx -1

Ry)

– Koefisien regresi dilanjutkan dengan suatu perhitungan matematik { p = i

bi (Sxi / Sy)}

– Koefisien regresi standardize

2. Pada tulisan ini dipilih metode yang terakhir, yaitu regresi standardize, hal ini
mengingat metode ini yang dipandang paling sederhana.
3. Di samping itu, perhitungan goodness of fit berupa Koefisien Determinasi
Total dapat dilakukan secara sederhana, dan pelaksanaan Theory Triming
dapat dilakukan dengan mudah.
4. Pendugaan parameter: Koefisien regresi standardize
- Untuk anak panah bolak-balik ↔, koefisiennya merupakan koefisien
korelasi, r dihitung seperti biasanya)

- Untuk anak panah satu arah →digunakan perhitungan regresi data

standardize, secara parsiil pada masing-masing persamaan.

- Metode yang digunakan adalah OLS, yaitu metode kuadrat terkecil biasa.
Hal ini dapat dilakukan mengingat modelnya rekursif.

11.2 PENGARUH LANGSUNG DAN TIDAK LANGSUNG

1. Koefisien pi dinamakan koefisien path pengaruh langsung

2. Sedangkan pengaruh tidak langsung dan pengaruh total dihitung dengan cara :

3. Pengaruh langsung Motivasi ke Kepuasan = p1

4. Pengaruh tidak langsung Motivasi ke Kinerja melalui Kepuasan = p1 x p4

5. Pengaruh tidak langsung Kepuasan ke Kinerja melalui Loyalitas = p3 x p5

6. Pengaruh total adalah penjumlahan dari pengaruh langsung dan seluruh pengaruh
tidak langsung. Pengaruh total Kepuasan ke kinerja = p4 + (p3 x p5)

= Pengaruh langsung + Pengaruh tidak langsung

60
Pendugaan parameter dengan Metode OLS, dimana di dalam software SPSS dihitung melalui
analisis regresi, yaitu dilakukan pada masing-masing persamaan secara sendiri-sendiri.

Pertama, Regresi untuk persamaan :

Kepuasan = α0+ α1Motivasi + Ɛ1
Atau bilamana sudah dibakukan : ZKepuasan = α0 + α1 Z Motivasi + Ɛ1

Dengan demikian diperoleh model sebagai berikut.

Kepuasan = -0.00097+0.547 Motivasi
Atau bilamana sudah dibakukan : ZKepuasan = 0.512 Zmotivasi
Kedua, Regresi untuk persamaan :
Loyalitas = β0 + β1 Motivasi + β2 Kepuasan + Ɛ2
Atau bilamana sudah dibakukan:
ZLoyalitas = β0 + β1 ZMotivasi + β2 ZKepuasan + Ɛ2

61
Dengan demikian diperoleh model sebagai berikut.
Loyalitas = -0.305 + 0.517 Motivasi + 0.136 Kepuasan

Atau bilamana sudah dibakukan :

ZLoyalitas = 0.546 ZMotivasi + 0.154 ZKepuasan •

Ketiga, Regresi untuk persamaan :

Kinerja = γ0 + γ1 Kepuasan + γ2 Loyalitas + Ɛ3

Atau bilamana sudah dibakukan :
ZKinerja = γ0 + γ1 ZKepuasan + γ2 ZLoyalitas + Ɛ3

Dengan demikian, diperoleh model sebagai berikut.

Kinerja = -0.353 + 0.212Kepuasan + 0.383 Loyalitas + Ɛ3

Atau bilamana sudah dibakukan :

ZKinerja = 0.181 ZKepuasan + 0.313 ZLoyalitas + Ɛ3

Berdasarkan model-model pengaruh tersebut, dapat disusun model lintasan pengaruh sebagai
berikut. Model lintasan ini disebut dengan analisis path, dimana pengruh error ditentukan
sebagai berikut :

62
Analisis path dalam bentuk persamaan disajikan sebagai berikut.

ZKepuasan = 0.512 ZMotivasi

Zloyalitas = 0.546 ZMotivasi + 0.154 ZKepuasan

ZKinerja = 0.181 ZKepuasan + 0.313 ZLoyalitas + Ɛ3

KEEMPAT (VALIDITAS MODEL)

Koefisien Determinasi Total
Total keragaman data yang dapat dijelaskan oleh model di ukur dengan :

2 2 2 2
Rm=1−Pe1 Pe2 ... Pep

interpretasiya, mirip dengan interpretasi koefisien determinasi (R2) pada analisis regresi.

Untuk data ilustrasi diperoleh:

koefisien determinasi total = 1 – (0.859)2 (0.769)2 (0.942)2

= 0.6128
keragaman data yang dapat dijelaskan oleh model tersebut adalah sebesar 61.28 %

model hasil analisis dapat menjelaskan sebesar 61.28 % thdp fenomena yg dikaji, sedangkan
sisanya 38.72 % dijelaskan oleh variabel lain (yang belum terdapat di dalam model) dan
error.

63
11.3 VALIDITAS MODEL

Theory Triming

– Uji validasi koefisien path pada setiap jalur untuk pengaruh langsung adalah sama
dengan pada regresi, menggunakan nilai p dari uji t, yaitu pengujian koefisien regresi
variabel dibakukan secara parsiil.

– Berdasarkan theory triming, maka jalur-jalur yang nonsignifikan dabuang, sehingga

diperoleh model yang didukung (konfirmasi) oleh data empirik.

– Motivasi berpengaruh ke Kinerja bersifat tidak langsung (indirect) yaitu melalui

Loyalitas, dengan koefisien path pengaruh tidak langsung = 0.546 x 0.313 = 0.171.

KELIMA (INTERPRETASI)
Langkah terakhir di dalam analisis path adalah melakukan interpretasi hasil analisis.

Pertama dengan memperhatikan hasil validitas model. Untuk data ilustrasi, diperoleh
informasi sebagai berikut :
Berdasarkan koefisien determinasi total, diperoleh bahwa model dapat menjelaskan informasi
yang terkandung di dalam data, sebesar 61.28%. Angka ini cukup besar, sehingga layak
dilakukan interpretasi lebih lanjut.
Lintasan pengaruh yang signifikan adalah dari Motivasi ke Kinerja melalui Loyalitas.

64
11.4 INTERPRETASI

Kedua, hitung pengaruh total dari setiap variabel yang mempunyai pengaruh kausal ke
variabel endogen. Di dalam ilustrasi, seandainya seluruh lintasan signifikan, maka harus
dihitung pengaruh total dari Motivasi, Kepuasan dan Loyalitas terhadap Kinerja. Variabel
dengan pengaruh total terbesar adalah yang memiliki pengaruh terkuat.

Untuk data ILUSTRASI dapat dihasilkan informasi bahwa upaya meningkatkan kinerja
karyawan harus dilakukan dengan cara meningkatkan Motivasi dan diikuti dengan upaya
agar karyawan lebih bersifat Loyal. Pada keadaan demikian variabel Loyalitas berfungsi
sebagai variabel intervening atau mediating.

Pengaruh tidak langsung Motivasi ke Kinerja melalui Loyalitas = 0.546 x 0.313 = 0.171

11.5 MANFAAT ANALISIS PATH

Bilamana analisis jalur telah dilakukan (berdasarkan sampel), maka dapat

dimanfaatkan untuk :

Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.

Prediksi nilai variabel tergantung berdasarkan nilai variabel bebas, yang mana prediksi
dengan analisis path ini bersifat kualitatif.

Faktor determinan, yaitu penentuan variabel bebas mana yang berpengaruh dominan terhadap
variabel tergantung. Dan juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur)
pengaruh variabel bebas terhadap variabel tergantung. Pengujian model, menggunakan theory
triming, baik untuk uji keajegan konsep yang sudah ada ataupun uji pengembangan konsep
baru.

65
 BAB XII
SEM STRUCTURAL EQUATION MODELING

12.1 Pengertian SEM

Teknik pemodelan statistik yang sangat umum yang digunakan secara meluas dalam
ilmu keperilakuan. Metoda statistik yang menggunakan pendekatan confirmatory untuk
menganalisis teori struktural yang berhubungan dengan beberapa fenomena. Sekumpulan
teknik-teknik statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang
relatif “rumit” secara simultan. SEM adalah teknik statistik multivariat yang merupakan
kombinasi antara analisis faktor dan analisis regresi (korelasi), yang bertujuan untuk menguji
hubungan antar variabel yang ada pada sebuah model, baik antar indikator dengan
konstruknya, ataupun hubungan antar konstruk.

12.2 Manfaat SEM

Teknik yang mengkombinasikan model jalur yang kompleks dengan variabel laten.
Teknik yang mengkombinasikan analisis faktor dan analisis regresi berganda.
Memungkinkan peneliti menjawab pertanyaan penelitian yang bersifat regresif maupun
dimensional (mengukur dimensi sebuah konsep). Mampu mengukur hubungan antara
unobservable constructs (variabel laten). Mampu menguji model dengan sejumlah hubungan
ketergantungan.

12.3 Karakteristik SEM

Estimasi hubungan ketergantungan.Kemampuan untuk menggambarkan konsep

unobserved dalam hubungan tersebut. Menghitung measurement error dalam proses estimasi.
Menyajikan konsep teoritis

12.4 Variabel Laten

Disebut juga faktor atau unobserved variables atau construct. Variabel yang tidak dapat
diukur secara langsung. Variabel yang dibentuk melalui indikatorindikator yang diamati
dalam dunia nyata. Contoh variabel laten adalah minat berperilaku, kepemimpinan, motivasi,
dan lain-lain

60
12.5 Variabel Terukur (Measured Variables)

Disebut juga observed variables, indicator variables atau manifest variables. Variabel yang
datanya dikumpulkan dari responden melalui penelitian lapangan. Variabel yang dapat diukur
secara langsung.
Misalnya: gaji pegawai, berat badan, skor TOEFL, dan lain-lain

12.6 Observed or Unobserved ????

Volume penjualan (dalam unit)

Volume penjualan (dalam rupiah)
Motivasi
Loyalitas Konsumen
Harga
Skor IQ
Efektivitas SI
Variabel laten (unobserved variable) dilambangkan dengan lingkaran atau elips
Variabel terukur (observed variable) dilambangkan dengan segi empat atau bujursangkar.
Contoh:
Kepuasan Pelanggan diukur dengan 2 item pertanyaan yaitu Sat1 dan Sat2.
Maka Kepuasan Pelanggan adalah variabel laten, sedangkan Sat1 dan Sat2 adalah variabel
terukur.
Bagian-Bagian SEM

Sub Model : Model Pengukuran

61
 Gambar 3.a (Model Unidimensi Gambar 3.b (Model Multidimensi)
Model pengukuran menggambarkan hubungan antara item dengan konstrak yang diukur.
Model pengukuran memiliki ketepatan model yang memuaskan ketika item-item yang
dilibatkan mampu menjadi indikator dari konstrak yang diukur yang dibuktikan dengan nilai
eror pengukuran yang rendah dan nilai komponen asertivitas yang tinggi.
Model Pengukuran (Measurement Model/ Confirmatory Factor Analysis Model)

error1 Sat1
Kepuasan pelanggan

error2 Sat2
Confirmatory Factor Analysis
Hair et al (2010), CFA merupakan bagian dari SEM (Structural Equation Modeling) untuk
menguji cara variabel terukur atau indikator yang baik dalam menggambarkan atau mewakili
suatu bilangan dari suatu faktor. CFA faktor disebut juga sebagai konstruk. Teori pengukuran
digunakan untuk menentukan bagaimana variabel terukur, menggambarkan secara sistematik
dan logis suatu konstruk yang ditampilkan dalam suatu model.
Ghozali (2005) mengemukakan bahwa CFA adalah salah satu metode analisis multivariat
yang digunakan untuk menguji atau mengkonfirmasikan model yang dihipotesiskan terdiri
dari satu atau lebih variabel laten, yang diukur oleh satu atau lebih variabel indikator.
Variabel laten adalah variabel yang tidak terukur atau tidak dapat diukur secara langsung dan
memerlukan variabel indikator untuk mengukurnya, sedangkan variabel indikator adalah
variabel yang dapat diukur secara langsung.
Sub Model : Model Pengukuran
Arah Kejelasan Arah Konstruk
Harga Diri Rendah Harga Diri Tinggi
Pola Pikir Negatif Pola Pikir Positif
Lokus Eksternal 62 Lokus Internal
Introvert Ekstrovert
63
 Sub Model : Model Pengukuran

Model Paralel Model Tau Ekivalen

Model Konjenerik

Variabel Eksogen-Endogen
Variabel eksogen adalah variabel yang tidak diprediksi oleh variabel lain dalam model.
Disebut juga dengan variabel independen.
Variabel endogen adalah variabel yang diprediksi oleh satu atau lebih variabel lain. Disebut
juga variabel dependen.
Proses SEM terdiri dari dua tahap:
Validasi terhadap model pengukuran.
Pengujian terhadap model struktural
Perbedaan Model Pengukuran dan Model Struktural
Model Pengukuran: model yang ditujukan untuk mendeskripsikan sebuah keadaan atau
mengukur sebuah konsep.
Model Struktural: model yang menggambarkan hubungan-hubungan yang dihipotesakan
antar konstruk.

64
 Model Struktural

Knowledge

Value Performance

Satisfaction

e Knwl
1 1 knowledg
e e
e Knwl
e 7
2 2
9 prfm
e value
valu performan 1
3 1
e value e ce prfm
4 2 2
e Sat e
5 1 satisfacti 8
e Sat on
6 2
Model Pengukuran

65
ASUMSI-ASUMSI SEM
1. Ukuran Sampel
Ukuran sampel minimum adalah 100 -200 (Ferdinand, 2002, Hair et. al, 2006)
Hair dkk menyarankan ukuran sampel minimum adalah sebanyak 5 – 10 kali jumlah
parameter yang diestimasi.
Jumlah indikator dikali 5 – 10 (Ferdinand,
2002)
2.Normalitas
Uji normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau
mendekati distribusi normal. Uji ini perlu dilakukan baik normalitas untuk data tunggal
(univariate) maupun normalitas seluruh data (multivariate).
Dalam output AMOS, uji normalitas dilakukan dengan membandingkan nilai CR (critical
ratio) pada assesment of normality dengan nilai kritis ± 2.58 pada level 0.01. Jika ada nilai
CR yang lebih besar dari nilai kritis maka distribusi data tersebut tidak normal.
3. Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariate
maupun multivariate. Bila terjadi outliers maka data tersebut dapat dikeluarkan dari analisis.
Uji outliers univariate dilakukan dengan melihat nilai ambang batas dari z-score itu berada
pada rentang 3 – 4 (Hair dkk, 2006). Oleh karena itu kasus atau observasi yang mempunyai
zscore ≥ 3.0 dikategorikan outliers. Nilai z-score adalah nilai yang sudah distandarkan
sehingga memiliki rata-rata (mean) 0 dan standar deviasi 1.
Sedangkan outliers multivariate dilakukan dengan kriteria jarak Mahalanobis pada tingkat p >
0.001.
Jarak Mahalanobis ini dievaluasi dengan menggunakan X2 pada derajat bebas (df) sebesar
jumlah variabel yang digunakan dalam penelitian. Untuk menentukan nilai tersebut
menggunakan program excel, pilih insertfunction wizard, kemudian CHIINV masukkan p =
0.001 dan df jumlah variabel terukur.
Hasil yang diperoleh merupakan batas outliers, sehingga yang melebihi hasil tersebut harus
dihapus.
4. Multikolinearitas dan singularity
Uji ini digunakan untuk mengetahui apakah terdapat korelasi antar variabel independen. Uji
ini dilakukan dengan mengamati nilai determinan matriks kovarians. Determinan matriks
kovarians yang benar-benar kecil (mendekati 0) mengindikasikan adanya multikolinearitas
dan singularitas (Tabachnick & Fidel, 1998)

66
Uji Validitas dan Uji Reliabilitas
Uji Validitas.
Uji Validitas dilakukan dengan melihat dari hasil output AMOS yaitu Probability value untuk
Regression Weight. Jika lebih kecil dari 0,05 maka item dinyatakan VALID.
Uji Reliabilitas
Untuk uji reliabilitas harus dilakukan dengan proses manual dengan rumus (dapt dilakukan
dengan program Excel), tidak secara otomatis muncul dalam program AMOS.
Uji Reliabilitas
Rumus 1

Standardized loading diperoleh dari standardidized loading masing-masing indikator yang

sudah diperoleh hasilnya dari AMOS.
ΣƐadalah measurement error = 1 – (standardized loading)2
Cut off Value utk construct reliability minimal 0.7
Uji Reliabilitas
Rumus 2

Standardized loading diperoleh dari standardidized loading masing-masing indicator yang

sudah diperoleh hasilnya dari AMOS.
ΣƐ adalah measurement error = 1 – (standardized loading)2
Cut off Value untuk Variance extracted minimal 0.5
UJI HIPOTESIS dalam REGRESI
Analisis atas signifikansi koefisien jalur (path coefficients) dilakukan melalui signifikansi
besaran regression weights dari model
Kolom standardized estimates merupakan koefisien regresi atau dalam program SPSS identik
dengan standardized beta.

67
UJI PARSIAL
Uji parsial dapat dilakukan untuk masing-masing variabel.
Untuk menentukan apakah pengaruh signifikan atau tidak dapat dilihat dari kolom P yang
merupakan p-value, dibandingkan dengan taraf signifikansi (alpha = α) yang digunakan
biasanya 0.05. Jika p-value lebih kecil dari 0.05 maka Ho ditolak.
Cara kedua adalah dengan melihat nilai C.R (Critical Ratio). Jika C.R lebih besar dari 2.0
maka Ho ditolak. Artinya pengaruh variabel independen terhadap variabel dependen yang
ditunjukkan dalam tabel signifikan.
UJI SIMULTAN/SEREMPAK
Uji ini dilakukan dengan melihat goodness of fit dari model.
Ditentukan dengan sejumlah kriteria (lihat tabel Goodness of Fit
Evaluasi Kriteria Goodness of Fit Model (Lee, Park, & Ahn, 2001)

No Kriteria Nilai rekomendasi

1. Chi-square (X2) Diharapkan kecil
2. X2- significance probability ≥ 0.05
3. Relative X2 (CMIN/DF) ≤ 2.00
4. GFI (Goodness of Fit Index) ≥ 0.90
5. AGFI (Adjusted Goodness of Fit Index) ≥ 0.80
6. Tucker-Lewis Index (TLI) ≥ 0.90
7. Normed Fit Index (NFI) ≥ 0.90
8. Comparative Fit Index (CFI) ≥ 0.90
9. Root Mean Square Error of Approximation (RMSEA) ≤ 0.08

68