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.
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
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
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.
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
11
2.2. Penggolongan Ekonometrika
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.
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
21
BAB V
VARIABEL PENELITIAN
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)
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.
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
Gambar 11-1 merupakan diagram hubungan atau relasi antara variabel bebas (keberhasilan
24
produk baru) dan variabel terikat (harga saham di pasar)
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
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.
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.
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.
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.
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
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
39
jumlah kuadrat error (Ɛt) 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
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
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.
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.
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.
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
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).
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
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.
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.
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).
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
Loyalitas
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)
bi (Sxi / Sy)}
- Metode yang digunakan adalah OLS, yaitu metode kuadrat terkecil biasa.
Hal ini dapat dilakukan mengingat modelnya rekursif.
2. Sedangkan pengaruh tidak langsung dan pengaruh total dihitung dengan cara :
6. Pengaruh total adalah penjumlahan dari pengaruh langsung dan seluruh pengaruh
tidak langsung. Pengaruh total Kepuasan ke kinerja = p4 + (p3 x p5)
60
Pendugaan parameter dengan Metode OLS, dimana di dalam software SPSS dihitung melalui
analisis regresi, yaitu dilakukan pada masing-masing persamaan secara sendiri-sendiri.
61
Dengan demikian diperoleh model sebagai berikut.
Loyalitas = -0.305 + 0.517 Motivasi + 0.136 Kepuasan
62
Analisis path dalam bentuk persamaan disajikan sebagai berikut.
2 2 2 2
Rm=1−Pe1 Pe2 ... Pep
interpretasiya, mirip dengan interpretasi koefisien determinasi (R2) pada analisis regresi.
= 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.
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
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
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.
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.
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
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 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
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)
68