E-Modul Metlit 2020

Universitas Garut
PROGRAM STUDI MANAJEMEN
2020
MODUL
PENGOLAHAN DATA
DENGAN SPSS
Pelindung:
Rektor Universitas Garut
Penasehat:
Dekan Fakultas Ekonomi
Universitas Garut
Pembina:
Ketua Program Studi Manajemen
Fakultas Ekonomi – Universitas Garut
dan
Koordinator Laboratorium
Program Studi Manajemen
Fakultas Ekonomi – Universitas Garut
Penanggung jawab:
Kepala Praktikum Metodologi Penelitian
Tim Penyusun:
Dr. Muslim Al Kautsar, S.E., M.Si
Hedi Cupiadi, S.E., M.Si
Husni Muharam, S.E., M.S.M
Wufron, S.E., M.S.M
Pengolahan Data Dengan SPSS- Prodi Manajemen S1 - 2020 Tim Penyusun

TIM INSTRUKTUR DAN ASISTEN
PENGOLAHAN DATA DENGAN SPSS
Tim Instruktur:
Husni Muharam, S.E., M.S.M.

Tita Nurhayati, S.E.
Wahyu Purnama, S.E.
Windi Setiawati, S.E.
Risma Ramdani, S.E.
Siti Nuraini, S.E.
Imas Gustari Olimpia, S.E.
Tim Asisten:
Sajiandi Septian Rhamadan, S.E.

Aghistna Syifa Qolbiah, S.E.
Dita Oktavia
Deden Sundapa
Jumiati
Isman Nurhakim
Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2020 Tim Instruktur dan Asisten
DAFTAR ISI
halaman
Tim Penyusun
Kata Pengantar
Tata Tertib Praktikum
Daftar Isi
Modul 1 – Pengantar SPSS

A. Pendahuluan .................................................................................................... 1
............................................................................................................................
B. Mengenal Elemen Dasar SPSS ......................................................................... 1
C. Cara Menggunakan SPSS ................................................................................ 5
Latihan ...................................................................................................................... 8
Modul 2 – Uji Validitas dan Reliabilitas

A. Konsep Dasar Uji Validitas dan Reliabilitas ..................................................... 9
B. Metode Pengujian Validitas dan Reliabilitas ................................................. 9
C. Uji Validitas ......................................................................................................... 9
D. Uji Reliabilitas dengan Metode Alpha dan Metode Split-Half ...................... 12
E. Konsekuensi dan Cara Mengatasi Pelanggaran Validitas .......................... 13
Latihan....................................................................................................................... 14
Tugas ........................................................................................................................ 14
Modul 3 – Uji Asumsi Klasik Normalitas dan Multikolinieritas

3.1 Uji Asumsi Klasik Normalitas ........................................................................... 15
A. Konsep Dasar Uji Normalitas ............................................................................ 15
B. Metode Uji Normalitas ..................................................................................... 15
C. Uji Normalitas dengan Metode Analisis Grafik ............................................... 16
D. Uji Normalitas dengan Metode Kolmogorov-Smirnov ................................... 19
E. Konsekuensi dan Cara Mengatasi Pelanggaran Normalitas ....................... 22
3.2 Uji Asumsi Klasik Multikolinearitas .................................................................. 23

A. Konsep Dasar Uji Multikolinieritas ..................................................................... 23
B. Metode Uji Multikolinearitas ............................................................................ 23
C. Uji Multikolinieritas dengan Metode Pair Wise Correlation ............................. 24
D. Uji Multikolinieritas dengan Metode TOL dan VIF ........................................... 26
E. Konsekuensi dan Cara Mengatasi Pelanggaran Multikolinieritas ................ 28
Latihan....................................................................................................................... 28
Tugas ........................................................................................................................ 28
Modul 4 – Uji Asumsi Klasik Heteroskedastisitas dan Autokorelasi

4.1 Uji Asumsi Klasik Heteroskedastisitas ............................................................. 29
A. Konsep Dasar Uji Heteroskedastisitas .............................................................. 29
B. Metode Uji Heteroskedastisitas ........................................................................ 29
C. Uji Heteroskedastisitas dengan Metode Analisis Grafik ................................. 30
D. Uji Heteroskedastisitas dengan Metode Glejser ............................................ 33
E. Konsekuensi dan Cara Mengatasi Pelanggaran Heteroskedastisitas........... 37
4.2 Uji Asumsi Klasik Autokorelasi

A. Konsep Dasar Uji Autokorelasi ......................................................................... 38
Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2020 Daftar Isi

B. Metode Uji Autokorelasi .................................................................................. 38
C. Uji Autokorelasi dengan Metode Durbin Watson ........................................... 39
D. Uji Autokorelasi dengan Metode Run Test ...................................................... 41
E. Konsekuensi dan Cara Mengatasi Pelanggaran Autokorelasi ..................... 44
Latihan ...................................................................................................................... 44
Tugas ....................................................................................................................... 44
Modul 5 – Analisis Regresi dengan Variabel Moderasi

A. Konsep Dasar Analisis Regresi dengan Variabel Moderasi ............................ 45
B. Metode-Metode Analisis Regresi dengan Variabel Moderasi ...................... 46
C. Analisis Regresi dengan Variabel Moderasi Metode Residual ..................... 48
Latihan ...................................................................................................................... 53
Tugas ........................................................................................................................ 54
Modul 6 – Analisis Regresi dengan Variabel Mediasi

A. Konsep Dasar Analisis Regresi dengan Variabel Mediasi .............................. 55
B. Metode-Metode Analisis Regresi dengan Variabel Mediasi ....................... 56
C. Analisis Regresi dengan Variabel Mediasi Metode Kausal Step ................. 57
Latihan ...................................................................................................................... 63
Tugas ........................................................................................................................ 64
Modul 7 – Analisis Jalur (Path Analysis) Model Persamaan Satu Jalur

A. Konsep Dasar Analisis Jalur (Path Analysis) ..................................................... 65
............................................................................................................................
B. Analisis Jalur (Path Analysis) Model Persamaan Satu Jalur ........................... 67
C. Latihan ............................................................................................................. 74
Tugas ........................................................................................................................ 75
Modul 8 - Analisis Jalur (Path Analysis) Model Persamaan Dua Jalur

A. Konsep Dasar Analisis Jalur (Path Analysis) ..................................................... 76
B. Analisis Jalur (Path Analysis) Model Persamaan Dua Jalur .......................... 77
C. Latihan ............................................................................................................... 90
Tugas ........................................................................................................................ 91
Daftar Pustaka
Lampiran
Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2020 Daftar Isi

KATA PENGANTAR
Berawal dari keperluan dan kebutuhan untuk membantu mahasiswa

menyelesaikan tugas akhir berupa skripsi maka Modul Pengolahan Data dengan
SPSS ini pada akhirnya dapat diselesaikan oleh Tim Penyusun.
Modul Pengolahan Data dengan SPSS ini merupakan panduan khususnya bagi
mahasiswa Program Studi Manajemen Fakultas Ekonomi Universitas Garut untuk
membantu mahasiswa dalam proses pengolahan data.
Modul ini antara lain menguraikan beberapa metode pengolahan data

dengan bantuan software SPSS. Berbagai penerapan diilustrasikan dalam
contoh-contoh kasus, sehingga memudahkan untuk dipahami oleh mahasiswa.
Modul ini merupakan cetakan keempat, terdapat perubahan materi

disesuaikan dengan kebutuhan praktis bagi mahasiswa Program Studi
Manajemen dalam proses penyusunan tugas akhir. Namun perbaikan yang
dilakukan belum tentu sesuai harapan berbagai pihak. Walaupun modul ini
belum sempurna, diharapkan dapat menjadi buku panduan bagi mahasiswa
untuk menyelesaikan tugas akhirnya khususnya pada pengolahan data.
Kritik dan saran senantiasa kami harapkan untuk perbaikan modul praktikum ini
dimasa mendatang.
Garut, Oktober 2020

Tim Penyusun
Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2019 Kata Pengantar

TATA TERTIB PRAKTIKUM
1. Praktikan adalah mahasiswa Universitas Garut yang terdaftar pada FRS dan
terdaftar sebagai peserta Praktika Pengolahan Data dengan SPSS.
2. Kegiatan praktikum dilaksanakan di lingkungan Laboratorium Komputer
Universitas Garut ataupun secara Daring dengan jadwal yang telah
ditentukan.
3. Praktikan wajib hadir tepat pada waktunya sesuai dengan jadwal.
4. Persentase kehadiran minimal praktikan adalah 80% (11 pertemuan), jika
kurang maka praktikan dinyatakan tidak berhak mengikuti Ujian Akhir dan
dinyatakan TIDAK LULUS.
5. Penilaian praktikum ditentukan komponen-komponen berikut:
a. Kehadiran (K) = 20%
b. Tugas Mingguan (M) = 40%
c. Laporan Akhir (A) = 20%
d. Ujian Praktikum (U) = 20%
6. Praktikan yang tidak dapat menyerahkan Tugas Mingguan (M) pada
waktunya, maka diberikan nilai minumum (C).
7. Tugas Mingguan dikerjakan oleh perorangan. Menyontek, menduplikasi
laporan atau bentuk kecurangan lain akan dikenakan sangsi nilai 0 (“nol”).
8. Praktikan wajib berpakaian rapi dan sopan selama kegiatan praktikum.
9. Praktikan tidak diperkenankan makan, minum, merokok serta hal-hal lain
yang dapat mengganggu kegiatan di dalam Laboratorium selama
praktikum berlangsung.
10. Praktikan wajib menjaga seluruh peralatan praktikum.
Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2020 Tata Tertib

TUJUAN PRAKTIKUM:
Mengenalkan software SPSS sebagai alat untuk membantu proses pengolahan
data yang berkaitan dengan statistik.
A. Pendahuluan
SPSS adalah program aplikasi dengan kemampuan analisis statistik cukup tinggi
serta sistem manajemen data pada lingkungan grafis yang menggunakan
menu-menu deskriptif dan kotak-kotak dialog sederhana sehingga mudah untuk
dipahami cara pengoperasiannya. Beberapa aktivitas dapat dilakukan dengan
mudah menggunakan pointing dan clicking mouse.
SPSS telah digunakan dalam berbagai riset pemasaran, pengendalian dan

perbaikan mutu (quality improvement), serta riset-riset sains. SPSS pertama kali
muncul dengan versi PC (komputer desktop) dengan nama SPSS/PC+ (versi
DOS). Tetapi, dengan mulai populernya sistem operasi Windows, SPSS
mengeluarkan versi windows (mulai versi 6.0 sampai versi terbaru saat ini).
Pada awalnya SPSS dibuat untuk keperluan pengolahan data statistik untuk ilmu-
ilmu sosial, sehingga kepanjangan SPSS itu sendiri adalah Statistical Package for
the Social Sciences. Sekarang kemampuan SPSS diperluas untuk melayani
berbagai jenis pengguna (user), seperti untuk proses produksi di pabrik, riset ilmu
sains dan lainnya. Dengan demikian, sekarang kepanjangan dari SPSS adalah
Statistical Product and Service Solutions.
B. Mengenal Elemen Dasar SPSS

Dibawah ini merupakan gambar tampilan lembar kerja SPSS:
Lembar Kerja SPSS
1
Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2020
Secara keseluruhan SPSS menyediakan tujuh bagian, yang meliputi:
1. Data Editor
Window ini terbuka otomatis setiap kali program SPSS dijalankan, dan
berfungsi untuk input data SPSS. Menu yang ada pada Data Editor adalah:
• File
Berfungsi menangani hal-hal yang berhubungan dengan file data, seperti
membuat file baru, membuka file tertentu, mengambil data dari program
lain, mencetak isi dari Data Editor dan lainnya.
• Edit
Berfungsi menangani hal-hal yang berhubungan dengan memperbaiki
atau mengubah nilai data (duplikasi data), menghilangkan data, edit
data dan lainnya, serta berfungsi mengubah setting pada Options.
• View
Berfungsi mengatur toolbar (status bar, penampakan value label dan
sebagainya).
• Data
Berfungsi membuat perubahan data SPSS secara keseluruhan, seperti
mengurutkan data, menyeleksi data berdasarkan kriteria tertentu,
menggabungkan data dan sebagainya.
• Transform
Berfungsi membuat perubahan pada variabel yang telah dipilih dengan
kriteria tertentu.
• Analyze (Statistics)
Menu inti dari SPSS, yang berfungsi melakukan semua prosedur
perhitungan statistik, seperti uji-t, uji-F, regresi, time series dan lainnya.
• Graphs
Berfungsi membuat berbagai jenis grafik untuk mendukung analisis statistik,
seperti Pie, Line, Bar dan kombinasinya.
• Utilities
Menu tambahan yang mendukung program SPSS seperti:
➢ Memberi informasi tentang variabel yang sedang dikerjakan
➢ Menjalankan Scripts
➢ Mengatur tampilan menu-menu lain
• Add-Ons
Menu tambahan yang berisi mengenai software lain yang dapat
diintegrasikan dengan SPSS, juga berisi sambungan on-line dengan
website SPSS guna kepentingan pelatihan dan pengembangan SPSS.
• Window
Berfungsi untuk pindah diantara menu-menu lain di SPSS
• Help
Berfungsi menyediakan bantuan informasi mengenai program SPSS yang
bisa diakses secara mudah dan jelas.
2
2. Menu Output Navigator
Jika menu Editor berfungsi untuk memasukkan data yang siap diolah oleh
SPSS, kemudian melakukan pengolahan data yang dilakukan lewat menu
Analyze, maka hasil pengolahan data atau informasi ditampilkan lewat
menu Output Navigator atau dapat disebut Output.
Menu Output pada prinsipnya sama dengan menu Editor, seperti: File, Edit,
View, Analyze, Graphs, Utilities, Window dan Help. Tentunya dengan
disesuaikan untuk kegunaan output SPSS. Selain menu ditas ada lagi menu
tambahan, yaitu:
• Insert
Berfungsi menyisipkan judul, grafik, teks atau objek tertentu dari aplikasi
lain.
• Format
Berfungsi mengubah tata letak huruf output.
3. Menu Pivot Tabel Editor

Ilmu Statistika banyak berhubungan dengan berbagai tabel dan banyak
output SPSS yang disajikan berbentuk tabel. Menu Pivot Table berhubungan
dengan pengerjaan tabel SPSS, seperti mentransformasi baris tabel menjadi
kolom dan sebaliknya, memindah baris dan kolom tabel, grouping atau
ungrouping tabel dan yang lainnya.
Karena pengerjaan Pivot table erat kaitannya dengan menu Output

Navigator, yaitu sebagai tempat editing tabel hasil output, maka menu ini
mempunyai submenu yang hampir sama dengan submenu pada Output
Navigator.
4. Menu Chart Editor

Menu ini juga merupakan tempat editing bagi output hasil pengerjaan data
di menu Editor, hanya khusus untuk output berupa Grafik/Chart/Diagram.
Sesuai dengan fungsinya, selain submenu dasar seperti File, edit, View dan
lainnya, Chart Editor juga dilengkapi submenu berikut:
3
• Gallery
Berfungsi untuk mengubah jenis chart.
• Chart
Untuk mengedit berbagai hal mengenai grafik, seperti layout dan
Labelling Grafik, skala grafik dan sebagainya.
• Series
Untuk memilih kelompok data tertentu, transpose data atau
menampilkan seri data.
5. Menu Text Output Editor

Sama seperti menu Pivot Table dan Chart berfungsi untuk edit output yang
berupa teks atau tulisan.
6. Menu Syntax Editor

Walaupun SPSS sudah menyediakan berbagai macam pengolahan data
statistik secara memadai, namun ada berbagai perintah atau pilihan yang
hanya bisa digunakan dengan SPSS Command Language. Perintah-perintah
tersebut bisa ditulis pada menu Syntax`Editor. Menu ini berupa file teks yang
berisi berbagai perintah SPSS dan bisa diketik secara manual.
7. Menu Script Editor

Menu ini pada dasarnya digunakan untuk melakukan berbagai pengerjaan
SPSS secara otomatis, seperti membuka menutup File, eksport Chart dan
sebagainya. Isi menu ini sama dengan menu terdahulu, hanya ditambah
dengan submenu Script untuk membuat berbagai subrutin dan fungsi baru,
serta submenu Debug untuk melakukan proses debug pada script.
4
C. Cara Menggunakan SPSS
Memasukan Data
1. Buka lembar kerja baru
Lembar kerja baru selalu dibuka jika ada pemasukan variabel yang baru.
Untuk itu dari menu File pilih submenu New. Selanjutnya tampak beberapa
pilihan. Karena akan dibuat data yang baru, klik mouse pada Data.
Sekarang SPSS siap membuat variabel baru.
Misalkan kita punya data sebagai berikut:

Nama Berat badan Gender
Ahmad 75,00 Pria
Budi 67,80 Pria
Cindy 45,00 Wanita
Danny 68,00 Pria
Early 50,50 Wanita
Fanny 45,80 Wanita
Gerhana 65,50 Pria
Iwan 70,00 Pria
Jovanka 62,00 Wanita
Katherine 45,50 Wanita
5
2. Menamai variabel yang diperlukan
Langkah berikutnya adalah membuat nama untuk setiap variabel baru.
Untuk contoh kasus di atas ada tiga (3) variabel, maka akan dilakukan input
nama variabel sebanyak 3 kali.
Langkah pemasukan variabel:

• Klik Menu “Variable View” yang terletak di sebelah kiri bagian paling
bawah dari editor SPPS
• Maka akan tampil layar editor berikut ini:
• Kolom pertama (Name) tempat menuliskan nama variabel, misalkan

variabel pertama adalah NAMA, variabel kedua adalah BERAT BADAN
dan variabel ketiga adalah GENDER, maka pada baris pertama, kedua
dan ketiga pada kolom pertama tuliskan nama-nama variabel tersebut.
• Kolom kedua (Type) merupakan tipe data dari variabel tersebut. Tipe
data terdiri dari: Numeric, Comma, Dot, Scientific Notation, Date, Custom
Currency, dan String. Karena nama seseorang (variabel NAMA) adalah
huruf, bukan angka, maka tipe variabel ini adalah String. Sedangkan
berat seseorang berupa angka atau numerik maka tipenya dipilih
Numerik. Sementara untuk gender merupakan variabel yang unik bila
dibandingkan variabel NAMA yang berisi huruf, karena selain dapat diberi
tipe string juga bisa diberi tipe numerik dengan jenis data bersifat nominal.
Misalnya PRIA = 1, WANITA = 2. Untuk tipe data string juga perlu ditentukan
jumlah karakter yang akan digunakan, oleh karena itu kita pun akan
ditanyakan berapa jumlah karakter maksimum yang akan digunakan.
• Kolom ketiga (Width) adalah untuk menentukan jumlah maksimal

angka/huruf yang dapat dimuat. Untuk keperluan praktikum biarkan
kolom width sesuai dengan default SPSS yaitu 8.
6
• Kolom keempat (Desimal) adalah untuk menentukan jumlah angka di
belakang koma. Bila angka merupakan bilangan bulat, seperti PRIA = 1,
WANITA = 2, desimal diisi dengan angka NOL (0).
3. Mengisi data
Langkah berikutnya adalah mengisikan data variabel yang telah
didefinisikan name, tipe, width dan desimalnya dengan cara klik menu “Data
View” yang terletak di sebelah kiri bagian paling bawah dari editor SPPS.
Cara pengisian data persis seperti kita mengisi data pada program Excel,
yaitu baris-baris pada tiap-tiap kolom variabel tersebut, seperti gambar
berikut ini.
4. Langkah berikutnya adalah menyimpan data.

• Dari menu File, lalu pilih submenu Save As ….
• Beri nama file tersebut, untuk keseragaman diberi nama “Berat”. Dan
tempatkan file tersebut di direktori yang kita kehendaki. Untuk tipe data
file SPSS adalah sav, sehingga data tersebut akan disimpan dengan
nama lengkap Berat.sav.
7
Latihan:
Silahkan Anda untuk membuat data berikut ini, lalu simpan data tersebut
dengan nama file “lat1.sav” di drive D. Jangan di drive C.
Berikut data latihan:

Anggaran
Luas Penduduk GNP
Negara Tipe Negara Belanja Militer
(Km persegi) (US $)
(US $)
A 134.879,50 134.567,23 Otoriter 876,90
B 67.876,89 657.987,99 Demokratis 569,98
C 168.987,99 345.876,98 Demokratis 123,67
D 67.876,97 453.765,54 Otoriter 568,76
E 158.876,21 567.876,39 Demokratis 324,87
8
TUJUAN PRAKTIKUM:
Mengenalkan uji validitas dan reliabilitas menggunakan software SPSS untuk
mengetahui keandalan instrumen penelitian atau kuisioner sebagai alat
pengumpul data.
A. KONSEP DASAR UJI VALIDITAS DAN RELIABILITAS

Validitas adalah suatu ukuran yang menunjukkan tingkat keabsahan (validitas)
suatu instrument atau alat ukur. Sebuah alat ukur dikatakan valid apabila
mampu mengukur apa yang diinginkan. Tinggi rendahnya validitas alat ukur
menunjukkan sejauh mana data yang terkumpul tidak menyimpang dari
gambaran tentang variabel yang dimaksud. Pengujian Validitas alat ukur
menggunakan kaidah jika r hitung > r tabel maka item dikatakan valid.
Reliabilitas merupakan indeks yang menunjukkan sejauhmana alat ukur dapat

dipercaya atau diandalkan. Hal ini dapat dilihat, apabila suatu alat ukur dipakai
berulang kali untuk mengukur gejala yang sama dan hasil pengukurannya relatif
konstan, maka alat ukur tersebut reliabel atau handal. Pengujian Reliabilitas alat
ukur yang akan digunakan dalam praktikum ini adalah pendekatan korelasi
Cronbach Alpha dan Spit Half.
B. METODE PENGUJIAN VALIDITAS DAN RELIABILITAS

Untuk menyelesaikan dan memahami proses pengujian validitas dan reliabilitas
dapat dilakukan dengan metode-metode sebagai berikut:
1. Metode Cronbach Alpha
Dilakukan dengan menggunakan perbandingan antara nilai koefisien
Cronbach Alpha dengan nilai Alpha, dimana jika Cronbach Alpha > 0,05
maka alat ukur dikatakan reliabel.
2. Metode Split Half
Dilakukan dengan menggunakan perbandingan antara nilai Gutman Split
Half Coefficients dengan r tabel ( = 0,05 dan df = n – 2), dimana jika Gutman
Split Half Coefficients > r tabel maka alat ukur dikatakan reliabel.
C. UJI VALIDITAS
Pengujian validitas alat ukur dengan menggunakan SPSS melalui tahapan
sebagai berikut:
1. Masuk ke folder Data Praktikum MetLit pada Document dan buka file Uji
Asumsi Klasik.xlsx.
2. Buka software SPSS, kemudian copy-paste file Uji Asumsi Klasik.xlsx ke dalam
Data View, selanjutnya lakukan pengaturan pada Variabel View.
9
Pada kolom Measure jika pengumpulan data menggunakan angket (kuisioner)
maka dapat diisi dengan Scale apabila data interval dan Ordinal apabila data
ordinal.
3. Kembali ke Data Editor, simpan data tersebut (Save) dengan nama file Data
Validitas dan Reliabilitas.
4. Klik Analyze, pilih Scale kemudian klik Reliability Statistics
10
5. Setelah itu kan muncul koak dilog Reliability Analysis
6. Pindahkan semua nomor item (Item_1 sampai Item_20) dengan cara klik
Item_1 kemudian tekan tombol CTRL- A dan pindahkan ke kotak Items:
7. Pada kotak Model: isi dengan Alpha atau Split Half
Pengisian kotak Model: tersebut berkaitan dengan Uji Reliabilitas yang
muncul hasilnya bersama dengan hasil Uji validitas pada Output Viewer.
8. Selanjutnya klik Statistics … pada kotak Descriptive for pilih dan klik Scale if
item deleted kemdian klik Continue.
9. Abaikan pilihan yang lainnya, klik OK.
11
Pengujian validitas dilakukan dengan membanding nilai r hitung (Corrected
Item-Total Correlation) dengan r tabel ( = 0,05 dan df = 10 – 2) diperoleh nilai
sebesar 0,6319.
Untuk menyederhanakan hasil uji validitas dapat dibuat tabel sebagai berikut:
Ringkasan Hasil Uji Validitas

Corrected
Item Item-Total r tabel
Keputusan
n = 20 Correlation (0,05;18)
(r hitung)
Item_1 .895 .6319 Valid
Item_2 .866 .6319 Valid
Item_3 .774 .6319 Valid
Item_4 .881 .6319 Valid
Item_5 .073 .6319 Tidak Valid
Item_6 .883 .6319 Valid
Item_7 .836 .6319 Valid
Item_8 -.025 .6319 Tidak Valid
Item_9 .839 .6319 Valid
Item_10 .838 .6319 Valid
Item_12 .926 .6319 Valid
Item_13 .891 .6319 Valid
Item_14 .841 .6319 Valid
item_15 -.145 .6319 Tidak Valid
Item_17 .775 .6319 Valid
Item_18 .865 .6319 Valid
Item_20 .841 .6319 Valid
10. Analisis output:

Pada output Item-Total Statistics dan Ringkasan Hasil Uji Validitas dapat
diketahui jika r hitung > r tabel maka item pertanyaan pada alat ukur
dikatakan valid.
Berdasarkan hasil uji validitas diketahui bahwa terdapat 14 item yang

dikatakan valid dengan r hitung > r tabel, sedangkan 6 item tidak valid
dimana nilai r hitung < r tabel.
D. UJI RELIABILITAS - METODE ALPHA DAN METODE SPLIT-HALF

Pada tahapan Uji Validitas saat memilih Model: diisi dengan Alpha maka proses
pengujian reliabilitas telah dilakukan dengan metode Cronbach Alpha dimana
hasil ouput pada Output Viewer sebagai berikut:
12
Berdasarkan output Reliability Statistics diperoleh nilai Cronbach Alpha sebesar
0,908 > 0,05 (Alpha) maka keputusannya alat ukur dikatakan reliabel.
Tahapan uji reliabilitas dengan metode Split-Half sama seperti metode Alpha,
yang membedakan adalah pengisian kotak Model: diisi dengan Split-Half.
Maka hasil pada Output Viewer sebagai berikut:
Berdasarkan output Reliability Statistics diperoleh nilai Guttman Split-Half

Coefficient sebesar 0,803 > 0,6319 (r tabel) maka keputusannya alat ukur
dikatakan reliabel.
E. KONSEKUENSI DAN CARA MENGATASI PELANGGARAN VALIDITAS

Jika asumsi validitas tidak terpenuhi maka dapat dilakukan beberapa
penyesuaian untuk mengatasinya, yaitu:
1. Mengganti atau merubah kalimat dalam item pertanyaan agar mudah
dipahami oleh responden.
2. Menghilangkan item yang tidak valid dengan syarat setiap indikator diwakili
oleh minimal 2 pertanyaan.
13
LATIHAN
Kasus 1
Seorang peneliti melakukan penelitian mengenai Kompetensi. Untuk
mengumpulkan data dibuat angket (kuisioner) yang berisi 14 pertanyaan.
Sebelum melakukan penyebaran angket (kuisioner) dilakukan pengujian alat
ukur untuk mengetahui item-item dalam angket (kuisioner) tersebut valid dan
reliabel. Untuk keperluan tersebut diambil sampel sebanyak 25 orang.
Item
Resp
1 2 3 4 5 6 7 8 9 10 11 12 13 14
1 4 3 3 2 3 4 3 3 2 3 2 3 4 2
2 4 3 3 2 4 4 3 4 3 3 3 3 3 4
3 4 3 2 4 4 4 3 4 3 3 2 3 4 3
4 4 3 3 4 4 4 3 4 4 3 3 4 4 3
5 3 3 3 3 4 4 4 4 4 3 4 3 4 4
6 3 4 4 4 4 2 4 3 4 4 2 4 4 4
7 2 4 4 4 3 4 2 4 2 4 4 2 4 2
8 4 4 4 4 4 4 5 5 5 4 3 3 4 4
9 2 2 2 2 4 4 2 4 2 2 2 2 2 2
10 4 5 5 4 3 4 5 3 4 3 3 4 3 4
11 2 3 3 2 4 3 4 4 3 3 2 3 4 2
12 4 4 4 4 4 4 5 5 5 4 4 4 4 4
13 4 4 4 4 3 3 2 2 4 4 4 4 4 3
14 4 3 3 4 4 4 4 4 3 3 5 4 4 4
15 3 3 3 3 3 4 5 5 5 3 4 5 5 5
16 4 4 4 4 3 3 4 4 4 4 4 3 4 4
17 5 5 5 4 4 4 4 4 4 3 3 3 4 4
18 4 4 4 4 4 4 3 3 4 4 4 4 5 5
19 3 3 3 4 3 4 5 4 4 3 4 4 4 4
20 4 3 3 4 4 3 4 4 4 3 3 4 4 4
21 4 2 2 2 4 4 4 2 4 2 4 3 4 3
22 4 4 4 4 4 4 3 3 4 4 4 4 4 4
23 4 4 4 4 3 4 3 4 4 4 4 3 4 4
24 3 4 4 4 4 4 4 3 4 4 2 4 2 4
25 3 4 4 4 3 4 4 3 4 4 3 4 3 2
Berdasarkan data tersebut:

1. Ujilah dengan Uji Validitas dan Reliabilitas menggunakan metode Cronbach
Alpha dan Spli-Half.
2. Analisis hasil outputnya!
TUGAS
Buatlah pengolahan data menggunakan Uji Validitas dan Reliabilitas dengan
ketentuan sebagai berikut:
a. Jumlah responden/sampel sebanyak 50 orang.
b. Jumlah item pertanyaan sebanyak 20 buah.
c. Ujilah menggunakan Uji Validitas dan Reliabilitas dengan Cronbach Alpha
dan Split-Half!
d. Analisis hasil outputnya!
14
TUJUAN PRAKTIKUM:
Mengenalkan uji asumsi klasik menggunakan software SPSS yaitu:
• Uji normalitas yang bertujuan untuk mengetahui apakah data yang akan diolah
memiliki distribusi normal atau tidak.
• Uji multikolinearitas yang bertujuan untuk mengetahui apakah data yang akan
diolah dalam model regresi terbentuk korelasi yang tinggi atau sempurna
diantara variabel bebas atau tidak.
3.1 UJI ASUMSI KLASIK NORMALITAS

A. KONSEP DASAR UJI NORMALITAS
Uji Normalitas dimaksudkan untuk menguji apakah data primer yang diperoleh dari
kuisioner atau data sekunder berdistribusi normal atau tidak. Pengujian normalitas
data berdasarkan nilai residual. Nilai residual dikatakan berdistribusi normal jika nilai
residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Nilai
residual terstandarisasi yang berdistribusi normal jika digambarkan dengan bentuk
kurva akan membentuk gambar lonceng (bell-shaped curve) yang kedua sisinya
melebar sampai tidak terhingga. Berdasarkan pengertian Uji Normalitas tersebut
maka uji normalitas disini tidak dilakukan per variabel (univariate) tetapi hanya
terhadap nilai residual terstandarisasinya (multivariate).
Tidak terpenuhinya normalitas pada umumnya disebabkan karena distribusi data

yang dianalisis tidak normal, disebabkan oleh:
1. Terdapat nilai ekstrem pada data yang diambil.
Nilai ekstrem ini dapat terjadi karena adanya kesalahan dalam pengambilan
sampel.
2. Kesalahan dalam melakukan input data.
Sering terjadi akibat kesalahan manusia dalam input data ke dalam lembar
kerja.
3. Karakteristik data tersebut sangat jauh dari rata-rata.
Artinya data tersebut memang benar-benar berbeda dibanding yang lain.
B. METODE UJI NORMALITAS

Metode-metode untuk melakukan uji normalitas data antara lain:
1. Metode Analisis Grafik.
Pengujian normalitas menggunakan analisis grafik dilakukan dengan
menggunakan histogram yang menggambarkan variabel dependen sebagai
sumbu vertikal sedangkan nilai residual terstandarisasi digambarkan sebagai
sumbu horizontal.
a. Jika Histogram Standardized Regression Residual membentuk kurva seperti
lonceng maka nilai residual tersebut dinyatakan normal.
Pengolahan Data Dengan SPSS - Program Studi Manajemen S1 - 2020 15

b. Menggunakan Normal Probability Plot, yaitu distribusi normal digambarkan
dengan sebuah garis diagonal lurus dari kiri ke kanan atas, jika data normal
maka garis yang menggambarkan data sesungguhnya akan mengikuti
atau merapat ke garis diagonalnya.
2. Metode Signifikansi Skewness dan Kurtosis

Uji normalitas dapat dilakukan dengan berdasarkan pada koefisien
keruncingan (kurtosis) dan koefisien kemiringan (skewness).
3. Metode Jarque-Bera (JB TEST)

Seperti halnya skewness dan kurtosis, uji ini merupakan uji normalitas dengan
berdasarkan pada koefisien keruncingan (kurtosis) dan koefisien kemiringan
(skewness). Uji ini dilakukan dengan membandingkan statistic Jarque-Bera (JB)
dengan nilai X2 tabel. jika nilai Jarque-Bera (JB) ≤ X2 nilai residual terstandarisasi
dinyatakan berdistribusi normal.
4. Metode Kolmogorov-Smirnov
Uji normalitas menggunakan uji statistik non-parametrik Kolmogorov-Smirnov
merupakan uji normalitas menggunakan fungsi distribusi kumulatif. Nilai residual
terstandarisasi berdistribusi normal jika K hitung < K table atau nilai Sig. > alpha.
C. UJI NORMALITAS DENGAN METODE ANALISIS GRAFIK

Pengujian normalitas dengan analisis grafik menggunakan SPSS dilakukan dengan
langkah sebagai berikut:
11. Masuk ke folder Data Praktikum MetLit pada Document dan buka file Uji Asumsi
Klasik.xlsx.
12. Buka software SPSS, kemudian copy-paste file Uji Asumsi Klasik.xlsx ke dalam
Data View, selanjutnya lakukan pengaturan pada Variabel View.
13. Klik Analyze, Regression, Linear.
14. Masukkan variabel Volume Penjualan pada kotak Dependent:

15. Masukkan variabel Iklan dan Personal Selling pada kotak Independent(s).
16. Klik Plots, pada Y: isi DEPENDENT dan X: isi ZRESID
17. Pada Standardized Residual Plots, klik Histogram.

18. Klik Normal Probability Plot lalu klik Continue.
19. Abaikan pilihan yang lain dan klik OK.

Output yang dihasilkan sebagai berikut:

20. Analisis hasil output:
a. Output Histogram
Berdasarkan tampilan histogram terlihat bahwa kurva dependent dan
regression standardized residual membentuk gambar seperti lonceng. Oleh
karena itu berdasarkan uji normalitas, maka data berdistribusi normal
meskipun sedikit terdapat kemiringan dan layak untuk digunakan pada
proses pengolahan data dengan metode statistik lainnya.
b. Normal P-Plot Regression Standardized

Berdasarkan tampilan Normal P-Plot Regression Standardized terlihat bahwa
titik-titik menyebar di sekitar garis diagonal. Oleh Karena itu berdasarkan uji
normalitas, maka data berdistribusi normal meskipun terdapat sedikit plot
yang menyimpang dari garis diagonal dan layak untuk digunakan pada
proses pengolahan data dengan metode statistik lainnya.
21. Simpan data kerja tersebut dengan nama file Uji Asumsi Klasik.sav dan output
viewernya dengan nama file Uji Normalitas Grafik.spv.
D. UJI NORMALITAS DENGAN METODE KOLMOGOROV-SMIRNOV

Cara menguji normalitas dengan Kolmogorov-Smirnov menggunakan SPSS
dilakukan dengan langkah sebagai berikut:
1. Buka file Uji Asumsi Klasik.sav
2. Klik Analize, Regression, Linier.
3. Jika terlihat pada kotak Dependent dan Independent(s) terisi oleh nama
variabel, maka klik Reset untuk mengembalikan ke posisi semula.

6. Klik Save, pada kotak Residual klik Standardized lalu klik Continue.
7. Abaikan pilihan yang lain, klik OK.

8. Kembali ke Data Editor, sekarang telah muncul variabel baru Standardized
Residual yaitu ZRES_1.
9. Selanjutnya klik Analize, Nonparametrics Test, pilih Legacy Dialogs, dan klik 1
Sample K-S

10. Masukkan variabel Standardized Residual pada kotak Test Variabel List.
11. Abaikan pilihan yang lainnya, klik OK.

Maka output yang dihasilkan pada Output Viewer sebagai berikut:

Pada output terlihat bahwa nilai Kolmogorov-Smirnov Z (K hitung) sebesar 0,629
< K tabel (……..) atau nilai Asymp. Sig. (2-tailed) sebesar 0,823 > 0,05 (alpha),
maka hasilnya adalah nilai Standardized Residual dinyatakan menyebar
secara normal atau data berdistribusi normal.
13. Simpan hasil output viewer dengan nama Uji Normalitas Kolmogorov.spv
E. KONSEKUENSI DAN CARA MENGATASI PELANGGARAN NORMALITAS

Konsekuensi jika asumsi normalitas tidak terpenuhi pada sebuah model yang akan
diuji dengan metode statistik yang sesuai (contoh regresi) adalah nilai prediksi yang
diperoleh akan bias dan tidak konsisten.
Jika asumsi normalitas tidak terpenuhi maka dapat dilakukan beberapa metode
treatment untuk mengatasi pelanggaran tersebut. Metode-metode tersebut
adalah sebagai berikut:
1. Menambah jumlah data
Dengan menambahkan jumlah data maka akibat yang ditimbulkan dari
adanya nilai residual yang memiliki nilai ekstrem akan semakin berkurang.
2. Melakukan transformasi data menjadi log atau LN atau bentuk lainnya.
Dengan melakukan transformasi maka selisih antara nilai yang terbesar dengan
nilai yang terkecil akan semakin pendek.
3. Menghilangkan data yang dianggap sebagai penyebab data tidak normal
Dengan menghilangkan data yang dianggap sebagai penyebab data tidak
normal maka sebagian besar data semakin mendekati nilai rata-ratanya.
4. Dibiarkan saja tetapi kita harus menggunakan alat analisis lain.
Salah satu syarat dalam statistik parametrik adalah adanya kenormalan data,
jika asumsi kenormalan data tidak dapat terpenuhi, maka dapat
menggunakan statistik non-parametrik yang tidak mensyaratkan adanya
kenormalan data meskipun dengan derajat kesimpulan yang lebih lemah
dibanding analisis parametrik.

3.2 UJI ASUMSI KLASIK MULTIKOLINEARITAS
A. KONSEP DASAR UJI MULTIKOLINEARITAS
Multikolinieritas berarti terjadi korelasi linier yang mendekai sempurna (mendekai 1)
antar dua atau lebih varibel bebas. Uji Multikolinieritas bertujuan untuk menguji
apakah dalam model regresi yang terbentuk terjadi korelasi yang tinggi atau
mendekati sempurna diantara variabel bebas, maka model regresi tersebut
dinyatakan mengandung gejala multikolinieritas.
Beberapa penyebab timbulnya gejala multikolinieritas pada model regresi adalah

sebagai berikut:
1. Variabel terikat (dependent) dipengaruhi oleh faktor-faktor yang sama dan
cenderung berubah dalam satu arah atau jika satu variabel bebas
(independent) mempengaruhi variabel terikat (dependent) maka seluruh
variabel cenderung berubah dalam satu arah baik positif maupun negatif.
2. Adanya penggunaan Nilai Lag (Lagged Value) dari variabel-variabel bebas
tertentu dalam model regresi.
3. Metode pengumpulan data yang dipakai, jika data primer menggunakan
kuisioner terdapat jawaban-jawaban yang cenderung sama sedangkan data
sekunder apabila data yang digunakan memiliki tren searah (positif atau
negatif).
4. Adanya kendala dalam model atau populasi yang menjadi sampel.
5. Adanya kesalahan spesifikasi model yang dibangun.
6. Adanya model yang berlebihan akibat jumlah variabel bebas yang digunakan
melebihi jumlah data (observasi)
B. METODE UJI MULTIKOLINIERITAS

Terdapat beberapa metode yang dapat digunakan untuk mendeteksi adanya
masalah multikolinieritas, yaitu:
1. Metode nilai R2 dan nilai t statistik
Jika nilai R2 tinggi atau diatas 0,80 (R2 > 0,80) atau nilai t statistik < t tabel yang
menunjukkan tidak ada variabel bebas yang signifikan, maka hal tersebut
menunjukkan adanya gejala multikolinieritas.
2. Metode Pair Wise Correlation
Jika nilai Pair Wise Correlation antar variabel bebas dibawah nilai 0,70
(Coefficient Correlation < 0,70) maka hal ini menunjukkan tidak terjadi gejala
multikolinieritas.
3. Metode Eigen-Value dan Condition Index
Jika rasio Maximal Eigen-Value dengan Minimum Eigen-Value (k) antara 100
dan 100 menunjukkan adanya gejala multikolinieritas yang moderat sampai
kuat.

4. Metode TOL (Tolerance) dan VIF (Variance Inflation Factor)
Jika nilai TOL dan VIF dari masing-masing variabel bebas terhadap variabel
terikat lebih kecil dari 10 (TOL  10 atau VIF  10) maka model dinyatakan tidak
terjadi masalah multikolinieritas.
C. UJI MULTIKOLINIERITAS - METODE PAIR WISE CORRELATION

Untuk menguji gejala multikolinieritas dengan melihat Pair Wise Correlation antar
variabel bebas menggunakan SPSS dengan tahapan sebagai berikut:
4. Masukkan variabel Volume Penjualan pada kotak Dependent, kemudian
variabel Iklan dan Personal Selling pada kotak Independent(s).

5. Klik Statistics, klik Covariance matrix, klik Continue.
6. Abaikan pilihan yang lain lalu klik OK.

Output yang dihasilkan adalah sebagai berikut;

7. Analisis output:
Berdasarkan output pada tabel Coefficient Correlation terlihat bahwa koefisien
Pair Wise Correlation antara varibel bebas Iklan dan Personal Selling sebesar –
0,631 < 0,70 maka dapat disimpulkan bahwa model regresi yang terbentuk tidak
mengalami masalah multikolinieritas.
8. Simpan hasil output viewer dengan nama Uji Multikolinieritas Pair Wise.spv
D. UJI MULTIKOLINIERITAS - METODE TOL (TOLERANCE) DAN VIF (VARIANCE

INFLATION FACTOR)
Untuk menguji gejala multikolinieritas dengan melihat nilai Tolerance (TOL) dan
Variance Inflation Factor (VIF) menggunakan SPSS dengan tahapan sebagai
berikut:

5. Klik Statistics, lalu klik Collinearity diagnostics, kemudian klik Continue
6. Abaikan pilihan yang lain dan kemudian klik OK.

7. Analisis output.
Berdasarkan tabel Coefficients terlihat bahwa nilai Tolerance (TOL) variabel
Iklan dan Personal Selling sebesar 0,601 sedangkan nilai Variance Inflation
Factor (VIF) sebesar 1,663. Dalam kasus ini nilai TOL dan VIF sama untuk kedua
variabel bebas dikarenakan pada model hanya terdiri dari dua variabel bebas.
Maka dengan nilai TOl dan VIF < 10 dapat disimpulkan bahwa pada model
regresi yang terbentuk tidak terjadi gejala multikolinieritas.
8. Simpan hasil output viewer dengan nama Uji Multikolinieritas TOL dan VIF.spv

E. KONSEKUENSI DAN CARA MENGATASI PELANGGARAN MULTIKOLINIERITAS
Jika asumsi multikolinieritas tidak terpenuhi maka dapat dilakukan beberapa
1. Memperbesar atau menambah ukuran sampel sehingga diharapkan mereduksi
kovarian antar variabel bebas.
2. Menghilangkan salah satu atau lebih variabel bebas dengan memilih koefisien
korelasi terkecil dengan variabel terikat.
3. Melakukan transformasi data yaitu merubah data ordinal menjadi interval.
LATIHAN
Kasus 2
Berikut ini adalah data hasil survey:
X1 (Pendapatan) 90 60 60 85 70 40 55 80 70 80 75 70
X2 (Jumlah Anggota Keluarga) 5 3 4 4 3 3 2 6 5 4 5 6
Y (Pengeluaran) 75 45 55 60 65 40 45 80 60 65 68 65

a. Buatlah persamaan regresinya!
b. Ujilah data hasil survey tersebut menggunakan uji normalitas dan uji
multikolinearitas!
c. Analisis hasil outputnya!
TUGAS
Buatlah pengolahan data menggunakan Uji Asumsi Klasik dengan ketentuan
sebagai berikut:
e. Jumlah data minimal 30 buah per variabel.
f. Jumlah variabel bebas minimal 2 buah dan variabel terikat minimal 1 buah.
g. Buatlah persamaan regresinya!
h. Ujilah data hasil survey tersebut menggunakan:
1) Uji Normalitas dengan metode analisis grafik dan Kolmogorov-smirnov
2) dan Uji Multikolinearitas dengan metode pair wise correlation dan TOL!
i. Analisis hasil outputnya!

TUJUAN PRAKTIKUM:
Mengenalkan uji asumsi klasik menggunakan software SPSS yaitu:
• Uji heteroskedastisitas yang bertujuan untuk mengetahui apakah varian pada
model memiliki nilai yang sama (konstan) atau tidak.
• Uji autokorelasi yang bertujuan untuk mengetahui apakah terdapat korelasi
antara anggota serangkaian data observasi atau tidak.
4.1 UJI ASUMSI KLASIK HETEROSKEDASTISITAS

F. KONSEP DASAR UJI HETEROSKEDASTISITAS
Heteroskedastisitas berarti ada varian variabel pada model (regresi) yang tidak
sama (tidak konstan). Sebaliknya, jika varian variabel pada model (regresi) memiliki
nilai yang sama (konstan) maka disebut homoskedastisitas. Masalah
heteroskedastisitas sering terjadi pada penelitian yang menggunakan data cross-
section. Sehingga uang diharapkan pada model (regresi) adalah model yang
bersifat homoskedastisitas.
Beberapa penyebab yang mempengaruhi homoskedastisitas dalam perubahan

nilai varian yaitu:
4. Adanya pengaruh dari kurva pengalaman (learning curve).
Dengan semakin meningkatnya pengalaman maka akan semakin menurun
tingkat kesalahannya akibatnya nilai varian makin lama semakin menurun.
5. Adanya peningkatan ekonomi.
Dengan semakin meningkatnya perekonomian maka semakin beragam tingkat
pendapatan sehingga alternatif pengeluaran juga akan semakin besar
sehingga akan meningkatkan varian.
6. Adanya peningkatan teknik pengumpulan/pengambilan data.
Jika teknik pengumpulan/pengambilan data semakin baik maka nilai varian
cenderung mengecil.
G. METODE UJI HETEROSKEDASTISITAS

Metode-metode untuk melakukan uji heteroskedastisitas antara lain:
5. Metode Analisis Grafik.
Dilakukan dengan mengamati scatterplot dimana sumbu horizontal
menggambarkan nilai Predicted Standardized sedangkan sumbu vertikal
menggambarkan nilai Residual Standardized. Jika scatterplot menyebar secara
acak maka menunjukkan tidak terjadi masalah heteroskedastisitas pada model
yang dibentuk.

6. Metode Glejser
Dilakukan dengan meregresikan semua variabel bebas terhadap nilai mutlak
residualnya. Jika terdapat pengaruh variabel bebas yang signifikan terhadap
nilai mutlak residualnya maka dalam model tersebut terdapat masalah
heteroskedastisitas.
7. Metode Park
Dilakukan dengan meregresikan semua variabel bebas terhadap nilai Ln
residual kuadrat (Ln e2). Jika terdapat pengaruh variabel bebas yang signifikan
terhadap nilai Ln residual kuadrat (Ln e2) maka dalam model tersebut terdapat
masalah heteroskedastisitas.
8. Metode White
Dilakukan dengan meregresikan semua variabel bebas, variabel bebas kuadrat
dan perkalian (interaksi) variabel bebas terhadap nilai residual kuadratnya. Jika
nilai X2 hitung lebih besar dari X2 tabel (df = , jumlah variabel bebas), maka
dalam model tersebut terdapat masalah heteroskedastisitas.
9. Metode Rank Spearman

Dilakukan dengan mengkorelasikan semua variabel bebas terhadap nili
residual mutlak residualnya menggunakan Korelasi Rank Spearman. Jika
terdapat korelasi variabel bebas yang signifikan positif dengan niali mutlak
residualnya maka dalam model yang dibentuk terdapat masalah
heteroskedastisitas.
10. Metode Bresch-Pagan-Godfrey (BPG)

Dilakukan dengan meregresikan semua varibel bebas terhadap nilai i. ika nilai
X2 hitung lebih besar dari X2 tabel (df = , jumlah variabel bebas), maka dalam
model tersebut terdapat masalah heteroskedastisitas.
H. UJI HETEROSKEDASTISITAS DENGAN METODE ANALISIS GRAFIK

Pengujian normalitas dengan analisis grafik menggunakan SPSS dilakukan dengan

19. Klik Plots …, pada Y: isi dengan *SRESID dan X: isi dengan *ZPRED

20. Klik Continue.
21. Abaikan pilihan yang lain dan klik OK.

Berdasarkan tampilan pada scatterplot terlihat bahwa plot menyebar secara
acak di atas maupun di bawah angka nol pada sumbu Regression Studentized
Residual maka dapat dikatakan pada model yang terbentuk tidak terjadi
masalah heteroskedastisitas.
Uji heteroskedastisitas menggunakan analisis grafik memiliki beberapa

kelemahan yaitu:
a. Penilaian dapat bersifat subjektif, artinya pembacaan scatterplot
tergantung interpretasi yang membacanya.
b. Sulit diinterpretasikan jika jumlah data pengamatannya sedikit.
23. Simpan hasil output viewernya dengan nama file Uji Heteroskedastisitas.spv.
I. UJI HETEROSKEDASTISITAS DENGAN METODE GLEJSER

Cara menguji heteroskedastisitas dengan metode Glejser menggunakan SPSS

6. Klik Save, pada kotak Residual klik Unstandardized lalu klik Continue.

8. Kembali ke Data Editor, sekarang telah muncul variabel baru Unstandardized
Residual yaitu RES_1.
Selanjutnya adalah memutlakkan nilai residualnya dengan langkah sebagai

berikut
9. Dari menu utama SPSS, klik Transform lalu Compute Variable.
10. Isi Target variable: dengan mengetikan ABRESID
11. Isi Numeric Expresion dengan ABS(RES_1) dengan cara dapat diketik atau
melalui Functions group: klik All kemudian pada Functions and Special
Variables: klik Abs lalu klik Unstandardized Residual.

12. Klik OK.
Pada Data View terjadi penambahan 2 kolom sebagai akibat proses
penghitungan (Save…) dan Transform diatas dengan tampilan berikut:
13. Regresikan variabel bebas terhadap nilai residual mutlaknya dengan langkah
klik Analize, Regression, Linier.
15. Masukkan variabel ABRESID pada kotak Dependent, kemudian masukkan
16. Klik OK.


Gejala heteroskedastisitas ditunjukkan oleh koefisien regresi dari masing-
masing variabel bebas terhadap nilai mutlak residualnya (|e|). Jika nilai
probabilitas lebih besar dari nilai alpha (Sig. > ) atau t hitung < t tabel, maka
dapat dikatakan model tidak mengandung gejala heteroskedastisitas.
Berdasarkan output pada tabel Coefficients diketahui bahwa nilai Sig. variabel
Iklan sebesar 0,136 > 0,05 dan nilai variabel Personal Selling sebesar 0,863 > 0,05
artinya tidak terjadi masalah heteroskedastisita.
18. Simpan hasil output viewer dengan nama Uji Heteroskedastisitas.spv
J. KONSEKUENSI DAN CARA MENGATASI PELANGGARAN HETEROSKEDASTISITAS

Konsekuensi jika asumsi homoskedastisitas tidak terpenuhi atau terjadi masalah
heterokedastisitas sering terjadi jika menggunakan sampel kecil (dibawah 30)
maka cara mengatasinya adalah menambah jumlah sampel sesuai aturan
pengambilan sampel.

4.2 UJI ASUMSI KLASIK AUTOKORELASI
F. Konsep Dasar Uji Autokorelasi
Uji Autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara anggota
serangkaian data observasi yang diuraikan menurut:
1. Waktu (time series) yang merupakan data sekunder hasil pengumpulan data
melalui penelitian dokumen.
2. Ruang (cross-section) yang merupakan data primer hasil pengumpulan data
dengan angket (kuisioner).
Beberapa penyebab timbulnya gejala autokorelasi pada model regresi yaitu:

7. Adanya kelembaman (inertia)
Salah satu ciri yang menonjol dari data runtut waktu (time series) adalah
kelembaman yaitu data yang menunjukkan pola konjungtur dimana data
periode sebelumnya dengan periode sekarang memiliki kemungkinan besar
mengandung saling ketergantungan (interdependence)
8. Adanya fenomena sarang laba-laba (cobweb phenomenon).
Adanya perubahan data berdasarkan tenggang waktu (getation period)
dimana data yang diteliti dapat berubah karena faktor-faktor yang
mempengaruhinya sehingga mengikuti pola sarang laba-laba.
9. Bias spesifikasi model kasus terdapat variabel yang tidak dimasukkan.
Disebabkan tidak dimasukkannya variabel bebas (independent) yang menurut
teori sangat penting perannya dalam menjelaskan variabel terikat
(dependent).
10. Manipulasi data (manipulation of data)
Sering terjadi pada data menurut time series jika data yang ada dalam tahunan
sedangkan penggunaan data dalam kuartalan maka harus dilakukan
interpolasi pada data tersebut sehingga menimbulkan pola fluktuasi yang
tersembunyi dan dapat memunculkan masalah autokorelasi.
G. Metode Uji Autokorelasi

Terdapat beberapa metode yang dapat digunakan untuk mendeteksi adanya
masalah multikolinieritas, yaitu:
5. Metode Durbin Watson (Durbin Watson Test)
Merupakan uji yang sangat popular untuk menguji ada tidaknya masalah
autokorelasi dari model empiris yang diestimasi. Jika nilai DW > K tabel atau nilai
DW diantara nilai dU dengan 4 – dU maka dapat dikatakan tidak terjadi
autokorelasi.
6. Metode Langrange Multiplier (LM Test)

Dapat digunakan untuk menguji adanya masalah autokorelasi tidak hanya
pada derajat pertama (first order) tetapi juga digunakan pada berbagai
tingkat derajat autokorelasi dan dengan kondisi ukuran sampel yang
digunakan cukup besar atau diatas 100 observasi.

7. Metode Breusch-Godfrey (B-G Test)
Digunakan untuk menguji adanya masalah utokorelasi dengan tingkat tinggi,
dimana uji ini mengasumsikan bahwa faktor pengganggu mengikuti path order
otoregressive scheme.
8. Metode Run Test

Merupakan salah satu analisis non-parametrik yang dapat digunakan untuk
menguji apakah antar residual terdapat korelasi yang tinggi. Run Test
digunakan pula untuk melihat apakah data residual terjadi secra random atau
tidak, Jika antar residual tidak terdapat korelasi maka dapat dikatakan bahwa
nilai residual adalah acak dan random.
H. Uji Autokorelasi dengan Metode Durbin Watson

Untuk menguji gejala autokorelasi dengan metode Durbin Watson menggunakan
SPSS dengan tahapan sebagai berikut:

6. Klik Statistics, klik Durbin Watson, klik Continue.
7. Abaikan pilihan yang lain lalu klik OK.

Output yang dihasilkan adalah sebagai berikut;

8. Analisis output:
Pada output Model Summary terdapat nilai Durbin Watson sebesar 1,028.
Pengambilan keputusan memerlukan dua nilai bantu yang diperoleh dari tabel
Durbin Watson (nilai dL dan dU) dengan K sebagai jumlah variabel bebas dan
n sebagai ukuran sampel. Jika nilai Durbin Watson diantara nilai dU dan 4 – dU
berarti tidak terjadi masalah autokorelasi.
Berdasarkan tabel Durbin Watson dengan K = 2 dan n = 30 diperoleh nilai dL =
1,2837 dan nilai dU =1,5666 maka nilai 4 – dU = 2,4334. Maka hasilnya adalah
nilai Durbin Watson = 1,028 diluar area dU dan 4dU atau 1,2837 sampai 2,4334
dan berada pada batas area dL = 1,2837 artinya pada model terjadi masalah
autokorelasi.
Tanpa Tanpa
Kesimpulan Kesimpulan
Tidak ada
Autokorelasi
Ada Autokorelasi Ada Autokorelasi
dL dU 4 - dU 4 - dL
1,2837 1,5666 2,4334 2,7163
DW = 1,028
9. Simpan hasil output viewer dengan nama Uji Autokorelasi.spv
I. Uji Autokorelasi dengan Metode Run Test

Untuk menguji gejala autokorelasi dengan menggunakan SPSS dengan tahapan
sebagai berikut:

13. Klik Save … , pada kotak Residuals, klik Unstandardized lalu Continue

14. Abaikan pilihan yang lain dan kemudian klik OK.
15. Kembali ke Data Editor, sekarang muncul variabel baru Unstandardized Residual
yaitu RES_1.
16. Menghitung jumlah Run dengan Median sebagai cutpoint, dengan langkah klik
Analize, Nonparametric Test, Legacy Dialogs, klik Runs.
17. Masukkan variabel RES_1 pada kotak Test Variable List, pada Cut Point pilih
Median.

Output yang dihasilkan sebagai berikut;
19. Analisis output.

Pada output Runs Test terlihat nilai test sebesar 0,6812 sedangkan nilai
probabilitasnya (Sig.) sebesar 0,041. Jika nilai Sig. >  maka pada model dapat
dikatakan tidak terjadi masalah autokorelasi.
Berdasarkan hasil diatas maka nilai Sig. <  (0,041 < 0,05) maka kesimpulannya
terjadi masalah autokorelasi pada model yang terbentuk.
20. Simpan hasil output viewer dengan nama Uji Autokorelasi.spv

J. Konsekuensi dan Cara Mengatasi Pelanggaran Autokorelasi
Jika asumsi autokorelasi tidak terpenuhi maka dapat dilakukan beberapa
4. Memperbesar atau menambah ukuran sampel sehingga diharapkan mereduksi
kovarian antar variabel bebas.
5. Melakukan transformasi data yaitu merubah data ordinal menjadi interval.
LATIHAN
Kasus 3
Berikut ini adalah data hasil survei:
X1 (Pendapatan) 90 60 60 85 70 40 55 80 70 80 75 70
X2 (Jumlah Anggota Keluarga) 5 3 4 4 3 3 2 6 5 4 5 6
Y (Pengeluaran) 75 45 55 60 65 40 45 80 60 65 68 65

d. Buatlah persamaan regresinya!
e. Ujilah data hasil survey tersebut menggunakan:
1) Uji heteroskedastisitas dengan metode Analisis Grafik dan Glejser!
2) Uji Autokorelasi dengan metode Durbin Watson dan Runs Test!
f. Analisis hasil outputnya!
TUGAS
Buatlah pengolahan data menggunakan Uji Asumsi Klasik dengan ketentuan
sebagai berikut:
j. Jumlah data minimal 50 buah per variabel.
k. Jumlah variabel bebas minimal 2 buah dan variabel terikat minimal 1 buah.
l. Buatlah persamaan regresinya!
m. Ujilah data tersebut menggunakan:
3) Uji heteroskedastisitas dengan metode Analisis Grafik dan Glejser
4) Uji Autokorelasi dengan metode Durbin Watson dan Runs Test!
n. Analisis hasil outputnya!

TUJUAN PRAKTIKUM:
Mengenalkan analisis regresi dengan variabel moderasi pada statistik parametrik
menggunakan software SPSS untuk mengetahui hubungan antar variabel dengan
variabel moderating sebagai variabel yang memperkuat atau memperlemah
variabel terikat.
F. KONSEP DASAR ANALISIS REGRESI DENGAN VARIABEL MODERASI

Hubungan antar variabel dalam fenomena ekonomi tidak hanya ditentukan oleh
variabel bebas maupun variabel terikat saja, tetapi seringkali muncul adanya
variabel yang mampu mempererat atau memperlemah hubungan antara
variabel bebas terhadap variabel terikatnya. Variabel yang mampu mempererat
atau memperlemah hubungan antara variabel bebas terhadap variabel terikat
disebut dengan variabel moderasi (moderating variable).
Untuk menggambarkan model hubungan moderating dapat dilihat pada gambar

berikut:
X Y
Diketahui :
X = Kepuasan pelanggan
Z = Variety Seeking
Y = Loyalitas Pelanggan
Z
X1
X2 Y
X3
Diketahui :
X1 = Kepemimpinan suportif
X2 = Kepemimpinan partisipatif
X3 = Kepemimpinan demoktratif
Z = Locus of control
Y = Motivasi Kerja

Sharma et al.,(1981) membagi variabel moderator berdasarkan hubungannya
dengan variabel kriteria (tergantung) dan berdasarkan interaksi dengan variabel
prediktor (bebas). Pola hubungan tersebut dapat dilihat pada tabel berikut :
Jenis-jenis Variabel Moderasi
Berhubungan dengan variabel Tidak berhubungan dengan
kriteria dan/atau prediktor variabel kriteria dan/atau
prediktor
Tidak berinteraksi Sel 1 Sel 2
dengan variabel Intervening, exogen, Moderator (homologizer)
prediktor antecedent
Berinteraksi dengan Sel 3 Sel 4
variabel prediktor Moderator (quasi moderator) Moderator (pure Moderator)
Berdasarkan pada tabel tersebut, maka jenis-jenis variabel moderator dapat

dijelaskan sebagai berikut:
1. Sel 1
Variabel yang dihipotesiskan sebagai variabel moderator (Z) berhubungan
dengan variabel kriteria (Y) dan atau prediktor (X), tetapi tidak berinteraksi
dengan variabel prediktor (X) sehingga variabel tersebut hanya merupakan
variabel intervening, exogen, antecedent atau prediktor.
2. Sel 2
Variabel yang dihipotesiskan sebagai variabel moderator (Z) tidak
berhubungan dengan variabel kriteria (Y) dan atau prediktor (X) dan tidak
berinteraksi dengan variabel prediktor (X) sehingga variabel tersebut
merupakan variabel moderator homologizer.
3. Sel 3
berhubungan dengan variabel kriteria (Y) dan atau prediktor (X) dan
berinteraksi dengan variabel prediktor (X), sehingga variabel tersebut hanya
merupakan variabel quasi moderator.
4. Sel 4
berhubungan dengan variabel kriteria (Y) dan atau prediktor (X) tetapi
berinteraksi dengan variabel prediktor (X) sehingga variabel tersebut hanya
merupakan variabel pure moderator.
G. METODE-METODE ANALISIS REGRESI DENGAN VARIABEL MODERASI

Untuk menyelesaikan dan memahami proses analisis regresi dengan variabel
moderasi dapat dilakukan dengan metode-metode sebagai berikut:
3. Analisis Regresi Variabel Moderasi dengan Metode Sub Group
Analisis regresi variabel moderasi dengan metode sub group dilakukan dengan
memecah sampel menjadi dua kelompok berdasarkan variabel ketiga yang
dihipotesiskan sebagai variabel moderasi. Pada kenyataannya variabel yang
ditempatkan sebagai variabel moderasi bisa berupa data dikotomi maupun

data kontinyu. Jika data berupa data dikotomi maka pembagian kelompok
dapat dengan mudah meregresi kelompok satu dan yang kedua, sedangkan
untuk membagi kelompok jika variabel yang ditempatkan sebagai variabel
moderasi berupa data kontinyu maka kita harus menghitung nilai rata-rata atau
median terlebih dahulu. Jika di bawah atau sama dengan nilai rata-rata
(median) maka dimasukkan kelompok pertama dan jika di atas rata-rata maka
dimasukkan kelompok yang kedua
4. Analisis Regresi Variabel Moderasi dengan Metode Interaksi

Uji Interaksi sering juga disebut dengan Moderated Regression Analysis (MIRA).
Uji interaksi dilakukan dengan mengalikan variabel yang dihipotesiskan sebagai
variabel moderasi dengan variabel bebas. Jika variabel hasil perkalian antara
variabel bebas dengan variabel yang dihipotesiskan sebagai variabel moderasi
signifikan maka dapat disimpulkan bahwa variabel yang dihipoteskan sebagai
variabel moderasi benar-benar memoderasi hubungan antara variabel bebas
dengan variabel tergantung. Metode ini merupakan metode yang relatif lebih
sederhana dibanding metode lainnya sehingga banyak digunakan oleh
peneliti. Namun metode ini biasanya menyalahi asumsi multikolinieritas atau
adanya korelasi yang tinggi antara variabel bebas dalam model regresi.
5. Analisis Regresi Variabel Moderasi dengan Metode Selisih Mutlak

Analisis regresi variabel moderasi dengan metode selisih mutlak dilakukan
dengan meregresikan selisih mutlak variabel bebas terstandarisasi dengan
variabel yang dihipotesiskan sebagai variabel moderasi terstandarisasi. Jika
variabel selisih mutlak antara variabel bebas terstandarisasi dengan variabel
yang dihipotesiskan sebagai variabel moderasi terstandarisasi signifikan maka
dapat disimpulkan bahwa variabel yang dihipotesiskan sebagai variabel
moderasi benar-benar memoderasi hubungan antara variabel bebas terhadap
variabel tergantungnya. Kelemahan metode ini adalah masih riskan terhadap
gangguan multikolinieritas meskipun resiko itu lebih kecil daripada metode
interaksi.
6. Analisis Regresi Variabel Moderasi dengan Metode Residual

Analisis regresi variabel moderasi dengan metode Residual dilakukan dengan
meregresikan variabel tergantung terhadap nilai mutlak residual dari regresi
variabel bebas terhadap variabel yang dihipotesiskan sebagai variabel
moderasi. Jika hasil regresi antara variabel tergantung terhadap nilai mutlak
residual dari regresi variabel bebas terhadap variabel yang dihipotesiskan
sebagai variabel moderasi signifikan dan koefisien regresinya negatif maka
dapat disimpulkan bahwa variabel yang dihipotesiskan sebagai variabel
moderasi benar-benar mampu memoderasi hubungan antara variabel bebas
terhadap variabel tergantungnya. Metode ini relatif lebih rumit dibanding
metode interaksi dan selisih mutlak namun metode ini terbebas dari gangguan
multikolinieritas karena hanya menggunakan satu variabel bebas.

H. ANALISIS REGRESI DENGAN VARIABEL MODERASI METODE RESIDUAL
Dengan model residual maka persamaan regresinya dapat diformulasikan sebagai

berikut:
Z = a + b1X + e
|e| = a + b1Y
Keterangan:
Z = Variabel yang dihipotesiskan sebagai variabel moderasi
X = Variabel bebas
|e| = Nilai residual mutlak
Analisis regresi moderasi dengan metode residual dilakukan dengan langkah-

1. Meregresikan variabel bebas (X) terhadap variabel yang dihipotesiskan
sebagai variabel moderasi (Z) untuk mendapatkan nilai residual e.
2. Menghitung nilai mutlak residual dari persamaan regresi variabel bebas (X)
terhadap variabel yang dihipotesiskan sebagai variabel moderasi (Z) untuk
mendapatkan nilai |e|.
3. Meregresikan variabel tergantung (Y) terhadap nilai mutlak residual dari
persamaan regresi variabel bebas (X) terhadap variabel yang dihipotesiskan
sebagai variabel moderasi (Z) atau |e|
4. Menarik kesimpulan uji moderasi dengan kriteria : jika korfisien regresi variabel
tergantung (Y) terhadap nilai mutlak residual dari persamaan regresi variabel
bebas (X) terhadap variabel yang dihipotesiskan sebagai variabel moderasi (Z)
atau |e| signifikan dan negatif, maka variabel yang dihipotesiskan sebagai
moderasi dinyatakan memoderasi hubungan antara variabel bebas (X)
terhadap variabel tergantung (Y).
Kasus 4
Seorang peneliti melakukan penelitian dengan tujuan untuk menganalisis apakah
variabel Lingkungan Kerja memperkuat atau memperlemah hubungan kausal
Konflik Antar Departemen terhadap Kinerja Organisasi. Untuk keperluan tersebut
diambil sampel secara acak sebanyak 100 manajer perusahaan sebagai
responden.
1. Pertanyaan penelitian
Apakah Konflik Antar Departemen berpengaruh positif dengan Lingkungan
Kerja sebagai variabel moderasi terhadap Kinerja Organisasi?
2. Hipotesis
Konflik Antar Departemen berpengaruh positif dengan Lingkungan Kerja
sebagai variabel moderasi terhadap Kinerja Organisasi.

3. Model penelitian
Berdasarkan hipotesis tersebut maka dapat digambarkan model penelitian
sebagai berikut
Lingkungan
Kerja
Konflik Antar Kinerja

Departemen Organisasi
4. Analisis Data
Untuk melakukan analisis regresi dengan metode residual menggunakan SPSS
1) Menghitung nilai residual dari regresi variabel bebas (X) terhadap variabel
yang dihipotesiskan sebagai variabel moderasi (Z)
a. Buka file Regresi Moderasi.sav
b. Klik Analyze, Regression, Linear
c. Masukkan variabel Lingkungan Kerja pada kotak Dependent
d. Masukkan variabel Konflik antar Departemen pada kotak
Independent(s)
e. Klik Save dan aktifkan Residual Unstandardized
f. Abaikan pilihan lain, klik Continue
g. Klik OK sehingga pada SPSS data editor muncul variabel baru Res_1

2) Dalam Data Editor nilai residual belum mutlak. Hal ini terlihat dari masih
adanya beberapa nilai yang negatif. Oleh karena itu harus kita mutlakkan
terlebih dahulu dengan langkah sebagai berikut:
a. Klik Transform, Compute Variable
b. Isi Target Variable dengan ABRES
c. Isi Numeric Exposion dengan pemutlakan variabel Res_1 dengan sintaks
ABS(Res_1)
d. Klik Ok

Tampak bahwa pada Data View terjadi penambahan 1 variabel sebagai akibat
proses perhitungan (Compute Variable) diatas, yaitu sebagai berikut:
3) Meregresikan variabel tergantung (Y) terhadap nilai mutlak residual dari

persamaan regresi variabel bebas (X) terhadap variabel yang
dihipotesiskan sebagai variabel moderasi (Z) atau |e| dengan langkah:
a. Klik Analyze, Regression, Linear
b. Masukkan ABRES pada kotak Dependent
c. Masukkan variabel Kinerja Organisasi pada kotak Independent(s)
d. Abaikan pilihan lain, Klik OK
e. Maka output yang dihasilkan adalah sebagai berikut:
Model Summaryb
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 ,200a ,040 ,030 ,87827
a. Predictors: (Constant), Kinerja Organisasi
b. Dependent Variable: ABRES

ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression 3,149 1 3,149 4,082 ,046a
Residual 75,592 98 ,771
Total 78,741 99
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 1,537 ,194 7,924 ,000
Kinerja Organisasi -,157 ,078 -,200 -2,020 ,046
a. Dependent Variable: ABRES
Analisis koefisien Determinasi:

Model Summaryb
1 ,200a ,040 ,030 ,87827
a. Predictors: (Constant), Kinerja Organisasi
b. Dependent Variable: ABRES
Melalui tabel Model Summary dapat diketahui besarnya pengaruh antar variabel
berdasarkan nilai R Square sebagai berikut:
• R Square sebesar 0,040 berarti bahwa variabel Kinerja Organisasi dapat
dijelaskan oleh variabel Konflik antar Departemen sebesar 4,0% sedangkan
sisanya dijelaskan oleh variabel lain (epsilon).
• Sehubungan adanya variabel moderasi yaitu Lingkungan Kerja maka yang
digunakan yaitu Adjusted R Square sebesar 0,030 berarti bahwa variabel Kinerja
Organisasi dapat dijelaskan oleh variabel Konflik antar Departemen dengan
Lingkungan Kerja sebagai variabel moderasi sebesar 3,0% sedangkan sisanya
dijelaskan oleh variabel lain (epsilon).
Analisis Coefficients:
Coefficientsa
Model B Std. Error Beta T Sig.
1 (Constant) 1,537 ,194 7,924 ,000
Kinerja Organisasi -,157 ,078 -,200 -2,020 ,046
a. Dependent Variable: ABRES

Berdasarkan output coefficients diperoleh koefisien regresi pada variabel Kinerja
Organisasi sebesar -0,157 dengan nilai t hitung sebesar -2,020 lebih kecil dari pada
t tabel dengan df: α,n-k (0,05;98) sebesar -1,661 atau nilai Sig. (0,046) < dari alpha
(0,05) dengan arah koefisien negatif, maka disimpulkan bahwa variabel Kinerja
Organisasi memiliki pengaruh negatif nilai absolute residual.
Kesimpulan:
Berdasarkan hasil analisis diatas diketahui variabel kinerja organisasi berpengaruh
negatif terhadap nilai absolute residual sehingga disimpulkan bahwa:
Konflik antar Departemen berpengaruh negatif dengan Lingkungan Kerja sebagai
variabel moderasi terhadap Kinerja Organisasi.
I. LATIHAN
Kasus 4
Berikut ini adalah data tentang laporan kepuasan konsumen, tipe kepribadian dan
loyalitas konsumen dari 15 orang konsumen:
Kepuasan Tipe Loyalitas

No
Konsumen Kepribadian Konsumen
1 9 8 7
2 8 7 6
3 9 8 7
4 5 4 3
5 7 6 5
6 8 7 6
7 6 5 4
8 5 4 3
9 8 8 6
10 7 6 5
11 10 9 8
12 8 7 6
13 7 6 5
14 6 5 5
15 4 3 2

a. Buatlah pertanyaan, hipotesis, dan model penelitian!
b. Gunakan metode residual untuk menguji hipotesis yang diajukan!
c. Analisis hasilnya dan berikan kesimpulannya!

TUGAS
Buatlah pengolahan data menggunakan Analisis Regresi dengan Variabel
Moderasi menggunakan Metode Residual, dengan ketentuan:
a. Jumlah variabel yang diteliti sebanyak 1 variabel terikat, 1 variabel bebas, dan
1 variabel moderasi.
b. Jumlah data minimal 30 buah per variabel
c. Berikan analisis dan kesimpulan dari hasil outputnya!

TUJUAN PRAKTIKUM:
Mengenalkan analisis regresi dengan variabel mediasi pada statistik parametrik
menggunakan software SPSS untuk mengetahui hubungan antar variabel dengan
variabel mediasi sebagai variabel antara.
J. KONSEP DASAR ANALISIS REGRESI DENGAN VARIABEL MEDIASI

Hubungan antar variabel seringkali harus dijelaskan melalui variabel lain. Misalnya,
untuk menjelaskan bagaimana upah dapat meningkatkan kinerja karyawan maka
perlu dijelaskan dengan variabel lain yang berada diantaranya, yaitu variabel
motivasi kerja. Upah akan mampu meningkatkan kinerja karyawan karena upah
dapat meningkatkan motivasi kerja karyawan. Motivasi kerja inilah yang akhirnya
meningkatkan kinerja karyawan. Pada kasus tersebut motivasi kerja ditempatkan
sebagai variabel mediasi antara upah dan kinerja karyawan.
Variabel mediasi atau Intervening merupakan variabel antara atau mediating,

berfungsi memediasi hubungan antara variabel bebas (Predictor) dengan variabel
terikat (Predictant). Hubungan antar variabel dengan melalui variabel mediasi
dapat digambarkan secara sederhana sebagai berikut:
a b
X Y
c
Model Regresi Dengan Variabel Mediasi
Model regresi di atas menunjukkan hubungan mediasi sederhana antara variabel

bebas (X) terhadap variabel terikat (Y) melalui variabel mediasi (M). Huruf a
menunjukkan koefisien regresi (pengaruh) variabel bebas (X) terhadap variabel
mediasi (M), huruf b menunjukkan koefisien regresi (pengaruh) variabel mediasi (M)
terhadap variabel terikat (Y), sedangkan huruf c menunjukkan koefisien regresi
(pengaruh) variabel bebas (X) terhadap variabel terikat (Y) setelah memasukkan
variabel mediasi (M) ke dalam persamaan.
K. METODE-METODE ANALISIS REGRESI DENGAN VARIABEL MEDIASI

Untuk menyelesaikan dan memahami proses analisis regresi dengan variabel
mediasi dapat dilakukan dengan metode-metode sebagai berikut:
7. Analisis Regresi Variabel Mediasi dengan Metode Kausal Step

Analisis regresi variabel mediasi dengan metode kausal step dikembangkan
oleh Baron dan Kenny (1986). Untuk memahami pengujian mediasi
menggunakan metode ini maka kita dapat menggunakan gambar model
regresi dengan variabel mediasi pada halaman sebelumnya, maka kita dapat
menuliskan tiga persamaan regresi berikut:
Persamaan 1 : Ŷ = α1 + cX
Persamaan 2 : M = α2 + aX
Persamaan 3 : Ŷ = α3 + cX + bM
Pada uji ini variabel M dinyatakan sebagai variabel mediasi atau intervening
antara variabel X terhadap variabel Y jika memenuhi kriteria berikut:
a) Jika persamaan I, X berpengaruh signifikan terhadap Y (c≠0)
b) Jika persamaan II, X berpengaruh signifikan terhadap M (a≠0)
c) Jika persamaan III, M berpengaruh signifikan terhadap Y (b≠0)
8. Analisis Regresi Variabel Mediasi dengan Metode Product of Coefficient

Analisis regresi variabel mediasi dengan metode Product Of Coefficient
dikembangkan oleh Sobel (1982). Oleh karena itu uji ini sering disebut Uji Sobel.
Uji variabel mediasi dengan metode ini dilakukan dengan menguji kekuatan
pengaruh tidak langsung variabel bebas (X) terhadap variabel tergantung (Y)
melalui variabel mediasi (M) atau menguji signifikansi pengaruh tak langsung
(perkalian pengaruh langsung variabel bebas terhadap variabel mediator (a)
dan pengaruh langsung variabel mediator terhadap variabel dependen (b)
menjadi (ab).
Uji signifikansi pengaruh tidak langsung (ab) dilakukan berdasarkan rasio antara
koefisien (ab) dengan standar error yang akan menghasilkan nilai t statistik.
Berdasarkan gambar model regresi dengan variabel mediasi pada halaman

sebelumnya, maka dapat dibuat dua persaman regresi sebagai berikut:
Persamaan 1 : Ŷ = α1 + bX
Persamaan 2 : Ŷ = α2 + b2X + b3Y
L. ANALISIS REGRESI DENGAN VARIABEL MEDIASI METODE KAUSAL STEP

Analisis regresi mediasi dengan metode kausal step dilakukan dengan langkah
membuat:
1. Persamaan regresi variabel bebas (X) terhadap variabel terikat (Y)
2. Persamaan regresi variabel bebas (X) terhadap variabel mediasi (M)
3. Persamaan regresi variabel bebas (X) terhadap variabel terikat (Y) dengan
memasukkan variabel mediasi (M) dalam persamaan.
4. Kesimpulan dengan kriteria seperti yang telah diuraikan di atas
Kasus 5
Seorang peneliti melakukan penelitian dengan tujuan untuk menganalisis apakah
variabel Kepuasan Pelanggan memediasi hubungan kausal Kualitas Pelayanan
terhadap Loyalitas. Untuk keperluan tersebut diambil sampel secara acak
sebanyak 30 orang sebagai responden.
1. Pertanyaan penelitian
a. Apakah Kualitas Pelayanan berpengaruh positif terhadap Loyalitas?
b. Apakah Kualitas Pelayanan berpengaruh positif terhadap Kepuasan
Pelanggan?
c. Apakah Kualitas Pelayanan berpengaruh positif melalui Kepuasan
Pelanggan sebagai variabel mediasi terhadap Loyalitas?
2. Hipotesis
H1 : Kualitas Pelayanan berpengaruh positif terhadap Loyalitas.
H2 : Kualitas Pelayanan berpengaruh positif terhadap Kepuasan Pelanggan
H3 : Kualitas Pelayanan berpengaruh positif melalui Kepuasan Pelanggan
sebagai variabel mediasi terhadap Loyalitas dengan.
3. Model Penelitian
Berdasarkan hipotesis tersebut maka dapat digambarkan model penelitian
sebagai berikut:
Kepuasan
Pelanggan
a b
Kualitas
Pelayanan Loyalitas
c
4. Analisis Data

Untuk melakukan analisis regresi menggunakan program SPSS dilakukan
dengan langkah sebagai berikut:
a. Meregresikan variabel bebas (X) terhadap variabel terikat (Y) dengan

langkah sebagai berikut :
1. Buka file Regresi Mediasi.sav
2. Klik Analyze, Regression, Linear
3. Masukkan variabel Loyalitas pada kotak Dependent

4. Masukkan variabel Kualitas Pelayanan pada kotak Independent(s)
5. Abaikan pilihan yang lain, klik OK

Output yang dihasilkan adalah sebagai berikut:
Model Summary

1 ,577a ,333 ,309 1,15404
a. Predictors: (Constant), Kualitas Pelayanan
Coefficientsa
Model B Std. Error Beta t Sig.
1 (Constant) 2,714 ,887 3,059 ,005
Kualitas Pelayanan ,528 ,141 ,577 3,735 ,001

a. Dependent Variable: Loyalitas
b. Meregresikan variabel bebas (X) terhadap variabel mediasi (M) dengan

langkah:
1. Klik Analyse, Regression, Linear
2. Masukkan variabel Kepuasan Pelanggan pada kotak Dependent

3. Masukkan variabel Kualitas Pelayanan pada kotak Independent(s)
4. Abaikan pilihan yang lain, klik OK

Model Summary

1 ,872a ,761 ,753 ,84130
a. Predictors: (Constant), Kualitas Pelayanan
Coefficientsa
1 (Constant) 1,098 ,647 1,697 ,101
Kualitas Pelayanan ,973 ,103 ,872 9,446 ,000
a. Dependent Variable: Kepuasan
c. Meregresikan variabel bebas terhadap variabel tergantung dengan

memasukkan variabel mediasi ke dalam persamaan. Langkah-langkahnya
adalah sebagai berikut :
1. Klik Analyze, Regression, Linear
2. Masukkan variabel Loyalitas pada kotak Dependent
3. Masukkan variabel Kualitas Pelayanan dan Kepuasan Pelanggan pada
kotak Independent.
4. Abaikan pilihan yang lain, Klik OK

Model Summary

1 ,711a ,505 ,468 1,01211
a. Predictors: (Constant), Kualitas Pelayanan, Kepuasan
Coefficientsa
1 (Constant) 1,949 ,817 2,384 ,024
Kepuasan ,697 ,227 ,850 3,066 ,005
Kualitas Pelayanan -,151 ,254 -,165 -,594 ,557
a. Dependent Variable: Loyalitas
Analisis Tabel Coefficientsa:

a. Unstandarized Coefficients dan Sig.
Pada persamaan pertama Kualitas Pelayanan terhadap loyalitas sebesar 0,528
dengan signifikansi 0,001 (Sig. < ) berarti terdapat pengaruh positif kualitas
pelayanan terhadap loyalitas.
Unstandarized Coefficients pada persamaan kedua, kualitas pelayanan

terhadap kepuasan pelanggan sebesar 0,973 dengan signifikansi 0,000 (Sig. < )
berarti terdapat pengaruh positif kualitas pelayanan terhadap kepuasan
pelanggan.

Unstandarized Coefficients pada persamaan ketiga Kualitas Pelayanan
terhadap Loyalitas dengan memasukkan variabel Kepuasan Pelanggan.
Unstandarized Coefficients kepuasan pelanggan terhadap loyalitas sebesar
0,697 dengan signifikansi 0,005 sehingga terdapat pengaruh positif kepuasan
terhadap Loyalitas.
Unstandarized Coefficients variabel Kualitas Pelayanan terhadap Loyalitas

sebesar -0,151 dengan signifikansi 0,557 (Sig. > ) sehingga tidak terdapat
pengaruh kualitas pelayanan terhadap loyalitas setelah memasukkan variabel
Kepuasan Pelanggan ke dalam persamaan.
Berdasarkan hasil analisis pada Coefficients maka dapat dibuat model hasil
analisis sebagai berikut:
Kepuasan
Pelanggan
a = 0,973 b = 0,697
Sig =0,000 Sb = 0,005
c = 0,528 Sig= 0,001

Kualitas c’ = -0,151 Sig=0,557
Pelayanan Loyalitas
b. Kesimpulan :
Uji Hipotesis
Berdasarkan hasil analisis diatas maka pengujian hipotesis dapat diketahui
bahwa:
1) Variabel bebas (Kualitas Pelayanan) berpengaruh positif terhadap
variabel terikat (Loyalitas)
2) Variabel bebas (Kualitas Pelayanan) berpengaruh positif terhadap
variabel Mediasi (Kepuasan Pelanggan).
3) Variabel bebas (Kualitas Pelayanan) tidak berpengaruh (berpengaruh
negatif) melalui variabel mediasi (Kepuasan Pelanggan) terhadap
variabel terikat (Loyalitas).
Koefisien Determinasi
Melalui hasil analisis diatas maka dapat diketahui besarnya pengaruh antar
variabel dengan berdasarkan nilai R Square sebagai berikut:
1) R Square sebesar 0,333 berarti bahwa variabel Loyalitas dapat dijelaskan
oleh variasi variabel Kualitas Pelayanan sebesar 33,3% sedangkan sisanya
dijelaskan oleh faktor lain (epsilon).

2) R Square sebesar 0,761 berarti bahwa variabel Kepuasan Pelanggan
dapat dijelaskan oleh variasi variabel Kualitas Pelayanan sebesar 76,1%
sedangkan sisanya dijelaskan oleh faktor lain (epsilon).
3) Sehubungan adanya variabel mediasi (Kepuasan Pelangggan) maka
yang digunakan adalah R Square Adjusted sebesar 0,468 berarti bahwa
variabel Loyalitas dapat dijelaskan oleh variasi variabel Kualitas
Pelayanan dan variabel Kepuasan Pelanggan sebesar 46,8% sedangkan
sisanya dijelaskan oleh faktor lain (epsilon).
M. LATIHAN
Kasus 6
Berikut ini adalah data tentang kepuasan kerja, komitmen organisasi, dan kinerja
pegawai dari 30 orang pegawai:
Kepuasan Komitmen Kinerja Kepuasan Komitmen Kinerja

No No
Kerja Organisasi Pegawai Kerja Organisasi Pegawai
1 8 7 9 16 5 4 6
2 8 6 9 17 5 4 6
3 5 4 6 18 6 5 7
4 5 3 5 19 4 3 5
5 5 4 6 20 7 6 8
6 7 5 7 21 4 4 5
7 4 3 5 22 4 3 5
8 3 2 3 23 7 5 8
9 5 4 6 24 7 6 8
10 4 3 5 25 6 5 7
11 7 6 8 26 8 7 9
12 5 4 6 27 6 5 7
13 4 3 5 28 4 3 5
14 3 2 4 29 5 4 6
15 3 2 3 30 5 4 5

a. Gunakan metode kausal step, tentukan:
1) Pertanyaan penelitian
2) Hipotesis penelitian
b. Kesimpulan apakah yang diperoleh berkaitan dengan Uji Hipotesis dan koefisien
determinasi?

TUGAS
Buatlah pengolahan data menggunakan Analisis Regresi dengan Variabel Mediasi
menggunakan Metode Kausal Step, dengan ketentuan:
a. Jumlah variabel yang diteliti sebanyak 1 variabel bebas, 1 variabel terikat dan
1 variabel mediasi.
b. Jumlah data minimal 30 buah per variabel penelitian
c. Berikan analisis dan kesimpulan dari hasil outputnya!

TUJUAN PRAKTIKUM:
Mengenalkan Analisis Jalur (Path Analysis) model persamaan satu jalur dan
mengolah datanya menggunakan software SPSS untuk menganalisis hubungan
kausal antar variabel dan mengetahui pengaruh langsung dan tidak langsung
melalui nilai koefisien jalur dan koefisien determinasi pada model yang diteliti.
A. KONSEP DASAR ANALISIS JALUR (PATH ANALYSIS)

Analisis Jalur (Path Analysis) pertama kali dikembangkan oleh Sewall Wright pada
tahun 1934. Analisis jalur digunakan untuk menganalisis hubungan kausal antar
variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung
variabel penyebab terhadap sebuah variabel akibat, berbeda dengan analisis
regresi yang bertujuan untuk peramalan endogenous variable (Y) atas exogenous
variable (X1, X2,…, Xi).
Model kausal yang akan dianalisis dengan analisis jalur harus dibuat terlebih dahulu
sebelum pelaksanaan penelitian atau sebelum pelaksanaan analisis data.
Perancangan model penelitian pada analisis jalur didasarkan pada landasan teori
bidang yang dikaji. Setelah secara konseptual serta berdasar pada suatu kerangka
pemikiran, maka baru dapat dinyatakan secara jelas bagaimana hubungan
kausal antar variabel penelitiannya.
Beberapa asumsi yang digunakan pada analisis jalur adalah sebagai berikut:
1. Hubungan antar variabel harus linier dan aditif.
2. Semua variabel residu tidak punya korelasi satu sama lain.
3. Pola hubungan antar variabel adalah rekursif atau hubungan yang tidak
melibatkan arah pengaruh yang timbal balik.
4. Tingkat pengukuran semua variabel sekurang-kurangnya adalah interval.
Untuk menentukan koefisien jalur maka dipergunakan perumusan yang didasarkan

pada koefisien korelasi, yang matriks koefisien korelasinya terlebih dahulu dihitung
1. Membuat diagram jalur, yang menggambarkan hipotesis penelitian.

2. Menghitung matriks korelasi antar variabel.
𝑋1 𝑋2 𝑋3 𝑋𝑖 𝑌
1 𝑟𝑋1 𝑋2 𝑟𝑋1 𝑋3 𝑟𝑋1 𝑋𝑖 𝑟𝑋1 𝑌
𝑅1 = | 1 𝑟𝑋2 𝑋3 𝑟𝑋2 𝑋𝑖 𝑟𝑋1 𝑌
|
| 1 𝑟𝑋3 𝑋𝑖 𝑟𝑋1 𝑌 |
1 𝑟𝑋1 𝑌
1
3. Menghitung matriks korelasi antar variabel bebas.
65
Pengolahan Data Dengan SPSS - Program Studi Manajemen S1 - 2020
𝑋1 𝑋2 𝑋3 𝑋𝑖
1 𝑟𝑋1 𝑋2 𝑟𝑋1 𝑋3 𝑟𝑋1 𝑋𝑖
𝑅1 = 1 𝑟𝑋2 𝑋3 𝑟𝑋2 𝑋𝑖
| |
1 𝑟𝑋3 𝑋𝑖
1
4. Menghitung matriks invers korelasi R1-1 antar variabel bebas.
𝐶11 𝐶12 𝐶13 𝐶1𝑖
𝑅1 = 𝐶21 𝐶22 𝐶23 𝐶2𝑖
| |
𝐶31 𝐶32 𝐶33 𝐶3𝑖
𝐶𝑖1 𝐶𝑖2 𝐶𝑖3 𝐶𝑖𝑖
5. Menghitung R2Y (X1, X2, X3, Xi), yaitu koefisien yang menyatakan determinasi
total dengan menggunakan rumus:
𝑟𝑌𝑋1
𝑟𝑌𝑋 2
𝑅 2 𝑌(𝑋1 , 𝑋2 , 𝑋3 , 𝑋𝑖 ) = 𝑃𝑌𝑋1 𝑃𝑌𝑋2 𝑃𝑌𝑋3 𝑃𝑌𝑋 × | |
𝑟𝑌𝑋3
𝑟𝑌𝑋𝑖
6. Menghitung besarnya koefisien pengaruh variabel-variabel lainnya terhadap Y

dan di luar Xi, dengan menggunakan rumus sebagai berikut:
𝑃𝑌𝜀𝑖 = √1 − 𝑅 2 𝑌(𝑋1 , 𝑋2 , 𝑋3 , 𝑋𝑖 )
7. Menghitung nilai F statistik untuk menguji keberartian koefisien jalur secaa

keseluruhan (Ketepatan model).
(𝑛−𝑘−1)𝑅2 𝑌(𝑋1 ,𝑋2 ,…..,𝑋𝑖 )

𝐹=
𝑘(𝑅2 𝑌(𝑋1 ,𝑋2 ,…..,𝑋𝑖 )
8. Menghitung nilai t statistik untuk menguji keberartian koefisien jalur secara

parsial, dengan rumus sebagai berikut:
𝑃𝑌𝑋𝑖
𝑡=
(1 − 𝑅 2 𝑌𝑋𝑖)𝐶𝑖𝑖
√
(𝑛 − 𝑘 − 1)
9. Melakukan trimming terhadap variabel yang tidak memiliki pengaruh signifikan

jika diperlukan.
10. Menghitung pengaruh secara proporsional, yaitu menghitung pengaruh

langsung dan tidak langsung variabel bebas terhadap variabel tergantungnya.
B. ANALISIS JALUR (PATH ANALYSIS) MODEL PERSAMAAN SATU JALUR
66
Kasus 7
Seorang peneliti melakukan penelitian dengan tujuan menganalisis pengaruh
Orientasi Konsumen, Orientasi Pesaing dan Koordinasi Antar Fungsi terhadap Kinerja
Pemasaran. Pada kasus ini variabel penelitian diukur menggunakan skala 0 sampai
100. Untuk keperluan itu diambil sampel secara acak sebanyak 20 perusahaan.
Data yang berhasil dikumpulkan adalah sebagai berikut:
Orientasi Orientasi Koordinasi Kinerja

No. Konsumen Pesaing Antar Fungsi Pemasaran
X1 X2 X3 Y
1. 20 50 10 20
2. 19 40 15 11
3. 13 40 15 14
4. 11 25 13 15
5. 29 60 45 50
6. 40 45 40 40
7. 50 65 55 70
8. 45 40 35 65
9. 65 30 75 75
10. 60 35 75 80
11. 45 30 80 35
12. 35 25 80 35
13. 65 85 55 60
14. 60 80 35 65
15. 80 95 45 90
16. 85 65 45 95
17. 95 40 70 65
18. 90 50 75 65
19. 40 85 75 90
20. 45 95 60 98
1. Pertanyaan Penelitian
g. Apakah terdapat pengaruh positif orientasi konsumen, orientasi pesaing dan
koordinasi antar fungsi terhadap kinerja pemasaran?
h. Apakah terdapat pengaruh positif orientasi konsumen terhadap kinerja
pemasaran?
i. Apakah terdapat pengaruh positif orientasi pesaing terhadap kinerja
pemasaran?
j. Apakah terdapat pengaruh positif koordinasi antar fungsi terhadap kinerja
pemasaran?
2. Hipotesis
67
• H1 : terdapat pengaruh positif orientasi konsumen, orientasi pesaing dan
koordinasi antar fungsi terhadap kinerja pemasaran.
• H2 : terdapat pengaruh positif orientasi konsumen terhadap kinerja
pemasaran.
• H3 : terdapat pengaruh positif orientasi pesaing terhadap kinerja
pemasaran.
• H4 : terdapat pengaruh positif koordinasi antar fungsi terhadap kinerja
pemasaran.
3. Kriteria Pengujian
Kriteris pengujian H1 sampai H4 menggunakan uji satu ujung sebelah kanan
sehingga kriteria pengujiannya adalah sebagai berikut:
Uji Simultan:
• Ho ditolak jika F hitung > F tabel atau Sig.< 0,05
• H1 diterima jika F hitung < F tabel atau Sig.> 0,05
Uji Parsial:
• Ho ditolak jika t hitung > t tabel atau Sig.< 0,05
• H1 diterima jika t hitung < t tabel atau Sig.> 0,05
4. Menggambar Diagram Jalur (Path Diagram)
Orientasi
Konsumen PYX1 
rx1x2 PY
Orientasi PYX2 Kinerja

rx1x3
Pesaing Pemasaran
rx2x3
PYX3
Koordinasi
Antar Fungsi
5. Analisis Data
68
Untuk melakukan analisis jalur dengan SPSS dilakukan dengan langkah sebagai
berikut:
1. Lakukan analisis korelasi antar variabel eksogen (independen), yaitu dengan
mengkorelasikan variabel Orientasi Konsumen, Orientasi Pesaing, dan
Koordinasi antar Fungsi. Langkahnya sebagai berikut:
a. Buka file Analisis Jalur.sav
b. Klik Analyze, Correlate, Bivariate.
c. Masukkan variabel Orientasi Konsumen (OK), Orientasi Pesaing (OP), dan

Koordinasi Antar Fungsi (KAF) pada kotak Variables.
d. Abaikan pilihan pada Correlation Coeficients, biarkan tetap pada posisi
Pearson.
e. Abaikan pilihan lainnya lalu klik OK.
69
Correlations
Orientasi Orientasi Koordinasi
Konsumen Pesaing Antar Fungsi
Orientasi Konsumen Pearson Correlation 1 .293 .569**
Sig. (2-tailed) .210 .009
N 20 20 20
Orientasi Pesaing Pearson Correlation .293 1 .017
Sig. (2-tailed) .210 .942
N 20 20 20
Koordinasi Antar Fungsi Pearson Correlation .569** .017 1
Sig. (2-tailed) .009 .942
N 20 20 20
**. Correlation is significant at the 0.01 level (2-tailed).
Analisis Tabel Correlations:

Pada output di atas terlihat bahwa:
• Korelasi antara Orientasi Konsumen dengan Orientasi Pesaing sebesar 0,293
artinya korelasi tidak kuat, dengan Sig. 0,210 > 0,05 artinya hubungan tidak
signifikan.
• Korelasi antara Orientasi Konsumen dan Koordinasi Antar Fungsi sebesar
0,569 artinya korelasi cukup kuat dengan Sig. 0,009 < 0,05 artinya hubungan
signifikan.
• Korelasi antara Orientasi Pesaing dengan Koordinasi Antar Fungsi sebesar
0,017 artinya korelasi tidak kuat, dengan nilai Sig. 0,942 > 0,05 artinya
hubungan tidak signifikan.
70
2. Lakukan analisis regresi untuk menghitung koefisien jalur Orientasi Konsumen,
Orientasi Pesaing dan Koordinasi Antar Fungsi terhadap Kinerja Pemasaran.
Langkahnya dalah sebagai berikut:
a. Klik Analyze, Regression, Linear.
b. Masukkan variabel Kinerja Pemasaran pada kotak Dependent.

c. Masukkan variabnel Orientasi Konsumen, Orientasi Pesaing, dan Koordinasi
Antar Fungsi pada kotak Independent(s).
d. Abaikan pilihan yang lain lalu klik OK.
Model Summary
Mode R R Square Adjusted R Std. Error of
l Square the Estimate
1 .874a .763 .719 14.894
a. Predictors: (Constant), Koordinasi Antar Fungsi, Orientasi
Pesaing, Orientasi Konsumen
71
ANOVAa
Model Sum of df Mean F Sig.
Squares Square
Regression 11444.550 3 3814.850 17.197 .000b
1 Residual 3549.250 16 221.828
Total 14993.800 19
a. Dependent Variable: Kinerja Pemasaran
b. Predictors: (Constant), Koordinasi Antar Fungsi, Orientasi Pesaing,
Orientasi Konsumen
Coefficientsa
Model Unstandardized Standardized t Sig.
B Std. Error Beta
(Constant) -16.135 11.084 -1.456 .165
Orientasi Konsumen .413 .175 .371 2.352 .032
1
Orientasi Pesaing .606 .156 .503 3.880 .001
Koordinasi Antar Fungsi .398 .177 .339 2.251 .039
a. Dependent Variable: Kinerja Pemasaran
ANALISIS HASIL:
a. Tabel Model Summary
Pada output Model Summary diperoleh nilai R Square sebesar 0,763 berarti
variasi Kinerja Pemasaran dapat dijelaskan oleh variasi Orientasi Konsumen,
Orientasi Pesaing dan Koordinasi Antar Fungsi sebesar 76,3%. Sisanya sebesar
23,7% ditentukan oleh variasi variabel lain yang tidak diteliti.
b. Tabel ANOVAb (Uji Simultan)

Pada output ANOVA diperoleh nilai F hitung sebesar 17,197 sedangkan nilai F
tabel dengan Df (0,05;3;16) adalah 3,329 dengan nilai Sig. 0,000. Karena nilai F
hitung > F tabel atau nilai Sig. < 0,05 maka dapat disimpulkan bahwa variabel
Orientasi Konsumen, Orientasi Pesaing dan Koordinasi Antar Fungsi secara
simultan mampu menjelaskan perubahan pada variabel Kinerja Pemasaran
atau model dinyatakan cocok atau fit.
c. Tabel Coefficientsa (Uji Parsial)

Pada output Coefficients terlihat nilai Standardized Coefficients (Beta):
1) Koefisien Jalur Orientasi Konsumen terhadap Kinerja Pemasaran sebesar
0,371 dengan arah koefisien positif.
2) Koefisien Jalur Orientasi Pesaing terhadap Kinerja Pemasaran sebesar 0,503
dengan arah koefisien positif.
3) Koefisien Jalur Koordinasi Antar Fungsi terhadap Kinerja Pemasaran sebesar
0,339 dengan arah koefisien positif.
72
Hasil koefisien korelasi dan koefisien jalur tersebut masukkan ke dalam model.
Orientasi
Konsumen
0,371 
(X1)
0,293 PY
Orientasi 0,503 Kinerja

0,569 Pesaing Pemasaran
(X2) (Y)
0,017
Koordinasi 0,339
Antar Fungsi
(X3)
Menghitung Pengaruh secara Proporsional

1) Pengaruh X1 terhadap Y
a. Pengaruh langsung (PYX1) x (PYX1)
0,371 x 0,371 = 0,137
b. Pengaruh tidak langsung
Melalui X2 (PYX1) x (rX1X2) x (PYX2)
0,371 x 0,293 x 0,503 = 0,055
0,371 x 0,569 x 0,339 = 0,071 +
c. Pengaruh total X1 terhadap Y = 0,263
0,503 x 0,503 = 0,253
0,503 x 0,293 x 0,371 = 0,055
0,503 x 0,017 x 0,339 = 0,003 +
c. Pengaruh total X2 terhadap Y = 0,310
73
0,339 x 0,339 = 0,115
0,339 x 0,569 x 0,371 = 0,071
0,339 x 0,017 x 0,503 = 0,003 +
c. Pengaruh total X3 terhadap Y =
0,188 +
4) Pengaruh secara keseluruhan terhadap Y = 0,763
6. Pengujian Hipotesis
Untuk pengujian hipotesis dengan kaidah keputusan jika t hitung > t tabel atau nilai
Sig. < 0,05 maka Ho ditolak, hasil pada output Coefficientsa diperoleh:
a. Orientasi Konsumen dengan nilai t atau t hitung sebesar 2,352 dan nilai Sig.
sebesar 0,032.
b. Orientasi Pesaing dengan nilai t atau t hitung sebesar 3,880 dan nilai Sig. sebesar
0,001.
c. Koordinasi Antar Fungsi dengan nilai t atau t hitung sebesar 2,251 dan nilai Sig.
sebesar 0,039.
Berdasarkan Uji Simultan dan Uji Parsial diperoleh hasil nilai F hitung > F tabel (17,197
> 3,329) dan semua nilai t atau t hitung > t tabel (1,746) dengan nilai Sig. < 0,05
maka dapat disimpulkan sebagai berikut:
1. Orientasi Konsumen, Orientasi Pesaing dan Koordinasi Antar Fungsi
berpengaruh positif terhadap Kinerja Pemasaran.
2. Orientasi Konsumen berpengaruh positif terhadap Kinerja Pemasaran.
3. Orientasi Pesaing berpengaruh positif terhadap Kinerja Pemasaran.
4. Koordinasi Antar Fungsi berpengaruh positif terhadap Kinerja Pemasaran.
C. LATIHAN
Seorang peneliti akan menguji pengaruh Inovasi Produk, Inovasi Proses, dan Inovasi
Administratif terhadap Kinerja Bisnis. Data yang dikumpulkan dari 20 manajer diukur
dengan skala 1 – 100. Data yang dikumpulkan adalah:
Inovasi Inovasi Inovasi Kinerja

No
Proses Produk Administratif Bisnis
1. 22 55 40 25
2. 20 45 20 15
3. 15 45 20 15
4. 14 30 15 20
5. 30 65 50 50
6. 45 50 35 45
7. 55 50 50 75
74
Inovasi Inovasi Inovasi Kinerja
No
Proses Produk Administratif Bisnis
8. 40 45 30 65
9. 60 35 70 75
10. 58 40 70 70
11. 40 35 75 40
12. 40 30 75 35
13. 60 80 50 75
14. 58 85 30 80
15. 78 90 50 80
16. 80 60 35 90
17. 90 45 75 60
18. 85 55 70 65
19. 45 80 80 85
20. 50 75 65 90

a. Buatlah diagram jalur (path diagram)!
b. Pertanyaan penelitian, hipotesis, dan Kriteria pengujian!
c. Hitunglah koefisien korelasi dan koefisien jalur!
d. Hitunglah koefisien determinasi dan koefisien pengaruh variabel lain!
e. Hitunglah pengaruh secara proporsional!
f. Ujilah hipotesis secara simultan dan ketepatan model dengan Uji F!
g. Ujilah hipotesis secara parsial dengan menggunakan uji t!
TUGAS
Buatlah pengolahan data menggunakan Analisis Jalur dengan Model Persamaan
Satu Jalur dengan ketentuan sebagai berikut:
o. Variabel bebas minimal 2 buah dan variabel terikat 1 buah
p. Responden/Sampel minimal 50 buah.
q. Buatlah diagram jalur (path diagram)!
r. Pertanyaan penelitian, hipotesis, dan Kriteria pengujian!
s. Hitunglah koefisien korelasi dan koefisien jalur!
t. Hitunglah koefisien determinasi dan koefisien pengaruh variabel lain!
u. Hitunglah pengaruh secara proporsional!
v. Ujilah hipotesis secara simultan dan ketepatan model dengan Uji F!
w. Ujilah hipotesis secara parsial dengan menggunakan uji t!
75
TUJUAN PRAKTIKUM:
Mengenalkan Analisis Jalur (Path Analysis) model persamaan dua jalur dan
mengolah datanya menggunakan software SPSS untuk menganalisis hubungan
kausal antar variabel dan mengetahui pengaruh langsung dan tidak langsung
melalui nilai koefisien jalur dan koefisien determinasi pada model yang diteliti.
D. KONSEP DASAR ANALISIS JALUR (PATH ANALYSIS)

Untuk menentukan koefisien jalur maka dipergunakan perumusan yang didasarkan
pada koefisien korelasi, yang matriks koefisien korelasinya terlebih dahulu dihitung
11. Membuat diagram jalur, yang menggambarkan hipotesis penelitian.
12. Menghitung matriks korelasi antar variabel.
𝑋1 𝑋2 𝑋3 𝑋𝑖 𝑌
1 𝑟𝑋1 𝑋2 𝑟𝑋1 𝑋3 𝑟𝑋1 𝑋𝑖 𝑟𝑋1 𝑌
1 𝑟𝑋2 𝑋3 𝑟𝑋2 𝑋𝑖 𝑟𝑋1 𝑌
𝑅1 = | |
| 1 𝑟𝑋3 𝑋𝑖 𝑟𝑋1 𝑌 |
1 𝑟𝑋1 𝑌
1
13. Menghitung matriks korelasi antar variabel bebas.
1 𝑟𝑋1 𝑋2 𝑟𝑋1 𝑋3 𝑟𝑋1 𝑋𝑖
𝑅1 = 1 𝑟𝑋2 𝑋3 𝑟𝑋2 𝑋𝑖
| |
1 𝑟𝑋3 𝑋𝑖
1
14. Menghitung matriks invers korelasi R1-1 antar variabel bebas.
𝐶11 𝐶12 𝐶13 𝐶1𝑖
𝑅1 = 𝐶21 𝐶22 𝐶23 𝐶2𝑖
| |
𝐶31 𝐶32 𝐶33 𝐶3𝑖
𝐶𝑖1 𝐶𝑖2 𝐶𝑖3 𝐶𝑖𝑖
15. Menghitung R2Y (X1, X2, X3, Xi), yaitu koefisien yang menyatakan determinasi
total dengan menggunakan rumus:
𝑟𝑌𝑋1
𝑟𝑌𝑋 2
𝑅 2 𝑌(𝑋1 , 𝑋2 , 𝑋3 , 𝑋𝑖 ) = 𝑃𝑌𝑋1 𝑃𝑌𝑋2 𝑃𝑌𝑋3 𝑃𝑌𝑋 × | |
𝑟𝑌𝑋3
𝑟𝑌𝑋𝑖
16. Menghitung besarnya koefisien pengaruh variabel-variabel lainnya terhadap Y
dan di luar Xi, dengan menggunakan rumus sebagai berikut:
𝑃𝑌𝜀𝑖 = √1 − 𝑅 2 𝑌(𝑋1 , 𝑋2 , 𝑋3 , 𝑋𝑖 )

17. Menghitung nilai F statistik untuk menguji keberartian koefisien jalur secaa
keseluruhan (Ketepatan model).
(𝑛−𝑘−1)𝑅 2 𝑌(𝑋1 ,𝑋2 ,…..,𝑋𝑖 )

𝐹=
𝑘(𝑅2 𝑌(𝑋1 ,𝑋2 ,…..,𝑋𝑖 )
18. Menghitung nilai t statistik untuk menguji keberartian koefisien jalur secara
parsial, dengan rumus sebagai berikut:
𝑃𝑌𝑋𝑖
𝑡=
(1 − 𝑅 2 𝑌𝑋𝑖)𝐶𝑖𝑖
√
(𝑛 − 𝑘 − 1)
19. Melakukan trimming terhadap variabel yang tidak memiliki pengaruh signifikan
jika diperlukan.
20. Menghitung pengaruh secara proporsional, yaitu menghitung pengaruh

langsung dan tidak langsung variabel bebas terhadap variabel terikatnya.
E. ANALISIS JALUR (PATH ANALYSIS) MODEL PERSAMAAN DUA JALUR

Pada Kasus 7 sebelumnya, merupakan kasus analisis jalur yang sederhana karena
model diagram jalur tersebut hanya memiliki satu sub-struktur (jalur) penelitian.
Untuk model diagram jalur yang memiliki dua atau lebih sub-struktur maka dapat
dikatakan sebagai model diagram jalur yang kompleks.
Untuk mengerti dan memahami Analisis Jalur (Path Analysis) yang kompleks maka
pada kasus berikut digunakan model penelitian yang terdiri dari dua sub-struktur
(jalur) penelitian.
Kasus 8
Seorang peneliti melakukan penelitian dengan tujuan menganalisis pengaruh
Harga dan Fasilitas terhadap Produk serta dampaknya pada Citra Pelanggan.
Pada kasus ini variabel penelitian diukur menggunakan skala 0 sampai 100. Untuk
keperluan itu diambil sampel secara acak sebanyak 12 perusahaan. Data yang
berhasil dikumpulkan adalah sebagai berikut:
Citra
Harga Fasilitas Produk
No. Pelanggan
X1 X2 Y Z
1. 36 55 64 68
2. 46 45 55 58
3. 47 60 72 71
4. 25 35 50 45
5. 68 64 79 80
6. 69 44 77 75

Citra
No. Pelanggan
X1 X2 Y Z
7. 57 64 78 80
8. 49 65 72 69
9. 58 63 66 67
10. 67 74 82 80
11. 79 84 87 85
12. 52 73 82 81
7. Pertanyaan Penelitian
k. Apakah terdapat pengaruh positif variabel Harga dan Fasilitas terhadap
variabel Produk secara simultan?
l. Apakah terdapat pengaruh positif variabel Harga terhadap variabel
Produk?
m. Apakah terdapat pengaruh positif variabel Fasilitas terhadap variabel
Produk?
n. Apakah terdapat korelasi positif antara variabel Harga (X1) dengan Fasilitas
(X2)?
o. Apakah terdapat pengaruh positif variabel Harga, Fasilitas dan Produk
terhadap variabel Citra Pelanggan secara simultan?
p. Apakah terdapat pengaruh positif variabel Harga terhadap variabel Citra
Pelanggan?
q. Apakah terdapat pengaruh positif variabel Fasilitas terhadap variabel Citra
Pelanggan?
r. Apakah terdapat pengaruh positif variabel Produk terhadap variabel Citra
Pelanggan?
8. Hipotesis
• H1 : terdapat pengaruh positif variabel Harga dan Fasilitas terhadap
variabel Produk secara simultan.
• H2 : terdapat pengaruh positif variabel Harga terhadap variabel Produk.
• H3 : terdapat pengaruh positif variabel Fasilitas terhadap variabel Produk.
• H4 : terdapat korelasi positif variabel Harga dengan variabel Fasiitas.
• H5 : terdapat pengaruh positif variabel Harga, Fasilitas dan Produk
terhadap variabel Citra Pelanggan secara simultan.
• H6 : terdapat pengaruh positif variabel Harga terhadap variabel Citra
Pelanggan.
• H7 : terdapat pengaruh positif variabel Fasilitas terhadap variabel Citra
Pelanggan.
• H8 : terdapat pengaruh positif variabel Produk terhadap variabel Citra
Pelanggan.

9. Kriteria Pengujian
Kriteris pengujian hipotesis satu sampai tiga menggunakan uji satu ujung
sebelah kanan sehingga kriteria pengujiannya adalah sebagai berikut:
• Ho ditolak jika t tabel > t hitung, atau
• H1 diterima jika t hitung > t tabel.
10. Menggambar Diagram Jalur (path diagram)
PYZX1
Harga 2
1
PYX1 PY1 PY2
PZY Citra
rx1x2 Produk Pelanggan
PYX2
Fasilitas
PYZX2
Analisis Jalur dengan Model Persamaan Dua Jalur dilakukan dalam 2 (dua) tahap,
yaitu;
a) Tahap 1, proses pengolahan data analisis jalur berdasarkan Sub Struktur Model
1 (X1 dan X2 terhadap Y).
b) Tahap 2, proses pengolahan data analisis jalur berdasarkan Sub Struktur Model
2 (X1, X2 dan Y terhadap Z).
TAHAP 1 – SUB STRUKTUR MODEL 1 (X1 dan X2 TERHADAP Y)

3. Buatlah Sub Struktur Model 1 (X1 dan X2 terhadap Y) untuk memudahkan proses
pengolahan dengan SPSS
Harga PYX1 1
PY
rx1x2 Produk
PYX2
Fasilitas
Model 1 (X1 dan X2 Terhadap Y)

4. Lakukan analisis korelasi antar variabel, yaitu dengan mengkorelasikan variabel
Harga, Fasilitas, dan Produk. Langkahnya adalah sebagai berikut:
f. Buka file Analisis Dua Jalur.sav.
g. Klik Analyze, Correlate, Bivariate.
h. Masukkan variabel Harga (X1), Fasilitas (X2), dan Produk (Y) pada kotak
Variables.
i. Abaikan pilihan pada Correlation Coeficients, biarkan tetap pada posisi
Pearson.
j. Abaikan pilihan lainnya lalu klik OK.

Correlations
Harga Pearson Correlation 1 ,645* ,829**
Sig. (2-tailed) ,024 ,001
N 12 12 12
Fasilitas Pearson Correlation ,645* 1 ,824**
Sig. (2-tailed) ,024 ,001
N 12 12 12
Produk Pearson Correlation ,829** ,824** 1
Sig. (2-tailed) ,001 ,001
N 12 12 12
*. Correlation is significant at the 0.05 level (2-tailed).

Pada output di atas terlihat bahwa korelasi antara:
• Harga dengan Fasilitas sebesar 0,645 artinya korelasi erat, dan nilai Sig. < 
(0,024 < 0,05) maka antara Harga dengan Fasilitas berkorelasi signifikan.
• Harga dan Produk sebesar 0,829 artinya korelasi sangat erat, dan nilai Sig. <
 (0,001 < 0,05) maka antara Harga dengan Produk berkorelasi signifikan.
• Fasilitas dengan Produk sebesar 0,824 artinya korelasi sangat erat, dan nilai
Sig. <  (0,001 < 0,05) maka antara Fasilitas dengan Produk berkorelasi
signifikan.
5. Lakukan analisis regresi untuk menghitung koefisien jalur Harga dan Fasilitas
terhadap Produk. Langkahnya adalah sebagai berikut:
e. Klik Analyze, Regression, Linear.
f. Masukkan variabel Produk pada kotak Dependent.

g. Masukkan variabel Harga dan Fasilitas pada kotak Independent(s).
h. Abaikan pilihan yang lain lalu klik OK.
Model Summaryb

Model R R Square Adjusted R Std. Error of
Square the Estimate
1 ,912a ,831 ,794 5,13964
a. Predictors: (Constant), Fasilitas, Harga

b. Dependent Variable: Produk
ANOVAa
Model Sum of df Mean Square F Sig.

Squares
Regression 1170,257 2 585,129 22,151 ,000b
1 Residual 237,743 9 26,416
Total 1408,000 11
a. Dependent Variable: Produk

b. Predictors: (Constant), Fasilitas, Harga
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.

Coefficients
B Std. Error Beta
(Constant) 27,026 7,069 3,823 ,004
1 Harga ,379 ,133 ,510 2,845 ,019
Fasilitas ,402 ,146 ,495 2,763 ,022
a. Dependent Variable: Produk
ANALISIS:
d. Tabel Model Summary
Pada output Model Summary diperoleh nilai R Square sebesar 0,831, berarti
variasi Produk dapat dijelaskan oleh variasi Harga dan Fasilitas sebesar 83,1
persen. Sisanya sebesar 16,9% oleh variasi variabel lain yang tidak diteliti.
e. Tabel ANOVAb (Uji Simultan)

Pada output ANOVA diperoleh nilai F (F hitung) sebesar 22,151 sedangkan
nilai F tabel dengan Df(0,05;2;8) adalah 4,256 dan nilai Sig. 0,000.
Karena nilai F hitung > F tabel (22,151 > 4,256) atau nilai Sig. <  (0,000 < 0,05)
maka dapat disimpulkan bahwa variabel Harga dan Fasilitas secara
simultan mampu menjelaskan perubahan pada variabel Produk atau model
dinyatakan cocok atau fit.
f. Tabel Coefficientsa (Uji Parsial)

Pada output terlihat nilai Standardized Coefficients (Beta):
1) Koefisien jalur Harga terhadap Produk sebesar 0,510 dengan arah positif.
2) Koefisien jalur Fasilitas terhadap Produk sebesar 0,495 dengan arah
positif.
Hasil pada Sub Struktur Model 1:
Harga PYX1=0,510 1
PY=0,411
rx1x2=0,645 Produk
PYX2=0,495
Fasilitas

1. Pengaruh X1 terhadap Y
0,510 x 0,510 = 0,260
2) Pengaruh tidak langsung
0,510 x 0,645 x 0,495 = 0,163 +
3) Pengaruh total X1 terhadap Y = 0,423
0,495 x 0,495 = 0,245
0,495 x 0,645 x 0,510 = 0,163 +
c. Pengaruh total X2 terhadap Y = 0,408 +
3) Pengaruh secara keseluruhan terhadap Y = 0,831
Pengujian Hipotesis
d. Harga dengan nilai t atau t hitung sebesar 2,845 dan nilai Sig. sebesar 0,019.
e. Fasilitas dengan nilai t atau t hitung sebesar 2,763 dan nilai Sig. sebesar 0,022.
Berdasarkan Uji Simultan dan Uji Parsial pada Sub Struktur Model 1 diperoleh hasil
nilai F hitung > F tabel (22,151 > 4,256) dan semua nilai t atau t hitung > t tabel (1,746)
dengan nilai Sig. < 0,05 maka dapat disimpulkan sebagai berikut:
1. Harga (X1) dan Fasilitas (X2) berpengaruh positif terhadap Produk (Y).

2. Harga (X1) berpengaruh positif terhadap Produk (Y).
3. Fasilitas (X2) berpengaruh positif terhadap Produk (Y).
4. Harga (X1) berkorelasi positif dengan Fasilitas (X2)
TAHAP 2 – SUB STRUKTUR MODEL 2 (X1, X2 DAN Y TERHADAP Z)

Proses pengerjaannya sama dengan Tahap 1 – Sub Struktur Model 1, hanya pada
Tahap 2 ini memasukkan variabel Citra Pelanggan (Z).
1. Buatlah Sub Struktur Model 2 (X1, X2 dan Y terhadap Z) untuk memudahkan

proses pengolahan dengan SPSS
PYZX1
Harga 2
1
PYX1
PY2
PY1
rx1x2 Citra
Produk Pelanggan
PZY
PYX2
Fasilitas
PYZX2
Sub Struktur Model 2 (X1, X2 dan Y Terhadap Z)
2. Lakukan analisis korelasi antar variabel, yaitu dengan mengkorelasikan variabel

Harga, Fasilitas, Produk dan Citra Pelanggan. Langkahnya berikut:
k. Klik Analyze, Correlate, Bivariate.
l. Masukkan variabel Harga (X1), Fasilitas (X2), Produk (Y), dan Citra
Pelanggan (Z) pada kotak Variables.
m. Abaikan pilihan pada Correlation Coeficients, biarkan tetap pada posisi
Pearson.
n. Abaikan pilihan lainnya lalu klik OK.

Correlations
Harga Fasilitas Produk Citra

Pelanggan
Harga Pearson Correlation 1 ,645* ,829** ,821**
Sig. (2-tailed) ,024 ,001 ,001
N 12 12 12 12
Fasilitas Pearson Correlation ,645* 1 ,824** ,822**
Sig. (2-tailed) ,024 ,001 ,001
N 12 12 12 12
Produk Pearson Correlation ,829** ,824** 1 ,973**
Sig. (2-tailed) ,001 ,001 ,000
N 12 12 12 12
Citra Pelanggan Pearson Correlation ,821** ,822** ,973** 1
Sig. (2-tailed) ,001 ,001 ,000
N 12 12 12 12
*. Correlation is significant at the 0.05 level (2-tailed).


Pada output di atas terlihat bahwa korelasi antara:
4. Harga dengan Fasilitas sebesar 0,645 artinya korelasi kuat, dengan nilai Sig.
<  (0,024 < 0,05) maka antara Harga dengan Fasilitas berkorelasi signifikan.
5. Harga dengan Produk sebesar 0,829 artinya korelasi sangat kuat dan nilai
Sig. <  (0,001 < 0,05) maka antara Harga dengan Produk berkorelasi
signifikan.
6. Harga dengan Citra Pelanggan sebesar 0,821 artinya korelasi sangat kuat,
dengan nilai Sig. <  (0,001 < 0,05) maka antara Harga dengan Citra
Pelanggan berkorelasi signifikan.
7. Fasilitas dengan Produk sebesar 0,824 artinya korelasi sangat kuat, dengan
nilai Sig. <  (0,001 < 0,05) maka antara Fasilitas dengan Produk berkorelasi
signifikan.
8. Fasilitas dengan Citra Pelanggan sebesar 0,822 artinya korelasi sangat kuat,
dengan nilai Sig. <  (0,001 < 0,05) maka antara Fasilitas dengan Citra
9. Produk dengan Citra Pelanggan sebesar 0,973 artinya korelasi sangat kuat,
dengan nilai Sig. <  (0,000 < 0,05) maka antara Produk dengan Citra
3. Lakukan analisis regresi untuk menghitung koefisien jalur Harga, Fasilitas dan
Produk terhadap Citra Pelanggan. Langkahnya adalah sebagai berikut:
i. Klik Analyze, Regression, Linear.
j. Masukkan variabel Citra Pelanggan pada kotak Dependen.

k. Masukkan variabel Harga, Fasilitas dan Produk pada kotak Independen (s).
l. Abaikan pilihan yang lain lalu klik OK.

Model Summary
Model R R Square Adjusted R Std. Error of

Square the Estimate
1 ,974a ,949 ,929 3,02369
a. Predictors: (Constant), Produk, Fasilitas, Harga
ANOVAa
Model Sum of df Mean Square F Sig.

Squares
Regression 1351,775 3 450,592 49,284 ,000b
1 Residual 73,142 8 9,143
Total 1424,917 11
a. Dependent Variable: Citra Pelanggan
b. Predictors: (Constant), Produk, Fasilitas, Harga
Coefficientsa
Standardized
Model Unstandardized Coefficients T Sig.
Coefficients
B Std. Error Beta
(Constant) 2,877 6,737 ,427 ,681
Harga ,040 ,108 ,053 ,370 ,721

1
Fasilitas ,058 ,116 ,071 ,496 ,633
Produk ,876 ,196 ,870 4,465 ,002
a. Dependent Variable: Citra Pelanggan

ANALISIS HASIL:
a. Tabel Model Summary
Pada output Model Summary diperoleh nilai R Square sebesar 0,949, berarti
variasi Citra Pelanggan dapat dijelaskan oleh variasi Harga, Fasilitas dan Produk
sebesar 94,9 persen. Sisanya sebesar 5,1% ditentukan oleh variasi variabel lain
yang tidak diteliti.
b. Tabel ANOVAb
Pada output ANOVA diperoleh nilai F (F hitung) sebesar 49,284 sedangkan nilai
F tabel dengan Df(0,05;3;8) adalah 4,066 dan nilai Sig. 0,000.
Karena nilai F hitung > F tabel (49,284 > 4,066) atau nilai Sig. <  (0,000 < 0,05)
maka dapat disimpulkan bahwa variabel Harga, Fasilitas dan Produk secara
simultan mampu menjelaskan perubahan pada variabel Citra Pelanggan atau
model dinyatakan cocok atau fit.
c. Tabel Coefficientsa
Pada output Coefficients terlihat nilai Standardized Coefficients (Beta):
1) Koefisien jalur Harga terhadap Citra Pelanggan sebesar 0,053 dengan arah
koefisien positif.
2) Koefisien jalur Fasilitas terhadap Citra Pelanggan sebesar 0,071 dengan arah
koefisien positif.
3) Koefisien jalur Produk terhadap Citra Pelanggan sebesar 0,870 dengan arah
koefisien positif.
Hasil pada Sub Struktur Model 2:
PYZX1=0,053
Harga 2
(X1) 1
PYX1=0,510 PY2=0,227
PY1
Citra
rx1x2=0,645 Produk Pelanggan
(Y) PZY=0,870 (Z)
PYX2=0,495
Fasilitas
(X2)
PYZX2=0,071

1. Pengaruh X1 terhadap Z
a. Pengaruh langsung (PZX1) x (PZX1)
0,053 x 0,053 = 0,003

Melalui X2 (PZX1) x (rX1X2) x (PZX2)
0,053 x 0,645 x 0,071 = 0,002
Melalui Y (PZX1) x (PYX1) x (PZY)
0,053 x 0,510 x 0,870 = 0,024 +
c. Pengaruh total X1 terhadap Z = 0,029
2) Pengaruh X2 terhadap Z
a. Pengaruh langsung (PZX2) x (PZX2)
0,071 x 0,071 = 0,005
Melalui X1 (PZX2) x (rX1X2) x (PZX1)
0,071 x 0,645 x 0,053 = 0,002
Melalui Y (PZX2) x (PYX2) x (PZY)

0,071 x 0,495 x 0,870 = 0,031 +
c. Pengaruh total X2 terhadap Z = 0,038 +
3) Pengaruh Y terhadap Z
a. Pengaruh langsung (PZY) x (PZY)
0,870 x 0,870 = 0,757
Melalui X1 (PZY) x (PYX1) x (PZX1)
0,870 x 0,510 x 0,053 = 0,024
Melalui X2 (PZY) x (PYX2) x (PZX2)

0,870 x 0,495 x 0,071 = 0,031 +
c. Pengaruh total X2 terhadap Z = 0,811 +
4) Pengaruh keseluruhan X1, X2 dan Y terhadap Z = 0,877
Pengujian Hipotesis
a. Harga dengan nilai t atau t hitung sebesar 0,370 dan nilai Sig. sebesar 0,721.
b. Fasilitas dengan nilai t atau t hitung sebesar 0,496 dan nilai Sig. sebesar 0,633.
c. Produk dengan nilai t atau t hitung sebesar 4,465 dan nilai Sig. sebesar 0,002.
Berdasarkan Uji Simultan pada Sub Struktur Model 2 diperoleh nilai F hitung > F tabel
(49,284 > 4,066) artinya Ho ditolak.

Berdasarkan Uji Parsial pada Sub Struktur Model 2 diperoleh hasil:
• Variabel Harga memiliki nilai t atau t hitung (0,370) < t tabel (1,813) dengan nilai
Sig. (0,721) > 0,05 artinya Ho Diterima.
• Variabel Fasilitas memiliki nilai t atau t hitung (0,496) < t tabel (1,813) dengan
nilai Sig. (0,633) > 0,05 artinya Ho Diterima.
• Variabel Produk memiliki nilai t atau t hitung (4,465) > t tabel (1,813) dengan nilai
Sig. (0,002) < 0,05 artinya Ho Ditolak.
Berdasarkan Uji Simultan dan uji Parsial dapat disimpulkan:

1. Harga, Fasilitas dan Produk berpengaruh positif terhadap Citra Pelanggan.
2. Harga tidak berpengaruh positif terhadap Citra Pelanggan.
3. Fasilitas tidak berpengaruh positif terhadap Citra Pelanggan.
4. Produk berpengaruh positif terhadap Citra Pelanggan.
F. LATIHAN
Seorang peneliti akan menguji pengaruh Pola Rekruitmen dan Sistem Penggajian
terhadap Motivasi serta dampaknya pada Kinerja. Data yang dikumpulkan dari 30
manajer perusahaan diukur dengan skala Likert. Data yang dikumpulkan sebagai
berikut:
No Pola Rekruitmen Sistem Penggajian Motivasi Kinerja

1 18 18 16 15
2 15 18 18 12
3 18 15 16 14
4 14 15 15 13
5 15 15 16 12
6 17 16 16 13
7 13 17 13 14
8 19 19 21 12
9 15 16 17 14
10 19 19 18 15
11 15 16 17 13
12 16 12 15 11
13 15 14 14 12
14 16 17 18 12
15 11 14 17 13
16 13 16 17 14
17 20 12 18 15
18 16 13 17 14
19 16 13 15 15
20 16 15 16 14
21 12 12 16 14
22 18 16 15 14
23 14 16 15 11
24 15 15 13 12
25 14 13 18 12
26 11 11 13 10
27 14 17 13 10
28 12 13 11 10
29 12 14 12 9
30 9 15 8 8

h. Buatlah diagram jalur (path diagram)!
i. Pertanyaan penelitian, hipotesis, dan Kriteria pengujian!
j. Hitunglah koefisien jalur!
k. Hitunglah koefisien determinasi!
l. Hitunglah koefisien determinasi pengaruh variabel lain!
m. Ujilah ketepatan model!
n. Ujilah hipotesis secara simultan dengan menggunakan uji F!
o. Ujilah hipotesis secara parsial dengan menggunakan uji t!
p. Hitunglah pengaruh secara proporsional!
TUGAS
Buatlah pengolahan data menggunakan Analisis Jalur dengan Model Persamaan
Dua Jalur dengan ketentuan sebagai berikut:
x. Buat SPSS.
y. Variabel bebas minimal 2 buah, variabel intervening sebanyak 1 buah dan
variabel terikat sebanyak 1 buah.
z. Data minimal 30 buah.
aa. Buatlah diagram jalur (path diagram)!
bb. Pertanyaan penelitian, hipotesis, dan Kriteria pengujian!
cc. Hitunglah koefisien jalur!
dd. Hitunglah koefisien determinasi!
ee. Hitunglah koefisien determinasi pengaruh variabel lain!
ff. Ujilah ketepatan model!
gg.Ujilah hipotesis secara simultan dengan menggunakan uji F!
hh. Ujilah hipotesis secara parsial dengan menggunakan uji t!
ii. Hitunglah pengaruh secara proporsional!

E-Modul Metlit 2020

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

E-Modul Metlit 2020

Diunggah oleh

Hak Cipta:

Format Tersedia

Universitas Garut

PROGRAM STUDI MANAJEMEN

Pengolahan Data Dengan SPSS- Prodi Manajemen S1 - 2020 Tim Penyusun

Husni Muharam, S.E., M.S.M.

Sajiandi Septian Rhamadan, S.E.

Modul 1 – Pengantar SPSS

Modul 2 – Uji Validitas dan Reliabilitas

Modul 3 – Uji Asumsi Klasik Normalitas dan Multikolinieritas

3.2 Uji Asumsi Klasik Multikolinearitas .................................................................. 23

Modul 4 – Uji Asumsi Klasik Heteroskedastisitas dan Autokorelasi

4.2 Uji Asumsi Klasik Autokorelasi

Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2020 Daftar Isi

Modul 5 – Analisis Regresi dengan Variabel Moderasi

Modul 6 – Analisis Regresi dengan Variabel Mediasi

Modul 7 – Analisis Jalur (Path Analysis) Model Persamaan Satu Jalur

Modul 8 - Analisis Jalur (Path Analysis) Model Persamaan Dua Jalur

Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2020 Daftar Isi

Berawal dari keperluan dan kebutuhan untuk membantu mahasiswa

Modul ini antara lain menguraikan beberapa metode pengolahan data

Modul ini merupakan cetakan keempat, terdapat perubahan materi

Garut, Oktober 2020

Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2019 Kata Pengantar

Pengolahan Data Dengan SPSS - Prodi Manajemen S1 - 2020 Tata Tertib

SPSS telah digunakan dalam berbagai riset pemasaran, pengendalian dan

B. Mengenal Elemen Dasar SPSS

Lembar Kerja SPSS

3. Menu Pivot Tabel Editor

Karena pengerjaan Pivot table erat kaitannya dengan menu Output

4. Menu Chart Editor

5. Menu Text Output Editor

6. Menu Syntax Editor

7. Menu Script Editor

Misalkan kita punya data sebagai berikut:

Langkah pemasukan variabel:

• Kolom pertama (Name) tempat menuliskan nama variabel, misalkan

• Kolom ketiga (Width) adalah untuk menentukan jumlah maksimal

4. Langkah berikutnya adalah menyimpan data.

Berikut data latihan:

A. KONSEP DASAR UJI VALIDITAS DAN RELIABILITAS

Reliabilitas merupakan indeks yang menunjukkan sejauhmana alat ukur dapat

B. METODE PENGUJIAN VALIDITAS DAN RELIABILITAS

Ringkasan Hasil Uji Validitas

10. Analisis output:

Berdasarkan hasil uji validitas diketahui bahwa terdapat 14 item yang

D. UJI RELIABILITAS - METODE ALPHA DAN METODE SPLIT-HALF

Maka hasil pada Output Viewer sebagai berikut:

Berdasarkan output Reliability Statistics diperoleh nilai Guttman Split-Half

E. KONSEKUENSI DAN CARA MENGATASI PELANGGARAN VALIDITAS

Berdasarkan data tersebut:

3.1 UJI ASUMSI KLASIK NORMALITAS

Tidak terpenuhinya normalitas pada umumnya disebabkan karena distribusi data

B. METODE UJI NORMALITAS

Pengolahan Data Dengan SPSS - Program Studi Manajemen S1 - 2020 15

2. Metode Signifikansi Skewness dan Kurtosis

3. Metode Jarque-Bera (JB TEST)

C. UJI NORMALITAS DENGAN METODE ANALISIS GRAFIK

14. Masukkan variabel Volume Penjualan pada kotak Dependent:

Pengolahan Data Dengan SPSS - Program Studi Manajemen S1 - 2020 16

16. Klik Plots, pada Y: isi DEPENDENT dan X: isi ZRESID

17. Pada Standardized Residual Plots, klik Histogram.

Pengolahan Data Dengan SPSS - Program Studi Manajemen S1 - 2020 17

Pengolahan Data Dengan SPSS - Program Studi Manajemen S1 - 2020 18

b. Normal P-Plot Regression Standardized