Modul Praktikum Alat Analisis Statistik

EDISI REVISI KEDUA
LABORATORIUM STUDI MANAJEMEN
JURUSAN MANAJEMEN – FAKULTAS EKONOMI
UNVERSITAS SULTAN AGENG TIRTAYASA
MODUL PRAKTIKUM
ALAT ANALISIS
STATISTIK
TIM PENYUSUN :
DR. WAWAN ICHWANUDIN, SE., M.Si.
DR. AKHMADI, SE., MM..
YANTO AZIE SETYA, SE., M.Si.
LABORATORIUM STUDI MANAJEMEN
2014
KATA PENGANTAR
Syukur Alhamdulillah pada kesempatan ini kami dapat menyusun “Modul Praktikum Alat
Analisis Statistik Edisi Revisi II”. Modul ini digunakan untuk kegiatan Praktikum Alat
Analisis Statistik yang merupakan penunjang kuliah Metodologi Penelitian.
Modul ini berisikan tentang kasus aktual beserta lembar kerjanya. Praktikum ini bertujuan
untuk membantu mahasiswa dalam mempelajari persoalan-persoalan yang muncul pada Alat
Analisis Statistik, menganalisanya dan sekaligus melatih keterampilan mahasiswa dalam
memecahkan dan mengambil keputusan berkaitan dengan Alat Analisis statistik.
Kami sadar bahwa dalam penyempurnaan modul ini harus terus dilakukan oleh karena itu
kami mengharap kritik dan sekaligus menerima masukkan kasus atau materi lainnya untuk
menambah khasanah pembelajaran kepada mahasiswa.
Akhirnya kami mengajak kepada seluruh mahasiswa, terutama yang sedang menempuh
praktikum Analisis Statistik untuk membaca dan mempelajari kembali teori Statistik dan
Metodologi Penelitian khususnya berkaitan dengan Metodologi Penelitian sebelum praktikum
dilaksanakan.
Serang, September 2014

Laboratorium Studi Manajemen
Kepala
Yanto Azie Setya, SE., M.Si.
Laboratorium Studi Manajemen i

DAFTAR ISI
KATA PENGANTAR ..................................................................................................... i

DAFTAR ISI .................................................................................................................... ii
BAB I PENDAHULUAN
1.1 PENGERTIAN STATISTIK .............................................................................. 1
1.2 DATA ................................................................................................................ 1
1.2.1 DATA BERDASARKAN BILANGAN PENGUKURAN ................... 1
1.2.2 DATA BERDASARKAN SKALA PENGUKURAN ........................... 1
BAB II STATISTIK DESCRIPTIVE
2.1 FREQUENCIES .................................................................................................. 3
2.2 DESCRIPTIVES .................................................................................................. 9
2.3 EXPLORE ............................................................................................................ 10
2.4 CROSSTAB ......................................................................................................... 13
BAB III VALIDITAS DAN RELIABILITAS INSTRUMEN
3.1 VALIDITAS ........................................................................................................ 15
3.2 RELIABILITAS .................................................................................................. 16
A. TEKNIK PENGUKURAN VALIDITAS ...................................................... 16
B. TEKNIK PENGUKURAN RELIABILITAS ................................................ 16
BAB IV METHOD OF SUCCESIVE INTERVAL (MSI) ............................................. 22
BAB V KORELASI
A. KORELASI DATA NOMINAL .......................................................................... 26
B. KORELASI DATA ORDINAL ........................................................................... 28
C. KORELASI DATA INTERVAL DAN RATIO .................................................. 29
BAB VI MODEL REGRESI
5.1 REGRESI SEDERHANA .................................................................................... 32
5.2 REGRESI BERGANDA ...................................................................................... 34
5.3 UJI ASUMSI KLASIK ........................................................................................ 36
A. UJI LINIERITAS ........................................................................................... 36
B. UJI NORMALITAS ....................................................................................... 39
C. UJI MULTIKOLINEARITAS ....................................................................... 41
D. UJI HETEROSKEDASTISITAS ................................................................... 43
E. UJI AUTOKORELASI .................................................................................. 44
5.4 REGRESI BINARY ............................................................................................. 45
Laboratorium Studi Manajemen ii

5.5 REGRESI BERGANDA VARIABEL DUMMY ................................................ 48
BAB VII REGRESI MODERATING ............................................................................. 51
BAB VIII REGRESI INTERVENING ............................................................................ 59
DAFTAR PUSTAKA ...................................................................................................... 66
Laboratorium Studi Manajemen iii

BAB I
PENDAHULUAN
1.1. PENGERTIAN STATISTIKA

Menurut Random House College Dictionary, Statistik dapat didefinisikan sebagai berikut:
“Ilmu Data, yang meliputi pengumpulan, pengklasifikasian, rangkuman, pengorganisasian, dan
penginterpretasian informasi dalam numeric / angka (McClave, dalam Mudrajad Kuncoro, 2001).
Secara Umum, Aplikasi statistic dalam bisnis dan ekonomi dapat digolongkan menjadi:
a. Statistik Deskriftif, yaitu menggunakan metode numeric dan grafis untuk mengenali pola
sejumlah data, merangkum informasi yang terdapat dalam data tersebut, dan menyajikan
informasi tersebut dalam bentuk yang diinginkan.
b. Statistik Inferensi / Induktif, yaitu menggunakan data sample untuk membuat estimasi,
keputusan, prediksi, atau generalisasi mengenai “populasi”
1.2. DATA
Adalah sesuatu yang dimiliki oleh anggota dari populasi yang dapat diukur. Misalnya
populasi manusia, anggota populasinya adalah manusia, yang dapat diukur dari manusia misalnya
tinggi badan, berat badan, kepintaran, dan lain-lain.
Dapat dapat dibedakan kedalam beberapa jenis, diantaranya (1) Membedakan data
berdasarkan bilangan pengukurannya. (2) Membedakan data berdasarkan skala pengukurannya.
1.2.1. Data Berdasarkan Bilangan Pengukuran
a. Data Diskrit : Adalah data yang pengukurannnya tidak memiliki bilangan decimal. Misalnya
Data jumlah mahasiswa.
b. Data Kontinus : Adalah data yang pengukurannya memiliki bilangan decimal. Misalnya data
Berat Badan mahasiswa.
1.2.2. Data Berdasarkan Skala Pengukuran

a. Data Nominal : Data yang dinyatakan dalam bentuk katagori. Contoh gender diklasifikasikan
menjadi : 1. Laki-Laki
2. Wanita
b. Data Ordinal : Data yang ukurannya dapat membedakan antara satu kelompok dengan
kelompok lainnya dan dapat menunjukkan tingkatan atau urutan antar kelompok tetapi
perbedaaan jarak atau bobot dari satu kelompok dengan kelompok lainnya tidak sama. Operasi
matematika tidak dapat digunakan untuk jenis data ini
Contoh : Kepuasan Konsumen
Laboratorium Studi Manajemen 1

1. Sangat Puas
2. Puas
3. Cukup Puas
4. Tidak Puas
5. sangat Tidak Puas
c. Data Interval : Data yang diperoleh dengan cara pengukuran dimana jarak atau bobot antar
kelompok satu dengan kelompok lainnya sama. Data Interval tidak memiliki nilai 0 (nol
Mutlak). Misalnya suhu 0 Derajat celcius bukan berarti tidak ada suhu. Operasi. matematika
dapat digunakan untuk jenis data ini.
d. Data Rasio : Data yang diperoleh dengan cara pengukuran dimana jarak atau bobot antar
kelompok satu dengan kelompok lainnya sama dan memiliki nilai 0 (nol Mutlak). Misalnya
Jumlah Tabungan. Jika Rp. 0 berarti sama sekali tidak ada tabungan.
Data yang masuk Jenis Data Diskrit adalah Ordinal dan Nominal, Sedangkan Data yang
masuk dalam Jenis Data Kontinus adalah interval dan Rasio

BAB II
STATISTIK DESCRIPTIVE
(Dengan Aplikasi Program IBM STATISTICS SPSS 20)
Dalam IBM Statistics SPSS 20, metode statistik Deskriptive dapat dilakukan dengan menu
DESCRIPTIVE STATISTICS yang terdiri atas :
1. FREQUENCIES : Menu ini dapat digunakan untuk menampilkan dan mendeskrifsikan data
yang terdiri atas satu variabel saja, jika lebih dari satu variabel, variabel-variabel tersebut akan
ditampilkan secara terpisah. Data dideskriftifkan dalam bentuk : Mean, Median, Mode,
Quartiles, Percentiles, standar deviasi.
2. DESCRPTIVES : Menu ini tidak menampilkan tabulasi frekuensi, tetapi menampilkan
besaran statistik yang akan dideskripsikan pada sebuah variable seperti : Mean, Standar
Deviasi, Varians, bentuk data (skewness dan kurtosis) serta ukuran lainnya.
3. EXPLORE : Pada Menu ini data statistik yang akan dioleh semakin kompleks dan dilengkapi
dengan cara pengujian kenormalan data, yang dapat diukur degan cara tertentu, atau
ditampilkan dalam bentuk Box-Plot atau steam leaf.
4. CROSSTAB: Pada menu Crosstab data ditampilkan dalam bentuk tabulasi silang. Selain itu,
menu ini dilengkapi dengan perhitungan Chi-Square untuk uji independensi dan berbagai alat
korelasi antar dua variable dalam baris dan kolom.
 FREQUENCIES
Tabel 1 : Data Descriptive : PT. Roni Sejahtera
Variabel Type Keterangan Values
Gender Numerik Jenis Kelamin 1 = Wanita
Konsumen 2 = Pria
Profesi Numerik Profesi Konsumen 1 = Karyawan Swasta
2 = PNS
3 = Wiraswasta
4 = Mahasiswa
5 = Ibu Rumah tangga
6 = Lain-lain
Expense Numerik Tingkat Pengeluaran
Konsumen
Frek Numerik Pembelian Mie
Tabel 2 : Isi Data PT. Roni Sejahtera

No Gender Profesi Expense Frek
1 Pria Karyawan Swasta 202 7
2 Pria Wiraswasta 332 7
3 Wanita PNS 402 9
4 Pria Mahasiswa 452 8
5 Wanita Ibu Rumah Tangga 662 10
6 Wanita Lain-lain 472 9
7 Pria PNS 512 9
8 Wanita Wiraswasta 438 8
10 Wanita Lain-lain 1072 12

No Gender Profesi Expense Frek
11 Wanita Mahasiswa 722 9
12 Pria Mahasiswa 782 12
Langkah Kerja :
1. Buka Program SPSS :
Gambar 1
2. Klik Variabel View pada gambar 1, kemudian akan tampil sheet yang terdiri dari :
 Name : Nama Variabel
 Type : Jenis Data
 Width : Jumlah Karakter yang dapat diinput : Ketik 15
 Decimal : Ketik 2
 Label : Abaikan
 Value : Pemberian Kode
 Missing : Abaikan
 Colomn : Lebar Kolom sesuai kebutuhan
 Align : Rata Kanan
 Measure : Skala Pengukuran (Pilih : Scale)
Gambar 2
Pemberian Kode : Untuk variable Gender dan Profesi

Pada Kolom Value (gambar 2) di sel gender. Klik Kotak kecil yang ada di sebelah kanan
kolom value, akan tampil gambar 3.
Pengisian :
Value : Ketik 1
Value Label : Ketik wanita
Klik Add

Value : Ketik 2
Value Label : Ketik Pria
Klik Add
Langkah yang sama dilakukan untuk mengisi value untuk variabel Profesi Konsumen.
Gambar 3
3. Setelah Pengisian value untuk variabel Gender dan Profesi Selesai, Klik Data View,
Kemudian isi data untuk setiap variebel (Gunakan Tabel 2 untuk mengisi data).
Value
Labels
Gambar 4
4. Pilih Toolbar Analyze  Descriptive Statistics  Frequencies, akan tampil gambar
sebagai berikut :

Gambar 5
5. Masukan variable yang akan dianalisis, pilih Statistic, pada Percentile Values, aktifkan :
 Quartiles & Percentile(s), pada kotak samping kanan Percentile(s) ketik 10, lalu klik
add. Sekali lagi ketik 90 pada kotak terdahulu dan klik lagi tombol add. (Pengerjaan
ini dimaksudkan untuk membuat nilai persentil pada 10 dan 90)
 Pada Dispersion : aktifkan semua (6) pilihan jenis pengukuran dispersi
 Pada Central Tendency : aktifkan semua (4) pilihan jenis pengukuran pusat data
 Pada Distribution : aktifkan Skewness dan Kurtosis
 Continue
 Pilih Chart, Aktifkan Histogram dan With Normal Curve.
 Continue

Gambar 6
 Klik OK, sehingga akan dihasilkan output deskriptive sebagai berikut :
Frequencies
Statistics
Tingkat Pengeluaran Konsumen Pembelian Mie
Valid 14 14
N
Missing 0 0
Mean 577,43 9,36
Std. Error of Mean 62,052 ,452
Median 501,00 9,00
Mode 202a 9
Std. Deviation 232,176 1,692
Variance 53905,495 2,863
Skewness ,572 ,454
Std. Error of Skewness ,597 ,597
Kurtosis ,158 -,626
Std. Error of Kurtosis 1,154 1,154
Range 870 5
Minimum 202 7
Maximum 1072 12
Sum 8084 131
10 267,00 7,00
25 429,00 8,00
Percentiles 50 501,00 9,00
75 737,00 10,50
90 972,00 12,00
a. Multiple modes exist. The smallest value is shown
Analisis : Variabel Frekuensi

o N = Jumlah data yang valid = 14, data yang hilang (Missing) = 0
o Mean = Rata-rata frekuensi pembelian = 9,36 kali dengan standar error = 0,452
o Median = 9, menunjukkan bahwa : 50% konsumen melakukan pembelian diatas 9 kali, dan
50% konsumen membeli dibawah 9 kali.
o Standar Deviasi = 1,692 kali
o Ukuran Skewness = 0,454
Rasio Skewness : Nilai Skewness : Standar error skewness
: 0,454 : 0,597 = 0,760
o Ukuran Kurtosis = -0,626
Rasio Kurtosis = Nilai Kurtosis : Standar Error Kurtosis
= -0,626 : 1,154 = -0,542
Karena kemencengan (skewness) dan keruncingan (kurtosis) distribusinya berada dalam
rentang -2 dan 2, maka disimpulkan bahwa Data Frekuensi Berdistribusi Normal.
o Data Minimum = 7 kali
Data Maksimum = 12 kali
o Range = 5 (selisih data maksimum dan data minimum)
o Percentiles atau persentil
 10% Konsumen mempunyai Frekuensi pembelian dibawah 7 kali
Pembelian Mie
Frequency Percent Valid Percent Cumulative
Percent
7 2 14,3 14,3 14,3
8 2 14,3 14,3 28,6
9 5 35,7 35,7 64,3
Valid 10 2 14,3 14,3 78,6
12 3 21,4 21,4 100,0
Total 14 100,0 100,0
o Frekuensi Pembelian
 Konsumen yang membeli 7 kali sebanyak 2 orang atau 14,3 %
 Konsumen yang membeli 8 kali sebanyak 2 orang atau 14,3 %, jumlah komulatif konsumen
yang membeli 7 kali dan 8 kali ada 4 konsumen atau 28,6%
 Konsumen yang membeli 9 kali sebanyak 5 orang atau 35,7 %, jumlah komulatif konsumen
yang membeli 7,8, 9 kali ada 9 konsumen atau 64,3%
 Dan seterusnya
Cara dan langkah kerja untuk menganalisis variabel Expense sama dengan cara dan
langkah kerja untuk menganalisis variabel Frekuensi.

 DESCRIPTIVE
Untuk data yang sama, Data Descriptive : PT. Roni Sejahtera :
1. Klik Analyze  Descriptive Statistics  Descriptives
Gambar 7
2. Pilih variable yang akan dianalisis (pilih variable Frekuensi dan Expense) kemudian klik Ok.
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Tingkat Pengeluaran 14 202 1072 577,43 232,176
Konsumen
Pembelian Mie 14 7 12 9,36 1,692
Valid N (listwise) 14
Keterangan : Jenis Data variable Gender dan Profesi adalah Nominal, sehingga tidak
dapat dianalisis.
Analisis : (sama dengan analisis descriptive Frequencies)

 EXPLORE
Untuk data yang sama, Data Descriptive : PT. Roni Sejahtera :
1. Klik Analyze  Descriptive Statistics  Explore
Gambar 8
2. Dependent List : Pilih variabel (Frek), Pilih Statistics dan klik Descriptive, Outliers. Pilih
Plot dan Klik Steam leaf, Factor levels togather dan Normality Plots With Test.
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Pembelian Mie 14 100,0% 0 0,0% 14 100,0%
Descriptives
Statistic Std. Error
Mean 9,36 ,452
95% Confidence Interval for Lower Bound 8,38
Mean Upper Bound 10,33
5% Trimmed Mean 9,34
Median 9,00
Variance 2,863
Pembelian Mie Std. Deviation 1,692
Minimum 7
Maximum 12
Range 5
Interquartile Range 3
Skewness ,454 ,597
Kurtosis -,626 1,154

Extreme Values
Case Number Value
1 10 12
2 12 12
Highest 3 13 12
4 5 10
5 9 10
Pembelian Mie
1 2 7
2 1 7
Lowest 3 8 8
4 4 8
5 14 9a
a. Only a partial list of cases with the value 9 are shown in the table
of lower extremes.
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Pembelian Mie ,226 14 ,050 ,889 14 ,078
a. Lilliefors Significance Correction
Pembelian Mie Stem-and-Leaf Plot
Frequency Stem & Leaf
2,00 7 . 00
2,00 8 . 00
5,00 9 . 00000
2,00 10 . 00
,00 11 .
3,00 12 . 000
Stem width: 1
Each leaf: 1 case(s)

Analisis :
 Case Processing Summary : Semua data Konsumen valid untuk diekspolrasi datanya
 Output Descriptives : (Analisis sama dengan Frequencies dan Descrivtif)
 Output Test Of Normality : Nilai Sig > 0,05, Distribusi Data Normal
0,051 > 0,05, Data Frek Berdistribusi Normal
0,091 > 0,05 Data Frek Berdistribusi Normal
 Q-Q Plot : Data berada disekitar garis diagonal artinya Data Frek Berdistribusi Normal
 Detrended Normal Q-Q Plot : Terlihat bahwa sebagian besar data terpola mendekati gari
tengah (hanya satu data yang terlihat jauh). Ini menunjukkan bahwa data berdistribusi normal
 Boxplot : Garis Hitam tepat berada ditengan Boxplot, menunjukkan bahwa data berdistribusi
normal
 Stem-and-Leaf Plot :
Baris Pertama : Ada 2 Konsumen yang membeli Mie dengan frekuensi 6 kali
Baris Kedua : Ada 2 Konsumen yang membeli Mie dengan frekuensi 8 kali
Baris Ketiga : Ada 5 Konsumen yang membeli Mie dengan frekuensi 9 kali
Dan setrusnya

 CROSSTAB
Untuk data yang sama, Data Descriptive : PT. Roni Noodles :
1. Klik Analyze  Descriptive Statistics  Crosstab
Gambar 9
2. Pilih variabel yang akan dianalisis (Row : Pilih Profesi, Column : Pilih Frekuensi), Abaikan
yang lain, kemudian klik OK.
Cases
Valid Missing Total
Profesi Konsumen * 14 100,0% 0 0,0% 14 100,0%
Pembelian Mie
Profesi Konsumen * Pembelian Mie Crosstabulation

Count
Pembelian Mie Total
7 8 9 10 12
Karyawan Swasta 1 0 0 0 0 1
PNS 0 0 2 0 0 2
Wiraswasta 1 1 0 0 0 2
Profesi Konsumen
Mahasiswa 0 1 1 0 1 3
Ibu Rumah Tangga 0 0 1 2 1 4
Lain-Lain 0 0 1 0 1 2
Total 2 2 5 2 3 14
Analisis :
 Case Processing Summary : Menyatakan bahwa seluruh data yang terdiri dari 14 konsumen
valid untuk dilakukan proses crosstab.

 Crosstabulation
 1 orang karyawan swasta melakukan pembelian sebanyak 7 kali
 2 orang PNS melakukan pembelian sebanyak 9 kali
 1 orang mahasiswa melakukan pembelian sebanyak 7 kali, dan 2 orang sebanyak 8 kali.
 Dan seterusnya

BAB III
VALIDITAS DAN RELIABILITAS INSTRUMENT
Salah satu instrument yang dipakai dalam penelitian ilmiah adalah angket. Sebuah angket
bisa disusun dengan pertanyaan yang bersifat terbuka (Berapa usia anda, apa pendapat anda, dll),
atau pertanyaan yang bersifat tertutup (Katagori usia anda < 20 tahun atau > 20 tahun). Salah satu
skala yang digunakan dalam penyusunan angket (tertutup) adalah skala Likert yaitu skala yang
berisi 5 tingkatan jawaban yang merupakan skala ordinal.
1 = Sangat Setuju
2 = Setuju
3 = Ragu-Ragu
4 = Tidak Setuju
5 = Sangat Tidak Setuju.
Ada dua syarat penting yang berlaku pada sebuah angket yaitu keharusan sebuah angket
untuk valid dan reliabel.
3.1. Validitas
Pengertian valid atau tidaknya suatu alat ukur tergantung pada mampu atau tidaknya alat
ukur tersebut mencapai tujuan pengukuran yang dikehendaki dengan tepat. Secara garis besar ada
berbagai macam validitas, diantaranya (Fandy Tjiptono, 12 : 2003) :
a. Content Validity adalah evaluasi secara sistematis dan subjektif terhadap sejauhmana konten/isi
suatu skala pengukuran memenuhi tugas pengukuran yang diberikan kepadanya. Peneliti
menentukan apakah item-item pengukuran telah mencakup secara memadai semua
domain/tema konstruk yang sedang diukur. Cara yang dapat ditempuh untuk meyakinkan
adanya content validity adalah dengan mendefinisikan konsep suatu domain, peneliti harus
menentukan item/pertanyaan yang harus dimasukan untuk menjelaskan suatu domain.
Penelahaan literatur sangat bermanfaat untuk dapat mengidentfikasi content domain.
b. Construct Validity berhubungan dengan apakah suatu instrumen mengukur apa yang seharusnya
diukur. Construct validity antara lain terdiri dari Convergen validity, dan Nomoligical validity
 Convergen validity : Sejauhmana suatu skala pengukuran berkorelasi dalam positif dengan
skala pengukuran lainnya dalam mengukur suatu konstruk yang sama. Suatu pengukuran
dikatakan memiliki convergen validity apabila satu teknik pengukuran dapat dibuktikan
memiliki hasil yang sama dengan teknik pengukuran lainnya.

 Nomological Validity : Mengukur sejauh mana konsep yang secara teoritis saling
berhubungan memiliki hubungan empiris.
3.2. Reliabilitas
Menunjukkan sejauhmana suatu skala dapat memberikan hasil yang konsisten jika
pengukuran diulang (beberapa kali). Hasil pengukuran dapat dipercaya hanya apabila dalam
beberapa kali pelaksanaan pengukuran terhadap kelompok subyek yang sama diperoleh hasil yang
relatif sama meskipun tetap ada toleransi bila terjadi perbedaan.
A. Teknik Pengukuran Validitas.
1. Dengan menggunakan korelasi spearman. Suatu item dikatakan valid apabila koefisien
korelasi rank spearmen (rs) > 0,3 (Kaplan & Saccuzzo, 1993).
2. Coefficient Alpha : memberikan ukuran internal konsistensi dari sekolompok item yang
berasal dari asumsi domain sampling model. Korelasi inter item yang rendah menujukkan
bahwa beberapa item tidak diambil dari domain yang seharusnya. Angka koefisien yang
rendah juga menunjukkan sampel-sampel item memiliki kinerja yang buruk dalam
mencerminkan suatu konstruk yang melandasi suatu skala ukuran.
B. Teknik Pengukuran Reliabilitas.
1. Test Rates reliability : Mengajukan pertanyaan yang sama (dengan instrument yang sama)
kepada responden yang sama sebanyak 2 kali pada waktu yang berbeda, Misalnya ada jarak
waktu selama 1 minggu. Instrumen dikatakan reliabel apabila jawaban responden
konsisten.
2. Internal Consistency Reliability : Menentukan apakah dua atau lebih pengukuran atas suatu
konsep teoritis yang diambil pada satu periode waktu yang sama atas suatu objek akan
memberikan hasil yang sama. Misalnya dilakukan pengukuran terhadap sikap konsumen
mengenai minuman jamu tradisional dengan menggunakan tiga item semantik differensial.
(a) enak – tidak enak (b) mudah – merepotkan (c) sehat tidak sehat. Dikatakan memiliki
internal konsistensi apabila korelasi antar ketiga semantik diferensial tersebut tinggi.
Alasannnya, jika konsumen memiliki sikap positif terhadap jamu tersebut maka konsumen
akan memilih “enak”, “midah” dan “sehat” .
3. Coefficient Alpha : Jika semua item dari suatu pengukuran diambil dari satu domain kontruk
yang sama, jawaban atas item-item tersebut memiliki inter koreleasi yang tinggi. Inter
korelasi yang rendah menunjukkan adanya sebagian item yang tidak diambil dari domain
yang sepatutnya dan oleh karenanya menghasilkan kesalahan (error) yang tingga dan
rendahnya reliabilitas.

Kasus : Uji Validitas (Metode Rank Spearman dan Coeficient Alpha) dan Reliabilitas (Metode
Coficient Alpha).
Langkah Kerja : Buat tabulasi data sebagai berikut.
(Variabel Kinerja Pegawai)
Nama Variabel Tipe Keterangan
Nama String Nama Responden
Pertanyaan 1 s.d. 10 Numerik Jawaban Responden
No Nama Pert_1 Pert_2 Pert_3 Pert_4 Pert_5 Pert_6 Pert_7 Pert_8 Pert_9 Pert_10
1 Very 3 4 3 3 2 4 4 3 4 3
2 Sidik 4 4 3 3 2 3 3 3 3 3
3 Hery 2 3 3 4 2 3 4 4 2 2
4 Sanjaya 3 3 3 3 3 3 3 2 2 2
5 Roni 4 5 4 5 3 4 3 4 4 4
6 Kambara 2 3 3 4 3 2 4 3 3 3
7 Yanto 4 4 4 5 1 4 4 3 5 2
8 Azie 2 4 3 4 1 5 5 5 4 4
9 Setya 4 5 3 3 4 1 5 5 2 2
10 Gerry 4 5 4 5 2 1 4 4 5 2
11 Yayan 3 3 4 3 5 1 2 3 4 4
12 Hendra 3 4 4 2 3 2 1 2 2 2
13 Hermawan 2 2 4 1 2 4 4 3 3 2
14 Mardawi 3 3 3 3 3 3 3 4 2 3
15 Mira 2 5 3 5 1 2 2 5 3 2
 Uji Validitas Rank Spearman

a. Klik Transform  Compute Variable
b. Tuliskan Tot_X1 pada kotak Target Variable
c. Pada kotak Numeric Expression ketik Pert_1 + Pert_2 + Pert_3 + dst s.d. Pert_10.
Gambar 10

d. Klik OK, Disebelah kolom Pert_10 akan muncul data Tot_X1. Langkah berikutnya
mengkorelasikan antara Tot_x1 dengan semua pertanyaan. Klik Analyze  Corelation
 Bivariate.
e. Masukan Pert_1 s.d. Pert_10 dan Tot_x1
f. Test of Significance pilih one tail, Aktifkan Sperarman
g. Abaikan pilihan yang lain, Kemudian OK
Gambar 11
h. Pilih OK, Output yang dihasilkan sebagai berikut :
Correlations
Pert_1 Pert_2 Pert_3 Pert_4 Pert_5 Pert_6 Pert_7 Pert_8 Pert_9 Pert_10 Tot_X1
Correlation Coefficient 1,000 ,535* ,333 ,138 ,236 -,165 -,039 -,069 ,275 ,000 ,504*
Pert_1 Sig. (1-tailed) . ,020 ,112 ,311 ,198 ,279 ,444 ,403 ,161 ,500 ,028
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient ,535* 1,000 ,066 ,535* -,193 -,176 ,047 ,506* ,328 -,050 ,612**
Pert_2 Sig. (1-tailed) ,020 . ,408 ,020 ,245 ,266 ,434 ,027 ,117 ,429 ,008
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient ,333 ,066 1,000 ,033 ,098 -,048 -,247 -,297 ,474* -,069 ,143
Pert_3 Sig. (1-tailed) ,112 ,408 . ,454 ,364 ,432 ,188 ,141 ,037 ,403 ,306
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient ,138 ,535* ,033 1,000 -,436 ,040 ,160 ,505* ,539* ,060 ,606**
Pert_4 Sig. (1-tailed) ,311 ,020 ,454 . ,052 ,443 ,284 ,027 ,019 ,416 ,008
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient ,236 -,193 ,098 -,436 1,000 -,529* -,278 -,253 -,412 ,205 -,181
Pert_5 Sig. (1-tailed) ,198 ,245 ,364 ,052 . ,021 ,158 ,181 ,064 ,232 ,259
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient -,165 -,176 -,048 ,040 -,529* 1,000 ,285 -,036 ,241 ,271 ,200
Spearman's rho Pert_6 Sig. (1-tailed) ,279 ,266 ,432 ,443 ,021 . ,151 ,449 ,194 ,164 ,238
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient -,039 ,047 -,247 ,160 -,278 ,285 1,000 ,398 ,203 -,059 ,424
Pert_7 Sig. (1-tailed) ,444 ,434 ,188 ,284 ,158 ,151 . ,071 ,233 ,418 ,058
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient -,069 ,506* -,297 ,505* -,253 -,036 ,398 1,000 ,089 ,111 ,515*
Pert_8 Sig. (1-tailed) ,403 ,027 ,141 ,027 ,181 ,449 ,071 . ,376 ,347 ,025
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient ,275 ,328 ,474* ,539* -,412 ,241 ,203 ,089 1,000 ,346 ,734**
Pert_9 Sig. (1-tailed) ,161 ,117 ,037 ,019 ,064 ,194 ,233 ,376 . ,103 ,001
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient ,000 -,050 -,069 ,060 ,205 ,271 -,059 ,111 ,346 1,000 ,478*
Pert_10 Sig. (1-tailed) ,500 ,429 ,403 ,416 ,232 ,164 ,418 ,347 ,103 . ,036
N 15 15 15 15 15 15 15 15 15 15 15
Correlation Coefficient ,504* ,612** ,143 ,606** -,181 ,200 ,424 ,515* ,734** ,478* 1,000
Tot_X1 Sig. (1-tailed) ,028 ,008 ,306 ,008 ,259 ,238 ,058 ,025 ,001 ,036 .
N 15 15 15 15 15 15 15 15 15 15 15
*. Correlation is significant at the 0.05 level (1-tailed).
**. Correlation is significant at the 0.01 level (1-tailed).

i. Analisis :
Nilai Pearson Correlation > 0,3 artinya Pert_1 dapat dikatakan valid
Tingkat signifikansi  0,05 artinya Pert_1 dapat dikatakan valid
 Uji Validatas Coefficient Alpha
a. Dengan menggunakan data soal yang sama, dari menu Analyze  Scale  Reliability
Analysis.
b. Masukan Pert_1 s.d. Pert_10.
c. Pada bagian model pilih Alpha
d. Abaikan kotak pilihan list item model
Gambar 12
e. Klik tombol Statistics. Pada bagian Descriptive for aktifkan item, scale, scale if item
deleted, abaikan yang lain pilih continue.
Gambar 13

f. Kemudian klik OK, sehingga dihasilkan output sebagai berikut :
N %
Valid 15 100,0
Cases Excludeda 0 ,0
Total 15 100,0
a. Listwise deletion based on all variables in the
procedure.
Reliability Statistics
Cronbach's N of Items
Alpha
,467 10
Item Statistics
Mean Std. Deviation N
Pert_1 3,00 ,845 15
Pert_2 3,80 ,941 15
Pert_3 3,40 ,507 15
Pert_4 3,53 1,187 15
Pert_5 2,47 1,125 15
Pert_6 2,80 1,265 15
Pert_7 3,40 1,121 15
Pert_8 3,53 ,990 15
Pert_9 3,20 1,082 15
Pert_10 2,67 ,816 15
Item-Total Statistics
Scale Mean if Scale Variance Corrected Item- Cronbach's
Item Deleted if Item Deleted Total Alpha if Item
Correlation Deleted
Pert_1 28,80 14,886 ,307 ,407
Pert_2 28,00 13,714 ,430 ,360
Pert_3 28,40 17,114 ,054 ,471
Pert_4 28,27 12,352 ,460 ,324
Pert_5 29,33 20,238 -,386 ,628
Pert_6 29,00 16,857 -,083 ,550
Pert_7 28,40 14,543 ,210 ,432
Pert_8 28,27 14,210 ,323 ,394
Pert_9 28,60 12,257 ,550 ,295
Pert_10 29,13 14,838 ,333 ,401
Scale Statistics
Mean Variance Std. Deviation N of Items
31,80 17,600 4,195 10
g. Analisis
Perhatikan kolom Corected item-total correlation. Jika nilai korelasi item (r) > 0,3
dikatakan valid. Item yang tidak valid dikeluarkan atau peneliti melakukan penyusunan
item pertanyaan yang baru, kemudian dilakukan pengujian ulang sampai dengan semua
item memiliki korelasi > 0,3.

 Uji Reliabilitas Coefficient Alpha
Apabila semua item pertanyaan memiliki nilai r yang lebih tinggi dari 0,3 maka secara otomatis
nilai Alpa Reliability akan lebih besar dari 0,3 (reliable). Pengukuran reliabilitas hanya dapat
dilakukan apabila semua item sudah teruji valid.

BAB IV
METHOD SUCCESIVE INTERVAL (MSI)
Jenis data yang diperoleh dari Kuisioner adalah data Ordinal (non-matrik), dan alat analisis
yang tepat untuk pengolahan data ordinal adalah statistik non-parametrik. Regresi tidak dapat
digunakan untuk mengolah data ordinal, karena regresi mengharuskan data Variabel tidak bebas
harus bersifat Continue dan paling tidak berskala selang (interval) atau data Matrik (statistic
parametrik).
Jika pengolah data akan melakukan pengolahan data ordinal (hasil kusioner) menggunakan
regresi, maka data tersebut terlebih dahulu harus diubah kedalam data minimum (interval).
1. Langkah-langkah mengubah data ordinal menjadi interval (Method of Successive Interval)
adalah sebagai berikut (Harun Alrasyid : 1994)
a. Skor jawaban dimulai dari 1 sampai 5
b. Menyusun distribusi jawaban responden ke dalam daftar distribusi frekuensi berdasarkan
nilai skor jawaban dari responden
c. Menghitung frekuensi relatif (Pi)
d. Menentukan nilai baku dengan nilai frekuensi kumulatif relatif (Z i )
e. Menentukan fungsi densitasnya [ f ( Zi)]
f. Menentukan nilai skala dengan memperhatikan nilai nilai P i dan f ( Zi)
2. Langkah-langkah analisis kepentingan relatif
a. Merekapitulasi distribusi skor jawaban mengenai nilai kepentingan relatif untuk setiap item
yang ditanyakan
b. Item pertanyaan distratakan dengan nilai angka baku vertikal yang berkesesuaian dimana
skor kepentingan pertama setara dengan 5 sedangkan skor-skor lainnya disesuaikan dengan
banyaknya item dalam satu variabel penelitian tertentu yang tingkat kepentingan
terakhirnya setara dengan skor 5
c. Menghitung jumlah perkalian dari nilai-nilai frekuensi (langkah a) dengan nilai-nilai angka
baku (langkah b)
d. Menghitung nilai rata-rata hasil perhitungan pada langkah c
e. Memperhatikan nilai rata-rata perkalian terkecil, kemudian nilai tersebut disamakan
dengan 1, sedangkan yang lainnya ditambahkan dengan faktor penambahnya
f. Hasil perhitungan (e) dikalikan dengan skor jawaban untuk setiap itemnya sehingga
diperoleh nilai jawaban responden yang berbentuk skala pengukuran interval
Untuk mempermudah pengolahan data tersebut dapat dibantu dengan aplikasi Method Of
Succsesive Interval, Langkah kerja :
1. Buka Aplikasi Microsoft Excel, lalu buka Method Of Succsesive Interval, akan tampil gambar
sebagai berikut :
Gambar 14
2. Pilih Enable Macros, lalu akan muncul tap baru bernama ADD-INS
Gambar 15
3. Klik new, Masukan data hasil tabulasi kuisioner, untuk masing-masing variabel.
Misalkan data yang akan diolah adalah Data Kinerja Pegawai.
No Nama Pert_1 Pert_2 Pert_3 Pert_4 Pert_5 Pert_6 Pert_7 Pert_8 Pert_9 Pert_10
1 Very 3 4 3 3 2 4 4 3 4 3
2 Sidik 4 4 3 3 2 3 3 3 3 3
3 Hery 2 3 3 4 2 3 4 4 2 2
4 Sanjaya 3 3 3 3 3 3 3 2 2 2
5 Roni 4 5 4 5 3 4 3 4 4 4
6 Kambara 2 3 3 4 3 2 4 3 3 3
7 Yanto 4 4 4 5 1 4 4 3 5 2
8 Azie 2 4 3 4 1 5 5 5 4 4
9 Setya 4 5 3 3 4 1 5 5 2 2
10 Gerry 4 5 4 5 2 1 4 4 5 2
11 Yayan 3 3 4 3 5 1 2 3 4 4
12 Hendra 3 4 4 2 3 2 1 2 2 2
13 Hermawan 2 2 4 1 2 4 4 3 3 2
14 Mardawi 3 3 3 3 3 3 3 4 2 3
15 Mira 2 5 3 5 1 2 2 5 3 2

Gambar 16
4. Pada Tab ADD-INS Pilih Statistics, lalu pilih Succesive Interval.
Gambar 17
5. Pada Kotak Input Data Range : masukan Range yang akan diubah datanya menjadi interval
6. Pada Kotak Cell Output : Pilih di cell berapa ouput hasil pengolahan akan ditempatkan
Gambar 18
7. Klik Next

Gambar 19
7. Pilih Select All
Gambar 20
8. Jika Kuisioner menggunakan skala Likert, maka
 Min value : Ketik 1
 Max Value : Ketik 5
9. Pilih Finish, Akan dihasilkan data Succesive Interval sebagai berikut :
Gambar 21
Analisis : Data ordinal untuk semua item telah berubah skalanya dari ordinal menjadi interval. Dan
untuk selanjutnya dapat digunakan untuk pengolahan data statistic parametric
BAB V
KORELASI
Analisis korelasi bertujuan untuk mengetahui apakah diantara dua variabel terdapat
hubungan, bagaimana arah hubungannya, dan seberapa kuat hubungan antar variabel tersebut.
Jenis varibel yang dikorelasikan dapat berupa data Nominal, Ordinal, Maupun Interval dan Rasio.
A. Korelasi Data Nominal
Kasus : CV Dawi Busana ingin mengetahui apakah ada hubungan antara Jenis kaos yang dibeli
konsumen dengan status konsumen.
Langkah Kerja :
1. Buat File Baru, kemudian Input Data Berikut :
Nama Variabel Tipe Values
Kaos Numerik 1 = Polos, 2 = Motif
Kerja Numerik 1 = Karyawan, 2 = Wiraswasta, 3 = Lain-lain
Status Numerik 1 = Belum Menikah, 2 = Menikah
Sikap Numerik 1 = Puas, 2 = Cukup Puas, 3 = Tidak Puas
Loyal Numerik 1 = Loyal, 2 = Cukup Loyal, 3 = Tidak Loyal
Beli Numerik 1 = Sering Beli, 2 = Cukup Sering, 3 = Jarang Beli
Isi Data :
No Kaos Kerja Status Sikap Loyal Beli
1 Polos Karyawan Belum Menikah Puas Loyal Sering Beli
2 Motif Wiraswasta Menikah Cukup Puas Cukup Loyal Sering Beli
3 Motif Karyawan Menikah Tidak Puas Loyal Sering Beli
4 Motif Lain-lain Menikah Tidak Puas Cukup Loyal Cukup Sering
5 Polos Karyawan Belum Menikah Cukup Puas Tidak Loyal Cukup Sering
6 Motif Lain-lain Belum Menikah Tidak Puas Tidak Loyal Jarang Beli
7 Polos Karyawan Belum Menikah Tidak Puas Cukup Loyal Jarang Beli
8 Polos Karyawan Menikah Tidak Puas Loyal Cukup Sering
9 Motif Lain-lain Belum Menikah Tidak Puas Cukup Loyal Jarang Beli
10 Polos Lain-lain Menikah Puas Cukup Loyal Sering Beli
11 Polos Wiraswasta Menikah Tidak Puas Tidak Loyal Jarang Beli
12 Motif Lain-lain Menikah Cukup Puas Tidak Loyal Cukup Sering
13 Polos Wiraswasta Menikah Tidak Puas Tidak Loyal Jarang Beli
14 Motif Karyawan Belum Menikah Tidak Puas Cukup Loyal Jarang Beli
15 Motif Lain-lain Menikah Tidak Puas Cukup Loyal Cukup Sering
16 Polos Karyawan Belum Menikah Cukup Puas Tidak Loyal Cukup Sering
17 Motif Lain-lain Belum Menikah Tidak Puas Tidak Loyal Jarang Beli
18 Polos Karyawan Belum Menikah Tidak Puas Cukup Loyal Jarang Beli
19 Polos Karyawan Menikah Tidak Puas Loyal Cukup Sering
20 Polos Karyawan Belum Menikah Puas Loyal Sering Beli
2. Pilih Menu Analyze  Descriptive Statistics  Crosstabs. Pada kolom Row(s) pilih:
Kaos, pada kolom Colomn(s) pilih Status.

Gambar 22
3. Klik Statistics, aktifkan pilihan Chi-Square dan pada option Nominal aktifkan
Contigency Coefficient, Kemudian Klik OK. Diperoleh Output sebagai berikut :

Cases
Valid Missing Total
Kaos * Status 20 100,0% 0 0,0% 20 100,0%
Kaos * Status Crosstabulation

Count
Status Total
Belum Menikah Menikah
Polos 6 5 11
Kaos
Motif 4 5 9
Total 10 10 20
Chi-Square Tests
Value df Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-
sided) sided) sided)
Pearson Chi-Square ,202a 1 ,653
Continuity Correctionb ,000 1 1,000
Likelihood Ratio ,202 1 ,653
Fisher's Exact Test 1,000 ,500
Linear-by-Linear ,192 1 ,661
Association
N of Valid Cases 20
a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 4,50.
b. Computed only for a 2x2 table
Analisis :
 Case Processing Summary : Ada 20 data yang valid dan dapat digunakan untuk analisis.
 Kaos*Status Crosstabulation :

- Pada baris 1 : Terdapat 6 orang karyawan yang berstatus belum menikah dan 5 orang yang
berstatus sudah menikah yang membeli kaos polos.
- Pada baris 2: Terdapat 4 orang karyawan yang berstatus belum menikah dan 5 orang yang
berstatus sudah menikah yang membeli kaos motif.
 Chi-Square Test :
Hipotesis :
H0 : Tidak ada hubungan antara status dengan perilaku membeli kaos
H1 : Ada hubungan antara status dengan perilaku membeli kaos
Pengambilan Keputusan :
Jika Probabilitas > 0,05 : Ho diterima
Jika Probabilitas < 0,05 : Ho ditolak
Terlihat bahwa pada kolom PEARSON CHI-SQUARE, angka Asymp. Sig 0,653 > 0,05 Ho
Diterima.
Kesimpulan :
Artinya tidak ada hubungan antara status dengan perilaku membeli kaos.
B. Korelasi Data Ordinal

Kasus : Apakah ada hubungan antara sikap sesorang dengan loyalitas orang tersebut untuk
tetap menggunakan produk PT Iyek Makmur.
Langkah Kerja :
1. Buka File CV Dawi Busana.
2. Pilih Analyze  Correlate Bivariate
3. Pilih Variabel Sikap, Loyal dan Beli.
Gambar 23

4. Correlation Coefficients. Pilih Spearmen dan Kendall’s Tau-b. Test Of Significane pilih
two tail untuk uji dua sisi. Aktifkan Flag Significance Correlation. Kemudian Klik Ok.
Output yang dihasilkan sebagai berikut:
Nonparametric Correlations
Correlations
Sikap Loyal Beli
Kendall's tau_b Sikap Correlation Coefficient 1,000 ,052 ,671**
Sig. (2-tailed) . ,804 ,001
N 20 20 20
Loyal Correlation Coefficient ,052 1,000 ,466*
Sig. (2-tailed) ,804 . ,023
N 20 20 20
Beli Correlation Coefficient ,671** ,466* 1,000
Sig. (2-tailed) ,001 ,023 .
N 20 20 20
Spearman's rho Sikap Correlation Coefficient 1,000 ,066 ,705**
Sig. (2-tailed) . ,783 ,001
N 20 20 20
Loyal Correlation Coefficient ,066 1,000 ,533*
Sig. (2-tailed) ,783 . ,015
N 20 20 20
Beli Correlation Coefficient ,705** ,533* 1,000
Sig. (2-tailed) ,001 ,015 .
N 20 20 20
*. Correlation is significant at the 0.05 level (2-tailed).
Analisis :
 Korelasi antara sikap dengan loyalitas adalah signifikan (angka sig. 2 tailed adalah 0,804 yang
jauh diatas 0,05) yang berarti tidak ada hubungan yang signifikan antara sikap dengan
loyalitas. Arah hubungan antar variabel tersebut positif.
 Korelasi antara sikap dengan beli, dan korelasi antara loyal dan beli adalah signifikan (angka
sig. 2 tailed berada dibawah 0,05) yang berarti ada hubungan yang signifikan antara sikap
dengan loyalitas. Arah hubungan antar variabel tersebut positif.
C. Korelasi Data Interval dan Ratio

1. Buat data baru : PT Wawan Visitama
Nama
Tipe Label
variabel
Beli Numerik Unit Kaos per Bulan
SPG Numerik SPG / Orang
Promosi Numerik Juta Rupiah per Periode

Isi Data PT Wawan Visitama
No Beli SPG Promosi

1 225 4 12.6
2 243 5 13.5
3 254 5 13.6
4 266 3 14.9
5 253 4 12.7
6 246 2 13.0
7 222 5 12.5
8 244 3 13.2
9 266 4 13.7
10 237 4 14.2
11 257 3 14.6
12 279 5 14.0
13 280 9 15.2
14 266 2 15.7
3. Pilih Menu Analyze  Correlate  Bivariate, tampil gambar sebagai berikut:
Gambar 24
4. Masukan semua variabel, Correlation Coefficient pilih Pearson, Test of Significance
Two tail, aktifkan Flag Significance Correlations, kemudian OK. Tampil gambar
sebagai berikut :

Correlations
Beli (Unit Kaos SPG (Orang) Promosi (Juta
Per Bulan) Rupiah Per
Periode)
Pearson Correlation 1 ,250 ,708**
Beli (Unit Kaos Per Bulan) Sig. (2-tailed) ,389 ,005
N 14 14 14
Pearson Correlation ,250 1 ,082
SPG (Orang) Sig. (2-tailed) ,389 ,780
N 14 14 14
Pearson Correlation ,708** ,082 1
Promosi (Juta Rupiah Per ,005 ,780
Sig. (2-tailed)
Periode)
N 14 14 14
Analisis :
 Tidak terdapat korelasi yang significant antara beli dengan SPG, dan SPG dengan
promosi (Sig 2 tailed > 0,05). Arah hubungan antar variabel tersebut positif.
 Terdapat korelasi yang significant antara promosi dengan beli (Sig 2 tailed < 0,05).
Arah hubungan antar variabel tersebut positif.

BAB VI
MODEL REGRESI
Asumsi Regresi :
a. Variabel bebas dan tidak bebas memiliki hubungan yang linier / hubungan garis lurus
(linieritas).
b. Variabel tidak bebas harus bersifat harus bersifat Continue dan paling tidak berskala selang
(interval)
c. Keragaman dan selisih nilai pengamatan dan pendugaan harus sama untuk semua nilai penduga
Y. Jadi, Y-Y1 harus sama. Residu yang dihitung dari Y-Y1 harus menyebar normal dengan rata-
rata nol (Normalitas)
d. Variabel gangguan harus bervarians sama (Homoskedastisitas)
e. Tidak terjadi korelasi (multikolinier) antara satu variabel dependen dengan variabel dependen
lainnya (jika dalam satu model terdapat lebih dari satu variabel dependen)
f. Tidak terdapat korelasi antara anggota serangkaian observasi. Dalam satu variabel tidak
terdapat korelasi antara satu periode pengamatan dengan periode pengamatan berikutnya.
(Autokorelasi)
5.1 Regresi Sederhana

Memprediksi besarnya variabel tergantung (dependent) dengan menggunakan satu
variabel bebas (independent) yang sudah diketahui besarnya. Jenis data baik variabel dependent
maupun independent adalah interval atau rasio.
Kasus : Input Data Regresi sebagai berikut:
Nama Variabel Tipe Data Skala
Nilai Tukar (NT) Numeric Rasio
Inflasi (INF) Numeric Rasio
Suku Bunga (SB) Numeric Rasio
Harga Saham (HS) Numeric Rasio
Indek Harga Saham Gabungan (IHSG) Numeric Rasio
Isi Data Regresi

Nilai Tukar Inflasi Suku Bunga Harga Saham IHSG
18,00 18,00 18,00 15,00 14,00
15,00 18,00 16,00 12,00 14,00
18,00 15,00 16,00 14,00 11,00
14,00 15,00 15,00 13,00 12,00
15,00 15,00 16,00 12,00 11,00
17,00 16,00 16,00 13,00 12,00
13,00 17,00 13,00 14,00 13,00
19,00 19,00 21,00 12,00 12,00
Nilai Tukar Inflasi Suku Bunga Harga Saham IHSG
15,00 16,00 17,00 14,00 14,00
19,00 19,00 18,00 15,00 15,00
15,00 16,00 17,00 13,00 10,00
16,00 12,00 15,00 12,00 11,00
15,00 14,00 14,00 12,00 10,00
16,00 17,00 18,00 13,00 13,00
11,00 14,00 17,00 14,00 12,00
15,00 15,00 16,00 12,00 11,00
17,00 16,00 16,00 13,00 12,00
13,00 17,00 13,00 14,00 13,00
19,00 19,00 21,00 12,00 12,00
15,00 16,00 17,00 14,00 14,00
Langkah kerja :
a. Pada menu Analyze  Regression  Linier... Pilih Harga saham sebagai variabel
dependent dan pilih nilai tukar sebagai variable independent. Penentuan variabel dependent
dan independent harus berdasarkan teori.
Gambar 25
b. Pilih Statistic, kemudian aktifkan Estimate dan Model Fit, Klik Continue.
Gambar 26
c. Kemudian Klik OK, sehingga akan dihasilkan output sebagai berikut :
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 13,545 1,790 7,567 ,000
1
nilai tukar -,025 ,113 -,052 -,223 ,826
a. Dependent Variable: harga saham
d. Analisis
Persamaan Regresi : Y = a + bX
Y= 13,545 - 0,025 X
Interpretasi :
Jika Nilai Tukar = 0, besarnya harga saham sebesar Rp. 13,545
Jika nilai tukar naik Rp.1, harga saham akan turun sebesar Rp 0,00251 dan sebaliknya Jika
nilai tukar turun Rp.1, harga saham akan naik sebesar Rp 0,025
Dengan menggunakan tingkat kepercayaan 95%, Nilai t-hitung < t-tabel, dan Sig. > 0,05.
Berarti secara statistik nilai tukar tidak berpengaruh signifikan terhadap harga saham.
5.2 Regresi Berganda

Memprediksi besarnya variabel tergantung (dependent) dengan menggunakan dua atau
lebih variabel bebas (independent) yang sudah diketahui besarnya. Jenis data baik variabel
dependent maupun independent adalah interval atau rasio.
Langkah Kerja :
a. Pada menu Analyze  Regression  Linier... Pilih IHSG sebagai variabel dependent dan
pilih nilai tukar, inflasi, suku bunga dan harga saham sebagai variable independent.
Penentuan variabel dependent dan independent harus berdasarkan teori.

Gambar 27
b. Pilih Statistics, kemudian aktifkan Estimate dan Model Fit, Klik Continue.
Gambar 28
c. Kemudian Klik OK, sehingga akan dihasilkan output sebagai berikut :
Coefficientsa
Coefficients
B Std. Error Beta
(Constant) -1,675 3,613 -,464 ,649
nilai tukar -,092 ,142 -,141 -,646 ,528
1 inflasi ,428 ,162 ,559 2,647 ,018
suku bunga -,001 ,154 -,002 -,007 ,995
harga saham ,647 ,235 ,475 2,750 ,015
a. Dependent Variable: indeks harga saham gabungan
d. Analisis
Persamaan Regresi : Y = a + b1X1 + b2X2 + ...... + bnXn
Y = -1,675 – 0,092X1 + 0,428X2 - 0,001X3 + 0,647X4

Interpretasi :
Konstanta sebesar -1,675; artinya jika Nilai Tukar (X1), Inflasi (X2), Suku Bunga (X3) dan
Harga Saham (X4) nilainya adalah 0, maka indeks harga saham gabungan (Y) nilainya
adalah (Rp.1,675) atau -1,675
Jika nilai tukar naik Rp1, maka indeks harga saham gabungan akan turun sebesar Rp 0,092
dan sebaliknya Jika nilai tukar turun Rp1, indeks harga saham gabungan akan naik sebesar
Rp 0,092
Jika inflasi naik 1%, maka indeks harga saham gabungan akan naik sebesar 0,428% dan
sebaliknya jika inflasi turun 1%, maka indeks harga saham gabungan akan turun sebesar
0,428%.
Jika suku bunga naik 1%, maka indeks harga saham gabungan akan turun sebesar 0,001%
dan sebaliknya jika suku bunga turun 1%, maka indeks harga saham gabungan akan naik
0,001%.
Jika harga saham naik Rp 1, maka indeks harga saham gabungan akan naik Rp 0,647 dan
sebaliknya jika harga saham turun Rp 1, makan indeks harga saham gabungan akan turun
Rp 0,647.
Dengan menggunakan tingkat kepercayaan 95%, Nilai t-hitung < t-tabel, dan Sig. > 0,05.
Berarti secara statistik nilai tukar tidak berpengaruh signifikan terhadap harga saham.
5.3 Uji Asumsi Klasik

Sebuah model regresi dapat digunakan untuk mengambil kesimpulan, apabila asumsi-
asumsi model regresi tersebut diatas terpenuhi. Gunakan Data Regresi
a. Uji Linieritas dengan metode MWD (Mac Kinnon White Davidson, Gujarati : 1995).
1. Buka Data Regresi
2. Mengestimasi model X1 (Nilai Tukar), X2 (Inflasi), X3 (Suku Bunga), X4 (Harga Saham)
terhadap Y (IHSG).
3. Pada menu Analyze  Regression  Linier... Masukan Variabel Dependent : IHSG dan
Variabel independent : Nilai Tukar, Inflasi, Suku Bunga dan Harga Saham.

Gambar 29
4. Pilih Save, pada kotak Predictid value, klik unstandadized, Continue, abaikan pilihan
yang lain.
Gambar 30
5. Setelah Continue, pada kotak Linier Regression: Save kemudian klik OK, dihasilkan
nilai Pre_1
6. Mengestimasi model LnX1 (Nilai Tukar), LnX2 (Inflasi), LnX3 (Suku Bunga), LnX4
(Harga Saham) terhadap LnY (IHSG). Sampe dengan dihasilkan nilai Pre_2
Cara Memerubah data menjadi Ln
Pada Menu Transform, pilih compute, Pada target variabel ketik Ln_X1, Pada Numeric
Expresion ketik Ln[nt]

Gambar 31
 Klik OK
 Untuk X2,X3,X4, dan Y menjadi Ln gunakan cara yang sama
7. Kurangkan nilai Pre_2 dengan Ln_Pre_1 (sebelumnya rubah nilai Pre_1 menjadi
Ln_Pre_1 dengan cara seperti diatas), hasil pengurangan tersebut adalah nilai Z.
 Pada menu Transform  Compute Variable
 Target variabel diisi dengan Z
 Numerc Expresion diisi dengan Pre_2 – Ln_pre_1
 Klik OK
Gambar 32
8. Mengestimasi Nilai X1, X2, X3, X4, Z terhadap Y. Output yang dihasilkan sebagai berikut
:
Coefficientsa
Coefficients
B Std. Error Beta
(Constant) -1,336 4,358 -,307 ,764
nilai tukar -,058 ,268 -,089 -,217 ,832
1 inflasi ,351 ,533 ,459 ,659 ,521
suku bunga ,015 ,193 ,023 ,079 ,938
harga saham ,651 ,244 ,477 2,661 ,019
Z -21,962 145,093 -,087 -,151 ,882
9. Melalui pengujian Z1 disimpulkan bahwa Model tersebut diatas adalah Linier, karena :
t-test variabel Z1  t-tabel
Sig.Z1 >  (0,05)
10. Pengujian dapat juga dilakukan melalui pengujian Z2, Langkah kerja sama dengan
pengujian melalui Z1.
 Jika Z1 dan Z2 Linier : Model menggunakan persamaan linier
 Jika Z1 dan Z2 Nonlinier : Model menggunakan persamaan non-linier
 Jika salah satu Z Nonlinier: Model boleh menggunakan persamaan non-linier atau
linier
b. Uji Normalitas
2. Pada menu Analyze  Regression  Linier...
3. Masukan IHSG sebagai variabel dependent dan NT, INF, SB, HS sebagai variabel
independent
4. Pilih Plot. Pada kolom Y isi : Dependent, Pada kolom X isi : ZResid, Standardized pilih
histogram, pilih Normal probability plot, kemudian Continue.
Gambar 33
5. Pilih Save, pada kotak Residual klik : Standarized, kemudian Continue

Gambar 34
6. Abaikan pilihan yang lain, Klik OK. Dihasilkan output sebagai berikut :

7. Analisis : Diharapkan bahwa nilai residual akan menyebar normal dengan nilai rata-rata = 0.
Artinya frekuensi nilai residual berada disekitar nol memiliki frekuensi yang cukup besar
daripada nilai-nilai selisih yang ekstrim. Dengan melihat Histogram dapat dikatakan bahwa
model berdistribusi normal karena kurva membentuk lonceng. Pada diagram Normal
Probability Plot terlihat titik-titik yang menyebar yang kesemuanya menunjukkan bahwa
model berdistribusi normal.
8. Data yang tidak berdistribusi normal dapat di atasi dengan menambah jumlah periode data.
c. Uji Multikolinieritas
2. Pada menu Analyze  pilih Regression  Linier...
3. Masukan IHSG sebagai variebel dependent dan NT, INF, SB, HS sebagai variabel
independent
Gambar 35

4. Pilih Statistics, aktifkan estimates, covariance matrik, dan Colinearity diagnostics,
kemudian continue
Gambar 36
5. Abaikan yang lain, Klik OK, dihasilkan output sebagai berikut :
Coefficientsa
Model Unstandardized Standardized t Sig. Collinearity Statistics
Coefficients Coefficients
B Std. Error Beta Tolerance VIF
(Constant) -1,675 3,613 -,464 ,649
nilai tukar -,092 ,142 -,141 -,646 ,528 ,550 1,818
1 inflasi ,428 ,162 ,559 2,647 ,018 ,586 1,705
suku bunga -,001 ,154 -,002 -,007 ,995 ,494 2,025
harga saham ,647 ,235 ,475 2,750 ,015 ,879 1,138
Coefficient Correlationsa
Model harga saham nilai tukar inflasi suku bunga
1 Correlations harga saham 1,000 ,077 -,339 ,187
nilai tukar ,077 1,000 -,233 -,490
inflasi -,339 -,233 1,000 -,384
suku bunga ,187 -,490 -,384 1,000
Covariances harga saham ,055 ,003 -,013 ,007
nilai tukar ,003 ,020 -,005 -,011
inflasi -,013 -,005 ,026 -,010
suku bunga ,007 -,011 -,010 ,024
6. Pada table Coefficients Nilai 1/Tolerance < 3, Pada table Coefficient Correlations, nilai
korelasi antar variabel bebas tidak lebih dari 0,50. Dengan demikian disimpulkan bahwa
model bebas dari gejala multikolinieritas.
7. Multikolinieritas dapat diatasi dengan cara (Gujarati):
a. Menghilangkan salah satu variabel bebas yang saling berkorelasi
b. Mentransformasikan variabel menjadi bentuk first Difference dengan mengurangkan
variabel (periode t) pada variabel peride sebelumnya (t-1)
c. Penambahan Data Baru

d. Uji Heteroskedastisitas
3. Masukan IHSG sebagai variebel dependent dan NT, INF, SB, HS sebagai variabel
independent
4. Pilih Save. Pada Kotak Residual pilih Unstandardized, abaikan pilihan lain. Continue
Gambar 37
5. Klik OK, sehingga pada data editor akan muncul data Res_1.
6. Pada data editor, pilih Transform, kemudian Compute Variable.
Gambar 38
 Target Variable Diisi : Abresid

 Numeric Expresion Diisi : ABS(Res_1)
 Pada Data Editor akan muncul kolom Abresid
7. Pada Data Editor, pilih Analyze  Regression  Linier... Masukan Abresid sebagai
variabel dependent, dan NT, INF, SB, HS sebagai variabel independent.
Gambar 39
8. Abaikan pilihan yang lain, Klik OK.

Coefficientsa
Coefficients
B Std. Error Beta
(Constant) 1,234 2,400 ,514 ,615
nilai tukar -,021 ,095 -,077 -,224 ,826
1 inflasi -,033 ,107 -,102 -,306 ,764
suku bunga ,026 ,102 ,094 ,258 ,800
harga saham -,012 ,156 -,022 -,079 ,938
a. Dependent Variable: Abresid
9. Analisis : Gejala heteroskedastisitas akan ditunjukkan oleh koefisien regresi dari masing-
masing variabel independent terhadap absolut residunya. Jika nilai probabilitas >  (0,05), t-
hitung < t-tabel, atau sig-t >  (0,05) dipastikan model untuk terjadi heteroskedastisitas. Dari
analisis data regresi diperoleh hasil bahwa dalam model tersebut tidak terjadi
heteroskedastisitas.
10. Cara Mengatasi Heteroskedastisitas dapat dilakukan dengan transformasi logaritma. LnYi =  0
+  1 Ln Xi + ui
e. Uji Autokorelasi
3. Masukan IHSG sebagai variabel dependent dan NT, INF, SB, HS sebagai variabel
independent. Pilih Statistics. Pada Kotak Residual pilih Durbin-Watson  Continue

Gambar 40
4. Klik OK, dihasilkan output sebagai berikut :
Model Summaryb
Model R R Square Adjusted R Std. Error of the Durbin-Watson
Square Estimate
1 ,779a ,608 ,503 ,99976 2,901
a. Predictors: (Constant), harga saham, nilai tukar, inflasi, suku bunga
b. Dependent Variable: indeks harga saham gabungan
5. Analisis : Kriteria pengambilan keputusan autokorelasi dapat dilihat dari tabel berikut :
DW Kesimpulan
<dL Ada Otokorelasi (+)
dL s.d. dU Tidak ada kesimpulan
Du. S.d. 4-dU Tidak ada Otokorelasi
4-dU s.d. 4-dL Tidak ada kesimpulan
> 4-dL Ada Otokorelasi (-)
Dari hasil pengolahan Data Regresi, dengan melihat tabel  = 0,05 (Lihat lampiran tabel
buku Gujarati) diketahui dL : 0,69, dU : 1,57, DW: 2,901
4 – dU ; 4 - 1,57 = 2,43
4 - dL ; 4 – 0,69 = 3,31
Dengan demikian 4-dU s.d. 4-dL atau 2,43 <2,901<3,31 “Tanpa ada kesimpulan”
6. Cara Mengatasi Autokorelasi dapat dilakukan melalui perbaikan data dengan cara
pengurangan data dengan data sebelumnya dikalikan , dimana  = 1 – d/2, d adalah
koefisien durbin watson, sehingga diperoleh model regresi sebagai berikut :
Yt - Yt-1=  0 (1-) +  i (Xit – Xi (t-1)) + e
5.3 Regresi Binary

Memprediksi besar variabel dependent yang berupa variabel binery (variabel dengan jenis data
nominal) dengan menggunakan data variabel bebas yang sudah diketahui besarnya.
Data PT. Yanto Super
Nama Variabel Tipe Value Label
Daerah Numeric Daerah penjualan roti
Sales Numeric Tingkat penjualan roti
Iklan_ko Numeric Pengeluaran iklan koran (Juta/bulan)
Iklan_ra Numeric Pengeluaran iklan radio (Juta/bulan)
Outlet Numeric Jumlah outlet perusahaan setiap
daerah
Salesman Numeric Jumlah Salesman
Keputusan Konsumen Numeric 1 = Tidak Keputusan membeli atau tidak
membeli, 2 = membeli
membeli
Isi Data :
Daerah Sales Iklan_ko Iklan_ra Outlet Salesman Keputusan
A 300 26 12 7 4 Membeli
B 312 25 13 8 3 Membeli
C 362 34 15 8 2 Membeli
D 400 33 14 9 1 Membeli
E 412 32 13 6 4 Membeli
F 423 23 13 5 2 Membeli
G 320 34 12 8 3 Membeli
H 366 40 15 9 3 Tidak.membeli
I 451 36 14 8 2 Tidak.membeli
J 430 25 13 10 5 Tidak.membeli
K 265 36 12 11 4 Tidak.membeli
L 254 37 15 10 1 Tidak.membeli
M 352 22 12 9 5 Membeli
N 365 26 13 8 4 Tidak.membeli
Langkah kerja :
1. Pilih menu Analyze  Regression  Binary Logistic
Gambar 41
2. Pada kotak dependent pilih variabel keputusan. Pada kotal Covariates masukan Iklan_ko,
Iklan_ra, Outlet dan Salesman. Kemudian Klik tombol Option

Gambar 42
3. Aktifkan Hosmer_Lemeshow goodness-of-fit, Kemudian Continue. Abaikan yang lain,

klik OK
Logistic Regression
Unweighted Casesa N Percent
Selected Cases Included in Analysis 14 100,0
Missing Cases 0 ,0
Total 14 100,0
Unselected Cases 0 ,0
Total 14 100,0
a. If weight is in effect, see classification table for the total number
of cases.
Dependent Variable Encoding

Original Value Internal Value
Tidak Membeli 0
Membeli 1
Hosmer and Lemeshow Test

Step Chi-square df Sig.
1 7,471 8 ,487
Variables in the Equation

B S.E. Wald df Sig. Exp(B)
Iklan_ko -,463 ,465 ,993 1 ,319 ,629
Iklan_ra -1,410 1,330 1,124 1 ,289 ,244
Outlet -1,649 1,286 1,644 1 ,200 ,192
Step 1a Salesman -2,439 2,196 1,233 1 ,267 ,087
54,627 38,707 1,992 1 ,158 5301500756005
Constant 80600000000,0
00
a. Variable(s) entered on step 1: Iklan_ko, Iklan_ra, Outlet, Salesman.
4. Analisis :
 Menilai kelayakan Model regresi: Perhatikan table Hosmer and Lemeshow Test, jika
nilai signifikan-nya > 0,05, artinya model regresi layak digunakan untuk analisis
selanjutnya. Dari hasil pengelohan diatas Sig (0,487) > 0,05, berarti model layak
digunakan untuk analisis selanjutnya.
 Menguji Koefisien Regresi: Perhatikan tabel Varibel in The Equition, jika nilai
signifikannya > 0,05, artinya variabel independen tidak berpengaruh signifikan
terhadap variabel dependent. Dari hasil pengelohan diatas semua variabel independen
(Iklan_ko, Iklan_ra, Outlet, dan Salesman) memiliki nilai Sig. > 0, artinya semua
variabel tersebut tidak berpengaruh signifikan terhadap keputusan membeli atau tidak
membeli produk.
5.4 Regresi Berganda variabel Dummy

Memprediksi besar variabel dependen dengan menggunakan data variabel independen, dimana
satu atau lebih variabel independen adalah variabel dummy (Jenis datanya Nominal)
Data : PT Roni Informatik
Nama Variabel Tipe Value Label
Gaji Numeric Gaji Perbulan
Gender Numeric 1 : Wanita Jenis Kelamin
2 : Pria
Tk.Ddk Numeric 1 : SMA Tingkat Pendidikan
2 : Sarjana
Usia Numeric ---- Usia seorang karyawan (tahun)
Isi Data
No Gaji Gender Tk. Didik Usia
1 210000 Pria Sarjana 25
2 195000 Wanita Sarjana 22
5 170000 Wanita SMU 25
6 210000 Pria SMU 35
7 200000 Pria SMU 33
10 210000 Pria SMU 37
11 225000 Pria SMU 30
12 200000 Pria SMU 33
Langkah Kerja :
1. Input data PT Roni Informatik dalam SPSS
2. Dari menu Analyze  Regression  Linier...
3. Pada kotak Dependent masukan Gaji, pada kotak Independent masukan gender, tingkat
pendidikan dan usia

Gambar 43
4. Abaikan yang lain, klik OK.

Regression
Model Summary
Model R R Square Adjusted R Std. Error of the
Square Estimate
1 ,869a ,755 ,688 12082,823
a. Predictors: (Constant), Usia Seorang Karyawan (Tahun), Jenis
Kelamin, Tingkat Pendidikan
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 4935792561,378 3 1645264187,126 11,269 ,001b
Residual 1605940771,956 11 145994615,632
Total 6541733333,333 14
a. Dependent Variable: Gaji Perbulan
b. Predictors: (Constant), Usia Seorang Karyawan (Tahun), Jenis Kelamin, Tingkat
Pendidikan
Coefficientsa
Coefficients
B Std. Error Beta
1 (Constant) 70213,302 27625,694 2,542 ,027
Jenis Kelamin 30016,148 6378,606 ,717 4,706 ,001
Tingkat Pendidikan 28629,083 7000,391 ,684 4,090 ,002
Usia Seorang Karyawan 1395,713 598,693 ,383 2,331 ,040
(Tahun)
a. Dependent Variable: Gaji Perbulan
5. Analisis
 Model Summary : angka R sebesar 0, 869 menunjukan angka korelasi yang cukup
kuat antara gaji yang diterima dengan gender, tingkat pendidikan dan usia
 Anova : Dari uji anova nilai significansinya sebesar 0,001 dibawah 0,005 berarti
pengaruh ke tiga variabel independen signifikan terhadap variabel gaji

 Coefficients: Pada kolom Sig. semua variabel memiliki tingkat signifikansi dibawah
nilai 0,005, berarti model regresi sudah layak untuk memprediksi pengaruh variabel
independent terhadap variabel dependent
 Persamaan regresi :
Gaji = 128858,5 + 30016,148 gender + 28629,083tk.didik + 1395,713 Usia
 Contoh Penafsiran : Misal apakah rata-rata gaji salesmen sama antara pria dan wanita
jika mereka berpendidikan sarjana dan berusia 30 tahun
Untuk Pria:
Gaji = 128858,5+30016,148 (1) + 28629,083 (1) + 1395,713 (30)
= 229375,121
Untuk Wanita :
Gaji = 128858,5+30016,148 (0) + 28629,083 (1) + 1395,713 (30)
= 119358,973
Kesimpulan : Gaji salesmen Wanita lebih rendah dari gaji salesmen pria

BAB VII
REGRESI MODERATING
Hubungan antar variabel dalam fenomena bisnis tidak hanya ditentukan oleh adanya variabel
bebas maupun variabel tergantung saja. Tetapi sering kali muncul adanya variabel yang
mempererat atau memperlemah hubungan antara variabel bebas dengan variabel tergantungnya.
Variabel yang mampu mempererat atau memperlemah hubungan antar variabel bebas dengan
variabel tergantung disebut dengan variabel moderating (variabel moderasi).
Untuk menggambarkan model hubungan moderating dapat dilihat pada gambar berikut:
X2
X1 Y
Diketahui :
X1 = Kepuasan Konsumen
X2 = Varriety Seeking Behaviour (VSB)
Y = Loyalitas Konsumen
Model tersebut dapat dibaca bahwa disamping kepuasan konsumen mempengaruhi loyalitas
konsumen, variabel varriety seeking behaviour juga memoderasi hubungan antara variabel
kepuasan konsumen dengan loyalitas konsumen.
Ada tiga metode yang digunakan untuk menganalisis uji regresi dengan variabel moderasi, ketiga
model tersebut adalah:
1. Uji Interaksi
Uji interaksi sering juga disebut dengan Moderated Regression Analysis (MIRA). Uji interaksi
dilakukan dengan cara mengalikan variabel moderasinya dengan variabel bebas. Jika variabel
hasil perkalian antara variabel bebas dengan variabel moderasinya signifikan, maka dapat
disimpulkan bahwa variabel moderasi benar-benar mampu memoderasi hubungan antara
variabel bebas dengan variabel tergantungnya. Dengan uji interasik, maka model persamaan
regresinya dapat diformulasikan sebagai berikut:
Y= a+b1X1 + b2X2 + b3X1X2 + e

2. Uji Selisih Mutlak
Uji selisih Mutlak dilakukan dengan cara mencari hasil selisih mutlak variabel moderasinya
terstandarisasi dengan variabel bebas terstandarisasi. Jika variabel hasil selisih antara variabel
bebas terstandarisasi dengan variabel moderasi terstandarisasinya signifikan, maka dapat
disimpulkan bahwa variabel moderasi benar-benar mampu memoderasi hubungan antar
variabel bebas dengan variabel tergantungnya.
Dengan uji selisih mutlak, maka model persamaan regresinya dapat difromulasikan sebagai
berikut:
Y= a+b1ZX1 + b2ZX2 + b3|ZX1 - ZX2|+ e
Langkah Kerja
1. Uji Interaksi
 Buat File Berikut di Microsoft Excel dengan nama Regresi Moderating
Data Isi :
Kepuasan_Konsumen VSB Loyalitas_Konsumen
3 4 4
2 2 5
3 3 4
3 3 4
4 4 5
2 3 5
4 2 4
3 3 4
3 4 4
3 4 4
4 4 4
3 4 5
4 3 4
3 3 5
4 2 4
3 3 4
4 3 4
4 4 4
3 3 4
4 3 5
3 2 5
2 3 4
3 4 4
2 3 5
4 3 4
3 4 4
4 4 5
4 4 4
5 4 4
Lalu di konversi ke interval menggunakan software successive (MSI)
Buat data SPSS sebagai berikut :
Nama Variabel Tipe Label Skala
kepuasan_konsumen Numeric Kepuasan Konsumen Rasio
vsb Numeric Varriety Seeking Rasio
Behaviour
loyalitas_konsumen Numeric Loyalitas Konsumen Rasio
 Data tersebut dimasukan ke dalam SPSS
Gambar 44
 klik Transform  Compute Variable
 Target Variabel diisi dengan Moderat
 Numeric Expression diisi dengan perkalian variabel kepuasan_konsumen dengan vsb
dengan syntax sebagai berikut : kepuasan_konsumen * vsb

Gambar 45
 Klik OK
Tampak pada Data View, terjadi penambahan satu variabel sebagai akibat proses
perhitungan (Save...) di atas sebagai berikut:
Gambar 46
 Lakukan analisis Regresi Linear
Klik Analyze  Regression  Linear…
Masukan variabel loyalitas_konsumen pada kotak Dependent. Lalu variabel
kepuasan_konsumen, vsb dan moderat pada kotak Independent.

Gambar 47
 Abaikan pilihan yang lain, lalu klik OK
Model Summary
Square Estimate
1 ,444a ,197 ,105 ,793862
a. Predictors: (Constant), Moderat, kepuasan_konsumen, varriety
seeking behaviour
ANOVAa
Regression 4,025 3 1,342 2,129 ,121b
1 Residual 16,386 26 ,630
Total 20,411 29
a. Dependent Variable: loyalitas_konsumen
b. Predictors: (Constant), Moderat, kepuasan_konsumen, varriety seeking behaviour
Coefficientsa
Coefficients
B Std. Error Beta
(Constant) 8,986 2,529 3,553 ,001
1 kepuasan_konsumen -,761 ,661 -,845 -1,150 ,260

varriety seeking behaviour -,861 ,731 -,957 -1,178 ,249
Moderat ,158 ,186 1,039 ,853 ,402
ANALISIS :
 Berdasarkan outupu diperoleh nilai t statistik sebesar 0,853, sedangkan jika kita lihat t tabel
df: α, n-k (2,042), maka dapat disimpulkan bahwa Varriety Seeking Behaviour tidak
memoderasi hubungan antara variabel kepuasan konsumen dan loyalitas konsumen.
 Berdasarkan output diperoleh sigi t statistik sebesar 0,402, sedangkan : α sebesar 0,05. Karena
nilai Sig t statistik (0,402) > α (0,05), maka dapat disimpulkan bahwa Varriety Seeking
Behaviour tidak memoderasi hubungan antara kepuasan konsumen dan loyalitas konsumen.

2. Uji Selisih Mutlak
 Buka File : Regresi Moderating
 Menghitung nilai Standardize Variabel kepuasan_konsumen dan nilai Standardize
Variabel vsb.
Klik Analyze  Descriptive Statistics  Descriptives
Masukkan variabel kepuasan_konsumen dan vsb ke kotak variabel(s)
Aktifkan Save Standardized Value As Variable
Gambar 48
Klik OK, abaikan pilihan yang lain
Maka pada SPSS data editor muncul variabel baru Zkepuasan_Konsumen dan Zvsb
 Mengitung Nilai Variabel Moderat
Dalam data editor kita belum mempuanyai variabel selisih mutlak kedua variabel
yang telah di standarisasi, selisih kedua variabel yang telah distandarisasi dapat
dilakukan dengan cara :
Klik Transform  Compute Variable
Target Variable diisi dengan Moderat
Numeric Expression diisi dengan nilai mutlak pengurangan variabel
Zkepuasan_konsumen dan Zvsb dengan syntax sebagai berikut:

Gambar 49
Klik OK. Tampak pada Data View, terjadi penambahan 1 Kolom sebagai akibat
proses perhitungan (Save..)
 Lakukan analisis Regresi Linear
Analyze  Regression  Linear..
Masukan variabel loyalitas_konsumen pada kotak Dependent, lalu variabel
Zkepuasan_konsumen, Zvsb dan moderat pada kotak Independent
Gambar 50
Abaikan pilihan yang lain, lalu klik OK

Model Summary
Square Estimate
1 ,461a ,213 ,122 ,786051
a. Predictors: (Constant), moderat, Zscore(kepuasan_konsumen),
Zscore: varriety seeking behaviour
ANOVAa
Regression 4,346 3 1,449 2,345 ,096b
1 Residual 16,065 26 ,618
Total 20,411 29
b. Predictors: (Constant), moderat, Zscore(kepuasan_konsumen), Zscore: varriety seeking
behaviour
Coefficientsa
Coefficients
B Std. Error Beta
(Constant) 5,414 ,219 24,664 ,000
Zscore(kepuasan_konsume -,167 ,155 -,199 -1,078 ,291
1 n)
Zscore: varriety seeking -,272 ,155 -,324 -1,751 ,092
behaviour
moderat -,212 ,189 -,201 -1,123 ,272
ANALISIS :
 Berdasarkan outupu diperoleh nilai t statistik sebesar -0,185, sedangkan jika kita lihat t tabel
df: α, n-k (2,042), maka dapat disimpulkan bahwa Varriety Seeking Behaviour tidak
memoderasi hubungan antara variabel kepuasan konsumen dan loyalitas konsumen.
 Berdasarkan output diperoleh sigi t statistik sebesar 0,854, sedangkan : α sebesar 0,05. Karena
nilai Sig t statistik (0,854) > α (0,05), maka dapat disimpulkan bahwa Varriety Seeking
Behaviour tidak memoderasi hubungan antara kepuasan konsumen dan loyalitas konsumen.

BAB VIII
REGRESI INTERVENING
Di samping adanya hubungan mediasi adalah fenomena ekonomi juga terdapat hubungan
intervening. Suatu variabel dikatakan bertindak sebagai variabel intervening jika variabel tersebut
menjadi perantara hubungan dua variabel atau lebih. Untuk menganalisis apakah suatu variabel
bertindak sebagai variabel intervening atau tidak digunakan analisis regresi yang terstandarisasi
(analisis jalur). Untuk mempermudah dalam memahami analisis regresi dengan variabel
intervening, maka dapat disajikan model sebagai berikut:
X2
X1 Y
Gambar 55
Dari gambar di atas terlihat bahwa X2 merupakan variabel intervening antara variabel; X1 dengan
variabel Y. Artinya bahwa X1 akan mempengaruhi X2, sedangkan X2 anak berpengaruh terhadap
Y. Dalam analisis regresi dengan variabel intervening harus dianalisis per struktur. Dalam model
di atas terdiri dari dua sub struktur yaitu:
1. Struktur Pertama
X1 X2
Persamaan : X2 = a +b1X1
2. Persamaan kedua
X1
X2
Persamaan : Y = a + b1X1 + b2X2

APLIKASI MENGGUNAKAN SPSS
Berikut ini adalah model penelitian di bidang Manajemen Pemasaran
Kualitas Pelayanan
P3
P1
P4
Kepuasan Konsumen Loyalitas Konsumen
P2
P5
Citra Merk
ε1 ε2
Gambar 51
1. Analisis Sub Struktur Pertama
 Dalam sub struktur pertama kepuasan_konsumen dipengaruhi oleh kualitas_pelayanan dan
citra_merk
kualitas_pelayanan citra_merek kepuasan_konsumen koyalitas_konsumen
5 5 4 6
5 5 5 6
4 4 4 5
5 5 5 6
5 4 5 7
4 4 4 5
5 5 5 7
4 4 4 5
5 5 5 6
5 5 5 6
4 4 4 5
5 5 5 5
4 4 4 5
5 5 5 7
4 5 5 6
5 5 5 7
4 4 4 5
5 5 5 7
5 5 5 6
4 4 4 6
6 6 6 6
4 5 4 5
5 5 5 6
5 5 5 6
5 5 5 6
6 6 6 6
7 7 7 7
6 6 6 7
4 7 6 7

5 5 5 6
 Buat File : Regresi Intervening

Variabel :
Nama Variabel Tipe Label Skala
kualitas_pelayanan Numeric Kualitas Konsumen Rasio
citra_merk Numeric Citra Merk Rasio
kepuasan_konsumen Numeric Kepuasan Konsumen Rasio
loyalitas_konsumen Numeric Loyalitas Konsumen Rasio
Data Isi :
 Konversi data ordinal di atas ke interval menggunakan successive
 Klik Analyze  Regression  Linear...
 Masukan variabel kepuasan_konsumen pada kotak dependent, dan variabel
kualitas_pelayanan dan citra_merk pada kotak Independent

Gambar 52
Model Summary
Square Estimate
1 ,881a ,776 ,759 ,423424
a. Predictors: (Constant), Citra_Merek, Kualitas_pelayanan
Coefficientsa
Coefficients
B Std. Error Beta
(Constant) ,234 ,523 ,447 ,659
1 Kualitas_pelayanan ,465 ,117 ,472 3,977 ,000
Citra_Merek ,488 ,116 ,500 4,214 ,000
a. Dependent Variable: Kepuasan_Konsumen
Nilai koefisien regresi yang dipakai adalah nilai yang terletak pada kolom Standardized
Coefficients yaitu:
Koefisien regresi variabel Kualitas Pelayanan = 0,472
Koefisien regresi variabel Citra Merek = 0,500
Sehingga model regresi pertama adalah:
Kepuasan Konsumen (Y) = 0,472 Kualitas Pelayanan (X1) + 0,500 Citra Merek (X2)
2. Analisis Sub Struktur Kedua

 Dalam sub struktur pertama Loyalitas Konsumen dipengaruhi oleh Kualitas Pelayanan
Citra_merk dan Kepuasan_konsumen.
 Buka File : Regresi Intervening
 Klik Analyze  Regression  Linear...
 Masukan variabel loyalitas_konsumen pada kotak dependent, dan variabel kualitas
pelayanan, Citra_merk dan kepuasan_konsumen pada kotak Independent

Gambar 53
Model Summary
Square Estimate
1 ,728a ,530 ,476 ,537907
a. Predictors: (Constant), Kepuasan_Konsumen, Kualitas_pelayanan,
Citra_Merek
Coefficientsa
Coefficients
B Std. Error Beta
(Constant) 2,643 ,667 3,964 ,001
1 Kualitas_pelayanan ,072 ,187 ,085 ,384 ,704

Citra_Merek ,020 ,189 ,024 ,105 ,917
Kepuasan_Konsumen ,550 ,244 ,640 2,251 ,033
a. Dependent Variable: Loyalitas_Konsumen
Koefisien regresi variabel Kualitas Pelayanan = 0,085

Koefisien regresi variabel Citra Merek = 0,024
Koefisien regresi variabel kepuasan konsumen = 0,640
Sehingga model regresi kedua adalah:
Loyalitas konsumen (Y) = 0,085 Kualitas Pelayanan + 0,024 Citra Merek + 0,640
Kepuasan Konsumen
PEMBAHASAN

Kualitas Pelayanan P3 = 0,085
P1 = 0,472
P4 = 0,640
Kepuasan Konsumen Loyalitas Konsumen
P2 = 0,500
Citra Merk P5 = 0,024
ε1 ε2
Gambar 54
Uji Hipotesis Model Pertama:

1. Pengaruh Kualitas Pelayanan terhadap Kepuasan Konsumen
H0 : Kualitas Pelayanan berpengaruh tidak signifikan terhadap kepuasan konsumen
H1 : Kualitas Pelayanan berpengaruh signifikan terhadap kepuasan Konsumen
t tabel = 5%;30-2=2,048
t hitung variabel kualitas pelayanan = 3,977
nilai t hitung (3,977) > nilai t tabel (2,048) maka H1 diterima.
2. Pengaruh Citra Merek terhadap Kepuasan Konsumen
H0 : Citra Merk berpengaruh tidak signifikan terhadap kepuasan konsumen
H1 : Citra Merk berpengaruh signifikan terhadap Kepuasan Konsumen
t tabel = 5%;30-2=2,048
Uji Hipotesis Model Kedua:
1. Pengaruh Kualitas Pelayanan terhadap Loyalitas Konsumen
H0 : Kualitas Pelayanan berpengaruh tidak signifikan terhadap loyalitas konsumen
H1 : Kualitas Pelayanan berpengaruh signifikan terhadap loyalitas Konsumen
t tabel = 5%;30-3=2,052
nilai t hitung (0,384) < nilai t tabel (2,052) maka H0 diterima.
2. Pengaruh Kepuasan terhadap Loyalitas Konsumen
H0 : Kepuasan Konsumen berpengaruh tidak signifikan terhadap loyalitas konsumen
H1 : Kepuasan Konsumen berpengaruh signifikan terhadap loyalitas Konsumen
t tabel = 5%;30-3=2,052
3. Pengaruh Citra Merk terhadap Loyalitas Konsumen
H0 : Citra Merk berpengaruh tidak signifikan terhadap loyalitas konsumen
H1 : Citra Merk berpengaruh signifikan terhadap loyalitas Konsumen
t tabel = 5%/2;30-3=2,052
nilai t hitung (0,105) < nilai t tabel (2,052) maka H0 diterima.
Untuk melihat apakah variabel kepuasan konsumen menjadi variabel intervening bagi model
penelitian di atas, maka harus dibandingkan antara nilai koefisien regresi pengaruh langsung dan
tidak langsung dari variabel kualitas pelayanan dan citra merek terhadap loyalitas pelanggan
melalui variabel kepuasan konsumen. Caranya adalah sebagai berikut:
a. Apakah variabel kepuasan konsumen menjadi variabel intervening (mediasi) dari pengaruh
kualitas pelayanan terhadap loyalitas konsumen
Pengaruh langsung dari Kualitas Pelayanan terhadap loyalitas konsumen
Nilai P3 = 0,085
Pengaruh tidak langsung dari Kualitas Pelayanan terhadap loyalitas konsumen
Nilai P1 x Nilai P4 = 0,472 x 0,640 = 0,302
Dari perhitungan di atas dapat disimpulkan bahwa variabel kepuasan konsumen menjadi
variabel intervening bagi hubungan antara kualitas pelayanan dengan loyalitas konsumen
karena hasil perkalian pengaruh tidak langsung (0,302) lebih besar dari pengaruh langsung
(0,085).
Untuk menguji apakah variabel intervening tersebut signifikan atau tidak dilakukan pengujian
dengan menggunakan Sobel Test.
Langkah-langkah Sobel Test sebagai berikut:
1. Menghitung besarnya nilai Standard error pengaruh tidak langsung (Se 14)
Se1 = √ (1 – R2) nilai R2 model regresi pertama = 0,776 sehingga
Se1 = √ (1 – 0,776) = 0,224
Se2 = √ (1 – R2) nilai R2 model regresi kedua = 0,530 sehingga
Se2 = √ (1 – 0,530) = 0,470
P14 = P1 x P4 = 0,472 x 0,640 = 0,302
Se14 = √P12 . Se22 + P42 . Se12 + Se12. Se22
= √[(0,472)2 . (0,470)2] + [(0,640)2 . (0,224)2 ]+ [(0,224)2 . (0,470)2]
= √0,3440840752
= 0,58381596004220371

2. Menentukan nilai t hitung
𝑃14 0,302
𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 = = = 0,517
𝑆14 0,58381596004220371
3. Membandingkan nilai t hitung dengan nilai z untuk nilai α = 0,05 yaitu sebesar 1,96
Dari perhitungan pada langkah kedua diperoleh nilai t hitung (0,517) kurang dari nilai z
(1,96), sehingga dapat disimpulkan meskipun nilai pengaruh tidak langsung lebih besar
dari pengaruh langsung, namun pengaruhnya tidak signifikan.
b. Apakah variabel kepuasan konsumen menjadi variabel intervening (mediasi) dari pengaruh
kualitas pelayanan terhadap loyalitas konsumen
Pengaruh langsung dari Citra Merek terhadap loyalitas konsumen
Nilai P5 = 0,024
Pengaruh tidak langsung dari Citra Merek terhadap loyalitas konsumen
Nilai P2 x Nilai P4 = 0,500 x 0,640 = 0,320
Dari perhitungan di atas dapat disimpulkan bahwa variabel kepuasan konsumen menjadi
variabel intervening bagi hubungan antara citra merek dengan loyalitas konsumen karena hasil
perkalian pengaruh tidak langsung (0,320) lebih besar dari pengaruh langsung (0,024).
Untuk menguji apakah variabel intervening tersebut signifikan atau tidak dilakukan pengujian
dengan menggunakan Sobel Test.
Langkah-langkah Sobel Test sebagai berikut :
1. Menghitung besarnya nilai Standard error pengaruh tidak langsung (Se 24)
Se1 = √ (1 – R2) nilai R2 model regresi pertama = 0,776 sehingga
Se1 = √ (1 – 0,776) = 0,224
Se2 = √ (1 – R2) nilai R2 model regresi kedua = 0,530 sehingga
Se2 = √ (1 – 0,530) = 0,470
P24 = P2x P4= 0,500 x 0,640 = 0,320
Se24 = √P22 . Se22 + P42 . Se12 + Se12. Se22
= √[(0,500)2 . (0,470)2] + [(0,640)2 . (0,224)2 + [(0,224)2 . (0,470)2]
= √0,0875097744
= 0,29582051044510081
2. Menentukan nilai t hitung
𝑃14 0,302
𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 = = = 1,082
𝑆14 0,29582051044510081
3. Membandingkan nilai t hitung dengan nilai z untuk nilai α = 0,05 yaitu sebesar 1,96

Dari perhitungan pada langkah kedua diperoleh nilai t hitung (0,758) kurang dari nilai z
(1,96), sehingga dapat disimpulkan meskipun nilai pengaruh tidak langsung lebih besar
dari pengaruh langsung, namun pengaruhnya tidak signifikan.
DAFTAR PUSTAKA
Fandy Tjiptono, Yanto Chandra, Anastasia Diana, 2004, Marketing Scales, Andi, Yogyakarya
Harun Alrasyid, 1994, Diktat Perkuliahan, UNPAD, Bandung
Mudrajat Kuncoro, 2001, Metode Kuantitatif Teori dan Aplikasi Untuk bisnis dan Ekonomi, UPP
AMP YKPN, Yogyakarta
Muhammad Firdaus, 2004, Ekonometrika Suatu pendekatan Aplikatif, PT. Bumi Aksara, Jakarta
Ronny Kountur, 2005, Statistik Praktis Pengolahan Data untuk Penyusunan Skripsi dan Tesis,
PPM, Jakarta
Singgih Santoso, Fandy Tjiptono, Riset Pemasaran Konsep dan Aplikasi dengan SPSS, PT. Elex
Media Komputindo, Jakarta
Suliyanto, 2005, Panduan Praktikum Analisis Statistik, UNSOED, Purwokerto

Modul Praktikum Alat Analisis Statistik

Diunggah oleh

Informasi Dokumen

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

Modul Praktikum Alat Analisis Statistik

Diunggah oleh

Hak Cipta:

Format Tersedia

EDISI REVISI KEDUA

LABORATORIUM STUDI MANAJEMEN

JURUSAN MANAJEMEN – FAKULTAS EKONOMI

UNVERSITAS SULTAN AGENG TIRTAYASA

LABORATORIUM STUDI MANAJEMEN

Serang, September 2014

Yanto Azie Setya, SE., M.Si.

Laboratorium Studi Manajemen i

KATA PENGANTAR ..................................................................................................... i

Laboratorium Studi Manajemen ii

Laboratorium Studi Manajemen iii

1.1. PENGERTIAN STATISTIKA

1.2.2. Data Berdasarkan Skala Pengukuran

Laboratorium Studi Manajemen 1

Laboratorium Studi Manajemen 2

Tabel 2 : Isi Data PT. Roni Sejahtera

Laboratorium Studi Manajemen 3

Pemberian Kode : Untuk variable Gender dan Profesi

Laboratorium Studi Manajemen 4

Laboratorium Studi Manajemen 5

Laboratorium Studi Manajemen 6

Analisis : Variabel Frekuensi

Laboratorium Studi Manajemen 8

Laboratorium Studi Manajemen 9

Laboratorium Studi Manajemen 10

Pembelian Mie Stem-and-Leaf Plot

Frequency Stem & Leaf

Laboratorium Studi Manajemen 11

Laboratorium Studi Manajemen 12

Profesi Konsumen * Pembelian Mie Crosstabulation

Laboratorium Studi Manajemen 13

Laboratorium Studi Manajemen 14

Laboratorium Studi Manajemen 15

Laboratorium Studi Manajemen 16

 Uji Validitas Rank Spearman

Laboratorium Studi Manajemen 17

Laboratorium Studi Manajemen 18

Laboratorium Studi Manajemen 19

Laboratorium Studi Manajemen 20

Laboratorium Studi Manajemen 21

Laboratorium Studi Manajemen 23

Laboratorium Studi Manajemen 24

Laboratorium Studi Manajemen 26

Case Processing Summary

Kaos * Status Crosstabulation

Laboratorium Studi Manajemen 27

B. Korelasi Data Ordinal

Laboratorium Studi Manajemen 28

C. Korelasi Data Interval dan Ratio

Laboratorium Studi Manajemen 29

No Beli SPG Promosi

3. Pilih Menu Analyze  Correlate  Bivariate, tampil gambar sebagai berikut:

Laboratorium Studi Manajemen 30

Laboratorium Studi Manajemen 31

5.1 Regresi Sederhana

Isi Data Regresi

5.2 Regresi Berganda

Laboratorium Studi Manajemen 34

Laboratorium Studi Manajemen 35

5.3 Uji Asumsi Klasik

Laboratorium Studi Manajemen 36

Laboratorium Studi Manajemen 37

Laboratorium Studi Manajemen 39

Laboratorium Studi Manajemen 40