MODUL PRAKTIKUM
ALAT ANALISIS
STATISTIK
TIM PENYUSUN :
DR. WAWAN ICHWANUDIN, SE., M.Si.
DR. AKHMADI, SE., MM..
YANTO AZIE SETYA, SE., M.Si.
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.
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.
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
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
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 :
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.
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)
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
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
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)
Gambar 9
2. Pilih variabel yang akan dianalisis (Row : Pilih Profesi, Column : Pilih Frekuensi), Abaikan
yang lain, kemudian klik OK.
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Profesi Konsumen * 14 100,0% 0 0,0% 14 100,0%
Pembelian Mie
Analisis :
Case Processing Summary : Menyatakan bahwa seluruh data yang terdiri dari 14 konsumen
valid untuk dilakukan proses crosstab.
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.
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.
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 10
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).
Gambar 12
e. Klik tombol Statistics. Pada bagian Descriptive for aktifkan item, scale, scale if item
deleted, abaikan yang lain pilih continue.
Gambar 13
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.
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 :
Laboratorium Studi Manajemen 22
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 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 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
Laboratorium Studi Manajemen 25
BAB V
KORELASI
(Dengan Aplikasi Program IBM STATISTICS SPSS 20)
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.
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 :
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.
Gambar 23
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 0.01 level (2-tailed).
*. 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.
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 :
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.
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)
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
Laboratorium Studi Manajemen 33
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.
Gambar 28
c. Kemudian Klik OK, sehingga akan dihasilkan output sebagai berikut :
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
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
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 32
8. Mengestimasi Nilai X1, X2, X3, X4, Z terhadap Y. Output yang dihasilkan sebagai berikut
:
Laboratorium Studi Manajemen 38
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
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
a. Dependent Variable: indeks harga saham gabungan
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
1. Buka Data Regresi
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
6. Abaikan pilihan yang lain, Klik OK. Dihasilkan output sebagai berikut :
Gambar 35
Gambar 36
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
a. Dependent Variable: indeks harga saham gabungan
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
a. Dependent Variable: indeks harga saham gabungan
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
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
Gambar 39
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
1. Buka Data Regresi
2. Pada menu Analyze Regression Linier...
3. Masukan IHSG sebagai variabel dependent dan NT, INF, SB, HS sebagai variabel
independent. Pilih Statistics. Pada Kotak Residual pilih Durbin-Watson Continue
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
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
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.
Laboratorium Studi Manajemen 47
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.
Isi Data
No Gaji Gender Tk. Didik Usia
1 210000 Pria Sarjana 25
2 195000 Wanita Sarjana 22
3 185000 Wanita Sarjana 26
4 210000 Pria Sarjana 22
5 170000 Wanita SMU 25
6 210000 Pria SMU 35
7 200000 Pria SMU 33
8 160000 Wanita SMU 36
9 180000 Wanita SMU 39
10 210000 Pria SMU 37
11 225000 Pria SMU 30
12 200000 Pria SMU 33
13 213000 Wanita Sarjana 31
14 215000 Wanita Sarjana 37
15 245000 Pria Sarjana 38
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
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
Model Unstandardized Coefficients Standardized t Sig.
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
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
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
Laboratorium Studi Manajemen 52
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 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.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
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
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 8,986 2,529 3,553 ,001
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.
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 50
Abaikan pilihan yang lain, lalu klik OK
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 4,346 3 1,449 2,345 ,096b
1 Residual 16,065 26 ,618
Total 20,411 29
a. Dependent Variable: loyalitas_konsumen
b. Predictors: (Constant), moderat, Zscore(kepuasan_konsumen), Zscore: varriety seeking
behaviour
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
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
a. Dependent Variable: loyalitas_konsumen
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.
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
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
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
Model Summary
Model R R Square Adjusted R Std. Error of the
Square Estimate
1 ,881a ,776 ,759 ,423424
a. Predictors: (Constant), Citra_Merek, Kualitas_pelayanan
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
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)
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 2,643 ,667 3,964 ,001
PEMBAHASAN
P1 = 0,472
P4 = 0,640
Kepuasan Konsumen Loyalitas Konsumen
P2 = 0,500
ε1 ε2
Gambar 54
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
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
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
Laboratorium Studi Manajemen 67
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