Penelitian Bisnis Dengan SPSS STATA Dan Eviews v2 - Compressed
Penelitian Bisnis Dengan SPSS STATA Dan Eviews v2 - Compressed
Buku ini disusun untuk membantu para mahasiswa yang ingin melakukan penelitian kuantitatif
dalam bidang bisnis. Materi yang disajikan mencakup konsep hakekat data untuk input program aplikasi;
Regresi linier sederhana dan berganda; Regresi linier berganda data panel, dan analisis jalur. Substansi
yang diuraikan relefan untuk mahasiswa yang sedang menyusun skripsi maupun tesis. Penekanan tulisan
ini sebenarnya pada langkah-langkah atau proses pengolahan data penelitian dengan variabel-variabel
atau kelompok data input berbasis varian (variance based). Software aplikasi yang banyak digunakan
mahasiswa membantu pengolahan data penelitian yakni SPPS, Stata, dan EViews. Ketiga platform ini
memiliki kelebihan dan kekurangan masing-masing terutama dalam fitur-fitur dan penampilan. Oleh
sebab itu diharapkan dapat saling melengkapi satu sama lain.
Substansi buku ini secara dominan berasal dari pengalaman para penulis dalam penelitian, pelatihan
pengolahan data, dan praktik-praktik pada laboratorium. Bahan-bahan yang dimiliki masing-masing
penulis didiskusikan dalam forum kecil. Selanjutnya ditulis sebagai salah satu karya ilmiah dan dapat
dipergunakan sebagai bahan pelatihan atau bahan ajar.
Para penulis mengucapkan puji dan syukur kepada Tuhan Yang Maha Esa atas berkat dan rahmatNya
sehingga tulisan yang sederhana ini dapat dirampungkan. Terima kasih dihaturkan kepada pimpinan
Program Studi dan Fakultas Ekonomi Universitas Darma Agung yang telah memberikan dorongan moril
kepada para penulis. Terima kasih kepada semua pihak yang telah memberikan konstribusi mulai dari
perancangan, penulisan hingga penerbitan buku ini.
Penulis menyadari keterbatasan yang dimiliki. Oleh sebab itu bila ada hal-hal yang kurang berkenan,
terlebih dahulu kami mohon maaf. Kritik-kritik yang konstruktif sangat diapresiasi demi penyempurnaan
buku ini pada masa yang akan datang
Medan, 31 Agustus 2021
Hormat kami,
Penulis
i
Tentang Para Penulis
ii
Hotriado Harianja memperoleh gelar Sarjana Akuntansi dari
Universitas Darma Agung tahun 1993 dan Memperoleh gelar Magister
Manajamen dari Sekolah Tinggi Ilmu Ekonomi IMMI Jakarta tahun 2002
serta menyelesai S2 dari Pascasarjana Program Studi Akuntansi
Universitas Sumatera Utara Tahun 2013. Saat ini penulis aktif bekerja
sebagai dosen tetap di Program Studi S1 Akuntansi Fakultas Ekonomi
Universitas Darma Agung. Mata kuliah yang pernah diasuh Akuntansi
Dasar, Akuntansi Biaya, dan Analisa Laporan Keuangan.
iii
Daftar isi
Hal.
Halaman sampul
Kata pengantar i
Tentang para penulis ii
Daftar isi iv
Daftar tabel vi
Daftar Gambar vii
Bab 1 Pendahuluan 1
1.1 Data 1
1.2 Pengolahan Data 1
1.3 Penelitian Bisnis 2
Bab 2 Sekilas Metodologi Penelitian dan Ekonometrik 4
2.1 Hasil Uji validitas dan reliabilitas instrumen 5
2.2 Model 5
2.3 Hasil uji asumsi klasik 5
2.4 Hasil uji Hipotesis 5
2.5 Hasil Uji Kesesuaian Model 6
2.6 Input Data untuk Software 6
2.7 Data Stadardized 7
2.8 Varian dan kovarian 8
2.9 Matriks 10
2.10 Input data penelitian 14
2.11 Gambaran Umum IBM SPSS Statistik , Stata, dan EViews 19
Bab 3 Uji Validitas dan Reliabilitas Istrumen Penelitian dengan SPSS dan Stata 21
3.1 Uji Instrumen 21
3.2 Uji Validitas 21
3.3 Uji Reliabilitas 22
3.4 Simulasi Uji Instrumen dengan SPSS dan Stata 23
Bab 4 Regresi linier sederhana dengan SPSS, Stata, dan Eviews 38
4.1 Konsep Dasar Regresi Linier Sederhana 38
4.2 Prosedur Penting Dalam Regresi Linier Sederhana 38
4.3 Asumsi Regresi Linier Sederhana 39
4.4 Teknik memperoleh garis regresi 40
4.5 Variabel Bebas dan Terikat Regresi Linier sederhana (Dependent dan Independent
Variable) 41
4.6 Penurunan Rumus Estimasi Regresi Linier Sederhana Menggunakan Ordinary Least
Squares (OLS) 41
4.7 Kesalahan Baku Estimasi (Standar deviasi) 41
4.8 Contoh Regresi Linier Sederhana 42
4.9 Penerapan Program Aplikasi 44
Bab 5 Regresi Linier berganda dengan Eviews, Stata, dan SPSS 63
5.1 Regresi Linier Berganda 63
5.2 Metode Kuadrat Terkecil untuk Regresi 64
iv
5.3 Uji Model Regresi 64
5.4 Penerapan Software Aplikasi 68
Bab 6 Regresi Linier Berganda Data Panel 115
6.1 Definisi 115
6.2 Tahapan Regresi Data Panel 117
6.3 Pengembangan Model Estimasi 117
6.4 Pemilihan Metode Estimasi Regresi Data Panel 118
6.5 Asumsi Klasik Regresi Data Panel 120
6.6 Uji Kelayakan (Goodness of Fit) Model Regresi Data Panel 122
6.7 Penggunaan Software Eviews dan Stata 122
Bab 7 Analisis Jalur dengan SPSS, EViews, dan Stata 161
7.1 Pengertian 161
7.2 Tahapan Dalam Analisis Jalur 163
7.3 Model-model dalam analisis jalur 164
7.4 Model-model dalam analisis jalur 165
Kepustakaan 220
v
Daftar tabel
Tabel hal.
2.1 Kertas kerja 10
2.2 Penjualan dan harga mobil 14
2.3 Rekap data angket 14
4.1 Perkembangan Biaya Promosi dan Laba selama bulan 1 - 8 42
4.2 Kertas kerja 43
4.3 Perkembangan Biaya promosi dan penjualan (bulan 1 -36) 45
5.1 Anova 65
5.2 Opini respoden terhadap Brand Experience, Kepercayaan, dan Ekuitas Merek 68
5.3 Ringkasan Tabulasi 72
6.1 PerkembanganSaham dari 4 Perusahaan Jasa Transportasi yang Go public di BEI 122
6.2 Perkembangan beberapa perusahaan 159
7.1 Rekap data observasi. 166
7.2 Pengaruh Antar Variabel 178
7.3 Standar Error dan Koefisien Pengaruh langsung 179
7.4 Rekap Data Variabel Penelitian 198
7.5 Koefisien dan standar deviasi pengaruh langsung 203
7.6 Global Fit 213
vi
Daftar gambar
Gambar hal.
2.1 Proses Penelitian Hingga Luaran 4
4.1 Grafik hubungan X dan Y 38
4.2 Scatter plot Diagram Pencar 39
4.3 Histogram Residu regresi 50
4.4 Normal P-P Plot residu regresi 51
6.1 Proses regresi data panel 117
6.2 Diagram Pemilihan model 120
7.1 Diagram lintasan tanpa intervening 164
7.2 Diagram lintasan dengan intervening 165
7.3 Diagram lintasan dengan moderasi 165
7.4 Kerangka Konsep Penelitian 174
7.5 Model regresi tahap I 176
7.6 Integrasi model Multistep Regresi I dan II (Model Struktural) 178
7.7 Kerangka konsep penelitian 181
7.8 Kerangka konsep persamaan struktural I 183
7.9 Grafik p-p plot normalitas residual 189
7.10 Model regresi data panel tahap II 193
7.11 Diagram Hasil Uji normalitas residual 199
7.12 Model lengkap penelitian 203
7.13 Kerangka Konsep Penelitian 204
7.14 Diagram alur model penelitian 210
vii
Bab1
Pendahuluan
Dalam buku ini terdapat beberapa terminologi penting yakni: Data, pengolahan data, dan penelitian
bisnis. Ketiga aspek diatas penting dipahami sebelum berlanjut pada faktor-faktor teknis yang
berhubungan dengan program-program aplikasi.
1.1 Data
Data sangat penting untuk penelitian bisnis terlepas dari apakah penyelidikan bersifat kuantitatif
atau kualitatif (Hair et al., 2020). Dalam kamus besar bahasa Indonesia (KBBI) disebut data adalah
keterangan atau bahan nyata yang dapat dijadikan dasar kajian (BPPB , 2016). BocIj et al., (2015)
mengatakan data adalah fakta atau pengamatan mentah yang dianggap memiliki nilai sedikit atau tidak ada
sama sekali sebelum diproses dan diubah menjadi informasi. Satu bagian data disebut datum. Zikmund et
al., (2013) mengatakan, data hanyalah fakta atau ukuran yang direkam dari fenomena (hal atau peristiwa)
tertentu .
Data hanyalah bahan dasar. Data belum ada artinya bagi pengambil keputusan. Data dapat berasal
dari suatu peristiwa. Fakta-fakta yang berasal dari suatu pengamatan. Data juga dapat berbentuk ukuran-
ukuran yang diperoleh dari suatu fenomena. Namun demikian sangat penting artinya karena merupakan
bahan dasar untuk melakukan berbagai pembahasan. Oleh sebab itu tidak ada analisis tanpa data.
1
Bourgue & Clark, (2006) menyatakan Pengolahan data adalah rangkaian pengolahan untuk
menghasilkan informasi atau menghasilkan pengetahuan dari data mentah, dengan langkah-langkah
berikut: Pengesahan (validasi), memastikan kebenaran dan relevansi data; Pengurutan, mengatur data agar
mengikuti urutan tertentu; Peringkasan, mengurangi perincian data sampai hal-hal utamanya;
penggabungan. menggabungkan berbagai sumber data; Analisis mencakup pengumpulan, pengelolaan,
analisis, penafsiran, dan penyajian data; Pelaporan, menerangkan ringkasan atau perincian data atau
informasi; pengelompokkan (klasifikasi), pemisahan data berdasarkan sifat tertentu.
Bila dilihat pendapat diatas , pengolahan data dapat dimulai dari penyortiran data atau validasi
kebenaran data. Artinya dapat dimulai dari pengujian kualitas data, apakah memenuhi kriteria untuk
dilanjutkan dalam sebuah proses pengolahan data.
Dalam buku ini penulis menitik beratkan pada pengolahan data parametrik yang secara umum
bersifat kausal atau eksplanatif. Pengolahan data dimulai dari sejak data dikumpulkan dari sumber primer
atau sekunder. Langkah awal dimulai dari pengelompokan data sesuai dengan tujuan riset; Pemeriksaan
data apakah memenuhi kriteria untuk dilanjutkan pada proses pengolahan selanjutnya. Kegiatan itu antara
lain pemeriksaan outlier atau data-data yang janggal; Pemeriksaaan pola sebaran data apakah normal atau
tidak normal; Pemeriksaan kekuatan hubungan antara kelompok data. Perhitungan varian masing-masing
kelompok data sebagai input jika menggunakan program aplikasi seperti SPSS, Stata, atau Eviews.
Tahapan akhir dalam pengolahan data yang bersifat inferensial akan diperoleh hasil, seperti
Kelayakan model yang dapat dilihat dari error (residual)nya antara lain normalitas sebaran error,
heteroskedassitas, dan atau autokorelasi. Tingkat signifikasi, standar error, koefisien (gamma) variabel
laten; Koefisien determinasi. Pengolahan data yang berakhir pada hasil penelitian akan dilanjutkan dengan
tahapan pembahasan (analisis).
3
Bab 2
Sekilas Metodologi Penelitian dan Ekonometrik
Tahapan sebuah penelitian baik berupa skripsi maupun tesis (Jenis kuantitatif) dimulai dari
penysusunan proposal hingga dihasilkan luaran baik berupa publikasi atau produk. Salah satu tahapan
yaitu pengolahan data. Kegiatan ini dilakukan setelah data berhasil dikumpulkan. Proses tersebut disajikan
pada gambar 2.1.
Kegiatan dimulai dengan persiapan data untuk diinput kedalam program aplikasi. Data dapat
berasal dari sumber primer atau sekunder. Pemeriksaan penting dilakukan mengacu pada asumsi atau rule
of thumb yang berlaku. Data yang diinput berbentuk continues (interval atau rasio) dan berdisribusi
normal (Byrne, 2016) . Kaidah ini dimaksudkan untuk menghindari bias dari hasil penelitian. Namun
demikian beberapa penulis tidak mensyaratkan normalitas data dalam input data. Gunarto, (2017) Data
kontinu dapat dikonversi menjadi data interval dengan method of successive interval (MSI). Sebaran data
input tidak normal dapat dikonversi menjadi normal dengan teknik bootstrap, logaritma, dan lain-lain.
Proses data dalam software aplikasi dapat dilakukan setelah data yang dikumpulkan dikelompokkan
dan memenuhi spesifikasi. SPPS, Stata, dan Eviews akan terlebih dahulu megubah data mentah menjadi
bentuk varian. Ketiga program aplikasi ini disebut berbasis varian (variance based). Disamping itu masih
terdapat berbagai program aplikasi yang dapat dipergunakan dalam memproses data kuantitatif seperti
Minitab, PLS, Amos, Lisrel, dan lain sebagainya. Operasional program aplikasi dengan rangkaian perintah
4
(algoritma) atau syntax. Pada bab-bab selanjutnya materi tentang perintah atau syntax dalam menjalankan
ketiga software yang disebut didepan akan menjadi substansi utama.
Output program aplikasi dapat berupa narasi, tabulasi, gambar atau grafik, persamaan fungsional,
dan matriks. Beberapa kategori dalam penelitian parametrik yakni:
2.2 Model
Hasil penelitian paramtetrik dapat berupa persamaan fungsional, matriks, atau grafik (gambar)
antara lain:
1. Persamaan Regresi Linier Sederhana (time series atau crossection)
2. Persamaan Regresi Linier Berganda (time series atau crossection)
3. Persamaan Regresi Linier Sederhana (data panel)
4. Persamaan Regresi Linier Berganda (data panel)
5. Persamaan Regresi Logistik
6. Persamaan Regresi variabel dummy
7. Analisis Jalur (Path Analysis)
8. Analisis Faktor
9. Clustering
10. Persamaan Struktural (Structural Equation Model)
5
perbedaan tersebut akan semakin baik, semakin besar perbedaan tersebut semakin buruk. Batas
probabilitas yang umumnya dipergunakan dalam penelitian bisnis yakni 5% atau p = 0.05. Jika p ≤ 0. 05
berarti signifikan. Sebuah model disebut signifikan jika probabilitas perbedaan sebaran data prediksi
dengan data sampel harus sama atau lebih kecil dari 5%. Peneliti dapat juga mempergunakan t-hitung, Jika
t-hitung > t-tabel atau t-hitung > 1.96 berarti signifikan.
Regresi sederhana yang terdiri dari dua variabel laten cukup hanya mempergunakan Uji T (parsial).
Model multivariat mempergunakan uji t untuk masing-masing variabel laten. Jika pengujian sekaligus maka
digunakan uji F. Pada kasus-kasus tertentu dapat mempergunakan uji Rsquare dengan cut off > 0.50
(Jöreskog et al., 2016; Hair et al., 2019). Jika dipergunakan SPSS atau Eviews maka signifikansi pengaruh
tidak langsung dapat diketahui melalui Uji Sobel (Jose, 2013) . Bila digunakan Stata , maka pengaruh tidak
langsung dapat diperoleh langsung dari outputnya.
6
Ciri : Posisi data tidak setara. Contoh, kepuasan kerja, motivasi; Angka mengandung pengertian tingkatan.
Contoh, ranking 1, 2, dan 3. Ranking 1 menunjukkan lebih tinggi dari ranking 2 dan 3. Jenis Skala : Skala
Likert: 1-4, 1-5, 1-7, 1-9; Skala Thurstone, dan lain-lain.
c. Data Interval
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua
titik skala sudah diketahui. Ciri : Tidak ada kategorisasi. Contoh, temperatur yang diukur berdasarkan 0C
dan 0F, sistem kalender. Angka mengandung sifat ordinal dan mempunyai jarak atau interval. Contoh,
sahamsangat prospektif dengan harga saham Rp736-878; Saham prospektif Rp592-735.
d. Data Ratio
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua
titik skala sudah diketahui dan mempunyai titik 0 absolut.
Ciri :tidak ada kategorisasi; Contoh, jumlah gaji, skor ujian, jumlah buku (diskret); Berat badan, jarak
kota, luas rumah (kontinu); Angka mempunyai sifat nominal, ordinal dan interval serta mempunyai nilai
absolut dari objek yang diukur. Contoh: bunga BRI 7% dan bunga Bank Mandiri 14%, maka bunga Bank
Mandiri 2 kali bunga BRI.
Acuan dalam penghitungan varian dan simpangan baku adalah keinginan untuk mengetahui variasi
dari kelompok data yang tersebar. Untuk bisa mengetahui variasi suatu kelompok data yaitu mengurangi
nilai data beserta rata-rata kelompok data tersebut, kemudian hasil dijumlahkan. Hanya saja cara tersebut
tidak bisa dipakai karena hasilnya akan selalu menjadi 0. Lihat penjumlahan berikut. Agar hasilnya tidak
menjadi 0 , maka dikuadratkan setiap pengurangan nilai data serta rata-rata kelompok data tersebut,
selanjutnya dijumlahkan. Dengan begitu hasil penjumlahan kuadrat (sum of squares) tersebut akan
memiliki nilai positif, seperti ditunjukkan dibawah ini
8
Nilai varian diperoleh dari pembagian hasil penjumlahan kuadrat (sum of squares) dengan ukuran data (n).
Meskipun demikian ketika diterapkan nilai varian sampel tersebut bias untuk menduga varian populasi.
Dengan memakai rumus-rumus diatas maka nilai varian populasi bisa lebih besardari varian sampel.
Dalam upaya menghindari bias saat menduga varian populasi maka n sebagai pembagi penjumlahan
kuadrat harus diganti dengan n-1 (derajat bebas) sehingga nilai varian sampel mendekati varian populasi.
Dengan demikian formula varian sampel akan menjadi seperti dibawah ini:
Varian yang diperoleh merupakan nilai yang berbentuk kuadrat. Seperti halnya satuan nilai rata-rata
adalah ons dengan demikian nilai varian adalah ons kuadrat. Untuk memperoleh nilai satuannya maka
varian diakarkuadratkan (squarerooted) agar hasilnya standar deviasi (simpangan baku).
Illustrasi :
Dalam suatu kelas, tinggi badan beberapa orang siswa yang dijadikan sampel adalah sebagai berikut:
172, 167, 180, 170, 169, 160, 175, 165, 173, 170. Mengacu data tersebut diketahui jumlah data (n) = 10,
dan (n – 1) = 9. Selanjutnya dapat dihitung komponen untuk rumus varian. Lihat tabel 2.1.
Tabel 2.1 Kertas kerja
9
Varian dapat ditentukan seperti berikut:
2. Kovarian
Kovarian adalah istilah yang menunjukkan seberapa besar perubahan dari dua variabel acak X dan
Ysecara bersama-sama. Dirumuskan sebagai berikut:
E[X] itu adalah nilai harapan (expected value) dari X dan E[Y] itu adalah nilai harapan dari Y. Bentuk
lain dari rumus kovarian sebagai berikut:
Kovarian merupakan nilai harapan dari random variabel XY dikurangi perkalian dari nilai harapan X
dan nilai harapan Y. Operasi matematis antara dua variabel ini semata-mata mengukur perubahan X dan Y
secara bersama-sama. Semakin besar nilai kovariannya menunjukkan bahwa nilai X yang besar
berkorespondensi dengan nilai-nilai Y yang besar juga. Sebaliknya jika nilainya semakin kecil kearah
negatif maka nilaiX yang besar berkorespondensi dengan nilai Y yang kecil.
Nilai harapan (expected value) adalah sebuah konsep dalam statistik untuk membantu memutuskan
apakah sebuah tindakan menguntungkan atau merugikan. Nilai harapan bisa digunakan dalam statistik
numerik, gambling, atau situasi lain yang melibatkan peluang, investasi bursa saham, atau dalam situasi
lain yang bisa menghasilkan beberapa kemungkinan. Untuk menghitung nilai harapan, ketahui terlebih
dahulu kemungkinanhasil akan terjadi dalam situasi tertentu dan peluang setiap kejadian
Korelasi adalah bentuk normalisasi dari kovarian, lihat formula korelasi berikut (Analytic, 2016):
2.9 Matriks
Data yang dikumpulkan melalui angket akan disusun atau direkap sebelum diinput ke program
aplikasi. Setiap data unik yang berasal dari akan ditetapkan variannya oleh sofware (variance based).
Komposisi itu terdiri dari baris dan kolom. Dengan kata lain susunan tersebut akan berbentuk matriks.
10
Oleh sebab itu dalam pengolahan data penting dipahami terlebih dahulu hakikat dan sifat dari seuatu
matrik.
1. Pengertian Matriks
Matriks adalah kumpulan bilangan yang disusun secara baris atau kolom atau kedua- duanya dan
di dalam suatu tanda kurung. Bilangan-bilangan yang membentuk suatu matriks disebut sebagai
elemen-elemen matriks. Matriks digunakan untuk menyederhanakan penyampaian data, sehingga
mudah untuk diolah.
2. Ordo Matriks
Dijelaskan sebelumnya matriks terdiri dari unsur-unsur yang tersusun secara baris dan kolom. Jika
banyak baris suatu matriks adalah m, dan banyak kolom suatu matriks adalah n, maka matriks tersebut
memiliki ordo matriks atau ukuran m x n. Perlu diingat bahwa m dan n hanya sebuah notasi, sehingga tidak
boleh dilakukan sebuah perhitungan (penjumlahan atau perkalian). Pada contoh matriks jumlah penjualan
mobil diketahui bahwa:
Diagonal utama adalah elemen 34, 36, 46, sedangkan diagonal sekunder adalah elemen 41, 36, 51.
1. Matriks Identitas
Matriks diagonal dengan elemen-elemen diagonal utamanya bernilai 1 disebut matriksidentitas. Pada
11
umumnya matriks identitas dinotasikan dengan I
atau
3. Jenis-Jenis Matriks
Matriks dapat dikelompokan ke beberapa jenis berdasarkan pada jumlah baris dan kolom serta pola
elemen matriksnya sebagai berikut :
a. Matriks Baris dan Matriks Kolom
Matriks baris adalah suatu matriks yang hanya memiliki satu baris saja. sedangkan, matriks kolom
adalah suatu matriks yang hanya memiliki satu kolom saja. Contoh:
A = (1 4) atau B = (3 7 9) adalah matrik baris.
Atau
Matriks persegi A yang memiliki elemen matriks untuk atau elemen-elemen matriks
dibawah diagonal utama bernilai 0 disebut matriks segitiga atas. Matriks persegi A yang memiliki elemen
matiks untuk atau elemen-elemen matriks diatas diagonal utama bernilai 0 disebut matriks
segitiga bawah.
12
adalah matriks segitiga atas,
d. Matriks Diagonal
Matriks persegi A yang memiliki elemen matiks untuk atau elemen-elemen matriks
diluar diagonal utama bernilai 0 disebut matriks diagonal.
atau
e. Matriks Skalar
Matriks diagonal yang memiliki elemen-elemen pada diagonal utamanya bernilai sama disebut
matriks skalar.
f. Matriks Indentitas
g. Sudah dijelaskan di atas.
h. Matriks Simetris
Matriks persegi A yang memiliki elemen matiks baris ke-1 sama dengan elemen matriks kolom ke-j
untuk i = j disebut simetris. Atau, dapat dikatakan elemen aij sama dengan elemen aji.
Dapat dilihat bahwa elemen baris ke-1 sama dengan kolom ke-1, baris ke-2 sama dengan kolom ke-2,
dan baris ke-3 sama dengan kolom ke-3.
i. Transpos Matriks
Transpose matriks merupakan perubahan baris menjadi kolom dan sebaliknya. Transpose matriks
dari Amxn adalah sebuah matriks dengan ukuran (n x m) dan bernotasi AT. Jika matriks A ditanspose, maka
baris 1 menjadi kolom 1, baris 2 menjadi kolom 2, dan seterusnya.
ditranspose menjadi
Sifat dari transpose matriks: .
13
2.10 Input data penelitian
Data empiris sebagai bahan untuk diolah program aplikasi dikumpulkan dari sumber primer dan atau
sekunder. Jika dalam pentuk opini respoden biasanya jenis data ordinal. Dokumen umumnya jenis data
rasio.
1. Input matrik data ratio
Jumlah penjualan (unit), jenis, dan harga mobil di 3 kota (X,Y, dan Z) disajikan pada tabel 2.2
Tabel 2.2 Penjualan dan harga mobil
JENIS HARGA MOBIL JUMLAH PENJUALAN TIAP KOTA (UNIT)
MOBIL (JUTA) KOTA X KOTA Y KOTA Z
A 146 34 56 41
B 275 45 36 37
C 528 51 32 46
Sumber: Data hipotetis, 2021
14
No. Budaya Organisasi Comitmen Organisasi Kompetensi OCB
Respoden (X1) (X2) (X3) (Y)
4 9 5 3 8
5 2 5 3 9
6 1 9 5 3
7 5 9 5 5
8 3 9 4 6
9 4 5 4 7
10 9 6 4 6
11 8 1 8 3
12 4 7 9 3
13 5 7 3 5
14 6 7 5 5
15 1 5 6 9
16 7 7 7 9
17 7 8 2 5
18 7 9 2 6
19 8 2 1 1
20 8 9 8 7
21 8 2 7 7
22 8 1 6 5
23 5 5 2 6
24 5 3 5 1
25 9 4 3 7
26 9 9 3 7
27 9 2 5 7
28 3 1 5 9
29 6 5 8 9
30 1 3 8 4
Sumber: Data hipotesis, 2021
Tabel diatas akan diubah menjadi bentuk matriks oleh program aplikasi penelitian seperti: SPSS,
Stata, dan Eviews. Software akan menjadikan rekap data diatas dalam bentuk matriks (matiks persegi
dan matrik kolom), seperti disajikan berikut ini.
15
X1 X2 X2 Y
5 8 1 4
7 8 2 4
8 8 6 4
9 5 3 8
2 5 3 9
1 9 5 3
5 9 5 5
3 9 4 6
4 5 4 7
9 6 4 6
8 1 8 = 3
4 7 9 3
5 7 3 5
6 7 5 5
1 5 6 9
7 7 7 9
7 8 2 5
7 9 2 6
8 2 1 1
8 9 8 7
8 2 7 7
8 1 6 5
5 5 2 6
5 3 5 1
9 4 3 7
9 9 3 7
9 2 5 7
3 1 5 9
6 5 8 9
1 3 8 4
16
Data matrik diatas akan diubah dalam bentuk varian sebagai data mentah untuk program applikasi
seperti SPSS, Minitab, Stata, Eviews, dan PLS. Matrik data mentah dalam bentuk varian, disajikan berikut
ini.
X1 X2 X3 Y
0.81 5.60 13.47 2.89
1.21 5.60 7.13 2.89
4.41 5.60 1.77 2.89
9.61 0.40 2.79 5.29
15.21 0.40 2.79 10.89
24.01 11.33 0.11 7.29
0.81 11.33 0.11 0.49
8.41 11.33 0.45 0.09
3.61 0.40 0.45 1.69
9.61 0.13 0.45 0.09
4.41 21.47 11.09 7.29
3.61 1.87 18.75 7.29
0.81 1.87 2.79 0.49
0.01 1.87 0.11 0.49
24.01 0.40 1.77 10.89
1.21 1.87 5.43 10.89
1.21 5.60 7.13 0.49
1.21 11.33 7.13 0.09
4.41 13.20 13.47 22.09
4.41 11.33 11.09 1.69
4.41 13.20 5.43 1.69
4.41 21.47 1.77 0.49
0.81 0.40 7.13 0.09
0.81 6.93 0.11 22.09
9.61 2.67 2.79 1.69
9.61 11.33 2.79 1.69
9.61 13.20 0.11 1.69
8.41 21.47 0.11 10.89
0.01 0.40 11.09 10.89
24.01 6.93 11.09 2.89
Program aplikasi seperti Amos dan Lisrel menggunakan data input dalam bentuk kovarian
17
(covariant based). Software mengubah telebih dahulu data mentah kedalam bentuk matriks kovarian,
selanjutnya diproses untuk menaksir seluruh parameter yang diminta. Bentuk data mentah setelah
dikonvesi kedalam bentuk matrik kovarian seperti disajikan berikut ini.
Variable X1 X2 X3 Y
X1 6.714 -0.624 -0.793 -0.066
X2 0.624 7.620 -1.368 -0.045
X3 -0.793 -1.368 5.195 0.483
Y -0.066 -0.045 -0.483 5.183
Variabel bebas meliputi X1, X2, dan X3. Variabel terikat yakni Y. Matrik bujur sangkar ordo 4 x4. Diagonal
utama Sebaran data observasi dalam bentuk matrik sebagai berikut:
Data unik diatas dan dibawah diagonal akan sama nilainya, jadi yang ditampilkan umumnya cukup
angka-angka yang dibawah diagonal saja.
6.714
0.624 7.620
-0.793 -1.368 5.195
-0.066 -0.045 -0.483 5.183
Matrik diatas merupakan inputting terhadap software Amos dan Lisrel (Covariance Based). Langkah-
langkah mengkonversi rekap data mentah menjadi bentuk matrik covariance melalui SPSS sebagai
berikut:
a. Open system
b. Input Data
c. Press Analyze
18
d. Press Corelate
e. Press Bivariate
f. Geser.Drag ke kotak variabel
g. Press Options
h. Centang mean and standard deviation
i. Centang cross product deviatiation and covariances
j. Press Continue
k. Press Ok
Lihat output (covariances) seperti disajikan dibawah ini
19
berubah menjadi "Statistical Product and Service Solutions (Produk Statistik dan" Solusi Layanan).” Pada
tahun 2009 IBM membeli SPSS dan namanya berubah menjadi “IBM SPSS Statistics.” SPSS sekarang
menjadi standar dalam industri sehingga IBM telah mempertahankan namanya karena dapat dikenali.
Tidak ada yang terlalu peduli apa arti huruf "SPSS" lebih lama lagi. IBM SPSS Statistics hanyalah salah satu
perusahaan perangkat lunak statistik terbesar dan tersukses di dunia (George & Mallery, 2020)
2. Stata
Stata adalah program komputer untuk analisis statistik, pertama kali dibuat oleh Stata Corp pada
tahun 1985. Stata tersedia untuk Windows, Unix, dan Mac. Sampai versi 7, Stata masih menggunakan
sistem operasi DOS, tetapi sejak versi 8 ke atas telah berbasis Windows dengan pull-down menu. Perangkat
lunak ini dirancang untuk keperluan bidang ekonomi, sosiologi, dan epidemiologi dengan fitur: Managemen
data, analisis statistika. grafika, simulasi, dan pemrograman (Harlan, 2017)
3. EViews
EViews salah satu program aplikasi berbasis windows yang banyak dipakai untuk analisis statistik
dan merupakan alat komputasi untuk ekonometrika jenis runtun waktu. Software atau perangkat lunak
tersebut dikembangkan oleh sebuah perusahaan yaitu Quantitative Micro Software (QMS), tepatnya pada
tahun 1994. Pada tahun 2007 perusahaan tersebut telah mengeluarkan versi 6.0. Untuk saat ini sudah
banyak sekali versi yang keluar dan yang terbaru adalah versi 10. Eviews merupakan akronim dari
“econometrics views.” Program aplikasi ini kebanyakan berisi alat perhitungan untuk regresi linear, regresi
data panel dan berbagai jenis regresi berbasis runtun waktu (Hidayat, 2021) .
20
Bab 3.
Uji Validitas dan Reliabilitas Istrumen Penelitian dengan SPSS dan Stata
21
Rumus Korelasi Product Moment yakni (Cleff, 2019: Dewi, 2018):
Keterangan:
Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05. Kriteria pengujian adalah sebagai
berikut:
1. Jika r hitung > r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan berkorelasi
signifikan terhadap skor total (dinyatakan valid).
2. Jika r hitung < tabel (uji 2 sisi dengan sig. 0,05) atau r hitung negatif, maka instrumen atau item-item
pertanyaan tidak berkorelasi signifikan terhadap skor total (dinyatakan tidak valid).
rxy = rhitung, rtabel (lihat tabel r) diperoleh dari taraf signifikansi (α) sebesar 5% (0,05) dengan derajat
bebas atau degree of freedom (df). Dimana df = n -2; n = jumlah sampel; 2 = two tail test (Ghozali 2016)
22
1. Reliabilitas Skala.
Untuk mengukur reliabilitas skala atau kuosioner dapat digunakan rumus Cronbach’s Alpha sebagai
berikut: Formula (Dewi, 2018):
Keterangan :
rtt = koefisisien reliabilitas instrument (total tes)
k = banyaknya butir pertanyaan yang sahih
Σδ2b = jumlah varian butir
Σδ2t = varian skor total
Perhitungan uji reliabilitas skala diterima, jika hasil perhitungan r-hitung > r-tabel 5% (Dewi, 2018)
Interpretasi Reliabilitas sebagai berikut (Arikunto, 2013):
Koefisien Korelasi Kriteria Reabilitas
0,81 < r ≤ 1,00 Sangat Tinggi
0,61 < r ≤ 0,80 Tinggi
0,41 < r ≤ 0,60 Cukup
0,21 < r ≤ 0,40 Rendah
0,00 < r ≤ 0,21 Sangat Rendah
Disebutkan reliabel jika memberikan nilai Cronbach Alpha > 0,70 (Ghozali, 2016).
2. Reliabilitas Tes
Untuk mengukur reliabilitas tes menggunakan rumus KR-20. Karena skor tes bersifat dikotomi yaitu
untuk jawaban benar diberi skor 1 dan jawaban salah diberi skor 0. Rumus KR - 20 adalah (Dewi,2018).
Formula:
Keterangan :
rtt = reliabilitas tes
k = banyaknya butir soal yang sahih
νt = varian total
p = proporsi subyek yang menjawab soal dengan benar; q = proporsi subyek yang menjawab soal dengan
salah; Σpq = jumlah hasil perkalian antara p dan q. Instrumen dapat dikatakan reliabel jika memenuhi
kriteria bahwa rhitung > rtabel 5%.
23
3.4 Simulasi Uji Instrumen dengan SPSS dan Stata
Seorang peneliti mengembangkan kuessioner motivasi berprestasi dengan 15 butir, selanjutnya diuji
validitas dan reliabiitasnya melalui 32 responden
1. Kuessioner Motivasi Berprestasi:
Petunjuk: Berikut disajikan pernyataan - pernyataan atau statement tentang Motivasi Berprestasi.
Silahkan menyatakan persepsi tentang Motivasi Berprestasi di sekolah tempat saudara/i bekerja dengan
mencentang salah satu kolom skala. Sejauh mana persetujuan saudara/i dengan pernyataan ini? ,
Jika saudara/i pilih skala:
1 = sangat tidak setuju (STS)
2 = tidak setuju (TS)
3 = setuju (S)
4 = sangat setuju (SS)
STS TS S SS
No Pernyataan 1 2 3 4
1 Sasaran pembelajaran tercapai bila siswa tuntas dalam belajar
2 Saya yakin dengan kemampuan diri sendiri dalam mencapai
keberhasilan pengajaran
3 Saya yakin dapat bersaing dengan rekan sejawat dengan wajar demi
meningkatkan karir
4 Saya merasa bangga menjadi seorang guru tanpa
mempertimbangkan pendapatan karena hanya untuk pengabdian
5 Saya bersungguh-sungguh dalam tugas mengajar
6 Saya membuat penilaian hasil belajar siswa
7 Menindaklanjuti saran dapat memperlancar pekerjaan berikutnya
8 Saya siap menghadapi resiko dalam melaksanakan kegiatan belajar
mengajar
9 Saya dapat melaksanakan tugas lain yang diberikan atasan
10 Saya yakin pada kemampuan saya sendiri untuk mengerjakan tugas-
tugas lain yang diberikan oleh atasan
11 Saya yakin persaingan sehat dan fair membuat bekerja menjadi lebih
baik
12 Saya merasa bangga jika telah bekerja keras untuk menyelesaikan
pekerjaan
13 Saya bersungguh-sungguh dalam melaksanakan tugas-tugas lain
24
STS TS S SS
No Pernyataan 1 2 3 4
yang dibebankan oleh atasan
14 Saya mengkomunikasikan hasil belajar kepada siswa
15 Kritik yang diberikan orang lain tidak banyak manfaatnya bagi
penyelesaian tugas selanjutnya
25
NO BUTIR PERNYATAAN TO-
Resp. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 TAL
22 4 3 4 4 4 4 4 3 2 2 4 4 4 3 1 50
23 4 4 3 1 4 4 4 3 3 4 4 4 4 4 3 53
24 3 4 3 3 3 3 3 4 4 3 3 3 3 3 3 48
25 3 3 3 3 3 3 4 4 4 3 4 3 3 3 2 48
26 4 3 4 4 4 4 4 3 2 2 4 4 4 4 4 54
27 3 4 4 2 3 3 4 3 3 4 3 3 3 3 2 47
28 3 4 3 3 3 3 3 3 4 4 3 3 3 3 3 48
29 3 3 3 3 3 3 4 3 3 3 4 3 3 3 4 48
30 4 4 4 4 4 4 3 4 3 4 3 4 4 4 3 56
31 4 4 4 4 4 4 3 4 3 4 3 4 4 4 2 55
32 3 4 4 3 3 3 3 3 4 3 3 3 3 3 4 49
Latihan
Latihan 1. Uji Instrumen dengan SPSS
1. Uji Validitas
Lakukan sekuens berikut:
a. Buka viewer SPSS
b. Klik variabel view
c. Ketik soal1 s/d Total pada kolom Name
d. Ketik butir soal1 s/d Total Skor pada kolom Label
26
e. Memasukkan data ke dalam SPSS (Copas dari excel)
Butir-butir yang valid yakni 1, 3, 4, 5, 7, 8, 9, 13, dan 14. Jadi terdapat 9 butir yang valid.
f. Klik Continue
g. Klik OK dan Keluar hasil analisis:
30
Printout SPSS
Reliability Statistics
Cronbach's
Alpha N of Items
.756 9
Item-Total Statistics
Scale Mean if Scale Variance if Corrected Item-Total Cronbach's Alpha if Item
Item Deleted Item Deleted Correlation Deleted
butirsoal1 26.88 9.984 .804 .691
butirsoal3 27.25 11.032 .116 .813
butirsoal4 27.09 9.184 .565 .710
butirsoal5 26.88 9.984 .804 .691
butirsoal7 27.06 10.577 .355 .748
butirsoal8 26.91 11.443 .327 .749
butirsoal9 27.16 11.039 .219 .773
butirsoal13 26.88 9.984 .804 .691
butirsoal14 26.91 10.733 .552 .723
Berdasarkan pengolahan data diatas diperoleh hasil yakni nilai Alpha sebesar 0.756, sedangkan nilai
r kritis (uji 2 sisi) pada signifikansi 5% dengan n = 32 (df = n - 2= 30), diperoleh sebesar 0.3494. Oleh sebab
itu dapat disimpulkan bahwa butir - butir instrument penelitian tersebut reliabel.
Jika patokan cronbach alfa ˃ 0.70, maka seluruh butir yang lebih kecil dari 0.70 tidak reliabel, jadi
harus dikeluarkan dari angket. Jadi ada 6 butir yang reliabel. Butir pernyataan yang valid dan reliabel
yakni: Butir3, butir4, butir7, butir8, butir9, dan butir 14
31
b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12 b13 b14 b15 total
3 4 4 3 3 3 3 3 3 4 4 3 3 3 2 48
4 3 4 4 4 3 4 4 4 3 3 3 4 4 4 55
4 3 3 4 4 3 4 4 4 4 4 3 4 4 4 56
3 3 3 1 3 4 1 3 3 4 4 4 3 3 1 43
3 3 1 3 3 4 3 3 3 3 3 4 3 3 3 45
4 4 1 4 4 3 4 4 2 2 3 3 4 4 4 50
4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 58
4 3 3 4 4 4 3 3 4 3 4 4 4 3 3 53
3 4 4 3 3 3 2 3 3 3 3 3 3 4 2 46
3 4 3 2 3 3 4 4 3 3 4 3 3 4 4 50
3 3 1 3 3 4 3 4 1 1 4 4 3 3 3 43
4 3 4 4 4 3 3 3 4 4 3 3 4 3 2 51
4 4 4 4 4 3 4 4 4 3 3 3 4 4 4 56
3 3 1 3 3 3 3 4 3 4 4 3 3 3 3 46
3 3 4 3 3 4 3 3 2 2 3 4 3 3 1 44
4 3 4 4 4 4 2 3 3 4 3 4 4 3 4 53
4 4 3 4 4 3 3 4 3 4 3 3 4 4 2 52
3 4 3 3 3 3 3 3 4 3 3 3 3 4 3 48
4 3 4 4 4 4 4 3 2 2 4 4 4 3 1 50
4 4 3 1 4 4 4 3 3 4 4 4 4 4 3 53
3 4 3 3 3 3 3 4 4 3 3 3 3 3 3 48
3 3 3 3 3 3 4 4 4 3 4 3 3 3 2 48
4 3 4 4 4 4 4 3 2 2 4 4 4 4 4 54
3 4 4 2 3 3 4 3 3 4 3 3 3 3 2 47
3 4 3 3 3 3 3 3 4 4 3 3 3 3 3 48
3 3 3 3 3 3 4 3 3 3 4 3 3 3 4 48
4 4 4 4 4 4 3 4 3 4 3 4 4 4 3 56
4 4 4 4 4 4 3 4 3 4 3 4 4 4 2 55
3 4 4 3 3 3 3 3 4 3 3 3 3 3 4 49
Sumber: Data hipotetis, 2021
b. Buka Viewer Stata
32
c. Klik File
d. Klik Import
e. Klik Excell Spreadsheets
f. Klik Browse….Muncul file dalam bentuk excel…Pilih nama file (TM4)
g. Klik Open
h. Klik Import first row as variable name
i. Klik Oke …………….Kembali keviewer awal
33
j. Klik Data
k. Klik Data editor
l. Klik Data editor (edit)
m. Klik File
n. Klik Save as…………..Beri nama file TM4
o. Klik Save…..Data tabulasi sudah tersimpan dengan extension dta (dalam bentuk stata)
p. Kembali lagi keviewer
q. Berikan perintah syntax berikut: corr b1- total <Enter> pada command bagian paling bawah.
34
Hasilnya disajikan berikut ini.
Sorot hasil tersebut, selanjutnya copas ke word, akan kelihatan seperti dibawah ini
. save "C:\Users\ASUS\Downloads\TM4.dta", replace
file C:\Users\ASUS\Downloads\TM4.dta saved
b1 b2 b3 b4 b5 b6 b7 b8 b9
b1 1.0000
b2 0.0000 1.0000
b3 0.1890 0.1111 1.0000
b4 0.6340 -0.0799 0.1081 1.0000
b5 1.0000 0.0000 0.1890 0.6340 1.0000
b6 0.1394 -0.3806 0.1815 -0.0849 0.1394 1.0000
b7 0.3443 0.1193 -0.0542 0.2664 0.3443 -0.2440 1.0000
b8 0.3131 0.1972 -0.3077 0.3573 0.3131 -0.2066 0.3719 1.0000
b9 0.1202 0.2473 0.2070 0.1449 0.1202 -0.4152 0.1000 0.1380 1.0000
b10 0.0791 0.2789 0.2789 -0.1533 0.0791 -0.1323 -0.2449 -0.0594 0.5194
b11 -0.1260 -0.3651 -0.1111 -0.2960 -0.1260 0.1932 0.1410 -0.0710 -0.2473
b12 0.1147 -0.3179 0.1445 -0.0941 0.1147 0.8210 -0.2962 -0.3017 -0.4871
b13 1.0000 0.0000 0.1890 0.6340 1.0000 0.1394 0.3443 0.3131 0.1202
b14 0.5636 0.4497 0.0710 0.2826 0.5636 -0.1135 0.3719 0.4980 0.1380
b15 0.1233 0.0233 -0.1631 0.1725 0.1233 -0.2894 0.2919 0.1738 0.1309
total 0.8295 0.1961 0.4111 0.5766 0.8295 0.0723 0.4467 0.3735 0.3782
b10 1.0000
b11 -0.0398 1.0000
b12 -0.0725 0.3179 1.0000
b13 0.0791 -0.1260 0.1147 1.0000
b14 0.0198 -0.1972 -0.1868 0.5636 1.0000
b15 -0.0975 -0.0233 -0.2688 0.1233 0.2355 1.0000
total 0.2923 -0.0528 0.0417 0.8295 0.6268 0.3239 1.0000
Atau
. format lain seperti dibawah ini
. corr b1-
total
(obs=32)
b1 b2 b3 b4 b5 b6 b7 b8 b9
35
b1 1.0000
b2 0.0000 1.0000
b3 0.1890 0.1111 1.0000
b4 0.6340 -0.0799 0.1081 1.0000
b5 1.0000 0.0000 0.1890 0.6340 1.0000
b6 0.1394 -0.3806 0.1815 -0.0849 0.1394 1.0000
b7 0.3443 0.1193 -0.0542 0.2664 0.3443 -0.2440 1.0000
b8 0.3131 0.1972 -0.3077 0.3573 0.3131 -0.2066 0.3719 1.0000
b9 0.1202 0.2473 0.2070 0.1449 0.1202 -0.4152 0.1000 0.1380 1.0000
b10 0.0791 0.2789 0.2789 -0.1533 0.0791 -0.1323 -0.2449 -0.0594 0.5194
b11 -0.1260 -0.3651 -0.1111 -0.2960 -0.1260 0.1932 0.1410 -0.0710 -0.2473
b12 0.1147 -0.3179 0.1445 -0.0941 0.1147 0.8210 -0.2962 -0.3017 -0.4871
b13 1.0000 0.0000 0.1890 0.6340 1.0000 0.1394 0.3443 0.3131 0.1202
b14 0.5636 0.4497 0.0710 0.2826 0.5636 -0.1135 0.3719 0.4980 0.1380
b15 0.1233 0.0233 -0.1631 0.1725 0.1233 -0.2894 0.2919 0.1738 0.1309
total 0.8295 0.1961 0.4111 0.5766 0.8295 0.0723 0.4467 0.3735 0.3782
b10 b11 b12 b13 b14 b15 total
b10 1.0000
b11 -0.0398 1.0000
b12 -0.0725 0.3179 1.0000
b13 0.0791 -0.1260 0.1147 1.0000
b14 0.0198 -0.1972 -0.1868 0.5636 1.0000
b15 -0.0975 -0.0233 -0.2688 0.1233 0.2355 1.0000
total 0.2923 -0.0528 0.0417 0.8295 0.6268 0.3239 1.0000
Perhatikan koefisisien total adalah t-hitung. Bandingkan dengan t-tabel seperti pada bagian diatas
36
No.Butir thitung ttabel Keterangan Simpulan
2. Uji Reliabilitas
Butir-butir yang valid diuji untuk reliabilitas, karena yang tidak valid sudah dieliminir.
Persiapkan data seperti pada uji validitas. Sekarang syntax diganti menjadi:
alpha b1 b3 b4 b5 b7 b8 b9 b13 b14, item < Enter >
Hasil yang diperoleh seperti disajikan dibawah ini
average
item-test item-rest interitem
Item Obs Sign correlation correlation covariance alpha
Lihat kolom alpha , jika patokan validitas adalah alpha cronbach ˃ 0.70, maka butir yang reliabele
terdapat pada item b3, b4, b7, b8, b9, dan b14. Kesimpulan : Butir yang valid dan reliable yakni: b3, b4, b7,
b8, b9, dan b14
Jika t-tabel sebesar 0.349, dimana angkanya lebih kecil dari 0.7564 (Lihat juga angka test scale sebesar
0.7564) maka seluruh item dapat disebut reliabel. Kesimpulan : Butir yang valid dan reliable yakni: b1, b3,
b4, b5, b7, b8, b9, b13, dan b14.
37
Bab 4
Regresi linier sederhana dengan SPSS, Stata, dan Eviews
38
kecenderungan (trend) yang linier, maka model regresi linier layak digunakan. Setelah itu dapat dilakukan
estimasi terhadap parameter model.
Grafik diatas merupakan contoh identifikasi model yang dilakukan dengan variabel X adalah umur
mobil dan variabel Y adalah harga mobil. Ternyata titik-titik (plotting data) tersebut terlihat mengelompok
di sekitar garis lurus dan scatter plot tersebut.
Model Regresi Linear Sederhana yakni: Yi = β0 + β1Xi + εi (i = 1, 2, …, n) , dimana : Yi merupakan nilai
dari variabel dependent pada observasi ke-I; β0 dan β1 merupakan parameter model; εi merupakan
komponen error (pengaruh variabel bebas lain selain variabel X); Xi adalah nilai variabel bebas X pada
observasi ke-I n adalah banyaknya data observasi (sampel); β0 dan β1 disebut juga koefisien regresi,
β0 merupakan intercept dan β1 merupakan slope (gradien garis) yang menyatakan perubahan nilai Y
untuk setiap kenaikan satu satuan X
Regresi linier sederhana adalah sebuah model statistik yang digunakan untuk menjelaskan hubungan
dua variabel dalam bentuk fungsional. Dua variabel tersebut adalah variabel dependen (Y) atau disebut
juga dengan variabel respon dan variabel independen (X) atau disebut juga dengan variabel prediktor atau
variabel penjelas. Pusat perhatian yakni pada upaya menjelaskan dan mengevalusi hubungan antara suatu
variabel dengan satu variabel independen. Hasil analisis regresi adalah berupa koefisien regresi untuk
variable independent. Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependen dengan
suatu persamaan.
40
Mencari nilai b:
a: konstanta
b: Koefisien X, mengambarkan kemiringan (slope) garis regresi. Perubahan predictor X yang menyebabkan
perubahan Y
4.5 Variabel Bebas dan Terikat Regresi Linier Sederhana (Dependent dan Independent Variable)
1. Dependent Variable (Variabel Tak Bebas) (Y): Variabel yang nilainya ditentukan oleh variabel lain.
Diasumsikan bersifat random/stochastic
2. Independent Variable (Variabel Bebas) (X): Variabel yang nilainya ditentukan secara bebas (variabel
yang diduga mempengaruhi variabel tak bebas). Diasumsikan bersifat fixed/non stochastic.
3. Syarat : Y: Berjenis data kuantitatif X: Berjenis data kuantitatif atau kualitatif/kategorik
4.6. Penurunan Rumus Estimasi Regresi Linier Sederhana Menggunakan Ordinary Least Squares
(OLS)
Salah satu metode estimasi yang digunakan untuk mengestimasi parameter regresi linier sederhana
adalah metode kuadrat terkecil atau ordinary least squares (OLS). Proses dari metode ini adalah
meminimumkan jumlah kuadrat error atau sum of squared errors (SSE).
41
ketepatan 100%. Hal ini menunjukkan penyimpangan data-data terhadap garis regresi, atau bagaimana
penyimpangan data yang menyebar disekitar garis regresi. Rumus Kesalahan baku estimasi:
Dimana
42
6 7 21
7 11 45
8 12 51
Sumber: Data hipotetis, 2021
Hal pertama yang akan kita lakukan adalah membentuk persamaan regresi, yaitu :
Y’ = a + bX + e
Selanjutnya adalah menentukan konstanta a dan koefisien b, kita ikuti langkah sebagai berikut :
Tabel 4.2. Kertas kerja
Biaya promosi (X) Laba (Y) XY X2 Y2
8 35 280 64 1225
9 49 441 81 2401
7 27 189 49 729
6 33 198 36 1089
13 60 780 169 3600
7 21 147 49 441
11 45 495 121 2025
12 51 612 144 2601
73 321 3142 713 14111
Sumber: Data hipotetis, 2021
Kini diperoleh:
43
Nilai b = 4,5413 artinya jika terjadi peningkatan biaya promosi satu juta maka akan terjadi peningkatan
laba perusahaan sebesar 4,5413 juta.
Koefisien Determinasi R2 :
r = 0,886 bernilai positif dan kuat, artinya terdapat hubungan atau korelasi yang kuat antara promosi
dengan laba . Semakin besar besar biaya promosi maka semakin besar laba perushaan.
R2 = 0,8862 = 0,785, artinya sekitar 78,5% variasi dari biaya promosi yang dapat menjelaskan variasi laba
perusahaan . (kategori tinggi)
Standar Error Estimate Persamaan Regresi:
Jadi besarnya standar error estimate persamaan regresi adalah 6,6364. Hal ini menunjukkan penyimpangan
data-data terhadap garis regresi, atau bagaimana data menyebar disekitar garis regresi.
Pengujian Koefisien Regresi linier sederhana:
Hipotesis Uji yaitu:
Ho : b = 0
Ha : b ≠ 0
Taraf Signifikansi
Pilih nilai signifikansi α = 5%
Daerah Kritis, dengan nilai α = 5% dan derajat bebas n-2=8–2=6, maka diperoleh nilai t-tabel pada 5%/2 =
2,5% atau 0.025, yakni 2,447. (lihat tabel t atau tabel titik-titik kritis distribusi t)
Statistik Uji (thitung)
44
biaya promosi 3 tahun (36 bulan) terakhir (lihat tabel 4.3) untuk meramalkan penjualan berdasarkan
biaya promosi yang dikeluarkan setiap bulannya.
Tabel 4.3 Perkembangan Biaya promosi dan penjualan (bulan 1 -36)
Bulan Biaya Promosi Rp.000 Penjualan (unit)
1 70000 8000
2 68000 7800
3 84000 9800
4 85000 7800
5 68000 7900
6 76000 8100
7 70000 7800
8 71000 8000
9 70000 7800
10 67000 7600
11 72000 8600
12 77000 8100
13 68000 7600
14 71000 7500
15 77000 8700
16 82000 8300
17 68000 7400
18 68000 8000
19 68000 7200
20 68000 7800
21 69000 7800
22 61000 7400
23 64000 7700
24 81000 9000
25 68000 7600
26 68000 7800
27 68000 7700
28 68000 7800
29 68000 7500
45
Bulan Biaya Promosi Rp.000 Penjualan (unit)
30 70000 7300
31 77000 7900
32 79000 7000
33 36000 4400
34 83000 8000
35 82000 7400
36 68000 7300
Sumber: Data hipotetis, 2021
46
f. Masukkan variabel Y (penjualan) ke box dependent
g. Klik Plots
h. Centang Histogram
i. Centang Normal Probability Plot
47
j. Klik Continue
k. Klik Ok
Output nya sebagai berikut:
Output 1
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Biaya
. Enter
promosib
a. Dependent Variable: Penjualan
b. All requested variables entered.
Output 1 menginformasikan bahwa semua variabel yakni variabel independen biaya promosi dan
variabel dependent penjualan telah terinput kedalam sistem aplikasi SPSS
Output 2
Model Summaryb
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .753a .568 .555 520.555
a. Predictors: (Constant), Biaya promosi
b. Dependent Variable: Penjualan
Koefisien determinasi R2 (RSquare) sebesar 0.568. Perubahan varian variabel penjualan dapat
dijelaskan oleh varian prediktornya (biya promosi) sebesar 56.8%. Sisanya 43.2% dijelaskan oleh varian
faktor-faktor diluar persamaan. Koefisien determinasi tersebut memiliki kesalahan standar estimasi
sebesar 520.555.
c. Output 3
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 12092327.387 1 12092327.387 44.625 .000b
Residual 9213228.169 34 270977.299
Total 21305555.556 35
a. Dependent Variable: Penjualan
b. Predictors: (Constant), Biaya promosi
48
Jumlah kuadrat regresi 12092327.387, dengan df sebesar 1, kuadrat rata-rata sebesar
12092327.387. F-hitung koefisien regresi sebesar 44.625 ˃ 1.958 (batas kurva normal yaitu α sebesar
0.050) . Berarti koefisien regresi signifikan. Sig = 0.000 ˂ 0.050. Jumlah kuadrat error atau sum of squared
errors (SSE) sebesar 9213228.169. Derajat bebas residu sebanyak 34. Rata-rata kuadrat residu sebesar
270977.299. F-hitung = 12092327.387 : 270977.299 = 44.625.
Output 4
Coefficientsa
Unstandardized Coefficients Standardized Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2881.296 735.625 3.917 .000
Biaya promosi .069 .010 .753 6.680 .000
a. Dependent Variable: Penjualan
Koefisien biaya promosi sebesar 0.069, dengan standar deviasi sebesar 0.010, t-hitung = 6.680 dengan
batas 1.958. Signifikan 0.000 dengan batas α sebesar 0.050. Persamaan regresi : Penjualan = 2881.296 +
0.069 (biaya promosi), Persamaan regresi tersebut mempunyai makna sebagai berikut: Konstanta sebesar
2881.296 berarti bahwa tanpa adanya biaya yang dikeluarkan untuk promosi, maka penjualan sepeda
motor adalah sebesar 2,881 satuan atau dibulatkan yakni 3 unit. Jika variabel biaya promosi naik (satu
ribuan) maka akan menyebabkan kenaikan (karena tanda positif) sebesar 0.069 unit sepeda motor yang
terjual.
Pengujian Hipotesis
Ha: Ada pengaruh positif dan signifikan X terhadap Y
Pengambilan keputusan (berdasarkan probabilitas) :
Jika probabilitas > 0,05 maka Ho diterima atau Ha ditolak, sedangkan jika probabilitas < 0,05 maka Ho
ditolak atau Ha diterima. Dari hasil uji signifikansi terlihat bahwa nilai probabilitas adalah sebesar 0,00 (<
0,05) sehingga Ho ditolak. Artinya, pengaruh biaya promosi terhadap penjualan signifikan sehingga
hipotesis alternatif (Ha) diterima.
Hasil uji melalui probabilitas ini juga relevan dengan pengujian melalui statistik t. Nilai t-hitung adalah
sebesar 6.680, sementara t-tabel diperoleh dari dk = n – 2 = 36 - 2 = 34 dan taraf signifikansi α = 5% uji 2
sisi, pada tabel kolom 0.025 adalah sebesar 2.032. Karena t-hitung > t-tabel (6.680> 2.032) maka Ho ditolak,
artinya pengaruh X terhadap Y adalah positif dan terbukti signifikan.
Output 5
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
49
Predicted Value 5353.63 8718.76 7761.11 587.788 36
Residual -1306.704 1149.916 .000 513.064 36
Std. Predicted Value -4.096 1.629 .000 1.000 36
Std. Residual -2.510 2.209 .000 .986 36
a. Dependent Variable: Penjualan
Nilai prediksi residual (Predicted Value): Minimum sebesar 5353.63; Maksimum sebesar 8718.76;
Rata-rata sebesar 7761.11; Standar deviasi sebesar 587.788; Jumlah observasi sebanyak 36. Minimum
residual sebesar -1306.704; Maksimum sebesar 1149.916; Rata-rata residual adalah 0.000; Standar deviasi
residual sebesar 513.064; Jumlah data observasi sebanyak 36. Baris ketiga menjelaskan parameter prediksi
residual standar. Baris keempat menjelaskan parameter residual standar.
Output 6
50
Gambar 4.4 Normal P-P Plot residu regresi
Hasil pengujian dengan memperhatikan grafik normal p-plot juga menunjukkan kesimpulan serupa
dengan histogram. Dari tampilan di atas terlihat bahwa data menyebar di sekitas garis diagonal dan
mengikuti arah garis diagonal, sehingga sebaran residual dapat dinyatakan normal.
2. Pengolahan Data dengan Stata
Pengolahan kelompok data berbasis varian seperti diatas dapat diproses dengan beberapa platform
software. Setiap software umumnya dikembangkan untuk menutupi kekurangan-kekurangan fitur
program aplikasi yang beredar di pasaran. Namun demikian, poduk baru biasanya memiliki kekurangan
dari produk-produk yang existing. Oleh sebab itu pengetahuan terhadap berbagai software aplikasi menjadi
penting. Suatu pekerjaan mungkin lebih baik jika diproses dengan platform tertentu. Tugas lain mungkin
berbeda kebutuhan platform yang diperlukan. Dalam bagian ini akan diterapkan penggunaan program
aplikasi yang berbeda yakni stata. Langkah-langkah untuk memproses data diatas dengan mempergunakan
program aplikasi stata yakni:
a. Persiapkan data diatas dalam file excel jenis (97-2003 Workbook)
b. Buka aplikasi stata dan Copas data yang sudah tersedia dari excell
c. Klik File
d. Klik Import
e. Klik Exceel Spreadsheet
f. Klik Browse
51
g. Pilih (file excel yang akan diolah)
h. Pilih file “Data analisis jalur stata”
i. Klik Import first row as a variable name
j. Klik OK
k. Klik Data
l. Klik Data Editor
m. Klik Data Editor (Edit)
n. Tampil data mentah
o. Klik File
p. Klik Save As
q. Berikan nama file……… (Lised)
r. Kembali ke beranda stata
s. Klik Statistik
t. Pada Menu klik Statisics, Linear models and related, Linear regression. Masukkan variabel dependen (Y)
pada kotak Dependen variable dan variabel independen (X) pada kotak independent variables. Perhatikan
tampilan dibawah ini.
52
u. Klik tab Reporting
v. Centang Report Coefficients (default)
w. Centang Report p-values, test statistics, and confident intervals
x. klik OK. Hasilnya disajikan berikut ini:
. regress Y X
53
Coef X .0686761= Koefisien X = 0.0686761
Std. Err. 735.6251 = Standar deviasi = 735.6251
t = 6.68 = t-hitung = 6.68
Pada kolom t adalah nilai uji t parsial pada batas kritis 1.96. Dikatakan signifikan pada taraf 5%. Jika t-
hitung ˃ batas kritis t-tabel berarti signifikan: 6.68 ˃ 1.96 …signifikan dan positif (pengaruh variabel X
terhadap variabel Y signifikan dan positif
P > t = 0.000 = Probabilitas t hitung = 0.00
P >[t] atau disebut juga p value/signifikansi < 0,05.
P >[t] atau α = 0.00 < 0,05 berarti signifikan.
[95% Conf. Interval] = .0477834 - .0895687 : Derajad kepercayaan 95% berada antara 0.0477834 dengan
0.0895687 [ β̂𝑗 - C/2 x se(β̂𝑗) 𝛽𝑗 β̂𝑗 + C/2 x se(β̂𝑗) ]
β̂𝑗 - C/2 x se(β̂𝑗) = 0.0477834
β̂𝑗 + C/2 x se(β̂𝑗) = 0.0895687
Uji normalitas Regresi Linear sederhana
Normalitas regresi linier sederhana dapat diuji dengan langkah-langkah berikut:
a. Membentuk Variabel Residual:
Pada kotak comment di bawah, tuliskan kode “predict res, r” kemudian < enter >
54
b. Membentuk Variabel Absolut Residual:
Pada kotak comment di bawah, tuliskan kode “gen abs_res=abs(r)” kemudian <enter>
Kriteria:
55
H0 : error term tidak terdistribusi normal
H1 : error term terdistribusi normal
Jika Prob˃chi2 < ɑ, maka Ho diterima
ɑ = 0.05
Karena Prob ˃ chi2 = 0.1068 ˃ 0.05, maka H0 ditolak
Kesimpulannya adalah dengan tingkat keyakinan 95%, dapat dikatakan bahwa error term
(residual) terdistribusi normal.
2. Pada menu, klik Statistics, “Summaries, tables, and test”, Distributional plots and tables, Shapiro-wilk
normality test, masukkan variabel res pada kotak variables, klik OK. Hasilnya seperti berikut:
. swilk res
3.
. Pada menu, klik Statistics, “Summaries, tables, and test”, Distributional plots and tables, Shapiro-francia
normality test, masukkan variabel res pada kotak variables, klik OK. Hasilnya seperti berikut:
. sfrancia res
. Pada menu, klik Statistics, “Summaries, tables, and test”, Distributional plots and tables, “Normal
4.
probability plot, standardized”, masukkan variabel res pada kotak variable, klik OK. Hasilnya seperti
berikut:
1.00 0.75
Normal F[(res-m)/s]
0.50 0.25
0.00
5. Pada menu, klik Graphics, Histogram, masukkan variabel res pada kotak variable, klik OK. Hasilnya
seperti berikut:
56
.0015
.001
Density
5.0e-04
0
depvar
Y 7761.111 780.2116 4400 9800
_
X 71055.56 8558.853 36000 85000
Summary
. Uji Regresi Linear dengan STATA
a. Buka Aplikasi Eviews 9 , maka akan muncul tampilan seperti berikut ini:
57
b. Buka File Kerja (Workfile) dengan cara klik : File =>New =>Workfile
Maka akan muncul jendela Workfile Create, yang terdiri dari Workfile structure type, Date
specification, Workfile name (optional).
c. Klik frequency
d. Pilih monthly
e. Pada start date isi: 2017:1
f. Pada end date isi: 2019:12
g. Pada workfile name (optional) isi nama file: Seder
h. Klik Ok
Akan muncul hasil sebagai berikut:
58
i. Klik Object
j. Klik New Object
k. Klik Series ..pada type of object
l. Ketik Y pada name for object
m. Klik Ok
n. Klik Object
o. Klik New Object
p. Klik Series ..pada type of object
q. Ketik X pada name for object
r. Klik Ok
Akan tampil hasil seperti berikut ini.
s. Sorot Y shift X
t. Klik kanan
u. Klik Open
59
v. Klik as a group
ab. Klik Ok
60
Tampil model seperti terlihat berikut ini
ac. Copas hasil ke word, maka akan diperoleh seperti dibawah ini.
Dependent Variable: Y
Method: Least Squares
Date: 10/26/20 Time: 19:33
Sample: 2017M01 2019M12
Included observations: 36
Koefisien X sebesar 0.068676, standar deviasi sebesar 0.010281, t-hitung sebesar 6.680185 ˃ 1.96
berarti signifikan atau Prob sebesar 0.0000 ˂ 0.05 berarti signifikan. C atau konstanta sebesar 2881.296.
Jadi persamaan regresi yakni: Y = 2881.296 + 0.068676X.
61
R-squared atau koefisien determinan sebesar 0.567567 atau 56.76%. Probabilitas F-statistic atau
Prob (F-statistic ) sebesar 0.000000 ˂ 0.05 berarti koefisien determinan signifikan dengan derajat
kepercayaan 95%.
Uji normalitas residual, dicari dengan langkah-langkah sebagai berikut:
a. Klik View
b. Klik Residual Diagnostic
c. Klik Histogram-Normality Test
Tampilan disajikan dibawah ini
2 Jarque-Bera 3.000784
Probability 0.223043
0
-1500 -1000 -500 0 500 1000
Lihat probability sebesar 0.223043 ˃ 0.05 , berarti sebaran residual berdistribusi normal. Secara
fungsional diperoleh persamaan Y = 2881.296 + 0.068676X. jadi layak digunakan sebagai model
konfirmatori atau penduga (prediksi).
62
Bab 5
Regresi Linier berganda dengan Eviews, Stata, dan SPSS
n 2
n
n n
X 2 X 1Y X 1 X 2 X 2Y
b1 i 1 i 1 i 1 i 1
2
n
2
n
2
n
X 1 X 2 X 1 X 2
i 1 i 1 i 1
n 2
n
n n
X 1 X 2Y X 1 X 2 X 1Y
b2 i 1 i 1 i 1 i 1
2
n
2
n
2
n
X 1 X 2 X 1 X 2
i 1 i 1 i 1
a atau
b0 Y b1 X1 b2 X 2
63
5.2 Metode Kuadrat Terkecil untuk Regresi
Regresi linear ordinary least square (OLS) adalah sebuah model regresi linear dengan metode
perhitungan kuadrat terkecil. Model regresi berganda dipostulatkan seperti berikut:
yi = 0 + 1xi1 + 2xi2… +… kxik + εi (i = 1, 2, …,n dan n ≥ k + 1 )
dimana yi adalah nilai variabel respon Y untuk amatan ke-i; xi1, xi2, ….xik adalah nilai-nilai variabel bebas X1,
X2, …,Xk untuk amatan ke-i; εi adalah galat (residual); 0, 1, 2, …, k adalah parameter (koefisien) regresi.
Persamaan linier diatas dalam bentuk matriks sebagai berikut:
64
Signifikansi dalam model regresi linier dapat didekati dengan analysis of variance (ANOVA), seperti
disajikan pada tabel 5.1
Tabel 5.1 Anova
Sumber Tingkat Sum Square Mean Square F-hitung Ftabel
Variasi Kebebesan ( SS ) ( MS )
( df)
Varibel p = jumlah Sum Square Mean Square Regresion F-hitung Ftabel
Regresi variabel Regresion (MSR) = SSR/p = MSR/MSE = (,p,E)
X1 dan X2 bebas (SSR)
Dimana:
SSR = bo ∑Y + b1 ∑ X1 Y+ b2 ∑ X2Y – ( ∑Y )2 / n
SST = Sum Square Total = ∑Y2 – ( ∑Y )2 / n
SSE = SST - SSR
2. Uji Parsial
Uji parsial digunakan untuk menguji apakah sebuah variabel bebas X benar-benar memberikan
kontribusi terhadap variabel terikat Y. Dalam pengujian ini ingin diketahui apakah jika secara terpisah,
suatu variabel X masih memberikan kontribusi secara signifikan terhadap variabel terikat Y.
Hipotesis untuk uji ini adalah:
H0 : j = 0
H1 : j 0
Dimana:
j = 0, 1, …, k
k = banyaknya variabel bebas X
Uji partial ini menggunakan uji t, yaitu:
Jika t-hitung t-tabel (n-p), maka terima H0
Jika t-hitung ˃ t-tabel (n-p), maka tolak H0
Dimana:
(n-p) = parameter t-tabel
n = banyaknya pengamatan
p = banyaknya parameter (koefisien) model regresi linier
Apabila H0 ditolak, maka variabel bebas X memiliki pengaruh yang signifikan terhadap variabel terikat Y.
65
3. Koefisien Determinasi R2
Koefisien determinasi adalah besarnya keragaman (informasi) di dalam variabel Y yang dapat
diberikan oleh model regresi yang didapatkan. Nilai R2 berkisar antara 0 s.d. 1. Apabila nilai R2 dikalikan
100%, maka hal ini menunjukkan persentase keragaman (informasi) di dalam variabel Y yang dapat
diberikan oleh model regresi yang didapatkan. Semakin besar nilai R2, semakin baik model regresi yang
diperoleh.
4. Uji Asumsi Klasik
Regresi linear ordinary least square (OLS) adalah sebuah model regresi linear dengan metode
perhitungan kuadrat terkecil. Di dalam model regresi ini, ada beberapa syarat yang harus dipenuhi agar
model peramalan yang dibuat agar valid sebagai alat peramalan. Syarat-syarat tersebut apabila dipenuhi
semuanya, maka model regresi linear tersebut dikatakan BLUE (Best Linear Unbiased Estimation). Uji
Asumsi Klasik Pada Regresi Linear Berganda, meliputi: Uji Normalitas , Uji Heteroskedassitas , Uji
Multikolinieritas . dan Uji Autokorelasi (Hanya untuk data time series atau runtut waktu).
a. Uji Normalitas
Sebaran data residual penting diuji normalitasnya, untuk memastikan suatu model (persamaan
regresi) linier layak dipergunakan sebagai konfrmatori atau keperluan prediksi. Uji Normalitas (Chi-Square
Goodness of Fit Test Normalitas) dapat dilakukan dengan salah satu dari beberapa teknik berikut:
1) Rumus Kolmogorov smirnov
2) Rumus shapiro wilk dan shapiro francia
3) Rumus Lilliefors
4) Jarque bera
5) Diagram atau scatter plot (gambar)
b. Uji Heteroskedassitas
Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari residual untuk
semua pengamatan pada model regresi linear. Heteroskedastisitas adalah kebalikan dari
homoskedastisitas, yaitu keadaan dimana terjadinya ketidaksamaan varian dari error untuk semua
pengamatan setiap variabel bebas pada model regresi. Sebaliknya, pengertian homoskedastisitas adalah
keadaan dimana adanya kesamaan varian dari error untuk semua pengamatan setiap variabel bebas pada
model regresi. Diharapkan varian error variabel bebas pada semua pengamatan terjadi homoskedassitas.
Beberapa jenis uji heteroskedassitas, yakni:
1) Uji Glejser
2) Uji Park
3) Uji Spearman
4) Melihat Grafik
Gejala heteroskedassitas pada model regresi linier sederhana dapat diatasi melalui 3 cara yaitu:
66
1) Dengan cara transformasi data.
2) Dengan cara weighted least square (WLS) atau regresi linear dengan menggunakan pembobot.
3) Dengan cara membiarkannya namun menggunakan koefisien estimasi yang robust atau kebal terhadap
pelanggaran heteroskedastisitas, yaitu koefisien estimasi Huber White.
c. Uji Multikolinearitas
Multikolinearitas adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan kuat (r ≥
0.90) antara dua variabel bebas atau lebih dalam sebuah model regresi linier berganda. Penyebab lainnya
secara tidak langsung antara lain:
1) Penggunaan variabel dummy yang tidak akurat di dalam model regresi. Akan lebih beresiko terjadi
multikolinearitas jika ada lebih dari 1 variabel dummy di dalam model.
2) Adanya perhitungan sebuah variabel bebas yang didasarkan pada variabel bebas lainnya di dalam
model. Hal ini bisa dicontohkan sebagai berikut: dalam model regresi, ada variabel X1, X2 dan Perkalian
antara X1 dan X2 (X1*X2). Dalam situasi tersebut bisa dipastikan, terdapat kolinearitas antara X1 dan
X1*X2 serta kolinearitas antara X2 dengan X1*X2.
3) Adanya pengulangan variabel bebas di dalam model, misalkan: Y = Alpha + Beta1 X1 + Beta2 X1*5 +
Beta3 X3 + e.
Dampak dari multikolinearitas antara lain:
1) Koefisien Partial Regresi tidak terukur secara presisi. Oleh karena itu nilai standar errornya besar.
2) Perubahan kecil pada data dari sampel ke sampel akan menyebabkan perubahan drastis pada nilai
koefisien regresi partial.
3) Perubahan pada satu variabel dapat menyebabkan perubahan besar pada nilai koefisien regresi parsial
variabel lainnya.
4) Nilai Confidence Interval sangat lebar, sehingga akan menjadi sangat sulit untuk menolak hipotesis nol
pada sebuah penelitian
Deteksi adanya Multikolinearitas di dalam model regresi adalah dengan cara:
1) Melihat kekuatan korelasi antar variabel bebas. Jika ada korelasi antar variabel bebas ≥ 0,9 dapat
diindikasikan adanya multikolinearitas.
2) Melihat nilai standar error koefisien regresi parsial. Jika ada nilai standar error > 1, maka dapat
diindikasikan adanya multikolinearitas.
3) Melihat rentang confidence interval. Jika rentang confidence interval sangat lebar, maka dapat
diindikasikan adanya multikolinearitas.
4) Melihat nilai Condition Index dan eigenvalue. Jika nilai condition index > 30 dan nilai eigenvalue < 0,001
dapat diindikasikan adanya multikolinearitas.
5) Melihat nilai Tolerance dan Variance Inflating Factor (VIF). Jika nilai Tolerance < 0,1 dan VIF > 10 dapat
diindikasikan adanya multikolinearitas. Sebagian pakar menggunakan batasan Tolerance < 0,2 dan VIF >
67
5 dalam menentukan adanya multikolinearitas. Para pakar juga lebih banyak menggunakan nilai
Tolerance dan VIF dalam menentukan adanya Multikolinearitas di dalam model regresi linear berganda
dibandingkan menggunakan parameter-parameter yang lainnya.
d. Uji Autokorelasi
Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk mengetahui adakah korelasi
variabel di dalam model prediksi dengan perubahan waktu. Oleh karena itu, apabila asumsi autokorelasi
terjadi pada sebuah model prediksi, maka nilai disturbance tidak lagi berpasangan secara bebas, melainkan
berpasangan secara autokorelatif. Uji ini harus dilakukan apabila data merupakan data time series atau
runtut waktu. Sebab yang dimaksud dengan autokorelasi sebenarnya adalah: sebuah nilai pada sampel
atau observasi tertentu sangat dipengaruhi oleh nilai observasi sebelumnya.
Uji autokorelasi untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode
sebelumnya (t -1). Jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya.
Masalah gejala autokorelasi dapat dideteksi dengan menggunakan berbagai jenis teknik, antara lain:
1) Uji Durbin Watson
Uji Durbin watson adalah uji autokorelasi yang menilai adanya autokorelasi pada residual. Uji ini
dilakukan dengan asumsi atau syarat antara lain: Model regresi harus menyertakan konstanta;
Autokorelasi harus diasumsikan sebagai autokorelasi first order; Variabel dependen bukan merupakan
variabel Lag. Uji Durbin watson akan menghasilkan nilai Durbin Watson (DW) yang nantinya akan
dibandingkan dengan dua (2) nilai Durbin Watson Tabel, yaitu Durbin Upper (DU) dan Durbin Lower DL).
2) Uji Breucsh Godfrey
3) The Engle’s ARCH Test.
Tabel 5.2 Opini respoden terhadap Brand Experience, Kepercayaan, dan Ekuitas Merek
Brand Experience (B) Kepercayaan Pelanggan (K) Ekuitas Merek (E)
B B B B B B K K K K K K K E E E E E E E E
11 12 13 14 15 16 11 12 13 14 15 16 17 11 12 13 14 15 16 17 18
68
Brand Experience (B) Kepercayaan Pelanggan (K) Ekuitas Merek (E)
2 6 7 6 7 4 7 3 7 6 6 6 4 7 7 7 3 4 6 7 3
7 1 7 7 7 7 7 7 7 7 7 7 7 4 7 7 7 1 7 7 7
6 6 5 6 1 6 5 6 6 5 6 5 5 6 6 6 7 5 5 6 1
6 5 6 6 6 1 6 6 5 6 5 6 6 5 6 6 5 6 6 5 6
7 7 7 7 1 7 7 7 7 7 7 7 7 6 7 7 7 7 7 7 1
7 7 7 6 7 1 7 7 7 7 7 6 7 6 7 7 5 7 7 7 7
7 7 6 7 7 7 1 7 7 7 7 7 7 7 6 7 7 5 6 7 7
7 7 7 7 7 7 7 1 7 7 7 7 7 6 7 7 5 7 6 7 7
6 6 7 7 7 7 7 7 1 7 6 7 7 6 7 7 5 7 7 7 7
7 7 7 7 3 3 3 3 3 3 4 3 3 3 4 3 5 7 7 6 3
7 7 7 7 3 3 3 3 3 3 3 4 3 3 3 3 5 7 6 7 3
7 7 7 7 3 3 3 3 3 3 3 3 4 3 3 4 5 7 7 7 3
3 2 3 3 7 7 7 7 3 3 3 3 3 4 3 3 3 3 3 3 7
7 7 7 7 7 7 7 7 7 7 7 7 7 1 7 7 7 5 7 7 7
7 7 7 5 7 7 7 7 7 7 7 6 7 7 1 7 7 7 6 7 7
7 7 7 7 7 7 7 7 7 7 7 7 7 6 7 1 7 7 7 7 7
1 6 6 6 5 6 6 6 6 6 6 6 6 6 6 6 1 6 5 6 6
6 1 6 6 6 6 6 6 6 6 6 6 6 5 6 6 7 1 5 6 6
6 6 1 6 6 5 6 6 6 6 6 6 6 5 6 6 7 6 1 6 6
6 6 6 1 6 6 5 6 6 6 6 6 6 6 6 6 7 6 6 1 6
7 7 1 7 7 7 7 5 7 7 7 7 7 7 7 7 6 7 1 7 7
7 7 7 1 7 7 7 7 5 7 7 7 7 7 7 7 6 5 7 1 7
5 6 6 6 6 6 1 6 6 5 6 6 6 5 6 7 6 6 7 6 6
6 5 6 6 6 6 6 1 6 6 5 6 6 5 6 6 7 6 7 6 6
1 6 5 6 6 6 6 6 1 6 6 5 6 7 6 6 6 6 6 6 6
1 6 6 5 6 6 6 6 6 1 6 6 5 6 6 6 6 7 6 6 6
6 6 6 6 5 6 6 6 6 6 1 6 6 5 6 6 7 6 5 6 6
6 6 6 6 6 5 6 6 6 6 6 1 6 6 5 6 6 6 7 6 6
3 6 6 5 6 6 5 6 6 6 6 6 1 6 6 5 7 6 5 6 6
3 6 6 5 6 6 6 5 6 6 6 5 6 1 6 6 5 6 6 7 6
6 6 6 5 6 6 6 6 5 6 6 5 6 6 1 6 6 5 5 6 5
6 6 6 5 6 6 6 6 6 5 6 6 6 6 6 1 6 6 5 6 7
69
Brand Experience (B) Kepercayaan Pelanggan (K) Ekuitas Merek (E)
7 7 7 7 3 3 3 3 3 3 3 3 3 3 3 3 6 7 7 7 3
7 7 7 7 7 7 7 7 7 1 7 7 7 6 7 7 7 7 7 5 7
7 7 7 7 7 7 7 7 7 7 1 7 7 6 7 7 7 7 6 7 5
7 7 7 7 7 7 7 7 7 7 7 1 7 7 7 7 6 7 7 7 7
7 7 7 7 7 7 7 7 7 7 7 7 1 7 7 7 7 7 6 7 7
2 3 3 3 7 7 7 7 3 3 3 3 2 4 3 3 6 3 3 3 7
3 2 3 3 7 7 7 7 3 3 3 3 3 3 3 3 5 2 3 3 7
3 3 2 3 7 7 7 7 3 3 3 3 3 2 3 3 3 3 4 3 7
3 6 3 3 3 3 3 3 7 7 7 7 3 3 3 3 5 3 2 3 3
3 6 3 2 3 3 3 3 7 7 7 5 3 3 2 3 3 3 4 3 3
3 7 3 3 3 3 3 3 7 7 7 5 3 4 3 3 4 3 3 2 3
3 3 3 3 3 3 3 3 7 7 7 7 3 3 3 2 3 3 4 3 2
3 3 3 3 3 3 3 3 3 3 3 3 7 7 7 7 4 3 3 3 3
3 3 3 3 3 3 3 3 3 3 3 3 7 6 7 7 4 3 3 3 3
5 5 5 5 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4
7 7 7 7 7 7 7 7 7 7 7 7 5 7 7 7 7 7 7 7 7
7 7 7 7 7 7 7 7 7 7 7 7 7 6 7 7 7 7 6 7 7
7 7 7 7 7 7 7 7 7 7 7 5 7 7 7 7 7 7 7 7 7
7 7 7 7 7 7 7 7 7 7 7 5 7 6 7 7 7 7 6 7 7
7 7 7 7 7 7 7 7 7 7 7 7 7 6 7 7 7 7 7 7 7
5 4 4 4 4 4 4 4 4 4 4 5 4 5 4 4 5 4 3 5 4
4 4 4 4 4 4 4 4 4 4 5 4 4 5 4 4 4 5 4 4 4
4 5 4 3 4 4 4 4 4 4 4 4 5 4 4 4 4 6 3 4 5
6 4 4 3 4 4 4 4 4 5 4 4 4 4 4 4 4 5 5 4 4
6 4 5 4 4 4 4 4 4 4 4 4 3 5 4 4 4 4 4 4 4
7 4 4 4 4 4 4 4 5 4 4 4 3 4 4 4 3 6 5 5 4
7 4 4 5 4 4 4 4 4 4 4 4 3 4 5 4 3 6 4 4 4
7 4 4 4 4 4 4 5 4 4 4 5 4 5 4 4 3 6 5 4 5
4 4 4 4 5 4 4 4 4 4 4 4 3 5 4 5 4 5 4 4 4
4 4 4 4 4 4 5 4 4 4 4 5 4 4 4 4 4 6 4 4 3
3 3 3 3 4 5 4 4 4 4 4 4 4 4 4 4 5 4 4 4 4
3 3 3 3 3 3 3 3 3 3 3 3 7 7 7 7 3 4 3 3 3
70
Brand Experience (B) Kepercayaan Pelanggan (K) Ekuitas Merek (E)
3 3 3 3 3 3 3 3 3 3 3 3 7 7 7 7 3 4 2 3 3
4 4 4 3 4 4 4 4 4 4 4 4 4 5 4 4 3 4 4 4 4
7 7 7 7 7 7 7 7 1 7 7 4 3 4 4 4 4 4 5 4 4
7 7 7 7 3 3 3 3 3 3 3 4 4 5 4 4 5 5 5 5 5
7 7 7 7 3 3 3 3 3 3 3 4 4 4 4 4 5 4 3 4 4
7 7 7 7 3 3 3 3 3 3 3 7 7 7 7 7 6 5 7 7 7
3 3 3 3 7 7 7 7 3 3 3 7 5 7 7 7 7 7 6 7 7
7 7 7 7 7 7 7 7 7 7 7 7 5 6 7 7 6 6 6 6 6
7 7 7 7 7 7 7 7 7 7 7 6 7 7 7 7 5 7 6 7 7
7 7 7 7 7 7 7 7 7 7 7 6 7 7 7 7 7 7 7 7 5
1 5 5 5 4 5 5 5 5 5 5 6 7 7 7 7 7 7 6 7 7
5 1 5 5 5 4 5 5 5 5 5 3 3 3 2 3 3 3 3 3 3
5 5 1 5 5 5 4 5 5 5 5 3 3 3 3 3 3 2 3 3 3
5 5 5 1 5 5 5 4 5 5 5 4 3 1 3 2 2 3 3 3 3
7 7 1 7 7 7 7 7 7 7 7 3 3 2 3 3 3 3 3 3 3
4 6 2 3 3 3 3 3 3 3 3 3 1 3 3 3 2 3 4 3 3
3 6 3 3 3 3 3 3 3 3 3 3 2 3 3 3 3 3 4 3 3
3 3 3 2 3 3 3 3 3 3 3 3 3 4 3 3 3 2 4 3 3
4 3 3 3 3 3 3 3 3 3 3 2 3 4 3 3 3 3 4 3 3
6 4 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 5 3 3 2
6 3 4 3 3 3 3 3 3 3 2 3 3 3 3 3 3 5 2 3 3
6 3 3 4 3 2 3 3 3 3 3 3 3 3 3 3 3 5 3 3 3
3 3 3 3 3 3 3 3 3 2 3 3 3 3 3 3 4 5 3 2 3
3 3 3 4 3 3 2 3 3 3 3 3 3 2 3 3 4 5 2 3 3
3 6 3 3 3 3 3 3 3 3 3 3 5 3 3 3 4 3 3 3 2
3 6 3 3 3 3 3 2 3 3 3 3 5 2 3 3 4 3 3 3 3
Sumber: Data hipotesis, 2021
Input data eviews berbasis varian, oleh sebab itu data pada tabel 5.2 harus diringkas lagi. Persiapkan
data (tabulasi) dalam bentuk excel (nama file: BKE1). Peringkasan dilakukan dengan menghitung rata-rata
masing-masing variabel laten. Disajikan pada tabel 5.3.
71
Tabel 5.3 Ringkasan Tabulasi
B K E
5.33 5.57 5.5
6 7 5.88
5 5.43 5.25
5 5.71 5.63
6 7 6.13
5.83 6.86 6.63
6.83 6.14 6.5
7 6.14 6.5
6.67 6 6.63
5.67 3.14 4.75
5.67 3.14 4.63
5.67 3.14 4.88
4.17 4.14 3.63
7 7 6
6.67 6.86 6.13
7 7 6.13
5 6 5.25
5.17 6 5.25
5 6 5.38
5.17 5.86 5.5
6 6.71 6.13
6 6.71 5.88
5.83 5.14 6.13
5.83 5.14 6.13
5 5.14 6.13
5 5.14 6.13
5.83 5.29 5.88
5.83 5.29 6
5.33 5.14 5.88
5.33 5.71 5.38
5.83 5.71 5
72
B K E
5.83 5.86 5.38
5.67 3 4.88
7 6.14 6.63
7 6.14 6.5
7 6.14 6.88
7 6.14 6.88
4.17 4 4
4.17 4.14 3.63
4.17 4.14 3.5
3.5 5.29 3.13
3.33 5 3
3.67 5 3.13
3 5.29 2.88
3 3.57 4.63
3 3.57 4.5
4.67 4 3.88
7 6.71 7
7 7 6.75
7 6.71 7
7 6.71 6.75
7 7 6.88
4.17 4.14 4.25
4 4.14 4.25
4 4.14 4.25
4.17 4.14 4.25
4.5 3.86 4.13
4.5 4 4.38
4.67 3.86 4.25
4.5 4.29 4.5
4.17 3.86 4.38
4 4.29 4.13
3.5 4 4.13
73
B K E
3 3.57 4.63
3 3.57 4.5
3.83 4 4
7 5.14 4.13
5.67 3.29 4.75
5.67 3.29 4
5.67 4.14 6.63
4.33 5 6.88
7 6.71 6.25
7 6.86 6.63
7 6.86 6.75
4.17 5.43 6.88
4.17 4.43 2.88
4.33 4.29 2.88
4.33 4.43 2.5
6 5.86 2.88
3.5 2.71 3
3.5 2.86 3.13
2.83 3 3.13
3.17 2.86 3.25
3.5 3 3.13
3.67 2.86 3.13
3.5 3 3.25
3 2.86 3.25
3.17 2.86 3.13
3.5 3.29 3
3.5 3.14 3
Sumber: Diolah dari tabel 5.2
74
b. Buka File Kerja (Workfile) dengan cara klik : File =>New =>Workfile
Maka akan muncul jendela Workfile Create, yang terdiri dari Workfile Structure Type.
c. Pilih unstructured/undated,
Data range Observation: Isi 90 (Jumlah data observasi)
Workfile name (optional): Isi nama file: BKE
d. Klik Ok
75
e. Klik Object
f. Klik New Object
g. Klik Series
h. Name for object: Isi B (variabel dependent)
i. Klik Ok.
j. Klik Object
k. Klik New Object
l. Name for object: Isi K (variabel independent)
m. Klik Ok.
n. Klik Object
o. Klik New Object
p. Name for object: Isi E (variabel independent)
q. Klik Ok.
r. Klik b
s. Tekan jangan dilepas Ctrl
t. Pres k
u. Pres e
76
v. Klik Open
w. Klik As group
x. Buka panel data excel
y. Copas ke Eviews
z. Klik Proc
aa. Klik Make equation
ab. Ketik e b k c
77
ac. Klik Ok
Hasilnya sebagai berikut:
Dependent Variable: E
Method: Least Squares
Date: 11/04/20 Time: 11:25
Sample: 1 90
Included observations: 90
a. Jumlah Observasi
Jumlah observasi atau jumlah sampel yang digunakan dalam pengujian model regresi ditunjukkan
78
dengan jumlah respoden yaitu sebanyak 90 sampel. Sedangkan jumlah sampel yang valid nilainya dan
menjadi bagian dalam analisis, ditunjukkan dengan nilai “Include Observation.” Yang mana dalam
tutorial ini yaitu sampel ke-1 sampai dengan sampel ke-90.
b. Identifikasi Variabel
Variabel response ditunjukkan dengan nilai “Dependent variable“, yaitu E. Variabel
predictor yang menjadi bagian dalam model ditunjukkan pada kolom variabel, dimana dalam hal ini
adalah variabel B, K dan kontanta (Symbol C).
c. T Parsial
T parsial ditunjukkan dengan nilai “t-Statistics“. Contoh di atas adalah nilai t parsial B sebesar
3,447144. Nilai ini kita bandingkan dengan t tabel. namun agar proses bisa cepat, kita dapat melihat nilai
p value dari t parsial. jika nilainya < batas kritis, misal < 0,05 maka menerima H1 atau yang berarti
variabel B berpengaruh secara parsial di dalam model terhadap variabel response (E). Contoh di atas
adalah nilai p value t parsial B adalah 0.0000 dimana < 0,05 sehingga menerima H1, B berpengaruh
signifikan dan positif terhadap E. Nilai p value t parsial K adalah 0.0004 dimana < 0,05 sehingga
menerima H1, K berpengaruh signifikan dan positif terhadap E.
d. Koefisien Beta
Koefisien beta dalam eviews ditunjukkan dengan label “coefficient“. Koefisien beta adalah nilai
prediksi sebuah variabel di dalam model terhadap variabel response (dependent). Misal di atas nilai
koefisien beta B adalah 0.534590 yang berarti B berpengaruh (dapat menjelaskan) E sebesar 0.534590
atau 53.46% atau dapat diartikan: setiap perubahan satu satuan E dapat mengakibatkan perubahan pada
E sebesar 53.46% . Nilai koefisien beta K adalah 0.347340 yang berarti K berpengaruh (dapat
menjelaskan) E sebesar 0.347340 atau 34.73% atau dapat diartikan: setiap perubahan satu satuan K
dapat mengakibatkan perubahan pada E sebesar 34.73%. Model Persamaan diatas secara fungsional
dapat ditulis sebagai berikut: E = 0.525466 + 0.534590B + 0.347340K.
e. Koefisien Determinasi Berganda
Nilai koefisien determinasi berganda dalam eviews diberi label R-Squared. Dalam contoh ini
sebesar 0.669412 yang berarti sekumpulan variabel predictor di dalam model dapat menjelaskan
variabel response sebesar 66.94%. Sedangkan sisanya dijelaskan oleh variabel lain di luar model yang
tidak diteliti.
f. Adjusted RSquare
Nilai adjusted RSquare artinya nilai koefisien determinasi yang telah terkoreksi oleh nilai standar
error. Dalam contoh ini, nilai adjusted Rsquare sebesar 0.661812. Sedangkan nilai standar error model
regresi 0.791429 ditunjukkan dengan label S.E. of regression. Nilai standar error ini lebih kecil dari pada
nilai standar deviasi variabel response yang ditunjukkan dengan label “S.D. dependent var” yaitu sebesar
1.360921 yang dapat diartikan bahwa model regresi valid sebagai model prediktor.
79
g. Uji Simultan
Uji simultan dalam eviews diperlihatkan dengan hasil nilai Uji F seperti layaknya jika kita menganalisis
menggunakan aplikasi SPSS. Namun dalam eviews diberi label F-statistics. Nilai F sebesar 88.08375 ˃ 1.96
dengan tingkat kepercayaan sebesar 95%. P-value atau Prob (F-statistic) sebesar 0,00000 < 0,05 atau batas
kritis, sehingga dapat disimpulkan menerima H1. Menerima H1 dalam uji simultan berarti bahwa
variabel bebas secara serentak mempengaruhi secara bermakna (signifikan) variabel terikat.
a. Uji Asumsi Klasik
Uji asumsi klasik mencakup Uji normalitas residual, uji heteroskedassitas, uji multikolinieritas, dan
uji autokorelasi.
1) Uji Normalitas Residual
Algoritma uji normalitas residual sebagai berikut:
a) Klik View
b) Klik Residual Diagnostic
c) Klik Histogram-Normality test
d) Klik kanan
e) Copy to clipboard
Hasilnya sebagai berikut:
28
Series: Residuals
24 Sample 1 90
Observations 90
20
Mean 8.68e-16
Median 0.054162
16 Maximum 2.303056
Minimum -2.888422
12 Std. Dev. 0.782486
Skewness -0.268332
8 Kurtosis 5.594883
Jarque-Bera 26.33035
4
Probability 0.000002
0
-3 -2 -1 0 1 2
Hasil uji normalitas residual di atas adalah: Nilai Jarque-Bera sebesar 26.33035 dengan p value
sebesar 0.000002 < 0,05 sehingga terima H1 atau yang berarti residual berdistribusi tidak normal.
2) Uji Hteroskedassitas
Tekan tombol View -> Residual Diagnostics -> Heteroscedasticity Test. Maka akan muncul jendela
pilihan jenis uji heterokedastisitas yang akan digunakan, yaitu antara lain: Uji Breusch Pagan Godfrey,
Harvey, Glejser, ARCH dan White Test.
80
Misalkan kita memilih menggunakan uji Breusch Pagan Godfrey. Setelah tekan tombol OK, maka
akan muncul output berikut:
Heteroskedasticity Test: Breusch-Pagan-Godfrey
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/04/20 Time: 13:10
Sample: 1 90
Included observations: 90
81
Bacalah output di atas, dimana nilai p value yang ditunjukkan dengan nilai Prob. chi square(2) pada
Obs*R-Squared yaitu sebesar 0.3877. Oleh karena nilai p value 0.3877 > 0,05 maka terima H0 berarti model
regresi bersifat homoskedastisitas atau dengan kata lain tidak ada gejala heteroskedastisitas.
3) Uji Multikolinearitas.
Uji multikolinearitas menilai adakah korelasi atau interkorelasi antar variabel bebas dalam model
regresi. Cara uji multikolinearitas adalah: tekan tombol View -> Coefficient Diagnostics -> Variance
Inflation Factors. Hasilnya sebagai berikut ini:
Variance Inflation Factors
Date: 11/04/20 Time: 13:31
Sample: 1 90
Included observations: 90
Tabel di atas menunjukkan bahwa nilai Centered VIF baik B dan K sebesar 2.355461 dimana nilai
tersebut kurang dari 10, maka dapat dinyatakan bahwa tidak terdapat masalah multikolinearitas dalam
model prediksi.
4) Uji autokorelasi
Banyak metode uji yang bisa dilakukan, namun dengan eviews kita menggunakan uji Breusch-
Godfrey Serial Correlation LM Test. Caranya yaitu pada menu tekan tombol View -> Residual Diagnostics ->
Serrial Correlation LM Test. Hasilnya sebagai berikut:
Breusch-Godfrey Serial Correlation LM Test:
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/04/20 Time: 13:55
Sample: 1 90
Included observations: 90
Presample missing value lagged residuals set to zero.
82
B -0.010397 0.091405 -0.113744 0.9097
K -0.017899 0.088570 -0.202087 0.8403
C 0.138240 0.332074 0.416291 0.6782
RESID(-1) 0.407804 0.108461 3.759925 0.0003
RESID(-2) -0.028729 0.113345 -0.253463 0.8005
Perhatikan nilai Prob Chi Square (2) yang merupakan nilai p value uji Breusch-Godfrey Serial
Correlation LM, yaitu sebesar 0.0009 dimana ˂ 0,05 sehingga tolak H0, berarti ada masalah autokorelasi
serial.
2. Aplikasi Software Stata
a. Model dan Signifikansi
1) Persiapkan data dalam file Excell (97-2003 Workbook) , nama file: BKE2
Pada bagian ini akan dirumuskan model (persamaan) regresi multivariate mengacu pada data pada
file diatas. Parameter model termasuk signifikansi akan diperlihatkan.
2) Buka aplikasi stata
3) Klik File
4) Klik Import
5) Klik Excell spreadsheet
6) Klik Browse
7) Pilih (file excel yang akan diproses)
8) Pilih file “BKE2”
9) Klik Import first row as a variabel name
10) Klik OK
11) Klik Data
12) Klik Data editor
13) Data editor (edit)
14) Klik Tampil data mentah
15) Klik File
16) Klik Save as
17) Beri nama file……… (BKE2)
83
18) Kembali ke beranda (Viewer) Stata
19) Klik Statistik
20) Pada Menu klik Statisics, Linear models and related, Linear regression. Masukkan variabel dependen
(E) pada kotak Dependen variable dan variabel independen (B dan K) pada kotak independent variables.
85
menjelaskan variabel dependen sebesar 66.94%. Maka sisanya yaitu 100% - 66.94% =33.06% dipengaruhi
oleh variabel lain diluar model regresi.
Adj R-squared = 0.6618, digunakan bila reporting memakai standardized beta coefficients (Koefisien
determinasi setelah terkoreksi standar error)
Root MSE = 0.79143
MS Model = 55.1721028
Root MSE adalah standart error of estimate, dikatakan model regresi baik untuk dijadikan model peramalan
apabila Root MSE < Standart deviasi variabel dependen (E) atau 0.79143 ˂ 55.1721028
c. Uji Asumsi Klasik
1) Uji Normalitas Residual
a) Membentuk Variabel Residual:
Pada kotak comment di bawah, tuliskan kode “predict res, r” kemudian enter
86
b) Klik Statistics,
c) Klik Summaries, tables, and test”,
d) Klik Distributional plots and tables,
e) Klik Skewness and kurtosis normality test,
f) Masukkan variabel res pada kotak variables,
g) Klik OK.
Hasilnya seperti berikut:
. sktest res
Kriteria:
H0 : error term tidak terdistribusi normal
H1 : error term terdistribusi normal
Jika Prob˃chi2 < ɑ, maka Ho diterima dengan ɑ = 0.05
Karena Prob˃chi2 = 0.0083 ˂ 0.05, maka H0 diterima
Kesimpulannya adalah dengan tingkat keyakinan 95%, dapat dikatakan bahwa error term (residual)
tidak terdistribusi normal.
2) Uji Heteroskedastisitas
Asumsi bahwa Var(ǫi) = σ2 mensyaratkan bahwa varians galat sama untuk semua nilai variabel
bebas. Asumsi ini disebut homoskedastis dan pelanggarannya disebut heteroskedastisitas (Kohler &
Kreuter, 2012) .
Pada Menu klik Statisics, Linear models and related, regression diagnostics, “Specification test, etc”,
Test for heteroskedasticity (hettest), klik OK
. estat hettest
chi2(1) = 2.30
Prob > chi2 = 0.1291
Pvalue ditunjukkan oleh Prob ˃chi2 = 0.1291 ˃ 0.05, berarti regresi bebas dari gejala
heteroskedassitas atau bersifat homoskedassitas.
3) Uji Multikolinieritas
87
Model regresi yang bagus harus bebas dari gejala multikolinieritas. Karena gejala ini merupakan
korelasi antar variabel independen, maka asumsi ini hanya berlaku pada uji regresi linier berganda di mana
terdapat lebih dari satu variabel independen.
Dengan syntax: estat vif
Hasilnya disajikan dibawah ini
. estat vif
B 2.36 0.424545
K 2.36 0.424545
Lihat nilai VIF dan 1/VIF di atas, apabila VIF < 10 dan 1/VIF > 0,1 maka dapat dikatakan bahwa model
regresi linear berganda bebas gejala multikolinearitas.
3. Aplikasi Software SPSS (Data Crossection)
Masukkan data excel (nama file: BKE) ke SPSS. Kali ini Saya menggunakan cara copy-paste. Caranya
sangat mudah, karena tampilan lembar kerja SPSS hampir sama dengan Excel. Block data setiap variabel (B,
K, dan E) dari 1 hingga 90. Kopi angkanya lalu paste di lembar kerja SPSS pada Data View. Jika sudah benar,
maka tampilan SPSS seperti berikut:
88
a. Klik Variabel View
b. Pada kolom Name merupakan jenis variabel pada penelitian. Standarnya, SPSS akan mengisinya dengan
nama default yaitu Var00001, Var00002, dst. Ubahlah sesuai urutan variabel yang kita copy dari Excel
yaitu B, K, dan E.
c. Pada kolom Label merupakan nama variabel pada penelitian. Isi sesuai nama variabel yang Anda
gunakan. Pada contoh ini adalah Brand Experience (E), Kepercayaan Pelanggan (K), dan Ekuitas Merek
(E).
d, Pada kolom Measure merupakan jenis data. Default-nya SPSS akan mengisi kolom ini dengan
nama Unknown. Gantilah menjadi Scale.
g. Tampil dialog statistic, maka centang Estimates (dilakukan untuk estimasi persamaan regresi), Model
fit (dilakukan untuk melihat Uji F dan R2), dan Descriptives (dilakukan untuk melihat deskripsi data
90
seperti rerata, standar deviasi, dan observasi setiap variabel). Hal ini dilakukan karena kita hanya
melakukan analisis regresi saja;
h. Klik Continue;
i. Klik Ok. Output ditampilkan dibawah ini
91
Persamaan regresi berganda diatas berdasarkan analisis of varian telah dapat mengkonfirmasi data
empiris. Namun masih terdapat keraguan karena belum melalui uji asumsi klasik. Sebuah model regresi
linier berganda harus memenuhi asumsi klasik, baru dapat dipergunakan sebagai model prediksi yang
layak.
Uji Asumsi Klasik:
a. Uji normalitas Residual
Uji normalitas residual dilakukan dengan teknik Kolmogorov Smirnov. Teknik ini lebih akurat
dibandingkan dengan scatter p-plot karena dapat langsung dilihat angka batasnya.
Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan distribusi
data (yang akan diuji normalitasnya) dengan distribusi normal baku. Distribusi normal baku adalah data
yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal. Jadi sebenarnya uji
Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku.
Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat perbedaan yang
signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan pada
uji Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05 berarti data yang akan diuji
mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak normal.
Pengujian normalitas dilakukan dengan menu
1) Klik Analyze
2) Klik Regression
3) Klik Linier
4) Klik Save
5) Klik Unstandardized
Save dan unstandardized dilakukan untuk memperlihatkan sebaran residual model regresi pada data
panel. Sebaran data residual yang akan diperiksa normalitasnya.
92
6) Klik continue
7) Klik Ok
Sekarang pada data panel sudah bertambah sebaran data residual model (Res_1), seperti diperlihatkan
pada tampilan berikut:
Sebaran data Res_1 akan diuji normalitas dengan teknik Kolmogorov Sminvov.
8) Klik Analyze, kemudian klik pada Nonparametric Test, lalu klik Legacy Dialogs, Klik 1-Sample K-S. K-S itu
singkatan dari Kolmogorov-Smirnov. Maka akan muncul kotak One-Sample Kolmogorov-Smirnov Test.
Data yang akan diuji terletak di kiri (variabel unstandardized residual) dan dipindahkan ke kanan
dengan tanda panah. Tampilannya seperti dibawah ini.
93
9) Centang Normal pada Test Distribution seperti dibawah ini.
10) Klik Ok, maka hasilnya akan diperoleh, seperti pada tampilan berikut.
Intepretasinya adalah bahwa jika Asymp.Sig.(2-tailed) nilainya di atas 0,05 maka distribusi data
dinyatakan memenuhi asumsi normalitas, dan jika nilainya di bawah 0,05 maka diinterpretasikan sebagai
tidak normal.
Mengacu pada output diatas diperoleh nilai Asymp.Sig.(2-tailed) = 0.004 < 0.05 berarti sebaran data
residual tidak berdistribusi normal. Asumsi ini tidak dipenuhi oleh model regresi yang terbentuk.
94
b. Homoskedastisitas (Spearman)
Homoskedastisitas adalah sebuah kondisi dimana varians dari error bersifat konstan atau tetap.
Dengan kata lain bahwa varians dari error bersifat identik untuk setiap pengamatan. Kebalikan dari
homoskedastisitas adalah heteroskedastisitas. Model regresi linear berganda yang baik adalah model
yang bebas dari kondisi heteroskedastisitas.
Bagaimana kriteria pengujian untuk menjawab hipotesis? Jawabannya seperti di bawah ini:
Ho: Tidak ada gejala heteroskedastisitas
Ha: Ada gejala heteroskedastisitas
Ho diterima apabila nilai p value atau signifikansi > 0,05.
Absolutkan nilai residual (RES_1) yang telah diperoleh pada uji normalitas residual dengan cara:
1) Klik Transform,
2) Klik Compute Variabel
3) Klik All
4) Klik Abs
5) Ketik pada target variabel , nama variabel baru: ABS_RES dan pada Numeric expression dengan nama
: ABS_RES(RES_1).
95
6) Klik Ok, Maka akan muncul 1 variabel baru yaitu ABS_RES pada panel data
Seluruh korelasi antar variabel bebas < 0.90. Jadi tidak terdapat multikolinearitas, sehingga hasil
pengujian dikatakan reliabel atau terpercaya. Maka nilai koefisien regresi parsial dikatakan handal dan
robust atau kebal terhadap perubahan-perubahan yang terjadi pada variabel lainnya di dalam model
97
regresi berganda.
d. Uji Autokerasi
Jenis sebaran data yaitu crossection, Oleh sebab itu tidak perlu diperiksa hubungan residual model
antar waktu. Dengan kata lain uji autokorelasi tidak penting.
4. Aplikasi Software SPSS (Data Time Series)
Pengaruh Struktur permodalan (yang diproksikan oleh Capital Assets Ratio) CAR, Kualitas aset
produktif (yang diproksikan oleh Non Performing Loan) (NPL), dan Rentabilitas (yang diproksikan oleh
Return on Equity) (ROE) terhadap Return On Asset pada sebuah perusahaan .
Berdasarkan dokumen yang diperoleh ditabulasi berikut ini (Data Excell):
Tahun CAR NPL ROE ROA
1984 11.23 6.05 24.29 2.41
1985 14.85 2.74 31.15 3.26
1986 12.66 4.58 46.21 1.83
1987 10.83 3.45 33.14 2.6
1988 12.66 4.14 29.72 3.03
1989 12.43 4.73 32.22 1.53
1990 9.57 4.44 34.37 2.77
1991 10.69 2.57 23.24 2.27
1992 11.46 2.84 37.49 3.04
1993 12.1 5.63 42.13 2.76
1994 11.25 4.58 33.21 2.62
1995 18.14 1.61 32 3.15
1996 11.1 3.62 8.03 0.45
1997 17.56 0.9 43.45 4.25
1998 11.16 3.13 28.74 1.83
1999 10.82 7.8 8.49 0.53
2000 11.58 1.54 61.84 5.59
2001 9.32 1.95 89.83 5.43
2002 10.72 1.13 60.7 5.37
2003 11.45 1.12 25.32 1.56
2004 12.91 0.77 57.99 5.36
2005 12.04 1.4 9.72 0.62
2006 15.51 1.38 22.45 2.14
2007 13.48 1.12 11.06 0.98
98
Tahun CAR NPL ROE ROA
2008 10.96 1.7 39.97 2.22
2009 12.03 4.51 51.61 2.05
2010 11.06 1.29 35.11 2.08
2011 13.71 6 32.96 1.65
2012 16.5 6.12 39.25 2.03
2013 14.8 6.71 34.49 1.75
2014 12.28 4.14 51.35 1.94
2015 13.3 4.86 40.17 2.11
2016 14.73 4.59 38.77 2.08
2017 11.54 4.39 48.78 1.91
2018 12.39 3.86 44.2 2.23
2019 14 4.21 38.21 2
Sumber: Data Hipotesis, 2021
Input data tersebut ke SPSS. menggunakan cara copy-paste. karena tampilan lembar kerja SPSS hampir
sama dengan Excel. Block data setiap variabel (CAR . NPL , ROE , dan ROA ) dari Responden Pertama hingga
Responden Terakhir. Ingat, copy angkanya saja lalu paste di lembar kerja SPSS pada Data View
Langkah selanjutnya, berikan nama pada setiap variabel seperti gambar berikut:
Descriptive Statistics
Correlations
CAR 36 36 36 36
NPL 36 36 36 36
ROE 36 36 36 36
a
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 ROE, CAR,
b
. Enter
NPL
Model Summary
101
a
ANOVA
Total 59.458 35
a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
Penjelasan:
Descriptive Statistics
Memperlihatkan rata (mean) dan standar deviasi masing-masing dari keempat variabel.
Correlations
Memperlihatkan korelasi (r) interdependensi atau korelasi antar variabel (bivariat)
Variables Entered/Removeda
Menunjukkan semua variabel sudah diinput (removed)
Model Summary
Berdasarkan tabel di atas diperoleh angka R2 (R Square) sebesar 0.691 atau (69.1%). Hal ini
menunjukkan bahwa prosentase sumbangan pengaruh variabel independen (CAR, NPL, dan ROE )
terhadap variabel dependen (ROA) sebesar 69.1%. Atau variasi variabel independen yang digunakan dalam
model (CAR, NPL, dan ROE ) mampu menjelaskan sebesar 69.1% variasi variabel dependen (Return on
Asset). Sedangkan sisanya sebesar 30.9% dipengaruhi atau dijelaskan oleh variabel lain yang tidak
dimasukkan dalam model penelitian ini.
Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu lebih kecil dari R
Square yakni sebesar 0.662. Santoso, (2017) bahwa untuk regresi dengan lebih dari dua variabel bebas
digunakan Adjusted R2 sebagai koefisien determinasi.
102
Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model regresi dalam
memprediksikan nilai ROA. Dari hasil regresi di dapat nilai 0.75767 atau 0.75767 satuan (%), hal ini berarti
banyaknya kesalahan dalam prediksi nilai ROA sebesar 0.75767% . Sebagai pedoman jika Standard error of
the estimate kurang dari standar deviasi ROA, maka model regresi semakin baik dalam memprediksi nilai
ROA.
ANOVAa
Uji Koefisien Regresi Secara Bersama-sama (Uji F). Uji ini digunakan untuk mengetahui apakah
variabel independen secara bersama-sama berpengaruh secara signifikan terhadap variabel dependen.
Atau untuk mengetahui apakah model regresi dapat digunakan untuk memprediksi variabel dependen atau
tidak. Signifikan berarti hubungan yang terjadi dapat berlaku untuk populasi (dapat digeneralisasikan), jadi
apakah pengaruh yang terjadi atau kesimpulan yang didapat berlaku untuk populasi.
Tahap-tahap untuk melakukan uji F adalah sebagai berikut:
a. Merumuskan Hipotesis
Ho : Tidak ada pengaruh secara signifikan antara CAR, NPL, dan ROE secara bersama-sama terhadap
nilai ROA.
Ha : Ada pengaruh secara signifikan antara CAR, NPL, dan ROE secara bersama-sama terhadap nilai
ROA.
b. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang
sering digunakan dalam penelitian)
c. Menentukan F hitung
Berdasarkan tabel di atas diperoleh F hitung sebesar 23.858
d. Menentukan F tabel
Dengan menggunakan tingkat keyakinan 95%, = 5%, df 3 (jumlah variabel–1) = 3, dan df 3 (n-k-1)
atau 36-3-1 = 32 (n adalah jumlah kasus dan k adalah jumlah variabel independen), hasil diperoleh
untuk F tabel sebesar 2.901 (Lihat tabel F) atau dapat dicari di Ms Excel dengan cara pada cell kosong
ketik =finv(0.05,3,32) lalu enter.
e. Kriteria pengujian
1) Ho diterima bila F hitung < F tabel
2) Ho ditolak bila F hitung > F tabel
f. Membandingkan F hitung dengan F tabel.
Nilai F hitung > F tabel (23.858 > 2.901), maka Ho ditolak.
g. Kesimpulan
103
Karena F hitung > F tabel (23.858 > 2.901), maka Ho ditolak, artinya ada pengaruh secara signifikan antara
CAR, NPL, dan ROE secara bersama-sama terhadap terhadap ROA.
Coefficientsa
Persamaan regresinya sebagai berikut:
ROA’ = a + b1CAR + b2NPL + b3ROE
ROA’ = 0.628 + 0.039CAR -0.219NPL + 0.058ROE
Keterangan:
ROA’ = Return On Asset yang diprediksi
a = konstanta
b1,b2,b3 = koefisien regresi
CAR = Capital Assets Ratio
NPL = Non Performing Loan
ROE = Return on Equity
Persamaan regresi di atas dapat dijelaskan sebagai berikut:
1) Konstanta sebesar 0.628; artinya jika CAR, NPL, dan ROE nilainya adalah 0, maka harga saham (Y’)
nilainya adalah 4662,491.
2) Koefisien regresi variabel CAR sebesar 0.039 ; artinya jika variabel independen lain nilainya tetap dan
CAR mengalami kenaikan 1%, maka ROA akan mengalami kenaikan sebesar 0.039%..
3) Koefisien regresi variabel NPL sebesar -0.219 ; artinya jika variabel independen lain nilainya tetap dan
NPL mengalami penurunan 1%, maka ROA akan mengalami peningkatan sebesar 0.219 . Koefisien
bernilai negatif artinya terjadi hubungan negatif antara NPL dengan ROA, semakin naik NPL maka
semakin meningkat ROA
4) Koefisien regresi variabel ROE sebesar 0.058 ; artinya jika variabel independen lain nilainya tetap dan
ROE mengalami kenaikan 1%, maka ROA akan mengalami kenaikan sebesar 0.058 %..
5) Standard error atau residual (unstandardized residual) adalah selisih antara ROA dengan Predicted ROA.
nilai residual (nilai semakin mendekati 0) maka model regresi semakin baik dalam melakukan prediksi,
sebaliknya semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi dalam
melakukan prediksi).
Uji Koefisien Regresi Secara Parsial (Uji t)
Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel independen secara parsial
berpengaruh signifikan terhadap variabel dependen.
Langkah-langkah pengujian sebagai berikut:
Pengujian koefisien regresi variabel CAR
a. Menentukan Hipotesis
Ho : Secara parsial tidak ada pengaruh signifikan antara CAR dengan ROA.
104
Ha : Secara parsial ada pengaruh signifikan antara CAR dengan ROA
b. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5%
c. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar 0.632
d. Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df) n-k-1 atau 36-
3-1 = 32 (n adalah jumlah kasus dan k adalah jumlah variabel independen). Dengan pengujian 2 sisi
(signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2.037 (Lihat t tabel) atau dapat dicari di Ms
Excel dengan cara pada cell kosong ketik =tinv(0.05,32) lalu enter.
e. Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
f. Membandingkan thitung dengan t tabel
Nilai t hitung ˂ t tabel (0.632 ˂ 2.037) maka Ho diterima
g. Kesimpulan
Oleh karena nilai t hitung ˂ t tabel (0.632 ˂ 2.037) maka Ho diterima, artinya secara parsial tidak ada
pengaruh signifikan antara CAR dengan ROA. Jadi dari kasus ini dapat disimpulkan bahwa secara parsial
CAR tidak berpengaruh terhadap ROA.
Pengujian koefisien regresi variabel NPL
a. Menentukan Hipotesis
Ho : Secara parsial tidak ada pengaruh signifikan antara NPL dengan ROA.
Ha : Secara parsial ada pengaruh signifikan antara NPL dengan ROA
b. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5%
c. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar -3.173
d. Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df) n-k-1 atau 36-
3-1 = 32 (n adalah jumlah kasus dan k adalah jumlah variabel independen). Dengan pengujian 2 sisi
(signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2.037 (Lihat t tabel) atau dapat dicari di Ms
Excel dengan cara pada cell kosong ketik =tinv(0.05,32) lalu enter.
e. Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel
105
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
f. Membandingkan thitung dengan t tabel
-t hitung < -t tabel
-3.173 < -2.037 maka Ho ditolak
g. Kesimpulan
Oleh karena nilai -t hitung ˂ -t tabel (-3.173 < -2.037) maka Ho ditolak, artinya secara parsial ada
pengaruh signifikan antara NPL dengan ROA. Jadi dari kasus ini dapat disimpulkan bahwa secara
parsial NPL berpengaruh terhadap ROA.
Pengujian koefisien regresi variabel ROE
a. Menentukan Hipotesis
Ho : Secara parsial tidak ada pengaruh signifikan antara ROE dengan ROA.
Ha : Secara parsial ada pengaruh signifikan antara ROE dengan ROA
b. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan = 5%
c. Menentukan t hitung
Berdasarkan tabel di atas diperoleh t hitung sebesar 7.187
d. Menentukan t tabel
Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df) n-k-1 atau 36-
3-1 = 32 (n adalah jumlah kasus dan k adalah jumlah variabel independen). Dengan pengujian 2 sisi
(signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2.037 (Lihat t tabel) atau dapat dicari di Ms
Excel dengan cara pada cell kosong ketik =tinv(0.05,32) lalu enter.
e. Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
f. Membandingkan thitung dengan t tabel
Nilai t hitung ˃ t tabel (7.187 ˂ 2.037) maka Ho ditolak
g. Kesimpulan
Oleh karena nilai t hitung ˃ t tabel (7.187 ˂ 2.037) maka Ho ditolak, artinya secara parsial ada
pengaruh signifikan antara ROE dengan ROA. Jadi dari kasus ini dapat disimpulkan bahwa secara
parsial ROE berpengaruh terhadap ROA.
a. Uji Asumsi Klasik
1) Uji Normalitas Residual (Kolmogorov Smirnov)
Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan distribusi
data (yang akan diuji normalitasnya) dengan distribusi normal baku. Distribusi normal baku adalah data
106
yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal. Jadi sebenarnya uji
Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku.
Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat perbedaan yang
signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan pada
uji Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05 berarti data yang akan diuji
mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak normal.
Lakukan regresi dengan variabel dependen dan variabel independen
Dapatkan variabel residual dengan cara menekan tombol Save pada kotak dialog Linear Regression
dan aktifkan Unstandardized pada residuals. Kemudian klik Continue dan OK
107
Absolutkan nilai RES_1 dengan memilih menu Transform Compute Variable… hingga muncul kotak dialog
Compute Variable. Pada kotak Target Variable diisikan nama variabel baru AbsUi. Lalu pada kotak Function
group pilih All, lanjutkan dengan kotak Functions and Special Variables pilih Abs, lalu tekan tombol
bergambar panah ke atas. Kemudian pada kotak variabel, pilih variabel Unstandardized Residual (RES_1),
lalu tekan tombol bergambar panah ke kanan, hingga di kotak Numeric Expression diperoleh tampilan
ABS(RES_1). Tekan OK
Tekan OK
Muncul Absolut nilai RES_1 (AbsUi) dalam SPSS Data Editor.
108
Pengujian normalitas dilakukan dengan menu Analyze, kemudian klik pada Nonparametric Test, lalu klik
Legacy Dialogs, Klik 1-Sample K-S. K-S itu singkatan dari Kolmogorov-Smirnov. Maka akan muncul kotak
One-Sample Kolmogorov-Smirnov Test
Variabel unstandardized residual (RES_1) yang akan diuji terletak di kiri dan pindahkan ke kanan dengan
tanda panah. Centang Normal pada Test Distribution.
Lalu tekan OK saja.
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 36
a,b
Normal Parameters Mean .0000000
Std. Deviation .72447347
Most Extreme Differences Absolute .108
Positive .108
Negative -.090
Test Statistic .108
c,d
Asymp. Sig. (2-tailed) .200
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Pada output, lihat pada baris paling bawah dan paling kanan yang berisi Asymp.Sig.(2-tailed). Sebesar
0.200 ˃ 0.05. Intepretasinya adalah bahwa jika nilainya di atas 0,05 maka distribusi data dinyatakan
memenuhi asumsi normalitas, dan jika nilainya di bawah 0,05 maka diinterpretasikan sebagai tidak
normal. Jadi residual berdistribusi normal.
2) Uji Heteroskedassitas dengan Uji Glejser
Homoskedastisitas adalah sebuah kondisi dimana varians dari error bersifat konstan atau tetap.
109
Dengan kata lain bahwa varians dari error bersifat identic untuk setiap pengamatan.
Kebalikan dari homoskedastisitas adalah heteroskedastisitas. Model regresi linear berganda yang
baik adalah model yang bebas dari kondisi heteroskedastisitas
Uji Glejser dilakukan dengan meregresikan nilai absolute residual (AbsUi) terhadap variabel independen
lainnya. Jika β signifikan, maka mengindikasikan terdapat heteroskedastisitas dalam model.
Lakukan regresi dengan variabel dependen ROA dan variabel independen CAR, NPL, dan ROE.
Analyze → Regression → Linier → Ok
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
Hasil tampilan luaran SPSS dengan jelas menunjukkan variabel CAR, NPL, dan ROE memiliki nilai
signifikansi 0.061, 0.395, dan 0.240 yang kesemuanya di atas 0,01. Berarti tidak terdapat
heteroskedastisitas dalam model ini, dengan kata lain semua variabel independen yang terdapat dalam
model ini memiliki sebaran varian yang sama / homogen.
110
Uji Multikolinieritas
Regresikan fungsi awal
Analyze → Regression → Linier → Statistic → Colinierity → Continue → Ok
Output sebagai berikut:
a
Coefficients
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Std.
Model B Error Beta t Sig. Tolerance VIF
1 (Constant) .628 .935 .671 .507
CAR .039 .062 .063 .632 .532 .984 1.016
NPL -.219 .069 -.316 -3.173 .003 .970 1.031
ROE .058 .008 .722 7.187 .000 .958 1.044
a. Dependent Variable: ROA
Dalam tabel coefficient dapat diperhatikan bahwa nilai standar error kurang dari satu, yaitu CAR =
0.062, NPL = 0.069, dan ROE = 0.008 dimana ketiganya kurang dari satu. Serta nilai koefisien beta juga
kurang dari satu dimana CAR = 0.039, NPL = -0.219, dan ROE = 0.058. Maka dapat dikatakan bahwa nilai
standar error rendah dan multikolinearitas tidak terdeteksi.
Nilai VIF dan Tolerance adalah indikasi kuat yang sering dipakai oleh para peneliti untuk
menyimpulkan fenomena terjadinya interkorelasi variabel bebas. Jika nilai VIF kurang dari 10 dan atau
nilai Tolerance lebih dari 0,1 maka dapat disimpulkan dengan tegas bahwa tidak terdapat masalah
multikolinearitas. Dan sebaliknya maka dapat disimpulkan dengan tegas pula bahwa multikolinearitas
telah terjadi dalam model. Dari nilai tolerance dan VIF pada tabel diatas dapat dilihat tidak terdapat
multikolinieriti dalam model.
3) Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linier terdapat korelasi antar
kesalahan pengganggu (residual) pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika
terjadi korelasi, maka dinamakan terdapat permasalahan autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual
(kesalahan pengganggu) tidak bebas dari satu amatan ke amatan yang lain. Hal ini sering ditermukan pada
data runut waktu / time series karena "gangguan" pada seseorang individu/kelompok cenderung
mempengaruhi"gangguan" pada individu / kelompok yang sama pada periode berikutnya.
Pada data cross section (silang waktu), masalah autokorelasi relatif jarang terjadi karena "gangguan"
pada amatan yang berbeda berasal dari individu/kelompok yang berbeda. Model regresi yang baik adalah
regresi yang bebas dari autokorelasi. Ada beberapa cara yang dapat digunakan untuk mendeteksi ada
tidaknya autokorelasi.
Regresikan fungsi awal
111
Analyze → Regression → Linier → Statistic → Durbin-Watson → Continue → Ok
Output sebagai berikut:
Model Summaryb
Durbin-
Model Watson
1 1.689a
a. Predictors:
(Constant), ROE, CAR,
NPL
b. Dependent Variable:
ROA
Deteksi autokorelasi pada data panel dapat melalui uji Durbin-Watson. Nilai uji Durbin-Watson
dibandingkan dengan nilai tabel Durbin-Watson untuk mengetahui keberadaan korelasi positif atau
negatif.
Keputusan mengenai keberadaan autokorelasi sebagi berikut :
Jika dw < dl, berarti terdapat autokorelasi positif
Jika dw > (4 – dl), berarti terdapat autokorelasi negatif
Jika du < dw < (4 – dl), berarti tidak terdapat autokorelasi
Jika dl < dw < du atau (4 – du), berarti tidak dapat disimpulkan
Pada report model dapat dilihat dw = 1.689
Tabel Durbin Watson
T K dL dU
36 3 1.2953 1.6539
112
Maka akan muncul luaran berikut dalam SPSS Output Viewer
Runs Test
Unstandardized
Residual
a
Test Value -.14505
Cases < Test Value 18
Cases >= Test Value 18
Total Cases 36
Number of Runs 20
Z .169
Asymp. Sig. (2-tailed) .866
a. Median
Hasil luaran SPSS menunjukkan nilai test -0.14505 dengan probabilitas 0,866 tidak signifikan yang
berarti bahwa residual bersifat random atau tidak terjadi autokorelasi antar nilai residual
Tambahan:
Untuk melihat ROA (dependent) dan Predict valuenya serta residualnya:
Klik Analyze - Regression - Linear
Klik variabel ROA dan masukkan ke kotak Dependent, kemudian klik variabel CAR, NPL, dan ROE kemudian
masukkan ke kotak Independent.
Klik Statistics, klik Casewise diagnostics, klik All cases. Klik Continue
Klik OK, maka hasil output yang didapat pada kolom Casewise diagnostics adalah sebagai berikut
113
a
Casewise Diagnostics
114
Bab 6
Regresi Linier Berganda Data Panel
6.1 Definisi
Regresi linier berganda data panel merupakan analisis regresi dengan struktur data yang
merupakan data panel. Gujarati, (2015) Regresi data panel yaitu model yang mempelajari kelompok entitas
yang sama (individu, perusahaan, negara bagian, negara, dan sejenisnya) dari waktu ke waktu. Kumpulan
data panel memiliki dimensi cross-sectional dan time series (Wooldridge, 2016).
Data Panel adalah gabungan antara data cross section dan data time series, dimana unit cross section
yang sama diukur pada waktu yang berbeda. Maka dengan kata lain, data panel merupakan data dari
beberapa individu sama yang diamati dalam kurun waktu tertentu. Jika kita memiliki t periode waktu (t =
1,2,…,T) dan N jumlah individu (i = 1,2,…,N), maka dengan data panel kita akan memiliki total unit
observasi sebanyak it. Jika jumlah unit waktu sama untuk setiap individu, maka data disebut balanced
panel. Jika sebaliknya, yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced
panel.
Umumnya pendugaan parameter dalam analisis regresi dengan data cross section dilakukan
menggunakan pendugaan metode kuadrat terkecil atau disebut Ordinary Least Square (OLS).
Persamaan Regresi (model) data panel ada 2 jenis , yaitu One Way Model dan Two Way Model. One
Way Model adalah model satu arah, karena hanya mempertimbangkan efek individu (αi) dalam model.
Berikut Persamaan umum regresi data panel (Greene, 2018) :
yit = 𝑿′𝒊𝒕 β + 𝒛′𝒊 α + εit
atau
Dimana:
α = Konstanta
β = Vektor berukuran P x 1 merupakan parameter hasil estimasi
Xit = Observasi ke-it dari P variabel bebas
αi = efek individu yang berbeda-beda untuk setiap individu ke-i
εit = error regresi seperti halnya pada model regresi klasik.
Two Way Model adalah model yang mempertimbangkan efek dari waktu atau memasukkan variabel waktu.
Berikut Persamaannya:
Persamaan di atas menunjukkan dimana terdapat tambahan efek waktu yang dilambangkan dengan
deltha yang dapat bersifat tetap ataupun bersifat acak antar tahunnya.
115
Model persamaan data panel sering juga ditulis seperti berikut:
Yit = α + β1X1it + β2X2it + … + βnXnit + eit
dimana:
Yit = variabel terikat (dependent)
Xit = variabel bebas (independent)
i = entitas ke-i
t = periode ke-t
Persamaan diatas merupakan model regresi linier berganda dari beberapa variabel bebas dan satu
variabel terikat. Estimasi model regresi linier berganda bertujuan untuk memprediksi parameter model
regresi yaitu nilai konstanta (α) dan koefisien regresi (βi). Konstanta biasa disebut dengan intersep dan
koefisien regresi biasa disebut dengan slope. Penggunaan data panel dalam regresi akan menghasilkan
intersep dan slop yang berbeda pada setiap entitas/ perusahaan dan setiap periode waktu.
Model regresi data panel yang akan diestimasi membutuhkan asumsi terhadap intersep, slope dan
variabel gangguannya. Widarjono, (2007) terdapat beberapa kemungkinan yang akan muncul atas adanya
asumsi terhadap intersep, slope dan variabel gangguannya, yakni: Diasumsikan intersep dan slope adalah
tetap sepanjang periode waktu dan seluruh entitas/perusahaan. Perbedaan intersep dan slope dijelaskan
oleh variabel gangguan (residual); Diasumsikan slope adalah tetap tetapi intersep berbeda antar
entitas/perusahaan; Diasumsikan slope tetap tetapi intersep berbeda baik antar waktu maupun antar
individu; Diasumsikan intersep dan slope berbeda antar individu; Diasumsikan intersep dan slope berbeda
antar waktu dan antar individu.
Mengacu pada kemungkinan-kemungkinan yang disebutkan di atas timbullah berbagai
kemungkinan model/teknik yang dapat dilakukan oleh regresi data panel. Dalam banyak literatur hanya
asumsi pertama hingga ketiga saja yang sering menjadi acuan dalam pembentukan model regresi data
panel.
Baltagi, (2021) mengatakan, euntungan menggunakan regresi data panel, yakni: Mengontrol
heterogenitas individu; Data panel memberikan data yang lebih informatif, lebih banyak variabilitas, lebih
sedikit kolinearitas antar variabel, lebih banyak derajat kebebasan, dan lebih efisien; Data panel lebih
mampu mempelajari dinamika penyesuaian; Data panel lebih mampu mengidentifikasi dan mengukur efek
yang sama sekali tidak dapat dideteksi dalam data cross-section murni atau data deret waktu murni; Model
data panel memungkinkan kita untuk membangun dan menguji model perilaku yang lebih rumit daripada
data cross-section atau time-series murni; Data panel mikro yang dikumpulkan dari individu, perusahaan,
dan rumah tangga mungkin lebih akurat diukur daripada variabel serupa yang diukur di tingkat makro.
Bias yang dihasilkan dari agregasi atas perusahaan atau individu dapat dikurangi atau dihilangkan; Data
makro-panel di sisi lain memiliki deret waktu yang lebih lama dan tidak seperti masalah distribusi tidak
standar yang khas dari tes akar unit dalam analisis deret waktu.
116
6.2 Tahapan Regresi Data Panel
Regresi data panel harus melalui tahapan penentuan model estimasi yang tepat. Berikut skema
tahapan dari regresi data panel (Hidayat, 2014):
117
3. Model Efek Acak (Random Effect Model)
Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling berhubungan
antar waktu dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh error
terms masing-masing perusahaan. Keuntungan menggunakan model efek acak yakni menghilangkan
heteroskedassitas. Model ini juga disebut dengan Error Component Model (ECM) atau teknik Generalized
Least Square (GLS) .
118
2. Uji Hausman
Suatu uji telah dikembangkan oleh Hausman untuk memilih apakah metode Fixed Effect dan metode
Random Effect lebih baik dari metode Common Effect. Uji Hausman ini didasarkan pada ide bahwa Least
Squares Dummy Variables (LSDV) dalam metode Fixed Effect dan Generalized Least Squares (GLS) dalam
metode Random Effect adalah efisien sedangkan Ordinary Least Squares (OLS) dalam metode Common
Effect tidak efisien. Dilain pihak, alternatifnya adalah metode OLS efisien dan GLS tidak efisien. Karena itu,
uji hipotesis nulnya adalah hasil estimasi keduanya tidak berbeda sehingga uji Hausman bisa dilakukan
berdasarkan perbedaan estimasi tersebut.
Statistik uji Hausman mengikuti distribusi statistik Chi-Squares dengan derajat kebebasan (df)
sebesar jumlah variabel bebas. Hipotesis nulnya adalah bahwa model yang tepat untuk regresi data panel
adalah model Random Effect dan hipotesis alternatifnya adalah model Fixed Effect.
Hausman test adalah pengujian statistik untuk memilih apakah model Fixed Effect atau Random Effect
yang paling tepat digunakan.
Kriteria Hasil:
H0: Pilih RE
H1: Pilih FE
Apabila nilai statistik Hausman lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak
yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila
nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya
model yang tepat untuk regresi data panel adalah model Random Effect.
3. Uji Lagrange Multiplier
Untuk menguji apakah model Random Effect lebih baik dari model Common Effect digunakan
Lagrange Multiplier (LM). Uji Signifikansi Random Effect ini dikembangkan oleh Breusch-Pagan. Pengujian
didasarkan pada nilai residual dari metode Common Effect.
Uji LM ini didasarkan pada distribusi Chi-Squares dengan derajat kebebasan (df) sebesar jumlah
variabel independen. Hipotesis nulnya yakni model yang tepat untuk regresi data panel adalah Common
Effect, dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah Random Effect.
Uji Lagrange Multiplier untuk mengetahui apakah model Random Effect lebih baik daripada metode
Common Effect (PLS) n.
Kriteria Hasil:
H0: Pilih PLS
H1: Pilih RE
Apabila nilai LM hitung lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak yang
artinya model yang tepat untuk regresi data panel adalah model Random Effect. Dan sebaliknya, apabila
119
nilai LM hitung lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya model yang
tepat untuk regresi data panel adalah model Common Effect.
Dari ketiga uji untuk menentukan Metode Estimasi di atas, digambarkan dalam grafik di bawah ini
(Hidayat, 2014):
121
6.6 Uji Kelayakan (Goodness of Fit) Model Regresi Data Panel
1. Uji Hipotesis
Uji hipotesis bermanfaat untuk mengetahui signifikansi koefisien regresi yang diperoleh. Artinya,
koefisien regresi secara statistik tidak sama dengan nol, karena jika sama dengan nol maka disebut tidak
cukup bukti untuk menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikatnya. Ada dua
jenis uji hipotesis terhadap koefisien regresi, yaitu:
a. Uji F
Uji F diperuntukkan untuk mengetahui hipotesis koefisien (slope) regresi secara bersamaan, dengan
kata lain untuk memastikan bahwa model yang dipilih layak atau tidak untuk mengintepretasikan
pengaruh variabel bebas terhadap variabel terikat.
b. Uji-t
Uji-t digunakan untuk menguji koefisien regresi secara individu. Pengujian dilakukan terhadap koefisien
regresi populasi, apakah sama dengan nol, yang berarti variabel bebas tidak berpengaruh signifikan
terhadap variabel terikat, atau tidak sama dengan nol, yang berarti variabel bebas berpengaruh signifikan
terhadap variabel terikat.
2. Koefisien Determinasi (Rsquare)
Koefisien Determinasi sebagai suatu ukuran yang penting dalam regresi, karena dapat
menginformasikan baik atau tidaknya model regresi yang terestimasi. Nilai Koefisien Determinasi
mencerminkan seberapa besar perubahan variasi dari variabel terikat dapat diterangkan oleh perubahan
variasi variabel bebasnya.
Bila nilai Koefisien Determinasi sama dengan 0, artinya variasi dari variabel terikat tidak dapat
diterangkan oleh variabel-variabel bebasnya sama sekali. Sementara bila nilai Koefisien Determinasi sama
dengan 1, artinya variasi variabel terikat secara keseluruhan dapat dijelaskan oleh prediktornya.
122
Harga Arus Perubahan
PRSH Tahun
saham (Y) kas(X1) laba (X2)
CMP 2018 225 0.27 0.1
CMP 2019 260 0.97 0.1
RIG 2016 825 0.96 0.82
RIG 2017 990 9.16 3.57
RIG 2018 1000 2.51 0.79
RIG 2019 830 0.74 1.47
SI 2016 3750 11.47 15.63
SI 2017 7350 16.2 42.75
SI 2018 6650 14.8 24.68
SI 2019 6900 15.17 37.44
PTE 2016 750 2.15 0.29
PTE 2017 1200 5.73 7.25
PTE 2018 660 1.56 0.63
PTE 2019 425 4.43 0.68
Sumber: Data hipotetis, 2020
b. Buka File Kerja (Workfile) dengan cara klik : File =>New =>Workfile
123
Maka akan muncul jendela Workfile Create, yang terdiri dari Workfile structure type, Date
specification, Workfile name (optional).
c. Membuat Workfile. Sesuai dengan contoh data yang telah disiapkan, 4 (empat) Perusahaan dengan
periode tahunan, 2016 – 2019, maka pada:
Workfile structure type, pilih Balanced Panel
Klik: Date (Panel) specification, pilih Annual pada Frequency, Start date isi 2016, End date isi 2019 dan
Number of cross section isi 4.
Klik Workfile name (optional), isi WF sesuai dengan nama file yang diinginkan, misalnya Latihan.
Sedangkan untuk Page dapat dikosongkan.
124
Setelah semuanya terisi klik , maka akan muncul tampilan seperti berikut ini :
d. Membuat template untuk variabel penelitian, dalam hal ini adalah Harga Saham (Y), Arus Kas (X1),
dan Perubahan Laba(X2). Caranya klik Object =>New Object.
125
Lalu pada Type of object pilih Series dan pada Name of object isi nama 1 (satu) variabel saja, misal Y
(tidak harus huruf besar dan tidak boleh pakai spasi), setelah itu klik . Karena variabel
penelitian pada contoh ini 3 (tiga) maka lakukan langkah ini sebanyak 3 (tiga) kali.
Setelah itu variabel Y, X1 dan X2 yang tadinya belum ada template-nya di Workfile, maka sekarang sudah
ada, seperti tertampil pada gambar berikut ini:
Setelah semua template Eviews siap, Tahap Ketiga adalah mengimpor data dari file Excel ke Workfile
Eviews. Impor data dilakukan dengan cara copy-paste
Klik semua variabel dalam Workfile secara berurutan sesuai dengan format urutan yang ada di file Excel,
dalam contoh urutan variabel adalah Y, X1, dan X2, maka tahan tombol Ctrl, lalu klik y diikuti dengan
126
x1 dan x2. Setelah itu klik kanan pada mouse, klik Open =>as Group dan akhirnya akan muncul tampilan
sebagai berikut:
Klik , setelah itu copy data Y, X1 dan X2 yang ada pada file Excel kedalam template Group:
UNTITLED workfile Eviews secara bersama-sama (paste), sehingga didapat tampilan sebagai berikut:
127
Lalu klik kembali dan tutup (jendela) Group: UNTITLED (dengan cara klik pada kanan atas)
128
Lalu akan muncul jendela Equation Estimation yang terdiri dari 3 (tiga) bagian, Specification, Panel
Option dan Option. Pada bagian Specification ada Equation specification dan Estimation setting.
Pada Equation specification tuliskan semua variabel penelitian yang akan dimasukkan kedalam
model dengan spasi sebagai pemisahnya (ditulis : y x1 x2 c . Variabel terikat selalu paling kiri, setelah
itu variabel bebas dan konstanta / intersep c.
Sedangkan pada Estimation setting(pastikan) pilihan Method : LS – Least Squares (LS and
AR).
Cara Kedua, membuka seluruh variabel penelitian dengan cara tahan tombol Ctrl, lalu klik y , x1 dan
x2 . Setelah itu klik kanan pada mouse, klik Open => as Equation.
129
Lalu akan muncul jendela Equation Estimation yang sama dengan cara pertama. Seluruh
variabel penelitian termasuk konstanta/intersep sudah tertulis. Keduanya akan menghasilkan tampilan
yang sama.
Selanjutnya Klik Ok, maka akan dihasilkan output berikut:
Sampai tahap ini estimasi model regresi data panel telah dilakukan. Model yang terbentuk
adalah Model Common Effect (CE), default Eviews. Apabila ingin mengulangi pembentukan (estimasi)
model, cukup klik nanti akan muncul tampilan Equation yang terdiri dari 3 (tiga) bagian,
Specification, Panel Option dan Option kembali (sebagaimana yang telah dijelaskan sebelumnya).
Guna mengestimasi model yang dibentuk, apakah Common Effect (CE), Fixed Effect (FE) atau Random
Effect (RE) maka pada saat muncul jendela Equation Estimation dibagian Panel Option, ada Effect
specification, Weights, dan Coef covariance method.
130
Jika ingin memilih model CE maka pastikan pada :
Effect specification,
Cross-section : None
Period : None
Weights,
GLS Weights : No weights
Coef covariance method : Ordinary
131
Baru klik . Maka akan muncul tampilan seperti ini: (Dicopy paste ke word)
Dependent Variable: Y
Method: Panel Least Squares
Date: 11/14/20 Time: 15:48
Sample: 2016 2019
Periods included: 4
Cross-sections included: 4
Total panel (balanced) observations: 16
Effects Specification
132
Cross-section : Random
Period : None
Weights,
GLS Weights : No weights
Coef covariance method : Ordinary
Baru klik . Maka akan muncul tampilan seperti ini: (Dicopy paste ke word)
Dependent Variable: Y
Method: Panel EGLS (Cross-section random effects)
Date: 11/14/20 Time: 16:07
Sample: 2016 2019
Periods included: 4
Cross-sections included: 4
Total panel (balanced) observations: 16
Swamy and Arora estimator of component variances
Effects Specification
S.D. Rho
Weighted Statistics
Unweighted Statistics
Sebagai catatan, model RE hanya dapat diestimasi pada saat jumlah entitas / perusahaan lebih
banyak daripada jumlah varibel bebas.
Jendela Equation Estimation belum tersimpan dalam Workfile (Latihan) dan untuk
Default Eviews pada Name to identify object tertulis eq01, silahkan isi dengan nama yang
diinginkan, misal model1. Sedangkan pada Display name for labeling tables and graphs(optional)
dapat dikosongkan. Untuk memastikan apakah jendela Equation Estimation dengan nama model1 sudah
tersimpan, maka tutup terlebih dahulu dengan me-klik , setelah itu buka kembali jendela model1
dengan me-klik pada Workfile Latihan. Sampai disini Bagian Kedua tentang estimasi
model regresi data panel selesai. Model regresi data panel tersimpan dalam satu jendela yang
disimbolkan oleh pada Workfile Latihan. Apabila ingin membuat model lainnya (misal
model2) dapat melakukan prosedur estimasi kembali (Quick =>Equation Estimation) tanpa harus
menghapus model1.
134
f. Pemilihan Model
Dari ketiga model yang telah di-estimasi akan dipilih model mana yang paling tepat/sesuai dengan
tujuan penelitian. Ada tiga uji (test) yang dapat dijadikan alat dalam memilih model regresi data panel
(CEM, FEM atau REM) berdasarkan karakteristik data yang dimiliki, yaitu: F Test (Chow Test), Hausman
Test dan Langrangge Multiplier (LM) Test. Ketiga uji ini dilakukan pada jendela model1.
1) F Test (Chow Test)
Dilakukan untuk membandingkan/memilih model mana yang terbaik antara CEM dan FEM.
Pertama, pastikan bahwa model1 telah tertampil pada jendela model FE, setelah itu klik : View =>
Fixed/Random Effects Testing => Redundant Fixed Effects – Likelihood Ratio.
135
Cross-section F 2.946872 (3,10) 0.0850
Cross-section Chi-square 10.134877 3 0.0175
Dari tampilan di atas cukup perhatikan tabel yang paling atas saja. Perhatikan nilai probabilitas
(Prob.) untuk Cross-section F. Jika nilainya > 0,05 (ditentukan di awal sebagai tingkat signifikansi atau
alpha) maka model yang terpilih adalah CEM, tetapi jika < 0,05 maka model yang terpilih adalah FEM.
Pada tabel yang paling atas terlihat bahwa nilai Prob. Cross-section F sebesar 0.0850 yang nilainya ˃ 0,05
sehingga dapat disimpulkan bahwa model CEM lebih tepat dibandingkan dengan model FEM untuk kasus
contoh Workfile Latihan.
2) Hausman Test
Dilakukan untuk membandingkan/memilih model mana yang terbaik antara FEM dan REM. Pertama
pastikan bahwa pada jendela model1 telah tertampil model RE, setelah itu klik : View => Fixed/Random
Effects Testing => Correlated Random Effects – Hausman Test.
136
Maka akan tampil seperti berikut ini:
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Effects Specification
Dari tampilan di atas cukup perhatikan tabel yang paling atas saja (warna kuning). Perhatikan nilai
probabilitas (Prob.) Cross-section random. Jika nilainya > 0,05 maka model yang terpilih adalah REM,
tetapi jika < 0,05 maka model yang terpilih adalah FEM.
Pada tabel yang paling atas terlihat bahwa nilai Prob. Cross-section random sebesar 0.0160 yang
nilainya ˂ 0,05 sehingga dapat disimpulkan bahwa model FEM lebih tepat dibandingkan dengan
model REM untuk kasus contoh Workfile Latihan.
137
3) Langrangge Multiplier (LM) Test
Dilakukan untuk membandingkan/memilih model mana yang terbaik antara CEM dan REM. Pertama
pastikan bahwa pada jendela model1 telah tertampil model CEM.
View => Fixed/Random Effects Testing => Omitted Random Effect-Lagrange Multiplier
Test Hypothesis
Cross-section Time Both
138
Standardized Honda -0.538004 2.284874 -1.349388
-- (0.0112)
--
Standardized King-Wu -0.538004 2.284874 -1.349388
-- (0.0112) --
Gourierioux, et al.* -- -- 3.938358
(< 0.10)
Teknik ini menggunakan metode Breusch Pagan. Nilai P Value ditunjukkan oleh angka yang dibawah
Breusch-Pagan (warna kuning) yaitu sebesar 0.2936 0,000 dimana nilainya besar dari 0,05. Sehingga
Lagrange Multiplier Test ini menunjukkan bahwa menerima H0 yang berarti metode estimasi
terbaik adalah CEM. Apabila nilai p value lebih kecil dari pada 0,05 maka menerima H1 yang berarti
metode estimasi yang terbaik adalah REM.
Kesimpulan Pemilihan Model:
1) F Test (Chow Test) model CEM lebih tepat dibandingkan dengan model FEM
2) Hausman Test model FEM lebih tepat dibandingkan dengan model REM
3) Langrangge Multiplier (LM) Test metode estimasi terbaik adalah CEM dibandingkan dengan REM.
Mengacu pada pengujian melalui ketiga teknik, maka dapat disimpulkan model pilihan adalah
Common Effect Model (CEM). Dengan model sebagai berikut:
Dependent Variable: Y
Method: Panel Least Squares
Date: 11/14/20 Time: 16:57
Sample: 2016 2019
Periods included: 4
Cross-sections included: 4
Total panel (balanced) observations: 16
Variable Coefficient Std. Error t-Statistic Prob.
X2 139.1840 25.28192 5.505279 0.0001
X1 103.5721 61.08790 1.695460 0.1138
C 269.4277 215.8516 1.248208 0.2340
R-squared 0.959778 Mean dependent var 2085.938
Adjusted R-squared 0.953590 S.D. dependent var 2553.444
S.E. of regression 550.0878 Akaike info criterion 15.62539
Sum squared resid 3933756. Schwarz criterion 15.77025
Log likelihood -122.0031 Hannan-Quinn criter. 15.63281
F-statistic 155.1032 Durbin-Watson stat 3.407693
Prob(F-statistic) 0.000000
139
Klik Add Ins
Download Ad Ins
BP test
Install
Close
Pilih file Model Common Effect
Estimate
Panel Option
None
Breush Pagan Random Effect LM Test
Lakukan kembali Uji LM
Add Ins
Breusch Pagan Effect LM test
Standard Langrange Multiplier Test
OK
Muncul Output
140
5
Series: Standardized Residuals
Sample 2016 2019
4 Observations 16
Mean -4.97e-14
3 Median -16.54591
Maximum 1412.644
Minimum -725.0351
2 Std. Dev. 512.1039
Skewness 1.032727
Kurtosis 4.776956
1
Jarque-Bera 4.949118
Probability 0.084200
0
-750 -500 -250 0 250 500 750 1000 1250 1500
Hasil uji normalitas residual di atas adalah: nilai jarque bera sebesar 4.949118 dengan p value
sebesar 0,084200 dimana ˃ 0,05 sehingga terima H0 atau yang berarti residual berdistribusi normal.
2) Uji Multikolinearitas
Metode korelasi berpasangan untuk mendeteksi multikolinearitas akan lebih bermanfaat karena
dengan menggunakan metode tersebut peneliti dapat mengetahui secara rinci variabel bebas apa saja yang
memiliki korelasi yang kuat. Pengambilan keputusan metode korelasi berpasangan dilakukan bila:
a) Nilai korelasi dari masing-masing variabel bebas < 0,85 maka tidak menolak H0 atau tidak terjadi
masalah multikolinieritas.
b) Nilai korelasi dari masing-masing variabel bebas > 0,85 maka tolak H0 atau terjadi masalah
multikolinieritas.
Uji multikolinearitas menilai adakah korelasi atau interkorelasi antar variabel bebas dalam model regresi.
Cara uji multikolinearitas dengan eviews adalah:
Klik Quick
Klik Group Statistic
Klik Correlation
141
Masukkan semua variabel independen, hasilnya sebagai berikut:
X1 X2
X1 1 0.9153921560748294
X2 0.9153921560748294 1
Korelasi antara X1 dan X2 sangat kuat yakni 0.951 ˃ 0.90. Artinya terjadi multikolonoeritas dalam model
3) Uji Auto Korelasi
Deteksi autokorelasi pada data panel dapat melalui uji Durbin-Watson. Nilai uji Durbin-Watson
dibandingkan dengan nilai tabel Durbin-Watson untuk mengetahui keberadaan korelasi positif atau
negatif.
Keputusan mengenai keberadaan autokorelasi sebagi berikut :
Jika dw < dl, berarti terdapat autokorelasi positif
Jika dw > (4 – dl), berarti terdapat autokorelasi negatif
Jika du < dw < (4 – dl), berarti tidak terdapat autokorelasi
Jika dl < dw < du atau (4 – du), berarti tidak dapat disimpulkan
Pada report model dapat dilihat dw = 3.407693
Tabel Durbin Watson
T K dL dU
16 2 0.9820 1.5386
142
dw > (4 – dl)
3.407693> 3.018, berarti terdapat autokorelasi negatif
4) Uji Heteroskedastisitas
Langkah-langkahnya sebagai berikut:
a) Klik View
b) Klik Actual, Fitted, Residual
c) Klik Actual, Fitted, Residual, Graph
Output disajikan berikut ini
8,000
6,000
4,000
1,500
1,000 2,000
500
0
-500
-1,000
6
9
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
4
Residual Actual Fitted
Perhatikan grafik residual (warna biru) dapat dilihat melewati batas (500 dan -500), artinya varian
residual tidak sama. Oleh sebab itu terjadi gejala heteroskedassitas.
Heteroskedassitas biasanya terjadi pada sebaran data crosssection. Regresi data panel memiliki
karakteristik tersebut, maka ada kemungkinan terjadi heeroskedassitas. Diantara ketiga model regresi data
panel hanya CEM dan FEM yang kemungkinan mengalami heteroskedassitas, sedangkan REM tidak terjadi
karena telah menggunakan generalize least square (GLS) salah satu teknik penyembuhan
heteroskedassitas.
Klik estimate di bagian panel option
Weight
Di GLS weight pilih cross-section weight
Uji Heterokedastisitas, diasumsikan setiap data panel cenderung mengandung heterokedastisitas karena
terdiri dari banyak cross section.
5) Perbaikan Asumsi Klasik
Pada model Common Effect atau fixed effect, implikasi terjadi autokorelasi dan heterokedastisitas pada
data panel dapat diperbaiki dengan berbagai macam cara, salah satu dengan merubah kebentuk model
cross-section weights atau cross-section SUR.
143
1. Cross-section Weight : jika hanya terjadi heterokedastisitas
Langkah-langkah :
a. Klik estimate
b.weight > cross-section weights > klik Ok
2. Cross-section SUR : jika terjadi autokorelasi dan heterokedastisitas
Langkah-langkah :
a. Klik estimate
b.Weight > cross-section SUR > klik OK
Kita gunakan Weight > cross-section SUR > klik OK, karena terdapat autokorelasi,
Weighted Statistics
Unweighted Statistics
Model fungsional dari output eviews diatas dapat ditulis sebagai berikut:
Y = 241.4902 + 86.15017X1 + 149.5338X2
2. Regresi Data Panel Dengan Stata
a. Tahapan Input Data
Data dipersiapkan dalam file excel 97 – 2003. Perlu ditambahkan dalam penggunaan program
aplikasi stata, data perusahaan (cross section) harus dirubah kedalam bentuk numeric. Nama perusahaan
sebagai identitas dirubah kedalam angka. Lihat tabel 6.2
Tabel 6.2 Perkembangan beberapa perusahaan
prsh thn Y X1 X2
1 2016 465 0.38 0.74
1 2017 1095 3.79 4.69
1 2018 225 0.27 0.1
1 2019 260 0.97 0.1
2 2016 825 0.96 0.82
2 2017 990 9.16 3.57
2 2018 1000 2.51 0.79
2 2019 830 0.74 1.47
3 2016 3750 11.47 15.63
3 2017 7350 16.2 42.75
3 2018 6650 14.8 24.68
3 2019 6900 15.17 37.44
4 2016 750 2.15 0.29
4 2017 1200 5.73 7.25
4 2018 660 1.56 0.63
4 2019 425 4.43 0.68
Sumber: Data hipotetis, 2021
1) Klik File
2) Klik Import
3) Klik Excell Spreadsheet
4) Klik Browse
145
5) Pilih ( File excell yang akan diproses)
6) Pilih file “TM6A”
7) Klik Import first row as a variabel name
8) Klik OK
9) Klik Data
10) Klik Data Editor
11) Klik Data Editor (Edit)
Tampil data mentah, seperti terlihat dibawah ini
147
Tampil box combo seperti berikut ini.
5) Isi Panel ID Variabel dengan “prsh” dan Time variable dengan “thn” sesuai dengan matrik data
sebelumnya (Untuk menginformasikan kehadiran data panel)
6) Klik yearly
7) Klik OK
Dihasilkan output berikut pada beranda
.
. xtset prsh thn, yearly
panel variable: prsh (strongly balanced)
time variable: thn, 2016 to 2019
delta: 1 year
8) Klik Statistic
9) Klik longitudinal/panel data
10) Klik linier models
11) Klik linear regression (FE,RE,PA,BE)
148
Tampil box combo
12) Isi dependent dengan dependent variabel (Y) dan independent variabel (X1,X2)
13) Clik fixed effect
14) Klik OK
Tampil model regresi data panel fixed effect (FEM) seperti dibawah ini:
149
. xtreg Y X1 X2, fe
F(2,10) = 16.18
corr(u_i, Xb) = 0.9061 Prob > F = 0.0007
sigma_u 1043.6455
sigma_e 456.93683
rho .83914228 (fraction of variance due to u_i)
F test that all u_i=0: F(3, 10) = 2.95 Prob > F = 0.0850
15)
. Simpan file model FEM
16) Klik Statistik
17) Klik Postestimation
18) Klik Manage Estimation Result
150
19) Klik Store current estimate in memory, tampil box combo
20) Isi NAME dengan “FEM”
21) Klik OK, Tampil di beranda seperti berikut ini.
. estimates store FEM
. xtreg Y X1 X2, re sa
sigma_u 0
sigma_e 456.93683
rho 0 (fraction of variance due to u_i)
30)
. Simpan file model REM
31) Klik Statistik
32) Klik Postestimation
33) Klik Manage estimation result
34) Klik Store current estimate in memory, Tampil box combo
35) Isi name dengan “REM”
36) Klik OK
Tampil di beranda berikut ini.
151
. estimates store REM
Tampilkan model CEM
37) Copas syntax berikut ke kolom COMMAND pada sudut kiri bawah beranda
Reg Y X1 X2
38) Klik Enter
Output ditampilkan sebagai berikut:
. . reg Y X1 X2
152
. xtreg Y X1 X2, fe
F(2,10) = 16.18
corr(u_i, Xb) = 0.9061 Prob > F = 0.0007
sigma_u 1043.6455
sigma_e 456.93683
rho .83914228 (fraction of variance due to u_i)
F test that all u_i=0: F(3, 10) = 2.95 Prob > F = 0.0850
.
Apabila P Value (Prob>F) < Alpha 0.05 maka H1 diterima artinya pilihan terbaik adalah Fixed Effect.
Jika P Value (Prob>F) ˃Alpha 0.05 maka H0 diterima artinya pilihan terbaik adalah Common Effect.
Pada tampilan output diatas dapat dilihat nilai prob F terletak pada kanan yang paling bawah Prob>F =
0.0850 ˃ 0.05, H0 diterima artinya pilihan terbaik adalah Common Effect.
2) Uji Hausman
Fixed Effect vs Random Effect
a) Copas syntax berikut ke kolom COMMAND pada sudut kiri bawah beranda
xtreg Y X1 X2, re
b) Klik Enter
Output disajikan berikut ini
. xtreg Y X1 X2, re
sigma_u 0
sigma_e 456.93683
rho 0 (fraction of variance due to u_i)
Karena P Value (Prob > Chi2) = 0.0000 < Alpha 0.05 maka H1 diterima, berarti pilihan terbaik adalah
FE dari pada RE.
3) Lagrange Multiplier Test
153
Bagaimana seandainya pada Chow Test pilihan terbaik adalah PLS atau pada Hausman Test ternyata
pilihan terbaik adalah RE? Maka kita harus melanjutkan ke tahap berikutnya untuk menentukan pilihan
terbaik apakah PLS atau RE, yaitu dengan uji Lagrange Multiplier Test. Caranya ketikkan command dan
enter:
xtreg Y X1 X2, re
xttest0
. xttest0
Estimated results:
Var sd = sqrt(Var)
Y 6520077 2553.444
e 208791.3 456.9368
u 0 0
Test: Var(u) = 0
chibar2(01) = 0.00
Prob > chibar2 = 1.0000
.
Karena P value (Prob > Chibar2) = 1.0000 ˃ Alpha 0,05 maka H0 diterima, berarti pilihan terbaik
adalah CE dibandingkan RE.
d. Kesimpulan Pemilihan Model:
1) F Test (Chow Test) model CE lebih tepat dibandingkan dengan model FE
2) Hausman Test model FE lebih tepat dibandingkan dengan model RE
3) Langrangge Multiplier (LM) Test metode estimasi terbaik adalah model CE dibandingkan dengan model
RE.
Mengacu pada pengujian melalui ketiga teknik, maka dapat disimpulkan model pilihan adalah
Common Effect Model (CE). Dengan model sebagai berikut:
. . reg Y X1 X2
e.
.
Uji Asumsi Klasik
Uji asumsi klasik akan dilakukan terhadap model terpilih yakni model CE
1) Uji Normalitas Residual
154
Uji normalitas dalam regresi data panel dapat dilakukan dengan menggunakan uji Saphiro wilk.
Apabila nilai probabilitas hasil uji normalitas > 0,05, maka dapat disimpulkan bahwa residual hasil regresi
berdistribusi normal, sedangkan jika nilai probabilitas yang diperoleh < 0,05, maka disimpulkan bahwa
residual hasil regresi tidak berdistribusi normal.
Syntax yang perlu ditulis dalam STATA adalah sebagai berikut :
regress Y X1 X2
predict res, r
swilk res
Berikut ini adalah hasil (keluaran) STATA :
. swilk res
Berdasarkan output di atas, diperoleh nilai probabiliti sebesar 0,09331 > 0,05 yang menunjukkan
bahwa data residual berdistribusi normal. Hal ini berarti model regresi data panel telah memenuhi asumsi
normalitas.
Selain dengan menggunakan uji Shapiro Wilk, uji normalitas dengan STATA dapat juga dilakukan
dengan melihat grafik P-P Plot residual regresi. syntax yang digunakan adalah sebagai berikut :
regress Y X1 X2 X3 X4 X5
predict res, r
pnorm res
Output disajikan dibawah ini.
1.00 0.75
Normal F[(res-m)/s]
0.25 0.500.00
155
Berdasarkan grafik tersebut sebaran data residual menyebar mengikuti garis lurus sehingga dapat
diasumsikan bahwa residual regresi berdistribusi normal.
2) Uji Multikolinieritas
By Click
a) Klik Statistics
b) Klik Summarize Table and Test
c) Klik Summarize and descriptive statistics
d) Klik Correlation and covariance
156
f) Klik Ok
Outputnya sebagai berikut:
. correlate X1 X2
(obs=16)
X1 X2
X1 1.0000
X2 0.9154 1.0000
Berdasarkan output diatas dapat dilihat korelasi antara X1 dengan X2 sebesar 0.9154 ˃ 0.90 berarti
terdapat masalah multikolinieritas pada model regresi
By Syntax
Ketikkan Command berikut
reg Y X1 X2
vif
Outputnya sebagai berikut:
. vif
X1 6.17 0.162057
X2 6.17 0.162057
c. Uji Heteroskedassitas
By Click
a) Klik Statistics
b) Klik Linear regression and related
c) Klik Heteroskedastic Linear Regression
Y
X1 103.5721 55.06387 1.88 0.060 -4.351104 211.4953
X2 139.184 22.78881 6.11 0.000 94.51877 183.8493
_cons 269.4277 194.5659 1.38 0.166 -111.9145 650.7699
lnsigma2
_cons 12.41252 .3535533 35.11 0.000 11.71956 13.10547
Menerima H1 atau Terjadi masalah heterokedassitas apabila nilai (Prob>Chi2) < Alpha (0,05).
Berdasarkan output diatas Prob>Chi2 = 0.0000 ˂ 0.05, berarti terdapat masalah heroskedassitas pada
model.
By Syntax
Copy paste syntax berikut ke kolom COMMAND, lalu enter
quietly reg Y X1 X2
hottest
Outputnya sebagai berikut:
. quietly reg Y X1 X2
. hettest
chi2(1) = 4.31
Prob > chi2 = 0.0379
Menerima H1 atau Terjadi masalah heteroskedassitas apabila nilai (Prob>Chi2) < Alpha (0,05).
Berdasarkan output diatas Prob>Chi2 = 0.0379 ˂ 0.05, berarti terdapat masalah heroskedassitas pada
model.
158
3) Uji Auto Korelasi
Copy paste syntax berikut ke kolom COMMAND, lalu enter
xtserial Y X1 X2
. xtserial Y X1 X2
Prob ˃ F = 0.581 ˃ 0.05, berarti dalam model regresi terdapat gejala autokorelasi
160
Bab 7
Analisis Jalur dengan SPSS, EViews, dan Stata
7.1. Pengertian
Penggunaan analisis regresi linier berganda (multiple linear regression) untuk menaksir hubungan
kausal antar variabel dapat disebut analisis jalur (path analysis), jadi merupakan pengembangan dari
regresi linier multipel (Ghozali, 2016) . Sarwono, (2011) Analisis jalur sebagai penggunaan koefisien jalur
dalam menentukan besarnya hubungan kausal variabel independen dengan variabel dependen. Analisis
jalur adalah teknik statistik yang kuat untuk menguji model kasual yang berdasarkan penalaran teoritis
menjelaskan hubungan kasual antara satu set variabel independen dan variabel dependen, termasuk
menguji asumsi hubungan antara variabel independen (Nayebi, 2020).
Menurut penulis, analisis jalur adalah kajian berbasis teori tentang hubungan kausal searah antara
variabel bebas dengan variabel terikat baik langsung maupun tidak langsung, dan termasuk hubungan
timbal balik antar variabel bebas.
Model kasual adalah model teoretis yang menggambarkan mekanisme kausal dari sekumpulan
variabel bebas dan variabel terikat. Analisis jalur dibatasi pada model kausal rekursif di mana tidak ada
efek umpan balik yang diasumsikan, yaitu semua hubungan kausal adalah satu arah. Dalam analisis jalur
hipotesis model kasual dimasukkan ke dalam persamaan regresi linier berganda. Kemudian, koefisien
regresi dihitung dengan cara biasa. Hubungan kausal antara variabel eksogen dengan variabel endogen
divisualkan pada diagram jalur (path diagram).
Nayebi, (2020), Terdapat beraneka ragam hubungan atau pengaruh antara variabel independen
dengan variabel dependen, yaitu: Raw Effect, Direct Effect, Indirect Effect, Spurious Effect, Pure Effect,
Squared Pure Effect, dan matrix effect
1. Pengaruh Mentah (Raw Effect)
Pengaruh mentah dari variabel independen terhadap variabel dependen adalah korelasi bivariat di
antara mereka. Dengan kata lain, efek mentah dari variabel independen adalah pengaruhnya terhadap
variabel dependen di mana tidak ada variabel yang dikendalikan. Dalam suatu model sederhana sebuah
variabel dependen hanya dipengaruhi oleh satu-satunya variabel independen.
2. Pengaruh langsung (Direct Effect)
Pengaruh langsung dari variabel independen adalah efek langsungnya terhadap variabel independen.
Nilai efek langsung adalah koefisien regresi standar dari variabel independen dalam regresi variabel
dependen terhadap variabel independen. Pengaruh langsung menunjukkan perubahan langsung dalam
standar deviasi variabel terikat untuk setiap kenaikan satu standar deviasi dalam variabel independen
sambil mengendalikan efek dari variabel independen lainnya. Pengaruh ini ditunjukkan oleh panah searah
dalam diagram jalur yang disebut koefisien jalur,
161
3. Pengaruh Tidak Langsung (Indirect Effect)
Pengaruh tidak langsung suatu variabel bebas adalah pengaruhnya terhadap variabel terikat melalui
variabel bebas lainnya. Dengan kata lain, pengaruh tidak langsung dari variabel bebas adalah efek yang
dimediasi. Nilai pengaruh tidak langsung sama dengan jumlah perkalian koefisien jalur pada jalur tidak
langsung dari variabel bebas ke variabel terikat. Ini menunjukkan perubahan tidak langsung standar
deviasi pada variabel dependen untuk setiap kenaikan satu standar deviasi pada variabel independen,
sambil mengendalikan pengaruh variabel independen lainnya.
4. Pengaruh Palsu (Spurious Effect)
Pengaruh palsu suatu variabel bebas terhadap variabel terikat merupakan bagian dari pengaruhnya
yang disebabkan oleh pengaruh variabel lain dalam diagram jalur. Dengan kata lain, Pengaruh palsu suatu
variabel endogen merupakan bagian dari pengaruhnya terhadap variabel terikat yang disebabkan oleh
variabel bebas lainnya. Hanya variabel endogen memiliki pengaruh palsu, karena hanya variabel semacam
ini yang dipengaruhi oleh variabel bebas lainnya dalam diagram jalur. Pengaruh palsu dari variabel
eksogen adalah nol.
5. Pengaruh Murni (Pure Effect)
Pengaruh murni suatu variabel bebas adalah pengaruhnya terhadap variabel terikat, setelah
menghilangkan pengaruh variabel bebas lainnya yang mempengaruhinya. efek murni dalam analisis jalur
adalah efek unik dari variabel independen terhadap variabel dependen.
6. Efek murni kuadrat (Squared Pure Effect)
Efek murni kuadrat dari variabel independen adalah kontribusi uniknya terhadap variasi variabel
dependen. efek murni kuadrat dari variabel independen menunjukkan proporsi varians dalam variabel
dependen, yang secara eksklusif disebabkan oleh variabel independen tersebut dalam diagram jalur.
Jumlah kuadrat pengaruh murni sama dengan koefisien determinasi (R2).
7. Pengaruh matrik (Matrix Effect)
Pengaruh Matriks adalah tabel yang menunjukkan perbandingan berbagai efek dari semua variabel
independen terhadap variabel dependen .
Asumsi dalam analisis jalur sama dengan asumsi regresi linier berganda, karena memang modelnya
berasal darri regresi. Sarwono, (2011) mengemukakan tujuan dari analisis jalur yakni: Melihat hubungan
antar variabel dengan didasarkan pada model apriori; Menjelaskan mengapa variabel-variabel
berhubungan dengan menggunakan suatu model yang berurutan secara temporer; Mengilustrasikan dan
menguji suatu model secara matematis menggunakan persamaan yang relefan; Mengenali jalur anteseden
variabel tertentu terhadap variabel lain; Menentukan nilai pengaruh satu variabel independen terhadap
variabel dependen .
162
7.2. Tahapan Dalam Analisis Jalur
Analisis jalur dikembangkan berbasis teori atau penelitian terdahulu yang relefan. Langkah-langkah
sekuensial yang dilakukan, yakni:
1. Merancang model berbasis teori (sintesis dan operasionalisasi konsep)
2. Membangun diagram jalur berdasarkan variabel – variabel yang akan dibahas.
3. Menghipotesiskan model yang dikembangkan
4. Merumuskan persamaan struktural: Y = ρYX1 + ρYX2 + ρYX3 + e12
5. Kalkulasi matriks korelasi antar variabel bebas dengan variabel tergantung dengan menggunakan
rumus:
X1 X2 X3 Y
1 rX1X2 rX1X3 rXIY
R1 = 1 rX2X3 rX2Y
1 rX3Y
2
ερY = √1 − 𝑅𝑌(𝑥1𝑥2𝑥3…𝑘
Dimana:
163
k = jumlah variabel
n = jumlah data observasi
Statistik uji tersebut harus mengikuti distribusi F dengan Degree of Freedom (df): V1= k - 1 dan V2 = n - k
Kriteria pengujian sebagai berikut:
Jika Fobservasi > Fnilai kritis, maka H0 ditolak, H1 diterima
Jika Fobservasi < Fnilai kritis, maka H1 diterima, H0 ditolak
b. Pengujian secara parsial dengan langkah-langkah sebagai berikut:
Kriteria hipotesis seperti berikut ini:
H0: ρYXi = 0
H1: ρYXi ≠ 0
Pengujian menggunakan uji t, dengan rumus sebagai berikut:
𝜌𝑦𝑥𝑖
t-hitung =
1− 𝑅2 𝑌(𝑋1,𝑋2,𝑋3)𝐶𝑖𝑗
√
𝑛−𝑘−1
X1
X2
X Z
X Z
165
Pengaruh citra, layan, harga, dan wom terhadap loyal yang dimediasi oleh puas, dimana butir-butir
x1-x4 = citra; x5-x8 = layan; x9-x11 = harga; x12-x16 = wom; y1-y5 = puas; z1-z4 = loyal. Respoden
yang mengembalikan angket sebanyak 160 orang. Tabulasi jawaban yang dikumpulkan melalui angket
disajikan seperti disajikan pada tabel 7.1
166
citra layan harga
No.Resp. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
34 1 1 2 4 4 4 4 4 4 4 4
35 4 2 4 3 4 3 4 4 4 4 4
36 2 3 1 3 4 4 4 4 4 5 4
37 4 5 4 1 5 3 4 4 4 5 5
38 5 3 4 2 4 4 4 4 4 4 4
39 4 3 3 3 4 4 5 5 3 5 5
40 3 2 4 4 4 3 4 4 3 4 4
41 2 3 4 2 5 5 5 5 4 4 4
42 1 5 3 3 4 4 4 4 5 4 4
43 4 3 3 2 5 5 5 5 5 5 5
44 5 5 5 1 5 5 5 5 5 5 5
45 5 5 5 4 5 4 5 4 5 5 5
46 4 4 2 1 4 4 4 4 4 4 4
47 5 5 4 5 4 4 4 4 4 5 4
48 4 4 4 2 2 2 4 4 3 2 2
49 2 2 4 1 4 5 4 4 4 4 4
50 4 4 5 5 4 4 4 4 4 4 3
51 4 4 5 5 4 4 4 4 4 5 5
52 4 4 5 4 4 2 4 2 4 4 5
53 5 5 5 5 5 4 4 4 4 4 5
54 3 3 3 1 4 4 4 4 4 4 4
55 4 4 5 4 4 4 4 4 4 4 4
56 4 4 5 4 4 4 4 4 4 4 4
57 5 5 4 4 4 4 4 4 4 4 4
58 4 4 5 1 4 4 4 4 4 5 4
59 5 3 5 3 5 4 5 5 5 5 5
60 5 3 2 1 5 5 4 4 4 5 5
61 1 2 1 2 4 2 4 2 4 4 5
62 4 3 4 5 4 4 4 4 4 4 4
63 5 5 1 3 4 3 4 4 4 4 5
64 2 1 5 4 5 5 5 5 5 5 5
65 4 5 4 3 4 4 4 4 4 4 4
66 4 4 4 1 4 4 4 4 4 4 4
67 4 2 4 2 5 4 4 4 4 5 5
68 2 4 4 2 5 5 4 5 4 5 5
69 4 5 2 4 4 4 4 4 4 4 5
70 2 5 4 5 5 4 4 4 4 5 5
71 4 3 4 5 5 4 5 5 4 5 5
72 4 5 5 4 5 5 5 5 5 5 5
73 2 2 5 4 5 4 4 4 3 4 4
74 4 1 5 5 4 5 4 4 4 5 4
167
citra layan harga
No.Resp. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
75 5 3 5 1 5 4 4 4 4 5 4
76 2 5 2 1 4 4 4 4 4 4 4
77 5 1 5 4 4 4 4 4 4 4 4
78 2 3 2 5 4 4 4 4 4 5 4
79 1 2 3 3 5 5 5 5 5 5 4
80 1 5 5 2 4 4 4 4 4 4 4
81 5 5 5 1 5 5 5 5 5 5 5
82 5 5 5 4 4 4 4 4 4 4 4
83 1 3 1 1 4 4 4 4 4 4 4
84 5 5 5 3 4 4 4 4 4 4 4
85 1 1 1 1 4 4 4 4 4 4 4
86 2 2 5 2 4 4 4 4 4 4 4
87 5 2 4 1 4 2 3 4 4 5 5
88 2 2 5 3 4 5 5 5 3 5 5
89 1 4 2 2 5 5 5 5 5 5 5
90 4 4 1 3 4 4 4 4 4 4 4
91 2 4 5 1 4 5 5 4 4 4 5
92 1 1 1 4 5 4 5 4 4 5 5
93 4 4 4 1 5 4 4 5 4 5 5
94 1 1 1 1 4 4 4 4 4 4 4
95 5 5 5 1 4 4 3 4 4 4 4
96 1 4 2 2 4 4 4 4 2 5 4
97 1 1 1 1 4 4 5 5 4 5 5
98 5 4 2 4 5 4 4 4 4 4 5
99 1 1 1 2 4 4 4 4 4 4 4
100 2 1 1 3 5 5 5 5 5 5 5
101 5 2 4 1 5 5 5 5 5 5 5
102 4 4 2 1 5 5 5 5 5 5 5
103 4 4 4 2 5 5 5 5 5 5 5
104 2 2 2 1 5 5 5 5 5 5 5
105 3 3 4 4 4 4 4 4 4 4 5
106 3 3 5 4 4 4 4 4 3 4 5
107 3 3 4 4 4 3 4 4 3 4 3
108 2 2 2 4 4 4 4 4 4 4 4
109 2 2 4 3 4 2 4 4 2 4 5
110 3 3 2 3 4 4 4 4 3 4 4
111 2 2 4 4 3 1 3 3 4 4 4
112 3 3 4 1 4 5 5 4 4 4 5
113 3 3 3 4 4 4 4 4 4 4 5
114 3 2 3 1 4 5 4 4 3 4 4
115 1 2 3 1 5 2 2 2 2 4 4
168
citra layan harga
No.Resp. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
116 3 1 3 4 3 3 4 5 3 4 5
117 4 5 4 1 4 5 4 4 4 4 4
118 4 5 2 1 4 4 4 4 4 4 4
119 4 5 4 3 4 2 4 3 4 4 3
120 3 5 2 1 5 4 4 4 4 5 5
121 1 2 4 4 5 3 4 3 4 4 4
122 2 2 5 1 3 2 2 3 3 4 3
123 3 4 4 2 2 2 2 3 2 3 3
124 4 3 4 3 5 4 5 5 4 5 5
125 1 1 3 4 5 5 5 4 5 4 4
126 1 1 1 2 2 1 3 2 2 1 1
127 4 1 2 1 2 1 3 3 2 3 4
128 4 5 3 2 4 4 4 5 4 4 4
129 1 2 3 1 4 4 4 4 3 4 3
130 3 1 1 4 4 4 4 4 4 4 4
131 3 3 3 1 2 1 2 1 5 1 1
132 1 2 2 2 5 5 5 5 4 5 5
133 1 2 2 2 4 4 4 4 4 4 4
134 2 2 4 4 5 4 4 4 4 5 4
135 3 2 4 2 5 5 5 5 5 5 5
136 3 2 3 1 4 4 4 4 3 4 4
137 3 2 2 3 5 2 3 3 2 5 5
138 5 5 5 5 5 5 5 5 4 5 5
139 5 5 5 1 5 4 4 4 4 5 5
140 5 5 5 4 4 5 5 5 4 5 4
141 3 3 3 5 4 4 4 4 4 4 5
142 5 5 5 2 4 4 4 4 4 4 3
143 1 1 1 1 4 3 4 4 4 4 5
144 2 2 2 1 5 5 5 5 5 5 5
145 2 2 2 1 4 4 4 4 4 4 4
146 3 3 3 2 5 5 5 5 5 5 5
147 3 3 3 1 4 3 3 3 3 4 4
148 5 5 5 3 5 4 4 4 2 5 4
149 2 2 2 4 4 4 5 5 4 5 5
150 3 3 3 5 4 4 4 4 4 4 4
151 2 2 2 1 4 5 4 4 4 4 4
152 4 4 4 4 5 5 5 5 4 5 5
153 3 4 3 2 5 4 5 5 4 5 4
154 4 2 1 1 4 3 4 4 3 4 4
155 3 3 2 4 4 4 4 4 4 4 4
156 2 2 2 1 4 4 4 4 4 4 4
169
citra layan harga
No.Resp. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
157 1 1 1 2 5 5 5 5 5 5 5
158 3 3 3 4 4 4 4 4 3 4 4
159 2 2 2 2 4 4 4 4 4 4 4
160 5 5 5 1 5 4 4 5 3 4 4
Sumber: Data hipotetis, 2021
Sambungan dari tabulasi diatas disajikan berikut ini
wom puas loyal
x12 x13 x14 x15 x16 y1 y2 y3 y4 y5 z1 z2 z3 z4
4 4 4 4 4 4 4 4 4 4 3 3 4 3
4 4 4 5 5 4 2 5 4 5 4 4 3 4
5 5 4 4 5 4 4 5 4 4 4 4 5 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 4 3 4 4 3 5 4 4 4 4 4 3 4
5 5 4 4 5 5 4 5 4 4 5 4 5 5
4 4 4 5 4 4 4 4 5 2 4 3 3 4
4 3 4 4 4 4 4 4 4 4 4 4 3 4
4 4 4 4 4 4 4 5 4 4 4 4 2 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 4 4 4 4 4 4 4 4 4 4 3 4
4 4 4 4 5 4 5 5 5 3 4 4 4 4
5 4 4 5 5 4 5 5 5 4 5 5 4 5
4 4 4 4 4 4 4 4 4 3 3 3 2 3
5 5 5 5 5 4 4 4 4 4 4 3 3 4
4 4 4 4 4 4 4 4 4 4 4 3 3 4
4 3 4 4 4 4 3 4 4 3 3 3 3 3
4 4 4 4 4 4 4 4 4 2 3 4 4 3
4 4 5 5 4 5 5 5 4 4 5 4 3 5
2 1 1 1 1 1 1 1 1 1 4 2 2 4
5 5 5 5 5 4 4 4 4 4 4 4 4 4
4 3 3 4 4 4 4 4 3 3 4 3 4 4
4 4 4 4 4 5 4 4 4 3 4 3 3 4
4 4 4 4 4 4 4 4 4 3 4 4 4 4
4 3 3 4 4 4 3 3 4 3 3 3 3 3
4 4 4 4 4 4 4 4 3 3 3 3 3 3
4 4 4 4 4 5 5 5 4 3 4 3 4 4
5 5 4 4 5 4 4 4 4 4 5 4 4 5
4 3 4 4 4 3 3 4 3 4 2 3 2 2
4 4 4 4 4 4 4 4 4 3 4 4 4 4
4 4 4 4 4 5 4 4 4 4 4 4 3 4
4 5 4 5 5 5 5 5 5 4 5 5 5 5
170
wom puas loyal
x12 x13 x14 x15 x16 y1 y2 y3 y4 y5 z1 z2 z3 z4
4 4 4 4 4 4 4 4 4 3 4 3 3 4
4 4 3 4 4 5 3 4 4 3 3 3 3 3
4 4 4 4 4 4 5 4 4 3 4 3 2 4
4 3 4 4 3 5 4 4 4 3 5 3 4 5
4 4 4 4 4 3 4 4 4 3 4 4 3 4
4 4 3 5 3 3 4 4 3 3 3 4 2 3
4 3 4 4 3 4 3 4 3 4 4 3 3 4
5 4 4 4 4 4 4 4 4 5 4 5 4 4
4 4 4 4 5 5 4 4 3 4 4 4 4 4
5 4 4 5 5 5 4 5 5 4 5 5 4 5
5 5 5 5 5 5 4 4 4 4 4 4 4 4
5 4 4 5 5 4 5 5 5 4 4 5 4 4
5 4 4 4 4 4 4 4 4 3 4 4 4 4
4 4 4 5 4 4 1 5 4 4 4 5 4 4
3 4 2 1 3 2 2 2 2 2 4 4 4 4
5 4 4 4 4 5 4 4 5 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 3 4
4 4 4 4 4 4 4 4 4 4 4 5 5 4
4 4 4 4 5 4 2 4 4 4 2 4 5 2
4 4 4 4 4 5 4 5 5 4 4 4 5 4
4 4 4 5 5 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 5 5 5 4 4 4 4 4
4 4 4 4 4 4 5 5 5 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 4 4 5 5 5 5 5 5 4 4 4 4 4
4 5 4 5 5 4 3 4 4 3 4 3 3 4
4 4 4 4 5 4 2 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 4 4 5 4 5 5 5 5 3 3 3 3 3
5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 4 4 4 4 4 4 4 4 3 4 4 4 4
4 4 5 4 4 4 4 4 4 3 4 4 4 4
5 4 4 4 4 4 4 4 5 4 4 4 4 4
4 4 4 4 4 4 5 5 5 4 4 4 2 4
4 4 4 4 4 5 3 5 4 3 4 3 3 4
4 5 5 5 5 5 5 5 5 5 4 4 4 4
5 4 4 5 5 5 4 5 5 4 5 3 3 5
5 5 5 5 5 5 5 5 5 4 5 5 5 5
4 4 4 4 4 4 4 5 5 5 3 4 4 3
3 3 4 4 4 4 3 3 4 3 3 4 3 3
171
wom puas loyal
x12 x13 x14 x15 x16 y1 y2 y3 y4 y5 z1 z2 z3 z4
5 4 4 4 5 4 5 5 5 3 3 3 3 3
4 5 4 4 4 5 4 4 4 5 4 3 3 4
4 4 4 4 4 4 3 4 4 3 4 4 4 4
5 4 4 4 4 4 4 4 4 2 4 4 4 4
5 5 5 5 5 5 5 5 5 3 4 5 4 4
4 4 4 4 4 4 4 4 4 3 4 4 4 4
5 4 4 5 5 4 4 4 5 3 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 5 5 4 4 4 4 4 4 4 3 3 2 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
4 4 4 5 5 4 4 4 4 4 4 4 4 4
5 4 4 5 5 5 5 5 5 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 4 5 5 5 5
4 4 4 4 4 4 4 4 4 3 4 3 3 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 4 4 4 4 5 5 5 5 5
4 4 4 4 4 5 4 4 4 4 5 4 4 5
4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 3 4 3 5 4 4 4 4 4 3 3 4 3
4 4 4 5 4 4 5 4 4 4 4 4 4 4
4 4 4 4 4 5 5 5 5 4 4 4 4 4
4 5 5 4 5 4 3 4 4 5 4 4 4 4
5 4 4 5 4 4 4 4 3 4 4 3 5 4
5 4 4 4 4 5 5 5 5 5 5 5 5 5
5 2 2 4 4 5 5 5 5 5 5 5 5 5
5 5 5 5 5 5 5 5 5 5 5 5 5 5
5 5 5 5 5 5 5 5 5 5 5 5 5 5
5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 5 5 5 5 5 5 5 5 5 5 5 5 5
4 5 5 5 5 5 5 5 5 5 3 4 4 3
4 5 5 5 5 3 3 3 3 3 3 5 5 3
4 4 4 4 4 4 4 4 3 3 4 3 4 4
4 4 4 4 4 5 5 5 4 3 4 3 4 4
3 3 4 4 4 4 4 4 4 5 4 4 2 4
4 3 3 3 4 3 2 3 3 4 1 2 3 1
5 4 4 5 4 4 4 4 5 3 4 4 4 4
5 4 4 4 4 4 4 4 4 4 3 4 4 3
2 4 2 4 4 4 4 3 4 4 2 3 4 2
5 4 4 4 4 4 4 4 4 5 2 4 4 2
172
wom puas loyal
x12 x13 x14 x15 x16 y1 y2 y3 y4 y5 z1 z2 z3 z4
4 3 4 4 4 5 4 4 5 2 3 3 3 3
3 4 4 4 4 4 4 4 4 4 4 4 4 4
2 4 3 4 4 2 2 4 4 4 4 2 4 4
3 3 3 3 4 4 4 4 4 4 4 3 3 4
5 5 5 4 4 5 5 4 4 4 4 4 4 4
5 4 4 4 4 5 5 5 5 4 3 4 4 3
3 3 4 4 4 3 4 4 3 4 1 2 3 1
3 3 3 3 3 2 2 3 4 4 1 2 3 1
5 3 3 5 5 5 5 5 5 4 3 3 5 3
4 4 4 4 4 4 4 4 4 4 4 4 4 4
1 2 2 2 2 2 2 4 3 2 2 2 1 2
4 4 3 2 2 1 1 4 3 1 1 1 3 1
4 5 4 5 4 4 4 5 4 5 4 4 4 4
4 4 4 3 4 4 5 4 3 5 4 3 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
1 1 1 1 1 1 1 1 1 1 2 2 2 2
5 5 5 5 4 4 5 5 5 4 1 4 4 1
4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 4 4 4 4 4 5 5 4 4 3 4 3 3
5 5 5 5 5 5 5 5 4 5 3 3 5 5
4 4 4 4 4 3 4 4 4 4 3 4 4 4
5 5 5 4 5 5 5 5 5 5 5 4 4 5
4 5 5 5 5 3 3 4 3 4 5 5 4 4
5 4 4 4 5 5 5 5 4 4 4 4 4 4
4 4 4 4 4 4 4 3 3 4 3 3 3 4
4 4 3 3 2 5 5 3 4 3 3 3 4 3
5 4 4 4 4 4 4 5 4 3 4 4 4 4
4 4 4 4 4 4 4 4 4 3 4 3 3 2
4 5 5 5 5 5 4 5 5 4 4 4 4 4
4 4 4 4 4 4 4 4 4 3 4 4 4 4
5 4 4 5 5 4 5 5 5 5 3 3 3 3
4 4 4 4 4 4 4 4 4 4 4 3 4 3
4 4 4 5 5 4 2 5 4 5 4 4 3 4
5 5 4 4 5 4 4 5 4 4 4 4 5 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
3 4 3 4 4 3 5 4 4 4 3 4 3 4
5 5 4 4 5 5 4 5 4 4 4 4 5 5
4 4 4 5 4 4 4 4 5 2 2 3 3 4
4 3 4 4 4 4 4 4 4 4 4 4 3 4
4 4 4 4 4 4 4 5 4 4 3 4 2 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4
173
wom puas loyal
x12 x13 x14 x15 x16 y1 y2 y3 y4 y5 z1 z2 z3 z4
5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 4 4 4 4 4 4 4 4 4 3 4 3 4
4 4 4 4 4 4 4 4 4 3 3 4 4 4
5 5 4 4 4 5 4 4 4 2 2 2 2 4
Sumber: Data hipotetis, 2021
Dalam bagian ini digunakan multi regresi: Persamaan Model Regresi I : Puas = Constant + c1Citra +
c2Layan + c3 Harga + c4WOM + e1. Dimana : c1…c4 adalah koefisien variabel laten model regresi, dan e1
adalah residual model1
Persamaan Model Regresi II: Loyal = Constant + c1Citra + c2Layan + c3 Harga + c4WOM + c5Puas +
e2. Dimana : c1…c5 adalah koefisien variabel laten model regresi, dan e2 adalah residual model2. Kedua
model regresi akan diintegrasikan untuk membangun model lengkap atau model analisis jalur (path
analysis). Kerangka konsep dari kedua persamaan struktural atau model analisis jalur lengkap disajikan
pada gambar 7.4
CITRA
H1 H5
LAYAN e2
H6 e1
H2
0.139 PUAS LOYAL
H9
H3
H7
H8
HARGA
H4
WOM
174
a. Model regresi tahap I
Persamaan Regresi model 1 : Puas = Constant + c1Citra + c2Layan + c3 Harga + c4WOM + e1. Hasil
pengolahan data observasi diatas dengan SPSS disajikan berikut ini
Mengacu pada output SPSS (Model Summary), koefisien determinan model 1 sebesar 0.604 atau
60.4%. Seluruh prediktor berkontribusi terhadap varian variabel dependen sebesar 60.4%. Sisanya
(errorvar) dijelaskan oleh variabel-variabel lain di luar model.
Output SPSS (ANOVA) diatas memperlihatkan t-hitung sebesar 61.644 > 1.96 atau probabilitas t-hitung =
0.00 < 0.05 berarti signifikan dengan taraf kepercayaan 95%. Citra, layan, harga, dan wom secara serempak
berpengaruh signifikan dan positif terhadap puas.
Dari tabel hasil regresi (Coefficients) diatas menunjukkan bahwa nilai koefisien regresi CITRA
terhadap PUAS sebesar -0.31 dengan standar eror 0.039 dan nilai signifikansi 0.424 ˃ 0.05, atau t-hitung <
1.96 dengan derajad kepercayaan sebesar 95%. Sehingga CITRA secara parsial tidak signifikan
berpengaruh langsung terhadap PUAS. Untuk LAYAN mendapatkan nilai koefisien 0.139 dengan standar
eror 0.103 dan nilai signifikansi prob. = 0.182 ˃ 0.05. Sehingga LAYAN secara parsial tidak signifikan
berpengaruh langsung terhadap PUAS. Nilai koefisien regresi HARGA terhadap PUAS sebesar 0.388 dengan
standar eror 0.156 dan nilai signifikansi prob. = 0.014 ˂ 0.05, sehingga HARGA secara parsial berpengaruh
175
langsung dan signifikan terhadap PUAS. Nilai koefisien regresi WOM terhadap PUAS sebesar 0.536 dengan
standar error 0.082 dan prob.= 0.000 ˂ 0.05, berarti WOM secara parsial berpengaruh langsung dan
signifikan terhadap PUAS. Diagram jalur model regresi tahap I disajikan pada gambar 7.5
CITRA
-0.031
e1=0.63
LAYAN 0.139
PUAS
0.388
HARGA
0.536
WOM
Output Model Summary memperlihatkan besarnya koefisien determinan sebesar 0.422 atau 42.2%.
Kesalahan standar dari estimasi ini sebesar 2.10099.
176
Output ANOVA diatas memperlihatkan jumlah kuadrat regresi sebesar 534.466,
derajad bebas sebesar 5, dan kuadrat rata-rata sebesar 106.893. Jumlah kuadrat residual sebesar 679.778,
derajad bebas sebesar 154, dan kuadrat rata-rata sebesar 4.414. Total jumlah kuadrat sebesar 1214.244
dengan derajad bebas sebesar 159. F-hitung sebesar 24.216 atau sig. = 0.000 .
Dari output SPSS (Coefficients), model regresi menunjukkan bahwa nilai koefisien regresi CITRA
terhadap LOYAL sebesar 0.011 dengan standar eror 0.041 dan nilai signifikansi 0.796 ˃ 0.05, Sehingga
CITRA tidak signifikan berpengaruh langsung terhadap LOYAL. Untuk LAYAN mendapatkan nilai koefisien
0.277 dengan standar eror 0.111 dan nilai signifikansi 0.014 ˂ 0.05. Sehingga LAYAN signifikan
berpengaruh langsung terhadap LOYAL. Nilai koefisien regresi HARGA terhadap LOYAL sebesar 0.253
dengan standar eror 0.170 dan nilai signifikansi 0.139 ˃ 0.05, Sehingga HARGA tidak signifikan
berpengaruh langsung terhadap LOYAL. Nilai koefisien regresi WOM terhadap LOYAL sebesar 0.100
dengan standar eror 0.099 dan nilai signifikansi 0.316˃0.05, Sehingga WOM tidak signifikan berpengaruh
langsung terhadap LOYAL. Untuk PUAS mendapatkan nilai koefisien 0.190 dengan standar eror 0.086 dan
nilai signifikansi 0.028 ˂0.05. Sehingga PUAS signifikan berpengaruh langsung terhadap LOYAL.
Output model regresi II dapat digambar sekaligus dengan model lengkap analisis jalur. Lihat
gambar 7.6
c. Model lengkap analisis jalur
Model lengkap analisis jalur berasal dari integrasi model regresi I dan II . Kini sudah terdapat
pengaruh tidak langsung, disamping pengaruh langsung. Variabel perantara (mediator) yakni PUAS.
Keempat pengaruh tidak langsung yakni: Pengaruh tidak langsung CITRA terhadap LOYAL melalui PUAS;
Pengaruh tidak langsung LAYAN terhadap LOYAL melalui PUAS; Pengaruh tidak langsung HARGA terhadap
LOYAL melalui PUAS; Pengaruh tidak langsung WOM terhadap LOYAL melalui PUAS.
177
CITRA
-0.031 0.011
LAYAN e2 = 0.76
0.277 e1 = 0. 63
0.139
0.139 PUAS LOYAL
0.190
0.388
0.253
0.100
HARGA
0.408
0.536
WOM
178
Jalur DE IE TE Kesimpulan
PUAS→LOYAL 0.190
LAYAN→PUAS → LOYAL 0.139*0.190 = 0.02641 0.277 +0.02641
= 0.30341
HARGA→ PUAS 0.388 Puas bukan
mediator Harga
HARGA→LOYAL 0.253
PUAS→LOYAL 0.190
HARGA→PUAS→ LOYAL 0.388*0.190 = 0.07372 0.253 + 0.07372
= 0.32672
WOM→PUAS 0.536 Puas
merupakan
mediator WOM
WOM→LOYAL 0.100
PUAS → LOYAL 0.190
WOM → PUAS → LOYAL 0.536*0.190 = 0.10184 0.100+0.10184
= 0.20184
Keterangan:
DE = Direct Effect (Pengaruh Langsung)
IE = Indirect Effect (Pengaruh tidak Langsung)
TE = Total Effect ( Pengaruh Total)
1) Variabel Mediasi
Peranan variabel antara dalam memediasi hubungan kausal antara variabel eksogen dan endogen
ditunjukkan oleh signifikansinya. Bila signifikan disebut variabel antara dapat memediasi hubungan kausal
tersebut. Jika tidak signifikan, maka variabel antara disebut tidak merupakan mediator. Salah satu
parameter yang menentukan signifkansi variabel tersebut yakni standar error hubungan langsung
(koefisien) variabel yang terkait dengan koefisien hubungan langsung.
Pada tabel 7.3 disajikan standar error dan koefisien masing-masing pengaruh langsung antar variabel
tersebut.
Tabel 7.3 Standar Error dan Koefisien Pengaruh langsung
No Jalur Koefisien Pengaruh Langsung Standar Error
a CITRA→ PUAS -0.031 0.041
b LAYAN→K PUAS 0.139 0.103
c HARGA→ PUAS 0.388 0.156
d WOM→PUAS 0.536 0.082
179
No Jalur Koefisien Pengaruh Langsung Standar Error
e PUAS→LOYAL 0.190 0.086
180
Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 1.652, karena nilai z yang
diperoleh sebesar 1.652˂1.958 dengan tingkat signifikansi 5% berarti pengaruh tidak langsung Harga
terhadap Loyal melalui Puas adalah tidak signifikan. Oleh sebab itu Puas bukanlah mediator Harga
d) Pengaruh tidak langsung WOM→PUAS→LOYAL = 0.10184
Sobel Test untuk uji signifikansi pengaruh tidak langsung WOM terhadap Loyal melalui Puas. .
𝑑𝑒
𝑧=
√ 𝑒2 𝑆𝐸𝑑2 + 𝑑2 𝑆𝐸𝑒 2
0.536 ∗ 0.190
𝑧=
√ 0.1902 0.0822 + 0.5362 0.0862
z = 2.09298578
Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 2.093, karena nilai z yang
diperoleh sebesar 2.093 ˃1.958 dengan tingkat signifikansi 5% berarti pengaruh tidak langsung WOM
terhadap Loyal melalui Puas adalah signifikan. Oleh sebab itu Puas merupakan mediator WOM
2. Analisis jalur data panel dengan eviews
a. Judul Penelitian: Pengaruh Return on investment (ROI), Return on equity (ROE), dan Laba per saham
(LPS) terhadap Deviden per saham (DPS) dan Harga saham (HS).
b. Kerangka Berpikir dan hipotesis penelitian
ROI
H1
H4 DPS
H2
ROE
H7
H5
H3
HS
LPS H6
c. Hipotesis:
Beberapa jawaban sementara yang dajukan yakni: H1 : ROI berpengaruh terhadap DPS; H2: ROE
berpengaruh terhadap DPS; H3: LPS berpengaruh terhadap DPS; H4 : ROI berpengaruh terhadap HS; H5:
ROE berpengaruh terhadap HS; H6: LPS berpengaruh terhadap HS; H7: DPS berpengaruh terhadap HS.
d. Data empiris
Berdasarkan kerangka konsep penelitian yang telah dikembangkan diperlukan data empiris yang
181
relefan. Data sekunder dikumpulkan oleh penulis dari Bursa Efek Indonesia. Tabulasi data untuk diolah
dengan program aplikasi eviews disajikan pada tabel 7.4
Tabel 7.4 Rekap Data Variabel Penelitian
prsh Tahun ROI ROE LPS DPS
CEKA 2015 0.327 12.1 219 196
DLTA 2015 9.04 39.86 16515 16515
ICBP 2015 2.242 18.6 193 374
INDF 2015 15.294 9.9 285 371
MLBI 2015 3.165 87.68 41091 21516
MYOR 2015 0.236 26 1115 816
ROTI 2015 1.918 20.07 31.22 29.47
SKLT 2015 0.267 8.2 16.5 11.6
CEKA 2016 0.415 0.8 138 219
DLTA 2016 8.213 37.5 17647 16515
ICBP 2016 2.619 18.8 227 193
INDF 2016 13.625 13.6 449 285
MLBI 2016 45.472 143.53 377 41091
MYOR 2016 0.182 10 451 1115
ROTI 2016 2.136 19.6 37.26 31.22
SKLT 2016 1.351 10.7 23.86 16.5
CEKA 2017 0.628 16.6 179 138
DLTA 2017 4.9 22.6 238 17647
ICBP 2017 2.179 18.9 257 227
INDF 2017 1.054 8.9 338 449
MLBI 2017 22.546 64.8 236 377
MYOR 2017 2.103 24 1375 451
ROTI 2017 5.388 22.8 53.45 37.26
SKLT 2017 1.682 13.2 29.6 25.1
CEKA 2018 0.905 28.1 420 179
DLTA 2018 3.954 25.1 317 238
ICBP 2018 5.405 20.8 309 257
INDF 2018 1.584 12.1 472 338
MLBI 2018 30.175 119.1 466 236
182
prsh Tahun ROI ROE LPS DPS
MYOR 2018 5.871 22 61 55
ROTI 2018 1.719 19.4 55.31 53.45
SKLT 2018 0.718 7 30 29.6
CEKA 2019 0.85 11.9 181 420
DLTA 2019 3.211 24.4 349 317
ICBP 2019 5.107 18.3 326 309
INDF 2019 1.432 11.3 475 472
MLBI 2019 11.479 124.1 627 466
MYOR 2019 6.142 22 71 61
ROTI 2019 2.797 48 27.66 55.31
SKLT 2019 2.471 7.5 33.6 30
Sumber: Data hipotetis, 2021
e. Persamaan struktural.
Mengacu pada kerangka konsep diatas, maka diperoleh dua model struktural, yaitu: Persamaan
struktural 1: Pengaruh Pengaruh Return on investment (ROI), Return on equity (ROE), dan Laba per saham
(LPS) terhadap Deviden per saham (DPS); Persamaan struktural 2: Pengaruh Return on investment (ROI),
Return on equity (ROE), Laba per saham (LPS) dan Deviden per saham (DPS) terhadap Harga saham (HS).
e. Regresi data panel Tahap I
1) Pengolahan data empiris mengacu pada kerangka konsep I
Model regresi tahap I mencakup model persamaan struktural 1. Kerangka konsepnya disajikan pada
gambar 7.5
ROI
H1
ROE DPS
H2
LPS H3
183
Berdasarkan pengolahan data observasi (langkah-langkahnya dapat dilihat pada Bab VI) diperoleh
model common effect model (CEM), fixed effect model (FEM), dan random effect model (REM). (Agung,
2014: Wooldridge, 2011)
a) Common Effect Model (CEM)
Dependent Variable: DPS
Method: Panel Least Squares
Date: 12/16/20 Time: 19:07
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
Tampilan output pengolahan dengan eviews persamaan CEM ditulis dalam persamaan fungsional
sebagai berikut:
DPS = -1059.411 + 568.2736ROI -15.00037ROE + 0.597468LPS
b) Fixed Effect Model (CEM)
Dependent Variable: DPS
Method: Panel Least Squares
Date: 12/16/20 Time: 19:11
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
Effects Specification
184
Sum squared resid 8.48E+08 Schwarz criterion 20.72164
Log likelihood -394.1440 Hannan-Quinn criter. 20.42513
F-statistic 6.127919 Durbin-Watson stat 2.826727
Prob(F-statistic) 0.000059
Tampilan output pengolahan dengan eviews persamaan FEM ditulis dalam persamaan fungsional
sebagai berikut:
DPS = -1439.837 + 539.4766ROI +3.929352ROE + 0.589771LPS
c) Random Effect Model (REM)
Dependent Variable: DPS
Method: Panel EGLS (Cross-section random effects)
Date: 12/16/20 Time: 19:28
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
Swamy and Arora estimator of component variances
Effects Specification
S.D. Rho
Weighted Statistics
Unweighted Statistics
Tampilan output pengolahan dengan eviews persamaan REM ditulis dalam persamaan fungsional
sebagai berikut:
DPS = -1143.323 + 562.0796ROI -10.90458ROE + 0.596449LPS
2) Pemilihan model
Persamaan regresi data panel dengan bantuan program aplikasi eviews mempertimbangkan
pengaruh faktor-faktor individual seperti karakteristik organisasi dan kondisi eksternal yang berbeda. Oleh
sebab itu model konfirmatori atau prediksi yang dikembangkan harus dipilih yang paling relefan.
185
Pengujian dilakukan untuk memilih model yang paling sesuai . Tiga jenis pengujian yang tepat dilakukan,
yaitu uji Chows, uji hausman, dan uji Langrange (Wooldridge, 2011: Agung, 2014).
a) Uji Chows
Chow test adalah pengujian untuk menentukan model apakah Common Effect (CE) ataukah Fixed
Effect (FE) yang paling tepat digunakan dalam mengestimasi data panel.
Apabila nilai F hitung lebih besar dari F kritis maka hipotesis nul ditolak yang artinya model yang
tepat untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila nilai F hitung lebih kecil
dari F kritis maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah
model Common Effect. Kriteria pengujian sebagai berikut:
H0: Pilih PLS (CE)
H1: Pilih FE (FE)
Output program aplikasi dengan uji Chows disajikan dibawah ini.
Cross-section F = 1.095981 ˂ 1.96 . Nilai F-hitung lebih kecil dari F-kritis maka hipotesis nul diterima yang
artinya model yang tepat untuk regresi data panel adalah model Common Effect (CEM).
b) Uji Hausman
186
Hausman test adalah pengujian statistik untuk memilih apakah model Fixed Effect atau Random
Effect yang paling tepat digunakan. Kriteria pengujian pemilihan model seperti berikut:
H0: Pilih RE
H1: Pilih FE
Apabila nilai statistik Hausman lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak
yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila
nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya
model yang tepat untuk regresi data panel adalah model Random Effect.
Output uji Hausman disajikan dibawah ini.
Correlated Random Effects - Hausman Test
Equation: Untitled
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Effects Specification
187
Chi-Sq. Statistic Cross-section random = 1.879472 ˂ 1.96. Nilai statistik Hausman lebih kecil dari nilai
kritis Chi-Squares maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel
adalah model Random Effect.
c) Uji Langrange
Uji Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model Random Effect lebih baik
daripada model Common Effect (PLS). Kriteria pengujian yakni:
H0: Pilih PLS
H1: Pilih RE
Apabila nilai LM hitung lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak yang
artinya model yang tepat untuk regresi data panel adalah model Random Effect. Dan sebaliknya, apabila
nilai LM-hitung lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya model yang
tepat untuk regresi data panel adalah model Common Effect. Output pengujian disajikan berikut ini.
Test Hypothesis
Cross-section Time Both
LM-hitung (Breusch-Pagan) = 0.001213 ˂ 1.96, nilai LM-hitung lebih kecil dari nilai kritis Chi-Squares
maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah model Common
Effect.
188
Berdasarkan ketiga uji model diatas, maka disimpulkan model yang tepat untuk regresi data panel
yakni model Common Effect, seperti disajikan berikut ini.
Dependent Variable: DPS
Method: Panel Least Squares
Date: 12/16/20 Time: 20:16
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
16 Mean -1.78e-13
Median 295.1662
Maximum 18237.63
12
Minimum -14344.12
Std. Dev. 5243.147
8 Skewness 0.984108
Kurtosis 8.276150
4
Jarque-Bera 52.85272
Probability 0.000000
0
-15000 -10000 -5000 0 5000 10000 15000 20000
189
Kotak sebelah kanan grafik memperlihatkan informasi tentang: Series standardized residual sampel
dari tahun 2015 hingga tahun 2019. Jumlah data obeservasi sebanyak 40 data unik. Beberapa penulis
mengatakan dengan jumlah data observasi ≥ 30, maka syarat normalitas dalam regresi data panel dapat
diabaikan. Rata-rata diperoleh sebesar -1.78e-13; Median sebesar 295.1662; Maksimum sebesar 18237.63;
Minimum data yang tersebar = -14344.12; Standar deviasi = 5243.143; Skewness sebesar 0.984108;
Kurtosis sebesar 8.276150; Jarque-Bera = 52.85272 dengan probabilitas sebesar 0.00000. Prob.< 0.05
berarti sebaran data residual tidak normal.
b) Uji Multikolinieritas
Multikolinieritas dapat diperiksa melalui korelasi bivariate antar variabel eksogen. Mengacu pada
matrik dibawah ini dapat dilihat hubungan tersebut. Korelasi ROI dengan ROE = 0.7761 < 0.9000; Korelasi
ROI dengan LPS = 0.0001 < 0.9000; Korelasi ROE dengan LPS = 0.2922 < 0.9000.
Korelasi antara variabel eksogen seluruhnya lebih kecil dari 0.9000. Berarti tidak terdapat gejala
multikolinieritas dalam model. Fakta ini menunjukkan model dapat diterima.
c) Uji Heteroskedassitas
Langkah- langkah mendeteksi heteroskedassitas dengan metode Gletser sebagai berikut:
√Blok resid
√Klik Generate
√Pada box enter equation isikan rumus: resabs = abs(resid)
√ Klik Ok, maka akan muncul folder resabs (residual absolut)
√Munculkan residual absolut pada input eviews atau klik kanan resabs
√Klik Quick
√Klik Estimate Equation
√Ketik resabs c roi roe lps
roi roe lps adalah variabel bebas
√Klik Panel Option
√Pilih model yang digunakan
√Ok
√Yes
190
√Lihat dari variabel bebas, jika variabel bebas ˃ 0.05 berarti tidak terjadi heteroskedassitas.
Berikut ini disajikan output dari algoritma diatas.
Dependent Variable: RESABS
Method: Panel Least Squares
Date: 12/16/20 Time: 21:33
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
Dari tabel diatas dapat dilihat pada ROI Prob = 0.0000 ˂ 0.05. Berarti pada variabel ini terjadi
heterokedassitas. Keadaan ini dapat diperbaiki dengan teknik Huber White. Saat mengestimasi model,
pada menu “options” silakan pilih Huber-White untuk Covariance Method. Output model yang telah
diperbaiki disajikan dibawah ini.
Dependent Variable: DPS
Method: Panel Least Squares
Date: 12/16/20 Time: 22:00
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
White cross-section standard errors & covariance (d.f. corrected)
191
Persamaan fungsional dari output diatas, yakni: DPS = -1059.411 + 568.2736ROI - 15.00037 ROE +
0.597468LPS. Akibat koreksi terhadap heteroskedassitas, maka prob ROI menjadi 0.0544 > 0.0500.
Perbaikan tersebut menimbulkan perubahan model regresi. Namun inferensi tetap dapat dilakukan.
d) Uji Autokorelasi
Deteksi autokorelasi pada data panel dapat melalui uji Durbin-Watson. Nilai uji Durbin-Watson
dibandingkan dengan nilai tabel Durbin-Watson untuk mengetahui keberadaan korelasi positif atau
negatif.
Keputusan mengenai keberadaan autokorelasi sebagi berikut :
Jika dw < dl, berarti terdapat autokorelasi positif
Jika dw > (4 – dl), berarti terdapat autokorelasi negatif
Jika du < dw < (4 – dl), berarti tidak terdapat autokorelasi
Jika dl < dw < du atau (4 – du), berarti tidak dapat disimpulkan
Pada report model dapat dilihat dw = 2.285058
du < dw < (4 – dl) = 1.6589 < 2.285058 < (4 – 1.3384), berarti tidak terdapat autokorelasi. Berdasarkan uji
asumsi klasik model terakhir dapat diterima .
4) Uji Hipotesis
Kriteria pengujian model diatas, yaitu:
H0: ROI, ROE, dan LPS tidak bepengaruh terhadap DPS
H1: ROI, ROE, dan LPS bepengaruh terhadap DPS
T-hitung ˂ batas kritis, terima H0
T-hitung ˃ batas kritis, tolak H0 atau terima H1
a). Pengaruh Parsial:
ROI memiliki t-hitung = 1.988911 ˃ 1.96 terima H1. ROI secara parsial berpengaruh terhadap DPS.
ROE mempunyai t-hitung = -1.097606 ˂ -1.96, terima H0, ROE secara parsial tidak berpengaruh terhadap DPS
LPS mempunyai t-hitung = 10.24220 ˃ 1.96 terima H1. LPS secara parsial berpengaruh terhadap DPS.
b). Pengaruh Simultan:
F-statistic = 17.54173 ˃ 1.96, ROI, ROE, dan LPS secara bersama-sama berpengaruh signifikan terhadap DPS
Adjusted R-squared = 0.559945, koefisen determinan persamaan regresi I. Residual model persamaan
regresi I, yakni: ε1 = √1 − 𝑅 2 = 0.44
192
f. Regresi data panel Tahap II
Variabel eksogen pada regresi data panel tahap dua ini yakni ROI, ROE, LPS, dan DPS . Jadi DPS
menjadi variabel eksogen, bukan merupakan variabel endogen seperti HS pada tahap ini. Kerangka konsep
disajikan pada gambar 7.10, dan hipotesisnya yaitu: ROI, ROE, LPS, dan DPS berpengaruh terhadap HS
ROI
ROE
HS
LPS
DPS
1) Pengembangan Model
Sama dengan regresi data panel pada tahap I. Berdasarkan data yang telah disajikan diatas,
dikembangkan model CEM, FEM, dan REM. Berikut disajikan ketiga output eviews terkait pengembangan
model yang akan dipilih.
a) CEM
Dependent Variable: HS
Method: Panel Least Squares
Date: 12/16/20 Time: 23:40
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
193
Log likelihood -370.0522 Hannan-Quinn criter. 18.82894
F-statistic 12.11579 Durbin-Watson stat 0.839153
Prob(F-statistic) 0.000003
Persamaan fungsional dari output eviews diatas dapat ditulis sebagai berikut:
HS = 1885.602 + 202.8450ROI + 40.63590ROE + 0.202318LPS - 0.087094DPS
b) FEM
Dependent Variable: HS
Method: Panel Least Squares
Date: 12/16/20 Time: 23:41
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
Effects Specification
Persamaan fungsional dari output eviews diatas dapat ditulis sebagai berikut:
HS = 1976.266 + 208.9328ROI + 34.82328ROE + 0.218803LPS - 0.083238DPS
c) REM
Dependent Variable: HS
Method: Panel EGLS (Cross-section random effects)
Date: 12/16/20 Time: 23:42
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
Swamy and Arora estimator of component variances
194
Effects Specification
S.D. Rho
Weighted Statistics
Unweighted Statistics
Persamaan fungsional dari output eviews diatas dapat ditulis sebagai berikut:
HS = 1926.533 + 205.3280ROI + 38.17160ROE + 0.208887LPS - 0.085796DPS
2) Pemilihan Model
Faktor-faktor individual dan faktor-faktor luar yang berbeda mempengaruhi masing-masing
perusahaan. Oleh sebab itu perlu diperiksa model yang paling relefan. Pemilihan model dilakukan melalui
beberapa uji berikut:
a) Uji Chow
Chow test adalah pengujian untuk menentukan model apakah Common Effect (CE) ataukah Fixed
Effect (FE) yang paling tepat digunakan dalam mengestimasi data panel. Kriteria pengujian sebagai berikut:
H0: Pilih PLS (CE)
H1: Pilih FE (FE)
Apabila nilai F-hitung lebih besar dari F kritis maka hipotesis nul ditolak yang artinya model yang tepat
untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila nilai F-hitung lebih kecil dari F
kritis maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah model
Common Effect.
Redundant Fixed Effects Tests
Equation: Untitled
Test cross-section fixed effects
195
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
F-hitung lebih kecil dari F-kritis maka hipotesis nul diterima yang artinya model yang tepat untuk regresi
data panel adalah model Common Effect.
b) Uji Hausman
Hausman test adalah pengujian statistik untuk memilih apakah model Fixed Effect atau Random
Effect yang paling tepat digunakan.
Apabila Hasil:
H0: Pilih RE
H1: Pilih FE
Apabila nilai statistik Hausman lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak
yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila
nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya
model yang tepat untuk regresi data panel adalah model Random Effect.
Correlated Random Effects - Hausman Test
Equation: Untitled
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
196
LPS 0.218803 0.208887 0.001733 0.8118
DPS -0.083238 -0.085796 0.001028 0.9364
Effects Specification
Nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya
model yang tepat untuk regresi data panel adalah model Random Effect.
c) Uji Langrange
Uji Lagrange Multiplier (LM) adalah uji untuk mengetahui apakah model Random Effect lebih baik
daripada metode Common Effect (PLS) digunakan.
Apabila Hasil:
H0: Pilih PLS
H1: Pilih RE
Apabila nilai LM-hitung lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak yang artinya
model yang tepat untuk regresi data panel adalah model Random Effect. Dan sebaliknya, apabila nilai LM-
hitung lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya model yang tepat
untuk regresi data panel adalah model Common Effect.
197
(all others) alternatives
Test Hypothesis
Cross-section Time Both
Nilai LM-hitung lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya model
yang tepat untuk regresi data panel adalah model Common Effect.
Berdasaarkan ketiga hasil pengujian dapat diputuskan, model terpilih yakni Common Effect Model,
seperti disajikan berikut ini:
Dependent Variable: HS
Method: Panel Least Squares
Date: 12/17/20 Time: 00:00
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
198
Persamaan fungsional model terpilih yakni:
HS = 1885.602+ 202.8450ROI + 40.63590ROE + 0.202318LPS - 0.087094DPS
1) Uji Asumsi Klasik
Model terpilih diatas belum layak untuk dibahas lebih lanjut. Kajian disini termasuk integrasi dengan
model regresi I untuk membentuk model analisis jalur lengkap. Uji asumsi klasik perlu diterapkan untuk
mengetahui apakah model diatas sudah layak atau perlu lagi dimodifikasi.
a) Uji Normalitas Residual
Sebaran data residual model perlu diperiksa normalitasnya. Jika telah normal berarti salah satu sarat
BLUES telah terpenuhi. Namun demikian jika distribusi data sudah lebih besar dari 30, maka untuk data
panel asumsi ini dapat diabaikan. Grafik dan teks berikut memperlihatkan hasil uji normalitas data.
12
Series: Standardized Residuals
Sample 2015 2019
10
Observations 40
8 Mean -3.24e-13
Median -1256.382
Maximum 5195.788
6
Minimum -3129.261
Std. Dev. 2553.001
4 Skewness 0.804955
Kurtosis 2.267301
2
Jarque-Bera 5.214433
Probability 0.073740
0
-3000 -2000 -1000 0 1000 2000 3000 4000 5000
199
DPS 0.5724308434958 0.576101375078 0.51468986734889 1
Mengacu pada output eviews seperti ditunjukkan pada matrik diatas diperoleh hasil berikut: ROI ↔
ROE = 7762 < 0.9000; ROI ↔ LPS = - 0.0002 < 0.9000; ROI ↔ DPS = 0.5724 < 0.9000; ROE ↔ LPS = - 0.2922
< 0.9000; ROE ↔ DPS = - 0.5761 < 0.9000; LPS ↔ DPS = - 0.5147 < 0.9000. Seluruh hubungan bivariate
antar variabel eksogen lebih kecil dari 0.9000 (r < 0.9000). Dalam model terdapat masalah
multikolonieritas.
c) Uji Heteroskedassitas
Varian residual dapat diperiksa melalui probabilitas . Jika variabel bebas ˃ 0.05 berarti tidak
terjadi heteroskedassitas. Output uji heteroskidassitas disajikan dibawah ini.
Dependent Variable: RESABS
Method: Panel Least Squares
Date: 12/17/20 Time: 00:09
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
Berdasarkan informasi diatas diperoleh prob.ROI = 0.0304 < 0.05; prob.LPS = 0.0119 < 0.05, Namun
demikian model dibawah ini sudah layak karena sudah dilakukan pengobatan. Model sesudah perbaikan
heteroskedassitas disajikan dibawah ini.
Dependent Variable: HS
Method: Panel Least Squares
Date: 12/17/20 Time: 00:34
Sample: 2015 2019
Periods included: 5
Cross-sections included: 8
Total panel (balanced) observations: 40
White cross-section standard errors & covariance (d.f. corrected)
WARNING: estimated coefficient covariance matrix is of reduced rank
200
Variable Coefficient Std. Error t-Statistic Prob.
201
Variable Coefficient Std. Error t-Statistic Prob.
Model sesudah perbaikan masalah autokorelasi dapat ditulis secara fungsional sebagai berikut:
HS = 1885.602 + 202.8450ROI + 40.63590ROE + 0.202318LPS - 0.087094DPS
2) Uji Hipotesis
H0: ROI, ROE, LPS dan DPS tidak bepengaruh terhadap HS
H1: ROI, ROE, LPS dan DPS bepengaruh terhadap HS
t-hitung ˂ batas kritis, terima H0
t-hitung ˃ batas kritis, tolak H0 atau terima H1
a) Pengaruh Parsial:
ROI memiliki t-hitung = 2.427180 ˃ 1.96 terima H1. ROI secara parsial berpengaruh terhadap HS.
ROE mempunyai t-hitung = 1.841445 ˂ 1.96, terima H0, ROE secara parsial tidak berpengaruh terhadap HS
LPS mempunyai t-hitung = 4.055777 ˃ 1.96 terima H1. LPS secara parsial berpengaruh terhadap HS.
DPS mempunyai thitung = -1.217707 ˂ - 1.96 terima H0. DPS secara parsial tidak berpengaruh terhadap
HS.
b) Pengaruh Simultan:
F-statistic = 12.11579 ˃ 1.96, ROI, ROE, LPS, dan DPS secara bersama-sama berpengaruh signifikan terhadap
HS
Adjusted R-squared = 0.532728, koefisien determinan persamaan regresi II. Residual model regresi II ,
yakni: ε2 = √1 − 𝑅 2 = 0.68
g. Model Lengkap Penelitian
Pengembangan model analisis jalur lengkap merupakan integrasi dari persamaan regresi I dan
persamaan regresi II. Parameter-parameter yang terdapat pada kedua model regresi berpindah kepada
model yang sudah dipadukan. Disamping itu , kini terdapat parameter baru yakni pengaruh tidak langsung,
dan pengaruh total. Model lengkap analisis jalur disajikan pada gambar 7.12.
202
ROI ε1=0.44
568.2736
DPS
202.8450
-15.00037
0.597468
ROE -0.087094
40.63590
HS
0.202318
LPS
ε2= 0.68
203
c) Z-hitung LPS → DPS → HS = -1.20795414 ˂ -1.96, berarti tidak signifikan. DPS bukan mediator LPS
terhadap HS
3. Analisis jalur menggunakan program aplikasi STATA
Sebuah peneliti dengan judul: Pengaruh efikasi diri , kecerdasan emosional, kepemimpinan kepala
sekolah dan Keterlibatan Kerja terhadap kinerja guru SMK Swasta di Medan melalui organizational
citizenship behavior (OCB). Konsep-konsep yang diteliti meliputi: Efikasi Diri (ED), Kecerdasan Emosional
(KE), Kepemimpinan (KKS), Keterlibatan Kerja (KK), Organizational Citizenship Behavior (OCB), dan
Kinerja SDM (KS)
Sekaran & Bougie, (2016) kerangka konseptual penelitian adalah suatu hubungan ataupun kaitan yang
terjadi antara konsep yang satu dengan konsep lainnya yang berasal dari masalah yang akan diteliti.
Kerangka konseptual merupakan keterkaitan antara teori–teori atau konsep yang mendukung dalam
penelitian yang digunakan sebagai pedoman dalam menyusun sistematis penelitian. Kerangka konseptual
menjadi pedoman peneliti untuk menjelaskan secara sistematis teori atau konsep yang digunakan dalam
penelitian. Berikut disajikan kerangkan konsep penelitian
Judul dan kerangka konsep yang dikembangkan menjadi pedoman dalam pengolahan data penelitian.
Langkah-langkah memproses data penelitian dengan bantuan program aplikasi stata disajikan berikut ini.
a. Persiapkan data dalam bentuk file excell (97-2003 Workbook).
b. Click File
c. Click Import
d. Click Excell Spreadsheet
e. Click Browse
ED H1
H5
OCB
H2
KE
H6
H9
H3
KKS
H7
H4 KS
H8
KK
206
e. Masukkan nama masing-masing variabel pada kotak (variabel) sesuai dengan kerangka konsep
f. Click Kotak
g. Masukkan nama masing-masing variabel sesuai dengan kerangka konsep
h. Click OK, output berupa diagram jalur akan tampil seperti dibawah ini.
Kita sekarang mengestimasi parameter-parameter yang ada dan penting pada model analisis jalur.
Langkah-langkahnya sebagai berikut:
a. Click Estimate (melalui viewer gambar jalur)
b. Click Estimation
207
c. Click Model
d. Click Maximum likelihood
e. Click SE/Robust
f. Click Default
g. Click Reporting
h. Click Report P-value test statistic, and confidence interval. Tampilan berikut akan muncul.
208
. sem (ED -> OCB, ) (ED -> KS, ) (KE -> OCB, ) (KE -> KS, ) (KKS -> OCB, ) (KKS -> KS, )
> (KK -> KS, ) (OCB -> KS, ), cov( KE*ED KKS*ED KKS*KE KK*ED KK*KE KK*KKS) nocapslatent
Endogenous variables
Observed: OCB KS
Exogenous variables
Observed: ED KE KKS KK
OIM
Coef. Std. Err. z P>|z| [95% Conf. Interval]
Structural
OCB
ED .4464378 .0494417 9.03 0.000 .3495337 .5433418
KE .2703765 .0506917 5.33 0.000 .1710225 .3697305
KKS -.0390005 .0601946 -0.65 0.517 -.1569797 .0789786
KK .2911729 .0501253 5.81 0.000 .192929 .3894168
_cons .113731 .2527487 0.45 0.653 -.3816473 .6091093
KS
OCB .4430416 .0925692 4.79 0.000 .2616094 .6244738
ED -.167648 .0648117 -2.59 0.010 -.2946766 -.0406195
KE .6343479 .0569802 11.13 0.000 .5226687 .746027
KKS -.0799575 .0608922 -1.31 0.189 -.199304 .0393891
KK .1908215 .0573462 3.33 0.001 .078425 .303218
_cons -.0766906 .2554453 -0.30 0.764 -.5773541 .4239729
Tampilan output stata diatas dalam bentuk diagram jalur seperti berikut ini.
209
Gambar 7.14 Diagram alur model penelitian
Parameter-parameter pada diagram jalur memberikan informasi-informasi berikut:
a. Estimasi Pengaruh Langsung Terhadap OCB:
Pengaruh langsung tak terstandardisasi masing -masing variabel eksogen terhadap variabel endogen,
tercantum di atas masing- masing lambang jalur ( )
Pengaruh langsung ED OCB = 0.45 dengan standar deviasi sebesar 0.05.
Z-hitung = 9.03 ˃ 1.96 atau P˃ | z| = 0.000 ˂ 0.05, dengan derajat kepercayaan 95% berarti signifikan.
Pengaruh langsung KE OCB = 0.27 dengan standar deviasi sebesar 0.05.
Z-hitung = 5.33 ˃ 1.96 atau P˃ | z| = 0.000 ˂ 0.05 dengan derajat kepercayaan 95% berarti signifikan.
Pengaruh langsung KKS OCB = -0.04 dengan standar deviasi sebesar 0.06.
Z-hitung = -0.65 ˂ 1.96 atau P˃ | z| = 0.517 ˃ 0.05 dengan derajat kepercayaan 95% berarti tidak signifikan.
Pengaruh langsung KS OCB = 0.29 dengan standar deviasi sebesar 0.05.
Z-hitung = 5.81 ˃ 1.96 atau P˃ | z| = 0.000 ˂ 0.05 dengan derajat kepercayaan 95% berarti signifikan.
Model fungsional : OCB = 0.11 + 0.45ED + 0.27KE – 0.04KKS + 0.29KS, dengan residual 1 = 0.39
b. Estimasi Pengaruh Langsung Terhadap KS:
210
Pengaruh langsung OCB KS = 0.44, standar deviasi sebesar 0.09, Z-hitung = 4.79 ˃ 1.96 atau P˃ | z| =
0.000 ˂ 0.05, dan derajat kepercayaan 95% berarti signifikan.
Pengaruh langsung ED KS = - 0.17 , standar deviasi sebesar 0.06, Z-hitung = -2.59 ˃ -1.96 atau P˃ | z| =
0.010 ˂ 0.05, dan derajat kepercayaan 95% berarti signifikan.
Pengaruh langsung KE KS = 0.63, standar deviasi sebesar 0.06, Z-hitung = -11.13 ˃ 1.96 atau P˃ | z| =
0.010 ˂ 0.05, dan derajat kepercayaan 95% berarti signifikan.
Pengaruh langsung KKS KS = -0.08, standar deviasi sebesar 0.06, Z-hitung = -1.31 ˂ -1.96 atau P˃ | z| =
0.189 ˃ 0.05 dengan derajat kepercayaan 95% berarti tidak signifikan.
Pengaruh langsung KK KS = 0.19 , standar deviasi sebesar 0.06, Z-hitung = -3.33 ˃ 1.96 atau P˃ | z| =
0.001 ˂ 0.05, dan derajat kepercayaan 95% berarti signifikan.
Model fungsional dari hubungan-hubungan diatas yakni:
KS = -0.08 + 0.44OCB - 0.17KE + 0.63KE – 0.08KKS + 0.19KK, dengan residual 2 = 0.4
c. Magnitud Variabel Eksogen:
1) Rata-rata (mean)
Rata-rata (mean) ED sebesar 5.2 dengan standar deviasi 0.13, memiliki probabilitis Z-hitung sebesar 0.000 ˂
0.05, dengan tingkat kepercayaan 95% berarti signifikan
Rata-rata (mean) KE sebesar 5.1 dengan standar deviasi 0.14, memiliki probabilitis Z-hitung sebesar 0.000 ˂
0.05, dengan tingkat kepercayaan 95% berarti signifikan
Rata-rata (mean) KKS 2.1 sebesar 5 dengan standar deviasi 0.13, memiliki probabilitis zhitung sebesar
0.000 ˂ 0.05, dengan tingkat kepercayaan 95% berarti signifikan
Rata-rata (mean) KK 2.3 sebesar 5 dengan standar deviasi 0.14, memiliki probabilitis Z-hitung sebesar 0.000
˂ 0.05, dengan tingkat kepercayaan 95% berarti signifikan
2) Variance Variabel Eksogen
𝛿ED (Variance ED) = 2.1
𝛿KE (Variance KE) = 2.3
𝛿KKS (Variance KKS) = 2.1
𝛿KK (Variance KK) = 2.3
3) Covariance Variabel Eksogen
Covariance ED,KE = 0.92 dengan standar deviasi sebesar 0.22, memiliki probabilitas Z-hitung sebesar 0.00
˂ 0.05, dengan tingkat kepercayaan 95% berarti signifikan.
Covariance ED,KKS = 1.18 dengan standar deviasi sebesar 0.22, memiliki probabilitas z hitung sebesar 0.00
˂ 0.05, dengan tingkat kepercayaan 95% berarti signifikan.
Covariance ED,KK = 1.04 dengan standar deviasi sebesar 0.22, memiliki probabilitas Z-hitung sebesar 0.00
˂ 0.05, dengan tingkat kepercayaan 95% berarti signifikan.
211
Covariance KE,KKS = 1.44 dengan standar deviasi sebesar 0.24, memiliki probabilitas z hitung sebesar 0.00
˂ 0.05, dengan tingkat kepercayaan 95% berarti signifikan.
Covariance KE,KK = 1.25 dengan standar deviasi sebesar 0.24, memiliki probabilitas Z-hitung sebesar 0.00
˂ 0.05, dengan tingkat kepercayaan 95% berarti signifikan.
Covariance KKS,KK = 1.30 dengan standar deviasi sebesar 0.23, memiliki probabilitas z hitung sebesar 0.00
˂ 0.05, dengan tingkat kepercayaan 95% berarti signifikan.
4) Validitas Diskriminan Variabel Eksogen
Apakah antar variabel eksogen berhubungan sangat kuat (corr ˃ 0.90) dapat dilihat dari koefisien korelasi.
Jika dua variabel eksogen berhubungan sangat kuat maka model harus diperbaiki . Koefisien korelasi
ditentukan oleh kovarian dan variance antara variabel yang berhubungan. Formula yakni (AJF et al., 1999):
𝐶𝑂𝑉 (𝑋,𝑌)
Corr (X,Y) = 𝛿𝑥.𝛿𝑦
𝐶𝑂𝑉 (𝐸𝐷,𝐾𝐸) 0.92
Korelasi ED,KE = 𝛿𝐸𝐷.𝛿𝐾𝐸
= = 0.19 ˂ 0.90. Jadi kedua variabel eksogen ini memiliki validitas
2.1∗2.3
212
4) Pilih : Goodness of fit statistic (GOF)
5) Pilih: All of the above, diperoleh output seperti berikut:
. estat gof, stats(all)
Likelihood ratio
chi2_ms(0) 0.000 model vs. saturated
p > chi2 .
chi2_bs(9) 395.079 baseline vs. saturated
p > chi2 0.000
Population error
RMSEA 0.000 Root mean squared error of approximation
90% CI, lower bound 0.000
upper bound 0.000
pclose 1.000 Probability RMSEA <= 0.05
Information criteria
AIC 2051.478 Akaike's information criterion
BIC 2126.514 Bayesian information criterion
Baseline comparison
CFI 1.000 Comparative fit index
TLI 1.000 Tucker-Lewis index
Size of residuals
SRMR 0.000 Standardized root mean squared residual
CD 0.914 Coefficient of determination
.
Pemeriksaan terhadap output global fit estimation dibandingkan dengan cut off. Kriteria hasil
masing-masing fit statistic dapat dijustifikasi tingkat kebaikannya. Kriteria hasil berdasarkan cut off
disajikan pada tabel 7.6
Tabel 7.6 Global Fit
No Fit statistic Cut Off Hasil Kriteria
1 Chi-square ˃0 395.079 Baik
2 RMSEA < 0.08 0.000 Baik
3 Pclose > 0.05 1.000 Baik
4 AIC Makin kecil makin baik 2051.478 Baik
5 BIC Makin kecil makin baik 2126.514 Baik
6 CFI > 0.95 1.000 Baik
213
7 TLI > 0.95 1.000 Baik
8 SRMR < 0.8 0.000 Baik
9 CD > 0.5 0.914 Baik
Sumber: Diolah dari data hipotetis, 2021
Berdasarkan butir-butir fit statistic dapat dilihat seluruhnya menunjukkan kriteria baik, oleh sebab
itu model jalur diatas dapat dipergunakan untuk untuk mengkonfirmasi dan memprediksi.
Keterangan kriterian fit statistic sebagai berikut:
1) RMSEA
Indeks berbasis-non-sentralitas, merupakan indeks ‘keburukan-suai’ dengan interpretasi sebagai berikut:
RMSEA <0.05: Aproksimasi kesesuaian baik; 0.05 < RMSEA < 0.08: Galat aproksimasi masih dapat
diterima ; RMSEA > 0.10: Kesesuaian buruk . Interval konfidensi 90% untuk RMSEA adalah: Batas bawah
interval < 0.05: H0: RMSEA<0.05 (aproksimasi kesesuaian model baik) tidak ditolak; - Batas atas interval
tidak > 0.10: H0: RMSEA>0.10 (kesesuaian model buruk) ditolak; Batas bawah interval < 0.05 & batas atas
interval > 0.10 hasil kontroversial.
2) Pclose
Pclose (pclose of fit) adalah nilai p satu-sisi untuk uji H0: RMSEA = 0.05 vs Ha: RMSEA > 0.05. Jika p>
0.05, disimpulkan kesesuaian model ‘mendekati’ (close); Jika p < 0.05, disimpulkan kesesuaian model lebih
buruk daripada ‘close fitting’
3) SRMR
SRMR = 0 menyatakan kesesuaian sempurna, SRMR < 0.8 dianggap menunjukkan kesesuaian baik
4) TLI
Indeks suai-relatif: Memperbanding model peneliti dengan model nol, yang menyatakan semua
korelasi bernilai nol. Nilai TLI dapat berkisar antara sedikit lebih kecil daripada 1 s.d. lebih besar daripada
1. Kesesuaian dianggap baik jika TLI > 0.95.
5) CFI
Merupakan indeks berbasis-non-sentralitas, menilai perbaikan relatif kesesuaian model peneliti
dibandingkan dengan model dasar, yaitu model dengan asumsi semua kovariansi bernilai sama dengan nol.
Nilai CFI berkisar antara 0 s.d. 1. Kesesuaian dianggap baik jika CFI > 0.95.
6) AIC
Indeks suai mutlak / indeks prediktif-suai: Memperbandingkan matriks kovariansi model peneliti
dengan matrik kovariansi data. Nilai AIC yang lebih kecil mengindikasikan kesesuaian yang lebih baik,
model sesuai terbaik adalah model dengan AIC terkecil
214
7) BIC
Indeks suai mutlak / indeks presiktif -suai seperti AIC, namun BIC sangat menekankan parsimoni.
Kita perlu memeriksa koefisien determinan (Rsquare) dari model-model yang terbentuk (persamaan
struktural). Lakukanlah langkah-langkahnya sebagai berikut:
1) Click Estimation
2) Click Goodness of fit
3) Click Equation level goodness of fit
4) Click Equation level goodness of fit statistic
5) Click OK, tampil output stata seperti dibawah ini.
Variance
depvars fitted predicted residual R-squared mc mc2
observed
OCB 1.753848 1.365505 .3883425 .7785769 .88237 .7785769
KS 2.425331 2.029331 .3959994 .8367236 .9147259 .8367236
overall .9143455
. estat teffects
Direct effects
OIM
Coef. Std. Err. z P>|z| [95% Conf. Interval]
Structural
OCB
ED .4464378 .0494417 9.03 0.000 .3495337 .5433418
KE .2703765 .0506917 5.33 0.000 .1710225 .3697305
KKS -.0390005 .0601946 -0.65 0.517 -.1569797 .0789786
KK .2911729 .0501253 5.81 0.000 .192929 .3894168
KS
OCB .4430416 .0925692 4.79 0.000 .2616094 .6244738
ED -.167648 .0648117 -2.59 0.010 -.2946766 -.0406195
KE .6343479 .0569802 11.13 0.000 .5226687 .746027
KKS -.0799575 .0608922 -1.31 0.189 -.199304 .0393891
KK .1908215 .0573462 3.33 0.001 .078425 .303218
Indirect effects
OIM
Coef. Std. Err. z P>|z| [95% Conf. Interval]
Structural
OCB
ED 0 (no path)
KE 0 (no path)
KKS 0 (no path)
KK 0 (no path)
KS
OCB 0 (no path)
ED .1977905 .0467727 4.23 0.000 .1061177 .2894633
KE .119788 .0336276 3.56 0.000 .0538792 .1856969
KKS -.0172789 .026912 -0.64 0.521 -.0700253 .0354676
KK .1290017 .0349239 3.69 0.000 .0605522 .1974512
Total effects
OIM
Coef. Std. Err. z P>|z| [95% Conf. Interval]
Structural
OCB
ED .4464378 .0494417 9.03 0.000 .3495337 .5433418
KE .2703765 .0506917 5.33 0.000 .1710225 .3697305
KKS -.0390005 .0601946 -0.65 0.517 -.1569797 .0789786
KK .2911729 .0501253 5.81 0.000 .192929 .3894168
KS
OCB .4430416 .0925692 4.79 0.000 .2616094 .6244738
ED .0301425 .0545206 0.55 0.580 -.0767161 .137001
KE .7541359 .055899 13.49 0.000 .6445758 .8636961
KKS -.0972363 .0663781 -1.46 0.143 -.2273349 .0328623
KK .3198232 .0552745 5.79 0.000 .2114873 .4281592
. 216
Pengaruh tidak langsung KK → OCB → KS sebesar 0.13 dengan standar error sebesar 0.03, zhitung
sebesar 3.69 ˃ 1.96, probabilitas zhitung sebesar 0.00 ˂ 0.05, dengan confidence interval (berada antara
0.06 hingga 0.20) menunjukkan signifikan. OCB merupakan mediator ED terhadap KS. OCB merupakan
mediator KK terhadap KS.
Mari kita lihat bentuk standardized koefisien estimasi diatas. Langkah-langkah yang dilakukan yakni:
1) Click Estimate
2) Click Testing and CLS
3) Click Direct and indirect effect
4) Click Decomposition of effect in to total, Indirect, and direct
5) Click Report standardized effect. Setelah mengeksekusi langkah-langkah diatas, maka akan diperoleh
output berikut ini.
217
Direct effects
OIM
Coef. Std. Err. z P>|z| Std. Coef.
Structural
OCB
ED .4464378 .0494417 9.03 0.000 .4847032
KE .2703765 .0506917 5.33 0.000 .3129467
KKS -.0390005 .0601946 -0.65 0.517 -.0425383
KK .2911729 .0501253 5.81 0.000 .3299877
KS
OCB .4430416 .0925692 4.79 0.000 .3767515
ED -.167648 .0648117 -2.59 0.010 -.1547832
KE .6343479 .0569802 11.13 0.000 .6243662
KKS -.0799575 .0608922 -1.31 0.189 -.0741617
KK .1908215 .0573462 3.33 0.001 .1839013
Indirect effects
OIM
Coef. Std. Err. z P>|z| Std. Coef.
Structural
OCB
ED 0 (no path) 0
KE 0 (no path) 0
KKS 0 (no path) 0
KK 0 (no path) 0
KS
OCB 0 (no path) 0
ED .1977905 .0467727 4.23 0.000 .1826126
KE .119788 .0336276 3.56 0.000 .1179031
KKS -.0172789 .026912 -0.64 0.521 -.0160264
KK .1290017 .0349239 3.69 0.000 .1243234
Total effects
OIM
Coef. Std. Err. z P>|z| Std. Coef.
Structural
OCB
ED .4464378 .0494417 9.03 0.000 .4847032
KE .2703765 .0506917 5.33 0.000 .3129467
KKS -.0390005 .0601946 -0.65 0.517 -.0425383
KK .2911729 .0501253 5.81 0.000 .3299877
KS
OCB .4430416 .0925692 4.79 0.000 .3767515
ED .0301425 .0545206 0.55 0.580 .0278294
KE .7541359 .055899 13.49 0.000 .7422693
KKS -.0972363 .0663781 -1.46 0.143 -.0901881
KK .3198232 .0552745 5.79 0.000 .3082246
.
Angka-angka diatas memperlihatkan parameter parameter dalam bentuk standardized (lihat kolom
terakhir). Confidence interval tidak diperhitungkan lagi. Parameter model tanpa derajat kepercayaan
disebut parameter standardized.
Koefisien terstandardisasi pengaruh langsung ED → OCB sebesar 0.48; Koefisien terstandardisasi pengaruh
langsung KE → OCB sebesar 0.31; Koefisien terstandardisasi pengaruh langsung KKS → OCB sebesar – 0.04;
Koefisien terstandardisasi pengaruh langsung KK → OCB sebesar 0.33.
Koefisien terstandardisasi pengaruh langsung OCB → KS sebesar 0.38; Koefisien terstandardisasi
pengaruh langsung ED → KS sebesar – 0.15; Koefisien terstandardisasi pengaruh langsung KE → KS sebesar
0.62; Koefisien terstandardisasi pengaruh langsung KKS → KS sebesar -0.07; Koefisien terstandardisasi
pengaruh langsung KK → KS sebesar 0.18
Koefisien terstandardisasi pengaruh tidak langsung ED → OCB → KS sebesar 0.18; Koefisien
terstandardisasi pengaruh tidak langsung KE → OCB → KS sebesar 0.12; Koefisien terstandardisasi
218
pengaruh tidak langsung KKS → OCB → KS sebesar -0.02; Koefisien terstandardisasi pengaruh tidak
langsung KK → OCB → KS sebesar 0.12 .
Apakah model memerlukan modifikasi? Untuk mengetahuinya, lakukan langkah-langkah berikut:
1) Click Estimate
2) Click Testing and CLS
4) Click Modification indices
5) Click Modification indices
6) Click OK, Hasilnya ditampilkan dibawah ini.
. estat mindices
(no modification indices to report, all MI values less than 3.841458820694123)
Output diatas menunjukkan model tidak perlu dimodifikasi, karena seluruh nilai indeks modifikasi
dibawah 3.84
219
Kepustakaan
Agung, I. G. N. (2014). Panel Data Analysis Using EViews (1st ed.). Wiley.
https://id1lib.org/book/2615285/3d7fa7?dsource=recommend
AJF, G., WM, G., & JH, M. (1999). Covariance and correlation. Modern Genetic Analysis.
https://www.ncbi.nlm.nih.gov/books/NBK21288/
Analytic, D. (2016). Memahami korelasi dan kovarian bagi orang awam. Data Talker.
https://datatalker.wordpress.com/2016/02/18/memahami-korelasi-dan-kovarian-bagi-orang-
awam-kayak-saya/
Anderson, D. R., Sweeney, D. J., Williams, T. A., Camm, J. D., & Cochran, J. J. (2018). Statistics for Business &
Economics (13e Revise). Cengage Learning.
Arikunto, S. (2013). Prsedur Penelitian suatu pendekatan praktek. Bina Adiaksara dan PT Rineka Cipta.
Baltagi, B. H. (2021). Econometric Analysis of Panel Data (Sixth Edit). Springer.
file:///C:/Users/ASUSX4~1/AppData/Local/Temp/Econometric Analysis of Panel Data (Springer
Texts in Business and Economics) by Badi H. Baltagi (z-lib.org).pdf
BocIj, P., GreaSley, A., & HIckIe, Si. (2015). Business Information Systems Technology, Development and
Management for the E-Business (Fifth edit). Pearson Education Limited.
file:///C:/Users/ASUSX4~1/AppData/Local/Temp/Business Information Systems Technology,
Development and Management for the E-Business by Paul Bocij, Andrew Greasley, Simon Hickie (z-
lib.org).pdf
Bourgue, L. B., & Clark, V. A. (2006). Processing Data: The Survey Example (Quantitative Applications in the
Social Sciences). In Wikipedia bahasa Indoneisa. Sage Publications, Inc.
https://id.wikipedia.org/wiki/Pengolahan_data
BPPB, B. pengembangan dan pembinaan bahasa. (2016). KBBI. KBBI Daring.
https://kbbi.kemdikbud.go.id/entri/pengalaman
Bryman, A. (2012). Social Research Methods (Fourth edi). Oxford University Press.
Byrne, B. M. (2016). Structural Equation Modeling with Amos. Basic Concepts, Applications, and
Programming (THIRD EDIT). Routledge.
Cleff, T. (2019). Applied Statistics and Multivariate Data Analysis for Business and Economics A Modern
Approach Using SPSS, Stata, and Excel. Springer Nature Switzerland AG.
Das, P. (2019). Econometrics in Theory and Practice (First ed.). Springer Nature Singapore Pte Ltd.
https://doi.org/https://doi.org/10.1007/978-981-32-9019-8
Dewi, D. A. N. N. (2018). Uji Validitas dan Reliabilitas.
file:///C:/Users/ASUSX4~1/AppData/Local/Temp/Modul3ValiditasReliabilitas-DianAyunita.pdf
George, D., & Mallery, P. (2020). IBM SPSS Statistics 26 Step by Step (Sixteenth). Routledge.
www.routledge.com/cw/george
Ghozali, I. (2016). Aplikasi Analisis Multivariete SPSS 23 (Edisi 8). Badan Penerbit Universitas Diponegoro.
Greene, W. H. (2018). Econometric Analysis (Eight edii). Pearson.
Gujarati, D. (2015). Econometrics By Example (Second edi). Palgrave.
Gunarto, M. (2017). Tranformasi Data Ordinal Ke Interval Dengan Method of Successive Interval.
Researchgate.Net, April. https://doi.org/10.13140/RG.2.2.30002.20162
220
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (Eighth Edi). Cengage
Learning EMEA.
Harlan, J. (2017). Pengenalan Stata. Universitas Guna Darma.
file:///C:/Users/ASUSX4~1/AppData/Local/Temp/Pengenalan Stata.pdf
Hidayat, A. (2014). Penjelasan Metode Analisis Regresi Data Panel. Statistikian.
https://www.statistikian.com/2014/11/regresi-data-panel.html
Hidayat, A. (2018). Regresi Linear Berganda: Penjelasan, Contoh, Tutoria. Statistikian.
https://www.statistikian.com/2018/01/penjelasan-tutorial-regresi-linear-berganda.html
Hidayat, A. (2021). Pengenalan Eviews dan Download Eviews Versi Terbaru. Statistikian.
https://www.statistikian.com/download-eviews
Hsiao, C. (2014). Analysis of Panel Data (Third Edit). Cambridge University Press.
Joe F. Hair, J., Page, M., & Brunsveld, N. (2020). Essentials of Business Research Methods (Fourth edi).
Routledge.
Jöreskog, K. G., Olsson, U. H., & Wallentin, F. Y. (2016). Multivariate Analysis with LISREL. Springer.
Jose, P. E. (2013). Doing Statistical Mediation and Moderation (London). Guilford Press.
Kohler, U., & Kreuter, F. (2012). Data Analysis Using Stata, Third Edition (3rd ed.). Stata Press.
Lind, D. A., Marchal, W. G., & Wathen, S. A. (2019). Basic Statistic for Business and Economic (Ninth Edit).
McGraw-Hill Education.
McClave, J. T., Benson, G., & Sincich, T. (2018). Statistics for Business and Economics. Pearson Education
Limited.
Nayebi, H. (2020). Advanced Statistics for Testing Assumed Casual Relationships (University). Springer.
Pratama, C. D. (2020). Pengolahan Data dalam Penelitian Sosial. Kompas.Com.
https://www.kompas.com/skola/read/2020/11/05/172105069/pengolahan-data-dalam-penelitian-
sosial?page=all
Santoso, S. (2017). Statistik Multivariat. PT.Elex Media Komputindo.
Sarwono, J. (2011). Mengenal path analysis: Sejarah, pengertian, dan aplikasi. Jurnal Ilmiah Manajemen
Bisnis, 11(2), 285–296.
Saunders, M., Lewis, P., & Thornhill, A. (2016). Research Methods for Business Students (Seventh ed).
Pearson Education Limited.
Sekaran, U., & Bougie, R. (2016). Research Methods For Business: A Skill Building Approach (Edition 7). John
Wiley & Sons.
https://books.google.co.id/books/about/Research_Methods_For_Business.html?id=Ko6bCgAAQBAJ&r
edir_esc=y
Statmat. (2020). Regresi linier sederhana. Statmat. https://www.statmat.net/regresi-linier-sederhana/
Sugiyono. (2017). Metode Penelitian Bisnis: Pendekatan Kuantitatif, Kualitatif, Kombinasi, dan R&D.
CV.Alfabeta. https://scholar.google.com/citations?user=uUIIujUAAAAJ&hl=en#d=
T, J. M., George, P. B., & SINCICH, T. (2018). Statistics for Business and Economics (13th ed.). Pearson
Education Limited.
Widarjono, A. (2007). Ekonometrika: teori dan aplikasi untuk ekonomi dan bisnis (Edisi kedu). Ekonesia.
221
https://doi.org/https://doi.org/10.32897/jemper.v3i1.
Wooldridge, Je¤rey M. (2011). Econometric Analysis of Cross Section and Panel Data (Second Edi). The MIT
Press. file:///C:/Users/ASUSX4~1/AppData/Local/Temp/Econometric Analysis of Cross Section and
Panel Data by Wooldridge, Jeffrey M (z-lib.org).pdf
Wooldridge, Jeffrey M. (2016). Introductory Econometrics (6e ed.). Cengage Learning.
Zikmund, W. G., Babin, B. J., Carr, J. C., & Griffin, M. (2013). Business Research Methods (M. Roche (ed.); Ninth
Edit). South-Western, Cengage Learnin. file:///C:/Users/ASUSX4~1/AppData/Local/Temp/Business
Research Methods by William G. Zikmund Adhikari Jon C. Carr Barry J. Babin Mitch Griffin (z-
lib.org).pdf
222