Penelitian Bisnis Dengan SPSS STATA Dan Eviews v2 - Compressed

Kata Pengantar
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
Runggu Besmandala Napitupulu, lulusan S1 jurusan manajemen

perusahaan dari Universitas Sumatera Utara tahun 1989. Studi lanjut ke S2
jurusan perencanaan wilayah di Universitas yang sama, dan menyelesaikan
studi S2 pada tahun 1999. Bekerja sebagai dosen tetap di program studi S1
manajemen Fakultas Ekonomi Universitas Darma Agung sejak tahun 1993
hingga sekarang. Mata kuliah yang diasuh yakni manajemen pemasaran.
Publikasi karya ilmiah di jurnal nasional, prosiding internasional, dan
jurnal internasional bereputasi. Penulis sebagai reviewer pada salah satu
jurnal nasional.
Torang P. Simanjuntak, menyelesaikan studi S.1 pada program studi

Akuntansi dari Universitas HKBP Nommensen Medan pada tahun 1998,
dan melanjutkan studi S.2 di Universitas Darma Agung pada tahun 2009.
Saat ini penulis aktif mengajar di Universitas Darma Agung Medan sebagai
dosen tetap yayasan. Penulis juga pernah menjabat sebagai ketua program
studi Akuntansi di Universitas Darma Agung, dan saat ini menjabat sebagai
Dekan Fakultas Ekonomi di Universitas Darma Agung. Selain aktif
mengajar, penulis juga aktif menulis karya ilmiah yang dipubikasikan
melalui jurnal nasional maupun jurnal internasional bereputasi.
Lamminar Hutabarat , Lulusan S1 jurusan manajemen dari Universitas

Darma Agung tahun 2005, dan melanjutkan study S2 di Universitas Darma
Agung pada tahun 2009.Saat ini penulis aktif mengajar sebagai dosen tetap
Yayasan Perguruan Darma Agung. Mata kuliah yang diasuh yakni
Manajemen Sumber Daya Manusia. Penulis juga aktif menulis karya ilmiah
yang dipublikasikan di jurnal nasional maupun internasional bereputasi
Hormaingat Damanik, lahir di Tanjung Mariah ,Simalungun pada tahun

1970. Menyelesaikan S-1 Akuntansi pada tahun 1994 di Universitas Darma
Agung dan S-2 pada tahun 2002 di STIE IMMI Jakarta. Penulis adalah dosen
di Fakultas Ekonomi Universitas Darma Agung sejak tahun 1996 sampai
sekarang. Mengajar mata kuliah Akuntansi Dasar , Intermediate
Accounting, Praktikum Akuntansi Dasar dan Akuntansi
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.
Ronnie Togar Mulia Sirait, adalah Staf Pengajar pada Program

Pascasarjana dan Fakultas Ekonomi jurusan Manajemen Universitas
Darma Agung. Penulis menyelesaikan pendidikan S1 Manajemen di STIE
PERBANAS Jakarta pada tahun 2000, lalu memperoleh gelar S2 Magister
Manajemen dari Universitas Gadjah Mada pada tahun 2002 dan
menamatkan Program Doktoral (S3) Ilmu Manajemen dari Universitas
Sumatera Utara pada tahun 2021. Mata kuliah yang pernah diampu:
Manajemen Pemasaran, Pemasaran Jasa, Manajemen Pemasaran
Internasional, Studi Kelayakan Bisnis.
Chainar Elli Ria Lumban Tobing, lahir di Medan 05 Januari 1961,

Menyelesaikan Pendidikan S-1 di bidang Hukum Pada Tahun 1987 di
Universitas Sumatera Utara (USU) dan Pada Tahun 1996 Menyelesaikan
Pendidikan S-1 di bidang Manajemen Perusahaan di STIE Jagakarsa
Jakarta serta Menyelesaikan Pendidikan S-2 Pada Tahun 2001 di bidang
Manajemen Sumber Daya Manusia di STIE Jagakarsa Jakarta. Penulis
adalah dosen DPK Pada Fakultas Ekonomi Universitas Darma Agung.
Mengajar mata kuliah Pengantar Bisnis dan Hukum Bisnis
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.
1.2 Pengolahan Data

Penelitian sebagai sebagai sebuah proses mencakup tahapan yang berkaitan erat satu sama lain.
Salah satu langkah penting dalam penelitian bisnis yakni pengolahan data. Dalam kamus besar bahasa
Indonesia (KBBI) disebut pengolahan berarti proses, cara, atau perbuatan mengolah (BPPB , 2016).
Pengolahan data merupakan merupakan proses, cara, perbuatan mengolah keterangan-keterangan sebagai
dasar bahan kajian . Pengertian yang tidak berbeda dikemukakan oleh (Pratama, 2020). Pengolahan data
merupakan proses analisis dan penyajian data menjadi informasi yang akurat
Pengolahan data merupakan tahapan yang terdiri dari: Penataan ulang / penyortiran,
pengorganisasian data sehingga item dikelompokkan bersama atau ditempatkan dalam urutan tertentu.
Data karyawan, misalnya, dapat diurutkan berdasarkan: nama keluarga atau nomor gaji; Agregasi,
mencakup peringkasan data, misalnya dengan menghitung rata-rata, total atau subtotal; Melakukan
perhitungan, misalnya menghitung gaji kotor karyawan dengan: mengalikan jumlah jam kerja dengan
tingkat upah per jam; Seleksi. Ini melibatkan memilih atau membuang item data berdasarkan serangkaian
pilihan kriteria. Sebuah organisasi penjualan, mungkin membuat daftar pelanggan potensial dengan:
memilih mereka yang berpenghasilan di atas tingkat tertentu (BocIj et al., 2015).
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).
1.3 Penelitian Bisnis

Penelitian bisnis adalah pencarian kebenaran, Fungsinya meliputi pencarian dan pengumpulan fakta,
menganalisis, menafsirkan, dan melaporkan informasi sehingga pengambilan keputusan bisnis menjadi
lebih efektif (Hair et al., 2020). Berdasarkan motivasi penelitian dapat dibedakan atas, riset bisnis dasar
(fundamental) dimotivasi oleh keinginan untuk lebih memahami beberapa fenomena bisnis yang berlaku
untuk seluruh industri atau bisnis secara umum; Penelitian bisnis terapan dimotivasi oleh upaya untuk
memecahkan masalah tertentu yang dihadapi oleh organisasi tertentu.
Sekaran & Bougie, (2016) menyebut penelitian bisnis dapat digambarkan sebagai upaya sistematis
dan terorganisir untuk menyelidiki masalah spesifik yang dihadapi dalam lingkungan kerja, yang
membutuhkan solusi.
Penelitian bisnis dapat disebut sebagai upaya mencari kebenaran, umumnya akan menyangkut
penelitian fundamental. Disamping itu sebagai upaya mencari solusi atas masalah spesifik yang dihadapi
2
sebuah organisasi, biasa disebut dengan riset terapan. Sebuah penelitian bisnis akan dimulai dengan
penyusunan rencana riset yang formal, biasanya disebut proposal penelitian. Baik riset fundamental
maupun riset terapan akan mengikuti suatu tahapan-tahapan (proses) untuk memastikan bahwa temuan
yang diperoleh objektif dan sesuai tujuan penelitian.
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.
•Persiapan data mentah/empiris

Input • (Primer atau Sekunder)
•Program Aplikasi
Proses •(SPSS, Stata, Eviews, dan lain-lain)
•Output Program Aplikasi
Hasil •(Bahan untuk pembahasan)
•Konsep, proposisi, teori, teknik, dan lain-lain

Bahas
•Acuan untuk rekomendasi
Simpulan
•Model, Produk, Bahan untuk disseminasi
Laporan
•Jurnal, Posiding, HKI, Bahan Ajar, PkM
Luaran
Sumber: Dikembangkan oleh penulis, 2021
Gambar 2.1 Proses Penelitian Hingga Luaran
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:
2.1 Hasil Uji validitas dan reliabilitas instrumen

Kualitas instrumen perlu dipastikan secara statistik melalui uji validitas dan uji reliabilitas. Butir-
butir pertanyaan/pernyataan dalam angket benar-benar dipahami respoden. Mereka akan memberikan
opini yang tidak berobah-perobah terhadap pertanyaan yang sama.
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)
2.3. Hasil uji asumsi klasik

Pengujian ini didasarkan pada residual model, kecuali multikolinieritas dapat dilakukan sebelum
model terbentuk. Keempat uji asumsi klasik biasanya diterapkan bagi regresi linier sederhana dan
berganda.
1. Uji Normalitas residual
2. Uji Multikolinieritas
3. Uji Heteroskedasitas/Homogenitas
4. Uji Auto Korelasi
2.4. Hasil uji Hipotesis
Uji beda (variance) antara sebaran data sampel dengan data prediksi (populasi). Semakin kecil
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.
2.5 Hasil Uji Kesesuaian Model

Uji lainnya yang sering digunakan dalam memastikan kesesuai model empiris dan prediksi yakni:
1. Uji Goodness of fit index (GOF) dihasilkan program aplikasi Stata
2. Uji Residual model (errorvar)
3. Uji koefisien determinan (Rsquare)
4. Uji KMO
5. Uji Barlett
6. Uji Matrik sampling adequacy (MSA)
2.6 Input Data untuk Software

Data yang telah dikumpulkan disusun dalam bentuk matrik (kolom dan baris) sebelum diinput pada
program aplikasi. Beberapa aspek yang penting diketahui dalam input data mentah untuk diproses, yakni:
1. Jenis Data Sampel
Program aplikasi membutuhkan data. Jenis data dapat dibedakan atas nomimal, ordinal, interval, dan
rasio (Anderson et al., 2018; Zikmund et al., 2013).
a. Data nominal
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi Ciri :
posisi data setara; Contoh : jenis kelamin dan jenis pekerjaan. Angka yang diberikan hanya sebagai label
saja. Contoh, pria = 1, wanita = 2
b. Data Ordinal
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi di
antara data tersebut terdapat hubungan.
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.
2.7 Data Stadardized

Jika dalam suatu model penelitian satuan antar item/indikator/variabel berbeda atau
magnitudnya sangat jauh bedanya maka dapat memberikan hasil yang bias. Oleh sebab itu penting
dikonversi terlebih dahulu ke bentuk standardized (zscore). Skor standar (Z) yaitu angka yang
merupakan perbedaan antara nilai data dan rata-rata, dibagi dengan standar deviasi.
Z-score juga sering disebut dengan nilai baku atau nilai standar. Nilai suatu Z-score adalah
merupakan suatu ukuran yang menentukan seberapa besar jarak suatu nilai (dari observasi suatu set
sampel) terhadap rata-ratanya dalam satuan standar deviasinya. Nilai Z-score akan berada pada suatu
titik pada sumbu datar dari kurva normalnya. Keberadaan nilai Z-score akan menentukan posisinya
dalam sumbu datar kurva normal yang juga mencerminkan seberapa jauh keberadaan suatu nilai
observasi (x) terhadap rata-ratanya.
Apabila z-score bernilai negatif (-), berada pada posisi sebelah kiri rata-ratanya dalam kurva
normal (dilihat dari hadapan kita). Sementara bila bernilai positif (+), maka ada di posisi sebelah kanan
rata-ratanya.
1. Data Cross Section

Kumpulan data cross-sectional terdiri dari sampel individu, rumah tangga, perusahaan, kota, negara
bagian, negara, atau berbagai unit lain, diambil pada titik waktu tertentu (Wooldridge, 2016). Data cross
7
section adalah data yang menunjukkan titik waktu tertentu . Contoh, sebaran nilai UAS mahasiswa prodi
manajemen semester 3 t.a 2020/2021
2. Data Time Series
Kumpulan data deret waktu terdiri dari pengamatan pada variabel atau beberapa variabel dari waktu
ke waktu ( Wooldridge, 2016). Data time series (berkala) adalah data yang datanya menggambarkan
sesuatu dari waktu ke waktu atau periode secara historis. Contoh, perkembangan jumlah mahasiswa baru
program studi manajemen tahun 2010 – 2020.
3. Data Panel
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 NT. 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
2.8 Varian dan kovarian

1. Varian
Varian dan Standar Deviasi (simpangan baku) adalah ukuran-ukuran keragaman (variasi) data
statistik yang paling sering digunakan. Standar deviasi merupakan akar kuadrat dari varian (Lind et al.,
2019; T et al., 2018). Varian dirumuskan sebagai berikut:
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
Sumber: diolah dari data hipotesis, 2021

Mengacu pada tabel diatas maka dapat ditulis berikut ini :
9
Varian dapat ditentukan seperti berikut:
Standar deviasi merupakan akar kuadrat dari varian tersebut.
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:
Banyak baris, m = 3; Banyak kolom, n = 3; Ordo matriks, m x n = 3 x 3. Notasi matriks menggunakan

huruf kapital, sedangkan elemen-elemen di dalamnya dinotasikan dengan huruf kecil sesuai dengan
penamaan matriks dan diberi indeks ij. Indeks tersebut menyatakan posisi elemen matriks, yaitu pada
baris i dan kolom j. Sebagai contoh, matriks sebelumnya untuk penjualan mobil.
C12 = 56 elemen matriks yang berada pada baris ke-1 (i = 1) dan kolom ke-2 (j = 2). Demikian juga
dengan unsur matriks yang lainnya. Pada matriks terdapat dua jenis diagonal, yaitu diagonal utama dan
diagonal sekunder. Diagonal utama merupakan elemen-elemen dengan yang bisa membentuk garis miring.
Diagonal sekunder merupakan kebalikan dari garis miring diagonal utama. Perhatikan matriks berikut:
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
adalah matriks kolom
b. Matriks Persegi/Bujur Sangkar

Matriks yang memiliki jumlah kolom dan baris yang sama disebut matriks persegi.Matriks persegi
memiliki ordo n.
A adalah matrik berordo 3
B adalah matriks persegi berordo 2
c. Matriks Segitiga Atas dan Segitiga Bawah
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,
adalah matriks segitiga bawah.
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
Matriks harga mobil adalah:
Matriks jumlah penjualan adalah:
2. Input matrik data opini respoden (ordinal)

Judul penelitian: Pengaruh budaya organisasi, komitmen organisasi, dan kompetensi terhadap
organizational citizenship behaviour (OCB) pada kantor Dinas Kebudayaan dan Pariwisata Sumatera
Utara. Persamaam Regresi berikut: (X1 + X2 + X3 = Y). Sampel sebanyak 30 orang (respoden). Variabel
penelitian diukur dengan skala Likert 1- 9. Data primer dikumpulkan melalui angket (kuessioner)
Rekap data primer dari angket yang telah diisi respoden disajikan dibawah ini.
Tabel 2.3 Rekap data angket
No. Budaya Organisasi Comitmen Organisasi Kompetensi OCB
Respoden (X1) (X2) (X3) (Y)
1 5 8 1 4
2 7 8 2 4
3 8 8 6 4
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:
6.714 -0.624 -0.793 -0.066

0.624 7.620 -1.368 -0.045
-0.793 -1.368 5.195 0.483
-0.066 -0.045 -0.483 5.183
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
2.11 Gambaran Umum IBM SPSS Statistik , Stata, dan EViews

1. SPSS
Perangkat lunak ini awalnya dibuat oleh tiga orang Stanford mahasiswa pascasarjana di akhir 1960-
an. Singkatan "SPSS" awalnya berarti "Statistical Package for the Social Sciences.(Paket Statistik untuk Ilmu
Sosial)." Ketika SPSS memperluas paket mereka untuk menangani ilmu fisika dan pasar bisnis, namanya
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
3.1 Uji Instrumen

Uji instrument sering disebut uji kuessioner. Pengumpulan data di mana setiap orang diminta untuk
menanggapi serangkaian pertanyaan yang sama dalam urutan yang telah ditentukan disebut kuessioner
(Saunders et al., 2016)
Suatu studi yang menggunakan instrument (angket) dalam mengumpulkan data primer, harus
terlebih dahulu menguji validitas dan reliabilitas kuessioner yang akan digunakan. Butir-butir pertanyaan
pada angket harus benar-benar menggali data atau informasi yang seharusnya digali (data mining). Uji
instrument meliputi uji validitas dan reliabilitas butir pertanyaan/pernyataan.
3.2 Uji Validitas

Validitas umumnya berkaitan dengn penelitian kuantitatif (Bryman, 2012). Validitas berasal dari kata
validity yang mempunyai arti sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukam
fungsi ukurannya (Zikmund et al., 2013). Sugiyono, (2017) validitas berhubungan dengan suatu peubah
mengukur apa yang seharusnya diukur. Validitas dalam penelitian menyatakan derajat ketepatan alat ukur
penelitian terhadap isi sebenarnya yang diukur.
Uji validitas adalah uji yang digunakan untuk menunjukkan sejauh mana alat ukur yang digunakan
dalam suatu mengukur apa yang diukur. Ghozali, (2016) menyatakan bahwa uji validitas digunakan untuk
mengukur sah, atau valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada
kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2, yaitu validitas faktor dan
validitas item. Validitas faktor diukur bila item yang disusun menggunakan lebih dari satu faktor (antara
faktor satu dengan yang lain ada kesamaan). Pengukuran validitas faktor ini dengan cara mengkorelasikan
antara skor faktor (penjumlahan item dalam satu faktor) dengan skor total faktor (total keseluruhan
faktor).
Validitas item ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor total),
perhitungan dilakukan dengan cara mengkorelasikan antara skor item dengan skor total item. Bila kita
menggunakan lebih dari satu faktor berarti pengujian validitas item dengan cara mengkorelasikan antara
skor item dengan skor faktor, kemudian dilanjutkan mengkorelasikan antara skor item dengan skor total
faktor (penjumlahan dari beberapa faktor).
Teknik pengujian dengan alat bantu SPSS sering digunakan untuk uji validitas butir pernyataan.
Korelasi Bivariate Pearson (Produk Momen Pearson) dan Corrected Item-Total Correlation digunakan utuk
memeriksan hubungan item dengan total.
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)
3.3 Uji Reliabilitas

Reliabilitas menunjukan sejauh mana alat ukur suatu kuisoner dan hasil pengukuran indikator dari
variabel atau konstruk. Reliabilitas adalah instrument yang bila digunakan beberapa kali untuk mengukur
indikator yang sama, akan menghasilkan data yang sama atau reliable (Ghozali, 2016). Uji reliabilitas
digunakan untuk mengetahui konsistensi alat ukur, apakah alat pengukur yang digunakan dapat
diandalkan dan tetap konsisten jika pengukuran tersebut diulang (Dewi, 2018).
Dewi, (2018).Ada beberapa metode pengujian reliabilitas di antaranya metode tes ulang, formula
Flanagan, Cronbach’s Alpha, metode formula KR (Kuder-Richardson) – 20, KR – 21, dan metode Anova
Hoyt. Metode yang sering digunakan dalam penelitian adalah metode Cronbach’s Alpha. Metode ini sangat
cocok digunakan pada skor dikotomi (0 dan 1) dan akan menghasilkan perhitungan yang setara dengan
menggunakan metode KR- 20 dan Anova Hoyt. Reliabilitas berarti dapat dipercaya” Artinya, instrumen
dapat memberikan hasil yang tepat. Alat ukur instrument dikategorikan reliabel jika menunjukkan
konstanta hasil pengukuran dan mempunyai ketetapan hasil pengukuran sehingga terbukti bahwa alat
ukur itu benar-benar dapat dipertanggung jawabkan kebenarannya .
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
2. Tabulasi jawaban/opini respoden pada excel

Mengacu pada angket diatas, peneliti melakukan tabulasi terhadap opini-opini respoden seperti
disajikan pada matrik dibawah ini.
NO BUTIR PERNYATAAN TO-

Resp. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 TAL
1 4 4 2 4 4 3 4 4 4 3 3 3 4 4 1 51
2 4 4 2 4 4 1 4 4 4 3 3 2 4 4 4 51
3 3 4 3 3 3 2 3 3 3 4 4 4 3 3 3 48
4 3 4 4 3 3 3 3 3 3 4 4 3 3 3 2 48
5 4 3 4 4 4 3 4 4 4 3 3 3 4 4 4 55
6 4 3 3 4 4 3 4 4 4 4 4 3 4 4 4 56
7 3 3 3 1 3 4 1 3 3 4 4 4 3 3 1 43
8 3 3 1 3 3 4 3 3 3 3 3 4 3 3 3 45
9 4 4 1 4 4 3 4 4 2 2 3 3 4 4 4 50
10 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 58
11 4 3 3 4 4 4 3 3 4 3 4 4 4 3 3 53
12 3 4 4 3 3 3 2 3 3 3 3 3 3 4 2 46
13 3 4 3 2 3 3 4 4 3 3 4 3 3 4 4 50
14 3 3 1 3 3 4 3 4 1 1 4 4 3 3 3 43
15 4 3 4 4 4 3 3 3 4 4 3 3 4 3 2 51
16 4 4 4 4 4 3 4 4 4 3 3 3 4 4 4 56
17 3 3 1 3 3 3 3 4 3 4 4 3 3 3 3 46
18 3 3 4 3 3 4 3 3 2 2 3 4 3 3 1 44
19 4 3 4 4 4 4 2 3 3 4 3 4 4 3 4 53
20 4 4 3 4 4 3 3 4 3 4 3 3 4 4 2 52
21 3 4 3 3 3 3 3 3 4 3 3 3 3 4 3 48
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)
f. Klik Analyze - Correlate – Bivariate

g. Masukkan semua item ke kotak Variables
h. Klik OK dan Tampilkan hasil analisis

Hasil disajikan dibawah ini setelah melalui rangkaian perintah diatas dengan alat bantu program
aplikasi SPSS
Print out SPSS…. Bivariat Correlation
27
Sumber: Diolah dari rekap angket
Untuk lebih jelas dapat dilihat pada viewer Excell (file TM-2A)
Dari hasil analisis diperoleh nilai skor item dengan skor total. Nilai ini kemudian dibandingkan
dengan nilai r-tabel. R-tabel dicari pada signifiklan 5% dengan uji 2 sisi dan n =32 maka ditemukan r-tabel
sebesar 0.349. jika nilai r hasil analisis lebih kecil dari (<) r-tabel, maka disimpulkan bahwa butir-butir
tersebut tidak berkorelasi signifikan dengan skor total (dinyatakan tidak valid) dan harus dikeluarkan atau
diperbaiki.
No.Butir t-hitung t-tabel Keterangan Simpulan
1 0.830** 0,349 ≥ 0,349 Valid
2 0.196 0,349 < 0,349 Tidak Valid
28
3 0.411* 0,349 ≥ 0,349 Valid
4 0.577** 0,349 ≥ 0,349 Valid
5 0.830** 0,349 ≥ 0,349 Valid
6 0.072 0,349 < 0,349 Tidak Valid
7 0.447* 0,349 ≥ 0,349 Valid
8 0.374* 0,349 ≥ 0,349 Valid
9 0.378* 0,349 ≥ 0,349 Valid
10 0.292 0,349 < 0,349 Tidak Valid
11 -0.053 0,349 < 0,349 Tidak Valid
12 0.042 0,349 < 0,349 Tidak Valid
13 0.830** 0,349 ≥ 0,349 Valid
14 0.627** 0,349 ≥ 0,349 Valid
15 0.324 0,349 < 0,349 Tidak Valid
Sumber: Diolah dari data hipotetis, 2021
Butir-butir yang valid yakni 1, 3, 4, 5, 7, 8, 9, 13, dan 14. Jadi terdapat 9 butir yang valid.

1 0.830** 0,349 ≥ 0,349 Valid
3 0.411* 0,349 ≥ 0,349 Valid
4 0.577** 0,349 ≥ 0,349 Valid
5 0.830** 0,349 ≥ 0,349 Valid
7 0.447* 0,349 ≥ 0,349 Valid
8 0.374* 0,349 ≥ 0,349 Valid
9 0.378* 0,349 ≥ 0,349 Valid
13 0.830** 0,349 ≥ 0,349 Valid
14 0.627** 0,349 ≥ 0,349 Valid
Kesembilan butir yang valid diatas , selanjutnya akan diuji reliabilitasnya.

2. Uji Reliabilitas
Dari hasil uji validitas, butir-butir soal yang valid kemudian dianalisis reliabilitasnya, dengan
langkah-langkah berikut:
a. Membuka data pada hasil skor kuisioner pada SPSS (sama dengan pada pengujian validitas)
b. Eliminate butir-butir yang tidak valid
29
c. Menganalisis : Analysis → scale →Reliability Analysis
d. Memasukkan seluruh variabel yang valid (dari hasil pengujian validitas) ke kotak items
e. Klik Statistic, pada Descriptives for pilih Scale If Item Deleted
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
Latihan 2. Uji Instrumen dengan Stata

1. Uji Validitas
Syntax uji validitas yakni: corr b1- total <Enter>
Langkah – langkah menentukan validitas instrument penelitian dengan program aplikasi stata sebagai
berikut:
a. Persiapkan data dalam bentuk excell 97-2003workbook seperti dibawah ini.
b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12 b13 b14 b15 total
4 4 2 4 4 3 4 4 4 3 3 3 4 4 1 51
4 4 2 4 4 1 4 4 4 3 3 2 4 4 4 51
3 4 3 3 3 2 3 3 3 4 4 4 3 3 3 48
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
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
. corr b1- total

(obs=32)
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 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
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
No.Butir thitung ttabel Keterangan Simpulan
1 0.8295 0,349 ≥ 0,349 Valid

2 0.1961 0,349 < 0,349 Tidak Valid
3 0.4111 0,349 ≥ 0,349 Valid
4 0.5766 0,349 ≥ 0,349 Valid
5 0.8295 0,349 ≥ 0,349 Valid
6 0.0723 0,349 < 0,349 Tidak Valid
7 0.4467 0,349 ≥ 0,349 Valid
36
No.Butir thitung ttabel Keterangan Simpulan
8 0.3735 0,349 ≥ 0,349 Valid

9 0.3782 0,349 ≥ 0,349 Valid
10 0.2923 0,349 < 0,349 Tidak Valid
11 -0.0528 0,349 < 0,349 Tidak Valid
12 0.0417 0,349 < 0,349 Tidak Valid
13 0.8295 0,349 ≥ 0,349 Valid
14 0.6268 0,349 ≥ 0,349 Valid
15 0.3239 0,349 < 0,349 Tidak Valid
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
. alpha b1 b3 b4 b5 b7 b8 b9 b13 b14, item
Test scale = mean(unstandardized items)
average
item-test item-rest interitem
Item Obs Sign correlation correlation covariance alpha
b1 32 + 0.8512 0.8039 .1078629 0.6914

b3 32 + 0.3887 0.1156 .140121 0.8129
b4 32 + 0.7156 0.5646 .1019225 0.7102
b5 32 + 0.8512 0.8039 .1078629 0.6914
b7 32 + 0.5281 0.3546 .1235599 0.7477
b8 32 + 0.4509 0.3274 .1338926 0.7489
b9 32 + 0.4249 0.2194 .1333165 0.7729
b13 32 + 0.8512 0.8039 .1078629 0.6914
b14 32 + 0.6463 0.5517 .1212198 0.7228
Test scale .1197357 0.7564
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
4.1. Konsep Dasar Regresi Linier Sederhana

Model regresi linier sederhana disebut model regresi linier dua variabel atau model regresi linier
bivariat karena menghubungkan dua variabel x dan y ( Wooldridge, 2016). Analisis regresi adalah suatu
konsep yang mengekspresikan hubungan linier yang dapat memperkirakan nilai variabel dependen Y
berdasarkan nilai yang dipilih dari variabel independen X (Lind et al., 2019). Beberapa kondisi yang
terdapat dalam konsep ini, yakni: (Statmat, 2020)
1. Pada suatu nilai X tertentu akan terdapat banyak kemungkinan nilai-nilai Y atau (Ŷ) akan terdistribusi
mengikuti suatu fungsi peluang tertentu. Distribusi normal dengan nilai rata-rata E(Y) dan nilai varians
σ2 tertentu
2. Nilai rata-rata E(Y) diasumsikan berubah secara sistematik mengikuti perubahan nilai X, yang
digambarkan dalam bentuk garis linier
3. Nilai varians σ2 pada setiap nilai X akan sama
Sebaran data observasi pada suatu persamaan regresi sederhana disajikan pada gambar 4.1 dan 4.2
Kurva Normal Y X μ σ
Sumber: (Das, 2019)

Gambar 4.1 Grafik hubungan X dan Y
4.2 Prosedur Penting Dalam Regresi Linier Sederhana

Aspek utama atau awal yang harus dilakukan dalam prosedur regresi yaitu melakukan identifikasi
model dengan menggunakan Scatter plot (diagram pencar) yang berguna untuk mengidentifikasi model
hubungan antara variabel X dan Y. Bila pencaran titik-titik pada plot ini menunjukkan adanya suatu
38
kecenderungan (trend) yang linier, maka model regresi linier layak digunakan. Setelah itu dapat dilakukan
estimasi terhadap parameter model.
Sumber. Statmat, 2021

Gambar 4.2. Scatter plot Diagram Pencar
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.
4.3 Asumsi Regresi Linier Sederhana

Dalam aplikasinya terdapat beberapa asumsi yang harus terpenuhi untuk melakukan analisis regresi
sederhana. Beberapa asumsi tersebut sebagai berikut :
39
1. Yi (Variabel Tak Bebas/Dependent Variable) merupakan random variable/bersifat stochastic
2. Xi (Variabel bebas/Independent Variable) bersifat fixed/non stochastic (bukan merupakan random
variable)
3. E(εi) = 0 (εi diharapkan bernilai nol)
4. E(εi εj) = E(εi2) = σ2 untuk i = j (Homoscedastic)
5. E(εi εj) = 0 untuk i ≠ j (Non autocorrelation)
6. εi merupakan random variable yang terdistribusi secara bebas dan indentik mengikuti distribusi
normal dengan rata-rata 0 dan varian σ2. Metode estimasi yang digunakan pada regresi linier
sederhana adalah Metode Kuadrat Terkecil (Least Square Method) dengan prinsip meminimalkan ∑εi2
4.4. Teknik memperoleh garis regresi

Beberapa teknik yang dapat digunakan untuk menentukan garis regresi, yaitu;
1. Cara bebas (freehand methode). Kelemahan : tidak ada metode baku yang dipercaya karena tiap orang
bisa beda
2. Menghubungkan dua titik yang terendah dan tertinggi, Kelemahan : Persamaan regresi ini hanya
menggunakan dua titik terendah dan tertinggi saja dan titik-titik yang lain tidak dihiraukan dan sangat
berbahaya jika ada nilai ekstrim
3. Membagi data menjadi dua kelompok yang sama, kemudian masing-masing dicari rata-ratanya yaitu X1
dan X2 . Kelebihan : Sudah mengikutkan semua titik karena dicari rata-ratanya, dan ini adalah cara
terbaik daripada 2 cara diatas. Rata-ratanya dipengaruhi nilai ekstrim masing-masing baik nilai ekstrim
rendah maupun nilai ekstrim tinggi, sehingga tidak menggambarkan regresi yang sebenarnya.
4. Metode kuadrat terkecil (Ordinary Least Square). Metode ini diperkenalkan oleh Gauss: E = Ŷ – Y. Dalam
regresi linear sederhana hubungan variabel tersebut dapat dituliskan dalam bentuk model persamaan
linear : Ŷ = a + bX
Mencari nilai a:
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).
4.7. Kesalahan Baku Estimasi (Standar deviasi)

Kesalahan baku atau selisih taksir standar regresi adalah nilai menyatakan seberapa jauh
penyimpangan nilai regresi tersebut terhadap nilai sebenarnya. Nilai ini digunakan untuk mengukur
tingkat ketepatan suatu pendugaan. Jika nilai ini sama dengan nol maka penduga tersebut memiliki tingkat
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
4.8 Contoh Regresi Linier Sederhana

Sebuah penelitian terhadap efektivitas kegiatan promisi sebuah perusahaan, dimana akan diteliti
apakah ada pengaruh biaya promosi terhadap laba yang diperoleh.Diambil sampel secara acak selama 8
(delapan) bulan pengeluaran dana promosi dan laba perusahaan, seperti disajikan pada tabel 4.1 pada
kolom X dan Y.
Tabel 4.1 Perkembangan Biaya Promosi dan Laba selama bulan 1 - 8
Bulan Biaya promosi (X) Laba (Y)
Rpjuta Rpjuta
1 8 35
2 9 49
3 7 27
4 6 33
5 13 60
42
6 7 21
7 11 45
8 12 51
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
Kini diperoleh:
Persamaan regresi diperoleh : Y’ = -1,3147 + 4,5413X

dimana :
Y’ = Laba Perusahaan
X = Biaya Promosi
Interpretasi dari koefisien regresi :
 Nilai a = -1,3147 artinya tidak ada biaya promosi maka tidak ada laba perusahaan. (karena tidak ada
biaya promosi yang bernilai negatif sehingga dianggap nol).
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)
t-hitung ˃ t-tabel, maka: Ho ditolak, Ha (Ha : b ≠ 0) diterima ………….Signifikan (Biaya promosi

berpengaruh signifikan terhadap laba perusahaan).
4.9 Penerapan Program Aplikasi

Seorang manajer penjualan salah satu agen sepeda motor ingin mengetahui pengaruh biaya promosi
dengan jumlah unit motor yang terjual dalam beberapa tahun terakhir. Ia menggunakan data penjualan dan
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
1. Pengolahan Data dengan SPSS

Langkah-langkah dalam prosessing data yang telah disajikan diatas yaitu:
a. Buka SPSS
b. Copy Paste Seluruh data ke lembar kerja SPSS
c. Beri nama pada tab “variable views” dengan X dan Y
Berikut disajikan tampilan data di SPSS
d. Klik Analyze – Regression – Linier

e. Masukkan variabel X (biaya promosi) ke box independent
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
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
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
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
Gambar 4.3 Histogram residu regresi

Sebelum memberikan interpretasi pada hasil regresi, dilakukan pengujian asumsi normalitas sebagai
syarat regresi. Apabila residual berdistribusi normal maka analisis parametrik seperti analisis regresi
dapat dilanjutkan, sebaliknya apabila tidak berdistribusi normal maka digunakan statistik non parametrik
untuk menguji hipotesis.
Pengujian normalitas ini menggunakan diagram histogram dan grafik p p-plot untuk memprediksi apakah
data berdistribusi normal atau tidak. Berdasarkan hasil uji di atas terlihat bahwa residual menyebar
merata ke kanan dan kekiri bagian kurva normal, dan membentuk kurva normal, sehingga dapat
disimpulkan residual memenuhi asumsi normalitas.
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
Source SS df MS Number of obs = 36

F(1, 34) = 44.62
Model 12092327.4 1 12092327.4 Prob > F = 0.0000
Residual 9213228.17 34 270977.299 R-squared = 0.5676
Adj R-squared = 0.5548
Total 21305555.6 35 608730.159 Root MSE = 520.55
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X .0686761 .0102806 6.68 0.000 .0477834 .0895687

_cons 2881.296 735.6251 3.92 0.000 1386.326 4376.266
Output stata diatas dapat dijelaskan sebagai berikut:

SS : Sum Square (jumlah kuadrat)
Df : degree of freedom (derajat bebas)
MS : Mean Square (kuadrat rata-rata atau rata-rata dikuadratkan)
Sum Square model sebesar12092327.4, df 1, dan Mean Square = 12092327.4
Sum Square residual sebesar 9213228.17, df 34, dan Mean Square = 270977.299
Number of Obs = 36, artinya jumlah sample atau observasi sebanyak 36 sample
F(1, 34) =44.62 ; F(1, 34) artinya uji F pada DF 1 dan 32. DF 1 artinya jumlah variabel yang diuji – 1, yaitu 2-
1=1 variabel. 34 adalah jumlah observasi – jumlah variabel, yaitu 36-2=34.
Prob > F =0.0000 : Probabilitas F-hitung
Nilai Uji F 0,000. Apabila nilai < 0,05 maka Uji F menerima H1 pada taraf signifikansi 5% atau variabel
independen mempunyai pengaruh yang signifikan pada variabel dependen.
R-squared = 0.5676
R-Squared adalah Koefisien Determinasi, artinya seberapa besar varian variabel independen dapat
menjelaskan perubahan varian variabel dependen. Di atas nilainya 0.5676 yang berarti variabel
independen dapat menjelaskan variabel dependen sebesar 56.76%. Maka sisanya yaitu 100% - 56.76%.
%=43.34% dijelaskan oleh variabel lain diluar model regresi.
Adj R-squared =0.5548, digunakan bila reporting memakai standardized beta coefficients
Root MSE =520.55
Root MSE adalah standart error of estimate, dikatakan model regresi baik untuk dijadikan model peramalan
apabila Root MSE < Standart deviasi variabel dependen (Y).
cons =2881.296 : Nilai konstanta = 2881.296
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 >
Residual Data Uji Regresi Linear dengan STATA

Maka akan muncul variabel baru yaitu residual (res)
Variabel Residual Data Uji Regresi Linear dengan STATA
54
b. Membentuk Variabel Absolut Residual:
Pada kotak comment di bawah, tuliskan kode “gen abs_res=abs(r)” kemudian <enter>
Absolut Residual Data Uji Regresi Linear dengan STATA

Maka akan muncul variabel baru yaitu abs_res. variabel ini adalah nilai absolut dari variabel residual. Lihat
template dibawah ini.
c. Uji Normalitas Residual Stata untuk regresi linier sederhana

Ada beberapa pendekatan untuk uji normalitas residual dengan stata, yakni:
1. Pada menu, klik Statistics, “Summaries, tables, and test”, Distributional plots and tables, Skewness and
kurtosis normality test, masukkan variabel res pada kotak variables, klik OK. Hasilnya seperti berikut:
. sktest res
Skewness/Kurtosis tests for Normality

joint
Variable Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
res 36 0.0913 0.2140 4.47 0.1068
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
Shapiro-Wilk W test for normal data
Variable Obs W V z Prob>z
res 36 0.94801 1.896 1.338 0.09051
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
Shapiro-Francia W' test for normal data
Variable Obs W' V' z Prob>z
res 36 0.94232 2.333 1.569 0.05837
. 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
0.00 0.25 0.50 0.75 1.00

Empirical P[i] = i/(N+1)
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
-1500 -1000 -500 0 500 1000

Residuals
6. Untuk keperluan analisis deskriptif (non parametric)

Pada Menu klik Statisics, Linear models and related, regression diagnostics, “Specification test, etc”,
Summarize estimation sample (summarize), centang Display summary by equation, klik OK. Hasilnya
seperti berikut:
. estat summarize, equation
Estimation sample regress Number of obs = 36
Variable Mean Std. Dev. Min Max
depvar
Y 7761.111 780.2116 4400 9800
_
X 71055.56 8558.853 36000 85000
Summary
. Uji Regresi Linear dengan STATA
3. Pengolahan Data dengan EViews

Pengolahan data diatas dengan bantuan program aplikasi EViews diuraikan berikut ini. Sebelumnya
tentu harus dipersiapkan data Excell seperti disajikan pada tabel 4.3 diatas, yakni : Biaya promosi dan laba
sebuah distributor sepeda motor selama 3 tahun (36 bulan) dari Januari 2017 hingga Desember 2019.
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
w. Buka File Excell yang sudah dipersiapkan sebelumnya

x. Sorot sebaran data X dan Y
y. Copas ke kolom X dan Y pada eviews
z. Klik Proc
aa. Klik Make aquation
Akan kelihatan tampilan seperti dibawah ini
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
Variable Coefficient Std. Error t-Statistic Prob.
X 0.068676 0.010281 6.680185 0.0000

C 2881.296 735.6251 3.916799 0.0004
R-squared 0.567567 Mean dependent var 7761.111

Adjusted R-squared 0.554848 S.D. dependent var 780.2116
S.E. of regression 520.5548 Akaike info criterion 15.40162
Sum squared resid 9213228. Schwarz criterion 15.48959
Log likelihood -275.2292 Hannan-Quinn criter. 15.43233
F-statistic 44.62487 Durbin-Watson stat 1.477325
Prob(F-statistic) 0.000000
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
Hasil algoritma diatas disajikan berikut ini.

14
Series: Residuals
12 Sample 2017M01 2019M12
Observations 36
10
Mean -7.60e-13
Median 111.3803
8
Maximum 1149.915
Minimum -1306.704
6 Std. Dev. 513.0644
Skewness -0.632184
4 Kurtosis 3.633953
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
5.1 Regresi Linier Berganda.

Regresi Linear Berganda (multiple linear regression) adalah Model probabilistik linier dengan
melibatkan lebih dari satu variable bebas atau prediktor (McClave et al., 2018; Hidayat, 2018). Regresi
linier berganda merupakan model persamaan yang menjelaskan hubungan kausal dua atau lebih variabel
bebas / predictor (X1, X2,...Xn) dengan satu variabel tak bebas / response (Y).
Uji regresi linier berganda dimaksudkan untuk konfirmasi dan memprediksi nilai variable tak
bebas/ response (Y) apabila nilai-nilai variabel bebasnya/ prediktor (X1, X2,..., Xn) diketahui. Disampingitu
juga untuk dapat mengetahui bagaimanakah arah hubungan variabel tak bebas dengan variabel-variabel
bebasnya. McClave et al., (2018) menyatakan bentuk umum persamaan regresi linier berganda secara
matematik sebagai berikut:
Y = α + β1X1 + β2 X2 + … + βn Xn + ε…….Populasi
Y = a + b1X1 + b2 X2 + … + bn Xn + e….....Sampel
Asumsi Random Error ε yakni: Rata-rata (mean) sama dengan 0; Varian adalah σ2; Berdistribusi
normal; Kesalahan acak adalah independen (dalam arti probabilistik).
Y = variable tak bebas (nilai variabel yang akan diprediksi); a = konstanta; b1,b2,..., bn = nilai
koefisien regresi ; X1,X2,..., Xn = variable bebas. Bila terdapat 2 variable bebas, yaitu X1 dan X2, koefisien-
koefisien regresi b1dan b2 mempunyai nilai 0, maka variabel Y tidak dipengaruhi oleh X1 dan X2 . Bila
negatif, terjadi hubungan dengan arah terbalik antara variabel tak bebasY dengan variabel-variabel X1dan
X2. Apabila nilainya positif, terjadi hubungan yang searah antara variabel tak bebasY dengan variabel
bebas X1dan X2. Koefisien-koefisien regresi b1dan b2 serta konstanta dapat dihitung dengan menggunakan
rumus berikut:
 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:
y1 1 X11 X12 … X1k 0 ε1

y2 1 X21 X22 1
y= x = … X2k = ε = ε2
⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
yn 1 Xn1 Xn2 … Xnk k εn
Notasi matriks dari model regresi ganda yaitu:

y = Xß + ε
dimana: y adalah vektor respon yang berukuran nx1; ε adalah vector galat yang berukuran n x 1;  adalah
vektor parameter regresi yang akan diduga dan berukuran (k + 1) x 1; x adalah matriks skalar yang
berukuran n x (k + 1) dan berpangkat penuh. Penduga kuadrat terkecil bagi , dinyatakan dengan β̂,
dengan formula berikut:
β̂ = (𝑋′𝑋 −1 ) X’y
Perbandingan dua buah penduga parameter dapat dilakukan dengan menggunakan mean square error
(MSE). MSE adalah suatu penduga parameter mengukur kuadrat rata-rata dari selisih antara penduga dan
parameter.
5.3 Uji Model Regresi

1. Uji Simultan
Uji simultan (keseluruhan atau bersama-sama) pada konsep regresi linier adalah pengujian
mengenai apakah model regresi yang didapatkan benar-benar dapat diterima. Uji simultan bertujuan
untuk menguji apakah antara variabel-variabel bebas X dan terikat Y benar-benar terdapat hubungan
linier (linear relation).
Hipotesis yang berlaku untuk pengujian ini adalah:
H0: 1 = 2,…k = 0
H1: tidak semua i = 0
i = 1, 2, ..., ki
k = banyaknya variabel bebas X
i = parameter (koefisien) ke-i model regresi linier
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)
Residu/Error E = n-p-1 Sum Square Mean Square Error

n = jumlah Error SSE (MSE) = SSE/E
sampel
Total T=p+E Sum Square
Total SST
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
3) Melihat rentang confidence interval. Jika rentang confidence interval sangat lebar, maka dapat
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.
5.4 Penerapan Software Aplikasi

Seorang manajer pada salah perusahaan ingin mengembangkan fitur produk yang sedang dipasarkan.
Informasi yang ingin diperoleh menyangkut dimensi Brand experience, kepercayaan pelanggan, dan
ekuitas merek. Manajer merasa ragu apakah brand experience dan kepercayaan pelanggan terhadap merek
tersebut akan mempengaruhi ekuitas merek. Untuk itu dilakukan survey terhadap 90 orang respoden.
Kuesioner closed ended dikembangkan dengan skala 1-7. Tabulasi opini respoden dari angket yang telah
dikumpulkan disajikan tabel 5.2 dibawah ini.
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
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
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
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
1. Aplikasi Software EViews

Langkah-langkah pemrosesan data yang telah disajikan pada tabel 5.3 sebagai berikut:
a. Buka Aplikasi Eviews , maka akan muncul tampilan seperti berikut ini:
74
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
Date: 11/04/20 Time: 11:25
Sample: 1 90
B 0.534590 0.096415 5.544680 0.0000

K 0.347340 0.095128 3.651299 0.0004
C 0.525466 0.341763 1.537516 0.1278

Sum squared resid 54.49328 Schwarz criterion 2.486139
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
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
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
F-statistic 0.935756 Prob. F(2,87) 0.3962

Obs*R-squared 1.895276 Prob. Chi-Square(2) 0.3877
Scaled explained SS 4.068839 Prob. Chi-Square(2) 0.1308
Test Equation:
Dependent Variable: RESID^2
Date: 11/04/20 Time: 13:10
Sample: 1 90
C 0.840436 0.564015 1.490096 0.1398

B -0.216727 0.159115 -1.362083 0.1767
K 0.175248 0.156991 1.116299 0.2674

Adjusted R-squared -0.001446 S.D. dependent var 1.305161
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
Coefficient Uncentered Centered

Variable Variance VIF VIF
B 0.009296 36.34866 2.355461

K 0.009049 33.55095 2.355461
C 0.116802 16.78294 NA
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:
F-statistic 7.812838 Prob. F(2,85) 0.0008

Obs*R-squared 13.97567 Prob. Chi-Square(2) 0.0009
Test Equation:
Dependent Variable: RESID
Date: 11/04/20 Time: 13:55
Sample: 1 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
R-squared 0.155285 Mean dependent var 8.68E-16

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.
21) Klik tab Reporting

22) Centang Report Coefficients (default)
23) Centang Report p-values, test statistics, and confident intervals
24) Klik OK.
Hasilnya disajikan berikut ini:
. regress E B K

F(2, 87) = 88.08
Model 110.344206 2 55.1721028 Prob > F = 0.0000
Residual 54.4932843 87 .62635959 R-squared = 0.6694
Total 164.83749 89 1.85210663 Root MSE = .79143
E Coef. Std. Err. t P>|t| [95% Conf. Interval]
B .5345903 .096415 5.54 0.000 .3429551 .7262256

K .3473404 .0951279 3.65 0.000 .1582634 .5364173
_cons .5254656 .3417627 1.54 0.128 -.1538247 1.204756
b. Penjelasan output diatas sebagai berikut:

84
1) Koefisien beta dan signifikansi parsial
Koefisien B sebesar 0.5345903, dengan standar error sebesar 0.096415. thitung sebesar 5.54 ˃ 1.96
berarti signifikan(secara parsial), Probabbilitas t-hitung atau P >[t] sebesar 0.000 ˂ 0.05 berarti
variabel B secara parsial signifikan, Dengan derajad kepercayaan 95% berada antara 0.3429551 dengan
0.7262256
Koefisien K sebesar 0.3473404, dengan standar error sebesar 0.0951279, thitung sebesar 3.65 ˃
1.96 berarti signifikan(secara parsial), Probabbilitas thitung atau P>[t] sebesar 0.000 ˂ 0.05 berarti
variabel K secara parsial signifikan, Dengan derajad kepercayaan 95% berada antara 0.1582634 dengan 0
.5364173. Model Funhsional persamaan regresi linier berganda yakni: E = .5254656 + 0.5345903B +
0.3473404K
2) Number of obs. = 90 berarti jumlah data observasi atau sampel sebanyak 90 respoden
3) Anova
SS : Sum Square (jumlah kuadrat)
Df : degree of freedom (derajat bebas)
MS : Mean Square (kuadrat rata-rata atau rata-rata dikuadratkan)
Sum Square model sebesar 110.344206 df 2, dan Mean Square = 55.1721028
Sum Square residual sebesar 54.4932843, df 87, dan Mean Square = .62635959
Sum Square Total = SS Model + SS Residual = 164.83749
Number of Obs = 90, artinya jumlah sample atau observasi sebanyak 90 sample
4) Uji Pengaruh Simultan
SS Total = 164.83749
MS Total = 1.85210663
Thitung = SS Total / MS Total = 88.99
F(2, 87) artinya uji F pada DF 2 dan 87. DF 2 artinya jumlah variabel yang diuji – 1, yaitu 3-1=2 variabel; 87
adalah jumlah observasi – jumlah variabel, yaitu 90-3=87.
F(2, 87) =88.08 ˃ 1.96 berarti variabel bebas B dan K secara serempak berpengaruh signifikan terhadap
variabel terikat E.
Prob > F =0.0000 : Probabilitas Fhitung
Nilai Uji F 0,000. Apabila nilainya < 0,05 maka Uji F menerima H1 pada taraf signifikansi 5% berarti
variabel independen secara simultan mempunyai pengaruh yang signifikan pada variabel dependen.
5) Koefisien Determinan
R-squared = 0.6694
R-Squared adalah Koefisien Determinasi, artinya seberapa besar variabel independen dapat
menjelaskan variabel dependen. Di atas nilainya 0.6694 yang berarti variabel independen dapat
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
a) Membentuk Variabel Residual:
Pada kotak comment di bawah, tuliskan kode “predict res, r” kemudian enter
Residual Data Uji Regresi Linear dengan STATA
Muncul variabel baru yaitu residual (res)
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
Skewness/Kurtosis tests for Normality

joint
Variable Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
res 90 0.2725 0.0016 9.58 0.0083
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
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: fitted values of res
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
Variable VIF 1/VIF
B 2.36 0.424545
K 2.36 0.424545
Mean VIF 2.36
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:
Langkah –langkah selanjutnya yaitu:
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.
e. Klik Data View untuk melihat tampilan data

Analisis regresi dilakukan dengan algoritma berikut:
a. Klik Analys
b. Klik Regression
c. Klik Linear
Muncul Dialog Linear Regression,

89
d. lalu pindahkan variabel dependent (E) ke kotak variabel dependent. Caranya, Klik variabel Ekuitas
Merek, lalu Klik tanda panah agar variabel E pindah ke kolom dependent
e. Pindahkan variabel independent B dan K ke kotak variabel independent. Caranya sama dengan
memindahkan variabel dependent.
f. Klik Statistic
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
Mengacu pada output dapat dilihat parameter-parameter berikut:

a. Koefisien Determinan (Rsquare) sebesar 0.662 atau 66%
b. Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model regresi dalam
memprediksi nilai E. Dari hasil regresi diperoleh angka sebesar 0.791. Berarti banyaknya kesalahan dalam
prediksi E sebesar 0.791.
c. Pengaruh Serempak: Pengaruh serempak variabel eksogen (B dan K) terhadap E dengan Fhitung = 88.08
> 1.96 atau Sig = 0.00 < 0.05 berarti signifikan
d. Persamaan Regresi yang diperoleh yakni: E = 0.525 + 0.525B + 0.345K
e. Pengaruh Parsial: Koefisien pengaruh Brand Experience terhadap ekuitas merek sebesar 0.525, dengan
standar deviasi sebesar 0.096, dan t-hitung sebesar 5.54 > 1.96 berarti signifikan; Koefisien pengaruh
Kepercayaan pelanggan terhadap ekuitas mereka sebesar 0.345 dengan stadar deviasi sebesar 0.095, dan
t-hitung sebesar 3.65 > 1.96 berarti signifikan.
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
Langkah berikutnya adalah melakukan korelasi antara B, K, E dan ABS_RES

7) Klik analyze,
8) Klik Correlate,
9) Klik Bivariate,
10) Hilangkan centang pearson dan centang spearman.
11) Masukkan B, K, E dan ABS_RES ke kotak variabel test
12) Klik OK. Output tampil seperti dibawah ini.

96
Dari uji di atas dapat dilihat nilai Sig. korelasi bivariat dari 3 variabel B, K dan E dengan ABS_RES.
Seluruh nilai Sig. > 0,05 berarti tidak terdapat gejala heteroskedastisitas atau H0 diterima. Model yang baik
tidak terdapat heteroskedassitas
c. Uji multikolinearitas
Untuk memeriksa apakah antar variabel eksogen terdapat korelasi yang sangat kuat ( > 0.90). Jika
terdapat korelasi yang sangat kuat maka terdapat multikolinieritas, sebaliknya tidak terdapat korelasi yang
sangat kuat maka tidak terdapat multikolinieritas. Model yang baik tidak terdapat kolinieritas
1) Klik analyze
2) Corelate
3) Bivariate
4) Masukkan variabel prediktor ke kolom Independent , variabel response ke kolom dependent
5) Centang Pearson
6) Klik Ok
Tampil hasil korelasi bivariate seperti dibawahan ini.
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:
a. Klik Variabel View;

99
b. 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 CAR, NPL, ROE , dan ROA .
c. Kolom Label merupakan nama variabel pada penelitian. Isi sesuai nama variabel yang Anda gunakan.
Pada contoh ini adalah Capital Assets Ratio (CAR) . Non Performing Loan (NPL) , Return on Equity (ROE)
, dan Return On Asset (ROA) Kolom Measure merupakan jenis data. Default-nya SPSS akan mengisi
kolom ini dengan nama Unknown. Silahkan gantinya menjadi Scale.
d. kembali ke menu Data View untuk melihat data
Lakukan pengolahan data yang sudah diinput
d. Klik Analys;
e. Klik Regression;
f. Klik Linear;
g. Muncul Dialog Linear Regression, lalu pindahkan variabel dependent (ROA) ke kotak variabel dependent.
Caranya, Klik variabel ROA, lalu Klik tanda panah .
h. Pindahkan variabel independent ke kotak variabel independent. Caranya sama dengan memindahkan
variabel dependent.
Selanjutnya, lakukan cara seperti gambar berikut:

a. Klik Statistic;
b. Muncul 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
seperti rerata, standar deviasi, dan observasi setiap variabel). Hal ini dilakukan karena kita hanya
melakukan analisis regresi saja;
100
c. Klik Continue;
d. Terakhir klik Ok.
Descriptive Statistics
Mean Std. Deviation N
ROA 2.4842 1.30338 36

CAR 12.5783 2.07234 36
NPL 3.4889 1.88233 36
ROE 36.7128 16.24163 36
Correlations
ROA CAR NPL ROE
Pearson Correlation ROA 1.000 -.013 -.438 .767
CAR -.013 1.000 -.026 -.116
NPL -.438 -.026 1.000 -.166
ROE .767 -.116 -.166 1.000

Sig. (1-tailed) ROA . .469 .004 .000
CAR .469 . .441 .249
NPL .004 .441 . .167
ROE .000 .249 .167 .
N ROA 36 36 36 36
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
a. Dependent Variable: ROA

b. All requested variables entered.
Model Summary
Adjusted R Std. Error of the

Model R R Square Square Estimate
a
1 .831 .691 .662 .75767
a. Predictors: (Constant), ROE, CAR, NPL
101
a
ANOVA
Model Sum of Squares df Mean Square F Sig.

b
1 Regression 41.088 3 13.696 23.858 .000
Residual 18.370 32 .574
Total 59.458 35

b. Predictors: (Constant), ROE, CAR, NPL
a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
1 (Constant) .628 .935 .671 .507
CAR .039 .062 .063 .632 .532
NPL -.219 .069 -.316 -3.173 .003
ROE .058 .008 .722 7.187 .000
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
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
Ho : Secara parsial tidak ada pengaruh signifikan antara NPL dengan ROA.
Ha : Secara parsial ada pengaruh signifikan antara NPL dengan ROA
Berdasarkan tabel diperoleh t hitung sebesar -3.173
105
-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
Ho : Secara parsial tidak ada pengaruh signifikan antara ROE dengan ROA.
Ha : Secara parsial ada pengaruh signifikan antara ROE dengan ROA
Berdasarkan tabel di atas diperoleh t hitung sebesar 7.187
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
Hasilnya muncul variabel RES_1 pada data view
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
sehingga diperoleh luaran di SPSS Output Viewer sebagai berikut:

a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
1 (Constant) 1.231 .412 2.987 .005
CAR -.053 .027 -.314 -1.944 .061
NPL -.026 .030 -.140 -.861 .395
ROE .004 .004 .196 1.198 .240
a. Dependent Variable: AbsUi
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
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
du < dw < (4 – dl),

1.6539 < 1.689 < (4 – 1.2953), berarti tidak terdapat autokorelasi
Run Test
Run test sebagai bagian dari statistik non parametrik dapat pula digunakan untuk menguji apakah
antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi, maka
dikatakan bahwa residual adalah acak atau random. Run test digunakan untuk melihat apakah data residual
terjadi secara random atau tidak (sistematis)
Langkah Analisis
Pilih Analyze →Nonparametric Tests→ Legacy→ Runs… hingga tampak seperti berikut:
Muncul kotal dialog Run Test. Selanjutnya isikan variabel Unstandardized Residual (RES_1) pada kotak
Test Variable List. Pada bagian Cut Point aktifkan Median. Abaikan lainnya, dan tekan OK
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
Case Number Std. Residual ROA Predicted Value Residual
1 1.662 2.41 1.1505 1.25946

2 1.114 3.26 2.4156 .84440
3 -1.278 1.83 2.7982 -.96821
4 .506 2.60 2.2170 .38302
5 1.439 3.03 1.9398 1.09020
6 -.549 1.53 1.9462 -.41621
7 .988 2.77 2.0217 .74835
8 .579 2.27 1.8310 .43895
9 .545 3.04 2.6273 .41267
10 .594 2.76 2.3098 .45017
11 .832 2.62 1.9899 .63005
12 .407 3.15 2.8420 .30803
13 -.378 .45 .7364 -.28639
14 .808 4.25 3.6377 .61228
15 -.284 1.83 2.0453 -.21531
16 .916 .53 -.1640 .69396
17 1.667 5.59 4.3269 1.26312
18 -.447 5.43 5.7688 -.33879
19 1.390 5.37 4.3169 1.05314
20 -.976 1.56 2.2991 -.73915
21 1.366 5.36 4.3250 1.03495
22 -.974 .62 1.3577 -.73772
23 -.126 2.14 2.2358 -.09584
24 -.757 .98 1.5534 -.57336
25 -1.031 2.22 3.0011 -.78105
26 -1.388 2.05 3.1014 -1.05143
27 -.968 2.08 2.8134 -.73342
28 -.147 1.65 1.7612 -.11116
29 -.236 2.03 2.2089 -.17893
30 .017 1.75 1.7371 .01291
31 -1.633 1.94 3.1773 -1.23730
32 -.399 2.11 2.4123 -.30232
33 -.484 2.08 2.4467 -.36672
34 -1.365 1.91 2.9446 -1.03457
35 -.791 2.23 2.8290 -.59897
36 -.619 2.00 2.4688 -.46882
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):
Gambar 6.1 Proses regresi data panel
6.3 Pengembangan Model Estimasi

Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga
pendekatan, antara lain (Baltagi, 2021: Hsiao, 2014).
1. Model Efek Umum (Common Effect Model) atau Pooled Least Square (PLS)
Merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan
data time series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun individu,
sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode ini bisa
menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi
model data panel
2. Model Efek Tetap (Fixed Effect Model)
Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan
intersepnya. Untuk mengestimasi data panel model fixed effects menggunakan teknik variable dummy
untuk menangkap perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena perbedaan
budaya kerja, manajerial, dan insentif. Namun demikian kecenderungannya sama antar perusahaan. Model
estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV). Pendekatan ini
mengasumsikan bahwa intersep dari setiap individu adalah berbeda sedangkan slope antar individu adalah
tetap (sama).
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) .
6.4 Pemilihan Metode Estimasi Regresi Data Panel

Beberapa pengujian yang dapat dilakukan untuk memilih model yang paling tepat yaitu uji Chow, uji
Hausman, dan uji Langrange (Das, 2019 ; Agung, 2014). Tidak seluruh model prediksi data panel cocok
diterapkan. Setiap perusahaan dipengaruhi oleh kondisi internal dan eksternal yang berbeda. Oleh sebab
itu perlu diuji untuk memperoleh model regresi data panel yang paling tepat.
1. Uji Chow
Untuk mengetahui model mana yang lebih baik dalam pengujian data panel, bisa dilakukan dengan
penambahan variabel dummy sehingga dapat diketahui bahwa intersepnya berbeda dapat diuji dengan uji
Statistik F. Uji ini digunakan untuk mengetahui apakah teknik regresi data panel dengan metode Fixed
Effect lebih baik dari regresi model data panel tanpa variabel dummy atau metode efek umum.
Hipotesis nul pada uji ini adalah bahwa intersep sama, atau dengan kata lain model yang tepat untuk
regresi data panel adalah Common Effect, dan hipotesis alternatifnya adalah intersep tidak sama atau model
yang tepat untuk regresi data panel adalah Fixed Effect.
Chow test adalah pengujian untuk menentukan model apakah Common Effect (CE) ataukah Fixed
Effect (FE) yang paling tepat digunakan dalam mengestimasi data panel.
Kriteria Hasil:
H0: Pilih PLS (CE)
H1: Pilih FE (FE)
Statistik F-hitung akan mengikuti distribusi statistik F dengan derajat kebebasan (degree of freedom)
sebanyak m untuk numerator dan sebanyak n – k untuk denumerator. m merupakan merupakan jumlah
pembatasan di dalam model tanpa variabel dummi. Jumlah restriksi adalah jumlah individu dikurang satu.
n merupakan jumlah observasi dan k merupakan jumlah parameter dalam model Fixed Effect. Jumlah
observasi (n) adalah jumlah individu dikali dengan jumlah periode, sedangkan jumlah parameter dalam
model Fixed Effect (k) adalah jumlah variabel ditambah jumlah individu. 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.
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):
Gambar 6.2 Diagram Pemilihan model
6.5 Asumsi Klasik Regresi Data Panel

Metode Regresi Data Panel akan memberikan hasil pendugaan yang bersifat Best Linear Unbiased
Estimation (BLUE) jika semua asumsi Gauss Markov terpenuhi diantaranya adalah non-autcorrelation
(Hidayat, 2014). Pada regresi data panel, tidak semua uji asumsi klasik yang ada pada metode OLS dipakai,
hanya multikolinieritas dan heteroskedastisitas saja yang diperlukan (Widarjono 2007).
Regresi data panel memberikan alternatif model, Common Effect, Fixed Effect dan Random Effect.
Model Common Effect dan Fixed Effect menggunakan pendekatan Ordinary Least Squared (OLS) dalam
teknik estimasinya, sedangkan Random Effect menggunakan Generalized Least Squares (GLS) sebagai teknik
estimasinya. Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least
Squared (OLS) meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas.
Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan
pendekatan OLS.
Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan
bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana tingkat
linieritasnya.
120
Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak bersifat
time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.
Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel bebas.
Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.
Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat ke ciri
data cross section dibandingkan time series.
Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator) dan
beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi (Widarjono 2007).
1. Uji Multikolinieritas
Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel
perlu memenuhi syarat terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Meskipun
demikian, adanya korelasi yang kuat (multikolinieritas) antara variabel bebas dalam pembentukan sebuah
model (persamaan) sangatlah tidak dianjurkan terjadi, karena hal itu akan berdampak kepada keakuratan
pendugaan parameter, dalam hal ini koefisien regresi, dalam memperkirakan nilai yang sebenarnya.
Korelasi yang sangat kuat antara variabel-variabel bebas menjadikan intepretasi koefisien-koefisien
regresi mejadi tidak benar lagi . Meskipun demikian, bukan berarti korelasi yang terjadi antara variabel-
variabel bebas tidak diperbolehkan, hanya kolinieritas yang sempurna (perfect collinierity) saja yang tidak
diperbolehkan, yaitu terjadinya korelasi linier antara sesama variabel bebasnya. Sedangkan untuk sifat
kolinier yang hampir sempurna (hubungannya tidak bersifat linier atau korelasi mendekati nol) masih
diperbolehkan atau tidak termasuk dalam pelanggaran asumsi.
Ada beberapa cara untuk mengidentifikasi adanya multikolinieritas, dan cara yang paling mudah adalah
dengan mencari nilai koefisien korelasi antar variabel bebas.
2. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang terbentuk
memiliki varians yang konstan atau tidak. Suatu model yang baik adalah model yang memiliki varians dari
setiap gangguan atau residualnya konstan. Heteroskedastisitas adalah keadaan dimana asumsi tersebut
tidak tercapai, dengan kata lain dimana adalah ekspektasi dari error dan varians dari eror yang berbeda
tiap periode waktu.
Dampak heteroskedastisitas yaitu tidak efisiennya proses estimasi, sementara hasil estimasinya
tetap konsisten dan tidak bias. Eksistensi dari masalah heteroskedastisitas akan menyebabkan hasil Uji -t
dan Uji-F menjadi tidak berguna (miss leading).
Para penulis masih menemukan dilakukan lakukan uji normalitas dan uji autokorelasi regresi linier
data panel.
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.
6.7 Penggunaan Software Eviews dan Stata

Seorang penelitian ingin mengetahui dan mengkaji pengaruh perubahan laba dan arus kas pada
empat Saham Perusahaan jasa Transportasi yang Go public di BEI, yaitu: PT. Centris Multi Persada P
(CMP) Tbk, PT.Rig Tenders (RIG) Tbk, PT. Samudra Indonesia (SI) Tbk, PT. Pelayaran Tempuran Emas
(PTE) Tbk. Data sekunder yang dikumpulkan selama 4 (empat tahun) disajikan berikut ini:
Tabel 6.1 PerkembanganSaham dari 4 Perusahaan Jasa Transportasi yang Go public di BEI
Harga Arus Perubahan
PRSH Tahun
saham (Y) kas(X1) laba (X2)
CMP 2016 465 0.38 0.74
CMP 2017 1095 3.79 4.69
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
1. Regresi Data Panel Dengan Eviews

Setelah data dipersiapkan, langkah selanjutnya (Tahap Kedua) yaitu menyiapkan template pada
software Eviews 9 yang sesuai dengan data penelitian kita. Berikut ini adalah tahapan-tahapannya:
a. Buka Aplikasi Eviews 9 , maka akan muncul tampilan seperti berikut ini:
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.
Maka akan muncul tampilan seperti ini:
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)
n a m e ( d a l a m h a l i n i d i b e r i n a m a : s a h a m ) . U n t u k menyimpannya pilih ). Untuk

memastikan bahwa data telah terisi dengan sempurna, maka klik satu per satu variabel (Y, X1 dan X2)
sekali lagi dan tutup kembali.
Sampai disini, Bagian pendahuluan telah selesai dan data sudah siap untuk diolah.
e. Estimasi (Membuat Persamaan) Regresi Data Panel

Dalam software Eviews, estimasi model/persamaan (Equation Estimation) dilakukan dengan cara
memunculkan jendela Equation Estimation, lalu menuliskan persamaan/model yang akan diestimasi
dalam jendela Equation Estimation. Ada beberapa cara untuk melakukannya (disini ditunjukkan 2 cara).
Cara Pertama, bisa dengan cara klik Quick => Equation Estimation.
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
Baru klik . Maka akan muncul tampilan seperti berikut ini:
Jika ingin memilih model FE

Klik Estimate
Pilih Panel Option
maka pastikan pada :
Cross-section : Fixed
Period : None Weights,
131
Baru klik . Maka akan muncul tampilan seperti ini: (Dicopy paste ke word)
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
X2 111.7271 24.20838 4.615224 0.0010

X1 16.92710 61.21636 0.276513 0.7878
C 1001.422 312.5706 3.203826 0.0094
Effects Specification
Cross-section fixed (dummy variables)

Jika ingin memilih model RE

Klik Estimate
Pilih Panel Option
maka pastikan pada :
132
Cross-section : Random
Period : None
Weights,
Baru klik . Maka akan muncul tampilan seperti ini: (Dicopy paste ke word)
Method: Panel EGLS (Cross-section random effects)
Date: 11/14/20 Time: 16:07
Sample: 2016 2019
Periods included: 4
Swamy and Arora estimator of component variances
X2 139.1840 21.00072 6.627583 0.0000

X1 103.5721 50.74337 2.041096 0.0621
C 269.4277 179.2996 1.502667 0.1568
S.D. Rho
Cross-section random 0.000000 0.0000

Idiosyncratic random 456.9368 1.0000
Weighted Statistics

133
S.E. of regression 550.0878 Sum squared resid 3933756.
Unweighted Statistics

Sum squared resid 3933756. Durbin-Watson stat 3.407693
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
menyimpannya tekan , maka akan muncul tampilan seperti berikut :
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.
Maka akan tampil seperti dibawah ini:

Redundant Fixed Effects Tests
Equation: MODEL1
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
135
Cross-section F 2.946872 (3,10) 0.0850
Cross-section Chi-square 10.134877 3 0.0175
Cross-section fixed effects test equation:

Date: 11/14/20 Time: 16:19
Sample: 2016 2019
Periods included: 4
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

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:
Correlated Random Effects - Hausman Test

Equation: MODEL1
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Cross-section random 8.264397 2 0.0160
** WARNING: estimated cross-section random effects variance is zero.
Cross-section random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob.
X2 111.727074 139.184013 145.015272 0.0226

X1 16.927099 103.572104 1172.552276 0.0114
Cross-section random effects test equation:

Date: 11/14/20 Time: 16:28
Sample: 2016 2019
Periods included: 4
C 1001.422 312.5706 3.203826 0.0094

X2 111.7271 24.20838 4.615224 0.0010
X1 16.92710 61.21636 0.276513 0.7878

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
Hasilnya seperti dibawah ini

Lagrange Multiplier Tests for Random Effects
Null hypotheses: No effects
Alternative hypotheses: Two-sided (Breusch-Pagan) and one-sided
(all others) alternatives
Test Hypothesis
Cross-section Time Both
Breusch-Pagan 1.103228 3.938358 5.041586

(0.2936) (0.0472) (0.0247)
Honda -1.050347 1.984530 0.660567

-- (0.0236) (0.2544)
King-Wu -1.050347 1.984530 0.660567

-- (0.0236) (0.2544)
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)
*Mixed chi-square asymptotic critical values:

1% 7.289
5% 4.321
10% 2.952
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:
Date: 11/14/20 Time: 16:57
Sample: 2016 2019
Periods included: 4
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
Persamaan Fungsional sebagai berikut: Y = 269.4277 + 103.5721X1 + 139.1840X2

Catatan:
Bila fitur LM test belum ada pada Eviews Software, lakukan algoritma berikut:
Pastikan laptop terkonneksi dengan Internet
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
g. Uji Asumsi Klasik

Uji asumsi klasik akan dilakukan terhadap model terpilih yakni CEM.
1) Uji Normalitas residual dengan Eviews
Jika menggunakan eviews akan lebih mudah menggunakan uji jarque-bera untuk mendeteksi apakah
residual mempunyai distrbusi normal. Uji jarque-bera didasarkan pada sampel besar yang diasumsikan
bersifat asymptotic dan menggunakan perhitungan skewness dan kurtosis. Widarjono, (2007), pengambilan
keputusan uji jarque-bera dilakukan jika:
a) Nilai chi squares hitung < chi squares tabel atau probabilitas jarque-bera > taraf signifikansi, maka tidak
menolak H0 atau residual mempunyai distribusi normal.
b) Nilai chi squares hitung > chi squares tabel atau probabilitas jarque-bera < taraf signifikansi, maka tolak
H0 atau residual tidak mempunyai distribusi normal.
Perlu diingat kembali bahwa asumsi normalitas pada regresi linear OLS adalah pada residual bukan
variabelnya. Pada aplikasi eviews ini, uji normalitas yang bisa kita lakukan adalah menggunakan metode
jarque bera. Cara uji normalitas dengan eviews adalah: silahkan tekan tombol View -> Histogram-
Normality Test. Hasilnya sebagai berikut:
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
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
negatif.
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,
Outputnya sebagai berikut:

Method: Panel EGLS (Cross-section SUR)
Date: 11/14/20 Time: 20:22
Sample: 2016 2019
Periods included: 4
Linear estimation after one-step weighting matrix
X1 86.15017 14.35931 5.999605 0.0000

X2 149.5338 8.186511 18.26588 0.0000
C 241.4902 21.93044 11.01165 0.0000
Weighted Statistics
R-squared 0.995648 Mean dependent var -12.80098

S.E. of regression 0.994292 Sum squared resid 12.85200
144

Sum squared resid 4018634. Durbin-Watson stat 3.616347
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
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
12) Klik File

146
13) Klik Save As
14) Beri nama file (TM6)
15) Kembali ke beranda Stata
b. Tahap Pengembangan Model

Lakukan langkah-langkah seperti dibawah ini.
1) Klik Statistic
2) Klik Longitudinal/Panel Data
3) Klik Set Up And Utilities
4)Klik Declare Dataset to be Panel Data
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
Fixed-effects (within) regression Number of obs = 16

Group variable: prsh Number of groups = 4
R-sq: Obs per group:

within = 0.7639 min = 4
between = 0.9976 avg = 4.0
overall = 0.9547 max = 4
F(2,10) = 16.18
corr(u_i, Xb) = 0.9061 Prob > F = 0.0007
X1 16.9271 61.21636 0.28 0.788 -119.4714 153.3256

X2 111.7271 24.20838 4.62 0.001 57.78745 165.6667
_cons 1001.422 312.5706 3.20 0.009 304.971 1697.872
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
Menampilkan Model REM

22) Klik Statistic
23) Klik Longitudinal/Panel data
24) Klik Linera Models
25) Klik Linear regression (FE,RE,PA,BE)
26) Tampil box combo
27) Klik GLS-Random Effect
28) Klik Use the swamy – arora estimator
29) Klik OK
Tampil model REM berikut ini
. xtreg Y X1 X2, re sa
Random-effects GLS regression Number of obs = 16


within = 0.7443 min = 4
between = 0.9986 avg = 4.0
Wald chi2(2) = 310.21

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000
Y Coef. Std. Err. z P>|z| [95% Conf. Interval]
X1 103.5721 61.0879 1.70 0.090 -16.15798 223.3022

X2 139.184 25.28192 5.51 0.000 89.63236 188.7357
_cons 269.4277 215.8516 1.25 0.212 -153.6336 692.489
sigma_u 0
sigma_e 456.93683
rho 0 (fraction of variance due to u_i)
30)
. Simpan file model REM
31) Klik Statistik
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

F(2, 13) = 155.10
Model 93867405.1 2 46933702.6 Prob > F = 0.0000
Total 97801160.9 15 6520077.4 Root MSE = 550.09
X1 103.5721 61.0879 1.70 0.114 -28.40028 235.5445

X2 139.184 25.28192 5.51 0.000 84.56574 193.8023
_cons 269.4277 215.8516 1.25 0.234 -196.8913 735.7467
38) Simpan file model CEM

.
39) Klik Statistic
41) Klik Manage estimation result
42) Klik Store current estimation in memory, tampil box combo
43) Isi name dengan “CEM”
44) Klik OK, Tampil di beranda berikut ini.
. estimates store CEM
c. Pemilihan Model
1) Uji Chow
Untuk menentukan pilihan antara model CE dan FE
a) Copas syntax berikut ke kolom COMMAND pada sudut kiri bawah beranda
xtreg Y X1 X2, fe
b) Klik Enter
152
. xtreg Y X1 X2, fe
Fixed-effects (within) regression Number of obs = 16


within = 0.7639 min = 4
between = 0.9976 avg = 4.0
F(2,10) = 16.18
corr(u_i, Xb) = 0.9061 Prob > F = 0.0007
X1 16.9271 61.21636 0.28 0.788 -119.4714 153.3256

X2 111.7271 24.20838 4.62 0.001 57.78745 165.6667
_cons 1001.422 312.5706 3.20 0.009 304.971 1697.872
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
. xtreg Y X1 X2, re
Random-effects GLS regression Number of obs = 16


within = 0.7443 min = 4
between = 0.9986 avg = 4.0
Wald chi2(2) = 310.21

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000
X1 103.5721 61.0879 1.70 0.090 -16.15798 223.3022

X2 139.184 25.28192 5.51 0.000 89.63236 188.7357
_cons 269.4277 215.8516 1.25 0.212 -153.6336 692.489
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
Breusch and Pagan Lagrangian multiplier test for random effects
Y[prsh,t] = Xb + u[prsh] + e[prsh,t]
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

F(2, 13) = 155.10
Model 93867405.1 2 46933702.6 Prob > F = 0.0000
Total 97801160.9 15 6520077.4 Root MSE = 550.09
X1 103.5721 61.0879 1.70 0.114 -28.40028 235.5445

X2 139.184 25.28192 5.51 0.000 84.56574 193.8023
_cons 269.4277 215.8516 1.25 0.234 -196.8913 735.7467
e.
.
Uji Asumsi Klasik
Uji asumsi klasik akan dilakukan terhadap model terpilih yakni model CE
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
Shapiro-Wilk W test for normal data
Variable Obs W V z Prob>z
res 16 0.90404 1.944 1.321 0.09331
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
0.00 0.25 0.50 0.75 1.00

Empirical P[i] = i/(N+1)
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
e) Isi variabel dengan variable independent X1 dan X2
156
f) Klik Ok
. 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
. vif
Variable VIF 1/VIF
X1 6.17 0.162057
X2 6.17 0.162057
Mean VIF 6.17
c. Uji Heteroskedassitas
By Click
a) Klik Statistics
b) Klik Linear regression and related
c) Klik Heteroskedastic Linear Regression
d) Masukkan Y ke dependent variabel

157
e) Masukkan X1 dan X2 ke independent variabel
f) Klik SE/Robust
g) Pilih Default standar error
h) Klik Ok
. hetregress Y X1 X2
Fitting full model:
Iteration 0: log likelihood = -122.01225

Heteroskedastic linear regression Number of obs = 16

ML estimation
Wald chi2(2) = 381.79
Log likelihood = -122.0031 Prob > chi2 = 0.0000
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
. quietly reg Y X1 X2
. hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: fitted values of Y
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
xtserial Y X1 X2
. xtserial Y X1 X2
Wooldridge test for autocorrelation in panel data

H0: no first order autocorrelation
F( 1, 3) = 8.944
Prob > F = 0.0581
Prob ˃ F = 0.581 ˃ 0.05, berarti dalam model regresi terdapat gejala autokorelasi
g. Perbaikan Asumsi Klasik

Pada model Ordinary Least Square dan Fixed Effect, apabila terjadi autokorelasi dan
heterokedastisitas pada data panel dapat diperbaiki dengan berbagai macam cara, akan tetapi khusus
Random Effect tidak perlu menguji atau mengatasi permasalahan pada asumsi klasik karena sudah
menggunakan metode GLS. Langkah-langkahnya sebagai berikut:
1) Ordinary Least Square (CEM)
Menulis syntax dikolom command > klik Enter
2) Robust
reg Y X1 X2, ro
3) General Least Square (GLS)
xtgls Y X1 X2
b). Fixed Effect (FEM)
Menulis syntax dikolom command > klik Enter
1). Robust
xtreg Y X1 X2, fe ro
2). General Least Square (GLS)
xtgls Y X1 X2 i.individu
Pada kasus ini yang diuji adalah model CEM
Jika pendekatan yang digunakan Robust
reg Y X1 X2, ro
Output disajikan berikut ini:
159
Persamaan fungsional: Y = 269.4277 + 103.5721X1 + 139.184X2
Jika pendekatan yang digunakan General Least Square (GLS)
xtgls Y X1 X2
Output disajikan berikut ini:
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
6. Kalkulasi matriks invers R1-1

X1 X2 X3
C1 C12 C13
R1-1 = C22 C23
C33
7. Kalkulasi koefisien jalur

ρYX1 C1 C12 C13 rXY1
ρYX2 = C22 C23 rXY2
ρYX3 C33 rXY3
8. Menentukan koefisien determinasi (Rsquare): R2Y(X1X2) = (ρYX1ρYX2) rYX1 rYX2
9. Menghitung pengaruh faktor lain (errorvar) atau residual model
2
ερY = √1 − 𝑅𝑌(𝑥1𝑥2𝑥3…𝑘
10. Analysis of variance (anova)

a. Pengujian secara simultan
Kriteria hipotesis seperti berikut ini:
H0 = ρYXi =…ρYXk = 0
H1 = Sekurang-kurangnya ada satu PρYXi≠0, i=1,2,3
Menggunakan statistik uji F, dengan rumus sebagai berikut:
(𝑛−𝑘−1) 𝑅 2 𝑌(𝑋1,𝑋2,𝑋3)
F-hitung =
𝑘(1− 𝑅 2 𝑌(𝑋1,𝑋2,𝑋3)
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
Mekanisme pengujian diatas mengikuti distribusi t, dengan df = (n-k-1). Kriteria pengujiannya

sebagai berikut:
Jika tobservasi > tnilai kritis, maka H0 ditolak, H1 diterima
Bila tobservasi > tnilaikritis, maka H1 diterima, H0 ditolak
7.3 Model-model dalam analisis jalur

Model analisis jalur terdiri dari dua kategori tergantung pada jumlah dan hubungan antar variabel
yang berinteraksi. Kedua jenis tersebut yakni model tanpa intervening dan model dengan intervening.
Model intervening mencakup analisis jalur dengan mediasi dan analisis jalur dengan moderasi.
1. Diagram jalur tanpa intervening
Model ini sebenarnya merupakan pengembangan dari teknik analisis regresi linier berganda,
dimana variabel eksogen dikorelasikan satu sama lain. Model tersebut mempunyai diagram jalur seperti di
bawah ini:
X1
X2
Gambar 7.1 Diagram lintasan tanpa intervening

Diagram diatas mempelihatkan variabel X1 : Variabel eksogen pertama; variabel X2 : Variabel
eksogen kedua; variabel Y : Variabel dependen
164
2. Diagram lintasan jalur dengan intervening
Dalam hubungan langsung antara variabel eksogen terhadap endogen diintervensi oleh suatu
variabel. Bila variabel yang mengintervensi merupakan konsekuensi dari variabel endogen disebut
mediasi. Jika variabel eksogen bukan anteseden dari variabel yang mengintervensi disebut moderasi.
a. Diagram jalur dengan mediasi
Dalam model ini terdapat hubungan tidak langsung antara variabel eksogen dengan variabel
endogen, disamping hubungan kausal langsung. Variabel yang menghubungkan variabel eksogen terhadap
variabel endogen disebut mediator. X berpengaruh langsung terhadap Y; Y brpengaruh langsung terhadap
Z. X berpengaruh tidak langsung terhadap Z melalui Y. Model ini dapat digambarkan sebagai berikut:
X Z
Gambar 7.2 Diagram lintasan dengan intervening

Gambar diatas menunjukkan variabel X merupakan variabel eksogen, Y variabel mediasi, dan Z
sebagai variabel endogen. Pengaruh tidak langsung X terhadap Z melalui Y.
b. Diagram jalur dengan moderasi
Variabel moderator yakni variabel pihak ketiga yang memodifikasi hubungan antara variabel
independen dan variabel dependen. Atau dapat pula di definisikan bahwa, variabel moderator adalah
variabel yang dapat mempengaruhi (memperkuat dan memperlemah) hubungan antara variabel
independen dan variabel dependen.
X Z
Gambar 7.3 Diagram lintasan dengan moderasi

Dari gambar diatas dapat dilihat, variabel X sebagai variabel eksogen; Variabel Y merupakan variabel
moderator; Variabel Z sebagai variabel eksogen.
7.4 Penerapan Program Aplikasi

Penerapan program aplikasi untuk membantu pengolahan data digunakan 3 software, yakni program
aplikasi SPSS, EViews, dan Stata.
1. Analisis Jalur dengan program aplikasi SPSS
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
Tabel 7.1 Rekap data observasi.

citra layan harga
No.Resp. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
1 3 3 3 1 4 3 3 3 3 4 4
2 4 4 4 4 5 4 4 4 2 5 4
3 1 1 1 2 4 4 5 5 4 5 5
4 5 5 5 3 4 4 4 4 4 4 4
5 3 3 3 5 4 5 4 4 4 4 4
6 4 4 4 1 5 5 5 5 4 5 5
7 4 4 4 4 5 4 5 5 4 5 4
8 4 4 4 1 4 3 4 4 3 4 4
9 5 5 5 2 4 4 4 4 4 4 4
10 5 5 5 1 4 4 4 4 4 4 4
11 1 4 2 2 5 5 5 2 5 5 5
12 1 1 1 3 4 4 4 3 4 5 4
13 5 4 2 4 4 4 4 4 2 2 4
14 3 3 3 1 5 5 5 5 5 5 5
15 2 1 1 3 4 4 4 4 4 4 4
16 5 2 4 1 5 4 5 5 5 4 4
17 5 5 5 4 4 4 4 4 4 4 4
18 4 4 4 4 5 4 4 4 4 4 5
19 5 5 5 4 5 4 4 4 4 4 4
20 5 5 5 5 4 5 4 4 5 5 4
21 4 4 4 4 2 1 2 2 3 2 2
22 5 5 5 2 5 5 5 5 5 4 4
23 4 4 4 5 4 4 4 4 3 4 4
24 2 2 2 1 4 4 4 4 4 4 4
25 1 1 1 1 4 4 4 4 4 4 4
26 4 4 4 5 4 3 4 4 3 4 3
27 4 4 4 1 4 4 4 4 4 4 4
28 3 3 3 4 4 2 4 4 2 4 5
29 1 1 1 1 5 4 5 5 4 5 5
30 5 5 5 3 4 4 4 4 3 4 4
31 2 2 1 4 5 4 5 4 4 4 5
32 5 5 5 3 4 4 3 4 2 4 5
33 1 1 2 5 5 5 5 5 5 5 5
166
citra layan harga
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
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
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
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
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
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
Gambar 7.4 Kerangka Konsep Penelitian

Keterangan gambar:
Hubungan langsung:
Hubungan tidak langsung:
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
Gambar 7.5 Model regresi tahap I

Rsquare = 0.604 , (Sig F= 0.000 ˂ 0.01) Variansi prediktor dapat menjelaskan dengan signifikan
60.4 % variansi variabel dependent (PUAS). Model ini sudah dapat diterima karena memiliki koefisien
determinasi (R2) ˂ 0.5 (Hair et al., 2019)
e1 = √1 − 𝑅 2 = e1 = √1 − 0.604 = 0.63
Persamaan model struktural 1 yakni:
PUAS = 2.478 - 0.031CITRA + 0.139LAYAN + 0.388HARGA + 0.536WOM
b. Model Regresi tahap II

Variabel eksogen pada tahap ini yakni: CITRA, LAYAN, HARGA, WOM, DAN PUAS. Variabel endogen
yakni LOYAL. Hasil pengolahan data dengan SPSS disajikan berikut ini.
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
Gambar 7.6 Integrasi model Multistep Regresi I dan II (Model Struktural)

Rsquare = 0.422 Variansi predictor dapat menjelaskan dengan signifikan (Sig F= 0.000 ˂ 0.01)
42.2.4 % variansi variabel dependent (LOYAL).. Model kedua hampir layak karena memiliki koefisien
determinasi (R2) ˂0.5 ; e2 = √ 1 – 0.422 = 0.76.
LOYAL = 1.328 + 0.011CITRA + 0.277LAYAN + 0.253HARGA + 0.100WOM + 0.190PUAS
Pengaruh antar variabel dari model diatas disusun pada tabel 7.2 seperti berikut ini.
Tabel 7.2 Pengaruh Antar Variabel
Jalur DE IE TE Kesimpulan
CITRA→ PUAS -0.031 Puas bukan
mediator Citra
CITRA→LOYAL 0.011
PUAS→LOYAL 0.190
CITRA→PUAS→ LOYAL -0.031*0.190 = -0.00589 0.011-0.00589 =
0.00511
LAYAN→ PUAS 0.139 Puas bukan
mediator Layan
LAYAN→LOYAL 0.277
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
2) Pengaruh Tidak Langsung

Pengaruh tidak langsung dalam model lengkap analisis jalur terdapat sebanyak 4 lintasan.
a) Pengaruh tidak langsung CITRA→PUAS→LOYAL = -0.00589
Sobel Test untuk uji signifikansi pengaruh tidak langsung Citra terhadap Loyal melalui Puas. .
𝑎𝑒
𝑧=
√ 𝑒 2 𝑆𝐸𝑎2 + 𝑎2 𝑆𝐸𝑒 2
−0.031 ∗ 0.190
𝑧=
√ 0.1902 0.0412 + −0.0312 0.0862
z = -0.71536415
Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 0.949, karena nilai z yang
diperoleh sebesar -0.715 ˂1.958 dengan tingkat signifikansi 5% berarti pengaruh tidak langsung Citra
terhadap Loyal melalui Puas adalah tidak signifikan. Oleh sebab itu Puas bukanlah mediator Citra
b) Pengaruh tidak langsung LAYAN→PUAS→LOYAL = 0.30341
Sobel Test untuk uji signifikansi pengaruh tidak langsung Layan terhadap Loyal melalui Puas dapat
dihitung seperti berikut ini.
𝑏𝑒
𝑧=
√ 𝑒2 𝑆𝐸𝑏 2 + 𝑏 2 𝑆𝐸𝑒 2
0.139 ∗ 0.190
𝑧=
√ 0.1902 0.1032 + 0.1032 0.0862
z = 1.1516588
Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 1.152 karena nilai z yang
diperoleh sebesar 1.152˂1.958 dengan tingkat signifikansi 5% berarti pengaruh tidak langsung Layan
terhadap Loyal melalui Puas adalah tidak signifikan. Oleh sebab itu Puas bukanlah mediator Layan
c) Pengaruh tidak langsung HARGA→PUAS→LOYAL = 0.07372
Sobel Test untuk uji signifikansi pengaruh tidak langsung Harga terhadap Loyal melalui Puas dihitung
seperti berikut ini. .
𝑐𝑒
𝑧=
√ 𝑒 2 𝑆𝐸𝑐 2 + 𝑐 2 𝑆𝐸𝑒 2
0.388 ∗ 0.190
𝑧=
√ 0.1902 0.0412 + 0.3882 0.0862
z = 1.65175557
180
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
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
Gambar 7.7 Kerangka konsep penelitian
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
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
Gambar 7.5 Kerangka konsep persamaan struktural I
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
Date: 12/16/20 Time: 19:07
Sample: 2015 2019
Periods included: 5
ROI 568.2736 166.9478 3.403899 0.0016

ROE -15.00037 47.66706 -0.314690 0.7548
LPS 0.597468 0.134569 4.439867 0.0001
C -1059.411 1174.270 -0.902187 0.3730

Sum squared resid 1.07E+09 Schwarz criterion 20.31080
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)
Date: 12/16/20 Time: 19:11
Sample: 2015 2019
Periods included: 5
ROI 539.4766 185.7473 2.904358 0.0070

ROE 3.929352 52.62938 0.074661 0.9410
LPS 0.589771 0.164668 3.581586 0.0012
C -1439.837 1194.477 -1.205413 0.2378

184
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)
Date: 12/16/20 Time: 19:28
Sample: 2015 2019
Periods included: 5
ROI 562.0796 169.5046 3.316013 0.0021

ROE -10.90458 48.27959 -0.225863 0.8226
LPS 0.596449 0.139173 4.285662 0.0001
C -1143.323 1264.555 -0.904131 0.3719
S.D. Rho

Weighted Statistics

S.E. of regression 5322.204 Sum squared resid 1.02E+09

Sum squared resid 1.07E+09 Durbin-Watson stat 2.269759
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
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.

Equation: Untitled
Cross-section F 1.095981 (7,29) 0.3916


Date: 12/16/20 Time: 19:34
Sample: 2015 2019
Periods included: 5
ROI 568.2736 166.9478 3.403899 0.0016

ROE -15.00037 47.66706 -0.314690 0.7548
LPS 0.597468 0.134569 4.439867 0.0001
C -1059.411 1174.270 -0.902187 0.3730

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
Output uji Hausman disajikan dibawah ini.
Equation: Untitled
Chi-Sq.
ROI 539.476597 562.079613 5770.236489 0.7660

ROE 3.929352 -10.904576 438.933213 0.4789
LPS 0.589771 0.596449 0.007746 0.9395

Date: 12/16/20 Time: 19:36
Sample: 2015 2019
Periods included: 5
C -1439.837 1194.477 -1.205413 0.2378

ROI 539.4766 185.7473 2.904358 0.0070
ROE 3.929352 52.62938 0.074661 0.9410
LPS 0.589771 0.164668 3.581586 0.0012

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
Breusch-Pagan 0.001213 0.569454 0.570667

(0.9722) (0.4505) (0.4500)
Honda 0.034828 0.754622 0.558225

(0.4861) (0.2252) (0.2883)
King-Wu 0.034828 0.754622 0.622982

(0.4861) (0.2252) (0.2666)
Standardized Honda 0.306832 1.096029 -2.165224

(0.3795) (0.1365)
--
Standardized King-Wu 0.306832 1.096029 -1.995082
(0.3795) (0.1365) --
(>= 0.10)

1% 7.289
5% 4.321
10% 2.952
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.
Date: 12/16/20 Time: 20:16
Sample: 2015 2019
Periods included: 5
ROI 568.2736 166.9478 3.403899 0.0016

ROE -15.00037 47.66706 -0.314690 0.7548
LPS 0.597468 0.134569 4.439867 0.0001
C -1059.411 1174.270 -0.902187 0.3730

Persamaan fungsional dari tampilan output diatas ditulis sebagai berikut:

DPS = -1059.411 + 568.2736ROI -15.00037ROE + 0.597468LPS
3) Uji Asumsi Klasik
Model terpilih diatas masih belum dapat dipergunakan untuk keperluan konfirmatori atau prediksi.
Uji asumsi klasik perlu diterapkan untuk memeriksa kelayakannya. Pengujian yang dilakukan yaitu:
a) Uji Normalitas Residual
Langkah uji normalitas residual data panel dapat dilihat pada bab VI. Hasil pengujian disajikan
gambar 7.9.
24
Sample 2015 2019
20
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
0
-15000 -10000 -5000 0 5000 10000 15000 20000
Gambar 7.9 Grafik p-p plot normalitas residual
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.
ROI ROE LPS

ROI 1 0.7761690823746999 -0.0001608508791895078
ROE 0.7761690823746999 1 0.2921803736885371
LPS -0.0001608508791895078 0.2921803736885371 1
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
Date: 12/16/20 Time: 21:33
Sample: 2015 2019
Periods included: 5
C 444.5554 531.8467 0.835871 0.4087

ROI 451.8373 75.61349 5.975617 0.0000
ROE -11.58729 21.58922 -0.536717 0.5948
LPS 0.016847 0.060948 0.276408 0.7838

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.
Date: 12/16/20 Time: 22:00
Sample: 2015 2019
Periods included: 5
White cross-section standard errors & covariance (d.f. corrected)
ROI 568.2736 285.7209 1.988911 0.0544

ROE -15.00037 13.66644 -1.097606 0.2797
LPS 0.597468 0.058334 10.24220 0.0000
C -1059.411 558.4096 -1.897194 0.0658

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
negatif.
Tabel Durbin Watson

T K dL dU
40 3 1.3384 1.6589
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
Gambar 7.10 Model regresi data panel tahap II
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
Date: 12/16/20 Time: 23:40
Sample: 2015 2019
Periods included: 5
ROI 202.8450 94.78678 2.140014 0.0394

ROE 40.63590 23.57171 1.723926 0.0935
LPS 0.202318 0.082670 2.447316 0.0196
DPS -0.087094 0.082305 -1.058187 0.2972
C 1885.602 586.4069 3.215518 0.0028

193
Persamaan fungsional dari output eviews diatas dapat ditulis sebagai berikut:
HS = 1885.602 + 202.8450ROI + 40.63590ROE + 0.202318LPS - 0.087094DPS
b) FEM
Date: 12/16/20 Time: 23:41
Sample: 2015 2019
Periods included: 5
ROI 208.9328 105.8505 1.973848 0.0583

ROE 34.82328 26.39969 1.319079 0.1978
LPS 0.218803 0.099191 2.205881 0.0358
DPS -0.083238 0.093139 -0.893700 0.3791
C 1976.266 613.9353 3.219014 0.0032

HS = 1976.266 + 208.9328ROI + 34.82328ROE + 0.218803LPS - 0.083238DPS
c) REM
Date: 12/16/20 Time: 23:42
Sample: 2015 2019
Periods included: 5
ROI 205.3280 100.0421 2.052416 0.0477

ROE 38.17160 24.86592 1.535097 0.1338
LPS 0.208887 0.090030 2.320186 0.0263
DPS -0.085796 0.087443 -0.981162 0.3332
C 1926.533 737.6792 2.611614 0.0132
194
S.D. Rho

Weighted Statistics

S.E. of regression 2565.149 Sum squared resid 2.30E+08

Sum squared resid 2.54E+08 Durbin-Watson stat 0.835814
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
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.
Equation: Untitled
Cross-section F 0.937368 (7,28) 0.4940


Date: 12/16/20 Time: 23:44
195
Sample: 2015 2019
Periods included: 5
ROI 202.8450 94.78678 2.140014 0.0394

ROE 40.63590 23.57171 1.723926 0.0935
LPS 0.202318 0.082670 2.447316 0.0196
DPS -0.087094 0.082305 -1.058187 0.2972
C 1885.602 586.4069 3.215518 0.0028

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
Equation: Untitled
Chi-Sq.
ROI 208.932815 205.327967 1195.905940 0.9170

ROE 34.823278 38.171601 78.629391 0.7057
196
LPS 0.218803 0.208887 0.001733 0.8118
DPS -0.083238 -0.085796 0.001028 0.9364

Date: 12/16/20 Time: 23:45
Sample: 2015 2019
Periods included: 5
C 1976.266 613.9353 3.219014 0.0032

ROI 208.9328 105.8505 1.973848 0.0583
ROE 34.82328 26.39969 1.319079 0.1978
LPS 0.218803 0.099191 2.205881 0.0358
DPS -0.083238 0.093139 -0.893700 0.3791

Nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya
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
Test Hypothesis
Breusch-Pagan 0.020542 2.317818 2.338360

(0.8860) (0.1279) (0.1262)
Honda -0.143326 -1.522438 -1.177873

-- -- --
King-Wu -0.143326 -1.522438 -1.300914

-- -- --
Standardized Honda 0.126179 -1.352273 -4.203399

(0.4498) -- --
Standardized King-Wu 0.126179 -1.352273 -4.256695
(0.4498) -- --
(>= 0.10)

1% 7.289
5% 4.321
10% 2.952
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:
Date: 12/17/20 Time: 00:00
Sample: 2015 2019
Periods included: 5
ROI 202.8450 94.78678 2.140014 0.0394

ROE 40.63590 23.57171 1.723926 0.0935
LPS 0.202318 0.082670 2.447316 0.0196
DPS -0.087094 0.082305 -1.058187 0.2972
C 1885.602 586.4069 3.215518 0.0028

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
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
0
-3000 -2000 -1000 0 1000 2000 3000 4000 5000
Gambar 7.11 Diagram Hasil Uji normalitas residual

Berdasarkan informasi diatas dapat diketahui nilai probabilitas Jarque-Bera = 0.073740 > 0.050000.
Berarti data residual model berdistribusi normal.
b) Uji Multikolinieritas
Kelompok data variabel eksogen tidak boleh berkorelasi sangat kuat r > 0.90. Jika terjadi demikian
maka terjadi masalah multikolinieritas. Oleh sebab itu perlu dilakukan pengujian.
ROI ROE LPS DPS

ROI 1 0.776169082374 -0.0001608508791 0.57243084349585
ROE 0.7761690823746 1 0.29218037368853 0.57610137507881
LPS -0.000160850879 0.292180373688 1 0.51468986734889
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
Date: 12/17/20 Time: 00:09
Sample: 2015 2019
Periods included: 5
C 2327.165 246.0214 9.459196 0.0000

ROI -89.73297 39.76689 -2.256474 0.0304
ROE 18.48969 9.889288 1.869668 0.0699
LPS -0.092046 0.034683 -2.653899 0.0119
DPS 0.014459 0.034530 0.418723 0.6780

Sum squared resid 44741905 Schwarz criterion 17.22653
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.
Date: 12/17/20 Time: 00:34
Sample: 2015 2019
Periods included: 5
White cross-section standard errors & covariance (d.f. corrected)
WARNING: estimated coefficient covariance matrix is of reduced rank
200
ROI 202.8450 56.38153 3.597721 0.0010

ROE 40.63590 23.28415 1.745217 0.0897
LPS 0.202318 0.024255 8.341444 0.0000
DPS -0.087094 0.044604 -1.952614 0.0589
C 1885.602 388.4050 4.854731 0.0000

Persamaan model diatas secara fungsional dapat ditulis sebagai berikut:

HS = 1885.602 + 202.8450ROI + 40.63590ROE + 0.202318LPS - 0.087094DPS
d) Uji Autokorelasi
negatif.
Tabel Durbin Watson
T K dL dU
40 4 1.2848 1.7209
dw < dl, berarti terdapat autokorelasi positif

Perbaikan autokorelasi:
Pada saat berada di bagian estimation equation, klik Option lalu pilih Cross-section SUR (PCSE) atau HAC
(Newey-West) lalu Ok seperti ini hasilnya:
Date: 12/17/20 Time: 00:48
Sample: 2015 2019
Periods included: 5
Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected)
201
ROI 202.8450 83.57229 2.427180 0.0205

ROE 40.63590 22.06739 1.841445 0.0740
LPS 0.202318 0.049884 4.055777 0.0003
DPS -0.087094 0.071523 -1.217707 0.2315
C 1885.602 481.5354 3.915811 0.0004

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
Gambar 7.12 Model lengkap penelitian
1) Koefisien Pengaruh tidak Langsung:

Koefisien pengaruh tidak langsung ROI terhadap HS melalui DPS = 568.2736*-0.087094
Koefisien pengaruh tidak langsung ROE terhadap HS melalui DPS = -15.00037*-0.087094.
Koefisien pengaruh tidak langsung LPS terhadap HS melalui DPS = 0.597468*-0.087094
2) Analisis varians (dengan Uji Sobel)
Uji sobel dimaksud untuk memeriksa pengaruh tidak langsung yang terdapat pada model analisis
jalur lengkap. Koefisien pengaruh langsung dan standar deviasi seperti disajikan pada sebagai faktor
penentu besarnya signifikansi.
Tabel 7.5 Koefisien dan standar deviasi pengaruh langsung
Simbol Pengaruh Langsung Koefisien Simbol Standar Deviasi
a ROI →DPS 568.2736 A 285.7209
b ROE →DPS -15.00037 B 13.66644
c LPS→ DPS 0.597468 C 0.058334
d DPS→ HS -0.087094 D 0.071523
Hasil dari uji Sobel yakni:
a) Z-hitung ROI → DPS → HS = -1.03773774 ˂ -1.96 , berarti tidak signifikan. DPS bukan mediator ROI
terhadap HS
b). Z-hitung ROE →DPS → HS = 0.81489865 ˂ 1.96 , berarti tidak signifikan. DPS bukan mediator ROE
terhadap HS
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
Gambar 7.13 Kerangka Konsep Penelitian

204
f. Pilih ( File excel yang akan diolah)
g. Pilih file “Data analisis jalur stata”
h. Click Import first row as a variabel name
i. Click OK
j. Click Data
k. Click Data Editor
l. Click Data Editor (Edit), tampil data mentah
m.Click File
n. Click Save AS
o. Beri nama file……… (Models)
p. Kembali ke beranda stata
q. Click Statistik
r. Click SEM (Structural Equation Model)
s. Click Model building and estimation, tampil halaman untuk menggambar jalur
t. Gambar kotal sebanyak 6 buah (Jumlah variabel)
u. Click Tanda kotak, untuk membuat kotak
v. Click Tanda panah lurus tebal untuk mengganti-ganti perintah

w. Click Tanda panah tipis untuk menghubungkan jalur (eksogen ke endogen)
205
x. Click Tanda panah melengkung untuk menghubungkan korelasi antar variabel eksogen
y. Click Kanan mouse dikotak lalu seret (drag) ke area gambar
z. Click Lagi kotak untuk menggandakan lalu seret ke tempat lain
Setelah jumlah kotak cukup (6 kotak atau 6 variabel) ; Hubungkan variabel eksogen ke endogen
dengan tanda panah tipis; Hubungkan antar variabel eksogen dengan panah lengkung . Tampilan output
stata akan muncul seperti dibawah ini
Untuk memberikan label variabel, lakukan langkah-langkah berikut:

a. Click Tanda panah tebal
b. Click Kotak
c. Click Object
d. Click Properties, tampil box combo, dapat dilihat pada sisi kanan
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.
i. Click OK, Tampil outputnya seperti dibawah ini.
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
Fitting target model:

Structural equation model Number of obs = 119

Estimation method = ml
Log likelihood = -998.73879
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
mean(ED) 5.221261 .1318067 39.61 0.000 4.962924 5.479597

mean(KE) 5.132353 .1405154 36.53 0.000 4.856948 5.407758
mean(KKS) 5.042017 .1324136 38.08 0.000 4.782491 5.301543
mean(KK) 5.014454 .1375844 36.45 0.000 4.744793 5.284114
var(e.OCB) .3883425 .050345 .3012066 .5006859

var(e.KS) .3959994 .0513377 .3071455 .5105578
var(ED) 2.067387 .2680177 1.603509 2.665461
var(KE) 2.349605 .3046045 1.822403 3.02932
var(KKS) 2.08647 .2704915 1.61831 2.690063
var(KK) 2.252608 .2920298 1.74717 2.904263
cov(ED,KE) .9231945 .2190474 4.21 0.000 .4938694 1.35252

cov(ED,KKS) 1.181712 .2190504 5.39 0.000 .7523809 1.611043
cov(ED,KK) 1.035747 .2194299 4.72 0.000 .6056727 1.465822
cov(KE,KKS) 1.439817 .24211 5.95 0.000 .9652902 1.914344
cov(KE,KK) 1.247625 .2399108 5.20 0.000 .7774083 1.717841
cov(KKS,KK) 1.300128 .2317332 5.61 0.000 .8459393 1.754317
LR test of model vs. saturated: chi2(0) = 0.00, Prob > chi2 = .

.
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| =
Pengaruh langsung KE KS = 0.63, standar deviasi sebesar 0.06, Z-hitung = -11.13 ˃ 1.96 atau P˃ | z| =
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| =
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
Covariance ED,KK = 1.04 dengan standar deviasi sebesar 0.22, memiliki probabilitas Z-hitung sebesar 0.00
211
Covariance KE,KKS = 1.44 dengan standar deviasi sebesar 0.24, memiliki probabilitas z hitung sebesar 0.00
Covariance KE,KK = 1.25 dengan standar deviasi sebesar 0.24, memiliki probabilitas Z-hitung sebesar 0.00
Covariance KKS,KK = 1.30 dengan standar deviasi sebesar 0.23, memiliki probabilitas z hitung sebesar 0.00
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
diskriminan yang baik

𝐶𝑂𝑉 (𝐸𝐷,𝐾𝐾𝑆) 1.18
Korelasi ED,KKS = 𝛿𝐸𝐷.𝛿𝐾𝐾𝑆
= 2.1∗2.1
= 0.27 ˂ 0.90. Jadi kedua variabel eksogen ini memiliki validitas

𝐶𝑂𝑉 (𝐸𝐷,𝐾𝐾) 1.04
Korelasi ED,KK = 𝛿𝐸𝐷.𝛿𝐾𝐾
= 2.1∗2.3

𝐶𝑂𝑉 (𝐾𝐸,𝐾𝐾𝑆) 1.44
Korelasi KE,KKS = 𝛿𝐾𝐸.𝛿𝐾𝐾𝑆
= 2.3∗2.1

𝐶𝑂𝑉 (𝐾𝐸,𝐾𝐾) 1.25
Korelasi KE,KK = 𝛿𝐾𝐸.𝛿𝐾𝐾
= 2.3∗2.3

𝐶𝑂𝑉 (𝐾𝐾𝑆,𝐾𝐾) 1.30
Korelasi KKS,KK = 𝛿𝐾𝐾𝑆.𝛿𝐾𝐾
= 2.1∗2.3

Model diatas memiliki validitas diskriminan yang baik. Seluruhnya memiliki korelasi bivariate
dibawah 0.90.
d. Pemeriksaan kelayakan model analysis jalur (goodness of fit)
Untuk memeriksa apakah model diatas sudah fit secara keseluruhan, lakukan langkah – langkah
berikut:
1) Click Global fit estimation
2) Click Goodness of fit
3) Click Overall goodness of fit, tampil box combo dibawah ini
212
4) Pilih : Goodness of fit statistic (GOF)
5) Pilih: All of the above, diperoleh output seperti berikut:
. estat gof, stats(all)
Fit statistic Value Description
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
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.
Equation-level goodness of fit
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
mc = correlation between depvar and its prediction

mc2 = mc^2 is the Bentler-Raykov squared multiple correlation coefficient
R2 OCB = 0.78…..Variansi OCB , sebesar 78% dapat diterangkan oleh predictornya (ED, KE, KKS, dan KK);
R2 KS = 0.84…..Variansi KS sebesar 84% dapat diterangkan oleh predictornya (ED, KE, KKS, KK, dan OCB);
Overall (CD) = 0.914… Variansi seluruh model dapat diterangkan oleh variansi predictornya sebesar
91.4%.
d. Estimasi pengaruh langsung (direct effect), pengaruh tidak langsung (indirect effect), dan pengaruh total
(total effect) . Langkah-langkahnya sebagai berikut:
1) Click Estimate
2) Click Testing and CLS
3) Click Direct and indirect effect
4) Click Decomposition of effect in total, Indirect, and direct.
5) Click Report P-Value test statistic, and confidence interval
6) Click OK, tampil output stata seperti berikut:
Dari output dibawah ini dapat dilihat terdapat empat jalur pengaruh tidak langsung dalam analysis
jalur yakni: Pengaruh tidak langsung ED terhadap KS melalui OCB (ED → OCB → KS); Pengaruh tidak
langsung KE terhadap KS melalui OCB (KE → OCB → KS); Pengaruh tidak langsung KKS terhadap KS melalui
OCB (KKS → OCB → KS); Pengaruh tidak langsung KK terhadap KS melalui OCB (KK → OCB → KS).
215
Pengaruh tidak langsung ED → OCB → KS sebesar 0.20 dengan standar error sebesar 0.05, zhitung
sebesar 4.23 ˃ 1.96, probabilitas zhitung sebesar 0.00 ˂ 0.05, dengan confidence interval (berada antara
0.11 hingga 0.29) menunjukkan signifikan. OCB merupakan mediator ED terhadap KS.
Pengaruh tidak langsung KE → OCB → KS sebesar 0.12 dengan standar error sebesar 0.03, zhitung
0.05 hingga 0.19) menunjukkan signifikan. OCB merupakan mediator KE terhadap KS.
Pengaruh tidak langsung KKS → OCB → KS sebesar -0.02 dengan standar error sebesar 0.03, zhitung
sebesar -0.64 ˂ -1.96, probabilitas zhitung sebesar 0.521 ˂ 0.05, dengan confidence interval (berada antara
-0.07 hingga 0.04) menunjukkan tidak signifikan. OCB bukan mediator KS terhadap KS.
. estat teffects
Direct effects
OIM
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
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
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
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
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.
6) Click Report P-value test statistic, and confidence interval

7) Click OK, tampil hasil seperti dibawah 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
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
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
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

Penelitian Bisnis Dengan SPSS STATA Dan Eviews v2 - Compressed

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Penelitian Bisnis Dengan SPSS STATA Dan Eviews v2 - Compressed

Diunggah oleh

Hak Cipta:

Format Tersedia

Kata Pengantar

Runggu Besmandala Napitupulu, lulusan S1 jurusan manajemen

Torang P. Simanjuntak, menyelesaikan studi S.1 pada program studi

Lamminar Hutabarat , Lulusan S1 jurusan manajemen dari Universitas

Hormaingat Damanik, lahir di Tanjung Mariah ,Simalungun pada tahun

Ronnie Togar Mulia Sirait, adalah Staf Pengajar pada Program

Chainar Elli Ria Lumban Tobing, lahir di Medan 05 Januari 1961,

1.2 Pengolahan Data

1.3 Penelitian Bisnis

•Persiapan data mentah/empiris

•Konsep, proposisi, teori, teknik, dan lain-lain

Sumber: Dikembangkan oleh penulis, 2021

Gambar 2.1 Proses Penelitian Hingga Luaran

2.1 Hasil Uji validitas dan reliabilitas instrumen

2.3. Hasil uji asumsi klasik

2.5 Hasil Uji Kesesuaian Model

2.6 Input Data untuk Software

2.7 Data Stadardized

1. Data Cross Section

2.8 Varian dan kovarian

Sumber: diolah dari data hipotesis, 2021

Standar deviasi merupakan akar kuadrat dari varian tersebut.

Banyak baris, m = 3; Banyak kolom, n = 3; Ordo matriks, m x n = 3 x 3. Notasi matriks menggunakan

adalah matriks kolom

b. Matriks Persegi/Bujur Sangkar

A adalah matrik berordo 3

B adalah matriks persegi berordo 2

c. Matriks Segitiga Atas dan Segitiga Bawah

adalah matriks segitiga bawah.

Matriks harga mobil adalah:

Matriks jumlah penjualan adalah:

2. Input matrik data opini respoden (ordinal)

6.714 -0.624 -0.793 -0.066

2.11 Gambaran Umum IBM SPSS Statistik , Stata, dan EViews

3.1 Uji Instrumen

3.2 Uji Validitas

3.3 Uji Reliabilitas

2. Tabulasi jawaban/opini respoden pada excel

NO BUTIR PERNYATAAN TO-

f. Klik Analyze - Correlate – Bivariate

h. Klik OK dan Tampilkan hasil analisis

No.Butir t-hitung t-tabel Keterangan Simpulan

Kesembilan butir yang valid diatas , selanjutnya akan diuji reliabilitasnya.

Latihan 2. Uji Instrumen dengan Stata

. corr b1- total

b10 b11 b12 b13 b14 b15 total

No.Butir thitung ttabel Keterangan Simpulan

1 0.8295 0,349 ≥ 0,349 Valid

8 0.3735 0,349 ≥ 0,349 Valid

. alpha b1 b3 b4 b5 b7 b8 b9 b13 b14, item

Test scale = mean(unstandardized items)

b1 32 + 0.8512 0.8039 .1078629 0.6914

Test scale .1197357 0.7564

4.1. Konsep Dasar Regresi Linier Sederhana

Sumber: (Das, 2019)

4.2 Prosedur Penting Dalam Regresi Linier Sederhana

Sumber. Statmat, 2021

4.3 Asumsi Regresi Linier Sederhana

4.4. Teknik memperoleh garis regresi

4.7. Kesalahan Baku Estimasi (Standar deviasi)

4.8 Contoh Regresi Linier Sederhana

Persamaan regresi diperoleh : Y’ = -1,3147 + 4,5413X

t-hitung ˃ t-tabel, maka: Ho ditolak, Ha (Ha : b ≠ 0) diterima ………….Signifikan (Biaya promosi