13_20152016_Genap_ST

8/15/2019 13_20152016_Genap_ST

1/71

MODUL PRAKTIKUM

ALAT ANALISIS

STATISTIK

LABORATORIUM STUDI MANAJEMEN

JURUSAN MANAJEMEN – FAKULTAS EKONOMI

UNVERSITAS SULTAN AGENG TIRTAYASA

L A B O R A T O R I U M S T U D I M A N A J E M E N

2 0 1 4

TIM PENYUSUN :

DR. WAWAN ICHWANUDIN, SE., M.Si.

DR. AKHMADI, SE., MM..

YANTO AZIE SETYA, SE., M.Si.

EDISI REVISI KEDUA

8/15/2019 13_20152016_Genap_ST

2/71

Laboratorium Studi Manajemen i

KATA PENGANTAR

Syukur Alhamdulillah pada kesempatan ini kami dapat menyusun “Modul Praktikum Alat

Analisis Statistik Edisi Revisi II”. Modul ini digunakan untuk kegiatan Praktikum Alat

Analisis Statistik yang merupakan penunjang kuliah Metodologi Penelitian.

Modul ini berisikan tentang kasus aktual beserta lembar kerjanya. Praktikum ini bertujuan

untuk membantu mahasiswa dalam mempelajari persoalan-persoalan yang muncul pada Alat

Analisis Statistik, menganalisanya dan sekaligus melatih keterampilan mahasiswa dalam

memecahkan dan mengambil keputusan berkaitan dengan Alat Analisis statistik.

Kami sadar bahwa dalam penyempurnaan modul ini harus terus dilakukan oleh karena itu

kami mengharap kritik dan sekaligus menerima masukkan kasus atau materi lainnya untuk

menambah khasanah pembelajaran kepada mahasiswa.

Akhirnya kami mengajak kepada seluruh mahasiswa, terutama yang sedang menempuh

praktikum Analisis Statistik untuk membaca dan mempelajari kembali teori Statistik dan

Metodologi Penelitian khususnya berkaitan dengan Metodologi Penelitian sebelum praktikum

dilaksanakan.

Serang, September 2014

Laboratorium Studi Manajemen

Kepala

Yanto Azie Setya, SE., M.Si.

8/15/2019 13_20152016_Genap_ST

3/71

Laboratorium Studi Manajemen ii

DAFTAR ISI

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

DAFTAR ISI .................................................................................................................... ii

BAB I PENDAHULUAN

1.1 PENGERTIAN STATISTIK .............................................................................. 1

1.2 DATA ................................................................................................................ 1

1.2.1

DATA BERDASARKAN BILANGAN PENGUKURAN ................... 1

1.2.2 DATA BERDASARKAN SKALA PENGUKURAN ........................... 1

BAB II STATISTIK DESCRIPTIVE

2.1 FREQUENCIES .................................................................................................. 3

2.2 DESCRIPTIVES .................................................................................................. 9

2.3 EXPLORE ............................................................................................................ 10

2.4

CROSSTAB ......................................................................................................... 13

BAB III VALIDITAS DAN RELIABILITAS INSTRUMEN

3.1 VALIDITAS ........................................................................................................ 15

3.2 RELIABILITAS .................................................................................................. 16

A. TEKNIK PENGUKURAN VALIDITAS ...................................................... 16

B.

TEKNIK PENGUKURAN RELIABILITAS ................................................ 16

BAB IV METHOD OF SUCCESIVE INTERVAL (MSI) ............................................. 22

BAB V KORELASI

A. KORELASI DATA NOMINAL .......................................................................... 26

B. KORELASI DATA ORDINAL ........................................................................... 28

C. KORELASI DATA INTERVAL DAN RATIO .................................................. 29

BAB VI MODEL REGRESI

5.1

REGRESI SEDERHANA .................................................................................... 32

5.2 REGRESI BERGANDA ...................................................................................... 34

5.3 UJI ASUMSI KLASIK ........................................................................................ 36

A. UJI LINIERITAS ........................................................................................... 36

B. UJI NORMALITAS ....................................................................................... 39

C. UJI MULTIKOLINEARITAS ....................................................................... 41

D. UJI HETEROSKEDASTISITAS ................................................................... 43

E.

UJI AUTOKORELASI .................................................................................. 44

5.4 REGRESI BINARY ............................................................................................. 45

8/15/2019 13_20152016_Genap_ST

4/71

Laboratorium Studi Manajemen iii

5.5

REGRESI BERGANDA VARIABEL DUMMY ................................................ 48

BAB VII REGRESI MODERATING ............................................................................. 51

BAB VIII REGRESI INTERVENING ............................................................................ 59

DAFTAR PUSTAKA ...................................................................................................... 66

8/15/2019 13_20152016_Genap_ST

5/71

Laboratorium Studi Manajemen 1

BAB I

PENDAHULUAN

1.1. PENGERTIAN STATISTIKA

Menurut Random House College Dictionary, Statistik dapat didefinisikan sebagai berikut:

“Ilmu Data, yang meliputi pengumpulan, pengklasifikasian, rangkuman, pengorganisasian, dan

penginterpretasian informasi dalam numeric / angka (McClave, dalam Mudrajad Kuncoro, 2001).

Secara Umum, Aplikasi statistic dalam bisnis dan ekonomi dapat digolongkan menjadi:

a. Statistik Deskriftif, yaitu menggunakan metode numeric dan grafis untuk mengenali pola

sejumlah data, merangkum informasi yang terdapat dalam data tersebut, dan menyajikan

informasi tersebut dalam bentuk yang diinginkan.

b. Statistik Inferensi / Induktif, yaitu menggunakan data sample untuk membuat estimasi,

keputusan, prediksi, atau generalisasi mengenai “populasi”

1.2. DATA

Adalah sesuatu yang dimiliki oleh anggota dari populasi yang dapat diukur. Misalnya

populasi manusia, anggota populasinya adalah manusia, yang dapat diukur dari manusia misalnya

tinggi badan, berat badan, kepintaran, dan lain-lain.

Dapat dapat dibedakan kedalam beberapa jenis, diantaranya (1) Membedakan data

berdasarkan bilangan pengukurannya. (2) Membedakan data berdasarkan skala pengukurannya.

1.2.1. Data Berdasarkan Bilangan Pengukuran

a. Data Diskrit : Adalah data yang pengukurannnya tidak memiliki bilangan decimal. Misalnya

Data jumlah mahasiswa.

b. Data Kontinus : Adalah data yang pengukurannya memiliki bilangan decimal. Misalnya data

Berat Badan mahasiswa.

1.2.2. Data Berdasarkan Skala Pengukuran

a. Data Nominal : Data yang dinyatakan dalam bentuk katagori. Contoh gender diklasifikasikan

menjadi : 1. Laki-Laki

2. Wanita

b. Data Ordinal : Data yang ukurannya dapat membedakan antara satu kelompok dengan

kelompok lainnya dan dapat menunjukkan tingkatan atau urutan antar kelompok tetapi

perbedaaan jarak atau bobot dari satu kelompok dengan kelompok lainnya tidak sama. Operasi

matematika tidak dapat digunakan untuk jenis data iniContoh : Kepuasan Konsumen

8/15/2019 13_20152016_Genap_ST

6/71


1. Sangat Puas

2. Puas

3. Cukup Puas

4. Tidak Puas

5. sangat Tidak Puas

c. Data Interval : Data yang diperoleh dengan cara pengukuran dimana jarak atau bobot antar

kelompok satu dengan kelompok lainnya sama. Data Interval tidak memiliki nilai 0 (nol

Mutlak). Misalnya suhu 0 Derajat celcius bukan berarti tidak ada suhu. Operasi. matematika

dapat digunakan untuk jenis data ini.

d. Data Rasio : Data yang diperoleh dengan cara pengukuran dimana jarak atau bobot antar

kelompok satu dengan kelompok lainnya sama dan memiliki nilai 0 (nol Mutlak). Misalnya

Jumlah Tabungan. Jika Rp. 0 berarti sama sekali tidak ada tabungan.

Data yang masuk Jenis Data Diskrit adalah Ordinal dan Nominal, Sedangkan Data yang

masuk dalam Jenis Data Kontinus adalah interval dan Rasio

8/15/2019 13_20152016_Genap_ST

7/71


BAB II

STATISTIK DESCRIPTIVE

(Dengan Aplikasi Program IBM STATISTICS SPSS 20)

Dalam IBM Statistics SPSS 20, metode statistik Deskriptive dapat dilakukan dengan menu

DESCRIPTIVE STATISTICS yang terdiri atas :

1. FREQUENCIES : Menu ini dapat digunakan untuk menampilkan dan mendeskrifsikan data

yang terdiri atas satu variabel saja, jika lebih dari satu variabel, variabel-variabel tersebut akan

ditampilkan secara terpisah. Data dideskriftifkan dalam bentuk : Mean, Median, Mode,

Quartiles, Percentiles, standar deviasi.

2. DESCRPTIVES : Menu ini tidak menampilkan tabulasi frekuensi, tetapi menampilkan

besaran statistik yang akan dideskripsikan pada sebuah variable seperti : Mean, Standar

Deviasi, Varians, bentuk data (skewness dan kurtosis) serta ukuran lainnya.

3. EXPLORE : Pada Menu ini data statistik yang akan dioleh semakin kompleks dan dilengkapi

dengan cara pengujian kenormalan data, yang dapat diukur degan cara tertentu, atau

ditampilkan dalam bentuk Box-Plot atau steam leaf .

4. CROSSTAB: Pada menu Crosstab data ditampilkan dalam bentuk tabulasi silang. Selain itu,

menu ini dilengkapi dengan perhitungan Chi-Square untuk uji independensi dan berbagai alat

korelasi antar dua variable dalam baris dan kolom.

FREQUENCIESTabel 1 : Data Descriptive : PT. Roni Sejahtera

Variabel Type Keterangan Values

Gender Numerik Jenis KelaminKonsumen

1 = Wanita2 = Pria

Profesi Numerik Profesi Konsumen 1 = Karyawan Swasta2 = PNS3 = Wiraswasta

4 = Mahasiswa

5 = Ibu Rumah tangga6 = Lain-lain

Expense Numerik Tingkat PengeluaranKonsumen

Frek Numerik Pembelian Mie

Tabel 2 : Isi Data PT. Roni Sejahtera

No Gender Profesi Expense Frek

1 Pria Karyawan Swasta 202 7

2 Pria Wiraswasta 332 7

3 Wanita PNS 402 9

4 Pria Mahasiswa 452 8

5 Wanita Ibu Rumah Tangga 662 10

6 Wanita Lain-lain 472 9

7 Pria PNS 512 98 Wanita Wiraswasta 438 8


10 Wanita Lain-lain 1072 12

8/15/2019 13_20152016_Genap_ST

8/71


No Gender Profesi Expense Frek

11 Wanita Mahasiswa 722 9

12 Pria Mahasiswa 782 12



Langkah Kerja :

1. Buka Program SPSS :

Gambar 1

2. Klik Variabel View pada gambar 1, kemudian akan tampil sheet yang terdiri dari :

Name : Nama Variabel Type : Jenis Data Width : Jumlah Karakter yang dapat diinput : Ketik 15 Decimal : Ketik 2

Label : Abaikan Value : Pemberian Kode Missing : Abaikan Colomn : Lebar Kolom sesuai kebutuhan Align : Rata Kanan Measure : Skala Pengukuran (Pilih : Scale)

Gambar 2

Pemberian Kode : Untuk variable Gender dan Profesi

Pada Kolom Value (gambar 2) di sel gender. Klik Kotak kecil yang ada di sebelah kanan

kolom value, akan tampil gambar 3.

Pengisian :

Value : Ketik 1

Value Label : Ketik wanita

Klik Add

8/15/2019 13_20152016_Genap_ST

9/71


Value : Ketik 2

Value Label : Ketik Pria

Klik Add

Langkah yang sama dilakukan untuk mengisi value untuk variabel Profesi Konsumen.

Gambar 3

3. Setelah Pengisian value untuk variabel Gender dan Profesi Selesai, Klik Data View,

Kemudian isi data untuk setiap variebel (Gunakan Tabel 2 untuk mengisi data).

Gambar 4

4. Pilih Toolbar Analyze Descriptive Statistics Frequencies, akan tampil gambar

sebagai berikut :

ValueLabels

8/15/2019 13_20152016_Genap_ST

10/71


Gambar 5

5. Masukan variable yang akan dianalisis, pilih Statistic, pada Percentile Values, aktifkan :

Quartiles & Percentile(s), pada kotak samping kanan Percentile(s) ketik 10, lalu klik

add. Sekali lagi ketik 90 pada kotak terdahulu dan klik lagi tombol add. (Pengerjaan

ini dimaksudkan untuk membuat nilai persentil pada 10 dan 90)

Pada Dispersion : aktifkan semua (6) pilihan jenis pengukuran dispersi

Pada Central Tendency : aktifkan semua (4) pilihan jenis pengukuran pusat data

Pada Distribution : aktifkan Skewness dan Kurtosis

Continue

Pilih Chart, Aktifkan Histogram dan With Normal Curve.

Continue

8/15/2019 13_20152016_Genap_ST

11/71


Gambar 6

Klik OK , sehingga akan dihasilkan output deskriptive sebagai berikut :

FrequenciesStatistics

Tingkat Pengeluaran Konsumen Pembelian Mie

NValid 14 14

Missing 0 0Mean 577,43 9,36Std. Error of Mean 62,052 ,452Median 501,00 9,00Mode 202a 9Std. Deviation 232,176 1,692Variance 53905,495 2,863Skewness ,572 ,454Std. Error of Skewness ,597 ,597Kurtosis ,158 -,626Std. Error of Kurtosis 1,154 1,154Range 870 5Minimum 202 7Maximum 1072 12Sum 8084 131

Percentiles

10 267,00 7,00

25 429,00 8,00

50 501,00 9,00

75 737,00 10,5090 972,00 12,00

a. Multiple modes exist. The smallest value is shown

Analisis : Variabel Frekuensi

o N = Jumlah data yang valid = 14, data yang hilang (Missing) = 0

o Mean = Rata-rata frekuensi pembelian = 9,36 kali dengan standar error = 0,452

o Median = 9, menunjukkan bahwa : 50% konsumen melakukan pembelian diatas 9 kali, dan

50% konsumen membeli dibawah 9 kali.

o Standar Deviasi = 1,692 kali

o Ukuran Skewness = 0,454

8/15/2019 13_20152016_Genap_ST

12/71


Rasio Skewness : Nilai Skewness : Standar error skewness

: 0,454 : 0,597 = 0,760

o Ukuran Kurtosis = -0,626

Rasio Kurtosis = Nilai Kurtosis : Standar Error Kurtosis

= -0,626 : 1,154 = -0,542

Karena kemencengan (skewness) dan keruncingan (kurtosis) distribusinya berada dalam

rentang -2 dan 2, maka disimpulkan bahwa Data Frekuensi Berdistribusi Normal.

o Data Minimum = 7 kali

Data Maksimum = 12 kali

o Range = 5 (selisih data maksimum dan data minimum)

o Percentiles atau persentil

10% Konsumen mempunyai Frekuensi pembelian dibawah 7 kali





Pembelian Mie

Frequency Percent Valid Percent CumulativePercent

Valid

7 2 14,3 14,3 14,3

8 2 14,3 14,3 28,6

9 5 35,7 35,7 64,3

10 2 14,3 14,3 78,6

12 3 21,4 21,4 100,0

Total 14 100,0 100,0

o Frekuensi Pembelian

Konsumen yang membeli 7 kali sebanyak 2 orang atau 14,3 %

Konsumen yang membeli 8 kali sebanyak 2 orang atau 14,3 %, jumlah komulatif konsumenyang membeli 7 kali dan 8 kali ada 4 konsumen atau 28,6%

Konsumen yang membeli 9 kali sebanyak 5 orang atau 35,7 %, jumlah komulatif konsumen

yang membeli 7,8, 9 kali ada 9 konsumen atau 64,3%

Dan seterusnya

Cara dan langkah kerja untuk menganalisis variabel Expense sama dengan cara dan

langkah kerja untuk menganalisis variabel Frekuensi.

8/15/2019 13_20152016_Genap_ST

13/71


DESCRIPTIVE

Untuk data yang sama, Data Descriptive : PT. Roni Sejahtera :

1. Klik Analyze Descriptive Statistics Descriptives

Gambar 7

2. Pilih variable yang akan dianalisis (pilih variable Frekuensi dan Expense) kemudian klik Ok.

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Tingkat PengeluaranKonsumen

14 202 1072 577,43 232,176

Pembelian Mie 14 7 12 9,36 1,692

Valid N (listwise) 14

Keterangan : Jenis Data variable Gender dan Profesi adalah Nominal, sehingga tidak

dapat dianalisis.

Analisis : (sama dengan analisis descriptive Frequencies)

8/15/2019 13_20152016_Genap_ST

14/71


EXPLORE

Untuk data yang sama, Data Descriptive : PT. Roni Sejahtera :

1. Klik Analyze Descriptive Statistics Explore

Gambar 8

2. Dependent List : Pilih variabel (Frek), Pilih Statistics dan klik Descriptive, Outliers. Pilih

Plot dan Klik Steam leaf , Factor levels togather dan Normality Plots With Test.

Case Processing Summary

CasesValid Missing Total

N Percent N Percent N Percent

Pembelian Mie 14 100,0% 0 0,0% 14 100,0%

Descriptives

Statistic Std. Error

Pembelian Mie

Mean 9,36 ,452

95% Confidence Interval forMean

Lower Bound 8,38

Upper Bound 10,33

5% Trimmed Mean 9,34

Median 9,00

Variance 2,863

Std. Deviation 1,692

Minimum 7

Maximum 12

Range 5

Interquartile Range 3

Skewness ,454 ,597

Kurtosis -,626 1,154

8/15/2019 13_20152016_Genap_ST

15/71


Extreme Values

Case Number Value

Pembelian Mie

Highest

1 10 12

2 12 12

3 13 12

4 5 10

5 9 10

Lowest

1 2 7

2 1 7

3 8 8

4 4 8

5 14 9a

a. Only a partial list of cases with the value 9 are shown in the tableof lower extremes.

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Pembelian Mie ,226 14 ,050 ,889 14 ,078

a. Lilliefors Significance Correction

Pembelian Mie Stem-and-Leaf Plot

Frequency Stem & Leaf

2,00 7 . 00

2,00 8 . 00

5,00 9 . 00000

2,00 10 . 00

,00 11 .

3,00 12 . 000

Stem width: 1

Each leaf: 1 case(s)

8/15/2019 13_20152016_Genap_ST

16/71


Analisis :

Case Processing Summary : Semua data Konsumen valid untuk diekspolrasi datanya

Output Descriptives : (Analisis sama dengan Frequencies dan Descrivtif)

Output Test Of Normality : Nilai Sig > 0,05, Distribusi Data Normal

0,051 > 0,05, Data Frek Berdistribusi Normal

0,091 > 0,05 Data Frek Berdistribusi Normal

Q-Q Plot : Data berada disekitar garis diagonal artinya Data Frek Berdistribusi Normal

Detrended Normal Q-Q Plot : Terlihat bahwa sebagian besar data terpola mendekati gari

tengah (hanya satu data yang terlihat jauh). Ini menunjukkan bahwa data berdistribusi normal Boxplot : Garis Hitam tepat berada ditengan Boxplot, menunjukkan bahwa data berdistribusi

normal

Stem-and-Leaf Plot :

Baris Pertama : Ada 2 Konsumen yang membeli Mie dengan frekuensi 6 kali

Baris Kedua : Ada 2 Konsumen yang membeli Mie dengan frekuensi 8 kali

Baris Ketiga : Ada 5 Konsumen yang membeli Mie dengan frekuensi 9 kali

Dan setrusnya

8/15/2019 13_20152016_Genap_ST

17/71


CROSSTAB

Untuk data yang sama, Data Descriptive : PT. Roni Noodles :

1. Klik Analyze Descriptive Statistics Crosstab

Gambar 9

2. Pilih variabel yang akan dianalisis (Row : Pilih Profesi, Column : Pilih Frekuensi), Abaikan

yang lain, kemudian klik OK .


Cases

Valid Missing Total


Profesi Konsumen *Pembelian Mie

14 100,0% 0 0,0% 14 100,0%

Profesi Konsumen * Pembelian Mie Crosstabulation Count

Pembelian Mie Total

7 8 9 10 12

Profesi Konsumen

Karyawan Swasta 1 0 0 0 0 1PNS 0 0 2 0 0 2

Wiraswasta 1 1 0 0 0 2

Mahasiswa 0 1 1 0 1 3

Ibu Rumah Tangga 0 0 1 2 1 4

Lain-Lain 0 0 1 0 1 2Total 2 2 5 2 3 14

Analisis :

Case Processing Summary : Menyatakan bahwa seluruh data yang terdiri dari 14 konsumen

valid untuk dilakukan proses crosstab.

8/15/2019 13_20152016_Genap_ST

18/71


Crosstabulation

1 orang karyawan swasta melakukan pembelian sebanyak 7 kali

2 orang PNS melakukan pembelian sebanyak 9 kali

1 orang mahasiswa melakukan pembelian sebanyak 7 kali, dan 2 orang sebanyak 8 kali.

Dan seterusnya

8/15/2019 13_20152016_Genap_ST

19/71


BAB III

VALIDITAS DAN RELIABILITAS INSTRUMENT


Salah satu instrument yang dipakai dalam penelitian ilmiah adalah angket. Sebuah angket

bisa disusun dengan pertanyaan yang bersifat terbuka (Berapa usia anda, apa pendapat anda, dll),

atau pertanyaan yang bersifat tertutup (Katagori usia anda < 20 tahun atau > 20 tahun). Salah satu

skala yang digunakan dalam penyusunan angket (tertutup) adalah skala Likert yaitu skala yang

berisi 5 tingkatan jawaban yang merupakan skala ordinal.

1 = Sangat Setuju

2 = Setuju

3 = Ragu-Ragu

4 = Tidak Setuju

5 = Sangat Tidak Setuju.

Ada dua syarat penting yang berlaku pada sebuah angket yaitu keharusan sebuah angket

untuk valid dan reliabel.

3.1. Validitas

Pengertian valid atau tidaknya suatu alat ukur tergantung pada mampu atau tidaknya alat

ukur tersebut mencapai tujuan pengukuran yang dikehendaki dengan tepat. Secara garis besar ada

berbagai macam validitas, diantaranya (Fandy Tjiptono, 12 : 2003) :

a. Content Validity adalah evaluasi secara sistematis dan subjektif terhadap sejauhmana konten/isi

suatu skala pengukuran memenuhi tugas pengukuran yang diberikan kepadanya. Peneliti

menentukan apakah item-item pengukuran telah mencakup secara memadai semua

domain/tema konstruk yang sedang diukur. Cara yang dapat ditempuh untuk meyakinkan

adanya content validity adalah dengan mendefinisikan konsep suatu domain, peneliti harus

menentukan item/pertanyaan yang harus dimasukan untuk menjelaskan suatu domain.

Penelahaan literatur sangat bermanfaat untuk dapat mengidentfikasi content domain.

b. Construct Validity berhubungan dengan apakah suatu instrumen mengukur apa yang seharusnya

diukur. Construct validity antara lain terdiri dari Convergen validity, dan Nomoligical validity

Convergen validity : Sejauhmana suatu skala pengukuran berkorelasi dalam positif dengan

skala pengukuran lainnya dalam mengukur suatu konstruk yang sama. Suatu pengukuran

dikatakan memiliki convergen validity apabila satu teknik pengukuran dapat dibuktikan

memiliki hasil yang sama dengan teknik pengukuran lainnya.

8/15/2019 13_20152016_Genap_ST

20/71


Nomological Validity : Mengukur sejauh mana konsep yang secara teoritis saling

berhubungan memiliki hubungan empiris.

3.2. Reliabilitas

Menunjukkan sejauhmana suatu skala dapat memberikan hasil yang konsisten jika

pengukuran diulang (beberapa kali). Hasil pengukuran dapat dipercaya hanya apabila dalam

beberapa kali pelaksanaan pengukuran terhadap kelompok subyek yang sama diperoleh hasil yang

relatif sama meskipun tetap ada toleransi bila terjadi perbedaan.

A. Teknik Pengukuran Validitas.

1. Dengan menggunakan korelasi spearman. Suatu item dikatakan valid apabila koefisien

korelasi rank spearmen (rs) > 0,3 (Kaplan & Saccuzzo, 1993).

2. Coefficient Alpha : memberikan ukuran internal konsistensi dari sekolompok item yang

berasal dari asumsi domain sampling model. Korelasi inter item yang rendah menujukkan

bahwa beberapa item tidak diambil dari domain yang seharusnya. Angka koefisien yang

rendah juga menunjukkan sampel-sampel item memiliki kinerja yang buruk dalam

mencerminkan suatu konstruk yang melandasi suatu skala ukuran.

B. Teknik Pengukuran Reliabilitas.

1. Test Rates reliability : Mengajukan pertanyaan yang sama (dengan instrument yang sama)

kepada responden yang sama sebanyak 2 kali pada waktu yang berbeda, Misalnya ada jarak

waktu selama 1 minggu. Instrumen dikatakan reliabel apabila jawaban responden

konsisten.

2. Internal Consistency Reliability : Menentukan apakah dua atau lebih pengukuran atas suatu

konsep teoritis yang diambil pada satu periode waktu yang sama atas suatu objek akan

memberikan hasil yang sama. Misalnya dilakukan pengukuran terhadap sikap konsumen

mengenai minuman jamu tradisional dengan menggunakan tiga item semantik differensial.

(a) enak – tidak enak (b) mudah – merepotkan (c) sehat tidak sehat. Dikatakan memiliki

internal konsistensi apabila korelasi antar ketiga semantik diferensial tersebut tinggi.

Alasannnya, jika konsumen memiliki sikap positif terhadap jamu tersebut maka konsumen

akan memilih “enak”, “midah” dan “sehat” .

3. Coefficient Alpha : Jika semua item dari suatu pengukuran diambil dari satu domain kontruk

yang sama, jawaban atas item-item tersebut memiliki inter koreleasi yang tinggi. Inter

korelasi yang rendah menunjukkan adanya sebagian item yang tidak diambil dari domain

yang sepatutnya dan oleh karenanya menghasilkan kesalahan (error) yang tingga danrendahnya reliabilitas.

8/15/2019 13_20152016_Genap_ST

21/71


Kasus : Uji Validitas (Metode Rank Spearman dan Coeficient Alpha) dan Reliabilitas (Metode

Coficient Alpha).

Langkah Kerja : Buat tabulasi data sebagai berikut.

(Variabel Kinerja Pegawai)

Nama Variabel Tipe Keterangan

Nama String Nama Responden

Pertanyaan 1 s.d. 10 Numerik Jawaban Responden

No Nama Pert_1 Pert_2 Pert_3 Pert_4 Pert_5 Pert_6 Pert_7 Pert_8 Pert_9 Pert_10

1 Very 3 4 3 3 2 4 4 3 4 3

2 Sidik 4 4 3 3 2 3 3 3 3 3

3 Hery 2 3 3 4 2 3 4 4 2 2

4 Sanjaya 3 3 3 3 3 3 3 2 2 2

5 Roni 4 5 4 5 3 4 3 4 4 4

6 Kambara 2 3 3 4 3 2 4 3 3 3

7 Yanto 4 4 4 5 1 4 4 3 5 2

8 Azie 2 4 3 4 1 5 5 5 4 4

9 Setya 4 5 3 3 4 1 5 5 2 2

10 Gerry 4 5 4 5 2 1 4 4 5 2

11 Yayan 3 3 4 3 5 1 2 3 4 4

12 Hendra 3 4 4 2 3 2 1 2 2 2

13 Hermawan 2 2 4 1 2 4 4 3 3 2

14 Mardawi 3 3 3 3 3 3 3 4 2 3

15 Mira 2 5 3 5 1 2 2 5 3 2

Uji Validitas Rank Spearman

a. Klik Transform Compute Variable

b. Tuliskan Tot_X1 pada kotak Target Variable

c. Pada kotak Numeric Expression ketik Pert_1 + Pert_2 + Pert_3 + dst s.d. Pert_10.

Gambar 10

8/15/2019 13_20152016_Genap_ST

22/71


d. Klik OK , Disebelah kolom Pert_10 akan muncul data Tot_X1. Langkah berikutnya

mengkorelasikan antara Tot_x1 dengan semua pertanyaan. Klik Analyze Corelation

Bivariate.

e. Masukan Pert_1 s.d. Pert_10 dan Tot_x1

f. Test of Significance pilih one tail, Aktifkan Sperarman

g. Abaikan pilihan yang lain, Kemudian OK

Gambar 11

h. Pilih OK , Output yang dihasilkan sebagai berikut :

Correlations

Pert_1 Pert_2 Pert_3 Pert_4 Pert_5 Pert_6 Pert_7 Pert_8 Pert_9 Pert_10 Tot_X1

Spearman's rho

Pert_1

Correlation Coefficient 1,000 ,535* ,333 ,138 ,236 -,165 -,039 -,069 ,275 ,000 ,504*

Sig. (1-tailed) . ,020 ,112 ,311 ,198 ,279 ,444 ,403 ,161 ,500 ,028

N 15 15 15 15 15 15 15 15 15 15 15

Pert_2

Correlation Coefficient ,535* 1,000 ,066 ,535* -,193 -,176 ,047 ,506* ,328 -,050 ,612**

Sig. (1-tailed) ,020 . ,408 ,020 ,245 ,266 ,434 ,027 ,117 ,429 ,008

N 15 15 15 15 15 15 15 15 15 15 15

Pert_3

Correlation Coefficient ,333 ,066 1,000 ,033 ,098 -,048 -,247 -,297 ,474* -,069 ,143

Sig. (1-tailed) ,112 ,408 . ,454 ,364 ,432 ,188 ,141 ,037 ,403 ,306

N 15 15 15 15 15 15 15 15 15 15 15

Pert_4

Correlation Coefficient ,138 ,535* ,033 1,000 -,436 ,040 ,160 ,505* ,539* ,060 ,606**

Sig. (1-tailed) ,311 ,020 ,454 . ,052 ,443 ,284 ,027 ,019 ,416 ,008

N 15 15 15 15 15 15 15 15 15 15 15

Pert_5

Correlation Coefficient ,236 -,193 ,098 -,436 1,000 -,529* -,278 -,253 -,412 ,205 -,181

Sig. (1-tailed) ,198 ,245 ,364 ,052 . ,021 ,158 ,181 ,064 ,232 ,259

N 15 15 15 15 15 15 15 15 15 15 15

Pert_6

Correlation Coefficient -,165 -,176 -,048 ,040 -,529* 1,000 ,285 -,036 ,241 ,271 ,200

Sig. (1-tailed) ,279 ,266 ,432 ,443 ,021 . ,151 ,449 ,194 ,164 ,238

N 15 15 15 15 15 15 15 15 15 15 15

Pert_7

Correlation Coefficient -,039 ,047 -,247 ,160 -,278 ,285 1,000 ,398 ,203 -,059 ,424

Sig. (1-tailed) ,444 ,434 ,188 ,284 ,158 ,151 . ,071 ,233 ,418 ,058

N 15 15 15 15 15 15 15 15 15 15 15

Pert_8

Correlation Coefficient -,069 ,506* -,297 ,505* -,253 -,036 ,398 1,000 ,089 ,111 ,515*

Sig. (1-tailed) ,403 ,027 ,141 ,027 ,181 ,449 ,071 . ,376 ,347 ,025

N 15 15 15 15 15 15 15 15 15 15 15

Pert_9

Correlation Coefficient ,275 ,328 ,474* ,539* -,412 ,241 ,203 ,089 1,000 ,346 ,734**

Sig. (1-tailed) ,161 ,117 ,037 ,019 ,064 ,194 ,233 ,376 . ,103 ,001

N 15 15 15 15 15 15 15 15 15 15 15

Pert_10

Correlation Coefficient ,000 -,050 -,069 ,060 ,205 ,271 -,059 ,111 ,346 1,000 ,478*

Sig. (1-tailed) ,500 ,429 ,403 ,416 ,232 ,164 ,418 ,347 ,103 . ,036

N 15 15 15 15 15 15 15 15 15 15 15

Tot_X1

Correlation Coefficient ,504* ,612** ,143 ,606** -,181 ,200 ,424 ,515* ,734** ,478* 1,000

Sig. (1-tailed) ,028 ,008 ,306 ,008 ,259 ,238 ,058 ,025 ,001 ,036 .N 15 15 15 15 15 15 15 15 15 15 15

*. Correlation is significant at the 0.05 level (1- tailed).**. Correlation is significant at the 0.01 level (1-tailed).

8/15/2019 13_20152016_Genap_ST

23/71


i. Analisis :

Nilai Pearson Correlation > 0,3 artinya Pert_1 dapat dikatakan valid

Tingkat signifikansi 0,05 artinya Pert_1 dapat dikatakan valid

Uji Validatas Coefficient Alpha

a. Dengan menggunakan data soal yang sama, dari menu Analyze Scale Reliability

Analysis.

b. Masukan Pert_1 s.d. Pert_10.

c. Pada bagian model pilih Alpha

d. Abaikan kotak pilihan list item model

Gambar 12

e. Klik tombol Statistics. Pada bagian Descriptive for aktifkan item, scale, scale if item

deleted, abaikan yang lain pilih continue.

Gambar 13

8/15/2019 13_20152016_Genap_ST

24/71


f. Kemudian klik OK, sehingga dihasilkan output sebagai berikut :


N %

Cases

Valid 15 100,0

Excludeda 0 ,0

Total 15 100,0a. Listwise deletion based on all variables in theprocedure.

Reliability Statistics

Cronbach's Alpha

N of Items

,467 10

Item Statistics

Mean Std. Deviation N

Pert_1 3,00 ,845 15

Pert_2 3,80 ,941 15Pert_3 3,40 ,507 15Pert_4 3,53 1,187 15Pert_5 2,47 1,125 15Pert_6 2,80 1,265 15Pert_7 3,40 1,121 15Pert_8 3,53 ,990 15Pert_9 3,20 1,082 15Pert_10 2,67 ,816 15

Item-Total Statistics

Scale Mean ifItem Deleted

Scale Varianceif Item Deleted

Corrected Item-Total

Correlation

Cronbach's Alpha if Item

DeletedPert_1 28,80 14,886 ,307 ,407Pert_2 28,00 13,714 ,430 ,360Pert_3 28,40 17,114 ,054 ,471Pert_4 28,27 12,352 ,460 ,324Pert_5 29,33 20,238 -,386 ,628Pert_6 29,00 16,857 -,083 ,550Pert_7 28,40 14,543 ,210 ,432Pert_8 28,27 14,210 ,323 ,394Pert_9 28,60 12,257 ,550 ,295Pert_10 29,13 14,838 ,333 ,401

Scale Statistics

Mean Variance Std. Deviation N of Items31,80 17,600 4,195 10

g. Analisis

Perhatikan kolom Corected item-total correlation. Jika nilai korelasi item (r) > 0,3

dikatakan valid. Item yang tidak valid dikeluarkan atau peneliti melakukan penyusunan

item pertanyaan yang baru, kemudian dilakukan pengujian ulang sampai dengan semua

item memiliki korelasi > 0,3.

8/15/2019 13_20152016_Genap_ST

25/71


Uji Reliabilitas Coefficient Alpha

Apabila semua item pertanyaan memiliki nilai r yang lebih tinggi dari 0,3 maka secara otomatis

nilai Alpa Reliability akan lebih besar dari 0,3 (reliable). Pengukuran reliabilitas hanya dapat

dilakukan apabila semua item sudah teruji valid.

8/15/2019 13_20152016_Genap_ST

26/71


BAB IV

METHOD SUCCESIVE INTERVAL (MSI)

Jenis data yang diperoleh dari Kuisioner adalah data Ordinal (non-matrik), dan alat analisis

yang tepat untuk pengolahan data ordinal adalah statistik non-parametrik. Regresi tidak dapat

digunakan untuk mengolah data ordinal, karena regresi mengharuskan data Variabel tidak bebas

harus bersifat Continue dan paling tidak berskala selang (interval) atau data Matrik (statistic

parametrik).

Jika pengolah data akan melakukan pengolahan data ordinal (hasil kusioner) menggunakan

regresi, maka data tersebut terlebih dahulu harus diubah kedalam data minimum (interval).

1. Langkah-langkah mengubah data ordinal menjadi interval ( Method of Successive Interval )

adalah sebagai berikut (Harun Alrasyid : 1994)

a. Skor jawaban dimulai dari 1 sampai 5

b. Menyusun distribusi jawaban responden ke dalam daftar distribusi frekuensi berdasarkan

nilai skor jawaban dari responden

c. Menghitung frekuensi relatif (Pi)

d. Menentukan nilai baku dengan nilai frekuensi kumulatif relatif (Z i )

e. Menentukan fungsi densitasnya [ f ( Zi)]

f. Menentukan nilai skala dengan memperhatikan nilai nilai Pi dan f ( Zi)

2. Langkah-langkah analisis kepentingan relatif

a. Merekapitulasi distribusi skor jawaban mengenai nilai kepentingan relatif untuk setiap item

yang ditanyakan

b. Item pertanyaan distratakan dengan nilai angka baku vertikal yang berkesesuaian dimana

skor kepentingan pertama setara dengan 5 sedangkan skor-skor lainnya disesuaikan dengan

banyaknya item dalam satu variabel penelitian tertentu yang tingkat kepentingan

terakhirnya setara dengan skor 5c. Menghitung jumlah perkalian dari nilai-nilai frekuensi (langkah a) dengan nilai-nilai angka

baku (langkah b)

d. Menghitung nilai rata-rata hasil perhitungan pada langkah c

e. Memperhatikan nilai rata-rata perkalian terkecil, kemudian nilai tersebut disamakan

dengan 1, sedangkan yang lainnya ditambahkan dengan faktor penambahnya

f. Hasil perhitungan (e) dikalikan dengan skor jawaban untuk setiap itemnya sehingga

diperoleh nilai jawaban responden yang berbentuk skala pengukuran interval

Untuk mempermudah pengolahan data tersebut dapat dibantu dengan aplikasi Method Of

Succsesive Interval, Langkah kerja :

8/15/2019 13_20152016_Genap_ST

27/71


1. Buka Aplikasi Microsoft Excel, lalu buka Method Of Succsesive Interval , akan tampil gambar

sebagai berikut :

Gambar 14

2. Pilih Enable Macros, lalu akan muncul tap baru bernama ADD-INS

Gambar 15

3. Klik new, Masukan data hasil tabulasi kuisioner, untuk masing-masing variabel.

Misalkan data yang akan diolah adalah Data Kinerja Pegawai.No Nama Pert_1 Pert_2 Pert_3 Pert_4 Pert_5 Pert_6 Pert_7 Pert_8 Pert_9 Pert_10

1 Very 3 4 3 3 2 4 4 3 4 3

2 Sidik 4 4 3 3 2 3 3 3 3 3

3 Hery 2 3 3 4 2 3 4 4 2 2

4 Sanjaya 3 3 3 3 3 3 3 2 2 2

5 Roni 4 5 4 5 3 4 3 4 4 4

6 Kambara 2 3 3 4 3 2 4 3 3 3

7 Yanto 4 4 4 5 1 4 4 3 5 2

8 Azie 2 4 3 4 1 5 5 5 4 4

9 Setya 4 5 3 3 4 1 5 5 2 2

10 Gerry 4 5 4 5 2 1 4 4 5 2

11 Yayan 3 3 4 3 5 1 2 3 4 4

12 Hendra 3 4 4 2 3 2 1 2 2 2

13 Hermawan 2 2 4 1 2 4 4 3 3 214 Mardawi 3 3 3 3 3 3 3 4 2 3

15 Mira 2 5 3 5 1 2 2 5 3 2

8/15/2019 13_20152016_Genap_ST

28/71


Gambar 16

4. Pada Tab ADD-INS Pilih Statistics, lalu pilih Succesive Interval.

Gambar 17

5. Pada Kotak Input Data Range : masukan Range yang akan diubah datanya menjadi interval

6. Pada Kotak Cell Output : Pilih di cell berapa ouput hasil pengolahan akan ditempatkan

Gambar 18

7. Klik Next

8/15/2019 13_20152016_Genap_ST

29/71


Gambar 19

7. Pilih Select All

Gambar 20

8. Jika Kuisioner menggunakan skala Likert, maka

Min value : Ketik 1

Max Value : Ketik 5

9. Pilih Finish, Akan dihasilkan data Succesive Interval sebagai berikut :

Gambar 21

Analisis : Data ordinal untuk semua item telah berubah skalanya dari ordinal menjadi interval. Dan

untuk selanjutnya dapat digunakan untuk pengolahan data statistic parametric

8/15/2019 13_20152016_Genap_ST

30/71


BAB V

K O R E L A S I


Analisis korelasi bertujuan untuk mengetahui apakah diantara dua variabel terdapat

hubungan, bagaimana arah hubungannya, dan seberapa kuat hubungan antar variabel tersebut.

Jenis varibel yang dikorelasikan dapat berupa data Nominal, Ordinal, Maupun Interval dan Rasio.

A. Korelasi Data Nominal

Kasus : CV Dawi Busana ingin mengetahui apakah ada hubungan antara Jenis kaos yang dibeli

konsumen dengan status konsumen.

Langkah Kerja :

1. Buat File Baru, kemudian Input Data Berikut :

Nama Variabel Tipe Values

Kaos Numerik 1 = Polos, 2 = Motif

Kerja Numerik 1 = Karyawan, 2 = Wiraswasta, 3 = Lain-lain

Status Numerik 1 = Belum Menikah, 2 = Menikah

Sikap Numerik 1 = Puas, 2 = Cukup Puas, 3 = Tidak Puas

Loyal Numerik 1 = Loyal, 2 = Cukup Loyal, 3 = Tidak Loyal

Beli Numerik 1 = Sering Beli, 2 = Cukup Sering, 3 = Jarang Beli

Isi Data :

No Kaos Kerja Status Sikap Loyal Beli

1 Polos Karyawan Belum Menikah Puas Loyal Sering Beli

2 Motif Wiraswasta Menikah Cukup Puas Cukup Loyal Sering Beli

3 Motif Karyawan Menikah Tidak Puas Loyal Sering Beli4 Motif Lain-lain Menikah Tidak Puas Cukup Loyal Cukup Sering

5 Polos Karyawan Belum Menikah Cukup Puas Tidak Loyal Cukup Sering

6 Motif Lain-lain Belum Menikah Tidak Puas Tidak Loyal Jarang Beli

7 Polos Karyawan Belum Menikah Tidak Puas Cukup Loyal Jarang Beli

8 Polos Karyawan Menikah Tidak Puas Loyal Cukup Sering

9 Motif Lain-lain Belum Menikah Tidak Puas Cukup Loyal Jarang Beli

10 Polos Lain-lain Menikah Puas Cukup Loyal Sering Beli

11 Polos Wiraswasta Menikah Tidak Puas Tidak Loyal Jarang Beli

12 Motif Lain-lain Menikah Cukup Puas Tidak Loyal Cukup Sering

13 Polos Wiraswasta Menikah Tidak Puas Tidak Loyal Jarang Beli

14 Motif Karyawan Belum Menikah Tidak Puas Cukup Loyal Jarang Beli

15 Motif Lain-lain Menikah Tidak Puas Cukup Loyal Cukup Sering

16 Polos Karyawan Belum Menikah Cukup Puas Tidak Loyal Cukup Sering

17 Motif Lain-lain Belum Menikah Tidak Puas Tidak Loyal Jarang Beli

18 Polos Karyawan Belum Menikah Tidak Puas Cukup Loyal Jarang Beli

19 Polos Karyawan Menikah Tidak Puas Loyal Cukup Sering

20 Polos Karyawan Belum Menikah Puas Loyal Sering Beli

2. Pilih Menu Analyze Descriptive Statistics Crosstabs. Pada kolom Row(s) pilih:

Kaos, pada kolom Colomn(s) pilih Status.

8/15/2019 13_20152016_Genap_ST

31/71


Gambar 22

3. Klik Statistics, aktifkan pilihan Chi-Square dan pada option Nominal aktifkan

Contigency Coefficient, Kemudian Klik OK . Diperoleh Output sebagai berikut :


Cases

Valid Missing Total


Kaos * Status 20 100,0% 0 0,0% 20 100,0%

Kaos * Status Crosstabulation Count

Status Total

Belum Menikah Menikah

KaosPolos 6 5 11

Motif 4 5 9Total 10 10 20

Chi-Square Tests

Value df Asymp. Sig. (2-sided)

Exact Sig. (2-sided)

Exact Sig. (1-sided)

Pearson Chi-Square ,202a 1 ,653

Continuity Correctionb

,000 1 1,000Likelihood Ratio ,202 1 ,653

Fisher's Exact Test 1,000 ,500

Linear-by-Linear Association

,192 1 ,661

N of Valid Cases 20

a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 4,50.b. Computed only for a 2x2 table

Analisis :

Case Processing Summary : Ada 20 data yang valid dan dapat digunakan untuk analisis.

Kaos*Status Crosstabulation :

8/15/2019 13_20152016_Genap_ST

32/71


- Pada baris 1 : Terdapat 6 orang karyawan yang berstatus belum menikah dan 5 orang yang

berstatus sudah menikah yang membeli kaos polos.

- Pada baris 2: Terdapat 4 orang karyawan yang berstatus belum menikah dan 5 orang yang

berstatus sudah menikah yang membeli kaos motif.

Chi-Square Test :

Hipotesis :

H0 : Tidak ada hubungan antara status dengan perilaku membeli kaos

H1 : Ada hubungan antara status dengan perilaku membeli kaos

Pengambilan Keputusan :

Jika Probabilitas > 0,05 : Ho diterima

Jika Probabilitas < 0,05 : Ho ditolak

Terlihat bahwa pada kolom PEARSON CHI-SQUARE, angka Asymp. Sig 0,653 > 0,05 Ho

Diterima.

Kesimpulan :

Artinya tidak ada hubungan antara status dengan perilaku membeli kaos.

B. Korelasi Data Ordinal

Kasus : Apakah ada hubungan antara sikap sesorang dengan loyalitas orang tersebut untuk

tetap menggunakan produk PT Iyek Makmur.

Langkah Kerja :

1. Buka File CV Dawi Busana.

2. Pilih Analyze Correlate Bivariate

3. Pilih Variabel Sikap, Loyal dan Beli.

Gambar 23

8/15/2019 13_20152016_Genap_ST

33/71


4. Correlation Coefficients. Pilih Spearmen dan Kendall’s Tau-b. Test Of Significane pilih

two tail untuk uji dua sisi. Aktifkan Flag Significance Correlation. Kemudian Klik Ok.

Output yang dihasilkan sebagai berikut:

Nonparametric Correlations

Correlations

Sikap Loyal Beli

Kendall's tau_b Sikap Correlation Coefficient 1,000 ,052 ,671**

Sig. (2-tailed) . ,804 ,001

N 20 20 20

Loyal Correlation Coefficient ,052 1,000 ,466*

Sig. (2-tailed) ,804 . ,023

N 20 20 20

Beli Correlation Coefficient ,671** ,466* 1,000

Sig. (2-tailed) ,001 ,023 .

N 20 20 20Spearman's rho Sikap Correlation Coefficient 1,000 ,066 ,705**

Sig. (2-tailed) . ,783 ,001

N 20 20 20

Loyal Correlation Coefficient ,066 1,000 ,533*

Sig. (2-tailed) ,783 . ,015

N 20 20 20

Beli Correlation Coefficient ,705** ,533* 1,000

Sig. (2-tailed) ,001 ,015 .

N 20 20 20

**. Correlation is significant at the 0.01 level (2-tailed).*. Correlation is significant at the 0.05 level (2-tailed).

Analisis :

Korelasi antara sikap dengan loyalitas adalah signifikan (angka sig. 2 tailed adalah 0,804 yang

jauh diatas 0,05) yang berarti tidak ada hubungan yang signifikan antara sikap dengan

loyalitas. Arah hubungan antar variabel tersebut positif.

Korelasi antara sikap dengan beli, dan korelasi antara loyal dan beli adalah signifikan (angka

sig. 2 tailed berada dibawah 0,05) yang berarti ada hubungan yang signifikan antara sikap

dengan loyalitas. Arah hubungan antar variabel tersebut positif.

C. Korelasi Data Interval dan Ratio

1. Buat data baru : PT Wawan Visitama

Nama

variabelTipe Label

Beli Numerik Unit Kaos per Bulan

SPG Numerik SPG / Orang

Promosi Numerik Juta Rupiah per Periode

8/15/2019 13_20152016_Genap_ST

34/71


Isi Data PT Wawan Visitama

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

Gambar 24

4. Masukan semua variabel, Correlation Coefficient pilih Pearson, Test of Significance

Two tail, aktifkan Flag Significance Correlations, kemudian OK . Tampil gambar

sebagai berikut :

No Beli SPG Promosi

1 225 4 12.6

2 243 5 13.5

3 254 5 13.64 266 3 14.9

5 253 4 12.7

6 246 2 13.0

7 222 5 12.5

8 244 3 13.2

9 266 4 13.7

10 237 4 14.2

11 257 3 14.6

12 279 5 14.0

13 280 9 15.2

14 266 2 15.7

8/15/2019 13_20152016_Genap_ST

35/71


Correlations

Beli (Unit KaosPer Bulan)

SPG (Orang) Promosi (JutaRupiah Per

Periode)

Beli (Unit Kaos Per Bulan)

Pearson Correlation 1 ,250 ,708**

Sig. (2-tailed) ,389 ,005

N 14 14 14

SPG (Orang)

Pearson Correlation ,250 1 ,082

Sig. (2-tailed) ,389 ,780

N 14 14 14

Promosi (Juta Rupiah PerPeriode)

Pearson Correlation ,708** ,082 1

Sig. (2-tailed) ,005 ,780

N 14 14 14

**. Correlation is significant at the 0.01 level (2-tailed).

Analisis : Tidak terdapat korelasi yang significant antara beli dengan SPG, dan SPG dengan

promosi (Sig 2 tailed > 0,05). Arah hubungan antar variabel tersebut positif.

Terdapat korelasi yang significant antara promosi dengan beli (Sig 2 tailed < 0,05).

Arah hubungan antar variabel tersebut positif.

8/15/2019 13_20152016_Genap_ST

36/71


BAB VI

MODEL REGRESI


Asumsi Regresi :

a. Variabel bebas dan tidak bebas memiliki hubungan yang linier / hubungan garis lurus

(linieritas).

b. Variabel tidak bebas harus bersifat harus bersifat Continue dan paling tidak berskala selang

(interval)

c. Keragaman dan selisih nilai pengamatan dan pendugaan harus sama untuk semua nilai penduga

Y. Jadi, Y-Y1 harus sama. Residu yang dihitung dari Y-Y1 harus menyebar normal dengan rata-

rata nol (Normalitas)

d. Variabel gangguan harus bervarians sama (Homoskedastisitas)

e. Tidak terjadi korelasi (multikolinier) antara satu variabel dependen dengan variabel dependen

lainnya (jika dalam satu model terdapat lebih dari satu variabel dependen)

f. Tidak terdapat korelasi antara anggota serangkaian observasi. Dalam satu variabel tidak

terdapat korelasi antara satu periode pengamatan dengan periode pengamatan berikutnya.

(Autokorelasi)

5.1 Regresi Sederhana

Memprediksi besarnya variabel tergantung (dependent ) dengan menggunakan satu

variabel bebas (independent ) yang sudah diketahui besarnya. Jenis data baik variabel dependent

maupun independent adalah interval atau rasio.

Kasus : Input Data Regresi sebagai berikut:

Nama Variabel Tipe Data Skala

Nilai Tukar (NT) Numeric Rasio

Inflasi (INF) Numeric Rasio

Suku Bunga (SB) Numeric Rasio

Harga Saham (HS) Numeric Rasio

Indek Harga Saham Gabungan (IHSG) Numeric Rasio

Isi Data RegresiNilai Tukar Inflasi Suku Bunga Harga Saham IHSG

18,00

15,00

18,00 14,00

15,00 17,00 13,00 19,00

18,00

18,00

15,00 15,00

15,00 16,00 17,00 19,00

18,00

16,00

16,00 15,00

16,00 16,00 13,00 21,00

15,00

12,00

14,00 13,00

12,00 13,00 14,00 12,00

14,00

14,00

11,00 12,00

11,00 12,00 13,00 12,00

8/15/2019 13_20152016_Genap_ST

37/71


Nilai Tukar Inflasi Suku Bunga Harga Saham IHSG

15,00 19,00 15,00 16,00 15,00

16,00 11,00 15,00 17,00 13,00 19,00 15,00

16,00 19,00 16,00 12,00 14,00

17,00 14,00 15,00 16,00 17,00 19,00 16,00

17,00 18,00 17,00 15,00 14,00

18,00 17,00 16,00 16,00 13,00 21,00 17,00

14,00 15,00 13,00 12,00 12,00

13,00 14,00 12,00 13,00 14,00 12,00 14,00

14,00 15,00 10,00 11,00 10,00

13,00 12,00 11,00 12,00 13,00 12,00 14,00

Langkah kerja :

a. Pada menu Analyze Regression Linier... Pilih Harga saham sebagai variabel

dependent dan pilih nilai tukar sebagai variable independent. Penentuan variabel dependent

dan independent harus berdasarkan teori.

Gambar 25

b. Pilih Statistic, kemudian aktifkan Estimate dan Model Fit, Klik Continue.

Gambar 26

8/15/2019 13_20152016_Genap_ST

38/71


c. Kemudian Klik OK , sehingga akan dihasilkan output sebagai berikut :

Coefficientsa

Model Unstandardized Coefficients StandardizedCoefficients

t Sig.

B Std. Error Beta

1(Constant) 13,545 1,790 7,567 ,000

nilai tukar -,025 ,113 -,052 -,223 ,826

a. Dependent Variable: harga saham

d. AnalisisPersamaan Regresi : Y = a + bX

Y= 13,545 - 0,025 X

Interpretasi :

Jika Nilai Tukar = 0, besarnya harga saham sebesar Rp. 13,545

Jika nilai tukar naik Rp.1, harga saham akan turun sebesar Rp 0,00251 dan sebaliknya Jika

nilai tukar turun Rp.1, harga saham akan naik sebesar Rp 0,025

Dengan menggunakan tingkat kepercayaan 95%, Nilai t-hitung < t-tabel, dan Sig. > 0,05.

Berarti secara statistik nilai tukar tidak berpengaruh signifikan terhadap harga saham.

5.2 Regresi Berganda

Memprediksi besarnya variabel tergantung (dependent) dengan menggunakan dua atau

lebih variabel bebas (independent ) yang sudah diketahui besarnya. Jenis data baik variabel

dependent maupun independent adalah interval atau rasio.

Langkah Kerja :

a. Pada menu Analyze Regression Linier... Pilih IHSG sebagai variabel dependent dan

pilih nilai tukar, inflasi, suku bunga dan harga saham sebagai variable independent .

Penentuan variabel dependent dan independent harus berdasarkan teori.

8/15/2019 13_20152016_Genap_ST

39/71


Gambar 27

b. Pilih Statistics, kemudian aktifkan Estimate dan Model Fit, Klik Continue.

Gambar 28

c. Kemudian Klik OK , sehingga akan dihasilkan output sebagai berikut :

Coefficientsa


t Sig.

B Std. Error Beta

1

(Constant) -1,675 3,613 -,464 ,649

nilai tukar -,092 ,142 -,141 -,646 ,528

inflasi ,428 ,162 ,559 2,647 ,018

suku bunga -,001 ,154 -,002 -,007 ,995

harga saham ,647 ,235 ,475 2,750 ,015

a. Dependent Variable: indeks harga saham gabungan

d. AnalisisPersamaan Regresi : Y = a + b1X1 + b2X2 + ...... + bnXn

Y = -1,675 – 0,092X1 + 0,428X2 - 0,001X3 + 0,647X4

8/15/2019 13_20152016_Genap_ST

40/71


Interpretasi :

Konstanta sebesar -1,675; artinya jika Nilai Tukar (X1), Inflasi (X2), Suku Bunga (X3) dan

Harga Saham (X4) nilainya adalah 0, maka indeks harga saham gabungan (Y) nilainya

adalah (Rp.1,675) atau -1,675

Jika nilai tukar naik Rp1, maka indeks harga saham gabungan akan turun sebesar Rp 0,092

dan sebaliknya Jika nilai tukar turun Rp1, indeks harga saham gabungan akan naik sebesar

Rp 0,092

Jika inflasi naik 1%, maka indeks harga saham gabungan akan naik sebesar 0,428% dan

sebaliknya jika inflasi turun 1%, maka indeks harga saham gabungan akan turun sebesar

0,428%.

Jika suku bunga naik 1%, maka indeks harga saham gabungan akan turun sebesar 0,001%

dan sebaliknya jika suku bunga turun 1%, maka indeks harga saham gabungan akan naik0,001%.

Jika harga saham naik Rp 1, maka indeks harga saham gabungan akan naik Rp 0,647 dan

sebaliknya jika harga saham turun Rp 1, makan indeks harga saham gabungan akan turun

Rp 0,647.

Dengan menggunakan tingkat kepercayaan 95%, Nilai t-hitung < t-tabel, dan Sig. > 0,05.

Berarti secara statistik nilai tukar tidak berpengaruh signifikan terhadap harga saham.

5.3 Uji Asumsi Klasik

Sebuah model regresi dapat digunakan untuk mengambil kesimpulan, apabila asumsi-

asumsi model regresi tersebut diatas terpenuhi. Gunakan Data Regresi

a. Uji Linieritas dengan metode MWD (Mac Kinnon White Davidson, Gujarati : 1995).

1. Buka Data Regresi

2. Mengestimasi model X1 (Nilai Tukar), X2 (Inflasi), X3 (Suku Bunga), X4 (Harga Saham)

terhadap Y (IHSG).

3. Pada menu Analyze Regression Linier... Masukan Variabel Dependent : IHSG dan

Variabel independent : Nilai Tukar, Inflasi, Suku Bunga dan Harga Saham.

8/15/2019 13_20152016_Genap_ST

41/71


Gambar 29

4. Pilih Save, pada kotak Predictid value, klik unstandadized, Continue, abaikan pilihan

yang lain.

Gambar 30

5. Setelah Continue, pada kotak Linier Regression: Save kemudian klik OK , dihasilkan

nilai Pre_1

6. Mengestimasi model LnX1 (Nilai Tukar), LnX2 (Inflasi), LnX3 (Suku Bunga), LnX4

(Harga Saham) terhadap LnY (IHSG). Sampe dengan dihasilkan nilai Pre_2

Cara Memerubah data menjadi Ln

Pada Menu Transform, pilih compute, Pada target variabel ketik Ln_X1, Pada Numeric

Expresion ketik Ln[nt]

8/15/2019 13_20152016_Genap_ST

42/71


Gambar 31

Klik OK

Untuk X2,X3,X4, dan Y menjadi Ln gunakan cara yang sama

7. Kurangkan nilai Pre_2 dengan Ln_Pre_1 (sebelumnya rubah nilai Pre_1 menjadi

Ln_Pre_1 dengan cara seperti diatas), hasil pengurangan tersebut adalah nilai Z.

Pada menu Transform Compute Variable

Target variabel diisi dengan Z Numerc Expresion diisi dengan Pre_2 – Ln_pre_1

Klik OK

Gambar 32

8. Mengestimasi Nilai X1, X2, X3, X4, Z terhadap Y. Output yang dihasilkan sebagai berikut

:

8/15/2019 13_20152016_Genap_ST

43/71


Coefficientsa


t Sig.

B Std. Error Beta

1

(Constant) -1,336 4,358 -,307 ,764

nilai tukar -,058 ,268 -,089 -,217 ,832

inflasi ,351 ,533 ,459 ,659 ,521

suku bunga ,015 ,193 ,023 ,079 ,938

harga saham ,651 ,244 ,477 2,661 ,019

Z -21,962 145,093 -,087 -,151 ,882


9. Melalui pengujian Z1 disimpulkan bahwa Model tersebut diatas adalah Linier, karena :

t-test variabel Z1 t-tabel

Sig.Z1 > (0,05)

10. Pengujian dapat juga dilakukan melalui pengujian Z2, Langkah kerja sama dengan

pengujian melalui Z1.

Jika Z1 dan Z2 Linier : Model menggunakan persamaan linier

Jika Z1 dan Z2 Nonlinier : Model menggunakan persamaan non-linier

Jika salah satu Z Nonlinier: Model boleh menggunakan persamaan non-linier atau

linier

b. Uji Normalitas


2. Pada menu Analyze Regression Linier... 3. Masukan IHSG sebagai variabel dependent dan NT, INF, SB, HS sebagai variabel

independent

4. Pilih Plot. Pada kolom Y isi : Dependent, Pada kolom X isi : ZResid, Standardized pilih

histogram, pilih Normal probability plot, kemudian Continue.

Gambar 33

5. Pilih Save, pada kotak Residual klik : Standarized, kemudian Continue

8/15/2019 13_20152016_Genap_ST

44/71


Gambar 34

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

8/15/2019 13_20152016_Genap_ST

45/71


7. Analisis : Diharapkan bahwa nilai residual akan menyebar normal dengan nilai rata-rata = 0.

Artinya frekuensi nilai residual berada disekitar nol memiliki frekuensi yang cukup besar

daripada nilai-nilai selisih yang ekstrim. Dengan melihat Histogram dapat dikatakan bahwa

model berdistribusi normal karena kurva membentuk lonceng. Pada diagram Normal

Probability Plot terlihat titik-titik yang menyebar yang kesemuanya menunjukkan bahwa

model berdistribusi normal.

8. Data yang tidak berdistribusi normal dapat di atasi dengan menambah jumlah periode data.c. Uji Multikolinieritas


2. Pada menu Analyze pilih Regression Linier...

3. Masukan IHSG sebagai variebel dependent dan NT, INF, SB, HS sebagai variabel

independent

Gambar 35

8/15/2019 13_20152016_Genap_ST

46/71


4. Pilih Statistics, aktifkan estimates, covariance matrik , dan Colinearity diagnostics,

kemudian continue

Gambar 36

5. Abaikan yang lain, Klik OK , dihasilkan output sebagai berikut :

Coefficientsa

Model UnstandardizedCoefficients

StandardizedCoefficients

t Sig. Collinearity Statistics

B Std. Error Beta Tolerance VIF

1

(Constant) -1,675 3,613 -,464 ,649

nilai tukar -,092 ,142 -,141 -,646 ,528 ,550 1,818

inflasi ,428 ,162 ,559 2,647 ,018 ,586 1,705

suku bunga -,001 ,154 -,002 -,007 ,995 ,494 2,025

harga saham ,647 ,235 ,475 2,750 ,015 ,879 1,138


Coefficient Correlationsa

Model harga saham nilai tukar inflasi suku bunga

1 Correlations harga saham 1,000 ,077 -,339 ,187

nilai tukar ,077 1,000 -,233 -,490

inflasi -,339 -,233 1,000 -,384

suku bunga ,187 -,490 -,384 1,000

Covariances harga saham ,055 ,003 -,013 ,007

nilai tukar ,003 ,020 -,005 -,011

inflasi -,013 -,005 ,026 -,010

suku bunga ,007 -,011 -,010 ,024

a. Dependent Variable: indeks harga saham gabungan6. Pada table Coefficients Nilai 1/Tolerance < 3, Pada table Coefficient Correlations, nilai

korelasi antar variabel bebas tidak lebih dari 0,50. Dengan demikian disimpulkan bahwa

model bebas dari gejala multikolinieritas.

7. Multikolinieritas dapat diatasi dengan cara (Gujarati):

a. Menghilangkan salah satu variabel bebas yang saling berkorelasi

b. Mentransformasikan variabel menjadi bentuk first Difference dengan mengurangkan

variabel (periode t) pada variabel peride sebelumnya (t-1)

c. Penambahan Data Baru

8/15/2019 13_20152016_Genap_ST

47/71


d. Uji Heteroskedastisitas


2. Pada menu Analyze Regression Linier...

3. Masukan IHSG sebagai variebel dependent dan NT, INF, SB, HS sebagai variabel

independent

4. Pilih Save. Pada Kotak Residual pilih Unstandardized, abaikan pilihan lain. Continue

Gambar 37

5. Klik OK , sehingga pada data editor akan muncul data Res_1.

6. Pada data editor, pilih Transform, kemudian Compute Variable.

Gambar 38

Target Variable Diisi : Abresid

Numeric Expresion Diisi : ABS(Res_1)

Pada Data Editor akan muncul kolom Abresid

8/15/2019 13_20152016_Genap_ST

48/71


7. Pada Data Editor, pilih Analyze Regression Linier... Masukan Abresid sebagai

variabel dependent , dan NT, INF, SB, HS sebagai variabel independent .

Gambar 39

8. Abaikan pilihan yang lain, Klik OK .Coefficientsa


t Sig.

B Std. Error Beta

1

(Constant) 1,234 2,400 ,514 ,615

nilai tukar -,021 ,095 -,077 -,224 ,826inflasi -,033 ,107 -,102 -,306 ,764

suku bunga ,026 ,102 ,094 ,258 ,800

harga saham -,012 ,156 -,022 -,079 ,938

a. Dependent Variable: Abresid

9. Analisis : Gejala heteroskedastisitas akan ditunjukkan oleh koefisien regresi dari masing-

masing variabel independent terhadap absolut residunya. Jika nilai probabilitas > (0,05), t-

hitung < t-tabel, atau sig-t > (0,05) dipastikan model untuk terjadi heteroskedastisitas. Dari

analisis data regresi diperoleh hasil bahwa dalam model tersebut tidak terjadi

heteroskedastisitas.

10. Cara Mengatasi Heteroskedastisitas dapat dilakukan dengan transformasi logaritma. LnYi = 0

+ 1 Ln Xi + ui

e. Uji Autokorelasi


2. Pada menu Analyze Regression Linier...

3. Masukan IHSG sebagai variabel dependent dan NT, INF, SB, HS sebagai variabel

independent . Pilih Statistics. Pada Kotak Residual pilih Durbin-Watson Continue

8/15/2019 13_20152016_Genap_ST

49/71


Gambar 40

4. Klik OK , dihasilkan output sebagai berikut :Model Summaryb

Model R R Square Adjusted RSquare

Std. Error of theEstimate

Durbin-Watson

1 ,779a ,608 ,503 ,99976 2,901

a. Predictors: (Constant), harga saham, nilai tukar, inflasi, suku bungab. Dependent Variable: indeks harga saham gabungan

5. Analisis : Kriteria pengambilan keputusan autokorelasi dapat dilihat dari tabel berikut :

DW Kesimpulan

4-dL Ada Otokorelasi (-)

Dari hasil pengolahan Data Regresi, dengan melihat tabel = 0,05 (Lihat lampiran tabel

buku Gujarati) diketahui dL : 0,69, dU : 1,57, DW: 2,901

4 – dU ; 4 - 1,57 = 2,43

4 - dL ; 4 – 0,69 = 3,31

Dengan demikian 4-dU s.d. 4-dL atau 2,43

8/15/2019 13_20152016_Genap_ST

50/71

8/15/2019 13_20152016_Genap_ST

51/71


Gambar 42

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

klik OK

Logistic Regression


Unweighted Casesa N Percent

Selected Cases Included in Analysis 14 100,0

Missing Cases 0 ,0

Total 14 100,0Unselected Cases 0 ,0Total 14 100,0

a. If weight is in effect, see classification table for the total numberof cases.

Dependent Variable Encoding

Original Value Internal ValueTidak Membeli 0Membeli 1

Hosmer and Lemeshow Test

Step Chi-square df Sig.

1 7,471 8 ,487

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 1a

Iklan_ko -,463 ,465 ,993 1 ,319 ,629

Iklan_ra -1,410 1,330 1,124 1 ,289 ,244

Outlet -1,649 1,286 1,644 1 ,200 ,192

Salesman -2,439 2,196 1,233 1 ,267 ,087

Constant54,627 38,707 1,992 1 ,158 5301500756005

80600000000,000

a. Variable(s) entered on step 1: Iklan_ko, Iklan_ra, Outlet, Salesman.

4. Analisis :

Menilai kelayakan Model regresi: Perhatikan table Hosmer and Lemeshow Test, jika

nilai signifikan-nya > 0,05, artinya model regresi layak digunakan untuk analisisselanjutnya. Dari hasil pengelohan diatas Sig (0,487) > 0,05, berarti model layak

digunakan untuk analisis selanjutnya.

8/15/2019 13_20152016_Genap_ST

52/71


Menguji Koefisien Regresi: Perhatikan tabel Varibel in The Equition, jika nilai

signifikannya > 0,05, artinya variabel independen tidak berpengaruh signifikan

terhadap variabel dependent. Dari hasil pengelohan diatas semua variabel independen

(Iklan_ko, Iklan_ra, Outlet, dan Salesman) memiliki nilai Sig. > 0, artinya semua

variabel tersebut tidak berpengaruh signifikan terhadap keputusan membeli atau tidak

membeli produk.

5.4 Regresi Berganda variabel Dummy

Memprediksi besar variabel dependen dengan menggunakan data variabel independen, dimana

satu atau lebih variabel independen adalah variabel dummy (Jenis datanya Nominal)

Data : PT Roni Informatik

Nama Variabel Tipe Value LabelGaji Numeric Gaji Perbulan

Gender Numeric 1 : Wanita2 : Pria

Jenis Kelamin

Tk.Ddk Numeric 1 : SMA

2 : Sarjana

Tingkat Pendidikan

Usia Numeric ---- Usia seorang karyawan (tahun)

Isi DataNo Gaji Gender Tk. Didik Usia

1 210000 Pria Sarjana 25

2 195000 Wanita Sarjana 22

3 185000 Wanita Sarjana 264 210000 Pria Sarjana 225 170000 Wanita SMU 25

6 210000 Pria SMU 357 200000 Pria SMU 338 160000 Wanita SMU 369 180000 Wanita SMU 39

10 210000 Pria SMU 3711 225000 Pria SMU 3012 200000 Pria SMU 3313 213000 Wanita Sarjana 31

14 215000 Wanita Sarjana 37

15 245000 Pria Sarjana 38

Langkah Kerja :

1. Input data PT Roni Informatik dalam SPSS

2. Dari menu Analyze Regression Linier...

3. Pada kotak Dependent masukan Gaji, pada kotak Independent masukan gender, tingkat

pendidikan dan usia

8/15/2019 13_20152016_Genap_ST

53/71


Gambar 43

4. Abaikan yang lain, klik OK .Regression

Model Summary



1 ,869a ,755 ,688 12082,823

a. Predictors: (Constant), Usia Seorang Karyawan (Tahun), JenisKelamin, Tingkat Pendidikan

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 4935792561,378 3 1645264187,126 11,269 ,001b

Residual 1605940771,956 11 145994615,632

Total 6541733333,333 14

a. Dependent Variable: Gaji Perbulanb. Predictors: (Constant), Usia Seorang Karyawan (Tahun), Jenis Kelamin, TingkatPendidikan

Coefficientsa


t Sig.

B Std. Error Beta

1 (Constant) 70213,302 27625,694 2,542 ,027

Jenis Kelamin 30016,148 6378,606 ,717 4,706 ,001

Tingkat Pendidikan 28629,083 7000,391 ,684 4,090 ,002

Usia Seorang Karyawan(Tahun)

1395,713 598,693 ,383 2,331 ,040

a. Dependent Variable: Gaji Perbulan

5. Analisis

Model Summary : angka R sebesar 0, 869 menunjukan angka korelasi yang cukup

kuat antara gaji yang diterima dengan gender, tingkat pendidikan dan usia

Anova : Dari uji anova nilai significansinya sebesar 0,001 dibawah 0,005 berarti

pengaruh ke tiga variabel independen signifikan terhadap variabel gaji

8/15/2019 13_20152016_Genap_ST

54/71


Coefficients: Pada kolom Sig. semua variabel memiliki tingkat signifikansi dibawah

nilai 0,005, berarti model regresi sudah layak untuk memprediksi pengaruh variabel

independent terhadap variabel dependent

Persamaan regresi :

Gaji = 128858,5 + 30016,148 gender + 28629,083tk.didik + 1395,713 Usia

Contoh Penafsiran : Misal apakah rata-rata gaji salesmen sama antara pria dan wanita

jika mereka berpendidikan sarjana dan berusia 30 tahun

Untuk Pria:

Gaji = 128858,5+30016,148 (1) + 28629,083 (1) + 1395,713 (30)

= 229375,121

Untuk Wanita :

Gaji = 128858,5+30016,148 (0) + 28629,083 (1) + 1395,713 (30)

= 119358,973

Kesimpulan : Gaji salesmen Wanita lebih rendah dari gaji salesmen pria

8/15/2019 13_20152016_Genap_ST

55/71


BAB VII

REGRESI MODERATING

Hubungan antar variabel dalam fenomena bisnis tidak hanya ditentukan oleh adanya variabel

bebas maupun variabel tergantung saja. Tetapi sering kali muncul adanya variabel yang

mempererat atau memperlemah hubungan antara variabel bebas dengan variabel tergantungnya.

Variabel yang mampu mempererat atau memperlemah hubungan antar variabel bebas dengan

variabel tergantung disebut dengan variabel moderating (variabel moderasi).

Untuk menggambarkan model hubungan moderating dapat dilihat pada gambar berikut:

X2

X1 Y

Diketahui :

X1 = Kepuasan Konsumen

X2 = Varriety Seeking Behaviour (VSB)

Y = Loyalitas Konsumen

Model tersebut dapat dibaca bahwa disamping kepuasan konsumen mempengaruhi loyalitas

konsumen, variabel varriety seeking behaviour juga memoderasi hubungan antara variabel

kepuasan konsumen dengan loyalitas konsumen.

Ada tiga metode yang digunakan untuk menganalisis uji regresi dengan variabel moderasi, ketiga

model tersebut adalah:

1. Uji Interaksi

Uji interaksi sering juga disebut dengan Moderated Regression Analysis (MIRA). Uji interaksi

dilakukan dengan cara mengalikan variabel moderasinya dengan variabel bebas. Jika variabel

hasil perkalian antara variabel bebas dengan variabel moderasinya signifikan, maka dapat

disimpulkan bahwa variabel moderasi benar-benar mampu memoderasi hubungan antara

variabel bebas dengan variabel tergantungnya. Dengan uji interasik, maka model persamaan

regresinya dapat diformulasikan sebagai berikut:

Y= a+b1X1 + b2X2 + b3X1X2 + e

8/15/2019 13_20152016_Genap_ST

56/71


2. Uji Selisih Mutlak

Uji selisih Mutlak dilakukan dengan cara mencari hasil selisih mutlak variabel moderasinya

terstandarisasi dengan variabel bebas terstandarisasi. Jika variabel hasil selisih antara variabel

bebas terstandarisasi dengan variabel moderasi terstandarisasinya signifikan, maka dapat

disimpulkan bahwa variabel moderasi benar-benar mampu memoderasi hubungan antar

variabel bebas dengan variabel tergantungnya.

Dengan uji selisih mutlak, maka model persamaan regresinya dapat difromulasikan sebagai

berikut:

Y= a+b1ZX1 + b2ZX2 + b3|ZX1 - ZX2|+ e

Langkah Kerja

1. Uji Interaksi

Buat File Berikut di Microsoft Excel dengan nama Regresi Moderating

Data Isi :

Kepuasan_Konsumen VSB Loyalitas_Konsumen

3 4 4

2 2 5

3 3 4

3 3 4

4 4 5

2 3 5

4 2 4

3 3 4

3 4 4

3 4 4

4 4 4

3 4 5

4 3 4

3 3 5

4 2 4

3 3 44 3 4

4 4 4

3 3 4

4 3 5

3 2 5

2 3 4

3 4 4

2 3 5

4 3 4

3 4 4

4 4 5

4 4 4

5 4 4

8/15/2019 13_20152016_Genap_ST

57/71


Lalu di konversi ke interval menggunakan software successive (MSI)

Buat data SPSS sebagai berikut :

Nama Variabel Tipe Label Skala

kepuasan_konsumen Numeric Kepuasan Konsumen Rasio

vsb Numeric Varriety SeekingBehaviour

Rasio

loyalitas_konsumen Numeric Loyalitas Konsumen Rasio

Data tersebut dimasukan ke dalam SPSS

Gambar 44

klik Transform Compute Variable

Target Variabel diisi dengan Moderat

Numeric Expression diisi dengan perkalian variabel kepuasan_konsumen dengan vsb

dengan syntax sebagai berikut : kepuasan_konsumen * vsb

8/15/2019 13_20152016_Genap_ST

58/71


Gambar 45

Klik OK

Tampak pada Data View, terjadi penambahan satu variabel sebagai akibat proses

perhitungan (Save...) di atas sebagai berikut:

Gambar 46

Lakukan analisis Regresi Linear

Klik Analyze Regression Linear…

Masukan variabel loyalitas_konsumen pada kotak Dependent . Lalu variabel

kepuasan_konsumen, vsb dan moderat pada kotak Independent.

8/15/2019 13_20152016_Genap_ST

59/71


Gambar 47

Abaikan pilihan yang lain, lalu klik OK

Model Summary



1 ,444a ,197 ,105 ,793862

a. Predictors: (Constant), Moderat, kepuasan_konsumen, varrietyseeking behaviour

ANOVAa


1

Regression 4,025 3 1,342 2,129 ,121b

Residual 16,386 26 ,630

Total 20,411 29

a. Dependent Variable: loyalitas_konsumenb. Predictors: (Constant), Moderat, kepuasan_konsumen, varriety seeking behaviour

Coefficientsa


t Sig.

B Std. Error Beta

1

(Constant) 8,986 2,529 3,553 ,001

kepuasan_konsumen -,761 ,661 -,845 -1,150 ,260

varriety seeking behaviour -,861 ,731 -,957 -1,178 ,249

Moderat ,158 ,186 1,039 ,853 ,402a. Dependent Variable: loyalitas_konsumen

ANALISIS :

Berdasarkan outupu diperoleh nilai t statistik sebesar 0,853, sedangkan jika kita lihat t tabel

df: α, n-k (2,042), maka dapat disimpulkan bahwa Varriety Seeking Behaviour tidak

memoderasi hubungan antara variabel kepuasan konsumen dan loyalitas konsumen.

Berdasarkan output diperoleh sigi t statistik sebesar 0,402, sedangkan : α sebesar 0,05. Kar ena

nilai Sig t statistik (0,402) > α (0,05), maka dapat disimpulkan bahwa Varriety SeekingBehaviour tidak memoderasi hubungan antara kepuasan konsumen dan loyalitas konsumen.

8/15/2019 13_20152016_Genap_ST

60/71


2. Uji Selisih Mutlak

Buka File : Regresi Moderating

Menghitung nilai Standardize Variabel kepuasan_konsumen dan nilai Standardize

Variabel vsb.

Klik Analyze Descriptive Statistics Descriptives

Masukkan variabel kepuasan_konsumen dan vsb ke kotak variabel(s)

Aktifkan Save Standardized Value As Variable

Gambar 48

Klik OK , abaikan pilihan yang lain

Maka pada SPSS data editor muncul variabel baru Zkepuasan_Konsumen dan Zvsb

Mengitung Nilai Variabel Moderat

Dalam data editor kita belum mempuanyai variabel selisih mutlak kedua variabel

yang telah di standarisasi, selisih kedua variabel yang telah distandarisasi dapat

dilakukan dengan cara :

Klik Transform Compute Variable

Target Variable diisi dengan Moderat

Numeric Expression diisi dengan nilai mutlak pengurangan variabel

Zkepuasan_konsumen dan Zvsb dengan syntax sebagai berikut:

8/15/2019 13_20152016_Genap_ST

61/71

8/15/2019 13_20152016_Genap_ST

62/71


Model Summary



1 ,461a ,213 ,122 ,786051

a. Predictors: (Constant), moderat, Zscore(kepuasan_konsumen),

Zscore: varriety seeking behaviour

ANOVAa


1

Regression 4,346 3 1,449 2,345 ,096b

Residual 16,065 26 ,618

Total 20,411 29

a. Dependent Variable: loyalitas_konsumenb. Predictors: (Constant), moderat, Zscore(kepuasan_konsumen), Zscore: varriety seekingbehaviour

Coefficientsa Model Unstandardized Coefficients Standardized

Coefficientst Sig.

B Std. Error Beta

1

(Constant) 5,414 ,219 24,664 ,000

Zscore(kepuasan_konsumen)

-,167 ,155 -,199 -1,078 ,291

Zscore: varriety seekingbehaviour

-,272 ,155 -,324 -1,751 ,092

moderat -,212 ,189 -,201 -1,123 ,272

a. Dependent Variable: loyalitas_konsumen

ANALISIS :

Berdasarkan outupu diperoleh nilai t statistik sebesar -0,185, sedangkan jika kita lihat t tabel

df: α, n-k (2,042), maka dapat disimpulkan bahwa Varriety Seeking Behaviour tidak

memoderasi hubungan antara variabel kepuasan konsumen dan loyalitas konsumen.

Berdasarkan output diperoleh sigi t statistik sebesar 0,854, sedangkan : α sebesar 0,05. Kar ena

nilai Sig t statistik (0,854) > α (0,05), maka dapat disimpulkan bahwa Varriety Seeking

Behaviour tidak memoderasi hubungan antara kepuasan konsumen dan loyalitas konsumen.

8/15/2019 13_20152016_Genap_ST

63/71


BAB VIII

REGRESI INTERVENING

Di samping adanya hubungan mediasi adalah fenomena ekonomi juga terdapat hubungan

intervening. Suatu variabel dikatakan bertindak sebagai variabel intervening jika variabel tersebut

menjadi perantara hubungan dua variabel atau lebih. Untuk menganalisis apakah suatu variabel

bertindak sebagai variabel intervening atau tidak digunakan analisis regresi yang terstandarisasi

(analisis jalur). Untuk mempermudah dalam memahami analisis regresi dengan variabel

intervening, maka dapat disajikan model sebagai berikut:

X1

X2

Y

Gambar 55

Dari gambar di atas terlihat bahwa X2 merupakan variabel intervening antara variabel; X1 dengan

variabel Y. Artinya bahwa X1 akan mempengaruhi X2, sedangkan X2 anak berpengaruh terhadap

Y. Dalam analisis regresi dengan variabel intervening harus dianalisis per struktur. Dalam modeldi atas terdiri dari dua sub struktur yaitu:

1. Struktur Pertama

X1 X2

Persamaan : X2 = a +b1X1

2. Persamaan kedua

X2

X1

Y

Persamaan : Y = a + b1X1 + b2X2

APLIKASI MENGGUNAKAN SPSS

8/15/2019 13_20152016_Genap_ST

64/71


Berikut ini adalah model penelitian di bidang Manajemen Pemasaran

P1

P2

P3

P5

P4

Kualitas Pelayanan

Citra Merk

Kepuasan Konsumen Loyalitas Konsumen

ε1 ε2

Gambar 51

1. Analisis Sub Struktur Pertama Dalam sub struktur pertama kepuasan_konsumen dipengaruhi oleh kualitas_pelayanan dan

citra_merk

kualitas_pelayanan citra_merek kepuasan_konsumen koyalitas_konsumen

5 5 4 6

5 5 5 6

4 4 4 5

5 5 5 6

5 4 5 7

4 4 4 5

5 5 5 7

4 4 4 5

5 5 5 6

5 5 5 6

4 4 4 5

5 5 5 5

4 4 4 5

5 5 5 7

4 5 5 6

5 5 5 7

4 4 4 5

5 5 5 7

5 5 5 6

4 4 4 6

6 6 6 6

4 5 4 5

5 5 5 6

5 5 5 6

5 5 5 6

6 6 6 6

7 7 7 7

6 6 6 7

4 7 6 7

5 5 5 6

8/15/2019 13_20152016_Genap_ST

65/71


Buat File : Regresi Intervening

Variabel :

Nama Variabel Tipe Label Skala

kualitas_pelayanan Numeric Kualitas Konsumen Rasio

citra_merk Numeric Citra Merk Rasiokepuasan_konsumen Numeric Kepuasan Konsumen Rasio

loyalitas_konsumen Numeric Loyalitas Konsumen Rasio

Data Isi :

Konversi data ordinal di atas ke interval menggunakan successive

Klik Analyze Regression Linear...

Masukan variabel kepuasan_konsumen pada kotak dependent , dan variabel

kualitas_pelayanan dan citra_merk pada kotak Independent

Gambar 52


Model Summary



1 ,881a ,776 ,759 ,423424a. Predictors: (Constant), Citra_Merek, Kualitas_pelayanan

Coefficientsa


t Sig.

B Std. Error Beta

1

(Constant) ,234 ,523 ,447 ,659

Kualitas_pelayanan ,465 ,117 ,472 3,977 ,000

Citra_Merek ,488 ,116 ,500 4,214 ,000

a. Dependent Variable: Kepuasan_Konsumen

Nilai koefisien regresi yang dipakai adalah nilai yang terletak pada kolom Standardized

Coefficients yaitu:

8/15/2019 13_20152016_Genap_ST

66/71


Koefisien regresi variabel Kualitas Pelayanan = 0,472

Koefisien regresi variabel Citra Merek = 0,500

Sehingga model regresi pertama adalah:

Kepuasan Konsumen (Y) = 0,472 Kualitas Pelayanan (X1) + 0,500 Citra Merek (X2)

2. Analisis Sub Struktur Kedua

Dalam sub struktur pertama Loyalitas Konsumen dipengaruhi oleh Kualitas Pelayanan

Citra_merk dan Kepuasan_konsumen.

Buka File : Regresi Intervening

Klik Analyze Regression Linear...

Masukan variabel loyalitas_konsumen pada kotak dependent , dan variabel kualitas

pelayanan, Citra_merk dan kepuasan_konsumen pada kotak Independent

Gambar 53


Model Summary



1 ,728a ,530 ,476 ,537907

a. Predictors: (Constant), Kepuasan_Konsumen, Kualitas_pelayanan,Citra_Merek

Coefficientsa


t Sig.

B Std. Error Beta

1

(Constant) 2,643 ,667 3,964 ,001

Kualitas_pelayanan ,072 ,187 ,085 ,384 ,704

Citra_Merek ,020 ,189 ,024 ,105 ,917

Kepuasan_Konsumen ,550 ,244 ,640 2,251 ,033

a. Dependent Variable: Loyalitas_Konsumen

Koefisien regresi variabel Kualitas Pelayanan = 0,085

Koefisien regresi variabel Citra Merek = 0,024

8/15/2019 13_20152016_Genap_ST

67/71


Koefisien regresi variabel kepuasan konsumen = 0,640

Sehingga model regresi kedua adalah:

Loyalitas konsumen (Y) = 0,085 Kualitas Pelayanan + 0,024 Citra Merek + 0,640

Kepuasan Konsumen

PEMBAHASAN

Kualitas Pelayanan

Citra Merk

Kepuasan Konsumen Loyalitas Konsumen

ε1 ε2

P1 = 0,472

P2 = 0,500

P5 = 0,024

P4 = 0,640

P3 = 0,085

Gambar 54

Uji Hipotesis Model Pertama:

1. Pengaruh Kualitas Pelayanan terhadap Kepuasan Konsumen

H0 : Kualitas Pelayanan berpengaruh tidak signifikan terhadap kepuasan konsumen

H1 : Kualitas Pelayanan berpengaruh signifikan terhadap kepuasan Konsumen

t tabel = 5%;30-2=2,048

t hitung variabel kualitas pelayanan = 3,977

nilai t hitung (3,977) > nilai t tabel (2,048) maka H1 diterima.

2. Pengaruh Citra Merek terhadap Kepuasan Konsumen

H0 : Citra Merk berpengaruh tidak signifikan terhadap kepuasan konsumen

H1 : Citra Merk berpengaruh signifikan terhadap Kepuasan Konsumen

t tabel = 5%;30-2=2,048



Uji Hipotesis Model Kedua:

1. Pengaruh Kualitas Pelayanan terhadap Loyalitas Konsumen

H0 : Kualitas Pelayanan berpengaruh tidak signifikan terhadap loyalitas konsumen

H1 : Kualitas Pelayanan berpengaruh signifikan terhadap loyalitas Konsumen

t tabel = 5%;30-3=2,052


8/15/2019 13_20152016_Genap_ST

68/71


nilai t hitung (0,384) < nilai t tabel (2,052) maka H0 diterima.

2. Pengaruh Kepuasan terhadap Loyalitas Konsumen

H0 : Kepuasan Konsumen berpengaruh tidak signifikan terhadap loyalitas konsumen

H1 : Kepuasan Konsumen berpengaruh signifikan terhadap loyalitas Konsument tabel = 5%;30-3=2,052



3. Pengaruh Citra Merk terhadap Loyalitas Konsumen

H0 : Citra Merk berpengaruh tidak signifikan terhadap loyalitas konsumen

H1 : Citra Merk berpengaruh signifikan terhadap loyalitas Konsumen

t tabel = 5%/2;30-3=2,052


nilai t hitung (0,105) < nilai t tabel (2,052) maka H0 diterima.

Untuk melihat apakah variabel kepuasan konsumen menjadi variabel intervening bagi model

penelitian di atas, maka harus dibandingkan antara nilai koefisien regresi pengaruh langsung dan

tidak langsung dari variabel kualitas pelayanan dan citra merek terhadap loyalitas pelanggan

melalui variabel kepuasan konsumen. Caranya adalah sebagai berikut:

a. Apakah variabel kepuasan konsumen menjadi variabel intervening (mediasi) dari pengaruhkualitas pelayanan terhadap loyalitas konsumen

Pengaruh langsung dari Kualitas Pelayanan terhadap loyalitas konsumen

Nilai P3 = 0,085

Pengaruh tidak langsung dari Kualitas Pelayanan terhadap loyalitas konsumen

Nilai P1 x Nilai P4 = 0,472 x 0,640 = 0,302

Dari perhitungan di atas dapat disimpulkan bahwa variabel kepuasan konsumen menjadi

variabel intervening bagi hubungan antara kualitas pelayanan dengan loyalitas konsumen

karena hasil perkalian pengaruh tidak langsung (0,302) lebih besar dari pengaruh langsung

(0,085).

Untuk menguji apakah variabel intervening tersebut signifikan atau tidak dilakukan pengujian

dengan menggunakan Sobel Test.

Langkah-langkah Sobel Test sebagai berikut:

1. Menghitung besarnya nilai Standard error pengaruh tidak langsung (Se14)

Se1 = √ (1 – R 2) nilai R 2 model regresi pertama = 0,776 sehingga

Se1 = √ (1 – 0,776) = 0,224Se2 = √ (1 – R 2) nilai R 2 model regresi kedua = 0,530 sehingga

8/15/2019 13_20152016_Genap_ST

69/71


Se2 = √ (1 – 0,530) = 0,470

P14 = P1 x P4 = 0,472 x 0,640 = 0,302

Se14 = √P12 . Se22 + P42 . Se12 + Se12. Se22

= √[(0,472)2

. (0,470)2

] + [(0,640)2

. (0,224)2

]+ [(0,224)2

. (0,470)2

]= √0,3440840752

= 0,58381596004220371

2. Menentukan nilai t hitung

ℎ =

=

0,302

0,58381596004220371 = 0,517

3. Membandingkan nilai t hitung dengan nilai z untuk nilai α = 0,05 yaitu sebesar 1,96

Dari perhitungan pada langkah kedua diperoleh nilai t hitung (0,517) kurang dari nilai z

(1,96), sehingga dapat disimpulkan meskipun nilai pengaruh tidak langsung lebih besar

dari pengaruh langsung, namun pengaruhnya tidak signifikan.

b. Apakah variabel kepuasan konsumen menjadi variabel intervening (mediasi) dari pengaruh

kualitas pelayanan terhadap loyalitas konsumen

Pengaruh langsung dari Citra Merek terhadap loyalitas konsumen

Nilai P5 = 0,024

Pengaruh tidak langsung dari Citra Merek terhadap loyalitas konsumen

Nilai P2 x Nilai P4 = 0,500 x 0,640 = 0,320

Dari perhitungan di atas dapat disimpulkan bahwa variabel kepuasan konsumen menjadi

variabel intervening bagi hubungan antara citra merek dengan loyalitas konsumen karena hasil

perkalian pengaruh tidak langsung (0,320)

Documents

13_20152016_Genap_ST