Upload
others
View
10
Download
0
Embed Size (px)
Citation preview
MODUL PRAKTIKUM STATISTIC FOR ECONOMICS 2
OLEH
NOVI PERMATA INDAH
UNIVERSITAS SINGAPERBANGSA KARAWANG
KARAWANG
2017
ANALISIS REGRESI LINIER
Analisis regresi merupakan teknik analisis yang khus digunakan untuk jenis penelitian asosiatif.
Analisis regresi digunakan untuk mempelajari pengaruh variabel bebas (variabel prediktor)
terhadap variabel terikat. Secara umum analisis regresi linier terbagi atas 2 jenis yaitu yaitu
analisis regresi linier sederhana dan analisis regresi linier berganda. Secara umum perbedaan
analisis regresi linier sederhana dan analisis regresi linier berganda terletak pada jumlah variabel
bebasnya. Jika pada analisis regresi linier sederhana hanya ada 1 variabel bebaas sehingga model
regresi linier sederhana dapat dituis sebagai berikut
ii XY 110
sedangakan pada analisis regresi linier berganda terdapat lebih dari satu variabel bebas yang
mempengaruhi varibel terikat. Sehingga model regesi linier berganda dapat ditulis sebagai
berikut
inni XXXY ...22110 .
Secara umum uji asumsi, peritungan koefisien pengaruh dan uji kecocokan model baik pada
analisis regresi linier sederhana dan anlisis regresi linier berganda semuanya melaui proses yang
sama. Pada modul ini contoh dan peyelesaian studi kasus akan diberikan melalui analisis regresi
linier berganda.
Asumsi Dalam Analisis Regresi
Dalam analisis regresi terdapat beberapa asumsi yang harus dipenuhi agar persamaan regresi
yang didapat baik dan mampu menggambarkan data yang sebenarnya sehingga menghasilkan
kesimpulan yang sahih dan tidak menyesatkan. Asumsi asumsi yang harus dipenuhi dalam
analisis regresi adalah sebagai berikut:
1. Asumsi linieritas
Linieritas merupakan hal yang sangat penting dalam analisis regresi linier. Yang
dimaksud dengan linieritas adalah bahwa nilai rata-rata variabel respon (y) merupakan
fungsi garis lurus dari variabel prediktor (x). Dalam analisis regresi linier berganda
digambarkan bahwa antara variabel respon dan variabel prediktor mempunyai hubungan
pengaruh linier yang ditunjukkan oleh persamaan:
inni XXXY ...22110
Pengujian linieritas dimaksudkan untuk mengetahui linieritas hubungan antara variabel
respon dan variabel prediktor. Disamping itu dapat digunakan untuk mengetahui taraf
signifikansi penyimpangan linieritas hubungan tersebut. Apabila penyimpangan yang
ditemukan tidak signifikan maka dapat disimpulkan hubungan antara variabel respon dan
prediktor linier. Uji linieritas dapat menggunakan scater plot dan uji korelasi dengan
hipotesis sebagai berikut:
Uji hipotesis untuk koefisien korelasi :
H0: 0 (Tidak ada korelasi linier)
H1: 0 (ada korelasi linier)
tolak H0 jika p-value kurang dari tingkat kesalahan alpha (α=1%, 5% atau 10%), artinya
hubungan antara dua variabel nyata dan linier.
2. Asumsi kenormalan
Pada bidang statistika, uji normalitas digunakan untuk menguji apakah suatu variabel
acak berdistribusi normal atau tidak. Salah satu aplikasinya adalah pada pengujian asumsi
kenormalan dari residual pada suatu model regresi linier. Pemeriksaan kenormalan residual
dapat menggunakan histogram dari residual tadi yang kemudian dibandingkan dengan
bentuk dari kurva sebaran normal
Kenormalan residual tidak hanya dapat diperiksa dengan histogram akan tetapi dapat
menggunakan beberapa uji untuk normalitas yang biasa digunakan yaitu Uji Anderson –
Darling, Uji Shapiro – Wilk, Uji Kolmogorov – Smirnov. Dan kriteria pengujian yang biasa
dipakai adalah nilai p (p-values), jika nilai p dari uji yang dipakai lebih kecil dari alpha
yang ditetapkan, maka tolak H0. Sehingga dapat dikatakan bahwa data/residual tersebut
tidak mengikuti sebaran normal.
3. Asumsi Residual Menyebar Seragam (H0moskedastisitas)
Salah satu asumsi penting dari model analisis regresi adalah bahwa residual yang
muncul adalah H0moskedastik. H0moskedastisitas, scedasticity ( penyebaran ) dan H0mos (
sama ) yaitu ragam yang sama. Artinya, variabel pengganggu memiliki ragam yang sama.
Secara grafik, dalam regresi dua variabel, kasus homoskedastisitas ditunjukkan oleh gambar
1, Sedangkan kasus heteroskedastisitas, secara grafik dapat dijelaskan oleh gambar 2
Gambar 1
Gambar 2
Tidak ada aturan yang kuat untuk mendeteksi heteroskedastisitas, hanya ada
beberapa pedoman praktis. diantaranya u ji Park, uji Glejser, Spearman’s Rank
Correlation dan melihat grafik scatter plot antara fitted value dengan residual. Ada
tidaknya pola tertentu pada grafik scatter plot dimana sumbu Y adalah nilai Y yang telah
diprediksi dan sumbu X adalah residual ( ̂–Y).
Dasar pengambilan keputusan yaitu:
- Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu
(bergelombang, melebar kemudian menyempit), maka terjadi heterokedastisitas.
- Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedasitas.
4. Asumsi Kebebasan Residual (Non Autokorelasi)
Satu dari asumsi penting dari model regresi linier klasik adalah bahwa residual yang
masuk ke dalam fungsi regresi adalah random atau tak berkorelasi. Jika asumsi ini dilanggar,
kita mempunyai problem autokorelasi. Istilah autokorelasi dapat didefinisikan sebagai
“korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu atau ruang atau
juga dapat dikatakan korelasi antara 2 deretan waktu seperti u1,u2,...,u10 dan u2,u3,...,u11.
Beberapa alasan terjadinya autokorelasi:
a. Ada pengaruh dari waktu sebelumnya.
b. Bias yang disebabkan oleh tidak dimasukan beberapa variabel yang relevan dengan
model atau karena menggunakan bentuk fungsi yang tidak benar.
c. Manipulasi data.
Ada beberapa metode yang dapat digunakan untuk mendeteksi autokorelasi, antara lain
sebagai berikut: metode grafik dan uji Durbin-Watson. Statistik d dari Durbin-Watson adalah
d =
Nt
t
t
Nt
t
tt
e
ee
1
2
2
2
1)(
Mekanisme tes Durbin-Watson adalah sebagai berikut:
1. Lakukan regresi OLS dan dapatkan residual ei.
2. Hitung d.
3. Untuk ukuran sampel tertentu dan banyaknya variabel yang menjelaskan tertentu,
dapatkan nilai kritis dL dan dU.
4. Jika Hipotesis H0 adalah bahwa tidak ada serial korelasi positif, jika
d < dL : menolak H0
d > dU : tidak menolak H0
dL ≤ d ≥ dU : pengujian tidak meyakinkan
5. Jika Hipotesis H0 adalah bahwa tidak ada serial korelasi negatif, jika
d < 4 - dL : menolak H0
d > 4 - dU : tidak menolak H0
4 - dL ≤ d ≥ 4 - dU : pengujian tidak meyakinkan
6. Jika H0 adalah ujung-ujung, yaitu bahwa tidak ada serial korelasi positif atau negatif.
5. Asumsi non multikolinearitas (kebebasan antar variabel prediktor dalam analisis regresi
linier berganda)
Multikolinearitas adalah adanya hubungan linier antara variabel bebas dalam model regresi.
Pendeteksian multikolinieritas dalam analisis regresi dengan Melihat nilai VIF (Variance
Inflation Factor), apabila nilai VIF ≤ 10 disimpulkan tidak terjadi multikolinieritas, namun
jika nilai VIF > 10 maka disimpulkan terjadi multikolinieritas.
Studi Kasus
Desa Sragen Wetan adalah sentra produksi tahu di kabupaten Sragen, permintaan akan
tahu cukup tinggi tetapi produksi tahu di desa ini tidak mampu menyukupinya dan produksinya
tidak dapat berkembang pesat. Oleh karena itu ingin diketahui faktor-faktor produksi yang
mempengaruhi produksi tahu di Desa Sragen Wetan. Faktor-faktor produksi yang digunakan
dalam industri tahu yaitu : kedelai, tenaga kerja, solar, sekam, air dan laru. Besarnya produksi
dalam industri tahu ditentukan oleh faktor-faktor produksi tersebut.
Kedelai (X1) merupakan bahan baku utama dalam membuat tahu. Jumlah kedelai yang
digunakan sebagai input produksi diukur dalam satuan kilogram (kg) dan dihitung selama
satu bulan.
Tenaga kerja (X2) adalah tenaga kerja yang digunakan dalam proses produksi yang meliputi
kegiatan penyortiran, pencucian, perendaman, pengupasan, penggilingan, pendidihan,
penyaringan, penggumpalan, pencetakan dan perebusan. Faktor produksi tenaga kerja
menggunakan jumlah jam kerja per gilingan selama satu bulan.
Solar (X3) diperlukan sebagai bahan bakar untuk menggiling kedelai agar menjadi bubur.
Satuan solar diukur dalam liter dan dihitung selama satu bulan.
Sekam (X4) merupakan bahan bakar yang digunakan untuk memanaskan air yang uapnya
akan digunakan untuk merebus tahu. Satuan sekam diukur dalam karung dan dihitung
selama satu bulan.
Air (X5) diperlukan dalam proses produksi tahu antara lain untuk pencucian dan
perendaman kedelai. Satuan air diukur dalam liter dan dihitung selama satu bulan.
Laru atau bibit tahu (X6) dipakai sebagai campuran sari kedelai, agar dapat menggumpal
menjadi tahu. Satuan laru dihitung dalam liter dan dihitung selama satu bulan.
Produksi (Y) yang dihasilkan dipengaruhi oleh kombinasi faktor-faktor produksi yang
digunakan. Produksi yang dihasilkan dinyatakan dalam satuan kotak (tempat tahu yang
terbuat dari kayu) dan dihitung selama satu bulan.
Data
Daftar produksi dan faktor-faktor produksi responden
no produksi kedelai
tenaga
kerja solar sekam air
(liter)
laru
(liter) kotak (kg) (jam) (liter) (karung)
1 1080 1500 240 90 300 42000 4200
2 900 1500 180 120 450 44100 5250
3 1410 2400 600 60 450 72600 6600
4 1200 2400 240 120 450 82500 7920
5 1290 2400 240 150 450 79200 7590
6 1320 2400 360 120 440 82500 7320
7 1550 3000 420 150 750 105000 9240
8 1600 3000 450 150 900 100800 10500
9 1600 3000 420 150 480 102900 8820
10 1550 3000 450 180 450 96600 9660
11 1560 3000 540 150 750 98700 10500
12 1530 3000 420 150 450 96600 9240
13 1570 3000 450 150 480 98700 9660
14 1535 3000 540 180 450 96600 8820
15 1650 3000 420 150 750 102900 9660
16 1700 3000 540 180 480 98700 9240
17 1600 3000 420 180 450 98700 9240
18 1550 3000 420 180 480 102900 9660
19 1950 3750 480 150 750 135000 10800
20 2260 4500 540 150 900 138600 13230
21 2200 4500 540 300 900 157500 15750
22 2160 4500 510 180 600 141750 15120
23 2160 4500 540 180 450 153720 13860
24 2400 4500 600 150 750 146790 11340
25 2300 4500 540 180 900 146790 13230
26 2200 4500 540 180 900 141750 15750
27 2225 4500 570 150 750 154350 11970
28 2325 4500 540 300 750 157500 13860
29 2350 4500 540 300 750 141750 13860
30 2190 4500 510 150 600 153720 15120
31 2300 4500 570 180 600 146790 13860
32 2215 4500 540 180 750 153720 11970
33 2700 6000 630 210 600 195720 21000
34 2500 6000 600 210 750 204120 19320
35 2800 6000 660 210 600 203280 17640
36 2750 6000 600 180 750 203280 19320
37 2800 6000 630 180 800 204120 17640
Langkah-langkah dengan SPSS
1. Input data ke dalam SPSS
2. Pada menu utama klik Analyze, pilih Regression dan klik Linear
3. Akan tampil dilayar sebagai berikut. Isikan variabel Y ke Dependent dan X1-X6 ke
Independent(s). Selanjutnya klik Statistics
4. Pilih Estimate, Model Fit, R square change, Descriptive, Part and Partial correlation,
Collinearity diagnostics dan Durbin-Watson. Kemudian klik Continue
Kemudian klik Plots, isikan *RESID ke Y: dan *ZPRED ke X:, klik Continue
Selanjutnya klik Save, pada kolom Residuals pilih Unstandardize, klik Continue, klik OK
5. Uji Kenormalan Residual dengan mengunkan uji Kolmogorov Smirnov. Dengan cara
sebagai berikut:
Nilai residual telah diperoleh dari tahapan ke-4, selanjutnya klik Analyze, Non Parametric
Test, Legacy Dialogs, 1-Sample K-S
Akan tampil dilayar seperti berikut, isikan Unstadardizes Residuals ke Test Variable List,
pada kolom Test Distibution, pilih Normal, klik OK
Hasil dan pembahasan
Uji Asumsi
1. Linieritas (korelasi)
Hipotesis:
H0: ρ=0 (tidak ada hubungan linier antara x dan y)
H1: ρ≠0 (ada hubungan linier antara x dan y)
Correlations
Y X1 X2 X3 X4 X5 X6
Pearson
Correlation
Y 1.000 .984 .842 .579 .607 .974 .929
X1 .984 1.000 .814 .565 .574 .993 .966
X2 .842 .814 1.000 .431 .515 .799 .751
X3 .579 .565 .431 1.000 .420 .575 .602
X4 .607 .574 .515 .420 1.000 .576 .561
X5 .974 .993 .799 .575 .576 1.000 .956
X6 .929 .966 .751 .602 .561 .956 1.000
Sig. (1-tailed) Y . .000 .000 .000 .000 .000 .000
X1 .000 . .000 .000 .000 .000 .000
X2 .000 .000 . .004 .001 .000 .000
X3 .000 .000 .004 . .005 .000 .000
X4 .000 .000 .001 .005 . .000 .000
X5 .000 .000 .000 .000 .000 . .000
X6 .000 .000 .000 .000 .000 .000 .
Berdasarkan output SPSS, korelasi antara variabel penjelas dan variabel respon, masing-
masing memiliki P-value (kolom ketiga) < 0.05. sehingga keputusan tolak H0, artinya
dengan kepercayaan 95% setiap variabel penjelas memiliki hubungan linier (korelasi)
yang nyata terhadap variabel respon. Diikuti dengan nilai korelasi yang cukup tinggi.
variabel penjelas dan variabel respon, menunjukkan bahwa variabel penjelas memiliki
hubungan linier positif dengan variabel respon. Dengan terpenuhinya hubungan linier,
maka data ini dapat dianalisis dengan regresi linier berganda.
2. Kenormalan
Hipotesis:
H0 : residula berdistribusi normal
H1 : residula tidak berdistribusi normal
uji kenormalan kolmogorof-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 37
Normal Parametersa,b
Mean .0000000
Std. Deviation 62.99251845
Most Extreme Differences Absolute .113
Positive .087
Negative -.113
Kolmogorov-Smirnov Z .687
Asymp. Sig. (2-tailed) .733
Dengan menggunakan uji kenormalan Kolmogorov-Smirnov P-value pada uji kenormalan KS
sebesar 0.733 > 0,05. Sehingga keputusan terima H0, dapat disimpulkan bahwa residual
menyebar normal.
3. Homosketdastisitas
Metode ini digunakan dengan cara melihat grafik scatter plot antara fitted value
dengan residual. Ada tidaknya pola tertentu pada grafik scatter plot dimana sumbu Y adalah
nilai Y yang telah diprediksi dan sumbu X adalah residual ( ̂–Y).
Berdasarkan grafik di residual menyebar secara acak, tidak mengikuti pola
tertentu, sehingga dapat disimpulkan bahwa galat mempunyai ragam yang sama. Dengan
demikian, asumsi Homoskedastisitas terpenuhi.
4. Non autokorelasi
Hipotesis
H0: ρ=0 (tidak terdapat autokorelasi)
H1: ρ≠0 (terdapat autokorelasi)
Model Summaryb
Model R
R
Square
Adjusted R
Square
Std. Error of the
Estimate
Change Statistics
Durbin-
Watson
R Square
Change
F
Change df1 df2
Sig. F
Change
1 .992a .985 .982 69.00485 .985 322.791 6 30 .000 2.039
Tabel Durbin Watson k=6, n=37, alfa=0,05 : dL=1.130 du=1.87
Jika d > du maka tidak tolak H0. Jadi, dari uji Durbin Watson dapat disimpulkan bahwa
tidak terjadi autokorelasi, asumsi non autokorelasi terpenuhi.
5. Non Multikolinieritas
Output SPSS untuk VIF
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Correlations Collinearity Statistics
B
Std.
Error Beta
Zero-
order Partial Part Tolerance VIF
1 (Constant) 204.162 60.199 3.391 .002
X1 .648 .097 1.594 6.661 .000 .984 .772 .150 .009 112.672
X2 .307 .178 .070 1.720 .096 .842 .300 .039 .304 3.289
X3 .693 .300 .067 2.312 .028 .579 .389 .052 .602 1.661
X4 .163 .083 .055 1.971 .058 .607 .339 .044 .646 1.549
X5 -.005 .002 -.392 -
1.959
.059 .974 -.337 -.044 .013 78.547
X6 -.046 .012 -.361 -
3.838
.001 .929 -.574 -.087 .058 17.353
Pada data tersebut terdapat multikolinieritas pada pada peubah penjelas kedelai, air
dan laru dengan VIF1=112,7; VIF5=78,5 dan VIF5=17,4 lebih dari 10. Tidak
terpenuhinya asumsi ini dapat dapat mengakibatkan:
- Koefisien regresi yang dihasilkan oleh analisis regresi berganda menjadi sangat
lemah atau tidak dapat memberikan hasil analisis yang mewakili sifat atau pengaruh
dari variabel bebas yang bersangkutan
- Dalam banyak hal, masalah Multikolinearitas dapat menyebabkan uji t menjadi
tidak signifikan padahal jika masing-masing variabel bebas diregresikan secara
terpisah dengan variabel tak bebas (simple regression) uji t menunjukkan hasil yang
signifikan.
Salah satu cara untuk itu menyelesaikan permasalahan multikolinieritas adalah dengan
regresi komponen utama.
Interpretasi Model
1. Uji simultan
Hipotesis:
H0: peubah X tidak mempengaruhi Y secara bersama-sama
H1: minimal ada satu peubah X yang mempengaruhi Y
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 9222152.637 6 1537025.439 322.791 .000a
Residual 142850.066 30 4761.669
Total 9365002.703 36
Pengujian secara simultan dilakukkan dengan uji statistik F, berdasarkan output
SPSS didapatkan P-value 0.000< 0.05, sehingga keputusan tolak H0. Artinya, minimal
ada satu peubah penjelas x mempengaruhi peubah respon Y.
2. Uji parsial
Hipotesis:
H0: βj = 0 (variabel Xj tidak berpengaruh nyata)
H1: βj ≠ 0 (variabel Xj berpengaruh nyata) j= 0, 1, 2,. . ., p; p= banyak parameter
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig. B
Std.
Error Beta
1 (Constant) 204.162 60.199 3.391 .002
X1 .648 .097 1.594 6.661 .000
X2 .307 .178 .070 1.720 .096
X3 .693 .300 .067 2.312 .028
X4 .163 .083 .055 1.971 .058
X5 -.005 .002 -.392 -1.959 .059
X6 -.046 .012 -.361 -3.838 .001
Dengan menggunakan statistik uji t. Berdasarkan output SPSS, diperoleh P value pada
variabel X2, X4, dan X6 lebih besar dari 0.05, sehingga keputusan terima H0, sehinga faktor
tenaga kerja, sekam dan laru atau bibit tahu tidak mempengaruhi produksi tahu secara nyata.
Sedangkan variabel X1, X3, dan X5 mimiliki P-value kurang dari 0.05, sehingga keputusan
tolak H0. Jadi dapat disimpulkan bahwa yang mempengaruhi produksi tahu secara signifikan
atau nyata pada sentra produksi tahu di Sragen adalah kedelai, solar, dan air.
3. Koefisien determinasi
Koefisien Determinasi (R-Square) merupakan suatu proporsi keragaman y yang dapat
dijelaskan oleh peubah prediktor x dan Adjusted R-Square (pada regresi linier sederhana)
merupakan suatu proporsi keragaman y yang dapat dijelaskan oleh variable regressor x
apabila jumlah observasi variable regressor x mengalami perubahan. Adapun Adjusted R-
Square (pada regresi linier sederhana berganda) merupakan suatu proporsi keragaman y
yang dapat dijelaskan oleh peubah prediktor apabila jumlah variable regressor
mengalami perubahan.
Model Summaryb
Model R
R
Square
Adjusted
R Square
Std. Error
of the
Estimate
Change Statistics
Durbin-
Watson
R Square
Change
F
Change df1 df2
Sig. F
Change
1 .992a .985 .982 69.00485 .985 322.791 6 30 .000 2.039
Berdasarkan output SPSS, nilai R2 sebesar 0.985 artinya 98.5% keragaman jumlah
produksi tahu (Y) dapat dijelaskan oleh faktor-faktor dalam model (X). Sisanya
dijelakan faktor lain yang tidak masuk dalam model.
ANALISIS JALUR (PATH ANALYSIS)
Konsep Dasar Analisis Jalur
Analisis jalur merupakan teknik analisis yang digunakan untuk mempelajari hubunga kausal
(sebab akibat) antara variabel bebas dan variabel terikat. Variabel bebas dalam analisis jalur
disebut dengan variabel penyebab (variabel eksogen). Sedangakan untuk variabel terikat pada
analisis jalur disebut dengan variabel akibat (varibel endogen). Pengujian hipotesis dengan
menggunakan teknik analisis jalur sangat bergantung pada kuat lemahnya teori yang mendasari
model hipotetik yang telah disusun. Pemikiran dasar dari analisis jalur didasarkan pada sisitem
persamaan linier. Berbeda dengan analisis regresi, pada analisis jalur memungkinkan pengujian
dengan menggunakan variabel mediating atau variabel antara (variabel intervening). Misalkan
pada analisis jalur, variabel bebeas (veriabel eksogen ) diberi simbol dan variabel
terikat (variabel endogen) diberi simbol , maka pengaruh variabel bebas terhadap
variabel terikat berupa pengaruh langsung dan pengaruh tidak langsung.
Tabel 1 Perbedaan antara model regresi dan model analisis jalur
Aspek Regresi Jalur
Tujuan Mengkaji pengaruh langsung dan
memprediksi nilai variabel kriteria
Y atas prediktor X
Mengkaji pola hubungan kausal,
pengaruh langsung tidak langsung
Skala dan
data
Minimal skala interval dan data
asli
Minimal skala interval dan data skor
baku
Rumusan
maslah
Apakah variabel X berpengaruh
terhadap Y secara simultan dan
parsial
Apakah variabel X berpengaruh
langsung dan tak langsung
Hubungan Tidak mempelajari hubungan
antar variabel bebas
Mempelajari hubungan antar variabel
bebas
Asumsi 1. Variabel bebas dan
variabel terikat linier
2. Residul menyebar
normal dan homogen
3. Tidak ada
autokorelasi
4. Tidak
Sama dengan regresi ditambah:
1. Tidak ada hubungan timbal
balik
2. Seluruh residual tidak
berkorelasi dengan
residual yang lain dan
dengan variabel dalam
multiklinieritas antar
IV
model.
Diagram Jalur
Diagram jalur merupakan gambaran secara grafis struktur hubungan sebab-akibat antara variabel
eksogen, variabel intervening dan variabel endogen. Hubungan antar peubah pada aalisis jalur
disusun berdasarkan hipotesis peneliti. Hipotesis tersebut haruslah hipotesis yang didasarkan
pada substansi atau logika keilmun (penegetahuan, pengalaman, dan analisis-logis kritis).
Tabel 2. Simbol – simbol utama yang digunakan pada analisis jalur
Peubah teramati/ terukur (observed variable,
measured variable,manifest variable). Peubah
terukur adalah peubah yang datanya harus dicari
melalui penelitian lapangan
Peubah laten atau faktor. Faktor adalah sebuah
peubah yang dibentuk melalui indikator-indikator
yang diamati.
Peubah tanpa bingkai (ε1) merupakan galat.
Garis dengan anak panah satu arah menunjukkan
adanya hubungan yang dihipotesakan antara dua
peubah, peubah yang dituju oleh anak panah
merupakan peubah endogenus. η1 berpengaruh
terhadap Y1
Garis dengann anak panah 2 arah menunjukkan
hubungan yang tidak dianalisa. Dalam pemodelan
SEM digunakan untuk menggambarkan kovarians
atau korelasi antar dua peubah (ξ1 dan ξ2)
η1 dan η2 memiliki hubungan sebab akibat
resiprokal
Contoh kasus 1 : Suatu penelitian asosiatif yang bertujuan mempelajari pengaruh variable
Remunerasi (X1) dan Motivasi Kerja (X2) terhadap Kinerja Pegawai (Y). Berikut hipotesis dan
diagaram jalur akan diuji.
Hiptesis:
Ho: tidak ada pengaruh yang signifikan dalam variabel
H1: remunerasi berpengaruh signifikan terhadap motivasi kerja
X1
η1
η1
Y1
ε1
ξ1
ξ 1
η1 η2
H2: remunerasi berpengaruh signifikan terhadap kinerja pegawai
H3: motivasi kerja berpengaruh signifikan terhadap kinerja pegawai
Contoh kasus 2: Suatu penelitian asosiatif yang bertujuan mempelajari pengaruh variable
Remunerasi (X1), Motivasi Kerja (X2), dan Suasana Kerja (X3) terhadap Kinerja Pegawai (Y).
berikut hipotesis dan diagram jalur yang akan diuji.
Ho: tidak ada pengaruh yang signifikan dalam variabel
H1: remunerasi berpengaruh signifikan terhadap motivasi kerja
H2: remunerasi berpengaruh signifikan terhadap suasana kerja
H3: motivasi kerja berpengaruh signifikan terhadap suasana kerja
H4: remunerasi berpengaruh signifikan terhadap kinerja pegawai
H5: motivasi kerja berpengaruh signifikan terhadap kinerja pegawai
H6: suasana kerja berpengaruh signifikan terhadap kinerja pegawai
X1
X2
Y
X1
X2
Y X3
Koefisien Jalur
Besarnya pengaruh langsung dari variabel eksogen terhadap variabel endogen dinyatakan dengan
koefisien jalur. Notasi untuk menuliskan koefisien jalur yaitu . Simbol i merupakan simbol
variabel variabel endogen dan j merupakan simbol variabel eksogen. Sebai contoh notasi
menyatakan besar pengaruh langsung dari variabel eksogen terhadap variabel endogen .
Besarnya koefisien jalur ini menunjukkan besarnya pengaruh langsung dari peubah
eksogen Xi terhadap peubah endogen Y. Pengaruh tak langsung peubah eksogen Xi terhadap
peubah endogen Y melalui peubah bebas Xj, dengan i ≠ j adalah sebesar Pji PYj. Pengaruh tak
langsung peubah eksogen Xi terhadap peubah endogen Y melalui peubah bebas Xj, dengan i≠j,
karena adanya korelasi antara Xi dan Xj adalah sebesar PYjRij.
Studi Kasus
Contoh kasus 2
Data:
no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
X1 70 49 33 51 67 41 71 60 59 31 75 43 46 43 33 51 60 59 31 56
X2 69 48 29 48 59 33 70 54 61 34 76 43 56 42 29 48 54 61 34 58
X3 69 50 30 40 60 31 70 55 58 26 78 45 47 34 40 40 55 58 26 57
Y 68 47 34 50 56 36 71 60 61 29 77 46 50 39 34 50 60 61 29 56
Langkah-Langkah dengan Lisrel
1. Simpan data dalam SPSS
2. Double klik icon LISREL 9.2 Student, sehingga akan tampil
3. Klik File pilih New
4. Maka akan muncul tampilan berikut ini, pilih LISREL Data klik OK
5. Kemabali ke menu utama, klik File pilih Import Data
6. cari tempat menyimpan data (data disimpan dalam SPSS). Pilih SPSS Data File (*sav),
7. pilih data yang akan digunakan (PATH Lisrel.sav), klik Open
8. Beri nama untuk LISREL Data, nama yang digunakan boleh sama atau berbeda dengan
SPSS, klik Save
Akan tampil seebagai berikut
9. Pada menu utama klik File, klik New, pilih SIMPLIS Project, klik OK
Isikan nama ke File Name (missal, “data simplis path”), klik Save sehingga muncul
10. Kembali ke menu utama, pilih Setup, plih Variables
Sehingga akan muncul
11. Klik Add/Read variables, sehingga muncul tampilan berikut
Pada Read from file isikan LISREL System File. Klik Browse dan isikan “data simplis
path”, klik OK
12. Klik Next, pada Number of Observation isikan jumlah observasi yaitu “20”, lalu klik OK
13. Kembali ke menu utama, kotak SIMPLIS kosong seperti berikut
14. Pada menu utama pilih Output, pilih LISREL Output dan klik Selection
Pilih Total Effects and Inderect Effects dan CompletelyStandardized Solution.
Selanjutnya klik OK
Maka muncul gambar berikut
Selanjutnya membuat persamaan yang mengaitkan hubungan antara variable, setelah
baris relationships
Klik Run sehingga diperoleh koefisien jalur dalam bentuk Standardized Solution
seperti berikut
Gambar di atas dapat di atur kembali, dengan cara menggeser letak variable dan garis
penghubung antara variable, sehingga menjadi seperti berikut
Selanjutnya diagram jalur setelah uji signifikansi dengan uji statistik uji-t sebagai berikut
Dari diagram jalur di atas terlihat bahwa tidak terdapat jalur yang berwana merah. Hal
tersebut menunjukkan bahwa semua koefisien jalur signifikan.
15. Interpretasi Output
Warna biru menunjukkan Koefisien regresi dan warna kuning menunjukkan nilai statistic
Z dan p-Value.
Pada regresi X2 terhadap X1. Hasil uji statistik menunjukkan bahwa nilai P-value
0.000 kurang dari 0.05 sehingga tolak H0, terima H1. Jadi dapat disimpulkan
bahwa peningkatan remunerasi memberikan pengaruh yang signifikan terhadap
peningkatan motivasi kerja pegawai. Peningkatan satu satuan remunerasi (X1)
akan meningkatkan 96.3% motivasi kerja (X2).
Nilai R2 (koefisien determinasi) sebesar 90.4%. Artinya 90.4% keragaman
motivasi kerja(X2) mampu dijelaskan oleh variabel remunerasi (X1) sisanya
9.6% dijelaskan oleh variable lain.
LISREL Estimates (Maximum Likelihood)
Structural Equations
X2 = 0.963*X1, Errorvar.= 18.607, R² = 0.904
Standerr (0.0718) (6.037)
Z-values 13.407 3.082
P-values 0.000 0.002
Pada regresi X3 terhadap X1 dan X2. Hasil uji statistika menunjukkan bahwa
nilai P-value untuk variable X1 0.019 dan X2 0.04 keduanya kurang dari 0.05
sehingga tolak H0, terima H2 dan H3. Jadi dapat disimpulkan bahwa remunerasi
dan motivasi kerja masing-masing berbengaruh signifikan terhadap suasana kerja.
Peningkatan satu satuan remunerasi akan meningkatkan 56.4% suasana kerja.
Peningkatan motivasi kerja akan meningkatkan 48.8% suasana kerja.
Nilai R2 (koefisien determinasi) sebesar 91.2%. Artinya 91.2% keragaman
suasana kerja(X3) mampu dijelaskan oleh variabel remunerasi (X1) dan motivasi
kerja(X2), sisanya 8.8% dijelaskan oleh variable lain.
X3 = 0.488*X2 + 0.564*X1, Errorvar.= 20.076, R² = 0.912
Standerr (0.238) (0.241) (6.514)
Z-values 2.049 2.339 3.082
P-values 0.040 0.019 0.002
Pada regresi Y terhadap X1, X2 dan X3. Hasil uji statistiak meninjukkan bahwa
nilai P-value unruk ketiga variable tersebut adalah 0.005, 0.035, 0.031 ketiganya
memiliki nilai kurang dari 0.05 sehingga tolak H0. Jadi dapat disimpulkan bahwa
remunerasi, motivasi kerja dan suasana kerja masing-masing berpengaruh
signifikan terhadap kinerja pegawai. Setiap peningkatan remunerasi akan
meningkatkan 42% kinerja pegawai, setiap peningkatan motivasi kerja akan
meningkatkan 30.2% kinerja pegawai dan setiap peningkatan suasana kerja akan
meningkatkan 26.9% kinerja pegawai.
Nilai R2 (koefisien determinasi) sebesar 97%. Artinya 97% keragaman Kinerja
pegawai (Y) mampu dijelaskan oleh variabel remunerasi (X1), motivasi kerja(X2)
dan suasana kerja(X3), sisanya 3% dijelaskan oleh variable lain.
Y = 0.302*X2 + 0.269*X3 + 0.420*X1, Errorvar.= 5.962 , R² = 0.970
Standerr (0.143) (0.125) (0.149) (1.934)
Z-values 2.105 2.152 2.812 3.082
P-values 0.035 0.031 0.005 0.002
16. Koefisien jalur Pengaruh langsung dan Pengaruh Total
Pada menu utama klik Setup, pilih Build LISREL Syntax
Klik Output, pilih LISREL Output, pilih selection, Pilih Total Effects and Inderect
Effects dan Completely Standardized Solution. Selanjutnya klik OK
Klik Run sehingga diperoleh hasil sebagai berikut
Koefisien Jalur (Standardized Solution)
Beta
P32 = 0.364 adalah koefisien jalur X2 terhadap endogen X3
PY2 = 0.369 adalah koefisien jalur X2 terhadap endogen Y
PY3 = 0.044 adalah koefisien jalur X3 terhadap endogen Y
Standardized Solution
BETA
X2 X3 Y
-------- -------- --------
X2 - - - - - -
X3 0.364 - - - -
Y 0.369 0.044 - -
Gamma
P21 = 0.925 adalah koefisien jalur eksogen X1 terhadap endogen X2
P31 = 0.627 adalah koefisien jalur eksogen X1 terhadap endogen X3
PY1 = 0.592 adalah koefisien jalur eksogen X1 terhadap endogen Y
GAMMA
X1
--------
X2 0.925
X3 0.627
Y 0.592
Total and Indirect Effect
Pengaruh total eksogen dan endogen
Pengaruh total X1 terhadap X2 = 0.952
Pengaruh total X1 terhadap X3 = P31 + P21P32 = 0.627 + (0.925)(0.364) = 0.963
Pengaruh total X1 terhadap Y = Py1 + P21PY2 + P31PY3 + P21P32PY3
=0.592+(0.925)(0.369)+(0.627)(0.044)+(0.925)(0.364)(0.044)
=0.976
Standardized Total Effects of X on Y
X1
--------
X2 0.925
X3 0.963
Y 0.976
Pengaruh tidak langsung eksogen dan endogen
Pengaruh tidak langsung X1 terhadap X3 = P21P32 = (0.925)(0.364) = 0.336
Pengaruh tidak langsung X1 Terhadap Y = P21PY2 + P31PY3 + P21P32PY3 =
(0.925)(0.369)+(0.627)(0.044)+(0.925)(0.364)(0.044) = 0.384
Standardized Indirect Effects of X on Y
X1
--------
X2 - -
X3 0.336
Y 0.384
Pengaruh total endogen dan endogen
Pengaruh total X2 terhadap X3 = P32 = 0.364
Pengaruh total X2 terhadap Y = PY2 + P32PY3 = 0.369 + (0.364)(0.044) = 0.386
Pengaruh total X3 terhadap Y = PY3 = 0.044
Standardized Total Effects of Y on Y
X2 X3 Y
-------- -------- --------
X2 - - - - - -
X3 0.364 - - - -
Y 0.386 0.044 - -
Pengaruh tidak langsung endogen dan endogen
Pengaruh tidak langsung X2 terhadap Y = (0.364)(0.044) = 0.016
Standardized Indirect Effects of Y on Y
X2 X3 Y
-------- -------- --------
X2 - - - - - -
X3 - - - - - -
Y 0.016 - - - -