modul spss.doc

BAB I

PENDAHULUAN

Review Metode Statistik

Analisa statistik merupakan suatu aktivitas yang dilakukan untuk mengolah data penelitian dengan menggunakan metode statistik untuk menghasilkan suatu informasi yang berguna. Statistik diklasifikasikan menjadi dua bidang yaitu;1. Statistik Deskriptif

Statistik deskriptif merupakan proses tranformasi data penelitian dalam bentuk tabulasi sehingga mudah dipahami dan diinterpretasikan. Statistik deskriptif berfungsi mempelajari tata cara pengumpulan, pencatatan, penyusunan dan penyajian data penelitian dalam bentuk tabel frekuensi atau grafik dan selanjutnya dilakukan pengukuran nilai-nilai statistiknya seperti mean/ rata-rata aritmetik, median, modes, deviasi standart. Pada umumnya memberikan informasi mengenai karakteristik variabel penelitian utama dan data demografi responden.

2. Statistik Induktif atau Statistik InferensialIlmu pengetahuan statistik yang bertugas mempelajari tata cara penarikan kesimpulan

mengenai keseluruhan populasi berdasarkan data hasil penelitian pada sampel (bagian dari populasi).Berdasarkan asumsi yang mendasarinya, statistik induktif dibedakan menjadi dua, yaitu;a. Statistik Parametik. Pendugaan dan uji hipotesis dari parameter populasi didasarkan

anggapan bahwa skor-skor yang dianalisis telah ditarik dari suatu populasi dengan distribusi tertentu.

b. Statistik Nonparametik. Pendugaan dan uji hipotesis dari parameter populasi anggapan bahwa skor-skor yang dianalisis telah ditarik dari suatu populasi dengan bebas sebaran (tidak mengikuti distribusi tertentu).Untuk dapat menggunakan software pengolahan data, SPSS, AMOS, LISREL, atau

lainnya, diperlukan berbagai persyaratan pengetahuan yang harus dikuasai. Pertama, pemahanan konseptual dari beragam metode statistik itu sendiri, dan kedua adalah pengusasaan cara mengoperasikan software. Persyaratan pertama, dipandang paling penting, karena peran software adalah sebagai alat bantu semata untuk mempermudah dan mempercepat pengolahan data. Tanpa pemahaman yang baik terhadap beragam metode statistik, maka kita tidak bisa memilih teknik statistik yang tepat untuk memecahkan masalah penelitian baik secara perhitungan manual maupun menggunakan software.

Pemilihan teknik statistik yang tepat untuk memecahkan masalah penelitian, pada dasarnya tergantung dari:1. Jenis angka atau skala pengukuran variabel.

Jenis angka dibagi menjadi 4, yaitu angka nominal, ordinal, interval dan rasio. Variabel yang diukur dengan angka nominal dan ordinal disebut juga sebagai variabel diskrit atau non metrik, sedangkan variabel yang diukur dengan angka interval dan rasio disebut pula variabel kontinyu (continouos variable) atau metrik.

2. Jenis hipotesis penelitian.Oleh karena jenis permasalahan terbagi menjadi tiga, maka hipotesis penelitian juga dapat dibagi menjadi 3, yaitu hipotesis deskriptif (satu sampel atau satu variabel), hipotesis komparatif (sampel berhubungan atau sampel independen), dan hipotesis asosiatif (korelasi atau pengaruh/kausal).

3. Jika peneliti peneliti bertujuan menguji hipotesis asosiatif, pemilihan teknik statistik juga ditentukan oleh jenis hubungan yang akan diuji.

1

Jenis hubungan (asosiatif) terbagi menjadi dua, yaitu dependen (tergantung) dan interdependen (saling berhubungan antar variabel). Kriteria ini merupakan dasar dari pemilihan statistik multivariat.

Tabel 1.1. dan Tabel 1.2. berikut merangkum petunjuk pemilihan teknik statistik.

Tabel 1.1. Macam data dan Penggunaan Teknik Statistik

Karakteristik dasar

Teknik statistik

Statistik deskriptif

Statistik inferensial menurut Bentuk hipotesisMacam Deskriptif

satu variable / satu sample

Komparatif (dua sampel) Komparatif (> dua sampel) Asosiatifdata

Related Independen Related Independen

(hubungan)

Nominal

• Kualitatif (simbol/atribut/kategori)

• Tidak ada rank/jenjang

• Contoh :agama. warna, sikap, dll

• Modus• Distribusi

frekuensi Binomial

2 satu sample

Mc Nemar

Fisher Exactprobability

2 dua sampel

Cochran Q 2 k sampelKoefisien contingency (C)

Ordinal

• Semi kuantitatif• Ada rank/jenjang• Contoh :

pendidikan, tipe rumah, dll

• Modus• Median• Distribusi

frekuensi

Run test

Sign test

Wilcoxon matched pairs test

Median test

Mann-Whitney U Test

Kolmogorov-Smirnov

Wald-Woldfowitz

Friedman two-way ANOVA

Median extension

Kruskal-Wallis One-Way Anova

Spearman rank correlation

Kendall Tau correlation

Interval

• Kuantitatif• Tidak mempunyai

angka 0 mutlak• Contoh : suhu

• Modus• Median• Arithmetic

mean

t-test t-test of related sampel

t-test of independence sampel

One-Way Anova

Two-way Anova

One-Way Anova

Two-way Anova

Korelasi product moment (Pearson)Korelasi parsialKorelasi bergandaRegresi sederhana Regresi berganda

Ratio

• Kuantitatif• Mempunyai

angka 0 mutlak• Contoh : tinggi,

berat, harga, pendapatan, dll

• Modus• Median• Arithmetic

mean • Geometri

c mean

Sumber: Sugiono (2008)

Tabel 1.2. Klasifikasi Analisis Multivariat

Jenis hubungan yang diuji

Dependen (tergantung = ada variabel bebas dan

variabel terikat)

Jumlah variabel yang diprediksi

Skala variabel dependen

Skala variabel independen Teknik statistik

Satu variabel terikat dalam satu hubungan

Metrik MetrikRegresi bergandaConjoint analysis

Metrik Metrik-non metrik

Regresi berganda dgn variabel dummy

Non metrik MetrikAnalisis diskriminanRegresi logistik

Beberapa variabel dependen dalam satu hubungan

Metrik Metrik Korelasi kanonik

Metrik Non metrik Multivariate analysis of variance (MANOVA)

Non metrik Metrik Korelasi kanonik dgn variabel dummy

Hubungan berganda antar variabel bebas dan variabel terikat

Metrik Metrik-non metrik

Structural equation modeling (SEM)

Interdependen (saling tergantung

= tdk dpt diklasifikasikan mana var bebas dan mana var

Basis struktur hubungan Skala pengukuran Teknik statistik

Variabel MetrikAnalisis faktor

Analisis faktor konfirmatoris

Kasus/Responden Metrik Cluster analysis

2

terikat) Obyek

Metrik Multidimensional scaling (MDS)

Non metrikConjoint analysis

Multidimensional scaling (MDS)

Sumber: dirangkum dari Hair, Jr., Black, Babin, and Anderson (2009)Keterangan:Metrik = data berskala kontinyu yaitu data interval dan rasio Non metrik = data diskrit yaitu data nominal atau ordinal

Informasi pada tabel-tabel tersebut bersifat rangkuman, dan diharapkan menjadi petunjuk bagi mahasiswa dalam memilih teknik statistik yang tepat dalam memecahkan masalah penelitian. Lebih dari itu, diharapkan mahasiswa termotivasi untuk belajar secara mandiri untuk memperdalam penggunaan teknik statistik yang sangat beragam tersebut teks book.

Mengenal SPSS

SPSS mulai dikembangkan pada tahun 1960 sebagai salah satu perangkat lunak untuk alat bantu penghitungan secara statistic oleh Norman H. Nie, C. Hadlay serta Dale Bent dari Stanfort University. Pada tahun 1984 kemudian dikenalkan SPSS/PC+ untuk personal computer (PC).Versi Window baru di-release pada tahun 1992 sampai sekarang. Pada saat ini SPSS versi 19.0. baru beredar di Indonesia, akan tetapi dengan pertimbangan ketersediaan software, dalam modul ini dirancang untuk SPSS versi 11.5 atau versi 12.0. Dengan alasan yang sama pula, software AMOS yang digunakan dalam modul ini adalah AMOS versi 5, meskipun telah ada versi 16 yang terbaru. Perbedaan versi ini, dianggap tidak substansial, karena output yang dihasilkan sama dan prosedur pengoperasian yang tidak jauh berbeda.

1.3.1. Window SPSS

SPSS memiliki empat window yaitu:

1. Data Editor. Window ini akan terbuka secara otomatis setiap kali program spss dijalankan. Menu yang ada pada editor: File: difungsikan untuk menanggani segala sesuatu yang berhubungan dengan file

data seperti: membuat file baru, membuka, mengambil data dari program lain, menyimpan file, mencetak isi data editor dan lainnya.

Edit: berfungsi untuk menanggani segala sesuatu yang berkaitan dengan memperbaiki atau mengubah data.

View: berfungsi untuk mengatur toolbar, Data: berfungsi untuk membuat perubahan data spss secara keeluruhan, Transform: berfungsi untuk membuat perubahan variabel dengan kriteria

tertentu. Analyze: berfungsi untuk melakukan pengolahan statistik. Menu Analyze berisi

beragam teknik statistik yang akan kita gunakan untuk menganalisis data. Menu ini mungkin yang paling banyak digunakan ketika kita bekerja mengolah data dengan SPSS.

Graph: berfungsi untuk membuat berbagai grafik Utilities, berfungsu sebagai menu tambahan yang mendukung program SPSS seperti :

Memberi informasi tentang variabel yang sekarang sedang dikerjakan Menjalankan Scripts

3

Mengatur tampilan menu-menu lain Windows, berfungsi menampilkan dan menyembunyikan file kerja yang tengah

aktif. Help, adalah fasilitas yang menyediakan beragam informasi bantuan, seperti

pengertian konsep-konsep statistik, tutorial cara mengoperasikan SPSS, dll. Menu help ini dapat dijadikan guide untuk belajar menggunakan SPSS secara mandiri.

2. Output Viewer. Hasil pengolahan data dari data editor ditampilkan dalam output viewer. Menu output viewer sama dengan menu data editor dan ditambah dengan: Insert: berfungsi untuk menyisipkan judul, grafik, teks atau pbyek tertentu dari

aplikasi lain, Format: berfungsi untuk mengatur tata letak output seperti font, tampilan dan

lainnya.3. Syntax Editor, berfungsi untuk membuat perintah pengolahan data menggunakan

command syntax. Beberapa teknik statistik tidak tersedia di menu Analyze pada data editor, seperti canonical correlation, tetapi dapat diformulasikan command syntax. Kita juga dapat menampilkan syntax hasil dari prosedur pengolahan data yang telah kita lakukan. Misal, jika kita menggunakan regresi berganda di data editor, kita bisa memunculkan syntax yang telah kita gunakan.

4. Scrip Editor, menu ini digunakan untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka menutup File, eksport Chart dan sebagainya. Isi menu ini sama dengan menu terdahulu, hanya ditambah dengan submenu Script untuk membuat berbagai subrutin dan fungsi baru, serta submenu Debug untuk melakukan proses debug pada script.

Mengaktifkan SPSS for WINDOWS

Cara mengaktifkan SPSS for windows dilakukan dengan tahapan:1. Membuka window data editor dengan mengklik menu start kemudian pilih program

SPSS for WINDOWS dan lakukan double klik pada program SPSS for WINDOWS.

2. Kemudian akan muncul tampilan:

Kotak dialog awal SPSS for WINDOWS

4

Klik cancel

Pada kotak dialog awal SPSS, disediakan beberapa menu pilihan yang dapat digunakan antara lain: type in data, run an existing query, create new, query using database wizard dan open an existing data source. Dalam keadaan default, pilihannya adalah open an existing data source untuk membuka data yang sudah ada.

3. Membuka layar kerja SPSS

Layar kerja SPSS akan tampil jika kita klik Ok atau Cancel pada kotak dialog awal. Layar kerja meliputi layar kerja untuk memasukkan data dan mendefinisikan variabel. a. Layar kerja pengisian data

b. Mendefinisikan variabel di Layar Variable View

Keterangan: Name: nama variabel. Penulisan nama variabel tidak dapat menggunakan spasi

tetapi harus saling berhubungan dan tanda hubungan dapat digunakan notasi (_)

5

Nomor kasus

Menu utama

Data view aktif

Variable view aktif

Type: type dari data yang dimasukkan. Jika type diklik akan muncul kotak dialog sebagai berikut:

Numeric: data bersifat angkaString: data berup[a nama, contohnya nama perusahaanDate: data yang dimasukkan berupa tanggal dst,.

Width: digunakan untuk mengatur lebar kolom tempat data dimasukkan, Decimal: digunakan jika data ingin dimasukkan dengan keakuratan desimal Label: keterangan dari variabel (definisi operasional variabel secara singkat), Value: digunakan jika data nya menggunakan skala nominal Missing: digunakan untuk menjelaskan data yang hilang Column: berfungsi untuk mengatur lebar kolom, Align: berfungsi untuk mengatur letak pengisian data (rata kiri, rata kanan atau

ditengah), Measure: digunakan untuk menjelaskan tipe skala pengukuran data yang

digunakan.Pemahaman pendefinisian variabel ini terutama name, type, label, values dan measure sangat penting, karena berkaitan dengan jenis data yang akan digunakan untuk memilih teknik statistik. Misal untuk statistik inferensial (parametrik dan non parametrik) semua variabel harus diberi kode angka, meskipun data sesungguhnya bersifat kualitatif. Misal dalam uji t-beda sampel independen dan Chi square, semua variabel kategori harus dikoding dulu dengan angka, baru dapat diolah dengan SPSS.

6

BAB II

MENGELOLA FILE

Membuat File BaruFile baru dapat dibuat dengan cara membuka program SPSS for WINDOWS yang dimulai dengan cara mengklik start, pilih klik SPSS for windows dan pilih SPSS for windows setelah muncul dialog diawal;

Data yang akan diinput dalam proses pengisian data adalah sebagai berikut; Level Manager menunjukkan tingkat kedudukan manajer yang diukur dengan

skala kategoriManajer level bawah dikuantifikasikan dengan nilai 1Manajer level tengah dikuantifikasikan dengan nilai 2Manajer level atas dikuantifikasikan dengan nilai 3

Variable gender diukur dengan menggunakan skala kategori Variable kompensasi diukur dengan tiga butir pertanyaan dengan menggunakan

skala likert 1 sampai dengan 7. angka satu menunjukkan sistem kompensasi yang sangat tidak baik dan 7 menunjukkan sistem kompensasi yang sangat baik.

Variable motivasi diukur dengn tiga butir pertanyaan dengan menggunakan skala likert 1 sampai dengan 7. angka 1 menunjukkan motivasi yang sangat tidak rendah dan angka 7 menunjukkan motivasi yang sangat tinggi.

Variabel kinerja diukur dengan dua butir pertanyaan dengan menggunakan skala likert 1 sampai dengan 7. Angka satu menunjukkan Kinerja yang sangat tidak baik dan 7 menunjukkan Kinerja yang sangat baik.

7

Data 1. Kompensasi, Motivasi dan Kinerja Manajerial

No Level Manajer GenderKompensasi Motivasi Kinerja

K1 K2 K3 K M1 M2 M3 M P1 P2 P1 Bawah Wanita 4 4 4 12 5 4 4 13 6 6 122 Bawah Wanita 4 4 4 12 4 4 5 13 6 6 123 Bawah Pria 4 3 4 11 3 4 3 10 4 5 94 Bawah Wanita 5 4 5 14 4 5 4 13 7 6 135 Bawah Pria 5 5 5 15 5 6 6 17 4 5 116 Bawah Wanita 5 6 6 17 7 6 6 19 7 5 127 Bawah Pria 4 5 6 15 7 6 7 20 6 7 138 Bawah Wanita 6 6 7 19 6 7 7 20 7 7 149 Bawah Pria 5 6 6 17 5 6 6 17 5 6 11

10 Bawah Wanita 6 7 7 20 7 6 6 19 7 7 1411 Bawah Pria 5 5 6 16 5 5 5 15 5 5 1012 Bawah Pria 6 6 5 17 6 7 7 20 7 6 1313 Menengah Wanita 4 4 4 12 4 5 5 14 5 5 1014 Menengah Pria 5 4 4 13 5 6 5 16 5 6 1115 Menengah Pria 2 2 2 6 1 2 2 5 2 2 416 Menengah Pria 2 2 2 6 3 2 2 7 1 2 317 Menengah Wanita 4 4 3 11 4 4 4 12 5 4 918 Menengah Pria 3 3 3 8 4 3 4 11 2 3 519 Menengah Wanita 4 4 5 13 5 5 6 16 5 5 1020 Menengah Pria 5 5 5 15 5 5 5 15 6 5 1121 Menengah Pria 3 3 4 10 5 4 5 14 4 4 822 Menengah Pria 5 5 6 16 4 5 6 15 5 6 1123 Atas Pria 4 5 4 13 6 5 5 16 5 5 1024 Atas Pria 4 5 4 13 5 5 6 16 6 5 1125 Atas Pria 6 5 6 17 6 6 7 19 5 7 1226 Atas Wanita 5 5 5 15 6 6 4 16 6 6 1227 Atas Pria 5 5 5 15 7 7 6 20 7 6 1328 Atas Wanita 6 5 6 17 7 7 7 21 7 7 1429 Atas Pria 5 5 5 15 7 6 7 20 6 7 1330 Atas Wanita 4 5 5 14 6 7 7 20 6 7 1331 Atas Wanita 6 5 6 17 7 6 7 20 7 7 14

Mendefinisikan Variabel

Tahapan pemasukkan data variabel :

1. Mengaktifkan tampilan variabel view

2. Isikan informasi variabel, meliputi label dan values. Label digunakan sebagai deskripsi singkat dari variabel dan values untuk mengklasifikasikan variabel.

8

Pengisian untuk pendefinisian variabel level manager menggunakan tahapan sebagai berikut:

a. Klik box yang ada di sebelah kolom values sehingga muncul tampilan.

b. Isikan pada values labelsValue:1Value Labels: Bawah lalu klik addValue:2Value labels: tengah lalu klik addValue:3Value Labels: Atas lalu klik add

Lanjutkan untuk variable gender dengan cara yang sama, 1 untuk pria dan 2 untuk wanita,

sehingga akan tampil sebagai berikut.

Input data Cara memasukkan data dimulai dengan mengklik Data View. Input data pada SPSS data dilakukan dengan berbagai cara:1. Menginput data secara langsung ke layar kerja data view,2. Copy data dalam format excell yang telah disiapkan sebelumnya dan mem-paste di layar

data view, kemudian baru mendefinisikan variabel.Berdasarkan pengalaman, input data di excell dan dicopy-paste ke SPSS, lebih mudah dilaksanakan.

9

Menyimpan DataJika pendefinisian variabel dan input data selesai maka simpan data dengan nama file pada folder yang dikehendaki. File SPSS berkekstensi *.sav. Pada latihan ini file data di atas diberina nama level manajer.sav di folder DATABASE LATIHAN di directory D.

MENGHAPUS DATAMenghapus isi suatu file tertentu :

1. Kursur diarahkan pada sel yang akan dihapus.2. Klik Edit3. Klik Cut/Clear

Menghapus isi sel pada kolom (variabel)1. Klik pada no cases yang isinya akan dihapus2. Klik Edit3. Klik Cut/Clear

MENGCOPY DATAMengcopy isi satu sel

1. Pilih sel (satu/beberapa sel) yang akan di copy2. Klik Edit3. Klik copy4. Pindahkan pointer pada sel akan dituju5. Klik Edit6. Klik Paste

Mengcopy isi sel dalam satu kolom1. Pilih heading kolom (Variabel) yang isinya akan di copy.2. Klik Edit3. Klik copy4. Pindahkan pointer pada heading yang akan dituju5. Klik Edit6. Klik Paste.

MENYISIPKAN DATAMenyisipkan Variable

1. Pindahkan pointer pada kolom yang akan disispi2. Klik Data3. Pilih Insert Variabel

Menyisipkan Kasus1. Pindahkan pointer pada baris yang akan disispi2. Klik Data3. Pilih Insert case

Contoh menghapus dan menganti variabel:1. Buka level manajer2. Klik Variable View3. letakkan pointerpada tempat yang akan dihapus lalu ganti nama variable sesuai

dengan tampilan nama dibawah ini;

10

BAB III

ANALISIS STATISTIK DENGAN SPSS

File yang Digunakan Latihan

Pada mudul latihan ini, disediakan file dalam format *.sav yang akan diolah. File-file tersebut disimpan dalam folder DATABASE LATIHAN di directory D. Nama-nama file dan deskripsinya adalah sebagai berikut:

Nama file Analisis statistik yang dapat digunakanlevel manajer.sav Statistik deskriptif, uji t-beda sampel independen,

One-way ANOVA, Two-way ANOVA, korelasi dan regresi, dan analisis jalur.

Harga saham.sav Statistik deskriptif, uji-t beda satu sampel (One sample t-test), uji t-beda sampel independen, uji t-beda sampel berhubungan, dan regresi.

data logistik.sav Statistik deskriptif, uji t-beda sampel independen, regresi logistik

Partisipasi e-commerce.sav Statistik deskriptif, uji validitas dan reliabilitas, analisis jalur, confirmatory factor analysis (CFA), model persamaan struktural (SEM).

Statistik Deskriptif

Statistik deskriptif merupakan bidang ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian ringkasan data penelitian. Statistik deskriptif berisikan summary statistik diantaranya yang ditawarkan SPSS for WINDOWS adalah itu.

a. FrequenciesMenginformasikan mean, median, kuartil, persentil, standart deviasi, jika data berskala interval atau rasio. Namun ini tergantung dari skala pengukuran variabelnya seperti dijelaskan di Bab 1.

b. DescriptiveMenginformasikan nilai minimum, maksimum, mean, standart deviasi dan menguji apakah data berdistribusi normal atau tidak. Menu ini khusus untuk data berskala interval atau rasio.

c. ExploreMenguji lebih teliti sekolompok data, untuk mengetahui apakah data berdistribusi normal atau tidak

d. CrosstabsMenyajikan deskripsi data dalam bentuk tabel silang. Menu crosstab juga digunakan menguji hubungan untuk variabel diskret, dengan Chi square dan koefisien kontigensi (C).

e. RatioMenghitung ratio sesuai dengan keinginan peneliti

Analisis statistik deskriptif perlu dilaksanakan sebelum dilakukan pengujian hipotesis untuk mengetahui atau meringkas variabel penelitian. Pada analsisis ini akan digunakan data level manajer.sav. FREQUENCIES

Proses pengolahan data adalah sebagai berikut1. Buka file level manajer.sav.

11

2. Klik Analyze lalu pilih Descriptive Statistic, tekan frequencies 3. masukkan variable level_mj dan gender ke variable (s)

4. klik Ok

Output SPSS:

Frequencies

Statistics

31 31

0 0

Valid

Missing

NLevel manajer Jenis kelamin

Frequency Table

Level manajer

9 29.0 29.0 29.0

12 38.7 38.7 67.7

10 32.3 32.3 100.0

31 100.0 100.0

Atas

Bawah

Menengah

Total

ValidFrequency Percent Valid Percent

CumulativePercent

Jenis kelamin

18 58.1 58.1 58.1

13 41.9 41.9 100.0

31 100.0 100.0

Pria

Wanita

Total

ValidFrequency Percent Valid Percent

CumulativePercent

Descriptive1. Buka file level manajer.sav.2. Klik Analyze lalu pilih Descriptive Statistic, tekan Descriptive 3. masukkan semua variabel berkala kontinyu (scale) ke kotak variable(s)

12

4. Klik Ok.

Output SPSS Descriptive Statistics

31 2.00 6.00 4.5484 1.09053

31 2.00 7.00 4.5806 1.14816

31 2.00 7.00 4.8065 1.27591

31 6.00 20.00 13.9032 3.37989

31 1.00 7.00 5.1935 1.44728

31 2.00 7.00 5.2258 1.35916

31 2.00 7.00 5.3548 1.45025

31 5.00 21.00 15.7742 4.00591

31 1.00 7.00 5.3548 1.56095

31 2.00 7.00 5.4839 1.38735

31 3.00 14.00 10.9032 2.79708

31

Pertanyaan kompensasi1



Kompensasi

Pertanyaan motivasi1



Motivasi

Pertanyaan kinerja1

Pertanyaan kinerja2

Kinerja

Valid N (listwise)

N Minimum Maximum Mean Std. Deviation

Compare Mean

Compare mean merupakan analisis yang digunakan untuk membandingkan rata-rata dari dua populasi atau lebih. Teknik ini secara umum digunakan untuk menguji hipotesis komparatif (lihat tabel 1.1).

One-Samples T TestOne-Samples T Test digunakan untuk membandingkan mean sample yang diuji dengan rata-rata yang sudah ada. Misalnya; dalam penelitian pasar modal seorang peneliti ingin mengetahui apakah terjadi abnormal return disekitar hari pada event tertentu.

Kasus yang akan dibahas;Peneliti ingin menguji apakah terdapat perbedaan harga saham setelah pengumuman deviden dengan rata-rata harga saham tahun sebelumnya. Diketahui rata-rata harga saham sebelum pengumuman deviden adalah 1043.Hipotesis yang diuji:Ho : Rata harga saham setelah pengumuman deviden = 1043Hi : Rata harga saham setelah pengumuman deviden ≠ 1043Langkah Pengolahan One-Samples T Test

13

1. Buka file harga saham

2. Klik analyze lalu pilih compare mean dan klik one-samples t-test.

Kotak dialog yang akan muncul;

3. Isikan pada test variabel dengan variable harga saham setelah pengumuman deviden. 4. Pada test value isikan rata-rata harga sahma tahun sebelumnya sebagai dasar

pembanding antara rata-rata harga saham saat ini dengan harga saham tahun sebelumnya yaitu 1057.

5. Klik option untuk mengisikan confidence interval yang diinginkan, lalu klik continue dan diakhiri dengan ok.

Hasil dan Analisis One-Samples T-Test

T-Test

One-Sample Statistics

31 1057.7419 576.86775 103.60851Harga saham setelahpengumuman deviden

N Mean Std. DeviationStd. Error

Mean

One-Sample Test

.142 30 .888 14.7419 -196.8549 226.3387Harga saham setelahpengumuman deviden

t df Sig. (2-tailed)Mean

Difference Lower Upper

95% ConfidenceInterval of the

Difference

Test Value = 1043

Untuk menyimpulkan apakah ada perbedaan atau tidak harga saham setelah pengumuman deviden dengan rata-rata harga saham sebelum pengumuman dapat digunakan dua cara:1. Membandingkan nilai thitung dengan ttabel pada taraf toleransi kesalahan () yang

ditentukan, misal 0,05.

14

2. membandingkan signikansi thitung dengan pada taraf toleransi kesalahan () yang ditentukan, misal 0,05.

Cara kedua merupakan cara yang lebih praktis, yaitu dengan melihat signifikansi statistik hitung. Kita tidak perlu mencari nilai statistik tabel di tabel statistik, tetapi cukup berpedoman pada output SPSS. Sepanjang output SPSS menyediakan informasi signifikansi statistik hitung, cara kedua ini akan dipilih dalam menyimpulkan menerima atau menolak hipotesis penelitian. Keputusan menerima atau menolak hipotesis untuk masing-masing pendekatan adalah sebagai berikut:

Pendekatan pertama:Ho gagal ditolak, jika thitung < t(0,05/2)

Ho ditolak, jika thitung ≥ t(0,05/2)

Pendekatan kedua:Ho gagal ditolak, jika signifikansi atau p-value > /2.Ho ditolak, jika signifikansi atau p-value ≤ /2.

Kesimpulan

Ho gagal ditolak karena signifikansi thitung = 0,888 > 0,05, yang berarti rata-rata harga saham setelah pengumuman deviden tidak berbeda dengan 1043 (rata-rata harga saham sebelum pengumuman deviden). Hasil ini juga dapat diinterpretasi bahwa pengumuman deviden tidak berdampak terhadap peningkatan harga saham.

Independent Samples T-Test Uji ini digunakan untuk menguji ada tidaknya perbedaan mean antar dua kelompok yang saling independent secara signifikan.

Kasus yang akan dibahasPeneliti ingin menguji apakah ada perbedaan kinerja manajerial berdasarkan kategori gender. Data yang digunakan untuk menguji ini adalah level manajer.sav.

Langkah Pengolahan:1. Buka level manajer.sav.2. Dari menu SPSS pilih menu analyze kemudian pilih sub menu compare means,

selanjutnya Independent Samples T-Test3. Tampilan yang nampak di layar SPSS4. Isikan variable P (kinerja) pada test variable dan pada Grouping Variable

masukkan variable Gender5. Klik Define Group dan Group 1 dengan 1 dan Group 2 dengan 2 seperti tampilan

dibawah ini

15

Output SPSS dan Analisis Independent Sample T-Test

T-Test

Group Statistics

13 12.2308 1.69085 .46896

18 9.9444 3.07690 .72523

Kode jenis kelaminWanita

Pria

KinerjaN Mean Std. Deviation

Std. ErrorMean

Independent Samples Test

2.714 .110 2.421 29 .022 2.2863 .94443 .35474 4.21791

2.647 27.402 .013 2.2863 .86365 .51549 4.05716

Equal variancesassumed

Equal variancesnot assumed

KinerjaF Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifference Lower Upper


Difference

t-test for Equality of Means

Interpretasi:

Manajer wanita memiliki kinerja manajerial yang lebih tinggi dibanding manajer pria, yaitu dengan rata-rata 12,23 dibanding 9,94.

Leven’s Tets

Hipotesis:Ho: Variance kinerja manajer Wanita identik dengan variance kinerja manajer PriaH1: Variance kinerja manajer Wanita tidak identik dengan variance kinerja manajer Pria

Uji t-beda sampel independen memerlukan asumsi kesamaan variance dari rata-rata kelompok sampel, yang dapat diketahui dengan Leven,s Test . Leven,s Test merupakan salah satu bentuk hipotesis kesesuaian (goodness of fit) yang dalam pengujiannya diharapkan Ho (Hipotesis Nol) gagal ditolak, bukan penerimaan Hi (Hipotesis Alternatif). Jadi yang diharapkan adalah Leven,s Test tidak signifikan. Hasil Leven,s Test diperoleh Fhitung yang tidak signifikan (p-value = 0,110 > 0,05), sehingga Ho gagal ditolak, yang berarti tidak ada perbedaan variance antara rata-rata kinerja manajer wanita dengan manajer laki-laki atau variance rata-rata kinerja manajer wanita dengan manajer laki-laki adalah identik.

16

Hasil T test dengan asumsi Equel variance assummed

Hipotesis:HO: Mean kinerja manajer Wanita = mean kinerja manajer PriaH1: Mean kinerja manajer Wanita ≠ mean kinerja manajer Pria

Hasil levene’s test menunjukkan bahwa variance keduanya sama, maka analisis T test menggunakan asumsi Equel Variance yaitu dengan melihat thitung atau p-value. Hasil thitung menunjukkan 2,241 dengan P-value 0,022 < 0,05/2, sehingga Ho ditolak, yang berarti terdapat perbedaan kinerja manajer wanita dengan kinerja manajer pria.

PAIRED SAMPLE T TEST

Paired Sample T Test digunakan untuk uji beda pada sample yang berpasangan. Pengujian ini

sering dilakukan pada penelitian-penelitian event studi atau eksperimen.

Kasus yang akan dibahasDari data harga saham seorang peneliti ingin mengetahui apakah ada perbedaan harga saham sebelum dengan sesudah pengumuma deviden.

Proses olah data dengan tahapan sebagai berikut:1. Buka data harga saham2. Klik Analyze, lalu pilih compare mean dan klik Paired Samples T Test 3. Blok variable Harga Saham yang menunjukkan harga saham sebelum pengumuman

deviden dan variable harga_saham_D yang menginformasikan harga saham setelah pengumuan deviden. Setelah keduanya di blok masukkan ke kotak Paired Variabeles.

4. klik option…,tetap pilih interval 95%, lalu continue dan ok

17

Hasil dan analisis Paired-Samples T Test

T-Test

Paired Samples Statistics

1057.7419 31 576.86775 103.60851

1043.8387 31 581.13900 104.37565

Harga saham setelahpengumuman deviden

Harga saham sebelumpengumuman deviden

Pair1

Mean N Std. DeviationStd. Error

Mean

Paired Samples Correlations

31 .970 .000

Harga saham setelahpengumuman deviden &Harga saham sebelumpengumuman deviden

Pair1

N Correlation Sig.

Paired Samples Test

13.9032 142.78314 25.64461 -38.4701 66.2765 .542 30 .592

Harga saham setelahpengumuman deviden -Harga saham sebelumpengumuman deviden

Pair1

Mean Std. DeviationStd. Error

Mean Lower Upper


Difference

Paired Differences

t df Sig. (2-tailed)

Interpretasi rata-rata harga saham setelah pengumuman deviden lebih tinggi daripada sebelum

pengumuman deviden. Hasil paired samples correlations menunjukkan hasil korelasi antara harga saham sebelum

pengumuan deviden dengan harga saham setelah pengumuman deviden. Koefisien korelasi 0,970 dengan nilai signifikansi 0,000 artinya terdapat hubungan yang signifikan antara harga saham sebelum pengumuman deviden dengan harga saham setelah pengumuman deviden.

Uji paired t-test

18

Hipotesis

HO: mean harga saham sebelum pengumuman deviden sama dengan mean harga pengumman setelah deviden

H1: mean harga saham sebelum pengumuman deviden berbeda dengan mean harga pengumman setelah deviden

Hasil thitung menunjukan 0,512 dengan P value 0,592 > 0,05/2, sehingga disimpulkan HO

gagal ditolak artinya mean harga saham sebelum pengumuman sama dengan mean harga setelah pengumuman deviden.

ANOVA

Prosedur one way anova merupakan alat uji statistic yang digunakan untuk menguji apakah 2 populasi atau lebih yang indenpenden, memiliki rata-rata yang berbeda atau sama.

Kasus yang akan dibahasDengan menggunkan level manajer, peneliti ingin mengetahui apakah tingkat motivasi berbeda ataukah sama untuk manajer level atas, menengah dan bawah.

Prosedur olah data1. Buka file level manajer.sav2. Menu SPSS pilih menu analyze kemudian npilih sub menu compare mean,

selanjutnya One-Way Anova 3. Isikan dependent list dengan variable motivasi dan factor dengan variabel kode level

manajer, maka yang nampak dilayar SPSS

4. Klik Options, pilih Descriptive dan Homogeneity of variance, lalu klik continue.

5. Klik Post Hoc, pilih Bonferoni dan Turkey, lalu klik continue

19

5. Klik option pilih homogeneity of variance, lalu klik continue

6. Klik Ok

Hasil One-way ANOVA dan pembahasan

OnewayDescriptives

Motivasi

12 16.3333 3.44656 .99494 14.1435 18.5232 10.00 20.00

10 12.5000 3.80789 1.20416 9.7760 15.2240 5.00 16.00

9 18.6667 2.06155 .68718 17.0820 20.2513 16.00 21.00

31 15.7742 4.00591 .71948 14.3048 17.2436 5.00 21.00

Bawah

Menengah

Atas

Total

N Mean Std. Deviation Std. Error Lower Bound Upper Bound

95% Confidence Interval forMean

Minimum Maximum

Test of Homogeneity of Variances

Motivasi

1.751 2 28 .192

LeveneStatistic df1 df2 Sig.

ANOVA

Motivasi

186.253 2 93.126 8.834 .001

295.167 28 10.542

481.419 30

Between Groups

Within Groups

Total

Sum ofSquares df Mean Square F Sig.

Post Hoc Tests

20

Multiple Comparisons

Dependent Variable: Motivasi

3.8333* 1.39019 .027 .3935 7.2732

-2.3333 1.43170 .250 -5.8759 1.2092

-3.8333* 1.39019 .027 -7.2732 -.3935

-6.1667* 1.49180 .001 -9.8579 -2.4754

2.3333 1.43170 .250 -1.2092 5.8759

6.1667* 1.49180 .001 2.4754 9.8579

3.8333* 1.39019 .030 .2933 7.3734

-2.3333 1.43170 .343 -5.9791 1.3124

-3.8333* 1.39019 .030 -7.3734 -.2933

-6.1667* 1.49180 .001 -9.9655 -2.3679

2.3333 1.43170 .343 -1.3124 5.9791

6.1667* 1.49180 .001 2.3679 9.9655

(J) Kode level manajerMenengah

Atas

Bawah

Atas

Bawah

Menengah

Menengah

Atas

Bawah

Atas

Bawah

Menengah

(I) Kode level manajerBawah

Menengah

Atas

Bawah

Menengah

Atas

Tukey HSD

Bonferroni

MeanDifference

(I-J) Std. Error Sig. Lower Bound Upper Bound

95% Confidence Interval

The mean difference is significant at the .05 level.*.

Homogeneous Subsets

Motivasi

10 12.5000

12 16.3333

9 18.6667

1.000 .253

Kode level manajerMenengah

Bawah

Atas

Sig.

Tukey HSDa,bN 1 2

Subset for alpha = .05

Means for groups in homogeneous subsets are displayed.

Uses Harmonic Mean Sample Size = 10.189.a.

The group sizes are unequal. The harmonic mean of the groupsizes is used. Type I error levels are not guaranteed.

b.

Interpretasi:

Menu ANOVA di SPSS berdasarkan pilihan-pilahan opsi yang dilakukan diatas memberikan informasi statistik deskriptif, Leven’s Test, Uji F, Multiple Comparation, dan Homogeneous Subsets. Hasilnya adalah sebagai berikut: Berdasarkan statistik deskriptif, diketahui manajer tingkat atas memiliki motivasi kerja

yang paling tinggi, dan manajer tingkat menengah memiliki motivasi kerja paling rendah. Berdasarkan Leven’s Test, disimpulkan tidak ada perbedaan variance antar kelompok

sampel, atau memiliki variance yang homogen (p-value = 0,192 > 0,05). Nilai Fhitung = 8,834 dengan p-value 0,001 < 0,05, sehingga Ho ditolak, yang berarti

terdapat perbedaan tingkat motivasi kerja menurut level manajer (bawah, menengah dan atas).

Interpretasi berikutnya, jika terjadi perbedaan tingkat motivasi kerja yang signifikan diantara manajer bawah, menengah dan atas, maka pertanyaannya adalah perbedaan itu terjadi pada kelompok yang mana? Pertanyaan ini dapat dijawab dari hasil Post Hoc Test yang memberikan informasi uji multiple comparation, yaitu perbandingan nilai rata-rata antar kelompok sampel yang diuji. Hasil multiple comparation dengan Tukey HSD dan Bonferroni menunjukkan adanya perbedaan tingkat motivasi kerja antara: Manajer level bawah dengan manajer level menengah (p-value < 0,05). Manajer level menengah dengan manajer level atas (p-value < 0,05).

21

Dengan demikian dapat diketahui bahwa adanya perbedaan tingkat motivasi kerja diantara tiga kelompok sampel tersebut, disebabkan oleh adanya perbedaan tingkat motivasi kerja manajer level menengah dengan manajer level bawah dan level atas.

Homogeneous Subsets memberikan informasi kesamaan rata-rata antar kelompok sampel, yang dihasilkan dari hasil uji multiple comparation. Berdasarkan hasil Homogeneous Subsets, diketahui dari tiga kelompok sampel, menurut variabel tingkat motivasi kerja, tiga kelompok sampel tersebut dapat diringkas menjadi dua kelompok sampel yaitu: kelompok 1 manajer level menengah dan kelompok 2 manajer level bawah dan manajer level atas.

Regresi berganda

Analisa regresi merupakan teknis statistik yang banyak digunakan serta mempunyai manfaat yang besar dalam proses pengambilan keputusan. Regresi linear digunakan untuk pengujian pengaruh variabel independent (bebas) terhadap variabel dependen () terikat. Pada latihan ini dibatasi pada regresi linier berganda. Multiple Regression digunakan untuk menguji pengaruh lebih dari satu independent variable dependent terhadap dependent variable. Dalam analisis regresi, selain mengukur kekuatan hubungan antara dua variabel atau lebih, juga menunjukkan hubungan antara variabel dependen dengan variabel independen. Variabel dependen diasumsikan random, yang berdistribusi probalistik. Variabel independen diasumsikan mempunyai nilai tetap dalam pengambilan sampel yang berulang. Teknis estimasi yang melandasi regresi adalah ordinary least square (OLS) yaitu suatu teknik mengestimasi garis linear dengan meminimalkan jumlah kuadrat kesalahan setiap observasi.

Asumsi Ordinary Least Square (OLS)

1. Model regresi linear2. nilai rata-rata kesalahan adalah nol3. homokedastisitas4. tidak ada autokorelasi5. tidak ada multikoliniaritas6. model regresi telah dispesifikasi secara benar berdasarkan teori

Kasus yang akan dibahasDari data harga saham ingin diketahui apakah ada pengaruh ROI, ROE terhadap harga saham

Prosedur Pengolahan Data1. Buka file data harga saham2. Klik menu analyze, klik regression lalu linear3. Masukkan variable ROI,ROE kedalam kotak dependent, variable harga saham setelah

pengumuman deviden ke kotak dependent, pilih method enter

22

4. Klik Statistics, pilih estimate, model fit, descriptive, part and partial correlation, colinerarty diagnostic dan durbinWatson.

5. Klik continue6. Klik, save, pilih unstandardized

23

7. Klik continue8. Klik Plots, isikan kotak scatter dengan SRESID pada kotak Y dan ZPRED pada kotak

X.

9. Klik continue10. Klik Ok.

24

Output Regresi berganda

Regression

Descriptive Statistics

1043.8387 581.13900 31

7.3929 7.20642 31

1.8074 1.41828 31


Return on Equity

Return on Investment

Mean Std. Deviation N

Correlations

1.000 .668 .685

.668 1.000 .642

.685 .642 1.000

. .000 .000

.000 . .000

.000 .000 .

31 31 31

31 31 31

31 31 31


Return on Equity



Return on Equity



Return on Equity


Pearson Correlation

Sig. (1-tailed)

N

Harga sahamsebelum

pengumumandeviden

Return onEquity

Return onInvestment

Variables Entered/Removedb

Return onInvestment, Returnon Equity

a. Enter

Model1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: Harga sahamsebelum pengumuman deviden

b.

Model Summaryb

.746a .557 .526 400.25332 2.120Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Durbin-Watson

Predictors: (Constant), Return on Investment, Return on Equitya.

Dependent Variable: Harga saham sebelum pengumuman devidenb.

25

ANOVAb

5646000 2 2823000.054 17.621 .000a

4485676 28 160202.717

10131676 30

Regression

Residual

Total

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), Return on Investment, Return on Equitya.

Dependent Variable: Harga saham sebelum pengumuman devidenb.

Coefficientsa

489.960 119.292 4.107 .000

31.252 13.232 .388 2.362 .025 .668 .408 .297 .587 1.703

178.618 67.232 .436 2.657 .013 .685 .449 .334 .587 1.703

(Constant)

Return on Equity


Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig. Zero-order Partial Part

Correlations

Tolerance VIF

Collinearity Statistics

Dependent Variable: Harga saham sebelum pengumuman devidena.

Collinearity Diagnosticsa

2.572 1.000 .04 .04 .03

.284 3.007 .79 .35 .02

.144 4.232 .17 .61 .95

Dimension1

2

3

Model1

EigenvalueCondition

Index (Constant)Return on

EquityReturn on

Investment

Variance Proportions


Residuals Statisticsa

570.3254 2185.8513 1043.8387 433.82024 31

-1.091 2.632 .000 1.000 31

77.78349 283.22971 114.59555 49.50145 31

594.0248 2270.4058 1039.9360 425.16919 31

-619.7192 1162.4495 .0000 386.68144 31

-1.548 2.904 .000 .966 31

-1.600 2.978 .004 1.004 31

-661.4629 1222.2294 3.9027 420.94593 31

-1.648 3.538 .037 1.115 31

.165 14.054 1.935 3.211 31

.000 .354 .032 .071 31

.006 .468 .065 .107 31

Predicted Value

Std. Predicted Value

Standard Error ofPredicted Value

Adjusted Predicted Value

Residual

Std. Residual

Stud. Residual

Deleted Residual

Stud. Deleted Residual

Mahal. Distance

Cook's Distance

Centered Leverage Value

Minimum Maximum Mean Std. Deviation N


26

Charts

Regression Standardized Residual

3.00

2.50

2.00

1.50

1.00

.50

0.00

-.50

-1.00

-1.50

Histogram

Dependent Variable: Harga saham sebelum pengumuman deviden

Fre

qu

en

cy

10

8

6

4

2

0

Std. Dev = .97

Mean = 0.00

N = 31.00

Normal P-P Plot of Regression Standardized Residual


Observed Cum Prob

1.00.75.50.250.00

Exp

ect

ed

Cu

m P

rob

1.00

.75

.50

.25

0.00

Scatterplot


Regression Standardized Predicted Value

3210-1-2

Re

gre

ssio

n S

tud

en

tize

d R

esi

du

al

4

3

2

1

0

-1

-2

27

Analisis

Persamaan regresi yang diperoleh adalah:Harga saham = 489,960 + 31,252 ROE + 178,618 ROI + eDilihat dari koefisien regresi, yang positif menunjukkan bahwa ROE dan ROI berpengaruh positif terhadap harga saham.

R = 0,746 menunjukkan koefisien korelasi dua variabel independen (ROE, ROI ) dengan harga saham

R square = 0,557, berarti 55,75 variasi atau perubahan harga saham dapat dijelaskan oleh ROE dan ROI.

Nilai Ftest dengan p-value 0,000<0,05, menunjukkan bahwa ROE dan ROI secara bersama-sama terbukti berpengaruh signifikan terhadap perubahan harga saham setelah pengumuman deviden.

Nilat thitung kedua variabel memiliki p-value < 0,05, yang berarti ROE dan ROI secara parsial berpengaruh positif terhadap perubahan harga saham.

Dilihat dari besaran koefisien beta atau thitung, disimpulkan ROI memiliki pengaruh lebih besar dalam menjelaskan perubahan harga saham. Informasi ini juga menunjukkan bahwa perubahan harga saham lebih sensitif pada perubahan ROI perusahaan.

Uji asumsi:

a. Multikolineritas Multikolinieritas dapat dideteksi dengan melihat variance inflation factor (VIF). Nilai VIF > 5 mengindikasikan model disifati multikolinieritas (Emory dan Pamella, 2003). Hasil VIF diperoleh 1,703, 5, sehingga disimpulkan model tidak mengandung multikoliniritas.

b. Heteroskedatisitas Deteksi heteroskedatisitas dapat diuji dengan korelasi Rank Spearman variabel bebas dengan unstandardized residual. Hasilnya adalah:

Nonparametric CorrelationsCorrelations

1.000 .754** .164

. .000 .377

31 31 31

.754** 1.000 .120

.000 . .521

31 31 31

.164 .120 1.000

.377 .521 .

31 31 31

Correlation Coefficient

Sig. (2-tailed)

N


Sig. (2-tailed)

N


Sig. (2-tailed)

N

Return on Equity


Unstandardized Residual

Spearman's rho

Return onEquity

Return onInvestment

Unstandardized Residual

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

Variabel ROE dan ROI tidak berkorelasi signifikan dengan residual, sehingga disimpulkan model tidak disifati heteroskedatisitas.

c. Auto korelasi Autokorelasi dideteksi dengan uji Durbin-Watson (DW). Nilai DW sekitar 2 mengindikasikan model tidak disifati auotokorelasi. Uji autokorelasi juga dapat dilakukan dengan regresi residual. Jika hasilnya tidak signifikan maka model tidak disifati aoutokorelasi.

d. Normalitas Normalitas data dapat diuji dengan melihat grafik Normal P-P of regression standardized residul. Sebaran yang mendekati garis diagonal, mengindikasikan bahwa bahwa berdistribusi normal. Uji normalitas data juga dapat dilakukan dengan uji One-Sampel Kolmogorof-

28

Smirnov. Jika hasilnya tidak signifikan, dapat disimpulkan data berdistribusi normal. Hasil uji K-S satu sampel adalah:

One-Sample Kolmogorov-Smirnov Test

31 31 31

7.3929 1.8074 1043.8387

7.20642 1.41828 581.13900

.235 .188 .114

.235 .188 .114

-.206 -.133 -.068

1.311 1.047 .636

.064 .223 .813

N

Mean

Std. Deviation

Normal Parameters a,b

Absolute

Positive

Negative

Most ExtremeDifferences

Kolmogorov-Smirnov Z

Asymp. Sig. (2-tailed)

Return onEquity

Return onInvestment

Harga sahamsebelum

pengumumandeviden

Test distribution is Normal.a.

Calculated from data.b.

Regresi logistik

Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika variabel dependentnya (Y) bersifat dikotomi. Istilah dikotomi merujuk pada penggunaan dua buah bilangan 0 dan 1 untuk menggantikan dua kategori pada variabel dependent. Sebagai contoh, pengaruh beberapa rasio keuangan terhadap keterlambatan penyampaian laporan keuangan. Maka variabel terikatnya adalah 0 jika terlambat dan 1 jika tidak terlambat (tepat). Contoh lainnya misalnya kesuksesan (sukses – gagal), kesetujuan (setuju – tidak setuju), keinginan membeli (ya – tidak)

Regresi logistik tidak memerlukan asumsi normalitas dan asumsi klasik yang lain, meskipun screening data outliers tetap dapat dilakukan. Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan hubungan antara variabel independen dan dependen secara linier. Regresi logistik merupakan regresi non linier dimana model yang ditentukan akan mengikuti pola kurva linier seperti gambar di bawah ini.

Model yang digunakan pada regresi logistik adalah:

Ln = β0 + β1X1 + β2X2 + …. + βkXk

Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2,…, Xk adalah variabel independen, dan β1,…, βk adalah koefisien regresi.

29

Regresi logistik akan membentuk variabel prediktor/respon (ln (p/(1-p)) yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit.

Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi predictor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel prediktor meningkat sebesar 1 unit.Contoh berikut adalah untuk melihat pengaruh antara variabel profitabilitas, kompleksitas perusahaan, opini auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA kompleksitas diukur dengan 1 jika mempunyai anak perusahaan dan 0 jika perusahaan

tidak mempunyai anak perusahaan opini auditor diukur dengan 1 jika mendapatkan opini wajar tanpa pengecualian dan 0

untuk opini yang lain likuiditas diukur dengan Current Ratio kompleksitas diukur dengan logaritma natural market value. variabel terikatnya (variable dependent) adalah ketepatan penyampaian laporan

keuangan dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat.

Klik menu Analyze, pilih Binary Logistic, seperti ini:

30

Masukkan variabel ketepatan ke dalam box dependend, dan masukkan variabel bebas ke dalam box covariate. Lalu klik pada options, sehingga akan keluar box seperti ini:

Beri tanda centang seperti pada gambar di atas lalu klik continue sehingga akan dikembalikan pada menu box logistik dan tekan OK.

Interpretasinya adalah sebagai berikut:

Pertama. Melihat kelayakan model dengan menginterpretasikan output berikut ini:

31

Omnibus test dapat digunakan untuk melihat kelayakan model. Nilai omnibus sebesar 11,729 dan mempunyai signifikansi 0,039 (<0,05) menunjukkan bahwa model tersebut sudah layak.

Nilai Hosmer and Lemeshow Test. Hosmer dan Lemeshow Test berbeda dengan uji kelayakan di atas. Ini adalah untuk melihat apakah data empiris cocok atau tidak dengan model atau dengan kata lain diharapkan tidak ada perbedaan antara data empiris dengan model.

Ho: data empiris cocok dengan modelH1 : data empiris tidak cocok dengan model

Model akan dinyatakan layak jika signifikansi di atas 0,05 atau -2 Log Likelihood di bawah Chi Square Tabel. Nilai Hosmer and Lemeshow Test adalah sebesar 9,778 dengan signifikansi 0,281 > 0,05. Sehingga dapat disimpulkan bahwa data sudah cocok dengan model.

Kesimpulannya adalah bahwa model dinyatakan layak dan boleh diinterpretasikan!!!Nilai Nagelkerke R Square sebesar 0,191 yang berarti bahwa kelima variabel bebas mampu menjelaskan varians ketepatan penyampaian laporan keuangan sebesar 19,1% dan sisanya yaitu sebesar 80,9% dijelaskan oleh faktor lain.

32

Pengujian hipotesis penelitian dilihat dengan output berikut ini:

Nilai Signifikansinya, yang di bawah 0,10 (10%) menunjukkan bahwa variable bebas tersebut berpengaruh pada variable terikat atau H1 diterima pada =10%. Pembahasannya silahkan dikaitkan dengan teori yang dikembangkan di awal. Misalnya kompleksitas mempunyai signifikansi 0,029 (< 0,1) yang berarti signifikan dan berpengaruh negatif karena koefisien (b) bernilai negatif (-1,316). Demikian juga opini audit yang dapat diinterpretasikan bahwa jika perusahaan mendapatkan opini 1 (wajar tanpa pengecualian) cenderung lebih tepat dalam penyampaian laporan keuangan 3,603 kali dari pada perusahaan yang mendapatkan opini.

33

STRUCTURAL EQUATION MODELING (SEM)Melalui Program AMOS

Model Persamaan Struktural (Structural Equation Modeling) adalah generasi kedua teknik analisis

multivariat yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks untuk

memperoleh gambaran menyeluruh mengenai keseluruhan model. Tidak seperti analisis multivariae

biasa (regresi berganda, faktor analisis, manova) SEM dapat menguji model struktural dan model

pengukuran. Dengan penggabungan kedua model tersebut memungkinkan peneliti untuk

1. Menguji kesalahan pengukuran

2. Melakukan analisis faktor bersamaan dengan pengujian hipotesis

Adapun sofware SEM yang banyak dijumpai di pasaran misalnya AMOS (Arbuckle), LISREL (Joreskog

dan Sorbom), EQS (Bentler), ROMANO (Brown, Mels dan Coward),LISCOMP (Muthen) dll.

KONSEP REGRESI VS SEMREGRESI DALAM RISET KEPERILAKUAN

Dalam riset keperilakuan, suatu variabel dibangun dari indikator-indikator berupa pertanyaan

pertanyaan yang mengukur/menilai variabel tersebut. Sebagai contoh:

Ukuran dari Perceived Quality adalah

34

modul spss.doc

Documents