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 Inferensial
Ilmu 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.

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
Macam
data

Karakteristik dasar

Nominal

Statistik
deskriptif

Kualitatif
(simbol/atribut/kat
egori)
Tidak
ada
rank/jenjang
Contoh :agama.
warna, sikap, dll

Modus
Distribusi
frekuensi

Semi kuantitatif
Ada rank/jenjang
Contoh
:
pendidikan, tipe
rumah, dll

Deskriptif
satu
variable /
satu
sample

Related

Independen

Modus
Median
Distribusi
frekuensi

Related

Independen

Cochran Q

2 k sampel

Fisher Exact
probability

Binomial
2 satu
sample

Ordinal

Teknik statistik
Statistik inferensial menurut Bentuk hipotesis
Komparatif (dua sampel)
Komparatif (> dua sampel)

Mc Nemar

2 dua
sampel

Asosiatif
(hubungan)

Koefisien
contingency (C)

Median test
MannWhitney
U Test

Sign test
Run test

Wilcoxon
matched
pairs test

KolmogorovSmirnov

Friedman
two-way
ANOVA

Median
extension
KruskalWallis OneWay Anova

Spearman rank
correlation
Kendall Tau
correlation

WaldWoldfowitz
Interval

Ratio

Kuantitatif
Tidak mempunyai
angka 0 mutlak
Contoh : suhu
Kuantitatif
Mempunyai angka
0 mutlak
Contoh : tinggi,
berat, harga,
pendapatan, dll

Modus
Median
Arithmetic
mean
Modus
Median
Arithmetic
mean
Geometric
mean

t-test

t-test of
related
sampel

t-test of
independenc
e sampel

One-Way
Anova

One-Way
Anova

Two-way
Anova

Two-way
Anova

Korelasi product
moment
(Pearson)
Korelasi parsial
Korelasi
berganda
Regresi
sederhana
Regresi
berganda

Sumber: Sugiono (2008)

Tabel 1.2. Klasifikasi Analisis Multivariat
Jenis
hubungan
yang diuji

Jumlah variabel yang

diprediksi

Dependen
(tergantung =
ada variabel
bebas dan
variabel terikat)

Satu variabel terikat

dalam satu hubungan

Beberapa variabel
dependen dalam satu
hubungan
Hubungan berganda
antar variabel bebas dan
variabel terikat

Interdependen
(saling tergantung
= tdk dpt
diklasifikasikan

Basis struktur hubungan

Variabel

Skala variabel
dependen

Skala variabel
independen

Teknik statistik
Regresi berganda
Conjoint analysis
Regresi berganda dgn variabel
dummy
Analisis diskriminan
Regresi logistik
Korelasi kanonik
Multivariate analysis of variance
(MANOVA)

Metrik

Metrik

Metrik

Metrik-non
metrik

Non metrik

Metrik

Metrik

Metrik

Metrik

Non metrik

Non metrik

Metrik

Korelasi kanonik dgn variabel

dummy

Metrik

Metrik-non
metrik

Structural equation modeling

(SEM)

Skala pengukuran
Metrik

Teknik statistik
Analisis faktor
Analisis faktor konfirmatoris

Kasus/Responden

mana var bebas

dan mana var
terikat)

Metrik

Cluster analysis

Metrik

Multidimensional scaling (MDS)

Conjoint analysis

Obyek
Non metrik

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
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

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
Menu utama

Nomor kasus

Data view aktif

b. Mendefinisikan variabel di Layar Variable View

Variable view aktif

Keterangan:
Name: nama variabel. Penulisan nama variabel tidak dapat menggunakan spasi
tetapi harus saling berhubungan dan tanda hubungan dapat digunakan notasi (_)
Type: type dari data yang dimasukkan. Jika type diklik akan muncul kotak
dialog sebagai berikut:

Numeric: data bersifat angka

String: data berup[a nama, contohnya nama perusahaan
Date: 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 tbeda 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 Baru
File 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 kategori
Manajer level bawah dikuantifikasikan dengan nilai 1
Manajer level tengah dikuantifikasikan dengan nilai 2
Manajer 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.

Data 1. Kompensasi, Motivasi dan Kinerja Manajerial

No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

Level Manajer
Bawah
Bawah
Bawah
Bawah
Bawah
Bawah
Bawah
Bawah
Bawah
Bawah
Bawah
Bawah
Menengah
Menengah
Menengah
Menengah
Menengah
Menengah
Menengah
Menengah
Menengah
Menengah
Atas
Atas
Atas
Atas
Atas
Atas
Atas
Atas
Atas

Gender
Wanita
Wanita
Pria
Wanita
Pria
Wanita
Pria
Wanita
Pria
Wanita
Pria
Pria
Wanita
Pria
Pria
Pria
Wanita
Pria
Wanita
Pria
Pria
Pria
Pria
Pria
Pria
Wanita
Pria
Wanita
Pria
Wanita
Wanita

K1
4
4
4
5
5
5
4
6
5
6
5
6
4
5
2
2
4
3
4
5
3
5
4
4
6
5
5
6
5
4
6

Kompensasi
K2 K3
4
4
4
4
3
4
4
5
5
5
6
6
5
6
6
7
6
6
7
7
5
6
6
5
4
4
4
4
2
2
2
2
4
3
3
3
4
5
5
5
3
4
5
6
5
4
5
4
5
6
5
5
5
5
5
6
5
5
5
5
5
6

K
12
12
11
14
15
17
15
19
17
20
16
17
12
13
6
6
11
8
13
15
10
16
13
13
17
15
15
17
15
14
17

M1
5
4
3
4
5
7
7
6
5
7
5
6
4
5
1
3
4
4
5
5
5
4
6
5
6
6
7
7
7
6
7

Motivasi
M2 M3
4
4
4
5
4
3
5
4
6
6
6
6
6
7
7
7
6
6
6
6
5
5
7
7
5
5
6
5
2
2
2
2
4
4
3
4
5
6
5
5
4
5
5
6
5
5
5
6
6
7
6
4
7
6
7
7
6
7
7
7
6
7

M
13
13
10
13
17
19
20
20
17
19
15
20
14
16
5
7
12
11
16
15
14
15
16
16
19
16
20
21
20
20
20

P1
6
6
4
7
4
7
6
7
5
7
5
7
5
5
2
1
5
2
5
6
4
5
5
6
5
6
7
7
6
6
7

Kinerja
P2
P
6
12
6
12
5
9
6
13
5
11
5
12
7
13
7
14
6
11
7
14
5
10
6
13
5
10
6
11
2
4
2
3
4
9
3
5
5
10
5
11
4
8
6
11
5
10
5
11
7
12
6
12
6
13
7
14
7
13
7
13
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.

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 labels

Value:1
Value Labels: Bawah lalu klik add
Value:2
Value labels: tengah lalu klik add
Value:3
Value 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.

10

Menyimpan Data
Jika 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 DATA
Menghapus isi suatu file tertentu :
1. Kursur diarahkan pada sel yang akan dihapus.
2. Klik Edit
3. Klik Cut/Clear
Menghapus isi sel pada kolom (variabel)
1. Klik pada no cases yang isinya akan dihapus
2. Klik Edit
3. Klik Cut/Clear
MENGCOPY DATA
Mengcopy isi satu sel
1. Pilih sel (satu/beberapa sel) yang akan di copy
2. Klik Edit
3. Klik copy
4. Pindahkan pointer pada sel akan dituju
5. Klik Edit
6. Klik Paste
Mengcopy isi sel dalam satu kolom
1. Pilih heading kolom (Variabel) yang isinya akan di copy.
2. Klik Edit
3. Klik copy
4. Pindahkan pointer pada heading yang akan dituju
5. Klik Edit
6. Klik Paste.
MENYISIPKAN DATA
Menyisipkan Variable
1. Pindahkan pointer pada kolom yang akan disispi
2. Klik Data
3. Pilih Insert Variabel
Menyisipkan Kasus
1. Pindahkan pointer pada baris yang akan disispi
2. Klik Data
3. Pilih Insert case
Contoh menghapus dan menganti variabel:
1. Buka level manajer
2. Klik Variable View
3. letakkan pointerpada tempat yang akan dihapus lalu ganti nama variable sesuai
dengan tampilan nama dibawah ini;

11

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 digunakan
level 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. Frequencies
Menginformasikan 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. Descriptive
Menginformasikan nilai minimum, maksimum, mean, standart deviasi dan menguji
apakah data berdistribusi normal atau tidak. Menu ini khusus untuk data berskala
interval atau rasio.
c. Explore
Menguji lebih teliti sekolompok data, untuk mengetahui apakah data berdistribusi
normal atau tidak
d. Crosstabs
Menyajikan deskripsi data dalam bentuk tabel silang. Menu crosstab juga digunakan
menguji hubungan untuk variabel diskret, dengan Chi square dan koefisien kontigensi
(C).
e. Ratio
Menghitung 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 berikut
1. Buka file level manajer.sav.
12

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
N

Valid
Missing

Level manajer
31
0

Jenis kelamin
31
0

Frequency Table
Level manajer

Valid

Atas
Bawah
Menengah
Total

Frequency
9
12
10
31

Percent
29.0
38.7
32.3
100.0

Valid Percent
29.0
38.7
32.3
100.0

Cumulative
Percent
29.0
67.7
100.0

Jenis kelamin

Valid

Pria
Wanita
Total

Frequency
18
13
31

Percent
58.1
41.9
100.0

Valid Percent
58.1
41.9
100.0

Cumulative
Percent
58.1
100.0

Descriptive
1. 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)

13

4. Klik Ok.

Output SPSS
Descriptive Statistics
N
Pertanyaan kompensasi1
Pertanyaan kompensasi2
Pertanyaan kompensasi3
Kompensasi
Pertanyaan motivasi1
Pertanyaan motivasi2
Pertanyaan motivasi3
Motivasi
Pertanyaan kinerja1
Pertanyaan kinerja2
Kinerja
Valid N (listwise)

31
31
31
31
31
31
31
31
31
31
31
31

Minimum
2.00
2.00
2.00
6.00
1.00
2.00
2.00
5.00
1.00
2.00
3.00

Maximum
6.00
7.00
7.00
20.00
7.00
7.00
7.00
21.00
7.00
7.00
14.00

Mean
4.5484
4.5806
4.8065
13.9032
5.1935
5.2258
5.3548
15.7742
5.3548
5.4839
10.9032

Std. Deviation
1.09053
1.14816
1.27591
3.37989
1.44728
1.35916
1.45025
4.00591
1.56095
1.38735
2.79708

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 Test
One-Samples T Test digunakan untuk membandingkan mean sample yang diuji dengan ratarata 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 = 1043
Hi : Rata harga saham setelah pengumuman deviden 1043
Langkah Pengolahan One-Samples T Test

14

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
N
Harga saham setelah
pengumuman deviden

Mean
31

1057.7419

Std. Deviation

Std. Error
Mean

576.86775

103.60851

One-Sample Test
Test Value = 1043

t
Harga saham setelah
pengumuman deviden

df
.142

30

Sig. (2-tailed)

Mean
Difference

.888

14.7419

95% Confidence
Interval of the
Difference
Lower
Upper
-196.8549

226.3387

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.

15

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 dibahas
Peneliti 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-Test
3. Tampilan yang nampak di layar SPSS
4. Isikan variable P (kinerja) pada test variable dan pada Grouping Variable
masukkan variable Gender
5. Klik Define Group dan Group 1 dengan 1 dan Group 2 dengan 2 seperti tampilan
dibawah ini

16

Output SPSS dan Analisis Independent Sample T-Test

T-Test
Group Statistics

Kinerja

Kode jenis kelamin

Wanita
Pria

Mean
12.2308
9.9444

13
18

Std. Deviation
1.69085
3.07690

Std. Error
Mean
.46896
.72523

Independent Samples Test

Levene's Test for
Equality of Variances

F
Kinerja

Equal variances
assumed
Equal variances
not assumed

2.714

Sig.
.110

t-test for Equality of Means

df

Sig. (2-tailed)

Mean
Difference

Std. Error
Difference

95% Confidence
Interval of the
Difference
Lower
Upper

2.421

29

.022

2.2863

.94443

.35474

4.21791

2.647

27.402

.013

2.2863

.86365

.51549

4.05716

Interpretasi:

Manajer wanita memiliki kinerja manajerial yang lebih tinggi dibanding manajer pria,
yaitu dengan rata-rata 12,23 dibanding 9,94.
Levens Tets
Hipotesis:
Ho: Variance kinerja manajer Wanita identik dengan variance kinerja manajer Pria
H1: 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

17

kinerja manajer wanita dengan manajer laki-laki atau variance rata-rata kinerja
manajer wanita dengan manajer laki-laki adalah identik.
Hasil T test dengan asumsi Equel variance assummed
Hipotesis:

HO: Mean kinerja manajer Wanita = mean kinerja manajer Pria

H1: Mean kinerja manajer Wanita mean kinerja manajer Pria
Hasil levenes 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 dibahas
Dari 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 saham
2. 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

18

Hasil dan analisis Paired-Samples T Test

T-Test
Paired Samples Statistics
Mean
Pair
1

Harga saham setelah

pengumuman deviden
Harga saham sebelum
pengumuman deviden

Std. Deviation

Std. Error
Mean

1057.7419

31

576.86775

103.60851

1043.8387

31

581.13900

104.37565

Paired Samples Correlations

N
Pair
1

Harga saham setelah

pengumuman deviden &
Harga saham sebelum
pengumuman deviden

Correlation
31

.970

Sig.
.000

Paired Samples Test

Paired Differences

Mean
Pair
1

Harga saham setelah

pengumuman deviden Harga saham sebelum
pengumuman deviden

13.9032

Std. Deviation

Std. Error
Mean

95% Confidence
Interval of the
Difference
Lower
Upper

142.78314

25.64461

-38.4701

66.2765

df
.542

Sig. (2-tailed)
30

.592

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

19

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 dibahas
Dengan menggunkan level manajer, peneliti ingin mengetahui apakah tingkat motivasi
berbeda ataukah sama untuk manajer level atas, menengah dan bawah.
Prosedur olah data
1. Buka file level manajer.sav
2. 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

20

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

6. Klik Ok
Hasil One-way ANOVA dan pembahasan

Oneway
Descriptives
Motivasi

N
Bawah
Menengah
Atas
Total

Mean
16.3333
12.5000
18.6667
15.7742

12
10
9
31

Std. Deviation
3.44656
3.80789
2.06155
4.00591

Std. Error
.99494
1.20416
.68718
.71948

95% Confidence Interval for

Mean
Lower Bound Upper Bound
14.1435
18.5232
9.7760
15.2240
17.0820
20.2513
14.3048
17.2436

Minimum
10.00
5.00
16.00
5.00

Maximum
20.00
16.00
21.00
21.00

Test of Homogeneity of Variances

Motivasi
Levene
Statistic
1.751

df1

df2
2

Sig.
.192

28

ANOVA
Motivasi

Between Groups
Within Groups
Total

Sum of
Squares
186.253
295.167
481.419

df
2
28
30

Mean Square
93.126
10.542

F
8.834

Sig.
.001

Post Hoc Tests

21

Multiple Comparisons
Dependent Variable: Motivasi

Tukey HSD

(I) Kode level manajer

Bawah
Menengah
Atas

Bonferroni

Bawah
Menengah
Atas

(J) Kode level manajer

Menengah
Atas
Bawah
Atas
Bawah
Menengah
Menengah
Atas
Bawah
Atas
Bawah
Menengah

Mean
Difference
(I-J)
Std. Error
3.8333*
1.39019
-2.3333
1.43170
-3.8333*
1.39019
-6.1667*
1.49180
2.3333
1.43170
6.1667*
1.49180
3.8333*
1.39019
-2.3333
1.43170
-3.8333*
1.39019
-6.1667*
1.49180
2.3333
1.43170
6.1667*
1.49180

Sig.
.027
.250
.027
.001
.250
.001
.030
.343
.030
.001
.343
.001

95% Confidence Interval

Lower Bound Upper Bound
.3935
7.2732
-5.8759
1.2092
-7.2732
-.3935
-9.8579
-2.4754
-1.2092
5.8759
2.4754
9.8579
.2933
7.3734
-5.9791
1.3124
-7.3734
-.2933
-9.9655
-2.3679
-1.3124
5.9791
2.3679
9.9655

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

Homogeneous Subsets
Motivasi

Kode level manajer

Tukey HSDa,b Menengah
Bawah
Atas
Sig.

N
10
12
9

Subset for alpha = .05

1
2
12.5000
16.3333
18.6667
1.000
.253

Means for groups in homogeneous subsets are displayed.

a. Uses Harmonic Mean Sample Size = 10.189.
b. The group sizes are unequal. The harmonic mean of the group
sizes is used. Type I error levels are not guaranteed.

Interpretasi:
Menu ANOVA di SPSS berdasarkan pilihan-pilahan opsi yang dilakukan diatas memberikan
informasi statistik deskriptif, Levens 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 Levens 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).

22

Manajer level menengah dengan manajer level atas (p-value < 0,05).
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.
2.
3.
4.
5.
6.

Model regresi linear

nilai rata-rata kesalahan adalah nol
homokedastisitas
tidak ada autokorelasi
tidak ada multikoliniaritas
model regresi telah dispesifikasi secara benar berdasarkan teori

Kasus yang akan dibahas

Dari data harga saham ingin diketahui apakah ada pengaruh ROI, ROE terhadap harga saham
Prosedur Pengolahan Data
1. Buka file data harga saham
2. Klik menu analyze, klik regression lalu linear
3. Masukkan variable ROI,ROE kedalam kotak dependent, variable harga saham setelah
pengumuman deviden ke kotak dependent, pilih method enter

23

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

5. Klik continue
6. Klik, save, pilih unstandardized

24

7. Klik continue
8. Klik Plots, isikan kotak scatter dengan SRESID pada kotak Y dan ZPRED pada kotak
X.

9. Klik continue
10. Klik Ok.

25

Output Regresi berganda

Regression
Descriptive Statistics
Mean
Harga saham sebelum
pengumuman deviden
Return on Equity
Return on Investment

Std. Deviation

1043.8387

581.13900

31

7.3929
1.8074

7.20642
1.41828

31
31

Correlations

Pearson Correlation

Sig. (1-tailed)

Harga saham sebelum

pengumuman deviden
Return on Equity
Return on Investment
Harga saham sebelum
pengumuman deviden
Return on Equity
Return on Investment
Harga saham sebelum
pengumuman deviden
Return on Equity
Return on Investment

Harga saham
sebelum
pengumuman
deviden

Return on
Equity

1.000

.668

.685

.668
.685

1.000
.642

.642
1.000

.000

.000

.000
.000

.
.000

.000
.

31

31

31

31
31

31
31

31
31

Return on
Investment

Variables Entered/Removedb
Model
1

Variables
Entered
Return on
Investmen
t, Return a
on Equity

Variables
Removed

Method
.

Enter

a. All requested variables entered.

b. Dependent Variable: Harga saham
sebelum pengumuman deviden
Model Summaryb
Model
1

R
.746a

R Square
.557

Adjusted
R Square
.526

Std. Error of
the Estimate
400.25332

Durbin-W
atson
2.120

a. Predictors: (Constant), Return on Investment, Return on Equity

b. Dependent Variable: Harga saham sebelum pengumuman deviden

26

ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
5646000
4485676
10131676

df

Mean Square
2823000.054
160202.717

2
28
30

F
17.621

Sig.
.000a

a. Predictors: (Constant), Return on Investment, Return on Equity

b. Dependent Variable: Harga saham sebelum pengumuman deviden
Coefficientsa

Model
1

(Constant)
Return on Equity
Return on Investment

Unstandardized
Coefficients
B
Std. Error
489.960
119.292
31.252
13.232
178.618
67.232

Standardized
Coefficients
Beta
.388
.436

t
4.107
2.362
2.657

Sig.
.000
.025
.013

Zero-order

Correlations
Partial

.668
.685

.408
.449

Collinearity Statistics
Tolerance
VIF

Part
.297
.334

.587
.587

1.703
1.703

a. Dependent Variable: Harga saham sebelum pengumuman deviden

a
Collinearity Diagnostics

Model
1

Dimension
1
2
3

Condition
Index
1.000
3.007
4.232

Eigenvalue
2.572
.284
.144

Variance Proportions
Return on
Return on
(Constant)
Equity
Investment
.04
.04
.03
.79
.35
.02
.17
.61
.95

a. Dependent Variable: Harga saham sebelum pengumuman deviden

Residuals Statisticsa
Predicted Value
Std. Predicted Value
Standard Error of
Predicted Value
Adjusted Predicted Value
Residual
Std. Residual
Stud. Residual
Deleted Residual
Stud. Deleted Residual
Mahal. Distance
Cook's Distance
Centered Leverage Value

Minimum
570.3254
-1.091

Maximum
2185.8513
2.632

Mean
1043.8387
.000

Std. Deviation
433.82024
1.000

77.78349

283.22971

114.59555

49.50145

31

594.0248
-619.7192
-1.548
-1.600
-661.4629
-1.648
.165
.000
.006

2270.4058
1162.4495
2.904
2.978
1222.2294
3.538
14.054
.354
.468

1039.9360
.0000
.000
.004
3.9027
.037
1.935
.032
.065

425.16919
386.68144
.966
1.004
420.94593
1.115
3.211
.071
.107

31
31
31
31
31
31
31
31
31

31
31

a. Dependent Variable: Harga saham sebelum pengumuman deviden

27

Charts
Histogram
Dependent Variable: Harga saham sebelum pengumuman deviden
10

Frequency

4
Std. Dev = .97

Mean = 0.00
N = 31.00

0
-1.50

-.50
-1.00

.50
0.00

1.50
1.00

2.50
2.00

3.00

Regression Standardized Residual

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Harga saham sebelum pengumuman deviden
1.00

Expected Cum Prob

.75

.50

.25

0.00
0.00

.25

.50

.75

1.00

Observed Cum Prob

Scatterplot
Dependent Variable: Harga saham sebelum pengumuman deviden
Regression Studentized Residual

4
3
2
1
0
-1
-2
-2

-1

Regression Standardized Predicted Value

28

Analisis

Persamaan regresi yang diperoleh adalah:

Harga saham = 489,960 + 31,252 ROE + 178,618 ROI + e
Dilihat 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 bersamasama 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 Correlations
Correlations

Spearman's rho

Return on Equity

Return on Investment

Unstandardized Residual

Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N

Return on
Equity
1.000
.
31
.754**
.000
31
.164
.377
31

Return on
Unstandardiz
Investment
ed Residual
.754**
.164
.000
.377
31
31
1.000
.120
.
.521
31
31
.120
1.000
.521
.
31
31

**. 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

29

normal. Uji normalitas data juga dapat dilakukan dengan uji One-Sampel KolmogorofSmirnov. Jika hasilnya tidak signifikan, dapat disimpulkan data berdistribusi normal. Hasil uji
K-S satu sampel adalah:
One-Sample Kolmogorov-Smirnov Test

N
Normal Parameters a,b
Most Extreme
Differences

Mean
Std. Deviation
Absolute
Positive
Negative

Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)

Return on
Equity
31
7.3929
7.20642
.235
.235
-.206
1.311
.064

Return on
Investment
31
1.8074
1.41828
.188
.188
-.133
1.047
.223

Harga saham
sebelum
pengumuman
deviden
31
1043.8387
581.13900
.114
.114
-.068
.636
.813

a. Test distribution is Normal.

b. Calculated from data.

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 = 0 + 1X1 + 2X2 + . + kXk

30

Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2,, Xk adalah variabel independen,
dan 1,, k adalah koefisien regresi.
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:

31

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:

32

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:

33

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 model
H1 : 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.

34

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.

35

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 SEM

REGRESI 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

36