Professional Documents
Culture Documents
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
Dependen
(tergantung =
ada variabel
bebas dan
variabel terikat)
Beberapa variabel
dependen dalam satu
hubungan
Hubungan berganda
antar variabel bebas dan
variabel terikat
Interdependen
(saling tergantung
= tdk dpt
diklasifikasikan
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
Metrik
Metrik-non
metrik
Skala pengukuran
Metrik
Teknik statistik
Analisis faktor
Analisis faktor konfirmatoris
Kasus/Responden
Metrik
Cluster analysis
Metrik
Obyek
Non metrik
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 :
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
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.
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.
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
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
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
16
T-Test
Group Statistics
Kinerja
Mean
12.2308
9.9444
13
18
Std. Deviation
1.69085
3.07690
Std. Error
Mean
.46896
.72523
F
Kinerja
Equal variances
assumed
Equal variances
not assumed
2.714
Sig.
.110
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:
18
T-Test
Paired Samples Statistics
Mean
Pair
1
Std. Deviation
Std. Error
Mean
1057.7419
31
576.86775
103.60851
1043.8387
31
581.13900
104.37565
Correlation
31
.970
Sig.
.000
Mean
Pair
1
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
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
Minimum
10.00
5.00
16.00
5.00
Maximum
20.00
16.00
21.00
21.00
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
21
Multiple Comparisons
Dependent Variable: Motivasi
Tukey HSD
Bonferroni
Bawah
Menengah
Atas
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
Homogeneous Subsets
Motivasi
N
10
12
9
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.
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
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
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
R
.746a
R Square
.557
Adjusted
R Square
.526
Std. Error of
the Estimate
400.25332
Durbin-W
atson
2.120
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
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
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
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
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
.75
.50
.25
0.00
0.00
.25
.50
.75
1.00
Scatterplot
Dependent Variable: Harga saham sebelum pengumuman deviden
Regression Studentized Residual
4
3
2
1
0
-1
-2
-2
-1
28
Analisis
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
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
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.
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
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
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.
36