Modul Pengolaan Data SPSS Metode Penelitian Dan Pengolahan Data Penelitian (Pendekatan Praktis) Oleh: Hanif
[email protected]
Publish: September 24
2010
Modul Praktikum Statistik
Bismillaahirrahmaanirrahiim, Wabihii nasta’inu Subhaanaka laa ’ilmalana illaa maa ‘allamtana innaka antal ‘aliimul hakiim. Allahumma shalli ‘alaa sayyidina Muhammad wa ‘alaa alihi washahbihi. Pendahuluan …….. Dalam suatu ujian skripsi, tujuh peserta ujian ditanya oleh penguji…. “Apa alasan anda memilih regresi berganda sebagai alat analisa ?..,” peserta 1, 2 dan 3 menjawab, dengan senyuman alias nggak ngerti, peserta 4 menjawab ikut skripsi yang lalu, peserta 5 dan 6 menjawab atas saran dosen pembimbing, peserta 7 menjawab karena pertimbangan masalah dan tujuan penelitian serta formulasi model penelitian. ….. mana kira-kira jawaban yang terbaik…….. ! Berdasarkan pengalaman penulis dalam membimbing dan menguji skripsi selama ini, masih ada beberapa mahasiswa yang telah lupa atau belum faham mengenai apa dan bagaimana proses analisis data itu dilakukan sebagai alat bantu pembuatan kesimpulan penelitian. Suplemen ini merupakan pelengkap modul mata kuliah metode penelitian yang biasa digunakan oleh penulis dalam memberikan materi perkuliahan di kelas. Lebih lanjut, suplemen ini disusun atas dasar keinginan penulis untuk membantu mahasiswa STIEMARA yang sedang menyusun tugas akhir dan berkeinginan mengolah data secara mandiri. Menurut pengamatan penulis, terdapat beberapa alat analisa yang umum digunakan mahasiswa S1 dalam menjawab permasalahan, tujuan serta hipotesis penelitian. Alat analisa tersebut antara lain analisis regresi berganda, analisis jalur, uji beda, analisis factor, analisis cluster dan diskriminan. Dalam buku kecil ini terdapat petunjuk praktis proses pengolahan data dengan menggunakan regresi berganda, analisis jalur, uji beda dan analisis faktor. Untuk analisis cluster dan diskriminan InsyaAllah akan menyusul dalam modul berikutnya. Pendekatan praktis yang dimaksud adalah lebih menitikberatkan pada proses pengolahannya serta pembacaan hasil analisnya. Penggunakan beberapa proxy juga ditekankan untuk membantu mahasiswa didalam menafsirkan temuan penelitiannya secara statistic. Dengan disertai disket yang berisi data SPSS akan sangat membantu mahasiswa dalam berlatih dan melakukan berberapa simulasi pengolahan data yang akan dipandu secara sistematis.
Bagian Satu Analisa Regresi Berganda Penggunaan Regresi Berganda Regresi Berganda adalah bagian dari analisis multivariate. Tujuan utama analisis regresi berganda adalah untuk menduga besarnya koefisien regresi. Selanjutnya, koefisien regresi inilah yang akan menunjukkan besarnya pengaruh peubah bebas (independent variable/X) terhadap peubah tak bebas (dependent variable/Y). Kata “berganda” diambil sebagai penjelas untuk menunjukkan bahwa peneliti dalam penelitiannya menggunakan lebih dari satu variabel bebas (di kampus tercinta ini variabel diistilahkan dengan kata peubah, pengertian keduanya mempunyai arti yang sama). Pemborosan yang sering dilakukan oleh mahasiswa dalam skripsinya ialah ia menyajikan semua analisa seperti regresi sederhana, korelasi sedehana, regresi berganda, korelasi berganda yang pada akhirnya mahasiswa bingung sendiri, figure statistik mana yang dipakai ?. Seiring kemajuan teknologi software, semua tujuan untuk uji hubungan maupun pengaruh baik secara bersama-sama maupun secara parsial dapat diselesaikan hanya dengan satu “click” yaitu “regression”. Semua tindakan olah data itu dapat dilakukan bahkan berulang-ulang dengan beberapa perbaikan yang dimungkinkan hanya dalam hitungan menit. Bersyukurlah kita karena sudah ada software pengolah data yang saudara kenal dengan sebutan SPSS for windows. Jangan bayangkan statistic berwajah rumus yang “jlimet” dan seabrek perhitungan lain, disini statistik sebagai alat dan sebagai alat ia telah mengalamai metamorfosis, ibarat mengitung perkalian 2435364 x 647469865, dengan manual ?????, tetapi dengan calculator “no problem”. Demikian juga regresi berganda, dengan manual ??????, tetapi dengan SPSS “smile dan menantang”. Yang terpenting dari semua aspek teknis itu saudara bisa membaca hasil output SPSS tersebut untuk pengambilan kesimpulan atas masalah dan tujuan penelitian, misal untuk apa mengetahui nilai R, R square, nilai F, nilai b, nilai t, nilai Sig dan beberapa figure atau parameter lain yang diperlukan untuk pengujian hipotesis dan menjawab permasalahan penelitian. Nah saudaraku mari kita santai sejenak dan perhatikan hiburan berikut ini……………………. Ibarat anda sakit batuk dan tentu anda beli obat batuk, yang penting adalah anda mengerti aturan/cara minum, kontra indikasi serta pantangannya. Anda tidak perlu tahu bagaimana unsur-unsur kimia itu diproses dan bagaimana komposisi zat itu dihitung takarannya. Sebab itu sudah menjadi tanggung jawab ahli-ahli kimia dan kedokteran dan tentunya telah melalui proses quality control yang ketat sebelum dijual. Analisis regresi dengan bantuan software SPSS layaknya seperti ilustrasi tersebut. Ketahui saja bagimana persyaratan-persyaratan sebelum proses input data dan outputnya sebagai bahan untuk pengambilan kesimpulan, jelaskan temuan angkaangka atau figure statistik itu dengan bersandar pada teori dan empiris, jangan sibuk belajar dari mana asal muasal angka R, R square, t, beta, dsb apalagi sampai dibuktikan secara manual, akhirnya energi saudara habis untuk urusan hitung
menghitung yang sebenarnya bukan tujuan utama saudara. Akibatnya pembahasan thesis, anti-thesis dan sintesa antara kajian teori dan temuan empiris menjadi tidak tajam karena anda lebih mengutamakan belajar darimana angka-angka tersebut tapi bukan belajar apa arti angka-angka tersebut. Fenomena ini sering penulis temui ketika menjelang ujian skripsi mahasiswa sibuk dan stress gara-gara rumus. Bukan sibuk mempersiapkan penjelasan yang logis atas temuan penelitiannya. Mohon direnungkan…… Persiapan mengolah data penelitian. Sebagai misal peneliti ingin mengetahui apakah ada pengaruh antara gaji karyawan dan Kedisiplinan kerja karyawan terhadap Prestasi kerja karyawan. Lihat model teori penelitian berikut:1
Gaji karyawan
Prestasi kerja karyawan Kedisiplinan kerja karyawan didalam akhir bab II, gambar ini biasanya disajikan kerangka/ model teori penelitan
Based on this model, dapat kita mengerti bahwa terdapat dua peubah bebas (x1 dan x2) dan satu peubah terikat (Y), yang selanjutnya ingin diketahui bagaimana bentuk hubungan dan pengaruhnya, tentunya dengan menggunakan analisis regresi berganda. Apa yang perlu dipersiapkan ? Setelah bangunan teori di susun dengan menyajikan argumen yang kuat dan relevan. Berikutnya perumusan hipotesis dilakukan sebagai dasar pengujian. Dalam contoh diatas peneliti mempunyai fokus pada peubah gaji karyawan (x1) dan Kedisiplinan karyawan (x2) keduanya sebagai peubah bebas yang berpengaruh pada prestasi kerja karyawan (Y) (lihat model hal 1). Selanjutnya peneliti harus menyusun pengukuran 1
Model penelitian dimaksudkan untuk membuat penyederhanaan permasalahan, sehingga pembaca dapat mengetahui alur atau arah cerita penelitian yang dilakukan.
dari peubah-peubah tersebut. (dalam skripsi saudara, perbincangan ini masuk pada bab III, Peubah dan Pengukuran). Untuk mempermudah penguasan peubah dan pengukuran, saudara lebih baik membuat tabel yang berisikan penjelasan atas peubah dan pengukuran tersebut, lihat contoh berikut: Tabel 1. Peubah dan pengukuran Peubah Penelitian Indikator peubah Gaji karyawan (X1) 1. jumlah gaji 2. kesesuaian dengan beban kerja 3. unsur keadilan Kedisiplinan karyawan (x2) 1. taat pada aturan 2. absensi 3. pemanfaatan fasilitas kerja Prestasi Kerja karyawan (Y) 1. kuantitas hasil kerja 2. kesesuaian dengan standart 3. ketepatan waktu
Skala pengukuran 1. ordinal-interval 2. ordinal-interval 3. ordinal-interval
∗
1. ordinal-interval 2. ordinal-interval 3. ordinal-interval 1. ordinal-interval 2. ordinal-interval 3. ordinal-interval
Setelah peubah dan pengukuran tersebut dikonsultasikan dengan pembimbing dan dinilai sudah tepat artinya sesuai dengan tujuan penelitian dan kondisi empiris/lapangan, maka indikator-indikator tersebut untuk selanjutnya digunakan sebagai bahan penyusunan kuesioner dalam bentuk pertanyaan-pertanyaan. Selanjutnya kuesioner dibagikan kepada responden, dan jawaban-jawaban responden yang telah terdokumentasi didalam kuesioner dimasukkan kedalam SPSS editor dengan langkah-langkah sebagai berikut: Langkah awal. Susun terlebih dahulu peubah dan pengukurannya sebelum di input kedalam SPSS editor sbb. (lihat tabel hal 3) Peubah Gaji karyawan (x1), Indikatornya: x1.1 Jumlah gaji X1.2 kesesuaian dengan beban kerja X1.3 unsur keadilan
Penjelasan mengenai skala pengukuran dan teknik prosedur penyusunan instrument penelitian baca dii modul metpen yang atau konsultasikan pada Dosen pembimbing yang terhormat
Contoh pertanyaan didalam kuisioner: 1. Bagaimana pendapat bpk/ibu/sdr tentang jumlah gaji yang diterima perbulan dari perusahaan. a. sangat memadai Jawaban a dinilai 5, b nilai 4, dst, e nilai 1 b. memadai Lihat panduan penyusunan skala likert , semantik c. cukup diferensial dan skala guttman. (modul metpen) d. kurang e. sangat tidak memadai informasi lain : …… ………………………………………………………… ……. ………………………………………………………… Terkadang didalam kuesioner perlu diberikan pertanyaan terbuka untuk memperoleh informasi lain yang mungkin diperlukan dan berguna pada saat memperkuat penjelasan Untuk Peubah kedisiplinan karyawan (x2), sbb: Indikatornya: X2.1 Taat pada aturan X2.2 absensi X2.3 pemanfaatan fasiltas Untuk Peubah Prestasi kerja Karyawan (Y), sbb: Indikatornya: Y.1 kuantitas hasil kerja Y.2 kesesuaian dengan standart Y.3 Ketepatan waktu (x1.1; x1.2 dst hanyalah pemberian istilah saja untuk mempermudah mengenali variabel beserta indikatornya. X1.1 artinya indikator ke 1 dari variable ke 1, x2.2 artinya indikator ke dua dari variable ke 2, dst) Menjalankan SPSS. 1. Buka SPSS , bisa open lewat program, windows explorer atau klik dua kali icon SPSS. Hasilnya akan nampak seperti ini:
setelah media spss editor dalam posisi ready, selanjutnya tinggal ketik nama-nama variable beserta masing-masing indikatornya dengan cara sbb: (untuk memulai memberi nama variable, klik variable view pada bagian paling bawah sebelah kiri) Hasilnya akan tampak sbb:
berikutnya entry data bisa dimulai dengan kesabaran dan ketelitian. Sekali lagi proses ini sangat mudah sekali tinggal klik sana klik sini dan langsung jadi. Hasilnya lihat dibawah ini.
Data diatas berjumlah n=30 namun hanya tampak n=12 Setelah data lengkap disajikan didalam spss editor selanjutnya akan dilakukan analisis regresi, dengan tahapan sebagai berikut. Tahap Awal. Lakukan uji Validitas dan Reliabilitas seperti petunjuk di bawah ini • Arahkan pointer saudara pada menu Analyze • Pilih Scale, selanjutnya pilih Reliability Analysis,,,,, (lihat kotak ) berikutnya akan tampak kotak sbb:
Masukkan tiap peubah dan indikator ke dalam kotak item (pakai tanda untuk memasukkan dan mengeluarkan tiap peubah beserta indikatornya) sesuai dengan kelompoknya masing-masing, Gambar diatas adalah proses untuk menguji validitas dan reliabilitas untuk indikator-indikator X1, lakukan hal yang sama untuk x2 dan Y lakukan sesuai kelompoknya (lihat hal 5 ) Klik Ok dan hasilnya adalah Reliability ****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y
1. 2. 3. 4.
X1.1 X1.2 X1.3 X1TOTAL
A N A L Y S I S - S C A L E (A L P H A) Mean
Std Dev
Cases
3.5667 3.9333 3.9333 11.4000
.7279 .5833 .6915 1.0372
30.0 30.0 30.0 30.0
Item-total Statistics
X1.1 X1.2 X1.3 X1TOTAL
Scale Mean if Item Deleted
Scale Variance if Item Deleted
19.2667 18.9000 18.9000 11.4333
2.9609 3.4034 3.5414 1.0816
Corrected ItemTotal Correlation
Alpha if Item Deleted
.5157 .5499 .6007 .7746
.5404 .5816 .6758 .7698
Reliability Coefficients N of Cases = Alpha =
.7784
30.0
N of Items =
4
Interpretasi hasil uji validitas dan reliabilitas. Secara statistik, Instrumen penelitian dikatakan mempunyai tingkat validitas yang baik jika Nilai corrected item-total correlation dibandingkan dengan nila r kritik pada tabel harus lebih besar. Instrumen penelitian dikatakan mempunyai tingkat reliabilitas yang tinggi jika nilai Alpha lebih besar dari 0,6. Jadi instrument penelitian untuk merespon peubah gaji sudah “valid dan reliable”, lakukan interpretasi yang sama untuk x2 dan Y dengan bersandar pada ketentuan diatas. Setelah melakukan uji validitas dan reliabilitas, berikutnya lakukan pengujian asumsi klasik2 (untuk uji asumsi klasik akan dijelaskan pada bagian akhir). Setelah semua asumsi dipenuhi ( multikolieritas, autokorelasi, heteroskedastisitas dan normalitas) Proses uji asumsi klasik bisa dilakukan secara bersama dengan analisi regresi berganda. Dengan tahapan sebagai berikut: Pilih menu Analyze, pilih Regression, pilih linear, tampilannya akan tampak sebagai berikut.
Klik linear maka akan tampak kotak perintah sbb: ikuti langkah berikut:
2
lihat penjelasannya pada halaman 19.
• •
•
Setelah
Masukkan peubah bebas (hanya nilai total saja, x1, x2 ) pada kotak independent Masukkan peubah terikat (hanya nilai total Y) pada kotak dependent Berikutnya klik icon “statistics….” Kemudian beri tanda check (√ ) pada kotak yang telah disediakan, sesuaikan dengan contoh
Selanjutnya klik continue dan klik Ok, maka spss sedang running… tunggu beberapa saat dan hasil analisis regresi berganda sudah bisa dilihat seperti tampilan berikut ini. Regression Variables Entered/Removedb Model 1
Variables Entered kedisiplina n, gaji a karyawan
Variables Removed
Method .
Enter
a. All requested variables entered. b. Dependent Variable: prestasi kerja
Model Summaryb Change Statistics Model 1
R R Square .738a .544
Adjusted Std. Error of R Square R Square the Estimate Change F Change .510 .9066 .544 16.103
df1
df2 2
Durbin-W atson 2.002
Sig. F Change 27 .000
a. Predictors: (Constant), kedisiplinan, gaji karyawan b. Dependent Variable: prestasi kerja
ANOVAb Model 1
Regression Residual Total
Sum of Squares 26.473 22.194 48.667
df 2 27 29
Mean Square 13.237 .822
F 16.103
Sig. .000a
a. Predictors: (Constant), kedisiplinan, gaji karyawan b. Dependent Variable: prestasi kerja
Coefficientsa Standardi zed Unstandardized Coefficien Coefficients ts Model B Std. Error Beta 1 (Constant) -4.35E-04 2.181 gaji karyawan .588 .179 .471 kedisiplinan .512 .183 .402 a. Dependent Variable: prestasi kerja
t .000 3.279 2.799
Sig. Zero-order 1.000 .003 .642 .009 .602
Correlations Partial .534 .474
Part .426 .364
Collinearity Statistics Tolerance VIF .819 .819
1.220 1.220
Berikutnya adalah melakukan interpretasi atas hasil analisis regresi. Dalam membaca print out SPSS tersebut, saudara harus bersandar pada rumusan masalah, tujuan dan hipotesis penelitian. Artinya tidak semua angka-angka/parameter diinterpretasikan. Dalam contoh ini telah disebutkan bahwa peneliti ingin mengetahui dan menguji: • Apakah ada pengaruh antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap prestasi kerja (Y) secara bersama-sama mapun secara parsial Dengan demikian hipotesis penelitian akan dinyatakan : • Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap prestasi kerja (Y) secara bersama-sama mapun secara parsial. Atau bisa disusun secara terpisah, sbb. • Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap prestasi kerja secara bersama-sama. • Ada pengaruh yang signifikan antara gaji karyawan (x1) terhadap prestasi kerja (Y) (parsial) • Ada pengaruh yang signifikan antara kedisiplinan (x2) terhadap prestasi kerja (y) (parsial) Jika dimungkinkan, saudara juga diperbolehkan menduga bahwa salah satu variabel mempunyai pengaruh paling dominan, asalkan saudara mempunyai argumen yang kuat berdasarkan teori maupun penelitian terdahulu, ingat harus punya argumen tidak sekedar menduga tanpa dasar. Misalnya, Diduga gaji karyawan (x1) mempunyai pengaruh yang paling dominant terhadap prestasi kerja (Y), hal ini tentunya harus didukung dengan alasan yang kuat bukan sekedar ikut kebiasaan selama ini. Sekarang marilah kita mulai dengan belajar membaca print out spss regresi berganda. Pengujian hipotesis, Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap prestasi kerja (Y) secara bersama-sama. Untuk pengujian penelitian, secara statistik biasanya ada prosedur sbb 1. lihat nilai R (koefisien korelasi berganda) gunanya untuk mengetahui keeratan hubungan antara peubah x1 dan x2 (secara sumultan) terhadap peubah terikat (y). Nilai korelasi bisa bernotasi negative maupun positif, notasi ini mengindikasikan bentuk atau arah hunungan yang terjadi. Perhatikan Kriteria nilai korelasi pada tabel berikut: Nilai R (korelasi) 0 0 – 0,5 0,5 – 0,8 0,8 – 1 1
Kriteria hubungan Tidak ada hubungan Korelasi lemah Korelasi sedang/cukup kuat Korelasi kuat Korelasi sempurna
Hasil analisis menunjukkan nilai R= 0.738, hal ini menunjukkan bahwa terdapat hubungan yang cukup kuat antara gaji karyawan (x1) dan kedisipliinan (x2) secara
2.
bersama-sama terhadap prestasi kerja (Y). Artinya jika x1 dan x2 meningkat maka Y juga akan meningkat (korelasi positif). (lihat tabel Model Summary hal 13) Lihat nilai R square (R2) juga disebut sebagai koefisien determinasi gunanya untuk mengetahui besarnya kontribusi peubah bebas (x) secara serempak didalam menjelaskan peubah terikat (Y). R Square juga dapat menunjukkan ragam naik atau turunnya peubah terikat (Y) yang diterangkan oleh pengaruh linier peubah bebas (X). Ukuran nilai R Square adalah 0 ≤ R2 ( 1, artinya semakin mendekati angka satu berarti garis regresi yang terbentuk dapat meramalkan peubah terikat (Y) secara lebih baik menuju kesempurnaan (model fit) Dalam tabel model summary (hal 13) kita lihat nilai R2 sebesar 0,544. Hal ini diartikan bahwa peubah bebas dalam hal ini gaji dan kedisiplinan secara bersamasama menjelaskan peubah prestasi kerja sebesar 54,4 %, sedangkan sisanya 45,6 % dijelaskan oleh peubah lain yang tidak diteliti dalam penelitian ini atau model penelitian. Semakin besar nilai R2 semakin menunjukkan ketepatan model yang telah disusun (model yang dimaksud adalah model teori penelitian ini).
3. Lihat Nilai F statistic (biasa disebut Uji F) dan Nilai Sig. (lihat table ANOVA, hal 13) NIlai F statistic dapat digunakan untuk mengetahui tingkat signifikansi kontribusi peubah bebas (secara bersama-sama) dalam menjelaskan peubah terikat. Artinya apakah pengaruhnya nyata atau bermakna. Dengan membandingkan nilai F statistic dengan nilai F table dapat diketahui tingkat signifikansinya. Kita lihat dari table ANOVA bahwa nilai F stat sebesar 16.03 sedangkan F table dapat di tentukan dengan cara sebagai berikut: Lihat df (degree of freedom) atau derajat bebas (db) rumusnya k, n-k-1 atau langsung lihat di table anova, df nya adalah 2 (jumlah peubah bebas) , dan 27 (jumlah responden – peubah bebas -1 jadi 30-2-1=27) setelah diketahui df nya berikutnya lihat table F yang tersedia di setiap buku statistic. Cara baca tabelnya adalah sebagai berikut Lihat angka 2 pada kolom db pembilang dan lihat angka 27 pada kolom db penyebut dan hubungkan perpotongan keduanya pada tingkat alpha (misal 0,05) maka akan terlihat angka sebesar 3,35. Jika kita bandingkan antara F stat dengan F table maka 16,03>3.35, jadi keputusannya adalah menerima hipotesis yang menyatakan bahwa terdapat pengaruh yang signifikan antara gaji karyawan (x1) dan Kedisiplinan karyawan (x2) secara bersama-sama terhadap prestasi kerja karyawan (Y) Cara lain untuk melihat tingkat signifikansi. Cara menarik kesimpulan untuk menerima atau menolak hipotesis dapat juga dilakukan dengan melihat nilai signifikansi atau nilai Sig pada table anova. Cara ini lebih mudah dan praktis yaitu cukup membandingkan antara nilai Sig tersebut dengan standar kesalahan atau alpha yang telah ditetapkan oleh peneliti. Biasanya peneliti menetapkan alpha 5 persen atau 0,05 walaupun untuk penelitian sosial alpha 10 persen pun masih ditoleransi. Dalam table anova terlihat nilai Sig sebesar 0.000 yang masih dibawah alpha sebesar 0,05, artinya semua obyek yang diamati (30 responden) sesuai dengan model yang ditetapkan. Jadi 30 karyawan yang menjadi obyek amatan menjelaskan bahwa secara bersama-sama antara gaji dan disiplin mempengaruhi
prestasi kerja. Dua cara tersebut, yaitu membandingkan antara F stat dengan F table atau membandingkan Nilai Sig dengan Alpha, silahkan saudara pilih mana yang lebih mudah. Setelah mengetahui pengaruh secara bersama-sama, selanjutnya kita akan analisis bagaimana pengaruhnya secara parsial (pengaruh secara sendiri-sendiri, artinya bagiamana pengaruh X1 thd Y dalam kondisi X2 dikontrol/tetap/cateris paribus). Adapun manfaat lain mengetahui pengaruh secara parsial adalah untuk mencari informasi dari keseluruhan peubah bebas, peubah mana yang pengaruhnya paling dominan atau paling besar. Untuk tujuan itu kita bisa lihat dari table coefficient berikut ini (sumber pada hal 13.) Coefficientsa
Model 1
(Constant) gaji karyawan kedisiplinan
Unstandardized Coefficients B Std. Error -4.35E-04 2.181 .588 .179 .512 .183
Standardi zed Coefficien ts Beta .471 .402
t .000 3.279 2.799
Sig. 1.000 .003 .009
Zero-order
Correlations Partial
.642 .602
.534 .474
Part .426 .364
Collinearity Statistics Tolerance VIF .819 .819
1.220 1.220
a. Dependent Variable: prestasi kerja
Secara parsial semua peubah bebas mempunyai pengaruh yang signifikan hal ini bisa dilihat dari nilai t stat maupun Sig, dimana nilai t stat lebih besar dari t table sedangkan nilai Sig masih dibawah Alpha 0,05 Peubah gaji karyawan pengaruhnya signifikan terhadap prestasi kerja (t stat =3.279 > t table=2,056). Demikian juga nilai Sig=0.003 < 0,05 dengan koefisien regresi sebesar 0.588. Hal ini menyimpulkan bahwa hipotesis diterima. Demikian juga dengan peubah kedisiplinan, dengan melihat nilai yang sama seperti diatas dapat disimpulkan bahwa, kedisiplinan mempunyai pengaruh signifikan terhadap prestasi kerja. Hal ini menyimpulkan bahwa hipotesis diterima. Dari kedua peubah tersebut, dapat disimpulkan bahwa peubah gaji karyawan mempunyai pengaruh yang paling dominant, hal ini ditunjukkan oleh nilai B maupun nilai beta dan t yang lebih besar dan Sig yang lebih kecil dibandingkan dengan peubah kedisiplinan.
Rekapitulasi hasil analisis regresi berganda Gaji karyawan (x1) B=0,588 t=3,279 Sig=0,003
R = 0,738 R2 = 0,544 F =16,03 Sig = 0,00
Kedisiplinan kerja karyawan (x2) B=0,512 t=2,799 Sig=0,009
Prestasi kerja karyawan (Y).
Semua Hipotesis diterima, pada : F tabel = 3,35 t table = 2,056 Alpha = 0,05
Jadi untuk tujuan penelitian ini beberapa parameter yang harus saudara ketahui ialah: Nilai R, R square, Nilai F(uji F), Nilai koefisien b atau beta, Nilai t (uji t), Nilai Sig Ketika saudara mengartikan beberapa nilai statistik berdasarkan tabel-tabel pada halaman 13, itu berarti saudara sudah melakukan interpretasi secara statistik. Pekerjaan saudara selanjutnya adalah menjelaskan atau interpretasi secara teoritis dan empiris. Artinya secara statistik terbukti ada pengaruh nyata (berdasarkan pada parameter-parameter tsb), berikutnya perlu penjelasan secara teori mengapa dan bagaimana itu terjadi, untuk itu kuasai landasan teori dan pertajam hasil observasi empiris. Oh ya hampir lupa, terkadang pembimbing menghendaki ada asumsi klasik dalam analisi regresi sebagai syarat, untuk urusan yang satu ini disarankan saudara berdiskusi secara langsung dengan dosen statistic yang ada atau berdiskusi dengan dosen pembimbing yang terhormat atau ke penulis.
Bagian Dua Path Analysis (Analisa Jalur)3 Prinsip dan keterbatasan Path Analysis (analis jalur) pada dasarnya merupakan cabang dari multiple regression. Dalam analisis jalur terdapat suatu set variabel yang merupakan kumpulan atau rangkaian dari beberapa hubungan antar variabel yang telah membentuk sebuah model penelitian yang kita yakini variabel-variabel tersebut saling berpengaruh satu dengan yang lainnya. Tujuan path analysis adalah memberikan estimasi terhadap hubungan sebab akibat antara variabel-variabel yang diteliti. Disamping mengetahui hubungan, dengan path analysis peneliti akan mengetahui pengaruh secara langsung maupun pengaruh secara tidak langsung antar variabel tersebut. Seperti halnya alat analisa yang lain, path analysis juga mempunyai keterbatasan. Keterbatasannya adalah : (1) tidak bisa digunakan untuk menguji pola hubungan timbal balik (feed back). Jadi gerak hubungan hanya dimungkinkan untuk lurus atau turun artinya satu tujuan. (2) setiap ada intervening variable, maka ia dianggap sebagai dependent variable. (3) skala pengukuran hanyalah interval atau rasio. Sedangkan untuk skala nominal, ordinal atau dichotomies tidak mungkin dilakukan. Penggunaan Sebagai contoh perhatikan figure 14 yang menjelaskan sebuah set variabel yang saling berhubungan dengan survey tentang kepuasan kerja. Diagram Input Masa kerja
Kepuasan kerja
otonomi
income
3
Prosedur analisis jalur sama dengan regresi berganda yang telah dibahas pada bagian 1. Model ini dikutip dari Bryman, A. & Cramer,D.(1990). Quantitative data analysis for social scientists, pp.246-251) 4
Tujuan penelitian adalah untuk menjelaskan bahwa peneliti ingin mengetahui bagaimana pengaruh masa kerja, otonomi dan income secara langsung maupun tidak langsung terhadap kepuasan kerja Untuk mengetahui tujuan itu, kita harus menghitung path coefficients. Path coefficients ini bisa kita peroleh dari nilai standardized regression coefficient atau beta. Pada bahasan regresi berganda nilai beta terdapat pada table coefficient (misal hal 17). Selanjutnya merumuskan persamaan dasar berdasarkan figure 1 sebagai berikut:
1. kepuasan kerja = β11masa kerja + β12 otonomi + β13income + e1 2. Income = β21masa kerja + β22otonomi + e2 3. Otonomi = β31masa kerja + e2 Keterangan: β adalah path coefficient, yang diperoleh dari nilai beta. e1, e2, e3 adalah error atau unexplained variance. Jika diperlukan nilai e1, e2, e3, diperoleh dari 1-R2 (note: bukan 1-R2 adj) Formulasi persamaan ini pada dasarnya sama dengan regresi berganda, namun nilai konstanta (a) tidak diperlukan. (bryman, A. & Cramer, D:1990:246-251) Tahapan pengoalahan data. Berdasarkan figure 1 maka, proses pengolahan untuk mencari nilai –nilai yang diperlukan seperti nilai β, R2 dan e akan dilakukan secara bertahap. Lakukan analisis regresi dengan formulasi sbb; Indentifikasi variabel dan formulasi persamaan regresi Tahap Variabel independent Variable dependent Persamaan 1 β masa kerja + β12otonomi 11 • Masa kerja (x11) • Kepuasan kerja (Y1) + β13income + e1 • Otonomi (x12) (regresi berganda) • Income (x13) 2 β21masa kerja + β22otonomi • Masa kerja (x21) • Income(Y2) + e2 • Otonomi (x22) (regresi berganda) 3 β31masa kerja + e2 • Masa kerja (x31) • Otonomi (Y3) (regresi sederhana) 4 β masa kerja + e1 • Masa kerja (x) • Kepuasan kerja (Y) (regresi sederhana)
Setelah diolah dengan spss, masukkan setiap nilai beta pada garis panah yang menghubungkan antar variable untuk mempermudah pembacaan hasil dan interpretasi hasil analisis. Sebagai misal lihat diagram output berikut: Diagram output ( p<0.05)
β - 0.08
Masa kerja
β 0.28
otonomi
Kepuasan kerja
β 0.58
β 0.22 β 0.57
income
β 0.47
Berdasarkan diagram output kita bisa menarik kesimpulan secara statistic sebagai berikut.
1. Pengaruh secara langsung antara masa kerja dengan kepuasan adalah -0.08 (pola hubungan negative)
2. Pengaruh secara tidak langsung antara masa kerja dengan kepuasan kerja dapat dihitung sebagai berikut: masa kerja income kepuasan kerja masa kerja otonomi kepuasan kerja masa kerjaotonomi income kepuasan kerja Total pengaruh tidak langsung
= 0.57 x 0.47 = 0.26 = 0.28 x 0.58 = 0.16 = 0.28 x 0.22 x 0.47 = 0.03 = 0.45
Total pengaruh adalah -0.08 + 0.45 = 0.37 Interpretasi Hasil ini menjelaskan bahwa secara uji statistik pengaruh langsung antara masa kerja dengan kepuasan adalah kecil dan negative (-0.08), sedangkan pengaruh secara tidak langsung adalah positif dan lebih besar (0.37). Berikutnya peneliti menjelaskan secara teoritis dan empiris mengapa hal itu terjadi. Menurut logika penulis hal ini sangat dimungkinkan sebab semakin lama masa kerja jika tidak diikuti oleh peningkatan peran akan menyebabkan pegawai merasa jenuh, kondisi ini mungkin menyebabkan pegawai merasa dirinya sudah tidak bisa lagi ikut berperan dalam dinamika organisasi sehingga kepuasan kerjanya menjadi menurun. Lain halnya jika masa kerja yang lama dibarengi juga dengan
peningkatan wewenang untuk mengatur aktivitasnya (otonomi), perbaikan pendapatan atau pergharaan lain (income), maka kepuasan kerja akan meningkat sebab pegawai merasa semakain dihargai senioritas dan pengabdiannya. Tentunya pendapat yang disampaikan akan lebih kuat jika didukung oleh teori maupun hasil penelitian terdahulu. Demikian Path Analysis, dengan kelebihannya dapat mengungkap pengaruh secara langsung maupun pengaruh secara tidak langsung yang mungkin diperlukan dan berguna bagi peneliti dalam menjelaskan temuannya.
Bagian Tiga
Analisa Paired – Samples t tests dan Independent Samples t tests (Uji Beda Untuk Sampel Berpasangan dan Tidak Berpasangan) 1. Analisa uji beda untuk sample berpasangan (Paired – Samples t tests) Terkadang tujuan penelitian menyebutkan ingin mengetahui perbedaan antara dua kelompok yang diamati. Misalkan Peneliti ingin mengetahui apakah ada perbedaan rasa kopi antara merek A dan merek B. Untuk tujuan ini bisa digunakan Uji t atau uji beda untuk sample yang berpasangan. Perhatikan contoh berikut: Contoh 1 Misal, peneliti ingin mengetahui apakah ada perbedaan antara rasa kopi merek A dan merek B. Untuk tujuan tersebut peneliti telah menyiapkan 10 orang relawan yang suka kopi untuk mencoba rasa kopi merek A dan merek B. kemudian diminta memberikan nilai dengan skala 1 sampai dengan 8 seperti berikut. Skala pengukuran (semantic differential) Tidak Enak Cukup Sangat Enak 1 2 3 4 5 6 7 8 Hasil dari kuesioner ditampilkan dalam tabel sbb. Relawan 1 2 3 4 5 6 7 8 9 10
Kopi A 8 8 6 7 6 8 8 5 8 6
Kopi B 6 7 7 5 5 7 8 6 7 5
Berikutnya untuk menjawab tujuan penelitian, data tersebut kita siapkan di SPSS editor dengan langkah sebagai berikut:
Selanjutnya analisa dapat dimulai dengan langkah sbb: Klik Analyze pilih Compare Means pilih Paired Samples T Test. Maka akan tampil BOX seperti berikut: Selanjutnya klik merek a (a) dan merek b (b) kemudian klik tanda panah maka merek a dan merek b yang dibandingkan masuk dalam kotak Paired Variables, Kemudian OK,
Hasil pengolahan dengan menggunakan SPSS dapat dilihat pada output dibawah ini. T-Test
Paired Samples Statistics
Pair 1
merek a merek b
Mean 7.0000 6.3000
N 10 10
Std. Deviation 1.1547 1.0593
Std. Error Mean .3651 .3350
Paired Samples Correlations N Pair 1
merek a & merek b
10
Correlation .545
Sig. .103
Paired Samples Test Paired Differences
Pair 1
merek a - merek b
Mean Std. Deviation .7000 1.0593
Std. Error Mean .3350
95% Confidence Interval of the Difference Lower Upper -5.78E-02 1.4578
t 2.090
df 9
Sig. (2-tailed) .066
Dari hasil diatas dapat ditarik kesimpulan sebagai berikut: Hipotesisnya Ho: µa-µb = 0, artinya antara merek a dan merek b tidak ada perbedaan rasa Ha: µa-µb ≠ 0, artinya antara merek a dan merek b ada perbedaan yang significant tingkat signifikan menggunakan 0.05 Dari uji Paired - samples t test yang digunakan untuk menguji hipotesis menyatakan bahwa ada perbedaan nilai rata-rata, merek a dengan mean =7 merek b dengan mean=6.3, tetapi perbedaan tersebut tidak significant dimana t=2.09 dan p<0.066( pada significant level 0.05). Informasi lainnya adalah terdapat korelasi yang positif antara merek a dan merek b artinya peningkatan kepuasan merek a akan juga diikuti peningkatan kepuasan merek b, hal ini mengindikasikan antara merek a dan merek b mempunyai daya saing yang relative sama dari segi rasa. Atau bisa dikatakan diantara keduanya terdapat posisi market leader dan market chalanger.
Contoh 2. Misal peneliti ingin mengetahui apakah BPNN selaku badan penyehatan perbankan berhasil meningkatkan kinerja Bank yang menjadi pasiennya. Untuk tujuan itu diperlukan indikator untuk menilai kinerja bank tsb, misalnya CAR. Andaikan ada 10 bank yang telah diperbaiki dengan nilai CAR sebelum dan sesudah ditangani BPPN selengkapnya disajikan dalam tabel berikut. Bank
A B C D E F G H I J
CAR (%) Sebelum Sesudah Masuk Masuk BPPN BPPN -2 3,5 1 4,6 0,5 3,7 -4 2,1 -4 1,2 -3 2 0,5 3,8 2 6,6 1,3 4.8 -1 3
Kriteria Hipotesis yang diajukan. Ho: µa-µb = 0 maka usaha BPPN untuk meningkatkan nilai CAR Bank yang sakit, tidak berarti Ha: µa-µb ≠ 0 maka usaha BPPN untuk meningkatkan CAR yang sakit, berarti. Tingkat signifikansi adalah 0.05 Dengan tahapan analisis seperti pada contoh satu maka didapat output spss sebagai berikut: T-Test Paired Samples Statistics
Pair 1
SEBELUM SESUDAH
Mean -.8700 3.5300
N 10 10
Std. Deviation 2.2514 1.5770
Std. Error Mean .7120 .4987
Paired Sa mples Corre la tions N Pair 1
SEBELUM & SESUDAH
10
Correlation .917
Sig. .000
Paired Samples Test Paired Differences
Pair 1
SEBELUM - SESUDAH
Mean -4.4000
Std. Deviation 1.0220
Std. Error Mean .3232
95% Confidence Interval of the Difference Lower Upper -5.1311 -3.6689
t -13.615
df 9
Sig. (2-tailed) .000
Dari output diatas dapat ditarik suatu kesimpulan sebagai berikut: Dilihat dari nilai rata-rata, ternyata ada perbedaan kinerja bank (CAR) antara sebelum (mean=-0.87) dan sesudah di tangani BPPN (mean=3.35). Perbedaan tersebut singnificant dengan t=-13.615 dan p>0.000. Sehingga BPPN patut mendapat pujian karena mampu meningkatkan nilai CAR bank sakit yang ditangani. Jadi Ha diterima. Informasi lainnya adalah dari nilai korelasi positif , sangat kuat dan significant (r=0.917; sig
2. Uji beda untuk uji satu kelompok (one samples t test) Nah…Sekarang mari kembali pada contoh kasus 2, dimana peneliti ingin mengetahui apakah target BPPN untuk menyehatkan bank sakit mampu memiliki CAR sebesar 3% dapat dikatakan tercapai secara keseluruhan. Dengan demikian maka hipotesis dapat dirumuskan sebagai berikut: Ho= µbank = 3% Ha= µbank ≠ 3% Tingkat signifikan menggunakan 0.05 Selanjutnya mari kita uji hipotesis tersebut, dengan langkah-langkah pengolahan sebagai berikut. Pilih Compare mean, pilih one samples t test
Pilih “variable sesudah” untuk dianalisa, dengan test value 3. dan confidence interval 95%. Klik OK, tunggu data sedang diolah .
Hasil pengolahan akan nampak sebagai berikut:
T-Test One-Sample Statistics N SESUDAH
10
Mean 3.5300
Std. Deviation 1.5770
Std. Error Mean .4987
One-Sample Test Test Value = 3
SESUDAH
t 1.063
df 9
Sig. (2-tailed) .316
Mean Difference .5300
95% Confidence Interval of the Difference Lower Upper -.5981 1.6581
Kesimpulan yang dapat ditarik dari print out tersebut adalah: Secara keseluruhan nilai CAR bank yang ditangani oleh BPPN dengan batas ambang CAR sebesar 3% terpenuhi. Hal ini ditunjukkan oleh Nilai t=1.063 dengan p<0.316 dengan mean= 3.5 yang artinya tidak ada perbedaan signifikan sehingga H0 diterima.
Latihan Sebuah industri Bola lampu ingin menguji apakah produknya mempunyai daya nyala selama 1000 jam nonstop. Untuk keperluan pengujian, telah diambil 10 bola lampu secara acak dari 2 lini produk masing-masing 5 unit dan dinyalakan secara bersamasama dan daya tahan lampu tersebut didokumentasikan seperti dalam table berikut. lampu 1 2 3 4 5 6 7 8 9 10
Daya tahan (jam) 998 1050 1025 1068 998 1009 1016 935 1005 997
Dengan langkah yang sama maka hasil disajikan sebagai berikut T-Test One-Sample Statistics N WAKTU
10
Mean 1010.1000
Std. Deviation 35.4854
Std. Error Mean 11.2215
One-Sample Test Test Value = 1000
t WAKTU
df .900
9
Sig. (2-tailed) .392
Mean Difference 10.1000
95% Confidence Interval of the Difference Lower Upper -15.2847 35.4847
Berdasarkan hasil perhitungan tersebut, apa kesimpulan saudara ?.
Bagian Empat Analisis Faktor
1. Dasar pemikiran Terkadang dalam suatu penelitian kita dihadapkan pada beragam factor atau variable yang diduga mempunyai kaitan dengan suatu permasalahan yang ingin kita cari tahu jawabannya. Banyaknya factor atau variable ini terkadang bisa membuat bias dalam perumusan/formulasi permsalahan atau terkadang akan merepotkan peneliti karena harus mengendalikan banyaknya variable atau factor tersebut yang secara bangunan teori terkadang kurang kuat. Berdasar pada situasi tersebut maka timbul pemikiran untuk mereduksi atau meringkas beragam factor atau variable tersebut menjadi suatu bentuk/model teori yang baru dengan harapan model tersebut nantinya akan dapat menjelaskan secara optimal tentang permasalahan yang ingin kita cari tahu jawabannya. Dengan demikian, merujuk pada pendapat Malhotra (1993), analisis factor adalah merupakan sekelompok prosedur untuk mengurangi dan meringkas data. Dengan model matematisnya adalah :
Xi = Ai1F1 ┿ Ai2F2 ┿ Ai3F3 ┿ …………. ┿ AimFm ┿ ViUi Ket: Xi Aij F Vi Ui m
:variable standar ke-i :koefisien loading dari variable I pada factor umum j :factor umum :koefisien standartized loading dari variable I pada factor khusus I : factor khusus bagi variable I :jumlah dari factor umum
Sedangkan faktor-faktor umum dapat dinyatakan sebagai berikut:
F1
= Wi1Xi1+Wi2Xi2+Wi3Xi3+…………+WikXik
Ket: F1 Wi k
:estimasi factor loading ke-1 :bobot atau koefisien nilai factor :jumlah variabel
2. Akurasi Model Faktor Agar terdapat kesesuaian antara permasalahan yang akan dijawab beserta data yang diperoleh dengan alat analisis yang akan digunakan maka perlu dilakukan telaah akurasi model factor. Prosedur dalam analisis factor adalah mengikuti beberapa tahapan sebagai berikut:
Memformulasikan permasalahan
Membuat matrik korelasi
Menentukan jumlah factor/komponen
Rotasi faktor
Interpretasi factor-faktor
Menghitung skor faktor
Memilih variable pengganti
Menentukan Model Fit
Gambar 1. Prosedur analisis faktor. (Malhotra:1996)
Penjelasan Gambar 1. 1. Memformulasikan permasalahan Beberapa yang perlu diperhatikan dalam memformulasikan permasalahan yaitu: Mengidentifikasi tujuan analisis faktor Variabel-variabel yang akan dimasukkan dalam analisis faktor berdasarkan pada penelitian terdahulu, teori dan keputusan peneliti. Kesesuaian antara instrumen penelitian dengan sampel penelitian. 2. Membentuk matrik korelasi. Proses analisis berdasarkan pada matriks korelasi antar variable-variabel yang diteliti. Agar analisis faktor dapat dilakukan variabel-variabel tersebut harus berkorelasi. Jika korelasi antar variabel kecil maka analisis faktor tidak dapat dilakukan. Pengujian korelasi antar variabel tersebut merupakan langkah pendahuluan sekaligus sebagai tindakan koreksi seperlunya. Selanjutnya diteruskan dengan penentuan metode yang cocok dalam analisis faktor. Metode yang lazim digunakan jika fokus tujuannya adalah untuk menentukan jumlah faktor minimum dari berbagai faktor yang ada yaitu: Principal Component analysis (PCA) 3. Menentukan jumlah factor Dalam tahap ini informasi-informasi dalam variable-variabel awal diekstraksi menjadi factor-faktor yang lebih kecil. Dengan menggunakan criteria eigenvalues dimana dalam pendekatan ini, hanya factor yang mempunyai eigenvalues lebih besar dari 1 akan dipilih sedangkan yang laiinya tidak disertakan dalam model. 4. Rotasi factor. Hasil penyederhanaan dalam matrik factor memperlihatkan hubungan antara factor dengan variable individual. Tetapi dengan banyaknya variable yang saling berkorelasi sehingga sulit untuk diinterpretasikan. Untuk itu harus dilakukan rotasi factor matrik yang hasilnya lebih sederhana sehingga mudah dibaca. Dalam rotasi matrik factor ini metode yang digunakan adalah Varimax yaitu metode rotasi orthogonal untuk meminimumkan jumlah variable dengan berpedoman pada nilai loading tertinggi. 5. Interprestasi faktor-faktor. Interprestasi factor dapat dilakukan dengan mengelompokkan variable yang mempunyai factor loading tertinggi kedalam factor tersebut. Untuk interpretasi hasil perilaku ini, factor loading dengan nilai > 0,5 sedangkan yang < 0,5 dikeluarkan dari model. 6. Menentukan Model Fit Tahap akhir dalam analisis factor adalah menentukan model fit yaitu untuk mengetahui apakah model mampu menjelaskan data dengan baik.
Beberapa Ketentuan Yang Harus Diketahui Dalam FA 1. Uji Bartlett Yaitu uji tingkat independen dari variable-variabel. Hasil Bartlett test of sphericity dengan melihat tingkat signifikansi kesalahan untuk mengindikasikan sejauhmana antar variable tersebut berkorelasi. 2. Nilai KMO (kaiser-meyer-olkin) Untuk mengetahui ketepatan dari analisis factor. Nilai KMO > 0,5 dianggap mempunyai ketepatan. Tabel 1. Ukuran ketepatan KMO Ukuran KMO >0.9 >0.8 >0.7 >0.6 >0.5 <0.5
Rekomendasi Baik sekali Baik Sedang/agak baik Cukup Kurang Ditolak
3. Penentuan jumlah factor. Untuk menentukan jumlah factor biasanya digunakan ukuran sbb: Eigenvalue > 1 (menurut pendapat kaiser) atau > 0,5 (menurut pendapat lawley and maxwell) Persentase kumulatif > 60% atau mencapai 85% 4. Model FIT Analisis ini sebenarnya untuk seberapa besar residual antara korelasi yang diamati dengan korelasi yang direproduksi. Sebagai ukuran jika terdapat banyak nilai residual melebihi nilai absolut 0.05 maka model tidak dapat diterima. Petunjuk praktis teknis Analisis Faktor dengan SPSS. Utk pemula Follow this direction • • • •
Open SPSS Siapkan data yang akan diolah Klik menu analyze, pilih Data Reduction, pilih factor. Muncul box menu berisikan: Kotak variables (sebelah kiri berisikan variable, kanan kosong) Masukkan variable yang akan difaktorisasi (kolom sebelah kiri) kedalam kolom sebelah kanan, dengan menekan tanda ►.
Descriptives (pada menu box, pilih coefficient dan KMO and Bartlett test atau klik semua pilihan), continue Extraction ( pada menu box, pilih metode principal component, eigenvalue 1 atau 0,5. continue Rotation (pada menu box pilih method varimax )continue Scores Option Tekan OK, output akan nampak seperti dibawah ini:
Mudah kan! Selamat mencoba dirumah.
Contoh Print out factor analysis dari SPSS KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. ChiSquare df Sig.
,644 562,809 153 ,000
Cara membaca table: • Uji Bartlett's Test of Sphericity menyatakan sebesar 562,809 dengan Sig. 0,000. artinya peluang terjadi kesalahan untuk variable saling tidak independent sebesar 0% dengan demikian antar variable memiliki korelasi. (lihat penjelasan pada hal 3 tentang point 2) • Nilai Kaiser-meyer-olkin / KMO measure of sampling adequacy sebesar 0,644 melebihi nilai baku 0,5 maka analisis factor memiliki ketepatan untuk digunakan.
Total Variance Explained Initial Eigenvalues
Rotation Sums of Squared Loadings
Componen Total % of Variance Cumulative t % 1 3,920 21,779 21,779 2 2,700 15,002 36,781 3 2,279 12,662 49,444 4 1,909 10,604 60,048 5 1,382 7,678 67,726 6 ,980 5,447 73,173 7 ,907 5,040 78,213 8 ,708 3,932 82,145 9 ,598 3,321 85,466 10 ,489 2,719 88,185 11 ,397 2,204 90,388 12 ,335 1,863 92,251 13 ,327 1,817 94,069 14 ,293 1,630 95,699 15 ,266 1,480 97,179 16 ,219 1,219 98,398 17 ,166 ,924 99,323 18 ,122 ,677 100,000 Extraction Method: Principal Component Analysis.
Total 2,526 2,307 2,273 1,994 1,625 1,280 1,162 1,155 1,063
% of Variance Cumulative % 14,032 12,817 12,626 11,079 9,026 7,109 6,456 6,416 5,905
14,032 26,849 39,475 50,554 59,580 66,689 73,145 79,561 85,466
Cara membaca table: Dengan menggunakan metode principle component diperoleh 9 faktor dari 18 faktor yang telah diajukan. Hasil tersebut diperoleh dengan melihat nilai eigenvalue yang lebih besar dari 0,5. (ketika mengolah penulis menetapkan eigenvalue=0,5, namun jika yang ditetapkan sebesar 1 maka hanya terdapat 5 faktor yang akan membentuk model). 9 faktor tersebut memiliki Cumulative % sebesar 85,466 %. Dengan demikian asumsi kedua telah terpenuhi yaitu menetapkan eigenvalue sebesar 0,5 dengan perolehan % kumulatif variance sebesar > 85,466%. (lihat penjelasan hal 4 point 3)
Reproduced Correlations X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11X12X13X14 X15X16 X17X18 Re X1 , ,786 , , , - 2,933 , -,160 - 4,6 , , - 5,2 ,126 , pro 839 627 346 335 4,322E- 6,781E- E-02 313 7,704E-23E 137 125 5,107E-92E 263 duc 03 02 02 -02 02 -02 ed Cor rela tion X2 , ,841 , , , 2,638E- 6,656 , 9,155 ,183 , , 9,2 , ,133 , 786 641 348 378 02 9,256E- E-02 294 E-02 293 17551E 3,397E- 110 359 02 -02 02 X3 , ,641 , , , - 8,999E- 3,426 , 2,196 8,035E, , , - 4,6 ,219 , 627 794 573 642 2,050E03 E-02 196 E-02 02 248 241 123 2,259E-22E 103 02 02 -02 X4 , ,348 , , , - ,210 , , , 9,5 ,197 , ,228 , 346 573 912 483 2,026E- 7,119E354 9,470 9,844E- 240 17945E 224 211 02 02 E-02 02 -02 X5 , ,378 , , , ,151 ,175 , - 9,7 , - -,124-,14 6,005 , 335 642 483 896 1,901E133 2,107 7,114E-84E 318 3,9 4 E-02 310 02 E-02 03 -02 69E -02 X6 - 2,638 - - ,760 ,659 ,668 , ,290 ,192 , 3,9 , - - 6,378 4,3 E-02 2,0 2,0 1,9 350 137 71E 212 1,225E- 8,2 E-02 7,7 22E 50E26E01E -02 0316E 24E -03 -02 -02 -02 -03 -02 X7 - 8,9 , ,659 ,844 ,501 , ,1766,762E- 2,2 , , 5,272E- -,10 ,227 6,7 9,25699E 7,1 151 432 0245E 171 331 02 0 2,0 81E E-02 -0319E -02 59E -02 -02 -02 X8 2,9 6,656 3,4 , , ,668 ,501 ,871 , 8,641 6,678E- 3,4 , 8,4 ,126 , 3,736 , 33E E-0226E 210 175 255 E-02 0296E 14863E 156 E-02 168 -02 -02 -02 -02
X9
, ,294 , , , 313 196 354 133
,350
, 3,747 , , 6,569E- - ,218 , 896 E-02 5,108E- 163 4,6 155 02 4,5 440 02 44E 26E -02 -02 ,290 ,176 8,641 3,7 ,841 ,693 , , , -,108 E-0247E 711 177 216 2,8 1,640 2,8 -02 72E E-02 02E -02 -02 ,192 6,762E- 6,678 - ,693 ,841 , 5,5 ,233 , ,297 2,1 02 E-02 5,1 696 51E 2,9 329 44E 08E -0544E -02 -02 -02 ,137 2,245E- 3,496 , ,711 ,696 , , , ,164 , ,251 , 02 E-02 163 805 191 198 253 134
X10-,16 9,155 2,1 - 0 E-0296E 9,4 2,1 -0270E07E -02 -02 X11 - ,183 8,0 - 7,7 35E 9,8 7,1 04E -0244E14E -02 -02 -03 X12 4,6 ,293 , , 9,7 23E 248 24084E -02 -02 X13 , ,175 , , , 3,971E137 241 179 318 02
,432 ,255
,171 ,148
- ,1775,551E, , , 9,091E- 7,7 ,111 , 4,6 05 191 841 681 0277E 244 44E -02 -02 X14 , 9,251 , 9,5 ,212 ,331 8,463 , ,216 , , , ,121 7,1 ,211 125 E-02 12345E 3,9 E-02 155 2,944E- 198 681 866 50E 3,2 -0269E 02 -02 70E -02 -02 X15 - , -,12 - 5,272E- ,126 6,5 -,108 ,233 , 9,0 , ,885 , ,772 , 5,1 3,397 2,2 197 4 1,225E02 69E 164 91E 121 823 156 07E E-0259E 03 -02 -02 -02 -02 X16 5,2 ,110 4,6 , -,14 - -,100 ,156 ,329 , 7,7 7,1 ,823 , ,678 , 92E 22E 224 4 8,216E4,5 2,872 253 77E50E 860 125 -02 -02 03 26E E-02 -02 -02 -02 X17 , ,133 , , 6,0 6,378E,227 3,736 , ,297 , , , ,772 , ,857 8,0 126 219 22805E 02 E-02 218 1,640 251 111 211 678 84E
-02 E-02 -02 , ,359 , , , - ,168 , - 2,144E, , ,156 , 8,084 , 263 103 211 310 7,724E- 2,059E440 2,802 02 134 244 3,2 125 E-02 935 02 02 E-02 70E -02 Res X1 -,119 - 3,4 1,9 6,025E- 1,355E- - 2,790 1,718E- 1,3 - - 2,204E- - 9,3 idu 6,627E76E 03 02 1,312 3,1 E-02 0242E 1,0 1,2 02 2,3 2,832 64E al 49E -02 -02 E-0246E -02 51E40E 05E E-03 -03 -02 -02 -03 -02 -02 X2-,11 - 9,9 - 2,471E- 1,131 2,9 - 2,3 9,0 - - 2,489 9 4,307E 2,2 3,116E02 E-0257E 1,603 2,662E-85E 50E 7,7 1,269E- 7,0 E-02 3,1 27E -0314E 02 -03 E-02 02 -03 -0307E 0208E 45E -02 -03 -03 -03 -02 X3 - - 4,785E- 1,823 1,8 3,686 - - - 1,168E- 3,8 - 4,2 6,6 4,327 5,8 7,8 1,625E03 E-0299E E-02 3,179E- 2,8 7,9 5,3 0267E 4,339 96E 49E E-02 93E23E 02 -02 0271E 56E54E -02 E-02 -02 -02 -02 -02 -02 -03 -03 X4 3,4 9,907 - 1,591E- 4,941E- - 1,753 4,915E- - 3,4 - - 1,489 2,6 27E E-03 5,8 2,2 02 02 4,488 5,2 E-02 02 5,9 66E 8,1 1,602E- 1,6 E-02 31E -02 93E 74E E-0268E 95E -0312E 0212E -02 -02 -02 -02 -02 -03 -02 X5 1,9 - - 4,022E- 2,0 - 8,224E- 2,4 - 6,5 1,288E- 2,4 76E 2,214 7,8 2,2 02 5,269E- 1,69121E 2,897 0364E 4,894E 0258E 2,675 2,2 -02 E-0323E74E 02 E-02 -02 E-02 -02 45E -02 -02 E-02 56E -02 -02 -02 -02 X6 6,0 - - 1,5 4,0 - -,142 - 2,390E- 1,4 4,0 - 4,655E- - 2,7 25E 3,116 1,691E22E 9,289E1,6 7,074 0253E 15E 1,6 02 2,8 1,909 87E -03 E-0225E -02 -02 02 29E E-02 -02 -0239E 26E E-02 -02 -02 -02 -02 -02 X7 1,3 2,471 4,7 4,9 - - 3,609 - 7,8 - - 5,8 - 3,1 55E E-0285E41E 5,2 9,289E7,864 6,7 E-02 3,223E-42E 3,5 1,0 2,715E-89E 4,170 41E -02 -03 -0269E 02 E-0356E 02 -03 76E78E 02 -02 E-02 -02 -02 -02 -02 -02 X18
X8
- 1,131 1,8 - - -,142 3,0 2,975 - 1,5 - 1,3 - - 6,123 1,3 E-0223E 4,4 1,6 7,864E70E E-02 2,574E-88E 1,772E 2,798E- 2,7 E-02 2,9 12E -0288E91E 03 -02 02 -02 40E -02 0248E 24E -02 -02 -02 -02 -02 -02 X9 - 2,957 1,8 - 2,0 - 3,070 - 3,974E- - 6,4 - 1,709E- 6,1 3,1 E-0399E 5,221E 1,629E- 6,756E- E-02 2,314 02 2,1 51E 2,2 0236E 2,191 6,4 46E -0268E -02 02 02 E-02 14E -0235E -03 E-02 62E -02 -02 -02 -02 -02 X10 2,7 - 3,6 1,7 - 3,609E- 2,975 - - - 7,926E- 1,7 1,863 2,3 90E 1,60386E53E 2,8 7,074E02 E-02 2,3 5,588E- 9,3 3,5 4,4 0397E E-02 67E -02 E-02 -02 -0297E 02 14E 0290E 50E29E -02 -02 -02 -02 -02 -02 -03 X11 1,7 - - 4,9 8,2 2,390E- 3,9 - 3,2 2,5 - 18E 2,662 3,115E24E 02 3,223E- 2,57474E 5,588 9,2 00E04E 5,619E- 1,7 2,567 1,1 -02 E-0279E -02 -03 02 E-02 -02 E-02 48E -02 -02 0315E E-02 86E -02 -02 -02 -02 X12 1,3 2,385 - - 2,4 1,453E- 7,842E- 1,588 - - 5,166E- - 7,200 42E E-03 2,8 5,964E 02 03 E-02 2,1 9,390 9,248E6,8 2,0 03 1,4 E-03 1,6 -02 71E95E -02 14E E-02 02 66E37E 35E 43E -02 -02 -02 -04 -02 -02 -02 X13 - 9,050 - 3,4 - 4,015E- 6,4 - 3,200E- -,13 2,565E- - 2,042 1,0 E-03 7,966E 4,8 02 3,576E- 1,74051E 3,550 02 6,8 0 02 5,6 E-02 5,8 51E 56E -0345E 02 E-02 -02 E-02 66E 00E 13E -03 -03 -02 -04 -02 -02 X14 - - - 6,5 - 1,372 - 2,504E- - -,13 - 4,4 - 3,4 1,2 7,707 5,3 8,194E 1,639E- 1,078E- E-02 2,2 4,429 02 2,0 0 2,438E-40E 2,414 40E 40E E-0354E12E -02 02 02 35E E-03 37E 02 -02 E-02 -02 -02 -03 -03 -02 -02 X15 2,2 - 1,1 - 1,2 4,655E- 1,7 7,926 - 5,1 2,5 04E 1,26968E 1,688E 02 2,715E- 2,79809E E-03 5,619E-66E 65E 2,4 5,1 5,747 1,8 -02 E-02 -0202E -02 02 E-02 -02 03 -03 -0238E 86E E-02 20E -02 -02 -02 -02 X16 - 3,8 - 2,4 -5,889E- 6,1 1,797 - - 4,4 - 1,7
2,3 7,00867E 1,658E 2,826E02 2,74836E E-021,715E- 1,4 5,640E 5,186E7,541 13E 05E E-03 -0212E -02 02 E-02 -03 0235E 00E -02 02 E-02 -02 -02 -02 -02 -02 X17 - 2,489 - 1,4 - 6,123 - 1,863 - 7,2 2,0 - 2,8 E-02 4,389E 2,6 1,909E- 4,170E- E-02 2,1 E-02 2,567E-00E 42E 2,4 5,747E- 7,5 4,3 32E 39E -0275E 02 02 91E 02 -03 -0214E 0241E 36E -03 -02 -02 -02 -02 -02 -04 X18 9,3 - 4,2 2,6 - 2,787E- 3,141E- - 2,367 - - 3,4 - 1,7 64E 3,14596E31E 2,2 02 02 2,924 6,4 E-02 1,186E- 1,6 5,840E 1,820E-13E 4,336 -03 E-02 -02 -0256E E-0262E 0243E 13E -02 02 -02 E-04 -02 -02 -02 -02 Extraction Method: Principal Component Analysis. a Residuals are computed between observed and reproduced correlations. There are 25 (16,0%) nonredundant residuals with absolute values > 0.05. b Reproduced communalities
Cara membaca table: Pada tahap ini bertujuan untuk menetapkan Model Fit. Dari hasil perhitungan diatas disimpulkan sbb: There are 25 (16,0%) nonredundant residuals with absolute values > 0.05. artinya nilai residual dari korelasi observasi dengan korelasi reproduksi yang mempunyai korelasi dengan nilai > 0,5 sangat sedikit yaitu sebesar 16 % sedangkan sisanya 84 % mempunyai korelasi < 0,05. Rotated Component Matrix Component Factor 1 2 3 4 5 6 7 8 9 X1 -,118 ,891 X2 ,179 ,868 ,107 ,189 X3 ,648 ,102 ,501 -,115 ,288 X4 ,180 ,270 ,287 ,132 ,836 X5 ,273 ,857 ,171 ,198 X6 ,179 ,809 ,217 -,118 X7 -,127 ,653 ,227 ,231 ,469 -,116 -,243 X8 ,891 ,172 ,176 X9 ,229 ,262 ,809 ,281 ,198 X10 -,144 ,876 ,131 ,160 X11 ,265 ,843 -,121 -,164 X12 ,151 ,838 ,119 ,118 ,203 X13 ,837 ,234 -,160 ,199 X14 ,104 ,881 -,113 ,178 -,123 X15 ,925 X16 ,867 ,121 -,151 -,195 ,135 X17 ,856 ,103 ,100 ,152 ,252 X18 ,180 ,118 ,165 ,921 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 9 iterations. Cara membaca tabel: Tabel diatas merupakan inti analisa factor yaitu menentukan ke sembilan factor yang telah teridentifikasi melalui beberapa tahapan diatas. Cara menentukan factor adalah sbb: Dalam tabel terdapat 9 komponen (lihat kolom), artinya ada 9 faktor yang akan direkomendasi menuju analisa lebih lanjut misal correl atau regress Prosedur menentukan factor: 1. Pilih koefisien tertinggi pada masing-masing kolom (hanya nilai tertinggi) 2. Setelah semua kolom terpilih nilai tertingginya. Hubungkan nilai-nilai tersebut dengan kolom factor.( kolom paling kiri).
Sebagai contoh Pada kolom komponen 1 nilai tertinggi adalah ,925 nama factor atau variable adalah X15 Pada kolom komponen 9 nilai tertinggi adalah ,836 nama factor atau variable adalah X4 Demikian seterusnya.
Penutup Seperti pesan Imam As Syafii kepada para santrinya Ra’yuna shawab yahtamil al khata’
Wa ra’yuna ghairina khata’ yahtamil al shawab
Bersandar pada pendapat ini, masihkan kita saling bertahan dengan pendapat pribadi dengan mengabaikan pendapat orang lain yang kemungkinan mengandung kebenaran dan membawa pencerahan….. Penulis yang masih kurang dalam segala hal sangat mengharapkan saran koreksi dari pembaca untuk perbaikan. Semoga ada manfaatnya, Bagi adik-adik mahasiswa diberikan kesempatan seluasluasnya untuk berdiskusi dengan penulis jika terdapat ketidakjelasan atau perbedaan pendapat. Wallaahua’lam bisshawab Singosari, 27 Rajab 2003, Hanif Mauludin, e-mail:
[email protected]. Web: www.stie-mce.ac.id/~hanif phone: STIE –MCE. 491813 ext 129 (ruang mce internet J-4) Segera terbit suplemen tambahan untuk edisi mahasiswa ABM, analisis kluster dan diskriminan REFERENCE 1. Everitt, B.S, & Dunn, G. (1991). Applied multivariate data analysis. London: Edward Arnold. 2. Bryman, A & Cramer, D. (1990). Quantitative data analysis for social scientists. pp. 246-251 3. Rietveld & Sunaryanto, (1994). 87 masalah pokok dalam regresi berganda 4. Sugiarto. (1992). Tahap awal dan Aplikasi analisis Regresi
5. http://www.exeter.ac.uk/~SEGLea/multvar2
