Академический Документы
Профессиональный Документы
Культура Документы
PRAKTEK MANAJEMEN I
Disusun:
Lilik Wahyudi SE MSI
SURAKARTA
2009
DAFTAR ISI
Kegunaan Matakuliah
Deskripsi Singkat
Bab ini mengenalkan tentang penggunaan SPSS. Mulai dari entri data sampai dengan penggunaan analisis
diskriptif. Materi yang disajikan meliputi pengenalan SPSS, pengenalan proses analisis data pada SPSS,
pengenalan data dan dilanjutkan dengan praktek entri data kedalam SPSS. Pemahaman mahasiswa terhadap
materi ditunjukkan pada penyelesaian tugas melakukan analisis diskriptif dalam SPSS dikelas.
Materi
SPSS (Statistical Package for the Social Science) pada awalnya merupakan program
komputer statistik untuk ilmu-ilmu sosial- dibuat pertama kali oleh tiga mahasiswa Stanford
University yaitu Norman H. Nie; C Hadlai Hull dan Dale H Bent pada tahun 1968- yang
dijalankan dengan komputer mainframe. Pada tahun 1984 versi PC SPSS muncul dengan
nama SPSS/PC+ dan pada tahun 1992 mengeluarkan SPSS versi Windows. Seiring dengan
perkembangan pelayanan jenis user –untuk proses produksi, riset ilmu sains dan lainnya-
SPSS telah berkembang tidak hanya Statistical Package for the Social Science tetapi telah
menjadi Statistical Product and Service Solution.
Semua proses perhitungan denga menggunakan SPSS mengikuti alur ditunjukkan Bagan 1.
Data yang akan digunakan untuk perhitungan dimasukkan (inputing) melalui menu DATA
EDITOR yang secara otomotis muncul di layar monitor sesaat program SPSS dijalankan.
Mempersiapkan Data
Statistik merupakan ilmu yang berkaitan dengan kegiatan pengoleksian, pengorganisasian,
presentasi, analisis, dan interpretasi data numerik (kuantitatif) untuk membantu pembuatan
keputusan lebih efektif (Douglas 2005). Pada hakekatnya, statistik dibagi menjadi dua yaitu:
statistik deskriptif dan statistik inferensi. Statistik deskriptif adalah statistik yang berkiatan
dengan metode mengorganisasikan, perangkuman dan presentasi data ke dalam suatu
bentuk yang informatif. Sedangkan inferensi terkait dengan kegitan pembuatan keputusan,
estimasi, prediksi atau generalisasi tentang populasi berdasarkan perhitungan sampel. Data
harus dipersiapkan terlebih dahulu mengenai format, jenis dan aturan-aturan tertentu.
Variabel adalah sesuatu yang nilainya dapat bervariasi. Variabel dibedakan menjadi dua yaitu
variabel kuantitatif dan variabel kualitatif. Contoh variabel kuantitatif adalah suku bunga,
pendapatan, penjualan dan lain-lain. Contoh variabel kualitatif adalah agama, warna kulit,
asal kelahiran. Kadang-kadang kita sering bisa mengkuantifikasikan variabel kualitatif.
Statistik terkait dengan variabel kuantitatif. Variabel kuantitatif dibagi menjadi dua macam
yaitu diskrit (menunjuk angka tertentu) dan kontinyu (menunjuk rentang yang jumlah
angkanya tak terhingga). Terdapat 4 tingkatan data, yaitu
Nominal: data diklasifikasikan ke dalam kategori dan tidak dapat disusu dalam urutan
tertentu. Sebagai contoh: varibel jenis kelamin: pria=1; wanita=2. Pemberian nilai tersebut
terserah individu.
Ordinal: data disusun ke dalam urutan tetapi perbedaan nilai data tidak dapat ditentukan
atau tidak memiliki arti. Contoh pembuatan ranking untuk minuman soft drink yang
disukai.
Interval: data disusun dalam interval tertentu dan tidak terdapat nilai nol
Rasio
Memulai SPSS
Untuk memulai SPSS dapat dilakukan melalui program files yang ada di windows (SPSS
harus sudah terinstall terlebih dahulu)
Pada windows klik Start All programs SPSS for Windows SPSS
Anda akan mendapatkan tampilan sebagai berikut:
Analisis Deskriptive
Untuk melakukan analisis deskriptif lakukan dengan cara
Klik Analyze Descriptive Statistik
Pertanyaan Kunci
1. Pengertian Data Nominal, Ordinal, Inverval dan Rasio
2. Hal yang perlu diperhatikan dalam entri data
3. Jenis analisis deskriptif
4. Manfaat analisis deskriptif
Latihan 1
Lakukan analisis Deskriptif untuk data survey dibawah ini
K1 K2 K3 K4 K5 K6 K7 K8 K9
2 3 2 3 2 2 3 2 3
4 4 4 2 3 4 2 2 2
2 3 3 3 4 4 3 3 3
3 3 3 4 4 3 2 1 4
2 3 3 2 3 3 1 1 1
2 3 3 3 3 2 2 2 2
3 3 3 5 5 3 1 1 1
4 4 3 2 3 3 1 1 1
3 3 4 3 2 3 1 1 1
3 3 3 3 3 3 2 2 2
2 2 2 1 1 2 1 2 1
Keterangan: data hasil survey dalam skala liker 1-5
Latihan 2
Lakukan analisis deskriptif untuk data keuangan dibawah ini
Bulan Cabang I Cabang II Cabang III Cabang IV
1 500 500 600 400
2 600 400 400 500
3 750 300 300 500
4 400 300 700 800
Keterangan: Laba perbulan cabang perusahaan dalam jutaan rupiah
Tugas Individu
Cari data keuangan (minimal 20 baris data) lakukan dan inteprestasikan analisis deskriptif
Kompetensi Dasar
Contoh Soal
PT Econet merupakan perusahaan yang bergerak dibindang industri internet. Perusahaan ini
memiliki 40 karyawan. Untuk meningkatkan Etos kerja SDM yang dilihat dari kepuasan kerja
karyawannyanya PT Econet melakukan riset kepada karyawannya. Riset dilakukan dengan
menyebarkan kuesioner terhadap 40 karyawannya yang bertujuan untuk mengetahui
kepuasan kerja karyawan. Adapun item pertanyaan yang diteliti meliputi Aspek
Kepemimpinan (KP 1, KP 2 dan KP 3), Komitment Perusahaan terhadap karyawannya (KO 1,
KO 2 dan KO3) dan Kepuasan Kerja (KK1 dan KK2) masing masing menggunakan skala likert
1-5 (1 sangat tidak setuju dan 5 sangat setuju). Adapun data yang terkumpul setelah
dilakukan penelitian adalah sebagai berikut:
Klik extraction
klik rotation
pilih Suppress absolute values less than lalu isikan .40 klik continue lalu klik OK.
Anda akan menjumpai tampilan output faktor analisis sebagai berikut
Initial Extraction
KP1 1.000 .609
KP2 1.000 .538
KP3 1.000 .580
KO1 1.000 .630
KO2 1.000 .835
KO3 1.000 .533
KK1 1.000 .838
KK2 1.000 .757
Extraction Method: Principal Component Analysis .
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2.514 31.425 31.425 2.514 31.425 31.425 1.870 23.373 23.373
2 1.750 21.871 53.296 1.750 21.871 53.296 1.812 22.649 46.022
3 1.057 13.214 66.510 1.057 13.214 66.510 1.639 20.488 66.510
4 .942 11.772 78.281
5 .729 9.110 87.391
6 .507 6.340 93.731
7 .292 3.646 97.378
8 .210 2.622 100.000
Extraction Method: Principal Component Analysis .
Component Matrixa
Component
1 2 3
KP1 .455 .579
KP2 .417 .584
KP3 .629
KO1 .770
KO2 .767 -.495
KO3 .551
KK1 .584 -.558 .431
KK2 .449 -.735
Extraction Method: Principal Component Analysis .
a. 3 components extracted.
a
Rotated Component Matrix
Component
1 2 3
KP1 .716
KP2 .665
KP3 .734
KO1 .682
KO2 .893
KO3 .691
KK1 .903
KK2 .821
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
Component 1 2 3
1 .742 .518 .424
2 .117 -.724 .680
3 -.659 .455 .599
Extraction Method: Principal Component Analysis .
Rotation Method: Varimax with Kais er Normalization.
Hasil dari uji validitas dengan faktor analisis bisa dilihat pada output rotated component
matrix (output ini muncul kalau memilih rotasi). Dari output tersebut kitas bisa melihat bahwa
setiap item pertanyaan (KP1 s/d KK2) terekstrak secara sempurna kedalam 3 faktor (3
variabel). Kalau dirangkum hasil uji validitas sebagai berikut:
****** Method 1 (space saver) will be used for this analysis ******
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
Alpha = .5356
Hasil output uji reliabilitas menunjukkan nilai alpha 0,5356. nilai ini sudah mencukupi syarat uji
reliabilitas. Namun kalau kita melihat pada kolom Alpha if Item Deleted, pada baris KP1
menunjukkan nilai 0, 5409 yang lebih besar dari nilai alpha variabel. Dengan menghilangkan
KP1 kita akan mendapatkan nilai cronbach alpha yang lebih besar. Sehingga uji reliabilitas
****** Method 1 (space saver) will be used for this analysis ******
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
Alpha = .5409
Selanjutnya uji reliabilitas dilakukan untuk variabel KO1 sehingga menghasilkan output
sebagai berikut
****** Method 1 (space saver) will be used for this analysis ******
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
Alpha = .6996
Dari hasil uji reliabilitas menunjukkan nilai alpha 0,6996 meskipun demikian nilai Alpha if item
Deleted untuk K03 sebesar 0,8068 yang jauh lebih besar dibandingkan nilai cronbach alpha
****** Method 1 (space saver) will be used for this analysis ******
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
Alpha = .8068
Pengujian terakhir dilakukan untuk variabel KK dengan langkah yang sama, sehingga akan
menghasilkan output sebagai berikut
****** Method 1 (space saver) will be used for this analysis ******
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Reliability Coefficients
Alpha = .7851
Karena hanya dua item, maka alpha if item deleted tidak muncul. Nilai Cronbach Alpha
sebesar 0,7851 berarti variabel KK sudah lolos uji reliabilitas
No cb1 cb2 cb3 cb4 cb5 cb6 sb1 sb2 sb3 sb4 sb5 stb1 stb2 stb3 stb4 stb5 sccp1 sccp2 sccp3 sccp4 sc1 sc2 sc3 sc4 lccp1 lccp2 lccp3 lccp4 lc1 lc2 lc3 lc4 w ccp1 w ccp2 w ccp3 w ccp4 w c1 w c2 w c3 w c4
1 4 4 5 4 4 3 5 4 4 4 4 2 2 3 2 3 4 4 4 4 4 4 4 4 3 4 2 4 4 4 3 4 ? 3 4 3 3 4 3 3
2 3 4 4 4 4 4 2 2 2 4 2 4 4 4 2 2 4 4 4 4 4 3 4 4 3 4 2 4 4 4 2 4 2 2 2 2 2 2 2 2
3 4 5 4 5 5 4 5 5 3 5 4 3 3 5 5 5 5 4 5 5 5 4 5 4 5 4 1 3 5 4 5 5 4 4 4 5 5 4 4 4
4 4 5 4 5 5 4 4 3 3 4 3 3 4 4 3 5 4 4 4 4 5 4 5 4 4 4 4 4 4 4 4 4 4 5 5 5 4 5 5 5
5 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 4 2 4 4 4 2 4 4 4
6 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 5 4 5 5 4 4 4 4 4 4 4 2 4 4 2 4 2 4 4 4 2 4 4 4
7 5 5 5 5 5 5 5 5 5 5 5 5 5 4 3 3 5 4 5 5 5 4 5 5 5 5 4 4 5 5 3 5 5 5 5 5 5 5 5 5
8 5 5 5 5 5 5 5 5 5 5 5 5 5 4 3 3 5 4 5 5 5 4 5 5 5 5 4 4 5 5 3 5 5 5 5 5 5 5 5 5
9 4 4 4 4 4 4 5 4 4 4 4 4 4 4 3 3 5 5 5 5 5 4 4 4 4 4 4 5 4 4 3 4 3 4 4 4 3 4 4 4
10 5 4 4 5 5 5 4 3 3 4 3 4 4 5 5 4 4 4 5 5 4 4 5 5 4 4 3 3 5 5 3 5 3 4 4 4 3 4 4 4
11 4 4 5 5 4 4 5 4 4 4 4 3 3 4 3 3 4 4 3 3 2 4 3 3 4 4 3 3 3 4 4 2 4 3 4 3 4 3 4 4
12 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 2 2 3 4 3 4 4 4 3 4 5 5 5 5
13 4 5 5 5 5 5 5 4 4 4 3 5 5 5 4 5 5 4 4 5 5 5 5 5 3 3 3 4 3 3 3 4 2 1 4 3 1 1 4 4
14 3 5 4 4 4 3 3 4 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
15 4 4 4 4 5 4 4 4 4 4 4 5 3 2 2 2 4 4 5 5 4 4 5 5 4 4 2 2 4 4 2 2 4 4 4 3 4 4 4 4
16 4 4 4 4 4 3 3 3 3 3 3 2 2 2 2 2 3 3 4 4 3 3 4 4 3 3 3 3 3 3 3 3 3 3 4 3 3 4 4 4
17 4 4 4 4 4 3 3 3 3 3 3 2 2 2 2 2 3 3 4 4 3 3 4 4 3 3 3 3 3 3 3 4 3 4 4 3 3 4 4 4
18 4 4 4 4 4 3 3 3 3 3 3 2 2 3 2 2 4 4 4 4 4 4 4 4 3 3 3 4 4 3 3 4 3 4 4 3 3 3 3 3
19 4 4 4 4 4 3 4 4 4 4 4 3 3 4 3 3 4 4 4 4 4 4 4 4 3 3 4 4 4 4 3 4 4 3 4 3 4 4 3 4
20 5 5 5 5 5 4 5 5 5 5 5 2 2 3 3 3 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 4 4 4 4 4 3 4 4 4
21 4 4 4 4 4 3 3 3 3 3 3 2 2 3 3 3 4 4 4 4 4 4 4 4 3 3 3 4 4 4 3 4 3 3 4 3 3 3 4 4
22 4 4 4 4 4 3 3 3 3 3 3 2 2 3 2 2 4 4 4 4 4 4 4 4 3 3 3 3 3 3 3 4 3 4 4 4 3 4 4 4
23 3 4 4 4 4 3 3 3 3 3 3 2 2 3 2 3 4 4 4 4 4 4 4 5 3 4 3 3 4 3 3 4 3 3 4 3 3 4 4 4
24 5 5 5 5 5 5 5 5 4 5 4 2 2 3 3 3 4 4 5 5 4 4 5 5 4 4 3 4 4 4 3 4 4 4 4 3 3 4 4 4
25 4 4 4 4 4 3 3 3 3 3 3 2 2 3 3 3 4 4 4 4 4 4 4 4 3 3 3 4 3 3 3 4 3 4 3 3 3 4 4 4
26 5 5 5 5 5 4 5 5 5 5 5 2 2 3 3 3 4 4 5 5 4 4 5 5 4 4 3 4 4 4 3 4 3 4 4 3 3 4 4 4
27 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 4 3 4 4 4 3 4 4 4
28 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 4 4 4 4 5 4 4 4 4 4 3 4 4 4 3 4 3 4 4 3 3 4 4 4
29 4 4 4 4 4 4 4 3 3 3 3 3 2 2 3 3 4 4 5 5 4 4 4 4 4 4 3 4 4 4 3 4 4 4 4 4 3 4 4 4
30 4 4 4 4 4 4 3 3 3 3 3 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 4 3 4 4 3 3 3 4 4
31 4 4 4 4 4 3 4 4 4 4 4 3 3 3 3 3 4 4 4 5 4 4 4 5 4 4 3 4 4 4 3 4 3 4 4 3 3 4 4 4
32 5 5 5 5 5 4 4 4 4 4 4 2 2 2 3 3 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 4 3 4 4 3 4 4 4 4
Keterangan
Model Penelitian
Cognitive absorption merupakan variabel yang
Personal tersusun oleh lima dimensi yaitu
Innovativeness Perceived
Usefulness
1. Temporal dissociation.(td 1 s/d td 4)
(Pi1 s/d Pi4)
(Pu1 s/d Pu4) 2. Focused Immersion. (fi 1 s/d fi 6)
Cognitive
Absorption
3. Heightened enjoyment. (he 1 s/d he 4)
Playfulness 4. Control. (co 1 s/d co 3)
(P1 s/d P7) Behavioral
Intention to Use 5. Curiosit. (cu 1 s/d cu 3)
(B1 s/d B3)
Self Efficacy
(Z1 s/d Z10)
Perceived
Ease of Use
(Pe1 s/d Pe4)
Langkah Pengerjaan
Tahapan dalam Missing Value
a. Menguji Keacakan Missing Value
Langkah ini dilakukan untuk menguji sifat acak dari data yang ada. Seharusnya
missing value yang ada bersifat random dan tidak ada pola tertentu
Contoh
Berikut ini adalah data nilai mahasiswa untuk beberapa mata kuliah
No Nama Aplikom 1 Manajemen Statistik
1 CHERRY SUPRAPTI 88 90 75
2 ERY WIHARTO 90 95 80
3 NANUNG PRASETYO 72 75 47
4 R IRWAN ARIO TEDJO 60 70 5
5 ADI DWI ANGGORO 60 70 25
6 AHMAD APRIANTO 60 75 30
7 AMBAR RUBYANTO 95 95 95
8 ANDY MURDIYATMOKO 60 70 20
9 ANITA KUSUMANINGTYAS 88 90 75
10 ANNA KRISTIANTI 77 80 65
11 AYU SARI PURNAMAWATI 76 80 60
12 AYUN EKAYANTI RAHAYU 60 75 35
13 BUDI CHRISTIANTO 70 70 45
14 DANI HNDRAWAN 90 95 80
15 DANI KURNIAWAN 75 75 55
16 DANU PRIHATMONO 70 65 0
17 DEWI PUSPITASARI 77 80 65
18 DEWI WIDIYASTUTI 77 80 65
19 DOBI SUSANTO 75 75 55
20 DUANTO ASTO SUDRAJAT 76 80 60
21 EKO SETYO WIDODO 88 90 72
22 EKO SUPRIANTO 60 75 15
23 ELFIRA AGUSTINA 88 90 73
24 JONI BUDIANTO 60 70 47
25 KRISTANTO YOSO SAPUTRO 70 70 45
26 LATIFAH BAROROH 76 80 60
Langkah Pengerjaan
Uji terhadap keberadaan outlier bisa dilakukan dengan dua cara, yaitu membuat nilai z
(standardisasi data) dan menampilkan grafik data. Penggunaan teknik pertama lebih
mudah karena kita bisa mendeteksi langsung outlier dari data yang ada
Adapun langkahnya adalah sebagai berikut
Entrikan data tersebut ke SPSS
klik pada data SPSS anda, anda akan mendapatkan nilai z untuk setiap variabel
Deteksi outlier
Jika sebuah data oulier maka nilai z yang didapatkan lebih besar dari angka +2,5 atau
lebih kecil dari angka -2,5
3. Uji Normalitas
Tujuan dari Uji Normalitas adalah ingin mengetahui apakah distribusi sebuah data
mengikuti atau mendekati distribusi normal. Data yang baik adalah data yang mempunyai
pola seperti distribusi normal.
Contoh Soal:
lakukan pengujian normalitas untuk data keuangan dibawah ini
Langkah pengerjaan
Uji normalitas bisa dilaukan dengna grafik dan melihat besaran Kolmogorov Smirnov.
Adapun langkahnya sebagai berikut:
Kriteria Pengujian
Apabila angka Signifikansi (Sig.) >0,05 maka data berdistribusi Normal
Apbila angka Signifikansi <0,05 maka data tidak berdistribusi normal
Dari output uji normalitas dapat dilihat, untuk kolmogorov-smirnov baik variabel umur maupun abnormal
return perusahaan semua tidak berdistribusi normal karena memiliki nilai signifikansi mendekati nol
Langkah Pengerjaan
Treatment yang dipilih adalah melakukan tranformasi Logaritma terhadap data yang ada.
masukkan variabel lgabnor dan umur kedalam kolom dependent list lalu klik OK
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
LGABNOR .115 44 .171 .935 44 .016
UMUR .314 44 .000 .799 44 .000
a. Lilliefors Significance Correction
Analisis
Dari uji normalitas, variabel log abnormal return menunjukkan nilai 0,171 sehingga data
tersebut berdistribusi normal
4. Uji Homoskedastisitas
Uji homokeskedastisitas pada prinsipnya ingin menguji apakah sebuah grup (data
kategori) mempunyai varians yang sama diantara group tersebut. Jika varians sama maka
dikatakan ada homokedastisitas sedangkan jika varians tidak sama maka terjadi
heteroskedastisitas. heteroskedastisitas tidak boleh terjadi. Alat untuk menguji
homoskedastisitas dibagi dua yaitu dengan alat analisis levene test atau dengan analisis
residual yang berupa grafik. Cara yang paling sering digunakan adalah dengan
menggunakan levene test
Langkah Pengerjaan
Klik Analyze pilih menu Descriptive Statistics lalu pilih Explore,
masukkan variabel abnormal return dan standar deviasi kedalam dependent list dan
masukkan jenis perusahaan kedalam factor list
klik Plots…
Levene
Statistic df1 df2 Sig.
ABNRETUR Based on Mean .815 1 48 .371
Based on Median 1.327 1 48 .255
Based on Median and
1.327 1 47.575 .255
with adjus ted df
Based on trimmed mean 1.053 1 48 .310
STDDEV Based on Mean 2.046 1 48 .159
Based on Median .646 1 48 .425
Based on Median and
.646 1 26.738 .429
with adjus ted df
Based on trimmed mean 1.221 1 48 .275
kriteria pengujian
Jika Probabilitas (SIG) > 0,05, maka terjadi homokesdastisitas
Jika Probabilitas (SIG) < 0,05, maka terjadi heterokesdastisitas
Pada hasil pengujian levene test berbasis mean, didapatkan nilai sign. Sebesar 0,371 dan
0,159 yang lebih besar dari 0,05 yang berarti terjadi homokesdastisitas. Dengan demikian
disimpulkan bahwa variabel abnormal return dan sdandard deviasi telah lolos uji
homokesdastisitas.
Kalau terjadi Heteroskedastisitas apa yang harus dilakukan?
Lakukan transformasi data menjadi bentuk logaritma atau natural lalau lakukan pengujian
dengan levene test sekali lagi
Contoh:
Perusahaan CBES merupakan perusahaan yang bergerak dibingan usaha mebel.
Perusahaan ini memiliki 50 karyawan. Suatu saat perusahaan ingin meneliti mengenai faktor
faktor yang mempengaruhi prestasi kerja karyawan. Faktor yang diteliti meliputi gaji, insentif,
fasilitas dan tunjangan kerja yang diberikan kepada karyawan.
Berikut adalah data hasil penelitian pada perusahaan CBES
No prestasi gaji insentif fasilitas tunjangan
1 2.5 2.67 4.33 2.33 2
2 2.7 4.33 3 1.67 1
3 2.7 4.67 2 2.67 1.5
4 3.2 5 2 3.33 1.5
5 4.2 3.33 4 2.33 1
6 3.3 4 2.67 2.33 3
7 4.8 4.67 5 1.67 3
8 4.6 5 2 2.33 1.5
9 2.9 4.67 4 2.67 1.5
10 1.9 3 4.33 3 2.5
11 1.5 2 2.67 2.67 2.5
12 3.5 3.33 4 2 3.5
13 4.6 4.33 4 1 2
14 3.2 2 4.67 1.67 1.5
15 3.1 2.33 3.67 2 1
16 1.3 1.33 3.33 1.67 1.5
17 3.5 3.33 4 2.67 2.5
Langkah Pengerjaan
Entrikan data penelitian kedalam SPSS
Descriptive Statistics
Output ini digunakan untuk menganalisis diskripsi data misalnya rata rata data, standar
deviasi dsb. Hasil dari output diskripsi menunjukkan bahwa variabel prestasi memiliki rata
rata 2,9920 dan standar deviasi sebesar 1.04897. Output gaji memiliki rata rata 3,5324
dan standar deviasi 1,23959, dst..
Model Summary
Output model summary menunjukkan nilai koefisien determinasi regresi (R2). Koefisien
determinasi pada intinya mengukur seberapa jauh kemampuan model dalam
menerangkan variabel-variabel dependen. Nilai koefisien determinasi adalah antara nol
dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independent dalam
menjelaskan variabel-variabel dependent amat terbatas. Nilai yang mendekati 1
menunjukkan bahwa hampir semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen. Secara umum koefisien determinasi untuk data crossection relatif
rendah karena adanya variasi yang besar antara masing-masing pengamatan, sedangkan
untuk data time series biasanya mempunyai nilai koefisien determinasi yang tinggi.
Hasil analisis menunjukkan nilai R2 sebesar 0,302 yang berarti hanya sekitar 30,2%
variabel prestasi kerja yang bisa dijelaskan oleh variabel tunjangan, gaji, insentif dan
fasilitas kerja.
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regres sion 16.302 4 4.075 4.876 .002 a
Residual 37.615 45 .836
Total 53.917 49
a. Predictors : (Constant), TUNJANG, GAJI, INSENTIF, FASILITA
b. Dependent Variable: PRESTASI
Hasil pengujian F test dari output ANOVA menunjukkan bagaimana pengaruh variabel
tunjangan, gaji, insentif dan fasilitas secara bersama sama terhadap variabel prestasi
kerja. Nilai F test sebesar 4,876 dan nilai Sig. sebesar 0.002 menunjukkan pengaruh yang
signifikan yang berarti ada pengaruh posifit (Standar 0.050)
4. Output Coefficient
Coefficientsa
Nilai output koefisien menunjukkan hasil uji pengaruh variabel independen terhadap
variabel dependent secara partial. Hasil uji regresi menunjukkan bahwa variabel gaji,
insentif dan tunjangan berpengaruh positif terhadap prestasi kerja, sementara variabel
fasilitas tidak berpengaruh terhadap prestasi kerja.
Latihan
Perusahaan AdiJaya Meneliti mengenai faktor faktor yang mempengaruhi minat membeli
konsumen. Adapun faktor yang mempengaruhi minat membeli adalah persepsi kualitas dan
persepsi pengorbanan. Dari hasil penelitian didapatkan data sebagai berikut:
No kp1 kp2 kp3 k4 Mb1 Mb2 Mb3 Mb4 Mb5 pp1 pp2 pp3
1 2 2 2 2 2 3 2 3 2 2 3 3
2 4 4 3 3 4 4 5 5 2 1 1 1
3 2 2 2 2 2 2 4 4 3 2 2 2
4 2 2 2 2 2 4 4 3 3 2 2 2
Contoh Soal
Berikut ada data mengenai penilaian prestasi kerja dan gaji di sebuah perusahaan
No Jenis Kelamin Divisi prestasi gaji
1 Pria Pemasaran 2.5 2.67
2 Pria Keuangan 2.7 4.33
3 Wanita Keuangan 2.7 4.67
4 Pria Pemasaran 3.2 5
5 Wanita SDM 4.2 3.33
6 Wanita SDM 3.3 4
7 Pria SDM 4.8 4.67
8 Pria Pemasaran 4.6 5
9 Wanita Pemasaran 2.9 4.67
10 Pria Keuangan 1.9 3
11 Pria Keuangan 1.5 2
12 Wanita Keuangan 3.5 3.33
13 Wanita SDM 4.6 4.33
14 Wanita Operasi 3.2 2
15 Pria Operasi 3.1 2.33
16 Pria Operasi 1.3 1.33
17 Wanita SDM 3.5 3.33
18 Wanita Operasi 4.6 4.33
19 Pria Operasi 3.2 2
20 Pria Pemasaran 3.1 2.33
Group Statistics
Std. Error
GENDER N Mean Std. Deviation Mean
PRESTASI Pria 11 2.9000 1.11714 .33683
Wanita 9 3.6111 .70079 .23360
Untuk membaca hasil pengujian dilihat pada kolom Sig. (2-tailed) pada nilai equal variance
assumed. Nilai sig. dibandingakan dengan nilai standar pengujian 0,05 atau 5%. Kalau nilai
nya dibawah 0,05 maka H1 diterima, sedangkan kalau nilainya diatas 0,05 maka H1 ditolak.
Pengujian ANOVA
Untuk menyelesaikan soal kedua dimana kita ingin menguji perbedaan prestasi kerja antar
divisi maka kita gunakan anova. Kenapa? Karena sample yang ada terbagi kedalam 4
kategori (pemasaran, sdm, keuangan dan operasi). Adapun hipotesis nya sebagai berikut
Lalu klik OK maka anda akan mendapatkan tampilan output sebagai berikut:
ANOVA
PRESTASI
Sum of
Squares df Mean Square F Sig.
Between Groups 6.692 3 2.231 2.921 .066
Within Groups 12.220 16 .764
Total 18.912 19
Untuk membaca hasilnya, anda cukup membandingkan nilai Sig. Ftest dengan nilai standar
yang dipakai misalnya menggunakan standar 5% maka nilai sig. dibandingkan dengan nilai
0,05. kalau nilainya dibawah 0,05 maka H1 diterima, kalau nilai nya diatas 0,05 maka H1
ditolak atau H0 diterima.
Hasil analisis menunjukkan nilai sig. sebesar 0,066 atau diatas 0,05 sehingga H1 ditolak dan
H0 Diterima, sehingga dapat disimpulkan bahwa tidak ada perbedaan prestasi kerja antar
divisi.
Perceived Quality, Perceived Value dan willingness to buy adalah Variabel. Sedangkan PQ,
PV dan MB adalah indikator/ukuran dari variabel.
Dari variabel tersebut kalau dibuat model sebagai berikut:
Apabila data yang didapat dianalisis menggunakan regresi (karena uji Hubungan antar
variabel) maka yang harus dilakukan adalah:
Var( X )
S= S= Sample Covariance Matrix
COV ( X , Y ) VAR(Y )
Y = a + bX + e
Tujuan analisis SEM adalah untuk menemukan estimasi nilai-nilai parameter yang
memiliki perbedaan antara sample covariance matrix dengan implied covariance matrix.
Perbedaan tersebut disebut dengan matriks residual. Idealnya nilai residual adalah nol
yang menunjukkan kesempurnaan hubungan antara sample dan implied covariance
matrix. terdapat banyak indikator untuk menunjukkan model fit suatu model.
Dalam SEM, Variabel disebut dengan konstruk yang harus diukur. Pada contoh
sebelumnya, Perceived Quality, Perceived Value dan Willingness to buy adalah konstruk yang
harus diukur. Ketiga konstruk tersebut tidak dapat dengan mudah diukur secara lansung dan
memerlukan beberapa indikator. Variabel yang tidak dapat diukur secara langsung dan
memerlukan beberapa indikator seringkali disebut dengan variabel laten. Sedangkan
indikator-indikator yang mengukur variabel laten disebut dengan variabel
observasi/indikator.
Indikator/Variabel Observasi
Gambar 3. Variabel dalam model
Pada model tersebut, perceived quality adalah variabel independen dan perceived
value adalah variabel dependen. Variabel independen adalah variabel yang tidak dipengaruhi
oleh variabel lain dalam SEM disebut dengan variabel Eksogen. Sedangkan variabel
dependen adalah variabel yang dipengaruhi oleh variabel lain atau disebut dengan variabel
Endogen.
Perceived Perceived
Quality Value
Identifikasi Model
Informasi yang diperoleh dari data diuji untuk menentukan apakah cukup untuk mengestimasi
parameter
Estimasi Parameter
Estimasi parameter untuk model yang diperoleh dari data berupa matriks kovarians akan
dibandingkan dengan matriks kovarians yang sesungguhnya. Uji signifikasi dilakukan untuk
menentukan apakah parameter yang dihasilkan secara signifikan berbeda
Modifikasi Model
Modifikasi model diperlukan karena tidak fitnya hasil yang diperoleh pada tahap penilaian
model fit. Namun harus diperhatikan bahwa segala modifikasi harus berdasarkan teori yang
mendukung. Modifikasi model tidak dilakukan hanya semata mata untuk mencapai model fit.
jurnal lain dari internet atau dari sumber lain yang terpercaya. Kalau dari beberapa
sumber yang kita dapatkan menunjukkan indikator variabel yang sama maka indikator
tersebut bisa kita pakai. Disarankan cari indikator variabel dari jurnal asing yang
terpercaya karena memiliki ukuran baku yang telah teruji.
b. CrossCek Item Pertanyaan dalam Kuesioner
Tahap kedua yang harus dilakukan adalah mengcross cek item pertanyaan kuesioner
pada ahlinya. Cross cek ini lebih ditekankan pada makna bahasa yang digunakan
untuk menghindari adanya pemahaman yang keliru
c. Pretest kuesioner pada Sampel kecil.
Pretes dilakukan pada sampel kecil ( + 30 Responden). Tujuan dari pretest adalah
konfirmatory kuesioner. Dari pretest akan diketemukan kesalahan (salah terjemahan,
salah makna, salah indikator dll_) dari item pertanyaan yang diuji coba. Alat analisis
untuk pretest adalah faktor analisis (second order).
Contoh output dari Faktor Analisis
Component
1 2 3
PQ1 .926
PQ2 .943
PQ3 .937
PQ4 .921 .621
PV1 .818
PV2 .822
PV3 .855
WB1 .786 .586
WB2 .877
WB3 .832
WB4 .848
Extraction Method: Principal Component Analysis .
Rotation Method: Varimax with Kais er Normalization.
a. Rotation converged in 4 iterations.
pada output faktor analisis tersebut bisa dilihat bahwa item pertanyaan PQ4 dan WB1
memiliki nilai yang terletak di dua posisi. Berarti item ini memiliki peran ganda. Karena
sifatnya adalah pretest kuesioner maka langkah yang harus dilakukan adalah
mengecek kedua pertanyaan tersebut (PQ4 dan WB1). Apakah item pertanyaannya
memiliki makna ganda. Apakah pertanyaan Perceived Quality mirip dengan
willingness to buy, apakah pertanyaan wilingness to buy mirip dengan pertanyaan
perceived value.
d. Revisi Kuesioner dan Pembuatan disain baku kuesioner
Dari pretest tersebut kemudian dilakukan revisi kuesioner. Baru kemudian dibuat
disain kuesioner secara lengkapnya untuk selanjutnya disebar ke sampel besar.
Disain yang bagus adalah disain yang sederhana dan menarik. Buat sesingkat
mungkin. Karena ada kecenderungan orang malas untuk menjawab kuesioner yang
tebal.
e. Penyebaran Kuesioner
Pada tahap penyebaran kuesioner, yang harus difikirkan adalah bagaimana caranya
supaya orang mau menjawab kuesioner tersebut dengan baik. Kalau orang menjawab
secara asal maka akan menghasilkan data yang bias. Pilih waktu dan tempat yang
tepat untuk menyebar kuesioner. Kalau perlu berikan panduan kepada responden
dalam menjawab pertanyaan. Bisa diberikan reward bagi responden. Misalnya bonus
bollpoint bagi yang mau menjawab. Kalau responden menjawab dengan baik maka
akan didapatkan data penelitian yang baik pula.
masukkan indikator dari kolom disebelah kiri ke kolom variabel melalui tombol
lakukan untuk indikator variabel yang ingin anda analisis. Dalam contoh diatas, variabel
yang ingin dimasukkan adalah PQ1, PQ2, PQ3, PQ4, PV1, PV2, PV3, WB1, WB2, WB3,
WB 4. sehingga anda akan muncul tampilan seperti dibawah ini
Component
1 2 3
PQ1 .915
PQ2 .939
PQ3 .928
PQ4 .915
PQ5 .894 .594
PV1 .774
PV2 .813
PV3 .852
PV4 .674 .821
WB1 .784
WB2 .876
WB3 .833
WB4 .849
Extraction Method: Principal Component Analysis .
Rotation Method: Varimax with Kais er Normalization.
a. Rotation converged in 4 iterations.
Pada output dari rotated component matrix harus extrak secara sempurna. Kalau belum
sempurna maka ulangi langkah faktor analisis dengan menghilangkan item pertanyaan
yang memiliki nilai ganda. Dari output diatas dapat dilihat bahwa item yang memiliki nilai
ganda adalah PQ5 dan PV4 maka langkah faktor analisis diulangi lagi dengan
menghilangkan kedua item pertanyaan tersebut sehingga didapatkan hasil sebagai berikut
Rotated Component Matrixa
Component
1 2 3
PQ1 .926
PQ2 .943
PQ3 .937
PQ4 .921
PV1 .818
PV2 .822
PV3 .855
WB1 .786
WB2 .877
WB3 .832
WB4 .848
Extraction Method: Principal Component Analysis .
Rotation Method: Varimax with Kais er Normalization.
a. Rotation converged in 4 iterations.
Uji Reliability dilakukan terhadap indikator masing masing variabel secara satu persatu.
Pilih dan klik Scale if item deleted pada kolom descriptives for kemudian klik continue
Lalu klik OK maka anda akan mendapatkan tampilan output relability analysis sebagai
berikut:
Item-total Statistics
Scale Scale Corrected
Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
Reliability Coefficients
N of Cases = 320.0 N of Items = 4
Alpha = .9555
Keterangan
Perintah Keterangan
Dim sem As New AmosEngine Menggunakan SEM sebagai dasar analisis
dalam AMOS
Sem.TextOutput Memerintahkan AMOS untuk menampilkan
hasil analisis data dalam bentuk teks
Sem.Standardized Menggunakan ukuran yang terstandardiasi.
Hasilnya terstandarisasi
Sem.NormalityCheck Memerintahkan AMOS untuk melakukan uji
normalitas dalam data yang akan dianalisis
Sem.FactorScoreWeights Memerintahkan AMOS untuk melakukan
faktor analisis dan menampilkan skor
faktornya.
Sem.Mods Memerintahkan AMOS untuk melakukan
modifikasi model. Menampilkan kemungkinan
modifikasi yang bisa dilakukan
Sem.BeginGroup Memerintahkan Amos untuk mengolah data
"G:\publikasi\datafinall.sav" yang ada di folder G:\publikasi\
Nama file data yang dianalisis adalah
datafinall.sav
Nama dan letak data yang dianalisis bisa
berbeda beda. Tergantung letaknya dan
nama filenya.
Perhatikan tanda “ “ Harus ada.
Untuk bahasa engine cukup dihadapalkan karena untuk semua model perintah
dasarnya sama.
Perceived Perceived
Quality Value
Error
PQ1 PQ2 PQ3 PQ4 PV1 PV2 PV3
Untuk mengubah model ini kedalam bahasa struktural dimulai dari model measurement
(model dari indikator variabel). Dari model tersebut kita pecah kedalam dua model
measurement. Sebagai berikut
Pertama
Perceived
Quality
sebelum menulis kedalam amos ada hal yang harus dipahami bahwa konsep pengaruh
sama dengan konsep pengaruh dalam regresi. Kalau dalam regresi ada model sebagai
berikut:
X Y
X Y Error
X Y Error
Z Error
Y = (1) bX + (1)eY
Z = bX + (1)eZ (untuk pengaruh kedua dan seterusnya konstanta dihilangkan)
Sehingga dari model pertama dapat ditulis dalam bahasa amos sebagai berikut:
dari model tersebut dapat ditulis dalam bahasa amos sebagai berikut
Kedua
Perceived
Value
Perceived Perceived
Quality Value
Error
Kalau model tersebut di Run maka akan menghasilkan output sebagai berikut
Output AMOS
Output Keterangan
Ouput
Title
Summary of Parameters
Weights Covariances Variances Means Intercepts Total
------- ----------- --------- ----- ---------- ----- Ringkasan
Fixed:
Labeled:
16
0
0
0
0
0
0
0
0
0
16
0
Parameter
Unlabeled: 10 0 14 0 0 24
------- ----------- --------- ----- ---------- -----
Total: 26 0 14 0 0 40
NOTE:
The model is recursive.
Assessment of normality
WB4
-------- -------- -------- -------- -------- --------
1.000 5.000 -0.114 -0.833 -0.949 -3.466
Uji Normalitas
WB3 1.000 5.000 -0.145 -1.060 -0.880 -3.215 Digunakakan
WB2 1.000 5.000 0.167 1.218 -0.893 -3.260
WB1 1.000 5.000 0.220 1.604 -0.732 -2.673
untuk uji
PV3 1.000 5.000 0.118 0.864 -1.120 -4.090 normalitas
PV2 1.000 5.000 0.034 0.245 -1.091 -3.982
PV1 1.000 5.000 -0.005 -0.038 -0.966 -3.527 variabel dan
PQ4 1.000 5.000 -0.000 -0.003 -1.319 -4.816 model
PQ3 1.000 5.000 0.049 0.361 -1.345 -4.910
PQ2 1.000 5.000 -0.052 -0.376 -1.350 -4.928
PQ1 1.000 5.000 -0.018 -0.135 -1.349 -4.927
Multivariate 5.235 2.769
Menunjukkan bahwa
Minimum was achieved syarat minimum telah
terpenuhi
Chi-square = 76.826 Nilai Chi Square
Degrees of freedom = 42
Probability level = 0.001
digunakan sebagai
pembanding apabila
Maximum Likelihood Estimates ada perubahan
---------------------------- model
Regression Weights: Estimate S.E. C.R. Label
------------------- -------- ------- ------- ------- Uji Hipotesis
PerceivedValue <--- PerceivedQuality 0.177 0.040 4.466 Nilai yang dilihat
WillingnessToBuy <--- PerceivedValue 0.171 0.066 2.608 adalah nilai CR
PQ1 <-------------- PerceivedQuality 1.000 Nilai CR
PQ2 <-------------- PerceivedQuality 1.041 0.037 27.822 dibandingkan dengan
PQ3 <-------------- PerceivedQuality 1.009 0.038 26.360
PQ4 <-------------- PerceivedQuality 0.986 0.038 26.141 nilai Z tabel. Kalau
PV1 <---------------- PerceivedValue 1.000 responden nya lebih
PV2 <---------------- PerceivedValue 1.236 0.117 10.529 dari 120 orang maka
PV3 <---------------- PerceivedValue 1.310 0.124 10.537
WB1 <-------------- WillingnessToBuy 1.000 nilai Z tabel adalah
WB2 <-------------- WillingnessToBuy 1.264 0.095 13.251 1% = 2,56
WB3 <-------------- WillingnessToBuy 1.169 0.093 12.624 5% = 1,96
WB4 <-------------- WillingnessToBuy 1.221 0.097 12.631
10 % = 1,645
signifikan kalau nilai
CR > Z-Tabel
Standardized Regression Weights: Estimate
-------------------------------- --------
Sama dengan tabel
PerceivedValue <--- PerceivedQuality 0.290 diatas hanya nilai
WillingnessToBuy <--- PerceivedValue 0.177 yang dihasilkan
PQ1 <-------------- PerceivedQuality 0.896
PQ2 <-------------- PerceivedQuality 0.939 adalah nilai regresi
PQ3 <-------------- PerceivedQuality 0.920 bersih (error sudah
PQ4 <-------------- PerceivedQuality 0.917 dihilangkan.
PV1 <---------------- PerceivedValue 0.665
PV2 <---------------- PerceivedValue 0.756
PV3 <---------------- PerceivedValue 0.828
WB1 <-------------- WillingnessToBuy 0.710
WB2 <-------------- WillingnessToBuy 0.838
WB3 <-------------- WillingnessToBuy 0.785
WB4 <-------------- WillingnessToBuy 0.786
Modification Indices
--------------------
Indek Modifikasi
Covariances: M.I. Par Change Digunakan untuk
--------- ----------
eWB3 <---------------------------> eWB4 8.317 0.093 melakukan modifikasi
eWB2 <---------------------------> eWB4 8.238 -0.086 model. Modifikasi
eWB1 <---------------------------> eWB3 18.156 -0.137 bisa dilakukan kalau
eWB1 <---------------------------> eWB2 10.030 0.096 nilai MI > 4 dan
ePQ4 <----------------------------> zPV 5.536 0.063
ePQ4 <----------------------------> zWB 5.916 0.063 mempunyai dasar
teoritis yang kuat,
didukung oleh hasil
Variances: M.I. Par Change penelitian lain.
--------- ----------
Regression Weights: M.I. Par Change
--------- ----------
WB3 <------------------------------ WB1 8.123 -0.118
WB2 <------------------------------ WB1 4.608 0.085
WB1 <------------------------------ WB3 5.724 -0.096
PQ4 <------------------- PerceivedValue 4.954 0.110
PQ4 <----------------- WillingnessToBuy 7.635 0.136
PQ4 <------------------------------ WB4 4.524 0.063
PQ4 <------------------------------ WB3 5.855 0.075
PQ4 <------------------------------ WB2 5.436 0.071
PQ4 <------------------------------ WB1 5.629 0.077
PQ4 <------------------------------ PV2 6.086 0.067
PQ4 <------------------------------ PV1 5.543 0.070
PQ3 <------------------------------ PV2 4.430 -0.058
PQ2 <------------------------------ WB1 4.086 -0.062
Summary of models
-----------------
Estimasi Model
FIT
Model NPAR CMIN DF P CMIN/DF Penilaian model fit
---------------- ---- --------- -- --------- ---------
Default model 24 76.826 42 0.001 1.829
dilakukan dengan
Saturated model 66 0.000 0 membandingkan nilai
Independence model 11 2356.077 55 0.000 42.838 estimasi dari output
AMOS dengan nilai
Model RMR GFI AGFI PGFI standar model.
---------------- ---------- ---------- ---------- ---------- Berikut nilai standar
Default model 0.061 0.961 0.939 0.612 model fit
Saturated model 0.000 1.000
HOELTER HOELTER
Model .05 .01
---------------- ---------- ----------
Default model 242 275
Independence model 10 12
Minimization: 0.062
Miscellaneous: 0.438
Bootstrap: 0.000
Total: 0.500
( Stdloading) 2
Construct Re liability
( StdLoading) 2
VarianceExtracted
StdLoading 2
Stdloading 2
1 (StdLoading) 2
Constuct Reliability
3,672
3,672 0,628
= 0.955486
Variance Extracted
Lakukan Langkah yang sama untuk Perceived Value dan Wilingness to buy
Asumsi Normalitas
Asumsi yang paling fundamental dalam analisis multivariate adalah normalitas yang
merupakan bentuk distribusi data pada variabel metriks tunggal yang menghasilkan
distribusi normal. Apabila asumsi normalitas tidak dipenuhi dan penyimpangan data
normalitas tersebut besar maka akan menghasilkan hasil uji statistik yang bias. Normalitas
dibagi dua yaitu
a. Univariate Normality. Dapat digunakan untuk menguji data ordinal maupun continous.
b. Multivariate Normality. Hanya dapat digunakan untuk data continuous.
Apabila data memiliki multivariate normality maka data tersebut pasti juga memiliki
univariate normality. Sebaliknya apabila data adalah univariate normality maka belum
tentu data juga memiliki multivariate normality (Ghozali dan Fuad 2005). Untuk menguji
asumsi normalitas maka digunakan nilai z statistik untuk skewness dan kurtosisnya.
Curran et al dalam Ghozali dan Fuad (2005) membagi distribusi data menjadi 3
bagian
a. Normal. Nilai skewness kurang dari 2 dan nilai kurtosis kurang dari 7.
b. Moderately non-normal. Yaitu besarnya data yang tidak normal adalah sedang. Nilai
skewness antara 2 sampai 3 dan nilai kurtosis antara 7 sampai 21.
c. Extremely non-normal. Yaitu distribusi data yang tidak normal sangat besar. Nilai
skewness diatas 3 dan nilai kurtosis diatas 21.
Apabila data tidak normal maka ada berapa solusi yang bisa dilakukan.
a. Tambahkan estimasi asymptotic covariance matrix.
b. Khusus untuk data contineous, transformasi data bisa dilakukan. Tapi untuk data
ordinal transformasi data tidak dianjurkan karena bisa mengarahkan pada hasil yang
bias.
c. Apabila jumlah data memenuhi, gunakan metode estimasi Generalized Least Square
atau Wighted Least Square.
Uji Normalitas
Output yang dipakai
Assessment of normality
Misalkan ada data yang tidak normal maka dapat menambahkan uraian sebagai
berikut:
Walaupuan dalam teknik estimasi maximum likelihood menyarankan sebaiknya
asumsi normalitas terpenuhi, tetapi jika ternyata asumsi normalitas tidak semuanya
terpenuhi, analisis selanjutnya masih bisa dilakukan karena teknik estimasi ini cukup
robust, walaupun data tersebut sebarannya ada beberapa yang cenderung tidak normal.
Data yang digunakan dalam penelitian ini adalah data yang disajikan ada adanya dari
penelitian yang berasal dari data primer berdasakan jawaban responden yang sangat
beragam sehingga sulit untuk memperoleh data yang mengikuti distribusi normal
multivariate secara sempurna.
Asumsi Outlier
Uji Outlier
Output Amos yang dipakai
Observations farthest from the centroid (Mahalanobis distance)
Summary of models
-----------------
Model NCP LO 90 HI 90
---------------- ---------- ---------- ----------
Default model 34.826 14.072 63.406
Saturated model 0.000 0.000 0.000
Independence model 2301.077 2145.949 2463.546
Model FMIN F0 LO 90 HI 90
---------------- ---------- ---------- ---------- ----------
Default model 0.241 0.109 0.044 0.199
Saturated model 0.000 0.000 0.000 0.000
Independence model 7.386 7.213 6.727 7.723
HOELTER HOELTER
Model .05 .01
---------------- ---------- ----------
Default model 242 275
Independence model 10 12
Minimization: 0.062
Miscellaneous: 0.438
Bootstrap: 0.000
Total: 0.500
Nilai X2 - chi square sebesar 78,826 dengan tingkat signifikansi 0.000 Berdasarkan
analisis terhadap goodness of fit secara umum menunjukkan bahwa model pengukuran
yang digunakan dapat diterima.
The Minimum Sample Discrepancy Function - CMN/DF merupakan indeks
kesesuaian parsimonious yang mengukur hubungan goodness of fit model dan jumlah
koefisien-koefisien estimasi yang diharapkan untuk mencapai tingkat kesesuaian.
Dengan nilai yang direkomendasikan CMIN/DF ≤ 3.0, model memiliki nilai CMIN/DF
Modifikasi Model
Output Amos yang dipakai
Modification Indices
--------------------
Tabel 1.
Indeks Modifikasi Model Struktural
Pemodifikasian model dilakukan agar data lebih tepat dan akurat mencerminkan model
(McCallum, 1986 seperti dikutip oleh Brown & Peterson, 1994). Dengan mempertimbangkan nilai-
nilai indeks modifikasi tersebut maka disimpulkan bahwa perlu dilakukan pemodifikasian model
struktural karena dimungkinkan adanya hubungan kausal antar konstruk yang belum diakomodasi
dalam model struktural awal. Dalam penelitian kali ini, dimungkinkan adanya pengaruh langsung
antara beberapa konstruk. Pengaruh langsung beberapa konstruk tersebut dapat dilihat pada
pengaruh konstruk yang memiliki nilai indeks yang disyaratkan MI > 4,00. modifikasi dilakukan
dengan mempertimbangkan dasar teori yang mendukung adanya hubungan kausalitas yang
dimungkinkan.
Modifikasi 1. Pengaruh Kualitas Persepsian terhadap Nilai Persepsian
Penulis memilih modifikasi pertama pada jalur pengaruh kualitas persepsian terhadap nilai
persepsian. Kualitas persepsian berpengaruh secara positif terhadap nilai persepsian. Temuan
didukung oleh penelitian Dodds, Monroe, dan Grewal (1991), Grewal, Krishnan dan Borin (1998)
dan Maxwell (2001). Hasil temuan mereka menunjukkan adanya hubungan pengaruh yang kuat
antara kualitas persepsian terhadap nilai persepsian. Adapun model modifikasi yang disajikan
dapat dilihat pada gambar dibawah ini:
Nilai
0,149
(2,413) 0,166
Persepsian
Citra
Garansi (2,556)
-0,208
(-3,102)
Pengorbanan Risiko
Harga Persepsian
0,245 0,694 Keuangan
(3,506) (7,417)
Model
Indeks Nilai Kritis Model Awal
Modifikasi
Keterangan
1. χ2 Diharapkan kecil 328,125 283,551 -
2. Probability level < 0.05 0,000 0,000 -
3. df Positif Positif Positif -
4. CMIN/DF ≤ 2.0 / ≤ 3.0 2,344 2,040 Meningkat
5. GFI ≥ 0.90 0,896 0,909 Meningkat
6. AGFI 0.90 0,859 0,876 Meningkat
7. CFI 0.90 0,893 0,918 Meningkat
8. RMSEA 0.08 0,070 0,061 Meningkat
9. RMR 0.03 0,080 0,062 Meningkat
10. TLI 0.90 0,869 0,899 Meningkat
11. NFI 0.90 0.830 0,853 Meningkat
Dari tabel 2. dapat dilihat adanya peningkatan yang lebih baik pada semua kriteria goodness of fit.
Karena semua kriteria goodness of fit mengalami peningkatan yang lebih baik, maka dalam
analisa selanjutnya yang digunakan adalah analisa model struktural modifikasi dengan
menambahkan hubungan kausalitas antara kualitas persepsian terhadap nilai persepsian.
Diskusi Penelitian
Produk handphone merupakan produk dengan teknologi tinggi yang terus menerus
berkembang dan berubah dengan adanya inovasi yang berlangsung terus menerus. Adanya
perkembangan yang pesat menyebabkan konsumen dihadapkan pada produk baru dengan
risiko yang kompleks. Untuk mengurangi risiko konsumen menggunakan beberapa indikator
misalnya melalui penilaian kualitas yang bisa mengurangi risiko. Kalau konsumen bisa
menilai produk itu berkualitas tinggi maka risiko yang diterima akan lebih rendah dibanding
dengan produk yang berkualitas rendah. Harga dan citra merek akan berperan sebagai
indikator kualitas pada produk yang relatif baru. Konsumen akan memutuskan membeli
produk setelah mengevaluasi nilai produk yang berasal dari manfaat dan pengorbanan
(risiko) yang harus dilakukan untuk mendapatkan produk.
Zeithaml (1988) mendefinisikan nilai persepsian sebagai suatu trade-off antara
kualitas persepsian dengan pengorbanan moneter yang dilakukan dan secara teoretis bisa
dideskripsikan sebagai rasio kualitas persepsian : harga persepsian. Konseptualisasi nilai
persepsian menunjukkan evaluasi menyeluruh akan nilai jangka panjang (long-term worth)
dan terdiri dari perceived net gain pembeli dari akuisisi input gabungan antara harga
persepsian dan kualitas persepsian. Kualitas persepsian merupakan input dalam penilaian
nilai persepsian. Kualitas persepsian menunjukkan persepsi yang berkaitan dengan
superioritas produk, sedangkan nilai persepsian menunjukkan kelayakan nilai (worth) dari
suatu produk dalam hal apa yang dikorbankan dibandingkan dengan apa yang diperoleh
(Zeithaml, 1988; Grewal et al, 1998, Monroe dan Khrisnan, 1985 dalam Taylor dan Bearden,
2002). Pada produk handphone yang diteliti, kualitas persepsian lebih menunjukkan pada
superioritas produk yang menjadi sumber dari kelayakan suatu produk. Produk yang
dipandang berkualitas tinggi akan memiliki nilai yang tinggi pula dimata konsumen. Nilai inilah
yang mempengaruhi minat beli konsumen.
Dst..............
Cooper, D.R. dan Schindler, P.S.2003. Business Research Methods, 7th ed. NY: McGraw-Hill.
Ferdinand, A. 2000. Structural Equation Modelling Dalam Penelitian, Semarang: BP Undip
Modern, Semarang: Badan Penerbit Universitas Diponegoro.
Gozali, I. dan Fuad 2005. Structural Equation Modeling: Teori, Konsep dan Aplikasi dengan
Program Lisrel 8.54. Semarang: BP Undip Modern, Semarang: Badan Penerbit
Universitas Diponegoro.
Hair, J. F. Jr., et al., (1998). Multivariate Data Analysis, Upper Saddler River, New
Jersey, Prentice-Hall, Inc.
Leech, N.L., Barrett, K.C., dan Morgan, G. A. 2005. SPSS for Intermediate Statistics: Use
and Intepretation. 2nd Edition. Lawarence Erlbaum Associates
Morgan, G. A., Leech, N.L., dan Gloeckner, G. W. 2004. SPSS for Introductory Statistics: Use
and Intepretation. 2nd Edition. Lawarence Erlbaum Associates
Rahayu, S. 2005. SPSS Versi 12.00 dalam Riset Pemasaran. Alfabeta.
Sarwono, J. 2007. Analisis Jalur Untuk Riset Bisnis dengan SPSS. Andi Yogyakarta.
Sekaran, U. 2000. Research Methods for Business: A Skill Building Approach, 3nd Ed, New
York, John Willey dan Sons, Inc.
Sharma, S. 1996. Applied Multivariate Techniques. John Willey & Sons, Inc.