Modulspss PDF

BUKU
PRAKTEK MANAJEMEN I
Disusun:
Lilik Wahyudi SE MSI
SURAKARTA
2009
DAFTAR ISI
Bagian I Analisis Univariate

Bab 1 Pendahuluan ........................................................................................................ 4
Bab 2 Uji Validitas dan Reliabilitas ................................................................................ 11
Bab 3 Uji Data ................................................................................................................. 30
Bab 4 Analisis Regresi .................................................................................................... 45
Bab 5 T-Test dan Anova ................................................................................................. 53
Bab 6 SPSS Non Parametruk ......................................................................................... 60
Bagian II Analisis Multivariate

Struktural Equation Modelling Melalui Program AMOS .................................................. 62
Daftar Pustaka ............................................................................................................... 103
Bahan Ajar Praktek Manajemen I 1

TINJAUAN MATA KULIAH
Diskripsi Singkat Mata Kuliah
Kegunaan Matakuliah
Standar Kompetensi Matakuliah
Susunan Bahan Ajar
Petunjuk bagi Mahasiswa untuk mempersiapkan bahan ajar

1. Tutorial, yaitu penjelasan materi dalam bab mengenai penggunaan program aplikasi
komputer
2. Latihan soal. Tugas-tugas terkait dengan materi sesuai dengan bab yang ada.
3. Pengolahan data terintegrasi, yaitu tugas membuat analisis data secara komprehensif
setelah menyelesaikan semua materi praktek manajemen I

BAGIAN I
ANALISIS UNIVARIATE

Bab 1 Pendahuluan______________________________________
Kompetensi dasar dan Indikator

Kompetensi Dasar
Mampu menggunakan anaslisis diskriptif data dalam riset keperilakuan
Indikator
1. Mampu melakukan analisis diskriptif dengan SPSS
2. Mampu menginteprestasikan hasil output analisis diskriptif SPSS
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.
SPSS statistik berisi :

 Descriptive Statistics: Crosstabulations, Frequencies, Descriptives, Explore, Descriptive
Ration statistics
 Bivariate Statistics: Means, t-test, ANOVA, Correlation - bivariate, partial, dan distance-
non-parametric test
 Prediction for numerical outcomes: linear regression
 Prediction for indentifying group: factor analysis, two-step cluster analysis; K-mean
cluster analysis, hierarchical cluster analysis, discriminat
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.

Setelah data dimasukkan, proses pengolahan data juga melalui DATA EDITOR dan hasilnya
ditampilkan dalam layar VIEWER. Hasil perhitungan tersebut dapat berupa teks, tabel
maupun grafik.
Input Data Analisis Data: Output Data

Data Mentah SPSS Informasi
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

Beberapa hal yang perlu diperhatikan sebelum memasukkan data meliputi
Struktur Data: Baris atau kolom
Format data: Bebas atau Tertentu
Missing Value: Data yang hilang atau tidak lengkap
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:

Keterangan
Run the tutorial: Digunakan untuk menampilkan fasilitas help dalam bentuk tutorial demo
tentang bagaimana menjalankan SPSS.
Type in data: digunakan untuk memasukkan data baru yang akan diolah kedalam SPSS.
Run an existing query: Digunakan untuk membuka file database query kedalam SPSS.
Open an existing data source: Digunakan untuk membuka file data spss yang sudah ada.
Spss menyediakan beberapa fasilitas yaitu

Data Editor. Window ini terbuka secara otomatis ketika program SPSS dijalankan dan
berfungsi untuk input data ke SPSS. Membersihkan data editor: klik File, New, Data,
Membuka File (ekstensi .sav): klik File, Open, Data
Viewer. Window ini merupakan media tampilan proses yang dilakukan SPSS. Dapat disimpan
melalui perintah Save SPSS Output (ekstensi .lst). Untuk membuka file output: klik File,
Open, SPSS output

Syntax Editor. untuk menuliskan susunan perintah/program--teks editor Dapat disimpan
lewat perintah Save SPSS Syntax pada menu file. Untuk membuka file syntax (ekstensi
.sps): klik File, Open, Syntax
Script Editor: digunakan untuk melakukan berbagai pengerjaan SPSS secara otomatis,
seperti membuka dan menutup file, mengekspor grafik menyesuaikan bentuk output.
Menangani File Data

Untuk memasukkan data baru kedalam SPSS klik Type in data
Atau anda dapat melalu file menu dengan mengklik file  new  data
anda akan mendapatkan tampilan sebagai berikut:

untuk mengisi judul, klik pada variable view, untuk mengentri data klik pada data view
Analisis Deskriptive
Untuk melakukan analisis deskriptif lakukan dengan cara
Klik Analyze  Descriptive Statistik
Untuk lebih memperjelas penggunaan analisis diskriptif lakukan latihan berikut:

Latihan:
Entrikan Data ini kedalam SPSS dan lakukan analisis desktiptif
No Nama Sex Jurusan SPSS Word Excel Access
1 RAHMAT ALI MASYHAR W pria Man 70 58 80 69
2 AHMAD FAISAL pria Akt 90 71 95 85
3 HERLY WINARTI wanita EP 85 87 80 84
4 NURSITA TRIYANTI P. wanita Man 85 85 80 83
5 ANGGA PRADITYA wanita Akt 85 30 80 65
6 ANISA ROMADANIATI wanita Man 65 50 95 70
7 ANITA WIDYASARI wanita Akt 80 85 80 82
8 ARIF SETIAWAN WARTOYO pria Man 85 62 80 76
9 ARIS RISMOKO pria Akt 75 59 75 70
10 ARIS SUSILO pria Man 80 87 95 87
11 ARKKA HARYOPUTRO pria Man 80 60 75 72
12 ARNI FERIYANAA wanita Man 90 75 90 85
13 BERTHA TENNISIA wanita Man 80 65 65 60
14 CHRISTIAN ELEAZAR S. wanita Man 75 80 65 73
15 FAJAR DWI ISWANTO pria Akt 80 52 85 72
16 FARIDA UMI ISTIANAH wanita Akt 85 70 75 77
17 MANGASI E.P.S. pria Akt 85 60 80 75
18 METHANIA YOGI D. pria EP 65 25 80 57
19 MUFTI ZAENUROHMAN pria EP 65 40 80 62
20 MUHAMAD IRFANI pria EP 80 45 80 68
Petunjuk: Klik variabel View
Entrikan judul sebagai berikut:

No Nama Sex Jurusan SPSS Word Excel Access

Isikan nama variabel dan format (type, label, missing value dan format kolom). Type untuk
menentukan type variabel, jumlah angka dibelakang koma, lebar variabel. Labels untuk
menentukan label variabel dan harga dari label tersebut. Missing Value untuk mementukan
harga-harga dari suatu variabel yang akan dideklarasikan sebagai missing value. Format
Colums untuk menentukan jenis perataannya.
Frekuensi Data Nominal

Frekwensi untuk data nominal dilakukan untuk : 1) mengetahui besarnya frekwensi data, 2)
membuat tampilan grafik.
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

Bab 2 Uji Validitas dan Reliabilitas
Kompetensi Dasar
Uji Validitas dilakukan untuk mengukur apakah instumen penelitian benar-benar

mampu mengukur konstruk yang digunakan. Untuk memperoleh validitas kuesioner, usaha
dititikberatkan pada pencapaian validitas isi. Validitas tersebut menunjukkan sejauh mana
perbedaan yang diperoleh dengan instrumen pengukuran merefleksikan perbedaan
sesungguhnya pada responden yang diteliti. Telnik uji validitas yang sering digunakan adalah
Confirmatory Factor Analysis.
Uji Reliabilitas dimaksudkan untuk mengetahui tingkat konsistensi terhadap instrumen-
instrumen yang mengukur konsep. Reliabilitas merupakan syarat untuk tercapainya validitas
suatu kuesioner dengan tujuan tertentu. Untuk menguji reliabilitas digunakan Cronbach Alpha.
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:
KP1 KP2 KP3 KO1 KO2 KO3 KK1 KK2

4 4 4 4 3 3 3 3
4 3 2 4 3 2 3 3
4 4 4 4 4 4 3 4
4 4 3 3 4 3 4 4
4 4 3 5 5 5 4 4
5 4 4 4 5 4 1 2
4 3 3 3 3 3 4 4
4 4 3 3 3 4 3 5
4 3 3 4 4 3 3 4
4 5 4 4 4 4 2 2

2 4 3 4 4 3 2 4
3 3 3 3 3 2 2 3
2 4 3 3 3 4 2 4
4 4 3 2 2 4 1 3
4 4 4 2 2 3 1 1
4 4 3 3 4 4 2 2
4 4 3 3 3 4 2 2
4 3 4 3 3 3 3 4
4 3 4 3 3 3 3 4
3 4 3 3 4 4 2 4
4 4 4 3 3 3 3 2
3 4 4 3 3 3 3 3
3 4 4 3 4 4 3 3
3 4 3 3 3 4 3 4
3 4 4 4 4 3 3 4
3 3 3 3 4 4 2 4
4 3 3 4 4 2 3 5
4 4 3 2 2 3 3 3
4 4 4 4 3 4 2 2
4 3 4 3 4 4 3 4
4 4 4 4 4 3 3 3
3 3 3 3 4 4 4 4
3 3 3 3 4 4 2 2
4 3 3 4 3 4 4 4
4 4 3 3 3 3 3 4
3 4 4 3 2 2 3 3
3 3 4 4 4 3 2 2
2 2 2 2 2 2 1 2
4 4 4 4 4 4 4 4
3 3 4 3 3 3 1 1
Diminta, sebelum data dianalisis, lakukan uji validitas dan reliabilitas

Pengolahan Data
Uji Validitas dengan Confirmatory Factor Analysis.
Entrikan data yang ada dalam SPSS
lalu klik Analysis klik Data Reduction klik Factor …
hingga muncul tampilan sebagai berikut

klik Descriptives…
Pastikan bahwa initial solution dipilih lalu klik continue
Klik extraction

klik number of factors lalu isikan 3 (jumlah variabel = 3) lalu klik continue
klik rotation
pilih Varimax lalu klik continue

klik option
pilih Suppress absolute values less than lalu isikan .40 klik continue lalu klik OK.
Anda akan menjumpai tampilan output faktor analisis sebagai berikut
Output Factor Analysis

Communalities
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 .

Total Variance Explained
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
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
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 Transformation Matrix
Component 1 2 3
1 .742 .518 .424
2 .117 -.724 .680
3 -.659 .455 .599
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:

Instrumen Faktor 1 Faktor 2 Faktor 3 Keterangan
KP1 0,716 Valid
KP2 0,665 Valid
KP3 0,734 Valid
KO1 0,682 Valid
KO2 0,893 Valid
KO3 0,691 Valid
KK1 0,903 Valid
KK2 0,821 Valid
Bagaimana seandainya output rotated component matrix tidak menunjukkan extraksi

yang sempurna?
Jawab: Kalau muncul seperti itu, ulangi faktor analisis dengan menghilangkan indikator yang
memiliki nilai ganda di dua tempat, lakukan trial and error untuk mendapatkan hasil yang
terekstrak sempurna.
Uji Reliabilitas dengan teknik Cronbach Alpha

Teknik ini lazim digunakan untuk mengukur kekonsistenan dari item-item pertanyaan variabel.
Soal: Dengan menggunakan data latihan uji validitas, lakukan uji reliabilitas untuk masing
masing variabel
Adapun langkahnya adalah sebagai berikut

Klik Analyze klik Scale klik Reliability Analysis

anda akan menjumpai tampilan sebagai berikut
masukkan variabel kp1, kp2 dan kp3 seperti berikut ini

klik Statistics…lalu pilih scale if item deleted dan klik continue kemudian klik OK
anda akan menjumpai hasil 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
Scale Scale Corrected

Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
KP1 7.0250 .9481 .2896 .5409

KP2 6.9750 .9994 .3778 .3900
KP3 7.2000 .9846 .3851 .3776
Reliability Coefficients
N of Cases = 40.0 N of Items = 3
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

dilakukan ulang dengan menghilangkan item KP1 sehingga akan menghasilkan output
sebagai berikut

KP2 3.4000 .3487 .3707 .

KP3 3.6250 .3429 .3707 .
Alpha = .5409
Selanjutnya uji reliabilitas dilakukan untuk variabel KO1 sehingga menghasilkan output
sebagai berikut

KO1 6.7750 1.6660 .5119 .6156

KO2 6.6750 1.1994 .7284 .2993
KO3 6.7000 1.8051 .3480 .8068
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

yang ada sehingga dilakukan pengujian ulang dengan menghilangkan item KO3. hasilnya
adalah sebagai berikut

KO1 3.4000 .6051 .6814 .

KO2 3.3000 .4718 .6814 .
Alpha = .8068
Pengujian terakhir dilakukan untuk variabel KK dengan langkah yang sama, sehingga akan
menghasilkan output sebagai berikut

KK1 3.2250 1.0506 .6519 .

KK2 2.6250 .8045 .6519 .
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

Latihan 1
Lakukan uji validitas dan reliabilitas untuk data dibawah ini. Buat uraian hasil dari olah data
anda.
PK1 PK2 PK3 PP1 PP2 PP3 PN1 PN2 PN3

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
3 3 3 3 3 3 2 2 2
3 3 3 3 3 3 3 2 4
2 2 2 2 2 2 2 3 2
3 4 3 4 2 2 1 1 1
3 3 3 3 3 3 2 2 2
1 3 2 2 3 2 2 2 4
2 2 3 3 3 2 3 2 2
3 3 3 3 2 2 2 2 2
2 3 2 3 3 3 2 2 2
2 3 2 1 1 2 2 2 2
3 3 3 4 3 3 2 2 2
2 2 2 3 3 3 2 2 2
2 2 2 2 2 2 2 2 2
3 3 3 3 2 2 2 2 2
4 4 4 4 4 3 3 3 3
2 2 2 2 2 2 3 3 4
3 3 3 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2
4 4 4 4 4 3 2 2 2
3 3 3 3 3 3 2 2 2
2 3 3 4 4 2 2 2 2
2 3 2 2 2 3 2 1 3
2 2 3 3 2 2 1 2 2
2 2 2 2 3 3 2 2 2
2 4 4 4 4 2 2 2 2
3 3 3 3 3 3 2 2 2
3 3 3 3 3 3 2 2 2
3 3 3 3 3 3 2 2 3
2 2 3 3 2 3 1 1 1
3 3 3 4 4 4 2 2 2
3 3 3 4 4 4 2 2 2
1 1 1 2 2 2 2 2 2
2 2 2 3 2 2 2 2 2
2 2 2 2 2 2 2 2 2

2 2 2 2 2 2 2 3 2
2 2 2 2 2 4 2 2 2
1 2 1 2 2 3 1 1 2
2 2 2 2 2 2 2 1 1
3 3 2 3 3 2 2 2 2

Latihan 2
Lakukan uji validitas dan reliabilitas untuk data dibawah ini. Buat uraian hasil dari olah data anda.
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

33 4 4 4 4 4 3 4 4 4 4 4 2 2 3 2 2 4 4 4 5 4 4 4 4 4 4 3 4 4 4 3 4 4 4 4 3 4 4 4 4
34 4 4 4 4 4 4 4 4 4 4 4 2 2 3 3 3 4 4 4 4 4 4 4 4 3 3 3 4 4 4 3 4 3 4 4 3 3 4 4 4
35 5 4 4 4 4 4 4 4 4 4 4 2 2 3 3 3 4 4 4 5 4 4 4 5 4 4 3 4 4 4 3 3 3 4 4 3 3 4 4 4
36 4 4 4 4 4 4 4 4 4 4 4 2 2 3 3 3 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 4 3 4 4 3 3 4 4 4
37 4 4 4 4 4 3 4 3 3 4 3 2 2 3 3 3 4 4 4 4 4 4 4 4 3 3 3 4 3 3 4 3 3 4 4 3 3 4 4 4
38 4 5 5 4 4 3 4 4 3 3 3 2 2 3 3 3 4 4 4 4 4 4 4 4 4 3 3 4 4 3 4 3 3 4 4 3 3 4 4 4
39 5 5 5 5 5 5 5 4 4 4 4 3 3 3 3 3 4 4 4 5 4 4 4 5 4 4 3 4 4 4 4 3 4 4 4 3 4 4 4 4
40 5 5 5 5 5 4 4 4 4 4 4 3 3 3 3 3 4 4 4 5 4 4 4 5 4 4 3 4 4 4 4 3 4 4 4 3 4 4 4 4
41 4 4 4 4 4 4 4 3 4 4 4 2 2 3 2 2 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 3 4 4 4 3 3 4 4 4
42 4 4 4 4 4 4 4 4 4 4 4 2 2 3 3 3 4 4 5 5 4 4 4 5 4 4 3 4 4 4 4 3 3 4 4 3 3 4 4 4
43 4 4 4 4 4 4 4 4 4 4 4 3 3 3 2 2 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 3 4 4 4 3 3 4 4 4
44 5 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 4 4 5 5 4 4 4 4 4 4 3 4 4 4 4 3 4 4 4 3 3 4 4 4
45 5 5 5 5 5 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 4 3 4 4 4 4 3 4 4 4
46 5 4 4 4 4 5 2 4 2 2 2 4 4 4 4 3 4 4 4 4 5 4 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
47 4 5 5 4 4 5 4 4 5 5 5 5 5 5 4 4 4 4 3 3 4 4 3 3 4 4 2 4 4 4 4 2 4 4 4 4 4 4 4 4
48 5 5 5 5 5 5 3 3 3 3 3 1 1 1 1 1 3 3 5 5 5 5 5 5 5 5 5 5 5 5 5 5 3 4 4 3 3 4 4 4
49 4 4 4 4 4 4 4 4 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 4 4 4 4 4 4 4 4 4
50 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 4 4 4 4 4 4 4 4 4
51 5 4 5 5 5 5 4 3 3 4 4 2 2 2 2 2 4 4 4 4 5 4 4 5 3 3 4 3 3 3 3 4 2 4 4 2 2 3 4 4
52 4 4 4 4 4 3 3 4 4 4 4 2 2 3 3 3 4 4 4 4 4 4 4 4 4 4 2 3 4 4 3 2 4 4 4 4 2 4 4 4
53 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 4 3 3 3 3 4 4 4 4
54 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 4 4 4 4 4 4 3 3 4 4 3 3 4 4 3 3 3 4 4 4 3 4 4 4
55 4 4 4 4 4 3 4 3 3 4 3 3 3 3 3 2 4 4 4 4 4 4 4 5 3 3 4 4 3 3 4 4 4 3 3 3 4 4 4 4
56 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 4 3 3 3 3 4 4 4 4
57 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 3 4 4 3 3 4 4 4 4 4 4 4 4
58 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 4 4 4 4 4 4 4 4 4 4 4 4 4 4
59 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 3 4 4 3 3 4 4 4 4 4 4 4 4
60 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 4 3 3 3 3 4 4 4 4
61 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3 4 3 4 4 3 3 4 4 4 4 4 4 4 4 4 4 ? 3 3 3 4 4 4 4
62 4 4 4 4 4 3 4 4 4 4 4 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
63 4 4 4 4 4 3 4 4 4 4 4 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 4 4 4 4 4 4 4 4 4
64 4 4 4 3 4 3 3 3 2 2 3 2 2 2 3 3 4 3 3 3 4 3 3 3 4 4 3 3 4 4 3 3 3 3 3 3 3 4 3 3
65 5 5 5 5 5 3 5 5 5 5 5 2 2 2 2 2 5 5 4 5 5 5 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 4 5
66 4 4 4 4 4 3 4 3 3 4 3 3 3 3 3 3 4 3 4 4 4 4 4 4 3 3 3 3 3 4 3 3 4 3 3 3 4 4 4 4
67 4 4 4 4 4 3 4 4 4 4 4 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
68 4 4 4 4 4 3 4 4 4 4 4 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
69 4 4 4 4 4 3 4 4 4 4 4 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 4 4 4 4 4 4 4
70 4 4 4 4 4 3 4 3 3 4 3 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 4 3 3 3 3 4 4 4 4
71 4 4 5 4 4 5 3 3 2 2 1 2 2 4 2 1 4 4 3 4 4 4 4 4 4 2 2 4 4 2 4 2 2 2 3 3 2 2 3 2

72 4 4 4 4 4 3 4 3 3 4 3 3 3 3 3 3 4 3 3 3 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4
73 4 4 4 4 4 3 4 4 4 4 4 3 3 3 2 2 4 4 5 5 4 4 4 4 4 4 4 4 4 4 3 3 4 4 4 4 4 4 4 4
74 4 4 4 4 4 3 4 4 4 4 4 3 3 3 3 3 4 4 3 3 4 4 4 4 4 4 3 3 4 4 3 3 4 4 4 4 4 4 4 4
75 4 4 4 4 4 3 4 3 3 4 4 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 4 4 3 3 3 3 3 3 4 4 4 4
76 4 4 4 4 4 2 4 2 2 4 4 4 4 4 2 2 4 4 4 4 4 4 4 4 4 4 2 4 4 4 4 4 4 4 4 2 4 4 4 4
77 4 4 4 4 4 4 4 2 2 4 2 2 2 2 2 2 4 4 3 3 4 4 3 3 4 4 3 3 4 4 3 3 3 3 3 3 4 4 5 4
78 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3 4 4 3 3 4 4 4 4 3 3 4 4 4 4 3 3 4 4 3 3 4 4 4 4
79 4 4 4 4 4 3 4 4 4 4 4 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
80 4 4 4 4 4 4 3 3 3 3 3 2 2 2 2 2 4 4 4 4 5 4 4 4 4 4 3 4 4 4 3 4 3 4 4 4 3 4 3 4
81 4 4 4 4 4 3 3 3 3 3 3 2 2 2 2 3 4 4 4 4 4 4 4 4 4 3 3 4 4 3 3 4 3 3 4 3 3 3 4 3
82 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 3 3 4 3 3 4 3 3
83 4 4 4 4 4 3 3 3 3 3 3 2 2 3 2 2 3 3 4 4 4 4 4 4 3 3 3 4 4 3 3 3 3 4 3 3 3 3 4 4
84 4 4 4 4 4 4 4 4 2 2 2 2 4 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 2 4 4 4 4 4 4 4 4
85 4 4 4 4 4 3 3 3 3 4 4 2 2 2 2 2 3 4 4 4 4 3 3 4 3 3 3 3 2 2 3 3 2 2 3 3 2 3 3 3
86 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 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
87 4 4 4 4 4 3 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 3 3 4 4 2 3 4 4 4 4 4 4 4 4
88 4 4 4 4 4 4 4 3 3 4 3 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 3 3 4 4 3 4 4 4 4 4 4 4 4 4
89 4 3 4 2 2 4 5 5 5 5 4 2 2 2 2 2 4 2 2 2 4 4 2 2 2 2 2 4 2 2 4 4 2 4 2 2 4 4 2 2
90 4 3 5 4 4 5 4 4 4 4 4 3 3 2 2 2 4 4 4 4 4 4 4 4 3 3 3 3 4 4 3 3 4 4 4 4 4 4 4 4
91 4 4 4 4 4 4 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 4 4 3 3 4 4 3 3
92 4 4 4 4 4 4 4 4 3 4 3 3 3 2 3 3 3 3 4 4 3 3 4 4 3 3 3 3 3 3 3 3 3 4 3 4 3 4 3 3
93 4 4 4 4 4 4 2 2 2 4 3 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 5 4 4 4 5 4 3 4 4 4 3 3 4 4
94 4 4 3 3 3 3 3 3 3 3 3 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 3 4 4 3 3 4 4 4
95 5 5 4 4 4 4 4 4 4 4 4 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 4 4 4 4
96 4 4 4 4 4 4 5 4 4 5 4 2 2 3 3 3 4 4 5 5 4 4 5 5 4 4 3 3 4 4 3 4 4 4 4 4 4 4 4 4
97 3 4 4 4 4 3 4 3 3 4 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 4 4 4
98 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 4 4 5 5 4 4 5 5 3 3 4 4 3 3 3 4 3 3 4 3 3 4 4 4
99 5 5 5 5 5 5 4 4 4 4 4 2 2 3 2 2 5 5 5 5 5 5 5 5 5 5 3 3 5 5 3 5 4 4 4 4 4 4 5 5
100 4 4 4 4 4 4 4 3 3 4 3 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 3 3 3 4 3 4 4 4 3 4 4 4
101 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 4 4 5 5 4 4 5 5 4 4 3 4 4 4 3 4 3 4 4 3 3 5 5 5
102 4 4 4 4 4 3 4 4 4 4 4 3 3 3 3 3 4 4 4 4 4 4 4 4 3 3 4 4 3 4 4 3 4 4 4 3 3 4 3 3
103 4 4 4 4 4 4 4 3 3 3 3 2 2 3 2 2 4 4 4 4 4 4 4 4 4 4 3 4 3 4 3 4 3 4 4 3 3 4 4 4
104 4 5 5 5 4 4 4 3 3 4 4 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 3 3 4 4 3 4 3 4 4 4 3 4 4 4
105 4 5 5 4 4 4 4 4 4 4 4 2 2 3 3 3 4 4 4 4 4 4 4 4 4 4 3 3 4 4 3 4 3 4 4 4 3 4 4 4
106 4 4 4 4 4 3 4 3 3 4 3 2 2 2 2 2 4 4 4 4 4 4 4 4 4 3 3 3 4 3 3 4 3 4 4 3 3 4 4 4
107 5 5 4 4 5 4 4 4 4 4 4 2 2 3 3 3 4 4 5 5 4 4 5 5 4 4 4 3 4 4 3 4 3 4 4 3 3 4 4 4
dst….

Latihan 3
Lakukan uji validitas dan reliabilitas untuk data dibawah ini. Buat uraian hasil dari olah data anda.
No td1 td2 td3 td4 fi1 fi2 fi3 fi4 fi5 fi6 he1 he2 he3 he4 co1 co2 co3 cu1 cu2 cu3 pe1 pe2 pe3 pe4 pu1 pu2 pu3 pu4 pi1 pi2 pi3 pi4 p1 p2 p3 p4 p5 p6 p7 b1 b2 b3 z1 z2 z3 z4 z5 z6 z7 z8 z9 z10
1 2 4 4 4 2 4 4 4 4 2 2 4 3 4 2 3 5 2 3 4 2 3 4 3 3 4 4 4 4 4 4 4 4 3 3 3 3 4 4 2 2 2 4 4 3 3 2 2 3 4 2 2
2 2 4 4 4 2 4 4 4 4 3 2 4 3 3 2 2 4 2 3 4 4 4 4 4 2 4 3 4 3 3 3 3 3 4 3 4 3 4 4 2 2 4 4 3 3 3 2 2 2 3 3 3
3 2 2 2 4 2 4 4 3 4 3 3 2 2 5 4 2 5 2 2 3 3 3 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 2 4 2 2 3 3 2 3
4 2 2 2 4 4 4 3 4 3 3 2 5 3 5 3 3 3 1 2 2 3 3 3 3 1 3 2 2 3 3 3 3 4 3 2 3 2 2 3 3 3 3 3 3 2 2 2 1 1 2 3 3
5 2 1 2 3 1 4 5 4 4 3 2 2 2 5 1 3 3 2 1 2 4 3 5 5 2 3 1 1 3 3 4 3 2 2 3 3 3 3 3 2 4 4 2 3 2 2 2 2 4 2 1 2
6 1 2 1 2 1 1 4 2 4 4 2 1 1 5 2 2 5 1 1 1 2 2 5 2 2 5 2 5 1 2 3 3 4 2 4 4 2 4 4 2 2 2 2 2 2 2 2 2 2 4 2 2
7 2 1 2 4 2 3 4 4 4 3 2 2 2 4 2 3 3 1 1 1 2 3 3 4 1 3 1 3 2 3 4 2 2 2 3 3 3 3 3 3 3 3 2 3 2 2 2 2 4 2 1 2
8 4 4 3 4 2 3 4 4 4 2 2 2 2 3 2 2 3 2 2 2 2 2 3 3 3 3 2 3 2 3 3 3 2 3 3 3 2 3 3 3 3 3 4 4 3 2 2 2 2 3 2 2
9 2 3 3 4 4 5 4 4 4 3 3 4 5 3 2 2 4 3 3 3 3 3 4 3 2 3 2 3 3 4 4 3 3 3 2 3 3 3 3 3 4 4 4 4 2 2 2 2 2 2 2 2
10 2 2 1 4 2 2 2 2 4 4 2 2 2 5 2 2 4 2 2 2 4 2 4 3 1 2 1 3 2 4 4 2 2 3 2 4 1 3 4 3 2 3 3 2 2 2 2 2 2 3 3 3
11 2 2 2 4 1 1 4 4 4 2 2 3 2 4 4 4 2 1 1 2 4 4 4 3 2 2 2 3 3 4 2 3 5 4 2 4 2 4 4 3 2 2 4 4 2 4 2 2 2 4 2 2
12 1 2 2 4 4 4 4 4 3 4 2 2 2 4 2 2 2 1 1 1 2 2 2 2 1 2 2 2 2 3 2 2 3 2 3 3 2 3 3 2 3 2 3 3 2 2 2 2 2 3 2 2
13 2 2 2 4 1 4 2 3 3 4 1 2 2 5 2 2 4 1 2 2 3 2 3 2 1 3 1 2 2 3 3 3 3 2 2 3 2 3 3 3 3 3 4 4 3 2 2 1 1 3 3 3
14 2 1 2 4 1 2 3 3 3 3 1 2 2 5 2 2 3 1 1 1 2 1 2 2 1 3 2 2 2 2 3 2 2 2 2 2 1 2 2 2 2 2 2 3 2 2 2 4 2 2 3 2
15 2 1 2 5 2 1 3 3 3 4 2 1 2 5 2 3 5 2 2 1 2 2 3 2 2 2 1 2 2 2 3 2 4 2 2 2 2 3 3 3 3 2 3 3 3 3 2 2 1 3 2 2
16 2 4 4 4 4 4 4 4 4 2 2 4 2 4 2 2 4 1 1 4 2 3 4 4 1 2 2 2 2 3 3 3 3 2 3 3 2 3 4 2 3 3 4 2 4 4 2 2 2 2 2 4
17 2 2 2 4 4 4 4 4 4 2 2 4 2 4 2 2 4 1 1 2 2 2 4 3 1 2 2 2 2 3 3 2 3 2 3 3 2 3 3 2 3 3 4 2 3 2 2 2 3 3 3 3
18 2 3 3 3 2 2 2 3 3 3 2 3 2 4 2 2 4 2 2 4 3 3 3 3 2 3 2 3 2 2 3 3 3 3 3 3 3 3 3 2 3 3 3 3 3 2 2 2 2 3 2 2
19 2 2 2 4 2 3 2 2 3 3 2 2 2 4 2 2 4 2 2 2 3 3 3 3 2 3 1 2 3 3 4 4 2 3 3 3 2 3 3 3 3 3 3 3 3 2 2 2 2 3 2 2
20 2 2 3 3 2 3 2 2 3 3 2 2 2 4 2 2 3 1 1 1 3 2 3 3 2 2 1 2 3 3 3 2 2 3 3 3 1 3 3 3 3 2 2 2 3 2 1 2 1 3 2 1
21 2 2 3 3 2 3 2 2 3 3 2 2 2 5 3 2 4 1 1 1 3 3 3 3 2 2 1 2 3 3 3 2 2 3 3 3 1 3 3 3 3 2 2 2 3 2 1 2 1 3 2 1
22 2 2 4 3 2 3 3 3 4 4 2 2 3 4 2 2 4 3 3 2 3 4 3 3 2 2 3 2 2 3 3 3 3 3 2 3 2 2 3 3 3 2 4 4 3 3 2 3 2 3 3 3
23 2 1 2 4 2 5 2 4 5 2 2 1 1 5 5 2 2 1 1 2 2 2 3 3 1 2 1 1 2 2 3 3 2 5 4 4 2 2 2 1 1 2 4 4 2 2 1 1 2 4 1 3
24 1 2 2 4 1 3 2 2 4 4 1 1 2 4 2 2 2 1 1 2 1 1 4 4 1 2 2 2 2 2 4 4 2 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 1 2
25 2 2 3 3 2 3 2 2 3 3 2 2 2 4 2 2 3 1 1 1 3 2 3 3 2 2 1 2 3 3 3 2 2 3 3 3 3 3 3 3 3 2 2 3 3 2 2 2 2 3 2 2
26 1 2 3 4 2 3 3 2 4 3 2 2 2 4 2 2 4 3 2 2 3 3 3 3 2 2 3 2 2 3 3 3 3 3 2 3 2 2 3 3 3 2 4 4 3 2 2 2 2 3 2 2
27 2 2 2 4 3 3 2 2 2 4 2 3 2 3 1 1 5 1 1 2 1 1 3 2 2 2 1 2 2 3 2 1 3 3 2 2 3 2 1 2 2 1 2 2 2 1 1 1 2 3 3 2
28 2 1 2 3 1 3 4 4 3 3 1 1 2 4 3 3 3 1 1 2 3 2 3 3 2 3 1 3 2 3 4 3 2 3 3 3 1 3 3 3 3 2 2 2 2 1 1 1 2 4 2 2
29 2 4 4 4 2 2 2 3 3 2 3 2 4 2 2 2 4 2 2 3 4 3 5 4 2 3 2 4 2 2 4 4 2 3 2 4 3 4 4 2 2 2 2 3 3 3 3 1 1 1 2 2
30 3 4 4 4 4 4 4 4 3 3 2 2 2 4 3 3 4 2 2 2 2 2 3 3 3 2 2 3 2 2 4 3 2 2 2 3 3 3 3 2 2 3 4 4 3 3 2 2 2 3 2 2
31 2 2 2 3 3 4 2 2 3 3 2 2 2 4 2 2 4 2 2 2 3 3 4 4 2 2 2 3 2 2 4 3 3 3 3 3 2 2 2 2 2 2 2 3 3 3 2 2 3 3 3 3
32 2 2 3 3 2 3 2 2 4 4 2 2 2 4 2 2 4 2 2 3 4 3 4 3 2 3 2 3 3 3 3 3 2 3 2 3 3 3 3 2 2 2 2 3 2 2 2 2 2 4 2 3
33 2 2 2 4 2 4 3 2 4 3 2 2 2 3 2 2 3 2 2 3 2 2 3 2 2 2 2 3 3 3 3 2 3 3 2 3 2 2 3 2 3 3 2 3 3 3 1 1 1 5 2 2
34 2 2 2 2 2 2 4 4 4 2 2 4 2 5 2 2 3 2 2 3 4 3 5 4 2 3 3 3 1 2 4 3 3 3 3 3 2 3 3 2 2 2 2 3 3 3 1 1 1 5 2 2
35 2 2 2 4 2 3 3 2 4 3 2 2 3 3 2 2 3 2 2 3 4 3 5 4 2 3 2 3 3 3 3 2 3 3 3 3 3 3 3 2 2 2 2 3 3 3 1 1 1 5 2 2

36 2 2 2 3 2 3 2 2 2 4 2 3 3 4 2 2 4 2 2 2 2 2 3 2 2 3 2 3 3 3 3 2 4 3 3 3 2 3 4 3 3 2 3 3 2 2 2 2 2 3 2 2
37 1 2 2 3 2 2 3 3 2 4 2 2 2 4 2 2 4 2 2 2 2 2 3 3 2 3 2 2 2 3 4 3 4 3 2 2 1 3 3 2 2 2 4 4 4 2 2 2 2 4 2 2
38 2 2 1 2 2 2 4 2 2 2 2 2 2 4 2 2 4 2 2 4 2 2 4 4 2 2 2 2 3 3 4 2 2 4 2 4 2 2 2 2 2 2 4 4 4 4 2 2 2 4 4 2
39 1 1 1 2 1 1 1 1 1 4 1 1 1 5 2 2 4 1 1 1 1 1 3 1 1 1 1 2 2 4 4 2 4 1 1 1 1 1 2 1 2 2 4 4 4 2 2 2 2 4 2 4
40 2 2 2 2 2 2 2 2 3 4 2 2 2 4 2 2 3 2 2 3 2 2 3 2 2 3 2 2 3 3 3 3 2 3 2 3 2 3 3 2 2 2 2 2 2 2 2 2 2 2 2 2
41 1 2 2 3 2 2 3 4 4 4 2 3 2 4 2 2 4 1 1 1 3 2 3 2 2 3 1 3 2 3 3 3 3 2 2 2 2 3 3 2 3 3 3 2 2 2 2 2 2 3 2 2
42 1 2 2 3 2 2 3 4 4 4 2 3 2 4 2 2 4 1 1 1 3 2 3 2 2 3 1 3 2 3 3 3 3 2 2 2 2 3 3 2 3 3 3 2 2 2 2 2 2 4 2 2
43 2 2 2 3 2 2 3 4 4 3 2 3 2 4 2 2 4 2 2 2 3 2 4 3 2 4 4 4 3 3 4 4 2 3 2 4 2 3 3 2 2 2 2 2 2 2 2 2 3 4 2 2
44 2 4 4 4 4 4 2 2 4 4 1 1 1 5 2 2 4 2 2 2 3 2 3 2 2 2 2 2 2 2 3 2 3 3 2 3 2 2 2 2 2 2 4 4 4 4 2 2 2 2 2 2
45 1 1 1 1 1 1 2 4 3 3 1 1 1 5 2 2 5 1 1 1 1 1 1 1 1 3 1 3 1 3 3 3 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1
46 1 4 2 4 3 4 3 3 4 3 3 3 4 3 3 3 3 2 2 3 3 3 3 3 3 3 3 3 3 3 4 5 4 4 3 4 3 4 3 2 2 1 4 4 4 2 2 2 2 2 1 1
47 4 2 2 3 2 3 4 4 3 3 2 2 2 4 2 1 5 1 2 2 4 3 4 3 2 3 1 3 3 3 4 3 2 3 2 3 2 4 4 4 4 4 4 4 2 3 1 1 2 4 3 4
48 2 1 2 2 2 2 4 4 2 2 2 2 2 4 4 4 4 2 1 2 1 1 4 2 1 1 1 1 1 4 3 1 4 2 2 1 1 2 2 1 1 1 1 2 2 2 1 1 2 2 1 2
49 2 2 4 4 2 2 2 2 2 4 2 2 2 4 2 2 4 2 2 2 2 2 2 2 1 2 1 2 2 4 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 2 2
50 1 2 2 2 1 2 3 3 4 3 2 2 1 4 2 2 4 1 2 2 3 2 4 3 2 3 2 4 3 3 4 4 2 4 1 3 3 4 3 1 2 2 3 3 2 2 2 2 2 3 1 2
51 1 2 1 4 2 4 4 2 4 2 2 2 2 4 2 1 5 1 2 2 2 2 4 3 2 2 2 2 2 4 4 3 2 3 3 3 2 3 3 3 3 3 4 4 4 2 2 2 2 4 2 2
52 2 2 3 2 2 3 2 2 3 4 2 3 2 4 3 4 4 2 2 3 2 2 3 2 2 2 2 2 2 2 3 2 2 2 3 4 2 2 3 2 3 3 4 3 3 2 2 2 2 4 2 3
53 1 1 1 1 1 1 1 4 5 2 1 1 1 4 1 1 4 1 1 1 2 2 4 2 1 2 2 2 2 2 4 3 4 2 2 3 2 2 2 2 3 2 4 4 3 2 1 1 3 4 3 2
54 2 2 2 4 2 4 2 2 2 4 2 2 2 4 3 2 4 2 2 2 2 2 3 2 2 4 2 2 2 3 2 2 2 2 2 3 2 3 4 2 2 2 2 2 2 2 4 4 2 2 4 2
55 2 2 2 3 3 4 2 2 2 4 2 3 2 4 2 2 4 2 2 4 2 2 3 2 2 3 2 3 2 2 3 2 2 3 2 3 2 3 3 2 2 2 2 2 2 2 4 4 2 2 4 2
56 2 2 2 2 2 3 4 4 4 4 2 2 2 4 2 2 4 2 2 4 2 2 4 3 2 3 2 2 4 2 4 4 3 3 2 2 2 3 4 3 3 3 4 4 2 2 2 2 2 4 2 2
57 1 2 2 2 2 3 4 4 3 3 1 1 1 4 3 2 3 1 1 1 2 2 3 3 1 3 1 3 2 3 4 3 3 3 3 4 2 3 4 2 3 2 4 4 2 2 2 2 2 4 2 2
58 1 3 2 4 2 3 3 2 3 4 2 3 2 4 2 2 4 2 2 3 3 3 4 3 2 3 2 3 2 4 3 3 3 4 2 3 3 3 3 3 3 3 3 4 2 3 2 2 3 4 3 3
59 1 2 2 2 1 1 2 2 2 3 1 1 1 4 2 2 4 1 1 2 2 2 3 4 2 2 2 2 1 2 3 2 2 2 2 2 2 2 2 2 2 2 2 3 3 2 2 2 2 2 3 3
60 1 1 1 1 1 1 1 1 1 4 1 1 1 4 4 4 2 1 1 4 2 2 2 2 2 2 2 4 2 4 2 2 4 4 2 2 2 4 4 2 2 2 4 4 4 2 2 2 2 4 2 2
61 2 4 2 4 1 4 4 3 4 2 2 3 2 5 2 1 4 1 2 2 3 2 3 4 4 3 2 3 3 3 3 3 4 3 2 3 2 3 2 2 2 2 3 3 2 2 2 2 2 3 2 2
62 2 2 4 4 2 2 2 2 3 3 2 2 3 4 2 2 3 2 2 2 2 2 3 2 3 3 3 3 2 2 3 3 4 2 2 3 2 3 3 2 2 2 4 4 2 2 2 2 2 4 2 2
63 2 2 2 4 2 4 2 4 2 4 1 2 2 5 2 2 5 2 2 2 2 2 3 2 2 3 2 2 2 3 3 3 2 3 2 3 2 3 3 2 3 2 3 3 2 2 2 2 2 2 2 1
64 2 4 2 4 2 2 4 4 3 3 2 2 2 4 2 2 4 1 1 2 2 2 3 3 2 2 2 2 2 3 3 3 2 3 2 3 2 3 2 3 2 2 2 2 2 2 2 2 2 3 2 2
65 1 2 2 3 2 2 3 3 3 3 2 2 3 3 2 2 3 2 1 1 2 3 3 3 3 3 2 3 3 4 3 4 2 4 3 3 2 3 4 2 3 3 3 3 2 3 2 2 4 4 3 3
66 2 2 2 2 2 2 2 3 3 5 2 3 2 5 3 3 5 1 1 2 3 3 3 3 3 2 2 2 2 3 3 3 4 4 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 3 3
67 1 1 1 1 1 1 1 1 2 5 1 2 2 5 1 1 5 2 2 2 2 2 3 3 3 3 2 3 2 3 3 3 1 1 2 3 1 2 2 1 3 1 3 3 2 2 2 2 3 4 2 2
68 2 2 2 2 2 4 4 4 4 2 2 2 3 4 1 1 4 2 2 2 2 2 1 3 4 4 2 3 2 3 4 4 2 3 3 4 3 4 3 3 3 3 3 3 3 2 2 2 2 3 3 4
69 1 4 4 4 2 4 2 4 4 4 2 2 2 5 2 2 4 1 2 2 4 3 5 4 2 3 3 4 2 2 4 4 2 2 3 3 2 4 2 3 3 3 4 4 2 2 1 1 2 4 2 1
70 2 2 2 4 2 3 4 3 3 4 1 2 2 5 2 2 5 1 2 2 2 2 4 4 3 4 3 3 3 3 4 3 2 3 2 3 2 4 4 2 4 2 3 3 3 3 2 2 3 3 3 3
71 2 2 2 3 2 3 2 3 4 3 2 3 2 4 2 2 4 2 2 3 2 2 4 3 3 4 2 3 3 2 3 3 3 3 2 3 2 3 3 3 3 3 4 4 3 3 3 2 2 4 3 2
72 2 2 2 2 2 3 3 3 4 3 2 3 2 4 3 3 4 2 2 2 2 2 3 2 2 3 3 3 3 2 3 3 4 2 2 2 3 3 2 3 3 2 2 2 2 2 2 2 2 3 2 2
73 2 2 2 4 2 4 2 4 4 2 1 2 2 4 1 2 4 2 2 2 4 4 4 4 2 4 2 4 4 4 4 4 2 3 2 4 2 4 4 2 2 2 2 2 2 1 1 1 2 3 2 1

74 2 2 2 4 2 3 3 3 4 3 2 2 2 4 2 2 4 2 2 2 3 2 3 3 2 3 2 3 3 3 3 3 2 3 2 3 2 3 4 3 3 3 4 4 2 2 2 2 2 3 2 3
75 2 2 3 4 3 4 4 3 4 3 3 3 2 4 2 2 4 2 2 3 2 2 2 2 3 4 2 3 3 3 3 3 3 3 2 3 3 3 3 2 3 3 2 3 2 2 2 2 3 4 4 4
76 1 2 2 4 2 4 4 4 3 2 2 3 2 4 2 2 4 2 2 2 2 2 3 3 2 3 2 4 3 4 4 4 4 4 2 4 2 4 4 2 2 2 2 2 2 2 1 1 2 3 2 2
77 2 2 2 2 2 2 2 2 4 4 2 2 2 4 2 2 4 2 2 2 4 2 4 2 2 4 2 4 2 4 4 4 4 3 2 3 2 2 3 2 2 2 4 4 3 2 2 2 4 2 2 2
78 2 4 4 4 2 2 4 4 3 3 2 2 2 4 2 2 4 2 2 2 3 3 3 3 2 3 2 2 2 3 2 3 2 3 3 3 2 2 3 2 2 2 2 2 2 3 2 2 2 3 2 3
79 1 2 2 3 2 2 4 2 4 4 4 2 2 4 1 2 4 1 1 1 3 3 5 5 1 2 1 1 1 4 4 4 4 4 4 4 3 4 4 2 3 3 3 3 3 3 3 3 3 3 3 3
80 2 2 2 2 2 3 2 3 4 3 2 2 2 4 2 2 4 2 2 2 2 2 3 2 3 4 2 3 3 2 3 3 3 2 2 2 2 3 3 3 3 3 4 2 2 2 2 2 2 3 2 2
81 2 2 2 3 2 3 3 3 3 3 2 2 3 4 2 2 4 3 3 3 3 4 5 4 4 4 3 3 4 4 4 4 2 4 4 4 2 4 4 3 3 3 4 4 4 3 3 3 3 3 2 2
82 2 1 2 3 2 3 4 3 3 2 2 3 2 4 2 3 2 1 2 3 3 3 4 3 2 4 3 4 3 4 3 4 3 2 4 3 3 3 4 4 5 3 3 4 2 4 3 4 1 3 4 2
83 1 2 2 4 2 4 3 2 3 3 2 2 3 5 2 2 4 1 2 3 4 3 4 3 2 3 2 2 3 3 4 4 4 4 2 3 2 3 4 2 3 3 2 4 4 2 3 3 3 2 3 2
84 1 3 2 2 2 2 2 2 3 4 2 3 2 4 2 3 3 2 1 2 2 3 4 3 2 3 3 3 2 3 4 3 2 3 3 4 3 3 4 1 1 1 2 3 2 2 2 2 2 3 3 2
85 1 3 4 4 2 3 2 3 3 3 2 2 2 3 2 2 4 1 1 1 2 2 3 2 2 4 2 3 3 3 3 3 2 3 3 3 2 3 3 2 2 2 2 4 2 2 2 2 2 2 2 2
86 1 1 2 3 1 2 3 3 3 3 1 2 2 4 2 2 4 1 1 2 3 2 4 3 3 3 3 3 3 3 3 3 2 2 3 3 2 3 3 1 2 2 3 3 2 2 2 2 2 3 3 3
87 1 4 4 4 3 3 4 3 4 3 3 3 3 3 2 2 3 2 2 2 3 3 3 3 2 3 3 3 2 3 4 3 2 2 2 3 3 2 2 2 3 1 3 3 2 2 2 2 2 3 2 2
88 2 4 4 4 4 4 3 3 2 3 2 3 3 4 2 2 4 2 2 2 3 3 3 3 2 3 2 2 3 3 4 4 2 3 2 4 2 4 4 3 3 2 4 4 2 2 2 2 2 3 3 3
89 2 5 4 5 3 4 3 3 2 3 2 3 3 3 2 2 4 2 2 3 3 3 4 3 2 3 2 3 2 3 4 3 2 4 3 3 3 4 3 2 4 3 2 2 2 2 1 1 2 2 1 2
90 1 2 2 3 1 1 1 1 2 4 1 2 2 4 2 2 4 2 2 2 2 2 3 3 3 3 2 3 2 3 3 3 2 2 2 2 2 3 3 2 3 2 3 4 2 2 2 2 2 4 2 2
91 1 2 1 1 2 3 1 1 4 4 1 1 2 5 3 2 4 1 1 1 2 3 3 2 3 3 3 2 3 4 4 4 2 2 3 3 2 3 4 4 4 4 4 4 2 2 1 1 1 5 2 2
92 2 2 1 2 2 2 3 3 4 2 1 2 3 3 2 2 4 2 2 2 3 2 4 3 4 4 3 3 2 2 3 3 2 3 2 3 2 3 2 3 4 3 2 2 2 2 1 1 2 3 1 1
93 2 3 2 3 1 3 2 2 3 3 1 3 2 4 1 1 5 2 2 2 2 2 3 2 2 2 1 2 3 3 3 4 2 3 2 3 3 3 3 3 3 3 2 2 2 2 2 2 3 3 3 2
94 2 3 3 3 2 3 2 3 4 3 2 3 3 3 2 2 4 2 2 3 4 4 4 4 3 4 3 4 3 3 4 4 2 4 4 4 3 4 4 3 4 3 2 2 2 2 2 2 3 3 4 2
95 2 2 2 4 2 2 4 2 2 4 2 2 2 5 2 2 4 1 1 1 2 2 2 2 1 2 2 2 2 2 4 4 2 2 2 2 2 2 2 2 2 2 4 4 4 2 2 2 4 2 2 2
96 1 2 2 3 2 2 2 2 3 2 2 2 2 3 2 2 4 2 2 2 3 2 4 3 3 3 3 3 3 3 3 3 3 3 3 4 2 3 3 2 2 2 3 3 3 3 2 2 2 3 2 2
97 1 2 2 3 1 2 3 4 4 3 2 2 2 4 2 2 4 2 2 2 2 2 3 2 2 3 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 4 4 2 3 3 2 2 2 2 3
98 2 2 1 1 1 1 3 3 3 2 2 2 1 4 3 2 4 2 1 1 3 3 3 2 2 3 2 3 1 3 3 3 2 2 3 3 2 3 3 2 3 3 3 3 2 3 2 2 3 3 3 2
99 1 1 1 1 1 3 2 2 1 4 1 1 1 5 2 2 4 2 2 2 1 1 1 1 2 3 2 2 1 5 1 1 2 2 1 2 1 2 2 1 2 1 1 1 1 1 2 2 3 3 4 3
100 2 2 2 3 2 3 3 3 4 3 2 3 2 4 2 2 4 2 2 3 3 3 4 3 3 3 3 3 3 4 4 4 4 3 3 3 2 3 3 2 2 2 4 4 4 3 2 2 2 3 2 3
101 1 3 3 3 2 2 3 3 3 3 2 2 2 3 3 3 4 2 2 2 3 3 3 3 2 3 2 3 3 3 3 2 2 2 2 3 3 3 3 3 2 2 3 3 3 2 2 2 2 3 2 2
102 2 4 3 4 3 3 4 4 4 3 2 2 3 3 2 2 4 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 3 3 3 3 3 3 2 2 2 2 3 3 2
103 2 3 3 4 2 3 3 3 3 3 2 3 3 4 2 2 4 2 2 2 3 3 4 3 2 2 2 3 2 3 3 4 2 3 3 3 2 3 3 2 3 3 4 4 4 2 2 2 2 3 2 2
104 1 2 2 3 2 3 3 3 4 3 2 2 3 1 3 2 4 2 1 2 3 3 4 4 3 3 2 2 1 2 3 4 3 3 2 2 2 2 2 4 3 3 3 3 3 2 2 2 2 2 2 2
105 2 3 2 3 2 3 3 3 4 3 2 2 3 1 1 1 4 1 1 2 3 3 4 4 3 3 3 3 1 2 3 4 4 4 3 3 3 3 3 4 3 3 3 3 3 2 2 2 2 2 2 2
106 2 3 3 4 3 2 3 2 2 4 2 2 2 4 2 2 4 2 2 2 3 3 3 3 3 3 2 2 2 2 3 3 3 3 3 3 2 3 3 1 2 2 3 3 2 2 3 3 3 3 3 2
107 2 3 2 3 3 2 2 3 3 3 2 2 2 5 2 2 5 2 2 3 3 3 3 2 2 2 2 2 1 2 3 3 3 3 3 3 2 3 3 1 2 2 3 3 2 2 1 1 2 3 3 1
108 1 2 3 4 1 2 4 2 4 3 1 1 1 4 2 2 3 1 1 1 3 2 3 2 2 2 3 4 2 3 4 2 1 2 3 1 1 1 2 1 3 2 4 4 4 3 1 1 3 2 1 1
109 2 2 1 2 2 2 3 3 2 3 2 3 2 4 2 2 3 2 3 3 2 3 3 3 2 3 3 3 3 3 4 4 3 3 3 3 2 3 3 3 3 4 3 4 4 4 3 3 3 3 3 3
110 2 3 4 4 2 3 4 4 3 2 2 3 3 4 2 2 4 2 2 3 3 3 4 3 2 3 2 3 3 3 4 4 2 4 3 4 2 3 4 2 3 2 4 4 4 3 2 2 2 3 2 3
111 1 1 1 2 1 2 2 2 3 3 1 1 1 5 1 1 5 2 1 1 1 1 3 2 3 3 3 2 2 2 3 3 1 1 1 3 2 3 2 1 1 1 1 2 2 2 2 2 2 2 2 2
112 2 2 2 4 2 2 4 2 3 4 2 3 2 4 2 2 4 2 3 4 2 2 2 2 3 3 3 3 3 3 3 3 4 4 2 3 3 3 3 2 2 2 3 3 2 2 2 2 3 3 2 2
113 2 2 4 4 3 4 3 2 3 3 2 2 2 4 2 2 4 2 2 3 2 3 3 3 3 4 3 4 2 2 3 4 3 3 2 4 2 3 4 3 3 3 4 4 3 3 2 2 2 4 3 2

114 3 2 4 3 2 3 2 2 4 4 2 2 2 4 2 2 4 2 2 4 2 3 2 2 2 3 2 2 2 2 3 2 2 2 2 3 2 3 3 3 2 2 4 2 2 2 2 2 2 2 2 2
115 2 2 2 2 2 4 2 2 4 4 2 2 2 4 2 2 4 2 2 2 2 3 2 2 2 3 2 2 2 2 3 2 2 2 2 3 2 3 3 3 2 2 4 2 2 2 2 2 2 2 2 2
116 1 2 4 4 1 3 4 4 5 4 2 3 3 4 2 1 5 1 1 1 3 3 4 4 2 4 2 3 3 4 5 4 2 3 1 3 2 3 3 3 3 3 3 2 2 2 2 1 2 4 2 4
117 2 2 3 3 1 2 2 2 3 3 1 2 1 5 2 2 5 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 3 2 3 2 2 2 1 2 2 2 2 1 1 2 3 2 2
118 2 2 2 4 2 4 4 4 4 4 2 4 2 4 2 2 4 2 1 2 2 2 3 3 3 4 2 2 2 3 4 2 2 3 2 3 3 2 2 2 3 1 1 2 2 2 1 1 2 2 2 2
119 1 4 4 4 2 4 4 4 2 4 2 2 2 4 2 2 4 2 2 2 2 2 4 4 2 3 2 3 2 2 3 3 3 3 3 3 3 3 3 2 3 2 2 2 2 3 2 2 3 3 3 3
120 2 2 4 5 2 4 3 3 4 3 2 2 2 3 2 2 4 2 2 2 2 2 3 3 2 3 2 3 3 3 3 3 2 3 2 3 3 3 3 1 2 2 4 4 4 2 2 2 2 4 2 2
121 1 3 3 3 4 2 3 3 4 4 2 2 2 3 2 2 4 2 2 2 3 3 4 3 2 2 2 4 1 4 3 3 4 4 2 4 1 2 2 2 3 3 4 4 2 2 2 2 2 4 3 3
122 1 3 4 4 2 3 4 4 4 4 2 2 2 5 2 2 4 2 2 2 3 3 4 3 2 2 2 4 1 4 3 3 4 4 2 4 2 3 3 2 3 3 4 4 2 2 2 2 2 4 3 3
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)

Bab 3 Uji Data
Uji data pada prinsipnya bertujuan untuk memastikan bahwa berbagai metode analisis
bisa digunakan pada data tertentu sehingga hasil dari analisis data dapat diinterprestasikan
dengan tepat. Pengabaian Uji Data bisa berakibat biasnya kesimpulan yang diambil atau
bahkan metode analisis tertentu tidak dapat diproses. Misalnya apabila data ternyata memiliki
banyak mising value (data yang hilang atau tidak ada isinya). Jika data tersebut dipaksa untuk
diproses, output yang dihasilkan bisa sangat berbeda jika data tidak ada yang hilang
(missing). Pada jenis data tertentu yang banyak mengandung missing value, proses analsisi
data bahkan tidak bisa dilakukan
Kendala yang dihadapi pada saat melakukan Uji Data adalah banyaknya waktu dan
tenaga yang terbuang untuk melakukan proses Uji Data, yang dianggap sebagai pemborosan.
Sementara disisi yang lain, jika data ternyata tidak layak untuk diproses maka akan
menghasilkan interprestasi yang meragukan. Uji Data lebih banyak dilakukan dalam Analisis
Multivariate. Uji data bisa dilakukan dengan empat cara (Santosa 2002)
- Pengujian dengan menggunakan Grafik, seperti untuk menguji bentuk kenormalan
distribusi data, menguji sebaran dua variabel untuk korelasi dan sebagainya
- Pengujian adanya Missing Data, yakni menguji aakah data yang tidak lengkap atau ada
data yang hilang akan mempengaruhi data secara keseluruhan
- Pengujian adanya Outlier (data yang sangat ekstrim), yang mungkin keberadaan data
outlier akan menggangu keseluruhan data
- Pengujian terhadap beberapa asumsi seperti Uji Normalitas Data, Uji Linieritas dan
sebagainya.
1. Analysis Missing Value dan Perlakuannya

Missing data atau missing value adalah informasi yang tidak tersedia untuk sebuah
subyek. Dalam SPSS, missing data adalah adanya sel-sel yang kosong pada satu atau
beberapa variabel. Bisa terjadi karena informasi tersebut tidak tersedia atau terjadi karena
kesalahan pada saat entri data. Missing data pada dasarnya tidak bermasala bagi
keseluruhan data apabila jumlahnya sedikit, namun lain halnya kalau jumlahnya cukup
besar. Jika terjadi kasus tersebut, maka sebaiknya dilakukan pengujian apakah data yang
mengandung banyak missing tersebut masih layak diproses lebih lanjut ataukah tidak.

Contoh
Berikut ini ada data mengenai identitas responden
Jenis
Nama Umur Pendidikan
Kelamin
Canang Kori A 1 19 2
Dentino 1 21 2
Dewi Amalia R 2 21 2
Dwi Retnosari 2 21 2
Fahnida Nadya H 2 2
Fransiska Ilmi P 2 21 2
Novia Tri Kusumawati 2 21 1
Ika Novita Sari 2 22 2
Irwan Trinugroho 1 22 2
Lidda Priska 17 2
Nurul Istikomah 2 21 2
Tika Rumiatun 2 21
Adi Susetyo 1 18 3
Agus Kurniawan 1 18 3
Ahmad Arifudin 1 18 2
Anggia Theodora 2
Dian Widyaningrum 2 21 2
Ardanto JW 1 22 1
Ari Yulianto 1 22 1
Arko Mulawan 1 19 1
Desi K urniasari * 19 1
Dina Fitri Astuti 2 19 2
Endah Kurniasari 2 19 2
Fauzi Mukminanto 1 19 2
Hartoto Heru P 1 1
Hasan 1 21 1
Hendri Prabowo 1 21 1
Herdi Firman 1 21 1
Ian Sarjito 1
Intan Septima N 2 21 1
Keterangan: Jenis Kelamin (1 pria, 2 wanita), Pendidikan (1 S1, 2 D3, 3 Non Reguler)
Dari kasus tersebut, akan dilihat

a. Apakah missing value yang terjadi bersifat acak atau tidak?
b. Terkait dengan permasalahan pertama, bagaimanakah seharusnya perlakuan
terhadap data yang mengandung missing value tersebut
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

2. Uji Outlier
Data outlier adalah data yang secara nyata berbeda dengan data-data yang lain. Sebagai
contoh, dari 100 berat badan mahasiswa fakultas ekonomi ternyata ada data dengan
berat badan 115 kg. data tersebut jelas bersifat ekstrim dibanding rata rata berat badan
mahasiswa fakultas ekonomi misalnya 65 kg. data 115 kg inilah yang disebut dengan data
outlier. Data outlier terjadi karena beberapa sebab
a. Kesalahan dalam pemasukan data.
b. Kesalahan pada pengambilan sampel.
c. Memang ada data-data ekstrim yang tidak bisa dihindarkan keberadaannya. Terkait
dengan contoh diatas memang ada mahasiswa yang benar benar memiliki berat
badan 115 kg
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

27 LISA INDRIASTUTI 77 80 65
28 M. HAFID FAHRUDIN 87 90 75
29 MARIANA PUSPARINI 75 75 55
30 MUHAMMAD SIGIT
PURWANSYAH 88 90 72
31 NENNY PRIMASARI 75 75 54
32 PUJI ASTUTI 77 80 60
33 RETNO WIDIANINGSIH 75 75 55
34 RIANA FEBRIANTI 72 75 47
35 SARWOTO 95 95 95
36 SEPNIKA ENGGAR WATI 72 75 47
37 SISMIYANTO 90 95 85
38 SITI NUR UTAMI 60 75 30
39 SRI RAHAYU 71 70 45
40 SUCI ASTUTI 77 80 60
Dari data tersebut lakukan pengujian outlier
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 Analyze klik Descriptive Statistics klik Descriptives…

masukan aplikom 1, manajemen dan statistik ke variable(s)

pilih save standardized value as variables
lalu klik OK
output yang muncul dilayar adalah

Descriptive Statistics
N Minimum Maximum Mean Std. Deviation

APLIKOM1 40 60.00 95.00 75.7250 10.60718
MANAJEME 40 65.00 95.00 79.7500 8.69350
STATISTI 40 .00 95.00 54.8500 22.32229
Valid N (lis twise) 40
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

Abnormal Return Umur Std Deviasi Jenis Perusahaan
0.18 5 0.03135 0
0.051 9 0.17571 0
1.246 7 0.04024 1
0.356 10 0.02975 0
0.006 8 0.11593 1
0.035 18 0.02628 0
1.194 10 0.04346 0
0.963 11 0.03989 0
1.658 10 0.10055 1
0.806 10 0.07428 0
0.194 27 0.0155 0
0.512 27 0.03579 0
1.044 4 0.01345 0
2.018 10 0.23183 0
0.154 31 0.0077 1
0.974 8 0.2892 0
0.198 11 0.12158 1
-0.075 45 0.56379 1
0.678 11 0.03985 0
0.334 9 0.04599 0
0.168 44 0.00254 1
0.037 7 0.03808 0
1.031 6 0.03407 1
0.116 31 0.01396 1
-0.04 13 0.05113 0
0.565 24 0.0321 0
0.199 5 0.00413 0
0.929 9 0.18085 0
0.603 5 0.03499 0
0.025 29 0.01572 1
1.649 9 0.20754 0
0.219 10 0.02049 0
-0.091 5 0.00008 0
0.063 20 0.02235 0
-0.176 10 0.02184 0
0.122 2 0.0002 1
-0.059 11 0.02794 0
1.773 8 0.06263 0
0.049 32 0.01155 0
0.254 11 0.01924 1
0.347 9 0.00574 1
0.158 8 0.05978 0
1.241 11 0.01677 0
0.726 13 0.06854 0
0.146 6 0.05189 0
1.616 6 0.07577 0
1.962 4 0.23264 0
-0.014 7 0.11912 0
0.3 6 0.00029 0

0.967 25 0.13879 0
Jenis Perusahaan: 1 Perusahaan Keuangan, 0 Perusahaan non keuangan
Langkah pengerjaan
Uji normalitas bisa dilaukan dengna grafik dan melihat besaran Kolmogorov Smirnov.
Adapun langkahnya sebagai berikut:
Klik menu Analyze klik Descriptive Statistics, lalu pilih Explore
sehingga akan nampak dilayar

masukkan variabel aplikom1, manajeme dan statisti pada kolom Dependent Lisk
Pada bagian bawah klik Plots…. hingga tampak di layar
pilih normality plots with test

lalu non aktifkan pilihan Stem-and-leaf pada kolom descriptive
lalu pilih none pada kolom boxplots
abaikan semua bagian lain dan tekan tombol continue untuk kembali ke manu utam
explore lalu klik OK
output Uji Normalitas

Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
UMUR .311 50 .000 .777 50 .000
ABNRETUR .205 50 .000 .870 50 .000
a. Lilliefors Significance Correction
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
Penanganan Data Tidak Normal

Jika sebuah variabel mempunyai sebaran data yang tidak normal perlakuan yang dimungkinkan agar data
menjadi normal adalah
- Menambah jumlah data. Seperti kasus tersebut bisa dicari lagi data sekitar 20 atau 30
data baru untuk menambah ke 50 data. Kemudian dengan jumlah data yang baru
dilakukan pengujian sekali lagi
- Menghilangkan data yang dianggap penyebab tidak normalnya data. Pengurangan
data perlu dipertimbangkan karena bisa mengaburkan tujuan penelitian karena
hilangnya data yang seharusnya ada
- Melakukan tranformasi data, misal mengubah data ke logaritma atau kebentu natural
(LN) atau bentuk yang lain, kemudian lakukan pengujian ulang
- Data diterima apa adanya, memang dianggap tidak normal dan tidak perlu dilakukan
treatment tertentu. Untuk itu analisis yang dipilih harus diperhatikan. Bisa dilakukan
analisis non parametrik
-
Contoh
Dari data abnormal return diatas lakukan treatment untuk menormalkan data
Langkah Pengerjaan
Treatment yang dipilih adalah melakukan tranformasi Logaritma terhadap data yang ada.
Pilih menu Tranform lalu klik Compute

isi target variable dengan nama lgabnr

lalu ketikkan Numeric Expression rumus lg10(abnretur)
lalu klik OK
anda akan menjumpai tampilan

lgabnor merupakan hasil transformasi data dari variabel abnormal return perusahaan.
Nilai -.74 merupakan hasil dari log .18
lakukan pengujian ulang normalitas
klik analyze lalu klik Explore
masukkan variabel lgabnor dan umur kedalam kolom dependent list lalu klik OK

anda akan menjumpat tampilan output sebagai berikut
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
Dengan menggunakan data uji normalitas, lakukan uji homoskedastisitas
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…

non aktifkan Stem-and-leaf
kemudian pilih power estimation
klik continue lalu klik OK, anda akan mendapatkan output sebagai berikut
Test of Homogeneity of Variance
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

Bab 4 Analisis Regresi
Analisis regresi telah lama dikembangkan untuk mempelajari pola dan mengukur
hubungan statistik antara dua atau lebih variabel. Teknik analisis yang mencoba menjelaskan
bentuk hubungan antara dua variabel atau lebih khususnya hubungan atara variabel-variabel
yang mengandung sebab akibat disebut analisis regresi. Prosedur ini didasarkan atas
distribusi bersama variabel-variabelnya. Dalam riset keperilakuan, analisis regresi lebih
ditujukan untuk memprediksi hubungan antar variabel sementara dalam riset keuangan,
analisis regresi ditujukan untuk melakukan estimasi. Perbedaan cara analisis ini sangat
tergantung pada rumusan masalah yang akan dijawab dalam penelitian. Analisis regresi yang
paling sering digunakan adalah analisis regresi linear sederhana dan regresi berganda
dengan menggunakan teknik ordinary least square (OLS)
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

18 4.6 4.33 3 2.33 2
19 3.2 2 2 1.67 1.5
20 3.1 2.33 4 2 3
21 4 4.33 3 4 1.5
22 4.3 4.33 4 4.67 2
23 1.8 1.67 4.67 3 3
24 1.7 3 5 4 1.5
25 4.7 4.33 3.33 4.67 2
26 4.1 4.33 3.67 4 3.5
27 4.3 4.33 4.33 4.67 2
28 1.8 1.67 4.33 3 1.5
29 1.6 3 3 4 1.5
30 4.6 4.33 3.33 4.67 3.5
31 1.8 4.33 1.67 2.33 2
32 2.5 4 3 4.67 2
33 4.3 5 2.67 2.67 3
34 1.6 4.33 2 4 2
35 2.7 4.33 2 3 2
36 3.7 4.67 2.33 2 2
37 2.8 5 2 4.67 1.5
38 3.5 3.67 1.33 3.67 3.5
39 3 3.33 1.33 4 3.5
40 3.7 4.67 1.33 3 3.5
41 2 4 1 1 2
42 1 4.33 1.67 3 1.5
43 2.9 4.33 1.33 3.67 1.5
44 2.6 1 2.33 2.67 2.5
45 2.7 1 1 3.67 2
46 2.2 4 1 1 2
47 1.1 4.33 1 3 2
48 2.9 4.33 1 3.67 3.5
49 2.6 1 1.33 2.67 3.5
50 2.7 1 1.33 3.67 2
Diminta, lakukan analisis regresi untuk menguji pengaruh gaji, insentif, fasilitas dan tunjangan
kerja terhadap prestasi kerja karyawan.
Langkah Pengerjaan
Entrikan data penelitian kedalam SPSS

klik Analyze lalu klik Regression klik Linear….
masukkan variabel prestasi kedalam kolom Dependent

masukkan variabel gaji, insentif, fasilitas dan tunjangan kedalam kolom Independent
klik statistics..
pilih Descriptives untuk menampilkan diskripsi data lalu klik continue

klik options…
masukkan nilai probability 0.05 (standar yang umum digunakan)

untuk derajat keyakinan 90% masukkan angka 0.1
untuk derajat keyakinan 95 % masukkan angka 0.05
untuk derajat keyakinan 99% masukkan angka 0.01
klik continue lalu klik OK

anda akan mendapatkan tampilan output sebagai berikut

1. Output Diskriptive Data
Descriptive Statistics
Mean Std. Deviation N

PRESTASI 2.9920 1.04897 50
GAJI 3.5324 1.23959 50
INSENTIF 2.7996 1.24019 50
FASILITA 2.9344 1.04170 50
TUNJANG 2.1800 .76772 50
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..
2. Output Model Summary
Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .550 a .302 .240 .91427
a. Predictors : (Cons tant), TUNJANG, GAJI, INSENTIF,
FASILITA
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.

3. Output ANOVA
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
Uns tandardized Standardized

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .223 .719 .310 .758
GAJI .370 .107 .438 3.445 .001
INSENTIF .268 .107 .317 2.517 .015
FASILITA -2.09E-02 .128 -.021 -.164 .871
TUNJANG .354 .173 .259 2.051 .046
a. Dependent Variable: PRESTASI
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

5 2 2 2 2 2 2 2 2 2 1 2 2
6 1 2 3 3 2 4 3 2 2 1 1 1
7 3 2 3 3 4 4 3 3 3 2 1 3
8 2 2 1 2 2 3 2 2 2 1 1 3
9 2 3 3 4 2 3 3 3 5 2 4 2
10 3 3 3 3 3 4 3 2 2 2 3 2
11 3 3 3 3 3 3 3 3 3 2 2 2
12 3 3 3 2 3 3 3 4 3 3 2 4
13 2 2 3 3 2 3 3 2 3 4 4 3
14 3 3 2 3 2 4 3 2 2 4 4 2
15 3 3 3 3 3 3 5 3 3 1 1 4
16 2 3 3 4 3 3 5 3 2 2 2 2
17 3 3 3 3 3 5 5 4 3 1 2 1
18 2 2 2 2 2 3 4 4 3 3 3 2
19 3 2 2 2 2 2 3 2 2 4 4 4
20 3 3 4 5 3 4 5 4 2 3 2 1
21 2 2 2 3 3 3 2 2 3 2 3 3
22 3 2 4 3 5 4 5 5 5 1 1 2
23 3 4 4 2 3 4 4 3 4 2 1 2
24 3 2 2 2 2 3 3 3 3 3 2 3
25 3 2 1 1 2 5 3 3 3 1 1 2
26 3 3 3 3 3 3 5 5 4 1 1 1
27 2 2 4 2 2 2 4 4 2 3 4 3
28 3 4 4 3 3 4 4 4 3 2 2 3
29 3 3 2 3 2 4 3 2 2 2 2 2
30 3 3 3 3 3 3 4 4 3 1 1 1
31 3 3 2 4 5 4 5 5 5 1 1 1
32 3 3 3 3 3 3 5 4 2 2 1 2
33 1 3 2 2 2 2 3 1 1 3 4 3
34 2 2 3 2 3 3 4 4 3 1 2 2
35 2 2 2 1 2 3 3 3 3 2 2 3
36 3 2 2 2 2 3 2 3 3 3 3 3
37 2 2 2 2 3 2 3 4 4 3 3 3
38 3 3 3 3 3 4 4 3 3 2 5 2
39 3 4 3 4 3 4 4 2 4 2 2 4
40 1 1 1 1 1 2 2 2 3 3 4 3
41 2 2 2 2 2 1 2 2 3 4 3 4
42 2 3 2 3 3 4 3 3 5 1 2 2
43 3 2 2 3 4 3 4 5 3 2 2 2
44 5 2 3 3 3 3 3 4 4 2 1 2
45 3 2 3 3 3 4 3 4 4 2 1 2
46 3 4 4 2 4 5 5 5 5 1 1 1
47 4 4 4 4 4 4 4 5 5 1 2 1
48 3 3 2 2 3 3 3 3 4 2 3 3
49 3 4 4 4 4 5 4 4 3 2 2 2
50 3 3 2 3 3 3 3 3 2 3 4 3
51 3 3 3 3 3 3 3 3 3 4 2 2
52 3 3 3 3 3 3 3 3 3 2 2 2
53 2 2 1 3 3 3 4 3 3 2 3 2
54 3 4 3 3 3 3 3 4 3 2 3 3

55 2 2 2 2 2 4 3 4 4 3 3 3
56 2 2 2 2 2 3 3 3 2 2 2 3
57 2 2 3 3 3 3 3 2 2 1 1 1
58 2 2 2 2 2 3 3 2 2 1 1 2
59 2 3 2 2 3 3 2 4 5 2 3 3
60 3 3 3 3 3 4 3 2 2 2 3 2
61 2 2 3 3 3 3 3 3 3 2 3 3
62 3 3 5 5 4 3 5 5 5 1 1 1
63 2 3 3 3 3 4 3 3 3 2 2 2
64 3 3 3 3 2 3 5 3 2 1 1 4
65 3 3 2 2 2 2 3 2 2 3 2 2
66 2 3 3 3 3 3 4 4 3 2 2 3
67 2 2 3 3 3 4 4 4 4 1 1 1
68 3 3 4 2 4 3 3 4 3 3 3 3
69 3 4 4 3 4 5 5 5 4 1 1 1
70 3 3 3 3 4 3 4 4 4 2 2 2
71 3 3 3 3 3 4 3 3 3 3 2 2
72 3 3 3 3 3 3 3 3 3 2 2 2
73 4 4 4 2 4 4 4 3 3 2 1 1
74 3 4 4 2 3 4 4 3 4 2 1 2
75 2 3 2 2 3 4 3 3 3 2 2 2
76 3 2 3 3 3 4 4 4 3 1 1 1
77 4 3 3 3 3 4 4 4 3 2 2 2
78 2 2 2 3 3 3 3 4 2 3 2 2
79 3 4 3 3 3 5 4 3 3 1 1 3
80 4 1 3 2 4 4 5 4 5 2 2 3
81 3 3 4 3 5 4 5 5 4 1 1 1
82 2 3 3 3 3 3 4 5 5 1 2 2
83 3 4 3 3 3 4 4 3 3 2 1 2
84 3 3 3 4 3 3 2 2 2 2 2 2
85 3 3 3 3 4 3 4 3 3 2 2 2
86 2 2 3 2 3 3 4 4 3 1 2 2
87 4 4 5 5 5 5 5 5 4 2 1 1
88 3 3 3 4 3 4 4 4 4 1 2 2
89 2 2 2 2 2 3 3 3 3 3 3 3
90 4 3 3 3 2 3 3 4 4 1 2 1
91 3 4 4 4 4 4 5 5 5 1 3 1
92 3 2 2 2 3 2 2 3 2 4 3 4
93 3 2 3 3 3 4 3 4 4 2 3 1
94 3 2 3 3 3 4 3 4 4 2 1 2
95 3 3 3 4 4 3 5 5 4 4 1 4
96 4 4 4 4 4 4 4 5 5 1 2 1
97 3 3 3 3 3 3 3 4 4 2 3 3
98 3 3 3 3 3 3 3 3 3 3 3 3
99 4 3 3 3 3 3 4 4 4 2 1 4
100 3 4 4 4 4 4 4 5 3 1 3 3
Ket: pk=persepsi kualitas, pp=persepsi pengorbanan dan mb=minat membeli konsumen
Diminta: Lakukan pengujian untuk mengetahui pengaruh persepsi kualitas dan persepsi
pengorbanan terhadap minat membeli konsumen.

Bab 5 T-Test, Anova
T-test merupakan alat statistik yang digunakan untuk menguji perbedaan rata rata 2 kategori
sampel. Sedangkan anova digunakan untuk menguji perbedaan rata-rata antar 2 atau lebih
kategori sample.
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
14 Wanita Operasi 3.2 2
15 Pria Operasi 3.1 2.33
16 Pria Operasi 1.3 1.33
18 Wanita Operasi 4.6 4.33
19 Pria Operasi 3.2 2
20 Pria Pemasaran 3.1 2.33
Yang ingin dilakukan adalah

1. Ujilah apakah ada perbedaan prestasi kerja antara pria dan wanita di perusahaan
tersebut, dan ujialah apakah ada perbedaan gaji antara pria dan wanita di perusahaan
tersebut.
2. Ujilah apakah ada perbedaan prestasi kerja antar divisi dalam perusahaan tersebut dan
ujilah apakah ada perbedaan gaji antar divisi.

Pengujian T-Test
Untuk menyelesaikan soal pertama dimana kita ingin menguji perbedaan prestasi kerja antara
pria dan wanita maka kita gunakan t-test. Kenapa? Karena sample yang ada hanya terbagi
kedalam 2 kategori (pria dan wanita). Adapun hipotesis nya sebagai berikut
H0 : Tidak ada perbedaan prestasi kerja antara pria dan wanita

H1 : Ada perbedaan prestasi kerja antara pria dan wanita
Adapun langkah pengujian nya adalah sebagai berikut:

Entrikan data anda
Gunakan value label untuk mengisi data gender dan divisi

Sehingga kalau dimunculkan maka nilai data anda menjadi

Untuk menganalisis dengan menggunakan T-test langkah nya adalah sebagai berikut
Klik Analyse  Compare Means  Independen Sampel T-test
Sehingga akan muncul tampilan sebagai berikut:
Lalu masukkan prestasi kedalam Test Variable dan

Masukkan gender kedalam grouping variable

Kemudian klik Define Groups..
Lalu masukkan angka 1 kedalam group 1 dan angka 2 kedalam group 2

Klik Continue lalu klik OK
Anda akan mendapatkan tampilan output sebagai berikut
Group Statistics
Std. Error
GENDER N Mean Std. Deviation Mean
PRESTASI Pria 11 2.9000 1.11714 .33683
Wanita 9 3.6111 .70079 .23360
Independent Samples Test
Levene's Tes t for

Equality of Variances t-tes t for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
PRESTASI Equal variances
1.089 .310 -1.657 18 .115 -.7111 .42914 -1.61270 .19048
as sumed
Equal variances
-1.735 17.013 .101 -.7111 .40991 -1.57589 .15366
not ass umed
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.

Hasil pengujian menunjukkan nilai sig. t-test sebesar 0,115 diatas 0,05 sehingga H1 ditolak
dan disimpulkan tidak ada perbedaan prestasi kerja antara pria dan wanita.
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
H0 : Tidak ada perbedaan prestasi kerja antar divisi

H1 : Ada perbedaan prestasi kerja antar divisi
Adapun langkah pengujian nya adalah sebagai berikut:
Klik Analyze  Compare Means  One Way Anova..
Sehingga akan muncul tampilan sebagai berikut:

Lalu masukkan prestasi kedalam dependen list dan masukkan divisi kedalam factor
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.

Bab 6 SPSS Non Parametrik
Statistik Non Parametrik digunakan untuk melengkapi Metode Statistik Parametrik agar
tidak terjadi kesalahan dalam memilih metode statistik yang akan digunakan untuk kegiatan
inferensi. Hal ini disebabkan ada data-data dengan ciri tertentu yang tidak bisa memenuhi
asumsi-asumsi pada penggunaan metode parametrik
Beberapa metode statistik parametrik mensyaratkan asumsi-asumsi (Santosa 2004)
1. Sampel (data) yang diambil dari populasi yang mempunyai distribusi normal.
2. Pada uji t dan uji F untuk dua sampel atau lebih, kedua sampel diambil dari dua populasi
yang mempunyai varians sama.
3. Variabel (data) yang diuji haruslah data betipe interval atau rasio, yang tingkatannya lebih
tinggi dari data tipe nominal dan ordinal.
4. Jumlah (sampel) data sangat kecil, sedangkan distribusi data populasinya tidak diketahui
kenormalannya.
Untuk data yang tidak memnuhi salah satu asumsi tersebut, maka disarankan
menggunakan prosedur statistik non parametrik. Karena bisa digunakan dengan asumsi yang
minimal sekalipun untuk memproses data, maka kesimpulan yang diambil dengan
prosedur Non Parametrik akan lebih lemah dibandingkan jika menggunakan Prosedur
Parametrik.
Karena sifatnya yang lemah, maka jika data masih memenuhi asumsi parametrik,
sebaiknya digunakan prosedur parametrik untuk mengolah data. Jika ada asumsi yang tidak
terpenuhi namun masih bisa dilakukan transformasi data maka gunakanlah prosedur
parametrik misalnya
- Untuk data yang tidak berdistribusi normal atau varians tidak sama, bisa dilakukan
tranformasi data ke bentuk logaitmik, akar dan sebagainya lalu dilakukan pengujian
normalitas dan varians sekali lagi
- Jika jumlah data terlalu sedikit, bisa diusakan penambahan data sehingga memenuhi
prosedur parametrik (sekitar 30 data atau lebih), sejauh penambahan data masih
memungkinkan untuk dilakukan kecuali jika memang tidak ada jalan lain baru digunakan
prosedur non parametrik.

BAGIAN II
ANALISIS MULTIVARIATE

STRUCTURAL EQUATION MODELING (SEM)
Melalui Program AMOS
(Lilik Wahyudi1)
Model Persamaan Struktural (Structural Equation Modeling) adalah generasi kedua

teknik analisis multivariat yang memungkinkan peneliti untuk menguji hubungan antara
variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan
model. Tidak seperti analisis multivariae biasa (regresi berganda, faktor analisis, manova)
SEM dapat menguji model struktural dan model pengukuran. Dengan penggabungan kedua
model tersebut memungkinkan peneliti untuk
1. Menguji kesalahan pengukuran
2. Melakukan analisis faktor bersamaan dengan pengujian hipotesis
Adapun sofware SEM yang banyak dijumpai di pasaran misalnya AMOS (Arbuckle),
LISREL (Joreskog dan Sorbom), EQS (Bentler), ROMANO (Brown, Mels dan Coward),
LISCOMP (Muthen) dll.
KONSEP REGRESI VS SEM

REGRESI DALAM RISET KEPERILAKUAN
Dalam riset keperilakuan, suatu variabel dibangun dari indikator-indikator berupa pertanyaan
pertanyaan yang mengukur/menilai variabel tersebut. Sebagai contoh:
Ukuran dari Perceived Quality adalah:
PQ1 Handphone Nokia dapat diandalkan

Sangat      Sngt tdk
Setuju SS S N TS STS setuju
PQ2 Handphone Nokia berkualitas tinggi

PQ3 Handphone Nokia dapat dipercaya

PQ4 Handphone Nokia awet

Sangat      Sgt tdk
setuju SS S N TS STS setuju
Ukuran dari Perceived Value adalah:

PV1 Produk ini bernilai: Sangat      Sgt tdk
ekonomis ekonomis
SE E N TE STE
PV2 Saya melihat produk ini merupakan produk pilihan Sangat      Sgt tdk
yang bagus untuk dibeli. setuju SS S N TS STS setuju
PV3 Nilai Produk ini secara keseluruhan

Sangat      Sangat jelek
bagus SB B N J SJ
1 Dosen Jurusan Manajemen Fakultas Ekonomi UNS

Ukuran dari Willingness to buy adalah
MB1 Kemungkinan untuk membeli Handphone Nokia
Sangat      Sangat
tinggi ST T N R SR rendah
MB2 Saya akan mempertimbangkan untuk membeli Sangat      Sgt tdk

Handphone Nokia setuju SS S N TS STS setuju
MB3 Keinginan Saya untuk mendapatkan Handphone Sangat      Sangat

Nokia? tinggi ST T N R SR rendah
MB4 Minat Saya untuk membeli Handohone Nokia

Sangat      Sangat
tinggi ST T N R SR rendah
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:
Perceived Perceived Willingness

Quality Value to buy
Gambar 1. Model Hubungan Kausalitas
Maka kita akan mendapatkan:

Perceived Quality sebagai variabel independen
Perceived Value sebagai variabel mediator
Willingness to buy sebagai variabel dependen
Tanda panah menunjukkan arah hubungan
Apabila data yang didapat dianalisis menggunakan regresi (karena uji Hubungan antar
variabel) maka yang harus dilakukan adalah:
1. Melakukan Uji Validitas dengan menggunakan Pearson Correlation atau dengan

menggunakan Faktor Analisis
2. Melakukan Uji Reliabilitas dengan menggunakan teknik Cronbach Alpha
3. Menentukan nilai masing masing variabel setelah uji validitas dan reliabilitas melalui:
PQ1  PQ2  PQ3  PQ4

Nilai Perceived Quality =
4

PV1  PV 2  PV 3
Nilai Peceived Value =
3
MB1  MB2  MB3  MB4

Willingness to buy =
4
Nb: Diasumsikan semua indikator lolos uji validitas dan reliabilitas
4. Melakukan Analisis Regresi

Apabila menggunakan teknik Ordinary Least Square maka harus dilakukan uji asumsi
klasik karena OLS mensyaratkan adanya normalitas data
Sehingga dapat digambarkan sebagai berikut
Perceived Perceived Willingness

Quality Value to buy
Nilai Nilai Nilai
Willingness to buy
perveived quality perceived value
PerveivedValue = a + b PerceivedQuality MinatBeli = a + b PerceivedValue
Uji Pengaruh 1 Uji Pengaruh 2
Gambar 2. Model Pengujian Hubungan

SEM DALAM RISET KEPERILAKUKAN
SEM memeiliki dua tujuan utama. Pertama adalah untuk menentukan apakah moddel
plausible atau fit. Apakah model benar berdasarkan data yang dimiliki. Tujuan yang kedua
adalah untuk menguji berbagari hipotesis yang telah dibangun sebelumnya. Dalam konteks
penentuan model fit, model fit dapat ditentukan dengan meminimalkan perbedaan antara
sample covariance matrix dan implied covariance matrix. Sample covariance matrix
adalah matrik kovarian yang diperoleh melalui observasi (data), sedangkan implied variance
matrix adalah matrix kovarian yang diperoleh berdasarkan model. Ada beberapa konsep
yang harus diketahui untuk mempermudah pemahaman (Ghozali dan Fuad 2005)
1. Variance dan Covariance.
Variance mengukur penyimpangan data dari nilai rata-rata suatu sampel. Variance
merupakan rata rata perbedaan kuadrat antara tiap tiap observasi dan means sehingga
variance adalah nilai kuadrat dari standar deviasi. Variabel pasti memiliki varians dan
selalu bernilai positif.
Covariance menunjukkan hubungan linear yang terjadi antara dua variabel yaitu X dan
Y. Juka suatu variabel memiliki hubungan linear yang positif maka kovariansnya positif.
Jika hubungan antara dua variabel X dan Y adalah negatif maka kovarians nya adalah
negatif. Jika tidak ada hubungan maka kovarians nya adalah nol.
Sample Covariance Matrix kalau dinyatakan dalam bentuk matrix sebagai berikut
 Var( X ) 
S=   S= Sample Covariance Matrix
COV ( X , Y ) VAR(Y )
Implied covariance matrix merupakan prediksi tertendu yang dilakukan berdasarkan

varians dan kovarians suatu variabel yang terdapat dalam model. Misal dalam model
regresi sederhana
Y = a + bX + e
Maka dapat diperoleh

Var (Y) = Var (a + bX + e)
Cov (X,Y) = Cov (X, a + bX+e)
Sehingga dapat diperoleh implied covariance matrix sebagai berikut

b 2Var( X )  Var(e) 
 
 bVar( X ) Var( X )
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.
2. Indikator untuk menilai model fit

Suatu model dikatakan fit apabila matrik kovarian suatu model adalah sama
dengan matrik kovarian data. Model fit dinilai berdasarkan uji beberapa indeks fit. Dalam
analisis SEM, tidak ada alat uji statistik tunggal untuk menguji hipotesis mengenai model
(Hair et al., 1998). Tetapi berbagai fit indeks yang digunakan untuk mengukur derajat
kesesuaian antara model yang disajikan dan data yang disajikan. Fit indeks yang
digunakan meliputi:
 Chi Square. Tujuan analisis ini adalah mengembangkan dan menguji sebuah model
yang sesuai dengan data. Dalam pengujian ini nilai X2 yang rendah dan
menghasilkan tingkat signifikansi yang lebih besar dari 0,05 akan mengindikasikan
tidak ada perbedaan yang signifikan antara matriks kovarians data dan matriks
kovarian yang diestimasi. Chi Square sangat bersifat sensitif terhadap sampel yang
terlalu kecil maupun yang terlalu besar. Oleh karenanya pengujian ini perlu
dilengkapi dengan alat uji lainnya.
 Goodness of fit index (GFI). Indeks ini mencerminkan tingkat kesesuaian model
secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi
dibandingkan data yang sebenarnya. Nilai yang mendekati 1 mengisyaratkan model
yang diuji memiliki kesesuaian dengan baik.
 Root Mean Square Error of Approximation (RMSEA). RMSEA adalah indeks yang
digunakan untuk mengukur fit model menggantikan chi square statistik dalam jumlah
sampel yang besar. Nilai RMSEA > 0,08 mengindikasikan indeks yang baik untuk
menerima kesesuaian sebuah model.

 Adjusted Goodness of Fit Index (AGFI). Indeks ini merupakan pengembangan dari
GFI yang telah disesuaikan dengan rasio dari degree of freedom model yang
diajukan dengan degree of freedom dari null model (model konstruk tunggal dengan
semua indikator pengukuran konstruk). Nilai yang direkomendarikan adalah AGFI >
0,9. semakin besar nilai AGFI maka semakin baik kesesuaian yang dimiliki model.
 Tucker Lewis Index(TLI). TLI merupakan indeks kesesuaian incremental yang
membandingkan model yang diuji dengan null model. Nilai penerimaan yang
direkomendasikan adalah nilai TLI > 0,9. TLI merupakan indeks kesesuaian yang
kurang dipengaruhi oleh ukuran sampel.
 Normed Fit Index (NFI). Indeks ini juga merupakan indeks kesesuaian incremental.
Nilai yang direkomendasikan adalah nilai NFI > 0,90.
 Comparative Fit Index (CFI).CFI juga merupakan indeks keseuaian incremental.
Besaran indeks ini adalah dalam rentang 0 sampai 1 dan nilai yang mendekati 1
mengindikasikan model memiliki tingkat kesesuaian yang baik. Indeks ini sangat
dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif terhadap besarnya
sampel dan kurang dipengaruhi oleh kerumitan model. Nilai penerimaan yang
direkomendasikan adalah CFI > 0,95.
 Normed Chi Square (CMIN/DF). CMIN/DF adalah ukuran yang diperoleh dari nilai chi
square dibagi dengan degree of freedom. Indeks ini merupakan indeks kesesuaian
parsimonious yang mengukur hubungan goodness of fit model dan jumlah-jumlah
koefisien estimasi yang diharapkan untuk mencapai tingkat kesesuaian. Nilai yang
direkomendasikan untuk menerima kesesuaian model adalah CMIN/DF <2,0/3,0.
3. Metode Estimasi
Dalam AMOS terdapat beberapa metode yang digunakan untuk mengestimasi
parameter dari suatu model yaitu
a. Maximum Likelihood (ML). Merupakan metode estiamsi yang paling populer
digunakan dalam penelitian SEM. ML akan menghasilkan estimasi parameter yang
valid, efisien dan reliabel apabila data yang digunakan memenuhi asumsi
multivariate normality dan akan menghasilkan analisis yang bias apabila tidak
memenuhi asumsi tersebut. Minimum sampel yang disarankan menurut Hair adalah
antara 100-200 responden. Akan tetapi model ini akan menjadi sangat sensitif dan

menghasilkan indeks goodness of fit yang buruk apabila data yang digunakan
adalah besar (400-500).
b. Generalized Least Square. Menghasilkan hasil estimasi yang hampir sama dengan
metode maximum likelihood. Memiliki robust yang sedikit seandainya asumsi
multivariate normallity tidak dipenuhi. Akan menghasilkan estimasi kurang baik
apabila ukuran sampel kurang dari 200.
c. Weighted Least Square. Merupakan metode yang tidak terpengaruh oleh asumsi
multivariate normality. Kelemahan dari model metode ini adalah jumlah variabel
dalam model yang harus sedikit (kurang dari 20 variabel) dan sampel yang diambil
minimal 1000.
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.
Variabel Independen Variabel dependen

Atau Atau
Variabel Eksogen Variabel Endogen
Perceived Perceived Variabel

laten/Konstruk
Quality Value
PQ1 PQ2 PQ3 PQ4 PV1 PV2 PV3
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.

Konsep Error
Dalam setiap perhitungan model pasti akan muncul kesalahan. Tingkat kesalahan yang
muncul disebut dengan error. Error bisa muncul pada pengukuran variabel atau pada
perhitungan pengaruh antara variabel independen dengan variabel dependen. Pada model
regresi, model diasumsikan memiliki ukuran yang sempurna sehingga tidak terdapat
kesalahan pengukuran (measurement error). Namun dalam riset keperilakuan asumsi
tersebut sangat tidak mungkin, karena yang diukur adalah persepsi yang bersifat subyektif.
Error yang muncul akan berpengaruh terhadap model apabila memiliki prosentasi yang tinggi.
Hal ini akan menimbulkan anomali dan penelitian. Sementara itu apabila prosentasenya
rendah tidak akan berpengaruh terhadap model. Pada beberapa teknik regresi, error dihitung
secara simultan (structural error). Akan tetapi secara parsial misalnya pada measurement
error tidak dimasukkan dalam perhitungan. Dalam SEM, baik structural error maupun
measurement error diuji secara menyeluruh sehingga dalam model menggunakan SEM
digambarkan sebagai berikut:
Perceived Perceived
Quality Value
Error Structural error

Error Error Error Error Error Error Error Measurement error

Gambar 4. Error dalam Model
Proses SEM mencakup beberapa langkah yang harus dipenuhi meliputi:

1. Konseptualitasi Model.
2. Penyusunan diagram alur (path diagram)
3. Identifikasi Model
4. Estimasi Parameter
5. Penilaian Model Fit
6. Modifikasi Model
7. Penilaian Hubungan dalam Model

Konseptualisasi Model
Sukses tidaknya analisis SEM harus didasari pada kuatnya teori yang mendukung.
Untuk mendapatkan teori yang kuat bisa dilakukan melalui telaah artikel terkait dengan model
yang diajukan. Biasanya pada jurnal yang bonafit (Misalnya Journal of Marketing, Journal of
Marketing Research, Journal of Retailing, Academy Management Journal, Management
Information System, Strategic Management Journal) menyajikan artikel dengan dukungan dan
dasar teori yang kuat. SEM akan bekerja jauh lebih baik apabila digunakan untuk konteks
confirmatory (Jorekog dan Sorbom 1989). Untuk riset S1, sangat dianjurkan menggunakan
penelitian confirmatory atau replikasi dari jurnal asing terpercaya yang memiliki dasar teori
yang kuat.
Konseptualisasi model mengharuskan dua hal yang harus dilakukan. Pertama,
hubungan yang dihipotesiskan antara variabel latent harus ditentukan. Tahap pengembagnan
model ini terfokus pada model struktural yang harus merepresentasikan kerangka teoritis
untuk diuji.
Penyusunan diagram alur (path diagram)

Penyusunan diagram alur akan memudahkan kita dalam menggambarkanhipotesis yang telah
diajukan dalam konseptualisasi model.
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
Penilaian Model Fit

Berikut rangkuman nilai kritis model fit.

Rangkuman Model Fit
Indeks Nilai Kritis
1. χ2 Diharapkan kecil
2. Probability level < 0,05
3. df Positif
4. CMIN/DF ≤ 2,0 / ≤ 3,0
5. GFI ≥ 0,90
6. AGFI  0,90
7. CFI  0,90
8. RMSEA  0,08
9. RMR  0,03
10. TLI  0,90
11. NFI  0,90
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.
Penilaian Hubungan dalam Model

Penilaian hubungan dalam model merupakan pengujian hubungan kausalitas yang ada dalam
model. Pada tahap ini akan dinilai tingkat signifikasi hubungan kausalitas yang terbentuk.
SEM DALAM RISET KEPERILAKUAN DENGAN AMOS

Agar analisis SEM dengan menggunakan AMOS dapat dilakukan dengan baik, maka
penelitian harus dimulai dari:
1. Kuesioner
Kuesioner merupakan ukuran dari variabel yang akan diteliti. Item pertanyaan yang ada
didalamnya merupakan indikator variabel. Baik tidaknya penelitian (dalam konteks riset
keperilakukan) tergantung pada kuesioner. Kalau kuesionernya salah berarti penelitian
yang dilakukan keliru semua. Kekeliruan kuesioner akan membawa dampak berantai.
Dimulai data yang bias yang akan membawa masalah pada tahap selanjutnya.
Dalam menyusun penelitian (skripsi) Mahasiswa seringkali melupakan kuesioner. Justru
lebih menekankan pada memperbanyak teori dalam skripsi supaya jumlah halamannya
menjadi lebih tebal. Kuesioner hanya TIPS: Skripsi yang baik bukan dilihat dari tebal-tipisnya skripsi.
Akan tetapi dilihat pada metodologi penelitian termasuk alat
dipandang sebagai pelengkap saja. analisis yang dipakai karena menentukan tingkat kesulitan yang
dihadapi dalam penelitian.
Padahal inti dari riset keperilakuan

adalah kuesioner. Kuesioner yang mengukur atau menilai perilaku responden. Kuesioner
yang baik bisa dilihat dari content. Jumlah pertanyaan yang banyak bukan jaminan
kuesioner yang baik. Permasalahan yang kemudian dijumpai adalah bagaimana cara
membuat kuesioner yang baik. Berikut langkah yang harus dilakukan supaya
menghasilkan penelitian yang baik. Dimulai dari bagaimana cara mendapatkan kuesioner
yang baik.
a. Studi literatur untuk item pertanyaan kuesioner.
Pada tahap ini, studi literatur dilakukan
Tips: Untuk mendapatkan kuesioner versi lengkapnya
anda bisa mengontak penulis artikel melalui email.
untuk mendapatkan indikator baku dari Para penulis pada jurnal asing yang terpercaya
biasanya akan merespon anda dengan baik. Bahkan
variabel yang akan kita teliti. Indikator baku mau mengirimkan hardcopy kuesioner ke alamat anda.
Untuk mendapatkan alamat email penulis tersebut bisa
ini bisa didapatkan dari peneliti lain, dari dicari melalui search engine.
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

Rotated Component Matrixa
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
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.

2. Kodifikasi dan Sorting dan Entri Data.
Data diabgi kedalam dua kategori.
a. Data Continuous. Data yang dapat memiliki nilai apa saja dan tidak memiliki kategori
berurutan.
b. Data Ordinal. Data yang memiliki kategori berurutan. Penggunaan skala likert
merupakan bagian dari data ordinal.
Kodifikasi data penting untuk dilakukan. Kalau bisa kodifikasi berdasarkan variabel.
Misal pertanyaan perceived quality diberi kode awal PQ, Pertanyaan willingness to buy
diberi kode awal WB dll. Gunakan sofware SPSS atau Microsoft Excel untuk memasukkan
data. Sebelum data dimasukan lakukan penyaringan dari kuesioner. Buang kuesioner
yang dianggap bias. Baru kemudian dilakukan entri data.
3. Uji Validitas dengan Analisis Faktor dengan SPSS.
Pengujian validitas dilakukan melalui Corfirmatory Factor Analysis (CFA). CFA
perlu dilakukan terhadap model pengukuran, karena syarat untuk dapat menganalisis
model dengan SEM, indikator masing-masing konstruk harus memiliki loading factor yang
signifikan terhadap konstruk yang diukur. Indikator masing-masing konstruk yang memiliki
loading factor yang signifikan membuktikan bahwa indikator tersebut merupakan satu
kesatuan alat ukur yang mengukur konstruk yang sama dan dapat memprediksi dengan
baik konstruk yang seharusnya diprediksi (Hair et al, 1998). Uji Validitas dilakukan dengan
menggunakan confirmatory factor analysis melalui sofware SPSS. Disarankan bagi
mahasiswa yang melakukan riset keperilakuan untuk menggunakan analisis faktor bukan
pearson correlation
Tahapan dalam Analisis Faktor
Buka file SPSS yang ingin anda analisis
Klik Analize --- Data Reduction --- Factor.. seperti pada gambar dibawah ini

Setelah dilakukan maka akan dijumpai tampilan sebagai berikut
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
lalu klik tombol Extraction...

sehingga muncul tampilan

Faktor analisis yang dilakukan disini adalah confirmatory factor analisis sehingga Klik
Number of factors. Lalu masukkan angka 3 (karena yang diteliti ada 3 variabel yaitu
Perceived Quality, Perceived Value dan Willingness to buy. Kalau ada 5 variabel maka
masukkan angka 5 dalam number of factors)
Lalu klik tombol Continue
Klik Rotation sehingga akan muncul tampilan sebagai berikut
Pilih Varimax lalu klik continue

Klik Option sehingga muncul tampilan sebagai berikut

klik suppress absolute.... lalu masukkan angka 0.4 lalu klik continue
lalu klik OK
kalau langkah anda benar maka anda akan menjumpai tampilan output faktor analisis.
dari sekian banyak tampilan yang perlu dilihat adalah pada rotated component matrix
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
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
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

Nb: kalau pada langkah kedua belum terbentuk extrak secara sempurna maka ulangi lagi
sampai bisa mendapatkan extraksi sempur.na. Lakukan trial and error.
UJI VALIDITAS JUGA BISA DILAKUKAN DENGAN AMOS
4. Uji Reliabilitas dengan teknik cronbach alpha.

Pengujian reliabilitas setiap konstruk dilakukan dengan menggunakan koefisien
Cronbach's Alpha dan item-to-total correlation yang berguna untuk memperbaiki
pengukuran dengan mengeliminasi butirbutir yang kehadirannya akan memperkecil
Cronbach Alpha (Purwanto, 2002).
Uji reliabilitas dilakukan dengan menggunakan teknik cronbach alpha menggunakan
SPSS. Untuk melakukan uji reliabilitas lakukan langkah berikut ini
Klik Analize -- Scale -- Reliability Analysis....
maka anda akan menjumpai tampilan
Uji Reliability dilakukan terhadap indikator masing masing variabel secara satu persatu.

masukkan variabel dari hasil faktor analisis. Dari data diatas maka untuk variabel
perceived quality yang dimasukkan adalah PQ1-PQ4
lalu klik tombol statistics... sehingga muncul tampilan
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:
****** Method 1 (space saver) will be used for this analysis


PQ1 8.7656 14.6816 .8726 .9471
PQ2 8.7000 14.4614 .9089 .9361
PQ3 8.7531 14.6881 .8941 .9405
PQ4 8.7688 14.9181 .8887 .9422
Alpha = .9555
Nilai Alpha yang disyaratkan adalah diatas 0,7.

Karena nilai alpha diatas 0,7 maka dapat dikatakan konstruk perceived quality telah
memenuhi syarat reliabilitas.
Lakukan cara yang sama untuk konstruk yang lain,dalam model diatas meliputi perceived
value dan willingness to buy
UJI RELIABILITAS BISA JUGA DILAKUKAN DENGAN AMOS

`
5. Modeling dengan Amos Basic

Amos basic merupakan teknik amos yang paling mudah untuk dilakukan. Perintahnya
sederhana dan memerlukan waktu yang singkat. Yang diperlukan hanya menghafalkan
beberapa perintah pokok. Bahasa amos basic dibagi kedalam dua bagian. Pertama
bahasa engine dan yang kedua adalah bahasa structural. Untuk bahasa engine cukup
digunakan yang terstandarisasi. berikut bahasa engine yang harus dihapalkan:

Bahasa Engine
Dim sem As New AmosEngine
sem.TextOutput
sem.Standardized
sem.NormalityCheck
sem.FactorScoreWeights
sem.Mods
sem.BeginGroup "G:\publikasi\datafinall.sav"
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.

Bahasa Structural
Perhatikan model dibawah ini.
Perceived Perceived
Quality Value
Error
Error Error Error Error Error Error Error
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
PQ1 PQ2 PQ3 PQ4
Error Error Error Error
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
Maka rumus regresinya adalah Y = a + bX

Sedangkan dalam amos ditulis sama persis. Cuma dalam model ditambahkan error
sehingga menjadi sebagai berikut
X Y Error

Sehingga penulisan rumusnya adalah Y = a + bX + e
Kalau ditulis dalam bahasa amos akan menjadi Y = (1) bX + (1)eY (Konstanta “a”
diasumsikan 1)
Kalau ada dua variabel sebagai berikut
X Y Error
Z Error
Maka penulisan bahasa semnya adalah
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
Sem.structure “PQ1 = (1) PerceivedQuality + ePQ1”

Sem.structure “PQ2 = PerceivedQuality + ePQ2”
Kedua
Perceived
Value
PV1 PV2 PV3
Error Error Error

kalau diterjemahkan dalam bahasa amos sebagai berikut:
Sem.structure “PV1 = (1) PerceivedValue + ePV1”
Sem.structure “PV2 = PerceivedValue + ePV2”
Sem.structure “PV3 = PerceivedValue + ePV3”
Sedangkan untuk pengaruh model dibawah ini
Perceived Perceived
Quality Value
Error
kalau diterjemahkan dalam bahasa amos sebagai berikut
Sem.structure “PerceivedValue=PerceivedQuality +ZPV”

(nilai e yang dipakai diganti dengan nama Z. Z adalah error yang muncul untuk pengaruh antar konstruk)
Bahasa model secara lengkapnya dapat dituliskan sebagai berikut

Model Bahasa AMOS BASIC
sem.TextOutput
sem.Standardized
sem.NormalityCheck
Perceived Perceived sem.FactorScoreWeights
Quality Value sem.Mods
sem.BeginGroup "G:\publikasi\datafinall.sav
Error Sem.structure “PQ1=(1)PerceivedQuality + (1) ePQ1”

Sem.structure “PQ2=PerceivedQuality + (1) ePQ2”
PQ1 PQ2 PQ3 PQ4 PV1 PV2 PV3 Sem.structure “PQ3=PerceivedQuality + (1) ePQ3”
Sem.structure “PQ4=PerceivedQuality + (1) ePQ4”
Sem.structure “PV1=(1)PerceivedValue + (1) ePV1”

Error Error Error Error Error Error Error Sem.structure “PV2=PerceivedValue + (1) ePV2”
Sem.structure “PV3=PerceivedValue + (1) ePV3”
Sem.structure “PerceivedValue=PerceivedQuality+ (1)ZPV”

Contoh lain “Model untuk TAM”
Model Bahasa AMOS BASIC
ePE1 ePE2 ePE3 ePE4 ePE5 ePE6 sem.TextOutput
sem.Standardized
sem.NormalityCheck
sem.FactorScoreWeights
sem.Mods
PE1 PE2 PE3 PE4 PE5 PE6 sem.BeginGroup "G:\dataku\TAM.sav
Sem.structure “PE1=(1)PerceivedEaseofUse + (1) ePE1”

Sem.structure “PE2=PerceivedEaseofUse + (1) ePE2”
Perceived Sem.structure “PE3=PerceivedEaseofUse + (1) ePE3”
zIU
ease of use Sem.structure “PE4=PerceivedEaseofUse + (1) ePE4”
Intention to
use
Sem.structure “PU1=(1)PerceivedUsefulness + (1) ePU1”
Perceived Sem.structure “PU2=PerceivedUsefulness + (1) ePU2”
Usefulness Sem.structure “PU3=PerceivedUsefulness + (1) ePU3”
Sem.structure “PU4=PerceivedUsefulness + (1) ePU4”
IU1 IU2 IU3
Sem.structure “IU1=(1)IntentiontoUse + (1) eIU1”
Sem.structure “IU2= IntentiontoUse + (1) eIU2”
PU1 PU2 PU3 PU4
Sem.structure “IU3= IntentiontoUse + (1) eIU3”
eIU1 eIU2 eIU3
Sem.structure “IntentiontoUse =
PerceivedEaseofUse+PerceivedUsefulness+zIU”
ePU1 ePU2 ePU3 ePU4
Kalau model tersebut di Run maka akan menghasilkan output sebagai berikut
Output AMOS
Output Keterangan
Ouput
Title
Your model contains the following variables Variabel yang

PQ1 observed endogenous
diobservasi
PQ2 observed endogenous dalam MODEL
PV1 observed endogenous
WB1 observed endogenous
PerceivedValue unobserved endogenous

WillingnessToBuy unobserved endogenous
PerceivedQuality unobserved exogenous

ePQ1 unobserved exogenous
ePV1 unobserved exogenous
eWB1 unobserved exogenous

zPV unobserved exogenous
zWB unobserved exogenous
Number of variables in your model: 27

Number of observed variables: 11
Number of unobserved variables: 16
Number of exogenous variables: 14
Number of endogenous variables: 13
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
min max skew c.r. kurtosis c.r.
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
Observations farthest from the centroid (Mahalanobis distance)
Observation Mahalanobis Uji Outlier

number d-squared p1 p2 Digunakan untuk
------------- ------------- ------------- ------------- mengetahui
116 37.578 0.000 0.029 Responden yang
107 37.415 0.000 0.000 paling menyimpang
136 32.120 0.001 0.002
134 31.035 0.001 0.000
Dilakukan dengan
110 28.717 0.003 0.001
258 23.994 0.013 0.227 cara
119 23.976 0.013 0.121 membandingkan nilai
151 23.073 0.017 0.192 Mahalanobis d-
263 22.716 0.019 0.172 squared dengan nilai
137 22.625 0.020 0.111 X2 tabel
111 22.109 0.024 0.138
114 21.685 0.027 0.159
262 21.159 0.032 0.221
152 20.409 0.040 0.406
145 20.369 0.041 0.319
81 20.150 0.043 0.315
158 19.711 0.049 0.417
169 19.232 0.057 0.559
139 19.096 0.059 0.534
170 18.855 0.064 0.569

dst....
Sample size: 320

Uji Kecukupan
Model: Default model Sampel
Digunakan untuk
Computation of degrees of freedom
mengetahui apakah
Number of distinct sample moments: 66 jumlah responden
Number of distinct parameters to be estimated: 24 yang kita pakai
------------------------- sudah memenuhi
Degrees of freedom: 42
syarat minimal atau
0e 6 0.0e+000 -7.3388e-001 1.00e+004 2.36270164850e+003 0 1.00e+004 belum. Dengan
1e* 8 0.0e+000 -6.4687e-001 2.69e+000 1.07326807278e+003 20 4.12e-001 membandingkan
2e* 3 0.0e+000 -5.9881e-002 5.78e-001 6.01270665901e+002 6 9.38e-001 sampel size dengan
3e 0 4.8e+002 0.0000e+000 1.06e+000 2.18063824892e+002 6 7.95e-001
4e 0 1.1e+002 0.0000e+000 6.72e-001 1.34381514583e+002 3 0.00e+000 degree of freedom.
5e 0 9.0e+001 0.0000e+000 6.13e-001 8.76858588604e+001 1 9.71e-001
6e 0 1.3e+002 0.0000e+000 2.12e-001 7.71470292259e+001 1 1.07e+000
7e 0 1.4e+002 0.0000e+000 6.57e-002 7.68280494408e+001 1 1.05e+000
8e 0 1.4e+002 0.0000e+000 6.23e-003 7.68257955875e+001 1 1.01e+000
9e 0 1.4e+002 0.0000e+000 6.70e-005 7.68257953614e+001 1 1.00e+000
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
WB1 <-------------- WillingnessToBuy 0.710
Variances: Estimate S.E. C.R. Label

---------- -------- ------- ------- ------- Nilai Varian

PerceivedQuality 1.504 0.147 10.237
zPV 0.514 0.086 5.982
zWB 0.512 0.075 6.853
ePQ1 0.369 0.036 10.252
ePQ2 0.217 0.027 8.178
ePQ3 0.277 0.030 9.357
ePQ4 0.276 0.029 9.496
ePV1 0.708 0.070 10.134
ePV2 0.641 0.080 8.000
ePV3 0.440 0.077 5.698
eWB1 0.520 0.049 10.619
eWB2 0.358 0.046 7.861
eWB3 0.450 0.048 9.382
eWB4 0.489 0.052 9.370
Factor Score Weights
WB4 WB3 WB2 WB1 PV3 PV2 PV1 Skor Faktor

-------- -------- -------- -------- -------- -------- -------- Digunakan untuk
PerceivedV 0.000 0.000 0.000 0.000 0.007 0.004 0.003
PerceivedQ 0.006 0.006 0.008 0.005 0.307 0.199 0.146
faktor analisis
Willingne 0.173 0.180 0.245 0.133 0.007 0.005 0.003
PQ4 PQ3 PQ2 PQ1

-------- -------- -------- --------
Perceived 0.229 0.233 0.307 0.173
Perceived 0.008 0.008 0.011 0.006
Willingne 0.000 0.000 0.000 0.000
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

Independence model 0.562 0.401 0.281 0.334
CMIN/DF ≤ 2,0 / ≤ 3,0
DELTA1 RHO1 DELTA2 RHO2
Model NFI RFI IFI TLI CFI GFI ≥ 0,90
---------------- ---------- ---------- ---------- ---------- ---------- AGFI  0,90
Default model 0.967 0.957 0.985 0.980 0.985 CFI  0,90
Saturated model 1.000 1.000 1.000 RMSEA  0,08
Independence model 0.000 0.000 0.000 0.000 0.000 RMR  0,03
Model PRATIO PNFI PCFI TLI  0,90
---------------- ---------- ---------- ---------- NFI  0,90
Default model 0.764 0.739 0.752
Saturated model 0.000 0.000 0.000 Indeks model
Independence model 1.000 0.000 0.000
dikatakan memenuhi
Model NCP LO 90 HI 90 syarat kalau ada
---------------- ---------- ---------- ---------- minimal 3 parameter
Default model 34.826 14.072 63.406 yang diatas nilai
Saturated model 0.000 0.000 0.000
Independence model 2301.077 2145.949 2463.546 standar (Ghozali
2000)
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
Model RMSEA LO 90 HI 90 PCLOSE

---------------- ---------- ---------- ---------- ----------
Default model 0.051 0.032 0.069 0.441
Model AIC BCC BIC CAIC

---------------- ---------- ---------- ---------- ----------
Default model 124.826 126.702 272.815 239.265
Saturated model 132.000 137.160 538.970 446.709
Model ECVI LO 90 HI 90 MECVI

---------------- ---------- ---------- ---------- ----------
Default model 0.391 0.326 0.481 0.397
Saturated model 0.414 0.414 0.414 0.430
HOELTER HOELTER
Model .05 .01
---------------- ---------- ----------
Default model 242 275
Independence model 10 12
Execution time summary:
Minimization: 0.062
Miscellaneous: 0.438
Bootstrap: 0.000
Total: 0.500
6. Analisis Data dari Output Amos

Uji Reliabilitas
Dengan menggunakan AMOS kita bisa juga melakukan uji reliabilitas.
Reliabilitas adalah ukuran konsistensi internal dan variance extracted dari setiap konstruk.
Hasil reliabilitas yang sangat tinggi memberikan keyakinan bahwa indikator yang dipakai
semua konsisten dengan pengukurannya. Tingkat yang disarankan adalah 0,7.

sedangkan dibawah 0,7 masih bisa diterima pada penelitian exploratory. Reliablitas tidak
menjamin adanya validitas. Ukuran reliabilitas yang dipakai adalah construct reliability dan
variance extracted. Berikut rumusnya
( Stdloading) 2
Construct Re liability 
( StdLoading) 2   
VarianceExtracted 
 StdLoading 2
 Stdloading  2
  1  (StdLoading) 2
Adapun cara yang digunakan adalah

Uji Reliabilitas
Output yang dipakai
-------------------------------- --------
PerceivedValue <--- PerceivedQuality 0.290

WillingnessToBuy <--- PerceivedValue 0.177
Analisis Uji Reliabilitas

Konstruc Perceived Quality
Item StdLoading StdLoading2 
PQ1 0.896 0.803 0.197
PQ2 0.939 0.882 0.118
PQ3 0.920 0.846 0.154
PQ4 0.917 0.841 0.159
 3.672 3.372 0.628
Constuct Reliability

3,672
3,672  0,628
= 0.955486
Variance Extracted

3,373
=
3,373  0,638
= 0.842957
Konstruk Perceived Quality memiliki nilai reliabilitas yang sangat baik.
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.

d. Lakukan Bootstrapping. Data diasumsikan di resammpling kemudian dianalisis. Dari
analisis dibandingkan antara standar error dari metode tersebut dengan metode
Maksimum Likelihood. Apabila selisih signifikan maka ketidak normalan data
menghasilkan hasil yang sangat bias.
Uji Normalitas
Output yang dipakai
Assessment of normality
min max skew c.r. kurtosis c.r.

-------- -------- -------- -------- -------- --------
WB4 1.000 5.000 -0.114 -0.833 -0.949 -3.466
WB3 1.000 5.000 -0.145 -1.060 -0.880 -3.215
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
PV3 1.000 5.000 0.118 0.864 -1.120 -4.090
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
PQ4 1.000 5.000 -0.000 -0.003 -1.319 -4.816
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
Analisis Uji Normalitas

Nilai statistik untuk menguji normalitas tersebut z value (Critical Ratio atau C.R
pada output AMOS 4.01) dari ukuran skewness dan kurtosis sebaran data. Bila nilai C.R
lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data tidak normal. Nilai
kritis dapat untuk CR dari skewness adalah dibawah 2 dan nilai CR kurtosis dibawah 7.
Hasil uji normalitas data terlihat bahwa secara univariate, skewness semua konstruk
mempunyai nilai C.R berada di bawah 2 dan kurtosis semua konstruk memiliki nilai
dibawah 7 yang berarti bahwa secara univariate sebaran data dianggap normal dan
dapat digunakan untuk estimasi pada analisis selanjutnya. sementara secara multivariate
nilai C.R sebaran kurtosis menunjukkan 2,769 yang berarti data berdistribusi normal
multivariate.
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)

Observation Mahalanobis
number d-squared p1 p2
------------- ------------- ------------- -------------
116 37.578 0.000 0.029
107 37.415 0.000 0.000
136 32.120 0.001 0.002
134 31.035 0.001 0.000
110 28.717 0.003 0.001
258 23.994 0.013 0.227
119 23.976 0.013 0.121
151 23.073 0.017 0.192
263 22.716 0.019 0.172
137 22.625 0.020 0.111
111 22.109 0.024 0.138
114 21.685 0.027 0.159
262 21.159 0.032 0.221
152 20.409 0.040 0.406
145 20.369 0.041 0.319
81 20.150 0.043 0.315
158 19.711 0.049 0.417
169 19.232 0.057 0.559
139 19.096 0.059 0.534
170 18.855 0.064 0.569
185 18.606 0.069 0.211
271 18.320 0.074 0.278
171 18.144 0.078 0.298
209 17.992 0.082 0.309
251 17.830 0.086 0.329
dst....
Analisis Output Amos
Dalam analisis multivariate adanya outlier dapat diuji dengan statistik chi
square (x2) terhadap nilai mahalanobis distance squared pada tingkat signifikansi
0,001 dengan degree of freedom sejumlah konstruk yang digunakan dalam penelitian
(Hair et. al.,1998).
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim yang memiliki
karakteristik unik yang sangat berbeda dari observasi lainnya dan muncul dalam bentuk
nilai ekstrim baik untuk variabel tunggal maupun variabel kombinasi (Hair et al., 1998).
Umumnya perlakuan terhadap outliers adalah dengan mengeluarkannya dari data dan
tidak diikutsertakan dalam perhitungan berikutnya. Menurut Ferdinand (2002), bila tidak
terdapat alasan khusus untuk mengeluarkan outliers, maka observasi dapat
diikutsertakan dalam analisis selanjutnya. Outliers dapat dievaluasi dengan nilai
mahalanobis distance dengan nilai degree of freedom sejumlah variabel yang
dipergunakan dalam penelitian pada tingkat p < 0.001. Dalam hal ini variabel yang
dimaksud adalah jumlah item pengukuran pada model. Dalam penelitian ini jumlah
indikator variabel yang digunakan sebanyak 7 indikator variabel. Dengan demikian,
apabila terdapat nilai mahalanobis distance yang lebih besar dari χ2(7, 0.01) = 18.475
maka nilai tersebut adalah outliers multivariate.
Pada Tabel diatas nilai observasi yang dianggap sebagai outliers multivariate adalah
nilai yang tercetak tebal dan miring.
Berdasarkan kriteria nilai mahalanobis distance tersebut, pada kategori surat
elektronik terdeteksi nilai yang dianggap outliers adalah sebanyak 20 outliers. Namun
demikian dari 20 outliers tersebut dipertimbangkan tidak seluruhnya merupakan nilai
ekstrim yang sangat berbeda dari observasi lainnya. Hal ini tampak dari nilai-nilai
mahalanobis distance yang tidak berbeda terlalu jauh pada beberapa nilai outliers
tersebut. Apabila mempertimbangkan bahwa nilai ekstrim tersebut dapat dideteksi dari

adanya perbedaan (lonjakan) nilai mahalanobis distance yang cukup besar maka nilai
yang dianggap outliers hanya sebanyak 5 outliers yaitu observasi nomor 116, 107,
136,134 dan 110. Dengan demikian tidak seluruh nilai outliers akan dikeluarkan dari
analisis. Pada akhirnya, outliers diputuskan untuk tidak dibuang mengingat jika outliers
tersebut dikeluarkan dari analisis maka nilai goodness of fit-nya justru akan mengalami
penurunan dan tidak terjadi perubahan yang cukup signifikan pada nilai normalitas data.
Hal ini didukung oleh dua langkah pengujian outliers. Pertama, jika 20 outliers
dikeluarkan dari analisis, maka nilai goodness of fit-nya justru akan mengalami
penurunan sehingga membuang 20 outliers dianggap bukan merupakan pilihan yang
tepat. Dengan demikian jumlah sampel yang akan digunakan tetap sebanyak 277
sampel.
Asumsi Goodness of Fit

Uji Fit Model
Chi-square = 76.826
Degrees of freedom = 42
Probability level = 0.001
Summary of models
-----------------
Model NPAR CMIN DF P CMIN/DF

---------------- ---- --------- -- --------- ---------
Default model 24 76.826 42 0.001 1.829
Saturated model 66 0.000 0
Independence model 11 2356.077 55 0.000 42.838
Model RMR GFI AGFI PGFI

---------------- ---------- ---------- ---------- ----------
Default model 0.061 0.961 0.939 0.612
Saturated model 0.000 1.000
DELTA1 RHO1 DELTA2 RHO2

Model NFI RFI IFI TLI CFI
---------------- ---------- ---------- ---------- ---------- ----------
Default model 0.967 0.957 0.985 0.980 0.985
Independence model 0.000 0.000 0.000 0.000 0.000
Model PRATIO PNFI PCFI

---------------- ---------- ---------- ----------
Default model 0.764 0.739 0.752
Model NCP LO 90 HI 90
---------------- ---------- ---------- ----------
Default model 34.826 14.072 63.406
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
Model RMSEA LO 90 HI 90 PCLOSE

---------------- ---------- ---------- ---------- ----------
Default model 0.051 0.032 0.069 0.441

Model AIC BCC BIC CAIC

---------------- ---------- ---------- ---------- ----------
Default model 124.826 126.702 272.815 239.265
Saturated model 132.000 137.160 538.970 446.709
Model ECVI LO 90 HI 90 MECVI

---------------- ---------- ---------- ---------- ----------
Default model 0.391 0.326 0.481 0.397
Saturated model 0.414 0.414 0.414 0.430
HOELTER HOELTER
Model .05 .01
---------------- ---------- ----------
Default model 242 275
Independence model 10 12
Execution time summary:
Minimization: 0.062
Miscellaneous: 0.438
Bootstrap: 0.000
Total: 0.500

Hubungan hipotesis konstruk-konstruk penelitian pada model yang diajukan
ditunjukkan hubungan kausal antar konstruk tersebut. Evaluasi nilai goodness of fit dari
model struktural awal yang telah dilakukan disajikan pada Tabel berikut :
Tabel 4.9. Hasil Goodness of Fit Model Struktural

Indeks Nilai Kritis Hasil Keterangan
1. χ2 Diharapkan kecil 78,826 -
2. Probability level < 0.05 0,000 Sangat Baik
3. df Positif Positif Sangat Baik
4. CMIN/DF ≤ 2.0 / ≤ 3.0 2,344 Sangat Baik
5. GFI ≥ 0.90 0.961 Sangat Baik
6. AGFI  0.90 0.939 Sangat Baik
7. CFI  0.90 0.985 Sangat Baik
8. RMSEA  0.08 0.051 Sangat Baik
9. RMR  0.03 0.061 Marginal
10. TLI  0.90 0.980 Sangat Baik
11. NFI  0.90 0.967 Sangat Baik
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

2,344 menunjukkan model fit yang sangat baik.
Goodness of fit index – GFI mencerminkan tingkat kesesuaian model secara
keseluruhan. Dengan tingkat penerimaan yang direkomendasikan GFI  0.90,
disimpulkan bahwa model memiliki GFI 0.diatas 0,9 sehingga dapat dikatakan memiliki
tingkat kesesuaian model yang sangat baik.
Adjusted goodness of fit index – AGFI sebagai pengembangan indeks dari GFI,
merupakan indeks yang telah disesuaikan dengan rasio degree of freedom model yang
diusulkan dengan degree of freedom dari null model. Dengan nilai penerimaan yang
direkomendasikan AGFI  0.90, disimpulkan bahwa model memiliki GFI 0.939 diatas 0,9
sehingga dapat dikatakan memiliki tingkat kesesuaian yang sangat baikl.
Comparative Fit Index – CFI, indeks kesesuaian incremental yang membandingkan
model yang diuji dengan null model. Dengan memperhatikan nilai yang
direkomendasikan CFI  0.90, nilai 0.985 menunjukkan model memiliki kesesuaian yang
sangat baik.
The Root Mean Square Error of Approximation – RMSEA, indeks yang digunakan
untuk mengkompensasi chi-square statistic dalam sampel yang besar. Nilai RMSEA
menunjukkan goodness of fit yang dapat diharapkan bila model diestimasi dalam
populasi. Nilai penerimaan yang direkomendasi RMSEA  0.08, nilai 0.051menunjukkan
nilai kesesuaian yang sangat baik.
Sedangkan pada nilai RMR yang disyaratkan adalah sebesar  0.03, nilai
0.061menunjukkan nilai kesesuaian yang marginal
Tucker Lewis Index - TLI merupakan alternatif incremental fit index yang
membandingkan model yang diuji dengan baseline. Nilai yang direkomendasikan
sebagai tingkat kesesuaian yang baik TLI  0.90, nilai 0.980menunjukkan kesesuaian
model yang sangat baik.
Normed Fit Index – NFI, membandingkan model yang diuji dengan baseline model.
Dengan nilai penerimaan yang direkomendasikan NFI  0.90, nilai 0.967 menunjukkan
model ini memiliki nilai fit yang sangat baik.
Pengujian tingkat kesesuaian model pada SEM tidak menggunakan alat uji statistik
tunggal. Berdasarkan kriteria goodness of fit diatas dari model yang diestimasi
didapatkan nilai kesesuaian yang baik pada semua indeks keculai pada RMR. secara
keseluruhan disimpulkan bahwa model struktural awal yang diestimasi dapat diterima.

Modifikasi Model
Salah satu alat untuk menilai ketepatan sebuah model yang dispesifikasi adalah
melalui indeks modifikasi yang dihitung oleh SEM pada masing-masing hubungan antar
konstruk yang tidak diestimasi. Indeks modifikasi memberikan gambaran mengenai
pengurangan nilai χ2 bila sebuah koefisien diestimasi. Sebuah indeks modifikasi ≥ 4.0
(Arbuckle, 1999 seperti dikutip oleh Ferdinand, 2002) memberikan indikasi bahwa bila
koefisien tersebut diestimasi, maka akan terjadi pengecilan atau penurunan nilai χ2 yang
signifikan. Namun demikian pemodifikasian model yang ditandai dengan penambahan
alur panah baru pada diagram path hanya dapat dilakukan bila mempunyai dukungan
atau justifikasi yang cukup secara teoritis.
Dalam memodifikasi, seluruh path yang tidak signifikan dihilangkan terlebih
dahulu dari model (McCallum, 1986 seperti dikutip oleh Brown & Peterson, 1994, Hox &
Bechger, 1998). Perubahan yang dilakukan pada model yaitu pertama, menghilangkan
jalur pada hubungan konstruk yang tidak signifikan dengan membuang jalur tersebut dari
model/perhitungan tersebut dan kedua, menambahkan jalur modifikasi pada hubungan
konstruk yang bisa memperbaiki kesesuaian model dengan data (Hox & Bechger, 1998).
Meskipun indeks modifikasi menunjukkan beberapa kemungkinan pemodifikasian path,
pemodifikasian model dilakukan dengan menganalisis satu persatu indeks modifikasi yang
muncul pada output AMOS. Hal ini karena indeks modifikasi dapat berubah dengan
adanya penambahan alur panah baru sehingga indeks yang semula masih signifikan
dalam mempengaruhi model dapat menjadi tidak signifikan. Bahkan indeks modifikasi
yang semula tidak signifikan dalam mengubah model, nilainya dapat meningkat sehingga
justru perlu dianalisis lebih lanjut.
Modifikasi Model hanya dilakukan kalau ada dukungan teori yang kuat. Caranya
kalau ada nilai MI yang tinggi, cari jurnal pendukung untuk memperkuat hubungan dari
model yang tersebut.
Modifikasi Model
Modification Indices
--------------------
Covariances: M.I. Par Change

--------- ----------
eWB3 <---------------------------> eWB4 8.317 0.093
eWB2 <---------------------------> eWB4 8.238 -0.086
eWB1 <---------------------------> eWB3 18.156 -0.137
eWB1 <---------------------------> eWB2 10.030 0.096
ePQ4 <----------------------------> zPV 5.536 0.063

ePQ4 <----------------------------> zWB 5.916 0.063
Variances: 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
Tidak ada modifikasi Model

Contoh Modifikasi Indeks Lain
Adapun nilai modifikasi yang muncul pada masing-masing model struktural ditunjukkan
oleh Tabel 1.
Tabel 1.
Indeks Modifikasi Model Struktural

--------- ----------
RisikoKinerja <--- PengorbananPersepsian 34.125 0.345
PengorbananPersepsian <--- RisikoKinerja 33.138 0.551
NilaiPersepsian <--------------- garansi 5.452 0.198
NilaiPersepsian <---- KualitasPersepsian 35.825 0.355
..............................
.............................
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:

Gambar 4.1.
Model Struktural Modifikasi
Citra 0,175
(2,822) -0,231
Merek
Kualitas (-3,043)
Risiko
0,135 Persepsian
(2,195) Kinerja -0,267
Citra (-3,755)
Negara 0,147 0,449
Asal (2,374) (6,273)
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)
modifikasi yang dilakukan

Dengan memperhatikan hasil analisis modifikasi seperti terlihat pada Gambar diatas.
Perbandingan kriteria goodness of fit dari model revisi yang diestimasi dengan model awal dapat
dilihat dalam Tabel 2.
Tabel 2.
Goodness of Fit Model Struktural Modifikasi
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.

Uji Hipotesis
Maximum Likelihood Estimates
----------------------------
Regression Weights: Estimate S.E. C.R. Label
------------------- -------- ------- ------- -------
PerceivedValue <--- PerceivedQuality 0.177 0.040 4.466

WillingnessToBuy <--- PerceivedValue 0.171 0.066 2.608

-------------------------------- --------
PerceivedValue <--- PerceivedQuality 0.290
WillingnessToBuy <--- PerceivedValue 0.177
Analisis Uji Hipotesis

Setelah kriteria goodness of fit dapat terpenuhi atas model struktural yang diestimasi,
selanjutnya analisis terhadap hubungan-hubungan struktur model (pengujian hipotesis) dapat
dilakukan. Hubungan antar konstruk dalam hipotesis ditunjukkan oleh nilai standardized
regression weights. Berdasarkan output SEM, degree of freedom yang digunakan sebesar
277.
Pengujian hipotesis dilakukan pertama, dengan menganalisa tingkat signifikansi
hubungan kausalitas antar konstruk dalam model yang didasarkan pada nilai C.R. Kedua,
dengan melihat standardized structural (path) coefficients dari setiap hipotesis terutama pada
kesesuaian arah hubungan path dengan arah hubungan yang telah dihipotesiskan
sebelumnya. Jika arah hubungan sesuai dengan yang dihipotesiskan dan nilai critical ratio-
nya juga memenuhi persyaratan maka dapat dikatakan bahwa hipotesis yang diuji mendapat
dukungan yang kuat. Nilai kritis yang digunakan adalah nilai z-tabel dengan degree of
freedom 277 yaitu sebesar 1,645 (α = 0,1, two tailed), 2,576 (α = 0,01, two tailed). Adapun
hasil pengujian hubungan kausalitas secara lengkapnya dapat dilihat pada tabel 1.
Tabel 1
Hasil Pengujian Model Struktural Modifikasi
Unstandardized Standardized
Keterangan C.R. S.E.
Estimate Estimate
PerceivedValue  PerceivedQuality 0.177 4.466a 0.290 0.040
WillingnessToBuy  PerceivedValue 0.171 2.608a 0.177 0.066
Keterangan
a  signifikan pada  = 0.01

Berdasarkan hasil analisa model struktural yang menguji hubungan pengaruh antara
perceived quality dengan perceived value didapatkan hasil nilai CR sebesar 4,466 dengan nilai
SE sebesar 0,044 Dengan demikian dapat disimpulkan bahwa ada pengaruh Positif antara
perceived quality terhadap perceived value. Hasil analisa model struktural yang menguji
hubungan pengaruh antara perceived value dengan willingness to buy didapatkan hasil nilai CR
sebesar 2,608 dengan nilai SE sebesar 0,177. Karena nilai CR > dari ± 2,576 maka menunjukkan
bahwa hipotesis diterima pada tingkat signifikansi  = 0,01. Dengan demikian dapat disimpulkan
bahwa ada pengaruh Positif antara perceived value dengan willingness to buy. Hubungan
pengaruh yang timbul merupakan hubungan yang kuat karena signifikan pada  = 0,01
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..............

DAFTAR PUSTAKA
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.

Modulspss PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Modulspss PDF

Загружено:

Авторское право:

Доступные форматы

BUKU

Bagian I Analisis Univariate

Bagian II Analisis Multivariate

Daftar Pustaka ............................................................................................................... 103

Bahan Ajar Praktek Manajemen I 1

Standar Kompetensi Matakuliah

Susunan Bahan Ajar

Petunjuk bagi Mahasiswa untuk mempersiapkan bahan ajar

Bahan Ajar Praktek Manajemen I 2

Bahan Ajar Praktek Manajemen I 3

Kompetensi dasar dan Indikator

SPSS statistik berisi :

Bahan Ajar Praktek Manajemen I 4

Input Data Analisis Data: Output Data

Bahan Ajar Praktek Manajemen I 5

Bahan Ajar Praktek Manajemen I 6

Spss menyediakan beberapa fasilitas yaitu

Bahan Ajar Praktek Manajemen I 7

Menangani File Data

anda akan mendapatkan tampilan sebagai berikut:

Bahan Ajar Praktek Manajemen I 8

Untuk lebih memperjelas penggunaan analisis diskriptif lakukan latihan berikut:

Bahan Ajar Praktek Manajemen I 9

Petunjuk: Klik variabel View

Entrikan judul sebagai berikut:

Bahan Ajar Praktek Manajemen I 10

Frekuensi Data Nominal

Bahan Ajar Praktek Manajemen I 11

Uji Validitas dilakukan untuk mengukur apakah instumen penelitian benar-benar

KP1 KP2 KP3 KO1 KO2 KO3 KK1 KK2

Bahan Ajar Praktek Manajemen I 12

Bahan Ajar Praktek Manajemen I 13

lalu klik Analysis klik Data Reduction klik Factor …

hingga muncul tampilan sebagai berikut

Bahan Ajar Praktek Manajemen I 14

Pastikan bahwa initial solution dipilih lalu klik continue

Bahan Ajar Praktek Manajemen I 15

pilih Varimax lalu klik continue

Output Factor Analysis

Bahan Ajar Praktek Manajemen I 16

Component Transformation Matrix

Bahan Ajar Praktek Manajemen I 17

Bagaimana seandainya output rotated component matrix tidak menunjukkan extraksi

Uji Reliabilitas dengan teknik Cronbach Alpha

Adapun langkahnya adalah sebagai berikut

Bahan Ajar Praktek Manajemen I 18

masukkan variabel kp1, kp2 dan kp3 seperti berikut ini

Bahan Ajar Praktek Manajemen I 19

anda akan menjumpai hasil output sebagai berikut

Scale Scale Corrected

KP1 7.0250 .9481 .2896 .5409

N of Cases = 40.0 N of Items = 3

Bahan Ajar Praktek Manajemen I 20

Scale Scale Corrected

KP2 3.4000 .3487 .3707 .

N of Cases = 40.0 N of Items = 2

Scale Scale Corrected

KO1 6.7750 1.6660 .5119 .6156

N of Cases = 40.0 N of Items = 3

Bahan Ajar Praktek Manajemen I 21

Scale Scale Corrected

KO1 3.4000 .6051 .6814 .

N of Cases = 40.0 N of Items = 2