IDENTIFIKASI VARIABEL MODERATOR KATEGORIK PADA REGRESI LINEAR BERGANDA.

(1)

IDENTIFIKASI VARIABEL MODERATOR KATEGORIK PADA REGRESI LINEAR BERGANDA

SKRIPSI

Diajukan untuk Memenuhi Sebagian dari Syarat untuk Memperoleh Gelar Sarjana Sains

Program Studi Matematika Konsentrasi Statistika

Oleh

Rina Martiana Solihat

0902057

POGRAM STUDI MATEMATIKA JURUSAN PENDIDIKAN MATEMATIKA

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA

(2)

IDENTIFIKASI VARIABEL MODERATOR KATEGORIK PADA REGRESI LINEAR BERGANDA

Oleh

Rina Martiana Solihat

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat untuk memperoleh gelar Sarjana Sains pada

Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam

Agustus 2013

Hak Cipta dilindungi undang-undang.

(3)

RINA MARTIANA SOLIHAT

IDENTIFIKASI VARIABEL MODERATOR KATEGORIK PADA REGRESI LINEAR BERGANDA

DISETUJUI DAN DISAHKAN OLEH :

Pembimbing I:

Drs. Nar Herrhyanto, M.Pd NIP. 196106181987031001

Pembimbing II

Fitriani Agustina, S.Si., M.Si NIP. 198108142005012001

Mengetahui,

Ketua Jurusan Pendidikan Matematika

(4)

IDENTIFIKASI VARIABEL MODERATOR KATEGORIK PADA REGRESI LINEAR BERGANDA

ABSTRAK

Variabel merupakan hal penting dalam penelitian. Dalam kehidupan nyata, banyak persoalan atau fenomena yang meliputi lebih dari sebuah variabel. Akibatnya, terasa perlu untuk mempelajari analisis data yang terdiri dari banyak variabel. Dalam analisis regresi linear sederhana, bisa dilihat bahwa kontribusi variabel prediktor terhadap variabel respon signifikan dan berdasarkan analisis korelasi bisa dilihat besar kecilnya kontribusi tersebut. Untuk kasus kontribusi terhadap yang sangat kecil, ada kemungkinan variabel bukan merupakan variabel prediktor murni. Hal ini memungkinkan adanya pengaruh dari variabel moderator. Variabel moderator merupakan variabel yang variabilitasnya diukur, dimanipulasi atau dipilih oleh peneliti untuk mengetahui apakah berpengaruh terhadap kekuatan (memperlemah atau memperkuat) hubungan antara variabel prediktor dan variabel respon. Variabel moderator tidak secara langsung mempengaruhi variabel respon (tidak terdapat dalam model). Adanya variabel moderator perlu diidentifikasi, sehingga jika benar terdapat variabel moderator maka peranannya perlu diperhatikan. Untuk mengidentifikasi variabel moderator yang berupa data kategorik yaitu membuat model regresi linear berganda antara variabel prediktor dengan variabel respon untuk setiap kategori dan menguji apakah koefisien regresi dari setiap model tersebut sama atau tidak. Jika koefisien dari setiap model untuk masing-masing kategori dari variabel yang diidentifikasi sebagai variabel moderator sama, maka variabel tersebut bukan merupakan variabel moderator. Akan tetapi, jika koefisien dari setiap modelnya berbeda, maka variabel tersebut mempengaruhi besarnya kekuatan hubungan antara variabel prediktor dan variabel respon. Sehingga variabel tersebut merupakan variabel moderator. Pengujian ini dilakukan dengan menggunakan uji Chow. Contoh kasusnya adalah pengaruh umur,berat badan, tinggi badan dan tinggi lutut terhadap indeks masa tubuh. Dimana variabel prediktornya yaitu Umur ( ), Berat Badan , Tinggi Badan ( ) dan Tinggi Lutut ( ). Variabel responnya yaitu Indeks Massa Tubuh ( ). Sedangkan variabel yang akan diidentifikasi sebagai variabel moderator yaitu Gender ( , dimana variabel Gender ( terdiri dari dua kategori yaitu laki-laki dan perempuan. Setelah dilakukan identifikasi variabel moderator, ternyata variabel Gender ( merupakan variabel moderator, sehingga untuk menganalisis bentuk hubungan antara variabel prediktor terhadap variabel respon dilakukan analisis regresi berganda secara terpisah antara laki-laki dan perempuan.

(5)

THE IDENTIFICATION OF CATEGORIC MODERATOR VARIABLE IN THE MULTIPLIED LINEAR REGRESSION

(6)

(7)

DAFTAR ISI

Halaman

LEMBAR PENGESAHAN

LEMBAR PERNYATAAN

ABSTRAK ... i

KATA PENGANTAR ... ii

UCAPAN TERIMA KASIH ... iii

DAFTAR ISI ... iv

DAFTAR TABEL ... vii

DAFTAR LAMPIRAN ... viii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Batasan Masalah... 2

1.3 Rumusan Masalah ... 3

1.4 Tujuan Penulisan ... 3

1.5 Manfaat Penulisan ... 3

1.5.1 Manfaat Praktis ... 3

1.5.2 Manfaat Teoritis ... 3

1.6 Sistematika Penulisan ... 4

BAB II LANDASAN TEORI ... 6

2.1 Pengertian Variabel ... 6

2.2 Jenis Variabel ... 6

2.2.1 Variabel Bebas ... 6

(8)

2.2.3 Variabel Moderator ... 7

2.2.4 Variabel Kontrol... 7

2.2.5 Variabel Perantara ... 7

2.3 Analisis Regresi ... 8

2.3.1 Asumsi Klasik dalam Regresi Linear ... 8

2.3.1.1Uji Normalitas ... 8

2.3.1.2Uji Multikolinearitas ... 9

2.3.1.3Uji Autokorelasi ... 10

2.3.1.4Uji Linearitas ... 10

2.3.1.5Uji Heteroskedastisitas ... 10

2.3.2 Regresi Linear Sederhana ... 11

2.3.2.1Model Regresi Linear Sederhana ... 11

2.3.2.2Penaksiran Parameter pada Model Regresi Linear Sederhana ... 12

2.3.3 Regresi Linear Berganda ... 14

2.3.3.1Model Regresi Linear Berganda ... 14

2.3.3.2Penaksiran Parameter pada Model Regresi Linear Berganda ... 15

2.4 Model Regresi Linear Berganda dengan Dua Prediktor dan Interaksi antara Kedua Variabel Prediktor ... 19

2.5 Penaksiran Parameter pada Model Regresi Linear Berganda dengan dua Variabel Prediktor dan Interaksi antara Kedua Variabel Prediktor ... 20

2.6 Uji Keberartian pada Model Regresi Linear Berganda ... 23

2.7 Sifat-sifat Penaksir ... 23

2.8 Sifat Distribusi Chi-kuadrat ... 24

2.8.1 Sifat 1 ... 24

(9)

BAB III IDENTIFIKASI VARIABEL MODERATOR

KATEGORIK ... 26

3.1 Identifikasi Variabel Moderator ... 26

3.2 Uji Chow untuk Menguji Kesamaan Koefisien Regresi Dari Dua Model Regresi ... 27

BAB IV CONTOH KASUS ... 32

4.1 Gambaran Umum Data ... 32

4.1.1 Indeks Massa Tubuh ... 32

4.1.2 Obesitas ... 33

4.2 Contoh Penerapan dengan Variabel Moderator Kategorik ... 33

4.3 Uji Asumsi Klasik ... 34

4.4 Uji Keberartian Model ... 42

4.5 Uji Signifikansi ... 44

4.6 Pengujian Variabel Moderator ... 45

BAB V KESIMPULAN DAN SARAN ... 54

5.1 Kesimpulan ... 54

5.2 Saran ... 55

DAFTAR PUSTAKA ... 56

LAMPIRAN ... 58

(10)

DAFTAR TABEL

Halaman

Tabel 2.1 Data untuk Model Regresi Linear Berganda ... 15

Tabel 3.1 Pengamatan pada Model Regresi Linear Berganda ... 27

Tabel 3.2 Anava untuk Data Gabungan Subgrup 1 dan Subgrup 2 ... 28

Tabel 3.3 Anava untuk Data Subgrup 1 dengan n1 Pengamatan ... 29

Tabel 3.4 Anava untuk Data Subgrup 2 dengan n2 Pengamatan ... 29

Tabel 4.1 Kategori Indeks Massa Tubuh ... 33

Tabel 4.2 Uji Normalitas ... 34

Tabel 4.3 Uji Multikolinearitas ... 35

Tabel 4.4 Uji Autokorelasi ... 35

Tabel 4.5 ANAVA Y dengan Z ... 36

Tabel 4.6 ANAVA Y dengan X1... 37

Tabel 4.10 Test of Homogeneity of Variance ... 41

Tabel 4.11 ANAVA untuk Uji Keberartian Model ... 42

Tabel 4.12 Coefficients... 43

Tabel 4.13 Coefficients... 44

Tabel 4.14 Coefficient Gabungan ... 45

Tabel 4.15 ANAVA Gabungan ... 46

Tabel 4.16 Coefficients Subgrup Laki-laki ... 48

Tabel 4.17 ANAVA Subgrup Laki-laki ... 48

Tabel 4.18 Coefficients Subgrup Perempuan ... 50

(11)

DAFTAR LAMPIRAN

Halaman

(12)

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Variabel merupakan hal penting dalam penelitian. Dalam kehidupan nyata, banyak persoalan atau fenomena yang meliputi lebih dari sebuah variabel. Misalnya, hasil produksi padi tergantung pada jumah pupuk yang digunakan, hujan, cuaca dan sebagainya. Akibatnya, terasa perlu untuk mempelajari analisis data yang terdiri dari banyak variabel. Jika suatu data terdiri atas dua data atau lebih, maka perlu dipelajari cara bagaimana variabel-variabel tersebut berhubungan. Hubungan yang didapat pada umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsional antara

variabel-variabel. Untuk mengetahui bentuk hubungan antar variabel digunakan analisis model regresi.

Model regresi linear digunakan untuk mengetahui bentuk hubungan antara variabel prediktor dan variabel respon yang dinyatakan dalam sebuah persamaan. Model regresi ini sangat berguna dan telah banyak digunakan dalam berbagai bidang. Tetapi dalam kasus penelitian tertentu, model regresi linear ini tidak hanya mencakup hubungan antara variabel prediktor dan variabel respon, tetapi ada kemungkinan pengaruh dari variabel lain yang tidak terdapat pada model namun mempengaruhi besarnya kekuatan (memperkuat atau memperlemah) hubungan antara variabel prediktor dan variabel respon. Dalam analisis regresi linear sederhana, bisa dilihat bahwa kontribusi variabel prediktor terhadap

variabel respon signifikan dan berdasarkan analisis korelasi bisa dilihat besar kecilnya kontribusi tersebut. Untuk kasus kontribusi terhadap yang sangat

kecil, ada kemungkinan variabel bukan merupakan variabel prediktor murni.

Hal ini memungkinkan adanya pengaruh dari variabel moderator.

(13)

2

respon, sedangkan variabel moderator tidak secara langsung mempengaruhi variabel respon (tidak terdapat dalam model) tetapi mempengaruhi besarnya kekuatan hubungan antara variabel prediktor dan variabel respon. Hal ini biasanya tidak diperhatikan dalam analisis regresi yang biasa dilakukan. Oleh karena itu variabel moderator dapat menyesatkan analisis data. Auginis (2004:3)

menyebutkan bahwa para peneliti dapat mencari moderator dalam upaya untuk meningkatkan kesesuaian model, mengingat bahwa efek utama saja tidak dapat memberikan tingkat akurasi yang cukup dalam prediksi.

Adanya variabel moderator perlu diidentifikasi, sehingga jika benar terdapat variabel moderator maka peranannya perlu diperhatikan. Sebagaimana dikemukakan oleh Hall dan Rosenthal (1991:447) bahwa “If we want to know how well we are doing in the biological, psychological, and social science, an index that will serve us well is how far we have advanced in our understanding of the

moderator variables of our field.”. _{Jika variabel moderator merupakan variabel}

kategorik, maka kekuatan antara variabel prediktor dengan variabel respon akan

berbeda untuk setiap kategori dari variabel moderator tersebut.

Variabel moderator tidak hanya terjadi pada kasus regresi linear sederhana. Regresi linear sederhana hanya menggunakan satu variabel prediktor.

Berdasarkan hal tersebut, penulis mengangkat judul “IDENTIFIKASI

VARIABEL MODERATOR KATEGORIK PADA REGRESI LINEAR BERGANDA”.

1.2 Batasan Masalah

Pembatasan masalahpada skripsi ini yaitu :

1. Hanya melibatkan satu variabel yang akan diidentifikasi sebagai variabel moderator.

2. Variabel yang akan diidentifikasi tersebut merupakan variabel kategorik dengan dua kategori.

(14)

3

1.3 Rumusan Masalah

Berdasarkan latar belakang masalah di atas maka rumusan masalah pada skripsi ini yaitu :

1. Bagaimana cara mengidentifikasi suatu variabel yang dicurigai sebagai variabel moderator?

2. Bagaimana penerapan dari pengidentifikasian variabel gender sebagai

variabel moderator pada kasus regresi linear berganda antara variabel umur, berat badan, tinggi badan, dan tinggi lutut yang berpengaruh terhadap indeks massa tubuh di Kota Depok?

1.4 Tujuan Penulisan

Tujuan penulisan skripsi ini yaitu

1. Mengetahui cara mengidentifikasi suatu variabel yang dicurigai sebagai variabel moderator.

2. Mengetahui penerapan dari pengidentifikasian variabel gender sebagai variabel moderator pada kasus regresi linear berganda antara variabel umur, berat badan, tinggi badan, dan tinggi lutut yang berpengaruh terhadap indeks massa tubuh di Kota Depok.

1.5 Manfaat Penulisan 1.5.1 Manfaat Praktis

Skripsi ini diharapkan dapat menjadi sumber pengetahuan bagi mahasiswa maupun kalangan lainnya. Selain sebagai sumber pengetahuan juga diharapkan dapat meberikan motivasi untuk melakukan penelitian

lanjutan, khususnya dibidang statistika.

1.5.2 Manfaat Teoritis

(15)

4

hubungan antara variabel prediktor dengan variabel respon. Mengidentifikasi variabel moderator sangat penting dalam memahami dan memprediksi perilaku konsumen (Zaltman, Pinson, dan Angelmar (1973).

1.6 Sistematika Penulisan

Sistematika penulisan pada skripsi ini yaitu:

BAB I PENDAHULUAN

Terdiri dari latar belakang masalah, rumusan masalah, batasan masalah, tujuan penulisan, manfaat penulisan, dan sistematika penulisan.

BAB II LANDASAN TEORI

Berisi uraian mengenai teori-teori dasar yang sesuai dengan masalah yang dikaji, seperti regresi linear sederhana yang meliputi model dan penaksiran parameter, regresi berganda yang meliputi model dan penaksiran parameter, dan pengujian keberartian model.

BAB III IDENTIFIKASI VARIABEL MODERATOR KATEGORIK PADA REGRESI LINEAR BERGANDA

Membahas mengenai cara mengidentifikasi variabel yang dicurigai sebagai variabel moderator.

BAB IV STUDI KASUS

Berisi suatu contoh studi kasus dengan menggunakan data sekunder dengan empat variabel prediktor, satu variabel respon dan satu variabel

(16)

5

BAB V PENUTUP

Berisi kesimpulan dan saran.

DAFTAR PUSTAKA

(17)

BAB III

IDENTIFIKASI VARIABEL MODERATOR KATEGORIK

3.1 Identifikasi Variabel Moderator

Misalkan merupakan variabel prediktor dan Y merupakan variabel respon, serta terdapat n observasi. Model regresi linear berganda antara

dengan Y dapat ditulis sebagai berikut :

,

Berdasarkan model tersebut, besarnya kekuatan hubungan antara X dan Y ditentukan oleh besarnya , sehingga besarnya tidak diperhatikan dalam model.

Berdasarkan Sharma al. (1981:297), langkah awal untuk mengidentifikasi apakah variabel Z merupakan variabel moderator atau bukan yaitu dengan membuat model regresi antara variabel Y dengan variabel X dan Z.

Perhatikan model regresi dimana variabel Z dilibatkan dalam model :

Jika variabel Z dan atau interaksi antara X dan Z signifikan, maka Z merupakan variabel prediktor dan bukan merupakan variabel moderator Dalam hal ini, analisis dilakukan seperti biasa. Disisi lain jika Z dan interaksinya dengan X tidak signifikan, maka model regresinya yaitu:

Secara sepintas terlihat bahwa besarnya kekuatan hubungan antara X dan Y tidak dipengaruhi oleh Z. Akan tetapi, bisa jadi variabel Z tercakup dalam variabel galat. Oleh karena Z tercakup dalam variabel galat, maka secara tidak langsung Z akan mempengaruhi besarnya kekuatan hubungan antara X dan Y. Dalam arti, jika sampel dipartisi menjadi subgrup berdasarkan variabel Z, maka

akan didapat taksiran dari yang berbeda setiap subgrup. Jika taksiran

dari dalam setiap subgrup berbeda maka Z merupakan variabel

(18)

27

Rina Martiana Solihat, 2013

Pengujian untuk mengetahui taksiran dari sama atau tidak

untuk setiap subgrup dilakukan dengan menggunakan uji Chow.

3.2 Uji Chow untuk Menguji Kesamaan Koefisien Regresi dari Dua Model Regresi

Misalkan dari suatu populasi diambil sampel acak berukuran n.

Selanjutnya akan dilihat bentuk hubungan antara variabel dan yang dinyatakan dalam sebuah persamaan. Untuk melihat bentuk hubungan antara variabel dan dapat digunakan analisis regrsi linear

berganda.

Model regresi untuk pengamatan di atas yaitu :

(3.1)

Misalkan responden dalam populasi tersebut dapat dikelompokkan menjadi dua subgrup yang saling lepas berdasarkan variabel . Misalkan pada subgrup pertama terdapat pengamatan, sedangkan pada subgrup kedua terdapat pengamatan sehingga

Tabel 3.1 Pengamatan pada Model Regresi Linear Berganda

Subgrup Pengamatan ke-

2

1

2

1

(19)

28

Rina Martiana Solihat, 2013

Untuk subgrup pertama, misalkan didapatkan model regresi :

_(3.2)

Untuk subgrup kedua, misalkan didapatkan model regresi :

_(3.3)

Penaksiran dari dan dilakukan dengan metode OLS.

Berdasarkan model (3.2) dan (3.3) akan diuji apakah koefisien regresi dari kedua model regresi tersebut sama atau tidak.

Dengan hipotesis sebagai berikut :

(3.4)

Dari model persamaan (3.1) dapat dicari Sum of Square Error (SSE) dimana

∑

̂

Tabel ANAVA untuk model persamaan (3.1) adalah sebagai berikut : Tabel 3.2 Anava untuk Data Gabungan Subgrup 1 dan Subgrup 2

Sumber Variasi Sum of Square Derajat Bebas Mean Square

Regresi

Residual(Galat)

Total

Dari model regresi linear untuk subgrup 1 pada persamaan (3.2) dapat dicari , yaitu :

∑

(20)

29

Rina Martiana Solihat, 2013

Tabel ANAVA untuk model persamaan (3.2) adalah sebagai berikut : Tabel 3.3 Anava untuk Data Subgrup 1 dengan n1 Pengamatan

Regresi

Residual(Galat)

Total

Dari model regresi linear untuk subgrup 2 pada persamaan (3.3) dapat dicari , yaitu :

∑

̂

Tabel ANAVA untuk model persamaan (3.3) adalah sebagai berikut :

Tabel 3.4 Anava untuk Data Subgrup 2 dengan n2 Pengamatan

Regresi

Residual(Galat)

Total

, banyaknya parameter dalam model.

Misalkan parameter pada regresi linear berganda ada 4 buah, maka diperoleh hasil:

(21)

30

Rina Martiana Solihat, 2013

2  SSE ₂ 4  n

 (3.5)

Karena maka ₂



SSE 2

4 ) (n11n2

 (3.6)

2. Untuk data subgrup 1

2  SSE 2 4 1 n

 (3.7)

3. Untuk data subgrup 2

2  SSE 2 4 2 n

 (3.8)

Berdasarkan sifat 1 pada subbab 2.5 maka,

2 8 2 2 1 2 1 ~ ) (    n n SSE SSE 

 (3.9)

Berdasarkan sifat 2 pada subbab 2.5 maka,

2 4 2 2

1 ) _~

(

 

SSE SSE

SSE 

(3.10)

Dengan demikian, diperoleh statistik uji untuk pengujian hipotesis pada persamaan (3.4) adalah :

8 , 4 2 1 2 1 2 1 2 1 ~ 8 ) ( 4 )) ( (       

 F n n

n n SSE SSE SSE SSE SSE F (3.11)

Dari persamaan (3.4) jika diperoleh :

∑ ∑( ̂ )

(22)

31

Rina Martiana Solihat, 2013

∑( ̂ )

∑( ̂)

Di sisi lain, jika maka

semakin besar selisih antara dan maka akan semakin besar, begitu juga dengan nilai akan semakin besar. Maka untuk menguji dapat digunakan statistik uji di atas.

Penolakan mengimplikasikan bahwa ,

artinya model regresi linear berganda untuk kedua subgrup dari tidak berbeda,

maka bukan merupakan variabel moderator.

Jika bukan merupakan variabel moderator, analisis regresi linear

berganda dapat dilakukan seperti biasa. Tetapi jika merupakan variabel

moderator maka analisis regresi linear berganda dilakukan secara terpisah untuk

(23)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

1. Langkah-langkah untuk mengidentifikasi variabel moderator kategorik dalam regresi linear berganda yaitu:

a. Menentukan model regresi terbaik dengan melibatkan variabel yang akan diidentifikasi sebagai variabel moderator dalam model.

b. Misalkan variabel yang akan diidentifikasi sebagai variabel moderator yaitu variabel Z. Jika variabel Z dan atau interaksinya dengan variabel prediktor signifikan, maka variabel Z tersebut bukan variabel moderator melainkan variabel prediktor. Jika variabel Z dan interaksinya dengan variabel prediktor tidak signifikan, maka sampel

akan dibagi kedalam dua subgrup berdasarkan kategori variabel moderator tersebut.

c. Akan diuji koefisien regresi dari masing-masing model subgrup. Jika koefisien regresi dari masing-masing subgrup sama, maka variabel Z tersebut bukan merupakan variabel moderator. Jika koefisien regresi dari masing-masing subgrup berbeda, maka variabel Z merupakan variabel moderator.

(24)

55

dilakukan analisis regresi berganda secara terpisah antara laki-laki dan perempuan.

Untuk Laki-laki taksiran persamaan regresinya berbentuk :

̂

Untuk Perempuan taksiran persamaan regresinya berbentuk :

̂

Hal ini berarti bahwa Berat Badan berpengaruh positif terhadap

Indeks Massa Tubuh seorang laki-laki dan perempuan. Sedangkan Tinggi Badan berpengaruh negatif terhadap Indeks Massa Tubuh seorang

laki-laki dan perempuan.

Jika seorang laki-laki memiliki berat badan 60 kg dan tinggi badan 1,6 meter, maka diperkirakan Indeks Massa Tubuhnya sebesar 23,4322 kg/meter2. Berdasarkan kategori Indeks Massa Tubuh, maka laki-laki ini termasuk kedalam kategori kelebihan berat badan.

Jika seorang perempuan memiliki berat badan 60 kg dan tinggi badan 1,6 meter, maka diperkirakan Indeks Massa Tubuhnya sebesar 23,5406 kg/meter2. Berdasarkan kategori Indeks Massa Tubuh, maka perempuan ini termasuk kedalam kategori kelebihan berat badan.

Meskipun laki-laki dan perempuan ini termasuk kedalam kategori kelebihan berat badan, akan tetapi besarnya Indeks Massa Tubuh mereka berbeda. Oleh karena itu, peran dari variabel moderator ini sangatlah penting. Sehingga dapat meminimalisir kekeliruan dalam memprediksi Indeks Massa Tubuh seseorang.

5.2 Saran

Dalam penulisan selanjutnya dapat digunakan variabel moderator lebih

(25)

57

DAFTAR PUSTAKA

Aguinis, Herman.(2004). Regression Analysis for Categorical Moderators. New York : Guilford Press.

Gujarati, D.N dan Porter, D.C.(2010). Dasar-dasar Ekonometrika. Jakarta: Salemba Empat.

Liana, Lie. 2009. Penggunaan MRA dengan SPSS untuk Menguji Pengaruh Variabel Moderatoring terhadap Hubungan antara Variabel Independen dan Variabel Dependen. Jurnal Teknologi Informasi DINAMIK,

14,(2),90-97.

Marhamah.(2006). Indeks Massa Tubuh dan Gaya Hidup Kaitannya dengan Skor

Kesehatan dan Kemampuan Kognitif Usia Lanjut di Kota

Depok.[Online].

Tersedia: http://repository.ipb.ac.id/handle/123456789/47094. [17 Mei 2013]

Praktikum 3. (2010). Analisis Regresi Sederhana. Bandung: UPI.

Praktikum 4. (2010). Analisis Regresi Ganda. Bandung: UPI.

Rahayu,B.S dan Gendro Pujaningsing.(2010). Pengaruh Motivasi, Lingkungan Kerja, Kepemimpinan dan Kompetensi terhadap Kinerja Tenaga Tutor Program Paket B Pendidikan Luar Sekolah dengan Kepuasan Kerja sebagai Variabel Pemoderasi di Kabupaten Karanganyar. E-Jurnal.stie-aub, 1, (1),49-66.

(26)

58

300.

Sugiyono.(2011). Statistika untuk Penelitian. Bandung: Alfabeta.