Menurut Ghozali (2016), “Pengujian multikolinearitas bertujuan untuk mengetahui apakah model regresi terdapat korelasi antar variabel bebas atau variabel bebas”. Pengaruh multikolinearitas menyebabkan variabilitas sampel yang tinggi. Menurut Sugiyono (2015), uji linearitas dapat digunakan untuk mengetahui apakah variabel terikat dan variabel bebas mempunyai hubungan linier yang signifikan atau tidak.
Uji Kelayakan Model
Uji F bertujuan untuk mengetahui ada tidaknya pengaruh secara simultan (bersama-sama) yang diberikan variabel bebas (X) terhadap variabel terikat (Y). Uji t bertujuan untuk mengetahui ada tidaknya pengaruh parsial (sendiri) yang diberikan oleh variabel bebas (X) terhadap variabel terikat (Y).
Analisis Regresi Linier Berganda dengan SPSS
- Persiapan Data Penelitian
- Estimasi Model Regresi Linier
- Pengujian Asumsi Klasik
- Uji Kelayakan Model
Oleh karena itu, dapat disimpulkan bahwa model regresi linier diterima yang berarti terdapat pengaruh secara simultan variabel independen motivasi (X1) dan variabel independen minat (X2) terhadap variabel dependen. 3,441 > t tabel 2,262 sehingga dapat disimpulkan diterima yang berarti terdapat pengaruh variabel independen minat (X2) terhadap variabel dependen kinerja (Y).
Kesimpulan
Berdasarkan uji kelayakan model pada uji F dapat disimpulkan bahwa model regresi linier diterima yang berarti terdapat pengaruh variabel bebas motivasi (X1) dan variabel bebas minat (X2) secara simultan terhadap variabel terikat prestasi (Y). Sedangkan pada uji t tidak terdapat pengaruh variabel independen motivasi (X1) terhadap variabel dependen prestasi kerja (Y), namun terdapat pengaruh variabel independen minat (X2) terhadap variabel dependen prestasi kerja (Y).
Daftar Rujukan
ANALISIS JALUR
Definisi Path Analysis (Analisis Jalur)
Dengan demikian, model analisis jalur digunakan untuk menganalisis pola hubungan antar variabel untuk mengetahui pengaruh langsung atau tidak langsung sekumpulan variabel bebas (eksogen) terhadap variabel terikat (endogen). Model analisis jalur yang dibahas adalah hubungan sebab akibat atau “seperangkat hubungan asimetris sebab-akibat hipotetis antar variabel”.
Prinsip Dasar Path Analysis (Analisis Jalur)
Bobot regresi yang diprediksi dalam suatu model dibandingkan dengan matriks korelasi yang diamati untuk semua variabel dan uji kecocokan statistik juga dihitung. Artinya jika kita menggunakan matriks korelasi sebagai masukan, maka korelasi Pearson digunakan untuk dua variabel skala interval; korelasi polikorik untuk dua variabel skala ordinal; tetrakorik untuk dua variabel dikotomis (skala nominal); poliserial untuk satu interval variabel dan ordinal lainnya; dan biserial untuk satu variabel pada skala interval dan variabel lainnya pada skala nominal.
Manfaat Path Analysis (Analisis Jalur)
Semua jalur efisien akan mencerminkan varian baru bersama dengan semua variabel yang tidak terukur dan tidak akan diinterpretasikan secara tepat dalam kaitannya dengan dampak langsung dan tidak langsung.
Konsep dan Istilah Path Analysis (Analisis Jalur)
- Model Jalur
- Jalur Penyebab untuk Suatu Variabel yang Diberikan
- Variabel Eksogen
- Variabel Endogen
- Koefisien Jalur atau Pembobotan Jalur
- Istilah Gangguan
- Aturan Multiplikasi Jalur
- Dekomposisi Pengaruh
- Signifikansi dan Model Keselarasan dalam Jalur
- Anak Panah dengan Satu Kepala dan Dua Kepala
- Pola Hubungan
- Model Recursive
Variabel endogen adalah variabel yang mempunyai anak panah yang menunjuk ke arah variabel tersebut. Variabel perantara endogen memiliki panah yang mengarah ke dan dari variabel tersebut dalam model.
Perhitungan Path Analysis (Analisis Jalur)
- Merumuskan Hipotesis dan Persamaan Struktural Perumusan persamaan ini sesuai dengan hipotesis yang diajukan
- Menghitung Koefisien Jalur secara Simultan (Keseluruhan)
- Menghitung Koefisien Jalur secara Sndividu
- Menyimpulkan
Koefisien jalur yang terstandarisasi (standardized path coefisien) digunakan untuk menjelaskan besarnya pengaruh (bukan prediksi) suatu variabel bebas (eksogen) terhadap variabel lain yang diperlakukan sebagai variabel terikat (endogen). Kemudian untuk mengetahui arti dari analisis jalur, bandingkan nilai probabilitas 0,05 dengan nilai probabilitas Sig. dengan dasar pengambilan keputusan sebagai berikut.
Model Path Analysis (Analisis Jalur)
- Model Regresi Berganda
- Model Mediasi
- Model Kombinasi Regresi Berganda dan Korelasi
- Model Kompleks
- Model Persamaan Struktural
- Model Persamaan Satu Jalur
- Model Persamaan Dua Jalur
- Model Persamaan Tiga Jalur
- Model Dekomposisi
- Model Trimming
Koefisien jalur menunjukkan pengaruh langsung variabel eksogen k terhadap variabel endogen I, sedangkan ei menunjukkan variabel atau faktornya. Akibat langsung adalah pengaruh suatu variabel eksogen terhadap suatu variabel endogen yang terjadi tanpa adanya variabel endogen lainnya.
Contoh Kasus Path Analysis dengan SPSS
- Contoh Kasus Uji Regresi Variabel Intervening (Analisis Jalur) a. Konsep Dasar Path Analysis
Hasil tersebut menyimpulkan bahwa regresi model II yaitu variabel X1, Hasil tersebut menunjukkan bahwa X1 terhadap Y secara tidak langsung mempunyai pengaruh yang signifikan terhadap Z. 7) Analisis pengaruh X2 melalui Y terhadap Z : Diketahui, bahwa pengaruh langsung X2 mempunyai terhadap Z sebesar 0,146, sedangkan pengaruh tidak langsung ditambah dengan pengaruh langsung yaitu
Langkah-Langkah Uji Analisis Jalur dengan Excel 1. Buka Microsoft Excel dan masukkan data tabulasi
Untuk mendapatkan rata-rata keseluruhan X2, Y dan Z, klik pada hasil rata-rata X1 lalu blok ke samping ke Z (maka akan ditampilkan nilai rata-rata seluruh variabel). Untuk mendapatkan hasil keseluruhan X2, Y, dan Z, blok menyamping ke kolom Z, lalu lepaskan (ini akan menampilkan hasil semua variabel). Untuk memasukkan nilai pada kolom baru, klik kolom di bawah ZX1 dan ketik =( lalu klik kolom angka di bawah X1 sehingga muncul =(B3, lalu kurangi 39,02609 (nilai rata-rata.
Langkah terakhir klik hasilnya dan blokir ke bawah sehingga total untuk ZX1 ditampilkan.
UJI ANOVA DUA JALUR (TWO WAY ANOVA)
Konsep Uji ANOVA Dua Jalur/ANOVA Dua Arah
Kegunaan Uji Two Way ANOVA
Prasyarat atau Asumsi Penggunaan Analisis ANOVA Dua Jalur 1. Sampel penelitian berasal dari kelompok yang independen
Contoh Persoalan Kasus
Menggunakan Perhitungan Manual
- Membuat Hipotesis Penelitian H 0 dan H 1
- Membuat Hipotesis Statistik
- Menentukan Taraf Signifikansi Taraf signifikasi α = 5% atau 0,005
- Tahap Empat Menentukan Uji yang Digunakan Uji ANOVA dua jalur (two way ANOVA)
- Tahap Lima Menentukan Kaidah Pengujian Jika F hitung > F tabel , maka H 0 ditolak
- Menentukan F hitung dan F tabel
- Menarik Kesimpulan a. Model Pembelajaran
H0 (A) : Tidak terdapat perbedaan prestasi belajar pemrograman komputer antara siswa yang diajar menggunakan model pembelajaran inkuiri dan puzzle. H1 (A) : Terdapat perbedaan prestasi belajar pemrograman komputer antara siswa yang diajar menggunakan model pembelajaran inkuiri dan puzzle. H0 (B) : Tidak terdapat perbedaan prestasi belajar pemrograman komputer antara siswa yang mempunyai kemampuan awal tinggi dan rendah.
H1 (B) : Terdapat perbedaan prestasi belajar pemrograman komputer antara siswa yang mempunyai kemampuan awal tinggi dan rendah.
Menggunakan SPSS
Artinya terdapat perbedaan prestasi belajar pemrograman komputer antara siswa yang mempunyai keterampilan awal tinggi dan rendah. Fhitung < Ftabel maka H0 diterima dan H1 ditolak yang berarti tidak terdapat interaksi prestasi belajar pemrograman komputer antara siswa yang mempunyai keterampilan awal tinggi dan rendah yang diajar dengan menggunakan model pembelajaran search and merge figure parts. Setelah klik OK, lakukan hal yang sama dengan memasukkan nilai 1 dan 2 pada variabel Kemampuan Awal.
Pada kolom Prestasi Belajar diisi sesuai data yang ada, sedangkan pada kolom Soal Model Pembelajaran dan Kemampuan Awal diisi data sesuai nilai yaitu 1 karena kategori teratas diisi sesuai nilai yang sama.
UJI NORMALITAS DATA
- Langkah-Langkah
- Melakukan Uji Normalitas Data
Jika semua data sudah masuk maka kita dapat melakukan uji prasyarat pertama yaitu uji normalitas data. Tuliskan prestasi belajar pada kolom Variabel Terikat, dan pola belajar serta keterampilan awal pada kolom Faktor Tetap. Langkah-langkah yang dilakukan adalah klik “Analyze”, lalu pilih Descriptive Statistics, klik “Explore” sehingga muncul kotak “Explore”.
Ketika kotak Explore Plot muncul, klik Normality plots with test, lalu klik Continue dan klik OK.
UJI HOMOGENITAS DATA
- UJI HIPOTESIS
Pada kotak Univariate Profile Plots, model pelatihan dimasukkan pada kolom Sumbu Horizontal, sedangkan Kemampuan Awal dimasukkan pada kolom Baris Terpisah. Pada kolom pilihan Univariat, kolom Tampilkan mean untuk model pembelajaran, kemampuan awal, dan kemampuan awal model pembelajaran*yang dimasukkan. Ini menguji hipotesis nol bahwa varian kesalahan variabel dependen adalah sama di seluruh kelompok.
Untuk melakukan uji hipotesis, ada beberapa hal yang perlu diperhatikan pada tabel Tests of Between-Subjects Effects.
CORRECTED MODEL
INTERCEPT
HIPOTESIS
- Model Pembelajaran
- Kemampuan Awal
- Model Pembelajaran dan Kemampuan Awal
ERROR
R-SQUARED
POST HOC TEST
TABEL TUKEY POST HOC
- Model_Pembelajaran
- Kemampuan_Awal
- Model_Pembelajaran*Kemampuan_Awal Dependent Variable: Prestasi_Belajar
1,000 > 0,05, namun Fhitung < Ftabel maka H0 diterima dan H1 ditolak yang berarti tidak terdapat interaksi hasil belajar pemrograman komputer antara siswa berkemampuan awal tinggi dan rendah yang diajar dengan menggunakan model pembelajaran inkuiri dan puzzle. Pada keluaran SPSS Between-Subjects Factors diketahui jumlah sampel setiap kategori model pembelajaran dan kemampuan awal setiap kategori adalah 20 sampel, hal ini sesuai dengan data yang kami analisis. Dari tabel di atas dapat kita perkirakan rata-rata prestasi belajar berdasarkan model pembelajaran dan kemampuan awal.
Misalnya rata-rata skor prestasi belajar pada model pembelajaran inkuiri dengan keterampilan awal tinggi sebesar 84,00; sedangkan skor prestasi belajar model pembelajaran inkuiri dengan keterampilan awal rendah sebesar 67,00 dan seterusnya.
ANALISIS DISKRIMINAN
Sejarah Singkat
Selama tiga atau empat dekade pertama, tulisan tentang analisis diskriminan berfokus pada prediksi keanggotaan kelompok, yang disebut analisis diskriminan prediktif (PDA) dalam buku ini. Urgensi investigasi tersebut dapat menjadi pertimbangan; penggunaannya dalam penelitian terapan sangat terbatas selama empat puluh tahun terakhir (Huberty, 2006).
Konsep
Saat membahas DDA dan PDA pada Gambar 4.1, kami mengacu pada analisis korelasi berganda (MCA) dan analisis regresi berganda (MRA). Artinya, DDA dan MCA dilakukan untuk tujuan “asosiasi”, sedangkan PDA dan MRA untuk tujuan “prediksi” (Huberty, 2006).
Definisi
Analisis diskriminan merupakan teknik multivariat yang termasuk dalam metode ketergantungan yaitu terdapat variabel terikat dan ada variabel bebas dengan ciri variabel terikat harus berupa data kategorikal, sedangkan variabel bebas berupa data non kategorikal. Analisis diskriminan hampir sama dengan analisis regresi, bedanya analisis regresi pada variabel terikat harus berupa data rasio, sedangkan jenis data pada variabel bebas dapat berupa data rasio atau kategori (Santoso, 2002). Model analisis diskriminan mempunyai ciri-ciri khusus, yaitu data variabel terikatnya harus berupa data kategorikal, sedangkan data independennya harus berupa data non-kategoris.
Variabel terikat (Y1) berupa data kategorikal atau nominal, seperti level operator (kode 1), level supervisor (kode 2), level manajer (kode .3).
Tujuan Analisis Diskriminan
Dalam analisis varians dan regresi, variabel terikatnya berupa matriks atau skala interval, sedangkan dalam analisis diskriminan, variabel terikatnya dikategorikan. Dalam hal ini analisis variansi variabel independen seperti umur dan pendapatan dikategorikan menjadi tinggi, sedang dan rendah. Memprediksi apakah suatu objek termasuk dalam salah satu kategori variabel terikat berdasarkan informasi dari objek tersebut.
Asumsi Analisis Diskriminan
Proses Analisis Diskriminan
Analisis Diskriminan dan Analisis Multidiskriminan 1. Konsep Perbedaannya
- Kasus
- Langkah
- Menganalisis Output Determinan
- Pembuatan Cut Off Score (Nilai Batas)
- Mengukur Ketepatan Klasifikasi
Tampak di layar seperti Gambar 4.10.. h) Pada bagian Deskriptif, aktifkan opsi Mean, Univariate ANOVAs dan Box's M dan pastikan bagian Function Coefisiens untuk Unstandardized dicentang. Artinya usia mereka yang direkomendasikan belum cakap atau kompeten tidak berbeda nyata. Artinya terdapat nilai praktis dalam mempengaruhi hasil rekomendasi yang belum kompeten dan kompeten untuk melaksanakan uji kompetensi responden.
Sama atau tidaknya matriks kovarians grup juga dapat dilihat dari tabel keluaran log-determinan berikut (di atas tabel M kotak), seperti keluaran pada Gambar 4.16.
KORELASI KANONIKAL
Pengertian CCA
Analisis korelasi kanonik merupakan analisis regresi berganda dengan variabel terikat q dan variabel bebas p, yang modelnya sebagai berikut (Johnson & Wichern, 2014):
Tujuan CCA
Jenis-Jenis Data yang Digunakan dalam CCA
Asumsi-Asumsi yang Harus Dipenuhi pada CCA
- Linieritas
- Variabel Independen dan Dependen Berdistribusi Normal Multivariat
- Homoskedastisitas
- Multikolinieritas
Linearitas dapat dikatakan penting untuk analisis korelasi kanonik dan mempengaruhi dua aspek hasil korelasi kanonik. Jika variabel-variabel yang berhubungan tidak linier maka hubungan tersebut tidak dapat dijelaskan oleh koefisien korelasi kanonik. Apabila hasil pengujian antara variabel bebas dengan variabel terikat mempunyai nilai p<0,05 maka modelnya linier.
Homoskedastisitas menggambarkan data yang varians errornya (ℯ) konstan melebihi batas nilai variabel independen.
Proses Dasar dari CCA Proses korelasi knonikal, yaitu
Variabel asli yang mempunyai nilai canonical loading yang besar (>0,5) akan dikatakan mempunyai peranan yang besar dalam himpunan variabel. Semakin tinggi nilai canonical loading maka semakin penting peran variabel asli dalam himpunan variabel. Bobot kanonik lebih baik dalam menafsirkan hubungan antar variabel dibandingkan bobot kanonik karena kelemahan bobot kanonik.
Bobot kanonik dan pemuatan kanonik hanya melihat kontribusi dan korelasi variabel kanonik dalam satu himpunan, sedangkan pembebanan silang digunakan untuk melihat korelasi antara variabel asli dalam himpunan yang satu dengan variabel kanonik dalam himpunan yang lain.
Uji Signifikansi CCA
- Uji Korelasi Kanonik Secara Keseluruhan Hipotesis
- Uji Secara Sebagian Hipotesis
Analisis Redundasi
Prosedur Melakukan CCA dengan SPSS
- Contoh Kasus CCA
- Pengujian Persyaratan
- Pengolahan Data
Kemudian cek plot Histogram dan Normalitas dengan test, klik Continue lalu klik OK, maka akan terlihat hasil sebagai berikut. Pilih Setting, centang tes linearitas, lalu Lanjutkan lalu klik OK, maka Anda akan mendapatkan hasil seperti di bawah ini. Pengujian multikolinearitas dengan cara mengkorelasikan variabel independen dengan variabel dependen dengan cara klik Analyze kemudian Correlate lalu klik Bivariate kemudian masukkan semua variabel dependen dan independen pada kolom variabel klik OK.
Buat analisis korelasi kanonik dengan masuk ke menu File, lalu klik New, lalu klik Syntax, maka akan muncul kotak dialog seperti berikut.
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA)
Sejarah dan Pengertian MANOVA
Dalam analisis varians multivariat terdapat beberapa statistik uji yang dapat digunakan untuk mengambil keputusan (Kattree dan Naik, 2000), yaitu: Dalam analisis varians multivariat terdapat beberapa statistik uji yang dapat digunakan untuk mengambil keputusan yaitu. Statistik uji ini paling cocok digunakan jika asumsi homogenitas matriks varians-kovarians tidak terpenuhi, ukuran sampel kecil, dan hasil pengujian saling bertentangan yaitu jika beberapa vektor mean berbeda. dan yang lainnya tidak.
Statistik uji digunakan jika terdapat dua atau lebih himpunan variabel bebas dan asumsi homogenitas matriks varians-kovarians terpenuhi.
Contoh Kasus dalam MANOVA
- Penyelesaian Kasus MANOVA dengan SPSS 1. Analisis Asumsi
Meneliti apakah ketiga metode pengajaran mempunyai kemampuan yang sama dalam mempengaruhi hasil ujian RAB dan Manajemen Konstruksi secara bersamaan (simultan) (dampak sedang). Apakah penerapan ketiga metode pengajaran tersebut mempengaruhi hasil ujian RAB (rata-rata). H0 : Terdapat perbedaan secara simultan penggunaan metode pengajaran pada hasil ujian RAB dan hasil ujian Manajemen Konstruksi.
H1 : Tidak terdapat perbedaan penggunaan metode pengajaran secara simultan pada hasil ujian RAB dan hasil ujian Manajemen Konstruksi.
