ANALISIS REGRESI DAN KORELASI (Materi VIII : Analisis Regresi dan Korelasi Sederhana

)
Pengertian : Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel yang mempengaruhi disebut Independent Variable (variabel bebas) dan variabel yang dipengaruhi disebut Dependent Variable (variabel terikat). Jika dalam persamaan regresi hanya terdapat satu variabel bebas dan satu variabel terikat, maka disebut sebagai persamaan regresi sederhana, sedangkan jika variabel bebasnya lebih dari satu, maka disebut sebagai persamaan regresi berganda. Analisis Korelasi merupakan suatu analisis untuk mengetahui tingkat keeratan hubungan antara dua variabel. Tingkat hubungan tersebut dapat dibagi menjadi tiga kriteria, yaitu mempunyai hubungan positif, mempunyai hubungan negatif dan tidak mempunyai hubungan. Analisis Regresi Sederhana : digunakan untuk mengetahui pengaruh dari variabel bebas terhadap variabel terikat atau dengan kata lain untuk mengetahui seberapa jauh perubahan variabel bebas dalam mempengaruhi variabel terikat. Dalam analisis regresi sederhana, pengaruh satu variabel bebas terhadap variabel terikat dapat dibuat persamaan sebagai berikut : Y = a + b X. Keterangan : Y : Variabel terikat (Dependent Variable); X : Variabel bebas (Independent Variable); a : Konstanta; dan b : Koefisien Regresi. Untuk mencari persamaan garis regresi dapat digunakan berbagai pendekatan (rumus), sehingga nilai konstanta (a) dan nilai koefisien regresi (b) dapat dicari dengan metode sebagai berikut : a = [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2] atau a = (ΣY/N) – b (ΣX/N) b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2] Contoh : Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya belajar (X) terhadap nilai ujian (Y) adalah sebagai berikut : (nilai ujian) X (lama belajar) X2 XY 40 60 50 70 90 4 6 7 10 13 16 36 49 100 169 160 360 350 700 1.170

ΣY = 310 ΣX = 40 ΣX2 = 370 ΣXY = 2.740 Dengan menggunakan rumus di atas, nilai a dan b akan diperoleh sebagai berikut : a = [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2] a = [(310 . 370) – (40 . 2.740)] / [(5 . 370) – 402] = 20,4 b b = [N(ΣXY) – = [(5 . 2.740) – (ΣX . (40 . ΣY)] 310] / / [(N [(5 . . ΣX2) – 370) – 402] (ΣX)2] = 5,4

Sehingga persamaan regresi sederhana adalah Y = 20,4 + 5,2 X Berdasarkan hasil penghitungan dan persamaan regresi sederhana tersebut di atas, maka dapat diketahui bahwa : 1) Lamanya belajar mempunyai pengaruh positif (koefisien regresi (b) = 5,2)

ΣY)] / √{[(N . ΣY2) – (ΣY)2]} Contoh : Sampel yang diambil secara acak dari 5 mahasiswa. ΣY2) – (ΣY)2]} r = [(5 .4. artinya jika semakin lama dalam belajar maka akan semakin baik atau tinggi nilai ujiannya. 186) – (28)2]} = 0. didapat data nilai Statistik dan Matematika sebagai berikut : Sampel X (statistik) Y (matematika) XY X2 Y2 1 2 3 4 5 2 5 3 7 8 3 4 4 8 9 6 20 12 56 72 4 25 9 49 64 9 16 16 64 81 Jumlah 25 28 166 151 186 r = [(N . Tinggi rendahnya derajat keeratan tersebut dapat dilihat dari koefisien korelasinya. [(N . ΣY)] / √{[(N . [(5 . 28) / √{[(5 . [(N . variabel independen atau variabel penjelas. ΣXY) – (ΣX . Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen. Secara umum regresi linear terdiri dari dua. artinya jika tidak belajar atau lama belajar sama dengan nol. dan regresi linear berganda dengan beberapa variabel bebas dan satu buah variabel terikat. Analisis Korelasi (r) : digunakan untuk mengukur tinggi redahnya derajat hubungan antar variabel yang diteliti. Variabel yang mempengaruhi sering disebut variabel bebas. Untuk koefisien korelasi sama dengan – 1 atau + 1 berarti hubungan kedua variabel adalah sangat erat atau sangat sempurna dan hal ini sangat jarang terjadi dalam data riil.94 atau 94 % menggambarkan bahwa antara nilai statistik dan matematika mempunyai hubungan positif dan hubungannya erat. 2) Nilai konstanta adalah sebesar 20. Dengan demikian nilai koefisien korelasi adalah – 1 ≤ r ≤ + 1. Untuk mencari nilai koefisen korelasi (r) dapat digunakan rumus sebagai berikut : r = [(N . bila mendekati angka – 1 berarti terjadi hubungan negatif yang erat. ΣX2) – (ΣX)2] . Analisis regresi linear merupakan metode statistik yang paling jamak dipergunakan dalam penelitian-penelitian sosial. Sedangkan koefisien korelasi mendekati angka 0 (nol) berarti hubungan kedua variabel adalah lemah atau tidak erat. 166) – (25 . yaitu regresi linear sederhana yaitu dengan satu buah variabel bebas dan satu buah variabel terikat. Koefisien korelasi yang mendekati angka + 1 berarti terjadi hubungan positif yang erat. maka nilai ujian adalah sebesar 20.terhadap nilai ujian. 151) – (25)2] . Regresi Linear Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.94 Nilai koefisien korelasi sebesar 0.4 dengan asumsi variabel-variabel lain yang dapat mempengaruhi dianggap tetap. ΣX2) – (ΣX)2] . terutama penelitian . ΣXY) – (ΣX . yaitu jika mahasiswa mempunyai nilai statistiknya baik maka nilai matematikanya juga akan baik dan sebaliknya jika nilai statistik jelek maka nilai matematikanya juga jelek.

2 juta) harus hati-hati dan sesuai dengan rancangan penelitian. a adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas. maka interpretasi di atas tidak boleh dilakukan karena variabel X tidak mungkin bernilai nol.21 (21%). atau bisa juga dengan signifikansi di bawah 0. 2. + bn Xn. Koefisien a adalah konstanta (intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y pada koordinat kartesius. Persamaan umumnya adalah: Y = a + b X. maka profitabilitas meningkat sebesar 0.. klik variabel terikat lalu klik tanda panah pada kota dependent. Dengan Y adalah variabel terikat dan X adalah variabel bebas. Interpretasi Output 1. Jika biaya promosi bernilai nol. maka profitabilitas akan bernilai 1.. Lakukan dengan cara yang sama untuk variabel bebas (independent).ekonomi. Mempunyai nilai antara 0 – 1 di mana nilai yang mendekati 1 berarti semakin tinggi kemampuan variabel bebas dalam menjelaskan varians variabel terikatnya. Pada jendela yang ada. 3. Nilai t hitung dan signifikansi Nilai t hitung > t tabel berarti ada pengaruh yang signifikan antara variabel bebas terhadap variabel terikat. Maka variabel tersebut akan masuk ke kotak sebagai variabel dependen. Langkah penghitungan analisis regresi dengan menggunakan program SPSS adalah: Analyse --> regression --> linear. Interpretasi dengan skala likert tersebut sebaiknya menggunakan nilai standardized coefficient sehingga tidak ada konstanta karena nilainya telah distandarkan.55 juta rupiah. Contoh: Pengaruh antara kepuasan (X) terhadap kinerja (Y) dengan skala likert antara 1 sampai dengan 5. Jika penelitian menggunakan angket dengan skala likert antara 1 sampai 5. Peningkatan kepuasan kerja dalam satu satuan unit akan diikuti dengan peningkatan kinerja sebesar 0. Regresi Linear Berganda Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana. Interpretasi terhadap nilai intercept (dalam contoh ini 1. Jika besarnya biaya promosi meningkat sebesar 1 juta rupiah. Hasil output yang digunakan adalah standardized coefficients sehingga Y = 0.55 X. Berarti interpretasinya: 1. Persamaan regresi Sebagai ilustrasi variabel bebas: Biaya promosi dan variabel terikat: Profitabilitas (dalam juta rupiah) dan hasil analisisnya Y = 1. Program komputer yang paling banyak digunakan adalah SPSS (Statistical Package For Service Solutions).05 untuk penelitian sosial. dan X adalah variabel-variabel bebas.2 + 0.21 X dan diinterpretasikan bahwa peningkatan kepuasan kerja akan diikuti dengan peningkatan kinerja atau penurunan kepuasan kerja juga akan diikuti dengan penurunan kinerja.. Persamaan umumnya adalah: Y = a + b1 X1 + b2 X2 + .10. Regresi Linear Sederhana Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah variabel bebas terhadap satu buah variabel terikat. hanya variabel bebasnya lebih dari satu buah. 2. Lalu klik OK dan akan muncul output SPSS. . Koefisien determinasi Koefisien determinasi mencerminkan seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel terikatnya.2 juta rupiah. Dengan Y adalah variabel bebas. dan untuk penelitian bursa kadang-kadang digunakan toleransi sampai dengan 0.

multikolinearitas. 2) Uji F dan 3 ) uji t. Kapan menggunakan uji dua arah dan kapan menggunakan uji dua arah?Penentuan arah adalah berdasarkan masalah penelitian. 2. baru dibandingkan dengan 5%. Signifikansi ditentukan dengan membandingkan F hitung dengan F tabel atau melihat signifikansi pada output SPSS. heteroskedastisitas dan asumsi linearitas (akan dibahas belakangan). Jika variabel kepemimpinan meningkat. Untuk regresi tidak bisa dibalik. pengaruh antara motivasi (X1). Jika variabel kompensasi meningkat. Korelasi bisa berlaku bolak-balik. Jika pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5 maka tidak boleh diinterpretasikan bahwa jika variabel motivasi. pistol tidak membuat takut seorang penjahat. Nilai t tabel juga berbeda antara satu arah dan dua arah.12 X3 1. dengan asumsi variabel motivasi dan kepemimpinan tetap. maka signifikansi hasil output dibagi dua terlebih dahulu. Contoh hipotesis dua arah: Terdapat pengaruh antara kepuasan terhadap kinerja. Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear berganda adalah 1) koefisien determinasi. Asumsi klasik tersebut meliputi asumsi normalitas. tetapi secara parsial. Dalam uji regresi sederhana apakah perlu menginterpretasikan nilai F hitung?Uji F adalah uji kelayakan model (goodness of fit) yang harus dilakukan dalam analisis regresi linear. tujuan penelitian dan perumusan hipotesis.32 X2 + 0. Interpretasi terhadap konstanta (0. maka kepuasan kerja juga akan meningkat. tetapi tidak boleh dikatakan B . Penentuan arah pada hipotesis berdasarkan tinjauan literatur. sebagai ilustrasi. Pertanyaan-pertanyaan yang sering muncul 1. maka kepuasan kerja juga akan meningkat. Contoh hipotesis satu arah: Terdapat pengaruh positif antara kepuasan terhadap kinerja. kopi dan gula menimbulkan kenikmatan.Interpretasi terhadap persamaan juga relatif sama. karena uji F akan sama hasilnya dengan uji t. Koefisien determinasi sebaiknya menggunakan adjusted R Square dan jika bernilai negatif maka uji F dan uji t tidak dapat dilakukan. Dalam beberapa kasus dapat terjadi bahwa secara simultan (serempak) beberapa variabel mempunyai pengaruh yang signifikan. 3. maka sebaiknya digunakan uji satu arah. Apa bedanya korelasi dengan regresi? Korelasi adalah hubungan dan regresi adalah pengaruh. Akan tetapi secara parsial.21 X1 + 0. sebagai ketiga variabel tersebut tidak mungkin bernilai nol karena Skala Likert terendah yang digunakan adalah 1. Jika hipotesis sudah menentukan arahnya. Penggunaan metode analisis regresi linear berganda memerlukan asumsi klasik yang secara statistik harus dipenuhi. Sebagai ilustrasi: seorang penjahat takut terhadap polisi yang membawa pistol (diasumsikan polisis dan pistol secara serempak membuat takut penjahat). sebagai contoh A berhubungan dengan B demikian juga B berhubungan dengan A. Persamaan regresi sebaiknya dilakukan di akhir analisis karena interpretasi terhadap persamaan regresi akan lebih akurat jika telah diketahui signifikansinya. Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan kepemimpinan tetap. maka kepuasan kerja juga akan meningkat 2. Untuk analisis regresi linear sederhana Uji F boleh dipergunakan atau tidak.235 + 0.235) juga harus dilakukan secara hati-hati. Contoh lain: air panas. Jika menggunakan signifikansi. kopi saja belum tentu menimbulkan kenikmatan. tetapi secara parsial tidak. artinya A berpengaruh terhadap B. kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja (Y) menghasilkan persamaan sebagai berikut: Y = 0. 3. autokorelasi. maka sebaiknya menggunakan uji dua arah. Analisis regresi linear berganda memerlukan pengujian secara serempak dengan menggunakan F hitung. tetapi jika hipotesis belum menentukan arah. kompensasi dan kepemimpinan bernilai nol. dengan asumsi variabel motivasi dan kompensasi tetap.

Tidak ada ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi. Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel penelitian. tetapi tidak perlu diuji asumsi klasik. Tetapi jika A berpengaruh terhadap B maka pasti A juga berhubungan dengan B. Analisis dapat dilakukan tergantung pada data yang ada. Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear. Tidak ada metode yang paling baik atau paling tepat. yaitu uji multikolinearitas. uji normal P Plot. Dalam kehidupan sehari-hari kedua istilah itu (hubungan dan pengaruh) sering dipergunakan secara rancu. meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik. A berhubungan dengan B belum tentu A berpengaruh terhadap B. Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. tetapi dalam ilmu statistik sangat berbeda. Pengamatan data yang normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah. Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan perbedaan persepsi di antara beberapa pengamat.berpengaruh terhadap A. Perhitungan nilai return yang diharapkan dilakukan dengan persamaan regresi. dilakukan pengujian pada uji yang lain. modus dan median relatif dekat. Kemudian dilakukan perbaikan pada uji tersebut. (Dalam analisis lanjut sebenarnya juga ada pengaruh yang bolak-balik yang disebut dengan recursive. Misalnya nilai return saham yang dihitung dengan market model. Demikian juga nilai rata-rata. atau sekolah luar biasa. . Jadi analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik. sehingga penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan. uji autokorelasi dan uji linearitas. Skewness dan Kurtosis atau uji Kolmogorov Smirnov. uji heteroskedastisitas. lalu dilihat mana yang tidak memenuhi persyaratan. misalnya uji multikolinearitas tidak dapat dipergunakan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional. Uji normalitas dapat dilakukan dengan uji histogram. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya. Dalam kelas siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar berada pada kategori sedang atau rata-rata. 1. uji normalitas. dan setelah memenuhi persyaratan. Dan sebaliknya jika suatu kelas banyak yang pandai maka kelas tersebut tidak normal atau merupakan kelas unggulan. Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk menghitung nilai pada variabel tertentu. misalnya regresi logistik atau regresi ordinal. Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masing-masing variabel. Sebagai contoh. Jika kelas tersebut bodoh semua maka tidak normal. uji Chi Square. Setidaknya ada lima uji asumsi klasik. dilakukan analisis terhadap semua uji asumsi klasik. Uji Normalitas Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. atau market adjusted model. yang tidak dapat dianalisis dengan analisis regresi tetapi menggunakan structural equation modelling). Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Uji Asumsi Klasik Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS).

yang hanya dapat dilakukan jika semua data bernilai positif. akar kuadrat. adalah model regresi dengan variabel bebasnya motivasi. Menambah jumlah observasi. uji Park atau uji White. inverse. kepemimpinan dan kepuasan kerja dengan variabel terikatnya adalah kinerja. Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut: 1. atau dengan melihat eigenvalues dan condition index (CI). 4. menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Jadi tidak boleh ada korelasi yang tinggi antara motivasi dengan kepemimpinan. maka dapat dilakukan beberapa langkah yaitu: melakukan transformasi data. Dalam tingkat lanjut dapat digunakan metode regresi bayessian yang masih jarang sekali digunakan. Tetapi jika jauh dari nilai normal. mengumpul di tengah atau menyebar ke samping kanan dan kiri. Logika sederhananya adalah bahwa model tersebut untuk mencari pengaruh antara motivasi.049) maka dapat dicoba dengan metode lain yang mungkin memberikan justifikasi normal. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi. Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma. kepemimpinan dan kepuasan kerja terhadap kinerja. korelasi pearson antara variabel-variabel bebas. atau bentuk yang lain tergantung dari bentuk kurva normalnya. misalnya logaritma natural. Model regresi yang memenuhi persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas. apakah condong ke kiri. akar kuadrat atau bentuk first difference delta. Uji statistik yang dapat digunakan adalah uji Glejser. Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel yang mengalami gangguan heteroskedastisitas. Uji Multikolinearitas Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam suatu model regresi linear berganda. ke kanan. Mentransformasikan data ke dalam bentuk lain. 2. Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah dengan variance inflation factor (VIF). Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). seperti mengumpul di tengah. Jika ada korelasi yang tinggi di antara variabel-variabel bebasnya. 3. Model yang baik didapatkan jika tidak terdapat pola tertentu pada grafik. Transformasi dapat dilakukan ke dalam bentuk Logaritma natural. 4. motivasi dengan kepuasan kerja atau antara kepemimpinan dengan kepuasan kerja. 2. maka hubungan antara variabel bebas terhadap variabel terikatnya menjadi terganggu. Uji Autokorelasi . melakukan trimming data outliers atau menambah data observasi.Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi Kolmogorov Smirnov sebesar 0. 3. Uji Heteroskedastisitas Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain. Sebagai ilustrasi.

katakanlah bulan Februari. Ramsey Test atau uji Lagrange Multiplier.Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk persamaan beda umum (generalized difference equation). sehingga data observasi menjadi berkurang 1. Ketika pada bulan Januari suatu keluarga mengeluarkan belanja bulanan yang relatif tinggi. Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas. pengeluaran pada bulan Februari akan rendah. Uji ini jarang digunakan pada berbagai penelitian. . pengeluaran rutin dalam suatu rumah tangga. Data tingkat inflasi pada bulan tertentu. uji linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut bersifat linear atau tidak. misalnya masalah elastisitas. maka tanpa ada pengaruh dari apapun. Sebagai contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Uji linearitas dapat menggunakan uji Durbin-Watson. Hubungan antar variabel yang secara teori bukan merupakan hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi linear. Uji Linearitas Uji linearitas dipergunakan untuk melihat apakah model yang dibangun mempunyai hubungan linear atau tidak. karena biasanya model dibentuk berdasarkan telaah teoretis bahwa hubungan antara variabel bebas dengan variabel terikatnya adalah linear. 5. akan dipengaruhi oleh tingkat inflasi bulan Januari. Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak. Model regresi pada penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi. Contoh lain. jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Berarti terdapat gangguan autokorelasi pada model tersebut. uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier. Uji linearitas digunakan untuk mengkonfirmasikan apakah sifat linear antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi yang ada. Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson. Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat. Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan.

Artinya kepuasan kerja berpengaruh terhadap kinerja. . Berarti variabel anak merupakan moderating antara rasa saya suami terhadap istri. tetapi variabel moderating didekati dengan selisih mutlak (absolut residual) antara variabel bebas dengan variabel moderatingnya. Penerimaan hipotesis juga sama. sehingga menyalahi asumsi klasik. Hipotesis moderating diterima jika variabel X1 X2 mempunyai pengaruh signifikan terhadap Y. X1 adalah kepuasan kerja. Dengan hadirnya seorang anak. 2.Regresi Linear dengan Variabel Moderating Variabel moderating adalah variabel yang memperkuat atau memperlemah hubungan antara satu variabel dengan variabel lain. Residual Model ini menggunakan konsep lack of fit yaitu hipotesis moderating diterima terjadi jika terdapat ketidakcocokan dari deviasi hubungan linear antara variabel independen. maka rasa sayang tersebut bertambah. 3. Langkahnya adalah dengan meregresikan antara kepuasan kerja terhadap kompensasi dan dihitung nilai residualnya. Pada program SPSS dengan klik Save pada regreesion. Model ini biasanya menyalahi asumsi multikolinearitas atau adanya korelasi yang tinggi antara variabel bebas dalam model regresi. tidak tergantung apakah X1 dan X2 mempunyai pengaruh terhadap Y atau tidak. sehingga sebenarnya model ini tidak disarankan untuk dipergunakan. Multiple Regression Analysis (MRA) Metode ini dilakukan dengan menambahkan variabel perkalian antara variabel bebas dengan variabel moderatingnya. sehingga persamaan umumnya adalah sebagai berikut: Y = a + b1 X1 + b2 X2 + b3 X1 X2 dengan Y adalah kinerja. X2 kompensasi dan X1 X2 adalah perkalian antara kepuasan kerja dengan kompensasi. kompensasi bisa saja berpengaruh terhadap kinerja bisa saja tidak. Sebagai contoh: seorang suami menyayangi istrinya. dan adanya kompensasi yang tinggi maka pengaruh antara kepuasan kerja terhadap kinerja menjadi lebih meningkat. Nilai residual kemudian diambil nilai absolutnya lalu diregresikan antara kinerja terhadap absolut residual. Hampir tidak ada model MRA yang terbebas dari masalah multikolinearitas. Model ini terbebas dari gangguan multikolinearitas karena hanya menggunakan satu variabel bebas. Contoh lain: kompensasi memperkuat pengaruh antara kepuasan kerja terhadap kinerja. Absolut residual Model ini mirip dengan MRA. Hipotesis moderating diterima jika nilai t hitung adalah negatif dan signifikan. lalu klik pada usntandardized residual. Dalam hal ini. Metode analisis regresi linear dengan variabel moderating: 1. dan model ini masih riskan terhadap gangguan multikolinearitas meskipun risiko itu lebih kecil dari pada dengan metode MRA.

Metode SEM akan dibahas belakangan dengan menggunakan Program AMOS atau LISREL Regresi dengan variabel intervening dipergunakan untuk melihat pengaruh tidak langsung antara satu variabel terhadap variabel yang lain. Hal ini banyak terjadi di mana (maaf) dosen tidak terlalu menguasai statistik secara baik. Hipotesis diterima jika X1 X2 X3 signifikan. Bagaimana merancang model regresi dengan moderating pada penelitian? Model moderating ditentukan dengan tinjauan teoretis.jadi panjang banget kan). Penulis sendiri belum pernah melihat tabulasi data yang memenuhi model moderating dengan metode MRA. Dalam suatu kasus bisa saja variabel mempunyai pengaruh langsung terhadap suatu variabel dan pengaruh tidak langsung terhadap variabel tersebut melalui variabel yang lain. 3. Regresi Linear dengan Variabel Intervening Variabel intervening adalah variabel antara atau variabel mediating. GEA mempunyai pengaruh langsung terhadap KM tetapi juga bisa mempunyai pengaruh tidak langsung terhadap KM melalui TK. GEA diinterpretasikan mempunyai pengaruh tidak langsung terhadap KM melalui TK jika pengaruh GEA terhadap TK signifikan dan pengaruh TK terhadap KM juga signifikan. Model regresi dengan variabel intervening merupakan hubungan bertingkat sehingga jika dengan analisis regresi harus menggunakan analisis jalur (path analysis) atau disarankan menggunakan metode structural equation modelling (SEM). Sebaiknya digunakan model residual dengan lack of fit. Tidak boleh menggunakan alat statistik moderating untuk mengidentifikasikan bahwa variabel itu merupakan variabel moderating.Pertanyaan-pertanyaan yang sering muncul: 1. Bagaimana model regresi moderating dengan dua buah variabel bebas? Model dengan MRA menjadi Y = a + b1 X1 + b2 X2 + b3 X3 + b4 X1 X2 + b5 X1 X3 + b6 X2 X3 + bb X1 X2 X3 di mana X3 adalah variabel moderating (he he... sehingga analisis dengan moderating hanya mengkonfirmasi saja teori tersebut apakah cocok dengan model empiris. tetapi hampir pasti model ini menyalahi asumsi multikolinearitas. 2. Ada model regresi moderating dengan MRA tetapi output memenuhi uji multikolinearitas? Hampir tidak ada model moderating dengan MRA yang terbebas dari gangguan multikolinearitas. Banyak output pada skripsi yang dimanipulasi agar tampaknya memenuhi asumsi multikolinearitas padahal sebenarnya tidak. Sebagai contoh: Gaya Evaluasi Atasan (GEA) mempunyai pengaruh terhadap Kinerja Manajerial (KM) melalui Tekanan Kerja (TK). .

Sign up to vote on this title
UsefulNot useful