29 April 2021

Model Moderator Dengan Uji Residual

Uji model moderator selain dengan Moderated Regression Analyisis (MRA) dimana menggunakan variabel interaksi antara variabel independen dengan variabel moderator-nya. Pengujian moderator juga dapat dilakukan dengan selisih mutlak, yang mana selisih mutlak ini diperoleh dengan menghitung selisih dari nilai standard dari variabel independen dengan variabel moderator. Pengujian pada kedua model di atas senderung akan terjadi multikolinieritas yang tinggi antar variabel independen. Hal ini akan melanggar asumsi klasik seperti dalam regresi ordinary least square (OLS). 

 


Uji moderator dengan uji nilai residual dilakukan untuk menguji pengaruh deviasi (penyimpangan dari suatu model. Pengujian difokuskan pada ketidakcocokan (lack of fit) yang diperoleh dari deviasi hubungan antara variabel independen. Dalam konteks kali ini, kita memiliki 1 variabel independen yaitu kenyamanan (X), variabel moderator (Z) yaitu pelayanan dan variabel dependen (Y) Kepuasan pelanggan. Lack of fit ditunjukkan oleh nilai residual dalam regresi. Jika terjadi kecocokan antara kenyamanan dan pelayanan (nilai residual kecil) yaitu Kenyamanan tinggi, Pelayanan tinggi dan Kepuasan juga tinggi. Demikian sebaliknya jika terjadi ketidakcocokan atau lack of fit antara Kenyamanan dengan pelayanan (nilai residal besar) yaitu kenyamanan tinggi, pelayanan rendah, maka Kepuasan juga rendah.

Prosedur dalam melakukan regresi sebagai berikut :

Konsep Model Moderator

Dari persamaan 1 diketahui bahwa yang pertama dilakukan analisis regresi dari variabel Kenyaman (X) terhadap Pelayanan (Z). Sedangkan pada persamaan ke-2 yaitu nilai eror yang diperoleh dari hasil regresi 1 ditransformasi menjadi nilai absolut sebagai dependen dan variabel Kepuasan sebagai dependennya.
 
Langkah Analisis Moderator Uji residual di SPSS
- Dari SPSS, klik menu Analyze > Regression > Linier
- Masukkan variabel pelayanan ke Dependent dan Kenyamanan ke Independent (s)
 
Langkah Analisis Moderator dengan Uji Residual

- Di menu Save Pilih Residual unstandardized (ini dilakukan untuk mendapatkan nilai resdual)
- Kemudian Continue dan klik OK

Pada SPSS data editor akan tersimpan variabel residual (Res_1). Kemudian dilakukan transformasi ke dalam bentuk nilai absolute, dengan cara sebagai berikut :
- Pilih Transform > Compute variable
- pada menu Target variable berinama AbsRes (nilai absolute residual)
- pada numeric expression, pilih fungsi Abs dan isikan menjadi ABS(RES_1)
- Klik OK

Langkah Membuat Nilai Absolute Residual

- Selanjutnya melakukan analisi regrsi ke-2 dengan meregres nilai AbsRes sebagai dependen dan Kepuasan sebagai variabel dependen.
 
Hasil lengkap uji moderator dengan nilai residual
Output regresi ke-1
 
Regresi ke-1


pada tabel di atas merupakan tabel hasil analisis regresi 1 antara kenyamanan dengan Pelayanan, memberikan hasil nilai koefisien pengaruh kenyamanan sebesar -0.441, nilai t-statistik sebesar -4.457 dan p-value 0.000.
 
Output regresi ke-2

Regresi ke-2
  
Pada tabel di atas menunjukkan bahwa nilai koefisien Kepuasan sebesar -0.020 dengan nilai t- statistik -2.188 dan p-value 0.032. Karena nilai p-value 0.000 < 0.05 maka terbukti bahwa pelayanan signifikan sebagai variabel moderator hubungan pengaruh kenyamnan terhadap Kepausan pelanggan karena nilai koefisien parameter negatif dan signifikan

Baca juga :

1. Model Moderator Regression Analysis MRA

2. Model Moderator dengan Selisih Mutlak

Referensi :

Ghozali.I (2013). Aplikasi Analisis Multivariate Dengan Program IBM SPS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro.

Hayes. A.F (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis : A Regression Based Approach". 2nd. New York : The Guilford Press.

Jode. P. E (2013). Doing Statistical Mediation and Moderation . New York : The Guilford Press.


23 April 2021

Analisis Korelasi Kanonical (Canonical Correlation)

Analisis korelasi kanonical (Canonical Correlation) adalah analisis korelasi yang merupakan pengembangan korelasi dua (2) faktor yang menggunakan skala interval atau rasio. Jika korelasi dua variabel hanya terdiri dari satu variabel bebas (X) dan satu variabel tergantiung (Y) dapat diselesaikan dengan korelasi Pearson. Namun jika korelasi menggunakan dua variabel bebas atau lebih (X1, X2...Xn) dan dua variabel tergantung (Y1 dan Y2) maka dalam penyelesaiannya harus menggunakan korelasi kanonical. 

 

 
Dalam regresi berganda hanya mempu untuk menyelesaikan dengan 1 variabel dependen, sedangkan multivariate analysis of variance ( Manova) hanya untuk menyelesaikan variabel independen berskala non metrik atau kategori. Sehingga tepat penggunaan analisis korelasi kanonical (canonical correlation) jika menyelesaikan  korelasi/hubungan 2 atau lebih variabel independen dan 2 atau lebih dependen yang berskala interval dan rasio. 

Gambaran korelasi kanonical sebagai berikut :

Gambaran Korelasi Kanonical

Ada beberapa persyaratan untuk menggunakan korelasi kanonical antara lain :

  1. Semua vaiabel bebas (independen) dan tergantung (dependen) yang akan dikorelasikan harus berskala interval atau rasio.
  2. Hubungan antara variabel bebas dan variabel tergantung/terikat bersifat linier.
  3. Pengujian signifikansi secara statistik terpenuhinya distribusi normal multivariate.
  4. Tidak adanya multikolinieritas pada masing-masing kelompok variabel independen dan variabel dependen.

Contoh kasus

Pada kesempatan ini akan diuji korelasi kanonical antara 3 variabel independen yaitu pelayanan, keramahan, harga terhadap 2 variabel dependen : kepuasan dan loyalitas pengunjung. data sebagai berikut :

Data Input

Langkah uji korelasi kanonical dengan SPSS

  1. Buka data view yang akan dianalisi di SPSS
  2. Klik File > New > Syntax. Tulis syntax dieditor seperti pada gambar dibawah ini.

Syntax Korelasi Kanonical

Pada baris pertama syntax memerintahkan prosedur MANOVA dan memasukkan variabel dependen Kualitas dan Loyalitas atau kovariate dengan perintah WITH yaitu Pelayanan, Keramahan, dan Harga.

Pada baris kedua perintah DISCRIM yang memerintahkan canonical variable dan canonical correlation. ALL untuk memerintahkan SPPS menghasilkan semua output. APLHA(1) memerintahkan SPSS untuk output canonical correlation tanpa signifikansi. 

Pada baris ketiga output yang dikeluarkan adalah dengan tingkat signifikansi untuk eigen value{sig(eigen)} dan canonical correlation {sig(dim)}.

3. setelah selesai menulis syntax, kemudian pilih Run All.

Hasil Output Korelasi Kanonical dengan SPSS 

Multivariate test of significant

Pada tabel Multivariate test of signifikansi di atas bahwa tes menggunakan Pillai's, Hotellings, Wilks dan Roys memberikan nilai signifikansi masing-masing sebesar 0.000 lebih kecil dari 0.05. Pengujian ini biasanya hanya cukup dengan nilai Wilks. Artinya bahwa korelasi kanonical pertama adalah signifikan.

Nilai Eigenvalues dan canonical Correlations

pada tabel Eigenvalues and canonical correlations dan dimension Reduction Analysis menunjukkan nilai pengelompokan pengujian kanonical korelasi pada Root 1 dan Root 2. Pada Root 1fungsi kanonical pertama besarnya nilai korelasi kanonical sebesar 0.90129 dengan R-Square sebesar 0.81232 dan signifikansi of F sebesar 0.000. Pada Root 1 nilai R-square merupakan kovariat variabel canonical mampu menjelaskan sebesar 81.232% (0.81232 x 100%) dalam variabel canonical dependen. Sedangkan pada Root 2 diperoleh nilai korelasi kanonical sebesar 0.05667 dengan R-square sebesar 0.00321 dan signifikansi F sebesar 0.899. Karena nilai korelasi kanonical, R-square dan signifikansi of F lebih tinggi pada Root 1 dan menunjukkan hubungan yang signifikan antara variabel independen dan dependen maka hanya pada Root 1 yang akan diproses lebih lanjut.

Canonical Weight

Canonical Weight

 Untuk tabel canonical weight di atas pada fungsi 1 terdapat nilai korelasi pada kepuasan sebesar 0.78558 lebih tinggi dibandingkan pada variabel loyalitas hanya memperoleh nilai korelasi sebesar 0.27018. Sedangkan nilai covariate pada fungsi 1, variabel independen diperoleh nilai korelasi tertinggi pada pelayanan sebesar 0.68539, kemudian harga 0.61414 dan terendah pada keramahan hanya memperoleh nilai korelasi 0.58885.

Canonical Loading

Canonical Loading

Pada tabel canonical loading memberikan outputn korelasi pada fungsi 1 Kepuasan nilai loading sebesar 0.98280 dan Loyalitas dengan nilai loading 0.84364. Sedangkan pada variabel independen (covariate) diperoleh nilai loading tertinggi pada variabel Pelayanan sebesar 0.78830, Harga 0.65960 dan Keramahan 0.09276.

Dari hasil canonical weight dan canonical loading dapat diambil kesimpulan bahwa terdapat hubungan yang signifikan antara dependen variate dengan independen variate. Tetapi dari 3 variabel independen hanya ada 2 variabel yang memiliki kaitan paling erat yaitu Pelayanan dan harga karena nilai loading yang diperoleh lebih dari 0.5. Nilai loading pada variabel independen adalah positif artinya bahwa semakin tinggi Pelayanan, Harga, dan Keramahan akan meningkat juga Loyalitas dan Kepuasan pengunjung. Kesimpulan hasil output uji korelasi kanonical sebagai berikut :

  1. Korelasi 3 variabel independen (pelayanan, Keramahan dan harga) dengan variabel 2 independen (kepuasan dan loyalitas) sebesar 0.90129 : artinya tinggi, searah, dan signifikan.
  2. Korelasi antara variabel independen (pelayanan, Keramahan dan harga) dengan variabel Kepuasan sebesar 0.78558, artinya bahwa korelasi sangat kuat dan searah.
  3. Korelasi antara variabel independen (pelayanan, Keramahan dan harga) dengan variabel loyalitas sebesar 0.27018, artinya bahwa korelasi rendah dan searah.

Baca juga :  

  1. Langkah Analisis Korespondensi dengan SPSS

  2. Langkah Analisis Multidimensional Scaling (MDS)

  3. Langkah Analisis Konjoin

  4. Cara Analisis K-Mean Cluster

Referensi :

Ghozali,I.(2013).Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Update PLS Regresi edisi 7.Semarang : Badan Penerbit Universitas Diponegoro

Gudono.(2012). Analisis Data Multivariat. BPFE. Yogyakarta

10 April 2021

CONTROL CHART FOR VARIABLE

Chontrol chart untuk proses dalam keadaan tidak terkendali karena ada nilai-nilai karakteristik kualtas berada diluar batas-batas kontrol. (berada di atas UCL atau di bawah LCL). Hal ini berarti proses berada di luar pengendalian karena adanya variasi yang disebabkan oleh penyebab khusus. Untuk dapat mengendalikan proses, maka perusahaan perlu menghilangkan penyebab khusus itu dan mengambil tindakan yang tepat untuk mencegah munculnya kembali faktor penyebab khusus tersebut. Hal ini akan membiarkan variasi yang terjadi semata-mata karena adanya penyebab umum saja.
 
 

Data variabel menunjukan karakteristik kualitas yang memiliki dimensi kontinu yang dapat mengambil nilai-nilai kontinue dalam keadaan yang tidak terbatas, seperti panjang, kecepatan, bobot, volume dan lain-lain. Control chart variable menggunakan parameter rata-rata dan simpangan baku. Simpangan baku merupakan variasi yang disebabkan oleh penyebab umum. Biasanya control chart variable yang umum digunakan adalah "control chart 3 sigma". Akan tetapi banyak perusahaan di Jepang yang menggunakan "control chart 6 sigma" dengan pengendalian kualitas yang sangat ketat dan menggunakan ukuran kecacatan dalam ukuran part per million. Perusahaan yang biasa menggunakan ini adalah perusahaan elektronik. Contoh tingkat kerusakan produk adalah 25 ppm,artinya dalam 1 juta unit yang diproduksi hanya ditemui cacat sebanyak 25 unit.
Manfaat dari pengunaan control chart variabel adalah :
  1. Peningkatan kualitas.
  2. Menentukan kemampuan proses.
  3. Membuat keputusan dalam proses produksi.
  4. Membuat keputusan dalam menentukan spesifikasi produk.
  5. Menentukan apakah produk yang dihasilkan sekarang dapat terus dihasilkan oleh proses produksi berikutnya atau tidak.
Ada jenis-jenis control chart variabel :
  • Xbar R chart. Pada dasarnya setiap peta kontrol memiliki : Central line, central limit (yang terdiri dari batas kontrol atas (UCL) dan batas kontrol bawah (LCL). Tebaran karakteristik kualitas yang menggambarkan keadaan dari proses. X bar chart digunakan untuk memantau proses yang mempunyai karakteristik berdimensi kontinu.
  • Xbar S chart.  
  • I-MR chart (Individual Moving Range). Dalam pembuatan control I-MR diterapkan pada proses yang menghasilkan output relatif homogen, misalnya cairan kimia, kandungan mineral air, makanan dll.

Baca juga :

1. Control Chart

2. Control Chart For Attribute

3. Diagram Kontrol Atribut : C Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Yamin, S dan Kurniawan, H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

04 April 2021

Model Regresi dengan Moderasi

Variabel moderator adalah variabel independen yang memperkuat atau memperlemah hubungan sebuah variabel independen lainnya terhadap dependen. Moderasi dikatakan juga sebagai interaksi. Konsep hubungan moderasi banyak diterapkan pada berbagai bidang penelitian seperti psikologi, akuntansi, ekonomi, dan manajemen. 

 


Gambaran model hubungan dengan model moderasi dapat dilihat pada gambar di bawah ini.

Dalam model di atas ada 3 variabel yaitu variabel stress sebagai independen (X), Dukungan Sodial sebagai moderator (Z) dan Depresi sebagai dependen (Y). Konsep hubungan antara ketiga variabel memberikan gambaran bagaimana Dukungan Sosial mempengaruhi dalam hubungan Stress terhadap Depresi. Pengaruh dukungan Soial ini dapat memperlemah atau memperkuat Stress terhadap Depresi seseorang. Untuk menguji variabel dukungan sosial sebagai moderator digambarkan sebagai berikut :

Konsep Model tanpa moderator

Pada gambar di atas terlihat bahwa Stress (X) memiliki pengaruh (tanda panah) ke Depresi demikian juga untuk Dukungan Sosial (Z) akan mempengaruhi Depresi (Y).

Konsep Model dengan Moderasi

Pada gambar kedua selain Stress (X) dan Dukungan Sosial (Z) memiliki pengaruh terhadap Depresi, ada satu variabel Interaksi yang memiliki arah panah ke Depresi. Interaksi ini merupakan variabel baru yang merupakan hasil perkalian antara Stress (X) dengan Dukungan Sosial (Z).

Dari penerapan model diatas ada beberapa kemungkinan hasil yang diperoleh. Hasil ke-1: variabel dukungan sodial (Z) sebagai independen tidak berpengaruh signifikan terhadap depresi (Y) tetapi variabel interaksi menghasilkan nilai yang signifikan terhadap Depresi (Y). Hasil ke -2 : variabel dukungan sosial (Z) sebagai independen berpengaruh signifikan terhadap Depresi (Y) dan variabel interaksi juga signifikan berpengaruh terhadap Depresi (Y). Hasil ke-3 : variabel dukungan sosial (Z) sebagai independen berpengaruh signifikan terhadap Depresi (Y) dan variabel interaksi tidak berpengaruh signifikan terhadap depresi (Y). Untuk memudakan pengelompokan  hasil pengujian model moderasi selengkapnya disajikan pada tabel di bawah ini.

Ada beberapa jenis variabel moderator antara lain :

Jenis variabel Moderator

Pada tabel di atas memberikan gambaran pengelompokan pada hubungan antara variabel independen terhadap dependen. Apabila kita memiliki variabel independen (X), variabel moderator (Z) dan variabel dependen (Y), ada 4 model yang diperoleh dan dikelompokan ke dalam 4 kuadran supaya lebih mudah memahami konteks hubungan antara ke 3 (tiga) variabel tersebut:

  1. Pada Kuadran 1 : jika variabel  Z berhubungan dengan dependen (Y) dan atau variabel independen, akan tetapi tidak ada interaksi antara moderator (Z) dengan independen (X). Maka variabel Z bukan moderator tetapi sebagai variabel independen, intervening, atau eksogen atau anteseden.
  2. Pada Kuadran 2 : Jika variabel Moderator (Z) mempengaruhi kekuatan hubungan, tetapi tidak memiliki interaksi dengan independen (X) dan tidak berhubungan signifikan dengan variabel Y. Dalam keadaan ini, residual adalah fungsi moderator. Dengan membagi seluruh sampel menjadi 2 kelompok yang homogen dengan memperhatikan eror variance akan meningkatkan nilai prediktif model. Dalam keadaan ini seperti disebut Variabel Homologizer.
  3. Pada Kuadran 3 : Jika variabel Moderator (Z) berinteraksi dengan variabel independen (X) dan atau variabel Y akan tetapi juga berfungsi sebagai prediktor. Dalam keadaan sperti ini disebut Quasi Moderator (moderator semu).
  4. Pada Kuadran 4 : Jika variabel moderator (Z) tidak berhubungan dengan Variabel dependen (Y) dan juga variabel independen (X). Tetapi moderator (Z) dapat berinteraksi dengan Independen (X). Dalam keadaan seperti ini disebut Pure Moderator (moderator asli).

 Pengujian Variabel Moderasi

Ada 2 pengujian untuk variabel moderator untuk mengidentifikasi yaitu :

  1. Analysis sub-groups. Analisis ini digunakan untuk melakukan pengujian jenis moderator homologizer. Dalam analisis ini dilakukan dengan membagi/memecah sampel menjadi 2 kelompok yang didasarkan pada variabel ketiga yang dihipotesiskan sebagai moderator. pembagian kelompok dapat dilakukan berdasarkan kualitatif seperti jenis kelamin, tempat tinggal, status dll. Dapat dilakukan jika data kontinyu atau kuantitatif yang pengelompokannya berdasarkan nilai mean (rata-rata) yaitu kelompok di atas rata-rata dan kelompok di bawah rata-rata.
  2. Moderated Regression Analysis (MRA). Model MRA berbeda dengan analisis sub-groups karena MRA mempertahankan integritas sampel sebagai dasar mengontrol pengaruh variabel moderator. Dalam MRA dengan 1 variabel independen (X) maka kita membandingkan 3 persamaan regresi dalam menentukan jenis variabel moderator. Persamaan tersebut adalah :
Rumus Model Regresi dengan Moderasi

  Persamaan 1 : persamaan regresi dengan 1 variabel independen (X) terhadap variabel dependen (Y).

  1. Persamaan 2 : persamaan  regresi dengan 2 variabel independen (X) dan moderator (Z) sebagai independen terhadap dependen (Y).
  2. Persamaan 3 : persamaan regresi dengan 3 variabel independen : 1 variabel independen (X), 1 variabel moderator (Z) dan 1 variabel interaksi X dan Z.

Jika pada persamaan (2) dan persamaan (3) tidak berbeda signifikan atau B3 = 0; B2 ≠ 0, maka Z bukan variabel moderator tetapi hanya sebagai variabel independen (prediktor).

Jika pada persamaan (1) dan (2) tidak berbeda tetapi berbeda dengan persamaan (3) atau B2 = 0; B3 ≠ 0 disebut Pure Moderator

Jika persamaan (1), (2), tidak berbeda satu sama lainnya atau B2  B3 ≠ 0, maka disebut variabel Quasi Moderator.

Dalam melakukan pengujian moderator dengan uji interaksi antara X dan Z dapat dilakukan dengan perkalian baik dengan raw data maupun nilai standard. Tetapi pengujian dengan variabel interaksi ini cenderung dapat menghasilkan nilai multikolinieritas yang tinggi antar independen. Hal ini menyalahi asumsi klasik dalam model regresi ordinary least square (OLS). Ada alternatif lain dalam pengujian model moderator yaitu dengan uji selisih mutlak dan uji residual.

Baca juga :

1. Model Moderator Regression Analysis (MRA)

2. Model Moderator dengan Uji Selisih Mutlak

3. Model Moderator dengan uji residual

Referensi :

Hayes, A.F.(2018).Introduction to Mediation, Moderation, and Conditional Process Analysis.Guilford Press

Imam Ghozali.(2013). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21 Update PLS Regresi. Badan Penerbit Universitas Diponegoro. Semarang. 

Jose,P.E. (2013). Doing Statistical Mediation & Moderation.New York London: Guildford Press