Processing Data Penelitian Kuantitatif menggunakan EVIEWS

Pengenalan EViews
Eviews (Econometric Views) adalah software pengolahan data yang digunakan untuk berbagai
keperluan mulai dari Bisnis, Riset Internal serta penelitian. EViews menawarkan akses statistik yang kuat
kepada peneliti akademis, perusahaan, instansi pemerintah, dan siswa seperti peramalan (forecasting),
hubungan (Correlation), pengaruh dan sebagainya dengan antar muka (user interface) yang lebih friendly dan
mudah digunakan.
Gambar 1 : Proses Pengolahan Data
a. Uji Asumsi Klasik
1. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi terbentuk adanya korelasi tinggi
atau sempurna antar variabel bebas (independen). Jika ditemukan ada hubungan korelasi yang tinggi antar
variabel bebas maka dapat dinyatakan adanya gejala multikorlinear pada penelitian.
2. Uji Autokorelasi
Uji autokolerasi merupakan kolerasi yang terjadi antara residual pada satu pengamatan dengan
pengamatan lain pada model regresi. Autokorelasi dapat diketahui melalui Uji Durbin-Watson (D-W
Test), adalah pengujian yang digunakan untuk menguji ada atau tidak adanya korelasi serial dalam model
regresi atau untuk mengetahui apakah di dalam model yang digunakan terdapat autokorelasi diantara
variabel-variabel yang diamati
3. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik.
Heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model
regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas.

4. Uji Normalitas
Uji normalitas untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi
berdistribusi normal atau tidak. Cara melakukan uji normalitas dapat dilakukan dengan pendekatan analisis
grafik normal probability Plot. Pada pendekatan ini nilai residual terdistribusi secara normal apabila garis
(titik-titik) yang menggambarkan data sesungguhnya akan mengikuti atau merapat ke garis diagonalnya.
b. Uji Kelayakan Model (Goodness of Fit)
Uji kelayakan model adalah uji R2
untuk melihat kemampuan variable independen dalam menjelaskan
variable dependen. Nilai R2
berkisar antara 0 – 99, nilai R Square yang semakin mendekati 1 maka semakin
layak suatu model untuk digunakan.
c. Uji Parsial (Uji t)
Uji partial (uji t) adalah uji yang dilakukan untuk melihat apakah suatu variable independen
berpengaruh atau tidak terhadap variable dependen dengan membandingkan nilai thitung dengan ttabel.
Kriteria pengujian uji t adalah sebagai berikut :
– Jika nilai thitung > ttabel maka hipotesis di tolak, artinya variable tersebut berpengaruh terhadap variable
dependen.
– Jika nilai thitung < ttabel maka hipotesis di terima, artinya variable tersebut tidak berpengaruh terhadap
variable dependen.
d. Uji Simultan (Uji F)
Uji Simultan (uji F) adalah uji yang dilakukan untuk melihat apakah semua variable independen secara
bersama-sama berpengaruh atau tidak terhadap variable dependen dengan membandingkan nilai Fhitung dengan
Ftabel.
– Jika nilai Fhitung > Ftabel maka hipotesis di tolak, artinya secara bersama-sama variable independen
tersebut berpengaruh terhadap variable dependen.
– Jika nilai Fhitung < Ftabel maka hipotesis di terima, artinya secara bersama-sama variable independen
tersebut tidak berpengaruh terhadap variable dependen.
Regresi Linear Sederhana
Regresi linear sederhana adalah regresi linear yang terdiri dari 1 variabel dependen (Y) dan 1
variabel independen (X).
Yt=β0 + β1X1t+ εt

Dimana :
Y : Variabel Dependen
X : Variabel Independen
ε : error term (Standar Error)
t : menunjukkan jenis data berupa data runtun waktu (Time Series)
Uji-uji yang perlu dilakukan :
– Uji Normalitas
– Uji Autokorelasi
– Uji Heteroskedastistas
“ Uji Multikolinearitas TIDAK dilakukan dalam regresi liear sederhana karena hanya terdiri dari 1
variabel independen”.

Sumber Tutorial Download

Analisis SEM (Structural Equation Modelling) Dengan SMARTPLS (Partial Least Square)

Analisis SEM (Structural Equation Modelling) Dengan
SMARTPLS (Partial Least Square)

Analisis SEM (Structural Equation Modelling) Dengan
SMARTPLS (Partial Least Square)

Structural Equation Modelling

Pemodelan Persamaan Struktural (Structural Equation Modelling) atau lebih
dikenal dengan SEM memiliki beberapa sebutan lain, seperti analisis struktur kovarian
(covariance structure analysis), analisis variabel laten (latent variable analysis) analisis
faktor konfirmatori (confirmatory factor analysis) dan analisis Linier Structural
Relations (Lisrel) (Hair, dkk. 1998). Berdasarkan sebutan-sebutan tersebut, SEM dapat
dideskripsikan sebagai suatu analisis yang menggabungkan pendekatan analisis faktor
(factor analysis), model struktural (structural model) dan analisis jalur (path analysis).
SEM merupakan suatu metode analisis statistik multivariat. Melakukan olah data SEM
berbeda dengan melakukan olah data regresi atau analisis jalur. Olah data SEM lebih rumit, karena SEM dibangun oleh model pengukuran dan model struktural. Structural
Equation Modeling (SEM) adalah sekumpulan teknik statistika yang memungkinkan
pengujian sebuah rangkaian hubungan yang relatif rumit yang tidak dapat diselesaikan
oleh persamaan regresi linear. SEM dapat juga dianggap sebagai gabungan dari analisis
regresi dan analisis faktor. Disisi lain disebut juga Path Analysis atau Confirmatory factor
Analysis, karena keduanya merupakan jenis-jenis khusus dari SEM. Hubungan tersebut
dapat dibangun antara satu atau beberapa variabel dependen dengan satu atau
beberapa varibel independen
Di dalam SEM terdapat 3 (tiga) kegiatan secara bersamaan, yaitu pemeriksaan
validitas dan reliabilitas instrumen (confirmatory factor analysis), pengujian model
hubungan antara variabel (path analysis), dan mendapatkan model yang cocok untuk
prediksi (model struktural dan analisis regresi). Sebuah pemodelan lengkap pada
dasamya terdiri dari model pengukuran (measurement model) dan structural model atau
causal model. Model pengukuran dilakukan untuk menghasilkan penilaian mengenai
validitas dan validitas diskriminan, sedangkan model struktural, yaitu pemodelan yang
menggambarkan hubungan-hubungan yang dihipotesakan. Untuk melakukan olah data
SEM dengan lebih mudah dapat menggunakan bantuan software statistik. Saat ini sudah
tersedia berbagai macam software untuk olah data SEM diantaranya adalah Lisrel,
AMOS dan Smart PLS.
Dalam memudahkan kita mengolah data dengan analisa statistika dapat
menggunakan berbagai macam alat bantu atau software. Adapun software statistika
yang dapat digunakan sangatlah banyak namun tidak semuanya memiliki keakuratan
yang baik. Ada beberapa software statistika yang sering digunakan baik dalam dunia
pendidikan ataupun dalam bidang yang lain yaitu : SPSS (Statistical Package for the
Social Software), Minitab, SAS (Statistical Analysis System), Lisrel (Linear Structural
Relationship), SMARTPLS (PARTIAL LEAST SQUARE), AMOS (Analysis of Moment
Structure), EVIEWS (Economic Views), R-Software, STATA (Statistika dan Data).
Kelebihan SMARTPLS
1. Smart PLS atau Smart Partial Least Square adalah software statistik yang sama
tujuannya dengan Lisrel dan AMOS yaitu untuk menguji hubungan antara
variabel.
2. Pendekatan smartPLS dianggap powerful karena tidak mendasarkan pada
berbagai asumsi.

3. Jumlah sampel yang dibutuhkan dalam analisis relatif kecil. Penggunaan Smart
PLS sangat dianjurkan ketika kita mememiliki keterbatasan jumlah sampel
sementara model yang dibangung kompleks. hal ini tidak dapat dilakukan ketika
kita menggunakan kedua software di atas. Lisrel dan AMOS membutuhkan
kecukupan sampel.
4. Data dalam analisis smartPLS tidak harus memiliki distribusi normal karena
SmartPLS menggunakan metode bootstraping atau penggandaan secara acak.
Oleh karenanya asumsi normalitas tidak akan menjadi masalah bagi PLS. Selain
terkait dengan normalitas data, dengan dilakukannya bootstraping maka PLS
tidak mensyaratkan jumlah minimum sampel.
5. SmartPLS mampu menguji model SEM formatif dan reflektif dengan skala
pengukuran indikator berbeda dalam satu model. Apapun bentuk skalanya (rasio
kategori, Likert, dam lain-lain) dapat diuji dalam satu model.

Langkah-Langkah Pengolahan Data dengan SmartPLS yaitu : Download

Ditulis Oleh : Lenni Khotimah Harahap, M.Pd