Amos

Tujuh Langkah SEM
Langkah pertama: Pengembangan Model Teoritis
Langkah pertama dalam SEM adalah melalukan identifikasi secara teoretis terhadap permasalahan penelitian. Topik penelitian ditelaah secara mendalam dan hubungan antara variabel-variabel yang akan dihipotesiskan harus didukung oleh justifikasi teori yang kuat. Hal ini dikarenakan SEM adalah untuk mengkonfirmasikan apakah data observasi sesuai dengan teori atau tidak. Jadi SEM tidak dapat digunakan untuk menguji hipotesis kausalitas imaginer. Langkah ini mutlak harus dilakukan dan setiap hubungan yang akan digambarkan dalam langkah lebih lanjut harus mempunyai dukungan teori yang kuat. Berbeda halnya dengan metode lain yaitu Partial Least Square (PLS) yang tidak memerlukan dukungan teori dan dapat digunakan untuk menguji hipotesis kausalitas imaginer.

Langkah kedua: Pengembangan Diagram Alur (Path Diagram)
Langkah kedua adalah menggambarkan kerangka penelitian dalam sebuah diagram alur (path diagram). Kesepakatan yang ada dalam penggambaran diagram alur telah dikembangkan oleh LISREL, sehingga tinggal menggunakannya saja. Beberapa ketentuan yang ada pada penggambaran diagram alur adalah:
1. Anak panah satu arah digunakan untuk melambangkan hubungan kausalitas yang bisanya merupakan permasalahan penelitian dan juga dihipotesiskan
2. Anak panah dua arah digunakan untuk melambangkan korelasi antara dua variabel eksogen dan mungkin juga korelasi antara dua indikator.
3. Bentuk elips, digunakan untuk melambangkan suatu konstruk yang tidak diukur secara langsung, tetapi diukur dengan menggunakan satu atau lebih indikator
4. Bentuk kotak, melambangkan variabel yang diukur langsung (observerb)
5. Huruf e, digunakan untuk melambangkan kesalahan pada masing-masing pengamatan. Nilai ini harus diberikan kepada setiap variabel observerb.
6. Huruf z, digunakan untuk melambangkan kesalahan estimasi. Nilai ini diberikan kepada semua variabel endogen.
7. Variabel eksogen, adalah variabel yang mempengaruhi, biasa disebut variabel independen dalam analisis regresi.
8. Variabel endogen, adalah variabel yang dipengaruhi, biasa disebut variabel dependen dalam analisis regresi.

Langkah Ketiga: Konversi Diagram Alur ke dalam Persamaan Struktural dan Model Pengukuran
Langkah ketiga adalah mengkonversikan diagram alur ke dalam persamaan, baik persamaan struktural maupun persamaan model pengukuran. Sebenarnya langkah ini telah dilakukan secara otomatis oleh program SEM yang tersedia (AMOS atau LISREL). Berikut adalah contoh persamaan umum struktural
Variabel Endogen = Variabel Eksogen + Kesalahan estimasi
Sebagai ilustrasi, model persamaan adalah pengaruh antara motivasi (MT) terhadap kepuasan (KP), dan selanjutnya kepuasan terhadap kinerja (KN). Jadi persamaan strukturalnya adalah:
KP = γ1 M + z1
KN = γ2 KP + z2
Dengan z1 adalah kesalahan estimasi antara motivasi terhadap kepuasan dan z2 adalah kesalahan estimasi antara kepuasan terhadap kinerja; dan γ1 adalah koefisien regresi motivasi ke kepuasan, dan γ2 adalah koefisien regresi kepuasan ke kinerja.
Sebagai ilustrasi, motivasi diukur dengan tiga indikator MT1, MT2 dan MT3, maka persamaan model pengukurannya adalah:
MT1 = β1 MT + e1
MT2 = β2 MT + e2
MT3 = β3 MT + e3
Dengan β1 adalah loading faktor indikator MT1 ke konstruk motivasi, β2 adalah loading faktor MT2 ke konstruk motivasi dan β3 adalah loading faktor indikator MT3 ke konstruk motivasi; e1 adalah kesalahan pengukuran indikator MT1, e2 adalah kesalahan pengukuran indikator MT2 dan e3 adalah kesalahan pengukuran indikator MT3.

Langkah Keempat: Memilih Jenis Matrik Input dan Estimasi Model yang Diusulkan
Jenis matrik input yang dimasukkan adalah data input berupa matrik varian atau kovarian atau matrik korelasi. Data mentah observasi akan diubah secara otomatis oleh program menjadi matriks kovarian atau matriks korelasi. Matriks kovarian mempunyai kelebihan dibandingkan matriks korelasi dalam memberikan validitas perbandingan antara populasi yang berbeda atau sampel yang berbeda. Namun matriks kovarian lebih rumit karena nilai koefisien harus diinterpretasikan atas dasar unit pengukuran konstruk.
Estimasi model yang diusulkan adalah tergantung dari jumlah sampel penelitian, dengan kriteria sebagai berikut: (Ferdinand, 2006:47)
Antara 100 – 200 : Maksimum Likelihood (ML)
Antara 200 – 500 : Maksimum Likelihood atau Generalized Least Square (GLS)
Antara 500 – 2500 : Unweighted Least Square (ULS) atau Scale Free Least Square (SLS)
Di atas 2500 : Asymptotically Distribution Free (ADF)
Rentang di atas hanya merupakan acuan saja dan bukan merupakan ketentuan. Bila ukuran sampel di bawah 500 tetapi asumsi normalitas tidak terpenuhi bisa saja menggunakan ULS atau SLS.
Langkah berikutnya adalah dengan melakukan estimasi model pengukuran dan estimasi struktur persamaan
1. Estimasi Model Pengukuran (Measurement Model).
Juga sering disebut dengan Confirmatory Factor Analysis (CFA). Yaitu dengan menghitung diagram model penelitian dengan memberikan anak panah dua arah antara masing-masing konstruk. Langkah ini adalah untuk melihat apakah matriks kovarian sampel yang diteliti mempunyai perbedaan yang signifikan atau tidak dengan matriks populasi yang diestimasi. Diharapkan tidak terdapat perbedaan yang signifikan sehingga nilai signifikansi pada Chi-Square di atas 0,05.
2. Model Struktur Persamaan (Structure Equation Model).
Juga sering disebut dengan Full model, yaitu melakukan running program dengan model penelitian. Langkah ini untuk melihat berbagai asumsi yang diperlukan, sekaligus melihat apakah perlu dilakukan modifikasi atau tidak dan pada akhirnya adalah menguji hipotesis penelitian.

Langkah Kelima: Kemungkinan Munculnya Masalah Identifikasi
Beberapa masalah identifikasi yang sering muncul sehingga model tidak layak di antaranya adalah sebagai berikut:
1. Standard error yang besar untuk satu atau beberapa koefisien.
Standard error yang besar menunjukkan adanya ketidaklayakan model yang disusun. Standard error yang diharapkan adalah relatif kecil, yaitu di bawah 0,5 atau 0,4 akan tetapi nilai standard error tidak boleh negatif yang akan diuraikan lebih lanjut di bawah pada point 3.
2. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan.
Jika program tidak mampu menghasilkan suatu solusi yang unik, maka output tidak akan keluar. Hal ini bisa disebabkan oleh beberapa hal, misalnya sampel terlalu sedikit atau iterasi yang dilakukan tidak konvergen.
3. Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.
Varians error yang diharapkan adalah relatif kecil tetapi tidak boleh negatif. Jika nilainya negatif maka sering disebut heywood case dan model tidak boleh diinterpretasikan dan akan muncul pesan pada output berupa this solution is not admissible.
4. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misal ≥ 0,9).
Gangguan ini juga sering disebut sebagai singularitas dan menjadikan model tidak layak untuk digunakan sebagai sarana untuk mengkonfirmasikan suatu teori yang telah disusun.

Langkah Keenam: Evaluasi Kriteria Goodness of Fit
1. Uji Kesesuaian dan Uji Statistik. Ada beberapa uji kesesuaian statistik, berikut adalah beberapa kriteria yang lazim dipergunakan
a. Likelihood ratio chi-square statistic (χ2). Pada program AMOS, nilai Chi Square dimunculkan dengan perintah \cmin. Nilai yang diharapkan adalah kecil, atau lebih kecil dari pada chi Square pada tabel. Chi-square tabel dapat dilihat pada tabel, dan jika tidak tersedia di tabel (karena tabel biasanya hanya memuat degree of freedom sampai dengan 100 atau 200), maka dapat dihitung dengan Microsoft Excel dengan menu CHINV. Pada menu CHINV, baris probabilitas diisi 0,05 dan deg_freedom diisi jumlah observasi. Maka Microsoft Excel akan menghitung nilai chi-square tabel.
b. Probabilitas. Dimunculkan dengan menu \p. Diharapkan nilai probabilitas lebih dari 0,05 (5%)
c. Root Mean Square Error Approximation (RMSEA). Dimunculkan dengan perintah \rmsea. Nilai yang diharapkan adalah kurang dari 0,08.
d. Goodness of Fit Index (GFI). Dimunculkan dengan perintah \gfi dan nilai yang diharapkan adalah lebih besar dari 0,9.
e. Adjusted Goodness of Fit Index (AGFI). Dimunculkan dengan perintah \agfi dan nilai yang diharapkan adalah lebih besar dari 0,9.
f. The Minimum Sampel Discrepancy Function atau Degree of Freedom (CMIN/DF). Dimunculkan dengan perintah \cmin/df dan nilai yang diharapkan adalah lebih kecil dari 2 atau 3.
g. Tucker Lewis Index (TLI). Dimunculkan dengan perintah \tli dan nilai yang diharapkan adalah lebih besar dari 0,95.
h. Comparative Fit Index (CFI). Dimunculkan dengan perintah \cfi dan nilai yang diharapkan adalah lebih besar dari 0,95.
2. Uji Reliabilitas: Construct Reliability dan Variance extracted. Diperlukan perhitungan manual untuk menghitung construct reliability dan variance extracted. Dengan persamaan construct reliability = (jumlah standard loading)^2/((jumlah standard loading)^2)+(measurement error)) dan variance extracted = ((jumlah (standard loading)^2))/(((jumlah(standard loading)^2))+(measurement error)). Dengan measurement error = 1-((standar loading)^2)). Nilai yang diharapkan untuk construct reliability adalah di atas 0,7 dan variance extracted di atas 0,5.
3. Asumsi-asumsi SEM:
a. Ukuran Sampel. Disarankan lebih dari 100 atau minimal 5 kali jumlah observasi.
b. Normalitas. Normalitas univariate dilihat dengan nilai critical ratio (cr) pada skewness dan kurtosis dengan nilai batas di bawah + 2,58. Normalitas multivariate dilihat pada assessment of normality baris bawah kanan, dan mempunyai nilai batas + 2,58.
c. Outliers. Outliers multivariate dilihat pada mahalanobis distance dan asumsi outliers multivariate terpenuhi jika nilai mahalanobis d-squared tertinggi di bawah nilai kritis. Nilai kritis sebenarnya adalah nilai chi-square pada degree of freedom sebesar jumlah sampel pada taraf signifikansi sebesar 0,001. Nilainya dapat dicari dengan Microsoft Excel seperti telah disampaikan di atas. Univariate outliers dilihat dengan mentransformasikan data observasi ke dalam bentuk Z-score. Transformasi dapat dilakukan dengan Program SPSS dan asumsi terpenuhi jika tidak terdapat observasi yang mempunyai nilai Z-score di atas + 3 atau 4.
d. Multicollinearity. Multikolinearitas dilihat pada determinant matriks kovarians. Nilai yang terlalu kecil menandakan adanya multikolinearitas atau singularitas.

Langkah Ketujuh: Menginterpretasikan Hasil Pengujian dan Modifikasi Model
Peneliti dapat melakukan modifikasi model untuk memperbaiki model yang telah disusun, dengan sebuah catatan penting, yaitu bahwa setiap perubahan model harus didukung oleh justifikasi teori yang kuat. Tidak boleh ada modifikasi model tanpa adanya dukungan teori yang kuat. Modifikasi model dapat dilakukan dengan menambahkan anak panah antar konstruk (juga bisa merupakan penambahan hipotesis) atau penambahan dua anak panah antara indikator, yang juga harus didukung dengan teori yang kuat. Penilaian kelayakan model modifikasi dapat dibandingkan dengan model sebelum adanya modifikasi. Penurunan Chi-Square antara model sebelum modifikasi dengan model setelah modifikasi diharapkan lebih dari 3,84.
Modifikasi dapat dilakukan pada indikator dengan modification indeks terbesar. Artinya bahwa jika kedua indikator tersebut dikorelasikan (dengan dua anak panah) maka akan terjadi penurunan chi-square sebesar modification indeks (MI) sebesar angka tersebut. Sebagai contoh jika pada MI tertulis angka terbesar sebesar 24,5, maka jika kedua indikator tersebut dikorelasikan maka akan terjadi penurunan Chi-square sebesar 24,5 yang signifikan karena lebih besar dari pada 3,84 seperti telah disebutkan di atas.
Pengujian hipotesis juga dapat dilakukan pada langkah ketujuh ini dengan kriteria critical ratio lebih dari 2,58 pada taraf signifikansi 1 persen atau 1,96 untuk signifikansi sebesar 5%. Langkah ini sama dengan pengujian hipotesis pada analisis regresi berganda yang sudah dikenal dengan baik.


Structral Equation Modeling (SEM) Berbasis Variance
SEM memiliki fleksibilitas yang lebih tinggi bagi peneliti mengkonfirmasikan teori dengan data, dibandingkan teknik multivariate yang berkembang sebelumnya yaitu principal component analysis, factor analysis, discriminant analysis atau multiple regression. Terdapat dua kelompok SEM akhir-akhir ini yaitu, berbasis covariance dan berbasis variance (component)

SEM berdasarkan pada Covariance
SEM berbasis covariance yang berkembang sekitar tahun 1973 mulai menarik perhatian para peneliti setelah keluarnya LISREL III yang dikembangkan oleh Joreskog dan Sorbom. Ide dasarnya adalah dengan menggunakan fungsi Maximum Likelihood (ML) sehingga covariance based SEM (CBSEM) sebenarnya berusaha meminimumkan perbedaan antara sample covariance dan covariance yang diprediksi oleh model teoritis. Penggunaan CBSEM sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti variabel yang diobservasi memiliki multivariate normal distribution dan observasi harus independen satu sama lain.

CBSEM sangat dipengaruhi oleh jumlah sampel, karena jumlah sample kecil dapat menghasilkan model yang jelek masih dapat menghasilkan model fit. CBSEM mengharuskan dalam membentuk variabel latent, indikator-indikatornya bersifat refleksif. Dalam model refleksif indikator atau manifest dipandang variabel yang dipengaruhi oleh variabel laten sesuai dengan teori pengukuran classical test theory. Pada model indikator refleksif, indikator-indikator pada satu konstruk (variabel laten) dipengaruhi oleh konsep yang sama. Perubahan dalam satu item atau indikator akan berakibat pada perubahan indikator lainnya dengan arah yang sama.

Pada kenyataannya indikator dapat dibentuk dalam bentuk formatif indikator model yaitu indikator dipandang sebagai variabel yang mempengaruhi variabel laten. Sebagai ilustrasi indikator pendidikan, pekerjaan dan pendapatan mempengaruhi variabel laten status sosial ekonomi. Jika salah satu indikator meningkat maka indikator yang lain tidak harus ikut meningkat pula. Kenaikan pada suatu indikator pendapatan akan meningkatkan variabel laten.

Penggunaan model indikator formatif dalam CBSEM akan menghasilkan model yang unidentified yang berarti terdapat covariance bernilai nol di antara beberapa indikator. Hubungan kausalitas model struktural dibangun atas dasar teori dan CBSEM hanya ingin mengkonfirmasi apakah model berdasarkan teori tadi tidak berbeda dengan model empirisnya.

Dengan beberapa keterbatasan yang ada maka sekarang banyak yang menggunakan SEM berbasis component atau variance yang terkenal dengan Partial Least Square (PLS).

SEM berbasis component atau variance – PLS
Pada dasarnya, tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari indikatornya. Hasil komponen skore untuk setiap variabel laten didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependent (laten, observe atau keduanya). PLS merupakan metode analisis yang powerfull oleh karena tidak didasarkan banyak asumsi. Data tidak harus berdistribusi normal multivariate (indikator dengan skala kategor sampai ratio dapat digunakan pada model yang sama), sample tidak harus besar dan residual distribution. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter.

PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi unidentified model. Oleh karena PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursive dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel.

Beberapa program yang dirancang khusus untuk menyelesaikan model dengan PLS adalah SmartPLS, PLS Graph, Visual PLS dan PLS Gui. Semua program tersebut dapat di download secara gratis dari internet. Berikut adalah alamat-alamat penyedia software tersebut: (anda juga bisa tanya sama Mbah Google)


http://dmsweb.badm.sc.edu untuk program PLS Gui
http://kuas.edu.tw untuk program VPLS
http://smartpls.de untuk program SmartPLS
http://bauer.uh.edu untuk program PLS Graph

Program-program tersebut sampai sekarang masih merupakan versi Beta (kecuali PLS Graph) sehingga masih bisa di download secara gratis. Tapi gak tahu lho besok-besok. So, bagi yang butuh buruan aja…..





Amos For SEM
Program Analysis Moment of Structural (AMOS) adalah salah satu program yang dirancang khusus untuk menyelesaikan Structural Equation Modeling (SEM). Sebenarnya juga banyak program lain yang serupa misalnya EQS, LISREL, LISCOMP, STATISTICA dan lain-lain. Akan tetapi AMOS merupakan program yang paling banyak digunakan di Indonesia.

Program ini dapat di download secara gratis di http://www.smallwaters.com meskipun hanya merupakan versi student. Versi student sebenarnya sama persis dengan full version, hanya mempunyai beberapa keterbatasan, di antaranya hanya dapat digunakan untuk delapan variabel saja. Tentu saja penelitian yang sebenarnya akan lebih dari delapan variabel, sehingga anda harus membeli untuk mendapatkan full version. Jika anda membeli, akan akan diberi script yang jika anda masukkan ke dalam versi student, maka program AMOS versi student tersebut akan menjadi full version. Jadi sebuah deretan angka dan huruf tetapi mempunyai harga yang sangat mahal!! He he. Jadi kalau anda bisa mendapatkan script tersebut, ya anda dapat menggunakan AMOS full version, tapi..ya namanya bajakan!!! Mungkin sama dengan Windows yang anda gunakan di rumah.

Pada awalnya AMOS berdiri sendiri, dan akhirnya dibeli oleh perusahaan statistik raksasa yaitu Statistic Package for Service Solution (SPSS), sehingga akhirnya kedua program itu digabung menjadi sebuah paket program statistik. Browse aja ke http://www.spss.com. Kelebihan dari program AMOS adalah user friendly meskipun sebenarnya AMOS menggunakan notasi yang dikembangkan oleh LISREL. Penggabungan SPSS dan AMOS memberikan banyak keuntungan bagi para pengguna (baik yang beli maupun yang bajak!!! He he). Ketika berdiri sendiri AMOS tidak mempunyai spreadsheet untuk tabulasi data, sehingga harus mengakses dari program lain, misalnya SPSS itu sendiri, Microsoft Excel atau ASCII. Juga AMOS tidak dapat digunakan untuk uji statistik lain yang sebenarnya sederhana, misalnya analisis deskriptif. Beberapa analisis SEM memang masih memerlukan uji seperti itu, misalnya untuk uji outliers. Dengan penggabungan itu, maka menjadi lebih komprehensif, meskipun, memerlukan spek komputer yang lebih tinggi.

Metode Analisa Regresi

Metode Analisis Data
1. Analisis Regresi Berganda
Salah satu teknik peramalan adalah menggunakan metode regresi. Model analisis yang digunakan dalam penelitian ini adalah analisis statistik dengan menggunakan analisis regresi berganda. Persamaan regresi menggunakan variabel independent suatu periode tertentu pada masa lalu untuk meramalkan nilai variabel dependen.
Variabel dependen dalam penelitian ini yaitu laba yang diprediksikan dipengaruhi oleh variabel-variabel independen yaitu laba itu sendiri, piutang dagang, persediaan, biaya administrasi dan penjualan, serta rasio laba kotor terhadap penjualan. Persamaan regresi yang digunakan dalam penelitian ini adalah sebagai berikut:
Y=a + a1x1 + a2x2 + a3x3 + a4x4 + a5x5 + e
Keterangan :
Y : Perubahan laba
a : konstanta
ai : koefisien regresi
x1 : Laba
x2 : Piutang dagang
x3 : Persediaan
x4 : Biaya administrasi dan penjualan
x5 : Rasio laba kotor terhadap penjualan
e : error item

2. Asumsi-Asumsi Model Regresi Berganda
Pengujian terhadap asumsi-asumsi model regresi perlu dilakukan terlebih dahulu sebelum persamaan regresi tersebut digunakan.
a. Uji Normalitas
Uji normalitas digunakan untuk mengetahui kepastian sebaran data yang diperoleh berdistribusi normal atau tidak. Salah satu cara agar data dapat berdistribusi normal adalah dengan menggunakan metode trimming yaitu menghilangkan data yang bersifat outlier. Outlier adalah data yang memiliki nilai di luar batas normal.
Setelah data yang bersifat outlier dihilangkan, uji normalitas menggunakan uji Kolmogorof-Smirnov. Dengan uji ini dapat diketahui apakah distribusi nilai-nilai sampel yang teramati berdistribusi normal. Kriteria pengujian dengan dua arah (two-tailed test) yaitu dengan membandingkan probabilitas yang diperoleh dengan taraf signifikansi 0,05. Jika p>0,05 maka data terdistribusi normal.
b. Heteroskedastisitas
Heteroskedastisitas adalah kondisi di mana seluruh faktor gangguan tidak memiliki varian yang sama atau variannya tidak konstan untuk seluruh pengamatan-pengamatan atas x. Heteroscedasticity akan menyebabkan penaksiran koefisien-koefisien regresi menjadi tidak efisien. Pendeteksian ada tidaknya heteroskedastisitas dengan cara membandingkan t hitung dengan t tabel pada hasil regresi.
c. Autokorelasi
Autokorelasi adalah adanya korelasi antar anggota-anggota dari serangkaian pengamatan. Autokorelasi menunjukkan hubungan antara nilai-nilai yang berurutan dari variabel yang sama. Akibat adanya autokorelasi terhadap penaksiran regresi adalah R2 menjadi lebih tinggi dari yang seharusnya dan pengujian hipotesis dengan menggunakan statistik dan f-statistik akan menyesatkan. Pendekatan yang digunakan dalam penelitian ini adalah dengan uji Durbin-Watson .
d. Multikolinieritas
Multikolinieritas digunakan untuk menunjukkan adanya hubungan linier di antara variabel-variabel bebas dalam model regresi. Jika variabel-variabel bebas berkorelasi secara sempurna maka metode kuadrat terkecil tidak bisa digunakan. Variabel-variabel yang tidak berkorelasi dikatakan orthogonal yang menunjukkan bahwa tidak ada masalah multikolinieritas. Akibat adanya multikolinieritas adalah koefisien-koefiesien regresi menjadi tidak dapat ditaksir dan nilai standar error setiap koefisien regresi menjadi tak terhingga. Adanya multikolinieritas dapat dilihat dari nilai tolerance yang lebih kecil dari 0,1 atau Variance Inflation Factor (VIF) yang lebih besar dari 10 atau Eigenvalue yang semakin mendekati 0 atau condition index melebihi 15.

3. Pengujian Hipotesis
a. Pengujian Koefisien Regresi Parsial (Uji t)
Pengujian ini dimaksudkan untuk mengetahui apakah secara individu variabel independen mempunyai pengaruh secara signifikan terhadap variabel dependen dengan asumsi variabel independen lainnya konstan. Dalam penelitian ini variabel laba, piutang dagang, persediaan, biaya administrasi dan penjualan, rasio laba kotor terhadap penjualan secara individu diuji pengaruhnya terhadap laba sebagai variabel independen.
b. Pengujian Koefisien Regresi Serentak (Uji F)
Pengujian ini dilakukan untuk menyelidiki apakah variabel independen secara serentak mempunyai pengaruh terhadap variabel dependen. Dalam penelitian ini laba, piutang dagang, persediaan, biaya administrasi dan penjualan, rasio laba kotor terhadap penjualan diuji pengaruhnya secara serentak terhadap laba sebagai variabel independen.
c. Pengujian Ketepatan Perkiraan (Uji R2)
Metode ini digunakan untuk menilai proporsi total variasi variabel dependen yang dapat dijelaskan oleh variabel-variabel independen R2 yang digunakan adalah R2 yang telah memperhitungkan jumlah variabel bebas dalam suatu regresi atau disebut R2 yang telah disesuaikan (adjusted R2).