Modul Praktikum Spss 12

Modul Praktikum Statistik dengan SPSS Versi 12.0 (Edisi Revisi)

Endi Sarwoko, SE.,MM________________________________________________________________ 1

PENGENALAN SPSS Versi 12.0

1. Program SPSS SPSS merupakan software khusus statistik yang populer dan paling banyak pemakainya di

seluruh dunia. SPSS awalnya diperuntukkan bagi pengolahan data statistik untuk ilmu sosial

(saat itu SPSS adalah singkatan dari Statistical Package for Social Science), sekarang

diperluas untuk melayani berbagai jenis user, sehingga saat ini SPSS adalah singkatan dari

Statistical Product and Service Solution.

2. Cara Kerja SPSS Untuk memahami cara kerja software SPSS, berikut dikemukakan kaitan antara cara kerja

SPSS dengan Statistik dalam mengolah data.

Statistik Input data Output Data

SPSS Input data Output Data

(Data Editor) (Viewer)

Penjelasan cara kerja SPSS adalah sebagai berikut:

1. Data yang akan diproses dimasukkan (entry) lewat window Data Editor yang otomatis

aktif saat SPSS dijalankan.

2. Data yang telah diinput kemudian diproses, juga lewat window Data Editor.

3. Hasil pengolahan data tampil di layar tersendiri yaitu window Viewer (Output).

3. Memulai SPSS Untuk menjalankan program SPSS for Windows Versi 12.0, langkah-langkahnya adalah

sebagai berikut:

1. Klik Start, arahkan pointer mouse ke Program, kemudian jendela Program akan

muncul, SPSS for Windows dan klik menu SPSS 12.0 For Windows

PROSES STATISTIK

PROSES STATISTIK

(Data Editor)



2. Maka akan tampil windows SPSS di layar, dan otomatis aktif pada window DATA

EDITOR.

v

Data editor merupakan worksheet atau lembar kerja untuk memasukkan data yang terdiri

dari baris dan kolom. Koordinat antara baris dan kolom disebut dengan Cell. 1. Baris

Baris yang terdiri dari angka 1, 2, 3 dan seterusnya menunjukkan nomor kasus atau

banyaknya data.

2. Kolom

Kolom yang berisi VAR menunjukkan variabel. Jika user belum memberi nama variabel,

pada saat pertama kali data dimasukkan, maka secara otomatis SPSS akan memberi

nama variabel dengan VAR0001, VAR0002 dan seterusnya, nama ini akan berubah jika

user telah memberi nama variabel, melalui window Variabel View.

NomorKasus

Nama Variabel

Data Editing Menu Icon

Cell



Window SPSS seperti pada gambar di atas disebut dengan window DATA EDITOR

(lihat nama di kiri atas layar), teks awal menunjukkan Nama File SPSS, karena belum diberi

nama maka SPSS secara default akan memberi nama Untitled, tetapi jika user telah

menyimpan data (dan memberi nama) maka kata Untitled akan berubah dengan nama file

yang diberi user.

Data editor mempunyai dua fungsi utama yaitu:

1. Input data yang akan diolah SPSS

2. Proses data yang telah diinput sesuai dengan prosedur statistik yang diinginkan.



MENU PADA SPSS

Pada software SPSS versi 10.0 terdapat beberapa windows yang bisa tampil sekaligus

jika memang akan dilakukan berbagai proses, namun yang pasti selalu digunakan adalah

window Data Editor sebagai bagian input data, serta window Viewer sebagai output hasil

pengolahan data.

A. Data Editor

Window ini terbuka secara otomatis setiap kali program SPSS dijalankan dan berfungsi

untuk input dan pengolahan data dengan SPSS:

Menu yang ada pada Data Editor:

1. File

Menu File berfungsi untuk menangani perintah yang berhubungan dengan file data

seperti membuat file baru, menyimpan file, membuka file, mengambil data dari program

lain, mencetak data, dan sebagainya.

2. Edit

Menu Edit berfungsi menangani perintah yang berhubungan dengan perbaikan dan

perubahan data (copy, edit, paste, clear).

3. View

Menu View berfungsi mengatur tampilan layar, seperti huruf, tollbar, atau menampilkan

variabel, dan sebagainya

4. Data

Menu data berfungsi membuat perubahan data SPSS secara keseluruhan, seperti

menyisipkan data, menyisipkan variabel, mengurutkan data, menggabungkan data, dan

sebagainya.

5. Transform

Menu Transform berfungsi untuk melakukan transformasi terhadap data seperti

perhitungan (penjumlahan, pengurangan, perkalian, dll), pengkodean, pengkategorian,

ranking, dan sebagainya.



6. Analyze

Menu Analyze merupakan menu yang digunakan untuk melakukan analisis data, seperti

statistik deskriptif, korelasi, regresi, uji beda dan sebagainya.

7. Graph

Sesuai dengan namanya, menu Graph berfungsi untuk membuat grafik dari data yang

diinput.

8. Utilities

Menu Utilities merupakan menu tambahan yang mendukung program SPSS seperti

informasi tentang variabel, informasi tentang file, mengatur tampilan menu, dan

sebagainya.

9. Add-on

Menu add-on merupakan menu tambahan yang memungkinkan menambah fasilitas-

fasilitas lain diluar paket standar dari SPSS.

10. Window

Menu Window berfungsi untuk berpindah di antara menu-menu yang lain di SPSS,

misalnya dari menu Viewer ke Data Editor atau sebaliknya.

11. Help

Berfungsi sebagai bantuan informasi mengenai program SPSS.

Selain menu-menu tersebut, pada window data editor terdapat 2 jenis window lagi

berkenaan dengan data yaitu Data View dan Variabel View

1. Data view

Window ini aktif menampilkan worksheet untuk memasukkan data dan otomatis aktif

saat SPSS menampilkan window Data Editor.

2. Variabel View

Window ini digunakan untuk pengaturan variabel, seperti memberi nama variabel,

menentukan tipe data yang akan dimasukkan, pemberian label variabel, pengaturan

kolom dan lain-lain. Pemberian nama variabel bisa dilakukan setelah data dimasukkan

atau sebelum data dimasukkan.



B. Viewer

Window Viewer berfungsi untuk menampilkan hasil (output) analisis, yang akan terbuka jika

dilakukan proses analisis (analyze).

Window Viewer terbagi menjadi dua bagian, windows sebelah kiri berfungsi sebagai explorer

(daftar isi dari output), sedangkan window sebelah kanan merupakan output dari analisis.

Jika user ingin melihat hasil output tertentu, tinggal klik daftar pada window sebelah kiri,

maka layar akan aktif pada output yang dipilih.

Menu yang ada pada Viewer sebenarnya memiliki fungsi yang hampir sama dengan

menu pada Data Editor, jika menu Data Editor berkenaan dengan data, maka Viewer

berkenaan dengan output SPSS atau hasil analisis. Untuk kembali ke Data Editor bisa

dilakukan dengan klik menu Window dan pilih Data Editor.

Pada window Viewer terdapat pula window untuk mengedit table output (Pivot Table) maupun grafik (Graph Editor). 1. Pivot Table

Merupakan window yang berfungsi untuk mengedit tampilan tabel hasil output analisis,

seperti mengatur lebar kolom, mengatur huruf, mengatur perataan data pada tabel

(Align), merubah tampilan tabel dari kolom menjadi baris atau sebaliknya dan

sebagainya.

Untuk menampilkan Pivot Table Object tempatkan pointer mouse pada tabel yang akan

diedit, klik kanan tombol mouse, pilih menu SPSS Pivot Table Object Open.



2. Graph Editor

Graph editor merupakan window yang digunakan untuk mengedit tampilan grafik hasil

analisis, seperti memberi Title (judul) grafik, mengatur warna grafik, menampilkan

Legend dan lain-lain.

Untuk menampilkan Graph Editor tempatkan pointer mouse pada grafik yang akan

diedit, klik kanan tombol mouse, pilih menu SPSS Chart Object Open.



PENGOPERASIAN SPSS

SPSS menganggap setiap data yang dimasukkan pada Data Editor sebagai variabel,

artinya apabila user memasukan dua jenis data misalnya jenis kelamin dan usia, maka akan

terdapat 2 variabel yaitu variabel jenis kelamin dan variabel usia.

A. Input Data

Pada saat window Data Editor aktif, maka proses pemasukan data dapat langsung

dilakukan, data pertama dimulai dari Cell baris 1 variabel pertama, urut ke bawah sebanyak

data yang dimiliki. Jika data sudah dimasukkan maka kolom VAR otomatis akan berubah

nama menjadi VAR00001 artinya SPSS memberi nama variabel VAR00001. Apabila user

akan memasukkan data lain, klik pada Cell baris 2 variabel kedua, urut ke bawah, demikian

seterusnya sampai seluruh jenis data dimasukkan pada cell. Akan tetapi proses pemasukan

data akan lebih mudah jika diawali dengan pemberian nama variabel, termasuk penentuan

tipe data.

B. Variabel

Beberapa hal penting berkaitan dengan pengaturan variabel antara lain:

1. Memberi nama variabel (Name)

Pemberian nama variabel hendaknya disesuaikan dengan macam data yang

dimasukkan. Untuk memberi nama variabel klik menu: Variabel View di kiri bawah layar,

setelah masuk ke window Variabel View, tempatkan pointer pada nama variabel yang

akan diberi nama dan ketik nama variabel yang dikehendaki, akhiri dengan tombol

Enter.

Aturan dalam pemberian nama variabel adalah tidak boleh menggunakan spasi, titik,

koma, /, ‘, +, -, “, ?.



2. Menentukan Tipe Variabel (Type)

Secara default, SPSS menampilkan tipe variabel Numeric artinya jenis datanya angka.

Apabila data yang dimasukkan bukan angka (misalnya jenis kelamin, pendidikan, dll),

maka tipe data harus dirubah menjadi STRING dengan cara: Klik Cell pada menu Type,

lalu klik tanda “…” selanjutnya akan muncul pilih tipe variabel yang bisa dipilih, misalnya

pilih STRING.

Catatan: apabila jenis data String, maka tidak dapat dilakukan analisis kuantitatif seperti

Correlation, Regression, Compare Mean dll. Oleh karena itu apabila data kualitatif akan

dianalisis secara kuantitatif maka dilakukan pengkategorian (pemberian nilai pada data

kualitatif) dengan menggunakan menu Value (lihat penjelasan no 6).

3. Width dan Coloums Digunakan untuk mengatur panjang karakter atau angka serta lebar kolom variabel pada

Data Editor.

4. Pengaturan Desimal (Decimal)

Pengaturan terhadap angka desimal yang digunakan dapat diatur melalui menu

Decimal.

5. Label Label merupakan nama kepanjangan dari nama variabel. Fungsi label adalah untuk

mendefinisikan nama variabel secara lebih terperinci, karena pemberian label bisa

panjang, boleh spasi dan tanda baca. Selain itu dengan memberi label pada nama

variabel hasil output akan lebih mudah dibaca karena yang ditampilkan adalah Label

bukan Name variabel.

6. Values Values digunakan jika user menginginkan data kualitatif (seperti jenis kelamin,

pendidikan) dikuantitatifkan dengan cara pemberian nilai (kategori), misalnya:

1 untuk kategori Laki-laki

2 untuk kategori Perempuan.

7. Align Mengatur perataan data pada kolom variabel, ada tiga pilihan yaitu Left (rata kiri), Center

(rata tengah), dan Right (rata kanan).

8. Measure Pengaturan skala ukur dari data yang diinput, SPSS secara otomatis akan memilih skala

yang digunakan sesuai dengan tipe data yang dimasukkan, jika dikehendaki user dapat

menentukan jenis skala yang digunakan, terdiri dari:

Scale untuk skala interval dan rasio

Ordinal untuk skala ordinal



Nominal untuk skala nominal

C. Menyimpan Data Untuk menyimpan data yang telah dimasukkan dilakukan dengan menekan menu:

File Save As nama file

Bisa juga langsung menekan tombol keyboard Ctrl + S atau menekan icon

Secara default SPSS akan menyimpan file data pada direktori SPSS, sehingga jika ingin

disimpan pada direktori tersendiri maka pindah dahulu menu Save in pada direktori yang

dikehendaki. Perhatikan pada Save as type diikuti dengan SPSS (*.SAV) menandakan

bahwa data akan disimpan sebagai file SPSS.

Ketikkan Nama File dan akhiri dengan klik Save, maka file data SPSS akan tersimpan pada

folder yang telah ditentukan (Nama file dan folder harus diingat, untuk memudahkan mencari

dan membuka file data yang telah dibuat)

D. Membuka Data

Apabila user ingin membuka file data SPSS yang telah tersimpan dilakukan dengan cara:

File Open Data pilih nama file

Bisa juga langsung menekan tombol keyboard Ctrl + O atau menekan icon

Selanjutnya pada window Open File klik ganda file SPSS yang akan dibuka.

E. Mencetak Data

Jika diinginkan user bisa mencetak data yang telah dimasukkan dengan cara:

File Print

Bisa juga langsung menekan tombol keyboard Ctrl + P atau menekan icon

lakukan pengaturan seperti jenis printer, halaman berapa yang akan dicetak, akhiri dengan

klik OK.



F. Mengimpor Data dari Excel

Ada kalanya data yang dimiliki adalah data program lain misalnya program Excel, dalam hal

ini SPSS dapat mengambil data dari Excel, dengan 2 cara:

1. Cara 1 : Langsung memanggil data Excel dari menu SPSS

File Open Data File of Type pilih Excel (*.XLS) pilih nama file

Selanjutnya SPSS akan menampilkan Sheet pada Worksheet Excel, apabila seluruh

data Excel (dalam satu sheet) akan diimpor seluruhnya, klik OK, tetapi apabila hanya

ingin diambil beberapa kolom saja (data tertentu) maka isikan alamat Cell pada kolom

Range, misal: Cell A1:B4 berarti yang akan diimpor adalah data pada cell A1 sampai

dengan data pada cell B4.

2. Cara 2

Melakukan Copy data dari Excel untuk di Paste pada SPSS. Untuk melakukan cara 2 ini,

kedua program (Excel dan SPSS) harus aktif. Buka data (file) di Excel, lalu blok data

yang akan di Copy, selanjutnya masuk ke lembar kerja SPSS, lakukan Paste, maka data

dari Excel akan tercopu ke SPSS.



G. Menyisipkan data dan menyisipkan variabel Apabila data sudah dimasukkan ke worksheet tetapi user ingin menyisipkan satu

data (satu kasus) hal ini disebut dengan Insert Case, sedangkan menyisipkan variabel

disebut Insert Variable

1. Menyisipkan Data (kasus) Langkah-langkahnya:

a. Tempatkan pointer mouse pada baris data yang akan disisipi.

b. Klik menu Data – Insert Cases

Cara lain untuk menyisipkan data adalah dengan

cara:

a. Klik kanan mouse pada nomor baris data

yang akan disisipi.

b. Klik Insert Case

2. Menyisipkan variabel

Langkah-langkahnya:

a. Tempatkan pointer mouse pada nama variabel yang akan.

b. Insert Variable Atau melalui menu Data – Insert Variable

H. Menghapus data atau variabel

Caranya hampir sama dengan menyisipkan data atau variabel, klik kanan mouse pada baris

atau nama variabel yang akan dihapus, selanjutnya pilih Clear, maka data atau variabel



yang dipilih akan terhapus. Untuk membatalkan penghapusan klik menu Edit – Undo

I. Merubah Data Untuk merubah data dengan cara klik pada Cell yang akan diubah, ketik data baru yang

diinginkan, akhiri dengan Enter

J. Transform Menu transformasi pada SPSS dapat digunakan untuk melakukan proses penghitungan

terhadap variabel yang ada seperti menghitung rata-rata dua atau lebih variabel,

penjumlahan, pembagian dan sebagainya, selain itu dapat pula digunakan untuk melakukan

transformasi seperti transformasi Log, Ln, Absolut, Pembulatan dan sebagainya.

Misalnya ingin dilakukan transformasi Logaritma terhadap variabel Modal dan Keuntungan.

Langkah-langkah dalam melakukan tranformasi:

1. Klik menu Transform – Compute

2. Isi dialog Target Variabel dengan nama Variabel baru sebagai hasil transformasi,

misalnya Log_X sebagai variabel baru hasil transformasi dari variabel Modal.

3. Pada kotak dialog Function cari perintah untuk logaritma, lalu klik ganda pada

Lg10(numexpr) agar perintah Lg10 masuk ke dialog Numeric Expression 4. Perhatikan di dalam tanda kurung Lg10(?) merupakan nilai yang akan ditransformasi,

dalam hal ini variabel Modal, oleh karena itu klik ganda variabel Modal 5. Akhiri dengan klik OK

6. Maka di layar Data Editor akan muncul variabel baru hasil transformasi Log dengan

nama Log_X

J. Mengedit Output Tabel atau Graph

Adakalanya user ingin mengedit tampilan output agar lebih menarik serta lebih

komunikatif, misalnya mengatur lebar kolom pada tabel, merubah kolom jadi baris atau

sebaliknya, memberi warna/arsiran, merubah font, hal ini bisa dilakukan melalui window



Pivot able dengan cara klik kanan pada tabel atau grafik yang akan diedit, lalu klik menu

SPSS Pivot Table Object lalu pilih sub menu Edit atau Open, jika memilih Open maka

akan terbuka window tersendiri, sedangkan Edit perubahan dilakukan tetap pada window

Output.

K. Menyimpan Output Hasil analisis (output) SPPS dapat disimpan tersendiri sebagai file Viewer dengan extensi

SPO (*.SPO), untuk melakukan penyimpanan output saat aktif pada window Viewer melalui

menu File – Save atau File – Save As dan beri nama sesuai dengan output dari analisis.

L. Mencetak Output Untuk mencetak output SPSS pada prinsipnya sama dengan mencetak data, yaitu dari

window Viewer pilih menu File – Print Agar diperoleh hasil cetak yang baik maka perlu dilakukan pengaturan halaman dengan

cara: 1. Klik menu File – Page Setup



2. Pengaturan dapat dilakukan terhadap:

a. Paper

Menentukan jenis kertas yang akan digunakan untuk mencetak.

b. Orientation

Menentukan arah percetakan pada kertas

Portrait : mencetak posisi horisontal pada kertas

Landscape : mencetak posisi vertikal pada kertas

c. Margin

Mengatur batas atau jarak teks dengan tepi kertas, terdiri dari yaitu Left (batas kiri),

right (batas kanan), Top (batas atas), dan bottom (batas bawah),

3. Printer

Digunakan untuk memilih jenis printer yang digunakan

4. Option

Digunakan untuk memberi Header atau Footer pada halaman yang dicetak, serta

pemberian halaman jika diinginkan.

5. Jika pengaturan sudah dilakukan maka proses pencetakan dapat dimulai dengan

menekan tombol OK.

Proses pencetakan hasil output selain cara langsung dari SPSS juga dapat dicetak

melalui program Microsoft Word dengan cara sebagai berikut:

1. Pada window Output klik menu Edit – Select All, maka seluruh hasil output akan aktif

ditunjukkan oleh garis kotak mengelilingi tabel atau grafik output.

2. Klik menu Copy Object 3. Buka program Microsoft Word 4. Klik menu Edit – Paste, maka output SPSS akan tercopy pada layar Microsoft Word

5. Lakukan pengaturan halaman melalui menu File - Page Setup

6. Lakukan pencetakan melalui menu File – Print



STATISTIK DESKRIPTIF

A. Descriptive Statistics Statistik deskriptif berhubungan dengan pengumpulan dan peringkasan data, serta penyajian data sehingga lebih mudah dibaca dan dipahami. Data hasil penelitian biasanya masih bersifat mentah dan belum terorganisir dengan baik. Oleh karena itu agar lebih informatif maka data harus diringkas dengan baik dan teratur dalam bentuk tabel atau persentase (Frekuensi) maupun grafis sebagai dasar untuk berbagai pengambilan keputusan (Statistik Inferensi).

Untuk melakukan analisis deskriptif (Desctriptive Statistic) melalui menu:

Analyze Descriptive Statistics

Untuk memudahkan pemahaman proses analisis sebagai contoh masukkan data nilai ujian akhir semester mata kuliah Statistik sebagai berikut:

Jenis Kelamin Nilai UAS

Laki-laki Perempuan Laki-laki Perempuan Perempuan Laki-laki Perempuan Laki-laki Laki-laki Laki-laki Laki-laki Perempuan Perempuan Perempuan Perempuan Laki-laki Perempuan Laki-laki Laki-laki Laki-laki

71.00 75.00 57.00 88.00 64.00 80.00 75.00 75.00 80.00 82.00 89.00 68.00 89.00 88.00 71.00 75.00 71.00 75.00 71.00 81.00



Langkah-langkahnya:

1. Dari Data Editor masuk ke Variabel View untuk mengatur variabel yang akan dibuat.

2. Pada kolom Name, beri nama variabel untuk jenis kelamin dengan nama JK, dan

variabel nilai UAS dengan nama Nilai. 3. Karena jumlah karakter jenis kelamin lebih dari 8, maka ubah nilai Width untuk variabel

JK menjadi 10 dan ubah pula nilai Columns menjadi 10.

4. Lakukan pengkodean (skoring) terhadap variabel jenis kelamin:

Kode 1 untuk value label Laki-laki

Kode 2 untuk value label perempuan

Hal ini dilakukan agar variabel Jenis Kelamin dapat digunakan untuk analisis lebih

lanjut, karena jenis kelamin adalah bukan Numeric.

Klik tanda “…” pada kolom Value lalu isi 1 pada isian Value dan isi Laki-Laki pada isian

Value Label lalu klik tombol Add, lanjutkan dengan kode 2 pada isian Value dan isi

Perempuan pada isian Value Label lalu klik tombol Add, akhiri dengan OK

5. Beri label untuk masing-masing variabel, variabel JK diberi label Jenis Kelamin,

sedangkan variabel Nilai diberi label Nilai UAS (efek pemberian label pada variabel

akan tampak pada output analisis). Pemberian Label sifatnya bebas tidak seperti Name

karena bisa menggunakan spasi, panjang karakter lebih dari 8, bisa menggunakan tanda

baca, dan sebagainya. 6. Kembali ke Data View dan masukkan data untuk masing-masing variabel.

Untuk jenis kelamin, yang dimasukkan adalah Value atau kategorinya, yaitu ketik 1 untuk laki-laki dan 2 untuk perempuan)

2 1 5 3 4



Tampilan data yang sudah dimasukkan adalah sebagai berikut:

Untuk merubah tampilan variabel Jenis Kelamin (JK) seperti pada gambar di atas klik

icon

7. Simpan data dengan nama Nilai UAS.

Analisis Statistik Deskriptif (Descriptive Statistics) bisa dilakukan dengan 2 cara yaitu: 1. Frequencies

Frequencies merupakan analisis data untuk penyajian data dalam bentuk tabel atau

persentase (distribusi frekuensi).

Langkah-langkahnya:

a. Pilih menu Analyze Desctriptive Statistics Frequencies b. Pada menu Frequencies, pilih variabel Jenis Kelamin (JK) dan Nilai (Nilasi UAS) lalu

klik icon panah sehingga jenis kelamin dan nilai UAS pindah ke kolom Variabel(s), berarti variabel yang akan dianalisis adalah Jenis Kelamin dan Nilai UAS.

c. Pada menu Frequencies juga dapat dilengkapi dengan ukuran-ukuran statistik deskriptif,

pilih menu Statistics, lalu beri tanda pada beberapa ukuran seperti Mean, Median, Std.

Deviation, Variance, Minimum dan Maximum, klik menu Continue.



d. Maka SPSS akan mengaktifkan window Viewer sebagai output dari analisis tabel

Frekuensi.

e. Output hasil analisis sebagai berikut.

Penjelasan Hasil Output SPSS

Output Bagian Pertama (Statistics)

Statistics

20 200 0

1.4500 76.25001.0000 75.0000.51042 8.55862.26053 73.25000

1.00 57.002.00 89.00

ValidMissing

N

MeanMedianStd. DeviationVarianceMinimumMaximum

JenisKelamin Nilai UAS

N atau jumlah data yang valid (sah untuk diproses) adalah 20 data sedangkan yang

hilang (missing) adalah nol, berarti semua data siap diproses.

Mean atau rata-rata Nilai UAS dari 20 mahasiswa adalah sebesar 76,2500 dengan

Standar Deviasi sebesar 8,55862. Penggunaan Standar deviasi adalah untuk menilai

dispersi atau penyimpangan rata-rata dari sampel, atau menunjukkan besarnya

penyimpangan data dengan rata-ratanya.

Nilai Median sebesar 75 artinya nilai tengah dari data nilai UAS adalah sebesar 75.



Variance juga ukuran dispersi atau penyimpangan diperoleh dari nilai standar deviasi

kuadrat.

Minimum dan Maximum merupakan nilai terkecil dan terbesar dari data.

Output Bagian Kedua (Frequency Table) untuk variabel Jenis Kelamin

Jenis Kelamin

11 55.0 55.0 55.09 45.0 45.0 100.0

20 100.0 100.0

Laki-lakiPerempuanTotal

ValidFrequency Percent Valid Percent

CumulativePercent

Kolom Frequency tercatat sebanyak 11 orang laki-laki atau 55% dari total, dan 9 orang

perempuan atau 45% dari total. Karena seluruh data valid maka kolom Valid Percent

nilainya sama dengan Percent.

Kolom Cumulative percent menunjukkan nilai persentase kumulatif dari data, misalnya

Laki-laki sebesar 55% dari keseluruhan data sedangkan untuk perempuan kumulatifnya

menjadi 55% + 45% atau menjadi 100%.

Output Bagian Kedua (Frequency Table) untuk variabel Nilai UAS cara membacanya

sama dengan Jenis Kelamin.

2. Grafik SPSS juga mampu mengolah data menjadi grafik. Ada beberapa macam grafik yang

disajikan oleh SPSS guna mempermudah dalam penyajian data di antaranya: Bar, Line, Pie,

Histogram, Area, Pareto, dll. Untuk menyajikan grafik pada SPSS dapat dilakukan dengan

dua cara:

1. Melalui menu Graph lalu pilih grafik yang akan dibuat.

2. Melalui menu Analyze – Descriptive Statistics - Frequency

Misalnya dengan menggunakan data sebelumya, ingin disajikan grafik Jenis Kelamin dan

Nilai UAS, langkah-langkahnya adalah sebagai berikut:

a. Pilih menu Analyze Desctriptive Statistics Frequencies b. Pada menu Frequencies, pilih variabel Jenis Kelamin (JK) dan Nilai (Nilasi UAS) lalu

klik icon panah sehingga jenis kelamin dan nilai UAS pindah ke kolom Variabel(s), berarti variabel yang akan dianalisis adalah Jenis Kelamin dan Nilai UAS.

d. Untuk menampilkan grafik, klik menu Charts lalu pilih jenis grafik yang akan dibuat (Bar,

Pie, Histogram), akhiri dengan klik tombol Continue e. Setelah kembali ke menu semula, klik OK maka di bawah tabel Distribusi Frekuensi

akan disajikan pula grafik batang (Bar).



3. Descriptives Pada dasarnya menu Descriptives hampir sama dengan sub menu Statistics pada

menu Frequencies, perbedaannya pada menu Descriptives terdapat fasilitas untuk

menyimpan variabel baru sebagai hasil transformasi Z, tetapi pada menu Descriptive tidak

ada fasilitas untuk menampilkan grafik.

a. Pada window Descriptive pilih variabel Jenis Kelamin dan Nilai UAS dilanjutkan tombol

panah, sehingga variabel Jenis Kelamin dan Nilai UAS pindah ke kolom Variabel(s), artinya variabel yang akan dianalisis adalah Jenis Kelamin dan Nilai UAS.

b. Klik tombol Option, lalu beri tanda pada beberapa ukuran seperti Mean, Std. Deviation,

Variance, Minimum dan Maximum, lalu klik Continue.

c. Setelah kembali ke menu semula, Klik OK d. Maka SPSS akan mengaktifkan window Viewer sebagai output dari analisis

Descriptives.



Penjelasan Hasil Output SPSS

Descriptive Statistics

20 1.00 2.00 1.4500 .5104220 57.00 89.00 76.2500 8.5586220

Jenis KelaminNilai UASValid N (listwise)

N Minimum Maximum Mean Std. Deviation

N atau jumlah data yang valid (sah untuk diproses) adalah 20 data sedangkan yang

hilang (missing) adalah nol, berarti semua data siap diproses.

Nilai Minimum untuk Nilai UAS menunjukkan bahwa dari 20 mahasiswa yang diamati

nilai terendah UAS adalah 57 sedangkan nilai tertinggi ditunjukkan dari nilai Max yaitu

sebesar 89, sehingga diperoleh rata-rata (Mean) sebesar 76,2500 dengan Standar

Deviasi sebesar 8,55862.

4. Reports

Selain melalui menu Frequencies dan Descriptives, analisis deskriptif terhadap dapat

dapat dilakukan melalui menu Reports – Case Summaries.

Langkah-langkahnya:

a. Analyze Reports Case Summaries b. Pilih variabel yang akan dianalisis, dan klik tanda panah

c. Klik Statistics untuk menentukan ukuran-ukuran statistik yang ingin dianalisis, akhiri

dengan tanda panah sehingga ukuran-ukuran yang dipilih pindah ke kolom Cell

Statistics.

d. Continue e. Kembali ke window Case Summaries, akhiri dengan OK f. Tampil window Viewer atau output dari Case Summaries.



Penjelasan Output SPSS

Output Bagian Pertama (Tabel Processing Summary)

Bagian ini menyajikan jumlah data yang dapat dianalisis (includes) dan data yang tidak

dapat dianalisis (excludes), dalam hal ini kesemua data yaitu 20 semuanya dapat dianalisis

sehingga excludes = 0.

Output Bagian Kedua (Case Summary)

Menyajikan detail data pada masing-masing kasus, misalnya data pertama jenis kelamin

laki-laki dengan nilai UAS 71, sampai dengan data terakhir jenis kelamin laki-laki dengan

nilai UAS 81.

5. Crosstabs Crosstab merupakan analisis berupa tabulasi silang untuk penggunaan data

berskala Nominal atau untuk analisis Contingency. Data berskala nominal adalah data yang

diperoleh dari hasil penghitungan bukan pengukuran, seperti jenis kelamin, tingkat

pendidikan, jenis pekerjaan dan lain-lain.

Sebagai contoh: ingin diuji apakah ada perbedaan antara tingkat pendidikan dengan jenis

pekerjaan yang dimiliki seseorang dengan data sebagai berikut:

Tingkat Pendidikan dan Jenis Pekerjaan

No. Tingkat Pendidikan Pekerjaan

1 2 3 4 5 6 7 8

Sarjana Sarjana SMU SMU Sarjana SMU Sarjana SMU

Pengusaha Karyawan

Petani Karyawan Karyawan

Pengusaha Karyawan

Pengusaha 9 10 11 12 13 14

Sarjana SMU SMU Akademi Sarjana Akademi

Pengusaha Petani

Pedagang Karyawan Pedagang Karyawan



No. Tingkat Pendidikan Pekerjaan

15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Akademi Sarjana Sarjana Sarjana Akademi Sarjana Sarjana Sarjana Sarjana Akademi Sarjana Sarjana SMU SMU Akademi Sarjana

Pedagang Karyawan Karyawan

Pengusaha Karyawan Karyawan Karyawan Karyawan

Pengusaha Karyawan Karyawan

Pengusaha Petani

Pedagang Karyawan Pedagang

Memasukkan Data, langkah-langkahnya adalah sebagai berikut:

a. Aktifkan window Variabel View untuk mengatur variabel yang akan dimasukkan,

dengan cara klik menu Variabel View.

b. Pada kolom Name dan baris pertama beri nama variabel Didik untuk Tingkat

Pendidikan, dan Kerja untuk Jenis Pekerjaan

c. Pada kolom Type ubah menjadi String (tingkat pendidikan dan jenis pekerjaan

adalah data berskala nominal atau data kualitatif sehingga tipenya bukan Numeric).

Perhatikan jika Type data String otomatis SPSS akan merubah kolom Measure

menjadi Nominal.

d. Untuk keseragaman kolom Width dan Columns isi dengan 11.

e. Pada kolom Label isi Tingkat Pendidikan untuk variabel Didik, dan Jenis Pekerjaan untuk variabel Kerja.

f. Kembali ke Data Editor dengan klik menu Data View.

g. Masukkan data untuk masing-masing variabel.

Adapun langkah-langkah analisis Crosstab adalah sebagai berikut:

a. Klik menu Analyze – Descriptive Statistics - Crosstabs



b. Klik variabel Pendidikan lalu tekan tanda panah, sehingga variabel Pendidikan

masuk ke kolom Row(s) c. Klik variabel Pekerjaan lalu tekan tanda panah, sehingga variabel Pekerjaan masuk

ke kolom Column (s)

d. Jika ingin ditampilkan grafik beri tanda √ pada Display Clustered Bar Charts

e. Klik menu Statistics untuk mengatur jenis analisis yang akan dilakukan, beri tanda √

pada option Chi-Square dan pada menu Nominal aktifkan pilihan Contingency Coefficient, akhiri dengan klik Continue.

f. Klik tombol OK untuk memulai analisis, hasil output Crosstab adalah sebagai

berikut:

Penjelasan Output SPSS Output Bagian Pertama (Case Processing Summary), menyajikan ringkasan data atau kasus

yang dianalisis, dalam hal ini terdapat 30 kasus (N = 30) dan semuanya valid (dapat

dianalisis).

Output Bagian Kedua:



Pendidikan * Pekerjaan Crosstabulation

Count

5 1 61 2 2 3 89 2 5 16

15 5 7 3 30

AkademiSMUSarjana

Pendidikan

Total

Karyawan Pedagang Pengusaha PetaniPekerjaan

Total


Menyajikan hasil tabulasi silang (Crosstab) antara pendidikan dengan pekerjaan, cara

membaca bisa dimulai dari baris atau dimulai dari kolom. Misalnya untuk baris pertama

pendidikan terdapat 6 orang (lihat Total) yang berpendidikan Akademi, dari jumlah 6 orang

tersebut yang bekerja sebagai karyawan sebanyak 5 orang dan 1 orang sebagai pedagang.

Jika membaca tabel dimulai dari kolom, misalnya untuk terdapat 15 orang yang bekerja

sebagai karyawan, dari 15 orangt tersebut 5 orang berpendidikan Akademi, 1 orang

berpendidikan SMU, dan 9 orang berpendidikan Sarjana. Intepretasi bisa dilanjutkan dengan

mengamati bahwa tidak ada seorangpun Sarjana yang bekerja sebagai petani, dan tidak ada

seorangpun lulusan Akademi yang bekerja sebagai pengusaha maupun petani. Sebagian

besar lulusan Sarjana memilih bekerja sebagai karyawan dan pengusaha.

B. Analisis Trend Linier Analisis Trend Linier digunakan untuk meramalkan (estimasi) nilai suatu variabel

pada masa yang akan datang, ramalan (estimasi) dilakukan berdasarkan data masa lampau.

Misalnya ingin dihitung (diramalkan) kebutuhan produksi perusahaan pada tahun yang akan

datang (2005) berdasarkan data tahun 2000 – 2004 sebagai berikut:

Tahun Produksi (unit) 2000 83 2001 89 2002 80 2003 92

2004 98 Produksi merupakan variabel yang diramalkan (variabel Y) berdasarkan data tahunan

(sebagai koding) sebagai variabel X atau t. Aturan dalam pemberian Koding, jika jumlah data

ganjil maka nilai kodingnya adalah bilangan ….-3, -2, -1, 0, 1, 2, 3…., sedangkan jika jumlah

data genap pemberian koding dengan bilangan: …. -3, -1, 1, 3….

Langkah-langkah analisis Trend Linier sebagai berikut:

a. Dari window Data Editor klik menu Variable View b. Lakukan pemberian nama variabel Produksi dan Koding



Produksi diberi Name = Y Koding diberi Name = t

c. Kembali ke menu Data View untuk kembali ke Data Editor, masukkan data

Produksi dan Koding (ingat aturan dalam penentuan koding).

d. Klik menu Analyze – Regression – Linear

e. Klik variabel Y lanjutkan dengan klik Panah, sehingga dialog Dependent terisi

dengan variabel Y artinya variabel Y bertindak sebagai Variabel Terikat (Dependent).

f. Variabel Bebas adalah koding dengan notasi t, sehingga klik variabel t dan lanjutkan

dengan klik Panah.

g. Pilih menu Save dan pada option Predicted Value aktifkan pilihan Unstandardized

lanjutkan dengan Continue

h. Akhiri dengan tombol OK h. Maka akan disajikan output persamaan Trend Linier beserta nilai Ramalan sebagai

berikut:



Penjelasan Output SPSS Untuk melihat persamaan Trend hanya perlu dilihat Output Coefficient sebagai berikut:

Coefficientsa

88.400 2.449 36.089 .0002.400 1.225 .749 1.960 .145

(Constant)T

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: Ya.

Berdasarkan output tersebut diperoleh persamaan Trend Linier sbb:

Y = 88,400 + 2,4 t

Selanjutnya nilai t dapat diisi dengan tahun (koding) sesuai dengan tahun keberapa yang

akan diestimasi. Misalnya akan diestimasi besarnya Produksi tahun 2005, berarti t (koding) =

5 sehingga diperoleh:

Y = 88,400 + 2,4 (5) = 100,4 unit


Endi Sarwoko, SE.,MM______________________________________________________________ 29

UJI BEDA

A. Compare Means (Uji Beda) Compare means merupakan analisis terhadap rata-rata sampel atau dikenal dengan Uji Beda. Adapun jenis analisis uji beda yang sering digunakan dalam penelitian adalah Paired-Samples T Test (Uji t untuk dua sampel berhubungan/berpasangan) Independent-Sampels T test (Uji t untuk dua sampel tidak berhubungan/berpasangan)

1. Uji t untuk Sampel Berpasangan (Paired-Samples T Test)

Digunakan untuk analisis ada tidaknya perbedaan rata-rata untuk dua sampel berpasangan atau sampel berhubungan. Dua sampel berpasangan diartikan sebagai sebuah sampel dengan subyek yang sama namun mengalami dua perlakuan atau pengukuran yang berbeda, misalnya hasil produksi karyawan sebelum dan sesudah training. Contoh: Berikut ini disajikan data hasil produksi selama satu minggu dari 15 karyawan Linting pada sebuah perusahaan rokok sebelum dan sesudah ditraining.

Tabel 1. Data Hasil Produksi Selama Satu Minggu Sebelum dan Sesudah Training

No. Sebelum Sesudah

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

1150 1225 1325 1350 1300 1275 1250 1150 1225 1200 1225 1225 1275 1250 1150

1321 1409 1396 1471 1565 1387 1682 1435 1615 1541 1412 1625 1387 1682 1435

Langkah-langkahnya adalah sebagai berikut:

a. Pada window Data Editor klik menu Variabel View untuk memberi nama variabel

dan pengaturan lainnya.



b. Beri nama variabel pertama dengan Name Sebelum dan variabel kedua dengan

Name Sesudah

c. Ubah Decimal menjadi 0

d. Kembali ke window Data View

e. Masukkan data hasil produksi pada tabel di atas

f. Proses analisis dilakukan dengan klik menu Analyze – Compare Means – Paired

Samples T test g. Klik variabel Sebelum dan lanjutkan dengan klik vaiabel Sesudah sehingga pada

option Current Selection muncul:

Variabel 1 : Sebelum

Variabel 2 : Sesudah h. Klik tombol panah, sehingga variabel Sebelum dan Sesudah akan berpindah ke

kolom Paired Variables. i. Akhiri dengan tombol OK untuk memulai analisis. Output analisis uji t berpasangan

adalah sebagai berikut:



Penjelasan Output SPSS: Output Bagian Pertama

Paired Samples Statistics

1238.3333 15 61.13996 15.786271490.8667 15 117.55355 30.35220

SEBELUMSESUDAH

Pair1

Mean N Std. DeviationStd. Error

Mean

Menyajikan ringkasan statistik untuk masing-masing sampel. Untuk hasil produksi sebelum training rata-rata sebesar 1238,333 batang dengan standar deviasi 61,13996 sedangkan sesudah training rata-rata hasil produksi meningkat menjadi 1490,8667 batang dengan standar deviasi 117,55355. Output Bagian Kedua Pada kasus ini output bagian kedua diabaikan saja karena peneliti tidak ingin melihat korelasi antar sampel, tetapi perbedaan maka analisis dilanjutkan pada output bagian ketiga. Output Bagian Ketiga (Paired Sample Test) Menyajikan hasil uji beda rata-rata dua sampel berpasangan, dimana perbedaan rata-rata adalah (Mean) sebesar 252,5333. Nilai tersebut mencerminkan selisih atau adanya peningkatan rata-rata hasil produksi sebesar 252,5333 antara sebelum dan sesudah training, diperoleh dari rata-rata sebelum dikurangi rata-rata sesudah (1238,333 - 1490,8667) = 252,5333.

Paired Samples Test

-252.5333 125.51145 32.40692 -322.0393 -183.0274 -7.793 14 .000SEBELUM - SESUDAHPair 1Mean Std. Deviation

Std. ErrorMean Lower Upper

95% ConfidenceInterval of the

Difference

Paired Differences

t df Sig. (2-tailed)

Std. Deviation menunjukkan besarnya standar deviasi perbedaan kedua pasangan, nilai

Std. Deviation tersebut digunakan untuk menentukan nilai t . Pengambilan keputusan terhadap ada tidaknya perbedaan yang signifikan (diasumsikan

taraf α = 0,05) dilakukan dengan kriteria sebagai berikut:

Jika nilai absolut thitung > ttabel atau Sig. < 0,05

Ada perbedaan yang signifikan antara rata-rata hasil produksi sebelum dengan

sesudah training

Jika nilai absolut thitung ≤ ttabel atau Sig. ≥ 0,05

Tidak ada perbedaan yang signifikan antara rata-rata hasil produksi sebelum dengan

sesudah training



Nilai Absolut artinya nilai mutlak tanpa mengindahkan tanda + atau -.

Uji dilakukan 2 sisi (2-tailed) karena akan diketahui apakah rata-rata sebelum sama

dengan sesudah atau tidak, jadi bisa lebih besar atau lebih kecil.

Konsultasi Tabel:

Nilai ttabel pada taraf α = 0,05 (uji 2 sisi maka α dibagi 2 = 0,025) derajad bebas (df) = n-1

= 15-1 = 14 adalah sebesar 2,145

Karena nilai absolut thitung = 7,793 lebih besar dari ttabel = 2,145 maka dapat diambil

kesimpulan ada perbedaan yang signifikan antara antara rata-rata hasil produksi

sebelum dengan sesudah training.

Demikian pula hasil uji dengan menggunakan kriteria Sig. dimana nilai Sig. = 0,000

ternyata lebih kecil dari α = 0,05 maka dapat diambil kesimpulan ada perbedaan yang

signifikan antara antara rata-rata hasil produksi sebelum dengan sesudah training.

2. Uji t untuk Sampel Tidak Berpasangan (Independent-Samples T Test) Digunakan untuk analisis ada tidaknya perbedaan rata-rata untuk dua sampel tidak berhubungan. Dua sampel tidak berhubungan diartikan sebagai sebuah sampel dengan subyek yang berbeda tetapi memperoleh perlakuan yang sama, misalnya hasil produksi karyawan laki-laki dengan wanita. Contoh: Berikut ini disajikan data hasil produksi 30 karyawan Linting pada sebuah perusahaan rokok yang terdiri dari 15 karyawan laki-laki dan 15 karyawan perempuan. Uji apakah ada perbedaan antara hasil produksi karyawan laki-laki dengan hasil produksi karyawan wanita. Tabel 2. Data Hasil Produksi Menurut Jenis Kelamin

No. Jenis Kelamin Hasil Produksi (batang)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Laki-laki Perempuan

Laki-laki Laki-laki Laki-laki

Perempuan Perempuan

Laki-laki Laki-laki Laki-laki Laki-laki

Perempuan Laki-laki

Perempuan Perempuan Perempuan

1450 1225 1325 1521 1409 1396 1650 1300 1275 1471 1565 1587 1250 1150 1225 1682



No. Jenis Kelamin Hasil Produksi (batang)

17 18 19 20 21 22 23 24 25 26 27 28 29 30

Perempuan Perempuan Perempuan

Laki-laki Perempuan

Laki-laki Laki-laki Laki-laki

Perempuan Perempuan

Laki-laki Laki-laki

Perempuan Perempuan

1435 1615 1200 1225 1225 1541 1412 1625 1275 1250 1150 1387 1682 1435

Langkah-langkah analisis:

a. Pada window Data Editor klik menu Variabel View untuk memberi nama variabel

dan pengaturan lainnya.

b. Beri nama variabel pertama dengan Name Gender sebagai nama variabel jenis

kelaim dan variabel kedua dengan Name Produksi sebagai nama variabel hasil

produksi.

c. Ubah Decimal menjadi 0

d. Untuk variabel Gender isi kolom Value dengan kategori 1 = Laki-laki dan 2 =

Perempuan.

e. Kembali ke window Data View

f. Masukkan data jenis kelamin dan hasil produksi pada tabel di atas, untuk variabel

jenis kelamin cukup diketik kategorinya saja.

g. Proses analisis dilakukan dengan klik menu Analyze – Compare Means –

Independent-Samples T test h. Klik variabel Hasil Produksi lanjutkan dengan klik Panah sehingga variabel hasil

produksi masuk ke kolom Test Variable i. Untuk menentukan Grouping Variable klik variabel Jenis Kelamin (JK) lanjutkan

dengan klik tombol Panah, lalu klik Define Groups, isi dengan:



Group 1 = 1 (untuk kode Laki-laki)

Group 2 = 2 (untuk kode Perempuan)

j. Akhiri dengan tombol OK, maka akan muncul window Output sebagai berikut:

Penjelasan Output SPSS Output Bagian Pertama

Group Statistics

15 1393.73 137.994 35.63015 1402.13 195.966 50.598

Jenis KelaminLaki-lakiPerempuan

Hasil ProduksiN Mean Std. Deviation

Std. ErrorMean

Menyajikan ringkasan statistik, rata-rata hasil produksi karyawan laki-laki sebesar

1393,73 batang dengan standar deviasi 137,994 sedangkan rata-rata hasil produksi

karyawan perempuan 1402,13 dengan standar deviasi 195,996.

Output Bagian Kedua

Independent Samples Test

3.711 .064 -.136 28 .893 -8.40 61.884 -135.164 118.364

-.136 25.144 .893 -8.40 61.884 -135.816 119.016

Equal variancesassumedEqual variancesnot assumed

Hasil ProduksiF Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifference Lower Upper

95% ConfidenceInterval of the

Difference

t-test for Equality of Means

Pengambilan keputusan terhadap ada tidaknya perbedaan yang signifikan (diasumsikan

taraf α = 0,05) dilakukan dengan kriteria sebagai berikut:

Jika nilai absolut thitung > ttabel atau Sig. < 0,05

Ada perbedaan yang signifikan antara rata-rata hasil produksi karyawan laki-laki

dengan karyawan perempuan



Jika nilai absolut thitung ≤ ttabel atau Sig. ≥ 0,05

Tidak ada perbedaan yang signifikan antara rata-rata hasil produksi karyawan laki-

laki dengan karyawan perempuan

Nilai Absolut artinya nilai mutlak tanpa mengindahkan tanda + atau -.

Uji dilakukan 2 sisi (2-tailed) karena akan diketahui apakah rata-rata sebelum sama

dengan sesudah atau tidak jadi bisa lebih besar atau lebih kecil.

Konsultasi Tabel:

Nilai ttabel pada taraf α = 0,05 (uji 2 sisi maka α dibagi 2 = 0,025) derajad bebas (df) = n1

+ n2 -2 = 15 + 15 -2 = 28 adalah sebesar 2,048

Karena nilai absolut thitung = 0,136 lebih kecil dari ttabel = 2,048 maka dapat diambil

kesimpulan bahwa rata-rata hasil produksi karyawan laki-laki tidak berbeda secara

signifikan dengan rata-rata hasil produksi karyawan perempuan.

Demikian pula hasil uji dengan menggunakan kriteria Sig. dimana nilai Sig. = 0,893

ternyata lebih besar dari α = 0,05 maka dapat diambil kesimpulan rata-rata hasil

produksi karyawan laki-laki tidak berbeda secara signifikan dengan rata-rata hasil

produksi karyawan perempuan.

B. ANOVA (Analysis of Varian) Uji beda (Uji t) baik sampel berhubungan maupun tidak berhubungan digunakan

untuk menguji perbedaan di antara dua kelompok (2 sampel), apabila yang akan diuji

perbedaan lebih dari dua kelompok (lebih dari 2 sampel) maka alat analisis yang digunakan

adalah ANOVA. Hasil penghitungan uji ANOVA dinyatakan dengan nilai F.

Misalnya: suatu perusahaan rokok mempekerjakan karyawan dalam 3 shift, yaitu pagi, siang dan malam, perusahaan ingin meneliti apakah ada perbedaan hasil produksi karyawan antara shift 1, shift 2 dan shift 3 dengan jumlah jam kerja yang sama.

Hasil Produksi (bungkus) No

Shift 1 Shift 2 Shift 3 1 2 3 4 5 6 7 8 9 10 11 12 13 14

60 30 78 69 50 30 40 54 58 26 78 45 47 -

34 57 53 77 49 59 34 45 49 50 29 69 45 66

45 54 40 40 57 68 54 42 53 43 39 59 40 -



Dilakukan analisis untuk menguji ada tidaknya perbedaan yang signifikan antara hasil

produksi Shift 1, Shift 2 dan Shift 3 dengan hipotesis sebagai berikut:

Ho : X1 = X2 = X3 Tidak ada perbedaan hasil produksi pada ketiga Shift

Ha : X1 ≠ X2 ≠ X3 Ada perbedaan hasil produksi pada ketiga Shift

Pengujian pada taraf α = 0,05 (5%) atau tingkat kepercayaan 95%.

Kriteria pengujian:

Jika Fhitung > Ftabel atau Sig. < α = 0,05 maka Ho ditolak (Ha diterima) artinya hasil

produksi Shift 1, Shift 2 dan Shift 3 memiliki

perbedaan yang signifikan.

Jika Fhitung ≤ Ftabel atau Sig. > α = 0,05 maka Ho diterima (Ha ditolak) artinya hasil

produksi Shift 1, Shift 2 dan Shift 3 tidak

berbeda secara signifikan.

Langkah-langkah analisis:

a. Dari window Data Editor klik menu Variabel View untuk pemberian nama variabel.

Hampir sama dengan analisis Independent Sample, walaupun data terdiri dari 3

kelompok tetapi variabel yang dianalisis hanya 1 yaitu Hasil Produksi, hanya kategorinya

ada 3 yaitu Shift 1, Shift 2 dan Shift 3, sehingga dalam analisis ini terdiri dari 2 variabel,

variabel 1 untuk Hasil Produksi dan variabel 2 untuk Kategori yaitu Shift.

b. Beri nama variabel:

Variabel 1 diberi Name = Produksi Variabel 2 diberi Name = Shift

c. Kembali ke Data Editor, masukkan data hasil produksi di atas pada variabel Produksi. (Ingat: data dimasukkan urut ke bawah pada variabel Produksi)

d. Isi variabel Shift dengan kategori:

Shift 1 diberi kategori = 1 Shift 2 diberi kategori = 2 Shift 3 diberi kategori = 3

e. Untuk melakukan analisis klik menu Analyze – Compare Means – One Way Anova,

sesaat akan ditampilkan menu ANOVA seperti gambar berikut:



f. Kolom Dependent List menanyakan variabel yang akan diuji, dalam hal ini adalah

Produksi, maka klik variabel Produksi dan tanda panah. Berikutnya untuk kolom

Factor menanyakan kategori yang digunakan, maka klik variabel Shift dan tanda panah.

g. Untuk melengkapi hasil analisis, klik Option, dan aktifkan pilihan Descriptive, klik

Continue, selanjutnya akhiri dengan OK

h. Output ANOVA sebagaimana disajikan pada gambar berikut:

Penjelasan Output SPSS Output Bagian Pertama (Descriptives):

Descriptives

PRODUKSI

13 51.15 17.325 4.805 40.68 61.62 26 7814 51.14 13.789 3.685 43.18 59.10 29 7713 48.77 9.284 2.575 43.16 54.38 39 6840 50.38 13.547 2.142 46.04 54.71 26 78

123Total

N Mean Std. Deviation Std. Error Lower Bound Upper Bound

95% Confidence Interval forMean

Minimum Maximum

Tabel Descriptives menyajikan ukuran-ukuran statistik deskriptif seperti Mean,

Standard Deviasi, Interval Kepercayaan, nilai Maksimum dan Minimum

Output Bagian Kedua (Anova): merupakan hasil uji ANOVA satu jalan,

ANOVA

PRODUKSI

49.661 2 24.830 .129 .8797107.714 37 192.1007157.375 39

Between GroupsWithin GroupsTotal

Sum ofSquares df Mean Square F Sig.



Perhatikan hasil analisis ANOVA diperoleh nilai F yaitu sebesar 0,129 dengan signifikansi

0,879. Selanjutnya nilai Fhitung dibandingkan dengan Ftabel pada α = 0,05 atau nilai Sig. 0,879

dibandingkan dengan α = 0,05.

Perlu diketahui bahwa nilai F diperoleh dari rumus:

F = RKDRKA

RKA = Rata-rata kuadrat Antar Kelompok (Mean Square Between Groups)

RKD = Rata-rata kuadrat Dalam Kelompok (Mean Square Within Groups)

RKA dan RKD sendiri merupakan hasil perhitungan dengan rumus:

RKA = 1)-df(k

JKA dan RKD =

k)-df(nJKD

JKA = Jumlah kuadrat Antar Kelompok (Sum Square Between Groups)

JKD = Jumlah kuadrat Dalam Kelompok (Sum Square Within Groups)

Nilai Ftabel pada α = 0,05 dan derajat bebas = (k-1) ; (n-k) = (3-1) ; (40 JKA = Jumlah kuadrat

Antar Kelompok (Sum Square Between Groups)

– 3) = 2 ; 37 adalah sebesar 3,252

Jadi nilai Fhitung (0,129) < Ftabel 3,252 atau nilai Sig. 0,879 > 0,05 dengan demikian maka Ho

diterima (Ha ditolak) artinya hasil produksi karyawan Shift 1, Shift 2 dan Shift 3 tidak berbeda

secara signifikan pada taraf kepercayaan 95%.



ANALISIS KORELASI (CORRELATION)

Analisis korelasi merupakan analisis untuk mengetahui arah dan keeratan hubungan

antar variabel. Jika ingin diketahui hubungan antara dua variabel maka digunakan Analisis

Korelasi Sederhana (Zerro Order), tetapi jika lebih dari dua variabel maka digunakan

Analisis Korelasi Berganda (pada SPSS analisis Korelasi Berganda masuk dalam Menu

Regression), dalam Analisis Korelasi Berganda juga terdapat analisis Korelasi Parsial (Partial Correlation). Analisis Korelasi Parsial menunjukkan besarnya hubungan antar

variabel (2 variabel) tetapi setelah memperhitungkan (menghilangkan) hubungan variabel

lain, sehingga hasilnya lebih akurat dibandingkan Korelasi Sederhaan (Zerro Order). Jadi

untuk variabel lebih dari dua (misalnya X1, X2,Y) maka lebih tepat digunakan analisis

Korelasi Parsial. Pada SPSS analisis Korelasi Sederhana atau korelasi antar variabel

disebut dengan Bivariate, sedangkan korelasi parsial disebut dengan Partial. Khusus untuk

analisis Korelasi Berganda dalam SPSS dimasukkan dalam Analisis Regresi (Regression Analysis). 1. Analisis Korelasi Sederhana (Zero Order)

Analisis korelasi (Korelasi Product Moment – Pearson) sederhana digunakan

untuk mengetahui keeratan hubungan serta arah hubungan antara 2 variabel. Nilai

koefisien korelasi menunjukkan kuat tidaknya hubungan antar variabel, sedangkan tanda

(positif/negatif) menunjukkan arah hubungan, yaitu hubungan searah atau berlawanan.

Nilai koefisien korelasi mendekati 1 berarti hubungan antar variabel Sangat Kuat

Nilai koefisien korelasi mendekati 0 berarti hubungan antar variabel Sangat Lemah

Nilai koefisien korelasi negatif berarti hubungan antar variabel berlawanan (jika X naik

maka Y akan turun).

Nilai koefisien korelasi positif berarti hubungan antar variabel searah (jika X naik maka Y

juga naik).

Contoh: Diketahui data tentang besarnya modal awal, lama usaha dan tingkat

keuntungan dari usaha kecil

Jenis Usaha Modal Awal (Rp)

Lama Usaha (tahun)

Keuntungan Bersih (Rp)

Manufaktur Manufaktur

Perdagangan Perdagangan Perdagangan Perdagangan Manufaktur

Perdagangan

750.000 2.000.000 1.500.000 1.500.000 2.000.000 1.500.000 1.000.000

750.000

2 4 3 1 1 2 3 4

437.750 3.525.000

836.500 471.500

2.090.000 1.005.000 1.936.000

749.750



Jenis Usaha Modal Awal (Rp)

Lama Usaha (tahun)

Keuntungan Bersih (Rp)

Manufaktur Manufaktur Manufaktur

Perdagangan Manufaktur Manufaktur Manufaktur

3.000.000 4.000.000

750.000 1.600.000

600.000 2.500.000 1.000.000

5 4 3 5 2 1 4

2.670.000 247.800 642.750

1.204.000 868.500

2.040.000 1.484.000

Ingin diketahui hubungan antara Modal Awal dengan Keuntungan Bersih, serta

hubungan antara Lama Usaha dengan Keuntungan Bersih. Berarti akan dicari nilai Koefisien Korelasi antara Variabel Modal Awal dengan

Keuntungan Bersih, dan Koefisien korelasi antara variabel Lama Usaha dengan

Keuntungan Bersih

Kriteria pengambilan kesimpulan dari Analisis Korelasi adalah sebagai berikut:

- Nilai koefisien korelasi mendekati 1 berarti hubungan antar variabel Sangat Kuat

- Nilai koefisien korelasi mendekati 0 berarti hubungan antar variabel Sangat Lemah

- Nilai koefisien korelasi negatif berarti hubungan antar variabel berlawanan (jika X

naik maka Y akan turun).

- Nilai koefisien korelasi positif berarti hubungan antar variabel searah (jika X naik

maka Y juga naik).

Sedangkan untuk menguji apakah hubungannya signifikan atau tidak misalnya pada

taraf α = 0,05 dengan kriteria:

- Jika nilai Sig. ≤ 0,05 maka hubungan antara variabel Signifikan

- Jika nilai Sig. > 0,05 maka hubungan antara variabel Tidak Signifikan

Langkah-langkahnya:

a. Dari window Data Editor klik menu Variabel View untuk memberi nama variabel

dan pengaturan variabel.

b. Beri nama variabel:

Jenis Usaha diberi Name = Jenis dengan Label = Jenis Usaha

Modal Awal diberi Name = Modal dengan Label = Modal Awal Lama Usaha diberi Name = Lama dengan Label = Lama Usaha

Keuntungan Bersih diberi Name = Profit dengan Label = Keuntungan Bersih

c. Untuk variabel Jenis Usaha isi kolom Value dengan kategori 1 = Manufaktur dan 2

= Perdagangan.

d. Kembali ke window Data View

e. Masukkan data jenis tiap-tiap variabel (khusus untuk jenis usaha, yang dimasukkan

hanya kategorinya yaitu 1 atau 2).

f. Proses analisis dilakukan dengan klik menu Analyze – Correlation – Bivariate



g. Klik ganda variabel yang akan dihitung koefisien korelasinya, yaitu Modal Awal,

Lama Usaha, dan Keuntungan bersih, sehingga variabel yang akan dianalisis masuk

dalam kolom Variables.

h. Pada menu Correlation Coefficients biarkan pada pilihan Pearson karena

memang kita akan menghitung koefisien korelasi Product Moment (Pearson). i. Akhiri dengan klik OK

j. Output hasil analisis sebagai berikut:

Penjelasan Output SPSS:

Correlations

1 -.008 .725**. .979 .002

15 15 15-.008 1 .198.979 . .479

15 15 15.725** .198 1.002 .479 .

15 15 15

Pearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)N

Modal Awal

Lama Usaha

Keuntungan Bersih

Modal Awal Lama UsahaKeuntungan

Bersih

Correlation is significant at the 0.01 level (2-tailed).**.



Perlu diketahui bahwa output hasil analisis korelasi merupakan hasil matrik korelasi, artinya SPSS akan menampilkan seluruh hasil korelasi antar variabel (matrik), sehingga user sendiri yang menentukan nilai koefisien korelasi antara variabel mana yang dibutuhkan. Hubungan (korelasi) antara Modal Awal dengan Keuntungan Bersih dapat dilihat dari baris Modal Awal – Pearson Correlation pada kolom Keuntungan Bersih dimana nilainya adalah 0,725 hal ini menunjukkan bahwa Modal awal memiliki hubungan yang positif dan kuat (mendekati 1) dengan Penghasilkan Bersih, hubungan positif menunjukkan hubungan yang searah artinya Kenaikan Modal Awal akan diikuti dengan kenaikan Keuntungan Bersih atau sebaliknya. Pengujian signifikansi korelasi antara Modal Awal dengan Keuntungan Bersih dapat dilihat dengan dua cara yaitu dari tanda * maupun dari nilai Sig. (2-tailed): 1) Tanda ** dibelakang nilai koefisien korelasi (0,725**) menunjukkan bahwa hubungan

antara Modal Awal dengan Keuntungan Bersih secara statistik signifikan pada

taraf α = 0,01. Pada SPSS notasi ** menunjukkan taraf signifikan 0,01 (tingkat kepercayaan 99%), sedangkan notasi * menunjukkan taraf signifikan 0,05 (tingkat kepercayaan 95%).

2) Menggunakan nilai Sig. (2-tailed).

Apabila nilai Sig. (2-tailed) lebih kecil dari α = 0,05 berarti Modal Awal dan

Keuntungan Bersih memiliki hubungan yang signifikan pada taraf α = 0,05 (tingkat

kepercayaan 95%), atau sebaliknya apabila nilai Sig. (2-tailed) lebih besar dari α =

0,05 berarti Modal Awal dan Keuntungan Bersih memiliki hubungan yang tidak

signifikan pada taraf α = 0,05 (tingkat kepercayaan 95%).

2. Analisis Korelasi Parsial (Partial Correlation)

Analisis korelasi parsial mengukur hubungan antar variabel dengan asumsi variabel lain

dianggap konstan. Jadi penerapan analisis korelasi parsial adalah pada pengujian

dengan variabel lebih dari 2.

Misalnya pada contoh di atas ingin dicari korelasi parsial antara Modal Awal dengan

Keuntungan Bersih, maka variabel lain dalam hal ini variabel Lama Usaha dianggap

sebagai variabel Kontrol. Langkah-langkahnya:

a. Dari window Data Editor klik Analyze – Correlation – Partial b. Pada menu Partial Correlations klik variabel Modal Awal lanjutkan dengan klik

Panah, demikian juga untuk variabel Keuntungan Bersih sehingga kedua variabel

masuk ke kolom Variables. c. Klik variabel Lama Usaha lanjutkan dengan klik ikon Panah sehingga masuk ke

dalam dialog Controlling for, artinya Lama Usaha berfungsi sebagai variabel

Kontrol.



c. Akhiri dengan OK, akan keluar Output analisis korelasi Parsial sebagai berikut:

Penjelasan Output: - P A R T I A L C O R R E L A T I O N C O E F F I C I E N T S - Controlling for.. LAMA MODAL UNTUNG MODAL 1.0000 .7413 ( 0) ( 12) P= . P= .002 UNTUNG .7413 1.0000 ( 12) ( 0) P= .002 P= . (Coefficient / (D.F.) / 2-tailed Significance) " . " is printed if a coefficient cannot be computed

Pada prinsipnya cara membaca hasil analisis pada Korelasi Partial hampir sama

dengan pada Korelasi Sederhana yaitu dari atas ke bawah dan dari samping kiri ke

kanan. Misalanya karena yang ingin diuji hubungannya adalah variabel Modal dan

Untung maka lihat perpotongan antara Modal ke bawah sejajar dengan variabel Untung,

yaitu diperoleh nilai koefisien korelasi partial sebesar 0,7413. Karena nilainya positif dan

mendekati 1 maka dapat dinyatakan bahwa Modal Awal memiliki hubungan yang positif

dan kuat dengan Keuntungan Bersih, dengan anggapan variabel Lama Usaha tetap

(lihat keterangan controlling for LAMA).



Selanjutnya untuk pengujian apakah hubungannya signifikan atau tidak pada taraf α =

0,05 sama dengan pada Korelasi Sederhana yaitu lihat nilai Sig. sebesar 0,02 karena

nilainya lebih kecil dari 0,05 maka dapat dinyatakan bahwa Modal Awal memiliki

hubungan yang signifikan dengan Keuntungan Bersih. 3. Analisis Korelasi Berganda (Multiple Regression)

Analisis Korelasi Berganda digunakan untuk mengetahui hubungan lebih dari 2

variabel secara simultan (bersama-sama). Misalnya pada contoh di atas, peneliti ingin

mengetahui hubungan antara Modal Awal dan Lama Usaha dengan Keuntungan Bersih

Pengusaha.

Pada SPSS analisis Korelasi Berganda (Multiple Regression) menjadi satu dengan

analisis Regresi (Regression Analysis), sehingga pembahasan tentang Analisis Korelasi

Berganda dimasukkan pada pembahasan tentang Analisis Regresi pada bagian

berikutnya.



ANALISIS REGRESI (REGRESSION ANALYSIS)

Analisis Regresi digunakan untuk mengetahui besarnya pengaruh perubahan suatu

variabel yang disebut Variabel Bebas (Independent) terhadap perubahan variabel lain yang

disebut Variabel Terikat (Dependent). Variabel Bebas (Independent) adalah variabel yang

mempengaruhi atau menyebabkan perubahan variabel lain, sedangkan Variabel Terikat (Dependent) adalah variabel yang perubahannya tergantung/diakibatkan oleh perubahan

variabel lain.

Jika variabel yang ingin diuji hanya 2 variabel dalam hal ini 1 variabel bebas

(independent) dan 1 variabel terikat (dependent) maka disebut Analisis Regresi Sederhana,

sedangkan jika jumlah variabel bebas 2 atau lebih, maka disebut Analisis Regresi Berganda

(Multiple Regression).

1. Analisis Regresi Sederhana

Regresi sederhana didasarkan pada hubungan kausal satu variabel bebas

(independent) dengan satu variabel terikat (dependent). Misalnya ingin diketahui

seberapa besar pengaruh Biaya Promosi (independent variable) terhadap Penjualan

Barang (dependent variable)

Contoh: Data hasil pengamatan tentang rata-rata Biaya Promosi dan nilai Penjualan

Barang tiap tahun untuk 34 perusahaan.

No Biaya Promosi (Jutaan rupiah)

Penjualan Barang (Jutaan Rupiah)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

5,4 5,0 5,3 4,5 4,8 6,3 4,6 5,6 5,2 5,6 5,7 5,6 5,5 5,2 5,0 6,0 5,5 4,5 4,7 5,3 4,9 5,6

167 155 148 146 170 173 149 166 170 174 156 158 150 160 157 177 166 160 155 159 159 172



No Biaya Promosi (Jutaan rupiah)


23 24 25

5,7 5,0 4,9

168 159 150

26 27 28 29 30 31 32 33 34

5,8 4,8 5,2 5,6 5,4 5,9 4,7 4,8 5,6

165 159 162 168 166 177 149 155 160

Ingin diuji apakah Biaya Promosi memiliki pengaruh terhadap Penjualan Barang, atau

jika dituliskan persamaan Regresinya sebagai berikut:

Y = a + bX

Dimana:

Y = Penjualan Barang (Variabel Terikat)

X = Biaya Promosi (Variabel Bebas)

a = Konstanta (menunjukkan besarnya penjualan barang jika biaya promosi = 0)

b = Koefisien regresi (menunjukkan besarnya pengaruh peningkatan biaya promosi

terhadap peningkatan penjualan barang)

Rumusan hipotesis:

Ho : b = 0 Variabel biaya promosi tidak berpengaruh signifikan terhadap variabel

penjualan barang

Ha : b ≠ 0 Variabel biaya promosi berpengaruh signifikan terhadap variabel

penjualan barang

Pengujian menggunakan taraf α = 0,05 (5%)

Kriteria pengujian:

Jika thitung > ttabel atau nilai Sig. ≤ 0,05 maka Ho ditolak (Ha diterima)

Jika thitung ≤ ttabel atau nilai Sig. > 0,05 maka Ho diterima (Ha ditolak)

Langkah-langkahnya:

a. Dari window Data Editor klik menu Variable View b. Lakukan pemberian nama variabel Biaya Promosi dan Penjualan Barang

Biaya Promosi diberi Name = Promosi dengan Label = Biaya Promosi Penjualan Barang diberi Name = Sale dengan Label = Penjualan Barang

c. Kembali ke menu Data View untuk kembali ke Data Editor, masukkan data Biaya

Promosi dan Penjualan Barang.



d. Klik menu Analyze – Regression – Linear

e. Klik variabel Penjualan Barang lanjutkan dengan klik Panah, sehingga dialog

Dependent terisi dengan variabel Penjualan Barang artinya variabel Penjualan

Barang bertindak sebagai Variabel Terikat (Dependent).

f. Variabel Bebas adalah Biaya Promosi, sehingga klik variabel Biaya Promosi dan

lanjutkan dengan klik Panah, sehingga Biaya Promosi masuk ke dialog

Independent(s). g. Akhiri dengan tombol OK h. Output analisis Regresi Sederhana adalah sebagai berikut:

Penjelasan Output SPSS Output Bagian Pertama:

Variables Entered/Removedb

BiayaPromosi

a . Enter

Model1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: Penjualan Barangb.

Menunjukkan variabel yang dianalisis yaitu Variabel Biaya Promosi sebagai

Independent Variable (variabel bebas) dan variabel Penjualan Barang sebagai variabel

Dependent Variable (variabel terikat)




Model Summary

.655a .429 .412 6.58421Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), Biaya Promosia.

Model Summary merupakan output yang berisi ringkasan hasil pengujian Model Regresi

atau menyajikan nilai Koefisien Korelasi ( R ) dan koefisien Determinasi (R Square).

Nilai koefisien Korelasi ( R ) merupakan nilai yang menunjukkan kuatnya hubungan

antara variabel bebas (biaya promosi) dengan variabel terikat (penjualan barang), nilai

koefisien korelasi 0,655 menunjukkan bahwa biaya promosi memiliki hubungan yang

cukup kuat dengan penjualan barang.

Nilai koefisien Determinasi (R Square) menunjukkan besarnya kontribusi biaya

promosi terhadap peningkatan penjualan barang, jadi nilai 0,429 memiliki makna biaya

promosi memberikan kontribusi sebesar 42,9% terhadap perubahan penjualan, dengan

kata lain sisanya sebesar 57,1% perubahan penjualan barang ditentukan oleh variabel

lain yang tidak diteliti.

Output Bagian Ketiga:

ANOVAb

1044.182 1 1044.182 24.086 .000a

1387.259 32 43.3522431.441 33

RegressionResidualTotal

Model1


Predictors: (Constant), Biaya Promosia.


Output ketiga merupakan hasil analisis Varian (ANOVA) atau sering disebut dengan UJI

F, digunakan untuk menguji signifikansi variabel biaya promosi terhadap penjualan

barang. Sebagaimana dijelaskan pada bagian ANOVA sebelumnya, bahwa ANOVA

digunakan untuk lebih dari 2 variabel atau kelompok, karena dalam analisis Regresi

Sederhana hanya ada 2 variabel maka Uji F (ANOVA) ini biasanya tidak digunakan,

adapun uji signifikansinya menggunakan Uji t pada tabel bagian keempat.



Output Bagian Keempat:

Coefficientsa

96.442 13.268 7.269 .00012.310 2.508 .655 4.908 .000

(Constant)Biaya Promosi

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: Penjualan Baranga.

Output keempat merupakan hasil analisis Regresi yang berisi nilai konstanta(a),

koefisien regresi (b), serta hasil Uji t.

Berdasarkan hasil analisis tersebut dapat disusun persamaan regresi sederhana

sebagai berikut:

Y = a + b X + e

Y = 96,442 + 12,310 X

Penjelasan dari persamaan regresi tersebut adalah sebagai berikut:

1) Nilai konstanta (a) sebesar 96,442 memiliki makna jika biaya promosi (X) = 0 maka

penjualan (Y) yang dicapai hanya = 96.442 (jutaan rupiah)

2) Nilai koefisien regresi (b) sebesar 12,310 menunjukkan besarnya pengaruh biaya

promosi (X) terhadap penjualan barang (Y), karena nilainya positif maka

pengaruhnya searah, artinya jika biaya promosi (X) meningkat 1 satuan maka

penjualan barang akan meningkat 12 satuan.

Pengujian Hipotesis

Pengujian hipotesis dilakukan dengan Uji t. Berdasarkan hasil analisis diperoleh nilai

thitung = 4,908 dengan nilai Sig. 0,000 selanjutnya nilai thitung tersebut dibandingkan

dengan ttabel pada taraf α = 0,05 derajat bebas (n-2) = 34-2 = 32 yaitu sebesar = 2,036

Jadi thitung (4,908) > ttabel (2,036) dan nilai Sig. 0,000 < 0,05 maka Ho ditolak (Ha diterima)

dengan demikian dapat dinyatakan bahwa variabel biaya promosi memiliki pengaruh

yang signifikan terhadap variabel penjualan barang.

2. Analisis Regresi Berganda (Multiple Regression)

Regresi Berganda digunakan apabila variabel bebas (independent) yang

dianalisis lebih dari satu. Misalnya ingin diketahui seberapa besar pengaruh Biaya

Pengembangan produk dan Biaya Promosi (variabel bebas) terhadap Penjualan Barang

(variabel terikat)

Contoh: Data hasil pengamatan tentang rata-rata Biaya Pengembangan Produk, Biaya

Promosi dan Penjualan Barang tiap tahun dari 34 perusahaan.



No Pengembangan Produk (Jutaan Rupiah)

Biaya Promosi (Jutaan rupiah)


1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

1,50 1,10 1,00 0,98 1,70 1,74 1,23 1,38 1,65 1,70 1,57 1,67 1,60 1,66 1,52 1,77 1,59 1,50 1,00 1,15 1,00 1,75 1,48 1,46 1,70 1,73 1,50 1,60 1,75 1,45 1,66 1,48 1,52 1,68

5,4 5,0 5,3 4,5 4,8 6,3 4,6 5,6 5,2 5,6 5,7 5,6 5,5 5,2 5,0 6,0 5,5 4,5 4,7 5,3 4,9 5,6 5,7 5,0 4,9 5,8 4,8 5,2 5,6 5,4 5,9 4,7 4,8 5,6

167 155 148 146 170 173 149 166 170 174 156 158 150 160 157 177 166 160 155 159 159 172 168 159 150 165 159 162 168 166 177 149 155 160

Ingin dianalisis pengaruh Biaya Pengembangan Produk (X1), Biaya Promosi (X2)

terhadap Penjualan Barang (Y). Di sini X1 dan X2 berlaku sebagai Variabel Bebas

(Independent Variable) sedangkan Y berlaku sebagai variabel Terikat (Dependent

Variable).

Persamaan Regresi Linear Berganda adalah sebagai berikut:

Y = a + b1 X1 + b2X2 + e Dimana:

Y = Penjualan Barang

X1 = Biaya Pengembangan Produk

X2 = Biaya Promosi

a = Konstanta

b1 = Koefisien regresi biaya pengembangan produk

b2 = Koefisien regresi biaya promosi

e = Error (kesalahan pengganggu)



Pengujian Pengaruh Secara Simultan (Bersama-sama) dengan Uji F Rumusan Hipotesis:

Ho : b1 = b2 = 0 Biaya pengembangan produk dan biaya promosi tidak berpengaruh

signifikan terhadap penjualan barang

Ha : b1 ≠ b2 ≠ 0 Biaya pengembangan produk dan biaya promosi berpengaruh

signifikan terhadap penjualan barang

Kriteria pengujian:

Taraf α = 0,05

Fhitung > Ftabel atau Sig. < 0,05 maka Ho ditolak (Ha diterima)

Fhitung ≤ Ftabel atau Sig. ≥ 0,05 maka Ho diterima (Ha ditolak)

Pengujian Pengaruh Masing-masing Variabel (Partial) dengan Uji t Rumusan Hipotesis:

Ho : bi = 0 Variabel bebas secara partial tidak berpengaruh signifikan terhadap

penjualan barang

Ha : bi ≠ 0 Variabel bebas secara partial berpengaruh signifikan terhadap

penjualan barang

Kriteria pengujian:

Taraf α = 0,05

thitung > ttabel atau Sig. < 0,05 maka Ho ditolak (Ha diterima)

thitung ≤ ttabel atau Sig. ≥ 0,05 maka Ho diterima (Ha ditolak)

Langkah-langkahnya:

a. Untuk variabel Biaya Promosi dan Penjualan Barang tetap menggunakan data

sebelumnya dan ditambah variabel Pengembangan Produk, untuk itu buat variabel

baru dengan Name = Pengemb dengan Label = Pengembangan Produk.

b. Masukkan data variabel Pengembangan Produk

c. Dari window Data Editor klik Analyze – Regression – Linear d. Klik variabel Penjualan Barang lanjutkan dengan klik Panah, sehingga dialog

Dependent terisi dengan variabel Penjualan Barang, artinya Penjualan Barang

berlaku sebagai Variabel Terikat (Dependent).

e. Klik variabel Pengembangan Produk lanjutkan dengan klik Panah, ulangi untuk

variabel Biaya Promosi sehingga kedua variabel masuk ke dialog Independent, artinya variabel Pengembangan Produk dan Biaya Promosi sebagai Variabel Bebas.



f. Klik menu Statistics untuk melakukan beberapa pengaturan

g. Aktifkan menu Descriptive dan Part and Partial Correlation

Descriptive digunakan untuk menampilkan ukuran-ukuran Statistik Deskriptif seperti

Mean dan Standar Deviasi, sedangkan Part and Partial Correlation untuk

menampilkan nilai Koefisien Korelasi Sederhana (Zero Order) dan Korelasi Parsial

antara Variabel Pengembangan Produk dengan Penjualan Barang dengan variabel

Kontrol Biaya promosi, serta nilai Koefisien Korelasi Parsial antara Variabel Biaya

Promosi dengan Penjualan Barang dengan variabel Kontrol Pengembangan Produk.

h. Akhir dengan OK i. Output Regresi Berganda adalah sebagai berikut:



j. Perhatikan Output juga akan menampilkan hasil analisis Korelasi Berganda

(Multiple Correlation), pada tabel Model Summary, analisis Korelasi Sederhana,

serta Korelasi Partial. Jadi pada SPSS untuk variabel bebas lebih dari 1 maka

perhitungan koefisien korelasi dapat dilakukan melalui analisis Regresi (Regression

Analysis).

Penjelasan Output SPSS: Output Bagian Pertama

Variables Entered/Removedb

BiayaPromosi,PengembanganProduk

a

. Enter

Model1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.


Menampilkan variabel yang dianalisis, yaitu Biaya Promosi dan Pengembangan Produk

sebagai Independent Variable (Variabel Bebas), dan Penjualan Barang sebagai

Dependent Variable (Variabel Terikat).


Model Summary

.713a .508 .476 6.21223Model1



Predictors: (Constant), Biaya Promosi,Pengembangan Produk

a.

Menampilkan nilai Koefisien Korelasi Berganda ( R ) dan Koefisien Determinasi (R

Square). Sebagaimana diketahui bahwa Korelasi Berganda merupakan pengujian

hubungan untuk variabel lebih dari 2, dalam hal ini nilai koefisien korelasi berganda ( R )

menunjukkan besarnya hubungan antara Variabel Bebas Biaya Pengembangan Produk

(X1) dan Biaya Promosi (X2) secara bersama-sama dengan Variabel Penjualan Barang

(Y). Nilai Koefisien Korelasi 0,713 mendekati 1 memiliki makna bahwa Variabel Bebas

Biaya Pengembangan Produk (X1) dan Biaya Promosi (X2) secara bersama-sama

memiliki hubungan yang kuat dengan Variabel Penjualan Barang (Y).



Nilai koefisien Determinasi (R Square) menunjukkan besarnya kontribusi seluruh

variabel bebas yaitu Biaya Pengembangan Produk (X1) dan Biaya Promosi (X2) terhadap

perubahan Penjualan Barang (Y), jadi R Square 0,508 memiliki makna Biaya

Pengembangan Produk (X1) dan Biaya Promosi (X2) mampu memberikan kontribusi

sebesar 50,8% terhadap perubahan Penjualan Barang (Y), dengan demikian sisanya

sebesar 49,2% ditentukan oleh variabel lain yang tidak diteliti.

Nilai R Square juga menunjukkan tepat tidaknya model regresi yang digunakan, semakin

tinggi nilai R Square (mendekati 1) maka model yang digunakan semakin tepat, dan

sebaliknya, semakin rendah nilai R Square (mendekati 0) maka model yang digunakan

semakin tidak tepat.

Output Bagian Ketiga: Output ketiga digunakan untuk pengujian hipotesis secara simultan (bersama-sama)

dengan Uji F (Anova).

ANOVAb

1235.094 2 617.547 16.002 .000a

1196.347 31 38.5922431.441 33

RegressionResidualTotal

Model1


Predictors: (Constant), Biaya Promosi, Pengembangan Produka.


Di sini ditampilkan hasil atau Nilai Fhitung yaitu 16,002 selanjutnya untuk pengujian

hipotesis maka nilai tersebut dibandingkan dengan nilai Ftabel pada taraf α = 0,05 derajat

bebas = 2 : 31 yaitu sebesar 3,305.

Maka Fhitung (16,002) > Ftabel (3,305) atau nilai Sig. 0,000 < 0,05 maka Ho ditolak (Ha

diterima) artinya biaya pengembangan produk dan biaya promosi secara bersama-sama

(simultan) berpengaruh signifikan terhadap penjualan barang.

Output Bagian Keempat: Output keempat merupakan hasil analisis regresi yang berisi koefisien regresi masing-

masing variabel (b), serta nilai thitung untuk pengujian hipotesis.

Coefficientsa

96.664 12.519 7.721 .00011.581 5.207 .331 2.224 .0348.987 2.799 .478 3.211 .003

(Constant)Pengembangan ProdukBiaya Promosi

Model1

B Std. Error


Beta


t Sig.




Berdasarkan tabel tersebut dapat diketahui nilai:

a = 96,664

b1 = 11,581

b2 = 8,987

Maka dapat disusun persamaan Regresi Linier Berganda sebagai berikut:

Y = a + b1 X1 + b2X2 + e Y = 96,664 + 11,581 X1 + 8,987 X2 Penjelasan dari persamaan regresi berganda tersebut adalah sebagai berikut:

1) Konstanta sebesar 96,664 memiliki arti jika variabel biaya pengembangan produk

(X1) dan biaya promosi (X2) sama dengan 0, maka penjualan barang (Y) adalah

sebesar 96,664 (dalam jutaan rupiah).

2) Koefisien regresi biaya pengembangan produk (b1) sebesar 11,581 menunjukkan

besarnya pengaruh biaya pengembangan produk terhadap penjualan barang,

koefisien regresi bernilai positif memiliki makna pengembangan produk memiliki

pengaruh positif (searah) artinya peningkatan biaya pengembangan produk 1 satuan

akan menyebabkan peningkatan penjualan barang sebesar 11,581 satuan dan

sebaliknya.

3) Koefisien regresi biaya promosi (b2) sebesar 8,987 menunjukkan besarnya pengaruh

biaya promosi terhadap penjualan barang, koefisien regresi bernilai positif memiliki

makna promosi memiliki pengaruh positif (searah) artinya peningkatan biaya

promosi 1 satuan akan menyebabkan peningkatan penjualan barang sebesar 11,581

satuan dan sebaliknya.

Pengujian Hipotesis Karena Uji t digunakan untuk pengujian pengaruh masing-masing variabel bebas, maka

interpretasi dilakukan sendiri-sendiri yaitu untuk variabel Biaya Pengembangan Produk

(X1), selanjutnya untuk variabel Biaya Promosi (X2). Pengujian dilakukan dengan cara

membandingkan nilai thitung dengan nilai ttabel pada taraf α = 0,05 dan derajat bebas (n-k-

1) = 34 – 2 – 1 = 31 dimana diperoleh nilai ttabel = 2,04

1) Pengujian Pengaruh Biaya Pengembangan Produk (X1) terhadap Penjualan Barang

(Y)

Berdasarkan hasil analisis diperoleh nilai thitung = 2,224 sedangkan ttabel = 2,04 atau

thitung > ttabel dengan nilai Sig. 0,034 lebih kecil 0,05 maka Ho ditolak (Ha diterima)

artinya biaya pengembangan produk (X1) memiliki pengaruh yang signifikan

terhadap penjualan barang (Y).

2) Pengujian Pengaruh Biaya Promosi (X2) terhadap Penjualan Barang (Y)

Berdasarkan hasil analisis diperoleh nilai thitung = 3,211 sedangkan ttabel = 2,04 atau

thitung > ttabel dengan nilai Sig. 0,003 lebih kecil 0,05 maka Ho ditolak (Ha diterima)



artinya biaya promosi (X2) memiliki pengaruh yang signifikan terhadap penjualan

barang (Y).

Setelah pengujian pengaruh masing-masing variabel bebas dilakukan, maka selanjutnya

dapat pula diketahui variabel bebas yang berpengaruh dominan (pengaruh terbesar)

terhadap penjualan barang.

Pengaruh variabel bebas yang dominan dapat dilihat dari nilai koefisien regresi (b) yang

terbesar dan signifikan, jadi variabel Biaya Pengembangan Produk (b2) merupakan

variabel yang berpengaruh dominan terhadap penjualan barang (Y).

3. Analisis Regresi untuk Estimasi atau Prediksi

Selain dapat digunakan untuk mengetahui besarnya pengaruh variabel bebas

terhadap perubahan variabel terikat, analisis regresi juga dapat digunakan untuk

estimasi atau prediksi nilai variabel terikat dengan nilai variabel bebas tertentu.

Menggunakan data di atas akan dilakukan estimasi besarnya Penjualan Barang dengan

data Biaya Pengembangan Produk dan Biaya Promosi yang sudah diketahui.

Langkah-langkahnya:

a. Dari window Data Editor klik Analyze – Regression – Linear b. Klik variabel Penjualan Barang lanjutkan dengan klik Panah, sehingga dialog



c. Klik variabel Pengembangan Produk lanjutkan dengan klik Panah, ulangi untuk


d. Klik menu Save untuk melakukan beberapa pengaturan, sehingga tampil window

sebagai berikut:



e. Pada option Predicted Values aktifkan menu Unstandardized dengan memberi

tanda √ pada kotak yang tersedia. Option ini digunakan untuk menampilkan atau

menghasilkan variabel baru yang berisi nilai Estimasi dari Analisis Regresi.

f. Pada option Residuals aktifkan menu Unstandardized dengan memberi tanda √

pada kotak yang tersedia. Option ini digunakan untuk menampilkan atau

menghasilkan variabel baru yang berisi nilai Residual/Error (Kesalahan

Pengganggu) dari perhitungan Analisis Regresi.

g. Akhiri dengan OK sehingga akan tampil Output hasil analisis.

h. Pada window Data Editor akan muncul variabel baru dengan nama pre_1 sebagai

variabel yang berisi nilai Estimasi Regresi dan variabel res_1 sebagai variabel yang

berisi nilai Kesalahan Pengganggu (Error).

4. Uji Asumsi Klasik

Penggunaan Regresi sebagai model analisis harus memenuhi beberapa asumsi

dasar (Asumsi Klasik), agar diperoleh estimator tidak bias dari Regresi dengan Kuadrat

Terkecil Biasa. SPSS telah memberikan option untuk pengujian beberapa asumsi klasik

seperti uji Multikolinieritas, Uji Autokorelasi, Uji Normalitas, dan Uji Heteroskedastisitas.

a. Multikolinieritas

Multikolinieritas adalah gejala adanya hubungan linier yang sempurna

(sangat kuat) di antara variabel bebas yang dianalisis. Model regresi

mengasumsikan tidak adanya multikolineritas atau tidak adanya hubungan (korelasi)

yang sempurna antara variabel bebas yang satu dengan variabel bebas yang lain.

Salah satu cara yang umum digunakan untuk mendeteksi adanya multikolinieritas

dengan cara melihat nilai Variance Inflation Factor (VIF) masing-masing variabel

bebas, dimana jika nilai terdapat VIF > 5 maka terdapat gejala multikolinieritas

dalam model regresi.

b. Heteroskedastisitas Heteroskedastisitas berarti varian residual tidak sama untuk seluruh

pengamatan, atau semakin besarnya residual untuk pengamatan yang semakin

banyak. Model regresi linier mengasumsikan bahwa varian residual bersifat konstan

atau sama untuk berbagai pengamatan atau tidak adanya heteroskedastisitas dalam

model regresi. Pengujian gejala heteroskedastisitas dapat dilakukan dengan



beberapa cara, baik secara grafik (Scatterplot) maupun perhitungan misalnya

metode Rank Spearmen Correlation dengan cara menghitung korelasi antara nilai

residual sebagai variabel terikat dengan variabel bebas. Jika masing-masing

variabel bebas tidak berkorelasi secara signifikan pada α = 0,05 dengan nilai

residual maka dalam regresi tidak terjadi gejala heteroskedastisitas.

c. Autokorelasi Autokorelasi adanya gejala adanya korelasi serial di antara kesalahan

pengganggu (residual), sehingga munculnya suatu data dipengaruhi oleh data

sebelumnya. Untuk mendeteksi terhadap gejala autokorelasi dilakukan dengan

pengujian Durbin Watson (d). Hasil perhitungan Durbin Watson (d) dibandingkan

dengan nilai d tabel pada α = 0,05. Tabel d memiliki dua nilai yaitu nilai batas atas

(du) dan nilai batas bawah (dL) untuk berbagai nilai n dan k.

Jika d < dL terjadi autokorelasi positif

d > 4 - dL terjadi autokorelasi negatif

du < d < 4 – du tidak terjadi autokorelasi

dL ≤ d ≤ d 4 atau

4 - du ≤ d ≤ 4 - dL pengujian tidak meyakinkan

d. Normalitas Penggunaan analisis Statistik Parametrik harus memenuhi asumsi Data berdistribusi

Normal, sehingga perlu dilakukan pengujian Normalitas Data. Pengujian yang sering

digunakan adalah metode Grafik (Normal Probability Plot), apabilia sebaran data

pada grafik berada di sekitar garis diagonal dan arah penyebarannya mengikuti arah

garis diagonal berarti Data berdistribusi Normal.

Langkah-langkah pengujian asumsi klasik adalah sebagai berikut:

a. Dari window Data Editor klik Analyze – Regression – Linear b. Klik variabel Penjualan Barang lanjutkan dengan klik Panah, sehingga dialog



c. Klik variabel Pengembangan Produk lanjutkan dengan klik Panah, ulangi untuk


d. Klik menu Statistics, aktifkan menu Collinearity Diagnostics, Covariance Matrix,

dan Durbin-Watson dengan memberi tanda √ pada kotak option yang tersedia.

• Collinearity Diagnostics dan Covariance Matrix digunakan untuk Uji

Multikolinieritas

• Durbin-Watson digunakan untuk Uji Autokorelasi



e. Akhiri dengan tombol Continue f. Klik menu Plots (digunakan untukUji Normalitas data dan Uji Heteroskedastisitas)

g. Pada dialog Standardized Residual Plots aktifkan option Normal probability plot untuk uji Normalitas, selanjutnya untuk option Y: isi dengan *ZPRED dengan cara klik *ZPRED dan klik Panah, dan untuk X: isi dengan *ZRESID dengan cara klik *ZRESID lanjutkan dengan klik Panah, ini digunakan untuk menampilkan Scatterplot untuk Uji Heteroskedastisitas, jika sudah klik Continue.

i. Akhiri dengan OK, maka Output Regresi akan menampilkan hasil analisis regresi serta hasil uji asumsi.

Penjelasan Output SPSS: Uji Multikolinieritas Uji multikolinieritas disajikan pada tabel Coeficients sebagai berikut:

Coefficientsa

96.664 12.519 7.721 .00011.581 5.207 .331 2.224 .034 .715 1.399

8.987 2.799 .478 3.211 .003 .715 1.399

(Constant)Pengembangan ProdukBiaya Promosi

Model1

B Std. Error


Beta


t Sig. Tolerance VIFCollinearity Statistics


Perhatikan nilai VIF pada kolom Collinearity Statistics, untuk variabel Pengembangan Produk dan Biaya Promosi nilai VIF sebesar 1,399 karena lebih kecil 5 berarti kedua variabel tidak berkorelasi sempurna, dengan demikian dinyatakan tidak adanya gejala multikolinieritas dalam model Regresi.



Uji Autokorelasi Hasil uji autokorelasi disajikan pada tabel Model Summary sebagai berikut:

Model Summaryb

.713a .508 .476 6.21223 1.343Model1



Durbin-Watson

Predictors: (Constant), Biaya Promosi, Pengembangan Produka.


Perhatikan pada kolom paling kanan, menyajikan nilai Durbin Watson 1,343. Pengujian

autokorelasi dilakukan dengan cara membandingkan nilai Durbin Watson dengan nilai

tabel (dU dan dL) pada taraf α dan n = 25 (lihat pada Lampiran buku Statistik). Nilai dU =

1,58 dan nilai dL = 1,33 karena nilai Durbin Watson lebih besar dari nilai dU dan lebih

kecil 4-dU maka dapat dinyatakan model Regresi bebas gejala Autokorelasi.

Uji Normalitas Data

Hasil uji kenormalan data dengan metode Grafik (Normal P Plot) adalah sebagai berikut:

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Penjualan Barang

Observed Cum Prob

1.00.75.50.250.00

Exp

ecte

d C

um P

rob

1.00

.75

.50

.25

0.00

Karena data menyebar di sekitar garis diagonal, dan arah penyebarannya mengikuti

arah garis diagonal maka dapat dinyatakan bahwa Data Berdistribusi Normal.

Uji Heteroskedastisitas dengan metode Grafik (Scatterplot) Kriteria pengujian heteroskedastisitas dengan metode grafik, apabila penyebaran data

tidak membentuk pola tertentu (acak) berarti data homoskedastis atau tidak terdapat

gejala heteroskedastisitas.



Scatterplot

Dependent Variable: Penjualan Barang

Regression Standardized Residual

210-1-2-3

Reg

ress

ion

Sta

ndar

dize

d P

redi

cted

Val

ue

3

2

1

0

-1

-2

-3

Karena sebaran data tidak membentuk pola tertentu, maka dapat dinyatakan bahwa

tidak terdapat gejala heteroskedastisitas dalam model Regresi.

Pengujian Heteroskedastisitas dengan metode Spearman Rank Correlation Sebagaimana dikemukakan di atas bahwa untuk Uji Heteroskedastisitas selain

menggunakan metode grafik (Scatterplot), dapat pula dengan metode lain seperti

metode Spearman Rank Correlation, adalah menyusun korelasi antara Variabel Bebas

dengan nilai Absolut Residual, sehingga untuk metode Spearman Rank Correlation

dibutuhkan nilai Residual dari hasil Regresi, selanjutnya nilai Residual tersebut

diabsolutkan (dengan perintah ABS), sehingga langkah awal dalam pengujian dengan

Glesjer maupun Park adalah:

a. Melakukan Regresi model asal seperti langkah (a) sampai dengan (e) pada

pengujian Asumsi Klasik di atas

b. Menghitung nilai Absolut Residual dari model regresi tersebut dengan cara:

Pilih menu Save dan pada box Residual aktifkan pilihan Unstandardized untuk

menyimpan nilai Residual sebagai variabel, akhiri dengan klik Continue.

c. Akhiri dengan OK, maka pada layar Data Editor akan ditampilkan satu variabel baru

dengan nama Res_1 yang berisi nilai Residual dari analisis Regresi.



d. Variabel baru tersebut adalah variabel Residual, sedangkan yang dibutuhkan dalam

metode Spearman Rank Correlation adalah nilai Absolut Residual, sehingga

perlu ditransformasi menjadi nilai Absolut dengan cara klik menu Transform – Compute, pada option Target Variable isikan nama variabel baru yang berisi nilai

Absolut Residual misalnya Absres.

e. Setelah pemberian nama pada Target Variable, klik pada kolom Numeric Expression, proses transformasi dapat dilakukan dengan cara Klik fungsi

ABS(numexp) lanjutkan dengan klik Panah, sehingga fungsi ABS(numexp) masuk

ke kolom Numeric Expression.

f. SPSS menanyakan data apa yang akan ditransformasi (ditunjukkan oleh tanda ?

dalam tanda kurung pada perintah ABS(?)), isi variabel yang akan ditransformasi,

dengan cara klik ganda variabel Unstandardized Residual, sehingga masuk dalam

fungsi ABS(res_1).

g. Akhiri dengan OK, maka akan dihasilkan variabel baru dengan nama ABSRES

sebagai nilai Absolut Residual.

h. Langkah selanjutnya untuk Metode Spearman Rank Correlation adalah menguji

korelasi antara variabel bebas dengan nilai Absolut Residual (ABSRES), dengan

cara klik Analyze – Correlate – Bivariate i. Klik variabel yang akan di analisis dalam hal ini klik ganda tiap-tiap variabel bebas

yaitu Pengembangan Produk, Biaya Promosi, selanjutnya klik ganda variabel

Absres, sehingga kolom Variables berisi keempat variabel tersebut. j. Pada menu Correlation Coefficient hilangkan option Pearson dan klik option

Spearman (hal ini dilakukan karena kita hanya akan menghitung korelasi Rank Spearman), dan akhiri dengan OK



Penjelasan Output:

Kriteria uji heteroskedastisitas dengan metode Spearman Rank Correlation, jika variabel

bebas berkorelasi signifikan dengan nilai Absolut Residual (nilai Sig. < 0,05) maka

terdapat gejala heteroskedastisitas, sebaliknya jika variabel bebas tidak berkorelasi

signifikan dengan nilai Absolut Residual (nilai Sig. > 0,05) maka terdapat gejala

heteroskedastisitas.

Correlations

1.000 .562** .196. .001 .267

34 34 34.562** 1.000 .075.001 . .675

34 34 34.196 .075 1.000.267 .675 .

34 34 34

Correlation CoefficientSig. (2-tailed)NCorrelation CoefficientSig. (2-tailed)NCorrelation CoefficientSig. (2-tailed)N

Pengembangan Produk

Biaya Promosi

ABSRES

Spearman's rho

Pengembangan Produk

BiayaPromosi ABSRES

Correlation is significant at the .01 level (2-tailed).**.

Hasil Spearman Rank Correlation antara variabel bebas Pengembangan Produk dengan

Absolut Residual (Absres) diperoleh nilai korelasi 0,196 dengan nilai Sig. 0,267 karena

nilai signifikan > 0,05 berarti korelasinya tidak signifikan. Demikian pula antara variabel

bebas Biaya Promosi dengan Absolut Residual diperoleh nilai korelasi 0,075 dengan

nilai Sig. 0,675 lebih besar dari 0,05 berarti korelasinya tidak signifikan. Karena masing-

masing variabel bebas tidak berkorelasi signifikan dengan nilai Absolut Residual berarti

model regresi bebas gejala Heteroskedastisitas.



VALIDITAS DAN RELIABILITAS

Adakalanya penelitian dilakukan menggunakan sumber data primer dengan

Kuesioner sebagai instrumen penelitian. Untuk itu instrumen penelitian berupa kuesioner

harus diuji terlebih dahulu Validitas dan Reliabilitasnya.

A. Uji Validitas Uji Validitas berkaitan dengan permasalahan “apakah instrumen yang digunakan

untuk mengukur fenomena itu memang dapat mengukur secara tepat sesuatu yang akan

diukur”. Apabila instrumen yang digunakan Valid, berarti instrumen tersebut memang

benar-benar dapat mengukur fenomena yang diteliti secara tepat.

Pengujian validitas menggunakan metode Analisis Korelasi Product Moment dengan

cara menguji korelasi antara skor masing-masing butir pertanyaan yang digunakan

dengan total skor. Apabila butir pertanyaan berkorelasi signifikan dengan total skor (nilai

signifikan < taraf α) maka butir pertanyaan dinyatakan valid.

Misalnya: Penelitian tentang faktor-faktor yang mempengaruhi keputusan konsumen

membeli produk “X”, yang terdiri dari 6 pertanyaan, masing-masing pertanyaan

menggunakan 5 pilihan jawaban dengan kategori Skor:

Jawaban A = Skor 5

Jawaban B = Skor 4

Jawaban C = Skor 3

Jawaban D = Skor 2

Jawaban D = Skor 1

Skor kuesioner yang telah disusun dalam tabel (tabulasi) adalah sebagai berikut:

Resp. X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1 1 4 3 3 3 4 3 20 2 4 4 2 3 3 4 20 3 4 4 3 3 3 3 20 4 4 3 2 3 4 3 19 5 3 5 5 4 4 2 23 6 4 4 4 3 3 4 22 7 4 4 3 3 3 2 19 8 4 4 2 3 3 2 18 9 4 4 3 4 4 4 23

10 3 5 5 4 4 4 25 11 2 3 2 4 3 3 17 12 4 4 5 5 3 5 26 13 4 4 5 5 5 4 27 14 3 3 4 3 3 2 18 15 1 5 2 3 4 5 20 16 4 3 3 3 3 4 20 17 4 4 5 5 5 4 27 18 4 4 3 3 2 2 18 19 4 3 3 3 3 2 18



Resp. X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1 20 4 3 3 3 3 2 18 21 1 5 2 3 4 5 20 22 4 3 3 3 3 4 20 23 4 4 5 5 5 4 27 24 4 4 3 3 2 2 18 25 4 3 3 3 3 2 18

Kriteria Uji Validitas dengan metode Korelasi Product Moment: - Jika nilai signifikansi koefisien korelasi < taraf α (misalnya 0,05) berarti butir

dinyatakan valid - Jika nilai signifikansi koefisien korelasi > taraf α (misalnya 0,05) berarti butir

dinyatakan tidak valid

Langkah-langkah Uji Validitas:

a. Aktifkan menu Variable View untuk pengaturan variabel

b. Beri nama variabel yang mewakili masing-masing butir pertanyaan (berarti akan

dibuat 5 variabel untuk kelima butir pertanyaan) yaitu sbb:

Butir 1 diberi Name = X1.1 Butir 2 diberi Name = X1.2 Butir 3 diberi Name = X1.3 Butir 4 diberi Name = X1.4 Butir 5 diberi Name = X1.5

Keterangan X1.1 identitas untuk Variabel X1 butir 1, X1.2 identitas untuk Variabel X1

butir 2 dan seterusnya

c. Kembali ke window Data Editor dan masukkan nilai skor masing-masing butir

pertanyaan. Hasilnya sebagaimana pada gambar berikut:

d. Sebagaimana dikemukakan di atas bahwa Uji Validitas adalah menghitung korelasi

antara masing-masing butir pertanyaan dengan Total Skor butir pertanyaan, artinya

kita membutuhkan variabel Total Skor yang diperoleh dari penjumlahan nilai skor

tiap-tiap butir pertanyaan, dalam hal ini hasil penjumlahan di simpan pada variabel

baru yaitu X1.

e. Klik menu Transform – Compute, pada isian Target Variable isikan X1 sebagai

variabel Total Skor



f. Pindahkan pointer ke menu Numeric Expression, isikan perhitungan yang akan kita

lakukan, dalam hal ini karena kita akan menjumlahkan nilai masing-masing variabel

(X1.1 s/d X1.5) maka gunakan perintah SUM dengan format sebagai berikut

SUM(X1.1,X1.2,X1.3,X1.4,X1.5), caranya ketik SUM( setelah kurung buka, klik

ganda variabel X1.1 lanjutkan dengan koma, kemudian klik ganda X1.2 lanjutkan

dengan koma sampai dengan X1.5 selanjutnya akhiri dengan kurung tutup.

g. Perhatikan pada window Data Editor akan dihasilkan variabel baru X1 sebagai hasil

penjumlahan skor X1.1 sampai dengan X1.5.

h. Untuk melakukan analisis korelasi melalui perintah Analyze – Correlate – Bivariate i. Klik variabel X1.1 tahan dan tarik ke bawah sampai X1 untuk memilih seluruh

variabel sehingga membentuk blok, lalu klik Panah sehingga akan berpindah ke

Variables, artinya kita akan menghitung korelasi untuk variabel X1.1 sampai dengan

X1

j. Jika pilihan Pearson sudah aktif biarkan saja, sebab kita memang akan melakukan

analisis korelasi Pearson, selanjutnya akhiri dengan OK.



k. Output analisis sebagaimana pada gambar berikut:

Penjelasan Output SPSS:

Correlations

1 -.463* .268 .076 -.175 -.348 .130. .020 .196 .720 .403 .088 .536

25 25 25 25 25 25 25-.463* 1 .245 .260 .302 .389 .441*.020 . .238 .209 .143 .055 .027

25 25 25 25 25 25 25.268 .245 1 .740** .435* .141 .805**.196 .238 . .000 .030 .502 .000

25 25 25 25 25 25 25.076 .260 .740** 1 .641** .403* .868**.720 .209 .000 . .001 .046 .000

25 25 25 25 25 25 25-.175 .302 .435* .641** 1 .482* .734**.403 .143 .030 .001 . .015 .000

25 25 25 25 25 25 25-.348 .389 .141 .403* .482* 1 .590**.088 .055 .502 .046 .015 . .002

25 25 25 25 25 25 25.130 .441* .805** .868** .734** .590** 1.536 .027 .000 .000 .000 .002 .

25 25 25 25 25 25 25

Pearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)N

X1.1

X1.2

X1.3

X1.4

X1.5

X1.6

X1

X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1

Correlation is significant at the 0.05 level (2-tailed).*.

Correlation is significant at the 0.01 level (2-tailed).**.

Pengujian validitas dilakukan pada masing-masing butir (item) pertanyaan, sehingga

dalam uji validitas perlu diperhatikan nilai koefisien korelasi masing-masing butir dengan

nilai total skornya, misalnya nilai korelasi antara butir X1.1 dengan X1 (total) merupakan

hasil uji validitas untuk butir 1. SPSS menyajikan hasil analisis korelasi secara matrik



(baris dan kolom), sehingga cara melihat nilai koefisien korelasi dapat dilakukan dari

baris ke kanan atau dari kolom ke bawah.

Nilai koefisien korelasi antara butir X1.1 (butir 1) dengan X1 (total) adalah sebesar 0,130

dengan nilai Sig. 0,536. Nilai signifikan > 0,05 menunjukkan bahwa butir 1 (X1.1) tidak

valid. Demikian pula untuk butir-butir yang lain.

2. Uji Reliabilitas Jika uji validitas digunakan untuk menguji keakuratan instrumen untuk mengukur

fenomena yang diteliti, maka Uji Reliabilitas digunakan untuk menguji kehandalan atau

konsistensi alat ukur, apabila dilakukan pengujian dua kali atau lebih. Penggaris

merupakan alat ukur yang reliabel, karena berapa kali digunakan untuk mengukur akan

diperoleh hasil yang sama yaitu mampu mengukur panjang. Ada beberapa metode

pengujian Reliabilitas yang dapat digunakan seperti: Test Retest, Belah Dua (Split Half),

Kruder Richardson, Alpha Cronbach. Pada bagian ini akan dijelaskan bagaimana

menguji validitas instrumen penelitian dengan metode Belah Dua (Split Half) dan Alpha

Cronbach.

Langkah-langkahnya:

a. Dari window Data Editor klik menu Analyze – Scale – Reliability Analysis

b. Uji reliabilitas pada prinsipnya menguji konsistensi butir-butir pertanyaan, maka yang

dianalisis adalah skor pada tiap-tiap butir, oleh karena itu pilih butir X1.1 sampai

dengan X1.5 lanjutkan dengan klik Panah sehingga pindah ke kolom Items.

c. Pada menu Model pilih Alpha jika kita menggunakan metode Alpha Cronbach jika

akan menggunakan metode Belah Dua (Split Half) maka klik panah bawah dan pilih

Split Half.

d. Klik menu Statistik dan aktifkan option List item labels dengan memberi tanda √



e. Akhiri dengan OK

Penjelasan Output: Reliability

Case Processing Summary

25 100.00 .0

25 100.0

ValidExcludeda

Total

CasesN %

Listwise deletion based on allvariables in the procedure.

a.

Reliability Statistics

.624 6

Cronbach'sAlpha N of Items

Item Statistics

3.5600 .91652 253.8000 .70711 253.3200 1.10755 253.4800 .77028 253.4400 .82057 253.2400 1.09087 25

x1.1x1.2x1.3x1.4x1.5x1.6

Mean Std. Deviation N

Bagian pertama hasil uji realiabilitas menyajikan hasil analisis deskritif berupa Mean,

Standard Deviation dan banyaknya sampel yang diuji.

Bagian kedua merupakan hasil uji reliabilitas dengan metode Alpha Cronbach, yaitu

diperoleh nilai Alpha = 0,6244.



Kriteria suatu instrumen penelitian dinyatakan reliabel, semakin mendekati 1 semakin

reliabel, dan semakin mendekati 0 semakin tidak reliabel. Hasil uji reliabilitas dengan

metode Alpha Cronbach diperoleh nilai koefisien reliabilitas 0,6244 (mendekati 1)

dengan demikian dapat dinyatakan bahwa instrumen yang digunakan reliabel.

Sebenarnya jika diinginkan pengujian validitas dan reliabilitas dengan SPSS dapat

dilakukan dalam satu kali analisis, dimana hasil uji validitasnya merupakan hasil analisis

korelasi yang sudah dikoreksi (Corrected Item - Total Correlation) yaitu korelasi yang

memperhitungkan standar deviasi masing-masing data.

Langkah-langkahnya:

a. Langkah a sampai dengan c sama dengan uji reliabilitas b. Klik menu Statistik dan aktifkan option Scale if Item Deleted dengan memberi tanda

√, lanjutkan dengan Continue

c. Akhiri dengan OK, maka akan disajikan hasil uji validitas dan reliabilitas sebagai

berikut:

Reliability

Case Processing Summary

25 100.00 .0

25 100.0

ValidExcludeda

Total

CasesN %

Listwise deletion based on allvariables in the procedure.

a.

Reliability Statistics

.624 6

Cronbach'sAlpha N of Items

Item-Total Statistics

17.2800 10.543 -.153 .75417.0400 8.957 .240 .61917.5200 5.927 .616 .44917.3600 6.740 .785 .42817.4000 7.250 .577 .50017.6000 7.500 .298 .611

x1.1x1.2x1.3x1.4x1.5x1.6

Scale Mean ifItem Deleted

ScaleVariance if

Item Deleted

CorrectedItem-TotalCorrelation

Cronbach'sAlpha if Item

Deleted



Bagian pertama menyajikan hasil uji validitas, yang disajikan pada kolom Corrected Item Total Correlation, sebagai nilai korelasi antara skor butir dengan total skor.

Pengambilan keputusan validitas dilakukan dengan membandingkan nilai korelasi

tersebut dengan nilai korelasi tabel, adapun nilai korelasi tabel pada taraf 5% dengan n

= 25 adalah 0,396.

Nilai korelasi > nilai tabel butir dinyatakan valid

Nilai korelasi < nilai tabel butir dinyatakan tidak valid

Nilai korelasi Butir 1 (X1.1) = -0,1529 < nilai tabel 0,396 sehingga butir 1 tidak valid

Nilai korelasi Butir 2 (X1.2) = 0,2402 < nilai tabel 0,396 sehingga butir 2 tidak valid

Nilai korelasi Butir 3 (X1.4) = 0,6157 > nilai tabel 0,396 sehingga butir 3 valid

Hasil uji validitas dengan metode ini biasanya berbeda dengan metode korelasi biasa

(Pearson Correlation) yang telah dijelaskan sebelumnya, karena dengan metode ini

sudah dipertimbangkan bobotnya, sehingga hasilnya akan lebih kecil dari korelasi

Pearson.

Bagian kedua merupakan hasil uji reliabilitas dengan metode Alpha Cronbach, yaitu

diperoleh nilai Alpha = 0,6244.

Kriteria suatu instrumen penelitian dinyatakan reliabel, semakin mendekati 1 semakin

reliabel, dan semakin mendekati 0 semakin tidak reliabel. Hasil uji reliabilitas dengan

metode Alpha Cronbach diperoleh nilai koefisien reliabilitas 0,6244 (mendekati 1)

dengan demikian dapat dinyatakan bahwa instrumen yang digunakan reliabel.

Modul Praktikum Spss 12

Documents