Top Banner
MODUL SPSS Jurusan Statistika FMIPA UNPAD
111

Modul Spss Print

Aug 02, 2015

Download

Documents

Ade Supriatna
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: Modul Spss Print

MODUL SPSS

Jurusan Statistika FMIPA UNPAD

Page 2: Modul Spss Print

Modul SPSS

1

BAB I PENGANTAR SPSS

1.1 Pendahuluan

SPSS merupakan salah satu perangkat lunak khusus statistik yang paling banyak pemakaiannya di seluruh dunia. SPSS banyak digunakan dalam berbagai riset pemasaran, pengendalian dan perbaikan mutu (quality improvement), serta riset-riset sains. SPSS pertama kali muncul dengan versi PC (bisa dipakai untuk komputer desktop) dengan nama SPSS/PC+ (versi DOS). Tetapi, dengan mulai populernya system operasi windows. SPSSmulai mengeluarkan versi windows (mulai dari versi 6.0 sampai versi 14).

Pada awalnya SPSS dibuat untuk keperluan pengolahan data statistik untuk ilmu-ilmu social, sehingga kepanjangan SPSS itu sendiri adalah Statistical Package for the Social Sciens. Sekarang kemampuan SPSS diperluas untuk melayani berbagai jenis pengguna (user), seperti untuk proses produksi di pabrik, riset ilmu sains dan lainnya. Dengan demikian, sekarang kepanjangan dari SPSS Statistical Product and Service Solutions.

SPSS dapat membaca berbagai jenis data atau memasukkan data secara langsung ke dalam SPSS Data Editor. Bagaimanapun struktur dari file data mentahnya, maka data dalam Data Editor SPSS harus dibentuk dalam bentuk baris (cases) dan kolom (variables). Case berisi informasi untuk satu unit analisis, sedangkan variable adalah informasi yang dikumpulkan dari masing-masing kasus.

Hasil-hasil analisis muncul dalam SPSS Output Navigator. Kebanyakan prosedur Base System menghasilkan pivot tables, dimana kita bisa memperbaiki tampilan dari keluaran yang diberikan oleh SPSS. Untuk memperbaiki output, maka kita dapat mmperbaiki output sesuai dengan kebutuhan.

1.2 Ruang Lingkup Progam SPSS SPSS menyediakan tujuh windows, yang meliputi : 1.3 Data Editor Windows ini terbuka secara otomatis setiap kali program SPSS dijalankan dan berfungsi untuk input data SPSS. Menu yang ada pada Data Editor:

� File. Menu file berfungsi untuk menangani hal-hal yang behubungan dengan data, seperti membuat file baru, membuka file tertentu, mengambil data dari program lain, mencetak isi dari Data Editor dan lainnya.

� Edit. Menu Edit berfungsi untuk menangani hal-hal yang berhubungan dengan memperbaiki atau mengubah nilai data (duplikasi data, menghasilkan data, edit data dan lainnya). Selain itu, menu Edit juga berfungsi untuk mengubah setting pada options (seperti Output Label, Script dan lainnya).

� View. Menu View berfungsi untuk mengatur toolbar (status bar, penampakan value label dan lainnya).

� Data.

Page 3: Modul Spss Print

Modul SPSS

2

Menu Data berfungsi untuk membuat perubahan data SPSS secara keseluruhan, seperti mengurutkan data, menyeleksi data data berdasar criteria tertentu, menggabung data dan sebagainya.

� Transform. Menu Transform berfungsi untuk membuat perubahan pada variabel yang telah dipilih dengan kriteria tertentu.

� Analyze.

Menu Analyze merupakan menu inti dari SPSS, yang berfungsi untuk melakukan semua prosedur perhitungan statistik, seperti uji t, uji F, regresi, time series dan lainnya.

� Graphs.

Menu Graphs berfungsi untuk membuat berbagai jenis grafik untuk mendukung analisis statistik, seperti: pie, line, bar dan kombinasinya.

� Utilities.

Menu Utilities adalah menu tambahan yang mendukung program SPSS, seperti: memberi informasi tentang variabel yang sekarang sedang dikerjakan, menjalankan Scripts, dan mengatur tampilan menu-menu lain.

� Windows. Menu Window befungsi untuk berpidah (switch) diantara menu-menu yang lain di SPSS.

� Help.

Menu Help berfungsi untuk menyediakan bantuan informasi mengenai program SPSS yang bisa diakses secara mudah dan jelas.

1.4 Menu Output Navigator

Jika menu Editor berfungsi untuk memasukkan data yang siap diolah oleh SPSS, kemudian melakukan pengolahan data yang dilakukan lewat menu Analyze, maka hasil pengolahan data atau informasi ditampilkan lewat menu Output Navigator atau bisa disebut Output saja.

Menu Output pada prinsipnya sama dengan menu Editor, seperti : File, Edit, View, Analyze, Graphs, Utilities, Windows, dan Help. Tentunya dengan disesuaikan untuk kegunaan output SPSS. Selain menu di atas, ada tambahan yaitu :

� Insert. Berfungsi untuk menyisip dengan judul, grafik, teks atau obyek tertentu dari aplikasi lain.

� Format.

Berfungsi untuk mengubah tata letak huruf output. 1.5 Menu Pivot Table Editor

Ilmu Statistik banyak berhubungan dengan berbagai tabel, dan banyak output SPSS yang disajikan dalam bentuk tabel. Menu Pivot Table berhubungan dengan pengerjaan tabel SPSS, seperti mentransformasi baris tabel menjadi kolom dan sebaliknya, memindah baris dan kolom table, grouping atau ungrouping tabel dan lainnya.

Page 4: Modul Spss Print

Modul SPSS

3

Karena pengerjaan Pivot Tabel erat kaitannya dengan menu Output Navigator, yaitu sebagai tempat edit table hasil output, maka menu Pivot Tabel mempunyai submenu yang hampir sama dengan Output Navigator yaitu : File, Edit, View, Insert, Format, Analyze, Graphs, Utilities, Wndow dan Help. Tambahan yang diberikan adalah menu PIVOT yang khusus digunakan untuk pengerjaan Pivoting (mengubah status pivoting trays, pengerjaan multidimensional pivot table). 1.6 Menu Chart Editor Menu ini juga merupakan tempat edit editor hasil pengerjaan data menu Editor, hanya khusus untuk output berupa Grafik/Chart/Diagram. Sesuai dengan fungsinya selain submenu dasar seperti File, Edit, View, dan lainnya, Chart Editor juga dilengkapi dengan submenu seperti:

� Gallery. Submenu ini berfungsi untuk mengubah jenis Chart, seperti dari bentuk grafik batang ke bentuk Pie atau yang lain.

• Chart.

Untuk mengedit berbagai hal mengenai grafik, seperti layout dan pemberian label grafik, skala grafik, dan lainnya.

� Series.

Untuk memilih kelompok data tertentu, transpose data atau menampilkan seri data.

1.7 Menu Text Output Editor

Sama dengan menu Pivot Table dan Chart, menu Text Output adalah Editor bagian dari output SPSS, dengan fungsi untuk edit pada output yang berupa teks atau tulisan. Isi submenu Text Output sama dengan isi menu Output Navigator.

1.8 Menu Syntax Editor

Walaupun SPSS sudah menyediakan berbagai pengolahan data secara memadai, namun ada beberapa perintah atau pilihan hanya bisa digunakan dengan SPSS Command Language. Perintah-perintah tersebut bisa ditulis pada menu Syntax Editor. Menu ini berupa file text yang berisi berbagai perintah SPSS, dan bisa diketik secara manual. Namun SPSS juga menyediakan berbagai kemudahan untuk pembuatan syntax, seperti melalui Output Log, Journal File, dan lainnya. Isi menu syntax sama dengan menu yang lain, hanya di sini ada tambahan submenu Run yang berfungsi untuk menjalankan syntax yang telah ditulis.

1.9 Menu Script Editor Menu Script pada dasarnya digunakan untuk melakukan berbagai

pengerjaan SPSS secara otomatis, seperti membuka atau menutup file, eksport Chart, penyesuaian bentuk output, dan lainnya. Isi menu ini sama dengan yang terdahulu, hanya ditambah dengan submenu Script untuk melakukan berbagai subrutin dan fungsi baru, serta submenu Debug untuk melakukan proses debug pada script.

Page 5: Modul Spss Print

Modul SPSS

4

BAB II MANAJEMEN DATA DALAM SPSS

2.1 Pendahuluan

Sebelum informasi yang ada dapat dianalisis dengan suatu program terlebih dahulu data/informasi tersebut harus didefinisikan ke dalam bentuk-bentuk variabel, yang kemudian dimasukkan (entry) dalam suatu file data.

Demikian pula halnya apabila dikehendaki bahwa analisis data dilakukan dengan mempergunakan software paket SPSS, dalam sistem inipun tidak terlepas dari keberadaan data yang sesuai dengan format SPSS yang dipergunakan. Dalam modul ini akan dibahas beberapa hal yang berkaitan dengan pendataan, antara lain: 1. Membuat file data 2. Penyimpanan data dan Pemanggilan data 3. Penggunaan Data Editor 4. Pendefinisian data 5. Transformasi data 2.2 Membuat File Data

Untuk membuat file data dalam SPSS bisa dalam bentuk format SPSS atau dapat dilakukan dengan menggunakan program lain di luar SPSS sendiri (Spreadsheet files atau ASCII text files).

Struktur dasar dari data file

Gambar 2.1 Data Editor SPSS

a. Tiap baris adalah sebuah observasi b. Tiap kolom adalah sebuah variabel

Page 6: Modul Spss Print

Modul SPSS

5

Gambar 2.2 Kolom Variabel pada Data Editor

c. Bisa memasukkan dan meng-edit data dalam data editor tetapi tidak

bisa memasukkan formula dalam data editor.

Gambar 2.3 Formula pada Data Editor d. Tipe data dalam data editor bisa numerik, date, string (alpha numeric),

currency dan sebagainya. 2.3 File Data Spreadsheet

Langkah kerja dalam membuka file data spreadsheet (Lotus, Excel) adalah sebagai berikut:

Page 7: Modul Spss Print

Modul SPSS

6

a. Pilih sub menu Open dalam menu file Gambar 2.4 Menu File

b. Pilih file of type sesuai dengan ekstension spreadsheet (*.xls)

Gambar 2.5 Menu Open File

b. Pilih file sesuai dengan nama file yang kita inginkan 2.4 File Data Text Langkah kerja dalam membuka file data text adalah a. Pilih sub menu Read Text Data dari menu File b. langkah selanjutnya sama dengan membuka file data spreadsh

Gambar 2.6 Menu Read Text Data

2.5 File Database Capture Untuk membaca beberapa sumber data ODBC dalam data editor: a. Pilihlah sub menu Database Capture dari menu File dan pilihlah New

Query.

Page 8: Modul Spss Print

Modul SPSS

7

Gambar 2.7 Menu Database Capture

b. Klik file type (Excell, Fox Pro, Database, Ms-Access dsb) dalam Database

Capture wizard, dan kemudian klik Next c. Misalkan yang kita pilih adalah Ms-Access 7.0 Database, kemudian klik

next d. Pilihlah file yang akan diambil, kemudian ambil field-field yang akan di

dijadikan data file SPSS. e. Untuk mengakhiri penggunaan database capture akhiri dengan klik

finish

Gambar 2.8 Menu Wizard Database Capture 2.6 Penggunaan Data Editor A. Entri Data Numerik 1. Pilihlah sebuah sel dalam data editor 2. Masukkan nilai data, nilai-nya di display dalam sel editor di bagian atas

data editor 3. Tekan Enter atau pilih sel yang lain untuk mencatat nilainya. 4. B. Entri Data Non-Numerik 1. Klik dua kali pada nama variabel yang terletak di atas kolom atau klik

sembarang dalam kolom variabel dan dari menu pilihlah

Page 9: Modul Spss Print

Modul SPSS

8

Data Define Variable...

2. Klik tipe dalam dialog box define variable 3. Pilihlah tipe data sesuai dengan jenis non numerik 4. Klik continue dan klik OK pada dialog box define variable C. Modifikasi nilai data Untuk menghapus nilai lama dan memasukkan nilai baru: 1. Klik sel. Nilai sel di display dalam sel editor 2. Masukkan nilai baru, itu akan merubah nilai lama dalam sel editor 3. Klik Enter (move ke sel lain) untuk mencatat nilai baru D. Menyisipkan (Insert) Cases diantara Cases 1. Pilih sel dalam case atau baris sebelum posisi dimana yang kita

inginkan disisipkan case baru. 2. Dari menu pilihlah

� Data � Insert Case

Variabel diantara Variabel 1. Pilih sel dalam variabel atau kolom sebelum posisi dimana yang kita

inginkan disisipkan variabel baru. 2. Dari menu pilihlah

� Data � Insert Variables

E. Memindahkan variabel dalam data editor Jika anda ingin memindahkan variabel, maka pindakan pointer

kepada tempat variabel yang akan dipindahkan dengan cara menyorot variabel tersebut. Kemudian pilihlah menu:

� Edit � Cut

Apabila variabel baru sudah jelas penempatanyya, klik nama variabel dalam kolom tersebut sehingga menjadi terblok dan pilihlah menu:

� Edit � Paste

2.7 Menyimpan dan Pemanggilan Data Apabila data telah dimasukkan tadi perlu disimpan agar dapat

dipergunakan lagi kemudian. Adapun perintah yang dipergunakan untuk menyimpan data adalah: 1. Pilih sub menu Save As 2. Ketik nama file sesuai dengan yang dinginkan, letakkan pada directory

yang telah ditentukan dan tekan Save

Page 10: Modul Spss Print

Modul SPSS

9

Gambar 2.9 Menu Save File

Apabila data yang sudah disimpan akan dipanggil kembali lakukan perintah sebagai berikut: 1. Pilih sub menu Open 2. Ketik nama file sesuai dengan yang dinginkan, letakkan pada directory yang

telah ditentukan dan teka

Gambar 2.10 Menu Save File 2.8 Pendefinisian Data A. DEFINE VARIABLE

Yang dimaksud dengan mendefinisikan data dalam hal ini adalah memberikan keterangan tambahan pada setiap variabel agar jelas (disebut dengan VARIABLES LABELS) pada outputnya, juga memberikan keterangan terhadap nilai-nilai yang diberikan dalam suatu variabel (disebut dengan VALUE LABELS), pada output yang dihasilkannya. 1. VARIABLES LABELS

Perintah yang harus dilakukan untuk memnggunakan VARIABLES LABELS adalah:

Page 11: Modul Spss Print

Modul SPSS

10

a. Pilih sub menu DEFINE VARIABLE dalam menu DATA b. Pilih Button Label, dan ketiklah sesuai dengan label variabel yang

diinginkan, kemudian tekan OK. 2. VALUE LABELS

Perintah yang harus dilakukan untuk memnggunakan VALUE LABELS adalah: a. Pilih sub menu DEFINE VARIABLE PROPERTIES dalam menu DATA b. Sorot variabel yang akan dipilih lalu klik tombol continue c. Pilih Button Label, dan ketiklah sesuai dengan nilai label yang

diinginkan, kemudian tekan OK.

Gambar 2.11 Menu Define Variable

B. DEFINE DATES

Pendefinisian tanggal dalam SPSS terdiri dari berbagai macam bentuk Date, perintah yang harus dilakukan dalam mendefinisikan date adalah: pilih sub menu define dates dalam menu data, sehingga akan tampil

seperti gambar berikut:

Gambar 2.12 Menu Define Dates

Page 12: Modul Spss Print

Modul SPSS

11

C. SHORT CASES

Short Cases digunkan apabila kita meninginkan data cases diurutkan dari kecil ke besar (Ascending) atau pun dari besar ke kecil (Descending) dapat dilakukan perintah sebagai berikut: a. Pilih sub menu Short Cases dalam menu DATA b. Pilih variabel yang akan diurutkan sesuai, lihat short order dan klik

Ascending atau Descending kemudian tekan OK.

Gambar 2.13 Menu Sort Cases

D. TRANSPOSE

Fungsi transpose ini digunakan apabila kita ingin merubah dari observai (cases) menjadi variabel atau sebaliknya dari variabel menjadi cases. Perintah yang dilakukan untuk mengoperasikan fungsi transpose adalah: a. Pilih sub menu Transpose dalam menu DATA b. Pilih variabel yang akan di-transpose, berikan nama variabel-nya kemudian tekan OK.

Gambar 2.13 Menu Transpose E. MERGE FILES

Fungsi ini digunakan apabila kita ingin menggabungkan observasi (add cases) atau variabel (add variable) dari file data yang lain ke dalam data editor yang sedang aktif. F. AGGREGATES

Fungsi ini digunakan apabila kita ingin melihat penggabungan variabel yang didasarkan kepada value labels observasi masing-masing dengan summary function tertentu sesuai dengan yang diinginkan. I. Transformasi Data

Page 13: Modul Spss Print

Modul SPSS

12

Seringkali data yang sudah ada tidak dapat dipergunakan sebagai mana mestinya, sehingga perlu dilakukan modifikasi-modifikasi, misal data pada suatu file tidak akan diproses semuanya, namun hanya data laki-laki saja, ataupun yang diproses adalah data logaritmanya bukan data asli, ataupun bentuk-bentuk lainnya, yang memaksa peneliti melakukan modifikasi, maka dapat digunakan cara ini.

A. COMPUTE

Dipergunakan bila kita ingin menghitung variabel baru dengan menggunakan variabel yang sudah ada. Langkah kerja menggunakan perintah compute ini adalah:

a. Pilih sub menu Compute dari menu Transform

Gambar 2.14 Menu Transform

b. Lakukan operasi matematik sesuai dengan yang diinginkan atau

berhubungan dengan pemakaian fungsi-fungsi seperti (ABS, ANY, ARSIN, ARTAN, CDF, IDF, DATE dsb)

Page 14: Modul Spss Print

Modul SPSS

13

Gambar 2.15 Menu Compute

B. RECODE

Perintah ini digunakan untuk membuat perubahan-perubahan khusus dalam nilai-nilai variabel. Langkah kerja menggunakan perintah recode ini adalah: a. Pilih sub menu Recode dari menu Transform b. Dalam Recode, kita bisa melakukan recode dalam variabel yang sama

atau dalam variabel yang berbeda. c. Setelah memilih variabel yang akan di recode, klik button old and new

values d. Sesuaikan old value-nya apakah dalam bentuk value, system missing,

sistem or user missing, atau dengan range (lowest, highest, thru) e. Isilah new values yang disesuaikan dengan isian dalam old values. f. Klik continue apabila sudah selesai melakukan recode.

Gambar 2.16 Menu Recode

Page 15: Modul Spss Print

Modul SPSS

14

C. RANK CASES Fungsi ini digunakan apabila akan me-ranking cases dari suatu variabel

tertentu. Fungsi digunakan apabila ada hubungannya dengan statistika non parametrik. Langkah kerja menggunakan perintah ini adalah: a. Pilih sub menu Rank Cases dari menu Transform b. Dalam sub menu ini, pilihlah variabel yang akan di-ranking c. Dalam Assign Rank 1 to Klik Smallest value atau Largest value d. Klik Button Rank Types (Rank, Savage Score, Fractional Rank dsb.) e. Jika perlu Klik Button Ties (mean, low, high atau sequential rank) f. Klik OK

Gambar 2.18 Menu Rank Cases Praktikum 2.1 Berikut ini adalah data mengenai panjang jalan, banyak kendaraan umum dan banyak kendaraan pribadi selama tahun 1990 sampai 2000.

TAHUN PANJANG JALAN (

KM )

BANYAK KENDARAAN UMUM DAN

BUS

BANYAK KENDARAAN

PRIBADI

TOTAL KENDARAAN

KEPATADAN

1990 17939.74 70938 95056

1991 19799.31 73317 116230

1992 20200.52 73164 113186

1993 21180.50 73347 117742

1994 19195.70 75357 130220

1995 22036.22 91506 157294

1996 23047.96 94029 152191

1997 21421.13 99096 162800

1998 23136.85 104611 148201

1999 22106.22 87079 139081

2000 23992.63 175917 111340

Langkah-langkah pemasukan data di atas ke dalam SPSS adalah sebagai berikut:

Page 16: Modul Spss Print

Modul SPSS

15

1. Menamai variabel yang diperlukan, dalam hal ini ada enam variabel

� Variabel pertama: Tahun

Klik pada bagian Variable View (kiri bawah dari tampilan awal SPSS)

Sehingga muncul tampilan seperti di bawah

Gambar 2.19 Define Variabel Variable Name atau nama variabel, ketik dengan nama untuk menamai tinggi badan responden Pilihan Type atau tipe data, karena perhitungan berupa angka, maka diisi tipe numerik.

Gambar 2.20 Menentukan tipe data

Page 17: Modul Spss Print

Modul SPSS

16

2. Memasukkan dan Menyimpan Data Setelah pengisian nama variable selesai dilakukan, langkah berikut yang akan

dilakukan adalah mengisi data. Menginput data harus dilakukan di area Data View. Untuk mengisi kolom dari variabel-variabel tersebut, maka letakkan pointer pada masing-masing baris yang bersesuaian dengan data yang akan dimasukkan.

Simpan data tersebut dengan nama sembarang, bisa seperti : Data 1. Caranya adalah dari baris menu SPSS pilih menu File, lalu pilih submenu Save As. Untuk tipe data, dipakai ekstensi file SPSS adalah sav, sehingga data tersebut tersimpan dengan nama lengkap Data 1.sav.

2.9 Transformasi Data

SPSS juga menyediakan fasilitas untuk menghitung nilai data baru berdasarkan pada transformasi numerik dari variabel yang sudah dibuat sebelumnya. Sebagai contoh, misalnya ingin dihitung tingkat kepadatan lalu lintas selama tahun 1990 sampai tahun 2000 di Jawa Barat.

Kepadatan lalu lintas = Panjang Jalan (Km)/Total Kendaraan Dengan demikian, diperlukan dua variabel baru yang perlu dibuat.

Untuk dapat melakukan hal tersebut, maka kita dapat mengikuti langkah-langkah berikut ini:

Pilih submenu Compute dari menu transform, sehingga tampak

tampilan seperti dalam gambar 2.21

Gambar 2.21 Kotak Dialog untuk Compute Variable

� Berikan nama variabel pada Target Variable. Untuk keseragaman berikan nama Total_Kendaraan untuk penjumlahan kedaraan_umum dengan kendaraan pribadi

� Tuliskan rumus numeric untuk masing-masing variabel baru

tersebut pada jendela Numeric Expression, dengan ketentuan sebagai berikut:

Total_Kendaraan = Kedaraan_Umum+Kendaraan_Pribadi

Page 18: Modul Spss Print

Modul SPSS

17

� Klik OK jika proses transformasi sudah selesai � Selanjutnya lakukan perhitungan Kepadatan_Lalulintas

Lakukan dengan cara yang sama seperti di atas.

Kepadatan_Lalulintas=(Panjang_jalan/Total_kendaraan)*100 Output Akhir

2.10 Mengambil Data dari Software Lain

SPSS mampu mengkonversi data yang diinput dari software lain, seperti Excel, FoxPro, dBase, dan lainnya. Hal ini sangat berguna jika data yang akan dibuka sangat banyak (misalnya ratusan atau bahkan ribuan data) yang tentunya sangat tidak efisien jika harus diinput ulang dengan SPSS. Sebagai contoh akan dijelaskan bagaimana SPSS mengambil data dari Microsoft Excel, perangkat lunak paling popular di bidang spreadsheet. Pada prinsipnya transfer dari Excel ke SPSS adalah baris pada Exel dianggap data atau kasus pada SPSS, sedangkan kolom pada Exel dianggap variable pada SPSS.

Misalkan akan mengambil data dari MS.Excel.

Page 19: Modul Spss Print

Modul SPSS

18

Misal File ini tersimpandi E:\Modul SPSS DEPHUB\Data Transportasi Jabar Total. Tahapannya :

• Buka SPSS • Klik File – Open

Page 20: Modul Spss Print

Modul SPSS

19

Page 21: Modul Spss Print

Modul SPSS

20

• Klik 2 kali pada Data Transportasi Jabar Total atau Klik Open

Page 22: Modul Spss Print

Modul SPSS

21

BAB III EKSPLORASI DATA 1. PENDAHULUAN Proses analisis data pada dasarnya meliputi upaya penelusuran dan pengungkapan informasi yang relevan yang terkandung dalam data dan penyajian hasilnya dalam bentuk yang lebih ringkas dan sederhana, yang pada akhirnya mengarah kepada keperluan adanya penjelasan dan penafsiran. Pada tahap awal, proses ini diusahakan tanpa terlalu terikat pada asumsi-asumsi yang ketat agar supaya pengungkapan informasi dapat dilakukan dengan fleksibel dan lebih merangsang imaginasi yang sehat tanpa melupakan kaidah-kaidah ilmu maupun teori yang telah dikenal. Keterpakuan terhadap metode perhitungan dan asumsi yang ketat akan membatasi wawasan kita dalam menangkap pesan atau makna yang terkandung di dalam data sehingga membuat kita kurang siap menghadapi hal-hal yang tak terduga, yang mungkin jauh lebih menarik dibandingkan persoalan semula.

Analisis data yang bersifat eksploratif diawali dengan upaya penelusuran dan pengungkapan struktur dan pola yang dimiliki oleh data tanpa mengaitkan secara kaku pada asumsi-asumsi tertentu. Dalam menelusuri struktur data, kita berusaha untuk memeriksa apakah data tersebut dapat diuraikan menjadi beberapa komponen dan apakah komponen tersebut bersifat aditif atau multiplikatif, atau merupakan komponen persamaan garis. Sedangkan penelusuran pola data bertujuan untuk memeriksa bentuk atau pola sebaran data yaitu apakah cenderung mengumpul di satu nilai tertentu atau pada beberapa nilai. Atau apakah ada beberapa nilai yang nampak agak jauh atau memencil dari kumpulannya?.

Tujuan eksplorasi data semacam ini tidak hanya untuk memberi keyakinan bahwa data tersebut dapat diwakili oleh suatu model, akan tetapi yang lebih penting adalah dalam mengungkapkan adanya penyimpangan-penyimpangan dari suatu model tertentu dan berusaha untuk mencari penyelesaiannya. Dalam tahapan ini, suatu kumpulan data dicoba untuk diuraikan menjadi beberapa komponen, sebagian merupakan komponen dengan struktur yang teratur (dugaan) dan sebagian lagi berupa komponen sisaan yang tidak memiliki struktur yang jelas. Penguraian komponen data tersebut dilakukan dengan operasi matematik sederhana seperti penambahan atau pengurangan, penggandaan atau pembagian, atau dengan transformasi data. Perubahan melalui transformasi data seringkali berhasil menyederhanakan struktur data atau mendapatkan pola sebaran yang dapat didekati oleh pola sebaran teoritik. Pemeriksaan hasil penguraian komponen data biasanya dilakukan dengan bantuan alat peraga berupa grafik, plot, tabel atau dalam bentuk ringkasan data. Grafik menjadi alat peraga yang semakin penting peranannya dalam analisis data, baik sebagai ringkasan data maupun sebagai alat diagnosa kesesuaian model dugaan. Keefektifan peranan analisis data sangat tergantung kepada kegigihan dalam mendapatkan model yang relevan dan menyingkapkan hal-hal yang masih tersembunyi dalam sisaan.

Page 23: Modul Spss Print

Modul SPSS

22

2. PERLENGKAPAN EKSPLORASI Kumpulan data yang berupa hasil pengukuran terhadap peubah tertentu, pada umumnya tidak akan memiliki nilai yang persis sama satu dengan yang lainnya. Variasi atau keberagaman nilai-nilai pengamatan ini dapat dilihat melalui pola sebarannya, dan pola ini sangat berguna pula dalam penentuan karakteristik data tersebut. Penciri numerik yang penting adalah ukuran pemusatan data yaitu berupa nilai tempat sebagian besar dari data tersebut mengumpul, dan ukuran penyebaran data yang menunjukkan besarnya jarak persebaran dari titik pusatnya. Pemeriksaan bentuk sebaran dapat dilakukan dengan membuat histogram, diagram dahan-daun (stem and leaf plot), sari numerik serta diagram kotak (box-plot) yang merupakan perlengkapan eksplorasi A. Histogram Histogram seringkali digunakan sebagai langkah awal dalam mengorganisir data. Dalam pembuatan histogram, nilai-nilai pengamatan dikelompokkan terlebih dahulu menjadi beberapa selang nilai tertentu, kemudian frekuensi relatif untuk masing-masing selang nilai digambarkan sebagai tinggi kotak tiap-tiap selang tersebut, sehingga histogram ini akan memberikan gambaran yang relatif baik untuk data yang cukup besar, biasanya lebih besar dari 200 angka.

Prosedur SPSS :

1. Dari menu Analyze pilihlah sub menu Descriptive Statistics kemudian pilih Explore

2. Pilihlah Dependent List dialoh Explore 3. Pilihlah Display Plots, 4. Dalam Button Plots…

Page 24: Modul Spss Print

Modul SPSS

23

5. Pilihlah Descriptive dipilih Histogram, Klik Continue 6. Klik Ok untuk mengeluarkan Histogram

B. Diagram dahan-daun Diagram dahan daun disusun baris per baris secara vertikal dan cukup efektif untuk menggambarkan pola sebaran bagi data yang berukuran kecil. Dari sekumpulan angka yang berukuran relatif kecil seperti berikut:

32 95 11 94 36 91 62 62 74 14

63 58 87 41 10 95 99 75 57 75

Salah satu keuntungan dari diagram ini adalah selain dapat melihat pola sebaran data kita tetap memiliki nilai aslinya yang akan memudahkan proses mengurutkan data dari nilai paling kecil ke nilai terbesar, yang banyak diperlukan dalam analisis data. Prosedur SPSS :

1. Dari menu Analyze pilihlah sub menu Descriptive Statistics kemudian pilih Explore

2. Pilihlah Dependent List dialoh Explore 3. Pilihlah Display Plots, 4. Dalam Button Plots… 5. Pilihlah Descriptive dipilih Stem-and-leaf, Klik Continue

Page 25: Modul Spss Print

Modul SPSS

24

6. Klik Ok untuk mengeluarkan Stem-and-leaf

CONTOH OUTPUT:

EKSPL1 Stem-and-Leaf Plot Frequency Stem & Leaf 3.00 0 . 111 2.00 0 . 33 3.00 0 . 455 6.00 0 . 666777 6.00 0 . 899999 Stem width: 100.00 Each leaf: 1 case(s) Hasil ini memberikan gambaran pola sebaran data yang kita miliki. Kalau kita putar diagram ini sehingga lajur dahannya tersusun secara horisontal maka diagram dahan-daun ini sebenarnya tidak jauh berbeda dengan histogram yang telah dikenal sebagai peraga pola sebaran data. Pada gambar tersebut nilai-nilai pada lokasi daun telah diurutkan dari nilai yang kecil ke nilai yang besar sehingga secara tidak langsung kita telah melakukan pengurutan data. Proses ini jauh lebih mudah jika dibandingkan dengan pengurutan secara langsung dari kumpulan data tersebut. Berdasarkan hasil di atas kita mengharapkan dapat melihat pola yang simetrik, akan tetapi gambaran dari diagram ini tidak menunjukkan hal tersebut secara jelas. Patokan kesimetrikan data kita pilih oleh karena pemeriksaan kesimetrikan lebih sederhana dibandingkan dengan pemeriksaan kenormalan data yang membutuhkan pengetian hitung peluang

Page 26: Modul Spss Print

Modul SPSS

25

C. Sari Numerik Bilangan-bilangan yang dapat memberikan gambaran mengenai sekelompok data (angkatan) disebut sari numerik angkatan tersebut yaitu meliputi :

Median

Trirata atau TRI = ( K1 + 2Me +K3 )/4

Rata-rata antar kuartil atau RT = rata-rata yang terletak diantara K1 dan K3

Rentang

Sebaran tengah atau dq = K3 – K1

rosedur SPSS :

1. Dari menu Analyze pilihlah sub menu Descriptive Statistics kemudian pilih Descriptive

2. Isilah Variables dengan variabel numerik kemudian klik statistics

3. Pilihlah statistik yang dinginkan, kemudian klik continue 4. Klik Ok untuk mengeluarkan hasil

Statistics

Beginning Salary474

0$17,016.09$15,000.00

$70,980$9,000

$79,980$12,450.00$15,000.00$17,617.50

ValidMissing

N

MeanMedianRangeMinimumMaximum

255075

Percentiles

Page 27: Modul Spss Print

Modul SPSS

26

D. Diagram kotak Diagram kotak merupakan bentuk grafik hasil dari sari numerik dimana dalam pendekatan eksploratif prosedur yang ditempuh tetap berpegang pada cara yang sederhana yaitu membagi kumpulan data yang telah diurutkan menjadi empat bagian yang sama banyak. Keempat bagian tersebut mempunyai lima buah batas, yaitu nilai terkecil, kuartil 1, median (kuartil 2), kuartil 3 dan nilai terbesar seperti terlihat di bawah ini ;

| 25% | 25% | 25% | 25% | |----------------|----------------|----------------|----------------| k K1 Me K3 b

dimana : k = nilai terkecil K1 = kuartil 1 Me = median K2 = kuartil 2 B = nilai terbesar

dengan bentuk grafik sebagai berikut : b K3 Me K1 k

sehingga bentuk kotak mencerminkan gambaran dari 50% data yang terletak di bagian tengah sedangkan garis yang mencuat keluar dari kotak tersebut menggambarkan cakupan dari 25% data yang berada di ujung kumpulan data. Gambar kotak ini dibatasi oleh nilai K1 dan k3, sedang nilai median ditunjukkan dengan garis di dalam kotak tersebut. Untuk menentukan seberapa jauh suatu nilai dari kotak dipakai ukuran yang disebut dengan ‘langkah’ dan satu langkah adalah 1,5 sebaran tengah (dq). Nilai yang berkedudukan lebih dari satu langkah di atas K3 atau di bawah K1 disebut pencilan atas atau pencilan bawah (outlier). Suatu nilai dikatakan pencilan jauh jika berkedudukan paling sedikit dua langkah dari nilai kuartilnya. Sedangkan nilai yang hampir menjadi nilai pencilan disebut prapencil.

Prosedur SPSS :

1. Dari menu Analyze pilihlah sub menu Descriptive Statistics kemudian pilih Explore

2. Pilihlah Dependent List dialoh Explore 3. Pilihlah Display Plots, 4. Dalam Button Plots…

Page 28: Modul Spss Print

Modul SPSS

27

5. Pilihlah Descriptive dipilih Box-Plot, Klik Continue

6. Klik Ok untuk mengeluarkan Box-Plot

CONTOH OUTPUT:

E. TRANSFORMASI UNTUK KESIMETRISAN DATA

Pengetahuan akan bentuk sekelompok data pengamatan dimana untuk selanjutnya kita sebut dengan angkatan, sangatlah penting, khususnya bagi analisis konfirmasi. Untuk memenuhi asumsi normalitas, bentuk standar yang harus dimiliki adalah bentuk simetris dengan satu puncak yang dapat diperoleh dengan melakukan transformasi terhadap nilai pengamatan. Transformasi yang dipilih bergantung pada bentuk angkatan semula. Khusus untuk beberapa angkatan, kita harus memilih suatu transformasi yang terbaik bagi seluruh angkatan. Yang terbaik adalah yang membuat seluruh angkatan menjadi seimbang, artinya jarak antara k dan b juga jarak antara K1 dan K3 terhadap median tidak terlalu jauh. Biasanya untuk mendapatkan yang terbaik terlebih dahulu dilakukan secara coba-coba dengan mentransformasikan ringkasan data. Sebagai pedoman pemilihan transformasi yang sesuai dapat digunakan ‘tangga transformasi Tukey’ yaitu :

474N =

Months since Hire

110

100

90

80

70

60

Page 29: Modul Spss Print

Modul SPSS

28

- 2x

1 -

x

1 log x x x x2 x3 antilog x

Bentuk

Lebih kuat Sedang tak Sedang Lebih kuat

Berubah

Mengoreksi Juraian Mengoreksi Juraian

Ke Atas Ke Bawah

Sehingga menghasilkan :

- x yang lebih kecil akan - x yang lebih besar akan

menyebar lebih menyebar

- x yang lebih besar akan - x yang lebih kecil akan

merapat merapat

Prosedur SPSS:

c. Pilih sub menu Compute dari menu Transform d. Lakukan operasi matematik sesuai dengan yang diinginkan atau

berhubungan dengan pemakaian fungsi-fungsi seperti (- 2x

1;-

x

1;log x;

x ; x; x2; x3; antilog x)

e. Untuk eksplorasi gunakan langkah-langkah seperti di atas

Page 30: Modul Spss Print

Modul SPSS

29

BAB IV PEMBUATAN GRAFIK PADA SPSS 3.1 Pendahuluan

SPSS menyediakan berbagai macam grafik yang memungkinkan pemakai mentransformasikan data statistik ke dalam berbagai bentuk grafik yang menarik dan komunikatif. Penyajian grafik biasanya dilakukan untuk melengkapi data serta analisisnya, hingga dapat membantu pengambilan keputusan di bidang statistik. Pada prinsipnya, grafik yang dibuat SPSS bias dibagi dalam tiga bagian :

• Summaries for groups of cases. Grafik ini menyajikan data untuk tiap grup tertentu (dalam kasus di bawah, misalnya untuk karyawan yang berpendidikan SMA, Akademi dan Sarjana).

• Summaries of separate variable. Grafik ini menyajikan data untuk tiap variabel yang terpisah (dalam kasus di bawah, misalnya untuk variabel usia dibandingkan dengan variabel gaji).

• Values of individual cases. Grafik ini menyajikan data untuk setiap kasus secara individual (dalam kasus di bawah, misalnya penyajian data kelima belas karyawan secara berurutan). Untuk memperjelas tata cara pembuatan grafik di SPSS akan

dilakukan Praktikum sbb: Sebuah perusahaan mempunyai data karyawan sebagai berikut (simpan dalam file SPSS dengan nama karyawan).

Karyawan Didik Masuk Usia Gaji_aw Gaji_ki 1 SMA 1994 24 550 565 2 AKADEMI 1992 35 750 775 3 SMA 1994 25 525 545 4 SARJANA 1992 33 800 850 5 AKADEMI 1993 35 675 680 6 SARJANA 1992 33 980 990 7 SMA 1994 25 475 545 8 AKADEMI 1994 25 650 750 9 SARJANA 1993 30 825 850 10 SARJANA 1994 27 815 820 11 AKADEMI 1993 27 725 740 12 AKADEMI 1993 31 770 790 13 SMA 1993 30 650 700 14 SMA 1992 33 450 500 15 SARJANA 1994 33 800 825

• Variabel karyawan adalah nomor urut karyawan yang bekerja. • Variabel didik adalah tingkat pendidikan karyawan.

Page 31: Modul Spss Print

Modul SPSS

30

• Variabel masuk adalah tahun masuk karyawan. • Variabel usia adalah usia karyawan saat ini (tahun). • Variabel gaji_aw adalah gaji awal yang sekarang diterima karyawan

(ribuan rupiah/bulan). • Variabel gaji_ki adalah gaji akhir yang sekarang diterima karyawan

(ribuan rupiah/bulan). Cara input data dapat dilihat pada menu File. Pada bagian ini hanya akan dibahas mengenai chart yang berjenis batang atau bar chart, yang biasanya digunakan untuk menampilkan data yang bersifat kualitatif. 3.2 Grafik Summaries Group of Cases

Grafik jenis ini akan menghasilkan data secara kelompok, dan dalam penyajian Bar akan disajikan dalam tiga Chart, yaitu Simple, Clustered dan Stacked. Tetapi di sini hanya dibahas penyajian chart untuk yang Simple dan Clustered. 3.3 Grafik Simple Bentuk Simple adalah bentuk grafik (Chart) yang paling sederhana. Tujuan: Di sini akan dibuat grafik batang (Bar Chart) yang menggambarkan persentase karyawan yang masuk kerja pada tahun tertentu . Langkahnya:

1. Buka file Karyawan di atas. 2. Dari baris menu pilih menu Graph, kemudian pilih Bar… Tampak di

layar:

Gambar 1.6 Kotak Dialog Bar Chart

Sesuai keinginan, klik pilihan Simple, kemudian pilih di bagian bawah Summaries for groups of cases, kemudian klik Define. Tampak di layar:

Page 32: Modul Spss Print

Modul SPSS

31

Gambar 1.7 Kotak Dialog Define Simple Bar

Kolom Category Axis atau nilai untuk sumbu X. Sesuai tujuan pembuatan grafik, pilih variabel masuk dan pindahkan dengan anak panah ke category

axis.

Kolom Bar Represent. Kolom ini bias disebut nilai pada sumbu Y atau setiap Bar akan mewakili apa? Di sini SPSS menyediakan berbagai pilihan,

dan sesuai kasus dipilih % of cases yang berarti grafik disajikan dalam persentase. Sedangkan pilihan lain diabaikan (SPSS menyediakan satu

kemungkinan untuk Bar Represent).

Kolom Template atau membuat grafik dengan template tertentu yang sudah tersedia sebelumnya. Karena sebelumnya tidak ada template, maka

abaikan saja pilihan ini.

Klik Continue untuk meneruskan.

3. Klik tombol OK maka tampak output:

Grafik di atas bisa diperbaiki (penempatan judul, jenis font, dan lainnya) dengan cara: • tempatkan pointer pada daerah grafik.

MASUK

199419931992

Cou

nt

6.5

6.0

5.5

5.0

4.5

4.0

3.5

Page 33: Modul Spss Print

Modul SPSS

32

• Klik dua kali mouse, maka akan muncul window baru, yaitu Chart Editor. Grafik bias diperbaiki dengan fasilitas Chart Editor, dan setelah selesai tutup Chart Editor, maka otomatis hasil perbaikan output tampak di Output Navigator (tempat output SPSS).

3.4 Grafik Clustered

Bentuk Clustered adalah bentuk grafik chart yang lebih kompleks dengan penyajian tiap kelompok (cluster). Tujuan: Di sini akan diabuat grafik batang (Bar Chart) yang menggambarkan usia karyawan yang masuk kerja pada tahun tertentu dengan pengelompokan sesuai tingakat pendidikanya. Di sini ada tiga variabel yang terlibat, yaitu Usia, Didik dan Masuk. Langkahnya:

1 Buka file Karyawan di atas 2 Dari baris menu pilih menu Graph, kemudian pilih Bar…Tampak di

layar tampilan seperti pada Gambar 1.6. Sesuai keinginan, klik Clustered, kemudian pilih di bagian bawah Summaries for groups of cases, kemudian klik Define. Tampak di layar:

Gambar 1.8 Kotak Dialog Define Clustered Bar

Kolom Category Axis atau nilai untuk sumbu X. Sesuai tujuan pembuatan grafik , pilih variabel masuk.

Kolom Define Clustered By atau cara mendefinisikan kelompok. Karena akan dikelompokkan menurut tingkat pendidikan karyawan, maka pilh

variabel didik dan pindahkan ke kolom tersebut.

Kolom Bar Represent. Di sini –sesuai kasus- karena sumbu Y berupa variabel Usia, maka dipilih Other Summary Function yang berarti akan

dimasukkan nama variabel tertentu. Pilih variabel Usia kemudian pindahkan dengan anak panah (dalam lingkungan Bar Represent) ke kotak

variabel. Otomatis terlihat tulisan Mean (usia) yang berarti akan ditampilkan rata-rata usia karyawan. Jika akan diganti, Anda bisa

Page 34: Modul Spss Print

Modul SPSS

33

mengklik pada change summary. Namun untuk kasus ini, abaikan change summary.

• Klik tombol OK maka tampak output

3.5 Grafik Valuses of Individual Cases

Grafik jenis ini akan menampilkan setiap kasus secara individu, sehingga pergerakan perubahan terlihat lebih. Dan seperti dalam pembahasan terdahulu, grafik disajikan dalam tiga Chart, yaitu Simple, Clustered dan Stacked. Simple Tujuan : Akan ditampilkan rata-rata gaji awal setiap karyawan. Langkahnya:

1. Buka file Karyawan di atas . 2. Dari baris menu pilih menu Graph, kemudian pilih Bar…Tampak di

layar tampilan seperti pada Gambar 1.6. Sesuai keinginan, klik pilihan Simple, kemudian pilih di bagian bawah Values of Individual Cases, kemudian klik Define. Tampak di layar tampilan seperti Gambar 1.9.

Gambar 1.9 Kotak Dialog Define Simple Bar

� Kolom Bar Represent. Di sini harus diisi variabel yang numeric (satuan dalam angka), dan sesuai tujuan, pilih variabel gaji_aw dan gaji_ki, lalu masukkan pada bar represent.

� Kolom Category Labels atau keterangan sumbu kategori (dalam hal ini sumbu X). Karena akan ditampilkan setiap karyawan,

MASUK

199419931992

Mea

n U

SIA

36

34

32

30

28

26

24

22

DIDIK

SMA

AKADEMI

SARJANA

Page 35: Modul Spss Print

Modul SPSS

34

pilih variabel karyawan, kemudian masukkan pada kolom variabel.

� Di sini bisa saja dipilih Case Number (nomor kasus), karena kebetulan variabel karyawan diwakili oleh nomor.

3. Klik tombol OK maka tampak output:

Clustered

Tujuan: Di sini akan di buat grafik batang (Bar Chart) yang menggambarkan pergerakan gaji karyawan dengan membandingkan variabel gaji karyawan awal dan akhir. Di sini ada tiga variabel yang terlibat, yaitu Karyawan, Gaji_Aw dan Gaji_Ki. Langkahnya :

1. Seperti biasa dari baris menu pilih menu Graph, kemudian pilih Bar… Tampak di layar tampilan seperti pada Gambar 1.6. Sesuai keinginan, klik Clustered, kemudian pilih bagian bawah Values of individual cases, kemudian klik Define. Tampak di layar:

Gambar 1.10 Kotak Dialog Define Clustered Bar • Kolom Category Labels atau nilai untuk sumbu X. Sesuai tujuan

pembuatan grafik, pilih variabel karyawan. • Kolom Bar Represent. Di sini harus diisi variabel yang numeric (satuan

dalam angka). Karena itu, pilih variabel gaji_aw dan gaji_ki dan masukkan pada bar represent.

2. Klik tombol OK maka tampak output seperti di halaman berikut ini.

KARYAWAN

15.00

14.00

13.00

12.00

11.00

10.00

9.00

8.00

7.00

6.00

5.00

4.00

3.00

2.00

1.00

Val

ue G

AJI

_AW

1100

1000

900

800

700

600

500

400

300

Page 36: Modul Spss Print

Modul SPSS

35

SPSS juga menyediakan berbagai macam grafik lainnya, seperti diagram Pie, Scatter Plot, dll. Dimana pada prinsipnya untuk memunculkan grafik tersebut sama dengan langkah yang dilakukan diatas, yaitu melalui menu Graph.

KARYAWAN

15.00

14.00

13.00

12.00

11.00

10.00

9.00

8.00

7.00

6.00

5.00

4.00

3.00

2.00

1.00

Val

ue

1100

1000

900

800

700

600

500

400

300

GAJI_AW

GAJI_KI

Page 37: Modul Spss Print

Modul SPSS

36

BAB V STATISTIKA DESKRIPTIF

5.1 Pendahuluan

Statistik deskriptif lebih berhubungan dengan pengumpulan data, serta penyajian hasil peringkasan tersebut. Data-data statistik yang bisa diperoleh dari hasil sensus, survei, atau pengamatan lainnya – umumnya masih acak, ‘mentah’ dan tidak terorganisir dengan baik (raw data). Data-data tersebut harus diringakas dengan baik dan teratur, baik dalam bentuk table atau presentasi grafis, sebagai dasar untuk berbagai pengambilan keputusan (statistik Inferensi). Penyajian table dan grafik yang digunakan dalam statistik deskriptif seperti: Distribusi Frekuiensi, serta presentasi grafis seperti Histogram, Pie Chart dan lainnya.

Selain table dan grafik, untuk mengetahui deskripsi data diperlukan ukuran yang lebih eksak, yang bisa disebut summary statistics (ringkasan statistik). Dua ukuran penting yang sering dipakai dalam pengambilan keputusan adalah: (1) Mencari Central Tendency (Kecenderungan Terpusat) seperti Mean, Median, Modus; (2) Mencari ukuran Dispersion seperti Standar Deviasi dan Varians. Selain Central Tendency dan Dispersion, ukuran lain yang dipakai adalah Skewnes dan Kurtosis untuk mengetahui kemiringan data. Dalam bab ini akan dibahas menu dari SPSS yang berhubungan dengan statistik deskriptif, yaitu Descriptive Statistics. Dalam menu ini terdapat beberapa submenu sebagai berikut

5.2 Frequencies

Frequencies membahas beberapa penjabaran ukuran statistik deskriptif seperti Mean, Median, Kuartil, Persentil, Standar Deviasi dan lainnya.

5.3 Descriptive

Descriptive berfungsi untuk mengetahui skor z dari suatu distribusi data dan menguji apakah data berdistribusi normal atau tidak.

5.4 Explore

Explore berfungsi untuk memeriksa lebih teliti sekelompok data. Alat utama yang dibahas adalah Box-Plot dan Steam and Leaf Plot, selain beberapa uji tambahan untuk menguji apakah data berasal dari distribusi normal. 5.5 Crosstabs

Crosstabs digunakan untuk menyajikan deskripsi data dalam bentuk table silang (crosstab), yang terdiri atas baris dan kolom. Selain itu, menu ini juga dilengkapi dengan analisis hubungan diantara baris dan kolom, seperti independensi diantara factor-faktor yang diamati, besar hubungannya dan lainnya (hal ini sebenarnya termasuk pada statistik induktif atau inferensi dan merupakan perluasan dari statistik deskriptif). Oleh karena output yang diberikan pada menu Descriptive Statistics ini relatif hampir sama, maka dalam modul ini akan diberikan submenu

Page 38: Modul Spss Print

Modul SPSS

37

Frequencies saja. Sedangkan submenu lainnya (seperti Explore) akan diberikan pada modul berikutnya. Praktikum 5.1

Berikut ini adalah data tinggi badan 25 responden yang diambil secara acak (angka dalam centimeter)

No. Tinggi Gender No. Tinggi Gender

1 170.2 Pria 14 170.4 Wanita

2 172.5 Pria 15 168.9 Wanita

3 180.3 Pria 16 168.9 Wanita

4 172.5 Pria 17 177.5 Wanita

5 159.6 Wanita 18 174.5 Pria

6 168.5 Wanita 19 168.6 Wanita

7 168.5 Pria 20 164.8 Wanita

8 172.5 Pria 21 170.4 Pria

9 174.5 Pria 22 168.9 Pria

10 159.6 Wanita 23 164.8 Wanita

11 170.4 Wanita 24 167.2 Wanita

12 161.3 Wanita 25 167.2 Wanita

13 172.5 Pria Misal angka 170.20 dan keterangan ‘pria’ pada baris 1 berarti tinggi badan seorang responden Pria adalah 170.20 centimeter. Demikian seterusnya untuk data yang lain. Dari Praktikum 4.1 di atas akan dibuat Table Frekuensi, baik berdasarkan tinggi ataupun berdasarkan Gender. Selain itu akan dicari pula berbagai ukuran deskriptifnya. Dengan cara sbb: Langkah-langkahnya

1. Buka lembar kerja baru

2. Mendefinisikan variabel :

Variabel pertama: Tinggi. Variabel ini didefinisikan sebagai variabel Numeric dengan Width: 8 dan Decimal Places: 1. Variabel kedua: Gender. Variabel ini didefinisikan sebagai variabel Numeric dengan ketentuan Width: 8 dan Decimal Places: 0. Seperti diketahui, perhitungan dalam SPSS selalu untuk tipe data numeric. Untuk itu gender harus dijadikan numeric pula, yaitu dengan tanda: 1 = tanda untuk gender pria, dan 2 = tanda untuk gender wanita.

Page 39: Modul Spss Print

Modul SPSS

38

3. Memasukkan Data

Untuk mengisi kolom dari variabel-variabel tersebut, maka letakkan pointer pada masing-masing baris yang bersesuaian dengan data yang akan dimasukkan. Simpan data tersebut dengan nama Data2_1. Untuk mengisi kolom gender. Sebelum mengisi data, arahkan pointer ke baris menu SPSS, pilih menu Data View, lalu klik submenu Label . Kegunaan pengaktifan View (melihat ) Value Label terkait dengan prosedur berikut ini. Pada data kasus, terlihat angka pertama 170,2 (atau dalam penulisan di SPSS adalah 170.2) adalah tinggi badan pria. Seadang pada pengisian variabel, variabel gender untuk pria bertanda 1. Maka pada baris pertama kolom kelompok, ketik 1. terlihat secara otomatis SPSS mengubahnya menjadi keterangan ‘pria’. Hal ini terjadi karena pengaktifan Value Label. Demikian untuk data selanjutnya, pemasukkan data dengan angka 1 atau 2 sesuai keterangan yang dikehendaki. Jangan memasukkan kalimat (huruf) dalam pengisian data yang besifat numeric, karena SPSS akan menolaknya. Jika pengisian benar, akan terlihat data seperti pada awal kasus.

4. Data di atas dapat disimpan, dengan prosedur berikut :

Dari baris menu pilih menu File, lalu pilih submenu Save As. Beri nama file - untuk keseragaman – dengan nama Deskriptif, dan tempatkan file pada direktori yang dikehendaki.

Di sini akan dilakukan beberapa pengerjaan yang berhubungan dengan statistik deskriptif. Untuk ini, pengerjaan berurutan sebagai berikut :

� Tabel Frekuensi dan Statistik Deskriptif Untuk Tinggi

Karena variabel Tinggi termasuk data kuantitatif, maka akan dibuat table frekuensi serta dekripsi statistik (meliputi: Means, Standar Deviasi, Skewness, dan lainnya) untuk variabel tersebut. Selain itu akan dilengkapi dengan chart yang disesuaikan dengan data kuantitatif, yaitu histogram atau Bar Chart. Langakah-langkah :

1. Buka lembar kerja atau file deskriptif sesuai dengan kasus di atas, atau jika sudah terbuka ikuti langkah selanjutnya.

2. Dari baris menu pilih menu Analyze, lalu pili submenu Descriptive

Statistics

Dari serangkaian pilihan dalam menu Analyze dan Descriptive Statistics, sesuai dengan kasus pilih Frequencies untuk menampilkan table frekuensi. Selanjutnya pada layar akan tampak :

Page 40: Modul Spss Print

Modul SPSS

39

Gambar 4.1 Kotak Dialog Frequencies

Variable(s) atau variabel yang akan dimasukkan. Karena akan dibuat frekuensi dari variabel tinggi kemudian klik tanda (yang sebelah atas ), maka variabel tinggi bepindah ke Variable(s).

Klik pilihan Statistics, maka tampak di layar:

Gambar 4.2 Kotak Dialog Frequencies Statistics

Pilihan Statistics meliputi berbagai ukuran untuk menggambarkan data (statistik deskriptif).

Percentiles Values atau nilai persentil –untuk keseragaman- klik Quartiles dan Percentile(s). Kemudian pada kotak di samping kanan Percentiles ketik 10, lalu tekan Add. Sekali lagi ketik 90 pada kotak terdahulu dan klik lagi tombol Add.

Page 41: Modul Spss Print

Modul SPSS

40

Pengerjaan ini dimaksudkan untuk membuat nilai persentil pada 10 dan 90.

Dispersion atau penyebaran data. Untuk keseragaman, semua

atau keenam jenis pengukuran dispersi dipilih semua. Central Tendency atau pengukuran pusat data. Untuk

keseragaman, klik Mean dan Median. Distribution atau bentuk distribusi data. Untuk keseragaman,

klik Skewness dan Kurtosis.

Klik Continue setelah selesai input untuk melanjutkan proses berikutnya. Klik pilihan Charts, maka tampak di layar seperti dalam Gambar 4.3

Gambar 4.3 Menentukan Jenis Grafik

Chart berhubungan dengan jenis grafik yang akan di tampilkan Data Type atau jenis grafik – untuk keseragaman – pilih Histogram dan With normal curve.

Klik Cotinue setelah selesai input untuk melanjutkan proses berikutnya.

Klik pilihan Format, maka di layar tampak:

Gambar 4.4 Menentukan Format Data

Pilihan ini berhubungan dengan susunan (format) data. Order By atau data output akan disusun seperti apa – untuk keseragaman – output akan disusun naik (data dari yang terkecil sampai yang terbesar). Untuk itu pilih Ascending Value.

Page 42: Modul Spss Print

Modul SPSS

41

Klik OK jika semua pengisian telah selesai. Output SPSS Berikut ini adalah output dari Descriptive

Statistics

TINGGI25

0

169.400

.993

168.900

4.963

24.634

-.155

.464

.452

.902

20.7

159.6

180.3

160.620

167.200

168.900

172.500

175.700

Valid

Missing

N

Mean

Std. Error of Mean

Median

Std. Deviation

Variance

Skewness

Std. Error of Skewness

Kurtosis

Std. Error of Kurtosis

Range

Minimum

Maximum

10

25

50

75

90

Percentiles

TINGGI

2 8.0 8.0 8.0

1 4.0 4.0 12.0

2 8.0 8.0 20.0

2 8.0 8.0 28.0

2 8.0 8.0 36.0

1 4.0 4.0 40.0

3 12.0 12.0 52.0

1 4.0 4.0 56.0

3 12.0 12.0 68.0

4 16.0 16.0 84.0

2 8.0 8.0 92.0

1 4.0 4.0 96.0

1 4.0 4.0 100.0

25 100.0 100.0

159.6

161.3

164.8

167.2

168.5

168.6

168.9

170.2

170.4

172.5

174.5

177.5

180.3

Total

ValidFrequency Percent Valid Percent

CumulativePercent

Page 43: Modul Spss Print

Modul SPSS

42

Analisis

Analisis dilakukan berdasarkan pada output yang diberikan oleh SPSS. Ada tiga bagian out put yang diberikan, yaitu: Statistics, Tinggi, dan Histogram. Untuk memudahkan pemahaman output, maka analisis dilakukan bagian per bagian.

Statistics

� N atau jumlah data yang valid (sah untuk diproses) adalah 25 buah, sedangkan data yang hilang (missing) adalah nol. Di sini berarti semua data siap diproses.

� Means atau rata-rata tinggi badan adalah 169.4 cm dengan galat baku 0.993 cm. Penggunaan galat baku rata-rata adalah untuk memperkirakan besar rata-rata populasi yang diperkirakan dari sampel. Untuk itu, dengan galat baku rata-rata tertentu dan pada taraf nyata 95% ( SPSS sebagian besar menggunakan angka ini sebagai standar), rata-rata populasi tinggi badan menjadi: Rata-rata ± 2 x galat baku rata-rata, maka diperoleh: 169.4 cm ± (2 x 0.993 cm) = 167.414 sampai 171.386 cm

� Median atau titik tengah data jika semua data diurutkan dan dibagi dua sama besar. Angka median 168,9 cm menunjukkan bahwa 50% tinggi badan adalah 168.9 cm ke atas dan 50% sisanya adalah 168.9 cm ke bawah.

� Standar deviasi (simpangan baku) adalah 4.93 cm dan varians yang merupakan kuadrat dari standar deviasi adalah 24.634 cm2 . Penggunaan standar deviasi adalah untuk menilai dispersi rata-rata dari sample. Untuk itu, dengan standar deviasi tertentu dan pada taraf nyata 95%, rata-rata tinggi badan menjadi: rata-rata ± 2 x standar deviasi, maka: 169.4 cm ± (2 x 4.963 cm) = 159.474 sampai 171.386 cm. Perhatikan kedua batas kedua angka yang

TINGGI

180.0

177.5

175.0

172.5

170.0

167.5

165.0

162.5

160.0

TINGGI

Fre

quen

cy

8

6

4

2

0

Std. Dev = 4.96

Mean = 169.4

N = 25.00

Page 44: Modul Spss Print

Modul SPSS

43

berbeda tipis dengan nilai minimum dan maksimum, dan hal ini membuktikan bahwa sebaran data adalah baik.

� Ukuran Skewness adalah –0.155. Untuk penilaian, nilai tersebut diubah ke angka rasio, sehingga rasio skewness adalah: nilai skewness/galat baku skewness. Atau dalam kasus ini diperoleh rasio skewness = -0.155/0.464 = -0.334. Sebagai pedoman, rasio skewness berada diantara –2 sampai dengan +2 maka distribusi data adalah normal. Karena –0.334 berada di daerah tersebut, maka dapat dikatakan bahwa sample data tinggi adalah berdistribusi normal.

� Ukuran kurtosis adalah 0.452. Untuk penilaian, nilai tersebut diubah ke angka rasio, sehingga rasiao kurtosis adalah: nilai kurtosis/galat baku kurtosis. Atau dalam kasus ini diperoleh rasio kurtosis = 0.452/0.902 = 0.0005. Sebagai pedoman, rasio kurtosis berada diantara –2 sampai dengan +2 maka distribusi data adalah normal. Oleh karena –0.0005 berada di daerah tersebut, maka dapat dikatakan bahwa sampel data tinggi adalah berdistribusi normal.

� Data minimum adalah: 159.6 cm dan data maksimum adalah 180.3 cm.

� Range adalah data maksimum – data minimum, atau dalam kasus diperoleh 180.3-159.6 = 20.7 cm.

� Persentiles atau data persentil

� Rata-rata tinggi badan 10% responden di bawah 160.260 cm, atau juga bisa dikatakan rata-rata tinggi badan 90% responden (100-10)% di atas 160.260 cm.

� Rata-rata tinggi badan 25% responden di bawah 167.200 cm.

� Rata-rata tinggi badan 50% responden di bawah 168.900 cm, atau bisa juga dikatakan bahwa rata-rata tinggi badan 50% responden di atas 168.900 cm. Persentil 50% sama dengan median.

� Rata-rata tinggi badan 75% responden di bawah 172.500 cm.

� Rata-rata tinggi badan 90% responden di bawah 175.570 cm.

Histogram

Output kedua menggambarkan grafik data yang telah dibuat frekuensinya. Terlihat bahwa batang histogram mempunyai kemiripan bentuk dengan kurva normal (berbentuk seperti loceng) yang disertakan. Hal ini membuktikan bahwa distribusi tersebut sudah dapat dikatakan normal atau mendekati normal.

Page 45: Modul Spss Print

Modul SPSS

44

Tinggi

Output tersebut adalah gambar tinggi badan responden dalam tabel frekuensi. Pada baris pertama, responden bertinggi badan 159.60 cm sebanyak (frekuensi) 2 orang atau (2/25 x 100%) = 8%. Berikutnya baris kedua, responden dengan tinggi badan 161.30 cm sebanyak 1 orang atau (1/25 x 100%) = 4%. Karenanya kumulatif persen menjadi 8% + 4% = 12%. Demikian seterusnya hingga sampai mencapai 100% kumulatif. Perhatikan hubungan yang erat antara persentase dengan persentil.

� Tabel Frekuensi Untuk Gender

Karena variabel gender bukan merupakan data kuantitatif, namun data kualitatif (kategori), maka tidak perlu dilakukan deskripsi statistik, seperti: Means, Standar Deviasi, dan lainnya. Untuk data kualitatif, Chart yang sesuai adalah pie chart. Langkah-langkah:

1. Buka lembar kerja/file deskripsi sesuai kasus di atas, atau jika sudah terbuka ikuti langkah-langkah selanjutnya.

2. Dari baris menu pilih menu Analyze, lalu pilih submenu Descriptive

Statistics. 3. Selanjutnya sesuai kasus pilih Frequencies untuk menampilkan

tabel frekuensi. Selanjutnya tampak di layar tampilan seperti dalam Gambar 2.2.

• Variable(s) atau variabel yang akan dimasukkan. Karena akan dibuat frekuensi dari variabel gender, maka klik variabel gender, kemudian klik tanda (yang sebelah atas), maka variabel gender berpindah ke Variable(s).

• Klik pilihan Chart, maka di layar akan tampak tampilan seperti

dalam Gambar 2.3. Chart berhubungan dengan jenis grafik yang akan ditampilkan.

• Data Type atau jenis grafik – untuk keseragaman – pilih Pie Chart.

• Klik Continu setelah selesai input untuk melanjutkan proses

berikutnya.

• Klik pilihan Format, maka tampak di layar seperti dalam gambar 2.4. Pilihan ini berhubungan dengan susunan (format) data. Order By atau data output akan disusun seperti apa –untuk keseragaman- output akan disusun naik (data dari yang terkecil hingga yang terbesar). Untuk itu pilih Ascending Value.

• Klik OK Jika semua pengisian telah selesai.

Berikut ini adalah output dari deskriptif untuk Gender.

Page 46: Modul Spss Print

Modul SPSS

45

Output SPSS

Analisis

Ada dua output yang diberikan SPSS untuk variabel gender, yaitu frekuensi dan

diagram Pie, sehingga pembahasannya juga dibatasi untuk kedua output yang ada.

� Output Bagian Pertama

Terlihat gender pria tercatat 11 orang atau 44% dari total, sedangkan wanita tercatat 14 orang atau 56% dari total responden. Karena seluruh data valid, maka kolom valid percent (persentase kolom yang valid) sama dengan kolom persent. Sedangkan Cumulative Percent atau persentase kumulatif, terlihat untuk pria adalah 44% sedangkan untuk wanita kumulatifnya menjadi 44% + 56% = 100%.

� Output Bagian Kedua

Terlihat diagram lingkaran (Pie) yang memperlihatkan proporsi Pria dan Wanita yang diukur tinggi badannya. Karena jumlah wanita lebih benyak, maka pada chart juga terlihat proporsi wanita mempunyai bagian chart yang lebih jelas.

GENDER

11 44.0 44.0 44.0

14 56.0 56.0 100.0

25 100.0 100.0

Pria

Wanita

Total

ValidFrequency Percent Valid Percent

CumulativePercent

GENDER

Wanita

Pria

Page 47: Modul Spss Print

Modul SPSS

46

5.6 Ringkasan Statistik Dengan Prosedur Means

Statistik deskriptif yang telah dibahas sebelumnya, seperti prosedur Frequencies dan Explore akan digunakan di sini untuk mendapatkan statistik deskriptif di dalam sel atau sub-kelompok yang didefinisikan oleh klasifikasi silang pada taraf dari dua atau lebih variabel. Prosedur Means menyediakan banyak ukuran statistik, termasuk di dalamnya pengujian kenormalan data (selain ukuran –ukuran statistik standar lainnya). Prosedur Means juga menyediakan fasilitas untuk analisis varians satu-arah dengan statistik eta, pengujian linieritas, perhitungan koefisien korelasi R, dan koefisien determinasi R2. Praktikum 5.2

Seorang peneliti menyajikan data tinggi dan berat badan Pria dan Wanita, serta tempat tinggal mereka. Berikut ini adalah hasilnya (angka dalam centimeter untuk tinggi dan kilogram untuk berat).

No Tinggi Berat Gender Tinggal

1 174.5 65.8 Pria Desa

2 178.6 62.7 Pria Kampung

3 170.8 66.4 Pria Kota

4 168.2 68.9 Pria Kampung

5 159.7 67.8 Pria Kampung

6 167.8 67.8 Pria Kota

7 165.5 65.8 Pria Kota

8 154.7 48.7 Wanita Desa

9 152.7 45.7 Wanita Desa

10 155.8 46.2 Wanita Desa

11 154.8 43.8 Wanita Kampung

12 157.8 58.1 Wanita Kota

13 156.7 54.7 Wanita Kota

14 154.7 49.7 Wanita Kota Karena akan diketahui bagaimana statistik deskriptif dari data di atas, dan populasi diketahui berdistribusi normal, serta sampel sedikit, maka dipakai prosrdur Means pada menu Compare Means untuk mengerjakannya. Langkah-langkahnya

1. Buka lembar keja baru . 2. Mendefinisikan variabel:

� Variabel pertama: Tinggi. Variabel ini didefinisikan sebagai

variabel numeric dengan Width: 8 dan Decimal Places: 0.

Page 48: Modul Spss Print

Modul SPSS

47

� Variabel kedua: Berat. Variabel ini didefinisikan sebagai variabel

numeric dengan Width: 8 dan Decimal Places: 0.

� Variabel ketiga: Gender. Variabel ini didefinisikan sebagai variabel numeric dengan Width: 8 dan Decimal Places: 0.

� Variabel keempat: Tinggal. Variabel ini didefinisikan sebagai

variabel numeric dengan Width: 8 dan Decimal Places: 0.

3. Memasukkan Data

� Untuk mengisi olom pertama dan kedua, yaitu variabel tinggi dan berat, letakan pointer pada baris 1 kolom tersebut, lalu ketik menurun ke bawah sesuai data mengenai tinggi dan berat subjek yang diamati.

� Untuk mengisi kolom ketiga, yaitu variabel gender letakan pointer

pada baris 1 kolom tersebut, lalu ketikan angka 1 untuk menyatakan jenis kelamin pria dan angka 2 untuk menyatakan jenis kelamin wanita.

� Untuk mengisi kolom keempat, yaitu variabel tinggal letakan

pointer pada baris 1 kolom tersebut, lalu ketikan angka 1 untuk menyatakan tempat tinggal di desa, angka 2 untuk menyatakan tempat tinggal di kampung, dan angka 3 untuk menyatakan tempat tinggal di kota.

4. Menyimpan Data

Dari baris menu pilih menu File, kemudian pilih submenu Save as… Beri nema file – untuk keseragaman- dengan Means, dan tempatkan file pada direktori yang dikehendaki.

Langkah-langkahnya:

1. Buka lembar kerja/file means sesuai dengan kasus di atas,

atau jika sudah terbuka ikuti langkah berikut. 2. Dari baris menu pilih menu Analyze, kemudian pilih

submenu Compare Means. Dari serangkaian pilihan test, sesuai kasus pilih Means. Tampak di layar:

Gambar 4.4 Kotak Dialog Means

Page 49: Modul Spss Print

Modul SPSS

48

� Dependent List atau Daftar Variabel Tergantung (tidak bebas)

yang akan dimasukkan. Di sini jenis data adalah numeric atau mengandung angka. Karena itu, klik variabel tinggi, kemudian klik tanda (yang sebelah atas), maka variabel tinggi berpindah ke test variable(s). Demikian juga untuk variabel berat.

� Independent List atau Daftar variabel bebas yang akan

dimasukkan. Di sini jenis data adalah non-numerik atau tidak mengandung angka. Karena itu klik variabel gender , kemudian klik tanda (yang sebelah atas), maka variabel gender berpindah ke Independent List.

� Selanjutnya terlihat tombol Next berubah warna (biasa

dijalankan). Karena akan ada dua layar, maka klik Next.

� Kemudian klik variabel Tinggal, lalu klik tanda (yang sebelah atas ), maka variabel tinggal berpindah ke Independen List sebagai layar kedua. Maksud pengerjaan di atas adalah membuat dua layar, yaitu variabel gender dan tinggal.

3. Untuk tombol option, dengan mengkliknya akan tampak di layar

tampilan seperti Gambar 4.5.

Gambar 4.5 Kotak dialog means: Options

� Options mengandung banyak perhitungan statistik (lihat pada kolom Statistics). Jika ada yang akan digunakan, klik pada perhitungan yang diinginkan, lalu pindahkan ke bagian Cell Statistics. Namun SPSS memberi default, yaitu pilihan means (rata-rata), Number of Cases (jumlah kasus) dan Standar Deviation (standar deviasi). Untuk keseragaman akan dipakai default di atas, sehingga tidak dilakukan perubahan apapun pada Options.

� Klik Continue jika pengisian dianggap selesai.

Page 50: Modul Spss Print

Modul SPSS

49

4. Kemudian klik OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS melakukan pekerjaan analisis dan terlihat output SPSS.

Berikut ini adalah keluaran yang dihasilkan oleh prosedur Means

Output SPSS

Case Processing Summary

14 100.0% 0 .0% 14 100.0%

14 100.0% 0 .0% 14 100.0%

TINGGI * GENDER* TINGGAL

BERAT * GENDER* TINGGAL

N Percent N Percent N Percent

Included Excluded Total

Cases

Report

174.500 65.800

1 1

. .

168.833 66.467

3 3

9.466 3.308

168.033 66.667

3 3

2.658 1.026

169.300 66.457

7 7

6.135 2.023

154.400 46.900

3 3

1.572 1.572

154.800 43.800

1 1

. .

156.400 54.167

3 3

1.572 4.225

155.314 49.571

7 7

1.643 5.143

159.425 51.625

4 4

10.132 9.537

165.325 60.800

4 4

10.439 11.651

162.217 60.417

6 6

6.664 7.378

162.307 58.014

14 14

8.443 9.532

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

Mean

N

Std. Deviation

TINGGALDesa

Kampung

Kota

Total

Desa

Kampung

Kota

Total

Desa

Kampung

Kota

Total

GENDERPria

Wanita

Total

TINGGI BERAT

Page 51: Modul Spss Print

Modul SPSS

50

Analisis

Berikut ini akan diberikan analisis terhadap output yang diberikan oleh SPSS. Analisis meliputi Case Processing Summary dan Report. Case Processing Summary Menghitung apakah semua data telah diproses. Karena terdapat angka 100%, berarti keempat belas kasus telah diproses. Report

Terlihat pada bagian baris terdapat dua layar, yaitu Gender (kode 1 dan 2), serta tempat tinggal sebagai layar kedua. Berarti data dipecah menjadi pria yang bertempat tinggal di desa, kampung dan kota. Jika layar 1 (lihat pemasukkan data di depan) adalah tempat tinggal, maka susunan akan terbalik. Hal ini tentunya tergantung informasi manakah yang akan didahulukan. Pada bagian kolom, terlihat data-data numeric, yaitu mengenai tinggi dan berat badan. Sebagai contoh, pada baris pertama bisa diartikan ada seorang (N = 1) pria yang bertempat tinggal di desa mempunyai tinggi badan 174.5 cm dan berat badan 65.8 kg. Demikian juga untuk data selanjutnya, sedangkan contoh analisis bisa dilakukan seperti:

• Rata-rata berat badan pria (66.457 kg) lebih berat dari rata-rata berat badan wanita (49.557 kg). Lihat bagian total pada kolom berat.

• Rata-rata tinggi badan orang di kampung (165.325 cm) lebih

tinggi dari rata-rata orang di desa (159.425 cm) ataupun total (162.307 cm). Lihat bagian total paling bawah untuk kolom tinggi.

Demikian analisis lainnya juga bisa dilakukan sesuai dengan kebutuhan informasi yang diperlukan.

Page 52: Modul Spss Print

Modul SPSS

51

Latihan 5.1

Berikut ini adalah data mengenai pendapatan 40 orang responden di suatu perusahaan pada divisi tertentu menurut jenis kelamin dan tingkat pendidikan. Variabel jenis kelamin diberi notasi 1 untuk laki-laki dan 2 untuk wanita, sedangkan tingkat pendidikan dibagi ke dalam tiga kategori, yaitu: 1 = SMA, 2 = Sarjana S1, 3 = Sarjana S2/S3.

No JK Pendidika

n Pendapata

n No JK Pendidika

n Pendapata

n

1 L SMA 550 21 P S1 535

2 L SMA 400 22 P S1 900

3 L S1 750 23 P SMA 375

4 P S1 825 24 P S3 1450

5 L S1 1110 25 L SMA 350

6 P S1 675 26 P SMA 360

7 L S1 725 27 L S1 700

8 L S1 900 28 P SMA 390

9 P SMA 415 29 L S1 675

10 P S3 1400 30 L S1 950

11 P S1 600 31 L S1 975

12 P S1 645 32 L SMA 400

13 L S1 1200 33 L SMA 410

14 L S3 1650 34 L S1 625

15 P SMA 400 35 P S1 710

16 P S1 825 36 P SMA 300

17 P S1 760 37 L S2 850

18 L SMA 410 38 L S1 725

19 L S1 500 39 L S3 1500

20 L S1 525 40 P SMA 400

Buatlah suatu deskripsi yang baik mengenai data di atas, baik menggunakan fasilitas frekuensi, Deskriptif, maupun prosedur Means.

Page 53: Modul Spss Print

Modul SPSS

52

BAB VI PENGUJIAN HIPOTESIS 6.1 Pendahuluan

Secara umum, tujuan dari pengujian hipothesis adalah menetapkan apakah sebuah dugaan (hipotesis penelitian) mengenai sebuah fenomena didukung sejumlah bukti kuat. Bukti-bukti diperoleh dari sampel yang diambil dari populasinya. Misalnya, berdasarkan pemahaman terhadap substansi yang dihadapi, orang menduga bahwa rerata nilai NEM siswa SMA adalah 7,0. Untuk meyakini dugaannya diambil sampel siswa, dan berdasarkan nilai rerata sampel yang diperoleh diperiksa apakah dugaan didukung data atau tidak.

Ada dua kemungkinan mengenai dugaan yang dikemukakan, benar atau salah. Seperti dalam illustrasi di atas, rerata NEM siswa mungkin tidak sama dengan 7,0 tetapi mungkin lebih rendah atau lebih tinggi. Memperhitungkan adanya kemungkinan ini, maka terhadap sebuah dugaan yang dikemukakan terdapat sebuah dugaan alternatif yang merupakan sebuah komplemen dari dugaan tersebut.

Untuk mendukung sebuah dugaan diperlukan bukti yang kuat. Oleh karenanya sebuah bukti yang ada tidak memadai untuk mengatakan bahwa dugaan benar, bukti yang ada hanya mendukung dugaan. Sehingga hasil dari pengujian sebuah hipotesis adalah menerima atau menolak hipotesis, tidak menyatakan bahwa hipotesis benar atau salah. Menolak hipotesis diartikan bahwa bukti yang ada tidak cukup untuk menerimanya.

Penolakan terhadap hipotesis berarti menerima hipotesis alternatif, yaitu menerima dugaan selain yang dihipotesiskan. Untuk membedakan kedua dugaan yang mungkin ini, dibentuk dua buah hipotesis, yaitu hipotesis nol dan hipotesis alternatif. Masing-masing hipotesis ini, dalam statistika, disimbolkan sebagai 0H dan 1H , kemudian pernyataan mengenai

dugaannya dinyatakan dalam parameter-parameter populasi.

Pernyataan dalam hipotesis nol adalah pernyataan yang meniadakan atau pernyataan yang berbunyi sebaliknya dari dugaan, sedangkan dalam hipotesis alternatif berisikan pernyataan mengenai dugaannya. Alasannya adalah seperti dalam azas praduga tidak bersalah di pengadilan. Orang yang dituduh melakukan kesalahan, dalam proses pengadilan dianggap tidak bersalah dulu, kecuali ada bukti-bukti kuat dari para saksi yang menunjukan bahwa dia bersalah. Dengan demikian keputusan hakim yang menyatakan bahwa seorang tersangka bersalah diputuskan berdasarkan bukti yang kuat.

Jadi yang diuji adalah pernyataan dalam hipotesis nol, sehingga kalau hipotesis nol ditolak diyakini bahwa ada bukti kuat yang mendukung dugaan seperti dinyatakan dalam hipotesis alternatif. Sebaliknya jika hipotesis nol diterima, maka dugaan dalam hipotesis alternatif tidak memiliki bukti pendukung yang cukup.

Page 54: Modul Spss Print

Modul SPSS

53

6.2 Statistik Uji Bagaimana pengujian sebuah hipotesis dikerjakan?. Informasi yang

menjadi bukti untuk memutuskan menolak atau menerima hipotesis nol hanya ada dalam sampel yang diambil dari populasinya. Informasi yang diperoleh berupa sebuah statistik, sehingga keputusan yang diambil berdasarkan statistik tersebut akan melibatkan aspek peluang.

Sebuah statistik yang nilainya dipakai untuk mengambil keputusan disebut sebagai statistik uji (test statistic).

Pengujian sebuah hipotesis statistis merupakan sebuah pengambilan keputusan dibawah ketidakpastian. Distribusi peluang dari sebuah statistik uji yang dipakai dalam pengujian hipotesis dinyatakan dalam distribusi sampling statistik tersebut. Secara sederhana, statistik uji yang dipakai sejalan dengan parameter yang dihipotesiskan, jadi apabila rerata populasi yang diuji, µ, maka statistik uji yang dipakai adalah rerata sampel, .X

6.3 Keliru Keputusan Berdasarkan data yang ada dibuat keputusan untuk menerima atau

menolak hipotesis nol. Salah satu dari dua keputusan yang harus diambil adalah:

Menolak 0H dan menyimpulkan bahwa 1H didukung data,

atau Menerima 0H dan menyimpulkan bahwa 1H tidak didukung data.

Untuk setiap keputusan yang diambil terdapat sebuah resiko membuat kekeliruan, sebab keputusan dibuat hanya berdasarkan sampel yang diambil dari populasinya. Sampel yang tidak representatif dapat menyebabkan hipotesis yang seharusnya diterima menjadi ditolak, atau sebaliknya. Oleh karenanya, sebelum sampel diambil perlu dipertimbangkan mengenai keadaan populasinya. Tentunya ada sumber-sumber lain yang dapat menyebabkan kekeliruan ini, seperti kekeliruan dalam pengukuran. Dengan pertimbangan-pertimbangan ini, sebuah penelitian harus dimulai dengan menyusun sebuah rancangan penelitian yang dapat menekan semua sumber kekeliruan yang mungkin, sehingga kesimpulan yang diperoleh keadaannya valid.

Dalam konteks pengujian hipotesis, kekeliruan terjadi karena salah mengambil keputusan; yaitu menolak hipotesis yang benar, atau menerima hipotesis yang seharusnya ditolak.

Seperti terlihat dalam tabel 6.1 , kekeliruan jenis 1 (Type 1 error) terjadi apabila keputusan yang dibuat berdasarkan data adalah menolak hipotesis nol, padahal sebenarnya hipotesis nol adalah benar. Dengan perkataan lain, menolak sesuatu yang seharusnya diterima.

Page 55: Modul Spss Print

Modul SPSS

54

Tabel 6.1 Kekeliruan jenis 1 dan 2

Kekeliruan jenis 2 (Type 2 error) terjadi ketika keputusan yang dibuat berdasarkan data adalah menerima hipotesis nol padahal sebenarnya salah (Hipotesis alternatif yang benar). Jadi kekeliruan ini terjadi ketika menerima sesuatu yang seharusnya ditolak.

Kekeliruan jenis pertama dipandang lebih serius daripada kekeliruan jenis kedua. Seperti halnya dalam pengadilan, keputusan hakim menjebloskan orang baik kedalam rutan dipandang lebih merugikan dibandingkan membebaskan orang bersalah. Oleh karenanya dalam pengujian hipotesis kekeliruan jenis pertama yang dikendalikan.

6.4 Pengujian Hipotesis Rata-rata Sebuah Populasi Umpamakan kita mempunyai sebuah populasi berdistribusi normal

dengan parameter dan simpanagan baku. Akan di uji mengenai parameter rata-rata . Untuk keperluan tsb dilakukan langkah-langkah sbb :

1. Rumuskan 10 dan HH .

Uji dua pihak H0 : µ = µ0

H1 : µ ≠ µ0 Uji Satu pihak kanan H0 : µ = µ0

H1 : µ > µ0

Uji Satu pihak Kiri H0 : µ = µ0

H1 : µ < µ0

2. Tetapkan Test statistic dan bentuk Rejection region. a) Untuk σ diketahui pergunakan statistik uji Z sbb:

n

XZ

/σµ−=

dimana :

X = Rata-rata data sampel µ = Rata-rata populasi σ = Varians pupulasi n = Banyaknya sampel

b) Untuk σ tidak diketahui pergunakan statistik uji t sbb

ns

Xt

/0µ−=

Keputusan Keadaan yang sebenarnya

0H Benar 1H Benar

Menolak 0H Kekeliruan jenis 1 Keputusan benar

Menerima

0H Keputusan benar Kekeliruan jenis 2

Page 56: Modul Spss Print

Modul SPSS

55

dimana :

X = Rata-rata data sampel

0µ = Rata-rata populasi yang dihipotesiskan

s = Simpangan baku data sampel n = Banykanya sampel

3. Untuk α yang ditetapkan tentukan rejection region.

1. Uji Dua Pihak Terima hipotesis nol jika : P-value (Sig.) > α Tolak hipotesis nol jika : P-value (Sig.) ≤ α

2. Uji Satu Pihak Terima hipotesis nol jika : P-value (Sig.) > 2α Tolak hipotesis nol jika : P-value (Sig.) ≤ 2α

4. Hitung nilai test statistic dari data. 5. Buat kesimpulan: Nyatakan, untuk level of significance α yang

ditetapkan, apakah 0H ditolak atau dipertahankan. Sesuai dengan

masalahnya buat interpretasi dari keputusan, juga hitung P-value dan berdasarkan nilainya perkuat kesimpulan yang diperoleh.

Praktikum 6.1

Diduga ada kecenderungan perubahan rata-rata biaya konsumsi rumah tanggap di Desa X semenjak adanya kenaikan harga bahan bakar minyak. Diperoleh informasi bahwa sebelum kenaikan harga BBM, biaya konsumsi rata-rata perbulan sebesar 800 ribu rupiah. Untuk membuktikan dugaan tersebut dilakukan penelitian dengan mengambil sample acak sebanyak 15 orang rumah tangga sebagai sapel. Dengan besar konsumsi sebulan ditunjukkan dalam data berikut :

Tabel 6.1 Biaya Konsumsi Sebulan 15 Rumah Tanga di Desa X

No. Sampel Konsumsi Perbulan

(RP. 000)

1 890 2 940 3 760 4 1050 5 650 6 740 7 840 8 990 9 1030

Page 57: Modul Spss Print

Modul SPSS

56

10 750 11 850 12 950 13 670 14 840 15 770

Lakukan analisis apakah benar bahwa rata-rata konsumsi rumah tanggak di desa X lebih berubah setelah kenaikkan BBM pada tingkat signifikansi sebesar 5%. ? Penyelesaian : Kasus di atas merupakan kasus pengujian rata-rata sebuah populasi dengan σ tidak diketahui dengan rumusan hipotesisnya sbb: H0 : µ = 800 Rata-rata konsumsi keluarga sama sebelum dan

sesudah kenaikan BBM H1 : µ ≠ 800 Rata-rata konsumsi keluarga lebih besar sesudah

konsumsi BBM Penyelesaian dengan menggunakan SPSS sbb:

1. Buka lembar kerja baru 2. Masukkan data kemudian simpan dengan nama file : BBM 3. Lakukan penamaan variabel : Konsumsi 4. Tekan menu Analyze → Compare Means → One Sample T Test

5. Masukkan variabel Konsumsi ke Test Variabel(s) 6. Test Value disi dengan µo = 800 7. Klic OK

Ouput

Page 58: Modul Spss Print

Modul SPSS

57

Tabel 6.2 T-Test

Analisis

Tabel 6.2 di atas menunjukkan hasil analisis deskriptif dari data sampel. Banyaknya sampel adalah 15 rumah tangga. Dengan rata-rata konsumsi perbulan sebesar 848 ribu rupiah dan standar deviasi sebesar 125,596. Standar error dari rata-rata sebesar 32,429. Standar error means variasi nilai taksiran dari paramter rata-rata. Standar error means dijadikan sebagai ukuran kualitas dari penaksir

Tabel 6.3 One Sample T-Test

Dari hasil perhitungan dengan formulasi (1) diperoleh nilai t

hitung sebesar 1,480. Untuk menjawab hipotesis penelitian, nilai statistik uji t hitung dibandingkan dengan nilai t tabel pada derajat bebas 24 ( n-1) dan tingkat signifikansi sebesar 5%. Dari tabel 6.3 diperoleh nilai t tabel sebesar 2,064. Nilai t hitung jauh lebih besar dibandingkan dengan nilai t tabel sehingga hipotesis H0 diterima pada tingkat signifikansi 5%. Artinya bahwa tidak ada perubahan rata-rata biaya konsumsi rumah tangga di Desa X setelah kenaikkan harga BBM.

Jika menggunakan nilai p valunya terlihat nilai sig(2-tailed) sebesar 0,161 lebih besar dibandingkan dengan nilai α yang besarnya 0,05 sehingga dapat disimpulkan sehingga hipotesis H0 diterima pada tingkat signifikansi 5%. Artinya bahwa tidak ada perubahan rata-rata biaya konsumsi rumah tangga di Desa X setelah kenaikkan harga BBM.

Means difference menunjukkan perbedaan rata-rata konsumsi sebelum dan sesudah kenaikkan BBM yang bedanya sebear 48 ribu rupiah.

95% Confidence interval of the difference menunjukkan interval konfidensi untuk taksiran rata-rata. Nilai ini menyatakan bahwa dalam penyampelan berulang, dalam jangka panjang kita yakin dengan tingkat probabilitas sebesar 95% bahwa selang interval -21,55 ribu rupiah sampai dengan 117,55 ribu rupiah akan memuat parameter rata-rata.

One-Sample Statistics

15 848,0000 125,59572 32,42868KonsumsiN Mean Std. Deviation

Std. ErrorMean

One-Sample Test

1,480 14 ,161 48,0000 -21,5526 117,5526Konsumsit df Sig. (2-tailed)

MeanDifference Lower Upper

95% ConfidenceInterval of the

Difference

Test Value = 800

Page 59: Modul Spss Print

Modul SPSS

58

Keterbatasan SPSS

Keterbatasan SPSS dalam melakukan pengujian hipotesis rata-rata sebuah populasi adalah hanya dapat dilakukan jika σ tidak diketahui dalam, hal ini menggunakan statistik uji t, sedangkan untuk kasus σ

diketahui dalam hal ini menggunakan statistik uji Z . SPSS tidak menyediakan menu khusus untuk menanganinya. Demikian pula dalam kasus pengujian hipotesis proporsi sebuah populasi, akan tetapi keterbatasan ini dapat di atasi dengan menggunakan SPSS SYNTAX Editor atau SPSS SCRIPT Editor.

6.5 Rangkuman

a) Large Sampel, level of significance α.

Parameter Populasi

Hipothesis Alternatif

Test Statistic Rejection region

Rerata (µ)

01 : µ>µH

n

XX

n

ii∑

== 1 , atau

nS

XZ

/0µ−

=

α≥ zZR :

01 : µ<µH α−≤ zZR :

01 :: µ≠µH 2/ || : α≥ zZR

Proporsi (π)

01 : π>πH

n

Xp = , atau

npq

pZ

/0π−

=

α≥ zZR :

01 : π<πH α−≤ zZR :

01 :: π≠πH 2/ || : α≥ zZR

Note: X dalam pengujian proporsi menyatakan banyak individu dalam sampel dengan karakteristik yang diamati.

b) Small Sampel, level of significance α dan populasi berdistribusi normal.

Parameter Populasi

Hipothesis Alternatif

Test Statistic Rejection region

Rerata (µ)

01 : µ>µH

n

X

X

n

ii∑

== 1 , atau

nS

XT

/0µ−

=

)1(,: −α≥ ntTR

01 : µ<µH )1(,: −α−≤ ntTR

01 :: µ≠µH )1(2/ , || : −α≥ ntTR

Proporsi (π)

01 : π>πH

n

Xp = , atau

npq

pT

/0π−

=

α≥ tTR :

01 : π<πH α−≤ tTR :

01 :: π≠πH )1(,2/ || : −α≥ ntTR

Catatan:

1. Jika standar deviasi populasi (σ) diketahui, prosedur pengujian di atas dikerjakan sama sperti pada a di atas.

Page 60: Modul Spss Print

Modul SPSS

59

2. Sebagai rule of thumb, ukuran sampel kecil berlaku untuk .30≤n

6.6 Pengujian Hipotesis Rata-rata Dua buah Populasi Banyak penelitian yang memerlukan perbandingan antara dua keadaan

atau tepatnya dua populasi. Misalnya membandingkan dua cara mengajar, dua cara produksi, dua cara kepempimpinan dll. Dalam hal ini, populasi 1 dipandang sebagai kumpulan dari semua respons yang mungkin diperoleh dari hasil pemberian treatment A, sedangkan populasi 2. dari treatment B.

Dengan demikian desain dua sample independen menghasilkan dua sampel yang tidak memiliki hubungan (independen) satu sama lain, seperti nampak berikut ini:

Dua Sample Independen

Dalam keadaan lain, populasi mungkin terdiri dari unit-unit yang

dikelompokkan oleh karakteristik yang berbeda, seperti study mengenai dampak krisis moneter terhadap kinerja industri, apakah industri berbasis bahan lokal lebih baik dibanding dengan yang berbasis bahan impor. Dalam hal ini masalah treatment mana diberikan kedalam kelompok mana tidak ada. Populasi 1 dan 2 sudah terbentuk dengan sendirinya dan peneliti hanya mengamati bagaimana kinerja industri-industri tersampel dari masing-masing populasinya.

Melalui desain dua sample independen diperoleh data dan ringkasan statistik untuk masing-masing sampel sebagai berikut:

Struktur data pengamatan

Sampel Ringkasan statistik

1,,, 21 nXXX K

dari populasi 1 ∑

=

=1

11

1 n

iiX

nX

1

)(

1

1

2

2

1

−=∑

=

n

XX

S

n

i

i

X

2,, 21 nYYY K

dari populasi 2 ∑

=

=2

12

1 n

iiY

nY

1

)(

2

1

2

2

2

−=∑

=

n

YY

S

n

i

i

Y

Populasi 1

Populasi 2

Sampel 1

Sampel 2

Page 61: Modul Spss Print

Modul SPSS

60

Untuk keperluan pengujian hipotesis rata-rata dua populasi yang independent dilakukan langkah-langkah sbb :

1. Rumuskan 10 dan HH .

Uji dua pihak

H0 : µ1 = µ2

H1 : µ1 ≠ µ2 Uji Satu pihak kana

H0 : µ1 = µ2

H1 : µ1 > µ2

Uji Satu pihak Kiri

H0 : µ1 = µ2

H1 : µ1 < µ2 2. Tetapkan Test statistic dan bentuk Rejection region.

a) Untuk σσσ == 21 dan σ diketahui pergunakan

statistik uji Z sbb:

21

21

11

nns

xxt

g +

−=

2nn

s)1n(s)1n(s

21

222

211

g −+−+−

=

Dimana

1x = Rata-rata sampel yang diambil dari populasi 1

2x = Rata-rata sampel yang diambil dari populasi 2

s21 = Varians dari sampel 1 s22 = Varians dari sampel 2 sg = Simpangan baku gabungan n1 = Banyaknya sampel yang diambil dari populasi 1 n2 = Banyaknya sampel yang diambil dari populasi 2

b) Untuk 222

21 σσσ == tetapi σ tidak diketahui pergunakan

statistik uji t sbb

2

22

1

21

21

n

s

n

s

xxt

+

−=

Dimana

1x = Rata-rata sampel yang diambil dari populasi 1

2x = Rata-rata sampel yang diambil dari populasi 2

s21 = Varians dari sampel 1

Page 62: Modul Spss Print

Modul SPSS

61

s22 = Varians dari sampel 2 n1 = Banyaknya sampel yang diambil dari populasi 1

n 2 = Banyaknya sampel yang diambil dari populasi 2

3. Untuk α yang ditetapkan tentukan rejection region.

3. Uji Dua Pihak Terima hipotesis nol jika : P-value (Sig.) > α Tolak hipotesis nol jika : P-value (Sig.) ≤ α

4. Uji Satu Pihak Terima hipotesis nol jika : P-value (Sig.) > 2α Tolak hipotesis nol jika : P-value (Sig.) ≤ 2α

4. Hitung nilai test statistic dari data. 5. Buat kesimpulan: Nyatakan, untuk level of significance α yang

ditetapkan, apakah 0H ditolak atau dipertahankan. Sesuai dengan

masalahnya buat interpretasi dari keputusan, juga hitung P-value dan berdasarkan nilainya perkuat kesimpulan yang diperoleh.

Praktikum 6.2

Dua macam makanan A dan B diberikan kepada ayam secara terpisah untuk jangka waktu tertentu. Ingin diketahui macam makan yang mana yang lebih baik untuk meningkatkan berat badan ayam. Sampel acak yang terdiri atasa 11 ayam diberikan manakan A dan 10 ayam diberikan makanan B. Pertambahan berat badan ayam (dalam ons ) dari hasil percobaan sebagai berikut :

Tabel 6.4 Petambahan Berat Badan Ayam (0ns)

Nomor Sampel

1 2 3 4 5 6 7 8 9 10 11

Makanan A 3,1 3,0 3,3 2,9 2,6 3,0 3,6 2,7 3,8 4,0 3,4

Makanan B 2,7 2,9 3,4 3,2 3,3 2,9 3,0 3,0 2,6 3,7 Denga tingkat signifikansi sebesar α = 0,05, tentukan apakah kedua macam makanan itu memberikan pengaruh yang sama atau tidak terhadap pertambahan berat badan ayam. Penyelesaian :

Kasus di atas merupakan kasus pengujian rata-rata dua buah populasi dengan σ tidak diketahui dengan rumusan hipotesisnya sbb:

H0 : µ1 = µ2 Kedua macam makanan memberikan efek yang sama

H1 : µ1 ≠ µ2 Kedua macam makanan memberikan efek yang berbeda

Page 63: Modul Spss Print

Modul SPSS

62

Penyelesaian dengan menggunakan SPSS sbb: 1. Buka lembar kerja baru 2. Masukkan data dimana kolom pertama adalah pertambahan

berat badan ayam ”bb_ayam” kemudian kolom kedua kodinga macam makanan ”makanan” 1 = Makanan A, 2 =Makanan B

3. Smpan dengan nama file : Lat. BB Ayam 4. Lakukan penamaan variabel : Konsumsi 5. Tekan menu Analyze → Compare Means → Independent Sample T

Test 6. Masukkan variabel bb_ayam ke Test Variabel(s) 7. Masukkan variabel makanan ke Difine Groups

8. Klic Define Groups Masukkan 1 dan 2

9. Klic Continue kemudia Klik OK

The image cannot be displayed. Your computer may not have enough memory to open the image, or the image may have been corrupted. Restart your computer, and then open the file again. If the red x still appears, you may have to delete the image and then insert it again.

Page 64: Modul Spss Print

Modul SPSS

63

Ouput T-Test

Analisis Dari tabel di atas terlihat bahwa banyaknya sampel untuk perlakuan A adalah 11 dan perlakuan B adalah 10. dimana rata-rata dari perlakuan A yaitu pertambahan berat badan ayam setelah diberi makanan macam A sebesar 3,2182 ons dengan simpangan baku sebear 0,44681 dan standar error sebesar 0,13472. Sedangkan untuk ayam yang diberi makanan macam B memiliki rata-rata pertambahan berat badan lebih kecil yaitu hanya sebesar 3,070 dengan simpangan baku sebesar 0,33350 dan standar error 0,10546. Dilihat dari variasi pertambahan berat badan, terlihat bahwa makanan macam B memberikan efek yang relatif lebih sama terhadap setiap ayam dibandingkan dengan makanan A.

Dari hasil perhitungan dengan SPSS diperoleh nilai F hitung sebesar 1,226 dengan singnifikansi (p-value) sebesar 0,282. Nilai ini jauh lebih besar dibandingkan tingkat signifikansi yang ditetapkan yaitu 0,05 sehingga dapat disimpulkan dengan tingkat signifikansi 5% variansi kedua populasi relatif homogen. Dengan adanya hasil ini, maka statistik uji yang digunakan adalah statistik uji t dengan kondisi varians kedua populasi relatif homogen dan tidak diketahui. Dari hasil perhitungan dengan statistik uji t dimana kondisinya adalah varians kedua populasi relatif homogen dan tidak diketahui, diperoleh nilai t hitung sebesar 0,854 dengan tingkat signifikansi (p value) sebesar 0,404. Nilai ini jauh lebih bersar dari tingkat signifikansi yang ditetapkan sebesar 0,05 sehingga hipotesis Nol diterima dalam artian tidak terdapat perbedaan efek makanan macam A dan B terhadap pertambahan berat badan ayam.

6.7 Pengujian Hipotesis Rata-rata Dua buah Populasi Dependent

Dalam kasus ini, sampel terdiri dari n pasang unit dan setiap unit

dalam sebuah pasangan mempunyai banyak kesamaan dalam berbagai hal. sebuah pasangan harus diupayakan terdiri dari dua orang yang sama-sama kurus, atau keduanya laki-laki. Setelah pasangan terbentuk selanjutnya memilih salah satu anggota pasangan secara acak untuk diberi treatment A dan anggota lainnya diberi treatment B. Demikian dikerjakan untuk semua n pasangan. Secara keseluruhan, untuk n pasangan yang

Group Statistics

11 3,2182 ,44681 ,13472

10 3,0700 ,33350 ,10546

MAKANANMakanan A

Makanan B

Berat AyamN Mean Std. Deviation

Std. ErrorMean

Independent Samples Test

1,226 ,282 ,854 19 ,404 ,1482 ,17354 -,21505 ,51141

,866 18,354 ,398 ,1482 ,17109 -,21076 ,50713

Equal variancesassumed

Equal variancesnot assumed

Berat AyamF 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

Page 65: Modul Spss Print

Modul SPSS

64

dibentuk, salah satu hasil penetapan secara random treatment terhadap tiap unit dalam pasangan mungkin nampak sebagai berikut:

Dua Sampel Berpasangan

Matched pair

Experimental Units

1 A B 2 A B 3 B A

M M M n B A

Dalam matched pair design, respons dari sebuah unit eksperimen dipengaruhi oleh:

1. Kondisi yang berlaku dalam blok (pasang), 2. Effek treatment.

Kondisi yang berlaku dalam tiap pasang akan memberi kontribusi yang sama kepada masing-masing unit dalam pasangan tersebut, apabila unit pertama mendapat kontribusi positip maka demikian pula dengan unit keduanya.

Sehingga untuk menghapus effek blok, respons dari unit-unit observasi dalam tiap pasang dikurangkan satu sama lain. Beda-beda respons dalam tiap pasang memungkinkan telaahan mengenai effek treatment yang bebas dari sumber-sumber variasi yang tidak diharapkan.

Memperhitungkan pertimbangan di atas, struktur data dalam sebuah perbandingan berpasangan nampak sebagai berikut. Dalam tampilan ini X menyatakan respons terhadap treatment A sedangkan Y terhadap treatment B. Beda respons untuk tiap pasang dicatat dalam kolom terakhir Struktur data pengamatan dua sampel berpasangan

Pasangan Treatment A Treatment B Beda 1

X1 Y1

D1 = X1 – Y1

2 X2 Y2

D2 = X2 – Y2

M M M M

n Xn Yn

Dn = Xn – Yn

Beda-beda D1, D2, …, Dn merupakan sebuah sample acak dengan ringkasan statistik (rerata dan varians sampel)

1

)( , 1

2

2

1 −

−==∑

∑ =

= n

DDSDD

n

ii

D

n

ii

Untuk keperluan pengujian hipotesis rata-rata dua populasi yang independent (dua sample berpasangan) dilakukan langkah-langkah sbb :

1. Rumuskan 10 dan HH .

Page 66: Modul Spss Print

Modul SPSS

65

Uji dua pihak

H0 : 0δδ =

H1 : 0δδ ≠

Uji Satu pihak kanan

H0 : 0δδ =

H1 : 0δδ >

Uji Satu pihak Kiri

H0 : 0δδ =

H1 : 0δδ <

2. Tetapkan Test statistic dan bentuk Rejection region.

ns

Bt

B /=

dimana :

B = Perbedaan rata-rata sampel sB = Simpangan baku data sampel n = Banykanya sampel

3. Untuk α yang ditetapkan tentukan rejection region. 5. Uji Dua Pihak

Terima hipotesis nol jika : P-value (Sig.) > α Tolak hipotesis nol jika : P-value (Sig.) ≤ α

6. Uji Satu Pihak Terima hipotesis nol jika : P-value (Sig.) > 2α Tolak hipotesis nol jika : P-value (Sig.) ≤ 2α

4. Hitung nilai test statistic dari data. 5. Buat kesimpulan: Nyatakan, untuk level of significance α yang

ditetapkan, apakah 0H ditolak atau dipertahankan. Sesuai dengan

masalahnya buat interpretasi dari keputusan, juga hitung P-value dan berdasarkan nilainya perkuat kesimpulan yang diperoleh.

Page 67: Modul Spss Print

Modul SPSS

66

Praktikum 6.3

Sebuah perusahaan parmasi membuat obat penurun berat badan. Untuk mengetahui apakah obat berat badan ini memberikan efek terhadap berat badan, maka dilakukan penelitian dengan mengambil sampel acak sebanyak 10 orang ibu rumah tangga dengan kondisi fisik yang relatif sama. Kemudian berat badan sebalum dan sesudan minum obat tersebut ditimbang dengan data sebagai berikut :

Tabel 6.5 Berat Badan Sebelum dan Sesudah Konsumsi

Obat Penurun Berat Badan (Kg)

No. Resp Sebelum Sesudah

1 76,85 76,22

2 77,95 77,89

3 78,65 79,02

4 79,25 80,21

5 82,65 82,65

6 88,15 82,53

7 92,54 92,56

8 96,25 92,33

9 84,56 85,12

10 88,25 84,56 Lakukan pengujian apakah terhadap perbedaan Berat badan sebelum dan sesudah tidak berbeda setelah mengkonsumsi Obat penurun berat badan dengan tingkat signifikansi sebesar 5%. Penyelesaian : Kasus di atas merupakan kasus pengujian rata-rata dua buah populasi dependent ( Uji Dua Sampel Berpasangan) dengan σ tidak diketahui dengan rumusan hipotesisnya sbb:

H0 : 0=δ Berat badan sebelum dan sesudah tidak berbeda setelah mengkonsumsi Obat penurun berat badan

H1 : 0≠δ Berat badan sebelum dan sesudah berbeda setelah mengkonsumsi Obat penurun berat badan

Penyelesaian dengan menggunakan SPSS sbb:

Langkah-langkahnya : 1. Buka lembar kerja baru 2. Masukkan data dimana kolom pertama adalah BB sebelum dan kedua

BB sesudah 3. Simpan dengan nama file : Lat. Obat BB

4. Tekan menu Analyze → Compare Means → Paired Samples T Test 5. Masukkan variabel sebelum dan sesudah ke Paired Variabel(s)

Page 68: Modul Spss Print

Modul SPSS

67

6. Klic Continue kemudia Klic OK

Ouput T-Test

Tabel di atas menunjukkan statistik deskriptif dari masing-masing variabel.

Tabel di atas ini menunjukkan hasil koefisien korelasi beserta pengujiannya. Koefisien korlasi yang digunakan adalah koefisien korelasi pearson.

Paired Samples Statistics

84,5100 10 6,63931 2,09953

83,3090 10 5,58235 1,76530

Sebelum

Sesudah

Pair1

Mean N Std. DeviationStd. Error

Mean

Paired Samples Correlations

10 ,943 ,000Sebelum & SesudahPair 1N Correlation Sig.

Paired Samples Test

1,201 2,30738 ,72966 -,4496 2,8516 1,646 9 ,134Sebelum - Sesudah

Pair1

Mean Std. DeviationStd. Error

Mean Lower Upper

95% ConfidenceInterval of the

Difference

Paired Differences

t dfSig.

(2-tailed)

Page 69: Modul Spss Print

Modul SPSS

68

Analisis Dari hasil perhitungan diperoleh nilai t hitung sebear 1,646 dengan tingkat

signifikansi sebear 0,134. Nilai signifikansi ini jika dibandingkan dengan nilai α sebesar 5% jauh lebih besar sehingga disimpulkan H0 diterima dalam artian tidak ada perbedaan signifikan dari rata-rata berat badan ibu rumah tangga sebelum dan sesudah mengkonsumsi obat penurun berat badan.

Page 70: Modul Spss Print

Modul SPSS

69

BAB VII ANALISIS REGRESI DAN KORELASI 6.8 Pendahuluan

Dalam penelitian yang bertujuan untuk menunjukkan adanya suatu hubungan antar variabel, seorang peneliti membutuhkan suatu alat statistik untuk menunjukan pola hubungan antar variabel tersebut. Alat tersebut adalah analisis regresi. Namun analisis regersi cuma membantu peneliti dalam menunjukkan pola hubungan antar variabel. Analisi regresi tidak dapat membantu peneliti dalam menunjukkan seberapa besar atau seberapa eratkah hubungan antar variabel tersebut.

Disinilah diperlukan alat yang lain untuk dapat membantu peneliti dalam memecahkan persoalan seberapa eratkah hubungan antar variabel tersebut. Alat statistik yang dapat digunakan untuk menunjukan eratnya hubungan antara variabel tersebut dinamakan analisis korelasi. Sedangkan hubungannya dianamakan dengan korelasi untuk data yang bersifat kuantitatif sedangkan untuk data yang sifatnya kualitatif eratnya hubungan ini dinamakan dengan derajat disosiasi . Untuk menunjukkan kuatnya hubungan yang terjadi antar dua variabel tersebut disebut dengan koefisien korelasi. Dalam analisis korelasi kita tidak perlu tahu yang mana variabel independen ataupun variabel dependen. 6.9 Regresi Linier Sederhana

Persamaan garis xxy 10| ββµ += disebut sebagai regresi linier. Dalam

model regresi ini terlibat dua parameter, yaitu 10 dan ββ , yang tidak

diketahui. Regresi ini dibentuk sebagai suatu upaya untuk menyatakan bagian sistematis (signal) dalam variabel respons y yang dapat dijelaskan oleh variabel independen x. Dalam upaya ini, garis regresi linier yang dibentuk mungkin hanya merupakan sebuah aproksimasi dari hubungan sebenarnya antara y dan x karena hubungan yang sesungguhnya tidak diketahui atau bahkan mungkin bahwa hubungannya adalah nonlinier. Kemudian sebagaimana disadari bahwa sesungguhnya ada banyak variabel independen lain yang dapat menjelaskan variabel dependen atau respons, akan tetapi mengingat kurangnya pengetahuan mengenai fenomena yang dihadapi mereka tidak disertakan kedalam model regresinya. Semua kekurangan ini dalam model dinyatakan sebagai bagian error. Oleh karenanya sebuah pengamatan variabel respons dapat dinyatakan sebagai

exy ++= 10 ββ .

Model di atas merupakan sebuah model probabilistic mengingat adanya unsur kerandoman (uncertainty) dalam error yang disebabkan oleh banyak hal diluar kendali. Selain itu model juga tergolong kedalam model linier karena hanya melibatkan parameter dalam bentuk linier, berpangkat satu. Dalam pengertian ini maka model dengan perumusan

Page 71: Modul Spss Print

Modul SPSS

70

exxy +++= 2210 βββ

juga merupakan model linier. Sesuai dengan pemahaman fenomena yang dihadapi, model yang diusulkan mungkin bentuknya tidak linier dalam parameter, seperti model pertumbuhan Gompertz bagian systematisnya berbentuk :

)exp( xy βγα −=

Lebih lanjut apabila dalam model linier hanya melibatkan sebuah variabel independen maka modelnya disebut sebagai model regresi linier sederhana. Seperti dikemukakan sebelumnya, sumber kerandoman dalam model regresi adalah error, e. Untuk keperluan inferensi, dalam regresi diterapkan assumsi mengenai error ini, yaitu

1. Error berdistribusi normal dengan rerata 0 dan varians σ2 , ditulis

),0(~ 2σNe ,

2. Error tidak berkorelasi satu sama lain. Akibat dari assumsi ini maka variabel respons y juga berdistribusi normal dengan rerata, untuk sebuah x tertentu,

x

xyE xy

10

|)|(

ββµ

+==

. . . (7.1)

dan varians σ2. Secara visual, assumsi ini menghasilkan suatu keadaan seperti nampak dalam gambar berikut:

x

y

xxy 10| ββµ +=

Error

Page 72: Modul Spss Print

Modul SPSS

71

Dalam regresi setiap unit pengamatan dikenai dua pengukuran, yaitu mengenai x dan y yang membentuk pasangan (x, y). Dari sampel yang terdiri dari n unit pengamatan akan diperoleh n buah pasangan data, (xi , yi ), i = 1, 2, . . . n, seperti ditampilkan dalam tabel berikut :

Tabel 1 Pasangan data pengamatan dalam regresi dari n unit pengamatan

Unit x y

1 1x 1y

2 2x 2y

M M M

n nx ny

Keadaan masing-masing variabel dicerminkan melalui besaran rerata dan standar deviasi, rerata dan standar deviasi untuk x

∑=

=n

iix

nx

1

1 dan ∑

=

−−

=n

iix xx

ns

1

2)(1

1

rerata dan standar deviasi untuk y

∑=

=n

iiy

ny

1

1 dan ∑

=

−−

=n

iiy yy

ns

1

2)(1

1.

Untuk keperluan pembahasan selanjutnya diperlukan besaran – besaran yang melibatkan jumlah kuadrat masing-masing variabel juga jumlah perkalian antar variabel. Masing-masing besaran ini didefinisikan sebagai berikut: 1. Jumlah kuadrat x, SSx

2

1

2 xnxSSn

iix −=∑

=

2. Jumlah kuadrat y, SSy

2

1

2 ynySSn

iiy −=∑

=

3. Jumlah perkalian xy, SSxy

yxnyxSSn

iiixy −= ∑

=1

Kemudian untuk melihat bagaimana hubungan antara x dan y, data di plot dalam suatu diagram pencar. Diagram ini memperlihatkan bagaimana pergerakan pencaran titik, apakah x yang membesar diikuti oleh y membesar atau sebaliknya, atau y tidak menampakan adanya suatu pergerakan. Pergerakan data dalam arah yang sama, x membesar diikuti oleh y membesar membentuk suatu hubungan positif.

Page 73: Modul Spss Print

Modul SPSS

72

Gambar 1 Plot pencaran data Sedangkan pergerakan y dalam arah yang berbeda dari x membentuk suatu hubungan negatif. Kedua bentuk hubungan ini masing-masing diperlihatkan dalam Gambar 1a dan 1b. Apabila y tidak menampakan adanya pergerakan dengan trend yang jelas maka x dan y tidak memiliki hubungan, Gambar 1c. Ringkasan mengenai hubungan antara x dan y diberikan oleh sebuah persamaan garis

xbby 10ˆ += , . . . (7.2)

merupakan garis regresi sampel. Disebut demikian karena dibentuk berdasarkan sampel data dan dipergunakan sebagai penaksir dari garis regresi populasi dalam Persamaan (7.1). Dalam Persamaan (7.2) digunakan notasi y untuk menyatakan sebuah fitted value, yaitu sebuah nilai dari

regresi sampel ketika variabel independen x mempunyai nilai tertentu. Nilai ini menjadi taksiran bagi rerata y untuk x tertentu, xy|µ .

Sebuah ringkasan lain yang erat hubungannya dengan ringkasan di atas adalah ringkasan numerik mengenai keeratan hubungan linier antara x dan y. Ringkasan ini disebut koefisien korelasi rxy, atau ditulis singkat r apabila telah jelas variabel yang dimaksud,

yx

xy

SSSS

Sr = .

Koefisien korelasi nilainya antara –1 dan +1,

11 +≤≤− r

y

x

y

x

a) Hubungan positif b) Hubungan negatif

y

x

c) Tidak ada hubungan

Page 74: Modul Spss Print

Modul SPSS

73

dengan arti:

r = -1 diartikan sebagai suatu hubungan negatif sempurna, r = +1 diartikan sebagai suatu hubungan positif sempurna, r = 0 diartikan sebagai tidak ada hubungan.

Sebuah nilai diantara ekstrim ini menjadi suatu indikasi mengenai derajat hubungan linier diantara keduanya. Semakin besar semakin kuat hubungan linier antara keduanya, negatif atau positif. Dalam beberapa gambar berikut diperlihatkan keadaan hubungan sempurna dan hubungan dengan korelasi nol. Hubungan sempurna diperlihatkan dalam Gambar 2a dan 2b, titik terletak tepat pada garisnya. Sedangkan dalam Gambar 2c suatu keadaan dengan korelasi nol, tidak ada hubungan linier. Titik bergerak mendatar, tidak memperlihatkan adanya kovariasi antara x dan y. Dalam Gambar 2d nilai korelasi nol karena hubungan yang ada tidak linier.

Gambar 2 Hubungan Sempurna dan Nonlinier

Penaksiran Parameter

Persamaan garis (7.2) menjadi ringkasan untuk n pasang data dalam pengertian bahwa cukup dua nilai 10 dan bb untuk mewakili n pasang data.

Berdasarkan dua nilai ini, nilai – nilai y dapat direkonstruksi melalui

regresi sampel (7.2). Persoalannya seberapa baik kedua nilai ini dapat mewakili keadaan yang ada ? Sehubungan dengan pertanyaan di atas, dalam masing-masing gambar di atas diperlihatkan garis regresi yang dipandang paling mewakili pencaran data. Perlu diingat bahwa hubungan yang ada dalam sampel data, dalam konteks analisi regresi linier, dipandang sebagai sebuah realisasi dari

a) Hubungan positif

y

x

b) Hubungan negatif sempurna

y

x

c) Tidak ada hubungan linier

y

x

y

x

d) Hubungan nonlinier r = 0

Page 75: Modul Spss Print

Modul SPSS

74

suatu hubungan linier yang ada dalam populasinya dengan model hubungan

xxy 10| ββµ +=

atau exy ++= 10 ββ .

Parameter – parameter β0 dan β1 dalam regresi umumnya tidak diketahui, oleh karenanya error juga tidak diketahui. Sehingga persoalan mengenai keterwakilan regresi populasi oleh regresi sampel diukur oleh besarnya residu yang terjadi, yaitu beda antara pengamatan (y) dengan fitted value (y ). Residu ini dipandang sebagai penaksir error yang tidak diketahui, dan

karenanya dituliskan sebagai e. Jadi residu untuk pengamatan ke i adalah

iii yye ˆˆ −= ,

dengan

ii xbby 10ˆ += , i = 1, 2, . . . , n.

Melalui residu ini, persoalan keterwakilan sekarang dapat dinyatakan sebagai pencarian nilai-nilai b0 dan b1 sedemikian sehingga residu yang terjadi sebagai akibat penaksiran parameter regresi adalah sekecil-kecilnya. Keinginan ini dirumuskan menjadi sebuah kriteria yang umum dipakai dalam regresi, yaitu kriteria minimum jumlah kuadrat residu (least squares). Mengikuti prinsip least squares maka b0 dan b1 diperoleh sebagai solusi dari sistem persamaan normal berikut :

∑∑∑

∑∑

===

==

+=

+=n

ii

n

ii

n

iii

n

ii

n

ii

xbxbyx

xbnby

1

21

10

1

110

1 . . . (7.3)

Perhitungan manual memerlukan besaran-besaran seperti dalam Persamaan (7.3). Untuk itu tabel data pengamatan dapat dilengkapi oleh kolom-kolom yang diperlukan, selengkapnya tabel data pengamatan menjadi

Tabel 2 Perhitungan penaksir bo dan b1

Unit x y xy x2

1 1x 1y 1x 1y 21x

2 2x 2y 2x 2y 22x

M M M M M

n nx ny nx ny 2nx

Pengujian Koefisien Regresi Linier Sederhana

Dalam pembahasan sebelumnya tidak dipermasalahkan apakah koefisien regresi besarnya nol atau tidak. Jika koefisien regresi β1 besarnya nol maka keberadaan variabel explanatory x dalam model menjadi tidak berguna dalam menjelaskan variabel respons y.

Page 76: Modul Spss Print

Modul SPSS

75

Tentunya, ketika model dibuat, keterlibatan x dalam menjelaskan y sudah mendapat pertimbangan dari sisi substansi permasalahan yang diteliti, dan kebenaran tentang pikiran ini ingin diuji melalui data sampel. Akan tetapi dalam keadaan lain mungkin sebuah study dikerjakan dengan tujuan untuk mengetahui apakah x dapat menjelaskan y. Kedua hal ini mengarahkan pada sebuah masalah mengenai pengujian signifikansi perbedaan nilai koefisien regresi β1 dari nol.

Pengujian kemaknaan koefisien regresi β1 dirumuskan dalam hipothesis berikut:

0:

0:

11

10

≠=

ββ

H

H

Hipothesis nol, H0 , menyatakan bahwa koefisien regresi β1 adalah nol nilainya, sedangkan dalam hipothesis alternatif H1, β1 tidak nol. Perumusan mengenai koefisien regresi dalam hipothesis alternatif mungkin ditetapkan dalam arah tertentu, seperti positif atau negatif, sesuai dengan hubungan yang diduganya, apakah positif atau negatif. Pernyataan dalam hipothesis nol menyatakan bahwa persamaan regresinya adalah

ey += 0β ,

sedangkan dalam hipothesis alternatif persamaannya adalah exy ++= 10 ββ .

Model dibawah hipothesis nol disebut sebagai model sederhana (reduced) sedangkan dibawah alternatif disebut sebagai model lengkap (full). Sehingga persoalan pengujian ekivalen dengan memilih model mana yang didukung oleh data, reduced atau full model. Informasi tentang koefisien β1 ada dalam penaksirnya, yaitu b1. Oleh karenanya pengujian mengenai β1 dikerjakan melalui b1. Untuk keperluan pengujian diperlukan pengetahuan mengenai bagaimana distribusi peluang b1. Dibawah assumsi mengenai error, ternyata bahwa b1 berdistribusi

normal dengan rerata sama dengan β1 dan varians sama dengan xSS/2σ ,

jadi

xSSNb

2

11 ,~σβ .

Sehingga pengujian hipothesis (1) dapat dikerjakan memakai statistik

)( 1

1

bse

bt = ,

dengan kriteria penolakan hipothesis nol, pada taraf signifikansi α, tolak H0 jika :

)2(,2

−≥

ntt α atau

)2(,2

−−≤

ntt α .

Nilai kritis )2(,

2−n

tα merupakan persentil ke α/2 dari tabel distribusi student t

dengan degree of freedom (n-2). Penyebut dalam statistik t, yaitu se(b1), merupakan taksiran standar error dari b1,

Page 77: Modul Spss Print

Modul SPSS

76

xSS

Sbse =)( 1 .

Signifikansi pengujian bisa dikerjakan memakai nilai p (p – value) yang biasanya disertakan dalam output komputer. Memakai nilai p, penolakan hipothesis nol terjadi jika

α≤p .

Analisis Varians

Untuk sebuah model regresi linier sederhana, yang hanya melibatkan sebuah x, pernyataan ini dirumuskan dalam hipothesis

exyH

eyH

++=+=

101

00

:

:

βββ

Bentuk hipothesis di atas ekivalen dengan hipothesis

0:

0:

11

10

≠=

ββ

H

H

yaitu pengujian mengenai keberadaan x dalam model. Jadi dalam pengujian ini dibentuk sebuah statistik yang merupakan ratio dari rerata jumlah kuadrat regresi terhadap rerata jumlah kuadrat residu

)2/()1(

1/2

2

−−=

nR

RF

Dengan

=

=

−=

n

ii

n

ii

yy

yyR

1

2

1

2

2

)(

)ˆ(

dengan keputusan penolakan hipothesis mengacu kepada nilai p dalam kolom Nilai-p. Jika nilai p ≤ 0.05 tolak H0.

Koefisien Determinasi Setelah menghitung nilai korelasi dan menguji signifikansinya dan asilnya signifikan, kita selanjutnya perlu menentukan koefisien determinasi karena sebenarnya melihat keratan hubungan antara variabel X dengan variabel Y kurang baik kalau dilihat dari nilai ryx, karena Nilai ryx hanya menyatakan erat tidak hubungannya tanpa menjelaskan seberapa besar persentase perubahan pada Y yang diterangkan oleh X melalui hubungan linier antara X dan Y dan hal ini dapat dijelaskan oleh koefisien determinasi. Rumus

KD = r2yx100%

Page 78: Modul Spss Print

Modul SPSS

77

Koefisien Determinasi menyatakan seberapa besar pengaruh dari vaiabel X terhadap variabel Y melalui hubungan liniernya. Atau seberapa beasar persentase perubahan-perubahan pada variabel Y dapat dijelaskan oleh variabel X melalui hubungan liniernya. Praktikum 7.1 Pihak kepolisian Indonesia ingin mengetahui apakah ada hubungan signifikan antara jumlah kendaraan roda empat dan banyaknya kasus tilang di Indonesia . Di bawah ini disajikan data jumlah kendaraan roda empat dan banyaknya tilang di sepuluh kota di Indonesia yang dipilih secara acak.

Tabel 7.1 Data Jumlah Tilang dan Jumlah Kendaraan

No. Kota Besar

Jumlah Tilang

Jumlah Kendaran Bermotor

1 20 250 2 24 280 3 25 300 4 18 201 5 15 200 6 18 150 7 20 220 8 21 212 9 22 200 10 16 180

Penyelesaian Selanjutnya setelah diketahui hubungan antara jumlah mobil dengan jumlah tilang adalah kuat, selanjutnya ingin dilakukan pemodelan hubungan tersebut sehingga dapat dilakukan peramalan rata-rata jumlah tilang jika diketahui jumlah mobil dengan pasti. Hipotesis : H0 : β1 = 0 Tidak ada hubungan linier antara jumlah mobil dengan tilang H1 : β1 ≠ 0 Ada hubungan linier antara jumlah mobil dengan tilang Statistik Uji

• Overall

(k;n k 1)RJK Reg

FRJK Res− − =

• Individual

xxE

1hitung

S/MS

ˆt

β=

Page 79: Modul Spss Print

Modul SPSS

78

1. Buka lembar kerja baru 2. Masukkan data dimana kolom pertama adalah tilang (Y)

kemudian kolom kedua adalah mobil (X) 3. Simpan dengan nama file : Tilang 4. Tekan menu Analyze → Regression → Linear 5. Masukkan Tilang ke Dependent Variables dan Mobil ke

Independet Variables

6. Klick Ok

Output Regression

Tabel di atas menunjukkan variabel independen yang dimasukkan dalam model regresi linier sederhana.

Tabel di atas menunjukkan koefisien korelasi (R), koefisien determinasi (R Square). Koefisien determinasi sebesar 0,600 menunjukkan

Variables Entered/Removedb

Mobila . EnterModel1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: Tilangb.

Model Summaryb

,774a ,600 ,550 2,17949Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), Mobila.

Dependent Variable: Tilangb.

Page 80: Modul Spss Print

Modul SPSS

79

bahwa sebesar 60% variansi dari jumlah tilang dapat dijelaskan oleh jumlah kendaraan.

Tabel di atas menunjukkan hasil perhitungan analisis varian dimana diperoleh nilai Fhitung sebesar 11.978 dengan tingkat signifikansi sebsar 0,009. Jika dibandingkan dengan nilai signifikansi yang ditetapkan sebsar 0,05, maka hipotesis nol ditolak dan hipotesis alternatif diterima dengan arti bahwa terdapat hubungan linier antara jumlah mobil dan jumlah tilang.

Tabel di atas menunjukkan koefisien regresi, standar error koefisien regresi, koefisien regresi yang distandarkan dan nilai t hitung beserta tingkat signifikansinya. Dari tabel di atas dapat dibuat regresi taksirannya sebagai berikut :

Y 7,77 0,055X= +

Model diatas menunjukkan bahwa rata-rata jumlah tilang sebesar 7,77 , dan akan terdapat peningkatan jumlah tilang sebesar 5 jika ada peningkatan jumlah kendaraan sebanyak 100 kendaraan.

Selanjutnya hasil pengujian untuk β1 menunjukkan tingkat signifikansi sebesar 0,009. Nilai ini jauh lebih kecil dibandingkan nilai signifikansi yang ditetapkan sebesar 0,05 sehingga dapat disimpulkan ada hubungan signifikan antara jumlah kendaran dengan banyaknya tilang. 7.2 Analisis Korelasi

Dalam analisis regresi dianggap terdapat hubungan diantara variabel dependen dengan independen. Oleh karenanya, sebelum analisis regresi

ANOVAb

56,899 1 56,899 11,978 ,009a

38,001 8 4,750

94,900 9

Regression

Residual

Total

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), Mobila.

Dependent Variable: Tilangb.

Coefficientsa

7,777 3,570 2,179 ,061

,055 ,016 ,774 3,461 ,009

(Constant)

Mobil

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: Tilanga.

Page 81: Modul Spss Print

Modul SPSS

80

dikerjakan perlu diperiksa apakah data memperlihatkan ada tidaknya hubungan. Fase pemeriksaan ini dikerjakan melalui analisis korelasi.

Melalui analisis korelasi diperoleh sejumlah informasi mengenai:

1. Apakah x dan y berhubungan ? 2. Berapa kuat keeratan hubungannya ?

Dari informasi yang diperoleh, peneliti kemudian bekerja lebih lanjut untuk

menelaah bentuk hubungannya melalui analisis regresi. Jadi analisis korelasi merupakan tahapan awal dalam eksplorasi hubungan.

Berbeda dengan analisis regresi, dalam korelasi tidak dibedakan peran dari variabelnya; mana independen dan dependen, jadi hubunganya dipandang sebagai simetris ( YX ↔ ) sedangkan dalam regresi asimetris

)( YX → . Selain perbedaan ini, korelasi merupakan sebuah indeks yang

bebas skala. Jadi perubahan dalam skala sebuah variabel tidak merubah korelasinya, hal ini tidak berlaku dalam regresi dan ini tercermin dari formula korelasi berikut:

−−=

∑∑

==

=

n

ii

n

ii

n

iii

yyxx

yyxxr

1

2

1

2

1

)()(

))((

Pengujian Koefisien Korelasi

Apabila dalam menghitung koefisien korelasi atas dasar sampel yang

berukuran n, maka setelah harga koefisien korelasi diketahui, kita belum boleh mengambil kesimpulan sebelum kita melakukan pengujian terhadap koefisien korelasinya apalagi langkah awal kita dalam analisis data adalah melakukan perhitungan korelasi sebelum analsisi regresi. Perumusan hipotesis untuk menguji koefisien korelasi adalah sbb:

H0: ρ = 0 tidak terdapat hubungan signifikan antara variabel X dengan variabel Y

H1: ρ ≠ 0 terdapat hubungan signifikan antara variabel X dengan variabel Y

Disini kita melakukan uji dua pihak karena kita hanya ingin tahu apakah ada hubungan signifikan dari variabel X terhadap variabel Y. Kita tidak berasumsi atau kita tidak mengetahui sebelumnnya hubungan ini adalah hubungan positif atau negatif. Kita hanya ingin mengetahui apakah ada hubungan yang signifikan antara Variabel X dengan Variabel Y

Statistik uji yang digunakan untuk menguji koefisien korelasi di atas adalah dengan menggunakan uji t sbb:

Page 82: Modul Spss Print

Modul SPSS

81

2r1

2nrt

−= derajat bebasnya = n-2

Kriteria pengujian :

Uji Dua Pihak Terima hipotesis nol jika :

P-value (Sig.) > α Tolak hipotesis nol jika :

P-value (Sig.) ≤ α Uji Satu Pihak Terima hipotesis nol jika :

P-value (Sig.) > 2α Tolak hipotesis nol jika :

P-value (Sig.) ≤ 2α Penafsiran Koefisien Korelasi menurut Gulford sbb:

1. 0 - <0.2 Hubungan yang sagat kecil dan bisa diabaikan Diangap tidak ada korelasi

2. ≥0.2 - < 0.4 Hubungan yang kecil / tidak erat

3. ≥0.4 - < 0.7 Hubungan yang moderat/ sedang

4. ≥0.7 - < 0.9 Hubungan yang erat

5. ≥0.9 - <1 Hubungan yang sangat erat Nilai korelasi bisa bertanda positif dan bisa juga bertanda negatif.

a) Tanda positif menujukkan adanya hubungan yang selaras atau searah antara variabel X dengan variabel Y ( dalam arti makin besar nilai variabel X semakin makin besar pula nilai variabel Y)

b) Tanda negatif menunjukkan adanya hubungan yang terbalik antara

variabel X dengan variabel Y ( dalam artian semakin besar nilai variabe X semakin kecil nilai variabel Y )

Page 83: Modul Spss Print

Modul SPSS

82

Praktikum 7.2 Dengan menggunakan data pada Praktikum 7.1 akan di uji koefisien korelasi sbb: H0 : ρ = 0 Tidak ada hubugan antara jumlah tilang dan mobil di

Indonesia

H1 : ρ ≠ 0 Ada hubugan antara jumlah tilang dan mobil di Indonesia Statistik Uji

2

r n 2t

(1 r )

−=−

Penyelesaian Langkah Kerja

10. Buka lembar kerja baru 11. Masukkan data dimana kolom pertama adalah tilang kemudian

kolom kedua adalah mobil 12. Simpan dengan nama file : Tilang

13. Tekan menu Analyze → Correlate → Bivariate 14. Masukkan Tilang dan Mobil ke Variables 15. Klick Pearson, Two-tailed dan Flag significant Correlation

16. Tekan OK

Page 84: Modul Spss Print

Modul SPSS

83

Output

Tabel di atas menunjukkan hasil perhitungan koefisien korelasi pearson. Hasil pehitungan menunjukkan koefisien korelasi sebesar 0,774. Hasil ini mencerminkan adanya hubugan yang kuat antara jumlah mobil dengan jumlah tilang. Penolakan dan Penerimaan Ho Dari hasil perhitungan terlihat bahwa nilai signifikansi 2 pihak

sebesar 0,009 jauh lebih kecil dibandingkan dengan nilai α (0,05) sehingga dapat disimpulkan adanya hubungan signifikan antara jumlah kendaraan dengan jumlah tilang.

Correlations

1 ,774**

. ,009

10 10

,774** 1

,009 .

10 10

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

Tilang

Mobil

Tilang Mobil

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

**.

Page 85: Modul Spss Print

Modul SPSS

84

BAB VIII ANALISIS TABEL KONTINGENSI DAN UJI KEBEBASAN 8.1 Pendahuluan Data kualitatif, selain data kuantitatif, merupakan salah satu bentuk data statistik yang sering dihadapi di lapangan. Dalam kenyataannya, istilah kualitatif di sini ditujukan kepada bentuk kategori atau bentuk lain yang bukan bilangan, sehingga data kualitatif ini sering juga disebut sebagai data kategorik. Sikap responden yang berhasil dicatat dalam bentuk: setuju, netral, atau tidak setuju merupakan salah satu contoh dari data kualitatif. Khusus untuk data yang mempunyai hanya dua kategori, seperti: sukses dan gagal, sehat atau sakit, hidup atau mati, disebut sebagai data biner. Data yang bersifat kualitatif atau kategorik ini biasanya dapat disajikan dalam bentuk tabel kontingensi. Tabel kontingensi ini merupakan bentuk khusus dari tabel baris kolom. Kekhususannya adalah bahwa tabel kontingensi diberi ukuran menurut banyaknya kategori dalam baris dan banyaknya kategori dalam kolom. Apabila kategori dalam baris ada b buah dan kategori dalam kolom ada k buah, maka tabel seperti ini disebut tabel kontingensi b x k. Yang paling sederhana adalah tabel kontingensi 2 x 2, artinya untuk masing-masing baris dan kolom mempunyai dua buah kategori. Data kualitatif yang dikumpulkan, dicatat menurut kategori yang dugunakan disertai banyaknya atau frekuensi yang diperoleh. Frekuensi untuk setiap kategori dinyatakan dalam bentuk bilangan. Tabel yang disajikan dalam tabel 4.1 terdiri atas b baris (dari b kategori untuk faktor I) dan k kolom (dari k kategori untuk faktor II) sehingga semuanya akan terdapat (b x k) buah sel. Sel yang dibentuk baris ke-i dan kolom ke-j, sel (i,j), mempunyai frekuensi pengamatan sebesar Oij jumlah frekuesi baris ke-i adalah Oi0 yang berarti Oi0= Oi1 + Oi2 + …+ Oik . Demikian juga jumlah frekuensi kolom ke-j diberi notasi O0j sehingga O0j = O1j + O2j + … + Obj

Faktor II (kolom) Jumlah

Kat 1 Kat 2 … Kat k

Faktor I (baris)

Kat 1 O11 O12 … O1k O1o

Kat 2 O21 O22 … O2k O2o

… … … … … Kat b Ob1 Ob2 … Obk Ob0

Jumlah Oo1 Oo2 … Ook N=Ooo

Pertanyaan yang sering muncul dalam analisis seperti ini adalah “apakah faktor (atau variabel) I yang terdiri dari beberapa kategori bergantung pada faktor II yang juga terdiri dari beberapa kategori ?”. Dengan kata lain kita akan menentukan apakah antara faktor I dan faktor II itu saling bebas atau tidak. Untuk menguji kebebasan antara dua faktor ini, dimana bentuk hipotesisnya adalah

H0 : faktor I dan faktor II saling bebas (independent), H1 : faktor I dan faktor II tdak saling bebas (dependent),

Page 86: Modul Spss Print

Modul SPSS

85

Dapat dilakukan dengan menggunakan statistik uji chi-kuadrat, dengan rumus hitung sebagai berikut:

∑∑= =

−=

b

i

k

j ij

ijij

E

EO

1 1

22 )(

χ

Dengan penjumlahan dilakukan terhadap semua (b x k) sel. Untuk dapat menghitung statistik uji di atas, maka terlebih dahulu kita perlu menghitung frekuensi harapan bagi setiap sel dalam tabel 4.1 di bawah asumsi bahwa H0 benar. Rumus umum untuk mendapatkan frekuensi harapan ini adalah:

oo

ojioij O

OOE

×=

Adapun kriteria uji dalam pengujian hipotesis di atas adalah bila χ 2 > χa 2 dengan derajat bebas v = (b-1)(k-1), maka tolak hipotesis H0 bahwa kedua faktor tersebut saling bebas pada taraf nyata α, bila dalam hal lainnya H0 diterima. Praktikum 8.1 Manajer pemasaran yang memproduksi kopi susu dalam kemasan kecil (sachet) merek CAFÉ ingin mengetahui bagaimana sikap konsumen terhadap produk perusahaan, serta bagaimana profil mereka. Untuk itu, 25 konsumen yang pernah mencicipi kopi susu CAFÉ diminta mengisi identitas mereka dan sikap mereka terhadap produk tersebut. Bagian pertama untuk kasus ini adalah penyajian data profil konsumen. Sedangkan sikap konsumen akan disajikan dalam kaitannya dengan pengukuran korelasi Spearman. Berikut adalah hasil data profil konsumen yang meliputi Pekerjaan, Pendidikan dan Gender . Data di sajikan sbb:

Kerja Didik Gender Kerja Didik Gender

Karyawan Akademi Pria Wiraswasta Sarjana Pria

Petani Sarjana Pria Wiraswasta Akademi Wanita

Wiraswasta SMA Wanita Karyawan Sarjana Pria

Petani SMA Wanita Petani SMA Wanita

Wiraswasta Akademi Wanita Karyawan Akademi Pria

Karyawan Sarjana Pria Karyawan SMA Wanita

Wiraswasta SMA Wanita Petani Akademi Pria

Wiraswasta SMA Pria Wiraswasta Sarjana Wanita

Petani Akademi Wanita Petani Sarjana Wanita

Page 87: Modul Spss Print

Modul SPSS

86

Petani Akademi Wanita Petani Sarjana Pria

Karyawan Sarjana Pria Karyawan SMA Pria

Karyawan Sarjana Pria Karyawan SMA Pria

Petani SMA Wanita Baris pertama menunjukkan konsumen pertama mempunyai pekerjaan karyawan dan ia seorang pria yang berpendidikan akademi. Demikian untuk data yang lainnya. Dalam SPSS, otomatis nomor urut konsumen (1 sampai 25) sudah ada, sehingga di sini ada tiga variabel saja. Peneliti ingin memeriksa apakah terdapat hubungan antara pekerjaan dengan gender dan pekerjaan dengan tingkat pendidikan. Penyelesaian Langkah-langkahnya

1. Buka lembar kerja baru 2. Mendefinisikan variabel

� Variabel pertama: Kerja. Variabel ini didefinisikan sebagai variabel Numeric dengan Width: 8 dan Decimal Places: 0.

� Variabel pertama: Kerja. Variabel ini didefinisikan sebagai variabel Numeric dengan Width: 8 dan Decimal Places: 0.

� Variabel pertama: Kerja. Variabel ini didefinisikan sebagai variabel Numeric dengan Width: 8 dan Decimal Places: 0.

3. Memasukkan data � Untuk mengisi kolom pertama, yaitu variabel kerja, letakan

pointer pada baris 1 kolom tersebut, lalu ketik menurun ke bawah sesuai data mengenai jenis pekerjaan dan subjek yang diamati. Adapun ketentuan untuk pemasukan data adalah sebagai berikut: 1 = karyawan, 2 = wiraswasta, dan 3 = petani.

� Untuk mengisi kolom pertama, yaitu variabel didik, letakan pointer pada baris 1 kolom tersebut, lalu ketik menurun ke bawah sesuai data mengenai tingkat pendidikan dari subjek yang diamati. Adapun ketentuan untuk pemasukan data adalah sebagai berikut: 1 = SMA, 2 = Akademi, dan 3 = Sarjana.

� Untuk mengisi kolom ketiga, yaitu variabel gender, letakan pointer pada baris 1 kolom tersebut, lalu ketikan angka 1 untuk menyatakan jenis kelamin pria, dan angka 2 untuk menyatakan jenis kelamin wanita.

4. Menyimpan Data Dari baris menu pilih menu file, kemudian pilih submenu Save as… beri nama file –untuk keseragaman- dengan crosstab1, dan tempatkan file pada direktori yang dikehendaki.

Di sini akan di bahas mengenai dua buah hubungan, yaitu hubungan antara Pekerjaan dengan Gender Konsumen, serta hubungan antara Pekerjaan dengan Tingkat Pendidikan Konsumen Tingkat Pendidikan Konsumen.

Langkah-langkahnya:

Page 88: Modul Spss Print

Modul SPSS

87

1. Buka lembar kerja file crosstab1 (dari baris menu pilih File, kemudian pilih submenu Open…) sesuai kasus di atas, atau jika sudah terbuka ikuti langkah berikut.

2. Dari baris menu pilih menu Analyze, kemudian pilih submenu Crosstabs…Tampak di layar:

Gambar 3.1 Kotak Dialog Crosstabs .

� Row atau variabel yang akan ditempatkan pada baris (row) –untuk keseragaman- akan ditempatkan variabel gender pada baris. Klik variabel Gender, kemudian klik tanda 8(yang sebelah atas). Maka variabel Gender akan berpindah ke Row.

� Colomn(s) atau variabel yang akan ditempatkan pada kolom (colomn). Untuk keseragaman, akan ditempatkan variabel Kerja pada kolom. Klik variabel Kerja, kemudian klik tanda8(yang sebelah atas). Maka variabel Kerja akan berpindah ke Colomn.

3. Klik pilihan Statistics…Tampak dilayar tampilan seperti Gambar 3.2

berikut:

Gambar 3.2 Kotak Dialog Crosstabs: Statistics

� Karena akan dilihat hubungan dua variabel –untuk keseragaman- hanya dipilih Chi Square. Kemudian klik Continue untuk melanjutkan pemasukan data.

Page 89: Modul Spss Print

Modul SPSS

88

4. Klik pilihan Cells…. Tampak dilayar:

Gambar 3.3 Kotak Dialog Crosstabs: Cells Display

� Pilihan Count untuk menampilkan hitungan Chi Square, apakah perlu disertakan nilai Expected (nilai yang diharapkan) selain nilai observed. Untuk keseragaman, pilih Observed dan Expected

� Pilihan Percentage untuk menampilkan perhitungan angka pada baris dan kolom dalam persen. Untuk kasus ini, biarkan saja kolom tersebut (tidak ada yang dipilih). Kolom Residual juga dibiarkan kosong. Kemudian klik Continue untuk melanjutkan pemasukan data.

5. Klik pilihan Format…. Tampak dilayar:

Gambar 3.4 Kotak Dialog Crosstabs: Table Format.

� Row Order atau penempatan nama variabel dalam baris, apakah menaik (dari kecil ke besar) ataukah Descending (dari besar kekecil). Untuk keseragaman, pilih Ascending.

� Klik Continue untuk melanjutkan pemasukan data.

Perhatikan variabel Didik yang tidak dimasukkan kedalam proses ini. Tidak semuavariabel harus dimasukkan kedalam perhitungan Chi Square. Namun variabel didik akan digunakan pada kasus berikutnya. Klik OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS melakukan pekerjaan analisis dan terlihat output SPSS.

Output Berikut adalah output dari test Crosstabs 1.

Page 90: Modul Spss Print

Modul SPSS

89

Analisis

Berikut ini akan diberikan analisis sesuai dengan output yang diberikan oleh SPSS, yaitu: case Processing Summary, Crosstabulation, dan Chi Square Test.

Case Processing Ada 25 data yang semuanya diproses (tidak ada data yang missing atau hilang), Summary sehingga tingkat kevalidannya 100 % Crosstabulation Terlihat tabel silang yang memuat hubungan diantara kedua variabel. Misal pada baris kesatu kolom kesatu, terdapat angka 8. hal ini berarti ada 8 orang pria (variabel Gender 1) yang mempunyai pekerjaan Karyawan (variabel Karyawan kode 1). Demikian juga untuk data yang lainnya. Chi Square Test

Case Processing Summary

25 100.0% 0 .0% 25 100.0%GENDER * KERJAN Percent N Percent N Percent

Valid Missing Total

Cases

GENDER * KERJA Crosstabulation

8 2 3 13

4.7 3.6 4.7 13.0

1 5 6 12

4.3 3.4 4.3 12.0

9 7 9 25

9.0 7.0 9.0 25.0

Count

Expected Count

Count

Expected Count

Count

Expected Count

Pria

Wanita

GENDER

Total

Karyawan Wiraswasta Petani

KERJA

Total

Chi-Square Tests

7.702a 2 .021

8.505 2 .014

5.342 1 .021

25

Pearson Chi-Square

Likelihood Ratio

Linear-by-LinearAssociation

N of Valid Cases

Value dfAsymp. Sig.

(2-sided)

6 cells (100.0%) have expected count less than 5. Theminimum expected count is 3.36.

a.

Page 91: Modul Spss Print

Modul SPSS

90

uji Chi Square untuk mengamati ada atau tidaknya hubungan antara dua variabel (baris dan kolom). Didalam SPSS, selain ada alat uji chi Square, juga dilengkapi dengn beberapa alat uji yang sama tujuannya. Adapun Hipotesis untuk kasus ini adalah:

� H0: tidak ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen dengan ggender konsumen tersebut.

� H1: Ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen denga gender konsumen tersebut.

Dasar pengambilan keputusan : � Jika probabilitas > 0.05, maka H0 diterima. � Jika probabilitas < 0.05, maka H0 ditolak Keputusan: terlihat bahwa pada kolom Asymp. Sig adalah 0.021, atau probabilitas dibawah 0.05 (0.021 < 0.05), maka H0 ditolak. Artinya, ada hubungan antara pekerjaan sseorang konsumen dengan gender konsumen. Pertanyaan selanjutnya tentunya seberapa besar atau kuat hubungan tersebut? Hal ini akan dibahas pada kasus selanjutnya. Jika diperhatikan pada output SPSS pada bagian Chi Square, terdapat tanda ‘a’ dan keterangan dibawah bahwa ada sel yang mengandung angka dibawah 5, maka adakemungkinan terjadi gangguan pada perhitungan dan penafsiran angka Chi Square. Namun untuk kasus diatas, bisa dianggap input sel dibawah 5 tidak berpengaruh pada perhitungan.

Selanjutnya akan diselidiki hubungan antara pekerjaan dengan pendidikan Langkah-langkahnya :

1. Buka lembar kerja file Crosstabs 1 (dari baris menu pilih File, kemudian pilih sub menu Open…) sesuai dengan kasus diatas, atau jika sudah terbuka ikuti langkah berikut.

2. Dari baris menu pilih sub menu Analyze, kemudian pilih sub menu Crosstabs… Terlihat tampilan di Row dan Colomn yang masih terdapat variabel gender dan kerja. Untuk mengganti variabel atau memulai perhitungan yang baru, SPSS menyediakan pilihan Reset untuk menghapus semua input sebelumnya dan kembali keposisi default (standar). Untuk itu, klik pilihan Reset. Tampak dilayar tampilan seperti pada Gambar 3.1. Terlihat menu Crosstabs telah kosong dan kembali seperti semula.

� Row. Klik variabel didik, kemudian klik tanda 8(yang sebelah

atas), maka variabel didik akan berpindah ke Row. � Colomn(s). klik variabel Kerja, kemudian klik tanda 8(yang

sebelah atas). Maka variabel kerja akan berpindah ke Colomn(s).

3. Ikuti kembali langkah 3 sampai dengan langkah 5 sebagaimana telah dilakukan pada kasus sebelumnya.

Perhatikan bahwa disini variabel Gender yang tidak dimasukkan dalam proses ini. Klik OK untuk mengakhiri pengisisan prosedur analisis. Terlihat SPSS melakukan pekerjaan analisis tersebut dan terlihat output SPSS.

Page 92: Modul Spss Print

Modul SPSS

91

Output Berikut adalah output dari test Crosstab 1.

Analisis Seperti kasus sebelumnya, ada tiga output yang akan dibahas disisi, yaitu: Case Processing Summary, Crosstabulation, dan Chi Square Test.

Case Processing Ada 25 data yang semuanya diproses sehingga tidak ada data yang missing atau hilang Summary sehingga tingkat kevalidannya 100 %.

Crosstabulation Terlihat tabel silang yang memuat hubungan diantara kedua variabel. Misal pada baris ke 3 dan kolom ke 1, terdapt angka 4. hal ini berarti ada 4 orang konsuemn berpendidikan Sarjana (variabel didik 3) yang mempunyai pekerjaan Karyawan (variabel kerja kode 1). Demikian juga untuk data yang lainnya.

Chi Square test Hipotesis yang dapat dirumuskan untuk kasus ini adalah:

Case Processing Summary

25 100.0% 0 .0% 25 100.0%DIDIK * KERJAN Percent N Percent N Percent

Valid Missing Total

Cases

DIDIK * KERJA Crosstabulation

3 3 3 9

3.2 2.5 3.2 9.0

2 2 3 7

2.5 2.0 2.5 7.0

4 2 3 9

3.2 2.5 3.2 9.0

9 7 9 25

9.0 7.0 9.0 25.0

Count

Expected Count

Count

Expected Count

Count

Expected Count

Count

Expected Count

SMA

Akademi

Sarjana

DIDIK

Total

Karyawan Wiraswasta Petani

KERJA

Total

Chi-Square Tests

.630a 4 .960

.625 4 .960

.074 1 .785

25

Pearson Chi-Square

Likelihood Ratio

Linear-by-LinearAssociation

N of Valid Cases

Value dfAsymp. Sig.

(2-sided)

9 cells (100.0%) have expected count less than 5. Theminimum expected count is 1.96.

a.

Page 93: Modul Spss Print

Modul SPSS

92

• H0: Tidak ada hubungan antara baris dan kolom, atau antar

pekerjaan konsumen dengan pendidikan konsumen tersebut. • H1: Ada hubungan antara baris dan kolom, atau antar pekerjaan

konsumen dengan pendidikan konsumen tersebut. Dasar pengambilan keputusan :

� Jika probabilitas > 0.05, maka H0 diterima. � Jika probabilitas < 0.05, maka H0 ditolak

Keputusan: terlihat bahwa pada kolom Asymp. Sig adalah 0.96, atau probabilitas 0.05 (0.96 > 0.05), maka H0 diterima, artinya tidak terdapat hubungan antara pekerjaan seorang konsumen dengan pendidikan konsumen. Atau bisa juga dikatakan pekerjaan konsumen CAFÉ ternyata tidak ditentukan oleh tingkat pendidikannya. Bisa saja dia hanya lulusan Sarjana, namun bisa bekerja sebagai karyawan, atau seorang wiraswasta, ataupun sebagai petani, serta kemungkinan yang lain. Catatan tambahan: Likelihood Ratio atau ukuran yang sudah ada setelah Chi Square mempunyai fungsi yang sama dengan Chi Square, hanya banyak digunakan pada pengujian untuk model-model logaritmik linier (loglinier). Namun pada jumlah sampel atau kasus besar, kedua angka hampir sama. Linier-by- Linier Association adalah fungsi koefisien korelasi Pearson, dan hanya digunaskan untuk variabel kuantitatif (tidak relevan untuk kasus ini). 8.2 Hubungan antara dua variabel berskala nominal

Seperti telah dibahas pada kasus hubungan antara pekerjaan konsumen dengan Gender, terdapat hubungan diantara keduanya. Dalam bab ini akan dijelaskan berbagai cara untuk mengetahui seberapa besar hubungan tersebut. SPSS menyediakan dua cara pengukuran, yaitu:

1. Symetric Measures atau hubungan yang setara dan berdasar hubungan Chi Square.

2. Directional Measures atau hubungan yang tidak setara dan berdasarkan pada Proportional Reduction in Error (PRE).

Kedua cara perhitungna diatas akan diterapkan pada kasus hubungan antar variabel Kerja dan Gender. Langkah-langkahnya:

1. Buka lembar kerja file Crosstab 1 (dari baris menu pilih File, kemudian pilih sub menu Open…) sesuai kasus diatas, atau jika sudah terbuka ikuti langkah berikut.

2. Dari baris menu pilih menu Analyze, kemudian pilih sub menu Crosstab.. Tampak dilayar tampilan seperti pada Gambar 3.1

� Row. Klik variabel Gendeer, kemudian klik tanda 8(yang

sebelah atas). Maka variabel Gender berpindah ke Row. � Colomn(s). klik variabel Kerja, kemudian klik tanda 8(yang

sebelah atas), maka variabel Kerja berpindah ke Colomn.

Page 94: Modul Spss Print

Modul SPSS

93

3. Klik pilihan Statistics… Tampak dilayar seperti pada Gambar 3.2.

� Karena sudah diketahui ada hubungan antara kedua variabel (lihat kasus sebelumnya), maka disini tidak digunakan Chi Square lagi. Pemakaian Chi Square akan menghasilkan output yang sama dengan kasus terdahulu.

� Klik pilihan Correlation untuk mengetahui koefisien korelasi

kedua variabel secara Symmetric measures. � Pada option Nominal (yang berarti hanya khusus data berskala

nominal), klik semua pilihan (Contingency coefficient, Phi and Cramer’s V, lambda, Uncertainty Coefficient). Pilihan ini untuk mengetahui korelasi kedua variabel secara Dirrectional Measures. Perhatikan tidak dipilih option Ordinal dan Nominal by Interval, karena kedua variabel (Kerja dan Gender) adalah berskala Nominal.

� Klik Continue untuk melanjutkan pemasukan data.

4. Klik pilihan Cells… Tampak dilayar tampilan seperti pada Gambar

3.3.

� Klik pilihan Count –untuk keseragaman- akan dipilih Observed dan Expected.

� Pilihan Percentage. Untuk kasus ini, biarkan saja kolom

tersebut (tidak dipilih).

� Kolom Residual juga dibiarkan kosong.

� Klik Continue untuk melanjutkann pemasukan data.

5. Klik pilihan Format...Tampak dilayar tampilan seperti pada Gambar 3.4.

� Pilihan Row Order –untuk keseragaman- pilih Ascending. � Klik continue untuk melanjutkan pemasukan data.

Klik OK untuk mengakhiri pengisisan prosedur analisis. Telihat SPSS melakukan pekerjaan analisis dan terlihat output SPSS. Output

Berikut ini adalah output dari test Crosstab1. Untuk kesederhanaan pembahasan, output mengenai Case Procssing Summary dan GENDER*KERJA Crosstabulation tidak lagi ditampilkan di sini, karena sama dengan kasus sebelumnya.

Page 95: Modul Spss Print

Modul SPSS

94

Analisis Untuk kesederhanaan pembahasan, output mengenai Case Procssing Summary dan GENDER*KERJA Crosstabulation tidak lagi ditampilkan di sini, karena sama dengan kasus sebelumnya.

Symmetic Measures Disini hanya diperhatikan besar korelasi antara nominal-nominal. Hal ini disebabkan kedua variabel berskala nominal. Karena itu, besaran Speaman dan Peason tidak relevan untuk dibahas. Ada tiga besaran untuk menghitung korelasi antara variabel Kerja dengan Gender, dan ketiganya mempunyai angka signifikan atau nilai probabilitas 0.021. Karena nilai probabilitas di bawah 5%, maka bisa dikatakan ada hubungan antara kedua variabel Nominal tersebut (bandingkan dengan hasil analisis dengan Chi-Square terdahulu, yang menghasilkan kesimpulan sama). Besaran korelasi (Phi dan Cramer) menghasilkan angka sama, yaitu 0.555. Sedangkan coefficient contingency menghasilkan angka sedikit lebih kecil, yaitu 0.485. Dari ketiga besaran tersebut bisa disimpulkan adanya

Symmetric Measures

.555 .021

.555 .021

.485 .021

.472 .167 2.566 .017c

.472 .173 2.566 .017c

25

Phi

Cramer's V

Contingency Coefficient

Nominal byNominal

Pearson's RInterval by Interval

Spearman CorrelationOrdinal by Ordinal

N of Valid Cases

ValueAsymp.

Std. Error a Approx. T b Approx. Sig.

Not assuming the null hypothesis.a.

Using the asymptotic standard error assuming the null hypothesis.b.

Based on normal approximation.c.

Directional Measures

.393 .163 2.003 .045

.500 .236 1.572 .116

.313 .137 2.041 .041

.308 .165 .025c

.160 .095 .021c

.191 .114 1.673 .014d

.246 .147 1.673 .014d

.156 .093 1.673 .014d

Symmetric

GENDER Dependent

KERJA Dependent

GENDER Dependent

KERJA Dependent

Symmetric

GENDER Dependent

KERJA Dependent

Lambda

Goodman andKruskal tau

Uncertainty Coefficient

Nominal byNominal

ValueAsymp.

Std. Errora

Approx. Tb

Approx. Sig.

Not assuming the null hypothesis.a.

Using the asymptotic standard error assuming the null hypothesis.b.

Based on chi-square approximationc.

Likelihood ratio chi-square probability.d.

Page 96: Modul Spss Print

Modul SPSS

95

hubungan yang cukup erat (erat jika mendekati 1 dan lemah jika mendekati 0) antara variabel Kerja dan variabel Gender. Directional Measures Di sini juga ada tiga ukuran untuk mengukur hubungan kedua variabel. Namun di sini ada pembedaan, yaitu satu sebagai variabel dependent (tergantung), sedangkan yang lain sebagai variabel independent (bebas). Lambda Symmetic atau kedua variabel setara (bebas), maka besar korelasi adalah 0.393 atau cukup lemah. Angka signifikansi adalah 0.045 atau di bawah 0.05, yang berarti kedua variabel memang berhubungan secara nyata (lihat pembahasan output bagian ketiga di atas yang menghasilkan kesimpulan sama). Jika ada istilah Dependent, dipakai pedoman (berlaku untuk ketiga alat uji):

1. Jika angka korelasi adalah 0, maka pengetahuan akan variabel

independent (bebas) tidak menolong dalam usaha memprediksi variabel dependent (tergantung).

2. Jika angka korelasi adalah 1, maka pengetahuan akan variabel

independent (bebas) tidak menolong dalam usaha memprediksi variabel dependent (tergantung) dengan sempurna.

� Gender Konsumen Dependent atau gender sebagai variabel

tergantung. Jadi di sini variabel independent adalah kerja. Karena angka signifikansi adalah 0.116 –lebih besar dari 0.05- maka variabel bebas (Kerja) tidak bisa untuk memprediksi Gender.

� Pekerjaan Konsumen Dependent atau variabel Kerja sebagai variabel

tergantung. Jadi di sini variabel independent adalah Gender. Karena angka signifikansi adalah 0.041 –lebih kecil dari 0.05- maka variabel bebas (Gender) bisa untuk memprediksi variabel Kerja. Angka korelasi Lambda adalah 0.313 yang menunjukkan korelasi yang lemah. Bisa dikatakan di sini, pengetahuan akan Gender seorang konsumen tidak begitu menolong dalam upaya memprediksi pekerjaan konsumen tersebut. Atau pekerjaan konsumen sebagai karyawan atau petani atau wiraswasta tidak bisa diperkirakan begitu saja karena ia pria atau wanita.

Goodman dan Kruskal Tau Dari angka signifikansi, keduanya adalah signifikan (berbeda dengan Lambda), namun besar korelasi juga tidak kuat. Atau variabel gender tidak bisa memprediksi secara kuat pekerjaan seorang konsumen, dan demikian sebaliknya. Uncertainty Coefficient Dari angka signifikansi, keduanya adalah signifikan, namun besar korelasi juga tidak kuat. Atau variabel gender tidak bisa memprediksi secara kuat pekerjaan seorang konsumen, dan demikian sebaliknya.

Page 97: Modul Spss Print

Modul SPSS

96

Asymptotic Standard Error. Di sini syaratnya harus didapatkan korelasi yang signifikan. Sebagai contoh, angka korelasi Lambda sebesar 0.313 yang signifikan, didapat standar error 0.317. Pada tingkat kepercayaan 95% atau dua standard deviasi, maka rentang korelasi adalah: 0.313% ± (2 x 0.317) atau antara 0.039 sampai dengan 0.587.

9 Uji Chi-Square untuk Multi Tabel Tabel Crosstab yang ditayangkan selama ini hanya menggunakan dua

variabel, atau baris dan kolom. Namun dalam praktek sering dijumpai penggunaan lebih dari dua variabel, yaitu kerja, didik, dan gender. Sekarang akan diketahui hubungan antara Pekerjaan Konsumen dengan Tingkat Pendidikan Konsumen, dengan variuabel pengendali adalah Gender. Jadi akan diteliti apakah ada pengaruh antara Pekerjaan Konsumen dengan Tingkat Pendidikannya untuk Konsumen Pria dan Wanita. Langkah-langkahnya :

1 Buka lembar kerja file Crosstab1 (dari baris menu pilih File, kemudian pilih sub menu Open…) sesuai kasus diatas, atau jika sudah terbuka ikuti langkah berikut.

2. Dari baris menu pilih menu Analyze, kemudian pilih sub menu Crosstab.. Tampak dilayar tampilan seperti pada Gambar 3.1

� Row. Klik variabel Gendeer, kemudian klik tanda 8(yang sebelah

atas). Maka variabel Gender berpindah ke Row. � Colomn(s). klik variabel Kerja, kemudian klik tanda 8(yang

sebelah atas), maka variabel Kerja berpindah ke Colomn. � Layer 1 of 1. Sekarang akan dimasukkan variabel kontro, yaitu

gender. Maka klik variabel gender, kemudian klik tanda 8(yang sebelah atas). Maka variabel gender berpindah ke Layer 1 of 1. Disebut Layer 1 of 1 karena hanya ada satu variabel sisa, yaitu gender. Jika ada 2 sebagai contoh, maka tertulis layer 2 of 2.

3. Klik pilihan Statistics… Tampak dilayar seperti pada Gambar 3.2.

� Di sini hanya digunakan Chi-Square, karena akan menguji ada tidaknya hubungan. Karena itu, klik pilihan Chi-Square.

� Klik continue untuk melanjutkan pemasukan data.

4. Klik pilihan Cells… Tampak di layar tampilan seperti Gambar 3.3

� Pilihan Count –untuk keseragaman- dipilih Observed dan

Expected. � Pilihan Percentage. Untuk kasus ini, persentase dihitung per

baris. Untuk itu, klik Row.

Page 98: Modul Spss Print

Modul SPSS

97

� Kolom Residual -untuk keseragaman- pilih Standardized dan Adj-Standardized.

� Klik Continue untuk melanjutkan pemasukan data.

5. Klik pilihan Format… tampak di layar tampilan seperti gambar 3.4

� Pilihan Row Order –untuk keseragaman- pilih Ascending. � Klik Continue untuk melanjutkan pemasukan data.

Klik OK untuk mengakhiri pengisian prosedur analisis. Terlihat # melakukan pekerjaan analisis dan terlihat output #. Output Berikut ini adalah output dari test Crosstab1. Untuk kesederhanaan output mengenai Case Processing Summary tidak lagi ditampilkan di sini.

DIDIK * KERJA * GENDER Crosstabulation

2 1 0 3

1.8 .5 .7 3.0

66.7% 33.3% .0% 100.0%

.1 .8 -.8

.2 1.0 -1.1

2 0 1 3

1.8 .5 .7 3.0

66.7% .0% 33.3% 100.0%

.1 -.7 .4

.2 -.8 .5

4 1 2 7

4.3 1.1 1.6 7.0

57.1% 14.3% 28.6% 100.0%

-.1 -.1 .3

-.4 -.1 .5

8 2 3 13

8.0 2.0 3.0 13.0

61.5% 15.4% 23.1% 100.0%

1 2 3 6

.5 2.5 3.0 6.0

16.7% 33.3% 50.0% 100.0%

.7 -.3 .0

1.0 -.6 .0

0 2 2 4

.3 1.7 2.0 4.0

.0% 50.0% 50.0% 100.0%

-.6 .3 .0

-.7 .4 .0

0 1 1 2

.2 .8 1.0 2.0

.0% 50.0% 50.0% 100.0%

-.4 .2 .0

-.5 .3 .0

1 5 6 12

1.0 5.0 6.0 12.0

8.3% 41.7% 50.0% 100.0%

Count

Expected Count

% within DIDIK

Std. Residual

Adjusted Residual

Count

Expected Count

% within DIDIK

Std. Residual

Adjusted Residual

Count

Expected Count

% within DIDIK

Std. Residual

Adjusted Residual

Count

Expected Count

% within DIDIK

Count

Expected Count

% within DIDIK

Std. Residual

Adjusted Residual

Count

Expected Count

% within DIDIK

Std. Residual

Adjusted Residual

Count

Expected Count

% within DIDIK

Std. Residual

Adjusted Residual

Count

Expected Count

% within DIDIK

SMA

Akademi

Sarjana

DIDIK

Total

SMA

Akademi

Sarjana

DIDIK

Total

GENDERPria

Wanita

Karyawan Wiraswasta Petani

KERJA

Total

Page 99: Modul Spss Print

Modul SPSS

98

Analisis Pembahasan akan dilakukan pada dua output yang diberikan oleh #, yaitu: Crosstabulation dan Chiu-Square Test.

Crosstabulation Perhatikan table yang agak berbeda dengan tabek silang (Crosstab) terdahulu. Sebagai contoh, misalnya untuk gender pria (kodo 1), pada baris Count atau banyaknya pengamatan, ada 2 pria berpendidikan SMA untuk pekerjaan kode 1 (karyawan), 1 pria SMA untuk pekerjaan kode 2 (wiraswasta) dan 0/tidak ada pria SMA untuk pekerjaan petani. Sedangkan pada baris Expected Count atau nilai yang diharapkan. Untuk pria lulusan SMA dengan pekerjaan karyawan, nilai yang diharapkan muncul adalah 1.8. Hal ini berasal dari total karyawan pria dikalikan dengan total Pria lulusan SMA, kemudian dibagi oleh total pria, atau (3x8)/13 = 1.8. Nilai residu dihitung menurut nilai sesungguhnya dikurangi oleh nilai expected atau dalam hal ini 2 – 1.8 = 0.2, dengan nilai standar residu 0.1 dan penyesuaian residu adalah 0.2. Persentase –untuk pria SMA sebagai karyawan- adalah: Pria Karyawan/Pria lulusan SMA atau 2.3 atau 66.7%. Perhatikan bahwa jumlah total persentase di sebalah kanan selalu 100%. Demikian juga untuk data yang lainnya. Analisis bisa dilakukan bervariasi tergantung keinginan. Misal dari table di atas bisa disimpulkan bahwa pekerjaan Pria terbanyak adalah sebagai karyawan (61.5%), sedangkan wanita masih banyak bekerja sebagai petani (50%), dan tidak ada (0%) wanita berpendidikan Akademi ataupun Sarjana yang menjadi karyawan. Demikian untuk analisis yang lainnya. Hanya di sini biasanya digunakan jumlah persentase untuk menggambarkan data, dan nilai expected hampir tidak digunakan.

Chi-Square Tests

2.063a 4 .724

3.035 4 .552

.357 1 .550

13

1.200b 4 .878

1.588 4 .811

.149 1 .699

12

Pearson Chi-Square

Likelihood Ratio

Linear-by-LinearAssociation

N of Valid Cases

Pearson Chi-Square

Likelihood Ratio

Linear-by-LinearAssociation

N of Valid Cases

GENDERPria

Wanita

Value dfAsymp. Sig.

(2-sided)

9 cells (100.0%) have expected count less than 5. The minimumexpected count is .46.

a.

9 cells (100.0%) have expected count less than 5. The minimumexpected count is .17.

b.

Page 100: Modul Spss Print

Modul SPSS

99

Chi-Square Tests Hipotesis untuk kasus ini dapat dirumuskan sebagai berikut: � H0: Dengan variabel kontrol, tidak ada hubungan antara baris dan

kolom, atau gender tidak berpengaruh pada hubungan antara pekerjaan konsumen dengan pendidikan konsumen.

� H1: Dengan variabel kontrol, ada hubungan antara baris dan kolom,

atau gender tidak berpengaruh pada hubungan antara pekerjaan konsumen dengan pendidikan konsumen.

Dasar pengambilan keputusan : � Jika probabilitas > 0.05, maka H0 diterima. � Jika probabilitas < 0.05, maka H0 ditolak Keputusan: Terlihat bahwa pada kolom Asymp. Sig adalah 0,724 untuk variabel kontrol Pria dan 0,878 untuk variabel kontrol wanita. Keduanya mempunyai nilai probabilitas di atas 0,05, maka H0 diterima. Artinya bahwa Gender tidak mempengaruhi hubungan antara pekerjaan seorang konsumen dengan tingkat pendidikan konsumen. Atau bisa dikatakan hubungan pekerjaan dengan pendidikan tidak ditentukan apakah karena dia seorang pria ataukah karena dia seorang wanita. Latihan 8.1

Dalam suatu pekerjaan untuk meneliti hubungan antara hipertensi dengan kebiasaan merokok, diperoleh data dari 31 responden sebagai berikut

Bukan Perokok Perokok sedang Perokok Berat Hipertensi 2 3 3 Tidak Hipertensi 8 6 9

Ujilah hipotesis bahwa ada atau tidak adanya hipertensi tidak bergantung pada kebiasaan merokok. Apabila terdapat hubungan, seberapa kuat hubungan tersebut terjadi?. Gunakan taraf nyata 0.05. Latihan 8.2 Dalam suatu penelitian ingin diketahui hubungan antara umur pengemudi dan jenis kelamin dengan frekuensi kecelakaan lalu-lintas yang dialami oleh pengemudi tersebut. Pengemudi, baik yang pria maupun yang wanita, yang berumur 31 tahun ke atas telah dikelompokkan ke dalam tiga kelas, yaitu: 31 – 40, 41 – 50, dan 51 –60. Sedangkan frekuensi kecelakaan lalu-lintas selama periode tertentu digolongkan ke dalam tiga kategori, yaitu: tidak pernah mengalami kecelakaan (0), pernah mengalami satu kali kecelakaan (1), dan lebih dari satu kali kecelakaan (2 atau lebih). Hasil pengamatan dan frekuensi kecelakaan telah dicatat sebagai berikut:

Page 101: Modul Spss Print

Modul SPSS

100

31-40 41-50 51-60 Pria Wanita Pria Wanita Pria Wanita

0 2 8 16 12 6 8 1 12 16 22 16 6 9 ≥ 10 18 23 18 10 10

Lakukan pengujian untuk masing-masing hipotesis berikut ini:

1. Ada atau tidak adanya hubungan antara umur pengemudi dengan frekuensi kecelakaan lalu-lintas yang dialami oleh pengemudi tersebut.

2. Ada atau tidak adanya hubungan antara jenis kelamin pengemudi

dengan frekuensi kecelakaan lalu-lintas yang dialami oleh pengemudi tersebut.

3. Ada atau tidak adanya hubungan antara umur dan jenis kelamin

pengemudi dengan frekuensi kecelakaan lalu-lintas yang dialami oleh pengemudi tersebut.

Apabila dari masing-masing hipotesis di atas menunjukkan adanya suatu hubungan, tentukan kekuatan hubungan tersebut. Gunakan taraf nyata sebesar 0.05.

Page 102: Modul Spss Print

Modul SPSS

101

BAB IX ANALISIS DATA MULTIVARIAT 1. Analisis Diskriminan Analisis diskriminan merupakan salah satu alat analisis data multivariat, yang sering di campur adukan dengan analisis regresi. Analisis ini diawali dengan membagi obyek obyek ke dalam dua atau lebih kelompok kelompok. Dari setiap kelompok diamati serta diukur berbagai karakteristik yang diperlukan, sehingga berdasarkan pengamatan ini dapat diketahui ciri ciri atau karakteristik yang melekat atau mengidentifikasikan setiap kelompok. Dengan mengetahui ciri tersebut, maka apabila terdapat obyek baru dengan karakteristik yang dipunyainya, obyek tersebut dapat diidentifikasikan termasuk kelompok yang mana. Selain itu, dengan mengetahui karakteristik setiap kelompok, seseorang akan dapat mengetahui karakteristik atau variabel mana yang dominan membedakan antar kelompok. Contoh: Masyarakat dikelompokkan ke dalam dua kelompok, yaitu mereka yag mengunakan produk telkom dan yang tidak menggunakan. Kepada orang orang yang menggunakan produk diukur karakeristik/ variabelnya, yaitu, X1= pendapatan, X2= tingkat pendidikan , X3= usia. Dengan analisis diskriminan, akan dapat ditentukan variabel mana yang dapat menerangkan perbedaan ke dua kelompok ini, selain bisa juga memprediksi termasuk kelompok mana seseorang dengan kaakteristik X1, X2 dan X3 trtentu. Dalam paket program SPSS terdapat dua analisis diskriminan bisa dilihat pada menu Analize, Classify… dan pilih Discriminant.

Page 103: Modul Spss Print

Modul SPSS

102

Maka akan muncul jendela seperti berikut ini:

Pada Gambar tersebut terdapat empat buah tombol yaitu

1. Statistics… yang apabila di-klik akan muncul jendela seperti berikut ini:

Page 104: Modul Spss Print

Modul SPSS

103

2. Method… akan berfungsi jika dipilih button Use Stepwise Method dan apabila di-klik akan muncul jendela seperti berikut ini:

3. Classify… yang apabila di-klik akan muncul jendela seperti berikut ini:

4. Save… yang apabila di-klik akan muncul jendela seperti berikut ini:

Page 105: Modul Spss Print

Modul SPSS

104

2. Analisis Klaster Analisis klaster adalah analisis data multivariat yang digunakan untuk membuat kelompok kelompok yang didalamnya berisikan obyek yang mempunyai karakteristik ‘mirip” satu sama lain. Kelompok kelompok seperti ini dinamakan klaster. Analisis klaser diawali dengan melakukan pengukuran atau observasi observasi terhadap obyek, dan melalui observasi ini, lalu dibuat kelompok kelompok. Penggunaan analisis klaster banyak dilakukan di dalam penelitian pasar (marketing research) terutama dalam mengelompokkan konsumen dalam berbagai segmen pasar. Dalam paket program SPSS terdapat dua analisis klaster yaitu K-Mean Claster dan Hirarchcial Cluster. Untuk membukanya pilih menu Analize, Classify… dan pilih K-Mean Cluster atau Hirarchcial Cluster.

K-Means Cluster

Apabila di-klik pada menu K-Means Cluster… maka akan muncul jendela seperti berikut ini:

Pada Gambar tersebut terdapat tiga buah tombol yaitu

1. Iterate… yang apabila di-klik akan muncul jendela seperti berikut ini:

Page 106: Modul Spss Print

Modul SPSS

105

2. Save… yang apabila di-klik akan muncul jendela seperti berikut ini:

3. Options… yang apabila di-klik akan muncul jendela seperti berikut ini:

HirarchcialCluster

Apabila di-klik pada menu Hirarchical Cluster maka akan muncul jendela seperti berikut ini:

Page 107: Modul Spss Print

Modul SPSS

106

Pada Gambar tersebut tiga buah tombol yaitu:

1. Statistics… yang apabila di-klik akan muncul jendela seperti ini:

2. Plots… yang apabila di-klik akan muncul jendela seperti ini:

3. Methods… yang apabila di-klik akan muncul jendela seperti ini:

Page 108: Modul Spss Print

Modul SPSS

107

4. Save… yang apabila di-klik akan muncul jendela seperti berikut ini:

3. Analisis Faktor dan Analisis Prinsipal Komponan Analisis prinsipal komponan dengan analisis Faktor sebenarnya merupakan dua bahasan yang berbeda. Namun karena sering disatukan dalam dibawah heading analisis Faktor, seperti yang ada dalam paket program SPSS. Walaupun ke duanya didasarkan pada model model (matematik) yang berlainan, namun akan menghasilkan hasil yang sama. Analisis komponen digunakan terutama untuk mereduksi sekian banyak variabel yang dilibatkan dalam suatu penelitian ke dalam satu atau beberapa vaiabel saja tanpa kehilangan banyak informasi, artinya walaupun sejumlah variabel diringkas, namun informasi atau variasi data dari keseluruhan variabel tidak terlalu hilang. Dengan meringkaskan ke dalam satu variabel saja misalnya, maka seseorang akan dapat menentukan variabel mana yang perlu mendapatkan perhatian. Contoh: Pengukuran terhadap harga berbagai jenis produk dilakukan diberbagai kota. Dengan analisis komponen akan dapat diketahui harga untuk produk mana yang menentukan. Analisis faktor juga dilakukan untuk mereduksi sejumlah variabel dengan cara menyatukan variabel varabel yang mempunyai korelasi yang tinggi

Page 109: Modul Spss Print

Modul SPSS

108

kedalam satu kelompok (disebut faktor), dan variabel variabel lainya ke dalam faktor faktor lain. Jadi variabel variabel yang ada di dalam suatu faktor akan mempunyai korelasi yang tingggi dibandingkan dengan Contoh: Bila terdapat empat belas variabel yang diperhatikan oleh konsumen pada saat akan membeli produk, misalnya X1= warna dari produlk tersebut, X2= nilai purna jual, X3 = kemudahan untuk dibawa, X4= enak untuk digunakan dst, maka dengan analisis faktor ke empat belas variabel tersebut dapat diringkas mungkin ke dalam hanya tiga faktor, yaitu faktor ekonomis, kenyamanan, dan kemudahan. Dalam SPSS jika menu Analize, Data Reduction dan pilih Factors.. tersebut di-klik maka akan muncul jendela seperti berikut ini:

Pada Gambar tersebut terdapat tombol-tombol sebagai berikut:

1. Descriptives… yang apabila di-klik akan muncul jendela seperti berikut ini

Page 110: Modul Spss Print

Modul SPSS

109

2. Extraction… yang apabila di-klik akan muncul jendela seperti berikut ini

3. Rotation… yang apabila di-klik akan muncul jendela seperti berikut ini

4. Scores… yang apabila di-klik akan muncul jendela seperti berikut ini

5. Options… yang apabila di-klik akan muncul jendela seperti berikut ini

Page 111: Modul Spss Print

Modul SPSS

110