7.1. Pengolahan Statistik (SPSS)

SEKILAS SPSS

SPSS adalah sebuah program komputer yang digunakan untuk analisis statistik. Antara 2009 dan 2010 vendor utama untuk SPSS disebut PASW (Predictive Analytics Software) Statistik, sementara isu-isu hak cipta nama itu diselesaikan. . [1] Perusahaan mengumumkan 28 Juli 2009 itu diakuisisi oleh IBM untuk US $ 1,2 miliar [2] Pada Januari 2010, itu menjadi “SPSS: Sebuah Perusahaan IBM”.

Statistik Program

SPSS (awalnya, Paket Statistik untuk Ilmu Sosial) diluncurkan pada versi pertama pada tahun 1968 setelah dikembangkan oleh Norman H. Nie dan C. Hadlai Hull. Norman Nie kemudian sebuah pascasarjana ilmu politik di Stanford University, dan sekarang Profesor Riset di Departemen Ilmu Politik di Stanford dan Profesor Emeritus Ilmu Politik di Universitas Chicago [3]. SPSS adalah salah satu program yang paling banyak digunakan untuk analisis statistik dalam ilmu sosial. Hal ini digunakan oleh peneliti pasar, peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi pemasaran dan lain-lain. Manual SPSS asli (Nie, Bent & Hull, 1970) telah digambarkan sebagai salah satu “buku sosiologi yang paling berpengaruh” [4] Selain analisis statistik., Manajemen data (seleksi kasus, file membentuk kembali, membuat data turunan) dan data dokumentasi (kamus metadata disimpan di datafile itu) adalah fitur dari software dasar.

Statistik disertakan dalam perangkat lunak dasar:

Statistik Deskriptif: Tabulasi silang, Frekuensi, Descriptives, Explore, Ratio Statistik Deskriptif

Bivariat statistik: Berarti, t-test, ANOVA, Korelasi (bivariat, parsial, jarak), tes nonparametrik

Prediksi untuk hasil numerik: regresi linier

Prediksi untuk mengidentifikasi kelompok: analisis faktor, analisis cluster (dua-langkah, K-berarti, hirarkis), Diskriminan

Banyak fitur SPSS dapat diakses melalui menu pull-down atau dapat diprogram dengan bahasa perintah sintaks proprietary 4GL.sintaks pemrograman Komando memiliki keunggulan reprodusibilitas; menyederhanakan tugas yang berulang, dan menangani manipulasi data yang kompleks dan analisis. Selain itu, beberapa aplikasi yang kompleks hanya dapat diprogram dalam sintaks dan tidak dapat diakses melalui struktur menu.Antarmuka menu pull-down juga menghasilkan sintaks perintah, ini dapat ditampilkan dalam output meskipun setting default harus diubah untuk membuat sintaks terlihat bagi pengguna, atau dapat disisipkan ke dalam sebuah file dengan menggunakan sintaks “paste” tombol ini dalam menu masing-masing. Program dapat dijalankan secara interaktif, atau tanpa pengawasan menggunakan Fasilitas Kerja Produksi disediakan. Selain itu sebuah “makro” bahasa dapat digunakan untuk menulis bahasa perintah subrutin dan ekstensi programabilitas Python dapat mengakses informasi dalam kamus data dan data dan dinamis membuat program perintah sintaks. The Python programabilitas ekstensi, yang diperkenalkan pada SPSS 14, menggantikan SAX Basic yang kurang fungsional “script” untuk sebagian besar tujuan, meskipun SaxBasic tetap tersedia. Selain itu, ekstensi Python memungkinkan SPSS untuk menjalankan salah satu statistik dalam paket perangkat lunak bebas R. Dari SPSS versi 14 dan seterusnya dapat digerakkan secara eksternal oleh Python atau program VB.NET menggunakan diberikan “plug-in”.

SPSS tempat kendala pada struktur file internal, tipe data, pengolahan data dan pencocokan file, yang bersama-sama jauh mempermudah pemrograman. dataset SPSS memiliki struktur tabel 2 dimensi dimana baris biasanya merupakan kasus (seperti individu atau rumah tangga) dan kolom mewakili pengukuran (seperti usia, jenis kelamin atau pendapatan rumah tangga).Hanya 2 tipe data didefinisikan: numerik dan teks (atau “string”).Semua proses data terjadi secara berurutan kasus per kasus melalui file. File dapat dicocokkan satu-ke-satu dan satu-ke-banyak, tapi tidak banyak-ke-banyak.

User interface grafis memiliki dua pandangan yang dapat diaktifkan dengan mengklik salah satu dari dua tab di kiri bawah dari jendela SPSS. The ‘Data View’ menampilkan tampilan spreadsheet dari kasus-kasus (baris) dan variabel (kolom). Tidak seperti spreadsheet, sel-sel data hanya dapat berisi angka atau teks dan formula tidak dapat disimpan dalam sel-sel ini.menampilkan The ‘Lihat Variabel’ kamus metadata di mana setiap baris mewakili sebuah variabel dan menampilkan nama variabel, label variabel, nilai label (s), lebar cetak, jenis pengukuran dan berbagai karakteristik lainnya. Sel-sel di kedua tampilan dapat diedit secara manual, menentukan struktur file dan memungkinkan entri data tanpa menggunakan sintaks perintah. Hal ini mungkin cukup untuk dataset kecil. Dataset yang lebih besar seperti survei statistik lebih sering dibuat dalam perangkat lunak entri data, atau dimasukkan selama computer-assisted personal wawancara, dengan pemindaian dan menggunakan pengenalan karakter optik dan perangkat lunak menandai pengakuan optik, atau dengan menangkap langsung dari kuesioner online. Dataset ini kemudian dibaca ke dalam SPSS.

SPSS dapat membaca dan menulis data dari file teks ASCII (termasuk file hirarkis), paket statistik lainnya, spreadsheet dan database. SPSS dapat membaca dan menulis ke tabel database eksternal relasional melalui ODBC dan SQL.

output statistik adalah format file proprietary (file *. SPV, mendukung tabel poros) yang, selain penampil dalam paket, seorang pembaca yang berdiri sendiri dapat didownload. Output proprietary dapat diekspor ke teks atau Microsoft Word. Atau, output dapat ditangkap sebagai data (menggunakan perintah OMS), sebagai teks, teks tab-delimited, PDF, XLS, HTML, XML, dataset SPSS atau berbagai macam format gambar grafis (JPEG, PNG, BMP dan EMF).

Logo SPSS digunakan sebelum penggantian nama pada Januari 2010.

Add-on modul memberikan kemampuan tambahan. Modul-modul yang tersedia adalah:

SPSS Programmability Extension (ditambahkan pada versi 14).Memungkinkan Python, R, dan. NET kontrol pemrograman SPSS.

SPSS Validasi Data (ditambahkan pada versi 14). Memungkinkan pemrograman pengecekan logis dan pelaporan nilai-nilai mencurigakan.

SPSS Regresi Model – regresi logistik, regresi ordinal, regresi logistik multinomial, dan model campuran.

SPSS Advanced Models – GLM Multivariate dan mengulangi langkah-langkah ANOVA (dihapus dari sistem dasar dalam versi 14).

SPSS Klasifikasi Pohon. Membuat pohon klasifikasi dan keputusan untuk mengidentifikasi kelompok dan memprediksi perilaku.

Tabel SPSS. Memungkinkan kontrol user-defined output untuk laporan.

SPSS Exact Tests. Memungkinkan pengujian statistik pada sampel kecil.

SPSS Kategori

SPSS Trends

SPSS Conjoint

Hilang SPSS Analisis Nilai. Wikipedia Imputasi regresi berbasis.

SPSS Peta

SPSS Kompleks Sampel (ditambahkan pada Versi 12).Menyesuaikan untuk stratifikasi dan clustering dan bias pemilihan sampel lainnya.

SPSS Server adalah sebuah versi dari SPSS dengan klien / arsitektur server. Hal itu beberapa fitur tidak tersedia pada versi desktop, seperti fungsi penilaian (Scoring fungsi tersebut dimasukkan ke dalam versi desktop dari versi 19).

Versi

Awal SPSS versi dirancang untuk pemrosesan batch di mainframe, termasuk misalnya IBM dan versi ICL, awalnya menggunakan kartu menekan untuk input. Sebuah menjalankan pengolahan membaca file perintah perintah SPSS dan baik file input data format baku tetap dengan tipe record tunggal, atau sebuah ‘getfile’ dari data yang disimpan oleh dijalankan sebelumnya. Untuk menghemat waktu berharga komputer yang dijalankan ‘edit’ yang bisa dilakukan untuk memeriksa sintaks perintah tanpa menganalisis data. Dari versi 10 (SPSS-X) pada tahun 1983, file data dapat mengandung beberapa jenis catatan.

SPSS versi 16.0 berjalan di bawah Windows, Mac OS 10.5 dan sebelumnya, dan Linux. User interface grafis ditulis di Jawa. Mac OS disediakan sebagai Universal biner, membuat sepenuhnya kompatibel dengan baik PowerPC dan Intel Mac berbasis hardware.

Sebelum SPSS 16.0, berbagai versi SPSS yang tersedia untuk Windows, Mac OS X dan Unix. Versi Windows telah diupdate lebih sering, dan memiliki lebih banyak fitur, daripada versi untuk sistem operasi lain.

SPSS versi 13.0 untuk Mac OS X tidak kompatibel dengan komputer Macintosh berbasis Intel, karena perangkat lunak emulasi Rosetta menyebabkan kesalahan dalam perhitungan.SPSS 15.0 for Windows membutuhkan perbaikan terbaru download untuk diinstal supaya kompatibel dengan Windows Vista.

Pengaya

AMOS (Analisis Struktur Moment) – add-on yang memungkinkan pemodelan persamaan struktural dan struktur kovarians, analisis jalur, dan memiliki kemampuan yang lebih mendasar seperti analisis regresi linier, ANOVA dan ANCOVA

Release sejarah

SPSS 15.0.1 – November 2006

SPSS 16.0.2 – April 2008

Statistik SPSS 17.0.1 – Desember 2008

Statistik PASW 17.0.3 – September 2009

Statistik PASW 18,0 – Agustus 2009

Statistik PASW 18.0.1 – Desember 2009

Statistik PASW 18.0.2 – 2010 April

Pesaing

SAS (perangkat lunak)

Stata

Lihat juga

Daftar paket statistik

Perbandingan paket statistik

PSPP – pengganti bebas untuk SPSS

gretl – alternatif open source untuk SPSS yang dapat mengimpor data SPSS file

R Komandan – open source R-alternatif untuk SPSS

Catatan

^ Verlen Jason. “Penamaan Produk Panduan”. SPSS. Diperoleh 2009/09/18.

^ Press release

^ “Norman Nie”. Stanford University Jurusan Ilmu Politik. Diperoleh 2008/03/22.

^ Wellman, Barry “Melakukan itu sendiri”, Pp 71-78 di disyaratkan Reading: Buku Paling Berpengaruh Sosiologi’s. Diedit oleh Clawson Dan, University of Massachusetts Press, 1998, ISBN 9781558491533

Referensi

Argyrous, Statistik G. atau Penelitian: Dengan Panduan untuk SPSS, SAGE, London, ISBN 1412919487

Levesque, Pemrograman R. SPSS dan Manajemen Data: Panduan bagi Pengguna SPSS dan SAS, Edisi Keempat (2007), SPSS Inc, Chicago Illinois PDF ISBN 1568273908

SPSS 15.0 Command Reference Sintaks 2006, SPSS Inc, Chicago Illinois

Pranala luar

Situs resmi – dukungan halaman berisi database dicari solusi

Raynald Levesque’s SPSS Tools – perpustakaan solusi bekerja untuk programmer SPSS (FAQ, sintaks perintah; macro, script, python)

Arsip SPSSX-L Diskusi – SPSS listserv aktif sejak tahun 1996.Membahas pemrograman, statistik dan analisis

UCLA ATS Sumber Daya untuk membantu Anda mempelajari SPSS – Sumber untuk belajar SPSS

UCLA ATS Teknis Laporan – Laporan 1 membandingkan Stata, SAS dan SPSS terhadap R (R adalah bahasa dan lingkungan untuk komputasi statistik dan grafik).

Menggunakan SPSS Untuk Analisis Data – SPSS Tutorial dari Harvard

SPSS Pengembang Tengah – Dukungan untuk pengembang aplikasi yang menggunakan SPSS, termasuk bahan dan contoh fitur programabilitas Python

JENIS DATA

 Data adalah kumpulan informasi yang diperoleh dari suatu pengamatan, dapat berupa angka, lambang atau sifat. Menurut Webster New World Dictionary, pengertian data adalah things known or assumed, yang berarti bahwa data itu sesuatu yang diketahui atau dianggap. Diketahui artinya yang sudah terjadi merupakan fakta (bukti). Data dapat memberikan gambaran tentang suatu keadaan atau persoalan. Data bisa juga didefinisikan sebagai sekumpulan informasi atau nilai yang diperoleh dari pengamatan (obsevasi) suatu objek. Data yang baik adalah data yang bisa dipercaya kebenarannya (reliable), tepat waktu dan mencakup ruang lingkup yang luas atau bisa memberikan gambaran tentang suatu masalah secara menyeluruh merupakan data relevan.

 dapat dibagi berdasarkan sifatnya, sumbernya, cara memperolehnya, dan waktu pengumpulannya. Menurut sifatnya, jenis-jenis data yaitu:

Data Kualitatif: data kualitatif adalah data yang tidak berbentuk angka, misalnya: Kuesioner Pertanyaan tentang suasana kerja, kualitas pelayanan sebuah rumah sakit atau gaya kepemimpinan, dll.

Data Kuantitatif: data kuantitatif adalah data yang berbentuk angka, misalnya: harga saham, besarnya pendapatan, dll.

Jenis-jenis data menurut sumbernya, antara lain:

Data Internal: data intenal adalah data dari dalam suatu organisasi yang menggambarkan keadaan organisasi tersebut. Contohnya: suatu perusahaan, jumlah karyawannya, jumlah modalnya, atau jumlah produksinya, dll.

Data Eksternal: data eksternal adalah data dari luar suatu organisasi yang dapat menggambarkan faktor-faktor yang mungkin mempengaruhi hasil kerja suatu organisasi. Misalnya: daya beli masyarakat mempengaruhi hasil penjualan suatu perusahaan.

Jenis-jenis data menurut cara memperolehnya, antara lain:

Data Primer (primary data): data primer adalah data yang dikumpulkan sendiri oleh perorangan/suatu organisasi secara langsung dari objek yang diteliti dan untuk kepentingan studi yang bersangkutan yang dapat berupa interview, observasi.

Data Sekunder (secondary data): data sekunder adalah data yang diperoleh/ dikumpulkan dan disatukan oleh studi-studi sebelumnya atau yang diterbitkan oleh berbagai instansi lain. Biasanya sumber tidak langsung berupa data dokumentasi dan arsip-arsip resmi.

Jenis-jenis data menurut waktu pengumpulannya, antara lain:

Data cross section, yaitu data yang dikumpulkan pada suatu waktu tertentu (at a point of time) untuk menggambarkan keadaan dan kegiatan pada waktu tersebut. Misalnya; data penelitian yang menggunakan kuesioner.

Data berkala (time series data), yaitu data yang dikumpulkan dari waktu ke waktu untuk melihat perkembangan suatu kejadian/kegiatan selama periode tersebut. Misalnya, perkembangan uang beredar, harga 9 macam bahan pokok penduduk.

MEMBANGUN DATA

Langkah 1

Aktifkan program Microsoft Excel hingga terdapat worksheet kosong.

Langkah 2

Klik FileMicrosoft Excel yang berada di ujung kiri atas jendela utama. Klik Menu Options .

 

Langkah 3

di kotak dialog Excel Options klik menu add-ins yang ada di jendela sebelah kiri.Pilih dan Klik Analysis tool pack pada daftar aplikasi add-ins yang tidak aktif. Kemudian Klik tombol Go, dan sebuah kotak dialog add-ins ditampilkan.

 

Langkah 4

Berikan tanda check (lihat gambar) pada kotak check analysis tool pack.Kemudian  klik tombol OK dan tunggu beberapa saat sampai proses instalasi berakhir.

 

Langkah 5

Cara melakukan analysis stastik deskriptif dengan Excel bisa dilakukan dengan beberapa langkah yang sebenarnya siapa saja bisa melakukannya.  Beberapa langkah yang dapat dilakukan dalam standar proses analysis adalah sebagai berikut :

• Dari menu Data kemudian pilih Data Analysis

 

Analysis statistik yang akan di lakukan adalah mencari ukuran pemusatan dari segugus data yang diolah. Ukuran pemusatan merupakan sembarang ukuran yang menunjukkan pusat segugus data yang telah diurutkan, dari yang terkecil sampai yang terbesar. Ukuran pemusatan yang paling banyak antara lain :

• Mean.

Mean merupakan nilai rata-rata atau nilai tengah dari segugus data.

• Median.

Median merupakan nilai yang berada di tengah dari segugus data setelah diurutkan.

• Modus.

Modus merupakan nilai yang paling sering muncul dari segugus data yang ada.

Contoh :

Hitung nilai mean, median, modus dari segugus data nilai Ujian Akhir Semester, yaitu: 95, 75, 70, 80, 75, 68, 80, 78, 97, 85, 64, 100, 70, 67, 90, 68, 65, 89, dan 75.

Langkah 6

Input data seperti contoh di bawah ini :

 

Langkah 7

Klik menu Data pada menu Utama MS.Excel , dan klik menuData Analysisyang ada di grup Analysis.

 

Langkah 8

• Pada kotak Dialog Analysis , pilih menu Descriptive Statistik, dan klik tombol OK untuk keluar dari kotak dialog tersebut.
• Klik button pada Input Range, dan masukkan data kedalam kolom Input Range, yaitu dengan cara mem-blok data pada sheet,
• Berikan tanda cek pada Label in First Row jika cell yang dimasukkan tadi memuat label dari data.
• Klik Output Range, klik pada kolom output range, dan tempatkan pointer pada sembarang cell yang kosong.
• pilihan Summary Statistics. Klik tombol OK.

 

Dan Ini lah hasilnya  :

 

 INPUT DATA PADA WORKSHEET

Input(memasukkan) data secara manual pada cell worksheet Microsoft Excel. Kita dapat memasukkan angka(baik angka utuh maupun desimal), teks, tanggal maupun waktu(jam)dalam satu cell.

Kita juga bisa memasukkan data pada beberapa cell sekaligus. Sebuah file Microsoft Excel adalah merupakan Workbook. Jika kita ibaratkan dia adalah sebuah buku. Dalam Workbook terdiri dari worksheet(lembar kerja) atau spreadsheet. Worksheet bisa kita ibaratkan lembaran-lembaran atau halaman-halaman dalam sebuah buku.Dalam sebuah worksheet, terdiri dari cell cell yang diatur dalam kolom dan baris. Pada cell cell itulah kita memasukkan(input) data. Memasukkan(input) angka atau teks

1. Pada worksheet,klik sebuah cell
2. Tuliskan angka atau teks yang mau diinput. Kemudian tekan Enter atau Tab.

• Kalau kita ingin ganti baris tapi tetap dalam cell yang sama, sehabis input data tekannya Alt+Enter.

Note :

• Pada settingan awal di Microsoft Excel, dengan tekan Enter, maka akan berpindah ke cell dibawahnya. Sedangkan dengan tekan Tab setelah input data, maka pilihan cell akan berpindah kekanan. Sehingga kita bisa menyesuaikan tekan Enter atau Tab.
• Pada saat kita menginput data dalam format angka,ada kemungkinan akan terlihat seperti ini ###### . Maka kita tinggal memperlebar kolom supaya angka terlihat semua.
• Untuk input angka yang tidak dimanfaatkan dalam perhitungan Excel(perhitungan matematika) contohnya No telepon(No Hp) kita bisa format kedalam format teks(text) saja. Contoh cara mengganti format cell untuk No Hp silahkan klik disini

Memasukkan(input) data yang sama dalam beberapa cell sekaligus.

Kita bisa input data dalam beberapa cell atau range cell sekaligus dalam satu waktu jika data yang kita masukkan sama. Berikut ini cara memasukkan data yang sama dalam waktu bersamaan :

Pilih cell, range cell yang akan kita isi dengan data yang sama.

 

Dari gambar di atas, kita akan memasukkan data yag sama pada cell A1 sampai A10 maka kita pilih A1 sampai A10 

 MENYIMPAN DAN MEMBUKA DATA 

 Tutorial ini bertujuan untuk:

1. Menunjukkan langkah-langkah untuk memanggil SPSS
2. Memberikan tuntunan proses memasukkan data ke dalam SPSS

Dalam tutorial ini dipergunakan IBM SPSS versi 22.

Memanggil SPSS

Ketika IBM SPSS 22 terbuka pertama kali Anda akan melihat kotak dialog di bawah ini. Kotak dialog ini berfungsi menentukan kompatibilitas data yang disimpan dalam file SPSS anda. Pilih Use Unicode encoding.

 

Dialog box kompatibilitas encoding IBM SPSS 22

Ketika SPSS mulai bekerja, anda akan menjumpai jendela Data Editor yang nampak pada gambar berikut. (Catatan: Anda mungkin perlu menekan tombol Cancel pada kotak dialog yang muncul setelah kotak dialog Unicode Mode untuk melihat jendela Data Editor).

 

Tampilan jendela Data Editor pada IBM SPSS 

Memasukkan atau membuka data pada SPSS

Untuk memasukkan atau membuka data pada SPSS anda dapat:

• Mengetik langsung pada jendela Data Editor, atau
• Membuka file data SPSS yang telah ada sebelumnya, atau
• Melakukan operasi copy dan paste data dari software spreadsheet lainnya, misalnya Microsoft Excel.

Sebagai contoh kita akan mencoba membuka data BellaireGraduates.sav (unduh terlebih dahulu file ini). Membuka file data SPSS yang telah tersimpan dalam hard disk dapat dilakukan dengan menekan menu File > Open > Data dari menu drop-down (atau pilih Open an Existing Data Source ketika SPSS meminta Anda untuk menentukan What would you like to do?). Anda kemudian akan menjumpai dialogue box yang nampak pada gambar berikut.

 

Dialogue box pada menu open data

Anda kemudian perlu mencari folder yang menyimpan file data BellaireGraduates.sav, memilih file ini, kemudian menekan tombol Open. Setelah itu Anda akan menjumpai jendela yang ditunjukkan berikut ini.

 

Tampilan data dalam file BellaireGraduates  

File data ini menunjukkan gaji awal (dalam $’000) dari sebuah sampel yang terdiri atas 50 orang lulusan universitas di Amerika, jumlah wawancara kerja yang pernah mereka lalui dan bidang studi mereka (Accounting, Information Systems dan Marketing). Gaji (variabel ‘Salary’) dan jumlah wawancara kerja (variabel ‘no. of interviews’) merupakan variabel-variabel kuantitatif, sementara bidang studi (variabel ‘major’) merupakan variabel yang bersifat kualitatif.

MEMODIFIKASI DATA 

 Memodifikasi referensi data bagan

Anda dapat memodifikasi referensi data bagan di editor data bagan. Anda hanya dapat memasukkan angka, tanggal, atau durasi di sel data.

Menambahkan, menghapus, atau mengedit deretan data

1. Pilih bagan, klik Edit Data Bagan, lalu lakukan salah satu hal berikut:

• Menambahkan deretan data: Klik sel di kolom atau baris baru, lalu masukkan data Anda. 
• Menghapus deretan data: Klik bar berwarna untuk baris atau kolom yang ingin Anda hapus, klik panah yang muncul, lalu klik Hapus Kolom atau Hapus Baris (tergantung apakah Anda merancang baris atau kolom sebagai deretan data).
• Mengurutkan ulang deretan data: Seret bar berwarna untuk mengurutkan ulang deretan data bagan.
• Menambahkan simbol mata uang atau pemformatan lain: Klik tab Deretan di bagian atas bar samping di sebelah kanan, lalu gunakan kontrol di tab Deretan.
• Mengedit label nilai dan format angka: Klik tab Deretan pada bagian atas bar samping di sebelah kanan, klik segitiga pengungkapan di samping Label Nilai, lalu pilih kotak centang Nilai. Klik menu pop-up untuk memilih sumbu yang diinginkan, lalu gunakan kontrol di bagian Format Data Nilai untuk membuat pengaturan.

2. Tutup jendela Data Bagan untuk kembali ke bagan.

Mengubah baris dan kolom menjadi deretan data

Jika Anda menambahkan bagan, Keynote menetapkan default deretan data untuknya. Dalam sebagian besar kasus, jika tabel berbentuk persegi atau lebih lebar dari tingginya, baris tabel adalah deretan defaultnya. Jika tidak, kolom adalah deretan defaultnya. Anda dapat mengubah apakah baris atau kolom merupakan deretan data.

1. Pilih bagan, lalu klik Edit Data Bagan.
2. Klik baris atau kolom di pojok kanan atas editor Data Bagan.

 

3. Tutup jendela Data Bagan jika sudah selesai.

Membagikan sumbu-x untuk beberapa nilai di sepanjang sumbu-y untuk bagan sebar dan gelembung

Membagikan sumbu-x berarti menyusun satu jenis nilai di sepanjang sumbu-x, sambil mengizinkan beberapa jenis nilai dirancang di sepanjang sumbu-y. Secara default, nilai sumbu x dibagikan di antara beberapa kumpulan nilai sumbu y pada beberapa jenis bagan.

 

1. Pilih bagan, lalu klik Edit Data Bagan.
2. Klik , lalu pilih (atau batal pilih) Bagikan Nilai X.
3. Tutup jendela Data Bagan jika sudah selesai.

MENGIMPOR DATA KE SPSS 

Setelah kita menginput data di MS Excel (lihat: Entry data 1), selanjutnya akan kita bahas bagaimana cara mengekspor data yang telah kita input tersebut ke SPSS.

Misalkan data yang sudah kita input di MS Excel adalah:

No	Tingkat Pendidikan	JK	Tinggi	Berat	Soal1
1	1	1	166	70	4
2	2	2	157	45	3
3	3	1	156	77	3
4	1	1	160	50	1
5	1	1	160	50	1
6	1	1	170	54	2
7	1	1	164	50	4
8	2	2	190	90	4
9	2	2	154	67	4
10	2	2	163	78	1
11	1	1	155	52	1
12	2	2	158	55	2
13	1	1	164	56	4
14	3	1	174	66	4
15	1	1	156	60	2
16	1	1	170	56	3
17	3	2	161	64	4
18	2	1	178	67	2

Selanjutnya ikuti langkah-langkah berikut ini:

LANGKAH 1:

Buka SPSS

(eh ya, untuk dipenjelasan ini, saya menggunakan SPSS versi 16, mengingat itu yang ada di laptop, hehehe. Walaubagaimanapun versi apapun yang kita pakai, hitung-hitungan statistiknya sama saja, paling fitur-fiturnya saja yang berbeda)

LANGKAH 2:

Klik File à Open à Data… à Ubah Files of Type menjadi Excel à cari data Excel tempat data kita tersimpan à Open à Klik Variable Names from the first row of data à Pilih sheet tempat kita berada à Continue

LANGKAH 3:

Klik Variable View à delete baris No (karena ini tidak perlu) à Pada lajur Column semuanya ubah menjadi 8 biar lebar sheetnya lebih proposional à Pada lajur Measure ubah label sesuai dengan jenis data.

 

Keterangan 

Jenis data	Ciri	Contoh
Nominal	Hanya sebagai label, tidak bisa dilakukan perhitungan aritmatika, data bersifat setara	merk motor, jenis kelamin, pekerjaan, dll
Ordinal	Sama dengan nominal (sebagai label, tidak bisa dilakukan perhitungan aritmatika), bedanya data bersifat bertingkat	jenjang pendidikan, tingkat kepedasan, tingkat kepuasan, dll
Scale	yang bisa dilakukan perhitungan aritmatika	berat, tinggi, jumlah saudara, harga barang, dll

LANGKAH 4:

Selanjutnya perlu kita defenisikan untuk setiap jenis data nominal dan ordinal. Penjelasannya ada dipostingan selanjutnya :D

Catatan: Selain cara di atas, mentransfer data dari Excel ke SPSS, bisa dilakukan dengan mengcopy langsung dari file MS Excel dan di paste ke SPSS, hanya saja pada lajur Name, mesti kita tulis lagi secara manual.

 MENU PADA SPSS

Sebagaimana program lainnya, SPSS juga memiliki berbagai menu untuk melakukan perintah yang diberikan. Menu-menu utama pada SPSS adalah sebagai berikut:

File : menu dasar untuk membuka, menyimpan serta melakukan pengolahan file.

Edit : untuk memperbaiki dan mengolah data yang telah dimasukkan

View : untuk mengatur tampilan menu dalam SPSS

Data : untuk melakukan pengaturan terhadap data yang telah dimasukkan sebelum dilakukan proses analisis.

Trasform : untuk melakukan transformasi data sebelum dilakukan analisis

Analyze : menu yang paling penting dalam SPSS, untuk melakukan berbagai macam analisis statistik di SPSS.

Direct Marketing : menu terbaru SPSS untuk melakukan analisis marketing

Graphs : menu untuk membuat berbagai macam grafik.

Add-Ons : menu untuk menambah program tambahan yang berkaitan dengan SPSS

Window : menu untuk mengatur tampilan jendela

Help : Menu bantuan apabila mengalamai kesulitan dalam menggunakan SPSS.

Di dalam menu Help terdapat Tutorial SPSS. Anda dapat belajar lebih banyak di menu ini.

 BUILDING CHARTS

1. Grafik batang

Grafik batang adalah grafik yang penyajian datanya mengunakan batang  atau persegi panjang. Grafik batang atau sering kita kenal dengan sebutan histogram. Grafik batang  dipakai untuk memperlihatkan perbedaan tingkat nilai dari beberapa aspek pada suatu data. Grafik batang merupakan grafik yang paling sederhana diantara jenis-jenis grafik lainnya. Karena grafik ini sangat mudah untuk dipahami dan hanya menggambarkan data dalam bentuk batang.

 

Panjang batang merupakan gambaran dari presentase data, sedangkan lebar batang tidak berpengaruh apa-apa. Namun, pada umumnya data yang dapat kita bandingkan dengan grafik ini tidak bisa banyak, maksimal data yang dapat kita bandingkan hanya delapan data. Untuk dapat  memperjelas perbandingan antara data satu dengan yang lain maka setiap batang harus memiliki warna-warna yang berbeda.

2. Grafik Garis

Grafik garis adalah grafik yang penyajian datanya mengunakan garis atau kurva. Grafik garis banyak digunakan untuk menggambarkan suatu perkembangan atau perubahan dari waktu ke waktu pada sebuah objek yang di teliti. Garfik ini terdiri dari 2 sumbu utama yakni sumbu X dan sumbu Y. Untuk pengunaaanya sumbu X biasanya digunakan untuk menunjukkan waktu pengamatan. Sedangkan sumbu Y digunakan untuk menunjukkan nilai hasil pengamatan pada waktu-waktu tertentu.  Waktu dan hasil pengamatan dikumpulkan dengan titik-titik pada bidang XY.

 

Kemudian dari tiap-tiap titik yang berdekatan dihubungkan dengan garis sehingga akan menghasilkan garfik garis atau sering disebut juga diagram garis. Misalnya, kita akan membuat  garfik garis dari data pengunjung situs facebook dari hari senin sampai sabtu. Pada sumbu x kita dapat menulisakan tahun mulai dari senin sampai sabtu dan pada sumbu y kita dapat menuliskan angka atau nilai hasil yang diperoleh. Biasanya angka tersebut berupa sekala mulai dari 0 sampai angka hasil tertinggi yang diperoleh dalam penelitian. Contoh : 0,50, 100, 150, 200, dst.

3. Grafik lingkaran

Grafik lingkaran adalah grafik yang penyajian datanya mengunakan lingkaran. grafik lingkaran merupakan gambaran naik turunnya data yang berupa lingkaran untuk menggambarkan persentase dari nilai total suatu data. Dalam membuat grafik lingkaran ada beberapa hal yang harus kita perhatikan yakni, kita tentukan terlebih dahulu besar persentase tiap objek terhadap keseluruhan data  dan kemudian kita tentukan besarnya sudut masing-masing kelompok data. Untuk menetukan presentase suatu kelompok data dapat kita laukan dengan cara jumlah suatu kelompok data di bagi dengan jumlah total seluruh data di kali 100%.

 

Dan untuk menentukan besar sudutnya dapat kita lakukan dengan cara membagi hasil presentase kelompok data dengan 360.  Yang kedua kita tentukan warna masing-masing kelompok data. Warna tersebut digunakan untuk mebedakan antara kelompok data satu dan lainnya. Misalnya, kita akan membuat diagram lingkaran dari data Pengasilan masyarakat desa Karangdoro. Macam-macam penghasilan yang kita peroleh kita kelompokkan berdasarkan jenisnya. Lalu kita tentukan presentase, besar sudut dan warna dari masing-masing hobi dengan cara seperti yang sudah di jelaskan.

PENGUKURAN DESKRIPTIF

 

Deskripsi adalah pemaparan atau penggambaran dengan kata-kata secara jelas dan terperinci (KBBI, 2001:258). Sedangkan statistik deskriptif merupakan alat analisis untuk menjelaskan, meringkas, mereduksi, menyederhanakan, mengorganisasi dan menyajikan data ke dalam bentuk yang teratur, sehingga mudah dibaca, dipahami dan disimpulkan (Wiyono, 2001). Statistik deskriptif digunakan untuk mendeskripsikan suatu keadaan atau masalah agar lebih mudah dipahami.

Analisis deskriptif merupakan analisis yang paling mendasar untuk menggambarkan keadaan data secara umum. Analisis deskriptif ini meliputi beberapa hal, yakni distribusi frekuensi, pengukuran tendensi pusat, dan pengukuran variabilitas (Wiyono, 2001)

4. Distribusi frekuensi. Distribusi frekuensi merupakan susunan data-data mentah yang acak dan sulit dibaca yang kemudian disusun berdasarkan kategori tertentu dalam suatu daftar secara sistematis agar mudah dipahami. Distribusi frekuensi dibagi menjadi beberapa jenis yaitu distribusi frekuensi secara tidak berkelompok, distribusi rank order, distribusi frekuensi secara berkelompok, dan grafik distribusi.

5. Pengukuran Tendensi Pusat. Ukuran tendensi pusat merupakan suatu ukuran yang merupakan wakil kumpulan data untuk mendapatkan gambaran yang lebih jelas mengenai data tersebut baik mengenai sampel ataupun populasi. Beberapa macam ukuran tendensi sentral yaitu rata-rata (mean), median dan modus. Tendensi pusat digunakan untuk melihat letak bagian terbesar dalam distribusi.

6. Pengukuran Variabilitas. Pengukuran variabilitas untuk menggambarkan derajat berpencarnya data kuantitatif. Ukuran ini terdiri atas rentang antarkuartil, simpangan kuartil, rata-rata simpangan, simpangan baku dan koefisien variasi, serta varian. Pengukuran variabilitas berfungsi untuk mengetahui homogenitas atau heterogenitas data. Suatu data bisa saja memiliki nilai tendensi pusat yang sama namun memiliki nilai variansi yang berbeda

Dalam analisis deskriptif, data-data disajikan dalam bentuk tabel, diagram, grafik, dan lain-lain. Hal ini ditujukan untuk mempermudah memahami data-data yang disajikan. Dalam ilmu perencanaan, penggunaan statistik deskriptif dapat dilakukan untuk mempermudah penyampaian informasi agar mudah diterima dan dipahami.

Analisis deskriptif terdiri dari mean, median, modus, simpangan baku dan varian. Terdapat empat data yang digunakan yaitu data nominal, data ordinal, data interval dan data rasio. Namun, terdapat batasan dalam penggunaan data dengan skala-skala tertentu. Data nominal hanya dapat digunakan untuk mengetahui modus karena data nominal merupakan data yang paling sederhana. Data ordinal dapat digunakan untuk mengetahui modus dan median. Sedangkan data interval dan rasio digunakan untuk mengetahui baik modus, median, mean maupun simpangan baku. Hal ini dikarenakan untuk menghitung mean hanya dapat dilakukan dengan menggunakan data yang bisa dilakukan operasi matematik seperti tambah, kurang, kali, bagi dan lain-lain.

Dalam analisis deskriptif, terdapat dua cara yaitu secara manual dan menggunakan software SPSS. Untuk cara manual, dapat digunakan rumus-rumus matematis sebagai berikut.

• Rata-rata (Mean)

Rumus data tunggal:                                        Rumus data berkelompok: 

• Modus

Untuk data tunggal, nilai yang paling banyak jumlahnya merupakan modus. Misalnya dari data x1, x2, x3…. xn, xi adalah yang paling banyak muncul, maka xi adalah modus. Dengan kata lain, modus adalah frekuensi yang paling banyak.

Rumus data berkelompok:

• Median

Untuk data tunggal, median terletak pada pertengahan data yang sudah diurutkan. Data yang berjumlah ganjil, maka nilai tengah dapat langsung ditentukan. Namun, untuk data yang berjumlah genap, nilai median adalah rata-rata dari dua datum yang berada di pertengahan.

Rumus data berkelompok:

• Simpangan baku dan varian

Rumus data tunggal:                                             Rumus data berkelompok:

      

Contoh Kasus

Pembangunan berkelanjutan merupakan proses pembangunan yang secara berkelanjutan mengoptimalkan manfaat dari sumber daya alam dan manusia dengan menyeimbangkan antara aktivitas manusia dan kemampuan alam. Dengan kata lain, pembangunan berlangsung secara berlanjut dan didukung oleh sumber alam dengan kualitas lingkungan dan manusia semakin berkembang. Pembangunan berkelanjutan dalam kaitannya dengan kependudukan terlihat pada ketersediaan sumber daya alam yang nantinya dikonsumsi oleh manusia.

Jumlah penduduk yang tidak terkendali dalam jangka waktu yang panjang akan menimbulkan dampak kelangkaan sumber daya alam sebagai isu utama dalam perekonomian. Sumber alam terutama udara, air dan tanah, memiliki ambang batas dimana pemanfaatan yang berlebihan akan menyebabkan berkurangnya kuantitas dan kualitas sumberdaya alam sehingga mengurangi kemampuannya mendukung kehidupan umat manusia. Penggunaan bahan baku dari alam seperti kayu, bahan pangan, logam yang digunakan dalam perindustrian akan meningkat seiring dengan peningkatan kebutuhan penduduk. Oleh karena itu dibutuhkan upaya pengendalian jumlah penduduk agar alam mampu mendukung kehidupan manusia hingga masa yang akan datang.

Untuk mengatasi masalah kependudukan, pemerintah mencanangkan program Keluarga Berencana di seluruh penjuru Indonesia. Namun, keberhasilan dari program ini juga sangat dipengaruhi oleh persepsi atau pemikiran masyarakat itu sendiri terutama bagi warga masyarakat yang berlatarbelakang ilmu pengetahuan dan pendidikan yang rendah, sehingga diperlukan sosialisasi atau penyuluhan mengenai program tersebut agar masyarakat dapat membuka pikiran.

Kota Surabaya merupakan salah satu kota metropolitan di Indonesia dengan jumlah penduduk lebih dari 1 juta jiwa. Pada sensus tahun 2010, jumlah penduduk Kota Surabaya tercatat sebanyak 2.765.908 jiwa yang tersebar di 31 kecamatan. Untuk menanggapi isu kelangkaan sumber daya alam dalam rangka pembangunan berkelanjutan di Kota Surabaya, dapat dilakukan dengan melihat kecenderungan pemerataan jumlah penduduk pada seluruh kecamatan. Selain itu, dapat dilakukan penyuluhan program Keluarga Berencana sebagai upaya penekanan jumlah penduduk. Dalam melakukan hal tersebut perlu diperhatikan lokasi yang paling membutuhkan sosialisasi program Keluarga Berencana dengan mempertimbangkan rata-rata jumlah anggota rumah tangga dan kepadatan penduduk di suatu Kecamatan.

Analisis deskriptif ini bertujuan untuk menentukan daerah yang diutamakan dalam pengendalian jumlah penduduk yang dilakukan dengan penyuluhan mengenai program Keluarga Berencana. Data yang digunakan dalam analisis ini adalah data dalam bentuk nominal dan scale dengan tipe data string dan Numeric. Ketentuannya adalah dimana suatu daerah memiliki tingkat kepadatan penduduk serta rata-rata jumlah anggota rumah tangga yang tinggi. Berikut kategori pada kepadatan penduduk dan rata-rata jumlah anggota rumah tangga.

Kepadatan Penduduk: –         5000    : Rendah –         5001-15000  : Sedang –         15001  :Tinggi

Rata-rata jumlah anggota rumah tangga: –          3,50  : Rendah –          3,51   : Tinggi

Berikut tabel data jumlah penduduk, jumlah rumah tangga serta luas wilayah.

Tabel Jumlah Penduduk, Jumlah Rumat Tangga dan Luas Wilayah Kota Surabaya Per Kecamatan pada Tahun 2010

Output dan Analisis

Berikut hasil perhitungan menggunakan SPSS.

Tabel Hasil Perhitungan dan Pengkategorian Rata-rata Anggota Rumah Tangga dan Kepadatan Penduduk Tahun 2010

Nilai rata-rata anggota rumah tangga diperoleh dari jumlah penduduk total yang dibagi dengan jumlah rumah tangga menggunakan menu Transform à Compute Variable pada SPSS. Sedangkan nilai kepadatan penduduk diperoleh dari perbandingan jumlah penduduk dengan luas wilayah. Dari data di atas, dapat diketahui bahwa di Kota Surabaya terdapat tujuh kecamatan yang lebih diutamakan dalam pengendalian jumlah penduduk. Kecamatan tersebut yaitu:

1. Bubutan
2. Simokerto
3. Semampir
4. Kenjeran
5. Tambaksari
6. Mulyoreo
7. Wonokromo

Ketujuh kecamatan tersebut perlu mendapatkan perhatian karena rata-rata jumlah penduduknya yang tinggi pada kepadatan penduduk yang tinggi pula yaitu memiliki nilai rata-rata anggota rumah tangga lebih dari 3,51 dan nilai kepadatan penduduk yang lebih dari 15.001 jiwa/km2 sehingga perlu diadakan sosialisasi atau penyuluhan yang lebih gencar mengenai program Keluarga Berencana.

Berikut tabel hasil perhitungan menggunakan metode Analyze à Descriptive Statistics à Frequencies (tabel 3.2) dan metode Analyze à Descriptive Statistics à Descriptives.

Tabel Hasil Perhitungan Frequencies

Pada tabel Frequencies di atas diperoleh data Mean, Median, Mode, Standard Deviation, Variance, Minimum, Maximum dan Sum. Menu Frequencies lebih lengkap jika dibandingkan dengan menu Descriptives. Dari tabel di atas dapat diketahui:

• Kevalidan data, yaitu jumlah data yang diproses sama dengan jumlah data yang diinput yaitu 31 data.
• Nilai rata-rata untuk jumlah penduduk sebesar 89222.84, jumlah rumah tangga 24804.26, luas wilayah 10.5445, kepadatan penduduk 11300.57 dan rata-rata anggota rumah tangga 3.6227
• Nilai tengah untuk jumlah penduduk sebesar 79179.00, jumlah rumah tangga 22314.00, luas wilayah 8.7600, kepadatan penduduk 10222.35 dan rata-rata anggota rumah tangga 3.6963
• Modus untuk jumlah penduduk sebesar 37525a , jumlah rumah tangga 9544a, luas wilayah 9.23, kepadatan penduduk 2088a dan rata-rata anggota rumah tangga 2.86a
• Standard deviation untuk jumlah penduduk sebesar 42839.582, jumlah rumah tangga 11762.313, luas wilayah 6.11474, kepadatan penduduk 089 dan rata-rata anggota rumah tangga 0.28654
• Nilai varian untuk jumlah penduduk sebesar 1.835E9 , jumlah rumah tangga 1.384E8, luas wilayah 37.390, kepadatan penduduk 5.576E7 dan rata-rata anggota rumah tangga 0.082. Nilai E merupakan kelipatan 10.
• Nilai terendah untuk jumlah penduduk sebesar 37525, jumlah rumah tangga 9544, luas wilayah 2.59 , kepadatan penduduk 2088 dan rata-rata anggota rumah tangga 2.86.
• Nilai tertinggi untuk jumlah penduduk sebesar 205381, jumlah rumah tangga 55564, luas wilayah 23.72, kepadatan penduduk 30571 dan rata-rata anggota rumah tangga 4.02.
• Jumlah total untuk jumlah penduduk sebesar 2765908 , jumlah rumah tangga 768932, luas wilayah 326.88, kepadatan penduduk 350318 dan rata-rata anggota rumah tangga 112.30.

Pada Frequencies, tabel frekuensi juga ditampilkan. Tabel frekuensi merupakan tabel yang menunjukkan berapa kali suatu nilai muncul. Selain itu juga terdapat persentase kemunculan tersebut, serta kumulatif dari persentase. Tabel frekuensi terlampir beserta diagram pie.

Tabel Hasil Perhitungan Descriptive

Pada dasarnya, muatan pada kedua tabel di atas hampir sama. Terdapat Mean, Maximum, Minimum, Simpangan Baku dan Varian. Namun menu yang terdapat pada Descriptives tidak selengkap Frequencies dan tidak menunjukkan kevalidan data. Descriptives menyajikan hasil analisis dalam satu tabel saja.

Kesimpulan

Berdasarkan hasil analisis yang dilakukan, dapat diambil kesimpulan bahwa:

• Semua data yang diinput adalah valid, artinya semua data diproses tanpa ada yang hilang yaitu sebanyak 31 data.
• Analisis deskriptif dapat dilakukan dengan menggunakan analisis frequencies dan analisis descriptive.
• Nilai rata-rata untuk jumlah penduduk sebesar 89222.84, jumlah rumah tangga 24804.26, luas wilayah 10.5445, kepadatan penduduk 11300.57 dan rata-rata anggota rumah tangga 3.6227
• Nilai tertinggi untuk jumlah penduduk sebesar 205381 pada Kecamatan Tambaksari , jumlah rumah tangga 55564 pada Kecamatan Tambaksari, luas wilayah 23.72 pada Kecamatan Benowo, kepadatan penduduk 30571 yang terdapat pada Kecamatan Simokerto dan rata-rata anggota rumah tangga 4.02 di Kecamatan Kenjeran.
• Suatu kecamatan dikatakan memiliki kepadatan penduduk yang tinggi apabila bernilai lebih dari atau sama dengan 15.001 jiwa/km2.
• Suatu kecamatan dikatakan memiliki rata-rata jumlah anggota rumah tangga yang tinggi apabila bernilai lebih dari atau sama dengan 3,51.

Daerah yang diutamakan dalam pengendalian jumlah penduduk sebagai langkah dalam proses pembangunan berkelanjutan yaitu daerah yang memiliki rata-rata jumlah anggota rumah tangga dan kepadatan penduduk yang sama-sama tinggi

UJI NORMALITAS

Uji normalitas digunakan untuk mengetahui data yang akan dianalisis berdistribusi normal atau tidak. Secara fundamental, data yang berdistribusi normal dapat diketahui melalui bentuk histogram seperti lonceng. Terdapat banyak uji normalitas untuk mengetahui distribusi data. 

A. Pengertian Uji Normalitas Shapiro WilK

Uji Normalitas Shapiro Wilk adalah uji yang dilakukan untuk mengetahui sebaran data acak suatu sampel kecil. Dalam 2 seminar paper yang dilakukan Shapiro, Wilk tahun 1958 dan Shapiro, Wilk, Chen 1968 digunakan simulasi data yang tidak lebih dari 50 sampel. Sehingga disarankan untuk menggunakan uji shapiro wilk untuk sampel data kurang dari 50 sampel (N<50). Dalam pengujian, suatu data dikatakan berdisitribusi normal apabila nilai signifikansi >0.05 (sig. >0.05).

B. Pengertian Uji Normalitas Kolmogorov Smirnov

Uji Normalitas Kolmogorov Smirnov adalah uji yang dilakukan untuk mengetahui sebaran data acak dan spesifik pada suatu populasi (Chakravart, Laha, and Roy, 1967). Berdasarkan pengujian yang dilakukan National Institute of Standars and Technology, uji kolmogorov smirnov menghasilkan performa yang baik untuk ukuran data 20-1000. Namun dalam penelitian pada umumnya, pengujian kolmogorov smirnov masih digunakan untuk sampel data yang berukuran lebih dari 2000 sampel. Sehingga disarankan untuk menggunakan uji kolmogorov smirnov untuk data diatas 50 sampel (20≤N≤1000). Dalam pengujian, suatu data dikatakan berdisitribusi normal apabila nilai signifikansi >0.05 (sig. >0.05).

C. Cara Uji Normalitas SPSS beserta Grafiknya

Contoh: Melakukan Uji Normalitas keseluruhan data

Diketahui pada Data View berikut (menggunakan tampilan value labels) berisi data nilai ujian matematika dari 20 siswa suatu kelas.

Dengan variabel pada data SPSS

Berikut langkah-langkah untuk melakukan uji normalitas pada SPSS,

1. Klik Analyze > Descriptive Statistics > Explore…

 

2. Masukkan variabel yang dilakukan pengujian normalitas pada jendela Explore

Masukkan variabel dilakukan pengujian ke kolom Dependent List. Kita juga dapat memasukkan variabel ke Factor List untuk melakukan pengujian berdasarkan kriteria tertentu, misalnya uji normalitas data yang dibedakan berdasarkan jenis kelamin.

Catatan: Anda dapat memasukkan beberapa variabel sekaligus di Dependent List untuk menguji normalitas masing-masing varibel, misalnya uji normalitas 2 variabel atau 3 variabel.

3. Klik Plots.. pada jendela Explore dan centang Normality plot with tests

 

• Boxplots: Untuk membuat Boxplot data
• Descriptive: Untuk melakukan analisis deskriptif serta membuat grafik Steam-and-leaf atau Histogramnya (centang jika diperlukan)
• Normality plots with tests: untuk melakukan pengujian normalitas

4. Klik Continue lalu klik OK

5. Hasil pengujian ditampilkan pada jendela output

D. Membaca Hasil Uji Normalitas SPSS

Untuk mempermudah membaca hasil analisis anda dapat menggunakan panel navigasi pada jendela ouput.

Hasil Pengujian Normalitas (Test of Normality)

 

Nilai signifikansi (p) pada uji kolmogorov-smirnov adalah 0.2 ( p > 0.05), sehingga berdasarkan uji normalitas kolomogorov-smirnov data berdistribusi normal.

Nilai signifikansi (p) pada uji shapiro-wilk adalah 0.853 ( p > 0.05), sehingga berdasarkan uji normalitas shapiro-wilk data berdistribusi normal.

Histogram Data

 

Terlihat bentuk histogram data hampir menyerupai lonceng.

Normal Q-Q Plot

Q-Q Plot baik digunakan dengan data N≥20 untuk melihat keragaman sebaran data univariat (1 variabel)

.

PENGERTIAN KORELASI

Secara sederhana, korelasi dapat diartikan sebagai hubungan. Namun ketika dikembangkan lebih jauh, korelasi tidak hanya dapat dipahami sebatas pengertian tersebut. Korelasi merupakan salah satu teknik analisis dalam statistik yang digunakan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu akan diikuti perubahan pada variabel yang lain secara teratur dengan arah yang sama (korelasi positif) atau berlawanan (korelasi negatif). 

Dalam Matematika, korelasi merupakan ukuran dari seberapa dekat dua variabel berubah dalam hubungan satu sama lain. Sebagai contoh, kita bisa menggunakan tinggi badan dan usia siswa SD sebagai variabel dalam korelasi positif. Semakin tua usia siswa SD, maka tinggi badannya pun menjadi semakin tinggi. Hubungan ini disebut korelasi positif karena kedua variabel mengalami perubahan ke arah yang sama, yakni dengan meningkatnya usia, maka tinggi badan pun ikut meningkat. 

Sementara itu, kita bisa menggunakan nilai dan tingkat ketidak hadiran siswa sebagai contoh dalam korelasi negatif. Semakin tinggi tingkat ketidak hadiran siswa di kelas, maka nilai yang diperolehnya cenderung semakin rendah. Hubungan ini disebut korelasi negatif karena kedua variabel mengalami perubahan ke arah yang berlawanan, yakni dengan meningkatnya tingkat ketidak hadiran, maka nilai siswa justru menurun. 

Kedua variabel yang dibandingkan satu sama lain dalam korelasi dapat dibedakan menjadi variabel independen dan variabel dependen. Sesuai dengan namanya, variabel independen adalah variabel yang perubahannya cenderung di luar kendali manusia. Sementara itu variabel dependen adalah variabel yang dapat berubah sebagai akibat dari perubahan variabel indipenden. Hubungan ini dapat dicontohkan dengan ilustrasi pertumbuhan tanaman dengan variabel sinar matahari dan tinggi tanaman. Sinar matahari merupakan variabel independen karena intensitas cahaya yang dihasilkan oleh matahari tidak dapat diatur oleh manusia. Sedangkan tinggi tanaman merupakan variabel dependen karena perubahan tinggi tanaman dipengaruhi langsung oleh intensitas cahaya matahari sebagai variabel indipenden.

MACAM-MACAM KORELASI

Korelasi sebagai sebuah analisis memiliki berbagai jenis menurut tingkatannya. Beberapa tingkatan korelasi yang telah dikenal selama ini antara lain adalah korelasi sederhana, korelasi parsial, dan korelasi ganda. Berikut ini adalah penjelasan dari masing-masing korelasi dan bagaimana cara menghitung hubungan dari masing-masing korelasi tersebut. 

1. Korelasi Sederhana

Korelasi Sederhana merupakan suatu teknik statistik yang dipergunakan untuk mengukur kekuatan hubungan antara 2 variabel dan juga untuk dapat mengetahui bentuk hubungan keduanya dengan hasil yang bersifat kuantitatif. Kekuatan hubungan antara 2 variabel yang dimaksud adalah apakah hubungan tersebut erat, lemah,  ataupun tidak erat. Sedangkan bentuk hubungannya adalah apakah bentuk korelasinya linear positifataupun linear negatif. 

Di antara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Lalu apa perbedaan di antara keduanya? 

Korelasi Pearson Product Moment adalah korelasi yang digunakan untuk data kontinu dan data diskrit. Korelasi pearson cocok digunakan untuk statistik parametrik. Ketika data berjumlah besar dan memiliki ukuran parameter seperti mean dan standar deviasi populasi.

Korelasi Pearson menghitung korelasi dengan menggunakan variasi data. Keragaman data tersebut dapat menunjukkan korelasinya. Korelasi ini menghitung data apa adanya, tidak membuat ranking atas data yang digunakan seperti pada korelasi Rank Spearman. Ketika kita memiliki data numerik seperti nilai tukar rupiah, data rasio keuangan, tingkat pertumbuhan ekonomi, data berat badan dan contoh data numerik lainnya, maka Korelasi Pearson Product Moment cocok digunakan. 

Sebaliknya, Koefisien Korelasi Rank Spearman digunakan untuk data diskrit dan kontinu namun untuk statistik nonparametrik. Koefisien korelasi Rank Spearman lebih cocok untuk digunakan pada statistik nonparametrik. Statistik nonparametrik adalah statistik yang digunakan ketika data tidak memiliki informasi parameter, data tidak berdistribusi normal atau data diukur dalam bentuk ranking. Berbeda dengan Korelasi Pearson, korelasi ini tidak memerlukan asumsi normalitas, maka korelasi Rank Spearman cocok juga digunakan untuk data dengan sampel kecil. 

Korelasi Rank Spearman menghitung korelasi dengan menghitung ranking data terlebih dahulu. Artinya korelasi dihitung berdasarkan orde data. Ketika peneliti berhadapan dengan data kategorik seperti kategori pekerjaan, tingkat pendidikan, kelompok usia, dan contoh data ketegorik lainnya, maka Korelasi Rank Spearman cocok digunakan. Korelasi Rank Spearman pun cocok digunakan pada kondisi dimana peneliti dihadapkan pada data numerik (kurs rupiah, rasio keuangan, pertumbuhan ekonomi), namun peneliti tidak memiliki cukup banyak data (data kurang dari 30). 

2. Korelasi Parsial

Korelasi parsial adalah suatu metode pengukuran keeratan hubungan (korelasi) antara variabel bebas dan variabel tak bebas dengan mengontrol salah satu variabel bebas untuk melihat korelasi natural antara variabel yang tidak terkontrol. Analisis korelasi parsial (partial correlation) melibatkan dua variabel. Satu buah variabel yang dianggap berpengaruh akan dikendalikan atau dibuat tetap (sebagai variabel kontrol). 

Sebagai contoh misalnya kita akan meneliti hubungan variabel X2 dan variabel bebas Y, denganX1 dikontrol (korelasi parsial). Disini variabel yang dikontrol (X1) dikeluarkan atau dibuat konstan. Sehingga X2’ = X2 – (b2X1 + a2 ) dan Y’ = Y – (b1 X1 +a1 ), tetapi nilai a dan b didapatkan dengan menggunakan regresi linear. Setelah hasilnya diperoleh, kemudian dicari regresi X2‘ dengan Y’ dimana : Y’ = b3X2’ +a3. Korelasi yang didapatkan dan sejalan dengan model-model di atas dinamakan korelasi parsial X2 dan Y sedangkan X1 dibuat konstan.

Nilai korelasi berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat. Sebaliknya, jika nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik, maka Y naik) sementara nilai negatif menunjukkan hubungan terbalik (X naik, maka Y turun). 

Data yang digunakan dalam korelasi parsial biasanya memiliki skala interval atau rasio. Berikut adalah pedoman untuk memberikan interpretasi serta analisis bagi koefisien korelasi menurut Sugiyono:

0.00 - 0,199 = sangat rendah

0,20 - 0,3999 = rendah

0,40 - 0,5999 = sedang

0,60 - 0,799 = kuat

0,80 - 1,000 = sangat kuat

3. Korelasi Ganda

Korelasi ganda adalah bentuk korelasi yang digunakan untuk melihat hubungan antara tiga atau lebih variabel (dua atau lebih variabel independen dan satu variabel dependent. Korelasi ganda berkaitan dengan interkorelasi variabel-variabel independen sebagaimana korelasi mereka dengan variabel dependen. 

Korelasi ganda adalah suatu nilai yang memberikan kuatnya pengaruh atau hubungan dua variabel atau lebih secara bersama-sama dengan variabel lain. Korelasi ganda merupakan korelasi yang terdiri dari dua atau lebih variabel bebas (X1,X2,…..Xn) serta satu variabel terikat (Y). Apabila perumusan masalahnya terdiri dari tiga masalah, maka hubungan antara masing-masing variabel dilakukan dengan cara perhitungan korelasi sederhana. 

Korelasi ganda memiliki koefisien korelasi, yakni besar kecilnya hubungan antara dua variabel yang dinyatakan dalam bilangan. Koefisien Korelasi disimbolkan dengan huruf R. Besarnya Koefisien Korelasi adalah antara -1; 0; dan +1. 

Besarnya korelasi -1 adalah negatif sempurna yakni terdapat hubungan di antara dua variabel atau lebih namun arahnya terbalik, +1 adalah korelasi yang positif sempurna (sangat kuat) yakni adanya sebuah hubungan di antara dua variabel atau lebih tersebut, sedangkan koefisien korelasi 0 dianggap tidak terdapat hubungan antara dua variabel atau lebih yang diuji sehingga dapat dikatakan tidak ada hubungan sama sekali.

Analisis Regresi Sederhana, Ini Penjelasannya

29Jan By Hidayat Huang

Analisis Regresi Sederhana adalah sebuah metode pendekatan untuk pemodelan hubungan antara satu variabel dependen dan satu variabel independen. Dalam model regresi, variabel independen menerangkan variabel dependennya. Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, dimana perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y secara tetap. Sementara pada hubungan non linier, perubahaan variabel X tidak diikuti dengan perubahaan variabel y secara proporsional. seperti pada model kuadratik, perubahan x diikuti oleh kuadrat dari variabel x. Hubungan demikian tidak bersifat linier.

Secara matematis model analisis regresi linier sederhana dapat digambarkan sebagai berikut:

Y = A + BX + e

Y adalah variabel dependen atau respon

A adalah intercept atau konstanta

B adalah koefisien regresi atau slope

e adalah residual atau error

Secara praktis analisis regresi linier sederhana memiliki kegunaan sebagai berikut:

1. Model regresi sederhana dapat digunakan untuk forecast atau memprediksi nilai Y. Namun sebelum melakukan forecasting, terlebih dahulu harus dibuat model atau persamaan regresi linier. Ketika model yang fit sudah terbentuk maka model tersebut memiliki kemampuan untuk memprediksi nilai Y berdasarkan variabel Y yang diketahui. Katakanlah sebuah model regresi digunakan untuk membuat persamaan antara pendapatan (X) dan konsumsi (Y). Ketika sudah diperoleh model yang fit antara pendapatan dengan konsumsi, maka kita dapat memprediksi berapa tingkat konsumsi masyarakat ketika kita sudah mengetahui pendapatan masyarakat.

2. Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita memiliki satu serial data variabel Y, melalui analisis regresi linier sederhana kita dapat membuat model variabel-variabel yang memiliki pengaruh terhadap variabel Y. Hubungan antara variabel dalam analisis regresi bersifat kausalitas atau sebab akibat. Berbeda halnya dengan analisis korelasi yang hanya melihat hubungan asosiatif tanpa mengetahui apa variabel yang menjadi sebab dan apa variabel yang menjadi akibat.

Model regresi linier sederhana yang baik harus memenuhi asumsi-asumsi berikut:

1. Eksogenitas yang lemah, kita harus memahami secara mendasar sebelum menggunakan analisis regresi bahwa analisis ini mensyaratkan bahwa variabel X bersifat fixed atau tetap, sementara variabel Y bersifat random. Maksudnya adalah satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan beberapa variabel Y. dengan demikian harus ada nilai error atau kesalahan pada variabel Y. Sebagai contoh ketika pendapatan (X) seseorang sebesar Rp 1 juta rupiah, maka pengeluarannya bisa saja, Rp 500 ribu, Rp 600 ribu, Rp 700 ribu dan seterusnya.

2. Linieritas, seperti sudah dijelaskan sebelumnya bahwa model analisis regresi bersifat linier. artinya kenaikan variabel X harus diikuti secara proporsional oleh kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita dapat melakukan transformasi data atau menggunakan model kuadratik, eksponensial atau model lainnya yang sesuai dengan pola hubungan non-linier.

3. Varians error yang konstan, ini menjelaskan bahwa varians error atau varians residual yang tidak berubah-ubah pada respon yang berbeda. asumsi ini lebih dikenal dengan asumsi homoskedastisitas. Mengapa varians error perlu konstan? karena jika konstan maka variabel error dapat membentuk model sendiri dan mengganggu model. Oleh karena itu, penanggulangan permasalahan heteroskedastisitas/non-homoskedastisitas dapat diatasi dengan menambahkan model varians error ke dalam model atau model ARCH/GARCH.

4. Autokorelasi untuk data time series, jika kita menggunakan analisis regresi sederhana untuk data time series atau data yang disusun berdasarkan urutan waktu, maka ada satu asumsi yang harus dipenuhi yaitu asumsi autokorelasi. Asumsi ini melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y. Jika ada gangguan autokorelasi artinya ada pengaruh variabel lag waktu sebelumnya terhadap variabel Y. sebagai contoh, model kenaikan harga BBM terhadap inflasi, jika ditemukan atukorelasi artinya terdapat pengaruh lag waktu terhadap inflasi. Artinya inflasi hari ini atau bulan ini bukan dipengaruhi oleh kenaikan BBM hari ini namun dipengaruhi oleh kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung data yang dikumpulkan).

Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya berskala interval atau rasio.

Rumus regresi linear sederhana sebagi berikut:

Y’ = a + bX

Keterangan:

Y’ = Variabel dependen (nilai yang diprediksikan)

X   = Variabel independen

a    = Konstanta (nilai Y’ apabila X = 0)

         b    = Koefisien regresi (nilai peningkatan ataupun penurunan)

Contoh kasus:

Seorang mahasiswa bernama Hermawan ingin meneliti tentang pengaruh biaya promosi terhadap volume penjualan pada perusahaan jual beli motor. Dengan ini di dapat variabel dependen (Y) adalah volume penjualan dan variabel independen (X) adalah biaya promosi. Dengan ini Hermawan menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear sederhana. Data-data yang di dapat ditabulasikan sebagai berikut:

                     Tabel. Tabulasi Data Penelitian (Data Fiktif)

No	Biaya Promosi	Volume Penjualan
1	12,000	56,000
2	13,500	62,430
3	12,750	60,850
4	12,600	61,300
5	14,850	65,825
6	15,200	66,354
7	15,750	65,260
8	16,800	68,798
9	18,450	70,470
10	17,900	65,200
11	18,250	68,000
12	16,480	64,200
13	17,500	65,300
14	19,560	69,562
15	19,000	68,750
16	20,450	70,256
17	22,650	72,351
18	21,400	70,287
19	22,900	73,564
20	23,500	75,642

Langkah-langkah pada program SPSS

Ø  Masuk program SPSS

Ø  Klik variable view pada SPSS data editor

Ø  Pada kolom Name ketik y, kolom Name pada baris kedua ketik x.

Ø  Pada kolom Label, untuk kolom pada baris pertama ketik Volume Penjualan, untuk kolom pada baris kedua ketik Biaya Promosi.

Ø  Untuk kolom-kolom lainnya boleh dihiraukan (isian default)

Ø  Buka data view pada SPSS data editor, maka didapat kolom variabel y dan x.

Ø  Ketikkan data sesuai dengan variabelnya

Ø  Klik Analyze  - Regression - Linear

Ø  Klik variabel Volume Penjualan dan masukkan ke kotak Dependent, kemudian klik variabel Biaya Promosi dan masukkan ke kotak Independent.

Ø  Klik Statistics, klik Casewise diagnostics, klik All cases. Klik Continue

Ø Klik OK, maka hasil output yang didapat pada kolom Coefficients dan Casewise Diagnostics adalah sebagai berikut:

              Tabel. Hasil Analisis Regresi Linear Sederhana

 

 

 Persamaan regresinya sebagai berikut:

Y’ = a + bX

Y’ =  -28764,7 + 0,691X

Angka-angka ini dapat diartikan sebagai berikut:

- Konstanta sebesar -28764,7; artinya jika biaya promosi (X) nilainya adalah 0, maka volume penjulan (Y’) nilainya negatif yaitu sebesar -28764,7.

-  Koefisien regresi variabel harga (X) sebesar 0,691; artinya jika harga mengalami kenaikan Rp.1, maka volume penjualan (Y’) akan mengalami peningkatan sebesar Rp.0,691. Koefisien bernilai positif artinya terjadi hubungan positif antara harga dengan volume penjualan, semakin naik harga maka semakin meningkatkan volume penjualan. 

Nilai volume penjualan yang diprediksi (Y’) dapat dilihat pada tabel Casewise Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized residual) adalah selisih antara Volume Penjualan dengan Predicted Value, dan Std. Residual (standardized residual) adalah nilai residual yang telah terstandarisasi (nilai semakin mendekati 0 maka model regresi semakin baik dalam melakukan prediksi, sebaliknya semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi dalam melakukan prediksi).

-     Uji Koefisien Regresi Sederhana (Uji t)

Uji ini digunakan untuk mengetahui apakah variabel independen (X) berpengaruh secara signifikan terhadap variabel dependen (Y). Signifikan berarti pengaruh yang terjadi dapat berlaku untuk populasi (dapat digeneralisasikan).

Dari hasil analisis regresi di atas dapat diketahui nilai t hitung seperti pada tabel 2. Langkah-langkah pengujian sebagai berikut:

1.   Menentukan Hipotesis

Ho   : Ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan

Ha :    Tidak ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan

2.   Menentukan tingkat signifikansi

Tingkat signifikansi menggunakan a = 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian)

      3.   Menentukan t hitung

Berdasarkan tabel  diperoleh t hitung sebesar 10,983

      4.   Menentukan t tabel

Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df) n-k-1 atau  20-2-1  = 17 (n adalah jumlah kasus dan k adalah jumlah variabel independen). Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2,110 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,17) lalu enter.

5.   Kriteria Pengujian

Ho diterima jika –t tabel < t hitung < t tabel

            Ho ditolak jika -thitung < -t tabel atau t hitung > t tabel

6.   Membandingkan t hitung dengan t tabel

Nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak.

7.  Kesimpulan

Oleh karena nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak, artinya bahwa ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan. Jadi dalam kasus ini dapat disimpulkan bahwa biaya promosi berpengaruh terhadap volume penjualan pada perusahaan jual beli motor.

Regresi linier berganda merupakan salah satu pengujian hipotesis untuk mengetahui pengaruh antara variabel bebas (independen) terhadap variabel tetapnya (dependen).  Selain itu uji hipotesis yang lainnya adalah Uji T, Uji F dan Uji R² yang akan di bahas dalam artikel ini… Secara tajam, setajam…….. Pisau dapur..!! Hehehe..

Okedeh, tanpa basa basi saya antar anda kepada pembahasannya. Dijamin akan sangat bermanfaat..

1. Analisis Regresi Linier Berganda

Analisis regresi linier berganda ini digunakan untuk mengetahui ada tidaknya pengaruh dari variabel bebas terhadap variabel terikat. Disini saya akan memberikan contoh seperti artikel saya sebelumnya, lihat artikelnya disini.

Sehingga yang saya cari adalah pengaruh variabel bebas (independen variable) yaitu Leverage (X1), CR (X2), Return On Asset (X3) dan Return On Equity (X4) terhadap variabel terikat (dependen variable) yaitu Beta (Y).

Dan persamaan regresinya dapat dirumuskan sebagai berikut (Suharyadi dan Purwanto, 2004:509):

 

Dimana:

Y                = Beta (β)

a                = Konstanta

b1,b2,b3,b4        = Koefisien determinasi

X1              = Leverage

X2             = CR

X3             = Return On Asset (ROA)

X4             = Return On Equity (ROE)

e                = Error

Untuk membaca dari hasil SPSS terhadap persamaan regresinya adalah dengan melihat output spss pada tabel “Coefficients” (yang belum tau caranya bisa dilihat langkahnya dengan klik disini).

Untuk lebih jelasnya bisa lihat pada contoh saya yang sebelumnya dan gambar di bawah ini:

 

Berdasarkan tabel diatas dapat diperoleh rumus regresi sebagai berikut:

Y = (-0,094) + 2,934 X1 – 0,071 X2 – 0,043 X3 – 0,003 X4­  + e

Interpretasi dari regresi diatas adalah sebagai berikut:

1. Konstanta (a)

Ini berarti jika semua variabel bebas memiliki nilai nol (0) maka nilai variabel terikat (Beta) sebesar -0,094.

2. Leverage (X1) terhadap beta (Y)

Nilai koefisien Leverage untuk variabel X1 sebesar 2,839. Hal ini mengandung arti bahwa setiap kenaikan Leverage satu satuan maka variabel Beta (Y) akan naik sebesar 2,839 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

3. CR (X2) terhadap beta (Y)

Nilai koefisien Current Ratio untuk variabel X2 sebesar 0,071 dan bertanda negatif, ini menunjukkan bahwa Current Ratio mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan Current Ratio satu satuan maka variabel Beta (Y) akan turun sebesar 0,071 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

4. ROA (X3) terhadap Beta (Y)

Nilai koefisien ROA terstandarisasi untuk variabel X3 sebesar 0,043 dan bertanda negatif, ini menunjukkan bahwa ROA mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan ROA satu satuan maka variabel Beta (Y) akan turun sebesar 0,043 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

5. ROE (X4) terhadap Beta (Y)

Nilai koefisien ROE  untuk variabel X4 sebesar 0,003 dan bertanda negatif, ini menunjukkan bahwa ROE mempunyai hubungan yang berlawanan arah dengan Risiko Sistematis. Hal ini mengandung arti bahwa setiap kenaikan ROE satu satuan maka variabel Beta (Y) akan turun sebesar 0,003 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

2. Uji t

Uji t digunakan untuk mengetahui apakah variabel-variabel independen secara parsial berpengaruh nyata atau tidak terhadap variabel dependen. Derajat signifikansi yang digunakan adalah 0,05. Apabila nilai signifikan lebih kecil dari derajat kepercayaan maka kita menerima hipotesis alternatif, yang menyatakan bahwa suatu variabel independen secara parsial mempengaruhi variabel dependen.

Analisis uji t juga dilihat dari tabel ”Coefficient”. Contoh dari artikel saya sebelumnya:

Cara bacanya:

1. Leverage (X1) terhadap Beta (Y)

Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,002. Nilai sig lebih kecil dari nilai probabilitas 0,05, atau nilai 0,002<0,05, maka H1 diterima dan Ho ditolak. Variabel X1 mempunyai thitung  yakni 3,317 dengan ttabel=2,021. Jadi thitung>ttabel dapat disimpulkan bahwa variabel X1 memiliki kontribusi terhadap Y. Nilai t positif menunjukkan bahwa variabel X1 mempunyai hubungan yang searah dengan Y. Jadi dapat disimpulkan leverage memiliki pengaruh signifikan terhadap Beta.

2. Current Ratio (X2) terhadap beta (Y)

Terlihat pada kolom Coefficients model 1 terdapat nilai sig 0,039. Nilai sig lebih kecil dari nilai probabilitas 0,05, atau nilai 0,039<0,05, maka H1 diterima dan Ho ditolak. Variabel X2 mempunyai thitung  yakni 2,134 dengan ttabel=2,021. Jadi thitung>ttabel dapat disimpulkan bahwa variabel X2 memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa X2 mempunyai hubungan yang  berlawanan arah dengan Y. Jadi dapat disimpulkan CR memiliki pengaruh signifikan terhadap beta.

3. ROA (X3) terhadap Beta (Y)

Terlihat nilai sig untuk ROA adalah 0,100. Nilai sig lebih besar dari nilai probabilitas 0,05, atau nilai 0,100>0,05, maka H1 ditolak dan Ho diterima. Variabel X3mempunyai thitung  yakni 1,683 dengan ttabel=2,021. Jadi thitung<ttabel dapat disimpulkan bahwa variabel X3 tidak memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa X3 mempunyai hubungan yang berlawanan arah dengan Y. Jadi dapat disimpulkan ROA tidak berpengaruh signifikan terhadap risiko Beta

.

4. ROE (X4) terhadap

Terlihat nilai sig pada ROE adalah 0,726. Nilai sig lebih besar dari nilai probabilitas 0,05, atau nilai 0,726>0,05, maka H1 ditolak dan Ho diterima. Variabel X4mempunyai thitung  yakni 0,353 dengan ttabel=2,021. Jadi thitung<ttabel dapat disimpulkan bahwa variabel X4 tidak memiliki kontribusi terhadap Y. Nilai t negatif menunjukkan bahwa ROE mempunyai hubungan yang berlawanan arah dengan Beta. Jadi dapat disimpulkan ROE tidak berpengaruh signifikan terhadap risiko Beta.

Sehingga ringkasan hasil pengujian hipotesis adalah sbb:

3. Uji F

Uji F digunakan untuk mengetahui apakah variabel-variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen. Derajat kepercayaan yang digunakan adalah 0,05. Apabila nilai F hasil perhitungan lebih besar daripada nilai F menurut tabel maka hipotesis alternatif, yang menyatakan bahwa semua variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen.

Untuk analisisnya dari output SPSS dapat dilihat dari tabel ”Anova”, seperti contoh saya:

 

Cara bacanya:

Pengujian secar simultan X1, X2, X3 dan X4 terhadap Y:

Dari tabel diperoleh nilai Fhitung sebesar 5,889 dengan nilai probabilitas (sig)=0,001. Nilai Fhitung (5,889)>Ftabel (2,61), dan nilai sig. lebih kecil dari nilai probabilitas 0,05 atau nilai 0,001<0,05; maka H01 diterima, berarti secara bersama-sama (simultan) Leverage, CR, ROA dan ROE berpengaruh signifikan terhadap Beta. ditolak dan H

4. Koefisien determinasi (R­²)

Koefisien determinasi digunakan untuk mengetahui seberapa besar hubungan dari beberapa variabel dalam pengertian yang lebih jelas. Koefisien determinasi akan menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan oleh perubahan atau variasi pada variabel yang lain (Santosa&Ashari, 2005:125).

Dalam bahasa sehari-hari adalah kemampuan variabel bebas untuk berkontribusi terhadap variabel tetapnya dalam satuan persentase.

Nilai koefisien ini antara 0 dan 1, jika hasil lebih mendekati angka 0 berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel amat terbatas. Tapi jika hasil mendekati angka 1 berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.

Untuk analisisnya dengan menggunakan output SPSS dapat dilihat pada tabel ”Model Summary”.

Supaya lebih sederhana lihat contoh saya berikut ini:

 

Cara bacanya (berdasarkan contoh saya sebelumnya):

Berdasarkan Tabel ”Model Summary” dapat disimpulkan bahwa Leverage, CR, ROA dan ROE berpengaruh sebesar 35,4% terhadap Risiko Sistematis, sedangkan 64,6% dipengaruhi variabel lain yang tidak diteliti. Karena nilai R Square dibawah 5% atau cenderung mendekati nilai 0 maka dapat disimpulkan kemampuan variabel-variabel independen  dalam menjelaskan variasi variabel amat terbatas.

Demikian penjelasan dari saya. Semoga bermanfaat bagi kita semua. Jangan lupa lihat link Contoh Cara Analisis Data Dengan SPSS yang bisa di lihat denganklik disini. Atau jika tidak bisa bisa copy paste link ini di jendela baru:

(http://carapandangku.blogspot.com/2011/07/uji-asumsi-klasik-dengan-spss-panduan_04.html#more)

Salam,

Persamaan Model Regresi Linear

Model persamaan regresi sering kali digunakan dalam metode penelitian. Sebenarnya ada perbedaan antara model regresi dengan persamaan regresi. Namun sering kali peneliti belum mengetahui perbedaan itu. Nah mari kita lihat berikut ini: 

Y = a + bX ⇒ yang ini namanya persamaan

Yt= a+bXt ⇒ yang ini namanya model

Sekarang teman-teman tahu kan mana persamaan mana model. Kegunaannya juga berbeda. Ilmu social dengan penelitian terkait dengan data primer menggunakan persamaan regresi sedangkan ilmu eksak dengan penelitian terkait dengan data sekunder menggunakan model regresi. Meskipun tidak menutup kemungkinan kedua ilmu tersebut menggunakan keduanya/kebalikannya. 

Persamaan regresi memiliki makna lebih keintrepretasi hasil pada saat pengambilan data. Sehingga hasilnya hanya mampu menggambarkan kejadian saat itu dengan sampel pada saat itu pula. Oleh karena itu, penelitian pada ilmu social tidak dapat diartikan sama halnya dengan ilmu eksak dalam mengintrepretasi hasil persamaan regresi. Terkadang baik peneliti maupun pembimbing peneliti tidak menghiraukan penggunaan Unstandardized dan Standardized 

	Unstandardized Coeficients		Standardized Coeficients
Model	B	Std.Error	Beta	t	Sig.
1(constant)	6.229	.446		13.960	.000
AFEKTIF	-.731	.088	-.621	-.8258	.000
CONTINUANCE	-.077	.098	-.059	-.779	.437
NORMATIF	-.153	.108	-.111	-.1419	-.159

a. Dependent Variable: TURNOVER INTENTIONS Masing-masing memiliki fungsi dan kegunaan sesuai dengan data penelitian. Kebanyakan buku statistic hanya membahas mengenai Unstandardized. Lalu bagaimana dengan yang Standardized? Nah itu dia masalahnya, peneliti kurang menyadari akan makna persamaan dan model. 

• Unstandardized biasa digunakan untuk model regresi dimana fungsinya adalah untuk meramalkan gambaran masa depan dengan data masa lalu, sedangkan
• Standardized biasa digunakan untuk persamaan regresi dimana fungsinya adalah untuk mengetahui pengaruh dan sumbangan efektif yang diberikan antara variabel independen terhadap dependen, namun hanya berlaku pada saat itu dengan sampel itu.

Sekarang sudah tahu kan mengapa ada dua beta dalam alat statistik regresi linear. Untuk kegunaannya mau pilih yang mana monggo dikembalikan lagi kepada peneliti dan dosen pembimbing sebab tidak semua peneliti dan dosen pembimbing yang tahu perbedaan ini. Jika kasusnya seperti ini maka saran saya adalah ikutilah tradisi yang ada pada kampusmu agar kamu cepat selesai SKRIPSI, TESISI mu hehehehehe. 

Ada kasus lagi nih teman-teman. Terkadang hasil penelitian tidak sesuai dengan teori yang ada sedangkan dosen atau dari dirimu menginginkan kesamaan agar tidak rempong saat dicerca pertanyaan dalam sidang. Hal ini dapat diatasi dengan melihat terlebih dahulu kesalahan apa yang ada pada data sehingga hasilnya menyimpang. Bukankah teori yang dibuat tidak hanya berdasarkan logika akan tetapi juga melewati tahap penelitian para ahli iya gak bro. Mari kita tengok terlebih dahulu data kamu. 

• Untuk alat statistic dengan metode regresi dapat dilihat dahulu apakah data sudah memenuhi asumsi?
• Apakah terdapat data outlier?

Uji Validitas

Validitas berasal dari kata validity yang mempunyai arti sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukam fungsi ukurannya (Azwar 1986). Selain itu validitas adalah suatu ukuran yang menunjukkan bahwa variabel yang diukur memang benar-benar variabel yang hendak diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef, 2006).

Sedangkan menurut Sugiharto dan Sitinjak (2006), validitas berhubungan dengan suatu peubah mengukur apa yang seharusnya diukur. Validitas dalam penelitian menyatakan derajat ketepatan alat ukur penelitian terhadap isi sebenarnya yang diukur. Uji validitas adalah uji yang digunakan untuk menunjukkan sejauh mana alat ukur yang digunakan dalam suatu mengukur apa yang diukur. Ghozali (2009) menyatakan bahwa uji validitas digunakan untuk mengukur sah,  atau valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.

Suatu tes dapat dikatakan memiliki validitas yang tinggi jika tes tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang  tepat dan akurat sesuai dengan maksud dikenakannya tes tersebut. Suatu tes menghasilkan data yang tidak relevan dengan tujuan diadakannya pengukuran dikatakan sebagai tes yang memiliki validitas rendah.

Sisi lain dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat ukur yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga memiliki kecermatan tinggi. Arti kecermatan disini adalah dapat mendeteksi perbedaan-perbedaan kecil yang ada pada atribut yang diukurnya.

Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2, yaitu validitas faktor dan validitas item. Validitas faktor diukur bila item yang disusun menggunakan lebih dari satu faktor (antara faktor satu dengan yang lain ada kesamaan). Pengukuran validitas faktor ini dengan cara mengkorelasikan antara skor faktor (penjumlahan item dalam satu faktor) dengan skor total faktor (total keseluruhan faktor).

Validitas item ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor total), perhitungan dilakukan dengan cara mengkorelasikan antara skor item dengan skor total item. Bila kita menggunakan lebih dari satu faktor berarti pengujian validitas item dengan cara mengkorelasikan antara skor item dengan skor faktor, kemudian dilanjutkan mengkorelasikan antara skor item dengan skor total faktor (penjumlahan dari beberapa faktor).

Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi yang digunakan untuk mengukur tingkat validitas suatu item dan untuk menentukan apakah suatu item layak digunakan atau tidak. Dalam penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya dilakukan uji signifikansi koefisien korelasi pada taraf signifikansi 0,05, artinya suatu item dianggap valid jika berkorelasi signifikan terhadap skor total.

Untuk melakukan uji validitas ini menggunakan program SPSS.  Teknik pengujian yang sering digunakan para peneliti untuk uji validitas adalah menggunakan korelasi Bivariate Pearson (Produk Momen Pearson). Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan skor total. Skor total adalah penjumlahan dari keseluruhan item. Item-item pertanyaan yang berkorelasi signifikan dengan skor total menunjukkan item-item tersebut mampu memberikan dukungan dalam mengungkap apa yang ingin diungkap à Valid. Jika r hitung ≥ r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid). Langkah-langkah dalam pengujian validitas ini yaitu :

1. Buat skor total masing-masing variabel  (Tabel perhitungan skor)

2. Klik Analyze ->  Correlate  ->  Bivariate  (Gambar/Output SPSS)

3. Masukan seluruh item variabel x ke Variabels

4. Cek list Pearson ; Two Tailed ; Flag

5. Klik Ok

Tabel rangkuman hasil uji validitas dari variabel tersebut dapat dilihat sebagai berikut :

Dari tabel diatas dapat dijelaskan bahwa nilai r hitung > r tabel berdasarkan uji signifikan 0.05, artinya bahwa item-item tersebut diatas valid

Rumus Korelasi Product Moment :

Keterangan :

Uji Reliabilitas

Reliabilitas berasal dari kata reliability. Pengertian dari reliability (rliabilitas) adalah keajegan pengukuran (Walizer, 1987). Sugiharto dan Situnjak (2006) menyatakan bahwa reliabilitas menunjuk pada suatu pengertian bahwa instrumen yang digunakan dalam penelitian untuk memperoleh informasi yang digunakan dapat dipercaya sebagai alat pengumpulan data dan mampu mengungkap informasi yang sebenarnya dilapangan. Ghozali (2009) menyatakan bahwa reliabilitas adalah alat untuk mengukur suatu kuesioner yang merupakan indikator dari peubah atau konstruk. Suatu kuesioner dikatakan reliabel atau handal jika jawaban seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu. Reliabilitas suatu test merujuk pada derajat stabilitas, konsistensi, daya prediksi, dan akurasi. Pengukuran yang memiliki reliabilitas yang tinggi adalah pengukuran yang dapat menghasilkan data yang reliabel

Menurut Masri Singarimbun, realibilitas adalah indeks yang menunjukkan sejauh mana suatu alat ukur dapat dipercaya atau dapat diandalkan. Bila suatu alat pengukur dipakai dua kali – untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relative konsisten, maka alat pengukur tersebut reliable. Dengan kata lain, realibitas menunjukkan konsistensi suatu alat pengukur di dalam pengukur gejala yang sama.

Menurut Sumadi Suryabrata (2004: 28) reliabilitas menunjukkan sejauhmana hasil pengukuran dengan alat tersebut dapat dipercaya. Hasil pengukuran harus reliabel dalam artian harus memiliki tingkat konsistensi dan kemantapan.

Reliabilitas, atau keandalan, adalah konsistensi dari serangkaian pengukuran atau serangkaian alat ukur. Hal tersebut bisa berupa pengukuran dari alat ukur yang sama (tes dengan tes ulang) akan memberikan hasil yang sama, atau untuk pengukuran yang lebih subjektif, apakah dua orang penilai memberikan skor yang mirip (reliabilitas antar penilai). Reliabilitas tidak sama dengan validitas. Artinya pengukuran yang dapat diandalkan akan mengukur secara konsisten, tapi belum tentu mengukur apa yang seharusnya diukur. Dalam penelitian, reliabilitas adalah sejauh mana pengukuran dari suatu tes tetap konsisten setelah dilakukan berulang-ulang terhadap subjek dan dalam kondisi yang sama. Penelitian dianggap dapat diandalkan bila memberikan hasil yang konsisten untuk pengukuran yang sama. Tidak bisa diandalkan bila pengukuran yang berulang itu memberikan hasil yang berbeda-beda.

Tinggi rendahnya reliabilitas, secara empirik ditunjukan oleh suatu angka yang disebut nilai koefisien reliabilitas. Reliabilitas yang tinggi ditunjukan dengan nilai rxx mendekati angka 1. Kesepakatan secara umum reliabilitas yang dianggap sudah cukup memuaskan jika ≥ 0.700.

Pengujian reliabilitas instrumen dengan menggunakan rumus Alpha Cronbach karena instrumen penelitian ini berbentuk angket dan skala bertingkat. Rumus Alpha Cronbach sevagai berikut :

Keterangan :

Jika nilai alpha > 0.7 artinya reliabilitas mencukupi (sufficient reliability) sementara jika alpha > 0.80 ini mensugestikan seluruh item reliabel dan seluruh tes secara konsisten memiliki reliabilitas yang kuat. Atau, ada pula yang memaknakannya sebagai berikut:

Jika alpha > 0.90 maka reliabilitas sempurna. Jika alpha antara 0.70 – 0.90 maka reliabilitas tinggi. Jika alpha 0.50 – 0.70 maka reliabilitas moderat. Jika alpha < 0.50 maka reliabilitas rendah. Jika alpha rendah, kemungkinan satu atau beberapa item tidak reliabel.

Langkah pengujian reliabilitas dengan SPSS :

1. Klik Analyze -> Scale -> Reliability Analysis
2. Masukan seluruh item variabel X ke Items

3.Pastikan pada model terpilih Alpha

4. Klik Ok

Nilai Cronbach Alpha sebesar 0.981 yang menunjukan bahwa ke-11 pernyataan cukup reliabel