Modul Spss
Modul Spss
Pengolaan
Data SPSS
Metode Penelitian Dan
Pengolahan Data Penelitian
(Pendekatan Praktis)
Oleh: Hanif Mauludin@gmail.com
Publish: September 24
2010
Modul
Praktikum
Statistik
Bismillaahirrahmaanirrahiim,
Wabihii nastainu Subhaanaka laa ilmalana illaa maa allamtana innaka antal
aliimul hakiim. Allahumma shalli alaa sayyidina Muhammad wa alaa alihi
washahbihi.
Pendahuluan
.. Dalam suatu ujian skripsi, tujuh peserta ujian ditanya oleh penguji. Apa
alasan anda memilih regresi berganda sebagai alat analisa ?.., peserta 1, 2 dan 3
menjawab, dengan senyuman alias nggak ngerti, peserta 4 menjawab ikut skripsi
yang lalu, peserta 5 dan 6 menjawab atas saran dosen pembimbing, peserta 7
menjawab karena pertimbangan masalah dan tujuan penelitian serta formulasi model
penelitian.
.. mana kira-kira jawaban yang terbaik.. !
Berdasarkan pengalaman penulis dalam membimbing dan menguji skripsi
selama ini, masih ada beberapa mahasiswa yang telah lupa atau belum faham
mengenai apa dan bagaimana proses analisis data itu dilakukan sebagai alat bantu
pembuatan kesimpulan penelitian.
Suplemen ini merupakan pelengkap modul mata kuliah metode penelitian yang
biasa digunakan oleh penulis dalam memberikan materi perkuliahan di kelas. Lebih
lanjut, suplemen ini disusun atas dasar keinginan penulis untuk membantu mahasiswa
STIEMARA yang sedang menyusun tugas akhir dan berkeinginan mengolah data
secara mandiri.
Menurut pengamatan penulis, terdapat beberapa alat analisa yang umum
digunakan mahasiswa S1 dalam menjawab permasalahan, tujuan serta hipotesis
penelitian. Alat analisa tersebut antara lain analisis regresi berganda, analisis jalur, uji
beda, analisis factor, analisis cluster dan diskriminan.
Dalam buku kecil ini terdapat petunjuk praktis proses pengolahan data dengan
menggunakan regresi berganda, analisis jalur, uji beda dan analisis faktor. Untuk
analisis cluster dan diskriminan InsyaAllah akan menyusul dalam modul berikutnya.
Pendekatan praktis yang dimaksud adalah lebih menitikberatkan pada proses
pengolahannya serta pembacaan hasil analisnya. Penggunakan beberapa proxy juga
ditekankan untuk membantu mahasiswa didalam menafsirkan temuan penelitiannya
secara statistic. Dengan disertai disket yang berisi data SPSS akan sangat membantu
mahasiswa dalam berlatih dan melakukan berberapa simulasi pengolahan data yang
akan dipandu secara sistematis.
Bagian Satu
Analisa Regresi Berganda
Penggunaan Regresi Berganda
Regresi Berganda adalah bagian dari analisis multivariate. Tujuan utama analisis
regresi berganda adalah untuk menduga besarnya koefisien regresi. Selanjutnya,
koefisien regresi inilah yang akan menunjukkan besarnya pengaruh peubah bebas
(independent variable/X) terhadap peubah tak bebas (dependent variable/Y).
Kata berganda diambil sebagai penjelas untuk menunjukkan bahwa peneliti dalam
penelitiannya menggunakan lebih dari satu variabel bebas (di kampus tercinta ini
variabel diistilahkan dengan kata peubah, pengertian keduanya mempunyai arti yang
sama). Pemborosan yang sering dilakukan oleh mahasiswa dalam skripsinya ialah ia
menyajikan semua analisa seperti regresi sederhana, korelasi sedehana, regresi
berganda, korelasi berganda yang pada akhirnya mahasiswa bingung sendiri, figure
statistik mana yang dipakai ?. Seiring kemajuan teknologi software, semua tujuan
untuk uji hubungan maupun pengaruh baik secara bersama-sama maupun secara
parsial dapat diselesaikan hanya dengan satu click yaitu regression. Semua
tindakan olah data itu dapat dilakukan bahkan berulang-ulang dengan beberapa
perbaikan yang dimungkinkan hanya dalam hitungan menit. Bersyukurlah kita karena
sudah ada software pengolah data yang saudara kenal dengan sebutan SPSS for
windows.
Jangan bayangkan statistic berwajah rumus yang jlimet dan seabrek
perhitungan lain, disini statistik sebagai alat dan sebagai alat ia telah mengalamai
metamorfosis, ibarat mengitung perkalian 2435364 x 647469865, dengan manual
?????, tetapi dengan calculator no problem. Demikian juga regresi berganda,
dengan manual ??????, tetapi dengan SPSS smile dan menantang. Yang terpenting
dari semua aspek teknis itu saudara bisa membaca hasil output SPSS tersebut untuk
pengambilan kesimpulan atas masalah dan tujuan penelitian, misal untuk apa
mengetahui nilai R, R square, nilai F, nilai b, nilai t, nilai Sig dan beberapa figure atau
parameter lain yang diperlukan untuk pengujian hipotesis dan menjawab
permasalahan penelitian.
Nah saudaraku mari kita santai sejenak dan perhatikan hiburan berikut
ini.
Ibarat anda sakit batuk dan tentu anda beli obat batuk, yang penting adalah anda
mengerti aturan/cara minum, kontra indikasi serta pantangannya. Anda tidak perlu
tahu bagaimana unsur-unsur kimia itu diproses dan bagaimana komposisi zat itu
dihitung takarannya. Sebab itu sudah menjadi tanggung jawab ahli-ahli kimia dan
kedokteran dan tentunya telah melalui proses quality control yang ketat sebelum dijual.
Analisis regresi dengan bantuan software SPSS layaknya seperti ilustrasi tersebut.
Ketahui saja bagimana persyaratan-persyaratan sebelum proses input data dan
outputnya sebagai bahan untuk pengambilan kesimpulan, jelaskan temuan angkaangka atau figure statistik itu dengan bersandar pada teori dan empiris, jangan sibuk
belajar dari mana asal muasal angka R, R square, t, beta, dsb apalagi sampai
dibuktikan secara manual, akhirnya energi saudara habis untuk urusan hitung
Gaji
karyawan
Prestasi kerja
karyawan
Kedisiplinan kerja
karyawan
didalam akhir bab II, gambar ini biasanya disajikan kerangka/ model
teori penelitan
Based on this model, dapat kita mengerti bahwa terdapat dua peubah bebas (x1 dan
x2) dan satu peubah terikat (Y), yang selanjutnya ingin diketahui bagaimana bentuk
hubungan dan pengaruhnya, tentunya dengan menggunakan analisis
regresi
berganda.
Apa yang perlu dipersiapkan ?
Setelah bangunan teori di susun dengan menyajikan argumen yang kuat dan relevan.
Berikutnya perumusan hipotesis dilakukan sebagai dasar pengujian. Dalam contoh
diatas peneliti mempunyai fokus pada peubah gaji karyawan (x1) dan Kedisiplinan
karyawan (x2) keduanya sebagai peubah bebas yang berpengaruh pada prestasi kerja
karyawan (Y) (lihat model hal 1). Selanjutnya peneliti harus menyusun pengukuran
1
dari peubah-peubah tersebut. (dalam skripsi saudara, perbincangan ini masuk pada
bab III, Peubah dan Pengukuran). Untuk mempermudah penguasan peubah dan
pengukuran, saudara lebih baik membuat tabel yang berisikan penjelasan atas peubah
dan pengukuran tersebut, lihat contoh berikut:
Tabel 1. Peubah dan pengukuran
Peubah Penelitian
Indikator peubah
Gaji karyawan (X1)
1. jumlah gaji
2. kesesuaian dengan beban
kerja
3. unsur keadilan
Kedisiplinan karyawan (x2)
1. taat pada aturan
2. absensi
3. pemanfaatan fasilitas kerja
Prestasi Kerja karyawan (Y)
1. kuantitas hasil kerja
2. kesesuaian dengan standart
3. ketepatan waktu
Skala pengukuran
1. ordinal-interval
2. ordinal-interval
3. ordinal-interval
1. ordinal-interval
2. ordinal-interval
3. ordinal-interval
1. ordinal-interval
2. ordinal-interval
3. ordinal-interval
setelah media spss editor dalam posisi ready, selanjutnya tinggal ketik nama-nama
variable beserta masing-masing indikatornya dengan cara sbb: (untuk memulai
memberi nama variable, klik variable view pada bagian paling bawah sebelah kiri)
Hasilnya akan tampak sbb:
berikutnya entry data bisa dimulai dengan kesabaran dan ketelitian. Sekali lagi proses
ini sangat mudah sekali tinggal klik sana klik sini dan langsung jadi. Hasilnya lihat
dibawah ini.
Masukkan tiap peubah dan indikator ke dalam kotak item (pakai tanda
untuk
memasukkan dan mengeluarkan tiap peubah beserta indikatornya) sesuai dengan
kelompoknya masing-masing, Gambar diatas adalah proses untuk menguji validitas
dan reliabilitas untuk indikator-indikator X1, lakukan hal yang sama untuk x2 dan Y
lakukan sesuai kelompoknya (lihat hal 5 )
Klik Ok dan hasilnya adalah
Reliability
****** Method 1 (space saver) will be used for this analysis ******
R E L I A B I L I T Y
1.
2.
3.
4.
X1.1
X1.2
X1.3
X1TOTAL
A N A L Y S I S - S C A L E (A L P H A)
Mean
Std Dev
Cases
3.5667
3.9333
3.9333
11.4000
.7279
.5833
.6915
1.0372
30.0
30.0
30.0
30.0
Item-total Statistics
X1.1
X1.2
X1.3
X1TOTAL
Scale
Mean
if Item
Deleted
Scale
Variance
if Item
Deleted
19.2667
18.9000
18.9000
11.4333
2.9609
3.4034
3.5414
1.0816
Corrected
ItemTotal
Correlation
Alpha
if Item
Deleted
.5157
.5499
.6007
.7746
.5404
.5816
.6758
.7698
Reliability Coefficients
N of Cases =
Alpha =
.7784
30.0
N of Items =
Klik linear maka akan tampak kotak perintah sbb: ikuti langkah berikut:
Setelah
Masukkan peubah bebas (hanya nilai total saja, x1, x2 ) pada kotak
independent
Masukkan peubah terikat (hanya nilai total Y) pada kotak dependent
Berikutnya klik icon statistics. Kemudian beri tanda check ( ) pada kotak
yang telah disediakan, sesuaikan dengan contoh
Selanjutnya klik continue dan klik Ok, maka spss sedang running tunggu beberapa
saat dan hasil analisis regresi berganda sudah bisa dilihat seperti tampilan berikut ini.
Regression
Variables Entered/Removedb
Model
1
Variables
Entered
kedisiplina
n, gaji a
karyawan
Variables
Removed
Method
.
Enter
Model Summaryb
Change Statistics
Model
1
R
R Square
.738a
.544
df1
df2
2
Durbin-W
atson
2.002
Sig. F Change
27
.000
ANOVAb
Model
1
Regression
Residual
Total
Sum of
Squares
26.473
22.194
48.667
df
2
27
29
Mean Square
13.237
.822
F
16.103
Sig.
.000a
Coefficientsa
Standardi
zed
Unstandardized
Coefficien
Coefficients
ts
Model
B
Std. Error
Beta
1
(Constant)
-4.35E-04
2.181
gaji karyawan
.588
.179
.471
kedisiplinan
.512
.183
.402
a. Dependent Variable: prestasi kerja
t
.000
3.279
2.799
Sig.
Zero-order
1.000
.003
.642
.009
.602
Correlations
Partial
.534
.474
Part
.426
.364
Collinearity Statistics
Tolerance
VIF
.819
.819
1.220
1.220
Berikutnya adalah melakukan interpretasi atas hasil analisis regresi. Dalam membaca
print out SPSS tersebut, saudara harus bersandar pada rumusan masalah, tujuan dan
hipotesis penelitian. Artinya tidak semua angka-angka/parameter diinterpretasikan.
Dalam contoh ini telah disebutkan bahwa peneliti ingin mengetahui dan menguji:
Apakah ada pengaruh antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap
prestasi kerja (Y) secara bersama-sama mapun secara parsial
Dengan demikian hipotesis penelitian akan dinyatakan :
Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2)
terhadap prestasi kerja (Y) secara bersama-sama mapun secara parsial.
Atau bisa disusun secara terpisah, sbb.
Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2)
terhadap prestasi kerja secara bersama-sama.
Ada pengaruh yang signifikan antara gaji karyawan (x1) terhadap prestasi kerja
(Y) (parsial)
Ada pengaruh yang signifikan antara kedisiplinan (x2) terhadap prestasi kerja (y)
(parsial)
Jika dimungkinkan, saudara juga diperbolehkan menduga bahwa salah satu variabel
mempunyai pengaruh paling dominan, asalkan saudara mempunyai argumen yang
kuat berdasarkan teori maupun penelitian terdahulu, ingat harus punya argumen tidak
sekedar menduga tanpa dasar.
Misalnya, Diduga gaji karyawan (x1) mempunyai pengaruh yang paling dominant
terhadap prestasi kerja (Y), hal ini tentunya harus didukung dengan alasan yang kuat
bukan sekedar ikut kebiasaan selama ini.
Sekarang marilah kita mulai dengan belajar membaca print out spss regresi
berganda.
Pengujian hipotesis,
Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap
prestasi kerja (Y) secara bersama-sama.
Untuk pengujian penelitian, secara statistik biasanya ada prosedur sbb
1. lihat nilai R (koefisien korelasi berganda) gunanya untuk mengetahui keeratan
hubungan antara peubah x1 dan x2 (secara sumultan) terhadap peubah terikat (y).
Nilai korelasi bisa bernotasi negative maupun positif, notasi ini mengindikasikan
bentuk atau arah hunungan yang terjadi. Perhatikan Kriteria nilai korelasi pada
tabel berikut:
Nilai R (korelasi)
0
0 0,5
0,5 0,8
0,8 1
1
Kriteria hubungan
Tidak ada hubungan
Korelasi lemah
Korelasi sedang/cukup kuat
Korelasi kuat
Korelasi sempurna
Hasil analisis menunjukkan nilai R= 0.738, hal ini menunjukkan bahwa terdapat
hubungan yang cukup kuat antara gaji karyawan (x1) dan kedisipliinan (x2) secara
2.
bersama-sama terhadap prestasi kerja (Y). Artinya jika x1 dan x2 meningkat maka
Y juga akan meningkat (korelasi positif). (lihat tabel Model Summary hal 13)
Lihat nilai R square (R2) juga disebut sebagai koefisien determinasi gunanya untuk
mengetahui besarnya kontribusi peubah bebas (x) secara serempak didalam
menjelaskan peubah terikat (Y). R Square juga dapat menunjukkan ragam naik
atau turunnya peubah terikat (Y) yang diterangkan oleh pengaruh linier peubah
bebas (X).
Ukuran nilai R Square adalah 0 R2 ( 1, artinya semakin mendekati angka satu
berarti garis regresi yang terbentuk dapat meramalkan peubah terikat (Y) secara
lebih baik menuju kesempurnaan (model fit)
Dalam tabel model summary (hal 13) kita lihat nilai R2 sebesar 0,544. Hal ini
diartikan bahwa peubah bebas dalam hal ini gaji dan kedisiplinan secara bersamasama menjelaskan peubah prestasi kerja sebesar 54,4 %, sedangkan sisanya
45,6 % dijelaskan oleh peubah lain yang tidak diteliti dalam penelitian ini atau
model penelitian.
Semakin besar nilai R2 semakin menunjukkan ketepatan model yang telah
disusun (model yang dimaksud adalah model teori penelitian ini).
3. Lihat Nilai F statistic (biasa disebut Uji F) dan Nilai Sig. (lihat table ANOVA, hal 13)
NIlai F statistic dapat digunakan untuk mengetahui tingkat signifikansi kontribusi
peubah bebas (secara bersama-sama) dalam menjelaskan peubah terikat. Artinya
apakah pengaruhnya nyata atau bermakna. Dengan membandingkan nilai F
statistic dengan nilai F table dapat diketahui tingkat signifikansinya.
Kita lihat dari table ANOVA bahwa nilai F stat sebesar 16.03 sedangkan F table dapat
di tentukan dengan cara sebagai berikut:
Lihat df (degree of freedom) atau derajat bebas (db) rumusnya k, n-k-1 atau
langsung lihat di table anova, df nya adalah 2 (jumlah peubah bebas) , dan 27
(jumlah responden peubah bebas -1 jadi 30-2-1=27) setelah diketahui df nya
berikutnya lihat table F yang tersedia di setiap buku statistic. Cara baca tabelnya
adalah sebagai berikut
Lihat angka 2 pada kolom db pembilang dan lihat angka 27 pada kolom db
penyebut dan hubungkan perpotongan keduanya pada tingkat alpha (misal 0,05)
maka akan terlihat angka sebesar 3,35.
Jika kita bandingkan antara F stat dengan F table maka 16,03>3.35, jadi
keputusannya adalah menerima hipotesis yang menyatakan bahwa terdapat
pengaruh yang signifikan antara gaji karyawan (x1) dan Kedisiplinan karyawan
(x2) secara bersama-sama terhadap prestasi kerja karyawan (Y)
Cara lain untuk melihat tingkat signifikansi.
Cara menarik kesimpulan untuk menerima atau menolak hipotesis dapat juga
dilakukan dengan melihat nilai signifikansi atau nilai Sig pada table anova. Cara ini
lebih mudah dan praktis yaitu cukup membandingkan antara nilai Sig tersebut dengan
standar kesalahan atau alpha yang telah ditetapkan oleh peneliti. Biasanya peneliti
menetapkan alpha 5 persen atau 0,05 walaupun untuk penelitian sosial alpha 10
persen pun masih ditoleransi. Dalam table anova terlihat nilai Sig sebesar 0.000 yang
masih dibawah alpha sebesar 0,05, artinya semua obyek yang diamati (30 responden)
sesuai dengan model yang ditetapkan. Jadi 30 karyawan yang menjadi obyek amatan
menjelaskan bahwa secara bersama-sama antara gaji dan disiplin mempengaruhi
prestasi kerja. Dua cara tersebut, yaitu membandingkan antara F stat dengan F table
atau membandingkan Nilai Sig dengan Alpha, silahkan saudara pilih mana yang lebih
mudah.
Setelah mengetahui pengaruh secara bersama-sama, selanjutnya kita akan
analisis bagaimana pengaruhnya secara parsial (pengaruh secara sendiri-sendiri,
artinya bagiamana pengaruh X1 thd Y dalam kondisi X2 dikontrol/tetap/cateris
paribus).
Adapun manfaat lain mengetahui pengaruh secara parsial adalah untuk
mencari informasi dari keseluruhan peubah bebas, peubah mana yang pengaruhnya
paling dominan atau paling besar.
Untuk tujuan itu kita bisa lihat dari table coefficient berikut ini (sumber pada hal 13.)
Coefficientsa
Model
1
(Constant)
gaji karyawan
kedisiplinan
Unstandardized
Coefficients
B
Std. Error
-4.35E-04
2.181
.588
.179
.512
.183
Standardi
zed
Coefficien
ts
Beta
.471
.402
t
.000
3.279
2.799
Sig.
1.000
.003
.009
Zero-order
Correlations
Partial
.642
.602
.534
.474
Part
.426
.364
Collinearity Statistics
Tolerance
VIF
.819
.819
1.220
1.220
Secara parsial semua peubah bebas mempunyai pengaruh yang signifikan hal ini bisa
dilihat dari nilai t stat maupun Sig, dimana nilai t stat lebih besar dari t table sedangkan nilai
Sig masih dibawah Alpha 0,05
Peubah gaji karyawan pengaruhnya signifikan terhadap prestasi kerja (t stat =3.279 > t
table=2,056). Demikian juga nilai Sig=0.003 < 0,05 dengan koefisien regresi sebesar
0.588. Hal ini menyimpulkan bahwa hipotesis diterima.
Demikian juga dengan peubah kedisiplinan, dengan melihat nilai yang sama seperti
diatas dapat disimpulkan bahwa, kedisiplinan mempunyai pengaruh signifikan
terhadap prestasi kerja. Hal ini menyimpulkan bahwa hipotesis diterima.
Dari kedua peubah tersebut, dapat disimpulkan bahwa peubah gaji karyawan
mempunyai pengaruh yang paling dominant, hal ini ditunjukkan oleh nilai B maupun
nilai beta dan t yang lebih besar dan Sig yang lebih kecil dibandingkan dengan peubah
kedisiplinan.
R = 0,738
R2 = 0,544
F =16,03
Sig = 0,00
Kedisiplinan kerja
karyawan (x2)
B=0,512
t=2,799
Sig=0,009
Prestasi kerja
karyawan (Y).
Jadi untuk tujuan penelitian ini beberapa parameter yang harus saudara ketahui ialah:
Nilai R, R square, Nilai F(uji F), Nilai koefisien b atau beta, Nilai t (uji t), Nilai Sig
Ketika saudara mengartikan beberapa nilai statistik berdasarkan tabel-tabel pada
halaman 13, itu berarti saudara sudah melakukan interpretasi secara statistik.
Pekerjaan saudara selanjutnya adalah menjelaskan atau interpretasi secara teoritis
dan empiris. Artinya secara statistik terbukti ada pengaruh nyata (berdasarkan pada
parameter-parameter tsb), berikutnya perlu penjelasan secara teori mengapa dan
bagaimana itu terjadi, untuk itu kuasai landasan teori dan pertajam hasil observasi
empiris.
Oh ya hampir lupa, terkadang pembimbing menghendaki ada asumsi klasik
dalam analisi regresi sebagai syarat, untuk urusan yang satu ini disarankan saudara
berdiskusi secara langsung dengan dosen statistic yang ada atau berdiskusi dengan
dosen pembimbing yang terhormat atau ke penulis.
Bagian Dua
Path Analysis (Analisa Jalur)3
Prinsip dan keterbatasan
Path Analysis (analis jalur) pada dasarnya merupakan cabang dari multiple regression.
Dalam analisis jalur terdapat suatu set variabel yang merupakan kumpulan atau
rangkaian dari beberapa hubungan antar variabel yang telah membentuk sebuah
model penelitian yang kita yakini variabel-variabel tersebut saling berpengaruh satu
dengan yang lainnya. Tujuan path analysis adalah memberikan estimasi terhadap
hubungan sebab akibat antara variabel-variabel yang diteliti. Disamping mengetahui
hubungan, dengan path analysis peneliti akan mengetahui pengaruh secara langsung
maupun pengaruh secara tidak langsung antar variabel tersebut.
Seperti halnya alat analisa yang lain, path analysis juga mempunyai keterbatasan.
Keterbatasannya adalah : (1) tidak bisa digunakan untuk menguji pola hubungan
timbal balik (feed back). Jadi gerak hubungan hanya dimungkinkan untuk lurus atau
turun artinya satu tujuan. (2) setiap ada intervening variable, maka ia dianggap
sebagai dependent variable. (3) skala pengukuran hanyalah interval atau rasio.
Sedangkan untuk skala nominal, ordinal atau dichotomies tidak mungkin dilakukan.
Penggunaan
Sebagai contoh perhatikan figure 14 yang menjelaskan sebuah set variabel yang saling
berhubungan dengan survey tentang kepuasan kerja.
Diagram Input
Masa kerja
Kepuasan kerja
otonomi
income
Prosedur analisis jalur sama dengan regresi berganda yang telah dibahas pada bagian 1.
Model ini dikutip dari Bryman, A. & Cramer,D.(1990). Quantitative data analysis for social
scientists, pp.246-251)
4
masa
kerja + 12otonomi
11
Masa kerja (x11)
Kepuasan kerja (Y1)
+ 13income + e1
Otonomi (x12)
(regresi berganda)
Income (x13)
2
21masa kerja + 22otonomi
Masa kerja (x21)
Income(Y2)
+ e2
Otonomi (x22)
(regresi berganda)
3
31masa kerja + e2
Masa kerja (x31)
Otonomi (Y3)
(regresi sederhana)
4
masa kerja + e1
Masa kerja (x)
Kepuasan kerja (Y)
(regresi sederhana)
Setelah diolah dengan spss, masukkan setiap nilai beta pada garis panah yang
menghubungkan antar variable untuk mempermudah pembacaan hasil dan
interpretasi hasil analisis. Sebagai misal lihat diagram output berikut:
Diagram output ( p<0.05)
- 0.08
Masa kerja
0.28
otonomi
Kepuasan kerja
0.58
0.22
0.57
income
0.47
Berdasarkan diagram output kita bisa menarik kesimpulan secara statistic sebagai
berikut.
1. Pengaruh secara langsung antara masa kerja dengan kepuasan adalah -0.08
(pola hubungan negative)
2. Pengaruh secara tidak langsung antara masa kerja dengan kepuasan kerja dapat
dihitung sebagai berikut:
masa kerja income kepuasan kerja
masa kerja otonomi kepuasan kerja
masa kerjaotonomi income kepuasan kerja
Total pengaruh tidak langsung
Bagian Tiga
Kopi A
8
8
6
7
6
8
8
5
8
6
Kopi B
6
7
7
5
5
7
8
6
7
5
Berikutnya untuk menjawab tujuan penelitian, data tersebut kita siapkan di SPSS
editor dengan langkah sebagai berikut:
Hasil pengolahan dengan menggunakan SPSS dapat dilihat pada output dibawah ini.
T-Test
Pair
1
merek a
merek b
Mean
7.0000
6.3000
N
10
10
Std. Deviation
1.1547
1.0593
Std. Error
Mean
.3651
.3350
10
Correlation
.545
Sig.
.103
Pair 1
merek a - merek b
Mean
Std. Deviation
.7000
1.0593
Std. Error
Mean
.3350
95% Confidence
Interval of the
Difference
Lower
Upper
-5.78E-02
1.4578
t
2.090
df
9
Sig. (2-tailed)
.066
Contoh 2.
Misal peneliti ingin mengetahui apakah BPNN selaku badan penyehatan perbankan
berhasil meningkatkan kinerja Bank yang menjadi pasiennya. Untuk tujuan itu
diperlukan indikator untuk menilai kinerja bank tsb, misalnya CAR. Andaikan ada 10
bank yang telah diperbaiki dengan nilai CAR sebelum dan sesudah ditangani BPPN
selengkapnya disajikan dalam tabel berikut.
Bank
A
B
C
D
E
F
G
H
I
J
CAR (%)
Sebelum
Sesudah
Masuk
Masuk
BPPN
BPPN
-2
3,5
1
4,6
0,5
3,7
-4
2,1
-4
1,2
-3
2
0,5
3,8
2
6,6
1,3
4.8
-1
3
Pair
1
SEBELUM
SESUDAH
Mean
-.8700
3.5300
N
10
10
Std. Deviation
2.2514
1.5770
Std. Error
Mean
.7120
.4987
10
Correlation
.917
Sig.
.000
Pair 1
SEBELUM - SESUDAH
Mean
-4.4000
Std. Deviation
1.0220
Std. Error
Mean
.3232
95% Confidence
Interval of the
Difference
Lower
Upper
-5.1311
-3.6689
t
-13.615
df
9
Sig. (2-tailed)
.000
Pilih variable sesudah untuk dianalisa, dengan test value 3. dan confidence interval
95%. Klik OK, tunggu data sedang diolah .
T-Test
One-Sample Statistics
N
SESUDAH
10
Mean
3.5300
Std. Deviation
1.5770
Std. Error
Mean
.4987
One-Sample Test
Test Value = 3
SESUDAH
t
1.063
df
9
Sig. (2-tailed)
.316
Mean
Difference
.5300
95% Confidence
Interval of the
Difference
Lower
Upper
-.5981
1.6581
Latihan
Sebuah industri Bola lampu ingin menguji apakah produknya mempunyai daya nyala
selama 1000 jam nonstop. Untuk keperluan pengujian, telah diambil 10 bola lampu
secara acak dari 2 lini produk masing-masing 5 unit dan dinyalakan secara bersamasama dan daya tahan lampu tersebut didokumentasikan seperti dalam table berikut.
lampu
1
2
3
4
5
6
7
8
9
10
Daya tahan
(jam)
998
1050
1025
1068
998
1009
1016
935
1005
997
10
Mean
1010.1000
Std. Deviation
35.4854
Std. Error
Mean
11.2215
One-Sample Test
Test Value = 1000
t
WAKTU
df
.900
Sig. (2-tailed)
.392
Mean
Difference
10.1000
95% Confidence
Interval of the
Difference
Lower
Upper
-15.2847
35.4847
Bagian Empat
Analisis Faktor
1. Dasar pemikiran
Terkadang dalam suatu penelitian kita dihadapkan pada beragam factor atau
variable yang diduga mempunyai kaitan dengan suatu permasalahan yang ingin
kita cari tahu jawabannya. Banyaknya factor atau variable ini terkadang bisa
membuat bias dalam perumusan/formulasi permsalahan atau terkadang akan
merepotkan peneliti karena harus mengendalikan banyaknya variable atau factor
tersebut yang secara bangunan teori terkadang kurang kuat.
Berdasar pada situasi tersebut maka timbul pemikiran untuk mereduksi atau
meringkas beragam factor atau variable tersebut menjadi suatu bentuk/model teori
yang baru dengan harapan model tersebut nantinya akan dapat menjelaskan
secara optimal tentang permasalahan yang ingin kita cari tahu jawabannya.
Dengan demikian, merujuk pada pendapat Malhotra (1993), analisis factor adalah
merupakan sekelompok prosedur untuk mengurangi dan meringkas data.
Dengan model matematisnya adalah :
F1
= Wi1Xi1+Wi2Xi2+Wi3Xi3++WikXik
Ket:
F1
Wi
k
Memformulasikan permasalahan
Rotasi faktor
Interpretasi factor-faktor
Menghitung skor
faktor
Memilih variable
pengganti
Penjelasan Gambar 1.
1. Memformulasikan permasalahan
Beberapa yang perlu diperhatikan dalam memformulasikan permasalahan yaitu:
Mengidentifikasi tujuan analisis faktor
Variabel-variabel yang akan dimasukkan dalam analisis faktor berdasarkan
pada penelitian terdahulu, teori dan keputusan peneliti.
Kesesuaian antara instrumen penelitian dengan sampel penelitian.
2. Membentuk matrik korelasi.
Proses analisis berdasarkan pada matriks korelasi antar variable-variabel yang
diteliti. Agar analisis faktor dapat dilakukan variabel-variabel tersebut harus
berkorelasi. Jika korelasi antar variabel kecil maka analisis faktor tidak dapat
dilakukan. Pengujian korelasi antar variabel tersebut merupakan langkah
pendahuluan sekaligus sebagai tindakan koreksi seperlunya. Selanjutnya
diteruskan dengan penentuan metode yang cocok dalam analisis faktor. Metode
yang lazim digunakan jika fokus tujuannya adalah untuk menentukan jumlah faktor
minimum dari berbagai faktor yang ada yaitu: Principal Component analysis (PCA)
3. Menentukan jumlah factor
Dalam tahap ini informasi-informasi dalam variable-variabel awal diekstraksi
menjadi factor-faktor yang lebih kecil. Dengan menggunakan criteria eigenvalues
dimana dalam pendekatan ini, hanya factor yang mempunyai eigenvalues lebih
besar dari 1 akan dipilih sedangkan yang laiinya tidak disertakan dalam model.
4. Rotasi factor.
Hasil penyederhanaan dalam matrik factor memperlihatkan hubungan antara
factor dengan variable individual. Tetapi dengan banyaknya variable yang saling
berkorelasi sehingga sulit untuk diinterpretasikan. Untuk itu harus dilakukan rotasi
factor matrik yang hasilnya lebih sederhana sehingga mudah dibaca. Dalam rotasi
matrik factor ini metode yang digunakan adalah Varimax yaitu metode rotasi
orthogonal untuk meminimumkan jumlah variable dengan berpedoman pada nilai
loading tertinggi.
5. Interprestasi faktor-faktor.
Interprestasi factor dapat dilakukan dengan mengelompokkan variable yang
mempunyai factor loading tertinggi kedalam factor tersebut. Untuk interpretasi
hasil perilaku ini, factor loading dengan nilai > 0,5 sedangkan yang < 0,5
dikeluarkan dari model.
6. Menentukan Model Fit
Tahap akhir dalam analisis factor adalah menentukan model fit yaitu untuk
mengetahui apakah model mampu menjelaskan data dengan baik.
Rekomendasi
Baik sekali
Baik
Sedang/agak baik
Cukup
Kurang
Ditolak
Open SPSS
Siapkan data yang akan diolah
Klik menu analyze, pilih Data Reduction, pilih factor.
Muncul box menu berisikan:
Kotak variables (sebelah kiri berisikan variable, kanan kosong)
Masukkan variable yang akan difaktorisasi (kolom sebelah kiri) kedalam
kolom sebelah kanan, dengan menekan tanda .
Descriptives (pada menu box, pilih coefficient dan KMO and Bartlett test
atau klik semua pilihan), continue
Extraction ( pada menu box, pilih metode principal component, eigenvalue
1 atau 0,5. continue
Rotation (pada menu box pilih method varimax )continue
Scores
Option
Tekan OK, output akan nampak seperti dibawah ini:
,644
562,809
153
,000
Componen
Total
% of Variance Cumulative
t
%
1
3,920
21,779
21,779
2
2,700
15,002
36,781
3
2,279
12,662
49,444
4
1,909
10,604
60,048
5
1,382
7,678
67,726
6
,980
5,447
73,173
7
,907
5,040
78,213
8
,708
3,932
82,145
9
,598
3,321
85,466
10
,489
2,719
88,185
11
,397
2,204
90,388
12
,335
1,863
92,251
13
,327
1,817
94,069
14
,293
1,630
95,699
15
,266
1,480
97,179
16
,219
1,219
98,398
17
,166
,924
99,323
18
,122
,677
100,000
Extraction Method: Principal Component Analysis.
Total
2,526
2,307
2,273
1,994
1,625
1,280
1,162
1,155
1,063
% of Variance Cumulative %
14,032
12,817
12,626
11,079
9,026
7,109
6,456
6,416
5,905
14,032
26,849
39,475
50,554
59,580
66,689
73,145
79,561
85,466
Reproduced Correlations
X1 X2 X3 X4 X5
X6
X7
X8 X9 X10
X11X12X13X14
X15X16 X17X18
Re X1
, ,786
,
,
,
- 2,933
, -,160
- 4,6
,
,
- 5,2 ,126
,
pro
839
627 346 335 4,322E- 6,781E- E-02 313
7,704E-23E 137 125 5,107E-92E
263
duc
03
02
02 -02
02 -02
ed
Cor
rela
tion
X2
, ,841
,
,
, 2,638E- 6,656
, 9,155
,183
,
, 9,2
, ,133
,
786
641 348 378
02 9,256E- E-02 294 E-02
293 17551E 3,397E- 110
359
02
-02
02
X3
, ,641
,
,
,
- 8,999E- 3,426
, 2,196 8,035E,
,
,
- 4,6 ,219
,
627
794 573 642 2,050E03 E-02 196 E-02
02 248 241 123 2,259E-22E
103
02
02 -02
X4
, ,348
,
,
,
- ,210
,
,
, 9,5
,197
, ,228
,
346
573 912 483 2,026E- 7,119E354 9,470 9,844E- 240 17945E
224
211
02
02
E-02
02
-02
X5
, ,378
,
,
,
,151 ,175
,
- 9,7
, - -,124-,14 6,005
,
335
642 483 896 1,901E133 2,107 7,114E-84E 318 3,9
4 E-02 310
02
E-02
03 -02
69E
-02
X6 - 2,638 - - ,760
,659 ,668
, ,290
,192
, 3,9
,
- - 6,378
4,3 E-02 2,0 2,0 1,9
350
137 71E 212 1,225E- 8,2 E-02 7,7
22E
50E26E01E
-02
0316E
24E
-03
-02 -02 -02
-03
-02
X7 - 8,9 ,
,659
,844 ,501
, ,1766,762E- 2,2
,
, 5,272E- -,10 ,227
6,7 9,25699E 7,1 151
432
0245E 171 331
02 0
2,0
81E E-02 -0319E
-02
59E
-02
-02
-02
X8 2,9 6,656 3,4
,
,
,668
,501 ,871
, 8,641 6,678E- 3,4
, 8,4
,126
, 3,736
,
33E E-0226E 210 175
255 E-02
0296E 14863E
156 E-02 168
-02
-02
-02
-02
X9
, ,294
,
,
,
313
196 354 133
,350
, 3,747
,
, 6,569E- - ,218
,
896 E-02 5,108E- 163 4,6 155
02 4,5
440
02
44E
26E
-02
-02
,290
,176 8,641 3,7 ,841
,693
,
,
, -,108 E-0247E
711 177 216
2,8 1,640 2,8
-02
72E E-02 02E
-02
-02
,192 6,762E- 6,678 - ,693
,841
, 5,5 ,233
, ,297 2,1
02 E-02 5,1
696 51E 2,9
329
44E
08E
-0544E
-02
-02
-02
,137 2,245E- 3,496
, ,711
,696
,
,
,
,164
, ,251
,
02 E-02 163
805 191 198
253
134
,432 ,255
,171 ,148
- ,1775,551E,
,
, 9,091E- 7,7 ,111
,
4,6
05 191 841 681
0277E
244
44E
-02
-02
X14
, 9,251
, 9,5 ,212
,331 8,463
, ,216
,
,
,
,121 7,1 ,211
125 E-02 12345E 3,9
E-02 155
2,944E- 198 681 866
50E
3,2
-0269E
02
-02
70E
-02
-02
X15 - , -,12
- 5,272E- ,126 6,5 -,108
,233
, 9,0
,
,885
, ,772
,
5,1 3,397 2,2 197 4 1,225E02
69E
164 91E 121
823
156
07E E-0259E
03
-02
-02
-02
-02
X16 5,2 ,110 4,6
, -,14
- -,100 ,156 ,329
, 7,7 7,1
,823
, ,678
,
92E
22E 224 4 8,216E4,5 2,872
253 77E50E
860
125
-02
-02
03
26E E-02
-02 -02
-02
X17
, ,133
,
, 6,0 6,378E,227 3,736
,
,297
,
,
,
,772
, ,857 8,0
126
219 22805E
02
E-02 218 1,640
251 111 211
678
84E
-02
E-02
-02
, ,359
,
,
,
- ,168
,
- 2,144E,
, ,156
, 8,084
,
263
103 211 310 7,724E- 2,059E440 2,802
02 134 244 3,2
125 E-02 935
02
02
E-02
70E
-02
Res X1
-,119 - 3,4 1,9 6,025E- 1,355E- - 2,790 1,718E- 1,3
- - 2,204E- - 9,3
idu
6,627E76E
03
02 1,312 3,1 E-02
0242E 1,0 1,2
02 2,3 2,832 64E
al
49E -02 -02
E-0246E
-02 51E40E
05E E-03 -03
-02
-02
-03 -02
-02
X2-,11
- 9,9 - 2,471E- 1,131 2,9
- 2,3 9,0 - - 2,489
9
4,307E 2,2 3,116E02 E-0257E 1,603 2,662E-85E 50E 7,7 1,269E- 7,0 E-02 3,1
27E -0314E
02
-03 E-02
02 -03 -0307E
0208E
45E
-02
-03
-03
-03
-02
X3 - - 4,785E- 1,823 1,8 3,686
- - - 1,168E- 3,8
- 4,2
6,6 4,327
5,8 7,8 1,625E03 E-0299E E-02 3,179E- 2,8 7,9 5,3
0267E 4,339 96E
49E E-02
93E23E
02
-02
0271E 56E54E
-02 E-02 -02
-02
-02 -02
-02 -03 -03
X4 3,4 9,907 - 1,591E- 4,941E- - 1,753 4,915E- - 3,4 - - 1,489 2,6
27E E-03 5,8
2,2
02
02 4,488 5,2 E-02
02 5,9 66E 8,1 1,602E- 1,6 E-02 31E
-02
93E
74E
E-0268E
95E -0312E
0212E
-02
-02
-02
-02
-02
-03
-02
X5 1,9
- - 4,022E- 2,0
- 8,224E- 2,4
- 6,5 1,288E- 2,4
76E 2,214 7,8 2,2
02 5,269E- 1,69121E 2,897
0364E 4,894E
0258E 2,675 2,2
-02 E-0323E74E
02 E-02 -02 E-02
-02 45E -02
-02 E-02 56E
-02 -02
-02
-02
X6 6,0
- - 1,5 4,0
- -,142 - 2,390E- 1,4 4,0 - 4,655E- - 2,7
25E 3,116 1,691E22E
9,289E1,6 7,074
0253E 15E 1,6
02 2,8 1,909 87E
-03 E-0225E -02 -02
02
29E E-02
-02 -0239E
26E E-02 -02
-02
-02
-02
-02
X7 1,3 2,471 4,7 4,9 - - 3,609
- 7,8
- - 5,8
- 3,1
55E E-0285E41E 5,2 9,289E7,864 6,7 E-02 3,223E-42E 3,5 1,0 2,715E-89E 4,170 41E
-02
-03 -0269E
02
E-0356E
02 -03 76E78E
02 -02 E-02 -02
-02
-02
-02 -02
X18
X8
2,3 7,00867E 1,658E 2,826E02 2,74836E E-021,715E- 1,4 5,640E 5,186E7,541 13E
05E E-03 -0212E -02
02
E-02 -03
0235E 00E -02
02
E-02 -02
-02
-02
-02 -02
X17 - 2,489 - 1,4 - 6,123 - 1,863
- 7,2 2,0 - 2,8 E-02 4,389E 2,6 1,909E- 4,170E- E-02 2,1 E-02 2,567E-00E 42E 2,4 5,747E- 7,5
4,3
32E
39E -0275E
02
02
91E
02 -03 -0214E
0241E
36E
-03
-02
-02
-02
-02
-02
-04
X18 9,3
- 4,2 2,6 - 2,787E- 3,141E- - 2,367
- - 3,4
- 1,7
64E 3,14596E31E 2,2
02
02 2,924 6,4 E-02 1,186E- 1,6 5,840E 1,820E-13E 4,336
-03 E-02 -02 -0256E
E-0262E
0243E 13E -02
02 -02 E-04
-02
-02
-02 -02
Extraction Method: Principal Component Analysis.
a Residuals are computed between observed and reproduced correlations. There are 25 (16,0%) nonredundant residuals with
absolute values > 0.05.
b Reproduced communalities
Sebagai contoh
Pada kolom komponen 1 nilai tertinggi adalah ,925 nama factor atau variable adalah
X15
Pada kolom komponen 9 nilai tertinggi adalah ,836 nama factor atau variable adalah
X4
Demikian seterusnya.
Penutup
Seperti pesan Imam As Syafii kepada para santrinya
Rayuna shawab yahtamil al khata
Bersandar pada pendapat ini, masihkan kita saling bertahan dengan pendapat pribadi
dengan mengabaikan pendapat orang lain yang kemungkinan mengandung
kebenaran dan membawa pencerahan.. Penulis yang masih kurang dalam segala
hal sangat mengharapkan saran koreksi dari pembaca untuk perbaikan.
Semoga ada manfaatnya, Bagi adik-adik mahasiswa diberikan kesempatan seluasluasnya untuk berdiskusi dengan penulis jika terdapat ketidakjelasan atau perbedaan
pendapat.
Wallaahualam bisshawab
Singosari, 27 Rajab 2003,
Hanif Mauludin,
e-mail: hanif@stie-mce.ac.id.
Web: www.stie-mce.ac.id/~hanif
phone: STIE MCE. 491813 ext 129 (ruang mce internet J-4)
Segera terbit suplemen tambahan untuk edisi mahasiswa ABM, analisis kluster dan
diskriminan
REFERENCE
1. Everitt, B.S, & Dunn, G. (1991). Applied multivariate data analysis. London:
Edward Arnold.
2. Bryman, A & Cramer, D. (1990). Quantitative data analysis for social scientists. pp.
246-251
3. Rietveld & Sunaryanto, (1994). 87 masalah pokok dalam regresi berganda
4. Sugiarto. (1992). Tahap awal dan Aplikasi analisis Regresi
5. http://www.exeter.ac.uk/~SEGLea/multvar2