STUDI KASUS DALAM IBM SPSS STATISTICS VERSI 20

Oleh :
Abdullah M. Jaubah

STUDI KASUS DALAM IBM SPSS STATISTICS VERSI 20

Oleh :
Abdullah M. Jaubah

Pendahuluan
Studi dan penghayatan atas buku-buku statistik dan buku-buku SPSS di Indonesia dan bahanbahan bacaan SPSS dari Institute For Digital Research and Education dalam University of
California mengungkap bahwa buku-buku tersebut adalah sangat tidak lengkap ditinjau dari
sudut ruang lingkup pembahasan. Kesenjangan ini dialami jika dibanding dengan ruang lingkup
pembahasan yang terkandung dalam Case Studies SPSS.
Ruang lingkup pembahasan dalam Case Studies SPSS mencakup pembahasan mengenai
Introduction, Statistics Base, Advanced Statistics Option, Bootstrapping Option, Categories
Option, Complex Samples Option, Conjoint Option, Data Preparation Option, Decision Trees
Option, Direct Marketing, Missing Values Option, Neural Networks Option, Regression Option,
dan Forecasting Option. Pembahasan dalam Introduction adalah sangat singkat dan hanya
menjelaskan bahwa Case Studies dalam SPSS ini menyediakan contoh-contoh tentang cara
mencipta berbagai jenis analisis statistik dan cara menginterpretasikan hasil-hasil. Contoh-contoh
ini tersedia untuk mereka yang telah biasa memakai operasi-operasi dasar dalam SPSS. Studi
kasus ini dicinci lebih lanjut dan rincian ini adalah sangat luas dan dalam. Studi kasus SPSS ini
dapat dipakai sebagai bahan studi dan penghayatan atas SPSS dan statistik.
SPSS dapat dipakai untuk mengolah data hasil penelitian bersifat kualitatif, data hasil penelitian
bersifat kuantitatif, dan data hasil penelitian kombinasi (mixed research). Data dan variabel
berjenis kualitatif mencakup data dan variabel nominal dan data dan variabel ordinal. Data dan
variabel berjenis kuantitatif mencakup data dan variabel scale. Data dan variabel berjenis
kualitatif sering disebut data dan variabel kategorikal.
Studi kasus SPSS ini dilaksanakan melalui pemakaian cara point and click berdasar atas menu
SPSS. Langkah ini akan menghasilkan dua kelompok informasi. Salah satu kelompok informasi
ini adalah perintah-perintah sintaksis SPSS. Perintah-perintah sintaksis yang dicipta melalui cara
2

point and click ini dalam dimanfaatkan sebagai arsip sintaksis yang dapat disimpan dan dapat
dipakai setiap saat diperlukan dengan cara membuka arsip sintaksis tersebut seperti membuka
arsip data. Arsip sintaksis ini akan disajikan dalam Syntax Editor dan melalui menu dalam
Syntax Editor arsip sintaksis itu dapat dilaksanakan dengan cara memakai perintah Run>All.
Rincian Statistics Base
Pembahasan dalam Statistics Base mencakup pembahasan mengenai Summary Statistics Using
Frequencies, Summary Statistics Using Descriptives, Exploratory Data Analysis, Analysis of
cross-classifications using Crosstabs, The Summarize Procedure, The Means Procedure. The
OLAP Cubes Procedure, T Tests, One-Way analysis of variance, GLM Univariate, Bivariate
Correlations, Partial Correlations, Linear models, Linear regression, Ordinal Regression, Curve
Estimation, Partial Least Squares Regression, Nearest Neighbor Analysis, Discriminant Analysis,
Factor Analysis, TwoStep Cluster Analysis, Hierarchical Cluster Analysis, K-Means Cluster
Analysis, Nonparametric Tests, Multiple Response Analysis, Measures of reliability in scale
problems, Ratio Statistics, ROC Curve, Control Charts, Select Predictors, dan pembahasan
mengenai Naive Bayes. Pembahasan mengenai Partial Least Square Regression dan
pembahasan mengenai Nave Bayer hanya dapat dilaksanakan jika modul-modul bersangkutan
diinstal. Perkembangan telah mencatat bahwa paket program khusus telah dikembangkan yaitu
Visual Partial Least Square, Smart Partial Least Square, atau Wrap Partial Least Square sebagai
tandingan atas paket program Lisrel dan paket program Amos yang biasa dipakai dalam
Pemodelan Persamaan Struktural sebagai bagian pengembangan lebih lanjut dari analisis
multivariat. Regresi Ordinal mencerminkan analisis regresi atas data berjenis kulitatif, atas data
berjenis ordinal.

Rincian Advanced Statistics

Rincian Advanced Statistics mencakup pembahasan mengenai Multivariate General Linear

Modeling, Generalized Linear Models, Generalized linear mixed models, Loglinear Modeling,
Life Tables, Kaplan-Meier Survival Analysis, dan pembahasan mengenai Cox Regression.
Pembahasan mengenai Bootstrapping juga terkandung dalam studi kasus.
3

Rincian Categories
Pembahasan mengenai Categories mencakup pembahasan mengenai Categorical Regression,
Categorical Principal Components Analysis, Nonlinear Canonical Correlation Analysis,
Correspondence analysis, Multiple Correspondence Analysis, Multidimensional Scaling, dan
pembahasan mengenai Multidimensional Unfolding.
Rincian Complex Samples
Pembahasan mengenai rincian dari Complex Samples mencakup pembahasan mengenai
Planning for Complex Samples, Complex Samples Sampling Wizard, Complex Samples
Analysis Preparation Wizard, Complex Samples Analysis Procedures: Tabulation, Complex
Samples Analysis Procedures: Descriptives, Complex Samples Frequencies, Complex Samples
Descriptives, Complex Samples Crosstabs, Complex Samples Ratios, Complex Samples General
Linear Model, Complex Samples Logistic Regression, Complex Samples Ordinal Regression,
dan pembahasan mengenai Complex Samples Cox Regression.
Rincian Conjoint
Rincian pembahasan mengenai Conjoint mencakup pembahasan mengenai Introduction and
Methodology dan pembahasan mengenai Using Conjoint Analysis to Model Carpet-Cleaner
Preference.
Rincian Data Preparation
Rincian pembahasan mengenai Data Preparation mencakup pembahasan mengenai Validate
Data, Automated Data Preparation, Identify Unusual Cases, dan pembahasan mengenai Optimal
Binning.
Rincian Decision Trees
Rincian pembahasan mengenai Decision Trees mencakup pembahasan mengenai Decision Trees,
Data assumptions and requirements, Using Decision Trees to Evaluate Credit Risk, Building a
Scoring Model, dan pembahasan mengenai Missing Values in Tree Models.
4

Rincian Direct Marketing

Rincian pembahasan mengenai Direct Marketing mencakup pembahasan mengenai RFM
Analysis, RFM Analysis from Transaction Data, Cluster analysis, Prospect profiles, Postal code
response rates, Propensity to purchase, dan pembahasan mengenai Control package test.
Rincian Missing Value Analysis
Rincian pembahasan mengenai Missing Value Analysis mencakup pembahasan mengenai
Missing Value Analysis dan pembahasan mengenai Multiple Imputation.
Rincian Neural Networks
Rincian pembahasan mengenai Neural Networks mencakup pembahasan mengenai Multilayer
Perceptron dan pembahasan mengenai Radial Basis Function.
Rincian Regression
Rincian pmbahasan mengenai Regression mencakup pembahasan mengenai Binary Logistic
Regression, Multinomial Logistic Regression, Nonlinear Regression, Probit Analysis, Weight
Estimation, dan pembahasan mengenai Two-Stage Least-Squares Regression.
Rincian Forecasting
Rincian pembahasan mengenai Forecasting mencakup pembahasan mengenai Time Series
Modeling and Forecasting, Bulk Forecasting with the Expert Modeler, Bulk Reforecasting by
Applying Saved Models, Using the Expert Modeler to Determine Significant Predictors,
Experimenting with Predictors by Applying Saved Models, Seasonal Decomposition, dan
pembahasan mengenai Spectral Plots.
Pertanyaan
Apakah pernyataan bahwa buku-buku statistik dan buku-buku SPSS di Indonesia dan University
of California Los Angels mengungkap bahwa buku-buku tersebut adalah sangat tidak lengkap

ditinjau dari sudut ruang lingkup pembahasan dapat dibuktikan bahwa pernyataan tersebut
mengandung kebenaran atau ketidakbenaran?
Apakah pernyataan bahwa kesenjangan ini dialami jika dibanding dengan ruang lingkup
pembahasan yang terkandung dalam Case Studies SPSS dapat dibuktikan bahwa pernyataan
tersebut mengandung kebenaran atau ketidakbenaran?
Beberapa buku statistik dan buku SPSS dapat dipakai untuk membandingkan ruang lingkup
pembahasan dalam buku-buku statistik dan buku-buku SPSS dengan ruang lingkup yang telah
disajikan secara rinci di atas.
Apakah terdapat buku statistik dan buku SPSS yang telah membahas Complex Samples dan
Neural Networks?
Kesenjangan-kesenjangan dalam buku-buku statistik dan buku-buku SPSS akan tercermin pula
dalam kurikulum dan silabus Statistik yang dikuliahkan dalam berbagai Perguruan Tinggi dan
kesenjangan ini akan berdampak pada kualitas dari hasil-hasil penelitian dan kualitas jurnal
ilmiah yang menerbitkan hasil-hasil penelitian tersebut.
Kumpulan Studi Kasus SPSS
Jumlah halaman jika informasi dalam studi kasus SPSS itu dikumpulkan akan mencakup lebih
daripada 2500 halaman. Hal ini mencerminkan bahwa studi kasus itu banyak mengandung
informasi yang bermanfaat untuk melakukan studi dan penghayatan atas statistik yang dapat
dimanfaatkan dalam penelitian kualitatif, penelitian kuantitatif, dan penelitian kombinasi.
Contoh Arsip Sintaksis
Contoh arsip sintaksis yang dikumpulkan dari studi kasus tersebut adalah sebagai berikut :
***************************************************
***** Abdullah M. Jaubah
***************************************************
GET
FILE='F:\SPSS\carpet.sav'.
***************************************************
***** Kategori
***************************************************
REGRESSION

/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT pref
/METHOD=ENTER package brand price seal money
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/SAVE ZRESID.
* Chart Builder.
GGRAPH
/GRAPHDATASET NAME="graphdataset" VARIABLES=pref ZRE_1 MISSING=LISTWISE REPORTMISSING=NO
/GRAPHSPEC SOURCE=INLINE.
BEGIN GPL
SOURCE: s=userSource(id("graphdataset"))
DATA: pref=col(source(s), name("pref"), unit.category())
DATA: ZRE_1=col(source(s), name("ZRE_1"))
GUIDE: axis(dim(1), label("Preference"))
GUIDE: axis(dim(2), label("Standardized Residual"))
SCALE: linear(dim(2), include(0))
ELEMENT: point(position(pref*ZRE_1))
END GPL.
CATREG VARIABLES=pref package brand price seal money
/ANALYSIS=pref(LEVEL=NUME) WITH package(LEVEL=SPORD,DEGREE=2,INKNOT=2)
brand(LEVEL=SPORD,DEGREE=2,INKNOT=2) price(LEVEL=SPORD,DEGREE=2,INKNOT=2)
seal(LEVEL=SPORD,DEGREE=2,INKNOT=2) money(LEVEL=SPORD,DEGREE=2,INKNOT=2)
/MISSING=pref(LISTWISE) package(LISTWISE) brand(LISTWISE) price(LISTWISE) seal(LISTWISE) money(LISTWISE)
/MAXITER=100
/CRITITER=.00001
/PRINT=R COEFF HISTORY OCORR CORR QUANT(package price)
/INITIAL=NUMERICAL
/PLOT=TRANS(package price)(20)
/SAVE= RES
/REGULARIZATION=NONE
/RESAMPLE=NONE.
GET
FILE='F:\SPSS\ozone.sav'.
CATREG VARIABLES=ozon vh ibh dpg vis temp doy
/ANALYSIS=ozon(LEVEL=NUME) WITH vh(LEVEL=NOMI) ibh(LEVEL=NOMI) dpg(LEVEL=NOMI) vis(LEVEL=NOMI)
temp(LEVEL=NOMI) doy(LEVEL=NOMI)
/DISCRETIZATION=ibh(GROUPING,EQINTV=100) dpg(GROUPING,EQINTV=10) vis(GROUPING,EQINTV=10)
temp(GROUPING,EQINTV=1.8) doy(GROUPING,EQINTV=10)
/MISSING=ozon(LISTWISE) vh(LISTWISE) ibh(LISTWISE) dpg(LISTWISE) vis(LISTWISE) temp(LISTWISE) doy(LISTWISE)
/MAXITER=100
/CRITITER=.00001
/PRINT=R COEFF ANOVA
/INITIAL=NUMERICAL
/PLOT=TRANS(ozon vh ibh dpg vis temp doy)(20)
/REGULARIZATION=NONE
/RESAMPLE=NONE.
GET
FILE='F:\SPSS\guttman.sav'.
CATPCA VARIABLES=intnsity frquency blonging proxmity formlity cluster
/ANALYSIS=intnsity(WEIGHT=1,LEVEL=ORDI) frquency(WEIGHT=1,LEVEL=ORDI) blonging(WEIGHT=1,LEVEL=ORDI)
proxmity(WEIGHT=1,LEVEL=ORDI) formlity(WEIGHT=1,LEVEL=ORDI)
/MISSING=intnsity(PASSIVE,MODEIMPU) frquency(PASSIVE,MODEIMPU) blonging(PASSIVE,MODEIMPU)
proxmity(PASSIVE,MODEIMPU) formlity(PASSIVE,MODEIMPU)
/DIMENSION=2
/NORMALIZATION=VPRINCIPAL
/MAXITER=100
/CRITITER=.00001
/PRINT=LOADING OBJECT
/PLOT=BIPLOT(LOADING) (20) OBJECT (20) CATEGORY(intnsity frquency blonging proxmity formlity ) (20).
CATPCA VARIABLES=intnsity frquency blonging proxmity formlity cluster

/ANALYSIS=intnsity(WEIGHT=1,LEVEL=ORDI) frquency(WEIGHT=1,LEVEL=ORDI) blonging(WEIGHT=1,LEVEL=ORDI)

proxmity(WEIGHT=1,LEVEL=ORDI) formlity(WEIGHT=1,LEVEL=ORDI)
/MISSING=intnsity(PASSIVE,MODEIMPU) frquency(PASSIVE,MODEIMPU) blonging(PASSIVE,MODEIMPU)
proxmity(PASSIVE,MODEIMPU) formlity(PASSIVE,MODEIMPU)
/DIMENSION=3
/NORMALIZATION=VPRINCIPAL
/MAXITER=100
/CRITITER=.00001
/PRINT=LOADING OBJECT
/PLOT=BIPLOT(LOADING) (20) OBJECT (20) CATEGORY(intnsity frquency blonging proxmity formlity ) (20).

Pelaksanaan arsip sintaksis di atas akan menghasilkan informasi sebagai berikut :

Variables Entered/Removeda
Model
1

Variables Entered
money, price, seal, brand, package

Variables Removed

Method
. Enter

a. Dependent Variable: pref

b. All requested variables entered.

Model Summaryb
Model

R Square

.841a

Adjusted R Square

.707

Std. Error of the Estimate

.615

3.998

a. Predictors: (Constant), money, price, seal, brand, package

b. Dependent Variable: pref

ANOVAa
Model

Sum of Squares

df

Mean Square

Regression

615.697

123.139

Residual

255.757

16

15.985

Total

871.455

21

Sig.
7.704

.001b

a. Dependent Variable: pref

b. Predictors: (Constant), money, price, seal, brand, package

Coefficientsa

Model

Unstandardized
Coefficients
B
Std. Error

(Constant)

22.529

5.177

package

-4.159

1.036

brand

0.429

price

Standardized
Coefficients
Beta

Sig.

4.352

-0.56

-4.015

0.001

1.054

0.056

0.407

0.689

2.703

1.009

0.366

2.681

0.016

seal

-4.314

1.78

-0.33

-2.423

0.028

money

-2.779

1.921

-0.197

-1.447

0.167

a. Dependent Variable: pref

Residuals Statisticsa
Minimum
Predicted Value

Maximum

Mean

Std. Deviation

-.14

20.25

11.45

5.415

22

Residual

-8.202

4.639

.000

3.490

22

Std. Predicted Value

-2.142

1.624

.000

1.000

22

Std. Residual

-2.052

1.160

.000

.873

22

a. Dependent Variable: pref

Charts

Credit
Catreg
Version 3.0
by
Data Theory Scaling System Group (DTSS)
Faculty of Social and Behavioral Sciences
Leiden University, The Netherlands

Case Processing Summary

Valid Active Cases

22

Active Cases with Missing

Values
Supplementary Cases

0
0

Total

22

Cases Used in Analysis

22

Iteration History
Multiple R Square

Apparent Prediction Error

Decrease in Apparent Prediction Error

10

Iteration Number

0a

.000

.000

.916

.084

-.084

.917

.083

.001

3b

.917

.083

.000

a. The error of iteration 0 is the error of the solution with all variables treated as numerical (with error difference
0.0001 and maximum number of iterations 50).
b. The iteration process stopped because the convergence test value was reached.

Correlations Original Variables

package

brand

price

seal

money

package

1.000

-.189

-.126

.081

.066

brand

-.189

1.000

.065

-.042

-.034

price

-.126

.065

1.000

.000

.000

seal

.081

-.042

.000

1.000

-.039

money

.066

-.034

.000

-.039

1.000

Dimension

Eigenvalue

1.291

1.038

.980

.905

.785

Correlations Transformed Variables

package

brand

price

seal

money

package

1.000

-.171

-.110

.052

.094

brand

-.171

1.000

.115

-.092

-.020

price

-.110

.115

1.000

.001

-.001

seal

.052

-.092

.001

1.000

-.039

money

.094

-.020

-.001

-.039

1.000

Dimension

Eigenvalue

1.304

1.053

.979

.852

.812

Model Summary
Multiple R

R Square

Adjusted R Square

Apparent Prediction Error

11

Standardized Data

.958

.917

.855

.083

Raw Data
Dependent Variable: pref
Predictors: package brand price seal money

Coefficients
Standardized Coefficients
Beta
package

df

Sig.

Bootstrap (1000) Estimate of Std. Error

-.723

.108

44.773

.000

brand

.068

.116

.345

.568

price

.354

.100

12.570

.001

seal

-.332

.104

10.124

.003

money

-.165

.099

2.763

.103

Dependent Variable: pref

Correlations and Tolerance

Correlations
Zero-Order
package

Partial

Importance
Part

Tolerance
After Transformation

Before Transformation

-.807

-.926

-.705

.636

.952

.942

brand

.266

.225

.066

.020

.954

.961

price

.442

.773

.350

.171

.978

.982

seal

-.370

-.754

-.330

.134

.988

.991

money

-.223

-.497

-.164

.040

.989

.993

Dependent Variable: pref

Quantifications

package Package designa

Category

Frequency

Quantification

1 A*

-1.202

2 B*

.832

3 C*

.832

a. Optimal Scaling Level: Spline Ordinal (Degree 2, Interior Knots 1).

price Pricea

12

Category

Frequency

Quantification

1 $1.19

-1.162

2 $1.39

-.029

3 $1.59

1.183

a. Optimal Scaling Level: Spline Ordinal (Degree 2, Interior Knots 1).

13

Credit
Catreg
Version 3.0
by
Data Theory Scaling System Group (DTSS)
Faculty of Social and Behavioral Sciences
Leiden University, The Netherlands

Case Processing Summary

Valid Active Cases

330

Active Cases with Missing Values

Supplementary Cases

Total

330

Cases Used in Analysis

330

14

Model Summary
Multiple R
Standardized Data

R Square

.955

Adjusted R Square

.912

Apparent Prediction Error

.779

.088

Raw Data
Dependent Variable: ozon
Predictors: vh ibh dpg vis temp doy

ANOVA
Sum of Squares
Regression
Residual
Total

df

Mean Square

300.995

198

1.520

29.005

131

.221

330.000

329

Sig.
6.866

.000

Dependent Variable: ozon

Predictors: vh ibh dpg vis temp doy

Coefficients
Standardized Coefficients
Beta

df

Sig.

Bootstrap (1000) Estimate of Std. Error

vh

.330

.091

52

13.291

.000

ibh

.266

.079

42

11.356

.000

dpg

.375

.087

16

18.774

.000

vis

.230

.072

17

10.215

.000

temp

.501

.124

35

16.370

.000

doy

.447

.095

36

22.206

.000

Dependent Variable: ozon

Correlations and Tolerance

Correlations
Zero-Order

Partial

Importance
Part

Tolerance
After Transformation

Before Transformation

vh

.459

.727

.314

.166

.905

.242

ibh

.256

.666

.264

.075

.989

.590

dpg

.181

.760

.347

.074

.856

.674

vis

.380

.604

.225

.096

.952

.748

temp

.716

.843

.464

.393

.857

.234

doy

.398

.806

.404

.195

.817

.775

Dependent Variable: ozon

15

16

17

18

Credit
CATPCA
Version 1.1
by
Data Theory Scaling System Group (DTSS)
Faculty of Social and Behavioral Sciences
Leiden University, The Netherlands

Case Processing Summary

Valid Active Cases

Active Cases with Missing Values

Supplementary Cases

Total

Cases Used in Analysis

Iteration History

19

Model Summary
Dimension

Cronbach's Alpha

Variance Accounted For

Total (Eigenvalue)

% of Variance

.881

3.389

67.774

.315

1.337

26.746

4.726

94.520

Total

.986

a. Total Cronbach's Alpha is based on the total Eigenvalue.

20

21

22

Object Scores
Case Number

Dimension
1

-1.266

1.816

.284

.444

-1.726

-1.201

.931

.229

1.089

.159

.188

-1.408

.500

-.039

Variable Principal Normalization.

Component Loadings

23

Component Loadings
Dimension
1

intnsity

.987

-.136

frquency

.968

-.169

blonging

.731

-.646

proxmity

.486

.825

formlity

.841

.438

Variable Principal Normalization.

Credit
CATPCA
Version 1.1
by
Data Theory Scaling System Group (DTSS)
Faculty of Social and Behavioral Sciences
Leiden University, The Netherlands

Case Processing Summary

Valid Active Cases

Active Cases with Missing

Values
Supplementary Cases

Total

Cases Used in Analysis

Iteration History
Iteration Number

Variance Accounted For

Total

38

Increase

Loss
Total

Centroid

Restriction of Centroid to

Coordinates

Vector Coordinates

4.876515

.000007

10.123485

7.648772

2.474713

4.999966

.000008

10.000034

6.688049

3.311985

a. Iteration 0 displays the statistics of the solution with all variables, except variables with optimal scaling level
Multiple Nominal, treated as numerical.
b. The iteration process stopped because the convergence test value was reached.

24

Model Summary
Dimension

Cronbach's Alpha

Variance Accounted For

Total (Eigenvalue)

% of Variance

.885

3.424

68.480

-.232

.844

16.871

-.459

.732

14.649

5.000

99.999

Total

1.000

a. Total Cronbach's Alpha is based on the total Eigenvalue.

Category Points

25

26

27

Object Scores
Case Number

Dimension
1

-.646

1.477

-.002

-.489

.695

.784

-.992

-.244

-1.652

1.414

.682

-.998

1.684

-.672

.364

-.648

-1.830

-.083

-.323

-.108

1.587

Variable Principal Normalization.

Component Loadings

28

Component Loadings
Dimension
1

intnsity

.980

-.005

-.201

frquency

.521

-.643

.561

blonging

.980

-.002

-.197

proxmity

.519

.656

.549

formlity

.981

.004

-.193

Variable Principal Normalization.

Biplot Component Loadings and Objects

Hasil di atas belum diinterpretasikan dan disajikan hanya untuk mengungkap ketangguhan dari
perintah-perintah sintaksis SPSS yang belum terjamah dalam buku-buku SPSS yang telah
diterbitkan di Indonesia. Interpretasi atas hasil-hasil di atas terkandung dalam studi kasus SPSS.
Data yang dipakai juga tersedia dalam paket program IBM SPSS Statistics Versi 20. Sintaksis di
29

atas dapat dijalankan dalam IBM SPSS Statistics Versi 21 dan IBM SPSS Versi 22 walau
sintaksis itu dicipta dalam IBM SPSS Statistics versi 20.
Rangkuman
Bahan studi dan penghayatan statistik terkandung dalam Case Studies SPSS. Case Studies ini
mencakup ruang lingkup pembahasan yang sangat luas, lengkap, dan dalam. Pembahasan seperti
ini tidak ditemukan dalam buku-buku statistik dan buku-buku SPSS. Pemakaian cara point and
click melalui menu SPSS dapat mencipta perintah-perintah sintaksis. Perintah-perintah sintaksis
ini membutuhkan pengolahan sedikit agar dapat disimpan ke dalam arsip sintaksis dan arsip
sintaksis ini dapat dibuka, dimuat, dan dijalankan melalui Syntax Editor dengan perintah
Run>All.
Penulis mengharap kritik dari para pembaca dan kritik tersebut mungkin dapat dipakai untuk
memperbaiki isi tulisan ini.
Daftar Kepustakaan
IBM Incorporation (2011). Case Studies.

Permata Depok Regency, 10 Februari 2016

30