Anda di halaman 1dari 15

TUGAS PRAKTIKUM METODE KUANTITATIF Analisis data Korelasi, Regresi, dan Normality Q-Q Plot dengan Aplikasi SPSS

S 16.0

Disusun oleh:

Nama NIM Kelas

:Liya Barokah :115040113111008 :H

UNIVERSITAS BRAWIJAYA FAKULTAS PERTANIAN PROGRAM STUDI AGRIBISNIS MALANG 2014

BAB I PENDAHULUAN 1.1 Latar Belakang Dengan perkembangan ilmu pengetahuan dan teknologi yang semakin maju, aplikasi dalam sebuah komputer juga semakin bervariasi, dengan tujuan untuk mempermudah pengguna dalam mengolah data yang dibutuhkan. Salah satunya adalah aplikasi SPSS. Aplikasi SPSS adalah aplikasi yang digunakan untuk mengolah data statistik, yang menyajikan berbagai kemudahan didalamnya. Didalam kehidupan sehari hari, sering kita jumpai banyak hal yang dapat kita deskripsikan dalam sebuah bentuk data. Informasi data yang diperoleh tentunya harus diolah terlebih dahulu menjadi sebuah data yang lebih mudah dibaca dan dianalisa. Akan tetapi bagaimana penyajian data yang kita dapat tentunya berbeda beda, sesuai dengan kebutuhan dan keinginan penyaji data. SPSS adalah program aplikasi bisnis yang berguna untuk menganalisa data statistik. Software SPSS dibuat dan dikembangkan oleh SPSS Inc. yang kemudian diakuisisi oleh IBM Corporation.Perangkat lunak komputer ini memiliki kelebihan pada kemudahan penggunaannya dalam mengolah dan menganalisis data statistik. Fitur yang ditawarkan antara lain IBM SPSS Data Collection untuk pengumpulan data, IBM SPSS Statistics untuk menganalisis data, IBM SPSS Modeler untuk memprediksi tren, dan IBM Analytical Decision Management untuk pengambilan keputusannya. Program SPSS banyak diaplikasikan dan digunakan oleh kalangan pengguna komputer di bidang bisnis, perkantoran, pendidikan, dan penelitian. SPSS merupakan software komersial dengan harga lisensi $5,120 USD. SPSS dapat dijalankan di sistem operasi Windows XP, Windows Vista, Windows 7, Mac OS, dan Linux. Untuk menginstall versi terbaru program ini, komputer Windows Anda harus memiliki spesifikasi minimal menggunakan prosesor Intel atau AMD dengan kecepatan 1 GHz, memori (RAM) 1 GB, resolusi monitor 1024768 piksel, dan harddisk dengan kapasitas kosong minimal 800 MB. 1.2 Tujuan 1.2.1 Untuk mengetahui apakah ada hubungan yang signifikan antara luas lahan terhadap produksi beras 1.2.2 Untuk mengetahui apakah ada pengaruh yang signifikan antara luas lahan secara bersama-sama terhadap produksi beras

BAB II TINJAUAN PUSTAKA A. Pengertian SPSS SPSS adalah software/ program yang digunakan untuk olah data statistik. Dahulu kepanjangan SPSS adalah Statistical Package for the Social Sciences , namun dengan berjalannya waktu SPSS mengalami perkembangan dan penggunaan semakin kompleks untuk berbagai ilmu. Sehingga kepanjangan SPSS adalah Statistical Product and Service Solution. Tahun 1968 mahasiswa Stanford University membuat program SPSS untuk dioperasikan pada komputer mainframe. Pada tahun 1984 SPSS muncul dengan versi PC, kemudian tahun 1992 tercipta untuk versi windows (SPSS for Windows). Setelah itu SPSS terus mengalami perkembangan dan dari waktu ke waktu mengalami perbaikan dan penyempurnaan. Hingga sampai saat ini versi terbaru yaitu SPSS for windows versi 17. Langka- langkah pengolahan data SPSS dapat digambarkan sebagai berikut : Input data proses data Output data Setelah data diinput pada SPSS data editor, lalu mencari alat analisis yang diperlukan, memasukkan variabel-variabel independent/ dependent dll, lalu klik Ok. Setelah proses olah data muncul output data. B. Pengertian Uji-t Tes t atau Uji t adalah uji statistik yang digunakan untuk menguji kebenaran atau kepalsuan hipotesis nol . Uji t pertama kali dikembangkan oleh William Seely Gosset pada 1915.Awalnya ia menggunakan nama samaran Student, dan huruf t yang terdapat dalam istilah Uji t dari huruf terakhir nama beliau. Uji t disebut juga dengan nama Student t. Persyaratan analisis Uji t yaitu sampel di ambil secara acak dari populasi berdistribusi normal dan data berskala interval dan atau rasio. Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t tabel atau dengan melihat kolom signifikansi pada masing-masing t hitung, proses uji t identik dengan Uji F (lihat perhitungan SPSS pada Coefficient Regression Full Model/Enter). Atau bisa diganti dengan Uji metode Stepwise. C. Pengertian uji-F Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova, yaitu uji untuk melihat bagaimanakah pengaruh semua variabel bebasnya secara bersama-sama terhadap variabel terikatnya. Atau untuk menguji apakah model regresi yang kita buat baik/signifikan atau tidak baik/non signifikan. Jika model signifikan maka model bisa digunakan untuk prediksi/peramalan, sebaliknya jika non/tidak signifikan maka model regresi tidak bisa digunakan untuk peramalan.

Uji F dapat dilakukan dengan membandingkan F hitung dengan F tabel, jika F hitung > dari F tabel, (Ho di tolak Ha diterima) maka model signifikan atau bisa dilihat dalam kolom signifikansi pada Anova (Olahan dengan SPSS, Gunakan Uji Regresi dengan Metode Enter/Full Model ). Model signifikan selama kolom signifikansi (%) < Alpha (kesiapan berbuat salah tipe 1, yang menentukan peneliti sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5% atau 1%). Dan sebaliknya jika F hitung < F tabel, maka model tidak signifikan, hal ini juga ditandai nilai kolom signifikansi (%) akan lebih besar dari alpha. D. Uji Normalitas Uji distribusi normal adalah uji untuk mengukur apakah data yang didapatkan memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Dengan kata lain, uji normalitas adalah uji untuk mengetahui apakah data empirik yang didapatkan dari lapangan itu sesuai dengan distribusi teoritik tertentu. Dalam kasus ini, distribusi normal. Dengan kata lain, apakah data yang diperoleh berasal dari populasi yang berdistribusi normal. Tes-tes parametrik untuk uji normalitas dibangun dari distribusi normal. Jika kita lihat suatu tabel, misalnya tabel t-tes, pembuatannya mengacu pada tebel normalitas. Kita bisa berasumsi bahwa sampel kita bener-bener mewakili populasi sehingga hasil penelitian kita bisa digeneralisasikan pada populasi. Dalam pandangan statistic, sifat dan karakteristik populasi adalah terdistribusi secara normal. Ada banyak cara untuk menguji normalitas, antara lain: a. Uji Liliefors Uji Normalitas dengan uji liliefors apabila data masih disajikan secara individu, maka uji normalitas data sebaiknya dilakukan dengan Uji Liliefors, karena uji Liliefors jauh lebih teliti dibandingkan dengan Uji Chi-Kuadrat. Uji Liliefors dilakukan dengan mencari nilai Lhitung, yakni nilai |F(Zi)-S(Zi)| yang terbesar. Rumus yang digunakan adalah sebagai berikut. H0 : Sampel berdistribusi normal H1 : Sampel tidak berdistribusi normal Dengan kriteria pengujian : Jika L hitung < L tabel, terima Ho Jika L hitung > Ltabel, tolak Ho b. Uji Normalitas Chi Kuadrat (Chi Square) Uji chi-kuadrat atau Chi square digunakan jika ukuran sampel 30 data atau lebih (n 30). Metode Chi-Square atau uji goodness of fit distribution normal ini menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan. Uji normalitas data dengan teknik chi-kuadrat digunakan untuk menguji normalitas data yang disajikan secara kelompok. Rumusan Hipotesis Ho : sampel berasal dari populasi berdistribusi normal Hi : sampel tidak berasal dari populasi berdistribusi normal : taraf nyata Data disusun dalam distribusi frekuensi sebagai berikut : Oi = frekuensi hasil pengamatan pada klasifikasi ke-i

Ei = Frekuensi yang diharapkan pada klasifikasi ke-i Menentukan Kriteria Pengujian Hipotesis dk = Derajat kebebasan dk =k3 k = banyak kelas interval

sumber gambar: www.sro.web.id Prosedur pengujian parametrik umumnya mensyaratkan kenormalan dari sebaran data yang akan diuji. Hal ini terkait dengan fungsi penghubung (jika dalam permodelan) dan statistik uji yang digunakan dalam pengujian yang merupakan keluarga dari distribusi normal, seperti uji t-test, F-test dan chi-square. Pada dasarnya uji normalitas adalah membandingkan antara data empiris (data yang kita miliki) dengan data teoritis (data distribusi normal) dan kategorinya merupakan jenis uji kesesuaian (Goodness of Fit). Banyak ahli statistik yang mencoba membuat pendekatan uji kesesuaian untuk menguji kenormalan data, salah satunya adalah Kolmogorov SmirnoV. Kolmogorov Smirnov dalam menguji kenormalan data digunakan prinsip membandingkan probabilitas kumulatif dari data empirik (Grafik kumulatif warna biru) dengan distribusi normal (Grafik kumulatif warna merah). Dikatakan data terdistribusi normal jika grafik kumulatif dari data berhimpit atau mendekati grafik kumulatif normalnya, untuk tahu tidaknya kedua grafik tersebut berhimpit maka digunakan pengujian yang dinamakan Uji Kolmogorov-Smirnov. Uji Kolmogorov Smirnov adalah pengujian normalitas yang banyak dipakai, terutama setelah adanya banyak program statistik yang beredar. Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji normalitas dengan menggunakan grafik. Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi normal baku. Distribusi normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal. Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku. Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat perbedaan yang signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan pada uji Kolmogorov Smirnov adalah bahwa

jika signifikansi di bawah 0,05 berarti data yang akan diuji mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak normal. Lebih lanjut, jika signifikansi di atas 0,05 maka berarti tidak terdapat perbedaan yang signifikan antara data yang akan diuji dengan data normal baku, artinya data yang diuji bernilai normal.

BAB III METODE A. Langkah-langkah Pengerjaan Explore 1. Copy data dari microsoft excel ke SPSS 16.0 excel SPSS 16.0

2. Pilih variabel view kemudian ganti nama variabel 1 dengan kata tahun, variabel 2 dengan kata ADV, dan variabel 3 dengan REV. Kemudian scale pada kolom measure ganti dengan kata nominal.

3. Pada data view, pilih analyzedescriptive statisticsexplore

4. Setelah muncul kotak dialog explore, pindahkan REV disisi kiri ke kotak dependent list sedangkan ADV pindahkan ke kotak factor list. Kemudian klik sampai muncul kotak dialog centang klik continuedan ok

5. Muncul output dari hasil explore dengan ADV berupa tabel case processing summary dan REV berupa boxplot. B. Langkah-langkah Pengerjaan Korelasi 1. Pada data view pilih analyzecorrelatekemudian pilih bivariate

2. Pada kotak dialog bivariate corellation pindahkan ADV dan REV dari kolom sebelah kiri ke kolom variabel sebelah kanan.

3. Centang dan pilih 4. Muncul output korelasi berupa tabel

kemudian OK

C. Langkah-langkah pengerjaan Regresi 1. Pada data view pilih analyzeregressionlinier

2. Setelah muncul kotak dialog linier regression pindahkan REV dari sisi kiri ke kolom dependent dan ADV ke kolom independent kemudian klik OK

3. Muncul output regresi berupa tabel model summary, tabel ANOVA, dan tabel coefficients D. Langkah-langkah pengerjaan Normal Q-Q Plot 1. Pada data view pilih analyze descriptive statisticsQ-Q plot

2. Setelah muncul kotak dialog Q-Q plot, pindahkan ADV dan REV ke kolom variabel sebelah kanan. Pilih OK.

3. Muncul output berupa tabel estimated distribution parameters dan kurva normal Q-Q plot ADV, kurva detrended normal Q-Q plot of ADV, kurva normal Q-Q plot REV dan kurva detrended normal Q-Q plot of REV

BAB IV HASIL DAN PEMBAHASAN A. Hasil dan Interpretasi dari Korelasi

Dari tabel korelasi di atas, dapat dilihat bahwa angka korelasi antara permintaan beras dan luas lahan sebesar 98,9 % dengan signifikansi Sig.= 0.000 < 0.05, maka Ho di tolak. Hal ini menunjukkan bahwa hubungan korelasi 0.989 signifikan. Peningkatan luas lahan sudah tentu akan meningkatkan Produksi Beras. B. Hasil dan Interpretasi dari Regresi

Pada tabel model summary dapat diketahui bahwa dari hasil perhitungan SPSS diperoleh R = 98,9%, dengan R2 = 97,8%. Nilai R merupakan hubungan antara produksi beras dengan luas lahan. Sedangkan untuk mengetahui seberapa besar kualitas model regresi linier berganda yang terbentuk, perhatikan nilai koefisien determinasi (R square) = 97,8 %. Nilai tersebut menunjukkan informasi bahwa 97,8% nilai dari besarnya luas lahan atau variabel REV telah dapat dijelaskan oleh data produksi beras atau ADV. Sedangkan sisanya 2,2% dijelaskan oleh variabel lain.

Untuk melihat signifikansi koefisien determinasi kita dapat melihat nilai Fhitung dan nilai Sig. atau dengan membandingkan nilai Ftabel. Dari tabel ANOVA diperoleh nilai Fhitung sebesar 498.245 dengan nilai Sig. sebesar 0,000. Sedangkan nilai Ftabel diperoleh pada table F dengan v1=1 dan v2=11, yaitu sebesar 4,8443. Dari kondisi tersebut terlihat bahwa nilai Fhitung > Ftabel dan nilai Sig. < dari nilai (0.05), maka kesimpulan yang bisa diambil adalah menolak H0 yang berarti koefisien determinasi adalah signifikan secara statistik serta menunjukkan persamaan regresi berganda yang dihasilkan dapat digunakan untuk memprediksi produksi beras. Dimana Ho yaitu tidak terdapat pengaruh yang signifikan antara luas lahan dengan produksi beras sedangkan Ha yaitu terdapat pengaruh yang signifikan antara luas lahan dengan produksi beras.

Dari nilai persamaan yang dihasilkan oleh regresi diperoleh persamaan sebagai berikut : Produksi beras = 5,984 + 0,108 luas lahan. Nilai konstanta sebesar 5,984 menyatakan jika tidak ada luas lahan, maka produksi beras sebesar 5,984 Nilai koofisien sebesar koefisien 0,108 menunjukkan bahwa meningkatnya luas lahan sebesar 1 akan meningkatkan Pelayanan terhadap Mahasiswa sebesar 0,108. Nilai uji t menunjukkan tingkat signifikansi konstanta dan variable independent. Signifikansi variable konstanta; sig. = 0.000 < 0.05 ini menunjukkan bahwa konstanta mempengaruhi secara signifikan dalam regresi ganda. Signifikansi variable luas lahan; sig. = 0.000 < 0.05 ini menunjukkan bahwa luas lahan mempengaruhi secara signifikan dalam regresi ganda. C. Hasil dan Interpretasi Normal Q-Q Plot

Secara teoritis, suatu set data dikatakan mempunyai sebaran normal apabila data tersebar di sekitar garis. Dari output, diperoleh Q-Q plot seperti diatas. Terlihat bahwa data pada ADV menyebar di sekitar garis, dan tidak ada data yang letaknya jauh dari garis. kemungkinan besar, sebaran data normal. Pada detrended normal Q-Q plot ADV, Secara teoritis suatu data dikatakan mempunyai sebaran normal apabila data tersebar di sekitar garis (angka nol). dari outpu diperoleh detrended normal Q-Q plot seperti gambar diatas. Terlihat bahwa data tersebar dekat disekitar dari garis sehingga kemungkinan besar sebaran data normal.

Secara teoritis, suatu set data dikatakan mempunyai sebaran normal apabila data tersebar di sekitar garis. Dari output, diperoleh Q-Q plot seperti diatas. Terlihat bahwa data pada REV menyebar di sekitar garis, dan tidak ada data yang letaknya jauh dari garis. kemungkinan besar, sebaran data normal. Pada detrended normal Q-Q plot REV, Secara teoritis suatu data dikatakan mempunyai sebaran normal apabila data tersebar di sekitar garis (angka nol). dari output diperoleh detrended normal Q-Q plot seperti gambar diatas. Terlihat bahwa data tersebar dekat disekitar dari garis sehingga kemungkinan besar sebaran data normal.

DAFTAR PUSTAKA Aulia, siwi. 2013. SPSS. http://artikelmatematika01.blogspot.com/2013/01/sekilas-mengenaispss.html. Diakses tanggal 23 Maret 2014 Guntara, Ilham. 2013. Uji Normalitas. http://www.guntara.com/2013/12/pengertian-ujinormalitas-sebaran-data.html. Diakses tanggal 23 Maret 2014 Hidayat, Anwar. Uji T dan uji F. http://statistikian.blogspot.com/2013/01/uji-f-dan-uji-t.html. Diakses tanggal 23 Maret 2014 Juwita. 2013. Statistika. http://mayangjuwita.blogspot.com/2013/05/makalah-uas-statistikadeskriptif.html. Diakses tanggal 23 Maret 2014 Manoppo, ian. 2012. Interpretasi korelasi dan regresi. http://ian-manoppo.blogspot.com/2012/03/interpretasi-korelasi-dan-regresi.html. Diakses tanggal 23 Maret 2014