METODE SPSS

BIOSTATISTIK

OLEH:
KELOMPOK 4

1. Arya Lismayawati Jeger (13.321.1929)

2. Desak Made Ponika Puspita Sari (13.321.1930)
3. Dewa Ayu Lisma Budi Yastuti (13.321.1934)
4. I Kadek Candra Adi Pratama (13.321.1943)
5. Ni Koming Ayuk Sutrisni (13.321.1953)
6. Ni Luh Ayu Novian Dewi (13.321.1955)
7. Ni Putu Intan Pradnya Dewi (13.321.1961)

PROGRAM STUDI ILMU KEPERAWATAN

STIKES WIRA MEDIKA PPNI BALI
TAHUN AKADEMIK 2012/2013

SPSS (Statistical Product and Service Solution) merupakan software statistic yang
paling popular, fasilitasnya sangat lengkap dibandingkan dengan software lainnya. Langkah
pertama yang harus dilakukan adalah dengan cara mengginstal terlebih dahulu software SPSS
yang akan digunakan. Setelah dilakukan instalasi, maka langkah berikutnya adalah masuk ke
dalam program SPSS
Perhatikan pada sudut kiri bawah, ada 2 sheet yaitu Data View dan Variabel View.
1. Data View
Data view adalah tempat dimana data statistic yang akan diolah (sudah dalam bentuk
angka skala). Data view memiliki tampilan seperti dibawah ini :

Keterangan :
A. Title bar merupakan nama dari judul SPSS yang sedang dibuka. Pada umumnya,
nama yang diberikan oleh SPSS pada saat membuka pertama kali yaitu
Untitled1[DataSet0]-SPSS Statistics Data Editor
B. Menu berisi perintah mengenai menu di mana di dalamnya terdapat submenu yang
digunakan untuk memproses data yang akan diolah.
 File, pada menu utama File memuat sub-submenu tentang file, diantaranya
membuat file baru (New), membuka (Open), menutup (Close), dan menyimpan
file (Save-Save As)
Edit, merupakan submenu untuk melakukan pengeditan data yang telah
dimasukkan pada SPSS Data Editor. Beberapa kegunaan dari submenu dari
menu utama Edit adalah melakukan Undo atau mengembalikan action terakhir
yang dilakukan, sedangakan redo sebaliknya, cut-clear untuk menghapus data,
copy paste untuk menggandakan dan duplikasi data, find untuk mencari data,
dan copi paste variable untuk mengganti variabel data.
View, merupakan menu yang menampilkan submenu untuk menampilkan
status toolbar yang sedang aktif (Status Bar), toolbar dan font huruf yang
digunakan.
Data, merupakan menu yang menampilkan submenu untuk melakukan
perubahan-perubahan terhadap data SPSS, seperti mendefinisikan nilai label
data (define variable properties), mendefinisikan waktu (define dates),
mengurutkan data (sorf cases), dan memisah isi file dengan kriteria tertentu
(split file)
Transform, merupakan pilihan menu utama uang melakukan operasi
transformasi data, seperti menghitung variabel data (compute variable),
mengubah data (recode into same variables- recode into different
variables) ataupun me-ranking data (rank cases)
Analyze, merupakan menu utama yang menjadi pusatpengolahan data SPSS
Graphs, dikelompokkan menjadi 4 sub menu, yang menampilkan berbagai
bentuk grafik dan chart.
Utilities, menu utama yang merupakan pelengkap pada pengoperasian SPSS
ini menyajikan 9 sub menu. Beberapa kegunaan submenu adalah menampilkan
informasi variabel (variables), memdefinisikan dan menampilkan variabel
data (define-use variabel sets)
Add-ons, merupakan menu utama yang menawarkan pelayanan SPSS lewat
website
Window, menu ini memberikan informasi window yang sedang aktif
Help, menu yang memuat 9 submenu ini memberikan bantuan informasi
tentang topic-topik SPSS (topics) ataupun dalam bentuk tutorial (tutorial)
 C. Toolbar, berisi icons yang membantu dan mempermudah mengelola data dengan
cepat.
D. Baris Nama Variabel merupakan tempat yang menunjukkan nama dari suatu variabel.
Untuk pertama kali baris nama variabel diberi nama Var. untuk mengganti nama
variabel dapat melalui variabel view dan mengganti dengan cara double klik kotak
variabel tersebut
E. Baris data merupakan barisan yang berisi data-data dalam jumlah banyak yang
merupakan data daripada variabel tersebt

2. Variabel View
Variabel view merupakan bagian yang digunakan untuk mendefinisikan variabel
data yang akan dimasukkan. Untuk mengaktifkan kotak varabel view lakukan dengan klik
variabel view (bagian yang diberi kotak). Variabel view memiliki gambar seperti di bawah
ini :

Di dalam variabel view di atas memiliki keterangan sebagai berikut :

Name : berisi nama variabel. Misalnya dengan memberikan nama variabel data
pertama maka klik kolom Name pada baris pertama
Type : merupakan tipe data, berbagai macam type yang ada memiliki fungsi yang
berbeda yaitu:
 a. Numeric untuk data angka dengan lebar 8 digit dan 2 angka decimal
dibelakang koma
b. String untuk data teks, biasanya data berupa nama
c. Date adalah data yang dimasukkan berupa tanggal
Width : diisikan sejumlah karakter (lebar kolom) yang akan diinput dalam Data
View.
Decimal : diisi jumlah decimal karakter maksimal yang akan diinput dalam Data
View.
Label kolom yang menunjukkan tambahan informasi denga memberikan label
variabel data
Value : untuk memberikan kodefikasi,
Missing : untuk merupakan kolom yang menunjukkan data yang hilang. Namun,
jika data lengkap (tidak ada data yang hilang) maka kolom ini dapat diabaikan.
Columns : memiliki fungsi mengubah jumlah karakter yang dapat dimasukkan
pada suatu variabel tertentu. Bila kita mengisi coloumns dengan angka 2, maka
hanya dua digit data saja yang akan dimasukkan pada variabel tersebut
Align : untuk pengaturan tampilan perataan kata dalam Data Viev, seperti left,
centre, right
Measure : merupakan tipe variabel yang akan menentukan jenis analisis yang
akan digunakan. Maka secara default akan terpilih Nominal atau Ordinal, jika
variabel bertipe Sting. Scale digunakan apabila data yang ingin kita olah akan
dibuat skala pengukuran (range).

Aplikasi metode SPSS dalam pengujian data

1. Chi Square
Tujuan penggunaan :
a. Menguji ketidaktergantungan (independence) atau hubungan (association) antara
dua variabel.
b. Menguji homogenitas apakah dua variabel berasal dari dua populasi yang sama.
c. Menguji kesesuaian ( goodnes of fit) apakah suatu sampel berasal dari satu populasi
yang berdistribusi tertentu.
d. Untuk menguji proporsi, apakah proporsi kedua kelompok sampel.
Syarat penggunaan :
a. kedua variabel yang diuji bersifat kategorikal (skala nominal atau ordinal).
b. Jumlah sel yang mempunyai nilai frekuensi harapan <5 maksimal 20% dari seluruh
sel.
 Rumus :

Oij = frekuensi teramati sel ke-i kolom ke-j

Eij = frekuensi harapan sel ke-i kolom ke-j
Prinsip pengujian
Membandingkan frekuensi teramati (O : observed value ) dengan frekuensi yang
diharapkan (E : expected value). Asumsi yang digunkan adalah :
Ho : O = E
Jika perbedaan O dengan E cukup besar (significant), maka disimpulkan :
a) Ada ketergantungan/hubungan antara kedua variabel yang diuji
b) Kedua variabel yang diuji berasal dari populasi yang sama (homogen)
c) Sampel yang diuji tidak berasal dari populasi yang berdistribusi yang
dimaksud
Contoh soal
Data dibawah ini berasal dari penelitian tentang hubungan jenis kelamin dengan
motivasi. Apakah data tersebut bisa membuktikan bahwa hubungan tersebut memang
ada?

Jenis kelamin Motivasi rendah Motivasi sedang Motivasi tinggi Jumlah

Laki-laki 3 18 6 27
Wanita 12 6 15 33
Jumlah 15 24 21 60

Jawab :
1. Tetapkan hipotesis
Ho : O = E (tidak ada hubungan)
Ha : O E (ada hubungan)
2. Uji yang digunakan : uji chi square
3. Kriteria penolakan Ho
Apabila nilai > standar

Untuk alfa = 0,05 dengan df = (b-1) (K -1) = 2

Maka X2 standar = 5,99
4. Hitung nilai X2
O11 = 6 E11 = ( 21 x 27) / 60 = 9,45
 O 12 = 18 E12 = (24 x 27) / 60 = 10,80
O 13 = 3 E13 = (15 x 27) /60 =6,75
O21 = 15 E21 = (21 x 33) / 60 = 11,55
O22 = 6 E22 = (24 x 33) / 60 =13,20
O23 = 12 E23 = (15 x 33) /60 = 8,25
2
X = 1,26 + 4,80 + 2,08 + 1,03 + 3,93 + 1,71
X2 = 14,81
5. Ambil kesimpulan : oleh karena nilai X2 > 5,99 maka Ho ditolak, Ha diterima
6. Interpretasi
a. Ada hubungan antara jenis kelamin dengan motivasi
b. Ada perbedaan motivasi antara pria dan wanita
c. Motivasi pria tidak sama dengan motivasi wanita
d. Jenis kelamin berpengaruh dengan motivasi

Contoh perhitngan dengan SPSS

1. Mendefinisikan variabel dan analisis data

2. Memilih uji statistik yang diperlukan

3. Membaca output
 4. Membaca tabel
Tabel diatas jelas memperlihatkan nilai pearson chi square adalah 14,805 (dibulat
menjadi 14,81) angka ini sama dengan hasil perhitungan manual. P- value
(significant) 0,001 < 0,05. Dengan demikian Ho ditolak atau Ha diterima.

2. Mann-Whitney Test
Uji Mann-Whitney U adalah tes nonparametrik yang digunakan untuk mengetahui
apakah terdapat perbedaan respon dari 2 populasi data yang saling independen ketika data
lebih lemah dari skala interval. Uji ini dapat disamakan dengan t test untuk 2 kelompok
yang independen ketika terjadi pelanggaran terhadap asumsi normalitas atau skala data
tidak sesuai untuk uji t. Formula uji U :

Dimana : U = Nilai Mann Whitney, = Jumlah sampel pertama, = Jumlah sampel

kedua, 1 dan 2 = konstanta, R = Jumlah jenjang sampel.
Contoh kasus
Seorang guru bahasa Inggris ingin mengetahui apakah ada perbedaan nilai kemampuan
conversation bahasa Inggris antara siswa laki-laki dan perempuan. Diambil 30 siswa
sebagai sampel.
Langkah analisis :
1. Klik Analyze > Nonparametric > 2 Sample Independent
2. Masukkan nilai conversation ke dalam kolom Variable List
 3. Masukkan variabel jenis kelamin ke dalam kolom Grouping
4. Klik Define group, isi angka 1 dan angka 2. Klik OK
Hipotesis :
H0= Tidak ada perbedaan nilai conversation bahasa Inggris antara siswa laki-laki dan
perempuan
H1= Terdapat perbedaan nilai conversation bahasa Inggris antara siswa laki-laki dan
perempuan

Kriteria uji : Tolak hipotesis nol (H0) jika nilai signifikan p-value (< 0.05)
Hasil Output SPSS

Oleh karena nilai signifikansi p-value sebesar 0.000 (< 0.05) maka tolak hipotesis nol
(H0). artinya bahwa terdapat perbedaan nilai conversation bahasa Inggris antara siswa laki-
laki dan perempuan.

3. Wilcoxon Signed Test

Uji wilcoxon digunakan untuk menganalisis hasil-hasil pengamatan yang
berpasangan dari dua data apakah berbeda atau tidak. Wilcoxon signed Rank test ini
digunakan hanya untuk data bertipe interval atau ratio, namun datanya tidak mengikuti
distribusi normal.
 Uji hipotesis :
H0 : d = 0 (tidak ada perbedaan diantara dua perlakuan yang diberikan)
H1 : d 0 (ada perbedaan diantara dua perlakuan yang diberikan )
Dengan d menunjukkan selisih nilai antara kedua perlakuan.

Pada perangkat SPSS, kita dapat melakukan langkah-langkah berikut ini untuk melakukan
uji tersebut.
Klik Analyze > Nonparametric Test >2 Related samples muncul kotak dialaog:

Dan aktifkan wilcoxon pada Test Type (lebih lanjut akan dijelaskan pada contoh soal)

Contoh Soal:
Universitas Gadjah Mada setiap tahunnya menerima Mahasiswa Baru melalui jalur-jalur khusus
misalnya PBOS dan PBUPD. Guna mengetahui kualitas mahasiswa yang telah diterima melalui
jalur tersebut, dilakukan tes Matrikulasi. Dan pihak pelaksana melakukan dua kali ujian yaitu
sebelum program matrikulasi dilakukan dan setelahnya untuk mengetahui keefektifan program
tersebut. Dan untuk itu diambil sampel sebanyak 15 orang dari kelompok IPA untuk mata ujian
FISIKA, dan diperoleh data:
Peserta 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Sebelum 67 54 67 55 87 60 70 45 54 66 73 88 80 65 75
Sesudah 66 75 80 60 78 89 65 70 68 75 74 85 89 90 75
Analisisnya dalam SPSS adalah sebagai berikut:
1.Inputkan data seperti tampak di bawah ini:

Klik Analyze > Nonparametric Test > 2 Related samples

Aktifkan Wilcoxon dan masukan variabel yang akan diuji sebagaimana tampak pada
kotak dialog:

Klik OK dan outputnya :

Dari output tersebut diperoleh:
1. Negative Ranks atau selisih antara variabel sebelum dan sesudah yang negatif
sebanyak 4 observasi atau dengan kata lain terdapat 4 observasi pada variabel sesudah
yang kurang dari observasi pada variabel sebelum. Dan rata-rata rangkingnya = 4
dengan jumlah rangking negatif = 16
2. Positive Ranks atau selisih variabel sebelum dan sesudah yang positif sebanyak 10
observasi atau denga kata lain terdapat 10 observasi pada variabel sesudah yang lebih
dari observasi pad avariabel sebelum dengan rata-rata rangkingnya = 8,90 dan jumlah
rangking positif = 89.
3. Ties atau tidak ada perbedaan antara variabel sebelim dan sesudah sebanyak 1
observasi.

Oleh karena jumah rangking negatif lebih kecil dibanding rangking positif maka
nilai T yang digunakan adalah jumlah rangking yang negatif.
Selanjutnya dilakukan uji hipotesis:
H0 : d = 0 (tidak ada perbedaan nilai tes sebelum matrikulasi dan sesudah matrikulasi)
H1 : d 0 (ada perbedaan diantara nilai tes sebelum matrikulasi dan sesudah matrikulasi)
Tingkat signifikansi =0,05
Statistik Uji
Untuk nilai statistik uji, tinjau tabel output berikut:

dari tabel diperoleh nilai asymp sig = 0,022

 Daerah kritis
H0 ditolak jika nilai asymp sig < nilai
Kesimpulan
Oleh karena nilai asymp sig = 0,022 < =0,05 maka Ho ditolak yang berarti bahwa ada
perbedaan nilai Fisika calon mahasiswa sebelum dan sesudah mengikuti program
matrikulasi.

4. Korelasi Rank Spearman

Korelasi Spearman mirip dengan regresi, namun ditujukan untuk statistik nin
parametrik. Korelasi Spearman menunjukkan hubungan sebab akibat.
Contoh : Perusahaan ingin mengetahui hubungan antara jam_lembur dan prestasi dari
karyawan. Untuk itu dilakukan pendataan jam lembur karyawan dan prestasi yang
dihasilkan. Dan didapat data sebagai berikut :
Jam lembur Skor prestasi
24 3.6
17 2.0
20 2.7
41 3.6
52 3.7
23 3.1
46 3.8
17 2.5
15 2.1
29 3.3
Langkah langkah melakukan uji Korelasi Spearman adalah sebagai berikut :
a. Masukkan data di atas pada SPSS.
b. Klik menu Analyze > Correlate > Bivariate
c. Pada kotak dialog yang muncul masukkan variabel jam lembur dan skor prestasi
pada kotak Variables. Pastikan pilihan Spearman aktif.

d.Klik OK untuk melakukan analisa

Ada tidaknya korelasi dapat dilihat dari nilai probabilitas yang tercantum pada baris
Sig. Untuk korelasi, syarat ada tidaknya korelasi adalah sebagai berikut :

Correlations

jam_lembur skore_prestasi

Spearman's rho jam_lembur Correlation Coefficient 1.000 .945**

Sig. (2-tailed) . .000

N 10 10

skore_prestasi Correlation Coefficient .945** 1.000

Sig. (2-tailed) .000 .

N 10 10

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

Apabila probabilitas > 0.025 maka tidak ada korelasi.

Apabila probabilitas < 0.025 maka antar variabel terdapat korelasi.
 Pada contoh di atas nilai probabilitas yang dihasilkan adalah 0.00. Maka jam_lembur
dan skor_prestasi mempunyai korelasi (0.00 < 0.025)
Hubungan sebab akibat ditunjukkan dengan tanda positif atau negatif dari koefisien
korelasi. Dari hasil di atas dapat dilihat bahwa koefisien korelasi antara jam_lembur dan
skor_prestasi adalah 0.945 (tanda positif)
Hal ini berarti semakin tinggi jam lembur, maka skor prestasi juga semakin meningkat.

5. Korelasi Product Momen Pearson

Analisis korelasi digunakan untuk menjelaskan kekuatan dan arah hubungan antara
dua variabel. Korelasi bersifat undirectional yang artinya tidak ada yang ditempatkan
sebagai predictor dan respon (IV dan DV).
Angka korelasi berkisar antara -1 s/d +1. Semakin mendekati 1 maka korelasi
semakin mendekati sempurna. Sementara nilai negative dan positif mengindikasikan arah
hubungan. Arah hubungan yang positif menandakan bahwa pola hubungan searah atau
semakin tinggi A menyebabkan kenaikan pula B (A dan B ditempatkan sebagai variabel)
Interprestasi angka korelasi menurut Prof. Sugiyono (2007)
0 - 0,199 : Sangat lemah
0,20 - 0,399 : Lemah
0,40 - 0,599 : Sedang
0,60 - 0,799 : Kuat
0,80 - 1,0 : Sangat kuat

Pearson r correlation:
Pearson r correlation biasa digunakan untuk mengetahui hubungan pada dua variabel.
Korelasi dengan Pearson ini mensyaratkan data berdistribusi normal.
Rumus yang digunakan adalah sebagai berikut :
Contoh Kasus
Pak Ali ingin mengetahui apakah ada hubungan antara pengawasan (Control), kepuasan
kerja (Job Satisfaction), Disiplin kerja (discipline), dan kinerja (Performance).

Penyelesaian Kasus dengan SPSS:

Langkah 1. Pada menu Analyze pilih correlate bivariate . Setelah itu akan ada tampilan
sbb:

Langkah 2.
Masukkan variabel yang akan dikorelasikan ke dalam variable list.
Click on option and select descriptive statistics, abaikan yang lain lalu klik OK

Interprestasi
Arti angka Korelasi
a. Control Performance. Nilai korelasi adalah positif 0.668. Besaran angka korelasi
menunjukkan bahwa korelasi antara Control dan Performance berada dalam kategori
Kuat, sementara nilai positif mengindikasikan pola hubungan antara Control dengan
Performance adalah searah (semakin tinggi Control maka semakin tinggi pula
 Performance). Perolehan p hitung = 0.000 < 0.05 yang menandakan bahwa hubungan
yang terjadi adalah signifikan.
b. Job Satisfaction Performance. Nilai korelasi adalah positif 0.772. Besaran angka
korelasi menunjukkan bahwa korelasi antara Job satisfaction dan Performance berada
dalam kategori Kuat, sementara nilai positif mengindikasikan pola hubungan antara
adalah searah (semakin tinggi Job Sat maka semakin tinggi pula Performance).
Perolehan p hitung = 0.000 < 0.05 yang menandakan bahwa hubungan yang terjadi
adalah signifikan.
c. Dicipline Performance. Nilai korelasi adalah positif 0.749. Besaran angka korelasi
menunjukkan bahwa korelasi antara Dicipline dan Performance berada dalam kategori
Kuat, sementara nilai positif mengindikasikan pola hubungan antara dicipline
dengan Performance adalah searah (semakin tinggi Control maka semakin tinggi pula
Performance). Perolehan p hitung = 0.000 < 0.05 yang menandakan bahwa hubungan
yang terjadi adalah signifikan.

6. Regresi Sederhana
Analisis ini menurut Sugiyono digunakan oleh peneliti bila peneliti bermaksud
meramalkan bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila ada
satu variabel independen sebagai prediktor dimanipulasi (dinaik turunkan nilanya).
Persamaan yang diperoleh dari regresi sederhana adalah Y = a + b X
y = adalah subjek nilai dalam variabel terikat yang diprediksikan
a = harga Y bila X = 0 (harga konstan)
b = angka arah koefisien regresi
X = subjek pada variabel bebas yang mempunyai nilai tertentu.
Untuk memperoleh hasil perhitungan Regresi, dapat dilakukan dengan tiga cari yaitu
perhitungan manual, menggunakan fungsi pada MS. Excel, atau menggunakan Software
Statistik (dalam contoh ini digunakan SPSS)
Asumsi yang diperlukan untuk analisis ini adalah uji normalitas. Uji normalitas
diperlukan untuk mengetahui apakah data yang terkumpul dari setiap variabel dependen
dan independen atau keduanya mempunyai distribusi normal atau tidak. Model regresi
yang baik adalah yang mendekati normal
Untuk melihat model regresi normal atau tidak, dilakukan analisis grafik dengan
melihat normal probability report plot yang membandingkan antara distribusi kumulatif
dari data sesungguhnya dengan distribusi normal. Distribusi normal akan membentuk satu
garis lurus diagonal dan ploting data akan dibandingkan dengan garis diagonal. Jika
distribusi data normal, maka garis yang menggantikan data sesungguhnya akan mengikuti
garis diagonalnya (Imam Ghozali, 2009).
Contoh Kasus :
Pak Hasan ingin mengetahui pengaruh kepuasan kerja (X) terhadap kinerja (Y)
karyawannya. Kuesioner kepuasan kerja di adaptasi dari Job Description Index (JDI))
yang dikembangkan oleh Hulin meliputi lima dimensi kepuasan kerja yang dirasakan
karyawan yaitu kepuasan terhadap jenis pekerjaan, kesempatan promosi, supervisi, gaji
atau upah, dan rekan kerja dengan jumlah total pertanyaan sebanyak 20 item. Sementara
kinerja diukur berdasarkan
Ukuran-ukuran dari kinerja pegawai menggunakan lembar evaluasi kinerja yang disusun
dikembangkan dari panduan evaluasi kinerja dari James E. Neal Jr (2003) antara lain
terdiri dari 7 dimensi yang kemudian dikembangkan menjadi 26 indikator (item
pernyataan).
Jumlah sampel penelitian adalah seluruh karyawan yang berjumlah 37 orang. Setelah data
dimasukkan ke dalam SPSS, maka analisis dilakukan :
Klik Analyze Regression Linier

masukkan Variabel kinerja (Y) ke dalam dependent box, dan kepuasan kerja (X) ke dalam
independent box.
 Klik Plot, lalu beri tanda pada Histogram dan Normal Probability Plot (ini untuk uji
normalitas), lalu Klik Continue, lalu OK

Output
Interpretasi
A. KORELASI
Berdasarkan hasil analisis seperti yang ditampilkan Tabel di atas (Tabel Model
Summary) diketahui bahwa korelasi parsial antara kepuasan kerja dan kinerja pegawai
dengan korelasi product moment by Pearson. Hasil korelasi parsial didapat nilai r
hitung sebesar 0,772.
Nilai korelasi ini tergolong kuat (> 0,600) dan memiliki nilai positif sehingga
dapat dikatakan pola hubungan antara kepuasan kerja dan kinerja adalah searah.
Artinya, semakin tinggi kepuasan maka kinerja pun akan semakin tinggi, begitu pula
sebaliknya, semakin rendah kepuasan kerja maka kinerja-pun akan semakin rendah.
Koefisien determinasinya (KD) menunjukkan nilai sebesar 0,597 atau sebesar 59,70%
(dibulatkan 60%) dari hasil (r2 x 100%). Artinya variasi perubahan kinerja dipengaruhi
oleh kepuasan kerja sebesar 60% dan sisanya 40% dipengaruhi faktor lain selain
kepuasan kerja.
B. REGRESI
Konstanta sebesar 20.268 menyatakan bahwa jika variabel kepuasan kerja bernilai nol,
maka kinerja pegawai adalah sebesar 20.268 satuan
Koefisien regresi sebesar 1,035 pada variabel kepemimpinan, maka akan
menyebabkan kenaikan kinerja menjadi sebesar 32,251.
7. One Sample T Test / Uji t satu sampel
One sample t test merupakan teknik analisis untuk membandingkan satu variabel
bebas. Teknik ini digunakan untuk menguji apakah nilai tertentu berbeda secara signifikan
atau tidak dengan rata-rata sebuah sampel.
Uji t sebagai teknik pengujian hipotesis deskriptif memiliki tiga criteria yaitu uji
pihak kanan, kiri dan dua pihak. Uji Pihak Kiri : dikatakan sebagai uji pihak kiri karena t
tabel ditempatkan di bagian kiri Kurva. Uji Pihak Kanan : Dikatakan sebagai uji pihak
kanan karena t tabel ditempatkan di bagian kanan kurva. Uji dua pihak : dikatakan sebagai
uji dua pihak karena t tabel dibagi dua dan diletakkan di bagian kanan dan kiri
Contoh Kasus
Contoh Rumusan Masalah : Bagaimana tingkat keberhasilan belajar siswa
Ha : tingkat keberhasilan belajar siswa paling tinggi 70% dari yang diharapkan
Ho : tingkat keberhasilan belajar siswa paling rendah 70% dari yang diharapkan
Hipotesis statistik
Ha : 0 < 70%
Ho : 0 70%
Parameter uji : -
Jika t tabel t hitung maka Ho diterima, dan Ha di tolak
Jika t tabel > t hitung maka Ho ditolak, dan Ha diterima
Penyelesaian Kasus 1 (uji t pihak kiri)
Data yang hasil ulangan matematika siswa sebanyak 37 siswa.

Dengan SPSS yaitu :

Klik Analyze Pilih Compare Means, lalu pilih One Sample T Test
Masukkan variabel nilai ke dalam Test Variable Box, abaikan yang lain kemudian klik OK
Selanjutnya Uji Normalitas data : Klik Analyze, Pilih Non Parametrics Test pilih 1
Sampel K-S, masukkan variabel nilai ke dalam Test Variable List, kemudian Klik OK

Hasil
Hasil uji di atas menunjukkan bahwa t hitung = 61.488. T tabel diperoleh dengan df = 36, sig
5% (1 tailed) = 1.684. Karena t tabel < dari t hitung (-1.684 < 61.488), maka Ho diterima,
artinya tingkat keberhasilan belajar siswa paling tinggi 70% tidak terbukti, bahkan lebih dari
yang diduga yaitu sebesar 74.3489
Hasil uji normalitas data menunjukkan nilai Kol-Smirnov sebesar 0.600 dan Asymp. Sig tidak
signifikan yaitu sebesar 0.864 (> 0.05), sehingga dapat disimpulkan data berdistribusi normal

8. Independen Sample T Test

Tujuan analisis ini adalah untuk membandingkan dua rata-rata dua grup yang tidak
berhubungan. Data yang digunakan adalah kuantitatif dengan asumsi berdistribusi normal.
Contoh Kasus 1
Seorang peneliti ingin membandingkan rata-rata ketikdalulusan siswa antara SMA swasta
dan SMA negeri di 10 Kabupaten.
 Tidak Lulus
Kabupaten Swasta Negeri
A 3.72 1.88
B 3.20 1.61
C 4.40 2.69
D 3.90 1.38
E 2.78 3.94
F 4.83 2.78
G 4.81 1.51
H 3.52 2.86
I 2.41 1.03
J 4.82 2.68

Penyelesaian kasus
pilih analyze - compare means - independent -sample t test
Masukkan variabel ketidaklulusan ke Test Variable, dan group ke Grouping Variable.
Klik Define Groups, lalu Setting angka 1 untuk Group 1, dan angka 2 untuk Group 2
(group ini merupakan perbedaan antara sma swasta (kode 1), dan SMA negeri (kode 2).

Abaikan yang lain lalu Klik OK

interprestasi dan pembahasan

Pada Group statistik dapat dilihat bahwa rata-rata ketidaklulusan siswa untuk SMA
swasta adalah sebesar 3,84%, sementara untuk SMA negeri adalah 2,24%. Standar
deviasi pada dua group ini tidak jauh berbeda yaitu 0,875 untuk SMA swasta, dan 0,896
untuk SMA Negeri
Uji Hipotesis
Ho = kedua rata-rata populasi adalah sama (identik)
 Ha = kedua rata-rata populasi adalah berbeda (tidak sama)

Parameter Uji
t hitung 4,047 dibandingkan dengan t tabel dengan df 18 dan alpha 5% adalah 2,01.
Karena nilai t hitung > t tabel maka dapat disimpulkan Ho ditolak, artinya terdapat
perbedaan antara dua kelompok yang diuji
Nilai probabilitas adalah sebesar 0,001, jauh dibawah alpha 0,05 sehingga sejalan dengan
uji t di atas kesimpulan yang bisa diperoleh adalah sama yaitu Ho ditolak, dan Ha
diterima

9. Paired Sample T Test (Uji Beda Dua Sampel Berpasangan)

Paired sample t test merupakan uji beda dua sampel berpasangan. Sampel berpasangan
merupakan subjek yang sama namun mengalami perlakuan yang berbeda.
CONTOH KASUS
Akan diteliti mengenai perbedaan penjualan sepeda motor merk A disebuah Kabupaten
sebelum dan sesudah kenaikan harga BBM. Data diambil dari 15 dealer.
Data yang diperoleh adalah sebagai berikut :
No Sebelum Sesudah
1 67 68
2 75 76
3 81 80
4 60 63
5 80 82
6 75 74
7 71 70
8 68 71
9 80 82
10 78 79
11 71 78
12 80 77
13 65 69
14 57 67
15 78 68

PENYELESAIAN
Klik ANALYZE > COMPARE MEANS > PAIRED SAMPLES t Test
Masukkan jual_1 dan Jual_2 pada kolom Paired variables seperti gambar di bawah ini
 Abaikan yang lain, klik OK
HASIL

Bagian pertama. Paired Samples Statistic

Menunjukkan bahwa rata-rata penjualan pada sebelum dan sesudah kenaikan BBM.
Sebelum kenaikan BBM rata-rata penjualan dari 15 dealer adalah sebanyak 72.4,
sementara setelah kenaikan BBM jumlah penjualan rata-rata adalah sebesar 73.6 unit
Bagian Dua. Paired samples Correlatian
Hasil uji menunjukkan bahwa korelasi antara dua variabel adalah sebesar 0.809 dengan
sig sebesar 0.000. Hal ini menunjukkan bahwa korelasi antara dua rata-rata penjualan
sebelum dan sesudah kenaikan adalah kuat dan signifikan.

Hipotesis
Hipotesis yang diajukan adalah :
Ho : rata-rata penjualan adalah sama
H1 : rata-rata penjualan adalah berbeda
 Hasil uji Hipotesis

Nilai t hitung adalah sebesar -1.031 degan sig 0.320. Karena sig > 0.05 maka dapat
disimpulkan bahwa Ho diterima, artinya rata-rata penjualan sebelum dan sesudah kenaikan
BBM adalah sama (tidak berbeda). dengan demikian dapat dinyatakan bahwa kenaikan
harga BBM tidak mempengaruhi jumlah penjualan sepeda motor di kabupaten A.

10. Uji Friedman (Uji Beda > 2 Related Sample)

Uji Friedman dilakukan untuk mengetahui perbedaan lebih dari dua kelompok
sampel yang saling berhubungan. Data yang dianalisis adalah data ordinal, sehingga jika
data berbentuk interval atau ratio sebaiknya dirubah dulu ke bentuk ordinal.
Uji Friedman merupakan alternative dari ANOVA satu jalur. Uji ini dilakukan jika
asumsi-asumsi dalam statistik parametris tidak terpenuhi, atau juga karena sampel yang
terlalu sedikit.
Contoh Kasus
Seorang guru ingin mengetahui bagaiman respon siswa dalam belajar dengan memberikan
4 metode yang berbeda. Pada minggu pertama diberikan metode A, minggu kedua
diberikan metode B, minggu ketiga diberikan metode C, dan minggu ke empat diberikan
metode D.
Masing-masing metode dilakukan pengukuran mengenai reaksi dan keaktifan siswa dalam
menerima pelajaran yang diukur dengan skala odinal 3 kategori yaitu buruk sedang
baik
DATA
PENYELESAIAN
Klik Analyze non parametric pilih k related sample

Masukkan metode A, B, C, dan D ke test variable

Pilih Statistic, lalu pilih descriptive..
Tetap pada pilihan Friedman, lalu klik OK

HASIL
 Pada hasil deskriptif terlihat rata-rata pada metode A adalah sebesar 1.6, B sebesar 2.1, C
sebesar 1.7 dan D sebesar 2.1
Deviasi standar masing-masing sebesar 0.502 (A), 0.307 (B), 0.550 (C) dan 0.587 (D)
PENGUJIAN HIPOTESIS
Pada tabel test statistic terlihat bahwa besaran nilai Chi Square = 13.630 dan asymp sig
0.003. Hasil uji signifikansi Chi Square menunjukkan bahwa sig < 0.05 sehingga dapat
disimpulkan bahwa empat metode belajar yang diberikan memberikan reaksi yang
berbeda dari siswa.
Dari hasil ranking diketahui bahwa metode D mendapat respon paling tinggi, disusul
metode B, kemudian C dan terakhir A.

11. One Way Anova (Analysis Of Variance)

Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate
yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara
membandingkan variansinya. Analisis varian termasuk dalam kategori statistik parametric.
Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus ANOVA harus
terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas dan
random sampling (Ghozali, 2009).
Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai
macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-
penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat
dengan cara membandingkannya pada kelompok2 sampel independen yang diamati.
Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian
eksperimen.
One-way anova dilakukan untuk menguji perbedaan tiga kelompok atau lebih
berdasarkan satu variabel independen.
Contoh Kasus
Pak Ali seorang manajer ingin mengetahui perbedaan gaji berdasarkan jenis perusahaan
yaitu farmasi, jasa dan manufaktur. Survey dilakukan terhadap 45 sampel dari tiga jenis
perusahaan yaitu farmasi, jasa dan manufaktur.
Langkah Uji
Klik Analyze > Compare Mean > One Way Anova
Masukkan variabel gaji ke kotak dependen list, dan masukkan variabel jenis perusahaan
ke dalam kotak Factor

Klik icon Post Hoc, pilih LSD dan Duncan. lalu continue
 Klik Options, dan pilih Descriptive
Klik OK
HASIL

Interpretasi
Berdasarkan output Deskriptif diperoleh rata-rata gaji untuk pekerja sector farmasi adalah
3.5 juta, jasa 3.18 juta dan sector manufaktur 2.23 juta rupiah. Gaji minimal sector farmasi
adalah 2.5 juta dan maksimal 4.1 juta. Sedangkan gaji minimal pekerja di sector jasa
adalah sebesar 2.4 juta dan maksimal 4.2 juta. Gaji minimal pekerja di sector manufaktur
adalah sebesar 1.8 juta dan tertinggi sebesar 3.5 juta.
Standar deviasi terendah adalah di sector farmasi, sementara yang tertinggi adalah di sector
jasa. Nilai ini menunjukkan keseragaman data, sehingga semakin besar nilai standar
deviasi menunjukkan semakin besarnya ketidakseragaman data. Dengan demikian, dapat
disimpulkan bahwa sector manufaktur menunjukkan ketidakseragaman (variatif) dalam hal
gaji.
Output Anova menunjukkan bahwa nilai F hitung adalah sebesar 35.367 dengan sig 0.000.
dengan demikian dapat disimpulkan bahwa Ho ditolak, atau terdapat perbedaan yang
signifikan antara gaji kelompok sector farmasi, jasa dan manufaktur.
Selanjutnya, melalui Uji Post Hoc LSD diketahui perbedaan antar kelompok yang
dirangkum sbb :
Farmasi Jasa : signifikan
Farmasi Manufaktur : signifikan
Jasa Manufaktur : signifikan
dengan demikian dapat dikatakan bahwa antar kelompok tersebut memiliki perbedaan yang
signifikan

Lalu pada bagian uji Post Hoc Duncan. Perbedaan tiap kelompok dapat dilihat dari nilai
harmonic mean yang dihasilkan tiap kelompok berada dalam kolom subset yang sama atau
berbeda. Pada hasil uji menunjukkan ketiga kelompok sampel berada pada kolom subset
yang berbeda. Kelompok manufaktur masuk ke dalam kolom 1, jasa masuk ke kolom 2 dan
sector farmasi di kolom 3. Ini mengindikasikan bahwa ketika sector ini memiliki
perbedaan yang signifikan
Seperti yang dijelaskan di atas, ANOVA membutuhkan uji asumsi normalitas dan
homogenitas. Saya di sini langsung menampilkan hasil ujinya sbb :
 Normalitas

Output di atas menunjukkan bahwa data berdistribusi normal. hal ini dapat dilihat dari
nilai asymp.sig (2-tailed) sebesar 0.289 > 0.05, sehingga dinyatakan normal
selanjutnya hasil uji homogenitas

Hasil uji di atas menggunakan uji Levene. nilai Levene F hitung adalah sebesar 1.424
dengan signifikansi 0.252. Karena nilai sig > 0.05 maka dapat disimpulkan bahwa tidak
ada perbedaan varian antar kelompok sampel yang diteliti atau varian antar kelompok
sampel adalah sama.

12. Two Ways Anova (Analysis Of Variance)

Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate
yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara
membandingkan variansinya. Analisis varian termasuk dalam kategori statistik parametric.
Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus ANOVA harus
terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas dan
random sampling (Ghozali, 2009).
Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai
macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-
penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat
dengan cara membandingkannya pada kelompok2 sampel independen yang diamati.
Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian
eksperimen.
Anova dua jalur memiliki perbedaan dibanding anova satu jalur. Perbedaannya adalah
pada jumlah variabel independen. Pada anova satu jalur hanya ada satu variabel
independen, sementara pada anova dua jalur ada dua atau lebih variabel independen.
Contoh Kasus
Akan diuji perbedaan gaji berdasarkan jenis kelamin, dan masa kerja.

Klik Analyze > General Liniear Model > Univariate

Masukkan variabel gaji ke kotak dependen list, dan masukkan variabel jenis kelamin dan
masa kerja ke dalam kotak Fixed Factor seperti terlihat pada gambar di bawah ini :

Klik Options, dan pilih Descriptive dan Homogenity Test

Klik Post Hoc Test, lalu masukkan variabel masa kerja ke kotak Post Hoc Test For. variabel
jenis kelamin tidak perlu dimasukkan karena hanya terdiri dari dua kelompok. Tandai LSD
dan DUNCAN, lalu klik continue

Klik OK
Hasil Dan Interpretasi

Pertama adalah deskripsi hasil. Berdasarkan output Deskriptif diperoleh rata-rata gaji
berdasarkan jenis kelamin dan masa kerja. Pada output di atas terlihat bahwa karyawan laki-
laki yang memiliki masa kerja < 5 tahun memiliki rata-rata gaji sebesar 3.7 juta, laki-laki
yang memiliki masa kerja 6 10 memiliki rata-rata gaji sebesar 3.2 juta dan yang memiliki
masa kerja di atas 10 tahun mempunyai gaji rata-rata 2.04 juta (dan seterusnya)
Hasil uji levene test menunjukkan nilai sig sebesar 0.150. Karena sig > 0.05 maka dapat
dinyatakan bahwa model memenuhi asumsi homogenitas.
Selanjutnya, hasil uji ANOVA menunjukkan terdapat pengaruh langsung masa kerja
terhadap gaji. Hal ini dapat dilihat dari nilai F sebesar 37.077 dan signifikan pada p =
0.000
Sementara variabel jenis kelamin ternyata tidak memiliki pengaruh terhadap gaji. Hasil uji
menunjukkan nilai F sebesar 0.008 pada sig 0.931 (sig > 0.05).
Nilai R Squared sebesar 0.620 diartikan bahwa variabilitas masa kerja dan jenis kelamin
menjelaskan gaji adalah sebesar 62%
 Daftar Pustaka

Albert Kurniawan. 2009. Belajar Mudah SPSS. Yogyakarta : Penerbit MediaKom

Ghozali, Imam. 2009. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : BP-

UNDIP

Karolus Nyambut. 2011. Pengantar Biostatistik (Aplikasi Penggunaan SPSS). Yogyakarta :

Gosyen Publishing

Sugiyono. 2007. Metode Penelitian Administasi. Bandung : Alfabeta

Sukawana I Wayan, 2008. Pengantar Statistik Untuk Perawat. Jurusan keperawatan Poltekes

Denpasar

Suseno Bimo. 2011. Uji Mann Whitney U. http://www.statistikolahdata.com/2011/12/uji-

mann-whitney-u.html. diakses tanggal 23 Juli 2013