Pertemuan

I
Tipe Data Statistik
Di dalam praktek data statistik tidak bisa dilepaskan dari data yang berupa
angka, baik itu dalam statistik deskriptif yang menggambarkan data, maupun
statistik inferensi yang melakukan analisis terhadap data. Namun sebenarnya
data dalam statistik juga bisa mengandung data non angka atau kualitatif. Pada
dasarnya data statistik ada empat didasarkan pada tingkat pengukirannya.

Data Nominal. Tipe data yang paling rendah dan hasil pengukurannya adalah
data kategori. Misalnya, nomor KTP, NPM, nomor punggung pemain bola, dan
sebagainya. Di sini, seorang pemain sepak bola misalnya, hanya mempunyai satu
nomor punggung tidak bisa lebih.

Data Ordinal. Pada data ordinal, ada data denga urutan yang lebih tinggi dan
urutan lebih rendah. Misal data tentang sikap seseorang terhadap produk
tertentu. Dalam pengukuran sikap konsumen, ada sikap yang ‘suka’, ‘tidak
suka’, ‘sangat tidak suka’, dan lainnya. Di sini data tidak bisa disamakan
derajatnya, dalam rati ‘suka’ dianggap lebih tinggi dari ‘tidak suka’, namun lebih
rendah dari ‘tidak suka’ dan lainnya. Namun data ordinal tidak bisa dilakukan
operasi matematika, misalnya jika ‘tidak suka’ sebagai 1, ‘suka’ adalah 2, dan
‘sangat suka’ adalah 3, maka tidak bisa dianggap 1+2=3, atau ‘tidak suka’
ditambah ‘suka’ menjadi ‘sangat suka’

Data interval. Data ini selain bisa bertingkat urutannya, juga urutannya tersebut
bisa dikuantitatifkan. Misalnya temretur suatu ruangan bisa bertingkat urutannya
cukup panas (50oC-80oC), panas (80oC-100oC), dan sangat panas (110oC-140oC). Di
sini data mempunyai jarak atau interval yang sama, yaitu 30 oC. Namun data
interval tidak mempunyai nilai nol absolut, sebagai contoh air membeku pada
suhu 0oC. Pernyataan ini bersifat relatif, karena 30oC hanya sebagai tanda saja.
Dalam pengukuran Fahrenheit, air membeku bukan pada 0oF, namun pada 32oF.

Data rasio. Data ini bersifat angka dalam arti sesungguhnya dan bisa
dioperasikan secara matematika (+, -, x, /). Data rasio mempunyai nilai nol yang
absolut. Misalnya suatu perusahaan roti memproduksi sejumlah nol, berarti
memang tidak ada sepotong roti yang diproduksi.

Jenis data yang digunakan dalam penelitian sangat menentukan jenis analisis
data yang akan digunakan. Perhatikan tabel berikut ini,

1
2
Statistik Deskriptif
Statistik deskriptif lebih berhubungan dengan pengumpulan dan peringkasan data, serta
penyajian hasil peringkasan tersebut. Data-data yang bisa diperoleh dari hasil sensus,
survei, atau pengamatan lainnya, umumnya masih acak, ‘mentah’ dan tidak terorganisir
dengan baik. Data tersebut harus diringkas dengan baik dan teratur, baik dalam bentuk
tabel atau persentasi grafis. Sebagai dasar untuk berbagai pengambilan keputusan
(statistik inferensi). Selain tabel dan grafik, untuk mengetahui deskripsi data diperlukan
ukuran yang lebih eksak, yaitu bisa disebut summary statistic (ringkasan statistik). Dua
ukuran penting yang sering dipakai dalam pengambilan keputusan adalah central
tendency (seperti mean, median dan modus) dan dispersi (seperti standard deviasi dan
varians).

Cara Membuat Tabel Frekuensi

Langkah-langkah:
Buka file pemilih
Dari menu utama SPSS pilih:
Analyze
Descriptive Statistics
Frequencies…

Gambar 1-1
Kotak Dialog Frequencies

Pengisian:
Variabel(s). Nama variabel yang akan dibuat tabel. Sesuai kasus, masukkan variabel
Usia Responden (usia).
Klik pilihan Statistics, maka tampak di layar

3
Gambar 1-2
Kotak Dialog Statistics

Pilihan statistics meliputi berbagai ukuran untuk menggambarkan data (statistik

deskriptif).

Percentiles Value. Nama nilai persentile. Untuk keseragaman klik Quartiles dan
Percentile(s). Kemudian pada kotak di samping kanan Percentiles ketik 10, lalu
tekan Add. Sekali lagi ketik 90 pada kotak terdahulu, dan klik lagi tombol Add.
Pengerjaan ini dimaksudkan untuk membuat nilai persentil pada 10 dan 90.
Dispertion. Digunakan untuk melihat menyebaran data. Untuk keseragaman, pilih
keenam jenis pengukuran dispersi.
Central Tendency. Digunakan untuk mengukur pusat data. Pilih Mean dan Median.
Distribution. Digunakan untuk melihat distribusi data. Pilih Skewness dan Kurtosis.
Kemudian tekan Continue untuk kembali ke menu sebelumnya.

Tekan Chart untuk menentukan jenis grafik yang akan ditampilkan.

Chart Type. Jenis grafik yang akan dipilih. Untuk data kuantitatif (data interval dan
rasio) pilih Histogram dengan juga memilih With normal curve. Kemudian tekan
Continue untuk proses selanjutnya.

Klik pilihan Format, untuk menentukan pilihan tampilan.

Order by. Untuk menentukan susunan data output. Pilih Ascending values (data
ditampilkan dari terkecil ke terbesar).
Abaikan bagian lain dan tekan Continue untuk kembali ke kotak dialog utama. Tekan
OK jika semua pengisian telah selesai

4
Output SPSS dan Analisis
Output:

Analisis:

Histogram

120

100

80
Frequency

60

40

20

Mean = 47.91
Std. Dev. = 16.334
0 N = 1,847
20 30 40 50 60 70 80 90
Usia reponden

5
 Analisis:
Output pertama
N Valid atau jumlah data yang diproses (1847 buah), sedangkan data yang hilang
(missing) adalah nol.

Rata-rata usia adalah 47,91 tahun dengan standard error of mean sebesar 0,380.
Dengan tingkat kepercayaan 95% (SPSS sebagaian besar menggunakan angka ini
sebagai standar), rata-rata populasi usia responden menjadi:

Rata-rata±(2xstandard error of mean), maka

47,91 tahun±(2 x 0,380 tahun) = 47,15 tahun sampai 48,67 tahun

Median atau titik tengah data jika semua data diurutkan adan dibagi dua sama
besar.

Penggunaan standar deviasi untuk menilai dispersi rata-rata dari sampel. Untuk
itu, dengan standar deviasi tertentu dan pada tingkat kepercayaan 95%, rata-rata
tinggi badan menjadi

Rata-rata±(2xstandard deviasi), maka

47,91 tahun±(2 x 16,334 tahun) = 15,232 tahun sampai 80,578 tahun

Skewness/Standard error Skewness= 0,524/0,57=0,919. Sebagai pedoman, jika

rasio skewness berada antara -2 sampai +2, maka distribusi data adalah normal.
Berdasarkan rasio ini, maka dapat disimpulkan bahwa data berdistribusi normal.

Kurtosis/ Standard error kurtosis= -0,554/0,114=-4,859. Sebagai pedoman, jika

rasio kurtosis berada antara -2 sampai +2, maka distribusi data adalah normal.
Berdasarkan rasio ini, maka dapat disimpulkan bahwa data tidak berdistribusi
normal.

Persentil atau angka persentil. Pensentil 10 artinya rata-rata usia 10% responden
di bawah 28 tahun. Sedangkan persentil 90 artinya rata-rata usia 90% responden di
bawah 72 tahun.

Output pertama
Bagian ini menggambarkan grafik data yang telah dibuat frekuensinya. Terlihat
grafik batang histogram mempunyai kemiripan dengan kurva normal. Artinya
bahwadistribusi data usia tersebut bisa dikatakan normal atau mendekati normal.
Namun pengujian normalitas bisa lebih jelas dilihat pada bagian berikut.

Cara Membuat Tabulasi Silang

Langkah-langkah:
Buka file pemilih
Dari menu utama SPSS pilih:
Analyze
Descriptive Statistics
Crosstabs…

6
Pengisian:
Row. Pilih variabel Jenis Kelamin Responden (Gender).
Column(s). Pilih variabel Suara untuk Bush, Clinton dan Perot (Pres92).

Klik pilihan Statistics…, lakukan pengisian sebagai berikut,

Kilik pilihan Chi-square dan Correlation.
Pada kotak dialog Nominal (karena variabel Gender dan Pres92 adalah nominal), pilih
semua pilihan yang ada. Kemudian klik Continue untuk melanjutkan pengisian data.

Klik tombol Cells…, lakukan pengisian sebagai berikut,

Pada kotak dialog Counts pilih Observed. Abaikan pilihan yang lain dan tekan
Continue. Tekan OK untuk mengakhiri pengisian.

Analisis Output:

7
Pada output ketiga mengukur hubungan diantara kedua variabel, dengan satu variabel
dependen (tergantung), sedangkan yang lain sebagai variabel independen (bebas).
Sebagai contoh besaran korelasi LAMBDA, symmetric atau kedua variabel setara
(bebas), maka besar korelasi adalah 0,015 atau sangat lemah. Angka signifikansi
adalah 0,119 atau di atas 0,05 yang berarti kedua variabel tidak berhubungan secara
nyata.
Contoh lain analisis Lambda dengan melihat angka sig. Jenis kelamin responden
(gender) sebagai variabel dependen dan variabel pres92 adalah variabel indepen.
Oleh karena angka signifikansi adalah 0,119 (lebih besar dari 0,05) manak pres92
tidak bisa digunakan untuk memprediksi gender.

Pertanyaan diskusi. Coba jelaskan arti besaran korelasi yang lain pada output ketiga
dengan pedoman yang sama.

8
 Pertemuan

II
Outlier
.

Cara Menguji Outlier

Langkah-langkah:
Buka file karyawan
Dari menu utama SPSS pilih:
Analyze
Descriptive Statistics
Descriptives…

Gambar I2-1
Kotak Dialog Descriptive

Pengisian:
Variabel(s). Nama variabel yang akan diuji. Sesuai kasus, masukkan variabel q1-q20.
Save standardized values as variables. Klik mouse pada kotak pilihan ini.

Kemudian Tekan tombol OK jika semua pengisian telah selesai, maka akan muncul
tampilan seperti di bawah ini. Tampak bahwa setiap variabel sudah mempunyai nilai
z-score, misalnya untuk x1 nilai Z-scorenya adalah Zx1 dan seterusnya.

9
 Untuk memudahkan analisis lakukan pengujian ulang dengan memasukkan nilai z-
score dari masing-masing variabel ke dalam Variable(s) pada kotak dialog
Descriptive.

Output SPSS dan Analisis

Output:

Analisis:
Dikatakan ada data yang outlier apabila ada nilai z-score yang lebih tinggi dari 3.

10
Normalitas
Prosedur ini bertujuan untuk menguji apakah suatu variabel mempunyai distribusi
normal atau tidak.

Cara Menguji Normalitas

Langkah-langkah:
Buka file karyawan
Dari menu utama SPSS pilih:
Analyze
Descriptive Statistics
Explore…

Gambar I2-2
Kotak Dialog Explore

Pengisian:
Dependent List. Varaibel-variabel yang akan diuji. Dalam kasus ini masukkan
variabel x1-k4.
Display. Pilihan output yang akan ditampilkan, yang bisa berupa output statistik atau
grafik (plot). Oleh karena hanya akan menguji normalitas data, pilih Plots.
Untuk itu klik tombol Plots… hingga tampil di layar seperti berikut.

11
 Gambar I2-3
Kotak Dialog Bivariate Correlation Options

Boxplots. Pilih None pada kotag dialog ini.

Descriptive. Non aktifkan Steam-and-leaf.
Normality plots with tests. Untuk menguji normalitas aktifkan kotak dialog ini.
Tekan tombol Continue untuk kembali ke kotak dialog sebelumnya. Abaikan bagian
lain dan tekan OK.

Output SPSS dan Analisis

Output:

12
Analisis:
Nilai Kalmogorov-Smirnov mempunyai signifikansi <0,05, distribusi adalah tidak
normal (simetris).
Nilai Kalmogorov-Smirnov mempunyai signifikansi >0,05, distribusi adalah normal
(simetris).
Pada gambar Q-Q Plot, jika suatu distribusi data normal, data akan tersebar di
sekeliling garis dan mengikuti arah garis diagonal.
Pada gambar Detrended Normal Q-Q Plot, jika suatu distribusi data normal, data
akan terpola di sekitar garis.

Pertanyaan diskusi. Lakukan uji normalitas pada semua variabel. Apakah data
berdistribusi normal?

13
Validitas
Prosedur ini digunakan untuk mengukur sah atau valid tidaknya suatu kuesioner. Suatu
kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk mengungkapkan
sesuatu yang akan diukur oleh kuesioner tersebut. Medote untuk mengkur validitas yang
disediakan SPSS adalah Korelasi Product Moment dan Analisis Faktor.

Cara Menguji Validitas (Analisis Faktor)

Langkah-langkah:
Buka file karyawan
Dari menu utama SPSS pilih:
Analyze
Data Reduction
Factor…

Gambar I2-4
Kotak Dialog Factor Analysis

Pengisian:
Pada kotak VARIABLES, masukkan semua butir pertanyaan dari x1-x4.
Klik mouse pada pilihan Rotation, dan aktifkan Varimax, kemudian tekan Continue.
Abaikan bagian lain dan tekan OK.

Analisis Output:
Data dikatakan valid apabila nilai loading factor 0,5.

Pertanyaan diskusi. Lakukan uji validitas pada semua variabel. Apakah semua variabel
valid?

14
Reliabilitas
Reliabilitas sebenarnya adalah alat untuk mengukur suatu kuesioner yang merupakan
indikator dari variabel atau konstruk. Suatu kuesioner dikatakan reliebel atau handal
jika jawaban seseorang terhadap pertanyaan adalah konsisten atau stabil dari waktu ke
waktu. Metode yang disediakan dalam SPSS untuk menguji reliabilitas adalah Cronbach
Alpha.

Cara Menguji Validitas

Langkah-langkah:
Buka file ServQual
Dari menu utama SPSS pilih:
Analyze
Scale
Reliability Analysis…

Gambar I2-6
Kotak Dialog Reliability Analysis

Pengisian:
Pada kotak VARIABLES, masukkan butir-butir pertanyaan yang akan diuji. Misalnya
x1-x4.
Pada kotak Model pilih Alpha.
Klik kotak dialog List item labels
Klik mouse pada pilihan Statistics….
Pada bagian Descriptive for aktifkan Scale if item deleted, klik Continue dan OK.

Analisis Output:
Data dikatakan reliabel apabila nila α0,6.

Pertanyaan diskusi. Lakukan uji reliabilitas pada semua variabel. Apakah semua
variabel reliabel?

15
 Pertemuan

III
Korelasi
Istilah korelasi benar-benar mengakar pada kosa kata kita. Setiap orang tahu bahwa
merokok dikorelasikan dengan kanker, perilaku pemungutan suara dikorelasikan dengan
pendidikan, dan mengenal orang yang tepat dikorelasikan dengan sukses. Dalam
penggunaan sehari-hari, korelasi hanya sebuah istilah yang tidak jelas yang
mengindikasikan beberapa bentuk hubungan. Di dalam statistik, korelasi mempunyai
definisi yang presisi. Analisis korelasi bertujuan untuk mengukur kekuatan asosiasi linier
antara dua variabel. Korelasi tidak menunjukkan hubungan fungsional. Dengan kata
lain, analisis korelasi tidak membedakan antara variabel dependen dengan variabel
indepenen.
Pada pertemuan ini, kita akan menggunakan prosedur Bivariate Correlation untuk
menghitung koefisien korelasi dan menguji hipotesis nol yang mempunyai koefisien
korelasi 0 dalam populasi. Kita juga akan mengunakan prosedur Partial Correlation
untuk menghitung koefisien korelasi antara dua variabel dengan melakukan kontrol efek
linier pada variabel lainnya.
Selum menghitung koefisien korelasi, saring data Anda dari outlier (yang dapat
menyebabkan hasil yang menyesatkan). Di samping itu data Anda harus menunjukkan
suatu hubungan yang linier.

Contoh-contoh
 Anda ingin menentukan apakah ada hubungan antara penjualan dan jumlah rupiah
yang dikeluarkan untuk iklan. Untuk suatu produk tertentu tiap bulan, Anda catat
rupiah yang dikeluarkan untuk iklan dan penjualan dalam rupiah.
 Anda ingin menentukan apakah kegemukan berubah seiring dengan usia. Anda ambil
sampel orang dewasa secara acak dan ukur kegemukan mereka dan catat usianya.
 Anda ingin mempelajari hubungan antara pendidikan dan gaji pada kategori pekerjan
tertentu. Karena orang telah dibedakan berdasarkan pengalaman kerja, Anda ingin
menentukan koefisien korelasi antara pendidikan dan gaji, untuk mengontrol efek
linier pengalaman kerja.

Peringatan
 Jangan pernah menghitung koefisien korelasi untuk untuk variabel-variabel nominal.
Sebagai contoh, tidak ada artinya sebuah korelasi antara nomor KTP dengan
pendapatan.
 Sebuah koefisien korelasi tidak menceritakan kepada kita tentang hubungan sebab-
akibat antara variabel-variabel. Hanya karena dua variabel dikorelasikan tidak
berarti bahwa variabel menyebabkan yang lainnya.
 Anda ingin menentukan apakah kegemukan berubah seiring dengan usia. Anda ambil
sampel orang dewasa secara acak dan ukur kegemukan mereka dan catat usianya.

16
Biavariate Correlations
Korelasi Bivariate menghitung koefisien korelasi Pearson, Spearman rho, dan Kendall
tau-b dengan tingkat signifikansi tertentu. Korelasi Pearson merupakan ukuran asosiasi
(hubungan) linier. Dua variabel bisa dikaitkan dengan sempurna, tetapi jika hubungan
tidak linier, koefisien korelasi Pearson bukan merupakan statistik yang tepat untuk
mengukur asosiasi tersebut.

Data yang diperhatikan pada Korelasi Bivariate

Data. Gunakan variabel-variabel kuantitatif (rasio dan interval) simetrik untuk koefisien
korelasi Pearson dan gunakan variabel-variabel kuantitatif atau variabel-variabel
kategori (skala ordinal) untuk koefisien Spearman’s rho dan Kendall’s tau-b.
Asumsi. Koefisien korelasi Pearson mengasumsikan bahwa setiap pasang variabel adalah
normal bivariate. Jika tidak data tidak terdistribusi secara normal gunakan koefisien
Spearman’s rho dan Kendall’s tau-b.

Pelanggaran Lalu lintas: Sebuah Contoh

Ingin diketahui apakah ada korelasi (hubungan) di antara variabel-variabel; jumlah
pelanggaran lalu lintas, jumlah mobil, jumlah sepeda motor, jumlah polisi.

Cara Mendapatkan Korelasi Bivariate

Langkah-langkah:
Buka file korelasi
Dari menu utama SPSS pilih:
Analyze
Correlate
Bivariate …

17
 Gambar 2-1
Kotak Dialog Bivariate Correlation

Pengisian:
Variabel. Pilih dua atau lebih variabel yang akan dikorelasikan. Dalam kasus ini
masukkan semua variabel
Correlation Coefficients. Untuk kuantitatif, variabel terdistribusi secara normal,
pilih koefisien korelasi Pearson. Jika data tidak terdistribusi secara normal atau
kategori, pilih Spearman’s rho dan Kendall’s tau-b. Karena data pada contoh di atas
adalah kuantitatif dan berskala rasio, maka pilih Pearson dan abaikan alat hitung
yang lain.
Test of Significance. Jika arah asosiasi sudah diketahui terlebih dahulu, pilih One-
tailed. Sebaliknya, pilih Two-tailed. Karena belum diketahui korelasi sebelumnya,
maka pilih Two-tailed.
Flag significant correlations. Berkenaan dengan tanda untuk tingkat signifikansi 5%
atau 10% akan ditampilkan pada output atau tidak. Koefisien korelasi signifikan pada
tingkat 5% ditandai dengan asterik tunggal (*), dan pada tingkat 10% ditandai dengan
dua asterik (**).

Kemudian klik mouse pada tombol Options hingga tampil di layar seperti berikut.

18
 Gambar 2-2
Kotak Dialog Bivariate Correlation Options

Statistics. Untuk keseragaman abaikan saja.

Missing Value. Bisa dipilih salah satu dari pilihan berikut:
Exclude cases pairwise. Pasangan yang salah satu missing value (tidak ada
datanya) tidak dimasukkan ke dalam analisis. Misal korelasi antara variabel tilang
dengan motor, maka kasus nomor 7 yang hilang dari tilang mengakibatkan korelasi
hanya untuk 9 data (kasus nomor 7 dihilangkan). Namun untuk korelasi variabel
mobil dan motor, karena ada 2 data yang hilang, maka korelasi hanya 8 data.
Dengan demikian pilihan pairwise mengakibatkan jumlah data tiap korelasi
bervariasi, tergantung jumlah data yang hilang (jika ada).
Exclude cases listwise. Data yang salah satu variabelnya ada missing value (tidak
ada datanya) tidak dimasukkan ke dalam analisis. Di sini jumlah data untuk
seluruh korelasi sama, sehingga yang dibuang adalah kasus yang salah satu
variabelnya terdapat data yang hilang. Dalam kasus di atas, terlihat kasus nomor
5, 7 dan 8 terdapat data yang hilang, maka tiga kasus tersebut dikeluarkan
(exclude), sehingga jumlah kasus (cases) menjadi hanya 10-3=7.
Untuk keseragaman, akan digunakan pilihan Exclude cases pairwise, karena itu klik
pada piliha tersebut. Tekan Continue jika selesai. Kemudian tekan OK untuk
mengakhiri pengisian prosedur analisis. Terlihat SPSS melakuka pekerjaan analisis
dan terlihat output SPSS.

Output SPSS dan Analisis

Output:

19
Analisis:
Besaran angka. Angka korelasi berkisar antara 0 (tidak ada korelasi sama sekali)
dan 1 (korelasi sempurna). Pedoman sederhana, apabila angka korelasi di atas 0,5
menunjukkan korelasi yang cukup kuat, sedang di bawah 0,5 korelasi lemah.
Koefisien korelasi ditunjukkan pada baris Pearson Correlation.
Tanda korelasi. Tanda korelasi juga berpengaruh pada penafsiran hasil. Tanda
negatif (-) pada output menunjukkan adanya arah hubungan yang berlawanan,
sedangkan tanda positif (+) menunjukkan arah yang sama.
Seperti angka pada output antara tilang dengan motor yang menghasilkan angka -
0,195. Angka tersebut menunjukkan lemahnya korelasi antara pelanggaran (tilang)
dengan jumlah motor (di bawah 0,5). Sedang tanda ‘-‘ menunjukkan bahwa
semakin banyak motor maka semakin sedikit jumlah pelanggaran (tilang), dan
sebaliknya.
Signifikansi hasil korelasi. Angka Sig. (2-tailed) pada output digunakan untuk
menguji bahwa angka korelasi bisa digunakan untuk menjelaskan hubungan dua
variabel (signifikan). Dasar pengambilan keputusan:
Berdasarkan probabilitas.
Jika probabilitas>0.05, H0 diterima
Jika probabilitas<0.05, H0 ditolak
Pada baris Sig. (2-tailed) didapat serangkaian angka probabilitas. Terlihat
bahwa hanya ada satu pasangan data yang berkorelasi secara signifikan, yaitu
antara Mobil dan Tilang (probabilitas 0,015<0,05). Oleh karena itu disimpulkan
bahwa di antara empat variabel, yang berkorelasi secara signifikan hanya
variabel Mobil dengan Tilang.

20
 Berdasarkan tanda * yang diberikan SPSS. Signifikan tidaknya korelasi dua
variabel bisa dilihat dari adanya tanda * pada pasangan data yang dikorelasikan
(lihat pilihan flag significant correlation pada proses perhitungan korelasi di
atas). Dengan cara ini diperoleh hasil yang sama.
Jumlah data yang berkorelasi. Informasi ini bisa diperoleh dengan
memperhatikan baris N pada output SPSS. Seperti telah dijelaskan di muka, hal ini
menunjukkan jumlah data yang dikorelasikan berkaitan dengan adanya data yang
hilang (missing value).

Pertanyaan Diskusi. Dengan cara yang sama, bagaimana jika pilihan adalah Exclude
Cases Listwise?

Latihan Kasus
Sebuah studi tentang “konstruksi tubuh” ingin mengetahui korelasi atau hubungan antara
berbagai lingkar bagian-bagian tubuh yang satu dengan lainnya. Karena, secara rata-
rata, orang yang kurus hampir semua lingkar bagian tubuhnya lebih kecil, sedangkan
orang yang lebih gemuk mempunyai hampir semua lingkar bagian tubuh yang lebih besar.
Gunakan file KonstruksiTubuh untuk menganalisis korelasi berikut syarat-syarat yang
harus dipenuhi untuk suatu analisis korelasi.

Sebuah studi tentang “konstruksi” tubuh, anda mungkin ingin tahu bagaimana hubungan
antara dua lingkar jika berat dianggap konstan.

21
Partial Correlations
Prosedur korelasi parsial menghitung koefisien korelasi yang menggambarkan hubungan
linier antara dua variabel sambil mengontrol efek satu atau lebih variabel tambahan.
Korelasi mengukur asosiasi linier. Dua variabel dapat berkaitan sempurna, tetapi jika
hubungan tidak linier, sebuah koefisien korelasi bukan statistik yang tepat untuk
mngukur hubungan tersebut.

Data yang diperhatikan pada Korelasi Parsial

Data. Simetrik, variabel-variabel kuantitatif (rasio dan interval).
Asumsi. Prosedur korelasi parsial mengasumsikan bahwa setiap pasang variabel adalah
normal bivariat.

Prestasi dan Motivasi Kerja: Sebuah Contoh

Seorang manajer personalia ingin mengetahui apakah ada hubungan antara prestasi kerja
seseorang dengan tingkat kecerdasan dan motivasi kerja pekerja yang bersangkutan.

Cara Mendapatkan Korelasi Parsial

Langkah-langkah:
Buka file korelasi_parsial
Dari menu utama SPSS pilih:
Analyze
Correlate
Partial …

22
 Gambar 2-3
Kotak Dialog Bivariate Correlation Options

Pengisian:
Variabel. Pilih dua atau lebih variabel yang akan dikorelasikan. Dalam kasus ini
masukkan variabel prestasi dan motivasi.
Controlling for. Variabel yang dikeluarkan atau dikontrol. Dalam kasus ini masukkan
variabel iq.
Test of Significance. Jika arah asosiasi sudah diketahui terlebih dahulu, pilih One-
tailed. Sebaliknya, pilih Two-tailed. Karena belum diketahui korelasi sebelumnya,
maka pilih Two-tailed.
Flag significant correlations. Berkenaan dengan tanda untuk tingkat signifikansi 5%
atau 10% akan ditampilkan pada output atau tidak. Koefisien korelasi signifikan pada
tingkat 5% ditandai dengan asterik tunggal (*), dan pada tingkat 10% ditandai dengan
dua asterik (**).

Kemudian klik mouse pada tombol Options hingga tampil di layar seperti berikut.

Gambar 2-4
Kotak Dialog Bivariate Correlation Options

23
 Statistics. Untuk keseragaman abaikan saja. Dalam kasus ini pilih Zero-order
correlations.
Missing Value. Bisa dipilih salah satu dari pilihan berikut:
Exclude cases pairwise. Pasangan yang salah satu missing value (tidak ada
datanya) tidak dimasukkan ke dalam analisis. Misal korelasi antara variabel tilang
dengan motor, maka kasus nomor 7 yang hilang dari tilang mengakibatkan korelasi
hanya untuk 9 data (kasus nomor 7 dihilangkan). Namun untuk korelasi variabel
mobil dan motor, karena ada 2 data yang hilang, maka korelasi hanya 8 data.
Dengan demikian pilihan pairwise mengakibatkan jumlah data tiap korelasi
bervariasi, tergantung jumlah data yang hilang (jika ada).
Exclude cases listwise. Data yang salah satu variabelnya ada missing value (tidak
ada datanya) tidak dimasukkan ke dalam analisis. Di sini jumlah data untuk
seluruh korelasi sama, sehingga yang dibuang adalah kasus yang salah satu
variabelnya terdapat data yang hilang. Dalam kasus di atas, terlihat kasus nomor
5, 7 dan 8 terdapat data yang hilang, maka tiga kasus tersebut dikeluarkan
(exclude), sehingga jumlah kasus (cases) menjadi hanya 10-3=7.
Untuk keseragaman, akan digunakan pilihan Exclude cases pairwise, karena itu klik
pada piliha tersebut. Tekan Continue jika selesai. Kemudian tekan OK untuk
mengakhiri pengisian prosedur analisis.

Output SPSS dan Analisis

Output:

24
 Analisis:
Bagian pertama ouput adalah zero order partial, karena belum dilakukan korelasi
parsial. Sedang bagian output kedua, sudah dikalukan korelasi parsial. Di sini
karena jumlah variabel kontrol adalah satu (iq), maka disebut first-order partial.

Pada zero order partial (tanpa ada variabel kontrol), didapat koefisien korelasi
antara prestasi dengan motivasi sebesar 0,665. Sedangkan angka df adalah derajat
bebas, yaitu n-2, atau karena jumlah data 9, maka df=9-2=7.

Sedangkan setelah variabel iq dikeluarkan dan dilakukan korelasi, maka koefisien

korelasi antara prestasi dan motivasi menjadi 0,556. Terlihat bahwa dengan
adanya variabel kontrol, terjadi penurunan korelasi.

Latihan Kasus
Pada contoh kasus “konstruksi” tubuh, ingin diketahui korelasi antar lingkar bagian
tubuh jika berat dianggap konstan. Gunakan file KonstruksiTubuh untuk menganalisis
korelasi parsial berikut syarat-syarat yang harus dipenuhi untuk suatu analisis korelasi.

25
 Pertemuan

IV
T Test
Ada tiga bentuk t test yang tersedia:
Independent-sample t test (two sample t test). Membandingkan rata-rata satu variabel
dari dua kelompok sampel. Pada prinsipnya tujuan uji dua sampel adalah ingin
mengetahui apakah ada perbedaan rata-rata (mean) antara dua populasi, dengan
melihat rata-rata dua sampelnya.
Paired-sample t test (dependent t test). Membandingkan rata-rata dua variabel dari
sebuah kelompok sampel. Uji ini digunakan untuk menguji sebuah sampel dengan
subyek yang sama namun mengalami du perlakuan atau pengukuran yang berbeda.
One-sample t test. Pengujian satu sampel dengan cara membandingkan rata-rata
sebuah variabel dengan suatu nilai tertentu untuk diketahui apakah ada perbedaan atau
tidak.

26
One-Samples T Test
Prosedur Independent-Samples T Test menguji apakah rata-rata sebuah variabel tunggal
berbeda dari suatu konstanta spesifik tertentu.

Contoh-contoh. Seorang peneliti ingin mengetahui apakah rata-rata skor IQ sekelompok

mahasiswa berbeda dari 100. Atau, sebuah Indofood dapat mengambil sebuah contoh
kemasan dari lini produksi dan memeriksa apakah rata-rata berat suatu sampel berbeda
dari 89 gr pada tingkat keyakinan 95%.

Data yang diperhatikan pada one-sample T test

Data. Untuk menguji nilai kuantitatif terhadap suatu nilai hipotesis, pilih sebuah
kuantitatif variabel dan masukkan suatu nilai hipotesis.
Asumsi. Uji ini mengasumsikan bahwa data terdistribusi secara normal.

Berat Badan: Sebuah Contoh

Selama ini diduga rata-rata berat badan penduduk Batam adalah 70 kg. Jika seluruh
penduduk Batam tersebut adalah populasi, maka angka tersebut adalah suatu
parameter. Kemudian akan dibuktikan secara statistik apakah berat badan tersebut
memang benar demikian. Untuk itu diambil sejumlah sampel, dan pada sampel tersebut
dihitung rata-rata berat badannya.

Cara Mendapatkan one-sample T test

Langkah-langkah:
Buka file uji_t_1
Dari menu utama SPSS pilih:
Analyze
Compare Means
One-Sample T-Test …

Gambar 1-1
Kotak Dialog One-Sample T Test

27
Pengisian:
Test Variabel(s). Nama variabel yang akan diuji. Dalam kasus ini masukkan variabel
berat.
Test Value. Nilai yang akan diuji, karena akan diuji nilai hipotesis 70 kg, maka ketik
70. Tekan Continue jika pengisian selesai.

Output:

Analisis:
Output pertama
Pada bagian ini terlihat ringkasan statistik dari variabel berat. Rata-rata berat badan
sampel adalah 58,007 kg.

Output kedua
Hipotesis untuk kasus ini:
H0 = rata-rata berat badan sampel sampel tidak berbeda dengan rata-rata berat
badan populasi (70 kg).
H1 = rata-rata berat badan sampel sampel berbeda dengan rata-rata berat badan
populasi (70 kg).

Pengambilan keputusan
Berdasarkan nilai t hitung
Jika t hitung < t tabel, H0 diterima
Jika t hitung > t tabel, H0 ditolak

Keputusan:
T tabel dilihat pada tabel distribusi t dengan tingkat signifikansi 5%, df=n-1= 10-1=9,
maka diperoleh nilai t tabel sebesar 2,262. Oleh karena t hitung (-12,545)<2,262,
maka H0 diterima. Sehingga dapat disimpulkan bahwa rata-rata berat badan sampel
sama dengan rata-rata berat badan populasi. Atau dengan kata lain rata-rata berat
populasi adalah 70 kg

Berdasarkan nilai probabilitas

Jika probabilitas > 0,05, H0 diterima.
Jika probabilitas < 0,05, H0 ditolak.

Keputusan:
Karena probabilitas adalah 0,000 < 0,005 maka H0 ditolak, atau berat badan sampel
berbeda dengan rata-rata berat badan populasi.

28
Paired Samples T Test
Prosedur Paired-Samples T Test digunakan untuk menguji apakah dua populasi
mempunyai rata-rata yang sama. Data berupa dua pengukuran dari pasangan orang atau
obyek yang serupa pada hal-hal tertentu.

Contoh-contoh. Kita akan mengobservasi orang yang sama sebelum dan sesudah
perlakuan atau kita akan membedakan antara manajer dan non manajer. Setiap “kasus”
pada data ini mewakili pasangan dari sebuah observasi.

Data yang diperhatikan pada one-sample T test

Data. Setiap pasang variabel merupakan data kuantitatif (interval atau rasio). Setiap
pasang subyek harus mempunyai skala yang sama.
Asumsi. Perbedaan rata-rata harus terdistribusi secara normal. Varians dari setiap
variabel bisa sama bisa juga tidak.

Pengaruh Obat: Sebuah Contoh

Produsen obat diet ingin mengetahui apakah obat yang diproduksinya benar-benar
mempunyai efek terhadap penurunan berat badan konsumen. Untuk itu, sebuah sampel
yang terdiri dari 10 orang masing-masing diukur berat badannya.

Cara Mendapatkan Paired Samples T test

Langkah-langkah:
Buka file uji_t_paired
Dari menu utama SPSS pilih:
Analyze
Compare Means
Paired-Samples T-Test …

Gambar 1-1
Kotak Dialog Paired-Samples T-Test

29
Pengisian:
Paired Variables. Nama pasangan variabel yang akan diuji. Dalam kasus ini masukkan
variabel sebelum dan sesudah.
Tekan OK jika pengisian selesai.
Output:

Analisis:
Output pertama
Pada bagian pertama terlihat ringkasan statistik dari kedua sampel. Berat badan
rata-rata sebelum minum obat 84,51 kg, sedangkan setelah minum obat berat badan
rata-rata menjadi 83,309 kg.

Output kedua
Bagian kedua output adalah hasil korelasi antara kedua varaibel, yang menghasilkan
angka 0,943 dengan nilai probabilitas jauh di bawah 0,05. Hal ini menyatakan bahwa
korelasi antara berat sebelum dan sesudah minum obat adalah sangat erat dan benar-
benar berhubungan secara nyata.

Output ketiga
Hipitesis:

H0 = Kedua rata-rata berat badan sebelum dan sesudah minum obat adalah sama.
H1 = Kedua rata-rata berat badan sebelum dan sesudah minum obat adalah berbeda.

Pengambilan keputusan
Berdasarkan nilai t hitung
Jika t hitung < t tabel, H0 diterima
Jika t hitung > t tabel, H0 ditolak

Keputusan:

30
T tabel dilihat pada tabel distribusi t dengan tingkat signifikansi 5%, df=n-1= 10-1=9,
maka diperoleh nilai t tabel sebesar 2,262. Oleh karena t hitung (1,646)<2,262, maka
H0 diterima. Sehingga dapat disimpulkan bahwa rata-rata berat badan sebelum
minum dan sesudah minum obat adalah sama. Maka dapat disimpulkan bahwa
penggunaan obat tersebut tidak efektif untuk menurunkan berat badan.

Berdasarkan probabilitas
Jika probabilitas > 0,05, H0 diterima.
Jika probabilitas < 0,05, H1 ditolak.

Keputusan:
Karena probabilitas adalah 0,134 > 0,005 maka H0 diterima, atau rata-rata berat
badan sebelum dan sesudah minum obat relatif sama.

31
Independent Samples T Test
Prosedur indepenent-samples T Test membandingkan rata-rata dua kelompok kasus.
Pada prinsipnya tujuan uji ini adalah untuk mengetahui apakah ada perbedaan rata-rata
dua populasi berdasarkan atau dengan melakukan pengamatan terhadap dua sampel.

Contoh-contoh. Kita akan membanding dua merode pengajaran. Satu kelompok siswa
diajar dengan metode yang satu, sementara kelompok yang lain diajar dengan metode
yang lain. Di akhir perkuliahan akan diuji hipotesis nol bahwa nilai skor rata-rata
populasi adalah sama.

Data yang diperhatikan pada one-sample T test

Data. Data bisa dalam bentuk numerik atau string singkat (seperti ya atau tidak).
Asumsi. Sampel adalah acak yang diambil dari distribusi yang normal dengan varian
yang sama. Untuk varian yang tidak sama, observasi harus independen. Distribusi
simetrik dan tidak ada outliers.

Berat badan pria & wanita: Sebuah Contoh

Seorang peneliti ingin mengetahui apakah ada perbedaan antara tinggi dan berat badan
seorang pria dan wanita.

Cara Mendapatkan Paired Samples T test

Langkah-langkah:
Buka file uji_t_11
Dari menu utama SPSS pilih:
Analyze
Compare Means
Independent-Samples T-Test …

Gambar 1-1
Kotak Dialog Paired-Samples T-Test

32
Pengisian:
Test Variable(s). Nama pasangan variabel yang akan diuji. Dalam kasus ini masukkan
variabel tinggi dan berat.
Grouping Variable. Variabel yang digunakan untuk mengelompokkan. Oleh karena
variabel pengelompokkan ada pada gender, maka masukkan variabel gender.

Klik mouse pada tombol Define Groups… sehingga tampak dilayar

Gambar 1-2
Kotak Dialog Define Groups

Group 1, isi dengan 1, yang berarti ‘pria’

Group 2, isi dengan 2, yang berarti ‘wanita’, kemudian tekan Continue

Tekan OK jika pengisian selesai.

Output:

Analisis:
Output pertama
Pada bagian pertama terlihat ringkasan statistik dari kedua sampel.

Output kedua
Contoh untuk tinggi badan
Pertama menganalisis penggunaan F test, untuk menguji apakah ada kesamaan
varians pada data pria dan wanita

Hipotesis:

33
H0 = Varian populasi tinggi badan pria dan wanita adalah sama.
H1 = Varian populasi tinggi badan pria dan wanita adalah tidak sama.

Pengambilan keputusan
Berdasarkan probabilitas
Jika probabilitas > 0,05, H0 gagal ditolak.
Jika probabilitas < 0,05, H0 ditolak.

Keputusan:
Terlihat bahwa F hitung untuk tinggi badan dengan Equal variance assumed adalah
5,475 dengan probabilitas 0,037. Oleh karena probabilitas <0,05 maka H0 ditolak,
atau kedua varian benar-benar berbeda. Sehingga yang digunakan adalah Equal
variance not assumed

Selanjutnya dilakukan analisis dengan memakai t test untuk asumsi varian tidak sama.

Hipotesis untuk kasus ini:

H0 = Rata-rata populasi tinggi badan pria dan wanita adalah sama.
H1 = Rata-rata populasi tinggi badan pria dan wanita adalah tidak sama

Keputusan:
Terlihat bahwa t hitung untuk tinggi badan dengan Equal variance not assumed
adalah 5,826 dengan probabilitas 0,001. Oleh karena probabilitas <0,05 maka H0
ditolak, atau kedua varian benar-benar berbeda. Artinya bahwa pria mempuyai rata-
rata tinggi badan yang lebih dari wanita.

34
 Pertemuan

V
One-Way ANOVA
Prosedur Independent-Samples T Test menguji rata-rata dari kelompok sampel yang
lebih dari dua. Sedangkan esensi pengujiannnya sama dengan uji t.

Contoh-contoh. Seorang peneliti ingin mengetahui apakah rata-rata skor IQ sekelompok

mahasiswa berbeda dari 100. Atau, sebuah Indofood dapat mengambil sebuah contoh
kemasan dari lini produksi dan memeriksa apakah rata-rata berat suatu sampel berbeda
dari 89 gr pada tingkat keyakinan 95%.

Data yang diperhatikan pada one-way ANOVA

Data. Variabel dependen harus kuantitatif.
Asumsi. Uji ini mengasumsikan bahwa data terdistribusi secara normal. Varian dari
populasi-populasi adalah sama. Sampel tidak berhubungan sama dengan yang lain.

Kinerja karyawan: Sebuah Contoh

Sebuah pabrik mempekerjakan karyawannya dalam 4 shift. Manajer ingin mengetahui
apakah ada perbedaan produktivitas yang nyata di
antara 4 kelompok shift yang ada selama ini.

Cara Mendapatkan one-way Anova

Langkah-langkah:
Buka file anova
Dari menu utama SPSS pilih:
Analyze
Compare Means
One-Way ANOVA…

35
 Gambar 1-1
Kotak Dialog One-way ANOVA

Pengisian:
Dependent List. Nama variabel dependen yang akan diuji. Dalam kasus ini masukkan
variabel produk.
Factor. Variabel yang digunakan sebagai peneglompok. Masukkan variabel shift.
Tekan Continue jika pengisian selesai.

Klik mouse pada tombol Options… hingga tampak di layar

Gambar 1-2
Kotak Dialog One-way ANOVA: Options

Statistics. Perhitungan statistik yang akan dilakukan. Pilih Descriptive dan

Homogeneity-of-Variance. Untuk itu klik mouse pada kedua piliha tersebut.
Missing Values. Data yang hilang. Oleh karena dalam kasus ini semua pasangan data
lengkap (tidak ada yang kosong), maka abaikan saja bagian ini. Tekan Continue jika
pengisian telah selesai.

Klik mouse pada pilihan Post Hoc... hingga tampak di layar

Gambar 1-3
Kotak Dialog One-way ANOVA: Options

36
 Post-Hoc merupakan analisis lanjutan dari F test, dengan mengklik mouse pada kotak
dialog One-way ANOVA: Options
Untuk analisi lanjutan pilih Bonferroni dan Tukey. Kemudian tekan Continue.
Kemudian tekan OK untuk mengakhiri prosedur.
Output:

37
Analisis:
Output pertama
Pada bagian pertama terlihat ringkasan statistik dari keempat sampel. Sebagai
contoh deskripsi dari kelompok kerja shif 1:
Rata-rata produktivitas adalah 35,58 unit
Produk minimum adalah 32 unit dan maksimum adalah 32 unit dan maksimum 39 unit.
Dengan tingkat kepercayaan 95% atau signifikansi 5%, rata-rata produk ada pada
range 33,88 unit sampai 37,29 unit.

Demikian juga untuk data ynag lain. Uji ANOVA ingin melihat apakah rata-rata
keempat sampel berasal dari populasi yang sama, dengan asumsi varian keempat
sampel adalah sama.

Output kedua
Analisis ini ingin menguji berlaku tidaknya asumsi untuk ANOVA, yaitu apakah
keempat sampel mempunyai varian yang sama.

Hipotesis:
H0 = Varian populasi adalah sama.
H1 = Varian populasi adalah tidak sama.

Pengambilan keputusan
Berdasarkan probabilitas
Jika probabilitas > 0,05, H0 diterima.
Jika probabilitas < 0,05, H0 ditolak.

Keputusan:
Terlihat bahwa Levene test hitung adalah 1,173 dengan probabilitas 0,331. Oleh
karena probabilitas > 0,05 maka H0 diterima, atau keempat varian populasi adalah
sama. Hal ini menyalahi asumsi ANOVA bahwa semua varian populasi harus sama!

Output ketiga
Setelah keempat varian terbukti sama, baru dilakukan uji ANOVA untuk menguji
apakah keempat sampel mempunyai rata-rata yang sama.

Hipotesis:
H0 = Keempat rata-rata populasi adalah sama.
H1 = Keempat rata-rata populasi adalah tidak sama.

Berdasarkan probabilitas
Jika probabilitas > 0,05, H0 diterima.
Jika probabilitas < 0,05, H0 ditolak.

Keputusan:

38
 Terlihat bahwa F hitung adalah 44, 861 probabilitas 0,000. Oleh karena probabilitas <
0,05 maka H0 dtolak, atau rata-rata produksi keempat kelompok shift tersebut
memang berbada.

Output keempat
Setelah diketahui bahwa ada perbedaan yang signifikan di antara keempat kelompok
shift yang berbeda dan mana yang tidak berbeda? Masalah ini akan dibahas pada
analisis Bonferroni dan Tukey dalam post hoc test berikut.
Sebagai contoh, lihat baris pertama hasil uji Tukey-HSD yang menguji perbedaan
antara Shift 1 dan Shift 2.

Hipotesis:
H0 = Keempat rata-rata populasi adalah sama.
H1 = Keempat rata-rata populasi adalah tidak sama.

Berdasarkan probabilitas
Jika probabilitas > 0,05, H0 diterima.
Jika probabilitas < 0,05, H0 ditolak.

Keputusan:
Terlihat bahwa bahwa nilai probabilitas adalah 0,001. Oleh karena probabilitas<0,05,
maka H0 ditolak. Atau dengan kata lain perbedaan rata-rata produktivitas Shift 1 dan
Shift 2 benar-benar nyata.

Catatan: Hasil uji signifikansi dengan mudah dapat dilihat pada output dengan ada
atau tidaknya tanda ‘*’ pada kolom ‘Mean Difference’. Jika tanda * ada di angka
Mean Difference atau perbedaan rata-rata, perbedaan tersebut nyata atau signifikan.
Jika tidak ada tanda *, maka perbedaan tidak signifikan.

Jika hasil tes Tukey dan Bonferroni untuk menguji kelompok mana saja yang memiliki
perbedaan nyata, maka dalam Homogenous Subset justru akan dicari grup/subset
mana saja yang mempunyai perbedaan rata-rata yang tidak berbeda secara signifikan.
Sebagai contoh pada subset 3, terlihat grup dengan anggota kelompok kerja shift 2
dan 3. Dengan kata lain, dapat dikatakan bahwa kedua kelompok ini tidak punya
perbedaan yang signifikan satu dengan yang lain.

Pengaruh Gender pada Kinerja karyawan: Sebuah Contoh

Kasus sama dengan kasus pertama, hanya variabel ditambah satu, yaitu jenis kelamin
(gender) yang bertugas di setiap kelompok kerja.

Cara Mendapatkan two way anova

Langkah-langkah:
Buka file anova_2
Dari menu utama SPSS pilih:
Analyze
General Linier Model
Univariate…

39
 Gambar 1-1
Kotak Dialog Univariate

Pengisian:
Dependent Variable. Nama variabel dependen yang akan diuji. Dalam kasus ini
masukkan variabel produk.
Fixed Factor(s). Variabel yang digunakan sebagai pengelompok. Oleh karena
variabel pengelompok ada gender dan shift, maka masukkan kedua variabel tersebut
sebagai Fixed Factor(s). Tekan OK jika pengisian selesai.

Output:

40
Output pertama
Bagian pertama adalah ringkasan data yang diproses.

Output kedua
Uji ini bertujuan untuk mengetahui apakah ada hubungan yang signifikan antara dua
faktor, dalam kasus ini akan diuji apakah data interaksi antara kelompok kerja shift
dengan kelompok gender.

Terlihat bahwa F hitung adalah 0,634 dengan probabilitas 0,598. Oleh karena
probabilitas>0,05, maka H0 diterima atau tidak ada interaksi antara kelompok
kerja shift dengan kelompok gender.

41
 Pertemuan

VI
Linieritas
Prosedur ini digunakan untuk melihat apakah spesifikasi model yang digunakan sudah
benar atau tidak. Apakah fungsi yang digunakan dalam suatu studi empiris sebaiknya
berbentuk linier, kuadrat atau kubik.

Cara Menguji Linieritas

Langkah-langkah:
Buka file ServQual
Dari menu utama SPSS pilih:
Analyze
Descriptive Statistics
Explore…

Gambar I2-2
Kotak Dialog Explore

42
Pengisian:
Dependent List. Varaibel-variabel yang akan diuji. Dalam kasus ini masukkan
variabel x1-k4.
Display. Pilihan output yang akan ditampilkan, yang bisa berupa output statistik atau
grafik (plot). Oleh karena hanya akan menguji normalitas data, pilih Plots.
Untuk itu klik tombol Plots… hingga tampil di layar seperti berikut.

Gambar I2-3
Kotak Dialog Bivariate Correlation Options

Boxplots. Pilih None pada kotag dialog ini.

Descriptive. Non aktifkan Steam-and-leaf.
Normality plots with tests. Untuk menguji normalitas aktifkan kotak dialog ini.
Tekan tombol Continue untuk kembali ke kotak dialog sebelumnya. Abaikan bagian
lain dan tekan OK.

Output SPSS dan Analisis

Output:

43
Analisis:
Nilai Kalmogorov-Smirnov mempunyai signifikansi <0,05, distribusi adalah tidak
normal (simetris).
Nilai Kalmogorov-Smirnov mempunyai signifikansi >0,05, distribusi adalah normal
(simetris).
Pada gambar Q-Q Plot, jika suatu distribusi data normal, data akan tersebar di
sekeliling garis dan mengikuti arah garis diagonal.
Pada gambar Detrended Normal Q-Q Plot, jika suatu distribusi data normal, data
akan terpola di sekitar garis.

44
Regresi
Analisis Regresi digunakan terutama untuk tujuan peramalan, di mana dalam
model tersebut ada variabel dependen (tergantung) dan variabel independen
(bebas). Di dalam analisis regresi, selain mengukur kekuatan hubungan antara
dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel
dependen dan independen. Dalam praktek, regresi sering dibedakan antara
regresi sederhana dan regresi berganda. Disebut regresi sederhana (simple
regression) jika hanya ada satu variabel independen, sedangkan disebut regresi
berganda (multiple regression) jika ada lebih dari satu variabel independen.

Cara Mendapatkan Regresi

Langkah-langkah:
Buka file servqual
Dari menu utama SPSS pilih:
Analyze
Regression
Linier …

Gambar 1-1
Kotak Dialog Linier Regression

45
Pengisian:
Independent (s). Nama variabel terikat (dependent). Dalam kasus ini masukkan
variabel AF, JA, EM, RE, dan DT.
depenent(s). Nama variabel bebas (independent). Dalam kasus ini masukkan
variabel KE

Kemudian klik mouse pada tombol Statistics… hingga tampil di layar seperti berikut.

Gambar 1-2
Kotak Dialog Linier Regression: Statistics

Regression coefficiens. Untuk menampilkan koefisien regresi. Klik pada pilihan

Estimes dan Covariance Matrix.
Residuals. Untuk menampilkan output untuk uji asumsi klasik autokorelasi dan
lineritas. Klik pada pilihan Durbin-Watson.
Aktifkan pula pilihan Model Fit, Collinierity diagnostics (menampilkan output untuk
uji asumsi klasik multikolineritas). Tekan Continue.

Kemudian klik mouse pada tombol Plots… hingga tampil di layar seperti berikut.

Gambar 1-3
Kotak Dialog Linier Regression: Plots

46
 Untuk menguji asumsi klasik heteroskedastisitas. Masukkan variabel SRESID pada
kotak pilihan Y dan masukkan variabel ZPRED pada kotak pilihan X.
Untuk menguji asumsi normalitas. Aktifkan pilihan Histogram dan Normal
probability plot pada kotak pilihan Standardized Residual Plots. Tekan Continue
dan abaikan pilihan yang lainnya.

Kemudian klik mouse pada tombol OK.

Output SPSS dan Analisis

Output:

47
48
Analisis:
Uji Autokorelasi (untuk data time series). Ada tidaknya autokorelasi pada
persamaan regresi bis adiuji dengan Uji Durbin Watson Test (DW Test). Lihat
output pertama ada kolom Durbin-Watson. Pengambilan keputusan ada tidaknya
autokorelasi:
du<DW<(4-du), berarti tidak ada autokorelasi.
DW<dl, berarti ada autokorelasi positif.
DW>(4-dl), berarti ada autokorelasi negatif.
dl<DW<du atau (4-dl)<DW<(4-du), maka tidak dapat disimpulkan.

Hasil analisis menunjukkan nilai DW sebesar 1,660, nilai ini dibandingkan dengan
DW Tabel pada tingkat kepercayaan 5%, jumlah sampel 100 dan jumlah variabel
bebas 5, maka akan diperoleh dl=1,5710 dan du 1,7804.
Kesimpulan, karena nilai DW diantara dl dan du berarti tidak dapat disimpulkan.

Uji Linieritas. Untuk melihat apakah antara variabel bebas dan terikat
mmepunyai pengaruh secara linier, maka perlu diuji linieritas, yang salah satunya
bisa digunakan Uji Durbin-Watson. Keputusan, apabila nilai DW menunjukkan
adanya autokorelasi positif, maka pengaruh antara variabel bebas dan terikat tidak
linier.

Uji Heteroskedastisitas. Uji ini bertujuan untuk mengetahui apakah dalam model
regresi terjadi ketidaksamaan varians dari residual antara satu pengamatan dengan
pengamatan yang lain. Jika varian antara satu pengamatan dengan pengamatan
yang lain tetap, maka disebut homoskedastisitas, jika berbeda disebut
heteroskedastisitas. Untuk menguji heteroskedastisitas bisa dilihat dari scatter
plot antara *SRESID dan *ZRESID. Hasil analisis menunjukkan bahwa data menyebar
secara acak, sehingga dapat disimpulkan terjadi heteroskedastisitas.

Uji Multikolinieritas. Uji ini bertujuan untuk menguji apakah ada korelasi antar
variabel bebas. Pengujian bisa dilakukan dengan mengamati nilai VIF. Apabila
VIF>10 maka persamaan regresi terdapat multikolinieritas.

Tabel pertama menunjukkan variabel yang akan dianalisis.

R square. Angka ini menunjukkan besarnya koefisien determinasi, yang dalam hal
ini berarti 44,1% KE bisa dijelaskan oleh variabel AF, EM, JA, RE, DT. Sedangkan
sisanya (100%-44,1%=55,9%) disebabkan oleh variabel-variabel lain yang tidak
dimasukkan dalam model. R square berkisar antara 0 sampai 1, dengan catatan
semakin kecil angka R square maka semakin lemah hubungan kedua variabel.
Kelemahan Koefisien Determinasi. Kelemahan mendasar koefisien determinasi
adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam
model. Setiap tambahan satu variabel independen maka R square pasti meningkat
tidak peduli apakah variabel tersebut secara signifikan terhadap variabel

49
dependen. Oleh karena itu banyak peneliti yang menggunakan Adjusted R square.

ANOVA. Dari uji ANOVA atau F test, diperoleh F hitung adalah 14,829 dengan
tingkat signifikansi 0.000. Oleh karena probabilitas jauh lebih kecil dari 0,05,
maka model regresi bisa dipakai untuk memprediksi KE.
Coefficiens. Tabel ini menggambarkan persamaan regresi:
KE = -1,394 + 0,262AF + 0,760RE + 0,312DT - 0,353JA + 0,09EM.

Konstanta sebesar -1,394 menyatakan jika tidak ada AF, RE, DT, JA, dan EM, maka
KE adalah -1,394
Koefisien regresi sebesar 0,262 menyatakan bahwa setiap penembahan (karena
tanda +) 1% AF akan meningkatkan KE sebesar 0,262%, Namun sebaliknya jika AF
turun 1% maka KE juga kan turun sebesar 0,262%. Jadi tanda + hanya menunjukkan
arah hubungan yang searah.

Standardized beta coefficiens. Keuntungan menggunakan standardized beta

adalah mampu mengeliminasi perbedaan unit ukuran variabel bebas. Jika ukuran
variabel bebas tidak sama, maka sebaiknya interpretasi persaman regresi
menggunakan standardized beta.

Uji t. Digunakan untuk menguji signifikansi koefisien regresi dari variabel AF, RE,
DT, JA, dan EM. Di sini akan diberikan contoh pengujian koefisien regresi dengan
mengamati angka probabilitas.

H0: Tidak ada pengaruh antara RE dan KE

H1: Ada pengaruh antara RE dan KE

Pengambilan keputusan
Jika probabilitas > 0,05, H0 diterima.
Jika probabilitas < 0,05, H0 ditolak.

Keputusan.
Terlihat pada kolom Sig. adalah 0,00, atau probailitas jauh di bawah 0,05. Maka
H0 ditolak, atau koefisien regresi signifikan, atau RE benar-benar berpengaruh
secara signifikan terhadap KE.

50