MODUL PELATIHAN

(Statistical Package for the Social Sciences)

BASIC – PERTEMUAN I

OLEH :

NURJANNAH, S.Si

(Staf Pengajar Program Studi Statistika Univ. Brawijaya Malang)

Melbourne
Autumn, 2008
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

BAB I
PENDAHULUAN

A. LATAR BELAKANG

Dalam banyak kasus, orang sering enggan menyelesaikan permasalahan-permasalahan

yang berkaitan dengan statistika. Hal ini terjadi karena secara umum, orang mengetahui bahwa
statistika adalah ilmu yang sulit dan penuh rumus-rumus matematika yang tidak mudah
dipahami. Namun, kita tidak bisa memungkiri dan telah mengetahui bersama bahwa statistika
merupakan salah satu ilmu yang banyak digunakan dan dibutuhkan dalam penelitian,
pengambilan keputusan, dan penentuan kebijakan yang berbasis data dan fakta sebagai
informasi di berbagai bidang. Oleh karena itu, para peneliti mau tidak mau harus memahami
statistika walaupun tidak melalui pemodelan dasar matematikanya, tetapi menguasai ciri dan
karakteristik serta persyaratan cukup dari penggunaan metode-metode statistik yang dibarengi
oleh penguasaan pengetahuan struktur data setiap metode pada paket program statistika yang
memfasilitasinya.
Kini, permasalahan-permasalahan statistika bukan suatu masalah rumit karena seiring
dengan perkembangan teknologi komputer, pekerjaan statistik sangat terbantu dengan adanya
program aplikasi komputer untuk statistik yang kini sudah banyak dipasarkan. Komputer sangat
membantu membantu pekerjaan statistik, terutama dalam melakukan perhitungan statistik yang
menggunakan rumus-rumus matematika yang rumit dan banyak data. SPSS merupakan salah
satu program aplikasi untuk analisis statistik yang sudah cukup diakui.

B. PENGANTAR STATISTIKA

Statistika adalah : Ilmu dan atau seni yang berkaitan dengan tata cara (metode)
pengumpulan data, analisis data, dan interpretasi hasil analisis untuk mendapatkan
informasi sebagai landasan di dalam pengambilan keputusan dan penarikan kesimpulan.

Dengan merujuk pada definisi tersebut, maka peranan statistika dapat diilustrasikan seperti pada
bagan berikut :

Gambar 1.1 Peranan Statistika dalam proses penelitian

P age |1
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Ciri pokok statistika adalah merupakan pendekatan kuantitatif, yaitu menghendaki data bersifat
numerik. Sehingga data kualitatif harus dirubah ke bentuk numerik (dengan cara memberikan
skor).
Statistika merupakan alat yang memberikan obyektivitas dan ketelitian pengamatan, dan
keuntungan berpikir statistika adalah :

Lebih mementingkan fakta dari pada konsep (teori) yang bersifat abstrak ataupun
prasangka/perasaan.

Tidak mengekspresikan fakta ke dalam perasaan atau ide. Menggunakan gambaran yang
diturunkan dari hasil pengamatan (data) spesifik.

Di dalam hasil pengamatan terdapat variasi yang merupakan bagian yang tersembunyi, dan
mencari bagian tersembunyi ini merupakan tujuan puncak pengamatan.

D. VARIABEL PENELITIAN
Sebelum ke pembahasan lebih lanjut, agar memiliki persepsi yang sama, maka akan
diuraikan pengertian tentang variabel dan data. Untuk mempermudah memahami pengertian
variabel dan data, perhatikan ilustrasi pada Tabel 1.1 berikut.

Tabel 1.1 . Beberapa obyek penelitian, sifat-sifat yang dimiliki dan datanya
Obyek Karakteristik Hasil amatan
Petani - Agama - Islam
- Umur - 50 tahun
- Pendidikan - SLTA

Perusahaan A - Modal - Satu milyar Rp

- Aset - 1.2 milyad Rp
- Bentuk - Perorangan

Puskesmas - Kinerja Manajerial - Skala Likert

- Kepuasan Pasien - Skala Likert
- Kepuasan Karyawan - Skala Likert
Di dalam statistika Karakteristik yang relevan
disebut : dengan permaslahan : Tunggal = Datum
Obyek kajian Variabel atau peubah Jamak = Data

Merujuk pada tabel di atas, variabel dapat didefinisikan sebagai karakteristik atau sifat dari
obyek kajian, yang mana data diamati atau diukur atau dicacah dari padanya. Namun demikian
tidak semua karakteristik yang melekat pada suatu obyek mesti merupakan variabel penelitian,
akan tetapi hanyalah karakteristik yang mempunyai relevansi dengan permasalahan penelitian
disebut variabel.
Ditinjau dari keberadaan, keterkaitan dan struktur pengaruhnya di dalam hipotesis
(permasalahan) penelitian, variabel dapat dibedakan menjadi intraneous dan extraneous
variables. Intraneous variables adalah variabel yang tercakup di dalam hipotesis penelitian.
Sedangkan extraneous variables adalah variabel yang tidak tercakup di dalam hipotesis
penelitian, akan tetapi memiliki kontribusi pengaruh terhadap variabel dependen

P age |2
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Intraneous variables meliputi :

(1) Variabel tergantung (dependent variables), adalah suatu variabel yang tercakup di
dalam hipotesis penelitian, yang keragamannya (variabilitasnya) ditentukan atau
tergantung atau dipengaruhi oleh variabel lainnya.
(2) Variabel bebas (independent variables), adalah suatu variabel tercakup di dalam hipotesis
penelitian, yang keragamannya sebagai akibat dari manipulasi atau intervensi
peneliti atau merupakan suatu keadaan atau kondisi atau fenomena yang ingin
diselidiki, diteliti atau dikaji. Variabel ini mempengaruhi variabel tergantung.
(3) Variabel antara atau variabel intervening (intervene variables) adalah variabel yang
bersifat menjadi perantara (mediating) dari hubungan variabel bebas ke variabel
tergantung. Sifatnya dapat memperlemah atau memperkuat hubungan antara variabel
bebas dengan variabel tergantung.
(4) Variabel Moderator adalah variabel yang bersifat memperkuat atau memperlemah
pengaruh variabel bebas terhadap variabel tergantung.

Extraneous variables meliputi :

(1) Variabel pembaur (confounding variables), adalah suatu variabel dalam penelitian yang
tidak tercakup dalam hipotesis penelitian, akan tetapi muncul dalam penelitian dan
berpengaruh terhadap variabel tergantung. Pengaruhnya mencampuri atau berbaur dengan
variabel bebas. Suatu penelitian biasanya ingin mengetahui pengaruh variabel bebas
terhadap variabel tergantung, yang tentunya pengaruh tersebut harus terbebas dari
berbaurnya pengaruh variabel-variabel lain.
(2) Variabel kendali (control variables), adalah variabel pembaur (cofounding) yang
pengaruhnya dapat dikendalikan. Pengendalian dapat diakukan dengan cara blocking, yaitu
mengelompokkan obyek penelitian menjadi kelompok-kelompok yang relatif homogen. Cra
kedua adalah melalui kriteria ekalusi-inklusi, yaitu mengeluarkan obyek yang tidak memenuhi
kriteria (ekslusi) dan mengambil obyek yang memenuhi kriteria untuk diikutkan dalam sampel
penelitian (inklusi).
(3) Variabel penyerta (concomitant variables), adalah variabel pembaur (cofounding) yang
tidak dapat dikendalikan, sehingga tetap menyertai (terikut) dalam proses penelitian.
Konsekuensinya, data tersebut harus diamati. Pengaruh baurnya dihilangkan (dieliminasi)
pada tahap analisis data, misalnya dengan ANCOVA atau MANCOVA.

Bilamana variabel penelitian telah ditentukan, kemudian harus dibuat definisi operasional
variabel secara tegas dan tajam dengan merujuk pada teori dan konsep yang relevan. Langkah
berikutnya, data collecting dapat dilakukan.
Suatu penelitian dapat memiliki seluruh jenis variabel tersebut, atau hanya memiliki
sebagian saja. Terlibatnya seluruh variabel atau tidak membawa konsekuensi terhadap metode

P age |3
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

analisis data yang akan digunakan. Dengan kata lain, perlu dilakukan pemilihan metode
analisis yang tepat sehubungan dengan jenis dan jumlah variabel yang akan dianalisis.

E. DATA PENELITIAN

D a t a adalah bentuk jamak dari kata datum (Bahasa Latin) yang artinya kurnia atau
pemberian atau penyajian. Dalam kontek statistika, data diartikan sebagai berikut :
Data adalah kumpulan angka, fakta, fenomena atau keadaan atau lainnya yang merupakan hasil
pengamatan, pengukuran, atau pencacahan dan sebagainya terhadap variabel dari suatu obyek
kajian, yang berfungsi dapat digunakan untuk membedakan obyek yang satu dengan lainnya
pada variabel yang sama.

a) Jenis data berdasarkan sifat kekontinyuannya

Berdasarkan sifat kekontinyuannya, data hasil pengamatan dapat dibedakan menjadi
data diskrit dan kontinyu.

(1) Data diskrit, adalah data yang hanya dapat menempati titik-titik tertentu pada sebuah garis.
Misal : jumlah anak = 0 1 2 3 4 5 6

0 1 2 3 4
--+-------+--------+--------+--------+--------+--
(hanya dapat menempati +)

(2) Data kontinyu, adalah data yang dapat menempati seluruh titik pada sebuah garis. Misal :
Data Pendapatan Per Kapita Per Bulan = 150 ribu rupiah sampai dengan 2 juta rupiah
++++++++++++++++++++++++++++++++++
150 ribu rupiah 2 juta rupiah
(seluruh titik dapat ditempati data pendapatan)

b) Jenis Data Berdasarkan Skala Ukurnya

Berdasarkan skala ukurnya, data dapat dibedakan menjadi data nominal, ordinal, interval dan
ratio.

(1) Data nominal, adalah data yang hanya mengandung unsur penamaan (Bahasa Latin, nomos =
nama). Misal :

Bntuk Perusahaan Skor yang mungkin

PT 1 3 2
CV 2 2 1
Perorangan 3 1 3

P age |4
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Statistika adalah pendekatan kuantitatif, sehingga data nominal yang bersifat kualitatif harus
dirubah menjadi bentuk numerik, dengan cara pemberian skor (skoring).
Perhatikan : pemberian skor data nominal bersifat sembarang, yaitu hanya sekedar untuk dapat
membedakan (penamaan saja) sehingga dapat dibolak-balik.

(2) Data ordinal, adalah data yang selain mengandung unsur penamaan juga memiliki unsur urutan
(order = urutan). Misal :

Sikap Skor yang mungkin

Sangat setuju 4 1
Setuju 3 2
Kurang setuju 2 3
Tidak setuju 1 4

Perhatikan dengan seksama pembuatan skor antara data nominal dan ordinal, dimana untuk data
nominal skor tersebut dapat dibuat sembarang yaitu hanya sekedar dapat mebedakan. Akan
tetapi untuk data ordinal, urutan angka dalam skor menunjukkan arah tingkatan. Pada data
ordinal ini, interval (selang)-nya tidak mempunyai arti (tidak bermakna); misalnya selisih antara
skor 4 dengan 2 adalah 2 dan selisih antara 3 dengan 1 adalah 2, yang mana 2 dengan 2 arti
dan maknanya tidak sama.
(3) Data interval, adalah data yang selain mengandung unsur penamaan dan urutan juga memiliki
sifat interval (selang)-nya bermakna. Di samping itu, data ini memiliki ciri angka nol-nya tidak
mutlak. Misal :

Indeks Prestasi Suhu (oC) IHK

0 0 100
1 10 115
2 20 120
3 30 120
4 40 140

Perhatikan bahwa 0 pada Indeks Prestasi barangkali akan setara dengan < 30 untuk skala nilai 1
– 100; dan 0 pada suhu dengan derajat Celcius = 32 oF. Ratio dari data ini tidak memiliki
o
makna, misal IP 4 bukan berarti pintarnya sama dengan dua kali IP 2, demikian halnya suhu 40
C bukan berarti panasnya ½ dari suhu 80o C.

(4) Data ratio, adalah data yang memiliki unsur penamaan, urutan, intervalnya bermakna dan angka
nolnya mutlak, sehingga rationya mempunyai makna. Misal :
Pendapatan Panjang Jalan
($) (km)
21 120
45 140
70 160

P age |5
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Disebut nol-nya mutlak sebab memang tidak akan ada benda (jalan) yang panjangnya nol
kilometer. Pendapatan 0 berarti tidak menghasilkan pendapatan sama sekali.
Jika kedua klasifikasi data tersebut dikombinasikan, maka akan diperoleh seperti pada Tabel 1.2
sebagai berikut.
Tabel 1.2. Kaitan antara skala ukur data dengan sifat kekontinyuannya

DISKRIT KONTINYU

NOMINAL V

ORDINAL V

INTERVAL V V

RATIO V V
Keterangan : V = bersesuaian

α) dan p-value
F. Taraf Nyata (α

Taraf nyata α adalah peluang menolak Ho yang pada hakekanya benar, disebut peluang salah
jenis tipe I.
α = P(Ho ditolak Ho benar).
Secara pragmatis, alpha didefinisikan sebagai resiko salah dalam penarikan kesimpulan penelitian.
Dengan memperkecil α , berarti memperkecil resiko salah dalam penarikan kesimpulan. Hal ini
dapat ditempuh dengan jalan memperkecil kesalahan (ketidakpastian) dalam setiap langkah
rangkaian analisis data inferensial. Untuk memahami lebih lanjut mengenai α, dapat diperhatikan
ilustarasi di bawah ini.
Pelaksanaan pelatihan terhadap karyawan diharapkan dapat meningkatkan kinerjanya. Untuk itu
dilakukan penelitian dengan mengajukan hipotesis statistika:
Ho : µb = µs lawan
H1 : µb < µs .
Dalam hal ini µb = kinerja sebelum dilakukan pelatihan dan µs = kinerja sesudah dilakuan pelatihan.
Katakanlah hasil pengujian cukup bermakna, dengan p = 0.027. Interpretasi : Pelatihan dapat
meningkatkan kinerja karyawan. Dimana kesimpulan tersebut mengandung resiko salah sebesar 2.7
%. Arti pragmatisnya : Seandainya akan dilakukan pelatihan terhadap 1000 karyawan, maka
berdasarkan hasil penelitian tersebut dimungkinkan 27 orang kinerjanya tidak meningkat.

Perbedaan antara α dengan p-value

Besarnya α ditetukan berdasarkan konvensi (kesepakatan) para ahli, yaitu 1 % untuk penelitian
yang sifatnya kritis dan 5 % untuk yang kurang kritis. Nilai (titik) kritis beberapa statistik uji,
2
misalnya t, F, Z dan χ , pada alpha 1 % , 5 %, atau 10 % telah dihitung dan di tabelkan. Sehingga
pengguna statistika tidak perlu sulit-sulit menghitungnya sendiri. Hal ini dilatarbelakangi oleh kendala

P age |6
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

sulitnya prosedur perhitungan tersebut, terutama sebelum berkembangnya komputer. Untuk jelasnya
perhatikan uraian berikut. Untuk menghitung atau p pada statistik t dengan nilai thitung = 2.288 pada
derajat bebas (db) = 10, adalah :

+∞ (10 +1)
∫
1
2.288  1 10 
1+ t2 ( )−
2 dt = 0.05
Β ,  10
2 2 
dalam hal ini B(__,__) adalah fungsi Beta. Dengan kata lain untuk thit = 2.288 dengan db=10
diperoleh p = 0.05; atau dengan α = 0.05 dan db=10 diperoleh ttabel = 2.288.
Oleh karena itu sebelum komputer berkembang, para ahli menggunakan mesin hitung yang
telah ada untuk menghitung permasalahan tersebut, dan hasilnya dituangkan dalam Tabel. Kaidah
pengujiannya adalah jika thit > ttabel pada α tertentu, maka tolak Ho, dan sebaliknya. Kelemahannya
adalah tidak bisa memberikan informasi resiko salah secara eksak. Jadi seandainya p yang
sebenarnya = 0.017 , dan pada uji konvensional digunakan α = 0.05 maka resiko salah dalam
penarikan kesimpulan adalah 5 %, yang sebenarnya secara eksak adalah 1.7 %.
Dengan berkembangnya komputer, perhitungan nilai p untuk beberapa statistik uji dapat
dengan mudah dan cepat dilakukan. Umumnya dinyatakan dalam notasi p-value atau p saja atau
Sig. (di SPSS). Dengan demikian dapat dikatakan bahwa p adalah berupa signifikansi aktual,
sedangkan alpha adalah signifikansi batas. Berdasarkan taraf uji aktual yang merujuk pada p-value,
maka keputusan uji hipotesis akan berbunyi :

Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 %.

Mengenai berapa besar nilai p yang masih dapat ditolerir sangat tergantung dari tingkat kekritisan
penelitian dan kepentingan pengguna hasil penelitian.

Berdasarkan uraian tersebut, dapat dikatakan bahwa kesimpulan yang ditarik berdasarkan uji
statistik tidak pernah bersifat benar mutlak. Misal : jika pengujian secara statistik mendapatkan
bahwa obat O dapat menyembuhkan penyakit S, dengan p = 0.02, maka tidak semua penderita
penyakit S yang diobati O pasti sembuh, akan tetapi dimungkinkan 98 % sembuh dan 2 % tidak
sembuh. Oleh karena itu kesimpulan statistika tidak pernah dogmatis.

P age |7
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

BAB II
STATISTIKA DESKRIPTIF

A. STATISTIKA DISKRIPTIF

Statistika diskriptif merupakan bagian statistika yang membahas tentang penataan dan
deskripsi (gambaran) data sehingga informasi yang terkandung dalam data mudah dipahami dengan
sajian yang lebih menarik. Ada beberapa cara mendeskriptifkan data antara lain dengan histogram,
h
pie chart, boxplot (dalam bentuk grafik) dan cara mengukur dengan nilai rata-rata,
rata rata, variance dll.

Buka data SPSS deskriptif.. Data tersebut adalah hasil penelitian mengenai analisis faktor yang
mempengaruhi pembelian kartu Mentari pada PT. Satelit Palapa Indonesia Surabaya dari 100
responden yang diambil sebagai sampel. Adapun data dalam worksheet adalah sebagai berikut:
- usia, adalah usia responden
- k.usia,, adalah kelompok usia responden (15-25
(15 tahun, 25-34 tahun, 35-43
43 tahun)
- pddk, adalah tingkat
kat pendidikan responden (SLTP, SMU, Sarjana)
- lama,, adalah lama penggunaan kartu Mentari (dalam bulan)
- k.lama,, adalah kelompok lama penggunaan (< 1 tahun, 1-2
1 tahun, 2-3
3 tahun, >3 tahun)
- phsl,, adalah penghasilan/bulan responden (dalam juta rupiah)
- k.phsl,, adalah kelompok penghasilan responden (<1juta, 1-1,5juta,
1 1,5-2juta,
2juta, >2juta)
- jangkau,, adalah penilaian responden terhadap daya jangkau (sangat luas, luas, cukup luas, dan
kurang luas)
- signal,, adalah penilaian responden terhadap kekuatan signal (sangat kuat, kuat, cukup kuat, dan
kurang kuat)
- suara,, adalah penilaian responden terhadap kualitas suara (sangat baik, baik, cukup baik, kurang
baik)

Histogram
Misalkan kita ingin membuat histogram data penghasilan responden
Pilih menu Graph > Histogram
Lalu isi Variable:: phsl, hidupkan display normal curve, tekan OK

P age |8
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Pie Chart
Misalkan kita ingin membuat pie chart data pendidikan responden
Pilih menu Graph > Pie
cases lalu define
Pilih Summary for groups of cases,
Kemudian masukkan define slices:
slices pddk, tekan OK

Box Plot
Misalkan kita ingin membuat Box Plot data lama penggunaan kartu mentari oleh responden
Pilih menu Graph > Boxplot
Variables lalu define
Pilih Summaries of Separate Variables,
Kemudian masukkan Boxes Represent:
Represent lama, tekan OK

Deskriptif Ukur
Misalkan kita ingin membuat statistika deskriptif data usia responden
Pilih menu Analyze > Descriptive Statistics > Descriptive
Kemudian masukkan variables:
variables usia, tekan option,, dan pilih statistik yang dibutuhkan, misalkan
hidupkan range, lalu OK

P age |9
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Descriptive Statistics

N Range Minimum Maximum Mean Std. Deviation

USIA 100 28 15 43 25,38 7,663
Valid N (listwise) 100

Deskriptif Frekuensi
Misalkan kita ingin membuat distribusi frekuensi hasil penilaian responden terhadap daya jangkau,
kekuatan signal, dan kualitas suara kartu Mentari
Pilih menu Analyze > Descriptive Statistics > Frequencies
Kemudian masukkan variables: jangkau, tekan OK

JANGKAU

Cumulative
Frequency Percent Valid Percent Percent
Valid kurang luas 26 26,0 26,0 26,0
cukup luas 46 46,0 46,0 72,0
luas 19 19,0 19,0 91,0
sangat luas 9 9,0 9,0 100,0
Total 100 100,0 100,0

Dari 100 responden, 26% menyatakan daya jangkau Mentari masih kurang luas, 46% menyatakan
cukup puas, 19% menyatakan luas, dan 9% menyatakan sangat luas. dan seterusnya.

B. STATISTIKA INFERENSIAL

Statistika inferensial merupakan bagian statistika yang membahas tentang inferensi statistika
(statistika kesimpulan), sehingga dari data sampel yang diperoleh dapat digunakan untuk
menyimpulkan tentang populasinya dengan tingkat kebenaran atau tingkat kesalahan yang dapat
diketahui. Proses statistika adalah deduktif yaitu dari data sebagian (sampel) dapat digunakan untuk
menyimpulkan data keseluruhan (populasi) sehingga kebenarannya tidak dapat 100% atau pasti
terjadi resiko kesalahan dalam menyimpulkan populasi. Secara umum statistika inferensia ada 2 yaitu
statistika inferensia parametrik (data terukur pasti dan mempunyai sebaran normal) dan statistika
inferensia nonparametrik (data tak terukur pasti atau terukur pasti tetapi tidak memiliki sebaran
normal walaupun dengan transformasi). Dengan demikian, statistika inferensia parametrik bersyarat
data terukur pasti dan memiliki sebaran normal. Sedangkan statistika inferensia nonparametrik
bersyarat data tak terukur pasti (kategori, nominal dan ordinal) atau terukur pasti tetapi sebarannya
tak normal walaupun dengan transformasi.

1. Uji Kenormalan
Uji ini digunakan untuk mengetahui apakah sebaran data yang diamati mempunyai sebaran
normal atau bukan agar dapat ditentukan statistika inferensia yang tepat. Kriteria pengujiannya

P a g e | 10
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

adalah jika sig. > α maka data yang diamati normal dan sebaliknya jika sig. ≤ α maka data yang
diamati tidak normal.

Contoh menggunakan data penghasilan responden pada data deskriptif

Apakah data penghasilan responden menyebar normal ?
Pilih menu Analyze > Descriptive Statistics > Explore
Kemudian masukkan Dependent List: phsl, buka plots kemudian beri cek pada Normality with
test, continue dan OK

Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
PHSL ,081 100 ,106 ,972 100 ,032
a. Lilliefors Significance Correction

Berdasarkan uji kenormalan data dengan menggunakan Uji Kolmogorov-Smirnov diperoleh informasi
bahwa data penghasilan mempunyai sebaran normal karena
sig. > α (0,106 > 0,05)

2. Statistika Inferensi parametrik untuk 1 Populasi

Menggunakan uji t. Uji ini digunakan untuk mengetahui apakah rata-rata populasi sesuai
dengan spesifikasi yang ditetapkan berdasarkan data sampelnya, di mana ragam populasi tidak
diketahui dari data yang mempunyai sebaran normal.

Misalkan ingin menguji apakah data penghasilan responden dapat disimpulkan rata-rata penghasilan
seluruh pelanggan kartu Mentari sebesar 1 juta?
Hipotesis
Ho : µ = 1 juta
lawan
H1 : µ ≠ 1 juta
Maka statistik ujinya adalah :

x−µ
t test =
s/ n
Selang kepercayaannya :

P( x − ts / n < µ < x + ts / n ) = 1 − α
dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas (n-1), dan s adalah :

(x i − x ) 2
s= ∑
i n −1

P a g e | 11
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Cara melakukan analisis dengan SPSS adalah sbb :

Pilih menu Analyze > Compare Means > One sample T test
Kemudian masukkan Test variable: phsl, Test value: 1, tekan OK

One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
PHSL 100 1,501 ,5544 ,0554

One-Sample Test

Test Value = 1
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
PHSL 9,037 99 ,000 ,501 ,391 ,611

Hasil SPSS ini berarti :

Rata-rata penghasilan dari 100 responden adalah 1,501 juta. Kesimpulan ini mempunyai p-value
sebesar 0,000=0,00%, berarti dapat dijelaskan disini adalah benar bahwa adalah tidak benar rata-
rata penghasilan adalah 1 juta. Dilihat dari rata-ratanya disini, nilai rata-rata masih jauh di atas 1 juta.

C. Statistika inferensi parametrik untuk 2 populasi

C.1. Dua populasi bebas (Independent)

Dua populasi dikatakan bebas (independen) jika dua populasi tersebut mempunyai
karakteristik yang berbeda.
Contohnya dari data uji t 2 bebas. Data ini berisi hasil penelitian Upaya meningkatkan kemampuan
penguasaan membaca pemahaman siswa sebuah SLTP melalui pola latihan SQ3R. Diambil dua kelas,
kelas pertama (30 siswa) menggunakan metode biasa, sedangkan kelas kedua (30 siswa)
menggunakan metode pola latihan SQ3R.
Statistik uji dan hipotesisnya adalah
H0 : µ1=µ2 atau H0 : µ1-µ2 = 0 lawan H1: µ1≠µ2
Uji statistiknya :
- Untuk ragam kedua populasi sama :

x1 − x 2 (n 1 − 1)s12 + (n 2 − 1)s 22
t test = 2
s gab =
1 1 n1 + n 2 − 2
2
s gab ( + )
n1 n 2
- Untuk ragam kedua populasi berbeda :

x1 − x 2
t test =
s12 s 22
( + )
n1 n 2

P a g e | 12
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

- Selang kepercayaan untuk ragam kedua populasi sama

1 1 1 1
P(( x 1 − x 2 ) − t s gab
2
( + < µ1 − µ 2 < ( x 1 − x 2 ) + t s gab
2
( + ) = 1− α
n1 n 2 n1 n 2
dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas sebesar (n1+n2-2)
- Selang kepercayaan untuk ragam kedua populasi berbeda

s12 s 22 s2 s2
P(( x 1 − x 2 ) − t + < µ1 − µ 2 < ( x 1 − x 2 ) + t 1 + 2 ) = 1 − α
n1 n 2 n1 n 2
dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas v sebesar

(s12 / n 1 + s 22 / n 2 ) 2
v= 2 −2
(s1 / n 1 ) 2 (s 22 / n 2 ) 2
+
(n 1 + 1) (n 2 + 1)
Hipotesis nol ditolak jika nilai sig t ≤ α 0,05, sebaliknya hipotesis nol diterima jika nilai sig t > α 0,05.

Dari data di atas yaitu data nilai yaitu data nilai akhir siswa bak di kelas pertama maupun
kelas kedua (digabung), data kelas adalah data kelas di mana siswa ditempatkan, apakah kelas
pertama (kelas biasa) atau kelas kedua (kelas sq3r).

Cara melakukan analisis dengan SPSS adalah sebagai berikut

Pilih menu Analyze > Compare Means > Independent samples T test
Kemudian masukkan Test variable: nilai, Define groups: group 1: biasa, group 2: sq3r, tekan OK

Group Statistics

Std. Error
KELAS N Mean Std. Deviation Mean
NILAI biasa 30 58,1973 5,34223 ,97535
sq3r 30 75,6117 4,05790 ,74087

Independent Samples Test

Levene's
Test for
Equality of
Variances t-test for Equality of Means
95%
Confidence
Interval of the
Sig. Mean Std. Error Difference
F Sig. t df (2-tailed) Difference Difference Lower Upper
NILAI Equal variances
,620 ,434 -14,2 58 ,000 -17,4143 1,22483 -19,87 -14,96
assumed
Equal variances
-14,2 54 ,000 -17,4143 1,22483 -19,87 -14,96
not assumed

P a g e | 13
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Hasil SPSS berarti :

Rata-rata nilai akhir siswa kelas biasa adalah 58,20, dan kelas eksperimen adalah 75,61. Dari hasil
pengujian Levene`s test untuk kesamaan ragam, diperoleh nilai sig F sebesar 0,434 (sig > α 0,05)
sehingga dapat disimpulkan bahwa kedua populasi berasal dari ragam sama.
Karena kedua ragam sama, maka menggunakan uji t pada baris pertama (equal variances assumed),
diperoleh nilai sig t sebesar 0,000 yang berarti nilai sig t < α 0,05, maka H0 ditolak, artinya terdapat
perbedaan nilai akhir siswa kelas biasa dan kelas eksperimen. Karena nilai rata-rata kelas eksperimen
lebih tinggi, maka metode ini cukup berhasil untuk meningkatkan kemampuan siswa.

C.2. Dua populasi dependen (dua populasi berpasangan)

Dua populasi dikatakan berpasangan adalah jika dua populasi tersebut diamati secara
berpasangan pada setiap pengamatan. Umumnya dua populasi berpasangan ini dimiliki oleh suatu
data yang sifatnya sebelum dan sesudah sehingga setiap obyek yang sama diamati sebelum treatmen
(populasi 1) dan sesudah treatmen (populasi 2). Dapat juga dari obyek yang berbeda tetapi cara
mengamatinya secara berpasang-pasangan.

Statistik uji dan hipotesisnya sebagai berikut :

H0 : µA=µB atau H0 : µA-µB = 0 lawan H1: µA≠µB

Statistik ujinya :

D
t test =
sD / n
di mana Dj = | XAji– XBi | , dengan selang kepercayaannya :

P(D − ts D / n < µ A − µ B < D + ts D / n ) = 1 − α

dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas (n-1) dan s adalah :

( D i − D) 2
sD = ∑i n − 1
Contoh:
Data uji t2 berpasangan. Data ini merupakan penelitian yang ingin menguji perbedaan persepsi
konsumen terhadap makanan tradisional (soto, rawon, dan lain-lain) dengan makanan modern (McD,
Kentucky, dan lain-lain) pada penilaian kualitas produk (data prd.tra dan prd.mod), harga (data
hrg.tra dan hrg.mod), selera (data slr.tra dan slr.mod), dan kualitas pelayanan (data ply.tra dan
ply.mod). Skala yang diukur berupa angka 1 (sangat tidak baik), sampai angka 5 (sangat baik),
Misalkan kita ingin menguji apakah terdapat perbedaan kualitas produk makanan tradisional dan
makanan modern.

Pilih menu Analyze > Compare Means > Paired-samples T tes

Kemudian masukkan Paired variable: prd.tra dan prd.mod, tekan OK

P a g e | 14
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair PRD.TRAD 4,06 108 ,600 ,058
1 PRD.MOD 2,39 108 ,884 ,085

Paired Samples Correlations

N Correlation Sig.
Pair 1 PRD.TRAD & PRD.MOD 108 ,128 ,186

Paired Samples Test

Paired Differences
95% Confidence
Std. Interval of the
Std. Error Difference Sig.
Mean Deviation Mean Lower Upper t df (2-tailed)
Pair 1 PRD.TRAD - PRD.MOD 1,68 1,003 ,097 1,48 1,87 17,363 107 ,000

Hasil SPSS ini berarti :

Penilaian konsumen terhadap kualitas produk makanan tradisional memiliki rata-rata 4,06 (4 =
klasifikasi baik), sedangkan kualitas produk makanan modern memiliki rata-rata 2,39 (2 = klasifikasi
tidak baik). Hasil pengujian diperoleh nilai sig t < α (0,05), artinya H0 ditolak, berarti terdapat
perbedaan yang sangat nyata antara kualitas produk makanan tradisional dan makanan modern.

D. Uji Instrumentasi Penelitian

Tidak sedikit penelitian di bidang sosial menggunakan instrumen kuesioner sebagai alat
pengambilan data. Untuk itu, sebelum dilakukan analisis statistika inferensial, terlebih dulu dilakukan
uji instrumentasi, yaitu uji validitas dan reliabilitas.

D.1. Uji Validitas

Validitas menunjukkan sejauh mana alat pengukur untuk mengukur apa yang diukur. Hasil
penelitian yang valid bila terdapat kesamaan antara data yang terkumpul dengan data yang
sesungguhnya terjadi pada obyek yang diteliti.
Valid tidaknya suatu item instrumen dapat diketahui dengan membandingkan indeks korelasi
product moment Pearson dengan level signifikansi 5% dengan nilai kritisnya, di mana r dapat
digunakan rumus:

N ∑ XY − (∑ X )(∑ Y )
(N∑ X )( )
rxy =
− (∑ X ) N ∑ Y 2 − (∑ Y )
2 2 2

Keterangan :
rxy = indeks korelasi pearson n = banyaknya sampel
X = skor item pertanyaan Y = skor total item pertanyaan

P a g e | 15
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Bila nilai signifikansi (sig) hasil korelasi lebih kecil dari 0,05 (5%) maka dinyatakan valid dan
sebaliknya dinyatakan tidak valid (artinya butir pertanyaan tersebut gugur).

Sebagai ilustrasi menggunakan data valid reliabel. Data ini merupakan kutipan dari sebuah
penelitian mengenai kualitas produk makanan, di mana X1 (Produk), dengan butir-butir pertanyaan:
Tampilan (X11), Dapat dipercaya (X12), Kelengkapan (X13), Konsistensi (X14), dan Keawetan (X15).

Untuk menguji validitas, pilih menu Analyze > Correlate > Bivariate
Kemudian masukkan Variables: X1, X11, X12, X13, dan X14, Coefficien Correlation pilih Pearson,
tekan OK

Hasil pengujian korelasi pearson antara masing-masing butir pertanyaan dengan total butir
pertanyaan (X1), dapat dilihat pada kolom X1 atau baris X1 (hasil keduanya sama). Hasil uji validitas
adalah sebagai berikut:
- Butir pertanyaan 1 (X11, tampilan), besar korelasi 0,813 dengan signifikansi 0,000. Karena nilai
sig < α 0,05 maka butir ini dinyatakan valid.
- Butir pertanyaan 2 (X12, dapat dipercaya), besar korelasi 0,752 dengan signifikansi 0,000.
Karena nilai sig < α 0,05 maka butir dinyatakan valid.
- Butir pertanyaan 3 (X13, kelengkapan), besar korelasi 0,762 dengan signifikansi 0,000. Karena
nilai sig < α 0,05 maka butir ini dinyatakan valid.
- Butir pertanyaan 4 (X14, konsistensi), besar korelasi 0,799 dengan signifikansi 0,000. Karena
nilai sig < α 0,05 maka butir ini dinyatakan valid.
- Butir pertanyaan 5 (X15, keawetan), besar korelasi 0,676 dengan signifikansi 0,000. Karena nilai
sig < α 0,05 maka butir ini dinyatakan valid.
Output SPSS:

Correlations

X1 X11 X12 X13 X14 X15

X1 Pearson Correlation 1 ,813** ,752** ,765** ,799** ,676**
Sig. (2-tailed) . ,000 ,000 ,000 ,000 ,000
N 108 108 108 108 108 108
X11 Pearson Correlation ,813** 1 ,483** ,583** ,507** ,442**
Sig. (2-tailed) ,000 . ,000 ,000 ,000 ,000
N 108 108 108 108 108 108
X12 Pearson Correlation ,752** ,483** 1 ,412** ,502** ,381**
Sig. (2-tailed) ,000 ,000 . ,000 ,000 ,000
N 108 108 108 108 108 108
X13 Pearson Correlation ,765** ,583** ,412** 1 ,483** ,516**
Sig. (2-tailed) ,000 ,000 ,000 . ,000 ,000
N 108 108 108 108 108 108
X14 Pearson Correlation ,799** ,507** ,502** ,483** 1 ,506**
Sig. (2-tailed) ,000 ,000 ,000 ,000 . ,000
N 108 108 108 108 108 108
X15 Pearson Correlation ,676** ,442** ,381** ,516** ,506** 1
Sig. (2-tailed) ,000 ,000 ,000 ,000 ,000 .
N 108 108 108 108 108 108
**. Correlation is significant at the 0.01 level (2-tailed).

P a g e | 16
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

D.2. Uji Reliabilitas

Reliabilitas adalah indek yang menunjukkan sejauh mana suatu alat pengukur dapat
dipercaya atau dapat diandalkan. Untuk menguji digunakan Alpha Cronbach dengan rumus :

 k  ∑ σ b 
2

r11=   1− 
 k − 1  σt 
2

Di mana :
r11 = koefisien alpha cronbach
k = banyaknya butir pertanyaan atau banyaknya soal
2
∑σb = jumlah varians butir
σt2 = varians total
Instrumen dapat dikatakan andal (reliabel bila memiliki koefisien keandalan reliabilitas
sebesar 0,6 atau lebih (Arikunto 1993). Arikunto (1993) menentukan kriteria indek reliabilitas adalah
sebagai berikut :
Kriteria Indeks kofiesien reliabilitas
No. Interval Kriteria
1. <0,200 sangat rendah
2. 0,200-0,399 Rendah
3. 0,400-0,599 Cukup
4. 0,600-0,799 Tinggi
5. 0,800-1,00 sangat tinggi

Uji reliabilitas yang digunakan adalah dengan Alpha Cronbach. Bila alpha lebih kecil dari 0,6 (minimal
memiliki kriteria tinggi) maka dinyatakan tidak reliabel dan sebaliknya dinyatakan reliabel.

Untuk menguji reliabilitas, pilih menu Analyze > Scale > Reliability Analysis
Kemudian masukkan Items: X11, X12, X13, dan X14, tekan OK

Reliability
****** Method 1 (space saver) will be used for this analysis ******

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)

Reliability Coefficients

N of Cases = 108,0 N of Items = 5

Alpha = ,8068

Diperoleh nilai alpha sebesar 0,8068. Karena nilai alpha > 0,6 maka variabel tersebut dinyatakan valid.

P a g e | 17
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

E. Statistika Inferensi parametrik

1. Analisis Korelasi
Analisis korelasi merupakan analisis keeratan hubungan linier antara variabel yang diamati
tanpa memperhatikan variabel dependen maupun independen. Nilai yang dihasilkan antara –1 sampai
dengan +1. Jika nilai dekat 1 berarti hubungan linier antara variabel sangat tinggi dan sebaliknya jika
nilainya dekat 0 maka hubungan linier antara variabel rendah. Tanda + menyatakan sifat hubungan
searah (+) dan tanda – menyatakan sifat hubungannya berbanding terbalik.
Uji signifikansi dari korelasi populasinya menggunakan kriteria p-value dari sebaran t di mana p-value
di dalam SPSS disebut dengan sig. (singkatan dari significant). Keputusan ada atau tidak adanya
korelasi antar variabel menggunakan kriteria sebagai berikut :
Jika sig. > α maka terima H0 artinya tidak ada korelasi antar variabel.
Jika sig. ≤ α maka tolak H0 artinya ada korelasi antar variabel.

Sebagai aplikasi digunakan data correlation, yang berisi sebuah penelitian di bidang psikologi, yaitu
menguji apakah terdapat hubungan antara Indonesian Adaptation Self-Efficacy Scale (X1) dengan
Self-Management Leadership Questionnaire (X2)

Cara menganalisis dengan SPSS adalah sebagai berikut :

Pilih menu Analyze > Correlate > Bivariate
Kemudian masukkan Variables: smlq dan iases, tekan OK
Hasil analisis SPSS adalah

Correlations

SMLQ IASES
SMLQ Pearson Correlation 1 ,678**
Sig. (2-tailed) . ,000
N 36 36
IASES Pearson Correlation ,678** 1
Sig. (2-tailed) ,000 .
N 36 36
**. Correlation is significant at the 0.01 level
(2-tailed).

Hasil SPSS ini berarti :

- Ada korelasi linier antara Indonesian Adaptation Self-Efficacy Scale (X1) dengan Self-Management
Leadership Questionnaire (X2), karena nilai sig = 0,000 < 0,05. Karena besar korelasi positif (+0,678),
maka jika iases meningkat, maka smlq juga meningkat, demikian pula sebaliknya.

P a g e | 18
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

2. Analisis Regresi Linier Sederhana

Analisis regresi adalah analisis tentang bentuk hubungan linier antara variabel dependen
(respon) dengan variabel independen (prediktor). Apabila hanya melibatkan 1 variabel bebas
(independen) maka disebut analisis regresi linier sederhana.
Modelnya adalah :
Yi= β0 + β1X1i + εi
Sedangkan model sampelnya adalah

ŷ i = b 0 + b1 X1i
Untuk mengetahui apakah model sampel representatif terhadap model populasi maka diperlukan
pengujian terhadap parameter-parameter regresi tersebut berdasarkan nilai-nilai statistiknya dengan
cara uji serempak (menggunakan tabel analisis ragam (statistik uji F)) atau uji parsial dengan statistik
uji t.
Kriteria pengujiannya dengan p-value (sig.). Jika pengujian berdasarkan tabel ANOVA, maka : Jika
sig. > α maka terima H0 berarti tidak ada hubungan linier antar variabel. Dan sebaliknya, jika sig. ≤
α maka tolak H0 berari minimal ada salah satu variabel bebas (prediktor) berhubungan linier dengan
variabel tak bebas (respon).
Apabila pengujian berdasarkan statistik uji t maka : Jika sig. > α maka terima H0 berarti pada
parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan tidak ada hubungan linier
dengan variabel respon. Dan jika sig. ≤ α maka tolak H0 berari pada parameter koefisien regresi yang
diuji (variabel X yang diuji) dinyatakan ada hubungan linier dengan variabel respon.

Data regresi sederhana adalah data hasil penelitian Pengaruh Kompensasi (Gaji) Terhadap Kinerja
Karyawan perusahaan X. Metode analisis yang digunakan pada penelitian ini adalah regresi linier
sederhana dengan rumus umum:
Y = b0+b1X1 + e
Dimana:
Y = Kinerja Karyawan
X1 = Gaji b0 = konstanta
b1 = koefisien regresi e = kesalahan pengganggu

Variabel Item
Gaji (X1) X11. Sistem pembayaran gaji
X12. Kesesuaian dengan peker-jaan
X13. Kesesuaian gaji dengan lama kerja
X14. Kesesuaian gaji tingkat pendidikan
X15. Kesesuaian gaji senioritas
X16. Pemenuhan kebutuhan po-kok

P a g e | 19
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Kinerja Karyawan (Y) Y1. Ketelitian kerja

Y2. Kebersihan kerja
Y3. Kerapian hasil kerja
Y4. Ketepatan waktu
Y5. Standar kerja

Untuk menguji regresi, pilih menu Analyze > Regression > Linear
Kemudian masukkan Dependent Variable: Y, Independent Variable: X1, klik Statistics pilih
Descriptive, tekan OK
Regression
Descriptive Statistics

Mean Std. Deviation N

Y 4,2775 ,74460 80
X1 3,5896 ,66606 80

Correlations

Y X1
Pearson Correlation Y 1,000 ,479
X1 ,479 1,000
Sig. (1-tailed) Y . ,000
X1 ,000 .
N Y 80 80
X1 80 80

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 X1a . Enter
a. All requested variables entered.
b. Dependent Variable: Y

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,479a ,230 ,220 ,65772
a. Predictors: (Constant), X1

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 10,057 1 10,057 23,249 ,000a
Residual 33,742 78 ,433
Total 43,800 79
a. Predictors: (Constant), X1
b. Dependent Variable: Y

P a g e | 20
-aNNa- Pelatihan SPPS by MIIS, Melb 2008

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2,355 ,406 5,806 ,000
X1 ,536 ,111 ,479 4,822 ,000
a. Dependent Variable: Y

Hasil SPSS ini berarti :

Dari nilai Adjusted R Square menunjukkan nilai sebesar 0,220 atau 22%. Artinya bahwa variabel Y
dipengaruh sebesar 22% oleh Gaji (X1), sedangkan sisanya 78% dipengaruhi oleh variabel lain di luar
Gaji.
Adapun model persamaan regresi linier sederhana yang diperoleh adalah sebagai berikut:
Y= 2,355 + 0,536 X1 + e
Untuk menguji hipotesis secara parsial digunakan uji t yaitu untuk menguji secara parsial variabel
bebas terhadap variabel terikat. Hasil perhitungan dijelaskan sebagai berikut: Uji t terhadap variabel
Gaji (X1) didapatkan thitung sebesar 4,822 dengan signifikansi t sebesar 0,000. Karena thitung lebih besar
ttabel (3,279>1,993) atau signifikansi t lebih kecil dari 5% (0,002<0,05), maka secara parsial variabel
Gaji (X1) berpengaruh signifikan terhadap variabel Kinerja Karyawan (Y)

P a g e | 21