NAMA KELOMPOK :
Hesty Yana Sari (17755009)
Mayliska Wulandari (17755029)
M. Daniel NA (17755032)
Nurul Hanifah (17755033)
Sylvia Trinanda A.P (17755037)
Yudhi Agus Pratama (17755039)
1.2 Tujuan
SPSS merupakan sebuah program komputer statistik yang berfungi untuk membantu
dalam memproses data-data statistik secara tepat dan cepat, serta menghasilkan berbagai output
yang dikehendaki oleh para pengambil keputusan. Statistik dapat diartikan sebagai suatu
kegiatan yang bertujuan untuk mengumpulkan data, meringkas atau menyajikan data kemudian
menganalisis data dengan menggunakan metode tertentu, dan menginterpretasikan hasil dari
analisis tersebut. Dalam penghitungan statistik, alat yang sering digunakan adalah olah data
SPSS.
Program olah data SPSS ini telah digunakan di berbagai bidang persoalan seperti riset
pasar, pengendalian dan perbaikan mutu, serta riset-riset sains. Program SPSS ini sangat populer
karena sering kali dijadikan sebagai alat untuk mempermudah proses pengolahan data. Sampai
saat ini, program SPSS masih tetap dipakai dalam berbagai bidang seperti ilmu keuangan,
telekomunikasi, retail, farmasi, militer, broadcasting, riset pemasaran, database marketing,
penilaian kredit, peramalan bisnis, penilaian kepuasan konsumen, dan lain sebagainya. Program
olah data SPSS ini sangat membantu dalam proses pengolahan data, sehingga hasil olah data
yang dicapai juga dapat dipertanggungjawabkan dan terpercaya. Dalam makalah ini, penulis
akan meneleti apakah ada hubungan terkait antara besarnya berat badan, uang bulanan, makan
sehari-hari, dan organisasi.
BAB II
PEMBAHASAN
Model regresi (besarnya berat badan, uang bulanan, makan sehari-hari, dan organisasi )
Y = berat badan
X = Uang bulanan
D1 = Masak
D2 = Catering
Seperti yang sudah disinggung di atas, jumlah kategori ditentukan dengan rumus k-1,
sedangkan kode yang diberikan adalah 1 dan 0. Semua responden yang menjadi anggota kategori
yang diberi kode 1 sedangkan responden tidak dalam kategori tersebut dikode dari 0. Dengan
cara seperti ini maka setiap responden akan memiliki kode 1 pada kategori yang sesuai
dengannya dan kode 0 pada kategori yang tidak sesuai dengannya.
Agung
55 1000 0 1 0 1 0
Riskillah
Destry
49 750 0 1 0 1 0
Faradila
Eunike
46 800 1 0 0 1 0
Pasaribu
Fadhila
Septianingru 55 600 0 1 0 1 0
m
Hesty Yana
48 1300 1 0 0 1 0
Sari
Klarista
46 1000 1 0 0 0 1
Widya
Liani
40 1000 0 1 0 0 1
Pitaloka
Melania
45 1000 1 0 0 0 1
Oktafia
Odah
38 500 1 0 0 1 0
Setiawati
Riris
55 500 0 1 0 1 0
Choirunisa
Rizky
45 420 0 1 0 0 1
oktavia
Rudi
50 700 1 0 0 1 0
Andrean
50 800 0 1 0 1 0
Zya Pasha
Melando
Aprilia
46 1000 1 0 0 1 0
Susanti
Bella
42 400 0 1 0 1 0
feronica
Diansyah
55 1500 1 0 0 1 0
Nandang
Ishomatu
57 1600 1 0 0 1 0
Saadah
Mayliska
63 1000 1 0 0 0 1
Wulandari
M. Abdul
53 900 1 0 0 1 0
Azis
M. Anggara
74 1200 0 1 0 1 0
Lubara
M. Daniel
65 1000 0 1 0 1 0
NA
Pingkan
43 700 0 1 0 1 0
Meilintang
Nurul
62 1300 0 1 0 0 1
Hanifah
Sylvia
59 600 0 1 0 0 1
Trinanda A.P
Sekar Woro 57 1000 0 1 0 1 0
Ulil 45 900 0 0 1 0 1
Mila
55 1300 0 1 0 0 1
Agustina
Pada kategori 2 kelompok, sebenarnya tidak ada aturan baku mana yang harus diberi
kode 1 mana yang 0. Tapi agar memudahkan pemaknaan terhadap hasil berilah angka 1 pada
kategori yang secara teoritik akan memiliki nilai prediksi lebih tinggi. Misal secara teoritik, berat
badan ini lebih mampu diprediksi oleh yang mengikuti organisasi, maka yang mengikuti
organisasi kita beri kode 1. Dari data mentah kita, kita bisa ubah input data kita seperti di bawah
ini.
Makan
UANG
Berat sering CATHERI Organisasi
Nama BULAN
Badan (Y) masak(0) NG (YA)
AN
M. Daniel NA 65 1000 1 0 1
Ulil 45 900 0 1 0
Lalu kita bisa hitung data dengan SPSS , cara input kode variabel dummy di SPSS.
3. Masukkan variabel uang bulanan, makan beli, makan masak, catering , organisasi iya
dan organisasi tidak pada kotak independent
4. Klik ok
Model Summary
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
Total 2937.889 35
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Excluded Variablesa
Collinearity
Statistics
Partial
Model Beta In t Sig. Correlation Tolerance
1 SERING_BELI .b . . . .000
ORGANISASI_TID .b . . . .000
AK
BAB III
PENUTUP
3.1 Kesimpualan
Terlihat pada tabel ANOVA bahwa secara bersama-sama semua variabel independen
berperan terhadap berat badan secara signifikan (F=2,878 dan sig. = 0,039, yang berarti sig.
<0,05). Pada tabel Model Summary, diketahui bahwa sumbangan efektif variabel Uang bulanan,
system makan sehari hari, dan organisasi terhadapberat badan adalah 27,1% (R square = 0,271).
Sisanya dijelaskan oleh hal lain diluar ketiga variabel tersebut.
Pada tabel coefficients, kita dapat melihat bahwa secara sendiri-sendiri, hanya uang
bulanan yang signifikan (sig.=0,004). Artinya hanya satu variabel ini saja yang berperan
terhadap berat badan. Uang bulanan berperan terhadap berat badan (B=0,013, dan sig. 0,004, sig.
<0,05). Karena B nilainya positif, artinya arah hubungan antara uang bulanan dan berat badan
adalah saling behubungan. Jika uang bulanan naik satu poin, maka berat badan diprediksikan
akan naik 0,013 poin.
Pada variabel dummy makan, sering masak mempengaruhi yang lebih tinggi dibanding
sering beli (exclude group). Walaupun nilainya tidak signifikan, Hal ini ditunjukkan oleh nilai B
yang positif. Sedangkan catering mempengaruhi berat badan yang lebih rendah dibandingkan
sering beli. Namun, perlu diperhatikan bahwa semua variabel dummy pada “makan” tersebut
tidak signifikan karena nilai sig. >0,05. Hal ini berarti sebenarnya tidak ada perbedaan berat
badan pada tiga sistematis makan, beli sendiri, dan catering, tetapi masak lebih mempengaruhi
daripada keduanya. Jadi interpretasi di atas akan berguna jika secara statistik koefisien variabel
dummy signifikan.
Organisasi juga berperan terhadap berat badan (B=-4,834 dan p>0,05), atau secara
sederhana kita dapat mengatakan bahwa tidak signifikan berat badan antara yang mengikuti
organisasi dan yang tidak mengikuti. Yang mengikuti organisasi berpengaruh negative terhadap
berat badan .Yang mengikuti organisasi memiliki berat badan yang lebih tinggi. Secara
matematis, jika yang tidak mengikuti organisasi menjadi mengikuti organisasi (dari 0 menjadi 1),
maka berat badan diprediksikan akan naik 4,834 poin. Interpretasi matematis ini tentu harus
disertai pertimbangan logis. Model regresi yang didapat adalah :
Y = Berat Badan
D1 = Catering
D2 = Sering Masak
D3 = Mengikuti Organisasi
X = Uang Bulanan