Data Statistik
Menggunakan SPSS 22
Isram Rasal ST, MMSI, MSc
Statistika
Statistika adalah ilmu yang mempelajari bagaimana
merencanakan, mengumpulkan, menganalisis,
menginterpretasi, dan mempresentasikan data.
Statistika (statistics) berbeda dengan statistik
Statistika (statistic).
Statistika merupakan ilmu yang berkenaan dengan
data, sedangkan statistik adalah kumpulan data yang
menggambarkan suatu persoalan.
Populasi adalah keseluruhan objek yang dibatasi oleh
kriteria tertentu.
Sampel adalah sebagian objek yang diambil dari
Populasi dan populasi dengan menggunakan cara-cara tertentu.
Sampel Syarat suatu sampel:
Sampel mewakili populasi yang diwakili
Sampel tidak boleh subjektif, dalam pemilihannya harus
random.
Secara garis besar, analisis data statistic dibagi menjadi
dua kelompok, yaitu:
Statistik deskriptif: Adalah analisis yang memberikan
Analisis gambaran secara umum mengenai karakteristik data seperti
mean, median, mode, varian dan range.
Statistik Statistik inferensi: Adalah membuat inferensi terhadap data
yang diolah, seperti untuk perkiraan dan pengambilan
keputusan berdasarkan data statistik. Biasa disebut dengan
statistic induktif
Parametrik
Statistik Statistika
Inferensi Inferensi
Non-Parametrik
Statistika parametrik mempertimbangkan jenis
sebaran (distribusi) data, yaitu apakah data menyebar
normal atau tidak.
Statistika parametrik menetapkan adanya syarat-
Statistika syarat tertentu (asumsi-asumsi) tentang variabel
random atau populasi yang merupakan sumber sampel
Parametrik penelitian.
Banyak digunakan untuk menganalisis data yang
berskala interval atau rasio.
Statistika non-parametrik adalah statistika bebas
sebaran, artinya tidak mensyaratkan bentuk sebaran
Statistika Non- parameter populasi.
Parametrik Banyak digunakan untuk menganalisis data yang
berskala nominal atau ordinal
Dalam ilmu statistic, jenis data dibedakan menjadi 4
bagian, yaitu:
Jenis Data Nominal
Statistik
Ordinal
Interval
Rasio
Digunakan untuk mengklasifikasikan informasi/data.
Contoh:
Jenis Data Data jenis kelamin, yaitu laki-laki dan Perempuan.
Statistik: Biasanya, saat analisis data, tipe data seperti ini
dilambangkan dengan bilangan numerik (angka).
Nominal Laki-laki dilambangkan dengan angka 1, sedangkan
perempuan dilambangkan dengan angka 0.
Tidak berarti angka 0 lebih rendah dari angka 1
Digunakan untuk mengklasifikasikan serta memiliki
tingkatan.
Tipe data ordinal lebih tinggi daripada nominal karena
kemampuannya untuk membentuk tingkatan.
Contoh:
Jabatan di dalam perusahaan yang terdiri dari karyawan,
Jenis Data manager, direktur utama.
Statistik: Misal, karyawan dilambangkan dengan 1, manager dengan 2,
dan direktur utama dengan 3.
Ordinal Pada tipe data ini, angka 1 dianggap lebih rendah dari angka
2, dst.
Bisa saja karyawan dilambangkan dengan angka 1, tetapi
manager angka 3 dan direktur utama dengan angka 10. Tipe
data ini tidak mensyaratkan jarak yang sama antar angka
yang digunakan sebagai lambang. Yang perlu diperhatikan
hanyalah bahwa angka 3 lebih tinggi dari angka 1, angka 10
lebih tinggi dari angka 3.
Memiliki poin jarak objektif dalam keteraturan kategori
peringkat, tapi jarak yang tercipta sama antar masing-
masing angka.
Contoh Data Variabel :
Jenis Data Umur 20-30 tahun = 1
Statistik: Umur 31-40 tahun = 2
Umur 41-50 tahun = 3
Interval
Suhu 0-50 Celsius = 1
Suhu 51-100 Celsius = 2
Suhu 101-150 Celsius = 3
Memiliki kemampuan dari ketiga tipe data
sebelumnya, dan angka nol dianggap mutlak.
Jenis Data
Contoh:
Statistik: Rasio data berat badan (kg). Angka Nol kg berarti memang
tidak ada berat.
Computing : Nominal Ordinal Interval Ratio
Statitik
mean, standard deviation, standard error
No No Yes Yes
of the mean.
Data View
Variable view digunakan untuk memasukkan informasi atribut
variabel:
Name: nama variable
Type: jenis variabel (numerik, tanggal, nominal,teks/string, dsb).
Width: lebar kolom dalam tampilan data view. Secara
otomatis/default biasanya berisi 8 (delapan) karakter.
Variable View Decimals: jumlah digit di belakang koma.
Label: penjelasan lebih lanjut dari nama variabel, misalnya: dalam
nama variabel berisi RESID, kemudian labelnya diisikan dengan
RESPONDENT IDENTITY.
Values: nilai variabel, misalnya: 1= laki-laki, 0=perempuan
Missing: perlakuan untuk nilai yang kosong
Columns: lebar kolom
Align: rata kiri, rata kanan atau tengah.
Measure: ukuran variabel, yaitu skala, ordinal atau nominal.
Variable View
Label data digunakan untuk memberikan keterangan
Label Data penjelas dari data.
Misalnya, variable “IP” diberi label “Indeks Prestasi”
Statistik Deskriptif
Studi Kasus Hatco
HATCO adalah perusahaan yang menjualbahan –
bahan kebutuhan produksi kepada perusahaan lain.
Perlu dilakukan penelitian untuk mencari tahu variabel
HATCO apa yang mempengaruhi konsumen dalam membeli
produk HATCO.
Var. View
Data View
Berikut ini adalah langkah-langkah untuk menghasilkan statistik deskriptif:
Klik ANALYZE >> DESCRIPTIVE STATISTIC >> DESCRIPTIVES
Muncul kotak dialog DESCRIPTIVES. Kemudian sorot semua variabel kecuali ID yang terdapat di kotak
sebelah kiri dan pindahkan ke kotak sebelah kanan dengan mengklik panah yang terdapat di antara kotak
sebelah kiri dan kotak sebelah kanan hingga tampil seperti ini:
Berikut ini adalah langkah-langkah untuk menghasilkan statistik deskriptif:
Kemudian klik OPTIONS… hingga muncul kotak dialog DESCRIPTIVES: OPTIONS, kemudian beri tanda
ceklist pada 7 kotak: MEAN, STD. DEVIATION, VARIANCE, RANGE, MINIMUM, MAXIMUM, S.E. MEAN
dan biarkan lainnyapada kondisi standar/default lalu klik CONTINUE >> OK.
Berikut ini adalah langkah-langkah untuk menghasilkan statistik deskriptif:
Diperoleh tampilan sebagai berikut di SPSS Output Viewer:
.
Statistik Inferensi
Studi Kasus Penelitian di KBN
Untuk melakukan Uji Validitas item pertanyaan Variabel X1 adalah
dengan langkah: klik Analyze, pilih Correlate, dan klik Bivariate.
Uji Kualitas
Data:
Uji Validitas
Pilih Pearson, ok
Uji Kualitas
Data:
Uji Validitas
Misalnya menguji Reliabilitas untuk Variabel X1: klik Analyze, pilih Scale, klik
Reliability Analysis….
Uji Kualitas
Setelah tampil kotak Reliability Analysis, pindahkan item-item pertanyaan X1
Data: dan Variabel X1 ke kotak Items kemudian klik tanda panah dan klik Statistics
maka akan muncul kotak Reliability Analysis: Statistics.
Uji Realibilitas
Ceklist kotak item dan scan if item deleted
Uji Kualitas
Data:
Uji Realibilitas
Uji Kualitas
Data:
Uji Realibilitas
Uji asumsi klasik. Tujuan pengujian ini adalah untuk memperoleh
hasil atau nilai yang tidak bias atau estimator linear tidak bias yang
terbaik (Best Linear Unbiased Estimator/BLUE).
Uji asumsi klasik tersebut yaitu:
Uji Asumsi
Uji Normalitas
Uji Multikolinearitas
Klasik Uji Autokorelasi
Uji Heteroskedastisitas
• Langkah-langkah : Analyze >> Regression >> Linear
Uji Normalitas
• Centang pilihan Unstandardized pada bagian Residuals, kemudian
pilih Continue dan pada tampilan awal pilih tombol OK, akan
menghasilkan variabel baru bernama Unstandardized Residual
(RES_1).
• Selanjutnya Analyze>>Descriptive Statistics >>Descriptives akan
muncul tampilan sebagai berikut.
Uji Normalitas
•
• Centang pilihan Unstandardized pada bagian Residuals, kemudian
pilih Continue dan pada tampilan awal pilih tombol OK, akan
menghasilkan variabel baru bernama Unstandardized Residual
(RES_1).
• Selanjutnya Analyze>>Descriptive Statistics >>Descriptives akan
muncul tampilan sebagai berikut.
Uji Normalitas
• Karena rasio skewness dan rasio kurtosis berada di antara –2 hingga
+2, maka dapat disimpulkan bahwa distribusi data adalah normal
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya
korelasi antara anggota–anggota serangkaian observasi yang
tersusun dalam rangkaian waktu atau yang tersusun dalam rangkaian
ruang.
Uji
Autokorelasi Hasil dari output SPSS menunjukkan nilai Durbin-Watson (DW) hitung
sebesar 1,984, sedangkan pada tabel DW diperoleh nilai dU (Upper
Durbin-Watson) sebesar 1.7887. Model regresi dinyatakan tidak
terdapat permasalahan autokorelasi apabila nilai Durbin-Watson (DW)
terletak diantara dU dan 4-dU. Angka DW hitung pada model
penelitian ini berada diantara DW tabel dengan menggunakan derajat
kepercayaan 95% dan α 5% yaitu 1.7887 < DW hitung < 2,2113. Dapat
disimpulkan tidak terjadi autokorelasi atau tidak terdapat
autokorelasi positif dan negatif pada model regresi ini.
Koefisien Determinasi (R2) berfungsi untuk melihat sejauh mana
keseluruhan variabel independen dapat menjelaskan variabel
dependen
Uji Hipotesis:
Koefisien
Determinasi
Terdapat nilai Adjusted R Square yaitu sebesar 0,704 atau 70,4%.
Hal tersebut mengindikasikan bahwa 70,4% variabel dependen
dapat dijelaskan oleh variabel independen, sedangkan sisanya
sebesar 29.6% dijelaskan oleh faktor-faktor lain
Uji Hipotesis: Maka dapat dibentuk model persamaan regresi berganda sebagai
Analisis berikut:
Y= - α + β1X1 + β2X2 + e
Regresi Keterangan:
Berganda Y = Kinerja Karyawan
X1 = Kompensasi
X2 = Displin
β = Koefisien Regresi X1 dan X2
α = Konstanta
e = Error
Pengaruh Kompensasi terhadap Kinerja Karyawan
Uji Hipotesis: H1= Kompensasi berpengaruh positif dan signifikan terhadap
kinerja karyawan.
Uji Parsial (t)
Pada tabel diatas terdapat nilai t hitung yaitu 7,457 dan tingkat
signifikansi sebesar 0.000. Nilai signifikansi tersebut lebih kecil
dari 0.05 dan nilai t hitung (7,457) lebih besar dari t tabel (1,651).
Hal tersebut mengindikasikan bahwa kompensasi berpengaruh
signifikan secara parsial terhadap kinerja karyawan. Pada tabel
diatas terdapat nilai koefisien (β) yaitu positif, artinya pengaruh
yang diberikan oleh variabel tersebut adalah positif. Dapat
disimpulkan bahwa kompensasi berpengaruh positif dan
signifikan terhadap kinerja karyawan, sehingga hipotesis (H1)
diterima.
Uji Hipotesis: Diperoleh nilai F hitung sebesar 302,108 yang lebih besar dari F
tabel sebesar 3.04 .
Uji Simultan (f) Hal tersebut mengindikasikan bahwa kompensasi dan disiplin
berpengaruh positif dan signifikan terhadap kinerja karyawan,
maka H3 diterima.
Terima Kasih