MODUL PELATIHAN

Pengolahan data dengan SPSS

Disusun oleh:
JUNAIDI

PROGRAM MAGISTER MANAJEMEN

PROGRAM PASCASARJANA UNIVERSITAS JAMBI
2014

1
 SEKILAS MENGENAI SPSS

Kemajuan di bidang komputer saat ini, khususnya software aplikasi statistik, telah membuat pengolahan
data statistik menjadi mudah dan menyenangkan untuk dikerjakan. Banyak persoalan statistik yang
kompleks , yang dahulu tidak mungkin dikerjakan secara manual, sekarang bisa diselesaikan secara cepat
dengan program statistik.
Dari berbagai software statistik yang ada saat ini, SPSS adalah yang paling populer dan paling banyak
digunakan pemakai di seluruh dunia. Berdasarkan pengalaman praktek, menurut penulis ada tiga aspek
yang menyebabkan SPSS menjadi software statistik yang terkenal
1. Rancangan menu dalam penginputan dan pengolahan datanya sangat “user friendly”, sehingga dengan
mudah dapat dipelajari hanya dengan membaca buku panduan yang banyak tersedia di toko-toko buku.
Bahkan tanpa buku panduan pun dapat dipelajari, jika anda mampu membaca fungsi “help” yang
disediakan software ini.
2. Kemampuan “spreadsheet” nya, yang memungkinkan kita untuk mengolah data dalam jumlah yang
besar secara cepat dan mudah. Ini menyebabkan SPSS lebih unggul dalam mengolah data hasil
penelitian survay dibandingkan software-software statistik lainnya.
3. Sejak pertama kali dibuat tahun 1968 oleh tiga mahasiswa Stanford (Norman H. Nie, C. Hadlai (Tex)
Hull and Dale H. Bent), SPSS telah berkembang sedemikian rupa dengan menambahkan berbagai
fasilitas pengolahan statistik yang beragam, mulai dari tingkat dasar sampai tingkat lanjut.

MODUL 1: PENGENALAN MENU-MENU UTAMA SPSS

Saat memulai menggunakan sosftware SPSS maka

kita akan melihat Data Editor window seperti Gbr
1.1.
Sebelum Anda dapat menganalisis data, terlebih
dahulu Anda harus memasukan data yang akan
Gbr 1.1
dianalisis tersebut ke dalam Data Editor window di
samping.
Bila Anda sebelumnya sudah memiliki data yang
telah ditulis dalam format yang kompatibel dengan
SPPS, maka Anda dapat membuka file data tersebut
dari menu yang tersedia dengan memilih menu
berikut:
File
Open
Data...
Lihat Gbr 1.2.

Gbr 1.2 Atau kita dapat menggunakan tanda

yang terdapat pada toolbar untuk membuka file.
Selanjutnya akan tampak daftar file yang akan
dibuka pada kotak dialog seperti tampak pada
Gbr 1.3.
Format file data SPSS berekstensi “.sav”

2
 Gbr 1.3
Secara keseluruhan SPSS menyediakan tujuh window, yang meliputi:
1. Data Editor
Window ini terbuka secara otomatis setiap kali program SPSS dijalankan, dan berfungsi untuk input
data SPSS. Menu yang ada pada Data Editor adalah:
 File
Berfungsi untuk menangani hal-hal yang berhubungan dengan file data, seperti membuat file
baru, membuka file, mengambil data dari program lain, mencetak isi dari Data Editor dan lainnya.
 Edit
Berfungsi untuk menangani hal-hal yang berhubungan dengan memperbaiki atau mengubah nilai
data (duplikasi data), menghilangkan data, edit data dan lainnya. Selain itu, menu Edit juga
berfungsi untuk mengubah setting pada Options.
 View
Menu view berfungsi untuk mengatur toolbar.
 Data
Berfungsi untuk membuat perubahan data SPSS secara keseluruhan, seperti mengurutkan data,
menyeleksi data berdasarkan kriteria tertentu, menggabungkan data dan sebagainya.
 Transform
Berfungsi untuk membuat perubahan pada variabel yang telah dipilih dengan kriteria tertentu.
 Analyze (Statistics)
Menu Analyze merupakan menu inti dari SPSS, yang berfungsi untuk melakukan semua prosedur
perhitungan statistik, seperti uji-t, uji-F, regresi, time series dan sebagainya.
 Graphs
Menu Graphs berfungsi untuk membuat berbagai jenis grafik untuk mendukung analisis statistik,
seperti Pie, Line, Bar dan kombinasinya.
 Utilities
Menu ini adalah menu tambahan yang mendukung program SPSS seperti : memberi informasi
tentang variabel; menjalankan Scripts; mengatur tampilan menu-menu lain
 Add-Ons
Menu ini juga merupakan menu tambahan yang berisi mengenai software lain yang dapat
diintegrasikan dengan SPSS, juga berisi sambungan on-line dengan website SPSS guna
kepentingan pelatihan dan pengembangan SPSS.
 Window
Menu ini berfungsi untuk pindah diantara menu-menu lain di SPSS
 Help
Menu ini berfungsi untuk menyediakan bantuan informasi mengenai program SPSS.

2. Menu Output Navigator

Hasil pengolahan data atau informasi ditampilkan lewat menu Output Navigator atau dapat disebut
Output saja. Menu Output pada prinsipnya sama dengan menu Editor, seperti: File, Edit, View,
Analyze, Graphs, Utilities, Window dan Help. Tentunya dengan disesuaikan untuk kegunaan output
SPSS. Selain menu diatas ada lagi menu tambahan, yaitu:
 Insert: Berfungsi untuk menyisipkan judul, grafik, teks atau objek tertentu dari aplikasi lain.
 Format: Berfungsi untuk mengubah tata letak huruf output.

3. Menu Chart Editor

Menu ini juga merupakan tempat editing bagi output hasil pengerjaan data di menu Editor, hanya
khusus untuk output berupa Grafik/Chart/Diagram. Sesuai dengan fungsinya, selain submenu dasar
seperti File, edit, View dan lainnya, Char Editor juga dilengkapi submenu berikut:
 Gallery: Berfungsi untuk mengubah jenis chart.
 Chart: Untuk mengedit berbagai hal mengenai grafik, seperti layout dan Labelling Grafik, skala
grafik dan sebagainya.

3
  Series: Untuk memilih kelompok data tertentu, transpose data atau menampilkan seri data.

4. Menu Syntax Editor

Walaupun SPSS sudah menyediakan berbagai macam pengolahan data statistik secara memadai,
namun ada berbagai perintah atau pilihan yang hanya bisa digunakan dengan SPSS Command
Language. Perintah-perintah tersebut bisa ditulis pada menu Syntax`Editor. Menu ini berupa file teks
yang berisi berbagai perintah SPSS dan bisa diketik secara manual.

5. Menu Script Editor

Menu ini pada dasarnya digunakan untuk melakukan berbagai pengerjaan SPSS secara otomatis,
seperti membuka menutup File, eksport Chart dan sebagainya. Isi menu ini sama dengan menu
terdahulu, hanya ditambah dengan submenu Script untuk membuat berbagai subrutin dan fungsi baru,
serta submenu Debug untuk melakukan proses debug pada script.

MODUL 2: MENGINPUT DATA

Input Data Secara Manual

Buka Program SPSS. Pertama kali akan

muncul tampilan Gbr 2.1.
Tampilan tersebut adalah tampilan Data
Editor yang mempunyai fungsi utama
untuk mendefinisikan, menginput,
mengedit dan menampilkan data.
Sebelum menginput data, definisikan
terlebih dahulu data (variabel) yang akan
diinput. Perhatikan disudut kiri bawah
dari tampilan data editor diatas. Terdapat
menu Data View (posisi kita saat ini, yang
ditandai oleh tulisan yang lebih hitam)
Gbr 2.1. dan menu Variable View. Untuk
mendefinisikan data (variabel), klik
Variable View, akan muncul Gbr 2.2.
Setiap baris dalam tampilan Gbr. 5
digunakan untuk mendefinisikan satu
variabel (data) yang akan diinput. Ada
beberapa informasi yang perlu
dimasukkan, yaitu:
Name: Isikan nama variabel. Persyaratan
dalam pemberian nama variabel adalah:
 Nama variabel tidak boleh duplikasi
dengan nama variabel lainnya.
:  Nama variabel paling panjang hanya 64
Gbr 2.2. karakter dan harus diawali oleh huruf
atau @, #, $. Karakter berikutnya boleh
kombinasi huruf, @, #, $ atau angka.
Nama variabel yang diawali dengan
tanda $ menunjukkan bahwa variabel
tersebut adalah suatu variabel sistem.
 Variabel tidak boleh mengandung spasi
dan kata-kata kunci perintah SPSS yaitu
ALL, AND, BY, EQ, GE, GT, LE, LT,
NE, NOT, OR, TO, dan WITH.
Type: Definisikan tipe variabel. Ketika
anda mengklik sel di bawah type, akan
muncul titik tiga (…). Klik titik tiga
tersebut, akan muncul tampilan Gbr 2.3.
Gbr 2.3.

Dari tampilan Gbr 2.3. , terdapat beberapa pilihan tipe variabel sebagai berikut:

4
  Numeric. Variabel yang berbentuk angka
 Comma. Variabel numerik dengan tampilan koma untuk setiap 3 angka (memisahkan ribuan), dan
titik untuk memisahkan desimal. Misalnya, jika data yang diinput adalah 2567932, maka akan
ditampilkan dalam SPSS sebagai 2,567,932.00
 Dot. Variabel numerik dengan tampilan titik untuk setiap 3 angka (memisahkan ribuan), dan
koma untuk memisahkan desimal. Misalnya, jika data yang diinput adalah 2567932, maka akan
ditampilkan dalam SPSS sebagai 2.567.932,00
 Scientific notation. Variabel numerik dengan tampilan scientific. Misalnya, jika data yang diinput
adalah 2567932, maka akan ditampilkan dalam SPSS sebagai 2.57E+006
 Date. Variabel numerik dengan nilai yang ditampilkan dalam format tanggal atau waktu. Jika
anda pilih tipe data ini, akan muncul tampilan pilihan format tanggal atau waktu.
 Dollar. Variabel numerik dengan tampilan tanda $.
 Custom currency. Variabel numerik yang ditampilkan dalam format uang (custom currency)
misalnya dalam bentuk Rp. Penggunaan pilihan format ini harus didefinisikan terlebih dahulu
dalam menu Options pada Currency tab. (caranya akan kita bahas pada tulisan berikutnya)
 String. Variabel yang tidak berbentuk numerik (angka) dan karenanya tidak digunakan dalam
perhitungan. Jenis ini juga dikenal sebagai variabel alphanumeric
Setelah memilih jenis variabel, lanjutkan dengan mengisi Width, yaitu jumlah karakter (angka/huruf)
maksimum dari data yang akan diinput. Setelah itu, tentukan jumlah angka dibelakang koma yang
(desimal) yang ingin ditampilkan. Selanjutnya klik OK.
Setelah menentukan nama variabel, jenis variabel, ukuran lebar dan desimal dari input data untuk masing-
masing variabel, selanjutnya adalah mengisikan label untuk masing-masing variabel tersebut.
Label adalah semacam keterangan mengenai variabel. Berbeda dengan nama variabel yang terbatas hanya
sampai 64 karakter, label dapat di buat sampai 256 karakter. Selain itu, label ini dapat menggunakan spasi
maupun karakter-karakter yang tadinya tidak dapat digunakan pada nama variabel.
Berikutnya adalah menginputkan Values dari masing-masing variabel. Values ini secara khusus berguna
jika data yang kita gunakan merupakan kode numerik (dalam bentuk angka) yang mewakili kategori non-
numerik. (Misalnya kode 1 untuk laki-laki dan kode 2 untuk perempuan).
Untuk menginput values dari masing-masing variabel, klik sel di bawah Values, akan muncul titik tiga
(…). Klik titik tiga tersebut, maka akan muncul tampilan Gbr 2.4:

Pada Gbr 2.4. Isikan kode

pada kotak Values dan
labelnya pada kotak Label.
Misalnya, kode 1 untuk Laki-
laki. Setelah itu, klik Add.
Lanjutkan untuk kode-kode
berikutnya, setelah itu klik
OK.

Gbr 2.4.

Setelah menentukan Values pada masing-masing variabel (jika ada), selanjutnya adalah menentukan nilai
“missing” untuk masing-masing variabel. Menentukan nilai “missing” ini berguna, jika misalnya dalam
pertanyaan survai, ada responden yang tidak memberikan/menolak memberikan jawaban, sehingga tidak
tersedia data untuk diinput. Misalnya, jika ada responden yang menolak memberikan jawaban mengenai
pendapatannya. Jika kita menginput jawaban responden tersebut dengan angka 0, maka dalam
pengolahannya, SPSS akan memasukkan dalam perhitungan (sehingga akan berpengaruh terhadap rata-
rata keseluruhan maupun terhadap distribusi frekuensi). Tetapi jika kita mendefinisikan suatu angka untuk
menyatakan nilai missing tersebut, maka SPSS akan mengeluarkan dari perhitungan.
Untuk mendefinisikan nilai “missing” dari masing-masing variabel, klik sel di bawah “Missing”, akan
muncul titik tiga (…). Klik titik tiga tersebut, maka akan muncul tampilan Gbr 2.5:
Kita bisa mendefinisikan tiga deretan angka
yang berbeda untuk nilai missing masing-
masing variabel. Kita juga memberikan
range nilai untuk mendefinisikan nilai
missing tersebut. Dalam contoh Gbr 2.5
diatas, misalnya kita mendefinisikan hanya
satu deretan angka untuk nilai missing yaitu
99999. Dengan demikian, jika terdapat data
yang kosong (atau tidak terisi) dari variabel
kita, maka inputkan angka 99999. Setelah
mendefinisikan nilai missing, klik OK. 5
 Gbr 2.5.
Tahap selanjutnya adalah menentukan lebar kolom (Columns) dari worksheet SPSS untuk input data.
Lebar kolom ini ditentukan minimal sama dengan “Width” variabel yang telah ditentukan sebelumnya.
Berikutnya adalah menentukan perataan (align) dari tampilan input data. Jika diklik sel dibawah align,
akan muncul tiga pilihan yaitu left (rata kiri), right (rata kanan) dan center (rata tengah).
Selanjutnya, tahap terakhir dari pendefinisian variabel adalah menentukan skala pengukuran (measure)
dari masing-masing variabel. Ketika diklik sel dibawah Measure, akan terdapat tiga pilihan yairu Scale,
Ordinal dan Nominal. Scale kita pilih jika skala pengukuran kita adalah skala interval atau ratio.
Setelah selesai dengan tahap terakhir pendefinisian variabel ini, klik kembali menu Data View (yang ada
disudut kiri bawah). Dengan cara ini, kita akan masuk ke worksheet SPSS dan siap untuk menginput data.

Sebagai latihan, misalnya data hasil penelitian terhadap 18 responden sebagai berikut:

Mari kita definisikan masing-masing variabel sebagai berikut:

Variabel 1.
Nama Variabel: Responden; Type : String; Width: 18; Decimal : 0; Label: Nama Responden
Values: None (untuk data type string, values akan otomatis none)
Missing: None (untuk data type string, missing akan otomatis none)
Column: 18 (ukuran kolom ini sesuaikan dengan jumlah karakter dari nama variabel atau maksimum
karakter dari data pada variabel tersebut, mana yang paling banyak)
Align: Left (untuk data string sebaiknya dibuat rata kiri)
Measure: Nominal (untuk data string, pilih saja measure nominal)
Variabel 2.
Nama Variabel: Sex; Type : Numeric; Width: 2; Decimal : 0
Label: Jenis Kelamin Responden
Values: 1 = laki-laki, 2 = perempuan
Missing: None (karena informasi mengenai jenis kelamin tersedia pada semua responden)
Column: 4
Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)
Measure: Nominal (angka untuk pengkodean jenis kelamin ini, adalah termasuk data skala nominal)

6
Variabel 3.
Nama Variabel: Umur; Type : Numeric; Width: 3; Decimal : 0
Label: Umur Responden
Values: None (tidak ada pengkodean numerik untuk variabel ini)
Missing: None (karena informasi mengenai umur tersedia pada semua responden)
Column: 5
Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)
Measure: Scale (karena umur merupakan data berskala ratio)
Variabel 4.
Nama Variabel: Pendidikan; Type : Numeric; Width: 2; Decimal : 0
Label: Pendidikan Responden
Values: 1 = SD, 2= SLTP, 3= SLTA, 4= D3, 5= S1
Missing: None (karena informasi mengenai pendidikan tersedia pada semua responden)
Column: 8
Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)
Measure: Ordinal (karena pendidikan merupakan data berskala ordinal)
Variabel 5.
Nama Variabel: Pendapatan; Type : Numeric; Width: 4; Decimal : 0
Label: Pendapatan Responden (dalam ribuan Rp)
Values: None (tidak ada pengkodean numerik untuk variabel ini)
Missing: Berikan kode 9999 untuk responden yang tidak kita dapatkan informasi pendapatannya tersebut
Column: 9
Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)
Measure: Scale(karena pendapatan merupakan data berskala ratio)

Memindahkan data dari Google Documen (Drive) ke SPSS

Tahapan-tahapan memindahkan data dari Google Documen (Drive) ke SPSS sebagai berikut:
1. Dari Google, masuk ke menu Drive
2. Buka file Google Documen dengan cara klik file yang bersangkutan
3. Setelah file terbuka, Klik File > Download as > Microsoft Excel
4. Buka SPSS kemudian buka file data yang telah di download sebelumnya. Atau copy-
paste data Excel tersebut ke SPSS
5. Setelah itu ikuti penjelasan prosedur input data secara manual pada bagian sebelum ini

MODUL 3. TRANSFORMASI DATA

Data yang sudah diinput pada SPSS bisa ditransformasi dalam berbagai bentuk operasi matematik.
Sebagai contoh, misalkan kita ingin mentransformasikan variabel Pendapatan yang telah diinput
sebelumnya dengan melogaritma naturalkan.
Untuk mentransformasi variabel, Klik Transform > Compute Variable. Akan muncul tampilan berikut:

7
 Gbr 3.1.

Pada kotak Target Variable, masukkan nama variabel untuk menampung data hasil transformasi variabel
tersebut. Misalnya dalam contoh kita diatas, diberi nama LnDapat. Dengan cara ini, akan menghasilkan
satu variabel baru dengan namaLnDapat. Tetapi jika nama yang diberikan sama dengan nama variabel
asal (misalnya jika diisi dengan nama Pendapatan), maka hasil transformasi akan menindih variabel asal
(data variabel asal akan diganti dengan data hasil transformasi).
Pada kotak Numeric Expression, isikan perintah transformasinya. Anda bisa mengisi perintah
transformasi ini dengan dua cara:
a. Membuat rumus sendiri, misalnya: 2*Pendapatan atau Pendapatan**3. (Catatan: perkalian
menggunakan bintang satu, pangkat menggunakan bintang 2)
b. Menggunakan fungsi yang sudah disediakan SPSS dalam kotak Function Group.
Dalam contoh ini kita akan melogaritmakan variabel. Fungsi tersebut sudah disediakan oleh SPSS dalam
Kelompok Fungsi Arithmethic.
Oleh karenanya, klik Arithmethic, maka akan muncul di kotak Function and Special Variables, fungsi-
fungsi yang tersedia pada kelompok arithmetic ini (lihat gambar diatas).
Kemudian klik Ln, dan klik tanda panah yang mengarah ke atas pada gambar diatas. Maka pada kotak
Numeric Expression akan muncul tulisan seperti ini: LN(?).
Selanjutnya klik variabel Pendapatan (variabel asal yang akan ditransformasikan), dan klik panah yang
mengarah kekanan dari gambar diatas. Prosedur ini akan mengganti tanda tanya diatas menjadi
Pendapatan, sehingga tulisan pada kotak Numeric Expression akan menjadi: LN(Pendapatan).
Proses mengisi kotak Numeric Expression ini cukup berbelit, tetapi jika Anda sudah hafal cara penulisan
fungsinya, anda tidak harus melalui tahapan-tahapan tersebut. Cukup langsung diketikkan saja:
LN(Pendapatan).
Setelah itu klik OK, maka akan akan keluar output dari logaritma natural dari pendapatan yang berada
pada variabel baru yang bernama LnDapat.
Cara mentransformasikan dengan fungsi-fungsi lainnya adalah relatif sama dengan cara melogaritmakan
diatas.

MODUL 4. DISTRIBUSI FREKUENSI

Dari data yang telah diinput sebelumnya , misalnya kita ingin membuat distribusi frekuensi untuk sex
(jenis kelamin) dan pendidikan. (Catatan: untuk distribusi frekuensi umur dan pendapatan, sebaiknya data
dikelompokkan dulu, yang akan kita bahas pada modul berikutnya).
Klik Analyze > Descriptive Statistics > Frequencies. Akan muncul tampilan berikut:

8
 Gbr 4.1.

Masukkan (pindahkan) variabel jenis kelamin dari kotak sebelah kiri ke kotak sebelah kanan dengan cara
klik variabel jenis kelamin di kotak kiri, kemudian klik panah yang menuju ke sebelah kanan. Lakukan
hal yang sama untuk variabel pendidikan. Kemudian klik OK.
Output dari distribusi frekuensi diberikan sebagai berikut:

Tabel pertama berisi keterangan mengenai variabel yang diolah, yaitu jumlah observasinya dan jumlah
observasi missing. Dari tabel tersebut jumlah observasi sebanyak 18 dan tidak ada observasi missing.
Tabel kedua dan ketiga masing-masingnya memberikan distribusi frekuensi untuk jenis kelamin
responden dan pendidikan responden.
Tabel distribusi frekuensi menampilkan lima kolom sebagai berikut:
Kolom pertama: kategori yang difrekuensikan (sebagai contoh adalah laki-laki dan perempuan)
Kolom kedua: frekuensi masing-masing kategori
Kolom ketiga: persentase frekuensi masing-masing kategori (persentase dihitung dari total observasi
termasuk observasi missing)
Kolom keempat : persentase frekuensi masing-masing kategori tetapi persentase dihitung dengan
mengeluarkan observasi missing. (Catatan: berhubung tidak ada observasi missing, baik untuk jenis
kelamin maupun pendidikan, maka kolom 3 dan 4 menjadi sama).
Kolom kelima: Cumulative Percent yaitu persentase kumulatif yang dihitung dari valid percent. Sebagai
contoh pada tabel frekuensi pendidikan. Baris pertama adalah 22,2 persen. Pada baris kedua adalah 55,6
persen yang dihitung dari 22,2 +33,3. Demikian seterusnya.
MODUL 5. STATISTIK DESKRIPTIF

Ukuran-ukuran statistik deskriptif dalam pengolahan data bertujuan untuk mendapatkan gambaran
ringkas dari sekumpulan data, sehingga kita dapat menyimpulkan keadaan data secara mudah dan cepat.
Selain itu, melalui ukuran-ukuran statistik deskriptif ini, kita dapat menentukan jenis pengolahan statistik
lebih lanjut yang sesuai dengan karakteristik data kita tersebut.

9
Berdasarkan data yang telah diinput sebelumnya, selanjutnya untuk mendapatkan ukuran-ukuran statistik
deskriptif, klik Analyze > Descriptive Statistics > Descriptives. Akan muncul Gbr 5.1 berikut:

Gbr. 5.1
Pindahkan variabel umur dan pendapatan (yang tadinya ada dikotak sebelah kiri) ke kotak sebelah kanan,
dengan cara klik variabel yang bersangkutan, kemudian klik panah yang menuju ke arah kanan. Kedua
variabel akan pindah ke kotak kanan seperti yang terlihat pada tampilan diatas.
Selanjutnya, klik Options, akan muncul tampilan Gbr. 5.2 berikut:

Terdapat berbagai pilihan ukuran numerik statistik deskriptif

dalam SPSS seperti yang terlihat pada tampilan diatas. Sebagai
latihan, klik saja semua pilihan tersebut.
Selain itu, juga terdapat pilihan Display Order (urutan tampilan
output). Jika diklik pilihan Variable list, maka output akan
ditampilkan dengan urutan sesuai dengan urutan variabel yang
kita input (dalam contoh ini, tampilan outputnya umur kemudian
pendapatan). Jika dipilih alphabetic, maka output ditampilkan
berdasarkan urutan abjad awal dari nama variabel (dalam hal ini
pendapatan kemudian umur). Jika dipilih Ascending means, maka
urutan tampilan output dimulai dari variabel dengan rata-rata
terkecil. Jika dipilih Descending means, maka urutan tampilan
output dimulai dari variabel dengan rata-rata terbesar. Dalam
contoh kita diatas, kita ambil pilihan Variable list
Gbr. 5.2

Setelah mengambil pilihan-pilihan yang diinginkan, klik Continue dan klik OK. Akan muncul output
statistik deskriptif sebagai berikut:

Apa makna dari masing-masing pengukuran ?

Output SPSS untuk statistik deskriptif terdiri dari 14 kolom. Masing-masing kolom akan dijelaskan
sebagai berikut:
Kolom pertama dari output menunjukkan variabel yang diolah.
Kolom kedua adalah jumlah observasi. Perhatikan bahwa untuk umur responden, jumlah observasi adalah
18, sedangkan untuk pendapatan responden adalah 16. Mengapa ? Karena dua observasi sesuai dengan
contoh latihan kita adalah data missing. SPSS dalam hal ini hanya akan mengolah data yang valid dengan
mengeluarkan data missing.
Kolom ketiga adalah range (jarak). Range merupakan pengukuran yang paling sederhana untuk dispersi
(penyebaran) data. Rumus untuk range adalah: nilai maksimum – nilai minimum. Misalnya range untuk
umur adalah 37, karena nilai maksimum 57 dan nilai minimum 20.

10
Kolom keempat adalah nilai minimum (terendah) dari data
Kolom kelima adalah nilai maksimum (tertinggi) dari data
Kolom keenam adalah jumlah (sum) dari keseluruhan data.
Kolom ketujuh adalah nilai rata-rata.
Kolom kedelapan adalah standar error dari rata-rata (Standard error of Mean).
Ini adalah pengukuran untuk mengukur seberapa jauh nilai rata-rata bervariasi dari satu sampel ke sampel
lainnya yang diambil dari distribusi yang sama.
Apa perbedaan standard error (of mean) dengan standar deviasi (kolom kesembilan)?.
Kalau standard deviasi adalah suatu indeks yang menggambarkan sebaran data terhadap rata-ratanya,
maka standard error (of mean) adalah indeks yang menggambarkan sebaran rata-rata sampel terhadap
rata-rata dari rata-rata keseluruhan kemungkinan sampel (rata-rata populasi).
Pengukuran ini berguna, terutama untuk menjawab pertanyaan “seberapa baik rata-rata yang kita
dapatkan dari data sampel dapat mengestimasi rata-rata populasi ?”
Cara menghitung standard error dari rata-rata (misalnya untuk umur) adalah:

Dimana: SE = standar error dari rata-rata; S = standar deviasi (lihat kolom 9); n = jumlah observasi
Kolom kesembilan adalah standar deviasi. Sebagai contoh perhitungan untuk standard deviasi umur
sebagai berikut:

Kolom kesepuluh adalah varians dari data. Secara matematis, varians dan standar deviasi saling terkait,
dimana standar deviasi adalah akar varians, atau varians adalah kuadrat dari standar deviasi. Dengan
demikian untuk varians umur adalah 10.999^2 = 120.967
Kolom kesebelas adalah skewness data. Skewness merupakan alat ukur dalam menelusuri distribusi data
yang diperbandingkan dengan distribusi normal. Skewness merupakan pengukuran tingkat
ketidaksimetrisan (kecondongan) sebaran data di sekitar rata-ratanya. Distribusi normal merupakan
distribusi yang simetris dan nilai skewness adalah 0. Skewness yang bernilai positif menunjukkan ujung
dari kecondongan menjulur ke arah nilai positif (ekor kurva sebelah kanan lebih panjang). Skewness yang
bernilai negatif menunjukkan ujung dari kecondongan menjulur ke arah nilai negatif (ekor kurva sebelah
kiri lebih panjang).
Sebagai contoh, perhitungan skewness untuk data umur adalah sebagai berikut:

11
Kolom keduabelas adalah standar error dari skewness (SEs). Untuk menghitung standar error dari
skewness ini (sebagai contoh umur) adalah sebagai berikut:

Kolom ketiga belas adalah Kurtosis. Sebagaimana skewness, kurtosis juga merupakan alat ukur dalam
menelusuri distribusi data yang diperbandingkan dengan distribusi normal. Kurtosis menggambarkan
keruncingan (peakedness) atau kerataan (flatness) suatu distibusi data dibandingkan dengan distribusi
normal. Pada distribusi normal, nilai kurtosis sama dengan 0. Nilai kurtosis positif menunjukkan
distribusi yang relatif runcing, sedangkan nilai kurtosis negatif menunjukkan distribusi yang relatif rata.
Contoh perhitungan untuk data umur sebagai berikut:

Kolom keempat belas adalah standar error dari kurtosis. Contoh perhitungan untuk umur sbb:

12
 MODUL 6. PENGELOMPOKKAN DATA DENGAN SPSS

Seringkali dan biasanya, selain menampilkan ukuran statistik deskriptif dari kumpulan data, kita juga
ingin menampilkan distribusi frekuensi dari data tersebut. Jika data sudah dalam bentuk kategori
(misalnya pendidikan SD, SLTP,SLTA dst) atau data sudah dikategorikan dalam kelompok-kelompok
interval tertentu misalnya pendapatan rendah ( < 1.000.000), menengah (1.000.000 – 2.0000), tinggi
(>2.000.000), maka kita dapat secara langsung membuat distribusi frekuensinya dengan SPSS .
Tetapi bagaimana jika data belum terkelompok dalam kategori-kategori tertentu ? Tentunya tabel
distribusi frekuensinya akan sangat panjang mengikuti keragaman dari nilai-nilai data tersebut.
Bagaimana cara mengelompokkan data ini dalam SPSS ?
Sebagai latihan, gunakan data umur responden sebagaimana yang sudah diinput sebelumnya, kemudian
klik Transform. Ada dua pilihan dalam mengelompokkan data ini yaitu Recode into Same Variables (kode
pengelompokkan akan menindih data asli) dan Recode into Different Variables (kode pengelompokan
akan dibuat pada variabel yang baru). Kita pilih saja Recode into Different Variables, maka akan muncul
tampilan berikut:

Gbr 6.1
Pindahkan variabel umur yang tadinya ada dikotak sebelah kiri ke kotak sebelah kanan dengan cara
mengklik panah arah ke kanan. Kemudian pada kotak Output Variable, untuk Name tuliskan Kel.Umur
dan untuk Label tuliskan Kelompok Umur (lihat tampilan diatas), kemudian klik Change.
Selanjutnya, klik Old and New Values, akan muncul tampilan berikut:

Gbr 6.2

Misalnya kita ingin mengelompokkan umur menjadi : < 29, 30 – 39, 40 – 49, dan >49.
Caranya perhatikan tampilan diatas.
Untuk mengelompokkan umur ≤ 29, pada bagian Old Value, klik Range,LOWEST through value,
kemudian isikan pada kotak dibawahnya angka 29. Selanjutnya pada bagian New Value, pada kotak Value
isikan angka 1, kemudian klik Add (lihat tampilan diatas)
Untuk mengelompokkan umur 30 – 39, pada bagian Old Value, klik Range, kemudian isikan pada kotak
dibawahnya angka 30 dan kotak dibawah through angka 39. Selanjutnya pada bagian New Value, pada
kotak Value isikan angka 2, kemudian klik Add (lihat tampilan berikut ini)

13
Gbr 6.3

Dengan cara yang sama, lakukan untuk kelompok umur 40 – 49 (pada New Value beri kode 3).
Selanjutnya untuk kelompok umur ≥ 50, pada bagian Old Value, klik Range value through HIGHEST,
kemudian isikan pada kotak dibawahnya angka 50. Selanjutnya pada bagian New Value, pada kotak Value
isikan angka 4, kemudian klik Add.

Setelah selesai memberikan kode untuk pengelompokan umur ini, kemudian klik Continue dan OK.
Hasilnya, pada worksheet SPSS kita akan ada tambahan variabel baru yaitu kelompok umur sebagai
berikut:

Gbr 6.4

Sekarang kita tinggal memberikan Value Label untuk masing-masing kode pengelompokan umur tersebut
dengan kode 1 (≤ 29), kode 2 (30-39), kode 3 (40 – 49), kode 4 (≥ 49). Cara memberikan value label
dapat dilihat pada
Setelah memberikan value label, bentuklah distribusi frekuensi untuk kelompok umur tersebut . Output
SPSS dari latihan kita adalah sebagai berikut:

14
 MODUL 7. GRAFIK

Satu gambar sering lebih bermakna dari seribu kata. Ungkapan ini sering dikemukakan untuk
menunjukkan peran grafik dalam mendeskripsikan data.

Sebagai latihan misalnya kita punya data tingkat

pendidikan dan pendapatan dari 30 orang responden
penelitian. Tingkat pendidikan misalnya dikategorikan
sebagai:

1 = responden yang berpendidikan SLTP kebawah

2 = responden yang berpendidikan SLTA
3 = responden yang berpendidikan D3
4 = responden yang berpendidikkan S1.

Pendapatan juga kita kelompokkan atas tiga yaitu:

1 = pendapatan rendah (kurang dari Rp. 1.000.000)
2 = pendapatan menengah ( Rp. 1.000.000 – 3.000.000)
3 = pendapatan tinggi ( diatas Rp 3.000.000)

Setelah menginput data tersebut (atau bisa juga sebelum

menginput data ), berilah value label untuk masing-masing
kategori variabel yaitu untuk pendidikan: 1 (=< SLTP),
2(SLTA), 3(D3), 4 (S1) sedangkan untuk pendapatan: 1
(rendah), 2(menengah), 3(tinggi).

Terdapat tiga jalur (cara) dalam pembuatan grafik pada SPSS. Akan dibahas cara yang paling sederhana
saja, sebagai berikut: Klik Graphs > Legacy Dialogs. Akan terdapat beberapa pilihan grafik yang tersedia
yaitu: Bar (grafik batang); 3-D (grafik batang tiga dimensi); Line (grafik garis); Pie (grafik lingkaran);
High-Low; Boxplot; Error Bar; Population Pyramid; Scatter/Dot (sebaran/titik); Histogram
Masing-masing grafik memiliki karakteristik-karakteristik tertentu yang sesuai dalam penggambaran data.
Grafik yang berbasis batang, umumnya digunakan untuk menggambarkan perbandingan antar
variabel/kategori. Grafik yang berbasis garis, umumnya (lebih sesuai) untuk menggambarkan
perkembangan data. Grafik yang berbasis lingkaran, umumnya untuk menggambarkan data yang bersifat
proporsi. Grafik yang berbasis titik umumnya untuk menggambarkan pencaran/sebaran data.

Grafik Batang
Untuk membuat grafik batang, klik Bar, akan muncul tampilan berikut:

Terdapat tiga pilihan grafik batang, yaitu Simple, Clustered dan

Stacked. Pilihan Simple digunakan untuk menggambarkan grafik
dari variabel tunggal. Pilihan Clustered dan Stacked digunakan
untuk menggambarkan grafik dari variabel tunggal tetapi
dikelompokkan berdasarkan kategori dari variabel lainnya.
Pengelompokan pada tipe grafik Clustered dilakukan secara
horizontal, sedangkan pada tipe Stacked secara vertikal.
Kemudian terdapat pilihan tampilan data (Data in Chart Are),
yaitu diringkas berdasarkan kategori (Summaries for groups of
cases), diringkas berdasarkan pemisahan variabel (Summaries of
separate variables) atau menampilkan data individual.

15
Sebagai latihan , kita akan membuat grafik untuk variabel jenis pendidikan. Kita pilih jenis grafik Simple
(klik) dan tampilan data adalah Summaries for groups of cases. Kemudian klik Define, akan muncul
tampilan berikut:

Tentukan terlebih dahulu ukuran yang akan ditampilkan oleh batang dari grafik kita (Bar Represent). Ada
beberapa pilihan yaitu ukuran frekuensi absolut (N of cases), kumulatif frekuensi (Cum.N), persentase
frekuensi (% of cases), kumulatif persentase frekuensi (Cum.%), atau ukuran statistik lainnya (Other
Statistics).
Untuk latihan ini, kita pilih % of cases. Selanjutnya masukkan variabel Pendidikan ke dalam kotak
Category Axis, dan kemudian klik OK. Akan muncul output grafik sebagai berikut:

Grafik Batang Clustered dan Stacked

Data yang digunakan untuk latihan adalah data tingkat pendidikan dan pendapatan. Klik Graphs > Legacy
Dialogs > Bar. Akan muncul tampilan berikut:

Sebagai latihan, kita akan membuat grafik

pendidikan yang dikelompokkan berdasarkan
tingkat pendapatan. Klik Clustered, klik
Summaries for groups of cases, kemudian klik
Define, akan muncul tampilan berikut:

16
Pada Bar Represent klik % of cases (tentunya anda bisa mencoba pilihan lainnya). Masukkan variabel
Pendidikan pada kotak Category Axis dan variabel Pendapatan pada kotak Define Cluster by. Kemudian
klik OK. Akan muncul output grafik sebagai berikut:

Ini adalah grafik batang clustered. Apa perbedaannya dengan grafik batang stacked ? Jika anda ambil
pilihan stacked pada proses sebelumnya, output grafik akan menjadi sebagai berikut:

Terlihat bahwa perbedaan antara

grafik batang clustered dengan
stacked adalah jika pada clustered
pengelompokkan pendapatan
dilakukan secara horizontal
(kesamping), pada stacked
dilakukan secara bertumpuk
vertikal.

17
Grafik Lingkaran
Salah satu jenis grafik yang sering digunakan terutama untuk menggambarkan proporsi dari kategori data
adalah grafik lingkaran (pie).
Sebagai latihan, data yang kita gunakan sama dengan data sebelumnya (yaitu data tingkat pendidikan dan
pendapatan dari 30 orang responden penelitian).
Setelah menginput data tersebut, klik Graphs > Legacy Dialogs > Pie. Akan muncul tampilan berikut:

Dari tampilan tersebut, pilih Summaries for group of cases (lihat catatan pada tulisan sebelumnya untuk
penggunaan pilihan yang lainnya). Kemudian klik Define. Akan muncul tampilan berikut:

Misalnya kita ingin menggambarkan grafik lingkaran untuk pendidikan.

Pada Slices Represent, kita diminta untuk memilih apakah irisan dari grafik lingkaran akan
menggambarkan jumlah kasus (N of cases), persentase atau proporsi masing-masing kategori (% of cases)
atau jumlah dari variabel (Sum of variable). Untuk latihan kita pilih saja % of cases.
Selanjutnya pada kotak Define Slices by: masukan variabel Pendidikan. Kemudian klik OK, maka akan
muncul output grafik lingkaran sebagai berikut:

Perhatikan, grafik lingkaran yang dihasilkan masih sangat sederhana dengan elemen grafik yang sangat
terbatas. Untuk menambah elemen grafik agar lebih komunikatif dalam penggambaran data, buka Chart

18
Editor dengan cara klik kanan pada bidang grafik kemudian klik SPSS Chart Object dan klik Open (lihat
tampilan dibawah ini)

Akan muncul tampilan Chart Editor sebagai berikut:

Melalui menu-menu yang ada pada Chart Editor tersebut, kita bisa mengatur ukuran dari lingkaran,
membuat tampilan jadi tiga dimensi, memberikan label pada masing-masing irisan dari lingkaran,
memberi judul, mengganti warna dan lainnya. Silakan dicoba-coba (tidak dibahas dalam postingan ini
karena akan terlalu panjang).
Salah satu contoh setelah pengeditan (diberi judul, label irisan dan dijadikan tiga dimensi) diberikan
sebagai berikut:

Grafik Garis
Grafik garis biasa digunakan untuk menggambarkan data yang bersifat perkembangan (trend).

Sebagai latihan, misalnya kita punya data

mengenai investasi dan tabungan domestik
Indonesia (dalam trilyun Rp) selama periode
tahun 1990 – 2007, yang telah diinput pada
SPSS sebagai berikut:

19
Klik Graph > Legacy Dialog > Line, akan muncul tampilan berikut:

Pilih jenis Simple (karena hanya satu

variabel yang akan kita gambarkan),
kemudian pilih Values of individual
cases. Selanjutnya klik Define, akan
muncul tampilan berikut:

Masukkan variabel Investasi pada

kotak Line Represents dan
variabel Tahun pada kota Variable.
Kemudian klik OK, maka akan
keluar output grafik garis sebagai
berikut:

Kita juga bisa menggambarkan perkembangan investasi dan tabungan sekaligus dalam satu grafik dengan
cara pilih Multiple. Selanjutnya, masukkan variabel investasi dan tabungan pada kotak Line Represent.
Contoh hasil untuk multiple grafik tersebut sebagai berikut:

20
 MODUL 8. TABEL SILANG

Salah satu cara untuk menggambarkan keterkaitan antar variabel secara sederhana adalah dengan
membentuk tabel silang (crosstabs) antar variabel tersebut. Tabel silang adalah tabel distribusi frekuensi
yang menghubungkan dua atau lebih variabel.
Bagaimana cara kita membentuk tabel silang ini dengan SPSS ?
Sebagai latihan, misalnya kita punya data tingkat pendidikan dan pendapatan dari 60 orang responden
penelitian. Tingkat pendidikan misalnya dikategorikan sebagai:
1 = responden yang berpendidikan SLTP kebawah
2 = responden yang berpendidikan SLTA
3 = responden yang berpendidikan D3 ke atas.
Pendapatan juga kita kelompokkan atas tiga yaitu:
1 = pendapatan rendah (kurang dari Rp. 1.000.000)
2 = pendapatan menengah ( Rp. 1.000.000 – 3.000.000)
3 = pendapatan tinggi ( diatas Rp 3.000.000)

(Catatan: input data sebenarnya hanya

terdiri dari dua kolom. Kolom pertama
adalah pendidikan dan kolom kedua
adalah pendapatan. Mengingat
keterbatasan halaman, tampilan
dipotong jadi dua, seakan-akan jadi
empat kolom. Karenanya, jika anda
menginput ke SPSS, tetap jadikan hanya
dua kolom).

Berilah value label untuk masing-masing kategori variabel yaitu untuk pendidikan: 1 (=< SLTP),
2(SLTA), 3(>= D3), sedangkan untuk pendapatan: 1 (rendah), 2(menengah), 3(tinggi).
Selanjutnya, klik Analyze > Descriptive Statistics > Crosstabs. Akan muncul tampilan berikut:

21
Masukkan variabel Pendapatan ke kotak Row(s) dan Variabel Pendidikan ke kotak Column(s).
Selanjutnya klik Cells, akan muncul tampilan berikut:

Ada beberapa pilihan pada tampilan Cell Display diatas. Untuk kepentingan latihan saat ini, silakan klik
saja Observed, Row, Column, Total.
Pilihan Observed bertujuan untuk menampilkan frekuensi data sebenarnya, pilihan Row bertujuan untuk
menampilkan persentase baris, column untuk persentase kolom dan total untuk persentase total dalam
tabel silang.
Tentunya, pilihan-pilihan persentase ini dalam prakteknya tidak akan kita gunakan semuanya (karena
akan memperumit pembacaan tabel). Tapi untuk sekedar latihan, silakan klik saja semua pilihan
persentase tersebut.
Selanjutnya, klik Continue dan klik OK.Akan muncul output tabel silang sebagai berikut:

Dari output SPSS, Count adalah frekuensi dari data yang diamati (observed). Cara membacanya,
misalnya angka 16 pada baris pertama kolom pertama dari tabel diatas berarti bahwa terdapat 16
responden dengan pendidikan =< SLTP yang berpendapatan rendah. Angka 7 pada kolom kedua baris
pertama berarti bahwa terdapat 7 responden dengan pendidikan SLTA yang berpendapatan rendah.
% within Pendapatan adalah persentase baris dari tabel silang ini. Misalnya, angka 64.0% (baris kedua
kolom pertama) dari tabel diatas adalah berasal dari (16/25) x 100%. Cara membacanya adalah dari total
responden berpendapatan rendah (sebanyak 25 orang), 64,0 persen diantaranya adalah mereka yang
berpendidikan SLTP ke bawah.
% within Pendidikan adalah persentase kolom dari tabel silang ini. Misalnya angka 69.6% (baris ketiga
kolom pertama) dari tabel diatas adalah berasl dari (16/23) x 100%. Cara membacanya adalah dari total
responden yang berpendidikan SLTP ke bawah (sebanyak 23 orang), 69,6 persen diantaranya
berpendapatan rendah.
% within total adalah persentase total dari tabel silang ini. Misalnya angka 26.7% (baris keempat kolom
pertama) adalah berasal dari (16/60) x 100%. Cara membacanya adalah dari total responden (sebanyak 60
orang), 26,7 persen diantaranya memiliki pendidikan SLTP kebawah dengan pendapatan rendah.

22
 MODUL 9. REGRESI DENGAN SPSS

Regresi Linear Sederhana

Teori Keynes menyatakan bahwa peningkatan pendapatan akan meningkatkan konsumsi, tetapi tidak
sebesar peningkatan pendapatan. Dengan kata lain, menurut Teori Keynes, pendapatan berpengaruh
positif terhadap konsumsi. Untuk menguji teori Keynes tersebut, dibentuk model ekonometrik dalam
bentuk fungsi regresi linear sederhana sebagai berikut:
Y =β0+β1Xi+ei
Untuk penyusunan model regresi tersebut, dikumpulkan data hipotetik mengenai konsumsi (Y) dan
pendapatan (X) dari 12 keluarga sampel (dalam Rp ribu perminggu) sebagai berikut: (tabel berikut juga
menyajikan jumlah anggota rumah tangga (ART). Untuk sementara abaikan dulu)

Setelah menginput data, klik Analyze > Regression > Linear. Akan muncul tampilan berikut:

Gambar 9.1
Isikan konsumsi (Y) pada kotak Dependent, dengan cara klik Konsumsi, klik panah ke kotak Dependent.
Dengan cara yang sama, isikan Pendapatan (Y) ke kotak Independent. Selanjutnya klik OK. Akan muncul
tampilan output SPSS yang diberikan sebagai berikut:

Pada output Model Summary, diberikan perhitungan R, R Square (R2), Adjusted R2dan Standard Error of
Estimate (SEE). Pada output ANOVA (Analysis of Variance) diberikan perhitungan-perhitungan untuk
pengujian signifikansi model secara keseluruhan. Pada output Coefficients diberikan estimasi koefisien-
koefisien model regresi (baik yang unstandarized maupun yang standarized). Dalam output tersebut juga

23
diberikan standar error masing-masing koefisien, nilai t hitung serta signifikansinya (dalam P-value)
Untuk kepentingan pelaporan, output SPSS tersebut diatas dapat diringkas dalam bentuk sebagai berikut:

Catatan: * signifikan pada α = 10%, ** signifikan pada α = 5 %, *** signifikan pada α = 1%

Pengujian hipotesis dilakukan dengan membandingkan nilai t-hitung dengan t-tabel pada α=1%, 5%, 10%
dengan d.f = 10. Nilai t(0,01)(10) = 3,169, nilai t(0,05)(10)= 2,228 dan nilai t (0,10)(10) = 1,812.
(Catatan: uji F atau pengujian secara simultan tidak diperlukan dalam model regresi sederhana karena
hanya melibatkan satu variabel bebas)
Nilai t-hitung pada koefisien β1 lebih besar dibandingkan nilai t(0,10)(10). Artinya koefisien β1 sebagai
kumpulan pengaruh seluruh variabel di luar model memiliki pengaruh yang signifikan terhadap konsumsi
dengan tingkat signifikansi 10%. Nilai t-hitung pada koefisien β2 lebih besar dibandingkan nilai t(0,01)
(10). Artinya terdapat pengaruh yang sangat signifikan antara pendapatan dan konsumsi dengan tingkat
signifikansi 1%.
Pengujian hipotesis juga dapat dengan melihat nilai P-value yang diberikan pada output SPSS. Kriteria
pengujiannya adalah jika P-value < α, maka tolak Ho, dalam artian terdapat pengaruh yang signifikan
secara statistik dari variabel tersebut.
Selanjutnya model dapat diinterpretasikan sebagai berikut: Pada pendapatan nol, rata-rata konsumsi
keluarga adalah sebesar Rp 13,676 ribu (nilai koefisien β1). Untuk setiap peningkatan pendapatan sebesar
Rp 1 ribu, maka secara rata-rata konsumsi keluarga akan meningkat sebesar Rp 0,713 ribu (nilai koefisien
β2).
Regresi Linear Berganda
Misalnya dalam kasus regresi linear sederhana sebelumnya, kita tambahkan satu variabel lainnya yang
mempengaruhi konsumsi selain pendapatan yaitu jumlah anggota keluarga.
Model ekonometrik dalam bentuk fungsi regresi linear bergandanya sebagai berikut:
Yi =β1+β2X2+β3X3+ei
Dimana: Y = konsumsi
X1 = pendapatan
X2 = jumlah anggota rumah tangga

Mengikuti tahapan-tahapan pengolahan data dengan SPSS sebagaimana yang diberikan sebelumnya,
didapatkan output sebagai berikut:

Output SPSS tersebut diatas dapat diringkas dalam bentuk sebagai berikut:

24
Dengan menggunakan nilai P-value dan nilai α tertinggi 10% terlihat bahwa baik pendapatan maupun
jumlah anggota rumah memiliki pengaruh yang signifikan secara statistik terhadap konsumsi.
Nilai koefisien X1 sebesar 0,428 berarti bahwa dengan asumsi (dengan menjaga) variabel X2 (jumlah
anak) konstan, setiap peningkatan pendapatan sebesar Rp 1 ribu akan meningkatkan konsumsi sebesar Rp
0,428 ribu. Selanjutnya, nilai koefisien X2 sebesar 3,464 berarti bahwa dengan asumsi (dengan menjaga)
variabel X1 (pendapatan) konstan, setiap tambahan satu orang anggota rumah tangga akan meningkatkan
konsumsi sebesar Rp 3,464 ribu.
Dari nilai P-value F hitung (juga bisa dengan cara membandingkan F hitung dengan F tabel), terlihat
bahwa secara simultan (bersama-sama) variabel X12 berpengaruh sangat signifikan terhadap Y.
Selanjutnya, nilai R2 yang sebesar 0,947 menunjukkan bahwa 94,7 persen variasi konsumsi disebabkan
oleh pendapatan dan jumlah anggota rumah tangga secara bersama-sama. (Catatan: pergunakan nilai
adjusted R2 dan X jika variabel bebas lebih dari dua)

Uji Asumsi Klasik

Uji Normalitas
Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau
tidak. Rasio skewness adalah nilai skewnes dibagi dengan standard error skewness; sedang rasio kurtosis
adalah nilai kurtosis dibagi dengan standard error kurtosis. Sebagai pedoman, bila rasio kurtosis dan
skewness berada di antara –2 hingga +2, maka distribusi data adalah normal
Langkah-Langkah dalam SPSS
Lakukan regresi seperti Gbr. 9.1 (tetapi dengan dua variable independent). Kemudian klik Save, akan
muncul tampilan berikut:

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.

25
Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri, selanjutnya pilih Options
akan muncul tampilan sebagai berikut

Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan pada tampilan awal pilih OK.
Hasilnya sebagai berikut
Skewness Kurtosis
Statistic Std. Error Statistic Std. Error
Unstandardized
.475 .637 -.831 1.232
Residual
Valid N (listwise)

Terlihat.bahwa.rasio.skewness.=0.475/0.637=.0,745;.sedang.rasio.kurtosis.=-0,831/1,232.=.-0,674
Karena. rasio. skewness. dan. rasio. kurtosis. berada. di. antara. –2. hingga. +2,. maka. dapat.
disimpulkan.bahwa.distribusi.data.adalah.normal..

Uji Autokorelasi
Salah satu cara untuk menguji autokorelasi adalah Uji Durbin-Watson (DW Test). Uji ini hanya
digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept
dalam model regresi dan tidak ada variabel lag di antara variabel penjelas. Hipotesis yang diuji adalah:
Keputusan ada tidaknya autokorelasi adalah:
Bila nilai DW berada di antara dU sampai dengan 4 - dU maka koefisien autokorelasi sama dengan
nol. Artinya, tidak ada autokorelasi.
Bila nilai DW lebih kecil daripada dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada
autokorelasi positif.
Bila nilai DW terletak di antara dL dan dU, maka tidak dapat disimpulkan.
Bila nilai DW lebih besar daripada 4 - dL, koefisien autokorelasi lebih besar daripada nol. Artinya

26
ada autokorelasi negatif.
Bila nilai DW terletak di antara 4 – dU dan 4- dL, maka tidak dapat disimpulkan.

Tahapan dalam SPSS

Lakukan regresi seperti Gbr. 9.1 (tetapi dengan dua variable independent). Kemudian klik Statistics, akan
muncul tampilan berikut:

Kemudian centang Durbin Watson, klik Continue, akan muncul tampilan berikut:
Adjusted Std. Error of Durbin-
Model R R Square R Square the Estimate Watson
1 .973(a) .947 .936 3.33495 1.077

Langkah. selanjutnya. adalah. menetapkan. nilai. dL. dan. dU.. Caranya. adalah. dengan. menggunakan.
derajat.kepercayaan.5%,.sampel.(n).yang.kita.miliki.sebanyak.12.observasi,.dan.variabel.penjelas.
sebanyak.2.maka.dapatkan.nilai.dL.dan.dU.sebesar.0,8122.dan.1,579..Maka.dapat.disimpulkan.bahwa.
model.ini.memiliki.gejala.autokorelasi.positif.

Uji Multikolinearitas

Ada banyak cara untuk menentukan apakah suatu model memiliki gejala Multikolinieritas, pada modul
ini hanya diperkenalkan dengan cara VIF. Cara ini sangat mudah, hanya melihat apakah nilai VIF untuk
masing-masing variabel lebih besar dari 10 atau tidak. Bila nilai VIF lebih besar dari 10 maka
diindikasikan model tersebut memiliki gejala Multikolinieritas.
Langkah-Langkah dalam SPSS
Kembali Lakukan regresi seperti pada Uji Normalitas. Setelah itu pilih Statistics kemudian centang
pilihan Collinearity Diagnostics setelah itu pilih tombol Continue dan akhirnya pada tampilan selanjutnya
pilih OK. Hasilnya sebagai berikut.
Coefficients(a)

Unstandardized Standardized
Model Coefficients Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 19.977 6.318 3.162 .012
x1 .428 .127 .572 3.368 .008 .203 4.936
x2 3.464 1.378 .427 2.514 .033 .203 4.936
a Dependent Variable: y

27
Dapat dilihat bahwa seluruh variabel penjelas memiliki nilai VIF lebih kecil dari 10 maka dapat
disimpulkan bahwa model regresi ini tidak memiliki masalah Multikolinieritas

Uji Heterokedastisitas
Banyak metoda statistik yang dapat digunakan untuk menentukan apakah suatu model terbebas dari
masalah heteroskedastisitas atau tidak, seperti misalnya Uji White, Uji Park, Uji Glejser, dan lain-lain.
Modul ini akan memperkenalkan salah satu uji heteroskedastisitas yang mudah yang dapat diaplikasikan
di SPSS, yaitu Uji Glejser.
Uji Glejser secara umum dinotasikan sebagai berikut:
|e| = b1 + b2 X2 + v
Dimana:
|e| = Nilai Absolut dari residual yang dihasilkan dari regresi model
X2 = Variabel penjelas
Bila variabel penjelas secara statistik signifikan mempengaruhi residual maka dapat dipastikan model ini
memiliki masalah Heteroskedastisitas

Kita sudah memiliki variabel Unstandardized Residual (RES_1) (lihat lagi langkah-langkah uji
Normalitas di atas). Selanjutnya pilih Transform ->Compute Variable, akan muncul tampilan sebagai
berikut

Kemudian dilanjutkan dengan regresi , dengan memasukkan variable abresid pada dependent dan
variable X1 dan X2 pada independent. Hasilnya sebagai berikut:
Unstandardized Standardized
Model Coefficients Coefficients t Sig.
B Std. Error Beta
1 (Constant) 3.994 3.481 1.148 .281
x1 -.056 .070 -.568 -.795 .447
x2 .614 .759 .578 .809 .439
a Dependent Variable: abresid
Seluruh koefisien variabel pejelas tidak ada yang signifikan secara statistik, sehingga dapat disimpulkan
bahwa model ini tidak mengalami masalah heteroskedastisitas.

28