Modul Pengolahan Data PDF
Modul Pengolahan Data PDF
Pengolaan
Publish: September 24
2010
Data SPSS
Metode Penelitian Dan
Pengolahan Data Penelitian Modul
(Pendekatan Praktis)
Oleh: Hanif Mauludin@gmail.com Praktikum
Statistik
Bismillaahirrahmaanirrahiim,
Wabihii nasta’inu Subhaanaka laa ’ilmalana illaa maa ‘allamtana innaka antal
‘aliimul hakiim. Allahumma shalli ‘alaa sayyidina Muhammad wa ‘alaa alihi
washahbihi.
Pendahuluan
…….. Dalam suatu ujian skripsi, tujuh peserta ujian ditanya oleh penguji…. “Apa
alasan anda memilih regresi berganda sebagai alat analisa ?..,” peserta 1, 2 dan 3
menjawab, dengan senyuman alias nggak ngerti, peserta 4 menjawab ikut skripsi
yang lalu, peserta 5 dan 6 menjawab atas saran dosen pembimbing, peserta 7
menjawab karena pertimbangan masalah dan tujuan penelitian serta formulasi model
penelitian.
….. mana kira-kira jawaban yang terbaik…….. !
Regresi Berganda adalah bagian dari analisis multivariate. Tujuan utama analisis
regresi berganda adalah untuk menduga besarnya koefisien regresi. Selanjutnya,
koefisien regresi inilah yang akan menunjukkan besarnya pengaruh peubah bebas
(independent variable/X) terhadap peubah tak bebas (dependent variable/Y).
Kata “berganda” diambil sebagai penjelas untuk menunjukkan bahwa peneliti dalam
penelitiannya menggunakan lebih dari satu variabel bebas (di kampus tercinta ini
variabel diistilahkan dengan kata peubah, pengertian keduanya mempunyai arti yang
sama). Pemborosan yang sering dilakukan oleh mahasiswa dalam skripsinya ialah ia
menyajikan semua analisa seperti regresi sederhana, korelasi sedehana, regresi
berganda, korelasi berganda yang pada akhirnya mahasiswa bingung sendiri, figure
statistik mana yang dipakai ?. Seiring kemajuan teknologi software, semua tujuan
untuk uji hubungan maupun pengaruh baik secara bersama-sama maupun secara
parsial dapat diselesaikan hanya dengan satu “click” yaitu “regression”. Semua
tindakan olah data itu dapat dilakukan bahkan berulang-ulang dengan beberapa
perbaikan yang dimungkinkan hanya dalam hitungan menit. Bersyukurlah kita karena
sudah ada software pengolah data yang saudara kenal dengan sebutan SPSS for
windows.
Jangan bayangkan statistic berwajah rumus yang “jlimet” dan seabrek
perhitungan lain, disini statistik sebagai alat dan sebagai alat ia telah mengalamai
metamorfosis, ibarat mengitung perkalian 2435364 x 647469865, dengan manual
?????, tetapi dengan calculator “no problem”. Demikian juga regresi berganda,
dengan manual ??????, tetapi dengan SPSS “smile dan menantang”. Yang terpenting
dari semua aspek teknis itu saudara bisa membaca hasil output SPSS tersebut untuk
pengambilan kesimpulan atas masalah dan tujuan penelitian, misal untuk apa
mengetahui nilai R, R square, nilai F, nilai b, nilai t, nilai Sig dan beberapa figure atau
parameter lain yang diperlukan untuk pengujian hipotesis dan menjawab
permasalahan penelitian.
Nah saudaraku mari kita santai sejenak dan perhatikan hiburan berikut
ini…………………….
Ibarat anda sakit batuk dan tentu anda beli obat batuk, yang penting adalah anda
mengerti aturan/cara minum, kontra indikasi serta pantangannya. Anda tidak perlu
tahu bagaimana unsur-unsur kimia itu diproses dan bagaimana komposisi zat itu
dihitung takarannya. Sebab itu sudah menjadi tanggung jawab ahli-ahli kimia dan
kedokteran dan tentunya telah melalui proses quality control yang ketat sebelum dijual.
Analisis regresi dengan bantuan software SPSS layaknya seperti ilustrasi tersebut.
Ketahui saja bagimana persyaratan-persyaratan sebelum proses input data dan
outputnya sebagai bahan untuk pengambilan kesimpulan, jelaskan temuan angka-
angka atau figure statistik itu dengan bersandar pada teori dan empiris, jangan sibuk
belajar dari mana asal muasal angka R, R square, t, beta, dsb apalagi sampai
dibuktikan secara manual, akhirnya energi saudara habis untuk urusan hitung
menghitung yang sebenarnya bukan tujuan utama saudara. Akibatnya pembahasan
thesis, anti-thesis dan sintesa antara kajian teori dan temuan empiris menjadi tidak
tajam karena anda lebih mengutamakan belajar darimana angka-angka tersebut tapi
bukan belajar apa arti angka-angka tersebut. Fenomena ini sering penulis temui ketika
menjelang ujian skripsi mahasiswa sibuk dan stress gara-gara rumus. Bukan sibuk
mempersiapkan penjelasan yang logis atas temuan penelitiannya.
Mohon direnungkan……
Sebagai misal peneliti ingin mengetahui apakah ada pengaruh antara gaji karyawan
dan Kedisiplinan kerja karyawan terhadap Prestasi kerja karyawan.
Gaji
karyawan
Prestasi kerja
karyawan
Kedisiplinan kerja
karyawan
didalam akhir bab II, gambar ini biasanya disajikan kerangka/ model
teori penelitan
Based on this model, dapat kita mengerti bahwa terdapat dua peubah bebas (x1 dan
x2) dan satu peubah terikat (Y), yang selanjutnya ingin diketahui bagaimana bentuk
hubungan dan pengaruhnya, tentunya dengan menggunakan analisis regresi
berganda.
Setelah bangunan teori di susun dengan menyajikan argumen yang kuat dan relevan.
Berikutnya perumusan hipotesis dilakukan sebagai dasar pengujian. Dalam contoh
diatas peneliti mempunyai fokus pada peubah gaji karyawan (x1) dan Kedisiplinan
karyawan (x2) keduanya sebagai peubah bebas yang berpengaruh pada prestasi kerja
karyawan (Y) (lihat model hal 1). Selanjutnya peneliti harus menyusun pengukuran
1
Model penelitian dimaksudkan untuk membuat penyederhanaan permasalahan,
sehingga pembaca dapat mengetahui alur atau arah cerita penelitian yang
dilakukan.
dari peubah-peubah tersebut. (dalam skripsi saudara, perbincangan ini masuk pada
bab III, Peubah dan Pengukuran). Untuk mempermudah penguasan peubah dan
pengukuran, saudara lebih baik membuat tabel yang berisikan penjelasan atas peubah
dan pengukuran tersebut, lihat contoh berikut:
Langkah awal.
Susun terlebih dahulu peubah dan pengukurannya sebelum di input kedalam SPSS
editor sbb. (lihat tabel hal 3)
Penjelasan mengenai skala pengukuran dan teknik prosedur penyusunan
instrument penelitian baca dii modul metpen yang atau konsultasikan pada Dosen
pembimbing yang terhormat
Contoh pertanyaan didalam kuisioner:
1. Bagaimana pendapat bpk/ibu/sdr tentang jumlah gaji yang diterima perbulan dari
perusahaan.
a. sangat memadai Jawaban a dinilai 5, b nilai 4, dst, e nilai 1
b. memadai Lihat panduan penyusunan skala likert , semantik
c. cukup diferensial dan skala guttman. (modul metpen)
d. kurang
e. sangat tidak memadai
(x1.1; x1.2 dst hanyalah pemberian istilah saja untuk mempermudah mengenali
variabel beserta indikatornya. X1.1 artinya indikator ke 1 dari variable ke 1, x2.2
artinya indikator ke dua dari variable ke 2, dst)
Menjalankan SPSS.
1. Buka SPSS , bisa open lewat program, windows explorer atau klik dua kali icon
SPSS.
Hasilnya akan nampak seperti ini:
setelah media spss editor dalam posisi ready, selanjutnya tinggal ketik nama-nama
variable beserta masing-masing indikatornya dengan cara sbb: (untuk memulai
memberi nama variable, klik variable view pada bagian paling bawah sebelah kiri)
Hasilnya akan tampak sbb:
berikutnya entry data bisa dimulai dengan kesabaran dan ketelitian. Sekali lagi proses
ini sangat mudah sekali tinggal klik sana klik sini dan langsung jadi. Hasilnya lihat
dibawah ini.
Data diatas berjumlah n=30 namun hanya tampak n=12
Setelah data lengkap disajikan didalam spss editor selanjutnya akan dilakukan analisis
regresi, dengan tahapan sebagai berikut.
Tahap Awal.
Lakukan uji Validitas dan Reliabilitas seperti petunjuk di bawah ini
• Arahkan pointer saudara pada menu Analyze
• Pilih Scale, selanjutnya pilih Reliability Analysis,,,,, (lihat kotak )
berikutnya akan tampak kotak sbb:
Masukkan tiap peubah dan indikator ke dalam kotak item (pakai tanda untuk
memasukkan dan mengeluarkan tiap peubah beserta indikatornya) sesuai dengan
kelompoknya masing-masing, Gambar diatas adalah proses untuk menguji validitas
dan reliabilitas untuk indikator-indikator X1, lakukan hal yang sama untuk x2 dan Y
lakukan sesuai kelompoknya (lihat hal 5 )
Klik Ok dan hasilnya adalah
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)
Item-total Statistics
Reliability Coefficients
Alpha = .7784
Interpretasi hasil uji validitas dan reliabilitas.
Secara statistik, Instrumen penelitian dikatakan mempunyai tingkat validitas yang baik
jika Nilai corrected item-total correlation dibandingkan dengan nila r kritik pada tabel
harus lebih besar.
Instrumen penelitian dikatakan mempunyai tingkat reliabilitas yang tinggi jika nilai
Alpha lebih besar dari 0,6. Jadi instrument penelitian untuk merespon peubah gaji
sudah “valid dan reliable”, lakukan interpretasi yang sama untuk x2 dan Y dengan
bersandar pada ketentuan diatas.
Setelah melakukan uji validitas dan reliabilitas, berikutnya lakukan pengujian asumsi
klasik2 (untuk uji asumsi klasik akan dijelaskan pada bagian akhir). Setelah semua
asumsi dipenuhi ( multikolieritas, autokorelasi, heteroskedastisitas dan normalitas)
Proses uji asumsi klasik bisa dilakukan secara bersama dengan analisi regresi
berganda. Dengan tahapan sebagai berikut:
Pilih menu Analyze, pilih Regression, pilih linear, tampilannya akan tampak sebagai
berikut.
Klik linear maka akan tampak kotak perintah sbb: ikuti langkah berikut:
2
lihat penjelasannya pada halaman 19.
• Masukkan peubah bebas (hanya nilai total saja, x1, x2 ) pada kotak
independent
• Masukkan peubah terikat (hanya nilai total Y) pada kotak dependent
• Berikutnya klik icon “statistics….” Kemudian beri tanda check (√ ) pada kotak
yang telah disediakan, sesuaikan dengan contoh
Setelah
Selanjutnya klik continue dan klik Ok, maka spss sedang running… tunggu beberapa
saat dan hasil analisis regresi berganda sudah bisa dilihat seperti tampilan berikut ini.
Regression
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 kedisiplina
n, gaji a . Enter
karyawan
a. All requested variables entered.
b. Dependent Variable: prestasi kerja
Model Summaryb
Change Statistics
Adjusted Std. Error of R Square Durbin-W
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change atson
1 .738a .544 .510 .9066 .544 16.103 2 27 .000 2.002
a. Predictors: (Constant), kedisiplinan, gaji karyawan
b. Dependent Variable: prestasi kerja
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 26.473 2 13.237 16.103 .000a
Residual 22.194 27 .822
Total 48.667 29
a. Predictors: (Constant), kedisiplinan, gaji karyawan
b. Dependent Variable: prestasi kerja
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) -4.35E-04 2.181 .000 1.000
gaji karyawan .588 .179 .471 3.279 .003 .642 .534 .426 .819 1.220
kedisiplinan .512 .183 .402 2.799 .009 .602 .474 .364 .819 1.220
a. Dependent Variable: prestasi kerja
Berikutnya adalah melakukan interpretasi atas hasil analisis regresi. Dalam membaca
print out SPSS tersebut, saudara harus bersandar pada rumusan masalah, tujuan dan
hipotesis penelitian. Artinya tidak semua angka-angka/parameter diinterpretasikan.
Dalam contoh ini telah disebutkan bahwa peneliti ingin mengetahui dan menguji:
• Apakah ada pengaruh antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap
prestasi kerja (Y) secara bersama-sama mapun secara parsial
Dengan demikian hipotesis penelitian akan dinyatakan :
• Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2)
terhadap prestasi kerja (Y) secara bersama-sama mapun secara parsial.
Jika dimungkinkan, saudara juga diperbolehkan menduga bahwa salah satu variabel
mempunyai pengaruh paling dominan, asalkan saudara mempunyai argumen yang
kuat berdasarkan teori maupun penelitian terdahulu, ingat harus punya argumen tidak
sekedar menduga tanpa dasar.
Misalnya, Diduga gaji karyawan (x1) mempunyai pengaruh yang paling dominant
terhadap prestasi kerja (Y), hal ini tentunya harus didukung dengan alasan yang kuat
bukan sekedar ikut kebiasaan selama ini.
Sekarang marilah kita mulai dengan belajar membaca print out spss regresi
berganda.
Pengujian hipotesis,
Ada pengaruh yang signifikan antara gaji karyawan (x1) dan kedisiplinan (x2) terhadap
prestasi kerja (Y) secara bersama-sama.
Untuk pengujian penelitian, secara statistik biasanya ada prosedur sbb
1. lihat nilai R (koefisien korelasi berganda) gunanya untuk mengetahui keeratan
hubungan antara peubah x1 dan x2 (secara sumultan) terhadap peubah terikat (y).
Nilai korelasi bisa bernotasi negative maupun positif, notasi ini mengindikasikan
bentuk atau arah hunungan yang terjadi. Perhatikan Kriteria nilai korelasi pada
tabel berikut:
Hasil analisis menunjukkan nilai R= 0.738, hal ini menunjukkan bahwa terdapat
hubungan yang cukup kuat antara gaji karyawan (x1) dan kedisipliinan (x2) secara
bersama-sama terhadap prestasi kerja (Y). Artinya jika x1 dan x2 meningkat maka
Y juga akan meningkat (korelasi positif). (lihat tabel Model Summary hal 13)
2. Lihat nilai R square (R2) juga disebut sebagai koefisien determinasi gunanya untuk
mengetahui besarnya kontribusi peubah bebas (x) secara serempak didalam
menjelaskan peubah terikat (Y). R Square juga dapat menunjukkan ragam naik
atau turunnya peubah terikat (Y) yang diterangkan oleh pengaruh linier peubah
bebas (X).
Ukuran nilai R Square adalah 0 ≤ R2 ( 1, artinya semakin mendekati angka satu
berarti garis regresi yang terbentuk dapat meramalkan peubah terikat (Y) secara
lebih baik menuju kesempurnaan (model fit)
Dalam tabel model summary (hal 13) kita lihat nilai R2 sebesar 0,544. Hal ini
diartikan bahwa peubah bebas dalam hal ini gaji dan kedisiplinan secara bersama-
sama menjelaskan peubah prestasi kerja sebesar 54,4 %, sedangkan sisanya
45,6 % dijelaskan oleh peubah lain yang tidak diteliti dalam penelitian ini atau
model penelitian.
Semakin besar nilai R2 semakin menunjukkan ketepatan model yang telah
disusun (model yang dimaksud adalah model teori penelitian ini).
3. Lihat Nilai F statistic (biasa disebut Uji F) dan Nilai Sig. (lihat table ANOVA, hal 13)
NIlai F statistic dapat digunakan untuk mengetahui tingkat signifikansi kontribusi
peubah bebas (secara bersama-sama) dalam menjelaskan peubah terikat. Artinya
apakah pengaruhnya nyata atau bermakna. Dengan membandingkan nilai F
statistic dengan nilai F table dapat diketahui tingkat signifikansinya.
Kita lihat dari table ANOVA bahwa nilai F stat sebesar 16.03 sedangkan F table dapat
di tentukan dengan cara sebagai berikut:
Lihat df (degree of freedom) atau derajat bebas (db) rumusnya k, n-k-1 atau
langsung lihat di table anova, df nya adalah 2 (jumlah peubah bebas) , dan 27
(jumlah responden – peubah bebas -1 jadi 30-2-1=27) setelah diketahui df nya
berikutnya lihat table F yang tersedia di setiap buku statistic. Cara baca tabelnya
adalah sebagai berikut
Lihat angka 2 pada kolom db pembilang dan lihat angka 27 pada kolom db
penyebut dan hubungkan perpotongan keduanya pada tingkat alpha (misal 0,05)
maka akan terlihat angka sebesar 3,35.
Jika kita bandingkan antara F stat dengan F table maka 16,03>3.35, jadi
keputusannya adalah menerima hipotesis yang menyatakan bahwa terdapat
pengaruh yang signifikan antara gaji karyawan (x1) dan Kedisiplinan karyawan
(x2) secara bersama-sama terhadap prestasi kerja karyawan (Y)
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) -4.35E-04 2.181 .000 1.000
gaji karyawan .588 .179 .471 3.279 .003 .642 .534 .426 .819 1.220
kedisiplinan .512 .183 .402 2.799 .009 .602 .474 .364 .819 1.220
a. Dependent Variable: prestasi kerja
Secara parsial semua peubah bebas mempunyai pengaruh yang signifikan hal ini bisa
dilihat dari nilai t stat maupun Sig, dimana nilai t stat lebih besar dari t table sedangkan nilai
Sig masih dibawah Alpha 0,05
Peubah gaji karyawan pengaruhnya signifikan terhadap prestasi kerja (t stat =3.279 > t
table=2,056). Demikian juga nilai Sig=0.003 < 0,05 dengan koefisien regresi sebesar
0.588. Hal ini menyimpulkan bahwa hipotesis diterima.
Demikian juga dengan peubah kedisiplinan, dengan melihat nilai yang sama seperti
diatas dapat disimpulkan bahwa, kedisiplinan mempunyai pengaruh signifikan
terhadap prestasi kerja. Hal ini menyimpulkan bahwa hipotesis diterima.
Dari kedua peubah tersebut, dapat disimpulkan bahwa peubah gaji karyawan
mempunyai pengaruh yang paling dominant, hal ini ditunjukkan oleh nilai B maupun
nilai beta dan t yang lebih besar dan Sig yang lebih kecil dibandingkan dengan peubah
kedisiplinan.
Rekapitulasi hasil analisis regresi berganda
Kedisiplinan kerja
karyawan (x2)
B=0,512 Semua Hipotesis diterima, pada :
t=2,799 F tabel = 3,35
Sig=0,009 t table = 2,056
Alpha = 0,05
Jadi untuk tujuan penelitian ini beberapa parameter yang harus saudara ketahui ialah:
Nilai R, R square, Nilai F(uji F), Nilai koefisien b atau beta, Nilai t (uji t), Nilai Sig
Ketika saudara mengartikan beberapa nilai statistik berdasarkan tabel-tabel pada
halaman 13, itu berarti saudara sudah melakukan interpretasi secara statistik.
Penggunaan
Sebagai contoh perhatikan figure 14 yang menjelaskan sebuah set variabel yang saling
berhubungan dengan survey tentang kepuasan kerja.
Diagram Input
Masa kerja
Kepuasan kerja
otonomi
income
3
Prosedur analisis jalur sama dengan regresi berganda yang telah dibahas pada bagian 1.
4
Model ini dikutip dari Bryman, A. & Cramer,D.(1990). Quantitative data analysis for social
scientists, pp.246-251)
Tujuan penelitian adalah untuk menjelaskan bahwa peneliti ingin mengetahui
bagaimana pengaruh masa kerja, otonomi dan income secara langsung maupun tidak
langsung terhadap kepuasan kerja
Untuk mengetahui tujuan itu, kita harus menghitung path coefficients. Path
coefficients ini bisa kita peroleh dari nilai standardized regression coefficient atau beta.
Pada bahasan regresi berganda nilai beta terdapat pada table coefficient (misal hal
17).
β 0.28 otonomi
β 0.58
β 0.22
β 0.57 income
β 0.47
Berdasarkan diagram output kita bisa menarik kesimpulan secara statistic sebagai
berikut.
1. Pengaruh secara langsung antara masa kerja dengan kepuasan adalah -0.08
(pola hubungan negative)
2. Pengaruh secara tidak langsung antara masa kerja dengan kepuasan kerja dapat
dihitung sebagai berikut:
Interpretasi
Hasil ini menjelaskan bahwa secara uji statistik pengaruh langsung antara masa
kerja dengan kepuasan adalah kecil dan negative (-0.08), sedangkan pengaruh
secara tidak langsung adalah positif dan lebih besar (0.37).
Berikutnya peneliti menjelaskan secara teoritis dan empiris mengapa hal itu terjadi.
Menurut logika penulis hal ini sangat dimungkinkan sebab semakin lama masa
kerja jika tidak diikuti oleh peningkatan peran akan menyebabkan pegawai merasa
jenuh, kondisi ini mungkin menyebabkan pegawai merasa dirinya sudah tidak bisa
lagi ikut berperan dalam dinamika organisasi sehingga kepuasan kerjanya menjadi
menurun. Lain halnya jika masa kerja yang lama dibarengi juga dengan
peningkatan wewenang untuk mengatur aktivitasnya (otonomi), perbaikan
pendapatan atau pergharaan lain (income), maka kepuasan kerja akan meningkat
sebab pegawai merasa semakain dihargai senioritas dan pengabdiannya.
Tentunya pendapat yang disampaikan akan lebih kuat jika didukung oleh teori
maupun hasil penelitian terdahulu.
Demikian Path Analysis, dengan kelebihannya dapat mengungkap pengaruh
secara langsung maupun pengaruh secara tidak langsung yang mungkin
diperlukan dan berguna bagi peneliti dalam menjelaskan temuannya.
Bagian Tiga
Analisa Paired – Samples t tests
dan Independent Samples t tests
(Uji Beda Untuk Sampel Berpasangan dan Tidak
Berpasangan)
Contoh 1
Misal, peneliti ingin mengetahui apakah ada perbedaan antara rasa kopi merek A dan
merek B. Untuk tujuan tersebut peneliti telah menyiapkan 10 orang relawan yang suka
kopi untuk mencoba rasa kopi merek A dan merek B. kemudian diminta memberikan
nilai dengan skala 1 sampai dengan 8 seperti berikut.
Skala pengukuran (semantic differential)
Tidak Enak Cukup
Sangat Enak
1 2 3 4 5 6 7 8
Berikutnya untuk menjawab tujuan penelitian, data tersebut kita siapkan di SPSS
editor dengan langkah sebagai berikut:
Selanjutnya analisa dapat dimulai dengan langkah sbb:
Klik Analyze pilih Compare Means pilih Paired Samples T Test. Maka akan tampil
BOX seperti berikut:
Selanjutnya klik merek a (a) dan merek b (b) kemudian klik tanda panah maka merek
a dan merek b yang dibandingkan masuk dalam kotak Paired Variables, Kemudian
OK,
Hasil pengolahan dengan menggunakan SPSS dapat dilihat pada output dibawah ini.
T-Test
Paired Samples Statistics
Std. Error
Mean N Std. Deviation Mean
Pair merek a 7.0000 10 1.1547 .3651
1 merek b 6.3000 10 1.0593 .3350
N Correlation Sig.
Pair 1 merek a & merek b 10 .545 .103
Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 merek a - merek b .7000 1.0593 .3350 -5.78E-02 1.4578 2.090 9 .066
Dengan tahapan analisis seperti pada contoh satu maka didapat output spss sebagai
berikut:
T-Test
Paired Samples Statistics
Std. Error
Mean N Std. Deviation Mean
Pair SEBELUM -.8700 10 2.2514 .7120
1 SESUDAH 3.5300 10 1.5770 .4987
N Correlation Sig.
Pair 1 SEBELUM & SESUDAH 10 .917 .000
Paired Samples Test
Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 SEBELUM - SESUDAH -4.4000 1.0220 .3232 -5.1311 -3.6689 -13.615 9 .000
T-Test
One-Sample Statistics
Std. Error
N Mean Std. Deviation Mean
SESUDAH 10 3.5300 1.5770 .4987
One-Sample Test
Test Value = 3
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
SESUDAH 1.063 9 .316 .5300 -.5981 1.6581
Secara keseluruhan nilai CAR bank yang ditangani oleh BPPN dengan batas ambang
CAR sebesar 3% terpenuhi. Hal ini ditunjukkan oleh Nilai t=1.063 dengan p<0.316
dengan mean= 3.5 yang artinya tidak ada perbedaan signifikan sehingga H0 diterima.
Latihan
Sebuah industri Bola lampu ingin menguji apakah produknya mempunyai daya nyala
selama 1000 jam nonstop. Untuk keperluan pengujian, telah diambil 10 bola lampu
secara acak dari 2 lini produk masing-masing 5 unit dan dinyalakan secara bersama-
sama dan daya tahan lampu tersebut didokumentasikan seperti dalam table berikut.
T-Test
One-Sample Statistics
Std. Error
N Mean Std. Deviation Mean
WAKTU 10 1010.1000 35.4854 11.2215
One-Sample Test
1. Dasar pemikiran
Terkadang dalam suatu penelitian kita dihadapkan pada beragam factor atau
variable yang diduga mempunyai kaitan dengan suatu permasalahan yang ingin
kita cari tahu jawabannya. Banyaknya factor atau variable ini terkadang bisa
membuat bias dalam perumusan/formulasi permsalahan atau terkadang akan
merepotkan peneliti karena harus mengendalikan banyaknya variable atau factor
tersebut yang secara bangunan teori terkadang kurang kuat.
Berdasar pada situasi tersebut maka timbul pemikiran untuk mereduksi atau
meringkas beragam factor atau variable tersebut menjadi suatu bentuk/model teori
yang baru dengan harapan model tersebut nantinya akan dapat menjelaskan
secara optimal tentang permasalahan yang ingin kita cari tahu jawabannya.
Dengan demikian, merujuk pada pendapat Malhotra (1993), analisis factor adalah
merupakan sekelompok prosedur untuk mengurangi dan meringkas data.
Ket:
Xi :variable standar ke-i
Aij :koefisien loading dari variable I pada factor umum j
F :factor umum
Vi :koefisien standartized loading dari variable I pada factor khusus I
Ui : factor khusus bagi variable I
m :jumlah dari factor umum
Sedangkan faktor-faktor umum dapat dinyatakan sebagai berikut:
F1 = Wi1Xi1+Wi2Xi2+Wi3Xi3+…………+WikXik
Ket:
F1 :estimasi factor loading ke-1
Wi :bobot atau koefisien nilai factor
k :jumlah variabel
2. Akurasi Model Faktor
Agar terdapat kesesuaian antara permasalahan yang akan dijawab beserta data
yang diperoleh dengan alat analisis yang akan digunakan maka perlu dilakukan
telaah akurasi model factor. Prosedur dalam analisis factor adalah mengikuti
beberapa tahapan sebagai berikut:
Memformulasikan permasalahan
Rotasi faktor
Interpretasi factor-faktor
1. Memformulasikan permasalahan
4. Rotasi factor.
Hasil penyederhanaan dalam matrik factor memperlihatkan hubungan antara
factor dengan variable individual. Tetapi dengan banyaknya variable yang saling
berkorelasi sehingga sulit untuk diinterpretasikan. Untuk itu harus dilakukan rotasi
factor matrik yang hasilnya lebih sederhana sehingga mudah dibaca. Dalam rotasi
matrik factor ini metode yang digunakan adalah Varimax yaitu metode rotasi
orthogonal untuk meminimumkan jumlah variable dengan berpedoman pada nilai
loading tertinggi.
5. Interprestasi faktor-faktor.
Interprestasi factor dapat dilakukan dengan mengelompokkan variable yang
mempunyai factor loading tertinggi kedalam factor tersebut. Untuk interpretasi
hasil perilaku ini, factor loading dengan nilai > 0,5 sedangkan yang < 0,5
dikeluarkan dari model.
1. Uji Bartlett
Yaitu uji tingkat independen dari variable-variabel. Hasil Bartlett test of sphericity
dengan melihat tingkat signifikansi kesalahan untuk mengindikasikan sejauhmana
antar variable tersebut berkorelasi.
4. Model FIT
Analisis ini sebenarnya untuk seberapa besar residual antara korelasi yang
diamati dengan korelasi yang direproduksi. Sebagai ukuran jika terdapat banyak
nilai residual melebihi nilai absolut 0.05 maka model tidak dapat diterima.
• Open SPSS
• Siapkan data yang akan diolah
• Klik menu analyze, pilih Data Reduction, pilih factor.
• Muncul box menu berisikan:
Kotak variables (sebelah kiri berisikan variable, kanan kosong)
Masukkan variable yang akan difaktorisasi (kolom sebelah kiri) kedalam
kolom sebelah kanan, dengan menekan tanda ►.
Descriptives (pada menu box, pilih coefficient dan KMO and Bartlett test
atau klik semua pilihan), continue
Extraction ( pada menu box, pilih metode principal component, eigenvalue
1 atau 0,5. continue
Rotation (pada menu box pilih method varimax )continue
Scores
Option
Tekan OK, output akan nampak seperti dibawah ini:
Demikian seterusnya.
Penutup
Bersandar pada pendapat ini, masihkan kita saling bertahan dengan pendapat pribadi
dengan mengabaikan pendapat orang lain yang kemungkinan mengandung
kebenaran dan membawa pencerahan….. Penulis yang masih kurang dalam segala
hal sangat mengharapkan saran koreksi dari pembaca untuk perbaikan.
Wallaahua’lam bisshawab
Singosari, 27 Rajab 2003,
Hanif Mauludin,
e-mail: hanif@stie-mce.ac.id.
Web: www.stie-mce.ac.id/~hanif
phone: STIE –MCE. 491813 ext 129 (ruang mce internet J-4)
Segera terbit suplemen tambahan untuk edisi mahasiswa ABM, analisis kluster dan
diskriminan
REFERENCE
1. Everitt, B.S, & Dunn, G. (1991). Applied multivariate data analysis. London:
Edward Arnold.
2. Bryman, A & Cramer, D. (1990). Quantitative data analysis for social scientists. pp.
246-251
3. Rietveld & Sunaryanto, (1994). 87 masalah pokok dalam regresi berganda
4. Sugiarto. (1992). Tahap awal dan Aplikasi analisis Regresi
5. http://www.exeter.ac.uk/~SEGLea/multvar2