STATISTIK DESKRIPTIF - SPSS

Diklat Fungsional Statistisi Tingkat Ahli Angkatan 21

Budiyanto, Widyaiswara Ahli Madya

Are U looking For a Statistician ???
U are Lucky I’m the one …..
 TUJUAN PEMBELAJARAN
UMUM KHUSUS

Setelah mempelajari materi ini, peserta dapat :

• Memahami proses pengolahan data dengan SPSS

Setelah mempelajari 1
materi ini peserta dapat
mengerti dan mampu
melakukan proses
pengolahan, penyusunan • Mengeluarkan output data pengolahan.
laporan dan analisis 2
statistik secara sederhana
dengan menggunakan
paket program SPSS
• Melakukan analisis statistik deskriptif data yang dihasilkan
dari SPSS
3

3
 MATERI POKOK
• Menganalisis Statistik Deskriptif
1

• Menganalisis Statistik Frekuensi

2

• Menganalisis Statistik Eksplorasi

3 Data

• Menganalisis Dengan Cross Tab

4

• Menganalisis Statistik Ratio

5

4
 4 SOFTWARE STATISTIK PALING BANYAK DIGUNAKAN

1. SPSS. Statistical Package for the Social Sciences atau

pupuler disingkat (SPSS) dirilis pertama kali pada
tahun 1968.
SPSS adalah program komputer yang dipakai untuk
analisa statistika.

Sejak tanggal 28 Juli 2009, "SPSS" disebut sebagai PASW

(Predictive Analytics SoftWare).
Dibeli oleh perusahaan IBM dengan harga US$1,2 milyar.

2. Minitab adalah program komputer yang dirancang untuk

melakukan pengolahan statistik. Minitab mengkombinasikan
kemudahan penggunaan layaknya Microsoft Excel dengan
kemampuannya melakukan analisis statistik yang kompleks.
3. LISREL Linear Structural Relationship populer
dikenal dengan Lisrel pada awalnya Lisrel merupakan
sebuah nama model persamaan struktural yang
dikembangkan oleh Karl Joreskog (1973). Pada tahap
selanjutnya dikembangkan software computer yang
mendukungnya oleh Joreskog dan Sorbom.
Menurut Jurnal Information System Research, penggunaan SEM* dengan LISREL
adalah sekitar 15% dari seluruh riset berbasis hubungan struktural,
dibandingkan total penggunaan EQS dan AMOS, yang hanya sekitar 3%.

4. SAS Statistical Analysis System atau popular disebut SAS

adalah suatu sistem terpadu dari produk perangkat lunak
yang disediakan oleh SAS Institute Inc.

SAS memungkinkan programmer untuk melakukan entri

data, analisis statistik, peramalan untuk mendukung
keputusan riset operasi, peningkatan kualitas
pengembangan aplikasi data dan lain sebagainya.
* Structural Equation Modelling (SEM) merupakan salah satu analisis multivariate yang dapat menganalisis hubungan variabel
secara kompleks. Analisis ini pada umumnya digunakan untuk penelitian-penelitian yang menggunakan banyak variabel.
 SPSS / PASW

Komputer Input Data Proses Komputer

Output Data
(Informasi)

Statistik Input Data Proses Statistik

Output Data
(Informasi)

SPSS Input Data dengan

Data Editor
Proses Statistik
dengan Data Editor
Output Data (dengan
Output Navigator)
 SPSS/PASW …………………????
SPSS FOR WINDOWS
SPSS - Statistical Program for Social Science merupakan
paket program aplikasi komputer untuk menganalisis data
statistik. Dengan SPSS kita dapat membuat laporan
berbentuk tabulasi, chart (grafik), plot (diagram) dari
berbagai distribusi, statistik deskriptif dan analisis statistik
yang kompleks.

SPSS adalah sebuah sistem yang lengkap, menyeluruh,

terpadu, dan sangat fleksibel untuk analisis statistik dan
manajemen data.
Kepanjangan SPSS pun mengalami perkembangan berubah
menjadi Statistical Product and Service Solution atau bisa juga
PASW (Predictive Analytics SoftWare).
Keunggulan SPSS for windows adalah :

1. diwujudkan dalam menu dan kotak-kotak dialog

antarmuka ( dialog interface) yang cukup
memudahkan para user dalam perekaman data (data
entry) ,
2. memberikan perintah dan sub-sub perintah analisis
hingga menampilkan hasilnya.
3. memiliki kehandalan dalam menampilkan chart
atau plot hasil analisis
4. Kemudahan penyuntingan bilamana diperlukan
 Data
Dalam menunjang kerjanya, SPSS for
windows menggunakan beberapa tipe
Output
window, yaitu : SPSS Data Editor,
WINDOW Output Window, Syntax Window, Chart
Syntax
SPSS Carousel, Chart Window, Script dan
Help Window.
Script

Help
 DATA EDITOR
Menu : File, Edit , Data transform, Statistic, Graphs,
Utilities, Window, Help.

Data editor adalah window yang bersama output

window pertama kali keluar pada saat pertama kali
dioperasikannya SPSS for windows. Window ini
berwujud kotak-kotak persegi (sel-sel ) sejenis
tampilan spreadsheet yang berfungsi sebagai sarana
pemasukan data, penghapusan, pengurutan dan
berbagai pengolahan data aslinya
Title Bar
Menu Bar

Tool Bar

Sel Aktif
Variable View :

 Type  Missing
 Width  Columns
 Decimal  Align
 Label  Measure
 Values  Role
Output Window

Menu : File, Edit, Data, Transform, Statistics,

Analyze, Graphs, Utilities, Window, Help.

Output window adalah text window yang

merupakan media tampilan dari hasil
proses yang dilakukan oleh SPSS prosesor.
Seluruh hasil proses pengolahan data
pengolahan grafik, penganalisaan data
maupun perjalanan menu utilities ditampilkan
pada output window
Title Bar
Menu Bar

Tool Bar
 STATISTIK DESKRIPTIF

Tabulasi

Data Grafik

Summary Statistics

Statistik deskriptif adalah statistik yang digunakan untuk

menganalisa data dengan cara menggambarkan data yang telah
terkumpul sebagaimana adanya, tanpa bermaksud membuat
kesimpulan yang berlaku untuk umum atau generalisasi
PEMBAHASAN MENU-MENU
DALAM SPSS YANG BERKAITAN
DENGAN STATISTIK DESKRIPTIF

Frequencies

Descriptives

Explore
Descriptive Statistics

Crosstabs

Ratio
Frequencies
Menu ini membahas beberapa penjabaran ukuran statistik
deskriptif seperti Mean, Median, Kuartil, Persentil, Standar Deviasi
dan lainnya.
 No Tinggi Gender
Data tentang tinggi badan 25 orang 14 170.4 Wanita
peserta Diklat Statistisi Ahli (dalam 15 168.9 Wanita
centimeter) yang diambil secara acak. 16 168.9 Wanita
No Tinggi Gender 17 177.5 Wanita
1 170.2 Pria 18 174.5 Pria
2 172.5 Pria 19 186.6 Wanita
3 180.3 Pria 20 164.8 Wanita
4 172.5 Pria 21 170.4 Pria
5 159.6 Wanita 22 168.9 Pria
6 168.5 Wanita 23 164.8 Wanita
7 168.5 Pria 24 167.2 Wanita
8 172.5 Pria 25 167.2 Wanita
9 174.5 Pria
10 159.6 Wanita
11 170.4 Wanita
12 161.3 Wanita
13 172.5 Pria
1. Mendefinisikan variabel
2. Input Data
3. Olah Data
4. Summary

Buat Folder di D: “Deskripsi Statistik_NoAbsen” –

Beri Nama File “LatihanFrequensi”
Pilihan Statistics meliputi berbagai ukuran untuk menggambarkan
data, antara lain sebagai berikut :

 PercentilesValues. Untuk keseragaman klik Quartiles dan

Percentile(s). Kemudian pada kotak disamping kanan
Percentiles ketik 10, lalu tekan Add. Sekali lagi ketik 90
pada kotak terdahulu, dan klik lagi tombol Add.
Hal ini dimaksudkan untuk membuat nilai persentil pada
10 dan 90.
 Dispersion atau penyebaran data. Untuk keseragaman,
semua atau keenam jenis pengukuran Dispersion dipilih
semua.
 Central Tendency atau pengukuran pusat data, untuk
keseragaman pilih Mean dan Median.
 Distribution atau bentuk distribusi data. Untuk
keseragaman, klik Skewness dan Kurtosis.
Pilihan Charts…juga diklik

1. Menu Charts berkenaan dengan jenis grafik yang ingin kita pilih.
Dari Chart Type, untuk keseragaman kita pilih Histogram. Lalu
menu With normal curve-nya akan hidup, maka kita klik juga
With normal curve. Lalu klik Continue.
2. Sekarang editor akan kembali ke tampilan editor Frequencies
seperti awal, selanjutnya kita akan memilih menu Format.

menu Format diklik

Pada submenu Order by (data output akan disusun seperti apa ?)
kita seragamkan saja dengan memilih output akan disusun naik
(dari data terkecil ke data terbesar). Untuk itu pilih Ascending
values. Selanjutnya klik OK. Maka semua proses pengisian dan
pengolahan data telah selesai, dan kita akan lihat hasilnya
(outputnya) pada editor Output.
Frequencies
Output Bagian Pertama (Statistics)
N atau jumlah data yang valid adalah 25 buah, sedangkan data yang
hilang (missing) adalah nol. Ini artinya semua data bisa diproses

Mean atau rata-rata tinggi badan adalah 170,12 cm dengan standar error
adalah 1,20655 cm. Penggunaan standar error of Mean adalah untuk
memeriksa besar rata-rata populasi yang diperkirakan dari sampel.

Untuk itu, dengan standar error of Mean tertentu dan pada tingkat
kepercayaan 95% (SPSS sebagian besar menggunakan angka ini sebagai
standar), rata-rata populasi tinggi badan menjadi:

Rata-rata Populasi = Rata-rata ± 2 standar error of Mean

= 170,12 ± (2 x 1,20655) cm
= (170, 12 - 2.4131) sampai (170, 12 + 2.4131)
= 167, 7069 cm sampai 172,5331 cm
(Angka 2 digunakan karena tingkat kepercayaan 95%)
Median atau titik tengah data jika semua data diurutkan dan dibagi 2 sama
besar.
Angka median 170,20 cm menunjukkan bahwa 50% tinggi badan adalah
170,20 cm ke atas, dan 50%-nya 170,20 cm ke bawah.

Standar Deviasi adalah 6,03276 cm dan variansinya adalah 36,394 cm.

Penggunaan standar deviasi adalah untuk menilai dispersi rata-rata dari

sampel. Untuk itu, dengan standar deviasi tertentu dan pada tingkat
kepercayaan 95%, rata-rata tinggi badan menjadi:

Rata-rata tingi badan = Rata-rata ± 2 x Standar Deviasi

= 170,12 ± (2 x 6,03276) cm
= 158,05 sampai 182.18552 cm

Perhatikan bahwa kedua batas angka berbeda tipis dengan nilai minimum dan
maksimum, ini artinya sebaran data adalah baik.
Ukuran Skewnes adalah 0,572 cm. Untuk penilaian, nilai tersebut diubah ke
angka rasio. Rasio kurtosis adalah = nilai kurtosis/standar error kurtosis =
0,572/0,902 = 0,63. Sebagai pedoman, bila rasio kurtosis berada antara -2
sampai dengan +2, maka distribusi data adalah normal.

Ukuran kurtosis adalah 1,460 cm

Data minimum adalah 159,60 cm sedangkan data maksimum adalah 186,60

cm

Range data = Data maksimum – Data minimum adalah 27,00 cm

Angka Persentil:
tinggi badan 10% responden di bawah 160,62 cm
tinggi badan 25% responden di bawah 167,20 cm
tinggi badan 50% responden di bawah 170,20 cm
tinggi badan 75% responden di bawah 172,50 cm
tinggi badan 90% responden di bawah 178,62 cm
Tabel Frekuensi untuk Jenis Kelamin

Karena variabel gender bukan data kuantitatif namun kategori, maka tidak
perlu dilakukan dskripsi statistik seperti Mean, Median, Standar Deviasi dan
sebagainya.

Untuk data kualitatif chart yang sesuai adalah pie chart.

Desciptive
Langkah-langkah penggunaan menu Desciptive:
Buka kembali file latihan sebelumnya
Dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive
Statistics, lalu pilih lagi sumenu Descriptives (untuk menampilkan tabel
frekuensi)
Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin
kita analisis. Karena ingin dibuat frekuensi dari variabel Tinggi, maka klik
variabel Tinggi,

Klik Options, Pilihan Options meliputi berbagai ukuran untuk

menggambarkan data. Terlihat default dari SPSS yang memilih Mean,
Standar deviasi, maksimum, minimum sebagai acuan untuk menghitung
statistik deskriptif, untuk keseragaman biarkan pilihan tersebut.
Kemudian klik Continue
Maka akan terlihat kotak pilihan Save standardized values as variables yang telah
diberi tanda akan digunakan pilihan tersebut. Hal ini berarti pilihan output SPSS
mengenai deskripsi data. Lalu klik OK.
Maka outputnya sebagai berikut:

Analisisnya
Output bagian Pertama

Bagian ini membahas deskripsi statistik dari variabel tinggi yang meliputi
Mean dan yang lainnya.
Output bagian Kedua

Bagian ini membahas penerapan z-score atau Standard Score. Dalam output SPSS,
nilai z bisa dipakai untuk secara cepat melihat nilai mana yang menyimpang cukup
jauh dari rata-ratanya (outlier)
Jika suatu data berdistribusi normal, suatu nilai bisa distandardisasi dengan nilai z,
yaitu:

Dimana: xi = nilai data ke-i;

= Mean data dan s = Standar Deviasi
Sebagai contoh, lihat pada data pertama yaitu tinggi 170,20 cm, nilai z-nya dihitung
dengan rumus adalah sbb:

= 0,013 (sama dengan output SPSS)

Data yang lain pun sama prinsipnya.
Cross tab
salah satu analisis data kualitatif yang berskala nominal (kategori)
adalah dengan Crosstab.
 No Pekerjaan Pendidikan Gender
1 Karyawan Akademi Pria
2 Petani Sarjana Pria
3 wiraswasta Sma Wanita
4 Petani Sma Wanita
5 wiraswasta Akademi Wanita
6 Karyawan Sarjana Pria
7 wiraswasta Sma Wanita
8 wiraswasta Sma Pria
9 Petani Akademi Wanita
10 Petani Akademi Wanita
11 Karyawan Sarjana Pria
12 Karyawan Sarjana Pria
13 Petani Sma Wanita
14 wiraswasta Sarjana Pria
15 wiraswasta Akademi Wanita
16 Karyawan Sarjana Pria
17 Petani Sma Wanita
18 Karyawan Akademi Pria
19 Karyawan Sma Wanita
20 Petani Akademi Pria
21 wiraswasta Sarjana Wanita
22 Petani Sarjana Wanita
23 Petani Sarjana Pria
24 Karyawan Sma Pria
25 Karyawan Sma Pria
Baris pertama, menunjukkan konsumen pertama mempunyai pekerjaan
karyawan dan ia seorang pria yang berpendidikan akademi. Demikian
seterusnya.
Dalam SPSS otomatis no urut konsumen sudah ada, sehingga ada 3 variabel
saja.

Langkah penyelesaian:
Buka lembar kerja baru
Masukkan data. Jangan lupa definsikan variabelnya. Karena semuanya data
kategori pilih Decimalsnya = 0.
Untuk variabel pekerjaan, tipenya numerik, dimana: 1 = karyawan, 2=
wiraswasta dan 3= petani.
Untuk variabel pendidikan, tipenya numerik dengan; 1 = Sma, 2= akademi, dan
3=sarjana
Variabel gender seperti sebelumnya, 1=Pria dan 2 = Wanita.
Setelah data diketikan lalu simpan data tersebut dengan nama file
Crosstab1.sav pada drive D, dari baris menu, pilih menu Analyze, lalu pilih
submenu Descriptive Statistics, lalu pilih lagi sumenu Crosstab.
Row(s) atau variabel yang akan ditempatkan pada baris (row) –untuk
keseragaman, kita pilih Gender
Column(s) atau variabel yang akan ditempatkan pada Kolom) –untuk
keseragaman, kita pilih Pekerjaan
Klik pilihan Statistics…, akan tampak dilayar gambar berikut.

Karena kita akan melihat hubungan antara dua variabel, untuk keseragaman
pilih Chi-Square. Pilihan yang lainnya akan digunakan pada kasus yang relevan
di bagian lain. Lalu Klik Continue
Kemudian Klik pilihan Cells

Pilihan Count untuk menampilkan hitungan Chi-square, apakah perlu

disertakan nilai Expected (nilai yang diharapkan) selain nilai observed. Untuk
keseragaman klik hanya Observed
Pilihan Percentage untuk menampilkan perhitungan angka pada baris dan
kolom dalam persen. Untuk kasus ini biarkan saja kolom tersebut (tidak ada
yang dipilih). Lalu klik Continue,
Klik pilihan Format…
Row Order atau penempatan nama variabel dalam baris, apakah naik atau
turun. Pilih Ascending. Klik Continue.
Pilihan Displayclustered bar charts dan Suppers tables biarkan kosong.

Variabel Pendidikan tidak dimasukkan, karena dalam proses ini kita hanya
memasukkan dua saja, tidak mesti semua, gunakan variabel pendidikan pada
kasus yang lain.

Klik OK
Analisis Output Bagian Pertama (Case Processing Summary)
Ada 25 data yang semuanya diproses (tidak ada data missing), sehingga tingkat
validitasnya 100%.

Analisis Output Bagian Kedua (Crosstab antara Gender dengan Pekerjaan)

Terlihat tabel silang yang memuat hubungan diantara kedua variabel.
Misalnya, pada baris-1 kolom-1, terdapat angka 8. Hal ini berarti ada 8 orang
pria (variabel gender) yang mempunyai pekerjaan karyawan (varaibel
Pekerjaan). Demikian pula untuk data yanag lainnya.

Analisis Output bagian Ketiga (Uji Chi-square)

Uji Chi-square untuk mengamati ada tidaknya hubungan antara dua variabel
(baris dan kolom).

Di dalam SPSS, selain alat uji Chi-Square juga dilengkapi dengan beberapa alat
uji yang sama tujuannya.
Hipotesis
Hipotesis untuk kasus ini:

Ho: Tidak ada hubungan antara baris dan kolom, atau antara pekerjaan
konsumen dengan gender konsumen tersebut.

Hi : Ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen
dengan gender konsumen tersebut

Pengambilan Keputusan
Dasar pengambilan keputusan, yaitu: Berdasarkan perbandingan Chi-Quare Uji
dan angka dari Tabel
Jika Chi-square Hitung < Chi-square Tabel, Maka Ho diterima
Jika Chi-square Hitung > Chi-square Tabel, Maka Ho ditolak
Chi-square Hitung dapat dilihat pada output bagian ketiga yaitu 7.702.
Sedangkan Chi-square Tabel, dapat dilihat pada Tabel Uji-Statistik untuk Chi-
square. Dalam hal ini untuk tingkat signifikansi () = 5% dan derajat kebebasan
(dF) = 2 adalah 5,9915.
Karena Chi-square Hitung (7.702) > Chi-square Tabel (5,9915), Maka Ho ditolak
Dengan demikian dipsimpulkan bahwa ada hubungan antara baris dan kolom,
atau antara pekerjaan konsumen dengan gender konsumen tersebut.

Kita juga bisa menguji hipotesis dengan membandingkan nilai Probabilitas

yang nilainya dapat dilihat pada bagian Asymp. Sig. (2-sided), yang dalam
kasus ini sebesar 0.021. Jika nilai Probabilitas > 0,05 maka Ho diterima. Tetapi
bila nilai Probabilitas < 0,05 maka Ho ditolak.
Dalam kasus ini 0.021 < 0,05 artinya Ho ditolak, atau ada hubungan antara
baris dan kolom, atau antara pekerjaan konsumen dengan gender konsumen
tersebut.

Dengan kata lain dapat saja dikatakan bahwa kebanyakan pria berprofesi
karyawan sedangkan kebanyakan wanita tidak banyak yang berprofesi
karyawan, mungkin banyaknya wiraswasta.
Menguji Keeratan Hubungan Dua Variabel Berskala Nominal
Jika tadi kita contohkan bahwa berdasarkan analisis Crosstab ditemukan terdapat
hubungan antara dua variabel berskala nominal, yaitu antara gender dengan pekerjaan.
Sekarang kita akan cari tahu seberapa besar keeratan hubungan tersebut.

SPSS menyediakan dua cara untuk mengukur hubungan tersebut, yaitu:

Symetric Measures, yaitu hubungan yang setara dan berdasarkan
perhitungan Chi-square
Directional Measures, yaitu hubungan yang tidak setara dan berdasarkan
pada proportional Reduction In Error (PRE)

Kedua cara perhitungan di atas dapat digunakan pada kasus hubungan antara
Pekerjaan dengan Gender.

Langkah-langkahnya:
Buka lagi lembar kerja latihan crosstab
Darri baris menu, pilih menu Analyze, lalu pilih submenu Descriptive Statistics, lalu
pilih lagi sumenu Crosstab.
Pada menu Row(s) atau variabel yang akan ditempatkan pada baris (row) –untuk
keseragaman, kita pilih Gender
Column(s) atau variabel yang akan ditempatkan pada Kolom) –untuk
keseragaman, kita pilih Pekerjaan
Klik pilihan Statistics…, akan tampak dilayar gambar berikut.
Karena sudah tahu bahwa antara kedua variabel tersebut terdapat hubungan, maka
sekarang tidak perlu lagi Chi-square, oleh karena itu sekarang Chi-square-nya jangan
dicentak (tidak diklik). Kalau diklik, hasilnya akan seperti sebelumnya.

Klik pilihan Correlations untuk mengetahui koefisien korelasi kedua variabel dengan
cara Symetric Measures.
Pada kolol Nominal (yang berarti khusus untuk data yang berskala Nomonal), klik
semua pilihan yaitu Contingency Coefficient, Phi and Cramer’s V, lambda dan
Uncertainty coefficient.

Pilihan ini untuk mengetahui koefisien korelasi dengan cara Directional Measures. Lalu
klik Continue. Kemudian Klik pilihan Cells…, akan tampak di layar gambar sebelah
kanan.
Untuk pilihan Count, ntuk keseragaman klik hanya Observed

Pilihan Percentage untuk kasus ini biarkan saja kolom tersebut (tidak ada yang dipilih).
Demikian pula kolom Residuals biarkan kosong. Lalu klik Continue.

Klik pilihan Format. Row Order atau penempatan nama variabel dalam baris, apakah
naik atau turun. Pilih Ascending. Klik Continue.

Pilihan Displayclustered bar charts dan Suppers tables biarkan kosong.

Selanjutnya Tekan OK untuk mendapatkan outputnya.

Di sini hanya diperhatikan besar korelasi antara Nominal-Nominal. Hal ini karena kedua
variabel berskala nominal, karena itu besaran Pearson dan Spearman tidak relevan
untuk dibahas.
Ada 3 besaran untuk menghitung korelasi antara variabel pekerjaan dengan gender,
dan ketiganya mempunyai angka signifikan atau nilai Probabilitas 0,021. Karena nilai
Probabilitas di bawah 5%, maka bisa dikatakan ada hubungan antara kedua variabel
tersebut (seperti telah terbukti sebelumnya).
Besaran korelasi (Phi dan Cramer) menghasilkan angka sama yaitu 0,555. Sedangkan
koefisien kontingensi menghasilkan angka 0,485 (lebih kecil). Dari ketiga besaran itu
bisa disimpulkan adanya hubungan yang cukup erat (disebut erat jika mendekati angka
1 dan tidak ada hubungan bila mendekati angka 0) antara variabel pekerjaan dengan
variabel jender.
Disini juga ada 3 ukuran untuk mengukur hubungan antara kedua variabel tersebut.
Namun di sini ada pembedaan, yaitu satu variabel sebagai dependen sedangkan yang
lainnya sebagai variabel independen.

Untuk lebih jelasnya lihat besaran pada korelasi lambda.

Symmetric atau kedua variabel setara (bebas), maka besar korelasinya adalah 0,393
atau cukup lemah (kurang dari 0,50). Angka signifikansinya adalah 0,045 atau di bawah
0,05 yang berarti kedua variabel memang berhubungan secara nyata.
Jika ada perkataan Dependent, dipakai pedoman (berlaku untuk ketiga alat uji) berikut:
Jika angka korelasi 0, maka pengetahuan akan variabel independen tidak
menolong dalam usaha memprediksi variabel dependen
Jika angka korelasi = 1, maka pengetahuan akan variabel independen menolong
dalam usaha memprediksi variabel dependen

Contoh analisis pada Lambda

Gender Konsumen Dependen atau Gender sebagai variabel dependen
(tergantung), dimana Pekerjaan adalah variabel independennya. Karena angka
signifikansi 0,116 lebih besar daripada 0,05 (5%), maka variabel
Independen/bebas yaitu Pekerjaan tidak dapat memprediksi variabel dependen
yaitu Gender.
Pekerjaan Konsumen Dependen atau Pekerjaan sebagai variabel dependen
(tergantung), dimana gender adalah variabel independennya. Karena angka
signifikansi 0,041 lebih besar daripada 0,05 (5%), maka variabel
Independen/bebas yaitu Pekerjaan dapat memprediksi variabel dependen yaitu
Gender. Tetapi Angka Korelasi lambdanya 0,313 < 0,50 ini artinya korelasinya
lemah. Bisa dikatakan bahwa pengetahuan akan gender seorang konsumen tidak
begitu menolong dalam mupaya memprediksi pekerjaan konsumen tersebut. Atau
pekerjaan konseumen sebagai karyawan atau petani atau wiraswasta tidak bisa
diperkirakan begitu saja karena ia seoraang pria atau wanita.
Analisis pada Korelasi Goodman dan Kruskal Tau
Dari angka signifikansi keduanya adalah signifikan (berbeda dengan Lambda), namun
besar korelasinya juga tidak kuat. Atau variabel gender tidak bisa memprediksi secara
kuat variabel Pekerjaan seorang konsumen, demikian pula sebaliknya.

Analisis pada Korelasi Uncertainty Coefficient

Dari angka signifikansi ketiganya adalah signifikan, namun besar korelasinya juga tidak
kuat. Atau variabel gender tidak bisa memprediksi secara kuat variabel Pekerjaan
seorang konsumen, demikian pula sebaliknya.

Analisis pada Korelasi Asymptotic Standard Error

Di sini syaratnya harus didapatkan korelasi yang signifikan. Sebagai contoh angka
korelasi lambda sebesarr 0,313 yang signifikan, didapat standar error 0,137.
Pada tingkat kepercayaan 95% atau ada dua standar deviasi, maka rentang korelasi
adalah: 0,313 ± (2 x 0,137) atau antara 0,039 sampai 0,587
Hubungan Gender Dengan
Pendidikan ….. ????? Coba ya …..

Atau Pendidikan dengan Pekerjaan

……………. ????