Buku Praktik - Teknik Analisis Data DG SPSS
Buku Praktik - Teknik Analisis Data DG SPSS
ANALISIS DATA
DENGAN SPSS
23
Uji t
post-test ekserimen
independent ><
sample t test post –test kontrol
Contoh:
Suatu penelitian dilakukan untuk mengetahui apakah metode pembelajaran tertentu bisa menaikkan
motivasi belajar akuntansi siswa. Berikut adalah data tentang skor hasil pengukuran motivasi belajar
akuntansi sebelum pembelajaran (X) dan motivasi belajar akuntansi sesudah pembelajaran (Y).
Motivasi belajar akuntansi Motivasi belajar akuntansi
W = Xi-Yi W2
sebelum pembelajaran (X) pembelajaran (Y)
158 161 3 9
160 159 1 1
163 162 1 1
157 160 3 9
154 156 2 4
164 159 5 25
169 163 6 36
158 160 2 4
162 158 4 16
161 160 1 1
Jumlah 8 106
Jawab:
t=
t= = = 0,76
Contoh analisis dengan SPSS untuk pengujian dua sampel yang berpasangan (Paired sample t test):
1. Pastikan Saudara telah mengentry data ke SPSS. Beri nama variabel pada “Variable View”
Berdasarkan output SPSS, dapat diketahui bahwa nilai t = 0,76 dan Sig. = 0,466. Karena Sig. = 0,466 > 0,05,
maka Ho diterima.
Jadi, dapat disimpulkan bahwa pada taraf signifikansi 0,05 tidak ada perbedaan yang signifikan antara motivasi
belajar akuntansi sebelum pembelajaran dan motivasi belajar akuntansi sesudah pembelajaran.
Sebagai perluasan dari uji t yaitu untuk menguji kesamaan beberapa (lebih dari dua) rata-rata populasi
sekaligus diperlukan suatu teknik yang disebut analisis variansi (Anava) atau analisis ragam atau Analysis of
variance (Anova)
Contoh
Suatu penelitian telah dilakukan untuk mengetahui pengaruh persentase kandungan paracetamol dalam obat
penurun panas terhadap waktu yang diperlukan untuk menurunkan panas dari 39 0 C menjadi 37 0 C . Untuk
keperluan ini telah dipilih secara acak 25 penderita sakit panas dengan suhu 39 0 C dari usia yang hampir
sama dan tanpa keluhan sakit yang lain. Kedua puluh lima pasien tersebut dibagi secara acak menjadi 5
kelompok dan masing-masing kelompok yang terdiri dari 5 orang tersebut diberi obat penurun panas dengan
persentase kandungan parasetamol tertentu. Berikut ini adalah data tentang waktu (dalam jam) yang
diperlukan oleh para pasien tersebut sampai dengan panas badan mereka turun menjadi 37 0 C .
Tabel 3 Data Waktu Penurunan Panas dari 39o menjadi 37o
Kadar Parasetamol
40% 50% 60% 75% 90%
7 9 5 3 2
6 7 4 5 3
9 8 8 2 4
4 6 6 3 1
7 9 3 7 4
Σ= 33 Σ=39 Σ=26 Σ=30 Σ=14
Lakukanlah analisis terhadap data di atas sesuai maksud penelitiannya yaitu untuk mengetahui apakah rata-
rata waktu yang diperlukan untuk menurunkan panas badan dari 390 menjadi 370 adalah sama untuk kelima
kadar parasetamol tersebut.
Gunakan α = 0,05 dalam menyimpulkannya.
Berikut adalah tabel anava untuk penelitian tentang kadar parasetamol di atas.
Tabel 4. Anava untuk Uji Pengaruh Kadar Parasetamol terhadap Penurunan Panas
Total 24 137,04 - - -
dengan Y = 33 + 39 + 26 + 30 + 14 = 132
(Y.. )2 (132)2
FK 696,96
kr 5.5
JKP 79, 44
KTP 19,86
db( P) 4
JKG 57, 6
KTG 2,88
db(G) 20
Dari tabel di atas terlihat bahwa F-hitung = 6.8958 > 2.87. Jadi H0 ditolak.
Kesimpulan: Pada taraf signifikansi 0,05, dapat disimpulkan bahwa rata-rata waktu yang diperlukan untuk
menurunkan panas badan dari 390 menjadi 370 tidak sama untuk kelima kadar parasetamol tersebut.
4. Kalau untuk mengetahui perlakuan mana yang menimbuklkan perbedaan secara signifikan, klik Post
Hoc lalu pilih LSD klik Continue.
5. Kemudian Klik OK
ANOVA
VAR00001
Sum of Squares df Mean Square F Sig.
Between Groups 79,440 4 19,860 6,896 ,001
Within Groups 57,600 20 2,880
Total 137,040 24
Berdasarkan output SPSS dapat diketahui bahwa F = 6,896 dengan Sig.= 0,001.
Karena Sig.= 0,001 < 0,05, maka dapat disimpulkan bahwa pada taraf signifikansi 0,05, rata-rata
waktu yang diperlukan untuk menurunkan panas badan dari 390 menjadi 370 tidak sama untuk
kelima kadar parasetamol tersebut.
rxy =
dimana:
rxy : korelasi antara X dengan Y
x : (x1 - )
y : (y1 - )
Rumus korelasi sederhana (Product Moment) adalah sebagai berikut.
N XY X Y
rxy
N X 2 X N Y 2 Y
2 2
Keterangan:
rxy : koefisien korelasi antara variabel X dan Y
∑XY : jumlah dari variabel X dan variabel Y
∑X : jumlah nilai variabel X
∑Y : jumlah nilai variabel Y
∑X2 : jumlah variabel X kuadrat
∑Y2 : jumlah variabel Y kuadrat
Pengujian signifikansi koefisien korelasi dilakukan dengan menggunakan Tabel r Product Moment.
Ho ditolak jika r hitung > r tabel.
Apabila dilihat melalui output SPSS, maka yang dilihat adalah nilai Sig. nya. Ho ditolak jika Sig. < α
(Sig. < 0,05)
Contoh kasus:
Data sebuah penelitian adalah sebagai berikut.
Responden Motivasi Belajar (X1) Perhatian Orang Tua (X2) Prestasi Belajar Siswa (Y)
1 56 61 59
2 73 82 72
3 83 80 81
4 66 76 76
5 58 64 66
6 49 65 57
7 66 56 54
8 73 59 61
9 90 64 72
10 69 74 75
Jawab:
RM : Apakah terdapat hubungan antara Motivasi Belajar dengan Prestasi Belajar Siswa?
Hipotesis penelitian:
Ho : Tidak terdapat hubungan antara Motivasi Belajar dengan Prestasi Belajar Siswa
Ha : Ada hubungan antara Motivasi Belajar dengan Prestasi Belajar Siswa
Hipotesis statistik:
Ho : ρ = 0
Ha : ρ ≠ 0
Taraf signifikansi : 0,05
Statistik Uji :
N XY X Y
rxy
N X 2
X N Y 2 Y
2 2
Kriteria keputusan: Lihat Tabel Nilai Nilai
Ho ditolak jika r hitung > r tabel = r hitung > 0,632 r Product Moment
Perhitungan:
2 2
N X1 Y X1 Y X1Y
1 56 59 3136 3481 3304
2 73 72 5329 5184 5256
3 83 81 6889 6561 6723
4 66 76 4356 5776 5016
5 58 66 3364 4356 3828
6 49 57 2401 3249 2793
7 66 54 4356 2916 3564
8 73 61 5329 3721 4453
9 90 72 8100 5184 6480
10 69 75 4761 5625 5175
Σ 683 673 48021 46053 46592
rxy =
=
=
= 0,613077609 dibulatkan menjadi
= 0,613
Kesimpulan:
Karena rxy = 0,613 < 0,632 maka Ho diterima. Jadi pada taraf signifikansi 0,05 dapat disimpulkan
bahwa tidak terdapat hubungan yang signifikan antara motivasi belajar dengan prestasi belajar siswa
5. Klik OK
6. Kemudian akan muncul output SPSS seperti di bawah ini
Correlations
Motivasi Belajar Prestasi Belajar
Motivasi Belajar Pearson Correlation 1 ,613
Sig. (2-tailed) ,059
N 10 10
Prestasi Belajar Pearson Correlation ,613 1
Sig. (2-tailed) ,059
N 10 10
Kesimpulan:
Berdasarkan output SPSS dapat diketahui bahwa rxy = 0,613 dengan Sig.= 0,059
Karena Sig.= 0,059 > 0,05, maka Ho diterima.
Jadi pada taraf signifikansi 0,05 dapat disimpulkan bahwa tidak terdapat hubungan yang signifikan
antara motivasi belajar dengan prestasi belajar siswa.
N : 100
output SPSS:
Correlations
Lingkungan
Prestasi Belajar Minat Belajar Sekolah
** *
Prestasi Belajar Pearson Correlation 1 ,319 ,220
Sig. (2-tailed) ,001 ,028
N 100 100 100
** **
Minat Belajar Pearson Correlation ,319 1 ,529
Sig. (2-tailed) ,001 ,000
N 100 100 100
* **
Lingkungan Sekolah Pearson Correlation ,220 ,529 1
Sig. (2-tailed) ,028 ,000
N 100 100 100
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
Mohon Saudara buat rumusan masalah, hipotesis, dan kesimpulan berdasarkan output SPSS di
atas!
RM:
1. Apakah terdapat hubungan antara Minat Belajar dengan Prestasi Belajar Siswa?
2. Apakah terdapat hubungan antara Lingkungan Sekolah dengan Prestasi Belajar Siswa?
Hipotesis
Ho : Tidak terdapat hubungan antara Minat Belajar dengan Prestasi Belajar Siswa
Ha : Terdapat hubungan antara Minat Belajar dengan Prestasi Belajar Siswa
Ho : Tidak terdapat hubungan antara Lingkungan Sekolah dengan Prestasi Belajar Siswa
Ha : Terdapat hubungan antara Lingkungan Sekolah dengan Prestasi Belajar Siswa
Kesimpulan:
Berdasarkan output SPSS dapat diketahui bahwa rx1y = 0,319 dengan Sig.= 0,001
Karena Sig.= 0,001 < 0,05, maka Ho ditolak.
Jadi pada taraf signifikansi 0,05 dapat disimpulkan bahwa terdapat hubungan yang positif dan
signifikan antara Minat Belajar dengan Prestasi Belajar Siswa.
Berdasarkan output SPSS dapat diketahui bahwa rx2y = 0,220 dengan Sig.= 0,028
Karena Sig.= 0,028 < 0,05, maka Ho ditolak.
Jadi pada taraf signifikansi 0,05 dapat disimpulkan bahwa terdapat hubungan yang positif dan
signifikan antara Lingkungan Sekolah dengan Prestasi Belajar Siswa.
Y X X X Y
i i
2
i i i n X i Yi X i Yi
b0 i 1 i 1 i 1 i 1
2 b1 i 1 i 1 i 1
2
n n n n
n X i2 X i n X X i
2
i 1
i
i 1 i 1 i 1
Dengan demikian dapat diperoleh hubungan;
b0
1
n
Yi b1 X i Y b1 X
Contoh Kasus
Diketahui data penelitian
Subjek i 1 2 3 4 5 6 7 8 9
Xi 1.5 1.8 2.4 3.0 3.5 3.9 4.4 4.8 5.0
Yi 4.8 5.7 7.0 8.3 10.9 12.4 13.1 13.6 15.3
Tentukan persamaan regresi untuk kasus di atas!
X i = 30,3
i 1
Yi = 91,1
i 1
X Y
i 1
i i = 345,09
X
i 1
i
2
= 115,11 X = 3,3667 Y = 10,1222
Catatan:
a. Uji signifikansi persamaan regresi dapat dihitung manual dengan Uji F atau uji t, dan lebih
praktis apabila dengan melihat output SPSS dengan melihat nilai Sig. nya. Apabila nilai Sig. <
0,05, maka persamaan regresi tersebut signifikan.
b. Untuk mengerahui besarnya pengaruh variabel X terhadap variabel Y, maka dapat
menggunakan koefisien korelasi. Koefisien inilah yang disebut dengan koefisien regresi.
1. Masukkan data ke dalam Data View SPSS, kemudian beri nama variabel.
4. Klik Statistics, kemudian akan muncul kotak dialog Linear Regression Statistics. Pilih atau beri
tanda centang pada Estimates dan Model fit. Kemudian klik Continue
Regression
a
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
b
1 X . Enter
a. Dependent Variable: Y
b. All requested variables entered.
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 ,991 ,982 ,980 ,53877
a. Predictors: (Constant), X
a
ANOVA
Model Sum of Squares df Mean Square F Sig.
b
1 Regression 112,484 1 112,484 387,516 ,000
Residual 2,032 7 ,290
Total 114,516 8
a. Dependent Variable: Y
b. Predictors: (Constant), X
a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) ,257 ,532 ,483 ,644
X 2,930 ,149 ,991 19,685 ,000
a. Dependent Variable: Y
Ini adalah konstanta (b0) dan koefisien (b1) X untuk membuat persamaan
garis regresi. Dari output tersebut dapat diketahui bahwa b0 = 0,257 dan b1
= 2,930, sehingga persamaan garis regresinya yakni:
Yˆ = 0,257 + 2,930X.
Interpretasinya:
Jika X= 0, maka Y = 0,257
Jika X ditambah satu satuan, maka Y akan meningkat sebesar 2,930.
Dst.
Uji signifikansi regresi baik dengan Uji F maupun Uji t. Tolak H0 jika Sig. <
0,05.
B. Regresi Ganda
Regresi linear ganda adalah persamaan regresi yang menggambarkan hubungan antara lebih
dari satu variabel bebas (X) dan satu variabel terikat (Y). Hubungan variabel-variabel tersebut dapat
dituliskan dalam bentuk persamaan:
Persamaaan regresi untuk dua prediktor (variabel bebas):
Yˆ = b0 + b1X1 + b2X2
Persamaaan regresi untuk tiga prediktor:
Yˆ = b0 + b1X1 + b2X2 + b3X3
Persamaaan regresi untuk n prediktor:
Yˆ = b0 + b1X1 + b2X2 + .... + bnXn
Untuk melakukan pendugaan parameter model regresi ganda dan menguji signifikansinya
dapat dilakukan dengan perhitungan manual maupun bantuan program SPSS 23. Asumsi yang harus
dipenuhi dalam analisis regresi ganda adalah:
1. Tidak ada multikolinearitas (korelasi antara variabel independen atau variabel bebas)
2. Tidak terjadi heteroskedastisitas (variansi error konstan)
3. Linearitas (terdapat hubungan linear antara X dengan Y)
4. Normalitas (error berdistribusi normal)
5. Autokorelasi (error bersifat acak) jika datanya time series
Langkah pertama kita harus membuat tabel pertolongan untuk perhitungan sebagai berikut:
N X1 X2 Y X12 X22 Y2 X1.X2 X1.Y X2.Y
1 77 89 85 5.929 7.921 7.225 6.853 6.545 7.565
2 74 85 80 5.476 7.225 6.400 6.290 5.920 6.800
3 81 76 85 6.561 5.776 7.225 6.156 6.885 6.460
4 81 61 76 6.561 3.721 5.776 4.941 6.156 4.636
5 67 71 70 4.489 5.041 4.900 4.757 4.690 4.970
6 61 55 63 3.721 3.025 3.969 3.355 3.843 3.465
7 73 62 76 5.329 3.844 5.776 4.526 5.548 4.712
8 85 76 77 7.225 5.776 5.929 6.460 6.545 5.852
9 61 71 65 3.721 5.041 4.225 4.331 3.965 4.615
10 78 86 83 6.084 7.396 6.889 6.708 6.474 7.138
Σ 738 732 760 55.096 54.766 58.314 54.377 56.571 56.213
Langkah selanjutnya untuk menghitung koefisien-koefisien b0, b1, b2 kita akan menggunakan metode
eliminasi dan subtititusi. Terlebih dahulu kita akan mengeliminasi b0
10b0 + 738b1 + 732b2 = 760 ................................. (1) x 738
738b0 + 55.096b1 + 54.377b2 = 56.571 ................................. (2) x 10
Selanjutnya kita akan mengeliminasi b1 dengan menggunakan persamaan (4) dan (5)
- 6.316b1 - 3.554b2 = - 4.830 ................................. (4) x 3.554
- 3.554b1 - 11.836b2 = - 5.810 ................................. (5) x 6.316
5. Pilih Plots, kemudian akan muncul kotak dialog Linear Regression Plots. Masukkan *ZPRED
ke dalam kolom X dan *ZRESID ke dalam kolom Y. Beri tanda centang pada Normal
probability plot. Kemudian klik Continue.
6. Terakhir klik OK
Regression
a
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 Perhatian Orang
Tua, Minat . Enter
b
Belajar
a. Dependent Variable: Prestasi Belajar
b. All requested variables entered.
b
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 ,918 ,842 ,797 3,53413
a. Predictors: (Constant), Perhatian Orang Tua, Minat Belajar
b. Dependent Variable: Prestasi Belajar
a
ANOVA
Model Sum of Squares df Mean Square F Sig.
b
1 Regression 466,570 2 233,285 18,678 ,002
Residual 87,430 7 12,490
Total 554,000 9
a. Dependent Variable: Prestasi Belajar
b. Predictors: (Constant), Perhatian Orang Tua, Minat Belajar
a
Coefficients
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 9,606 11,031 ,871 ,413
Minat Belajar ,588 ,154 ,628 3,811 ,007 ,831 1,203
Perhatian Orang Tua ,314 ,113 ,459 2,790 ,027 ,831 1,203
a. Dependent Variable: Prestasi Belajar
a
Collinearity Diagnostics
Variance Proportions
Perhatian Orang
Model Dimension Eigenvalue Condition Index (Constant) Minat Belajar Tua
1 1 2,982 1,000 ,00 ,00 ,00
2 ,012 15,713 ,18 ,10 ,99
3 ,006 22,842 ,82 ,90 ,01
a. Dependent Variable: Prestasi Belajar
a
Residuals Statistics
Minimum Maximum Mean Std. Deviation N
Predicted Value 62,7543 83,4639 76,0000 7,20007 10
Residual -6,46393 3,99118 ,00000 3,11681 10
Std. Predicted Value -1,840 1,037 ,000 1,000 10
Std. Residual -1,829 1,129 ,000 ,882 10
a. Dependent Variable: Prestasi Belajar
a
ANOVA
Model Sum of Squares df Mean Square F Sig.
b
1 Regression 466,570 2 233,285 18,678 ,002
Residual 87,430 7 12,490
Total 554,000 9
a. Dependent Variable: Prestasi Belajar
b. Predictors: (Constant), Perhatian Orang Tua, Minat Belajar
a
Coefficients
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 9,606 11,031 ,871 ,413
Minat Belajar ,588 ,154 ,628 3,811 ,007 ,831 1,203
Perhatian Orang Tua ,314 ,113 ,459 2,790 ,027 ,831 1,203
a. Dependent Variable: Prestasi Belajar
Besarnya koefisien determinasi R2 = 0,842, artinya 84,2% Prestasi Belajar dipengaruhi oleh Minat
Belajar dan Perhatian Orang Tua secara bersama-sama, selebihnya sebesar 15,8% dipengaruhi oleh
faktor lain yang tidak diteliti pada penelitian ini.
Berdasarkan output SPSS tersebut dapat diketahui bahwa F = 18,678 dengan Sig. = 0,002. Karena Sig.
= 0,002 < 0,05, maka H0 ditolak. Jadi dapat disimpulkan bahwa pada taraf signifikansi 0,05 terdapat
pengaruh yang positif dan signifikan Minat Belajar dan Perhatian Orang Tua secara bersama-sama
terhadap Prestasi Belajar.