MODUL

PRAKTIKUM

MATA KULIAH

APLIKASI
KOMPUTER
STATISTIK
DENGAN SOFTWARE SPSS

Disusun Oleh:
Sutarno, SE, MSi

FAKULTAS EKONOMI
UNIVERSITAS SLAMET RIYADI
SURAKARTA
2018
 Kata Pengantar

Alhamdulillah, puji syukur kehadirat Allah SWT atas karunia-Nya sehingga

pembuatan modul ini dapat terlaksana. Modul ini hanya berisi sebagian kecil dari
penggunaan software SPSS dalam penelitian bidang ekonomi dan bisnis
khususnya manajemen. Mudah-mudahan bagian-bagian lanjutan dari modul ini
segera terlaksana penyusunannya. Untuk itu kritik dan saran dari para pengguna
masihlah ditunggu.
Semoga bermanfaat.

Solo, Agustus 2018

PENYUSUN
 DAFTAR ISI

Halaman

PENDAHULUAN .................................................................................................................. 1 - 8

BAGIAN 1 APLIKASI SPSS UNTUK UJI INSTRUMEN PENELITIAN ............................ 9 - 22

BAGIAN 2 APLIKASI SPSS UNTUK UJI PERBEDAAN ............................................ 23 - 36

BAGIAN 3 APLIKASI SPSS UNTUK UJI HUBUNGAN ................................................. 37 - 43

BAGIAN 4 APLIKASI SPSS UNTUK UJI PENGARUH ................................................ 44 - 71

 1

PENDAHULUAN

POKOK BAHASAN:
 GAMBARAN UMUM
 PENGUKURAN DATA (Nominal, Odinal, Interval, Rasio)
 JENIS ANALISIS DATA (UJI STATISTIK)
 APLIKASI STATISTIK BERBASIS KOMPUTER

 GAMBARAN UMUM
Penggunaan alat analisis dalam penelitian ilmiah hingga saat ini masih didominasi
oleh alat-alat kuantitatif berbasis statistik. Sebagian besar peneliti yakin bahwa alat ini
dapat memberikan hasil atau informasi yang memuaskan. Dalam penelitian bidang
ekonomi banyak studi yang membutuhkan dukungan statistik untuk menjawab
permasalahan penelitian. Oleh karena itu pemahaman tentang model dan uji statistik
menjadi sama pentingnya dengan ilmu ekonomi itu sendiri. Kesalahan pemilihan
model dan uji statistik berarti data (input) diproses dengan alat yang salah sehingga
kesimpulan jawaban permasalah penelititan juga salah. Jadi kesalahan pemilihan
model dan uji statistik akan memberikan informasi yang menyesatkanbagi pengambil
keputusan.
Tidak ada satu model atau uji statistik yang dapat digunakan untuk menjawab seluruh
permasalahan penelitian, sehingga peneliti harus ekstra hati-hati terhadap pemilihan
model dan uji statistik agar tidak terjadi kekeliruan alat analisis. Kekeliruan pemilihan
model dan alat analisis disebabkan oleh beberapa faktor, diantaranya:
 Terdapat banyak model dan uji statistik yang masing-masing didisain untuk
menjawab permasalahan yang berbeda atau dengan ukuran data (variabel) yang
berbeda.
 Konsekuensi poin pertama, menuntut setiap peneliti untuk menguasai berbagai
jenis alat statistik agar tidak keliru dalam memilih alat statistik.
 Peneliti mengabaikan pelanggaran asumsi penggunaan model (biasanya dalam
statistik parametrik).

 PENGUKURAN DATA
Setiap penelitian selalu menggunakan data sebagai input dari proses penelitian
tersebut, yang selanjutnya akan diolah menggunakan alat/model statistik tertentu
untuk memperoleh hasil penelitian. Pemilihan model/alat statistik dipengaruhi oleh
pengukuran data yang digunakan dalam penelitian tersebut. Terdapat 4 kategori
pengukuran data yang dipengaruhi oleh karakteristik dasar dari data tersebut, yaitu:
1. Urutan angka, di mana angka yang satu lebih dari, kurang dari, atau sama dengan
angka yang lain.
2. Perbedaan jarak antar angka
 2

3. Urutan angka yang memiliki titik origin (nilai 0).

Kombinasi dari ketiga karakteristik ini menentukan klasifikasi skala pengukuran
yang digunakan, seperti terlihat pada Tabel 1.

Tabel 1 Skala Pengukuran

BENTUK KARAKTERISTIK UJI STATISTIK CONTOH

SKALA SKALA

Tidak ada:  Modus  Jenis Kelamin

 Urutan  Distribusi Frekuensi  Agama
NOMINAL 
 Jarak Kota/Daerah
 Titik Origin  Status Perkawinan
Ada:  Modus  Urutan Juara
 Urutan  Distribusi Frekuensi  Level Manajer
  Median  Prioritas
ORDINAL
Tidak ada:  Non Parametrik
 Jarak
 Titik Origin
Ada: Semua uji statistik  Skala Sikap
 Urutan kecuali yg mendasarkan  Kalender Waktu
 Jarak pada rasio spt  Skala Likert
INTERVAL
 Koefisien variasi
Tidak ada:
 Titik Origin
Ada:  Jumlah Penjualan
 Urutan Semua uji statistik  Profit Perush.
RASIO 
 Jarak Rasio Keuangan
 Titik Origin  Tingkat absensi

SKALA:

  NOMINAL & ORDINAL  Var. Non Parametrik/Non Metrik

 INTERVAL & RASIO  Var. Parametrik/Metrik

 JENIS ANALISIS DATA (UJI STATISTIK)

A. BERDASARKAN JENIS DATA

Dilihat dari data yang digunakan, maka analisis data terbagi menjadi 2 kelompok
besar, yaitu:
1. Uji/Statistik Non Parametrik
 Digunakan untuk uji yang menggunakan data dengan skala nominal atau
ordinal. Uji ini tidak terlalu kaku terhadap asumsi distribusi data.
2. Uji/Statistik Parametrik
 Uji ini membutuhkan pemenuhan asumsi yang bersifat kaku agar diperoleh
hasil yang tidak menyesatkan. Asumsi dari uji adalah:
1. Observasi harus independen.
2. Observasi harus terdistribusi normal.
3. Populasi harus memiliki varian yang sama (homogen)
4. Skala pengukuran yang digunakan adalah interval atau rasio.
 3

Tabel 2 Analisis Data Parametrik dan Non Parametrik

PARAMETRIK NON PARAMETRIK

 Asumsi distribusi ketat  Asumsi distribusi tidak ketat
 Bahaya pelanggaran asumsi  Sebagai alternatif analisis
 Data Rasio dan Interval  Data Nominal atau Ordinal
 Hasil analisis ampuh  Hasil analisis kurang ampuh

B. BERDASARKAN HUBUNGAN ANTAR VARIABEL YANG DITELITI

1. Metode Dependen (Dependent Methods)
 Merupakan metode statistik di mana set data yang digunakan terdiri dari
variabel bebas (independent variable) dan variabel terikat (dependent
variable), sehingga metode ini dapat digunakan untuk melakukan penelitian
yang bertujuan untuk menentukan apakah variabel bebas mempengaruhi
variabel terikat secara individu dan atau bersama-sama.
2. Metode Interdependen (Interdependent Methods)
 Merupakan metode statistik di mana set data yang digunakan tidak mungkin
untuk dikelompokkan ke dalam variabel bebas dan variabel terikat, sehingga
metode ini hanya dapat digunakan untuk mengidentifikasi bagaimana dan
mengapa variabel tersebut saling berkaitan/berhubungan satu sama lainnya.

C. BERDASARKAN JENIS PERMASALAHAN PENELITIAN

1. Metode Univariate
 Yaitu metode statistik untuk menguji penelitian yang hanya memiliki variabel
individual. Biasanya alat analisis ini digunakan untuk menguji dependensi,
perubahan, atau perbedaan, serta untuk menyelidiki distribusi sampel (untuk
uji satu sample). Gambar 1 menjelaskan metode ini.
2. Metode Bevariate
 Merupakan alat analisis yang secara khusus mengukur tingkat asosiasi atau
hubungan. Analisis diklasifikasikan sesuai skala/pengukuran data (nominal,
ordinal, interval, rasio). Tabel 3 menjelaskan metode ini.
3. Metode Multivariate
 Merupakan metode statistik untuk set data dengan lebih dari satu variabel
bebas dan atau lebih dari satu variabel terikat. Metode ini dibagi menjadi 2,
yaitu Analisis Dependensi dan Analisis Interdependensi. Gambar 2
menjelaskan metode ini.
 4

Gambar 1 Analisis Univariate

 5

TABEL 3 ANALISIS BIVARIATE

UKURAN KOEFISIEN KETERANGAN & PENGGUNAAN

Pearson
Product Hubungan kontinyu secara linear
Moment
Correlation Data non linear (var. terikat non
Ratio (eta) metrik dan var. bebas metrik)
INTERVAL & Satu variabel kontinyu dan satu
Biserial
RASIO variabel dikotomi
Bivariate
Prediksi satu variabel dari skor
Linear
variabel lainnya
Regression
Partial Hub. Dua variabel: mengeluarkan
Correlation efek korelasi dari variabel lainnya
Didasarkan pada concordant-
Gamma
disconcordant (P – Q)
Didasarkan P –Q: penyesuaian
Kendall’s tau-b
untuk tied rank
Didasarkan P –Q: penyesuaian
ORDINAL Kendall’s tau-c
untuk dimensi tabel
Didasarkan P –Q: perluasan
Somer’s d
gamma secara asimetrik
Spearman’s Korelasi Product Moment untuk
rho data berurutan (time series)
Phi 2: tabel 2 X 2
2: penyesuaian bila dimensi
Cramer’s V
suatu tabel lebih dari dua
Contingency 2:fleksibel terhadap asumsi
Coefficient distribusi dan data
Interpretasi berdasarkan PRE
NOMINAL Lambda
(proporsional reduction in error)
Goodman & Didasarkan pada PRE dengan
Kruskal’s tau menggunakan marjinal tabel
Uncertainty Berguna untuk tabel-tabel
Coefficient multidimensional
Mengukur kesepakatan
Kappa
(agreement)
 6

Keterangan:

M = Metrik (Interval & Rasio)

N = Non Netrik (Nominal & Ordinal)

MCA = Multiple Classification Analysis

Gambar 2 Analisis Multivariate

Beberapa hal yang perlu diketahui dalam pemilihan metode statistik untuk
menanalisis data penelitian adalah:
1. Skala pengukuran dari data (NOMINAL, ORDINAL, INTERVAL DAN RASIO).
2. Asumsi distribusi populasi di mana sampel diambil (Asumsi model populasi
dengan distribusi normal baik UNIVARIAT, BIVARIAT DAN MULTIVARIAT
ditujukan pada data berskala pengukuran INTERVAL DAN RASIO yang akan
menggunakan metode statistik parametrik. Sedang data skala ORDINAL &
NOMINAL menggunakan statistik non parametrik).
 7

3. Pengujian hipotesis lebih mengarah pada pembuktian ada/tidak adanya

perbedaan (uji komparatif) atau pembuktian ada/tidak adanya hubungan atau
pengaruh (uji korelatif).

Secara lebih jelas keterkaitan antara tujuan studi dengan metode analisis dapat
digambarkan sebagai berikut:

Eksplorasi

STATISTIK DESKRIPTIF
Tujuan studi Deskrptif

Uji Perbedaan
Uji hipotesis Korelasi
Uji Hubungan
Sebab akibat

STATISTIK INFERENSIA (Parametrik/Non Parametrik)

Gambar 3 Tujuan Studi dan Metode Analisis

 APLIKASI STATISTIK BERBASIS KOMPUTER

Saat ini komputer telah menjadi alat bantu utama dalam penggunaan analisis
kuantitatif khususnya statistik. Hubungan statistik dan pengolahan data dengan
komputer secara sederhana dapat digambarkan sebagai berikut:

STATISTIK KOMPUTER

Metode Pengolahan Data Sarana Pengolahan Data

KEPUTUSAN

Gambar 4 Hubungan Statistik dan Pengolahan Data dengan Komputer

Terdapat beberapa macam aplikasi statistik berbasis computer, yang dapat

digolongkan menjadi (Teddy Oswari, http://staffsite.gunadarma.ac.id/toswari):
 Program Statistik Buatan Sendiri (bahasa pemrograman BASIC, PASCAL,
FORTRAN, dll).
 Program Statistik sebagai Bagian dari Program Lain (Add Ins dari Aplikasi
Spreadsheet seperti: Lotus,Excel).
 Program Khusus Statistik (SPSS, Microstat, SAS, Minitab dll)
 8

SPSS (Statistical Product for Service Solutions) dahulu “Statistical Packedge – for
Social Sciences”. Merupakan suatu software yang berfungsi untuk menganalisis data,
melakukan perhitungan statistik baik untuk statistik parametrik maupun non
parametrik dengan basis windows. SPSS terus mengalami perkembangan dari yang
semula under DOS dan berubah menjadi under Windows dan populer hingga
berkembang menjadi beberapa versi. Penggunaan SPSS sangat popular karena
memiliki keunggulan diantaranya:
 Bentuk Pemaparan yang Baik (grafik dan tabel).
 Dinamis (mudah dilakukan perubahan data dan update analisis).
 Mudah dihubungkan dengan aplikasi lain (misalnya:ekspor/impor data ke/dari
Excel).
Berdasarkan beberapa keuanggulan tersebut maka modul praktik mata kuliah
aplikasi komputer statistik ini menggunakan software SPSS.
 9

BAGIAN 1

APLIKASI SPSS UNTUK UJI INSTRUMEN PENELITIAN

Penelitian di bidang manajemen khususnya manajemen sumber daya manusia sebagian besar
menggunakan kuesioner dalam mengumpulkan data. Contoh: Sebuah penelitian berjudul: Pengaruh
Karakteristik Pekerjaan dan Pertukaran Pemimpin Karyawan terhadap Kepuasan Kerja Karyawan
Departemen Weaving PT. PPEB di Solo.
Penelitian tersebut menggunakan data primer dengan menyebar kuesioner (angket) kepada
responden yang berjumlah 40 orang.
Kuesioner yang harus diisi oleh responden adalah sebagai berikut:

DAFTAR PERTANYAAN

I. PETUNJUK PENGISIAN
1. Bp/Ibu/Sdr dimohon memilih salah satu jawaban yang tersedia yang seusai dengan
pendapat masing-masing.
2. Jawaban yang dipilih agar diberi tanda silang (X) pada pernyataan tersebut.
II. INDENTITAS RESPONDEN
1. No. Responden :……………………………….
2. Nama Responden :………………………………
3. Alamat Responden :………………………………
4. Jenis Kelamin :………………………………

III. PERTANYAAN
A. Karakteristik Pekerjaan
1. Seberapa baikkah anda dalam menentukan adanya hubungan antara pekerjaan dengan
sasaran yang hendak dicapai:
a. Sangat baik d. Tidak baik.
b. Baik e. Sangat tidak baik.
c. Netral.
2. Apakah pekerjaan saudara membutuhkan sejumlah keterampilan/keahlian dan bakat yang
anda miliki?
a. Sangat membutuhkan. d. Tidak membutuhkan.
b. Membutuhkan. e. Sangat tidak membutuhkan.
c. Netral.
3. Apakah ada banyak variasi di dalam pekerjaan saudara, sehingga membutuhkan ketelitian
dan keterampilan saudara?
a. Sangat banyak. d. Tidak banyak.
b. Banyak. e. Sangat sedikit.
c. Netral.
 10

4. Apakah hasil kerja saudara sangat mempengaruhi tujuan perusahan yang ingin dicapai ?
a. Sangat mempengaruhi. d. Tidak mempengaruhi.
b. Mempengaruhi e. Sangat tidak mempengaruhi.
c. Netral.
5. Apakah pekerjaan itu sendiri mampu memberi petunjuk seberapa besar prestasi kerja anda
selama ini ?
a. Sangat memberi petunjuk. d. Tidak memberi petunjuk.
b. Member petunjuk. e. Sangat tidak memberi petunjuk.
c. Netral.

B. Pertukaran Pemimpin-Karyawan
1. Apakah saudara menghormati pengetahuan dan kompetensi pimpinan saudara di dalam
bekerja ?
a. Sangat menghormati. d. Tidak menghormati.
b. Menghormati e. Sangat tidak menghormati.
c. Netral.
2. Apakah saudara bersedia bekerja demi pimpinan saudara meskipun melebihi deskripsi
pekerjaan saudara ?
a. Sangat bersedia. d. Tidak bersedia.
b. Bersedia. e. Sangat tidak bersedia.
c. Netral.
3. Pimpinan saudara adalah seseorang yang dapat diajak bekerja sama dengan para
karyawannya:
a. Sangat setuju. d. Tidak setuju.
b. Setuju. e. Sangat tidak setuju.
c. Netral.
4. Bagaimana hubungan antara pimpinan dan karyawan di perusahaan saudara?
a. Sangat baik d. Tidak baik.
b. Baik e. Sangat tidak baik.
c. Netral.
5. Apakah pimpinan saudara menghargai pekerjaan saudara ?
a. Sangat menghargai d. Tidak menghargai
b. Menghargai e. Sangat tidak menghargai
c. Netral.
 11

C. Kepuasan Kerja
1. Bagaimana tanggapan saudara tentang hasil kerja saudara di perusahaan?
a. Sangat memuaskan. d. Tidak memuaskan.
b. Memuaskan. e. Sangat tidak memuaskan.
c. Netral.
2. Saudara merasa puas bila dapat mengerjakan sesuatu dengan menggunakan kemampuan
sendiri?
a. Sangat setuju. d. Tidak setuju.
b. Setuju. e. Sangat tidak setuju.
c. Netral.
3. Bagaimana tanggapan saudara tentang gaji yang diberikan oleh perusahaan?
a. Sangat memuaskan. d. Tidak memuaskan.
b. Memuaskan. e. Sangat tidak memuaskan.
c. Netral.
4. Apakah perusahaan memberikan kesempatan kepada saudara untuk mengembangkan diri ?
a. Sangat memberikan. d. Tidak memberikan.
b. Memberikan. e. Sangat tidak memberikan.
c. Netral.
5. Perusahaan memberikan penghargaan atas hasil kerja yang telah saudara peroleh,
sehingga hal tersebut dapat memacu semangat kerja:
a. Sangat setuju. d. Tidak setuju.
b. Setuju. e. Sangat tidak setuju.
c. Netral.

Skala yang digunakan dalam penyusunan kuesioner tersebut adalah skala Likert, yaitu skala
yang berisi lima tingkat preferensi jawaban. Nilai dari tiap jawaban tersebut adalah sebagai berikut:
Jawaban a diberi nilai 5
Jawaban b diberi nilai 4
Jawaban c diberi nilai 3
Jawaban d diberi nilai 2
Jawaban e diberi nilai 1
 12

Hasil (Skor) jawaban dari 40 responden tentang pertanyaan A (Karakteristik

Pekerjaan) adalah sebagai berikut:
Skor Jawaban
No. Respoden soal no.1 Soal no. 2 Soal no.3 Soal no. 4 Soal no. 5 Skor Total
1 3 4 3 3 2 15
2 5 5 5 5 5 25
3 4 3 4 5 5 21
4 5 4 4 5 5 23
5 3 3 3 3 3 15
6 2 4 2 2 3 13
7 2 2 3 3 2 12
8 4 5 5 5 5 24
9 5 5 5 5 5 25
10 5 4 4 5 5 23
11 4 3 4 3 4 18
12 4 4 4 4 2 18
13 3 2 3 3 4 15
14 5 5 5 5 5 25
15 4 3 4 3 3 17
16 5 5 5 5 5 25
17 4 4 4 4 4 20
18 5 5 5 5 5 25
19 5 5 5 5 5 25
20 4 4 5 5 5 23
21 5 5 5 5 4 24
22 4 4 4 4 4 20
23 4 5 4 3 3 19
24 4 4 3 4 4 19
25 5 3 4 4 2 18
26 3 4 3 3 2 15
27 3 2 2 2 3 12
28 3 3 3 3 3 15
29 2 3 2 3 2 12
30 3 3 3 3 3 15
31 5 5 5 5 5 25
32 4 4 4 4 4 20
33 4 4 4 5 4 21
34 4 4 5 5 4 22
35 5 5 5 5 5 25
36 4 5 4 4 4 21
37 5 5 4 4 4 22
38 5 5 5 5 5 25
39 5 4 5 5 5 24
40 4 4 4 4 4 20
 13

Hasil (Skor) jawaban dari 40 responden tentang pertanyaan B (Pertukaran

Pemimpin-Karyawan) adalah sebagai berikut:
Skor Jawaban
No. Responden Soal no. 1 Soal no.2 Soal no. 3 Soal no. 4 Soal no. 5 Skor Total
1 4 4 4 4 4 20
2 5 5 5 5 5 25
3 3 3 3 3 3 15
4 5 5 5 5 4 24
5 3 3 3 3 4 16
6 4 4 4 4 3 19
7 3 2 3 4 4 16
8 5 5 5 5 4 24
9 5 5 5 5 5 25
10 5 5 5 5 5 25
11 3 4 3 4 5 19
12 3 3 3 3 4 16
13 4 3 4 3 3 17
14 4 4 3 3 4 18
15 5 5 5 5 4 24
16 5 4 5 4 5 23
17 5 5 5 5 4 24
18 5 5 5 5 5 25
19 4 4 3 3 2 16
20 3 3 3 3 4 16
21 3 4 5 2 3 17
22 3 2 5 4 4 18
23 4 2 2 4 4 16
24 4 3 3 5 4 19
25 4 4 4 4 4 20
26 4 4 4 4 5 21
27 3 5 3 5 3 19
28 4 4 4 4 3 19
29 5 5 5 5 5 25
30 5 5 5 5 5 25
31 5 5 5 5 5 25
32 4 4 5 5 5 23
33 5 5 5 5 5 25
34 5 4 5 5 5 24
35 4 4 4 4 5 21
36 4 3 4 3 4 18
37 3 5 4 3 3 18
38 4 4 4 4 3 19
39 4 4 4 4 5 21
40 5 5 5 5 5 25
 14

Hasil (Skor) jawaban dari 40 responden tentang pertanyaan C (Kepuasan

Kerja) adalah sebagai berikut:
Skor Jawaban
No. Responden Soal no. 1 Soal no. 2 Soal no. 3 Soal no.4 Soal no. 5 Skor Total
1 3 3 3 3 5 17
2 5 5 5 5 5 25
3 4 2 5 3 4 18
4 5 5 5 5 5 25
5 3 2 3 4 3 15
6 3 3 3 3 3 15
7 4 2 2 2 4 14
8 5 5 5 5 5 25
9 5 5 5 5 5 25
10 4 4 5 5 4 22
11 4 3 4 4 4 19
12 4 4 4 4 4 20
13 4 4 4 4 5 21
14 4 5 5 4 4 22
15 5 5 5 5 5 25
16 5 5 5 4 4 23
17 4 5 5 5 5 24
18 5 4 5 4 5 23
19 4 5 4 4 4 21
20 4 3 4 3 4 18
21 3 3 3 3 4 16
22 3 3 3 3 3 15
23 4 3 4 2 4 17
24 4 3 5 2 4 18
25 3 3 3 3 3 15
26 3 4 5 3 3 18
27 4 3 4 4 2 17
28 3 4 3 4 3 17
29 4 4 4 4 4 20
30 4 4 4 5 4 21
31 5 5 5 5 5 25
32 5 5 5 5 5 25
33 5 5 5 5 4 24
34 4 5 5 4 5 23
35 5 5 5 4 4 23
36 4 3 4 5 3 19
37 4 4 4 4 5 21
38 4 5 5 5 5 24
39 5 5 5 4 5 24
40 5 4 5 5 4 23

Selanjutnya agar dapat dilakukan beberapa uji terhadap data manual tersebut dengan
menggunakan SPSS, maka data tersebut harus dimasukkan dalam data editor program tersebut.
Meng-entri Data Baru, dengan cara:
Aktifkan Program SPSS.
 Double –clik pada SPSS(selanjutnya akan muncul tampilan seperti dalam Gambar 5).
 15

Gambar 5.

 Clik Variable View (tanda panah), sehingga akan muncul tampilan (Gambar 6.)

Gambar 6
 Untuk kolom Name, No.1 ketik X11 (Soal 1 untuk variabel Karakteristik Pekerjaan) dan
seterusnya sampai pada No.18 ketik Y (Total jawaban Variabel Kepuasan Kerja).
 Sehingga hasilnya akan tampak sebagai berikut (Gambar 7):
 16

Gambar 7
 Kemudian Clik Data View (tanda panah pada gambar atas), dan isikan data manual
kedalamnya(Gambar 8).

Gambar 8
 Isilah tiap kolom (mulai X11) sampai Y, untuk tiap nomor mulai dari 1 – 40 (ingat sampel
penelitian ini 40).

Apabila anda telah memasukkan seluruh data tersebut, hasilnya akan sama dengan tampilan
Bagian1-SPSS Data Editor (Gambar 9), seperti berikut:
 17

Gambar 9

Uji Validitas terhadap Kuesioner

Uji validitas digunakan untuk mengukur sah atau valid tidaknya suatu kuesioner. Suatu kuesioner
dikatakan valid jika pertanyaan pada kuesioner mampu untuk mengungkapkan sesuatu yang akan
diukur oleh kuesioner tersebut. Misalnya kita akan ingin mengukur Karakteristik Pekerjaan (X1) seorang
karyawan dan karyawan tersebut diberi 5 pertanyaan, maka pertanyaan tersebut harus dapat secara
tepat mengungkapkan tingkat Karekteristik Pekerjaan.
Salah satu cara mengukur validitas adalah dengan Uji Korelasi Bivariate antara masing-masing
skor indikator / soal (contoh: X11) dengan total skor konstruk (contoh: X1).
Langkah Analisis:
 Buka file Bagian1-SPSS Data Editor.
 Clik Analyze, pilih submenu Correlate, lalu pilih Bivariate. Tampilan layar akan tampak
sebagai berikut (Gambar 10):

Gambar 10
 18

 Masukkan (Clik tanda panah) indikator konstruk Karakteristik Pekerjaan (X11, X12, X13,
X14, X15) dan skor total Karakteristik Pekerjaan (X1). Sehingga tampilan layar menjadi
(Gambar 11):

Gambar 11
 Pilih Correlation Coefisients Pearson.
 Clik OK.
Output yang dihasilkan adalah sebagai berikut:
Correlations

x11 x12 x13 x14 x15 x1

x11 Pearson Correlation 1 .677** .854** .817** .717** .912**
Sig. (2-tailed) . .000 .000 .000 .000 .000
N 40 40 40 40 40 40
x12 Pearson Correlation .677** 1 .706** .650** .559** .803**
Sig. (2-tailed) .000 . .000 .000 .000 .000
N 40 40 40 40 40 40
x13 Pearson Correlation .854** .706** 1 .877** .737** .936**
Sig. (2-tailed) .000 .000 . .000 .000 .000
N 40 40 40 40 40 40
x14 Pearson Correlation .817** .650** .877** 1 .789** .930**
Sig. (2-tailed) .000 .000 .000 . .000 .000
N 40 40 40 40 40 40
x15 Pearson Correlation .717** .559** .737** .789** 1 .864**
Sig. (2-tailed) .000 .000 .000 .000 . .000
N 40 40 40 40 40 40
x1 Pearson Correlation .912** .803** .936** .930** .864** 1
Sig. (2-tailed) .000 .000 .000 .000 .000 .
N 40 40 40 40 40 40
**. Correlation is significant at the 0.01 level (2-tailed).

Tampilan output SPSS di atas menunjukkan bahwa korelasi antara masing-masing indikator
(X11, X12, X13, X14, X15) terhadap total skor konstruk (X1) menunjukkan hasil yang signifikan (lihat
tanda panah). Jadi dapat disimpulkan bahwa masing-masing indikator pertanyaan adalah valid.
Dengan cara yang sama uji validitas tersebut dapat juga dilakukan terhadap variabel X2
(Pertukaran pimpinan-karyawan) dan variabel Y (Kepuasan kerja), dengan output masing-masing
sebagai berikut:
 19

Correlations

x21 x22 x23 x24 x25 x2

x21 Pearson Correlation 1 .652** .699** .723** .516** .885**
Sig. (2-tailed) . .000 .000 .000 .001 .000
N 40 40 40 40 40 40
x22 Pearson Correlation .652** 1 .638** .564** .287 .789**
Sig. (2-tailed) .000 . .000 .000 .073 .000
N 40 40 40 40 40 40
x23 Pearson Correlation .699** .638** 1 .535** .451** .828**
Sig. (2-tailed) .000 .000 . .000 .003 .000
N 40 40 40 40 40 40
x24 Pearson Correlation .723** .564** .535** 1 .573** .839**
Sig. (2-tailed) .000 .000 .000 . .000 .000
N 40 40 40 40 40 40
x25 Pearson Correlation .516** .287 .451** .573** 1 .692**
Sig. (2-tailed) .001 .073 .003 .000 . .000
N 40 40 40 40 40 40
x2 Pearson Correlation .885** .789** .828** .839** .692** 1
Sig. (2-tailed) .000 .000 .000 .000 .000 .
N 40 40 40 40 40 40
**. Correlation is significant at the 0.01 level (2-tailed).

Tampilan output SPSS di atas menunjukkan bahwa korelasi antara masing-masing indikator
(X21, X22, X23, X24, X25) terhadap total skor konstruk (X2) menunjukkan hasil yang signifikan. Jadi
dapat disimpulkan bahwa masing-masing indikator pertanyaan adalah valid.

Correlations

y1 y2 y3 y4 y5 y
y1 Pearson Correlation 1 .643** .727** .570** .586** .843**
Sig. (2-tailed) . .000 .000 .000 .000 .000
N 40 40 40 40 40 40
y2 Pearson Correlation .643** 1 .700** .687** .580** .894**
Sig. (2-tailed) .000 . .000 .000 .000 .000
N 40 40 40 40 40 40
y3 Pearson Correlation .727** .700** 1 .547** .494** .843**
Sig. (2-tailed) .000 .000 . .000 .001 .000
N 40 40 40 40 40 40
y4 Pearson Correlation .570** .687** .547** 1 .377* .790**
Sig. (2-tailed) .000 .000 .000 . .017 .000
N 40 40 40 40 40 40
y5 Pearson Correlation .586** .580** .494** .377* 1 .728**
Sig. (2-tailed) .000 .000 .001 .017 . .000
N 40 40 40 40 40 40
y Pearson Correlation .843** .894** .843** .790** .728** 1
Sig. (2-tailed) .000 .000 .000 .000 .000 .
N 40 40 40 40 40 40
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

SPSS Tampilan output di atas menunjukkan bahwa korelasi antara masing-masing indikator (Y1,
Y2, Y3, Y4, Y5) terhadap total skor konstruk (Y) menunjukkan hasil yang signifikan. Jadi dapat
disimpulkan bahwa masing-masing indikator pertanyaan adalah valid.

Uji Reliabilitas Terhadap Kuesioner

Uji ini dilakukan untuk mengukur suatu kuesioner yang merupakan indikator dari variabel atau
konstruk. Suatu kuesioner disebut reliabel atau handal apabila jawaban seseorang atas pertanyaan
adalah konsisten dari waktu ke waktu (Salah satu cara pengukurannya adalah: Apabila seseorang
konsisten akan jawabannya, ketika disodori pertanyaan (kuesioner) yang sama, dalam waktu yang
berbeda).
 20

Uji Reliabilitas dengan SPSS yang akan kita lakukan adalah menggunakan Reliability Analysis
Statistic dengan Cronbach Alpha ( Jika nilai Cronbach Alpha> 0,60 (Nunally,1967) dalam (Ghozali,
2005) dapat dikatakan variabel tersebut reliabel.

Langkah analisis:
 Buka file Bagian1-SPSS Data Editor.
 Clik Analyze, pilih Scale kemudian pilih submenu Reliability Analysis
Sehingga akan tampak tampilan sebagai berikut (Gambar 12):

Gambar 12
 Masukkan indikator X11, X12, X13, X14 dan X15 sebagai indikator X1 (Karakteristik
Pekerjaan) ke dalam kotak Items (Dengan Clik tanda panah), setelah itu pilih model
Alpha.
 Clik tombol Statistic, sehingga akan muncul tampilan sebagai berikut (Gambar 13):

Gambar 13
 Aktifkan (clik kotak di depan) Item, Scale, Scale if item deleted dan Correlation.
 Clik Continue, kemudian Ok.
 Output SPSS akan nampak sebagai berikut:
 21

Reliability Statistics

Cronbach's
Alpha Based
on
Cronbach's Standardized
Alpha Items N of Items
.932 .934 5

Inter-Item Correlation Matrix

x11 x12 x13 x14 x15

x11 1.000 .677 .854 .817 .717
x12 .677 1.000 .706 .650 .559
x13 .854 .706 1.000 .877 .737
x14 .817 .650 .877 1.000 .789
x15 .717 .559 .737 .789 1.000
The covariance matrix is calculated and used in the analysis.

Item-Total Statistics

Scale Corrected Squared Cronbach's

Scale Mean if Variance if Item-Total Multiple Alpha if Item
Item Deleted Item Deleted Correlation Correlation Deleted
x11 15.975 12.128 .861 .763 .909
x12 16.025 12.999 .701 .520 .938
x13 16.025 11.922 .899 .837 .902
x14 15.950 11.741 .887 .820 .904
x15 16.125 11.702 .773 .639 .928

Tampilan output SPSS tersebut menunjukkan bahwa variabel karekteristik pekerjaan (X1) memiliki
nilai Cronbach Alpha 93,4% yang menurut kriteria Nunnally (1967) dapat dikatakan reliabel.
Dengan cara yang sama uji reliabilitas tersebut dapat juga dilakukan terhadap variabel X2
(Pertukaran pimpinan-karyawan) dan variabel Y (Kepuasan kerja), dengan output masing-masing
sebagai berikut:
Reliability Statistics

Cronbach's
Alpha Based
on
Cronbach's Standardized
Alpha Items N of Items
.864 .866 5

Inter-Item Correlation Matrix

x21 x22 x23 x24 x25

x21 1.000 .652 .699 .723 .516
x22 .652 1.000 .638 .564 .287
x23 .699 .638 1.000 .535 .451
x24 .723 .564 .535 1.000 .573
x25 .516 .287 .451 .573 1.000
The covariance matrix is calculated and used in the analysis.
 22

Item-Total Statistics

Scale Corrected Squared Cronbach's

Scale Mean if Variance if Item-Total Multiple Alpha if Item
Item Deleted Item Deleted Correlation Correlation Deleted
x21 16.500 7.846 .816 .683 .805
x22 16.575 7.840 .647 .525 .846
x23 16.475 7.743 .714 .564 .828
x24 16.475 7.794 .735 .599 .822
x25 16.475 8.769 .531 .389 .871

Tampilan output SPSS di atas menunjukkan variabel X2 (Pertukaran Pimpinan Karyawan)

mempunyai nilai Cronbach Alpha 86,6% yang menurut kriteria Nunnally (1967) dapat dikatakan reliabel.
Reliability Statistics

Cronbach's
Alpha Based
on
Cronbach's Standardized
Alpha Items N of Items
.875 .879 5

Inter-Item Correlation Matrix

y1 y2 y3 y4 y5
y1 1.000 .643 .727 .570 .586
y2 .643 1.000 .700 .687 .580
y3 .727 .700 1.000 .547 .494
y4 .570 .687 .547 1.000 .377
y5 .586 .580 .494 .377 1.000
The covariance matrix is calculated and used in the analysis.

Item-Total Statistics

Scale Corrected Squared Cronbach's

Scale Mean if Variance if Item-Total Multiple Alpha if Item
Item Deleted Item Deleted Correlation Correlation Deleted
y1 16.425 8.763 .765 .626 .840
y2 16.575 7.225 .807 .670 .823
y3 16.250 8.192 .745 .622 .839
y4 16.550 8.203 .652 .508 .863
y5 16.400 9.067 .590 .424 .874

Tampilan output SPSS tersebut menunjukkan bahwa variabel kepuasan kerja (y) memiliki nilai
Cronbach Alpha 87,9% yang menurut kriteria Nunnally (1967) dapat dikatakan reliabel.

Kesimpulannya kuesioner yang digunakan dalam penelitian tersebut telah lolos uji reliabilitas dan
validitas, sehingga data yang diperoleh layak untuk dianalisis lebih lanjut.
 23

BAGIAN 2

APLIKASI SPSS UNTUK UJI PERBEDAAN

A. Uji t dua sampel independen (independent sample t test)

Untuk menguji apakah rata-rata satu group sampel berbeda dengan group
sampel lainnya. Kedua grup tidak saling berhubungan.
Contoh: Sebuah penelitian ingin menguji perbedaan sikap penolakan
terhadap adanya perubahan organisasi antara pegawai yang tidak memiliki
jabatan (staf) dengan pegawai yang memiliki jabatan (struktural). Data yang
digunakan adalah sebagai berikut:
No. RESPONDEN STAF No. RESPONDEN STAF No. RESPONDEN STRUKTURAL
1 74 24 61 1 57
2 77 25 73 2 63
3 68 26 73 3 65
4 84 27 69 4 61
5 68 28 68 5 62
6 71 29 77 6 59
7 60 30 74 7 53
8 81 31 86 8 60
9 84 32 83 9 48
10 86 33 87 10 53
11 73 34 81 11 63
12 75 35 73 12 70
13 73 36 64 13 58
14 65 37 74 14 42
15 72 38 74 15 39
16 85 39 83 16 67
17 78 40 86 17 63
18 87 41 69 18 62
19 76 42 69 19 63
20 67 43 65 20 61
21 66 44 65 21 52
22 58 45 68 22 39
23 57 23 35
Kemudian data tersebut dimasukkan ke program SPSS melalui proses sebagai
berikut:
 24

Gambar 14
 Masukkan Status Pegawai sebagai nama variabel pertama dan Sikap Penolakan
sebagai variabel kedua.
 Clik tombol di pojok kanan pada kolom value untuk variabel Status Pegawai,
Isikan nilai 1 di kotak value dan ketik Staf pada kotak value label, kemudian tekan
tombol Add. Lanjutkan dengan mengisi nilai 2 di kotak value dan ketik Struktural
pada kotak value label sehingga akan muncul tampilan seperti terlihat pada
Gambar 14.
 Kemudian masukkan data seperti tampilan pada Gambar 15.

Gambar 15
 Setelah selesai memasukkan data kemudian clik Analyze, pilih Compare
Means kemudian pilih submenu Independen-Sample T Test.
Sehingga akan tampak tampilan seperti Gambar 16
 25

Gambar 16
 Masukkan # Sikap Penolakan ke kotak Test Variable dan # Status Pegawai ke
kotak Grouping Variable. Kemudian tekan tombol Define Groups. Ketik nilai 1
untuk kotak Groups 1 dan nilai 2 untuk kotak Groups 2. Sehingga akan
tampak tampilan seperti Gambar 17
 Kemudian klik Continue dan kemudian klik OK.

Gambar 17
Output yang dihasilkan adalah sebagai berikut:

T-Test
Group Statistics

Std. Error
StatusPegawai N Mean Std. Deviation Mean
SikapPenolakan Staf 45 73.49 8.231 1.227
Struktural 23 56.30 9.669 2.016
 26

Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
SikapPenolakan Equal variances
.813 .370 7.673 66 .000 17.185 2.239 12.713 21.656
assumed
Equal variances
7.281 38.664 .000 17.185 2.360 12.409 21.960
not assumed

Tampilan output SPSS di atas terdiri dari dua tabel. Pada tabel Group
Statistics menunjukkan bahwa rata-rata sikap penolakan pegawai staf sebesar
73.49 lebih tinggi dari rata-rata sikap penolakan pegawai struktural yang sebesar
56,30. Sedangkan interpretasi tabel Independen Samples Test ada 2 tahap.
- Menguji apakah varian kedua sampel sama dengan menggunakan Levene”s
Test.
- Berdasarkan hasil pada uji varian, akan diuji apakah sikap penolakan pegawai
staf sama dengan sikap penolakan pegawai struktural. Digunakan uji t untuk
keperluan ini.
Pengujian varian dua sampel
- H0 = Kedua sampel mempunyai varian yang sama.
- Ha = Kedua sampel mempunyai varian yang berbeda
Pengambilan keputusan:
 Jika nilai probabilitas pada F hitung > 0,05, maka H0 diterima.
 Jika nilai probabilitas pada F hitung < 0,05, maka H0 ditolak
Melihat nilai probabilitasnya sebesar 0,370 (>0,05) maka H0 diterima, artinya varian
kedua sampel sama.
Pengujian rata-rata dua sampel:
Oleh karena sampel mempunyai varian yang sama, maka pengujian terhadap nilai
rata-rata sebaiknya menggunakan dasar equal variance assumed (diasumsikan
kedua sampel mempunyai varian yang sama). Jadi pada tabel output Independen
Samples Test yang dibaca adalah baris atas.
Hipotesis
- H0 = Rata-rata sikap penolakan terhadap perubahan adalah sama.
- Ha = Rata-rata sikap penolakan terhadap perubahan adalah tidak sama
Pengambilan keputusan:
 Jika nilai probabilitasnya > 0,05, maka H0 diterima.
 Jika nilai probabilitasnya < 0,05, maka H0 ditolak
Melihat nilai probabilitasnya sebesar 0,000 (< 0,05) maka H0 ditolak, artinya rata-
rata sikap penolakan pegawai staf adalah tidak sama atau berbeda secara signifikan
dengan rata-rata sikap penolakan pegawai struktural.
 27

B. Uji t dua sampel berpasangan (Paired Sample t test)

Sampel berpasangan adalah sebuah sampel dengan subjek yang sama
namun mengalami perlakuan yang berbeda.
Contoh: Sebuah penelitian ingin menguji perbedaan produktivitas kerja
karyawan sebelum dan sesudah memperoleh pelatihan. Data yang digunakan
adalah sebagai berikut:

Sebelum Sesudah
78 86
77 88
65 84
82 86
88 89
86 90
79 77
77 77
80 86
95 99

Kemudian data tersebut dimasukkan ke program SPSS melalui proses sebagai

berikut:

Gambar 18
 Masukkan kata Sebelum sebagai nama variabel pertama dan Sesudah sebagai
nama variabel kedua.
 Isi kolom label pada variabel pertama dengan “Sebelum pelatihan” dan “Sesudah
pelatihan” kolom label pada variabel kedua, sehingga akan muncul tampilan
seperti terlihat pada Gambar 18.
 Kemudian masukkan data seperti tampilan pada Gambar 19.
 28

Gambar 19
 Setelah selesai memasukkan data kemudian clik Analyze, pilih Compare
Means kemudian pilih submenu Paired-Sample T Test. Sehingga akan
tampak tampilan seperti Gambar 20

Gambar 20

 Sorotlah variabel sebelum dan sesudah secara bersama-sama kemudian

masukkan kedua variabel tersebut ke kolom Paired Variables. Sehingga akan
tampak tampilan seperti Gambar 21. Kemudian klik OK.
 29

Gambar 21
Output yang dihasilkan adalah sebagai berikut:
T-Test
Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair Sebelum pelatihan 80.7000 10 7.97287 2.52124
1 Setelah pelatihan 86.2000 10 6.35610 2.00998

Paired Samples Correlations

N Correlation Sig.
Pair Sebelum pelatihan
10 .661 .037
1 & Setelah pelatihan

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 Sebelum pelatihan
-5.50000 6.07819 1.92209 -9.84808 -1.15192 -2.861 9 .019
1 - Setelah pelatihan

Interpretasi dari output di atas adalah sebagai berikut:

- Tabel Paired-Samples Statistics
Terlihat bahwa rata-rata produktivitas kerja sebelum pelatihan adalah 80,7.
Sedangkan rata-rata produktivitas kerja setelah pelatihan sebesar 86,2.
- Tabel Paired-Samples Correlations
Menguji keeratan hubungan antara produktivitas kerja sebelum pelatihan
dengan produktivitas kerja setelah pelatihan. Korelasi (hubungan) produktivitas
kerja sebelum pelatihan dengan produktivitas kerja setelah pelatihan sebesar
0,661. Dengan melihat nilai probabilitas 0,037 (< 0,05), berarti korelasinya
adalah signifikan.
- Tabel Paired-Samples Test
 30

Hipotesis
- H0 = Produktivitas kerja sebelum dan sesudah pelatihan adalah sama.
- Ha = Produktivitas kerja sebelum dan sesudah pelatihan adalah berbeda.
Pengambilan keputusan:
 Jika nilai probabilitasnya > 0,05, maka H0 diterima.
 Jika nilai probabilitasnya < 0,05, maka H0 ditolak
Melihat nilai probabilitasnya sebesar 0,019 (< 0,05) maka H0 ditolak, artinya
Produktivitas kerja sebelum dan sesudah pelatihan adalah berbeda. Atau bias
juga dikatakan produktivitas kerja terbukti meningkat sesudah pelatihan.

C. One Way Anova

Alat ini digunakan untuk menguji apakah rata-rata dari beberapa sampel
(lebih dari dua) berbeda atau tidak.
Contoh: Sebuah penelitian ingin menguji perbedaan empat sampel yang
berupa empat sumber penolakan terhadap adanya perubahan organisasi pada
pegawai yang memiliki jabatan (struktural). Data yang digunakan adalah sebagai
berikut:
SUMBER PENOKAN TERHADAP PERUBAHAN ORGANISASI
Ketidakmampuan dalam Penyampaian
Berkurangnya melaksanakan tugas informasi yang Ketenangan pekerjaan
No Penghasilan baru kurang utuh terganggu
1 17 23 21 16
2 21 19 21 22
3 21 21 22 22
4 15 20 17 21
5 18 19 20 20
6 17 19 20 19
7 14 16 16 19
8 18 19 18 22
9 17 14 16 16
10 13 23 20 15
11 22 23 20 20
12 22 23 20 23
13 18 18 20 20
14 16 15 13 15
15 15 14 13 14
16 20 23 21 22
17 24 17 21 22
18 19 21 20 21
19 19 23 20 21
20 16 22 21 21
21 17 16 18 17
22 14 14 13 14
23 14 13 13 11
Kemudian data tersebut dimasukkan ke program SPSS melalui proses sebagai
berikut:
 31

Gambar 22
 Masukkan kata Struktural sebagai nama variabel pertama dan Sumber
Penolakan sebagai variabel kedua..
 Clik tombol di pojok kanan pada kolom value untuk variabel Sumber Penolakan,
Isikan nilai 1 di kotak value dan ketik Berkurangnya Penghasilan pada kotak
value label, kemudian tekan tombol Add. Lanjutkan dengan mengisi nilai 2 di
kotak value dan ketik Ketidakmampuan dalam melaksanakan tugas baru pada
kotak value label kemudian tekan tombol Add. Isikan nilai 3 di kotak value dan
ketik Penyampaian informasi yang kurang utuh pada kotak value label
kemudian tekan tombol Add. Isikan nilai 4 di kotak value dan ketik Ketenangan
pekerjaan terganggu pada kotak value label sehingga akan muncul tampilan
seperti terlihat pada Gambar 22.
 Kemudian masukkan data seperti tampilan pada Gambar 23

.
Gambar 23
 Setelah selesai memasukkan data kemudian clik Analyze, pilih Compare
Means kemudian pilih submenu One-Way ANOVA. Sehingga akan tampak
tampilan seperti Gambar 24
 32

Gambar 24

 Pindahkan # Struktural ke ke kolom Dependent List dan # Sumber

Penolakan ke kolom Factor. Klik tombol Options aktifkan Descriptive dan
Homogeneity of variance test seperti tampak pada Gambar 25. Selanjutnya
klik Continue lalu OK.

Gambar 25
Output yang dihasilkan adalah sebagai berikut:
 33

Oneway
Descriptives

Struktural
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
Berkurangnya
23 17.70 2.961 .617 16.42 18.98 13 24
Penghasilan
Ketidakmampuan
dalam melaksanakan 23 18.91 3.463 .722 17.42 20.41 13 23
tugas baru
Penyampaian informasi
23 18.43 2.997 .625 17.14 19.73 13 22
yang kurang utuh
Ketenangan pekerjaan
23 18.83 3.353 .699 17.38 20.28 11 23
terganggu
Total 92 18.47 3.185 .332 17.81 19.13 11 24

Test of Homogeneity of Variances

Struktural
Levene
Statistic df1 df2 Sig.
.497 3 88 .685

ANOVA

Struktural
Sum of
Squares df Mean Square F Sig.
Between Groups 21.250 3 7.083 .691 .560
Within Groups 901.652 88 10.246
Total 922.902 91

Interpretasi dari output di atas adalah sebagai berikut:

- Tabel Descriptives
Terlihat ringkasan statististik deskriptif, rata-rata, stadar deviasi, standar error,
dan lain-lain.
- Tabel Test of Homogeneity of variances
Menguji apakah varian dari empat kelompok populasi yang berupa sumber
penolakan tersebut sama.

Hipotesis:
- H0 = Keempat populasi mempunyai varian yang sama.
- Ha = Keempat populasi mempunyai varian yang berbeda
Pengambilan keputusan:
 Jika nilai probabilitasnya > 0,05, maka H0 diterima.
 Jika nilai probabilitasnya < 0,05, maka H0 ditolak
Melihat pada kolom Test of Homogeneity of variances nilai probabilitasnya
sebesar 0,685 (> 0,05) maka H0 diterima, artinya keempat populasi mempunyai
varian yang sama.
- Tabel ANOVA
 34

Menguji apakah keempat kelompok populasi yang berupa sumber penolakan

tersebut memiliki rata-rata yang sama.
Hipotesis:
- H0 = Keempat sumber penolakan mempunyai rata-rata yang sama.
- Ha = Keempat sumber penolakan mempunyai rata-rata yang berbeda
Pengambilan keputusan:
 Jika nilai probabilitasnya > 0,05, maka H0 diterima.
 Jika nilai probabilitasnya < 0,05, maka H0 ditolak
- Melihat pada Tabel ANOVA nilai probabilitasnya sebesar 0,560 (> 0,05)
maka H0 diterima, artinya keempat sumber penolakan mempunyai rata-
rata yang sama.

D. Chi square untuk uji keselarasan (Goodness of Fit test)

Chi square Uji keselarasan (Goodness of Fit test) adalah alat uji untuk
membandingkan frekuensi observasi dengan frekuensi harapan (expected
frequencies). Alat ini dapat digunakan untuk menguji perbedaan pada penelitian
yang menggunakan data non metrik (skala data ordinal dan nominal).
Contoh: Sebuah penelitian ingin menguji perbedaan tingkat kesukaan
konsumen terhadap empat jenis beras yaitu: DELANGGU, MENTHIK, ROJO
LELE, dan IR 64. Data yang digunakan adalah sebagai berikut:
Jenis Beras Frekuensi
DELANGGU 123
MENTHIK 112
ROJO LELE 139
IR 64 126

Kemudian data tersebut dimasukkan ke program SPSS melalui proses sebagai

berikut:

Gambar 26
 35

 Masukkan kata Beras sebagai nama variabel pertama dan Frekuensi sebagai
variabel kedua..
 Clik tombol di pojok kanan pada kolom value untuk variabel Beras, Isikan nilai 1
di kotak value dan ketik DELANGGU pada kotak value label, kemudian tekan
tombol Add. Lanjutkan dengan mengisi nilai 2 di kotak value dan ketik MENTHIK
pada kotak value label kemudian tekan tombol Add. Isikan nilai 3 di kotak value
dan ketik ROJO LELE pada kotak value label kemudian tekan tombol Add. Isikan
nilai 4 di kotak value dan ketik IR 64 pada kotak value label sehingga akan
muncul tampilan seperti terlihat pada Gambar 26.
 Kemudian masukkan data seperti tampilan pada Gambar 27

Gambar 27

 Setelah selesai memasukkan data kemudian clik Analyze, pilih Nonparametric

Tests kemudian pilih submenu Chi-Square. Sehingga akan tampak tampilan
seperti Gambar 28

Gambar 28
 36

 Pindahkan # Frekuensi ke ke kolom Test Variable List. Pada pada bagian

Expected Value pilih All categories equal (biasanya otomatis) seperti tampak
pada Gambar 29. Selanjutnya klik OK.

Gambar 29
Output yang dihasilkan adalah sebagai berikut:

NPar Tests
Chi-Square Test
Frequencies
frekuensi

Observed N Expected N Residual

112 112 125.0 -13.0
123 123 125.0 -2.0
126 126 125.0 1.0
139 139 125.0 14.0
Total 500

Test Statistics

frekuensi
Chi-Squarea 2.960
df 3
Asymp. Sig. .398
a. 0 cells (.0%) have expected frequencies less than
5. The minimum expected cell frequency is 125.0.

Interpretasi dari output di atas adalah sebagai berikut:

Hipotesis yang akan diuji adalah:
- H0 = Tidak ada perbedaan kesukaan terhadap jenis beras yang dikonsumsi.
- Ha = Ada perbedaan kesukaan terhadap jenis beras yang dikonsumsi.
Berdasarkan Tabel Test Statistics besarnya nilai Chi-Squarehitung = 2,960
sedangkan nilai Probabilitas (Asymptotic. Sig) sebesar 0,398 (> 0,05) maka
H0 diterima, artinya Tidak ada perbedaan kesukaan terhadap jenis beras
yang dikonsumsi.
 37

BAGIAN 3

APLIKASI SPSS UNTUK UJI HUBUNGAN

A. Korelasi Pearson
Untuk menguji hubungan antar variabel dengan data yang berskala metrik
(Interval dan rasio).
Contoh: Sebuah penelitian ingin menguji hubungan antara karakteristik
pekerjaan dengan kepuasan kerja karyawan. Data yang digunakan adalah
sebagai berikut:
No. Responden Karakteristik Pekerjaan Kepuasan Kerja
1 15 17
2 25 25
3 21 18
4 23 25
5 15 15
6 13 15
7 12 14
8 24 25
9 25 25
10 23 22
11 18 19
12 18 20
13 15 21
14 25 22
15 17 25
16 25 23
17 20 24
18 25 23
19 25 21
20 23 18

Kemudian data tersebut dimasukkan ke program SPSS melalui proses sebagai

berikut:

Gambar 30
 38

 Masukkan kata Karakteristik Pekerjaan sebagai nama variabel pertama dan Kepuasan Kerja
sebagai variabel kedua. Ketik nama yang sama pada kolom Label sehingga akan muncul tampilan
seperti terlihat pada Gambar 30.
 Kemudian masukkan data seperti tampilan pada Gambar 31

Gambar 31

 Setelah selesai memasukkan data kemudian clik Analyze, pilih Correlate kemudian pilih
submenu Bivariate. Sehingga akan tampak tampilan seperti Gambar 32

Gambar 32
 Pindahkan # Karakteristik Pekerjaan dan # Kepuasan Kerja ke ke kolom Variables. Pada
pada bagian Correlation Coefficients pilih Pearson (biasanya otomatis) seperti tampak pada
Gambar 33. Selanjutnya klik OK.
 39

Gambar 33
Output yang dihasilkan adalah sebagai berikut:

Correlations
Correlations

Karakteristik Kepuasan
Pekerjaan Kerja
Karakteristik Pekerjaan Pearson Correlation 1 .709**
Sig. (2-tailed) . .000
N 20 20
Kepuasan Kerja Pearson Correlation .709** 1
Sig. (2-tailed) .000 .
N 20 20
**. Correlation is significant at the 0.01 level (2-tailed).

Berdasarkan hasil tersebut terlihat bahwa bahwa besarnya hubungan antara

karakteristik pekerjaan dengan kepuasan kerja karyawan adalah sebesar 0,709
dan signifikan pada alfa 1%. Oleh karena p-value sebesar 0,000 (< 0,05), maka
dapat disimpulkan bahwa terdapat hubungan positif yang signifikan antara
karakteristik pekerjaan dengan kepuasan kerja karyawan.

B. Chi square untuk uji independensi

Untuk menguji hubungan antar variabel dengan data yang berskala non
metrik (ordinal dan nominal).
Contoh: Sebuah penelitian ingin menguji hubungan antara pendapatan
dengan perilaku belanja. Data yang digunakan adalah sebagai berikut:
 40

Pendapatan Perilaku Belanja

Tinggi Supermarket
Tinggi Supermarket
Tinggi Supermarket
Sedang Supermarket
Sedang Pasar Tradisional
Sedang Supermarket
Sedang Pasar Tradisional
Sedang Supermarket
Sedang Pasar Tradisional
Rendah Pasar Tradisional
Rendah Pasar Tradisional
Rendah Pasar Tradisional
Rendah Pasar Tradisional
Rendah Pasar Tradisional
Rendah Pasar Tradisional
Kemudian data tersebut dimasukkan ke program SPSS melalui proses
sebagai berikut:

Gambar 34

 Masukkan kata Pendapatan sebagai nama variabel pertama dan Perilaku Belanja sebagai
variabel kedua. Ketik nama yang sama pada kolom Label.
 Clik tombol di pojok kanan pada kolom value untuk variabel Pendapatan, Isikan nilai 1 di kotak
value dan ketik Tinggi pada kotak value label, kemudian tekan tombol Add. Lanjutkan dengan
mengisi nilai 2 di kotak value dan ketik Sedang pada kotak value label kemudian tekan tombol Add.
Isikan nilai 3 di kotak value dan ketik Rendah pada kotak value label sehingga akan muncul
tampilan seperti terlihat pada Gambar 34.
 Lakukan hal yang sama pada kolom value untuk variabel Perilaku Belanja, Isikan nilai 1 di kotak
value dan ketik Supermarket pada kotak value label, kemudian tekan tombol Add. Lanjutkan
dengan mengisi nilai 2 di kotak value dan ketik Pasar Tradisional pada kotak value label sehingga
akan muncul tampilan seperti terlihat pada Gambar 35.
 41

Gambar 35

 Kemudian masukkan data seperti tampilan pada Gambar 36

Gambar 36

 Setelah selesai memasukkan data kemudian clik Analyze, pilih Descriptive Statistics kemudian
pilih submenu Crosstabs. Sehingga akan tampak tampilan seperti Gambar 37
 42

Gambar 37
 Pindahkan # Pendapatan ke kotak Row(s) dan # Perilaku Belanja ke ke kotak Columns (s).
Kemudian klik tombol Statististics dan aktifkan Chi-square seperti tampak pada Gambar 38.
Selanjutnya klik Continue lalu OK

Gambar 38
Output yang dihasilkan adalah sebagai berikut:

Crosstabs
 43

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Pendapatan *
15 100.0% 0 .0% 15 100.0%
Perilaku Belanja

Pendapatan * Perilaku Belanja Crosstabulation

Count
Perilaku Belanja
Pasar
Supermarket Tradisional Total
Pendapatan Tinggi 3 0 3
Sedang 3 3 6
Rendah 0 6 6
Total 6 9 15

Chi-Square Tests

Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 8.750a 2 .013
Likelihood Ratio 11.873 2 .003
Linear-by-Linear
8.167 1 .004
Association
N of Valid Cases 15
a. 6 cells (100.0%) have expected count less than 5. The
minimum expected count is 1.20.

Interpretasi dari output di atas adalah sebagai berikut:

- Tabel Case Processing Summary
Terlihat pada tabel tersebut jumlah data dianalisis yang valid sebesar 15 dengan persentase
100%, serta data yang hilang (Missing) 0%.
- Tabel Pendapatan* Perilaku Belanja Crosstabulation
Tabel ini merupakan tabulasi silang antara Pendapatan dengan Perilaku Belanja. Terlihat bahwa
sampel yang mempunyai pendapatan tinggi dan berbelanja di supermarket berjumlah 3 orang.
Sampel yang mempunyai pendapatan sedang dan berbelanja di supermarket berjumlah 3 orang.
Sampel yang mempunyai pendapatan sedang dan berbelanja di pasar tradisional berjumlah 3 orang
Sedangkan sampel yang mempunyai pendapatan rendah semuanya berbelanja di pasar tradisional
dan berjumlah 6 orang.
- Tabel Chi-square Test
Hipotesis:
- H0 = Tidak ada hubungan antara pendapatan dengan perilaku belanja.
- Ha = Ada hubungan antara pendapatan dengan perilaku belanja.
Pengambilan keputusan:
 Jika nilai probabilitas (Asymptotic. Sig) > 0,05, maka H0 diterima.
 Jika nilai probabilitas (Asymptotic. Sig) < 0,05, maka H0 ditolak
Melihat pada Chi-square Test nilai probabilitas (Asymptotic. Sig) sebesar 0,013(< 0,05)
maka H0 ditolak, artinya ada hubungan antara pendapatan dengan perilaku belanja.
 44

BAGIAN 4

APLIKASI SPSS UNTUK UJI PENGARUH

Analisis Regresi Linear

Tujuan penelitian kita adalah untuk menganalisis pengaruh Karakteristik Pekerjaan Dan
Pertukaran Pemimpin Karyawan Terhadap Kepuasan Kerja Karyawan Departemen Weaving PT.PPEB
Di Solo. Sehinga model analisis yang tepat untuk digunakan dalam penelitian ini adalah Analisis
Regresi.
Analisis regresi adalah studi mengenai ketergantungan variabel dependen dengan satu atau lebih
variabel independen, dengan tujuan mengestimasi dan atau memprediksi rata-rata populasi atau nilai
rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Gujarati, 2003).
Hasil analisis regresi adalah berupa koefisien untuk masing-masing variabel Independen
(Tabachnick,1996) dalam (Ghozali, 2005). Koefisien ini diperoleh dengan cara memprediksi nilai
variabel dependen dengan suatu persamaan.
Analisis regresi juga menunjukkan arah hubungan antara variabel dependen dengan variabel
independen. Teknik estimasi variabel dependen yang melandasi analisis regresi disebut Ordinary Least
Squares (OLS).
Model regresi yang menggunakan teknik OLS, sering disebut sebagai model regresi linear klasik.
Untuk dapat dianalisis hasilnya, model tersebut harus menggunakan asumsi OLS (atau dapat dikatakan
harus lolos uji asumsi klasik). Terdapat 10 asumsi OLS yang harus dipenuhi, tetapi umumnya hanya 4
uji yang harus dilakukan, yaitu:
1. Multikolinearitas
2. Autokorelasi
3. Heteroskedastisitas
4. Normalitas.
Variabel dependen dalam penelitian ini adalah Kepuasan Kerja Karyawan, sedangkan variabel
independennya adalah Karakteristik Pekerjaan dan Pertukaran Pemimpin Karyawan.
Persamaan regresi yang kita gunakan adalah:
Y = a + b1 X1 + b2 X2 + e
Di mana:
Y = Kepuasan Kerja
X1 = Karekteristik Pekerjaan
 45

X2 = Pertukaran Pimpinan Karyawan

a = Konstanta
b1 dan b2 = Koefisien regresi
e = Random error.

Langkah Analisis:
 Buka file Bagian1-SPSS Data Editor.
 Clik menu Analyze, kemudian submenu Regression, lalu pilih (Clik) Linear. Sehingga akan
muncul tampilan di layar monitor seperti (Gambar 39):

Gambar 39
 Masukkan y ke kotak Dependent, dengan Clik pada kotak bertanda panah (no. 1).
Sedangkan x1 dan x2 ke kotak Independent (bertanda panah (no. 2)). Sehingga
akan muncul tampilan sebagai berikut (Gambar 40):
 46

Gambar 40
 Selanjutnya Clik OK.

Tampilan Output akan terlihat seperti di bawah ini:

b
Variables Entered/Removed

Variables Variables
Model Entered Removed Method
1 x2, x1a . Enter
a. All requested variables entered.
b. Dependent Variable: y

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .843a .711 .695 1.9573
a. Predictors: (Constant), x2, x1

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 348.153 2 174.076 45.439 .000 a
Residual 141.747 37 3.831
Total 489.900 39
a. Predictors: (Constant), x2, x1
b. Dependent Variable: y
 47

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .133 2.168 .061 .951
x1 .391 .075 .476 5.246 .000
x2 .610 .092 .599 6.601 .000
a. Dependent Variable: y

Ingat! Dalam hal ini kita menggunakan model regresi linear klasik dengan teknik OLS,
sehingga sebelum kita menginterpretasikan output SPSS kita lakukan uji asumsi klasik
terhadap model tersebut terlebih dahulu.

Uji Multikolinearitas
Salah satu cara untuk melihat ada-tidaknya multikolinearitas, dapat kita lihat dari nilai tolerance
dan nilai variance inflation factor (VIF). Ketentuannya adalah,apabila nilai tolerance variabel independen
kurang dari 0,10 dan nilai VIF lebih dari 10, dapat dikatakan terjadi multikolinearitas. Sebaliknya apabila
nilai tolerance variabel independen lebih dari 0,10 dan nilai VIF kurang dari 10, dapat dikatakan tidak
terjadi multikolinearitas.Jika terjadi multikolinearitas berarti tidak lolos uji tersebut.

Langkah Analisis:
 Editor. Buka file Bagian1-SPSS Data Editor
 Clik menu Analyze, kemudian submenu Regression, lalu pilih (Clik) Linear.
 Masukkan y ke kotak Dependent, sedangkan x1 dan x2 ke kotak Independent.
 Untuk menampilkan matrik korelasi dan nilai tolerance serta VIF, Clik Statistics,
sesuai dengan tanda panah dalam tanpilan berikut (Gambar 41):

Gambar 41
Setelah di Clik Statistics, maka tampilan layar monitor akan menjadi sebagai berikut
(Gambar 42):
 48

Gambar 42

 Aktifkan Covariance Matrix

 Aktifkan Collinearity Diagnostics
 Clik Continue
Setelah itu tampilan layar monitor akan seperti Gambar 43

Gambar 43
 Kemudian Clik OK.
Tampilan Ouput SPSS berikutnya adalah sebagai berikut:
Coefficient Correlationsa

Model x2 x1
1 Correlations x2 1.000 -.221
x1 -.221 1.000
Covariances x2 .009 -.002
x1 -.002 .006
a. Dependent Variable: y
 49

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) .133 2.168 .061 .951
x1 .391 .075 .476 5.246 .000 .951 1.052
x2 .610 .092 .599 6.601 .000 .951 1.052
a. Dependent Variable: y

Hasilnya menunjukkan bahwa baik variabel independen x1 maupun x2 masing-masing

menunjukkan nilai tolerance yang lebih dari 0,10 dan nilai VIF yang kurang dari 10. Hal ini menunjukkan
model regresi tersebut lolos uji multikolinearitas.

Uji Autokorelasi
Salah satu cara untuk mendeteksi autokorelasi adalah dengan menggunakan Run Test, yaitu
untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat
hubungan korelasi maka dikatakan bahwa residual adalah acak atau random. Jadi pengujiannya adalah:
H0: residual (res_1) random
HA: residual (res_1) tidak random
Langkah Menampilkan Nilai Residual:
 Buka file Bagian1-SPSS Data Editor.(Karena dalam data tersebut belum ada data residual maka
harus ditampilkan dengan mengikuti langkah sebagai berikut:
 Clik menu Analyze, kemudian submenu Regression, lalu pilih (Clik) Linear.
 Masukkan y ke kotak Dependent, sedangkan x1 dan x2 ke kotak Independent.
 Clik Statistics (Sesuai tanda panah dalam tampilan berikut ini (Gambar 44):

Gambar 44
 50

 Kemudian non aktifkan semua tanda selain Estimates. Selanjutnya Clik Continue
(Seperti dalam Gambar 45).

Gambar 45
 Clik Save, kemudian akan muncul tampilan sebagai berikut (Gambar 46):

Gambar 46
 Aktifkan Residual Unstandardized (Sesuai tanda panah dalam Gambar 46).
 Kemudian Clik Continue
 Setelah tampilan layar kembali ke semula, kemudian Clik OK..
Nilai residual (RES_1), akan muncul seperti tampilan berikut (Gambar 47):
 51

Gambar 47
Langkah Analisis:
 Click Analyze, kemudian Non-parametric Test, pilih Runs. Sehingga tampilan layar monitor akan
tampak sebagai berikut (Gambar 48):

Gambar 48
 Masukkan Unstandardized Residual (RES_1) ke kotak Test Variable List (Dengan meng-Clik
tanda panah).
 Pilih Cut point Median.
 Clik OK.
Tampilan output SPSS terlihat sebagi berikut:
 52

Ru ns T est

Unstandardiz
ed Resi dual
Test Valuea -.16531
Cases < Test Value 19
Cases >= Test Value 21
Total Cases 40
Number of Runs 21
Z .000
Asymp. Sig. (2-tailed) 1.000
a. Median

Hasil output SPSS menunjukkan keadaan yang tidak signifikan (lihat tanda panah), hal ini berarti
residual adalah random atau tidak terjadi autokorelasi.

Uji Heteroskedastisitas
Model regresi yang baik adalah yang Homoskesdastisitas atau tidak terjadi Heteroskedastisitas.
Uji heteroskedastisitas yang digunakan dalam modul ini adalah Uji Glejser, persamaan yang digunakan
adalah: U tI =  +  Xt + vt
Langkah Analisis:
 Buka file Bagian1-SPSS Data Editor. Kita harus tampilkan nilai Absolut dari RES_1.
 Absolutkan nilai RES_1 dengan cara Clik menu Transform, kemudian Clik submenu Compute
(Seperti tanda panah dalam Gambar 49).

Gambar 49

 Pada kotak Target Variable ketik (isikan) ABSRES_1, sedang pada kotak Numeric expression
pilih fungsi ABS (Variabel) dan isikan menjadi ABS(RES_1) Sesuai dengan Gambar 50. Abaikan
perintah yang lain dan Clik OK
 53

Gambar 50

 Nilai Absolut dari Res_1 kemudian akan muncul seperti terlihat pada Gambar 51.

Gambar 51

Setelah itu kita lakukan regres dengan Clik Analyze, kemudian pilih Regression dan Linear. Isikan kotak
variabel dependen dengan ABSRes_1 dan variabell independen dengan X1 dan X2, seperti tampak
pada Gambar 52.
 54

Gambar 52
 Clik Save, dan non aktifkan Unstandardized Residuals. Kemudian Clik Continue.
 Clik OK.
Tampilan output SPSS akan terlihat sebagai berikut:

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.871 1.442 1.991 .054
x1 .007 .050 .023 .140 .890
x2 -.079 .061 -.212 -1.285 .207
a. Dependent Variable: ABSRes_1

Terlihat bahwa P.Value (sig) dari variabel x1 dan x2 tidak ada yang signifikan, hal ini berarti tidak
terjadi Heteroskedastisitas (atau dapat dikatakan model regresi telah lolos uji heteroskedastisitas).

Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penganggu atau
residual memiliki distribusi normal. Uji nomalitas dalam modul ini menggunakan uji statistik, walaupun
ada uji lain yang dapat digunakan yaitu uji grafik yang terkadang sulit dibaca hasilnya.
Salah satu Uji statistik yang dapat digunakan dalam uji normalitas adalah uji statistik non-parametrik
Kolmogorov-Smirnov test (K-S).
Uji K-S dilakukan dengan membuat hipotesis:
Ho: Data residual berdistribusi normal
 55

HA: Data residual tidak berdistribusi normal

Langkah Pengujian:

 Buka file Bagian1-SPSS Data Editor. Clik Analyze, kemudian pilih menu Non-parametric Test,
lalu pilih submenu I-Sample K-S. Sehingga akan muncul tampilan Gambar 53.

Gambar 53
 Pada kotak Test Variable List, isikan variabel RES_1, lalu aktifkan Test Distribution di depan
kotak Normal. Seperti tampak pada tampilan layar Gambar 53.
 Kemudian, Clik OK.
Tampilan output SPSS akan tampak sebagai berikut:

One-Sample Kolmogorov-Smirnov Test

Unstandardiz
ed Residual
N 40
Normal Parameters a,b Mean .0000000
Std. Deviation 1.90644701
Most Extreme Absolute .114
Differences Positive .092
Negative -.114
Kolmogorov-Smirnov Z .720
Asymp. Sig. (2-tailed) .677
a. Test distribution is Normal.
b. Calculated from data.

Besarnya nilai Kolmogorov- Smirnov adalah 0,720 dan menunjukkan keadaan yang tidak signifikan (lihat
tanda panah). Hal ini berarti Ho diterima, yang artinya bahwa data residual berdistribusi normal (Model
ini lolos uji Normalitas).
 56

Model regresi yang kita gunakan ternyata telah lolos uji asumsi klasik, sehingga sekarang kita
dapat melakukan interpretasi hasil output SPSS yang sebelumnya kita tunda. Kita lihat kembali hasil
output SPSS yang telah kita tampilkan sebelumnya.

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .843a .711 .695 1.9573
a. Predictors: (Constant), x2, x1

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 348.153 2 174.076 45.439 .000 a
Residual 141.747 37 3.831
Total 489.900 39
a. Predictors: (Constant), x2, x1
b. Dependent Variable: y

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .133 2.168 .061 .951
x1 .391 .075 .476 5.246 .000
x2 .610 .092 .599 6.601 .000
a. Dependent Variable: y

Hasil komputasi dengan menggunakan software SPSS versi 12 menunjukkan bahwa koefisien
determinasi (Adjusted R2) untuk model ini adalah sebesar 0,695 (dibulatkan menjadi 0,70). Artinya, 70%
variasi variabel dependen mampu dijelaskan oleh variasi himpunan variabel independen dalam model
tersebut. Sisanya, 30% diterangkan oleh variabel lain di luar model, yang terangkum dalam kesalahan
random.
Hasil perhitungan tabel ANOVA menunjukkan bahwa model regresi ini memiliki nilai F hitung
45,439 yang signifikan berdasarkan p.value sebesar 0,000 (taraf  1%). Maka H0 yang menyatakan
bahwa semua variabel independen yang dimasukkan dalam model tidak mempunyai pengaruh secara
bersama-sama terhadap variabel dependen dapat ditolak. Artinya, terbukti bahwa semua variabel
independen secara simultan mampu menjelaskan variabel dependen.
Hasil uji signifikansi secara individual, sebagaimana terlihat dari nilai statistik t, memperlihatkan
bahwa dua variabel independen tersebut kesemuanya berpengaruh secara signifikan. Hal ini terlihat dari
nilai statistik variabel x1 dan x2 signifikan berdasarkan p.value 0,000 (taraf  1%). Karena signifikan
berarti tanda memiliki arti. Tanda positif pada koefisien regresi x1 dan x2 memiliki arti bahwa: apabila x1
(karakteristik pekerjaan) meningkat maka y (kepuasan kerja) akan meningkat. Kemudian apabila x2
(pertukaran pimpinan karyawan) meningkat maka y (kepuasan kerja) akan meningkat.
Berdasarkan hasil analisis dapat diperoleh persamaan linear berganda sebagai berikut:
Y = 0,133 + 0,391 X1 + 0,610 X2
 57

Analisis Regresi Dengan Variabel Moderating

Penelitian di bidang manajemen terkadang menggunakan variabel moderating.
Variabel moderating adalah variabel independen yang akan memperkuat atau
memperlemah hubungan antara variabel independen lainnya terhadap variabel
dependen (Ghozali, 2006).
Model hubungan berikut ini dapat menggambarkan adanya pengaruh moderating.

Z
(Struktur
Desentralisasi)

X Y
(Partisipasi Anggaran) (Kinerja Manajeria)

Gambar 55. Pengaruh Moderating.

Berdasarkan Gambar 55 variabel struktur organisasi merupakan variabel moderating

oleh karena dapat melemahkan atau memperkuat pengaruh partisipasi anggaran
terhadap kinerja manajerial. Hipotesis yang dapat diajukan adalah:
Ha: Semakin tinggi tingkat partisipasi anggaran dan struktur organisasinya
desentralisasi, maka semakin tinggi kinerja manajerial. Sebaliknya
semakin rendah partisipasi anggaran dan struktur organisasinya
sentralisasi, maka semakin menurun kinerja manajerial.

Salah satu cara menguji regresi dengan variabel moderating adalah dengan uji selisih
mutlak. Uji Nilai Selisih Mutlak adalah model regresi yang diperkenalkan Frucot dan
Shearon (Ghozali, 2006) untuk menguji pengaruh moderasi yaitu dengan model nilai
selisih mutlak dari variabel independen. Model atau persamaan regresi dalam
penelitian ini dinyatakan sebagai berikut.
Y = a + b1X1 + b2X2 + b3 X1-X2 + e
Di mana:
Xi = merupakan nilai standardized score
X1-X2 = merupakan interaksi yang diukur dengan nilai absolute perbedaan
antara X1 dan X2.
Jika kita menggunakan persamaan di atas untuk menguji apakah variabel struktur
desentralisasi (Z) memoderasi pengaruh partisipasi anggaran (X) terhadap kinerja
manajerial (Y) maka model persamaannya akan menjadi:
 58

Y = a + b1Zx + b2Zz + b3 Zx-Zz + e

Keterangan:
Zx = standardized score X
Zz = standardized score Z
Zx-Zz = nilai absolute dari selisih Zx dan Zz (merupakan variabel moderating
yang akan diuji)

Langkah Analisis:
 Buka file Bagian 2-SPSS Data Editor. Tampilan Variable View akan tampak seperti Gambar 56.
Sedangkan tampilan Data View akan tampak seperti Gambar 57

Gambar 56

Gambar 57
 59

 Tampilkan nilai standardized X (Zscore X) dan standardized Z (Zscore Z) pada file Bagian 2-
SPSS Data Editor. Clik Analyze, kemudian pilih menu Descriptive Statistics, lalu pilih submenu
Descriptives seperti tampilan Gambar 58.

Gambar 58.

 Selanjutnya tampilan kotak dialog akan terlihat seperti Gambar 59. Untuk selanjutnya masukkan
variabel partisipasi anggaran (X) dan struktur organisasi (Z) ke kotak Variables dan aktifkan (clik
kotak di depan) Save standardized values as variable(s). Lalu clik OK.

Gambar 59
 60

 Setelah nilai standardized X (Zscore X) dan standardized Z (Zscore Z) muncul pada file Bagian
2-SPSS Data Editor, lanjutkan dengan menampilkan nilai Zscore X - Zscore Z (nilai Zscore X
dikurangi dengan nilai Zscore Z) dengan cara Clik tombol Transform lalu pilih menu Compute
seperti terlihat pada Gambar 60.

Gambar 60

 Setelah itu ketik Zx_Zz pada kotak Target Variable dan pada kotak Numeric Expression di isi
dengan ZX - ZZ (nilai Zscore X dikurangi dengan nilai Zscore Z) seperti terlihat pada Gambar
61. Lalu Click OK.

Gambar 61

 Setelah nilai ZX-ZZ muncul pada file Bagian 2-SPSS Data Editor seperti terlihat pada Gambar
62. Lanjutkan dengan menampilkan nilai ABSZX - ZZ (nilai absolut dari Zscore X dikurangi
dengan nilai Zscore Z) dengan cara Clik tombol Transform lalu pilih menu Compute, kemudian
 61

ketik ABSZx_Zz pada kotak Target Variable dan pada kotak Numeric Expression di isi dengan
ABS(ZX – ZZ) seperti terlihat pada Gambar 63. Lalu Click OK sehingga hasilnya akan seperti
terlihat pada Gambar 64.

Gambar 62

Gambar 63
 62

Gambar 64

 Langkah selanjutnya adalah dengan Clik Analyze, kemudian pilih menu Regression, lalu pilih
submenu Linear. Lalu masukkan variabel Kinerja Manajerial (Y) ke kotak Dependent dan
masing-masing variabel dari Zscore Partisipasi Anggaran (ZX), Zscore Struktur Organisasi (ZZ),
dan ABSZx_Zz pada kotak Independent (s), sehingga akan muncul tampilan Gambar 65. Lalu
Click OK.

Gambar 65
 63

Tampilan output SPSS akan tampak sebagai berikut:

Regression
Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 ABSZx_Zz,
Zscore:
Struktur
Organisas . Enter
i, Zscore:
Partisipasia
Anggaran
a. All requested variables entered.
b. Dependent Variable: Kinerja Manajerial

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .754a .568 .518 2.330
a. Predictors: (Constant), ABSZx_Zz, Zscore: Struktur
Organisasi, Zscore: Partisipasi Anggaran

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 185.768 3 61.923 11.402 .000 a
Residual 141.198 26 5.431
Total 326.967 29
a. Predictors: (Constant), ABSZx_Zz, Zscore: Struktur Organisasi, Zscore: Partisipasi
Anggaran
b. Dependent Variable: Kinerja Manajerial

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 39.149 .725 53.980 .000
Zscore: Partisipasi
1.326 .456 .395 2.907 .007
Anggaran
Zscore: Struktur
1.737 .449 .517 3.867 .001
Organisasi
ABSZx_Zz 1.889 .610 .410 3.095 .005
a. Dependent Variable: Kinerja Manajerial

Berdasarkan OUTPUT SPSS tersebut diperoleh kesimpulan sebagai berikut:

1) Uji Koefisien Determinasi
Nilai Adjusted R2 = 0,518 artinya variabel kinerja manajerial dapat
dijelaskan oleh variabel Zx (partisipasi anggaran), Zz (struktur
organisasi), dan Abszx_zz sekitar 51,8% sisanya 48,2% dijelaskan
variabel lain diluar model.

2) Uji Signifikansi Simultan

Nilai F hitung = 11.402 dengan nilai probabilitas 0,00 < 0,05. Hal ini
berarti variabel variabel Zx (partisipasi anggaran), Zz (struktur
organisasi), dan Abszx_zz secara bersama-sama berpengaruh
signifikan terhadap kinerja manajerial.
 64

3) Uji Signifikansi Parameter Individual

Output SPSSdi menunjukkan bahwa secara individu variabel Zx
(partisipasi anggaran) dan Zz (struktur organisasi) mempunyai nilai
probabilitas 0,007 dan 0,001 yang < 0,05. Hal ini berarti variabel Zx
(partisipasi anggaran) dan Zz (struktur organisasi) secara parsial
mempunyai pengaruh yang signifikan terhadap kinerja manajerial.
Variabel moderating Abszx_zz mempunyai nilai probabilitas 0,005
yang < 0,05. Hal ini berarti variabel Zz (struktur organisasi) memang
merupakan variabel moderating dari pengaruh partisipasi anggaran
terhadap kinerja manajerial.

Analisis Regresi Dengan Variabel Intervening

Variabel intervening agak berbeda dengan variabel moderating. Variabel intervening
merupakan variabel antara atau mediating. Fungsinya memediasi pengaruh antara
variabel independen terhadap variabel dependen (Ghozali, 2006).
Sejalan dengan hal itu, variabel intervening disebut juga variabel mediasi (mediating
variable) adalah variabel yang secara teori mempengaruhi fenomena yang
diobservasi (variabel dependen), yang efeknya harus diinferensi melalui efek
hubungan antara variabel independen dengan fenomenanya (variabel dependennya).
Disebut sebagai variabel intervening atau variabel mediasi, karena mediasi atau
meng-intervensi hubungan kausal variabel independen ke variabel dependen.
(Jogiyanto, 2004)
Salah kaprah dalam pemilihan teknik analisis dalam pengujian menguji
seringkali terjadi. Untuk itu dalam menguji hubungan antar variabel, peneliti harus
mengkaji terlebih dahulu tujuan pengujian. Berdasarkan tujuannya, Uji Hubungan
dapat dikelompokkan menjadi tiga bagian yaitu (Marwani, 2007):
1) Prediksi (ramalan): (2) Keeratan hubungan: dan 3) Kausal (ada sebab akibat).
Perhatikan struktur dan teknik analisis yang digunakan dalam Uji Hubungan di bawah
ini.
Yˆ  a  bx
Prediksi (ramalan)  Regresi: non kausal
Xˆ  p  qY

Uji Hubungan Keeratan Hubungan  Korelasi: rxy = ryx

Eksploratori (mencari)  AnalisisJalur

(PathAnalysis)
Kausal (ada sebab akibat)
Konfirmatori (menguji)  Lisrel/SEM
(Linear Structural Relation/Structural
Equation Modelling)

Beberapa karakteristik yang perlu diperhatikan dalam penggunaan analisis jalur (path
analysis) yaitu:
 65

1. menaksir hubungan kausalitas antar variabel (model causal) yang telah

ditetapkan berdasarkan teori. Jadi hubungan kausalitas antar variabel telah
dibentuk dengan model berdasarkan landasan teoritis.
2. Dalam analisis jalur yang dilakukan adalah menentukan pola hubungan
antar tiga atau lebih variabel dan tidak dapat digunakan untuk
mengkonfirmasi atau menolak hipotesis kausalitas imajiner.
3. Diagram jalur memberikan secara eksplisit hubungan kausalitas antar
variabel berdasarkan teori, sedangkan penegasannya pada MODEL bahwa
maka anak panah menunjukkan hubungan antar variabel. Jadi MODEL
bergerak dari kiri ke kanan dengan implikasi prioritas hubungan kausal
variabel yang dekat ke sebelah kiri.
4. Istilah variabel yang mempengaruh disebut variabel endogen sedangkan
variabel yang dipengaruhi disebut variabel endogen.
5. Nilai p menggambarkan jalur dan koefisien jalur.
6. e = jumlah variance variabel tertentu yang tidak dijelaskan variabel tertentu
7. Koefisien jalur =  atau standardized koefisien regresi

Sebelum melakukan analisis jalur peneliti perlu menyusun Konstelasi

Masalah/Diagram Jalur sesuai dengan tujuan penelitian. Secara sederhana bentuk
diagram jalur dapat digambarkan seperti diagram berikut.

X1
r13
p31
X3
r12 p21
p32
r23

X2

Hubungan kausal antara variabel independen dengan variabel dependen dapat

dikembangkan, bentuk modelnya seperti di bawah ini.
 66

p31
X1 X3

p41
r12 p32 p43

X2 p42 X4

e1
r14
X1
p31 p41
p13 e3

r34 Menggunakan
X3 X4
r12 p21 SEM
p23 p43
e2 p32
r24
X2 p42

Untuk memperjelas perbedaan moderating dengan intervening, terdapat contoh

penelitian dengan Analisis Jalur sebagai berikut:

e1

MOTIVASI

Tidak Langsung
p2 p3

GAJI p1 KINERJA e2
Pengaruh Langsung

Kerangka tersebut memperlihatkan jalur analisis (path analysis) hubungan antara

variabel GAJI, MOTIVASI dan KINERJA. di mana:

1. Berdasarkan Teori Kebutuhan Maslow, manusia mempunyai

serangkaian kebutuhan yang ingin/harus dipenuhi. Dalam teori Maslow
jenjang kebutuhan paling rendah adalah Kebutuhan Fisiologis misalnya
GAJI. Gaji berpengaruh terhadap kinerja, yang dapat diperoleh melalui
aktifitas kerja. Pada saat yang sama gaji juga meningkatkan motivasi, di
mana jenjang-jenjang kebutuhan manusia yang tercukupi menyebabkan
motivasi kerja menjadi kebutuhan murni/kebutuhan pengakuan/
penghargaan.
 67

2. Berdasarkan teori tersebut, variabel GAJI berpengaruh langsung

terhadap KINERJA dan juga berpengaruh tidak langsung terhadap
MOTIVASI
3. Variabel MOTIVASI berpengaruh terhadap KINERJA

Berdasarkan teori tersebut disusun model dengan dua persamaan yaitu:

Motivasi = b1 Gaji + e1 (1)
Kinerja = b1 Gaji + b2 Motivasi + e2 (2)

HA1: Peningkatan gaji akan meningkatkan kinerja

HA2: Peningkatan gaji akan meningkatkan kinerja melalui motivasi kerja yang
meningkat.

Langkah Analisis:
Buka file Bagian 3-SPSS Data Editor. Tampilan Data View akan tampak seperti Gambar 66

Gambar 66

 Langkah selanjutnya untuk melakukan regresi pada model persamaan (1) adalah dengan Clik
Analyze, kemudian pilih menu Regression, lalu pilih submenu Linear. Lalu masukkan variabel
motivasi ke kotak Dependent dan variabel gaji pada kotak Independent (s) sehingga akan
muncul tampilan Gambar 67 Lalu Click OK.
 68

Gambar 67
Tampilan output SPSS untuk model persamaan regresi (1) akan tampak sebagai berikut:

Regression
b
Variables Entered/Removed

Variables Variables
Model Entered Removed Method
1 gaji a . Enter
a. All requested variables entered.
b. Dependent Variable: motivasi

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .513a .263 .236 1.878
a. Predictors: (Constant), gaji

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 35.208 1 35.208 9.979 .004 a
Residual 98.792 28 3.528
Total 134.000 29
a. Predictors: (Constant), gaji
b. Dependent Variable: motivasi

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 6.957 1.944 3.579 .001
gaji .525 .166 .513 3.159 .004
a. Dependent Variable: motivasi

 Masih menggunakan data yang sama, langkah selanjutnya untuk melakukan regresi pada
model persamaan (2) adalah dengan Clik Analyze, kemudian pilih menu Regression, lalu pilih
 69

submenu Linear. Lalu masukkan variabel kinerja ke kotak Dependent dan variabel gaji dan
motivasi pada kotak Independent (s), sehingga akan muncul tampilan Gambar 68 Lalu Click OK.

Gambar 68

Tampilan output SPSS untuk model persamaan regresi (2) akan tampak sebagai berikut:

Regression
b
Variables Entered/Removed

Variables Variables
Model Entered Removed Method
1 motivasi,
a . Enter
gaji
a. All requested variables entered.
b. Dependent Variable: kinerja

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .726a .528 .493 3.223
a. Predictors: (Constant), motivasi, gaji

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 313.323 2 156.661 15.077 .000 a
Residual 280.544 27 10.391
Total 593.867 29
a. Predictors: (Constant), motivasi, gaji
b. Dependent Variable: kinerja
 70

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 35.109 4.027 8.719 .000
gaji .872 .332 .404 2.624 .014
motivasi .907 .324 .431 2.797 .009
a. Dependent Variable: kinerja

Berdasarkan Hasil Output SPSS dapat diinterpretasikan.:

(1) Model persamaan regresi (1)
Nilai koefisien standardized beta GAJI sebesar 0,513 yang signifikan
dengan nilai probabilitas 0,004 yang < 0,05. Berarti GAJI berpengaruh
signifikan terhadap MOTIVASI. Nilai koefisien standardized beta sebesar
0,513 merupakan nilai path atau jalur p2.
(2) Model persamaan regresi (2)
Nilai standardized beta GAJI sebesar 0,404 yang signifikan dengan nilai
probabilitas 0,014 di mana < 0,05, Nilai standardized beta MOTIVASI
sebesar 0,431 yang signifikan dengan nilai probabilitas 0,009 di mana <
0,05. Nilai standardized beta GAJI sebesar 0,404 merupakan nilai path
atau jalur p1.Nilai standardized beta MOTIVASI sebesar 0,431 merupakan
nilai path atau jalur p3’
(3). Menghitung besarnya pengaruh langsung dan tidak langsung:

Langkah 1: Menentukan nilai path atau p

Berdasarkan OUTPUT SPSS model persamaan regresi l
dan II diketahui:
Nilai path atau jalur p1 = 0,404
Nilai path atau jalur p2 = 0,513
Nilai path atau jalur p3 = 0,431

Langkah 2: Menghitung besarnya nilai e dengan rumus:

e = {(1-R2)2}
Berdasarkan OUTPUT SPSS model persamaan regresi
diketahui Nilai R2 = 0,263
Berdasarkan OUTPUT SPSS model persamaan regresi II
diketahui Nilai R2 = 0,528
Nilai e1 = {(1-R2)2}
= (1 – 0,263)2
= 0,543
 71

Nilai e2 = {(1-R2)2}
= (1 – 0,528)2
= 0,223

e1 = 0,543

Tidak Langsung MOTIVASI

* *
p2 = 0,513 p3 = 0,431

GAJI Pengaruh Langsung KINERJA e2 =0,223

*

*
p1 = 0,404

Keterangan:
p = menggambarkan jalur dan koefisien jalur
e = jumlah variance variabel tertentu yang tidak dijelaskan variabel
tertentu
Koefisien jalur =  atau standardized koefisien regresi
Koefisien jalur = dihitung dengan membuat 2 persamaan struktural yaitu persamaan
regresi yang menunjukkan hubungan yang dihipotesiskan.
* = berpengaruh signifikan

Berdasarkan hasil nilai p dan e diatas dapat dihitung besarnya:

- Pengaruh Langsung GAJI ke KINERJA atau p1 = 0,404
- Pengaruh Tidak Langsung: p2 x p3 =0,513 x 0,431 = 0,221
Total pengaruh GAJI ke KINERJA = 0,625

Kesimpulan:
Berdasarkan hasil analisis jalur menunjukkan bahwa GAJI dapat berpengaruh
langsung ke KINERJA dan dapat juga berpengaruh tidak langsung yaitu dari
GAJI ke MOTIVASI (sebagai intervening) lalu ke KINERJA.
Dengan demikian:
HA1: Peningkatan gaji akan meningkatkan kinerja TERBUKTI
KEBENARANNYA
HA2: Peningkatan gaji akan meningkatkan kinerja melalui motivasi kerja yang
meningkat TERBUKTI KEBENARANNYA