Tutorial Olah Data SPSS : Uji Normalitas Kolmogorov-Smirnov

Tutorial Penelitian ~ Uji normalitas Kolmogorov-Smirnov adalah uji yang bertujuan untuk
mengetahui apakah data dalam variabel yang akan dianalisis berdistribusi normal.

Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki distribusi
normal. Data berdistribusi normal artinya data mempunyai sebaran merata sehingga benar-
benar mewakili populasi.

Uji normalitas data dilakukan sebelum data diolah berdasarkan model-model penelitian. Uji
normalitas adalah membandingkan antara data yang akan diteliti dengan data berdistribusi
normal berdasarkan mean dan standar deviasi.

Jika data berdistribusi normal maka analisis statistik dapat memakai pendekatan parametrik,
sedangkan jika data tidak berdistribusi normal maka analisis menggunakan pendekatan non-
parametrik.

Kasus:

 N = 10
 Berat Badan (Skala Rasio)

INPUT DATA

Gambar 1
Input data ke spreadsheets Microsoft Excel kemudian copy dan paste ke spreadsheets Data
View SPSS dilanjutkan dengan input parameter deskripsi ke spreadsheets Data Variable
SPSS.

Gambar 1 (klik untuk perbesar) adalah penampakan spreadsheets Data View SPSS. Dengan
demikian kita memliki 1 kolom variabel. Pada tahap ini input data sudah selesai. Lanjut
langkah perintah uji.

LANGKAH-LANGKAH
 1. Klik Analyze - Nonparametrik Test - Legacy Dialogs - 1-Sample K-S
2. Pindahkan Berat Badan ke Test Variable List
3. Klik OK

Gambar 2
Gambar 2 (klik untuk perbesar) adalah menu popup pada saat Anda melakukan langkah ke-2
dan ke-3 yaitu memilih variabel yang akan dianalisis.

Pada tahap ini uji normalitas sudah selesai dan kita sudah mendapatkan output SPSS.
Langkah selanjutnya adalah mengambil keputusan berdasarkan output tersebut.

PENGAMBILAN KEPUTUSAN

 Jika Sig di atas 0,05 maka berdistribusi normal

 Jika Sig di bawah 0,05 maka tidak berdistribusi normal

Gambar 3
Gambar 3 (klik untuk perbesar) adalah output hasil uji normalitas Kolmogorov-Smirnov.
Output menujukkan bahwa nilai Asymp. Sig. (2-tailed) sebesar 0,960 maka lebih besar dari
0,05 sehingga data berat badan berdistribusi normal.

Sekian dulu tutorial olah data SPSS. Analisis-analisis yang lain dijelaskan dalam tutorial
selanjutnya. Ikuti terus update tutorial olah data statistik SPSS. Selamat Meneliti!
erikut adalah tutorial uji multikolinearitas dengan SPSS:

Buat dataset yang di di dalamnya terdapat 3 variabel, dengan perincian: 1 variabel dependent
atau variabel response dan beberapa variabel Independen (Artinya lebih dari satu variabel
predictor). Dalam tutorial SPSS ini, kita akan membuat contoh uji multikolinearitas dengan
menggunakan 2 variabel independen. Lihat contohnya di bawah ini, yaitu dengan
menggunakan 50 sampel.

Dataset Uji Multikolinearitas SPSS

Selanjutnya isi dataset tersebut dengan data-data berskala data interval ataupun rasio.

Lakukan langkah sebagai berikut: pada menu, klik analyze -> regression -> linear ->
selanjutnya masukkan variabel prediktor ke kolom Independent (s), variabel response ke
kolom Dependent. Metode yang dipilih terserah anda, apakah metode enter atau metode
stepwise, itu tergantung pada model regresi yang akan anda lakukan terkait dengan
pertanyaan-pertanyaan penelitian di dalam metode penelitian anda.

Proses Uji Multikolinearitas SPSS

Klik tombol statistics dan pastikan bahwa anda mencentang Collinearity Diagnostics dan
Descriptives, kemudian tekan tombol Continue. Caranya seperti di bawah ini:

Langkah Uji Multikolinearitas SPSS

Untuk checklist yang lainnya, terserah anda apakah akan digunakan atau tidak. Tentunya jika
anda menginginkan hasil yang maksimal dalam rangka untuk membuat sebuah model regresi
yang BLUE (Best Linear Unbiased estimation), maka anda harus mencentang semuanya.
Oleh karena itu, anda harus mempelajari juga tentang asumsi klasik regresi linear, antara lain:
autokorelasi, heteroskedastisitas, outlier, linearitas regresi dan normalitas residual pada
regresi linear.

Jika anda sudah menyelesaikan prosedur lainnya dalam pengujian di dalam regresi linear,
maka tekan tombol OK pada jendela utama SPSS. Dan selanjutnya lihatlah outputnya.

Cara Baca Uji multikolinearitas SPSS

Berikut kami jelaskan cara baca uji multikolinearitas dengan SPSS atau yang lebih tepatnya
kita beri istilah interprestasi. Silahkan buka output anda!

Interkorelasi
Tabel Coefficient Regresi

Pada tabel korelasi menunjukkan hasil analisis interkorelasi antara variabel bebas yang
ditandai dengan nilai koefisien korelasi pearson. Dalam hal ini di dalam Output SPSS dapat
anda lihat pada persilangan antar variabel bebas. Misalnya dalam tutorial ini, hasil korelasi
antara variabel bebas X1 dengan X2 adalah sebesar r = 0,368. Karena nilai 0,368 tersebut
kurang dari 0,8 maka gejala multikolinearitas tidak terdeteksi. Selanjutnya akan kita pastikan
dengan melihat cara deteksi multikolinearitas lainnya, yaitu berdasarkan nilai standar error
dan koefisien beta regresi parsial. Lihat di bawah ini:

Standar Error Uji

Multikolinearitas

Dalam tabel coefficient dapat anda perhatikan bahwa nilai standar error kurang dari satu,
yaitu X1 = 0,121 dan X2 = 0,118 dimana keduanya kurang dari satu. Serta nilai koefisien
beta juga kurang dari satu dimana X1 = 0,624 dan X2 = 0,407. Maka dapat dikatakan bahwa
nilai standar error rendah dan multikolinearitas tidak terdeteksi. Selanjutnya pastikan lagi
dengan nilai rentang upper dan lowerbound confidence interval, apakah lebar atau sempit.
Berikut hasilnya:

VIF dan Tolerance Uji

Multikolinearitas

Perhatikan pada tabel coefficient di atas, bahwa nilai rentangnya sempit, yaitu pada X1 =
0,865 sampai dengan 1,156. Sedangkan pada X2 juga kebetulan hasilnya sama yaitu X2 =
0,865 sampai dengan 1,156. Karena rentangnya sempit maka multikolinearitas tidak
terdeteksi.

Deteksi Multikolinearitas dengan Nilai VIF dan Tolerance Dalam Regresi

Pada tabel yang sama di atas sebagai hasil uji regresi linear, perhatikan nilai VIF dan
Tolerance. Kedua ini adalah indikasi kuat yang sering dipakai oleh para peneliti untuk
menyimpulkan fenomena terjadinya interkorelasi variabel bebas. Jika nilai VIF kurang dari
10 dan atau nilai Tolerance lebih dari 0,01 maka dapat disimpulkan dengan tegas bahwa tidak
terdapat masalah multikolinearitas. Dan sebaliknya maka dapat disimpulkan dengan tegas
pula bahwa multikolinearitas telah terjadi dalam model. Selanjutnya yang terakhir di dalam
output proses yang sudah kita lakukan, kita perhatikan nilai dari collinearity diagnostics
seperti di bawah ini:

Collinearity Diagnostics SPSS

Deteksi Multikolinearitas dengan Eigenvalue dan Condition Index

Pada tabel collinearity diagnostics di atas sebagai hasil uji regresi linear, kita perhatikan juga
nilai eigenvalue dan condition index. Jika Eigenvalue lebih dari 0,01 dan atau Condition
Index kurang dari 30, maka dapat disimpulkan bahwa gejala multikolinearitas tidak terjadi di
dalam model regresi. Dalam tutorial SPSS ini, nilai eigenvalue 0,02 > 0,01 walaupun
collinearity diagnostics 40,458 dimana lebih dari 30.

Kesimpulan Uji Multikolinearitas

Kesimpulan dari tutorial multikolinearitas SPSS ini adalah tidak terdapat masalah
multikolinearitas, sehingga hasil pengujian dikatakan reliabel atau terpercaya. Maka nilai
koefisien regresi parsial dikatakan handal dan robust atau kebal terhadap perubahan-
perubahan yang terjadi pada variabel lainnya di dalam model regresi berganda. Untuk
memahami secara kompleks, silahkan baca artikel menarik kami lainnya hanya di
www.statistikian.com.

By Anwar Hidayat
Pengertian Uji Heteroskedastisitas

Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari
residual untuk semua pengamatan pada model regresi linear. Uji ini merupakan salah satu
dari uji asumsi klasik yang harus dilakukan pada regresi linear. Apabila asumsi
heteroskedastisitas tidak terpenuhi, maka model regresi dinyatakan tidak valid sebagai alat
peramalan.

Mengapa dilakukan uji heteroskedastitas? jawabannya adalah untuk mengetahui adanya

penyimpangan dari syarat-syarat asumsi klasik pada regresi linear, di mana dalam model
regresi harus dipenuhi syarat tidak adanya heteroskedastisitas.

Jenis Uji Heteroskedastisitas dengan SPSS

Bagaimana cara uji heteroskedastisitas ? Jawabannya adalah ada beberapa cara, antara lain:

1. Uji Glejser
2. Uji Park
3. Uji Spearman
4. Melihat Grafik

Apakah ke empat uji di atas dapat dilakukan dengan SPSS? Jawabannya adalah “Ya.”
Bagaimanakah Cara Uji Heteroskedastisitas dengan SPSS? Mari kita bahas satu persatu.

Dalam artikel kali ini kita akan bahas uji yang pertama, yaitu Cara Uji Heteroskedastisitas
Glejser.

Uji Glejser.

Tutorial Uji Heteroskedastisitas Menggunakan Uji Glejser

Anggap kita punya sebuah model yang akan diuji, yaitu “Pengaruh nilai ujian Fisika, Biologi
dan Matematika Terhadap Rata-rata Nilai SPMB.

Data seperti di bawah ini:

 Tabulasi Uji Heteroskedastisitas

Buka Aplikasi SPSS anda, jika belum punya download lewat Link ini.

Buat 4 variabel dengan skala data “Scale” Type “Numeric” Decimal “0” dengan nama sesuai
tabel di atas: Fisika, Biologi, Matematika dan SPMB.

Dataset Heteroskedastisitas

Masukkan data di atas dengan cara COPAS.

Klik Menu, Analyze, Regression, Linear: Setelah terbuka jendela, Masukkan Fisika, Biologi
dan Matematika ke kotak Variabel Independent dan masukkan SPMB ke kotak Variabel
Dependent.
 Uji Heteroskedastisitas dengan SPSS

Cari tombol “SAVE” lalu klik maka akan muncul jendela baru, cari “Unstandardized” lalu
centang, OK dan OK lagi sampai jendela tertutup.

Uji Heteroskedastisitas

Abaikan Output dan Lihat ada sebuah variabel baru dengan nama “RES_1”

Contoh Uji Glejser

Klik Transform, Compute Variabel: Pada Kotak “Target Variabel” Isi dengan RES2. Pada
kotak “Numeric Expression” ketikkan rumus: “ABS_RES(RES_1)”

Rumus di atas tanpa tanda kutip dua.

 Absolut Residual Uji Glejser

Abaikan output dan lihat ada variabel baru dengan nama “RES2”

Klik Menu Analyze, Regression, Linear: Keluarkan SPMB dari kotak Variabel dependent
dan masukkan variabel RES2 ke kotak Variabel dependent.

Uji Glejser

Cari tombol “SAVE” lalu klik maka akan muncul jendela baru, cari “Unstandardized” dan
hilangkan centang, OK dan OK lagi sampai jendela tertutup.

Interprestasi Uji Heteroskedastisitas dengan SPSS Menggunakan Uji Glejser

Setelah anda melakukan langkah-langkah untuk menilai heteroskedastisitas menggunakan

aplikasi SPSS di atas, maka selanjutnya anda akan belajar untuk membaca output analisis
heteroskedastisitas. Langsung saja anda buka output SPSS anda.

Lihat Output pada kolom “Sig.”.

 Output Uji Glejser

Kesimpulannya: Apabila nilai signifikansi (Sig.) > 0,05 maka tidak terjadi gejala
Heteroskedastisitas.

Dari output di atas, maka tampak bahwa ketiga variabel tidak ada gejala heteroskedastisitas
karena Sig. > 0,05.

Untuk uji yang lain seperti Uji Park, Spearman dan Melihat Grafik akan di bahas pada artikel
berikutnya:

“UJI PARK DALAM SPSS“, “Uji SPEARMAN Untuk Heteroskedastisitas” dan “Uji
Heteroskedastisitas dengan Melihat Grafik”.

Demikian telah kami jelaskan secara singkat namun padat tentang tutorial uji
heteroskedastisitas dengan SPSS. Oleh karena banyak sekali jenis uji asumsi untuk menilai
ada tidaknya heteroskedastisitas di dalam sebuah model regresi, maka artikel ini kiranya
tidaklah cukup.

Kami merasa artikel ini tidaklah cukup untuk memberikan pemahaman yang sempurna
terhadap anda para pembaca yang biasanya adalah peneliti atau para mahasiswa yang sedang
menyelesaikan tugas akhir perkuliahan. Oleh karena itu kami anjurkan untuk tetap bersama
saya di statistikian ini, untuk mempelajari artikel lainnya terkait dengan heteroskedastisitas
dan asumsi klasik lainnya.

Semoga bermanfaat dan salam hangat dari saya.

Uji Autokorelasi dengan SPSS

Uji Autokorelasi dengan SPSS adalah menggunakan metode uji Durbin Watson. Dimana
pada artikel sebelumnya telah kita bahas, bahwa ada berbagai metode pengujian untuk
mendeteksi adanya masalah atau asumsi autokorelasi, antara lain: Breusch Godfrey, Durbin
Watson dan Durbin Watson H. dalam kesempatan ini, kita akan fokus untuk membahas
tutorial uji autokorelasi dengan SPSS menggunakan metode Durbin Watson Test.

Pada artikel sebelumnya kita telah membahas pengertian dan penjelasan uji autokorelasi.
Silahkan baca artikel kami tersebut di: Pengertian dan Penjelasan Uji Autokorelasi Durbin
Watson.

Sebelum memulai tutorial uji autokorelasi dengan SPSS metode durbin watson, sebaiknya
anda membuat terlebih dahulu satu set data untuk pengujian regresi linear. Anda harus
membuat 1 variabel terikat dan beberapa variabel bebas dengan masing-masing berskala data
interval atau rasio. dalam tutorial ini, statistikian coba memberikan cntoh uji autokorelasi
dengan SPSS menggunakan tiga (3) variabel bebas dan satu variabel terikat. Sehingga
persamaan regresi yang akan dibentuk adalah sebagai berikut:

Y = ∝ + ß1 X1 + ß1 X2 + ß1 X3 + e.

Tutorial Uji Autokorelasi dengan SPSS

Identifikasi Variabel

Baiklah kita mulai tutorial tentang analisis autokorelasi durbin watson. Silahkan buka aplikasi
SPSS anda dan isi 3 variabel bebas dan 1 variabel terikat anda ke dalam dataset SPSS.
Contohnya adalah sebagai berikut:

Dataset Uji Autokorelasi dengan SPSS

Silahkan beri nama apa saja untuk menandakan mana variabel terikat dan mana variabel
bebas. Dalam tutorial ini, kami memberi nama variabel bebas: X1, X2 dan X3, sedangkan
variabel terikat dengan nama: Y. Disini kami menggunakan contoh pengujian dengan jumlah
sampel atau observasi sebanyak 128 sampel.

Analisis Durbin Watson dengan SPSS

Setelah data anda isikan dan variabel telah dibei nama serta label, silahkan pada menu SPSS,
klik Analyze, Regression, Linear Regression. Maka akan terbuka jendela sebagai berikut ini:
 Uji Autokorelasi dengan SPSS

Kemudian anda masukkan variabel terikat ke kolom dependent variable dan variabel bebas ke
kolom independent variables. Kemudian masukkan nomor ke kotak selection variable.
Selanjutnya klik tombol Statistics, sehingga akan muncul jendela atau window sebagai
berikut:

Durbin Watson Dalam Uji Autokorelasi dengan SPSS

Silahkan anda centang semua terutama Durbin Watson Statistics agar output SPSS anda
nantinya muncul nilai Durbin Watson Hitung. Jika sudah dicentang tekan tombol Continue.
Sedangkan untuk tombol-tombol yang lain, silahkan anda tentukan untuk digunakan atau
tidak. Namun untuk uji regresi linear yang ideal, maka semua tombol tersebut wajib anda
gunakan. Untuk memahaminya, silahkan pelajari artikel kami tentang: Regresi Linear dengan
SPSS.

Selanjutnya pada jendela utama, anda tekan tombol OK. Dan selanjutnya silahkan lihat
Output hasil pengujian SPSS. Tampilannya adalah sebagai berikut, dimana tepatnya adalah
pada Tabel Summary.
Output Uji Autokorelasi dengan SPSS

Perhatikan di atas, nilai Durbin Watson pada tabel summary tersebut adalah nilai Durbin
Watson hitung yang nantinya akan anda bandingkan dengan nilai Durbin Watson (DW)
Tabel, baik nilai DU (Durbin Upper) maupun nilai DL (Durbin Lower).

Cara Baca Nilai DW dengan SPSS

Dalam kesempatan ini kami juga akan menjelaskan cara membaca autokorelasi negatif dan
positif. Cara menentukan atau kriteria pengujian autokorelasi berdasarkan nilai DW adalah
sebagai berikut:

Deteksi Autokorelasi Positif:

Jika dw < dL maka terdapat autokorelasi positif,

Jika dw > dU maka tidak terdapat autokorelasi positif,

Jika dL < dw < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.

Deteksi Autokorelasi Negatif:

Jika (4 – dw) < dL maka terdapat autokorelasi negatif,

Jika (4 – dw) > dU maka tidak terdapat autokorelasi negatif,

Jika dL < (4 – dw) < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.

Contoh Autokorelasi Positif

Pada contoh ini, nilai Durbin Watson Hitung adalah sebesar 0,382. Dimana nilai tersebut
kurang dari nilai DL pada K = 4 dan t = 128, sehingga terdapat masalah autokorelasi positif.

Nilai DL pada K =4 dan t = 128 berdasarkan tabel Durbin Watson adalah sebesar: 1,66379
sedangkan nilai DU sebesar 1,75960. Untuk mengetahui nilai DU dan DL secara lengkap,
silahkan anda baca artikel kami yang berjudul: Tabel Durbin Watson dan Cara Membaca.

Contoh Tidak Ada Autokorelasi Positif dan Negatif

Berdasarkan kriteria pengujian di atas, bagaimana jika seandainya nilai DW sebesar 1,98?
maka DW 1,98 > DU 1,75960 sehingga tidak ada masalah autokorelasi.
Contoh Autokorelasi Negatif

Seandainya nilai DW 2,9, maka nilai (4-DW) adalah (4-2,9) = 1,1. Karena nilai (4-DW) 1,1 <
DL 1,66379 maka terdapat masalah autokorelasi negatif.

Contoh Autokorelasi Tidak Meyakinkan

Dan seandainya nilai DW 2,3 maka (4-DW) adalah (4-2,3) = 1,7 sehingga (4-DW) 1,7 > DL
1,66379 tetapi < DU 1,75960, maka hasil pengujian autokorelasi tidak meyakinkan.

Jika seandainya nilai DW 1,69? maka jawabannya adalah: 1,69 < DU 1,75960 tetapi > DL
1,66379 sehingga hasil pengujian autokorelasi tidak meyakinkan.

Kesimpulan Cara Baca Uji Autokorelasi dengan SPSS

Berdasarkan penjelasan di atas, maka dikatakan tidak ada autokorelasi bila nilai DL < DW >
DU dan DL < (4-DW) > DU.

Begitulah cara membaca nilai Durbin Watson setelah anda melakukan uji autokorelasi
dengan SPSS menggunakan metode Durbin Watson test. Semoga bermanfaat. Terima kasih.

By Anwar Hidaya