STATISTIK
&
SPSS 18
Bekasi, 2017
Tim Penyusun Modul Praktikum
DAFTAR ISI
Statistik Deskriptif 1
Pengertian Statistik Deskriptif 1
Prosedur Frekuensi 2
Output Tabel Statistik 9
Prosedur Descriptives 13
Hasil Analisis 17
Prosedur Explore 19
Pembahasan Output 21
Stream and Leaf Plots 24
Analisa Crosstabs 25
Tabel Chi-Square Test 29
BAB Lanjutan SPSS 33
Statistik Deskriftif Lanjutan 39
Regresi Linier Berganda 42
Multikolinieritas 50
Heteroskedastisitas 55
Autokorelasi 61
Normalitas Residual 66
Latihan 70
Referensi 72
Lampiran Tabel Durbin Watson 5 % 73
Salah satu statistik yang secara sadar maupun tidak, sering digu- nakan
dalam berbagai bidang adalah statistik deskriptif. Pada bagian ini akan
dipelajari beberapa contoh kasus dalam penggu- naan statistik deskriptif.
Prosedur Frekuensi
Prosedur FREQUENCIES memiliki kegunaan pokok untuk mela-
kukan pengecekan terhadap input data. Apakah data sudah diin-
putkan dengan benar. Hal ini mengingat bahwa dengan statistik
frekuensi kita bisa mengetahui resume data secara umum. Seperti
berapa jumlah responden laki-laki, jumlah responden perempuan, dan
sebagainya.
Selain itu, prosedur FREQUENCIES juga memiliki kegunaan untuk
menyediakan informasi deskripsi data yang menggambar- kan
demographic characteristics dari sampel yang diambil. Misal- nya
berapa persen responden yang setuju terhadap tindakan yang
dilakukan, berapa persen responden yang menolak, dan seba- gainya.
Berikut akan dibahas contoh kasus melakukan analisa deskriptif
dengan SPSS 16. Secara umum, untuk menjalankan suatu prose- dur
dalam analisa statistik mengikuti langkah seperti berikut.
c. Distribution
Pengukuran distribusi yang meliputi skewness and
kurtosis. Bagian ini digunakan untuk melakukan penge-
cekan apakah distribusi data adalah distribusi normal.
• Ukuran skewness adalah nilai skewness dibagi dengan
standard error skewness.
• Jika rasio skewness berada di antara nilai -2.00
sampai dengan 2.00, maka distribusi data adalah
normal sehingga data di atas masih berdistribusi
normal.
• Nilai kurtosis adalah nilai kurtosis dibagi dengan
standard error-nya.
Bahwa 95% confidence interval (C.I.) di sekitar nilai
skewness and 95% confidence interval yang lain di sekitar
nilai kurtosis. The 95% confidence intervals atau tingkat
kepercayaan didefinisikan sebagai berikut:
• 95% C.I. = skewness statistic ± 1.96 * (standard error
of skewness), dan
• 95% C. I. = kurtosis statistic ± 1.96 * (standard error of
kurtosis).
Membaca Output
Setelah dilakukan pemilihan option-option yang diinginkan dan
sesuai kebutuhan, selanjutnya tekan tombol OK pada kotak dialog
Frequencies untuk melanjutkan perintah. Penekanan tombol OK
akan memunculkan output lengkap seperti gambar di bawah ini.
Dari table frekuensi Jenis kelamin bisa dilihat bahwa ada 3 res-
ponden yang jenis kelamin laki-laki dan 5 responden yang me-
miliki jenis kelamin perempuan.
Output Grafik
Output terakhir yang ada dalam lembar data output adalah
tampilan grafik bar chart. Laporan berbentuk grafik ini akan cukup
penting karena mempermudah pemakai untuk memahami secara
cepat isi dari sebuah laporan yang disajikan.
Prosedur Descriptives
Statistik dengan analisis deskriptif, sebenarnya hampir sama
dengan statistik frekuensi, yaitu menghasilkan analisa dispersi
(standard deviasi, minimum, maksimum), distribusi (kurtosis,
skewness) dan mean, sum, dan lain sebagainya.
Analisis ini juga memiliki kegunaan pokok untuk melakukan
pengecekan terhadap input data, mengingat bahwa analisis ini
akan menghasilkan resume data secara umum. Seperti berapa
jumlah responden laki-laki, berapa jumlah responden perempuan,
dan sebagainya. Disamping itu, analisis ini juga memiliki kegu-
naan untuk menyediakan informasi deskripsi data dan demografi
sampel yang diambil.
Sebagian besar analisis statistik memang dikalkulasi mengguna-
kan prosedur frekuensi, tetapi prosedur analisis deskritif memiliki
keunggulan, yaitu lebih efisien dalam beberapa hal karena tidak
melakukan sorting atau pengurutan data nilai ke tabel frekuensi.
5. Dengan tampilan seperti di atas, berarti bahwa ada empat data yang
akan dianalisa, yaitu umur, pendidikan, jeniskelamin, dan juga
keterangan.
6. Selanjutnya klik tombol Option untuk mengatur opsi-opsi analisis
dekripsi. Penekanan tombol tersebut akan memun- culkan tampilan
seperti di bawah ini.
7. Tombol Options digunakan untuk menampilkan daftar opsi- opsi
statistik yang akan ditampilkan pada lembar output sesuai dengan
kebutuhan analisis. Tekan tombol tersebut untuk mengatur opsi
statistik yang diinginkan. Penekanan tombol tersebut akan
menampilkan jendela seperti di bawah ini.
Hasil Analisis
Setelah ditentukan variable yang dipilih, langkah selanjutnya
adalah menjalankan prosedur. Tekan tombol OK pada kotak
dialog analisis deskriptif sehingga akan muncul window output
seperti pada gambar di bawah ini.
skewness tersebut.
Contoh Kasus
Pada tabel yang telah dibuat pada latihan sebelumnya, yaitu Tabel
2.1, buatlah eksplorasi data-nya.
3. Klik anak panah kanan pada kolom yang sesuai untuk variabel
tersebut, misalkan kolom Dependent List.
4. Pada eksplorasi data dapat digunakan variabel kuantitatif
(pengukuran interval atau rasio). Variabel yang terdapat pada
Faktor List digunakan untuk mem-break data dalam suatu
group menunjukkan kategori, nilai ini dapat berupa numerik
atau string pendek.
5. Label Case digunakan untuk memberi label pada tampilan luar
Boxplot yang dapat berupa string atau numerik.
6. Pada bagian tombol analisis terdapat tiga pilihan, yaitu:
• Statistics; untuk melakukan perhitungan statistik-statistik
dasar.
• Plots; tombol untuk membuat visualisasi grafik dari
analisis.
• Options; digunakan untuk mengelola missing case atau
data yang tidak tercatat.
Pembahasan Output
Beberapa hasil analisa yang dapat dilihat dari tabel output antara
lain adalah tabel descriptives, tabel m-estimator, percentile, outlier,
dan tampilan grafik steam and leaf plots power estimation. Output-
output tersebut akan dibahas sebagai berikut.
Tabel M-Estimators
Pengukuran ini berkaitan dalam statistik Robust yang diimplemen-
tasikan pada perhitungan rata-rata dan median untuk menges-
timasi lokasi data terpusat.
Tabel Percentiles
Pengukuran ini digunakan untuk menampilkan nilai persentil se-
perti yang terlihat pada tampilan seperti gambar di bawah.
Tabel Outliers
Pengukuran ini digunakan untuk menampilkan nilai data terbesar
dan data terkecil beserta dengan labelnya. Dengan adanya tam-
pilan seperti ini, peneliti akan mengetahui range data dengan baik.
Analisa Crosstabs
Analisa crosstabs merupakan analisa yang masuk dalam kategori
statistik deskripsi di mana menampilkan tabulasi silang atau tabel
kontingensi yang menunjukkan suatu distribusi bersama dan peng-
ujian hubungan antara dua variabel atau lebih. Terdapat banyak
kategori statistik yang tersedia di dalam CROSSTABS prosedur.
Beberapa statistik CROSSTABS digunakan untuk data skala
nominal, tetapi beberapa di antaranya juga skala interval. Dalam
rangka menggunakan hasil dari CROSSTABS, kita harus bisa
mengenali seperti apa macam data adalah sesuai dengan statistik
masing-masing dan harus pula mengenali tingkatan pengukuran
untuk skala yang sedang diteliti.
Set pengorganisasian statistik CROSSTABS beberapa di antaranya
sesuai dengan ukuran skala nominal, antara lain:
• Pearson Chi-Square
• Likelihood Ratio
Contoh Kasus
Di bawah ini data hasil penelitian 15 orang mengenai jenis kela-
min, jumlah jam belajar dalam satu hari, dan rata-rata nilai ujian.
Dari data tersebut di atas, lakukan uji statistik untuk mengetahui
ada dan tidaknya hubungan antara jenis kelamin dengan rata-rata
nilai atau jam belajar dengan rata-rata nilai.
4. Beri tanda di kotak check point Chi Square saja. Untuk jenis
analisis yang lain akan kita bahas pada bagian analisa statistik
berikutnya dari buku ini.
5. Tekan Continue dan pilih tombol OK.
Pembahasan Output
Beberapa tampilan output yang muncul antara lain sebagai
berikut.
Tabel Case Processing Summary
Pengukuran ini digunakan untuk mengetahui rangkuman data
yang dianalisa. Berapa data yang ada, berapa data yang hilang,
baik dalam prosentase maupun dalam nilai angkanya.
Tabel Crosstabulation
Tabel deskripsi jumlah data dan hubungannya dapat dilihat seperti
di bawah ini.
Program SPSS adalah salah satu program pengolahan statistik yang paling
umum digunakan dalam penelitian yang menggunakan data kuantitatif
atau data kualitatif yang dikuantitatifkan.
Cara menggunakan tampilan Data View ini agak mirip dengan MS Excel.
STATISTIK DESKRIPTIF
LANJUTAN
Jumlah data yang diolah semuanya adalah 36 yang ditunjukkan dari nilai N.
Kolom Range menunjukkan kisaran/range dari masing-masing variabel.
Kolom minimum menunjukkan nilai minimum dari masing-masing variabel
dan
NPL
ROE ROA
OC/OR
LDR
Data kasus di atas dapat diolah dengan menggunakan analisis regresi linier
berganda yang terdapat dalam program perangkat lunak SPSS16.
Di mana:
1. Normalitas
2. Heteroskedastisitas
3. Multikolinieritas
4. Autokorelasi (jika menggunakan data time series)
Langkah Analisis
Untuk sementara, kita abaikan terlebih dahulu uji asumsi klasik. Misalkan
hasil regresi ini sudah lolos uji asumsi klasik, maka cara interpretasi model
regresi dengan langkah sebagai berikut: pertama interpretasikan koefisien
determinasi, kedua uji F statistik dan ketiga uji regresi parsial dengan uji t.
Koefisien Determinasi
Apabila digunakan dalam ilmu pasti, maka semua angka yang tertera dalam
persamaan matematis dapat diinterpretasikan lebih mendalam. Akan tetapi
karena dalam kasus ini termasuk dalam ilmu sosial / ekonomi, maka yang
perlu dititikberatkan adalah tanda positif atau negatif yang terdapat di
depan angka koefisien beta.
Langkah Analisis
Deteksi Multikolinieritas
Metode Grafik
Langkah Analisis
Terlihat pada tampilan grafik scatterplots di atas bahwa titik- titik tidak
menyebar secara acak baik di atas maupun di bawah angka 0 pada sumbu Y.
Hal ini dapat disimpulkan bahwa terjadi heteroskedastisitas pada model
regresi. Analisis
dengan grafik plots memiliki kelemahan yang cukup signifikan oleh karena
jumlah pengamatan mempengaruhi hasil plotting. Semakin sedikit jumlah
pengamatan, maka semakin sulit menginterpretasikan hasil grafik plots.
Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin
keakuratan hasil.
Uji Glejser
Langkah Analisis
Hasil tampilan luaran SPSS dengan jelas menunjukkan variabel CAR, NPL,
ROE, OCOR dan LDR memiliki nilai signifikansi 0,829; 0,681; 0,392; 0,422
dan 0,478 yang kesemuanya di atas 0,01. Berarti tidak terdapat
heteroskedastisitas dalam model ini, dengan kata lain semua variabel
independen yang terdapat dalam model ini memiliki sebaran varian yang
sama / homogen.
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linier
terdapat korelasi antar kesalahan pengganggu (residual) pada periode t
dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka
dinamakan terdapat permasalahan autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain.
Masalah ini timbil karena residual (kesalahan pengganggu) tidak bebas dari
satu amatan ke amatanyang lain. Hal ini sering ditermukan pada data runut
waktu / time series karena "gangguan" pada seseorang individu/kelompok
cenderung mempengaruhi "gangguan" pada
individu/kelompok yang sama pada periode berikutnya.
Pada data cross section (silang waktu), masalah autokorelasi relatif jarang
terjadi karena "gangguan" pada amatan yang berbeda berasal dari
individu/kelompok yang berbeda. Model regresi yang baik adalah regresi
yang bebas dari autokorelasi. Ada beberapa cara yang dapat digunakan
untuk mendeteksi ada tidaknya autokorelasi.
Di mana:
Nilai DWhitung sebesar 1,905 akan dibandingkan dengan nilai tabel dengan
menggunakan derajat kepercayaan 5%, jumlah sampel 36 dan jumlah
variabel independen 5, maka di tabel Durbin-Watson akan diperoleh nilai:
k=5
n dL dU
33 1.1270 1.8128
34 1.1439 1.8076
35 1.1601 1.8029
36 1.1755 1.7987
37 1.1901 1.7950
38 1.2042 1.7916
39 1.2176 1.7886
Oleh karena nilai DWhitung lebih besar daripada batas atas 1,7987 dan lebih
kecil daripada 4-dU=4-1,7987=2,2013, atau:
Run Test
Run test sebagai bagian dari statistik non parametrik dapat pula digunakan
untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika
antar residual tidak terdapat hubungan korelasi, maka dikatakan bahwa
residual adalah acak atau random. Run test digunakan untuk melihat
apakah data residual terjadi secara random atau tidak (sistematis)
Langkah Analisis
Hasil luaran SPSS menunjukkan nilai test -0,07170 dengan probabilitas 0,866
tidak signifikan yang berarti bahwa residual bersifat random atau tidak
terjadi autokorelasi antar nilai residual.
Analisis Grafik
Dengan melihat tampilan grafik histogram yang agak menceng ke kiri dapat
disimpulkan bahwa grafik histogram memberikan pola distribusi yang
tidak normal. Sedangkan pada grafik normal plot terlihat titik-titik
menyebar jauh di sekitar garis diagonal, serta penyebarannya tidak
mengikuti arah garis diagonal. Kedua grafik di atas menunjukkan bahwa
model regresi tidak layak dipakai karena tidak memenuhi asumsi
normalitas.
Langkah Analisis
Berikut ini adalah data sebuah penelitian yang ingin menguji apakah
Kompleksitas Tugas dan Aset Klien mempengaruhi Fee Audit.