APLIKASI KOMPUTER Edisi 1 (Materi UTS)

1
Tuntunan Praktis Pengolahan Data Penelitian Kuantitatif dengan Bantuan SPSS

KATA PENGANTAR
Segala puji kami panjatkan ke hadirat Allah SWT yang

telah memberikan berbagai nikmat-Nya sehingga penulis
dapat menyelesaikan sebuah tulisan yang sederhana ini.
Shalawat serta salam kami sanjungkan kepada junjunan kita
Nabi Muhammad SAW yang telah membawa kita dari alam
kebodohan menuju alam kecerdasan dan ilmu pengetahuan.
Buku yang sederhana ini merupakan tuntunan praktis
bagi para pemula yang ingin belajar Statistical Package for
the Social Sciences (SPSS versi 20 atau 22) dalam melakukan
analisis penelitian kuantitatif. Analisis statistik yang
ditampilkan adalah Analisis Regresi Berganda dan Analisis
Jalur (Path Analysis).
Mudah-mudahan dengan buku yang sederhana ini dapat
membantu para pembaca dalam mempelajari statistik dengan
menggunakan bantuan program SPSS.
Terakhir, penulis mengucapkan terima kasih kepada
Bapak Rektor dan Ibu Dekan Pascasarjana Unindra yang
telah memberikan motivasi dan kesempatan penulis untuk
menyusun buku yang sederhana ini. Mudah-mudahan
kebaikan yang telah diberikan menjadi amal kebaikan di
hadapan Allah SWT. Amien.
Jakarta, Agustus 2019
Penulis
2
Tuntunan Praktis Pengolahan Data Penelitian dengan Bantuan SPSS
DAFTAR ISI
Kata Pengantar.................................................................. 2
Daftar Isi............................................................................6
BAB I : Data Penelitian Survey dengan .................. 7

Regresi Ganda (Dua Variabel Bebas dan
Satu Terikat)
BAB II : Analisis Data Penelitian Analisis Jalur …. 71

(3 Variabel)
3
BAB I
ANALISIS DATA
PENELITIAN SURVEY DENGAN
REGRESI GANDA
(DUA VARIABEL BEBAS SATU TERIKAT)
Desain Penelitian
X1
Y
X2
X1 = Konsep Diri
X2 = Minat Belajar
Y = Prestasi Belajar Matematika
4
A. Langkah-langkah Penginputan Data
Langkah 1:
Tampilan awal data program SPSS (Data View)
Langkah 2:
Pindahkan kursor ke Variable View
5
Langkah 3: Pengisian Variable View
 Isi kolom Name dengan X1, X2, dan Y
 Ubah kolom desimal dengan angka nol
 Isi kolom label dengan Konsep Diri, Minat Belajar, dan
Prestasi Belajar Matematika
Langkah 4: Kembali ke Data View
6
Langkah 5: Pengisian Data (tanpa nomor urut)
 Isi kolom X1, X2 dan Y sesuai dengan data berikut:
No X1 X2 Y No X1 X2 Y
1 98 95 14 16 130 130 23
2 107 105 18 17 140 115 25
3 111 110 18 18 104 105 16
4 115 110 19 19 102 100 14
5 145 145 28 20 113 110 18
6 128 120 21 21 135 135 23
7 129 125 21 22 70 80 12
8 102 100 16 23 130 125 21
9 98 95 14 24 120 115 19
10 120 115 19 25 120 115 19
11 129 125 21 26 97 85 12
12 130 130 23 27 128 120 19
13 135 140 25 28 150 150 30
14 113 110 18 29 128 120 19
15 102 105 16 30 85 90 10
Tampilan dalam SPSS
7
B. Pengolahan Data Penelitian
1. Uji Hipotesis Regresi Linear Berganda
Langkah 1:
 Analyze → Regression → Linear → Klik
Tampilan berikutnya
8
Langkah 2:
 Pindahkan variabel Konsep Diri (X1) dan Minat
Belajar (X2) ke kolom Independent(s), dan Prestasi
Belajar (Y) ke kolom Dependent → Ok
Out Put
9
Langkah 3:
 Copy data out put di atas ke program microsof word
dengan cara: klik regressions → klik kanan → copy
spesial → klik
Out put
10
→ Centrang image → klik OK
Out put
11
→ buka menu microsof word → klik paste
12
Interpretasi Hasil Pengolahan Data
1. Out put data dalam bentuk Microsof Word

Nilai Korelasi Nilai Kontribusi
Ganda Ganda (Koefisien
Determinasi Ganda)
Rumusan Ganda
(X1 & X2 thd Y
Rumusan Parsial
(X1 thd Y dan
X2 thp Y )
Persamaan Garis
Regresi Ganda
13
2. Interpretasi Tabel Penelitian
Tiga tabel di atas merupakan tabel hasil uji hipotesis
regresi linear berganda, yang terdiri dari tabel model
summary, tabel anova, dan tabel coefficients.
a. Hasil Penelitian (menjawab rumusan masalah)
1) Terdapat pengaruh yang signifikan konsep diri dan
minat belajar secara bersama-sama terhadap prestasi
belajar matematika. Hal ini dibuktikan dengan nilai
Sig. = 0,000 < 0,05 dan Fhitung = 155,080.
2) Terdapat pengaruh yang signifikan konsep diri
terhadap prestasi belajar matematika. Hal ini
dibuktikan dengan nilai Sig. = 0,010 < 0,05 dan
thitung = 2,770.
3) Terdapat pengaruh yang signifikan minat belajar
terhadap prestasi belajar matematika. Hal ini
dibuktikan dengan nilai Sig. = 0,004 < 0,05 dan
thitung = 3,171.
b. Hubungan antara konsep diri dan minat belajar secara
bersama-sama dengan prestasi belajar matematika
adalah sangat kuat. Hal ini dibuktikan dengan nilai
korelasi (R) = 0,959
14
Kriteria:
0,000 – 0,199 = Sangat Lemah
0,200 – 0,399 = Lemah
0,400 – 0,599 = Sedang
0,600 – 0,799 = Kuat
0,800 – 1,000 = Sangat Kuat
c. Kontribusi konsep diri dan minat belajar secara
bersama-sama terhadap prestasi belajar matematika
sebesar 0,920 x 100 % = 92% (nilai Rsquare x 100%)
d. Persamaan garis regresi ganda:
Y = -10,690 + 0,116 X1 + 0,142 X2
Catatan:
 Untuk kontribusi parsial, maka dilakukan pengujian
tambahan.
15
Langkah 4:
Langkah 5:
 Klik Reset, pindahkan variabel Konsep Diri (X1) dan
Minat Belajar (X2) ke kolom Independent(s), dan
Prestasi Belajar (Y) ke kolom Dependent, klik
Statistik
16
Langkah 6:
 Centrang Part and parsial correlations → klik continue →
klik OK
Tampilan out put
17
Copy tabel Coefiicients
Penjelasan:
1. Kontribusi parsial X1 terhadap Y adalah nilai Beta x nilai zero-
order (nilai korelasinya) x 100%, yaitu:
0,454 x 0,943 x 100% = 42,81%
2. Kontribusi parsial X2 terhadap Y adalah nilai Beta x nilai zero-
order (nilai korelasinya) x 100%, yaitu:
0,519 x 0,947 x 100% = 49,15%
3. Kontribusi ganda adalah penjumlahan dari kontribusi parsial
X1 dan X2, yaitu:
42,81 + 49,15 = 91,96% dibulatkan menjadi 92% (nilai
Rsquare x 100%)
18
2. Langkah-langkah Pengujian Deskripsi Data
a. Deskripsi Variabel Y
Langkah 1: Analisis Deskripsi Data
 Analyze → Deskriptive Statistics → Frequencies → Klik
Out put
19
Langkah 2:
 Pindahkan variable Prestasi Belajar Matematika (Y) ke
kolom variable (s) → Klik statistik
Out put
20
Langkah 3:
→ Centrang Mean, Median, Mode, Minimum, Maksimum,
dtandar deviation → klik continue
Out put → klik Charts
21
Out put → centrang histogram dan show normal curva on
histogram → klik continue → klik OK
Out put
22
b. Deskripsi Variabel X1
Langkah 1:
Langkah 2:
 Pindahkan data prestasi belajar matematika (Y) ke colom
sebelah kiri
23
Langkah 3:
→ Pindahkan konsep diri (X1) ke kolom variable (s) → klik
OK
Out put
24
c. Deskripsi Variabel X2
Langkah 1:
Langkah 2:
 Pindahkan data konsep diri (X1) ke kolom sebelah kiri
25
Langkah 3:
→ Pindahkan minat belajar (X2) ke kolom variable (s) → klik
OK
Out put
26
Interpretasi Hasil Pengolahan Data
1. Out put distribusi data

a. Variabel Y
1) Distribusi Data
Penjelasan sederhana:
Dari data di atas dapat diketahui skor rata-rata =
19,03, median = 19, modus = 19, standar deviasi =
4,635, skor terendah = 10, skor tertinggi = 30
27
2) Diagram Poligon Histogram
Dari digram di atas dapat disimpulkan bahwa data
berdistribusi normal. Garis poligon berada di tengah,
tidak mencong kanan atau mencong kiri.
28
b. Variabel X1
1) Distribusi Data
117,13, median = 120, modus = 102, standar deviasi
= 18,200, skor terendah = 70, skor tertinggi = 150
29
30
c. Variabel X2
1) Distribusi Data
31
32
3. Uji Persyaratan Analisis Data
a. Uji Multikolinearitas
b. Uji Heteroskedastisitas
Langkah 2:
33
Langkah 3:
 Masukan variabel Konsep Diri (X1) dan Minat Belajar
(X2) ke Independent (s), Prestasi Belajar Matematika (Y)
ke Dependent
Langkah 4:
 Klik Statistic
34
Langkah 5:
 Centrang R squared change, Descriptives, Part and
partial correlations dan Collinearity diagnistics
Langkah 6:
 Klik Continue
35
Langkah 7:
 Klik Plots
Langkah 8:
 Pindahkan *ZPRED ke X dan *ZRESID ke Y, centrang
Histogram dan Normal probability plot → Continue
36
Langkah 9:
 Klik Save
Langkah 10:
 Centrang Unstandardized dan Standardized → enter
(continue)
37
Langkah 11:
 Ok
Output Uji Persyaratan Analisis Data

a. Uji Multikolinearitas
a
Coefficients
Model Collinearity Statistics
Tolerance VIF
1 (Constant)
Konsep Diri .111 9.046
Minat Belajar .111 9.046
a. Dependent Variable: Prestasi Belajar Matematika
Penjelasan:
 Kriteria: Jika nilai nilai Variance Inflation Factor (VIF) >
10, maka data mengalami multikolinieritas, dan
sebaliknya.1
1
Suyono, Analisis Regresi Untuk Penelitian, Yogjakarta: Penerbit
Deepublish, 2015, hal. 145
38
 Berdasarkan tabel di atas, diketahui nilai VIF = 9,046 < 10,
maka dapat disimpulkan tidak mengalami multikolinearitas.
b. Uji Heteroskedastisitas
Catatan:
 Kriteria: Terjadi heteroskedastisitas apabila gambar
scatterplot menunjukkan pola tertentu.2
 Berdasarkan tabel di atas, diketahui gambar tidak
menunjukkan pada pola tetentu, maka dapat disimpulkan
tidak mengalami heteroskedastisitas.
2
Suparman I.A., Aplikasi Komputer dalam Penyusunan Karya Ilmiah,
Pustaka Mandiri: 2014, hal. 148
39
4. Uji Persyaratan Analisis Data (Lanjutan.....)
c. Uji Normalitas Data
Langkah 1:
Kembali ke Data View
Langkah 2:
 Analyze → Nonparametric Test → Legacy Dialog → 1
Sample K-S → Klik
40
Langkah 3:
 Masukan Konsep diri (X1), Minat Belajar (X2), dan
Prestasi Belajar (Y) ke kotak Test Variable List → Ok
Output Uji Normalitas Data
One-Sample Kolmogorov-Smirnov Test

Konsep Diri Minat Belajar Prestasi Belajar
Matematika
N 30 30 30
Normal Parametersa,b Mean 117.13 114.17 19.03
Std. Deviation 18.200 16.973 4.635
Most Extreme Absolute .158 .080 .136
Differences Positive .073 .080 .136
Negative -.158 -.070 -.112
Kolmogorov-Smirnov Z .866 .440 .746
Asymp. Sig. (2-tailed) .441 .990 .634
a. Test distribution is Normal.
b. Calculated from data.
41
Penjelasan:
Kriteria:
 Data dikatakan normal apabila nilai Sig. > 0,05.3
 Berdasarkan tabel di atas, diketahui nilai Kolmogorov-
Smirnov Z variabel konsep diri = 0,866 dan Sig. = 0,441 >
0,05, nilai Kolmogorov-Smirnov Z variabel minat belajar =
0,440 dan Sig. = 0,990 > 0,05, nilai Kolmogorov-Smirnov Z
variabel prestasi belajar matematika = 0,746 dan Sig. = 0,634
> 0,05. Karena semua nilai Sig. > 0,05, maka sampel berasal
dari populasi berdistribusi normal.

d. Uji Normalitas Galat
Langkah 1:
 Kembali ke Data View
3
Safari, Analisis Data dengan Program Komputer, Jakarta, Universitas
Negeri Jakarta, 2017, hal. 89
42
Langkah 2:
 Analyze → Nonparametric Test → Legacy Dialog → 1
Sample K-S → Klik
Langkah 3:
 Klik Reset, masukan Unstandardized Residual ke
kotak Test Variable List → Ok
43
Output Uji Normalitas Galat

Unstandardized
Residual
N 30
a,b
Normal Parameters Mean 0E-7
Std. Deviation 1.31158746
Most Extreme Differences Absolute .186
Positive .186
Negative -.077
Kolmogorov-Smirnov Z 1.020
Asymp. Sig. (2-tailed) .249
Catatan:
 Kriteria: Data dikatakan normal apabila nilai Sig. > 0,05.4
Smirnov Z Unstandardized Residual = 1,020 dan Sig. = 0,249
> 0,05, maka sampel berasal dari populasi berdistribusi
normal.
4
Safari, Ibid, hal. 89
44
e. Uji Liearitas Regresi
Langkah 1:
 Kembali ke Data View
Langkah 2:
 Analyze → Compare Means → Means → Klik
45
Langkah 3:
 Masukan variabel Konsep Diri (X1) dan Minat Belajar
(X2) ke Independent List dan Prestasi Belajar Matematika
(Y) ke Dependent List
Langkah 4:
 Klik Options
46
Langkah 5:
 Centrang Test for linearity → Continue → Ok
Output Uji Linieritas Regresi
1. Variabel X1 atas Y
ANOVA Table
Sum of df Mean F Sig.
Squares Square
Prestasi Between (Combined) 612,967 17 36,057 43,268 ,000
Belajar Groups Linearity
Matematika *
554,502 1 554,502 665,402 ,000
Konsep Diri Deviation
from Linearity
58,465 16 3,654 4,385 ,007
Within Groups 10,000 12 ,833
Total
622,967 29
47
Penjelasan:
 Kriteria: Data dikatakan linear apabila nilai Sig.
Deviation from Linearity > 0,05.5
 Berdasarkan tabel di atas, diketahui nilai Deviation from
Linearity memiliki nilai F = 4,385 dan Sig. = 0,007 < 0,05,
maka hubungan variabel X1 dengan Y tidak linear.
2. Variabel X2 atas Y
ANOVA Table
Squares Square
Matematika *
558,907 1 558,907 238,963 ,000
Minat Belajar Deviation
from Linearity 28,977 13 2,229 ,953 ,530
Within Groups 35,083 15 2,339
Total
622,967 29
Penjelasan:
 Kriteria: Data dikatakan linear apabila nilai Sig.
Deviation from Linearity > 0,05.6
 Berdasarkan tabel di atas, diketahui nilai Deviation from
Linearity memiliki nilai F = 0,953 dan Sig. = 0,530 > 0,05,
maka hubungan variabel X2 dengan Y linear.
5
Safari, Ibid, hal. 120
6
Op Cit, hal. 120
48
RANGKUMAN HASIL PENGOLAHAN DATA
MENGACU PADA FORMAT LAPORAN PENELITIAN
A. Deskripsi Data
1. Variabel Y
a. Distibusi Data
19,03, median = 19, modus = 19, standar deviasi =
4,635, skor terendah = 10, skor tertinggi = 30
49
b. Diagram Poligon Histogram
50
2. Variabel X1
a. Distribusi Data
51
52
3. Variabel X2
a. Distribusi Data
53
54
B. Persyaratan Analisis Data
1. Uji Normalitas Data

Konsep Diri Minat Belajar Prestasi Belajar
Matematika
N 30 30 30
a,b
Normal Parameters Mean 117.13 114.17 19.03
Std. Deviation 18.200 16.973 4.635
Most Extreme Absolute .158 .080 .136
Differences Positive .073 .080 .136
Negative -.158 -.070 -.112
Kolmogorov-Smirnov Z .866 .440 .746
Asymp. Sig. (2-tailed) .441 .990 .634
Penjelasan:
Rumusan Hipotesis:
Ho : sampel berasal dari populasi berdistribusi normal
H1 : sampel tidak berasal dari populasi berdistribusi normal
Kaidah penetapan:7
- Jika signifikan > 0,05, sampel berasal dari populasi
berdistribusi normal
- Jika signifikan < 0,05, sampel tidak berasal dari populasi
Kesimpulan:
Smirnov Z variabel konsep diri = 0,866 dan Sig. = 0,441 >
0,05, nilai Kolmogorov-Smirnov Z variabel minat belajar =
7
55
0,440 dan Sig. = 0,990 > 0,05, nilai Kolmogorov-Smirnov Z
variabel prestasi belajar matematika = 0,746 dan Sig. = 0,634
> 0,05. Karena semua nilai Sig. > 0,05, maka sampel
berasal dari populasi berdistribusi normal.
2. Uji Multikolinearitas
a
Coefficients
Model Collinearity Statistics
Tolerance VIF
1 (Constant)
Konsep Diri .111 9.046
Minat Belajar .111 9.046
a. Dependent Variable: Prestasi Belajar Matematika
Penjelasan:
Kaidah penetapan:
- Jika nilai Variance Inflation Factor (VIF) > 10, maka data
mengalami multikolinieritas.
- Jika nilai Variance Inflation Factor (VIF) < 10, maka data
tidak mengalami multikolinieritas.8
Kesimpulan
 Berdasarkan tabel di atas, diketahui nilai VIF = 9,046 < 10,
maka dapat disimpulkan tidak mengalami multikolinearitas.
8
56
3. Uji Heteroskedastisitas
Penjelasan:
Kriteria Penetapan:
- Terjadi heteroskedastisitas apabila gambar scatterplot
menunjukkan pola tertentu.9
Kesimpulan
 Berdasarkan tabel di atas, diketahui gambar tidak
menunjukkan pada pola tetentu, maka dapat disimpulkan
tidak mengalami heteroskedastisitas.
9
Suparman I.A., Aplikasi Komputer dalam Penyusunan Karya Ilmiah,
Pustaka Mandiri: 2014, hal. 148
57
4. Uji Normalitas Galat

Unstandardized
Residual
N 30
a,b
Normal Parameters Mean 0E-7
Std. Deviation 1.31158746
Most Extreme Differences Absolute .186
Positive .186
Negative -.077
Kolmogorov-Smirnov Z 1.020
Asymp. Sig. (2-tailed) .249
Penjelasan:
Rumusan Hipotesis:
Ho : sampel berasal dari populasi berdistribusi normal
H1 : sampel tidak berasal dari populasi berdistribusi normal
Kaidah penetapan:10
- Jika signifikan > 0,05, sampel berasal dari populasi
- Jika signifikan < 0,05, sampel tidak berasal dari populasi
Kesimpulan:
Smirnov Z Unstandardized Residual = 1,020 dan Sig. = 0,249
> 0,05. Karena nilai Sig. > 0,05, maka sampel berasal dari
populasi berdistribusi normal.
10
58
5. Uji Linieritas Regresi
a. Variabel X1 atas Y
ANOVA Table
Squares Square
Matematika *
554,502 1 554,502 665,402 ,000
Konsep Diri Deviation
from Linearity 58,465 16 3,654 4,385 ,007
Within Groups 10,000 12 ,833
Total
622,967 29
Penjelasan:
Rumusan Hipotesis:
Ho : Hubungan X1 dan Y tidak Linear
H1 : Hubungan X1 dan Y Linear
Kaidah penetapan:11
- Jika signifikan Deviation from Linearity > 0,05, hubungan X1
dan Y linear
- Jika signifikan Deviation from Linearity < 0,05, hubungan X1
dan Y tidak linear
Kesimpulan:
 Berdasarkan tabel di atas, diketahui nilai Fhit = 4,385 dan Sig.
Deviation from Linearity = 0,007 < 0,05. Karena nilai Sig.
Deviation from Linearity < 0,05, maka hubungan X1 dan Y
tidak linear.
11
59
b. Variabel X2 atas Y
ANOVA Table
Squares Square
Matematika *
558,907 1 558,907 238,963 ,000
Minat Belajar Deviation
from Linearity 28,977 13 2,229 ,953 ,530
Within Groups
35,083 15 2,339
Total
622,967 29
Penjelasan:
Rumusan Hipotesis:
Ho : Hubungan X2 dan Y tidak Linear
H1 : Hubungan X2 dan Y Linear
Kaidah penetapan:12
- Jika signifikan Deviation from Linearity > 0,05, hubungan X2
dan Y linear
- Jika signifikan Deviation from Linearity < 0,05, hubungan X2
dan Y tidak linear
Kesimpulan:
 Berdasarkan tabel di atas, diketahui nilai Fhit = 0,953 dan Sig.
Deviation from Linearity = 0,530 > 0,05. Karena nilai Sig.
Deviation from Linearity > 0,05, maka hubungan X2 dan Y
linear.
12
60
C. Uji Hipotesis
61
1. Uji Hipotesis Penelitian
a. Rumusan Pertama
1) Rumusan Hipotesis
Ho :
H1 :
2) Kaidah Penetapan
- Jika signifikan > 0,05, pengaruh X1 dan X2 secara
bersama-sama terhadap Y tidak signifikan.
- Jika signifikan < 0,05, pengaruh X1 dan X2 terhadap
Y signifikan’
3) Kesimpulan
Berdasarkan tabel di atas, terdapat pengaruh yang
signifikan konsep diri dan minat belajar secara
bersama-sama terhadap prestasi belajar matematika.
Hal ini dibuktikan dengan nila Fhitung = 155,080 dan
Sig. = 0,000 < 0,05.
b. Rumusan Kedua
Ho :
H1 :
62
2) Kaidah Penetapan
- Jika signifikan > 0,05, pengaruh X1 terhadap Y tidak
signifikan.
- Jika signifikan < 0,05, pengaruh X1 terhadap Y
signifikan.
3) Kesimpulan
signifikan konsep diri terhadap prestasi belajar
matematika. Hal ini dibuktikan dengan nilai thitung =
2,770 dan Sig. = 0,010 < 0,05.
c. Rumusan Ketiga
Ho :
H1 :
2) Kaidah Penetapan
- Jika signifikan > 0,05, pengaruh X2 terhadap Y tidak
signifikan.
- Jika signifikan < 0,05, pengaruh X2 terhadap Y
signifikan.
63
3) Kesimpulan
signifikan minat belajar terhadap prestasi belajar
matematika. Hal ini dibuktikan dengan nilai thitung =
3,171 dan Sig. = 0,004 < 0,05.
2. Koefisien Determinasi (Kontribusi)

a. Kontribusi konsep diri dan minat belajar secara
bersama-sama terhadap prestasi belajar matematika
sebesar 92% .
b. Kontribusi konsep diri terhadap prestasi belajar
matematika sebesar 42,81%
c. Kontribusi minat belajar terhadap prestasi belajar
matematika sebesar 49,15%.
3. Persamaan Garis Regresi Ganda

= -10,690 + 0,116 X1 + 0,142 X2
64
Soal Latihan:
1. Dari data berikut:13
No X1 X2 Y
1. 15 12 32
2. 20 20 33
3. 15 23 35
4. 16 25 38
5. 9 11 32
6. 17 25 32
7. 16 24 34
8. 20 22 36
9. 15 24 34
10. 17 26 39
a. Tentukan persamaan regresi ganda Y atas X1 dan X2 !

b. Apa yang dapat anda tafsirkan dari persamaan regresi
tersebut !
c. Ujilah kontribusi regresi ganda tersebut baik secara
bersama-sama maupun parsial (masing-masing) pada α =
0,01 !
d. Ujilah hipotesis pengaruh X1 dan X2 terhadap Y baik secara
bersama-sama maupun parsial !
13
Supardi, Apalikasi Statistika dalam Penelitian, Jakarta: Penerbit Ufuk
Press, 2012, hal. 262
65
2. Data hasil penelitian tentang Kompetensi Inti (X1),
Kemempuan Manajerial (X2), Komitmen Mutu (X3), dan
Penatakelolaan Perguruan Tinggi (Y), disajikan sebagai
berikut:
No Y X1 X2 X3 No Y X1 X2 X3
1 88 112 89 77 31 63 51 108 96
2 60 64 64 87 32 88 88 87 97
3 93 79 76 82 33 73 63 85 96
4 68 77 100 67 34 83 75 121 97
5 78 64 91 87 35 83 99 107 97
6 63 58 72 102 36 78 63 88 86
7 68 76 68 107 37 83 71 98 96
8 78 59 105 97 38 88 67 93 102
9 60 69 73 77 39 78 54 78 102
10 78 73 90 92 40 83 72 98 104
11 78 91 99 69 41 83 89 113 92
12 93 91 81 79 42 93 98 118 102
13 95 79 105 82 43 83 80 108 92
14 88 83 80 91 44 73 49 88 82
15 68 86 78 89 45 88 79 103 97
16 83 88 65 94 46 88 77 80 97
17 88 112 59 92 47 93 64 90 111
18 68 58 77 87 48 88 58 93 109
19 63 56 103 87 49 93 76 102 108
20 90 96 98 92 50 83 73 100 110
21 78 73 103 87 51 78 69 105 107
22 73 77 98 82 52 78 73 103 108
23 93 73 98 102 53 63 91 98 56
24 95 78 103 107 54 68 91 98 61
25 95 112 98 107 55 60 79 103 82
26 83 74 93 92 56 68 83 98 91
27 90 78 113 97 57 73 86 93 89
28 95 78 118 76 58 88 88 65 94
29 93 78 118 74 59 63 59 80 92
30 78 82 103 110 60 73 58 78 87
66
Pertanyaan:
1. Tentukan persamaan regresi ganda Y atas X1, X2, dan X3 !
2. Apa yang dapat anda tafsirkan dari persamaan regresi
tersebut !
3. Ujilah kontribusi regresi ganda tersebut baik secara bersama-
sama maupun parsial (masing-masing) pada α = 0,01 !
4. Ujilah hipotesis pengaruh X1, X2, dan X2 terhadap Y baik
secara bersama-sama maupun parsial !
67
Pengolahan Data dengan Syntax
Langkah 1:
 File → New → Syntax → Klik
Tampilan
68
Langkah 2:
 Ketik di kolom syntax seperti di bawah
UJI HIPOTESIS
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2.
DESKRIPSI DATA
FREQUENCIES VARIABLES=Y
/STATISTICS=STDDEV MINIMUM MAXIMUM MEAN MEDIAN
MODE
/HISTOGRAM NORMAL
/ORDER=ANALYSIS.
FREQUENCIES VARIABLES=X1
MODE
/HISTOGRAM NORMAL
/ORDER=ANALYSIS.
MODE
/HISTOGRAM NORMAL
/ORDER=ANALYSIS.
69
UJI NORMALITAS DATA
NPAR TESTS
/K-S(NORMAL)=X1 X2 Y
/MISSING ANALYSIS.
UJI LINEARITAS
MEANS TABLES=Y BY X1 X2
/CELLS MEAN COUNT STDDEV
/STATISTICS LINEARITY.
UJI MULTIKOLENIARITAS DAN HETEROSKEDASTSITAS
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL CHANGE
ZPP
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HISTOGRAM(ZRESID) NORMPROB(ZRESID)
/SAVE RESID.
UJI NORMALITAS GALAT
NPAR TESTS
/K-S(NORMAL)=RES_1
/MISSING ANALYSIS.
70
Tampilan
Langkah 3:
 Blok data dalam kolom syntax tersebut → Klik tanda ►
71
BAB IV
ANALISIS DATA
PENELITIAN ANALISIS JALUR 3 VARIABEL
Desain Penelitian
X1
X3
X2
X1 = Kemampuan Awal
X2 = Motivasi Belajar
X3 = Prestasi Belajar Matematika
72
A. Langkah-langkah Penginputan Data
Langkah 1:
Tampilan awal data program SPSS (Data View)
Langkah 2:
Pindahkan kursor ke Variable View
73
Langkah 3: Pengisian Variable View
 Isi kolom Name dengan X1, X2, dan X3
 Ubah kolom desimal dengan angka nol
 Isi kolom label dengan Kemampuan Awal, Motivasi
Belajar, dan Prestasi Belajar Matematika
74
Langkah 5: Pengisian Data
 Isi kolom X1, X2 dan X3 sesuai dengan data berikut:
X1 X2 X3 X1 X2 X3
98 95 14 130 130 23
107 105 18 140 115 25
111 110 18 104 105 16
115 110 19 102 100 14
145 145 28 113 110 18
128 120 21 135 135 23
129 125 21 70 80 12
102 100 16 130 125 21
98 95 14 120 115 19
120 115 19 120 115 19
129 125 21 97 85 12
130 130 23 128 120 19
135 140 25 150 150 30
113 110 18 128 120 19
102 105 16 85 90 10
Tampilan dalam SPSS
75
B. Pengolahan Data Penelitian
1. Merubah data mentah ke data baku
Langkah 1:
 Analyze → Deskriptive Statistics → Deskriptives → Klik
Langkah 2:
 Pindahkan variabel Kemampuan Awal (X1), Motivasi
Belajar (X2), dan Prestasi Belajar Matematika (X3) ke
kolom Variable(s)
76
Langkah 3:
 Centrang Save standardized values as variables → Ok
Langkah 4:
 Kembali ke menu data view
77
Langkah 5: Uji Korelasi
 Analyze → Correlate → Bivariate → Klik
Langkah 6:
 Pindahkan Kemampuan Awal (X1), Motivasi Belajar (X2),
dan Prestasi Belajar Matematika (X3) ke kotak Variables
78
Langkah 7:
 Klik Ok
1. Output Uji Korelasi
Correlations
Kemampuan Motivasi Prestasi Belajar
Awal Belajar Matematika
Kemampuan Pearson Correlation ** **
1 ,943 ,943
Awal Sig. (2-tailed) ,000 ,000
N 30 30 30
Motivasi Belajar Pearson Correlation ** **
,943 1 ,947
Sig. (2-tailed) ,000 ,000
N 30 30 30
Prestasi Belajar Pearson Correlation ** **
,943 ,947 1
Matematika Sig. (2-tailed) ,000 ,000
N 30 30 30
**. Correlation is significant at the 0.01 level (2-tailed).
79
Penjelasan:
 Kriteria Nilai Korelasi
0,000 – 0,199 = Sangat Lemah
0,200 – 0,399 = Lemah
0,400 – 0,599 = Sedang
0,600 – 0,799 = Kuat
0,800 – 1,000 = Sangat Kuat
 Nilai korelasi X1 dengan X3 = 0,943 berarti sangat kuat

Nilai korelasi X2 dengan X3 = 0,947 berarti sangat kuat
Nilai korelasi X1 dengan X2 = 0,943 berarti sangat kuat
Langkah 8: Uji Analisis Jalur X1 terhadap X2

80
Langkah 9:
 Analyze → Regressions → Linear → Klik
Langkah 10:
 Pindahkan Zscore: Kemampuan Awal (X1) ke
Independent dan Zscore: Motivasi Belajar (X2) ke
Dependent(s)
81
Langkah 11:
 Klik Ok
Output 1:
Analisis Jalur X1 terhadap X2
82
Langkah 12: Uji Analisis Jalur X1 terhadap X3 dan X2 terhadap
X3
Langkah 13:
 Analyze → Regressions → Linear → Klik
83
Langkah 14:
 Pindahkan Zscore: Kemampuan Awal (X1) dan
Zscore: Motivasi Belajar (X2) ke Independent dan
Zscore: Prestasi Belajar Matematika (X3) ke
Dependent(s) → Ok
Output 2:
Analisis Jalur X1 terhadap X3 dan X2 terhadap X3
a
Coefficients
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
1 (Constant) 1,916E-015 ,054 ,000 1,000
Zscore:
Kemampuan Awal ,454 ,164 ,454 2,770 ,010
Zscore: Motivasi
Belajar
,519 ,164 ,519 3,171 ,004
a. Dependent Variable: Zscore: Prestasi Belajar Matematika
84
PENJELASAN HASIL PENGUJIAN ANALISIS JALUR
1. Tabel Uji Korelasi
Correlations
Kemampuan Motivasi Prestasi Belajar
Awal Belajar Matematika
Kemampuan Pearson Correlation ** **
1 ,943 ,943
Awal Sig. (2-tailed)
,000 ,000
N 30 30 30
Motivasi Belajar Pearson Correlation ** **
,943 1 ,947
Sig. (2-tailed)
,000 ,000
N 30 30 30
Prestasi Belajar Pearson Correlation ** **
,943 ,947 1
Matematika Sig. (2-tailed)
,000 ,000
N 30 30 30
**. Correlation is significant at the 0.01 level (2-tailed).
2. Tabel Uji Analisi Jalur

a
Coefficients
Coefficients
B Std. Error Beta
1 (Constant)
6,603E-016 ,062 ,000 1,000
Zscore:
Kemampuan Awal
,943 ,063 ,943 15,009 ,000
a. Dependent Variable: Zscore: Motivasi Belajar
a
Coefficients
Coefficients
B Std. Error Beta
1 (Constant) 1,916E-015 ,054 ,000 1,000
Zscore:
Kemampuan Awal
,454 ,164 ,454 2,770 ,010
Zscore: Motivasi
Belajar
,519 ,164 ,519 3,171 ,004
85
X1 r13 = 0,943 (p31 = 0,454)
r12 = 0,943 (p21 = 0,943) X3
r23 = 0,947 (p32 = 0,519)

X2
Gambar: Ringkasan Uji Korelasi dan Uji Analisis Jalur
Penjelasan Uji Analisis Jalur:

1. Nilai Koefisien Determinasi
a. Nilai koefisien determinasi langsung X1 terhadap X2:
KD12 = (r12)2 x 100 % = (0,943)2 x 100 % = 88,92 %
b. Nilai koefisien determinasi langsung X1 terhadap X3:
KD13 = (r13)2 x 100 % = (0,943)2 x 100 % = 88,92 %
c. Nilai koefisien determinasi langsung X2 terhadap X3:
KD23 = (r23)2 x 100 % = (0,947)2 x 100 % = 89,68 %
86
2. Nilai Pengaruh Langsung
a. Pengaruh langsung X1 terhadap X2
1) Bedasarkan hasil analisis pada tabel di atas, diperoleh
thitung = 15,009 dan Sig. = 0,000 < 0,05. Dengan
demikian variabel kemampuan awal berpengaruh
langsung signifikan terhadap motivasi belajar.
2) Besarnya pengaruh langsung = (0,943)2 x 100 % =
88,92 %
b. Pengaruh langsung X1 terhadap X3
demikian variabel kemampuan awal berpengaruh
langsung signifikan terhadap prestasi belajar
matematika.
20,61 %
c. Pengaruh langsung X2 terhadap X3
demikian variabel motivasi belajar berpengaruh
87
langsung signifikan terhadap prestasi belajar
matematika.
26,94 %
3. Nilai Pengaruh Tidak Langsung X1 terhadap X3 melalui X2

a. Uji Signifikansi pengaruh tidak langsung
thitung =
dengan
P321 = P21 x P32
= 0,943 x 0,519 = 0,5564
Sg =
Sg =
Sg = 0,124
Sehingga:
thitung =
88
thitung =
thitung = 4,487
ttab = k = 2, df = 30-2-1 = 27
ttab = 1,703
thitung = 4,487 > ttab = 1,703, maka disimpulkan terdapat
pengaruh tidak langsung yang signifikan variabel
kemampuan awal terhadap prestasi belajar matematika
melalui variabel motivasi belajar
b. Pengaruh tidak langsung variabel bebas terhadap variabel
terikat adalah hasil kali koefisien jalur (P21) dan (P32), yaitu:
0,943 x 0,519 = 0,5564
c. Besarnya pengaruh tidak langsung = (0,5564)2 x 100 % =
30,96 %
4. Nilai Pengaruh Total

a. Pengaruh total adalah jumlah antara pengaruh langsung dan
pengaruh tidak langsung, yaitu pengaruh total variabel X2
terhadap Y = P31 + (P21)(P32) = 0,454 + (0,943)(0,519) =
0,454 + 0,4894 = 0,9434
b. Besarnya pengaruh total = (0,9434)2 x 100 % = 88,92 %
89
RANGKUMAN HASIL PENGOLAHAN DATA
MENGACU PADA FORMAT LAPORAN PENELITIAN
A. Uji Hipotesis
1. Analisis Jalur X1 terhadap X2

a
Coefficients
Coefficients
B Std. Error Beta
1 (Constant) 6,603E-016 ,062 ,000 1,000
Zscore:
Kemampuan Awal ,943 ,063 ,943 15,009 ,000
a. Dependent Variable: Zscore: Motivasi Belajar
2. Analisis Jalur X1 terhadap X3 dan X2 terhadap X3

a
Coefficients
Coefficients
B Std. Error Beta
1 (Constant) 1,916E-015 ,054 ,000 1,000
Zscore:
Kemampuan Awal
,454 ,164 ,454 2,770 ,010
Zscore: Motivasi
Belajar
,519 ,164 ,519 3,171 ,004
90
B. Pembahasan Hasil Uji Hipotesis
1. Rumusan Pertama
a. Rumusan Hipotesis
Ho :
H1 : []
b. Kaidah Penetapan
- Jika signifikan > 0,05, variabel X1 berpengaruh
langsung yang tidak signifikan terhadap X3.
- Jika signifikan < 0,05, variabel X1 berpengaruh
langsung yang signifikan terhadap X3.
c. Kesimpulane
 Berdasarkan tabel di atas, terdapat pengaruh
langsung yang signifikan kemampuan awal terhadap
prestasi belajar matematika. Hal ini dibuktikan
dengan nila thitung = 2,770 dan Sig. = 0,010 < 0,05.
 Besarnya pengaruh langsung = (0,454)2 x 100 % =
20,61 %
91
2. Rumusan Kedua
Ho :
H1 :
b. Kaidah Penetapan
c. Kesimpulan
langsung yang signifikan motivasi belajar terhadap
prestasi belajar matematika. Hal ini dibuktikan
dengan nila thitung = 3,171 dan Sig. = 0,004 < 0,05.
26,94 %
92
3. Rumusan Ketiga
Ho :
H1 :
b. Kaidah Penetapan
c. Kesimpulan
langsung yang signifikan kemampuan awal terhadap
motivasi belajar. Hal ini dibuktikan dengan nila
thitung = 15,009 dan Sig. = 0,000 < 0,05.
88,92 %
93
4. Rumusan Keempat
Ho :
H1 :
b. Kaidah Penetapan
- Jika thitung < ttabel, variabel X1 berpengaruh tidak
langsung yang tidak signifikan terhadap X3 melalui
X2.
- Jika thitung > ttabel, variabel X1 berpengaruh tidak
langsung yang signifikan terhadap X3 melalui X2.
c. Kesimpulan
 Berdasarkan tabel di atas, terdapat pengaruh tidak
langsung yang signifikan variabel kemampuan awal
terhadap prestasi belajar matematika melalui
variabel motivasi belajar. Hal ini dibuktikan dengan
nila thitung = 4,487 > ttab = 1,703.
 Besarnya pengaruh tidak langsung = (0,5564)2 x 100
% = 30,96 %
94
5. Pengaruh Total
a. Pengaruh total adalah jumlah antara pengaruh langsung
dan pengaruh tidak langsung, yaitu pengaruh total
variabel X2 terhadap Y = P31 + (P21)(P32) = 0,454 +
(0,943)(0,519) = 0,454 + 0,4894 = 0,9434.
b. Besarnya pengaruh total = (0,9434)2 x 100 % = 88,92 %
95
Pengolahan Data dengan Syntax
Langkah 1:
 File → New → Syntax → Klik
Tampilan
96
Langkah 2:
 Ketik di kolom syntax seperti di bawah
UJI HIPOTESIS
CORRELATIONS
/VARIABLES=X1 X2 X3
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT ZX2
/METHOD=ENTER ZX1.
REGRESSION
/MISSING LISTWISE
/NOORIGIN
/DEPENDENT ZX3
/METHOD=ENTER ZX1 ZX2.
97
DESKRIPSI DATA
MODE
/HISTOGRAM NORMAL
/ORDER=ANALYSIS.
MODE
/HISTOGRAM NORMAL
/ORDER=ANALYSIS.
MODE
/HISTOGRAM NORMAL
/ORDER=ANALYSIS.
UJI NORMALITAS DATA
NPAR TESTS
/K-S(NORMAL)=X1 X2 X3
/MISSING ANALYSIS.
UJI LINEARITAS
MEANS TABLES=Y BY X1 X2
UJI LINEARITAS
MEANS TABLES=X2 BY X1
98
UJI MULTIKOLENIARITAS DAN HETEROSKEDASTSITAS
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL CHANGE
ZPP
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS HISTOGRAM(ZRESID) NORMPROB(ZRESID)
/SAVE RESID.
UJI NORMALITAS GALAT
NPAR TESTS
/K-S(NORMAL)=RES_1
/MISSING ANALYSIS.
Tampilan
99
Langkah 3:
 Blok data dalam kolom syntax tersebut → Klik tanda ►
100
Soal Latihan:
1. Data penelitian tentang Insentif (X1) dan Motivasi Kerja (X2)
dengan Kinerja Karyawan (X3) disajikan dalam tabel berikut:
X1 X2 X3
6 7 6
5 4 6
9 9 7
4 6 6
10 10 7
11 9 6
4 3 5
Pertanyaan:
a. Gambarkan diagram jalur yang menghubungkan X1, X2,
dan X3!
b. Carilan koefisien jalur (P21), (P31), dan (P32) !
c. Lakukan pengujian signifikansi koefisien jalur (uji-t) serta
berikan kesimpulan pengaruh langsung, tidak langsung, dan
pengaruh total variabel tersebut !
101
2. Data penelitian tentang Efikasi Diri (X1) dan Kemandirian
Belajar (X2) dengan Prestasi Belajar IPA (X3) disajikan dalam
tabel berikut:
No X1 X2 X3 No X1 X2 X3
1 118 113 73 46 107 113 63
2 107 118 77 47 127 128 93
3 102 123 83 48 113 118 73
4 120 128 93 49 122 123 77
5 120 113 87 50 129 123 83
6 113 103 73 51 116 113 87
7 136 133 87 52 131 128 87
8 129 123 93 53 100 113 67
9 123 123 83 54 107 103 77
10 136 128 93 55 132 128 87
11 123 123 87 56 129 123 87
12 132 133 93 57 118 118 73
13 129 118 97 58 109 118 83
14 116 118 93 59 120 128 87
15 123 123 77 60 120 113 87
16 111 113 77 61 113 98 77
17 120 118 93 62 129 120 93
18 127 113 87 63 111 118 73
19 120 118 93 64 118 123 83
20 113 123 87 65 107 128 93
21 129 113 83 66 102 133 73
22 111 108 83 67 120 133 97
23 118 133 87 68 120 118 93
24 107 128 83 69 113 128 83
25 102 113 83 70 123 123 77
26 120 103 73 71 111 113 77
27 120 133 83 72 120 113 73
28 113 118 73 73 127 123 87
29 136 123 77 74 129 103 93
102
No X1 X2 X3 No X1 X2 X3
30 129 128 73 75 111 103 83
31 123 133 83 76 118 118 73
32 123 133 97 77 107 118 77
33 122 118 77 78 102 113 63
34 113 118 83 79 129 123 87
35 116 118 73 80 118 118 73
36 129 123 77 81 109 128 83
37 122 113 83 82 120 122 93
38 107 118 73 83 120 113 87
39 118 113 77 84 127 128 93
40 116 128 83 85 102 133 73
41 111 113 83 86 120 133 97
42 125 118 77 87 120 118 93
43 131 123 93 88 113 128 83
44 116 103 83 89 123 123 77
45 122 118 83 90 111 113 77
Pertanyaan:
1. Gambarkan diagram jalur yang menghubungkan X1, X2,
dan X3!
2. Carilan koefisien jalur (P21), (P31), dan (P32) !
3. Lakukan pengujian signifikansi koefisien jalur (uji-t) serta
berikan kesimpulan pengaruh langsung, tidak langsung, dan
pengaruh total variabel tersebut !
103
DAFTAR BACAAN
Kadir, Statistik Terapan; Konsep, Contoh dan Analisis Data

dengan Program SPSS/Lisrel dalam Penbelitian,
Jakarta: PT. Raja Grafinco Persada, 2016.
Safari, Analisis Data dengan Program Komputer, Jakarta,

Universitas Negeri Jakarta, 2017.
Suparman I.A., Aplikasi Komputer dalam Penyusunan Karya

Ilmiah, Pustaka Mandiri: 2014.
Supardi, Apalikasi Statistika dalam Penelitian, Jakarta: Penerbit

Ufuk Press, 2012.

Deepublish, 2015.
104

APLIKASI KOMPUTER Edisi 1 (Materi UTS)

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

APLIKASI KOMPUTER Edisi 1 (Materi UTS)

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Tuntunan Praktis Pengolahan Data Penelitian Kuantitatif dengan Bantuan SPSS

Segala puji kami panjatkan ke hadirat Allah SWT yang

Jakarta, Agustus 2019

BAB I : Data Penelitian Survey dengan .................. 7

BAB II : Analisis Data Penelitian Analisis Jalur …. 71

Langkah 4: Kembali ke Data View

Tampilan dalam SPSS

1. Out put data dalam bentuk Microsof Word

Tampilan out put

Out put → klik Charts

1. Out put distribusi data

Output Uji Persyaratan Analisis Data

Output Uji Normalitas Data

One-Sample Kolmogorov-Smirnov Test

5. Uji Persyaratan Analisis Data (Lanjutan.....)

One-Sample Kolmogorov-Smirnov Test

Output Uji Linieritas Regresi

1. Uji Normalitas Data

One-Sample Kolmogorov-Smirnov Test

One-Sample Kolmogorov-Smirnov Test

2. Koefisien Determinasi (Kontribusi)

3. Persamaan Garis Regresi Ganda

1. Dari data berikut:13

a. Tentukan persamaan regresi ganda Y atas X1 dan X2 !

UJI MULTIKOLENIARITAS DAN HETEROSKEDASTSITAS

UJI NORMALITAS GALAT

Langkah 4: Kembali ke Data View

Tampilan dalam SPSS

1. Output Uji Korelasi

 Nilai korelasi X1 dengan X3 = 0,943 berarti sangat kuat

Langkah 8: Uji Analisis Jalur X1 terhadap X2

1. Tabel Uji Korelasi

2. Tabel Uji Analisi Jalur

r12 = 0,943 (p21 = 0,943) X3

r23 = 0,947 (p32 = 0,519)

Gambar: Ringkasan Uji Korelasi dan Uji Analisis Jalur

Penjelasan Uji Analisis Jalur:

3. Nilai Pengaruh Tidak Langsung X1 terhadap X3 melalui X2

4. Nilai Pengaruh Total

1. Analisis Jalur X1 terhadap X2

2. Analisis Jalur X1 terhadap X3 dan X2 terhadap X3

UJI NORMALITAS DATA

UJI NORMALITAS GALAT

Kadir, Statistik Terapan; Konsep, Contoh dan Analisis Data

Safari, Analisis Data dengan Program Komputer, Jakarta,

Suparman I.A., Aplikasi Komputer dalam Penyusunan Karya

Supardi, Apalikasi Statistika dalam Penelitian, Jakarta: Penerbit

Suyono, Analisis Regresi Untuk Penelitian, Yogjakarta: Penerbit

Anda mungkin juga menyukai