07/03/2018

Beberapa program aplikasi

komputer populer untuk Statistika:

 SPSS (Statistical Package for Social Science)

 Minitab
 Eviews
ANALISIS KUANTITATIF  Stata
 Statistica
 SAS
 AMOS
Lektion Eins(#1):  Lisrel
Pengenalan SPSS  EQS
 R-Software
 dll
Verfasser bei Usmania Institute

1. Arbucle, James L. (2016), IBM SPSS AMOS 24 User’s

Referensi
1. IBM SPSS Statistics xx Core System
User’s Guide
2. IBM SPSS Advanced Statistics xx
3. Leech, Nancy L., et al. (2005), SPSS for Intermediate
Statistics ‒ Use and Interpretation, Lawrence
Erlbaum Associates Publisher.
4. Verma, J.P. (2013), Data Analysis in Management
with SPSS Software, Springer, New Delhi.
5. Wagner, William E. (2015), Using IBM SPSS Statistics
for Reserach Methods and Social Science Statistics,
5th Edition, SAGE Publications, Inc.
Guide, IBM Corp.
2. Kline, Rex B. (2015), Principles and Practice of
Structural Equation Modeling-(Methodology in the
Social Sciences), The Guilford Press.
3. Schumacker, Randall E. and Lomax, Richard G
(2016), A Beginner’s Guide to Structural Equation
Modeling, Routledge, New York.
4. Usman Dachlan (2014), Panduan Lengkap Structural
Equation Modeling – Tingkat Dasar, Lentera Ilmu.

1
 07/03/2018

SPSS

 Window utama SPSS:

– Data Editor: untuk entri dan olah data
– Statistics Viewer (Output): untuk menampilkan
hasil analisis
Fitur-Fitur Utama SPSS

SPSS: Data Editor SPSS: Statistics Viewer

DATA VIEW:
Untuk Entri Data

VARIABLE VIEW:
Untuk Mendefinsikan
Variabel Output Hasil Analisis

2
 07/03/2018

Variabel, Observasi, Value Menu Utama

 Analyze: menu semua perintah untuk olah

Variabel
dan analisis data
 Transform: menu untuk mengubah nilai data
1 observasi/
case
menjadi nilai lain yang ditentukan.
 Graph: menu perintah untuk membuat
bagan/grafik
Value/  Data: menu untuk memberi perlakukan pada
nilai
observasi/case

Tahapan Analisis dengan

SPSS
Siapkan Data:
 Definisikan variabel
 Entri Data
 Transformasi Data (bila perlu)
 Simpan sebagai file data (*.sav)
Menyiapkan File Data
Lihat Hasil di
Jalankan Perintah Analisis: Output Window
 Pilih menu teknik analisis
 Tetapkan spesifikasi analisis
 Eksekusi (OK)

Interpretasi Hasil Analisis

3
 07/03/2018

Data Mentah Mendefinisikan Variabel

 Variabel didefinisikan melalui Tab Variable View di Data
Editor
JENIS TINGKAT GOL TINGGI
NAMA USIA  Definisi dilakukan dengan memberi nama variabel,
KELAMIN PENDDKN DARAH BADAN menentukan tipenya, dan lain-lain sebagai berikut :
Jimmy Laki-laki 33 Tinggi B 165,1 ↘ Name: nama variabel
 Nama Variabel harus singkat dan tidak boleh mengandung karakter
Robert Laki-laki 30 Tinggi AB 173,4 khusus, seperti: spasi, ?, *, /, %, $, &, dan lain-lain
↘ Type: tipe variabel [utama: numeric; string]
Luwinsky Perempuan 27 Menengah O 162,9 ↘ Width: lebar digit (berhubungan dengan konsumsi memori)
Pattrick Laki-laki 26 Tinggi A 167,0 ↘ Decimals: jumlah digit dibelakang koma
↘ Label: label variabel untuk memperjelas nama variabel
Monica Perempuan 23 Menengah AB 170,2 ↘ Values: label value (untuk data nonmetrik)
Nem Perempuan 20 Dasar O 152,8 ↘ Missing: nilai untuk missing value.
↘ Column: lebar kolom (untuk tampilan di monitor)
↘ Align: perataan [kiri, tengah, kanan]
Data mentah ini akan dientri di SPSS, dan disimpan sebagai
↘ Measure: skala pengukuran [n, o, metrik/scale]
file data

Menyisipkan: Variabel &

Membuat File Data
Observasi
1. Sisipkan variabel “Berat Badan” di antara variabel
1. Melalui Tab Varibel View, buat definisi variabel
“Golongan Darah” dan “Tinggi Badan”, dan entri
untuk 6 variabel yang terdapat di data mentah (slide
datanya sebagaimana tabel berikut: BERAT
11): Nama, Jenis Kelamin, Usia, Tingkat Pendidikan,
2. Sisipkan sebuah case/observasi, BADAN
Golongan Darah, dan Tinggi Badan.
yaitu data diri Anda sendiri pada 65,12
2. Melalui Tab Data View, entrikan datanya.
observasi ke-3. 73,33
3. Simpan dengan nama file: buatdata_nama_nim.sav.
3. Jangan lupa untuk menyimpan 68,26
nama: nama singkat kembali file data Anda.
59,50
nim: 4 digit terakhir NIM.
70,24
44,38

4
 07/03/2018

Menghapus: Variabel &

Observasi
1. Melalui Tab Variabel View, hapus 1 buah
sembarang variabel. [klik kanan pada nomor
variabel, pilih Clear]
2. Batalkan penghapusan dengan Undo.
3. Melalui Tab Data View, hapus 1 buah Menjalankan
sembarang variabel. [klik kanan pada heading Perintah Analisis
kolom, pilih Clear]
4. Batalkan penghapusan dengan Undo.
5. Hapus case data Anda (observasi ke-3). [klik
kanan pada nomor observasi, pilih Clear]
6. Jangan lupa untuk menyimpan kembali file data
Anda.

Modeling: Menentukan
Memilih Teknik Analisis Spesifikasi Analisis
 Akan dihitung koefisien korelasi pearson, antara
variabel Berat Badan dan Tinggi Badan. Pilih menu: 1. Klik variabel “Berat Badan”
2. Tekan dan tahan tombol Ctrl pada keyboard, dan klik
Analyze |Correlate | Bivariate...
variabel “Tinggi Badan”
[kedua variabel menjadi terpilih]
3. Klik tanda panah untuk memindahkan keduanya ke kotak
Variables.
4. Pastikan kotak periksa
Pearson (dalam kotak
Correlation Coefficient)
dalam keadaan terpilih.
5. Klik OK. [eksekusi analisis]

5
 07/03/2018

Hasil analisis ditampilkan di Output Window:

Melihat Hasil Analisis &

Membuat Interpretasi

Hasil: Koefisien korelasi pearson Interpretasi: Terdapat hubungan

antara berat badan dan tinggi linier positif yang sangat erat antara
badan adalah sebesar 0,891 berat badan dan tinggi badan

Deskripsi Sederhana

1. Untuk variabel: Jenis Kelamin, Tingkat

Pendidikan, dan Golongan Darah; tampilkan
frekuensi masing-masing kelas.
2. Untuk variabel: Usia, Berat Badan, dan Tinggi
LATIHAN Badan; tampilkan: nilai terendah, nilai tertinggi,
nilai rata-rata, dan simpangan bakunya.
3. Buat grafik/diagram pie yang menjelaskan:
– Persentase laki-laki dan perempuan.
– Persentas kategori-kategori golongan darah