Silabus SPSS
Silabus SPSS
net/publication/297713810
CITATIONS READS
3 34,767
1 author:
SEE PROFILE
All content following this page was uploaded by Satrio Budi Wibowo on 10 March 2016.
FAKULTAS PSIKOLOGI
UNIVERSITAS MUHAMMADIYAH LAMPUNG
i
PRAKATA
Segala puji dan syukur layaknya hanya dipanjatkan pada Allah Ta’ala, yang atas
karunianya sehingga penulis masih diberikan kesempatan untuk dapat menyelesaikan
karya sederhana ini, berjudul “Modul Pelatihan SPSS”.
Modul pelatihan ini disusun dalam waktu yang relatif singkat. Sehingga materi
mengenai langkah-langkah analisis statistik menggunakan SPSS belum semuanya
dibahas. Namun, penulis membahas langkah-langkah analisis yang biasa digunakan
dalam skripsi ilmu sosial, khususnya pada bidang ilmu psikologi. Sehingga, walaupun
cuma sedikit, penulis berharap bahwa sebagian besar tipe analisis statistik yang
digunakan dalam skripsi, telah dibahas dalam modul ini.
Pada modul ini, penulis membahas langkah analisis statistik dengan
menggunakan SPSS seri 15. Dikarenakan antara SPSS 12, 14, 15, 16 atau 17 tidak
terdapat perbedaan yang terlalu jauh dalam tampilan icon dan menunya, maka langkah-
langkah ini pun juga dapat diaplikasikan dengan menggunakan program SPSS seri 12,
14, 16 atau 17.
Tujuan dari modul ini adalah, diharapkan ketika anda membaca modul ini, maka
dengan hanya membaca saja (disertai latihan tentunya), anda sudah dapat melakukan
analisis statistik menggunakan SPSS dengan benar. Terkait dengan tujuan tersebut,
maka dalam modul ini penulis hanya menitik beratkan pada penjelasan mengenai
langkah-langkah analisis dan cara membaca hasil analisis SPSS. Modul ini tidak
membahas secara detail arti, pemahaman atau bahkan filosofis dari tiap teknik analisis
yang digunakan.
Penulis juga memohon maaf sebesar-besarnya, dikarenakan dalam modul ini
tidak dijelaskan satupun mengenai langkah analisis SPSS untuk tipe penelitian
eksperimen. Penulis beralasan, bahwa dikarenakan model penelitian eksperimen
memiliki variasi model dan analisis yang lumayan banyak, serta terdapat beberapa
model yang menggunakan teknik analisis sama dengan beberpa tipe penelitian
kuantitaif non-eksperimen, maka akan lebih layak jika penjelasan mengenai analisis
SPSS pada tipe eksperimen disendirikan.
Terakhir, penulis mengucapkan terima kasih yang sebanyak-banyaknya kepada:
1. Pihak Dikti atas Hibah yang diberikan, sehingga penulis berkesempatan untuk
menulis modul ini.
2. Bapak Rektor Universitas Muhammadiyah Lampung, yang telah memberikan
kesempatan bagi penulis.
3. Bapak Nur Salim Malay., M.Si., Selaku Dekan Fakultas Psikologi Universitas
Muhammadiyah Lampung, yang telah memberikan arahan dan masukan terhadap
kerangka isi modul, sehingga mempermudah penulis untuk menentukan tipe
analisis yang di bahas.
4. Ibu Supriyati., M.Si., Bapak Joko Triyantoro, S.Psi., serta rekan-rekan Dosen
Fakultas Psikologi di Universitas Muhammadiyah Lampung yang turut memberikan
masukan dan arahan untuk menyempurnakan tulisan ini.
5. Pemateri dan para peserta workshop pembuatan modul hibah kompetensi yang
telah memberikan gambaran yang jelas tentang kerangka isi modul serta langkah-
langkah pembuatan modul.
Penulis juga mengucapkan terima kasih sebanyak-banyaknya bagi semua pihak
yang telah memberikan kesempatan, motivasi, serta bantuan yang tidak sempat
penulis sebutkan.
Penulis
DAFTAR ISI
Halaman
Regresi............ .............................................................................. 34
Bab 1
PENDAHULUAN
Bab 2
MEMULAI SPSS
multivariate atau baik parametrik maupun analisis non-parametrik pada tampilan di klik.
Intinya, semua model analisis statistik yang utama ada dalam menu ini.
Setelah kita memasukan data dan kemudian menganalisanya maka kita akan
mendapatkan hasil analisis yang ditampilkan pada menu Output Viewer. Tampilan
output inilah yang dijadikan dasar dalam menentukan hasil analisis yang telah kita
lakukan.
Sebagaimana hasil analisis, grafik yang ditampilkan oleh SPSS hasilnya juga dapat kita
lihat pada Output Viewer. Berikut grafik histogram yang ditampilkan oleh SPSS.
Menu Lainnya
Selain menu analisis dan menu grafik, masih banyak menu lain yang terdapat
dalam SPSS yang memiliki fungsi masing-masing. Secara singkat kegunaan menu-
menu tersebut dapat di uraikan sebagai berikut.
1. File, Fungsi menu ini hampir sama dengan fungsi menu file pada program MS word
2003, dimana pada menu ini terdapat beberapa perintah penting yang biasa
digunakan, diantaranya adalah perintah untuk menyimpan (save), membuka data
(open) atau mengeprint dokumen (print). Berikut tampilan menu file pada SPSS.
2. Edit, Isi pada menu ini juga hampir sama dengan isi menu edit pada program MS
word yang berisi beberapa perintah, diantaranya adalah perintah undo, paste redo,
dan lainnya. Berikut tampilan menu edit;
3. View, Sama seperti menu file dan edit yang memiliki kesamaan dengan ms word,
menu view juga memiliki isi yang hampir sama dengan ms word. Beberapa fungsi
yang terdapat pada menu ini antara lain, perintah untuk menampilkan toolbar,
menampilkan garis pada data editor atau memilih besaran dan jenis huruf yang
akan kita gunakan. Berikut isi tampilan menu view pada SPSS.
4. Data. Menu ini berisi berbagai macam fungsi yang dapat digunakan untuk
mengecek data, mengubah cara menyajikan data (horisontal atau vertikal),
mengurutkan data, menimbang data dan berbagai fungsi lain yang berkaitan
dengan fungsi untuk mengferivikasi data. Berikut tampilan menu data.
5. Transform. Menu ini berisi berbagai macam fungsi untuk mentransformasi data
menjadi jenis data yang berbeda. Misalnya mentransformasi skor interval atau rasio
menjadi beberapa kategori, merubah skor menjadi bilangan logaritma, dan lain
sebagainya. Berikut isi tampilan menu transform.
6. Help. Menu ini berisi tentang berbagai macam informasi bantuan bagi pengguna. Di
dalam help terdapat berbagaimacam informasi penting yang dapat memudahkan
pengguna dalam menganalisa data maupun dalam memahami output yang
dihasilkan SPSS. Dalam menu help juga terdapat penjelasan berbagai macam
rumus komputasi dari berbagai analisis statistik yang digunakan oleh SPSS, serta
beberapa contoh kasus dalam menganalisa data. Berikut tampilan menu help pada
SPSS.
Demikianlah beberapa menu yang ada dalam SPSS. Kita akan dapat memahami
masing-masing fungsi yang terdapat dalam menu jika kita sering dan berani mencoba-
coba untuk mengklik dan mengfusikan menu-menu tersebut. Jangan takut untuk
mencoba-coba, karena mengklik berbagai menu pada SPSS secara sembarangan tidak
akan merusak komputer anda. Semakin sering dan terbiasa kita menggunakan SPSS,
maka kita akan semakin hafal dan memahami masing-masing fungsi menu yang
terdapat dalam program SPSS.
Bab 3
DESKRIPSI DATA
Pada penelitian kuantitatif selain kita menguji hipotesis, biasanya kita juga harus
mengeksplorasi atau mendeskrpsikan data yang kita peroleh. Mendeskripsikan data,
dalam SPSS biasa disebut sebagai Exploratory Data Analysis (EDA). Menu untuk
mengeksplorasi atau mendeskripsikan data (untuk selanjutnya kita namakan deskripsi
data) hampir terdapat pada tiap program analisa data, begitupula pada SPSS. Dengan
mendeskripsikan data maka kita akan mendapatkan informasi penting mengenai data
kita. Contohnya jika kita mengukur tinggi badan mahasiswa Psikologi UML. Biasanya
ada tiga hal penting yang ingin perlu diketahui ;
1. Nilai umum yang mewakili skor yang didapatkan oleh kelompok yang diukur,
misal, nilai rata-rata dari tinggi badan mahasiswa Psikologi UML.
2. Penyebaran atau variasi tinggi badan pada mahasiswa UML, yang
merupakan variasi skor tinggi badan masing-masing mahasiswa yang
terdeviasi (menyimpang) dari nilai rerata kelompoknya.
3. Bentuk distribusi skor, misalnya apakah distribusi skor tinggi badan
mahasiswa UML mengikuti kurva normal atau tidak.
Deskripsi data dalam SPSS biasanya dilaporkan bersamaan dengan output hasil
analisis inferensial. Namun sebagaimana disebutkan sebelumnya menu untuk
menampilkan deskripsi data juga terdapat pada menu tersendiri di SPSS.
Contoh misalnya, anggap saja kita telah mengukur tinggi badan 10 mahasiswa
UML. Skor tinggi badan hasil pengukuran yang didapatkan adalah sebagai berikut ;
Nama Tinggi Badan
Adi 160 cm
Lina 150 cm
Joko 165 cm
Arif 170 cm
Ayu 147 cm
Bayu 170 cm
Andi 180 cm
Susi 158 cm
Inem 154 cm
Siti 152 cm
Kemudian isikan nama pada tiap kolom, misalnya pada kolom 1, kita namakan nama,
lalu pada kolom kedua kita namakan tinggi.
Setelah kita namakan, tentukan juga jenis data yang akan kita gunakan. Misal pada
kolom nama, jenis datanya bukan angka, maka kita pilih string, sedangkan pada kolom
tinggi karena skornya berupa angka maka kita pilih tipe numeric. Berikut contoh
pemilihan tersebut.
Untuk kolom tinggi, karena datanya berupa angka, maka kita pilih numeric
Setelah dirubah, maka tampilan data view akan berubah menjadi seperti ini ;
Bila sudah berubah, maka kolom pada SPSS sudah siap diisi data. Anda bisa
mengetiknya satu-persatu pada tiap kolom, atau anda juga dapat langsung mengcopy-
pastekan-nya jika data anda sudah terdapat pada tabel MS word atau MS Exel. Berikut
tampilan setelah diiskan data ;
Setelah data terisi, maka kita sudah siap untuk melakukan langkah selanjutnya yaitu
mendeskripsikan data. Berikut langkah untuk mendeskripsikan data ;
Klik menu berikut ;
Pindahkan variabel tinggi dari kolom sebelah kiri ke kanan dengan cara membloknya
terlebih dahulu dengan mengklik, kemudian klik tanda panah. Setelah terpindah, klik
menu Options maka akan muncul tampilan sebagai berikut ;
Pilih menu Mean untuk menampilkan rata-rata. Std. deviation untuk menampilkan
penyimpangan baku. Variance untuk menampilkan skor variasi kelompok subyek.
Minimum untuk menampilkan skor terendah yang didapatkan subyek. Maximum untuk
menampilkan skor tertinggi yang didapatkan subyek. Kemudian klik continue lalu klik ok
pada kotak berikutnya. Maka kita akan mendapatkan hasil output sebagai berikut:
Descriptive Statistics
Std.
N Minimum Maximum Mean Deviation Variance
Tinggi 10 147 180 160.60 10.511 110.489
Valid N (listwise) 10
Pada tampilan output di atas kita dapat mengetahui, bahwa jumlah subyek kita (N)
adalah 10 orang. Tinggi badan paling rendah (Minimum) diantara ke-10 subyek yang
kita ukur adalah 147, sedangkan tinggi badan yang paling tinggi (Maximum) adalah
180. Rata-rata (Mean) tinggi badan dari 10 orang yang kita ukur adalah 160,6.
Penyimpangan baku (Std. Deviation) 10 subyek yang kita ukur adalah 10,511. Serta
variasi skor (Variance) ke-10 subyek sebesar 110,489.
Demikianlah cara menyajikan deskripsi data menggunakan SPSS. Hasil
deskripsi data ini dapat digunakan oleh peneliti untuk berbagai keperluan. Pada skripsi
mahasiswa Psikologi misalnya, skor mean dapat digunakan untuk melihat apakah
kelompok yang diteliti memiliki skor lebih tinggi atau rendah dibandingkan kelompok
populasinya dengan cara membandingkannya dengan skor mean hipotetik.
Bab 4
HUBUNGAN
Langkah selanjutnya adalah memasukkan data tersebut ke dalam data editor di SPSS.
Langkah-langkahnya telah dijelaskan pada bab sebelumnya (lihat bab 3). Sehingga
didapatkan tampilan sebagai berikut ;
Selanjutnya pindahkan kedua variabel yang akan di uji normalitas ke kolom di sebelah
kanan (Test Variable List), dengan memblock kedua variabel, kemudian mengklik tanda
panah. Selanjutnya pada Test distribution centang pada kolom normal, lalu kemudian
klik ok, sebagaimana tampilan berikut :
Setelah di klik OK, maka akan tampil hasil pengujian normalitas dengan menggunakan
teknik Kologorov-Smirnov. Berikut tampilan hasil uji Kologorov-Smirnov ;
Kepercay
aan_Diri Mencontek
N 10 10
Normal Parametersa,b Mean 23.60 33.50
Std. Deviation 2.366 3.240
Most Extreme Absolute .133 .178
Differences Positive .133 .178
Negative -.100 -.082
Kolmogorov-Smirnov Z .420 .564
Asymp. Sig. (2-tailed) .994 .908
a. Test distribution is Normal.
b. Calculated from data.
Untuk menentukan apakah sebaran skor pada kedua variabel yang kita uji normal.
Maka perlu dilihat nilai p (Asymp. Sig) dari masing-masing variabel. Jika nilai p lebih
besar dari 0.05 (p>0.05) maka sebaran data dianggap normal, sebaliknya jika nilai p
lebih kecil dari 0,05 (p<0.05) maka sebaran data dianggap tidak normal. Hasil pengujian
menunjukan nilai p pada variabel kepercayaan diri adalah 0,994 sedangkan pada
variabel mencontek didapatkan nilai p sebesar 0,908. Dengan demikian maka dapat
disimpulkan bahwa sebaran skor pada kedua variabel terdistribusi mengikuti kurva
normal.
Contoh pelaporan hasil uji normalitas pada penelitian bila mengikuti manual APA
adalah sebagai berikut ;
harus ditempati oleh variabel bebas dalam penelitian kita, permisalan dalam penelitian
ini adalah variabel kepercayaan diri. Maka pindahkan variabel mencontek pada kotak
pertama, dan pindahkan variabel kepercayaan diri pada kotak kedua. Selanjutnya klik
Options.
Setelah menu Options di Klik maka akan muncul tampilan berikut ini ;
Selanjutnya beri tanda centang pada kolom test for linierity di bawah Statistic for First
Layer sebagaimana contoh gambar di atas. Kemudian klik continue. Anda akan dibawa
kembali pada tampilan kotak berikut ini ;
Lalu klik OK. Maka SPSS akan menampilkan hasil sebagai berikut ;
Dari sekian banyak tabel, untuk menentukan linieritas hanya perlu melihat satu tabel
saja yaitu tabel; ANOVA Table. Di atas tabel tersebut diberi tanda dilingkari. Maka
ANOVA Table tersebut secara lebih jelas dapat dilihat pada gambar berikut ;
ANOVA Table
Sum of
Squares df Mean Square F Sig.
Mencontek * Between (Combined) 94.000 7 13.429 53.714 .018
Kepercayaan_Diri Groups Linearity 91.746 1 91.746 366.984 .003
Deviation from Linearity 2.254 6 .376 1.503 .452
Within Groups .500 2 .250
Total 94.500 9
Untuk menentukan apakah sebaran skor antara kedua variabel yang kita uji
linier. Maka perlu dilihat nilai p (Sig) nya. Ada dua nilai p yang dapat dijadikan acuan,
pertama p linearity (kotak merah), kedua p deviation from linearity (kotak hijau).
Untuk acuan pertama p linearity, jika nilai p lebih besar dari 0.05 (p>0.05) maka
sebaran data dianggap tidak linier, sebaliknya jika nilai p lebih kecil dari 0,05 (p<0.05)
maka sebaran data dianggap linier.
Untuk acuan kedua p deviation from linearity, jika nilai p lebih besar dari 0.05
(p>0.05) maka sebaran data dianggap linier, sebaliknya jika nilai p lebih kecil dari 0,05
(p<0.05) maka sebaran data dianggap tidak linier.
Hasil pengujian jika kita melihat nilai p liniearity nya didapatkan p sebesar 0,003.
Karena p lebih kecil dari 0,05 maka dapat disimpulkan bahwa sebaran skor antara
variabel mencontek dengan kepercayaan diri adalah linier. Contoh penyajian dalam
paper penelitian adalah sebagai berikut ;
“Hasil pengujian linieritas pada kedua variabel menunjukkan hubungan yang linier
antara kepercayaan diri dengan mencontek (F liniearity = 366,98, p<0,05)”
Jika kita berpatokan pada nilai p deviation from linearity maka nilai p yang
didapatkan sebesar 0,452. Karena p lebih besar dari 0,05 maka dapat disimpulkan
bahwa sebaran skor antara variabel mencontek dengan kepercayaan diri adalah linier.
Contoh penyajian dalam paper penelitian adalah sebagai berikut ;
“Hasil pengujian linieritas pada kedua variabel menunjukkan hubungan yang linier
antara kepercayaan diri dengan mencontek (F Deviation from liniearity = 1,053, p>0,05)”
Hasil analisis paad contoh penelitian yang kita lakukan menunjukkan bahwa baik
menggunakan acuan p liniearity maupun menggunakan acuan p deviation from liniearity
tetap akan didapatkan kesimpulan yang sama bahwa data kita adalah linier. Maka jika p
liniearity dan p deviation from liniearity sama-sama signifikan linier, berarti data kita
terdistribusi secara linier sempurna. Namun jika hanya satu acuan saja yang signifikan,
menunjukkan data kita linier namun tidak sempurna. Berdaasar referensi yang dibaca
penulis, untuk pengujian asumsi linieritas, tidak diperlukan data linier yang sempurna,
cukup menunjukkan linier saja. Sehingga bila hanya satu acuan saja yang menunjukkan
bahwa data kita sudah linier maka itu pun sudah cukup menunjukkan bahwa kita tidak
melanggar asumsi linieritas.
Lalu pindahkan kedua variabel di kotak kiri ke kotak kanan, beri tanda centang pada
kolom pearson di bawah Correlation Coefficients. Pada kolom Test of Significance
terdapat dua pilihan: Two-tailed dan One-tailed. Pilih two-tailed jika hipotesis penelitian
anda dua ekor (Kepercayaan diri berhubungan dengan kecenderungan mencontek).
Pilih one-tailed jika hipotesis penelitian anda satu ekor (Kepercayaan diri berhubungan
negatif dengan kecenderungan mencontek). Contohnya sebagai berikut;
Kemudian klik OK. Maka kita akan mendapatkan hasil sebagai berikut :
Correlations
Kepercay
aan_Diri Mencontek
Kepercayaan_Diri Pearson Correlation 1 .985**
Sig. (1-tailed) .000
N 10 10
Mencontek Pearson Correlation .985** 1
Sig. (1-tailed) .000
N 10 10
**. Correlation is significant at the 0.01 level (1-tailed).
Yang perlu dilihat untuk menentukan apakah terjadi hubungan yang signifikan antara
kepercayaan diri dengan mencontek adalah nilai r (pearson correlation) dan p (sig).
Terjadi hubungan yang sangat signifikan jika p lebih kecil dari 0,01, jika p lebih kecil dari
0,05 maka hubungannya signifikan saja. Namun apabila lebih besar dari 0,05 maka
tidak terdapat hubungan yang signifikan. Untuk lebih mudahnya lihat tabel berikut :
Taraf Pengujian Signifikansi
p<0,01 Sangat Signifikan
p<0,05 Signifikan
p>0,05 Tidak Signifikan.
Taraf signifikansi ini tidak hanya berlaku untuk uji korelasi saja, namun juga berlaku
pada tiap teknik analisis pengujian hipotesis yang lain. Oleh sebab itu, kaidah ini
penting untuk dihafal.
Selanjutnya, dari output di atas terlihat bahwa nilai r = 0,985 dengan p = 0.000,
karena nilai p lebih kecil dari 0,01 dan nilai r positif, maka dapat disimpulkan terdapat
hubungan positif yang signifikan antara kepercayaan diri dengan mencontek. Kita
juga dapat mengetahui besarnya koefisien determinasi (sumbangan efektif) variabel
kepercayaan diri terhadap kecenderungan mencontek dengan cara mengkuadratkan
nilai r menjadi r2 lalu mengkalikannya dengan 100 sehingga didapatkan nilai koefisien
determinan 0,9852 x 100 = 97,1%.
Contoh pelaporan dalam paper penelitian sebagai berikut:
“Berdasar hasil analisis disimpulakan bahwa terdapat hubungan positif yang sangat
signifikan antara kepercayaan diri dengan mencontek (r = 0,985, p<0,01, dan r2=0,971)”
Perhatikan, jika nilai r pada hasil uji korelasi bernilai positif (misal r = 0,985) dan
p –nya signifikan maka disimpulkan ada hubungan positif antara kedua variabel. Namun
jika nilai r pada hasil uji korelasi bernilai negatif (misal r = -0,985) dan p –nya signifikan
maka disimpulkan ada hubungan negative antara kedua variabel.
© Satrio Budi, MA., Psikologi Universitas Muhammadiyah Lampung 27
Modul SPSS
Hasil analisis pada contoh penelitian di atas walaupun signifikan ternyata kedua
variabel berkorelasi positif. Jika hipotesis yang diajukan adalah “Terdapat hubungan
negatif antara kepercayaan diri dengan kecenderungan mencontek” ,dengan hasil
analisis seperti atas, maka disimpulkan hipotesis yang kita ajukan tertolak. Karena,
pada hipotesis hubungan yang diharapkan adalah negatif, namun ternyata hasil analisis
menunjukkan hubungan yang positif.
KORELASI PARSIAL
Hasil contoh penelitian di atas menunjukkan bahwa ternyata kepercayaan diri r
positif dengan kecenderungan mencotek. Padahal secara rasional seharusnya
mahasiswa yang memiliki kepercayaan diri akan merasa lebih mampu mengerjakan
ujian sehingga tidak perlu mencontek (Hanya contoh). Mungkin saja ada variabel
sekunder yang mencampuri hubungan antara kepercayaan diri dengan kecenderungan
mencontek, misalnya variabel prestasi belajar. Bisa jadi siswa yang terlalu percaya diri
tidak belajar saat ujian sehingga mendapatkan hasil ujian yang jelek, karna hasil
ujiannya yang jelek maka pada ujian berikutnya dia mencontek (Hanya contoh).
Dokarenakan terdapat kemungkinan demikian, serta didukung dengan berbagai teori,
misalnya. Maka kita jadikan varibel sekunder yaitu hasil ujian menjadi variabel bebas
kedua sebagai kontrol hubungan antara kepercayaan diri. Dengan demikian hipotesis
penelitian dapat berubah menjadi “Terdapat hubungan negative antara kepercayaan diri
dengan kecenderung mencontek ketika hasil ujian masa lalu dikontrol”
Dengan menambahkan data mengenai hasil ujian pada masa lalu, maka variabel
penelitian kita bertambah satu. Berikut contoh tambahan data yang didapatkan ;
Nama Kepercayaan diri Kecenderungan Hasil Ujian Masa Lalu
mencontek
Adi 21 30 12
Lina 23 32 14
Joko 22 31 13
Arif 23 32 14
Ayu 20 29 12
Bayu 24 35 15
Andi 25 36 16
Susi 26 37 17
Inem 28 39 18
Siti 24 34 15
Setelah dimasukkan kedalam tabulasi di SPSS maka kita akan mendapatkan tampilan
sebagai berikut ;
Kemudian, setelah memasukkan data. Sebagaimana pada uji korelasi dari pearson,
pada uji korelasi parsial pun kita perlu terlebih dahulu melakukan pengujian asumsi
normalitas dan linieritas. Langkah-langkah pengujian asumsi normalitas dan linieritas
sama seperti penjelasan sebelumnya, sehingga tidak perlu diulangi kembali.
Setelah melakukan uji normalitas dan linieritas maka kemudian kita dapat
langsung melakukan pengujian korelasi. Langkah-langkah dalam uji korelasi parsial
adalah sebagai berikut :
Lalu tekan OK, maka akan keluar tampilan output hasil uji korelasi parsial sebagai
berikut.
Correlations
Kepercay
Control Variables aan_Diri Mencontek
Hasil_Ujian_Lalu Kepercayaan_Diri Correlation 1.000 .303
Significance (1-tailed) . .214
df 0 7
Mencontek Correlation .303 1.000
Significance (1-tailed) .214 .
df 7 0
Sama seperti uji korelasi product moment, kita perlu melihat nilai r (correlation) dan p
(Significance) untuk menentukan apakah terjadi hubungan yang signifikan antara
kepercayaan diri dengan mencontek setelah variabel hasil ujian semester lalu di kontrol.
Dari hasil di atas diketahui bahwa nilai r yang didapatkan sebesar 0,303 serta
nilai p = 0,214. Dikarenakan nilai p lebih besar dibandingkan 0,05 (P>0,05) maka dapat
kita simpulkan bahwa tidak terdapat hubungan yang significant antara kepercayaan diri
dengan perilaku mencontek ketika pengaruh dari variabel hasil ujian masa lalu di
kontrol. Berikut contoh pelaporan hasil pengujian dalam paper penelitian;
“Tidak terdapat hubungan yang significant antara kepercayaan diri dengan perilaku
mencontek ketika pengaruh dari variabel hasil ujian masa lalu di kontrol (r=0,303,
p>0,05)”
Bila tidak terdapat hubungan yang signifikan, maka kita tidak perlu menghitung
besarnya nilai koefisien determinan atau sumbangan relatif. Jika terdapat hubungan
yang signifikan, maka cara menghitung nilai koefisien determinan sama dengan
perhitungan nilai koefisien determinan pada uji korelasi product moment.
REGRESI
Selain korelasi, analisis regresi juga digunakan untuk menguji hubungan antar
variabel. Namun biasanya, analisis regresi digunakan untuk menguji hubungan antar
variabel, dimana jumlah variabel bebas lebih dari satu. Bila untuk pengujian antara dua
variabel (satu variabel bebas dan satu variabel tergantung), maka cukup dengan
menggunakan uji korelasi saja.
Contoh penelitian untuk pengujian regresi misalnya. “Hubungan antara hasil tes
masuk UML dan intelegensi dengan hasil ujian eksperimen pada mahasiswa UML”.
Dari tema penelitian ini, maka kita dapat mengembangkan hipotesis menjadi;
• Hasil tes masuk UML dan Intelegensi secara bersama-sama berhubungan positif
dengan hasil ujian eksperimen
• Hasil tes masuk UML berhubungan positif dengan hasil ujian eksperimen
• Intelegensi berhubungan positif dengan hasil ujian eksperimen
Data yang didapatkan dari subyek penelitian yaitu mahasiswa UML misalnya
sebagai berikut;
Nama Hasil tes masuk IQ Hasil Ujian
UML Eksperimen
Adi 30 110 75
Lina 33 115 80
Joko 35 120 95
Arif 28 109 70
Ayu 29 108 71
Bayu 25 105 68
Andi 39 122 100
Susi 37 120 98
Inem 31 112 92
Siti 31 111 83
Susi 33 110 89
Sule 37 118 94
Lola 37 117 95
Ani 33 115 92
Boy 35 105 78
Sebelum dilakukan uji regresi, terlebih dahulu perlu dilakukan uji asumsi yang
terdiri dari uji normalitas, linieritas dan multikolinieritas 1. Cara untuk menguji normalitas
dan linieritas sama seperti penjelasan sebelumnya. Sedangkan untuk uji
multikolinieritas, pembahasannya masuk ke dalam pembahasan mengenai langkah
analisis regresi.
Selanjutnya untuk analisis regresi maka langkah selajutnya yang kita lakukan
adalah mengklik menu berikut, Analyze Regression Linier :
1
Sebenarnya masih terdapat uji asumsi lain, namun untuk mempermudah dan mempersingkat
pembahasan, maka hanya dijelaskan tiga macam uji asumsi.
Selanjutnya klik tombol Statistics yang berada di bawah. Sehingga akan muncul kotak
berikut ;
Beri tanda centang pada Estimates, Model fit, Descriptives, Part and partial correlations
dan Collinearity diagnostics. Lalu tekan continue, maka kita akan kembali ke kotak awal
(lihat gmbar sebelumnya) kemudian klik OK. Hasil output dari SPSS akan terlihat
sebagai berikut;
Regression
Descriptive Statistics
Std.
Mean Deviation N
Hasil_Ujian_E ksperimen 85.33 10.939 15
Hasil_Tes_Masuk_UML 32.87 3.907 15
IQ 113.13 5.475 15
Correlations
Hasil_Ujian_ Hasil_Tes_
Eksperimen Masuk_UML IQ
Pearson Correlation Hasil_Ujian_E ksperimen 1.000 .855 .860
Hasil_Tes_Masuk_UML .855 1.000 .785
IQ .860 .785 1.000
Sig. (1-tailed) Hasil_Ujian_E ksperimen . .000 .000
Hasil_Tes_Masuk_UML .000 . .000
IQ .000 .000 .
N Hasil_Ujian_E ksperimen 15 15 15
Hasil_Tes_Masuk_UML 15 15 15
IQ 15 15 15
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 IQ, Hasil_
Tes_
. Enter
Masuk_
a
UML
a. All requested variables entered.
b. Dependent Variable: Hasil_Ujian_Eksperimen
Model Summary
Adjusted Std. Error of
Model R R Square R Square the Estimate
1 .908a .824 .795 4.957
a. Predictors: (Constant), IQ, Hasil_Tes_Masuk_UML
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1380.417 2 690.209 28.084 .000a
Residual 294.916 12 24.576
Total 1675.333 14
a. Predictors: (Constant), IQ, Hasil_Tes_Masuk_UML
b. Dependent Variable: Hasil_Ujian_Eksperimen
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) -69.036 32.112 -2.150 .053
Hasil_Tes_Masuk_UML 1.311 .548 .468 2.393 .034 .855 .568 .290 .383 2.611
IQ .984 .391 .492 2.516 .027 .860 .588 .305 .383 2.611
a. Dependent Variable: Hasil_Ujian_Eksperimen
Collinearity Diagnosticsa
Variance Proportions
Condition Hasil_Tes_
Model Dimension Eigenvalue Index (Constant) Masuk_UML IQ
1 1 2.993 1.000 .00 .00 .00
2 .007 20.926 .08 .44 .00
3 .001 75.009 .92 .56 1.00
a. Dependent Variable: Hasil_Ujian_Eksperimen
Hal yang kita lakukan pertama kali adalah menguji asumsi multikolinieritas. Dari ke-7
kotak yang ditampilkan, lihat pada kotak coefficients, berikut ;
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -69.036 32.112 -2.150 .053
Hasil_Tes_Masuk_UML 1.311 .548 .468 2.393 .034 .383 2.611
IQ .984 .391 .492 2.516 .027 .383 2.611
a. Dependent Variable: Hasil_Ujian_Eksperimen
Model Summary
Adjusted Std. Error of
Model R R Square R Square the Estimate
1 .908a .824 .795 4.957
a. Predictors: (Constant), IQ, Hasil_Tes_Masuk_UML
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1380.417 2 690.209 28.084 .000a
Residual 294.916 12 24.576
Total 1675.333 14
a. Predictors: (Constant), IQ, Hasil_Tes_Masuk_UML
b. Dependent Variable: Hasil_Ujian_Eksperimen
Yang dilihat adalah nilai R, F dan p untuk menentukan apakah hubungan antar variabel.
Dari hasil di atas diketahui bahwa nilai R=0,908, F=28,084 dan p=0,000. Dikarenakan
nilai p dibawah 0,01 (p<0,01) maka dapat disimpulkan bahwa hasil tes masuk UML dan
Intelegensi secara bersama-sama berhubungan positif sangat signifikan dengan hasil
ujian eksperimen. Selanjutnya untuk melihat besarnya sumbangan efektif hasil tes
masuk UML dan Intelegensi terhadap hasil ujian eksperimen, lihat nilai R2. Hasil di atas
menunjukkan R2 sebesar 0,824. Maka disimpulkan bahwa hasil tes masuk UML dan
Intelegensi memberikan sumbangan efektif sebesar 82,4% terhadap hasil ujian
eksperimen.
Untuk menjawab hipotesis kedua dan ketiga, maka kita perlu melihat tabel
berikut ;
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations
Model B Std. Error Beta t Sig. Zero-order Partial Part
1 (Constant) -69.036 32.112 -2.150 .053
Hasil_Tes_Masuk_UML 1.311 .548 .468 2.393 .034 .855 .568 .290
IQ .984 .391 .492 2.516 .027 .860 .588 .305
a. Dependent Variable: Hasil_Ujian_Eksperimen
Hipotesis kedua adalah “hasil tes masuk UML berhubungan positif dengan hasil
ujian eksperimen”. Untuk menjawabnya lihat nilai t dan nilai sig-nya. Jika nilai t-nya
negatif mengindikasikan hubungan yang negatif, sebaliknya jika nilai t-nya positif maka
mengindikasikan hubungan yang positif. Sedangkan nilai p dijadikan sebagai acuan
untuk menyimpulkan apakah hubungan antara kedua variabel signifikan atau tidak.
Hasil analisis menunjukkan nilai t = 2.393 dengan p=0,034, dikarenakan p<0,05
dan nilai t-nya positif, maka dapat disimpulkan terdapat hubungan positif yang
signifikan antara hasil tes masuk UML dengan hasil ujian eksperimen. Kemudian untuk
mengetahui berapa besar sumbangan efektif variabel hasil tes masuk UML terhadap
hasil ujian eksperimen, maka kalikan nilai beta di Standardized Coefficients dengan nilai
Zero-Order dalam kolom Correlations. Hasilnya adalah 0.468 x 0.855 = 0.4. Kemudian
dikalikan dengan 100. Sehingga didapatkan sumbangan efektif variabel hasil tes masuk
UML sebesar 40% terhadap hasil ujian eksperimen.
Hipotesis ketiga adalah “Intelegensi berhubungan positif dengan hasil ujian
eksperimen”. Sama seperti penjelasan di atas, untuk menjawabnya kita perlu melihat
nilai t dan nilai sig-nya. Hasil analisis menunjukkan nilai t = 2.516 dengan p=0,027,
dikarenakan p<0,05 dan nilai t-nya positif, maka dapat disimpulkan terdapat hubungan
positif yang signifikan antara intelegensi dengan hasil ujian eksperimen. Kemudian
Bab 5
PERBANDINGAN
Pada bab ini akan dibahas mengenai analisis inferensi untuk menguji
perbandingan. Terdapat bermacam-macam teknik analisis statitik untuk menguji
perbandingan. Ingat, bahwa dalam silabus ini, penulis hanya membahas langkah
analisis untuk teknik analisis parametrik saja, sehingga pengujian perbandingan dengan
teknik analisis non-parametrik tidak dijabarkan di sini.
Pembahasan langkah-langkah analisis uji perbandingan pada bab ini juga
disertai dengan penryataan hipotesis penelitiannya. Hal ini ditujukan agar pembaca
lebih mudah dalam mengaplikasikan sesuai dengan tema penelitian yang digunakan.
Budi (L) 83
Wawan (L) 84
Eko (L) 85
Boy (L) 86
Fitri (P) 95
Lisa (P) 94
Kaka (L) 79
Melani (P) 93
Mita (P) 92
Benny (L) 87
Sugito (L) 88
Wawan (L) 89
Santi (P) 98
Lela (P) 91
Lia (P) 90
Joko (L) 89
Setelah itu, masukan juga identitas jenis kelamin subyek sebagai variabel kelompok.
Caranya sebagai berikut :
Pertama klik variable view.
Pada baris ke-3 beri nama variabel menjadi jenis_kelamin. Selanjutnya klik pada baris
ke-3 di kolom values.
Setelah mengklik kotak ke-3 pada kolom values seperti ditunjukkan pada anak panah
merah di atas, maka akan muncul kotak berikut ini;
Kotak diatas merupakan kotak pemberitahuan anda pada SPSS, mengenai simbol nilai
dari kelompok yang akan anda bandingkan. Pada contoh penelitian kita terdapat dua
kelompok yaitu kelompok laki-laki dan kelompok perempuan. Misalnya kita ingin
memberi simbol kelompok laki-laki dengan angka 1, dan perempuan dengan angka 2.
Maka langkahnya isikan angka 1 pada kolom value, kemudian isikan laki-laki pada
value, lalu klik Add. Contoh langkah tersebut dapat dilihat pada gambar di bawah:
Klik OK. Lalu kita akan kembali ketampilan awal variabel view, klik data view, kemudian
masukan data jenis kelamin sesuai subyeknya, contohnya adi, maka kita beri simbol 1
pada kolom jenis_kelamin. Beri semua simbol jenis kelamin pada seluruh subyek, maka
anda akan mendapatkan tampilan sebagai berikut;
Jika icon yang ditunjuk dengan anak panah merah di klik, maka tampilan akan berubah
sebagaimana berikut ini;
Kemudian pindahkan variabel yang diukur pada kotak Test Variable(s), dalam kasus ini
variabel skor_ujian_masuk_UML. Lalu masukan variabel kelompok ke kotak Grouping
Variable. Maka tampilannya akan seperti ini;
Kemudian blok variabel jenis_kelamin, lalu klik Define Groups… maka akan muncul
kotak berikut;
Kemudian ssikan angka 1 pada group 1, dan angka 2 pada group 2. Setelah dilakukan,
maka artinya anda telah menentukan bahwa simbol 1 yaitu subyek laki-laki berada
pada group 1, dan simbol 2 yaitu subyek perempuan pada group 2.
Kemudian klik Continue, maka kita akan kembali ke kotak awal berikut;
Sekarang klik OK. Kemudian kita akan mendapatkan tampilan output hasil analisis uji t
yang akan terdiri dari tabel Group Statistic dan table bejudul Independent Samples t.
berikut ini;
Sebelum melihat hasil uji t, maka terlebih dahulu kita lihat hasil uji asumsi homogenitas
yang juga terdapat pada tabel Independent Samples Test berikut ini ;
Diketahui nilai F=2,88 dan p=0,600. Lihat nilai p-nya jika nilai p>0.05 maka uji asumsi
homogenitas terpenuhi. Jika uji asumsi homogenitas terpenuhi, nilai t dan p yang
dilaporkan adalah pada baris Equal variances assumed. Namun bila tidak tepenuhi
maka lihat pada baris Equal variances not assumed .
Selanjutnya, untuk menjawab hipotesis “Terdapat perbedaan hasil tes masuk
UML antara peserta laki-laki dengan peserta wanita”, maka pada baris Equal variances
assumed (karena uji homogenitas terpenuhi) lihat pada nilai t dan p (sig) nya,
sebagaimana tabel yang dilingkari berikut;
Maka kita dapat melaporkan bahwa nilai t = -6,53 dan p=0,000. Dikarenakan nilai
p<0.01 maka dapat disimpulkan terdapat perbedaang yang sangat signifikat skor ujian
masuk UML antara laki-laki dan perempuan. Kemudain, tanda negatif pada nilai t
menunjukkan bahwa group 2 memiliki rerata lebih besar dari group 1. Maka dapat
disimpulkan bahwa subyek perempuan memiliki skor ujian masuk UML lebih besar
dibandingkan dengan subyek laki-laki. Selain melihat nilai t, untuk menentukan
kelompok mana yang memiliki skor lebih tinggi kita juga dapat membandingkan rerata
yang didapatkan oleh kedua kelompok.
kemungkinan hipotesis yang akan kita gunakan adalah “Terdapat perbedaan hasil tes
masuk UML ditinjau dari lokasi tempat tinggal peserta”.
Contoh data yang didapatkan sebagai berikut;
Peserta Asal Daerah Skor Tes Masuk UML
Adi Bandar Lampung 80
Susi Lampung Timur 98
Ani Lampung Timur 97
Juleha Lampung Timur 96
Budi Lampung Selatan 83
Wawan Bandar Lampung 84
Eko Bandar Lampung 85
Boy Bandar Lampung 86
Fitri Lampung Timur 95
Lisa Lampung Timur 94
Kaka Lampung Selatan 79
Melani Lampung Selatan 93
Mita Lampung Timur 92
Benny Lampung Selatan 87
Sugito Bandar Lampung 88
Wawan Lampung Timur 89
Santi Lampung Timur 98
Lela Lampung Selatan 91
Lia Lampung Selatan 90
Joko Lampung Timur 89
Langkah selanjutnya memasukkan data ke dalam SPSS. Caranya sama dengan uji t
yang telah di jelaskan sebelumnya. Berikut contoh setelah data dimasukkan ke SPSS;
Bila benar, maka jika di klik icon , tampilan akan berubah sebagaimana gambar
berikut;
Masukkan variabel skor ujian masuk UML ke kotak Dependent List. Jika benar,
tampilannya akan seperti ini;
Pada kotak di atas klik Post Hoc hingga muncul kotak di bawah ini;
Pada kotak di atas beri tanda centang pada sisi LSD dan Scheffe, lalu klik continue,
maka akan muncul kotak berikut ini;
Pada kotak di atas klik Options hingga muncul kotak di bawah ini;
Beri tanda centang pada sisi Descriptive dan Homogeneity of variance test. Kemudian
klik Continue, maka anda akan kembali lagi ke kotak awal. Kemudian klik OK untuk
mendapatkan hasil yang ditampilkan pada output viewer. Hsil analisis akan terdiri dari
beberapa tabel sebagai berikut :
Oneway
Descriptives
Skor_ujian_masuk_UML
95% Confidence Interval for
Std. Mean
N Mean Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
Bandar Lampung 5 84.60 2.966 1.327 80.92 88.28 80 88
Lampung Selatan 6 87.17 5.307 2.167 81.60 92.74 79 93
Lampung Timur 9 94.22 3.528 1.176 91.51 96.93 89 98
Total 20 89.70 5.750 1.286 87.01 92.39 79 98
ANOVA
Skor_ujian_masuk_UML
Sum of
Squares df Mean Square F Sig.
Between Groups 352.611 2 176.306 10.876 .001
Within Groups 275.589 17 16.211
Total 628.200 19
Multiple Comparisons
Dependent Variable: S kor_ujian_masuk_UML
Mean
Difference 95% Confidence Interval
(I) Rumah (J) Rumah (I-J) Std. Error Sig. Lower Bound Upper Bound
Scheffe Bandar Lampung Lampung Selatan -2.567 2.438 .585 -9.10 3.97
Lampung Timur -9.622* 2.246 .002 -15.64 -3.60
Lampung Selatan Bandar Lampung 2.567 2.438 .585 -3.97 9.10
Lampung Timur -7.056* 2.122 .014 -12.74 -1.37
Lampung Timur Bandar Lampung 9.622* 2.246 .002 3.60 15.64
Lampung Selatan 7.056* 2.122 .014 1.37 12.74
LSD Bandar Lampung Lampung Selatan -2.567 2.438 .307 -7.71 2.58
Lampung Timur -9.622* 2.246 .001 -14.36 -4.88
Lampung Selatan Bandar Lampung 2.567 2.438 .307 -2.58 7.71
Lampung Timur -7.056* 2.122 .004 -11.53 -2.58
Lampung Timur Bandar Lampung 9.622* 2.246 .001 4.88 14.36
Lampung Selatan 7.056* 2.122 .004 2.58 11.53
*. The mean difference is significant at the .05 level.
Homogeneous Subsets
Skor_ujian_masuk_UML
Dari sekian banyak tabel tidak semuanya harus kita baca. Untuk mengetahui apakah
hasil uji asumsi homogenitas terpenuhi atau tidak, kita bisa membaca hasil pada tabel
test homogeneity of variances berikut ;
ANOVA
Skor_ujian_masuk_UML
Sum of
Squares df Mean Square F Sig.
Between Groups 352.611 2 176.306 10.876 .001
Within Groups 275.589 17 16.211
Total 628.200 19
Hipotesis yang kita ajukan adalah “terdapat perbedaan hasil ujian masuk UML ditinjau
dari lokasi rumah peserta ujian”. Untuk menjawabnya lihat nilai F dan p nya. Nilai
F=10,876 dan p=0,001, karena nilai p<0,01 maka dapat disimpulkan bahwa terdapat
perbedaan hasil ujian masuk UML diantara peserta yang memiliki rumah di Bandar
Lampung, Lampung Timur dan Lampung Selatan.
Hasil di atas hanya menginformasikan kepada kita bahwa hasil tes ujian masuk
UML antara siswa yang berasal dari daerah berbeda, berbeda secara signifikan. Tidak
dijelaskan lebih lanjut, kelompok mana saja yang berbeda secara signifikan, apakah
perbedaan terjadi antara siswa yang berasal dari Bandar Lampung dengan Lampung
Timur? Atau antara siswa yang berasal dari Bandar Lampung dengan Lampung
Selatan?. Untuk memastikannya maka perlu dilakukan uji komparasi antar kelompok.
Dalam uji anava satu jalur, uji komparasi antar pasangan juga disediakan. Pada
tampilan Output SPSS, hasil uji komparasi terdapat pada tabel multiple comparisons,
berikut tampilannya;
Multiple Comparisons
Dependent Variable: S kor_ujian_masuk_UML
Mean
Difference 95% Confidence Interval
(I) Rumah (J) Rumah (I-J) Std. Error Sig. Lower Bound Upper Bound
Scheffe Bandar Lampung Lampung Selatan -2.567 2.438 .585 -9.10 3.97
Lampung Timur -9.622* 2.246 .002 -15.64 -3.60
Lampung Selatan Bandar Lampung 2.567 2.438 .585 -3.97 9.10
Lampung Timur -7.056* 2.122 .014 -12.74 -1.37
Lampung Timur Bandar Lampung 9.622* 2.246 .002 3.60 15.64
Lampung Selatan 7.056* 2.122 .014 1.37 12.74
LSD Bandar Lampung Lampung Selatan -2.567 2.438 .307 -7.71 2.58
Lampung Timur -9.622* 2.246 .001 -14.36 -4.88
Lampung Selatan Bandar Lampung 2.567 2.438 .307 -2.58 7.71
Lampung Timur -7.056* 2.122 .004 -11.53 -2.58
Lampung Timur Bandar Lampung 9.622* 2.246 .001 4.88 14.36
Lampung Selatan 7.056* 2.122 .004 2.58 11.53
*. The mean difference is significant at the .05 level.
Terdapat dua baris utama yang berisi dua macam teknik uji komparasi, Scheffe
dan LSD. Para ahli salah satunya Field (2000) menyarankan jika jumlah subyek antar
kelompok sama, maka tabel LSD yang dijadikan, namun jika jumlah subyek antar
kelompok berbeda, maka tabel Scheffe dijadikan acuan.
Jumlah subyek antar kelompok dalam Cotoh penelitian kita tidak sama, sehingga
yang dijadikan acuan adalah hasil uji komparasi dengan teknik Scheffe. Penjabaran
hasil uji komparasi adalah sebagai berikut;
• Antara siswa yang tinggal di Bandar Lampung dengan yang tinggal di Lampung
Selatan didapatkan nilai p=0,585 (P>0,05), maka disimpulkan tidak terdapat
perbedaan yang signifikan antar kedua kelompok tersebut.
• Antara siswa yang tinggal di Bandar Lampung dengan yang tinggal di Lampung
Timur didapatkan nilai p=0,002 (P<0,01), maka disimpulkan terdapat perbedaan
yang sangat signifikan antar kedua kelompok tersebut. Nilai perbedaan mean
(mean difference) sebesar -9,622 maka hasil ujian masuk UML siswa yang tinggal
di Lampung Timur lebih tinggi dibandingkan yang tinggal di Bandar Lampung
(Analogi untuk menentukan kelompok mana yg memiliki skor lebih tinggi dengan
melihat nilai positif atau negatif pada mean differencenya adalah sebagai berikut;
jika 1-2= -1 dan 2-1= 1, maka bila nilainya positif artinya skor pada kelompok yang
disebut lebih dulu dalam tabel lebih besar dibandingkan kelompok yang disebutkan
dibelakangnya. Bila nilainya negatif, maka kelompok yang disebut dibelakang
memiliki skor yang lebih tinggi).
• Antara siswa yang tinggal di Lampung Selatan dengan yang tinggal di Lampung
timur didapatkan nilai p=0,014 (P<0,05), maka disimpulkan terdapat perbedaan
yang signifikan antar kedua kelompok tersebut. Nilai perbedaan mean (mean
difference) sebesar -7,056 maka hasil ujian masuk UML siswa yang tinggal di
Lampung Timur lebih tinggi dibandingkan yang tinggal di Lampung Selatan.
Kemudian klik menu Options, maka akan muncul tampilan berikut ini;
Kemudian pindahkan semua variabel dan interaksinya ke kotak display means for. Beri
tanda centang pada compare mean effects. Pada menu display beri tanda centang pula
di sisi descriptive statistics, estimates of effect size dan Homogeity tests. Bila benar
dilakukan tampilannya akan seperti ini;
Kemudian klik Continue, maka anda akan kembali ke kotak awal. Pada kotak awal klik
OK. SPSS akan menampilkan hasil analisis sebagai berikut ;
Between-Subjects Factors
Value Label N
Jenis_ 1.00 Laki-laki 9
kelamin 2.00 Perempuan 11
Rumah 1.00 Bandar
5
Lampung
2.00 Lampung
6
Selatan
3.00 Lampung
9
Timur
Descriptive Statistics
Dependent Variable: S kor_ujian_masuk_UML
Std.
Jenis_kelamin Rumah Mean Deviation N
Laki-laki Bandar Lampung 84.75 3.403 4
Lampung Selatan 83.00 4.000 3
Lampung Timur 89.00 .000 2
Total 85.11 3.723 9
Perempuan Bandar Lampung 84.00 . 1
Lampung Selatan 91.33 1.528 3
Lampung Timur 95.71 2.215 7
Total 93.45 4.156 11
Total Bandar Lampung 84.60 2.966 5
Lampung Selatan 87.17 5.307 6
Lampung Timur 94.22 3.528 9
Total 89.70 5.750 20
1. Grand Mean
Dependent Variable: S kor_ujian_masuk_UML
95% Confidence Interval
Mean Std. Error Lower Bound Upper Bound
87.966 .716 86.431 89.501
2. Jenis_kelamin
Estimates
Dependent Variable: Skor_ujian_masuk_UML
95% Confidence Interval
Jenis_kelamin Mean Std. Error Lower Bound Upper Bound
Laki-laki 85.583 .931 83.586 87.580
Perempuan 90.349 1.087 88.018 92.681
Pairwise Comparisons
Dependent Variable: S kor_ujian_masuk_UML
Univariate Tests
Dependent Variable: Skor_ujian_masuk_UML
Sum of Partial Eta
Squares df Mean Square F Sig. Squared
Contrast 79.867 1 79.867 11.088 .005 .442
Error 100.845 14 7.203
The F tests the effect of Jenis_kelamin. This test is based on the linearly independent
pairwise comparisons among the estimated marginal means.
3. Rumah
Estimates
Dependent Variable: S kor_ujian_masuk_UML
95% Confidence Interval
Rumah Mean Std. Error Lower Bound Upper Bound
Bandar Lampung 84.375 1.500 81.157 87.593
Lampung Selatan 87.167 1.096 84.817 89.517
Lampung Timur 92.357 1.076 90.049 94.665
Pairwise Comparisons
Dependent Variable: S kor_ujian_masuk_UML
Univariate Tests
Dependent Variable: Skor_ujian_masuk_UML
Sum of Partial Eta
Squares df Mean Square F Sig. Squared
Contrast 157.180 2 78.590 10.910 .001 .609
Error 100.845 14 7.203
The F tests the effect of Rumah. This test is based on the linearly independent pairwise
comparisons among the estimated marginal means.
4. Jenis_kelamin * Rumah
Dependent Variable: Skor_ujian_masuk_UML
95% Confidence Interval
Jenis_kelamin Rumah Mean Std. Error Lower Bound Upper Bound
Laki-laki Bandar Lampung 84.750 1.342 81.872 87.628
Lampung Selatan 83.000 1.550 79.677 86.323
Lampung Timur 89.000 1.898 84.930 93.070
Perempuan Bandar Lampung 84.000 2.684 78.244 89.756
Lampung Selatan 91.333 1.550 88.010 94.657
Lampung Timur 95.714 1.014 93.539 97.890
Sama seperti uji anava sebelumnya, tidak semua kotak digunakan. Untuk mengetahui
apakah hasil uji asumsi homogenitas terpenuhi atau tidak, kita bisa membaca hasil
pada tabel Levene’s test homogeneity of variances berikut ;
Hipotesis yang kita ajukan adalah “terdapat perbedaan hasil ujian masuk UML ditinjau
dari lokasi rumah peserta ujian”. Untuk menjawabnya lihat nilai F dan p pada baris
Jenis_kelamin*Rumah. Nilai F=3,141 dan p=0,075, karena nilai p>0,05 maka dapat
disimpulkan bahwa interaksi antara jenis kelamin dan tempat tinggal tidak
berpengaruh signifikan terhadap hasil ujian masuk UML .
Bila signifikan, kita perlu melihat uji komparasi antara kelompok interaksi jenis
kelamin dan tempat tinggal. Namun karena hasil di atas tidak signifikan maka kita tidak
perlu melihat uji komparasi antara kelompok interaksi jenis kelamin dan tempat tinggal.
Namun sebagai contoh seandainya anda mendapatkan hasil yang signifikan, maka
untuk melihat hasil uji komparasi antara kelompok interaksi jenis kelamin dan tempat
tinggal, kita perlu melihat pada tabel berikut ;
4. Jenis_kelamin * Rumah
Dependent Variable: Skor_ujian_masuk_UML
95% Confidence Interval
Jenis_kelamin Rumah Mean Std. Error Lower Bound Upper Bound
Laki-laki Bandar Lampung 84.750 1.342 81.872 87.628
Lampung Selatan 83.000 1.550 79.677 86.323
Lampung Timur 89.000 1.898 84.930 93.070
Perempuan Bandar Lampung 84.000 2.684 78.244 89.756
Lampung Selatan 91.333 1.550 88.010 94.657
Lampung Timur 95.714 1.014 93.539 97.890
Misalnya kita ingin tahu apakah terdapat perbedaan hasil tes yang signifikan antara
subyek laki-laki yang tinggal di Bandar Lampung dengan kelompok subyek perempuan
yang juga tinggal di Bandar Lampung. Lihat nilai Mean subyek laki-laki yang tinggal di
Bandar Lampung sebesar 84,75, cross cekkan dengan confidence interval pada
kelompok perempuan yang tinggal di Bandar Lampung yaitu 78,244 – 89,756. Mean
nilai sebesar 84,75 masih berada dalam rentang 78,244 – 89,756, maka disimpulkan
tidak terdapat perbedaan yang signifikan antara kelompok laki-laki yang tinggal di
Bandar Lampung dengan kelompok perempuan yang tinggal di Bandar Lampung.
Contoh lain, antara kelompok laki-laki yang tinggal di Bandar Lampung dengan
kelompok perempuan yang tinggal di Lampung Selatan. Mean subyek laki-laki yang
tinggal di Bandar Lampung sebesar 84,75, cross cekkan dengan confidence interval
pada kelompok perempuan yang tinggal di Lampung Selatan yaitu 88,01 – 94,657.
Dikarenakan nilai mean sebesar 84,75 masih tidak berada dalam rentang 88,01 –
94,657. Maka disimpulkan kelompok laki-laki yang tinggal di Bandar Lampung memiliki
skor hasil ujian tes masuk UML lebih rendah dibandingkan kelompok subyek
perempuan yang tinggal di Lampung Selatan.
Hasil di atas hanya menjawab hipotesis pertama “Terdapat perbedaan hasil tes
masuk UML bila ditinjau dari lokasi tempat tinggal dan jenis kelamin peserta”. Belum
menjawab dua hipotesis minor yang kita ajukan yaitu “Hasil tes masuk UML berbeda
antara pria dan wanita (dengan menggontrol pengaruh variabel tempat tinggal)” dan
“Hasil tes masuk UML berbeda antara peserta yang tinggal di Bandar Lampung,
Lampung Selatan dan Lampung Timur (dengan menggontrol pengaruh variabel jenis
kelamin).”
Untuk menjawab kedua hipotesis minor, kiita juga perlu melihat tabel Test of
Between-Subject Effects berikut;
Bila kita ingin menjawab hipotesis “Hasil tes masuk UML berbeda antara peserta yang
tinggal di Bandar Lampung, Lampung Selatan dan Lampung Timur (dengan
menggontrol pengaruh variabel jenis kelamin).” lihat nilai F dan p pada baris Rumah.
Nilai F=10,910 dan p=0,001, karena nilai p<0,01 maka dapat disimpulkan bahwa
tempat tinggal berpengaruh sangat signifikan terhadap hasil ujian masuk UML.
Uji komparasi antar pasangan dapat dilihat pada tabel berikut;
Pairwise Comparisons
Dependent Variable: S kor_ujian_masuk_UML
Untuk melihat perbedaan antar kelompok berdasar tabel di atas, caranya sama seperti
pada anava satu jalur yang telah dijelaskan sebelumnya.
Untuk menjawab hipotesis “Hasil tes masuk UML berbeda antara pria dan wanita
(dengan menggontrol pengaruh variabel tempat tinggal), caranya juga sama
sebagaimana langkah di atas.
Kinear, P, R., & Gray, C, D., 2004. SPSS 12 Made Simple. New York: Psychology
Press.
Leech, N, L., Baret, K, C., & Morgan, G, A., 2005. SPSS For Intermediate Statistic: Use
and Interpretation. London: Lawrence Erlbaum Associates.