Belajar Mudah - Praktis SPSS-JASP

Drs. M. Nursalim Malay, M.
Si
Belajar Mudah & Praktis

Analisis Data dengan SPSS dan JASP
Penerbit:
CV. Madani Jaya
Bandar Lampung
Belajar Mudah & Praktis
Analisis Data dengan SPSS dan JASP
ISBN : 978-623-96979-0-7
Penulis : Drs. M. Nursalim Malay, M.Si
Desain Cover : Harakindo
Cetakan 2 : Tahun 2022
Penerbit : CV. Madani Jaya

Bandar Lampung
Hak Cipta Dilindungi oleh Undang-Undang
All Rights Reserve

Dilarang mengutip atau memperbanyak sebagian
atau seluruh isi buku ini tanpa izin tertulis penerbit
ii
KATA PENGANTAR
Alhamdulilah, puji syukur kehadirat ilahi, akhirnya buku Belajar

Mudah & Praktis Analisis Data dengan SPSS dan JASP dapat
diselesaikan. Buku ini adalah pengembangan dari Modul Praktikum
SPSS yang sudah diterbitkan sejak tahun 2015-2020 untuk kalangan
terbatas mahasiswa yang mengambil mata kuliah Statistika pada Prodi
Psikologi Islam UIN Raden Intan Lampung.
Pengembangan buku ini terlihat adanya tambahan penggunaan
software JASP untuk melengkapi atau alternatif dari software SPSS
yang berbayar dan sudah terkenal. JASP, singkatan dari Jeffreys’s
Amazing Statistics Program, merupakan software analisis statistik gratis
(open-source) yang dibuat oleh Department of Psychological Methods,
University of Amsterdam, Belanda. Selain itu pada edisi 2023, buku ini
dilengkapi dengan lampiran rumus-rumus statistik dan tabel statistik
yang diperlukan untuk mengerjakan perhitungan secara manual.
Buku ini adalah berorientasi untuk pemula baik mahasiswa atau
peneliti yang belajar menganalisis data dengan bantuan software,
sehingga pendekatan yang digunakan sesederhana mungkin sehingga
mudah dan cepat dipahami.
Dengan adanya buku ini diharapkan dapat membantu dan
mempercepat proses mahasiswa dan peneliti dalam mengerjakan
tugas-tugas atau hasil penelitian. Buku ini disusun dengan keterbatasan
waktu dan pengetahuan, maka mungkin saja masih terdapat banyak
kekurangan dan jauh dari kesempurnaan, untuk itu diharapkan koreksi
dan masukannya demi perbaikan cetakan selanjutnya. Dan tak lupa
pula ucapan terima kasih penulisan sampaikan terhadap Asisten
Praktikum sejak 2016-2023 atas buku modul praktikum sampai
diterbitkannya dengan versi buku. Pada edisi terbit 2023 telah dilakukan
penambahan rumus-rumus dan tabel statistik oleh Asisten Praktikum
terdiri Afina O, Annisa A, Lia A, Puput F, Rizti A, Ummi M, terima kasih
atas jerih payahnya.
Bandar Lampung
Penulis
M. Nursalim Malay
iii
DAFTAR ISI
Kata Pengantar ..................................................................................... iii

Daftar Isi ............................................................................................... iv
Daftar Tabel ........................................................................................... v
Pendahuluan ........................................................................................1
A. Data Variabel ............................................................................. 1
B. Jenis Data ................................................................................... 4
C. Validitas dan Reliabilitas ............................................................... 5
D. Kaitan Antar Data Variabel ................................................................8
E. Statistika Parametrik dan Non-Parametrik........................................9
F. Uji Asumsi ...................................................................................... 12
Bagian I Analisis Data dengan SPSS ............................................... 13

A. Manajemen Data ............................................................................ 14
B. Seleksi Aitem dan Reliabilitas ......................................................... 16
C. Uji Asumsi Statistika Parametrik ..................................................... 21
D. Teknik Analisis Data Dua Variabel ................................................. 27
E. Teknik Analisis Data Tiga Variabel ................................................. 37
Bagian II Analisis Data dengan JASP .............................................. 52

A. Apa Itu JASP? ................................................................................ 53
B. Menggunakan JASP ....................................................................... 55
C. Seleksi Aitem dan Reliabilitas......................................................... 66
D. Uji Asumsi Statistika Parametrik ..................................................... 69
E. Teknik Analisis Data Dua Variabel.................................................. 77
F. Teknik Analisis Data Tiga Variabel................................................. 90
Membuat Laporan Hasil .................................................................... 104

Daftar Pustaka ................................................................................... 110
iv
DAFTAR TABEL
Tabel.1 Uji beda dan Uji Hubungan Statistik ........................................11

Tabel.2 Uji Asumsi Statistik Parametrik dan Teknik Statistik ................12
Tabel.3. Data uji coba skala semangat hidup .......................................17
Tabel.4 Distribusi Aitem Skala Semangat Hidup Penderita Kanker ......20
Tabel.5 Hasil Seleksi Aitem ..................................................................20
Tabel.6 Data Uji Normalitas ..................................................................22
Tabel.7 Data Uji Homogenitas ..............................................................25
Tabel.8 Data Analisis Hubungan 2 Variabel .........................................29
Tabel.9 Data Stres Karyawan ...............................................................31
Tabel.10 Data Stres Karyawan pada Ruangan Tradisional dan
Ruang Modern .......................................................................34
Tabel.11 Data Stres Karyawan-Uji T ....................................................35
Tabel.12 Nilai Kemandiran dan Pola Asuh ...........................................38
Tabel.13 Data Skor Kemandiran ..........................................................42
Tabel.14 Data Anareg Ganda ...............................................................46
Tabel.15 Data Korelasi Parsial .............................................................50
v
DAFTAR LAMPIRAN
Lampiran 1 Rumus-Rumus Dasar Statistika .........................................111

Lampiran 2 Tabel Nilai-Nilai f................................................................113
Lampiran 3 Tabel Nilai-Nilai t................................................................117
Lampiran 4 Tabel Distribusi Normal Standar ........................................118
Lampiran 5 Tabel r Product Moment ....................................................119
Lampiran 6 Tabel Chi Square ...............................................................120
Lampiran 7 Tabel Rho Spearman .........................................................121
Lampiran 8 Tabel-Tabel Data Praktikum Statistika ...............................122
vi
1
PENDAHULUAN
Tak bisa dibantah jika kita mengolah data statistik dengan

komputer maka yang pertama kali terbayang adalah SPSS. SPSS
memang salah satu program statistik yang paling populer di antara
program lainnya. SPSS banyak digunakan dalam penelitian-penelitian
sosial dan riset, yang sesuai dengan kepanjangan SPSS yaitu:
Statistical Package for the Social Science. Walaupun sekarang
singkatannya menjadi Statistical Product and Service Solution (karena
fungsinya yang lebih berkembang) namun tetap saja SPSS lebih sering
digunakan dalam penelitian sosial. Saat ini SPSS telah sampai pada
versi 26.
Selain SPSS, dalam buku ini juga dikenalkan software JASP,
singkatan dari Jeffreys’s Amazing Statistics Program, merupakan
software analisis statistik gratis (open-source) yang dibuat oleh
Department of Psychological Methods, University of Amsterdam,
Belanda.
Sebelum membahas tentang analisis statistik melalui program
SPSS ataupun JASP, baik parametrik maupun non-parametrik, maka
akan terlebih dahulu akan dikemukakan pengantar metode penelitian
yang berkaitan dengan :
A. Data Variabel
Sebelum masuk pada tahap demi tahap tutorial SPSS atau JASP,
pengetahuan tentang jenis-jenis data dalam statistik adalah syarat
utama yang harus dikuasai menurut para ahli statistik. Pengetahuan
tentang jenis-jenis data sangat menentukan metode yang akan
digunakan dalam pengambilan data dan tentu saja alat analisis apa
yang dibutuhkan oleh data tersebut agar lebih bermakna.
Belajar Mudah & Praktis Analisis Data

2
Jenis-jenis data ini bertingkat menurut tingkatan pengukuran.

Biasa juga di singkat dengan “NOIR” atau ”RION”. Jenis data tersebut
adalah:
a. Data Nominal
Data nominal adalah tingkatan data paling rendah menurut tingkat
pengukurannya. Data nominal ini pada satu individu tidak mempunyai
variasi sama sekali, jadi 1 individu hanya punya 1 bentuk data. Contoh
data nominal diantaranya yaitu: jenis kelamin, tempat tinggal, tahun lahir
dll. Setiap individu hanya akan mempunyai 1 data jenis kelamin, laki-laki
atau perempuan. Data jenis kelamin ini nantinya akan diberi label dalam
pengolahannya, misalnya perempuan =1, laki-laki =2.
2. Data Ordinal
Data ordinal pada dasarnya adalah hasil dari kuantifikasi data
kualitatif. Contoh dari data ordinal yaitu Status Sosial Ekonomi misalnya
; Sangat Tinggi (5), Tinggi (4), Cukup (5), Rendah (2) dan Sangat
Rendah (1). Pada tingkatan ordinal ini data yang ada tidak mempunyai
jarak data yang pasti, misalnya: Sangat Tinggi (5) dan Tinggi (4) tidak
diketahui pasti jarak antar nilainya karena jarak antara Sangat Tinggi (5)
dan Tinggi (4) bukan 1 satuan (5-4).
3. Data Interval
Data interval mempunyai tingkatan lebih rendah dari data rasio.
Data rasio memiliki jarak data yang pasti namun tidak memiliki nilai nol
mutlak. Contoh dari data interval ialah hasil dari nilai ujian matematika.
Jika A mendapat nilai 10 dan B mendapat nilai 8, maka dipastikan A
mempunyai 2 nilai lebih banyak dari B. Namun tidak ada nilai nol mutlak,
maksudnya bila C mendapat nilai 0, tidak berarti bahwa kemampuan C
dalam pelajaran matematika adalah nol atau kosong. Contoh-contoh
data interval; nilai skala, prestasi belajar, skor tes, dll.

3
4. Data Rasio
Data rasio adalah tingkatan data yang paling tinggi. Data rasio
memiliki jarak antar nilai yang pasti dan memiliki nilai nol mutlak yang
tidak dimiliki oleh jenis-jenis data lainnya. Contoh dari data rasio
diantaranya: berat badan, panjang benda, jumlah satuan benda. Jika
kita memiliki 10 bola maka ada perwujudan 10 bola itu, dan ketika ada
seseorang memiliki 0 bola maka seseorang tersebut tidak memiliki bola
satupun. Data rasio dapat digunakan dalam komputasi matematik,
misalnya A memiliki 10 bola dan B memiliki 8 bola, maka A memiliki 2
bola (10-8) lebih banyak dari B.
Ada lagi jenis data yang sering disebutkan dalam statistik yaitu data
parametrik dan non-parametrik. Jika “NOIR” adalah pembagian data
menurut tingkatan pengukuran, pembagian parametrik dan non-
parametrik dipengaruhi oleh karakteristik empirik dari data tersebut.
Pengetahuan tentang batasan data parametrik dan non-parametrik ini
sangat penting karena pada proses analisis memang dibedakan untuk
masing-masing jenis data tersebut.
Suatu data disebut sebagai data parametrik bila memenuhi kriteria
sebagai berikut (Field, 2000):
a. Normally distributed data. Data yang mempunyai distribusi normal
adalah data yang dapat mewakili populasi yang diteliti. Secara kasat
mata kita bisa melihat histogram dari data yang dimaksud, apakah
membentuk kurva normal atau tidak. Tentu saja cara ini sangat
subyektif. Cara lainnya yaitu dengan melakukan uji normalitas pada
data yang dimaksud –caranya akan dijelaskan lebih lanjut.
b. Homogenity of variance. Varians dari data yang dimaksud harus
stabil tidak berubah secara sistematis pada keseluruhan data. Kita
bisa mengetahui homogenity of variance dengan melakukan tes

4
tertentu. Untuk jenis-jenis analisis tertentu SPSS secara otomatis

menyertakan hasil tes ini.
c. Interval data. Data yang dimaksud minimal merupakan data interval.
d. Independence. Data yang diperoleh merupakan data dari tiap
individu yang independen, maksudnya respons dari 1 individu tidak
mempengaruhi atau dipengaruhi respons individu lainnya.
B. Jenis Variabel
Jenis variabel lainnya dibedakan menurut hubungan antara
variabel :
1. Variabel independen (X). Disebut juga variabel stimulus, variabel
prediktor, dan variabel bebas, yaitu variabel yang menjadi sebab
perubahan atau timbulnya variabel dependen
2. Variabel dependen (Y). Disebut juga variabel output, variabel kriteria,
variabel konsekuen, dan variabel terikat, yaitu variabel yang
dipengaruhi atau yang menjadi akibat karena adanya variabel bebas
3. Variabel Moderator atau Variabel independen kedua, yaitu variabel
yang mempengaruhi (memperkuat atau memperlemah) hubungan
antar variabel independen dan dependen
4. Variabel intervening, yaitu variabel yang secara teoritis
mempengaruhi (memperkuat atau memperlemah) hubungan antara
variabel dependen dan independen, tetapi tidak dapat diukur
5. Variabel kontrol, yaitu variabel yang dikendalikan atau dibuat konstan
sehingga peneliti dapat melakukan penelitian yang bersifat
membandingkan
6. Variabel antara, adalah apabila variabel ini masuk, maka hubungan
antara kedua variabel itu menjadi lemah atau lenyap. Hal ini di
sebabkan karena hubungan semula yang tampak antara kedua

5
variabel pokok bukanlah satu hubungan langsung, tetapi melalui

variabel lain.
A C
B
Umur Kebiasaan
(Variabel
Pendidikan
Membaca
independen) (Variabel antara)
(Variabel
dependen)
7. Variabel anteseden, merupakan variabel yang hampir sama dengan

variabel antara, tetapi bedanya variabel anteseden mendahului
variabel independen
C
A B
Kebiasaan
Status sosek Pendidikan
membaca
(Variabel (Variabel
(Variabel
anteseden) independen)
independen)
C. Validitas dan Reliabilitas

1. Validitas
Pada intinya validitas pengukuran memberikan gambaran
mengenai seberapa jauh pengukuran yang kita lakukan itu memang
mengukur sesuai yang ingin diukur. Maksudnya apakah pengukuran
telah memenuhi tujuannya. Misalnya kita ingin mengukur inteligensi,
maka apakah alat yang kita pakai untuk mengukur inteligensi itu
memang benar-benar mengukur inteligensi bukan yang lain misalnya
seperti yang dicurigai orang selama ini : kemampuan akademik. Atau
jika kita ingin mengukur kecemasan, apakah alat yang kita pakai
memang mengukur kecemasan bukan depresi misalnya.

6
Secara umum Azwar (2016) menjelaskan pendekatan validitasi

dalam pengukuran psikologi dikelompok menjadi tiga pendekatan yaitu
pendekatan validitas isi (content validity), pendekatan validitas kontrak
(contruct validity) dan pendekatan kriteria (criterion-related). Ketiga
pendekatan ini memiliki cara dan prosedur yang berbeda akan tetapi
dengan tujuan yang sama yaitu tentang akurasi fungsi alat ukur yang
bersangkutan. Untuk jelas ketiga pendekatan tersebut adalah ;
a. Validitas Isi ;
Pendekatan ini menggunakan kriteria berupa tabel spesifikasi yang
berisi domain dari tes. Domain ini dapat berasal dari (1) teori yang
mendukung konstruk yang diukur (2) kurikulum, jika pengukuran
dilakukan pada hasil prestasi belajar (3) kebutuhan yang menjadi
persyaratan, ini khususnya jika pengukuran dimaksudkan sebagai alat
seleksi. Dalam hal ini estimasi validitas dilakukan dengan
membandingkan teori dengan tabel spesifikasi dan item yang disusun,
apakah tabel spesifikasi selaras dengan teori yang mendasarinya, dan
apakah item memang mengungkap aspek yang ingin diukur.
Kelayakan suatu aitem disimpulkan dari hasil penilaian (judgement)
yang dilakukan oleh sekelompok individu secara subyektif. Kesimpulan
yang mendukung tingginya keterwakilan atau relevansi aitem-aitem
dalam tes dikenal sebagai validitas logis (logical validity) yang
mengasumsikan aitem-aitem tersebut akan menghasilkan jawaban yang
dapat diinterpretasikan secara akurat mengenai atribut yang diukur.
Secara empiris, penilaian mengenai hal ini dapat dilakukan oleh
penilai profesional (professional judgement) dan dapat dikuntifikasikan
dan dinyatakan dengan indeks validitas CVR (content valididity ratio)
oleh Lawshe (1975) dan oleh Aiken (1985) dengan statistik Aiken’s V

7
b. Validitas Konstruk;
Estimasi validitas konstruk dilakukan dengan membandingkan
'perilaku' skor tes dengan teori yang mendasari tesnya. Misalnya dalam
teori dikatakan inteligensi itu memiliki korelasi positif dengan bakat
kognitif tapi tidak memiliki korelasi dengan bakat musik. Maka tes
inteligensi yang kita buat dapat dikatakan memiliki validitas konstruk jika
skor tesnya memiliki korelasi yang positif dengan hasil skor tes bakat
kognitif dan tidak memiliki korelasi yang signifikan dengan bakat musik.
Ada cukup banyak teknik yang dapat digunakan untuk mengestimasi
validitas konstruk ini, misalnya dengan menggunakan Analisis Faktor
atau metode Multi-Trait Multi-Method
c. Validitas Kriteria;
Pendekatan ini dapat dilakukan dengan mengkorelasikan hasil tes
(berupa skor) yang ingin diestimasi validitasnya dengan kriteria berupa
hasil tes lain atau perilaku prediksi yang diharapkan. Misalnya kita ingin
mengestimasi validitas tes inteligensi yang sudah kita susun. Kita dapat
melakukannya dengan mengkorelasikan hasil tes inteligensi kita dengan
hasil tes inteligensi lain yang sudah baku. Jika korelasi antara hasil tes
inteligensi kita dengan yang sudah baku itu positif dan tinggi, maka
dapat dikatakan tes inteligensi kita memiliki validitas yang baik. Metode
ini disebut juga concurrent criterion-related validity. Atau kita juga
dapat mengestimasi dengan mengkorelasikan hasil tes inteligensi kita
dengan perilaku prediksi yang diharapkan, misalnya prestasi belajar
siswa di sekolah. Jika hasil korelasi bernilai positif dan tinggi, maka
dapat dikatakan tes inteligensi kita memiliki validitas prediktif yang baik
terhadap prestasi di sekolah. Ada beberapa syarat yang perlu dipenuhi
kriteria yang akan digunakan yaitu: relevan, reliabel, tidak bias, dan
dapat diperoleh.

8
Penerapan validitas dalam penyusunan skripsi ketika

menjelaskan skala penelitian seringkali terjadi kesalahan dengan
mengatakan bahwa skala ini sudah valid dan relibel, padahal yang
dilakukan adalah mencari reliabilitas, sedangkan nilai koefisien korelasi
antara aitem dengan total bukanlah validitas aitem tetapi sebagai kriteria
untuk menentukan aitem yang baik, misalnya r ix > 0,300 (Azwar, 2012)
2. Reliabilitas
Adalah sejauh mana hasil suatu pengukuran dapat dipercaya.
Reliabilitas memiliki berbagai nama lain, yaitu keterpercayaan,
keterandalan, keajegan, konsistensi, kestabilan, dsb. Hasil ukur dapat
dipercaya apabila beberapa kali pengukuran terhadap kelompok subjek
yang sama diperoleh hasil yang relatif sama, kalau aspek yang diukur
dalam diri subjek belum berubah. Pengertian relatif berarti ada toleransi-
toleransi terhadap perbedaan-perbedaan kecil diantara hasil
pengukuran. Bila perbedaan itu besar, maka hasil pengukuran itu tidak
dapat dipercaya atau tidak reliabel.
Reliabilitas sangat erat hubungannya dengan ketepatan dan
ketelitian pengukuran. Pengukuran dikatakan stabil jika pengukuran
pada suatu objek dilakukan pada sebuah objek dilakukan berulang-
ulang pada waktu yang berbeda, menunjukkan hasil yang relatif sama.
Dalam SPSS, seleksi aitem maupun reliabilitas dapat dilakukan secara
serentak dengan menggunakan koefisien Alpha, sedangkan dengan
JASP selain formula Alpha terdapat juga formula McDonald’s dan
Guttman
D. Kaitan Antara Data Variabel dengan uji parametrik dan
atau non-parametrik
Pada umumnya terdapat dua kaitan antara variabel, yaitu untuk

menguji hubungan dan perbedaan. Kedua kaitan tersebut memiliki

9
implikasi terhadap teknik statistiknya, baik statistik parametrik maupun

non parametrik. Untuk mengambil keputusan apakah kita menggunakan
statistik parametrik atau non parametrik, maka gambar berikut ini dapat
dijadikan pedoman
INPUT DATA
Distribusi YA INPUT DATA YA Skala interval

normal & rasio
Tidak INPUT DATA Tidak
E. Statistika Parametrik dan Non-Parametrik

Statistik memiliki pengertian sebagai sekumpulan metode yang
dapat digunakan untuk menarik kesimpulan yang masuk akal dari suatu
data. Tujuan penelitian adalah menjawab masalah atau pertanyaan
penelitian melalui analisis data. Statistik digunakan oleh peneliti sebagai
suatu metode untuk menganalisis data yang bersifat deskriptif dan
estimasi data untuk menarik kesimpulan hasil penelitian. Jika data yang
diteliti berupa sampel, statistik dapat digunakan untuk menarik
kesimpulan yang berupa deskripsi statistik sampel (statistik deskriptif)
atau estimasi statistik sampel terhadap parameter populasi (statistik
inferensial) dengan menggunakan teknik probabilitas
Statistik inferensial selanjutnya dapat dikategorikan sebagai
statistik parametrik dan statistik non-parametrik. Penggunaan statistik
parametrik jika jumlah data penelitian cukup besar, menggunakan skala
interval, dan skala rasio, serta asumsi bahwa distribusi data yang
digunakan untuk memilih sampel penelitian adalah normal. Sedangkan

10
statistik non parameterik digunakan jika data penelitian kecil, diukur

dengan skala nominal dan ordinal, sehingga tidak diperlukan asumsi
data populasi yang distribusinya normal
Dalam statistik inferensial, pengajuan hipotesis merupakan salah
satu tujuan yang harus dilakukan untuk menjawab permasalahan
penelitian secara rasional. Tujuan pengujian hipotesis, untuk
menentukan apakah jawaban teoritis yang terkandung dalam
pertanyaan hipotesis didukung oleh fakta yang dikumpulkan dalam
proses penelitian. Pengujian hipotesis (yang menggambarkan
karakteristik populasi) dengan menggunakan data sampel (yang
menggambarkan karakteristik sampel) pada dasarnya merupakan
pembuatan keputusan melalui proses inferensi yang memerlukan
akurasi peneliti dalam melakukan estimasi
Proses inferensi pada dasarnya dapat dilakukan melalui satu dari
dua cara, yaitu: estimasi nilai parameter populasi atau membuat
keputusan melalui nilai parameter (proses pengujian hipotesis). Estimasi
nilai parameter akurasinya tergantung pada representasi sampel yang
diambil dari populasi yang bersangkutan. Dalam proses pengujian
hipotesis, peneliti dengan perkataan lain harus memiliki kriteria atau
standar yang digunakan untuk membuat keputusan terhadap hipotesis
yang diuji berdasarkan sampel. Kriteria keputusan yang ditetapkan oleh
peneliti dalam istilah statistik disebut tingkat signifikansi
Tingkat signifikansi adalah tingkat probabilitas yang ditentukan
oleh peneliti untuk membuat keputusan menolak atau mendukung
hipotesis. Kriteria keputusan berdasarkan tingkat signifikansi 1% atau
5% menunjukkan bahwa keputusan yang dibuat oleh peneliti untuk
menolak atau mendukung suatu hipotesis mempunyai probabilitas
kesalahan sebesar satu persen atau lima persen.

11
Berikut ini disajikan tabel uji statistik berdasarka uji beda/uji

hubungan dan parametrik/non-parametrik.
Tabel 1.
Uji beda dan Uji Hubungan pada Statistik Parametrik
dan Non-Parametrik
Jenis Uji Kriteria Parametrik Non-
Parametrik
Suatu kelompok Uji T (paired
Wilcoxo
dengan dua sample T Test)
n Sign
perlakuan
McNem
ar
Dua kelompok Uji T U Mann Whitney
yang berbeda (Independent Kolmogoro
sampel test) vSmirnov
Uji beda Z
Dua variabel Anava satu jalur
Friedman
bebas, dengan
Kendall’s
satu variabelnya
WCochran
dipilah lebih dari
satu kelompok
dua variabel Anava dua Jalur -
bebas, keduanya
dipilah
Spearman
Dua variabel (VT Korelasi PM
Kendall test
dan VB
Phi
Kontigensi
Dua variabel Korelasi parsial -
bebas dengan
satu variabel
kontrol
Uji
Hubungan Dua variabel Analisis regresi -
yang memiliki sederhana
sebab akibat
Tiga variabel Analisis regresi -

yang memiliki berganda dua
seba akibat, dua prediktor
diantaranya
variabel bebas

12
F. Uji Asumsi Statistik Parametrik

Berdasarkan uraian yang disajikan pada bagian D di atas, maka dalam
uji statistik parametrik, data yang akan dianalisis harus bersifat normal. Oleh
karena itu, sebelum menguji hipotesis, data terlebih dahulu diuji apakah benar-
benar normal atau tidak.
Pada umunya uji asumsi untuk analisis data dengan statistik parametrik
terdiri dari uji normalitas, uji homogenitas, dan uji linieritas. Selengkapnya
untuk masing-masing teknik statistik dapat dilihat pada tabel 2 berikut :
Tabel 2.
Uji Asumsi Statistik Parametrik dan Teknik Statistik
Jenis Uji Statistik Parametrik Uji Asumsi

Uji T (paired sample T Test) Normalitas
Uji T (Independent sampel test) Normalitas
Homogenitas
Uji beda Anava satu jalur Normalitas
Homogenitas
Anava dua Jalur Normalitas

Homogenitas
Korelasi Normalitas
Linieritas
Korelasi parsial Normalitas

Linieritas
Uji Analisis regresi sederhana Normalitas

Hubungan Linieritas
Analisis regresi berganda dua Normalitas

prediktor Linieritas
Multikorelieritas
Homoskedasitisitas

13
BAGIAN I
ANALISIS DATA
DENGAN SPSS

14
A. MANAJEMEN DATA
Sebagai pemula yang belajar analisis data, seringkali kita

menemukan hambatan yang kecil-kecil tetapi sangat besar pengaruhnya
dalam analisis data. Untuk itu pada bagian manajemen data ini akan
dibahas hal-hal apa saja yang sering ditemui dan juga fungsi-fungsi fitur
dari SPSS.
1. Membuka SPSS
Setelah kita membuka SPSS maka tampilnya seperti di bawah ini,
pasti bahwa semua fitur lengkap yang terdiri dari file, edit, view, data,
transform, analyze, graphs, utilities, extensions, window, help. Jika
tidak lengkap dipastikan SPSS tidak bisa berfungsi, selain itu pastikan
juga kolom-lajur yang ada var dan angka 1,2,3 dan seterusnya dalam
posisi redup, serta dalam kolom-lajur yang kosong tidak ada tanda tanya
(?)

15
2. Setelah entri data

Pada contoh di bawah ini adalah hasil entri 15 aitem dengan
subyek 25 setelah itu di klik variabel view, maka hasilnya seperti ini ;
Ada beberapa fungsi yang perlu dijelaskan ;

Name ; diisi dengan nama variabel misalnya Jenis_Kelamin , atau no
aitem = Aitem_01, penulisan hanya bisa dengan _ (underscore)
tidak bisa dengan spasi
Type ; umumnya pekerjaan kita dengan angka (numeric)
Width hampir sama columns yaitu jarak atau lebar kolom bisa diubah
dilebarkan atau disempitkan
Decimals ; jumlah angka dibelakang koma, bisang dikosongkan
misalnya 2,00 jadi 2 saja
Values ; difungsikan jika measure termasuk nominal/ordinal, misalnya
value = 1, label = laki-laki, value = 2 label = perempuan
Mising ; data hilang
Align ; posisi data yang dientri bisa diubah sesuai selera di tengah atau
kiri atau kanan
Measure ; variabel yang dientri bersifat scale (interval), nominal atau
ordinal silakan dipilih disesuaikan dengan data

16
B. SELEKSI AITEM & RELIABILITAS SKALA
1. Praktikum : Seleksi aitem dan Reliabilitas

2. Sifat : Individu
3. Waktu : 120 Menit
4. Penjelasan
Seleksi aitem dan reliabilitas digunakan untuk mengetahui apakah
skala yang digunakan sudah baik sehingga dapat digunakan untuk
sebuah penelitian.
5. Tujuan
Memiliki kemampuan menganalisis skala ; seleksi aitem dan
reliabilitas menggunakan SPSS.
6. Output dan hasil yang diharapkan
Mahasiswa mampu memahami dan menganalisis suatu masalah
yang berbentuk data statistik.
7. Bahan dan alat
Komputer atau laptop, software SPSS, kertas dan alat tulis, modul
praktikum untuk mengetahui langkah-langkah dalam seleksi aitem
dan reliabilitas.
8. Lokasi dan tempat
Praktikum ini dilakukan di dalam ruangan, karena membutuhkan meja
untuk meletakkan laptop atau komputer dan kursi. Dibutuhkan pula
ruangan yang mempunyai stopcontact yang banyak.
9. Macam-Macam Uji & Langkah-Langkah Praktikum:
Seorang mahasiswa ingin membuat sebuah alat ukur semangat
hidup penderita kanker. Dia membuat 15 butir pernyataan yang
menggambarkan masing-masing aspek. Pada tabel.4 adalah blue print
dari rancangan skala tersebut.

17
Setelah dilakukan uji coba pada 25 penderita kanker, di dapatkan

data sebagai berikut ;
Tabel 3.
Data uji coba skala semangat hidup
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 3 5 4 2 3 3 5 4 4 4 5 5 3 4 3
2 4 4 3 2 3 5 4 5 4 4 5 3 3 5 5
3 3 2 2 2 3 3 3 3 3 3 3 3 2 3 2
4 5 3 3 3 4 3 5 5 3 5 5 5 4 4 4
5 4 3 4 4 4 4 5 5 5 5 4 4 4 5 4
6 5 4 5 2 5 4 5 5 3 5 5 5 4 3 4
7 4 4 3 3 4 4 3 3 4 3 5 3 3 3 4
8 4 4 5 5 4 3 5 5 5 5 5 5 3 3 4
9 4 3 2 1 4 3 4 2 3 5 4 3 3 2 3
10 3 4 2 2 2 3 3 3 3 2 2 4 3 2 2
11 4 4 4 3 3 4 4 5 4 5 4 4 3 3 4
12 5 5 5 5 4 4 5 5 5 5 5 4 4 5 3
13 3 4 4 2 3 4 3 4 4 4 3 3 2 3 3
14 4 5 3 2 4 5 3 5 3 3 5 3 4 5 5
15 4 4 4 3 3 3 3 3 2 4 3 4 4 3 3
16 4 3 3 2 4 4 4 5 3 3 4 5 3 3 4
17 3 3 2 3 2 3 3 4 3 4 5 3 2 4 2
18 4 5 4 1 3 4 4 4 4 5 4 3 3 4 4
19 3 4 3 2 3 3 4 4 3 3 5 4 3 5 4
20 3 5 5 2 2 3 3 3 2 5 5 4 3 2 3
21 3 4 3 2 3 2 3 3 4 5 4 2 4 2 3
22 4 5 4 5 3 3 4 3 5 2 3 5 4 4 3
23 3 4 4 3 3 4 4 4 4 5 4 4 3 3 4
24 4 3 4 3 3 4 4 3 4 3 5 4 3 3 4
25 4 3 3 3 4 5 5 5 5 5 5 4 4 5 4
Langkah-Langkah analisis
1. Buka lembaran kerja SPSS, lalu pindahkan data-data di atas

18
2. Klik Analyze – Scale – Reliability Analysis

3. Pindahkan ke 15 variabel (var0001 s/d var 0015) ke dalam bagian
items
4. Klik statistics...lalu pilih description for : item, scale, scale if item
deleted, lalu tekan continue, dan OK
Berdasarkan output, didapatkan tampilan sebagai berikut :
Reliability Statistics
Cronbach's
Alpha N of Items
,858 15
Item-Total Statistics
Cronbach's
Scale Mean if Scale Variance Corrected Item- Alpha if Item
Item Deleted if Item Deleted Total Correlation Deleted
VAR00001 51,0800 51,577 ,651 ,843
VAR00002 50,9600 55,290 ,181 ,864
VAR00003 51,3200 49,810 ,551 ,846
VAR00004 52,1600 50,390 ,420 ,855
VAR00005 51,5200 51,427 ,581 ,845
VAR00006 51,2400 52,857 ,431 ,852
VAR00007 50,9200 48,910 ,762 ,836
VAR00008 50,8400 47,973 ,704 ,837
VAR00009 51,1600 51,140 ,487 ,849
VAR00010 50,7600 52,357 ,319 ,860
VAR00011 50,5600 51,173 ,491 ,849
VAR00012 51,0000 52,667 ,392 ,854
VAR00013 51,6000 52,750 ,522 ,849
VAR00014 51,3200 49,560 ,514 ,848
VAR00015 51,3200 50,643 ,590 ,844

19
Jika dari output di atas, maka kita bisa mengetahui bahwa reliabilitas
skala semangat hidup yang disusun adalah 0.858. yang berarti bahwa
skala cukup reliabel (biasanya reabilitas suatu skala atau alat tes bisa
dikatakan baik bila nilai alpha cronbachnya > 0.60 (Nunnally, 1976). Nilai
alpha cronbach sebesar 0.858 mengindikasikan bahwa ada beberapa
responden yang menjawab tidak konsisten pada beberapa item, dan
harus kita lihat satu persatu jawaban responden, yang tidak konsisten
harus dibuang dari analisis dan alpha bisa meningkat.
Untuk melihat aitem mana yang tidak konsisten menggambarkan
respon subjek, maka kita dapat melihatnya dari kolom Corrected Item-
Total Correlation. Menurut Azwar (2015), apabila aitem yang memiliki
indeks daya diskriminasi sama dengan atau lebih besar daripada 0,300
jumlahnya melebihi jumlah item yang direncanakan untuk dijadikan
skala, maka peneliti dapat memilih item-item yang memiliki indeks daya
diskriminasi tertinggi. Sebaliknya apabila jumlah aitem yang lolos
ternyata masih tidak mencukupi jumlah yang diinginkan, kita dapat
mempertimbangkan untuk menurunkan sedikit batas kriteria 0,300
menjadi 0,250. Namun sangat tidak disarankan untuk menurunkan batas
kriteria di bawah 0,200.
Dalam kasus di atas dengan kriteria 0,300, maka ada satu aitem (
No 2) yang nilai <0,300. Maka kita menghilangkan satu aitem tersebut
dari analisis skala kita. Hasilnya reliabilitasnya akan meningkat sebagai
berikut :
Reliability Statistics
Cronbach'
s Alpha N of Items
,864 14

20
Tabel 4.
Distribusi Aitem Skala Semangat Hidup Penderita Kanker
No Aspek No Aitem Jumlah

1 Menemukan arti hidup 1, 2, 8, 11, 13, 15 6
2 Harapan 3, 4, 6, 9, 12 5
3 Tujuan Hidup 5, 7, 10, 14 4
Jumlah 15
Tabel.5
Hasil Seleksi Aitem
No Aspek Aitem Koefisien aitem-

Semula Gugur Baik total
1 Menemukan 6 1 5 0,492-0,719
2 Harapan 5 0 5 0,392-0,497
3 Tujuan 4 0 4 0,329-0,787
Jumlah 15 1 14 0,329-0,787
Catatan : Koefisien aitem-total yang dilaporkan yang baik saja sesuai kriteria
atau batasan yang ditentukan misalanya >0,300

21
C. UJI ASUMSI DATA STATISTIK PARAMETRIK
1. Praktikum : Pengujian Asumsi Data Statistik Parametrik
2. Sifat : Individu
3. Waktu : 120 menit

4. Penjelasan
Dalam praktikum uji statistik parametrik, data yang akan digunakan
dalam analisis harus bersifat normal. Maka dari itu sebelum
pengujian hipotesis, data harus diuji terlebih dahulu apakah benar-
benar normal atau tidak. Pada umumnya uji asumsi untuk data
dengan statistik parametrik terdiri dari uji normalitas, uji
homogenitas, dan uji linieritas.
5. Tujuan
Mampu tercapainya kemampuan menganalisis uji asumsi statistik
parametrik menggunakan SPSS.
7. Bahan dan alat
praktikum untuk mengetahui langkah-langkah dalam uji asumsi
statistik parametrik.
Praktikum ini dilakukan di dalam ruangan, karena membutuhkan
meja untuk meletakkan laptop atau komputer dan kursi. Dibutuhkan
pula ruangan yang mempunyai stopcontact yang banyak.
9. Macam-Macam Uji Asumsi Statistik Parametrik & Langkah-
Langkah Praktikum:

22
a. Uji Normalitas
Uji normalitas dengan menggunkan SPSS biasanya dengan uji
Kolmogorov Smirnov atau yang sering di sebut K-S test.
Jika hasil dari uji K-S p< 0,05, maka dapat dikatakan bahwa data
tidak normal. Dan jika p > 0.05, maka dapat dikatakan bahwa data
berdistribusi normal. Langkah-langkah dalam melakukan uji
normalitas adalah:
Untuk uji normalitas selain teknik Kolmogorov Smirnov bisa
juga dilakukan dengan teknik Chi Square (kai kudarat).
1. Buatlah data dibawah ini pada lembar kerja SPSS
Tabel.6 Data Uji Normalitas

Religiusitas Kematangan Individu Kecemasan
12 15 18
15 15 17
12 15 19
16 13 16
13 16 15
15 14 15
14 15 16
16 16 16
15 17 17
15 17 14
14 18 15
16 15 13
15 16 16
17 17 14
17 19 14
15 13 15
16 14 17
14 16 16
17 15 14
16 17 15

23
2. Dari baris menu, pilih Klik Analyze – Non Parametric Test- 1

sample K-S
3. Masukkan ketiga variabel pada kolom test variable list
4. Pilih option, centang pilihan descriptive
5. Hasil yang akan diperoleh yaitu :
One-Sample Kolmogorov-Smirnov Test

Religiusitas Kematangan Kecemasan
N 20 20 20
Normal Parametersa,b Mean 15,0000 15,6500 15,6000
Std. Deviation 1,48678 1,56525 1,50088
Most Extreme Differences Absolute ,200 ,161 ,155
Positive ,101 ,161 ,155
Negative -,200 -,139 -,105
Test Statistic ,200 ,161 ,155
Asymp. Sig. (2-tailed) ,035c ,186c ,200c,d
a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Berdasarkan dari analisis data di atas dengan uji kolmogoroy-

Smirnov didapatkan hasil K-SZ religiusitas K-SZ = 0,200 dengan sig.
=0,035 (tidak normal karena p<0,05)), kematangan individu K-SZ =
0,161 dengan sig.0,186 dan kecemasan K-SZ = 0,155 dengan sig.0,200,
berarti kedua variabel memenuhi kriteria normal karena sig. = p>0,05,
maka dapat disimpulkan 1 variabel data tidak normal dan 2 variabel
berdistribusi normal.

24
b. Uji Homogenitas
Uji homogenitas diperlukan untuk mengetahui, apakah data dari
setiap kategori group independent variable memiliki variance yang
sama. Uji levene test of homogeneity biasa digunakan untuk melihat hal
tersbut.Jika hasil dari levene test of homogeneity menghasilkan p <
0.05, maka data tidak homogen.Sedangkan jika p > 0.05, data
homogen.
Langkah-langkah :
1. Buat data di bawah ini pada lembar kerja SPSS, setelah selesai
dilanjutkan dengan langkah ke-2
2. Analyze – Compare means – One Way Anova
3. Masukkan semangat hidup pada kolom Dependent Variable
4. Masukkan jenis kelamin pada kolom Factors
5. Pilih option, centang pilihan Homogenity of Variance Test

25
Tabel.7 Data Uji Homogenitas

Subyek Jenis Optimisme Semangat hidup
Kelamin
1. 1 179 239
2. 2 181 238
3. 1 126 184
4. 1 162 218
5. 1 202 253
6. 1 197 275
7. 1 162 237
8. 1 177 295
9. 1 153 242
10. 2 130 181
11. 1 156 222
12. 2 178 264
13. 1 145 206
14. 2 172 215
15. 1 183 276
16. 2 152 217
17. 2 142 202
18. 2 172 247
19. 2 176 242
20. 1 164 245
21. 1 166 278
22. 2 168 244
23. 2 169 240
24. 2 179 257
25. 1 178 268
Hasilnya
Test of Homogeneity of Variances
Levene Statistic df1 df2 Sig.
Semangat Based on Mean ,303 1 23 ,587

Hidup Based on Median ,549 1 23 ,466
Based on Median and with ,549 1 22,909 ,466
adjusted df
Based on trimmed mean ,438 1 23 ,515

26
Dari hasil analisa di atas, maka dapat dikatakan bahwa data

semangat hidup berdasarkan jenis kelamin adalah homogen, karena
hasil Levene Statistic 0,438 dengan Sig.0.515 ( p> 0.05.)
C. Uji Linieritas
Kurang lebih asumsi ini menyatakan bahwa hubungan antar variabel
yang hendak dianalisis itu mengikuti garis lurus. Jadi peningkatan atau
penurunan kuantitas di satu variabel, akan diikuti secara linier oleh
peningkatan atau penurunan kuantitas di variabel lainnya.
Untuk mengecek apakah hubungan diantara variable linier atau
tidak maka perlu dilakukan langkah-langkah sebagai berikut :
1. Klik pada baris menu : Analyze->Compare Means->Means
2. Pada option pilih/ atau centang Test Of Linierity
3. Maka akan di dapatkan hasil sebagai berikut :

ANOVA Table
Sum of Mean
Squares df Square F Sig.
Semangat Between (Combined) 19227,500 20 961,375 4,459 ,078
_Hidup * Groups Linearity 12488,834 1 12488,834 57,919 ,002
Optimisme Deviation from 6738,666 19 354,667 1,645 ,338
Linearity
Within Groups 862,500 4 215,625
Total 20090,000 24
Dari hasil di atas di peroleh nilai deviant from linierity adalah

sebesar F=1,645 dengan sig.0,338 (p > 0.05.( maka dapat dikatakan
hubungan antara optimisme dengan semangat hidup adalah linier.
Sedangkan jika p< 0.05, maka hubungan antara kedua variabel adalah
tidak linier.

27
D. TEKNIK ANALISIS DATA DUA VARIABEL
1. Praktikum : a. Mencari Hubungan/Korelasi

b. uji Beda/uji t
2. Sifat : Individu
3. Waktu : 120 Menit
4. Penjelasan
a. Uji Hubungan dalam praktikum uji statistik parametrik digunakan
untuk mengetahui hubungan antar variabel yang akan diteliti,
umumnya digunakan teknik korelasi product moment.
b. Pada umumnya uji beda untuk data dengan statistik parametrik
terdiri dari t-test yang terdiri atas paired sample test dan
independent sample test .
5. Tujuan
Mampu tercapainya kemampuan mahasiswa dalam menganalisis uji
hubungan dan uji beda statistik parametrik untuk 2 variabel
menggunakan SPSS.
Mahasiswa mampu menganalisis hipotesis suatu masalah yang
berbentuk data statistik.
7. Bahan dan alat
praktikum untuk mengetahui langkah-langkah dalam uji hubungan
dan uji beda statistik parametrik.

28
9. Macam-Macam Uji 2 Variabel Statistik Parametrik & Langkah-

Langkah Praktikum:
a. Korelasi atau Uji hubungan statistika parametrik

Pada modul ini akan dibahas korelasi atau hubungan atau asosiasi
antara variabel-variabel yang diamati. Dengan menjalankan proses ini,
maka akan disorot dua aspek untuk analisis korelasi, yaitu :
1. Apakah data sampel yang ada menyediakan bukti cukup bahwa ada
kaitan antara variabel-variabel dalam populasi asal sampel
2. Jika ada hubungan, seberapa kuat hubungan antar variabel

tersebut. Keeratan hubungan itu dinyatakan dalam nama koefisien
korelasi.
Pada analisis yang menggunakan SPSS, korelasi ditampilkan
dalam dua variabel atau disebut korelasi bivariate.
Korelasi bivariate, menggunakan metode product moment earson,
koefisien korelasi ini mengukur keeratan hubungan di antara hasil-hasil
pengamatan dari populasi yang menggunakan dua variabel. Perhitungan
ini mensyaratkan bahwa populasi sampel mempunyai dua variabel dan
berdistribusi normal, dengan skala data yang bersifat interval maupun
rasio.

29
Korelasi Bivariate
Analisis dengan korelasi
Menu – Analyze – Correlate – Bivariate
Pindahkan variabel optimisme dan semangat hidup pada kotak
variabel
Dari sub menu correlation coefficient pilih Pearson
Tabel.8
Data Analisis Hubungan 2 Variabel
Subyek Optimisme Semangat hidup

1. 179 239
2. 181 238
3. 126 184
4. 162 218
5. 202 253
6. 197 275
7. 162 237
8. 177 295
9. 153 242
10. 130 181
11. 156 222
12. 178 264
13. 145 206
14. 172 215
15. 183 276
16. 152 217
17. 142 202
18. 172 247
19. 176 242
20. 164 245
21. 166 278
22. 168 244
23. 169 240
24. 179 257
25. 178 268

30
Correlations
Optimisme Semangat_Hidup
Optimisme Pearson Correlation 1 ,788**

Sig. (2-tailed) ,000
N 25 25
Semangat_Hidup Pearson Correlation ,788** 1

N 25 25
**. Correlation is significant at the 0.01 level (2-tailed).
Dari hasil analisi korelasi diperoleh hasil koefisien korelasi r xy =

0,788 dengan sig.0,000 (p<0,01) berarti ada hubungan antara optimism
dengan semangat hidup, semakin tinggi semangat optimism maka
semakin tinggi pula semangat hidup.
b. Uji Beda atau T-test Statistik Parametrik
Uji t digunakan untuk analisis hipotesis dari dua kelompok data,
baik yang berpasangan maupun yang bebas.
1) Latihan (Paired Sample t-test)

Suatu penelitian dilakukan untuk menguji perbedaan stres
kerja karyawan yang bekerja di ruangan yang bersifat
tradisional, lalu pindah pada ruangan yang modern, diperoleh
data-data sebagai berikut:

31
Tabel. 9 Data Stres Karyawan

dari Ruangan Tradisional ke Ruang Modern
Subjek Ruang Tradisional Ruang Modern
1. 76 77
2. 77 79
3. 78 79
4. 79 80
5. 82 82
6. 88 82
7. 92 93
8. 96 92
9. 84 85
10. 88 90
11. 92 99
12. 98 97
13. 88 90
14. 97 96
15. 89 91
Langkah-Langkah untuk penyelesaian kasus di atas dengan

SPSS
1. Tentukan hipotesis untuk menjawab masalah di atas
2. Buat dua variabel data pada lembar kerja SPSS
3. Masukkan semua data seperti pada tabel di atas

32
4. Analisis dengan paired sample t-test

menu – analyze – compare means – paired sample t test
masukkan kedua variabel pada kolom current selection

33
Hasil analisisnya adalah sebagai berikut :
Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean
Pair 1 Ruang_Tradisional 86,9333 15 7,36271 1,90104
Ruang_Modern 87,4667 15 7,30818 1,88696
Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Std. Error Difference Sig.
Mean Deviation Mean Lower Upper t df (2-tailed)
Pair 1 Ruang_
Tradisional -,53333 2,92445 ,75509 -2,15284 1,08617 -,706 14 ,492
Ruang_
Modern
Dari hasil analisis diperoleh t = -0,706 dengan sig.= 0,492

(p>0,05) yang berarti tidak ada perbedaan stres karyawan pada ruang
tradisional dengan ruang modern.
2) Latihan (Independent Sample T-test)

Mirip dengan penelitian di atas, satu penelitian dilakukan untuk
menguji perbedaan stres kerja dua kelompok karyawan yang bekerja di
ruangan yang bersifat tradisional dan modern pada saat yang sama,
sehingga diperoleh data-data sebagai berikut:

34
Tabel.10
Data Stres Karyawan pada
Ruangan Tradisional dan Ruang Modern
Ruang Tradisional Ruang Modern

75 79
73 85
72 79
79 85
82 82
80 84
92 93
77 93
84 85
89 91
90 99
98 88
88 90
76 97
79 99
Data yang diperoleh dalam entri data ke SPSS, maka ruang trandisional
dan ruang modern diubah menjadi numerik (angka 1 = Tradisional, 2 =
Modern) ditampilkan pada tabel.10

35
Tabel.11
Data Stres Karyawan
Jenis Ruang Stres Karyawan Jenis Ruang Stres Karyawan

1 75 2 79
1 73 2 85
1 72 2 79
1 79 2 85
1 82 2 82
1 80 2 84
1 92 2 93
1 77 2 93
1 84 2 85
1 89 2 91
1 90 2 99
1 98 2 88
1 88 2 90
1 76 2 97
1 79 2 99
Langkah-langkah penyelesaian kasus di atas dengan SPSS

1. Buat hipotesis untuk menjawab masalah tersebut
2. Buat dua variabel pada lembar kerja SPSS
Variabel pertama : Jenis Ruangan
Tipe data : Numeric, width 8, decimal places 0
Value : 2, yaitu, tradisional =1, modern = 2
Variabel kedua : Stres
3. Masukkan data sesuai dengan data yang di atas

36
4. Analisis dengan independent sample t-test

menu – analyze – compare means – independent sampel t
test pindahkan variabel “stres” ke kotak test variable
pindahkan variabel ruangan ke kotak grouping variable
Hasil analisanya adalah sebagai berikut:
T-Test
Group Statistics
Tipe_ruangan N Mean Std. Deviation Std. Error Mean
Tingkat_stres Tradisional 15 82,2667 7,65755 1,97717

Modern 15 88,6000 6,66333 1,72047
Independent Samples Test

Levene's
Test for
Equality of
Variances t-test for Equality of Means
95% Confidence
Interval of the
Sig. (2- Mean Std. Error Difference
F Sig. t df tailed) Difference Difference Lower Upper
Tingkat_ Equal ,310 ,582 -2,416 28 ,022 -6,33333 2,62092 -11,70204 -,96463
stres variances
assumed
Equal -2,416 27,475 ,023 -6,33333 2,62092 -11,70666 -,96001
variances
not
assumed
Perhatikan pada kolom output terdapat dua kolom, di mana equal

variance assumsed adalah jika asumsinya homogen, sedangkan equal
variance not assumsed jika asumsinya heterogen.
Dari output diperoleh t = 2,416 dengan sig. 0,022 (p<0,01) berarti ada
perbedaan tingkat stres karyawan antara ruang modern dan tradisional,
bahwa karyawan di ruang modern memiliki tingkat stres yang tinggi
(rata-rata 88,60) dibandingkan karyawan yang di ruang tradisional (rata-
rata 82,27).

37
E. TEKNIK ANALISIS DATA TIGA VARIABEL
1. Praktikum : a. Analisis Varian 1 Jalur (Perbedaan/Anava A)

b. Analisis Varian 2 Jalur (Perbedaan/Anava AB)
c. Analisis Regresi (Hubungan)
d. Korelasi Parsial (Hubungan)
2. Sifat : Individu
3. Waktu : 120 menit

4. Penjelasan
Untuk analisis 3 variabel penelitian pada modul ini bias dilakukan
dengan 3 teknik analisis:
a. Untuk mencari perbedaan 3 variabel atau lebih bias dilakukan
dengan teknik analisis varian ( bias Anava A atau Anava
AB/faktorial)
b. Untuk mencari hubungan 3 variabel atau lebih dilakukan dengan
Analisis Regresi
c. Sedangkan untuk mengetahui hubungan VB dan VT dengan
mengendalikan VB lainnya digunakan Analisis Korelasi Parsial.
5. Tujuan
Mampu tercapainya kemampuan mahasiswa dalam menganalisis uji
hubungan statistik parametrik menggunakan SPSS .
7. Bahan dan alat
praktikum untuk mengetahui langkah-langkah dalam uji hubungan
statistik parametrik.

38

9. Macam-Macam Uji 3 Variabel Penelitian & Langkah-
Langkah Praktikum:
Uji perbedaan pada statistika parametrik dibedakan atas:

1). Analisis Varians (Anava A atau satu jalur)
Seorang mahasiswa ingin mengkaji apakah ada perbedaan
kemandirian remaja berdasarkan pola asuh orang tua (Otoriter,
Demokratis dan Permisif), diperoleh data sebagai berikut ;
Tabel.12
Nilai Kemandirian dan Pola Asuh
Pola Asuh Pola Asuh Pola Asuh

Otoriter Demokratis Permisif
5 8 5
8 7 4
7 6 5
6 8 3
3 5 3
4 5 3
6 7 4
6 7 5
4 5 3
5 6 4
5 6 3
4 6 5

39
Langkah-langkah menyelesaikan kasus di atas dengan SPSS

1. Buat hipotesis untuk menjawab masalah di atas
2. Buat dua variabel data pada lembar SPSS
Variabel 1 : Pola Asuh
Tipe data : Numeric, width 8, decimal places : 0
Value : Otoriter = 1, Demokratis = 2, Permisif = 3
measure = nominal
Variabel 2 : Kemandirian
Tipe data : Numeric, width 8, decimal places 0, measure = scale
3. Masukkan semua data seperti dengan dua variabel
4. Analisis dengan anava
menu – analyze – compare means – one way anova
Pindahkan variabel intelegensi kekotak dependent list
Pindahkan variabel anak ke kotak factor
Catatan: untuk uji homogenitas, dapat dilakukan dengan cara :
Pilih sub menu option – statistics – homogenity of variance test

40
Output-nya sebagai berikut :
Test of Homogeneity of Variances

Levene
Statistic df1 df2 Sig.
Kemandirian Based on Mean 1,095 2 33 ,346
Based on Median ,708 2 33 ,500
Based on Median and with ,708 2 26,714 ,502
adjusted df
Based on trimmed mean 1,046 2 33 ,363
ANOVA
Kemandirian
Sum of
Squares df Mean Square F Sig.
Between Groups 35,167 2 17,583 13,238 ,000
Within Groups 43,833 33 1,328
Total 79,000 35

41
Hasil analisisnya adalah sebagai berikut :

Untuk uji asumsi ;
Dengan nilai levene statistic 1,095 dengan sig.0,346 (p>0,05) maka
dapat disimpukan bahwa data kemandirian homogeny
Uji hipotesis ;
Berdasarkan data di atas diperoleh F = 13,238 dengan (p<0,001) Berarti
ada perbedaan kemandirian berdasarkan pola asuh orang tua, secara
berurutan kemandirian pola asuh demokratis dengan nilai rata-rata
6,3333, otoriter = 5,25 dan permisif = 3,9167.
Descriptives
Kemandirian
95% Confidence
Interval for Mean
Std. Lower Upper
N Mean Deviation Std. Error Bound Bound Min Max

Otoriter 12 5,2500 1,42223 ,41056 4,3464 6,1536 3,00 8,00
Demokratis 12 6,3333 1,07309 ,30977 5,6515 7,0151 5,00 8,00
Permisif 12 3,9167 ,90034 ,25990 3,3446 4,4887 3,00 5,00
Total 36 5,1667 1,50238 ,25040 4,6583 5,6750 3,00 8,00
2). Latihan Anava Dua Jalur (Anava AB)
Seorang mahasiswa ingin menguji pengaruh pola asuh dan jenis

pekerjaan terhadap kemandirian remaja. Pola Asuh (A) terdiri dari
Otoriter (A1), Demokratis (A2), dan Permisif (A3), sedangkan jenis
pekerjaan dibagi menjadi Pegawai Negeri (B1), Wiraswasta (B2 dan
Lain-lain (B3), skor-skor kemandirian remaja adalah sebagai berikut
;

42
Tabel.13
Data Skor Kemandiran
Jenis Pola Asuh Pola Asuh Pola Asuh

Pekejaan Otoriter Demokratis Permisif
5 8 5
8 7 4
PNS
7 6 5
6 8 3
3 5 3
4 5 3
Swasta
6 7 4
6 7 5
4 5 3
5 6 4
Lain-lain
5 6 3
4 6 5
1. Buat 3 variabel pada lembar SPSS

Variabel 1 = Pola Asuh
Value : Otoriter = 1, Demokratis = 2, Permisif = 3
measure = nominal
Variabel 2 = Pekerjaan
Value : PNS = 1, Wiraswasta = 2, Lain² = 3

43
measure = nominal
Variabel 3 = Kemandirian
Tipe data : Numeric, width 8, decimal places : 0,
measure : scale
3. Analisis dengan Anava
menu – analyze – General linier model – Univariate (Simple
Factorial)
Pindahkan variabel Kemandirian ke kotak Dependent variabel
Pindahkan variabel Pola Asuh dan Pekerjaan pada kotak Fixed
Factor
Selanjutnya klik option centang descriptive statistics dan
homogeneity test
Selanjutnya klik option centang descriptive statistics dan

homogeneity test→ continue→ok

44
Output dari Anava AB adalah sebagai berikut ;
Levene's Test of Equality of Error Variancesa,b

Levene
Statistic df1 df2 Sig.
Kemandirian Based on Mean 2,059 8 27 ,077

Based on Median 1,670 8 27 ,152
Based on Median and with 1,670 8 20,743 ,165

adjusted df
Based on trimmed mean 2,069 8 27 ,076
Tests the null hypothesis that the error variance of the dependent variable is equal across groups.
a. Dependent variable: Kemandirian
b. Design: Intercept + Pola_Asuh + Perkerjaan + Pola_Asuh * Perkerjaan
Hasilnya F = 2,059 dengan sig.0,077 (p>0,05) berarti data bersifat

homogen
Descriptive Statistics
Dependent Variable: Kemandirian

Pola_Asuh Perkerjaan Mean Std. Deviation N
Otoriter PNS 6,5000 1,29099 4
Swasta 4,7500 1,50000 4
Lain2 4,5000 ,57735 4
Total 5,2500 1,42223 12
Demokratis PNS 7,2500 ,95743 4
Swasta 6,0000 1,15470 4
Lain2 5,7500 ,50000 4
Total 6,3333 1,07309 12
Permisif PNS 4,2500 ,95743 4
Swasta 3,7500 ,95743 4
Lain2 3,7500 ,95743 4
Total 3,9167 ,90034 12
Total PNS 6,0000 1,65145 12
Swasta 4,8333 1,46680 12
Lain2 4,6667 1,07309 12
Total 5,1667 1,50238 36

45
Tests of Between-Subjects Effects

Dependent Variable: Kemandirian
Type III Sum of Mean
Source Squares df Square F Sig.
Corrected Model 50,500a 8 6,313 5,980 ,000
Intercept 961,000 1 961,000 910,421 ,000
Pola_Asuh 35,167 2 17,583 16,658 ,000
Perkerjaan 12,667 2 6,333 6,000 ,007
Pola_Asuh * Perkerjaan 2,667 4 ,667 ,632 ,644
Error 28,500 27 1,056
Total 1040,000 36
Corrected Total 79,000 35
a. R Squared = ,639 (Adjusted R Squared = ,532)
Dari analisis diperoleh hasil ;

1. F = 16,650 dengan (p <0,001) berarti ada perbedaan kemandirian
berdasarkan pola asuh orang tua, secara berurutan kemandirian pola
asuh tertinggi dengan rata-rata 6,3333, pola asuh otoriter 5,250 dan
terendah pola asuh permisif 4,8333
2. F = 6,000 dengan sig.0,007 (p<0,01) berarti ada perbedaan
kemandirian berdasarkan pekerjaan orang tua, kemandirian tertinggi
orang tua PNS dengan rata-rata 6,000, wiraswasta 4,8333 dan
terendah pekerjaan dll 4,6667
3. F = 0,632 dengan sig.0,644 (p>0,05) berarti tidak ada interaksi antara
Pola Asuh orang tua dengan pekerjaan orang tua terhadap
kemandirian anak.

46
3). Latihan Regresi Ganda Dua Prediktor

Dua prediktor, yaitu (1) kematangan emosi dan (2) toleransi terhadap
kegagalan secara sendiri-sendiri maupun bersama-sama diduga
mempunyai hubungan yang kuat terhadap kriterium keparahan
depresi. Ujilah dugaan tersebut dari data di bawah ini, dan simpulkan
apa saja yang dapat Anda simpulkan.
Tabel. 14
Data Anareg Ganda
Subyek Kematangan Emosi Toleransi Depresi

(X1) (X2) (Y)
1 12 15 18
2 15 15 17
3 13 15 19
4 16 13 14
5 13 16 15
6 15 14 15
7 14 15 16
8 16 16 16
9 17 17 15
10 15 17 14
11 14 18 15
12 16 15 13
13 15 16 16
14 17 17 14
15 17 18 14

47
Langkah-Langkah untuk menyelesaikan kasus di atas

dengan SPSS
1. Buat variabel data pada lembar kerja SPSS

⚫ Variabel : Kematangan Emosi, Toleransi, Depresi
3. Analisis dengan regresi
Menu – analyze – Regression – Linier
Pindahkan variabel Depresi pada kotak Dependent
Pindahkan variabel Kematangan Emosi dan Toleransi pada kotak
Independent (s)
Output Anareg
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 ,675a ,455 ,364 1,307
a. Predictors: (Constant), Toleransi, Kematangan
b. Dependent Variable: Depresi

48
ANOVAa
Model Sum of Squares Df Mean Square F Sig.
1 Regression 17,116 2 8,558 5,013 ,026b

Residual 20,484 12 1,707
Total 37,600 14
a. Dependent Variable: Depresi
b. Predictors: (Constant), Toleransi, Kematangan
Kesimpulan :
R = 0,675 dengan F = 5,013 sig.0,026 (p<0,05) berarti secara bersama-
sama kematangan emosi (X1) dan toleransi terhadap kegagalan (X2)
mempunyai hubungan dengan kriterium keparahan depresi (Y). Adapun
sumbangan efektif kedua prediktor sebesar 45,50 % (R2 = 0,455)
terhadap keparahan depresi
Untuk analisis secara sendiri-sendiri dilakukan Analyze---correlate---
bivariate
Correlations
Kematangan Toleransi Depresi
Kematangan Pearson Correlation 1 ,257 -,671**
Sig. (2-tailed) ,354 ,006
N 15 15 15
Toleransi Pearson Correlation ,257 1 -,239
Sig. (2-tailed) ,354 ,392
N 15 15 15
Depresi Pearson Correlation -,671** -,239 1
Sig. (2-tailed) ,006 ,392
N 15 15 15
Hasil analisis korelasi ;

1. r x1y = - 0,671 dengan sig.0,006 (p<0,01) berarti ada hubungan
negatif antara kematangan emosi dengan keparahan depresi,
semakin matang emosi seseorang maka akan rendah keparahan
depresinya dan sebaliknya.

49
2. r x2y = - 0,239 dengan sig.0,392 (p>0,05) berarti tidak ada hubungan

negatif antara toleransi terhadap kegagalan dengan keparahan
depresi
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 26,984 4,594 5,874 ,000

Kematangan -,687 ,232 -,653 -2,962 ,012
Toleransi -,081 ,254 -,071 -,320 ,754
a. Dependent Variable: Depresi
Berdasarkan tabel koefisien dari Analisis Regresi di atas kita bisa

mengetahui sumbangan efektif masing-masing variabel bebas atau
prediktor yang bisa dihitung dari nilai standardized coefficients beta x
koefisien korelasi x 100% sehingga didapatkan hasil ;
Untuk variabel kematangan 0,653 x 0,671 x 100% = 43,82%
Untuk variabel toleransi 0,071 x 0,239 x 100% = 1,69 %
4). Latihan Korelasi Parsial

Dalam penelitian di perusahaan kosmetik akan dikaji hubungan
antara Motivasi Kerja dengan Prestasi Kerja, dengan variabel
Intelegensi sebagai kontrolnya. Berikut disajikan data-datanya:

50
Tabel.15
Data Motivasi, IQ, dan Prestasi Kerja
Karyawan Motivasi IQ Prestasi Kerja
1. 85 110 84
2. 82 100 85
3. 84 90 84
4. 91 110 87
5. 83 108 92
6. 88 106 91
7. 82 95 88
8. 86 90 82
9. 84 95 86
10. 90 105 84
Langkah-langkah untuk menyelesaikan kasus tersebut di atas

dengan menggunakan SPSS adalah :
1. Buat 3 variabel data pada lembar kerja SPSS
Variabel : Motivasi, IQ, Prestasi
3. Analisis dengan korelasi
Menu – Analyze – Correlate – Partial
Pindahkan variabel motivasi dan prestasi ke kotak variabel
Pindahkan variabel IQ ke kotak controlling for

51
Correlations
Control Variables Motivasi Prestasi_kerja
Inteligensi Motivasi Correlation 1,000 -,357
Significance (2-tailed) . ,345
Df 0 7
Prestasi_kerja Correlation -,357 1,000

Significance (2-tailed) ,345 .
Df 7 0
Hasil ;
r x1y-2 = -0,347 dengan sig.0,345 (p>0,05) berarti dengan
mengendalikan inteligensi tidak ada hubungan antara motivasi dan
prestasi kerja.

52
BAGIAN II
ANALISIS DATA
DENGAN JASP

53
APA ITU JASP?
JASP merupakan singkatan dari Jeffrey’s Amazing Statistics

Program sebagai bentuk penghargaan atas pelopor analisa statistik
Bayesian, Sir Harold Jeffreys. JASP adalah aplikasi olah data statistik
yang dapat diakses secara bebas dan gratis. Aplikasi ini terus
dikembangkan dan terus diperbarui (saat ini v 0.11.1 pada Oktober
2019) oleh sekelompok peneliti di University of Amsterdam. Tujuan
mereka adalah untuk mengembangkan sebuah program statistik
yang dapat diakses secara bebas dan gratis yang mencakup teknik
statistik dasar dan teknik yang lebih kompleks (advance) dengan
penekanan utama pada tampilan yang lebih sederhana.
Berbeda dengan program statistik umumnya, JASP
menyediakan tampilan sederhana, menu yang mudah diakses, data
dianalisis secara langsung (real time) ketika pengguna memilih menu
dan data tertentu, serta hasil langsung dapat dilihat pada layar.
Semua tabel dan grafik disajikan dalam format APA dan dapat disalin
secara langsung dan/atau disimpan secara terpisah. Tabel juga
dapat diekspor dari JASP dalam format LaTeX
JASP dapat diunduh secara gratis dari situs web https://jasp-
stats.org/ dan tersedia untuk Windows, Mac OS X, dan Linux. Anda
juga dapat mengunduh versi Windows yang telah terinstal
sebelumnya yang akan dijalankan langsung dari USB atau hard drive
eksternal tanpa harus mengunduh pada PC atau laptop Anda.
JASP sendiri dapat menggantikan program komputer untuk
analisis statistik (dan juga psikometri) berbayar yang biasa kita gunakan,
seperti SPSS. Bahkan Lindeløv (2017) dalam blognya membandingkan
JASP dan SPSS dengan sangat provokatif. Mengapa provokatif? Karena

54
dalam tulisannya JASP ditampilkan dengan gambar mobil sport mewah,

sedangkan SPSS digambarkan sebagai mobil tua rongsokan. Memang
selain JASP, juga banyak tersedia sejumlah program komputer analisis
statistik yang gratis, semisal R atau PSPP, yang sudah banyak
digunakan. R saat ini sepertinya cukup populer, tidak hanya di kalangan
ilmuwan psikologi, tapi juga ilmuwan di bidang lain. Kelemahan R
dibandingkan JASP adalah pengguna harus mengetikkan sintaks untuk
menjalankan analisis. Hal ini sering kali menjadi hambatan tambahan
bagi orang yang tidak terlalu menyukai statistik, ditambah harus
menggunakan program komputer yang cukup rumit. Untuk menjalankan
JASP, sama seperti SPSS, hanya cukup dengan meng-klik menu dan
mencentang pilihan analisis yang dikehendaki. Untuk PSPP sendiri,
yang dibuat dengan semangat menggantikan SPSS (bahkan namanya
sendiri merupakan kebalikan dari SPSS serta menu analisis serta hasil
keluarannya yang hampir 100% sama seperti SPSS), tampaknya tidak
berhasil mencapai tujuannya. Hingga bulan September 2019, belum ada
update lebih baru dari PSPP versi 1.2.0 sejak dirilis November 2018
untuk sistem operasi Windows. Untuk JASP sendiri, pada 24 September
2019 sudah merilis JASP versi 0.11.0 dengan tambahan fitur Machine
learning Module, menggantikan versi 0.10.2 yang sebelumnya dirilis
pada 22 Juli 2019, terakhir JASP versi 0.14.1
Analisis statistik yang umum dilakukan di psikologi, mulai dari
statistik deskriptif, t-test, ANOVA, regresi, bahkan hingga mediation
analysis tersedia di JASP. Untuk analisis psikometri, JASP menyediakan
analisis reliabilitas (Cronbach’s Alpha, McDonald’s Omega, dan Guttman
Lambda 6) serta analisis faktor, baik untuk Exploratory Factor Analysis
(EFA) maupun CFA.

55
Kelebihan JASP
1. “Free, Friendly, and Flexible”,
2. JASP dapat dipasang diberagam sistem operasi komputer, yaitu
Windows, MacOS, dan Linux. Artinya, sebagian besar komputer
mampu menjalankan JASP
3. Data dan keluaran hasil analisis JASP berada di satu file yang
sama, tidak seperti SPSS yang file-nya disimpan terpisah antara
data dengan keluaran hasil
4. Karena dibuat oleh para ahli di bidang psikologi, maka JASP
mengakomodir fitur-fitur yang menjadi persyaratan dalam
panduan penulisan APA
5. Uji asumsi di setiap analisis statistik menjadi keunggulan lain bagi
JASP dibandingkan SPSS. Setiap analisis pada program JASP
diberikan pilihan uji asumsi, misalnya ketika memilih
independent sample t-test, akan diberi pilihan “normality”, untuk
uji normalitas, dan “equality of variance”, untuk uji homogenitas
varians. Sedangkan, uji asumsi di SPSS cukup repot dilakukan
karena, misalnya, uji normalitas tidak tersedia di menu
independent sample t-test, melainkan harus menggunakan menu
Explore pada Descriptive Statistics untuk pilihan Normality plot
with tests.
Kekurangan JASP
1. JASP versi terbaru untuk sistem operasi Windows nampaknya

hanya dapat dijalankan dengan Windows 10
2. JASP tidak memiliki fitur membuat data baru, mengedit, atau
mengubah data. Artinya, anda terlebih dahulu harus membuat
data dengan program lain, misalnya MS Excel.JASP sendiri tidak
memiliki fasilitas impor file, dan hanya dapat membaca file
berekstensi: .sav (file data SPSS), .txt (file teks), .csv (comma
separated value), dan .ods (open office spreadsheet).

56
B. MENGUNAKAN DAN MENU JASP
Bukalah aplikasi JASP.
Menu utama dapat diakses dengan mengklik ikon kiri atas.
Open (Membuka data):

JASP memiliki format .jasp tersendiri,
tetapi juga dapat membuka berbagai
format data seperti:
.csv (comma separated values) yang
disimpan dengan program Excel
.txt (plain text) juga dapat disimpan
dengan program Excel
.sav (IBM SPSS data file)
.ods (Open Document Spreadsheet)

57
Anda dapat membuka data yang terakhir Anda kerjakan, mencari data
pada file di komputer Anda, mengakses data dari the Open Science
Framework (OSF) atau membuka berbagai data yang disediakan
sebagai contoh yang tersimpan dalam Data Library
Save/Save as (Menyimpan data):

Dengan menggunakan opsi ini, file data,
anotasi, dan analisis apa pun dapat
disimpan dalam format .jasp
Export data (Ekspor data):
Hasil dapat diekspor ke file HTML
Data dapat diekspor ke file .csv atau .txt
Sync Data (Sinkronisasi data):
Digunakan untuk menyinkronkan dengan
setiap pembaruan dalam file data saat ini
(juga dapat menggunakan Ctrl-Y)
Close (menutup data):
Menutup data - menutup file yang sedang
dibuka, tetapi tidak menutup program
JASP

58
Preferences (Preferensi):
Ada tiga bagian yang dapat digunakan pengguna untuk menyesuaikan
JASP dengan kebutuhan.
Pada menu Results Preferences pengguna dapat:

Mengatur JASP untuk memiliki nilai signifikansi (p value) yang
sebenarnya, misalnya
p=0.00087, dibandingkan p<0.001.
Memperbaiki jumlah desimal untuk data dalam tabel -
membuat tabel lebih mudah dibaca/dipublikasikan
Mengganti resolusi dari grafik dan plot
Menentukan warna latar belakang grafik ketika ingin menyalin (copy-
paste), apakah berlatar belakang putih atau transparan

59
Pada menu Advanced Preferences, pengguna akan dapat

mengubah tampilan ukuran huruf untuk kecepatan akses. Sejak versi
0.10.0, JASP memiliki tampilan baru untuk berpindah antara tampilan
data, analisis dan hasil.

60
Garis vertikal yang disorot di atas memungkinkan jendela digeser ke

kanan atau kiri dengan meng-klik dan menyeret tiga titik vertikal
Setiap tampilan layar juga dapat diperkecil atau tidak ditampilkan

dengan menggunakan lambang panah kiri-kanan berhadapan.
Jika Anda mengarahkan kursor ke atas lambang pada bagian
hasil (results), dan menekan tombol tersebut akan muncul berbagai
pilihan/opsi seperti:
Remove all untuk menghapus semua analisa dari tampilan

hasil (the output window)
Remove untuk menghapus tampilan analisa yang dipilih
Collapse untuk tidak menampilkan output
Add notes untuk menambah catatan pada setiap output
Copy untuk menyalin output
Copy special (LaTeX code) untuk menyalin hasil dengan
format tertentu
Save image as untuk menyimpan hasil dalam bentuk gambar
Menu ‘Add notes’ memungkinkan Anda untuk memberikan
penjelasan pada bagian output dan kemudian mengubah file
kedalam format HTML dengan melakukan pengaturan File >
Export Results.
Anda dapat mengubah ukuran seluruh tabel dan grafik dengan

menggunakan “ctrl +” (memperbesar) “ctrl –“ (memperkecil) “ctrl
=” (kembali ke ukuran default). Grafik juga dapat diatur
ukurannya dengan menarik tombol pada bagian sudut kanan

61
bawah dari grafik.

Sebagaimana disebutkan sebelumnya, seluruh tabel dan
gambar dibuat dalam format APA dan dapat langsung disalin
(copy and paste) ke berbagai dokumen. Seluruh gambar dapat
disalin atau disimpan dengan latar belakang putih atau
transparan yang dapat diatur dengan cara meng-klik
Preferences
> Advanced sebagaimana yang telah disampaikan sebelumnya.
Berbagai informasi lebih lanjut mengenai JASP dapat dilihat
pada website berikut ini https://jasp- stats.org/
Mengolah Data di JASP
Untuk bagian ini, silahkan buka data dengan judul England

injuries.csv
Seluruh data harus memiliki label pada header. Ketika data tersebut
dibuka, akan terlihat tampilan berikut

62
Untuk data yang lebih besar, terdapat lambang telapak tangan

yang memungkinkan Anda untuk melihat keseluruhan data.
Ketika membuka data dalam JASP, JASP akan berusaha menerka
jenis data pada setiap variabel dengan memilih:
Nominal Ordinal Continuous
Jika JASP keliru dalam mengidentifikasi tipe data, cukup klik pada
lambang jenis data pada judul kolom variabel yang sesuai kemudian
mengubahnya ke format yang benar.
Jika Anda telah mengkode data, Anda dapat meng-klik nama variabel
untuk membuka jendela berikut di mana Anda dapat memberi label
pada setiap kode. Label ini sekarang menggantikan kode dalam
tampilan data Anda. Jika Anda menyimpan ini sebagai file .jasp, kode-
kode ini, serta semua analisis
dan catatan, akan disimpan secara otomatis. Ini membuat analisis
data dapat sepenuhnya dilakukan kembali.

63
Di jendela ini, Anda juga dapat melakukan penyaringan data

sederhana, misalnya, jika Anda menghapus centang pada label
Wales, maka data tersebut tidak akan digunakan dalam analisis
selanjutnya.
Dengan mengklik ikon ini, Anda dapat membuka serangkaian

opsi penyaringan data yang jauh lebih komprehensif:
Penggunaan opsi ini tidak akan dijelaskan dalam buku ini. Untuk
informasi lebih mendalam dan mendetail mengenai penggunaan
penyaringan data yang lebih kompleks, Anda dapat melihat pada
tautan berikut ini: https://jasp-stats.org/2018/06/27/how-to-filter-your-
data-in-jasp/

64
Menu Analisis Pada JASP
Opsi analisis utama dapat diakses dari tombol pilihan toolbar utama.
Saat ini (v0.11.1) menawarkan uji statistik parametrik dan non
parametrik yang sering dilakukan berikut ini dan tes Bayesian:
Descriptives Regression
Descriptive statitics Correlation matrix
Reliability analysis Linear regression
Logistic regression
T-Tests Frequencies
Independent Binomial test*
Paired Multinomial test*
One sample Contingency tables*
Log-linear regression*
ANOVA Factor
Independent Principal Component Analysis (PCA)*
Repeated measures Exploratory Factor Analysis (EFA)*
ANCOVA* Confirmatory Factor Analysis (CFA)*
MANOVA*
* Tidak dibahas di buku ini
Dengan mengklik lambang + pada sudut kanan atas dari menu

Anda juga dapat mengakses opsi lebih kompleks (advance) meliputi:
Network analysis, Meta-Analysis, Structural Equation Modelling dan
Bayesian Summary Stats.
Setelah Anda memilih analisis yang diperlukan, semua opsi statistik

65
yang memungkinkan akan muncul di jendela sebelah kiri dan hasil

analisis akan muncul di jendela sebelah kanan.
Fitur lain yang diperkenalkan di v0.10.0 adalah kemampuan
untuk mengubah nama dan 'menumpuk' hasil analisis sehingga Anda
dapat mengatur lebih dari satu analisis.
Tiap analisis dapat dinamai ulang dengan menekan lambang pulpen

atau dihapus dengan menekan tanda silang merah.
Dengan mengklik analisis dalam daftar ini maka Anda akan

dapat melihat bagian yang sesuai pada halaman hasil analisis
(output). Output ini juga dapat disusun ulang dengan menarik ke atas
atau ke bawah setiap analisis.
Lambang informasi berwarna biru memberikan detail informasi
mengenai setiap prosedur analisa statistik yang digunakan.

66
C. SELEKSI AITEM DAN RELIABILITAS SKALA
Untuk melakukan reliabilitas skala kita gunakan data yang ada

pada table.3 di depan yaitu Skala Semangat Hidup, data yang ada
terlebih dahulu di copy ke excel kemudian di save dengan ekstensi
csv. Langkah pertama meng-klik simbol garis 3 baris warna biru pada
bagian kiri atas pilih open→computer pilih file Data Tabel.3
Reliabilitas Skala SH

67
Selanjut klik reliability, pilih classical, centang cronbach, cronbach if

(item dropped), item-rest correlation, pindahkan seluruh item ke
variabel, hasil akhirnya seperti ini ;
Hasil output JASP
Frequentist Scale Reliability Statistics

Estimate Cronbach's α
Point estimate 0.858
95% CI lower bound 0.748
95% CI upper bound 0.926
Jika item no.2 dibuang hasil reliabilitas menjadi naik ;
Frequentist Scale Reliability Statistics

Estimate Cronbach's α
Point estimate 0.864
95% CI lower bound 0.758
95% CI upper bound 0.930

68
Frequentist Individual Item Reliability Statistics

If item dropped
Item Cronbach's α Item-rest correlation
V1 0.843 0.651
V2 0.864 0.181
V3 0.846 0.551
V4 0.855 0.420
V5 0.845 0.581
V6 0.852 0.431
V7 0.836 0.762
V8 0.837 0.704
V9 0.849 0.487
V10 0.860 0.319
V11 0.849 0.491
V12 0.854 0.392
V13 0.849 0.522
V14 0.848 0.514
V15 0.844 0.590
Catatan : Hasil analisis dengan JASP tidak ada perbedaannya

dengan SPSS, bahkan lebih simple dengan JASP

69
D. UJI ASUMSI DATA STATISTIKA PARAMETRIK
Persyaratan melakukan uji statistik parametrik, kita perlu

membuat serangkaian uji asumsi mengenai data kita dan berbagai
kemungkinan yang bisa muncul jika asumsi tersebut tidak terpenuhi,
seperti:
Uji normalitas
Uji homogenitas dari varian atau homoscedasticity
Berbagai uji statistik yang dapat dilakukan untuk menguji asumsi

tersbut.
1. Uji Normalitas Data
Normalitas data tidak hanya semata-mata untuk mengetahui
apakah data terdistribusi normal saja tetapi juga untuk mengetahui
apakah data yang dimiliki dapat membuat model dengan tepat dan
terdistribusi secara normal. Normalitas data dapat diketahui dengan
beberapa cara:
a. Perhitungan numerik
b. Visual/grafik
c. Uji statistik
Secara numerik, kita dapat menggunakan output Descriptives
untuk menghitung kecondongan data (skewness) dan seberapa
runcing kurva sebaran data (kurtosis). Untuk data yang terdistribusi
normal, kedua nilai tersebut seharusnya mendekati 0. Untuk
menentukan nilai signifikansi dari skewness atau kurtosis kita dapat
mengetahui dengan menghitung z-scores dengan membaginya
dengan standard errors:
Skewness Z = skewness Kurtosis Z = kurtosis

Skewness standard error kurtosis standard error
Signifikansi skor Z: p<0.05 jika z >1.96 p<0.01 jika z >2.58 p<0.001 jika z >3.29

70
Silahkan buka file Exploring data.csv, pilih menu Descriptives >

Descriptive Statistics, pindahkan Variable 3 ke kotak Variables yang
ada di sisi kanan, pada menu Statistics pilih Mean, Std. deviation,
Skewness, seperti yang terlihat pada gambar di bawah ini:
Dari gambar di atas dapat diketahui bahwa skewness dan

kurtosis dari data tidak mendekati 0. Nilai skewness yang positif
menunjukkan bahwa data terdistribusi lebih banyak pada sisi sebelah
kiri dari grafik (silahan lihat grafik setelah ini) sementara itu nilai
kurtosis negatif menunjukkan bahwa data terdistribusi cenderung
menunjukkan kurva yang rata. Jika kita menghitung z scores dapat
dilihat bahwa data condong positif (positively skewed) secara
signifikan, p<0.05.
[Sebagai catatan, nilai skewness dan kurtosis dapat signifikan pada
data yang sangat banyak meskipun data terdistribusi normal.]
Sekarang silahkan tambahkan Variable 2 pada kotak Variables
yang ada di sebelah kanan dan pada menu Plots silahkan centang
Distribution plot. Akan muncul dua grafik berikut ini:

71
Merupakan hal yang cukup mudah untuk menggambarkan

bahwa Variable 2 memiliki distribusi data yang simetris. Variable 3
cenderung condong ke kiri sebagaimana yang ditunjukkan oleh
skewness Z score.
Merupakan hal yang cukup mudah untuk menggambarkan
bahwa Variable 2 memiliki distribusi data yang simetris. Variable 3
cenderung condong ke kiri sebagaimana yang ditunjukkan oleh
skewness Z score.
Grafik lain yang digunakan untuk melihat normalitas data adalah
Q-Q plot. Q-Q plots dapat diperoleh dari menu Descriptives dan juga
dapat diperoleh sebagai bagian dari uji asumsi pada analisis regresi
linier dan ANOVA. Q-Q plots menunjukkan kuantil (titik potong) dari
data aktual terhadap yang diharapkan untuk distribusi normal.
Jika data terdistribusi secara normal maka seluruh titik akan
berada dekat dengan garis diagonal yang menjadi referensi dalam
menentukan normalitas. Jika titik meliliti garis diagonal dapat
mengindikasikan terdapat masalah pada kecondongan sebaran data
(skewness). Di bawah ini merupakan Q-Q plots untuk Variables 2 and
3. Bandingkan grafik berikut ini dengan distribusi plot dan
skewness/kurtosis z scores di atas.

72
Variable 2 Variable 3
Uji Shapiro-Wilk adalah metode uji statistik yang digunakan dalam

JASP untuk melakukan uji asumsi normalitas data. Uji ini juga
digunakan dalam uji independent t-test (untuk melihat distribusi data
pada dua kelompok) dan paired t-test (untuk melihat perbedaan
distribusi data pada pasangan data). Uji ini menghasilkan nilai W (W
value); di mana nilai W yang kecil menunjukkan bahwa data Anda tidak
tedistribusi secara normal (dengan demikian, hipotesis nol yang
menyatakan bahwa populasi Anda terdistribusi normal ditolak, yang
berarti data tidak terdistribusi dengan normal).

73
Pada menu Descriptives, uji Shapiro-Wilk dapat dipilih dengan

mencentang pada menu Distribution test. Table hasil uji Shapiro-Wilk
menunjukkan bahwa tidak terdapat perbedaan signifikan antara data
dengan distribusi normal untuk Variabel 2, tetapi terdapat perbedaan
atau penyimpangan yang signifikan dari distribusi normal untuk Variabel
3.
Keterbatasan atau limitasi paling penting jika menggunakan uji
normalitas ini adalah adanya bias data yang disebabkan oleh ukuran
atau jumlah sampel. Semakin besar sampel maka semakin besar
kemungkinan Anda memperoleh hasil uji statistik yang signifikan.
Uji asumsi normalitas data -- Catatan!

Agar data pada uji statistik parametrik dapat menunjukkan hasil
yang reliabel, salah satu asumsi yang perlu dipenuhi adalah data
terdistribusi dengan normal. Data yang terdistribusi normal ditunjukkan
dengan puncak data (data dengan jumlah paling banyak) berada di
tengah sebaran data dan data tersebar secara simetrik di sekitar rerata.
Akan tetapi, data tidak harus terdistribusi normal secara sempurna
untuk menjamin reliablitasnya.
Jadi, apakah uji asumsi normalitas masih diperlukan?
Teori the Central Limit Theorem menyatakan bahwa semakin besar
ukuran sampel misalnya >30 data maka data akan cenderung
mendekati distribusi normal. Oleh karena itu, semakin banyak data
yang dimiliki maka semakin mendekati asumsi distribusi normal
sehingga dapat diasumsikan rerata sampel semakin mendekati rerata
populasi.

74
Data yang besar kemungkinan besar akan menunjukkan hasil

yang signifikan untuk uji normalitas seperti uji Shapiro-Wilk atau
menunjukkan skewness dan kurtosis z-scores yang mendekati distribusi
normal. Sebaliknya, jumlah data yang kecil akan menurunkan kekuatan
statistik dari data untuk mewakili distribusi normal. Akan tetapi, data
yang tidak memenuhi asumsi uji normalitas bukan berarti secara
otomatis akan menunjukkan hasil yang buruk.
Apa Yang Sebaiknya dilakukan Jika Data Tidak Terdistribusi

Normal?
Lakukan transformasi data kemudian lakukan kembali uji

normalitas untuk memastikan data yang sudah ditransformasikan juga
terdistribusi normal. Transformasi data yang umum dilakukan adalah
dengan logaritma atau mengakarkan (square root) data.
Jika data tidak terdistribusi normal juga dapat dianalisa dengan
menggunakan uji statistik non parametrik.
2. Uji Homogenitas Data

Uji Levene’s adalah metode yang umum digunakan untuk menguji
hipotesis nol bahwa varians di dua kelompok tidak berbeda secara
signifikan. Hasil dari uji ini (F) dilaporkan dengan berpatokan pada p-
value, jika hasil tidak signifikan dapat disimpulkan bahwa hipotesis nol
diterima – dengan demikian dapat dikatakan varians data pada kedua
kelompok setara; jika p-value signifikan dapat disimpulkan bahwa
varians data pada kedua kelompok tidak setara. Uji Levene’s juga
termasuk dalam uji Independent t-test dan ANOVA pada JASP
sebagai bagian dari uji asumsi.

75
Gunakan data Exploring data.csv, kemudian silahkan pilih menu

T-Tests > Independent Samples t-test pindahkan Variable 1 ke kotak
Variable yang ada di sisi kanan dan tentukan kelompok data dengan
memasukkan Group pada Grouping variable dan centang Assumption
Checks > Equality of variances.
Pada contoh ini, dapat diketahui bahwa tidak terdapat perbedaan

signifikan pada kedua group F (1) = 0.218, p=.643.
Uji asumsi homoscedasticity (untuk membuktikan varians kedua data
adalah setara) adalah asumsi penting dalam uji regresi linier.
Diasumsikan bahwa keberagaman data di antara garis regresi adalah

76
sama untuk semua prediktor. Heteroscedasticity (pelanggaran dari uji

homoscedasticity) muncul jika varians kedua kelompok berbeda pada
setiap nilai dari variabel bebas. Uji ini dapat divisualisasikan dalam uji
regresi linier dengan membuat plot membandingkan skor residual
yang sebenarnya dengan skor residual yang diprediksi.
Jika homoscedasticity dan linearitas tidak dilanggar maka seharusnya

tidak terdapat hubungan antara model yang diprediksi dengan eror
seperti yang terlihat pada gambar di sebelah kiri. Pada gambar yang
di tengah (seperti corong) menunjukkan bahwa homoscedasticity telah
dilanggar (data bersifat heterogen), dan bentuk kurva (pada gambar
paling kanan) menunjukkan bahwa data tidak linier.

77
E. TEKNIK ANALISIS DATA DUA VARIABEL
1. Uji T-Independen (Perbedaan dua kelompok)
Uji-t kelompok independen merupakan bagian dari statistik

parametrik yang juga dikenal dengan uji t Student’s. Uji ini digunakan
untuk mengetahui apakah terdapat perbedaan secara statistik antara
rata- rata dari dua kelompok yang mandiri. Uji ini membutuhkan variabel
terikan yang kontinu (misalnya tingkat stres) dan variabel bebas yang
membandingkan kedua kelompok (misalnya ruangan tradisional dan
modern).
Tes ini menghasilkan skor-t yang merupakan rasio perbedaan
antara kedua kelompok dan perbedaan dalam kedua kelompok:
Nilai t yang besar menunjukkan adanya perbedaan yang besar antara
kedua kelompok yang dibandingkan. Begitu juga sebaliknya jika nilai t
yang kecil. Apabila nilai t adalah 5, maka hal itu bermakna kedua
kelompok lima kali berbeda satu sama lain.
Hipotesis null (Ho) yang diuji adalah rata-rata populasi dari dua
kelompokyang tidak berhubungan ini adalah sama.
Asumsi Yang Harus Dipenuhi Untuk Uji-T Independen
Kelompok yang independen:
Kedua kelompok harus independen satu sama lain. Setiap peserta

hanya akan memberikan satu poin data untuk satu kelompok saja.
Misalnya partisipan 1 hanya dapat berada di kelompok laki-laki atau
perempuan. Tidak ada partisipan yang berada di dua kelompok.
Pengujian berulang akan dilakukan dengan metode yang berbeda yaitu
uji-t berpasangan.

78
Normalitas variabel terikat:
Variabel terikat juga harus diukur dengan skala kontinu dan

sekiranya terdistribusi secara normal tanpa ada outlier yang signifikan.
Ini dapat diperiksa menggunakan uji Shapiro-Wilk. Uji-t cukup matang
dan penyimpangan kecil dari normal biasanya dapat diterima. Namun,
ini tidak terjadi jika ukuran grup sangat berbeda. Aturan praktisnya
adalah bahwa rasio antara ukuran kelompok harus <1,5 (dalam hal ini,
jika kelompok A=12 partisipan, maka kelompok B=> 8 peserta).
Jika normalitas dilanggar, Anda dapat mencoba mengubah data
Anda (misalnya nilai log, nilai akar kuadrat) atau, jika ukuran grup
sangat berbeda, gunakan uji Mann-Whitney U yang merupakan
persamaan non-parametrik yang tidak memerlukan asumsi normalitas
(lihat bagian selanjutnya).
Homogenitas varians:
Varians variabel terikat harus setara di setiap kelompok. Kesetaraan

ini dapat diuji dengan uji kesetaraan Levene.
Varians tidak Varians

79
Jika uji Levene signifikan secara statistik, hal ini menunjukkan

bahwa varians grup tidak setara, kita dapat memperbaiki pelanggaran
ini dengan menggunakan statistik-t yang disesuaikan berdasarkan
metode Welch.
Buka file Data Tabel.10 Uji T Independent.csv (data awal
menggunakan data tabel 10 dengan format excel kemudian disimpan
dengan .csv), suatu penelitian dilakukan untuk menguji perbedaan
stress kerja dua kelompok karyawan yang bekerja di ruangan yang
bersifat tradisional dan modern pada saat yang sama, sehingga
diperoleh data-data sebagai berikut Klik T-Tests > Independent
Samples t-test dan letakkan Weight loss ke kotak Dependent variables
dan Gender di kotak Grouping variable.

80
Pada jendela analisis, centang opsi-opsi berikut ini:
Memahami Output
Output akan terdiri dari empat tabel dan satu grafik. Pertama, kita
harus memeriksa bahwa asumsi parametrik yang disyaratkan tidak
dilanggar.
Test of Normality (Shapiro-Wilk)
W p
Stres Karyawan Modern 0.940 0.383
Tradisional 0.949 0.513
Note. Significant results suggest a deviation from normality.
Uji Shapiro-Wilk menunjukkan bahwa kedua kelompok memiliki data

yang terdistribusi normal, oleh karena itu, asumsi normalitas tidak
dilanggar. Jika satu atau keduanya signifikan, Anda harus
mempertimbangkan untuk menggunakan uji non-parametrik Mann-

81
Whitney.
Test of Equality of Variances (Levene's)
F df p
Stres Karyawan 0.310 1 0.582
Uji Levene menunjukkan bahwa tidak ada perbedaan dalam varians,

oleh karena itu, asumsi homogenitas varians tidak dilanggar. Jika uji
Levene signifikan, statistik-t Welch yang disesuaikan, derajat
kebebasan, dan nilai-p harus dilaporkan.
Independent Samples T-Test

Mean
Test Statistic df p SE Cohen's
Difference Difference d
Stres Karyawan Student 2.416 28.000 0.022 6.333 2.621 0.882
Welch 2.416 27.475 0.023 6.333 2.621 0.882
Tabel ini menunjukkan hasil penghitungan dua statistik-t

(Student dan Welch). Harap diingat bahwa statistik-t berasal dari
perbedaan rerata dibagi dengan standard error perbedaan rerata.
Keduanya menunjukkan bahwa ada perbedaan statistik yang
signifikan antara kedua kelompok (p<0,05)
Group Descriptives
Group N Mean SD SE
Stres Karyawan Modern 15 88.600 6.663 1.720
Tradisional 15 82.267 7.658 1.977

82
Stres Karyawan
Dari data deskriptif terlihat bahwa karyawan yang berada diruang

modern lebih tinggi tingkat stresnya dibandingan karyawan yang
berada di ruang tradisional.
2. Membandingkan Dua Kelompok Yang Berkaitan
Uji-T Sampel Berpasangan

Sama halnya dengan uji-t independen, terdapat pengujian
parametrik dan non-parametrik yang tersedia di JASP. Uji-t parametrik
sampel berpasangan (dikenal juga dengan uji-t dependen atau uji-t
pengukuran berulang) membandingkan dua rerata di antara dua
kelompok yang berkaitan pada satu variabel terikat yang bersifat
kontinu. Contohnya, melihat perbedaan stres kerja karyawan di ruangan
yang bersifat tradisional, lalu pindah pada ruangan yang bersifat
modern.
Dalam uji-t berpasangan, hipotesis nol (Ho) menyatakan bahwa tidak

ada perbedaan pasangan rerata di antara dua kelompok.

83
Asumsi-Asumsi Yang Harus dipenuhi
Empat asumsi yang harus dipenuhi agar uji ini mendapatkan hasil yang
valid:
Variabel terikat harus diukur dengan skala yang kontinu/interval

Variabel bebas harus berupa 2 kategorikal kelompok yang
berkaitan, dalam hal ini skor setiap partisipan dipasangkan ke
dalam kedua kelompok
Data dari perbedaan antara kedua kelompok yang berkaitan
harus terdistribusi normal
Tidak ada outlier yang signifikan pada perbedaan antara kedua
kelompok
Menjalankan Uji-T Sampel Berpasangan
Buka file Data Tabel.9 Uji-T Paired.csv di JASP data awal

menggunakan data table.9 dengan format excel kemudian disimpan
dengan .csv). Data ini berisikan dua kolom data yang berkaitan, yakni
data stres kerja di ruang yang bersifat tradisional dan data stres kerja
setelah pindah ke ruang modern. Klik T- Tests > Paired Samples t-test.
Masukkan kedua variabel ke kotak Variables di sebelah kanan.
Pada bagian opsi analisis centang pilihan-pilihan berikut: Student,

Normality, Descriptives, Descriptives plot

84
Mehamai Output
Output dari analisis ini terdiri dari tiga tabel dan satu grafik.
Test of Normality (Shapiro-Wilk)

W p
Ruang Tradisional - Ruang Modern 0.879 0.047
Note. Significant results suggest a deviation from normality.
Pengecekan asumsi normalitas data (Shapiro-Wilk) signifikan (p<0,05).

Hal ini menandakan data terdistribusi tidak normal, maka analisis yang
digunakan nantinya adalah uji non- parametrik Wilcoxon’s signed-
rank.
Paired Samples T-Test

Measure 1 Measure 2 Test Statistic df p
Ruang Tradisional - Ruang Modern Student -0.706 14 0.492
Wilcoxon 33.000 0.225
Hasil uji-t sampel berpasangan menunjukkan tidak terdapat

perbedaan yang signifikan pada tingkat stress kerja baik ketika di ruang
kerja tradisional maupun setelah pindah me ruang kerja modern.
Data deskriptif dan plot menunjukkan tidak adanya peningkatan
atau penurunan stress kerja setelah pindah ke ruang kerja.
Descriptives
N Mean SD SE
Ruang Tradisional 15 86.933 7.363 1.901
Ruang Modern 15 87.467 7.308 1.887

85
Ruang Tradisional - Ruang Modern
3. KORELASI
Korelasi merupakan teknik statistik yang dapat digunakan untuk

menentukan apakah terdapat hubungan antara dua variabel, dan
seberapa kuat hubungan tersebut. Korelasi hanya sesuai untuk data
yang dapat dikuantifikasi, di mana angka memiliki makna, seperti data
kontinus atau pun data ordinal. Teknik ini tidak dapat digunakan untuk
data kategorikal di mana kita harus menggunakan analisis tabel
kontengensi (lihat Analisis Chi-kuadrat dengan JASP).
Pada dasarnya, apakah variabel-variabel yang diteliti memang
berkovariasi? Dalam hal ini, apakah perubahan pada satu variabel
mencerminkan perubahan yang sama pada variabel yang lain? Jika satu
Kovarians = Kovarians = 470

86
variabel menyimpang dari rerata variabel tersebut, apakah variabel lain

juga akan menyimpang dari reratanya, pada arah yang sama atau pun
berlawanan? Hal ini dapat dinilai dengan mengukur kovarians, tetapi,
hal ini tidak terstandar. Sebagai contoh, kita dapat mengukur kovarians
dari dua variabel yang diukur dalam satuan meter, tetapi, jika kita
mengubah nilai tersebut ke dalam sentimeter, kita mendapatkan
hubungan yang sama, namun dengan nilai kovarians yang sama sekali
berbeda.
Untuk mengatasi hal ini, kovarians yang terstandar digunakan,
yang dikenal dengan nama koefisien korelasi Pearson (atau “r”).
Koefisien ini berkisar antara -1.0 hingga +1.0. Semakin dekat r dengan
+1 atau -1, semakin kuat hubungan kedua variabel tersebut. Jika r
mendekati 0, artinya tidak terdapat hubungan antar keduanya. Jika r
bernilai (+), maka peningkatan pada satu variabel akan diikuti
peningkatan pada variabel yang lain. Jika r bernilai (-), maka
peningkatan pada satu variabel akan diikuti penurunan pada variabel
yang lain (kadang disebut sebagai korelasi terbalik).
Koefisien korelasi (r) seharusnya tidak dicampuradukkan dengan
R2 (koefisien determinasi) atau R (koefisien korelasi majemuk
sebagaimana digunakan dalam analisis regresi).
Asumsi utama dalam analisis ini adalah bahwa data terdistribusi secara
normal dan linier. Analisis ini tidak akan bekerja dengan baik pada
hubungan yang bersifat melengkung (curvilinear).
MENJALANKAN ANALISIS KORELASI

Analisis ini menguji hipotesis nol (H0) di mana tidak terdapat
asosiasi hubungan kedua variabel

87
Buka file Data Tabel.8 Korelasi.csv di mana terdapat data 2 kolom,

yaitu Optimisme dan Semangat hidup. Pertama, jalankan Descriptive
statistics dan centang boxplots untuk memeriksa outliers.
Untuk menjalankan analisis korelasi, klik Regression >

Correlation matrix. Pindahkan kedua variabel ke kotak analisis di
sebelah kanan. Centang:
Pearson,
Report significance,
Display pairwise table
Flag significant correlations, dan
Correlation matrix yang berada di bagian Plots

88
MEMAHAMI OUTPUT
Assumption checks
Shapiro-Wilk Test for Bivariate Normality
Shapiro-Wilk p
Optimisme - Semangat hidup 0.962 0.450
Dari uji asumsi diperoleh nilai Shapiro-Wilk 0,962 dengan p=0,450

(p>0,05) berarti datanya berdistribusi normal
Untuk linieritas pada JASP digantikan dengan Diagram plot

menyajikan visualisasi sederhana dari korelasi positif yang kuat
(r=0.788, p<.001).
Scatter plots
Optimisme vs. Semangat hidup

89
Pearson's Correlations
Pearson's r p
Optimisme - Semangat hidup 0.788 *** < .001
* p < .05, ** p < .01, *** p < .001
Tabel menunjukkan matriks korelasi dengan nilai r Pearson

beserta nilai-p-nya. Dalam hal ini, hasil menunjukkan korelasi yang
sangat signifikan (p<.001) dengan nilai r yang besar (r=0.788 dengan
p<0.001) berarti ada hubungan antara optimisme dengan semangat
hidup.
Koefisien determinan
Jika Anda mengkuadratkannya koefisien korelasi r, Anda akan
mendapatkan koefisien determinasi (R2). Koefisien ini adalah statistik
yang menjelaskan seberapa besar proporsi varians pada satu variabel
dapat dijelaskan oleh varians variabel lain. Atau R2 = Variasi yang
dapat dijelaskan / variasi keseluruhan R2 selalu berada di antara 0 dan
100% di mana:
0% menandakan bahwa model tidak menjelaskan apa pun dari
variabilitas data respons pada reratanya, dan
100% menunjukkan bahwa model dapat menjelaskan seluruh
variabilitas data respons pada reratanya.
Pada contoh di atas r=0.788, sehingga R2=0.621. Hal ini menunjukkan
bahwa optimisme menjelaskan 62,1% varians semangat hidup atau
optmisme memiliki sumbangan efektif sebesar 62,1% terhadap
semangat hidup.

90
F. TEKNIK ANALISIS DATA TIGA VARIABEL
Mencari Perbedaan Lebih Dari Dua Kelompok

1. Analisis Varian 1 Jalur
Jika uji-t membandingkan rerata dua kelompok/kondisi, analisis
varian satu-jalur (Anava) membandingkan rerata 3 kelompok atau
lebih. Ada Independent ANOVA dan Repeated ANOVA yang tersedia
di JASP. ANOVA telah dideskripsikan sebagai 'tes omnibus' yang
menghasilkan angka statistik F, yang membandingkan apakah variasi
yang dijelaskan pada dataset keseluruhan secara signifikan lebih
besar dari varian yang tidak dapat dijelaskan. Hipotesis nol yang diuji
adalah bahwa tidak ada perbedaan yang signifikan antara rerata
semua kelompok. Jika hipotesis nol ditolak, ANOVA hanya
menyatakan bahwa ada perbedaan yang signifikan antara kelompok,
tetapi tidak menjelaskan pada kelompok mana perbedaan itu terjadi.
Untuk menentukan di mana perbedaan kelompok, uji post hoc (Dari
bahasa Latin post hoc, "setelah ini") selanjutnya dilakukan.
Asumsi-Asumsi
Analisis Varian membutuhkan asumsi yang sama seperti kebanyakan
tes parametrik lainnya.
• Variabel independen harus kategorikal dan variabel terikat
harus kontinu
• Kelompok-kelompok tersebut harus independen satu sama lain
• Variabel terikat setidaknya terdistribusi normal
• Tidak ada outlier yang signifikan
Harus memenuhi homogenitas pada varians antar kelompok. Jika
tidak, nilai p untuk statistik F mungkin tidak dapat diandalkan
Untuk 2 asumsi pertama biasanya dikontrol melalui penggunaan

desain metode penelitian yang tepat. Sementara, jika tiga asumsi

91
terakhir dilanggar/tidak dapat dipenuhi, maka analisis data yang setara

tetapi non-parametrik yaitu Kruskal-Wallis harus dipertimbangkan
sebagai gantinya.
Pengujian Post Hoc
Uji post hoc adalah tes yang diputuskan setelah data telah
dikumpulkan. Mereka hanya dapat dilakukan jika uji F Anava
signifikan.
JASP menyediakan 5 alternatif uji yang digunakan pada tes ANOVA
independen:
Bonferroni - bisa sangat konservatif tetapi memberikan jaminan
kontrol atas eror Tipe I dengan risiko mengurangi daya statistik. Tidak
perlu adanya asumsi independensi dalam tiap perbandingan.
Holm - tes Holm-Bonferroni yang merupakan metode Bonferroni

berurutan yang kurang konservatif dibandingkan tes Bonferroni asli.
Tukey - salah satu tes yang paling umum digunakan dan memberikan
eror Tipe I yang dikontrol untuk grup dengan ukuran sampel dan
varians yang sama.
Scheffe - mengontrol level of confidence keseluruhan ketika ukuran

sampel kelompok berbeda. Sidak - mirip dengan Bonferroni tetapi
mengasumsikan bahwa setiap perbandingan tidak tergantung pada
yang lain. Sedikit lebih kuat dari Bonferroni.
JASP juga menyediakan 4 Tipe post hoc:

Standar - seperti di atas
Games-Howell - digunakan ketika Anda tidak yakin tentang
kesetaraan varians grup
Dunnett's - digunakan untuk membandingkan semua grup dengan
satu grup yaitu grup kontrol
Dunn - uji post hoc non-parametrik yang digunakan untuk menguji
sub-set pasangan kecil.
Menjalankan Anava A
Bukalah Data Tabel.12 Anava A.csv. Data ini berisi 2 kolom yang
terdiri Pola Asuh (Otoriter, Demokratis, Permisif) dan Nilai
92
Kemandirian.
Klik ANOVA > ANOVA, masukkan Kemandirian ke dalam
Dependent Variable dan Pola Asuh ke dalam kotak Fixed Factors.
Lalu centang Descriptive statistics, Klik Assumption Checks dan
centang Homogeneity test dan jika F signifikan bisa klik post hoc
test dan pindahkan pola asuh .
Membaca Output Analisis
Dari Analisis yang dilakukan diperoleh output yang terdiri dari

Statistik Deskriptif, Uji Asumsi dan Uji Hipotesis.
Informasi yang diketahui dari statistik deskriptif nilai rata-rata
(mean) dan SD (standar deviasi) kemandirian untuk masing-masing pola
asuh. Untuk uji asumsi diperoleh nilai levene”s f = 1,095 dengan df 2,000
dan p >0,05 yang berarti data nilai kemandirian untuk masing-masing
pola asuh memenuhi kaidah homogenitas.
Descriptives - Kemandirian
Pola Asuh Mean SD N
Demokratis 6.333 1.073 12
Otoriter 5.250 1.422 12
Permisif 3.917 0.900 12
Test for Equality of Variances (Levene's)

F df1 df2 p
1.095 2.000 33.000 0.346
Sedangkan untuk uji hipotesis diperoleh F = 13,238, df = 2, df 33

dengan p <0,01, maka bisa disimpulkan bahwa ada perbedaan
kemandirian berdasarkan pola asuh.
ANOVA - Kemandirian
Cases Sum of Squares df Mean Square F p

93
ANOVA - Kemandirian
Pola Asuh 35.167 2 17.583 13.238 < .001
Residuals 43.833 33 1.328
Note. Type III Sum of Squares
Karena ada perbedaan maka bisa juga diuji antar masing-masing pola
asuh dengan hasil sbb ;
a. t = 2,302 dengan p>0,05 berarti tidak ada perbedaan tingkat
kemandirian antara pola asuh demokratis dan otoriter
b. t = 5,136 dengan p<0,001 berarti ada perbedaan tingkat kemandirian
antara pola asuh demokratis dan permisif
c. t = 2,834 dengan p<0,05 berarti ada perbedaan tingkat kemandirian
antara pola asuh otoriter dan permisif
Post Hoc Comparisons - Pola Asuh
Mean Difference SE t p tukey
Demokratis Otoriter 1.083 0.471 2.302 0.069
Permisif 2.417 0.471 5.136 < .001
Otoriter Permisif 1.333 0.471 2.834 0.021
Note. P-value adjusted for comparing a family of 3
2. Analisis Faktorial AB (Anava AB)

Menjalankan Anava AB
Bukalah file Data Tabel.14 Anava AB.csv. Data ini berisi 3 kolom
yang terdiri kolom 1 Pola Asuh (Otoriter, Demokratis, Permisif),
kolom 2 Perkerjaan orang tua dan kolom 3 Nilai Kemandirian.
Klik ANOVA > Classical ANOVA, masukkan Kemandirian ke dalam
Dependent Variable dan Pola Asuh ke dalam kotak Fixed Factors.
Lalu centang Descriptive statistics, Klik Assumption Checks dan
centang Homogeneity test dan jika F signifikan bisa klik post hoc test
dan pindahkan pola asuh
Membaca Output

94
Dari Analisis Varian AB diperoleh output data ; Statistik Deskripsi,

Uji Normalitas, Uji Hipotesis dan Post Hoc Test (uji perbandingan
pasangan = uji.t)
Untuk uji asumsi diperoleh nilai leven’s F = 2,059 p>0,077 berarti data
kemandirian berdasarkan pola asuh dan pekerjaan orang tua adalah
homogen
Pola Asuh Mean SD N
Demokratis 6.333 1.073 12
Otoriter 5.250 1.422 12
Permisif 3.917 0.900 12
Pekerjaan Ortu Mean SD N
Lainnya 4.667 1.073 12
PNS 6.000 1.651 12
Swasta 4.833 1.467 12
Pekerjaan
Pola Asuh Mean SD N
Ortu
Demokratis Lainnya 5.750 0.500 4
PNS 7.250 0.957 4
Swasta 6.000 1.155 4
Otoriter Lainnya 4.500 0.577 4
PNS 6.500 1.291 4
Swasta 4.750 1.500 4
Permisif Lainnya 3.750 0.957 4
PNS 4.250 0.957 4
Swasta 3.750 0.957 4
Test for Equality of Variances (Levene's)

F df1 df2 p
2.059 8.000 27.000 0.077

95
ANOVA - Kemandirian
Pola Asuh 35.167 2 17.583 16.658 < .001
Pekerjaan Ortu 12.667 2 6.333 6.000 0.007
Pola Asuh ✻ Pekerjaan Ortu 2.667 4 0.667 0.632 0.644
Residuals 28.500 27 1.056
Note. Type III Sum of Squares
Untuk uji hipotesis Anava AB dari table rangkuman diperoleh hasil

sebagai berikut ;
a. F A = 16,658, df (2, 27) dengan p<0,001 berarti ada perbedaan
tingkat kemandirian anak berdasarkan pola asuh
b. F B = 6,000, df (2, 27) dengan p<0,01 berarti ada perbedaan tingkat
kemandirian anak berdasarkan pekerjaan orang tua
c. F AB = 0,632, df (4, 27) dengan p>0,05 berarti tidak ada interaksi
antara pola asuh dengan jenis pekerjaan orang tua terhadap tingkat
kemandirian anak
Post Hoc Comparisons - Pola Asuh
Demokratis Otoriter 1.083 0.419 2.583 0.040
Permisif 2.417 0.419 5.762 < .001
Otoriter Permisif 1.333 0.419 3.179 0.010
Note. Results are averaged over the levels of: Pekerjaan Ortu
Karena uji hipotesis pertama (F A) signifikan, maka dilanjutkan

interpretasi hasil post-hoc atau uji perbandingan antar pasangan pola
asuh dengan hasil ;
a. Pola asuh demokratis-otoriter hasil t = 2,583 dengan p<0,05
berarti ada perbedaan tingkat kemandirian anak antara pola asuh
demokratis dengan otoriter, bahwa pola asuh demokratis lebih
tinggi dengan rata-rata 6,333 dibandingkan pola asuh otoriter
96
dengan rata-rata 5,250

b. Pola asuh demokratis-permisif hasil t = 5,762 dengan p<0,001
berarti ada perbedaan tingkat kemandirian anak antara yang pola
asuh demokratis dengan permiisf , bahwa pola asuh demokratis
lebih tinggi dengan rata-rata 6,333 dibandingkan pola asuh
otoriter dengan rata-rata 3,917
c. Pola asuh otoriter-permisif hasil t = 3,917 dengan p>0,05 berarti
tidak ada perbedaan tingkat kemandirian anak antara yang diasuh
dengan pola asuh otoriter dengan pola asuh permisif.
Post Hoc Comparisons - Pekerjaan Ortu

Lainnya PNS -1.333 0.419 -3.179 0.010
Swasta -0.167 0.419 -0.397 0.917
PNS Swasta 1.167 0.419 2.782 0.026
Note. Results are averaged over the levels of: Pola Asuh
Untuk hipotesis kedua (F B) juga signifikan, maka berdasar uji

pasangan diperoleh hasil ;
a. Perkerjaan Ortu PNS-Lainnya t =3,179 dengan p<0,01 berarti ada
perbedaan tingkat kemandirian berdasarkan latar belakang
pekerjaan orang tua, bahwa anak dengan pekerjaan orang tua
PNS memiliki rata-rata 6,000 dibandingkan pekerjaan lainnya
4,667
b. Perkerjaan Ortu Swasta-Lainnya t = 0,397 dengan p>0,05 berarti
tidak ada perbedaan tingkat kemandirian berdasarkan latar
belakang pekerjaan orang tua
c. Perkerjaan PNS-Swasta t = 2,782 dengan p<0,05 berarti ada
perbedaan tingkat kemandirian berdasarkan latar belakang
pekerjaan orang tua.

97
3. ANALISIS REGRESI
Jika uji korelasi dilakukan untuk melihat hubungan antar variabel,
analisis regresi adalah langkah selanjutnya yang biasa dilakukan
untuk analisis prediktif, misalnya untuk memprediksi hasil dari variabel
terikat dari satu (regresi sederhana) atau lebih (regresi majemuk)
variabel bebas.
Hasil dari analisis regresi dalam sebuah model hipotesis
menjabarkan hubungan antara hasil dengan variabel prediktor. Model
yang digunakan adalah model linier yang dapat didefinisikan oleh
rumus:
y = c + b*x + ε
y = estimasi dari nilai variabel outcome (variabel terikat)
c = konstanta
b = koefisien regresi
x = nilai pada variabel prediktor (variabel bebas)
ε = komponen eror acak (didasarkan pada residual)
Regresi linier mengikuti asumsi-asumsi di bawah ini:

1. Hubungan linier: sangat penting untuk mengecek pencilan
(outlier) karena hasil dari regresi linier sensitif akan efek outlier
ini.
2. Independensi antar variabel.
3. Normalitas multivariat: membutuhkan semua variabelnya untuk
terdistribusi normal.
4. Homoscedasticity: homogenitas varians dari residual.
5. Multikolinieritas/otokorelasi minimal.
6. Multikolinieritas terjadi saat antar variabel bebas/residual sangat
berkorelasi tinggi satu sama lain.
Namun, untuk analisis regresi ganda, kita sekarang memiliki lebih

dari 1 koefisien regresi dan skor prediktor yaitu.

98
Metode Entri Data

Jika antar prediktor tidak saling berkorelasi, urutan masuknya
tidak banyak berpengaruh pada model. Dalam kebanyakan kasus,
variabel prediktor berkorelasi sampai batas tertentu dan dengan
demikian, urutan masuknya prediktor dapat membuat perbedaan.
Metode yang berbeda menjadi bahan perdebatan di bidang tersebut.
Entri paksa (Enter): Ini adalah metode default di mana semua prediktor
dipaksa masuk ke dalam model berdasarkan urutan mereka muncul di
kotak Covariates. Metode ini dianggap sebagai metode terbaik.
Entri Blockwise (entri Hierarchical): Peneliti, biasanya
didasarkan pada pengetahuan dan studi sebelumnya, memutuskan
urutan masuknya prediktor yang diketahui terlebih dahulu, tergantung
pada pentingnya mereka dalam memprediksi hasil. Prediktor
tambahan ditambahkan pada langkah selanjutnya.
Stepwise (entri Backward): Semua prediktor awalnya
dimasukkan dalam model dan kemudian kontribusi masing-masing
dihitung. Prediktor dengan tingkat kontribusi kurang signifikan (b<0,1)
disingkirkan dari model/persamaan. Proses ini diulang sampai semua
prediktor signifikan secara statistik.
Stepwise (entri Forward): Prediktor yang memiliki nilai korelasi
sederhana tertinggi dengan variabel outcome dimasukkan terlebih
dahulu. Prediktor berikutnya dipilih berdasarkan nilai korelasi semi-
parsial mereka dengan variabel outcome. Proses ini diulang hingga
semua prediktor yang memiliki kontribusi varians unik yang signifikan
dimasukkan dalam model.
Entri Stepwise: Sama seperti metode Forward, tetapi
perbedaannya adalah setiap kali suatu prediktor ditambahkan dalam
model, prediktor yang paling kecil kontribusinya pada variabel

99
outcome dihapus dari model. Model ini terus-menerus dilakukan

berulang untuk melihat apakah ada prediktor yang yang tidak perlu
dapat dihilangkan.
Ada banyak kekurangan saat menggunakan metode stepwise.
Meskipun demikian, metode Backward dapat digunakan untuk
mengeksplorasi prediktor-prediktor sebelumnya yang tidak perlu atau
untuk penyempurnaan model untuk memilih prediktor terbaik dari
pilihan yang tersedia.
ANALISIS REGRESI GANDA

Buka Data Tabel.13 Anareg.csv yang kita gunakan untuk analisis
regresi ganda. Klik Classical Regression > Linear Regression dan
letakkan variabel Depresi ke dalam kotak Dependent Variable dan
Kematangan Emosi dan Toleransi kotak Covariates (untuk variabel
prediktor).
Untuk uji asumsi ada 4
a. Multikolineritas, klik Statistics lalu centang colinearity
diagnostics
b. Normalitas , klik Plots lalu centang Residuals vs Histogram
c. Homoskedastisitas, centang Residuals vs predicted
d. Linieritas, centang partial plots dan QQ Plots
Output uji asumsi ada 3 dalam bentuk visual (grafik/diagram) dan 1

yang bersifat statistik yaitu multikulinieritas, selengkapnya adalah ;

100
Standardized Residuals Histogram
Coefficients
Collinearity Statistics
Model Unstandardized Standard Error Standardized t p Tolerance VIF
H₀ (Intercept) 15.400 0.423 36.395 < .001
H₁ (Intercept) 26.984 4.594 5.874 < .001
Kematangan Emosi -0.687 0.232 -0.653 -2.962 0.012 0.934 1.071
Toleransi -0.081 0.254 -0.071 -0.320 0.754 0.934 1.071
Residuals vs. Predicted

101
Depresi vs. Kematangan Emosi
Depresi vs. Toleransi
Interpretasi uji Asumsi
a. Nomalitas diagram diatas (residuals histogram) maka data

bersifat normal
b. Multikolinieritas dilihat table coefisients dengan kriteria jika nilai

VIF <10 maka asumsi multikolinieritas terpenuhi (aman)

102
c. Homoskasisitas lihat gambar residuals vs predicted bahwa

garis merah landai dan scater plotnya acak berarti residual tidak
dipengaruhi variabel lainnya sehingga asumsi terpenuhi
d. Linieritas lihat Depresi vs. Kematangan Emosi membentuk garis

lurus terbalik (hubungan negative) Depresi vs. Toleransi juga
membentuk garis lurus terbaik, maka kedua variabel bebas
memiliki hubungan yang linier dengan variabel tergantung
(depresi)
Model Summary - Depresi

Model R R² Adjusted R² RMSE
H₀ 0.000 0.000 0.000 1.639
H₁ 0.675 0.455 0.364 1.307
ANOVA
Model Sum of Squares df Mean Square F p
H₁ Regression 17.116 2 8.558 5.013 0.026
Residual 20.484 12 1.707
Total 37.600 14
Note. The intercept model is omitted, as no meaningful information can be shown.
Setelah semua uji asumsi terpenuhi, maka interpretasi untuk Analisis

Regresi Ganda ;
1. R = o,675 dengan F=5,013 dan taraf signifikan p<0,05 berarti ada

hubungan antara kematangan emosi dan toleransi terhadap
kegagalan dengan keparahan depresi
2. Variabel kematangan emosi dan toleransi terhadap kegagalan

memberikan sumbangan efektif sebesar 45,5% (R² =0,455 x 100%)
terhadap keparahan depresi

103
Catatan sedangkan untuk menjelaskan hubungan masing-masing

variabel, maka kita perlu menganalisis dengan korelasi pearson’s
(product moment)
Pearson's Correlations
Variable Kematangan Emosi Toleransi Depresi
1. Kematangan Emosi Pearson's r —
p-value —
2. Toleransi Pearson's r 0.257 —
p-value 0.354 —
3. Depresi Pearson's r -0.671 ** -0.239 —
p-value 0.006 0.392 —
* p < .05, ** p < .01, *** p < .001
Interpretasinya adalah ;
a. r = -0,671 dengan p<0,001 berarti ada hubungan negatif antara

kematangan emosi dengan tingkah keparahan depresi
b. r=-0,239 dengan p>0,05 berarti tidak ada hubungan antara

tolerasi terhadap kegagalan dengan tingkat keparahan depresi
Sedangkan untuk mengetahui sumbangan efektif masing-masing
variabel bisa dilakukan mengalikan nilai-nilai standardized masing-
masing varibel bebas (lihat table coefisien) dengan koefisien korelasi
terus x 100 % sehingga hasilnya ;
1) – 0,653 x - 0,671 x 100% = 43,82 %, berarti variabel kematangan

emosi memberikan sumbangan efektif sebesar 43,82 % terhadap
keparahan depresi
2) – 0,071 x –0,239 x 100% = 1,69 % berarti variabel tingkat

toleransi memberikan sumbangan efektif sebesar 1,69% terhadap
tingkat keparahan depresi

104
MEMBUAT LAPORAN HASIL
Melaporkan hasil analisis statistik nampaknya dianggap remeh,

namun kenyataannya masih banyak peneliti yang melaporkan hasil
analisisnya tidak sesuai standar. Beberapa contoh kesalahan yang
sering dilakukan peneliti adalah melaporkan nilai p = 0,00; atau
melaporkan adanya perbedaan mean tanpa menyebutkan nilai df nya;
dan masih banyak kesalahan lainnya.
Pada bagian ini akan diberikan panduan singkat untuk
melaporkan nilai-nilai apa saja yang harus ada dalam pelaporan hasil
analisis statistik berdasarkan panduan APA (American Psychological
Association). Akan disajikan contoh juga menuliskan laporan dari hasil
output SPSS
Panduan Umum
1. Jangan mengulang pelaporan nilai statistik yang sudah ada dalam

teks ke tabel atau gambar.
2. Dalam tabel dan gambar, laporkan nilai p sesungguhnya (misal p =

,015), kecuali jika p adalah <,001 (sebagai gantinya tulis “p <,001”).
Terkadang, penulis kesulitan jika harus melaporkan nilai p
sesungguhnya dalam tabel. Dalam kasus tertentu, penulis dapat
mengganti nilai p dengan tanda bintang di samping nilai statistik
(misal .24**). Kaidah umum penggunaan tanda bintang adalah *p <
,05. **p < ,01. ***p < ,001.
3. Beri spasi sebelum dan sesudah tanda hitung matematika (misal

kurang, tambah, lebih besar dari, kurang dari). Untuk nilai negatif,
beri spasi hanya sebelum tanda minus, bukan setelah tanda minus
(misal M = –8.25).

105
4. Gunakan cetak miring untuk simbol statistik (misal M, SD, F, t, df, p,

N, n, OR), sementara untuk huruf Yunani (misal α, β, χ2) tidak perlu
cetak miring.
Panduan Teknis
1. Yang paling sering dilaporkan dalam statistik deskriptif adalah

jumlah sampel (N), Mean (M), dan Standar Deviasi (SD) harus
dituliskan dalam teks atau tabel. Singkatan hanya digunakan ketika
nilai tersebut dilaporkan di dalam tanda kurung atau di akhir
kalimat.
Contoh : Subjek berjumlah 103 orang dengan usia berkisar antara
18 hingga 70 tahun (M = 25,5; SD = 7,94).
2. Analisis korelasi dilakukan untuk melihat adanya hubungan antara
dua variabel. Dalam analisis korelasi, hal yang biasanya dilaporkan
adalah jumlah sampel untuk melakukan analisis korelasi (N),
koefisien korelasi (r), da nilai signifikansi (p). Nilai p dalam tabel bisa
diganti dengan tanda bintang
Correlations
Optimisme Semangat_Hidup
Optimisme Pearson Correlation 1 ,788**
N 25 25
Semangat_Hidup Pearson Correlation ,788** 1
N 25 25
3. Hasil analisis korelasi Pearson menunjukkan bahwa ada hubungan

yang signifikan antara optimisme dengan semangat hidup dengan r
= 0,788; p < ,001
Catatan
- Nilai p tidak ditulis 0,000 tapi p < ,001 karena nilai p memang
tidak mungkin 0. Itu hanya keterbatasan kolom SPSS saja

106
4. Analisis regresi digunakan untuk melihat apakah variabel prediktor

mampu memprediksi variabel kriteria. Dalam analisis regresi, nilai
yang umumnya dilaporkan adalah nilai R2, F, df, β, p. Nilai R2
menunjukkan proporsi varians variabel kriteria yang mampu
dijelaskan oleh prediktor secara keseluruhan, sementara nilai β
menunjukkan peranan tiap-tiap prediktor. Dalam kasus tertentu nilai
β sering diganti dengan nilai B yang merupakan koefisien regresi
tidak terstandar, jika tujuannya adalah untuk menentukan
persamaan regresinya.
Hasil analisis regresi menunjukkan bahwa motivasi dan prestasi
keduanya mampu menjelaskan 59% variasi dari prestasi (R2 = 0,59;
F (2,78) = 56,70; p < ,001). Motivasi secara signifikan mampu
memprediksi prestasi (β = ,52; p < ,001), begitu juga dengan IQ
yang juga mampu memprediksi prestasi (β = ,47; p < ,001).
Catatan
- Nilai dalam tanda kurung setelah F adalah (df regresi, df residual)
- Nilai p tidak ditulis 0,00 tapi p < ,001 karena nilai p memang tidak
mungkin 0. Itu hanya keterbatasan kolom SPSS saja
5. Analisis t-test digunakan untuk membandingkan mean dua kelompok.

Analisis t-test terdiri atas beberapa jenis, seperti independent sample
t-test dan paired sample t-test. Perbedaannya terletak pada jenis
kelompoknya, jika independent sample t-test kelompoknya adalah
individu yang berbeda, pada paired sample t-test kelompokknya
adalah individu yang sama namun berbeda waktu pengukurannya.
Nilai yang biasanya dilaporkan dalam analisis t-test adalah nilai t, df,
p, M, SD.
Contoh :
Hasil analisis independent sample t-test menunjukkan bahwa ada
perbedaan tingkat stres yang signifikan antara antara karyawan yang
107
bekerja diruang tradisional dan ruang modern (t[28] = -2,416; p <

,05). Ruang tradisional (M=82,2667; SD=7,65755) memiliki tingkat
stres lebih rendah dari karyawan di ruang modern (M=88,6000;
SD=6,66333).
T-Test
Group Statistics
Tipe_ruangan N Mean Std. Deviation Std. Error Mean
Tingkat_stres Tradisional 15 82,2667 7,65755 1,97717
Modern 15 88,6000 6,66333 1,72047
Independent Samples Test

Levene's
Test for
Equality of
Variances t-test for Equality of Means
95% Confidence
Interval of the
Sig. (2- Mean Std. Error Difference
F Sig. t df tailed) Difference Difference Lower Upper
Tingkat_ Equal ,310 ,582 -2,416 28 ,022 -6,33333 2,62092 -11,70204 -,96463
stres variances
assumed
Equal -2,416 27,475 ,023 -6,33333 2,62092 -11,70666 -,96001
variances
not
assumed
Catatan
- Nilai dalam tanda kurung setelah t adalah nilai df
- Nilai p tidak ditulis 0,00 tapi p < ,001 karena nilai p memang tidak
mungkin 0. Itu hanya keterbatasan kolom SPSS saja
- Nilai p yang dilaporkan adalah nilai p two-tailed. Jika analisis dilakukan
dengan menggunakan one-tailed, maka perlu diberi keterangan
6. Anava digunakan untuk membandingkan lebih dari dua kelompok.

Anava ada beberapa jenis, seperti one-way anova, repeated
measure anova, dan two way anova. Prinsip pelaporan ketiga jenis
tersebut sama, hanya saja untuk analisis two-way anova, penulis
perlu melaporkan main effect dan interaction effect-nya. Nilai yang
umumnya dilaporkan dalam Anova adalah nilai F, df, dan nilai p.
Penulis juga perlu menampilkan statistik deskriptif seperti jumlah

108
sampel, mean, dan SD dan analisis post-hoc (uji pasangan)nya

Contoh
Hasil analisis one way Anova menunjukkan bahwa ada perbedaan
prestasi yang signifikan antara suku Asmat, Minang, dan Bali
dengan F(2,78) = 202,14; p < ,001. Analisis post-hoc dengan
metode Tukey juga menunjukkan bahwa Suku Bali (M = 83,44; SD
= 1,33) memiliki prestasi yang secara signifikan lebih tinggi
dibanding suku Minang (M = 79,96; SD = 0,88) dan suku Asmat (M
= 75,65; SD = 1,87), p < ,001. Sementara suku Minang memiliki
prestasi yang lebih tinggi secara signifikan dibanding suku Asmat
(p < ,001).
Pelaporan Dalam Bentuk Tabel

Pelaporan hasil analisis dalam bentuk tabel dapat memudahkan
pembaca memahami dengan cepat hasil analisis yang telah dilakukan.
Kaidah pokok dalam pembuatan tabel di antaranya:
1. Ikuti kaidah pembuatan tabel format APA. Output SPSS masih

belum standar APA, jadi perlu disesuaikan. Gunakan output dari
JASP jika ingin tabel yang sudah standar JASP.
2. Tidak ada bentuk baku tabel harus seperti apa, namun sajikan nilai-
nilai yang perlu disajikan untuk masing-masing teknik analisis
(seperti penjelasan sebelumnya).
3. Sajikan informasi semudah mungkin agar pembaca mampu

memahami dengan sekilas informasi yang disajikan. Tabel biasanya
disajikan ketika penjelasan dengan kalimat terlalu panjang. Namun
pada analisis yang sederhana, misal hanya mengkorelasikan dua
variabel, tabel tidak diperlukan
4. Tabel dan teks harusnya tidak saling overlap, apa yang sudah
tertulis di tabel tidak perlu ditulis kembali di teks, begitu juga
sebaliknya.

109
5. Dalam tulisan ini, tanda koma banyak ditulis dengan simbol (,)
karena mengikuti penyesuaian dalam bahasa Indonesia, sementara
seharusnya kalau mengikuti panduan APA, tanda koma ditulis
dengan simbol (.).
6. Format APA tidak menuliskan angka 0 di depan tanda koma untuk

bilangan yang nilainya tidak mungkin lebih dari 1 (misal koefisien
korelasi r, cukup tuliskan r = ,32), sedangkan jika nilainya bisa lebih
dari nol, tuliskan angka 0 tsb (misal nilai z = 0,32). Meskipun
demikian, untuk jurnal nasional sebagian besar masih menuliskan
angka nol di depan koma, jadi untuk publikasi di jurnal nasional
format silakan mengikuti panduan jurnal.

110
Daftar Pustaka
Azwar, S. 2013. Reliabilitas dan Validitas. Yogyakarta: Pustaka Pelajar
. 2008. Metode Penelitian. Yogyakarta: Pustaka Pelajar
.2015. Penyusunan Skala Psikologi. Yogyakarta: Pustaka

Pelajar
Goss-Sampson, M. A. (2019). Statistical Analysis in JASP 0.10.2: A

Guide for Students. July 2019. Diakses dari: https://static.jasp-
stats.org/Statistical Analysis in JASP - A Students Guide
v0.10.2.pd
Hadi, Sutrisno. 2000. Metodologi Research Jilid I-II. Yogyakarta: Andi

Offset.
. 2010. Analisis Regresi. Yogyakarta: Andi Offset
Lindeløv, J. K. (2017, November 1). JASP vs. SPSS. Diakses dari:

https://jasp-stats.org/2017/11/01/jasp-vsspss/
Navarro, D.J., Foxcroft, D.R., & Faulkenberry, T.J. (2019). Learning

Statistics with JASP: A Tutorial for Psychology Students and
Other Beginners. Diakses dari: https://learnstatswithjasp.com/
Nunnally, JC, 1978. Psychometric Theory. Mc Graw-Hill
Winarsunu, Tulus, 2015. Statisik dalam Penelitian Psikologi &

Pendidikan. Malang: UMM Pres

111
Lampiran 1
Rumus-Rumus Dasar Statistika
No STASTIK RUMUS
Jarak Pengukuran (R)
(1) LEBAR INTERVAL KELAS (i) i=
Jumlah Interval
𝑋 1 + 𝑋 2 + 𝑋 3 … 𝑋 𝑛−1 + 𝑋 𝑛
(2) MEAN M =
𝑁
∑X
(3) MEAN M=
N
∑fX
(4) MEAN M=
N
∑fx′
(5) MEAN M = MT + [ ]i
N
(6) JUMLAH DEVIASI ∑x = 0
1/2 N − cfb
(7) MEDIAN Mdn = Bb + [ ]i
fd
(8) MODE Mo = 3 Mdn − 2 M
1/4 N − cfb
(9) KWARTIL PERTAMA K 1 = Bb + [ ]i
fd
1/2 N − cfb
(10) KWARTIL KEDUA K 2 = Bb + [ ]i
fd
3/4 N − cfb
(11) KWARTIL KETIGA K 3 = Bb + [ ]i
fd
1/10 N − cfb
(12) DESIL PERTAMA D1 = Bb + [ ]i
fd
5/10 N − cfb
(13) DESIL KELIMA D5 = B b + [ ]i
fd
6/10 N − cfb
(14) DESIL KEENAM D6 = B b + [ ]i
fd
9/10 N − cfb
(15) DESIL KESEMBILAN D9 = B b + [ ]i
fd
3/10 N − cfb
(16) DESIL KETIGA D3 = B b + [ ]i
fd
7/10 N − cfb
(17) DESIL KETUJUH D7 = B b + [ ]i
fd
n/100 − cfb
(18) PERSENTIL KE-n Pn = Bb + [ ]i
fd

112
PERSENTIL KE TIGA PULUH 37/100 − cfb
(19) P37 = Bb + [ ]i
TUJUH fd
PERSENTIL KE TIGA PULUH 35/100 − cfb
(20) P35 = Bb + [ ]i
LIMA fd
X − Bb 100
(21) JENJANG PERSENTIL JP = [( ) fd + cfb ]
i N
(22) RANGE R = Xt − Xr
(23) RANGE 10-90 R10−90 = P90 − P10
(24) RANGE 25-75 R 25−75 = P75−25 = K 3 − K1
P75−25
(25) RANGE SEMI ANTAR KWARTIL RSAK = = 1/2[K 3 − K1 ]
2
∑|x|
(26) MEAN DEVIATION MD =
N
∑f|x|
(27) MEAN DEVIATION MD =
N
∑x 2
(28) STANDARD DEVIATION SD = √
N
∑x 2
(29) VARIANS V = SD2 =
N
∑fx 2
(30) STANDARD DEVIASI SD = √
N
2
(31) STANDARD DEVIASI ∑fX 2 ∑fX

SD = √ −[ ]
N N
∑fX 2
(32) STANDARD DEVIASI SD = √ − M2
N
2
∑fx′2 ∑fx′
(33) STANDARD DEVIASI SD = i√ −[ ]
N 𝑁
X−M
(34) z-SCORE z=
SD
x
(35) z-SCORE z=
SD

113
Lampiran 2

114

115

116

117
Lampiran 3
Tabel Nilai-Nilai t

118
Lampiran 4
Tabel Distribusi Normal Standar

119
Lampiran 5

120
Lampiran 6

121
Lampiran 7

122
Lampiran 8
Tabel Data Praktikum Statistika
SCAN ME AND
DOWNLOAD!

Belajar Mudah - Praktis SPSS-JASP

Diunggah oleh

Informasi Dokumen

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

Belajar Mudah - Praktis SPSS-JASP

Diunggah oleh

Hak Cipta:

Format Tersedia

Drs. M. Nursalim Malay, M.

Belajar Mudah & Praktis

Penulis : Drs. M. Nursalim Malay, M.Si

Desain Cover : Harakindo

Cetakan 2 : Tahun 2022

Penerbit : CV. Madani Jaya

Hak Cipta Dilindungi oleh Undang-Undang

All Rights Reserve

Alhamdulilah, puji syukur kehadirat ilahi, akhirnya buku Belajar

Kata Pengantar ..................................................................................... iii

Bagian I Analisis Data dengan SPSS ............................................... 13

Bagian II Analisis Data dengan JASP .............................................. 52

Membuat Laporan Hasil .................................................................... 104

Tabel.1 Uji beda dan Uji Hubungan Statistik ........................................11

Lampiran 1 Rumus-Rumus Dasar Statistika .........................................111

Tak bisa dibantah jika kita mengolah data statistik dengan

Belajar Mudah & Praktis Analisis Data

Jenis-jenis data ini bertingkat menurut tingkatan pengukuran.

Belajar Mudah & Praktis Analisis Data

Belajar Mudah & Praktis Analisis Data

tertentu. Untuk jenis-jenis analisis tertentu SPSS secara otomatis

Belajar Mudah & Praktis Analisis Data

variabel pokok bukanlah satu hubungan langsung, tetapi melalui

7. Variabel anteseden, merupakan variabel yang hampir sama dengan

C. Validitas dan Reliabilitas

Belajar Mudah & Praktis Analisis Data

Secara umum Azwar (2016) menjelaskan pendekatan validitasi

Belajar Mudah & Praktis Analisis Data

Belajar Mudah & Praktis Analisis Data

Penerapan validitas dalam penyusunan skripsi ketika

Pada umumnya terdapat dua kaitan antara variabel, yaitu untuk

Belajar Mudah & Praktis Analisis Data

implikasi terhadap teknik statistiknya, baik statistik parametrik maupun

Distribusi YA INPUT DATA YA Skala interval

Tidak INPUT DATA Tidak

E. Statistika Parametrik dan Non-Parametrik

Belajar Mudah & Praktis Analisis Data

statistik non parameterik digunakan jika data penelitian kecil, diukur

Belajar Mudah & Praktis Analisis Data

Berikut ini disajikan tabel uji statistik berdasarka uji beda/uji

Tiga variabel Analisis regresi -

Belajar Mudah & Praktis Analisis Data

F. Uji Asumsi Statistik Parametrik

Jenis Uji Statistik Parametrik Uji Asumsi

Anava dua Jalur Normalitas

Korelasi parsial Normalitas

Uji Analisis regresi sederhana Normalitas

Analisis regresi berganda dua Normalitas

Belajar Mudah & Praktis Analisis Data

Belajar Mudah & Praktis Analisis Data

Sebagai pemula yang belajar analisis data, seringkali kita

Belajar Mudah & Praktis Analisis Data

2. Setelah entri data

Ada beberapa fungsi yang perlu dijelaskan ;

Belajar Mudah & Praktis Analisis Data

B. SELEKSI AITEM & RELIABILITAS SKALA

1. Praktikum : Seleksi aitem dan Reliabilitas

Belajar Mudah & Praktis Analisis Data

Setelah dilakukan uji coba pada 25 penderita kanker, di dapatkan

Belajar Mudah & Praktis Analisis Data

2. Klik Analyze – Scale – Reliability Analysis

Belajar Mudah & Praktis Analisis Data

Belajar Mudah & Praktis Analisis Data