KATA PENGANTAR

Bismillahirrahmanirrahiim,

Alhamdulillah, dengan memanjatkan puji syukur ke hadirat Illahi Rabi yang telah

memberikan Rahmat dan KaruniaNya, akhirnya modul SPSS ini dapat diselesaikan.

Kebanyakan orang, Statistika dianggap suatu ilmu yang ruwet, penuh dengan rumus-

rumus yang rumit dan diperlukan ketelitian serta ketepatan dalam menghitungnya. Namun,

seiring dengan kemajuan pesat di bidang komputer, muncul berbagai program komputer yang

dibuat khusus untuk membantu pengolahan data statistik. Pengolahan data statistik menjadi

jauh lebih mudah tanpa mengurangi ketepatan hasil outputnya. SPSS adalah suatu program

komputer statistik yang mampu untuk memproses data statistik secara cepat dan tepat,

menjadi berbagai output yang dikehendaki para pengambil keputusan.

Modul ini ditujukan kepada para pengguna statistik yang tidak ingin direpotkan

dengan perhitungan manual statistik yang melelahkan , namun tetap ingin memperoleh output

statistik yang akurat dan dapat dimengerti.

Tidak diperlukan keahlian mengoperasikan SPSS ataupun pengetahuan ilmu statistika

yang mahir agar bisa menggunakan modul ini.

Penulis berharap, semoga modul ini bisa memberikan kemudahan dan bermanfaat

dalam menggunakannya, Amien.

R. Fenny Syafariani, S.Si , M.Stat

Hardiana Prasanti, S.Si

2
 DAFTAR ISI

Kata Pengantar i

Daftar Isi ii

BAB I PENDAHULUAN 1

BAB II SPSS DATA EDITOR 3

2.1 Mendefinisikan dan Mengisi Data 3
2.2 Menyimpan Data 7
2.3 Menu Edit pada SPSS 7
2.3.1 Mencari Data 7
2.3.2 Menyisipkan Variabel 8
2.3.3 Menyisipkan Kasus 8
2.3.4 Menemukan Sel Tertentu (Go To Case) 8
2.3.5 Memisahkan Isi File dengan Split File 9

BAB III PEMBUATAN TABEL DAN STATISTIKA DESKRIPTIF 10

3.1 Custom Table 10

3.1.1 Basic Tables 10
3.2 General Tables 13
3.3 Multiple Response 15
3.3.1 Urutan Analisis Multiple Response 16
3.3.2 Menggunakan Fungsi Frequencies pada Multiple Response 17
3.4 Tables Of Frequencies 18
3.5 Statistiks Descriptive 19
3.5.1 Frequencie 19
3.5.2 Explore 19

BAB IV MENGUJI PERBEDAAN RATA-RATA (COMPARE MEANS) 31

4.1 Uji Rata-rata untuk Satu Sampel (One Sample T Test)

3
 4.2 Uji Rata-rata untuk Dua Sampel Independent (Independent Sample T 33
Test)

BAB V ANALISIS KORELASI 44

5.1 Analisis Korelasi Sederhana 44

5.1.1 Arti Koefisien Korelasi 44
5.1.2 Menguji Koefisien Korelasi 44
5.1.3 Koefisien Determinasi 45
5.1.4 Penafsiran Koefisien Korelasi 45
5.2 Analisis Korelasi Spearman 49
5.2.1 Menguji Koefisien Korelasi Spearman 49
5.3 Analisis Korelasi Parsial 51
5.3.1 Menguji Koefisien Korelasi Parsial 52

BAB VI ANALISIS REGRESI

6.1 Analisis Regresi Sederhana 56

6.1.1 Menghitung Koefisien Regresi 56
6.1.2 Menguji Koefisien Regresi 57
6.1.2.1 Melalui Statistik Uji t 57
6.1.2.2 Melalui ANOVA 57
6.2 Analisis Regresi Multiple 63
6.2.1 Menguji Koefisien Regresi 64
6.2.1.1 Pengujian Secara Keseluruhan 64
6.2.1.2 Pengujian Secara Individual 65

4
 BAB I
PENDAHULUAN

Statistika adalah ilmu untuk mengambil keputusan terhadap suatu masalah tertentu.
Statistika memberikan Metoda Statistika, yaitu langkah-langkah kerja dalam masalah
mengumpulkan data, meringkas / mengolah dan menyajikan data, menarik kesimpulan dari
hasil analisis dan memberikan keputusan apa yang sebaiknya dikerjakan berdasarkan strategi
hasil analisis. Statistika tidak dapat dilepaskan dari data berupa angka, baik itu Statistika
Deskriptif yang menggambarkan data, maupun Statistika Inferens yang melakukan pengujian
hipotesis.
Data dalam statistika bisa berupa angka, atau bukan angka. Data bukan angka disebut
data kualitatif. Ciri utamanya adalah tidak dapat dilakukan operasi matematika, sedangkan
data berupa angka disebut data kuantittif dan operasi matematik dapat dilakukan.
Beberapa tahun terakhir ini, teori dan metode analisis statistika berkembang dengan
cepat. Salah satu perkembangan ini adalah bertambah banyaknya penelitian terapan dalam
analisis statistika. Perkembangan yang kedua adalah teknologi komputer yang memberikan
kontribusi yang sangat besar terhadap implementasi dari berbagai bidang penelitian. Hal ini
diikuti oleh bertambah banyaknya paket-paket dari program analisis data statistika (SAS,
SPSS, dan MINITAB).
Dari berbagai software khusus statistik yang beredar sekarang, SPSS adalah yang
paling populer dan paling banyak dipakai. SPSS adalah singkatan dari Statistikal Package for
the Social Science. SPSS sebagai software Statistik, pertama kali dibuat tahun 1968 oleh tiga
mahasiswa Stanford University.

Fasilitas yang disediakan oleh SPSS adalah,

1.1 Window SPSS
SPSS menyediakan beberapa window, terdiri dari :

1.1.1 Data Editor

Window ini terbuka secara otomatis setiap kali program SPSS dijalankan, dan
berfungsi untuk input data SPSS. Pada Data Editor juga dijumpai berbagai menu utama untuk

5
manipulasi data input dan proses data dengan berbagai macam metode statistik. Data Editor
mempunyai menu :

1. File
Berfungsi untuk membuka file baru, atau membuka file tertentu, mengambil data dari
program lain, mencetak isi data editor dan lainnya.

2. Edit
Berfungsi untuk memperbaiki atau mengubah nilai data. Menu edit berfungsi untuk
mengubah setting pada option.

3. View
Berfungsi untuk mengatur toolbar.

4. Data
Berfungsi untuk membuat perubahan data SPSS secara kesuluruhan, seperti mengurutkan
data, menyeleksi data berdasar criteria tertentu, menggabung data dan sebagainya.

5. Transform
Berfungsi untuk membuat perubahan pada variable yang telah dipilih dengan kriteria
tertentu.

6. Analyze
Berfungsi untuk melakukan semua prosedur perhitungan statistik

7. Graphs
Berfungsi untuk membuat berbagai jenis grafik mendukung analisis statistik

8. Utilities
Berfungsi untuk memberi informasi tentang variabel yang sedang dikerjakan, dan
mengatur tampilan menu-menu lain.

9. Window
Berfungsi untuk berpindah di antara menu-menu yang lain di SPSS.

10. Help
Berfungsi untuk menyediakan bantuan informasi mengenai program SPSS yang diakses.

6
1.1.2 Menu Output VIEWER
Jika Data Editor berfungsi untuk memasukkan data yang siap diolah, kemudian
melakukan pengolahan data yang dilakukan melalui menu Analyze, hasil pengolahan data
atau informasi ditampilkan lewat window SPSS VIEWER atau bisa disebut Viewer saja.

1.1.3 Menu Syntax Editor

Pengolahan data statistik yang menggunakan SPSS Command Language. Perintah-
perintah tersebut ditulis pada Menu Syntax Editor. Menu ini berupa file teks yang berisi
berbagai perintah SPSS, dan bisa diketik secara manual.

1.1.4 Menu Script Editor

Digunakan untuk melakukan berbagai pengerjaan SPSS secara otomatis.

1.1.5 Menu Draft Output

Digunakan untuk alternatif output hasil proses SPSS yang berupa teks dan chart.

7
 BAB II
SPSS DATA EDITOR

Pada saat SPSS pertama kali dibuka, selalu tampak tampilan pertama sebagai berikut :

Gambar 2.1 Window Utama SPSS

SPSS Data Editor mempunyai 2 bagian, yaitu :

1. Data View : untuk menginput data statistik
2. Variable View : untuk mendefinisikan data variabel.
Seperti tampak pada gambar di bawah ini :

8
 Gambar 2.2 SPSS Data Editor

Data Editor mempunyai dua fungsi utama :

1. Mendefinisikan data variabel di variabel view

2. Input data

2.1 Mendefinisikan dan Mengisi Data :

Sebelum data diolah, terlebih dahulu data harus didefinisikan. Klik Variable View, maka
terlihat ada baris Name, Type, Width, Decimals, Label, Values, Missing, Columns,
Align, Measure.

 Name : Sesuai kasus, biasanya nama untuk variabel penelitian SPSS selalu membuat

huruf kecil semua untuk penulisan variabel

 Type : Tipe data terdiri dari

Gambar 2.3 Kotak Variable Type

9
Tipe data yang sering dipakai adalah numerik dan string. String jika data berskala nominal.
Jika data kuantitatif / rasio gunakan numerik. Untuk data berkategori juga gunakan data
numerik, agar bisa diolah secara kuantitatif.

 Width : Pilihan ini menyediakan masukan antara 1 sampai dengan 255 digit untuk
isian data. Hal ini berarti banyaknya karakter nama variabel

 Decimals : apabila data berbentuk string, maka tidak ada desimal.

 Label : adalah keterangan untuk nama variabel, yang dapat disertakan atau tidak.

 Values : jika data berbentuk numerik, tapi tidak berkategori, values kosongkan saja
(none).

Tapi jika berbentuk kategori klik kotak kecil di sel tersebut, sehingga muncul

Gambar 2.4 Kotak Value Labels

 Missing : adalah data yang hilang

 Column : column hampir sama dengan dengan width. Fungsinya menyediakan lebar
kolom yang diperlukan untuk pemasukan data

 Align : adalah posisi data, apakah dikanan, kiri, atau tengah.

 Measure : menyangkut tipe variabel yang nantinya menentukan jenis analisis yang
digunakan. Untuk data string ada dua tipe yang digunakan, yaitu nominal
dan ordinal. Untuk numerik atau numerik tapi berkategori gunakan scale.
Contoh :

Di bawah ini adalah data IPK 15 orang mahasiswa pria dan wanita yang diambil secara
acak,

10
 Tabel 2.1 Data IPK dari 15 responden (mahasiswa)
Nama Gender IPK

1 Shanti Perempuan 3.02

2 Diana Perempuan 3.30

3 Harry Laki-laki 3.00

4 Pram Laki-laki 3.35

5 Neneng Perempuan 3.01

6 Genta Laki-laki 3.37

7 Winda Perempuan 3.37

8 Gian Laki-laki 3.5

9 Pelangi Perempuan 3.00

10 Babam Laki-laki 3.38

11 Himawan Laki-laki 3.35

12 Dhani Laki-laki 3.32

13 Maharani Perempuan 3.00

14 Putri Perempuan 3.27

15 Harun Laki-laki 3.5

Pada tabel di atas ada 3 macam variabel, yaitu Nama, Gender dan IPK.

 Pemasukan Data ke SPSS

Langkah-langkah :

1. Buka lembar kerja baru

Lembar kerja baru selalu dibuka jika ada pemasukan variabel yang baru.

 Klik File, pilih menu New.

Oleh karena akan dibuat DATA yang baru, maka

11
  Klik Data

Sekarang, SPSS siap membuat variabel baru yang diperlukan.

2. Menamai Variabel yang diperlukan

Langkah berikutnya adalah membuat nama untuk setiap variabel baru. Untuk itu
gunakan area VARIABLE VIEW pada Data Editor. Pada contoh diatas ada 3 variabel,
maka akan dilakukan input nama variabel sebanyak 3 kali :

1. Variabel pertama : Nama

 Klik Variable View yang ada di bagian kiri bawah pada data editor. maka akan
muncul gambar seperti berikut ini,

Gambar 2.5 Kotak Variable View

3. Mendefinisikan Variable Nama :

1. Name : letakkan pointer di bawah kolom Name, klik ganda pada sel tersebut, dan ketik
Nama, kemudian tekan tombol ENTER untuk menyetujui penulisan tersebut.
2. Type : tipe data untuk Nama adalah string (kualitatif), karena “nama” terdiri atas
gabungan huruf (non-angka). Tipe String berarti data dianggap sebagai karakter, bukan
sebuah angka. Oleh karena secara default SPSS memberi tipe numerik, maka klik kotak
kecil ( ) di kanan sel tersebut.
Tampak di layar :

12
 Gambar 2.6 Kotak Variable Type

Pilih tipe String (paling bawah), dan tekan OK.

3. Width : abaikan, biarkan sesuai defaultnya.
4. Decimals : karena tipe data adalah string, maka desimalnya adalah nol
5. Label : ketik Nama
6. Values : abaikan, karena data tidak berkategori
7. Missing : karena tidak ada data hilang, abaikan
8. Column : abaikan biarkan sesuai default.
9. Align : abaikan, biarkan sesuai default.
10. Measure : pilih nominal
Hasil pengisian :

13
 Gambar 2.7 Kotak Hasil Pengisian Nama

2. Variabel Gender :

1. Name : klik ganda pada sel tersebut, dan ketik Gender.

2. Type : tipe data untuk nama adalah numeric / string.
3. Width : abaikan, biarkan sesuai defaultnya.
4. Decimals : karena tipe data adalah numeric, tapi berkategori, maka desimalnya adalah
nol.
5. Label : ketik Gender

6. Values, di klik, ketik 1 pada Value dan pada Value Label ketik
laki-laki , lalu tekan Add, begitu juga dengan 2 untuk wanita, akan
Tampak di layer

14
 Gambar 2.8 Kotak Value Labels
Oleh karena hanya ada 2 gender yang dimasukkan, pengisian dianggap selesai, dan klik
OK untuk kembali.
7. Missing : karena tidak ada data hilang, maka abaikan saja.
8. Column : abaikan biarkan sesuai defaultnya.
9. Align : abaikan, biarkan sesuai defaultnya.
10. Measure : pilih Scale

3. Variabel IPK
1. Name : ipk
2. Type : klik numeric
3. Width : biarkan angka 8 sebagai default
4. Decimals : ketik 2
5. Label : ketik IPK
7. Missing : abaikan
8. Column : biarkan sesuai default
9. Align : Biarkan sesuai default
10. Measure : pilih Scale

Terlihat nama ketiga variabel pada Variable View, yaitu :

Gambar 2.9 Kotak Hasil Pengisian Nama, Gender, dan IPK

15
 Setelah variabel terdefinisi, maka langkah selanjutnya adalah mengisi data. Klik Data
View, dan masukkan data. Hasilnya adalah sebagai berikut,

Gambar 2.10 Kotak Berisi Data Lengkap di dalam Data View

2.2 Menyimpan Data

Data di atas bisa disimpan, dengan prosedur berikut :
1. Dari menu utama SPSS, pilih menu File, kemudian pilih submenu Save As....
2. Beri nama file untuk keseragaman dengan LATIH1. Tipe file untuk SPSS adalah sav.
Sehingga data tersebut tersimpan dengan nama lengkap LATIH1.sav
Selain pilihan Save As…., ada juga pilihan Save. Pilihan Save dipakai jika penyimpanan
data tidak memerlukan nama baru atau file sudah diberi nama.

2.3. Menu Edit Pada SPSS

Edit digunakan untuk perbaikan atau perubahan berkenaan dengan data yang telah dibuat.

2.3.1 Mencari Data

Pada file LATIH1, kita akan mencari data nama Pelangi.
Langkah : pilih menu Edit, kemudian klik Find, maka tampak di layar :

16
 Gambar 2.11 Kotak Pencarian Data

Pada Find what ketik Pelangi. Maka pointer akan berhenti pada nama Pelangi.

2.3.2 Menyisipkan Variabel

Pada file LATIH1, kita akan menyisipkan variabel baru, yaitu IQ.
Caranya adalah :
o Letakkan pointer di kolom kepala kolom IPK.
o Pilih menu Data , pilih Insert Variable. Maka akan muncul kolom baru dengan
nama var00004 (atau nama baru lainnya) yang merupakan variable baru.
o Klik Variable View
o Buat definisi untuk variabel IQ.

2.3.3 Menyisipkan Kasus (case)

Pada file LATIH1, kita akan menyisipkan data baru (case baru), misalnya dengan
nama Diah, Wanita dengan IPK 3.38. Data terletak antara nama Himawan dan
Dhani, maka Langkahnya adalah letakkan pointer di kepala baris Dhani, kemudian
klik Data, klik Insert Cases. Maka akan muncul baris kosong baru antara nama
Himawan dan Dhani. Isi nama Diah serta data lain yang relevan.

2.3.4 Menemukan Sel Tertentu (Go To Case)

Fungsinya adalah untuk menemukan suatu baris dalam Data Editor. Perintah ini
sangat bermanfaat jika kasus yang ada sangat banyak, misalnya lebih dari 100.

17
 Misalnya dari file LATIH1, ingin diketahui kasus no 11, maka langkahnya adalah
letakkan pointer pada sembarang tempat. Pilih menu Data, klik Go Case …
Tampak dilayar

Gambar 2.12 Kotak Go To Case

Isi di Case Number 11, dan tekan OK. Pointer otomatis akan menuju baris 11.

2.3.5 Memisah Isi File dengan Kriteria Tertentu (Split File)

Isi file LATIH1 berisi data gender dengan kategori Pria dan Wanita berselang-
seling. Jika kasus sangat banyak dan diinginkan variable pria dan wanita dipisah,
maka langkahnya adalah pilih menu Data, pilih Split File… Tampak di layar,

Gambar 2.13 Kotak Split File

o Karena akan memisahkan file dalam grup, maka klik mpilihan Organize output
by groups.
o Pembagian data akan berdasarkan gender, klik variable gender, klik tanda anak
panah, maka variable gender akan masuk ke dalam kolom Group Based On.
o Oleh karena pada data awal file masih acak antara gender pria dan wanita, maka
klik pilihan Sort the file by grouping variables. Tekan tombol Ok. Tampak di
layar :

18
 Gambar 2.14 Kotak Split File berdasarkan Gender

Lalu hasil pemisahan :

Gambar 2.15 Kotak Split File berdasarkan Gender

Terlihat sekarang ada dua grup yang terpisah, yaitu data responden Pria dan Wanita.
Disini gender Pria tampil lebih dulu, karena kode pria (1) lebih kecil dari wanita (2).

19
TUGAS :
Buat data dengan variabel Nama, Gender (0 untuk wanita, 1 untuk pria), Pendidikan
(1 untuk SMU, 2 untuk Akademi, 3 untuk Sarjana). Data banyaknya 60 data.
Namakan file dengan LATIH2.

20
 BAB III
PEMBUATAN TABEL DAN STATISTIKA DESKRIPTIF

Agar data mudah dibaca, dan dipahami untuk penganalisisan dalam mengambil suatu
keputusan, harus diolah dalam bentuk yang baik. Bentuk penyajian yang lazim dilakukan
adalah dalam bentuk tabel / daftar.
Supaya diperoleh gambaran yang lebih jelas mengenai sifat-sifat data diperlukan
ukuran-ukuran yang merupakan wakil dari kumpulan data tersebut, misalnya ukuran gejala
pusat (rata-rata), ukuran variasi (varians) dan sebagainya.
Pada bab ini akan dijelaskan pembuatan berbagai jenis tabel untuk menyajikan data
secara lebih informative, termasuk penghitungan berbagai besaran statistik deskriptif dan
dilanjutkan dengan pembahasan statistik deskriptif. Tabel yang dibuat bisa dibagi menjadi :
 Basic Tables
 General Tables
 Multiple Response Table
 Table of Frequencies

3.1. Custom Table

Berfungsi untuk membuat tabel sesuai dengan keinginan dan fleksible (custom),
pembuatan table bisa dilakukan secara mudah, yakni menggunakan fasilitas click and drag
dengan bantuan mouse , dimana tabel yang dibuat bisa dibagi menjadi Basic Tables, General
Tables, Multiple Response Table, dan Table of Frequencies.
Langkah-langkah :
1. Buat file LATIH2 seperti dibawah ini :

21
 Gambar 3.1 Data Lengkap (LATIH2)
2. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu Tables, lalu pilih
Custom Tables, dimana kita ingin menggambarkan hubungan antara variabel Gender
dengan variabel Pendidikan. Tampak di layar :

22
 Gambar 3.2 Kotak dialog Custom Tables
Pada kasus ini, untuk keseragaman, baris akan diisi variabel Pendidikan, sedangkan kolom
akan diisi oleh variabel Gender.
Sebelum dilakukan pengisian, perhatikan simbol variabel-variabel yang ada di sebelah kiri
atas kotak dialog , yaitu variabel bertipe nominal /ordinal mempunyai simbol dan warna yang
berbeda dengan variabel bertipe interval /rasio. Pada pembuatan tabel, sebaiknya isian utama
diisi oleh variabel-variabel nominal /ordinal , sedangkan variabel interval /rasio hanya sebagai
pelengkap untuk perhitungan statistik.
3. Arahkan mouse dan klik pada variabel Gender. Kemudian dengan tetap menekan mouse,
pindahkan variabel tersebut sehingga bergeser ke kotak tengah. Tempatkan variabel
tersebut ke bagian Columns yang ada di bagian tengah atas, sehingga menumpuk pada
kata Columns dan tampak warna merah (atau warna lain) disekeliling kotak dengan
23
 nama Columns tersebut. Setelah itu, lepaskan tombol mouse, sehingga tampak di layar
(bagian tengah kotak dialog) :

Gambar 3.3 Hasil klik dan drag pada variabel Gender

Proses menahan tombol mouse, menggerakkan tombol ke arah tertentu disebut dengan proses
click and drag, yang memainkan peran penting bagi terbentuknya sebuah tabel yang
diinginkan.
Perlu diperhatikan bahwa jika warna tidak berubah menjadi warna merah/warna lain saat
dilakukan proses click and drag, variabel tersebut belum dapat ditempatkan pada kolom atau
baris dari suatu tabel. Jika terjadi hal tersebut, proses klik dan drag bisa diulang, sampai
berubah warna.
4. Arahkan mouse dan klik pada variabel Pendidikan. Kemudian, dengan proses klik dan
drag, arahkan variabel tersebut ke kotak Rows, sehingga menumpuk dengan nama tersebut.
Lakukan sama seperti Columns.
5. Abaikan semua bagian lain, dan tekan OK untuk proses data.
24
 Gambar 3.4 Hasil klik dan drag pada variabel Pendidikan

6. Output dari Custom Tables :

Tabel 3.1 Output Custom Tables

GE ND E R
pria wanita
Count Count
P E ND IDIK A N A kademi 14 10
K A RYA W A N S arjana 13 12
S MU 6 5

25
Analisis : Dari tabel diatas terlihat komposisi pria dan wanita dengan latarbelakang
pendidikan dimana jumlah pria dan wanita paling sedikit ada pada jenjang pendidikan SMU
yaitu 6 pria dan 5 wanita. Sedangkan jika pria paling banyak berpendidikan Akademi yaitu
sebanyak 14 orang, maka wanita justru paling sedikit berpendidikan Sarjana.
7. Jangan lupa Save As dengan nama CUSTOM_TABLES.

3.2. Basic Tables

Fungsinya adalah memberikan gambaran tentang suatu data, seperti rata-rata, standar
deviasi, varians dan sebagainya. Data yang digunakan dapat kuantitatif maupun
kualitatif.
Langkah kerja :
 Buka file Data LATIH2
 Pilih Analyze, kemudian pilih submenu Tables , lalu pilih Basic Tables. Tampak di
layar :

Gambar 3.5 Kotak Basic Tables

 Summaries atau variabel yang akan dihitung, yang seharusnya data numerik. Sesuai
kasus masukkan variabel usia.

 Statistics : diperlukan untuk menghitung besaran statistik. Misalnya kita ingin

menghitung jumlah dan rata-rata, maka

26
 o Pilih Count dan tekan tombol add untuk memasukkan besaran jumlah
o Pilih Mean dan tekan tombol add untuk memasukkan besaran rata-rata.

Gambar 3.6 Kotak dialog Statistics

 Abaikan bagian yang lain dan tekan tombol continue untuk kembali ke kotak dialog

utama.

 Bagian Sub Groups, atau perincian penempatan isi baris, kolom dan layer

o Down atau variabel untuk mengisi BARIS. Pilih variabel Pendidikan Karyawan

o Across atau variabel untuk mengisi KOLOM. Sesuai kasus pilih variabel Gender.

o Abaikan bagian yang lain dan tekan tombol Ok untuk proses data.

27
 Gambar 3.7 Kotak dialog Statistics
 Output SPSS dan Analisis
Output dari Basic Tables :
Tabel 3.2 Output Basic Tables

GENDER
pria wanita
Count Mean Count Mean
PENDIDIKAN Akademi 14 26 10 27
KARYAWAN Sarjana 13 30 12 29
SMU 6 25 5 24

Analisis :
Dari tabel di atas terlihat bahwa jumlah karyawan wanita dengan pendidikan SMU adalah 5
orang wanita yang mempunyai usia rata-ratanya adalah 24 tahun, untuk Akademi mayoritas
didominasi oleh pria dengan jumlah 14 orang yang mempunyai usia rata-ratanya adalah 26
tahun, dan Sarjana adalah 13 orang pria yang mempunyai usia rata-ratanya adalah 30 tahun.

 Jangan lupa Save As dengan nama BASIC TABLES.

28
  Penggunaan Nested and Stacked

Fungsinya adalah menampilkan output dengan cara diuraikan.

Langkah-langkahnya :

o Buat file LATIH3 , seperti dibawah ini :

Gambar 3.8 Definisi dalam Variabel View untuk LATIH3

29
 Gambar 3.9 Data Lengkap Untuk LATIH3 dalam Data View

o Pilih Analyze, submenu Tables, lalu Basic Tables. Tampak di layar :

Gambar 3.10 Kotak dalam Basic Tables

30
Pengisian :

o Summeries, masukkan variabel Umur.

o Pada statistics… pilih count dan mean, kemudian abaikan yang lain, dan
tekan continu.

o Pada bagian Sub Groups, isi Down untuk mengisi baris. Pilih Variabel
Pendidikan Karyawan dan Status Karyawan.

Gambar 3.11 Kotak pengisian Summaries, Subgroups dalam Basic Tables

o Pilih All Combination (nested)

o Abaikan yang lain, dan tekan tombol OK. Maka outputnya adalah :

Tabel 3.3 Output Nested and Stacked

Count M ean
PENDI DI KAN Akadem i STATUS KARYAW AN Belum M e UM UR KARYAW AN 11 27
KARYAW AN M enikah UM UR KARYAW AN 13 26
Sar jana STATUS KARYAW AN Belum M e UM UR KARYAW AN 9 30
M enikah UM UR KARYAW AN 16 29
SM U STATUS KARYAW AN Belum M e UM UR KARYAW AN 7 24
M enikah UM UR KARYAW AN 4 25

31
o Analisis : Ada 11 karyawan dengan latarbelakang pendidikan Akademi dimana statusnya
belum menikah dan umurnya rata-ratanya 27 tahun sedangkan yang sudah menikahnya ada 13
orang dan usianya rata-rata 26 tahun. Lalu yang berlatarbelakang pendidikan Sarjana dimana
statusnya belum menikah dan yang menikah adalah 9 orang dengan usa rata-ratanya 30 tahun
dan 16 orang yang usia rata-ratanya 29 tahun.Yang berlatarbelang pendidikan SMU
berjumlah 7 orang dan 4 orang yang masing-masing belum menikah dan sudah menikah
dimana usia rata-ratanya adalah 24 tahun dan 25 tahun.

o Jangan lupa Save As Output Nested and Stacked dalam Basic Tables

3.2. General Tables

General Tables fungsinya hampir sama dengan Basic Table, perbedaannya adalah
General Tables tidak mempunyai besaran statistik yang lengkap, tapi ditambah fungsi
pengolahan Multiple Response set.

Akan dibuat tabel berdasarkan file LATIH3. Generals Tables akan memuat
komposisi karyawan berdasarkan Bidang, Pendidikan Karyawan dan Gender. Variabel Bidang
sebagai baris, dan Pendidikan sebagai kolom. Sedangkan Gender sebagai layer, yaitu yang
membagi tabel.

Langkah :

 Buka File LATIH3

 Dari menu utama SPSS pilih Analyze, submenu Tables , kemudian pilih General Tables.
Maka muncul ,

32
 Gambar 3.12 Kotak General Tables

 Rows atau baris, masukkan variabel Bidang

 Columns atau kolom, sesuai kasus masukkan variabel Pendidikan
 Layer sesuai kasus masukkan Gender.
 Buka pilihan FORMAT DAN PILIH zero, yang berarti nilai kosong pada output akan
ditampilalkan sebagai 0.
 Mengisi jumlah TOTAL. Tombol INSERT TOTAL digunakan untuk menambah jumlah
isian pada baris, kolom atau layer.

o Sorot variabel Bidang dan kemudian klik tombol Insert Total, maka akan muncul
kata ‘bidang total’ di bawah variabel Bidang.

o Sorot variabel Pendidikan dan kemudian klik tombol Insert Total, untuk menambah
total pada variabel Pendidikan
 Bagian SELECTED VARIABLES. Bagian ini hampir sama dengan insert total,
sehingga jika variabel sudah dilakukan proses insert total, maka pada variabel tersebut
pilihannya adalah DEFINE CELLS yang berarti isi angka tiap-tiap sel akan ditampilkan.
Pilihan OMIT LABELS hanya mengatur penampakan kalimat dari variabel. Karena telah
dilakukan proses insert total, maka Omit labels diabaikan.
 Tekan OK.

33
 Output yang kita peroleh adalah sebagai berikut,
Tabel 3.4 Output berdasarkan Gender Wanita

GE NDE R wa n i t a
P E NDI DI K A N K A RY A W A N
A k a d e mi S a rj a n a S MU T o ta l
B I DA NG Ke u a n g a n 5 3 1 9
P E K E RJ A A N Ma rk e t i n 3 4 3 10
P ro d u k s i 2 3 0 5
Umu m 0 2 1 3
T o ta l 10 0 0 27

Analisis :

Dari tabel di atas terlihat bahwa karyawan wanita yang berpendidikan Sarjana di
bidang Keuangan ada 3 orang, di bidang Umum ada 2 orang, di bidang Marketing ada 4
orang, di bidang Produksi ada 3 orang. Mungkin sebaiknya bagian personalia menambah
karyawan wanitanya di bidang Produksi dengan latar pendidikan SMU dan di bidang
Umum dengan latar belakang pendidikan Akademi..

Apabila ingin melihat komposisi karyawan dengan gender pria, maka Double Klik
pada output yang berbentuk table, maka ada combo box Gender dan pilih Pria, sehingga
akan muncul,

Tabel 3.5 Output berdasarkan Gender Pria

GE NDE R p ri a
P E NDI DI K A N K A RY A W A N
A k a d e mi S a rj a n a S MU T o ta l
B I DA NG Ke u a n g a n 3 6 0 9
P E K E RJ A A N Ma rk e t i n 3 1 4 8
P ro d u k s i 3 4 1 8
Umu m 5 2 1 8
T o ta l 14 13 6 33

Anda buat Analisisnya.

 Jangan lupa Save As Output berdasarkan Gender Karyawan Wanita dan Pria Untuk
General Tables.

34
3.3. Multiple Response Set
Adalah suatu respon yang dapat memunculkan lebih dari satu kemungkinan jawaban.
Pada survei hal seperti ini sering ditemukan. Misalnya seseorang ditanya permen merek apa
yang dimakan dalam satu minggu terakhir, maka kemungkinan jawabannya akan lebih dari
satu.

Multiple response juga terdapat pada Custom Tables, tapi kita akan membahasnya
pada submenu Multiple Response setelah kita membuka menu Analyze.

Contoh data untuk analisis

Sebuah stasiun televisi ingin mengetahui jenis acara apakah yang paling banyak diminati oleh
masyarakat. Untuk itu diedarkan angket. Dan salah satu pertanyaannya adalah, diminta untuk
menyebutkan 3 acara yang disukai. Setelah hasil angket dikumpulkan, ternyata ada 6 acara tv
yang paling banyak disebutkan, yaitu sinetron, film laga, acara dangdut, berita, kuis, acara
anak-anak.

Hasil angket adalah sebagai berikut,

Gambar 3.13 Data Untuk Dianalisis

35
Data tersebut terdapat pada file LATIH4. Cara membacanya adalah, responden pertama
bernama Susan, acara tv yang paling disukai adalah sinetron, kedua berita, ketiga film laga.
CAT. : Data diatas buat dalam tipe data NUMERIK yang terdiri dari 1 = Sinetron, 2 = Film
Laga, 3 = Acara Dangdut, 4 = Berita , 5 = Kuis , dan 6 = Acara Anak-anak, serta akan
muncul simbol # menandakan tipe datanya sudah numeric.

3.3.1. Urutan Analisis Multiple Response

Sebelum melakukan analisis terhadap multiple response, harus didefinisikan terlebih
dahului. Langkahnya adalah :
 Buat file LATIH4

Gambar 3.14 Format definisi dalam Variabel View Untuk LATIH4

36
 Gambar 3.15 Data Lengkap dalam Data View Untuk LATIH4

 Klik menu Analyze, submenu Multiple Response, lalu pilih Define Sets, Maka di layar ,

Gambar 3.16 Kotak Define Multiple Response

37
  Variables in Set, masukkan satu sampai tiga
 Variables Are Coded As. Klik pada Categories dan kemudian isi 1 untuk
RANGE dan isi 6 untuk THROUGH.
 Name, untuk keseragaman ketik acara
 Label, atau keterangan nama. Untuk keseragaman ketik pilihan acara
 Jika semua masukan di atas sudah terisi, klik tombol Add
 Tekan Close untuk menyelesaikan proses definisi multiple, akan tampak dilayar

Gambar 3.17 Kotak Define Multiple Response Sets

File LATIH4 telah terdefinisi untuk multiple response. Langkah selanjutnya adalah
melakukan analisis.

3.3.2. Menggunakan fungsi Frequencies pada Multiple Response

o Buka file LATIH4
o Pilih Analyze, pilih Multiple Response, lalu pilh Frequencies… Tampak di layar

38
 Gambar 3.18 Kotak Multiple Response Frequencies

o Table (s) for masukkan Pilihan Acara

o Missing Values abaikan
o Pilih OK, maka hasilnya

Tabel 3.6 Output dari Multiple Response

Group $Acara Pilihan Acara

Pct of Pct of
Category label Code Count Responses Cases

Sinetron 1 8 17,8 53,3

Film Laga 2 8 17,8 53,3
Acara Dangdut 3 10 22,2 66,7
Berita 4 8 17,8 53,3
Kuis 5 7 15,6 46,7
Acara Anak-anak 6 4 8,9 26,7
------- ----- -----
Total responses 45 100,0 300,0

0 missing cases; 15 valid cases

Analisis

o Kolom ketiga menghitung jumlah acara yang disukai, karena responden ada 15 orang
dan tiap orang diminta menjawab 3 acara, maka total ada 45. Angka 8 artimya ada 8
orang yang memilih sinetron, baik sebagai pilihan ke satu, ke dua ataupun ke tiga.

39
 o Keterangan Pct of Responses atau persentase dari response :
Rumus : Count / Total response
Misalnya untuk frekuensi sinetron, muncul 8 kali , maka :
Persentase = 8 / 45 * 100%, atau 17,8%. Demikian seterusnya.

o Keterangan Pct of Cases atau persentase dari jumlah kasus :

Rumus : Count / Total cases. Perhatikan bahwa jumlah kasus (responden) yang valid
adalah 15 orang. Misalnya untuk sinetron ada 8 orang, maka

Persentase : 8 / 15 * 100%., atau 53.3%. Demikian seterusnya untuk data lain.

o Dari output tersebut ternyata acara yang paling disukai adalah dangdut, kemudian
sinetron, film laga, dan berita mempunyai jumlah yang sama.

3.4. Tables of Frequencies

Tujuannya adalah memberikan gambaran tentang suatu data, seperti rata-rata, standar deviasi,
varians dan sebagainya. Data yang digunakan bisa kuantitatif bisa juga kualitatif.

Kasus :
Dari file LATIH3 akan dibuat sebuat table frequencies yang memuat Bidang Kerja Karyawan
dengan Pendidikan Karyawan. Tabel akan di bagi dua berdasarkan status karyawan dengan
menggunakan Separate Tables.
Langkah:
o Buka file LATIH3
o Buka menu Analyze, pilih Tables, lalu pilih Tables of Frequencies.
Tampak di layar :

40
 Gambar 3.19 Kotak Tables of Frequencies

o Frequencies for, msukkan variabel Bidang Pekerjaan

o In each table, variabel untuk mengisi kolom , pilih variabel Pendidikan Karyawan
o Separate tables, fungsinya sama dengan layer untuk memisahkan tabel. Pilih variabel
Status Karyawan.
o Abaikan yang lain tekan Ok. Hasilnya adalah,

Tabel 3.7 Output Separate Tables berdasarkan Status Karyawan Belum Menikah
STATUS KARYAWAN Bel um Me
PENDIDIKAN KARYAWAN
Ak ademi Sarj ana SMU
BIDANG BIDANG BIDANG
PEKERJ AAN PEKERJ AAN PEKERJ AAN
Count Count Count
Keuangan 4 3 1
Mark etin 2 2 3
Produk s i 3 2 1
Umum 2 2 2

Untuk melihat status karyawan yang sudah menikah, maka klik 2 kali tabel output,
kemudian klik status karyawan, dan klik combo, pilih Status karyawan menikah

41
 Tabel 3.8 Output Separate Tables berdasarkan Status Karyawan Yang Menikah
STATUS KARYAWAN Menik ah
PENDIDIKAN KARYAWAN
Ak ademi Sarj ana SMU
BIDANG BIDANG BIDANG
PEKERJ AAN PEKERJ AAN PEKERJ AAN
Count Count Count
Keuangan 4 6
Mark etin 4 3 4
Produk s i 2 5
Umum 3 2

o Silakan buat Analisis kedua Output Separate Tables berdasarkan Status

Karyawan Yang Belum Menikah dan Yang Sudah Menikah

3.5. Statistik Deskriptif

Statistik Deskriptif berhubungan dengan pengumpulan data, pengolahan data dan
penyajian data. Data tersebut dapat disajikan dalam bentuk tabel maupun grafik. Dalam SPSS,
Statistik Deskriptif bisa diperoleh melalui :
1. Custom Tables
2. Distribusi Frekuensi
3. Persentase grafis
4. Ukuran Statistik Deskriptif

Ukuran Statistik Deskriptif pada SPSS terdapat pada menu Descriptive Statistics. Menu ini
mempunyai beberapa submenu:

A. FREQUENCIES :
Membahas ukuran Stastistik Deskriptif seperti Mean, Median, Kuartil, Persentil, Standar
Deviasi dan lainnya.

B. DESCRIPTIVE
Untuk menguji apakah data berdistribusi normal atau tidak

C. EXPLORE
Untuk menguji sekelompok data dengan menggunakan Box-Plot dan Steam and Lef Plot.

42
D. CROSSTABS
Menyajikan data dalam bentuk hubungan bari dan kolom.
E. RATIO
Untuk menyediakan ringkasan statistik yang berupa rasio-rasio.

Gambar 3.20 Kotak Descriptive Statistics

3.5.1. Frequencies
Data dalam tabel berikut adalah data mengenai berat badan 30 orang responden yang diambil
secara acak (angka dalam kg).
Tampak di layar :

Gambar 3.21 Kotak Data Mengenai Berat Badan dari 30 responden (LATIH5)
43
Berdasarkan data dari tabel tersebut akan dibuat deskripsi statistiknya.
Langkah :
o Buka file LATIH5, pilih menu Analyze, kemudian pilih Descriptive Statistics, pilih
Frequencies…
o Variable(s), adalah variabel yang akan dimasukkan, maka klik Berat Badan

Gambar 3.22 Kotak Frequencies

o Klik Statistics, tampak di layar

Gambar 3.23 Kotak Frequencies Statistics

Pilihan statistics ini untuk menggambarkan data,

44
  Percentiles Values atau nilai persentil, untuk keseragaman klik Quartile dan
Percentile(s) . Pada kotak di samping Percentile (s) ketik 25 kemudian tekan Add.
Kemudian ketik 75 pada kotak terdahulu dan tekan Add lagi.
 Dispersion, untuk melihat sebaran data. Klik Std. Deviation, Variance.
 Central Tendency, atau pengukuran pusat data. Untuk keseragaman klik Mean dan
Median.
 Distribution atau bentuk bentuk distribusi data. Untuk keseragaman, klik Skewness
dan Kurtosis.
o Tekan Continue setelah selesai input untuk melanjutkan proses berikutnya.
o Klik pilihan Charts, maka tampak di layar :

Gambar 3.24 Kotak Frequencies : Charts

 Pilih Histogram , juga pilih With normal curve.

 Tekan Continue

o Klik pilihan Format, maka tampak di layar :

Gambar 3.25 Kotak Frequencies : Format

45
  Order by, adalah data output akan disusun seperti apa. Kita akan menyusun data dari
data terkecil ke terbesar, maka klik Ascending values.
o Abaikan bagian lain dan tekan Continue.
o Tekan OK.
Tabel 3.9 Output Berdasarkan Ascending Values
Statistics

Berat Badan
N Valid 30
Mis s ing 0
Mean 49,10
Median 45,50
Std. Dev iation 16,886
Varianc e 285,128
Sk ewnes s -,858
Std. Error of Sk ewnes s ,427
Kurtos is 1,374
Std. Error of Kurtos is ,833
Perc entiles 25 40,00
50 45,50
75 62,50

Analisis :
o N atau jumlah data yang valid adalah 30 responden, sedangkan data yang
hilang (missing) adalah nol.
o Mean, atau rata-rata tinggi badan adalah 49,10.
o Median atau titik tengah data jika semua data diurutkan dan dibagi dua sama
besar. Angka median 45,50 kg, artinya 50% berat badan adalah 45,50 ke atas
dan 50% berat badan adalah 45,50 ke bawah.
o Standar deviasi adalah 16,886, dan varians yang merupakan yang merupakan
kuadrat dari standar deviasi adalah 285,128.
o Ukuran Skewness adalah -0,858. Untuk penilaian nilai tersebut diubah ke
angka rasio. Rasio Skewness adalah :
nilai skewness -0,858
Rasio Skewness = = ¿
standard error skewness 0,427 -2,000
Sebagai pedoman, jika rasio skewness berada diantara –2 sampai dengan +2,
maka distribusi data adalah normal. Oleh karena rasio skewness adalah
-2,000, maka data adalah normal.
46
 o Ukuran Kurtosis adalah 1,374 . Untuk penilaian tersebut diubah ke angka
rasio.
nilai kurtosis 1,374
Rasio Kurtosis = = = 1,64946
standard error kurtosis 0 .833
Jika rasio kurtosis terletak antara –2 sampai dengan 2, maka data tersebut
normal. Dan berdasarkan hasil perhitungan 1,64946, maka data berat badan
adalah normal.
o Percentiles
 Rata-rata berat badan responden 25% di bawah 40,00 kg, dan 75% lagi di
atas 40,00 kg.
 Rata-rata berat badan responden 75% dibawah 62,50 kg dan 25% lagi di
atas 62,50 kg.

Histogram

14

12
Frequency

10

2
Mean = 49.1
Std. Dev. = 16.886
0 N = 30
0 20 40 60 80
Berat Badan

Gambar 3.26 Histogram dan Poligon Frekuensi

o HISTOGRAM
Memperlihatkan grafik data yang telah dibuat frekuensinya. Dari histogram
yang telah kita buat, terlihat mempunyai kemiripan bentuk dengan kurva
negative atau tidak mendekati normal.

47
3.5.2. Explore
Submenu Explore fungsinya adalah untuk mengeksplorasi data lebih mendalam,
misalnya untuk melihat outlier, atau untuk uji normalitas data dan varians. Langkah :
o Buka file LATIH5, pilih menu Analyze, kemudian pilih Descriptive Statistics,
selanjutnya pilih Explore… , maka tampak di layar :

Gambar 3.27 Kotak Explore

o Dependent List atau variabel tergantung yang akan dimasukkan. Pilih variabel berat
badan
o Factor List, masukkan variabel gender
o Label Cases by ,berisi data dengan skala pengukuran nominal atau kategori. Tapi karena
data hanya berisi 2 variabel dan keduanya sudah masuk ke dependent dan factor, maka
isian ini diabaikan.
o Pilih Statistics, tampak dilayar

Gambar 3.28 Explore: Statistics

48
 Terlihat default SPSS memilih Descriptives, karena mengenai statistik deskriptif ini
sebelumnya pernah kita bahas, maka hilangkan tanda pilihan tersebut. Pilih Outliers
untuk melihat data yang terpencil.
Tekan Continue.
o Kemudian pilih Plots
o Tampak di layar,

Gambar 3.29 Explore: Plots

 Untuk keseragaman pilihan diisi sesuai default, yaitu pada Boxplot adalah factor
levels together tapi pada descriptive, stem and leaf dihilangkan pilihannya. Pilih
Normality Plots with tests, pilih Power estimation.
Tekan Continue.
 Pada bagian Display atau penampilan, pilih Both, yang berarti baik statistiks maupun
plots akan digunakan.
Tekan OK jika semua pengisian telah selesai.
Outputnya adalah,
Output Pertama
Tabel 3.10 Output Uji Kenormalan
Test s of Nor m al i t y
a
Kolm ogor ov- Sm ir nov Shapir o- W ilk
Jenis Kelam in St at ist ic df Sig. St at ist ic df Sig.
Ber at Badan pr ia , 272 14 , 006 , 692 14 , 000
wanit a , 361 16 , 000 , 605 16 , 000
a. Lilief or s Signif ic ance Cor r ect ion

49
Analisis :

Output Test of Normality

Pedoman pengambilan keputusan :
 Nilai Sig. Atau signifikansi atau nilai probabilitas < 0,05, Distribusi adalah tidak normal
(simetris). Jika nilai Sig. Atau signifikansi > 0,05, maka distribusi adalah normal
(simetris).
Ada dua uji, yaitu :

1. Kolmogorov Smirnov. Dari hasil perhitungan terlihat untuk pria sig = 0.006 dan untuk
wanita sig. = 0.000. Maka untuk keduanya data tidak berdistribusi normal.
2. Shapiro Wilk. Dari hasil perhitungan terlihat pria sig. = 0.000 dan untuk wanita sig. =
0.000. Maka hasil dari Shapiro Wilk juga sama dengan Kolmogorov Smirnov, yaitu
bahwa data pria maupun wanita tidak berdistribusi normal..

Output Kedua
Tabel 3.11 Output Homogenitas Varians
Test of Homogenei t y of Vari ance

Levene
St at ist ic df 1 df 2 Sig.
Ber at Badan Based on Mean 2, 071 1 28 , 161
Based on Median 1, 259 1 28 , 271
Based on Median and
1, 259 1 23, 771 , 273
wit h adjust ed df
Based on t r im med mean 1, 373 1 28 , 251

Analisis :

Output Test of Homogeneity of Variance

Pedoman pengambilan keputusan:
 Apabila nilai Sig. < 0,05 maka data berasal dari populasi-populasi yang bervarians sama.
Apabila nilai Sig. > 0,05 maka varians populasi tidak sama.
 Dilihat dari nilai Test of Homogenity Variance nilai sig. > 0,05 maka populasi-populasi
tidak bervarians sama.

50
Output Ketiga

Normal Q-Q Plot of Berat Badan Normal Q-Q Plot of Berat Badan

for Gender= pria for Gender= wanita

2 2

Expected Normal
Expected Normal

1 1

0 0

-1 -1

-2 -2

0 20 40 60 80 0 10 20 30 40 50 60
Observed Value Observed Value

Gambar 3.30 Output Q-Q Plot berdasarkan Berat Badan dan Gender

Analisis :
Output untuk Menguji Normalitas dengan Plot.
Pada gambar Q-Q Plot untuk variabel Berat Badan baik untuk gender Pria, maupun wanita
terlihat ada garis lurus dari kiri ke kanan atas. Garis itu berasal dari nilai Z. Jika suatu
distribusi data normal, maka data akan tersebar disekeliling garis.

Output Keempat

51
 80

60
Berat Badan 14

40

20

21
6

pria wanita
Jenis Kelamin

Gambar 3.31 BOXPLOT

Analisis :
Output BOXPLOT
Boxplot memuat 50% data, atau mempunyai batas persentil ke 25 dan ke 75. Sedangkan garis
tebal hitam adalah median data.
Teori Boxplot adalah,

Nilai di atas garis ini adalah

outlier nilai ekstrim

Persentil (25) disebut HINGES

Whisker hspread
Persentil (50) ATAU MEDIAN
(Nilai 1,5 dari hspread)
Persentil (75) disebut HINGES

Nilai di bawah garis ini adalah

outlier nilai ekstrim

52
  Nilai lebih dari 1,5 hspread (tinggi Boxplot) ditandai dengan ‘o’ dan disebut
outlier. Ada 2 tanda outlier, yaitu kasus 26 untuk pria (47) dan 14 untuk wanita
(55).
 Nilai lebih dari 3 hspread (tinggi Boxplot ditandai dengan ‘*’ dan disebut extreme
value atau ‘far outside value)
 Jika garis hitam atau tanda median terletak persis di tengah Boxplot, maka
distribusi data adalah normal. Jika berada disebelah atas, distribusi menceng ke
kiri dan jika disebelah bawah, distribusi menceng ke kanan. Boxplot untuk laki-
laki distribusinya menceng ke kiri, sedang untuk wanita termasuk normal.

3.5.3. Crosstab
Crosstab digunakan untuk data berskala nominal. Crosstab biasanya digunakan untuk
melihat sebuah kejadian dengan adanya persyaratan. Jadi Crosstab ini biasanya fungsinya
sama dengan Tabel Kontingensi, atau untuk Uji Chi-Square.
Contoh :
Menurut penelitian dikatakan, bahwa merokok adalah salah satu penyebab kanker.
Untuk itu dikumpulkan data mengenai orang yang merokok dan tidak merokok. Dari
data tersebut dilihat berapa orang yang merokok dan sakit kanker, serta berapa orang
yang tidak merokok tapi sakit kanker.

Data adalah sebagai berikut,

53
 Gambar 3.32 Data Lengkap (LATIH6)

Ingin diketahui, apakah ada hubungan antara merokok dan penyakit kanker.
Langkahnya adalah :

o Buat File LATIH6.

Gambar 3.33 Pendefinisian Variabel pada Variabel View Untuk LATIH6

o Dari menu utama SPSS buka Analyze, kemudian pilih Descriptive Statistics.
Lalu pilih Crosstabs…, tampak dilayar:

54
 Gambar 3.34 Kotak Crosstabs
o Row(s), pilih variabel Sakit
o Column(s), pilih variabel Merokok
o Layer1 of 1, abaikan, jangan diisi.
o Pilih Statistics…tampak di layar,

Gambar 3.35 Kotak Crosstabs: Statistics

55
o Pilih Chi-Square,kemudian tekan Continue,
o Pilih Cells…, tampak di layar

Gambar 3.36 Kotak Crosstabs: Cell Display

o Pilih Observed, dan secara default untuk Noninteger Weights : Round cell
counts sudah terisi , sedangkan yang lainnya abaikan. Tekan Continue, Setelah
itu tekan OK.
o Maka Output yang diperoleh adalah,
Tabel 3.12 Output LATIH6
Sakit * Merokok Crosstabulation

Count
Merokok
Merokok Tidak Me Total
Sakit Kanker 5 0 5
Tidak Ka 8 7 15
Total 13 7 20

Dari tabel terlihat, bahwa banyak responden adalah 20 orang dengan banyaknya
orang yang merokok dan sakit kanker adalah 5 orang, merokok dan tidak sakit
kanker ada 8 orang. Tidak ada yang sakit kanker dan tidak merokok. Tidak
merokok dan tidak kanker ada 7 orang. Jumlah orang yang merokok ada 13
orang dan tidak merokok ada 7 orang. Sedang yang sakit kanker ada 5 orang dan
sisanya adalah tidak berpenyakit kanker.

56
 Output yang kedua adalah sebagai berikut,

Tabel 3.13 Output Uji Chi-Square

Chi - Square Test s

Asymp. Sig. Exact Sig. Exact Sig.

Value df ( 2- sided) ( 2- sided) ( 1- sided)
Pear son Chi- Squar e 3, 590b 1 , 058
Cont inuit y Cor r ect ion a 1, 832 1 , 176
Likelihood Rat io 5, 170 1 , 023
Fisher 's Exact Test , 114 , 083
N of Valid Cases 20
a. Comput ed only f or a 2x2 t able
b. 2 cells ( 50, 0%) have expect ed count less t han 5. The minim um expect ed count is
1, 75.

1. Hipotesis
H0 : Tidak ada hubungan antara merokok dan sakit kanker
H1 : Ada hubungan antara merokok dan sakit kanker

2. Pengambilan Keputusan
Jika probabilitas < 0,05 maka H1 diterima.

Pada Statistik Uji Pearson Chi-Square, terlihat nilai Asymp. Sig adalah 0,058 lebih
besar dari 0,05, maka H0 diterima, artinya pengujian nonsignificant. Jadi tidak ada
hubungan antara merokok dengan sakit kanker, atau dengan kata lain merokok
belum tentu sebagai penyebab sakit kanker.

57
 BAB IV
MENGUJI PERBEDAAN RATA-RATA (COMPARE MEANS)

Dalam penelitian seringkali seseorang mempunyai dugaan sementara mengenai nilai rata-rata
populasi. Dugaan sementara tesebut harus diuji kebenarannya terlebih dahulu , apabila akan
dipergunakan untuk membuat keputusan, atau langkah-langkah berikutnya. Setiap keputusan
yang diambil harus didasarkan kepada pengujian hipotesis.

Untuk menguji rata-rata populasi, SPSS mempunyai menu Compare Means, yang meliputi :

a. MEANS
Membahas hal yang sama pada Statistik Deskriptif dengan penyajian subgrup ditambah
dengan uji liniearitas.

b. T TEST
Uji t meliputi :

 Uji rata-rata untuk satu sample

 Uji rata-rata untuk dua sampel independen
 Uji rata-rata untuk sampel berpasangan
c. ANOVA
Apabila lebih dari dua sampel, maka uji rata-rata menggunakan ANOVA.

4.1. Uji Rata-Rata Untuk Satu Sampel (One Sample T Test)

Uji rata-rata untuk sampel ingin melihat, apakah ada perbedaan antara sebuah rata-rata
sampel dengan sebuah rata-rata populasi yang telah diketahui.

Contoh :
Sebuah obat A bisa mempercepat penyembuhan gejala sakit kepala, terdiri atas unsur-
unsur X1, X2, X3. Menurut penelitian laboratorik di pabrik obat itu dan atas dasar
pengalaman, Obat A dapat menyembuhkan gejala sakit kepala rata-rata dalam waktu 15
58
menit setelah obat diberikan. Terhadap obat itu kemudian ditambahkan unsur X 4 yang
menurut susunan kimiawinya dan sebagainya, diharapkan dapat mempercepat
penyembuhan gejala sakit kepala itu. Oleh karena itu obat B yang terdiri atas unsur X 1, X2,
X3, dan X4 diharapkan dapat mempercepat penyembuhan gejala sakit kepala.

Data hasil penelitian adalah sebagai berikut,

Gambar 4.1 Data Lengkap (Satu_Sampel)

Langkah-langkah Analisis Data :

 Buka file Satu_Sampel.
 Pilih menu Analyze, kemudian Compare Means, pilih Reaksi Obat, pilih tanda
panah, sehingga berpindah ke kolom Test Variable(s), maka tampak di layar
 Klik Test Value, karena akan diuji nilai hipotesis 15 menit, maka ketik 15.

Gambar 4.2 Kotak One-Sample T Test

59
  Pilih Option, maka tampak di layar :

Gambar 4.3 Kotak One-Sample T Test: Options

o Confidence Interval : atau tingkat kepercayaan. Sebagai default, SPSS

menggunakan tingkat kepercayaan 95% atau, 100% - 95% = 5%
o Untuk Missing Values, atau data hilang, karena tidak ada data yang kosong,
maka abaikan. Tekan Continue jika pengisian dianggap selesai.
 Tekan OK untuk mengakhiri pengisian prosedur analisis.
Analisis :
Tabel 4.1 Output Bagian Pertama (One Sample Statistics)
One -Sa m ple Sta tis tic s

Std . Erro r
N Me a n Std . De v i a ti o n Me a n
Re a k s i Ob a t 12 1 2 .9 2 2 .8 7 .8 3

Dari 12 orang yang minum obat B, ternyata reaksi penyembuhan obat tersebut memiliki
rata-rata 12,92 menit, dengan standar deviasi 2,87.

Tabel 4.2 Output Bagian Kedua (One Sample Test)

O ne- Sampl e Test

Test Value = 15
95% Conf idence
I nt er val of t he
M ean Dif f er ence
t df Sig. ( 2- t ailed) Dif f er ence Lower Upper
Reaksi O bat - 2. 510 11 . 029 - 2. 08 - 3. 91 - . 26

 Berdasarkan nilai probabilitas, maka kriteria penerimaan hipotesis adalah, hipotesis

akan diterima, atau signifikan apabila probabilitas (sig.) < 0,05. Dan sebaliknya, jika
probabilitas > 0,05 maka hipotesis ditolak, atau pengujian nonsignifikan.

60
 Dilihat dari hasil perhitungan dalam output kedua, ternyata probabilitas < 0,05, yaitu
0,029 maka pengujian signifikan, artinya daya reaksi obat B memiliki kecepatan
penyembuhan kurang dari 15 menit.

 Mean Difference dalam table adalah –2.08 artinya terdapat perbedaan rata-rata antara
rata-rata yang berasal dari data dengan rata-rata yang dihipotesiskan, yaitu sebesar 12.92
– 15 = -2.08

 Perbedaan sebesar –2.08 mempunyai range (interval) dengan batas bawah –3.91 dan
batas atas –0.26.

4.2. Uji Rata-Rata Untuk Dua Sampel Independen (Independent Sample T Test)
Seorang dosen ingin mengetahui, apakah terdapat perbedaan antara nilai matematika
mahasiswa dan mahasiswi. Untuk itu dilakukan sebuah penelitian. Sampel diambil sebanyak
20 orang mahasiswa yang mempunyai kondisi yang sama, yaitu usia, angkatan, taraf
kecerdasan, dsb. Pembagian 20 mahasiswa dan mahasiswi itu dilakukan secara randomisasi
(syarat diberlakukannya Statistika).

Data adalah sebagai berikut,

61
 Gambar 4.4 Data Lengkap (2_sample)

Langkah :
 Buka file 2_sample. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih
submenu Compare-Means.
 Pilih Independent-Samples T test… maka tampak di layar

Gambar 4.5 Kotak Independent-Samples T Test

62
 Test Variable (s), atau variabel yang akan diuji. Klik variabel Nilai Matematika.
Klik tanda >.
 Grouping Variable, adalah variabel yang dibuat berdasarkan grup. Karena data di
file 2_sample berdasarkan kepada gender, maka pilih gender. Dan klik Define
Group…, muncul di layar

Gambar 4.6 Kotak Define Groups

 Karena gender memiliki kode 0 untuk pria dan 1 untuk wanita, maka pada Group 1
isi 0, dan pada Group 2 , isi 1. Kemudian tekan Continue.
 Untuk kolom Option, maka tampilannya adalah,

Gambar 4.7 Kotak Independent-Samples T Test: Options

Untuk Confidence Interval, atau tingkat kepercayaan, SPSS menggunakan default

100%-95% = 5%. Sebagai keseragaman kita gunakan tingkat kepercayaan tersebut.
Untuk Missing Values atau data yang hilang, karena dalam kasus pasangan data
komplit (tidak ada data yang kosong), maka abaikan dan kita gunakan default dari
SPSS, yaitu Exclude cases analysis by analysis. Selanjutnya tekan Continue.
 Tekan OK, untuk mengakhiri.
Maka Output yang diperoleh adalah,

63
 Tabel 4.3 Output Group Statistics
Group Stati sti cs

St d. Error
Gender N Mean St d. Deviat ion Mean
Nilai Mat emat ika Pria 9 82. 22 10. 89 3. 63
Wanit a 11 78. 27 11. 01 3. 32

Output di atas telah kita bahas dalam materi sebelumnya, yaitu mengenai ukuran-
ukuran Statistik Deskriptif.

Output yang berikutnya adalah mengenai uji rata-rata untuk dua sampel
independen, yaitu
Tabel 4.4 Output Untuk Uji Rata-rata 2 Sampel Independent
I ndependent Sam pl es Test

Nilai M at em at ika
Equal var iances Equal var iances
assum ed not assum ed
Levene's Test f or F . 071
Equalit y of Var iances Sig. . 793
t - t est f or Equalit y of t . 802 . 803
M eans df 18 17. 295
Sig. ( 2- t ailed) . 433 . 433
M ean Dif f er ence
3. 95 3. 95

St d. Er r or Dif f er ence
4. 93 4. 92

95% Conf idence I nt er val Lower - 6. 40 - 6. 42

of t he Dif f er ence Upper 14. 30 14. 32

Data tersebut telah mengalami perubahan sebelumnya. Yaitu dengan mengklik tabel
tersebut dua kali, kemudian di menu output muncul Pivot, dan pilih. Selanjutnya
pilih Transpose Rows and Coloumns, atau mengubah baris menjadi kolom dan
mengubah kolom menjadi baris.

64
1. Analisis menggunakan F Test
Hipotesis :
H0 : Kedua varians populasi adalah sama (varians populasi nilai matematika
antara pria dan wanita adalah sama)
H1 : Kedua varians populasi adalah berbeda (varians populasi nilai matematika
antara pria dan wanita adalah berbeda)
Pengambilan keputusan : Jika probabilitas. < 0,05 maka H1 diterima.

Terlihat bahwa F hitung untuk nilai Matematika dengan Equal Variance

assumed (diasumsikan kedua varians sama atau menggunakan variance t test)
adalah 0,071 dengan probabilitas 0,793. Oleh karena probabilitas > 0,05 maka
H1 ditolak, artinya pengujian tidak signifikan, maka tidak ada perbedaan nilai
matematika antara pria dan wanita. Artinya pria dan wanita mempunyai
kepandaian yang sama.

2. Analisis menggunakan t test. Sebaiknya yang digunakan adalah asumsi varians

tidak sama
Hipotesis :
H0 : Kedua rata-rata populasi adalah identik (Tidak ada perbedaan rata-rata nilai
matematika antara pria dan wanita)
H1 : Kedua varians populasi adalah berbeda (Ada perbedaan rata-rata nilai
matematika antara pria dan wanita)

Pengambilan keputusan : Jika probabilitas. < 0,05 maka H1 diterima.

Terlihat bahwa t hitung untuk nilai Matematika dengan Equal Variance not
assumed (diasumsikan kedua varians tidak sama) adalah 0,803 dengan
probabilitas 0,433. Oleh karena probabilitas > 0,05 maka H1 ditolak, artinya
pengujian tidak signifikan, maka tidak ada perbedaan rata-rata nilai matematika
antara pria dan wanita. Artinya pria dan wanita mempunyai kepandaian yang
sama.

Perhatikan bahwa perubahan dari penggunaan Equal variance assumed ke Equal

variance not assumed mengakibatkan menurunnya degree of freedom (derajat

65
 kebebasan), yaitu dari 18 menjadi 17,295, atau kegagalan mengasumsikan
kesamaan varians berakibat keefektifan ukuran sampel .

4.3. Uji Rata-Rata Untuk Dua Sampel Dependent (Paired Sample T Test)
Pengertian paired sample adalah sample terdiri dari pasangan-pasangan , baik yang
bersifat natural maupun yang sengaja dipasangkan berdasarkan kondisi yang sama.
Contoh :
Diperkirakan oleh raga tertentu dapat menurunkan berat badan. Apakah benar olah raga
tertentu itu dapat menurunkan berat badan? Dilakukan penelitian terhadap 10 orang.
Ditimbang berat badannya sebelum olah raga, kemudian setelah olah raga ditimbang
lagi. Kondisi lain tetap sama. Data adalah sebagai berikut,

Gambar 4.8 Data Untuk Paired Sample T Test (paired_sample)

Untuk melihat apakah ada perbedaan berat badan sebelum olah raga dan sesudah olah
raga, maka digunakan paired sample test. Langkahnya,
 Buka file paired_sample, kemudian pilih Analyze dari menu utama SPSS.
Selanjutnya pilih Compare Means, kemudian pilih Paired-Samples T test…. Dan
tampak di layar,

66
 Gambar 4.9 Kotak Paired Samples T Test
 Paired Variable(s) atau variabel yang akan diuji. Oleh karena yang akan diuji
adalah data sebelum dan sesudah, maka terlihat pada kolom Current Selection di
bawah, terdapat keterangan variable 1 dan 2. Kemudian klik tanda ‘>’
 Pilih kolom Option, maka tampak dilayar

Gambar 4.10 Kotak Paired-Samples T Test: Options

 Biarkan default SPSS menjadi pilihan kita. Tekan Continu. Selanjutnya tekan OK.
 Maka Output nya adalah, (Sebelumnya kita pilih pivot untuk mengubah tampilan
tabel).

67
 Tabel 4.5 Output Paired Samples test
Pai red Sampl es Test

Pair 1
Sebelum O lah Raga -
Sesudah O lah Raga
Pair ed Dif f er ences Mean 1. 40
St d. Deviat ion 2. 27
St d. Er r or Mean
. 72

95% Conf idence I nt er val Lower - . 22

of t he Dif f er ence Upper 3. 02
t 1. 950
df 9
Sig. ( 2- t ailed) . 083

1. Hipotesis :
H0 : Rata-rata berat badan sebelum olah raga dan setelah olah raga adalah sama
H1 : Rata-rata berat badan sebelum olah raga dan setelah olah raga adalah berbeda

2. Pengambilan keputusan : Jika probabilitas. < 0,05 maka H1 diterima.

Terlihat bahwa Nilai peluang (Sig.(2-tailed) = 0,083) > 0,05, maka H 1 ditolak.
Artinya hipotesis ditolak, maka tidak ada perbedaan rata-rata berat badan sebelum
dan sesudah olah raga. Jadi metoda olah raga tertentu tidak terbukti bisa
menurunkan berat badan.

4.4. Anova (Analysis Of Varians)

ANOVA adalah pemisahan variabel total ke dalam komponen-komponennya sesuai
dengan sumbernya masing-masing.
Uji t digunakan untuk uji rata-rata satu sampel dan dua sampel independen, sedangkan
ANOVA adalah untuk uji rata-rata lebih dari 2 sampel.
Contoh :
Seorang kepala sekolah sedang memilih metode mengajar yang baik yang bisa
diterapkan oleh para pengajar di sekolah yang dipimpinnya. Menurut teori ada 4 metode

68
mengajar yang sangat baik untuk diterapkan, yaitu Metode A, Metode B, Metode C dan
Metode D.
Untuk melihat apakah ada perbedaan dari keempat metode tersebut, maka dilakukan
penelitian. Data adalah sebagai berikut,
Tabel 4.6 Contoh ANOVA

Metode A Metode B Metode C Metode D

1 12 14 10 16

2 10 12 9 13

3 12 1 10 15

4 11 13 10 15

5 9 11 7 13

Supaya dianalisis dengan menggunakan SPSS, maka data diubah menjadi,

Gambar 4.11 Data ANOVA

69
Langkah :
 Buka file ANOVA. Dari menu utama SPSS pilih Analyze, kemudian pilih
Compare-Means, selanjutnya pilih One-Way ANOVA, maka tampak di layar

Gambar 4.12 Kotak One-Way ANOVA

 Dependent List, atau variabel dependen yang akan diuji. Yang akan diuji disini
adalah Score dari metode mengajar yang digunakan, maka pilih Score.
 Factor, atau grup. Karena pengelompokan variabel ada pada pengelompokkan
grup, maka pilih variabel Metode.
 Klik Option, maka tampak di layar

Gambar 4.13 Kotak One-Way ANOVA: Options

 Pada bagian Statistiks pilih, Homogeneity-of-variance, kemudian pilih Continue,
jadi yang lain diabaikan.
 Selanjutnya pilih Post-Hoc, atau analisis lanjutan dari ANOVA atau F test. Maka
tampak di layar,

70
 Gambar 4.14 Kotak One-Way ANOVA: Post Hoc Multiple Comparisons

 Untuk keseragaman pilih Bonferroni dan Tukey. Tekan Continue jika pengisian
dianggap selesai. Kemudian pilih OK.
 Maka output nya adalah,

Output Pertama
Tabel 4.7 Output Uji Homogenitas Varians
Test of Hom ogeneity of Var iances

Score
Levene
Statistic df1 df2 Sig.
.146 3 16 .931

Output bagian Pertama ini bertujuan untuk melihat apakah keempat metode mempunyai
varians yang sama.

1. Hipotesis :
H0 : Keempat metode mengajar mempunyai varians yang sama
H1 : Ada salah satu metode mengajar mempunyai varians yang berbeda

2. Pengambilan keputusan : Jika probabilitas. < 0,05 maka H1 diterima.

Dilihat dari uji homogenitas varians nilai probabilitas adalah 0.931, atau > 0,05 maka

hipotesis ditolak, atau dengan kata lain keempat metode mempunyai varians yang
sama.

71
Setelah keempat varians terbukti mempunyai varians yang sama, baru dilakukan
ANOVA, untuk menguji apakah keempat sampel mempunyai rata-rata yang sama.
Hasilnya dapat dilihat pada output kedua.
Output Kedua,
Tabel 4.8 Output ANOVA
ANOVA

Score
Sum of
Squares df Mean Square F Sig.
Bet ween Groups 75. 750 3 25. 250 15. 538 . 000
Wit hin Groups 26. 000 16 1. 625
Tot al 101. 750 19

1. Hipotesis :
H0 : Keempat metode mengajar adalah sama
H1 : Ada salah satu metode mengajar yang berbeda

2. Pengambilan keputusan : Jika probabilitas. < 0,05 maka H1 diterima.

Dilihat dari hasil uji Analysis of Varians, nilai probabilitas < 0.000, maka

pengujian signifikan, artinya ada salah satu metode mengajar yang berbeda.

Metode mengajar yang manakah yang berbeda, karena itu dilakukan uji Post

Hoc, dan outputnya adalah sebagai berikut

Output ketiga :

72
 Tabel 4.9 Output Multiple Comparisons
M ul t i pl e Com par i sons

Dependent Var iable: Scor e

M ean
Dif f er ence 95% Conf idence I nt er val
( I ) M at ode( J) M at ode ( I - J) St d. Er r or Sig. Lower Bound Upper Bound
Tukey HSD M et odeA M et ode B - 1. 80 . 81 . 157 - 4. 11 . 51
M et ode C 1. 60 . 81 . 234 - . 71 3. 91
M et ode D - 3. 60* . 81 . 002 - 5. 91 - 1. 29
M et ode B M et odeA 1. 80 . 81 . 157 - . 51 4. 11
M et ode C 3. 40* . 81 . 003 1. 09 5. 71
M et ode D - 1. 80 . 81 . 157 - 4. 11 . 51
M et ode C M et odeA - 1. 60 . 81 . 234 - 3. 91 . 71
M et ode B - 3. 40* . 81 . 003 - 5. 71 - 1. 09
M et ode D - 5. 20* . 81 . 000 - 7. 51 - 2. 89
M et ode D M et odeA 3. 60* . 81 . 002 1. 29 5. 91
M et ode B 1. 80 . 81 . 157 - . 51 4. 11
M et ode C 5. 20* . 81 . 000 2. 89 7. 51
Bonf er r oni M et odeA M et ode B - 1. 80 . 81 . 241 - 4. 23 . 63
M et ode C 1. 60 . 81 . 388 - . 83 4. 03
M et ode D - 3. 60* . 81 . 002 - 6. 03 - 1. 17
M et ode B M et odeA 1. 80 . 81 . 241 - . 63 4. 23
M et ode C 3. 40* . 81 . 004 . 97 5. 83
M et ode D - 1. 80 . 81 . 241 - 4. 23 . 63
M et ode C M et odeA - 1. 60 . 81 . 388 - 4. 03 . 83
M et ode B - 3. 40* . 81 . 004 - 5. 83 - . 97
M et ode D - 5. 20* . 81 . 000 - 7. 63 - 2. 77
M et ode D M et odeA 3. 60* . 81 . 002 1. 17 6. 03
M et ode B 1. 80 . 81 . 241 - . 63 4. 23
M et ode C 5. 20* . 81 . 000 2. 77 7. 63
* . The m ean dif f er ence is signif ic ant at t he . 05 level.

Setelah diketahui ada perbedaan signifikan diantara keempat metode mengajar, masalah yang
akan dibahas adalah, metode mengajar mana saja yang berbeda dan tidak berbeda. Untuk
menganalisisnya diantaranya digunakan analisis Bonferroni dan Tukey.

Pengambilan keputusan : Jika probabilitas. < 0,05 maka H1 diterima.

Dilihat dari Tukey Test untuk Metode A jika dibandingkan dengan Metode B, C dan D, nilai
probabilitas yang < 0,05 adalah Metode A dan Metode D, yaitu 0,002. Dengan demikian
maka ada perbedaan metode mengajar antara A dan D.

73
Metode B jika dibandingkan dengan metode A, C dan D, maka terlihat nilai probabilitas yang
< 0,05 adalah antara B dan C.

Dilihat dari metode-metode lainnya nilai probabilitasnya > 0,05. Dengan demikian metode
yang berbeda adalah metode A dan metode B, metode B dan metode C. Tapi metode
mengajar A dan B, A dan C, B dan D tidak ada perbedaan metode mengajar.

74
 BAB V
ANALISIS KORELASI

5.1 Analisis Korelasi Sederhana

Hubungan yang paling sederhana antara 2 (dua) buah variabel X dan Y disebut dengan
korelasi sederhana (derajat asosiasi). Apabila antara variabel X dan Y yang masing-
masing mempunyai skala pengukuran sekurang-kurangnya interval dan hubungannya
merupakan hubungan linier, maka keeratan hubungan antara kedua variabel itu disebut
dengan Korelasi Pearson yang diberi simbol ryx untuk sampel dan  untuk populasi.

Definisi : Koefisien korelasi Pearson antara Y dengan X didefinisikan :

n n
n ∑ x i y i −∑ x i ∑ y i
i=1 i=1
r yx=

√[ ( ) ][ ( )]
n n 2 n n 2
n ∑ x 2i − ∑ xi n ∑ yi2− ∑ yi
i=1 i=1 i=1 i=1

5.1.1 Arti Koefisien Korelasi

Definisi : Koefisien korelasi terletak antara -1 dan 1, atau –1  ryx  +1

ryx = 1 menunjukan hubungan linier positip sempurna antara X dan Y, dalam arti
makin besar harga X makin besar pula harga Y, atau makin kecil harga X
makin kecil pula harga Y

ryx = -1 menunjukan hubungan linier negatif sempurna antara X dan Y, dalam arti
makin besar harga X makin kecil harga Y, atau makin kecil harga X makin
besar pula harga Y

ryx = 0 menunjukkan tidak ada hubungan linier antara X dan Y

75
5.1.2 Menguji Koefisien Korelasi

Data yang digunakan untuk menguji hipotesis konseptual yang dikemukakan

dalam suatu penelitian merupakan data yang berasal dari sebuah sampel
berukuran n, sebelum mengambil kesimpulan mengenai koefisien korelasi
tersebut, terlebih dahulu diuji keberartian koefisien korelasi yang telah dihitung.

Langkah-langkah yang disarankan, yaitu :

1. Rumuskan hipotesis statistik, yaitu :

a.
H 0 :ρ yx =0 melawan H 1 :ρ yx≠0

b.
H 0 :ρ yx ≤0 melawan H 1 :ρ yx >0

c.
H 0 :ρ yx ≥0 melawan H 1 :ρ yx <0

2. Gunakan Statistik uji

t=r yx
√ n−2
1−r 2yx

3. Lihat tabel distribusi t dengan v = n - 2

H 0 apabila |t|≥t tabel

4. Kriiteria penolakan, tolak

5.1.3. Koefisien Determinasi

Melihat keeratan hubungan antara variable X dengan Y kurang baik kalau dilihat
dari ryx , karena ryx hanya mengatakan erat atau tidak erat. Interpretasi yang lebih
lengkap adalah melalui koefisien determinasi.

Koefisien determinasi adalah kuadrat koefisien korelasi yang menyatakan

besarnya persentase perubahan Y yang bisa diterangkan oleh X melalui hubungan
2
Y dengan X, atau Kd=r yx x 100%

76
5.1.4. Penafsiran Koefisien Korelasi

Setelah melalui pengujian hipotesis dan hasilnya sihnifikan, maka untuk

menentukan keeratah hubungan bisa digunakan criteria Guilford, yaitu
Tabel 5.1 Kriteria Guilford

1. 0,00 – 0,20 Hubungan yang sangat kecil dan bisa diabaikan

2. 0,20 – 0,40 Hubungan yang kecil (tidak erat)
3. 0,40 – 0,70 Hubungan yang cukup
4. 0,70 – 0,90 Hubungan yang erat
5. 0,90 – 1,00 Hubungan yang sangat erat

Contoh :
Dari hasil penelitian survey terhada 74 orang pegawai instansi A, dengan
menggunakan rencana sampling acak sederhana diperoleh data mengenai lamanya
masa kerja yang diukur dalam tahun dan sikap terhadap disiplin kerja yang diukur
dengan menggunakan Likert’s Summated Ratings yang diubah ke dalam skala
interval dengan menggunakan Methods of Succesive Interval. Dari hasil
penelitian diperoleh data sebagai berikut,

77
 Gambar 5.1 Data Lengkap
Sumber : Nirwana SK Sitepu, 1994, Analisis Regresi dan Korelasi, Unit Pelayanan
Statistika Jurusan Sttistika, FMIPA Universitas Padjadjaran Bandung.

Langkah untuk melakukan analisis korelasi sederhana adalah sebagai berikut,

 Pilih Analyze dalam menu utama SPSS, kemudian pilih Correlate, setelah itu pilih

Bivariate, tampak dilayar

78
 Gambar 5.2 Kotak Bivariate Correlatons

 Variable atau variabel yang akan dikorelasikan. Pada contoh di atas yang
akan dikorelasikan Masa Kerja dan Sikap Terhadap Disiplin Kerja, maka
masukkan kedua variabel tersebut.

 Karena data bersifat kuantitatif dan berskala rasio, maka koefisien korelasi
dihitung dengan menggunakan Pearson.

 Untuk kolom Test of Significance , karena akan diuji dua sisi, maka pilih Two
tailed.

 Untuk pilihan Flag significant correlation atau tanda untuk tingkat

signifikansi 5% atau 10% akan ditampilkan pada outut atau tidak.

 Pilih tombol Option, maka tampak dilayar,

Gambar 5.3 Kotak Bivariate Correlations: Options

79
 Untuk pilihan option ini, abaikan, gunakan default SPSS. Klik Continue, kemudian klik

OK. Maka output nya adalah sebagai berikut

Tabel 5.2 Output Korelasi Pearson

Co rre la tio n s

Si k a p
T e rh a d a p
Ma s a Ke rj a Di s i p l i n Ke rj a
Ma s a Ke rj a Pe a rs o n Co rre l a ti o n 1 .0 0 0 -.5 1 7 **
Si g . (2 -ta i l e d ) . .0 0 0
N 74 74
Si k a p T e rh a d a pPe a rs o n Co rre l a ti o n -.5 1 7 ** 1 .0 0 0
Di s i p l i n Ke rj a Si g . (2 -ta i l e d ) .0 0 0 .
N 74 74
**. Co rre l a ti o n i s s i g n i fi c a n t a t th e 0 .0 1 l e v e l (2 -ta i l e d ).

1. Analisis:

Nilai korelasi untuk Masa Kerja hubungannya dengan Sikap terhadap Disiplin Kerja
adalah –0.517 , maka hubungannya adalah negatif, artinya semakin lama masa kerja
seorang pegawai, maka tingkat disiplin kerjanya semakin berkurang. Hubungan ini
menurut aturan Guillford termasuk kepada hubungan yang cukup erat.

Setelah nilai korelasi diperoleh, maka ingin diketahui apakah nilai tersebut signifikan, atau
bisa digunakan untuk menjelaskan hubungan dua variabel.

2. Hipotesis
H0 : Tidak ada hubungan antara Lamanya Masa Kerja dengan Sikap Terhadap
Disiplin Karyawan
H1 : Ada hubungan antara Lamanya Masa Kerja dengan Sikap Terhadap Disiplin
Karyawan

3. Pengambilan Keputusan
Jika probabilitas value < 0.01 maka H0 ditolak dan pengujian signifikan
Jika probabilitas value > 0.01 maka H0 diterima, maka pengujian nonsignificant

80
 Catatan :
Diambil Probabilitas < 0,01, lihat tanda ** di bawah tabel output.
Pada outut tersebut, ternyata probabilitasnya adalah 0,000 maka pengujian adalah
signifikan, artinya Lamanya Masa Kerja mempunyai hubungan yang cukup erat
dengan Sikap Terhadap Disiplin Kerja.

4. Koefisien Determinasi
Untuk melihat berapa % Lamanya Masa Kerja mempunyai hubungan yang cukup
erat dengan Sikap Terhadap Disiplin Kerja. , digunakan Koefisien Determinasi ,
2
dengan rumus Kd=r yx x 100% .
Maka Koefisien Determinasi adalah = (0,517) 2 x 100% = 26,73%. Dengan demikian
Lamanya Masa Kerja bisa menjelaskan Sikap terhadap Disiplin Kerja adalah sebesar
26,73% dan sisanya, yaitu 100% - 26,73% = 73,27% dijelaskan oleh variabel lain.

5.2. Analisis Korelasi Spearman

Koefisien Korelasi Spearman adalah koefisien yang memperlihatkan keeratan
hubungan antara 2 (dua) variable X dan Y yang kedua-duanya mempunyai skala
pengukuran sekurang-kurangnya ordinal.

1. Jika tidak ada data kembar

n
6 ∑ d 2i
i=1
r s=1− 3
n −n

2. Jika ada data kembar

∑ R ( X i ) R ( Y i ) −n ( n+2 1 )
2

r s=

√[ ( ) ][ ( )]
n 2 2
n+1 n+1
∑ R2 ( X i ) −n 2
∑ R 2 ( Y i ) −n 2
i=1

R(Xi) = rank pada X untuk data yang ke-I

R(Yi) = rank pada Y untuk data yang ke-i

81
5.2.1. Menguji Koefisien Korelasi Spearman
Sebelim mengambil kesimpulan mengenai koefisien korelasi Spearman, terlebih dahulu
diuji keberartian koefisien korelasi Speatman yang telah dihitung dan bentuk hipotesis
statistiknya adalah :

a. H 0 :ρ s =0 melawan H 1 :ρ s ≠0

b. H 0 :ρ s ≤0 melawan H 1 :ρ s >0

c. H 0 :ρ s ≥0 melawan H 1 :ρ s <0

Statistik uji yang dipergunakan adalah,

a). Apabila n > 50

Z=r s √ n−1
r s √n−2
H 0 apabila |Z|>Z α t=
Tolak 2 atau √1−r 2s
H 0 apabila |t|>t α
1− ;n−2
Tolak 2

b). Apabila n  50
|r s|>r tabel , r tabel diperoleh dari tabel korelasi rank Spearman.

Contoh :

PT. HPR adalah sebuah perusahaan consumer goods yang melempar jenis permen baru
dengan bentuk yang unik. Bentuk yang unik dari permen tersebut diharapkan dapat
menarik orang untuk membelinya. Untuk membuktikannya dilakukan penelitian
terhadap 12 orang. Data didasarkan kepada pemberian skore, dan hasilnya adalah
sebagai berikut,

82
 Gambar 5.4 Data Lengkap (spearman)

Untuk melihat apakah ada hubungan antara bentuk permen dengan keinginan untuk
membeli, maka dengan menggunakan Korelasi Spearman data tersebut akan dianalisis.

Langkah analisisnya adalah sebagai berikut,

 Buka File spearman. Kemudian dari menu utama SPSS pilih Analyze, pilih
Correlate, pilih Bivariate, maka tampak di layar

Gambar 5.5 Kotak Bivariate Correlations: Correlation Coefficients Spearman

 Klik Variabel skore terhadap kemasan dan skore terhadap keinginan membeli.
 Pilih Spearman, dan hilangkan pilihan Pearson. Selanjutnya pilih OK.

83
  Maka outputnya adalah,
Tabel 5.3 Output Korelasi Spearman
Cor r el at i ons

Skor e Skor e keingin

t er hadap t er hadap
Kem asan m em beli
Spear m an's r ho Skor e t er hadap Kem asan Cor r elat ion Coef f icient 1. 000 . 735* *
Sig. ( 2- t ailed) . . 006
N 12 12
Skor e keingin t er hadap Cor r elat ion Coef f icient . 735* * 1. 000
m em beli Sig. ( 2- t ailed) . 006 .
N 12 12
* * . Cor r elat ion is signif icant at t he . 01 level ( 2- t ailed) .

Dengan kekliruan 1% dapat dinyatakan, bahwa bentuk permen yang dipasarkan PT.
HPR menimbulkan keinginan membeli. 54,09% keinginan membeli dapat dijelaskan
oleh bentuk permen, dan hubungan antara bentuk permen dengan keinginan
membeli merupakan hubungan yang erat.

5.3. Analisis Korelasi Parsial

Untuk menentukan koefisien korelasi parsil antara Y dan X 1 dengan menganggap X2
tetap, dinyatakan dengan ry1.2, dan koefisien korelasi parsil antara Y dan X 2 apabila X1
dianggap tetap, dinyatakan dengan ry2.1.
Rumusnya masing-masing adalah :

r y1−r y2 r 12
r y1. 2 =
√( 1−r 2
y2 )( 1−r 212)
r y2−r y1 r 12
r y2. 1 =
√( 1−r 2
y1 )( 1−r 212)
dimana ry1, ry2 dan r12 merupakan koefisien-koefisien korelasi.

Jika variable-variabel Y, X1, X2 dan X3, maka akan didapat koefisien-koefisien korelasi
parsil ry1.23, ry2.13, ry3.12 dimana ry3.12 misalnya menyatakan koefisien korelasi parsil antara
Y dan X3 jika X1 dan X2 tetap.
Rumus untuk ry1.23 adalah :
84
 r y1 .2 −r y3 .2 r 13 .2
r y1. 23=
√ (1−r 2
y3 . 2 )( 1−r 132 . 2)
dengan koefisien-koefisien korelasi parsil yang ada di ruas kanan dapat dihitung melalui
koefisien korelasi parsil sebelumnya.

Koefisien korelasi ganda dapat dihitung melalui,

( 1−R2y . 12)=( 1−r 2y1)( 1−r 2y2 . 1)

dan untuk Y, X1, X2 dan X3, berlaku :

( 1−R2y . 12)=( 1−r2y1)( 1−r2y2 . 1)(1−r2y3 . 12 )

5.3.1. Menguji Koefisien Korelasi Parsial

H 0 :ρ yx . x , .. . ,x( i ) , .. . ,x k = 0 H 1 :ρ yx . x , . . . ,x( i ) ,. . . ,xk ≠ 0

(a) i 1 melawan i 1 , atau
H 0 :ρ yx . x , .. . ,x( i ) , .. . ,x k ≤ 0 H 1 :ρ yx . x , . . . ,x( i ) ,. . . ,xk > 0
(b) i 1 melawan i 1 , atau
H 0 :ρ yx . x , .. . ,x( i ) , .. . ,x k ≥ 0 H 1 :ρ yx . x , . . . ,x( i ) ,. . . ,xk < 0
(c) i 1 melawan i 1

Gunakan statistik uji,

√
n−k−1
t = r yx . x
i 1 , . .. ,x ( i) , . .. ,x k 2yx . x
i 1
, . . . ,x , . . . ,x
k
(i)
1-r

H 0 apabila |t|≥t tabel

Kriteria penolakan, tolak tolak

Contoh :
Seorang psikolog melakukan penelitian mengenai kaitan antara tingkah laku, sikap,
motivasi dan kecerdasan. Tingkah laku, sikap dan motivasi diukur melalui Likert’s
Summated Ratings yang diubah ke dalam skala interval melalui Successive Interval.
Berdasarkan data yang dikumpuilkan melalui sampling acak sederhana berukuran 10
siswa, diperoleh data sebagai berikut,

85
 Gambar 5.6 Data untuk Korelasi Parsial (Korelasi Parsial)
Sumber : Nirwana SK Sitepu, 1994, Analisis Regresi dan Korelasi,
Unit Pelayanan Statistika Jurusan Sttistika, FMIPA, UNPAD.

Analisis :
Untuk menentukan hubungan antara sebuah variabel dependen dengan lebih dari sebuah
variabel independen digunakan analisis korelasi parsial, langkahnya dalam SPSS adalah
sebagai berikut,
 Buka file Korelasi Parsial. Kemudian dari menu utama SPSS pilih Analyze, pilih
Correlate, pilih Partial, maka akan muncul tampilan

Gambar 5.7 Kotak Partial Correlations

 Analisis pertama, kita ingin melihat hubungan antara tingkah laku dengan sikap,
apabila motivasi dan kecerdasan dianggap tetap.
 Variable atau variabel yang akan dikorelasikan. Pilih Tingkah Laku.
 Controlling for, atau variabel yang dianggap tetap. Pilih Motivasi dan Kecerdasan.

86
  Test of Significance, pilih Two-tailed
 Untuk pilihan Flag significant correlation atau berkenaan dengan tanda tingkat
signifikansi 5% atau 10% akan ditampilkan pada output atau tidak. Untuk
keseragaman, pilihan tersebut dipakai.
 Selanjutnya pilih Option, hingga tampak di layar

Gambar 5.8 Kotak Partial Correlations: Options

 Pada pilihan Statistiks pilih Zero-order correlations

 Tekan Continue, kemudian tekan OK. Maka hasilnya adalah,

--- PARTIAL CORRELATION COEFFICIENTS ---

Zero Order Partials

TINGKAH SIKAP MOTIVASI CERDAS

TINGKAH 1.0000 .9251 .8722 .8810

( 0) ( 8) ( 8) ( 8)
P= . P= .000 P= .001 P= .001

SIKAP .9251 1.0000 .9226 .9318

( 8) ( 0) ( 8) ( 8)
P= .000 P= . P= .000 P= .000

87
MOTIVASI .8722 .9226 1.0000 .9360
( 8) ( 8) ( 0) ( 8)
P= .001 P= .000 P= . P= .000

CERDAS .8810 .9318 . 9360 1.0000

( 8) ( 8) ( 8) ( 0)
P= .001 P= .000 P= .000 P= .

(Coefficient / (D.F.) / 2-tailed Significance)

" . " is printed if a coefficient cannot be computed

_

--- PARTIAL CORRELATION COEFFICIENTS ---

Controlling for.. MOTIVASI CERDAS

TINGKAH SIKAP

TINGKAH 1.0000 .5607

( 0) ( 6)
P= . P= .148

SIKAP .5607 1.0000

( 6) ( 0)
P= .148 P= .

(Coefficient / (D.F.) / 2-tailed Significance)

" . " is printed if a coefficient cannot be computed

88
Output pertama, adalah Zero order partial, karena belum dilakukan korelasi parsial.
Sedangkan pada output kedua telah dilakukan korelasi parsial.

Pada zero order (tanpa ada variabel kontrol), didapat koefisien korelasi antara tingkah laku
dengan sikap adalah sebesar 0,9251. Dan angka di bawahnya di dalam kurung adalah
derajat kebebasan, atau df, yaitu n - 4 = 12 - 4 = 8.

Swetelah variabel motivasi dan cerdas dikeluarkan, nilai korelasi parsial antara tingkah laku
dan sikap menjadi 0,5607, dengan df n – k – 2 = 12 – 4 – 2 = 6.

Terlihat dengan adanya variabel kontrol terjadi penurunan besar korelasi. Jadi apabila
variabel motivasi dan kecerdasan dimasukkan dalam penelitian, nilai korelasi jadi
berkurang, bahkan menjadi tidak signifikan.

Sebagai latihan, lakukan partial terhadap tingkah laku dengan motivasi, serta tingkah laku
dengan kecerdasan.

89
 BAB VI
ANALISIS REGRESI

6.1. Analisis Regresi Sederhana

Hubungan regresi adalah hubungan yang melibatkan independen variable dan dependen
variable. Dari hubungan tersebut akan dicari bentuk hubungannya dengan tujuan
prediksi mengenai harga dependen variable berdasarkan harga independen variable yang
diketahui atau ditentukan. Tetapi tidak boleh meramalkan harga variable bebas
berdasarkan variable tak bebas.
Apabila Y dan X mempunyai hubungan regresif dalam bentuk matematis,

Y = β 0 +β 1 X +ε

maka hubungan regresif tersebut dikatakan hubungan regresi linier sederhana. Disebut
linier karena semua variablenya berpangkat satu dan disebut sederhana karena variable
bebasnya cuma satu. Model di atas merupakan hubungan Y atas X dalam populasi,

berarti
β 0 dan β 1 merupakan parameter. Dalam penelitian, seorang peneliti bisaanya

berhadapan denganmodel yang diperoleh dari sample, yaitu :

y = b0 + b1 X 1 +e
Keterangan :

b 0 disebut koefien intercept, yaitu menyatakan berapa besarnya rata-rata Y,

jika X = 0

b 1 disebut Koefisien Regresi yang menyatakan besarnya perubahan harga rata-rata

Y jika X berubah satu unit.

6.1.1. Taksiran Untuk Model Populasi

Perhatikan model regresi sederhana,

90
 Y = β 0 +β 1 X +ε
Model regresi sederhana untuk populasi tersebut, diwakili oleh model sample
yang berbentuk,
y = b0 + b1 + e

b 0 dan b 1 dihitung melalui dalil Least Square dengan rumus,

n n

n ∑ Xi ∑ Y i
∑ X i Y i − i=1 n
i =1

i =1
b 1=

(∑ )
n 2

n
Xi
∑
i=1
X i2−
i =1 n b 0=Y - b 1 X

6.1.2. Menguji Koefisien Regresi

6.1.2.1 Menguji β 1 melalui t

Statistik ujinya adalah,

b1
t=
s ( b1 )

s YΙ X
s2 ( b1 ) =

(∑ )
n 2

n
Xi
i =1
∑ X 2i −
n
Dimana, i=1

n−1 2 2 2
Dan
s2YΙ X= [ s −b s ]
n−2 Y 1 X

91
 ( ) (∑ )
n n 2 n n 2

∑ Y 2i − ∑Y ∑ X 2i − X
i=1 i =1 i=1 i=1
s2Y = s2X =
n−1 dan n−1

6.1.2.2 Menguji β 1 melalui Anova

H 0 :β1 =0 melawan H 1 :β1 ≠0

Tabel 6.1 ANOVA untuk menguji β 1

Rata-rata
Sumber Variasi Derajat Bebas Jumlah Uji - F
Jumlah
Kuadrat
Kuadrat
Regresi 1 JK Reg RJK Reg
RJK REG
Sisa n-2 JK Sisa RJK Sisa RJK SISA

Total n-1 JK Total

(∑ )
n n 2
1
∑ Y 2i −
n
Yi
JK Total = i=1 i =1

[ ]
n n n
1
b1 ∑ Xi Y i− ∑ Xi ∑ Y i
n i=1 i=1
JK Regresi = i=1

RJK Regresi = JK Regresi

JK Sisa = JK Total – JK Regresi

JKSisa
RJK Sisa = n−2

RJKReg
Uji F = RJKSisa

Tolak
H 0 jika Uji F > F α;1;n−2

92
Contoh :

Dari hasil penelitian survey terhada 74 orang pegawai instansi A, dengan menggunakan
rencana sampling acak sederhana diperoleh data mengenai lamanya masa kerja yang
diukur dalam tahun dan sikap terhadap disiplin kerja yang diukur dengan menggunakan
Likert’s Summated Ratings yang diubah ke dalam skala interval dengan menggunakan
Methods of Succesive Interval. Dari hasil penelitian diperoleh data sebagai berikut,

Gambar 6.1 Data Untuk Analisis Regresi (regresi_linear)

93
Sumber : Nirwana SK Sitepu, 1994, Analisis Regresi dan Korelasi, Unit Pelayanan
Statistika, Jurusan Statistika, FMIPA Universitas Padjadjaran Bandung.

Dari data di atas akan dilakukan Analisis Regresi Sederhana, maka langkahnya :
 Buka file regresi_linear Selanjutnya dari menu utama SPSS pilih Analyze, pilih
Regression, selanjutnya pilih Linear…. Maka akan muncul di layar,

Gambar 6.2 Kotak Linear Regression

 Dependent, atau variabel tergantung. Masukkan Sikap terhadap disiplin kerja

 Independent atau variabel bebas, masukkan lamanya masa kerja.
 Case Labels, atau keterangan pada kasus. Abaikan karena variabel kita hanya
dua.
 Method, atau cara memasukkan / seleksi variabel. Method ini sangat
bermanfaat untuk pembentukan model. Bisaanya dipakai dalam Analisis Regresi
Multiple. Untuk keseragaman gunakan default SPSS.

94
 Pilih Option, maka akan tampil

Gambar 6.3 Kotak Linear Regression: Options

 Untuk Stepping Method Criteria digunakan uji F yang mengambil standar
angka probabilitas sebesar 5%. Oleh karena itu angka Entri 0.05 atau 5%.

 Pilih Include Constant In Equation untuk menyertakan konstanta yang dipilih

 Untuk Missing Values gunakan default SPSS

 Klik Continue
 Selanjutnya klik Statistics, maka keluar

Gambar 6.4 Kotak Linear Regression: Statistics

95
  Pada Regression Coefficient, pilih Estimate. Jika pilihan Estimate tidak
dipilih, maka koefisien regresi tidak kan ditampilkan

 Pilih Model Fit

 Pada Residual , untuk keseragaman kita gunakan default SPSS. Kemudian klik
continu
 Selanjutnya pilih Plot. Maka tampak dilayar

Gambar 6.5 Linear Regression: Plots

 Pilih Normal probability plot, kemudian pilih continue.

 Jika selesai klik OK, maka hasilnya

Output pertama,
Tabel 6.2 Output Variables Entered
Variables Entered/Removedb

Variables Variables
Model Entered Remov ed Method
1 Mas aa
. Enter
Kerja
a. All reques ted v ariables entered.
b. Dependent Variable: Sikap Terhadap Dis iplin Kerja

Menunjukkan variabel yang dimasukkan adalah promosi dan tidak ada variabel
yang dikeluarkan, karena metode yang dipakai adalah single step.

96
Output kedua,
Tabel 6.3 Output Model Summary
Model Summaryb

Adjus ted Std. Error of

Model R R Square R Square the Es ti mate
1 .517 a .267 .257 38.46
a. Predi c tors : (Cons tant), Mas a Kerja
b. Dependent Variable: Si k ap Terhadap Dis i pli n Kerj a

Angka R square adalah kuadrat dari nilai korelasi, yaitu (0,517)2 = 0.267

Output ketiga,
Tabel 6.4 Output ANOVA
ANO VAb

Sum of
Model Squar es df Mean Squar e F Sig.
1 Regr ession 38839. 348 1 38839. 348 26. 254 . 000a
Residual 106514. 7 72 1479. 371
Tot al 145354. 1 73
a. Pr edict or s: ( Const ant ) , Masa Ker ja
b. Dependent Var iable: Sikap Ter hadap Disiplin Ker ja

Dari uji ANOVA terlihat bahwa nilai probabilitas < 0,05 maka koefisien regresi
mempunyai arti.

Output keempat
Tabel 6.5 Output Koefisien Untuk Persamaan Regresi
Coeffi ci ents a

St andardi
zed
Unst andardized Coef f icien
Coef f icient s ts
Model B St d. Error Bet a t Sig.
1 (Const ant ) 232. 175 8. 716 26. 637 . 000
Masa Kerja -3. 213 . 627 -. 517 -5. 124 . 000
a. Dependent Variable: Sikap Terhadap Disiplin Kerja

97
 Output keempat menggambarkan persamaan regresi, yaitu :
Y = 232,175 – 3,213 X
Yang mana Y adalah Sikap terhadap disiplin kerja, dan X adalah Masa Kerja.
o Konstanta sebesar 232,175 menyatakan jika tidak ada masa kerja, maka
disiplin kerja adalah 232,175
o Koefisien regresi sebesar –3.213 menyatakan, jika masa kerja bertambah satu
tahun, maka sikap terhadap disiplin kerja akan berkurang sebesar –3.213
o Dilihat dari nilai probabilitas yang < 0,05, maka koefisien regresi mempunyai
arti.

Output kelima

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Sikap Terhadap Disiplin Kerja
1. 00

. 75
Ex p e c te d Cu m Pro b

. 50

. 25

0. 00
0. 00 . 25 . 50 . 75 1. 00

Ob s e rv e d Cu m Pro b

Gambar 6.6 Normal P-P Plot of Regression

Jika data berasal dari distribusi normal, maka nilai-nilai sebaran data akan terletak
disekitar garis lurus.

6.2. Analisis Regresi Multiple

Dalam dunia nyata tidak pernah ada sebuah fenomena alami yang 100% dijelaskan oleh
sebuah fenomena alami lainnya. Secara Statistis tidak pernah dijumpai sebuah sebuah
variable yang hanya dijelaskan oleh sebuah variable lainnya. Secara filosofis, tidak ada
satu konsep yang hanya dijelaskan oleh sebuah konsep lainnya. Akan tetapi sebuah
variable bisa dijelaskan oleh banyak sekali variable lainnya.

98
 X ,X ,... ,X k
Hubungan fungsional Y dengan 1 2 bisa dinyatakan oleh sebuah persamaan
Y =β 0 + β 1 X 1 + β 2 X 2 +.. .+ β k X k + ε

Persamaan diatas disebut dengan model regresi linier multiple. Disebut linier, karena
semua variabelnya berpangkat satu, dan disebut multiple karena variable bebasnya lebih
dari satu.

X ,X ,... ,X k
Hubungan fungsional antara Y dengan 1 2 yang dinyatakan oleh persamaan
Y =β 0 + β 1 X 1 + β 2 X 2 +.. .+ β k X k + ε
disebut dengan model populasi, sedangkan model sampelnya adalah.
y = b 0 +b 1 X 1 + b 2 X 2 + bk X k +e

β , β ,..., β K , dan β0
6.2.1. Menguji Koefisien 1 2
Pengujian mengenai koefisien regresi ini dilakukan dalam dua tahap, yaitu :
1. Secara keseluruhan
2. Secara Individual

6.2.2.1. Pengujian Secara Keseluruhan

Hipotesis pada pengujian secara keseluruhan adalah

H 0 : β1 =β 2 =. ..=β k=0
H 1 : Sekurang-kurangnya ada sebuah β i≠ 0

Pengujiannya melalui analisis varians yang bentuknya

Tabel 6.6 ANOVA
Sumber variasi Derajat bebas Jumlah kuadrat Rata-rata Uji F
jumlah kuadrat

Regresi K JK Regresi RJK Regresi RJK REG

RJK SISA
Sisa n-k-1 JK Sisa RJK Sisa

99
Total n-1 JK Total

n n
b 1 ∑ x 1i y i +. ..+ bk ∑ x ki y i
JK Regresi = i=1 i =1

n
∑ y 2i
JK Total = i=1

JK Sisa = JK Total – JK Regresi

JK Regresi
RJK Regresi = k

JK Sisa
RJK Sisa = n-k-1

RJKRegresi
Uji F = RJK Sisa

Tolak
H 0 jika Uji F > F 1-α, k;;n−k−1

F 1-α, k;;n−k−1 diperoleh dari table ditribui F-Snedecor dengan ν 1=k dan ν 2=n-k-1

100
6.2.1.2. Pengujian Secara Indidual

H 0 :βi=0
H 1 : βi ≠ 0 ; i = 1,2, ...,k

Statistik Uji yang digunakan

bi
ti=
√ RJK SisaCii
C ii
merupakan elemen atau unsur pada baris ke – I dan kolom ke-1 dari matriks
invers

|t|> t α
1- ;n−k −1
Tolak H0 jika 2

Apabila H0 ditolak, hal ini berarti memberi arahan bahwa variable tersebut dapat
dipergunakan sebagai predictor, apabila H0 diterima berarti indikasinya tidak perlu
menggunakan variable tersebut sebagai prediktor.
Contoh :

Seorang psikolog melakukan penelitian mengenai kaitan antara tingkah laku, sikap,
motivasi dan kecerdasan. Tingkah laku, sikap dan motivasi diukur melalui Likert’s
Summated Ratings yang diubah ke dalam skala interval melalui Successive Interval.
Berdasarkan data yang dikumpuilkan melalui sampling acak sederhana berukuran 10
siswa, diperoleh data sebagai berikut,

Gambar 6.7 Data untuk korelasi parsial (korelasi parsial)

101
 Sumber : Nirwana SK Sitepu, 1994, Analisis Regresi dan Korelasi, Unit Pelayanan
Statistika Jurusan Statistika, FMIPA, UNPAD.

Akan dilakukan analisis regresi multiple. Dalam SPSS langkahnya adalah sebagai berikut,
 Buka file korelasi parsial. Pilih dari menu utama SPSS Analyze, pilih Regression,
pilih Linear, maka keluar

Gambar 6.8 Kotak Linear Regression

 Dependent, atau variabel tergantung. Masukkan Variabel Tingkah Laku
 Independent atau variabel bebas, masukkan variabel Sikap, Motivasi dan
Kecerdasan.
 Case Labels, atau keterangan pada kasus.
 Method, atau cara memasukkan / seleksi variabel. Metode ini bermacam-macam,
seperti STEPWISE, REMOVE, BACKWARD, dan FORWARD. Untuk
keseragaman pilih default yang ada, yaitu Enter, prosedur pemilihan variabel
dimana semua variabel dalam blok dimasukkan dalam perhitungan single step

102
 Pilih Option, maka akan tampil

Gambar 6.9 Kotak Linear Regression: Options

 Untuk Stepping Method Criteria digunakan uji F yang mengambil standar angka
probabilitas sebesar 5%. Oleh karena itu angka Entri 0.05 atau 5%

 Pilih Include Constant In Equation untuk menyertakan konstanta yang dipilih

 Untuk Missing Values gunakan default SPSS

 Klik Continue

103
 Selanjutnya klik Statistiks, maka keluar

Gambar 6.10 Kotak Linear Regression: Statistics

 Pada Regression Coefficient, pilih Estimate. Jika pilihan Estimate tidak dipilih,
maka koefisien regresi tidak kan ditampilkan

 Pilih Model Fit

 Pada Residual , untuk keseragaman kita gunakan default SPSS. Kemudian klik
continue
 Selenjutnya pilih Plot. Maka tampak dilayar

Gambar 6.11 Kotak Linear Regression: Options

 Pilih Normal probability plot, kemudian pilih continue.

 Jika selesai klik OK, maka hasilnya

104
Output Pertama
Tabel 6.7 Output Pertama Untuk Variables Entered/Removed
Var iables Enter ed/Rem oved b

Variables Variables
Model Entered Removed Method
1 Kecerdasa
n, Sikap,a . Enter
Motivasi
a. All requested variables entered.
b. Dependent Variable: Tingkah Laku

Tabel variabel entered menunjukkan bahwa tidak ada vriabel yang dikeluarkan, atau
dengan kata lain ketiga variabel bebas dimasukkan dalam perhitungan regresi.

Output Kedua
Tabel 6.8 Output Kedua Untuk Model Summary
Model Summaryb

Adjus ted Std. Error of

Model R R Square R Square the Es timate
1 .927 a .859 .789 6.04
a. Predic tors : (Cons tant), Kec erdas an, Sik ap, Motiv as i
b. Dependent Variable: Tingk ah Lak u

Angka R square adalah kuadarat dari nilai korelasi, yaitu (0,927)2 = 0.859

Output Ketiga
Tabel 6.9 Output Ketiga Untuk ANOVA
ANO VAb

Sum of
Model Squar es df Mean Squar e F Sig.
1 Regr ession 1333. 732 3 444. 577 12. 193 . 006a
Residual 218. 768 6 36. 461
Tot al 1552. 500 9
a. Pr edict or s: ( Const ant ) , Kecer dasan, Sikap, Mot ivasi
b. Dependent Var iable: Tingkah Laku

Dari uji ANOVA terlihat bahwa nilai probabilitas adalah 0,006 < 0,05, maka semua
koefisisen regresi mempunyai arti. Maka Sikap, Motivasi, Kecerdasan mempunyai
peranan terhadap Tingkah Laku.

105
Output Keempat
Tabel 6.10 Output Koefisien-koefisien Regresi
Coef fi ci entsa

St andardi
zed
Unst andardized Coef f icien
Coef f icient s ts
Model B St d. Err or Bet a t Sig.
1 (Const ant ) 11. 695 24. 225 . 483 . 646
Sikap . 707 . 426 . 762 1. 659 . 148
Mot ivasi . 437 2. 802 . 074 . 156 . 881
Kecerdasan 8. 444E-02 . 418 . 102 . 202 . 847
a. Dependent Variable: Tingkah Laku

Output keempat ini menggambarkan persamaan regresi, yaitu

Y = 11,695 + 0,707 X1 + 0,437 X2 + 0,0844 X3
Yang mana X1 = Sikap
X2 = Motivasi
X3 = Kecerdasan
Kalau kita melihat nilai probabilitas (Sig.), maka nilai – nilai tersebut tidak ada yang
signifikan. Untuk langkah selanjutnya, kita mencoba pembentukan model baru dengan
menggunakan salah satu metode dari metode STEPWISE, REMOVE, BACKWARD,
atau FORWARD.

106
Output Kelima

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Tingkah Laku
1. 00

. 75

Ex p e c te d Cu m Pro b
. 50

. 25

0. 00
0. 00 . 25 . 50 . 75 1. 00

Ob s e rv e d Cu m Pro b

Gambar 6.12 Normal P-P Plot of Regression

Jika data berasal dari distribusi normal, maka nilai-nilai sebaran data akan terletak
disekitar garis lurus.

BACKWARD ELIMINATION
Langkahnya sama dengan sebelumnya, hanya pada pilihan method, pilih Backward.
 Selanjutnya klik Statistics, maka keluar

Gambar 6.13 Kotak Linear Regression: Statistics

107
  Pada Regression Coefficient, pilih Estimate. Jika pilihan Estimate tidak
dipilih, maka koefisien regresi tidak kan ditampilkan

 Pilih Model Fit dan Collinearity diagnostics

 Pada Residual , untuk keseragaman kita gunakan default SPSS. Kemudian klik
continue
 Untuk Plots kali ini jangan dipilih
 Klik OK untuk langkah selanjutnya. Maka hasilnya,

Output pertama,

Tabel 6.11 Output untuk BACKWARD ELIMINATION

Var iables Enter ed/Rem ovedb

Variables Variables
Model Entered Removed Method
1 Kecerdasa
n, Sikap,a . Enter
Motivasi
2 Backward
(criterion:
Probabilit
. Motivasi y of
F-to-remo
ve >=
.100).
3 Backward
(criterion:
Probabilit
Kecerdasa
. y of
n
F-to-remo
ve >=
.100).
a. All requested variables entered.
b. Dependent Variable: Tingkah Laku

Metode Backward dimulai dengan memasukkan semua variabel (lihat model 1 yang
mempunyai keterangan ENTER). Kemudian dilakukan analisis dan variabel yang
tidak layak masuk dalam regresi dikeluarkan satu persatu.

108
 Model kedua menyatakan bahwa variabel yang dikeluarkan (removed) adalah variabel
motivasi. Kemudian pada model ke 3, variabel kecerdasan yang dikeluarkan. Dengan
demikian setelah melewati 3 tahapan, variabel bebas yang layak dimasukkan dalam
model regresi adalah variabel sikap.

Output kedua,

Tabel 6.12 Output Model Summary Untuk BACKWARD ELIMINATION

Model Summary

Adjus ted Std. Error of

Model R R Square R Square the Es timate
1 .927 a .859 .789 6.04
2 .927 b .859 .818 5.60
3 .925 c .856 .838 5.29
a. Predic tors : (Cons tant), Kec erdas an, Sik ap, Motiv as i
b. Predic tors : (Cons tant), Kec erdas an, Sik ap
c . Predic tors : (Cons tant), Sik ap

Adjusted R Square
Untuk model regresi yang mempunyai variabel bebas lebih dari satu yang digunakan
adalah Adjusted R Square yang jadi patokan. Semakin tinggi nilainya, semakin baik
bagi model regresi, karena variabel bebas lebih besar nilainya dalam menjelaskan
variabel tidak bebas.

Dalam output kedua, ternyata model 3 memiliki nilai yang paling tinggi, jadi model ke
3 adalah model yang paling baik. Dengan demikian ada sebesar 83,8% tingkah laku
bisa dijelaskan oleh sikap.

109
Output ketiga,

Tabel 6.13 Output ANOVA Untuk BACKWARD ELIMINATION

ANO VAd

Sum of
Model Squar es df Mean Squar e F Sig.
1 Regr ession 1333. 732 3 444. 577 12. 193 . 006a
Residual 218. 768 6 36. 461
Tot al 1552. 500 9
2 Regr ession 1332. 846 2 666. 423 21. 238 . 001b
Residual 219. 654 7 31. 379
Tot al 1552. 500 9
3 Regr ession 1328. 575 1 1328. 575 47. 465 . 000c
Residual 223. 925 8 27. 991
Tot al 1552. 500 9
a. Pr edict or s: ( Const ant ) , Kecer dasan, Sikap, Mot ivasi
b. Pr edict or s: ( Const ant ) , Kecer dasan, Sikap
c. Pr edict or s: ( Const ant ) , Sikap
d. Dependent Var a
i ble: Tingkah Laku

Dari tabel ANOVA terlihat bahwa nilai F hitung untuk model ketiga jauh lebih besar,
dan tingkat signifikansi 0,000, jauh lebih kecil. Dengan demikian model ke 3 adalah
model yang paling baik.

110
 Output keempat,

Tabel 6.14 Output Koefisien-koefisien Untuk BACKWARD ELIMINATION

Coef f i ci ent as

St andar di
zed
Unst andar diz ed Coef f ic ien
Coef f ic ient s ts Collinear it y St at is t ic s
M odel B St d. Er r or Bet a t Sig. Toler ance VI F
1 ( Const ant ) 11. 695 24. 225 . 483 . 646
Sik ap . 707 . 426 . 762 1. 659 . 148 . 111 8. 989
M ot iv asi . 437 2. 802 . 074 . 156 . 881 . 105 9. 560
Kecer dasan 8. 444E- 02 . 418 . 102 . 202 . 847 . 093 10. 794
2 ( Const ant ) 8. 967 15. 538 . 577 . 582
Sik ap . 734 . 363 . 790 2. 018 . 083 . 132 7. 587
Kecer dasan . 120 . 325 . 144 . 369 . 723 . 132 7. 587
3 ( Const ant ) 13. 398 9. 311 1. 439 . 188
Sik ap . 859 . 125 . 925 6. 889 . 000 1. 000 1. 000
a. Dependent Var iable: Tingkah Laku

Colinearity Statistics
Sebagai contoh pada model satu untuk variabel Sikap, didapat tolerance 0,111. Hal ini
berarti R2 adalah 1 – 0.111 = 0,89. Ini berarti tingkah laku dapat dijelaskan oleh
variabel lain adalah sebesar 89%.
Default SPSS bagi angka tolerance adalah 0,0001. Semua variabel yang akan
dimasukkan dalam model regresi harus mempunyai tolerance lebih dari 0,0001.
Terlihat bahwa semua variabel memenuhi ambang toleransi.

Kolom VIF
VIF = 1 / Tolerance. Contohnya adalah untuk variabel sikap pada model 1, maka VIF
adalah
VIF = 1 / 0,111 = 8,989

Jika VIF lenih besar dari 5 maka variabel tersebut mempunyai persoalan
multikolinearitas, yaitu korelasi besar diantara variabel bebas.

111
 Dan kalau kita lihat, ternyata hampir semua nilai VIF > 5, maka semua variabel bebas
dalam contoh mempunyai persoalan multikolinearitas.
Pada output ini juga diperoleh persamaan regresinya yaitu pada model 3 di kolom
Unstandardized Coefficients, yaitu

Y = 13.398 + 0,859 X1

Yang mana Y = Tingkah Laku

X1 = Sikap

Konstanta sebesar 13.398 memperlihatkan bahwa jika tidak ada variabel Sikap,
maka Tingkah laku mempunyai skore 13,398.

Koefisien Regresi sebesar 0,859 menyatakan, jika sikap bertambah sebesar satu
satuan, maka tingkah laku akan bertambah sebesar 0,859.

Nilai probabilitas pada kolom Sig. Adalah 0,000 atau < 0,05, maka pengujian
signifikan. Dengan demikian variabel Sikap mempunyai peranan terhadap Tingkah
Laku.

Output kelima,
Tabel 6.15 Output Untuk Kolinearitas
a
Col l i near i t y Di agnost i cs

Condit ion Var iance Pr opor t ions

M odel Dim ension Eigenvalue I ndex ( Const ant ) Sikap M ot ivasi Kecer dasan
1 1 3. 956 1. 000 . 00 . 00 . 00 . 00
2 3. 929E- 02 10. 035 . 08 . 00 . 09 . 00
3 3. 140E- 03 35. 494 . 21 . 74 . 63 . 00
4 1. 175E- 03 58. 018 . 71 . 26 . 28 1. 00
2 1 2. 982 1. 000 . 00 . 00 . 00
2 1. 703E- 02 13. 231 . 46 . 09 . 00
3 1. 440E- 03 45. 501 . 53 . 91 1. 00
3 1 1. 984 1. 000 . 01 . 01
2 1. 628E- 02 11. 040 . 99 . 99
a. Dependent Var iable: Tingkah Laku

Bagian ini membahas ada tidaknya multikolinearitas dan kolinearitas. Karena model
regresi yang baik tidak boleh ada multikolinearitas dan kolinearitas.
112
 Perhatikan kolom-koloms berikut

a. Eigenvalue jika mendekai 0, maka terjadi multikolinearitas. Dan ternyata pada

model ke 3 nilai eigenvalue mendekati 0, yaitu 0.001628

b. Condition Index, jika melebihi 15, maka terdapat multikolinearitas. Ternyata

nilainya masih dibawah 15, artinya multikolinearitas masih dipertimbangkan.

Output keenam,
Tabel 6.16 Output Untuk Excluded Variables
c
Excl uded Var i abl es

Collinear it y St at is t ci s
Par t ial M inim um
M odel Bet a I n t Sig. Cor r elat ion Toler ance VI F Toler ance
2 M ot iv asi . 074 a . 156 . 881 . 063 . 105 9. 560 9. 265E- 02
3 M ot iv asi . 126 b . 341 . 743 . 128 . 149 6. 720 . 149
Kecer dasan . 144 b . 369 . 723 . 138 . 132 7. 587 . 132
a. Pr edic t or s in t he M odel: ( Const ant ) , Kecer dasan, Sik ap
b. Pr edic t or s n
i t he M odel: ( Const ant ) , Sik ap
c. Dependent Var iable: Tingkah Laku

Bagian ini membahas proses mengeluarkan (eliminasi) variabel bebas yang tidak
layak dimasukkan dalam model regresi Jika dilihat nilai probabilitas > 0,05, maka
kedua variabel, yaitu Motivasi dan Kecerdasan tidak layak dimasukkan dalam model
regresi.

FORWARD ELIMINATION
Sama dengan Prosedur Backward, hanya disini variabel bebas dimasukkan tidak
sekaligus namun satu persatu.

STEPWISE METHOD
Adalah salah satu metode yang sering dipakai dalam analisis regresi. Metode ini
hampir sama dengan Forward, hanya disini variabel yang telah dimasukkan dalam
model regresi dapat dikeluarkan lagi dari model.

113
Metode ini dimulai dengan memasukkan variabel bebas yang memiliki korelasi paling
kuat dengan variabel dependen. Kemudian setiap kali pemasukkan variabel bebas
yang lain, dilakukan pengujian untuk tetap memasukkan variabel bebas atau
mengeluarkannya.
Dari contoh yang sama gunakan kedua metode yang belum kita analisis.

114
 DAFTAR PUSTAKA

1. Hardiana Prasanti, S.Si , Mengolah Data Dengan menggunakan

SPSS, Modul , Bandung, 2004.
2. Prof.DR.Sudjana, M.A., M.Sc., Metoda Statistika, edisi ke-5,
penerbit Tarsito, Bandung, 1992.
3. Singgih Santoso, Menguasai Statistik di Era Informasi dengan
SPSS 12, Elex Media Komputindo ,Jakarta, 2005.

115