Anda di halaman 1dari 92

ANALISIS STATISTIK

Irni Yunita

SKEMA PENGOLAHAN
DATA

Jenis Data

Kualitatif

Nominal

Kuantitatif

ordinal

Interval

Statistik Non
Parametrik

rasio

Statistik Parametrik

Jumlah Variabel
Satu
Analisis
Univariat

Dua
Analisis
Bivariat

Tiga
Analisis
Multivariat

STATISTIK PARAMETRIK
1.

2.
3.
4.

Selalu didahului dengan uji prasyarat analisis.


Hal tersebut menyebabkan data yang
digunakan dalam analisis statistik parametrik
memiliki bias yang relatif kecil sehingga
hasilnya dapat lebih dipertanggungjawabkan
Data memiliki distribusi normal sehingga bebas
dari data outlier
Data memiliki skala interval dan rasio
Tidak dapat digunakan untuk data yang
bersifat non numerik yang masih memerlukan
proses pemberian kode

ASUMSI DASAR STATISTIK


PARAMETRIK
1. Data memenuhi persyaratan distribusi normal
(untuk semua jenis statistik parametrik)
2. Homogenitas : data sampel memiliki varians yang
sama (untuk t-test, anova, uji multivariat lain)
3. Bebas dari autokorelasi; autokorelasi berarti jika
diurutkan berdasarkan waktu, maka data pengamatan
akan dipengaruhi data pengamatan sebelumnya
(regresi linear)
4. Bebas dari multikoleniaritas : multikoleniaritas
artinya : adanya korelasi antara variabel bebas satu
dengan yang lainnya. (regresi linear)
5. Linearitas : setiap kenaikan skor variabel bebas,
diikuti oleh kenaikan skor variabel terikat (regresi
linear dan korelasi pearson)

ANALISIS STATISTIK
1.
2.
3.
4.
5.
6.
7.
8.

Analisis Frekuensi
Analisis Deskriptif
Uji normalitas data (Prasyarat statistik
parametrik)
Uji Asumsi Klasik data (prasyarat regresi)
Korelasi Spearman rank (NON parametris)
Korelasi Pearson Produk Moment (Parametris)
Chi Kuadrat (NON Parametris)
Path Analysis

1. ANALISIS FREKUENSI

Cara menyajikan data dengan pendekatan tabel


frekuensi dan distribusi frekuensi serta
penggunaan diagram batang, lingkaran,
histogram, poligon dan ogive.

Langkah:
Data disusun dan dikelompokkan berdasarkan
masing-masing variabel beserta jumlah
frekuensi dari masing-masing variabel tsb.
Pengelompokkan disajikan dalam bentuk tabel
frekuensi.

1. ANALISIS FREKUENSI
a.
b.

Tabel frekuensi

Contoh : diketahui jumlah pelanggan telepon GSM


sebagai berikut:

. Telkomsel(80.5

jt), Indosat (28jt), Xl(27 jt), Hutchinson (7.5


jt), Mobile-8 (Fren) (3 jt), Axix (3 jt) (sumber: Telkom 2009)
Maka, tabel frekuensi adalah sebagai berikut:
No

operator

Jml pelanggan (Jt org)

Telkomsel

Indosat

28

XL

27

Hutchinson

7.5

Mobile-8

Axix

Jumlah

80.5

149

1. ANALISIS FREKUENSI
b. Tabel Frekuensi Relatif
Menunjukkan presentase dari total jumlah
pengamatan masing-masing kelas
No

operator

Jml pelanggan (Jt

Frekuensi relatif

80.5

54%

org)

Telkomsel

Indosat

28

19%

XL

27

18%

Hutchinson

7.5

5%

Mobile-8

2%

Axix

2%

149

100%

Jumlah

1. ANALISIS FREKUENSI
c. Presentasi Grafik Data Kualitatif
Diagram yang umum digunakan untuk menyajikan
data khususnya data kualitatif adalah diagram
batang (bar chat dan lingkaran(pie chart)
Jumlah pelanggan Operator Telekomunikasi GSM di Indonesia (dalam juta pelanggan)
90
80
70
60
50
40
30
20
10
0

Frekuensi relatif
Telkomsel
Indosat
XL

Jml pelanggan (Jt org)

Hutchinson
Mobile-8
Axis

1. ANALISIS FREKUENSI
d. Distribusi Frekuensi
Untuk jenis data Kuantitatif

Nilai

Rincian

Frekuensi (f)

60 64

II

65 - 69

IIII I

70 - 74

IIIII IIIII IIIII

15

75 - 79

IIIII IIIII IIIII IIIII

20

80 - 84

IIIII IIIII IIIII I

16

85 - 89

IIIII II

90 - 94

IIII

Jumlah

f = 70

1. ANALISIS FREKUENSI

5. Histogram dan Polygon


Histogram Nilai Kinerja Pegawai Dinas Kominfo Jabar
25
20
15

Frekuensi (f)

10
5
0

60 64

65 - 69

70 - 74

75 - 79

80 - 84

85 - 89

90 - 94

1. ANALISIS FREKUENSI

Poligon
Poligon Nilai Kinerja Pegawai Dinas Kominfo Jabar
25

20

15

Frekuensi (f)

10

0
60 64

65 - 69

70 - 74

75 - 79

80 - 84

85 - 89

90 - 94

2. ANALISIS DESKRIPTIF
Mengetahui Pengukuran gejala Pusat
Mengetahui dan menjelaskan rata-rata
Mengetahui dan menjelaskan mode
Mengetahui dan menjelaskan median

ANALISIS FREKUENSI DAN


STATISTIK DESKRIPTIF USING
SPSS

Contoh Kasus:
No
1
2
3
4
5
6
7
8
9
10

Hasil
Penjualan
45
65
48
92
53
64
87
84
45
65

Gender
Pria
Wanita
Pria
Wanita
Pria
Pria
Wanita
Pria
Pria
Pria

11
12
13
14
15
16
17

59
86
67
49
75
95
85

Wanita
Pria
Wanita
Wanita
Wanita
Pria
Pria

ANALISIS FREKUENSI DAN STATISTIK DESKRIPTIF


USING SPSS

Menu , File, Data, Variable View

Definisi variabel Hasil Penjualan:


1.

Name : ketikkan Hasil_Penjualan

2.

Type : Numeric

3.

Width : ketik 8

4.

Decimals : Ketik 0

5.

Label : Ketikkan Hasil Penjualan per Hari

Definisi variabel Hasil Penjualan:


6.

Name : ketikkan Gender

7.

Type : Numeric

8.

Width : ketik 1

9.

Decimals : Ketik 0

10.

Label : Ketikkan gender

11.

Value : 1 ; Value Label : Wanita; Value : 2; Value Label : pria

12.

Column : 8; Align : Right; Measure : Nominal

ANALISIS FREKUENSI DAN STATISTIK DESKRIPTIF DATA KUANTITATIF (HASIL


PENJUALAN)

Analyze, descriptive statistic, frequencies

Hasil Penjualan pindahkan ke sebelah kanan

Klik Statistic :

Dispertion atau penyebaran data:


Klik std dev, variance, range, minimum, maximum, SE
Mean.

Central tendency :
Klik Mean dan Median

Distribution : Skewness dan Kurtosis

Klik Continue

Frekuency

Klik Chart : histogram with Normal Curve

ANALISIS FREKUENSI DAN STATISTIK DESKRIPTIF DATA


KUANTITATIF (HASIL PENJUALAN)

Hasil Analisis Frekuensi:

N=17, jumlah data valid=17


Mean=68.47 = rata2 hasil
penjualan tiap salesman.

S.E Mean=4.175, maka hasil


penjualan tiap salesman per
hari = 68.47 +- (2x4.175) atau
antara 60.12 dan 70.82 mainan
per hari
Median=65, arti 50% sampel
menghasilkan penjualan rata2
per hari 65 mainan ke atas, dan
50% sampel penjualan rata2 65
ke bawah.
StdeV = 17.212, maka rata2
hasil penjualan yang ada pada
sampel = 68.47+- 92x17.212

ANALISIS FREKUENSI DAN STATISTIK DESKRIPTIF DATA


KUANTITATIF (HASIL PENJUALAN)

Hasil Analisis Frekuensi:

Skewness= 0.076, std error


of skewness= 0.550. Rasio
skewness= 0.076/0.550 =
0.138182, maka rasio ini
dikatakan memenuhi
distribusi normal karena
berada diantara -2 sampai +2.
Kurtosis = -1.436, std error
of kurtosis= 1.063. Rasio=1.436/1.063=-1.35089, maka
rasio ini dikatakan memenuhi
distribusi normal karena
berada diantara -2 sampai +2.

ANALISIS FREKUENSI DAN STATISTIK DESKRIPTIF DATA


KUANTITATIF (HASIL PENJUALAN)

Hasil Analisis Frekuensi:

Range = 50, jarak hasil


penjualan terbesar dan
terkecil=50 mainan per hari.

ANALISIS FREKUENSI DAN STATISTIK DESKRIPTIF DATA


KUANTITATIF (HASIL PENJUALAN)

Histogram
membentuk
kemiripan dengan
kurva normal.
Interpretasi : data
mendekati normal
hingga normal.

ANALISIS FREKUENSI DAN STATISTIK


DESKRIPTIF DATA KUALITATIF (GENDER)
Analyzed, descriptive statistic, frequencies
Klik gender, pindahkan ke dalam kotak sebelah
kanan
Klik chart, pie chart, klik kiri format, frequecy
format
Order by : ascending values
OK

ANALISIS FREKUENSI DAN STATISTIK


DESKRIPTIF DATA KUALITATIF (GENDER)

ANALISIS FREKUENSI DAN STATISTIK


DESKRIPTIF DATA KUALITATIF (GENDER)

Wanita berjumlah 7 orang (41.2%)


Pria berjumlah 10 orang (58.8%)

ANALISIS FREKUENSI DAN STATISTIK


DESKRIPTIF DATA KUALITATIF (GENDER)

Menunjukkan bahwa proporsi pria lebih besar


daripada wanita

3. UJI NORMALITAS DATA (PRASYARAT


STATISTIK PARAMETRIK)
Uji dengan Saphiro Wilks
Hipotesis :
Ho : data berdistribusi normal.
Jika p-value > 5%, maka terima Ho.
Analyzed, descriptive statistic, explore
Pindahkan variabel hasil penjualan per hari ke
dalam dependent list
Klik plots : factor level together, histogram, dan
normality plot with test
Pada bagian display, pilih both
Klik OK

3. UJI NORMALITAS DATA


(PRASYARAT STATISTIK
PARAMETRIK)

Uji Saphiro Wilk

Nilai Shapiro Wilk=0.919 dengan prob=0.142


Karena prob>5%, maka data memenuhi syarat uji
normalitas data.

Perbedaan hal 82

UJI NORMALITAS DATA (PRASYARAT


STATISTIK PARAMETRIK)
Uji dengan Kolmogorov Smirnov, N>50
Analyzed, Non Parametric Test, 1-sample K-S
Pindahkan hasil penjualan per Hari kedalam
test variable list
Pada test distribution klik pada pilihan normal
Klik OK.

3. UJI NORMALITAS DATA


(PRASYARAT STATISTIK
PARAMETRIK)
Nilai kolmogorov
smirnov=0.699
dengan prob=0.713.
Karena prob>5%,
maka data
memenuhi syarat
uji normalitas data.

3. UJI NORMALITAS DATA


(PRASYARAT STATISTIK
PARAMETRIK)

Untuk N<50, lakukan uji saphiro wilks

Untuk N>50, lakukan uji Kolmogornov Smirnov

Sumber: dosen statistik: Nurvita Trianasari

4. UJI ASUMSI KLASIK DATA


(PRASYARAT REGRESI LINIER)

Contoh Kasus:
Pengalaman
Kerja
2
3
1
4
1
3
2
2

Penjualan
Barang
50
60
30
70
40
50
40
35

4. UJI ASUMSI KLASIK DATA


(PRASYARAT REGRESI LINIER)

Ho : r=0
Ha: r=0

, tidak terdapat pengaruh yang signifikan


, terdapat pengaruh yg signifikan

Pengaruh Pengalaman Kerja Terhadap Penjualan HP di Bandung

Pengalaman
Kerja (X)
(Tahun)
2
3
1
4
1
3
2

Penjualan
Barang (Y)
(Unit)
50
60
30
70
40
50
40

4. UJI ASUMSI KLASIK DATA


(PRASYARAT REGRESI LINIER)

Masukkan data (seperti pada frekuensi)

Klik Analyzed, Regression, Linear

Masukkan data pengalaman kerja ke independent list


dan hasil penjualan ke dependent list
Statistic, durbin watson (uji autokorelasi)
dan Colonearity diagnostics (uji ada/tidaknya
multikoleniaritas)

Klik Continue

Klik Plot, masukkan ZRESID ke Y

masukkan ZPRED ke x

Klik Normal Probability Plot

4. UJI ASUMSI KLASIK DATA


(PRASYARAT REGRESI LINIER)

Hasil Uji Normalitas

Titik-titik cenderung
mengikuti garis lurus,
sehingga dapat
disimpulkan error
terdistribusi normal,
asumsi normalitas
terpenuhi

4. UJI ASUMSI KLASIK DATA


(PRASYARAT REGRESI LINIER)

Uji Multikoleniaritas (harus terbebas dari


multikoleniaritas)

Nilai VIF < 10, maka tidak terjadi multikoleniaritas


di antara variabel bebas, maka syarat terpenuhi.

4. UJI ASUMSI KLASIK DATA


(PRASYARAT REGRESI LINIER)

Uji Heteroskedastisitas (harus bebas dari heteroskedastisitas)

Tidak terdapat suatu


pola tertentu, maka
disimpulkan bahwa
data yang ada tidak
terdapat
heteroskedastisitas,
berarti data
homoskedastisitas.

4. UJI ASUMSI KLASIK DATA


(PRASYARAT REGRESI LINIER)

Uji Autokorelasi (harus terbebas dari autokorelasi)

Jika nilai Durbin watson antara -2 dan +2, maka tidak


terjadi autokorelasi antar variabel gangguan.
1.169 berada diantara -2 dan +2, maka terbebas dari
autokorelasi.

4. PEMODELAN REGRESI LINIER

MODEL REGRESI

Dari tabel di atas, didapatkan model regresi


taksirannya, yaitu;
Y=21 + 11.5 X1.

4. PEMODELAN REGRESI LINIER

Uji Keberartian Model

Jika p-Value < 5%, maka model regresi signifikan


(berarti/dapat digunakan) atau
Jika F-Hitung > F-Tabel, maka model signifikan.

4. PEMODELAN REGRESI LINIER

Besarnya pengaruh pengalaman kerja adalah


sebesar 0.795 atau 79.5% terhadap penjualan,
Sisanya dipengaruhi oleh variabel lain.

5. KORELASI PEARSON

Korelasi untuk Data Rasio/Interval


PT. SESA WIBAWA TRIVA ingin mengetahui
hubungan antara biaya promosi dengan jumlah
pelanggan yang dicatat pada beberapa outlet
pemasaran di berbagai kota di Indonesia.
Berikut adalah data biaya promosi dan jumlah
pelanggan pada delapan outlet penjualan hasil
produksi PT. SESA WIBAWA TRIVA

5. KORELASI PEARSON
Hipotesis:
Ho : r=0 , tidak ada hubungan antara dua variabel
Ho diterima jika P-value(sig-2tailed) > 5%
Langkah:
Analyze, correllate, bivariate,
Pindahkan promosi dan pelanggan ke dalam
variables
Klik korelasi pearson
Klik two tailed test (di bawah test of significants)
Klik flag of significant correlation
Klik option, continue

5. KORELASI PEARSON

Biaya Promosi dan Jumlah Pelanggan


No.
Outlet
1
2
3
4
5
6
7
8

Biaya Promosi
(X)
20000
16000
34000
23000
27000
32000
18000
22000

Jumlah
Pelanggan
(Y)
64
61
84
70
88
92
72
77

5. KORELASI PEARSON

Tampak pada output korelasi angka 0,862 adalah angka koefisien


korelasi atau nilai r = 0,862. Angka tersebut menunjukkan korelasi
yang sangat kuat karena terletak antara 0,801 1,000 (Lihat Tabel)
Interpretasi Terhadap Nilai r Hasil Analisis Korelasi
*) Interpretasi berlaku untuk nilai r positif maupun negatif
Interval Nilai r*)

Interpretasi

0,001 0,200

Korelasi sangat lemah

0,201 0,400

Korelasi lemah

0,401 0,600

Korelasi cukup kuat

0,601 0,800

Korelasi kuat

0,801 1,000

Korelasi sangat kuat

5. KORELASI PEARSON

Tidak adanya tanda (negatif) di depan angka


0,862 pada tampilan output menunjukkan bahwa
korelasi memiliki pola positif atau searah. Dengan
demikian, dapat diinterpretasikan bahwa semakin
tinggi biaya promosi, maka semakin tinggi jumlah
pelanggan.
Signifikansi hasil korelasi dapat diuji dengan
penyusunan hipotesis sebagai berikut:
H0 : r = 0,
Tidak ada hubungan antara dua
variable, berarti sebenarnya
Ha : r 0,
Ada hubungan antara dua variable ,
jadi memang

5. KORELASI PEARSON
Dasar

Pengambilan Keputusan:

Berdasarkan probabilitas
H0 diterima jika probabilitas > 0,05
H0 ditolak jika probabilitas < 0,05

Keputusan: Pada baris kedua, baik pada sel kanan atas
maupun sel kiri bawah (kedua sel isinya sama atau lurus
dengan baris sig. (2-tailed)), angka probabilitasnya
adalah 0,006. Oleh karena probabilitas < 0,05; maka
dapat diambil keputusan bahwa H0 ditolak. Ini bias
berarti juga bahwa hubungan antara biaya promosi dan
penjualan adalah signifikan pada taraf kepercayaan 95%.

6. KORELASI SPEARMAN RANK


Untuk mengukur eratnya hubungan antara dua
variabel (bebas dan terikat yang berskala
ordinal), mengukur tingkat kesukaan, tingkat
motivasi pegawai, tingkat moralitas pegawai.
Populasi tidak harus berdistribusi normal.
Populasi : 5<n<30 pasang
Contoh :
hubungan motivasi belajar dengan prestasi
belajar

6. KORELASI SPEARMAN RANK


IP
3.85
3.86
3.88
3.93
3.92
3.97
3.84
3.88
3.89
3.91

IQ
125
115
105
125
115
125
110
105
115
115

Kinerja
90
87
89
96
88
93
87
91
89
89

7. KORELASI SPEARMAN RANK


Hipotesis:
Ho : r=0 , tidak ada hubungan antara dua variabel
Ho diterima jika P-value(sig-2tailed) > 5%
Langkah:
Analyze, correllate, bivariate,
Pindahkan IP dan IQ dan kinerja ke dalam
variables
Klik korelasi Spearman
Klik two tailed test (di bawah test of significants)
Klik flag of significant correlation
Klik option, continue

7. KORELASI SPEARMAN RANK

Angka koefisien korelasi atau nilai r antara IP dan IQ =


0,446 maka korelasi cukup kuat (Lihat tabel korelasi)
Nilai sig-2 tailed = 0,196. maka >5%, maka tidak ada
hubungan yang signifikan antara IP dan IQ.
(Ho : r=0, diterima)

7. ANALISIS CHI-KUADRAT

Digunakan untuk mengadakan pendekatan


(mengestimate) dari beberapa faktor atau
mengevaluasi frekuensi yang diselidiki dengan
frekuensi yang diharapkan. Dari sampel apakah
terdapat perbedaan yang signifikan atau tidak.
Metode ini menggunakan data nominal

7. ANALISIS CHI-KUADRAT

Seorang dosen ingin mengetahui apakah


terdapat hubungan antara tempat tinggal
mahasiswa dengan kegagalan dalam ujian mata
kuliah. Untuk menguji hal ini, maka dilakukan
penelitian dengan data sebagai berikut:

7. ANALISIS CHI-KUADRAT
No.
Mahasiswa
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Tempat Tinggal

Kegagalan Ujian

Desa
Desa
Desa
Desa
Kota
Kota
Desa
Desa
Desa
Desa
Desa
Desa
Kota
Kota
Kota
Kota
Kota
Kota
Desa
Desa

Tidak pernah
Tidak pernah
Jarang
Jarang
Tidak pernah
Tidak pernah
Jarang
Jarang
Sering
Sering
Sering
Sering
Tidak pernah
Tidak pernah
Jarang
Jarang
Sering
Sering
Jarang
Jarang

7. ANALISIS CHI-KUADRAT

Apakah data menunjukkan hubungan antara


kegagalan ujian dengan tempat tinggal pada
taraf kepercayaan 95% ( = 0,05)?

Rumusan hipotesis statistic


H0 : Tidak ada hubungan antara tempat tinggal
dengan kegagalan ujian
Ha : Ada hubungan antara tempat tinggal
dengan kegagalan ujian

6. ANALISIS CHI-KUADRAT
1. Pilih Analyze, Descriptive Statistics, dan klik
Crosstab
2. Klik Tempat tinggal, lalu klik kiri untuk
memasukkannya ke kotak di bawah Row(s).
3. Klik Kegagalan Ujian, Klik kiri untuk
memasukkannya ke kotak di bawah Column(s)
4. Klik Statistics
5. Klik Chi-Square, tekan Continue, lalu tekan
OK
6. Muncul output Chi Square.

6. ANALISIS CHI-KUADRAT

Pada Tempat Tinggal * Kegagalan Ujian Crosstabulation


ditampilkan table yang memaparkan hubungan data antara kolom
dan baris, yaitu dapat diinterpretasikan bahwa:
Dua orang yang bertempat tinggal di desa tidak pernah gagal
ujian, 6 orang jarang gagal ujian, dan 4 orang sering gagal ujian.
Empat orang mahasiswa yang bertempat tinggal di kota tidak
pernah gagal ujian, 2 orang jarang gagal ujian, dan 2 orang sering
gagal ujian.

7. ANALISIS CHI-KUADRAT

a. Menentukan nilai kritis untuk mendapatkan chisquare table


Tingkat signifikansi atau = 0,05 dan df = (2-1)(3-1) =
2, maka nilai 2 kritis berdasarkan table 2 (0,05;2) =
5,99 (lihat pada table-tabel di buku statistic)
b. Menentukan nilai chi-square hitung
Terlihar pada bagian Chi-Square untuk Pearson ChiSquare bahwa nilai chi-square hitung adalah 2,639

7. ANALISIS CHI-KUADRAT

Keputusan: Oleh karena Chi-Square hitung = 2,639 lebih


kecil dari Chi-Square table = 5,99, maka H0 diterima.
Berarti tidak ada hubungan antara tempat tinggal dengan
kegagalan ujian.
Keputusan juga dapat dilakukan berdasarkan nilai p yang
ditampilkan pada kolom Asymp.Sig. = 0,267. Oleh karena
p = 0,267 > 0,05; maka H0 diterima. Berarti tidak ada
hubungan antara tempat tinggal dengan kegagalan ujian
Kesimpulan: Tidak terbukti ada hubungan antara tempat
tinggal dengan kegagalan ujian dari sample mahasiswa
pada taraf kepercayaan 95%.

UJI VALIDITAS&RELIABILITAS

http://contohskripsimakalah.blogspot.com/2012/11/uji-validitasreliabilitas-dengan-spss.html

8. PATH ANALYSIS
Asumsi yang harus dipenuhi:
Hubungan antar variabel linier
Data berdistribusi normal
Minimal data berskala interval
Harus ada multikoleniaritas antar variabel
Tidak boleh ada autokorelasi.

8. PATH ANALYSIS
Contoh Kasus;
X1 = Pendidikan Sistem ganda
X2 = Sarana prasarana
Y = Kompetensi Guru (Variabel interfening: bisa
dependen/independen)
Z = Kompetensi Lulusan

1
X1

yx1
Y

rx1x2
X2

yx2

2
z y

8 ANALISIS JALUR
1
X1

yx1
Y

rx1x2
X2

2
z y

yx2

Substruktur 1
Model : Y = yx1 X1 + yx2 X2 + 1

Substruktur 2
Model : Z = zy Y + 2

8 ANALISIS JALUR
Pengujian Substruktur 1
1. Pengaruh X1 dan X2 secara simultan terhadap Y
2. Pengaruh X1 secara parsial terhadap Y
Pengaruh X2 secara parsial terhadap Y

1
X1

yx1
Y

rx1x2
X2

yx2

8 ANALISIS JALUR
Pengujian Substruktur 1
Klik Analyzed, regression, linear, klik OK
Hasil: Pengujian secara simultan (Point 1)

Dari tabel dapat dilihat niali signifikansi < 5%, maka secara
keseluruhan, variabel pend. Sistem ganda(x1) dan Sarana
Prasarana(x2) berpengaruh secara signifikan terhadap
kompetensi guru (Y)

8 ANALISIS JALUR
Pengujian Substruktur 1
Hasil: Pengujian secara simultan (Point 1)

Secara keseluruhan, variabel pend. Sistem ganda(x1) dan


Sarana Prasarana(x2) memberikan pengaruh secara
simultan sebesar 0.491 atau 49.1% terhadap kompetensi
guru (Y) Ho ditolak

8 ANALISIS JALUR
Pengujian Substruktur 1
Hasil: Pengujian secara Parsial (Point 2)

Secara parsial, variabel pend. Sistem ganda(x1)


memberikan pengaruh yang tidak signifikan terhadap
kompetensi guru (Y) karena nilai sig>5% atau 0.272 > 0.05.
Ho diterima
Secara parsial, variabel sarana prasarana (x2) memberikan
pengaruh yang signifikan terhadap kompetensi guru (Y) karena
nilai sig < 5% atau 0.0222 < 0.05. Ho ditolak

8 ANALISIS JALUR

Pengujian Substruktur 2
2

z y

Hipotesis : Terdapat pengaruh kompetensi guru terhadap kompetensi


lulusan
Hipotesis statistik :
H0 : z y = 0 Terdapat pengaruh kompetensi guru terhadap kompetensi
lulusan
H1 : z y = 0 , Tidak terdapat pengaruh kompetensi guru terhadap
kompetensi lulusan

8 ANALISIS JALUR

Pengujian Substruktur 2

Klik Analyzed, regression, linear, klik OK


Hasil :

variabel kompetensi guru (Y) memberikan pengaruh yang


signifikan terhadap kompetensi lulusan (Z) karena nilai sig
< 5% atau 0.002 < 0.05. Ho ditolak

8 ANALISIS JALUR

Pengujian Substruktur 2

Klik Analyzed, regression, linear, klik OK


Hasil :

Variabel kompetensi guru (Y) memberikan pengaruh sebesar


0.233 atau 23.3 % terhadap kompetensi lulusan (Z) Ho
ditolak

8 ANALISIS JALUR

Uji Korelasi Keseluruhan


Klik analyze, correlate, masukkan semua
variabel untuk diuji korelasinya, klik pearson

Hasil :

8 ANALISIS JALUR

Uji Korelasi Keseluruhan


Hasil :
1-R2

1=0.509
X1

0.232
Y

0.826
X2

0.497

0.489

1-R2

2= 0.767

8 ANALISIS JALUR

Kerangka Hubungan Kausal X1, X2, Y terhadap Z


dibuat model struktur sebagai berikut:
Y = 0.232 X1 + 0.497 X2 + 1

Z = 0.489 Y + 2
Pengaruh langsung X1 terhadap Y = (x 1y)2

= (0.232)2

= 0.052

Pengaruh langsung X2 terhadap Y = 0.247


Pengaruh langsung Y terhadap Z = 0.2391
Pengaruh tidak langsung X1 melalui X2 terhadap
Y = 0.232 x 0.826 x 0.497 = 0.09
Pengaruh tidak langsung X2melalui X1 terhadap
Y = 0.497 x 0.826 x 0.232 = 0.09

UJI VALIDITAS DAN RELIABILITAS


a. Apakah instrumen konsisten digunakan lagi sebagai
alat ukur suatu objek / responden? (reliability)
b. Apakah kesepuluh butir soal di atas semuanya valid?
Jika tidak, butir-butir manakah yang tidak valid?

UJI VALIDITAS DAN RELIABILITAS


No.
Responden
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Butir
1

Butir
2

Butir
3

Butir
4

1
1
0
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1
1
1
0
1
0
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
0
1
0
0

0
1
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1

Jawaban Responden
Butir
Butir
Butir
5
6
7
1
1
1
1
1
0
0
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

0
1
1
1
1
0
0
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
1
0
1
0
1
1
1
0
1
1
1
1
0
0
0
1
1
1
1
0
1
1
1
0
0

Butir
8

Butir
9

Butir
10

1
1
1
1
1
0
0
0
1
0
1
1
1
0
1
1
0
1
1
1
0
1
1
1
1
1
1
0
1
1

1
0
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

UJI RELIABILITAS
Pilih Analyze dari menu utama SPSS. Pilih scale,
lalu pilih dan klik kiri Reliability Analysis.
Tekan CTRL pada keyboard. Dengan tetap
menekan CTRL, klik bergantian Butir1, Butir2,
Butir3, Butir4, Butir5, Butir6, Butir7, Butir8,
Butir9, dan Butir10. Klik kiri untuk memasukkan
seluruhnya ke kotak di bawah Variables.
Klik Statistics
Berikan tanda dengan mengklik kotak di depan
pilihan Scale dan Scale if Item Deleted.
Klik Continue, lalu klik OK sehingga muncul
output hasil pengujian Validitas dan Reliabilitas.

UJI RELIABILITAS

2. Pada bagian Case Processing Summary


terlihat bahwa responden yang diteliti pada uji
coba kuesioner berjumlah 30 orang (N = 30) dan
semua data tidak ada yang exclude atau
dikeluarkan dari analisis.

Pada bagian Reliability Statistics terlihat bahwa nilai


Alpha Cronbach adalah 0,826 dengan jumlah
pertanyaan 10 butir atau item.

Nilai r table untuk uji dua sisi pada taraf kepercayaan


95 % atau signifikansi 5% (p = 0,05) dapat dicari
berdasarkan jumlah responden atau N.
Oleh karena N = 30, maka derajat bebasnya adalah N
2 = 30 2 = 28. Pada buku-buku statistic, nilai r table
satu sisi pada df = 28. dan p = 0,05 adalah 0,2407

UJI RELIABILITAS
Kesimpulan:
Oleh karena nilai Alpha Cronbach = 0,826
ternyata lebih besar dari r table = 0,2407; maka
kuesioner yang diuji coba terbukti reliable.

Nilai Alpha Cronbach = 0,822 terletak di antara


0,800 hingga 1,00 (lihat table) sehingga tingkat
reliabilitisnya adalah sangat reliable.

UJI VALIDITAS DAN RELIABILITAS

Pada bagian Item Total Statistics. Nilai r table untuk uji dua sisi
pada taraf kepercayaan 95% atau signifikansi 5% (p = 0,05) dapat
dicari berdasarkan jumlah responded atau N. Oleh karena N = 30,
maka derajat bebasnya adalah N 2 = 30 2 = 28. Pada bukubuku statistic, nilai r table satu sisi df = 28 dan p = 0.05 adalah
0,2407.

Pada bagian Corrected Item-Total


Correlation, ternyata hanya butir7 yang
memiliki nilai r<r table karena
r = 0,044 < 0,2407

UJI VALIDITAS DAN RELIABILITAS


Kesimpulan:

Oleh karena hanya butir7 yang memiliki nilai


Corrected Item-Total Correlation < r table, dan
Butir1, Butir2, Butir3, Butir4, Butir5, Butir6,
Butir8, Butir9, dan Butir10 masing-masing
memiliki nilai Corrected Item-Total Correlation> r
table,
maka dapat diputuskan bahwa hanya butir7
yang tidak valid, sedangkan butir lainnya yaitu
Butir1, Butir2, Butir3, Butir4, Butir5, Butir6,
Butir8, Butir9, dan Butir10 dapat dinyatakan valid.
Soal no.7 harus diganti / dikeluarkan

LANGKAH UJI VALIDITAS DENGAN


PEARSON CORRELATION
1.

Oleh karena uji validitas mensyaratkan korelasi antara


masing-masing butir atau item dengan butir atau item total,
maka masih perlu disusun variable baru yaitu butir total yang
merupakan penjumlahan dari kesepuluh butir kueioner yang
ada. Untuk membuat entry variable baru, yaitu butir total,
dapat dilakukan cara berikut:

a. Pilih Trasform dari menu utama, pilih dan klik kiri


Compute

b. Membuat nama variable butir total. Untuk keseragaman,


ketikkan dengan nama Butir_Tot di bawah Target Variable.

c. Lakukan operasi penjumlahan

d. Klik OK. Dengan demikian telah diperoleh variable baru


dengan nama Butir_tot yang secara otomatis telah terisi data
sebagai hasil penjumlahan dari Butir1, Butir2, Butir3, Butir4,
Butir5, Butir6, Butir8, Butir9, dan Butir10.

LANGKAH UJI VALIDITAS DENGAN


PEARSON CORRELATION
Pilih Analyze dari menu utama SPSS, lalu pilih
Correlate. Pilih dan klik kiri Bivariat.
3. Tekan CTRL pada keyboard. Dengan tetap
menekan CTRL, klik bergantian Butir1, Butir2,
Butir3, Butir4, Butir5, Butir6, Butir7, Butir8, Butir9,
Butir10, dan Butir_tot, lalu klik kiri untuk
memasukkan seluruhnya ke kotak di bawah Variable.
4. Pilihan korelasi yang dipakai untuk uji validitas
adalah korelasi Pearson, klik untuk memberi tanda
pada kotak di depan pilihan Pearson.
5. Uji validitas bersifat satu sisi. Oleh karena itu,
klik kiri pada one-tailed di bawah pilihan Test of
Significance.

LANGKAH UJI VALIDITAS DENGAN


PEARSON CORRELATION
Klik kiri Flag of Significant Correlation untuk
menampilkan signifikansi. Jika korelasi
signifikan pada 5%, maka pada output akan
muncul tanda *. Namun jika korelasi signifikan
pada 1%, maka pada output akan muncul tanda
**.
7. Klik tombol option
8. Abaikan pilihan Statistics jika tidak ingin
menampilkan deskripsi statistic ringkas dari
data yang akan dikorelasikan.

LANGKAH UJI VALIDITAS DENGAN


PEARSON CORRELATION

10. Tekan Continue untuk kembali ke kotak


dialog semula, dan untuk segera memproses
data, klik OK.

INTERPRETASI VALIDITAS:
1. Perhatikan hasil korelasi antara masingmasing butir dengan butir total.
2. Tampak bahwa, kecuali butir7 di mana
probabilitasnya 0,093 (lihat angka pada sig. (1tailed)), semua hasil korelasi antara masingmasing butir dengan butir totalnya
memiliki nilai probabilitas di bawah 0,05.
3. Korelasi antara butir7 dan butir_tot memiliki
nilai r = 0,248, tetapi korelasi tersebut tidak
signifikan karena p = 0,093 atau p > 0,05.

KESIMPULAN:

Oleh karena korelasi antara butir7 dan butir_tot


tidak signifikan pada hasil pengujian satu sisi
(one tailed), dan Butir1, Butir2, Butir3, Butir4,
Butir5, Butir6, Butir8, Butir9, dan Butir 10
masing-masing memiliki korelasi yang signifikan
dengan butir tot,
maka dapat disimpulkan bahwa hanya butir7
yang tidak valid, sedangkan butir lainya yaitu
Butir1, Butir2, butir3, Butir4, Butir5, Butir8,
Butir9, dan Butir 10 dapat dinyatakan valid.

REGRESI BERGANDA

Analisis Regresi dengan menggunakan dua atau


lebih variabel bebas.
Tahun

Quality

Tenaga

Omzet

Control (X1)

Marketing

penjualan

(X2)

(Y)

1997

11

24

1998

10

20

1999

13

23

2000

14

25

2001

15

27

2002

15

31

2003

16

34

REGRESI BERGANDA
Analyze, regression, linear
Quality control dan tenaga marketing to
independents
Omzet Penjualan to Dependent
Pilih option (klik use probability of F;0.05
klik include constant eq dan exclude case
listwise.
Pilih statistics, estimates, model fit, continue, ok

Model summary; R=0,967 dan Rsquare = 0,930,


menunjukkan 0,934 atau 93,4% variasi omset
penjualan dipengaruhi x1 dan x2

Pada Anova, nilai F=35,499 dengan p=0,001.


Karena p<0,05, maka regresi dapat dipakai untuk
memprediksi omset penjualan, atau secara bersamasama veriabel bebas berpengaruh terhadap omzet
penjualan pada taraf kepercayaan 95%.

Model Regresi : -2,108 + 1,788 X1 + 1,312 X2


Keputusan apakah x1 dan x2 mempengaruhi Y:
Untuk x1, nilai sig=0,034. Karena sig<0,05, maka H0
ditolak. Maka quality control berpengaruh signifikan
terhadap omset penjualan.
Untuk x2, nilai sig=0,019. Karena sig<0,05, maka H0
ditolak. Maka quality control berpengaruh signifikan
terhadap omset penjualan.