Manajemen data & statistik rs

SRI RAHAYU, PhD

fb.us.3575960_2
 TAHAPAN ANALISA STATISTIK

• Uji validitas dan reliabilitas instrument (Indep Var & Dep Variabel)
• Analisa Univariate (St Deskriptive)
masing-masing variable

• Uji normalitas data

• Analisa Bivariate
– Uji corelasi
– Uji regressi

• Analisa Multivariate
Multiple Linear Regression
 Uji Validitas Reliabilitas Instrument

• Salah satu instrumen yang sering dipakai dalam penelitian ilmiah adalah
kuesioner, yang bertujuan untuk mengetahui pendapat seseorang
mengenai suatu hal.
• Sebuah kuesioner dapat disusun dengan pertanyaan yang bersifat
terbuka (berapa usia anda saat ini, bagaimana pendapat Anda tentang
Universitas Respati Indonesia) atau pertanyaan tertutup seperti (kategori
usia anda : <20 tahun atau > 20 tahun).
• Salah satu skala yang sering dipakai dalam penyusunan kuesioner adalah
skala likert (lihat pada penjelasan skala likert).

3
• Menurut Sarjono (2011) pengujian validitas merupakan sebuah proses
untuk membuktikan bahwa instrument, teknik atau proses yang
digunakan dalam mengukur sebuah konsep benar-benar mengukur
konsep yang dimaksudkan dimana tujuannya adalah untuk megukur
valid tidaknya suatu item pertanyaan dari kuesioner yang disebarkan
kepada para responden yang menjadi obyek penelitian.
• Dalam penelitian kualitatif yang menggunakan instrumen kuesioner
sebagai salah satu alat ukur, ada dua syarat penting yang harus dipenuhi,
yaitu keharusan sebuah kuesioner untuk Valid dan Reliabel.

4
• Suatu kuesioner dikatakan Valid jika pertanyaan pada suatu kuesioner
mampu untuk mengungkapkan sesuatu yang akan diukur oleh
kuesioner tersebut. Sedangkan suatu angket dikatakan reliabel (andal)
jika jawaban seseorang terhadap pertanyaan adalah konsisten atau
stabil dari waktu ke waktu.
• Menurut Ferdinand (2014) mengatakan bahwa sebuah scale atau
instrument pengukuran data yang dihasilkan terpercaya atau reliable
apabila instrument itu secara konsisten memunculkan hasil yang
sama setiap kali dilakukan pengukuran oleh karena itu tujuan dilakukan
pengujian realibilitas menurut Sarjono (2011) adalah untuk mengukur
konsistensi dari tidaknya jawaban setiap responden terhadap item-item
pernyataan yang berada di dalam kuesioner yang sudah disebarkan itu
dapat terpecaya atau reliable.

5
Pengukuran reliabilitas pada dasarnya bisa dilakukan dengan dua cara :
• Repeated Measure atau ukur ulang. Disini seseorang akan disodori
pertanyaan yang sama pada waktu berbeda, dan kemudian dilihat
apakah dia tetap konsisten dengan jawabannya.
• One short atau sekali saja. Di sini pengukuran hanya sekali dan
kemudian hasilnya dibandingkan dengan hasil pertanyaan lain.

6
Langkah menyusun kuesioner :

• 1.Menetapkan sebuah Konstrak, yaitu membuat batasan mengenai

variabel yang akan diukur. Jika ingin diteliti mengenai perilaku konsumen,
maka perlu dipertegas dahulu apa yang dimaksud dengan perilaku
konsumen tersebut.
• 2.Menetapkan faktor-faktor, yaitu mencoba menemukan unsur-unsur yang
ada pada suatu konstrak.
• 3.Menyusun butir-butir pertanyaan, yaitu mencoba menjabarkan sebuah
faktor lebih lanjut dalam berbagai pertanyaan yang langsung berinteraksi
dengan pengisi kuesioner. Dalam setiap konstrak bisa terdiri dari
beberapa faktor, dan setiap faktor bisa terdiri dari beberapa butir
pertanyaan, dengan catatan bahwa bisa juga setiap faktor mempunyai
jumlah butir yang tidak sama satu sama dengan yang lain.

7
Tujuan Analisis Validitas dan Reliabilitas :

• Pengujian validitas dan reliabilitas adalah proses menguji butir-butir

pertanyaan yang ada dalam sebuah kuesioner, apakah isi dari butir
pertanyaan tersebut sudah valid dan reliabel.
• Dari hasil kuesioner tersebut lakukanlah pengujian apakah data tersebut
valid dan reliabel. Untuk melakukan pengujian validitas dan reliabilitas,
data harus di run per variabel.
• Untuk menguji validitas sebuah kuesioner, diperlukan perhitungan R
hitung dan R tabel.
• Langkah-langkah untuk mencari R tabel adalah sebagai berikut:

8
1.Dari menu Analyze, pilih submenu Scale,
kemudian Reliability Analysis.

9
2.Pada window Reliability Analysis lakukan pengisian sebagai berikut:
Masukkan semua variabel (Q1-Q5) ke kotak Items yang ada di sebelah
kanan.
Pada bagian Model, biarkan pilihan pada Α.

10
• Klik menu Statistics, dana ada bagian Descriptive for (kiri atas), centang
ketiga pilihan (Item, Scale, Scale if item deleted), kemudian klik
Continue untuk kembali ke window utama.

11
3. Klik OK dan akan muncul hasil sebagai
berikut.

Reliability Statistics
Cronbach's Α N of Items
.669 5

Item-Total Statistics
Scale Mean if Scale Variance if Corrected Item- Cronbach's Α if
Item Deleted Item Deleted Total Correlation Item Deleted
KuP1 15.2727 4.982 .460 .600
KuP2 14.9886 5.391 .462 .602
KuP3 15.1364 5.429 .499 .589
KuP4 15.1364 5.590 .365 .643
KuP5 15.1932 5.353 .350 .654

12
•Uji normalitas data

13
 Uji Normalitas

• Pada dasarnya uji normalitas adalah membandingkan antara data

empiris (data yang kita miliki) dengan data teoritis (data distribusi
normal) dan kategorinya merupakan jenis uji kesesuaian (Goodness of
Fit). Kolmogorov Smirnov dalam menguji kenormalan data digunakan
prinsip membandingkan probabilitas kumulatif dari data empirik
dengan distribusi normal.

14
Uji Normalitas

• Uji normalitas dilakukan untuk mengetahui apakah distribusi data

mengikuti atau mendekati distribusi normal atau tidak (Sarjono dan
Julianita, 2011: 53).
• Pada dasarnya uji normalitas adalah membandingkan antara data yang
kita miliki dan data berdistribusi normal yang memiliki mean dan
standar deviasi yang sama dengan data kita.
• Uji normaltias menjadi hal yang penting karena salah satu syarat
pengujian parametrik adalah data harus berdistribusi normal.
• Menurut Budiawan (2012: 58), secara teoritis, semakin besar jumlah
sampel, maka data akan cenderung berdistribusi normal. Uji ini
biasanya digunakan untuk mengukur data berskala ordinal, interval,
maupun rasio.
15
 Uji Normalitas

• Berikut merupakan Dasar Pengambilan Keputusan (DPK) dalam Uji

Normalitas (α dalam penelitian ini sebesar 5% ----- 0,05) :
• Untuk jumlah responden 50 ------ lihat sig pada table Shapiro Wilk
• Untuk jumlah responden > 50 ----- lihat sig pada table Kolmogorov
Smirnov
•o Jika sig > maka data berdistribusi normal.
•o Jika sig < maka data berdistribusi tidak normal.

16
 Aturan Ketentuan

I. Hipotesa Uji
H0; data terdistribusi normal
H1; data terdistribusi tidak normal

II. Alat Uji Statistik

Uji Kolmogorov-Smirnov

III. Menentukan nilai signifikan, alpha / α = 5%

IV. Aturan keputusan;

α hitung ≥ α (0,05 / 0,01) ------- terima H0
α hitung < α (0,05 / 0,01) ------- tolak H0 terima H1

17
Langkah-langkah

• 1. Input data di atas pada SPSS

18
Langkah-langkah

• 2. Dari menu Analyze, pilih Descriptive Statistics, kemudian pilih

Explore.

19
• 3. Masukkan variabel Kualitas Pelayanan, Kualitas Produk dan
Loyalitas Pelanggan pada kotak Dependent List.
•

20
• 4. Pada menu Plots, centang opsi “Normality plots with tests” dan
kosongkan opsi yang lain dan tekan Continue.

21
• 5. Pada bagian Display (kiri bawah), pilihlah opsi Plots dan klik
OK.

22
• 6. Hasil output:

Tests of Normality
Kolmogorov- Shapiro-Wilk
Smirnova
Statistic df Sig. Statistic df Sig.
KualitasPelayanan 0.085 88 0.165 0.98 88 0.195
KualitasProduk 0.093 88 0.06 0.981 88 0.217
Loyalitas
Pelanggan 0.094 88 0.051 0.972 88 0.051
a. Lilliefors Significance Correction

23
No. Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10
1 3 4 4 5 4 4 4 4 4 4
2 3 3 2 2 2 3 4 3 2 3
3 1 2 3 3 2 3 4 3 2 3
4 1 2 2 2 2 3 2 1 2 2
5 1 2 2 2 1 2 3 4 5 4
6 5 4 4 5 4 5 4 3 2 1
7 1 2 1 2 1 2 3 4 4 4
8 5 4 3 4 5 4 3 4 5 4
9 5 4 4 3 4 5 4 3 4 4
10 3 4 4 4 5 4 4 5 4 3
11 3 3 3 3 4 4 3 2 2 1
12 3 4 4 5 4 3 3 3 2 3
13 2 1 2 1 2 2 3 3 4 4
14 3 3 4 4 3 3 2 1 2 2
15 3 2 2 1 2 3 4 3 2 3
16 3 4 5 4 4 3 2 1 2 3
17 1 2 1 2 2 1 2 2 3 2
18 1 2 2 2 3 3 3 2 1 2
19 2 1 2 1 2 1 2 2 1 2
20 1 2 1 2 3 2 1 2 3 4
21 4 5 4 5 4 3 2 2 2 1
22 5 4 5 4 4 5 4 3 3 4
23 5 4 5 4 4 3 3 4 5 4
24 2 3 2 3 4 3 4 5 4 4
25 3 4 5 4 5 4 4 5 4 3
26 2 2 2 3 3 3 4 3 2 2
27 2 2 1 2 1 2 3 2 3 3
28 4 4 3 2 1 2 1 2 1 2
29 2 1 2 2 1 2 2 2 1 2
30 4 5 4 5 4 4 5 4 3 3

24
 Analisa Univariate

• Karakteristik Individu
• Masing-masing variable (Indep dan Dep Variabel) : proporsi, penyebaran
dan pemusatan data

25
Analisa Bivariate

korelasi

26
 KORELASI

Korelasi adalah asosiasi (hubungan) antara variabel-variabel yang

diminati, apakah data sampel yang ada menyediakan bukti cukup
bahwa ada kaitan antara variabel-variabel dalam populasi asal sampel,
jika ada hubungan, seberapa kuat hubungan antar variabel tersebut.
Keeratan hubungan itu dinyatakan dengan nama koefisien korelasi
atau bisa disebut korelasi saja.
Perlu dicatat bahwa dalam korelasi kita belum menentukan dengan pasti
variabel independent dan dependent-nya seperti yang kita lakukan
dalam analisis regresi.

27
 Korelasi Bivariat

• Adalah mengukur keeratan hubungan diantara hasil-hasil pengamatan

dari populasi yang mempunyai dua varian (bivariate).
• Perhitungan ini mensyaratkan bahwa populasi asal sampel
mempunyai dua varian dan berdistribusi normal.
• Korelasi yang digunakan adalah korelasi pearson yang untuk mengukur
korelasi data interval dan rasio.

28
1. Masukkan data seperti contoh sebelumnya.

29
• 2. Untuk melakukan pengujian kolerasi, maka pilihlah menu Analyze
– Correlate – Bivariate.

30
3. Pindahkan variabel yang akan diuji ke bagian
Variables.

31
4. Klik bagian tombol Option sehingga muncul
layar dibawah ini.

32
Keterangan :

• Pada bagian Statistics merupakan pilihan yang digunakan untuk

menampilkan statistik deskritif ringkas dari data-data yang akan
dikolerasi.
• Pada bagian Missing values atau perlakuan kolerasi sehubungan
dengan adanya data yang tidak tersedia pada kasus, SPSS
menyediakan 2 alternatif perlakuan :
• Exclude cases pairwise, yaitu pasangan yang salah satu tidak ada
datanya tidak akan dimasukkan dalam perhitungan.
• Exclude cases listwise, yaitu data yang tidak dimasukkan dalam
perhitungan adalah data yang hilang atau missing data.

33
• 5. Untuk keseragaman maka yang digunakan adalah pairwise,
kemudian tekan Continue – Ok. Setelah di ok, maka akan muncul result
seperti gambar dibawah ini.

Descriptive Statistics
Mean Std. Deviation N

KualitasPelayanan 3.7864 0.55568 88

KualitasProduk 3.7682 0.52073 88

Loyalitas Pelanggan 3.5938 0.76217 88

34
 Correlations
Kualitas Kualitas Loyalitas
Pelayanan Produk Pelanggan

Pearson
Correlation 1 .850** .215*
Sig. (2-tailed) 0 0.045
KualitasPelayanan N 88 88 88
Pearson
Correlation .850** 1 .320**
Sig. (2-tailed) 0 0.002
KualitasProduk N 88 88 88
Pearson
Correlation .215* .320** 1
Loyalitas Sig. (2-tailed) 0.045 0.002
Pelanggan N 88 88 88
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

35
Korelasi Partial

• Tujuan dari pengujian korelasi parsial adalah untuk menggambarkan

derajat korelasi antara dua buah variabel independen setelah
pengaruh variabel lainnya dikontrol (secara statistik)
• Contoh soal : menggunakan data Kualitas Pelayanan, Kualitas Produk,
dan Loyalitas Pelanggan.
• Manajer ingin mengetahui apakah terdapat hubungan antara kualitas
produk dengan loyalitas pelanggan dan kualitas pelayanan sebagai
variabel pengontrol.
• Langkah – langkah pengujian dalam spss :

36
• 1. Masukkan data seperti contoh sebelumnya.

37
• 2. Untuk melakukan pengujian kolerasi, maka pilihlah menu Analyze –
Correlate – Bivariate.

38
• 3. Pindahkan variable Kualitas produk dan loyalitas pelanggan kebagian
Variables dan variable kualitas pelayanan ke bagian Controlling for.

39
• 4. Klik bagian tombol Option sehingga muncul layar dibawah ini

40
• Pada bagian Statistics merupakan pilihan yang digunakan untuk
menampilkan statistik deskritif ringkas dari data-data yang akan dikolerasi
• Pada bagian Missing values atau perlakuan kolerasi sehubungan dengan
adanya data yang tidak tersedia pada kasus, SPSS menyediakan 2
alternatif perlakuan :
• Exclude cases pairwise, yaitu pasangan yang salah satu tidak ada
datanya tidak akan dimasukkan dalam perhitungan.
• Exclude cases listwise, yaitu data yang tidak dimasukkan dalam
perhitungan adalah data yang hilang atau missing data.

41
• 5. Untuk keseragaman maka yang digunakan adalah pairwise, kemudian
tekan Continue – Ok. Setelah di ok, maka akan muncul result seperti
gambar dibawah ini.
Correlations
Control Variables Kualitas Loyalitas Kualitas
Produk Pelanggan Pelayanan
Correlation 1 0.32 0.85
Significance
(2-tailed) . 0.002 0
KualitasProduk df 0 86 86
Correlation 0.32 1 0.215
Significance
LoyalitasPelangg (2-tailed) 0.002 . 0.045
an df 86 0 86
Correlation 0.85 0.215 1
Significance
KualitasPelayana (2-tailed) 0 0.045 .
-none-a n df 86 86 0
Correlation 1 0.268
Significance
(2-tailed) . 0.012
KualitasProduk df 0 85
Correlation 0.268 1
Significance
LoyalitasPelangg (2-tailed) 0.012 .
KualitasPelayanan an df 85 0
a. Cells contain zero-order (Pearson) correlations.

42
ASUMSI KLASIK

• Persamaan regresi perlu meyakinkan linearitasnya dan memenuhi

tingkat validitas, ketepatan dalam estimasi, tidak bias dan konsisten
yang diharapkan untuk memenuhi peramalan.

• Hal ini membutuhkan uji asumsi klasik dengan menggunakan Uji

Normalitas, Uji Multikolinearitas, Uji Heterokedastisitas, dan Uji
Autokorelasi.

43
Uji Multikolinearitas

• Model regresi linear berganda mengasumsikan bahwa tidak terjadi

korelasi signifikan antarvariabel bebasnya.

• Uji multikolinearitas bertujuan untuk menguji apakah dalam model

regresi ditemukan adanya korelasi yang tinggi atau sempurna antar
variabel independen.

• Jika antar variabel independen terjadi multikolinearitas sempurna,maka

koefisien regresi variabel tersebut tidak dapat ditentukan dan nilai
standard error menjadi tak terhingga .

44
• 1. Masukkan data ke dalam IBM SPSS v.20 seperti gambar berikut.

45
• 2. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu
Regression, lalu pilih Linear. Maka akan muncul kotak dialog sebagai
berikut.
• Masukkan variabel yang dipengaruhi (dependen) dan variabel yang
mempengaruhi (independen) ke kotaknya masing-masing.

46
• 3. Pilih Statistics. Kemudian Checklist Estimates, Covariance
Matrix (meminta matrik korelasi antar variabel independen), Model Fit
(meminta koefisien determinasi R2), Part and Partial correlation
(meminta korelasi parsial dan zero order correlation) dan Colinearity
diagnostics (meminta nilai tolerance dan VIF).

47
• 4. Klik OK. Berikut hasil output SPSS.
Coefficientsa
Model Unstandardized Standardized t Sig. Correlations Collinearity
Coefficients Coefficients Statistics

B Std. Beta Zero- Partial Part Tolerance VIF

Error order
(Constant) 1.932 0.577 3.35 0.001
- - -
KualitasPelayanan 0.285 0.266 -0.208 1.072 0.287 0.215 -0.116 0.109 0.277 3.607

1 Kualitas Produk 0.728 0.284 0.497 2.565 0.012 0.32 0.268 0.262 0.277 3.607
a. Dependent Variable: LoyalitasPelanggan

48
Uji Heteroskedastisitas

• Untuk mengetahui keadaan dimana terjadinya ketidaksamaan varian

dari data pada model regresi, perlu dilakukan uji heteroskedastisitas.
• Uji Korelasi Spearman Rank
• Pengujian dilakukan dengan mencari korelasi antara nilai residual
dengan variable bebasnya.
• Jika ditemukan adanya korelasi antara variable bebas dengan nilai
residual, maka dapat disimpulkan terjadi heterokedastisitas.

49
• 1. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu
Regression, lalu pilih Linear. Maka akan muncul kotak dialog sebagai
berikut.
• Masukkan variabel yang dipengaruhi (dependen) dan variabel yang
mempengaruhi (independen) ke kotaknya masing-masing.

50
• 2. Pilih Save kemudian pada bagian Residuals pilih
Unstandardized (Untuk memunculkan nilai residual). Lalu klik
Continue >> OK. Hasil akan muncul di input SPSS.

51
• 3. Setelah muncul nilai residual, dilanjukan dengan analisis
korelasi. Pilih menu Analyze >> Correlate >> Bivariate.

52
• 4. Pindahkan variabel Kualitas Pelayanan, Kualitas Produk, dan
Unstandardized Residuals ke kotak variabel. Kemudian centang
Spearman pada Coefficient Correlation.

53
5. Klik OK.

Correlations
Kualitas Kualitas Unstandardized
Pelayanan Produk Residual

Correlation
Coefficient 1 .814** 0.048
Sig. (2-tailed) . 0 0.658
KualitasPelayanan N 88 88 88
Correlation
Coefficient .814** 1 0.071
Sig. (2-tailed) 0 . 0.51
KualitasProduk N 88 88 88
Correlation
Coefficient 0.048 0.071 1
Spearman's Unstandardized Sig. (2-tailed) 0.658 0.51 .
rho Residual N 88 88 88
**. Correlation is significant at the 0.01 level (2-tailed).

54
Uji Autokorelasi

• Uji Autokorelasi bertujuan untuk menguji apakah dalam suatu model

regresi linear ada korelasi antar kesalahan pengganggu (residual)
pada periode t dengan kesalahan periode t-1 (sebelumnya).
• Jika terjadi korelasi, maka dinamakan ada problem autokorelasi.
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu
berkaitan satu sama lainnya.
• Autokorelasi sering muncul pada data time series. Sedangkan pada data
cross section, masalah autokorelasi relative jarang terjadi. Dalam
penelitian ini akan digunakan metode pengujian Run Test.
• Run Test digunakan untuk menguji apakah antar residual terdapat
korelasi yang tinggi. Jika ya, maka terjadi masalah autokorelasi.

55
• Berikut langkah-langkah melakukan uji Run Test :
• 1. Menggunakan data yang sebelumnya.
• 2. Pilih menu analyze >> non parametrics test >> legacy dialogs
>> runs.

56
57
1. Klik Continue-OK. Maka akan muncul output SPSS seperti berikut.

Runs Test

Unstandardized
Residual
a
Test Value -.03251
Cases < Test Value 44
Cases >= Test Value 44
Total Cases 88
Number of Runs 27
Z -3.860
Asymp. Sig. (2-tailed) .000

a. Median

58
Note :

• Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi

pada analisis regresi linear berganda yang berbasis ordinary least
square (OLS).
• Jadi analisis regresi yang tidak berdasarkan OLS tidak memerlukan
persyaratan asumsi klasik, misalnya regresi logistik atau regresi
ordinal.
• Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis
regresi linear, misalnya uji multikolinearitas tidak dilakukan pada
analisis regresi linear sederhana dan uji autokorelasi tidak perlu
diterapkan pada data cross sectional.

59
Note :

• Uji asumsi klasik juga tidak perlu dilakukan untuk analisis

regresi linear yang bertujuan untuk menghitung nilai pada
variabel tertentu.
• Misalnya nilai return saham yang dihitung dengan market
model, atau market adjusted model. Perhitungan nilai return
yang diharapkan dapat dilakukan dengan persamaan regresi,
tetapi tidak perlu diuji asumsi klasik.

60
Simple linear regression

61
REGRESI

• Regresi Sederhana
• Dalam analisis Regresi sederhana akan dikembangkan sebuah
estimating equation (persamaan regresi), yaitu suatu formula
yang mencari nilai variabel dependen dari nilai variabel
independen yang diketahui, dimana kedua variabel tersebut
masing masing hanya satu.
• Analisis Regresi digunakan terutama untuk tujuan peramalan.

62
Definition : Linear regression

• A statistical methodology that utilizes the relation between

quantitative variables so one variable can be predicted.

X (continuous) Y (continuous)

Would the amount

of calories taken
predict the change
in body weight?

63
Independent variables or Dependent variable or
Outcome
Predictors
Blood pressure
Salt intake

BMI
Exercise frequency

Cholesterol level
Fat content
64
Step 1 : Explore data

2
Creating scatter plot

65
 Step 2: Fit least square line
300.00 red line indicates
deviations or residuals
250.00

200.00

6
y

150.00

100.00

50.00
R Sq Linear = 0.67

0.00

60.00 70.00
Observed
80.00
from your data
90.00
x
100.00 110.00 120.00 130.00

Predicted from regression model

66
Step 3: Evaluate regression coefficient (ß) using t
stat

67
1. Masukkan data ke dalam IBM SPSS v.20 seperti gambar berikut.

68
• 2. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu
Regression, lalu pilih Linear. Maka akan muncul kotak dialog sebagai
berikut. Masukkan variabel yang dipengaruhi (dependen) dan variabel
yang mempengaruhi (independen) ke kotaknya masing-masing.

69
1. Klik Continue dan selanjutnya pilih Plots. Atur seperti gambar dibawah ini.

70
1. Klik Save dan pilih opsi Unstandarized pada Predicted value.

71
• 6. Klik Option, pada Stepping Method Criteria, pilih : Entry .05(uji F
yang mengambil standar angka probabilitas sebesar 5%). Beri tanda
pada Include constant in equation (menyertakan konstanta tetap
dipilih). Pada Missing Value, pilih: Exclude cases listwise (data kasus
tidak ada yang hilang). Kemudian Continue.

72
 Result:
Coefficientsa

Uns tandardized Standardized

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) -246.994 26.933 -9.171 .000
waist waist
3.813 .292 .815 13.050 .000
circumference
a. Dependent Variable: fat abdominal fat thicknes s

b is positive : waist
and fat has direct P value < 0.05, so the slope is not
linear relationship zero (ß ≠ 0). Waist has significant
linear association with fat thickness

If the b is negative : waist and fat

has an inverse linear relationship
73
 300.00 250.00

250.00 Slope, b =3.81 200.00

200.00

y
150.00
y

150.00

100.00

100.00

50.00
50.00
R Sq Linear = 0.67

0.00
0.00

60.00 70.00 80.00 90.00 100.00 110.00 120.00

60.00
130.00
70.00 80.00 90.00 100.00
x x

1 inch increase in waist 10 inches increase in waist

circumference increases circumference increases
abdominal fat by 3.81 inches abdominal fat by 38.1 inches

74
Step 4 : Evaluate model closeness-of-fit
Model Summary

Adjus ted Std. Error of

Model R R Square R Square the Es timate
1 .815 a .664 .661 29.872
a. Predictors : (Constant), wais t circumference

• Check the coefficient of simple determination (r2)

• It measures the closeness of fit of the regression function to the
observed value of y
• The total variation in abdominal fat thickness (y) is 66.4% explained by
waist circumference (x)
• The larger the r2 ,the better

75
 Coefficientsa

Uns tandardized Standardized

Coeffi cients Coeffi cients
Model B Std. Error Beta t Sig.
1 (Cons tant) 77.013 7.186 10.716 .000
kali um 1.038 .047 .938 22.084 .000
a. Dependent Variabl e: total choles terol (m g/dl)

Coefficientsa

Uns tandardized Standardized

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) 236.405 19.202 12.312 .000
C reactive protein -.110 .354 -.038 -.310 .757
a. Dependent Variable: total choles terol (mg/dl)

• Example :
– SLR of kalium (potassium)
– SLR of C Reactive Protein (CRP)

76
Stepwise

3
1

77
 Variables Entered/Removeda

Variables Variables
Model Entered Removed Method
1 Stepwis e (Criteria:
potas sium . Probability-of-F-to-enter <= .050,
Probability-of-F-to-remove >= .100).
2 Stepwis e (Criteria:
triglyceride
. Probability-of-F-to-enter <= .050,
s (mg/dl)
Probability-of-F-to-remove >= .100).
3 Stepwis e (Criteria:
C reactive
. Probability-of-F-to-enter <= .050,
protein
Probability-of-F-to-remove >= .100).
a. Dependent Variable: total choles terol (mg/dl)

Coefficientsa

Uns tandardized Standardized

Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Cons tant) 77.013 7.186 10.716 .000 62.669 91.357
kalium 1.038 .047 .938 22.084 .000 .944 1.132
2 (Cons tant) 62.326 6.643 9.383 .000 49.064 75.588
kalium .996 .040 .900 24.721 .000 .916 1.077
triglycerides (mg/dl) .130 .024 .195 5.347 .000 .082 .179
3 (Cons tant) 18.163 7.338 2.475 .016 3.507 32.819
kalium 1.027 .029 .928 35.151 .000 .969 1.086
triglycerides (mg/dl) .173 .018 .258 9.428 .000 .136 .209
C reactive protein .628 .079 .217 7.924 .000 .470 .787
a. Dependent Variable: total cholesterol (mg/dl)

78
forward
Variables Entered/Removeda

Variables Variables
Model Entered Removed Method
1 potas sium . Forward (Criterion: Probability-of-F-to-enter <= .050)
2 triglyceride
. Forward (Criterion: Probability-of-F-to-enter <= .050)
s (mg/dl)
3 C reactive
. Forward (Criterion: Probability-of-F-to-enter <= .050)
protein
a. Dependent Variable: total cholesterol (mg/dl)

Coefficientsa

Uns tandardized Standardized

Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Cons tant) 77.013 7.186 10.716 .000 62.669 91.357
kalium 1.038 .047 .938 22.084 .000 .944 1.132
2 (Cons tant) 62.326 6.643 9.383 .000 49.064 75.588
kalium .996 .040 .900 24.721 .000 .916 1.077
triglycerides (mg/dl) .130 .024 .195 5.347 .000 .082 .179
3 (Cons tant) 18.163 7.338 2.475 .016 3.507 32.819
kalium 1.027 .029 .928 35.151 .000 .969 1.086
triglycerides (mg/dl) .173 .018 .258 9.428 .000 .136 .209
C reactive protein .628 .079 .217 7.924 .000 .470 .787
a. Dependent Variable: total cholesterol (mg/dl)

79
 age in years .233 .157 .038 1.491 .141 -.080 .546
abdominal fat thickness
.374 .279 .038 1.340 .185 -.184 .932
(mm)
backward kalium 1.060 .039 .958 26.990 .000 .981 1.138
triglycerides (mg/dl) .170 .019 Entered/Removed
Variables .254 b 8.772 .000 .131 .209
homocystein -.048 .042 -.041 -1.138 .260 -.131 .036
Model Variables Entered Variables Removed Method
1 C Creactive
reactiveprotein,
protein .664 .082 .229 8.093 .000 .500 .828
8 (Constant) triglycerides
homocystein, -2.711 12.913 . Enter -.210 .834 -28.516 23.095
(mg/dl), BMI (kg/m^2),
age in years
a .248 .156 .040 1.588 .117 -.064 .561
potassium
2 abdominal fat thickness . BMI (kg/m^2)
.409 .278 .041Backward (criterion: Probability
1.469 .147 of F-to-remove
-.147 >= .100).
.964
3 (mm) . homocystein Backward (criterion: Probability of F-to-remove >= .100).
kalium variables entered. 1.029
a. All requested .029 .930 35.879 .000 .972 1.086
triglycerides
b. Dependent (mg/dl)
Variable: total cholesterol.166
(mg/dl) .019 .248 8.698 .000 .128 .204
C reactive protein .641 .080 .221 8.045 .000 .482 .800
9 (Constant) 2.094 12.604 .166 .869 -23.086 27.274
age in years .246 .158 .040 1.559 .124 -.069 .561
kalium 1.027 .029 .928 35.530 .000 .969 1.085
triglycerides (mg/dl) .175 .018 .261 9.626 .000 .139 .211
C reactive protein .617 .079 .213 7.840 .000 .460 .775
10 (Constant) 18.163 7.338 2.475 .016 3.507 32.819
kalium 1.027 .029 .928 35.151 .000 .969 1.086
triglycerides (mg/dl) .173 .018 .258 9.428 .000 .136 .209
C reactive protein .628 .079 .217 7.924 .000 .470 .787
a. Dependent Variable: total cholesterol (mg/dl)
80
1. Klik OK untuk melihat output

ANOVAa
Model Sum of df Mean F Sig.
Squares Square

Regression 2.331 1 2.331 4.158 .045b

Residual 48.208 86 0.561
1 Total 50.539 87
a. Dependent Variable: LoyalitasPelanggan
b. Predictors: (Constant), Kualitas Pelayanan

Model Summaryb
Model R R Square Adjusted R Std. Error of the
Square Estimate

1 .215a 0.046 0.035 0.74871

a. Predictors: (Constant), KualitasPelayanan
b. Dependent Variable: LoyalitasPelanggan

Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Beta
Error

(Constant) 2.479 0.553 4.484 0

1 KualitasPelayanan 0.295 0.144 0.215 2.039 0.045
a. Dependent Variable: LoyalitasPelanggan

81
Regresi Berganda

Seperti yang diuraikan diatas, jika pada Regresi sederhana hanya ada satu
variabel dependen (Y) dan satu variabel independent (X), maka pada kasus
Regresi berganda, terdapat satu variabel dependen dan lebih dari satu
variabel independent.
Dalam praktek bisnis, regresi berganda justru lebih banyak digunakan,
selain karena banyaknya variabel dalam bisnis yang perlu dianalisis
bersama, juga pada banyak kasus regresi berganda lebih relevan
digunakan.

82
1. Masukkan data ke dalam IBM SPSS v.20 seperti gambar berikut.

83
2. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Regression, lalu pilih
Linear. Maka akan muncul kotak dialog sebagai berikut.

Masukkan variabel yang dipengaruhi (dependen) dan variabel yang mempengaruhi

(independen) ke kotaknya masing-masing.

84
3. Pilih Statistics. Kemudian Checklist Estimates, Model Fit, dan Descriptives.

85
4. Klik continue dan selanjutnya pilih Plots. Atur seperti gambar dibawah ini

86
5. Klik Save dan pilih opsi Unstandarized pada Predicted value.

87
6. Klik Option, pada Stepping Method Criteria, pilih : Entry .05(uji F yang mengambil
standar angka probabilitas sebesar 5%). Beri tanda pada Include constant in equation
(menyertakan konstanta tetap dipilih). Pada Missing Value, pilih: Exclude cases listwise
(data kasus tidak ada yang hilang). Kemudian Continue.

88
7. Klik Option, pada Stepping Method Criteria, pilih : Entry .05(uji F yang mengambil
standar angka probabilitas sebesar 5%). Beri tanda pada Include constant in equation
(menyertakan konstanta tetap dipilih). Pada Missing Value, pilih: Exclude cases listwise
(data kasus tidak ada yang hilang). Kemudian Continue.

89
 8. Klik OK untuk melihat output.

Descriptive Statistics
Mean Std. N
Deviation
Loyalitas
Pelanggan 3.5938 0.76217 88
Kualitas Pelayanan 3.7864 0.55568 88
Kualitas Produk 3.7682 0.52073 88

Correlations
Loyalitas Kualitas Kualitas
Pelanggan Pelayanan Produk
Loyalitas
Pelanggan 1 0.215 0.32
Pearson Kualitas Pelayanan 0.215 1 0.85
Correlation Kualitas Produk 0.32 0.85 1
Loyalitas
Pelanggan . 0.022 0.001
Kualitas Pelayanan 0.022 . 0
Sig. (1-tailed) Kualitas Produk 0.001 0 .
Loyalitas
Pelanggan 88 88 88
Kualitas Pelayanan 88 88 88
N Kualitas Produk 88 88 88

90
 Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate

1 .339a 0.115 0.094 0.72555

a. Predictors: (Constant), KualitasProduk, KualitasPelayanan
b. Dependent Variable: LoyalitasPelanggan

ANOVAa
Model Sum of df Mean F Sig.
Squares Square

Regression 5.793 2 2.896 5.502 .006b

Residual 44.746 85 0.526
1 Total 50.539 87
a. Dependent Variable: LoyalitasPelanggan
b. Predictors: (Constant), KualitasProduk, KualitasPelayanan

Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Beta
Error
(Constant) 1.932 0.577 3.35 0.001
KualitasPelayanan -0.285 0.266 -0.208 -1.072 0.287
1 KualitasProduk 0.728 0.284 0.497 2.565 0.012
a. Dependent Variable: LoyalitasPelanggan

91
CHISQUARE

Uji Chi-square atau qai-kuadrat digunakan untuk melihat ketergantungan

antara variabel bebas dan variabel tergantung berskala nominal atau
ordinal.
Prosedur uji chi-square menabulasi satu atau variabel ke dalam kategori-
kategori dan menghitung angka statistik chi-square.
Untuk satu variabel dikenal sebagai uji keselarasan atau goodness of fit
test yang berfungsi untuk membandingkan frekuensi yang diamati (fo)
dengan frekuensi yang diharapkan (fe).
Jika terdiri dari 2 variabel dikenal sebagai uji independensi yang
berfungsi untuk hubungan dua variabel. Seperti sifatnya, prosedur uji chi-
square dilkelompokan kedalam statistik uji non-parametrik.

92
• Semua variabel yang akan dianalisa harus bersifat numerik kategorikal
atau nominal dan dapat juga berskala ordinal.
• Prosedur ini didasarkan pada asumsi bahwa uji nonparametrik tidak
membutuhkan asumsi bentuk distribusi yang mendasarinya. Data
diasumsikan berasal dari sampel acak.
• Frekuensi yang diharapkan (fe) untuk masing-masing kategori harus
setidaknya : Tidak boleh lebih dari dua puluh (20%) dari kategori
mempunyai frekuensi yang diharapkan kurang dari 5 (Suseno, 2013)

93
Analysis of categorical data

• Independent and dependant variables are categorical.

• Test the association between the dependent and
independent variables.
• Data usually as frequencies in each sample.
Observed-expected frequency

•The quantity of X2 is a measure of which in a

given situation, pairs of observed and expected
frequencies agree.

•The test statistic is based on this discrepancy.

Observed and Expected frequencies

Observed frequencies:
• Frequency of the observations from the actual data collection.

Expected frequencies:
• Frequency expected to be observed if the null hypothesis is
true.
• If there is perfect agreement between the observed and
expected frequencies,
(O-E)=0
X2 equal to zero, and
accept Ho.
• If the agreement between the O and E is sufficiently
poor (resulting in a sufficiently large X2 value), we
will be able to reject Ho.
Chi-square test

• Steps
• Step 1: state the hypothesis.
• Step 2: set the significance level.
• Step 3: check assumptions.
• Step 4: test statistics.
• Step 5: interpretation.
• Step 6: presentation of the results &conclusion.
Step 1: state the hypothesis

• Null hypothesis
H0: there is no significant association between the smoking status and low
birth weight.

• Alternative hypothesis
HA: there is association between the smoking status and low birth weight.
Step 2: set the significance level

• How much the researcher can accept error in estimating the parameter of
the population.
• Usually use α = 0.05 (two tailed).
Step 3: check assumptions

 Method of checking assumptions:

1. 2 variables are categorical.
Study
2. 2 variable are independent. design

3. Expected frequency of < 5 is < 20%.

Calculate or
refer SPSS
output
Step 4: test statistics

• Manual or SPSS
SPSS

• Analyse ---> Descriptive statistics ---> Crosstab --->

Step 5: interpretation of the results

• Therefore there is a significant association between smoking status and

low birth weight infants (p=0.026).
Step 6: presentation of the results

Variable n SMK NSMK χ2 Statistics P-value

Freq (%) Freq (%) (df
LBW
Yes 29 30 (50.8%) 29 (49.2%) 4.924 (1) 0.026

No 86 44 (33.8%) 86 (66.2%)
Fisher’s Exact Test

• When the assumptions for Chi square test are not met,
• Fisher’s exact test can be applied for small sample size.
Terima kasih