fb.us.3575960_2
TAHAPAN ANALISA STATISTIK
• Uji validitas dan reliabilitas instrument (Indep Var & Dep Variabel)
• Analisa Univariate (St Deskriptive)
masing-masing variable
• 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 :
7
Tujuan Analisis Validitas dan Reliabilitas :
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
14
Uji Normalitas
16
Aturan Ketentuan
I. Hipotesa Uji
H0; data terdistribusi normal
H1; data terdistribusi tidak normal
17
Langkah-langkah
18
Langkah-langkah
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
27
Korelasi Bivariat
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 :
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
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
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
43
Uji Multikolinearitas
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
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
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
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 :
59
Note :
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
X (continuous) Y (continuous)
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
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
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
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
74
Step 4 : Evaluate model closeness-of-fit
Model Summary
75
Coefficientsa
Coefficientsa
• 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
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
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
Model Summaryb
Model R R Square Adjusted R Std. Error of the
Square Estimate
Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Beta
Error
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.
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
ANOVAa
Model Sum of df Mean F Sig.
Squares Square
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
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
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
Calculate or
refer SPSS
output
Step 4: test statistics
• Manual or SPSS
SPSS
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