SPSS

Oleh:
DIAN RISKARINI SE, MM
081646088900
dianriskarini@univpancasila.ac.id

1
FILE SPSS TERBAGI MENJADI :

1. FILE DATA EDITOR/ WORKSHEET DATA :

A. DATA VIEW : UNTUK MENGISI
DATA .
B. VARIABEL VIEW : UNTUK
MENDEFINISIKAN VARIABEL SEPERTI
PEMBERIAN NAMA, LABEL, DSB.
2. FILE OUTPUT HASIL ANALISIS DATA

2
 DATA VIEW

• Baris di dalam data view adalah nomor subjek

• Kolom adalah banyaknya variabel

3
 VARIABLE VIEW
• Baris di dalam variable view adalah variabel-variabel dari
data,
• Kolom adalah definisi dari tiap variabel

4
 MENGELOLA FILE

INPUT DATA
• Dapat dilakukan dengan:
- input langsung ke data editor
- Untuk mengubah data yang sudah di-
input dalam format lain menjadi format
SPSS, dapat menggunakan copy-paste
atau meng-import-nya dari SPSS

5
NAME
•Adalah nama atau singkatan dari variabel
•Karakter pertama harus huruf dan tidak
menggunakan spasi

7
 TYPE

• Umumnya yang digunakan adalah tipe NUMERIC

(data berupa angka) dan STRING (data berupa huruf)
• Untuk mengubah tipe variabel klik di pojok kanan
kotak type  variable type
8
 WIDTH
• Adalah banyaknya karakter dari data yang akan
dientri
• Berkaitan dengan COLUMNS

9
 DECIMALS
• Adalah banyaknya angka desimal yang
digunakan
• Default angka desimal di SPSS adalah 2

10
 LABEL
• Adalah versi lengkap dari NAME, bisa banyak
karakter
• Bisa huruf besar dan menggunakan spasi

11
 VALUES
• Digunakan untuk meng-coding data
NOMINAL
• Untuk membuat coding suatu variabel  klik
di pojok kanan kotak values  VALUE
LABEL
• Value untuk coding
12
• Value Label untuk definisi value
 MISSING
• Digunakan bila dalam data yang akan diolah terdapat
datum yang tidak terisi atau tidak lengkap
• Sebaiknya data yang akan diolah lengkap

13
 COLUMN
• Adalah lebar tempat nama karakter dari NAME
• Besarnya minimal sama dengan besarnya nilai di WIDTH

14
 ALIGN
• Sama seperti Align di Microsoft Word
• Lebih baik terlihat apabila dibuat menjadi center,
terutama untuk data berupa angka
• Untuk mengubah menjadi Left/Centre/Right  Klik di
pojok kanan kotak Align

15
 MEASURE
• Adalah skala pengukuran dari variabel yang
bersangkutan
• Untuk mengubah skala pengukuran  klik di
pojok kanan kotak scale
• Skala pengukuran Interval dan Ratio dalam
SPSS adalah SCALE
16
TRANSFORMASI DATA
• Membentuk variabel baru dengan memodifikasi variabel yang sudah ada
• Contoh:
jika dibuat variabel baru berdasarkan data penghasilan dengan ketentuan:
penghasilan ≤ 2000000= rendah
penghasilan 2000000-2500000 = sedang
penghasilan ≥ 2500000 = tinggi
• Langkah:
transform → recode (into different variabel)→ pilih variabel penghasilan
→klik name, isi nama baru (misal kat.hasil) →klik change → klik old and
new → klik lowest through kemudian isikan 2000000 → isi value dengan
rendah → klik add → dst untuk kategori lain →continue → ok

17
STATISTIK DESKRIPTIF
FREQUENCIES
• Untuk menyusun data ke dalam tabel frekuensi
• Langkah:
- Analyze , Descriptive Statistics,Frequencies
- Masukkan variabel yang dipilih ke kotak melalui tanda
panah (misal penghasilan)
- Untuk pilihan frekuensi statistik klik Statistics,
kemudian klik Quartil, Mean, Median, Mode, Sum. Std
deviasi, Variance, Range, Minimum, Maximum, SE mean,
Skewness, Kurtosis
- Untuk pilihan chart, klik Chart, pilih chart yang
diinginkan misal Histogram with norma lcurve
- Continue, OK
19
 DESCRIPTIVES
• Langkah:
- Analyze, Descriptive Statistics, Descriptives
- Masukkan variabel (misal PENGHASIILAN S/D PEKERJAAN)
ke kotak variabel melalui tanda panah
- klik option, std.dev, dll
- continue & ok
Outputnya adalah sebagai berikut:

Dian Riskarini SE, MM, FEB-UP, 2015 23

CHI-SQUARE

• Untuk pengujian terhadap 2 variabel atau lebih

(terutama variabel dalam bentuk kategori)
• Langkah:
-Analyze, Descriptive statistics, crosstab
-Masukkan variabel (misal status ke kotak rows
dan kategori penghasilan ke kotak column)
-Klik Statistic, pilih Chi square, klik continue,
OK

Dian Riskarini SE, MM, FEB-UP, 2015

24
 TABEL CHI-SQUARE

Pengujian:
• Ho= Tdk ada hub. antara status dan penghasilan.
Ha= Ada hub. antara status dan penghasilan
• Dasar pengambilan keputusan :
Jika signifikansi ≥ 5% maka Ho diterima
Jika signifikansi < 5% maka Ho ditolak
• Karena sign.= 0,353 (>5%), maka Ho diterima.
• Kesimpulan tidak ada hubungan antara status dan kategori penghasilan.

Dian Riskarini SE, MM, FEB-UP, 2015 25

COMPARE MEAN
Untuk membandingkan rata-rata dari dua populasi atau
lebih.
1.Independent-Sample t test
2.Paired sample t test
3.One way Anova

Dian Riskarini SE, MM, FEB-UP, 2015 26

COMPARE MEANS
1. Independent Sample t Test
• Langkah-langkah:
- Masukkan data tersebut (Terdiri dari 2 variabel dan 17 kasus)
- Pilih menu Analyze; Compare-Means; Independent Sample T-test
sehingga muncul kotak dialog.
- Isi kotak Test Variable(s) dengan variabel IPK
- Isi kotak Grouping Variable dengan variabel KELAS
- Tekan tombol Define Group sehingga muncul kotak dialog.
♦ Isi Kotak Group1 dengan 1
♦ Isi Kotak Group2 dengan 2,
- Continue, OK

Dian Riskarini SE, MM, FEB-UP, 2015 28

Pengujian homogenitas varians (Levene’s test for
equality of variances). Jika nilai signifikansi
pengujian F ini lebih kecil < 0,05 maka varians
kedua kelompok tidak homogen sehingga uji yang
digunakan adalah separate t test (t bagian bawah ,
sedangkan jika nilai signifikansi pengujian F ini ≥
0,05 maka varians kedua kelompok homogen
sehingga uji yang digunakan adalah pooled t test (t
bagian atas pada print out di atas).
Hasil pengujian homogenitas varians:
F sebesar 0,305 dengan sig. 0,588. Oleh karena
nilai sig > 0,05 maka varians kedua kelompok
tersebut homogen. Maka uji t yang digunakan
adalah t yang bagian atas.

Dian Riskarini SE, MM, FEB-UP, 2015

Hasil uji t:
t = 2,172 dengan sig = 0,046. Oleh karena nilai sig
< 0,05 maka dapat disimpulkan bahwa ada
perbedaan rata-rata IPK antara mahasiswa kelas A
dan B.
Oleh karena nilai rata-rata IPK kelas A lebih tinggi
dibandingkan nlai rata-rata kelas B (lihat bagian
print out descriptive) maka dapat disimpulkan
bahwa IPK mahasiswa kelas A lebih baik daripada
IPK mahasiswa kelas B.

Dian Riskarini SE, MM, FEB-UP, 2015

PAIRED SAMPLE T TEST
• Digunakan untuk menguji perbedaan rata-rata dua
kelompok yang saling berpasangan
• Contoh Masalah:
- Apakah ada perbedaan nilai pre test dengan post
test?
- Apakah ada peningkatan produktivitas kerja antara
sebelum dan sesudah adanya program pelatihan
karyawan?

Dian Riskarini SE, MM, FEB-UP, 2015

Contoh:
• Berikut ini disajikan data nilai pre test dan post test mata
kuliah Aplikasi Komputer:
Nilai Pre test :
65 55 56 63 46 63 50 48 53 45
Nilai Post test :
78 66 60 67 60 75 80 55 78 68
Ujilah apakah ada perbedaan antara nilai pre test dan
nilai post test? Jika ada perbedaan, manakah di antara
keduanya yang nilainya lebih baik? (Gunakan taraf
signifikansi 5%)
Dian Riskarini SE, MM, FEB-UP, 2015
• Untuk menganalisis data tersebut lakukan
langkah-langkah sbb:
- Pilih menu Analyze ; Compare-Means; Paired-
Samples T-test sehingga muncul kotak dialog.
- Isi kotak Paired Variable(s) dengan cara meng-
klik variabel pre test dan post test kemudian tekan
tanda panah sehingga kedua variabel pindah ke
kotak Paired Variable(s).
- Klik continue, OK

Dian Riskarini SE, MM, FEB-UP, 2015

34
• Tabel kedua menampilkan hasil analisis korelasi
antara kedua pasangan data. Koefisien
korelasinya adalah sebesar 0,393 dengan sig
0,261. Hal ini menunjukkan bahwa kedua
pasangan data tersebut tidak berkorelasi.
• Tabel berikutnya menampilkan hasil uji beda
rata-rata antara nilai pre test dan post test. Nilai t
sebesar -5,055 dengan sig 0,001. Hal ini
menunjukkan bahwa ada perbedaan antara nilai
pre test dengan nilai post test dan oleh karena
nilai t yang ditemukan negatif maka hal ini
menunjukkan bahwa nilai post test lebih baik
daripada nilai pre test.
ONE WAY ANOVA
ANALISIS VARIANSI ATAU ANOVA ADALAH METODE
STATISTIK YANG DIGUNAKAN UNTUK MENGUJI HIPOTESIS
ATAU DUGAAN BAHWA RATA-RATA BEBERAPA POPULASI
ADALAH SAMA (POPULASI LEBIH DARI DUA).
• Contoh:
Ceramah Diskusi Tugas
• Seorang dosen akan melakukan penelitian
45 57 70 terhadap metode mengajar yang ia terapkan
55 65 72 dalam mengajarkan mata kuliah X. Dosen
65 64 75 tersebut menggunakan 3 metode mengajar di 3
66 70 80 kelas yang berbeda, yaitu metode ceramah,
diskusi dan tugas. Ujilah dengan α = 5%,
51 64 85 ujilah apakah ada perbedaan rata-rata nilai
70 68 91 mahasiswa dari 3 macam metode mengajar
55 70 99 tersebut. Nilai mahasiswa dari ketiga macam
65 75 89 metode tersebut dikatahui sebagai berikut:
67 61 86
62 68 90

37
• Untuk mengananisis data tersebut lakukan langkah-langkah sbb:
- Masukkan data. (ada 2 variabel dengan 30 kasus)
- Pilih menu Analyze ; Compare-Means; One-way Anova,
- Isi kotak Dependent List dengan variabel “nilai”
- Isi kotak Factor dengan variabel “metode”
- Tekan tombol Option sehingga akan muncul kotak dialog.
♦ Pilih Statistics yang diperlukan dengan menandai cek box pada Descriptive dan
Homogeneity-of-Variance.
Tekan tombol Post-Hoc sehingga akan muncul kotak dialog.
♦ Pilih Equal Variance Assumed atau Equal Variance Not Assumed yang
diperlukan dengan menandai cek box, pilih LSD dan Tukey.
♦ Isikan Significant Level, isi dengan nilai 0.05
Tekan tombol Continue OK jika pengisian dianggap selesai

Dian Riskarini SE, MM, FEB-UP, 2015 38

 Outputnya adalah sebagai berikut:
Descriptives

nilai
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
ceramah 10 60,10 8,130 2,571 54,28 65,92 45 70
diskusi 10 66,20 5,116 1,618 62,54 69,86 57 75
tugas 10 83,70 9,286 2,937 77,06 90,34 70 99
Total 30 70,00 12,605 2,301 65,29 74,71 45 99

Test of Hom ogeneity of Variances

nilai
Levene
Statistic df1 df2 Sig.
2,401 2 27 ,110

Pada table ini diperlihatkan hasil test homogenitas dari varians dengan
menggunakan uji Lavene Statistic. Test ini berguna untuk mengecek
apakah varians dari ketiga sampel adalah sama. Sebab, salah satu
asumsi dasar dari anova adalah bahwa variannya haruslah sama.

39
• Prosedur pengujian kesamaan varians:
- Hipotesis
Ho: ketiga varians adalah sama
Ha: ketiga varians tidak sama
- Penentuan kesimpulan berdasarkan probabilitas
Jika probabilitas (signifikansi) > 0,05 maka Ho diterima
Jika probabilitas (signifikansi) < 0,05 maka Ho ditolak
- Pengambilan kesimpulan:
Dari hasil perhitungan di atas didapat nilai Lavene statistic
adalah 2,401 dengan signifikansi 0,110. Jadi signifikansi >
0,05. Dengan demikian Ho diterima. Dapat disimpulkan bahwa
ketiga varians tersebut adalah sama.
40
 ANOVA

nilai
Sum of
Squares df Mean Square F Sig.
Between Groups 3001,400 2 1500,700 25,220 ,000
Within Groups 1606,600 27 59,504
Total 4608,000 29

Tabel ini menampilkan hasil Anova. Proses pengujian anova bisa dilanjutkan jika ketiga varians
adalah sama. Pengujian Anova:
• Hipotesis
Ho: tidak ada perbedaan rata-rata nilai dari ketiga metode mengajar
Ha: ada perbedaan rata-rata nilai dari ketiga metode mengajar
• Penentuan kesimpulan berdasarkan probabilitas
Jika probabilitas (signifikansi) > 0,05 maka Ho diterima
Jika probabilitas (signifikansi) < 0,05 maka Ho ditolak
• Pengambilan kesimpulan:
Nilai F = 25,22 dengan tingkat signifikansi 0,000. Jadi signifikansi < 0,05. Dengan demikian Ho
ditolak. Dapat disimpulkan bahwa rata-rata nilai mahasiswa dengan menggunakan ketiga metode
adalah berbeda.

41
 Multiple Comparisons

Dependent Variable: nilai

Mean
Difference 95% Confidence Interval
(I) metode (J) metode (I-J) Std. Error Sig. Lower Bound Upper Bound
Tukey HSD ceramah diskusi -6,100 3,450 ,199 -14,65 2,45
tugas -23,600* 3,450 ,000 -32,15 -15,05
diskusi ceramah 6,100 3,450 ,199 -2,45 14,65
tugas -17,500* 3,450 ,000 -26,05 -8,95
tugas ceramah 23,600* 3,450 ,000 15,05 32,15
diskusi 17,500* 3,450 ,000 8,95 26,05
LSD ceramah diskusi -6,100 3,450 ,088 -13,18 ,98
tugas -23,600* 3,450 ,000 -30,68 -16,52
diskusi ceramah 6,100 3,450 ,088 -,98 13,18
tugas -17,500* 3,450 ,000 -24,58 -10,42
tugas ceramah 23,600* 3,450 ,000 16,52 30,68
diskusi 17,500* 3,450 ,000 10,42 24,58
*. The mean difference is significant at the .05 level.

Sedangkan table di atas menampilkan hasil Post Hoc Test dari

Tukey dan LSD. Dari hasil uji Anova sebelumnya diketahui
bahwa rata-rata nilai mahasiswa dengan menggunakan ketiga
metode tersebut adalah berbeda. Salah satu fungsi dari uji Tukey
adalah untuk mengetahui lebih lanjut perbedaan itu terjadi antar
kelompok variable yang mana.
42
• Untuk menguji apakah terdapat perbedaan rata-rata nilai dengan
metode ceramah dan diskusi:
- Ketentuan pengujian :
Jika probabilitas (tingkat signifikansi) > 0,05 maka Ho diterima
Jika probabilitas (tingkat signifikansi) < 0,05 maka Ho ditolak
- Kesimpulan: dari baris Tukey diperoleh tingkat signifikansi sebesar
0,199 (> 0,05). Dapat disimpulkan bahwa rata-rata nilai dengan
menggunakan metode ceramah dan diskusi adalah tidak berbeda.
• Untuk menguji apakah terdapat perbedaan rata-rata nilai dengan
metode ceramah dan tugas:
- Ketentuan pengujian :
Jika probabilitas (tingkat signifikansi) > 0,05 maka Ho diterima
Jika probabilitas (tingkat signifikansi) < 0,05 maka Ho ditolak
- Kesimpulan: dari baris Tukey diperoleh tingkat signifikansi sebesar
0,000. Jadi probabilitas < 0,05. Dapat disimpulkan bahwa rata-rata
nilai dengan menggunakan metode ceramah dan tugas adalah berbeda.

43
Regresi Sederhana :

• Terdiri dari variabel dependent (Y) dan independent (X)

• Regresi merupakan analisis sebab akibat
• Pendugaan koefisien menggunakan OLS (ordinary Least
Square)
• Hal penting yang harus dipelajari :
1. Teori yang diperlukan
2. Model matematis yang dipilih
3. Hasil pengujian statistik :
• Uji t : uji parsial koefisien
• Uji F : uji keseluruhan model
• Kekuatan model ditunjukkan dengan R-square

Dian Riskarini SE, MM, FEB-UP, 2015 44

Contoh :

Dian Riskarini SE, MM, FEB-UP, 2015 45

Dian Riskarini SE, MM, FEB-UP, 2015 46
Sehingga dapat disajikan hasil sebagai berikut :
Konsumsi = 24.455 + 0.509* Income
R2 = 0.962
S.E (6.414) (0.036)
t-hitung = 3.813 14.243
Df = 8

Model yang ditemukan di atas memiliki nilai R2 = 0.962 ini

berarti perubahan nilai independen viabel atau variabel bebas
(income) dapat menjelaskan 0.962 atau 96.2 % dari perubahan
dependen variabel atau variabel terikat (konsumsi), sedangkan
sisanya (1-0.962 = 0.038 atau 3.8 %) dijelaskan variabel lain
yang tidak dispesifikasi (tidak dimasukkan) dalam model.

Dalam pengertian ekonomi dapat dikatakan bahwa jika

terdapat kenaikan income sebesar $ 1 per bulan maka akan
mempengaruhi kenaikan pula pada konsumsi sebesar $ 0.509.
Demikian juga bila terjadi penurunan income sebesar $ 1 per
bulan maka akan berdampak pada penurunan konsumsi
sebesar $ 0.509
Dian Riskarini SE, MM, FEB-UP, 2015 47
• Dari konsep dasarnya sebenarnya uji-F mendasarkan pada dua
hipotesis yaitu :
H0 : Semua koefisien variabel bebas adalah 0 (nol)
H1 : Seamua koefisien variabel bebas tidak sama dengan nol.
• Dari hasil analisis di atas Sig = 0.000, dengan  = 5% maka dapat
disimpulkan bahwa kita tolak H0 dan kita terima H1 (Kondisi ini
merupakan dalil statistik). Artinya memang pendapatan
mempengaruhi alokasi konsumsi.
• Jika seandainya ternyata hasil analisis dalam uji-F, nilai dari Sig =
0.052 maka dengan  = 5%, dapat disimpulkan bahwa kita tolak H1
dan kita terima H0. Artinya, variabel bebas (Pendapatan) tidak
berpengaruh pada konsumsi.

48
 Interpretasi
Sehingga dapat disajikan hasil sebagai berikut :
Konsumsi = 24.455 + 0.509* Income
R2 = 0.962
S.E (6.414) (0.036)
t-hitung = 3.813 14.243
Df = 8

Model yang ditemukan di atas memiliki nilai R 2 = 0.962 ini berarti perubahan nilai
independen viabel atau variabel bebas (income) dapat menjelaskan 0.962 atau 96.2 %
dari perubahan dependen variabel atau variabel terikat (konsumsi), sedangkan
sisanya (1-0.962 = 0.038 atau 3.8 %) dijelaskan variabel lain yang tidak dispesifikasi
(tidak dimasukkan) dalam model.

Dalam pengertian ekonomi dapat dikatakan bahwa jika terdapat kenaikan income
sebesar $ 1 per bulan maka akan mempengaruhi kenaikan pula pada konsumsi
sebesar $ 0.509. Demikian juga bila terjadi penurunan income sebesar $ 1 per bulan
maka akan berdampak pada penurunan konsumsi sebesar $ 0.509.

Dian Riskarini SE, MM, FEB-UP, 2015 49

REGRESI LINEAR
BERGANDA

Dian Riskarini SE, MM, FEB-UP, 2015 50

• Digunakan untuk menguji pengaruh lebih dari satu
variabel bebas terhadap satu variabel terikat.
Regresi juga dapat digunakan untuk melakukan prediksi
atau estimasi variabel terikat berdasarkan variabel
bebasnya.
Data yang dianalisis data yang berskala interval/rasio
Contoh masalah:
- Apakah ada pengaruh uang saku dan motivasi belajar
terhadap prestasi belajar mahasiswa?
- Bagaimana pengaruh lingkungan kerja dan pengalaman
kerja terhadap produktivitas kerja karyawan?
CONTOH:

• Berikut ini disajikan data

tentang jumlah uang
saku, motivasi belajar
mahasiswa dan prestasi
belajarnya:
v Spss : Analisis KORELASI
Correlation Coefficients :

• For quantitative, normally distributed variables, choose the

Pearson correlation coefficient.
• If your data are not normally distributed or have ordered
categories, choose Kendall’s tau-b or Spearman, which measure
the association between rank orders.
• Correlation coefficients range in value from 1 (a perfect negative
relationship) and +1 (a perfect positive relationship).
• A value of 0 indicates no linear relationship.
• When interpreting your results, be careful not to draw any cause-
and-effect conclusions due to a significant correlation.

Dian Riskarini SE, MM, FEB-UP, 2015 53

• Bagaimana persamaan garis regresinya? Tafsirkan
maknanya!
• Ujilah apakah ada pengaruh masing-masing
variabel bebas secara parsial!
• Ujilah apakah ada pengaruh variabel bebas secara
bersama-sama!
• Hitunglah berapa besarnya kontribusi bersama
seluruh variabel bebas terhadap variabel terikatnya
(Koefisien determinasi)?
UJI ASUMSI KLASIK

• Asumsi klasik adalah asumsi yang mendasari analisis

regresi linier berganda
• Regresi linier berganda merupakan regresi yang baik jika
memenuhi beberapa asumsi: normalitas, linieritas,
homoskedastisitas, tidak terjadi multikolinieritas, tidak
terjadi autokorelasi

Dian Riskarini SE, MM, FEB-UP, 2015

V REGRESI-KORELASI
• Analisis regresi adalah studi mengenai ketergantungan variabel dependen
dengan satu atau lebih variabel independen dengan tujuan untuk
memprediksi nilai variabel dependen berdasarkan variabel independen
yang diketahui.
• Apabila model regresinya melibatkan satu variabel independen maka
dinamakan regresi sederhana. Namun Apabila model regresinya
melibatkan lebih dari satu variabel independen maka dinamakan regresi
berganda
• Jenis data yang cocok untuk uji regresi linier adalah data rasio (minimal
data interval).

Dian Riskarini SE, MM, FEB-UP, 2015 59

NORMALITAS

• Penyebaran data pada variabel dependent yang

mengikuti distribusi normal merupakan salah satu syarat
membentuk hubungan linier antara variabel dependent
dan independent
• Langkah:
Analyze, regression, linier, masukkan variabel dependent
dan independent, pada tombol aktifkan histogram dan
normal prob. plot, continue, ok

Dian Riskarini SE, MM, FEB-UP, 2015