MODUL SPSS

Bab 1 Pendahuluan

SPSS (Statistical Package for the Social Science) pada awalnya merupakan program komputer statistik untuk ilmu-ilmu sosial- dibuat pertama kali oleh tiga mahasiswa Stanford University yaitu Norman H. Nie; C Hadlai Hull dan Dale H Bent pada tahun 1968- yang dijalankan dengan komputer mainframe. Pada tahun 1984 versi PC SPSS muncul dengan nama SPSS/PC+ dan pada tahun 1992 mengeluarkan SPSS versi Windows. Seiring dengan perkembangan pelayanan jenis user –untuk proses produksi, riset ilmu sains dan lainnya- SPSS telah berkembang tidak hanya Statistical Package for the Social Science tetapi telah menjadi Statistical Product and Service Solution.

SPSS statistik berisi :

• Descriptive Statistics: Crosstabulations, Frequencies, Descriptives, Explore, Descriptive Ration statistics

• Bivariate Statistics: Means, t-test, ANOVA, Correlation - bivariate, partial, dan distance- non-parametric test

• Prediction for numerical outcomes: linear regression

• Prediction for indentifying group: factor analysis, two-step cluster analysis; K-mean cluster analysis, hierarchical cluster analysis, discriminat

Semua proses perhitungan denga menggunakan SPSS mengikuti alur ditunjukkan Bagan 1. Data yang akan digunakan untuk perhitungan dimasukkan (inputing) melalui menu DATA EDITOR yang secara otomotis muncul di layar monitor sesaat program SPSS dijalankan. Setelah data dimasukkan, proses pengolahan data juga melalui DATA EDITOR dan hasilnya ditampilkan dalam layar VIEWER. Hasil perhitungan tersebut dapat berupa teks, tabel maupun grafik.

Mempersiapkan Data

Statistik merupakan ilmu yang berkaitan dengan kegiatan pengoleksian, pengorganisasian, presentasi, analisis, dan interpretasi data numerik (kuantitatif) untuk membantu pembuatan keputusan lebih efektif (Douglas 2005). Pada hakekatnya, statistik dibagi menjadi dua yaitu: statistik deskriptif dan statistik inferensi. Statistik deskriptif adalah statistik yang berkiatan dengan metode mengorganisasikan, perangkuman dan presentasi data ke dalam suatu bentuk yang informatif. Sedangkan inferensi terkait dengan kegitan pembuatan keputusan, estimasi, prediksi atau generalisasi tentang populasi berdasarkan perhitungan sampel. Data harus dipersiapkan terlebih dahulu mengenai format, jenis dan aturan-aturan tertentu. Variabel adalah sesuatu yang nilainya dapat bervariasi. Variabel dibedakan menjadi dua yaitu variabel kuantitatif dan variabel kualitatif. Contoh variabel kuantitatif adalah suku bunga, pendapatan, penjualan dan lain-lain. Contoh variabel kualitatif adalah agama, warna kulit, asal kelahiran. Kadang-kadang kita sering bisa mengkuantifikasikan variabel kualitatif. Statistik terkait dengan variabel kuantitatif. Variabel kuantitatif dibagi menjadi dua macam yaitu diskrit (menunjuk angka tertentu) dan kontinyu (menunjuk rentang yang jumlah angkanya tak terhingga). Terdapat 4 tingkatan data, yaitu

• Nominal: data diklasifikasikan ke dalam kategori dan tidak dapat disusu dalam urutan tertentu. Sebagai contoh: varibel jenis kelamin: pria=1; wanita=2. Pemberian nilai tersebut terserah individu.

• Ordinal: data disusun ke dalam urutan tetapi perbedaan nilai data tidak dapat ditentukan atau tidak memiliki arti. Contoh pembuatan ranking untuk minuman soft drink yang disukai.

• Interval: data disusun dalam interval tertentu dan tidak terdapat nilai nol

• Rasio

Beberapa hal yang perlu diperhatikan sebelum memasukkan data meliputi

Struktur Data: Baris atau kolom

Format data: Bebas atau Tertentu

Missing Value: Data yang hilang atau tidak lengkap

Memulai SPSS

Untuk memulai SPSS dapat dilakukan melalui program files yang ada di windows (SPSS harus sudah terinstall terlebih dahulu)

Pada windows klik Start All programs  SPSS for Windows  SPSS

Anda akan mendapatkan tampilan sebagai berikut:

Keterangan

Run the tutorial: Digunakan untuk menampilkan fasilitas help dalam bentuk tutorial demo tentang bagaimana menjalankan SPSS.

Type in data: digunakan untuk memasukkan data baru yang akan diolah kedalam SPSS.

Run an existing query: Digunakan untuk membuka file database query kedalam SPSS.

Open an existing data source: Digunakan untuk membuka file data spss yang sudah ada.

Spss menyediakan beberapa fasilitas yaitu

Data Editor. Window ini terbuka secara otomatis ketika program SPSS dijalankan dan berfungsi untuk input data ke SPSS. Membersihkan data editor: klik File, New, Data, Membuka File (ekstensi .sav): klik File, Open, Data

Viewer. Window ini merupakan media tampilan proses yang dilakukan SPSS. Dapat disimpan melalui perintah Save SPSS Output (ekstensi .lst). Untuk membuka file output: klik File, Open, SPSS output

Syntax Editor. untuk menuliskan susunan perintah/program--teks editor Dapat disimpan lewat perintah Save SPSS Syntax pada menu file. Untuk membuka file syntax (ekstensi .sps): klik File, Open, Syntax

Script Editor: digunakan untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka dan menutup file, mengekspor grafik menyesuaikan bentuk output.

Menangani File Data

Untuk memasukkan data baru kedalam SPSS klik Type in data

Atau anda dapat melalu file menu dengan mengklik file  new  data

anda akan mendapatkan tampilan sebagai berikut:

untuk mengisi judul, klik pada variable view, untuk mengentri data klik pada data view

Latihan:

Entrikan Data ini kedalam SPSS

No	Nama	Sex	Jurusan	SPSS	Word	Excel	Access
1	RAHMAT ALI MASYHAR W	pria	Man	70	58	80	69
2	AHMAD FAISAL	pria	Akt	90	71	95	85
3	HERLY WINARTI	wanita	EP	85	87	80	84
4	NURSITA TRIYANTI P.	wanita	Man	85	85	80	83
5	ANGGA PRADITYA	wanita	Akt	85	30	80	65
6	ANISA ROMADANIATI	wanita	Man	65	50	95	70
7	ANITA WIDYASARI	wanita	Akt	80	85	80	82
8	ARIF SETIAWAN WARTOYO	pria	Man	85	62	80	76
9	ARIS RISMOKO	pria	Akt	75	59	75	70
10	ARIS SUSILO	pria	Man	80	87	95	87
11	ARKKA HARYOPUTRO	pria	Man	80	60	75	72
12	ARNI FERIYANAA	wanita	Man	90	75	90	85
13	BERTHA TENNISIA	wanita	Man	80	65	65	60
14	CHRISTIAN ELEAZAR S.	wanita	Man	75	80	65	73
15	FAJAR DWI ISWANTO	pria	Akt	80	52	85	72
16	FARIDA UMI ISTIANAH	wanita	Akt	85	70	75	77
17	MANGASI E.P.S.	pria	Akt	85	60	80	75
18	METHANIA YOGI D.	pria	EP	65	25	80	57
19	MUFTI ZAENUROHMAN	pria	EP	65	40	80	62
20	MUHAMAD IRFANI	pria	EP	80	45	80	68

Petunjuk: Klik variabel View

Entrikan judul sebagai berikut:

No

Nama

Sex

Jurusan

SPSS

Word

Excel

Access

Isikan nama variabel dan format (type, label, missing value dan format kolom). Type untuk menentukan type variabel, jumlah angka dibelakang koma, lebar variabel. Labels untuk menentukan label variabel dan harga dari label tersebut. Missing Value untuk mementukan harga-harga dari suatu variabel yang akan dideklarasikan sebagai missing value. Format Colums untuk menentukan jenis perataannya.

Frekuensi Data Nominal

Frekwensi untuk data nominal dilakukan untuk : 1) mengetahui besarnya frekwensi data, 2) membuat tampilan grafik.

Bab 2 Uji Validitas dan Reliabilitas

Uji Validitas dilakukan untuk mengukur apakah instumen penelitian benar-benar mampu mengukur konstruk yang digunakan. Untuk memperoleh validitas kuesioner, usaha dititikberatkan pada pencapaian validitas isi. Validitas tersebut menunjukkan sejauh mana perbedaan yang diperoleh dengan instrumen pengukuran merefleksikan perbedaan sesungguhnya pada responden yang diteliti. Telnik uji validitas yang sering digunakan adalah Confirmatory Factor Analysis.

Uji Reliabilitas dimaksudkan untuk mengetahui tingkat konsistensi terhadap instrumen-instrumen yang mengukur konsep. Reliabilitas merupakan syarat untuk tercapainya validitas suatu kuesioner dengan tujuan tertentu. Untuk menguji reliabilitas digunakan Cronbach Alpha.

Contoh Soal

PT Econet merupakan perusahaan yang bergerak dibindang industri internet. Perusahaan ini memiliki 40 karyawan. Untuk meningkatkan Etos kerja SDM yang dilihat dari kepuasan kerja karyawannyanya PT Econet melakukan riset kepada karyawannya. Riset dilakukan dengan menyebarkan kuesioner terhadap 40 karyawannya yang bertujuan untuk mengetahui kepuasan kerja karyawan. Adapun item pertanyaan yang diteliti meliputi Aspek Kepemimpinan (KP 1, KP 2 dan KP 3), Komitment Perusahaan terhadap karyawannya (KO 1, KO 2 dan KO3) dan Kepuasan Kerja (KK1 dan KK2) masing masing menggunakan skala likert 1-5 (1 sangat tidak setuju dan 5 sangat setuju). Adapun data yang terkumpul setelah dilakukan penelitian adalah sebagai berikut:

KP1	KP2	KP3	KO1	KO2	KO3	KK1	KK2
4	4	4	4	3	3	3	3
4	3	2	4	3	2	3	3
4	4	4	4	4	4	3	4
4	4	3	3	4	3	4	4
4	4	3	5	5	5	4	4
5	4	4	4	5	4	1	2
4	3	3	3	3	3	4	4
4	4	3	3	3	4	3	5
4	3	3	4	4	3	3	4
4	5	4	4	4	4	2	2
2	4	3	4	4	3	2	4
3	3	3	3	3	2	2	3
2	4	3	3	3	4	2	4
4	4	3	2	2	4	1	3
4	4	4	2	2	3	1	1
4	4	3	3	4	4	2	2
4	4	3	3	3	4	2	2
4	3	4	3	3	3	3	4
4	3	4	3	3	3	3	4
3	4	3	3	4	4	2	4
4	4	4	3	3	3	3	2
3	4	4	3	3	3	3	3
3	4	4	3	4	4	3	3
3	4	3	3	3	4	3	4
3	4	4	4	4	3	3	4
3	3	3	3	4	4	2	4
4	3	3	4	4	2	3	5
4	4	3	2	2	3	3	3
4	4	4	4	3	4	2	2
4	3	4	3	4	4	3	4
4	4	4	4	4	3	3	3
3	3	3	3	4	4	4	4
3	3	3	3	4	4	2	2
4	3	3	4	3	4	4	4
4	4	3	3	3	3	3	4
3	4	4	3	2	2	3	3
3	3	4	4	4	3	2	2
2	2	2	2	2	2	1	2
4	4	4	4	4	4	4	4
3	3	4	3	3	3	1	1

Diminta, sebelum data dianalisis, lakukan uji validitas dan reliabilitas

Pengolahan Data

Uji Validitas dengan Confirmatory Factor Analysis.

Entrikan data yang ada dalam SPSS

lalu klik Analysis klik Data Reduction klik Factor …

hingga muncul tampilan sebagai berikut

klik Descriptives…

Pastikan bahwa initial solution dipilih lalu klik continue

Klik extraction

klik number of factors lalu isikan 3 (jumlah variabel = 3) lalu klik continue

klik rotation

pilih Varimax lalu klik continue

klik option

pilih Suppress absolute values less than lalu isikan .40 klik continue lalu klik OK.

Anda akan menjumpai tampilan output faktor analisis sebagai berikut

Output Factor Analysis

Hasil dari uji validitas dengan faktor analisis bisa dilihat pada output rotated component matrix (output ini muncul kalau memilih rotasi). Dari output tersebut kitas bisa melihat bahwa setiap item pertanyaan (KP1 s/d KK2) terekstrak secara sempurna kedalam 3 faktor (3 variabel). Kalau dirangkum hasil uji validitas sebagai berikut:

Instrumen	Faktor 1	Faktor 2	Faktor 3	Keterangan
KP1			0,716	Valid
KP2			0,665	Valid
KP3			0,734	Valid
KO1	0,682			Valid
KO2	0,893			Valid
KO3	0,691			Valid
KK1		0,903		Valid
KK2		0,821		Valid

Bagaimana seandainya output rotated component matrix tidak menunjukkan extraksi yang sempurna?

Jawab: Kalau muncul seperti itu, ulangi faktor analisis dengan menghilangkan indikator yang memiliki nilai ganda di dua tempat, lakukan trial and error untuk mendapatkan hasil yang terekstrak sempurna.

Uji Reliabilitas dengan teknik Cronbach Alpha

Teknik ini lazim digunakan untuk mengukur kekonsistenan dari item-item pertanyaan variabel.

Soal: Dengan menggunakan data latihan uji validitas, lakukan uji reliabilitas untuk masing masing variabel

Adapun langkahnya adalah sebagai berikut

Klik Analyze klik Scale klik Reliability Analysis

anda akan menjumpai tampilan sebagai berikut

masukkan variabel kp1, kp2 dan kp3 seperti berikut ini

klik Statistics…lalu pilih scale if item deleted dan klik continue kemudian klik OK

anda akan menjumpai hasil output sebagai berikut

****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted KP1 7.0250 .9481 .2896 .5409 KP2 6.9750 .9994 .3778 .3900 KP3 7.2000 .9846 .3851 .3776 Reliability Coefficients N of Cases = 40.0 N of Items = 3 Alpha = .5356

Hasil output uji reliabilitas menunjukkan nilai alpha 0,5356. nilai ini sudah mencukupi syarat uji reliabilitas. Namun kalau kita melihat pada kolom Alpha if Item Deleted, pada baris KP1 menunjukkan nilai 0, 5409 yang lebih besar dari nilai alpha variabel. Dengan menghilangkan KP1 kita akan mendapatkan nilai cronbach alpha yang lebih besar. Sehingga uji reliabilitas dilakukan ulang dengan menghilangkan item KP1 sehingga akan menghasilkan output sebagai berikut

****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted KP2 3.4000 .3487 .3707 . KP3 3.6250 .3429 .3707 . Reliability Coefficients N of Cases = 40.0 N of Items = 2 Alpha = .5409

Selanjutnya uji reliabilitas dilakukan untuk variabel KO1 sehingga menghasilkan output sebagai berikut

****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted KO1 6.7750 1.6660 .5119 .6156 KO2 6.6750 1.1994 .7284 .2993 KO3 6.7000 1.8051 .3480 .8068 Reliability Coefficients N of Cases = 40.0 N of Items = 3 Alpha = .6996

Dari hasil uji reliabilitas menunjukkan nilai alpha 0,6996 meskipun demikian nilai Alpha if item Deleted untuk K03 sebesar 0,8068 yang jauh lebih besar dibandingkan nilai cronbach alpha yang ada sehingga dilakukan pengujian ulang dengan menghilangkan item KO3. hasilnya adalah sebagai berikut

****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted KO1 3.4000 .6051 .6814 . KO2 3.3000 .4718 .6814 . Reliability Coefficients N of Cases = 40.0 N of Items = 2 Alpha = .8068

Pengujian terakhir dilakukan untuk variabel KK dengan langkah yang sama, sehingga akan menghasilkan output sebagai berikut

****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) Item-total Statistics Scale Scale Corrected Mean Variance Item- Alpha if Item if Item Total if Item Deleted Deleted Correlation Deleted KK1 3.2250 1.0506 .6519 . KK2 2.6250 .8045 .6519 . Reliability Coefficients N of Cases = 40.0 N of Items = 2 Alpha = .7851

Karena hanya dua item, maka alpha if item deleted tidak muncul. Nilai Cronbach Alpha sebesar 0,7851 berarti variabel KK sudah lolos uji reliabilitas

Latihan 1 Lakukan uji validitas dan reliabilitas untuk data dibawah ini. Buat uraian hasil dari olah data anda.

Latihan 2 (Tugas Kelompok) Lakukan uji validitas dan reliabilitas untuk data dibawah ini. Buat uraian hasil dari olah data anda. dst….

Latihan 3 (Tugas Kelompok) Lakukan uji validitas dan reliabilitas untuk data dibawah ini. Buat uraian hasil dari olah data anda. Keterangan

Bab 3 Uji Data

Uji data pada prinsipnya bertujuan untuk memastikan bahwa berbagai metode analisis bisa digunakan pada data tertentu sehingga hasil dari analisis data dapat diinterprestasikan dengan tepat. Pengabaian Uji Data bisa berakibat biasnya kesimpulan yang diambil atau bahkan metode analisis tertentu tidak dapat diproses. Misalnya apabila data ternyata memiliki banyak mising value (data yang hilang atau tidak ada isinya). Jika data tersebut dipaksa untuk diproses, output yang dihasilkan bisa sangat berbeda jika data tidak ada yang hilang (missing). Pada jenis data tertentu yang banyak mengandung missing value, proses analsisi data bahkan tidak bisa dilakukan

Kendala yang dihadapi pada saat melakukan Uji Data adalah banyaknya waktu dan tenaga yang terbuang untuk melakukan proses Uji Data, yang dianggap sebagai pemborosan. Sementara disisi yang lain, jika data ternyata tidak layak untuk diproses maka akan menghasilkan interprestasi yang meragukan. Uji Data lebih banyak dilakukan dalam Analisis Multivariate. Uji data bisa dilakukan dengan empat cara (Santosa 2002)

• Pengujian dengan menggunakan Grafik, seperti untuk menguji bentuk kenormalan distribusi data, menguji sebaran dua variabel untuk korelasi dan sebagainya

• Pengujian adanya Missing Data, yakni menguji aakah data yang tidak lengkap atau ada data yang hilang akan mempengaruhi data secara keseluruhan

• Pengujian adanya Outlier (data yang sangat ekstrim), yang mungkin keberadaan data outlier akan menggangu keseluruhan data

• Pengujian terhadap beberapa asumsi seperti Uji Normalitas Data, Uji Linieritas dan sebagainya.

1. Analysis Missing Value dan Perlakuannya

Missing data atau missing value adalah informasi yang tidak tersedia untuk sebuah subyek. Dalam SPSS, missing data adalah adanya sel-sel yang kosong pada satu atau beberapa variabel. Bisa terjadi karena informasi tersebut tidak tersedia atau terjadi karena kesalahan pada saat entri data. Missing data pada dasarnya tidak bermasala bagi keseluruhan data apabila jumlahnya sedikit, namun lain halnya kalau jumlahnya cukup besar. Jika terjadi kasus tersebut, maka sebaiknya dilakukan pengujian apakah data yang mengandung banyak missing tersebut masih layak diproses lebih lanjut ataukah tidak.

Contoh

Berikut ini ada data mengenai identitas responden

Nama	Jenis Kelamin	Umur	Pendidikan
Canang Kori A	1	19	2
Dentino	1	21	2
Dewi Amalia R	2	21	2
Dwi Retnosari	2	21	2
Fahnida Nadya H	2		2
Fransiska Ilmi P	2	21	2
Novia Tri Kusumawati	2	21	1
Ika Novita Sari	2	22	2
Irwan Trinugroho	1	22	2
Lidda Priska		17	2
Nurul Istikomah	2	21	2
Tika Rumiatun	2	21
Adi Susetyo	1	18	3
Agus Kurniawan	1	18	3
Ahmad Arifudin	1	18	2
Anggia Theodora	2
Dian Widyaningrum	2	21	2
Ardanto JW	1	22	1
Ari Yulianto	1	22	1
Arko Mulawan	1	19	1
Desi K urniasari *		19	1
Dina Fitri Astuti	2	19	2
Endah Kurniasari	2	19	2
Fauzi Mukminanto	1	19	2
Hartoto Heru P	1		1
Hasan	1	21	1
Hendri Prabowo	1	21	1
Herdi Firman	1	21	1
Ian Sarjito			1
Intan Septima N	2	21	1

Keterangan: Jenis Kelamin (1 pria, 2 wanita), Pendidikan (1 S1, 2 D3, 3 Non Reguler)

Dari kasus tersebut, akan dilihat

1. Apakah missing value yang terjadi bersifat acak atau tidak?

2. Terkait dengan permasalahan pertama, bagaimanakah seharusnya perlakuan terhadap data yang mengandung missing value tersebut

Langkah Pengerjaan

Tahapan dalam Missing Value

1. Menguji Keacakan Missing Value

Langkah ini dilakukan untuk menguji sifat acak dari data yang ada. Seharusnya missing value yang ada bersifat random dan tidak ada pola tertentu

2. 
   

2. Uji Outlier

Data outlier adalah data yang secara nyata berbeda dengan data-data yang lain. Sebagai contoh, dari 100 berat badan mahasiswa fakultas ekonomi ternyata ada data dengan berat badan 115 kg. data tersebut jelas bersifat ekstrim dibanding rata rata berat badan mahasiswa fakultas ekonomi misalnya 65 kg. data 115 kg inilah yang disebut dengan data outlier. Data outlier terjadi karena beberapa sebab

1. Kesalahan dalam pemasukan data.

2. Kesalahan pada pengambilan sampel.

3. Memang ada data-data ekstrim yang tidak bisa dihindarkan keberadaannya. Terkait dengan contoh diatas memang ada mahasiswa yang benar benar memiliki berat badan 115 kg

Contoh

Berikut ini adalah data nilai mahasiswa untuk beberapa mata kuliah

No	Nama	Aplikom 1	Manajemen	Statistik
1	CHERRY SUPRAPTI	88	90	75
2	ERY WIHARTO	90	95	80
3	NANUNG PRASETYO	72	75	47
4	R IRWAN ARIO TEDJO	60	70	5
5	ADI DWI ANGGORO	60	70	25
6	AHMAD APRIANTO	60	75	30
7	AMBAR RUBYANTO	95	95	95
8	ANDY MURDIYATMOKO	60	70	20
9	ANITA KUSUMANINGTYAS	88	90	75
10	ANNA KRISTIANTI	77	80	65
11	AYU SARI PURNAMAWATI	76	80	60
12	AYUN EKAYANTI RAHAYU	60	75	35
13	BUDI CHRISTIANTO	70	70	45
14	DANI HNDRAWAN	90	95	80
15	DANI KURNIAWAN	75	75	55
16	DANU PRIHATMONO	70	65	0
17	DEWI PUSPITASARI	77	80	65
18	DEWI WIDIYASTUTI	77	80	65
19	DOBI SUSANTO	75	75	55
20	DUANTO ASTO SUDRAJAT	76	80	60
21	EKO SETYO WIDODO	88	90	72
22	EKO SUPRIANTO	60	75	15
23	ELFIRA AGUSTINA	88	90	73
24	JONI BUDIANTO	60	70	47
25	KRISTANTO YOSO SAPUTRO	70	70	45
26	LATIFAH BAROROH	76	80	60
27	LISA INDRIASTUTI	77	80	65
28	M. HAFID FAHRUDIN	87	90	75
29	MARIANA PUSPARINI	75	75	55
30	MUHAMMAD SIGIT PURWANSYAH	88	90	72
31	NENNY PRIMASARI	75	75	54
32	PUJI ASTUTI	77	80	60
33	RETNO WIDIANINGSIH	75	75	55
34	RIANA FEBRIANTI	72	75	47
35	SARWOTO	95	95	95
36	SEPNIKA ENGGAR WATI	72	75	47
37	SISMIYANTO	90	95	85
38	SITI NUR UTAMI	60	75	30
39	SRI RAHAYU	71	70	45
40	SUCI ASTUTI	77	80	60

Dari data tersebut lakukan pengujian outlier

Langkah Pengerjaan

Uji terhadap keberadaan outlier bisa dilakukan dengan dua cara, yaitu membuat nilai z (standardisasi data) dan menampilkan grafik data. Penggunaan teknik pertama lebih mudah karena kita bisa mendeteksi langsung outlier dari data yang ada

Adapun langkahnya adalah sebagai berikut

Entrikan data tersebut ke SPSS

Klik Analyze klik Descriptive Statistics klik Descriptives…

anda akan menjumpai tampilan sebagai berikut

masukan aplikom 1, manajemen dan statistik ke variable(s)

pilih save standardized value as variables

lalu klik OK

output yang muncul dilayar adalah

klik pada data SPSS anda, anda akan mendapatkan nilai z untuk setiap variabel

Deteksi outlier

Jika sebuah data oulier maka nilai z yang didapatkan lebih besar dari angka +2,5 atau lebih kecil dari angka -2,5

3. Uji Normalitas

Tujuan dari Uji Normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Data yang baik adalah data yang mempunyai pola seperti distribusi normal.

Contoh Soal:

lakukan pengujian normalitas untuk data keuangan dibawah ini

Abnormal Return	Umur	Std Deviasi	Jenis Perusahaan
0.18	5	0.03135	0
0.051	9	0.17571	0
1.246	7	0.04024	1
0.356	10	0.02975	0
0.006	8	0.11593	1
0.035	18	0.02628	0
1.194	10	0.04346	0
0.963	11	0.03989	0
1.658	10	0.10055	1
0.806	10	0.07428	0
0.194	27	0.0155	0
0.512	27	0.03579	0
1.044	4	0.01345	0
2.018	10	0.23183	0
0.154	31	0.0077	1
0.974	8	0.2892	0
0.198	11	0.12158	1
-0.075	45	0.56379	1
0.678	11	0.03985	0
0.334	9	0.04599	0
0.168	44	0.00254	1
0.037	7	0.03808	0
1.031	6	0.03407	1
0.116	31	0.01396	1
-0.04	13	0.05113	0
0.565	24	0.0321	0
0.199	5	0.00413	0
0.929	9	0.18085	0
0.603	5	0.03499	0
0.025	29	0.01572	1
1.649	9	0.20754	0
0.219	10	0.02049	0
-0.091	5	0.00008	0
0.063	20	0.02235	0
-0.176	10	0.02184	0
0.122	2	0.0002	1
-0.059	11	0.02794	0
1.773	8	0.06263	0
0.049	32	0.01155	0
0.254	11	0.01924	1
0.347	9	0.00574	1
0.158	8	0.05978	0
1.241	11	0.01677	0
0.726	13	0.06854	0
0.146	6	0.05189	0
1.616	6	0.07577	0
1.962	4	0.23264	0
-0.014	7	0.11912	0
0.3	6	0.00029	0
0.967	25	0.13879	0

Jenis Perusahaan: 1 Perusahaan Keuangan, 0 Perusahaan non keuangan

Langkah pengerjaan

Uji normalitas bisa dilaukan dengna grafik dan melihat besaran Kolmogorov Smirnov. Adapun langkahnya sebagai berikut:

Klik menu Analyze klik Descriptive Statistics, lalu pilih Explore

sehingga akan nampak dilayar

masukkan variabel aplikom1, manajeme dan statisti pada kolom Dependent Lisk

Pada bagian bawah klik Plots…. hingga tampak di layar

pilih normality plots with test

lalu non aktifkan pilihan Stem-and-leaf pada kolom descriptive

lalu pilih none pada kolom boxplots

abaikan semua bagian lain dan tekan tombol continue untuk kembali ke manu utam explore lalu klik OK

output Uji Normalitas

Kriteria Pengujian

Apabila angka Signifikansi (Sig.) >0,05 maka data berdistribusi Normal

Apbila angka Signifikansi <0,05>

Dari output uji normalitas dapat dilihat, untuk kolmogorov-smirnov baik variabel umur maupun abnormal return perusahaan semua tidak berdistribusi normal karena memiliki nilai signifikansi mendekati nol

Penanganan Data Tidak Normal

Jika sebuah variabel mempunyai sebaran data yang tidak normal perlakuan yang dimungkinkan agar data menjadi normal adalah

• Menambah jumlah data. Seperti kasus tersebut bisa dicari lagi data sekitar 20 atau 30 data baru untuk menambah ke 50 data. Kemudian dengan jumlah data yang baru dilakukan pengujian sekali lagi

• Menghilangkan data yang dianggap penyebab tidak normalnya data. Pengurangan data perlu dipertimbangkan karena bisa mengaburkan tujuan penelitian karena hilangnya data yang seharusnya ada

• Melakukan tranformasi data, misal mengubah data ke logaritma atau kebentu natural (LN) atau bentuk yang lain, kemudian lakukan pengujian ulang

• Data diterima apa adanya, memang dianggap tidak normal dan tidak perlu dilakukan treatment tertentu. Untuk itu analisis yang dipilih harus diperhatikan. Bisa dilakukan analisis non parametrik

• 
  

Contoh

Dari data abnormal return diatas lakukan treatment untuk menormalkan data

Langkah Pengerjaan

Treatment yang dipilih adalah melakukan tranformasi Logaritma terhadap data yang ada.

Pilih menu Tranform lalu klik Compute

anda akan menjumpai tampilan sebagai berikut

isi target variable dengan nama lgabnr

lalu ketikkan Numeric Expression rumus lg10(abnretur)

lalu klik OK

anda akan menjumpai tampilan

lgabnor merupakan hasil transformasi data dari variabel abnormal return perusahaan. Nilai -.74 merupakan hasil dari log .18

lakukan pengujian ulang normalitas

klik analyze lalu klik Explore

masukkan variabel lgabnor dan umur kedalam kolom dependent list lalu klik OK

anda akan menjumpat tampilan output sebagai berikut

Analisis

Dari uji normalitas, variabel log abnormal return menunjukkan nilai 0,171 sehingga data tersebut berdistribusi normal

4. Uji Homoskedastisitas

Uji homokeskedastisitas pada prinsipnya ingin menguji apakah sebuah grup (data kategori) mempunyai varians yang sama diantara group tersebut. Jika varians sama maka dikatakan ada homokedastisitas sedangkan jika varians tidak sama maka terjadi heteroskedastisitas. heteroskedastisitas tidak boleh terjadi. Alat untuk menguji homoskedastisitas dibagi dua yaitu dengan alat analisis levene test atau dengan analisis residual yang berupa grafik. Cara yang paling sering digunakan adalah dengan menggunakan levene test

Dengan menggunakan data uji normalitas, lakukan uji homoskedastisitas

Langkah Pengerjaan

Klik Analyze pilih menu Descriptive Statistics lalu pilih Explore,

anda akan menjumpai tampilan sebagai berikut

masukkan variabel abnormal return dan standar deviasi kedalam dependent list dan masukkan jenis perusahaan kedalam factor list

klik Plots…

non aktifkan Stem-and-leaf

kemudian pilih power estimation

klik continue lalu klik OK, anda akan mendapatkan output sebagai berikut

kriteria pengujian

Jika Probabilitas (SIG) > 0,05, maka terjadi homokesdastisitas

Jika Probabilitas (SIG) <>

Pada hasil pengujian levene test berbasis mean, didapatkan nilai sign. Sebesar 0,371 dan 0,159 yang lebih besar dari 0,05 yang berarti terjadi homokesdastisitas. Dengan demikian disimpulkan bahwa variabel abnormal return dan sdandard deviasi telah lolos uji homokesdastisitas.

Kalau terjadi Heteroskedastisitas apa yang harus dilakukan?

Lakukan transformasi data menjadi bentuk logaritma atau natural lalau lakukan pengujian dengan levene test sekali lagi

Bab 4 Analisis Regresi

Analisis regresi telah lama dikembangkan untuk mempelajari pola dan mengukur hubungan statistik antara dua atau lebih variabel. Teknik analisis yang mencoba menjelaskan bentuk hubungan antara dua variabel atau lebih khususnya hubungan atara variabel-variabel yang mengandung sebab akibat disebut analisis regresi. Prosedur ini didasarkan atas distribusi bersama variabel-variabelnya. Dalam riset keperilakuan, analisis regresi lebih ditujukan untuk memprediksi hubungan antar variabel sementara dalam riset keuangan, analisis regresi ditujukan untuk melakukan estimasi. Perbedaan cara analisis ini sangat tergantung pada rumusan masalah yang akan dijawab dalam penelitian. Analisis regresi yang paling sering digunakan adalah analisis regresi linear sederhana dan regresi berganda dengan menggunakan teknik ordinary least square (OLS)

Contoh:

Perusahaan CBES merupakan perusahaan yang bergerak dibingan usaha mebel. Perusahaan ini memiliki 50 karyawan. Suatu saat perusahaan ingin meneliti mengenai faktor faktor yang mempengaruhi prestasi kerja karyawan. Faktor yang diteliti meliputi gaji, insentif, fasilitas dan tunjangan kerja yang diberikan kepada karyawan.

Berikut adalah data hasil penelitian pada perusahaan CBES

No	prestasi	gaji	insentif	fasilitas	tunjangan
1	2.5	2.67	4.33	2.33	2
2	2.7	4.33	3	1.67	1
3	2.7	4.67	2	2.67	1.5
4	3.2	5	2	3.33	1.5
5	4.2	3.33	4	2.33	1
6	3.3	4	2.67	2.33	3
7	4.8	4.67	5	1.67	3
8	4.6	5	2	2.33	1.5
9	2.9	4.67	4	2.67	1.5
10	1.9	3	4.33	3	2.5
11	1.5	2	2.67	2.67	2.5
12	3.5	3.33	4	2	3.5
13	4.6	4.33	4	1	2
14	3.2	2	4.67	1.67	1.5
15	3.1	2.33	3.67	2	1
16	1.3	1.33	3.33	1.67	1.5
17	3.5	3.33	4	2.67	2.5
18	4.6	4.33	3	2.33	2
19	3.2	2	2	1.67	1.5
20	3.1	2.33	4	2	3
21	4	4.33	3	4	1.5
22	4.3	4.33	4	4.67	2
23	1.8	1.67	4.67	3	3
24	1.7	3	5	4	1.5
25	4.7	4.33	3.33	4.67	2
26	4.1	4.33	3.67	4	3.5
27	4.3	4.33	4.33	4.67	2
28	1.8	1.67	4.33	3	1.5
29	1.6	3	3	4	1.5
30	4.6	4.33	3.33	4.67	3.5
31	1.8	4.33	1.67	2.33	2
32	2.5	4	3	4.67	2
33	4.3	5	2.67	2.67	3
34	1.6	4.33	2	4	2
35	2.7	4.33	2	3	2
36	3.7	4.67	2.33	2	2
37	2.8	5	2	4.67	1.5
38	3.5	3.67	1.33	3.67	3.5
39	3	3.33	1.33	4	3.5
40	3.7	4.67	1.33	3	3.5
41	2	4	1	1	2
42	1	4.33	1.67	3	1.5
43	2.9	4.33	1.33	3.67	1.5
44	2.6	1	2.33	2.67	2.5
45	2.7	1	1	3.67	2
46	2.2	4	1	1	2
47	1.1	4.33	1	3	2
48	2.9	4.33	1	3.67	3.5
49	2.6	1	1.33	2.67	3.5
50	2.7	1	1.33	3.67	2

Diminta, lakukan analisis regresi untuk menguji pengaruh gaji, insentif, fasilitas dan tunjangan kerja terhadap prestasi kerja karyawan.

Langkah Pengerjaan

Entrikan data penelitian kedalam SPSS

klik Analyze lalu klik Regression klik Linear….

masukkan variabel prestasi kedalam kolom Dependent

masukkan variabel gaji, insentif, fasilitas dan tunjangan kedalam kolom Independent

klik statistics..

pilih Descriptives untuk menampilkan diskripsi data lalu klik continue

klik options…

masukkan nilai probability 0.05 (standar yang umum digunakan)

untuk derajat keyakinan 90% masukkan angka 0.1

untuk derajat keyakinan 95 % masukkan angka 0.05

untuk derajat keyakinan 99% masukkan angka 0.01

klik continue lalu klik OK

anda akan mendapatkan tampilan output sebagai berikut

1. Output Diskriptive Data

Output ini digunakan untuk menganalisis diskripsi data misalnya rata rata data, standar deviasi dsb. Hasil dari output diskripsi menunjukkan bahwa variabel prestasi memiliki rata rata 2,9920 dan standar deviasi sebesar 1.04897. Output gaji memiliki rata rata 3,5324 dan standar deviasi 1,23959, dst..

2. Output Model Summary

Output model summary menunjukkan nilai koefisien determinasi regresi (R²). Koefisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variabel-variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R² yang kecil berarti kemampuan variabel-variabel independent dalam menjelaskan variabel-variabel dependent amat terbatas. Nilai yang mendekati 1 menunjukkan bahwa hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Secara umum koefisien determinasi untuk data crossection relatif rendah karena adanya variasi yang besar antara masing-masing pengamatan, sedangkan untuk data time series biasanya mempunyai nilai koefisien determinasi yang tinggi.

Hasil analisis menunjukkan nilai R2 sebesar 0,302 yang berarti hanya sekitar 30,2% variabel prestasi kerja yang bisa dijelaskan oleh variabel tunjangan, gaji, insentif dan fasilitas kerja.

3. Output ANOVA

Hasil pengujian F test dari output ANOVA menunjukkan bagaimana pengaruh variabel tunjangan, gaji, insentif dan fasilitas secara bersama sama terhadap variabel prestasi kerja. Nilai F test sebesar 4,876 dan nilai Sig. sebesar 0.002 menunjukkan pengaruh yang signifikan yang berarti ada pengaruh posifit (Standar 0.050)

4. Output Coefficient

Nilai output koefisien menunjukkan hasil uji pengaruh variabel independen terhadap variabel dependent secara partial. Hasil uji regresi menunjukkan bahwa variabel gaji, insentif dan tunjangan berpengaruh positif terhadap prestasi kerja, sementara variabel fasilitas tidak berpengaruh terhadap prestasi kerja.

Latihan Perusahaan AdiJaya Meneliti mengenai faktor faktor yang mempengaruhi minat membeli konsumen. Adapun faktor yang mempengaruhi minat membeli adalah persepsi kualitas dan persepsi pengorbanan. Dari hasil penelitian didapatkan data sebagai berikut: Ket: pk=persepsi kualitas, pp=persepsi pengorbanan dan mb=minat membeli konsumen Diminta: Lakukan pengujian untuk mengetahui pengaruh persepsi kualitas dan persepsi pengorbanan terhadap minat membeli konsumen.

Bab 5 T-Test, Anova dan Manova

Bab 6 SPSS Non Parametrik

Statistik Non Parametrik digunakan untuk melengkapi Metode Statistik Parametrik agar tidak terjadi kesalahan dalam memilih metode statistik yang akan digunakan untuk kegiatan inferensi. Hal ini disebabkan ada data-data dengan ciri tertentu yang tidak bisa memenuhi asumsi-asumsi pada penggunaan metode parametrik

Beberapa metode statistik parametrik mensyaratkan asumsi-asumsi (Santosa 2004)

1. Sampel (data) yang diambil dari populasi yang mempunyai distribusi normal.

2. Pada uji t dan uji F untuk dua sampel atau lebih, kedua sampel diambil dari dua populasi yang mempunyai varians sama.

3. Variabel (data) yang diuji haruslah data betipe interval atau rasio, yang tingkatannya lebih tinggi dari data tipe nominal dan ordinal.

4. Jumlah (sampel) data sangat kecil, sedangkan distribusi data populasinya tidak diketahui kenormalannya.

Untuk data yang tidak memnuhi salah satu asumsi tersebut, maka disarankan menggunakan prosedur statistik non parametrik. Karena bisa digunakan dengan asumsi yang minimal sekalipun untuk memproses data, maka kesimpulan yang diambil dengan prosedur Non Parametrik akan lebih lemah dibandingkan jika menggunakan Prosedur Parametrik.

Karena sifatnya yang lemah, maka jika data masih memenuhi asumsi parametrik, seharusnya digunakan prosedur parametrik untuk mengolah data. Jika ada asumsi yang tidak terpenuhi namun masih bisa dilakukan transformasi data maka gunakanlah prosedur parametrik misalnya

• Untuk data yang tidak berdistribusi normal atau varians tidak sama, bisa dilakukan tranformasi data ke bentuk logaitmik, akar dan sebagainya lalu dilakukan pengujian normalitas dan varians sekali lagi

• Jika jumlah data terlalu sedikit, bisa diusakan penambahan data sehingga memenuhi prosedur parametrik (sekitar 30 data atau lebih), sejauh penambahan data masih memungkinkan untuk dilakukan kecuali jika memang tidak ada jalan lain baru digunakan prosedur non parametrik.

Posted in: Aplikasi Komputer