bab 1 pendahuluan

5/13/2018 Bab 1 Pendahuluan - slidepdf.com

http://slidepdf.com/reader/full/bab-1-pendahuluan-55a74fcff3b15 1/43

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 :

y Descriptive Statistics: Crosstabulations, Frequencies, Descriptives, Explore, Descriptive Ration

statistics

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

parametric test

y P rediction for numerical outcomes: linear regression

y P rediction 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

y 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.

y 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.

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

y 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 pr ograms SPSS f or 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 quer y: 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

V iewer . 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 R AHM AT ALI M ASYH AR W pria Man 70 58 80 69

2 AHM AD F AIS AL pria Akt 90 71 95 85

3 HERLY WIN ARTI wanita EP 85 87 80 84

4 NURSIT A TRIY ANTI P. wanita Man 85 85 80 83

5 ANGG A PR ADITY A wanita Akt 85 30 80 65

6 ANIS A ROM AD ANIATI wanita Man 65 50 95 70

7 ANIT A WIDY AS ARI wanita Akt 80 85 80 82

8 ARIF SETIAW AN W ARTOYO 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 ARKK A H ARYOPUTRO pria Man 80 60 75 72

12 ARNI FERIY AN AA wanita Man 90 75 90 85

13 BERTH A TENNISIA wanita Man 80 65 65 60

14 CHRISTIAN ELEAZAR S. wanita Man 75 80 65 73

15 F AJAR DWI ISW ANTO pria Akt 80 52 85 72

16 F ARID A UMI ISTIAN AH wanita Akt 85 70 75 77

17 M ANG ASI E.P.S. pria Akt 85 60 80 75

18 METH ANIA YOGI D. pria EP 65 25 80 57

19 MUFTI ZAENUROHM AN pria EP 65 40 80 62

20 MUH AM AD IRF ANI 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 Confirmator y 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 r otation

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 r otated 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 r otated component matrix tidak menunjukkan extraksi yangsempurna?

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 Cr onbach 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 ******

RE

L I A

BI L I

T Y A

N A

L

Y SI

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


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)








KP2 3.4000 .3487 .3707 .

KP3 3.6250 .3429 .3707 .



Alpha = .5409

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










KO1 6.7750 1.6660 .5119 .6156

KO2 6.6750 1.1994 .7284 .2993

KO3 6.7000 1.8051 .3480 .8068



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










KO1 3.4000 .6051 .6814 .

KO2 3.3000 .4718 .6814 .



Alpha = .8068



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

output sebagai berikut








KK1 3.2250 1.0506 .6519 .

KK2 2.6250 .8045 .6519 .





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 dataanda.

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)

y Pengujian dengan menggunakan Grafik, seperti untuk menguji bentuk kenormalan distribusi data,

menguji sebaran dua variabel untuk korelasi dan sebagainya

y Pengujian adanya Missing Data, yakni menguji aakah data yang tidak lengkap atau ada data yang

hilang akan mempengaruhi data secara keseluruhan

y Pengujian adanya Outlier (data yang sangat ekstrim), yang mungkin keberadaan data outlier akan

menggangu keseluruhan data

y 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 JenisKelamin

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 SUPR APTI 88 90 75

2 ERY WIH ARTO 90 95 80

3 N ANUNG PR ASETYO 72 75 47

4 R IRW AN ARIO TEDJO 60 70 5

5 ADI DWI ANGGORO 60 70 25



6 AHM AD APRIANTO 60 75 30

7 AMB AR RUBY ANTO 95 95 95

8 ANDY MURDIY ATMOKO 60 70 20

9 ANIT A KUSUM ANINGTY AS 88 90 75

10 ANN A KRISTIANTI 77 80 65

11 AYU S ARI PURN AM AW ATI 76 80 60

12 AYUN EK AY ANTI R AH AYU 60 75 35

13 BUDI CHRISTIANTO 70 70 45

14 D ANI HNDR AW AN 90 95 80

15 D ANI KURNIAW AN 75 75 55

16 D ANU PRIH ATMONO 70 65 0

17 DEWI PUSPIT AS ARI 77 80 65

18 DEWI WIDIY ASTUTI 77 80 65

19 DOBI SUS ANTO 75 75 55

20 DU ANTO ASTO SUDR AJAT 76 80 60

21 EKO SETYO WIDODO 88 90 72

22 EKO SUPRIANTO 60 75 15

23 ELFIR A AGUSTIN A 88 90 73

24 JONI BUDIANTO 60 70 47

25 KRIST ANTO YOSO S APUTRO 70 70 45

26 LATIF AH B AROROH 76 80 60

27 LIS A INDRIASTUTI 77 80 65

28 M. H AFID F AHRUDIN 87 90 75

29 M ARIAN A PUSP ARINI 75 75 55

30 MUH AMM AD SIGIT 88 90 72



PURW ANSY AH

31 NENNY PRIM AS ARI 75 75 54

32 PUJI ASTUTI 77 80 60

33 RETNO WIDIANINGSIH 75 75 55

34 RIAN A FEBRIANTI 72 75 47

35 S ARWOTO 95 95 95

36 SEPNIK A ENGG AR W ATI 72 75 47

37 SISMIY ANTO 90 95 85

38 SITI NUR UT AMI 60 75 30

39 SRI R AH AYU 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«




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 kolmogor ov-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

y 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

y Menghilangkan data yang dianggap penyebab tidak normalnya data. Pengurangan data

perlu dipertimbangkan karena bisa mengaburkan tujuan penelitian karena hilangnya data

yang seharusnya ada

y Melakukan tranf ormasi data, misal mengubah data ke logaritma atau kebentu natural (LN)

atau bentuk yang lain, kemudian lakukan pengujian ulang

y Data diterima apa adanya, memang dianggap tidak n

ormal dan tidak perlu dilakukan

treatment tertentu. Untuk itu analisis yang dipilih harus diperhatikan. Bisa dilakukan

analisis non parametrik

y Contoh



Dari data abnormal return diatas lakukan treatment untuk menormalkan data

Langkah Pengerjaan

Treatment yang dipilih adalah melakukan tranf ormasi Logaritma terhadap data yang ada.

Pilih menu Tranf orm lalu klik Compute


isi target variable dengan nama lgabnr

lalu ketikkan Numeric Expression rumus lg10(abnretur)

lalu klik OK

anda akan menjumpai tampilan

lgabnor merupakan hasil transf ormasi 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 tersebutberdistribusi normal

4. Uji Homoskedastisitas

Uji homokeskedastisitas pada prinsipnya ingin menguji apakah sebuah grup (data kategori)

mempunyai varians yang sama diantara gr oup tersebut. Jika varians sama maka dikatakan ada

homokedastisitas sedangkan jika varians tidak sama maka terjadi heter oskedastisitas.

heter oskedastisitas 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,




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 Pr obabilitas (SIG) > 0,05, maka terjadi homokesdastisitas

Jika Pr obabilitas (SIG) <>

Pada hasil pengujian levene test berbasis mean, didapatkan nilai sign. Sebesar 0,371 dan 0,159yang 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 Heter oskedastisitas apa yang harus dilakukan?

Lakukan transf ormasi data menjadi bentuk logaritma atau natural lalau lakukan pengujian

dengan levene test sekali lagi



Bab 4 Analisis RegresiAnalisis 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. Pr osedur 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 ordinar y least square(OLS)

Contoh:

Perusahaan CBES merupakan perusahaan yang bergerak dibingan usaha mebel. Perusahaan ini

memiliki 50 kar yawan. Suatu saat perusahaan ingin meneliti mengenai faktor faktor yang

mempengaruhi prestasi kerja kar yawan. Faktor yang diteliti meliputi gaji, insentif, fasilitas dan

tunjangan kerja yang diberikan kepada kar yawan.

Berikut adalah data hasil penelitian pada perusahaanCBES

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 kar yaw

an.

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 pr obability 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 DiskriptiveData



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 Summar y

Output model summar y 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 inf ormasi

yang dibutuhkan untuk memprediksi variasi variabel dependen. Secara umum koefisien

determinasi untuk data cr ossection 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 danpersepsi 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 persepsipengorbanan 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

pr osedur statistik non parametrik. Karena bisa digunakan dengan asumsi yang minimal sekalipun

untuk mempr oses data, maka kesimpulan yang diambil dengan pr osedur Non Parametrik akan lebih

lemah dibandingkan jika menggunakan Pr osedur Parametrik.

Karena sifatnya yang lemah, maka jika data masih memenuhi asumsi parametrik, seharusnya

digunakan pr osedur parametrik untuk mengolah data. Jika ada asumsi yang tidak terpenuhi namun

masih bisa dilakukan transf ormasi data maka gunakanlah pr osedur parametrik misalnya

y Untuk data yang tidak berdistribusi normal atau varians tidak sama, bisa dilakukan

tranf ormasi data ke bentuk logaitmik, akar dan sebagainya lalu dilakukan pengujian

normalitas dan varians sekali lagi

y Jika jumlah data terlalu sedikit, bisa diusakan penambahan data sehingga memenuhipr osedur parametrik (sekitar 30 data atau lebih), sejauh penambahan data masih

memungkinkan untuk dilakukan kecuali jika memang tidak ada jalan lain baru digunakan

pr osedur non parametrik.

bab 1 pendahuluan

Documents