APLIKASI KOMPUTER LANJUTAN TEORI DAN PRAKTEK

Zaenal Wafa

zaenalwafa@gmail.com | 081270388939

Silabus Kuliah

O Pengenalan SPSS

O Tipe Data Statistik dan Statistik Deskriptif

O One Sample T. Test

O Independent T.Test

O One Way Anova

O Regresi

O Regresi Berganda

O Korelasi

O Validitas & Realibilitas

O Uji Asumsi Klasik

O Analisis Jalur

O MRA

Penilaian

Variabel Penilaian :

1. Tugas

2. Quiz

3. UTS

4. UAS

5. Tugas Akhir

Kontrak Belajar

O Batas keterlambatan saudara 15 menit

O Berpakaian Rapi dan Sopan

O Selama Perkuliahan berlangsung di

harapkan tidak kelur masuk kelas

PERTEMUA KE - 1 Tipe Data Statistik dan Statistik Deskriptif

Cont..

O Dalam melakukan analysis data , kita harus memahami terlebih dahulu konsep dari jenis data statistik yaitu numeric dan kategorik.

O Data numeric adalah data yang berbentuk angka ( kombinasi dari 0,1,2..9 ) dan merupakan gambaran hasil mengukur atau menghitung.

O Data Kategorik merupakan data yang berbentuk peryataan, kualitas, atau pengelompokan misal (laki/perempuan, baik/buruk, setuju/tidak, SD/SMP/SMA/PT/, dls)

Statistik deskriptif

Statistik deskriptif berupa frekuensi dan

nilai-nilai pusat (central tendency).

Frekuensi biasanya dimunculkan dalam

bentuk proporsi atau persentase untuk

data atau variabel kategorik. Sedangkan

nilai pusat berupa nilai tengah dan nilai

sebaran (mean, median, dll) untuk data

atau variabel numerik.

Cont..

O Analysis data numeric akan berbeda dengan

analysis data kategorik, termasuk termasuk

penyajian dan interprestasinya. Data

numeric biasanya disajikan dalam bentuk

nilai tengah dan nilai sebaran ( misal rata-

rata dan standart deviasi ) sedangkan nilai

kategorik ditampilkan dalam bentuk persen.

LATIHAN :

O Berikut ini adalah Buku Kode yang memuat

variabel, keterangan dan value yang

mempengaruhi berat bayi lahir.

O Instruksi : simpan file saudara dengan nama

Pertemuan1.

BUKU KODE

VARIABEL VIEW SPSS

DATA VIEW SPSS

ANALYSIS DESKRIPTIF DATA KATEGORIK

O Cara yang paling sering digunakan adalah

dengan mengunakan tabel frekuensi.

O Langkahnya :

O Pada Menu Bar, Klik ANALYZE >

DESCRIPTIVE > FREQUENCIES …

O Pada sehingga akan ditampuilkan layar

sebagai berikut :

1

2

3

RESULT :

Cont.. O Pada kolom Frequency menunjukkan jumlah kasus

dengan nilai yang sesuai, jadi pada contoh diatas,

terdapat 3 ibu yang berpendidikan SD dari 12 Ibu yang

ada, Proporsi yang dapat dilihat dari kolom Percent

pada kolom diatas adalah 25,0% ibu yang

berpendidikan SD

O Kolom Valid Percen menampilkan proporsi jika missing

cases tidak diikutsertakan yaitu 25,0%

O Kolom Comulative Percen menjelaskan tetang persen

komulatif, jadi pada contoh diatas ada 75,0% ibu yang

perpendidikan SD – SMP ( 25,0% + 50 ,0%)

PENYAJIAN DATA KATEGORIK O Penyajian data mempunyai prinsip efisiensi,

Sajikan hanya informasi Penting saja.

O Contoh :

LATIHAN ANALYSIS DATA KATEGORIK

O Buatlah tabel distribusi frekuensi untuk variabel HT ,

ROKOK dan bblr

O Diminta : a. Sajikan, b. Interpretasikan

Pertemuan ke-2 ANALYSIS DESKRIPTIF DATA NUMERIK

ANALYSIS DESKRIPTIF DATA NUMERIK

O Pada data numerik atau kontinyu, peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya. Ukuran tengah yang dapat digunakan adalah :

O rata-rata, median dan modus.

O Sedangkan ukuran sebaran yang dapat digunakan adalah :

O nilai minimum, maksimum, range, standar deviasi dan persentil.

O Dari ukuran-ukuran tersebut, yang paling sering digunakan adalah rata-rata dan standar deviasi.

O Pada file SPSS bayi2015 diatas, lakukan

langkah berikut ini :

O Analyze Descriptive Statistic

Descriptive … sehingga akan ditampilkan

kotak dialog sbb :

Result

Nilai rata-rata dapat dilihat pada kolom Mean, sedangkan nilai

standar deviasi dapat dilihat pada Std Devation. Pada contoh di

atas, rata-rata umur ibu adalah 25 tahun dengan standar deviasi

4,178 umur minimun 19 tahun serta umur maksimum 34 tahun.

Dengan cara di atas, kita dapat memperoleh nilai rata-rata,

minimum, maksimum serta standar deviasi. Tetapi kita tidak

memperoleh nilai standar error, padahal nilai ini diperlukan untuk

melakukan estimasi inteval pada parameter populasi.

O Analyze Descriptive Statistic Descriptive …

sehingga akan ditampilkan kotak dialog

deskriptive sbb, kemudian klik OPTION

Result

Dari hasil tersebut kita dapat melakukan estimasi interval dari

berat bayi. Kita dapat menghitung 95% confidence interval berat

bayi, yaitu 1559,00 + 1,96 x 129,326

(mean + SE mean). Jadi kita 95% yakin bahwa rata-rata berat

bayi di populasi berada pada selang 1305 sampai 1812 gram.

*1,96 nilai interval standart devisiasi

+

O Cara yang lain untuk mengeluarkan nilai

statistik deskriptif dari data numerik (nilai

rata-rata/mean std. Dev) beserta 95%

confidence interval adalah sebagai berikut:

Dari menu utama, pilihlah:

O Analyze Descriptive Statistic Explore

sehingga akan ditampilkan kotak dialog

Explorer sebagai berikut :

O Dari hasil tersebut kita mendapatkan estimasi

titik dan estimasi interval dari variabel numerik

yang diukur. Kita dapat melihat nilai rata-rata

dan 95% confidence interval dari BBAYI yaitu

1559.00 gram (1274.36—1843.64), kita 95%

yakin bahwa rata-rata berat bayi di populasi

berada pada selang 1274.36 sampai 1843.64

gram. Nilai ini tidak jauh berbeda dengan nilai

yang dihitung dari output yang didapat pada

langkah slide 25 sebelumnya.

GRAFIK HISTOGRAM PADA DATA NUMERIK

O Langkahnya : Klik Graph > Klik Legacy Dialog

> Klik Histogram

Result

UJI NORMALITAS DISTRIBUSI DATA NUMERIK

O Pengujian normalitas adalah pengujian tentang

kenormalan distribusi data. Uji ini merupakan

pengujian yang paling banyak dilakukan untuk

analisis statistik parametrik. Karena data yang

berdistribusi normal merupakan syarat

dilakukannya tes parametrik. Sedangkan untuk

data yang tidak mempunyai distribusi normal,

maka analisisnya menggunakan tes non

parametric.

O Statistik Parametrik

Parametrik dalam arti harfiah yaitu asumsi tentang

parameter dari distribusi data populasi yang

digunakan untuk menguji hipotesis mendekati normal

atau mendekati distribusi normal setelah teorema

limit sentral.

O Statistik Nonparametrik

Non-parametrik adalah metode yang tidak

mendasarkan pada asumsi distribusi populasi. Dalam

arti sempit non-parametrik adalah sebuah kategori nol

karena hampir semua uji statistik mengasumsikan

satu atau lain hal tentang sifat-sifat populasi.

Klik Analyze > klik Descriptive Statistic > kemudian klik Explore…

Pada kotak dialog tersebut, pilih variabel UMUR dan BBAYI, Kemudian klik tanda panah ke kanan >, untuk memasukkannya ke kotak Dependent list berikutnya klik Plot lalu klik Histogram dan Normality plot with

result Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

umur .167 12 .200* .960 12 .780

bbayi .154 12 .200* .931 12 .395

* This is a lower bound of the true significance.

a Lilliefors Significance Correction

O Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa pada alpha 0.05 distribusi data umur ibu adalah normal (nilai-p = 0.780) begitu juga dengan distribusi data berat bayi normal (nilai-p = 0.395).

O Apabila diperhatikan grafik HISTOGRAM maka terlihat bahwa data umur ibu memang terlihat normal, dengan grafik distribusi tidak miring ke kanan (miring positif +)

PERTEMUAN KE 3 TRANSFORMASI DATA & T - TEST

Independen sample T-TEST

O Uji-t untuk data independen dilakukan terhadap dua kelompok data yang tidak saling berkaitan antara satu dengan lainnya. Misalnya membandingkan kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu perokok dengan ibu-ibu bukan perokok adalah dua kelompok yang tidak saling berkaitan.

O Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu perokok dengan bayi yang lahir dari ibu bukan perokok. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu bukan perokok dengan rata-rata berat bayi yang lahir dari ibu perokok

Klik Pada option dan tentukan derajat kepercayaan yang diinginkan

Hasil tersebut memperlihatkan bahwa ada 10 ibu yang tidak perokok dan

mereka mempunyai rata-rata berat bayi sebesar 1686.40 gram.

Sedangkan 2 ibu yang perokok melahirkan bayi yang lebih rendah beratnya

daripada kelompok sebelumnya yakni dengan rata-rata 922.00 gram.

Uji-t independen menyajikan dua buah uji statistik. Pertama adalah uji Levene’s

untuk melihat apakah ada perbedaan varians antara kedua kelompok

atau tidak. Kedua adalah uji-t untuk melihat apakah ada perbedaan rata-rata

kedua kelompok atau tidak. Jika p-value (Sig.) dari uji Levene’s besar

dari nilai α (0.05), hal ini berarti varians kedua kelompok adalah sama,

maka signifikansi uji-t yang dibaca adalah pada baris pertama

(Equal variances assumed). Tetapi jika p-value dari uji Levene’s kecil atau

sama dengan nilai α (0.05), hal ini berarti bahwa varians kedua kelompok

adalah tidak sama, maka signifikansi uji-t yang dibaca adalah pada baris

kedua (Equal variances not assumed).

O Pada contoh diatas signifikansi uji Levene’s

adalah 0.611, berarti varians kedua kelompok

adalah sama, maka hasil uji-t pada baris

pertama memperlihatkan p-value (sig.) adalah

0.018 untuk uji 2-sisi. (Jika uji yang kita lakukan

adalah uji 1-sisi maka nilai p-value harus

dikalikan 2 sehingga menjadi 0.036). Dapat kita

simpulkan bahwa secara statistik rata-rata berat

bayi yang lahir dari populasi ibu yang tidak

perokok lebih tinggi dari populasi ibu perokok.

PAIRED SAMPLE T TEST (UJI BEDA DUA SAMPEL BERPASANGAN)

O Paired sample t test merupakan uji beda dua

sampel berpasangan. Sampel berpasangan

merupakan subjek yang sama namun

mengalami perlakuan yang berbeda.

No Sebelum Sesudah

1 67 68

2 75 76

3 81 80

4 60 63

5 80 82

6 75 74

7 71 70

8 68 71

9 80 82

10 78 79

11 71 78

12 80 77

13 65 69

14 57 67

15 78 68

CONTOH KASUS

Akan diteliti mengenai perbedaan penjualan sepeda motor merk A

disebuah Kabupaten sebelum dan sesudah kenaikan harga BBM.

Data diambil dari 15 dealer.

Data yang diperoleh adalah sebagai berikut :

O Klik ANALYZE > COMPARE MEANS > PAIRED

SAMPLES t Tes

O Bagian pertama. Paired Samples Statistic

O Menunjukkan bahwa rata-rata penjualan pada sebelum dan sesudah kenaikan BBM. Sebelum kenaikan BBM rata-rata penjualan dari 15 dealer adalah sebanyak 72.4, sementara setelah kenaikan BBM jumlah penjualan rata-rata adalah sebesar 73.6 unit

O Bagian Dua. Paired samples Correlatian

O Hasil uji menunjukkan bahwa korelasi antara dua variabel adalah sebesar 0.809 dengan sig sebesar 0.000. Hal ini menunjukkan bahwa korelasi antara dua rata-rata penjualan sebelum dan sesudah kenaikan adalah kuat dan signifikan.

Hipotesis

Hipotesis yang diajukan adalah :

O Ho : rata-rata penjualan adalah sama

O H1 : rata-rata penjualan adalah berbeda

Nilai t hitung adalah sebesar -1.031 degan sig 0.320. Karena sig > 0.05 maka dapat disimpulkan bahwa Ho diterima, artinya rata-rata penjualan sebelum dan sesudah kenaikan BBM adalah sama (tidak berbeda). dengan demikian dapat dinyatakan bahwa kenaikan harga BBM tidak mempengaruhi jumlah penjualan sepeda motor di kabupaten A.

Kasus : independet sample t-test

Kasus 1 : Suatu tes dilakukan untuk melihat

tingkat stress pada karyawan yang

ditempatkan di ruangan berarsitektur

tradisional dan ruang berarsitekstur modern

dengan data sebagai berikut :

Paired Sample t-test

O Dilakukan

beberapa sample

data sebelum dan

sesudah dilakukan

pengetesan dengan

hasil sebagai

berikut :

O Sajikan dan interpretasikan

O Sajikan dan

interpretasikan ( soal

dan jawaban di buat di

microsft word

O Variabel view : 1 id,

2.arsitektur (value

:1.modern, 2.

tradisional)

O Hipotesa untuk menjawab kasus diatas.

O H0 : tidak ada perbedaan stres karyawan ketika berada di ruang tradisional

dengan ketika berada di ruang modern

O H1 : Ada perbedaan stress karyawan ketika berada di ruang tradisional dengan

ketika berada di ruang modern

Question ?

O Jelaskan perbedaan paired sample t test

dan independet sample t test

O Kapan saudara akan mengunakan alat uji

paired sample t- test dan independet

sample t test

O Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau lebih kelompok independen (data yang tidak saling berkaitan antara satu dengan lainnya).

O contoh analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu yang berpendidikan SD, ibu yang berpendidikan SMP, dengan ibu yang berpendidikan SMA. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang berbeda

Untuk melakukan uji Anova, harus dipenuhi

beberapa asumsi, yaitu:

Sampel berasal dari kelompok yang

independen (nilai pada satu kelompok tidak

tergantung pada nilai di kelompok lain )

Varian antar kelompok harus homogen

Data masing-masing kelompok berdistribusi

normal

Langkah Uji Anova

O 1. Bukalah file BAYI95.SAV sampai tampak

pada Data editor window.

O 2. Klik Analyze > Compare Means > One-way

ANOVA

Kemudian Klik Option > Klik Descriptive dan Homogeneity of ….

Kemudian klik Continue dan Klik Ok

RESULT

ANALISIS DATA

Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan pendidikan SD adalah 1233.33 gram, pada ibu dengan pendidikan SMP adalah 1648.50 gram, dan pada ibu berpendidikan SMA adalah 1705.67 gram. Standar deviasi, nilai minimum-maximun, dan interval 95% tingkat kepercayaan juga diperlihatkan

O Salah satu asumsi dari uji Anova adalah

varians masing-masing kelompok harus sama.

Untuk itu dilakukan uji homogenitas varians

yang hasilnya memperlihatkan bahwa p-value

(sig.) lebih besar dari nilai α=0.05, berarti

varians antar kelompok adalah sama

O Pada hasil di atas diperoleh nilai ANOVA F = 1.091 dengan p-value=0.000 (dalam keadaan ini boleh juga ditulis p < 0.001).

O Hipotesis nol pada uji ANOVA adalah tidak ada perbedaan rata-rata berat bayi antara kelompok ibu dengan pendidikan SD, SMP, dan SMA.

O Sedangkan hipotesis alternatifnya adalah salah satu nilai rata-rata berat bayi berbeda dengan lainnya.

O Dengan menggunakan α=0.05, dari hasil di atas kita menolak hipotesis nol. Sehingga kita menyimpulkan ada perbedaan berat badan bayi dari ke tiga kelompok ibu tersebut (setidaknya salah satu nilai mean berbeda dengan lainnya). Namun, kita belum tahu kelompok mana yang berbeda antara satu dengan yang lainnya untuk mengetahui perbedaan kelompok bisa mengunakan Post Hock Test

Analisi Regresi

Syarat Pengujian Analisis Regresi

1. Asumsi Normalitas

Kenormalan data diperlukan dalam analisis regresi, salah satu metode yang digunakan dalam menguji normalitas adalah metode Kolmogorov Smirnov (KS), dalam metode KS penerimaan H0 mengindikasikan bahwa data yang dianalisis tersebut tersebar normal

Jika nilai Sig value > 0,05 maka data regresi mengikuti sebaran normal, dan jika sebaliknya nilai Sig value < 0,05 maka dinyatakan bahwa sebaran data tidak normal

2. Asumsi Homogenitas / Heteroskedastisitas

O Salah satu metode yang digunakan dalam

menganalisa homogen atau tidaknya suatu

data dalam regresi adalah Uji Levene (

levene test)

O Jika Sig Value > 0.05 maka H0 diterima,

artinya data bersifat homogen sebaliknya

O Jika Sig Value <0.05 H0 di tolak, artinya

data bersifat tidak homogen

3. Asumsi tidak terjadi Multikolinier

Kolinier Ganda merupakan hubungan linier yang sama kuat antara variabel-variabel bebas dalam persamaan regresi berganda.

- Adanya kolinier berganda ini menyebabkan pendugaan koefisien menjadi tidak stabil.

- Sebagai catatan tidak multikolinier hanya terjadi pada regresi berganda saja, untuk regresi sederhana tidak terjadi kr variabel bebasnya hanya satu.

O Asumsi tidak terjadi autokorelasi

O Uji korelasi digunakan untuk melihat

kebebas data, kebebasan disini

dimaksudkan bahwa data suatu observasi

tertentu tidak dipengaruhi data observasi

sebelumnya.

O Salah satu metode yang digunakan dalam

menguji autokorelasi adalah metode Durbin

Watson (DW)

Latihan : Regresi Sederhana

O Klik Analyze > Regression > Linier sehingga akan

ditampilkan tampilan pada gambar berikut :

Output

Interpretasi

O Pada Uji Anova terlihat bahwa terdapat pengaruh yang significant antara Variabel Promosi (X1) terhadap variabel sales(Y) dimana:

O Nilai Sig < Alpha 5% ( 0,000 < 0,05)

O Atau pada uji-t terlihat nilai t hitung > t tabel (6,384) atau nilai alpha < 0.05 (0,000 < 0,05)

O Dari data tersebut diatas juga terlihat adanya korelasi yang kuat antara variabel Promosi(X1) terhadap variabel Sales(Y) hal ini dibuktikan dengan nilai korelasi(R) sebesar 0.612,

O sedangkan pada koefisien determinasinya (R Square) yaitu kemampuan untuk mempengaruhi antar variabel Promosi terhadap Sales sebesar 0.375 dan masih terdapat 62.5% (100%-37,5%) varibel lain yang mempengaruhi Sales (selain variabel promosi tersebut)

O Nilai Konstanta sebesar 214.675 menunjukkan

bahwa jika tidak ada aktivitas Promosi(X1=0) maka

nilai sales/penjualan hanya sebesar 214.675

O Nilai Slop 4.176 menunjukkan bahwa setiap

kenaikan kegiatan promosi 1 juta Rupiah, maka hal

tersebut akan meningkatkan sales/penjualan

sebesar 4.176 juta rupiah.

Take Home

No Kunjungan Kepuasan

1 47098 6754

2 56847 7925

3 36984 5687

4 87489 9483

5 23346 3514

6 38660 6642

7 41835 7411

8 60149 9935

9 25524 3543

10 55911 7634

11 47683 7603

• Sajikan dan

Interpretasika

n

KASUS : REGRESI BERGANDA

Tahap : 1. Lakukan Uji Normalias

O Klik Analyze > Klik Dtescriptive Statistik > Explore

O Berdasarkan hasil pengujian di dapat KS hitung untuk Kunjungan, tanggapan dan Kepuasan sebesar 147,173, dan 173 dengan nilai sigfikasi / nilai sig sebesar 200,200,200, dengan nilai sig > 0.05 maka dapat dikatakan bahwa sebaran data tersebut diatas adalah Normal

Tahap 2. Melakukan Uji Homogenitas O Buat variabel baru dengan nama group,

kemudian isikan datanya sebagai berikut

O Catatan : buatlah pengelompokan data, sbg contoh sauadara mempunyai 10 data, maka group angka 1 dari no 1 – 5 lalu group angka 2 dari 6-10

O Berdasarkan Levene Test tersebut diatas didapatkan nilai signifikasi/nilai sig sebesar 0.261 untuk variabel kunjungan, kemudian 0,730 untuk tanggapan dan 0.727 untuk kepuasan, sehingga dapat disimpulan bahwa sebaran data bersifat homogen dengan nilai sig > 0.05

Tahap 3|4 Bebas Multikolinier dan Multikorelasi O Klik analyze > Klik Regression > Linear kemudian

silahkan setting sesuai dengan kotak dialog linerar regression dan Linerar Regression Statistik berikut ini

O Interprestasi Uji Asumsi bebas Multiklinieritas (Nilai

VIF)

O Berdasarkan data diatas didapat nilai VIF sebesar

4.994 untuk variabel bebas Kunjungan dan 4.994

untuk variabel bebas tanggapan karena nilai VIF

dibawah 10 maka dapat disimpulkan bahwa

semua variabel tersebut bebas multi kolinieritas

(Nilai VIF) artinya tidak saling berhubungan /

korelasi antar variabel bebas

Interprestasi Uji Asumsi bebas Autokorelasi ( Nilai Durbin Watson )

O Berdasarkan data diatas, didapat nilai Durbin-watson sebesar 1.467 sehingga dapat disimpulkan tidak terjadi autokorelasi berdasarkan ketentuan autokrelasi terjadi jika nilai Durbin-Watson : 1 < DW < 3