Bahan Ajar Dan Contoh SPSS - Tatit Kurniasih

5/11/2018 Bahan Ajar Dan Contoh SPSS - Tatit Kurniasih - slidepdf.com

http://slidepdf.com/reader/full/bahan-ajar-dan-contoh-spss-tatit-kurniasih 1/11

1

Bahan ajar SPSS - Tatit Kurniasih (200801004)

Bahan Ajar SPSS

Disusun oleh : Tatit Kurniasih

Soal (n>30)

Suatu penelitian berbentuk survey (observasional) bertujuan untuk

mengetahui faktor-faktor yang berpengaruh terhadap jumlah uang yang

ditabung oleh seseorang. Observasi dilakukan secara bersamaan terhadap 40

orang, sehingga diperoleh data secara cross sectional. Variabel yang diamatimeliputi :

saving salary output income dummy

0,03 3 6,6 43,56 1

0,87 6 13,7 187,69 1

0,37 6 5,9 34,81 1

1,2 7 7,2 51,84 1

0,28 8 6,8 46,24 1

1,4 8 6,7 44,89 111,6 8,1 18,5 342,25 1

1,77 8,3 15,2 231,04 1

3,98 8,6 5,7 32,49 1

1,02 8,7 8,4 70,56 1

6,12 9 4,9 24,01 1

0,69 9,2 6,8 46,24 1

1,4 9,5 6,2 38,44 1

1,83 9,7 5,8 33,64 1

0,61 10 4,8 23,04 1

0,05 10 8,3 68,89 1

0,01 11 4,8 23,04 1

1,39 11 7,1 50,41 1

0,6 11,5 6,6 43,56 1

2,22 12 12,8 163,84 1

1,59 12 5,8 33,64 0

5,08 12,3 7,9 62,41 0

1,85 13 5,7 32,49 0

0,91 15 12,6 158,76 0



2


2,48 15,3 3,9 15,21 0

0,84 15,3 9,6 92,16 0

1,27 25 3,7 13,69 01,09 25,2 6,9 47,61 0

1,16 25,3 5,6 31,36 0

0,34 25,4 6,2 38,44 0

0,37 26 6,3 39,69 0

3,31 26,3 10,6 112,36 0

10,67 27 3,5 12,25 0

1,11 30 6,9 47,61 0

3,5 32 8,5 72,25 0

0,54 33 11,3 127,69 0

3,02 33 16,8 282,24 00,65 35 8,3 68,89 0

0,99 40 6,8 46,24 0

2,53 42,5 4,9 24,01 0

Y = saving (thousand dollar)

X1 = salary (thousand dollar)

X2 = output per month (thousand dollar)

X3 = another income (thousand dollar)

X4 (dummy) = work in government (1), entrepreneur (0)

Dengan menggunakan aplikasi SPSS, saya mendapatkan hasil :

1. Analisis Deskriptif (dilakukan untuk mengetahui rata-rata, nilai maksimum dan

minimum)

Analize >> Descriptive Statistic >> Descriptives >> OK

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

saving 40 .01 11.60 2.0185 2.51228

salary 40 3.00 42.50 17.0800 10.71068

output 40 3.50 18.50 7.8650 3.52701

income 40 12.25 342.25 73.9870 74.31142

Valid N (listwise) 40



3


Seperti yang dapat kita lihat dari output diatas,

Keempatpuluh responden memiliki rata-rata tabungan sebesar 2.0185 dengan nilai

minimum 0.01 dan nilai maksimal 11.60 serta memiliki standar deviasi sebesar

2.51228. Nilai rata-rata pada variabel lainnya dapat Anda lihat di tabel tersebut.

2. Analisis Korelasi Sederhana

Analize >> Correlate >> Bivariate >> masukkan variabel bebas dan terikat ke‘variables’ >> Pilih Pearson pada kotak ‘Correlation Coeficient’ >> OK

Correlations

saving salary output income dummy

saving Pearson Correlation 1 .033 .217 .329*

-.059

Sig. (2-tailed) .839 .178 .038 .717

N 40 40 40 40 40

salary Pearson Correlation .033 1 -.034 -.035 -.790

**

Sig. (2-tailed) .839 .835 .831 .000

N 40 40 40 40 40

output Pearson Correlation .217 -.034 1 .981**

.079

Sig. (2-tailed) .178 .835 .000 .628

N 40 40 40 40 40

income Pearson Correlation .329*

-.035 .981**

1 .082

Sig. (2-tailed) .038 .831 .000 .614

N 40 40 40 40 40

dummy Pearson Correlation -.059 -.790**

.079 .082 1

Sig. (2-tailed) .717 .000 .628 .614

N 40 40 40 40 40

*. Correlation is significant at the 0.05 level (2-tailed).

**. Correlation is significant at the 0.01 level (2-tailed).



4


Dari hasil Korelasi sederhana (r) didapat korelasi antara Saving dengan Salary (0.033),

Saving dengan Output (0.217), Saving dengan Income (0.329) dan Dummy (-0.059).

Angka yang berada didalam kurung menunjukkan korelasi positif (kecuali pada

variable dummy=negatif) yang lemah karena tidak berada di rentang 0,6-1.

Uji t = Uji Signifikansi Koefisien Korelasi digunakan untuk menguji apakah hubungan

yang terjadi pada sampel benar-benar mencerminkan kondisi di populasi atau tidak.

Hipotesis :

H0 = Tidak ada hubungan antara Saving dengan Salary

H1 = Ada hubungan antara Saving dengan Salary

Pengujian menggunakan uji 2 sisi dengan tingkat signifikansi 5%, jadi t tabelnya

(dengan d.f = 40-4=36) adalah : 1,688

ℎ =√ − 4

√ 1 − =

0,033√ 36

√ 0,811= 0,19811

Karena nilai t hitung > t tabel (0,19811 < 1,686) dan signifikansi (0,839 >0,05) maka

Ho diterima, berarti tidak ada hubungan antara Saving dengan Salary, dan

begitupun dengan variabel lainnya (dapat dihitung masing-masing dengan cara diatas).

3. Analisis Parsial

Analize >> Correlate >> Partial >> masukkan dummy ke ‘controlling for’ dan variabel

lain ke ‘variables’ >> OK

Correlations

Control Variables saving salary output income

dummy saving Correlation 1.000 -.022 .223 .336

Significance (2-tailed) . .894 .173 .036

df 0 37 37 37



5


salary Correlation -.022 1.000 .046 .049

Significance (2-tailed) .894 . .780 .766

df 37 0 37 37

output Correlation .223 .046 1.000 .981

Significance (2-tailed) .173 .780 . .000

df 37 37 0 37

income Correlation .336 .049 .981 1.000

Significance (2-tailed) .036 .766 .000 .

df 37 37 37 0

Output diatas menunjukkan hubungan negatif antara saving dengan salary (-0,022)

dan ada hubungan positif namun lemah antara saving dengan output dan income yakni

sebesar 0,223 dan 0,336.

4. Analisis Regresi Linear Berganda

Analize >> Regression >> Linear >> masukkan Saving ke variabel dependent dan

variabel lainnya ke Variabel Independent >> OK

Variables Entered/Removedb

Model

Variables

Entered

Variables

Removed Method

1 dummy, output,

salary, incomea

. Enter

a. All requested variables entered.

b. Dependent Variable: saving

Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate Durbin-Watson

1 .642a

.413 .345 2.03247 1.896



6


Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the


1 .642a

.413 .345 2.03247 1.896

a. Predictors: (Constant), dummy, output, salary, income


ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 101.568 4 25.392 6.147 .001a

Residual 144.583 35 4.131

Total 246.151 39



Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig.B Std. Error Beta

1 (Constant) 10.578 2.503 4.225 .000

salary -.017 .050 -.072 -.338 .737

output -1.980 .472 -2.780 -4.194 .000

income .104 .022 3.065 4.623 .000

dummy -.735 1.052 -.148 -.699 .489

a. Dependent Variable: saving

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value .3771 8.5435 2.0185 1.61378 40

Residual -2.98857 6.20544 .00000 1.92542 40

Std. Predicted Value -1.017 4.043 .000 1.000 40

Std. Residual -1.470 3.053 .000 .947 40




7


Output diatas menunjukkan persamaan regresi sebagai berikut :

Y’=10,587 – 0,017 X1 – 1,980 X2 + 0,104 X3 -0,735X4 + e

Fungsi persamaan linear dalam keadaan Ceteris Paribus ini menunjukkan bahwa:

1. Jika nilai X1, X2, X3, X4 adalah 0, maka Y bernilai = 10,587

2. Adanya penurunan sebesar 0,017 pada Y (Saving) untuk setiap 1 poin kenaikan

pada X1 (Salary)


pada X2 (Output)

4. Adanya kenaikan sebesar 0,104 pada Y (Saving) untuk setiap 1 poin kenaikan

pada X3 (Income)


pada X4 (Dummy)

UJI F (uji koefisien secara bersama-sama)

Hipotesis yang dapat dirumuskan :

H0 = tidak ada pengaruh antara Saving dengan Salary, Output, Income dan Dummy

H1 = adanya hubungan antara Saving dengan Salary, Output, Income dan Dummy

Dengan F tabel sebesar 2,874 (df 1=3, df 2 = 35 dan tingkat signifikansi 5%)

F hitung (6,147) > F tabel (2,874) maka H0 ditolak, menandakan bahwa ada hubungan

antara Saving dengan Salary, Output, Income dan Dummy secara bersamaan.

5. Uji Asumsi Dasar

a. Uji Normalitas



8


Analize >> Descriptive Statistic >> Explore >> facors level together >> OK

Tests of Normality

Kolmogorov-Smirnova

Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

saving .252 40 .000 .669 40 .000

salary .223 40 .000 .865 40 .000

output .225 40 .000 .844 40 .000

income .284 40 .000 .705 40 .000

dummy .338 40 .000 .637 40 .000

a. Lilliefors Significance Correction

Dari output Kolmogorov-Smirnov tingkat signifikansi untuk saving, salary, output dan

income = 0,000 karena nilanya lebih kecil dari 0,005 maka dapat disimpulkan bahwa

data tidak terdistribusi secara normal.

b. Uji Linearitas

Analize >> Compare Means >> Means >> Options >> Test for Linearity >> Continue

ANOVA Table

Sum of Squares df Mean Square F Sig.

saving *

output

Between Groups (Combined) 236.071 29 8.140 8.076 .001

Linearity 11.604 1 11.604 11.512 .007

Deviation from Linearity 224.467 28 8.017 7.953 .001

ANOVA Table


saving

*

salary

Between Groups (Combined) 239.671 32 7.490 8.091 .004

Linearity .270 1 .270 .292 .606


Within Groups 6.480 7 .926

Total 246.151 39



9


Within Groups 10.080 10 1.008

Total 246.151 39

ANOVA Table


saving * income Between Groups (Combined) 236.071 29 8.140 8.076 .001

Linearity 26.714 1 26.714 26.502 .000


Within Groups 10.080 10 1.008

Total 246.151 39

Hasil uji linearitas diatas menunjukkan nilai signifikasi linearity saving*salary = 0,606 >

0,05 maka dapat disimpulkan bahwa antara saving dan salary terdapat hubungan

linear namun nilai signifikansi linaerity saving*output dan saving*income = 0,007 dan

0,000 yang < 0,05 menandakan terdapat hubungan yang tidak linear.

b. Uji Multikolinearitas

Analize >> Regression >> Linear >>Statistic >> Colinearity Diagnostic >> Continue

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) 10.578 2.503 4.225 .000

salary -.017 .050 -.072 -.338 .737 .376 2.662

output -1.980 .472 -2.780 -4.194 .000 .038 26.176

income .104 .022 3.065 4.623 .000 .038 26.198

dummy -.735 1.052 -.148 -.699 .489 .374 2.677




10


Output coefficients diatas menunjukkan tingkat VIF salary (2,662) < 5 dapat

disimpulkan bahwa tidak ada multikolienearitas antara variabel saving dan salary,namun pada variabel output (26,176) dan income (26,198) tingkat VIF nya > 5, maka

dapat disimpulkan bahwa multikolineritas terjadi antara kedua variabel tersebut.

c. Uji Heteroskedastisitas

Didapat dari :

Analize >> Correlate >>Bivariate >>masukkan Residual variabel >>keluarkan variabel‘saving’ >>pilih ‘Spearman’ pada kotak Correlation Coefficient>>OK

Correlations

salary output income dummy

Unstandardized

Residual

S

p

e

a

r

m

a

n

'

s

r

h

o

salary Correlation Coefficient 1.000 -.028 -.028 -.864**

-.020

Sig. (2-tailed) . .865 .865 .000 .902

N 40 40 40 40 40

output Correlation Coefficient -.028 1.000 1.000**

.046 .194

Sig. (2-tailed) .865 . . .780 .231

N 40 40 40 40 40

income Correlation Coefficient -.028 1.000**

1.000 .046 .194

Sig. (2-tailed) .865 . . .780 .231

N 40 40 40 40 40

dummy Correlation Coefficient -.864**

.046 .046 1.000 .104

Sig. (2-tailed) .000 .780 .780 . .523

N 40 40 40 40 40

Unstandardized Residual Correlation Coefficient -.020 .194 .194 .104 1.000

Sig. (2-tailed) .902 .231 .231 .523 .

N 40 40 40 40 40

**. Correlation is significant at the 0.01 level (2-tailed).



11


Dari output Correlations diatas dapat diketahui korelasi antara unstandardized dengansalary (0,902), output (0,231), income (0,231), dummy (0,523) yang lebih dari 0,05,

maka dapat disimpulkan bahwa diantara variabel-variabel tersebut tidak terdapat

heteroskedastisitas.

d. Uji Autokorelasi

Analize >> Regression >> Linear >> masukkan variabel ‘saving’ ke kotak dependentvariable dan variabel lainnya ke kotak independent variables >> Statistic >>Durbin

Watson

Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the


1 .642

a

.413 .345 2.03247 1.896



Dari output diatas didapat nilai DW = 1,896 dengan tingkat signifikansi 0,05, jumlah

data 40, 4 variabel independent, diperoleh nilai dl = 1,285 dan du = 1,721 (didapat

dari tabel Diurbin watson). Karena nilai DW yang didapat dari hasil diatas > nilai DW

tabel, maka tidak ditemukannya autokorelasi

Bahan Ajar Dan Contoh SPSS - Tatit Kurniasih

Documents

Transcript of Bahan Ajar Dan Contoh SPSS - Tatit Kurniasih