Laporan Praktikum Crosstab

LAPORAN PRAKTIKUM

ANALISIS STATISTIK CROSSTAB UNTUK MENGANALISIS HUBUNGAN ANTARA

LAMA SEKOLAH DAN PERSENTASE KELUARGA PRA SEJAHTERA TERHADAP

INDEKS PEMBANGUNAN MANUSIA DI JAWA TENGAH PADA TAHUN 2013

MENGGUNAKAN SPSS

Disusun Untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan

TKP (342)

Oleh:

Nafisah Anas

21040113120054

JURUSAN PERENCANAAN WILAYAH DAN KOTA

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO

SEMARANG

2015

PENDAHULUAN

Perencanaan wilayah dan kota adalah suatu ilmu yang mempelajari bagaimana

merencanakan suatu wilayah dan kota dengan mempertimbangkan aspek fisik, sosial, ekonomi

dan politik sehingga tercipta ruang yang aman, nyaman, produktif dan berkelanjutan. Dalam

proses perencanaan terdapat sekumpulan langkah yang dilakukan dalam mempersiapkan

kegiatan-kegiatan tertentu yang sistematis, salah satunya ialah tahap analisis data. Analisis data

diperlukan untuk menjelaskan keadaan suatu wilayah dan kota serta hubungan antar

permasalahan-permasalahan yang ada sehingga dapat ditemukan solusi yang efektif. Salah satu

metode analisis yang dapat digunakan dalam perencanaan adalah analisis crosstab. Metode

analisis tabulasi silang (cross tabulation) merupakan metode analisis statistika yang digunakan

untuk mengetahui hubungan antar variabel yang dikaji.

Dalam perencanaan analisis crosstab dapat dilakukan secara manual maupun

menggunakan alat bantu aplikasi. Dalam perhitungan dan prosesnya, alat batu aplikasi lebih

efektif digunakan di dalam perencanaan wilayah dan kota terutama untuk data dengan skala besar

guna menghindari kesalahan sehingga meningkatkan akurasi dan efektifitas waktu. Salah satu

aplikasi alat bantu yang dapat digunakan ialah SPSS. SPSS (Statistical Package for Social

Science) adalah aplikasi yang berfungsi sebagai alat bantu analisis statistika yang biasa digunakan

atau diterapkan untuk memenuhi sebuah penelitian baik di perguruan tinggi atau di perusahaan.

Aplikasi yang memiliki analisis statis yang cukup tinggi ini menggunakan menu deskriptif dan

juga kotak-kotak dialog yang tidak rumit dan sederhana sehingga memungkin penggunanya untuk

lebih mudah dalam memahami bagaimana pengoperasiannya. Oleh karena itu penting bagi

seorang perencana wilayah dan kota mengetahui cara mengoperasikan aplikasi ini guna

mempermudah dan memperkuat analisisnya.

KAJIAN LITERATUR

Analisis Crosstab

Metode analisis tabulasi silang (cross tabulation) merupakan metode analisis statistika

yang digunakan untuk mengenal hubungan antar variabel yang dikaji. Penggunaan tabulasi silang

digunakan untuk mengetahui tingkat korelasi antara variabel bebas dan terikat. Hasil tabulasi

silang disajikan ke dalam suatu tabel dengan variabel yang tersusun sebagai kolom dan baris.

Adapun faktor atau elemen analisis dan tabulasi silang yang dikaji ialah data ordinal sehingga

analisis yang digunakan yaitu:

1. Uji Chi-Square Pearson

Bertujuan untuk menguji ketergantungan atau keterkaitan (test of independence) antara

variabel. Hipotesis yang dilakukan adalah:

Ho = Tidak ada hubungan antara baris dan kolom

H1 = Ada hubungan antara baris dan kolom

Dengan hasil Chi-Square Pearson, maka dapat diambil kesimpulan:

Jika nilai chi-square hitung lebih kecil dari chi-square tabel maka Ho diterima (tidak ada

keterkaitan antara dua variabel), begitu sebaliknya, jika chi-square hitung lebih besar dari

chi-square tabel maka Ho ditolak (ada keterkaitan antara dua variabel yang diujikan).

Catatan yang perlu diperhatikan adalah chi-square tabel bisa dihitung dengan tingkat

signifikansi dan df (degree of freedom) berbeda-beda pada tiap variabelnya.

2. Somer’s

Uji Somer's D adalah salah satu dari uji Asosiatif Non Parametris pada tabel directional

Measure. Somer's D mengukur hubungan antara 2 variabel berskala ordinal yang dapat

dibentuk ke dalam tabel kontingensi. Uji ini mengukur hubungan yang bersifat symmetris

yang dilihat dari nilai approx. Sig kurang dari 0,05 artinya variabel A dan variabel B

dapat saling mempengaruhi.

3. Uji gamma

Koefisien gamma merupakan nilai yang digunakan untuk mengetahui hubungan antara

dua variabel ordinal pada tabel kontingesi yang dilihat dari nilai approx sig.

4. Spearman Correlation

Uji Spearman merupakan salah satu uji statistik non paramateris. Digunakan apabila ingin

mengetahui kesesuaian antara 2 subjek di manajika mendekati 1 maka variabel terikat

kuat.

Indeks Pembangunan Manusia (IPM)

Indeks Pembangunan Manusia (IPM) / Human Development Index (HDI) adalah

pengukuran perbandingan dari harapan hidup, melek huruf, pendidikan dan standar hidup untuk

semua negara seluruh dunia. IPM digunakan untuk mengidentifikasi seberapa maju suatu wilayah

dan juga untuk mengukur pengaruh dari kebijaksanaan ekonomi terhadap kualitas hidup.

Lama Sekolah

Angka lama sekolah angka yang menunjukan seberapa lama seseorang menerima

pendidikan formal yang dihitung sejak sekolah dasar.

Presentase Keluarga Pra Sejahtera

Menurut BKKBN Keluarga Pra Sejahtera yaitu keluarga yang tidak memenuhi salah satu

dari 6 (enam) indikator Keluarga Sejahtera I (KS I) atau indikator ”kebutuhan dasar keluarga”

(basic needs). Persentase Keluarga Pra Sejahtera ialah perbandingan antara jumlah keluarga pra

sejahtera terhadap jumlah keluarga total. Enam Indikator tahapan Keluarga Sejahtera I (KS I) atau

indikator ”kebutuhan dasar keluarga” (basic needs), dari 21 indikator keluarga sejahtera.

STUDI KASUS

Latar Belakang

Indeks Pembangunan Manusia (IPM)/Human Development Index (HDI) adalah

pengukuran perbandingan dari harapan hidup, melek huruf, pendidikan dan standar hidup untuk

semua negara seluruh dunia. IPM digunakan untuk mengidentifikasi seberapa maju suatu wilayah

dan juga untuk mengukur pengaruh dari kebijaksanaan ekonomi terhadap kualitas hidup. Untuk

mengidentifikasi seberapa besar pengaruh faktor penyebab indeks pembangunan manusia perlu

dilakukan sehingga kedepannya dapat direncanakan bagaimana meningkatkan nilai indeks

pembangunan manusia tersebut.

Jawa Tengah merupakan salah satu Provinsi di Indonesia yang berada di tengah Pulau

Jawa. Provinsi Jawa Tengah semestinya mampu menjadi pusat kegiatan perdagangan dan jasa

karena lokasinya yang strategis teletak di tengah-tengah Pulau Jawa sebagai jalur lalu lintas antar

provinsi di pulau Jawa, namun hal ini tidak demikian bahkan dalam beberapa aspek ekonomi

Provinsi Jawa Tengah tertinggal dengan beberapa provinsi disekitarnya. Hal ini dapat dilihat dari

nilai indeks pembangunan manusia Provinsi Jawa Tengah hanya 73,36 sementara Provinsi DIY

dan Jawa Barat sebesar 75,77 dan 80,58. Hal ini dikarenakan sumber daya manusia yang kurang

mendukung kegiatan tersebut sehingga Provinsi Jawa Tengah perlu meningkatkan kualitas

sumber daya manusianya dengan meningkatkan faktor pembentuk indeks pembangunan manusia.

Faktor yang mungkin mempengaruhi indeks pembangunan manusia ialah lama sekolah dan

persentase keluarga pra sejahtera, maka dari itu perlu diuji apakah ada hubungan antara dua faktor

tersebut terhadap indeks pembangunan manusia serta seberapa besar keterkaitannya dan

bagaimanakah sifat dari keterkaitan tersebut.

Gambaran Kasus

Dalam kasus ini akan dianalisis seberapa besar hubungan data lama sekolah dan

persentase keluarga prasejahtera terhadap indeks pembangunan manusia di Provinsi Jawa Tengah

pada tahun 2013. Data ini merupakan data sekunder yang diperoleh dari BPS Provinsi Jawa

Tengah Tahun 2014. Dalam penggambaran analisisnya akan diketahui nilai dari Uji Chi-Square

Pearson, Spearman Correlation dan Pearson’s R, Contingency Coefficient serta nilai Lambda

yang akan menjelaskan tingkat keterkaitan dan pengaruhnya.

Tabel 1 Rata-rata Lama Sekolah, Presentase Keluarga Pra Sejahtera dan Indeks Pembangunan Manusia

Per Kabupaten di Provinsi Jawa Tengah Tahun 2013 No Kabupaten/Kota Rata-rata Lama

Sekolah Persentase

Keluarga Pra Sejahtera

IPM

1 Kab. Cilacap 6,87 25,76 72,77

2 Kab. Banyumas 7,79 23,35 73,33

3 Kab. Purbalingga 7,23 26,5 72,97

4 Kab. Banjarnegara 6,35 27,2 70,70

5 Kab. Kebumen 6,93 25,25 71,86

6 Kab. Purworejo 7,93 25,65 73,53

7 Kab. Wonosobo 6,56 23,66 71,45

8 Kab. Magelang 7,55 26,79 73,14

9 Kab. Boyolali 7,43 37,19 71,50

10 Kab. Klaten 8,31 18,76 74,46

11 Kab. Sukoharjo 8,53 20,12 74,21

12 Kab. Wonogiri 6,65 14,94 72,59

13 Kab. Karanganyar 8,27 12,15 74,62

14 Kab. Sragen 7,22 25,79 71,85

15 Kab. Grobogan 6,83 62,62 71,77

16 Kab. Blora 6,46 43,33 71,49

17 Kab. Rembang 7,05 50,21 72,81

18 Kab. Pati 7,01 31,63 73,81

19 Kab. Kudus 8,49 10,91 73,69

20 Kab. Jepara 7,58 27,58 73,54

21 Kab. Demak 7,62 36,64 73,52

22 Kab. Semarang 8,07 25,7 74,98

23 Kab. Temanggung 7,1 21,88 74,74

24 Kab. Kendal 7,11 35,33 71,48

25 Kab. Batang 6,73 34,53 71,41

26 Kab. Pekalongan 6,8 21,62 72,37

27 Kab. Pemalang 6,54 31,87 70,66

28 Kab. Tegal 6,62 20,29 71,74

29 Kab. Brebes 6,07 28,05 69,37

30 Kota Magelang 10,36 14,54 77,26

31 Kota Surakarta 10,49 9,63 78,60

32 Kota Salatiga 9,98 11,75 77,13

33 Kota Semarang 10,3 10,51 77,98

34 Kota Pekalongan 8,72 18,28 75,25

35 Kota Tegal 8,3 12,06 74,63

Sumber: BPS Provinsi Jawa Tengah, 2014 Sebelum data menjadi informasi terdapat langkah yang dilakukan yaitu:

1. Membuat Hipotesis Hipotesis yang berlaku jika diambil tingkat kesalahan 5%

H0 : variabel terikat tidak bergantung pada variabel bebas H1 : variabel terikat bergantung pada variabel bebas

2. Mengubah Data Tunggal Menjadi Data Kelompok Data yang digunakan dalam penyusunan tugas ini ialah data kontinyu sehingga sebelum dianalisis tabulasi silang perlu diubah menjadi data diskrit dengan cara mengkelaskan data sehingga menjadi data ordinal (diskrit). Langkah langkah yang dilakukan ialah: a. Menentukan nilai maksimum dari data.

b. Menentukan nilai minimum dari data. c. Menentukan jangkauan dari data dengan cara mencari selisih antara nilai

maksimum dan minimum. d. Menentukan banyak kelas yang digunakan dengan rumus

k = 1 + 3,3 log n keterangan: k = Banyak kelas n = Banyaknya data

e. Menentukan panjang kelas dengan cara membagi jangkauan dengan banyak kelas.

Setelah langkah diatas dilakukan maka didapatkan kelas data kelompok sebagai berikut:

Tabel 2 Kelas Data Kelompok

Rata-rata Lama Sekolah

Persentase Keluarga Pra

Sejahtera

IPM

Minimum 0,736666667 6 69,37

Maksimum 10,49 62,62 78,6

Jangkauan 9,753333333 56,62 9,23

Banyak kelas 6 6 6

Panjang Kelas 1,625555556 9,436666667 1,538333333

Kelas 1 6,06-6,81 9,62-18,45 69,36-70,9

Kelas 2 6,82-7,55 18,46-27,28 71-72,44

Kelas 3 7,56-8,29 27,29-36,11 72,45-73,98

Kelas 4 8,30-9,03 36,12-44,94 73,99-75,52

Kelas 5 9,04-9,77 44,95-53,77 75,53-77,06

Kelas 6 9,78-10,51 53,78-62,60 77,07-78,6

Sumber: Hasil Perhitungan Pribadi, 2015

HASIL DAN PEMBAHASAN

Berdasarkan langkah kerja yang telah dilakukan didapatkan beberapa output yaitu:

Tabel 3

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

IPM_kelas *

Kelas_lama_sekolah

35 100% 0 0% 35 100.0%

IPM_kelas *

Keluarga_pra_sejahtera_kelas

35 100% 0 0% 35 100.0%

Sumber: Analisis Pribadi Menggunakan SPSS, 2015

Dari tabel diatas dapat diketahui bahwa dari jumlah data N 35 semuanya terproses dengan

baik dimana jumlah N valid sama dengan jumlah N total dengan persentasi 100% dan tidak ada

data yang hilang (missing 0%).

Tabulasi Silang Antara Indeks Pembangunan Manusia dengan Lama Sekolah Tabel 4

Crosstab

Count

Kelas_lama_sekolah

Total 1.00 2.00 3.00 4.00 6.00

IPM_kelas 1.00 3 0 0 0 0 3

2.00 5 5 0 0 0 10

3.00 1 5 4 1 0 11

4.00 0 1 2 4 0 7

6.00 0 0 0 0 4 4

Total 9 11 6 5 4 35


Berdasarkan tabel diatas dapat di ketahui bahwa pada IPM kelas 1 dimana nilai indeks

69,36-70,9 terdapat 3 kabupaten/kota yang lama sekolahnya di kelas satu yaitu 6,06-6,81. Pada

IPM kelas 2 dengan rentang kelas 71-72,44 terdapat lima kabupaten/kota yang kelas lama

sekolahnya 6,06-6,81 dan lima kabupaten/kota yang kelas lama sekolahnya 6,82-7,55. Pada IPM

kelas 3 dengan rentang kelas 72,45-73,98 terdapat satu kabupaten/kota yang kelas lama

sekolahnya 6,06-6,81, lima kabupaten/kota yang kelas lama sekolahnya 6,82-7,55, empat

kabupaten/kota yang kelas lama sekolahnya 7,56-8,29 dan satu kabupaten/kota yang kelas lama

sekolahnya 8,30-9,03. Pada IPM kelas 4 dengan rentang kelas 73,99-75,52 terdapat satu

kabupaten/kota yang kelas lama sekolahnya 6,82-7,55, dua kabupaten/kota yang kelas lama

sekolahnya 7,56-8,29 dan empat kabupaten/kota yang kelas lama sekolahnya 8,30-9,03. Pada IPM

kelas 6 terdapat empat kabupaten/kota dengan kelas lama sekolah 9,78-10,51. Tidak ada

Kabupaten/Kota yang memilki kelas IPM dan lama sekolah 5. Kelas IPM di Jawa Tengah paling

banyak terdapat pada kelas 3 yaitu 72,45-73,98 dan kelas lama sekolah di Jawa Tengah paling

banyak di kelas 2 yaitu 6,82-7,55.

Tabel 5

Chi-Square Tests

Value df

Asymp. Sig. (2-

sided)

Pearson Chi-Square 65.837a 16 .000

Likelihood Ratio 55.073 16 .000

Linear-by-Linear Association 28.127 1 .000

N of Valid Cases 35

a. 25 cells (100,0%) have expected count less than 5. The minimum expected

count is ,34.


Hipotesis yang berlaku jika diambil tingkat kesalahan 5% H0 : tidak ada hubungan antara variabel lama sekolah dan variabel IPM H1 : ada hubungan antara variabel lama sekolah dan variabel IPM

Dari tabel chi-square test diketahui nilai asymp. Sig dari pearson Chi-Square hubungan

IPM dengan Lama Sekolah lebih kecil dari tingkat kesalahan 5% atau chi-square 0.000<0,05.

Maka H1 diterima yang berarti ada hubungan antara baris dan kolom variabel, atau lebih jelasnya,

“ada hubungan antara IPM dengan Lama Sekolah”. artinya IPM dipengaruhi oleh Lama Sekolah.

Jika dilihat dari nilai df 16 dengan tingkat kesalahan 5% yang memiliki nilai t-table 1,746,

value Pearson Chi-Square memiliki nilai sebesar 65.837a yang berarti lebih besar dari nilai value

t-table maka dapat disimpulkan bahwa h1 diterima atau terdapat hubungan antara variabel IPM

dan lama sekolah.

Tabel 6

Directional Measures

Value

Asymp. Std. Errora Approx. Tb Approx. Sig.

Ordinal by Ordinal

Somers' d Symmetric .791 .057 10.748 .000

IPM_kelas Dependent .784 .059 10.748 .000

Kelas_lama_sekolah Dependent

.798 .057 10.748 .000

a. Not assuming the null hypothesis.

b. Using the asymptotic standard error assuming the null hypothesis.


Tabel Directional Measures merupakan cara pengukuran untuk hubungan setara atau

tidak setara berdasarkan pada Proportional Reduction in Error (PRE). Untuk besaran Somer’s:

nilai Approx. Sig pada Somer’s Symmetric 0,000 yang berarti lebih kecil dari tingkat

kesalahan 0,05 sehingga korelasi antara variabel IPM dan lama sekolah setara dan nyata.

Nilai value Somer’s Symmetric 0,791 mendekati 1 sehingga terdapat variabel lama sekolah

sangat mempengaruhi variabel IPM. Tanda positif pada nilai somer’s menunjukkan

hubugan positif atau berbanding lurus dimana jika nilai lama sekolah diperbesar maka nilai

IPM akan semakin besar juga

Untuk value IPM sebagai variabel terikat karena memiliki nilai aprox. sig 0,00(lebih kecil

dari 0,05) maka disimpulkan bahwa variabel bebas bisa memprediksi IPM.

Lama sekolah dependent karena menunjukkan signifikansi 0,00 (dibawah 0,05) maka

disimpulkan bahwa variabel IPM dapat digunakan untuk memprediksi lama sekolah.

Tabel 7

Symmetric Measures

Value


Ordinal by Ordinal Kendall's tau-b .791 .057 10.748 .000

Kendall's tau-c .757 .070 10.748 .000

Gamma .939 .039 10.748 .000

Spearman Correlation .855 .052 9.489 .000c

Interval by Interval Pearson's R .910 .034 12.571 .000c

N of Valid Cases 35



c. Based on normal approximation.


Besaran hubungan keterkaitan variabel ordinal by ordinal yang diwakili dengan value

Kendall’s tau-b 0,791, Kendall’s tau-c 0,757, Gamma 0,939 dan Spearman Correlation 0,855

semuanya memiliki nilai diatas 0,5 atau mendekati 1 sehingga sehingga dapat disimpulkan hasil

ketiga besaran memiliki hubungan yang erat, hal ini disesuaikan dengan syarat hubungan erat jika

mendekati 1 dan lemah jika mendekati 0. Semua approx sig kurang dari 0,05 sehingga hubungan

nyata dan setara.


Gambar 1

Grafik IPM*Lama Sekolah

Berdasarkan grafik diatas terlihat bahwa frekuensi terbanyak lama sekolah ialah kelas 2

yaitu 6,06-7,55 di kelas IPM 2 dan 3 yaitu 71-72,44 dan 72,45-73,98 dengan rata-rata lama

sekolah di IPM kelas 72,45-73,98.

Tabulasi silang antara IPM dengan Persentasi Keluarga Pra Sejahtera

Tabel 8

Crosstab

Count

Keluarga_pra_sejahtera_kelas

Total 1.00 2.00 3.00 4.00 5.00 6.00

IPM_kelas 1.00 0 1 2 0 0 0 3

2.00 0 5 2 2 0 1 10

3.00 2 5 2 1 1 0 11

4.00 3 4 0 0 0 0 7

6.00 2 0 0 0 1 1 4

Total 7 15 6 3 2 2 35


Berdasarkan tabel diatas dapat di ketahui bahwa pada IPM kelas 1 dimana nilai indeks

69,36-70,9 terdapat tiga kabupaten/kota, satu kabupaten/kota yang persentase keluarga pra

sejahteranya di kelas 9,62-18,45, dua kabupaten/kota yang persentase keluarga pra sejahteranya

di 18,46-27,28. Pada IPM kelas 2 dengan rentang kelas 71-72,44 terdapat lima kabupaten/kota

yang kelas persentase keluarga pra sejahteranya 18,46-27,28, dua kabupaten/kota yang kelas

persentase keluarga pra sejahteranya18,46-27,28, dua kabupaten/kota yang persentase keluarga

pra sejahteranya di 27,29-36,11 dan satu kabupaten/kota yang persentase keluarga pra

sejahteranya di kelas 53,78-62,60. Pada IPM kelas 3 dengan rentang kelas 72,45-73,98 terdapat

dua kabupaten/kota yang kelas persentase keluarga pra sejahteranya 9,62-18,45, lima

kabupaten/kota yang kelas persentase keluarga pra sejahteranya 18,46-27,28, dua kabupaten/kota

yang kelas persentase keluarga pra sejahteranya 27,29-36,11, satu kabupaten/kota yang kelas

persentase keluarga pra sejahteranya 36,12-44,94 dan satu kabupaten/kota yang persentase

keluarga pra sejahteranya 44,95-53,77. Pada IPM kelas 4 dengan rentang kelas 73,99-75,52

terdapat tiga kabupaten/kota yang persentase keluarga pra sejahteranya di 18,46-27,28 dan empat

kabupaten/kota yang persentase keluarga pra sejahteranya 18,46-27,28. Pada IPM kelas 6 terdapat

dua kabupaten/kota dengan kelas persentase keluarga pra sejahteranya di 18,46-27,28, satu

kabupaten/kota yang persentase keluarga pra sejahteranya 44,95-53,77 dan satu kabupaten/kota

yang persentase keluarga pra sejahteranya di kelas 53,78-62,60 . Tidak ada Kabupaten/Kota yang

memilki kelas IPM 5. Kelas IPM di Jawa Tengah paling banyak terdapat pada kelas 3 yaitu 72,45-

73,98 dengan 11 kabupaten/kota dan kelas persentase keluarga pra sejahtera di Jawa Tengah

paling banyak di kelas 2 yaitu 18,46-27,28 dengan frekuensi 15 kabupaten/kota.

Tabel 9

Chi-Square Tests

Value df

Asymp. Sig. (2-

sided)

Pearson Chi-Square 25.545a 20 .181

Likelihood Ratio 29.528 20 .078

Linear-by-Linear Association .107 1 .744

N of Valid Cases 35

a. 30 cells (100,0%) have expected count less than 5. The minimum expected

count is ,17.


Hipotesis yang berlaku jika diambil tingkat kesalahan 5%

H0 : tidak ada hubungan antara variabel IPM dan persentase keluarga pra-

sejahtera

H1 : ada hubungan antara variabel IPM dan persentase keluarga pra-sejahtera

Dari tabel chi-square test diketahui nilai asymp. Sig dari pearson Chi-Square hubungan

IPM dengan persentase keluaga pra-sejahtera lebih besar dari tingkat kesalahan 5% atau chi-

square 0.281>0,05. Maka H0 diterima yang berarti tidak ada hubungan antara baris dan kolom

variabel, atau lebih jelasnya, “tidak ada hubungan antara IPM dengan persentase keluarga pra-

sejahtera”.

Tabel 10

Directional Measures

Value


Ordinal by Ordinal

Somers' d Symmetric -.284 .150 -1.921 .055

IPM_kelas Dependent -.290 .154 -1.921 .055

Keluarga_pra_sejahtera_kelas Dependent

-.280 .146 -1.921 .055




Tabel Directional Measures merupakan cara pengukuran untuk hubungan tidak setara dan

berdasarkan pada Proportional Reduction in Error (PRE). Untuk besaran lambda:

nilai Approx. Sig pada Somer’s d Symmetric 0,055 yang berarti lebih besar dari tingkat

kesalahan 0,05 sehingga korelasi antara variabel IPM dan persentase keluarga pra

sejahtera tidak setara dan nyata. Nilai value Lambda -0,284 mendekati nol sehingga

terdapat faktor lain yang mempengaruhi IPM, tanda negatif menunjukkan hubungan yang

berkebalikan.

Untuk value IPM sebagai variabel terikat memiliki nilai aprox. sig 0,055 (lebih besar dari

tingkat kesalahan 0,05) maka disimpulkan bahwa variabel bebas tidak bisa memprediksi

IPM.

persentase keluarga pra-sejahtera dependent menunjukkan signifikansi 0,055 (diatas

0,05) maka disimpulkan bahwa variabel IPM tidak dapat digunakan untuk memprediksi

persentase keluarga pra sejahtera.

Tabel 11

Symmetric Measures

Value


Ordinal by Ordinal Kendall's tau-b -.285 .150 -1.921 .055

Kendall's tau-c -.265 .138 -1.921 .055

Gamma -.367 .196 -1.921 .055

Spearman Correlation -.326 .183 -1.978 .056c

Interval by Interval Pearson's R -.056 .236 -.323 .749c

N of Valid Cases 35



c. Based on normal approximation.


Besaran hubungan keterkaitan variabel ordinal by ordinal yang diwakili dengan nilai

Kendall’s tau-b -0,285, Kendall’s tau-c -0,265, Gamma -0,367 dan Spearman Correlation -0,326

semuanya memiliki nilai dibawah 0,5 atau mendekati 0 sehingga sehingga dapat disimpulkan

hasil ketiga besaran tidak memiliki hubungan. Tanda negatif menandakan keterkaitan yang

bersifat berkebalikan.

Gambar 2

Grafik IPM*persentase keluarga pra sejahtera

Berdasarkan grafik diatas terlihat bahwa frekuensi terbanyak keluarga pra sejahtera ialah

kelas 2 yaitu 18,46-27,27 di kelas IPM 2 dan 3 yaitu 71-72,44 dan 72,45-73,98 dengan rata-rata

lama sekolah di IPM kelas 72,45-73,98.

KESIMPULAN

Berdasarkan hasil dan pembahasan diatas dapat disimpulkan bahwa terdapat hubungan

antara variabel IPM dan lama sekolah yang dibuktikan dengan nilai assym. Sig kurang dari alfa

(0,000<0,05) dan nilai t hitung lebih besar dari t-table dengan tingkat hubungannya kuat yang

dibuktikan dengan nilai Somer's lebih dari 0,5 atau mendekati 1, hubungan antar variabel ini

setara dengan dibuktikan nilai approx. sig kurang dari 0,05. Sementara variabel IPM dan

persentase kesejahteraan pra sejahtera tidak ada hubungan yang dibuktikan dengan nilai assym.

Sig lebih dari tingkat kesalahan (0,181>0,05). Dengan kata lain untuk meningkatkan IPM provinsi

Jawa Tengah dapat dilakukan dengan meningkatkan tingkat lama sekolah di provinsi tersebut

karena variabel lama sekolah mempengaruhi variabel IPM (Indeks Pembangunan Manusia).

DAFTAR PUSTAKA

BKKBN

BPS Provinsi Jawa Tengah 2014

Mustafid. 2012. Metode Statistika. Semarang : FSM Universitas Diponegoro

Ronald E.Walpole., 1993. Pengantar Statistika. Jakarta : PT Gramedia Pustaka Utama.

Siregar, Syofian. 2012. Statistik Deskriptif Untuk Penelitian. Jakarta Utara: Rajawali Pers

Sudjana. 1996. Metoda Statistika. Bandung : Tarsito

LAMPIRAN

1. Memasukkan data ke SPSS

1. Buka Applikasi SPSS dan klik Variable View, masukkan nama variabel yang akan

digunakan, karena yang diinput masih data kontinyu maka type measurenya scale.

2. Klik Data View dan masukkan data dari variabel yang telah ditentukan.

2. Mengkelaskan data di SPSS

1. klik transformrecode into different variables

2. Klik variable yang akan dikelaskan, pindahkan ke kolom Numeric

variableouput variable kemudian klik old and new values.

3. Masukkan batas-batas kelas pada range dan isikan nomor kelasnya pada value

kemudian klik add, lakukan untuk keenam kelas. Setelah selesai klik continue

maka kembali ke menu pop up awal.

4. Pada menu pop up awal recode into Different Variable klik if lalu pilih include

if case satisfies condition, pindahkan variabel yang dipilih ke kolom tersebut

lalu klik continue.

4. Pada menu pop up awal beri name dan label untuk varibel baru yang akan dibuat

lalu klik change dan OK.

5. klik Variable view kemudian ubah measure variabel yang dikelaskan tadi

menjadi ordinal. Ubah Value Labels dengan mengisikan nomor kelas dan label

dengan batas kelas kemudian klik add, lakukan untuk seluruh batas kelas pada

jenis variabel tersebut, setelah selesai klik OK.

6. Lakukan langkah 1-5 untuk variabel lama sekolah, persentase keluarga pra

sejahtera dan IPM.

Pada SPSS, data dikelompokkan menjadi kelas-kelas menggunakan recode into different variable,

maka hasilnya sebagai berikut: Tabel

Rata-rata Lama Sekolah, Presentase Keluarga Pra Sejahtera dan Indeks Pembangunan Manusia Per Kabupaten di Provinsi Jawa Tengah Tahun 2013 Berdasarkan Kelas

No Kabupaten/Kota Rata-rata Lama Sekolah

Persentase Keluarga Pra Sejahtera

IPM

1 Kab. Cilacap 2.00 2.00 3.00

2 Kab. Banyumas 3.00 2.00 3.00

3 Kab. Purbalingga 2.00 2.00 3.00

4 Kab. Banjarnegara 1.00 2.00 1.00

5 Kab. Kebumen 2.00 2.00 2.00

6 Kab. Purworejo 3.00 2.00 3.00

7 Kab. Wonosobo 1.00 2.00 2.00

8 Kab. Magelang 2.00 2.00 3.00

9 Kab. Boyolali 2.00 4.00 2.00

10 Kab. Klaten 4.00 2.00 4.00

11 Kab. Sukoharjo 4.00 2.00 4.00

12 Kab. Wonogiri 1.00 1.00 3.00

13 Kab. Karanganyar 3.00 1.00 4.00

14 Kab. Sragen 2.00 2.00 2.00

15 Kab. Grobogan 2.00 6.00 2.00

16 Kab. Blora 1.00 4.00 2.00

17 Kab. Rembang 2.00 5.00 3.00

18 Kab. Pati 2.00 3.00 3.00

19 Kab. Kudus 4.00 1.00 3.00

20 Kab. Jepara 3.00 3.00 3.00

21 Kab. Demak 3.00 4.00 3.00

22 Kab. Semarang 3.00 2.00 4.00

23 Kab. Temanggung 2.00 2.00 4.00

24 Kab. Kendal 2.00 3.00 2.00

25 Kab. Batang 1.00 3.00 2.00

26 Kab. Pekalongan 1.00 2.00 2.00

27 Kab. Pemalang 1.00 3.00 1.00

28 Kab. Tegal 1.00 2.00 2.00

29 Kab. Brebes 1.00 3.00 1.00

30 Kota Magelang 6.00 1.00 6.00

31 Kota Surakarta 6.00 5.00 6.00

32 Kota Salatiga 6.00 1.00 6.00

33 Kota Semarang 6.00 6.00 6.00

34 Kota Pekalongan 4.00 1.00 4.00

35 Kota Tegal 4.00 1.00 4.00

Sumber: Hasil Analisis Pribadi, 2015

Pada SPSS, data kelompok diberi label value sehingga terlihat nilai value dari kelas

tersebut, maka hasilnya sebagai berikut: Tabel

Rata-rata Lama Sekolah, Presentase Keluarga Pra Sejahtera dan Indeks Pembangunan Manusia Per Kabupaten di Provinsi Jawa Tengah Tahun 2013 Berdasarkan Rentang Kelas Data Kelompok

(value kelas) No Kabupaten/Kota Rata-rata Lama

Sekolah Persentase Keluarga

Pra Sejahtera IPM

1 Kab. Cilacap 6,82-7,55 18,46-27,28 72,45-73,98

2 Kab. Banyumas 7,56-8,29 18,46-27,28 72,45-73,98

3 Kab. Purbalingga 6,82-7,55 18,46-27,28 72,45-73,98

4 Kab. Banjarnegara 6,06-6,8 18,46-27,28 69,36-70,9

5 Kab. Kebumen 6,82-7,55 18,46-27,28 71-72,44

6 Kab. Purworejo 7,56-8,29 18,46-27,28 72,45-73,98

7 Kab. Wonosobo 6,06-6,8 18,46-27,28 71-72,44

8 Kab. Magelang 6,82-7,55 18,46-27,28 72,45-73,98

9 Kab. Boyolali 6,82-7,55 36,12-44,94 71-72,44

10 Kab. Klaten 8,30-9,03 18,46-27,28 73,99-75,52

11 Kab. Sukoharjo 8,30-9,03 18,46-27,28 73,99-75,52

12 Kab. Wonogiri 6,06-6,8 9,62-18,45 72,45-73,98

13 Kab. Karanganyar 7,56-8,29 9,62-18,45 73,99-75,52

14 Kab. Sragen 6,82-7,55 18,46-27,28 71-72,44

15 Kab. Grobogan 6,82-7,55 53,78-62,60 71-72,44

16 Kab. Blora 6,06-6,8 36,12-44,94 71-72,44

17 Kab. Rembang 6,82-7,55 44,95-53,77 72,45-73,98

18 Kab. Pati 6,82-7,55 27,29-36,11 72,45-73,98

19 Kab. Kudus 8,30-9,03 9,62-18,45 72,45-73,98

20 Kab. Jepara 7,56-8,29 27,29-36,11 72,45-73,98

21 Kab. Demak 7,56-8,29 36,12-44,94 72,45-73,98

22 Kab. Semarang 7,56-8,29 18,46-27,28 73,99-75,52

23 Kab. Temanggung 6,82-7,55 18,46-27,28 73,99-75,52

24 Kab. Kendal 6,82-7,55 27,29-36,11 71-72,44

25 Kab. Batang 6,06-6,8 27,29-36,11 71-72,44

26 Kab. Pekalongan 6,06-6,8 18,46-27,28 71-72,44

27 Kab. Pemalang 6,06-6,8 27,29-36,11 69,36-70,9

28 Kab. Tegal 6,06-6,8 18,46-27,28 71-72,44

29 Kab. Brebes 6,06-6,8 27,29-36,11 69,36-70,9

30 Kota Magelang 9,78-10,51 9,62-18,45 77,07-78,6

31 Kota Surakarta 9,78-10,51 44,95-53,77 77,07-78,6

32 Kota Salatiga 9,78-10,51 9,62-18,45 77,07-78,6

33 Kota Semarang 9,78-10,51 53,78-62,60 77,07-78,6

34 Kota Pekalongan 8,30-9,03 9,62-18,45 73,99-75,52

35 Kota Tegal 8,30-9,03 9,62-18,45 73,99-75,52

Sumber: Hasil Analisis Pribadi, 2015

3. Analisis Tabulasi Silang

1. Klik analyzedescriptive statisticscrosstabs.

2. Masukkan variabel terikat ke kolom row dan variabel bebas ke kolom column,

data yang digunakan ialah data yang sudah dikelaskan.

3. Klik statistics lalu beri check list hanya pada uji chi-square, correlation dan

kolom ordinal karna data yang digunakan adalah data ordinal seperti pada

gambar dibawah kemudian klik OK.

4. beri check list display clustered bar charts dan supress tables kemudian klik

OK.

Laporan Praktikum Crosstab

Documents

Transcript of Laporan Praktikum Crosstab