Laporan Praktikum Crosstab
description
Transcript of 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
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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.
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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.
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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
Asymp. Std. Errora Approx. Tb Approx. Sig.
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
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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.
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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.
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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
Asymp. Std. Errora Approx. Tb Approx. Sig.
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
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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
Asymp. Std. Errora Approx. Tb Approx. Sig.
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
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Sumber: Analisis Pribadi Menggunakan SPSS, 2015
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.