MATERI PELATIHAN 2015 PENGOLAHAN DATA SPSS · PDF fileTranformasi data pada Recode merupakan...

2015

MATERI PELATIHAN PENGOLAHAN DATA SPSS

NURRATRI KURNIA SARI, S. Pd., M. Pd

1

MENGENAL SPSS

SPSS adalah sebuah program aplikasi yang memiliki kemampuan analisis statistik

cukup tinggi serta sistem manajemen data pada lingkungan grafis dengan menggunakan

menu-menu deskriptif dan kotak-kotak dialog yang sederhana sehingga mudah untuk

dipahami cara pengoperasiannya. Beberapa aktivitas dapat dilakukan dengan mudah dengan

menggunakan pointing dan clicking mouse.

SPSS banyak digunakan dalam berbagai riset pemasaran, pengendalian dan perbaikan

mutu (quality improvement), serta riset-riset sains. SPSS pertama kali muncul dengan versi

PC (bisa dipakai untuk komputer desktop) dengan nama SPSS/PC+ (versi DOS). Tetapi,

dengan mulai populernya system operasi windows. SPSS mulai mengeluarkan versi windows

(mulai dari versi 6.0 sampai versi terbaru sekarang).Pada awalnya SPSS dibuat untuk

keperluan pengolahan data statistik untuk ilmu-ilmu social, sehingga kepanjangan SPSS itu

sendiri adalah Statistikal Package for the Social Sciens. Sekarang kemampuan SPSS

diperluas untuk melayani berbagai jenis pengguna (user), seperti untuk proses produksi di

pabrik, riset ilmu sains dan lainnya. Dengan demikian, sekarang kepanjangan dari SPSS

Statistical Product and Service Solutions.

SPSS dapat membaca berbagai jenis data atau memasukkan data secara langsung ke

dalam SPSS Data Editor. Bagaimanapun struktur dari file data mentahnya, maka data dalam

Data Editor SPSS harus dibentuk dalam bentuk baris (cases) dan kolom (variables). Case

berisi informasi untuk satu unit analisis, sedangkan variable adalah informasi yang

dikumpulkan dari masing-masing kasus. Hasil-hasil analisis muncul dalam SPSS Output

Navigator. Kebanyakan prosedur Base System menghasilkan pivot tables, dimana kita bisa

memperbaiki tampilan dari keluaran yang diberikan oleh SPSS. Untuk memperbaiki output,

maka kita dapat mmperbaiki output sesuai dengan kebutuhan. Beberapa kemudahan yang lain

yang dimiliki SPSS dalam pengoperasiannya adalah karena SPSS menyediakan beberapa

fasilitas seperti berikut ini:

Data Editor. Merupakan jendela untuk pengolahan data. Data editor dirancang

sedemikian rupa seperti pada aplikasi-aplikasi spreadsheet untuk mendefinisikan,

memasukkan, mengedit, dan menampilkan data.

Viewer. Viewer mempermudah pemakai untuk melihat hasil pemrosesan, menunjukkan

atau menghilangkan bagian-bagian tertentu dari output, serta memudahkan distribusi

hasil pengolahan dari SPSS ke aplikasi-aplikasi yang lain.

Multidimensional Pivot Tables. Hasil pengolahan data akan ditunjukkan dengan

multidimensional pivot tables. Pemakai dapat melakukan eksplorasi terhdap tabel dengan

pengaturan baris, kolom, serta layer. Pemakai juga dapat dengan mudah melakukan

pengaturan kelompok data dengan melakukan splitting tabel sehingga hanya satu group

tertentu saja yang ditampilkan pada satu waktu.

High-Resolution Graphics. Dengan kemampuan grafikal beresolusi tinggi, baik untuk

menampilkan pie charts, bar charts, histogram, scatterplots, 3-D graphics, dan yang

lainnya, akan membuat SPSS tidak hanya mudah dioperasikan tetapi juga membuat

pemakai merasa nyaman dalam pekerjaannya.

Database Access. Pemakai program ini dapat memperoleh kembali informasi dari

sebuah database dengan menggunakan Database Wizard yang disediakannya.

Data Transformations. Transformasi data akan membantu pemakai memperoleh data

yang siap untuk dianalisis. Pemakai dapat dengan mudah melakukan subset data,

mengkombinasikan kategori, add, aggregat, merge, split, dan beberapa perintah transpose

files, serta yang lainnya.

2

Electronic Distribution. Pengguna dapat mengirimkan laporan secara elektronik

menggunakan sebuah tombol pengiriman data (e-mail) atau melakukan export tabel dan

grafik ke mode HTML sehingga mendukung distribusi melalui internet dan intranet.

Online Help. SPSS menyediakan fasilitas online help yang akan selalu siap membantu

pemakai dalam melakukan pekerjaannya. Bantuan yang diberikan dapat berupa petunjuk

pengoperasian secara detail, kemudahan pencarian prosedur yang diinginkan sampai

pada contoh-contoh kasus dalam pengoperasian program ini.

Akses Data Tanpa Tempat Penyimpanan Sementara. Analisis file-file data yang

sangat besar disimpan tanpa membutuhkan tempat penyimpanan sementara. Hal ini

berbeda dengan SPSS sebelum versi 11.5 dimana file data yang sangat besar dibuat

temporary filenya.

Interface dengan Database Relasional. Fasilitas ini akan menambah efisiensi dan

memudahkan pekerjaan untuk mengekstrak data dan menganalisnya dari database

relasional.

Analisis Distribusi. Fasilitas ini diperoleh pada pemakaian SPSS for Server atau untuk

aplikasi multiuser. Kegunaan dari analisis ini adalah apabila peneliti akan menganalisis

file-file data yang sangat besar dapat langsung me-remote dari server dan memprosesnya

sekaligus tanpa harus memindahkan ke komputer user.

Multiple Sesi. SPSS memberikan kemampuan untuk melakukan analisis lebih dari satu

file data pada waktu yang bersamaan.

Mapping. Visualisasi data dapat dibuat dengan berbagai macam tipe baik secara

konvensional atau interaktif, misalnya dengan menggunakan tipe bar, pie atau jangkauan

nilai, simbol gradual, dan chart.

Bagian Data Editor

3

Keterangan:

Name digunakan untuk memberi keterangan nama varoabel

Type untuk memmilih jenis data yang direkam

Width untuk mengatur lebar koom dalam hasil analisis

Decimal digunakan untuk menentukan jumlah angka di belakang koma

Label digunakan untuk memberikan keterangan pada variabel

Value digunakan untuk mengatur keterangan untuk data variabel

Missing digunaka untuk mengatur data hilang/ tidak lengkap

Column digunakan untuk mengatur lebar lebar kolom dalam data view

Align digunakan untuk mengatur jenis penataan

Measure digunakan untuk menentukan jenis skala pengukuran data

Data pasien di RS Umum kota Surakarta sebagai berikut;

No Nama Tinggi Berat Gender Pendidikan

1. Adelia 165 45 Wanita SMU

2. Erick 170 60 Pria SMU

3. Anggoro 171 65 Pria Sarjana

4. Amelia 166 50 Wanita Akademi

5. Lidya 165 46 Wanita Sarjana

6. Liana 167 49 Pria Akademi

7. Cicil 166 44 Wanita SMU

8. Andre 173 70 Pria Akademi

9. Agus 175 71 Pria SMU

10. Lana 174 73 Pria Sarjana

11. Mely 163 65 Wanita Akademi

12. Diana 164 67 Wanita Sarjana

13. Oon 170 75 Pria Sarjana

14. Dodi 171 74 Pria Akademi

15. Agung 172 70 Pria Sarjana

Masukan data di atas pada input SPSS

DESKRIPSI DATA

4

Pada memberi label nomor pada varabel gender dan pendidikan

Klik variabel view >> Value pada variabel gender

Masukkan kolom value “1” dan label “Pria” klik add,

Masukkan kolom value “2” dan label “Wanita” klik add >> OK

Lakukan seperti pada variabel “Pendidikan”

DESKRIPSI DATA

1. Frekuensi

Tujuan : Mengetahui frekuensi data yang diambil secara acak

Analyze >> Deskripsi Statistic >> Frekuensi

5

Masukkan Gender dan Pendidikan ke kolom Variabel >> OK

Hasil “OutPut”

Gender

Frequency Percent Valid Percent Cumulative Percent

Valid Pria 9 60.0 60.0 60.0

Wanita 6 40.0 40.0 100.0

Total 15 100.0 100.0

Pada hasil “Gender” diatas dapat disimpulkan bahwa Frekuesi pria sebanyak 9 dengan

presentase 60%, sedangkan Wanita sebanyak 6 dengan presentase 40%.

Pendidikan

Frequency Percent Valid Percent Cumulative Percent

Valid SMU 4 26.7 26.7 26.7

Akademi 5 33.3 33.3 60.0

Sarjana 6 40.0 40.0 100.0

Total 15 100.0 100.0

Pada hasil “Pendidikan” diatas dapat disimpulkan bahwa Frekuesi SMU sebanyak 4 dengan

presentase 26,7%, Akademi sebanyak 5 dengan presentase 33,3%, sedangkan Sarjana

sebanyak 6 dengan presentase 40%.

6

2. Deskriptive

Tujuan : Mengetahuia Sebaran data (Mean, median, Modus, Standar Deviasi dll)

Analyze >> Deskripsi Statistic >> Deskriptive

Masukkan BB dan Tinggi pada kolom variabel

Klik options (pilih Sebaran data yang ingin kita ketahui) Continue >> OK

7

Hasil “output SPSS”

Descriptive Statistics

N Minimum Maximum Sum Mean Std. Deviation Variance

Tinggi 15 163.00 175.00 2532.00 1.6880E2 3.87667 15.029

BB 15 44.00 75.00 924.00 61.6000 11.55607 133.543

Valid N (listwise) 15

3. Explore

Tujuan : Mengetahui Frekuensi dan Sebaran Data (Mean, median, Modus, Standar

Deviasi) berdasarkan per kategori

Analyze >> Deskripsi Statistic >> Explore

Masukkan “Tinggi dan BB” pada kolom Dependent List,

Masukkan “Gender dan Pendidikan” pada kolom Factor List >> OK

Hasil Output SPSS

Descriptives

Gender Statistic Std. Error

Tinggi Pria Mean 1.7144E2 .80123

95% Confidence Interval for

Mean

Lower Bound 1.6960E2

Upper Bound 1.7329E2

5% Trimmed Mean 1.7149E2

Median 1.7100E2

Variance 5.778

8

Std. Deviation 2.40370

Minimum 167.00

Maximum 175.00

Range 8.00

Interquartile Range 3.50

Skewness -.329 .717

Kurtosis .302 1.400

Wanita Mean 1.6483E2 .47726


Mean

Lower Bound 1.6361E2

Upper Bound 1.6606E2

5% Trimmed Mean 1.6487E2

Median 1.6500E2

Variance 1.367


Minimum 163.00

Maximum 166.00

Range 3.00


Skewness -.668 .845

Kurtosis -.446 1.741

BB Pria Mean 67.4444 2.78444


Mean

Lower Bound 61.0235

Upper Bound 73.8654

5% Trimmed Mean 68.0494

Median 70.0000

Variance 69.778


Minimum 49.00

Maximum 75.00

Range 26.00


Skewness -1.582 .717

Kurtosis 2.313 1.400

9

Wanita Mean 52.8333 4.25376


Mean

Lower Bound 41.8987

Upper Bound 63.7680

5% Trimmed Mean 52.5370

Median 48.0000

Variance 108.567

Std. Deviation 1.04195E1

Minimum 44.00

Maximum 67.00

Range 23.00


Skewness .831 .845

Kurtosis -1.838 1.741

1. Recode

Tranformasi data pada Recode merupakan perubahan bentuk data yang paling sederhana adalah

pengkategorian data numerik menjadi data kategorik.

TRANFORMASI DATA

10

Mengelompokkan Pendapatan tinggi, sedang, rendah;

Pendapatan tinggi : di atas 4000

Pendapatan sedang : 3900-2000

Pendapatan rendah : di bawah 1900

Langkah-langkah dalam transformasi data:

Dari menu utama, pilihlah:

Transform <

Recode <

Into Different Variable….

2. Compute

Berdasarkan data tersebut, kita ingin menghitung tabungan masing-masing responden

(yang berasal dari pendapatan dikurangi konsumsi), yang akan digunakan untuk

pengolahan data lebih lanjut.

Untuk melakukan itu,

klik Transform > Compute Variable

1. UJI NORMALITAS

Tujuan:

Untuk mengetahui distribusi data, apakah berbentuk distribusi normal atau tidak.

Contoh Masalah:

1. Apakah data uang saku berdistribusi normal?

2. Apakah data motivasi belajar berdistribusi normal?

3. Apakah data prestasi belajar berdistribusi normal?

Kasus:

Berikut ini disajikan data tentang Usia, berat badan dan kadar gula darah pasien:

Usia Berat Badan

Kadar Gula

Darah

Usia Berat Badan

Kadar Gula

Darah

50 58 108 45 63 118

60 45 150 45 46 114

65 54 104 65 57 107

55 48 120 55 49 142

40 61 110 45 55 144

35 54 125 40 48 139

65 52 105 30 58 147

90 50 110 25 52 108

35 58 108 45 60 110

30 60 110 65 54 121

45 48 134 50 56 100

25 62 128 60 53 109

30 44 117 40 61 111

Ujilah apakah ketiga variabel di atas memiliki distribusi normal? Ujilah dengan menggunakan taraf

signifikansi 5%!

Langkah-langkah dalam menganalisis

UJI PRASYARAT

11

1. Rekamlah data tersebut ke dalam tiga kolom:

Kolom pertama data tentang Uang Saku

Kolom kedua data tentang Motivasi Belajar

Kolom ketiga data tentang Prestasi Belajar

2. Berilah keterangan data tersebut dengan menggunakan variable view.

Baris pertama (Name = X1, Label = Uang Saku)

Baris kedua (Name = X2, Label = Motivasi Belajar)

Baris ketiga (Name = Y, Label = Prestasi Belajar)

3. Simpanlah data tersebut dengan nama Latihan Uji Normalitas

4. Lakukan analisis dengan menggunakan menu

Analyze → Deskripsi Statistik → eksplore

5. Masukkan semua variabel ke kotak Dependent List sehingga akan terlihat seperti berikut:

6. Pilih Plot → klik Normality plot with test

7. Klik continue → klik OK sehingga akan muncul hasil analisis:

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

12

X1 .141 26 .194 .943 26 .162

X2 .105 26 .200* .959 26 .364

Y .210 26 .004 .872 26 .004

a. Lilliefors Significance Correction

*. This is a lower bound of the true significance.

1. Tabel di atas menunjukkan hasil analisis uji normalitas terhadap ketiga variabel di atas.

Bagian yang perlu dilihat untuk keperluan uji normalitas adalah bagian kolom

Kolmogorov-Smirnov Z dan Sig. Dengan asumsi sebagai berikut,

a. nilai Sig ≥ 0,05 maka data berdistribusi normal,

b. Sig < 0,05 maka distribusi data tidak normal.

2. Berdasarkan hasil analisis di atas diperoleh untuk variabel X1 = usia nilai Z K-S sebesar

0,141 dengan sig 0,194. Oleh karena nilai sig tersebut lebih besar dari 0,05 maka dapat

disimpulkan bahwa data variabel usia pasien berdistribusi normal.

3. Bagaimana dengan variabel lainnya? Buatlah kesimpulannya!

2. UJI LINIERITAS

Tujuan: Untuk mengetahui linearitas hubungan antara variabel bebas dengan variabel terikat.

Contoh Masalah:

Apakah hubungan antara variabel uang saku dengan variabel prestasi belajar berbentuk garis

linear?

Apakah hubungan antara variabel motivasi belajar dengan variabel prestasi belajar berbentuk

garis linear?

Kasus:

Berikut ini disajikan data tentang Usia, berat badan dan kadar gula darah pasien:

Usia Koresterol

Tekanan darah Usia Koresterol

Tekanan darah

Sistolik Sistolik

45 238 128 65 213 138

45 195 170 90 196 134

65 240 124 35 207 127

55 198 140 30 199 162

45 211 130 45 205 164

50 204 145 25 243 159

60 202 125 30 208 167

65 200 130 25 202 128

55 208 128 45 210 130

40 210 130 65 204 141

35 198 154 50 206 120

50 212 148 60 203 129

60 194 137 40 211 131

40 230 110 80 150 115 Ujilah apakah hubungan antara variabel usia dengan variabel dalam tekanan darah berbentuk

linear?

Ujilah apakah hubungan antara variabel kadar koresterol dengan variabel tekan darah berbentuk

linear?

Gunakan taraf signifikansi 5%!

13


1. Rekamlah data tersebut ke dalam tiga kolom:

Kolom pertama data tentang Usia

Kolom kedua data tentang Koresterol

Kolom ketiga data tentang Tekanan darah

2. Berilah keterangan data tersebut dengan menggunakan variable view.

Baris pertama (Name = X1, Label = Usia)

Baris kedua (Name = X2, Label = Koresterol)

Baris ketiga (Name = Y, Label = Tekanan darah)

3. Simpanlah data tersebut dengan nama Latihan Uji Linearitas

4. Lakukan analisis dengan menggunakan menu Analyze >> Compare Means >> Means…

5. Masukkan seluruh variabel bebas (X1 dan X2) ke dalam kotak Independent List dan masukkan

variabel terikatnya (Y) pada kotak Dependent List. Sehingga akan terlihat seperti berikut:

Klik tombol Option >> klik Test for linearity >> klik Continue

Klik OK sehingga akan muncul hasil analisis:

ANOVA Table

Sum of Squares df Mean Square F Sig.

Y * X1 Between

Groups

(Combined) 3128.264 10 312.826 1.453 .239

Linearity 973.196 1 973.196 4.521 .048

Deviation from

Linearity 2155.068 9 239.452 1.112 .405

Within Groups 3659.450 17 215.262

Total 6787.714 27

Print out yang dihasilkan dari analisis ini sebenarnya cukup banyak namun untuk

kepentingan uji linearitas yang perlu ditafsirkan hanyalah print out ANOVA Table seperti terlihat

di atas. Yang perlu dilihat adalah hasil uji F untuk baris Deviation from linearity. Kriterianya

adalah jika nila sig F tersebut kurang dari 0,05 maka hubungannya tidak linear, sedangkan jika

nilai sig F lebih dari atau sama dengan 0,05 maka hubungannya bersifat linear.

14

Berdasarkan hasil analisis di atas menunjukkan bahwa nila F yang ditemukan adalah sebesar

1,112 dengan sig 0,405. Oleh karena nilai sig tersebut lebih dari 0,05 maka dapat disimpulkan

bahwa hubungan antara variabel uang saku dan prestasi belajar bersifat linear.

1. UJI One-sample t-test

Tujuan: digunakan untuk menguji perbedaan rata satu kelompok

Kasus:

Diperoleh data dari sebuah rumah sakit JIH, jumlah pasien selama 20 hari. Bagian

administarasi menyatakan bahwa dalam 20 hari itu, terdapat rata-rata jumlah pasien

dirumah sakit JIH sebanyak 20 orang. Uji hipotesis apakah benar pernyataan diatas.

Hari Jumlah Pasien Hari Jumlah Pasien

1 15 26

2 19 22

3 21 23

4 24 23

5 23 20

6 25 19

7 20 18

8 25 28

9 26 21

10 22 22


1. Rekamlah data tersebut ke dalam satu kolom:

Kolom data tentang Jumlah pasien

2. Simpanlah data tersebut dengan nama Latihan Uji One-samples t-test

3. Lakukan analisis dengan menggunakan menu Analyze >> Compare Means >> Means…


One-Sample Test

Test Value = 20

t df Sig. (2-tailed) Mean Difference

95% Confidence Interval of the

Difference

Lower Upper

Pasien 3.003 19 .007 2.10000 .6365 3.5635

Hasil uji t ditemukan nilai t sebesar 3,003 dengan sig (2-tailed) 0,007. Oleh karena nilai sig <

0,05 maka dapat disimpulkan bahwa ada perbedaan rata-rata perkiraan rata-rata jumlah

Pasien dengan jumlah pasien pada data.

UJI BEDA

15

2. UJI T-Test

Tujuan: Digunakan untuk menguji perbedaan rata dua kelompok yang saling bebas

Kasus:

Berikut ini disajikan data angket pada pengguna ruang yang dilengkapi detektor asap

rokok dengan alarm berbasis mikrokontroler dengan detektor asap rokok dengan alarm

berbasis makrokontroler

Pengguna detektor asap rokok

dengan alarm

Pengguna detektor asap rokok

dengan alarm

Mikrokontroler Makrokontroler Mikrokontroler Makrokontroler

80 79 90 88

100 112 95 94

110 100 114 100

96 86 131 78

86 86 82 81

130 125 110 93

115 121 100 110

105 99 116 104

105 111 141 77

115 98 96 122

121 88 95 78

99 98 120

121 100 99

114 88 75

111 100 78

122 93 111

Ujilah apakah ada perbedaan penggunaan detektor asap rokok dengan alarm berbasis

mikrokontroler dengan detektor asap rokok dengan alarm berbasis makrokontroler?

(Gunakan taraf signifikansi 5%)


1.) Rekamlah data tersebut ke dalam dua kolom:

Kolom pertama data tentang jenis detektor dengan kode 1 untuk mikrokontrol, dan 2

untuk makrokontrol

Kolom kedua data tentang Responden

2.) Berilah keterangan data tersebut dengan menggunakan variable view.

3.) Simpanlah data tersebut dengan nama Latihan Independent t test

4.) Lakukan analisis dengan menggunakan menu

Analyze >> Compare Means >> Independent Samples t test

5.) Masukkan variabel Responden ke Test Variables dan alat ke Grouping Variable

6.) Klik tombol Define Groups lalu isikan 1 pada kotak Group 1 dan isikan 2 pada kotak

Group 2 lalu klik Continue, sehingga akan terlihat seperti berikut:

16

Klik OK sehingga akan muncul hasil analisis seperti berikut:

Group Statistics

alat N Mean Std. Deviation Std. Error Mean

responden Mikrokontrol 27 1.0741E2 15.18921 2.92317

makrokontrol 32 96.6250 14.43953 2.55257

Penafsiran print out hasil analisis:

# Bagian Descriptive di atas menampilkan hasil analisis statistik deskriptifnya seperti rata

per kelompok, standar deviasi, dan standar error

Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means

F Sig. t df

Sig. (2-

tailed)

Mean

Difference

Std. Error

Difference

95% Confidence

Interval of the

Difference

Lower Upper

responden Equal variances

assumed .099 .755 2.791 57 .007 10.78241 3.86390 3.04508 18.51973

Equal variances

not assumed

2.778 54.292 .007 10.78241 3.88079 3.00285 18.56196

Yang perlu ditafsirkan dalam bagian ini adalah pengujian homogenitas varians

(Levene’s test for equality of variances). Jika nilai signifikansi pengujian F ini lebih

kecil dari 0,05 maka varians kedua kelompok tidak homogen sehingga uji yang

digunakan adalah separate t test (t bagian bawah pada print out di atas), sedangkan

jika nilai signifikansi pengujian F ini lebih besar atau sama dengan 0,05 maka varians

kedua kelompok homogen sehingga uji yang digunakan adalah pooled t test (t bagian

atas pada print out di atas).

17

Hasil pengujian F di atas menunjukkan bahwa nilai F sebesar 0,099 dengan sig. 0,755.

Oleh karena nilai sig > 0,05 maka varians kedua kelompok tersebut homogen. Oleh

karena uji t yang digunakan adalah t yang bagian atas (Pooled t test/equal variances

assumed).

Hasil uji t ditemukan nilai t sebesar 2,791 dengan sig (2-tailed) 0,007. Oleh karena

nilai sig < 0,05 maka dapat disimpulkan bahwa ada perbedaan rata-rata tanggaan

antara detektor mikrokontrol dan makrokontrol. Oleh karena nilai rata-rata tanggapan

pengguna detektor mikrokontrol lebih tinggi dibandingkan detektor makrokontrol

(lihat bagian print out descriptive) maka dapat disimpulkan bahwa alat detektor

mikrokontrol lebih baik daripada makrontrol.

3. PAIRED T TEST

Tujuan: Digunakan untuk menguji perbedaan rata-rata dua kelompok yang saling

berpasangan

Kasus:

Efek Suplementasi Vitamin A Terhadap Sensitivitas Kontras Penderita Defisiensi

Vitamin A. Berikut ini disajikan data nilai sebelum dan sesudah penggunaan

suplementasi vitamin A terhadap Sensitivitas Kontras Penderita defisiensi vitamin A;

Sebelum Sesudah Sebelum Sesudah

66 71 64 85

61 87 65 92

68 85 68 88

69 76 67 90

63 73 60 68

74 80 75 67

73 74 77 85

83 94 81 81

72 78 78 88

74 76 73 78

80 80 72 92

80 74 86 76

74 74 76 77

74 75 88 73

83 74 70 75

80 76 69 83

78 79 72 80

74 90 70 77

74 84 84 85

Ujilah apakah ada perbedaan antara nilai pre test dan nilai post test? Jika ada perbedaan,

manakah di antara keduanya yang nilainya lebih baik? (Gunakan taraf signifikansi 5%)



18

Kolom pertama data tentang Nilai Sebelum

Kolom kedua data tentang Nilai Sesudah


3.) Simpanlah data tersebut dengan nama Latihan Paired t test

4.) Lakukan analisis dengan menggunakan

menu Analyze >> Compare Means >> Paired-Samples t Test...

5.) Masukkan variabel sebelum dan sesudah ke Paired Variables, sehingga akan terlihat

seperti berikut:

Klik OK sehingga akan muncul hasil analisis seperti berikut:

Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Pair 1 sebelum 73.5526 38 6.86825 1.11418

sesudah 80.0000 38 6.90476 1.12010


# Bagian di atas menampilkan hasil analisis statistik deskriptifnya seperti rata per

pasangan, standar deviasi, dan standar error

Paired Samples Correlations

N Correlation Sig.

Pair 1 sebelum & sesudah 38 -.062 .714

Bagian di atas menampilkan hasil analisis korelasi antara kedua pasangan data. Koefisien

korelasinya adalah sebesar -0,062 dengan sig 0,714. Hal ini menunjukkan bahwa kedua

pasangan data tersebut tidak berkorelasi.

19

Paired Samples Test

Paired Differences

t df

Sig. (2-

tailed)

Mean

Std.

Deviation

Std. Error

Mean

95% Confidence

Interval of the

Difference

Lower Upper

Pair 1 sebelum -

sesudah -6.44737 10.03426 1.62777 -9.74555 -3.14919 -3.961 37 .000

Bagian di atas menampilkan hasil uji beda rata-rata antara nilai pre test dan post test.

Hasil pengujian ditemukan bahwa nilai t sebesar -3,961 dengan sig (2 tailed) 0,000. Hal

ini menunjukkan bahwa ada perbedaan antara nilai sebelum dengan sesudah penggunaan

suplemen vitamin A dan oleh karena nilai t yang ditemukan negatif maka hal ini

menunjukkan bahwa sebelum pengguan lebih baik daripada nilai sesdah penggunaan

suplemen vitamin A.

4. ONE WAY ANOVA

Tujuan: Digunakan untuk menguji perbedaan rata untuk lebih dari dua kelompok yang

saling bebas.

Contoh Masalah:

1.) Apakah ada perbedaan Asuhan pada Pasien Pre, Intra dan Pasca Bedah pada

Kasus Kebidanan?

2.) Apakah ada perbedaan pengetahuan imunisasi ibu rumah tangga berpendidikan

sarjana, akademi dan SMU;

Kasus:

Berikut ini disajikan data angket pengetahuan KB antara Ibu rumah tangga yang berasal dari

desa, pinggiran dan kota:

Pengetahuan KB

Desa Pinggiran Kota

64 85 72

65 92 86

68 88 76

67 90 88

60 68 70

75 70 90

77 85 83

81 81 80

78 88 84

73 78

https://oshigita.wordpress.com/2014/04/01/asuhan-pada-pasien-pre-intra-dan-pasca-bedah-pada-kasus-kebidanan/

https://oshigita.wordpress.com/2014/04/01/asuhan-pada-pasien-pre-intra-dan-pasca-bedah-pada-kasus-kebidanan/

20

Ujilah apakah ada perbedaan Pengetahuan KB ibu yang berasal dari Desa, Pinggiran dan

Kota? Jika ada perbedaan, manakah di antara ketiganya yang memiliki pengetahuan paling

tinggi? (Gunakan taraf signifikansi 5%)



Kolom pertama data tentang asal daerah dengan kode 1 untuk desa, 2 pinggiran dan 3

kota

Kolom kedua data tentang Nilai


3.) Simpanlah data tersebut dengan nama Latihan One Way ANOVA


Analyze >> Compare Means >> One Way ANOVA

5.) Masukkan variabel X2 ke Dependent List dan X1 ke Factor sehingga akan terlihat seperti

berikut:

Klik tombol Post Hoc >> Scheffe >> Continue

Klik tombol Options >> Descriptive >> Homogeneity of Variances Test >> Continue

lalu klik OK sehingga akan muncul hasil analisis seperti berikut:

Descriptives

nilai

N Mean

Std.

Deviation Std. Error

95% Confidence Interval

for Mean

Minimum Maximum Lower Bound Upper Bound

desa 10 70.8000 6.95701 2.20000 65.8233 75.7767 60.00 81.00

pinggiran 10 82.5000 8.22260 2.60021 76.6179 88.3821 68.00 92.00

kota 9 81.0000 7.03562 2.34521 75.5919 86.4081 70.00 90.00

Total 29 78.0000 8.94826 1.66165 74.5963 81.4037 60.00 92.00

21


# Bagian Descriptive di atas menampilkan hasil analisis statistik deskriptifnya seperti rata

per kelompok, standar deviasi, standar error, minimum dan maksimum

Test of Homogeneity of Variances

nilai

Levene Statistic df1 df2 Sig.

.132 2 26 .877

Bagian Test of Homogeneity of Variances menampilkan hasil uji homogenitas varians sebagai

prasyarat untuk dapat menggunakan ANOVA. Hasil pengujian ditemukan bahwa F hitung =

0,132 dengan sig = 0,877. Oleh karena nilai sig > 0,05 maka dapat disimpulkan bahwa

varians antar kelompok bersifat homogen. Dengan demikian prasyarat untuk dapat

menggunakan ANOVA terpenuhi.

ANOVA

nilai

Sum of Squares df Mean Square F Sig.

Between Groups 801.900 2 400.950 7.239 .003

Within Groups 1440.100 26 55.388

Total 2242.000 28

Bagian di atas menampilkan hasil uji beda rata-rata secara keseluruhan. Pada tabel tersebut

ditemukan harga F hitung sebesar 7,239 dengan sig = 0,003. Oleh karena nilai sig < 0,05

maka Ho ditolak sehingga dapat disimpulkan ada perbedaan rata-rata pengetahuan antara ibu

yang berasal dari desa, pinggiran, dan kota. (Jika hasil pengujiannya signifikan maka

dilanjutkan ke uji post hoc, tetapi jika tidak signifikan pengujian berhenti sampai di sini).

Multiple Comparisons

nilai

Scheffe

(I) daerah (J) daerah

Mean Difference

(I-J) Std. Error Sig.

95% Confidence Interval

Lower Bound Upper Bound

desa pinggiran -11.70000* 3.32832 .006 -20.3396 -3.0604

kota -10.20000* 3.41952 .022 -19.0763 -1.3237

pinggiran desa 11.70000* 3.32832 .006 3.0604 20.3396

kota 1.50000 3.41952 .909 -7.3763 10.3763

kota desa 10.20000* 3.41952 .022 1.3237 19.0763

22

pinggiran -1.50000 3.41952 .909 -10.3763 7.3763

*. The mean difference is significant at the 0.05 level.

Bagian ini menampilkan hasil uji lanjut untuk mengetahui perbedaan antar kelompok secara

spesifik sekaligus untuk mengetahui mana di antara ketiga kelompok tersebut yang

pengetahuan KBnya paling tinggi. Untuk melihat perbedaan antarkelompok dapat dilihat

pada kolom sig. Misalnya untuk melihat perbedaan pengetahuan KB antara ibu yang berasal

dari Desa dan Pinggiran diperoleh nilai sig = 0,006, Oleh karena nilai sig < 0,05 dapat

disimpulkan bahwa ada perbedaan pengetahuan KB antara ibu yang berasal dari Desa dan

Pinggiran. Dalam hal ini pengetahuan KB ibu yang berasal dari desa lebih rendah daripada

pengetahuan KB ibu yang berasal dari pinggiran. (Coba lakukan pembandingan IPK antara

Desa dan Kota, serta antara Pinggiran dan Kota! Buatlah kesimpulannya!)

UJI CHI KUADRAT

Tujuan : Untuk mengeahuiperbedaan proporsi antara 2 variabel atau lebih

Kasus :

RS Dr Oen 1 Solo mengamati perbedaan pengaruh tingkat perokok aktif dan pasif pada ibu

dengan berat badan bayi yang akan dilahirkan didapat data berikut;

Perokok BB bayi

Perokok BB bayi

Aktif 2.5

Aktif 2.5

Pasif 3.3

Pasif 3.1

Pasif 2.75

Pasif 3.4

Aktif 2.3

Pasif 3.2

Aktif 2.4

Pasif 3.3

Aktif 2.15

Pasif 3.4

Aktif 2.2

Pasif 2.8

Aktif 3.1

Pasif 2.1

Pasif 2.3

Aktif 1.8

Aktif 2.6

Aktif 2.0

Pasif 2.8

Aktif 1.8

Aktif 2.6

Aktif 2.4

Aktif 2.3

Pasif 1.8

Pasif 3.4

Pasif 2.7

Pasif 2.0

Pasif 2.9

Kategori bayi

UJI BEDA PROPORSI

23

BB bayi < 2,4 kg yaitu bayi prematur

BB bayi > 2,5 kg yaitu bayi normal

Ujilah apakah ada perbedaan antara variabel berat badan dengan kebiasaan merokok?



Kolom pertama data tentang Perokok

Kolom ketiga data tentang BB bayi


3.) Kategorikan BB bayi ke kategori bayi prematur atau normal

4.) Simpanlah data tersebut dengan nama Latihan Uji Beda proporsi


Analyze >> Deskriptive Stat >> Crosstab

6.) Pilih variabel ROKOK, kemudian klik tanda > untuk memasukkannya ke kotak Row(s)

7.) Pilih variabel Kategori bayi, kemudian klik tanda > untuk memasukkannya ke kotak

Colom(s).

Klik ststistic pilih chi square dan risk >> continue

Klik cells pilih colom >> continue >> Ok.

Hasil Ouputnya

24

Rokok * kategori_bayi Crosstabulation

kategori_bayi

Total normal prematur

Rokok Aktif Count 5 9 14

% within kategori_bayi 29.4% 69.2% 46.7%

Pasif Count 12 4 16


Total Count 17 13 30


Dari tabel silang tersebut terlihat bahwa dari 14 ibu-ibu hamil yang perokok, ada 9 orang

(69,2%) melahirkan bayi prematur. Dari 16 ibu-ibu yang bukan perokok, hanya ada 4

orang (30,8%) yang melahirkan bayi prematur. Artinya proporsi bayi prematur pada ibu

perokok lebih besar dari proporsi bayi normal pada ibu yang bukan perokok.

Walaupun secara proporsional terlihat ada hubungan antara merokok dan kategori BB Bayi

yang terlihat dari proporsi bayi prematur lebih besar pada ibu perokok dari pada ibu tidak

perokok, namun untuk menguji apakah hubungan tersebut bermakna secara statistik, maka

kita harus melakukan uji chi-square dengan melihat hasil output berikut:

Chi-Square Tests

Value df

Asymp. Sig. (2-

sided)

Exact Sig. (2-

sided)

Exact Sig. (1-

sided)

Pearson Chi-Square 4.693a 1 .030

Continuity Correctionb 3.229 1 .072

Likelihood Ratio 4.810 1 .028

Fisher's Exact Test .063 .035

N of Valid Casesb 30

a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 6,07.

b. Computed only for a 2x2 table

Nilai-p Fisher’s Exact Test merupakan p-value yang cukup valid, sehingga dapat juga kita

laporkan meskipun frekuensi harapan tidak ada yang kurang dari 5. Dalam hal ini, kita pakai

nilai tersebut dengan p-value = 0.063. Artinya tidak ada hubungan antara merokok dengan

BB bayi secara statistik cukup bermakna dan bukanlah terjadi secara kebetulan belaka.

25

1. KORELASI PRODUCT MOMENT

Tujuan: Digunakan untuk menguji korelasi/hubungan antara satu variabel dengan satu

variabel lainnya.

Data yang dianalisis harus berupa data yang berskala interval/rasio

Contoh Masalah:

Apakah ada korelasi yang positif antara produktifitas perawat melalui metode tim-

fungsional dan fungsional?

Apakah ada hubungan antara pengalaman kerja dengan produktivitas kerja karyawan?

Kasus:

Studi komparasi kepuasan peserta askes sosial yang. Memanfaatkan pelayanan kesehatan di

ppk tingkat i puskesmas. Berikut ini disajikan data kepuasan peserta askes sosial dan

pelayanan kesehatan, sebagai berikut;

Subjek Kepuasan pemakai

program

Kepuasan

Pelayanan

Subjek Kepuasan pemakai

program

Kepuasan

Pelayanan

1 33 58

11 36 56

2 32 52

12 21 47

3 21 48

13 21 49

4 34 49

14 33 60

5 34 52

15 35 63

6 35 57

16 21 55

7 32 55

17 32 58

8 21 50

18 33 49

9 21 48

19 34 55

10 35 54

20 35 58

Ujilah apakah ada korelasi yang positif antara motivasi belajar dengan prestasi belajar?

(Gunakan taraf signifikansi 5%)



Kolom pertama data tentang pemakai program

Kolom kedua data tentang layanan


3.) Simpanlah data tersebut dengan nama Latihan Korelasi Product Moment


Analyze >> Correlate >> Bivariate

5.) Masukkan variabel X dan Y ke kotak Variables sehingga akan terlihat seperti berikut:

UJI KORELASI DAN UJI REGRESI LINIER

26

6.) Klik tombol Options >> Means and Standard Deviation >> Cross Product Deviations and

Covariance >> Continue

7.) Klik OK sehingga akan muncul hasil analisis:

Descriptive Statistics

Mean Std. Deviation N

BPJS 29.9500 6.10845 20

layanan 53.6500 4.57999 20

Bagian Descriptive di atas menampilkan hasil analisis statistik deskriptifnya seperti rata-rata

per variabel, standar deviasi, dan jumlah sampel

Correlations

BPJS layanan

BPJS Pearson Correlation 1 .624**

Sig. (2-tailed) .003

N 20 20

layanan Pearson Correlation .624** 1

Sig. (2-tailed) .003

N 20 20

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

Dari tabel di atas diperoleh sig. 0,008 maka keputusan uji H0 ditolak artiya Ada hubungan antara IQ

dengan Prestasi. Nilai Korelasi sebesar 0,576 berarti korelasi termasuk kategori “sedang”

2. REGRESI LINEAR SEDERHANA

Tujuan:

27

a. Digunakan untuk menguji hubungan/korelasi/pengaruh satu variabel bebas terhadap

satu variabel terikat.

b. Regresi juga dapat digunakan untuk melakukan prediksi atau estimasi variabel terikat

berdasarkan variabel bebasnya.

c. Data yang dianalisis harus berupa data yang berskala interval/rasio

Contoh Masalah:

a. Apakah ada pengaruh motivasi belajar terhadap prestasi belajar mahasiswa?

b. Apakah pengalaman kerja mempengaruhi produktivitas kerja karyawan?

Kasus:

Hubungan Pengetahuan Ibu Tentang Pemberian Nutrisi Terhadap Status Gizi Anak

Toddler Di Desa Gonilan. Berikut ini disajikan data tentang pengetahuan ibu tentang

pemberian nutrisi dan status gizi;

Pengetahuan

Pemberian Nutrisi gizi anak

Pengetahuan

Pemberian Nutrisi gizi anak

63 118

58 125

46 114

45 150

57 107

54 104

49 142

48 120

55 144

61 128

48 139

54 125

58 147

52 105

52 108

50 128

60 110

58 108

54 121

60 110

56 100

48 134

53 109

62 128

61 111

44 117

Ujilah apakah ada pengaruh motivasi belajar terhadap prestasi belajar? (Gunakan

taraf signifikansi 5%)

Hitunglah berapa besarnya kontribusi variabel bebas terhadap variabel terikatnya?

Bagaimana persamaan garis regresinya? Tafsirkan maknanya!



Kolom pertama data tentang Pengetahuan

Kolom kedua data tentang gizi anak


Baris pertama (Name = X, Label = Pengetahuan)

Baris kedua(Name = Y, Label = gizi anak)

3.) Simpanlah data tersebut dengan nama Latihan Regresi Linear Sederhana


28

Analyze >> Regression >> Linear

5.) Masukkan variabel Y ke kotak Dependent dan variabel X ke dalam kotak

Independent(s) sehingga akan terlihat seperti berikut:

Hasil Analisisnya

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .260a .068 .029 14.26616

a. Predictors: (Constant), pengetahuan

Bagian ini menampilkan:

R = 0,260 artinya koefisien korelasinya sebesar 0,260 (Bandingkan dengan angka

koefisien korelasi product moment yang sudah Anda hitung pada latihan sebelumnya!)

R Square = 0,068 menunjukkan angka koefisien determinasinya (R ). Artinya variansi

dalam pengetahuan nutrisi anak dapat dijelaskan oleh gizi anak melalui pengetahuan

nutrisi sebesar 6,8%, sisanya berasal dari variabel lain. Atau dengan bahasa sederhana

besarnya kontribusi/sumbangan pengetahuan ibu terhadap prestasi belajar adalah sebesar

6,8%, sisanya (93,2%) berasal dari variabel lain.

Adjusted R square = 0,068. Ukuran ini maknanya sama dengan R square, hanya saja

Adjusted R square ini nilainya lebih stabil karena sudah disesuaikan dengan jumlah

29

variabel bebasnya. Standard Error of The Estimate = 14,266 yang menunjukkan ukuran

tingkat kesalahan dalam melakukan prediksi terhadap variabel terikat.

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 354.057 1 354.057 1.740 .200a

Residual 4884.559 24 203.523

Total 5238.615 25

a. Predictors: (Constant), pengetahuan

b. Dependent Variable: gizi

Bagian ini menampilkan hasil pengujian koefisien determinasi. Hasil pengujian tersebut

ditemukan harga F hitung sebesar 1,749 dengan sig. = 0,200. Oleh karena nilai sig. > 0,05

maka Ho (ρ = 0) diterima yang artinya hubungan antara gizi anak memiliki tidak

berpengaruh yang signifikan terhadap pengetahuan nutri ibu.

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) 157.668 27.767 5.678 .000

pengetahuan -.674 .511 -.260 -1.319 .200

a. Dependent Variable: gizi

Bagian ini menampilkan persamaan garis regresi dan pengujiannya. Persamaan

garis regresi dapat diperoleh dari kolom Unstandardized Coefficients (B). Dengan

demikian persamaan garis regresinya adalah:

Y’ = 15,668 -0,674 X

Untuk menguji koefisen garisnya dapat dilihat pada kolom t dan sig. Hasil pengujian

ditemukan nilai t hitung sebesar 5,678 dengan sig. = 0,000 (bandingkan dengan nilai

sig. F). Oleh karena nilai sig. < 0,05 maka Ho (β = 0) ditolak yang artinya gizi

berpengaruh positif terhadap pengetahuan nutrisi.

30

3. REGRESI LINEAR GANDA

Tujuan:

Digunakan untuk menguji hubungan/korelasi/pengaruh lebih dari satu variabel bebas

terhadap satu variabel terikat.

Regresi juga dapat digunakan untuk melakukan prediksi atau estimasi variabel

terikat berdasarkan variabel bebasnya.

Data yang dianalisis harus berupa data yang berskala interval/rasio

Contoh Masalah:

Apakah ada pengaruh uang saku dan motivasi belajar terhadap prestasi belajar

mahasiswa?

Bagaimana pengaruh lingkungan kerja dan pengalaman kerja terhadap produktivitas

kerja karyawan?

Kasus:

Hubungan antara berat badan ibu hamil, tinggi badan ibu terhadap berat badan bayi.

Berikut ini disajikan data tentang berat badan ibu, tinggi badan dan berat badan bayi :

BB Ibu Hamil TB ibu hamil BB Bayi

70 168 3.10

65 150 2.83

66 156 2.50

61 153 2,91

68 159 2.74

69 160 2.61

63 169 2.70

74 163 3.50

73 161 4.00

83 164 4.10

72 148 3.73

74 153 3.30

78 155 3.40

76 164 3.61

77 165 2.83

Hitunglah berapa besarnya kontribusi bersama seluruh variabel bebas terhadap

variabel terikatnya? Ujilah apakah ada kontribusi tersebut signifikan? (Gunakan

taraf signifikansi 5%)

Bagaimana persamaan garis regresinya? Tafsirkan maknanya!

Ujilah pengaruh secara masing-masing variabel bebas secara parsial!


1.) Rekamlah data tersebut ke dalam tiga kolom:

31

Kolom pertama data tentang BB ibu hamil

Kolom kedua data tentang TB ibu hamil

Kolom ketiga data tentang BB bayi


Baris pertama (Name = X1, Label = BB ibu hamil)

Baris kedua (Name = X2, Label = TB ibu hamil)

Baris ketiga (Name = Y, Label = BB bayi)

3.) Simpanlah data tersebut dengan nama Latihan Regresi Ganda


Analyze >> Regression >> Linear

5.) Masukkan variabel Y ke kotak Dependent dan variabel X1 dan X2 ke dalam kotak

Independent(s) sehingga akan terlihat seperti berikut:


Model Summary

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 .791a .626 .564 .39413

a. Predictors: (Constant), TB_ibu, BB_ibu

Bagian ini menampilkan:

R = 0,791 artinya koefisien korelasinya sebesar 0,791 (Bandingkan dengan angka

koefisien korelasi product moment yang sudah Anda hitung pada latihan sebelumnya!)

32

R Square = 0,626 menunjukkan angka koefisien determinasinya (R ). Artinya variansi

dalam berat badan bayi dapat dijelaskan oleh berat badan ibu hamil dan tinggi badan ibu

hamil melalui berat badan ibu hamil dan tinggi badan ibu hamil sebesar 62,6%, sisanya

berasal dari variabel lain. Atau dengan bahasa sederhana besarnya kontribusi/sumbangan

berat badan ibu hamil dan tinggi badan ibu hamil terhadap berat badan bayi adalah

sebesar 62,6%, sisanya (37,4%) berasal dari variabel lain.

Adjusted R square = 0,626. Ukuran ini maknanya sama dengan R square, hanya saja

Adjusted R square ini nilainya lebih stabil karena sudah disesuaikan dengan jumlah variabel

bebasnya. Standard Error of The Estimate = 0,39413 yang menunjukkan ukuran tingkat

kesalahan dalam melakukan prediksi terhadap variabel terikat.

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 3.125 2 1.562 10.058 .003a

Residual 1.864 12 .155

Total 4.989 14

a. Predictors: (Constant), TB_ibu, BB_ibu

b. Dependent Variable: BB_bayi

Bagian ini menampilkan hasil pengujian koefisien determinasi. Hasil pengujian tersebut

ditemukan harga F hitung sebesar 10,058 dengan sig. = 0,003. Oleh karena nilai sig. < 0,05

maka Ho (ρ = 0) ditolak yang artinya ada hubungan antara BB ibu hamil dan TB Ibu hamil

terhadap BB Bayi.

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) -1.679 2.686 -.625 .544

BB_ibu .079 .018 .801 4.437 .001

TB_ibu -.005 .017 -.055 -.307 .764

a. Dependent Variable: BB_bayi

33

Bagian ini menampilkan persamaan garis regresi dan pengujiannya. Persamaan garis regresi

dapat diperoleh dari kolom Unstandardized Coefficients (B). Dengan demikian persamaan

garis regresinya adalah:

Y’ = -1,679 + 0,079 X1 – 0,05X2

Untuk menguji koefisen garisnya dapat dilihat pada kolom t dan sig. Hasil pengujian

ditemukan nilai t hitung sebesar 4,437 dengan sig. = 0,001 (bandingkan dengan nilai

sig. F). Oleh karena nilai sig. < 0,05 maka Ho (β = 0) ditolak yang artinya BB Bayi

berpengaruh positif terhadap BB ibu hamil.

Bivariate Pearson (Korelasi Produk Momen Pearson)

Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan skor total. Skor total adalah penjumlahan dari keseluruhan item. Item-item pertanyaan yang berkorelasi signifikan dengan skor total menunjukkan item-item tersebut mampu memberikan dukungan dalam mengungkap apa yang ingin diungkap.

Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05. Kriteria pengujian adalah sebagai berikut:

- Jika r hitung ≥ r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).

- Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan tidak berkorelasi signifikan terhadap skor total (dinyatakan tidak valid). Contoh Kasus: Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan skala untuk mengetahui atau mengungkap prestasi belajar seseorang. Andi membuat 10 butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan skala kepada 12 responden didapatlah tabulasi data-data sebagai berikut:

Tabel 1. Tabulasi Data (Data Fiktif)

Subjek Skor Item Skor

1 2 3 4 5 6 7 8 9 10 Total

1 3 4 3 4 4 3 3 3 3 3 33

2 4 3 3 4 3 3 3 3 3 3 32

3 2 2 1 3 2 2 3 1 2 3 21

4 3 4 4 3 3 3 4 3 3 4 34

5 3 4 3 3 3 4 3 4 4 3 34

UJI VALIDITAS DAN RELIABILITAS ANGKET

34

6 3 2 4 4 3 4 4 3 4 4 35

7 2 3 3 4 4 4 3 4 3 2 32

8 1 2 2 1 2 2 1 3 4 3 21

9 4 2 3 3 4 2 1 1 4 4 28

10 3 3 3 4 4 4 4 4 3 3 35

11 4 4 3 4 4 3 4 4 4 2 36

12 3 2 1 2 3 1 1 2 3 3 21

Langkah-langkah dengan program SPSS

Masuk program SPSS

Klik variable view pada SPSS data editor Pada kolom Name ketik item1 sampai item10, kemudian terakhir ketikkan

skortot (skor total didapat dari penjumlahan item1 sampai item10)

Pada kolom Decimals angka ganti menjadi 0 untuk seluruh item

Untuk kolom-kolom lainnya boleh dihiraukan (isian default) Buka data view pada SPSS data editor Ketikkan data sesuai dengan variabelnya, untuk skortot ketikkan total

skornya. Klik Analyze - Correlate - Bivariate

Klik semua variabel dan masukkan ke kotak variables

Klik OK. Hasil output yang diperoleh dapat diringkas sebagai berikut:

Tabel. Hasil Analisis Bivariate Pearson

35

Dari hasil analisis didapat nilai korelasi antara skor item dengan skor total. Nilai ini kemudian kita bandingkan dengan nilai r tabel, r tabel dicari pada signifikansi 0,05 dengan uji 2 sisi dan jumlah data (n) = 12, maka didapat r tabel sebesar 0,576 (lihat pada lampiran tabel r).

Berdasarkan hasil analisis di dapat nilai korelasi untuk item 1, 9 dan 10 nilai kurang dari 0,576. Karena koefisien korelasi pada item 1, 9 dan 10 nilainya kurang dari 0,576 maka dapat disimpulkan bahwa item-item tersebut tidak berkorelasi signifikan dengan skor total (dinyatakan tidak valid) sehingga harus dikeluarkan atau diperbaiki. Sedangkan pada item-item lainnya nilainya lebih dari 0,576 dan dapat disimpulkan bahwa butir instrumen tersebut valid.

2. Corrected Item-Total Correlation Analisis ini dengan cara mengkorelasikan masing-masing skor item

dengan skor total dan melakukan koreksi terhadap nilai koefisien korelasi yang overestimasi. Hal ini dikarenakan agar tidak terjadi koefisien item total yang overestimasi (estimasi nilai yang lebih tinggi dari yang sebenarnya). Atau dengan cara lain, analisis ini menghitung korelasi tiap item dengan skor total (teknik bivariate pearson), tetapi skor total disini tidak termasuk skor item yang akan dihitung. Sebagai contoh pada kasus di atas kita akan menghitung item 1 dengan skor total, berarti skor total didapat dari penjumlahan skor item 2 sampai item 10. Perhitungan teknik ini cocok digunakan pada skala yang menggunakan item pertanyaan yang sedikit, karena pada item yang

http://4.bp.blogspot.com/-HBUn38XCf4M/TtHFe4gzSrI/AAAAAAAAAB0/MBB1E2YoMIU/s1600/tbl1.JPG

36

jumlahnya banyak penggunaan korelasi bivariate (tanpa koreksi) efek overestimasi yang dihasilkan tidak terlalu besar.

Menurut Azwar (2007) agar kita memperoleh informasi yang lebih akurat mengenai korelasi antara item dengan tes diperlukan suatu rumusan koreksi terhadap efek spurious overlap.

Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05. Kriteria pengujian adalah sebagai berikut:

- Jika r hitung ≥ r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).

- Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan tidak berkorelasi signifikan terhadap skor total (dinyatakan tidak valid).

Sebagai contoh kasus kita menggunakan contoh kasus dan data-data pada analisis produk momen di atas.

Langkah-langkah pada program SPSS

Masuk program SPSS

Klik variable view pada SPSS data editor Pada kolom Name ketik item1 sampai item 10

Pada kolom Decimals angka ganti menjadi 0 untuk seluruh item

Untuk kolom-kolom lainnya boleh dihiraukan (isian default) Buka data view pada SPSS data editor Ketikkan data sesuai dengan variabelnya, Klik Analyze - Scale – Reliability Analysis

Klik semua variabel dan masukkan ke kotak items

Klik Statistics, pada Descriptives for klik scale if item deleted

Klik continue, kemudian klik OK, hasil output yang didapat adalah sebagai berikut:

Tabel. Hasil Analisis Validitas Item dengan

Teknik Corrected Item-Total Correlation

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)

Item-total Statistics

Scale Scale Corrected

Mean Variance Item- Alpha

if Item if Item Total if Item

Deleted Deleted Correlation Deleted

ITEM1 27.2500 29.8409 .4113 .8345

ITEM2 27.2500 28.0227 .6151 .8157

ITEM3 27.4167 25.7197 .8217 .7933

37

ITEM4 26.9167 26.6288 .7163 .8046

ITEM5 26.9167 29.5379 .5603 .8223

ITEM6 27.2500 25.8409 .7764 .7975

ITEM7 27.3333 25.1515 .6784 .8078

ITEM8 27.2500 27.1136 .5679 .8204

ITEM9 26.8333 32.8788 .1866 .8482

ITEM10 27.0833 35.3561 -.1391 .8683

Reliability Coefficients

N of Cases = 12.0 N of Items = 10

Alpha = .8384

Dari output di atas bisa dilihat pada Corrected Item – Total Correlation, inilah nilai korelasi yang didapat. Nilai ini kemudian kita bandingkan dengan nilai r tabel, r tabel dicari pada signifikansi 0,05 dengan uji 2 sisi dan jumlah data (n) = 12, maka didapat r tabel sebesar 0,576 (lihat pada lampiran tabel r).

Dari hasil analisis dapat dilihat bahwa untuk item 1, 5, 9 dan 10 nilai kurang dari 0,576. Karena koefisien korelasi pada item 1, 5, 9 dan 10 nilainya kurang dari 0,576 maka dapat disimpulkan bahwa butir instrumen tersebut tidak valid. Sedangkan pada item-item lainnya nilainya lebih dari 0,576 dan dapat disimpulkan bahwa butir instrumen tersebut valid.

Sebagai catatan: analisis korelasi pada contoh kasus di atas hanya dilakukan satu kali, untuk mendapatkan hasil validitas yang lebih memuaskan maka bisa dilakukan analisis kembali sampai 2 atau 3 kali, sebagai contoh pada kasus di atas setelah di dapat 6 item yang valid, maka dilakukan analisis korelasi lagi untuk menguji 6 item tersebut, jika masih ada item yang tidak signifikan maka digugurkan, kemudian dianalisis lagi sampai didapat tidak ada yang gugur lagi.

MATERI PELATIHAN 2015 PENGOLAHAN DATA SPSS · PDF fileTranformasi data pada Recode merupakan...

Documents

Transcript of MATERI PELATIHAN 2015 PENGOLAHAN DATA SPSS · PDF fileTranformasi data pada Recode merupakan...