Modul Pelatihan Spss

34
SEKILAS MENGENAI SPSS Kemajuan di bidang komputer saat ini, khususnya software aplikasi statistik, telah membuat pengolahan data statistik menjadi mudah dan menyenangkan untuk dikerjakan. Banyak persoalan statistik yang kompleks , yang dahulu tidak mungkin dikerjakan secara manual, sekarang bisa diselesaikan secara cepat dengan program statistik. Dari berbagai software statistik yang ada saat ini, SPSS adalah yang paling populer dan paling banyak digunakan pemakai di seluruh dunia. Berdasarkan pengalaman praktek, menurut penulis ada tiga aspek yang menyebabkan SPSS menjadi software statistik yang terkenal 1. Rancangan menu dalam penginputan dan pengolahan datanya sangat “user friendly”, sehingga dengan mudah dapat dipelajari hanya dengan membaca buku panduan yang banyak tersedia di toko-toko buku. Bahkan tanpa buku panduan pun dapat dipelajari, jika anda mampu membaca fungsi “help” yang disediakan software ini. 2. Kemampuan “spreadsheet” nya, yang memungkinkan kita untuk mengolah data dalam jumlah yang besar secara cepat dan mudah. Ini menyebabkan SPSS lebih unggul dalam mengolah data hasil penelitian survay dibandingkan software-software statistik lainnya. 3. Sejak pertama kali dibuat tahun 1968 oleh tiga mahasiswa Stanford (Norman H. Nie, C. Hadlai (Tex) Hull and Dale H. Bent), SPSS telah berkembang sedemikian rupa dengan menambahkan berbagai fasilitas pengolahan statistik yang beragam, mulai dari tingkat dasar sampai tingkat lanjut. MODUL 1: PENGENALAN MENU-MENU UTAMA SPSS Gbr 1.1 Gbr 1.2 1 Saat memulai menggunakan sosftware SPSS maka kita akan melihat Data Editor window seperti Gbr 1.1. Sebelum Anda dapat menganalisis data, terlebih dahulu Anda harus memasukan data yang akan dianalisis tersebut ke dalam Data Editor window di samping. Bila Anda sebelumnya sudah memiliki data yang telah ditulis dalam format yang kompatibel dengan SPPS, maka Anda dapat membuka file data tersebut dari menu yang tersedia dengan memilih menu berikut: File Open Data... Lihat Gbr 1.2. Atau kita dapat menggunakan tanda

description

Modul pelatihan

Transcript of Modul Pelatihan Spss

Page 1: Modul Pelatihan Spss

SEKILAS MENGENAI SPSS

Kemajuan di bidang komputer saat ini, khususnya software aplikasi statistik, telah membuat pengolahan data statistik menjadi mudah dan menyenangkan untuk dikerjakan. Banyak persoalan statistik yang kompleks , yang dahulu tidak mungkin dikerjakan secara manual, sekarang bisa diselesaikan secara cepat dengan program statistik.

Dari berbagai software statistik yang ada saat ini, SPSS adalah yang paling populer dan paling banyak digunakan pemakai di seluruh dunia. Berdasarkan pengalaman praktek, menurut penulis ada tiga aspek yang menyebabkan SPSS menjadi software statistik yang terkenal

1. Rancangan menu dalam penginputan dan pengolahan datanya sangat “user friendly”, sehingga dengan mudah dapat dipelajari hanya dengan membaca buku panduan yang banyak tersedia di toko-toko buku. Bahkan tanpa buku panduan pun dapat dipelajari, jika anda mampu membaca fungsi “help” yang disediakan software ini.

2. Kemampuan “spreadsheet” nya, yang memungkinkan kita untuk mengolah data dalam jumlah yang besar secara cepat dan mudah. Ini menyebabkan SPSS lebih unggul dalam mengolah data hasil penelitian survay dibandingkan software-software statistik lainnya.

3. Sejak pertama kali dibuat tahun 1968 oleh tiga mahasiswa Stanford (Norman H. Nie, C. Hadlai (Tex) Hull and Dale H. Bent), SPSS telah berkembang sedemikian rupa dengan menambahkan berbagai fasilitas pengolahan statistik yang beragam, mulai dari tingkat dasar sampai tingkat lanjut.

MODUL 1: PENGENALAN MENU-MENU UTAMA SPSS

Gbr 1.1

Gbr 1.2

Gbr 1.3

1

Saat memulai menggunakan sosftware SPSS maka kita akan melihat Data Editor window seperti Gbr 1.1.

Sebelum Anda dapat menganalisis data, terlebih dahulu Anda harus memasukan data yang akan dianalisis tersebut ke dalam Data Editor window di samping.

Bila Anda sebelumnya sudah memiliki data yang telah ditulis dalam format yang kompatibel dengan SPPS, maka Anda dapat membuka file data tersebut dari menu yang tersedia dengan memilih menu berikut:

File Open Data...

Lihat Gbr 1.2.

Atau kita dapat menggunakan tanda yang terdapat pada toolbar untuk membuka file.Selanjutnya akan tampak daftar file yang akan dibuka pada kotak dialog seperti tampak pada Gbr 1.3. Format file data SPSS berekstensi “.sav”

Page 2: Modul Pelatihan Spss

Secara keseluruhan SPSS menyediakan tujuh window, yang meliputi:1. Data Editor

Window ini terbuka secara otomatis setiap kali program SPSS dijalankan, dan berfungsi untuk input data SPSS. Menu yang ada pada Data Editor adalah: File

Berfungsi untuk menangani hal-hal yang berhubungan dengan file data, seperti membuat file baru, membuka file, mengambil data dari program lain, mencetak isi dari Data Editor dan lainnya.

EditBerfungsi untuk menangani hal-hal yang berhubungan dengan memperbaiki atau mengubah nilai data (duplikasi data), menghilangkan data, edit data dan lainnya. Selain itu, menu Edit juga berfungsi untuk mengubah setting pada Options.

ViewMenu view berfungsi untuk mengatur toolbar.

DataBerfungsi untuk membuat perubahan data SPSS secara keseluruhan, seperti mengurutkan data, menyeleksi data berdasarkan kriteria tertentu, menggabungkan data dan sebagainya.

TransformBerfungsi untuk membuat perubahan pada variabel yang telah dipilih dengan kriteria tertentu.

Analyze (Statistics)Menu Analyze merupakan menu inti dari SPSS, yang berfungsi untuk melakukan semua prosedur perhitungan statistik, seperti uji-t, uji-F, regresi, time series dan sebagainya.

GraphsMenu Graphs berfungsi untuk membuat berbagai jenis grafik untuk mendukung analisis statistik, seperti Pie, Line, Bar dan kombinasinya.

UtilitiesMenu ini adalah menu tambahan yang mendukung program SPSS seperti : memberi informasi tentang variabel; menjalankan Scripts; mengatur tampilan menu-menu lain

Add-OnsMenu ini juga merupakan menu tambahan yang berisi mengenai software lain yang dapat diintegrasikan dengan SPSS, juga berisi sambungan on-line dengan website SPSS guna kepentingan pelatihan dan pengembangan SPSS.

WindowMenu ini berfungsi untuk pindah diantara menu-menu lain di SPSS

HelpMenu ini berfungsi untuk menyediakan bantuan informasi mengenai program SPSS.

2. Menu Output NavigatorHasil pengolahan data atau informasi ditampilkan lewat menu Output Navigator atau dapat disebut Output saja. Menu Output pada prinsipnya sama dengan menu Editor, seperti: File, Edit, View, Analyze, Graphs, Utilities, Window dan Help. Tentunya dengan disesuaikan untuk kegunaan output SPSS. Selain menu diatas ada lagi menu tambahan, yaitu: Insert: Berfungsi untuk menyisipkan judul, grafik, teks atau objek tertentu dari aplikasi lain. Format: Berfungsi untuk mengubah tata letak huruf output.

3. Menu Chart EditorMenu ini juga merupakan tempat editing bagi output hasil pengerjaan data di menu Editor, hanya khusus untuk output berupa Grafik/Chart/Diagram. Sesuai dengan fungsinya, selain submenu dasar seperti File, edit, View dan lainnya, Char Editor juga dilengkapi submenu berikut: Gallery: Berfungsi untuk mengubah jenis chart. Chart: Untuk mengedit berbagai hal mengenai grafik, seperti layout dan Labelling Grafik, skala

grafik dan sebagainya. Series: Untuk memilih kelompok data tertentu, transpose data atau menampilkan seri data.

4. Menu Syntax EditorWalaupun SPSS sudah menyediakan berbagai macam pengolahan data statistik secara memadai, namun ada berbagai perintah atau pilihan yang hanya bisa digunakan dengan SPSS Command Language. Perintah-perintah tersebut bisa ditulis pada menu Syntax`Editor. Menu ini berupa file teks yang berisi berbagai perintah SPSS dan bisa diketik secara manual.

5. Menu Script EditorMenu ini pada dasarnya digunakan untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka menutup File, eksport Chart dan sebagainya. Isi menu ini sama dengan menu terdahulu, hanya ditambah dengan submenu Script untuk membuat berbagai subrutin dan fungsi baru, serta submenu Debug untuk melakukan proses debug pada script.

MODUL 2: MENGINPUT DATA

2

Page 3: Modul Pelatihan Spss

Gbr 2.1.

:Gbr 2.2.

Gbr 2.3.

Dari tampilan Gbr 2.3. , terdapat beberapa pilihan tipe variabel sebagai berikut:

Numeric. Variabel yang berbentuk angka Comma. Variabel numerik dengan tampilan koma untuk setiap 3 angka (memisahkan ribuan),

dan titik untuk memisahkan desimal. Misalnya, jika data yang diinput adalah 2567932, maka akan ditampilkan dalam SPSS sebagai 2,567,932.00

Dot. Variabel numerik dengan tampilan titik untuk setiap 3 angka (memisahkan ribuan), dan koma untuk memisahkan desimal. Misalnya, jika data yang diinput adalah 2567932, maka akan ditampilkan dalam SPSS sebagai 2.567.932,00

Scientific notation. Variabel numerik dengan tampilan scientific. Misalnya, jika data yang diinput adalah 2567932, maka akan ditampilkan dalam SPSS sebagai 2.57E+006

Date. Variabel numerik dengan nilai yang ditampilkan dalam format tanggal atau waktu. Jika anda pilih tipe data ini, akan muncul tampilan pilihan format tanggal atau waktu.

Dollar. Variabel numerik dengan tampilan tanda $. Custom currency. Variabel numerik yang ditampilkan dalam format uang (custom currency)

misalnya dalam bentuk Rp. Penggunaan pilihan format ini harus didefinisikan terlebih dahulu dalam menu Options pada Currency tab. (caranya akan kita bahas pada tulisan berikutnya)

String. Variabel yang tidak berbentuk numerik (angka) dan karenanya tidak digunakan dalam perhitungan. Jenis ini juga dikenal sebagai variabel alphanumeric

3

Buka Program SPSS. Pertama kali akan muncul tampilan Gbr 2.1.

Tampilan tersebut adalah tampilan Data Editor yang mempunyai fungsi utama untuk mendefinisikan, menginput, mengedit dan menampilkan data.

Sebelum menginput data, definisikan terlebih dahulu data (variabel) yang akan diinput. Perhatikan disudut kiri bawah dari tampilan data editor diatas. Terdapat menu Data View (posisi kita saat ini, yang ditandai oleh tulisan yang lebih hitam) dan menu Variable View. Untuk mendefinisikan data (variabel), klik Variable View, akan muncul Gbr 2.2.

Setiap baris dalam tampilan Gbr. 5 digunakan untuk mendefinisikan satu variabel (data) yang akan diinput. Ada beberapa informasi yang perlu dimasukkan, yaitu:

Name: Isikan nama variabel. Persyaratan dalam pemberian nama variabel adalah:

Nama variabel tidak boleh duplikasi dengan nama variabel lainnya.

Nama variabel paling panjang hanya 64 karakter dan harus diawali oleh huruf atau @, #, $. Karakter berikutnya boleh kombinasi huruf, @, #, $ atau angka. Nama variabel yang diawali dengan tanda $ menunjukkan bahwa variabel tersebut adalah suatu variabel sistem.

Variabel tidak boleh mengandung spasi dan kata-kata kunci perintah SPSS yaitu ALL, AND, BY, EQ, GE, GT, LE, LT, NE, NOT, OR, TO, dan WITH.

Type: Definisikan tipe variabel. Ketika anda mengklik sel di bawah type, akan muncul titik tiga (…). Klik titik tiga tersebut, akan muncul tampilan Gbr 2.3.

Page 4: Modul Pelatihan Spss

Setelah memilih jenis variabel, lanjutkan dengan mengisi Width, yaitu jumlah karakter (angka/huruf) maksimum dari data yang akan diinput. Setelah itu, tentukan jumlah angka dibelakang koma yang (desimal) yang ingin ditampilkan. Selanjutnya klik OK.

Setelah menentukan nama variabel, jenis variabel, ukuran lebar dan desimal dari input data untuk masing-masing variabel, selanjutnya adalah mengisikan label untuk masing-masing variabel tersebut.Label adalah semacam keterangan mengenai variabel. Berbeda dengan nama variabel yang terbatas hanya sampai 64 karakter, label dapat di buat sampai 256 karakter. Selain itu, label ini dapat menggunakan spasi maupun karakter-karakter yang tadinya tidak dapat digunakan pada nama variabel.Berikutnya adalah menginputkan Values dari masing-masing variabel. Values ini secara khusus berguna jika data yang kita gunakan merupakan kode numerik (dalam bentuk angka) yang mewakili kategori non-numerik. (Misalnya kode 1 untuk laki-laki dan kode 2 untuk perempuan).

Untuk menginput values dari masing-masing variabel, klik sel di bawah Values, akan muncul titik tiga (…). Klik titik tiga tersebut, maka akan muncul tampilan Gbr 2.4:

Gbr 2.4.

Setelah menentukan Values pada masing-masing variabel (jika ada), selanjutnya adalah menentukan nilai “missing” untuk masing-masing variabel. Menentukan nilai “missing” ini berguna, jika misalnya dalam pertanyaan survai, ada responden yang tidak memberikan/menolak memberikan jawaban, sehingga tidak tersedia data untuk diinput. Misalnya, jika ada responden yang menolak memberikan jawaban mengenai pendapatannya. Jika kita menginput jawaban responden tersebut dengan angka 0, maka dalam pengolahannya, SPSS akan memasukkan dalam perhitungan (sehingga akan berpengaruh terhadap rata-rata keseluruhan maupun terhadap distribusi frekuensi). Tetapi jika kita mendefinisikan suatu angka untuk menyatakan nilai missing tersebut, maka SPSS akan mengeluarkan dari perhitungan.

Untuk mendefinisikan nilai “missing” dari masing-masing variabel, klik sel di bawah “Missing”, akan muncul titik tiga (…). Klik titik tiga tersebut, maka akan muncul tampilan Gbr 2.5:

Gbr 2.5.

Tahap selanjutnya adalah menentukan lebar kolom (Columns) dari worksheet SPSS untuk input data. Lebar kolom ini ditentukan minimal sama dengan “Width” variabel yang telah ditentukan sebelumnya.Berikutnya adalah menentukan perataan (align) dari tampilan input data. Jika diklik sel dibawah align, akan muncul tiga pilihan yaitu left (rata kiri), right (rata kanan) dan center (rata tengah).

Selanjutnya, tahap terakhir dari pendefinisian variabel adalah menentukan skala pengukuran (measure) dari masing-masing variabel. Ketika diklik sel dibawah Measure, akan terdapat tiga pilihan yairu Scale, Ordinal dan Nominal. Scale kita pilih jika skala pengukuran kita adalah skala interval atau ratio.Setelah selesai dengan tahap terakhir pendefinisian variabel ini, klik kembali menu Data View (yang ada disudut kiri bawah). Dengan cara ini, kita akan masuk ke worksheet SPSS dan siap untuk menginput data.

4

Pada Gbr 2.4. Isikan kode pada kotak Values dan labelnya pada kotak Label. Misalnya, kode 1 untuk Laki-laki. Setelah itu, klik Add. Lanjutkan untuk kode-kode berikutnya, setelah itu klik OK.

Kita bisa mendefinisikan tiga deretan angka yang berbeda untuk nilai missing masing-masing variabel. Kita juga memberikan range nilai untuk mendefinisikan nilai missing tersebut. Dalam contoh Gbr 2.5 diatas, misalnya kita mendefinisikan hanya satu deretan angka untuk nilai missing yaitu 99999. Dengan demikian, jika terdapat data yang kosong (atau tidak terisi) dari variabel kita, maka inputkan angka 99999. Setelah mendefinisikan nilai missing, klik OK.

Page 5: Modul Pelatihan Spss

Sebagai latihan, misalnya data hasil penelitian terhadap 18 responden sebagai berikut:

Mari kita definisikan masing-masing variabel sebagai berikut:

Variabel 1.Nama Variabel: Responden; Type : String; Width: 18; Decimal : 0; Label: Nama RespondenValues: None (untuk data type string, values akan otomatis none)Missing: None (untuk data type string, missing akan otomatis none)Column: 18 (ukuran kolom ini sesuaikan dengan jumlah karakter dari nama variabel atau maksimum karakter dari data pada variabel tersebut, mana yang paling banyak)Align: Left (untuk data string sebaiknya dibuat rata kiri)Measure: Nominal (untuk data string, pilih saja measure nominal)

Variabel 2.Nama Variabel: Sex; Type : Numeric; Width: 2; Decimal : 0 Label: Jenis Kelamin RespondenValues: 1 = laki-laki, 2 = perempuanMissing: None (karena informasi mengenai jenis kelamin tersedia pada semua responden)Column: 4Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)Measure: Nominal (angka untuk pengkodean jenis kelamin ini, adalah termasuk data skala nominal)

Variabel 3.Nama Variabel: Umur; Type : Numeric; Width: 3; Decimal : 0 Label: Umur RespondenValues: None (tidak ada pengkodean numerik untuk variabel ini)Missing: None (karena informasi mengenai umur tersedia pada semua responden)Column: 5Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)Measure: Scale (karena umur merupakan data berskala ratio)

Variabel 4.Nama Variabel: Pendidikan; Type : Numeric; Width: 2; Decimal : 0 Label: Pendidikan RespondenValues: 1 = SD, 2= SLTP, 3= SLTA, 4= D3, 5= S1Missing: None (karena informasi mengenai pendidikan tersedia pada semua responden)Column: 8Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)Measure: Ordinal (karena pendidikan merupakan data berskala ordinal)

Variabel 5.Nama Variabel: Pendapatan; Type : Numeric; Width: 4; Decimal : 0 Label: Pendapatan Responden (dalam ribuan Rp)Values: None (tidak ada pengkodean numerik untuk variabel ini)Missing: Berikan kode 9999 untuk responden yang tidak kita dapatkan informasi pendapatannya tersebutColumn: 9Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)Measure: Scale(karena pendapatan merupakan data berskala ratio)

5

Page 6: Modul Pelatihan Spss

MODUL 3. TRANSFORMASI DATA

Data yang sudah diinput pada SPSS bisa ditransformasi dalam berbagai bentuk operasi matematik.

Sebagai contoh, misalkan kita ingin mentransformasikan variabel Pendapatan yang telah diinput sebelumnya dengan melogaritma naturalkan.

Untuk mentransformasi variabel,  Klik Transform > Compute Variable. Akan muncul tampilan berikut:

Gbr 3.1.

Pada kotak Target Variable, masukkan nama variabel untuk menampung data hasil transformasi variabel tersebut. Misalnya dalam contoh kita diatas, diberi nama LnDapat. Dengan cara ini, akan menghasilkan satu variabel baru dengan namaLnDapat. Tetapi jika nama yang diberikan sama dengan nama variabel asal (misalnya jika diisi dengan nama Pendapatan), maka hasil transformasi akan menindih variabel asal (data variabel asal akan diganti dengan data hasil transformasi).

Pada kotak Numeric Expression, isikan perintah transformasinya.  Anda bisa mengisi perintah transformasi ini dengan dua cara:

a. Membuat rumus sendiri, misalnya: 2*Pendapatan atau Pendapatan**3. (Catatan: perkalian menggunakan bintang satu, pangkat menggunakan bintang 2)

b. Menggunakan fungsi yang sudah disediakan SPSS dalam kotak Function Group.

Dalam contoh ini kita akan melogaritmakan variabel. Fungsi tersebut sudah disediakan oleh SPSS dalam Kelompok Fungsi  Arithmethic.

Oleh karenanya, klik Arithmethic, maka akan muncul di kotak Function and Special Variables, fungsi-fungsi yang tersedia pada kelompok arithmetic ini (lihat gambar diatas).

Kemudian klik Ln, dan klik tanda panah  yang mengarah ke atas pada gambar diatas.  Maka pada kotak Numeric Expression akan muncul  tulisan seperti ini: LN(?).

Selanjutnya klik variabel Pendapatan (variabel asal yang akan ditransformasikan), dan klik panah yang mengarah kekanan dari gambar diatas. Prosedur ini akan mengganti tanda tanya diatas menjadi Pendapatan, sehingga tulisan pada kotak Numeric Expression akan menjadi: LN(Pendapatan).

Proses mengisi kotak Numeric Expression ini cukup berbelit, tetapi jika Anda sudah hafal  cara penulisan fungsinya, anda tidak harus melalui tahapan-tahapan tersebut. Cukup langsung diketikkan saja: LN(Pendapatan).

Setelah itu klik OK, maka  akan akan keluar output dari logaritma natural dari pendapatan yang berada pada variabel baru yang bernama LnDapat.

Cara mentransformasikan dengan fungsi-fungsi lainnya adalah relatif sama dengan cara melogaritmakan diatas.

6

Page 7: Modul Pelatihan Spss

MODUL 4. DISTRIBUSI FREKUENSI

Dari data yang telah diinput sebelumnya , misalnya kita ingin membuat distribusi frekuensi untuk sex (jenis kelamin) dan pendidikan. (Catatan: untuk distribusi frekuensi umur dan pendapatan, sebaiknya data dikelompokkan dulu, yang akan kita bahas pada modul berikutnya).

Klik Analyze > Descriptive Statistics > Frequencies. Akan muncul tampilan berikut:

Gbr 4.1.

Masukkan (pindahkan) variabel jenis kelamin dari kotak sebelah kiri ke kotak sebelah kanan dengan cara klik variabel jenis kelamin di kotak kiri, kemudian klik panah yang menuju ke sebelah kanan. Lakukan hal yang sama untuk variabel pendidikan. Kemudian klik OK.

Output dari distribusi frekuensi diberikan sebagai berikut:

Tabel pertama berisi keterangan mengenai variabel yang diolah, yaitu jumlah observasinya dan jumlah observasi missing. Dari tabel tersebut jumlah observasi sebanyak 18 dan tidak ada observasi missing.

Tabel kedua dan ketiga masing-masingnya memberikan distribusi frekuensi untuk jenis kelamin responden dan pendidikan responden.

Tabel distribusi frekuensi menampilkan lima kolom sebagai berikut:

Kolom pertama: kategori yang difrekuensikan (sebagai contoh adalah laki-laki dan perempuan)

Kolom kedua: frekuensi masing-masing kategori

Kolom ketiga: persentase frekuensi masing-masing kategori (persentase dihitung dari total observasi termasuk observasi missing)

Kolom keempat : persentase frekuensi masing-masing kategori tetapi persentase dihitung dengan mengeluarkan observasi missing. (Catatan: berhubung tidak ada observasi missing, baik untuk jenis kelamin maupun pendidikan, maka kolom 3 dan 4 menjadi sama).

Kolom kelima: Cumulative Percent yaitu persentase kumulatif yang dihitung dari valid percent. Sebagai contoh pada tabel frekuensi pendidikan. Baris pertama adalah 22,2 persen. Pada baris kedua adalah 55,6 persen yang dihitung dari 22,2 +33,3. Demikian seterusnya.

7

Page 8: Modul Pelatihan Spss

MODUL 5. STATISTIK DESKRIPTIF

Ukuran-ukuran statistik deskriptif dalam pengolahan data bertujuan untuk mendapatkan gambaran ringkas dari sekumpulan data, sehingga kita dapat menyimpulkan keadaan data secara mudah dan cepat. Selain itu, melalui ukuran-ukuran statistik deskriptif ini, kita dapat menentukan jenis pengolahan statistik lebih lanjut yang sesuai dengan karakteristik data kita tersebut.

Berdasarkan data yang telah diinput sebelumnya, selanjutnya untuk mendapatkan ukuran-ukuran statistik deskriptif, klik Analyze > Descriptive Statistics > Descriptives. Akan muncul Gbr 5.1 berikut:

Gbr. 5.1

Pindahkan variabel umur dan pendapatan (yang tadinya ada dikotak sebelah kiri) ke kotak sebelah kanan, dengan cara klik variabel yang bersangkutan, kemudian klik panah yang menuju ke arah kanan. Kedua variabel akan pindah ke kotak kanan seperti yang terlihat pada tampilan diatas.

Selanjutnya, klik Options, akan muncul tampilan Gbr. 5.2 berikut:

Gbr. 5.2

Setelah mengambil pilihan-pilihan yang diinginkan, klik Continue dan klik OK. Akan muncul output statistik deskriptif sebagai berikut:

Apa makna dari masing-masing pengukuran ? 

Output SPSS untuk statistik deskriptif terdiri dari 14 kolom. Masing-masing kolom akan dijelaskan sebagai berikut:

Kolom pertama dari output menunjukkan variabel yang diolah.

Kolom kedua adalah jumlah observasi. Perhatikan bahwa untuk umur responden, jumlah observasi adalah 18, sedangkan untuk pendapatan responden adalah 16. Mengapa ? Karena dua observasi sesuai dengan

8

Terdapat berbagai pilihan ukuran numerik statistik deskriptif dalam SPSS seperti yang terlihat pada tampilan diatas. Sebagai latihan, klik saja semua pilihan tersebut.

Selain itu, juga terdapat pilihan Display Order (urutan tampilan output). Jika diklik pilihan Variable list, maka output akan ditampilkan dengan urutan sesuai dengan urutan variabel yang kita input (dalam contoh ini, tampilan outputnya umur kemudian pendapatan). Jika dipilih alphabetic, maka output ditampilkan berdasarkan urutan abjad awal dari nama variabel (dalam hal ini pendapatan kemudian umur). Jika dipilih Ascending means, maka urutan tampilan output dimulai dari variabel dengan rata-rata terkecil. Jika dipilih Descending means, maka urutan tampilan output dimulai dari variabel dengan rata-rata terbesar. Dalam contoh kita diatas, kita ambil pilihan Variable list

Page 9: Modul Pelatihan Spss

contoh latihan kita adalah data missing. SPSS dalam hal ini hanya akan mengolah data yang valid dengan mengeluarkan data missing.

Kolom ketiga adalah range (jarak). Range merupakan pengukuran yang paling sederhana untuk dispersi (penyebaran) data. Rumus untuk range adalah: nilai maksimum – nilai minimum. Misalnya range untuk umur adalah 37, karena nilai maksimum 57 dan nilai minimum 20.

Kolom keempat adalah nilai minimum (terendah) dari data

Kolom kelima adalah nilai maksimum (tertinggi) dari data

Kolom keenam adalah jumlah (sum) dari keseluruhan data.

Kolom ketujuh adalah nilai rata-rata.

Kolom kedelapan adalah standar error dari rata-rata (Standard error of Mean).Ini adalah pengukuran untuk mengukur seberapa jauh nilai rata-rata bervariasi dari satu sampel ke sampel lainnya yang diambil dari distribusi yang sama.

Apa perbedaan standard error (of mean) dengan standar deviasi (kolom kesembilan)?.

Kalau standard deviasi adalah suatu indeks yang menggambarkan sebaran data terhadap rata-ratanya, maka standard error (of mean) adalah indeks yang menggambarkan sebaran rata-rata sampel terhadap rata-rata dari rata-rata keseluruhan kemungkinan sampel (rata-rata populasi).

Pengukuran ini berguna, terutama untuk menjawab pertanyaan “seberapa baik rata-rata yang kita dapatkan dari data sampel dapat mengestimasi rata-rata populasi ?”

Cara menghitung standard error dari rata-rata (misalnya untuk umur) adalah:

Dimana: SE = standar error dari rata-rata; S = standar deviasi (lihat kolom 9); n = jumlah observasi

Kolom kesembilan adalah standar deviasi. Sebagai contoh perhitungan untuk standard deviasi umur sebagai berikut:

Kolom kesepuluh adalah varians dari data. Secara matematis, varians dan standar deviasi saling terkait, dimana standar deviasi adalah akar varians, atau varians adalah kuadrat dari standar deviasi. Dengan demikian untuk varians umur adalah 10.999^2 = 120.967

Kolom kesebelas adalah skewness data. Skewness merupakan alat ukur dalam menelusuri distribusi data yang diperbandingkan dengan distribusi normal. Skewness merupakan pengukuran tingkat ketidaksimetrisan (kecondongan) sebaran data di sekitar rata-ratanya. Distribusi normal merupakan distribusi yang simetris dan nilai skewness adalah 0. Skewness yang bernilai positif menunjukkan ujung dari kecondongan menjulur ke arah nilai positif (ekor kurva sebelah kanan lebih panjang). Skewness yang bernilai negatif menunjukkan ujung dari kecondongan menjulur ke arah nilai negatif (ekor kurva sebelah kiri lebih panjang).

Sebagai contoh, perhitungan skewness untuk data umur adalah sebagai berikut:

9

Page 10: Modul Pelatihan Spss

Kolom keduabelas adalah standar error dari skewness (SEs). Untuk menghitung standar error dari skewness ini (sebagai contoh umur) adalah sebagai berikut:

Kolom ketiga belas adalah Kurtosis. Sebagaimana skewness, kurtosis juga merupakan alat ukur dalam menelusuri distribusi data yang diperbandingkan dengan distribusi normal. Kurtosis menggambarkan keruncingan (peakedness) atau kerataan (flatness) suatu distibusi data dibandingkan dengan distribusi normal. Pada distribusi normal, nilai kurtosis sama dengan 0. Nilai kurtosis positif menunjukkan distribusi yang relatif runcing, sedangkan nilai kurtosis negatif menunjukkan distribusi yang relatif rata.Contoh perhitungan untuk data umur sebagai berikut:

Kolom keempat belas adalah standar error dari kurtosis. Contoh perhitungan untuk umur sbb:

10

Page 11: Modul Pelatihan Spss

MODUL 6. PENGELOMPOKKAN DATA DENGAN SPSS

Seringkali dan biasanya, selain menampilkan ukuran statistik deskriptif dari kumpulan data, kita juga ingin menampilkan distribusi frekuensi dari data tersebut. Jika data sudah dalam bentuk kategori (misalnya pendidikan SD, SLTP,SLTA dst) atau data sudah dikategorikan dalam kelompok-kelompok interval tertentu misalnya pendapatan rendah ( < 1.000.000), menengah (1.000.000 – 2.0000), tinggi (>2.000.000), maka kita dapat secara langsung membuat distribusi frekuensinya dengan SPSS .

Tetapi bagaimana jika data belum terkelompok dalam kategori-kategori tertentu ? Tentunya tabel distribusi frekuensinya akan sangat panjang mengikuti keragaman dari nilai-nilai data tersebut.

Bagaimana cara mengelompokkan data ini dalam SPSS ?

Sebagai latihan, gunakan data umur responden sebagaimana yang sudah diinput sebelumnya, kemudian klik Transform. Ada dua pilihan dalam mengelompokkan data ini yaitu Recode into Same Variables (kode pengelompokkan akan menindih data asli) dan Recode into Different Variables (kode pengelompokan akan dibuat pada variabel yang baru). Kita pilih saja Recode into Different Variables, maka akan muncul tampilan berikut:

Gbr 6.1

Pindahkan variabel umur yang tadinya ada dikotak sebelah kiri ke kotak sebelah kanan dengan cara mengklik panah arah ke kanan. Kemudian pada kotak Output Variable, untuk Name tuliskan Kel.Umur dan untuk Label tuliskan Kelompok Umur (lihat tampilan diatas), kemudian klik Change.Selanjutnya, klik Old and New Values, akan muncul tampilan berikut:

Gbr 6.2

Misalnya kita ingin mengelompokkan umur menjadi : < 29, 30 – 39, 40 – 49, dan >49.

Caranya perhatikan tampilan diatas.

Untuk mengelompokkan umur ≤ 29, pada bagian Old Value, klik Range,LOWEST through value, kemudian isikan pada kotak dibawahnya angka 29. Selanjutnya pada bagian New Value, pada kotak Value isikan angka 1, kemudian klik Add (lihat tampilan diatas)Untuk mengelompokkan umur 30 – 39, pada bagian Old Value, klik Range, kemudian isikan pada kotak dibawahnya angka 30 dan kotak dibawah through angka 39. Selanjutnya pada bagian New Value, pada kotak Value isikan angka 2, kemudian klik Add (lihat tampilan berikut ini)

11

Page 12: Modul Pelatihan Spss

Gbr 6.3

Dengan cara yang sama, lakukan untuk kelompok umur 40 – 49 (pada New Value beri kode 3).Selanjutnya untuk kelompok umur ≥ 50, pada bagian Old Value, klik Range value through HIGHEST, kemudian isikan pada kotak dibawahnya angka 50. Selanjutnya pada bagian New Value, pada kotak Value isikan angka 4, kemudian klik Add.

Setelah selesai memberikan kode untuk pengelompokan umur ini, kemudian klik Continue dan OK.Hasilnya, pada worksheet SPSS kita akan ada tambahan variabel baru yaitu kelompok umur sebagai berikut:

Gbr 6.4

Sekarang kita tinggal memberikan Value Label untuk masing-masing kode pengelompokan umur tersebut dengan kode 1 (≤ 29), kode 2 (30-39), kode 3 (40 – 49), kode 4 (≥ 49). Cara memberikan value label dapat dilihat pada 

Setelah memberikan value label, bentuklah distribusi frekuensi untuk kelompok umur tersebut . Output SPSS dari latihan kita adalah sebagai berikut:

12

Page 13: Modul Pelatihan Spss

MODUL 7. GRAFIK

Satu gambar sering lebih bermakna dari seribu kata. Ungkapan ini sering dikemukakan untuk menunjukkan peran grafik dalam mendeskripsikan data.

Terdapat tiga jalur (cara) dalam pembuatan grafik pada SPSS. Akan dibahas cara yang paling sederhana saja, sebagai berikut: Klik Graphs > Legacy Dialogs. Akan terdapat beberapa pilihan grafik yang tersedia yaitu: Bar (grafik batang); 3-D (grafik batang tiga dimensi); Line (grafik garis); Pie (grafik lingkaran); High-Low; Boxplot; Error Bar; Population Pyramid; Scatter/Dot (sebaran/titik); Histogram

Masing-masing grafik memiliki karakteristik-karakteristik tertentu yang sesuai dalam penggambaran data. Grafik yang berbasis batang, umumnya digunakan untuk menggambarkan perbandingan antar variabel/kategori. Grafik yang berbasis garis, umumnya (lebih sesuai) untuk menggambarkan perkembangan data. Grafik yang berbasis lingkaran, umumnya untuk menggambarkan data yang bersifat proporsi. Grafik yang berbasis titik umumnya untuk menggambarkan pencaran/sebaran data.

Grafik Batang

Untuk membuat grafik batang, klik Bar, akan muncul tampilan berikut:

13

Sebagai latihan misalnya kita punya data tingkat pendidikan dan pendapatan dari 30 orang responden penelitian. Tingkat pendidikan misalnya dikategorikan sebagai:

1 = responden yang berpendidikan SLTP kebawah

2 = responden yang berpendidikan SLTA

3 = responden yang berpendidikan D3

4 = responden yang berpendidikkan S1.

Pendapatan juga kita kelompokkan atas tiga yaitu:

1 = pendapatan rendah (kurang dari Rp. 1.000.000)

2 = pendapatan menengah ( Rp. 1.000.000 – 3.000.000)

3 = pendapatan tinggi ( diatas Rp 3.000.000)

Setelah menginput data tersebut (atau bisa juga sebelum menginput data ), berilah value label untuk masing-masing kategori variabel yaitu untuk pendidikan: 1 (=< SLTP), 2(SLTA), 3(D3), 4 (S1) sedangkan untuk pendapatan: 1 (rendah), 2(menengah), 3(tinggi).

Terdapat tiga pilihan grafik batang, yaitu Simple, Clustered dan Stacked. Pilihan Simple digunakan untuk menggambarkan grafik dari variabel tunggal. Pilihan Clustered dan Stacked digunakan untuk menggambarkan grafik dari variabel tunggal tetapi dikelompokkan berdasarkan kategori dari variabel lainnya. Pengelompokan pada tipe grafik Clustered dilakukan secara horizontal, sedangkan pada tipe Stacked secara vertikal.

Kemudian terdapat pilihan tampilan data (Data in Chart Are), yaitu diringkas berdasarkan kategori (Summaries for groups of cases), diringkas berdasarkan pemisahan variabel (Summaries of separate variables) atau menampilkan data individual.

Page 14: Modul Pelatihan Spss

Sebagai latihan , kita akan membuat grafik untuk variabel jenis pendidikan. Kita pilih jenis grafik Simple (klik) dan tampilan data adalah Summaries for groups of cases. Kemudian klik Define, akan muncul tampilan berikut:

Tentukan terlebih dahulu ukuran yang akan ditampilkan oleh batang dari grafik kita (Bar Represent). Ada beberapa pilihan yaitu ukuran frekuensi absolut (N of cases), kumulatif frekuensi (Cum.N), persentase frekuensi (% of cases), kumulatif persentase frekuensi (Cum.%), atau ukuran statistik lainnya (Other Statistics).

Untuk latihan ini, kita pilih % of cases. Selanjutnya masukkan variabel Pendidikan ke dalam kotak Category Axis, dan kemudian klik OK. Akan muncul output grafik sebagai berikut:

Grafik Batang Clustered dan Stacked

Data yang digunakan untuk latihan adalah data tingkat pendidikan dan pendapatan. Klik Graphs > Legacy Dialogs > Bar. Akan muncul tampilan berikut:

14

Sebagai latihan, kita akan membuat grafik pendidikan yang dikelompokkan berdasarkan tingkat pendapatan. Klik Clustered, klik Summaries for groups of cases, kemudian klik Define, akan muncul tampilan berikut:

Page 15: Modul Pelatihan Spss

Pada Bar Represent klik % of cases (tentunya anda bisa mencoba pilihan lainnya). Masukkan variabel Pendidikan pada kotak Category Axis dan variabel Pendapatan pada kotak Define Cluster by. Kemudian klik OK. Akan muncul output grafik sebagai berikut:

Ini adalah grafik batang clustered. Apa perbedaannya dengan grafik batang stacked ? Jika anda ambil pilihan stacked pada proses sebelumnya, output grafik akan menjadi sebagai berikut:

15

Terlihat bahwa perbedaan antara grafik batang clustered dengan stacked adalah jika pada clustered pengelompokkan pendapatan dilakukan secara horizontal (kesamping), pada stacked dilakukan secara bertumpuk vertikal.

Page 16: Modul Pelatihan Spss

Grafik Lingkaran

Salah satu jenis grafik yang sering digunakan terutama untuk menggambarkan proporsi dari kategori data adalah grafik lingkaran (pie).

Sebagai latihan, data yang kita gunakan sama dengan data sebelumnya (yaitu data tingkat pendidikan dan pendapatan dari 30 orang responden penelitian). 

Setelah menginput data tersebut, klik Graphs > Legacy Dialogs > Pie. Akan muncul tampilan berikut:

Dari tampilan tersebut, pilih Summaries for group of cases (lihat catatan pada tulisan sebelumnya untuk penggunaan pilihan yang lainnya). Kemudian klik Define. Akan muncul tampilan berikut:

Misalnya kita ingin menggambarkan grafik lingkaran untuk pendidikan.

Pada Slices Represent, kita diminta untuk memilih apakah irisan dari grafik lingkaran akan menggambarkan jumlah kasus (N of cases), persentase atau proporsi masing-masing kategori (% of cases) atau jumlah dari variabel (Sum of variable). Untuk latihan kita pilih saja % of cases.Selanjutnya pada kotak Define Slices by: masukan variabel Pendidikan. Kemudian klik OK, maka akan muncul output grafik lingkaran sebagai berikut:

Perhatikan, grafik lingkaran yang dihasilkan masih sangat sederhana dengan elemen grafik yang sangat terbatas. Untuk menambah elemen grafik agar lebih komunikatif dalam penggambaran data, buka Chart

16

Page 17: Modul Pelatihan Spss

Editor dengan cara klik kanan pada bidang grafik kemudian klik SPSS Chart Object dan klik Open (lihat tampilan dibawah ini)

Akan muncul tampilan Chart Editor sebagai berikut:

Melalui menu-menu yang ada pada Chart Editor tersebut, kita bisa mengatur ukuran dari lingkaran, membuat tampilan jadi tiga dimensi, memberikan label pada masing-masing irisan dari lingkaran, memberi judul, mengganti warna dan lainnya. Silakan dicoba-coba (tidak dibahas dalam postingan ini karena akan terlalu panjang).

Salah satu contoh setelah pengeditan (diberi judul, label irisan dan dijadikan tiga dimensi) diberikan sebagai berikut:

Grafik Garis

Grafik garis biasa digunakan untuk menggambarkan data yang bersifat perkembangan (trend).

17

Sebagai latihan, misalnya kita punya data mengenai investasi dan tabungan domestik Indonesia (dalam trilyun Rp) selama periode tahun 1990 – 2007, yang telah diinput pada SPSS sebagai berikut:

Page 18: Modul Pelatihan Spss

Klik Graph > Legacy Dialog > Line, akan muncul tampilan berikut:

Kita juga bisa menggambarkan perkembangan investasi dan tabungan sekaligus dalam satu grafik dengan cara pilih Multiple. Selanjutnya, masukkan variabel investasi dan tabungan pada kotak Line Represent.

Contoh hasil untuk multiple grafik tersebut sebagai berikut:

18

Pilih jenis Simple (karena hanya satu variabel yang akan kita gambarkan), kemudian pilih Values of individual cases. Selanjutnya klik Define, akan muncul tampilan berikut:

Masukkan variabel Investasi pada kotak Line Represents dan variabel Tahun pada kota Variable. Kemudian klik OK, maka akan keluar output grafik garis sebagai berikut:

Page 19: Modul Pelatihan Spss

MODUL 8. TABEL SILANG

Salah satu cara untuk menggambarkan keterkaitan antar variabel secara sederhana adalah dengan membentuk tabel silang (crosstabs) antar variabel tersebut. Tabel silang adalah tabel distribusi frekuensi yang menghubungkan dua atau lebih variabel.

Bagaimana cara kita membentuk tabel silang ini dengan SPSS ?

Sebagai latihan, misalnya kita punya data tingkat pendidikan dan pendapatan dari 60 orang responden penelitian. Tingkat pendidikan misalnya dikategorikan sebagai:

1 = responden yang berpendidikan SLTP kebawah

2 = responden yang berpendidikan SLTA

3 = responden yang berpendidikan D3 ke atas.

Pendapatan juga kita kelompokkan atas tiga yaitu:

1 = pendapatan rendah (kurang dari Rp. 1.000.000)

2 = pendapatan menengah ( Rp. 1.000.000 – 3.000.000)

3 = pendapatan tinggi ( diatas Rp 3.000.000)

Berilah value label untuk masing-masing kategori variabel yaitu untuk pendidikan: 1 (=< SLTP), 2(SLTA), 3(>= D3), sedangkan untuk pendapatan: 1 (rendah), 2(menengah), 3(tinggi).

Selanjutnya, klik Analyze > Descriptive Statistics > Crosstabs. Akan muncul tampilan berikut:

19

(Catatan: input data sebenarnya hanya terdiri dari dua kolom. Kolom pertama adalah pendidikan dan kolom kedua adalah pendapatan. Mengingat keterbatasan halaman, tampilan dipotong jadi dua, seakan-akan jadi empat kolom. Karenanya, jika anda menginput ke SPSS, tetap jadikan hanya dua kolom).

Page 20: Modul Pelatihan Spss

Masukkan variabel Pendapatan ke kotak Row(s) dan Variabel Pendidikan ke kotak Column(s). Selanjutnya klik Cells, akan muncul tampilan berikut:

Ada beberapa pilihan pada tampilan Cell Display diatas. Untuk kepentingan latihan saat ini, silakan klik saja Observed, Row, Column, Total.

Pilihan Observed bertujuan untuk menampilkan frekuensi data sebenarnya, pilihan Row bertujuan untuk menampilkan persentase baris, column untuk persentase kolom dan total untuk persentase total dalam tabel silang.

Tentunya, pilihan-pilihan persentase ini dalam prakteknya tidak akan kita gunakan semuanya (karena akan memperumit pembacaan tabel). Tapi untuk sekedar latihan, silakan klik saja semua pilihan persentase tersebut.

Selanjutnya, klik Continue dan klik OK.Akan muncul output tabel silang sebagai berikut:

Dari output SPSS, Count adalah frekuensi dari data yang diamati (observed). Cara membacanya, misalnya angka 16 pada baris pertama kolom pertama dari tabel diatas berarti bahwa terdapat 16 responden dengan pendidikan =< SLTP yang berpendapatan rendah. Angka 7 pada kolom kedua baris pertama berarti bahwa terdapat 7 responden dengan pendidikan SLTA yang berpendapatan rendah.

% within Pendapatan adalah persentase baris dari tabel silang ini. Misalnya, angka 64.0% (baris kedua kolom pertama) dari tabel diatas adalah berasal dari (16/25) x 100%. Cara membacanya adalah dari total responden berpendapatan rendah (sebanyak 25 orang), 64,0 persen diantaranya adalah mereka yang berpendidikan SLTP ke bawah.

% within Pendidikan adalah persentase kolom dari tabel silang ini. Misalnya angka 69.6% (baris ketiga kolom pertama) dari tabel diatas adalah berasl dari (16/23) x 100%. Cara membacanya adalah dari total responden yang berpendidikan SLTP ke bawah (sebanyak 23 orang), 69,6 persen diantaranya berpendapatan rendah.

% within total adalah persentase total dari tabel silang ini. Misalnya angka 26.7% (baris keempat kolom pertama) adalah berasal dari (16/60) x 100%. Cara membacanya adalah dari total responden (sebanyak 60 orang), 26,7 persen diantaranya memiliki pendidikan SLTP kebawah dengan pendapatan rendah.

20

Page 21: Modul Pelatihan Spss

MODUL 9. REGRESI DENGAN SPSS

Regresi Linear Sederhana

Teori Keynes menyatakan bahwa peningkatan pendapatan akan meningkatkan konsumsi, tetapi tidak sebesar peningkatan pendapatan. Dengan kata lain, menurut Teori Keynes, pendapatan berpengaruh positif terhadap konsumsi. Untuk menguji teori Keynes tersebut, dibentuk model ekonometrik dalam bentuk fungsi regresi linear sederhana sebagai berikut:

Y =β0+β1Xi+ei

Untuk penyusunan model regresi tersebut, dikumpulkan data hipotetik mengenai konsumsi (Y) dan pendapatan (X) dari 12 keluarga sampel (dalam Rp ribu perminggu) sebagai berikut: (tabel berikut juga menyajikan jumlah anggota rumah tangga (ART). Untuk sementara abaikan dulu)

Setelah menginput data, klik Analyze > Regression > Linear. Akan muncul tampilan berikut:

Gambar 9.1

Isikan konsumsi (Y) pada kotak Dependent, dengan cara klik Konsumsi, klik panah ke kotak Dependent. Dengan cara yang sama, isikan Pendapatan (Y) ke kotak Independent. Selanjutnya klik OK. Akan muncul tampilan output SPSS yang diberikan sebagai berikut:

Pada output Model Summary, diberikan perhitungan R, R Square (R2), Adjusted R2dan Standard Error of Estimate (SEE). Pada output ANOVA (Analysis of Variance) diberikan perhitungan-perhitungan untuk pengujian signifikansi model secara keseluruhan. Pada output Coefficients diberikan estimasi koefisien-koefisien model regresi (baik yang unstandarized maupun yang standarized). Dalam output tersebut juga

21

Page 22: Modul Pelatihan Spss

diberikan standar error masing-masing koefisien, nilai t hitung serta signifikansinya (dalam P-value)Untuk kepentingan pelaporan, output SPSS tersebut diatas dapat diringkas dalam bentuk sebagai berikut:

Catatan: * signifikan pada α = 10%, ** signifikan pada α = 5 %, *** signifikan pada α = 1%Pengujian hipotesis dilakukan dengan membandingkan nilai t-hitung dengan t-tabel pada α=1%, 5%, 10% dengan d.f = 10. Nilai t(0,01)(10) = 3,169, nilai t(0,05)(10)= 2,228 dan nilai t (0,10)(10) = 1,812. (Catatan: uji F atau pengujian secara simultan tidak diperlukan dalam model regresi sederhana karena hanya melibatkan satu variabel bebas)

Nilai t-hitung pada koefisien β1 lebih besar dibandingkan nilai t(0,10)(10). Artinya koefisien β1 sebagai kumpulan pengaruh seluruh variabel di luar model memiliki pengaruh yang signifikan terhadap konsumsi dengan tingkat signifikansi 10%. Nilai t-hitung pada koefisien β2 lebih besar dibandingkan nilai t(0,01)(10). Artinya terdapat pengaruh yang sangat signifikan antara pendapatan dan konsumsi dengan tingkat signifikansi 1%.

Pengujian hipotesis juga dapat dengan melihat nilai P-value yang diberikan pada output SPSS. Kriteria pengujiannya adalah jika P-value < α, maka tolak Ho, dalam artian terdapat pengaruh yang signifikan secara statistik dari variabel tersebut.

Selanjutnya model dapat diinterpretasikan sebagai berikut: Pada pendapatan nol, rata-rata konsumsi keluarga adalah sebesar Rp 13,676 ribu (nilai koefisien β1). Untuk setiap peningkatan pendapatan sebesar Rp 1 ribu, maka secara rata-rata konsumsi keluarga akan meningkat sebesar Rp 0,713 ribu (nilai koefisien β2).

Regresi Linear Berganda

Misalnya dalam kasus regresi linear sederhana sebelumnya, kita tambahkan satu variabel lainnya yang mempengaruhi konsumsi selain pendapatan yaitu jumlah anggota keluarga.

Model ekonometrik dalam bentuk fungsi regresi linear bergandanya sebagai berikut:Yi =β1+β2X2+β3X3+ei

Dimana: Y = konsumsi

X1 = pendapatan

X2 = jumlah anggota rumah tangga

Mengikuti tahapan-tahapan pengolahan data dengan SPSS sebagaimana yang diberikan sebelumnya, didapatkan output sebagai berikut:

Output SPSS tersebut diatas dapat diringkas dalam bentuk sebagai berikut:

22

Page 23: Modul Pelatihan Spss

Dengan menggunakan nilai P-value dan nilai α tertinggi 10% terlihat bahwa baik pendapatan maupun jumlah anggota rumah memiliki pengaruh yang signifikan secara statistik terhadap konsumsi.Nilai koefisien X1 sebesar 0,428 berarti bahwa dengan asumsi (dengan menjaga) variabel X2 (jumlah anak) konstan, setiap peningkatan pendapatan sebesar Rp 1 ribu akan meningkatkan konsumsi sebesar Rp 0,428 ribu. Selanjutnya, nilai koefisien X2 sebesar 3,464 berarti bahwa dengan asumsi (dengan menjaga) variabel X1 (pendapatan) konstan, setiap tambahan satu orang anggota rumah tangga akan meningkatkan konsumsi sebesar Rp 3,464 ribu.

Dari nilai P-value F hitung (juga bisa dengan cara membandingkan F hitung dengan F tabel), terlihat bahwa secara simultan (bersama-sama) variabel X12 berpengaruh sangat signifikan terhadap Y. Selanjutnya, nilai R2 yang sebesar 0,947 menunjukkan bahwa 94,7 persen variasi konsumsi disebabkan oleh pendapatan dan jumlah anggota rumah tangga secara bersama-sama. (Catatan: pergunakan nilai adjusted R2 dan X jika variabel bebas lebih dari dua)

Uji Asumsi Klasik

Uji Normalitas

Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data berdistribusi normal atau tidak. Rasio skewness adalah nilai skewnes dibagi dengan standard error skewness; sedang rasio kurtosis adalah nilai kurtosis dibagi dengan standard error kurtosis. Sebagai pedoman, bila rasio kurtosis dan skewness berada di antara –2 hingga +2, maka distribusi data adalah normal

Langkah-Langkah dalam SPSS

Lakukan regresi seperti Gbr. 9.1 (tetapi dengan dua variable independent). Kemudian klik Save, akan muncul tampilan berikut:

Centang pilihan Unstandardized pada bagian Residuals, kemudian pilih Continue dan pada tampilan awal pilih tombol OK, akan menghasilkan variabel baru bernama Unstandardized Residual (RES_1). Selanjutnya Analyze ->Descriptive Statistics -> Descriptives akan muncul tampilan sebagai berikut.

23

Page 24: Modul Pelatihan Spss

Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri, selanjutnya pilih Options akan muncul tampilan sebagai berikut

Centang pilihan Kurtosis dan Skewness dan kemudian Continue dan pada tampilan awal pilih OK. Hasilnya sebagai berikut

Skewness Kurtosis

Statistic Std. Error Statistic Std. Error

Unstandardized Residual

.475 .637 -.831 1.232

Valid N (listwise)

Terlihat.bahwa.rasio.skewness.=0.475/0.637=.0,745;.sedang.rasio.kurtosis.=-0,831/1,232.=.-0,674

Karena. rasio. skewness. dan. rasio. kurtosis. berada. di. antara. –2. hingga. +2,. maka. dapat.

disimpulkan.bahwa.distribusi.data.adalah.normal..

Uji Autokorelasi

Salah satu cara untuk menguji autokorelasi adalah Uji Durbin-Watson (DW Test). Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept dalam model regresi dan tidak ada variabel lag di antara variabel penjelas. Hipotesis yang diuji adalah:

Keputusan ada tidaknya autokorelasi adalah:

Bila nilai DW berada di antara dU sampai dengan 4 - dU maka koefisien autokorelasi sama dengan

nol. Artinya, tidak ada autokorelasi.

Bila nilai DW lebih kecil daripada dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada

autokorelasi positif.

Bila nilai DW terletak di antara dL dan dU, maka tidak dapat disimpulkan.

Bila nilai DW lebih besar daripada 4 - dL, koefisien autokorelasi lebih besar daripada nol. Artinya

24

Page 25: Modul Pelatihan Spss

ada autokorelasi negatif.

Bila nilai DW terletak di antara 4 – dU dan 4- dL, maka tidak dapat disimpulkan.

Tahapan dalam SPSS

Lakukan regresi seperti Gbr. 9.1 (tetapi dengan dua variable independent). Kemudian klik Statistics, akan muncul tampilan berikut:

Kemudian centang Durbin Watson, klik Continue, akan muncul tampilan berikut:

Model R R SquareAdjusted R Square

Std. Error of the Estimate

Durbin-Watson

1 .973(a) .947 .936 3.33495 1.077

Langkah. selanjutnya. adalah. menetapkan. nilai. dL. dan. dU.. Caranya. adalah. dengan. menggunakan.

derajat.kepercayaan.5%,.sampel.(n).yang.kita.miliki.sebanyak.12.observasi,.dan.variabel.penjelas.

sebanyak.2.maka.dapatkan.nilai.dL.dan.dU.sebesar.0,8122.dan.1,579..Maka.dapat.disimpulkan.bahwa.

model.ini.memiliki.gejala.autokorelasi.positif.

Uji Multikolinearitas

Ada banyak cara untuk menentukan apakah suatu model memiliki gejala Multikolinieritas, pada modul ini hanya diperkenalkan dengan cara VIF. Cara ini sangat mudah, hanya melihat apakah nilai VIF untuk masing-masing variabel lebih besar dari 10 atau tidak. Bila nilai VIF lebih besar dari 10 maka diindikasikan model tersebut memiliki gejala Multikolinieritas.

Langkah-Langkah dalam SPSS

Kembali Lakukan regresi seperti pada Uji Normalitas. Setelah itu pilih Statistics kemudian centang pilihan Collinearity Diagnostics setelah itu pilih tombol Continue dan akhirnya pada tampilan selanjutnya pilih OK. Hasilnya sebagai berikut.

Coefficients(a)

Model Unstandardized

CoefficientsStandardized Coefficients t Sig. Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) 19.977 6.318 3.162 .012

x1 .428 .127 .572 3.368 .008 .203 4.936

x2 3.464 1.378 .427 2.514 .033 .203 4.936

a Dependent Variable: y

25

Page 26: Modul Pelatihan Spss

Dapat dilihat bahwa seluruh variabel penjelas memiliki nilai VIF lebih kecil dari 10 maka dapat disimpulkan bahwa model regresi ini tidak memiliki masalah Multikolinieritas

Uji Heterokedastisitas

Banyak metoda statistik yang dapat digunakan untuk menentukan apakah suatu model terbebas dari masalah heteroskedastisitas atau tidak, seperti misalnya Uji White, Uji Park, Uji Glejser, dan lain-lain.

Modul ini akan memperkenalkan salah satu uji heteroskedastisitas yang mudah yang dapat diaplikasikan di SPSS, yaitu Uji Glejser.

Uji Glejser secara umum dinotasikan sebagai berikut:

|e| = b1 + b2 X2 + v

Dimana:

|e| = Nilai Absolut dari residual yang dihasilkan dari regresi model

X2 = Variabel penjelas

Bila variabel penjelas secara statistik signifikan mempengaruhi residual maka dapat dipastikan model ini memiliki masalah Heteroskedastisitas

Kita sudah memiliki variabel Unstandardized Residual (RES_1) (lihat lagi langkah-langkah uji Normalitas di atas). Selanjutnya pilih Transform ->Compute Variable, akan muncul tampilan sebagai berikut

Kemudian dilanjutkan dengan regresi , dengan memasukkan variable abresid pada dependent dan variable X1 dan X2 pada independent. Hasilnya sebagai berikut:

Model Unstandardized

CoefficientsStandardized Coefficients t Sig.

B Std. Error Beta

1 (Constant) 3.994 3.481 1.148 .281

x1 -.056 .070 -.568 -.795 .447

x2 .614 .759 .578 .809 .439

a Dependent Variable: abresid

Seluruh koefisien variabel pejelas tidak ada yang signifikan secara statistik, sehingga dapat disimpulkan bahwa model ini tidak mengalami masalah heteroskedastisitas.

26