modul-basic BACK UP - Aktifitas | Student...

MODUL PELATIHAN

(Statistical Package for the Social Sciences)

BASIC – PERTEMUAN I

OLEH :

NURJANNAH, S.Si

(Staf Pengajar Program Studi Statistika Univ. Brawijaya Malang)

Melbourne

Autumn, 2008

-aNNa- Pelatihan SPPS by MIIS, Melb 2008

P a g e | 1

BAB I

PENDAHULUAN

A. LATAR BELAKANG

Dalam banyak kasus, orang sering enggan menyelesaikan permasalahan-permasalahan

yang berkaitan dengan statistika. Hal ini terjadi karena secara umum, orang mengetahui bahwa

statistika adalah ilmu yang sulit dan penuh rumus-rumus matematika yang tidak mudah

dipahami. Namun, kita tidak bisa memungkiri dan telah mengetahui bersama bahwa statistika

merupakan salah satu ilmu yang banyak digunakan dan dibutuhkan dalam penelitian,

pengambilan keputusan, dan penentuan kebijakan yang berbasis data dan fakta sebagai

informasi di berbagai bidang. Oleh karena itu, para peneliti mau tidak mau harus memahami

statistika walaupun tidak melalui pemodelan dasar matematikanya, tetapi menguasai ciri dan

karakteristik serta persyaratan cukup dari penggunaan metode-metode statistik yang dibarengi

oleh penguasaan pengetahuan struktur data setiap metode pada paket program statistika yang

memfasilitasinya.

Kini, permasalahan-permasalahan statistika bukan suatu masalah rumit karena seiring

dengan perkembangan teknologi komputer, pekerjaan statistik sangat terbantu dengan adanya

program aplikasi komputer untuk statistik yang kini sudah banyak dipasarkan. Komputer sangat

membantu membantu pekerjaan statistik, terutama dalam melakukan perhitungan statistik yang

menggunakan rumus-rumus matematika yang rumit dan banyak data. SPSS merupakan salah

satu program aplikasi untuk analisis statistik yang sudah cukup diakui.

B. PENGANTAR STATISTIKA

Dengan merujuk pada definisi tersebut, maka peranan statistika dapat diilustrasikan seperti pada bagan berikut :

Gambar 1.1 Peranan Statistika dalam proses penelitian

Statistika adalah : Ilmu dan atau seni yang berkaitan dengan tata cara (metode) pengumpulan data, analisis data, dan interpretasi hasil analisis untuk mendapatkan informasi sebagai landasan di dalam pengambilan keputusan dan penarikan kesimpulan.


P a g e | 2

Ciri pokok statistika adalah merupakan pendekatan kuantitatif, yaitu menghendaki data bersifat

numerik. Sehingga data kualitatif harus dirubah ke bentuk numerik (dengan cara memberikan

skor).

Statistika merupakan alat yang memberikan obyektivitas dan ketelitian pengamatan, dan

keuntungan berpikir statistika adalah :

� Lebih mementingkan fakta dari pada konsep (teori) yang bersifat abstrak ataupun

prasangka/perasaan.

� Tidak mengekspresikan fakta ke dalam perasaan atau ide. Menggunakan gambaran yang

diturunkan dari hasil pengamatan (data) spesifik.

� Di dalam hasil pengamatan terdapat variasi yang merupakan bagian yang tersembunyi, dan

mencari bagian tersembunyi ini merupakan tujuan puncak pengamatan.

D. VARIABEL PENELITIAN

Sebelum ke pembahasan lebih lanjut, agar memiliki persepsi yang sama, maka akan

diuraikan pengertian tentang variabel dan data. Untuk mempermudah memahami pengertian

variabel dan data, perhatikan ilustrasi pada Tabel 1.1 berikut.

Tabel 1.1 . Beberapa obyek penelitian, sifat-sifat yang dimiliki dan datanya

Obyek Karakteristik Hasil amatan

Petani Perusahaan A Puskesmas

- Agama - Umur - Pendidikan - Modal - Aset - Bentuk - Kinerja Manajerial - Kepuasan Pasien - Kepuasan Karyawan

- Islam - 50 tahun - SLTA - Satu milyar Rp - 1.2 milyad Rp - Perorangan - Skala Likert - Skala Likert - Skala Likert

Di dalam statistika disebut :

Obyek kajian

Karakteristik yang relevan dengan permaslahan :

Variabel atau peubah

Tunggal = Datum Jamak = Data

Merujuk pada tabel di atas, variabel dapat didefinisikan sebagai karakteristik atau sifat dari

obyek kajian, yang mana data diamati atau diukur atau dicacah dari padanya. Namun demikian

tidak semua karakteristik yang melekat pada suatu obyek mesti merupakan variabel penelitian,

akan tetapi hanyalah karakteristik yang mempunyai relevansi dengan permasalahan penelitian

disebut variabel.

Ditinjau dari keberadaan, keterkaitan dan struktur pengaruhnya di dalam hipotesis

(permasalahan) penelitian, variabel dapat dibedakan menjadi intraneous dan extraneous

variables. Intraneous variables adalah variabel yang tercakup di dalam hipotesis penelitian.

Sedangkan extraneous variables adalah variabel yang tidak tercakup di dalam hipotesis

penelitian, akan tetapi memiliki kontribusi pengaruh terhadap variabel dependen


P a g e | 3

Intraneous variables meliputi :

(1) Variabel tergantung (dependent variables), adalah suatu variabel yang tercakup di

dalam hipotesis penelitian, yang keragamannya (variabilitasnya) ditentukan atau

tergantung atau dipengaruhi oleh variabel lainnya.

(2) Variabel bebas (independent variables), adalah suatu variabel tercakup di dalam hipotesis

penelitian, yang keragamannya sebagai akibat dari manipulasi atau intervensi

peneliti atau merupakan suatu keadaan atau kondisi atau fenomena yang ingin

diselidiki, diteliti atau dikaji. Variabel ini mempengaruhi variabel tergantung.

(3) Variabel antara atau variabel intervening (intervene variables) adalah variabel yang

bersifat menjadi perantara (mediating) dari hubungan variabel bebas ke variabel

tergantung. Sifatnya dapat memperlemah atau memperkuat hubungan antara variabel

bebas dengan variabel tergantung.

(4) Variabel Moderator adalah variabel yang bersifat memperkuat atau memperlemah

pengaruh variabel bebas terhadap variabel tergantung.

Extraneous variables meliputi :

(1) Variabel pembaur (confounding variables), adalah suatu variabel dalam penelitian yang

tidak tercakup dalam hipotesis penelitian, akan tetapi muncul dalam penelitian dan

berpengaruh terhadap variabel tergantung. Pengaruhnya mencampuri atau berbaur dengan

variabel bebas. Suatu penelitian biasanya ingin mengetahui pengaruh variabel bebas

terhadap variabel tergantung, yang tentunya pengaruh tersebut harus terbebas dari

berbaurnya pengaruh variabel-variabel lain.

(2) Variabel kendali (control variables), adalah variabel pembaur (cofounding) yang

pengaruhnya dapat dikendalikan. Pengendalian dapat diakukan dengan cara blocking, yaitu

mengelompokkan obyek penelitian menjadi kelompok-kelompok yang relatif homogen. Cra

kedua adalah melalui kriteria ekalusi-inklusi, yaitu mengeluarkan obyek yang tidak memenuhi

kriteria (ekslusi) dan mengambil obyek yang memenuhi kriteria untuk diikutkan dalam sampel

penelitian (inklusi).

(3) Variabel penyerta (concomitant variables), adalah variabel pembaur (cofounding) yang

tidak dapat dikendalikan, sehingga tetap menyertai (terikut) dalam proses penelitian.

Konsekuensinya, data tersebut harus diamati. Pengaruh baurnya dihilangkan (dieliminasi)

pada tahap analisis data, misalnya dengan ANCOVA atau MANCOVA.

Bilamana variabel penelitian telah ditentukan, kemudian harus dibuat definisi operasional

variabel secara tegas dan tajam dengan merujuk pada teori dan konsep yang relevan. Langkah

berikutnya, data collecting dapat dilakukan.

Suatu penelitian dapat memiliki seluruh jenis variabel tersebut, atau hanya memiliki

sebagian saja. Terlibatnya seluruh variabel atau tidak membawa konsekuensi terhadap metode


P a g e | 4

analisis data yang akan digunakan. Dengan kata lain, perlu dilakukan pemilihan metode

analisis yang tepat sehubungan dengan jenis dan jumlah variabel yang akan dianalisis.

E. DATA PENELITIAN

D a t a adalah bentuk jamak dari kata datum (Bahasa Latin) yang artinya kurnia atau

pemberian atau penyajian. Dalam kontek statistika, data diartikan sebagai berikut :

Data adalah kumpulan angka, fakta, fenomena atau keadaan atau lainnya yang merupakan hasil

pengamatan, pengukuran, atau pencacahan dan sebagainya terhadap variabel dari suatu obyek

kajian, yang berfungsi dapat digunakan untuk membedakan obyek yang satu dengan lainnya

pada variabel yang sama.

a) Jenis data berdasarkan sifat kekontinyuannya

Berdasarkan sifat kekontinyuannya, data hasil pengamatan dapat dibedakan menjadi

data diskrit dan kontinyu.

(1) Data diskrit, adalah data yang hanya dapat menempati titik-titik tertentu pada sebuah garis.

Misal : jumlah anak = 0 1 2 3 4 5 6

0 1 2 3 4 --+-------+--------+--------+--------+--------+--

(hanya dapat menempati +)

(2) Data kontinyu, adalah data yang dapat menempati seluruh titik pada sebuah garis. Misal :

Data Pendapatan Per Kapita Per Bulan = 150 ribu rupiah sampai dengan 2 juta rupiah

++++++++++++++++++++++++++++++++++

150 ribu rupiah 2 juta rupiah

(seluruh titik dapat ditempati data pendapatan)

b) Jenis Data Berdasarkan Skala Ukurnya

Berdasarkan skala ukurnya, data dapat dibedakan menjadi data nominal, ordinal, interval dan

ratio.

(1) Data nominal, adalah data yang hanya mengandung unsur penamaan (Bahasa Latin, nomos =

nama). Misal :

Bntuk Perusahaan Skor yang mungkin

PT 1 3 2 CV 2 2 1 Perorangan 3 1 3


P a g e | 5

Statistika adalah pendekatan kuantitatif, sehingga data nominal yang bersifat kualitatif harus

dirubah menjadi bentuk numerik, dengan cara pemberian skor (skoring).

Perhatikan : pemberian skor data nominal bersifat sembarang, yaitu hanya sekedar untuk dapat

membedakan (penamaan saja) sehingga dapat dibolak-balik.

(2) Data ordinal, adalah data yang selain mengandung unsur penamaan juga memiliki unsur urutan

(order = urutan). Misal :

Sikap Skor yang mungkin

Sangat setuju 4 1 Setuju 3 2 Kurang setuju 2 3 Tidak setuju 1 4

Perhatikan dengan seksama pembuatan skor antara data nominal dan ordinal, dimana untuk data

nominal skor tersebut dapat dibuat sembarang yaitu hanya sekedar dapat mebedakan. Akan

tetapi untuk data ordinal, urutan angka dalam skor menunjukkan arah tingkatan. Pada data

ordinal ini, interval (selang)-nya tidak mempunyai arti (tidak bermakna); misalnya selisih antara

skor 4 dengan 2 adalah 2 dan selisih antara 3 dengan 1 adalah 2, yang mana 2 dengan 2 arti

dan maknanya tidak sama.

(3) Data interval, adalah data yang selain mengandung unsur penamaan dan urutan juga memiliki

sifat interval (selang)-nya bermakna. Di samping itu, data ini memiliki ciri angka nol-nya tidak

mutlak. Misal :

Indeks Prestasi Suhu (oC) IHK

0 0 100 1 10 115 2 20 120 3 30 120 4 40 140

Perhatikan bahwa 0 pada Indeks Prestasi barangkali akan setara dengan < 30 untuk skala nilai 1

– 100; dan 0 pada suhu dengan derajat Celcius = 32 oF. Ratio dari data ini tidak memiliki

makna, misal IP 4 bukan berarti pintarnya sama dengan dua kali IP 2, demikian halnya suhu 40 o

C bukan berarti panasnya ½ dari suhu 80o C.

(4) Data ratio, adalah data yang memiliki unsur penamaan, urutan, intervalnya bermakna dan angka

nolnya mutlak, sehingga rationya mempunyai makna. Misal :

Pendapatan ($)

Panjang Jalan (km)

21 120 45 140 70 160


P a g e | 6

Disebut nol-nya mutlak sebab memang tidak akan ada benda (jalan) yang panjangnya nol

kilometer. Pendapatan 0 berarti tidak menghasilkan pendapatan sama sekali.

Jika kedua klasifikasi data tersebut dikombinasikan, maka akan diperoleh seperti pada Tabel 1.2

sebagai berikut.

Tabel 1.2. Kaitan antara skala ukur data dengan sifat kekontinyuannya

DISKRIT KONTINYU

NOMINAL V

ORDINAL V

INTERVAL V V

RATIO V V

Keterangan : V = bersesuaian

F. Taraf Nyata (αααα) dan p-value

Taraf nyata αααα adalah peluang menolak Ho yang pada hakekanya benar, disebut peluang salah

jenis tipe I.

αααα = P(Ho ditolak Ho benar).

Secara pragmatis, alpha didefinisikan sebagai resiko salah dalam penarikan kesimpulan penelitian.

Dengan memperkecil αααα , berarti memperkecil resiko salah dalam penarikan kesimpulan. Hal ini

dapat ditempuh dengan jalan memperkecil kesalahan (ketidakpastian) dalam setiap langkah

rangkaian analisis data inferensial. Untuk memahami lebih lanjut mengenai αααα, dapat diperhatikan

ilustarasi di bawah ini.

Pelaksanaan pelatihan terhadap karyawan diharapkan dapat meningkatkan kinerjanya. Untuk itu

dilakukan penelitian dengan mengajukan hipotesis statistika:

Ho : µb = µs lawan

H1 : µb < µs .

Dalam hal ini µb = kinerja sebelum dilakukan pelatihan dan µs = kinerja sesudah dilakuan pelatihan.

Katakanlah hasil pengujian cukup bermakna, dengan p = 0.027. Interpretasi : Pelatihan dapat

meningkatkan kinerja karyawan. Dimana kesimpulan tersebut mengandung resiko salah sebesar 2.7

%. Arti pragmatisnya : Seandainya akan dilakukan pelatihan terhadap 1000 karyawan, maka

berdasarkan hasil penelitian tersebut dimungkinkan 27 orang kinerjanya tidak meningkat.

Perbedaan antara α dengan p-value

Besarnya α ditetukan berdasarkan konvensi (kesepakatan) para ahli, yaitu 1 % untuk penelitian

yang sifatnya kritis dan 5 % untuk yang kurang kritis. Nilai (titik) kritis beberapa statistik uji,

misalnya t, F, Z dan χ2 , pada alpha 1 % , 5 %, atau 10 % telah dihitung dan di tabelkan. Sehingga

pengguna statistika tidak perlu sulit-sulit menghitungnya sendiri. Hal ini dilatarbelakangi oleh kendala


P a g e | 7

sulitnya prosedur perhitungan tersebut, terutama sebelum berkembangnya komputer. Untuk jelasnya

perhatikan uraian berikut. Untuk menghitung atau p pada statistik t dengan nilai thitung = 2.288 pada

derajat bebas (db) = 10, adalah :

( )( )

0.05 t1

10 2

10 ,

2

1

12

1102

288.2

=+

Β∫

+−

+∞

dt

dalam hal ini B(__,__) adalah fungsi Beta. Dengan kata lain untuk thit = 2.288 dengan db=10

diperoleh p = 0.05; atau dengan α = 0.05 dan db=10 diperoleh ttabel = 2.288.

Oleh karena itu sebelum komputer berkembang, para ahli menggunakan mesin hitung yang

telah ada untuk menghitung permasalahan tersebut, dan hasilnya dituangkan dalam Tabel. Kaidah

pengujiannya adalah jika thit > ttabel pada α tertentu, maka tolak Ho, dan sebaliknya. Kelemahannya

adalah tidak bisa memberikan informasi resiko salah secara eksak. Jadi seandainya p yang

sebenarnya = 0.017 , dan pada uji konvensional digunakan α = 0.05 maka resiko salah dalam

penarikan kesimpulan adalah 5 %, yang sebenarnya secara eksak adalah 1.7 %.

Dengan berkembangnya komputer, perhitungan nilai p untuk beberapa statistik uji dapat

dengan mudah dan cepat dilakukan. Umumnya dinyatakan dalam notasi p-value atau p saja atau

Sig. (di SPSS). Dengan demikian dapat dikatakan bahwa p adalah berupa signifikansi aktual,

sedangkan alpha adalah signifikansi batas. Berdasarkan taraf uji aktual yang merujuk pada p-value,

maka keputusan uji hipotesis akan berbunyi :

Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 %.

Mengenai berapa besar nilai p yang masih dapat ditolerir sangat tergantung dari tingkat kekritisan

penelitian dan kepentingan pengguna hasil penelitian.

Berdasarkan uraian tersebut, dapat dikatakan bahwa kesimpulan yang ditarik berdasarkan uji

statistik tidak pernah bersifat benar mutlak. Misal : jika pengujian secara statistik mendapatkan

bahwa obat O dapat menyembuhkan penyakit S, dengan p = 0.02, maka tidak semua penderita

penyakit S yang diobati O pasti sembuh, akan tetapi dimungkinkan 98 % sembuh dan 2 % tidak

sembuh. Oleh karena itu kesimpulan statistika tidak pernah dogmatis.


A. STATISTIKA DISKRIPTIF

Statistika diskriptif merupakan bagian statistika yang membahas tentang penataan dan

deskripsi (gambaran) data sehingga informasi yang terkandung dalam data mudah dipahami dengan

sajian yang lebih menarik. Ada beberapa cara mendeskriptifkan data antara lain dengan h

pie chart, boxplot (dalam bentuk grafik) dan cara mengukur dengan nilai rata

Buka data SPSS deskriptif. Data tersebut adalah hasil penelitian mengenai analisis faktor yang

mempengaruhi pembelian kartu Mentari pada PT. Satelit

responden yang diambil sebagai sampel. Adapun data dalam worksheet adalah sebagai berikut:

- usia, adalah usia responden

- k.usia, adalah kelompok usia responden (15

- pddk, adalah tingkat pendidikan responden (SLTP, SMU, Sarjana)

- lama, adalah lama penggunaan kartu Mentari (dalam bulan)

- k.lama, adalah kelompok lama penggunaan (< 1 tahun, 1

- phsl, adalah penghasilan/bulan responden (dalam juta rupiah)

- k.phsl, adalah kelompok penghasilan responden (<1juta, 1

- jangkau, adalah penilaian responden terhadap daya jangkau (sangat luas, luas, cukup luas, dan

kurang luas)

- signal, adalah penilaian responden terhadap kekuatan signal

kurang kuat)

- suara, adalah penilaian responden terhadap kualitas suara (sangat baik, baik, cukup baik, kurang

baik)

Histogram

Misalkan kita ingin membuat histogram data penghasilan responden

Pilih menu Graph > Histogram

Lalu isi Variable: phsl, hidupkan

Pelatihan SPPS by MIIS, Melb 2008

P a g e | 8

BAB II

STATISTIKA DESKRIPTIF

diskriptif merupakan bagian statistika yang membahas tentang penataan dan


sajian yang lebih menarik. Ada beberapa cara mendeskriptifkan data antara lain dengan h

pie chart, boxplot (dalam bentuk grafik) dan cara mengukur dengan nilai rata-rata, variance dll.

. Data tersebut adalah hasil penelitian mengenai analisis faktor yang

mempengaruhi pembelian kartu Mentari pada PT. Satelit Palapa Indonesia Surabaya dari 100


, adalah kelompok usia responden (15-25 tahun, 25-34 tahun, 35-43 tahun)

kat pendidikan responden (SLTP, SMU, Sarjana)

, adalah lama penggunaan kartu Mentari (dalam bulan)

, adalah kelompok lama penggunaan (< 1 tahun, 1-2 tahun, 2-3 tahun, >3 tahun)

, adalah penghasilan/bulan responden (dalam juta rupiah)

, adalah kelompok penghasilan responden (<1juta, 1-1,5juta, 1,5-2juta, >2juta)

, adalah penilaian responden terhadap daya jangkau (sangat luas, luas, cukup luas, dan

, adalah penilaian responden terhadap kekuatan signal (sangat kuat, kuat, cukup kuat, dan

, adalah penilaian responden terhadap kualitas suara (sangat baik, baik, cukup baik, kurang

Misalkan kita ingin membuat histogram data penghasilan responden

Histogram

: phsl, hidupkan display normal curve, tekan OK

diskriptif merupakan bagian statistika yang membahas tentang penataan dan


sajian yang lebih menarik. Ada beberapa cara mendeskriptifkan data antara lain dengan histogram,

rata, variance dll.

. Data tersebut adalah hasil penelitian mengenai analisis faktor yang

Palapa Indonesia Surabaya dari 100


43 tahun)

3 tahun, >3 tahun)

2juta, >2juta)

, adalah penilaian responden terhadap daya jangkau (sangat luas, luas, cukup luas, dan

(sangat kuat, kuat, cukup kuat, dan

, adalah penilaian responden terhadap kualitas suara (sangat baik, baik, cukup baik, kurang


Pie Chart

Misalkan kita ingin membuat pie chart data pendidikan responden

Pilih menu Graph > Pie

Pilih Summary for groups of cases

Kemudian masukkan define slices

Box Plot

Misalkan kita ingin membuat Box Plot data lama penggunaan kartu mentari oleh responden

Pilih menu Graph > Boxplot

Pilih Summaries of Separate Variables

Kemudian masukkan Boxes Represent

Deskriptif Ukur

Misalkan kita ingin membuat statistika deskriptif data usia responden

Pilih menu Analyze > Descriptive Statistics > Descriptive

Kemudian masukkan variables

hidupkan range, lalu OK

Pelatihan SPPS by MIIS, Melb 2008

P a g e | 9

Misalkan kita ingin membuat pie chart data pendidikan responden

Summary for groups of cases, lalu define

define slices: pddk, tekan OK


Summaries of Separate Variables, lalu define

Boxes Represent: lama, tekan OK

Misalkan kita ingin membuat statistika deskriptif data usia responden

Analyze > Descriptive Statistics > Descriptive

variables: usia, tekan option, dan pilih statistik yang dibutuhkan, misalkan


, dan pilih statistik yang dibutuhkan, misalkan


P a g e | 10

Deskriptif Frekuensi

Misalkan kita ingin membuat distribusi frekuensi hasil penilaian responden terhadap daya jangkau,

kekuatan signal, dan kualitas suara kartu Mentari

Pilih menu Analyze > Descriptive Statistics > Frequencies

Kemudian masukkan variables: jangkau, tekan OK

Dari 100 responden, 26% menyatakan daya jangkau Mentari masih kurang luas, 46% menyatakan

cukup puas, 19% menyatakan luas, dan 9% menyatakan sangat luas. dan seterusnya.

B. STATISTIKA INFERENSIAL

Statistika inferensial merupakan bagian statistika yang membahas tentang inferensi statistika

(statistika kesimpulan), sehingga dari data sampel yang diperoleh dapat digunakan untuk

menyimpulkan tentang populasinya dengan tingkat kebenaran atau tingkat kesalahan yang dapat

diketahui. Proses statistika adalah deduktif yaitu dari data sebagian (sampel) dapat digunakan untuk

menyimpulkan data keseluruhan (populasi) sehingga kebenarannya tidak dapat 100% atau pasti

terjadi resiko kesalahan dalam menyimpulkan populasi. Secara umum statistika inferensia ada 2 yaitu

statistika inferensia parametrik (data terukur pasti dan mempunyai sebaran normal) dan statistika

inferensia nonparametrik (data tak terukur pasti atau terukur pasti tetapi tidak memiliki sebaran

normal walaupun dengan transformasi). Dengan demikian, statistika inferensia parametrik bersyarat

data terukur pasti dan memiliki sebaran normal. Sedangkan statistika inferensia nonparametrik

bersyarat data tak terukur pasti (kategori, nominal dan ordinal) atau terukur pasti tetapi sebarannya

tak normal walaupun dengan transformasi.

1. Uji Kenormalan

Uji ini digunakan untuk mengetahui apakah sebaran data yang diamati mempunyai sebaran

normal atau bukan agar dapat ditentukan statistika inferensia yang tepat. Kriteria pengujiannya

Descriptive Statistics

100 28 15 43 25,38 7,663

100

USIA

Valid N (listwise)

N Range Minimum Maximum Mean Std. Deviation

JANGKAU

26 26,0 26,0 26,0

46 46,0 46,0 72,0

19 19,0 19,0 91,0

9 9,0 9,0 100,0

100 100,0 100,0

kurang luas

cukup luas

luas

sangat luas

Total

Valid

Frequency Percent Valid Percent

Cumulative

Percent


P a g e | 11

adalah jika sig. > α maka data yang diamati normal dan sebaliknya jika sig. ≤ α maka data yang

diamati tidak normal.

Contoh menggunakan data penghasilan responden pada data deskriptif

Apakah data penghasilan responden menyebar normal ?

Pilih menu Analyze > Descriptive Statistics > Explore

Kemudian masukkan Dependent List: phsl, buka plots kemudian beri cek pada Normality with

test, continue dan OK

Berdasarkan uji kenormalan data dengan menggunakan Uji Kolmogorov-Smirnov diperoleh informasi

bahwa data penghasilan mempunyai sebaran normal karena

sig. > α (0,106 > 0,05)

2. Statistika Inferensi parametrik untuk 1 Populasi

Menggunakan uji t. Uji ini digunakan untuk mengetahui apakah rata-rata populasi sesuai

dengan spesifikasi yang ditetapkan berdasarkan data sampelnya, di mana ragam populasi tidak

diketahui dari data yang mempunyai sebaran normal.

Misalkan ingin menguji apakah data penghasilan responden dapat disimpulkan rata-rata penghasilan

seluruh pelanggan kartu Mentari sebesar 1 juta?

Hipotesis

Ho : µ = 1 juta

lawan

H1 : µ ≠ 1 juta

Maka statistik ujinya adalah :

n/s

xt test

µ−=

Selang kepercayaannya :

α−=+<µ<− 1)n/tsxn/tsx(P

dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas (n-1), dan s adalah :

∑ −

−=

i

2

i

1n

)xx(s

Tests of Normality

,081 100 ,106 ,972 100 ,032PHSL

Statistic df Sig. Statistic df Sig.

Kolmogorov-Smirnova

Shapiro-Wilk

Lilliefors Significance Correctiona.


P a g e | 12

Cara melakukan analisis dengan SPSS adalah sbb :

Pilih menu Analyze > Compare Means > One sample T test

Kemudian masukkan Test variable: phsl, Test value: 1, tekan OK

Hasil SPSS ini berarti :

Rata-rata penghasilan dari 100 responden adalah 1,501 juta. Kesimpulan ini mempunyai p-value

sebesar 0,000=0,00%, berarti dapat dijelaskan disini adalah benar bahwa adalah tidak benar rata-

rata penghasilan adalah 1 juta. Dilihat dari rata-ratanya disini, nilai rata-rata masih jauh di atas 1 juta.

C. Statistika inferensi parametrik untuk 2 populasi

C.1. Dua populasi bebas (Independent)

Dua populasi dikatakan bebas (independen) jika dua populasi tersebut mempunyai

karakteristik yang berbeda.

Contohnya dari data uji t 2 bebas. Data ini berisi hasil penelitian Upaya meningkatkan kemampuan

penguasaan membaca pemahaman siswa sebuah SLTP melalui pola latihan SQ3R. Diambil dua kelas,

kelas pertama (30 siswa) menggunakan metode biasa, sedangkan kelas kedua (30 siswa)

menggunakan metode pola latihan SQ3R.

Statistik uji dan hipotesisnya adalah

H0 : µ1=µ2 atau H0 : µ1-µ2 = 0 lawan H1: µ1≠µ2

Uji statistiknya :

- Untuk ragam kedua populasi sama :

)n

1

n

1(s

xxt

21

2

gab

21

test

+

−=

2nn

s)1n(s)1n(s

21

2

22

2

112

gab −+

−+−=

- Untuk ragam kedua populasi berbeda :

)n

s

n

s(

xxt

2

2

2

1

2

1

21

test

+

−=

One-Sample Statistics

100 1,501 ,5544 ,0554PHSL

N Mean Std. Deviation

Std. Error

Mean

One-Sample Test

9,037 99 ,000 ,501 ,391 ,611PHSL

t df Sig. (2-tailed)

Mean

Difference Lower Upper

95% Confidence

Interval of the

Difference

Test Value = 1


P a g e | 13

- Selang kepercayaan untuk ragam kedua populasi sama

α−=++−<µ−µ<+−− 1)n

1

n

1(st)xx(

n

1

n

1(st)xx((P

21

2

gab2121

21

2

gab21

dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas sebesar (n1+n2-2)

- Selang kepercayaan untuk ragam kedua populasi berbeda

α−=++−<µ−µ<+−− 1)n

s

n

st)xx(

n

s

n

st)xx((P

2

2

2

1

2

12121

2

2

2

1

2

121

dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas v sebesar

2

)1n(

)n/s(

)1n(

)n/s(

)n/sn/s(v

2

2

2

2

2

1

2

1

2

1

2

2

2

21

2

1 −

++

+

+=

Hipotesis nol ditolak jika nilai sig t ≤ α 0,05, sebaliknya hipotesis nol diterima jika nilai sig t > α 0,05.

Dari data di atas yaitu data nilai yaitu data nilai akhir siswa bak di kelas pertama maupun

kelas kedua (digabung), data kelas adalah data kelas di mana siswa ditempatkan, apakah kelas

pertama (kelas biasa) atau kelas kedua (kelas sq3r).

Cara melakukan analisis dengan SPSS adalah sebagai berikut

Pilih menu Analyze > Compare Means > Independent samples T test

Kemudian masukkan Test variable: nilai, Define groups: group 1: biasa, group 2: sq3r, tekan OK

Group Statistics

30 58,1973 5,34223 ,97535

30 75,6117 4,05790 ,74087

KELAS

biasa

sq3r

NILAI

N Mean Std. Deviation

Std. Error

Mean

Independent Samples Test

,620 ,434 -14,2 58 ,000 -17,4143 1,22483 -19,87 -14,96

-14,2 54 ,000 -17,4143 1,22483 -19,87 -14,96

Equal variances

assumed

Equal variances

not assumed

NILAI

F Sig.

Levene's

Test for

Equality of

Variances

t df

Sig.

(2-tailed)

Mean

Difference

Std. Error

Difference Lower Upper

95%

Confidence

Interval of the

Difference

t-test for Equality of Means


P a g e | 14

Hasil SPSS berarti :

Rata-rata nilai akhir siswa kelas biasa adalah 58,20, dan kelas eksperimen adalah 75,61. Dari hasil

pengujian Levene`s test untuk kesamaan ragam, diperoleh nilai sig F sebesar 0,434 (sig > α 0,05)

sehingga dapat disimpulkan bahwa kedua populasi berasal dari ragam sama.

Karena kedua ragam sama, maka menggunakan uji t pada baris pertama (equal variances assumed),

diperoleh nilai sig t sebesar 0,000 yang berarti nilai sig t < α 0,05, maka H0 ditolak, artinya terdapat

perbedaan nilai akhir siswa kelas biasa dan kelas eksperimen. Karena nilai rata-rata kelas eksperimen

lebih tinggi, maka metode ini cukup berhasil untuk meningkatkan kemampuan siswa.

C.2. Dua populasi dependen (dua populasi berpasangan)

Dua populasi dikatakan berpasangan adalah jika dua populasi tersebut diamati secara

berpasangan pada setiap pengamatan. Umumnya dua populasi berpasangan ini dimiliki oleh suatu

data yang sifatnya sebelum dan sesudah sehingga setiap obyek yang sama diamati sebelum treatmen

(populasi 1) dan sesudah treatmen (populasi 2). Dapat juga dari obyek yang berbeda tetapi cara

mengamatinya secara berpasang-pasangan.

Statistik uji dan hipotesisnya sebagai berikut :

H0 : µA=µB atau H0 : µA-µB = 0 lawan H1: µA≠µB

Statistik ujinya :

n/s

Dt

D

test =

di mana Dj = | XAji– XBi | , dengan selang kepercayaannya :

α−=+<µ−µ<− 1)n/tsDn/tsD(P DBAD

dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas (n-1) dan s adalah :

∑ −

−=

i

2

iD

1n

)DD(s

Contoh:

Data uji t2 berpasangan. Data ini merupakan penelitian yang ingin menguji perbedaan persepsi

konsumen terhadap makanan tradisional (soto, rawon, dan lain-lain) dengan makanan modern (McD,

Kentucky, dan lain-lain) pada penilaian kualitas produk (data prd.tra dan prd.mod), harga (data

hrg.tra dan hrg.mod), selera (data slr.tra dan slr.mod), dan kualitas pelayanan (data ply.tra dan

ply.mod). Skala yang diukur berupa angka 1 (sangat tidak baik), sampai angka 5 (sangat baik),

Misalkan kita ingin menguji apakah terdapat perbedaan kualitas produk makanan tradisional dan

makanan modern.

Pilih menu Analyze > Compare Means > Paired-samples T tes

Kemudian masukkan Paired variable: prd.tra dan prd.mod, tekan OK


P a g e | 15


Penilaian konsumen terhadap kualitas produk makanan tradisional memiliki rata-rata 4,06 (4 =

klasifikasi baik), sedangkan kualitas produk makanan modern memiliki rata-rata 2,39 (2 = klasifikasi

tidak baik). Hasil pengujian diperoleh nilai sig t < α (0,05), artinya H0 ditolak, berarti terdapat

perbedaan yang sangat nyata antara kualitas produk makanan tradisional dan makanan modern.

D. Uji Instrumentasi Penelitian

Tidak sedikit penelitian di bidang sosial menggunakan instrumen kuesioner sebagai alat

pengambilan data. Untuk itu, sebelum dilakukan analisis statistika inferensial, terlebih dulu dilakukan

uji instrumentasi, yaitu uji validitas dan reliabilitas.

D.1. Uji Validitas

Validitas menunjukkan sejauh mana alat pengukur untuk mengukur apa yang diukur. Hasil

penelitian yang valid bila terdapat kesamaan antara data yang terkumpul dengan data yang

sesungguhnya terjadi pada obyek yang diteliti.

Valid tidaknya suatu item instrumen dapat diketahui dengan membandingkan indeks korelasi

product moment Pearson dengan level signifikansi 5% dengan nilai kritisnya, di mana r dapat

digunakan rumus:

rxy = ( )( )

( )( ) ( )( )∑ ∑∑ ∑∑∑ ∑

−−

−2222

YYNXXN

YXXYN

Keterangan :

rxy = indeks korelasi pearson n = banyaknya sampel

X = skor item pertanyaan Y = skor total item pertanyaan

Paired Samples Statistics

4,06 108 ,600 ,058

2,39 108 ,884 ,085

PRD.TRAD

PRD.MOD

Pair

1

Mean N Std. Deviation

Std. Error

Mean

Paired Samples Correlations

108 ,128 ,186PRD.TRAD & PRD.MODPair 1

N Correlation Sig.

Paired Samples Test

1,68 1,003 ,097 1,48 1,87 17,363 107 ,000PRD.TRAD - PRD.MODPair 1

Mean

Std.

Deviation

Std.

Error

Mean Lower Upper

95% Confidence

Interval of the

Difference

Paired Differences

t df

Sig.

(2-tailed)


P a g e | 16

Bila nilai signifikansi (sig) hasil korelasi lebih kecil dari 0,05 (5%) maka dinyatakan valid dan

sebaliknya dinyatakan tidak valid (artinya butir pertanyaan tersebut gugur).

Sebagai ilustrasi menggunakan data valid reliabel. Data ini merupakan kutipan dari sebuah

penelitian mengenai kualitas produk makanan, di mana X1 (Produk), dengan butir-butir pertanyaan:

Tampilan (X11), Dapat dipercaya (X12), Kelengkapan (X13), Konsistensi (X14), dan Keawetan (X15).

Untuk menguji validitas, pilih menu Analyze > Correlate > Bivariate

Kemudian masukkan Variables: X1, X11, X12, X13, dan X14, Coefficien Correlation pilih Pearson,

tekan OK

Hasil pengujian korelasi pearson antara masing-masing butir pertanyaan dengan total butir

pertanyaan (X1), dapat dilihat pada kolom X1 atau baris X1 (hasil keduanya sama). Hasil uji validitas

adalah sebagai berikut:

- Butir pertanyaan 1 (X11, tampilan), besar korelasi 0,813 dengan signifikansi 0,000. Karena nilai

sig < α 0,05 maka butir ini dinyatakan valid.

- Butir pertanyaan 2 (X12, dapat dipercaya), besar korelasi 0,752 dengan signifikansi 0,000.

Karena nilai sig < α 0,05 maka butir dinyatakan valid.

- Butir pertanyaan 3 (X13, kelengkapan), besar korelasi 0,762 dengan signifikansi 0,000. Karena

nilai sig < α 0,05 maka butir ini dinyatakan valid.

- Butir pertanyaan 4 (X14, konsistensi), besar korelasi 0,799 dengan signifikansi 0,000. Karena

nilai sig < α 0,05 maka butir ini dinyatakan valid.

- Butir pertanyaan 5 (X15, keawetan), besar korelasi 0,676 dengan signifikansi 0,000. Karena nilai

sig < α 0,05 maka butir ini dinyatakan valid.

Output SPSS:

Correlations

1 ,813** ,752** ,765** ,799** ,676**

. ,000 ,000 ,000 ,000 ,000

108 108 108 108 108 108

,813** 1 ,483** ,583** ,507** ,442**

,000 . ,000 ,000 ,000 ,000

108 108 108 108 108 108

,752** ,483** 1 ,412** ,502** ,381**

,000 ,000 . ,000 ,000 ,000

108 108 108 108 108 108

,765** ,583** ,412** 1 ,483** ,516**

,000 ,000 ,000 . ,000 ,000

108 108 108 108 108 108

,799** ,507** ,502** ,483** 1 ,506**

,000 ,000 ,000 ,000 . ,000

108 108 108 108 108 108

,676** ,442** ,381** ,516** ,506** 1

,000 ,000 ,000 ,000 ,000 .

108 108 108 108 108 108

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

X1

X11

X12

X13

X14

X15

X1 X11 X12 X13 X14 X15

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


P a g e | 17

D.2. Uji Reliabilitas

Reliabilitas adalah indek yang menunjukkan sejauh mana suatu alat pengukur dapat

dipercaya atau dapat diandalkan. Untuk menguji digunakan Alpha Cronbach dengan rumus :

r11=

σ

σ−

−

∑2

t

2

b1

1k

k

Di mana :

r11 = koefisien alpha cronbach

k = banyaknya butir pertanyaan atau banyaknya soal

∑σb2 = jumlah varians butir

σt2 = varians total

Instrumen dapat dikatakan andal (reliabel bila memiliki koefisien keandalan reliabilitas

sebesar 0,6 atau lebih (Arikunto 1993). Arikunto (1993) menentukan kriteria indek reliabilitas adalah

sebagai berikut :

Kriteria Indeks kofiesien reliabilitas

No. Interval Kriteria

1. <0,200 sangat rendah

2. 0,200-0,399 Rendah

3. 0,400-0,599 Cukup

4. 0,600-0,799 Tinggi

5. 0,800-1,00 sangat tinggi

Uji reliabilitas yang digunakan adalah dengan Alpha Cronbach. Bila alpha lebih kecil dari 0,6 (minimal

memiliki kriteria tinggi) maka dinyatakan tidak reliabel dan sebaliknya dinyatakan reliabel.

Untuk menguji reliabilitas, pilih menu Analyze > Scale > Reliability Analysis

Kemudian masukkan Items: X11, X12, X13, dan X14, tekan OK

Reliability

****** Method 1 (space saver) will be used for this analysis ******

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)

Reliability Coefficients

N of Cases = 108,0 N of Items = 5

Alpha = ,8068

Diperoleh nilai alpha sebesar 0,8068. Karena nilai alpha > 0,6 maka variabel tersebut dinyatakan valid.


P a g e | 18

E. Statistika Inferensi parametrik

1. Analisis Korelasi

Analisis korelasi merupakan analisis keeratan hubungan linier antara variabel yang diamati

tanpa memperhatikan variabel dependen maupun independen. Nilai yang dihasilkan antara –1 sampai

dengan +1. Jika nilai dekat 1 berarti hubungan linier antara variabel sangat tinggi dan sebaliknya jika

nilainya dekat 0 maka hubungan linier antara variabel rendah. Tanda + menyatakan sifat hubungan

searah (+) dan tanda – menyatakan sifat hubungannya berbanding terbalik.

Uji signifikansi dari korelasi populasinya menggunakan kriteria p-value dari sebaran t di mana p-value

di dalam SPSS disebut dengan sig. (singkatan dari significant). Keputusan ada atau tidak adanya

korelasi antar variabel menggunakan kriteria sebagai berikut :

Jika sig. > α maka terima H0 artinya tidak ada korelasi antar variabel.

Jika sig. ≤ α maka tolak H0 artinya ada korelasi antar variabel.

Sebagai aplikasi digunakan data correlation, yang berisi sebuah penelitian di bidang psikologi, yaitu

menguji apakah terdapat hubungan antara Indonesian Adaptation Self-Efficacy Scale (X1) dengan

Self-Management Leadership Questionnaire (X2)

Cara menganalisis dengan SPSS adalah sebagai berikut :

Pilih menu Analyze > Correlate > Bivariate

Kemudian masukkan Variables: smlq dan iases, tekan OK

Hasil analisis SPSS adalah


- Ada korelasi linier antara Indonesian Adaptation Self-Efficacy Scale (X1) dengan Self-Management

Leadership Questionnaire (X2), karena nilai sig = 0,000 < 0,05. Karena besar korelasi positif (+0,678),

maka jika iases meningkat, maka smlq juga meningkat, demikian pula sebaliknya.

Correlations

1 ,678**

. ,000

36 36

,678** 1

,000 .

36 36

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

SMLQ

IASES

SMLQ IASES

Correlation is significant at the 0.01 level

(2-tailed).

**.


P a g e | 19

2. Analisis Regresi Linier Sederhana

Analisis regresi adalah analisis tentang bentuk hubungan linier antara variabel dependen

(respon) dengan variabel independen (prediktor). Apabila hanya melibatkan 1 variabel bebas

(independen) maka disebut analisis regresi linier sederhana.

Modelnya adalah :

Yi= β0 + β1X1i + εi

Sedangkan model sampelnya adalah

i110i Xbby +=

Untuk mengetahui apakah model sampel representatif terhadap model populasi maka diperlukan

pengujian terhadap parameter-parameter regresi tersebut berdasarkan nilai-nilai statistiknya dengan

cara uji serempak (menggunakan tabel analisis ragam (statistik uji F)) atau uji parsial dengan statistik

uji t.

Kriteria pengujiannya dengan p-value (sig.). Jika pengujian berdasarkan tabel ANOVA, maka : Jika

sig. > α maka terima H0 berarti tidak ada hubungan linier antar variabel. Dan sebaliknya, jika sig. ≤

α maka tolak H0 berari minimal ada salah satu variabel bebas (prediktor) berhubungan linier dengan

variabel tak bebas (respon).

Apabila pengujian berdasarkan statistik uji t maka : Jika sig. > α maka terima H0 berarti pada

parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan tidak ada hubungan linier

dengan variabel respon. Dan jika sig. ≤ α maka tolak H0 berari pada parameter koefisien regresi yang

diuji (variabel X yang diuji) dinyatakan ada hubungan linier dengan variabel respon.

Data regresi sederhana adalah data hasil penelitian Pengaruh Kompensasi (Gaji) Terhadap Kinerja

Karyawan perusahaan X. Metode analisis yang digunakan pada penelitian ini adalah regresi linier

sederhana dengan rumus umum:

Y = b0+b1X1 + e

Dimana:

Y = Kinerja Karyawan

X1 = Gaji b0 = konstanta

b1 = koefisien regresi e = kesalahan pengganggu

Variabel Item

Gaji (X1) X11. Sistem pembayaran gaji

X12. Kesesuaian dengan peker-jaan

X13. Kesesuaian gaji dengan lama kerja

X14. Kesesuaian gaji tingkat pendidikan

X15. Kesesuaian gaji senioritas

X16. Pemenuhan kebutuhan po-kok


P a g e | 20

Kinerja Karyawan (Y) Y1. Ketelitian kerja

Y2. Kebersihan kerja

Y3. Kerapian hasil kerja

Y4. Ketepatan waktu

Y5. Standar kerja

Untuk menguji regresi, pilih menu Analyze > Regression > Linear

Kemudian masukkan Dependent Variable: Y, Independent Variable: X1, klik Statistics pilih

Descriptive, tekan OK

Regression

Descriptive Statistics

4,2775 ,74460 80

3,5896 ,66606 80

Y

X1

Mean Std. Deviation N

Correlations

1,000 ,479

,479 1,000

. ,000

,000 .

80 80

80 80

Y

X1

Y

X1

Y

X1

Pearson Correlation

Sig. (1-tailed)

N

Y X1

Variables Entered/Removedb

X1a . Enter

Model

1

Variables

Entered

Variables

Removed Method

All requested variables entered.a.

Dependent Variable: Yb.

Model Summary

,479a ,230 ,220 ,65772

Model

1

R R Square

Adjusted

R Square

Std. Error of

the Estimate

Predictors: (Constant), X1a.

ANOVAb

10,057 1 10,057 23,249 ,000a

33,742 78 ,433

43,800 79

Regression

Residual

Total

Model

1

Sum of

Squares df Mean Square F Sig.

Predictors: (Constant), X1a.

Dependent Variable: Yb.


P a g e | 21


Dari nilai Adjusted R Square menunjukkan nilai sebesar 0,220 atau 22%. Artinya bahwa variabel Y

dipengaruh sebesar 22% oleh Gaji (X1), sedangkan sisanya 78% dipengaruhi oleh variabel lain di luar

Gaji.

Adapun model persamaan regresi linier sederhana yang diperoleh adalah sebagai berikut:

Y= 2,355 + 0,536 X1 + e

Untuk menguji hipotesis secara parsial digunakan uji t yaitu untuk menguji secara parsial variabel

bebas terhadap variabel terikat. Hasil perhitungan dijelaskan sebagai berikut: Uji t terhadap variabel

Gaji (X1) didapatkan thitung sebesar 4,822 dengan signifikansi t sebesar 0,000. Karena thitung lebih besar

ttabel (3,279>1,993) atau signifikansi t lebih kecil dari 5% (0,002<0,05), maka secara parsial variabel

Gaji (X1) berpengaruh signifikan terhadap variabel Kinerja Karyawan (Y)

Coefficientsa

2,355 ,406 5,806 ,000

,536 ,111 ,479 4,822 ,000

(Constant)

X1

Model

1

B Std. Error

Unstandardized

Coefficients

Beta

Standardized

Coefficients

t Sig.

Dependent Variable: Ya.

modul-basic BACK UP - Aktifitas | Student...

Documents

Transcript of modul-basic BACK UP - Aktifitas | Student...