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

Gambar 1.1 Peranan Statistika dalam proses penelitian

P age |1

Namun demikian tidak semua karakteristik yang melekat pada suatu obyek mesti merupakan variabel penelitian.Kepuasan Pasien .1 . dan keuntungan berpikir statistika adalah : Lebih mementingkan fakta dari pada konsep (teori) yang bersifat abstrak ataupun prasangka/perasaan. VARIABEL PENELITIAN Sebelum ke pembahasan lebih lanjut. Melb 2008 Ciri pokok statistika adalah merupakan pendekatan kuantitatif. variabel dapat dibedakan menjadi intraneous dan extraneous variables. maka akan diuraikan pengertian tentang variabel dan data. Ditinjau dari keberadaan. Sedangkan extraneous variables adalah variabel yang tidak tercakup di dalam hipotesis penelitian. Tabel 1. Statistika merupakan alat yang memberikan obyektivitas dan ketelitian pengamatan. D.1 berikut. sifat-sifat yang dimiliki dan datanya Obyek Petani Karakteristik Agama Umur Pendidikan Modal Aset Bentuk Hasil amatan Islam 50 tahun SLTA Satu milyar Rp 1. Tidak mengekspresikan fakta ke dalam perasaan atau ide.-aNNa. Menggunakan gambaran yang diturunkan dari hasil pengamatan (data) spesifik. Di dalam hasil pengamatan terdapat variasi yang merupakan bagian yang tersembunyi. yaitu menghendaki data bersifat numerik.Pelatihan SPPS by MIIS.2 milyad Rp Perorangan Skala Likert Skala Likert Skala Likert Tunggal = Datum Jamak = Data Perusahaan A Puskesmas Di dalam statistika disebut : Obyek kajian . yang mana data diamati atau diukur atau dicacah dari padanya. perhatikan ilustrasi pada Tabel 1. variabel dapat didefinisikan sebagai karakteristik atau sifat dari obyek kajian. Sehingga data kualitatif harus dirubah ke bentuk numerik (dengan cara memberikan skor). Intraneous variables adalah variabel yang tercakup di dalam hipotesis penelitian.Kinerja Manajerial . agar memiliki persepsi yang sama. Untuk mempermudah memahami pengertian variabel dan data. akan tetapi hanyalah karakteristik yang mempunyai relevansi dengan permasalahan penelitian disebut variabel. keterkaitan dan struktur pengaruhnya di dalam hipotesis (permasalahan) penelitian. akan tetapi memiliki kontribusi pengaruh terhadap variabel dependen P age |2 . Beberapa obyek penelitian. dan mencari bagian tersembunyi ini merupakan tujuan puncak pengamatan.Kepuasan Karyawan Karakteristik yang relevan dengan permaslahan : Variabel atau peubah Merujuk pada tabel di atas.

adalah variabel pembaur (cofounding) yang pengaruhnya dapat dikendalikan. Suatu penelitian dapat memiliki seluruh jenis variabel tersebut. Konsekuensinya. yang keragamannya (variabilitasnya) ditentukan atau tergantung atau dipengaruhi oleh variabel lainnya.Pelatihan SPPS by MIIS. akan tetapi muncul dalam penelitian dan berpengaruh terhadap variabel tergantung. Pengendalian dapat diakukan dengan cara blocking. adalah suatu variabel dalam penelitian yang tidak tercakup dalam hipotesis penelitian. misalnya dengan ANCOVA atau MANCOVA. adalah suatu variabel yang tercakup di dalam hipotesis penelitian. sehingga tetap menyertai (terikut) dalam proses penelitian. Cra kedua adalah melalui kriteria ekalusi-inklusi. atau hanya memiliki sebagian saja. kemudian harus dibuat definisi operasional variabel secara tegas dan tajam dengan merujuk pada teori dan konsep yang relevan. Extraneous variables meliputi : (1) Variabel pembaur (confounding variables). adalah suatu variabel tercakup di dalam hipotesis penelitian. Sifatnya dapat memperlemah atau memperkuat hubungan antara variabel bebas dengan variabel tergantung. Melb 2008 Intraneous variables meliputi : (1) Variabel tergantung (dependent variables). data collecting dapat dilakukan. data tersebut harus diamati. yaitu mengeluarkan obyek yang tidak memenuhi kriteria (ekslusi) dan mengambil obyek yang memenuhi kriteria untuk diikutkan dalam sampel penelitian (inklusi). Suatu penelitian biasanya ingin mengetahui pengaruh variabel bebas terhadap variabel tergantung. Pengaruhnya mencampuri atau berbaur dengan variabel bebas. Langkah berikutnya. Variabel ini mempengaruhi variabel tergantung. adalah variabel pembaur (cofounding) yang tidak dapat dikendalikan. (3) Variabel antara atau variabel intervening (intervene variables) adalah variabel yang bersifat menjadi perantara (mediating) dari hubungan variabel bebas ke variabel tergantung.-aNNa. yang tentunya pengaruh tersebut harus terbebas dari berbaurnya pengaruh variabel-variabel lain. Terlibatnya seluruh variabel atau tidak membawa konsekuensi terhadap metode P age |3 . yang keragamannya sebagai akibat dari manipulasi atau intervensi peneliti atau merupakan suatu keadaan atau kondisi atau fenomena yang ingin diselidiki. (4) Variabel Moderator adalah variabel yang bersifat memperkuat atau memperlemah pengaruh variabel bebas terhadap variabel tergantung. (2) Variabel bebas (independent variables). Bilamana variabel penelitian telah ditentukan. (3) Variabel penyerta (concomitant variables). Pengaruh baurnya dihilangkan (dieliminasi) pada tahap analisis data. yaitu mengelompokkan obyek penelitian menjadi kelompok-kelompok yang relatif homogen. (2) Variabel kendali (control variables). diteliti atau dikaji.

Misal : jumlah anak = 0 1 2 3 4 5 6 0 1 2 3 4 --+-------+--------+--------+--------+--------+-(hanya dapat menempati +) (2) Data kontinyu. ordinal. Dalam kontek statistika. yang berfungsi dapat digunakan untuk membedakan obyek yang satu dengan lainnya pada variabel yang sama. (1) Data diskrit. data dapat dibedakan menjadi data nominal. interval dan ratio. Dengan kata lain. DATA PENELITIAN D a t a adalah bentuk jamak dari kata datum (Bahasa Latin) yang artinya kurnia atau pemberian atau penyajian.Pelatihan SPPS by MIIS. Melb 2008 analisis data yang akan digunakan. data diartikan sebagai berikut : Data adalah kumpulan angka. atau pencacahan dan sebagainya terhadap variabel dari suatu obyek kajian. fakta. fenomena atau keadaan atau lainnya yang merupakan hasil pengamatan. (1) Data nominal.-aNNa. data hasil pengamatan dapat dibedakan menjadi data diskrit dan kontinyu. adalah data yang dapat menempati seluruh titik pada sebuah garis. a) Jenis data berdasarkan sifat kekontinyuannya Berdasarkan sifat kekontinyuannya. Data Pendapatan Per Kapita Per Bulan = 150 ribu rupiah sampai dengan 2 juta rupiah ++++++++++++++++++++++++++++++++++ 150 ribu rupiah 2 juta rupiah Misal : (seluruh titik dapat ditempati data pendapatan) b) Jenis Data Berdasarkan Skala Ukurnya Berdasarkan skala ukurnya. nomos = nama). perlu dilakukan pemilihan metode analisis yang tepat sehubungan dengan jenis dan jumlah variabel yang akan dianalisis. Misal : Bntuk Perusahaan PT CV Perorangan Skor yang mungkin 1 3 2 2 2 1 3 1 3 P age |4 . adalah data yang hanya mengandung unsur penamaan (Bahasa Latin. E. pengukuran. adalah data yang hanya dapat menempati titik-titik tertentu pada sebuah garis.

adalah data yang memiliki unsur penamaan. misalnya selisih antara skor 4 dengan 2 adalah 2 dan selisih antara 3 dengan 1 adalah 2. dan 0 pada suhu dengan derajat Celcius = 32 oF. Di samping itu. Pada data ordinal ini. sehingga data nominal yang bersifat kualitatif harus dirubah menjadi bentuk numerik. (2) Data ordinal. dimana untuk data nominal skor tersebut dapat dibuat sembarang yaitu hanya sekedar dapat mebedakan. adalah data yang selain mengandung unsur penamaan dan urutan juga memiliki sifat interval (selang)-nya bermakna. Misal : Indeks Prestasi 0 1 2 3 4 Suhu (oC) 0 10 20 30 40 IHK 100 115 120 120 140 Perhatikan bahwa 0 pada Indeks Prestasi barangkali akan setara dengan < 30 untuk skala nilai 1 – 100. Perhatikan : pemberian skor data nominal bersifat sembarang. dengan cara pemberian skor (skoring). (3) Data interval. Misal : Sikap Sangat setuju Setuju Kurang setuju Tidak setuju Skor yang mungkin 4 1 3 2 2 3 1 4 Perhatikan dengan seksama pembuatan skor antara data nominal dan ordinal. Ratio dari data ini tidak memiliki makna. urutan angka dalam skor menunjukkan arah tingkatan. Akan tetapi untuk data ordinal. misal IP 4 bukan berarti pintarnya sama dengan dua kali IP 2.Pelatihan SPPS by MIIS. urutan. Misal : Pendapatan ($) 21 45 70 Panjang Jalan (km) 120 140 160 P age |5 .-aNNa. adalah data yang selain mengandung unsur penamaan juga memiliki unsur urutan (order = urutan). intervalnya bermakna dan angka nolnya mutlak. sehingga rationya mempunyai makna. yang mana 2 dengan 2 arti dan maknanya tidak sama. o (4) Data ratio. yaitu hanya sekedar untuk dapat membedakan (penamaan saja) sehingga dapat dibolak-balik. data ini memiliki ciri angka nol-nya tidak mutlak. interval (selang)-nya tidak mempunyai arti (tidak bermakna). Melb 2008 Statistika adalah pendekatan kuantitatif. demikian halnya suhu 40 C bukan berarti panasnya ½ dari suhu 80o C.

maka berdasarkan hasil penelitian tersebut dimungkinkan 27 orang kinerjanya tidak meningkat.Pelatihan SPPS by MIIS. α = P(Ho ditolak Ho benar). Hal ini dilatarbelakangi oleh kendala P age |6 . Dimana kesimpulan tersebut mengandung resiko salah sebesar 2. Kaitan antara skala ukur data dengan sifat kekontinyuannya DISKRIT NOMINAL ORDINAL INTERVAL RATIO V V V V V V KONTINYU Keterangan : V = bersesuaian F.2 sebagai berikut. Jika kedua klasifikasi data tersebut dikombinasikan. Dalam hal ini µb = kinerja sebelum dilakukan pelatihan dan µs = kinerja sesudah dilakuan pelatihan. yaitu 1 % untuk penelitian yang sifatnya kritis dan 5 % untuk yang kurang kritis. Arti pragmatisnya : Seandainya akan dilakukan pelatihan terhadap 1000 karyawan.-aNNa. Untuk memahami lebih lanjut mengenai α. Pelaksanaan pelatihan terhadap karyawan diharapkan dapat meningkatkan kinerjanya. alpha didefinisikan sebagai resiko salah dalam penarikan kesimpulan penelitian. ilustarasi di bawah ini. Secara pragmatis. pada alpha 1 % . Hal ini dapat ditempuh dengan jalan memperkecil kesalahan (ketidakpastian) dalam setiap langkah rangkaian analisis data inferensial. Pendapatan 0 berarti tidak menghasilkan pendapatan sama sekali. berarti memperkecil resiko salah dalam penarikan kesimpulan. F. Tabel 1. 5 %. dengan p = 0. Dengan memperkecil α . disebut peluang salah jenis tipe I. Sehingga pengguna statistika tidak perlu sulit-sulit menghitungnya sendiri. Katakanlah hasil pengujian cukup bermakna.2. misalnya t. Untuk itu dilakukan penelitian dengan mengajukan hipotesis statistika: Ho : µb = µs lawan H1 : µb < µs . Perbedaan antara α dengan p-value Besarnya α ditetukan berdasarkan konvensi (kesepakatan) para ahli. Z dan χ . maka akan diperoleh seperti pada Tabel 1. Taraf Nyata (α) dan p-value Taraf nyata α adalah peluang menolak Ho yang pada hakekanya benar. 2 Nilai (titik) kritis beberapa statistik uji. atau 10 % telah dihitung dan di tabelkan. Interpretasi : Pelatihan dapat dapat diperhatikan meningkatkan kinerja karyawan.7 %.027. Melb 2008 Disebut nol-nya mutlak sebab memang tidak akan ada benda (jalan) yang panjangnya nol kilometer.

05.288. Kelemahannya adalah tidak bisa memberikan informasi resiko salah secara eksak. Misal : jika pengujian secara statistik mendapatkan bahwa obat O dapat menyembuhkan penyakit S. dengan p = 0. Berdasarkan uraian tersebut. atau dengan α = 0. dan sebaliknya.05 dan db=10 diperoleh ttabel = 2.Pelatihan SPPS by MIIS. maka tolak Ho.288 pada derajat bebas (db) = 10. dan hasilnya dituangkan dalam Tabel. akan tetapi dimungkinkan 98 % sembuh dan 2 % tidak sembuh. dapat dikatakan bahwa kesimpulan yang ditarik berdasarkan uji statistik tidak pernah bersifat benar mutlak. Oleh karena itu kesimpulan statistika tidak pernah dogmatis.02. Melb 2008 sulitnya prosedur perhitungan tersebut. para ahli menggunakan mesin hitung yang telah ada untuk menghitung permasalahan tersebut.  10 2 2  +∞ ( ) − (10 +1) 2 dt = 0.05 maka resiko salah dalam penarikan kesimpulan adalah 5 %.7 %. Dengan demikian dapat dikatakan bahwa p adalah berupa signifikansi aktual. Umumnya dinyatakan dalam notasi p-value atau p saja atau Sig. Kaidah pengujiannya adalah jika thit > ttabel pada α tertentu. Mengenai berapa besar nilai p yang masih dapat ditolerir sangat tergantung dari tingkat kekritisan penelitian dan kepentingan pengguna hasil penelitian. sedangkan alpha adalah signifikansi batas.288 dengan db=10 diperoleh p = 0.05 dalam hal ini B(__. sebenarnya = 0. yang sebenarnya secara eksak adalah 1.017 . adalah : 1 1+ t2 ∫ 2. Untuk menghitung atau p pada statistik t dengan nilai thitung = 2. Dengan berkembangnya komputer. (di SPSS).__) adalah fungsi Beta. Untuk jelasnya perhatikan uraian berikut. maka keputusan uji hipotesis akan berbunyi : Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 %. Dengan kata lain untuk thit = 2. terutama sebelum berkembangnya komputer. perhitungan nilai p untuk beberapa statistik uji dapat dengan mudah dan cepat dilakukan.-aNNa.288  1 10  Β . Jadi seandainya p yang dan pada uji konvensional digunakan α = 0. maka tidak semua penderita penyakit S yang diobati O pasti sembuh. Berdasarkan taraf uji aktual yang merujuk pada p-value. P age |7 . Oleh karena itu sebelum komputer berkembang.

cukup luas. cukup baik.phsl.5-2juta. 25-34 tahun. Buka data SPSS deskriptif. 1 1. tekan OK P age |8 . adalah penilaian responden terhadap kekuatan signal (sangat kuat. Adapun data dalam worksheet adalah sebagai berikut: usia. SMU. cukup kuat. Satelit Palapa Indonesia Surabaya dari 100 responden yang diambil sebagai sampel.-aNNa. boxplot (dalam bentuk grafik) dan cara mengukur dengan nilai rata-rata.Pelatihan SPPS by MIIS. 1-2 1 tahun. adalah kelompok penghasilan responden (<1juta. dan kurang kuat) suara. adalah penghasilan/bulan responden (dalam juta rupiah) k. adalah tingkat kat pendidikan responden (SLTP. luas. Ada beberapa cara mendeskriptifkan data antara lain dengan histogram. 2-3 3 tahun. 2juta. variance dll. 35-43 43 tahun) pddk.usia. h pie chart. Sarjana) lama. >2juta) jangkau.5juta. baik. hidupkan display normal curve. adalah lama penggunaan kartu Mentari (dalam bulan) k. adalah penilaian responden terhadap kualitas suara (sangat baik. adalah kelompok lama penggunaan (< 1 tahun. adalah usia responden k.lama. adalah kelompok usia responden (15-25 (15 tahun. adalah penilaian responden terhadap daya jangkau (sangat luas. rata rata. kuat. 1-1. Melb 2008 BAB II STATISTIKA DESKRIPTIF A. >3 tahun) phsl. dan kurang luas) signal. Data tersebut adalah hasil penelitian mengenai analisis faktor yang mempengaruhi pembelian kartu Mentari pada PT. 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. kurang baik) Histogram Misalkan kita ingin membuat histogram data penghasilan responden Pilih menu Graph > Histogram Lalu isi Variable: phsl.

tekan OK Deskriptif Ukur Misalkan kita ingin membuat statistika deskriptif data usia responden Pilih menu Analyze > Descriptive Statistics > Descriptive Kemudian masukkan variables: usia. misalkan hidupkan range. Melb 2008 Pie Chart Misalkan kita ingin membuat pie chart data pendidikan responden Pilih menu Graph > Pie Pilih Summary for groups of cases.Pelatihan SPPS by MIIS. lalu OK P age |9 . tekan OK Box Plot Misalkan kita ingin membuat Box Plot data lama penggunaan kartu mentari oleh responden Pilih menu Graph > Boxplot Pilih Summaries of Separate Variables. lalu define Kemudian masukkan Boxes Represent: lama. tekan option.-aNNa. dan pilih statistik yang dibutuhkan. lalu define Kemudian masukkan define slices: pddk.

dan kualitas suara kartu Mentari Pilih menu Analyze > Descriptive Statistics > Frequencies Kemudian masukkan variables: jangkau. 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). STATISTIKA INFERENSIAL Statistika inferensial merupakan bagian statistika yang membahas tentang inferensi statistika (statistika kesimpulan). Sedangkan statistika inferensia nonparametrik bersyarat data tak terukur pasti (kategori.0 46. sehingga dari data sampel yang diperoleh dapat digunakan untuk menyimpulkan tentang populasinya dengan tingkat kebenaran atau tingkat kesalahan yang dapat diketahui. Kriteria pengujiannya P a g e | 10 . tekan OK JANGKAU Frequency 26 46 19 9 100 Percent 26.0 Valid Percent 26.38 Std.0 46.0 Cumulative Percent 26. statistika inferensia parametrik bersyarat data terukur pasti dan memiliki sebaran normal.0 Valid kurang luas cukup luas luas sangat luas Total Dari 100 responden. Uji Kenormalan Uji ini digunakan untuk mengetahui apakah sebaran data yang diamati mempunyai sebaran normal atau bukan agar dapat ditentukan statistika inferensia yang tepat.0 9.0 100.0 19.0 100. 19% menyatakan luas.0 72.0 19.0 91. 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. 46% menyatakan cukup puas. 1. kekuatan signal.663 Deskriptif Frekuensi Misalkan kita ingin membuat distribusi frekuensi hasil penilaian responden terhadap daya jangkau.0 9. dan 9% menyatakan sangat luas. nominal dan ordinal) atau terukur pasti tetapi sebarannya tak normal walaupun dengan transformasi. Melb 2008 Descriptive Statistics N USIA Valid N (listwise) 100 100 Range 28 Minimum 15 Maximum 43 Mean 25. 26% menyatakan daya jangkau Mentari masih kurang luas. B. dan seterusnya.-aNNa. Dengan demikian.0 100.Pelatihan SPPS by MIIS. Deviation 7.

Pelatihan SPPS by MIIS. > α maka data yang diamati normal dan sebaliknya jika sig.081 100 . > α (0. Lilliefors Significance Correction Berdasarkan uji kenormalan data dengan menggunakan Uji Kolmogorov-Smirnov diperoleh informasi bahwa data penghasilan mempunyai sebaran normal karena sig.-aNNa. di mana ragam populasi tidak diketahui dari data yang mempunyai sebaran 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.106 a PHSL Statistic . . continue dan OK Tests of Normality Kolmogorov-Smirnov Statistic df Sig.05) 2. Uji ini digunakan untuk mengetahui apakah rata-rata populasi sesuai dengan spesifikasi yang ditetapkan berdasarkan data sampelnya. . Melb 2008 adalah jika sig. ≤ α maka data yang diamati tidak normal. Statistika Inferensi parametrik untuk 1 Populasi Menggunakan uji t. 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 : t test = Selang kepercayaannya : x−µ s/ n P( x − ts / n < µ < x + ts / n ) = 1 − α dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas (n-1). dan s adalah : (x i − x ) 2 s= ∑ n −1 i P a g e | 11 .032 a.106 > 0. buka plots kemudian beri cek pada Normality with test.972 Shapiro-Wilk df 100 Sig.

Diambil dua kelas.0554 One-Sample Test Test Value = 1 95% Confidence Interval of the Difference Lower Upper .Pelatihan SPPS by MIIS.000=0.501 Std.611 PHSL t 9. kelas pertama (30 siswa) menggunakan metode biasa.1. berarti dapat dijelaskan disini adalah benar bahwa adalah tidak benar ratarata penghasilan adalah 1 juta. Melb 2008 Cara melakukan analisis dengan SPSS adalah sbb : Pilih menu Analyze > Compare Means > One sample T test Kemudian masukkan Test variable: phsl. (2-tailed) .-aNNa. Dilihat dari rata-ratanya disini. tekan OK One-Sample Statistics N PHSL 100 Mean 1.5544 Std. nilai rata-rata masih jauh di atas 1 juta. Test value: 1. Kesimpulan ini mempunyai p-value sebesar 0.037 df 99 Sig.00%. C. Dua populasi bebas (Independent) Dua populasi dikatakan bebas (independen) jika dua populasi tersebut mempunyai karakteristik yang berbeda. Statistik uji dan hipotesisnya adalah H0 : µ1=µ2 atau H0 : µ1-µ2 = 0 lawan H1: µ1≠µ2 Uji statistiknya : Untuk ragam kedua populasi sama : t test = x1 − x 2 2 s gab ( 1 1 + ) n1 n 2 2 s gab = 2 (n 1 − 1)s1 + (n 2 − 1)s 2 2 n1 + n 2 − 2 - Untuk ragam kedua populasi berbeda : t test = x1 − x 2 ( 2 s1 s2 + 2) n1 n 2 P a g e | 12 .000 Mean Difference . sedangkan kelas kedua (30 siswa) menggunakan metode pola latihan SQ3R. Deviation .501 Hasil SPSS ini berarti : Rata-rata penghasilan dari 100 responden adalah 1.391 . Error Mean . Statistika inferensi parametrik untuk 2 populasi C. Data ini berisi hasil penelitian Upaya meningkatkan kemampuan penguasaan membaca pemahaman siswa sebuah SLTP melalui pola latihan SQ3R. Contohnya dari data uji t 2 bebas.501 juta.

Define groups: group 1: biasa.87 -14.000 . .-aNNa.1973 75.05.434 t -14. Deviation 5. Cara melakukan analisis dengan SPSS adalah sebagai berikut Pilih menu Analyze > Compare Means > Independent samples T test Kemudian masukkan Test variable: nilai.96 -14. data kelas adalah data kelas di mana siswa ditempatkan.Pelatihan SPPS by MIIS.4143 Std. tekan OK Group Statistics KELAS biasa sq3r N 30 30 Mean 58. group 2: sq3r.22483 P a g e | 13 .05790 Std. sebaliknya hipotesis nol diterima jika nilai sig t > α 0.2 df 58 54 Sig.34223 4. Dari data di atas yaitu data nilai yaitu data nilai akhir siswa bak di kelas pertama maupun kelas kedua (digabung).2 -14.620 Sig. Melb 2008 - Selang kepercayaan untuk ragam kedua populasi sama 2 P(( x 1 − x 2 ) − t s gab ( 1 1 1 1 2 ( + + < µ1 − µ 2 < ( x 1 − x 2 ) + t s gab ) = 1− α n1 n 2 n1 n 2 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 P(( x 1 − x 2 ) − t 2 s2 s2 s1 s2 + 2 < µ1 − µ 2 < ( x 1 − x 2 ) + t 1 + 2 ) = 1 − α n1 n 2 n1 n 2 dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas v sebesar 2 2 (s1 / n1 + s 2 2 / n2) −2 v= 2 2 (s1 / n 1 ) 2 (s 2 2 / n2) + (n 1 + 1) (n 2 + 1) Hipotesis nol ditolak jika nilai sig t ≤ α 0.05.000 Mean Difference -17. (2-tailed) .6117 Std.97535 .74087 NILAI Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Difference Lower Upper -19.4143 -17.96 F NILAI Equal variances assumed Equal variances not assumed . Error Difference 1.22483 1. apakah kelas pertama (kelas biasa) atau kelas kedua (kelas sq3r). Error Mean .87 -19.

2.mod). Karena nilai rata-rata kelas eksperimen lebih tinggi. Karena kedua ragam sama. C. dan kelas eksperimen adalah 75. dan kualitas pelayanan (data ply. artinya terdapat perbedaan nilai akhir siswa kelas biasa dan kelas eksperimen.000 yang berarti nilai sig t < α 0. sampai angka 5 (sangat baik).mod.tra dan slr. tekan OK P a g e | 14 . Pilih menu Analyze > Compare Means > Paired-samples T tes Kemudian masukkan Paired variable: prd. Kentucky.434 (sig > α 0. maka menggunakan uji t pada baris pertama (equal variances assumed). maka metode ini cukup berhasil untuk meningkatkan kemampuan siswa.tra dan prd.tra dan ply.05.61.mod). diperoleh nilai sig t sebesar 0. diperoleh nilai sig F sebesar 0. maka H0 ditolak. dan lain-lain) dengan makanan modern (McD. dan lain-lain) pada penilaian kualitas produk (data prd. Melb 2008 Hasil SPSS berarti : Rata-rata nilai akhir siswa kelas biasa adalah 58. Statistik uji dan hipotesisnya sebagai berikut : H0 : µA=µB atau H0 : µA-µB = 0 lawan H1: µA≠µB Statistik ujinya : t test = D sD / n di mana Dj = | XAji– XBi | . dengan selang kepercayaannya : P(D − ts D / n < µ A − µ B < D + ts D / n ) = 1 − α dengan t adalah nilai dari t tabel dengan α/2 tertentu dan derajat bebas (n-1) dan s adalah : sD = Contoh: ( D i − D) 2 ∑ n −1 i Data uji t2 berpasangan. Dua populasi dependen (dua populasi berpasangan) Dua populasi dikatakan berpasangan adalah jika dua populasi tersebut diamati secara berpasangan pada setiap pengamatan.-aNNa. Dari hasil pengujian Levene`s test untuk kesamaan ragam. selera (data slr.05) sehingga dapat disimpulkan bahwa kedua populasi berasal dari ragam sama. rawon.tra dan hrg.mod). Data ini merupakan penelitian yang ingin menguji perbedaan persepsi konsumen terhadap makanan tradisional (soto.mod). Dapat juga dari obyek yang berbeda tetapi cara mengamatinya secara berpasang-pasangan. Skala yang diukur berupa angka 1 (sangat tidak baik). harga (data hrg.Pelatihan SPPS by MIIS.tra dan prd.20. Misalkan kita ingin menguji apakah terdapat perbedaan kualitas produk makanan tradisional dan makanan modern. 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).

di mana r dapat digunakan rumus: rxy = (N∑ X N ∑ XY − (∑ X )(∑ Y ) 2 2 − (∑ X ) N ∑ Y 2 − (∑ Y ) n Y )( 2 ) Keterangan : rxy = indeks korelasi pearson X = skor item pertanyaan = banyaknya sampel = skor total item pertanyaan P a g e | 15 .600 .085 Pair 1 PRD.TRAD . Hasil pengujian diperoleh nilai sig t < α (0.MOD 1.05). D.MOD 108 Correlation . artinya H0 ditolak.Pelatihan SPPS by MIIS.39 (2 = klasifikasi tidak baik).-aNNa.MOD Paired Samples Correlations N Pair 1 PRD.000 Hasil SPSS ini berarti : Penilaian konsumen terhadap kualitas produk makanan tradisional memiliki rata-rata 4.TRAD PRD. Difference Std.39 N 108 108 Std. Deviation .186 Paired Samples Test Paired Differences 95% Confidence Interval of the Std. (2-tailed) .1.TRAD & PRD. D. Valid tidaknya suatu item instrumen dapat diketahui dengan membandingkan indeks korelasi product moment Pearson dengan level signifikansi 5% dengan nilai kritisnya. Uji Instrumentasi Penelitian Tidak sedikit penelitian di bidang sosial menggunakan instrumen kuesioner sebagai alat pengambilan data.PRD.06 2. Error Deviation Mean Lower Upper 1. yaitu uji validitas dan reliabilitas. Hasil penelitian yang valid bila terdapat kesamaan antara data yang terkumpul dengan data yang sesungguhnya terjadi pada obyek yang diteliti.48 1.363 df 107 Sig.128 Sig.003 .884 Std.87 Pair 1 Mean PRD. Untuk itu. Error Mean . Uji Validitas Validitas menunjukkan sejauh mana alat pengukur untuk mengukur apa yang diukur.058 .06 (4 = klasifikasi baik). terlebih dulu dilakukan uji instrumentasi.097 1. . sebelum dilakukan analisis statistika inferensial. Melb 2008 Paired Samples Statistics Mean 4.68 t 17. berarti terdapat perbedaan yang sangat nyata antara kualitas produk makanan tradisional dan makanan modern. sedangkan kualitas produk makanan modern memiliki rata-rata 2.

765** .502** . X11.752 dengan signifikansi 0.000 108 .05 maka butir ini dinyatakan valid.506** .483** . Melb 2008 Bila nilai signifikansi (sig) hasil korelasi lebih kecil dari 0.799 dengan signifikansi 0.813** . Dapat dipercaya (X12).676** .442** . P a g e | 16 .000 108 .000 108 X14 .000 108 .01 level (2-tailed). (2-tailed) N Pearson Correlation Sig.000.000 108 . Konsistensi (X14).752** . Correlation is significant at the 0. besar korelasi 0.676 dengan signifikansi 0.502** . Butir pertanyaan 3 (X13.000 108 . (2-tailed) N Pearson Correlation Sig.000 108 .05 maka butir ini dinyatakan valid.000 108 .000.516** . Kelengkapan (X13).Pelatihan SPPS by MIIS.000 108 .483** . Karena nilai sig < α 0.000 108 1 .05 maka butir ini dinyatakan valid. 108 .05 (5%) maka dinyatakan valid dan sebaliknya dinyatakan tidak valid (artinya butir pertanyaan tersebut gugur).000 108 .442** .813 dengan signifikansi 0.799** .799** . Karena nilai sig < α 0.762 dengan signifikansi 0. Data ini merupakan kutipan dari sebuah penelitian mengenai kualitas produk makanan.-aNNa.000 108 .000 108 . besar korelasi 0.000 108 . tekan OK Hasil pengujian korelasi pearson antara masing-masing butir pertanyaan dengan total butir pertanyaan (X1).000 108 . Butir pertanyaan 4 (X14.676** .000 108 X11 . X13.000 108 X15 . (2-tailed) N Pearson Correlation Sig. besar korelasi 0. dan X14.000 108 .000 108 .516** . Output SPSS: Correlations X1 X1 Pearson Correlation Sig.506** . (2-tailed) N Pearson Correlation Sig. (2-tailed) N 1 . dapat dipercaya).381** . Butir pertanyaan 5 (X15.813** .05 maka butir dinyatakan valid. di mana X1 (Produk). dan Keawetan (X15).000 108 1 . keawetan).507** . Hasil uji validitas adalah sebagai berikut: Butir pertanyaan 1 (X11. Untuk menguji validitas. dengan butir-butir pertanyaan: Tampilan (X11).000 108 X13 .000 108 1 . besar korelasi 0.381** . Coefficien Correlation pilih Pearson. 108 . Karena nilai sig < α 0.000. X12.000 108 X12 .000 108 .752** . besar korelasi 0.000 108 1 . pilih menu Analyze > Correlate > Bivariate Kemudian masukkan Variables: X1.000 108 1 . tampilan). Butir pertanyaan 2 (X12.000 108 .000. Karena nilai sig < α 0.507** . (2-tailed) N Pearson Correlation Sig. Karena nilai sig < α 0. 108 .483** .583** .05 maka butir ini dinyatakan valid. 108 . 108 . Sebagai ilustrasi menggunakan data valid reliabel. dapat dilihat pada kolom X1 atau baris X1 (hasil keduanya sama). kelengkapan). 108 X11 X12 X13 X14 X15 **.412** .483** .583** .000.000 108 . konsistensi).412** .765** .000 108 .000 108 .

Karena nilai alpha > 0. Interval <0.8068 Diperoleh nilai alpha sebesar 0.200-0. Uji Reliabilitas Reliabilitas adalah indek yang menunjukkan sejauh mana suatu alat pengukur dapat dipercaya atau dapat diandalkan.8068.6 maka variabel tersebut dinyatakan valid. P a g e | 17 . Bila alpha lebih kecil dari 0. dan X14. Untuk menguji digunakan Alpha Cronbach dengan rumus : 2 σb  k  ∑  r11=   1− 2 σt  k − 1       Di mana : r11 k ∑σb σt2 2 = koefisien alpha cronbach = banyaknya butir pertanyaan atau banyaknya soal = jumlah varians butir = varians total Instrumen dapat dikatakan andal (reliabel bila memiliki koefisien keandalan reliabilitas sebesar 0.00 Kriteria sangat rendah Rendah Cukup Tinggi sangat tinggi Uji reliabilitas yang digunakan adalah dengan Alpha Cronbach.6 atau lebih (Arikunto 1993).200 0. 3.400-0. pilih menu Analyze > Scale > Reliability Analysis Kemudian masukkan Items: X11. 1. 4.399 0.S C A L E (A L P H A) Reliability Coefficients N of Cases = Alpha = 108. Arikunto (1993) menentukan kriteria indek reliabilitas adalah sebagai berikut : Kriteria Indeks kofiesien reliabilitas No. X12. 2.6 (minimal memiliki kriteria tinggi) maka dinyatakan tidak reliabel dan sebaliknya dinyatakan reliabel.800-1.0 N of Items = 5 . X13. Melb 2008 D.799 0.600-0.Pelatihan SPPS by MIIS. 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 .599 0.-aNNa.2. 5. Untuk menguji reliabilitas.

maka jika iases meningkat. tekan OK Hasil analisis SPSS adalah Correlations SMLQ SMLQ Pearson Correlation Sig. Correlation is significant at the 0.-aNNa. Melb 2008 E.678** . demikian pula sebaliknya. 36 .000 36 1 . Statistika Inferensi parametrik 1. Sebagai aplikasi digunakan data correlation. Nilai yang dihasilkan antara –1 sampai dengan +1. 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.Pelatihan SPPS by MIIS.678). yang berisi sebuah penelitian di bidang psikologi. Jika sig.Ada korelasi linier antara Indonesian Adaptation Self-Efficacy Scale (X1) dengan Self-Management Leadership Questionnaire (X2). karena nilai sig = 0. Keputusan ada atau tidak adanya korelasi antar variabel menggunakan kriteria sebagai berikut : Jika sig.000 36 IASES .000 < 0. Uji signifikansi dari korelasi populasinya menggunakan kriteria p-value dari sebaran t di mana p-value di dalam SPSS disebut dengan sig. 36 IASES **. ≤ α maka tolak H0 artinya ada korelasi antar variabel.678** . Tanda + menyatakan sifat hubungan searah (+) dan tanda – menyatakan sifat hubungannya berbanding terbalik. (2-tailed) N Pearson Correlation Sig. (2-tailed) N 1 .01 level (2-tailed). Analisis Korelasi Analisis korelasi merupakan analisis keeratan hubungan linier antara variabel yang diamati tanpa memperhatikan variabel dependen maupun independen. Hasil SPSS ini berarti : . maka smlq juga meningkat.05. Karena besar korelasi positif (+0. (singkatan dari significant). > α maka terima H0 artinya tidak ada korelasi antar variabel. P a g e | 18 . Jika nilai dekat 1 berarti hubungan linier antara variabel sangat tinggi dan sebaliknya jika nilainya dekat 0 maka hubungan linier antara variabel rendah.

≤ α maka tolak H0 berari pada parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan ada hubungan linier dengan variabel respon. Modelnya adalah : Yi= β0 + β1X1i + εi Sedangkan model sampelnya adalah ˆ i = b 0 + b1 X1i y 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. > α maka terima H0 berarti pada parameter koefisien regresi yang diuji (variabel X yang diuji) dinyatakan tidak ada hubungan linier dengan variabel respon. X16. jika sig. Dan jika sig. Sistem pembayaran gaji Item Kesesuaian dengan peker-jaan Kesesuaian gaji dengan lama kerja Kesesuaian gaji tingkat pendidikan Kesesuaian gaji senioritas Pemenuhan kebutuhan po-kok P a g e | 19 . Apabila pengujian berdasarkan statistik uji t maka : Jika sig. Metode analisis yang digunakan pada penelitian ini adalah regresi linier sederhana dengan rumus umum: Y = b0+b1X1 + e Dimana: Y = Kinerja Karyawan Gaji koefisien regresi b0 = konstanta e = kesalahan pengganggu X1 = b1 = Variabel Gaji (X1) X11. ≤ α maka tolak H0 berari minimal ada salah satu variabel bebas (prediktor) berhubungan linier dengan variabel tak bebas (respon). maka : Jika sig. Melb 2008 2. X14. X12. X13. > α maka terima H0 berarti tidak ada hubungan linier antar variabel.Pelatihan SPPS by MIIS.). X15. Data regresi sederhana adalah data hasil penelitian Pengaruh Kompensasi (Gaji) Terhadap Kinerja Karyawan perusahaan X. Apabila hanya melibatkan 1 variabel bebas (independen) maka disebut analisis regresi linier sederhana. Dan sebaliknya. Jika pengujian berdasarkan tabel ANOVA. Analisis Regresi Linier Sederhana Analisis regresi adalah analisis tentang bentuk hubungan linier antara variabel dependen (respon) dengan variabel independen (prediktor).-aNNa. Kriteria pengujiannya dengan p-value (sig.

000 . .Pelatihan SPPS by MIIS.220 Std.479 . Y3. Y5.433 F 23. Dependent Variable: Y P a g e | 20 . Dependent Variable: Y Model Summary Model 1 R . Ketelitian kerja Kebersihan kerja Kerapian hasil kerja Ketepatan waktu Standar kerja Untuk menguji regresi. Deviation .000 . Y4.5896 Std.000 80 80 X1 .000a Regression Residual Total a. .800 df 1 78 79 Mean Square 10. Error of the Estimate . 80 80 b Variables Entered/Removed Model 1 Variables Entered X1a Variables Removed .74460 . X1 b.479 1.230 Adjusted R Square . klik Statistics pilih Descriptive. Melb 2008 Kinerja Karyawan (Y) Y1.-aNNa. Predictors: (Constant).2775 3.249 Sig.66606 N 80 80 Correlations Pearson Correlation Sig. (1-tailed) N Y X1 Y X1 Y X1 Y 1.742 43. Method Enter a. Predictors: (Constant).000 . b. All requested variables entered.057 .057 33. Y2. pilih menu Analyze > Regression > Linear Kemudian masukkan Dependent Variable: Y.65772 a.479a R Square . Independent Variable: X1. tekan OK Regression Descriptive Statistics Y X1 Mean 4. X1 ANOVAb Model 1 Sum of Squares 10.

05).279>1. maka secara parsial variabel Gaji (X1) berpengaruh signifikan terhadap variabel Kinerja Karyawan (Y) P a g e | 21 .479 Model 1 (Constant) X1 t 5.536 . Hasil perhitungan dijelaskan sebagai berikut: Uji t terhadap variabel Gaji (X1) didapatkan thitung sebesar 4.822 Sig. Adapun model persamaan regresi linier sederhana yang diperoleh adalah sebagai berikut: Y= 2. Karena thitung lebih besar ttabel (3.355 + 0.536 X1 + e Untuk menguji hipotesis secara parsial digunakan uji t yaitu untuk menguji secara parsial variabel bebas terhadap variabel terikat.000 . sedangkan sisanya 78% dipengaruhi oleh variabel lain di luar Gaji.002<0.111 Standardized Coefficients Beta . Dependent Variable: Y Hasil SPSS ini berarti : Dari nilai Adjusted R Square menunjukkan nilai sebesar 0.806 4. .993) atau signifikansi t lebih kecil dari 5% (0.000.000 a.406 .Pelatihan SPPS by MIIS. Melb 2008 Coefficientsa Unstandardized Coefficients B Std. Artinya bahwa variabel Y dipengaruh sebesar 22% oleh Gaji (X1).-aNNa. Error 2.822 dengan signifikansi t sebesar 0.220 atau 22%.355 .

Sign up to vote on this title
UsefulNot useful