Pengolahan Data SPSS Versi 20

Korelasi & Regresi

Analisis hubungan antara variabel secara garis besar ada dua, yaitu analisis korelasi dan analisis regresi. Kedua analisis tersebut saling terkait. Analisis korelasi menyatakan derajat keeratan hubungan antarvaribel, sedangkan analisis regresi digunakan dalam peramalan variabel dependen berdasar variabel – variabel independennya.

Korelasi Bivariate

Analisis korelasi bivariate mencari derajat keeratan hubungan dan arah hubungan. Semakin tinggi nilai korelasi, semakin tinggi keeratan hubungan kedau variabel. Nilai korelasi memiliki rentang antara 0 sampai 1 atau 0 sampai -1. Tanda positif dan negative menunjukan arah hubungan. Tanda positif menunjukan arah hubungan searah. Jika satu variabel naik, variabel yang lain naik. Tanda negative menunjukan hubungan berlawanan. Jika satu variabel naik, variabel yang lain malah turun. Ada 3 macam uji bivariate, yaitu uji pearson yang digunakan untuk mengukur hubungan dengan data terdistribusi normal, sementara uji kendall dan spearman untuk mengukur hubungan berdasarkan urutan ranking dua variabel skala atau ordinal. Uji dilakukan tanpa memandang distribusi variabel.

Contoh, anda melakukan pengamatan terhadap hubungan antara besar tunjangan yang diterima karyawan dengan masa kerjanya pada suatu perusahaan. Anda mengambil sampel secara random. berikut langkah-langkah untuk melakukan analisis korelasi :

 Buka file data, folder file data pelajaran 3, file korelasi.sav.  Klik analyze => correlate => bivariate pada menu sehingga kotak dialog

bivariate correlations muncul.

Gambar 2.35 Kotak dialog Bivariate correlations  Masukkan variabel tunjangan gaji dan variabel masa kerja pada kotak

variables, pilih person dan spearman pada correlation coefficients  Klik ok sehingga output SPSS viewer menampilkan hasil berikut :

Tabel pearson correlations memaparkan nilai coefisien korelasi sebesar 0.959 antara variabel tunjangan gaji dengan variabel masa kerja. Nilai sig (0.000) < � maka Ho ditolak. Jadi hubungan kedua variabel adalah signifikan.

Formula koofisien korelasi adalah :

di mana :

X = variabel tunjangan gaji Y = variabel masa kerja n = banyaknya pengamatan atau sampel

Tabel spearman correlations menghasilkan coefisien korelasi (0.975) yang mendekati pearson, uji spearman merupakan uji non-parametrik dimana tidak memerlukan persyaratan data terdistribusi normal. Uji ini menganalisis hubungan dua variabel dengan mengurutkan kedua variabel tersebut kemudian dicari disparitasnya (d i ) atau selisih variabel yang telah diurutkan. Formula koefisien korelasi spearman adalah :

Di mana :

� � = disparitas atau selisih variabel X 1 dan X 2

X 1 = variabel tunjagan gaji

X 2 = variabel masa kerja n = banyaknya pengamatan

Korelasi Partial

Uji partial digunakan untuk menguji hubungan dua variabel dengan mengeluarkan variabel lain (variabel control) yang berpengaruh terhadap korelasi. Contoh, anda melakukan pengamatan hubungan antara gaji, tunjangan dan lama kerja pada suatu perusahaan. Berikut langkah-langkah analisisnya :

 Buka file, folder file data pelajaran 3, file korelasi parsial.sav.  Klik Analyze => correlate =partial pada menu sehingga kotak dialog muncul

Gambar 2.36 Kotak dialog partial correaltions

 Anda dapat melakukan 3 macam uji korelasi parsial dengan mengganti secara bergiliran ketiga variabel control. Pertama adalah korelasi variabel gaji – tunjangan gaji dengan variabel control adalah masa kerja. Kedua

adalah korelasi variabel gaji – masa kerja dengan variabel control tunjangan gaji. Ketiga adalah korelasi variabel tunjangan gaji – masa kerja dengan variabel control adalah gaji.

 Klik Ok sehingga Ouput SPSS menampilkan hasil sebagai berikut :

Tabel korelasi variabel gaji – tunjangan gaji dengan variabel control adalah masa kerja yang menunjukan coofisient korelasi yang besar (0.694). nilai sig (0.001) < � , maka Ho ditolak. Jadi hubungan antara kedua variabel dengan variabel control masa kerja adalah signifikan.

Regresi Linear Satu Variabel Independen

Uji regresi digunakan untuk meramalkan satu variabel dependen (Y) berdasar satu variabel independen (X) dalam satu persamaan linear. Pengamatan pasangan variabel X dan Y digambar dengar diagram titik dan kemudian titik- titik tersebut dihubungkan sehingga membentuk pola garis. Pola garis tersebut secara matematis dapat didekati dengan suatu garis lurus atau persamaan linear. Formula persamaan linear Y = a+bX Contoh, anda melakukan analisis regresi untuk meramalkan besarnya tunjangan yang diberikan berdasarkan gaji. Berikut ini langkah-langkanya :

 Buka file data, folder file data pelajaran 3, file korelasi parsial.sav.  Klik analyze => Regression => linear pada menu sehingga kotak dialog

linear regression muncul.

Gambar 2.37 Kotak dialog linear regression

 Masukkan variabel gaji pada kotak Independent(s) dan variabel Tunjangan gaji pada kotak dependent.  Klik tombol statistic sehingga kotak dialog linear regression:statistic muncul. Secara default estimates dan model fit terpilih. Anda dapat menambah uji

statistic bila perlu.

Gambar 2.38 Kotak dialog linear regression; statistic  Klik continue  Klik options sehingga kotak dialog linear regression:options muncul.pilih use

probability of F kemudian masukkan nilai tingkat kepercayaan pada kotak entry.

Gambar 2.39 Kotak dialog linear Regression: Options  Klik continue

 Klik Ok sehingga Output SPSS menampilkan hasil berikut :

Tabel variables entered removed menunjukan metode regresi linear yang di pilih, yaitu enter. Pemilihan metode memungkinkan anda menentukan bagaaimana variabel independen (gaji) dimasukkan untuk dianalisis. Metode enter memasukkan semua variabel indevenden sekaligus untuk dianalisis. Pada analisis regresi linear satu variabel independen, perbedaan antara metode tidak tampak.

Tabel model summary menunjukan nilia koefiesien (R) yang menunjukan tingkat hubungan antara variabel (0.974). R Square atau koefisien determinasi memiliki arti 0.948.Tunjangan gaji dapat dijelaskan pada variabel gaji. Adjusted R square sama dengan R square dengan menyesuaikan numerator maupun denumerator dengan derajat kebebasan masing-masing. Std. error of the estimate mengukur disperse titik-titik pasangan X dan Y dari garis duga regresi.

Tabel ANOVA memaparkan uji kelinearan Hipotesis : Ho = model linear antara variabel gaji dengan variabel tunjangan gaji tidak signifikan. H1 = model linear antara variabel gaji dengan variabel tunjangan gaji signifikan.

F hitung (327.262) > F tabel (1;18;0.05) adalah 4.414 sehingga Ho ditolak. Jadi model linear antara variabel gaji dengan variabel tunjagan gaji signifikan. Disamping menggunakan perbandingan F hitung dan F tabel, anda dapat melakukan perbandingan Sig dengan �. Sig (0.000) < , maka Ho ditolak.

Tabel coefisien memaparkan nilai konstanta a dan b dari persamaan linaer : Y = -614.019 + 0.655 X. Hipotesis : uji koefisien a Ho = Koefisien a tidak signifikan H1 = Koefisien a signifikan t hitung mutlak (10.082) > t tabel (18;0.05) adalah 1.734, maka Ho ditolak, koefisien a signifikan. Disamping menggunakan perbandingan t hitung dan t tabel, anda dapat melakukan perbandingan sig dengan . sig (0.000) < �, sehingga Ho ditolak.

Hipotesis Uji Koefisien b Ho = Koefisien b tidak signifikan H1 = Koefisien b signifikann t hitung mutlak (18.090) > t tabel (18;0.05) adalah 1.734 maka Ho ditolak, koefisien b signifikan.

Regresi Linear Dengan Dua atau Lebih Variabel Independen

Uji Regresi Linear Dengan Dua atau Lebih Variabel Independen digunakan untuk meramalkan suatu variabel dependen Y berdasarkan dua atau lebih

variabel independen (X 1, X 2 dan X 3 ) dalam suatu persamaan linear.

Y=a+b 1 X 1 +b 2 X 2 + b 3 X 3

Dimana : Y = variabel dependent

X 1 ,X 2 dan X 3 = variabel independen

a = konstanta atau perpotongan garis pada sumbu X 1

b 1 ,b 2 , dan b 3 = Koefisien regresi

pada regresi ini ada beberapa uji yang harus dilakukan disamping uji koefisien dan uji kelinearan. Uji tersebut adalah uji autokorelasi dan uji kolinearitas. uji autokorelasi dilakukan dengan pengujian Durbin Watson (DW) sebagai berikut :

 165 < DW < 2.35 tidak terjadi autokorelasi  1.21 < DW < 1.65 atau 2.35 < DW < 2.79 tidak dapat disimpulkan  DW < 1.21 atau DW > 2.79 terjadi autokorelasi

Sedangkan uji kolinearitas adalah uji apakah terjadi korelasi yang kuat antara variabel-variabel independenya. Cara pengujiannya adalah sebagai berikut :

 Nilai korelasi dua variabel independen tersebut mendekati satu.  Nilai korelasi parsial akan mendekati nol.

Apabila terjadi kolinearitas maka variabel yang dimasukkan dalam persamaan linear hanya variabel independen yang memiliki korelasi parsial yang tinggi.

Contoh, anda melakukan peramalan atas besarnya jumlah penjualan berdasarkan variabel promosi (X 1 ), jumlah sales (X 2 ) dan harga produk (X 3 ) pada departemen pemasaran suatu perusahaan. Langkah-langkahnya Sbb :

 Buka file data, folder file pelajaran 3, file regresi dua variabelt. Sav.  Klik analyze => Regression => Linear pada menu sehingga kotak dialog

linear regression muncul.  Masukkan variabel promosi, penjual, dan harga pada kotak Independent(s) dan variabel penjualan pada kotak dependent. Pada method, pilih stepwise.  Klik tombol statistics sehingga kotak dialog linear regression: satatistic muncul pilih estimates, model fit dan Durbin- Watson (lihat gambar 2.38)  Klik continue

 Klik options sehingga kotak dialog linear regression : options muncul. Pilih use probability of F kemudian masukkan nilai tingkat kepercayaan pada kotak entry.

 Klik continue  Klik ok sehingga output SPSS akan menampilkan hsilnya berikut ini :

Tabel variabel entered removed menunjukan metode regresi linearyang dipilih, yaitu, stepwise. Metode stepwise memasukkan satu persatu variabel independen untuk dianalisis. Hanya ada dua dari tiga variabel independen yang dimasukkan dalam model, yaitu variabel jumlah penjual dan variabel harga. Variabel promosi dikeluarkan dari model.

Tabel model summary menunjukan nilai koefisien korelasi (R) untuk kedua model. Model pertama memiliki nilai R = 0.982 dan model kedua memiliki nilai R = 0.993. Nilai Durbin-Watson untuk model kedua adalah 1.964 jadi dapat disimpulkan bahwa tidak terjadi autokorelasi.

Tabel ANOVA memaparkan uji kelinearan. Hipotesis : Model 1 Ho = Model linear antar variabel penjualan dengan variabel jumlah penjual tidak signifikan. H1 = Model linear antar variabel penjualan dengan variabel jumlah penjual signifikan.

F hitung (346.122) > F tabel (1;13;0.05) adalah 4.667, sehingga Ho ditolak, jadi model linear antara variabel penjualan dengan variabel jumlah penjual signifikan. Disamping menggunakan perbandingan F hitung dan F tabel, anda dapat melakukan perbandingan sig dengan . sig (0.000) < � sehingga Ho ditolak. Hipotesi : model 2 Ho = Model linear antar variabel penjualan dengan variabel jumlah penjual dan harga tidak signifikan. H1 = Model linear antar variabel penjualan dengan variabel jumlah penjual dan harga signifikan.

F hitung (420.897) > F tabel (2;13;0.05) adalah 3.885, sehingga Ho ditolak, jadi model linear antara variabel penjualan dengan variabel jumlah penjual dan harga signifikan. Disamping menggunakan perbandingan F hitung dan F tabel, anda dapat melakukan perbandingan sig dengan . sig (0.000) < � sehingga Ho ditolak. Model 2 digunakan karena mencakup variabel independen yang lebih banyak disbanding model 1.

Tabel coefficient memaparkan nilai konstanta a dan koefisien b dari persamaan

linear Y = 79.006 + 11.116 b 2 – 0.493 b 3

Hipotesis uji koefisien a Ho = koefisien a tidak signifikan H1 = koefisien a signifikan t hitung mutlak (6.194) > t tabel (17;0.05) adalah 1.740, sehingga Ho ditolak. Koefisien a signifikan. Disamping menggunakan perbandingan t hitung dan t tabel, anda dapat melakukan perbandingan sig dengan . sig (0.000) < � sehingga Ho ditolak. Hipotesis uji koefisien b Ho = koefisien b tidak signifikan H1 = koefisien b signifikan

t hitung mutlak b 2 (26.128) dan b 3 (4.348) > t tabel (17;0.05) adalah 1.740, sehingga Ho ditolak. Koefisien b signifikan.

Tabel excluded variabels memaparkan variabel independen yang dilekuarkan dari model. Pada model 1, yang dilekuarkan adalah variabel promosi dan harga. Sedangkan pada model 2, yang dikeluarkan hanya promosi.

Statistik Non-Parametrik

Berbeda dengan statistic parametric yang memiliki asumsi sampel yang harus di pilih dari populasi yang dianggap atau diketahui memiliki distribusi normal, hal tersebut tidak berlaku pada uji non-parametrik. Uji ini tidak pernah merumuskan kondisi maupun asumsi populasi dari mana sampel dipilih. Oleh karena itu uji ini sering disebut statistic bebas distribusi. Uji non-parametrik lebih mudah dihitung dan dimengerti terutama karena datanya berupa urutan atau peringkat. Namum uji ini kurang akurat dan efisien bila dibangding dengan uji parametric.Uji non-parametrik dalam SPSS ada delapan yaitu, chi square, binomial, runs, one sample Kolmogorov-smirnov, two independent sample test, K independen samples test, two related samples dan K related samples. Namun untuk praktek SPSS pada modul ini yang akan di praktekkan hanya uji chi square.

Tabel X 2 Sebelum membahas uji non-parametrik, ada baiknya kita membahas tabel X 2 terlebih dahulu karena dalam uji hipotesis kita pasti melibatkan tabel tersebut.

Berikut cara membuat tabel X 2 :

 Buka file, folder sfile data pelajaran 4, file tabel chi square.sav.  Klik Transform => Computer Variable pada menu sehingga kotak dialog

compute variable muncul (lihat gambar 2.22)  Tulis chi pada kotak target variable.  Pada daftar drop down function group, pilih inserve DF sehingga kumpulan

fungsi idf muncul pada functions and special variables, kemudian klik idf. Chisq. masukkan fungsi tersebut pada kotak numeric expression dengan menekan tombol panah atas sehingga muncul tulisanIDF.CHISQ(?,?).

 Ganti tanda Tanya pertama dengan tingkat kepercayaan (0.95) dan ganti tanda Tanya kedua dengan variabel degree of freedom (hapus tanda Tanya

kedua, klik variable degree of freedom dan tekan tombol panah).  Klik OK sehingga tampilan data view bertambah satu kolom, yaitu chi.

Chi Square

Chi square digunakan untuk menguji perbedaan antara frekuensi pengamatan dan frekuensi yang diharapkan. Prosedut tes chi square mentabulasi variabel kedalam kategori – kategori dan melakukan tes hipotesis bahwa frekuensi yang diamati tidak berbeda dengan nilai yang diharapkan.

Contoh, sebuah perusahaan mengembangkan 7 varian jasa baru. Diharapkan ketujuh varian jasa tersebut memiliki tingkat penerimaan oleh masyarakat yang sama. Setelah setahun maka dilakukan pengamatan telah beberapa kali varian jasa tersebut digunakan masyarakat. Berikut langkah-langkah analisisnya :

 Klik Analyze => Nonparametric Test => Legacy Dialogs => Chi square pada menu sehingga kotak chi square test muncul.

Gambar 2.30 Kotak dialog Chi Square  Masukkan variabel jasa pada kotak test variable list, pilih get from data pada kotak expected range dan pilih all categories equal pada kotak

expected values.  Klik Ok sehingga output SPSS menampilkan hasil sebagai berikut :

Tabel frequencies jenis jasa memaparkan dua macam frekuensi, yaitu frekuensi pemakaian jasa tertentu dan frekuensi pemakaian jasa yang diharapkan. Sedangkan kolom residual merupakan selisih frekuensi pengamatan dengan frekuensi yang diharapkan.

Tabel test statistic memaparkan uji hipotesis. Hipotesis

Ho = frekuensi pengamatan dengan frekuensi yang diharapkan sama H1 = frekuensi pengamatan dengan frekuensi yang diharapkan tidak sama

Nilai X 2 hitung 37.405

X 2 hitung (37.405) > X 2 tabel (6;0.05) adalah 12.592, maka Ho ditolak. Jadi frekuensi pengamatan dengan frekuensi yang diharapakan tidak sama. Dengan kata lain, ada perbedaan minat pemakaian masing-masing jasa oleh masyarakat.

Disamping menggunakan perbandingan X 2 , hitung dengan X 2 tabel, anda dapat melakukan perbandingan asymp sig dengan �. asymp sig (0.000) < � (0.05), maka Ho ditolak. Anda dapat melakukan tes lebih lanjut, seperti membatasi pengamatan hanaya pada jasa 5, 6, dan 7. Anda juga dapat mengubah nilai harapan yang tadinya sama menjadi 40 % (model2), 30 % (model3) dan 30% (model4). Berikut ini langkah-langkahnya:

 Pada kotak dialog Chi Square, pada kotak Expected Range, masukan nilai 5 Lower dan 7 pada Upper, sedangkan pada kotak Expected Value, pilih

Values, masukkan nilai 40 dan klik tombol Add. Lakukan dengan cara yang sama untuk nilai 30 dan 30.

Gambar 2.31 Kotak dialog chi square lanjut

 Klik Ok sehingga output SPSS Viewer menampilkan hasil berikut:

X 2 hitung (7.993) > X 2 tabel (2; 0,05) adalah 5.991, sehingga Ho ditolak. Jadi frekuensi pengamatan pengamatan dengan frequensi yang di harapkan tetap tidak sama. Dengan kata lain, ada perbedaan jumlah pernjualan di antara ketiga waralaba.

Validitas & Reliabilitas

Kuesioner merupakan salah sati instrument penelitian untuk menggali informasi secara langsung. Informasi yang didapat dari kuesioner tersebut perlu di uji validitas dan reliabilitasnya. Uji validitas menunjukkan apakah kuesioner tersebut mampu mengukur apa yang harus diukur. Missal kuesioner untuk mengukur tingkat kepusan - apakah masing-masing pertanyaan mampu mengukur tingkat kepuasan yang dimaksud? Sedangkan uji reliabilitas menunjukkan konsistensi atas hasil ukuran walau digunakan untuk mengukur berkali-kali.

Uji validitas

Anda sebelumnya telah belajar bagimana melakukan analisis korelasi. Jadi sebenarnya uji validitas ini sangat mudah anda lakukan karena dasanya memakai analisis korelasi, khusunya pearson. Anda mengkorelasikan setiap pertanyaan pada kuesioner dengan nilai total pertanyaan-pertanyaan tersebut. Selanjutnya anda melihat nilai signifikansinya pada masing-masing korelasi. Apabila memiliki nilai signifikansi di bawah nilai alfa yang di persyaratkan maka instrument pertanyaan tersebut valid. Sebelumnya perlu anda amati instrumen pertanyaan yang memiliki multikolinearitas (antar pertanyaan memiliki korelasi tinggi) dan singualaritas ( antar pertanyaan memiliki korelasi sempurna) maupun yang memiliki korelasi yang sangat rendah. Hilangkan pertanyaan tersebut dalam kueisioner anda.

Contoh, anda mengukur tingkat kepuasan pelanggan akan produk baru yang diluncurkan perusahaan. Ada 15 pertanyaan untuk mengukur tingkat kepuasan tersebut, dan anda mengambil sampel sejumlah 100 pelanggan. Berikut ini langkah pengolahan datanya :

 Buka file data, folder file data pelajaran 5, file validitas&reliabitas.sav.  Klik Anlyze => Correlate => Bivariate pada menu sehingga kotak dialog

bivariate correlation muncul.

Gambar 2.32 Kotak dialog Bivariate Correlations  Masukkan semua variabel pertanyaan termasuk variabel total pada kotak

variabel  Cek pearson pada correlation coefficients dan cek flag significant correlationts  Klik ok sehingga output SPSS menampilkan hasil berikut :

Tabel ini merupakan sebagian output hasil analisis korelasi. Sekarang amati nilai korelasi antara variabel pertanyaan, apakah ada yang memiliki nilai korelasi yang sangat tinggi atau sebaliknya yang memiliki nilai korelasi yang sangat rendah. Perhatikan P15 memiliki nilai korelasi yang sangat tinggi dengan beberapa pertanyaan lain, P15-P5 korelasinya 0.897, P15-P9 korelasinya 0.835, dan P15-P11 korelasinya 0.803. hilangkan variabel P15 dari daftar pertanyaan kuesioner untuk menghilankan pengaruh multikolinearitas. Selanjutnya untuk validitas masing-masing pertanyaan, anda cepat melihat nilai signifikansi antara variabel total dengan variabel masing-masing pertanyaan. Nilai signifikansi korelasi variabel total dengan masing-masing variabel Tabel ini merupakan sebagian output hasil analisis korelasi. Sekarang amati nilai korelasi antara variabel pertanyaan, apakah ada yang memiliki nilai korelasi yang sangat tinggi atau sebaliknya yang memiliki nilai korelasi yang sangat rendah. Perhatikan P15 memiliki nilai korelasi yang sangat tinggi dengan beberapa pertanyaan lain, P15-P5 korelasinya 0.897, P15-P9 korelasinya 0.835, dan P15-P11 korelasinya 0.803. hilangkan variabel P15 dari daftar pertanyaan kuesioner untuk menghilankan pengaruh multikolinearitas. Selanjutnya untuk validitas masing-masing pertanyaan, anda cepat melihat nilai signifikansi antara variabel total dengan variabel masing-masing pertanyaan. Nilai signifikansi korelasi variabel total dengan masing-masing variabel

Uji Reliabilitas

Instrumen kuesioner anda harus andal (reliable). Andal berarti instrument tersebut menghasilkan ukuran yang konsisten apabila digunakan untuk mengukur berulangkali. Instrument kuesioner dinyatakan andal bila memiliki alpha cronbach > dari 0.6. Langkah untuk melakukan uji reliabilitas adalah sebagai berikut :

 Buka file data, folder file data pelajaran 5, file validitas&reliabitas.sav.  Klik Transform => Scale => reliability analysis pada menu sehingga kotak

dialog reliability analysis mucul.

Gambar 2.33 Kotak dialog reliability Analysis  Masukkan variabel dari pertanyaan1 sampai pertanyaan 14 pada kotak items. Sedangkan variabel pertanyaan 15 tidak dimasukkan untuk

mengurangi pengaruh multikolinearitas.  Klik statistic maka akan muncul kotak dialog reliability analysis statistics.

Gambar 2.34 Kotak dialog reliability analysis:statistic  Pada kotak descriptive for, cek scale if item deleted  Klik continue sehingga kembali kekotak dialog reliability analysis

 Klik OK

Nilai Alpha cronbach instrument kueisioner adalah 0.957. Nilai tersebut lebih besar dari yang di persyaratkan (0.6) untuk melihat pengaruh penghilangan salah satu variabel pertanyaan terhadap nilai alpha cronbach dapat anda lihat pada tabel item- total statistics.

Sebagai contoh, misalnya pertanyaan2 dihilangkan dalam instrument kuesioner maka nilai alpha cronbanchnya menjadi 0.958.