BAHAN AJAR PRAKTIKUM SPSS 21.0
BAHAN AJAR
PRAKTIKUM SPSS 21.0
Oleh :
Amin Tohari, M.Si.
FAKULTAS EKONOMI
UNIVERVITAS NUSANTARA PGRI
KEDIRI
(2)
1 | P r a k t i k u m S P S S 2 1 . 0
KATA PENGANTAR
Syukur Alhamdulillah mari kita panjatkan kehadirat Allah SWT yang telah memberikan limpahan rahmat sehingga penulis dapat menyelesaikan bahan ajar praktikum SPSS 21.0 ini.
Bahan ajar praktikum SPSS 21.0 ini diselesaikan untuk memberikan panduan belajar bagaimana mengaplikasikan alat analisis statistika dalam rangka menghadapi seminar dan tugas akhir/skripsi. Bahan ajar ini memuat tentang analisis data deskriptif, uji beda dan regresi linier dengan langkah-langkah yang mudah untuk dipahami.
Kami menyadari bahwa bahan ajar praktikum SPSS 21.0 ini masih jauh dari kesempurnaan. Untuk itu, kritik dan saran yang membangun sangat diharapkan demi kesempurnaan bahan ajar ini. Dalam menyusun bahan ajar ini, penulis memperoleh banyak bantuan dari berbagai pihak, baik secara langsung maupun tidak langsung, untuk itu pada kesempatan ini penulis mengucapkan terima kasih kepada semuah pihak yang telah membantu penyelesaian bahan ajar ini.
Semoga bahan ajar ini dapat bermanfaat bagi para pembaca dalam rangka memberikan tambahan pengetahuan, dan wawasan mengenai salah satu software
dalam statistika yaitu SPSS 21.0.
Kediri, Februari 2015
(3)
2 | P r a k t i k u m S P S S 2 1 . 0
DAFTAR ISI
KATA PENGANTAR ... 1
DAFTAR ISI ... 2
DAFTAR TABEL ... 3
DAFTAR GAMBAR ... 4
BAB 1 PENDAHULUAN ... 6
1.1. Data Penelitian... 6
1.2. Konsep Dasar Penelitian ... 7
BAB 2 PENGENALAN SPSS ... 10
2.1. Membuka File Baru ... 10
2.2. SPSS Data Editor ... 11
BAB 3 ANALISIS DESKRIPTIF ... 18
BAB 4 UJI VALIDITAS DAN RELIABILITAS ... 21
4.1. Uji Validitas Instrumen ... 21
4.2. Uji Reliabilitas ... 27
BAB 5 UJI BEDA ... 29
5.1. Independent Sample t-test ... 29
5.2. Paired Sample t-test ... 32
BAB 6 ANALISIS REGRESI LINIER ... 36
6.1. Pengertian Regresi ... 36
6.2. Pemahaman Regresi ... 37
6.3. Asumsi Klasik Regresi Linier ... 37
6.4. Studi Kasus ... 39
(4)
3 | P r a k t i k u m S P S S 2 1 . 0
DAFTAR TABEL
Tabel 4.1. Tabulasi Data Variabel Motivasi ... 21
Tabel 5.1. Data Kinerja Karyawan Menurut Jenis Kelamin ... 29
Tabel 5.2. Data Harga Saham sebelum dan sesudah stock split ... 33
Tabel 6.1. Kriteria Pengambilan Keputusan ... 39
Tabel 6.2. Data Motivasi, Budaya Inovasi dan Kinerja Karyawan PT. X ... 40
(5)
4 | P r a k t i k u m S P S S 2 1 . 0
DAFTAR GAMBAR
Gambar 2.1. Memulai SPSS 21.0 ... 10
Gambar 2.2. Loading SPSS 21.0 ... 11
Gambar 2.3. Sheet Data Editor ... 11
Gambar 2.4. Sheet variable view ... 12
Gambar 2.5. Tampilan output ... 12
Gambar 2.6. Tipe Data ... 14
Gambar 2.7. Kotak dialog value labels ... 15
Gambar 2.8. Tampilan Data View ... 15
Gambar 2.9. Tampilan va riable view ... 16
Gambar 2.10. Menu untuk menyimpan file ... 16
Gambar 2.11. Pilihan directory untuk menyimpan file ... 17
Gambar 2.12. Cara Membuka File ... 17
Gambar 3.1. Analisis deskriptif ... 18
Gambar 3.2. Kotak dialog deskriptif ... 18
Gambar 3.3. Analisis Frekuensi ... 19
Gambar 3.4. Kotak dialog frekuensi ... 20
Gambar 4.1. Uji Validitas dengan bivariate correlations ... 22
Gambar 4.3. Syntax Uji Validitas dengan biva riate correlations... 24
Gambar 4.4. Uji validitas dengan corrected item total correlation ... 25
Gambar 4.5. Kotak dialog uji validitas dengan corrected item ... 25
Gambar 4.6. Kotak dialog Scale if item deleted ... 26
Gambar 4.7. Uji Reliabilitas ... 27
Gambar 4.5. Kotak dialog uji reliabilitas ... 27
(6)
5 | P r a k t i k u m S P S S 2 1 . 0
Gambar 5.2. Kotak dialog independent sample t-test ... 31
Gambar 5.4. Uji paired sample t-test ... 33
Gambar 5.5. Kotak dialog paired sample t-test ... 34
Gambar 6.1. Analisis regresi linier ... 41
Gambar 6.2. Kotak dialog variabel yang dimasukkan ... 42
Gambar 6.3. Kotak dialog uji multikolinieritas dan autokorelasi ... 42
Gambar 6.4. Kotak dialog uji heteroskedastisitas dan normalitas ... 43
Gambar 6.5. Menu transformasi variabel ... 58
Gambar 6.6. Kotak dialog compute variable ... 58
Gambar 6.7. Kotak dialog target variable ... 59
(7)
6 | P r a k t i k u m S P S S 2 1 . 0
BAB 1 PENDAHULUAN
Statistical package for the social sciences (SPSS) merupakan salah satu
software berbasis windows yang digunakan untuk menyelesaikan berbagai permasalahan pengolahan data dalam statistika. SPSS merupakan softwa re statistics yang sangat familiar, sehingga diharapkan penguasaan SPSS dapat memberikan kemudahan dan ketepatan dalam mengolah data.
Banyak fenomena dalam bidang ekonomi, industri, pertanian, dan bidang-bidang lain yang tidak terlepas dari kegiatan statistika, karena statistika sangat berperan dalam pengambilan, pengolahan, penyajian data dan pengujian hipotesis sehingga didapatkan kesimpulan sebagai informasi dan penentu kebijakan bagi perusahaan atau organisasi tersebut. Pada proses pengolahan data banyak metode dalam statistika yang dapat digunakan, tergantung pada tujuan dan jenis data yang digunakan. Pemilihan metode atau alat analisis yang tidak tepat akan memberikan kesimpulan yang tidak tepat juga, untuk itu dalam bab pendahuluan ini, terlebih dahulu diperlukan pemahaman tentang pengelompokan data dan konsep dasar penelitian.
1.1. Data Penelitian
Berdasarkan jenisnya, data dapat diklasifikasikan menjadi data kuantitatif (metrik) dan data kualitatif (non metrik) dengan penjelasan sebagai berikut : - Data kuantitatif (metrik) adalah data yang dapat dikuantifikasikan dan
dipaparkan dalam bentuk angka-angka. Misalnya adalah jumlah pembeli saat hari raya idul adha, tinggi badan mahasiswa, umur anda, kecepatan kendaraan, dan lain-lain
- Data kualitatif (non metrik) adalah data yang disajikan dalam bentuk kata-kata yang mengandung makna atau merupakan kualitas. Contohnya seperti persepsi konsumen terhadap botol air minum dalam kemasan, anggapan para ahli terhadap inflasi 2014, merek mobil, jenis kelamin, dan lain-lain
Sedangkan menurut skala pengukurannya data dapat dibedakan menjadi data nominal, ordinal, interval dan rasio dengan penjelasan sebagai berikut :
(8)
7 | P r a k t i k u m S P S S 2 1 . 0
- Data nominal merupakan data dengan skala level paling rendah, umumnya digunakan untuk data yang hanya bisa diklasifikasikan ke dalam beberapa kategori dengan ciri utama tidak ada urutan dalam pengelompokannya dan kategori yang dibuat saling lepas (mutually exlusive). Contoh : jenis kelamin, agama, pekerjaan, dan lain-lain.
- Data ordinal merupakan skala data yang sudah memiliki urutan atau tingkatan dari kategori yang dibuat, dimana masih belum dapat ditentukan jarak dari urutan yang ada. Contoh : kategori “istimewa” lebih tinggi dari kategori “baik”. - Data interval merupakan skala data yang selain memiliki urutan dari kategori
yang dibuat, juga memiliki jarak atau interval antar nilai yang tetap. Akan tetapi jarak yang ada masih belum dapat dibandingkan. Contoh : suhu, IPK mahasiswa, dan lain-lain.
- Data rasio merupakan level tertinggi dari skala data, selain memiliki sifat nominal, ordinal dan interval, pada skala rasio jarak yang ada dapat dibandingkan. Contoh : berat badan, pendapatan, usia, dan lain-lain.
1.2. Konsep Dasar Penelitian
Hal-hal yang harus diperhatikan dalam setiap penelitian dilihat dari sudut pandang statistika adalah sebagai berikut :
1. Rumusan masalah, setelah mengetahui latar belakang maka akan muncul hal-hal yang menjadi masalah dalam penelitian, dimana biasanya merupakan kalimat tanya. Contoh :
- Apakah terdapat pengaruh yang signifikan PER dan ROI terhadap Harga Saham
- Apakah terdapat pengaruh yang signifikan motivasi dan budaya inovasi terhadap kinerja karyawan
- Apakah terdapat perbedaan yang signifikan antara Harga Saham sebelum dan Setelah pengumuman dividen
- Apakah terdapat perbedaan yang signifikan antara kinerja karyawan pria dan kinerja karyawan wanita
2. Tujuan penelitian merupaka hal-hal yang menjadi tujuan dari penelitian, biasanya merupakan implementasi dari rumusan masalah. Contoh :
(9)
8 | P r a k t i k u m S P S S 2 1 . 0
- Untuk mengetahui pengaruh yang signifikan PER dan ROI terhadap Harga Saham
- Untuk mengetahui pengaruh yang signifikan motivasi dan budaya inovasi terhadap kinerja karyawan
- Untuk mengetahui adanya perbedaan yang signifikan antara Harga Saham sebelum dan Setelah pengumuman dividen
- Untuk mengetahui perbedaan yang signifikan antara kinerja karyawan pria dan kinerja karyawan wanita
3. Hipotesis merupakan jawaban sementara terhadap rumusan masalah penelitian. Pada bab 2 terakhir biasanya ada hipotesis penelitian, ada juga hipotesis statistik yang biasanya ada di bab 3 dalam sub bab analisis data dan dicirikan oleh H0 dan Ha. Jenis hipotesis ada 3, yaitu :
o Hipotesis deskriptif merupakan dugaan tentang variabel mandiri, tidak
membandingkan atau menghubungkan (contoh : Diduga mesin produksi PT. X memiliki kecepatan rata-rata 300 km/jam)
o Hipotesis komparatif merupakan dugaan nilai dalam satu variabel atau lebih
pada sampel yang berbeda.Contoh :
a. Diduga terdapat perbedaan yang signifikan antara Harga Saham sebelum dan Setelah pengumuman dividen
b. Diduga terdapat perbedaan yang signifikan antara kinerja karyawan pria dan kinerja karyawan wanita
o Hipotesis asosiatif merupakan dugaan tentang hubungan antara dua variabel
atau lebih. Misal hubungan sebab akibat (pengaruh) dengan contoh hipotesis penelitian:
a. Diduga terdapat pengaruh yang signifikan PER dan ROI terhadap Harga Saham
b. Diduga terdapat pengaruh yang signifikan motivasi dan budaya inovasi terhadap kinerja karyawan
4. Analisis data merupakan metode statistik yang digunakan untuk mengolah data yang bergantung pada tujuan dan hipotesis penelitian
- Jika hipotesisnya termasuk deskriptif maka analisis datanya adalah analisis deskriptif (rata-rata, standart deviasi saja)
(10)
9 | P r a k t i k u m S P S S 2 1 . 0
- Jika hipotesisnya termasuk komparatif maka analisis datanya adalah uji beda (bisa independent sample t-test atau paired sample t-test yang bergantung pada permasalahannya)
- Jika hipotesisnya termasuk asosiatif (hubungan sebab akibat/pengaruh) maka analisis datanya adalah regresi linier
5. Signifikan merupakan istilah yang dapat dipahami sebagai meyakinkan atau berarti, dalam penelitian mengandung arti bahwa hipotesis yang telah terbukti pada sampel dapat diberlakukan pada populasi.
6. Signifikansi, dalam penelitian sering disebut dengan α (alfa), secara statistik sering disebut dengan kesalahan tipe I (menolak H0 padahal H0 benar). Dengan
kata lain dapat diartikan sebagai tingkat kesalahan yang ditentukan sebelum melakukan penelitian
- Tingkat signifikansi 5%, artinya kita mengambil resiko salah dalam mengambil keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya adalah 5% dan benar dalam mengambil keputusan sedikitnya 95% (tingkat kepercayaan).
- Tingkat signifikansi 5%, 1% atau 10% ditentukan sendiri oleh peneliti akan tetapi semakin kecil tingkat signifikansi berarti semakin sedikit tingkat kesalahan yang diambil. Pada penelitian-penelitian bidang sosial tingkat signifikansi 5% sering digunakan
7. Probabilitas (p-value) merupakan peluang munculnya kejadian atau tingkat kesalahan yang dihasilkan dari hasil penelitian. Pada output SPSS muncul dengan sig., dalam software lain misalnya Minitab, Eiews dan AMOS muncul dengan simbul p.
8. Degrees of freedom (df) merupakan derajat ketergantungan banyaknya observasi (n) dan banyak variabel bebas. DF digunakan untuk menentukan nilai kritis (table)
(11)
10 | P r a k t i k u m S P S S 2 1 . 0
BAB 2
PENGENALAN SPSS
1.1. Membuka File Baru
Untuk membuat file baru dapat dilakukan dengan mengaktifkan SPSS 21.0 dengan cara sebagai berikut :
Klik Start All Program IBM SPSS Statistics IBM SPSS Statistics 21
Gambar 2.1. Memulai SPSS 21.0 Sehingga akan muncul tampilan sebagai berikut :
(12)
11 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.2. Loading SPSS 21.0
1.2. SPSS Data Editor
a. Tampilan Spread Sheet
1. Sheet Data View
Sheet ini berfungsi untuk lembar input data atau menampilkan data base hasil penelitian yang akan diolah atau dianalisis dengan program SPSS. Pada data view ditampilkan kolom-kolom disertai nama-nama variable
yang disingkat dengan “var”.
(13)
12 | P r a k t i k u m S P S S 2 1 . 0
2. Sheet Variabel View
Sheet ini difungsikan untuk mengidentifikasi jenis data yang diinputkan. Pada variable view ditampilkan nama variabel, tipe data, lebar kolom, penggunaan desimal, label, macam data (nominal, skala, ordinal), alignment
Gambar 2.4. Sheet variable view
b. Tampilan Output
Tampilan output merupakan tempat hasil proses analisis dari SPSS. Dalam output akan ditampilkan hasil olahan berupa table atau gambar
(14)
13 | P r a k t i k u m S P S S 2 1 . 0 c. Mendefinisikan Varibel
1. Aturan pemberian nama variable
Biasanya dilambangkan saja (misalnya X1, X2, Y dst) atau ditulis semua kata dalam variable (misalnya berat_badan, ROA, CR, dll)
Karakter pertama harus huruf, karakter selanjutnya boleh angka, huruf, symbol dan tidak boleh menggunakan karakter tanda seru, tanda tanya, koma, bintang dan spasi.
Tidak boleh diakhiri dengan tanda titik
Tidak boleh sama dengan variable lain
Tidak membedakan huruf besar dan kecil
Tidak boleh menggunakan kata-kata : ALL, AND, BY, EQ, NE, NOT, OR, TO dan AND.
2. Tipe data
Numeric : tipe data yang termasuk angka dengan tanda plus dan
minus di depan angka, serta indikator desimal
Comma : tipe data yang termasuk angka dengan tanda plus dan
minus di depan angka, indikator desimal serta pemisah ribuan berupa koma.
Dot : sama saja dengan comma, akan tetapi pemisah ribuan berupa titik
Scientific Notation : tipe ini menggunakan lambang atau notasi
ilmiah seperti log, alfa dan lain sebagainya
Date : tipe ini menampilkan data dengan format tanggal dan waktu
Dollar : tipe ini menampilkan tanda $
Custom Currency : tipe ini digunakan untuk menampilkan format
mata uang seperti Rp.
String : tipe ini digunakan untuk menampilkan huruf dan karakter
(15)
14 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.6. Tipe Data
3. Label
Kolom label merupakan kolom yang berisi label dari nama variable
yang telah didefinisikan. Misal name “X1” pada kolom label di beri nama “laba bersih”, missal name “X2” pada kolom label di beri nama
“loyalitas pelanggan”. 4. Values
Values digunakan apabila data yang diperoleh merupakan tipe data nominal, misalnya jenis kelamin (laki-laki dan perempuan), jenis pekerjaan (Petani, Pedagang, PNS, Mahasiswa) serta tipe data ordinal (rangking), misalnya rendah, sedang dan tinggi. Cara memasukkan sebagai berikut :
- Ketik angka pada kotak Value
- Ketik karakter pada kotak Label
(16)
15 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.7. Kotak dialog value labels d. Mengisi Data
Contoh :
Gambar 2.8. Tampilan Data View
Cara Mengisi :
Klik Variable view lalu ketik nama variable-variabel yang akan diolah
datanya. Untuk contoh di atas yaitu : nama, jenis kelamin, jabatan, umur, masa kerja dan gaji
Pada kolom Type klik cell maka akan muncul gambar 5, diisi sesuai dengan nama variable yang akan dimasukkan
Pada kolom Label beri keterangan masing-masing variable
Kolom Values khususnya untuk variable jenis kelamin dan jabatan diisi dengan cara klik cell maka akan muncul gambar 6
(17)
16 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.9. Tampilan va riable view e. Menyimpan File
1. Klik menu FILE
Gambar 2.10. Menu untuk menyimpan file
2. Pilih SAVE AS
(18)
17 | P r a k t i k u m S P S S 2 1 . 0
Gambar 2.11. Pilihan directory untuk menyimpan file
4. Misal beri nama DATA 1 untuk file data atau Output 1 untuk file output
f. Membuka Data
Untuk membuka data/output yang sudah tersimpan langkahnya sebagai berikut:
1. Klik menu FILE
2. Pilih OPEN
3. Pilih DATA/OUTPUT
Gambar 2.12. Cara Membuka File
Untuk membuka data/output yang telah tersimpan dapat juga langsung klik 2 kali nama file yang telah tersimpan.
(19)
18 | P r a k t i k u m S P S S 2 1 . 0
BAB 3
ANALISIS DESKRIPTIF
Statistik deskriptif lebih berhubungan dengan pengumpulan dan peringkasan data, serta penyajian hasil ringkasan data yang berfungsi menggambarkan data yang digunakan. Berikut adalah contoh analisis deskriptif dengan data yang ada pada gambar 2.8 di atas.
Langkah analisis
a. Klik Analyze Descriptive statistics descriptive.
Gambar 3.1. Analisis deskriptif Maka akan muncul kotak dialog sebagai berikut :
(20)
19 | P r a k t i k u m S P S S 2 1 . 0 Output Deskriptif
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Umur Karyawan 5 25,00 45,00 36,2000 8,40833
Masa Kerja 5 3,00 10,00 6,4000 3,04959
Gaji Karyawan 5 900000,00 2500000,00 1640000,0000 622896,46010 Valid N (listwise) 5
- N Menunjukkan banyaknya data
- Minimum Menunjukkan nilai minimal dari masing-masing variable yang diuji
- Maximum Menunjukkan nilai maksimal dari masing-masing variable yang diuji
- Mean Menunjukkan nilai rata-rata hitung dari masing-masing variabel yang diuji
-
Std. Deviation Menunjukkan ukuran penyimpangan masing-masing data terhadap rata-ratanya, semakin besar std. deviasi berarti data semakin bervariasi dan sebaliknya semakin kecil std. deviasi menunjukkan semakin homogen datab. Klik Analyze Descriptive statistics Frequencies
Gambar 3.3. Analisis Frekuensi Maka akan muncul dialog box sebagai berikut :
(21)
20 | P r a k t i k u m S P S S 2 1 . 0
Gambar 3.4. Kotak dialog frekuensi Kemudian klik OK
Output Frekuensi
Jenis Kalamin
Frequency Percent Valid Percent Cumulative Percent
Valid Laki-laki 3 60,0 60,0 60,0
Perempuan 2 40,0 40,0 100,0
Total 5 100,0 100,0
Jabatan Karyawan
Frequency Percent Valid Percent Cumulative Percent
Valid Direksi 2 40,0 40,0 40,0
Manajer 1 20,0 20,0 60,0
Supervisor 1 20,0 20,0 80,0
Staf admin 1 20,0 20,0 100,0
Total 5 100,0 100,0
- Frequency menunjukkan jumlah (misal laki-laki sebanyak 3 orang dan perempuan sebanyak 2 orang)
- Percent menunjukkan prosentase (misal 60% adalah laki-laki dan 40% adalah perempuan)
- Valid percent menunjukkan prosentase untuk data yang terisi (=percent jika tidak ada missing data/data hilang)
(22)
21 | P r a k t i k u m S P S S 2 1 . 0
BAB 4
UJI VALIDITAS DAN RELIABILITAS
Uji validitas dan reliabilitas dilakukan untuk penelitian yang menggunakan kuesioner dengan skala pengukuran interval dan merupakan jawaban dari responden berupa persepsi. Sehingga jika data yang digunakan adalah data-data skunder (misalnya data dari Bursa Efek, atau data dari laporan keuangan) tidak perlu uji validitas dan reliabilitas.
4.1. Uji Validitas Instrumen
Validitas merupakan ketepatan alat ukur (instrumen) terhadap apa yang akan diukur. Untuk memahaminya, misalnya alat ukur meteran tentunya digunakan untuk mengukur panjang bukan digunakan untuk mengukur berat. Pengujian validitas dilakukan dengan mengkorelasikan masing-masing item dengan total skor. Terdapat 2 cara korelasi yang dilakukan dalam validitas yaitu korelasi
bivariate pearson dan corrected item-total correlation. Misalkan peneliti mengumpulkan data kepada 30 responden dengan menyebarkan angket yang terdiri dari 5 pertanyaan untuk variabel motivasi, dan diperoleh hasil sebagai berikut : Tabel 4.1. Tabulasi Data Variabel Motivasi
No x1.1 x1.2 x1.3 x1.4 x1.5 X1 No x1.1 x1.2 x1.3 x1.4 x1.5 X1
1 4 3 3 3 3 16 16 3 3 3 4 3 16 2 4 4 3 3 3 17 17 3 3 3 3 4 16 3 4 3 3 4 3 17 18 4 4 3 3 3 17 4 4 4 3 3 3 17 19 4 4 3 3 3 17 5 4 4 3 3 3 17 20 5 4 4 4 4 21 6 3 2 3 3 3 14 21 4 4 4 4 3 19 7 4 4 4 4 4 20 22 4 4 4 4 3 19 8 4 4 3 4 4 19 23 4 4 3 3 3 17 9 3 4 4 3 4 18 24 3 4 4 4 4 19 10 4 4 4 4 4 20 25 4 4 4 4 4 20 11 3 4 3 3 3 16 26 4 4 4 4 4 20 12 4 4 4 4 4 20 27 4 3 3 4 3 17 13 4 4 3 4 3 18 28 4 3 3 3 4 17 14 3 3 3 3 3 15 29 4 3 4 4 4 19 15 4 4 4 4 4 20 30 3 3 4 3 3 16
(23)
22 | P r a k t i k u m S P S S 2 1 . 0 a. Bivariate Pearson
1. Pilih menu ANALYZE, pilih CORRELATE, pilih BIVARIATE
Gambar 4.1. Uji Validitas dengan bivariate correlations
2. Masukkan x1.1, x1.2, x1.3, x1.4, x1.5 dan x1 ke kotak VARIABLES,
Gambar 4.2. Kotak dialog bivariate correlations
(24)
23 | P r a k t i k u m S P S S 2 1 . 0
Hasil pada jendela output adalah sebagai berikut:
Correlations
x1.1 x1.2 x1.3 x1.4 x1.5 Motivasi
x1.1 Pearson Correlation 1 ,422* ,140 ,369* ,140 ,603**
Sig. (2-tailed) ,020 ,460 ,045 ,460 ,000
N 30 30 30 30 30 30
x1.2 Pearson Correlation ,422* 1 ,340 ,228 ,217 ,659**
Sig. (2-tailed) ,020 ,066 ,225 ,249 ,000
N 30 30 30 30 30 30
x1.3 Pearson Correlation ,140 ,340 1 ,548** ,593** ,758**
Sig. (2-tailed) ,460 ,066 ,002 ,001 ,000
N 30 30 30 30 30 30
x1.4 Pearson Correlation ,369* ,228 ,548** 1 ,413* ,737**
Sig. (2-tailed) ,045 ,225 ,002 ,023 ,000
N 30 30 30 30 30 30
x1.5 Pearson Correlation ,140 ,217 ,593** ,413* 1 ,681**
Sig. (2-tailed) ,460 ,249 ,001 ,023 ,000
N 30 30 30 30 30 30
Motivasi Pearson Correlation ,603** ,659** ,758** ,737** ,681** 1
Sig. (2-tailed) ,000 ,000 ,000 ,000 ,000
N 30 30 30 30 30 30
*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).
Pada hasil dengan bentuk seperti ini, sebenarnya ada beberapa hasil yang tidak perlu. Bagian yang diperlukan hanya korelasi x1.1 dengan X1, x1.2 dengan X1,
x1.3 dengan X1, x1.4 dengan X1 dan x1.5 dengan X1. Untuk mendapatkan hasil
yang dimaksud lakukan langkah-langkah berikut:
1. Masuk ke window data, pilih menu ANALYZE, pilih CORRELATE, pilih
BIVARIATE
2. Klik PASTE, maka Anda akan mendapatkan window SYNTAX. Sisipkan kata
(25)
24 | P r a k t i k u m S P S S 2 1 . 0
Gambar 4.3. Syntax Uji Validitas dengan biva riate correlations
Pilih menu RUN, pilih CURRENT. Lihat perbedaan hasil outputnya.
Correlations
Motivasi
x1.1 Pearson Correlation ,603**
Sig. (2-tailed) ,000
N 30
x1.2 Pearson Correlation ,659**
Sig. (2-tailed) ,000
N 30
x1.3 Pearson Correlation ,758**
Sig. (2-tailed) ,000
N 30
x1.4 Pearson Correlation ,737**
Sig. (2-tailed) ,000
N 30
x1.5 Pearson Correlation ,681**
Sig. (2-tailed) ,000
N 30
**. Correlation is significant at the 0.01 level (2-tailed).
- Dari hasil analisis didapat nilai skor item dengan skor total. Nilai ini kemudian dibandingkan dengan dengan nilai r table, jika hasil korelasi
(pearson correlation) > r table dikatakan valid dan sebaliknya jika jika
hasil korelasi (pearson correlation) < r table dikatakan tidak valid - r table dicari pada tingkat signifikansi 5% dan n=30 didapatkan r table
(26)
25 | P r a k t i k u m S P S S 2 1 . 0
- Maka dapat disimpulkan bahwa semua item telah valid karena memiliki pearson correlation (r hitung) yang lebih besar dari r table
b. Corrected Item-Total Correlation
Konsep yang digunakan dalam uji ini tetap korelasi antar item dengan skor total, akan tetapi skor totalnya terkoreksi dengan item yang diuji.
Langkah pengujian
1. Pilih menu ANALYZE, pilih SCALE, pilih RELIABILITY
ANALYSIS
Gambar 4.4. Uji validitas dengan corrected item total correlation 2. Masukkan x1.1, x1.2, x1.3, x1.4 dan x1.5 ke kotak ITEMS
(27)
26 | P r a k t i k u m S P S S 2 1 . 0
3. Klik STATISTICS, Pada descriptive for centang SCALE IF ITEM
DELETED
Gambar 4.6. Kotak dialog Scale if item deleted
4. Klik CONTINUE, OK
Item-Total Statistics
Scale Mean if Item Deleted
Scale Variance if Item Deleted
Corrected Item-Total Correlation
Cronbach's Alpha if Item Deleted
x1.1 14,03 2,309 ,371 ,713
x1.2 14,17 2,144 ,416 ,699
x1.3 14,37 2,033 ,587 ,629
x1.4 14,27 2,064 ,555 ,641
x1.5 14,37 2,171 ,475 ,673
Hasil validitas dengan corrected item-total correlation dilihat pada kolom
corrected item-total correlation. Jika nilai corrected > r table maka valid dan sebaliknya jika nilai corrected < r table maka tidak valid. Dapat dilihat bahwa nilai corrected item-total correlation untuk semua item adalah lebih besar dari r table (n=30) yaitu 0,361.
(28)
27 | P r a k t i k u m S P S S 2 1 . 0 4.2. Uji Reliabilitas
Reliabilitas merupakan kekonsistenan alat ukur, artinya alat ukur (instrument) digunakan berulang-ulang dapat dihandalkan. Pengertian lain dari reliabilitas adalah internal consistency atau kekonsistenan dari persepsi responden pada masing-masing item dalam satu variabel. Pengujian reliabilitas dilakukan dengan melihat alpha Cronbach. Dengan menggunakan contoh yang sama pada uji validitas di atas maka langkah-langkah pengujian reliabilitas adalah sebagai berikut:
1. Pilih menu ANALYZE, pilih SCALE, pilih RELIABILITY ANALYSIS
Gambar 4.7. Uji Reliabilitas 2. Masukkan x1.1, x1.2, x1.3, x1.4 dan x1.5 ke kotak ITEMS
(29)
28 | P r a k t i k u m S P S S 2 1 . 0
3. Klik OK
Reliability Statistics
Cronbach's Alpha N of Items
,720 5
Kriteria yang digunakan adalah :
- Menurut Singgih Santoso dikatakan reliable jika nilai cronbach’s alpha lebih
besar r table
- Menurut Nunally dalam Imam Ghozali dikatakan reliable jika nilai cronbach’s alpha lebih besar dari 0,6. (sering digunakan dalam penelitian-penelitian)
Tabel di atas menunjukkan bahwa besarnya koefisien alpha cronbach pada variabel motivasi lebih besar dari 0.6, dengan demikian kuisioner mengenai variabel motivasi dinyatakan reliabel.
(30)
29 | P r a k t i k u m S P S S 2 1 . 0
BAB 5
UJI BEDA RATA-RATA
Uji beda dilakukan jika suatu penelitian memiliki tujuan membandingkan antar kelompok sampel, ada banyak macam uji beda bergantung pada permasalahannya, akan tetapi dalam kasus Ekonomi yang sering digunakan adalah
INDEPENDENT SAMPLE t-TEST (Uji beda yang saling lepas/bebas) dan PAIRED SAMPLE t-TEST (Uji beda yang saling berhubungan).
5.1. Independent Sample t-test
Uji beda yang saling lepas/bebas ini merupakan pengujian dengan objek yang memiliki perlakuan atau pengukuran yang sama dari dua subyek yang berbeda. Penelitian yang dapat diuji independent sample t-test misalnya penelitian yang memiliki tujuan untuk mengetahui perbedaan Harga Saham dari kelompok perusahaan dengan auditor big five dan perusahaan dengan auditor non big five, untuk mengetahui perbedaan Kinerja karyawan laki-laki dan karyawan perempuan. Bagaimana langkah-langkah uji beda dalam SPSS? berikut ini contoh kasus dalam bidang manajemen : Seorang peneliti ingin mengetahui perbedaan antara Kinerja Karyawan dari kelompok karyawan laki-laki dan perempuan. Misal data diperoleh sebagai berikut :
Tabel 5.1. Data Kinerja Karyawan Menurut Jenis Kelamin
Kinerja Sex
15 1
20 1
20 1
20 1
20 1
15 1
20 1
15 1
17 1
20 1
15 1
20 1
18 1
(31)
30 | P r a k t i k u m S P S S 2 1 . 0
Kinerja Sex
19 1
18 1
20 1
20 1
17 1
20 1
20 2
20 2
20 2
20 2
20 2
20 2
17 2
20 2
17 2
15 2
Sumber : Data Simulasi
Keterangan : pada kolom sex, 1 = kelompok karyawan laki-laki; 2 = kelompok karyawan perempuan
Langkah-langkah dalam SPSS
Klik Analyze Compare Means Independent Samples T Test…
Gambar 5.1. Uji independent sample t-test
Masukkan variable Harga Saham ke Test Variable dan perlakuan ke
(32)
31 | P r a k t i k u m S P S S 2 1 . 0
Gambar 5.2. Kotak dialog independent sample t-test
Klik Define Group lalu isi kotak Edit Group 1 dengan angka 1 dan kotak Edit
Group 2 dengan angka 2.
Gambar 5.3. Kotak dialog define groups
Klik Continue OK
Output SPSS
Group Statistics
Jenis Kelamin N Mean Std. Deviation Std. Error Mean
Kinerja Karyawan Laki-laki 20 18,20 2,142 ,479
(33)
32 | P r a k t i k u m S P S S 2 1 . 0
Independent Samples Test
Levene's Test for Equality of
Variances t-test for Equality of Means
F Sig. t df
Sig. (2-tailed) Mean Difference Std. Error Difference
95% Confidence Interval of the Difference
Lower Upper
Kinerja Karyawa n
Equal variances assumed
,911 ,348 -,880 28 ,386 -,700 ,795 -2,329 ,929
Equal variances not assumed
-,925 20,676 ,366 -,700 ,757 -2,275 ,875
Uji Hipotesis
a. H0 : μ1 = μ2, tidak ada perbedaan kinerja karyawan dari kelompok karyawan
laki-laki dan kelompok karyawan perempuan
Ha : μ1 ≠ μ2, ada perbedaan kinerja karyawan dari kelompok karyawan
laki-laki dan kelompok karyawan perempuan b. Tingkat signifikansi (α) = 0,05
c. Kriteria Pengujian
Sig. < 0,05 Tolak H0 dan sig. > 0,05 gagal tolak H0
d. P-value (sig.) yang dihasilkan adalah 0,386
e. Kesimpulan
Karena p-value (sig.) > 0,05 maka gagal tolak H0 sehingga dapat disimpulkan
bahwa tidak ada perbedaan yang signifikan kinerja karyawan dari kelompok karyawan laki-laki dan kelompok karyawan perempuan
5.2. Paired Sample t-test
Uji beda yang saling berhubungan ini merupakan pengujian yang dilakukan dengan subjek yang sama namun mengalami dua perlakuan atau pengukuran yang berbeda, seringkali dicirikan oleh kata-kata sebelum dan sesudah. Penelitian yang dapat diuji dependent sample t-test misalnya penelitian yang memiliki tujuan untuk mengetahui perbedaan Harga Saham sebelum dan sesudah stock split, untuk
(34)
33 | P r a k t i k u m S P S S 2 1 . 0
mengetahui perbedaan Kinerja karyawan sebelum dan sesudah dilakukan pendidikan dan pelatihan (Diklat).
Bagaimana langkah-langkah uji dependent sample t-test dalam SPSS? berikut ini contoh kasus dalam bidang akuntansi : Seorang peneliti ingin mengetahui perbedaan harga saham sebelum dan sesudah stock split. Data yang dihasilkan adalah sebagai berikut :
Tabel 5.2. Data Harga Saham sebelum dan sesudah stock split
Sebelum
Stock Split
Sesudah
Stock Split
8000 10000
8250 10600
7600 9450
8300 10900
7500 9270
8950 12800
8200 10200
9000 13000
8750 11430
6500 9000
Sumber : Data simulasi Langkah-langkah dalam SPSS
Klik Analyze Compare Means Paired-Samples T Test…
(35)
34 | P r a k t i k u m S P S S 2 1 . 0
Masukkan variable sebelum stock split dan sesudah stock split secara besama-sama ke dalam Paired Variables
Gambar 5.5. Kotak dialog paired sample t-test
Klik OK
Output SPSS
Paired Samples Statistics
Mean N Std. Deviation Std. Error Mean
Pair 1 Sebelum stock split 8105,00 10 760,647 240,538
Sesudah stock split 10665,00 10 1394,754 441,060
Paired Samples Correlations
N Correlation Sig.
Pair 1 Sebelum stock split & Sesudah stock split
10 ,899 ,000
Paired Samples Test
Paired Differences
t df Sig. (2-tailed) Mean
Std. Deviation
Std. Error Mean
95% Confidence Interval of the Difference
Lower Upper
Pair 1 Sebelum stock split - Sesudah stock split
(36)
35 | P r a k t i k u m S P S S 2 1 . 0 Uji Hipotesis
a. H0 : μ1 = μ2, tidak ada perbedaan harga saham dari perusahaan sebelum dan
sesudah stock split
Ha : μ1 ≠ μ2, ada perbedaan harga saham dari perusahaan sebelum dan
sesudah stock split
b. Tingkat signifikansi (α) = 0,05 c. Kriteria Pengujian
Sig. < 0,05 Tolak H0 dan sig. > 0,05 Gagal tolak H0
d. P-value (sig.) yang dihasilkan adalah 0,000
e. Kesimpulan
Karena p-value (sig.) < 0,05 maka tolak H0 sehingga dapat disimpulkan
bahwa ada perbedaan yang signifikan harga saham dari perusahaan sebelum dan sesudah stock split.
(37)
36 | P r a k t i k u m S P S S 2 1 . 0
BAB 6
ANALISIS REGRESI LINIER
6.1. Pengertian Regresi
Istilah regresi pertama kali dikenalkan oleh Francis Galton. Pada sebuah karya tulisnya yang terkenal, Galton menemukan bahwa terdapat kecenderungan dari orang tua yang berbadan tinggi untuk memiliki anak dengan badan yang tinggi, serta orang tua yang berbadan pendek cenderung memiliki anak dengan badan yang pendek. Rata-rata tinggi badan anak yang lahir dari orang tua yang berbadan tinggi
tertentu cenderung untuk bergerak atau “beregresi” menuju rata-rata tinggi badan populasi secara keseluruhan. Dengan kata lain, tinggi badan dari anak-anak yang tinggi badan orang tuanya tidak biasa atau tidak biasa pendeknya cenderung bergerak menuju rata-rata tinggi badan populasi. Hukum regresi universal Galton kemudian dikonfirmasi oleh temannya, Karl Pearson, yang mengumpulkan lebih dari seribu pencatatan mengenai tinggi badan dari anggota kelompok keluarga, yang menemukan bahwa rata-rata tinggi badan anak laki-laki dari ayah yang berbadan tinggi, lebih rendah dari tinggi badan ayahnya dan rata-rata tinggi badan anak laki-laki dari kelompok ayah berbadan pendek, lebih besar dari tinggi
ayahnya; sehingga “meregresi” anak yang berbadan tinggi dan berbadan pendek secara bersama akan mengarahkan pada tinggi badan rata-rata semua laki-laki (Gujarati and Porter, 2010).
Interpretasi istilah regresi masa kini adalah berkaitan dengan studi mengenai ketergantungan satu variabel yaitu variabel dependen terhadap satu atau lebih variabel lainnya yaitu variabel penjelas, dengan tujuan untuk mengestimasi dan/atau memperkirakan rata-rata populasi variabel dependen dari nilai yang diketahui atau nilai tetap dari variabel penjelas dalam sampling berulang (Gujarati dan Porter, 2010). Sedangkan menurut Setiawan dan Kusrini (2010), analisis regresi adalah suatu analisis yang bertujuan untuk menunjukkan hubungan matematis antara variabel respon dengan variabel penjelas.
(38)
37 | P r a k t i k u m S P S S 2 1 . 0 6.2.Pemahaman Regresi
Analisis Regresi dilakukan jika suatu penelitian bertujuan untuk mengetahui hubungan sebab akibat (pengaruh) antar variabel, karena sebab akibat maka dalam
regresi terdapat variabel yang menjadi sebab disebut variabel
bebas/independen/penjelas (X) dan variabel yang menjadi akibat disebut variabel terikat/dependen/respon (Y). Regresi juga disebut dengan bentuk hubungan, sehingga memiliki rumus/formula/persamaan/model. Secara umum model regresi dengan � buah variabel penjelas adalah sebagai berikut:
= � + � + � … … �� �+ ��
dengan:
= Variabel respon (tak bebas/dependen) yang bersifat acak (random)
, , … . , � = Variabel penjelas (bebas/independen) yang bersifat tetap
(fixed variable)
� , � , … . , �� = Parameter (koefisien) regresi
� = Variabel random error/galat/variabel pengganggu
(disturbance term)/ variabel yang tidak menjelaskan (unexplanatory variable)
Jika variabel bebas berjumlah 1 (satu) maka disebut regresi linier sederhana dan jika variabel bebas berjumlah 2 (dua) atau lebih maka disebut regresi linier berganda.
6.3. Asumsi Klasik Regresi Linier
Analisis regresi selalu menghasilkan persamaan/model regresi dan persamaan/model regresi dapat digunakan untuk melakukan prediksi, selain itu secara statistik konstanta dan koefisien didapatkan dari hasil estimasi (pendugaan), agar estimasi (pendugaan) yang dilakukan tidak bias (menyimpang) ada syarat yang harus dipenuhi dalam regresi yaitu asumsi klasik. Macam-macam asumsi klasik regresi adalah sebagai berikut :
(39)
38 | P r a k t i k u m S P S S 2 1 . 0
1. Normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam model regresi
residual (��) mempunyai distribusi normal atau tidak. Asumsi residual (��)
memiliki distribusi normal dapat dilihat dari normal probability plot. Apabila titik-titik pada normal probability plot menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka disimpulkan bahwa residual (��)
berdistribusi normal.
Pengujian normalitas juga dapat dilakukan dengan uji Kolmogorov Smirnov. Prosedur pengujian normalitas adalah dengan menguji residual (��).
H0 : Residual (��) berdistribusi normal
Ha : Residual (��) tidak berdistribusi normal
Kriteria yang digunakan adalah jika nilai signifikansi lebih besar dari 0,05 maka H0 gagal ditolak dan sebaliknya jika nilai signifikansi lebih kecil dari 0,05
maka H0 ditolak.
2. Non Multikolinieritas
Multikolinieritas merupakan kasus di dalam regresi dimana ada hubungan yang kuat antar variabel bebas, di dalam regresi tidak boleh terjadi hubungan antar variabel bebas. Salah satu pengujian multikolinieritas yang sering digunakan adalah melihat nilai VIF atau nilai tolerance (VIF = 1/tolerance). Kriteria yang digunakan adalah jika nilai VIF lebih kecil dari 10 atau nilai tolerance lebih besar dari 0,1 maka regresi tidak terjadi multikolinieritas.
3. Non Heteroskedastisitas
Non heteroskedastisitas (Homoskedastisitas) menunjukkan keadaan di mana residual (��) mempunyai nilai varian yang sama sebesar σ2. Sebaliknya
jika residual (��) mempunyai nilai varian yang berbeda-beda sebesar �� berarti terjadi kasus heteroskedastisitas. Model regresi yang baik adalah model regresi yang tidak menunjukkan adanya gejala heteroskedastisitas. Pendeteksian kasus heteroskedastisitas dapat dilakukan dengan berbagai cara, salah satunya dengan melihat scatter plot. Jika titik-titik menyebar di atas nol dan di bawah
(40)
39 | P r a k t i k u m S P S S 2 1 . 0
nol, menyebar secara acak dan tidak membentuk pola, maka dapat dikatakan tidak terjadi kasus heteroskedastisitas.
Pengujian asumsi non heteroskedastisitas juga dapat dilakukan dengan uji glejster yaitu dengan meregresikan absolut residual dengan variabel penjelas yang digunakan. Hipotesis yang diajukan untuk pengujian asumsi non heteroskedastisitas adalah.
H0 : varian identik (non heteroskedastisitas)
Ha : varian tidak identik (heteroskedastisitas)
Kriteria yang digunakan adalah jika nilai signifikansi lebih besar dari 0,05 maka H0 gagal ditolak dan sebaliknya jika nilai signifikansi lebih kecil
dari 0,05 maka H0 ditolak.
4. Non Autokorelasi
Autokorelasi adalah keadaan yang menunjukkan residual (��) memiliki hubungan dari satu observasi ke observasi lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mengetahui model regresi dikatakan tidak terjadi autokorelasi jika nilai durbin watson berada antara du sd 4-du, dimana du ditentukan berdasarkan tabel durbin Watson atau dapat dilihat berdasarkan kriteria berikut :
Tabel 6.1. Kriteria Pengambilan Keputusan
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada autokorelasi negatif Tidak ada autokorelasi negatif Tidak ada autokorelasi positif maupun negatif
Tolak
Tidak ada keputusan Tolak
Tidak ada keputusan Gagal tolak
0 < d < dL
dL≤ d ≤ dU
4-dL < d < 4
4-dU≤ d ≤ 4-dL
dU < d < 4-dU
Sumber : Gujarati and Porter, 2010
6.4. Studi Kasus
Dalam bahan ajar ini akan diberikan 2 buah contoh kasus, yang pertama contoh kasus dalam bidang manajemen sumber daya manusia dan yang kedua contoh kasus dalam bidang akuntansi.
(41)
40 | P r a k t i k u m S P S S 2 1 . 0 1. Bidang MSDM
Judul penelitian : Pengaruh Motivasi dan Budaya Inovasi Terhadap Kinerja Karyawan PT. X
Tujuan : Ingin mengetahui pengaruh signifikan Motivasi dan Budaya Inovasi Terhadap Kinerja Karyawan
Sampel penelitian : 30 karyawan PT. X dengan hasil tabulasi sebagai berikut : Tabel 6.2. Data Motivasi, Budaya Inovasi dan Kinerja Karyawan PT. X
No X1 X2 Y No X1 X2 Y
1 16 19 15 16 16 20 18 2 17 16 20 17 16 20 20 3 17 20 20 18 17 20 20 4 17 19 20 19 17 15 17 5 17 20 20 20 21 18 20 6 14 20 15 21 19 20 20 7 20 20 20 22 19 20 20 8 19 15 15 23 17 20 20 9 18 16 17 24 19 20 20 10 20 20 20 25 20 20 20 11 16 15 15 26 20 20 20 12 20 20 20 27 17 20 17 13 18 18 18 28 17 17 20 14 15 15 15 29 19 17 17 15 20 19 19 30 16 15 15
Sumber : Data Simulasi Keterangan :
X1 = Motivasi X2 = Budaya Inovasi Y = Kinerja Karyawan
Langkah Menjawab
1. Menentukan hipotesis
Hipotesis penelitian
“Diduga terdapat pengaruh yang signifikan Motivasi dan Budaya Inovasi
(42)
41 | P r a k t i k u m S P S S 2 1 . 0
Hipotesis Statistik (biasanya ada di bab 3 dalam sub bab analisis data
Secara Simultan
H0: 1= 2= 0; Secara simultan tidak terdapat pengaruh yang signifikan
antara Motivasi dan Budaya Inovasi terhadap Kinerja Karyawan H1: Minimal satu i≠0, dimana i = 1,2; Secara simultan terdapat pengaruh
yang signifikan antara Motivasi dan Budaya Inovasi terhadap Kinerja Karyawan
Secara Parsial
H0: 1,2= 0; Secara parsial tidak terdapat pengaruh yang signifikan
antara Motivasi dan Budaya Inovasi terhadap Kinerja Karyawan H1: 1,2≠0; Secara parsial terdapat pengaruh yang signifikan antara
Motivasi dan Budaya Inovasi terhadap Kinerja Karyawan 2. Taraf signifikansi α = 0,05
3. Menghitung Fhitung dan thitung dengan menggunakan SPSS 4. Kriteria pengujian :
Jika Fhitung dan thitung≤ Ftabel dan ttabel atau nilai sig. ≥ 0,05 maka H0 diterima
Jika Fhitung dan thitung > Ftabel dan ttabel atau nilai sig. < 0,05 maka H0 ditolak
5. Membandingkan Fhitung dan thitung dengan Ftabel dan ttabel atau nilai sig. dengan
0,05
6. Membuat kesimpulan
Praktek SPSS
Pilih menu ANALYZE, pilih REGRESSION, pilih linier
(43)
42 | P r a k t i k u m S P S S 2 1 . 0
Masukkan variable MOTIVASI (X1) dan BUDAYA INOVASI (X2) ke dalam INDEPENDENT(S) dan Kinerja Karyawan ke dalam
DEPENDENT
Gambar 6.2. Kotak dialog variabel yang dimasukkan
Klik STATITICS dan centang COLINIERITY DIAGNOSTICS,
DURBIN-WATSON dan klik continue
(44)
43 | P r a k t i k u m S P S S 2 1 . 0
Klik PLOT dan centang NORMAL PROBABILITY PLOT, masukkan
ZPRED ke dalam X dan SRESID ke dalam Y dan klik CONTINUE
Gambar 6.4. Kotak dialog uji heteroskedastisitas dan normalitas
Klik OK.
Output SPSS (ditampilkan dalam lampiran laporan penelitian)
Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Budaya Inovasi, Motivasi
. Enter
a. All requested variables entered. b. Dependent Variable: Kinerja Karyawan
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,736a ,542 ,508 1,435 2,069
a. Predictors: (Constant), Budaya Inovasi, Motivasi b. Dependent Variable: Kinerja Karyawan
(45)
44 | P r a k t i k u m S P S S 2 1 . 0
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 65,798 2 32,899 15,985 ,000a
Residual 55,569 27 2,058
Total 121,367 29
a. Predictors: (Constant), Budaya Inovasi, Motivasi b. Dependent Variable: Kinerja Karyawan
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) ,180 3,279 ,055 ,957
Motivasi ,465 ,155 ,402 2,995 ,006 ,941 1,062
Budaya Inovasi ,540 ,138 ,527 3,928 ,001 ,941 1,062
(46)
45 | P r a k t i k u m S P S S 2 1 . 0 INTERPRETASI OUTPUT SPSS
1. Persamaan Regresi (table Coefficient)
Model
Unstandardized Coefficients
B Std. Error
1 (Constant) ,180 3,279
Motivasi ,465 ,155
Budaya Inovasi ,540 ,138
a. Dependent Variable: Kinerja Karyawan
Y= a+b1X1+b2X2
= 0,180 + 0,465X1 + 0,540X2
- a = 0,180; artinya apabila MOTIVASI (x1) dan BUDAYA INOVASI (x2)
diasumsikan tidak memiliki pengaruh sama sekali (=0) maka Kinerja karyawan adalah sebesar 0,180
- b1= 0,465;artinya apabila MOTIVASI (x1) naik 1 (satu) satuan dan BUDAYA INOVASI (x2) tetap maka Kinerja karyawan akan naik sebesar 0,465
(47)
46 | P r a k t i k u m S P S S 2 1 . 0
- b2= 0,540; artinya apabila BUDAYA INOVASI (x2) naik 1 (satu) satuan dan MOTIVASI (x1) tetap maka Kinerja karyawan akan naik sebesar 0,540 2. Koefisien Determinasi (table model summary)
Merupakan besarnya variasi dari Kinerja karyawan (Y) yang dapat dijelaskan oleh MOTIVASI (x1) dan BUDAYA INOVASI (x2)
Model R R Square Adjusted R Square
1 ,736a ,542 ,508
Nilai R-Square=0,542 menunjukkan besarnya variasi MOTIVASI (x1) dan BUDAYA INOVASI (x2) dalam menjelaskan variasi Kinerja karyawan (Y) adalah sebesar 54,2%. Berarti masih ada variabel lain sebesar 45,8% yang dapat menjelaskan variasi Kinerja karyawan tetapi tidak diteliti dalam penelitian ini.
bisa juga dengan Adjusted R-Square (tapi semestinya digunakan untuk
pemilihan model terbaik) 3. Pengujian Hipotesis
a. Uji F (Pengaruh secara simultan) dilihat di table Anova
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 65,798 2 32,899 15,985 ,000a
Residual 55,569 27 2,058
Total 121,367 29
Nilai Fhitung=15,985 > Ftabel (2,27) =3,354 atau nilai sig. = 0,000 < 0,05
H0 ditolak; artinya secara bersama-sama MOTIVASI (x1) dan BUDAYA
INOVASI (x2) memiliki pengaruh yang signifikan terhadap Kinerja karyawan (Y)
Catatan : Untuk mencari F table caranya dengan melihat df1 dan df2
df1 = k = banyak variable bebas
df2 = n-k-1; n = banyaknya data
Atau dengan menggunakan excel ketik
“=Finv(probability, deg_freedom1, deg_freedom2)” enter
(48)
47 | P r a k t i k u m S P S S 2 1 . 0
b. Uji t (Pengaruh secara parsial/Individu) dilihat di table coefficient
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig. B Std. Error Beta
1 (Constant) ,180 3,279 ,055 ,957
Motivasi ,465 ,155 ,402 2,995 ,006
Budaya Inovasi ,540 ,138 ,527 3,928 ,001
a. Dependent Variable: Kinerja Karyawan
- Untuk MOTIVASI (X1) Nilai thitung= 2,995 > ttabel(α/2;27) = 2,052
atau nilai sig. = 0,006 < 0,05 H0 ditolak; artinya MOTIVASI (X1)
secara parsial berpengaruh signifikan terhadap Kinerja karyawan (Y)
- Untuk BUDAYA INOVASI (X2) Nilai thitung=3,928 > ttabel(α/2;27)
= 2,052 atau nilai sig. = 0,001 < 0,05 H0 ditolak; artinya BUDAYA
INOVASI (X2) secara parsial berpengaruh signifikan terhadap Kinerja karyawan (Y)
Catatan : Untuk mencari t table caranya dengan melihat α=0,05 dan df - Jika pengujian 1 arah maka yang dilihat langsung α = 0,05;
jika pengujian 2 arah maka α = 0,05/2 = 0,025 - df= n-k-1; n = banyaknya data
Atau bisa menggunakan Excel ketik “=tinv(probability,
(49)
48 | P r a k t i k u m S P S S 2 1 . 0 INTERPRETASI ASUMSI KLASIK
1. Normalitas
Dari gambar di atas dapat dilihat bahwa titik-titik menyebar mengikuti garis diagonal dan berada di sekita garis diagonal sehingga dapat disimpulkan residual berdistribusi normal
2. Multikolinieritas (Tabel coefficients)
Model
Collinearity Statistics
Tolerance VIF
1 (Constant)
MOTIVASI ,941 1,062
BUDAYA INOVASI ,941 1,062
a. Dependent Variable: Kinerja karyawan
Dari table di atas diketahui bahwa nilai VIF kedua variable kurang dari 10, sehingga tidak terjadi hubungan antar variable bebas atau asumsi multikolinieritas telah terpenuhi
(50)
49 | P r a k t i k u m S P S S 2 1 . 0
3. Heteroskedastisitas
Gambar di atas menunjukkan titik-titik menyebar secara acak tidak membentuk pola serta berada di atas nol dan di bawa nol, sehingga asumsi heteroskedastisitas telah terpenuhi
4. Autokeralasi (table model summary)
Model Durbin-Watson
1 2,069
a. Predictors: (Constant), BUDAYA INOVASI, MOTIVASI b. Dependent Variable: Kinerja karyawan
Nilai durbin watson (dw) yang dihasilkan adalah 2,069; nilai du (2,30) =1,57 sehingga 4-du=4-1,57=2,43
Dapat disimpulkan nilai durbin watson (dw) terletak antara du s/d 4-u sehingga asumsi autokorelasi telah terpenuhi
Catatan : nilai du dicari dari table durbin Watson dengan cara mencari pertemuan antara kolom k = banyak variable bebas dan baris n = banyak data
(51)
50 | P r a k t i k u m S P S S 2 1 . 0 2. Bidang Akuntansi
Judul penelitian : Faktor-faktor yang mempengaruhi harga saham pada perusahaan manufaktur di BEI tahun 2008 sd 2011
Tujuan : Ingin mengetahui pengaruh yang signifikan rasio keuangan PER dan ROI terhadap Harga Saham
Sampel penelitian : 5 perusahaan manufaktur (perusahaan A, B, C, D dan E) Periode : 2008 sd 2011
Tabel 6.3. Data PER, ROI dan Harga Saham
Perusahaan Tahun PER ROI Harga
Saham
Perusahaan A 2008 15,56 5,83 8000
Perusahaan B 2008 8,00 8,75 10000
Perusanaan C 2008 16,57 9,20 10600
Perusahaan D 2008 14,83 8,82 9270
Perusahaan E 2008 5,97 6,23 9000
Perusahaan A 2009 16,56 8,53 9000
Perusahaan B 2009 16,98 9,38 10200
Perusanaan C 2009 4,24 6,03 8750
Perusahaan D 2009 10,85 5,20 6500
Perusahaan E 2009 16,93 10,25 11430
Perusahaan A 2010 10,50 8,62 9450
Perusahaan B 2010 14,45 12,42 12800
Perusanaan C 2010 4,00 4,75 8250
Perusahaan D 2010 13,24 7,37 7600
Perusahaan E 2010 7,47 8,00 8300
Perusahaan A 2011 17,24 12,07 13000
Perusahaan B 2011 12,68 10,40 10900
Perusanaan C 2011 3,28 3,14 7500
Perusahaan D 2011 5,05 5,00 8950
Perusahaan E 2011 7,45 7,72 8200
Sumber : Data simulasi
Langkah Menjawab
1. Menentukan hipotesis
Hipotesis penelitian
“Diduga terdapat pengaruh yang signifikan PER dan ROI terhadap Harga Saham”
(52)
51 | P r a k t i k u m S P S S 2 1 . 0
Hipotesis Statistik (biasanya ada di bab 3 dalam sub bab analisis data
Untuk Simultan
H0: 1= 2= 0; Secara simultan tidak terdapat pengaruh yang signifikan
antara PER dan ROI terhadap Harga Saham
H1: Minimal satu i≠0, dimana i = 1,2; Secara simultan terdapat pengaruh
yang signifikan antara PER dan ROI terhadap Harga Saham
Untuk Parsial
H0: 1,2= 0; Secara parsial tidak terdapat pengaruh yang signifikan
antara PER dan ROI terhadap Harga Saham
H1: 1,2≠0; Secara parsial terdapat pengaruh yang signifikan antara PER
dan ROI terhadap Harga Saham 2. Taraf signifikansi α = 0,05
3. Menghitung Fhitung dan thitung dengan menggunakan SPSS 4. Kriteria pengujian :
Jika Fhitung dan thitung≤ Ftabel dan ttabel atau nilai sig. ≥ 0,05 maka H0 diterima
Jika Fhitung dan thitung > Ftabel dan ttabel atau nilai sig. < 0,05 maka H0 ditolak
5. Membandingkan Fhitung dan thitung dengan Ftabel dan ttabel atau nilai sig. dengan
0,05
6. Membuat kesimpulan
Praktek SPSS
Langkah-langkah di SPSS sama dengan contoh pada kasus manajemen di atas
Pilih menu ANALYZE, pilih REGRESSION, pilih linier
Masukkan variable PER (X1) dan ROI (X2) ke dalam INDEPENDENT(S)
dan Harga Saham ke dalam DEPENDENT
Klik STATITICS dan centang COLINIERITY DIAGNOSTICS,
DURBIN-WATSON dan klik continue
Klik PLOT dan centang NORMAL PROBABILITY PLOT, masukkan
ZPRED ke dalam X dan SRESID ke dalam Y dan klik CONTINUE
(53)
52 | P r a k t i k u m S P S S 2 1 . 0
Output SPSS (ditampilkan dalam lampiran laporan penelitian)
Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 ROI, PERa . Enter
a. All requested variables entered. b. Dependent Variable: Harga Saham
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,879a ,773 ,746 860,648 2,424
a. Predictors: (Constant), ROI, PER b. Dependent Variable: Harga Saham
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 42891144,751 2 21445572,376 28,953 ,000a
Residual 12592155,249 17 740715,015
Total 55483300,000 19
a. Predictors: (Constant), ROI, PER b. Dependent Variable: Harga Saham
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 4604,424 661,443 6,961 ,000
PER -64,991 56,322 -,190 -1,154 ,264 ,490 2,039
ROI 697,671 114,543 1,005 6,091 ,000 ,490 2,039
(54)
(55)
54 | P r a k t i k u m S P S S 2 1 . 0 INTERPRETASI OUTPUT SPSS
1. Persamaan Regresi (table Coefficient)
Model
Unstandardized Coefficients
B Std. Error
1 (Constant) 4604,424 661,443
PER -64,991 56,322
ROI 697,671 114,543
a. Dependent Variable: Harga Saham
Y = a+b1X1+b2X2
= 4604,424 - 64,991X1 + 697,671X2
- a = 4604,424; artinya apabila PER (x1) dan ROI (x2) diasumsikan tidak memiliki pengaruh sama sekali (=0) maka Harga Saham adalah sebesar 4604,424
- b1= - 64,991;artinya apabila PER (x1) naik 1 (satu) persen dan ROI (x2) tetap maka Harga Saham akan turun sebesar 64,991 Rupiah
- b2= 697,671; artinya apabila ROI (x2) naik 1 (satu) persen dan PER (x1) tetap maka Harga Saham akan naik sebesar 697,671 Rupiah
2. Koefisien Determinasi (table model summary)
Merupakan besarnya variasi Harga Saham (Y) yang dapat dijelaskan oleh PER (x1) dan ROI (x2)
Model R R Square Adjusted R Square
1 ,879a ,773 ,746
nilai R-Square=0,773 menunjukkan besarnya variasi PER (x1) dan ROI (x2) dalam menjelaskan variasi Harga Saham (Y) adalah sebesar 77,3%. Berarti masih ada variabel lain sebesar 22,7% yang dapat menjelaskan variasi Harga Saham tetapi tidak diteliti dalam penelitian ini.
bisa juga dengan Adjusted R-Square (tapi semestinya digunakan untuk
pemilihan model terbaik)
(56)
55 | P r a k t i k u m S P S S 2 1 . 0
a. Uji F (Pengaruh secara simultan) dilihat di table Anova
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 42891144,751 2 21445572,376 28,953 ,000a
Residual 12592155,249 17 740715,015
Total 55483300,000 19
Nilai Fhitung=28,953 > Ftabel (2,17) =3,592 atau nilai sig. = 0,000 < 0,05
H0 ditolak; artinya secara bersama-sama PER (x1) dan ROI (x2) memiliki
pengaruh yang signifikan terhadap Harga Saham (Y)
Catatan : Untuk mencari F table caranya dengan melihat df1 dan df2
df1 = k = banyak variable bebas
df2 = n-k-1; n = banyaknya data
Atau dengan menggunakan excel ketik
“=Finv(probability, deg_freedom1, deg_freedom2)” enter
b. Uji t (Pengaruh secara parsial/Individu) dilihat di table coefficient
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig. B Std. Error Beta
1 (Constant) 4604,424 661,443 6,961 ,000
PER -64,991 56,322 -,190 -1,154 ,264
ROI 697,671 114,543 1,005 6,091 ,000
- Untuk PER (X1) Nilai thitung= - 1,154 < ttabel(α/2;17) = 2,110 atau
nilai sig. = 0,264 > 0,05 H0 diterima; artinya PER (X1) secara
parsial tidak berpengaruh signifikan terhadap Harga Saham (Y)
- Untuk ROI (X2) Nilai thitung=6,091 > ttabel (α/2;17) = 2,110 atau
nilai sig. = 0,000 < 0,05 H0 ditolak; artinya ROI (X2) secara parsial
berpengaruh signifikan terhadap Harga Saham (Y)
Catatan : Untuk mencari t table caranya dengan melihat α=0,05 dan df - Jika pengujian 1 arah maka yang dilihat langsung α = 0,05;
jika pengujian 2 arah maka α = 0,05/2 = 0,025 - df= n-k-1; n = banyaknya data
Atau bisa menggunakan Excel ketik “=tinv(probability,
(57)
56 | P r a k t i k u m S P S S 2 1 . 0 INTERPRETASI ASUMSI KLASIK
1. Normalitas
Dari gambar di atas dapat dilihat bahwa titik-titik menyebar mengikuti garis diagonal dan berada di sekita garis diagonal sehingga dapat disimpulkan residual berdistribusi normal
2. Multikolinieritas (Tabel coefficients)
Model
Collinearity Statistics
Tolerance VIF
1 (Constant)
PER ,490 2,039
ROI ,490 2,039
a. Dependent Variable: Harga Saham
Dari tabel di atas diketahui bahwa nilai VIF kedua variable kurang dari 10, sehingga tidak terjadi hubungan antar variable bebas atau asumsi multikolinieritas telah terpenuhi
(58)
57 | P r a k t i k u m S P S S 2 1 . 0
3. Heteroskedastisitas
Gambar di atas menunjukkan titik-titik menyebar secara acak tidak membentuk pola serta berada di atas nol dan di bawa nol, sehingga asumsi heteroskedastisitas telah terpenuhi
4. Autokeralasi (table model summary)
Model Durbin-Watson
1 2,424
a. Predictors: (Constant), ROI, PER b. Dependent Variable: Harga Saham
Nilai durbin watson (dw) yang dihasilkan adalah 2,424; nilai du (2,20) =1,54 sehingga 4-du=4-1,54=2,46
Dapat disimpulkan nilai durbin watson (dw) terletak antara du s/d 4-u sehingga asumsi autokorelasi telah terpenuhi
Catatan : nilai du dicari dari table durbin Watson dengan cara mencari pertemuan k = banyak variable bebas dengan n = banyak data
NB : Jika Asumsi Normalitas dan Heteroskedastisitas tidak terpenuhi maka dapat dilakukan TRANSFORMASI DATA dengan menggunakan LOGARITMA
(59)
58 | P r a k t i k u m S P S S 2 1 . 0
Langkah-Langkah :
1. Klik TRANSFORM COMPUTE.
Gambar 6.5. Menu transformasi variabel Sehingga muncul kotak dialog berikut :
(60)
59 | P r a k t i k u m S P S S 2 1 . 0
2. Isi kolom Target Variable dengan calon variable baru (misal L_x1)
Gambar 6.7. Kotak dialog target variable
3. Isi kolom Numeric Expression dengan LG10(x1) atau bisa dipilih melalui kolom Function and Special Variable
Gambar 6.8. Kotak dialog numeric expression
Klik OK
(61)
60 | P r a k t i k u m S P S S 2 1 . 0
DAFTAR PUSTAKA
Ghazali, I., 2005, Aplikasi Analisis Multivariate dengan SPSS, Badan Penerbit Universitas Diponegoro, Semarang.
Gujarati D.N., Porter C., 2010, Dasar-Dasar Ekonometrika, Edisi 5, Penerjemah : Eugenia Mardanugraha, Sita Wardhani, dan Carlos Mangunsong, Salemba Empat, Jakarta.
McClave J.T., Benson P.G., Sincich T., 2011, Statistik untuk Bisnis dan Ekonomi, Jilid 2 Edisi Kesebelas, Alih Bahasa : Irzam Hardiansyah, Erlangga, Jakarta.
Nurgiyantoro, B., Gunawan & Marzuki, 2004, Statistik Terapan Untuk Ilmu-ilmu Sosial, Gadjah Mada University Press, Yogyakarta
Priyatno, D., 2010, Paham Analisa Statistik Data dengan SPSS, Mediakom, Yogyakarta
Riduwan, 2011, Dasar-dasar Statistika, Alfabeta, Bandung
Santoso, S., 2011, Mastering SPSS Versi 19, Elex Media Komputindo, Jakarta Setiawan dan Kusrini D.E., 2010, Ekonometrika, Andi Offset, Yogyakarta Sulistiyo, J., 2010, 6 hari jago SPSS 17, Cakrawala, Yogyakarta
(1)
55 | P r a k t i k u m S P S S 2 1 . 0
a. Uji F (Pengaruh secara simultan) dilihat di table Anova
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 42891144,751 2 21445572,376 28,953 ,000a
Residual 12592155,249 17 740715,015
Total 55483300,000 19
Nilai Fhitung=28,953 > Ftabel (2,17) =3,592 atau nilai sig. = 0,000 < 0,05 H0 ditolak; artinya secara bersama-sama PER (x1) dan ROI (x2) memiliki pengaruh yang signifikan terhadap Harga Saham (Y)
Catatan : Untuk mencari F table caranya dengan melihat df1 dan df2 df1 = k = banyak variable bebas
df2 = n-k-1; n = banyaknya data
Atau dengan menggunakan excel ketik
“=Finv(probability, deg_freedom1, deg_freedom2)” enter
b. Uji t (Pengaruh secara parsial/Individu) dilihat di table coefficient
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 4604,424 661,443 6,961 ,000
PER -64,991 56,322 -,190 -1,154 ,264
ROI 697,671 114,543 1,005 6,091 ,000
- Untuk PER (X1) Nilai thitung= - 1,154 < ttabel (α/2;17) = 2,110 atau nilai sig. = 0,264 > 0,05 H0 diterima; artinya PER (X1) secara parsial tidak berpengaruh signifikan terhadap Harga Saham (Y) - Untuk ROI (X2) Nilai thitung=6,091 > ttabel (α/2;17) = 2,110 atau
nilai sig. = 0,000 < 0,05 H0 ditolak; artinya ROI (X2) secara parsial berpengaruh signifikan terhadap Harga Saham (Y)
Catatan : Untuk mencari t table caranya dengan melihat α=0,05 dan df
-Jika pengujian 1 arah maka yang dilihat langsung α = 0,05;
jika pengujian 2 arah maka α = 0,05/2 = 0,025 - df = n-k-1; n = banyaknya data
Atau bisa menggunakan Excel ketik “=tinv(probability,
(2)
56 | P r a k t i k u m S P S S 2 1 . 0
INTERPRETASI ASUMSI KLASIK 1. Normalitas
Dari gambar di atas dapat dilihat bahwa titik-titik menyebar mengikuti garis diagonal dan berada di sekita garis diagonal sehingga dapat disimpulkan residual berdistribusi normal
2. Multikolinieritas (Tabel coefficients)
Model
Collinearity Statistics Tolerance VIF 1 (Constant)
PER ,490 2,039
ROI ,490 2,039
a. Dependent Variable: Harga Saham
Dari tabel di atas diketahui bahwa nilai VIF kedua variable kurang dari 10, sehingga tidak terjadi hubungan antar variable bebas atau asumsi multikolinieritas telah terpenuhi
(3)
57 | P r a k t i k u m S P S S 2 1 . 0
3. Heteroskedastisitas
Gambar di atas menunjukkan titik-titik menyebar secara acak tidak membentuk pola serta berada di atas nol dan di bawa nol, sehingga asumsi heteroskedastisitas telah terpenuhi
4. Autokeralasi (table model summary)
Model Durbin-Watson
1 2,424
a. Predictors: (Constant), ROI, PER b. Dependent Variable: Harga Saham
Nilai durbin watson (dw) yang dihasilkan adalah 2,424; nilai du (2,20) =1,54 sehingga 4-du=4-1,54=2,46
Dapat disimpulkan nilai durbin watson (dw) terletak antara du s/d 4-u sehingga asumsi autokorelasi telah terpenuhi
Catatan : nilai du dicari dari table durbin Watson dengan cara mencari pertemuan k = banyak variable bebas dengan n = banyak data
NB : Jika Asumsi Normalitas dan Heteroskedastisitas tidak terpenuhi maka dapat dilakukan TRANSFORMASI DATA dengan menggunakan LOGARITMA (LOG)
(4)
58 | P r a k t i k u m S P S S 2 1 . 0
Langkah-Langkah :
1. Klik TRANSFORM COMPUTE.
Gambar 6.5. Menu transformasi variabel Sehingga muncul kotak dialog berikut :
(5)
59 | P r a k t i k u m S P S S 2 1 . 0
2. Isi kolom Target Variable dengan calon variable baru (misal L_x1)
Gambar 6.7. Kotak dialog target variable
3. Isi kolom Numeric Expression dengan LG10(x1) atau bisa dipilih melalui kolom Function and Special Variable
Gambar 6.8. Kotak dialog numeric expression
Klik OK
(6)
60 | P r a k t i k u m S P S S 2 1 . 0
DAFTAR PUSTAKA
Ghazali, I., 2005, Aplikasi Analisis Multivariate dengan SPSS, Badan Penerbit Universitas Diponegoro, Semarang.
Gujarati D.N., Porter C., 2010, Dasar-Dasar Ekonometrika, Edisi 5, Penerjemah : Eugenia Mardanugraha, Sita Wardhani, dan Carlos Mangunsong, Salemba Empat, Jakarta.
McClave J.T., Benson P.G., Sincich T., 2011, Statistik untuk Bisnis dan Ekonomi, Jilid 2 Edisi Kesebelas, Alih Bahasa : Irzam Hardiansyah, Erlangga, Jakarta.
Nurgiyantoro, B., Gunawan & Marzuki, 2004, Statistik Terapan Untuk Ilmu-ilmu
Sosial, Gadjah Mada University Press, Yogyakarta
Priyatno, D., 2010, Paham Analisa Statistik Data dengan SPSS, Mediakom, Yogyakarta
Riduwan, 2011, Dasar-dasar Statistika, Alfabeta, Bandung
Santoso, S., 2011, Mastering SPSS Versi 19, Elex Media Komputindo, Jakarta Setiawan dan Kusrini D.E., 2010, Ekonometrika, Andi Offset, Yogyakarta Sulistiyo, J., 2010, 6 hari jago SPSS 17, Cakrawala, Yogyakarta