Belajar SPSS – Olah Data SPSS SPSS Eviews Amos Lisrel Smart PLS

Uji Heteroskedastisitas Metode Grafik SPSS 1.7

admin — Sat, 02 Feb 2013 04:09:18 +0000

Pengujian indikasi heteroskedastisitas dengan metode grafik/scatterplot dapat dilakukan dengan langkah sebagai berikut:

Misalkan kita memiliki data seperti berikut:

1. Jalankan regresi linier dengan SPSS, untuk langkah melakukan regresi linier dapat dijalankan dengan comand ANALYZE – REGRESSION – LINEAR,

2. Masukkan variabel sesuai dengan jenisnya (dependen dan independen) seperti berikut:

3. Klik PLOT disamping kanan,

4. Setelah muncul kotak dialog Linear Regression Plot, masukkan pada sumbu X – predicted dependent variables atau ZPRED serta pada sumbu Y – residual atau ZRESID, lalu centang Normal Probability Plots, – CONTINUE:

5. Setelah itu Klik OK, maka akan ditampilkan output seperti berikut:

Dapat kita lihat bahwa pada model bersifat homoskedastik, tidak terdapat masalahheteroskedastisitas, dimana peningkatan nilai variabel dependen pada sumbu X diikuti dengan peningkatan residual.

Berikut ini adalah contoh scatterplot dengan indikasi adanya masalah heteroskedastisitas:

Lihat pola scatterplot berikut, peningkatan nilai error pada sumbu X diikuti dengan keragaman yang meningkat pada sumbu Y.

Uji Mann-Whitney U

admin — Sun, 20 Jan 2013 13:03:44 +0000

Uji Mann-Whitney/Wilcoxon merupakan alternatif bagi uji-t. Uji Mann Whitney/Wilcoxon merupakan uji non-parametrik yang digunakan untuk membandingkan dua mean populasi yang berasal dari populasi yang sama. Uji Mann-Whitney juga digunakan untuk menguji apakah dua mean populasi sama atau tidak.

Uji Mann-Whitney biasanya digunakan dalam berbagai bidang, terutama lebih sering dalam Psikologi, medik/perawatan dan bisnis. Misalnya, pada psikologi, uji Mann-Whitney digunakan untuk membandingkan sikap dan perilaku, dan lain-lain. Dalam bidang pengobatan, uji Mann-Whitneydigunakan untuk mengetahui efek obat apakah sama atau tidak, selain itu juga bisa digunakan untuk menguji apakah obat tertentu dapat menyembuhkan penyakit atau tidak. Dalam Bisnis, uji Mann-Whitney dapat digunakan untuk mengetahui preferensi orang-orang yang berbeda.

Asumsi yang berlaku dalam uji Mann-Whitney adalah:

1. Uji Mann-Whitney mengasumsikan bahwa sampel yang berasal dari populasi adalah acak,

2. Pada uji Mann-Whitney sampel bersifat independen (berdiri sendiri),

3. Skala pengukuran yang digunakan adalah ordinal.

Hipotesis yang digunakan adalah:

H₀: tidak ada perbedaan distribusi skor untuk populasi yang diwakilkan oleh kelompok eksperimen dan control.

H_a: Skor untuk kelompok eksperimen secara statistik lebih besar daripada skor populasi kelompok control.

Untuk menghitung nilai statistik uji Mann-Whitney, rumus yang digunakan adalah sebagai berikut:

Dimana:

U = Nilai uji Mann-Whitney

N₁= sampel 1

N₂= sampel 2

R_i= Ranking ukuran sampel

Ilustrasi Kasus:

Profesor Kalkulus ingin melihat apakah ujian kalkulus pada pagi hari maupun siang hari berpengaruh terhadap skor hasil yang didapatkan oleh para mahasiswanya. Oleh karena itu ia memilih 19 orang mahasiswa terbaiknya untuk melaksanakan ujian pada pagi hari maupun siang hari. Kelompok pertama terdiri dari 10 orang yang melaksanakan ujian pada pagi hari, dan sisanya 9 orang melaksanakan ujian pada siang hari. Skor yang dihasilkan adalah sebagai berikut:

1. Dengan SPSS 17.0, pertama-tama kita input datanya sebagai berikut: *perhatian SPSS tidak akan bisa membaca variabel kategorik yang dlam kasus ini dibaca string (pagi dan siang), oleh karena itu pagi dan siang akan diganti dengan skor 0 untuk pagi, dan 1 untuk malam.

2. Kemudian di menubar pilih ANALYZE – NON-PARAMETRIC TEST – 2 INDEPENDENT SAMPLESseperti berikut ini:

3. Setelah muncul kotak dialog Two Independent Samples Test, masukkan variabel independenSKOR ke dalam kotak test variable list, dan masukkan variabel dependen WAKTU UJIAN ke kotakgrouping variables, kemudian klik DEFINE RANGE,

4. Setelah muncul kotak dialog Two Independent Samples: Define.., anda dapat memasukkan padagroup 1 angka 1 dan pada group 2 angka 2, karena sampel terdiri atas dua kelompok, seperti berikut – CONTINUE:

5. Jangan lupa untuk mencheklist Mann-Whitney di bagian bawah kiri, kemudian klik OK, maka akan ditampilkan output berikut:

6. Interpretasi:

Dari output Rank, dapat kita lihat bahwa nilai mean untuk mahasiswa yang ujian pada pagi hari (0) lebih besar daripada nilai mean mahasiswa yang ujian pada siang hari (11,90 > 7,89).

Dari Nilai uji Mann-Whitney U, dapat kita lihat pada output “Test Statistic^b” dimana nilai statistik uji Z yang kecil yaitu -1,553 dan nilai sig.2-tailed adalah 0,120 > 0,05. Karena itu hasil uji tidak signifikan secara statistik, dengan demikian kita dapat menerima Hipotesis null dimana tidak ada perbedaan distribusi skor pada ujian pagi hari maupun siang hari.

REGRESI LOGISTIK SPSS

admin — Sun, 20 Jan 2013 04:14:45 +0000

Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika variabel dependen (respon) merupakan variabel dikotomi. Variabel dikotomi biasanya hanya terdiri atas dua nilai, yang mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya diberi angka 0 atau 1.Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan hubungan antara variabel independen dan dependen secara linier. Regresi logistik merupakan regresi non linier dimana model yang ditentukan akan mengikuti pola kurva seperti gambar di bawah ini.

Model yang digunakan pada regresi logistik adalah:Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk

Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel independen, dan b adalah koefisien regresi.

Regresi logistik akan membentuk variabel prediktor/respon (log (p/(1-p)) yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit.Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel prediktor meningkat sebesar 1 unit.Lebih jelasnya kita dapat mengikuti ilustrasi berikut ini:

Jika kita ingin mengetahui pembelian kosmetik merk tertentu oleh beberapa orang wanita dengan beberapa variabel penjelas antara lain adalah umur, tingkat pendapatan (low, medium, high), dan status (M – menikah; S untuk single). Pada data tersebut, pembelian merupakan variabel prediktor yang dijelaskan dengan angka 1 sebagai membeli dan 0 sebagai tidak membeli.

1. Dengan SPSS 17.0 data yang diinput dapat berupa:

2. Setelah data diinput, pilih Analyze – Regression – Binary logistic seperti berikut:

3. Setelah muncul kotak dialog logistic regression, masukkan variabel dependen purchase ke kolom dependent, dan ketiga variabel independen ke dalam kolom covariates, lalu pilih tombol categoricaluntuk memasukkan variabel kategorik yaitu pendapatan dan status – klik continue:

4. Setelah itu pilih option, checklist classification plot dan Hosmer-lemeshow goodness of fit, kemudian continue:

5. Kemudian pada method pilih enter, kemudian klik OK:

6. Output yang didapatkan adalah sebagai berikut:

Output Case Processing Summary menghilangkan variabel yang tidak diperhitungkan dalam model.

Output classification table diatas menjelaskan bahwa persentase variabel yang diprediksi sebesar88,9 persen adalah baik, dan dari perbandingan antara kedua nilai mengindikasikan tidak terdapatnya masalah homoskedastisitas (asumsi model logit).Pada output variables in equation signifikansi adalah 0,05 artinya model tidak signifikan dan dengan demikian terima H0.

Pada output omnibus test menyatakan bahwa hasil uji chi-square goodness of fit lebih kecil dari 0,05, ini mengindikasikan bahwa model adalah signifikan.Hasil output pada Cox-Snell R2 dan Nagelkerke R memiliki analogi sama dengan nilai R-square padaregresi linier, menyakatan bahwa sebanyak 50,2 persen keragaman dapat dijelaskan oleh model, sedangkan sisanya diluar model.Hasil pada output Hosmer and Lemeshow Goodness-of-Fit Test mengindikasikan bahwa kita dapat menerima H0 karena Lebih dari 0,05 (1 > 0,05).

output variables in the equation menunjukkan nilai signifikansi berdasarkan Wald Statistic, jika model signifikan, maka nilai sig. adalah kurang dari 0,05.Kolom Exp(B) menunjukkan nilai odds ratio yang dihasilkan. Nilai odds ratio yang hanya mendekati 1,0 mengindikasikan bahwa variabel independen tidak mempengaruhi variabel dependen.

Output classplot diatas menunjukkan prediksi pada regresi logistik. Sumbu X menujukkan probabilitas yang diprediksi, sedangkan sumbu Y menunjukkan jumlah kasus yang diamati.

Uji Normalitas dengan SPSS 17

admin — Tue, 25 Dec 2012 16:20:06 +0000

Uji normalitas data adalah hal yang lazim dilakukan sebelum sebuah metode statistik. Tujuan uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data yang mampunyai pola seperti distribusi normal (distribusi data tersebut tidak menceng ke kiri atau ke kanan).
Misalkan dalam sebuah penelitian pendidikan ingin diketahui apakah data dalam penelitian tersebut berdistribusi normal, data penelitian adalah sebagai berikut:

1 = Laki-Laki, 2= Perempuan

Cara menganalisisnya adalah sebagai berikut:

1. Buka lembar kerja SPSS
2. Buat semua keterangan variabel di variable view seperti gambar berikut:

3. Klik Data view dan masukan semua data sehingga tampak hasilnya sebagai berikut:

4. Lakukan analisis dengan cara: memilih menu Analyze, lalu submenu Nonparametriks Test. Dari serangkaian pilihan yang ada, pilih 1-Sample K-S, akan muncul kotak dialog sebagai berikut:

5.Pindahkan semua variable ke kotak Test Variable List dengan cara menanadai semua variable kemudian menekan tanda > sehingga kotak dialog menjadi seperti berikut:

6. Klik Options sehingga muncul kotak dialog sebagai berikut, kemudian centang Descriptive lalu klik Continue.

7. Klik Exact kotak dialog akan muncul seperti dibawah ini, lalu pilih Asymplotic lalu klik Continue.

8. Klik OK sehingga akan muncul Output sebagai berikut:

NPar Tests
[DataSet0]

Interpretasi Output :

1.Deskriptif

Dari data diatas dapat dilihat bahwa jumlah semua data adalah 15 siswa yaitu pada kolom N, rata-rata dapat dilihat pada kolom Mean, standar deviasi pada kolom Std.Deviation, nilai maksimum dan minimum pada kolim minimum dan naximum.
Catatam: pada sex tidak diperbolehkan menggunakan mean, sebab sex adalah data nominal

2. Kolmogorov smirnov

* Analisis:
Ho : Populasi berdistribusi normal
Ha : Populasi tidak berdistribusi normal
* Dasar pengambilan keputusan adalah berdasarkan probabilitas
Jika nilai probabilitas > 0,05 maka Ho diterima
Jikan nilai probabilitas <= 0,05 maka Ho ditolak
* Keputusan
a. Sex: Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed)) adalah 0,023 atau probabilitas kurang dari 0,05 maka Ho ditolak yang berarti populasi tidak berdistribusi normal.
b. Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed)) adalah 0,904 atau probabilitas lebih dari 0,05 maka Ho diterima yang berarti populasi berdistribusi normal.
c. Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed)) adalah 0,977 atau probabilitas lebih dari 0,05 maka Ho diterima yang berarti populasi berdistribusi normal.
Semoga bermanfaat…

Cara melakukan uji-t dengan spss

admin — Thu, 22 Nov 2012 13:17:20 +0000

Kali ini saya akan membahas mengenai uji t, Harpan saya anda telah membaca artikel kami sebelumnya mengenai sehingga anda tidak mengalami kesulitan dalam mempelajari artikel ini. Berikut ini ialah data yang kan kita gunakan untuk melakukan analisis, value =1 demonstrasi dan value = 2 untuk eksperimen.

Kemudian buat dua Variabel baru pada Variable view, Metode dan Prestasi. Sehingga tampilanya sbb:

Setelah itu lakukan entry data pada data view, dengan menulisakan angka satu pada metode demonstrasi dan angka 2 eksperimen. Tampilanya sbb :

selanjutnya kita melakukan analisis dengan memilih Analyze-> Compare Means -> Independent Samples T Test. maka akan tampil sperti gambar di bawah ini :

Masukkan variable terikat (prestasi) ke Test variable, variable bebas ke grouping variable. Pilihlah group 1 (untuk metode demonstrasi), group 2 (untuk metode eksperimen).

Kemudian tekan Ok, Hasil Uji T-nya sebagai berikut:

Interpretasi hasil uji anova

Uji Levene digunakan untuk mengetahui homogenitas sampel. Jika sig > 0.05 maka sampel homogen.
Hasil Uji T menunjukkan sig 0.004 atau kurang dari 0.05, maka dapat disimpulkan ada perbedaan prestasi belajar yang signifikan antara penggunaan metode demonstrasi dan eksperimen.

cara melakukan analisis regresi dengan spss

admin — Wed, 14 Nov 2012 12:50:30 +0000

Analisis regresi merupakan analisis yang digunakan untuk mengetahui adanya pengaruh variabel bebas terhadap variabel terikat dalam penelitian. Sebelum lebih jauh saya menyampaikan bagaimana cara analisis regresi, sedikit saya sampaikan hal-hal yang terkait dengan analisis tersebut.

A. Istilah-istilah

variabel bebas : yaitu variabel yang mempengaruhi atau disebut juga variabel independent
variabel terikat : yaitu variabel yang dipengarui atau disebut juga variabel dependent

contoh judul penelitian :

pengaruh pemberian asi pada bayi terhadap kecerdasan anak. (dari judul ini, maka variabel bebas nya: pemberian asi, dan variabel terikatnya: kecerdasan anak)
pengaruh gaya kepemimpinan dan tata ruang kantor terhadap efisiensi kerja di PT Rahmadi Putra (variabel bebasnya ada dua yaitu gaya kepemimpinan, dan tata ruang kantor, sedangkan variabel terikatnya: efisiensi kerja)

Jumlah variabel bebas (independen) umumnya tidak dibatasi harus satu, dua atau tiga. Tetapi hal tersebut disesuaikan dengan kemampuan peneliti. Semakin banyak variabel bebasnya, maka akan semakin rumit, baik proses penelitiannya maupun olah datanya. Untuk variabel terikat biasanya hanya satu. Sehingga persamaan regresi yang umum adalah sebagai berikut :
Y=a+bX
Y= variabel terikat
a= konstanta
b= koefisien regresi
X= variabel bebas

B. Data penelitian
Data penelitian secara umum dikelompokkan menjadi 4 tingkatan:
1. data nominal : data kategori, yaitu data angka yang hanya merupakan simbol saja. Misal data jenis kelamin, pria=1, wanita=2. angka 1 dan 2 bukan angka sebenarnya. Jadi tidak dapat disimpulkan bahwa wanita lebih baik dari pria atau sebaliknya. Contoh lain data agama, islam=1, nasrani=2, yahudi=3. bukan berarti agama yahudi yang terbaik. Ciri data nominal, data ini tidak bisa digunakan untuk perhitungan matematis. Jadi misal islam+nasrani=1+2=3 jadi yahudi, bukan seperti ini. Ini tidak berlaku pada data nominal.
2. data ordinal : data kategori, tetapi antara data satu dan yang lainnya memiliki perbedaan, misal peringkat kelas, peringkat 1 tentu lebih baik dari peringkat 2 dan peringkat 3 dan seterusnya. Data jenis ini juga tidak bisa digunakan untuk perhitungan matematis. Angka 1, 2, 3, dst adalah simbol, tetapi diketahui bahwa angka peringkat 1 tentu lebih baik. Faham? He he he Atau contoh lain data tentang kepuasan menggunakan produk (sangat puas, puas, tidak puas).
3. data interval : data berjarak, antar kategori dapat diketahui selisihnya. Data ini juga tidak dapat dibandingkan atau dijumlahkan. Duh, gimana ya njelasinnya… emmm contoh aja ya: misal data suhu air atau suhu apa lah (misal air A=100 derajat, air B=200 derajat, air C=0 derajat. Bukan berarti air B 2 kali lebih panas dari air A, bukan berarti air C tidak memiliki suhu). Contoh lain tentang hasil belajar (A nilainya 40, B= 70, C= 80, D=0. bukan berarti kepandaian A hanya setengahnya C. Juga bukan berarti D tidak punya pengetahuan sama sekali)
4. data rasio : data angka numerik, bisa dilakukan operasi matematika, merupakan data hasil pengukuran, dapat diketahui selisihnya, dapat dibandingkan. Misalnya lama pendidikan SD 6 tahun, SMP 3 tahun, SMA 3 tahun, Sarjana 4 tahun. Jadi lama nya sekolah SD adalah dua kali lamanya sekolah SMP. Contoh lain tentang tinggi siswa, tentang jumlah gaji, dan lain-lain.

itu saja sedikit pengantar pendukungnya, kenapa saya menjelaskan masalah diatas, karena penting untuk pengetahuan sebelum melakukan analisis regresi. Karena analisis regresi membutuhkan data dengan syarat-syarat tertentu, antara lain datanya harus normal, supaya data normal dapat diakali dengan memperbanyak jumlah sampel. Data bersifat interval atau rasio dan sebagainya.
Langsung saja misalnya kita melakukan penelitian tentang pengaruh tinggi badan terhadap jarak lompatan pada olah raga lompan jauh misalnya. Dari judul ini, kita ingin menguji apakan tinggi badan seseorang itu mempengaruhi jarak lompatan atau tidak.

Misalnya kita punya data tujuh Orang Mahasiswa, kita akan meng-entry data ketujuh mahasiswa tersebut seperti pada pengenalan olah data SPSS di artikel sebelumnya. untuk datanya misalnya ssb:

Sebagai tambahan, yang perlu disesuaikan hanya bagian “name” isikan nama variabel nya, disingkat saja lebih mudah, tetapi tidak boleh didahului dengan angka, misal 1a, 1b, 1c seperti itu tidak boleh. Harus huruf dulu, misal ada angka ya boleh, tapi tidak didepan, misalnya A1, A2, A3 seperti ini boleh. Contoh penelitian kita tadi kan variabelnya tinggi badan dan jarak lompatan, misal tinggi badan saya tulis TB, jarak lompatan saya tulis JL. Pada bagian “type” karena tinggi dan jarak adalah angka2 nanti datanya, maka saya pilih “numerik”. Kolom “decimal” digunakan untuk mengatur berapa angka dibelakang koma. Selanjutnya pada “label” anda boleh tulis lengkap nama variabelnya, misal “tinggi badan” dan “jarak lompatan” seperti ini tampilannya :

Kemudian entry datanya sehingga tampilanya menjadi seperti berikut:

Pilih ‘Analyze’-‘Regression’-‘Linier’ kemudian Klik. Sehingga muncul tampilan berikut.

perhatikan pada bagian yang saya kotaki saja, disana ada dua variabel yang tadi kita susun yaitu “tinggi badan [TB] dan jarak lompatan [JL]” klik tinggi badan, kemudian masukkan ke kolom dependent, caranya klik panah disamping kolom tersebut. Sehingga tampilan seperti berikut ini:

Kemudian klik “Statistik” untuk menampilkan ukuran statistik yang dibutuhkan. Beri tanda centang yang dipilih, congkreng yang anda inginkan.
Kemudian klik “continue” untuk kembali ke jendela sebelumnya. Setelah itu klik “plot” digunakan untuk menentukan grafik histogram dan normal plot.
Masukkan DEPENDNT ke X, dan ZRESID ke Y, kemudian beri tanda centang pada histogram dan normal probability plot. Klik “continue”.
Selanjutnya klik “OK” dan tunggu spss sedang memproses data anda.

Tabel descriptive statistic: menjelaskan bahwa yang dianalisis ada dua variabel, yaitu tinggi badan dan jarak lompatan. Juga disebutkan mean dan standar deviasi nya, N=7 berarti jumlah data yang kita olah ada 7 data/kasus.

Tabel corelation: menunjukkan tingkat hubungan, tampilan ini sama persis ketika kita melakukan uji korelasi, tetapi pada uji korelasi biasanya ada keterangannya. Nah pembacaan tabel ini adalah disana terdapat “pearson correlation” berarti menggunakan korelasi pearson, kenapa otomatis begitu? Karena spss tahu jenis data nya rasio. Korelasi tinggi badan vs jarak lompatan = 0,971. (catatan: besarnya nilai korelasi antara -1 s/d +1). Sehingga angka 0,971 termasuk korelasi yang tinggi/signifikan. Pada “sig(1-tailed)” sebesar =0.000 ini dibandingkan dengan taraf signifikansi 5% = 0,05. jika sig(1-tailed) lebih kecil dari 0,05 maka terdapat korelasi yang signifikan. Sebaliknya jika angka sig(1-tailed) lebih besar dari 0,05 maka korelasi tidak signifikan. Hasil analisis diatas berarti ada korelasi yang signifikan.
Tabel variable entered/removed. Menjelaskan apakah ada variabel yang di hapus atau dimasukkan ke analisis. Disana variable removed tidak ada, berarti tidak ada data yang dihapus, berarti semua variabel dianalisis begitu maksudnya.

Tabel model summary: menjelaskan besarnya presentase pengaruh variabel bebas terhadap variabel terikat. Lihat pada R square=0,943 yang berarti variabel tinggi badan mempengaruhi sebesar 94,3% terhadap variabel jarak lompatan, sedangkan 5,7% (100%-94,3%) dipengaruhi oleh faktor lain.

Pada tabel anova, dapat diketahui apakah var bebas dapat menjelaskan variasi var terikatnya. Berdasarkan angka F =82,841 dibandingkan dengan F tabel pada df pembilang=1, df penyebut=6 diperoleh angka 5,99 untuk 5%, dan 13,74 untuk 1%. Cara pengambilan keputusan, jika F hitung > F tabel, maka var bebas dapat menjelaskan variasi var terikat.

Tabel coefisien: digunakan untuk membuat persamaan regresi. Dengan mengambil angka pada kolom B, pada constant= -7.087 dan tinggi badan=0,064 berarti persamaan regresi nya: Y = -7,087 + 0,064 X

Output berikutnya hanya grafik saja, merupakan gambaran penyebaran data dalam bentuk grafik, tidak perlu saya lampirkan disini gambarnya.

Menggunakan fungsi Frequencies dan Explore dengan spss17

admin — Sat, 10 Nov 2012 04:53:32 +0000

Masih menggunkan data pada pada artikel sebelumnya, kita akan menggunakan fungi Frequencies, Explore dan Crosstabs untuk mengolah data. tetapi sebelumnya kita buat dulu satu variabel baru Total yang merupakan penjumlahan nilai setiap mahasiswa, dengan fungsi Transform. Langkahnya sbb:

Klik menu [Transform] –> [Compute], muncul dialog box Compute Variable.
Buatlah variabel baru dengan nama “total” untuk menempatkan hasil penjumlahan nilai A, B, dan C, caranya: tuliskan “total” pada form Target Variable. Kemudian Klik [Type & Label], beri label “Nilai Total“.
Ketik “A + B + C” (sesuai nama variabel dan perintah penjumlahan ) pada form Numeric Expression. Anda juga dapat menggunakan tombol-tombol yang tersedia pada dialog box, lihat Gambar.

Klik [OK]. Pada Data View akan muncul variabel baru dengan nama “Total” lihat gambar.

Setelah data di-entry, selanjutnya memulai menggunakan perintah-perintah statistik deskriptif. Tahap pertama adalah menggunakan perintah Frequencies.

1. Frequencies

Perintah Frequencies digunakan untuk memperoleh jumlah pada nilai-nilai sebuah variabel tunggal. Langkah-langkahnya adalah sebagai berikut:

Klik menu [Analyze] -> [Descriptive Statistics] -> [Frequencies].
Muncul dialog boxFrequencies. Klik “Jenis Kelamin [Gender]” ‐> klik gambar yang saya lingkari, (untuk memasukkan variabel Jenis Kelamin ke form Variables(s). Kita akan menganalisis variabel Jenis Kelamin.
Jangan lupa centang Display frequency tables.
- Agar menampilkan representasi bergambar (grafik), klik [Charts], maka akan muncul dialog boxFrequencies: Charts. Saya memilih Bar charts pada form Chart Type. Pada form Chart Values , saya memilih Percentage.
- Kemudian klik [Continues] untuk kembali ke dialog boxFrequencies lalu klik [OK] maka muncul jendela SPSS Viewer yang menunjukkan hasil analisis frekuensi.

Pada Gambar terlihat hasil analisis SPSS, di mana pada tabel pertama N Valid = 10 yang menunjukkan jumlah responden 10 orang dan N Missing = 0 yang berarti tidak ada data yang hilang (missing). Pada tabel yang kedua terlihat hasil analisis Frequencies terhadap variabel Jenis Kelamin, di mana jumlah responden laki-laki 8 orang (80%) dan responden perempuan ada 2 orang (20%). Jika scroll digeser ke bawah akan terlihat Bar Chart (lihat Gambar di bawah ) yang menunjukkan visualisasi jumlah responden laki-laki dan perempuan.

Perhatikan kriteria “laki-laki” dan “perempuan“, ini merupakan hasil definisi value variabel Gender pada kolom Values, di mana Value: 1 = Laki-laki dan Value: 2 = Perempuan. Jika definisi value diabaikan maka pada bar chart maupun tabel analisis yang terlihat bukan laki-laki dan perempuan melainkan 1 dan 2. Begitu juga judul tabel dan judul histogram: “jenis kelamin“, ini merupakan hasil dari proses label yang telah kita lakukan untuk variabel Gender. Fungsi label ini bermanfaat untuk para pembaca analisis, misal penguji pada sidang Tugas Akhir / Skripsi. Selanjutnya adalah penggunaan perintah Explore.

2. Explore

Perintah Explore digunakan untuk membandingkan antara dua atau lebih kelompok dengan satu variabel. Sebagai contoh, jika kita menggunakan Jenis Kelamin sebagai variabel independen; variabel ini mendefinisikan kelompok (Laki-Laki dan Perempuan), kemudian membandingkannya dengan variabel lain, seperti Usia. Perintah Explore; contoh dalam kasus mean, akan menghasilkan berapa rata-rata usia laki-laki dan berapa rata-rata usia perempuan. Ukuran-ukuran yang dihasilkan perintah Explore antara lain: ukuran-ukuran pemusatan data (mean dan median), ukuran penyebaran (range, interquartile range, standar deviasi, varians, minimum, dan maksimum), ukuran kurtosis, dan skewness.

Berikut langkah-langkah perintah Explore:

Klik menu [Analyze] -> [Descriptives Statistics] -> [Explore].
Muncul dialog boxExplore.
- formFactor List, isi: variabel Jenis Kelamin.
- formDependent List, isi: variabel Usia, Nilai A, Nilai B, Nilai C, dan Nilai Total. lihat gambar.
FormDisplay ada tiga pilihan Both, Statistics, dan Plots. Saya hanya memilih [Statistics].
- Klik [Plots] bila perlu grafik boxplot.
- Klik [Statistics] bila tidak perlu grafik boxplot.
- Klik [Both] bila perlu keduanya.
Terakhir klik [OK].

Outputnya variabel usia akan seperti ini.

Oke, selesai. Tunggu artikel lain dari kami.

Olah Data Statistik Deskriptif dengan SPSS versi 17

admin — Wed, 07 Nov 2012 05:03:54 +0000

Pada Tutorial kali ini kita menggunakan data pada gambar di bawa ini.

Langkah awal yang perlu dilakukan adalah meng-entry data, tentunya anda perlu paham dasar-dasar SPSS (silahkan baca posting sebelumnya yang berjudul: Pengenalan Cara Olah Data dengan SPSS versi 17). Entry data dilakukan pada tab sheet Data View setiap baris mewakili satu responden, sedangkan setiap kolom mewakili satu variabel, dalam kasus ini variabelnya adalah: Nama, Usia, Jenis Kelamin, Nilai A, Nilai B, dan Nilai C. Berikut langkah-langkah entry datanya:

Masukkan variabel: Nama untuk “Nama”, Usia untuk “Usia”, Gender untuk “Jenis Kelamin”, A untuk “Nilai A”, B untuk “Nilai B”, dan C untuk “Nilai C” pada kolom Name pada tab sheet[Variable View].
Berilah label untuk masing-masing variabel dengan menuliskannya pada kolom Label: Usia, Jenis Kelamin, Nilai A, Nilai B, dan Nilai C. Hal ini berarti: variabel Gender mempunyai label “Jenis Kelamin”, variabel A mempunyai label “Nilai A”, dan seterusnya.
Untuk variabel Gender pada kolom Values, definisikan Value: 1 = Laki-laki dan Value: 2 = Perempuan.
Untuk variabel Nama (baris pertama ) pada kolom Type, ubah tipe data menjadi String.
Pada kolom Decimals isi nol untuk semua variabel.
Untuk kolom lainnya seperti Width, Missing, dan Columns biarkan tetap default SPSS.
Jangan lupa ”save” atau tekan Ctrl + S. Selajutnya Beri nama file sesuai keinginan anda.

Entry Variabel pada Tab Sheet Variable View

Kemudian klik tab sheet [Data View] dan mulailah meng-entry data seperti yang diperlihatkan Gambar di bawah ini.

Entry Data pada Tab Sheet Data View

Untuk melihat hasil definisi Value pada variabel Gender, klik ikon , variabel Gender akan terdefinisi menjadi laki-laki dan perempuan, tidak lagi berisi angka 1 dan 2.

Setelah data di-entry,selanjutnya memulai menggunakan perintah-perintah statistik deskriptif. Dengan menggunakan data sebelumnya langkah-langkah perintah Descriptives adalah sebagai berikut:

Klik menu [Analyze] -> [Descriptives Statistics] -> [Descriptives].
Muncul dialog box Descriptives. Masukkan variabel yang akan dianalisis ke form Variables(s). Untuk melakukan setting optional klik [Options].
Muncul dialog box Descriptives: Options. Centang analisis yang diperlukan. Dalam hal ini pilihannya adalah: Mean, Std. deviation, Minimum, Maximum, Kurtosis, Skewness, dan pada form Display Order centang Variable list.

Klik [Continue] dan [OK]. Hasil analisis akan terlihat seperti tabel yang ditunjukkan Gambar di bawah ini :

Klik Gambar, untuk Memperbesar.

Tabel output di atas menunjukkan jumlah pengukuran (N), nilai minimum (Minimum), nilai maksimum (Maximum), nilai rata-rata (Mean), standar deviasi (Std.), Skewness, dan Kurtosis dari masing-masing variabel. Nilai skewness merupakan ukuran kesimetrisan histogram, sedangkan kurtosis merupakan ukuran datar atau runcingnya histogram. Idealnya nilai skewness dan kurtosis pada distribusi normal adalah nol. Oleh karena itu:

Jika nilai skewness positif maka distribusi data “miring ke kiri distribusi normal” (ada frekuensi nilai yang tinggi di sebelah kiri titik tengah distribusi normal), sebaliknya apabila skewness negatif maka distribusi data ”miring ke kanan distribusi normal” (kiri bagi kita yang melihatnya).
Jika nilai kurtosis positif maka distribusi data “meruncing” (ada satu nilai yang mendominasi), sebaliknya apabila Kurtosis Negatif maka distribusi data “melandai” (varians besar).

Perhatikan Gambar di atas, variabel Usia memiliki skewness negatif dan kurtosis positif, artinya distribusinya “miring ke kiri distribusi normal” dan “meruncing”. Pada variabel nilai A, nilai skewness positif dan nilai kurtosis negatif, artinya distribusinya “miring ke kanan distribusi normal” dan “melandai”.

Pengenalan Cara Olah Data dengan SPSS versi 17

admin — Mon, 05 Nov 2012 09:47:44 +0000

Pada versi 17, ketika anda membuka SPSS akan muncul dua jendela program yang satu bertuliskan SPSS Data Editor dan yang satunya lagi bertuliskan SPSS Viewer.

Gambar (1)Data Editor (2) SPSS Viewer.

SPSS Data Editor merupakan tempat untuk entry data dan melakukan perintah analisis, sedangkan SPSS Viewer akan menampilkan hasil dari analisis SPSS. Pembahasan paling penting untuk pengenalan SPSS ini adalah pada jendela SPSS Data Editor.

SPSS Data Editor

SPSS Data Editor terdiri dari dua tab sheet, yaitu: Data View dan Variable View.

1. Data View

Data View adalah tab sheet yang menampilkan nilai data yang sebenarnya atau label nilai yang didefinisikan. Pada tab sheet inilah, anda mengentri data ke SPSS (Lihat gambar data view). Diatasnya terdapat menu-menu seperti File, Edit, View, Windows, dan Help seperti halnya menu-menu umum pada aplikasi under Windows lainnya. Menu-menu utama SPSS adalah:

Data. Menu ini menampilkan submenu untuk melakukan perubahan-perubahan data, seperti mengurutkan data, memisahkan isi file dengan kriteria tertentu, menggabungkan data, etc.
Transform. Menu untuk transformasi data, seperti menghitung variabel data, mengubah data, merangking data, etc.
Analyze. Menu yang menjadi pusat pengolahan data, seperti mengolah statistik deskriptif, regresi, korelasi, etc.
Graphs. Menu untuk menampilkan data dan hasil pengolahan data dalam bentuk grafik dan chart, seperti bar charts, histogram, scatter diagram, etc.
Utilities.Menu pelengkap dalam pengoperasian SPSS, seperti menampilkan informasi variabel, mendefinisikan dan menampilkan variabel data, etc.
Gambar data view

2. Variable View

Variable View adalah tab sheet yang menampilkan kamus metadata di mana setiap baris mewakili sebuah variabel dan memperlihatkan nama variabel, jenis data (misal: numeric, string, date), lebar cetak, dan berbagai karakteristik lain.

Gambar Variable View

Menu yang tersedia dalam Variabel View diantaranya:
- Name. Kolom ini untuk memberikan informasi tentang nama variabel data. Nama variabel yang kita tuliskan di sini akan muncul pada Data View. Beberapa aturan penamaan variabel:
  - Nama variabel maksimal 8 karakter.
  - Nama diawali dengan huruf (tidak bisa dimulai dengan angka), sisanya dapat berisi huruf, angka, titik, atau simbol @, #, _, atau $. Kosong dan karakter khusus lain (misal: ! , ? , ‘ , dan *) tidak dapat digunakan.
  - Nama tidak bisa berakhir dengan titik dan tidak harus diakhiri dengan garis bawah “_”.
  - nama variabel harus unik; duplikasi tidak diperbolehkan.
  - Nama-nama variabel tidak case sensitif, “Nama”, “nama”, dan “naMa” semua dianggap sama.
- Type. Kolom ini untuk memberikan jenis variabel data yang digunakan, apakah Numeric, String (data berupa karakter, misal “Nama”), Date, etc. Klik dalam kolom Type maka akan muncul dialog box Variable Type. Pada dialog box ini, kita dapat mengubah jenis data dan juga lebar kolom (Width) dan jumlah angka desimal (Decimal Places). Secara default, SPSS memberikan jenis data numericdengan lebar 8 digit dan 2 angka desimal di belakang koma.
  Variable Type
  - Label. Kolom ini menunjukkan tambahan informasi dengan memberi label pada variabel data yang kita inginkan. Misalnya:
    variabel: ”barang” kita beri label: ”nama barang”
    variabel: ”X” kita beri label ”Permintaan”
    variabel ”Y” kita beri label ”Ramalan Permintan”
    Pemberian label dapat membantu dalam interpretasi hasil analisis (output) karena definisi output lebih jelas.
  - Value. Kolom ini untuk memberikan label string yang diterapkan untuk nilai numeric tertentu, biasanya untuk data yang bersifat ordinal dan interval, misal angka 1 untuk laki-laki dan angka 2 untuk perempuan. Klik pada kolom Values maka akan muncul dialog box Value Labels. Misalnya untuk variabel ”gender” kita akan mendefinisikan ”jenis kelamin” dengan memberi label: Isi [Value] dengan angka 1 dan [Label] dengan “Laki-laki” lalu klik [Add], kemudian ulangi langkah-langkah tersebut untuk jenis kelamin “Perempuan“—lihat Gambar. Nantinya pada variabel gender,kita tidak perlu menuliskan laki-laki dan perempuan melainkan cukup mengisi 1 untuk laki-laki dan 2 untuk perempuan.
    Gambar Value Labels
  - Missing. Kolom ini menunjukkan nilai yang hilang (missing value) dalam data (jika ada). Responden dapat menolak untuk menjawab pertanyaan tertentu, mungkin tidak tahu jawabannya, atau mungkin menjawab dalam bentuk lain. Jika anda tidak mengidentifikasi data ini, analisis anda mungkin tidak memberikan hasil yang akurat. Klik pada kolom Missing maka akan muncul dialog box Missing Values. Pada form Discrete, isi angka yang akan dijadikan pengganti missing value, misal: 9, 99, 999, etc. Jika kita memilih angka 9, maka setiap ada data yang tidak diisi (missing value) angka 9 yang harus diisikan, jangan dibiarkan kosong.
    
    dialog box missing
    - Columns. Kolom ini menunjukkan lebar kolom. baik jenis data numeric maupun string, lebar maksimal 255 digit.
    - Align. Kolom ini menunjukkan posisi data pada tiap cell. Terdapat tiga pilihan posisi data, yaitu: left, right, dan center.
    - Measure. Kolom ini menunjukkan jenis ukuran data yang digunakan. Terdapat tiga pilihan jenis ukuran data, yaitu: Scale, Nominal, dan Ordinal.