COMPUTER 1-INTRODUCTION SPSS

- 1 -
Laboratorium Komputer
UMM
BAB I
PENDAHULUAN
1.1. SPSS FOR WINDOWS
SPSS adalah kependekan dari Statistical Program for Social Science merupakan paket program
aplikasi komputer untuk menganalisis data statistik. Dengan SPSS kita dapat memakai hampir dari
seluruh tipe file data dan menggunakannya untuk untuk membuat laporan berbentuk tabulasi, chart
(grafik), plot (diagram) dari berbagai distribusi, statistik deskriptif dan analisis statistik yang kompleks.
Jadi dapat dikatakan SPSS adalah sebuah sistem yang lengkap, menyeluruh, terpadu, dan sangat
fleksibel untuk analisis statistik dan manajemen data, sehingga kepanjangan SPSS pun mengalami
perkembangan, yang pada awal dirilisnya adalah Statistical Package for the Social Science, tetapi pada
perkembangannya berubah menjadi Statistical Product and Service Solution.
Keunggulan dari SPSS for windows diantaranya adalah diwujudkan dalam menu dan kotak-
kotak dialog antar muka (dialog interface) yang cukup memudahkan para user dalam perekaman data (data
entry), memberikan perintah dan sub-sub perintah analisis hingga menampilkan hasilnya. Disamping itu
SPSS juga memiliki kehandalan dalam menampilkan chart atau plot hasil analisis sekaligus kemudahan
penyuntingan bilamana diperlukan.
Dalam menunjang kerjanya, SPSS for windows menggunakan 6 tipe window, yaitu : SPSS Data
Editor, output Window, Syntax Window, Chart Carousel, Chart Window, dan Help Window.
1.2. PENGERTIAN DASAR
1.2.1. Konsep Data dalam SPSS
Karena SPSS merupakan paket program untuk mengolah dan menganalisis data, maka untuk
menjalankan program ini terlebih dahulu harus dipersiapkan data yang akan diolah dan dianalisis
tersebut.
Untuk bisa dimengerti oleh prosesor pada SPSS for windows, data tersebut harus mempunyai
struktur, format dan jenis tertentu. Setelah anda memahami konsep data dan konsep window dalam
SPSS for windows, hal lain yang perlu diperhatikan dalam analisis adalah pemilihan prosedur yang
sesuai dengan kasus yang sedang dihadapi. Kesalahan dalam memilih prosedur tentunya akan
mengakibatkan hasil analisis yang diperoleh tidak sesuai dengan yang diharapkan.
1.2.2. Struktur Data
Dalam SPSS, data yang akan diolah harus dalam bentuk m baris dan n kolom. Tiap baris data
dinamakan case (kasus) dan tiap kolom data mempunyai heading yang dinamakan variabel.
Nama Gender Alamat Lahir
Indra Gunawan Laki-laki Surabaya 03/11/77
Dwi Wahyuni Perempuan Malang 16/04/65
Andi Setiono Laki-laki Jember 02/10/89
Ambarsari Perempuan Kediri 14/12/79
Henny Andika P. Perempuan Jakarta 10/01/92

- 2 -
UMM
Struktur data diatas menunjukkan listing data yang terdiri dari 4 variabel dan 5 case. Misal
variabel-variabel tersebut diberi nama NAMA, GENDER, ALAMAT dan LAHIR, maka NAMA dan
ALAMAT adalah variabel bertipe string, GENDER bertipe numerik dan lahir bertipe Date.
1.2.3. Missing Value
Missing value atau harga yang hilang, adalah istilah yang digunakan oleh SPSS untuk
mendeklarasikan data yang hilang/tidak lengkap. Hal ini diperhatikan karena data yang hilang akan
sangat berpengaruh pada hasil pengolahan maupun analisis dari keseluruhan data.
Sering kita menjumpai ketidaklengkapan dalam pengumpulan data, misalnya pada pengumpulan
nilai test IQ suatu kelas dengan 50 siswa, dimana ada 3 siswa yang tidak masuk pada salah satu hari test
dari dua hari yang dijadwalkan. Tentunya ketidakhadiran siswa tersebut akan mempengaruhi hasil
analisis data kelas tersebut secara keseluruhan. Untuk mengatasi hal ini, nilai test ketiga siswa harus
diberi harga tertentu, misalnya 0 yang dideklarasikan sebagai missing value. Dengan value ini case yang
valid hanya 47 meski jumlah case 50.
Ada dua jenis missing value yang dikenal oleh SPSS, yakni :
a. User missing value, adalah missing value yang nilai ditentukan oleh user (pemakai). Seperti pada
pendataan nilai test IQ di atas, ditentukan haraga 0 sebagai missing value.
b. System missing value, adalah missing value yang ditentukan secara otomatis oleh SPSS, yaitu
bilamana dijumpai harga yang ilegal, sepeti didapatinya karakter alpabetic pada variabel numerik,
atau perhitungan yang menghasilkan nilai tak terdefinisikan pada perintah transformasi data seperti
pembagian dengan 0.
1.2.4. Konsep Variabel
Dilihat dari bentuknya, variabel terdiri dari:
a. Variabel Kualitatif, variabel ini berbentuk klasifikasi atau kategori
Dalam tipologi dasar, variabel ini dibedakan menjadi dua macam:
- Tanpa peringkat, Contoh (Surabaya, Bandung, Jakarta), (Laki-laki, Perempuan), (Hijau, Hitam,
Merah).
- Dengan peringkat, Contoh: (Kurang, Cukup, Baik), (Rendah, Sedang, Tinggi), (Pesuruh,
Penyelia, Direktur).
b. Variabel Kuantitatif, Variabel ini merupakan skor yang berwujud numerik.
Secara garis besar terdiri dari:
- Diskrit, Contoh: jumlah siswa, banyak kasus, jumlah penduduk.
- Kontinue, Contoh: tinggi badan, berat badan, jarak lempar, besar kaki
1.3. WINDOW PADA SPSS FOR WINDOWS
1 Data Editor
Menu : File, Edit, Data transform, Statistic, Graphs, Utilities, Window, Help.
Data editor adalah window yang bersama output window pertama kali keluar pada saat pertama

- 3 -
UMM
kali dioperasikannya SPSS for windows. Window ini berwujud kotak-kotak persegi (sel-sel) sejenis
tampilan spreadsheet yang berfungsi sebagai sarana pemasukan data, penghapusan, pengurutan dan
berbagai pengolahan data aslinya.
1 Output Window
Menu: File, Edit, Data transform, Statistics, Graphs, Utilities, Window, Help.
Output window adalah text window yang merupakan media tampilan dari hasil proses yang
dilakukan oleh SPSS prosesor. Setiap kali anda melakukan pengolahan data pengolahan grafik,
penganalisaan data maupun perjalanan menu utilities, maka seluruh hasil proses tersebut akan
ditampilkan pada output window ini.
1 Syntak Window
Menu: File, Edit, Data transform, Statistics, Graph, Utilities, Window, Help.
Syntak Window adalah text window yang digunakan untuk menuliskan susunan perintah atau
program dalam SPSS for windowa.
1 Chart Carousel
Menu: File, Edit, Carousel, Window, Help.
Chart Carousel adalah window yang digunakan untuk menampilkan chart yang dihasilkan oleh
SPSS.
1 Chart Window
Chart Window adalah merupakan chart editor yang digunakan untuk menyimpan, memanggil,
memodifikasi dan mencetak chart yang dihasilkan oleh SPSS.
1 Help Window
Help window ini digunakan untuk jika anda mengalami kesulitan didalam menjalankan program
SPSS. Dengan membuka file menu ini maka anda dapat mengetahui fungsi tombol-tombol, kotak
isian dan lain-lain.
1.4. MENJALANKAN SPSS FOR WINDOW
Untuk mengaktifkan SPSS for window ikutilah langkah-langkah berikut:
1. Klik tombol Start
2. Arahkan pointer mouse pada menu program
3. Arahkan pointer mouse ke folder program SPSS dan klik mouse, maka pada layar monitor akan
didapatkan tampilan utama dari SPSS for Windows seperti gambar berikut :
Title Bar
Menu Bar
Tool Bar
Sel Aktif

- 4 -
UMM
Sistem kerja SPSS for windows dikendalikan oleh menu. Hampir seluruh kerja anda dimulai
dengan menentukan pilihan pada menu bar. Ada sembilan menu utama yang dimiliki SPSS for
windows, yaitu:
Ë File : Digunakan untuk membuat file baru atau membuka file, menyimpan file.
Ë Edit : Digunakan untuk memodifikasi, mengkopi, menghapus, mencari dan mengganti data atau
teks dari output windows maupun syntak windows.
Ë Data : Digunakan untuk membuat pilihan global dari file data SPSS, seperti pendefinisian variabel,
penggabungan file, transpose data, mengambil sebagai case dan sebagainya.
Ë Transform : Digunakan untuk mentranformasi data, yaitu pembentukan variabel baru yang valuenya
merupakan hasil tranformasi dari value variabel-variabel yang sudah ada. Atau memodifikasi
variabel yang sudah ada berdasarkan variabel yang lain. Seperti tranformasi dengan operator
aritmatik, fungsi aritmatika, fungsi statistik dan sebagainya.
Ë Analyze : Digunakan untuk memilih berbagai prosedur pengolahan secara statistik seperti tabulasi
silang (crosstab), korelasi, regresi linier, analisis varians, penyusunan laporan dan sebagainya.
Ë Graph : Digunakan untuk mengaktualisasikan data berupa bar chart, pie chart, histogram,
scatterplots (diagram pencar), dan bentuk-bentuk grafik lainnya.
Ë Utilities : Digunakan untuk mengubah fonts, mengakses data secara dinamik, menampilkan
berbagai informasi mengenai isi file data SPSS, atau menampilkan indeks dari perintah-perintah
SPSS.
Ë Windows : Digunakan untuk mengatur, memilih, dan mengontrol atribut-atribut windows SPSS.
Ë Help : Digunakan untuk membuka windows standart Microsoft Help yang memuat informasi
bantuan bagaimana menggunakan bantuan berbagai fasilitas pada SPSS. Informasi bantuan ini juga
bisa didapatkan lewat setiap kotak dialog.
Mengakhiri paket program aplikasi SPSS for windows ini, lakukan langkah-langkah berikut:
Dari menu (menu dengan keaktifan window manapun juga), pilih:
FILE…EXIT
Untuk setiap window yang telah anda buka, SPSS akan mananyakan apakah anda akan menyimpan
sisanya sebelum mengakhiri sesi tersebut. Untuk mengakhiri sesi tanpa menyimpan terlebih dahulu
klik tombol No untuk masing-masing window. Jika anda tekan tombol Yes atau tekan Enter,
maka SPSS akan membuka kotak dialog yang sesuai dengan tipe windownya untuk melakukan
penyimpanan.

- 5 -
UMM
BAB II
MENANGANI FILE DATA
DAN MENGISIKAN DATA
2.1. MENDEFINISIKAN VARIABEL
Buatlah sebuah file dengan data seperti di bawah ini :
No Nama Jenis Kelamin Golongan Masa kerja Gaji awal
1 Anjasmara Laki - Laki 2 4 300.000
2 Gunawan Laki - Laki 3 3 500.000
3 Desy Ratnasari Perempuan 1 0 200.000
4 Doni Damara Laki - Laki 2 2 300.000
5 Dian Nitami Perempuan 3 5 500.000
6 Maudy Kusnaedy Perempuan 2 3 300.000
7 Indra Safera Laki - Laki 4 4 500.000
8 Gusti Randa Laki - Laki 3 1 500.000
9 Wanda Hamida Perempuan 3 2 500.000
10 Rano Karno Laki - Laki 1 2 200.000
Sebelum anda mengisikan data tersebut diatas maka langkah-langkah yang harus dilakukan
adalah mendefinisikan variable-variabel. Dengan demikian definisi dari data di atas adalah sebagai
berikut :
Variabel Tipe Label Variabel Value Label
NAMA String Nama karyawan
SEX Numeric Jenis Kelamin 1=”Laki-laki”
2=”Perempuan”
GOL Numeric Golongan Karyawan 1=”Lulusan SMA”
2=”Lulusan D3”
3=”Lulusan S1”
4=”Lulusan S2”
MS_KERJA Numeric Masa Kerja Dalam Tahun
GAJIAWAL Numeric Gaji Karyawan Pertama
Pendefinisian variabel hanya dapat dilakukan bila SPSS data editor sedang aktif. Pada
pendefinisian variabel kita dapat melakukan pemberian nama variabel sekaligus menentukan format
dari variabel tersebut. Aturan pemberian nama variabel tidak dapat secara langsung diberikan, akan
tetapi untuk pemberian nama variabel (kolom), di dalam sheet SPSS terdapat dua pilihan antar lain
Data View dan Variabel View.
Data view adalah merupakan hasil dari pemberian nama atau pemberian variabel pada variabel
view. Sedangkan variabel view merupakan salah satu cara untuk memasukkan nama variabel yang
selanjutnya akan diolah dalam program statistik SPSS. Oleh karena itu dalam memasukkan variabel di
kolom variabel View beberapa harus diperhatikan seperti type variabel, label variabel, missing value dan
format kolom.

- 6 -
UMM
· Nama Variabel
Default dari variabel diawali dengan suku kata VAR dan diikuti 5 digit angka (VAR00001,
VAR00002,…). Ketentuan-ketentuan dalam memberikan nama variabel adalah sebagai berikut:
§ Nama variabel harus diawali dengan huruf
§ Tidak boleh diakhiri dengan tanda titik
§ Panjang variabel maksimal 8 karakter (u/ versi tertentu, eq. versi 10)
§ Tidak boleh ada blank atau spasi dan karakter spesial seperti !,?,’, dan *
§ Harus unik, yaitu tidak boleh ada nama variabel yang sama
§ Tidak membedakan huruf kecuali dengan huruf kapital (u/ versi tertentu, eq. versi 10)
§ Tidak boleh menggunakan istilah reserved word (istilah yang sudah ada pada SPSS) yaitu, ALL,
AND, BY, EQ, GE, GT, LE, LT, NOT, OR, TO, dan WITH.
· Tipe Variabel
Untuk menentukan type-type variabel, lebar variabel (filed) dan jumlah angka bulat dan desimal.
· Labels
Untuk menentukan label variabel dan harga data label tersebut (jika diperlukan). Pada kotak
variabel label, anda bisa mengisikan label dari variabel. Sedangkan pada kotak value label,
terdapat dua kotak isian yaitu value (nilai yang akan dimasukkan) dan value label (keterangan
nilai, untuk keseragaman) dan 3 tombol pendukung yang bisa digunakan untuk pendefinisian label
berbentuk kategori. Misal: ketik 1 pada value dan pria pada value label, terlihat tombol
pendukung berubah warna (aktif) setelah itu tekan tombol Add, terlihat keterangan 1=’pria’.
Artinya kategori pria diberi nilai 1. Jika anda ingin mengganti pilih Change, dan pilih Remove
untuk menghapus.
· Mising Value
Untuk menentukan harga-harga dari suatu variabel akan dideklarasikan sebagai missing value
(user missing value). Ada 4 pilihan dalam mendeklarasikan missing value, yaitu:
1. No missing value. Bila variabel tersebut tidak menggandung missing value
2. Discrete missing value. Bila variabel 1, 2 atau 3 buah missing value anda tinggalkan
mengisikan harga-harga missing value tersebut pada kotak yang tersedia
3. Range of missing value. Bila variabel tersebut mengandung missing value yang berupa
interval suatu bilangan. Misal: 5–10, anda tinggal mengisikan harga terendah dan harga
tertinggi dari interval tersebut
4. Range plus one discrete missing value. Jika variabel tersebut menggandung missing value
yang berupa interval suatu bilangan dan sebuah harga missing sebagai harga alternatif lain,
misal: 7–9 atau 0

- 7 -
UMM
Perlu diperhatikan pada pendefinisian missing value untuk variabel-variabel string hanya bisa
dilakukan sebelum pengisian data (value-value) pada variabel tersebut dan panjang maksimum 8
karakter.
2.2. MENGINPUTKAN DATA
Setelah kita mendefinisikan pada variable view, selanjutnya kita siap untuk menginputkan data.
Caranya yaitu dengan mengisikan data sesuai dengan variable yang telah ditentukan.
2.3 MENYIMPAN FILE DATA
Setelah melakukan pengisian data pada SPSS data editor, maka simpanlah dengan langkah-
langkah berikut:
1. Klik menu File; kemudian pilih Save… Atau tekan Alt-F kemudian S
2. Selanjutnya beri nama file, misal: Latih, dan tempatkan pada direktori yang anda kehendaki. Untuk
tipe data ekstensi file SPSS adalah sav, sehingga data tersebut tersimpan dengan nama lengkap
Latih.sav
3. Tekan Ok diikuti tombol Enter
2.4. MENGHAPUS DATA
· Menghapus isi sel
1. Pilih sel yang akan dihapus isinya dengan baik
2. Pilih menu Edit; kemudian pilih Delete (atau tekan tombol delete pada keyboard)
Untuk menghapus isi sejumlah sel sekaligus blok sejumlah blok sejumlah sel yang akan
dihapus, kemudian ikuti langkah 2.
· Menghapus isi sel satu kolom (variabel)
1. Klik heading kolom (nama variabel) yang akan dihapus
Untuk menghapus sejumlah kolom, maka klik sejumlah heading (nama variabel) yang akan
dihapus, kemudian ikuti langkah 2.

- 8 -
UMM
· Menghapus isi sel satun baris (case)
1. Klik nomor case yang akan dihapus
Untuk mengapus sejumlah case, maka klik sejumlah case yang akan dihapus, kemudian ikuti
langkah 2.
2.5. MENGCOPY DATA
· Mengcopy isi sel
1. Pilih sel (atau sejumlah sel) yang akan dicopy
2. Pilih menu Edit, kemudian pilih Copy atau cukup tekan Ctrl-C
3. Pindahkan penunjuk sel pada sel yang akan dituju
4. Pilih menu Edit, kemudian pilih Paste atau cukup menekan Ctrl-V
Hal yang perlu diperhatikan dalam mencopy sis sel atau sejumlah sel adalah bahwa format
hasil copy akan selalu menyesuaikan dengan format variabel yang dicopy.
· Mengcopy isi sel satu kolom (variabel)
1. Klik heading kolom (nama variabel) yang akan dicopy
3. Klik heading kolom yang dituju
Untuk mengcopy isi sel sejumlah kolom sekaligus, pilihlah sejumlah kolom tersebut dengan
drag (blok) pada bagian heading.
· Mengkopi isi sel satu baris (case)
1. Klik nomor case yang akan dicopy
3. Klik nomor case yang dituju
2.6. MENYISIPKAN DATA
· Menyisipkan Kolom
1. Pindahkan penunjuk sel pada kolom yang akan disisipi
2. Klik menu Data, Kemudian pilih Insert Variabel atau cukup menakan Alt-D kemudian tekan
huruf V
· Menyisipkan Baris
1. Pindahkan penunjuk sel pada kolom yang akan disisipi
2. Klik menu Data, Kemudian pilih Insert Case atau cukup menekan Alt-D kemudian tekan
huruf I

- 9 -
UMM
BAB III
KENORMALAN DATA
Pada saat akan melakukan analisis data, hal pertama yang yang harus diketahui adalah datanya
normal atau tidak. Untuk mengetahui data itu normal atau tidak dapat dilakukan uji kenormalan data.
3.1. DISTRIBUSI FREKUENSI
Prosedur ini digunakan untuk menguji kenormalan data dengan skewness (nilai kemiringan)
dan kurtosis (titik kemiringan).
Analyze → Descriptive Statistics → Frequencies
Maka akan ditampilkan kotak dialog Frequencies.
1. Pindahkan variable mana yang akan diuji kenormalan datanya, kemudian pilih Statistics
2. Pilih Skewness dan Kurtosis kemudian klik Continue
3. klik OK hingga mendapat tabel Statistics

- 10 -
UMM
Kemudian ujilah nilai skewness dan kurtosis dengan syarat nilai Skewness dan nilai Kurtosis terletak
diantara 2± .
Nilai Skewness =
Skewness Of Erorr dard S
Skewness
tan
Nilai Kurtosis =
Kurtosis Of Erorr dard S
Kurtosis
tan
3.2. DISTRIBUSI DESKRIPTIF
Prosedur ini digunakan untuk menguji kenormalan data dengan menggunakan nilai Z score
96 , 1± . Data itu disebut normal jika nilai Z score yang muncul sebagian besar terletak diantara 96 , 1± .
Analyze → Descriptive Statistics → Descriptives
Maka akan ditampilkan kotak dialog Descriptives.
1. Pindahkan variable mana yang akan diuji kenormalan datanya
2. Klik save standized values as variable.
3. Klik OK hingga mendapat tabel Descriptive Statistics.
4. Nilai Z Skore akan muncul pada data statistic nya.

- 11 -
UMM
BAB IV
COMPARE MEANS
Dalam analisis statistik, seringkali ingin diketahui tingkat perbedaan antara kelompok (grup)
yang satu dengan yang lainnya. Kelompok-kelompok tersebut disebut dengan sub populasi atau
subgrup, karena merupakan bagian dari suatu populasi.
4.1. PROSEDUR MEANS
Prosedur dalam SPSS yang digunakan untuk menampilkan mean dari beberapa subgrup adalah
prosedur Means.
· 1 variabel numerik sebagai variabel dependent
· 1 variabel numerik atau string pendek sebagai variabel independent.
(Secara opsional bisa ditambahkan variabel-variabel hingga beberapa lapis dan maksimal 5 lapis)
Untuk menjalankan prosedur Means, dari menu pilih:
Analyze → Compare maens → Means
Maka akan ditampilkan kotak dialog Means.
Variabel numerik dan variabel string pendek pada file data anda akan ditampilkan pada kotak daftar
variabel.
1. Pindahkan satu atau beberapa variabel numerik kekotak Dependendent List
2. Pindahkan satu atau beberapa variabel numerik atau string pendek ke kotak Independent List
3. Klik OK untuk mendapatkan tabel default yang berisi mean dan cacah case.
Means subgrup dari tiap-tiap variabel dependen yang anda daftar akan dihitung menurut masing-
masing kategori dari variabel independen.
Sebagai contoh dengan mengikuti langkah-langkah diatas analisis kasus berikut :
Manajer pemasaran YEYE SUKSES ingin mengetahui rata-rata penjualan Shampoo Merk Dove
berdasarkan Tingkat Pendidikan Salesman. Adapun data penjualan dari salesman tersebut adalah
sebagai berikut :
Salesman Gender Sunsilk Dove Clear Pantene
1
1
1
1
1
1
2
2
2
2
2
2
1
2
2
1
1
2
2
2
2
1
1
1
250
234
220
245
281
220
256
238
210
310
287
254
300
320
324
315
400
420
398
375
364
325
410
425
298
254
315
387
200
145
256
200
241
269
254
325
312
450
500
268
351
245
221
621
235
214

- 12 -
UMM
Definisi Variabel :
Nama variable Tipe Value Label Label
Salesman Numerik 1=sales-sarjana
2=sales-Akademik
Tingakt Pendidikan Salesman
Gender Numerik 1=laki-laki
2=Perempuan
Jenis Kelamin Salesman
Sunsilk Numerik Penjualan shampoo merk Sunsilk
Dove Numerik Penjualan shampoo merk Dove
Clear Numerik Penjualan shampoo merk Clear
Pantene Numerik Penjualan shampoo merk Pantene
Ø Input Data
Analyze → Compare maens → Means
Maka akan muncul kotak dialog Means
Pindahkan Variabel Dove kedalam kotak Dependent List dan Variabel Salesman kedalam kotak
Independent List kemudian klik OK maka akan muncul hasil output seperti di bawah ini:

- 13 -
UMM
Ø Output
Means
4.2. PROSEDUR ONE SAMPLE T-TEST
Prosedur One Sample T-test digunakan untuk menguji apakah suatu nilai tertentu (yang
diberikan sebagai pembanding) berbeda secara nyata ataukah tidak dengan rata-rata sebuah sampel.
Spesifikasi minimum yang diperlukan dalam prosedur ini adalah:
1 variabel numerik yang akan diuji, dengan asumsi:
· Data berdistribusi Normal
· Data sampel berjumlah sedikit (£ 30 )
Untuk menjalankan prosedur ini dari menu pilih:
Analyze → Compare Means → One Sampel T test
Maka akan ditampilkan kotak dialog One Sample T test.
Variabel numerik dan variabel string pendek pada file data anda akan ditampilkan pada kotak
daftar variabel.
1. Pindah satu atau beberapa variabel numerik kekotak Test Variabel
2. Ketikkan nilai tertentu (yang diberikan sebagai pembanding) pada kotak Test Value
3. Klik OK untuk mengakhiri prosedur ini
Contoh Soal
Seorang karyawan bernama Ryan memiliki jam kerja selama 7,5 jam. Manajer dari perusahaan
tersebut menganggap jam kerja Ryan berbeda dengan rekan-rekannya. Benarkah pernyataan tersebut ?
Adapun data karyawan sebagai berikut :
Gender Tingkat pendidikan Jam kerja Jam lembur
Laki-laki Akademik 6 3
Laki-laki Sarjana 7 3

- 14 -
UMM
Laki-laki Sarjana 8 2,5
Laki-laki Akademik 8 2,5
Perempuan Akademik 5 3
Perempuan Sarjana 6 3
Perempuan Sarjana 5 2,5
Perempuan Akademik 6 2,5
Definisi Variabel :
Gender Numerik 1= Laki-laki
2= Perempuan
Jenis Kelamin Karyawan
Tingkat Pendidikan Numerik 1= Sarjana
2= Akademik
Tingakt Pendidikan Karyawan
Jam Kerja Numerik Jam Kerja Karyawan
Jam Lembur Numerik Jam Lembur Karyawan
Penyelesaian :
Dengan mengikuti langkah-langkah diatas maka akan anda dapatkan Output sebagai berikut:
OneSample Statistics
20 6,9000 1,55259 ,34717 JAM_KERJA
N Mean Std. Deviation
Std. Error
Mean
OneSample Test
1,728 19 ,100 ,60000 1,3266 ,1266 JAM_KERJA
t df Sig. (2tailed)
Mean
Difference Lower Upper
95% Confidence
Interval of the
Difference
Test Value = 7.5

- 15 -
UMM
Analisis :
¨ Hipotesis
Ho : Jumlah jam kerja Ryan tidak berbeda dengan rata-rata jam kerja rekan-rekannya (m Ryan¹ 7.5).
Hi : Jumlah jam kerja Ryan berbeda dengan rata-rata jam kerja rekan-rekannya (m Ryan= 7.5).
¨ Pengambilan Keputusan
a. Berdasarkan perbandingan thitung dengan ttabel
Uji dilakukan dua sisi karena akan diketahui apakah jumlah jam kerja Ryan sama dengan rata-rata
jam kerja rekan-rekannya selama ini atau tidak. Jadi bisa lebih besar atau lebih kecil, maka
digunakan uji dua sisi.
Syarat :
- Ho diterima : Jika thitung berada diantara nilai – ttabel dan + ttabel.
- Ho ditolak : Jika thitung tidak berada diantara nilai – ttabel dan + ttabel.
Thitung dari output diatas = – 1,728
Dari tabel, dengan Tingkat signifikasi (a) 5% dengan df (derajat kebebasan = n –1 = 20-1=19)
Ttabel = ± 2,09. Karena thitung berada di daerah penerimaan Ho, maka jumlah jam kerja Ryan
memang tidak berbeda bila dibandingkan dengan rata-rata jam kerja rekan-rekannya (=7.5).
b. Berdasarkan nilai probabilitas
Syarat :
- Jika probabilitas > 0,05 maka Ho diterima
- Jika Probabilitas < 0,05 maka Ho ditolak
Karena output tampak nilai probabilitas 0,100 > 0,05 maka kesimpulannya sama yaitu jumlah
jam kerja Ryan memang tidak berbeda bila dibandingkan dengan rata-rata jam kerja rekan-
rekannya.
4.3. PROSEDUR INDEPENDENT SAMPEL T TEST
Prosedur Independent Sample T-test digunakan untuk menguji apakah dua sampel yang
tidak berhubungan berasal dari populasi yang mempunyai mean sama atau tidak secara signifikan.
Spesifikasi minimum yang diperlukan dalam prosedur ini adalah :
· Satu atau beberapa variabel numerik yang akan diuji
· Satu variabel numerik atau string pendek sebagai variabel grup (variabel pembuat grup)
· Value-value grup untuk variabel grup
Untuk menjalankan prosedur ini, dari menu pilih
Statistics → Compare Mean → Independent Sample T-test
Maka akan ditampilakan kotak dialog Independent Sample T-test
Variabel numerik dan variabel string pendek pada file data anda akan ditampilkan pada kotak
daftar variabel.

- 16 -
UMM
1. Pindahkan satu atau beberapa variabel numerik yang akan diuji ke kotak Test variabel (S), tiap
variabel yang anda pindahkan masing-masing akan menghasilkan sebuah uji t
2. Pindahkan satu variabel numerik atau string pendek (variabel berbentuk kategori) yang akan
membagi variabel-variabel yang akan diuji menjadi 2 grup kekotak Grouping variabel.
3. Definisikan kategori dari grup, setelah itu klik tombol OK untuk mendapatkan uji t sampel
independent secara default, dimana ditampilkan probabilitas 2-ekor dari interval konvidensi 95%.
Contoh Soal
Manajer ingin mengetahui apakah ada perbedaan jam kerja berdasarkan tingkat pendidikan
karyawannya ? (data pada sub bab one sample t-test)
Penyelesaian :
Dengan mengikuti langkah-langkah diatas maka akan anda dapatkan output sebagai berikut:
Independent Samples Test
,359 ,557 ,833 18 ,416 ,58586 ,70353 2,06393 ,89221
,825 16,512 ,421 ,58586 ,71017 2,08757 ,91585
Equal variances
assumed
Equal variances
not assumed
JAM_KERJA
F Sig.
Levene's Test for
Equality of Variances
t df Sig. (2tailed)
Mean
Difference
Std. Error
Difference Lower Upper
95% Confidence
Interval of the
Difference
ttest for Equality of Means
Analisis :
Ada 2 tahapan analisis yaitu :
a. Dengan Levene Test, diuji apakah varians populasi kedua sampel sama ataukah berbeda.
b. Dengan T Test, dan berdasarkan hasil analisis nomor a, diambil suatu keputusan.
Mengetahui apakah varians populasi identik atau tidak.
· Hipotesis
Ho : Kedua varians populasi adalah identik (varians populasi jam kerja pada karyawan
sarjana dan akademik adalah sama)
H1 : Kedua varians populasi adalah tidak identik (varians populasi jam kerja pada
karyawan sarjana dan akademik adalah berbeda)
· Pengambilan keputusan
a. Berdasarkan perbandingan fhitung dengan ftabel
Syarat :
- Ho diterima : Jika fhitung berada diantara nilai – ftabel dan + ftabel.
- Ho ditolak : Jika fhitung tidak berada diantara nilai - ftabel dan + ftabel.
Terlihat bahwa Fhitung dengan Equal Variance Assumed (diasumsikan kedua varian sama)
adalah 0,359 dan nilai ftabel : 5,98 maka Ho diterima yang artinya kedua varians adalah
identik.

- 17 -
UMM
Syarat :
- Jika Probabilitas < 0,05 maka Ho ditolak
Karena probabilitas > 0,05 maka Ho diterima yang artinya kedua varians adalah identik.
Catatan : Keputusan lebih cepat bisa juga diambil dengan langsung melihat pada letak angka F
(Levene Test) di output.
Analisis dengan memakai t test untuk asumsi varians sama.
· Hipotesis
Ho : Kedua rata-rata populasi adalah identik (rata-rata populasi jam kerja pada karyawan
sarjana dan akademik adalah sama)
H1 : Kedua rata-rata populasi adalah tidak identik (rata-rata populasi jam kerja pada karyawan
sarjana dan akademik adalah berbeda)
Syarat :
- Ho ditolak : Jika thitung tidak berada diantara nilai - ttabel dan + ttabel.
Pada output didapat nilai thitung sebesar -0,833. Sedangkan ttabel dapat dihitung pada tabel t
dengan tingkat signifikansi (a) adalah 5% dan derajat kebebasan (df) adalah 19. Uji dilakukan
dua sisi sehingga didapatkan ttabel sebesar 2,09.
Karena thitung terletak pada daerah Ho diterima (-0,833), maka rata-rata populasi jam kerja pada
karyawan sarjana dan akademik adalah sama. Atau tingkat pendidikan seorang karyawan
ternyata tidak membuat jam kerja menjadi berbeda.
Syarat :
Jika probabilitas > 0,05 maka Ho diterima
Jika probabilitas < 0,05 maka Ho ditolak
Pada output tampak nilai probabilitas adalah 0,416. Karena nilai probabilitas jauh di atas 0,05
maka Ho diterima dengan kesimpulan yang sama dengan cara perbandingan thitung dengan
ttabel.
4.4. PROSEDUR PAIRED SAMPLE T TEST
Prosedur paired sampel t test digunakan untuk menguji dua sampel yang berpasangan,
apakah mempunyai rata-rata yang secara nyata berbeda ataukah tidak. Untuk menjalankan prosedur ini
dari menu utama SPSS, pilih menu Analyze → Compare Mean → Paired-Samples T Test

- 18 -
UMM
Paired Samples Statistics
342,8824 17 33,42320 8,10632
332,2353 17 35,23409 8,54552
PRODUKSI_DENGAN_
MESIN_LAMA
PRODUKSI_DENGAN_
MESIN_BARU
Pair
1
Mean N Std. Deviation
Std. Error
Mean
Maka akan ditampilkan kotak dialog Paired Sample T-test
Semua variabel numerik pada file data anda akan ditampilkan pada kotak daftar variabel.
1. Pindahkan satu atau beberapa pasang variabel sekaligus kekotak Paired Variabel. Untuk
memindahkan pasangan lakukan langkah berikut :
a. Klik salah satu variabel, sehingga akan ditampilkan sebagai variabel pertama pada kotak Current
Selections.
b. Klik variabel lain, sebagai pasangannya, sehingga akan ditampilkan sebagai variabel kedua pada
kotak Current Selections.
2. Untuk membuat pasangan variabel lagi. Ulangi langkah-langkah diatas.
3. Klik OK untuk mendapatkan uji default dari pasangan sampel dengan probabilitas 2 ekor dan
interval konfidensi 95% untuk perbedaan rata-rata.
Contoh Soal
Sebuah perusahaan ingin mengetahui apakah dengan penggantian mesin dapat meningkatkan
jumlah produksi barang. Dilakukan pengamatan dengan data sebagai berikut:
Barang Produksi dg mesin lama Produksi dg mesin baru
1 356 298
2 365 299
3 312 305
4 321 368
5 332 345
6 364 375
7 351 301
8 389 299
9 397 300
10 374 369
11 368 398
12 298 301
13 296 325
14 301 346
15 374 293
16 310 355
17 321 371
Dari data tersebut ingin diketahui apakah pengubahan mesin meningkatkan produksi barang ?
Penyelesaian :
Dengan mengikuti langkah-langkah di atas akan Anda dapatkan Output sebagai berikut :

- 19 -
UMM
Paired Samples Test
10,64706 51,98310 12,60775 16,08018 37,37430 ,844 16 ,411
PRODUKSI_DENGAN_
MESIN_LAMA
PRODUKSI_DENGAN_
MESIN_BARU
Pair
1
Mean Std. Deviation
Std. Error
Mean Lower Upper
95% Confidence
Interval of the
Difference
Paired Differences
t df Sig. (2tailed)
Analisis :
· Hipotesis
Ho : Kedua rata-rata adalah identik (rata-rata populasi produksi dengan mesin lama dan baru
adalah sama).
H1 : Kedua rata-rata adalah tidak identik (rata-rata populasi produksi dengan mesin baru lebih
besar dari prouksi dengan mesin lama).
· Pengambilan Keputusan
Syarat :
- Ho ditolak : Jika thitung tidak berada diantara nilai - ttabel dan + ttabel.
thitung dari output di atas = 0,844
Dari tabel, dengan tingkat signifikansi (a) 5 % dengan df (derajat kebebasan) = n-1 = 17 – 1
= 16, maka didapatkan ttabel = ± 2,12
Karena thitung terletak diantara ± ttabel maka Ho diterima yang artinya penggantian mesin
produksi ternyata tidak mempengaruhi jumlah produksi barang.
b. Berdasarkan Probabilitas
Syarat :
¨ Jika probabilitas > 0,05 maka H0 diterima
¨ Jika probabilitas < 0,05 maka H0 ditolak
Karena nilai probabilitas 0,411 > 0,05 maka Ho diterima, dengan kesimpulan yang sama
dengan perbandingan di atas.
Paired Samples Correlations
17 ,146 ,576
PRODUKSI_DENGAN_
MESIN_LAMA &
PRODUKSI_DENGAN_
MESIN_BARU
Pair
1
N Correlation Sig.

- 20 -
UMM
BAB V
UJI CHI-SQUARE
5.1. CROSSTABS
Alat ini digunakan untuk menguji independensi dua variabel yang masing-masing variabel
memiliki kategori-kategori. Kedua variabel tersebut dinyatakan dalam tabel (dalam baris dan kolom).
Dimensi tabel diekspresikan dengan lambang r x k (r = jumlah baris; k = jumlah kolom). Derajat
kebebasan untuk menentukan nilai kritis c² hitung adalah df = (r – 1)(k – 1)
5.2. PROSEDUR CROSSTABS
Dengan prosedur Crosstabs Anda bisa menghasilkan 1 hingga n jalur tabulasi silang peserta
statistik yang sesuai untuk variabel numerik maupun string pendek. Selain cacah case (frekuensi), Anda
juga menampilkan prosentase sel, harga pengharapan beserta residualnya kedalam sel.
Spesifikasi minimum dari prosedur ini:
· Sebuah variabel numerik atau string pendek sebagai variabel baris.
· Sebuah variabel numerik atau string pendek sebagai variabel kolom.
Untuk menjalankan prosedur ini, dari menu pilih:
Analyze → Descriptive Statistics → Crosstabs
Maka akan tampil kotak dialog Crosstabs.
Semua variabel numerik dan string pendek pada file data Anda akan ditampilkan pada kotak daftar
variabel.
1. Pindahkan variabel-variabel yang akan dijadikan variabel baris dan variabel kolom ke kotak Row (s)
dan Coulums(s). Tabulasi silang akan dihasilkan untuk masing-masing kombinasi dari variabel baris
dan variabel kolom. Jadi bila terdapat 3 variabel baris dan 2 variabel kolom maka akan dihasilkan
3 x 2 = 6 tabulasi silang.
2. Klik tombol OK untuk memperoleh default dari tabulasi silang tiap-tiap sel hanya menampilkan
frekuensi sel.
Secara operasional Anda dapat memindahkan satu atau beberapa variabel ke kotak Layar
secara berlapis. Variabel yang anda pindahkan ini disebut variabel kontrol, dimana tabulasi silang yang
dihasilkan akan dipisah-pisah (dikelompokkan) menurut masing-masing kategori dari variabel kontrol
tersebut.
Untuk mendapatkan berbagai statistik ukuran-ukuran asosiasi, klik tombol Statistics… Pada
kolom dialog utama, sehingga akan ditampilkan kotak dialog Crosstabs Statistics. Anda juga bisa
menampilkan persentase kolom, persentase total, frekuensi harapan dan residual pada tiap-tiap sel.
Untuk menentukan apa saja yang akan ditampilkan dalam tiap-tiap sel, klik tombol Cell… Pada kotak
dialog utama, maka akan ditampilkan kotak dialog Crosstabs Cell Display. Dan jika anda ingin
memodifikasi format tabel, klik tombol Format.

- 21 -
UMM
Contoh Soal :
Manajer suatu perusahaan ingin mengetahui apakah ada perbedaan jabatan para pegawainya
berdasarkan gender. Ada tiga tingkat jabatan, yaitu karyawan, capeg dan pegawai tetap. Adapun datanya
sebagai berikut:
Gender Jabatan
1 1
2 1
2 1
2 1
2 2
2 2
2 2
1 2
1 2
1 2
1 2
1 1
1 1
2 1
1 1
1 2
2 2
1 1
2 1
1 2
1 1
Definisi Variabel:
Gender Numerik 1= Laki-laki
2= Perempuan
Jenis Kelamin Pegawai
Jabatan Numerik 1= Karyawan
2= Pegawai Tetap
Jabatan Pegawai
Penyelesaian :
Jika langkah-langkah anda benar maka akan didapatkan Output sebagai berikut :
Case Processing Summary
21 100.0% 0 .0% 21 100.0% GENDER * JABATAN
N Percent N Percent N Percent
Valid Missing Total
Cases

- 22 -
UMM
GENDER * JABATAN Crosstabulation
Count
6 6 12
5 4 9
11 10 21
LAKILAKI
PEREMPUAN
GENDER
Total
KARYAWAN
PEGAWAI
TETAP
JABATAN
Total
ChiSquare Tests
.064 b
1 .801
.000 1 1.000
.064 1 .801
1.000 .575
.061 1 .806
21
Pearson ChiSquare
Continuity Correction a
Likelihood Ratio
Fisher's Exact Test
LinearbyLinear
Association
N of Valid Cases
Value df
Asymp. Sig.
(2sided)
Exact Sig.
(2sided)
Exact Sig.
(1sided)
Computed only for a 2x2 table a.
2 cells (50.0%) have expected count less than 5. The minimum expected count is 4.
29.
b.
Analisis :
· Hipotesis
Ho : Kategori baris dan kolom saling independent, atau tidak ada perbedaan jabatan pegawai
berdasarkan gender.
H1 : Kategori baris dan kolom tidak saling independent, atau ada perbedaan jabatan pegawai
berdasarkan gender.
a. Berdasarkan Xhitung dengan Xtabel
Syarat :
Ho diterima : Jika Xhitung < Xtabel.
Ho ditolak : Jika Xhitung > Xtabel
Dari output diperoleh Xhitung = 0,064 (lihat pada output SPSS pada Pearson Chi Square)
Sedangkan Xtabel dengan tingkat signifikansi 5 % dan df (derajat kebebasan) = (r – 1)(k – 1) = 1
sebesar 5,02. KARENA Xhitung < Xtabel maka Ho diterima yang artinya katagori baris dan
kolom saling independent dengan kata lain antara gender dan jabatan pegawai tidak ada efek
pembeda jabatan pegawai terhadap gender.
Syarat :
Jika probabilitas > 0,05 maka Ho diterima
Jika probabilitas < 0,05 maka Ho ditolak
Terlihat bahwa probabilitas (lihat Asymp.Sig) = 0,8017 > 0,05 maka Ho diterima dengan
kesimpulan yang sama dengan menggunakan perbandingan di atas.

- 23 -
UMM
BAB VI
ANALISIS VARIANS
Analysis of Variance (disingkat ANOVA) merupakan alat statistik yang digunakan untuk
menguji apakah rata-rata dari dua atau lebih populasi berbeda secara signifikan ataukah tidak dan
menguji apakah dua atau lebih sampel mempunyai varians populasi yang sama atau tidak.
Asumsi yang diperlukan untuk Analisis Varians adalah:
· Masing-masing grup merupakan sampel random yang berasal dari populasi normal.
· Dalam populasi, varians dari grup-grup tersebut sama.
· Sampel tidak berhubungan satu dengan yang lainnya.
Cara untuk memeriksa asumsi tersebut adalah menggunakan prosedur Explore. Dari
prosedure ini, anda bisa membuat stem-leaf plot atau histogram dari masing-masing grup dan
menghitung variansnya. Anda juga bisa menggunakan uji statistik untuk memeriksa asumsi normalitas
dan kesamaan varians.
4.2. PROSEDUR ONE-WAY ANOVA
Alat statistik ini digunakan untuk menghasilkan analisis varians satu jalur bagi sebuah variabel
dependen dalam tingkat interval berdasarkan sebuah variabel faktor (independen). Anda dapat menguji
kecenderungan antar kategori, menentukan kontras dan menggunakan variasi dari uji range.
Spesifikasi minimum dari prosedur ini adalah:
· Satu variabel dependent numerik. Variabel ini diasumsikan mempunyai ukuran dalam skala
interval.
· Satu variabel faktor numerik. Value-value dari variabel ini harus integer.
· Definisi range dari variabel faktor.
Untuk menjalankan program ini, dari menu pilih:
Analyze → Compare Means → One-Way ANOVA
Maka akan ditampilkan kotak dialog One-Way ANOVA.
Semua variabel numerik pada file data akan ditampilkan pada kotak daftar variabel.
1. Pindahkan sebuah variabel numerik ke kotak Dependent List. Tabel analisis varians akan dibuat
untuk setiap variabel numerik yang anda pindahkan ke kotak ini.
2. Pindahkan sebuah variabel faktor (independen) ke kotak Factor. Variabel yang cocok sebagai
variabel faktor adalah yang berbentuk kategori.
3. Definisi range dari variabel faktor.
4. Klik OK untuk mendapatkan hasil default dari tabel analisis varians satu jalur yang berisi rasio F,
probabilitas F, jumlah kuadrat dan rata-rata jumlah kuadrat untuk antar dan dalam grup (within
groups).

- 24 -
UMM
Harga range digunakan untuk variabel faktor. Untuk mendefinisikan range klik tombol Define
Range… pada kotak dialog utama sehingga ditampilkan kotak dialog One-Way ANOVA Define
Range. Dan jika untuk membagi jumlah kuadrat (sum of square) antar grup ke dalam komponen-
komponen trend, klik tombol Contrasts… pada kotak dialog One-Way ANOVA.
Contoh Soal :
Peneliti ingin mengetahui apakah ada perbedaan rata-rata dalam pemakaian beberapa sim card
antara lain : IM3, Mentari, Simpati, AS, Flexi, 3, dan Axis pada beberapa daerah. Dari hasil penelitian
diperoleh informasi sebagai berikut :
Daerah Im3 Simpati As 3 Axis
1 152 125 152 125 105
2 132 164 132 164 145
3 147 144 147 144 100
4 123 136 123 136 99
5 102 125 102 125 96
6 133 133 133 133 130
7 165 154 165 154 121
Penyelesaian :
Untuk menganalisis data di atas dengan menggunakan one way ANOVA, maka bentuk table harus
dimodifikasi karena dalam one way ANOVA hanya ada dua variable yang dapat dimasukkan. Sehingga
bentuk table akan berubah menjadi sebagai berikut :
DAERAH
JENIS SIM
CARD
JUMLAH
PEMAKAI
1 IM3 152
2 IM3 132
3 IM3 147
4 IM3 123
5 IM3 102
6 IM3 133
7 IM3 165
1 SIMPATI 125
2 SIMPATI 164
3 SIMPATI 144
4 SIMPATI 136
5 SIMPATI 125
6 SIMPATI 133
7 SIMPATI 154
1 AS 152
2 AS 132
3 AS 147

- 25 -
UMM
4 AS 123
5 AS 102
6 AS 133
7 AS 165
1 3 125
2 3 164
3 3 144
4 3 136
5 3 125
6 3 133
7 3 154
1 AXIS 105
2 AXIS 145
3 AXIS 100
4 AXIS 99
5 AXIS 96
6 AXIS 130
7 AXIS 121
Definisi variable :
Daerah Numerik Kode Daerah
Jenis Sim Card Numerik 1= IM3
2= SIMPATI
3= AS
4= 3
5= AXIS
Jenis Sim Card
Jumlah Pemakai Numerik Jumlah Pemakai
Dengan mengikuti langkah-langkah di atas maka akan diperoleh output sebagai berikut:

- 26 -
UMM
Analisis :
Pertama yang harus dilakukan adalah menguji terlebih dahulu apakah grup-grup yang di uji berlaku
tidaknya salah satu asumsi untuk Analisis Varians (lihat asumsi di atas), yaitu apakah ketujuh sampel
tersebut mempunyai varians yang sama.
Test Varians Populasi (Test of Homogenity of Variance)
· Hipotesis
Ho : Ketujuh varians populasi adalah identik
H1 : Ketujuh varians populasi adalah tidak identik
- Jika probabilitas < 0,05 maka Ho ditolak
Terlihat probabilitas output Livene Test adalah 0,919. Karena probabilitas > 0,05 maka Ho
diterima atau ketujuh varians populasi adalah sama, sehingga salah satu asumsi Analisis Varians
terpenuhi.
Catatan :
Jika varians berbeda analisis selanjutnya secara otomatis tidak dapat dilakukan, karena asumsi tidak
terpenuhi.
Analisis Varians
· Hipotesis
Ho : Ketujuh rata-rata populasi adalah identik
H1 : Ketujuh rata-rata populasi adalah tidak identik (sekurang-kurangnya satu rata-rata tidak
sama)

- 27 -
UMM
a. Berdasarkan Perbandingan Fhitung dengan Ftabel
- Jika Fhitung > Ftabel maka Ho ditolak
- Jika Fhitung < Ftabel maka Ho diterima
Didapatkan Fhitung pada output diatas adalah 2,658
Ftabel dengan tingkat signifikan (a) 5 % dan derajat kebebasan (df) Numerator 4 dan
denumerator 30 adalah 2,69 maka Ho diterima dengan kesimpulan bahwa rata – rata ketujuh
populasi identik atau rata – rata pemakaian dari ketujuh jenis sim card memang sama.
- Jika Probabilitas > 0,05, maka Ho diterima
- Jika Probabilitas < 0,05, maka Ho ditolak
Terlihat dari hasil output probabilitas (lihat sig.) = 0,052 > 0,05 maka Ho diterima dengan
kesimpulan sama dengan menggunakan perbandingan diatas.
Post Hoc Test

- 28 -
UMM
Post Hoc (one to one)
IM3 - SIMPATI
· Hipotesis
Ho : Rata-rata jumlah pemakai pada jenis SIM Card IM3 dan Simpati adalah identik
H1 : Rata-rata jumlah pemakai pada jenis SIM Card IM3 dan Simpati adalah tidak identik
Terlihat probabilitas pada output adalah 0,981. Karena probabilitas > 0,05 maka Ho diterima atau
rata-rata jumlah pemakai pada jenis SIM Card IM3 dan Simpati adalah identik
IM3 – AS
· Hipotesis
Ho : Rata-rata jumlah pemakai pada jenis SIM Card IM3 dan AS adalah identik
H1 : Rata-rata jumlah pemakai pada jenis SIM Card IM3 dan AS adalah tidak identik
Terlihat probabilitas pada output adalah 1. Karena probabilitas > 0,05 maka Ho diterima atau
rata-rata jumlah pemakai pada jenis SIM Card IM3 dan AS adalah identik
Dst ............
AXIS – THREE
· Hipotesis
Ho : Rata-rata jumlah pemakai pada jenis SIM Card AXIS dan THREE adalah identik
H1 : Rata-rata jumlah pemakai pada jenis SIM Card AXIS dan THREE adalah tidak identik

- 29 -
UMM
Terlihat probabilitas pada output adalah 0,0821. Karena probabilitas > 0,05 maka Ho diterima
atau rata-rata jumlah pemakai pada jenis SIM Card IM3 dan AS adalah identik
Homogeneus Subset
· Hipotesis
Ho : Rata-rata jumlah pemakai pada jenis SIM Card IM3, SIMPATI, AS, THREE dan AXIS
adalah identik
H1 : Rata-rata jumlah pemakai pada jenis SIM Card IM3, SIMPATI, AS, THREE dan AXIS
adalah tidak identik
Terlihat probabilitas pada output adalah 0,052. Karena probabilitas > 0,05 maka Ho diterima atau
rata-rata jumlah pemakai pada jenis SIM Card IM3, SIMPATI, AS, THREE dan AXIS adalah
identik

- 30 -
UMM
BAB VII
ANALISIS KORELASI
Analisis korelasi digunakan untuk melihat hubungan antara satu variabel dengan variabel yang
lain. Hubungan-hubungan tersebut dinyatakan dengan korelasi. Dengan menggunakan paket program
SPSS for Windows, hubungan antar variabel diperlihatkan dalam bentuk matriks.
Scatterplot (diagram pancar) merupakan langkah dasar untuk mengetahui ada tidaknya hubungan
antara dua variabel. Sedangkan ukuran yang biasa digunakan untuk mengukur kekuatan asosiasinya
adalah koefisien korelasi Pearson, yang dinotasikan dengan hurup r.
Harga absolut dari r menunjukkan kekuatan dari hubungan linier. Harga absolut terbesar yang
mungkin adalah 1, yang terjadi bilamana titik-titik pengamatan tepat pada garis lurus. Bila kemiringan
garis positif maka harga r positif, yang menunjukkan bahwa kenaikan harga-harga dari suatu variabel
akan diikuti dengan kenaikan harga-harga variabel yang lain. Bila kemiringan garis negatif maka harga r
juga negatif yang menunjukkan bahwa kenaikan harga-harga dari suatu variabel akan diikuti dengan
menurunnya harga-harga variabel yang lainnya. Bila r berharga 0, maka hal ini menunjukkan tidak
adanya hubungan linier.
7.2. PROSEDUR BIVARIATE CORRELATIONS
Prosedur Bivariate Correlations (korelasi bivariabel) digunkaan untuk menghitung koefisien
korelasi product moment Pearson dan dua buah koefisien korelasi tingkat rank (yaitu : Speraman’s rho dan
Kendall’s tau-b) beserta taraf signifikansinya. Secara opsional anda juga bisa mendapatkan ukuran-
ukuran statistik univeriabel, kovarians dan deviasi cross product.
Untuk menjalankan prosedur ini, dari menu pilih:
Statistic → Correlate → Bivariate
Maka akan ditampilkan kotak-kotak dialog Bivariate Correlations.
Semua variabel numerik pada file data Anda akan ditampilkan pada kotak daftar variabel.
1. Pindahkan dua atau lebih variabel sekaligus ke kotak Variabels.
2. Klik OK untuk mendapatkan Korelasi Pearson default yaitu menggunakan uji signifikansi dwi-ekor.
Untuk mendapatkan statistik-statistik univariabel tambahan khusus untuk korelasi Pearson atau
memodifikasi perlakuan case-case yang berharga missing, klik tombol options…
Contoh Soal
Data dibawah ini menunjukkan lamanya jam belajar, tingkat IQ, dan nilai statistik dari sampel random
sebanyak 10 mahasiswa.
Jam Belajar (jam) 1 0,5 1 1,5 0,5 2 2 1 1,5 0,5
Tingkat IQ 115 120 112 107 119 100 98 110 105 124
Nilai Statistik 70 80 75 65 85 60 60 70 80 95

- 31 -
UMM
Dari data tersebut diketahui apakah ada hubungan antara nilai ujian Statistik dengan Tingkat IQ dan
Lama Belajar.
Penyelesaian :
Dan jika anda lakukan langkah diatas maka akan didapatkan output sebagai berikut :
Correlations
1 .974** .826**
.000 .003
10 10 10
.974** 1 .844**
.000 .002
10 10 10
.826** .844** 1
.003 .002
10 10 10
Pearson Correlation
Sig. (2tailed)
N
Pearson Correlation
Sig. (2tailed)
N
Pearson Correlation
Sig. (2tailed)
N
jam_bel
tingkat_iq
nilai_statistik
jam_bel tingkat_iq nilai_statistik
Correlation is significant at the 0.01 level (2tailed). **.
Analisis :
· Hipotesis
H0 : tidak ada hubungan antar variabel (tidak ada hubungan antara nilai statistik dengan tingkat IQ
dan nilai statistik dengan lama belajar).
H1 : ada hubungan antar variabel (ada hubungan antara nilai statistik dengan tingkat IQ dan nilai
statistik dengan lama belajar).
a. Berdasarkan Probabilitas
Syarat :
- Jika probabilitas > 0,05 maka H0 diterima
- Jika probabilitas < 0,05 maka H0 ditolak
Terlihat pada output bahwa probabilitas antara Nilai ujian statistik dengan Tingkat
IQ = 0,002 < 0,05, maka H0 ditolak yang artinya ada hubungan antara Tingkat IQ
dengan Nilai Ujian Statistik dan probabilitas antara Nilai Ujian Statistik dengan Lama
Jam Belajar = 0,003 < 0,05 maka H0 ditolak yang artinya ada hubungan antara Nilai Ujian
Statistik dengan Lama Jam Belajar.
b. Berdasarkan Angka Korelasi
Syarat :
- Arah korelasi positif dan angka korelasi > 0,5 maka memiliki hubungan kuat
- Arah korelasi negative dan angka korelasi < 0,5 maka mmemiliki hubungan lemah
Dari output terlihat angka korelasi antara nilai ujian statistic dengan lama jam belajar
adalah -0,826 < 0,5 yang artinya antara Nilai Ujian Statistik dengan Lama Jam Belajar memili
hubungan lemah, sedangkan antara Nilai Ujian Statistik dengan Tingkat IQ adalah 0,844 > 0,5
yang artinya antara Nilai Ujian Statistik dengan Tingkat IQ memiliki hubungan kuat.

- 32 -
UMM
Catatan : Keputusan lebih cepat bisa juga diambil dengan langsung dengan melihat nilai
koefisien korelasinya, yaitu jika pada nilai koefisien korelasi bertanda (**) maka
menyatakan ada hubungan pada tingkat signifikansi 1%.

- 33 -
UMM
BAB VIII
ANALISIS REGRESI
Analisis Regresi dapat digunakan untuk menemukan persamaan regresi yang menunjukkan
hubungan antara variabel dependen (variabel respon) dengan satu atau beberapa variabel independen
(variabel prediktor ). Jika variabel dependen dihubungkan dengan satu variabel independen saja, maka
variabel regresi yang dihasilkan adalah regresi linier sederhana, dan jika variabel independennya lebih
dari satu maka yang dihasilkan adalah persamaan regresi linier berganda (multiple linier regression). Nilai
koefisien regresi yang dihasilkan harus diuji secara statistik signifikan atau tidak. Apabila semua
koefisien signifikan, persamaan regresi yang dihasilkan dapat digunakan untuk memprediksi nilai
variabel dependen jika nilai variabel independen ditentukan.
Sebesar berapa pengaruh variabel independen terhadap variasi variabel dependen dapat diukur
dengan besarnya nilai koefisien determinasi (R²). Semakin besar nilai koefisien determinasi semakin
besar pula pengaruh variabel independen terhadap variasi variabel dependen. Harga koefisien
determinasi akan berharga 1 jika seluruh observasi jatuh pada garis regresi, dan akan berharga 0 jika
tidak ada hubungan linear antara variabel dependen dengan variabel independen.
8.2. PROSEDUR LINEAR REGRESSION
Regresi linear adalah hubungan secara linear antara variabel dependen dengan variabel
independen yang digunakan untuk memprediksi atau meramalkan suatu nilai variabel dependen
berdasarkan variabel independen.
Spesifikasi minimum untuk prosedur ini adalah:
· Satu variabel dependen
· Satu atau beberapa variabel independen
Contoh Soal
Gunakan data pada analisis korelasi untuk menentukan persamaan regresinya, dan kemudian
gunakan untuk memprediksikan nilai ujian statistik jika diketahui lama jam belajar dan tingkat IQ-nya.
Penyelesaian :
Untuk menyelesaikan contoh soal di atas, lakukan langkah seperti di bawah ini:
Analyze → Regression → Linear
Maka akan ditampilkan kotak dialog Linear regression.

- 34 -
UMM
1. Masukkan variabel Nilai Statistik ke kotak Dependent, sedangkan variabel jam belajar dan tingkat IQ
ke kotak Independent (s).
2. Klik tab Statistics, maka akan ditampilkan kotak dialog Linear regression Statistics
3. Berilah centang pada colinearity diagnostics, Durbin-Watson dan Casewise diagnostics
kemudian pilih All cases. Setelah itu, klik continue.
4. Klik tab Plots, maka akan ditampilkan kotak dialog Linear Regression Plots

- 35 -
UMM
5. Kliklah *SRESID (Studentized Residual), kemudian masukkan ke kotak Y. Selanjutnya, kliklah
*ZPRED (Standardized Predicted Value) kemudian masukkan ke kotak X. Setelah itu, klik continue
6. Kliklah OK, maka hasil output akan ditampilkan sebagai berikut:
Variables Entered/Removed b
tingkat_iq,
jam_bel
a . Enter
Model
1
Variables
Entered
Variables
Removed Method
All requested variables entered. a.
Dependent Variable: nilai_statistik b.
ANOVA b
812.703 2 406.351 8.691 .013 a
327.297 7 46.757
1140.000 9
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), tingkat_iq, jam_bel a.
Dependent Variable: nilai_statistik b.

- 36 -
UMM
Analisis:
Dari output yang kedua pada kolom variabel Entered menunjukkan tidak ada variabel yang dikeluarkan
(removed), atau dengan kata lain kedua variabel bebas dimasukkan dalam perhitungan regresi.
R square = 0,713 . Hal ini berarti 71,3% variabel dependent Nilai Ujian Statistik dijelaskan oleh
variabel independent Lama jam belajar dan Tingkat IQ.
· UJI ANOVA
Hipotesis:
Ho : Tidak ada pengaruh antara jam belajar dan tingkat IQ terhadap nilai statistic
H1 : Ada pengaruh antara jam belajar dan tingkat IQ terhadap nilai statistic
Dari uji ANOVA didapatkan Fhitung = 8,691 dengan tingkat signifikasi 0,013 karena probabilitas
< 0,05 maka model regresi bisa digunakan untuk memprediksi nilai ujian statistik.
· UJI T (untuk menguji signifikansi koefisien-koefisien dari variabel-variabel independen)
Syarat Persamaan Regresi :
Regresi Linier : Y = BO + B1X1
Regresi Berganda : Y = BO + B1X1 + B2X2 + … + BnXn
Dari hasil perhitungan diatas dapat dibuat (sementara) persamaan regresi estimasi:
Y= -37,338 + 1,016 X1 – 1,254 X2
Dimana :
Y = Nilai ujian statistik ; X1 = Tingkat IQ ; X2 = Lama jam belajar

- 37 -
UMM
· Hipotesis
Ho : Koefisien regresi tidak signifikan
H1 : Koefisien regresi signifikan
Misalkan bentuk umum persamaan regresi: Y = BO + B1X1 + B2X2 + B3X3
Syarat :
Ho diterima : Jika thitung berada diantara nilai – ttabel dan + ttabel.
Ho ditolak : Jika thitung tidak berada diantara nilai - ttabel dan + ttabel.
Nilai thitung masing-masing koefisien regresi berturut-turut:
t1 = 0,866 ( thitung untuk variabel independen Tingkat IQ)
t2 = -0,072 (thitung untuk variabel independen Lama jam belajar)
Dari tabel, dengan Tingkat signifikasi (a) 5% dengan df (derajat kebebasan = 7, maka
didapatkan ttabel = ± 2,26. Karena nilai t1 dan t2 berada diantara ttabel maka Ho diterima. Dari
persamaan tersebut menunjukkan setiap penambahan 1 tingkat IQ akan meningkatkan nilai
ujian sebesar 1,016 dan setiap penambahan -1 lama jam belajar mengurangi nilai ujian
statistik sebesar 1,254.
b. Berdasarkan probabilitas
Syarat :
Jika probabilitas > 0,05, maka Ho diterima
Jika probabilitas < 0,05, maka Ho ditolak
Karena nilai probabilitas untuk t1 = 0,415 > 0,05 maka Ho diterima dan probabilitas t2 =
0,945 > 0,05 maka Ho diterima, dengan kesimpulan yang sama dengan perbandingan
diatas.
· UJI PENYIMPANGAN ASUMSI KLASIK
a. Autkorelasi
Autokorelasi adalah hubungan yang terjadi antara residual dari pengamatan satu dengan pengamatan
yang lain. Model regresi yang baik seharusnya tidak menunjukkan adanya autokorelasi. Untuk
mendeteksi ada atautidaknya autokorelasi, maka DW akan dibandingkan dengan DWtabel dengan
kriteria sebagai berikut:
Jika DW < dk atau DW > 4 – dl, maka ada autokorelasi
Jika DW diantara du dan 4 – du, maka tidak ada autokorelasi
Jika DW diantara du dan dl atau 4 – du dan 4 – dl, maka tidak ada kesimpulan yang pasti
du : batas atas dari DWtabel (DW upper bound)
dl : batas bawah dari DWtabel (DW lower bound)

- 38 -
UMM
0 dL dU 4 dU
Autokorelasi
(+)
Tidak ada
kes. pasti
Tidak ada
autokorelasi
Autokorelasi
()
4
Tidak ada
kes. pasti
4 dL
Dari output diketahui DW = 1,228
Dari tabel Durbin Watson dengan (0.95 , 2 , 10 ) di dapat
dL = 0.697 → 4 – dL = 3.303
dU = 1.641 → 4 – dU = 2.359
Karena dW diantara dL dan dU, maka tidak ada kesimpulan yang pasti
b. Multikolinieritas
Multikolinieritas adalah hubungan antar variable independen yang terdapat dalam model regresi
memiliki hubungan linier yang sempurna atau mendekati sempurna (koefisien korelasinya tinggi atau
bahkan 1). Model mendekati sempurna yang baik seharusnya tidak terjadi korelasi sempurna atau
mendekati sempurna diantara variable bebasnya. Konsekuensi adanya multikolinieritas adalah
koefisien korelasi variable tidak tertentu dan kesalahan menjadi sangat besar atau tidak terhingga.
Syarat uji multikolinieritas adalah :
Jika tolerance < 0,1 atau inflation factor (VIF) > 10 → terjadi multikolinieritas
Dari output diperoleh:
tolerance = 0,05 > 0,1
VIF = 19,824 > 10 → terjadi multikolinieritas antar variable independennya.
c. Heteroskedastisitas
Scatterplot digunakan untuk mendeteksi ada atau tidaknya penyimpangan pada asumsi klasik, yaitu
heteroskedastisitas. Heteroskedastisitas adalah varian residual yang tidak sama pada semua
pengamatan di dalam model regresi. Regresi yang baik seharusnya tidak terjadi heteroskedastisitas.
Syarat uji heteroskedastisitas adalah :
- Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
(bergelombang, melebar, menyempit) maka terjadi heteroskedastisitas
- Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada
sumbu Y, maka tidak terjadi heteroskedastisitas
Karena pada output scatterplot tidak menunjukkan adanya pola yang jelas, maka tidak terjadi
heteroskedastisitas pada data-data yang digunakan pada model tersebut.
0 0.697 1.641 2.359
Autokorelasi
(+)
Tidak ada
kes. pasti
Tidak ada
autokorelasi
Autokorelasi
()
4
Tidak ada
kes. pasti
3.303
DW

- 39 -
UMM
BAB IX
UJI VALIDITAS DAN RELIABILITAS
SEBUAH ANGKET
9.1. PENDAHULUAN
Salah satu instrumen yang sering dipakai dalam penelitian ilmiah adalah angket, yang bertujuan
untuk mengetahui pendapat seseorang mengenai suatu hal, seperti sikap konsumen terhadap sebuah
Jamu Tradisional, Pelayanan sebuah Bank, pendapat tentang kerusakan lingkungan dan sebagainya.
Sebuah angket bisa disusun dengan pertanyaan-pertanyaan yang bersifat terbuka (berapa usia Anda saat
ini, bagaimana pendapat Anda tentang perilaku remaja saat ini), atau pertanyaan yang bersifat tertutup
(kategori Usia Anda: < 20 tahun atau > 20 tahun). Salah satu skala yang sering dipakai dalam
penyusunan angket adalah skala Likert, yaitu skala yang berisi lima tingkat jawaban yang merupakan
skala ordinal. Penyusunan skala likert semula adalah:1=Sangat Setuju (SS); 2=Setuju (S); 3=Ragu-
ragu (R); 4=Tidak Setuju (TS); 5=Sangat Tidak Setuju (STS)
dikatakan jenis ordinal, karena pernyataan Sangat Setuju mempunyai tingkat yang “lebih tinggi” dari
Setuju “lebih tinggi” dari Ragu-ragu. Demikian seterusnya skala bersifat urutan dan tidak bisa dikatakan
setara.
9.2. VALIDITAS DAN RELIABILITAS
Ada dua syarat penting yang berlaku pada sebuah angket, yaitu keharusan sebuah angket untuk
Valid dan Reliabel. Suatu angket dikatakan valid (sah) jika pertanyaan pada suatu angket mampu untuk
mengungkapkan yang akan diukur oleh angket tersebut. Seperti jika akan diukur kepuasan kerja
seorang karyawan, maka jika pada karyawan tersebut diberikan serangkaian pertanyaan, maka
pertanyaan tersebut harus bisa secara tepat mengungkapkan tingkat kepuasan kerjanya. Pertanyaan
seperti “apakah anda senang jika prestasi anda meningkat maka anda akan mendapat kenaikan gaji?”
tentu lebih tepat dibandingkan “apakah anda senang jika mendapat gaji 1 miliar rupiah?”. Perbandingan
yang praktis adalah: timbangan beras tentu tidak bisa (tidak valid )untuk menimbang emas, karena
selisih 1 gram pada emas akan sangat berarti, sedangkan selisih beberapa gram akan diabaikan pada
beras. Jadi timbangan emas valid untuk menimbang emas, dan timbangan beras valid untuk
menimbang beras.
Sedangkan suatu angket dikatakan Reliabel (andal) jika jawaban seseorang terhadap pertanyaan
adalah konsisten atau stabil dari waktu ke waktu. Jadi jika seseorang menjawab ‘tidak suka’ terhadap
prilaku korupsi para pejabat, maka iya seharusnya tetap konsisten pada jawaban semula, yaitu
membenci perilaku korupsi. Jika demikian hal itu dikatakan reliabel, dan jika tidak dikatakan tidak
reliabel.
Pengukuran reliabilitas pada dasarnya bisa dilakukan dengan dua cara :

- 40 -
UMM
· One Shot atau diukur sekali saja. Disini pengukuran hanya sekali dan kemudian hasilnya
dibandingkan dengan hasil pertanyaan lain.
· Repeated Measure atau ukur, ulang. Di sini seseorang akan disodori pertanyaan yang sama pada
waktu yang berbeda (sebulan lagi, lalu dua bulan lagi dan seterusnya), dan kemudian dilihat apakah
ia tetap konsisten dengan jawabannya.
9.2.1. Langkah Menyusun Angket
Pada prinsipnya, ada tiga langkah dalam menyusun sebuah angket:
1. Menetapkan sebuah konstrak, yaitu membuat batasan mengenai variabel yang akan diukur. Jika
ingin diteliti tentang Sikap Konsumen, maka perlu dipertegas dahulu apa yang dimaksud dengan
Sikap Konsumen tersebut.
2. Menetapkan Faktor-faktor, yaitu mencoba menemukan unsur-unsur yang ada pada sebuah
konstrak. Jadi faktor pada dasarnya adalah perincian lebih lanjut dari sebuah konstrak. Misal untuk
mengukur Sikap Konsumen terhadap suatu produk, faktor yang bisa dinyatakan adalah Harga
Produk, Kualitas Produk, Promosi Produk dan sebgainya.
3. Menyusun butir-butir pertanyaan, yaitu mencoba menjabarkan sebuah faktor lebih lanjut dalam
berbagai pertanyaan yang langsung berinteraksi dengan pengisi angket. Jadi faktor Harga Produk
bisa dirinci lebih jauh berupa butir pertanyaan seperti “Apakah harga produk stabil?”, Apakah
harga produk sesuai dengan kualitasnya? Dan sebagainya.
Dari pembahasan di atas, secara umum bisa dilihat hubungan antara konstrak, faktor, butir dan pengisi
angket. Lihat bagan dibawah.
Perhatikan bahwa sebuah konstrak bisa berdiri di atas beberpa faktor, dan setiap faktor bisa terdiri dari
beberapa butir pertanyaan, dengan catatan bahwa bisa juga setiap faktor mempunyai jumlah butir yang
tidak sama atau dengan yang lain.
9.2.2. Tujuan Analisis Validitas dan Reliabilitas
Pengujian Validitas dan Reliabilitas adalah proses menguji butir-butir pertanyaan yang ada dalam
sebuah angket, apakah Isi dari butir pertanyaan tersebut sudah Valid atau Reliabel. Jika butir-butir sudah
valid dan reliabel, berarti butir-butir tersebut sudah bisa untuk mengukur konstrak yang ada.
Dalam pengujian butir tersebut, bisa saja ada butir-butir yang ternyata tidak valid atau reliabel,
sehingga harus dubuang atau diganti dengan pertanyaan yang lain. Sebagai contoh, untuk mengukur
faktor 1 dipakai 14 butir pertanyaan. Setelah lewat pegujian, ternyata ada 5 butir yang gugur, maka yang
valid reliabel tinggal 9 butir.
Butir 1 Butir 2 Butir 3
Faktor 1
Butir 1 Butir 2
Faktor 2
Konstrak

- 41 -
UMM
Analisis dimulai dengan menguji validitas terlebih dahulu, baru diikuti oleh uji reliabilitas. Jadi
jika sebuah butir tidak valid, maka otomatis ia dibuang. Butir-butir yang sudah valid kemudian baru
secara bersama diukur reliabilitasnya.
Contoh Soal :
item1 item2 item3 item4 item5 item6 item7 item8 item9 item10 item11 item12 item13 item14 item15 item16 item17 item18
2 3 3 2 0 4 3 3 4 4 3 3 3 2 4 4 1 3
3 4 1 3 1 4 3 3 4 4 3 4 4 4 3 4 1 2
1 3 1 3 2 3 3 3 3 2 2 3 3 3 3 4 2 3
1 1 4 4 1 4 4 4 4 4 4 4 3 3 3 3 1 4
2 3 2 1 1 2 2 2 4 3 1 4 3 0 0 4 2 2
3 3 3 3 2 3 3 3 3 3 3 3 3 3 3 3 1 3
4 0 2 4 0 3 3 3 4 4 3 4 4 3 4 4 1 3
1 3 1 4 0 4 3 3 3 3 1 3 3 2 3 4 1 4
1 2 1 4 1 3 3 3 3 3 1 4 3 3 3 4 3 3
4 4 1 2 0 4 4 4 4 4 2 4 3 3 4 4 0 3
4 4 3 4 4 3 0 3 3 4 2 2 4 3 3 3 2 2
1 3 0 2 0 4 4 4 3 3 1 3 4 3 4 4 1 3
3 3 2 1 0 4 2 2 3 3 2 3 1 1 3 3 2 3
0 2 1 3 1 4 3 4 4 3 1 3 3 2 4 4 1 4
3 4 1 1 0 3 3 3 3 3 4 4 3 3 4 4 1 4
1 1 2 2 1 4 2 3 3 3 3 3 3 3 4 4 4 4
4 4 4 4 1 3 4 3 3 4 4 4 3 3 4 4 1 3
4 3 3 2 0 4 3 4 4 4 1 3 4 1 4 4 0 4
4 4 1 4 1 3 3 3 4 4 3 3 2 1 4 4 0 2
1 3 3 3 1 3 3 3 3 3 3 3 3 3 3 3 1 3
2 2 2 3 0 4 3 3 3 3 3 3 2 3 3 4 1 3
4 2 1 3 1 4 4 4 4 4 3 4 4 3 4 4 1 4
1 3 1 3 0 4 3 3 3 3 1 3 3 3 3 4 3 3
2 1 0 3 1 3 3 1 3 4 1 3 4 4 4 4 1 3
0 2 1 2 0 4 3 4 3 4 3 3 3 4 3 4 0 4
1 0 1 1 1 4 2 4 4 4 1 4 4 3 4 4 0 3
4 3 3 3 0 4 4 4 4 4 2 4 2 4 3 4 1 3
3 2 1 3 0 3 3 3 3 3 2 3 3 3 3 4 0 3
1 2 2 3 2 4 4 4 4 4 3 3 2 4 4 4 2 3
2 1 1 2 1 3 3 3 2 3 2 3 3 2 3 3 2 3
3 4 3 4 2 4 4 2 4 4 2 4 3 4 4 4 0 2
2 3 2 2 1 4 3 2 2 3 2 3 3 2 3 4 2 3
1 3 2 3 2 3 3 3 3 3 2 3 3 3 3 3 2 3
3 1 1 3 0 3 4 4 4 3 3 3 0 3 4 4 1 3
2 3 2 3 1 4 4 4 4 3 4 3 4 4 4 4 3 4
3 2 1 4 1 4 3 3 3 3 1 3 1 1 3 4 1 3
1 1 3 1 1 3 3 3 3 3 1 3 3 1 3 3 1 3
3 3 0 1 0 3 3 3 3 3 2 3 3 1 3 3 0 1
3 3 4 3 1 3 3 3 3 3 1 4 3 2 3 4 2 3
1 3 3 3 0 4 4 3 3 3 3 3 3 3 3 4 3 3
2 1 1 0 1 4 1 1 3 2 1 3 3 2 3 4 1 3
2 2 1 1 0 4 3 2 0 3 3 3 3 3 4 3 1 3
3 4 3 3 1 4 3 3 4 4 3 4 3 4 4 4 2 3

- 42 -
UMM
3 3 4 4 1 3 4 4 3 3 1 4 3 3 4 4 1 3
4 3 4 2 4 2 3 4 4 3 2 4 3 3 4 4 2 3
0 1 2 2 1 3 1 3 2 2 3 3 3 3 2 3 1 2
2 4 2 4 2 4 4 3 4 3 3 3 3 3 4 4 2 3
Penyelesaian :
Pindahkan data dari microsoft excel ke dalam SPSS, langkah-langkahnya adalah sebagai berikut:
file → open database → new query
Lalu muncul kotak dialog Database Wizard → Excel Files → Next
Maka muncul kotak dialog ODBC Driver
Login Pilih browse untuk mencari file yang akan
dipindahkan ke dalam SPSS
Jika sudah ditemukan data yang akan dipindah, pilih open → ok

- 43 -
UMM
Pilih sheet1 (data yang akan dipindah ke dalam SPSS) → next
Lalu muncul kotak dialog seperti dibawah ini, kemudian pilih next
Kemudian muncul kotak dialog, kemudian klik finish

- 44 -
UMM
Untuk menguji, dari menu pilih :
Analyze → Scale → Reliability Analysis
Maka akan tampil kotak dialog Reliability Analysis.
Data yang digunakan data kualitatif (ordinal), yang ditampilkan dalam bentuk angka. Seperti: angka 5 =
Sangat Setuju, angka 4 = Setuju, dan sebagainya.
Pada output akan tampil hasil sebagai berikut :
ItemTotal Statistics
46.94 35.539 .235 .703
46.64 35.453 .287 .694
47.26 34.629 .344 .687
46.51 33.603 .467 .670
48.28 37.987 .144 .708
45.66 39.577 .084 .708
46.13 35.331 .438 .677
46.06 36.496 .378 .685
45.89 35.880 .439 .679
45.87 36.636 .501 .680
46.94 35.844 .317 .689
45.85 38.043 .350 .691
46.21 39.128 .075 .712
46.47 34.559 .438 .675
45.79 36.041 .445 .679
45.40 38.724 .306 .696
47.85 39.956 .025 .725
46.15 38.695 .179 .702
item1
item2
item3
item4
item5
item6
item7
item8
item9
item10
item11
item12
item13
item14
item15
item16
item17
item18
Scale Mean if
Item Deleted
Scale
Variance if
Item Deleted
Corrected
ItemTotal
Correlation
Cronbach's
Alpha if Item
Deleted
1. Analisis Validitas
· Hipotesis :
Ho : Skor butir berkorelasi positif dengan skor factor (item valid)
H1 : Skor butir tidak berkorelasi positif dengan skor factor (item tidak valid)
Berdasarkan rhitung dan rtabel

- 45 -
UMM
Syarat :
Ho diterima : jika rhitung positif dan rhitung > rtabel
Ho ditolak : jika rhitung negative dan rhitung < rtabel
Dari output didapatkan nilai rhitung setiap item :
46.94 35.539 .235 .703
46.64 35.453 .287 .694
47.26 34.629 .344 .687
46.51 33.603 .467 .670
48.28 37.987 .144 .708
45.66 39.577 .084 .708
46.13 35.331 .438 .677
46.06 36.496 .378 .685
45.89 35.880 .439 .679
45.87 36.636 .501 .680
46.94 35.844 .317 .689
45.85 38.043 .350 .691
46.21 39.128 .075 .712
46.47 34.559 .438 .675
45.79 36.041 .445 .679
45.40 38.724 .306 .696
47.85 39.956 .025 .725
46.15 38.695 .179 .702
item1
item2
item3
item4
item5
item6
item7
item8
item9
item10
item11
item12
item13
item14
item15
item16
item17
item18
Scale Mean if
Item Deleted
Scale
Variance if
Item Deleted
Corrected
ItemTotal
Correlation
Cronbach's
Alpha if Item
Deleted
Untuk mendapatkan nilai r tabel dapat dihitung dengan rumus :
Item
item1, item2, item5, item6, item13, item17, item18 merupakan item yang tidak valid karena
rhitung < rtabel = 0,29 maka Ho ditolak
Karena ada item yang tidak valid, maka item yang tidak valid tersebut dikeluarkan dan proses
analisis diulang untuk item yang valid saja.
r hitung

- 46 -
UMM
30.79 20.041 .235 .761
30.04 18.433 .453 .722
29.66 18.925 .545 .708
29.60 20.029 .461 .721
29.43 20.032 .450 .722
29.40 20.637 .517 .720
30.47 19.863 .332 .740
29.38 21.633 .383 .734
30.00 18.957 .450 .721
29.32 20.309 .433 .725
28.94 22.365 .293 .742
item3
item4
item7
item8
item9
item10
item11
item12
item14
item15
item16
Scale Mean if
Item Deleted
Scale
Variance if
Item Deleted
Corrected
ItemTotal
Correlation
Cronbach's
Alpha if Item
Deleted
Item3 merupakan item yang tidak valid karena rhitung < rtabel = 0,29 maka Ho ditolak.
Setelah item3 dikeluarkan, maka output akan seperti di bawah ini :
Case Processing Summary
47 100.0
0 .0
47 100.0
Valid
Excluded a
Total
Cases
N %
Listwise deletion based on all
variables in the procedure.
a.
Reliability Statistics
.761 10
Cronbach's
Alpha N of Items
Item Statistics
2.66 1.069 47
3.04 .859 47
3.11 .759 47
3.28 .772 47
3.30 .587 47
2.23 .983 47
3.32 .515 47
2.70 .976 47
3.38 .739 47
3.77 .428 47
item4
item7
item8
item9
item10
item11
item12
item14
item15
item16
Mean Std. Deviation N
r alpha

- 47 -
UMM
28.13 15.375 .420 .747
27.74 15.412 .577 .718
27.68 16.613 .461 .737
27.51 16.647 .444 .739
27.49 17.168 .520 .734
28.55 16.644 .303 .764
27.47 18.254 .345 .753
28.09 15.384 .484 .733
27.40 16.594 .482 .734
27.02 18.543 .357 .753
item4
item7
item8
item9
item10
item11
item12
item14
item15
item16
Scale Mean if
Item Deleted
Scale
Variance if
Item Deleted
Corrected
ItemTotal
Correlation
Cronbach's
Alpha if Item
Deleted
Scale Statistics
30.79 20.041 4.477 10
Mean Variance Std. Deviation N of Items
Karena semua butir soal sudah valid maka proses selanjutnya adalah mencari apakah reliable atau
tidak ?
2. Analisis Reliabel
· Hipotesis :
Ho : Skor butir berkorelasi positif dengan skor factor (item reliabel)
H1 : Skor butir tidak berkorelasi positif dengan skor factor (item tidak reliabel)
Berdasarkan r alpha dan r tabel
Syarat :
Ho diterima : jika r alpha positif dan r alpha > rtabel
Ho ditolak : jika r alpha negatif dan r alpha < rtabel
Kereliabelan sebuah data dapat dilihat pada table kedua (reliability statistic) didapatkan nilai
dari cronbach’s alpha (r alpha) = 0,761 > 0,29 maka Ho diterima berarti data reliabel

COMPUTER 1-INTRODUCTION SPSS

More Related Content

Viewers also liked (6)

Similar to COMPUTER 1-INTRODUCTION SPSS (20)

More from ZUKI SUDIANA (20)

Recently uploaded (20)

COMPUTER 1-INTRODUCTION SPSS