METODE SPSS

“BIOSTATISTIK”

NAMA KELOMPOK :

1. Made Udayati (10.321.0864)

2. Kadek Ayu Kesuma W. (10.321.0858)

3. Kadek Ninik Purniawati (10.321.0859)

4. Luh Gede Wedawati (10.321.0867)

5. Ni Putu Yuli Wahyuni (10.321.0874)

6. Ni Wayan Chandra Utami (10.321.0875)

7. Dias Novita Dewi (10.321.0889)

PROGRAM STUDI ILMU KEPERAWATAN

STIKES WIRA MEDIKA PPNI BALI

TAHUN AKADEMIK 2012/2013

SPSS (Statistical Product and Service Solution) merupakan software statistic yang

paling popular, fasilitasnya sangat lengkap dibandingkan dengan software lainnya. Langkah

pertama yang harus dilakukan adalah dengan cara mengginstal terlebih dahulu software SPSS

yang akan digunakan. Setelah dilakukan instalasi, maka langkah berikutnya adalah masuk ke

dalam program SPSS

Perhatikan pada sudut kiri bawah, ada 2 sheet yaitu Data View dan Variabel View.

1. Data View

Data view adalah tempat dimana data statistic yang akan diolah (sudah dalam bentuk

angka skala). Data view memiliki tampilan seperti dibawah ini :

Keterangan :

A. Title bar merupakan nama dari judul SPSS yang sedang dibuka. Pada umumnya,

nama yang diberikan oleh SPSS pada saat membuka pertama kali yaitu

Untitled1[DataSet0]-SPSS Statistics Data Editor

B. Menu berisi perintah mengenai menu di mana di dalamnya terdapat submenu yang

digunakan untuk memproses data yang akan diolah.

File, pada menu utama File memuat sub-submenu tentang file, diantaranya

membuat file baru (New), membuka (Open), menutup (Close), dan menyimpan

file (Save-Save As…)

Edit, merupakan submenu untuk melakukan pengeditan data yang telah

dimasukkan pada SPSS Data Editor. Beberapa kegunaan dari submenu dari

menu utama Edit adalah melakukan Undo atau mengembalikan action terakhir

yang dilakukan, sedangakan redo sebaliknya, cut-clear untuk menghapus data,

copy – paste untuk menggandakan dan duplikasi data, find untuk mencari data,

dan copi – paste variable untuk mengganti variabel data.

View, merupakan menu yang menampilkan submenu untuk menampilkan

status toolbar yang sedang aktif (Status Bar), toolbar dan font huruf yang

digunakan.

Data, merupakan menu yang menampilkan submenu untuk melakukan

perubahan-perubahan terhadap data SPSS, seperti mendefinisikan nilai label

data (define variable properties…), mendefinisikan waktu (define dates…),

mengurutkan data (sorf cases), dan memisah isi file dengan kriteria tertentu

(split file)

Transform, merupakan pilihan menu utama uang melakukan operasi

transformasi data, seperti menghitung variabel data (compute variable…),

mengubah data (recode into same variables…- recode into different

variables…) ataupun me-ranking data (rank cases)

Analyze, merupakan menu utama yang menjadi pusatpengolahan data SPSS

Graphs, dikelompokkan menjadi 4 sub menu, yang menampilkan berbagai

bentuk grafik dan chart.

Utilities, menu utama yang merupakan pelengkap pada pengoperasian SPSS

ini menyajikan 9 sub menu. Beberapa kegunaan submenu adalah menampilkan

informasi variabel (variables…), memdefinisikan dan menampilkan variabel

data (define-use variabel sets…)

Add-ons, merupakan menu utama yang menawarkan pelayanan SPSS lewat

website

Window, menu ini memberikan informasi window yang sedang aktif

Help, menu yang memuat 9 submenu ini memberikan bantuan informasi

tentang topic-topik SPSS (topics) ataupun dalam bentuk tutorial (tutorial)

C. Toolbar, berisi icons yang membantu dan mempermudah mengelola data dengan

cepat.

D. Baris Nama Variabel merupakan tempat yang menunjukkan nama dari suatu

variabel. Untuk pertama kali baris nama variabel diberi nama Var. untuk mengganti

nama variabel dapat melalui variabel view dan mengganti dengan cara double klik

kotak variabel tersebut

E. Baris data merupakan barisan yang berisi data-data dalam jumlah banyak yang

merupakan data daripada variabel tersebt

2. Variabel View

Variabel view merupakan bagian yang digunakan untuk mendefinisikan variabel

data yang akan dimasukkan. Untuk mengaktifkan kotak varabel view lakukan dengan klik

variabel view (bagian yang diberi kotak). Variabel view memiliki gambar seperti di bawah

ini :

Di dalam variabel view di atas memiliki keterangan sebagai berikut :

Name : berisi nama variabel. Misalnya dengan memberikan nama variabel data

pertama maka klik kolom Name pada baris pertama

Type : merupakan tipe data, berbagai macam type yang ada memiliki fungsi yang

berbeda yaitu:

a. Numeric untuk data angka dengan lebar 8 digit dan 2 angka decimal

dibelakang koma

b. String untuk data teks, biasanya data berupa nama

c. Date adalah data yang dimasukkan berupa tanggal

Width : diisikan sejumlah karakter (lebar kolom) yang akan diinput dalam Data

View.

Decimal : diisi jumlah decimal karakter maksimal yang akan diinput dalam Data

View.

Label kolom yang menunjukkan tambahan informasi denga memberikan label

variabel data

Value : untuk memberikan kodefikasi,

Missing : untuk merupakan kolom yang menunjukkan data yang hilang. Namun,

jika data lengkap (tidak ada data yang hilang) maka kolom ini dapat diabaikan.

Columns : memiliki fungsi mengubah jumlah karakter yang dapat dimasukkan

pada suatu variabel tertentu. Bila kita mengisi coloumns dengan angka 2, maka

hanya dua digit data saja yang akan dimasukkan pada variabel tersebut

Align : untuk pengaturan tampilan perataan kata dalam Data Viev, seperti left,

centre, right

Measure : merupakan tipe variabel yang akan menentukan jenis analisis yang

akan digunakan. Maka secara default akan terpilih Nominal atau Ordinal, jika

variabel bertipe Sting. Scale digunakan apabila data yang ingin kita olah akan

dibuat skala pengukuran (range).

Aplikasi metode SPSS dalam pengujian data

1. Chi Square

Tujuan penggunaan :

a. Menguji ketidaktergantungan (independence) atau hubungan (association) antara

dua variabel.

b. Menguji homogenitas apakah dua variabel berasal dari dua populasi yang sama.

c. Menguji kesesuaian ( goodnes of fit) apakah suatu sampel berasal dari satu populasi

yang berdistribusi tertentu.

d. Untuk menguji proporsi, apakah proporsi kedua kelompok sampel.

Syarat penggunaan :

a. kedua variabel yang diuji bersifat kategorikal (skala nominal atau ordinal).

b. Jumlah sel yang mempunyai nilai frekuensi harapan <5 maksimal 20% dari seluruh

sel.

Rumus :

Oij = frekuensi teramati sel ke-i kolom ke-j

Eij = frekuensi harapan sel ke-i kolom ke-j

Prinsip pengujian

Membandingkan frekuensi teramati (O : observed value ) dengan frekuensi yang

diharapkan (E : expected value). Asumsi yang digunkan adalah :

Ho : O = E

Jika perbedaan O dengan E cukup besar (significant), maka disimpulkan :

a) Ada ketergantungan/hubungan antara kedua variabel yang diuji

b) Kedua variabel yang diuji berasal dari populasi yang sama (homogen)

c) Sampel yang diuji tidak berasal dari populasi yang berdistribusi yang

dimaksud

Contoh soal

Data dibawah ini berasal dari penelitian tentang hubungan jenis kelamin dengan

motivasi. Apakah data tersebut bisa membuktikan bahwa hubungan tersebut memang

ada?

Jawab :

1. Tetapkan hipotesis

Ho : O = E (tidak ada hubungan)

Ha : O E (ada hubungan)

2. Uji yang digunakan : uji chi square

3. Kriteria penolakan Ho

Apabila nilai > standar

Jenis kelamin Motivasi rendah Motivasi sedang Motivasi tinggi Jumlah

Laki-laki 3 18 6 27

Wanita 12 6 15 33

Jumlah 15 24 21 60

Untuk alfa = 0,05 dengan df = (b-1) (K -1) = 2

Maka X2 standar = 5,99

4. Hitung nilai X2

O11 = 6 E11 = ( 21 x 27) / 60 = 9,45

O 12 = 18 E12 = (24 x 27) / 60 = 10,80

O 13 = 3 E13 = (15 x 27) /60 =6,75

O21 = 15 E21 = (21 x 33) / 60 = 11,55

O22 = 6 E22 = (24 x 33) / 60 =13,20

O23 = 12 E23 = (15 x 33) /60 = 8,25

X2 = 1,26 + 4,80 + 2,08 + 1,03 + 3,93 + 1,71

X2 = 14,81

5. Ambil kesimpulan : oleh karena nilai X2 > 5,99 maka Ho ditolak, Ha diterima

6. Interpretasi

a. Ada hubungan antara jenis kelamin dengan motivasi

b. Ada perbedaan motivasi antara pria dan wanita

c. Motivasi pria tidak sama dengan motivasi wanita

d. Jenis kelamin berpengaruh dengan motivasi

Contoh perhitngan dengan SPSS

1. Mendefinisikan variabel dan analisis data

2. Memilih uji statistik yang diperlukan

3. Membaca output

4. Membaca tabel

Tabel diatas jelas memperlihatkan nilai pearson chi square adalah 14,805 (dibulat

menjadi 14,81) angka ini sama dengan hasil perhitungan manual. P- value

(significant) 0,001 < 0,05. Dengan demikian Ho ditolak atau Ha diterima.

2. Mann-Whitney Test

Uji Mann-Whitney U adalah tes nonparametrik yang digunakan untuk mengetahui

apakah terdapat perbedaan respon dari 2 populasi data yang saling independen ketika data

lebih lemah dari skala interval. Uji ini dapat disamakan dengan t test untuk 2 kelompok

yang independen ketika terjadi pelanggaran terhadap asumsi normalitas atau skala data

tidak sesuai untuk uji t. Formula uji U :

Dimana : U = Nilai Mann Whitney, = Jumlah sampel pertama,  = Jumlah sampel

kedua, 1 dan 2 = konstanta, R = Jumlah jenjang sampel. 

Contoh kasus

Seorang guru bahasa Inggris ingin mengetahui apakah ada perbedaan nilai kemampuan

conversation bahasa Inggris antara siswa laki-laki dan perempuan. Diambil 30 siswa

sebagai sampel.

Langkah analisis :

1. Klik Analyze > Nonparametric > 2 Sample Independent

2. Masukkan nilai conversation ke dalam kolom Variable List

3. Masukkan variabel jenis kelamin ke dalam kolom Grouping

4. Klik Define group, isi angka 1 dan angka 2. Klik OK

Hipotesis :

H0= Tidak ada perbedaan nilai conversation bahasa Inggris antara siswa laki-laki dan

perempuan

H1= Terdapat perbedaan nilai conversation bahasa Inggris antara siswa laki-laki dan

perempuan

Kriteria uji : Tolak hipotesis nol (H0) jika nilai signifikan p-value (< 0.05)

Hasil Output SPSS

Oleh karena nilai signifikansi p-value sebesar 0.000 (< 0.05) maka tolak hipotesis nol

(H0). artinya bahwa terdapat perbedaan nilai conversation bahasa Inggris antara siswa laki-

laki dan perempuan.

3. Wilcoxon Signed Test

Uji wilcoxon digunakan untuk menganalisis hasil-hasil pengamatan yang

berpasangan dari dua data apakah berbeda atau tidak. Wilcoxon signed Rank test ini

digunakan hanya untuk data bertipe interval atau ratio, namun datanya tidak mengikuti

distribusi normal.

Uji hipotesis :

H0 : d = 0 (tidak ada perbedaan diantara dua perlakuan yang diberikan)

H1 : d ≠ 0 (ada perbedaan diantara dua perlakuan yang diberikan )

Dengan d menunjukkan selisih nilai antara kedua perlakuan.

Pada perangkat SPSS, kita dapat melakukan langkah-langkah berikut ini untuk melakukan

uji tersebut.

Klik Analyze –> Nonparametric Test –>2 Related samples muncul kotak dialaog:

Dan aktifkan wilcoxon pada Test Type (lebih lanjut akan dijelaskan pada contoh soal)

Contoh Soal:

Universitas Gadjah Mada setiap tahunnya menerima Mahasiswa Baru melalui jalur-jalur khusus

misalnya PBOS dan PBUPD. Guna mengetahui kualitas mahasiswa yang telah diterima melalui

jalur tersebut, dilakukan tes Matrikulasi. Dan pihak pelaksana melakukan dua kali ujian yaitu

sebelum program matrikulasi dilakukan dan setelahnya untuk mengetahui keefektifan program

tersebut. Dan untuk itu diambil sampel sebanyak 15 orang dari kelompok IPA untuk mata ujian

FISIKA, dan diperoleh data:

Peserta 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Sebelum 67 54 67 55 87 60 70 45 54 66 73 88 80 65 75

Sesudah 66 75 80 60 78 89 65 70 68 75 74 85 89 90 75

Analisisnya dalam SPSS adalah sebagai berikut:

1.Inputkan data seperti tampak di bawah ini:

Klik Analyze –> Nonparametric Test –> 2 Related samples

Aktifkan Wilcoxon dan masukan variabel yang akan diuji sebagaimana tampak pada

kotak dialog:

Klik OK dan outputnya :

Dari output tersebut diperoleh:

1. Negative Ranks atau selisih antara variabel sebelum dan sesudah yang negatif

sebanyak 4 observasi atau dengan kata lain terdapat 4 observasi pada variabel sesudah

yang kurang dari observasi pada variabel sebelum. Dan rata-rata rangkingnya = 4

dengan jumlah rangking negatif = 16

2. Positive Ranks atau selisih variabel sebelum dan sesudah yang positif sebanyak 10

observasi atau denga kata lain terdapat 10 observasi pada variabel sesudah yang lebih

dari observasi pad avariabel sebelum dengan rata-rata rangkingnya = 8,90 dan jumlah

rangking positif = 89.

3. Ties atau tidak ada perbedaan antara variabel sebelim dan sesudah sebanyak 1

observasi.

Oleh karena jumah rangking negatif lebih kecil dibanding rangking positif maka

nilai T yang digunakan adalah jumlah rangking yang negatif.

Selanjutnya dilakukan uji hipotesis:

H0 : d = 0 (tidak ada perbedaan nilai tes sebelum matrikulasi dan sesudah matrikulasi)

H1 : d ≠ 0 (ada perbedaan diantara nilai tes sebelum matrikulasi dan sesudah matrikulasi)

Tingkat signifikansi α =0,05

Statistik Uji

Untuk nilai statistik uji, tinjau tabel output berikut:

dari tabel diperoleh nilai asymp sig = 0,022

Daerah kritis

H0 ditolak jika nilai asymp sig < nilai α

Kesimpulan

Oleh karena nilai asymp sig = 0,022 < α =0,05 maka Ho ditolak yang berarti bahwa ada

perbedaan nilai Fisika calon mahasiswa sebelum dan sesudah mengikuti program

matrikulasi.

4. Korelasi Rank Spearman

Korelasi Spearman mirip dengan regresi, namun ditujukan untuk statistik nin

parametrik. Korelasi Spearman menunjukkan hubungan sebab akibat.

Contoh : Perusahaan ingin mengetahui hubungan antara jam_lembur dan prestasi dari

karyawan. Untuk itu dilakukan pendataan jam lembur karyawan dan prestasi yang

dihasilkan. Dan didapat data sebagai berikut :

Jam lembur Skor prestasi

24 3.6

17 2.0

20 2.7

41 3.6

52 3.7

23 3.1

46 3.8

17 2.5

15 2.1

29 3.3

Langkah – langkah melakukan uji Korelasi Spearman adalah sebagai berikut :

a. Masukkan data di atas pada SPSS.

b. Klik menu Analyze > Correlate > Bivariate

c. Pada kotak dialog yang muncul masukkan variabel jam lembur dan skor prestasi 

pada kotak Variables. Pastikan pilihan Spearman aktif.

d.Klik OK untuk melakukan analisa

Ada tidaknya korelasi dapat dilihat dari nilai probabilitas yang tercantum pada baris

Sig.  Untuk korelasi, syarat ada tidaknya korelasi adalah sebagai berikut :

Correlations

jam_lembur skore_prestasi

Spearman's rho jam_lembur Correlation Coefficient 1.000 .945**

Sig. (2-tailed) . .000

N 10 10

skore_prestasi Correlation Coefficient .945** 1.000

Sig. (2-tailed) .000 .

N 10 10

**. Correlation is significant at the 0.01 level (2-tailed).

Apabila probabilitas > 0.025 maka tidak ada korelasi.

Apabila probabilitas < 0.025 maka antar variabel terdapat korelasi.

Pada contoh di atas nilai probabilitas yang dihasilkan adalah 0.00. Maka jam_lembur 

dan skor_prestasi mempunyai korelasi  (0.00 < 0.025)

Hubungan sebab akibat ditunjukkan dengan tanda positif atau negatif dari koefisien

korelasi. Dari hasil di atas dapat dilihat bahwa koefisien korelasi antara jam_lembur dan

skor_prestasi adalah 0.945 (tanda positif)

Hal ini berarti semakin tinggi jam lembur, maka skor prestasi juga semakin meningkat.

5. Korelasi Product Momen Pearson

Analisis korelasi digunakan untuk menjelaskan kekuatan dan arah hubungan antara

dua variabel. Korelasi bersifat undirectional yang artinya tidak ada yang ditempatkan

sebagai predictor dan respon (IV dan DV).

Angka korelasi berkisar antara  -1 s/d +1. Semakin mendekati 1 maka korelasi

semakin mendekati sempurna. Sementara nilai negative dan positif mengindikasikan arah

hubungan. Arah hubungan yang positif menandakan bahwa pola hubungan searah atau

semakin tinggi A menyebabkan kenaikan pula B (A dan B ditempatkan sebagai variabel)

Interprestasi angka korelasi menurut Prof. Sugiyono (2007)

0          -           0,199   : Sangat lemah

0,20     -           0,399   : Lemah

0,40     -           0,599   : Sedang

0,60     -           0,799   : Kuat

0,80     -           1,0       : Sangat kuat

Pearson r correlation:

Pearson r correlation biasa digunakan untuk mengetahui hubungan pada dua variabel.

Korelasi dengan Pearson ini mensyaratkan data berdistribusi normal.

Rumus yang digunakan adalah sebagai berikut :

Contoh Kasus

Pak Ali ingin mengetahui apakah ada hubungan antara pengawasan (Control), kepuasan

kerja (Job Satisfaction), Disiplin kerja (discipline), dan kinerja (Performance).

Penyelesaian Kasus dengan SPSS:

Langkah 1. Pada menu Analyze pilih “correlate bivariate” . Setelah itu akan ada tampilan

sbb:

Langkah 2.

Masukkan variabel yang akan dikorelasikan ke dalam variable list.

Click on “option” and select “descriptive statistics”, abaikan yang lain lalu klik “OK”

Interprestasi

Arti angka Korelasi

a. Control – Performance. Nilai korelasi adalah positif 0.668. Besaran angka korelasi

menunjukkan bahwa korelasi antara Control dan Performance berada dalam kategori

“Kuat”, sementara nilai positif mengindikasikan pola hubungan antara Control dengan

Performance adalah searah (semakin tinggi Control maka semakin tinggi pula

Performance). Perolehan p hitung = 0.000 < 0.05 yang menandakan bahwa hubungan

yang terjadi adalah signifikan.

b. Job Satisfaction – Performance. Nilai korelasi adalah positif 0.772. Besaran angka

korelasi menunjukkan bahwa korelasi antara Job satisfaction dan Performance berada

dalam kategori “Kuat”, sementara nilai positif mengindikasikan pola hubungan antara

adalah searah (semakin tinggi Job Sat maka semakin tinggi pula Performance).

Perolehan p hitung = 0.000 < 0.05 yang menandakan bahwa hubungan yang terjadi

adalah signifikan.

c. Dicipline – Performance. Nilai korelasi adalah positif 0.749. Besaran angka korelasi

menunjukkan bahwa korelasi antara Dicipline dan Performance berada dalam kategori

“Kuat”, sementara nilai positif mengindikasikan pola hubungan antara dicipline

dengan Performance adalah searah (semakin tinggi Control maka semakin tinggi pula

Performance). Perolehan p hitung = 0.000 < 0.05 yang menandakan bahwa hubungan

yang terjadi adalah signifikan.

6. Regresi Sederhana

Analisis ini menurut Sugiyono digunakan oleh peneliti bila peneliti bermaksud

meramalkan bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila ada

satu variabel independen sebagai prediktor dimanipulasi (dinaik turunkan nilanya).

Persamaan yang diperoleh dari regresi sederhana adalah Y = a + b X

y  =  adalah subjek nilai dalam variabel terikat yang diprediksikan

a  = harga Y bila X = 0 (harga konstan)

b  = angka arah koefisien regresi

X = subjek pada variabel bebas yang mempunyai nilai tertentu.

Untuk memperoleh hasil perhitungan Regresi, dapat dilakukan dengan tiga cari yaitu

perhitungan manual, menggunakan fungsi pada MS. Excel, atau menggunakan Software

Statistik (dalam contoh ini digunakan SPSS)

Asumsi yang diperlukan untuk analisis ini adalah uji normalitas. Uji normalitas

diperlukan untuk mengetahui apakah data yang terkumpul dari setiap variabel dependen

dan independen atau keduanya mempunyai distribusi normal atau tidak. Model regresi

yang baik adalah yang mendekati normal

Untuk melihat model regresi normal atau tidak, dilakukan analisis grafik dengan

melihat “normal probability report plot” yang membandingkan antara distribusi kumulatif

dari data sesungguhnya dengan distribusi normal. Distribusi normal akan membentuk satu

garis lurus diagonal dan ploting data akan dibandingkan dengan garis diagonal. Jika

distribusi data normal, maka garis yang menggantikan data sesungguhnya akan mengikuti

garis diagonalnya (Imam Ghozali, 2009).

Contoh Kasus :

Pak Hasan ingin mengetahui pengaruh kepuasan kerja (X) terhadap kinerja (Y)

karyawannya. Kuesioner kepuasan kerja di adaptasi dari Job Description Index (JDI))

yang dikembangkan oleh Hulin meliputi lima dimensi kepuasan kerja yang dirasakan

karyawan yaitu kepuasan terhadap jenis pekerjaan, kesempatan promosi, supervisi, gaji

atau upah, dan rekan kerja dengan jumlah total pertanyaan sebanyak 20 item. Sementara

kinerja diukur berdasarkan

Ukuran-ukuran dari kinerja pegawai menggunakan lembar evaluasi kinerja yang disusun

dikembangkan dari panduan evaluasi kinerja dari James E. Neal Jr (2003) antara lain

terdiri dari 7 dimensi yang kemudian dikembangkan menjadi 26 indikator (item

pernyataan).

Jumlah sampel  penelitian adalah seluruh karyawan yang berjumlah 37 orang. Setelah data

dimasukkan ke dalam SPSS, maka analisis dilakukan :

Klik Analyze Regression Linier

masukkan Variabel kinerja (Y) ke dalam dependent box, dan kepuasan kerja (X) ke dalam

independent box.

Klik Plot, lalu beri tanda pada Histogram dan Normal Probability Plot (ini untuk uji

normalitas), lalu Klik Continue, lalu OK

Output

Interpretasi

A. KORELASI

Berdasarkan hasil analisis seperti yang ditampilkan Tabel di atas (Tabel Model

Summary) diketahui bahwa korelasi parsial antara kepuasan kerja dan kinerja pegawai

dengan korelasi product moment by Pearson. Hasil korelasi parsial didapat nilai r

hitung sebesar 0,772.

Nilai korelasi ini tergolong kuat (> 0,600) dan memiliki nilai positif sehingga

dapat dikatakan pola hubungan antara kepuasan kerja dan kinerja adalah searah.

Artinya, semakin tinggi kepuasan maka kinerja pun akan semakin tinggi, begitu pula

sebaliknya, semakin rendah kepuasan kerja maka kinerja-pun akan semakin rendah. 

Koefisien determinasinya (KD) menunjukkan nilai sebesar 0,597 atau sebesar 59,70%

(dibulatkan 60%) dari hasil (r2 x 100%). Artinya variasi perubahan kinerja dipengaruhi

oleh kepuasan kerja sebesar 60% dan sisanya 40% dipengaruhi faktor lain selain

kepuasan kerja.

B. REGRESI

Konstanta sebesar 20.268 menyatakan bahwa jika variabel kepuasan kerja bernilai nol,

maka kinerja pegawai adalah sebesar 20.268 satuan

Koefisien regresi sebesar 1,035 pada variabel kepemimpinan, maka akan

menyebabkan kenaikan kinerja menjadi sebesar 32,251.

7. One Sample T Test / Uji t satu sampel

One sample t test merupakan teknik analisis untuk membandingkan satu variabel

bebas. Teknik ini digunakan untuk menguji apakah nilai tertentu berbeda secara signifikan

atau tidak dengan rata-rata sebuah sampel.

Uji t sebagai teknik pengujian hipotesis deskriptif memiliki tiga criteria yaitu uji

pihak kanan, kiri dan dua pihak. Uji Pihak Kiri : dikatakan sebagai uji pihak kiri karena t

tabel ditempatkan di bagian kiri Kurva. Uji Pihak Kanan : Dikatakan sebagai uji pihak

kanan karena t tabel ditempatkan di bagian kanan kurva. Uji dua pihak : dikatakan sebagai

uji dua pihak karena t tabel dibagi dua dan diletakkan di bagian kanan dan kiri

Contoh Kasus

Contoh Rumusan Masalah : Bagaimana tingkat keberhasilan belajar siswa

Ha : tingkat keberhasilan belajar siswa paling tinggi 70% dari yang diharapkan

Ho : tingkat keberhasilan belajar siswa paling rendah 70% dari yang diharapkan

Hipotesis statistik

Ha : µ 0 < 70%

Ho : µ 0 ≥ 70%

Parameter uji : -

Jika – t tabel ≤ t hitung maka Ho diterima, dan Ha di tolak

Jika – t tabel > t hitung maka Ho ditolak, dan Ha diterima

Penyelesaian Kasus 1 (uji t pihak kiri)

Data yang hasil ulangan matematika siswa sebanyak 37 siswa.

Dengan SPSS yaitu :

Klik Analyze – Pilih Compare Means, lalu pilih One Sample T Test

Masukkan variabel nilai ke dalam Test Variable Box, abaikan yang lain kemudian klik

OK Selanjutnya Uji Normalitas data : Klik Analyze, Pilih Non Parametrics Test – pilih 1

Sampel K-S, masukkan variabel nilai ke dalam Test Variable List, kemudian Klik OK

Hasil

Hasil uji di atas menunjukkan bahwa t hitung = 61.488. T tabel diperoleh dengan df = 36, sig

5% (1 tailed) = 1.684. Karena – t tabel < dari t hitung (-1.684 < 61.488), maka Ho diterima,

artinya tingkat keberhasilan belajar siswa paling tinggi 70% tidak terbukti, bahkan lebih dari

yang diduga yaitu sebesar 74.3489

Hasil uji normalitas data menunjukkan nilai Kol-Smirnov sebesar 0.600 dan Asymp. Sig tidak

signifikan yaitu sebesar 0.864 (> 0.05), sehingga dapat disimpulkan data berdistribusi normal

8. Independen Sample T Test

Tujuan analisis ini adalah untuk membandingkan dua rata-rata dua grup yang tidak

berhubungan. Data yang digunakan adalah kuantitatif dengan asumsi berdistribusi normal.

Contoh Kasus 1

Seorang peneliti ingin membandingkan rata-rata ketikdalulusan siswa antara SMA swasta

dan SMA negeri di 10 Kabupaten.

Kabupaten

Tidak Lulus

Swasta Negeri

A         3.72         1.88

B         3.20         1.61

C         4.40         2.69

D         3.90         1.38

E         2.78         3.94

F         4.83         2.78

G         4.81         1.51

H         3.52         2.86

I         2.41         1.03

J         4.82         2.68

 

Penyelesaian kasus

pilih analyze - compare means - independent -sample t test

Masukkan variabel ketidaklulusan ke Test Variable, dan group ke Grouping Variable.

Klik Define Groups, lalu Setting angka 1 untuk Group 1, dan angka 2 untuk Group 2

(group ini merupakan perbedaan antara sma swasta (kode 1), dan SMA negeri (kode 2).

Abaikan yang lain lalu Klik OK

 

interprestasi dan pembahasan

Pada Group statistik dapat dilihat bahwa rata-rata ketidaklulusan siswa untuk SMA

swasta adalah sebesar 3,84%, sementara untuk SMA negeri adalah 2,24%. Standar

deviasi pada dua group ini tidak jauh berbeda yaitu 0,875 untuk SMA swasta, dan 0,896

untuk SMA Negeri

Uji Hipotesis

Ho = kedua rata-rata populasi adalah sama (identik)

Ha = kedua rata-rata populasi adalah berbeda (tidak sama)

 

Parameter Uji

t hitung 4,047 dibandingkan dengan t tabel dengan df 18 dan alpha 5% adalah 2,01.

Karena nilai t hitung > t tabel maka dapat disimpulkan Ho ditolak, artinya terdapat

perbedaan antara dua kelompok yang diuji

Nilai probabilitas adalah sebesar 0,001, jauh dibawah alpha 0,05 sehingga sejalan dengan

uji t di atas kesimpulan yang bisa diperoleh adalah sama yaitu Ho ditolak, dan Ha

diterima

9. Paired Sample T Test (Uji Beda Dua Sampel Berpasangan)

Paired sample t test merupakan uji beda dua sampel berpasangan. Sampel berpasangan

merupakan subjek yang sama namun mengalami perlakuan yang berbeda.

CONTOH KASUS

Akan diteliti mengenai perbedaan penjualan sepeda motor merk A disebuah Kabupaten

sebelum dan sesudah kenaikan harga BBM. Data diambil dari 15 dealer.

Data yang diperoleh adalah sebagai berikut :

No Sebelum Sesudah

1 67 68

2 75 76

3 81 80

4 60 63

5 80 82

6 75 74

7 71 70

8 68 71

9 80 82

10 78 79

11 71 78

12 80 77

13 65 69

14 57 67

15 78 68

 

PENYELESAIAN

Klik ANALYZE > COMPARE MEANS > PAIRED SAMPLES t Test

Masukkan jual_1 dan Jual_2 pada kolom “Paired variables” seperti gambar di bawah ini

Abaikan yang lain, klik OK

HASIL

Bagian pertama. Paired Samples Statistic

Menunjukkan bahwa rata-rata penjualan pada sebelum dan sesudah kenaikan BBM.

Sebelum kenaikan BBM rata-rata penjualan dari 15 dealer adalah sebanyak 72.4,

sementara setelah kenaikan BBM jumlah penjualan rata-rata adalah sebesar 73.6 unit

Bagian Dua. Paired samples Correlatian

Hasil uji menunjukkan bahwa korelasi antara dua variabel adalah sebesar 0.809 dengan

sig sebesar 0.000. Hal ini menunjukkan bahwa korelasi antara dua rata-rata penjualan

sebelum dan sesudah kenaikan adalah kuat dan signifikan.

 

Hipotesis

Hipotesis yang diajukan adalah :

Ho  : rata-rata penjualan adalah sama

H1  : rata-rata penjualan adalah berbeda

 

Hasil uji Hipotesis

Nilai t hitung adalah sebesar -1.031 degan sig 0.320. Karena sig > 0.05 maka dapat

disimpulkan bahwa Ho diterima, artinya rata-rata penjualan sebelum dan sesudah kenaikan

BBM adalah sama (tidak berbeda). dengan demikian dapat dinyatakan bahwa kenaikan

harga BBM tidak mempengaruhi jumlah penjualan sepeda motor di kabupaten A.

10. Uji Friedman (Uji Beda > 2 Related Sample)

Uji Friedman dilakukan untuk mengetahui perbedaan lebih dari dua kelompok

sampel yang saling berhubungan. Data yang dianalisis adalah data ordinal, sehingga jika

data berbentuk interval atau ratio sebaiknya dirubah dulu ke bentuk ordinal.

Uji Friedman merupakan alternative dari ANOVA satu jalur. Uji ini dilakukan jika

asumsi-asumsi dalam statistik parametris tidak terpenuhi, atau juga karena sampel yang

terlalu sedikit.

Contoh Kasus

Seorang guru ingin mengetahui bagaiman respon siswa dalam belajar dengan memberikan

4 metode yang berbeda. Pada minggu pertama diberikan metode A, minggu kedua

diberikan metode B, minggu ketiga diberikan metode C, dan minggu ke empat diberikan

metode D.

Masing-masing metode dilakukan pengukuran mengenai reaksi dan keaktifan siswa dalam

menerima pelajaran yang diukur dengan skala odinal 3 kategori yaitu buruk – sedang –

baik

DATA

PENYELESAIAN

Klik Analyze – non parametric – pilih k related sample

Masukkan metode A, B, C, dan D ke test variable

Pilih Statistic, lalu pilih descriptive..

Tetap pada pilihan Friedman, lalu klik OK

 

HASIL

Pada hasil deskriptif terlihat rata-rata pada metode A  adalah sebesar 1.6, B sebesar 2.1, C

sebesar 1.7 dan D sebesar 2.1

Deviasi standar masing-masing sebesar 0.502 (A), 0.307 (B), 0.550 (C) dan 0.587 (D)

PENGUJIAN HIPOTESIS

Pada tabel test statistic terlihat bahwa besaran nilai Chi Square = 13.630 dan asymp sig

0.003. Hasil uji signifikansi Chi Square menunjukkan bahwa sig < 0.05 sehingga dapat

disimpulkan bahwa empat metode belajar yang diberikan memberikan reaksi yang

berbeda dari siswa.

Dari hasil ranking diketahui bahwa metode D mendapat respon paling tinggi, disusul

metode B, kemudian C dan terakhir A.

11. One Way Anova (Analysis Of Variance)

Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate

yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara

membandingkan variansinya. Analisis varian termasuk dalam kategori statistik

parametric. Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus

ANOVA harus terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas,

heterokedastisitas dan random sampling (Ghozali, 2009).

Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai

macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-

penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat

dengan cara membandingkannya pada kelompok2 sampel independen yang diamati.

Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian

eksperimen.

One-way anova dilakukan untuk menguji perbedaan tiga kelompok atau lebih

berdasarkan satu variabel independen.

Contoh Kasus

Pak Ali seorang manajer ingin mengetahui perbedaan gaji berdasarkan jenis perusahaan

yaitu farmasi, jasa dan manufaktur. Survey dilakukan terhadap 45 sampel dari tiga jenis

perusahaan yaitu farmasi, jasa dan manufaktur.

Langkah Uji

Klik Analyze > Compare Mean > One Way Anova

Masukkan variabel gaji ke kotak dependen list, dan masukkan variabel jenis perusahaan

ke dalam kotak Factor

Klik icon Post Hoc, pilih LSD dan Duncan. lalu continue

Klik Options, dan pilih Descriptive

Klik OK

HASIL

Interpretasi

Berdasarkan output Deskriptif diperoleh rata-rata gaji untuk pekerja sector farmasi adalah

3.5 juta, jasa 3.18 juta dan sector manufaktur 2.23 juta rupiah. Gaji minimal sector farmasi

adalah 2.5 juta dan maksimal 4.1 juta. Sedangkan gaji minimal pekerja di sector jasa

adalah sebesar 2.4 juta dan maksimal 4.2 juta. Gaji minimal pekerja di sector manufaktur

adalah sebesar 1.8 juta dan tertinggi sebesar 3.5 juta.

Standar deviasi terendah adalah di sector farmasi, sementara yang tertinggi adalah di sector

jasa. Nilai ini menunjukkan keseragaman data, sehingga semakin besar nilai standar

deviasi menunjukkan semakin besarnya ketidakseragaman data. Dengan demikian, dapat

disimpulkan bahwa sector manufaktur menunjukkan ketidakseragaman (variatif) dalam hal

gaji.

Output Anova menunjukkan bahwa nilai F hitung adalah sebesar 35.367 dengan sig 0.000.

dengan demikian dapat disimpulkan bahwa Ho ditolak, atau terdapat perbedaan yang

signifikan antara gaji kelompok sector farmasi, jasa dan manufaktur.

Selanjutnya, melalui Uji Post Hoc LSD diketahui perbedaan antar kelompok yang

dirangkum sbb :

Farmasi – Jasa : signifikan

Farmasi – Manufaktur : signifikan

Jasa – Manufaktur : signifikan

dengan demikian dapat dikatakan bahwa antar kelompok tersebut memiliki perbedaan yang

signifikan

Lalu pada bagian uji Post Hoc Duncan. Perbedaan tiap kelompok dapat dilihat dari nilai

harmonic mean yang dihasilkan tiap kelompok berada dalam kolom subset yang sama atau

berbeda. Pada hasil uji menunjukkan ketiga kelompok sampel berada pada kolom subset

yang berbeda. Kelompok manufaktur masuk ke dalam kolom 1, jasa masuk ke kolom 2 dan

sector farmasi di kolom 3.  Ini mengindikasikan bahwa ketika sector ini memiliki

perbedaan yang signifikan

Seperti yang dijelaskan di atas, ANOVA membutuhkan uji asumsi normalitas dan

homogenitas. Saya di sini langsung menampilkan hasil ujinya sbb :

Normalitas

Output di atas menunjukkan bahwa data berdistribusi normal. hal ini dapat dilihat dari

nilai asymp.sig (2-tailed) sebesar 0.289 > 0.05, sehingga dinyatakan normal

selanjutnya hasil uji homogenitas

Hasil uji di atas menggunakan uji Levene. nilai Levene F hitung adalah sebesar 1.424

dengan signifikansi 0.252. Karena nilai sig > 0.05 maka dapat disimpulkan bahwa tidak

ada perbedaan varian antar kelompok sampel yang diteliti atau varian antar kelompok

sampel adalah sama.

12. Two Ways Anova (Analysis Of Variance)

Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate

yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara

membandingkan variansinya. Analisis varian termasuk dalam kategori statistik

parametric. Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus

ANOVA harus terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas,

heterokedastisitas dan random sampling (Ghozali, 2009).

Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai

macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-

penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat

dengan cara membandingkannya pada kelompok2 sampel independen yang diamati.

Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian

eksperimen.

Anova dua jalur memiliki perbedaan dibanding anova satu jalur. Perbedaannya

adalah pada jumlah variabel independen. Pada anova satu jalur hanya ada satu variabel

independen, sementara pada anova dua jalur ada dua atau lebih variabel independen.

Contoh Kasus

Akan diuji perbedaan gaji berdasarkan jenis kelamin, dan masa kerja.

Klik Analyze > General Liniear Model > Univariate

Masukkan variabel gaji ke kotak dependen list, dan masukkan variabel jenis kelamin dan

masa kerja ke dalam kotak Fixed Factor seperti terlihat pada gambar di bawah ini :

Klik Options, dan pilih Descriptive dan Homogenity Test

Klik Post Hoc Test, lalu masukkan variabel masa kerja ke kotak Post Hoc Test For.

variabel jenis kelamin tidak perlu dimasukkan karena hanya terdiri dari dua kelompok.

Tandai LSD dan DUNCAN, lalu klik continue

Klik OK

Hasil Dan Interpretasi

Pertama adalah deskripsi hasil. Berdasarkan output Deskriptif diperoleh rata-rata gaji

berdasarkan jenis kelamin dan masa kerja. Pada output di atas terlihat bahwa karyawan laki-

laki yang memiliki masa kerja < 5 tahun memiliki rata-rata gaji sebesar 3.7 juta, laki-laki

yang memiliki masa kerja 6 – 10 memiliki rata-rata gaji sebesar 3.2 juta dan yang memiliki

masa kerja di atas 10 tahun mempunyai gaji rata-rata 2.04 juta (dan seterusnya)

Hasil uji levene test menunjukkan nilai sig sebesar 0.150. Karena sig > 0.05 maka dapat

dinyatakan bahwa model memenuhi asumsi homogenitas.

Selanjutnya, hasil uji ANOVA menunjukkan terdapat pengaruh langsung masa kerja

terhadap gaji. Hal ini dapat dilihat dari nilai F sebesar 37.077  dan signifikan pada p =

0.000

Sementara variabel jenis kelamin ternyata tidak memiliki pengaruh terhadap gaji. Hasil uji

menunjukkan nilai F sebesar 0.008 pada sig 0.931 (sig > 0.05).

Nilai R Squared sebesar 0.620 diartikan bahwa variabilitas masa kerja dan jenis kelamin

menjelaskan gaji adalah sebesar 62%

Daftar Pustaka

Albert Kurniawan. 2009. Belajar Mudah SPSS. Yogyakarta : Penerbit MediaKom

Ghozali, Imam. 2009. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : BP-

UNDIP

Karolus Nyambut. 2011. Pengantar Biostatistik (Aplikasi Penggunaan SPSS). Yogyakarta :

Gosyen Publishing

Sugiyono. 2007. Metode Penelitian Administasi. Bandung : Alfabeta

Sukawana I Wayan, 2008. Pengantar Statistik Untuk Perawat. Jurusan keperawatan Poltekes

Denpasar

Suseno Bimo. 2011. Uji Mann Whitney U. http://www.statistikolahdata.com/2011/12/uji-

mann-whitney-u.html. diakses tanggal 23 Juli 2013