modul 16 tambahan penggunaan komputer statistik

Download MODUL 16 Tambahan Penggunaan Komputer Statistik

Post on 14-Jul-2015

80 views

Category:

Documents

0 download

Embed Size (px)

TRANSCRIPT

MODUL 16 (Modul Tambahan) PENGGUNAAN SPSS UNTUK ANALISISA. Uji Questionare: Reliabilitas dan Validitas Sebelum questinare benar-benar dibagikan kepada responden dengan sampel yang besar, hendaknya diuji coba kepada sampel yang lebih kecil. Hal bertujuan untuk memperbaiki questinare jika ternyata item pertanyaan yang disusun tidak dapat mengukur perilaku yang ingin diukur, atau tidak konsisten. CONTOH DATA DARI TABULASI Uji Coba Lapangan Misalnya kita memiliki data dari 11 responden berikut. Penelitian memodel untuk menjelaskan kinerja dengan dua variabel penjelas, yaitu, kepuasan terhadap upah (UPAH), dan motivasi dari dalam (MOTIV). Masing masing variabel diberi nilai kuantitatif dengan 5 pertanyaan. Skala Likert digunakan dengan skala 5 (sangat tinggi/sangat setuju dengan pernyataan), 4, 3, 2, dan 1 (sangat rendah/sangat tidak setuju pernyataan). Skala tersebut menggambarkan aspek-aspek tertentu yang diobservasi dari kinerja, kepuasan upah, maupun memberi motivasi. Dari questionare yang dikirim ke responden misalnya diperoleh data berikut.

KINERJA No.resp. Q1 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 4 3 5 3 5 4 3 4 4 3 5

Q2 3 3 4 2 5 3 4 3 4 4 5

Q3 4 3 4 2 4 3 4 5 4 5 5

Q4 5 4 5 3 4 3 3 5 5 5 5

Q5 3 5 4 2 3 4 2 4 3 3 4

Skore KINERJA 19 18 22 12 21 17 16 21 20 20 24

Kepuasan UPAH No.resp. Q1 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 5 4 4 2 4 5 4 5 5 3 5

Q2 4 3 4 3 5 5 4 4 5 4 5

Q3 5 3 4 2 3 3 3 5 5 4 5

Q4 5 4 4 3 4 3 3 4 5 3 4

Q5 4 5 3 2 3 2 2 5 4 2 4

Skore Upah 23 19 19 12 19 18 16 23 24 16 23

Skore Motivasi No.resp. Q1 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 5 4 4 2 4 5 4 5 5 3 5

Q2 4 3 4 3 5 5 4 4 5 4 5

Q3 4 3 4 3 4 4 4 5 4 4 5

Q4 3 4 5 4 3 4 5 5 5 4 4

Q5 4 5 3 2 3 2 2 5 4 2 4

Skore MOTIVASI 20 19 20 14 19 20 19 24 23 17 23

Sekarang bagaimana menggunakan data di atas dengan alat bantu SPSS. 1. Hidupkan program SPSS 2. Klik variable (lihat tanda lingkaran pada gambar di bawah) pada data editor, beri nama item sesuai urutan q1, q2. q3. q4, q5, dst. Pada kolom decimal set nol desimal. (lihat chart). 3. Masukkan tabulasi data hasil penelitian ke dalam chart data SPSS.

Di layar SPSS susunan data akan terlihat sebagai berikut.

Kolom paling kiri isi dengan nama variabel (q1, q2, dst ) Type: Numeric untuk variabel yang berisi angk-angka skala klik string untuk variabel kategori (laki-wanita, besar-kecil, nama orang dst). Width: set untuk banyaknya digit/lebar kolom yang diinginkan. Decimal: set untuk berapa angka di belakang koma, SPSS akan langsung set 2 decimal,

CARA MEMBUAT VARIABEL BARU dari variabel yang sudah ada. Jika total skore untuk variabel KINERJA, UPAH, dan MOTIVASI belum dijumlah, SPSS bisa digunakan dengan prosedur berikut. 1. Klik: Transform 2. Klik: Compute 3. Masukkan nama variabel target: KINERJA

4. Kemudian jumlahkan nilai q1 + q2 + q3 + q4 + q5 dalam box numeric expression (lihat contoh dalam box berikut); 5. Kemudian klik OK (lihat panah).

Pada data editor akan muncul variabel baru yang merupakan skore variabel KINERJA yang berasal dari jumlah nilai-nilai dari pertanyaan 1 sampai 5 (jumlah q1 ---- s.d. .q5).

Cara Melakukan Analisis Regresi Dengan SPSSSetelah data yang tidak valid dibuang, dan reliabilitas questionare dapat dihandalkan, maka skore total dari variabel UPAH, MOTIVASI, dan KINERJA dapat digunakan untuk analisis regresi. Untuk ini akan digunakan simulasi data sebagaimana yang terdapat dalam modul sebelumnya. Sekarang, masukkan contoh data dari modul tersebut ke dalam chart data editor SPSS. 1.

Regresi Linear (Lihat Modul 3).

Contoh: Misalkan kita memiliki data berikut. Y 10 12 14 15 16 16 17 18 18 20 156 X1 2 2.2 2.3 2.2 2.4 2.8 2.7 3 3 3.4 26 X2 1.2 1.4 2 2.3 2.6 2.8 3.5 4 4.2 4 28

Dimana: Y = Kinerja X1 = Motivasi X2 = Upah

Langkah-langkah analisis Regressi: 1. Masukkan data di atas ke dalam chart data editor SPSS

Di layar akan nampak susunan berikut.

2. Klik Analyze

pilih Regression

pilih Linear, dan isikan kolom Dependent dengan variabel Y dan kolom Indenpendent dengan variabel X1 dan X2 sehingga seperti

2.

Klik Statistics

3. 4.

Klik Continue Ok Hasil output SPSS adalah sebagai berikut (Hasil hasil penting yang akan ditampilkan diberi lingkaran)

Regressionb Variables Entered/Removed

Model 1

Variables Entered a X2, X1

Variables Removed .

Method Enter

a. All requested variables entered. b. Dependent Variable: Ya Predictors: (Constant), X2, X1 b Dependent Variable: Yb Model Summary

Change Statistics Model 1 R R Square .958a .917 Adjusted R Square .893 Std. Error of the Estimate .97737 R Square Change .917 F Change 38.583 df1 2 df2 7 Sig. F Change .000 Durbin-W atson 1.010

a. Predictors: (Constant), X2, X1 b. Dependent Variable: Y

b ANOVA

Model 1

Regression Residual Total

Sum of Squares 73.713 6.687 80.400

df 2 7 9

Mean Square 36.857 .955

F 38.583

Sig. .000a

a. Predictors: (Constant), X2, X1 b. Dependent Variable: Y

Coefficients(a) Model 1 (Constant) X1 X2 a Dependent Variable: Y Unstandardized Coefficients B 5.449 1.865 1.893 Std. Error 2.969 1.836 .754 Standardized Coefficients Beta .281 .693 1.835 1.016 2.509 .109 .343 .040 t Sig.

Collinearity Statisti Tolerance .156 .156

VIF

6

6

Coefficient Correlations(a) Model 1 X2 1.000 -.919 X1 -.919 1.000

Correlations

X2 X1

a Dependent Variable: Y

Dari hasil output SPSS di atas, ambil informasi yang diperlukan (lihat yanda lingkaran) untukdisajikan dapat dalam bentuk tabel atau persamaan :

Kinerja = R2

5,449 (1,835) (1,016) * = 0,917

+ 1,865 X1 (2,509)** F = 38,5

+

1,893 X2

D.W = 1,01 Interpretasi dan Uji Statistik a. Parameter Estimate. Apabila motivasi meningkat 1 skor, maka kinerja meningkat 1,865 skor, dan apabila kepuasan upah meningkat 1 skor maka kinerja meningkat 1,893 skor. Nilai konstanta sebesar 5,449 menunjukkan nilai rta-rata Y apabila X1 dan X2 nol. b. R2 = 0,917 . Artinya, 91,7 variasi variabel Motivasi % variabel Upah yang dapat dipilih/masuk kedalam model sudah tepat, yaitu dan menerangkan variasi variabel Kinerja. Sisanya 8,3 % diterangkan oleh variabel residualnya.

c. F = 38,583 Nilai F hitung > 4, maka model cukup baik yaitu pemilihan variabel Motivasi dan Upah sudah tepat. d. t1 = 1,016 Nilai t1 < 2, dapat disimpulkan bahwa pengaruh variabel Motivasi sebenarnya tidak berbeda dari nol /tidak nyata. t2 = 2,509 Nilai t2 > 2, maka pengaruh variabel Upah ada/nyata/bukan nol.

UJI ASUMSI KLASIK Uji Asumsi klasik yang umumnya disertakan dalam menilai kehandalan model adalah Normalitas, Multikolinearitas, Otokorelasi, dan Heteroskedastisitas.

1. Uji Normalitas Jarque BerraLihat Modul 6. (residual) sebagai berikut. Ulangi langkah regresi di atas kemudian tambahkan perintah SAVE (lihat Residual tanda dan panah), pilih Unstandardized Unstandadized Kita akan menguji apakah error normal. Caranya adalah

berdistribusi

Predicted. Artinya, kita menghitung error/residual dan menghitung nilai Y predicted atau Y topi pada modul 4. Di layar akan muncul variabel res_1 dan Pred_1.

Klik Descriptive. Masukkan variabel res_1 ke dalam box Variables Klik Option dan pilih/klik SKWENESS dan KURTOSIS

Klik Continue dan klik OK. menampilkan output berikut

SPSS akan

Descriptive Statistics N Statistic 10 10 Skewness Statistic -.238 Std. Error .687 Kurtosis Statistic -.791 Std. Error 1.334

RES_1 Valid N (listwise)

Nilai Skewmess = -0,238 dan Kurtosis -0,791. Masukkan ke dalam rumus JB (modul 6). Nilai JB = 6,08, karena nilai JB lebih kecil dari 9,2 yang merupakan nilai kritis tabel Chi Square maka variabel residual/error dari data yang diuji beridstribusi normal. syarat berlakunya uji t dan F. Uji normal merupakan

2.

Uji Multikolinearitas (lihat modul 10) Uji multikolinearitas dalam printout regresi sudah dihitung secara rutin. Perhatikan print out regresi di atas. Di sana disajikan correlation.Standardi zed Coefficien ts Beta .281 .693 1.835 1.016 2.509 .109 .343 .040

collinearity

diagnosis,

dan

coefficient

Unstandardized Coefficients (Constant) X1 X2 B 5.449 1.865 1.893 Std. Error 2.969 1.836 .754

t

Sig.

Collinearity Statistics Tolerance .156 .156 VIF 6.423 6.423

Coefficient Correlations(a) Model 1 X2 1.000 -.919 X1 -.919 1.000

Correlations

X2 X1

a Dependent Variable: Y

Ternyata nilai koeffisien korelasi X1 dan X2 sebesar -0,919 yang mendekati angka 1, menunjukkan adanya multicollinearitas. Demikian nilai toleransi mendekati nol.

Atau nilai inflasi variance (VIF) cenderung besar (mendekati 10). Kedua hal tersebut menggambarkan kolinearitas X1 dan X2.

3.

Uji Otokorelasi (Durbin Watson/Lihat Modul 8)Untuk menguji otokorelasi Durbin Watson dapat dilakukan secara rutin, dengan klik Durbin Watson.

Pada tabel Model Summary, akan muncul Durbin Watson adalah 1,010.Model Summary Model R R Square Adjusted R Square .893 Std. Error of the Estimate .97737 DurbinWatson 1.010

1 .958 .917 a Predictors: (Constant), X2, X1 b Dependent Variable: Y

Karena nilai DW < 1,5 maka data memperlihatkan adanya gejla otokorelasi.

4. Uji Heteroskedastisitas LM test (LihatModul 7) Model yang akan diuji dalam heteroskedastisias adalah, e2 = a + b Y 2 + v

Variabel e dan y estimate sudah disimpan dalam data editor dengan perintah SAVE dengan nama Res_1 dan Pred_1. Kuadratkan Res_1 dan Pred_1 dengan perintah TRANSFORM. Klik Transform Klik Compute. Pada layar akan

Recommended

View more >