cara menggunakan spss

Cara Menggunakan SPSS
10-11/11/08 1Oleh:DRS Sugiono, MSIE

Route Map Masalah
Penelitian
FENOMENA BISNIS
(DATA LAPANGAN)
RISET GAP
THEORY GAP
LATAR BLK
MASALAH
RUMUSAN
MASALAH
RUMUSAN
MASALAH
PENELITIAN

Data
• Angka (1,2,3…), huruf (a,A,b,B…),
simbol (α≥ρӨ…), tanda( + , - ..)
yang diambil dari kejadian nyata
• (internal, eksternal);(primer,
sekunder);(kualitatif, kuantitatif)
• Skala pengukuran:
– Nominal, ordinal, interval, rasio

Data
•I.Data
Metrik
– Berisi : nilai
kuantitatif
– Data interval dan
rasio
•II. Data
Nonmetrik
– Berisi : data
kualitatif
– Berbentuk:
atribut.
Karakteristik ,
kategorikal,
dikotomi
– Data nominal dan
ordinal

Model Menurut Tujuan:
• 1.Model Deskriptif
Dengan alat analisis : Distribusi Frekuensi;
A.Faktor eksploratori atau konfirmatori
• 2.Model Prediktif
Dengan alat analisis: regressi dan
keluarganya
• 3.Preskriptif/normatif
Dengan alat analisis: riset operasi
(maximum atau minimum)

Model Menurut Fungsi
• Model M.Keuangan
Misal: Informasi dan harga saham
• Model M.SDM
• Misal: Hubungan kerja dan kinerja karyawan
• Model M.Produksi/operasi
• Misal:Mata rantai pasokan dan kinerja pabrik
• Model M Pemasaran
• Misal: orientasi pelanggan dan kinerja penjualan
• Model M Stratejik
• Misal:Str Alinasi, str supplier,str pelanggan,
kinerja perusahaa

Skala Nominal (Nominal
Scale)
• Disebut juga skala kategorikal
(hanya menjelaskan kategori)
• Tidak menjelaskan peringkat
• Tidak menjelaskan Jarak
• Tidak menjelaskan
rasio/perbandingan

Contoh: Pertanyaan dg skala
nominal
• 1.Jenis kelamin :
• a.pria
• b.wanita
• 2. Status perkawinan :
• a.meningkah
• b. tidak meningkah
• 3. Agama :
• A.Islam
• B.Kristen
• C.Katholik
• D.Budha
• E.Hindu
• 4. Departemen :
a. Pemasaran
b. Keuangan
c. Produksi
d. Personalia

Skala Ordinal (Ordinal
Scale)
• Menyatakan kategorikal dan
peringkat
• Tidak menjelaskan jarak (interval)
• Tidak menjelaskan
rasio/perbandingan

Contoh: Pertanyaan dg skala Ordinal
• Sebutkan pangkat anda:
• 1.letnan
• 2.kapten
• 3.kolonel
• 4.jenderal
• Urutan peringkat warna yang anda sukai
dengan menyatakan angka 1,2,3
– … Warna Merah
– … Warna Putih
– … Warna Hijau

Skala interval (Interval
Scale)
• Menjelaskan kategori, peringkat
dan jarak konstruk yang diukur
tidak dalam perbandingan
• Menyatakan angka 1 sampai
dengan angka 5 atau 1 – 7
• SS (5) tidak sama dengan 5 kali
STS (1)

Contoh: Pertanyaan dg skala
interval
• Mohon Sdr memberikan tanggapan
• 1, Pekerjaan yg saya lakukan
mendorong saya unt menjadi
kreatif :
• A. STS (1)
• B. TS (2)
• C. N (3)
• D. S (4)
• E. SS (5)

Skala Rasio (Ratio Scale)
• Menjelaskan kategori, peringkat,
jarak dan perbandingan
– Berapa total laba tahun lalu:
– A.Rp 10 m
– Berapa total laba tahu ini
– B .Rp 20 m
– Maka, T laba tahun ini 2x th lalu

Pengujian statistik
• Pengujian data nonparametrik
dengan uji nonparametrik
• Pengujian data parametrik dengan
uji parametrik
• Pengujian parametrik dilakukan
jika memenuhi kriteria normalitas,
bila data tidak dapat normal
dianjurkan menggunaklan uji
nonparametrik10-11/11/08 14Oleh:DRS Sugiono, MSIE

Ukuran (jumlah) sampel
• Tidak ada satu cara yang ampuh untuk
menentukan jumlah sampel dalam SEM
• Ada 5 faktor yang harus diperhatikan:
• 1. Misspecifikasi Model/jml missing data
• 2. Ukuran Model /kopleksitas model
• 3. Normalitas Data
• 4. Prosedur Estimasi yang digunakan
• 5. Jml rata-rata error varian indikator

Jumlah sampel awal (sbg pedoman
saja)
• Untuk metode est ML 100 -200
sampel
• 5 – 15 kali parameter yg
diestimasi
• 5 – 15 kali indikator yg digunakan
• 2500 sampel untuk metode est
ADF

Analisis Regresi
R2
Minimum:
Jumlah variabel Independen x bobot
tertentu
0.05

Seyogyanya tidak
menggunakan rumus ini
untuk multivariate
• n = N / ( 1 + me 2
)
• n = jumlah sampel
• N = jumlah Populasi
• me 2
= margin of error (5%)

• 1.Setelah kita mendefinisikan variabel
kmd tetapkan skala yang akan
digunakan.
• 2.Buat instrumen (ques) pengukur yg
mempunyai sifat:
• a.Actually---- berhubungan dg validitas
• b.Accurately ---- berhubungan dg
reliabilitas
• C.Practicality
Reliability & Validity

• 1.Sejauhmana suatu uji atau
kumpulan operasi (item) dpt
mengukur apa yg sehrsnya diukur
• 2.Ketepatan dan kecermatan alat
ukur dlm mengukur
• 3. Tingkat kemampuan uji untuk
mencapai sasaran
• Penyimpangan pengukuran disebut :
kesalahan atau varian
ARTI Validity

10-11/11/08 Oleh:DRS Sugiono, MSIE 21
Konstruk Kepercayaan
Ss
(5)
Sts
(1)
X1. Prsh Saya mp tingkat kompetensi yg
tinggi dlm aliansi
X2. Kejujuran dlm suatu aliansi
merupakan st hal yg amat penting
X3. Perusahaan saya akan melakukan
aliansi jk waktu lama
X4. Tanggung jawab dlm suatu aliansi
mrp hal yg amat penting
X5. Perusahaan saya sangat
berpengalaman dlm mensukseskan
strategi aliansi

Konstruk Kepercayaan
keperca
yaan
kompetensi
Kejujuran
Reliabilitas
Berpengalaman
Tanggung Jawab

Output bila x1 dihapus :

Regression Analysis
Minggu Ke Jumlah penjualan Mingguan Y
(1000 liter)
Harga jual X (100 Rp)
1 10 1.3
2 6 2
3 5 1.7
4 12 1.5
5 10 1.6
6 15 1.2
7 5 1.6
8 12 1.4
9 17 1
10 20 1.1

Regression Analysis
Harga jualHarga jual Jumlah PenjualanJumlah Penjualan
e
Jumlah Penjualan = βo + β1.Harga Jual
H0 : β1= 0
Ha : β1≠ 0

Regression Analysis

Regression Analysis
Penjualan = 32.136 - 14.539 hargajual ; ( bentuk
unstandardized)
= - 0.863 hargajual ; (bentuk standardized)
sig (0.000) sig (0.001)10-11/11/08 32Oleh:DRS Sugiono, MSIE

Regression Analysis

Regression Analysis II
Minggu KeMinggu Ke JumlahJumlah
penjualanpenjualan
Mingguan YMingguan Y
(1000 liter)(1000 liter)
Harga jual XHarga jual X
(100 Rp)(100 Rp)
Biaya
Periklanan
(1000 Rp)
11 1010 1.31.3 9
22 66 22 7
33 55 1.71.7 5
44 1212 1.51.5 14
55 1010 1.61.6 15
66 1515 1.21.2 12
77 55 1.61.6 6
88 1212 1.41.4 10
99 1717 11 15
1010 2020 1.11.1 21

Penjualan = 16.406 – 8.248 Hargajual + 0.585 Biayaiklan
= - 0.490 Hargajual + 0.571 Biayaiklan
sig (0.007) (0.007) (0.003)

Regression Analysis
• MULTIKOLINEARITAS.
1. R. Square yang tinggi tapi uji t sedikit yang signifikan
1. Terdapat koefisien korelasi antar var independen yang tinggic

MULTIKOLINEARITAS.
3. Eigenvalue dan Condition Index (CI)
Rule of the thumb:
CI :10 sd 31,62 ---- multicol moderat sd
kuat
: di atas 31,62 --- multicol sangat kuatModel ini mengadung 4 dimensi dengan CI =
228.441 jadi > 31.62 shg terdapat molticol
sangat kuat

MULTIKOLINEARITAS.
4.Tolerance (TOL) dan Variance Inflation
Factor (VIF)
Nilai ukuran TOL dan VIF menunjukan besaran suatu var
independen terpilih tidak dapat dijelaskan atau dapat
dijelaskan melalui var independen yang lain layaknya seperti R
square.
Rumus : TOLj = 1/VIFj = ( 1 – R2j )
1. nilai TOL = 0 terdapat perfect collinearity
(multikollinearitas sempurna),
2. nilai TOL = 1 tidak terdapat multikollinearitas. Umumnya pada
nilai TOL = 0.1 (atau nilai VIF= 10) telah dicurigai adanya
multikollinearitas,
3. semakin mendekati NOL nilai TOL (atau nilai VIF semakin
besar) semakin kuat multikollinearitasnya.
4. Sayangnya alat ini tidak dapat menunjukan variabel
independen mana yang multikol terutama bila var
independennya cukup banyak.

MULTIKOLINEARITAS.
Dalam kasus ini TOL pendpt = 0.001 lebih mendekati angka NOL dari pada mendekati angka
SATU maka, model ini terdapat multikollinearitas demikian pula untuk TOL kekayaan = 0.001.
Kita juga dapat melihat dari VIF pendptan = 702.008 dan VIF kekayaan = 699.722 yang besar
dan VIF jmlkeluarg yang rendah yaitu 1.460

MULTIKOLINEARITAS.
Perbaikan Masalah Multikollinearitas
Apakah yang dapat kita lakukan bila terdapat
multikollinearitas yang serius ? Kita mempunyai
dua pilihan yaitu :
1. Dibiarkan saja
2. Lakukan beberapa hal di bawah ini yang paling
tepat dengan model anda
Kita dapat menggunakan model regresi yang
mengandung multikol asalkan hanya untuk
prediksi bukan untuk menginterpretasikan
koefisien regresi yang ada, karena pada
prediksi/peramalan yang penting adalah adanya
kesalahan yang kecil.

Perbaikan Masalah Multikollinearitas
a.Informasi Apriori
Katakanlah kita mempunyai model sebagai berikut :
Y = β0 + β1 X1+ β2 X2+ µ
Dimana Y = Konsumsi, X1 = pendapatan dan X2 = Kekayaan
X1 dan X2 multikol, bila dari teori ekonomi atau penelitian sebelumnya
terdapat informasi bahwa tingkat perubahan Y sebagai akibat perubahan X1 adalah
0,10 kali perubahan Y sebagai akibat tingkat perubahan X2 atau β1= 0,10 β2 ,
sehingga persamaan diatas dapat kita tuliskan kembali sebagai berikut : Y = β0
+ 0,10 β2 X1+ β2 X2+ µ atau Y = β0 + β2 (0,10 X1+ X2) + µ, kalau misalkan (0,10
X1+ X2) = X3, maka model menjadi Y = β0 + β2 X3 + µ, bila β2 , dapat dihitung
maka β1 dapat diketahui dimana β1= 0,10 β2 .
Contoh:
YY X1X1 X2X2 X3=0.10X1 +X3=0.10X1 +
X2X2
7070 8080 810810 818818
6565 100100 10091009 10191019
9090 120120 12731273 12851285

Perbaikan Masalah
Multikollinearitas
b. Menggabungkan antara data cross-sectional dan data time-series
c. Mengeluarkan satu atau lebih variabel independen dengan korelasi yang tertinggi
terutama yang mempunyai koeffisien regresi terendah.
Persamaan regresi yang ada dari model kita adalah :
Y = 3.751 X1 -2.761 X2 -0.158 KL
Sig (0.047) (0.116) (0.062)
Koeffisien Korelasi antara kekayaan dan pendapatan sebesar -0.999, maka ditempat
ini terdapat multikollinearitas yang tinggi. Oleh karena itu kita dapat mengeluarkan
variabel kekayaan karena tidak sig dan mempunyai koeffisien regresi yang laebih
kecil dari variabel pendapatan.
Pengedropan (mengeluarkan) ini dapat menyebabkan terjadinya
misspecifikasi model (kita kehilangan suatu variabel yang seharusnya ada dalam
model)
d.Transformasi variabel
Transformasi dapat dilakukan untuk mengurangi hubungan linear antar variabel
independen dengan cara merubah dalam bentuk logaritma natural yaitu X1* = Log
X1 atau dengan bentuk beda pertama (first different) yaitu X1* = X1t – X1t-1, hal ini
terutama bila data kita adalah data time series.
e.Penambahan Data baru
f. Gunakan analisa Faktor (lihat pada Analisis Faktor) ; Analisis ridge regression

UJI HOMOSKEDASTISITAS
Tujuan uji Homoskedastisitas adalah menguji apakah dalam model regresi
terdapat kesamaan varian residual satu pengamatan terhadap pengamatan
lainnya. Model regresi yang baik adalah yang homoskedastisitas, sebaliknya
bila varian residual berbeda disebut : Heteroskedastisitas. Pada data cross-
section kemungkinan adanya heteroskedastisitas besar karena terdiri dari
berbagai ukuran (misal perusahaan kecil, menengah, besar)
Cara mendeteksi adanya
Homoskedastisitas:
1.Metode Informal (misal : Metode Graphik)
2.Metode Formal (misal : uji Park; uji dari
White; Uji Glejser; Uji Rank korelasi dll)

Homoskedastisitas:
Methode Graphik
Metode ini mengambarkan titik-titik yang memuat nilai var
dependen ramalan yang distandarisasi (ZPRED) dengan nilai residual
(SRESID)
Ambil data ujilinear.sav dengan bentuk persamaan Y = b0 +
b1X1+ b2 X21 + e, kita akan uji ada atau tidak homoskedastisitas.
Lakukan langkah-langkah sebagai berikut:
1.Dari menu Analyse, -- Regression, -- Linear, -- Masukkan Y pada
kotak Dependent dan X1 dan X21 pada kotak Independent, --
method,pilih Enter, kmd klik kotak Plots, keluar kotak sebagai berikut:
masukkan pada kotak Y variabel SRESID dan kotak X variabel ZRED,
kmd klik Continue dan OK. Kita akan dapatkan gambar PLOT seperti
dibawah ini:

Homoskedastisitas:

AUTOKORELASI
Bila terjadi korelasi antara residual (kesalahan pengganggu)
perode t dengan periode t-1 (sebelumnya) keadaan ini disebut ada
masalah Autokorelasi. Hal ini sering muncul karena data yang
kita gunakan adalah data time series.
Cara Mendeteksi Adanya Autokorelasi:
1.Uji Durbin-Watson (DW test)
2. Uji Box-Ljung Statistic

AUTOKORELASI

Cara memperbaiki adanya
autokorelasi:

Cara memperbaiki adanya autokorelasi:

autokorelasi:

cara menggunakan spss

Recommended

Recommended

More Related Content

Similar to cara menggunakan spss

Similar to cara menggunakan spss (20)

More from Yesica Adicondro

More from Yesica Adicondro (20)

Recently uploaded

Recently uploaded (9)

cara menggunakan spss