SPSS

 PENGGUNAAN SPSS UNTUK REGRESI LINEAR BERGANDA

Misalkan kita akan menggunakan RLB untuk melihat pengaruh variabel x1 dan x2 terhadap y. Berikut adalah data yang digunakan.

y	x1	x2
64	4	2
73	4	4
61	4	2
76	4	4
72	6	2
80	6	4
71	6	2
83	6	4
83	8	2
89	8	4
86	8	2
93	8	4
88	10	2
95	10	4
94	10	2
100	10	4

Langkah-langkahnya adalah:

 1. Input data ke SPSS

2.Selanjutnya beri nama setiap variabel:

3. Kembali ke tab data view

 Klik Analyze → Regression →Linier

4. Masukkan y di kolom independent, serta x1 dan x2 di kolom dependent

5. Pada tab Statistics, centang option seperti di gambar berikut, kemudian klik Continue

6. Pada tab Plots, masukkan variabel seperti di gambar berikut, plot ini akan digunakan untuk melakukan uji terhadap asumsi homoskedastisitas, kemudian klik Continue

7. Pada tab Save, pada bagian Residuals, centang Unstandarized. Nilai ini nantinya akan digunakan untuk pengujian asumsi normalitas, kemudian Continue

8. Setelah kembali ke halaman dialog awal, klik OK, dan di halaman output akan muncul hasilnya. Kita akan membahas satu per satu tabel yang muncul di bagian output.

Tabel ini menyajikan statistik deskriptif yang berupa rata-rata dan standar deviasi setiap variabel.

Interpretasi:

R-squared dan adjusted R-square: item ini merupakan indicator seberapa besar variabel-variabel bebas mampu menjelaskan perubahan yang terjadi pada variabel tak bebas. Jika RLS, maka yang dibaca adalah R-squared, jika RLB. Maka yang dibaca adalah Adjusted R-Squared. Kenapa begitu? Karena nilai R-square terpengaruh oleh banyaknya jumlah variabel bebas. Semakin besar jumlah variabel bebas, maka nilai R-square akan semakin besar sehingga untuk mendapatkan nilai sebenarnya, maka dibuatlah suatu faktor koreksi. Adanya faktor koreksi akan meminimalisir pengaruh penambahan variabel sehingga dapat dilihat angka murninya.

Tabel ini dilakukan untuk menguji model secara simultan atau bersama-sama. Uji yang dilakukan disebut simultan test (F-Test) yang bertujuan untuk melihat apakah secara bersama-sama variabel bebas berpengaruh terhadap variabel terikat atau tidak. Penulisan pengujian secara statistik adalah sebagai berikut:

Hipotesis:

H0: β₀=β₁=β₂ =β₃  =β₄ = 0

H₁ : minimal ada satu β_i yang tidak nol

Tingkat signifikansi: a= 5%

Statistik uji: F-Test

Wilayah kritik: Tolak H0 bila nilai signifikansi lebih besar dari a atau nilai F-uji> F(0.05,2,13) (dapat dipergunakan salah satunya)

Statistik observasi: (lihat output)

Nilai signifikansi= 0.000, maka tolak H0. Atau kita dapat membandingkan nilai F pada tabel hasil dengan nilai F pada tabel F standar.

Keputusan: Tolak H0

 Kesimpulan: Dengan tingkat kepercayaan 95 persen dapat disimpulkan bahwa secara bersama-sama variabel bebas berpengaruh signifikan terhadap variabel tidak bebas.

Selanjutnya, tabel ini merupakan tabel analisis paling penting. Dengan tabel ini kita bisa melihat model yang dihasilkan dari variabel-variabel kita dan bagaimana pengaruhnya terhadap variabel tak bebas.

Sebelum membaca pengaruh setiap variabel, kita pastikan dulu apakah variabel tersebut berpengaruh signifikan terhadap y atau tidak. Untuk melihat hal itu, bisa kita lihat dari nilai t dan signifikansi setiap variabel. Untuk nilai t, kita bisa mengatakan signifikan apabila nilai |t|>t tabel standar. Jika menggunakan nilai signifikansi, maka kita bisa mengatakan variabel tersebut signifikan bila nilai sig < a (dalam kasus ini nilai a=5%). Pada tabel dapat kita lihat bahwa kedua variabel bebas berpengaruh signifikan terhadap variabel tak bebas. Pembacaannya adalah sebagai berikut:

-          Setiap kenaikan 1 satuan variabel x1 maka akan menaikkan nilai variabel y sebesar 4,425 satuan dengan asumsi variabel lain bernilai tetap

-          Setiap kenaikan 1 satuan variabel x2 maka akan menaikkan nilai variabel y sebesar 4,375 satuan dengan asumsi variabel lain bernilai tetap

 

Selanjutnya, setelah pembacaan model, maka kita akan melakukan uji asumsi klasik untuk memastikan bahwa model yang kita miliki bisa digunakan untuk mengestimasi.

a. Normalitas

Kali ini kita akan menggunakan uji Kolmogorov Smirnov. Langkah pengujian di SPSS adalah sebagai berikut:

 1. Pada tahap sebelumnya, kita sudah menyimpan nilai residual. Nilai ini yang akan kita pakai untuk melakukan uji kolmogorov smirnov. Klik Analyze → Nonparametric Tests→1-Sample K-S

 

2. Masukkan Unstandarized Residual ke Test Variable List, kemudian klik OK

3. Kemudian akan keluar hasil sebagai berikut:

Error dikatakan berdistribusi normal apabila nilai Asymp. Sig. (2-tailed) bernilai lebih besar dari nilai a (berkebalikan dengan uji F dan uji T). Dari tabel tersebut dapat dilihat bahwa error data berdistribusi normal sehingga asumsi normalitas terpenuhi.

 b. Homoskedastisitas

Secara subjektif, dapat kita lihat bahwa sebaran error berada menyebar dan di sekitar nol. Sehingga secara subjektif, kita dapat mengatakan bahwa asumsi homoskedastisitas terpenuhi. Namun, jika kita menginginkan hasil secara objektif, kita dapat mempergunakan pengujian statistik.
 c. Non Multikolinieritas
 Pengujian untuk asumsi non multikolinieritas dapat dilakukan dengan melihat nilai VIF. Pada output ini nilai VIF ada di tabel coefficients.

Standar nilai VIF agar dikategorikan bebas dari multikolinieritas cukup beragam. Namun 2 nilai standar yang sering dipakai sebagai batasan adalah 5 atau 10. Dapat dilihat bahwa VIF pada kasus ini adalah 1.000 untuk kedua variabel sehingga standar mana pun yang dipakai, model telah memenuhi asumsi non multikolinieritas.

 d. Non Autokorelasi

Kasus ini menggunakan data cross section, sehingga pengujian autokorelasi tidak dilakukan. Namun, apabila seandainya data ini merupakan data time series, maka pengujian autokorelasi diperlukan. Indikator autokorelasi dapat dilihat pada nilai Durbin Watson yang ada pada tabel Model Summary.

Nilai ini akan dibandingkan dengan tabel Durbin Watson. Secara umum, model akan bebas autokorelasi apabila nilai Durbin Watson mendekati nilai 2.

 PENGGUNAAN SPSS UNTUK REGRESI LINEAR SEDERHANA

Analisis regresi digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat. Analisis regresi juga dapat dilakukan untuk mengetahui kelinieritas variabel terikat dengan varibel bebasnya, selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau data yang ekstrim.

Analisis regresi linear sederhana terdiri dari satu variabel dependen dan satu variabel independen.

Misalnya dalam suatu kegiatan penelitian ingin mengetahui apakah variabel X (nilai bahasa arab) berpengaruh terhadap variabel Y (nilai tafsir). Data penelitian adalah sebagai berikut :

NILAI BAHASA ARAB DAN NILAI TAFSIR SISWA SMPN W KELAS 2.

NO	NAMA	NILAI BHS ARAB	NILAI TAFSIR
1. 2. 3. 4. 5. 6. 7. 8. 9. 10 11. 12. 13. 14. 15	A B C D E F G H I J K L M N O	80 65 75 85 60 65 60 75 70 55 80 50 65 85 60	80 70 70 80 65 60 60 70 70 55 85 55 70 80 65

Proses analisis regresi dengan program SPSS (SPSS 11,5) adalah sebagai berikut :

1. Entri data
   Mengentri data di atas ke dalam program SPSS (SPSS 11,5), caranya dengan memasukkan data ke dalam program SPSS 11,5. Setelah entri data selesai, tampilannya adalah sebagai berikut :
   
   
2. Analisis regresi dengan program SPSS (SPSS 11,5)
   
   Analisis dimulai dengan melakukan pengaturan analisis. Klik Analyze kemudian klik Regression, lalu klik Linear. Seperti tampilan di bawah ini
   
   
   
   Setelah itu, akan keluar tampilan berikut :
   
   
   Selanjutnya lakukan pengaturan analisis, yakni :
   isilah kotak menu Dependen dengan variabel terikat, yaitu variabel tafsir dan kotak menu independen dengan variabel bebas, yaitu variabel bahasa arab. Sehingga muncul tampilan berikut :
   
   
   Selanjutnya klik kotak menu Statistics. pada kotak menu Regression Coefficients pilih (klik) kotak estimasi dan confidence intervals. Pada kotak menu yang lain klik Descriptives dan model fit. Sehingga muncul tampilan berikut :
   

Kemudian klik Continue.

Kotak menu Plots, berfungsi untuk menampilkan grafik pada analisis regresi. Misalnya pada analisis ini kita ingin menampilkan grafik, maka klik kotak menu Plots,. Kemudian blok DEPENDEN pada kotak menu sebelah kiri, masukkan ke kotak menu sebelah huruf Y dengan cara meng-klik tanda panahnya. Dengan cara yang sama blok ZRESID pada kotak menu sebelah kiri, masukkan ke kotak menu sebelah huruf X. kemudian klik Histogram dan Normal probanility plot yang terletak pada kotak menu Standardized Residual plots. Selanjutnya klik Continue. Tampilannya adalah sebagai berikut :

Klik kotak menu Options

• Use probability of F menunjukkan nilai probabilitas,sebuah variabel dapat masuk atau tidak dalm persamaan. Nilai entry adalah 0,05 artinya jika nilai probabilitas suatu variabel kurang dari 0,05 maka variabel tersebut akan masuk dalam persamaan. Nilai removal 0,10 artinya jika nilai probabilitas variabel lebih dari 0,10 maka variabel tersebut akan dikeluarkan dari persamaan.
  
• Klik inclide constant in equation, yakni untuk menampilkan konstanta persamaan garis regresi. tampilannya adalah sebagai berikut:
  
  

Selanjutnya klik Continue. Untuk melakukan analisis kliklah OK. Beberapa saat kemudian akan keluar outputnya, sebagai berikut :

Normal P-P Plot of Regression Standardized Residual


Scatterplot



Berdasarkan tabel Coefficients, diketahui bahwa besarnya nilai t test = 6,530 sedangkan besarnya signifikansi = 0,000 lebih kecil dari 0,05. Dengan demikian H0 ditolak yang berarti ada pengaruh variabel bahasa arab terhadap nilai tafsir. Dan dari tabel Coefficients di atas, kolom B pada Constant (a) adalah 16,234 sedangkan nilai bahasa arab (b) adalah 0,776. Sehingga persamaan regresinya adalah :

Y = a + bX

Y = 16,234 + 0,776X.

Untuk intepretasi selanjutnya dapat dilihat/dikaji dari output di atas.

Paired T Test

Paired T Test dilakukan terhadap dua sample yang berpasangan (paired) sample yang berpasangan diartikan sebagai sebuah sample dengan subjek yang sama namun mengalami dua perlakuan atau pengukuran yang berbeda.

Syarat Uji T Paired adalah perbedaan dua kelompok data berdistribusi normal. Maka harus dilakukan terlebih dahulu dengan uji normalitas pada perbedaan kedua kelompok tersebut.


Kita Mulai Saja:
Cara melakukan uji T Paired di SPSS (Uji Beda Berpasangan Kuantitatif).

Buat Variabel seperti di atas!

Pindah ke Data View

Isi dengan Data (contoh: Berat Badan Sebelum dan Sesudah Minum Suplemen)

Klik pada menu, Analyze, Compare Means, Paired Sample T Test

Tampil jendela:

Masukkan ke dua variabe:

Klik Options; tentukan tingkat kepercayaan (Contoh: 95 % / Alfa 0,05)

Klik Continue:

Klik OK

Akan Muncul Jendela Output

Baca Output:

Correlation: Nilai Korelasi antara 2 variabel tersebut: Hasil 0,991 artinya hubungan kuat dan positif.

Sig.: tingkat signifikansi hubungan: Hasil 0,000 artinya signifikan pada level 0,01.

Df: degree of freedom (derajat kebebasan) : Untuk uji T Paired selalu N- 1. Di mana N adalah jumlah sampel.

T = nilai t hitung: hasil 1,000: Harus dibandingkan dengan t tabel pada DF 19. Apabila  t hitung > t tabel: signifikan.

Sig. (2-tailed): Nilai probabilitas/p value uji T Paired: Hasil = 0,330. Artinya: Tidak ada perbedaan antara sebelum dan sesudah perlakuan. Sebab: Nilai p value > 0,05 (95 % kepercayaan).

UJI ANOVA

Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata untuk lebih dari dua kelompok sampel yang tidak berhubungan. Jika ada perbedaan, rata-rata manakah yang lebih tinggi. Data yang digunakan biasanya berskala interval atau rasio.  

Contoh kasus:

Menggunakan contoh kasus pada uji independent sample t test ditambah satu kelompok data yaitu kelas C. Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada perbedaan nilai ujian antara kelas A, kelas B, dan kelas C pada fakultas Psikologi suatu universitas. Penelitian dengan menggunakan sampel sebanyak 20 responden yang diambil dari kelas A, kelas B. Dalam uji ini jumlah kelompok responden yang diambil tidak harus sama, misalnya kelas A sebanyak 7 orang, kelas B sebanyak 7 orang, dan kelas C sebanyak 6. Data-data yang didapat sebagai berikut:

                     Tabel 39. Tabulasi Data (Data Fikti)

No	Nilai Ujian	Kelas
1	32	Kelas A
2	35	Kelas A
3	41	Kelas A
4	39	Kelas A
5	45	Kelas A
6	43	Kelas A
7	42	Kelas A
8	35	Kelas B
9	36	Kelas B
10	30	Kelas B
11	28	Kelas B
12	26	Kelas B
13	27	Kelas B
14	32	Kelas B
15	38	Kelas C
16	45	Kelas C
17	42	Kelas C
18	42	Kelas C
19	40	Kelas C
20	38	Kelas C

Langkah-langkah uji dengan program SPSS

•  Masuk program SPSS
• Klik variable view pada SPSS data editor
• Pada kolom Name ketik nilaiujn, dan kolom Name pada baris kedua ketik kelas.
•  Pada kolom Decimals, ubah nilai menjadi 0 untuk semua variabel.
•  Pada kolom Label, untuk kolom pada baris pertama ketik Nilai Ujian, untuk kolom pada baris kedua ketik Kelas.
• Pada kolom Values, untuk kolom pada baris pertama biarkan kosong (None). Untuk kolom pada baris kedua klik pada kotak kecil, pada value ketik 1, pada Value Label ketik kelas A, lalu klik Add. Langkah selanjutnya pada Value ketik 2, pada Value Label ketik kelas B, lalu klik Add. Selanjutnya pada Value ketik 3, pada Value Label ketik kelas C, lalu klik Add. Kemudian klik OK. 
•  Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
• Buka data view pada SPSS data editor, maka didapat kolom variabel nilaiujn dan kelas.
• Ketikkan data sesuai dengan variabelnya (pada variabel kelas ketik dengan angka 1, 2 dan 3 (1 menunjukkan kelas A, 2 menunjukkan kelas B, dan 3 menunjukkan kelas C)
•  Klik Analyze - Compare Means - One Way ANOVA
• Klik variabel Nilai Ujian dan masukkan ke kotak Dependent List, kemudian klik variabel Kelas dan masukkan ke kotak Factor, kemudian klik Options, klik Descriptive dan Homogeneity of variance, lalu klik Continue.
•  Klik OK, maka hasil output yang didapat adalah sebagai berikut:

                                   Tabel. Hasil Uji One Way ANOVA

Keterangan: Tabel Descriptives di atas telah dirubah kedalam bentuk baris (double klik pada output Descriptives, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows and Columns)

Sebelum dilakukan uji ANOVA maka dilakukan uji kesamaan varian (homogenitas) dengan Levene Test, uji ini digunakan untuk mengetahui apakah varian ketiga kelompok kelas sama. Data yang memenuhi syarat adalah jika varian sama atau subjek berasal dari kelompok yang homogen. 

Langkah-langkah uji homogenitas sebagai berikut:

1.   Menentukan Hipotesis

Ho :  Ketiga varian adalah sama (varian kelompok kelas A, B dan C sama)

Ha : Ketiga varian adalah berbeda (varian kelompok kelas A, B dan C sama)

2.   Kriteria Pengujian (berdasar probabilitas / signifikansi)

Ho diterima jika P value > 0,05

            Ho ditolak jika P value < 0,05

3.   Membandingkan probabilitas

Nilai P value (0,395 > 0,05) maka Ho diterima. (lihat output pada test of homogeneity of variance)

4.  Kesimpulan

Oleh karena nilai probabilitas (signifikansi) adalah 0,395 lebih besar dari 0,05 maka Ho diterima, jadi dapat disimpulkan bahwa ketiga varian sama (varian kelompok kelas A, B dan C sama).  Angka Levene Statistic menunjukkan semakin kecil nilainya maka semakin besar homogenitasnya. df1 = jumlah kelompok data-1 atau 3-1 = 2, sedangkan df2 = jumlah data – jumlah kelompok data atau 20-3 = 17.

Langkah-langkah uji ANOVA sebagai berikut:

1.   Menentukan Hipotesis

Ho :    Tidak ada perbedaan antara rata-rata nilai ujian kelas A, kelas B dan kelas C

Ha :    Ada perbedaan antara rata-rata nilai ujian kelas A, kelas B dan kelas C

2.   Menentukan tingkat signifikansi

            Pengujian menggunakan uji dua sisi dengan tingkat signifikansi a = 5%.

Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian)

3.   Menentukan F hitung

Dari tabel di atas didapat nilai F hitung adalah 14,029

4.      Menentukan F tabel

Dengan menggunakan tingkat keyakinan 95%, a = 5%, df 1 (jumlah variabel–1)  = 2, dan df 2 (n-3) atau 20-3  = 17, hasil diperoleh untuk F tabel sebesar 3,592 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik =finv(0.05,2,17) lalu enter.

5.      Kriteria pengujian

- Ho diterima bila F hitung £ F tabel

- Ho ditolak bila F hitung > F tabel

6.  Membandingkan F hitung dengan F tabel.

            Nilai F hitung > F tabel (14,029 > 3,592), maka Ho ditolak.

 7.  Kesimpulan

Karena F hitung > F tabel (14,029 > 3,592), maka Ho ditolak, jadi dapat disimpulkan bahwa ada perbedaan antara rata-rata nilai ujian kelas A, kelas B dan kelas C. Pada tabel Descriptives terlihat rata-rata (mean) untuk kelas A adalah 39,57, untuk kelas B adalah 30,57 dan kelas C adalah 40,83, artinya bahwa rata-rata nilai ujian kelas C paling tinggi, kemudian kelas A dan kelas B.