Scatterplot - TINJAUAN PUSTAKA - KAJIAN METODE SUKSESIF INTERVAL (MSI) DALAM MENGUBAH DATA ORDI

Bab 2. TINJAUAN PUSTAKA

2.24. Scatterplot

Scatterplot adalah sebuah grafik yang biasa digunakan untuk melihat suatu pola hubungan antara 2 variabel. Jika Scatterplot membentuk pola yang menyerupai garis lurus, maka mengindikasikan bahwa ada hubungan yang erat antara satu variabel dengan variabel lain. Hubungan yang membentuk garis lurus biasa disebut dengan hubungan linier. Hubungan linier dapat membentuk hubungan yang positif dan negatif. Jika plotnya menyebar, maka bisa disimpulkan bahwa hubungan antara satu variabel dengan variabel lain sangatlah kecil atau tidak ada hubungan. Scatterplot juga bisa digunakan untuk melihat penyebaran data.

Apakah data menyebar ataukah mengumpul disuatu area.

19 2.25 Metode Suksesif Interval

Metode suksesif interval merupakan proses mengubah data ordinal menjadi data interval. Data ordinal diubah menjadi data interval dikarenakan data ordinal sebenarnya adalah data kualitatif atau bukan angka sebenarnya. Data ordinal menggunakan angka sebagai simbol data kualitatif.

Beberapa akibat yang dapat terjadi jika seorang peneliti memaksakan data berskala ordinal dianalisis tanpa ditransformasi menjadi data berskala interval adalah: Pelanggaran asumsi yang mendasari prosedur statistika yang digunakan, hasil analisis yang menjadi tidak signifikan, kesimpulan yang dibuat dalam penelitian dapat terbalik atau keliru.

Pengubahan data dengan skala pengukuran ordinal menjadi data dengan skala pengukuran interval tergantung pada besarnya frekuensi dari data tersebut.

Karena frekuensi berpengaruh pada setiap perhitungan yang dilakukan di dalam proses transformasi skala pengukuran ordinal menjadi interval. Terdapat tujuh langkah dalam MSI, sebagai berikut:

Langkah 1 : Menghitung Frekuensi

Menghitung frekuensi dilakukan pada setiap poin-poin dalam variabel dengan memakai turus, sehingga mempermudah dalam menentukan banyaknya frekuensi dalam satu poin pertanyaan.

Langkah 2 : Menghitung Proporsi (P)

Proporsi merupakan perbandingan antara besarnya frekuensi dalam suatu poin variabel dengan banyaknya data. Proporsi bisa ditunjukkan dalam bentuk persen dan bisa juga tidak ditunjukkan dalam bentuk persen. Proporsi memberikan informasi mengenai perbedaan antara setiap skor dalam suatu variabel dibandingkan dengan banyak datanya. Perhitungan proporsi dapat dilakukan dengan rumus berikut:

dengan = Proporsi pada skor-s

= Skor pada data dalam satu pertanyaan ( s: 1, 2, 3, 4, 5)

= Frekuensi skor-s = Banyak data Langkah 3 : Menghitung Proporsi Kumulatif (PK)

Proporsi kumulatif merupakan jumlah dari perbandingan frekuensi setiap skor dalam suatu variabel dengan banyaknya data. Proporsi kumulatif juga bisa ditunjukkan dalam bentuk persen maupun tidak. Proporsi kumulatif dari skor data terendah sampai dengan skor data tertinggi, jika dijumlahkan haruslah bernilai 100% atau dapat juga bernilai 1.

dengan = Proporsi kumulatif untuk skor-s

= Proporsi kumulatif untuk skor-(s-1)

Langkah 4 : Mencari nilai Z

Nilai Z dicari dengan asumsi bahwa data yang digunakan berdistribusi normal, kebanyakan dari fenomena yang terjadi dalam kehidupan sehari-hari menggunakan distribusi normal. Untuk mengubah data ordinal menjadi data interval perlu dilakukan standarisasi data untuk menemukan nilai pada data yang sesuai dengan nilai dalam tabel Z. Dengan menggunakan distribusi normal, penyajian data dapat lebih bermakna daripada hanya menggunakan penyajian berkelompok saja, karena dengan adanya persyaratan normalitas data, maka data dapat dilanjutkan penyajiannya dalam bentuk membedakan, mencari hubungan, dan meramalkan.

Cara mencari nilai Z sebagai berikut:

 Tentukan nilai proporsi pada tabel Z yang akan dihitung, jika nilai proporsi kumulatif lebih besar dari 0,5, maka nilai proporsi pada tabel Z

ditentukan dengan mengurangkan nilai proporsi kumulatif dengan 0,5. Jika nilai proporsi kumulatif lebih kecil dari 0,5, maka nilai proporsi pada tabel Z ditentukan dengan mengurangkan 0,5 dengan proporsi kumulatif.

 Temukan nilai Z pada tabel Z yang memiliki nilai proporsi sesuai dengan nilai proporsi yang telah dihitung. Jika tidak ada, maka diambil 2 nilai Z yang mendekati nilai Z yang sebenarnya, kemudian nilai Z dicari dengan cara interpolasi.

 Nilai Z hasil interpolasi dicari dengan cara sebagai berikut:

 Kemudian, jika nilai proporsi kumulatif lebih besar dari 0,5, maka Z bernilai positif, dan jika nilai proporsi kumulatif lebih kecil dari 0,5, maka Z bernilai negatif.

Langkah 5 : Menghitung densitas F(Z)

F(Z) merupakan fungsi kepadatan untuk nilai Z.Jika Z adalah variabel terstandarisasi yang sesuai dengan X, yaitu jika

Maka nilai mean atau nilai ekspektasi dari Z adalah 0 dan variansnya adalah 1.

Dalam kasus semacam ini fungsi kepadatan untuk Z dapat diperoleh dari persamaan (2.9) dengan memasukkan dan , menghasilkan cara untuk menghitung nilai densitas F(Z) adalah sebagai berikut:

√ ( ) dengan = nilai densitas-Z

= 3,14

22 = 2,718

Langkah 6 : Menghitung Scale Value

Data interval memiliki jarak tertentu antara masing-masing skor pada data. Scale value dihitung untuk mengetahui jarak terkecil di antara semua skor yang ada pada data. Kemudian jarak terkecil itu akan digunakan untuk menentukan jarak yang akan ditambahkan dengan masing-masing scale value sebelumnya. Cara untuk menghitung Scale Value adalah sebagai berikut:

dengan = Scale Value pada skor-s

untuk lebih memudahkan dalam perhitungan, maka dibuat tabel penolong untuk nilai proporsi kumulatif dan nilai densitas F(Z).

Langkah 7 :Menghitung nilai hasil skala interval

Langkah terakhir dalam proses pengubahan data berskala ordinal menjadi data berskala interval adalah dengan menghitung nilai hasil penskalaan. Nilai inilah yang kemudian menjadi hasil transformasi data setelah penerapan MSI. Untuk menghitung nilai hasil skala interval dilakukan langkah-langkah berikut ini:

 Cari nilai SV minimum dengan rumus:

Nilai inilah yang akan dijadikan jarak patokan untuk ditambahkan dengan nilai scale value masing-masing skor sehingga mendapatkan nilai skala interval.

 Kemudian transformasi nilai skala ordinal menjadi interval dengan rumus:

dengan = nilai skala interval hasil transformasi untuk skor-s

23 BAB 3

HASIL DAN PEMBAHASAN

3.1 Metode Suksesif Interval

Pada bab ini dibahas proses perhitungan manual metode suksesif interval dan juga hasil transformasi dengan menggunakan microsoft excel.

3.2 Statistika Deskriptif

Statistika deskriptif merupakan suatu proses statistika dimana hanya berusaha melukiskan atau mengalisa kelompok yang diberikan tanpa membuat atau menarik kesimpulan tentang populasi atau kelompok yang lebih besar. Dengan kata lain, statistika deskriptif hanya digunakan untuk menunjukkan kondisi suatu data dan tidak dapat digunakan untuk menunjukkan kondisi data lain ataupun kondisi data yang lebih besar.

3.3 Scatterplot

Scatterplot digunakan untuk melihat pola penyebaran data apakah membentuk suatu pola tertentu atau tidak. Pola data yang menyebar tidak beraturan menandakan bahwa tidak ada hubungan yang kuat antara variabel bebas.

3.4 Contoh Ilustrasi

Data yang digunakan dalam penelitian ini merupakan data sekunder yang berskala likert yang termasuk ke dalam skala ordinal. Data ini berisi poin-poin jawaban

pertanyaan yang terdiri dari “Sangat Setuju” = 5, “Setuju” = 4, “Netral” = 3,

“Tidak Setuju” = 2, “Sangat Tidak Setuju” = 1. Data ini untuk menilai pengaruh komitmen organisasional, komitmen profesional, dan motivasi terhadap kepuasan kerja.

Tabel 3.1 Data pengaruh komitmen organisasional, komitmen profesional, dan motivasi terhadap kepuasan kerja

Res

Komitmen

Organisasional Komitmen Profesional Motivasi Kepuasan Kerja Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q5 Q1 Q2 Q3 Q4 Q5

Berikut perhitungan manual metode suksesif interval untuk data Q1 pada X1:

Langkah 1 : Menghitung Frekuensi

Skor jawaban pada Q1, untuk skor 2, frekuensinya adalah sebanyak 5 data, untuk skor 3, frekuensinya adalah sebanyak 11 data, untuk skor 4, frekuensinya adalah sebanyak 5 data, untuk skor 5, frekuensinya adalah sebanyak 9 data.

Langkah 2 : Menghitung Proporsi (P)

dengan = Proporsi pada skor-s

= Skor pada data dalam satu pertanyaan (s: 1,2,3,4,5)

= Frekuensi skor-s = Banyak data

Karena pada Q1 tidak terdapat skor 1, dan skornya adalah 2, 3, 4, dan 5, maka proporsi yang dihitung juga proporsi untuk skor 2, 3, 4, dan 5.

Langkah 3 : Menghitung Proporsi Kumulatif (PK)

dengan = Proporsi kumulatif untuk skor-s = Proporsi kumulatif untuk skor-(s-1)

Langkah 4 : Mencari nilai Z

27 Cara mencari nilai Z sebagai berikut:

 Tentukan nilai proporsi pada tabel Z yang akan dihitung, jika nilai proporsi kumulatif lebih besar dari 0,5, maka nilai proporsi pada tabel Z ditentukan dengan mengurangkan nilai proporsi kumulatif dengan 0,5. Jika nilai proporsi kumulatif lebih kecil dari 0,5, maka nilai proporsi pada tabel Z ditentukan dengan mengurangkan 0,5 dengan proporsi kumulatif.

 Nilai Z hasil interpolasi dicari dengan cara sebagai berikut:

 Kemudian, jika nilai proporsi kumulatif lebih besar dari 0,5, maka Z bernilai positif, dan jika nilai proporsi kumulatif lebih kecil dari 0,5, maka Z bernilai negatif.

 nilai proporsi pada tabel Z yang akan dihitung adalah . Nilai proporsi pada tabel Z yang mendekati 0,0334 adalah pada Z = 0,08 dan Z = 0,09 yang masing-masing memiliki nilai proporsi sebesar 0,0319 dan 0,0359. Maka nilai Z dicari dengan cara interpolasi. 0,2001 adalah pada Z = 0,52 dan Z = 0,53 yang masing –masing memiliki nilai proporsi sebesar 0,1985 dan 0,2019. Maka nilai Z dicari dengan cara interpolasi.

Langkah 5 : Menghitung densitas F(Z)

Cara untuk menghitung nilai densitas F(Z) adalah sebagai berikut:

√ ( ) dengan = nilai densitas-Z

= 3,14 = 2,718

Langkah 6 : Menghitung Scale Value

Cara untuk menghitung Scale Value adalah sebagai berikut:

dengan = Scale Value pada skor-s

untuk lebih memudahkan dalam perhitungan, maka dibuat tabel penolong untuk nilai proporsi kumulatif dan nilai densitas F(Z).

Tabel 3.2 nilai proporsi kumulatif dan nilai densitas F(Z) Proporsi Kumulatif Densitas F(Z)

Langkah 7 :Menghitung nilai hasil skala interval

Untuk menghitung nilai hasil skala interval dilakukan langkah-langkah berikut ini:

 Cari nilai SV minimum dengan rumus:

 Kemudian transformasi nilai skala ordinal menjadi interval dengan rumus:

dengan = nilai skala interval hasil transformasi

Dari hasil perhitungan manual diperoleh nilai skala interval untuk skor 2 adalah 1, nilai skala interval untuk skor 3 adalah 2,098, nilai skala interval untuk skor 4 adalah 2,802, dan nilai skala interval untuk skor 5 adalah 3,6591.

Kemudian setelah menggunakan software microsoft excel diperoleh hasil transformasi nilai-nilai pada data berskala ordinal menjadi nilai-nilai data berskala interval berikut ini.

Tabel 3.3 Hasil transformasi data interval

Res

Komitmen

Organisasional Komitmen Profesional Motivasi Kepuasan Kerja Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q5 Q1 Q2 Q3 Q4 Q5

Berdasarkan hasil perhitungan manual dan hasil transformasi dengan menggunakan microsoft excel dapat dilihat perbedaan antara nilai-nilai pada data berskala ordinal dengan nilai-nilai pada data berskala interval hasil transformasi dari data berskala ordinal pada contoh. Kemudian dapat dilihat perbedaan antara data berskala ordinal dengan data berskala interval hasil transformasi dari data berskala ordinal pada contoh, sebagai berikut:

Tabel 3.4 Hasil statistika deskriptif untuk data ordinal dan data interval dengan menggunakan SPSS

Statistics

X1 (Ordinal) X1 (Interval) X2 (Ordinal) X2 (Interval) X3 (Ordinal) X3 (Interval) Y (Ordinal) Y (Interval)

N Valid 30 30 30 30 30 30 30 30

Missing 0 0 0 0 0 0 0 0

Mean 14.0667 11,7081 12.6000 11,0704 19.0333 14,2926 18.4333 14,3289

Median 14.0000 12,1230 12.0000 10,5220 20.0000 15,4660 18.0000 13,9355

Mode 14.00 9,45^a 12.00 10,10 20.00 15,47 18.00 16,08

Std. Deviation 2.36254 2,63720 2.54070 2,92408 2.17324 2,90589 2.19220 2,55379

Variance 5.582 6.955 6.455 8.550 4.723 8.444 4.806 6.522

Berdasarkan tabel 3.4 dapat dilihat bahwa nilai Mean, Median, dan Modus hampir sama, yang berarti, distribusi data untuk variabel komitmen organisasional, komitmen profesional, motivasi, dan kepuasan kerja mendekati distribusi normal. Standar deviasi dari variabel komitmen organisasional adalah 2,36254, standar deviasi dari variabel komitmen profesional adalah 2,54070, standar deviasi dari variabel motivasi adalah 2,17324, standar deviasi dari variabel kepuasan kerja adalah 2,19220. Varians dari variabel komitmen organisasional adalah 5,582, varians dari variabel komitmen profesional adalah 6,455, varians dari variabel motivasi adalah 4,723, varians dari variabel kepuasan kerja adalah 4,806. Nilai-nilai ini lebih kecil daripada nilai standar deviasi dan nilai varians pada tabel 3.5 yang berarti data nilai standar deviasi dan nilai varians pada tabel 3.4 lebih baik daripada pada tabel 3.5.

Selanjutnya dapat dilihat nilai kemiringan dari variabel komitmen organisasional adalah -0,236, kemiringan dari variabel komitmen profesional adalah -0,787, kemiringan dari variabel motivasi adalah -1,385, dan kemiringan dari variabel kepuasan kerja adalah -2,113. Karena semua variabel memiliki nilai kemiringan yang negatif, maka kurva akan lebih condong ke sebelah kiri, dengan kata lain, lebih banyak data yang lebih kecil daripada mediannya. Kurtosis dari variabel komitmen organisasional adalah 0,388, kurtosis dari variabel komitmen

profesional adalah 0,723, kurtosis dari variabel motivasi adalah 0,625, kurtosis dari variabel kepuasan kerja adalah 5,742. Nilai- nilai kurtosis pada tabel 3.4 lebih mendekati 0,263 ( kriteria pengujian distribusi normal berdasarkan nilai kurtosis) dibandingkan dengan nilai-nilai kurtosis pada tabel 3.5, yang berarti, data ordinal lebih mendekati distribusi normal dibandingkan data interval.

Berdasarkan tabel 3.4 juga dapat dilihat bahwa nilai Mean, Median, dan Modus dari data interval cukup jauh berbeda, yang berarti data interval hasil penerapan MSI tidak mendekati distribusi normal. Pada variabel komitmen organisasional juga terdapat lebih dari 1 modus, hal ini menyalahi kriteria distribusi normal yang menganjurkan data hanya memiliki satu buah modus.

Standar deviasi dari variabel komitmen organisasional adalah 2,63720, standar deviasi dari variabel komitmen profesional adalah 2,92408, standar deviasi dari variabel motivasi adalah 2,90589, standar deviasi dari variabel kepuasan kerja adalah 2,55379. Varians dari variabel komitmen organisasional adalah 6,955, varians dari variabel komitmen profesional adalah 8,550 , varians dari variabel motivasi adalah 8,444, varians dari variabel kepuasan kerja adalah 6,522. Nilai-nilai tersebut lebih besar daripada Nilai-nilai-Nilai-nilai pada tabel 3.4 yang berarti data ordinal lebih baik daripada data interval hasil penerapan MSI.

Selanjutnya dapat dilihat nilai kemiringan dari variabel komitmen organisasional adalah -0,230, kemiringan dari variabel komitmen profesional adalah -0,613, kemiringan dari variabel motivasi adalah -1,414, dan kemiringan dari variabel kepuasan kerja adalah -1,524. Karena semua kemiringan dari semua variabel bernilai negatif, maka diketahui bahwa kurva yang terbentuk lebih condong ke kiri, yaitu lebih banyak data yang lebih kecil daripada mediannya.

Kurtosis dari variabel komitmen organisasional adalah 0,072, kurtosis dari variabel komitmen profesional adalah 0,231, kurtosis dari variabel motivasi adalah 0,809, kurtosis dari variabel kepuasan kerja adalah 3,872. Nilai-nilai ini sangat jauh dari 0,263 yang merupakan kriteria pengujian distribusi normal melalui nilai kurtosis.

Gambar 3.1 Perbandingan scatterplot antara data berskala ordinal dengan data berskala interval menggunakan software minitab

Pada gambar 3.1 dapat dilihat perbedaan sebaran data antara data ordinal dan data interval. Di sebelah kiri merupakan sebaran data untuk data berskala ordinal, sedangkan di sebelah kanan merupakan sebaran data untuk data berskala interval. Sebaran data merupakan hubungan antara X1 yang merupakan komitmen organisasional terhadap Y yang merupakan kepuasan kerja, X2 yang merupakan komitmen profesional dengan Y yang merupakan kepuasan kerja, X3 yang merupakan motivasi dengan Y yang merupakan kepuasan kerja. Berdasarkan tabel dapat dilihat kedua jenis sebaran data tidak menunjukkan membentuk pola tertentu sehingga dapat diketahui bahwa tidak terdapat hubungan yang kuat antara variabel komitmen organisasional, komitmen profesional, motivasi, dengan kepuasan kerja.

Tabel 3.5 Pengujian Distribusi Normal data ordinal dan data interval dengan SPSS

Normal Parameters^a,,b Mean 14.0667 11.7087 12.6000 11.0720 19.0333 14.2937 18.4333 14.3283 Std. Deviation 2.36254 2.63561 2.54070 2.92369 2.17324 2.90654 2.19220 2.55214 Most Extreme Differences Absolute .122 .117 .273 .236 .305 .290 .322 .264

Berdasarkan Tabel 3.6 dapat diketahui bahwa terdapat satu variabel yang berdistribusi normal pada data berskala ordinal yaitu variabel X1 yang merupakan komitmen organisasional, kemudian dapat diketahui juga berdasarkan Tabel 3.6 terdapat dua variabel yang berdistribusi normal pada data berskala interval, yaitu variabel X1 dan X2 yang masing-masing merupakan komitmen organisasional dan komitmen profesional.

Tabel 3.6 Output SPSS Uji t untuk data ordinal

Coefficients^a

Persamaan regresi untuk data ordinal adalah sebagai berikut:

Berdasarkan output uji t untuk data ordinal diketahui bahwa terdapat dua variabel bebas yang berpengaruh signifikan terhadap variabel terikat, yaitu variabel X2 dan X3 yang masing-masing merupakan Komitmen Profesional dan Motivasi.

Tabel 3.7 Output SPSS Uji t untuk data interval

Coefficients^a

Persamaan regresi untuk data interval adalah sebagai berikut:

Berdasarkan output uji t untuk data interval dapat diketahui bahwa hanya terdapat satu variabel bebas yang berpengaruh signifikan terhadap variabel terikat yaitu variabel X2 sebagai Komitmen Profesional.

Tabel 3.8 Output SPSS untuk Uji Multikolinieritas pada data berskala ordinal dan skala interval

Coefficients^a

Model

Collinearity Statistics (Ordinal) Collinearity Statistics (Interval)

Tolerance VIF Tolerance VIF

1 (Constant)

X1 .972 1.029 .970 1.031

X2 .967 1.034 .978 1.022

X3 .992 1.008 .981 1.019

a. Dependent Variable: Y

Berdasarkan tabel 3.9 dapat dilihat bahwa data dengan skala ordinal dan data dengan skala interval sama-sama tidak mengandung multikolinieritas.

38 BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Metode Suksesif Interval digunakan untuk mengubah data ordinal menjadi data interval agar data tersebut dapat digunakan untuk pengujian statistika yang mengharuskan data berskala interval. Pengubahan data ordinal itu akan menghasilkan data baru yang memiliki tingkatan dan dapat digunakan dalam perhitungan matematis baik perkalian, pembagian, pengurangan, dan sebagainya.

Berdasarkan hasil penelitian, setelah dibandingkan menurut data, statistika deskriptif, dan scatterplot-nya, data ordinal dengan data interval setelah diterapkan MSI tidak begitu berbeda. Tetapi setelah dibandingkan menurut distribusinya, diketahui bahwa data dengan skala ordinal hanya memiliki satu variabel yang berdistribusi normal, tetapi setelah dilakukan transformasi ke bentuk skala interval dengan MSI, terdapat dua variabel yang berdistribusi normal. Secara keseluruhan, nilai hasil pengujian distribusi normal pada data berskala interval lebih tinggi dibandingkan data berskala ordinal.

Oleh karena itu, dapat disimpulkan bahwa dengan melakukan transformasi data dari skala ordinal menjadi skala interval dengan Metode Suksesif Interval (MSI) berpengaruh pada peningkatan nilai distribusi, sehingga dapat menjadikan data yang awalnya tidak berdistribusi normal menjadi berdistribusi normal dikarenakan di dalam proses transformasi dengan Metode Suksesif Interval dilakukan perhitungan nilai Z dan nilai kepadatan F(Z).

4.2 Saran

Diharapkan untuk penelitian selanjutnya melakukan penerapan MSI untuk data ordinal dengan skala lebih besar dari 5 atau dapat membandingkan MSI dengan metode lainnya.

DAFTAR PUSTAKA

Alder, Hendry L. 1977. Introduction To Probability And Statistics. New York: W.

H Freeman And Company

Basuki, Agus Tri. Prawoto, Nano. 2016. Analisis Regresi Dalam Penelitian Ekonomi & Bisnis (Dilengkapi Aplikasi SPSS & EVIEWS). Edisi Pertama. PT. RajaGrafindo Persada. Jakarta

Draper, N. R. Dan Smith, H. 1992. Analisis Regresi Terapan. Edisi Kedua.

Bambang Sumantri. Jakarta: PT Gramedia Pustaka Utama.

Gio, Prana Ugiana dan Elly. 2015. Belajar Olah Data dengan SPSS, MINITAB, R, Microsoft Excel. EVIEWS, LISREL, AMOS, dan, SMARTPLS. Medan:

USU Press

Gudono.2015. Analisis Data Multivariat. Edisi Keempat. BPFE Yogyakarta.

Yogyakarta.

Hasan, M. Iqbal. 2008. Pokok-pokok Materi Statistik I (Statistik Deskriptif).

Jakarta. Bumi Aksara.

Hyndman, Rob J. The Problem with Sturges’s Rule for Constructing Histograms.

A shorts notes (2). Unpublished Article.

Santoso, Singgih. 2003. Statistik Diskriptif: Konsep dan Aplikasi dengan Microsoft Excel dan SPSS. Yogyakarta: Andi.

Sarwono, Jonathan. 2013. Statistika Multivariat Aplikasi Untuk Riset Dan Skripsi.

Edisi Pertama. C.V Andi Offset (Penerbit Andi). Yogyakarta.

Spiegel, R. Murray. 2000. Probabilitas dan Statistik Edisi Kedua. Jakarta:

Erlangga

Sturges, H. 1926. The Choice of A Class Interval. Journal American Statistical Association. 21. 65-66.

Sudjana. 2005. Metoda Statistika. Edisi Keenam. Tarsito. Bandung.

Usman, Husaini dan Akbar, R. Purnomo Setiady. 2006. Pengantar Statistika.

Jakarta: PT Bumi Aksara

Walpole, Ronald F. 1993. Pengantar Statistika. Jakarta: PT Gramedia Pustaka Utama.

Lampiran 1. Data pengaruh komitmen organisasional, komitmen profesional, dan motivasi terhadap kepuasan kerja

Res

Komitmen

Organisasional Komitmen Profesional Motivasi Kepuasan Kerja Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q5 Q1 Q2 Q3 Q4 Q5

Lampiran 2. Hasil transformasi data interval.

Res

Komitmen

Organisasional Komitmen Profesional Motivasi Kepuasan Kerja Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q5 Q1 Q2 Q3 Q4 Q5

Lampiran 3. Output SPSS untuk deskriptif data ordinal dan data interval Output SPSS untuk deskriptif data ordinal.

Median 14.0000 12.0000 20.0000 18.0000

Mode 14.00 12.00 20.00 18.00

Std. Deviation 2.36254 2.54070 2.17324 2.19220

Variance 5.582 6.455 4.723 4.806

Median 12,1230 10,5220 15,4660 13,9355

Mode 9,45^a 10,10 15,47 16,08

Std. Deviation 2,63720 2,92408 2,90589 2,55379

Variance 6.955 8.550 8.444 6.522

a. Multiple modes exist. The smallest value is shown

Lampiran 4. Output minitab untuk scatterplot data ordinal dan data interval.

Output minitab untuk scatterplot data ordinal

Output minitab untuk scatterplot data interval hasil MSI

Lampiran 5. Output SPSS untuk pengujian distribusi normal data ordinal dan interval.

Output SPSS pengujian distribusi normal untuk data ordinal

One-Sample Kolmogorov-Smirnov Test

X1 X2 X3 Y

N 30 30 30 30

Normal Parameters^a,,b Mean 14.0667 12.6000 19.0333 18.4333

Std. Deviation 2.36254 2.54070 2.17324 2.19220 Most Extreme

Differences

Absolute .122 .273 .305 .322

Positive .080 .127 .183 .137

Negative -.122 -.273 -.305 -.322

Kolmogorov-Smirnov Z .669 1.497 1.671 1.762

Asymp. Sig. (2-tailed) .763 .023 .008 .004

a. Test distribution is Normal.

b. Calculated from data.

Output SPSS pengujian distribusi normal untuk data interval

One-Sample Kolmogorov-Smirnov Test

X1 X2 X3 Y

N 30 30 30 30

Normal Parameters^a,,b Mean 11.7087 11.0720 14.2937 14.3283

Std. Deviation 2.63561 2.92369 2.90654 2.55214 Most Extreme

Differences

Absolute .117 .236 .290 .264

Positive .090 .097 .152 .114

Negative -.117 -.236 -.290 -.264

Kolmogorov-Smirnov Z .640 1.295 1.591 1.445

Asymp. Sig. (2-tailed) .808 .070 .013 .031

a. Test distribution is Normal.

b. Calculated from data.

Lampiran 6. Output SPSS Uji t untuk Data Berskala Ordinal dan Data Berskala Interval

Output SPSS Uji t untuk data ordinal

Coefficients^a

Output SPSS Uji t untuk data interval

Coefficients^a

Lampiran 7. Output SPSS Uji Multikolinieritas untuk Data Berskala Ordinal dan Data Berskala Interval

Coefficients^a

Model

Collinearity Statistics (Ordinal) Collinearity Statistics (Interval)

Tolerance VIF Tolerance VIF

1 (Constant)

X1 .972 1.029 .970 1.031

X2 .967 1.034 .978 1.022

X3 .992 1.008 .981 1.019

a. Dependent Variable: Y

Lampiran 8. Tabel Z

Dalam dokumen KAJIAN METODE SUKSESIF INTERVAL (MSI) DALAM MENGUBAH DATA ORDINAL MENJADI DATA INTERVAL DAN DAMPAKNYA TERHADAP DISTRIBUSI SKRIPSI (Halaman 31-61)