SEKOLAH TINGGI TEKNIK IBNU SINA BATAM PR

(1)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

PROGRAM STUDI TEKNIK INDUSTRI

Modul

Pelatihan Statistik (SPSS Versi 20)

oleh : M. Ansyar Bora, ST., MT.)

Lab Teknik Industri STT Ibnu Sina Batam Page 1 BAB. I PENDAHULUAN

1.1 Latar Belakang

SPSS adalah sebuah program komputer yang digunakan untuk membuat analisis statistika. SPSS dipublikasikan oleh SPSS Inc. SPSS (Statistical Package for the Social Sciences atau Paket Statistik untuk Ilmu Sosial) versi pertama dirilis pada tahun 1968, diciptakan oleh Norman Nie, seorang lulusan Fakultas Ilmu Politik dari Stanford University, yang sekarang menjadi Profesor Peneliti Fakultas Ilmu Politik di Stanford dan Profesor Emeritus Ilmu Politik di University of Chicago. SPSS adalah salah satu program yang paling banyak digunakan untuk analisis statistika ilmu sosial. SPSS digunakan oleh peneliti pasar, peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi pemasaran, dan sebagainya. Selain analisis statistika, manajemen data (seleksi kasus, penajaman file, pembuatan data turunan) dan dokumentasi data (kamus metadata ikut dimasukkan bersama data) juga merupakan fitur-fitur dari software dasar SPSS.

1.2 Tujuan Pelatihan Statistik (SPSS Versi 20)

a. Melengkapi pengetahuan dan keterampilan mahasiswa dalam mengola data statistik kedalam software SPSS

b. Menambah pengetahuan & keterampilan mahasiswa dalam menganalisa dan menarik kesimpulan data statistik yang telah di olah menggunakan software SPSS.

c. Melatih mahasiswa mengelola data menggunakan software Statistik SPSS. d. Pengenalan cara penelitian dan pengolahan data statistik yang lebih efesien

dan efektif

1.3 Manfaat Pelatihan Statistik (SPSS Versi 20)

a. Mahasiswa dapat mengola data statistik kedalam software SPSS

b. Mahasiswa dapat menambah pengetahuan dan keterampilan dalam menganalisa dan menarik kesimpulan keluaran software SPSS.

c. Mahasiswa dapat mengelola data statistik dengan cepat dan efisien.

d. Dapat menambah kompetensi mahasiswa khususnya dalam pengolahan data statistik dengan menggunakan software SPSS.

(2)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 2 BAB. II Pengenalan dan Pengolahan Data Statistik menggunakan SPSS

Versi 20.

2.1 Pengenalan SPSS Versi 20.

SPSS merupakan salah satu sekian banyak software statistika yang telah dikenal luas dikalangan penggunaannya. Disamping masih banyak lagi software statistika lainnya seperti Minitab, Syastas, Microstat dan masih banyak lagi. SPSS sebagai sebuah tools mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial, berikut ini tampilan program SPSS Versi 20 :

Gambar 2.1 Tampilan layar SPSS 20

Menu Bar : Kumpulan perintah-perintah dasar untuk mengoperasikan program SPSS Versi 20.

Menu yang terdapat pada SPSS versi 20 adalah : 1. FILE

Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan, pencetakan dan sebagainya. Ada 5 data yang digunakan dalam SPSS,yaitu : 1. Data : dokumen SPSS berupa data

2. Systax : dokumen berisi file systax SPSS

3. Output : dokumen yang berisi hasil running out SPSS 4. Script : dokumen yang berisi running out SPSS 5. Database :

* New : Membuat lembar kerja baru SPSS

* Open : Membuka dokumen SPSS yang telah ada

* Read Text Data : membuka dokumen dari file text (yang berekstensi txt), yang bias dikonversi dalam lembar data SPSS.

* Save : Menyimpan file yang telah dibuat

* Save as : menyimpan ulang dokumen dengan nama yang berbeda * Page Setup : Mengatur halaman kerja SPSS

(3)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 3 * Print Preview : melihat contoh hasil cetakan yang nantinya diperoleh * Recent used data : berisi list data file yang sebelumnya pernah dibuka * Recent used file : berisi list file secara keseluruhan yang pernah

dikerjakan

2. EDIT

Untuk melakukan pengeditan pada operasi SPSS baik data, serta pengaturan untuk konfigurasi SPSS secara keseluruhan.

* Undo : pembatalan perintah yang dilakukan sebelumnya

* Redo : perintah pembatalan perintah redo yang dilakukan sebelumnya * Cut : penghapusan sebuah objek dll, bias dicopy untuk keperluan

tertentu dengan perintah dari menu paste.

* Paste : menampilkan sebuah objek dll, dari hasil perintah copy/cut * Clear : menghapus sebuah objek dll.

* Find : mencari suatu text

* Option : mengatur konfigurasi tampilan kerja SPSS secara umum

3. VIEW

Untuk pengaturan tampilan di layar kerja SPSS, serta mengetahui proses-proses yang sedang terjadi pada operasi SPSS.

* Status bar : Mengetahui proses yang sedang berlansung * Toolbar : Mengatur tampilan toolbar

* Fonts : Untuk mengatur jenis, ukuran font pada data editor SPSS * Gridlines : mengatur garis sel pada editor SPSS

4. DATA

Menu data digunakan untuk pemprosesan data

* Define dates : mendefinisikan sebuah waktu untuk variabel yang meliputi jam, tanggal, tahun dan sebagainya.

* Insert Variabel : menyisipkan kolom variabel * Insert Case : manyisipkan baris

* Go to case : memindahkan cursor pada baris tertentu * Sort case : mengurutkan nilai dari suatu kolom variable

* Transpose : operasi transpose dari sebuah kolom menjadi baris

* Merge file : menggabungkan beberapa file dokumen SPSS, yang dilakukan dengan penggabungan kolom-kolom variablenya.

* Split file : memecahkan file berdasarkan kolom variablenya * Select case : mengatur sebuah variable berdasarkan sebuah

persyaratan tertentu

5. TRANSFORM

Menu transform dipergunakan untuk melakukan perubahanperubahan atau penambahan data.

* Compute : operasi aritmatika dan logika untuk

* Count : untuk mengetahui jumlah sebuah ukuran data tertentu pada suatu baris tertentu

(4)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 4 * Categorize variable : merubah angka rasional menjadi diskrit

* Rank case : mengurutkan nilai data sebuah variabel

6. ANALYSE

Menu analyse digunakan untuk melakukan analisis data yang telah kita masukkan ke dalam komputer. Menu ini merupakan menu yang terpenting karena semua pemrosesan dan analisis data dilakukan dengan menggunakan menu correlate, compare mens, regression.

7. GRAPH

Menu graph digunakan untuk membuat grafik, diantaranya ialah bar,line, pie, dll

8. UTILITIES

Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file, dll

9. AD-ONS

Menu ad-ons digunakan untuk memberikan perintah kepada SPSS jika ingin menggunakan aplikasi tambahan, misalnya menggunakan alikasi Amos, SPSS data entry, text analysis, dsb

10.WINDOWS

Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke file lainnya

11.HELP

Menu help digunakan untuk membantu pengguna dalam memahami perintah-perintah SPSS jika menemui kesulitan

TOOL BAR : Kumpulan perintah – perintah yang sering digunakan dalam bentuk gambar.

POINTER : Kursor yang menunjukkan posisi cell yang sedang aktif / dipilih.

2.2 Pengolahan Data SPSS Versi 20

Membuka file data

Data yang anda buat dan simpan sewaktu- waktu dapat anda buka untuk analisis lebih lanjut. Berikut ini cara membuka data :

(5)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 5 Gambar 2.2 Kotak Dialog Open file

 Cari folder file data pada daftar drop down look in

 Klik ganda file data pada kotak atau klik file data kemudian klik open sehingga data yang telah anda simpan akan muncul.

Mengimpor file data ke SPSS

SPSS mampu membuka file data dengan format lain, jadi jangan cemas apabila anda terlanjur membuat file data dengan format lain. Pada pembahasan kali ini hanya akan dibahas satu format saja, yaitu excel (*.xls) dipilih karena software tersebut sangat populer dalam pengolahan data.

Mengimpor file data excel ke SPSS

Langkah-langkah transfer file data excel ke SPSS mirip dengan saat anda membuka file data format sav :

 Klik file => Open => Data pada menu sehingga kotak dialog open file muncul.

 Klik files of type di combo box sehingga muncul di daftar berikut :

(6)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 6

 Pilih format yang sesuai, missal excel 2010 (*.xlsx).

 Cari folder file data excel anda pada daftar drop down look ini.

 Klik ganda file data pada kotak atau klik file data kemudian klik open sehingga otak dialog opening excel data source muncul :

Gambar 2.4 Kotak dialog opening excel data source

 Tanda cek aktif secara default. Tanda cek read variabel from the first row of data aktif dimaksudkan supaya nama variabel yang terdapat pada baris pertama file data excel tidak dianggap sebagai data namun diperlakukan sebagai variabel.

 Klik Ok

Untuk lebih jelas, lihat perbandingan transfer tersebut.

Data asli excel

Data hasil transfer ke SPSS

(7)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 7 Statistik Deskriptif

Pengukuran deskriptif pada dasarnya memaparkan secara numerik ukuran tendensi sentral, disperse, dan distribusi suatu data.

Tendensi sentral mengukur pemusatan data. Ada beberapa ukuran umum tendensi sentral yang sering digunakan, yaitu :

 Mean/rata-rata, adalah nilai rata-rata terukur suatu data.

 Median adalah nilai tengah data setelah data tersebut diurutkan dari kecil ke besar.

 Modus adalah nilai yang sering muncul dari suatu data

Dispersi mengukur penyebaran suatu data. Ada beberapa ukuran umum dispersi yang sering digunakan, yaitu :

 Standar deviasi, adalah nilai simpangan baku

 Varian, adalah nilai kuadrat dari standar deviasi

 Standard error mean (S.E mean), adalah estimasi tentang standar deviasi dari suatu distribusi rata-rata yang diperoleh dari sampel yang diambil secara random terus-menerus dari populasi.

Distribusi mengukur distribusi suatu data. Ada beberapa ukuran umum distribusi yang sering digunakan, yaitu :

 Skewness, adalah nilai kemencengan distribusi data. Apabila bernilai positif maka distribusi data akan menceng ke kanan dan apabila negative maka sebaliknya.

 Kurtosis adalah nilai keruncingan atau tinggi distribusi data.

 Kenormalan suatu data dapat dilihat dari nilai hasil perbandingan skewness dengan std. error of skewness; dan nilai perbandingan kurtosis dengan std. error of kurtosis harus antara -2 dan 2.

SPSS mengkategorikan analisa statistic deskriptif dalam 5 kategori, yaitu analisa frequencies, descriptive, explore, crosstab, dan ratio. Masing-masing analisa memiliki tujuan dan keunggulan sendiri.

Analisa Frequencies

Analisis frequencies sangat berguna untuk memperoleh ringkasan suatu variabel individual. Berikut dipaparkan bagaimana melakukan peringkasan, baik untuk variabel dengan data kategori maupun skala.

Melakukan analisis frequencies untuk data kategori

Analisis frequencies untuk data kategori memaparkan jumlah/frekuensi dan proporsi dalam persen suatu variabel data kategorikal. Sebagai contoh mari kita lakukan analisis frequencies untuk data kategorikal pada variabel lama bekerja dan tingkat pendidikan. Berikut ini langkah-langkahnya :

 Buka file data, folder file data pelajaran 1, file sales.sav.

(8)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 8 Gambar 2.6 Kotak Dialog Frequencies

 Masukkan variebel lama bekerja dan variabel dan tingkat pendidikan pada variable(s).

 Klik tombol charts sehingga muncul kotak dialog frequencies; chart.

 Pilih pie charts pada kotak chatr type dan pilih frequencies pada kotak chart values.

Gambar 2.7 Kotak dialog frequencies :chart

 Klik continue.

 Klik ok sehingga output SPSS viewer menampilkan hasil berikut :

(9)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 9 Tabel lama bekerja menginformasikan bahwa lebih dari 50% sales (tepatnya 51.5%) telah bekerja pada perusahaan selama rentang 0-5 tahun.

Tabel tingkat pendidikan menginformasikan bahwa lebih dari 50% sales (tepatnya 60.6%) berpendidikan S1.

Berikut ini gambar grafik pienya.

Gambar 2.8 Hasil analisis frequencies – data kategori

Grafik pie chart memaparkan proporsi lama bekerja dan jenjang pendidikan para sales.

Melakukan analisis frequencies untuk data skala

(10)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

 Buka file data sales.sav

 Klik analyze => descriptive statistics => frequencies pada menu sehingga kotak dialog frequencies muncul.

 Masukkan variebel penjualan pada kotak variable(s).

 Klik tombol statistics sehingga muncul kotak dialog frequencies statistics.

Gambar 2.9 Kotak dialog frequencies :statistics

 Pilih nilai-nilai pada persentile values, central tendency, dispersion dan distribution sesuai keperluan anda.

 Klik tombol continue

 Klik tombol chart sehingga muncul kotak dialog frequencies: chart, gambar 2.7 pilih histogram with normal curve pada kotak chart type.

 Klik continue

(11)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 11 Tabel statistics memaparkan nilai-nilai statistic yang telah anda pilih.

N, jumlah data pengamatan = 33, tanpa data missing. Mean, rata-rata penjuala = 31.737.878,79

Median, nilai tengah data = 33.000.000

Mode, nilai yang sering muncul, ada beberapa, diambil nilai yang terkecil = 33.500.000

Standar deviasi = 3.901.622,866

Skewness = 0,597 => bernilai positif. Jadi distribusi data menceng ke kanan. Perbandingan skewness dengan std. Error Skewness = 1.46 nilai tersebut (1.46) dalam rentang -2<1.46<2.

Kurtosis = -0.421 => platikurtik, keruncingan rendah.

Perbandingan kurtosis dengan std. error kurtosis = 0.798. nilai tersebut (0.798) dalam rentang -2 < 0.798 < 2.

Melihat nilai perbandingan skewness dengan std. error skewness dan kurtosis dengan std. error kurtosis dapat disimpulkan bahwa data terdistribusi normal. Percentiles 25, tingkat penjualan 25% sales dibawah 28.250.000

Percentiles 75, tingkat penjualan 75% sales dibawah 34.250.000

50% data terletak antara percentiles 25% - 75%. Oleh karena itu 50% tingkat penjualan terletak pada rentang 28.250.000 – 34.250.000.

(12)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 12 Gambar 2.10 Hasil analisis frequencies – data skala

Grafik histogram dan kurva normal memperhatikan bawha distribusi data adalah normal.

Analisis Descriptive

Analisis descriptipe sangat membantu dalam meringkas perbandingan beberapa variabel data skala dalam satu table dan dapat digunakan untuk melakukan pengamatan outlier/penyimpanan data.

Sebagai contoh, anda melakukan analisis descriptive pada data penjualan 6 bulan terakhir di dalam suatu korporat yang memiliki 3 unit bisnis, yaitu makanan, minuman, dan pengiriman.

Berikut langkah-langkah analisis descriptive :

 Buka file data, folder file data pelajaran 1, penjualan sbu.sav.

 Klik analyze => descriptive statistics => descriptive pada menu sehingga kotak dialog descriptive muncul.

(13)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

 Masukkan variabel penjualan makanan, penjualan minuman, dan penjualan penghantaran pada kota variable(s).

 Pilih save standardized values pada pojok kiri bawah kotak dialog.

 Klik ok sehingga output SPSS viewer menampilkan hasil berikut:

Gambar 2.12 Hasil Analisis deskriptives

Table descriptive Statistics memaparkan nilai statistic ketiga variabel. Secara default nilai yang dipilih adalah mean, std. deviation,minimum, dan maximum. Apabila anda menghendaki parameter pengukuran lebih banyak lagi, klik options pada kotak dialog descriptive. Rata-rata penjualan tertinggi ada pada bisnis makanan (48353433,33) namum juga memiliki standar deviasi terbesar (5239305,472).

Apabila kembali pada tampilan data view pada SPSS maka akan terlihat ada tiga tambahan variabel baru, yaitu Zmakanan,Zminimum, danZpengiriman.

Gambar 2.13 Tiga variabel baru muncul pada tampilan variabel view

Ketiga variabel tersebut muncul karena anda memilih save standardized values as variables. Variabel ini menunjukan penyimpangan data (outlier) dari rata-rata. Rumus Z adalah sebagai berikut :

Xi -

�

(14)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 14 Di mana :

Xi = nilai data X = rata-rata data � = standar deviasi

Contoh hitunglah nilai Z makanan baris pertama : 54555000 – 48353433

Z = = 1.18366

5239305

Pada pengujian statistic, biasanya tingkat kepercayaan yang dipakai adalah 95%. Hal ini berarti tingkat signifikansi adalah 5%. Apabila dilakukan pengujian dua sisi maka 2.5%. jadi batas kritis luas setengah kurva adalah 50% - 2.5% = 47.5%. luas 47.5% kurva, konversi nilai z-nya adalah 1.96 (dilihat pada table z). jadi data (X) dikatakan menyimpang (outler) apabila diluar -1.96 <x< 1.96.

Analisis Explore

Anaisis explore melengkapi anda dengan berbagai tampilan visual dan ringkasan numeric data. Pada analisis ini variabel dependen harus data skala dan variabel grouping berupa data nominal atau ordinal.

Sebagai contoh kasus anda melakukan pengamatan atas pengaruh tingkat pendidikan terhadap penjualan yang dihasilkan oleh masing-masing sales. Berikut langkah-langkah anaisis explore :

 Klik analyze => Descriptive statistics => Explore pada menu sehingga kotak dialog explore muncul.

Gambar 2.14 kotak dialog frequencies

 Masukkan variabel penjualan pada kotak dependent list, variabel tingkat pendidikan pada factor list dan nama sales pada label cases by.

(15)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 15 Gambar 2.15 kotak dialog explore statistic

 Klik continue sehingga kembali ke kotak dialog explore

 Klik plots sehingga kotak dialog explore : plot muncul. Secara default boxplot factor levels together dan steam-and-leaf dipilih. Disamping menggunakan perbandingan skewness dengan std. error of skewness dan kurtosis dengan std. error of kurtosis untuk menentukan normalitas , anda dapat melakukan uji normalisasi lebih lanjut dengan memilih normality plots with tests.

Gambar 2.16 Kotak Dialog Explore :plots

 continue

(16)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 16 Table case processing summary menunjukan jumlah sales yang digolongkan berdasarkan tingkat pendidikan. Ada 20 sales berpendidikan S1 dan 13 sales berpendidikan D3.

Tabel descriptive memaparkan nilai statistic descriptive penjualan berdasarkan tingkat pendidikan sales. Ada beberapa parameter untuk deskriptif yang belum dijelaskan sebelumnya, seperti :

95% confidence interval for mean – lower bound & upper bound adalah batas atas dan batas bawah interval kepercayaan 95% dari rata-rata. Data diluar itu adalah outler.

5% Trimmed Mean adalah membuang 5% data ekstrem bawah dan atas kemudaian dihitung rata-ratanya. Tujuannya adalah mengurangi penyimpangan. Terlihat ada perbedaan nilai mean (31.712.500) dengan nilai trimmed mean (31.486.111,11).

Interquartile range adalah selisih nilai persentile 25 dengan nilai persentil 75

(17)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 17 Tabel M-Estimator memaparkan alternative tendesi sentral, yaitu M-Estimator Huber bernilai 29.808.355,84 dan M-Estimator hampel bernilai 29.586.499,92

Tabel Extreme values memaparkan lima nilai penjualan terbesar dan lima penjualan terkecil. Dari kolom tiga (nama sales), anda dapat melihat nama-nama sales yang memiliki tingkat penjualan ekstrem, baik yang tinggi maupun yang rendah.

Tampilan tabel extreme values dapat anda modifikasi menjadi pivot table menarik berikut ini :

(18)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 18 Variabel extreme pada row, drag ke column sehingga anda akan memperoleh tampilan tabel baru.

Tabel tests of normality, dengan interval kepercayaan 95%, maka nilai � = 5%. Uji normalitas, baik dengan metode Kolmogorov-Smirnov maupun Shapiro-Wilk, dapat anda lakukan dengan melihat nilai sig. apabila nilai sig > � maka distribusinya normal. Distribusi akan tidak normal jika sebaliknya. Dari hasil analisis terlihat nilai sig (0.000 untuk metode Kolmogorov-Smirnov dan 0.001 metode Shapiro-Wilk) ≤ � (5%) sehingga distribusi tidak normal.

(19)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 19 Gambar 2.17 Hasil analisis explore

Boxplot memungkinkan anda membandingkan kelompok dengan ringkasan lima nilai statistic, yaitu median, persentil 25%, persentil 75%, minimum dan maksimum suatu data.

Pada grafik boxplot akan tampil symbol 0 atau outlier apabila data berada 1.5 kali hspread. Sedangkan symbol * atau extreme akan muncul untuk menunjukan data pada 3 hspread.

Analisis Crosstabs

Analisis crosstabs merupakan analisis dasar untuk hubungan antarvariabel kategori (nominal atau ordinal). Penambahan variable control untuk mempertajam analisis sangat dimungkinkan.

Analisis Crosstabs – Chi Square

Analisis crosstabs – chi square adalah suatu analisis hubungan antara variabel data nominal. Sebagai contoh, suatu perusahaan mengamati apakah pelayanan karyawan front office berbeda antara staff laki-laki dan perempuan. Jumlah karyawan front office antara laki-laki dan perempuan sama banyak.

Berikut langkah-langkah analisis hubungan layanan pelanggan antara karyawan front office laki-laki dengan perempuan menggunakan analisis chi-square :

 Buka file data, folder file data pelajaran 1, file crosstab.sav.

 Klik analyze => Deskriptive Statistics => Crosstabs pada menu sehingga kotak dialog crosstabs muncul.

Gambar 2.18 Kotak dialog crosstabs

Nilai maksimum dan minimum data

Garis dalam kotak menunjukan median

Wisker

(20)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

 Masukkan variabel jenis kelamin pada kotak row(s) dan masukkan variabel pelayanan pelanggan pada kotak column(s).

 Klik statistics sehingga kotak dialog crosstabs: statistics muncul, pilih chi-square.

Gambar 2.19 Kotak dialog Crosstabs : statistic

 Klik continue sehingga kembali ke kotak dialog crostabs.

 Klik ok maka output SPSS viewer menampilkan hasil berikut :

Tabel case processing summary pada baris menunjukan variabel pengamatan, yaitu variabel jenis kelamin dengan variabel pelayanan pelanggan. Bagian kolom menyatakan jumlah dan % pengamatan baik untuk valid, missing, maupun total. Jumlah data valid 40 sampel (100%).

(21)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 21 Tabel Hasil Analisis Crosstabs – Chi Square

Tabel Chi-Square test menunjukan bahwa nilai Asymp. Sig (2-sided) pearson chi-square adalah 0.507.

Hipotesis :

Ho = tidak ada perbedaan layanan pelanggan antara karyawan front office laki-laki dengan perempuan.

H1 = ada perbedaan layanan pelanggan antara karyawan front office laki-laki dengan perempuan.

Jika Asymp. Sig (2-sided) chi- square hitung > �, maka Ho diterima. Jika Asymp. Sig (2-sided) chi- square hitung < �, maka Ho ditolak.

Asymp. Sig (2-sided) (0.507) > � (0.05), maka Ho diterima. Jadi tidak ada perbedaan layanan antara frontline laki-laki dengan frontline perempuan.

(22)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 22 Nilai Asymp. Sig (2-sided) chi-square untuk tingkat pendidikan S1 (0.606) dan D3 (0.653) > � (0.05), maka Ho diterima. Jadi tidak ada perbedaan layanan antara frontline tingkat pendidikan S1 maupun D3 baik untuk karyawan laki-laki maupun perempuan.

Analisis Crosstabs – Correlations

Analisis Crosstabs – correlations adalah suatu analisis hubungan antar variabel data ordinal. Sebagai contoh, suatu perusahaan mengamati apakah ada perbedaan tingkat kepuasan terhadap produk yang dikeluarkan dengan kualitas yang berbeda-beda (kualitas a > kualitas b > kualitas c) pada pasar yang sama.

Berikut ini langkah-langkah analisis hubungan kualitas produk dengan tingkat kepuasan menggunakan analisis correlations.

 Buka file data, folder file data pelajaran 1, file crosstabs correlations.sav.

 Klik Analyze => Deskriptive Statistics => Crosstabs pada menu sehingga kotak dialog crosstabs muncul (gambar 2.18)

 Masukkan variabel kualitas produk pada kotak row(s) dan masukkan variabel tingkat kepuasan pada kotak column(s).

 Klik Statistics sehingga kotak dialog crosstabs:statistics muncul, pilih correlations (gambar 2.19)

 Klik continue sehingga kembali kekotak dialog crosstabs.

(23)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 23 Tabel case processing summary pada baris menunjukan variabel pengamatan, yaitu variabel kulitas produk dengan variabel tingkat kepuasan. Bagian kolom menyatakan jumlah dan persentase pengamatan, baik untuk valid, missing, maupun total. Jumlah data valid 30 sampel (100%).

Tabel kualitas produk * tingkat kepuasan crosstabulations memaparkan secara detail tingkat kepuasan untuk masing-masing kualitas produk.

Tabel hasil analisis crosstabs – chi square

Tabel chi-square test menunjukan bahwa nilai Approx. sig ordinal by ordinal spearman correlation adalah 0.334.

Hipotesis :

Ho = tidak ada perbedaan tingkat kepuasan terhadap berbagai kualitas produk.

H1 = ada perbedaan tingkat kepuasan terhadap berbagai kualitas produk. Jika Approx. Sig Spearman correlation hitung > �, maka Ho diterima. Jika approx. Sig spearman correlations hitung < �, maka Ho ditolak.

Approx. Sig (0.334) > � (0.05), maka Ho diterima. Jadi tidak ada perbedaan tingkat kepuasan terhadap berbagai kualitas produk.

Analisis Ratio

Analisis ratio memberi gambaran menyeluruh rasio antara dua variabel skala. Contoh, perusahaan mengamati keseragaman pemberian insentif di berbagai area sales dengan melihat rasio insentif dengan tingkat penjualan pada berbagai area penjualan. Berikut langkah-langkah analisis ratio:

 Buka file, folder file data pelajaran 1, file sales.sav.

(24)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 24 Gambar 2.20 Kotak dialog ratio statistic

 Masukkan variabel insentif pada kotak numerator , masukkan variabel area penjualan pada kotak denumerator dan masukkan variabel area penjualan pada group variable.

 Klik statistics sehingga kotak dialog ratio:statistic muncul. Pada kotak central tendency, pilih median dan pada kotak dispersion, pilih COD. Pada kotak concentration index, masukkan 5 pada ratio within % of median kemudian klik tombol add.

Gambar 2.21 Kotak dialog ratio;statistic

 Klik continue sehingga kembali ke kotak dialog ratio.

(25)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 25 Tabel case processing summary memaparkan jumlah sales per area penjualan dalam jumlah dan %. Jumlah sales total 33 orang. Rata-rata jumlah sales 8 orang, kecuali area jabar ada 9 orang.

Hasil analisis ratio

Tabel ratio statistic for insentif/penjualan, kolom median menginformasikan tendensi sentral, yaitu ratio antara besarnya insentif dengan penjualan. Nilai median, kolom kedua, untuk keempat area penjualan sama (0.020). kolom ketiga (COD) menyatakan tingkat penyimpanan (dispersi) dari nilai rasio. Area jogja & jateng memiliki penyimpanan terbesar (0.21) dan area jatim memiliki penyimpanan terkecil (0.009).

Analisis Perbandingan Rata-rata

Analisis perbandingan rata-rata merupakan bagian dari uji hipotesis dengan dasar pengujian membandingkan perbedaan antara rata-rata. Analisis perbandingan rata-rata (compare means) adalah SPSS ada lima,yaitu : Means, one-sample tes, independent-sample T test, paired-sample T test, dan one-way anova.

Tabel t dan tabel f

Sebelum membahas analisis perbandingan rata-rata, ada baiknya kita membahas tabel t dan tabel f terlebih dahulu karena dalam uji hipotesis kita pasti melibatkan kedua tabel tersebut. Berikut cara membangun tabel t dan f.

Tabel t

Tabel t terdiri dari dua kolom. Kolom pertama adalah degree of freedom (df) dan kolom kedua adalah nilai t. Degree of freedom merupakan fungsi jumlah pengamatan atau sampel dikurangi satu (df=n-1), sedangkan nilai t dapat anda cari dengan SPSS. Berikut langkah-langkah pembuatan tabel t.

 Bangun data untuk kolom degree of freedom adalah sebagai berikut :

 Buka file => open => data pada menu sehingga kotak dialog open file muncul (seperti gambar 2.2)

 Klik files of type di combo sehingga muncul seperti gambar 2.3.

 Pilih format yang sesuai, misalnya excel 2010 (*.xlsx).

 Cari folder file data excel anda pada daftar drop down look in.

 Klik ganda file data pada kotak atau klik file data kemudian klik open sehingga kotak dialog opening excel data source muncul seperti gambar 2.4

(26)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

 Klik Ok

 Klik Transform => Compute variabel pada menu sehingga kotak dialog compute variable muncul.

Gambar 2.22 Kotak dialog compute variable untuk tabel t

 Tulis t pada variable

 Pada daftar drop down function group, pilih inserve DF sehingga kumpulan fungsi idf muncul pada functions and special variables, kemudian klik idf. T. masukkan fungsi tersebut pada kotak numeric expression dengan menekan tombol panah atas sehingga muncul tulisanIDF.T(?,?).

 Ganti tanda Tanya pertama dengan tingkat kepercayaan (0.95) dan ganti tanda Tanya kedua dengan variabel degree of freedom (hapus tanda Tanya kedua, klik variable degree of freedom dan tekan tombol panah).

 Klik OK sehingga tampilan data view bertambah satu kolom, yaitu t.

(27)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 27 Tabel F

Tabel F memiliki dua degree of freedom, yaitu numerator dan denumerator. Numerator atau degree of freedom antar kelompok (d1) adalah jumlah kelompok dikurangi satu. Sedangkan denumerator atau degree of freedom dalam kelompok adalah jumlah keseluruhan sampel dikurangi jumlah kelompok. Nilai F dapat anda cari dengan SPSS. Berikut langkah-langkah untuk membuat tabel F.

 Bangun data untuk kolom degree of freedom sebagai berikut : d1 = 2 dan d2 seperti tampak pada gambar 2.23 berikut ini.

Gambar 2.23 data awal tabel F

 Klik Transform => compute variable pada menu sehingga kotak dialog compute variable muncul. (Seperti gambar 2.22).

 Klik F pada kotak target variable

 Pada daftar drop down function group, pilih inserve DF sehingga kumpulan fungsi idf muncul pada functions and special variables, kemudian klik idf. F. masukkan fungsi tersebut pada kotak numeric expression dengan menekan tombol panah atas sehingga muncul tulisanIDF.F(?,?).

 Ganti tanda Tanya pertama dengan tingkat kepercayaan (0.95) dan ganti tanda Tanya kedua dengan numerator = 2 dan ganti tanda Tanya ketiga dengan denumerator atau variabel d2.

 Klik OK sehingga tampilan data view bertambah satu kolom, yaitu F.

(28)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 28 Analisis Means

Analisis means berguna untuk memaparkan nilai tendensi sentral maupun dispersi suatu variabel data skala dengan dikelompokkan berdasarkan variabel data kategori. Sebagai contoh, pada data penjualan anda ingin melihat rata-rata penjualan per area per tingkat pendidikan. Berikut langkah-langkah analisis means.

 Klik analyze => compare means => means pada menu sehingga kotak dialog means muncul.

Gambar 2.25 kotak dialog means

 Masukkan variabel penjualan pada kotak dependent list

 Masukkan variabel area penjualan pada kotak independent list kemudian klik tombol next dan masukkan juga variabel tingkat pendidikan.

 Klik ok sehingga output SPSS viewer menampilkan hasil berikut.

(29)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 29 Tabel report memaparkan nilai rata-rata, jumlah dan standar deviasi untuk setiap kelompok. Seperti kelompok sales jogja & jateng dengan pendidikan S1 memiliki rata-rata penjualan 33,416,666.67, jumlah sales ada 6 , dan standar deviasi 4,185,291,706.

One sampel T Test

One sampel T Test digunakan untuk menguji perbedaan rata-rata suatu variabel dengan suatu contanta tertentu atau nilai hipotesis.

Contoh, produsen tabung gas menyatakan berat tabung gasnya adalah 15 kg. untuk mengetahui kebenaranya maka dilakukan sampling data yang diperoleh pada file one sample t test.sav. Analisis one sample T test dapat dilakukan dengan langkah sebagai berikut:

 Buka file data, folder file data pelajaran 2, file one sampel t test.sav.

 Klik analyze => compare means => one-sample t test pada menu sehingga kotak dialog muncul.

Gambar 2.26 Kotak dialog one-sample T test.

 Masukkan variabel berat tabung pada kotak test variable(s) dan masukkan 15 pada kotak test value.

 Klik options sehingga kotak dialog T test : options, tingkat kepercayaan dan missing values muncul. Secara default tingkat kepercayaan 95% dan missing values-exclude cases analysis by analysis yang berarti hanya data yang berharga valid yang digunakan dalam analisis.

(30)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

 Klik continue sehingga kembali ke kotak dialog one-sample T test.

 Klik ok sehingga ouput SPSS viewer menampilkan hasil berikut :

Tabel one sample statistics memaparkan nilai statistic variabel berat tabung sebagai berikut : jumlah sampling 20, rata-rata berat tabung 14,99 kg, standar deviasi 0,35079 kg dan std. error mean 0,07844 kg.

Sebelum kita membahas uji hipotesis, anda perlu terlebih dahulu mengetahui aturan dasar yang menyertai. Pada uji hipotesis pada dasarnya anda membandingkan nilai t atau F hitung dengan nilai t atau f tabel. Adapun aturanya yaitu :

Nilai t atau F adalah nilai mutlak

Jika t atau F hitung (nilai mutlak) < t atau F tabel, maka Ho diterima. Jika t atau F hitung (nilai mutlak) > t atau F tabel, maka H1 ditolak. Atau

Jika sig > α , maka Ho diterima Jika sig < α , maka Ho ditolak Hipotesis

Ho = rata-rata berat tabung 15 kg. H1 = rata-rata berat tabung ≠ 15 kg. Nilai t hitung -0,127, nilai mutlak 0,127.

t hitung (0,127) < t tabel (19;0.025) adalah 2.093 , maka Ho diterima. Jadi tidak ada perbedaan rata-rata berat tabung.

Maksud t tabel (19;0.025) adalah df=19 dari jumlah sampel 20 dikurangi 1. Uji adalah dua sisi. Jadi setiap sisinya memiliki nilai tengah α. Bila diapakai α = 0,05 maka setengah α adalah 0,025. Untuk mencari t tabel (19;0.025), gunakan fungsi idf. T pada SPSS. Pada numeric expression IDF. T (?.?), ganti tanda Tanya dengan nilai sebagai berikut : IDF.T (0.975, 19). Nilai 0.975 berasal dari 100% atau 1 dikurangi 0.025 dan 19 adalah nilai df.

Disamping menggunakan perbandingan t hitung dengan t tabel, anda dapat melakukan perbandingan sig (2-tailed) dengan α .

Sig (2-tailed) (0.900) > α (0.025), maka Ho dterima.

Independent-sample T test

Independent-sample T test digunakan untuk menguji signifikansi beda rata-rata dua kelompok. Tes ini juga digunakan untuk menguji pengaruh variabel independen terhadap variabel dependen.

(31)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 31 Anda ingin mengamati tingkat kecerdasan antara siswa laki-laki dengan perempuan. Anda melakukan tes kecerdasan pada beberapa sampel laki-laki dan perempuan secara random. Berikut adalah hasil tabel distribusi frekuensinya.

Analisis Independent-sample test dapat anda lakukan dengan langkah sebagai berikut :

 Buka file data, folder file data pelajaran 2, independent samples t test.sav.

 Klik analyze => compare means => independent-samples t test pada menu sehingga kotak dialog muncul.

Gambar 2.28 kotak dialog independent-samples T test

 Masukkan variabel tk_cerdas pada kotak test variable(s) dan masukkan varabel jns_kelamin pada kotak grouping variable.

(32)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 32 Gambar 2.29 kotak dialog define groups

 Klik continue sehingga kembali ke kotak dialog ondependent-sample T test.

 Klik options sehingga kotak dialog independent-sample T Test:options muncul. Secara default tingkat kepercayaan 95% dan exclude cases analysis by analysis dipilih.

 Klik continue

 Klik ok. Output SPSS viewer akan menampilkan hasil berikut :

Tabel group statistic memaparkan jumlah data/sampel, nilai rata-rata, dan standar deviasi. Rata-rata tingkat kecerdasan laki-laki (42.65) lebih tinggi dari perempuan (37.84) dengan nilai standar deviasi laki-laki (22.432) lebih kecil disbanding perempuan (23.143)

Tabel independent sample test pertama, levene’s test, menguji apakkah kedua kelompok memiliki varian yang sama.

Hipotesis :

Ho = kedua kelompok memiliki varian yang sama H1 = kedua kelompok tidak memiliki varian yang sama

Nilai sig (0.628) > α (0.05), maka Ho diterima. Jadi kedua kelompok memiliki varian yang sama.

Tabel independent sample test kedua, t-tes, menguji apakah kedua kelompok memiliki rata-rata yang sama.

Hipotesis:

(33)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 33 H1 = kedua kelompok tidak memiliki rata-rata tingkat kecerdasan yang sama t hitung (1.345) < t tabel (80;0.025) adalah 1.990, maka Ho diterima.jadi kedua kelompok memiliki rata-rata tingkat kecerdasan yang sama. Dengan kata lain, tidak ada perbedaan rata-rata tngkat kecerdasan antara siswa laki-laki dan perempuan.

Disamping menggunakan perbandingan t hitung dengan t tabel, anda dapat melakukan perbandingan sig (2-tailed) dengan α .

Sig (2-tailed) (0.181) > α (0.025), sehingga Ho diterima.

Contoh II : Menguji pengaruh variabel independen terhadap variabel dependen. Suatu supermarket dengan outlet berdistribusi nasional ingin mengetahui pengaruh penurunan kredit (variabel independen) pada para pemegan kredit card terhadap peningkatan pembelian (variabel dependen). Perusahaan memilih sampel secara random pada pelanggan golongan tertentu. Kepada setengah sampel diinformasikan bahwa dalam jangka 3 bulan aka nada penurunan kredit, sedangkan pada setengah sampel lainnya tidak ada informasi. Setelah 3 bulan kedepan diamati tingkat pembelian sampel tersebut. Berikut ini tabel distribusi frekuensinya.

Analisis Independent sample test dapat dilakukan dengan langkah sebagai berikut :

 Buka file data, folder file data pelajaran 2, independent samples t test2.sav.

 Klik analyze compare means => independent-samples T test pada menu sehingga muncul kotak dialog independent samples t test.

 Masukkan variabel tingkat pembelian pada kotak test variable(s) dan masukkan variable pembelian kredit pada kotak grouping variable.

 Klik define groups masukkan nilai pembelian kredit pada kotak group 1 dan 2 (lihat gambar 2.29)

 Klik continue sehingga kembali ke kotak dialog independent sample T test.

 Klik options sehingga kotak dialog independent sample T test:options muncul. Secara default tingkat kepercayaan 95% dan excelude cases analysis by analysis dipilih (lihat gambar 2.27)

 Klik continue

 Klik Ok sehingga Output SPSS Viewer menampilkan hasil sebagai berikut:

(34)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 34 Tabel independent sampel test pertama, Levene’s test, menguji apakah kedua kelompok memiliki varian yang sama.

Hipotesis :

Ho = kedua kelompok memiliki varian yang sama H1 = kedua kelompok tidak memiliki varian yang sama.

Nilai sig (0.102) > � (0.05), sehingga Ho diterima. Jadi kedua kelompok memiliki varian yang sama.

Tabel independent samples test kedua, t-test, menguji apakah kedua kelompok memiliki rata-rata yang sam.

Hipotesis :

Ho = kedua kelompok memiliki rata-rata tingkat pembelian yang sama H1 = kedua kelompok tidak memiliki rata-rata tingkat pembelian yang sama t hitung (3.662) > t tabel (89;0.025) adalah 1.662 sehingga Ho ditolak. Jadi kedua kelompok tidak memiliki rata-rata tingkat pembelian yang sama. Dengan kata lain, penurunan kredit berpengaruh terhadap tingkat pembelian.

Disamping menggunakan perbandingan t hitung dengan t tabel, anda dapat melakukan perbandingan sig (2-tailed) dengan .

Sig (2-tailed) (0.000) < � (0.025), maka Ho ditolak.

Paired-Sample T Test

Paired-Sample T Test atau lebih dikenal dengan Pre-post design adalah analisis dengan melibatkan duan pengukuran pada subjek yang sama terhadap suatu pengaruh atau perlakuan tertentu. Pengukuran pertama dilakukan sebelum diberi perlakuan tertentu dan pengukuran kedua dilakukan sesudahnya. Dasar pemikirannya sederhana, yaitu apabila suatu perlakuan tidak memberi pengaruh maka perbedaan rata-ratanya adalah nol.

Contoh, suatu rumah sakit mencobatkan treatment diet khusus pada pasien yang menderita tekanan darah tinggi dan kelebihan berat badan. Sebelum melakukan secara massal, dilakukan tes percobaan dengan treatment diet khusus selama 3 bulan terhadap beberapa pasien. Sampel diambil secara random. Sebelum treatment tekanan darah dan beratnya di ukur, dan akan diukur kembali setelah treatment. Setelah data diperoleh akan dilakukan analisis paired-samples T test sebagai berikut :

 Buka file data, folder file data pelajaran 2, paired-samples T test.sav.

(35)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 35 Gambar 2.30 Kotak dialog paired-samples T Test

 Klik variabel tekanan darah awal dan tekanan darah akhir secara berurutan sehingga kedua variabel tersebut terblok kemudian tekan tombol panah sehingga pasangan tersebut muncul pada kotak paired variables. Gunakan cara yang sama untuk pasangan variabel berat awal dan berat akhir.

 Klik options sehingga kotak dialog independent-sample T test:options muncul. Secara default tingkat kepercayaan 95% dan exclude cases analysis by analysis terpilih.

 Klik continue

Tabel paired samples tatistics menunjukan bahwa tekanan darah mengalami penurunan dari rata-rata awal 177.35 menjadi 160.8. Berat badan juga mengalami penurunan, dari rata-rata awal 83.60 menjadi 77.80.

(36)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 36 Pada tabel paired samples test, kolom mean menunjukan perbedaan rata-rata sebelum treatment dengan sesudah treatment. Kolom std. deviation menunjukan standart deviasi dari nilai perbedaan rata-rata. Kolom std. error mean merupakan indeks variabelitas. Kolom t merupakan hasil bagi antara nilai perbedaan rata-rata dengan standar error. Kolom sig (2-tailed) merupakan nilai probabilitas untuk mencapai t statistic dimana nilai absolutnya adalah sama atau lebih besar dari t statistic.

Hipotesis : pasangan tekanan darah

Ho = penurunan tekanan darah sebelum dengan sesudah treatment tidak signifikan.

H1 = penurunan tekanan darah sebelum dengan sesudah treatment signifikan. t hitung (2.891) > t tabel (9;0.025) adalah 2.262 sehingga Ho ditolak. Jadi penurunan tekanan darah sebelum dengan sesudah treatment signifikan. Disamping menggunakan perbandingan t hitung dengan t tabel, anda dapat melakukan perbandingan sig (2-tailed) dengan .

Sig (2-tailed) (0.018) < � (0.025), sehingga Ho ditolak. Hipotesis : pasangan berat badan

Ho = penurunan berat badan sebelum dengan sesudah treatment tidak signifikan

H1 = penurunan berat badan sebelum dengan sesudah treatment signifikan t hitung (6.866) > t tabel (9;0.025) adalah 2.262 sehingga Ho ditolak. Jadi penurunan berat badan sebelum dengan sesudah treatment signifikan.

Disamping menggunakan perbandingan t hitung dengan t tabel, anda dapat melakukan perbandingan sig (2-tailed) dengan .

Sig (2-tailed) (0.000) < � (0.025), maka Ho ditolak.

One-Way ANOVA: Analisis Varian Untuk Satu Variabel Independen

(37)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 37 Analisis One-Way ANOVA dapat dilakukan dengan langkah-langkah sebegai berikut :

 Buka file data, folder file pelajaran 2, anova.sav.

 Klik analyze => compare means=> one-way ANOVA pada menu sehingga kotak dialog one-way ANOVA muncul.

Gambar 2.31 Kotak dialog One-Way ANOVA

 Masukkan variabel nilai test pada kotak dependent list dan masukkan variabel lama training pada kotak factor.

 Klik Options dan pilih descriptive dan homogeneity of variance test.

Gambar 2.32 Kotak dialog options

 Klik continue sehingga kembali ke kotak dialog One-Way Anova

 Klik Ok sehingga output SPSS viewer menampilkan hasil sebagai berikut :

(38)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 38 Tabel test of homogeneity of variances menunjukan nilai sig (0.901) > �. Hal tersebut mengidikasikan varian antar kelompok adalah sama.

Hipotesis :

Ho = ketiga kelompok memiliki rata-rata nilai tes yang sama H1 = ketiga kelompok memiliki rata-rata nilai tes yang berbeda

F hitung (6.367) > F tabel (2,162.0.05) adalah 3.052 sehingga Ho ditolak. Jadi ketiga kelompok memiliki rata-rata nilai tes yang berbeda.

Disamping menggunakan perbandingan F hitung dan F tabel, anda dapat melakukan perbandingan sig dengan .

sig (0.002) < � , maka Ho ditolak.

Anda juga dapat melakukan uji khusus untuk membandingkan kelompok tertentu, misalnya apakah ada perbedaan nilai rata-rata. Sebagai contoh, anda membandingkan rata-rata nilai khusus untuk training selama 3 hari dengan 4 hari. Berikut ini langkah-langkahnya

 Pada waktu kotak dialog One-Way ANOVA aktif, klik contrast sehingga kotak dialog one-way ANOVA: contrast muncul.

Gambar 2.33 Kotak dialog one-way ANOVA contrast

 Masukkan nilai -1 pada kotak coefficients untuk pembobot kelompok pertama kemudian klik add. Kelompok kedua nilai 1 dan kelompok ketiga nilai 0. Nilai total pembobotan harus nol.

(39)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

 Klik OK

Tabel contrast coeficients memaparkan nilai kontras yang anda berikan pada masing-masing kelompok.

Tabel contast test terbukti menunjukan nilai sig (0.067) > �. Dengan kata lain, perbedaan rata-rata nilai tes ini untuk training 3 hari dengan 4 hari tidak signifikan.

Anda dapat melakukan pengamatan lebih lanjut mengenai perbedaan nilai rata-rata ketiga kelompok tersebut dengan analisis Post Hoc test. Berikut ini langkah-langkahnya :

 Pada waktu kotak dialog One-Way ANOVA aktif, tekan tombol Post Hoc.

Gambar 2.34 Kotak dialog post hoc multiple comparisons

 Pilih salah satu pilihan dalam equal variances assumed karena ketiga kelompok memiliki varian yang sama. Apabila tes levence menunjukan varian tidak sama maka tes anova tidak dapat anda lakukan. Namun anda tetap dapat mengetahui apakah terjadi perbedaan nilai rata-rata atau tidak dengan menggunakan Post Hoc dengan memiliki salah satu uji dalam equal variance not assumed.

 Pilih LSD. LSD melakukan semua perbandingan di antara pasangan rata-rata kelompok. tidak ada penyesuaian yang dilakukan terhadap tingkat kesalahan untuk berbagai perbandingan.

 Klik continue

(40)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 40 Tabel Post Hoc Test menunjukan bahwa perbedaan rata-rata nilai tes yang signifikan ada pada lama training, 3 hari dan 5 hari (perhatikan tanda asterisk). Nilai sig (0.000) < � sehingga Ho ditolak. Dengan kata lain, kedua kelompok (3 hari dan 5 hari) memiliki rata-rata nilai tes yang berbeda.

Hasil uji LSD menunjukan bahwa perbedaan rata-rata nilai untuk training 3 hari denga 4 hari tidak signifikan dengan nilai sig (0.067). demikian pula yang terjadi untuk training 4 hari dengan 5 hari dengan nilai sig (0.087).

Melihat hasil uji yang telah dilakukan, manajer pemasaran dapat mengambil training dengan waktu 5 hari sebagai lama waktu yang paling efektif.

Korelasi & Regresi

Analisis hubungan antara variabel secara garis besar ada dua, yaitu analisis korelasi dan analisis regresi. Kedua analisis tersebut saling terkait. Analisis korelasi menyatakan derajat keeratan hubungan antarvaribel, sedangkan analisis regresi digunakan dalam peramalan variabel dependen berdasar variabel – variabel independennya.

Korelasi Bivariate

Analisis korelasi bivariate mencari derajat keeratan hubungan dan arah hubungan. Semakin tinggi nilai korelasi, semakin tinggi keeratan hubungan kedau variabel. Nilai korelasi memiliki rentang antara 0 sampai 1 atau 0 sampai -1. Tanda positif dan negative menunjukan arah hubungan. Tanda positif menunjukan arah hubungan searah. Jika satu variabel naik, variabel yang lain naik. Tanda negative menunjukan hubungan berlawanan. Jika satu variabel naik, variabel yang lain malah turun.

Ada 3 macam uji bivariate, yaitu uji pearson yang digunakan untuk mengukur hubungan dengan data terdistribusi normal, sementara uji kendall dan spearman untuk mengukur hubungan berdasarkan urutan ranking dua variabel skala atau ordinal. Uji dilakukan tanpa memandang distribusi variabel.

Contoh, anda melakukan pengamatan terhadap hubungan antara besar tunjangan yang diterima karyawan dengan masa kerjanya pada suatu perusahaan. Anda mengambil sampel secara random. berikut langkah-langkah untuk melakukan analisis korelasi :

 Buka file data, folder file data pelajaran 3, file korelasi.sav.

(41)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 41 Gambar 2.35 Kotak dialog Bivariate correlations

 Masukkan variabel tunjangan gaji dan variabel masa kerja pada kotak variables, pilih person dan spearman pada correlation coefficients

Tabel pearson correlations memaparkan nilai coefisien korelasi sebesar 0.959 antara variabel tunjangan gaji dengan variabel masa kerja. Nilai sig (0.000) < � maka Ho ditolak. Jadi hubungan kedua variabel adalah signifikan.

Formula koofisien korelasi adalah :

r = n ∑ − ∑ ∑

√� ∑ − ∑ √� ∑ − ∑

di mana :

X = variabel tunjangan gaji Y = variabel masa kerja

(42)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 42 Tabel spearman correlations menghasilkan coefisien korelasi (0.975) yang mendekati pearson, uji spearman merupakan uji non-parametrik dimana tidak memerlukan persyaratan data terdistribusi normal. Uji ini menganalisis hubungan dua variabel dengan mengurutkan kedua variabel tersebut kemudian dicari disparitasnya (di ) atau selisih variabel yang telah diurutkan. Formula koefisien korelasi spearman adalah :

��= 1 − _{� − �}6 ∑ ��

Di mana :

�� = disparitas atau selisih variabel X1 dan X2

X1 = variabel tunjagan gaji X2 = variabel masa kerja n = banyaknya pengamatan

Korelasi Partial

Uji partial digunakan untuk menguji hubungan dua variabel dengan mengeluarkan variabel lain (variabel control) yang berpengaruh terhadap korelasi.

Contoh, anda melakukan pengamatan hubungan antara gaji, tunjangan dan lama kerja pada suatu perusahaan. Berikut langkah-langkah analisisnya :

 Buka file, folder file data pelajaran 3, file korelasi parsial.sav.

 Klik Analyze => correlate =partial pada menu sehingga kotak dialog muncul

Gambar 2.36 Kotak dialog partial correaltions

 Anda dapat melakukan 3 macam uji korelasi parsial dengan mengganti secara bergiliran ketiga variabel control. Pertama adalah korelasi variabel gaji – tunjangan gaji dengan variabel control adalah masa kerja. Kedua adalah korelasi variabel gaji – masa kerja dengan variabel control tunjangan gaji. Ketiga adalah korelasi variabel tunjangan gaji – masa kerja dengan variabel control adalah gaji.

(43)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 43 Tabel korelasi variabel gaji – tunjangan gaji dengan variabel control adalah masa kerja yang menunjukan coofisient korelasi yang besar (0.694). nilai sig (0.001) < � , maka Ho ditolak. Jadi hubungan antara kedua variabel dengan variabel control masa kerja adalah signifikan.

Regresi Linear Satu Variabel Independen

Uji regresi digunakan untuk meramalkan satu variabel dependen (Y) berdasar satu variabel independen (X) dalam satu persamaan linear. Pengamatan pasangan variabel X dan Y digambar dengar diagram titik dan kemudian titik-titik tersebut dihubungkan sehingga membentuk pola garis. Pola garis tersebut secara matematis dapat didekati dengan suatu garis lurus atau persamaan linear.

Formula persamaan linear Y = a+bX

Contoh, anda melakukan analisis regresi untuk meramalkan besarnya tunjangan yang diberikan berdasarkan gaji. Berikut ini langkah-langkanya :

 Buka file data, folder file data pelajaran 3, file korelasi parsial.sav.

 Klik analyze => Regression => linear pada menu sehingga kotak dialog linear regression muncul.

Gambar 2.37 Kotak dialog linear regression

 Masukkan variabel gaji pada kotak Independent(s) dan variabel Tunjangan gaji pada kotak dependent.

(44)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 44 Gambar 2.38 Kotak dialog linear regression; statistic

 Klik continue

 Klik options sehingga kotak dialog linear regression:options muncul.pilih use probability of F kemudian masukkan nilai tingkat kepercayaan pada kotak entry.

Gambar 2.39 Kotak dialog linear Regression: Options

 Klik continue

 Klik Ok sehingga Output SPSS menampilkan hasil berikut :

(45)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 45 Tabel model summary menunjukan nilia koefiesien (R) yang menunjukan tingkat hubungan antara variabel (0.974). R Square atau koefisien determinasi memiliki arti 0.948.Tunjangan gaji dapat dijelaskan pada variabel gaji. Adjusted R square sama dengan R square dengan menyesuaikan numerator maupun denumerator dengan derajat kebebasan masing-masing. Std. error of the estimate mengukur disperse titik-titik pasangan X dan Y dari garis duga regresi.

Tabel ANOVA memaparkan uji kelinearan Hipotesis :

Ho = model linear antara variabel gaji dengan variabel tunjangan gaji tidak signifikan.

H1 = model linear antara variabel gaji dengan variabel tunjangan gaji signifikan.

F hitung (327.262) > F tabel (1;18;0.05) adalah 4.414 sehingga Ho ditolak. Jadi model linear antara variabel gaji dengan variabel tunjagan gaji signifikan. Disamping menggunakan perbandingan F hitung dan F tabel, anda dapat melakukan perbandingan Sig dengan �.

Sig (0.000) < , maka Ho ditolak.

Tabel coefisien memaparkan nilai konstanta a dan b dari persamaan linaer : Y = -614.019 + 0.655 X.

Hipotesis : uji koefisien a

Ho = Koefisien a tidak signifikan H1 = Koefisien a signifikan

t hitung mutlak (10.082) > t tabel (18;0.05) adalah 1.734, maka Ho ditolak, koefisien a signifikan.

(46)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 46 Hipotesis Uji Koefisien b

Ho = Koefisien b tidak signifikan H1 = Koefisien b signifikann

t hitung mutlak (18.090) > t tabel (18;0.05) adalah 1.734 maka Ho ditolak, koefisien b signifikan.

Regresi Linear Dengan Dua atau Lebih Variabel Independen

Uji Regresi Linear Dengan Dua atau Lebih Variabel Independen digunakan untuk meramalkan suatu variabel dependen Y berdasarkan dua atau lebih variabel independen (X1, X2 dan X3) dalam suatu persamaan linear.

Y = a + b1 X1 + b2 X2 + b3 X3 Dimana :

Y = variabel dependent

X1 , X2 dan X3 = variabel independen

a = konstanta atau perpotongan garis pada sumbu X1 b1 , b2 , dan b3 = Koefisien regresi

pada regresi ini ada beberapa uji yang harus dilakukan disamping uji koefisien dan uji kelinearan. Uji tersebut adalah uji autokorelasi dan uji kolinearitas. uji autokorelasi dilakukan dengan pengujian Durbin Watson (DW) sebagai berikut :  165 < DW < 2.35 tidak terjadi autokorelasi

 1.21 < DW < 1.65 atau 2.35 < DW < 2.79 tidak dapat disimpulkan  DW < 1.21 atau DW > 2.79 terjadi autokorelasi

Sedangkan uji kolinearitas adalah uji apakah terjadi korelasi yang kuat antara variabel-variabel independenya. Cara pengujiannya adalah sebagai berikut :  Nilai korelasi dua variabel independen tersebut mendekati satu.

 Nilai korelasi parsial akan mendekati nol.

Apabila terjadi kolinearitas maka variabel yang dimasukkan dalam persamaan linear hanya variabel independen yang memiliki korelasi parsial yang tinggi.

Contoh, anda melakukan peramalan atas besarnya jumlah penjualan berdasarkan variabel promosi (X1), jumlah sales (X2) dan harga produk (X3) pada departemen pemasaran suatu perusahaan. Langkah-langkahnya Sbb :

 Buka file data, folder file pelajaran 3, file regresi dua variabelt. Sav.

 Klik analyze => Regression => Linear pada menu sehingga kotak dialog linear regression muncul.

 Masukkan variabel promosi, penjual, dan harga pada kotak Independent(s) dan variabel penjualan pada kotak dependent. Pada method, pilih stepwise.

 Klik tombol statistics sehingga kotak dialog linear regression: satatistic muncul pilih estimates, model fit dan Durbin- Watson (lihat gambar 2.38)

 Klik continue

 Klik options sehingga kotak dialog linear regression : options muncul. Pilih use probability of F kemudian masukkan nilai tingkat kepercayaan pada kotak entry.

 Klik continue

(47)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 47 Tabel variabel entered removed menunjukan metode regresi linearyang dipilih, yaitu, stepwise. Metode stepwise memasukkan satu persatu variabel independen untuk dianalisis. Hanya ada dua dari tiga variabel independen yang dimasukkan dalam model, yaitu variabel jumlah penjual dan variabel harga. Variabel promosi dikeluarkan dari model.

(48)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 48 Tabel ANOVA memaparkan uji kelinearan.

Hipotesis : Model 1

Ho = Model linear antar variabel penjualan dengan variabel jumlah penjual tidak signifikan.

H1 = Model linear antar variabel penjualan dengan variabel jumlah penjual signifikan.

F hitung (346.122) > F tabel (1;13;0.05) adalah 4.667, sehingga Ho ditolak, jadi model linear antara variabel penjualan dengan variabel jumlah penjual signifikan.

sig (0.000) < � sehingga Ho ditolak. Hipotesi : model 2

Ho = Model linear antar variabel penjualan dengan variabel jumlah penjual dan harga tidak signifikan.

H1 = Model linear antar variabel penjualan dengan variabel jumlah penjual dan harga signifikan.

F hitung (420.897) > F tabel (2;13;0.05) adalah 3.885, sehingga Ho ditolak, jadi model linear antara variabel penjualan dengan variabel jumlah penjual dan harga signifikan.

sig (0.000) < � sehingga Ho ditolak.

Model 2 digunakan karena mencakup variabel independen yang lebih banyak disbanding model 1.

Tabel coefficient memaparkan nilai konstanta a dan koefisien b dari persamaan linear Y = 79.006 + 11.116 b2 – 0.493 b3

Hipotesis uji koefisien a

Ho = koefisien a tidak signifikan H1 = koefisien a signifikan

t hitung mutlak (6.194) > t tabel (17;0.05) adalah 1.740, sehingga Ho ditolak. Koefisien a signifikan.

Disamping menggunakan perbandingan t hitung dan t tabel, anda dapat melakukan perbandingan sig dengan . sig (0.000) < � sehingga Ho ditolak. Hipotesis uji koefisien b

Ho = koefisien b tidak signifikan H1 = koefisien b signifikan

(49)

SEKOLAH TINGGI TEKNIK IBNU SINA BATAM

Modul

Lab Teknik Industri STT Ibnu Sina Batam Page 49 Tabel excluded variabels memaparkan variabel independen yang dilekuarkan dari model. Pada model 1, yang dilekuarkan adalah variabel promo