CARA UJI REGRESI ORDINAL DENGAN SPSS

Contoh kasus : Seorang dosen ingin mengetahui hubungan antara gender dan minat belajar di sebuah universitasnya. Variabel independen terdiri dari gender dan nilai prestasi sedangkan variabel dependen (Y) adalah minat belajar yang diukur dalam 3 tingkatan yaitu rendah, sedang dan tinggi.

 

Langkah-langkah analisis regresi ordinal dengan SPSS :

1. Analyze >> Regression >> Ordinal

2. Masukan variabel Minat belajar ke kotak Dependent, Gender ke kotak Factor(s) dan Nilai prestasi ke Covariate.

Menu Regresi Ordinal

3. Pilih Option. Kita pilih Link logit. Klik Continue.

Ordinal Regression  Option

 4. Pilih Output dan tik kotak Predicted category, Estimated response probabilities dan Test of parallel lines. Klik Continue. 

Ordinal Regression Output

5. Klik OK

Hasil Output seperti di bawah ini.

Model Fitting Information

 Pada Model Fitting Information -2log Likelihood menerangkan bahwa tanpa memasukkan variabel independen (intercept only) nilainya 522.977. Namun dengan memasukkan variabel independen ke model (final) terjadi penurunan nilai menjadi 505.167. Perubahan nilai ini merupakan nilai chi-square yaitu 17,808 dan signifikan pada taraf nyata 5% (sig.0.00).

Goodness of fit

Tabel Goodness of Fit menunjukkan uji kesesuaian model dengan data. Nilai Pearson sebesar 317,892 dengan signifikansi 0,991 (> 0,05) dan Deviance sebesar 350,797 dengan signikansi 0,856 (> 0,05). Hal ini berarti model sesuai dengan data empiris atau model layak digunakan.

Pseudo R-Square

Tabel Pseudo R-Square menunjukkan bahwa seberapa besar variabel bebas (gender dan nilai prestasi) mampu menjelaskan variabel independen (minat belajar). Nilai ini seperti halnya koefesien determinasi pada regresi. Nilai Cox and Snell sebesar 0,044 (4,4%) dan Nagelkerke sebesar 0,052 (5,2%).

 

Parameter Estimates

Tabel Parameter Estimate di atas, perhatikan nilai Wald dan nilai signifikansinya. Variabel nilai prestasi sebesar 6.177 dengan sig. 0,013 (< 0,05) dan variabel gender sebesar 9,163 dengan sig.0,02 (< 0,05). Hal ini menunjukkan faktor nilai prestasi dan gender berpengaruh terhadap minat belajar.

Test of Parallel Lines

Tabel Test of Parallel Lines digunakan untuk menguji asumsi bahwa setiap kategori memiliki parameter yang sama atau hubungan antara variabel independen dengan logit adalah sama untuk semua persamaan logit. Oleh karena nilai signifikansi 0,648 (> 0,05), maka terima H0 bahwa model yang dihasilkan memiliki parameter yang sama sehingga pemilihan link function adalah sesuai. Namun sebaliknya bila asumsi ini tidak terpenuhi, maka pemilihan link function logit tidak tepat.

Baca juga :

1. Regresi Ordinal

2. Regresi Berganda

3. Regresi Logistik

Referensi :

Agresti,A. (2010). Analysis Of Ordinal Categorical Data 2nd. New Jersey: A John Wiley & Sons.Inc Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications. 

Ghozali .I. (2013). Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro 

Hair,J.F,.Black,W.C.,Babin,B.J.,and Anderson,R.E.(2009).Multivariate Data Analysis 7th Edition.Prentice Hall.

O'Conell,A.A. (2006).Logistic Regression Models for Ordinal Response Variables.London: Sage Publications. 

Yamin,S dan Kurniawan,H. (2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS.Jakarta : Salemba Infotek

Langkah Analisis Faktor Dengan SPSS

 

 

Dalam analisis faktor ini kita menggunakan contoh kasus peningkatan pelayanan sebuah swalayan. Seorang manajer swalayan ingin mengetahui variabel-variabel apa yang dominan dipersepsikan oleh konsumen. Variabel-variabel tersebut kemudian dibuat kuesioner dan disebarkan pada pengunjung swalayan sebanyak 100 orang sebagai sampel. Variabel pertanyaan tersebut meliputi : kenyamanan, lokasi toko, kualitas produk, harga produk, tempat parkir, kebersihan, pelayanan kasir, keberagaman produk dan fasilitas, keindahan interior ruangan. Data dapat didownload SINI

Langkah Analisis Faktor

Langkah-langkah Analisis Faktor dengan SPSS :

1. Dari menu SPSS Klik Analyze >> Dimension Reduction >> Factor
2. Masukkan Semua variabel kuesioner ke dalam kotak variable (s)
3. Klik Descriptive, Klik KMO Bartletts test of Sphericity dan anti Image
4. Klik Initial Solution

Hasil Output sebagai berikut :

Tabel KMO and Bartlet's Test

Pada tabel KMO dan bartlett's test di atas terlihat angka KMO Measure of sampling Adequacy (MSA) adalah 0.568. Karena nilai 0.568 ('> 0.5). Hal ini menunjukkan kecukupan dari sampel. Angka KMO dan Bartlet's test (yang tanpak pada nilai chi-square) sebesar 574,473 dengan nilai signifikansi 0.000. hal ini menunjukkan bahwa adanya korelasi antar variabel dan layak untuk proses lebih lanjut.

Selanjutnya untuk mengetahui variabel mana yang dapat diproses lebih lanjut dan mana yang dikeluarkan dapat dilihat pada tabel Anti-image matrices di bawah ini.

Tabel Anti -image Matrices

Pada tabel Anti-image Matrice di atas, khusus pada bagian (anti Image Correlation) terlihat angka yang bertanda (a) yang menandakan besaran MSA sebuah variabel. Variabel kenyamanan 0.736, lokasi toko 0.659, Kualitas produk 0.569), harga produk 0.569, tempat parkir 0.520, kebersihan 0.652, pelayanan kasir 0.564, keberagaman produk 0.581, fasilitas 0.811 dan keindahan interior 0.517. Nilai MSA masing-masing variabel besarnya > 0.5 maka semua variabel dapat diproses lebih lanjut.

NB. Jika ada variabel yang nilai MSA < 0.5 maka dilakukan proses ulang dari awal dengan mengeluarkan variabel tersebut yang nilai MSA < 0.5.

Langkah analisis selanjutnya : 

1. Dari menu SPSS, buka kembali analisis factor
2. Tekan tombol reset
3. Masukan semua variabel ke dalam kolom variables(s) karena semua variabel lolos uji pertama.
4. Klik tombol Descriptive, Klik Initial solution, KMO and Bartlett's test of Sphericity, anti Image dan Klik Continue.
5. Klik Extraction, Klik screee plot, Klik continue
6. Klik Scores, Kkik save as variable Pilih regression.
7. Klik Continue dan klik OK.

Tabel. Communalities

Tabel Communalities, variabel kenyamanan besarnya 0,551. Hal ini berarti sekitar 55,1% varians dari variabel kenyamanan dapat dijelaskan oleh faktor yang terbentuk. Variabel lokasi toko 0,483 hal ini berarti 48,3% varian dari variabel lokasi toko dapat dijelaskan oleh faktor yang terbentuk. Demikian juga untuk variabel yang lain. Semakin kecil nilai communalities berarti semakin lemah hubungannya dengan faktor yang terbentuk.

Tabel. Total Variance Explained

 Pada tabel Total Variance Explained di atas menunjukkan ada 4 faktor yang terbentuk dari 10 variabel yang di masukkan. Masing-masing faktor eigenvalue > 1. Faktor 1 eigen value sebesar 2,938 dengan variance (29,382%), Faktor 2 eigenvalue sebesar 2,024 dengan variance (20,237%), Faktor 3 eigenvalue sebesar 1,193 dengan (11,933%) dan Faktor 4 eigenvalue sebesar 1,142 dengan variance (11,422%).

Nilai eigenvalue menggambarkan kepentingan relatif masing-masing faktor dalam menghitung varians dari 10 variabel yang di analisis. Bila semua variabel dijumlahkan bernilai 10 (sama dengan banyaknya variabel).

2,938/10 x 100% = 29,38%

2,024/10 x 100% = 20,24%

1,193/10 x 100% = 11,93%

1,142/10 x 100% = 11,42%

Total varians apabila dari 10 variabel diekstrak menjadi 4 faktor adalah :

29,382 % + 20,237% + 11,933 % + 11,422% = 72,974%

Besarnya varians yang mampu dijelaskan oleh faktor baru yang terbentuk adalah 72,974% sedangkan sisanya 27,026% dijelaskan oleh faktor lain yang tidak diteliti.

Grafik Scree Plot

Gambar Screeplot menerangkan hubungan antara banyaknya faktor yang terbentuk dengan nilai eigenvalue dalam bentuk grafik.

Tabel. Rotated Component Matrix

Rotated Component matrix nilai loading faktor dari tiap-tiap variabel. Loading faktor merupakan besarnya korelasi antara faktor yang terbentuk dengan variabel tersebut. Untuk variabel kenyamanan, korelasi antara variabel kenyamanan dengan faktor 1 (0,173), faktor 2 (0,156), faktor 3 (-0,134), faktor 4 (0,692). Hal ini dapat dikatakan bahwa variabel kenyamanan masuk ke dalam Faktor 4, karena korelasinya paling tinggi diantara faktor yang lain. Demikian juga faktor loading untuk variabel yang lain.

Variabel lokasi toko nilai loading faktor dengan faktor 1 (0,265), faktor 2 (0,266), faktor 3 (0,170), faktor 4 (0,560). Maka variabel lokasi toko masuk ke Faktor 4.

Variabel kualitas produk nilai loading faktor dengan faktor 1 (0,161), faktor 2 (0,942), faktor 3 (-0,940), faktor 4 (0,40). Maka variabel kualitas produk masuk Faktor 2.

Variabel harga produk nilai loading faktor dengan faktor 1 (0,952), faktor 2 (0,163), faktor 3 (0,021), faktor 4 (0,081). Maka variabel harga produk masuk Faktor 1.

Variabel tempat parkir nilai loading faktor dengan faktor 1 (-0,088), faktor 2 (-0,110), faktor 3 (0,936), faktor 4 (0,081). Maka variabel tempat parkir masuk ke Faktor 3.

Variabel kebersihan nilai loading faktor dengan faktor 1 (0,233), faktor 2 (0,055), faktor 3 (0,413), faktor 4 (-0,110). Maka variabel kebersihan masuk Faktor 3.

Variabel pelayanan kasir nilai loading faktor dengan faktor 1 (0,166), faktor 2 (0,953), faktor 3 (-0,41), faktor 4 (-0,078). Maka variabel pelayanan kasir masuk ke Faktor 2.

Variabel keberagaman produk nlai loading faktor dengan faktor 1 (0,948), faktor 2 (0,176), faktor 3 (0,035), faktor 4 (0,036). Maka variabel keberagaman produk masuk Faktor 1.

Variabel fasilitas faktor nlai loading dengan faktor 1 (0,210), faktor 2 (0,206), dengan faktor 3 (-0,023) dan faktor 4 (0,643). Maka variabel fasilitas masuk ke Faktor 1.

Variabel keindahan interior nilai loading faktor dengan faktor 1 (0,948), faktor 2 (0,176), faktor 3 (0,035), faktor 4 (0,078). Maka variabel keindahan interior masuk Faktor 1.

Tabel. Component Transformation Matrix

Tabel Component Transformation matrix, menunjukan hasil rotasi varimax. Variabel-variabel sudah terditribusikan ke masing-masing faktor yaitu 4 faktor yang terbentuk.

Setelah dilakukan rotasi dan terbentuk 4 faktor, selanjutnya memberi nama faktor tersebut. Penamaan faktor ini tergantung peneliti dan dapat mewakili variabel-variabelnya.

1. Faktor 1 terdiri dari variabel harga produk, keberagaman produk dan fasilitas. Diberinama Faktor Produk dan Fasilitas.
2. Faktor 2 terdiri dari variabel kualitas produk dan pelayanan kasir. Diberinama Faktor Kualitas dan Pelayanan.
3. Faktor 3 terdiri dari variabel kebersihan dan keindahan interior. Diberinama Faktor Kebersihan.
4. Faktor 4 terdiri dari variabel kenyamanan dan variabel lokasi toko. Diberinama Faktor Akses.

Baca juga :

1. Analisis Faktor

2. Analisis Cluster

3. Analisis Conjoint

Catatan.

Analisis faktor dapat juga digunakan sebagai salah satu analisis untuk menanggulangi masalah multikolinieritas dalam regresi berganda, yaitu dengan mereduksi variabel-variabel independen yang mengalami problem multikolineritas.

 

Referensi :

Field, A. (2009). Discovering Statistics Using SPSS 3rd. London : Sage Publications.

Gudono.(2012).Analisis Data Multivariat.Yogyakarta: BPFE.

Tabanick,B.G and Fidel,L.S.(2007).Using Multivariate Statistics 5th.New York: Pearson Education

Yamin, S dan Kurniawan, H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek.

Langkah Analisis Regresi Logistik

 

 

Setelah mengetahui dan memahami bagaimana Analisis Regresi Logisitik digunakan, kali ini akan dilakukan langkah analisis regresi logistik dengan SPSS. Contoh kasus sebagai berikut : Pemberian ASI Eksklusif dapat dipengaruhi oleh Pengetahuan ibu dan status pekerjaan. Pemberian ASI Eksklusif sebagai variabel dependen (Y) Jika diberikan ASI eksklusif (1) tidak diberi/bukan ASI eksklusif (0), variabel independen : Status pekerjaan (X1) dan pengetahuan ibu (X2). Peneliti ingin mengetahui pengaruh status pekerjaan dan pengetahuan ibu terhadap pemberian ASI Eksklusif. Data selengkapnya sebagai berikut :

Data Sampel Regresi Logistik

Langkah analisis Regresi logistik dengan SPSS

1. Klik Analyze >> Regression >> Binary Logistic
2. Masukkan variabel ASI Eksklusif (Y) ke dalam kolom Dependent
3. Masukkan variabel X1 dan X2 ke dalam kolom Covariate
4. Masukkan X1 ke dalam Categorical Covariate, klik Continue
5. Pilih Enter pada kolom Method
6. Klik Option, klik Classification plot dan Hosmer-Lemeshow goodness of fit, Casewise listing residuals, and All case.
7. Klik OK

Hasil output regresi logistik

Case Processing Summary

 

Output Case Processing Summary menjelaskan bahwa seluruh kasus atau case ternyata teramati semua sebanyak 40 sampel, artinya tidak ada sampel yang hilang/missing.

Koding Variabel Dependen

 

Output di atas menggambarkan hasil proses inputdata yang digunakan pada varoiabel depeden yaitu Bukan ASI Eksklusif kode : 0 dan ASI Eksklusif kode : 1.

Tabel Categorical Variables Coding

 

Output di atas menjelaskan proses pengkodean yang digunakan untuk variabel independen (X1) saja, karena variabel ini adalah variabel kategori. Dapat juga dilihat yang menjadi perhatian kita adalah responden dengan status tidak bekerja (angka 1 yang diberi tanda kurung).

Tabel. Classification

Tabel. Variabel in the Equation

Tabel. Variable not in the Equation

Output di atas merupakan Blok 0 atau blok permulaan adalah proses inisialisasi artinya variabel X1 dan X2 belum dimasukkan ke dalam model penelitian. Dengan kata lain, model ini adalah model persamaan logistik yang hanya menggunakan konstanta saja untuk memprediksi rresponden masuk ke dalam kategori ASi Eksklusif atau bukan ASI Eksklusif.

Dari nilai signifikansi, diketahui konstanta yang dihasilkan adalah 0.118 ('> 0.05), hal ini berarti bahwa dengan menggunakan model persamaan sederhana (hanya konstanta saja) belum mampu memberikan penjelasan proporsi pemberianASI Eksklusif. Selanjutnya dapat dilihat pada output Blok 1.

Tabel,. Uji R-Square Cox & Snell, dan Nagelkerke

Dari tabel di atas, dapat dilihat bahwa model dengan memasukkan dua variabel independen ternyata telah terjadi perubahan dalam penaksiran parameter (-2 Log likelihood) sebesar 31.772. Jika dilihat nilai R-square sebesar 0.411 atau 41.1% (Cox & Snell) dan 0.56 atau 56% (Nagekerke). Dengan demikian dapat ditafsirkan bahwa dengan dua variabel, yaitu X1 dan X2 maka proporsi pemberian ASI Eksklusif yang dapat dijelaskan sebesar 56%. Tetapi perlu diingat bahwa interpretasi ini hanya nilai pendekatan saja seperti dalam koefisien determinasi (regresi linier biasa).

Tabel. Uji Chi square dari Hosmer and Lemeshow test

 

Tabel di atas merupakan uji chi-square dari Hosmer and Lemeshow test. Namun dalam penerapannya telah dilakukan modifikasi. Hipotesisnya adalah :

• H0 = Model telah cukup menjelaskan data (Goodness of fit)
• H1 = Model tidak cukup menjelaskan data

Kriteria uji :
Jika nilai p-value signifikansi ( '> 0.05) maka terima H0
Hasil uji chi-square yang dihasilkan memiliki nilai p-signifikansi sebesar 0.09 ( '> 0.05) maka terima H0. Jadi kesimulanya bahwa model telah cukup menjelaskan data (goodness of fit).

Tabel. Nilai Koefisien (B), Wald dan Exp (B)

Kriteria uji :
Tolak hipotesis nol (H0) jika nilai p-value signifikansi '< 0.05
Dari tabel di atas merupakan tabel utama dari analisis data dengan menggunakan regresi logistik. Nilai p-value signifikansi variabel status pekerjaan sebesar 0.034 '< 0.05 maka tolak H0. Dapat disimpulkan bahwa terdapat pengaruh yang signifikan status pekerjaan terhadap pemberian ASI eksklusif dengan nilai koefisien pengaruh  sebesar 2.090.
Nilai p-value signifikansi variabel pengetahuan sebesar 0.038 '< 0.05 maka tolak H0 yang membuktikan bahwa terdapat pengaruh yang signifikan pengetahuan ibu terhadap emberian ASI Eksklusif dengan nilai koefisien pengaruh sebesar 0.893.
Model persamaan regresi logistik.

Persamaan Regresi Logistik

Hasil persamaan regresi logistik di atas tidak bisa langsung diinterpretasikan dari nilai koefisienya seperti regresi liner biasa. Interpretasi dapat dilakukan dengan melihat nilai dari exp(B) atau nilai eksponen dari koefisien persamaan regresi yang terbentuk.

Dari exp(B1) dapat dilihat bahwa status tidak bekerja mempunyai kesempatan memberikan ASI Eksklusif 8.088 kali lebih dibandingkan dengan responden yang berstatus bekerja.

Nilai exp(B2) sebesar 2.443 artinya bahwa peningkatan pengetahuan sebesar 1 akan ada perubahan sebesar 2.443 pada pemberian ASI eksklusif. Dengan demikian bahwa jika ada peningkatan pengetahuan ibu dari rendah ke tinggi akan meningkatkan probabilitas memberikan ASI Eksklusif sebesar 2.443 kali.

Baca juga :

1. Regresi Logistik

2. Analisis Jalur

3. Analisis Regresi Ordinal

Referensi :

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Hair,J.F,.Black,W.C.,Babin,B.J.,and Anderson,R.E.(2009). Multivariate Data Analysis 7th Edition.Prentice Hall 

Tabanick,B.G and Fidel,L.S.(2007).Using Multivariate Statistics 5th.New York: Pearson Education

Yamin,S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Sofware SPSS.Jakarta : Salemba Infotek

Uji Park Untuk Uji Asumsi Klasik Heterokedastisitas

Dalam asumsi klasik untuk menguji apakah terjadi pelanggaran terhadap heterokedastisitas dapat dilakukan dengan UJI PARK. Uji ini dikembangkan oleh Park pada tahun 1966, pengujian dilakukan dengan meregresikan nilai log residual kuadrat sebagai variabel dependen dengan variabel independennya. 

 

 

Perhatikan formula di bawah ini :

Rumus Uji Park

Dimana :
ln (resid2) = nilai residual kuadrat yang ditransformasikan ke dalam log natural (sebagai variabel dependen)
B0 = konstanta
B1X1 = Koefisien regresi dari variabel X1
B2X2 = Koefisien regresi dari variabel X2
e = eror term

Langkah analisis dengan SPSS :

1. Lakukan analisis regresi seperti biasa, masukan variabel Y ke kolom dependen dan variabel X1 dan X2 ke kolom Independen.
2. Pilih Save,kemudian centang (tik) residuals unstandardized, terus OK
3. Sekarang nilai residual sudah tersimpan
4. Hitung nilai residual kuadrat lalu ditransformasikan kebentuk log natural. Nah sekarang sudah terbentuk variabel baru ln (resid2).
5. Lakukan analisis regresi, sekarang masukan variabel ln (resid2) ke kolom dependen sedangkan variabel X1 dan X2 ke kolom independen.

Kriteria uji : pada uji t, jika nilai signifikan pada variabel independen (X1 dan X2) tidak signifikan berarti tidak terjadi pelanggaran heterokedastisitas.

Hasil Uji

Hasil Uji Park

Hasil output uji Park di  atas, terlihat pada tabel uji t, nilai signifikansi masing-masing variabel X1 dan X2 (0.830) dan X2 (0.725) tidak signifikan atau > 0.05. Hal ini menunjukan bahwa dalam model regresi tidak terjadi pelanggaran terhadap heterokedastisitas.

Baca juga :

1. Uji Asumsi Klasik Heterokedastisitas

2. Uji Asumsi Klasik Autokorelasi

3. Regresi Berganda

Referensi :

Elliot,A.c and Woodward,W.A.(2007).Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Hair,J.F,.Black,W.C.,Babin,B.J and Anderson,R.E. (2009). Multivariate Data Analysis 7th Edition.Prentice Hall

Imam Ghozali. (2012). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro.

Uji Asumsi Klasik Heterokedastisitas dengan Metode Grafik

Dalam analisis Regresi Berganda, salah satu uji asumsi klasik adalah uji Heterokedastisitas. Uji ini bertujuan untuk menguji apakah model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan kepengamtan lain tetap maka disebut homokedastisitas. atau tidak terjadi heterokedastisitas. Salah satu cara untuk menguji ada tidaknya heterokedastisitas yaitu dengan menggunakan grafik.

 

 

Pelanggaran terjadinya heterokedastisitas mengakibatkan estimasi kuadrat eror terkecil tidak mempunyai varian yang minimum (tidak Best), sehingga hanya memenuhi karakteristik LUE (Linier Unbiased Estimator). Meskipun estimator kuadrat terkecil masih bersifat linier dan tidak bias.

Langkah analisis dengan SPSS, anda harus melakukan langkah analisis regresi terlebih dahulu. Hasil uji terlihat pada output di bawah ini.

Pada grafik scatter plot di atas adalah uji heterokedastisitas. Jika pola tertentu, seperti titik-titik yang membentuk pola teratur (bergelombang, melebar, kemudian menyempit) maka mengindikasikan telah terjadi heterokedastisitas. Tetapi jika tidak ada pola yang serta titik-titik menyebar dari atas dan bawah angka 0 pada sumbu Y, maka tidak terjadi pelanggaran. Penafsiran metode grafik perlu kehati-hatian, namun perlu diuji dengan metode lain. Ada alternatif : uji Park, Glejser, White, Goldfelt-Quandt, Breusch Pagan Godfrey dan uji Korelasi Spearman.

Baca Juga :

1. Regresi Berganda

2. Uji Asumsi Klasik Uji Park

3. Uji Asumsi Klasik Heterokedastisitas

4. Uji Asumsi Klasik Autokorelasi

Referensi :

Elliot,A.c and Woodward,W.A.(2007).Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Hair,J.F,.Black,W.C.,Babin,B.J and Anderson,R.E. (2009). Multivariate Data Analysis 7th Edition.Prentice Hall

Imam Ghozali. (2012). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro.

Uji Tanda (Sign Test)

Uji Ttanda (Sign Test) sama halnya dengan uji WilCoxon yaitu untuk membandingkan dua kelompok sampel data yang saling berhubungan. Uji tanda menghitung 2 kelompok data untuk semua sampel dan diklasifikasikan menjadi perbedaan positif dan negatif tidak berbeda secara signifikan. 

 

 

Uji Tanda dilambangkan dengan khai-kuadrat (). Formula uji Tanda :

Dimana : = Hasil perhitungan, = jumlah selisih positif,  = jumlah selisih negatif.

Contoh kasus

Dari 15 orang siswa TK diminta untuk menyusun urutan angka dari terkecil sampai yang terbesar. Skor dihitung dari benarnya susunan. Pada hari berikutnya siswa tersebut diminta kembali untuk menyusun angka tersebut dengan diiringi musik. Data sebagai berikut :

Data skor urut angka

Langkah-langkah analisis :

1. Klik Analyze>Nonparametric Test>2 Related Samples
2. Masukkan kedua variable ke kolom Test Pair List,Pilih Sign
3. Klik Continue, kemudian OK

Hasil Output SPSS

Hasil uji Sign

Dari nilai test statistcs di atas nilai signifikansi sebesar 0.013 (<0.05) maka tolak hipotesis nol (H0). Jadi kesimpulannya, terdapat perbedaan skor yang signifikan terhadap perlakuan tanpa musik dan dengan musik.

Baca juga :

1. Uji Kruskall Wallis

2. Uji McNemar

3. Uji Friedman

Referensi :

Elliot,A.C and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Ho, Robert. (2006). Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS.London New York: Chapman & Hall CRC

Landau,S and Everits,B.S. (2004).A Handbook of Statistical Analysis Using SPSS. London New York Washington: CRC Press LLC

Muijs,D. (2004). Doing Quantitative research In Education. London California: Sage Publications

Yamin,S dan Kurniawan,H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek

UJI RUNS TEST

Analisis Runs Test termasuk dalam statistik nonparametrik. Uji ini digunakan untuk menguji pada kasus satu sampel. Sampel yang diambil dari populasi, apakah sampel yang diambil berasal dari sampel acak atau bukan . Pengujian ini untuk kasus satu sampel. Prosedur pengujian dilakukan dengan mengurutkan data sampel dan mencari letak nilai mediannya. 

 

 

Contoh kasus

Nilai ujian 30 siswa diambil dari populasi. Apakah pengambilan sampel ini bersifat acak? Data sebagai berikut :

Data Nilai Ujian

Langkah-langkah :

1. Klik Analyze>Nonparametric>Runs
2. Masukkan variabel Nilai ujian ke dalam Variable (s) dan klik Mode
3. Klik OK

Hipotesis
H0 = Nilai ujian siswa bersiswa acak
H1 = Nilai ujian siswa bersifat tidak acak

Kriteria uji
Tolak Hipotesis nol (H0) bilai bilai asymtotic significant value uji Run Test < 0.05

Hasil Output SPSS 

Hasil Runs Test

Pada hasil output SPSS tersebut di atas menunjukkan nilai asymtotic significant uji Runs test sebesar 0.320 (> 0.05), maka hipotesis nol (H0) diterima yang berarti bahwa nilai ujian siswa bersifat acak.

Baca juga :

1. Uji sign test

2. Uji Q Qochran

3. Uji Wilcoxon

Referensi :

Elliot,A.C and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Ho, Robert. (2006). Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS.London New York: Chapman & Hall CRC

Landau,S and Everits,B.S. (2004).A Handbook of Statistical Analysis Using SPSS. London New York Washington: CRC Press LLC

Muijs,D. (2004). Doing Quantitative research In Education. London California: Sage Publications

Yamin,S dan Kurniawan,H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek

Uji Q Cochran

Uji Q-Cochran termasuk pengujian statistik nonparametrik yang digunakan untuk peristiwa atau perlakuan lebih dari dua. Uji ini merupakan perluasan dari uji McNemar. Data yang digunakan berbentuk binary (dikotomis). Perlakuan lebih dari dua yang dimaksud adalah sebelum, ketika dan sesudah perlakuan. Sampel diperoleh dari data yang saling berhubungan.

Formula uji Q Cochran :

Rumus Q Cochran

 

Dimana :  Q = Nilai hasil perhitungan, k = jumlah kolom, = jumlah keseluruhan dalam kolom,  = jumlah keseluruhan dalam baris

Contoh kasus.

Peneliti sosial politik ingin mengetahui apakah terdapat perubahan preferensi pemilih terhadap calon Bupati A. Survei dilakukan sebelum kampanye, ketika kampanye dan sesudah kampanye. Data Yang diperoleh sebagai berikut :

Data Input

 Dari data yang diperoleh, jawaban responden : 1 = pilihan calon Bupati A, 0 = Tidak calon Bupati A

Hipotesis :

• H0 = Tidak terdapat perubahan preferensi pemilih terhadap calon bupati A sebelum, ketika dan sesudah kampanye
• H1= Terdapat perubahan preferensi pemilih terhadap calon bupati A sebelum, ketika dan sesudah kampanye.

Kriteria Uji :
Tolak hipotesis nol (H0) jika nilai signifikansi p-value (<0.05)
Langkah-langkah analisis :

Langkah K Related Sample

1. Klik Analyze>Nonparametric>K Related Sampel
2. Masukkan variabel sebelum, ketika dan sesudah ke kolom Test Variable
3. Pilih Q-Cochran, kemudian OK 

 

Langkah Q Cochran

Hasil Output Uji Q Cochran 

Ada 2 output yang dikeluarkan dari hasil uji Q-Cochran yaitu tabel frekuensi yang mana tabel frekuensi memberikan deskripsi terhadap nilai yang diperoleh dari responden pada masing-masing variabel sebelum, ketika dan sesudah kampanye dilakukan dan tabel tes Cochran Q yang memberikan nilai uji statistik dan signifikansinya.

Frequencies

Tabel frekuensi di atas menunjukan bahwa frekuesni responden pada hasil survei terhadap pemilihan Calon Bupati A. Responden yang tidak memilih calon Bupati A sebelum kampanye sebanyak 14 responden sedangkan yang memilih sebanyak 6 responden. Pada masa ketika kampanye, yang memilih calon Bupati A sebanyak 7 responden dan yang tidak memilih sebanyak 13 responden. Sesudah kampanye dilakukan, responden yang tidak memilih calon Bupati A sebanyak 7 responden dan yang memilih sebanyak 13 responden. 

Test Statistics

Dari pengujian tes Q-Cochran di atas memperolh nilai sebesar 5.375 dengan signifikansi sebesar 0.068. Karena nilai signifikansi sebesar 0.068 > 0.05 maka tolak hipotesis nol yang menyatakan bahwa "Tidak ada perubahan preferensi pemilih terhadap calon Bupati A antara sebelum, ketika dan sesudah kampanye".

Baca juga :

1. Uji Runtest

2. Uji Sign test

3. Uji Wilcoxon 

Referensi :

Elliot,A.C and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Ho, Robert. (2006). Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS.London New York: Chapman & Hall CRC

Landau,S and Everits,B.S. (2004).A Handbook of Statistical Analysis Using SPSS. London New York Washington: CRC Press LLC

Muijs,D. (2004). Doing Quantitative research In Education. London California: Sage Publications

Yamin,S dan Kurniawan,H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek