INPUT DATA DENGAN SPSS

Setelah memberikan dasar-dasar pendefinisian variabel untuk input data pada SPSS , pada bagian ini kita akan menggunakan data contoh untuk mempraktekkannya. Untuk memahami bagian ini, silakan baca dua bagian tulisan sebelumnya.
Sebagai latihan, misalnya kita akan menginput data hasil penelitian terdapat 18 responden penelitian sebagai berikut:




Pada contoh data latihan diatas, kita punya lima variabel (data) yang akan diinput yaitu nama responden, jenis kelamin, umur, pendidikan dan penghasilan. Mari kita definisikan masing-masing variabel sebagai berikut:

Variabel 1.
Nama Variabel: Responden
Type : String (karena variabel ini tidak berbentuk numerik)
Width: 18 (untuk data kita ini, jumlah karakter terbanyak 18)
Decimal : 0 (untuk data type string, desimal akan otomatis 0)
Label: Nama Responden
Values: None (untuk data type string, values akan otomatis none)
Missing: None (untuk data type string, missing akan otomatis none)
Column: 18 (ukuran kolom ini sesuaikan dengan jumlah karakter dari nama variabel atau maksimum karakter dari data pada variabel tersebut, mana yang paling banyak)
Align: Left (untuk data string sebaiknya dibuat rata kiri)
Measure: Nominal (untuk data string, pilih saja measure nominal)

Variabel 2.
Nama Variabel: Sex
Type : Numeric
Width: 2 (sebenarnya input data yang akan kita masukkan nanti hanya berupa kode 1 dan 2, atau hanya terdiri dari 1 karakter, tetapi width nya sebaiknya kita lebihkan 1 karakter)
Decimal : 0 (karena tidak memerlukan angka dibelakang koma)
Label: Jenis Kelamin Responden
Values: 1 = laki-laki, 2 = perempuan
Missing: None (karena informasi mengenai jenis kelamin tersedia pada semua responden)
Column: 4
Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)
Measure: Nominal (angka untuk pengkodean jenis kelamin ini, adalah termasuk data skala nominal)

Variabel 3.
Nama Variabel: Umur
Type : Numeric
Width: 3
Decimal : 0 (karena tidak memerlukan angka dibelakang koma)
Label: Umur Responden
Values: None (tidak ada pengkodean numerik untuk variabel ini)
Missing: None (karena informasi mengenai umur tersedia pada semua responden)
Column: 5
Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)
Measure: Scale (karena umur merupakan data berskala ratio)

Variabel 4.
Nama Variabel: Pendidikan
Type : Numeric
Width: 2 (karena pendidikan akan diinput dengan kode 1 – 5)
Decimal : 0 (karena tidak memerlukan angka dibelakang koma)
Label: Pendidikan Responden
Values: 1 = SD, 2= SLTP, 3= SLTA, 4= D3, 5= S1
Missing: None (karena informasi mengenai pendidikan tersedia pada semua responden)
Column: 8
Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)
Measure: Ordinal (karena pendidikan merupakan data berskala ordinal)

Variabel 5.
Nama Variabel: Pendapatan
Type : Numeric
Width: 4
Decimal : 0 (karena tidak memerlukan angka dibelakang koma)
Label: Pendapatan Responden (dalam ribuan Rp)
Values: None (tidak ada pengkodean numerik untuk variabel ini)
Missing: terdapat responden yang tidak memiliki informasi mengenai pendapatan. Untuk itu, sebagai latihan kita berikan kode 9999 untuk responden yang tidak kita dapatkan informasi pendapatannya tersebut
Column: 9
Align: Rigth (untuk data numerik sebaiknya dibuat rata kanan)
Measure: Scale(karena pendapatan merupakan data berskala ratio)

CONTOH: BAB IV PEMBAHASAN HASIL PENELITIAN

A. Deskripsi Data
Pada bagian ini akan disajikan data hasil penelitian berupa gambaran umum dari masing-masing variabel yang diteliti yaitu: Studi Korelasional antara Motivasi dengan Kinerja Guru. Sebelum hasil kuesioner yang diperoleh dari responden diolah, maka peneliti terlebih dahulu menguji validitas dan reliabilitas dari setiap butir pertanyaan yang terdapat pada kuesioner. Dengan menguji instrumen kuesioner ini, maka akan didapatkan suatu alat ukur yang memang telah mengukur apa yang ingin diukur dan tetap konsisten apabila digunakan pada suatu waktu yang sama dengan responden berbeda atau pada responden berbeda diwaktu yang sama, sehingga diharapkan kuesioner ini akan dapat memberikan informasi yang benar untuk digunakan sebagai dasar dalam pengambilan keputusan.
Dari hasil uji validitas dan reliabilitas terhadap butir-butir pertanyaan dalam kuesioner peneliti mendapatlkan hasil sebagai berikut:
1.Uji Validitas dan Reliabilitas
a. Dimensi Kinerja:


selengkapnya

TEORI PAJAK

Read more

PENGUJIAN LINEARITAS

Salah satu teknik analisis regresi yang paling sering digunakan adalah regresi linear. regresi linear dapat digunakan apabila asumsi linearitas dapat terpenuhi. Apabila asumsi ini tidak terpenuhi, maka kita tidak dapat menggunakan analisis regresi linear. akan tetapi kita bias menggunakan analisis regresi nonlinear.

Asumsi linearitas adalah asumsi yang akan memastikan apakah data yang kita miliki sesuai dengan garis linear atau tidak. Asumsi ini dapat diketahui dengan mencari nilai deviation from linearity dari uji F linear. untuk mengetahui nilai tersebut, kita akan menggunakan data yang kita miliki.


Masukkan variable science pada kotak Dependent List dan math pada kotak Independent List. Kemudian klik option dan tandai test for linearity. Kemudian klik OK.



pada output SPSS, akan kita dapatkan hasil pengujian yang dirangkum dalam table analisis varian (ANOVA Table) seperti berikut ini:


Jika angka pada Deviation From Linearity lebih besar dari 0,05 ( > 0,05), berarti hubungan antara variable dependen dengan variable independen adalah linear. berdasarkan hasil pengujian terlihat bahwa nilai Sig. untuk Deviation from Linearity sebesar 0,133 yang berarti lebih besar dari 0,05 dengan demikian, dapat disimpulkan bahwa terdapat hubungan yang linear antara variable dependen dan independen.