laporan praktikum ti semester 1: spss crosstab
DESCRIPTION
dari olahan data spss ini bisa dilihat apakah suatu variabel sama variabel lainnya saling berhubungan apa engga. ini tugasku jelek banget, belum jadi. yang dulu dikumpulin lupa naruh dimana haha. HAVE A TRY, PLANNER !TRANSCRIPT
LAPORAN PRAKTIKUM SPSS ANALISA
DESKRIPTIF CROSSTAB Disusun untuk Memenuhi Tugas Mata Kuliah Teknologi Informasi
Oleh :
Laras Kun Rahmanti Putri
21040113130114
JURUSAN PERENCANAAN WILAYAH DAN KOTA
FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2013
1. Latar Belakang
Dalam banyak hal, terdapat keterkaitan antara satu objek dengan obek yang lain. Keterkaitan ini
perlu dipertimbangan dalam sebuah perencanaan agar rencana yang dibuat tidak meleset dan sesuai
dengan kenyataan sehingga benar-benar dapat bermanfaat. Analisa keterkaitan antar objek dapat
dilakukan dengan bantuan software SPSS.
2. Permasalahan
3. Kajian Teori
SPSS ialah sebuah software statistik yang memiliki kemampuan untuk dapat dilihat hubungan antar
objek (variabel), apakah saling berkaitan atau tidak, apakah hubungannya kuat atau tidak, nyata atau
tidak, berpengaruh atau tidak, dan dapat memprediksi atau tidak. Hal-hal tersebut dapat dianalisis
melalui nilai yang dihasilkan. Dalam hal ini, analisa deskriptif yang digunakan ialah analisa
crosstabs. Pada analisa crosstabs ini, terdapat variabel terikat (dependent) yang dimasukkan ke
dalam row(s) dan variabel tidak terikat/bebas (independent) yang dimasukkan ke dalam column(s).
Terdapat pula istilah-istilah seperti chi square, value, approx.sign, symmetric, phi, cramer’s,
contingency coefficient, dll yang akan sering digunakan dalam menganalisis keterkaitan antar
variabel yang terlibat.
Terdapat banyak kategori statistik yang tersedia di dalam crosstabs prosedur. Beberapa statistik
crosstabs digunakan untuk data skala nominal, tetapi beberapa di antaranya juga skala interval.
Dalam rangka menggunakan hasil dari crosstabs, kita harus bisa mengenali seperti apa macam data
adalah sesuai dengan statistik masing-masing dan harus pula mengenali tingkatan pengukuran untuk
skala yang sedang diteliti.
4. Data Contoh data yang dipakai ialah data mengenai hubungan antara jenis kelamin dengan jam belajar
dan jam belajar dengan rata-rata nilai tes.
No.
Jenis
Kelamin
Jam
Belajar Nilai Tes
1 L 4 7
2 P 4 7
3 P 5 8
4 L 2 5
5 P 2 6
6 P 1 5
7 P 4 8
8 P 2 6
9 P 2 5
10 P 2 5
11 P 1 6
12 L 3 8
13 L 2 6
14 L 1 5
15 L 4 8
5. Langkah Kerja
1. Buka software spss.
2. Buka tab “variable view”
3. Isikan dengan variabel-variabel yang ada sesuai dengan data.
Pada contoh data, variabel yang dipakai ialah jns_kel (jenis kelamin), jam_bel (jam belajar), dan
nilai (nilai tes).
Untuk variabel I; “jns_kel”, isikan pada kolom “name”,
lalu pada kolom “type” isikan “numeric” karena data yang akan di-input berupa angka (untuk
mewakilkan),
pada kolom “width” isikan dengan sebuah angka yang dapat memuat banyaknya digit angka
data (misal, data yang akan diisi ialah angka 1000000, maka isikan width dengan enam, tujuh,
atau delapan), pada kasus diisi dengan 10.
pada kolom “decimal” isikan dengan “0”,
kolom label kosongkan,
kolom “value”, isikan “1” untuk L (laki-laki) dan “2” untuk perempuan , dengan langkah
pertama menge-klik ikon panah ,
Lalu masukkan angka “1” pada value dan L pada “Label”, kemudian klik Add. Begitu
seterusnya sampai semua terinput. Lalu klik OK.
kolom “missing” kosongkan,
kolom “column” biarkan,
kolom “align” isikan sesuai keinginan,
kolom “measure” isikan dengan “ordinal” (karena data yang di-input bukan merupakan data
yang diwakilkan. Contoh data yang diwakilkan ialah seperti pada kasus di mana “1” untuk L dan
“2” untuk P.
kolom “role” isikan dengan “input”.
Untuk variabel II; “Jam_bel”, isikan pada kolom “name”
lalu pada kolom “type” isikan “numeric” karena data yang akan di-input berupa angka.
pada kolom “decimal” isikan dengan “2”,
kolom label kosongkan,
kolom “value” kosongkan
kolom “missing” kosongkan,
kolom “column” biarkan,
kolom “align” isikan sesuai keinginan,
kolom “measure” isikan dengan “nominal”
kolom “role” isikan dengan “input”.
Untuk variabel III; “nilai”, isikan pada kolom “name”
lalu pada kolom “type” isikan “numeric”,
pada kolom “decimal” isikan dengan “0”,
kolom label kosongkan,
kolom “value” kosongkan
kolom “missing” kosongkan,
kolom “column” biarkan,
kolom “align” isikan sesuai keinginan,
kolom “measure” isikan dengan “nominal”
kolom “role” isikan dengan “input”.
Pengisian variable view:
4. Copy data yang sudah ditulis dahulu di ms.excel ke dalam spss, pada data view (ctrl+c lalu
ctrl+v).
Bisa juga langsung diisikan ke dalam SPSS.
5. Untuk memunculkan variabel terwakilkan; “laki-laki” oleh “1” dst, klik menu View > Value
Labels .
6. Setelah data dimasukkan ke dalam SPSS, lakukan analisa frekuentif dengan klik menu analyze
> descriptive statistics > Crosstab . Sebuah jendela Crosstab akan keluar.
7. Masukkan “jns_kel” ke dalam row (variabel terikat), lalu “jam_bel” ke dalam “column(s)”
(variabel bebas) dengan menge-klik tulisan jns_kel dan menge-klik tanda panah yang berada di
tengah-tengah box.
Aktifkan clustered bar charts.
Lalu klik “Statistics”. Jendela Statistics akan muncul.
8. Aktifkan: Chi square, correlations, dan semua ospi pada bagian nominal. Lalu klik continue.
Setelah itu, tampilan akan kembali pada jendela Crosstab.
9. Klik tab Cells Displays. Secara default opsi “Observed” dan “Round cell counts” teraktifkan.
Klik continue.
10. Tampilan kembali pada jendela Crosstab. Klik tab “Format”. Secara default opsi “Ascending”
akan diaktifkan. Klik continue.
11. Tampilan kembali pada jendela Crosstab. Klik OK. Sebuah jendela analisis akan keluar.
6. Hasil dan Pembahasan
HUBUNGAN JENIS KELAMIN DAN JAM BELAJAR
Pada kasus ini, yang menjadi variabel terikat ialah jam belajar dan yang menjadi variabel bebas ialah
jenis kelamin.
Dapat dilihat bahwa nilai N pada kevalidan ialah 15 dan 100%. Ini berarti jumlah data yang terinput
ada sebanyak 15 buah dan semuanya valid 100%. Sedangkan nilai missing ialah 0 dan 0,0%. Ini
berarti tidak ada data yang hilang.
Dari data dapat dilihat:
Terdapat 1 siswa laki-laki yang belajar 1 jam
Terdapat 2 siswa laki-laki yang belajar 2 jam
Terdapat 1 siswa laki-laki yang belajar 3 jam
Terdapat 2 siswa laki-laki yang belajar 4 jam
Tidak ada siswa laki-laki yang belajar 5 jam
Terdapat 2 siswa perempuan yang belajar 1 jam
Terdapat 4 siswa perempuan yang belajar 2 jam
Tidak ada siswa perempuan yang belajar 3 jam
Terdapat 2 siswa perempuan yang belajar 4 jam
Terdapat 1 siswa perempuan yang belajar 5 jam
Dari data di atas, yang dilihat ialah asymp sig dari pearson chi-square saja.
Terdapat teori untuk menentukan apakah ada keterkaitan antara kedua variabel atau tidak, ialah
dengan menggunakan Ho dan H1.
Ho diterima apabila nilai Asymp sig > 0,05,
H1 diterima apabila nilai Asymp sig < 0,05.
Pada data di atas, Angka Asymp sig yang terbaca ialah 0,645, yang berarti lebih dari 0,05; berarti Ho
diterima. Jika Ho diterima, maka kesimpulannya ialah tidak ada keterhubungan antara jam belajar
dengan jenis kelamin.
Selanjutnya pada tabel Directional Measures.
Pada tabel ini, hanya value pada symmetric dan approx sig pada variabel yang dibaca.
Jika nilai approx sig pada lambda kurang dari 0,05, maka tidak ada hubungan yang nyata, atau tidak
benar-benar berpengaruh.
Jika seandainya nilai yang ditunjukkan kurang dari 0,05; berarti terdapat hubungan yang nyata. Kuat
lemahnya keterkaitan tsb dapat dibaca dari nilai value. Jika nilai value mendekat 1, berarti
hubungannya kuat. Jika nilai value mendekati 0, berarti hubungannya lemah.
Kemudian dilihat dari nilai approx pada variabelnya. Pada variabel jam_bel, jika nilai approx sig. di
bawah 0,05; maka variaebel jam_bel tidak dapat diprediksi oleh variabel lainnya(variabel jns_kel).
Pada contoh ini, variabel jam belajar tidak dapat ditentukan nilai approx sig.-nya karena value-nya
0,00.
Kemudian tabel symmetric measures.
Pada tabel ini, cukup value pada Phi, Cramer’s dan Contingency Coefficient yang dibaca. Nilai Phi
dan Cramer’s sama, dan nilai Contingency Coefficient lebih kecil, berarti data yang dimasukkan
sudah benar. Jika nilai Contingency Coefficient mendekati satu, berarti hubungannya kuat. Jika
mendekati 0, hubungannya lemah. Pada contoh, nilai contingency coefficient lebih mendekati 0 dari
pada 1, berarti hubungannya lemah.
Grafik antara jenis kelamin dan jam belajar :
HUBUNGAN JAM BELAJAR DAN RATA-RATA NILAI TES
Sama seperti sebelumnya, variabel terikat dan bebasnya ditentukan terlebih dulu. Kali ini
row(variabel terikat) diisi dengan nilai dan column(variabel bebas) diisi dengan jam belajar.
N valid ialah 15 dan persentasenya 100%, dan persentase missing 0,0%, berarti semua data sudah
teranalisis dan dapat diolah dengan baik.
Dari data dapat dilihat :
Siswa yang mendapat nilai 5;
o Sebanyak 2 siswa dengan jam belajar 1 jam
o Sebanyak 3 siswa dengan jam belajar 2 jam
o Tidak ada yang belajar dengan jam belajar 3, 4, dan 5 jam.
Siswa yang mendapat nilai 6;
o Sebanyak 1 siswa dengan jam belajar 1 jam
o Sebanyak 3 siswa dengan jam belajar 2 jam
o Tidak ada yang belajar dengan jam belajar 3, 4, dan 5 jam.
Siswa yang mendapat nilai 7;
o Tidak ada yang belajar dengan jam belajar 1, 2, 3, dan 5.
o Sebanyak 2 siswa dengan jam belajar 4 jam
Siswa yang mendapat nilai 8;
o Tidak ada yang belajar dengan jam belajar 1 dan 2 jam
o Sebanyak 1 siswa dengan jam belajar 3 jam
o Sebanyak 2 siswa dengan jam belajar 4 jam
o Sebanyak 1 siswa dengan jam belajar 5 jam
`
Pada tabel di atas, hanya asymp sig pada pearson chi-square yang dibaca. Jika nilainya kurang 0,05;
ada hubungan antara rata-rata nilai dengan jam belajar. Karena 0,086 lebih besar 0,05; maka tidak
ada hubungan antara jam belajar dan rata-rata nilai.
Approx sig pada symmetric 0,004. Karena nilainya lebih kecil dari 0,05; maka hubungan antara jam
belajar dan rata-rata nilai memiliki hubungan yang nyata. Angka value 0,421 lebih mendekati 0
daripada 1, maka korelasinya lemah.
Angka approx sig pada nilai
Pada data, nilai Phi dan Cramer’s berbeda, dan nilai Contingency Coefficient lebih besar daripada
nilai Cramer’s.
Berikut ialah grafik hubungan antara jam belajar dan nilai.
7. Daftar Pustaka
Andi Dirpan.”Statistik Deskriptif” dalam Academia. https:// www.academia. edu/4907739/
STATISTIK DESKRIPTIF. Diunduh pada Sabtu, 30 November 2013.
Laily Elhieda.2013.” Contoh Analisis Tabulasi Silang SPSS” dalam Blogspot. http:// lely3lhieda.
blogspot.com. Diunduh pada Sabtu, 30 November 2013.