Analisis Data untuk mahasiswa - SPSS.pptx

SPSS tutorial

1. Analisis Data Menggunakan SPSS Ikhsanudin, M.Pd. PVTM FKIP UNTIRTA

2. MEMULAI SPSS: Buka aplikasi  Type in Data  OK (Jika tidak ingin dialog ini muncul lagi bisa klik kotak “Don’t show this dialog in the future”

3. INPUT DATA DI SPSS:

4. MEMBERI NAMA VARIABEL DI SPSS:

5. INPUT DATA DI SPSS DENGAN NAMA VARIABEL:

6. UJI NORMALITAS: Analyze  Nonparametric Tests  Legacy Dialog  1-Sample K-S

7. UJI NORMALITAS: Pindahkan Variabel yang Akan Diuji Normalitasnya Pastikan Kotak Test Distribution “Normal” tercentang (√)

8. OUTPUT UJI NORMALITAS: Data terdistribusi normal jika nilai Asymp . Sig (2-tailed) > nilai alpha (0,05) Data yang diuji pada simulasi ini terbukti terdistribusi normal.

9. Kelas A (E) Kelas B (K) Data 1 E ………. ………. Data 2 E ………. ………. Data 1 K ………. ………. Data 2 K ………. ………. Kelas Nilai 1 Nilai 2 Paired Sample T test Independent Sample T test UJI PERBEDAAN RATA-RATA DUA KELOMPOK DATA Paired Sample T test Independent Sample T test Homogenity Test A & B

10. UJI PERBEDAAN RATA-RATA DUA KELOMPOK DATA 1. Paired Sample T test = Uji T untuk Data Berpasangan Misal : Membandingkan nilai UH dan UTS siswa . Analyze  Compare Means  Paired-Samples T Test Pada Kotak Dialog, Masukkan Variabel yang Dianalisis , OK.

11. OUTPUT UJI T UNTUK DATA BERPASANGAN (PAIRED SAMPLE T TEST): Terdapat perbedaan rata-rata secara nyata /signifikan jika nilai Sig. (2-tailed) < Alpha (0,05) atau t hitung > t tabel

12. UJI PERBEDAAN RATA-RATA DUA KELOMPOK DATA 2. Independent Sample T test = Uji T untuk Data Bebas Misal : Membandingkan nilai UAS dari Kelas A dan Kelas B. Analyze  Compare Means  Independent-Samples T Test Pada Kotak Dialog, Masukkan Variabel dan Grup Kelasnya , OK.

13. OUTPUT UJI T UNTUK DATA BEBAS: Terdapat perbedaan rata-rata secara nyata jika nilai Sig. (2-tailed) < Alpha (0,05) atau t hitung > t tabel Uji Homogenitas Kelas A & B ( Homogen = Equal Variance, jika nilai Sig. > Alpha (0,05) atau F hitung < F tabel

14. UJI PERBEDAAN RATA-RATA LEBIH DARI DUA KELOMPOK DATA One-Way Anova Misal : Membandingkan Nilai UAS Kelas A, B, dan C. Analyze  Compare Means  One-Way ANOVA

15. Masukkan Nilai_UAS pada Kolom Dependent List dan Kelas pada Kolom Factor . Post Hoc… Centang (√) Duncan dan Games-Howell, Continue, OK.

16. OUTPUT ONOVA: Terdapat perbedaan rata-rata secara nyata / signifikan jika nilai Sig. < Alpha (0,05) atau F hitung > F tabel

17. KORELASI, Analyze  Correlate  Bivariate Masukkan variabel-variabel yang akan dikorelasikan ke kolom “ Variables ” Pada menu Options, centang (√) Means and standard deviations, untuk menampilkan rata-rata dan simp. baku, Continue, OK

18. Hubungan Positif Tidak Signifikan, koefisien korelasi = 0,164. Hubungan Positif Signifikan, koefisien korelasi = 0,958. Koefisien korelasi bernilai antara -1 hingga 1. Koefisien negatif menunjukkan hubungan berbanding terbalik antar kedua variabel. Koefisien positif menunjukkan hubungan berbanding lurus antar kedua variabel.

19. REGRESI LINIER SEDERHANA, Analyze  Regression  Linear Masukkan variabel terikat (yang dipengaruhi) ke kolom “ Dependent ” dan variabel bebas (pengaruh) ke kolom “ Independet ” Pada menu Statistics, centang (√) Estimates, Model fit, dan R squared change, Continue, OK

20. Regresi, determinasi hasil belajar (HB) oleh Intelegensi Siswa (IQ), dengan persamaan: Y = Variabel Terikat, a = Konstanta, b = Koefisien X, X = Variabel Bebas. Regresi adalah kelanjutan dari korelasi. Jika ingin menampilkan hasil korelasi pada menu analisis regresi dapat di centang (√) pilihan “Part and partial Correlations” Y = a + b X HB = 30,213 + 0,389 IQ Persamaan ini dapat digunakan untuk memprediksi nilai HB dari IQ yang diketahui. R = Koefisien Korelasi. R Square (R 2 ) menunjukkan kekuatan determinasi (penjelasan), di mana Hasil Belajar dijelaskan sebanyak 91,9% oleh IQ. OUTPUT REGRESI LINIER SEDERHANA

21. REGRESI LINIER MAJEMUK, Analyze  Regression  Linear Masukkan variabel terikat ke kolom “ Dependent ” dan variabel-variabel bebas ke kolom “ Independet(s) ” Pada menu Statistics, centang (√) Estimates, Model fit, dan R squared change, Continue, OK

22. Regresi, determinasi hasil belajar (HB) oleh Intelegensi Siswa (IQ) dan Tingkat Keterlambatan (L), dengan persamaan: Y = Variabel Terikat, a = Konstanta, b 1 = Koefisien X 1 , X 1 = Variabel Bebas Pertama, b 2 = Koefisien X 2 , X 2 = Variabel Bebas Kedua. (Jumlah Variabel Bebas bisa banyak, persamaan regresi menyesuaikan jumlahnya) Y = a + b 1 X 1 + b 2 X 2 HB = 47,556 + 0,285 IQ - 0,096 L Persamaan ini dapat digunakan untuk memprediksi nilai HB dari IQ dan L yang diketahui. R = Koefisien Korelasi. R Square (R 2 ) menunjukkan kekuatan determinasi (penjelasan), di mana Hasil Belajar dijelaskan sebanyak 92,9% oleh IQ dan Keterlambatan. Ini bukan berarti sumbangan Keterlambatan hanya 1% (meningat sebelumnya IQ 91,9%), namun kemungkinan IQ dan Keterlambatan memiliki hubungan (korelasi) yang signifikan. OUTPUT REGRESI LINIER MAJEMUK