PANDUAN SPSS 1

PANDUAN SPSS
PENGENALAN SPSS
STATISTIK DESKRIPTIF
UJI VALIDIDTAS DAN RELIABILITAS

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NAHDLATUL ULAMA JEPARA

MENGENAL SPSS FOR WINDOWS
SPSS (Statistical Product and Service Solutions) adalah salah satu dari sekian
banyak program aplikasi komputer untuk menganalisis data statistik. Dilihat dari
namanya, SPSS memang sangat membantu memecahkan berbagai permasalahan
ilmu- ilmu sosial, khususnya analisis statistik. Namun demikian, fleksibilitas yang
dimilikinya menyebabkan berbagai problem analisis di luar ilmu sosial juga dapat
diatasinya dengan baik.

Untuk menjalankan program SPSS for Windows anda cukup melakukan double klik
pada program item icon SPSS. Atau gunakan tombol panah untuk memilih program
item icon SPSS dan tekan Enter untuk membuka program SPSS for Windows.
Program SPSS ini diawali dengan munculnya logo SPSS for Windows pada layar
yang diikuti munculnya dua buah window di latar belakangnya. Tunggulah sesaat
hingga logo tersebut menghilang, maka pada layar monitor akan didapati output
windows dan SPP Data Editor yang telah siap dioperasikan sebagaimana terlihat
pada gambar berikut ini.

Isikan data yang akan dianalisis ke dalam sel yang sudah tersedia di atas. Kolom
dalam SPSS disebut sebagai variable, sedangkan baris disebut dengan case.
Untuk memberikan keterangan tambahan pada variabel yang sudah direkam dapat
mengklik Variable View yang ada di pojok kiri bawah. Sehingga akan muncul gambar
berikut:

Keterangan:
 Name digunakan untuk memberi keterangan nama variabel
 Type untuk memilih jenis data yang direkam
 Width untuk mengatur lebar kolom dalam hasil analisis
 Decimal digunakan untuk menentukan jumlah angka di belakang koma
 Label digunakan untuk memberikan keterangan pada variabel
 Value digunakan untuk memberikan keterangan untuk data variabel
 Missing digunakan untuk mengatur data hilang/tidak lengkap
 Column digunakan untuk mengatur lebar kolom dalam data view
 Align digunakan untuk mengatur jenis perataan
 Measure digunakan untuk menentukan jenis skala pengukuran data

CARA MEMBUAT VARIABEL DAN ENTRY DATA:
Selain memasukkan data secara langsung pada SPSS data editor, SPSS juga
dapat menerima data melalui import data-data dari sumber lain seperti dari file
Excel, Dbase, file teks, Informix, Paradox files, Access dan sebagainya.
Berikut Contoh import data dari file excel.

Setelah SPSS dibuka, maka anda akan menjumpai menu di kiri bawah “Data
View” dan “Variable View”.
A. Membuat Variabel

Langkah pertama adalah dengan mendefinisikan terlebih dahulu variablenya:
1. Aktifkan variable view
2. Isikan data-data variabel:

 Name  nama variable (Default Max 8 karakter)
 Type  tipe data dari variable
 Width  mengatur banyaknya karakter yang dibutuhkan suatu data.
 Decimal  untuk data yang bertipe numeric.
 Label  untuk memberi keterangan penjelas dari variable.
 Values  untuk menentukan label variable dan nilai dari label tersebut.
 Missing  digunakan apabila dalam data yang akan diolah terdapat data-

data yang hilang atau tidak ada. Misalkan, pada kolom missing diisi
tanda “*” maka apabila dalam variabel tersebut data yang disikan adalah
tanda “*” berarti data tersebut tidak ada.
 Coloum digunakan untuk menentukan lebar kolom data.
 Align  untuk mengatur tampilan data rata kiri, rata kanan, atau tengah.
 Measure menunjukkan jenis pengukuran data apakah bertipe skala
(kuantitatif asli), nominal, atau ordinal (untuk data kualitatif).

Contoh membuat Value Label

B. Entry Data
Setelah kita isikan variabelnya, langkah selanjutnya adalah mengisi data,
langkahnya adalah sebagai berikut:
1. Aktifkan ”Data View”, maka nama-nama variabel yang kita buat
sebelumnya akan dimunculkan dan siap untuk diisi.
2. Isikan data tiap kolom dengan disesuaikan tipe datanya.
Berikut contoh datanya:

Simpan data dengan cara klik file  save as dan pilih tempat untuk menyimpan dan
beri nama sesuai kebutuhan kemudian klik save.

DATA PENELITIAN
Terdapat dua jenis data dasar :

1. Non Metric (Qualitative)
 Data non metrik bisa berupa Atribut, karakteristik, atau sifat kategorik
yang menunjukkan atau menggambarkan suatu subyek.
 Variabel yang diukur menggunakan skala nominal dan ordinal umumnya
merupakan variabel non metric

2. Metric (Quantitative)
 Pengukuran dilakukan sehingga suatu subyek dapat diketahui
perbedaannya dalam jumlah atau derajat.
 Variabel yang diukur mengunakan skala Interval dan Ratio umumnya
merupakan variabel metric

SKALA PENGUKURAN
Semua skala pengukuran dapat diklasifikasikan kedalam empat jenis skala berikut ini

:
1. Nominal

Skala Nominal merupakan skala pengukuran yang menyatakan ketegori atau
klasifikasi dari konstruksi yang diukur dalam bentuk variable dan merupakan data
nonparametric ata data kaulitatif (data bukan angka). Contohnya Jenis Kelamin.
2. Ordinal
Skala ordinal merupakan skala pengukuran yang tidak hanya menyatakan
kategori tapi juga menyatakan peringkat konstruksi yang diukur dan data
nonparametric. Kategori data dapat disusun berdasarkan urutan logis dan sesuai
dengan besarnya karakteristik yang dimiliki.
3. Interval
Skala interval (jarak) merupakan skala pengukuran yang menyatakan ketegori,
peringkat, dan jarak konstruksi. Skala interval mempunyai karakteristik seperti
yang dimiliki oleh skala nominal dan ordinal dan ditambah ada interval yang tetap
dan menggunakan data parametric atau data kuantitatif.
4. Ratio
Skala Ratio merupakan skala perbandingan yang menunjukkan kategori,
peringkat, jarak, dan perbandingan konstruksi yang diukur. Skala ratio memiliki
semua karakteristik yang dipunyai oleh skala nominal, ordinal,dan interval dan
merupakan data parametric (data kuantitatif). Pengukuran rasio biasanya dalam
bentuk perbandingan anatar satu individu dengan objek lainnya.

STATISTIK DESKRIPTIF
Pemilihan dan Menjalankan Prosedur Statistik
Dalam memilih prosedur statistik, perlu diperhatikan :
 Jenis data yang diperoleh, apakah bertipe ordinal, skala, atau nominal.
 Hal yang diharapkan atau yang ingin diketahui dari data yang diperoleh tersebut..
Langkah-langkah yang dilakukan adalah, sebagai berikut :
1. Klik menu Analize  Descriptive Statistics  Descriptive
2. Pilih variable yang ingin diketahui deskripsinya, misalnya variable Usia
3. Klik tanda untuk memindah variable ke kolom Variable(s),
4. Klik OK untuk menghasilkan analisa seperti gambar di bawah ini.

Output

MENYUSUN DISTRIBUSI FREKUENSI
Pembuatan Tabel Frekuensi
TUJUAN:
Untuk menggambarkan data dalam berbagai ukuran pusatnya, seperti Mean,
Median, Modus,
Kuartil, Desil, Percentil, Skweness, Kurtosis, dll.
Data yang diolah bisa berupa data kuantitatif (lebih optimal), bisa juga data kualitatif.
Cara membuat:

1. Pilih menu Analyze -> Descriptive Statistict -> Frequencies
2. Muncul kotak dialog Frequencies, Pilih variable yang ingin diketahui

misalnya pendidikan, jeniskelamin untuk dimasukkan dalam variable(s).
3. Klik bagian kiri bawah, “Statistics” kemudian muncul kotak dialog

Frequencies Statistics.
4. Isi kotak dialog Frequencies Statistics, seperti di bawah ini:



TRANSFORMASI DATA (PERINTAH COMPUTE)
Transformasi (perubahan) data digunakan untuk memodifikasi nilai-nilai yang telah
ada. Hal ini dilakukan apabila dalam suatu analisis mensyaratkan distribusi tertentu,
umumnya distribusi normal.
Beberapa perintah transformasi data yang akan kita pelajari adalah Compute dan
Recode.
PERINTAH COMPUTE
 Transformasi Compute akan menciptakan variabel baru atau memodifikasi nilai-

nilai variabel untuk setiap case.
 Transformasi yang dapat dilakukan dengan Compute adalah transformasi

numerik dan string.
Untuk menggunakan fasilitas Compute, langkah yang dilakukan :
1. Klik menu Transform  Compute
2. Buat variabel hasil transformasi dalam Target Variable.
3. Tentukan transformasi yang akan dilakukan, apakah transformasi numerik atau

string.
Klik menu Type & Label dan kemudian pilih jenis transformasi yang dikehendaki.
4. Klik Continue.
5. Klik OK untuk melakukan transformasi, Cancel untuk membatalkan atau Reset

untuk mengganti proses transformasi.
Berikut adalah gambar tampilan menu Compute :

Data hasil compute akan terlihat pada data view maupun variable view paling akhir.

VALIDITAS KONSTRUK
Uji Validitas Konstruk adalah uji statistik yang digunakan guna menentukan seberapa
baik hasil-hasil yang diperoleh dari penggunaan suatu pengukur sesuai dengan teori
yang digunakan untuk mendifinisikan suatu konstruk. Atau dapat dikatakan uji validitas
digunakan untuk menentukan seberapa valid suatu item pertanyaan mengukur
variabel yang diteliti.
Validitas konstruk dapat diukur dengan menggunakan beberapa cara, yaitu dengan
analisis factor, validitas konvergen, validitas diskriminan atau dengan matrik korelasi-
korelasi banyak-trait, banyak-metode (multitrait, multimethod matrix of correlation)
(Jogiyanto, 2016).

Analisis Faktor
Batasan dalam analisis faktor menurut (comrey, 1973) dalam (Jogiyanto, 2016)

SKOR MUATAN VALIDITAS KONSTRUK
≤ 0,45 RENDAH
> 0,45 CUKUP
> 0,55 BAIK
> 0,63
> 0,71 SANGAT BAIK
MEMUASKAN

Langkahnya
Klik Analyze  Dimension Reduction  Factor

Masukkan semua item (hasil pertanyaan) bukan rata-rata maupun jumlahnya ke

dalam variables:
Kemudian pilih Descriptives lalu pilih KMO and Bartlet’s test lalu klik Continue

Klik Extraction pilih correlation methods dan fixed number of factor diisi sesuai
dengan jumlah variable kemudian klik continue.

Kemudian klik Rotation pilih metode Varimax dan Display Rotated solution dan
Loading plot(s) kemudian klik continue.

Kemudian pilih options lalu pilih Exclude cases listwise dan Suppress small
coefficients dan isi Absolute value below .55 untuk membatasi nilai setiap item yang
akan tampil. Sesuai dengan kriterian analisis factor 0,55 dalam ketegori baik.
Sehingga nilai dibawah itu tidak ditampilkan dalam hasil. Lalu klik continue.

Kemudian klik OK.

Hasilnya. .769
KMO and Bartlett's Test 1031.851

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 190
Bartlett's Test of Sphericity Approx. Chi-Square .000

df

Sig.

Uji Bartlett’s of Sphericity merupakan uji statistik untuk menentukan ada tidaknya
korelasi antar variable. Semakin besar sampel akan menyebabkan Bartlet test
semakin sensitive untuk mendeteksi adanya korelasi antar variable. Kaise-Meyer-
Olkin Mesasure of Sampling Adequacy (KMO MSA) juga merupakan alat yang
digunakan untuk mengukur tingkat interkorelasi antar variable dan dapat atau tidaknya
dilakukan analisis factor. Nilai KMO MSA bervariasi antar 0 sampai 1. Nilai yang
dikehendaki harus >0.50 untuk dapat dilaknjutkan analisis factor (Ghozali, 2013). Hasil
tampilan diatas menunjukkan bahwa nilai KMO = 0.769 sehingga dapat dilakukan
analisis factor. Begitu juga dengan Uji Bartlett’s of Sphericity yang menunjukkan Chi-
Square = 1031.851 dan siginifikan pada 0.000, maka dapat disimpulkan bahwa uji
analisis factor dapat dilakukan.

Rotated Component Matrixa

Component

1 2 3 4

BO1 .872 .799 .853
BO2 .888 .812 .824
BO3 .857 .785 .823
BO4 .906 .629
BO5 .879 .703
BO6 .758
M1
M2
M3
M4
M5
KP1
KP2
KP3

KP4 .799
PK1 .646
PK2 .669
PK3 .740
PK4
PK5 .613

Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser
Normalization.a
a. Rotation converged in 5 iterations.

Kemudian copy Rotated Component Matrix pada file excel.

Rotated Component Matrixa

Variabel Component

Budaya 123 4
Organisasi
BO1 .799 .646
Motivasi .669
BO2 .812 .740
Kualitas .613
Produk BO3 .785

Produktivitas BO4 .629
Karyawan
BO5 .703

BO6 .758

M1 .872

M2 .888

M3 .857

M4 .906

M5 .879

KP1 .853

KP2 .824

KP3 .823

KP4 .799

PK1

PK2

PK3

PK4

PK5

Jika melihat hasil oleh data diatas maka variable Produktivitas karyawan dengan item

pertanyaan nomer 4 yang tidak memiliki nilai, maka sebaiknya item tersebut

dihilangkan.

Validitas Konvergen

Kemudian dicari AVE (Average Variance Extracted) untuk masing-masing variable

dengan kriteria >0,50

Rotated Component Matrixa

Variabel Component SUM ITEMS AVE

ROOT

SQUARED

1234 AVE

BO1 .799

BO2 .812

Budaya BO3 .785 4.484 6 0.747382 0.86451
Organisasi BO4 .629

BO5 .703

BO6 .758

M1 .872

M2 .888

Motivasi M3 .857 4.402 5 0.880340 0.93826

M4 .906

M5 .879

KP1 .853

Kualitas KP2 .824 3.298 4 0.824584 0.90807
Produk KP3
.823

KP4 .799

PK1 .646

Produktivitas PK2 .669 4 0.666882 0.81663
Karyawan PK3 .740 2.668

PK5 .613

Hasil perhitungan menunjukkan bahwa uji validitas konvergen (berhubungan

dengan prinsip bahwa pengukur-pengukur dari suatu konstruk seharusnya berkorelasi

tinggi) yang diukur dengan nilai AVE. sehingga data diatas menunjukkan pengukur

konstruk dikatakan valid.

Validitas Diskriminan
Sedangkan Uji Validitas Diskriminan dilakukan dengan membandingkan akar
kuadrat dari AVE terhadap nilai korelasi antar konstruk. Jika nilai akar kuadrat AVE
lebih tinggi dibandingkan dengan nilai korelasi antar konstruk, maka dinyatakan
memenuhi kriteria Discriminant validity.
Dimulai dengan mencari corelasi antar variabel

Kemudian klik OK. Correlations
Hasilnya Bud_org Motivasi KualProd Prod_Kar

Bud_org Pearson 1 .032 .185* .166*
Correlation
Sig. (1-tailed) .377 .033 .049
N 100 100 100 100

Motivasi Pearson .032 1 .098 .038
Correlation

Sig. (1-tailed) .377 .167 .355
100 100
N 100 100 .240**
1 .008
KualProd Pearson .185* .098 100
Correlation 100
.240** 1
Sig. (1-tailed) .033 .167 .008
100
N 100 100 100

Prod_Kar Pearson .166* .038
Correlation

Sig. (1-tailed) .049 .355

N 100 100

*. Correlation is significant at the 0.05 level (1-tailed).

**. Correlation is significant at the 0.01 level (1-tailed).

Hasil tersebut kemudian di copy dalam excel.
Kemudian hasil dari Akar Kuadrat AVE di masukkan sebagai pengganti angka 1 dari

korelasi masing-masing variabel.

Correlations

Bud_org Motivasi KualProd Prod_Kar

Bud_org Pearson .032 .185* .166*
Correlation 0.86451

Motivasi Pearson .032 0.9383 .098 .038
Correlation

KualProd Pearson .185* .098 0.90807 .240**
Correlation

Prod_Kar Pearson .166* .038 .240** 0.81663
Correlation

Diagonal warna kuning merupakan nilai Akar kuadrat AVE dan nilai dibawahnya

adalah korelasi antar konstruk. Tabel diatas menunjukkan nilai akar kuadrat AVE lebih

tinggi daripada nilai korelasi maka dapat disimpulkan bahwa model valid karena telah

memenuhi discriminant validity.

Uji Validitas Dengan Korelasi Antar Skor Butir Pertanyaan Dengan Total Skor
Konstruk.
Untuk melihat apakah masing-masing indikator penelitian valid atau tidak, kita lihat
tampilan output Cronbach Alpha pada kolom corrected item-total correlation dari
masing-masing kontruk.
Adapun langkahnya.
Klik Analyze  Scale  Reliabity Analysis.

Masukkan item pertanyaan dari satu variable ke dalam Items.

Klik Statistics pilih Item, Scale, Scale of Item deleted dan Correlations lalu klik
Continue lalu klik OK.

Hasilnya.

Reliability Statistics

Cronbach's Cronbach's N of Items
Alpha Alpha Based on 6

Standardized
Items

.850 .850

Item-Total Statistics

Corrected Item- Squared Cronbach's
Multiple Alpha if Item
Scale Mean if Scale Variance Total Correlation
Item Deleted Deleted
if Item Deleted Correlation .558
.558 .814
BO1 20.290 5.117 .693 .520 .817
BO2 20.290 5.279 .676 .348 .815
BO3 20.310 5.186 .685 .368 .842
BO4 20.370 5.629 .543 .455 .837
BO5 20.340 5.479 .571 .825
BO6 20.300 5.283 .634

Hasil perhitungan diatas menunjukkan bahwa nilai dari Corrected item – total
Correlation dari masing-masing item pertanyaan lebih besar dari r tabel = 0.1966. Nilai
r tabel didapat dari degree of freedom (df) = n – 2, diman n adalah jumlah sampel.
Jika nilai r hitung (Corrected Item-Total Correlation) lebih besar dari r tabel dan nilai
positif maka item pertanyaan atau indicator tersebut dinyatakan valid (Ghozali, 2013).

UJI RELIABILITAS

Reliabilitas berhubungan dengan akurasi (accurately) dari pengukur kontruk atau

kuesioner yang merupkan indicator dari variable. Kuesioner yang dikatakan reliabel

(dapat diandalkan) jika jawaban seseorang terhadap pertanyaan adalah konsisten

atau stabil dari waktu ke waktu atau jika beberapa pengukuran terhadap subjek yang

sama diperoleh hasil yang tidak berbeda.
Uji reliabilitas dapat diukur dengan nilai Cronbach’s Alpha dimana menurut nunnaly

dalam (Jogiyanto, 2016) mengusulkan ditahap awal riset, nilai reliabilitas 0.50 sampai

0.60 dianggap cukup, dan untuk riset dasar, diargumentasikan bahwa meningkatkan

nilai reliabilitas melebihi nilai 0,80 sering dianggap terlalu tinggi. Umumnya skor yang

diterima dalam penelitian berkisar 0.70 sampai 0.80 (Jogiyanto, 2016). Tabel berikut
merupakan batasan skor reliabilitas Cronbach’s Alpha.
Batasan Skor Reliabilitas Conbach’s Alpha.

SKOR RELIABILITAS

< 0,50 RENDAH
0,50 – 0,60 CUKUP
0,70 – 0,80 TINGGI

Langkahnya.
Adapun langkahnya.
Klik Analyze  Scale  Reliabity Analysis.
Masukkan item pertanyaan dari satu variable ke dalam Items.
Klik Statistics pilih Item, Scale, Scale of Item deleted dan Correlations lalu klik
Continue lalu klik OK.

Hasilnya

Reliability Statistics

Cronbach's Cronbach's N of Items
Alpha Alpha Based on 6

Standardized
Items

.850 .850

Tampilan Output SPSS menunjukkan bahwa konstruk Budaya Organisasi
memberikan nilai Cronbach’s Alpha 85.0%. Menurut nunally dalam (Ghozali, 2013)
dikatakan reliabel jika memberikan nilai Cronbach’s Alpha > 0.70. Jadi hasil diatas
menunjukkan bahwa konstruk Budaya Organisasi bisa dikatakan reliabel.