Cara Menganalisis Data Kuesioner Skripsi dengan SPSS: Panduan Lengkap untuk Mahasiswa

BrainText Avatar
BrainText

·

·

Analisis data merupakan tahap krusial dalam penyusunan skripsi, terutama bagi Anda yang menggunakan data kuesioner. Penggunaan _Statistical Package for the Social Sciences (SPSS)_ telah menjadi standar emas di banyak perguruan tinggi karena kemudahan penggunaan dan kemampuannya dalam melakukan berbagai analisis statistik kompleks. Namun, tidak jarang mahasiswa merasa kesulitan dan kebingungan saat pertama kali berhadapan dengan perangkat lunak ini.

Panduan lengkap ini dirancang khusus untuk membantu mahasiswa dalam memahami setiap langkah analisis data kuesioner menggunakan SPSS, mulai dari persiapan data hingga interpretasi hasil. Dengan mengikuti panduan ini, Anda akan mampu menganalisis data skripsi Anda secara mandiri, menghasilkan temuan yang valid, dan menyusun laporan penelitian yang berkualitas.

Tampilkan Daftar isi

Daftar Isi

BAB I. Pendahuluan Analisis Data Kuesioner dan Peran SPSS

Selamat datang di panduan komprehensif analisis data kuesioner skripsi menggunakan SPSS. Bagian ini akan memberikan gambaran umum tentang mengapa analisis data menjadi inti penelitian Anda dan bagaimana SPSS dapat menjadi alat yang sangat membantu.

1. Mengapa Analisis Data Penting?

Analisis data adalah proses sistematis untuk memeriksa, membersihkan, mengubah, dan memodelkan data dengan tujuan menemukan informasi yang berguna, menarik kesimpulan, atau mendukung pengambilan keputusan. Dalam konteks skripsi, analisis data adalah jembatan yang menghubungkan rumusan masalah, hipotesis, dan temuan penelitian Anda. Tanpa analisis yang tepat, data yang telah Anda kumpulkan akan menjadi timbunan angka yang tidak bermakna.

Analisis data yang akurat dan valid akan memungkinkan Anda:

  • Menguji hipotesis penelitian secara objektif.
  • Menjawab pertanyaan penelitian secara empiris.
  • Mengidentifikasi pola dan tren yang relevan.
  • Menarik kesimpulan yang dapat dipertanggungjawabkan.
  • Memberikan dasar yang kuat untuk rekomendasi dan saran.

2. Data Kuesioner dalam Penelitian Kuantitatif

Kuesioner adalah instrumen pengumpulan data yang paling umum digunakan dalam penelitian kuantitatif, terutama dalam ilmu sosial, manajemen, ekonomi, dan pendidikan. Data kuesioner biasanya berupa respons dari sejumlah responden terhadap serangkaian pertanyaan tertulis yang terstruktur. Pertanyaan-pertanyaan ini sering kali menggunakan skala pengukuran, seperti skala Likert, untuk mengukur sikap, persepsi, preferensi, atau karakteristik tertentu.

Kualitas data yang Anda kumpulkan melalui kuesioner akan sangat memengaruhi validitas dan reliabilitas hasil analisis Anda. Oleh karena itu, penting untuk merancang kuesioner dengan cermat dan memastikan proses pengumpulan data yang benar.

3. Mengenal SPSS: Keunggulan dan Fitur Utama

SPSS adalah singkatan dari Statistical Package for the Social Sciences. Ini adalah salah satu perangkat lunak statistik paling populer dan kuat yang digunakan di berbagai bidang, mulai dari akademisi, riset pasar, hingga pemerintahan. SPSS dikenal karena antarmuka pengguna yang ramah dan kemampuannya untuk melakukan berbagai analisis statistik, dari yang deskriptif hingga inferensial, dengan mudah.

Keunggulan utama SPSS:

  • Antarmuka Grafis yang Intuitif: Memudahkan pengguna baru untuk mengimpor data, mendefinisikan variabel, dan menjalankan analisis tanpa perlu penulisan kode yang rumit.
  • Beragam Analisis Statistik: Menyediakan berbagai prosedur statistik, termasuk statistik deskriptif, uji t, ANOVA, korelasi, regresi, analisis faktor, dan banyak lagi.
  • Manajemen Data yang Fleksibel: Memungkinkan pembersihan data, transformasi variabel, penggabungan _dataset_, dan manipulasi data lainnya.
  • Output yang Jelas dan Mudah Dibaca: Hasil analisis disajikan dalam format tabel dan grafik yang terstruktur, memudahkan interpretasi.
  • Kompatibilitas: Mampu mengimpor data dari berbagai format, seperti Excel, CSV, dan _database_.

4. Tujuan Panduan Ini

Panduan ini bertujuan untuk membekali Anda dengan pengetahuan dan keterampilan yang diperlukan untuk menganalisis data kuesioner skripsi menggunakan SPSS secara mandiri. Setelah membaca dan mempraktikkan isi panduan ini, Anda diharapkan mampu:

  • Mempersiapkan data kuesioner dengan benar di SPSS.
  • Melakukan uji validitas dan reliabilitas instrumen penelitian.
  • Melakukan analisis statistik deskriptif untuk menggambarkan karakteristik data.
  • Melakukan uji asumsi klasik sebagai prasyarat analisis regresi.
  • Melakukan berbagai analisis inferensial, seperti uji t, ANOVA, korelasi, dan regresi.
  • Menginterpretasikan _output_ SPSS dan menyajikannya dalam laporan skripsi.

Mari kita mulai perjalanan analisis data Anda!

BAB II. Persiapan Data Kuesioner Sebelum Analisis di SPSS

Sebelum Anda dapat memulai analisis statistik yang sebenarnya, langkah persiapan data adalah fondasi yang sangat penting. Data yang tidak disiapkan dengan baik akan menghasilkan analisis yang keliru dan kesimpulan yang tidak valid. Bab ini akan memandu Anda melalui proses persiapan data kuesioner, mulai dari perancangan hingga _input_ ke SPSS dan pembersihan data.

1. Merancang Kuesioner Efektif: Mengapa Ini Penting?

Kualitas data Anda sangat ditentukan oleh kualitas kuesioner yang Anda gunakan. Kuesioner yang dirancang dengan baik akan menghasilkan data yang akurat, relevan, dan lengkap. Sebaliknya, kuesioner yang buruk dapat menyebabkan kebingungan responden, _missing values_, atau data yang tidak dapat digunakan.

Beberapa prinsip dalam merancang kuesioner yang efektif:

  • Jelas dan Tidak Ambigu: Gunakan bahasa yang mudah dipahami, hindari istilah teknis atau jargon yang membingungkan.
  • Singkat dan Padat: Hindari pertanyaan yang terlalu panjang.
  • Relevan dengan Tujuan Penelitian: Setiap pertanyaan harus berkontribusi pada pencapaian tujuan penelitian Anda.
  • Hindari Pertanyaan Mengarahkan (_Leading Questions_): Pertanyaan tidak boleh bias atau mengarahkan responden pada jawaban tertentu.
  • Gunakan Skala yang Tepat: Sesuaikan skala pengukuran dengan jenis data yang ingin Anda kumpulkan.

2. Jenis Skala Pengukuran dalam Kuesioner

Pemahaman tentang skala pengukuran sangat penting karena akan menentukan jenis analisis statistik yang dapat Anda gunakan. SPSS mengklasifikasikan skala pengukuran menjadi empat jenis dasar, yang juga dikenal sebagai tingkat pengukuran Stevens:

2.1. Nominal

Skala nominal adalah tingkat pengukuran terendah. Data pada skala ini hanya bersifat kategorikal, di mana angka hanya berfungsi sebagai label atau kode untuk kategori yang berbeda, tanpa ada urutan atau nilai kuantitatif.

  • Contoh: Jenis Kelamin (_”1 = Laki-laki, 2 = Perempuan”_), Agama (_”1 = Islam, 2 = Kristen, dst.”_), Status Pernikahan (_”1 = Belum Menikah, 2 = Menikah, dst.”_).
  • Analisis yang Cocok: Statistik deskriptif (frekuensi, persentase), uji Chi-Square.

2.2. Ordinal

Skala ordinal menyediakan data kategorikal dengan urutan atau peringkat, tetapi perbedaan antar kategori tidak dapat diukur atau tidak seragam.

  • Contoh: Tingkat Pendidikan (_”1 = SD, 2 = SMP, 3 = SMA, 4 = Perguruan Tinggi”_), Tingkat Kesepakatan (_”1 = Sangat Tidak Setuju, 2 = Tidak Setuju, 3 = Netral, 4 = Setuju, 5 = Sangat Setuju”_).
  • Analisis yang Cocok: Median, modus, rentang, uji peringkat (misalnya Spearman’s Rho, Mann-Whitney U, Kruskal-Wallis).

2.3. Interval

Skala interval memiliki karakteristik skala ordinal ditambah dengan perbedaan yang bermakna antar nilai. Namun, tidak ada nilai nol mutlak (artinya angka nol tidak berarti “tidak ada”).

  • Contoh: Suhu dalam Celsius atau Fahrenheit (suhu 0 derajat Celsius tidak berarti tidak ada suhu sama sekali), Skor IQ.
  • Analisis yang Cocok: Mean, deviasi standar, uji t, ANOVA, korelasi Pearson, regresi.

2.4. Rasio

Skala rasio adalah tingkat pengukuran tertinggi. Skala ini memiliki semua karakteristik skala interval ditambah dengan nilai nol mutlak, yang berarti angka nol menunjukkan ketiadaan sifat yang diukur. Ini memungkinkan perbandingan rasio antar nilai.

  • Contoh: Usia, Tinggi Badan, Berat Badan, Pendapatan, Jumlah Anak, Waktu.
  • Analisis yang Cocok: Semua analisis statistik yang cocok untuk skala interval, serta operasi rasio (misalnya, A dua kali lebih besar dari B).

Dalam kuesioner skripsi yang menggunakan skala Likert, sering kali diperdebatkan apakah data tersebut ordinal atau interval. Secara teknis, skala Likert adalah ordinal karena perbedaan antar poin (misalnya, antara “tidak setuju” dan “netral”) mungkin tidak persis sama. Namun, untuk banyak tujuan analisis statistik, terutama jika skala memiliki 5 atau 7 poin dan diasumsikan terdistribusi normal, mereka sering diperlakukan sebagai skala interval untuk memungkinkan penggunaan uji statistik parametrik yang lebih kuat (seperti regresi, uji t, ANOVA).

3. Pengumpulan Data: Memastikan Kualitas Data

Proses pengumpulan data harus dilakukan dengan cermat untuk meminimalkan bias dan kesalahan. Pastikan responden memahami instruksi, dan jika ada pengumpul data, mereka harus dilatih dengan baik. Data yang terkumpul harus benar-benar mencerminkan kondisi lapangan.

4. Input Data ke SPSS: Langkah Demi Langkah

Setelah kuesioner terkumpul, langkah selanjutnya adalah memasukkan data ke SPSS. Ini adalah proses yang membutuhkan ketelitian tinggi.

4.1. Membuka SPSS dan Data View

Ketika Anda membuka SPSS, Anda akan melihat dua jendela utama:

  1. Data Editor: Jendela ini memiliki dua tab di bagian bawah: Data View dan Variable View.
  2. Output Viewer: Jendela ini akan menampilkan hasil dari setiap analisis yang Anda jalankan.

Secara _default_, SPSS akan terbuka pada Data View. Data View adalah lembar kerja seperti spreadsheet di mana setiap baris mewakili satu responden atau satu kasus, dan setiap kolom mewakili satu variabel (pertanyaan dalam kuesioner Anda).

4.2. Mendefinisikan Variabel di Variable View

Sebelum Anda dapat memasukkan data di Data View, Anda harus mendefinisikan masing-masing variabel di Variable View. Ini adalah ruang di mana Anda memberi tahu SPSS tentang karakteristik setiap pertanyaan atau item kuesioner Anda.

  • Nama (_Name_): Beri nama pendek dan tidak mengandung spasi untuk variabel Anda (misalnya, _Q1, JenisKelamin, Usia_). Disarankan untuk menggunakan nama yang deskriptif namun ringkas.
  • Jenis (_Type_): Pilih jenis data Anda. Numeric adalah yang paling umum untuk data kuesioner.
  • Lebar (_Width_): Jumlah karakter terluas yang diizinkan untuk nilai variabel. Biarkan default jika tidak ada kebutuhan khusus.
  • Desimal (_Decimals_): Jumlah angka di belakang koma. Setel ke 0 untuk data diskrit (misalnya, kode jenis kelamin) atau biarkan jika Anda memiliki data kontinu.
  • Label (_Label_): Berisi deskripsi lengkap dari variabel (misalnya, “Jenis Kelamin Responden”, “Pendapat tentang Kualitas Produk”). Ini akan muncul di _output_ SPSS. Sangat penting untuk mengisi ini dengan jelas.
  • Nilai (_Values_): Untuk variabel kategorikal (nominal atau ordinal), Anda perlu mendefinisikan _value labels_. Klik pada kolom Values, lalu klik tombol …. Masukkan Value (angka) dan Label (deskripsi). Contoh: Untuk Jenis Kelamin, Value 1 = Label Laki-laki, Value 2 = Label Perempuan. Ini akan membantu Anda memahami _output_ dengan lebih mudah.
  • Missing (_Missing_): Untuk mendefinisikan nilai yang hilang (_missing values_). Anda dapat memilih No missing values, Discrete missing values (misalnya, kode 99 untuk “tidak menjawab”), atau Range plus one discrete missing value.
  • Kolom (_Columns_): Lebar tampilan kolom di Data View.
  • Rataan (_Align_): Perataan teks.
  • Ukur (_Measure_): Ini sangat penting. Pilih skala pengukuran yang benar untuk setiap variabel Anda:
    • Scale untuk data Rasio atau Interval.
    • Ordinal untuk data Ordinal.
    • Nominal untuk data Nominal.
  • Peran (_Role_): Biasanya dibiarkan _default_ sebagai Input.

4.3. Pengisian Data Kuesioner

Setelah semua variabel didefinisikan di Variable View, beralihlah ke Data View. Anda akan melihat kolom-kolom dengan nama variabel yang telah Anda buat. Sekarang, mulailah memasukkan data responden satu per satu. Setiap baris adalah satu responden, dan setiap sel adalah jawaban responden untuk item kuesioner tertentu.

Tips penting saat _input_ data:

  • Teliti dan Hati-hati: Kesalahan _input_ data adalah sumber kesalahan analisis yang paling umum. Periksa ulang setiap entri.
  • Verifikasi Data: Setelah selesai _input_, pertimbangkan untuk melakukan verifikasi silang terhadap beberapa entri secara acak dengan data mentah kuesioner.
  • Gunakan Kode Numerik: Untuk variabel kualitatif, selalu gunakan kode numerik yang telah Anda definisikan di kolom Values pada Variable View.

5. Pembersihan Data (_Data Cleaning_)

Data cleaning adalah tahapan penting untuk memastikan kualitas data Anda sebelum analisis. Ini melibatkan identifikasi dan koreksi kesalahan atau inkonsistensi dalam data.

5.1. Missing Values

_Missing values_ adalah data yang tidak tersedia untuk variabel tertentu dari responden tertentu. Mereka bisa terjadi karena responden melewatkan pertanyaan, tidak ingin menjawab, atau kesalahan _input_.

  • Identifikasi: SPSS dapat membantu mengidentifikasi _missing values_ melalui frekuensi atau statistik deskriptif.
  • Penanganan:
    • Imputasi: Mengisi nilai yang hilang dengan estimasi (misalnya, _mean, median, modus_, atau metode yang lebih canggih). Hati-hati dalam menggunakan metode ini, terutama untuk jumlah _missing values_ yang besar.
    • Penghapusan (_Listwise Deletion/Pairwise Deletion_): Menghapus kasus yang memiliki _missing values_. Listwise deletion menghapus seluruh baris jika terdapat _missing value_ di salah satu variabel yang dianalisis. Pairwise deletion hanya menghapus _missing value_ pada variabel tertentu yang sedang dianalisis.
    • Biarkan: Jika jumlah _missing values_ sangat kecil dan tidak signifikan, Anda bisa membiarkannya.

5.2. Outliers

_Outliers_ adalah observasi yang memiliki nilai yang jauh berbeda dari observasi lainnya dalam _dataset_. Mereka bisa disebabkan oleh kesalahan _input_, fenomena yang tidak biasa, atau memang data yang valid namun ekstrem. _Outliers_ dapat sangat memengaruhi hasil analisis statistik.

  • Identifikasi: _Outliers_ dapat diidentifikasi melalui visualisasi data (misalnya, box plot, scatter plot) atau menggunakan metode statistik (misalnya, skor Z, jarak Mahalanobis).
  • Penanganan:
    • Koreksi: Jika disebabkan oleh kesalahan _input_, perbaiki.
    • Penghapusan: Jika outlier adalah kesalahan atau tidak relevan dengan populasi penelitian, Anda bisa menghapusnya (dengan justifikasi yang kuat).
    • Transformasi Data: Mengubah skala data untuk mengurangi dampak outlier (misalnya, transformasi logaritma).
    • Biarkan: Jika outlier adalah data yang valid dan mewakili fenomena yang penting, Anda mungkin perlu menyertakannya namun mempertimbangkan penggunaan metode statistik yang lebih _robust_ terhadap outlier.

5.3. Inkonsistensi Data

Inkonsistensi data terjadi ketika ada entri yang tidak logis atau tidak sesuai dengan aturan yang telah ditetapkan.

  • Contoh: Responden berusia 5 tahun namun status pekerjaannya “Manajer”, atau pendapatan lebih rendah dari gaji minimum yang tidak mungkin.
  • Identifikasi: Melalui cross-tabulation, frekuensi, atau pemeriksaan manual.
  • Penanganan: Koreksi entry, atau hapus data jika tidak dapat diperbaiki dan keabsahannya diragukan.

Setelah data Anda bersih dan siap, kini saatnya melangkah ke uji kualitas instrumen.

BAB III. Uji Kualitas Data: Validitas dan Reliabilitas

Sebelum melangkah lebih jauh ke analisis statistik, Anda perlu memastikan bahwa instrumen kuesioner Anda berkualitas. Dua pilar utama kualitas instrumen adalah validitas dan reliabilitas. Bab ini akan membahas mengapa kedua uji ini penting dan bagaimana melakukannya dengan SPSS.

1. Mengapa Uji Kualitas Data Penting?

Uji kualitas data, khususnya uji validitas dan reliabilitas, adalah langkah esensial untuk menjamin bahwa data yang Anda kumpulkan memang akurat dan konsisten.

  • Validitas memastikan bahwa kuesioner Anda benar-benar mengukur apa yang seharusnya diukur. Jika instrumen tidak valid, data yang Anda kumpulkan tidak akan relevan dengan tujuan penelitian.
  • Reliabilitas memastikan bahwa instrumen Anda konsisten. Jika instrumen tidak reliabel, pengukuran yang sama dapat menghasilkan hasil yang berbeda pada waktu atau kondisi yang berbeda, sehingga sulit untuk menarik kesimpulan yang dapat diandalkan.

Mengabaikan uji ini dapat menyebabkan kesimpulan yang salah dan mengurangi kredibilitas penelitian Anda.

2. Uji Validitas: Mengukur Ketepatan Instrumen

Validitas mengacu pada sejauh mana suatu instrumen mengukur konstruk teoritis yang seharusnya diukur. Ada beberapa jenis validitas, namun yang paling umum digunakan dalam skripsi berbasis kuesioner adalah validitas konstruk, khususnya melalui uji korelasi.

2.1. Validitas Isi (_Content Validity_)

Ini adalah bentuk validitas non-statistik yang dinilai oleh para ahli di bidang studi terkait. Ini mengacu pada sejauh mana _item-item_ dalam instrumen mewakili cakupan konstruk yang diukur secara komprehensif. Biasanya dinilai sebelum pengumpulan data, melalui _expert judgment_ atau _focus group discussions_.

2.2. Validitas Konstruk (_Construct Validity_)

Validitas konstruk mengukur sejauh mana instrumen mengukur konstruk teoritis atau konsep yang tidak dapat diamati secara langsung (misalnya, kepuasan konsumen, motivasi kerja, kualitas pelayanan). Dalam penelitian kuantitatif, ini sering diuji menggunakan analisis statistik.

2.2.1. Uji Korelasi Produk Momen Pearson

Salah satu metode yang paling umum untuk menguji validitas konstruk untuk instrumen yang menggunakan skala interval atau rasio (seperti skala Likert yang diperlakukan sebagai interval) adalah dengan menggunakan Korelasi Produk Momen Pearson. Prinsipnya adalah menguji korelasi antara skor masing-masing item pertanyaan dengan skor total konstruk (variabel).

Langkah-Langkah Uji Validitas Korelasi Pearson di SPSS:

  1. Siapkan Data: Pastikan data kuesioner Anda sudah diinput ke SPSS. Anda memerlukan skor untuk setiap item pertanyaan (misalnya, _Q1, Q2, Q3_) dan skor total untuk setiap variabel (misalnya, _TotalVariabelX = Q1 + Q2 + Q3_).
    • Menghitung Skor Total Variabel:
      • Klik Transform > Compute Variable….
      • Di kolom Target Variable, ketik nama variabel total baru, misalnya Total_KualitasPelayanan.
      • Di kolom Numeric Expression, masukkan formula penjumlahan item, misalnya Q1 + Q2 + Q3 + Q4 + Q5.
      • Klik OK. Lakukan ini untuk setiap variabel (konstruk) yang Anda ukur.
  2. Lakukan Uji Korelasi:
    • Klik Analyze > Correlate > Bivariate….
    • Pindahkan semua item pertanyaan dari satu variabel (misalnya, _Q1, Q2, Q3, Q4, Q5_ yang membentuk variabel KualitasPelayanan) dan skor total variabel tersebut (_Total_KualitasPelayanan_) ke kotak Variables:.
    • Pastikan Pearson dicentang di bagian Correlation Coefficients.
    • Pastikan Two-tailed dicentang di bagian Test of Significance.
    • Centang Flag significant correlations.
    • Klik OK.
2.2.2. Membaca Output Uji Validitas

Output SPSS akan menampilkan tabel korelasi. Fokus pada baris “Total” (atau nama variabel total Anda) dan kolom item pertanyaan.

Kriteria Keputusan: Item pertanyaan dikatakan valid jika:

  • Nilai signifikansi (Sig. 2-tailed) < 0.05 (pada tingkat kepercayaan 95%).
  • Nilai r hitung (nilai korelasi Pearson) > r tabel. Untuk menentukan r tabel, Anda memerlukan derajat kebebasan (df) yaitu N – 2 (N = jumlah responden) dan tingkat signifikansi (biasanya 0.05). Cari nilai r tabel di tabel nilai kritis r produk momen.

Contoh Interpretasi: Jika Sig. (2-_tailed_) untuk item Q1 dengan Total Kualitas Pelayanan adalah 0.000 (lebih kecil dari 0.05), maka item Q1 dianggap valid. Jika r hitung juga lebih besar dari r tabel, ini semakin menguatkan validitas.

Jika suatu item tidak valid, Anda mungkin perlu merevisi atau bahkan menghapus item tersebut dari kuesioner Anda, lalu mengumpulkan data ulang atau melakukan uji validitas ulang pada item yang tersisa.

Ini mengacu pada sejauh mana instrumen memprediksi atau berhubungan dengan kriteria eksternal. Ada dua sub-jenis:

  • Validitas Prediktif: Sejauh mana instrumen dapat memprediksi perilaku atau kinerja di masa depan.
  • Validitas Konkuren: Sejauh mana instrumen berhubungan dengan kriteria yang diukur secara bersamaan. Ini jarang digunakan dalam skripsi umum kecuali ada kriteria eksternal yang jelas dan terukur.

3. Uji Reliabilitas: Mengukur Konsistensi Instrumen

Reliabilitas mengacu pada konsistensi pengukuran. Instrumen yang reliabel akan menghasilkan hasil yang sama atau serupa jika digunakan berulang kali dalam kondisi yang sama.

3.1. Metode Uji Reliabilitas

Ada beberapa metode untuk menguji reliabilitas:

  • Test-retest: Menggunakan instrumen yang sama pada waktu yang berbeda pada kelompok yang sama.
  • Parallel-forms: Membuat dua bentuk instrumen yang setara dan menggunakannya pada kelompok yang sama.
  • Split-half: Membagi item instrumen menjadi dua paruh dan mengkorelasikan skor antar paruh.
  • Internal Consistency (Konsistensi Internal): Menguji sejauh mana item-item dalam satu instrumen mengukur konstruk yang sama secara konsisten. Ini yang paling sering digunakan dalam skripsi.

3.2. Uji Reliabilitas Cronbach’s Alpha

Cronbach’s Alpha adalah koefisien yang paling sering digunakan untuk mengukur konsistensi internal suatu instrumen yang menggunakan skala Likert. Nilai Alpha berkisar antara 0 dan 1.

3.2.1. Langkah-Langkah Uji Cronbach’s Alpha di SPSS
  1. Siapkan Data: Pastikan _item-item_ pertanyaan untuk setiap variabel/konstruk sudah diinput ke SPSS.
  2. Lakukan Uji Reliabilitas:
    • Klik Analyze > Scale > Reliability Analysis….
    • Pindahkan semua item pertanyaan yang termasuk dalam satu variabel (misalnya, _Q1, Q2, Q3, Q4, Q5_ yang membentuk variabel KualitasPelayanan) ke kotak Items:. Jangan masukkan skor total variabel.
    • Pastikan Model diatur ke Alpha.
    • Pada Statistics…, Anda bisa mencentang Scale if item deleted untuk melihat dampak jika ada item yang dihapus. Ini opsional namun membantu jika ada item yang nilai alpha-nya rendah.
    • Klik Continue lalu OK.
3.2.2. Membaca Output Uji Reliabilitas

Output SPSS akan menampilkan tabel Reliability Statistics dan Item-Total Statistics.

Kriteria Keputusan:

  • Nilai Cronbach’s Alpha yang umum diterima untuk menunjukkan reliabilitas adalah >= 0.6 atau >= 0.7. Beberapa peneliti bahkan menggunakan 0.8 atau 0.9 sebagai batas minimal. Semakin tinggi nilai Alpha, semakin reliabel instrumen tersebut.
Nilai Cronbach’s Alpha Interpretasi Reliabilitas
> 0.90 Sangat Baik
0.80 – 0.90 Baik
0.70 – 0.80 Diterima
0.60 – 0.70 Cukup Diterima
< 0.60 Buruk (Perlu Revisi)

Contoh Interpretasi: Jika nilai Cronbach’s Alpha untuk variabel Kualitas Pelayanan adalah 0.850, maka instrumen untuk mengukur Kualitas Pelayanan dinilai reliabel (baik).

Jika nilai Alpha rendah, periksa kolom Cronbach’s Alpha if Item Deleted di tabel Item-Total Statistics. Jika menghapus suatu item dapat meningkatkan Alpha secara signifikan, pertimbangkan untuk menghapus item tersebut (dengan justifikasi teoritis). Namun, lebih baik melakukan revisi kuesioner dan mengumpulkan data ulang jika reliabilitas sangat rendah.

Setelah instrumen Anda terbukti valid dan reliabel, Anda siap untuk melangkah ke analisis statistik deskriptif.

BAB IV. Statistik Deskriptif: Memahami Karakteristik Data

Setelah data Anda bersih dan instrumen teruji kualitasnya, langkah selanjutnya adalah memahami karakteristik dasar data Anda. Statistik deskriptif adalah metode yang digunakan untuk meringkas dan menggambarkan _fitur-fitur_ utama dari suatu kumpulan data. Bab ini akan memandu Anda dalam melakukan statistik deskriptif menggunakan SPSS.

1. Pengertian Statistik Deskriptif

Statistik deskriptif adalah cabang statistik yang berkaitan dengan pengorganisasian, penyajian, dan peringkasan data dalam bentuk yang mudah dipahami. Tujuannya adalah untuk mendeskripsikan karakteristik utama dari _dataset_ tanpa membuat kesimpulan (inferensi) tentang populasi yang lebih luas.

2. Manfaat Statistik Deskriptif dalam Skripsi

Dalam konteks skripsi, statistik deskriptif sangat bermanfaat untuk:

  • Menggambarkan Karakteristik Responden: Menyajikan informasi demografi seperti jenis kelamin, usia, tingkat pendidikan, pekerjaan, dll.
  • Memahami Distribusi Variabel: Melihat sebaran jawaban responden untuk setiap item atau variabel, misalnya, berapa banyak yang sangat setuju atau tidak setuju.
  • Mengetahui Nilai Sentral dan Variasi Data: Memberikan gambaran tentang rata-rata, nilai tengah, nilai yang paling sering muncul, serta sebaran data (misalnya, seberapa bervariasi jawaban responden).
  • Mendeteksi Anomali Data: Membantu mengidentifikasi data yang tidak biasa atau _outlier_ (meskipun ini juga dilakukan pada tahap _data cleaning_).
  • Pondasi untuk Analisis Lanjut: Memberikan pemahaman awal tentang data sebelum melakukan analisis inferensial yang lebih kompleks.

3. Jenis Statistik Deskriptif

Statistik deskriptif umumnya dipecah menjadi dua kategori utama:

3.1. Ukuran Tendensi Sentral (_Central Tendency_)

Ukuran tendensi sentral menunjukkan di mana pusat atau nilai tipikal dari suatu kumpulan data berada.

3.1.1. Mean (Rata-rata)
  • Jumlah semua nilai dalam _dataset_ dibagi dengan jumlah total nilai.
  • Paling cocok untuk data Interval atau Rasio.
  • Sangat sensitif terhadap _outlier_.
3.1.2. Median
  • Nilai tengah dalam _dataset_ yang telah diurutkan dari terkecil ke terbesar.
  • Cocok untuk data Ordinal, Interval, atau Rasio, terutama jika ada _outlier_.
  • Tidak terpengaruh oleh _outlier_.
3.1.3. Modus (_Mode_)
  • Nilai yang paling sering muncul dalam suatu _dataset_.
  • Dapat digunakan untuk semua jenis skala pengukuran (Nominal, Ordinal, Interval, Rasio).
  • Tidak terpengaruh oleh _outlier_.

3.2. Ukuran Sebaran/Variasi (_Dispersion/Variability_)

Ukuran sebaran menunjukkan seberapa bervariasi atau tersebar data dalam _dataset_.

3.2.1. Rentang (_Range_)
  • Perbedaan antara nilai maksimum dan minimum dalam _dataset_.
  • Sederhana, tetapi sangat dipengaruhi oleh _outlier_.
3.2.2. Deviasi Standar (_Standard Deviation_)
  • Ukuran rata-rata seberapa jauh setiap titik data dari _mean_.
  • Semakin besar deviasi standar, semakin tersebar data.
  • Cocok untuk data Interval atau Rasio.
3.2.3. Varian (_Variance_)
  • Kuadrat dari deviasi standar.

4. Membuat Tabel Frekuensi dan Distribusi

Tabel frekuensi adalah cara dasar untuk meringkas data kategorikal (Nominal atau Ordinal) dan menunjukkan berapa kali setiap kategori muncul.

4.1. Langkah-Langkah di SPSS

  1. Lakukan Analisis Frekuensi:
    • Klik Analyze > Descriptive Statistics > Frequencies….
    • Pindahkan variabel yang ingin Anda analisis frekuensinya ke kotak Variables:. Ini bisa berupa variabel demografi (Jenis Kelamin, Pendidikan) atau bahkan item pertanyaan individual dari kuesioner.
    • Penting: Pastikan centang Display frequency tables aktif.
    • Jika Anda ingin menghitung ukuran tendensi sentral (mean, median, mode) atau ukuran sebaran (deviasi standar, varian), klik tombol Statistics… dan pilih statistik yang diinginkan.
    • Jika Anda ingin membuat grafik, klik tombol Charts… dan pilih jenis grafik yang sesuai (misalnya, Bar charts untuk kategori, Histograms untuk data kontinu).
    • Klik Continue lalu OK.

4.2. Interpretasi Tabel Frekuensi

Output SPSS akan menampilkan tabel frekuensi untuk setiap variabel yang Anda pilih, yang biasanya mencakup:

  • Frequency: Jumlah responden untuk setiap kategori.
  • Percent: Persentase dari total responden untuk setiap kategori.
  • Valid Percent: Persentase dari responden yang memberikan jawaban (mengabaikan _missing values_).
  • Cumulative Percent: Persentase kumulatif.

Contoh Interpretasi:

  • Tabel Frekuensi Jenis Kelamin: “Dari 100 responden, 60% adalah Laki-laki dan 40% adalah Perempuan.”
  • Tabel Frekuensi Item Skala Likert: “Sebanyak 70% responden menyatakan ‘Sangat Setuju’ atau ‘Setuju’ terhadap pernyataan ini.”

5. Visualisasi Data dengan Grafik

Visualisasi data melalui grafik adalah cara yang sangat efektif untuk menyajikan temuan deskriptif secara cepat dan mudah dicerna.

5.1. Bar Chart

  • Cocok untuk data Nominal atau Ordinal.
  • Menunjukkan frekuensi atau persentase setiap kategori dengan tinggi batang.
  • Langkah di SPSS: Graphs > Legacy Dialogs > Bar… atau dari Frequencies di Charts….

5.2. Pie Chart

  • Cocok untuk data Nominal atau Ordinal, terutama jika jumlah kategorinya sedikit.
  • Menunjukkan proporsi setiap kategori terhadap keseluruhan dalam bentuk irisan lingkaran.
  • Langkah di SPSS: Graphs > Legacy Dialogs > Pie… atau dari Frequencies di Charts….

5.3. Histogram

  • Cocok untuk data skala Interval atau Rasio.
  • Menunjukkan distribusi frekuensi dari data kontinu. Batang-batang yang berdekatan menunjukkan rentang nilai, dan tingginya menunjukkan frekuensi. Sering digunakan untuk memeriksa normalitas.
  • Langkah di SPSS: Graphs > Legacy Dialogs > Histogram… atau dari Frequencies di Charts….

5.4. Box Plot

  • Cocok untuk data skala Interval atau Rasio.
  • Menampilkan ringkasan lima angka dari data: nilai minimum, kuartil pertama (Q1), median, kuartil ketiga (Q3), dan nilai maksimum. Juga sangat efektif untuk mengidentifikasi _outlier_.
  • Langkah di SPSS: Graphs > Legacy Dialogs > Boxplot….

Tips Penyajian:

  • Sajikan tabel dan grafik yang relevan dengan pertanyaan penelitian Anda.
  • Berikan narasi deskriptif yang jelas di bawah setiap tabel atau grafik, menjelaskan apa yang ditunjukkan oleh data.
  • Gunakan judul yang jelas untuk setiap tabel/grafik.

Setelah Anda berhasil mendeskripsikan data Anda, pemahaman mendalam tentang karakteristik data akan sangat membantu dalam langkah selanjutnya, yaitu uji asumsi klasik (jika diperlukan) dan analisis inferensial.

BAB V. Uji Asumsi Klasik: Syarat Analisis Regresi

Jika penelitian Anda melibatkan analisis regresi linier (baik sederhana maupun berganda), maka Anda wajib melakukan uji asumsi klasik. Uji ini memastikan bahwa model regresi yang Anda bangun memenuhi persyaratan statistik agar hasil yang diperoleh valid dan reliable. Mengabaikan uji ini dapat menyebabkan kesimpulan yang keliru. Bab ini akan membahas secara rinci berbagai uji asumsi klasik dan cara melakukannya dengan SPSS.

1. Pentingnya Uji Asumsi Klasik

Model regresi linier memiliki beberapa asumsi yang harus dipenuhi agar estimasi koefisien dan uji hipotesis yang dihasilkan bersifat Best Linear Unbiased Estimator (BLUE). Jika asumsi ini dilanggar, meskipun model mungkin masih dapat diestimasi, hasil yang diperoleh menjadi tidak valid atau reliable untuk digeneralisasi ke populasi.

2. Jenis Uji Asumsi Klasik

Uji asumsi klasik yang paling umum meliputi:

2.1. Uji Normalitas Data

Uji normalitas bertujuan untuk mengetahui apakah data residual (selisih antara nilai prediksi dan nilai observasi) terdistribusi normal. Penting: Yang diuji normalitasnya adalah residual, bukan data variabel itu sendiri, meskipun sering kali disalahpahami sebagai normalitas data variabel.

2.1.1. Grafik Histogram

Visualisasi awal untuk memeriksa normalitas residual. Bentuk histogram yang menyerupai lonceng menunjukkan distribusi normal.

2.1.2. Normal P-P Plot (_Probability-Probability Plot_)

P-P Plot membandingkan distribusi kumulatif variabel dengan distribusi kumulatif normal. Jika titik-titik data mengikuti garis diagonal, ini menunjukkan normalitas.

2.1.3. Uji Shapiro-Wilk dan Kolmogorov-Smirnov

Ini adalah uji statistik formal untuk normalitas.

  • Uji Kolmogorov-Smirnov: Digunakan untuk sampel besar (umumnya N > 50).
  • Uji Shapiro-Wilk: Digunakan untuk sampel kecil (umumnya N < 50).

Langkah-Langkah Uji Normalitas Residual di SPSS:

  1. Jalankan Analisis Regresi Terlebih Dahulu: Anda perlu menghasilkan nilai residual dari model regresi.
    • Klik Analyze > Regression > Linear….
    • Pindahkan variabel dependen ke kotak Dependent: dan variabel independen Anda ke kotak Independent(s):.
    • Klik tombol Save….
    • Di bagian Residuals, centang Unstandardized. Ini akan membuat variabel residual baru (_RES_1_).
    • Klik Continue lalu OK (Anda bisa mengabaikan _output_ regresi untuk sementara).
  2. Lakukan Uji Normalitas pada Residual:
    • Klik Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample Kolmogorov-Smirnov….
    • Pindahkan variabel _Unstandardized Residuals (RES_1)_ ke kotak Test Variable List:.
    • Pastikan Normal dicentang di bagian Test Distribution.
    • Klik OK.
2.1.4. Interpretasi Hasil Uji Normalitas
  • Histogram dan P-P Plot: Periksa secara visual apakah distribusi mendekati normal atau titik-titik mengikuti garis diagonal.
  • Kolmogorov-Smirnov / Shapiro-Wilk Test:
    • Lihat kolom Sig. (atau Asymp. Sig. (2-tailed)).
    • Kriteria: Residual terdistribusi normal jika Sig. > 0.05.
    • Jika Sig. < 0.05, ini menunjukkan bahwa residual tidak terdistribusi normal.

Penanganan Jika Tidak Normal:

  • Jumlah sampel besar (N > 30): Dalam kasus N besar, uji normalitas seringkali tidak terlalu ketat karena Central Limit Theorem menyatakan bahwa distribusi sampling akan mendekati normal. Beberapa ahli berpendapat bahwa asumsi normalitas residual dapat dilonggarkan.
  • Transformasi Data: Melakukan transformasi pada variabel (misalnya, logaritma, akar kuadrat).
  • Metode Non-Parametrik: Menggunakan metode analisis alternatif yang tidak memerlukan asumsi normalitas (misalnya, regresi _robust_, _bootstrapping_).

2.2. Uji Multikolinearitas

Multikolinearitas terjadi ketika ada korelasi yang kuat antarvariabel independen dalam model regresi. Ini dapat menyulitkan penentuan kontribusi unik dari masing-masing variabel independen terhadap variabel dependen.

2.2.1. Konsep Multikolinearitas
  • Gejala: Koefisien regresi tidak stabil, tanda koefisien tidak sesuai teori, nilai _R-square_ tinggi tetapi variabel independen tidak signifikan secara parsial.
  • Dampak: Mengurangi kekuatan statistik uji t, memperlebar interval kepercayaan, dan mempersulit interpretasi koefisien.
2.2.2. Mendeteksi Multikolinearitas dengan VIF dan Tolerance

SPSS menyediakan statistik Variance Inflation Factor (VIF) dan Tolerance untuk mendeteksi multikolinearitas.

Langkah-Langkah Uji Multikolinearitas di SPSS:

  1. Jalankan Analisis Regresi:
    • Klik Analyze > Regression > Linear….
    • Pindahkan variabel dependen ke kotak Dependent: dan variabel independen Anda ke kotak Independent(s):.
    • Klik tombol Statistics….
    • Di bagian Coefficients, centang Collinearity diagnostics.
    • Klik Continue lalu OK.
2.2.3. Interpretasi Hasil Uji Multikolinearitas

Lihat tabel Coefficients di bagian _output_. Perhatikan kolom Tolerance dan VIF.

Kriteria Keputusan:

  • Tolerance: Tidak ada multikolinearitas jika nilai Tolerance > 0.10 (beberapa sumber menyebut > 0.20).
  • VIF: Tidak ada multikolinearitas jika nilai VIF < 10 (beberapa sumber menyebut < 5).

Contoh Interpretasi: Jika semua variabel independen memiliki nilai VIF < 10 dan Tolerance > 0.1, maka tidak ada masalah multikolinearitas dalam model.

Penanganan Jika Ada Multikolinearitas:

  • Hapus salah satu variabel yang sangat berkorelasi (jika secara teoritis memungkinkan).
  • Gabungkan variabel yang berkorelasi menjadi satu konstruk baru (misalnya, dengan analisis faktor).
  • Gunakan teknik regresi yang lebih canggih (misalnya, Ridge Regression).
  • Tingkatkan jumlah sampel.

2.3. Uji Heteroskedastisitas

Heteroskedastisitas terjadi ketika varians residual tidak konstan di seluruh rentang nilai variabel independen. Dengan kata lain, sebaran _error_ bervariasi dengan tingkat variabel independen. Ini melanggar asumsi homoskedastisitas (varians _error_ yang konstan).

2.3.1. Konsep Heteroskedastisitas
  • Gejala: Pola sebaran residual yang membentuk pola tertentu (misalnya, kerucut melebar atau menyempit) pada scatter plot.
  • Dampak: Estimasi koefisien regresi tetap unbiased dan konsisten, tetapi tidak lagi efisien, sehingga standard error menjadi tidak akurat. Ini dapat menyebabkan kesimpulan uji signifikansi yang keliru.
2.3.2. Metode Uji Heteroskedastisitas

Ada beberapa metode untuk menguji heteroskedastisitas di SPSS:

2.3.2.1. Scatter Plot (Plot antara Residual dengan Nilai Prediksi)
  • Langkah-Langkah di SPSS:
    • Jalankan Regresi (Analyze > Regression > Linear…).
    • Pada jendela Regression Linear, klik tombol Plots….
    • Pindahkan _*ZRESID (Standardized Residual)_ ke kotak Y: dan _*ZPRED (Standardized Predicted Values)_ ke kotak X:.
    • Klik Continue lalu OK.
  • Interpretasi: Amati scatter plot.
    • Jika titik-titik menyebar secara acak tanpa pola tertentu (misalnya, tidak ada kerucut atau pola tertentu), maka tidak ada heteroskedastisitas (homoskedastisitas).
    • Jika ada pola yang jelas (misalnya, menyempit atau melebar), maka terindikasi heteroskedastisitas.
2.3.2.2. Uji Glejser
  • Melakukan regresi antara nilai absolut residual (_ABS_RES_1_) sebagai variabel dependen dengan variabel independen (_X1, X2, dst_.) sebagai variabel independen.
  • Kriteria: Jika nilai signifikansi untuk setiap variabel independen > 0.05, maka tidak ada heteroskedastisitas.
  • Langkah-Langkah di SPSS:
    • Hitung _Unstandardized Residuals_ (seperti saat uji normalitas).
    • Transformasikan _Unstandardized Residuals_ ke nilai absolut:
      • Transform > Compute Variable….
      • Target Variable: ABS_RES_1.
      • Numeric Expression: ABS(RES_1).
      • Klik OK.
    • Jalankan regresi baru:
      • Analyze > Regression > Linear….
      • Dependent: ABS_RES_1.
      • Independent(s): Variabel independen awal Anda (_X1, X2, dst._).
      • Klik OK.
  • Interpretasi: Lihat tabel Coefficients. Jika Sig. setiap variabel independen (_X1, X2, dst._) > 0.05, tidak ada heteroskedastisitas.
2.3.2.3. Uji Park
  • Mirip Glejser, tetapi variabel dependennya adalah logaritma kuadrat residual.
2.3.2.4. Uji Spearman’s Rho (untuk mendeteksi korelasi antara residual dan variabel independen)
  • Langkah-Langkah di SPSS:
    • Hitung _Unstandardized Residuals (RES_1_)
    • Lakukan Koterasi Spearman:
      • Analyze > Correlate > Bivariate….
      • Pindahkan _RES_1_ dan semua variabel independen (_X1, X2, dst._) ke kotak Variables:.
      • Centang Spearman.
      • Klik OK.
  • Interpretasi: Jika nilai Sig. (2-tailed) untuk korelasi antara _RES_1_ dengan masing-masing variabel independen > 0.05, maka tidak ada heteroskedastisitas.
2.3.3. Interpretasi Hasil Uji Heteroskedastisitas

Secara umum, jika metode-metode di atas menunjukkan tidak adanya pola atau nilai signifikansi yang lebih besar dari 0.05, maka asumsi homoskedastisitas terpenuhi.

Penanganan Jika Ada Heteroskedastisitas:

  • Transformasi Data (misalnya, logaritmik, akar kuadrat).
  • Weighted Least Squares (WLS): Metode statistik yang memberi bobot lebih rendah pada observasi dengan varians _error_ yang lebih besar.
  • Menggunakan Robust Standard Errors (tidak tersedia secara _default_ di SPSS dasar, memerlukan sintaks atau _add-on_).

2.4. Uji Autokorelasi (Khusus Data Time Series)

Autokorelasi adalah korelasi antara residual periode waktu satu dengan residual periode waktu sebelumnya. Ini merupakan masalah serius pada data time series (data deret waktu). Jika Anda menggunakan data kuesioner yang dikumpulkan pada satu titik waktu (data cross-sectional), asumsi ini tidak relevan dan tidak perlu diuji.

2.4.1. Konsep Autokorelasi
  • Gejala: Pola positif (residual berturut-turut cenderung memiliki tanda yang sama) atau pola negatif (residual berturut-turut cenderung memiliki tanda yang berlawanan).
  • Dampak: Estimasi koefisien masih unbiased, tetapi standard error tidak akurat, menyebabkan P-value yang keliru dan kesimpulan uji signifikansi yang salah.
2.4.2. Uji Durbin-Watson

Uji Durbin-Watson adalah uji yang paling umum untuk mendeteksi autokorelasi first-order (antara residual saat ini dengan residual pada periode sebelumnya). Nilai Durbin-Watson berkisar antara 0 dan 4.

Langkah-Langkah Uji Autokorelasi di SPSS (Jika Anda memiliki data Time Series):

  1. Jalankan Analisis Regresi:
    • Klik Analyze > Regression > Linear….
    • Pindahkan variabel dependen dan independen.
    • Klik tombol Statistics….
    • Di bagian Residuals, centang Durbin-Watson.
    • Klik Continue lalu OK.
2.4.3. Interpretasi Hasil Uji Durbin-Watson

Lihat nilai Durbin-Watson di tabel Model Summary pada _output_ regresi.

Kriteria Keputusan:

  • Nilai Durbin-Watson mendekati 2 (d ≈ 2): Tidak ada autokorelasi.
  • Nilai Durbin-Watson < 2: Ada autokorelasi positif.
  • Nilai Durbin-Watson > 2: Ada autokorelasi negatif.

Untuk interpretasi yang lebih tepat, Anda perlu membandingkan nilai Durbin-Watson dengan tabel Durbin-Watson (yang memerlukan jumlah observasi N dan jumlah variabel independen k).

  • Jika d < _$d_L$_ (lower limit) atau d > (4-$_d_L$), ada autokorelasi.
  • Jika $_d_U$_ < d < (4-$_d_U$) (upper limit), tidak ada autokorelasi.
  • Jika di antara $_d_L$_ dan $_d_U$_, hasilnya bimbang.

Penanganan Jika Ada Autokorelasi:

  • Menambahkan variabel lag (lagged variables) ke model.
  • Menggunakan Generalized Least Squares (GLS).
  • Menggunakan Newey-West standard errors.

Setelah semua asumsi klasik terpenuhi (atau ditangani dengan tepat), Anda siap untuk maju ke tahap inti: analisis inferensial untuk menguji hipotesis penelitian Anda.

BAB VI. Analisis Inferensial: Menguji Hipotesis Penelitian

Setelah data Anda bersih, instrumen valid dan reliable, serta asumsi klasik (jika menggunakan regresi) terpenuhi, kini saatnya masuk ke inti penelitian Anda: analisis inferensial. Analisis ini memungkinkan Anda untuk menarik kesimpulan tentang populasi berdasarkan sampel yang Anda miliki, serta menguji hipotesis-hipotesis yang telah Anda rumuskan.

1. Pengertian Analisis Inferensial

Analisis inferensial adalah cabang statistik yang menggunakan data dari sampel untuk membuat kesimpulan atau prediksi tentang populasi yang lebih besar. Tujuan utamanya adalah untuk menguji hipotesis dan menggeneralisasi temuan dari sampel ke populasi. Berbeda dengan statistik deskriptif yang hanya menggambarkan data, inferensial berusaha untuk menjelaskan hubungan, perbedaan, atau dampak antarvariabel.

2. Memilih Uji Statistik yang Tepat

Pilihan uji statistik inferensial yang tepat sangat krusial dan bergantung pada beberapa faktor:

  1. Tujuan Penelitian: Apakah Anda ingin membandingkan kelompok, mencari hubungan, atau memprediksi suatu variabel?
  2. Jenis Data/Skala Pengukuran: Apakah variabel Anda nominal, ordinal, interval, atau rasio? (Ini sangat menentukan!)
  3. Jumlah Variabel: Berapa banyak variabel dependen dan independen yang terlibat?
  4. Asumsi Statistik: Apakah asumsi tertentu (misalnya, normalitas, homoskedastisitas) terpenuhi?

Tabel singkat penentuan uji statistik umum:

Tujuan Penelitian Jenis Variabel Skala Pengukuran Uji Statistik Umum
Membandingkan 2 Kelompok Dependen: Interval/Rasio; Independen: Nominal Parametrik Independent Sample T-Test
Membandingkan >2 Kelompok Dependen: Interval/Rasio; Independen: Nominal Parametrik One-Way ANOVA
Menguji Hubungan Keduanya Interval/Rasio Parametrik Korelasi Pearson
Menguji Hubungan Keduanya Ordinal (atau salah satu ordinal) Non-Parametrik Korelasi Spearman/Kendall’s Tau
Memprediksi (1 Independen) Dependen & Independen: Interval/Rasio Parametrik Regresi Linier Sederhana
Memprediksi (>1 Independen) Dependen & Independen: Interval/Rasio Parametrik Regresi Linier Berganda
Membandingkan Proporsi Keduanya Nominal Non-Parametrik Chi-Square

3. Uji Perbandingan (_Comparison Tests_)

Uji perbandingan digunakan untuk menentukan apakah ada perbedaan signifikan antara dua atau lebih kelompok.

3.1. Uji T-Test (_Independent Sample T-Test, Paired Sample T-Test, One-Sample T-Test_)

Uji t digunakan untuk membandingkan rata-rata dua kelompok. Ada tiga jenis utama:

3.1.1. Kapan Menggunakan T-Test?
  • Independent Sample T-Test: Untuk membandingkan rata-rata dua kelompok yang tidak berhubungan (independen), misalnya, perbedaan rata-rata kepuasan konsumen antara laki-laki dan perempuan.
  • Paired Sample T-Test: Untuk membandingkan rata-rata dua pengukuran dari satu kelompok yang berhubungan (berpasangan), misalnya, perbedaan skor sebelum dan sesudah intervensi pada kelompok yang sama.
  • One-Sample T-Test: Untuk membandingkan rata-rata satu kelompok dengan nilai populasi yang diketahui atau nilai teoritis tertentu.

Langkah-Langkah Uji T-Test di SPSS (Contoh: Independent Sample T-Test)

  1. Siapkan Data: Pastikan Anda memiliki variabel dependen (skala Interval/Rasio) dan variabel pengelompokan (skala Nominal, 2 kategori).
  2. Lakukan Uji T-Test:
    • Klik Analyze > Compare Means > Independent-Samples T Test….
    • Masukkan variabel dependen Anda (misalnya, KepuasanKonsumen) ke kotak Test Variable(s):.
    • Masukkan variabel pengelompokan Anda (misalnya, JenisKelamin) ke kotak Grouping Variable:.
    • Klik Define Groups…. Masukkan nilai kode untuk masing-masing kelompok (misalnya, 1 untuk Laki-laki, 2 untuk Perempuan).
    • Klik Continue lalu OK.
3.1.3. Interpretasi Hasil Uji T-Test

Output SPSS akan menampilkan dua tabel utama: Group Statistics dan Independent Samples Test.

  • Group Statistics: Menampilkan statistik deskriptif untuk setiap kelompok (_mean_, deviasi standar, N).
  • Independent Samples Test: Ini adalah tabel utamanya.
    • Levene’s Test for Equality of Variances:
      • Pertama, lihat baris Sig. di kolom Levene’s Test.
      • Jika Sig. > 0.05, asumsi kesamaan varians terpenuhi (gunakan baris Equal variances assumed).
      • Jika Sig. < 0.05, asumsi kesamaan varians dilanggar (gunakan baris Equal variances not assumed).
    • T-Test for Equality of Means:
      • Lihat baris yang sesuai dengan hasil Levene’s Test.
      • Perhatikan kolom Sig. (2-tailed).
      • Kriteria Keputusan:
        • Jika Sig. (2-tailed) < 0.05, ada perbedaan signifikan antara rata-rata kedua kelompok.
        • Jika Sig. (2-tailed) > 0.05, tidak ada perbedaan signifikan antara rata-rata kedua kelompok.
      • Perhatikan juga t (nilai t hitung) dan df (derajat kebebasan).

Contoh Interpretasi: “Berdasarkan uji Independent-Samples T-Test, nilai signifikansi (Sig. 2-tailed) adalah 0.002 (< 0.05), yang berarti terdapat perbedaan signifikan rata-rata kepuasan konsumen antara responden laki-laki dan perempuan. Rata-rata kepuasan responden laki-laki (mean=X) lebih tinggi daripada responden perempuan (mean=Y).”

3.2. ANOVA (_Analysis of Variance_)

ANOVA digunakan untuk membandingkan rata-rata dari tiga kelompok atau lebih. Ini adalah generalisasi dari uji t ketika Anda memiliki lebih dari dua kelompok.

3.2.1. Kapan Menggunakan ANOVA?
  • Ketika Anda ingin menguji apakah ada perbedaan signifikan pada variabel dependen kontinu di antara berbagai kategori dari satu atau lebih variabel independen kategorikal.
  • Contoh: Perbedaan rata-rata motivasi kerja berdasarkan tingkat pendidikan (SD, SMP, SMA, Perguruan Tinggi).
3.2.2. ANOVA Satu Arah (_One-Way ANOVA_)

One-Way ANOVA digunakan ketika Anda memiliki satu variabel dependen kontinu dan satu variabel independen kategorikal dengan tiga atau lebih kelompok.

3.2.3. Langkah-Langkah Uji One-Way ANOVA di SPSS
  1. Siapkan Data: Anda memerlukan variabel dependen (skala Interval/Rasio) dan variabel pengelompokan (skala Nominal/Ordinal dengan 3+ kategori).
  2. Lakukan Uji ANOVA:
    • Klik Analyze > Compare Means > One-Way ANOVA….
    • Masukkan variabel dependen Anda (misalnya, MotivasiKerja) ke kotak Dependent List:.
    • Masukkan variabel pengelompokan Anda (misalnya, TingkatPendidikan) ke kotak Factor:.
    • Klik tombol Post Hoc…. Centang Tukey (atau metode lain seperti Bonferroni, Scheffe) untuk uji post-hoc. Ini akan membantu menentukan kelompok mana saja yang berbeda jika hasil ANOVA signifikan.
    • Klik Continue lalu OK.
3.2.4. Interpretasi Hasil Uji One-Way ANOVA

Output SPSS akan menampilkan tabel ANOVA dan jika Anda memilih, tabel Post Hoc Tests.

  • Tabel ANOVA:
    • Perhatikan baris Between Groups dan kolom Sig..
    • Kriteria Keputusan:
      • Jika Sig. < 0.05, ada perbedaan signifikan rata-rata variabel dependen antar kelompok.
      • Jika Sig. > 0.05, tidak ada perbedaan signifikan rata-rata antar kelompok.
    • Jika hasil ANOVA Sig. < 0.05, ini berarti setidaknya ada satu pasangan kelompok yang berbeda, tetapi Anda tidak tahu kelompok mana. Untuk mengetahui persisnya, Anda perlu melihat hasil Post Hoc Tests.
  • Tabel Post Hoc Tests:
    • Tabel ini menunjukkan perbandingan berpasangan antar kelompok. Cari nilai Sig. untuk setiap pasangan.
    • Kriteria Keputusan: Jika Sig. < 0.05 untuk pasangan tertentu, berarti ada perbedaan signifikan antara kedua kelompok tersebut.

Contoh Interpretasi: “Hasil uji One-Way ANOVA menunjukkan nilai signifikansi 0.005 (< 0.05), yang berarti terdapat perbedaan signifikan rata-rata motivasi kerja berdasarkan tingkat pendidikan. Hasil Post Hoc Tests (Tukey HSD) menunjukkan bahwa individu dengan pendidikan Perguruan Tinggi memiliki motivasi kerja yang secara signifikan lebih tinggi dibandingkan dengan tingkat pendidikan SD dan SMP, namun tidak ada perbedaan signifikan antara SMA dan Perguruan Tinggi.”

4. Uji Hubungan/Korelasi (_Correlation Tests_)

Uji korelasi digunakan untuk mengukur kekuatan dan arah hubungan antara dua variabel.

4.1. Korelasi Pearson Product-Moment

  • Digunakan untuk mengukur kekuatan dan arah hubungan linier antara dua variabel dengan skala Interval atau Rasio yang terdistribusi normal.
  • Koefisien korelasi r berkisar antara -1 hingga +1.
    • r = +1: Hubungan positif sempurna.
    • r = -1: Hubungan negatif sempurna.
    • r = 0: Tidak ada hubungan linier.
    • (0.0 – 0.2): Sangat Lemah
    • (0.2 – 0.4): Lemah
    • (0.4 – 0.6): Sedang
    • (0.6 – 0.8): Kuat
    • (0.8 – 1.0): Sangat Kuat

Langkah-Langkah Uji Korelasi Pearson di SPSS

  1. Siapkan Data: Anda memerlukan dua variabel dengan skala Interval/Rasio.
  2. Lakukan Uji Korelasi:
    • Klik Analyze > Correlate > Bivariate….
    • Pindahkan kedua variabel yang ingin Anda korelasikan (misalnya, Promosi dan Penjualan) ke kotak Variables:.
    • Pastikan Pearson dicentang di bagian Correlation Coefficients.
    • Pastikan Two-tailed dicentang di bagian Test of Significance.
    • Centang Flag significant correlations.
    • Klik OK.
4.1.3. Interpretasi Koefisien Korelasi

Output SPSS akan menampilkan tabel Correlations.

  • Perhatikan nilai Pearson Correlation (r) dan Sig. (2-tailed).
  • Kriteria Keputusan Signifikansi:
    • Jika Sig. (2-tailed) < 0.05, hubungan tersebut signifikan secara statistik.
    • Jika Sig. (2-tailed) > 0.05, hubungan tersebut tidak signifikan.

Contoh Interpretasi: “Hasil uji korelasi Pearson menunjukkan koefisien korelasi antara Promosi dan Penjualan adalah 0.750 dengan nilai signifikansi 0.000 (< 0.05). Ini menunjukkan bahwa terdapat hubungan positif yang kuat dan signifikan antara Promosi dan Penjualan. Artinya, semakin tinggi promosi, semakin tinggi pula penjualan.”

4.2. Korelasi Spearman Rank (untuk Data Ordinal)

  • Digunakan ketika salah satu atau kedua variabel berskala Ordinal, atau ketika asumsi normalitas untuk Pearson tidak terpenuhi.
  • Prinsipnya serupa dengan Pearson, tetapi bekerja pada peringkat data.

5. Analisis Regresi Linier

Analisis regresi linier digunakan untuk memahami dan memodelkan hubungan antara satu atau lebih variabel independen (prediktor) dengan satu variabel dependen (kriteria). Regresi juga digunakan untuk memprediksi nilai variabel dependen berdasarkan nilai variabel independen.

5.1. Regresi Linier Sederhana

  • Menguji pengaruh atau hubungan antara satu variabel independen dengan satu variabel dependen.
  • Persamaan: $$Y = a + bX + e$$
    • Y = variabel dependen
    • a = konstanta (nilai Y ketika X = 0)
    • b = koefisien regresi (perubahan Y untuk setiap unit perubahan X)
    • X = variabel independen
    • e = error/residual
5.1.1. Konsep Regresi Linier Sederhana

Regresi linier sederhana berusaha menemukan garis lurus terbaik yang cocok (_best-fit line_) melalui data, yang meminimalkan jumlah kuadrat residual (metode Ordinary Least Squares / OLS).

5.1.2. Asumsi Regresi Linier Sederhana

Selain asumsi klasik (normalitas residual, homoskedastisitas), regresi linier juga mengasumsikan:

  • Linieritas: Hubungan antara X dan Y adalah linier (dapat diperiksa dengan scatter plot).
  • Tidak Ada Autokorelasi: Residual tidak berkorelasi (khusus data time series).
5.1.3. Langkah-Langkah Analisis Regresi Linier Sederhana di SPSS
  1. Siapkan Data: Anda memerlukan satu variabel dependen dan satu variabel independen (keduanya skala Interval/Rasio).
  2. Lakukan Analisis Regresi:
    • Klik Analyze > Regression > Linear….
    • Pindahkan variabel dependen Anda (misalnya, KepuasanKonsumen) ke kotak Dependent:.
    • Pindahkan variabel independen Anda (misalnya, KualitasPelayanan) ke kotak Independent(s):.
    • Klik Statistics… dan pastikan Estimates, Model fit, dan Descriptives (untuk statistik deskriptif awal) dicentang. Anda juga bisa centang Durbin-Watson jika data time series.
    • Klik Continue lalu OK.
5.1.4. Interpretasi Hasil Regresi Linier Sederhana

Output SPSS akan menampilkan beberapa tabel penting:

  • Model Summary:
    • R: Koefisien korelasi gabungan antara variabel independen dan dependen.
    • R Square (R2): Koefisien determinasi. Menjelaskan proporsi variasi variabel dependen yang dapat dijelaskan oleh variabel independen.
    • Adjusted R Square: Sama dengan R2, tetapi disesuaikan untuk jumlah prediktor dan ukuran sampel. Ini lebih baik untuk membandingkan model.
  • ANOVA (Uji F):
    • Menguji signifikansi keseluruhan model regresi. Apakah variabel independen secara simultan mempengaruhi variabel dependen?
    • Lihat kolom Sig. (atau F-value).
    • Kriteria: Jika Sig. < 0.05, model regresi signifikan dan dapat digunakan untuk memprediksi variabel dependen.
  • Coefficients:
    • Ini adalah tabel terpenting untuk interpretasi koefisien.
    • Unstandardized Coefficients (B):
      • Constant (a): Konstanta (nilai Y ketika X = 0).
      • Variabel Independen (b): Koefisien regresi. Menggambarkan arah dan besarnya pengaruh variabel independen terhadap variabel dependen. Jika b positif, hubungan positif; jika negatif, hubungan negatif.
    • Standardized Coefficients (Beta):
      • Menunjukkan kekuatan relatif pengaruh setiap variabel independen terhadap variabel dependen, mengabaikan unit pengukuran. Berguna untuk membandingkan kekuatan pengaruh antar variabel independen dalam regresi berganda.
    • Sig. (untuk setiap variabel independen):
      • Menguji signifikansi pengaruh variabel independen secara parsial (uji t).
      • Kriteria: Jika Sig. < 0.05, variabel independen tersebut secara signifikan memengaruhi variabel dependen.

Contoh Interpretasi: “Hasil regresi linier sederhana menunjukkan bahwa Kualitas Pelayanan (X) berpengaruh signifikan terhadap Kepuasan Konsumen (Y), dengan nilai signifikansi (Sig.) sebesar 0.000 (< 0.05). Koefisien regresi (B) untuk Kualitas Pelayanan adalah 0.650, yang berarti setiap peningkatan satu unit Kualitas Pelayanan akan meningkatkan Kepuasan Konsumen sebesar 0.650 unit, dengan asumsi variabel lain konstan. Model ini mampu menjelaskan 60% (R Square = 0.600) variasi dalam Kepuasan Konsumen.”

5.2. Regresi Linier Berganda

  • Menguji pengaruh atau hubungan antara dua atau lebih variabel independen dengan satu variabel dependen.
  • Persamaan: $$Y = a + b_1X_1 + b_2X_2 + … + b_nX_n + e$$
    • $$Y$$ = variabel dependen
    • $$a$$ = konstanta
    • $$b_1, b_2, …, b_n$$ = koefisien regresi untuk setiap variabel independen
    • $$X_1, X_2, …, X_n$$ = variabel independen
    • $$e$$ = error/residual
5.2.1. Konsep Regresi Linier Berganda

Pada dasarnya sama dengan regresi sederhana, tetapi melibatkan lebih banyak variabel independen. Model berusaha menjelaskan variasi variabel dependen melalui kombinasi linier dari variabel independen.

5.2.2. Langkah-Langkah Analisis Regresi Linier Berganda di SPSS
  1. Siapkan Data: Anda memerlukan satu variabel dependen dan dua atau lebih variabel independen (keduanya skala Interval/Rasio).
  2. Lakukan Analisis Regresi:
    • Klik Analyze > Regression > Linear….
    • Pindahkan variabel dependen Anda (misalnya, KepuasanKonsumen) ke kotak Dependent:.
    • Pindahkan semua variabel independen Anda (misalnya, KualitasPelayanan, Harga) ke kotak Independent(s):.
    • Penting: Jika Anda belum melakukan uji asumsi klasik, lakukan seperti yang dijelaskan di Bab 5 (Misalnya, centang Collinearity diagnostics di Statistics… dan Save Unstandardized Residuals di Save…).
    • Klik Continue lalu OK.
5.2.3. Interpretasi Hasil Regresi Linier Berganda

Interpretasi _output_ di SPSS untuk regresi linier berganda serupa dengan regresi sederhana, tetapi dengan penekanan pada beberapa aspek tambahan:

  • Model Summary:
    • Interpretasi R, R Square, dan Adjusted R Square sama dengan regresi sederhana. Adjusted R Square lebih direkomendasikan untuk regresi berganda.
5.2.4. Uji F (Uji Signifikansi Simultan)
  • Menguji apakah semua variabel independen secara bersama-sama (simultan) memiliki pengaruh signifikan terhadap variabel dependen.
  • Kriteria: Jika Sig. < 0.05, berarti secara keseluruhan, kumpulan variabel independen Anda signifikan dalam menjelaskan variabel dependen.
5.2.5. Uji T (Uji Signifikansi Parsial)
  • Menguji apakah setiap variabel independen secara individual (parsial) memiliki pengaruh signifikan terhadap variabel dependen, dengan mengontrol variabel independen lainnya.
  • Unstandardized Coefficients (B): Interpretasi sama.
  • Standardized Coefficients (Beta): Sangat berguna di sini. Nilai Beta menunjukkan kekuatan relatif pengaruh setiap variabel independen terhadap variabel dependen, mengabaikan unit pengukuran. Variabel dengan nilai Beta absolut terbesar memiliki pengaruh paling kuat.
  • Sig. (untuk setiap variabel independen):
    • Kriteria: Jika Sig. < 0.05, variabel independen tersebut secara parsial memengaruhi variabel dependen.
    • Jika Sig. > 0.05, variabel independen tersebut tidak memiliki pengaruh signifikan secara parsial.
5.2.6. Koefisien Determinasi (R Square)

Contoh Interpretasi Regresi Linier Berganda: “Hasil uji regresi linier berganda menunjukkan bahwa model regresi signifikan secara simultan (Uji F: Sig. = 0.000 < 0.05), yang berarti Kualitas Pelayanan dan Harga secara bersama-sama berpengaruh signifikan terhadap Kepuasan Konsumen. Model ini mampu menjelaskan 72.5% (Adjusted R Square = 0.725) variasi Kepuasan Konsumen.”

“Secara parsial (Uji T):
• Variabel Kualitas Pelayanan (X1) memiliki nilai signifikansi 0.000 (< 0.05), dan koefisien regresi positif (B = 0.55), yang berarti Kualitas Pelayanan berpengaruh positif dan signifikan terhadap Kepuasan Konsumen.
• Variabel Harga (X2) memiliki nilai signifikansi 0.035 (< 0.05), dan koefisien regresi positif (B = 0.30), yang berarti Harga berpengaruh positif dan signifikan terhadap Kepuasan Konsumen.
• Berdasarkan nilai Beta Standardized, Kualitas Pelayanan (Beta = 0.60) memiliki pengaruh yang lebih kuat dibandingkan Harga (Beta = 0.35) terhadap Kepuasan Konsumen.”

Setelah semua analisis inferensial dilakukan, langkah berikutnya adalah menginterpretasikan semua hasil ini secara komprehensif dan menyajikannya dalam laporan skripsi Anda.

BAB VII. Interpretasi Hasil dan Penulisan Laporan Skripsi

Setelah semua analisis statistik berhasil dilakukan di SPSS, tahap krusial selanjutnya adalah menginterpretasikan _output_ tersebut dan menyajikannya dalam laporan skripsi Anda. Ini adalah tahapan di mana Anda “menceritakan” temuan penelitian Anda dan menghubungkannya kembali dengan teori dan kerangka penelitian yang Anda bangun.

1. Membaca dan Memahami Output SPSS

Output SPSS bisa jadi membingungkan pada pandangan pertama karena berisi banyak angka dan tabel. Kunci untuk membacanya adalah mengikuti langkah-langkah yang terstruktur:

  1. Identifikasi Tabel Relevan: Setiap analisis akan menghasilkan beberapa tabel. Fokus pada tabel yang berisi informasi kunci untuk hipotesis atau pertanyaan penelitian Anda (misalnya, Coefficients untuk regresi, Independent Samples Test untuk uji T, ANOVA untuk ANOVA).
  2. Cari Nilai Signifikansi (_Sig./p-value_): Ini adalah angka pertama yang harus Anda cari untuk menentukan apakah hasil Anda signifikan secara statistik. Bandingkan dengan tingkat signifikansi (_alpha_) yang Anda tetapkan (umumnya 0.05).
  3. Lihat Nilai Statistik Uji (_t-value, F-value, r-value_): Ini adalah nilai yang dihitung dari data Anda yang digunakan untuk menentukan signifikansi.
  4. Periksa Arah dan Magnitudo (Koefisien, Mean, dll.): Jika hasil signifikan, lihat nilai aktual (koefisien regresi, perbedaan _mean_, arah korelasi) untuk memahami sifat dari hubungan atau perbedaan tersebut.
  5. Perhatikan Asumsi (jika ada): Misalnya, nilai VIF/Tolerance, Levene’s Test, Durbin-Watson. Pastikan asumsi terpenuhi sebelum menginterpretasikan hasil utama.

2. Menyajikan Hasil Analisis dalam Skripsi

Bagian “Hasil Penelitian” dalam bab IV skripsi Anda harus menyajikan temuan secara objektif dan sistematis. Ini bukan tempat untuk membahas implikasi atau perbandingan dengan teori lain (itu adalah tugas bab “Pembahasan”).

2.1. Tabel dan Grafik yang Efektif

  • Gunakan Tabel Jelas:
    • Setiap tabel harus memiliki nomor tabel dan judul deskriptif yang jelas (misalnya, “Tabel 4.1 Hasil Uji Reliabilitas Variabel Kualitas Pelayanan”).
    • Sertakan catatan di bawah tabel jika ada penjelasan tambahan yang diperlukan.
    • Hindari _mengkopi-tempel output_ SPSS mentah. Format ulang tabel agar rapi, ringkas, dan mudah dibaca. Hanya tampilkan informasi yang relevan.
    • Contoh format tabel (sangat disederhanakan):
    Tabel 4.X Hasil Regresi Linier Berganda Variabel X1, X2 terhadap Y
    Variabel Koefisien (B) t-Hitung Sig.
    (Konstanta) 3.125 2.50 0.015
    Kualitas Pelayanan 0.450 4.20 0.000
    Harga 0.280 3.10 0.002
    R-square 0.750
    F-Hitung 45.67 0.000
  • Pilih Grafik yang Tepat:
    • Grafik dapat memperjelas _pattern_ atau distribusi data (misalnya, histogram untuk normalitas, bar chart untuk frekuensi demografi).
    • Setiap grafik harus memiliki nomor dan judul yang jelas.
    • Pastikan label sumbu jelas dan mudah dibaca.

2.2. Narasi dan Pembahasan Hasil

Setiap tabel atau grafik harus diikuti dengan narasi tekstual yang menjelaskan apa yang ditunjukkan oleh tabel/grafik tersebut.

  • Mulai dengan Ringkasan Temuan Utama: “Tabel 4.X menunjukkan hasil uji regresi linier berganda…”, “Dari hasil uji independent sample t-test dapat dilihat bahwa…”.
  • Sebutkan Nilai Statistik Kunci: “Dengan nilai F-hitung sebesar 45.67 dan tingkat signifikansi 0.000 (p < 0.05)…”. “Koefisien regresi untuk Kualitas Pelayanan adalah 0.450, dengan nilai signifikansi 0.000 (p < 0.05)…”.
  • Jelaskan Implikasi Hasil: Apa artinya angka-angka tersebut? Apakah mendukung atau menolak hipotesis Anda? “Hal ini mengindikasikan bahwa semakin baik kualitas pelayanan, semakin tinggi kepuasan konsumen.”
  • Hindari Pengulangan Data: Jangan hanya mengulangi semua angka di tabel dalam bentuk teks. Soroti hanya angka yang paling penting untuk mendukung poin Anda.

3. Pembahasan Hasil: Menghubungkan Teori dan Temuan

Bagian “Pembahasan” (seringkali menggabung dengan “Analisis Data” menjadi satu bab, atau bab tersendiri) adalah tempat Anda menganalisis, menginterpretasikan, dan mendiskusikan temuan penelitian Anda secara mendalam. Ini adalah bagian yang paling banyak menunjukkan kontribusi Anda sebagai peneliti.

Pokok-pokok dalam Pembahasan:

  1. Hubungkan dengan Hipotesis: Kembali ke setiap hipotesis penelitian Anda. Nyatakan apakah hipotesis tersebut “diterima” atau “ditolak” berdasarkan hasil statistik.
  2. Hubungkan dengan Teori/Penelitian Sebelumnya: Bandingkan temuan Anda dengan teori-teori yang relevan dalam kerangka pustaka. Apakah temuan Anda mendukung teori yang ada? Bertentangan? Menambah wawasan baru? Berikan argumen yang kuat dan didukung pustaka.
  3. Berikan Penjelasan Rasional: Jika ada hasil yang tidak sesuai dengan harapan atau teori, berikan penjelasan logis mengapa hal itu bisa terjadi. Mungkin ada faktor lain yang tidak terukur, keterbatasan metodologi, atau konteks yang berbeda.
  4. Diskusikan Implikasi:
    • Implikasi Teoritis: Bagaimana temuan Anda memperkaya teori yang sudah ada? Apakah ada kebutuhan untuk memodifikasi atau mengembangkan teori?
    • Implikasi Manajerial/Praktis: Apa artinya temuan Anda bagi praktisi, organisasi, atau pembuat kebijakan? Apa rekomendasi konkret yang dapat diberikan?
  5. Batasan Penelitian: Jujurlah tentang keterbatasan penelitian Anda (misalnya, ukuran sampel, metode pengumpulan data, generalisasi hasil).
  6. Saran Penelitian Selanjutnya: Berikan saran untuk penelitian di masa depan, mungkin dengan sampel yang berbeda, variabel tambahan, atau metode yang berbeda.

4. Kesimpulan dan Saran

Bab terakhir skripsi Anda harus merangkum temuan utama dan memberikan rekomendasi.

  • Kesimpulan:
    • Sajikan ringkasan singkat dari semua temuan penting yang relevan dengan pertanyaan penelitian dan hipotesis Anda.
    • Hindari mengulang detail statistik. Fokus pada “apa” saja yang Anda temukan.
    • Ini harus menjadi jawaban langsung terhadap rumusan masalah penelitian.
  • Saran:
    • Bagi saran menjadi dua kategori:
      • Saran Teoritis/Akademis: Untuk peneliti selanjutnya (misalnya, memperluas model, menggunakan metode berbeda).
      • Saran Praktis/Manajerial: Untuk pihak-pihak yang relevan (misalnya, perusahaan, pemerintah, lembaga, masyarakat) berdasarkan implikasi temuan Anda. Saran harus spesifik, realistis, dan dapat diimplementasikan.

Dengan mengikuti panduan ini, Anda akan dapat menyajikan hasil analisis data kuesioner skripsi Anda secara profesional, komprehensif, dan mudah dipahami, sehingga memperkuat argumen dan kontribusi penelitian Anda.

BAB VIII. Studi Kasus dan Contoh Implementasi

Untuk memperjelas pemahaman Anda, mari kita terapkan langkah-langkah analisis data kuesioner dengan SPSS melalui sebuah studi kasus sederhana.

1. Kasus: Pengaruh Kualitas Pelayanan dan Harga Terhadap Kepuasan Konsumen

Seorang mahasiswa melakukan penelitian untuk menguji pengaruh Kualitas Pelayanan (X1) dan Harga (X2) terhadap Kepuasan Konsumen (Y) pada sebuah toko online. Skala pengukuran yang digunakan adalah skala Likert 1-5 untuk semua item pertanyaan. Mahasiswa mengumpulkan data dari 150 responden.

Hipotesis:

  • H1: Kualitas Pelayanan berpengaruh positif dan signifikan terhadap Kepuasan Konsumen.
  • H2: Harga berpengaruh positif dan signifikan terhadap Kepuasan Konsumen.
  • H3: Kualitas Pelayanan dan Harga secara simultan berpengaruh positif dan signifikan terhadap Kepuasan Konsumen.

2. Langkah-Langkah Analisis dari Awal hingga Akhir dengan SPSS

Asumsikan data mentah sudah tersedia dan telah melalui proses desain kuesioner.

1. Input Data dan Definisi Variabel

  • Buka SPSS.
  • Variable View:
    • Buat variabel untuk setiap item pertanyaan (misalnya, _KP1, KP2, KP3_ untuk Kualitas Pelayanan; _HRG1, HRG2_ untuk Harga; _KK1, KK2, KK3_ untuk Kepuasan Konsumen). Set Type ke Numeric, Decimals ke 0, dan Measure ke Scale (karena Likert diperlakukan sebagai interval).
    • Berikan Label yang jelas untuk setiap item.
    • Definisikan Values (_1=Sangat Tidak Setuju s/d 5=Sangat Setuju_).
  • Data View: Masukkan data responden ke dalam kolom yang sesuai.

2. Menghitung Skor Total Variabel (Kualitas Pelayanan, Harga, Kepuasan Konsumen)

  • Transform > Compute Variable…
  • Target Variable: Total_KP
  • Numeric Expression: KP1 + KP2 + KP3
  • Target Variable: Total_HRG
  • Numeric Expression: HRG1 + HRG2
  • Target Variable: Total_KK
  • Numeric Expression: KK1 + KK2 + KK3
  • Lakukan ini untuk setiap variabel (konstruk).

3. Uji Kualitas Data (Validitas dan Reliabilitas)

Uji Validitas (Korelasi Pearson)

  • Untuk Kualitas Pelayanan:
    • Analyze > Correlate > Bivariate…
    • Pindahkan _KP1, KP2, KP3_, dan Total_KP ke Variables:.
    • Pilih Pearson, Two-tailed, Flag significant correlations. OK.
    • Interpretasi Contoh: Jika Sig. (2-tailed) semua item terhadap Total_KP < 0.05, dan r hitung > r tabel, maka semua item KP valid.
  • Ulangi langkah yang sama untuk variabel Harga (_HRG1, HRG2, Total_HRG_) dan Kepuasan Konsumen (_KK1, KK2, KK3, Total_KK_).

Uji Reliabilitas (_Cronbach’s Alpha_)

  • Untuk Kualitas Pelayanan:
    • Analyze > Scale > Reliability Analysis…
    • Pindahkan _KP1, KP2, KP3_ ke Items:. Pastikan Model: Alpha. OK.
    • Interpretasi Contoh: Jika _Cronbach’s Alpha_ untuk KP adalah 0.820, maka variabel Kualitas Pelayanan reliabel.
  • Ulangi langkah yang sama untuk variabel Harga dan Kepuasan Konsumen.

4. Statistik Deskriptif

  • Untuk demografi responden (misal, Jenis Kelamin):
    • Analyze > Descriptive Statistics > Frequencies…
    • Pindahkan JenisKelamin ke Variables:. Centang Display frequency tables. Charts… > Bar charts. OK.
  • Untuk gambaran umum variabel penelitian:
    • Analyze > Descriptive Statistics > Descriptives…
    • Pindahkan Total_KP, Total_HRG, Total_KK ke Variables:. Centang Mean, Std. deviation, Min., Max.. OK.

5. Uji Asumsi Klasik (untuk Regresi Linier Berganda)

Variabel independen: Total_KP, Total_HRG. Variabel dependen: Total_KK.

  • Lakukan Regresi untuk Mendapatkan Residual dan Simpan Data:
    • Analyze > Regression > Linear…
    • Dependent: Total_KK.
    • Independent(s): Total_KP, Total_HRG.
    • Statistics…: Centang Collinearity diagnostics dan Durbin-Watson.
    • Save…: Centang Unstandardized di Residuals. OK.
  • Uji Normalitas Residual (_RES_1_):
    • Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample Kolmogorov-Smirnov…
    • Pindahkan _RES_1_ ke Test Variable List:. Centang Normal. OK.
    • Interpretasi Contoh: Jika Asymp. Sig. (2-tailed) > 0.05, residual terdistribusi normal.
  • Uji Multikolinearitas: Perhatikan _output Linear Regression Coefficients_ pada tabel Collinearity Statistics.
    • Interpretasi Contoh: Jika semua VIF < 10 dan Tolerance > 0.1, tidak ada multikolinearitas.
  • Uji Heteroskedastisitas (dengan Scatter Plot dan Glejser):
    • Scatter Plot: Dari _output_ regresi sebelumnya, periksa Scatterplot ZRESID vs ZPRED.
      • Analyze > Regression > Linear… > Plots… (jika belum dilakukan). Y: _*ZRESID_, X: _*ZPRED. OK_.
      • Interpretasi Contoh: Jika titik menyebar acak, homoskedastisitas terpenuhi.
    • Uji Glejser:
      • Transform > Compute Variable… > Target Variable: ABS_RES_1. Numeric Expression: ABS(RES_1). OK.
      • Analyze > Regression > Linear…
      • Dependent: ABS_RES_1.
      • Independent(s): Total_KP, Total_HRG. OK.
      • Interpretasi Contoh: Jika Sig. setiap variabel independen (Total_KP, Total_HRG) terhadap ABS_RES_1 > 0.05, tidak ada heteroskedastisitas.
  • Uji Autokorelasi: Cek nilai Durbin-Watson di _output Model Summary_ dari regresi awal.
    • Interpretasi Contoh: Jika nilai D-W mendekati 2, tidak ada autokorelasi (ingat, ini umumnya tidak perlu untuk data cross-sectional).

6. Analisis Inferensial (Regresi Linier Berganda)

  • Jalankan Ulang Regresi (jika perlu):
    • Analyze > Regression > Linear…
    • Dependent: Total_KK.
    • Independent(s): Total_KP, Total_HRG.
    • OK.

3. Contoh Interpretasi dan Pelaporan

Berikut adalah contoh narasi singkat dari hasil yang mungkin Anda temukan:

4.1. Uji Kualitas Data

4.1.1. Uji Validitas

Berdasarkan uji validitas dengan metode korelasi Pearson, semua item pertanyaan untuk variabel Kualitas Pelayanan, Harga, dan Kepuasan Konsumen dinyatakan valid karena memiliki nilai signifikansi (Sig. 2-tailed) di bawah 0.05 dan nilai r hitung lebih besar dari r tabel (N=150, df=148, $$\alpha$$=0.05; r tabel = 0.159). (Sertakan tabel ringkasan validitas).

4.1.2. Uji Reliabilitas

Hasil uji reliabilitas menunjukkan bahwa instrumen kuesioner yang digunakan reliabel karena nilai Cronbach’s Alpha untuk ketiga variabel berada di atas ambang batas 0.60.

  • Kualitas Pelayanan: $$\alpha$$ = 0.820
  • Harga: $$\alpha$$ = 0.785
  • Kepuasan Konsumen: $$\alpha$$ = 0.855 (Sertakan tabel ringkasan reliabilitas).

4.2. Statistik Deskriptif Variabel Penelitian

Mean dan standar deviasi masing-masing variabel adalah sebagai berikut:

  • Kualitas Pelayanan: Mean = 3.95; Std. Dev. = 0.72
  • Harga: Mean = 3.80; Std. Dev. = 0.68
  • Kepuasan Konsumen: Mean = 4.10; Std. Dev. = 0.78

Ini menunjukkan bahwa mayoritas responden cenderung memberikan penilaian yang tinggi terhadap Kualitas Pelayanan, Harga, dan Kepuasan Konsumen. (Sertakan tabel deskriptif).

4.3. Uji Asumsi Klasik

4.3.1. Uji Normalitas Residual

Hasil uji Kolmogorov-Smirnov pada residual model regresi menunjukkan nilai signifikansi (Asymp. Sig. 2-tailed) sebesar 0.087, yang lebih besar dari 0.05. Ini mengindikasikan bahwa residual terdistribusi secara normal, sehingga asumsi normalitas terpenuhi. (Sertakan tabel uji K-S).

4.3.2. Uji Multikolinearitas

Tabel Koefisien Regresi menunjukkan bahwa nilai VIF untuk Kualitas Pelayanan adalah 1.55 dan untuk Harga adalah 1.48. Kedua nilai VIF tersebut kurang dari 10, dan nilai Tolerance masing-masing 0.645 dan 0.676 (lebih besar dari 0.1). Dengan demikian, tidak ada gejala multikolinearitas dalam model regresi. (Sertakan bagian relevan dari tabel koefisien).

4.3.3. Uji Heteroskedastisitas

Analisis scatter plot antara Standardized Residual (ZRESID) dan Standardized Predicted Values (ZPRED) menunjukkan bahwa titik-titik menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, tanpa membentuk pola tertentu. Hasil uji Glejser juga menunjukkan nilai signifikansi untuk Kualitas Pelayanan (0.123) dan Harga (0.098) lebih besar dari 0.05. Oleh karena itu, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas dalam model regresi. (Sertakan scatter plot dan tabel uji Glejser).

4.3.4. Uji Autokorelasi

Nilai Durbin-Watson dari model regresi adalah 1.95. Nilai ini mendekati 2, menunjukkan bahwa tidak ada autokorelasi dalam model.

4.4. Analisis Regresi Linier Berganda

Tabel 4.X Hasil Analisis Regresi Linier Berganda
Variabel Koefisien (B) Std. Error Beta t-Hitung Sig.
(Constant) 1.250 0.45 2.778 0.006
Kualitas Pelayanan (X1) 0.480 0.12 0.550 4.000 0.000
Harga (X2) 0.350 0.10 0.400 3.500 0.001
R 0.785
R Square 0.616
Adjusted R Square 0.610
F-Hitung 118.50 0.000
N 150

Berdasarkan Tabel 4.X, persamaan regresi yang terbentuk adalah: $$Y = 1.250 + 0.480X1 + 0.350X2 + e$$

4.4.1. Uji Koefisien Determinasi (R Square)

Nilai Adjusted R Square sebesar 0.610 menunjukkan bahwa 61.0% variasi pada variabel Kepuasan Konsumen dapat dijelaskan oleh variabel Kualitas Pelayanan dan Harga. Sisanya sebesar 39.0% dijelaskan oleh variabel lain yang tidak termasuk dalam model penelitian ini.

4.4.2. Uji Signifikansi Simultan (Uji F)

Hasil uji F menunjukkan nilai F-hitung sebesar 118.50 dengan tingkat signifikansi 0.000 (< 0.05). Ini berarti bahwa variabel Kualitas Pelayanan dan Harga secara simultan (bersama-sama) berpengaruh signifikan terhadap Kepuasan Konsumen. Dengan demikian, Hipotesis H3 diterima.

4.4.3. Uji Signifikansi Parsial (Uji T)

  • Kualitas Pelayanan (X1): Nilai signifikansi Kualitas Pelayanan adalah 0.000 (< 0.05). Ini menunjukkan bahwa Kualitas Pelayanan memiliki pengaruh positif dan signifikan terhadap Kepuasan Konsumen. Koefisien regresi positif (0.480) berarti setiap peningkatan satu unit Kualitas Pelayanan akan meningkatkan Kepuasan Konsumen sebesar 0.480 unit, dengan asumsi variabel Harga konstan. Dengan demikian, Hipotesis H1 diterima.
  • Harga (X2): Nilai signifikansi Harga adalah 0.001 (< 0.05). Ini menunjukkan bahwa Harga memiliki pengaruh positif dan signifikan terhadap Kepuasan Konsumen. Koefisien regresi positif (0.350) berarti setiap peningkatan satu unit Harga akan meningkatkan Kepuasan Konsumen sebesar 0.350 unit, dengan asumsi variabel Kualitas Pelayanan konstan. Dengan demikian, Hipotesis H2 diterima.

Dari nilai Beta Standardized, Kualitas Pelayanan (Beta = 0.550) memiliki pengaruh yang lebih besar terhadap Kepuasan Konsumen dibandingkan dengan Harga (Beta = 0.400).

Pelaporan ini akan terus berlanjut ke bagian Pembahasan, Kesimpulan, dan Saran, di mana temuan-temuan ini akan dianalisis lebih lanjut dalam konteks teori dan implikasi praktisnya.

BAB IX. Tips dan Trik bagi Mahasiswa Pengguna SPSS

Menganalisis data dengan SPSS mungkin terasa menantang pada awalnya, tetapi dengan beberapa tips dan trik, prosesnya bisa menjadi lebih efisien dan menyenangkan.

1. Memastikan Konsistensi Data

  • Double-Check Input: Setelah _input_ data, luangkan waktu untuk memeriksa kembali beberapa baris data secara acak dibandingkan dengan kuesioner asli. Kesalahan _typo_ adalah hal umum.
  • Gunakan Fitur Validate Data: Meskipun tidak ada _fitur built-in_ khusus Validate Data yang komprehensif seperti di Excel, Anda bisa menggunakan Frequencies untuk kolom data numerik dan melihat Min dan Max untuk memastikan tidak ada _input_ nilai di luar rentang yang diizinkan (misal, skala 1-5, tiba-tiba ada nilai 6).

2. Pemanfaatan Fitur Transform dan Compute Variable

Fitur Transform sangat powerful dan akan sering Anda gunakan:

  • Compute Variable: Sudah dibahas untuk menghitung skor total variabel. Ini juga berguna untuk membuat variabel baru berdasarkan variabel yang sudah ada (misalnya, menghitung usia dari tanggal lahir, atau indeks gabungan).
  • Recode into Same/Different Variables:
    • Same Variables: Mengubah nilai dalam variabel yang sama (misalnya, mengubah kode 99 Missing Value menjadi System-Missing).
    • Different Variables: Membuat variabel baru dengan nilai yang diubah dari variabel asli (direkomendasikan untuk keamanan data asli). Berguna untuk:
      • Mengelompokkan data kontinu menjadi kategori (misalnya, mengelompokkan usia menjadi “Muda”, “Dewasa”, “Lansia”).
      • Membuat variabel _dummy_ (0/1) dari variabel kategorikal untuk regresi.
      • Memutarbalikkan item pertanyaan negatif (jika kuesioner Anda memiliki item pertanyaan yang reverse-coded pada skala Likert). Jika _1=Sangat Tidak Setuju s/d 5=Sangat Setuju_, maka item negatif _1_ akan menjadi _5_, _2_ menjadi _4_, _3_ tetap _3_, _4_ menjadi _2_, dan _5_ menjadi _1_.

3. Menghadapi Masalah Umum

  • Error Message: Jangan panik jika muncul pesan kesalahan. Bacalah pesan tersebut dengan cermat. Seringkali, masalahnya ada pada definisi variabel (misalnya, skala pengukuran yang salah), _missing values_, atau kesalahan dalam pemilihan variabel untuk analisis.
  • Output Kosong atau Tidak Masuk Akal: Ini seringkali terjadi karena:
    • Variabel tidak didefinisikan dengan benar (Measure salah, Values tidak terdefinisi).
    • Ada banyak _missing values_ yang memengaruhi perhitungan.
    • Anda memilih uji statistik yang tidak sesuai dengan jenis data Anda.
  • “Variable Not Found”: Ini berarti Anda salah mengetik nama variabel atau variabel yang Anda maksud tidak ada di _dataset_ Anda. Periksa Variable View untuk nama yang benar.
  • Tidak Bisa Membandingkan Grup (misalnya, di T-Test): Pastikan variabel pengelompokan Anda (misal: Jenis Kelamin) hanya memiliki dua kategori yang terdefinisi dengan Value Labels.

4. Sumber Belajar Tambahan

  • Help Menu SPSS: SPSS memiliki fasilitas help yang sangat baik dan terperinci untuk setiap prosedur. Anda bisa mencarinya di menu Help atau dengan menekan F1 saat berada di jendela dialog suatu prosedur.
  • Tutorial Online: Banyak website dan kanal YouTube menyediakan tutorial SPSS gratis yang _langkah-demi-langkah_. Cari dengan kata kunci spesifik seperti “SPSS Regresi Tutorial”, “SPSS T-Test Walkthrough”.
  • Buku Statistik dengan SPSS: Banyak buku statistik yang secara spesifik mengajarkan cara menggunakan SPSS untuk analisis data.
  • Pembimbing Skripsi/Rekan: Jangan ragu untuk bertanya kepada pembimbing Anda atau teman sesama mahasiswa yang lebih berpengalaman. Diskusi seringkali dapat memberikan pencerahan.
  • Latihan, Latihan, Latihan: Seperti keterampilan lainnya, kemahiran menggunakan SPSS datang dari praktik. Coba gunakan _dataset_ contoh atau bahkan data _dummy_ Anda sendiri untuk berlatih berbagai analisis.

Dengan kesabaran dan keinginan untuk belajar, Anda akan segera mahir menganalisis data kuesioner skripsi Anda dengan SPSS.

BAB X. Kesimpulan: Menuju Skripsi yang Berkualitas dan Tuntas

Perjalanan analisis data kuesioner skripsi menggunakan SPSS mungkin terasa panjang dan kompleks. Namun, dengan pemahaman yang tepat tentang konsep-konsep statistik, ketelitian dalam pengoperasian perangkat lunak, dan kemampuan interpretasi yang baik, Anda dapat menyelesaikan bagian krusial ini dengan sukses.

1. Ringkasan Penting

Beberapa poin kunci yang perlu selalu Anda ingat dalam menganalisis data kuesioner dengan SPSS:

  • Perencanaan Adalah Kunci: Sebelum menyentuh SPSS, pastikan kuesioner Anda dirancang dengan baik, konsep variabel jelas, dan metode pengumpulan data solid.
  • Kualitas Data Utama: Data yang bersih melalui proses _data cleaning_ dan instrumen yang valid dan reliabel adalah fondasi analisis yang kuat. Jangan pernah melewatkan uji validitas dan reliabilitas.
  • Pahami Skala Pengukuran: Ini adalah penentu utama jenis uji statistik yang dapat Anda gunakan. Pilihannya akan memengaruhi seluruh analisis.
  • Uji Asumsi Klasik (Jika Regresi): Jika model Anda adalah regresi linier, pastikan asumsi klasik terpenuhi. Ini menjamin hasil yang valid dan menghindari penarikan kesimpulan yang keliru.
  • Pilih Uji Statistik yang Tepat: Kenali tujuan penelitian Anda (perbandingan, korelasi, prediksi) dan karakteristik data Anda untuk memilih uji yang paling sesuai.
  • Interpretasi Lebih Penting dari Angka: Angka-angka di _output_ SPSS hanyalah alat. Kemampuan Anda untuk menerjemahkan angka-angka tersebut menjadi narasi yang bermakna, menjawab pertanyaan penelitian, dan menghubungkannya dengan teori adalah esensi dari penelitian.
  • Latihan Adalah Guru Terbaik: Semakin sering Anda menggunakan SPSS dan menganalisis data, semakin terbiasa dan mahir Anda.

2. Pesan untuk Mahasiswa

Jangan takut untuk menghadapi data Anda. SPSS adalah alat yang sangat kuat yang dirancang untuk memudahkan Anda. Kesalahan adalah bagian dari proses belajar. Manfaatkan panduan ini sebagai peta jalan, tetapi juga jangan ragu untuk menjelajahi lebih jauh, bertanya, dan mencari sumber belajar lain.

Skripsi Anda adalah puncak dari perjalanan akademis Anda—sebuah kesempatan untuk menunjukkan kemampuan berpikir kritis, analisis, dan penyelesaian masalah. Analisis data yang solid akan memberikan bobot dan kredibilitas pada temuan Anda, menjadikan skripsi Anda kontribusi yang berarti di bidang studi Anda.

Selamat mengerjakan skripsi, dan semoga sukses!

Daftar Pustaka

Catatan: Daftar pustaka ini adalah contoh dan referensi umum yang sering digunakan. Anda perlu menambahkan referensi spesifik yang Anda gunakan dalam penyusunan penelitian Anda.

  • Albi, Anggara. (2018). Statistika Nonparametrik untuk Penelitian Pendidikan, Bisnis, Kesehatan (Aplikasi SPSS). Deepublish.
  • Duwi, Priyatno. (2010). Paham Analisa Statistik Data dengan SPSS. PT MediaKom.
  • Ghozali, Imam. (2018). Aplikasi Analisis Multivariat dengan Program IBM SPSS 25. Badan Penerbit Universitas Diponegoro.
  • Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
  • Jogiyanto. (2017). Konsep dan Aplikasi SEM dengan AMOS 24. Yogyakarta: BPFE.
  • Sugiyono. (2019). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Alfabeta.
  • Santoso, Singgih. (2018). Menguasai SPSS 25: Olah Data Statistik untuk Segala Tujuan. Elex Media Komputindo.