Ilmu bidang kedokteran sangat berkaitan dengan ilmu farmasi, tidak jarang tema-tema yang dilakukan oleh peneliti bidang kedokteran bersinggungan dengan dunia farmasi dan begitu pun sebaliknya. Selain itu, semakin variatifnya kebutuhan manusia pada era sekarang ini, dunia kedokteran tidak hanya menitik beratkan peneltiannya pada penyakit pasien, juga banyak dilakukan juga penelitian yang dilakukan dalam kaitanya dengan dunia kecantikan. Dalam perkembangannya proses pengujian penelitian yang dilakukan dalam dunia kedokteran banyak menggunakan bantuan ilmu statistika.
Beberapa tema atau judul penelitian berserta resume hasil penelitian yang pernah kami assistensi diantaranya :
Faktor-faktor Yang Mempengaruhi Perilaku Merokok Pada Remaja Putra SMK di Kabupaten XYZ. Merupakan suatu penelitian yang bersifat inferensi dengan menggunakan teknik tabulasi silang (cross tabulation) diperoleh nilai koefisien kontingensi untuk melihat kuat tidaknya tingkat asosiasi antara status merokok pada siswa SMK dilihat dari perilaku orang tua, pengetahuan, perilaku teman sebaya dan pengaruh iklan pada media. Dari hasil penelitian yang dilakukan pada siswa SMK di Kabupaten XYZ didapatkan bahwa faktor perilaku orang tua, pengetahuan, perilaku teman sebaya dan pengaruh iklan pada media merupakan faktor yang signifikan dalam perilaku merokok pada remaja putra SMK di Kabupaten XYZ. (penelitian oleh mahasiswa STIKES XYZ di Bandung).
Efek Hypnotherapy Pada Tingkat Kecemasan Pengobatan Gigi Pada Anak. Merupakan suatu penelitian yang bersifat inferensi dengan menggunakan teknik uji beda t (parametrik test) diperoleh nilai statistik t untuk melihat apakah ada perbedaan ataukah tidak dari tingkat kecemasan anak sebelum dan sesudah dilakukan pencabutan gigi (dental extraction). Ada pun indikator tingkat kecemasan yang diukur diantarannya tekanan darah (blood pressure), kecepatan denyut jantung (pulse rate) dan modified dental anxienty scale (MDAS). Dari hasil penelitian yang dilakukan pada anak didapatkan bahwa tingkat kecemasan yang diukur berdasarkan atas tekanan darah (blood pressure), kecepatan denyut jantung (pulse rate) dan modified dental anxienty scale (MDAS) berbeda secara nyata (signifikan) antara sebelum dan sesudah dilakukan hypnotherapy. (penelitian oleh mahasiswa kedokteran Universitas XYZ di Bandung).
Pada pembahasan sebelumnya kita sudah membahas pentingnya pemenuhan asumsi normalitas pada model regresi, utamanya pada pengujian pada residual atau faktor ganguan (ui). Kali ini kita akan membahas asumsi regresi yang berkenaan dengan variabel independen (bebas), dimana satu syarat dalam model regresi hubungan antar variabel independen (bebas) haruslah bernilai sekecil mungkin dan tidak signifikan. Secara logika sederhana apabila antar variabel independen (bebas) terdapat korelasi yang tinggi dan signifikan pastilah salah satunya dapat dijadikan variabel akibat atau dependen (tergantung). Secara lebih rinci apa akibat dari adanya multikolinearitas pada model regresi hingga cara untuk menanggulanginya akan dibahas pada uraian berikut ini.
Sifat Dasar Multikolinearitas
Istilah multikolinearitas mula-mula ditemukan oleh Ragnar Frisch. Pada mulanya kolinearitas berarti adanya hubungan linear yang sempurna atau pasti (nilai korelasi yang terjadi antar variabel independen sama dengan satu), diantara beberapa atau semua variabel yang menjelaskan dari model regresi.
Mengapa model regresi linear klasik mengasumsikan tidak adanya multikolinearitas di antara variabel bebas (X)? Dasar pemikirannya adalah jika multikolinearitas sempurna terjadi, maka koefisien regresi yang didapatkan menjadi tak tentu dan kesalahannya (ui) tak terhingga. Sedangkan, jika multikolinearitas kurang sempurna terjadi, maka koefisien regresi meskipun bisa ditentukan tetapi memiliki kesalahan standar (standar error) yang besar, yang berarti bahwa koefisien regresi tidak dapat ditaksir dengan ketepatan yang tinggi.
Hal lainnya yaitu harus ditekankan dengan sungguh-sungguh bahwa X diasumsikan bernilai tetap atau nonstokastik (bukan nilai peluang) dan multikolinearitas pada dasarnya merupakan fenomena regresi sampel. Suatu yang harus diperhatikan, ketika kita mengendalikan fungsi regresi populasi atau teoritis, kita percaya bahwa semua variabel bebas (X) yang termasuk dalam model mempunyai pengaruh terpisah atau independen atas variabel tak bebas (Y). Tetapi mungkin terjadi bahwa dalam sampel tertentu yang mana pun yang digunakan untuk menguji model populasi atau teoritis, beberapa atau semua variabel bebas (X) sangat kolinear sehingga kita tidak bisa mengisolasi pengaruh individual terhadap variabel tak bebas (Y). Jadi bisa dikatakan, sampel yang digunakan menjatuhkan kita, meskipun secara teori mengatakan bahwa semua variabel bebas (X) penting.
Misal : “Ahli ekonomi berteori bahwa disamping pendapatan, kekayaan konsumen juga suatu penentu penting dari belanja konsumsi.” Sekarang mungkin terjadi ketika kita memperoleh data mengenai pendapatan dan kekayaan, kedua variabel mungkin sangat berkorelasi atau tidak berkorelasi sempurna. Orang kaya biasanya cenderung mempunyai pendapatan yang lebih tinggi. Jadi meskipun dalam teori pendapatan dan kekayaan adalah calon logis untuk menjelaskan perilaku konsumsi, dalam praktek (dalam sampel) mungkin sulit memecah pengaruh terpisah dari pendapatan dan kekayaan atas konsumsi.
Konsekuensi Multikolinearitas
Ingat bahwa jika asumsi model regresi linear klasik dipenuhi, penaksir OLS dari koefisien regresi adalah linear, tak bias dan mempunyai varians minimum (BLUE). Dalam kasus multikolinear sempurna penaksir OLS menjadi tak tentu dan varians atau kesalahan standarnya menjadi tak tentu pula. Jika kolinearitas tajam tetapi tak sempurna, maka konsekuensi ini akan terdapat.
Meskipun penaksir OLS mungkin bisa diperoleh, kesalahan standarnya cenderung semakin besar dengan meningkatnya tingkat korelasi antara peningkatan variabel. (k-variabel)
Karena besarnya kesalahan standar, selang keyakinan untuk parameter populasi yang relevan cenderung untuk lebih besar. (perlu diingat semakin sempit selang keyakinan semakin teliti nilai penaksir atau koefisien regresi yang diperoleh)
Dalam kasus multikolinearitas yang tinggi, data sampel mungkin sesuai dengan sekelompok hipotesis yang berbeda-beda. Jadi probabilitas untuk menerima hipotesis yang salah meningkat.
Selama multikolinearitas tidak sempurna, penaksiran koefisien regresi adalah mungkin tetapi taksiran dan kesalahan standarnya menjadi sangat sensitif terhadap sedikit perubahan dalam data.
Jika multikolinearitas tinggi, seseorang mungkin memperoleh R2 yang tinggi tetapi tidak satu pun atau sangat sedikit koefisien regresi yang ditaksir yang penting secara statistik (tidak signifikan).
Pendeteksian Multikolinearitas
Setelah mempelajari sifat dari konsekuensi multikolinearitas, pertanyaan yang wajar adalah bagaimana orang mengetahui adanya kolinearitas dalam setiap situasi tertentu, terutama dalam model yang meliputi lebih dari dua variabel yang menjelaskan. Ada beberapa metode deteksi, diantaranya adalah
Kolinearitas seringkali diduga ketika R2 tinggi (misal : antara 0,700 s.d 1,00) dan ketika korelasi derajat nol (dua variabel) juga tinggi, tetapi tak satu pun atau sangat sedikit koefisien regresi parsial yang secara individual penting secara statistik atas dasar pengujian t yang konvensional.
Karena multikolinearitas timbul karena satu atau lebih variabel yang menjelaskan merupakan kombinasi linear yang pasti atau mendekati pasti dari variabel yang menjelaskan lainnya, satu cara untuk mengetahui variabel bebas (X) yang mana yang berhubungan dengan variabel bebas (X) lainnya adalah dengan meregresi tiap variabel bebas (X) atas sisa variabel bebas (X) dengan menghitung R2 yang diperoleh.
Multikolinearitas dan Peramalan
Jika satu-satunya tujuan analisis regresi adalah peramalan, maka multikolinearitas bukan merupakan masalah serius, karena semakin tinggi R2 semakin baik peramalan. Tetapi ini hanya benar jika kolinearitas yang ada di antara variabel bebas (X) dalam sampel tertentu juga tetap akan ada dimasa yang akan datang.
Jika hubungan linear yang diperkirakan di antara variabel bebas (X) dalam suatu sampel tidak berlanjut ke (sampel) yang akan datang, peramalan akan menjadi semakin tidak pasti. Lebih jauh lagi, jika tujuan analisis tidak hanya peramalan tetapi juga taksiran yang bisa dipercaya dari parameter, multikolinearitas yang serius akan menjadi masalah karena menyebabkan besarnya kesalahan standar (standar error) dari penaksiran.
Tindakan Perbaikan Multikolinearitas
Apa yang dapat dikerjakan apabila terdapat multikolinearitas yang serius? Ada petunjuk yang tidak mungkin salah karena pada dasarnya multikolinearitas adalah masalah sampel. Tetapi petunjuk praktis berikut dapat dicoba, keberhasilannya tergantung pada keparahan masalah kolinearitas.
Informasi apriori. Bagaimana orang mendapatkan informasi apriori? Ini bisa datang baik dari teori atau dari penelitian empiris sebelumnya di mana masalah kolinearitas ternyata kurang serius.
Menghubungkan data cross-sectional dan data urutan-waktu. Misal : “kita dapat memperoleh taksiran yang dapat dipercaya dari elastisitas permintaan (Y) atas variabel harga dan pendapatan (X) cenderung berkolinearitas, dalam data seperti itu, pada suatu titik waktu, harga tidak banyak berubah sehingga multikolinearitas dapat dihindari.”
Mengeluarkan suatu variabel atau variabel-variabel dan bias spesifikasi. Ketika dihadapkan dengan multikolinearitas yang parah, satu cara yang “paling sederhana” untuk dilakukan adalah mengeluarkan satu dari variabel yang berkolinear. Tetapi dalam mengeluarkan suatu variabel dari model, kita mungkin melakukan bias spesifikasi atau kesalahan spesifikasi. Bias spesifikasi timbul dari spesifikasi yang tidak benar dari model yang digunakan dalam analisis. Misal : “jika teori ekonomi mengatakan bahwa pendapatan dan kekayaan kedua-duanya seharusnya dimasukan ke dalam model yang menjelaskan belanja konsumsi, mengeluarkan variabel kekayaan akan menimbulkan bias spesifikasi.”
Transformasi variabel. Misal : “Kita mempunyai data deret waktu mengenai belanja konsumsi, pendapatan dan kekayaan. Satu alasan untuk multikolinearitas yang tinggi antara pendapatan dan kekayaan dalam data seperti itu adalah bahwa dengan berjalannya waktu, kedua variabel cenderung untuk bergerak dalam arah yang sama.” Untuk menanggulanginya yaitu dengan menggunakan model regresi perbedaan pertama (t-1) sering mengurangi kepelikan multikolinear karena meskipun tingkat Xt mungkin sangat berkorelasi, tidak ada alasan secara apriori untuk percaya bahwa perbedaan (t-1) juga sangat berkorelasi.
Penambahan data baru. Karena multikolinearitas merupakan ciri sampel, maka mungkin bahwa dalam sampel lain yang meliputi kolinear variabel yang sama tidak begitu serius seperti sampel pertama. Kadang-kadang hanya dengan sekedar meningkatnya ukuran sampel, bisa mengurangi masalah kolinearitas.
Teknik lanjutan yang mungkin dicobakan yaitu dengan menggunakan teknik faktor analisis dan prinsipal komponen analisis dalam rumpun multivariat.
Satu kehati-hatian yang perlu diingat yaitu dalam analisis regresi ketika orang mendapatkan nilai t yang tidak signifikan untuk koefisien regresi, seringkali ada godaan untuk menyalahkan tidak adanya signifikan pada multikolinearitas. Tetapi penyebab sebenarnya mungkin bukan multikolinearitas, tetapi hal lain, misalkan bias spesifikasi. Mungkin model yang digunakan dalam analisis dispesifikasi secara salah, atau dukungan teoritis untuk model tadi sangat lemah.
Pada artikel sebelumnya kita sudah membahas secara teoritis mengenai asumsi normalitas pada regresi. Kita sudah mengetahui makna dan pentingnya untuk mencari tahu apakah model regresi yang didapatkan merupakan model yang memenuhi syarat sebagai model yang memenuhi asumsi normalitas? Agar mudahnya pada kesempatan kali ini kita akan bahas penggunaan software SPSS untuk mendapatkan hasil pengujian normalitas dari model regresi. Adapun langkah-langkahnya adalah sebagai berikut :
Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data kedalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut :
Pilih menu Analyze lalu klik Regression lalu pilih Linear lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi.
Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu variabel dependent dan variabel independent guna menghasilkan model regresi yang kita inginkan.
Untuk mendapatkan hasil pengujian normalitas pada model, maka klik menu Plots, maka akan muncul tampilan jendela seperti gambar di bawah. Lalu centang pada kolom Standardized Residual Plots untuk Histogram dan Normal Probability Plots lalu klik Continue.
Lalu klik pada menu Save, pada kolom residual centang Standardized lalu klik Continue, fungsinya adalah untuk memunculkan nilai residual yang sudah terstandarkan (normal baku) pada jendela Data View untuk dilakukan pengujian lebih lanjut.
Setelah masuk ke jendela utama analisis regresi, lalu klik OK. Maka SPSS akan memproses pembentukan model dan pengujian asumsi normalitas pada residual dan akan muncul tampilan output SPSS seperti gambar di bawah ini.
Pada gambar output SPSS, kita mengidentifikasi normalitas residual dalam bentuk gambar. Dimana residual dari model regresi dikatakan normal apabila histogram yang dihasilkan membentuk lonceng simetris antara sisi kanan dan sisi kiri atau sebaran titik-titik residual menyebar pada garis diagonal pada gambar Normal P-P Plot. Pada pengujian di atas dapat dikatakan memenuhi kedua kriteria tadi, sehingga dapat dikatakan sebaran dari residual yang dihasilkan dari model regresi berdistribusi normal.
Untuk memastikan apakah sebaran residual yang dihasilkan sudah berdistribusi normal, maka ada satu cara lagi untuk memastikannya yaitu menguji data residual yang telah distandardkan (normal baku) yang sudah terlebih dahulu kita simpan pada jendela Data View.
Untuk pengujiannya, umum digunakan uji normalitas dengan menggunakan uji Kolmogorov-Smirnov. Caranya klik Analyze pilih Nonparametric Test pilih 1 Sampel K-S lalu klik, maka akan muncul jendela seperti gambar di bawah ini.
Untuk menguji normalitas pada residual geser variabel Standardized Residual pada kolom sebelah kanan ke sebelah kiri. Pada kolom Test Distribution centang pada pilihan Normal lalu klik OK.
Setelah klik OK maka akan muncul jendela output SPSS seperti dibawah ini. Kriteria uji untuk menyatakan residual berdistribusi normal adalah nilai Asymp. Sig harus bernilai lebih besar dari 0,05 (alpha : 5%). Pada output SPSS terlihat bahwa nilai Asymp Sig. yang didapat sebesar 0,941 lebih besar dari 0,05 maka dikatakan bahwa residual yang dihasilkan model regresi memenuhi asumsi normalitas.
Dengan menggunakan software SPSS mempermudah proses pembuktian pemenuhan asumsi normalitas bagi model regresi yang dihasilkan. Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software SPSS untuk pengujian asumsi regresi lainnya diantaranya multikolinieritas, heteroskedastisitas, autokorelasi dan linieritas. Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!
Yang banyak dibicarakan ketika menggunakan metoda statistik adalah uji normalitas. Dalam konteks regresi berbeda dalam penentuan objek uji variabel-nya. Dalam penentuan suatu metode yang akan digunakan apakah rumpun parametrik atau non parametrik kita menguji normalitas data atas variabel-variabel yang akan diujikan. Sedangkan uji normalitas yang diterapkan pada regresi dalam rangkan menghasilkan model yang optimal (BLUE) yaitu salah satunya pengujian normailtas pada faktor gangguan ui (disturbace) yang dihasilkan dari model regresi.
Distribusi Probabilitas Gangguan (ui)
Seperti kita ketahui bahwa metode populis dalam menaksir persamaan regresi adalah dengan metode kuadrat terkecil biasa (ordinary least square, OLS). Dengan menggunakan metode OLS akan dihasilkan model persamaan regresi linier beserta faktor gangguan (ui). Asumsi yang dibuat mengenai ui hanyalah bahwa gangguan yang dihasilkan memiliki nilai yang diharapkan (rata-rata) nol, tidak berkorelasi dan memiliki varians konstan. Kalau tujuan dari OLS hanya untuk melakukan penaksiran titik, maka OLS akan mencukupi. Tetapi penaksiran titik hanyalah satu aspek inferensi statistik, sedangkan lainnya adalah pengujian statistik.
Jadi, perhatian kita tidak hanya dalam mendapatkan nilai koefisien regresi (b), tetapi dalam menggunakannya untuk membuat penyataan atau kesimpulan mengenai koefisien regresi (b) yang sebenarnya. Lebih umum lagi, tujuan kita bukan semata-mata untuk memperoleh fungsi regresi sampel, tetapi menggunakannya dalam mengambil kesimpulan mengenai fungsi regresi populasi. Karena tujuan kita adalah penaksiran maupun pengujian hipotesis, kita perlu menetapkan spesifikasi distribusi, utamanya pada probablitias gangguan (disturbance) ui.
Asumsi Kenormalan
Regresi linier normal klasik mengasumsikan bahwa tiap ui didistribusikan secara normal dengan rata-rata nol dan varians σ2. Kenapa harus distribusi normal? Ada beberapa alasan diantaranya :
ui merupakan pengaruh gabungan (terhadap variabel tak bebas) dari sejumlah besar variabel bebas yang tidak dimunculkan secara explisit dalam model regresi. Pengaruh variabel-variabel yang diabaikan ini diharapkan kecil dan dalam keadaan paling baik, random. Berdasarkan pendekatan central limit theorem dapat ditunjukkan bahwa kalau ada sejumlah besar variabel random yang didistribusikan secara independen dan identik, maka distribusi jumlahnya cenderung ke distribusi normal bila banyaknya variabel seperti itu meningkat tak terbatas.
Suatu varians dari central limit theorem menyatakan bahwa bahkan apabila banyaknya variabel tidak sangat besar atau jika variabel ini tidak independen benar, jumlahnya masih bisa didistribusikan secara normal.
Dengan asumsi kenormalan, distribusi probabilitas penaksir OLS dengan mudah diperoleh, karena merupakan sifat distribusi normal bahwa setiap fungsi linier dari variabel-variabel yang diditribusikan secara normal dengan sendirinya didistribusikan secara normal. Maka berlaku jika faktor gangguan ui berdistribusi normal, maka penaksir OLS yaitu koefisien regresi (b) juga berdistribusi normal.
Distribusi normal adalah distribusi yang relatif sederhana yang hanya melibatkan dua parameter (rata-rata dan varians), distribusi ini sangat dikenal dan sifat-sifat teoritisnya telah dipelajari secara luas dalam statistik matematik.
Sifat-sifat Penaksir OLS Menurut Asumsi Normalitas
Penaksir OLS tidak bias
Penaksir OLS mempunyai varians yang minimum. Ini berarti penaksir OLS tidak bias dengan varians yang minimum dikatakan sebagai penaksir yang efisien
Konsisten yaitu dengan meningkatnya ukuran sampel secara tak terbatas, penaksir mengarah ke (convergen) nilai populasi yang sebenarnya
Dari uraian di atas kiranya dapat kita sama-sama pahami bahwa untuk memahami penggunaan asumsi normalitas pada model regresi yang dihasilkan, fokus perhatian kita adalah pada faktor gangguan ui atau umum digunakan dalam proses pengujian oleh software SPSS yaitu pengujian nilai residual yang dihasilkan oleh model regresi. Secara prinsip semakin kecil residual yang dihasilkan dapat diartikan semakin presisi model yang dihasilkan untuk meramalkan hasil yang sebenarnya terjadi secara numerik (angka). Oleh karenanya pada bahasan sebelumnya disebutkan bahwa rata-rata untuk faktor gangguan ui mendekati atau sama dengan nol adalah baik.
Selain itu, nilai varians (nilai keragaman) dari residual yang cenderung konsisten menandakan bahwa nilai gangguan tiap pengamatan dari nilai rata-ratanya cenderung konsisten dan ini yang diharapkan dari suatu peramalan yang dihasilkan dari suatu model. Dengan terpenuhi dua konsep tersebut maka terpenuhilah asumsi normalitas pada faktor gangguan ui dimana rata-rata cenderung mendekati atau sama dengan nol (0) dan varians cenderung konstan.
Efek dari terpenuhinya faktor gangguan ui yang memenuhi asumsi normalitas, maka dalam hal ini menunjukkan bahwa koefisien regresi (b) yang dihasilkan dalam model juga semakin baik dan memiliki distribusi normal pula. Oleh karenanya, teramat penting dalam suatu penaksiran model regresi terpenuhi asumsi normalitas pada nilai gangguan ui dengan benefit-benefit yang telah dipaparkan sebelumnya.
Statement yang sering kita temui dalam keseharian kita terkait dengan suatu phenomena yang kita temui diantaranya “pengaruh” atau “hubungan”. Kata “pengaruh” atau “hubungan” sering digunakan dalam rangka mencari keterkaitan dua keadaan yang terjadi baik itu karena adanya sebab akibat atau karena hanya adanya singgungan atau keterkaitan saja. Umum kita menggunakan “pengaruh” atau “hubungan” hanya sebatas asumsi melalui evaluasi panca indera saja, tanpa membuktikannya melalui proses kuantifikasi (peng-angka-an). Salah satu alat statistik yang membantu proses kuantifikasi asumsi-asumsi tadi adalah Regresi.
Asal Sejarah Istilah Regresi
Istilah regresi diperkenalkan oleh Francis Galton. Dalam suatu makalah yang terkenal, Galton mengemukakan bahwa meskipun ada kecenderungan bagi orang tua yang tinggi mempunyai anak-anak yang tinggi dan bagi orang tua yang pendek untuk mempunyai anak-anak yang pendek, distribusi tinggi suatu populasi tidak berubah secara mencolok (besar) dari generasi ke generasi. Penjelasannya adalah bahwa ada kecenderungan bagi rata-rata tinggi anak-anak dengan orang tua yang mempunyai tinggi tertentu untuk bergerak atau mundur (regress) ke arah tinggi rata-rata seluruh populasi.
Hukum regresi semesta (law of universal regression) dari Galton diperkuat oleh temannya Karl Pearson, yang mengumpulkan lebih dari seribu catatan tinggi anggota kelompok keluarga. Ia menemukan bahwa rata-rata tinggi anak laki-laki kelompok ayah (yang) tinggi kurang daripada tinggi ayah mereka dan rata-rata tinggi anak laki-laki kelompok ayah (yang) pendek lebih besar dari pada tinggi ayah mereka, jadi “mundurnya” (“regressing”) anak laki-laki yang tinggi maupun yang pendek serupa ke arah rata-rata tinggi semua laki-laki. Dengan kata-kata Galton, ini adalah “kemunduran ke arah sedang”.
Secara sederhana analisis Regresi dapat diartikan berkenaan dengan studi ketergantungan satu variabel, variabel tak bebas, pada satu atau lebih variabel lain, variabel yang menjelaskan (explanatory variables), dengan maksud menaksir dan atau meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi) variabel tak bebas, dipandang dari segi nilai yang diketahui atau tetap (dalam pengambilan sampel berulang) variabel yang menjelaskan (yang belakangan).
Ketergantungan Statistik Vs Fungsional
Analisis regresi menaruh perhatian pada apa yang dikenal dengan ketergantungan di antara variabel yang bersifat statistik, bukannya fungsional atau deterministik, seperti pada ilmu fisika klasik. Dalam hubungan di antara variabel yang bersifat statistik, pada dasarnya menghadapi variabel random atau stokhastik (proses stokhastik adalah proses yang penuh dengan kegagalan), yaitu variabel yang mempunyai distribusi probabilitas. Dalam ketergantungan fungsional atau deterministik, berhadapan dengan variabel tetapi variabel tidak bersifat statistik atau stokhastik.
Misal :
Ketergantungan hasil panen pada suhu, curah hujan, sinar matahari dan pupuk, pada dasarnya bersifat statistik dalam arti bahwa variabel yang menjelaskan (explanatory variables), meskipun jelas penting, tidak akan memungkinkan ahli agronomi untuk meramalkan hasil panen secara akurat karena kesalahan yang terdapat dalam pengukuran variabel-variabel dan juga sekelompok faktor (variabel) lain yang secara bersama-sama mempengaruhi hasil panen tadi. Jadi ada sesuatu yang hakiki atau variabilitas random dalam variabel tak bebas (hasil panen), yang tidak bisa dijelaskan sepenuhnya (tidak peduli berapapun banyaknya variabel yang diperhitungkan).
Dalam fenomena deterministik, berhadapan dengan hubungan sejenis, yang ditunjukkan oleh hukum Newton mengenai gravitasi, yang menyatakan : setiap partikel dalam alam semesta menarik setiap partikel lain dengan suatu gaya yang langsung sebanding dengan hasil kali masanya dan berbanding terbalik dengan kuadrat jarak antar partikel-pertikelnya. F = k(m1m2/r2).
Semisal, jikalau ada kesalahan pengukuran, katakan k dari hukum Newton mengenai grafitasi, hubungan yang seharusnya deterministik menjadi hubungan statistik. Karena dalam keadaan ini gaya hanya dapat diramalkan secara kira-kira dari mulai k (dan m1, m2, r2) tertentu yang mengandung kesalahan. Variabel F dalam kasus tersebut menjadi suatu variabel random.
Regresi dan Sebab Akibat
Meskipun analisis regresi berurusan dengan ketergantungan satu variabel pada variabel lain, ini tidak perlu berarti sebab akibat. Dalam perkataan Kendall dan Struart :”Sesuatu hubungan statistik, bagaimanapun kuat dan sugestif, tidak pernah dapat menetapkan hubungan sebab akibat. Gagasan mengenai sebab akibat harus datang dari luar statistik, pada akhirnya dari beberapa teori atau lainnya.”
Regresi Vs Korelasi
Analisis korelasi tujuan utamanya adalah untuk mengukur kuat atau derajat hubungan linier antara dua variabel. Sedangkan regresi tujuan utamanya untuk menaksir atau meramalkan nilai rata-rata satu variabel atas dasar nilai yang tetap variabel-variabel lain.
Teknik regresi dan korelasi mempunyai beberapa perbedaan yang mendasar. Dalam analisis regresi berlaku sifat asimetri yaitu cara bagaimana variabel tak bebas dan variabel yang menjelaskan diperlakukan. Variabel tak bebas diasumsikan bersifat statistik, random atau stokhastik, yaitu mempunyai distribusi probabilitas. Dipihak lain, variabel yang menjelaskan (explanatory variables) diasumsikan mempunyai nilai yang tetap (dalam pengambilan sampel secara berulang). Sedangkan, dalam analisis korelasi, kita memperlakukan yang manapun dari (dua) variabel secara simetris, tidak ada perbedaan antara variabel tak bebas dan variabel yang menjelaskan.
Istilah dan Notasi dalam Regresi
Dalam literatur istilah variabel tak bebas (dependent variables) dan variabel yang menjelaskan (explanatory variables) digambarkan dengan berbagai cara, sebagai berikut :
Variabel tak bebas (dependent variables) = variabel yang menjelaskan (explained variables) = yang diramalkan (predictand) = yang diregresi (regressand) = tanggapan (response)
Variabel yang menjelaskan (explanatory variables) = variabel bebas (independent variables) = peramal (predictor) = yang meregresi (regressor) = perangsang atau variabel kendali (stimulus or control variables)
Jika kita sedang mempelajari ketergantungan satu variabel pada hanya satu variabel yang menjelaskan, studi itu dikenal dengan analisis regresi sederhana atau dua variabel. Tetapi kalau kita mempelajari ketergantungan satu variable pada lebih dari satu variabel yang menjelaskan, maka dikenal sebagai analisis regresi majemuk (multiple regression analysis).
Dalam prakteknya ada beberapa persiapan dan pemahaman yang perlu dibangun oleh peneliti sebelum menerapkan data pada metode regresi. Satu bahasan telah diuraikan pada artikel sebelumnya, yaitu prasyarat skala ukur data yang kita gunakan dalam perhitungan regresi pada variabel penelitian (variabel bebas dan variabel tak bebas) karena sedikit banyak berpengaruh pada pemilihan jenis dari regresi itu sendiri (ex : regresi logistik dan regresi dengan variabel dummy). Selain itu, perlunya suatu proses pengujian pada model berupa pengujian asumsi regresi linier klasik yang memuat pengujian normalitas, multikolinieritas, heteroskedastisitas, autokorelasi dan linieritas yang menguatkan bahwa model yang dihasilkan merupakan model yang memiliki taksiran yang baik.
Pada artikel selanjutnya kita akan ulas identifikasi kebagusan model berdasarkan asumsi-asumsi yang tadi diutarakan, diantaranya normalitas, multikolinieritas, heteroskedastisitas, autokorelasi dan linieritas.
Para ahli metode penelitian mengelompokan SEM menjadi dua pendekatan. Pendekatan pertama disebut sebagai Covariance Based SEM (CBSEM) dan pendekatan lainnya adalah Variance Based SEM atau yang lebih dikenal dengan Partial Least Square (PLS). Untuk melakukan analisa dengan menggunakan CBSEM maka software yang sering digunakan adalah AMOS dan LISREL sedangkan untuk PLS software yang sering digunakan adalah smartPLS, warpPLS dan XLStat.
Mengapa Menggunakan PLS
PLS menggunakan metode bootstraping atau penggandaan secara acak. Oleh karenanya asumsi normalitas tidak akan menjadi masalah bagi PLS. Selain terkait dengan normalitas data, dengan dilakukannya bootstraping maka PLS tidak mensyaratkan jumlah minimum sampel. Penelitian dengan memiliki sampel kecil dapat tetap menggunakan PLS.
Perbedaan PLS dengan CBSEM
Hal utama yang membedakan antara PLS dan CBSEM adalah tujuan dari penggunaan metode. Tujuan dari penggunaan PLS adalah melakukan prediksi. Prediksi yang dimaksudkan adalah prediksi hubungan antar kosntruk. Sedangkan CBSEM lebih ditujukan sebagai metode untuk melakukan konfirmasi teori.
Berdasarkan asumsi statistiknya, PLS digolongkan sebagai jenis non-parametrik sedangkan CBSEM lebih kepada normal distribution dan independent observation (parametrik).
Dari sisi konstruk, CBSEM hanya dapat mengakomodir konstruk yang berbentuk reflektif. Sedangkan PLS dapat mengakomodir baik formatif maupun reflektif.
Mengenai jumlah sampel. Dikarenakan PLS berbasis pada variance maka jumlah sampel yang digunakan dapat berkisar antara 30 s.d 100 sampel. Sedangkan CBSEM karena dasarnya covariance, maka sampel yang digunakan berkisar 200 s.d 800 sampel.
Dari jumlah kosntruk dan indikator. PLS dapat mengakomodir hingga 100 konstruk dan 1000 indikator sedangkan CBSEM hanya bisa mengakomodir sampai 100 indikator.
Menggunakan SmartPLS 3.0
Tampilan Smart PLS terdiri dari tiga jendela diantaranya jendela projek, jendela variabel atau indikator dan jendela tempat struktural model di gambar.
Sebelum menggambar model struktural yang harus dilakukan adalah menginputkan file yang akan dianalisis. Untuk menjalankan smartPLS 3.0 data harus disimpan dalam format .csv (disetting pada microsoft excel pada menu save as).
Langkah pertama untuk memasukan data ke dalam smartPLS 3.0 adalah dengan cara membuat projek yang akan dikerjakan. Disudut kiri atas klik New Project. Lalu akan muncul jendela baru lalu isikan nama project yang akan dikerjakan.
Setelah diisikan nama project dan klik tombol OK maka project akan muncul pada jendela di sebelah kiri. Terdapat 2 menu yaitu menu untuk memasukan data pada smartPLS 3.0 dan menu untuk menggambarkan struktur model penelitian.
Untuk memasukan data double klik pada icon menu. Setelah di klik maka akan muncul layar yang berisikan file dimana kita menaruh data mentah dan filih file dengan format .csv.
Jika data telah dimasukan maka akan tampak pada jendela smartPLS. Indikator lain jika data sudah masuk dalam smartPLS secara sempurna adalah icon warna hijau, yang berarti data sudah komplit. Tetapi jika icon berwarna kuning maka maknanya data masih mengandung missing value. Adapun isi dari data yang diperlihatkan oleh smartPLS diantaranya adalah variabel atau indikator penelitian disertai nilai statistik deskrptifnya.
Setelah data berhasil dinputkan dengan sempurna maka langkah berikutnya adalah menggambar model struktural. Menggambar model struktural dapat dimulai dengan melakukan double klik pada menu nama project disebelah kiri jendela. Setelah di klik akan muncul tab baru di bagian kanan atas.
Nah jika tampilan sudah seperti poin 7 maka model struktural siap untuk digambar. Dalam menggambar gunakan dua icon yaitu “latent variabel” dan “connect” dengan cara klik icon laten variabel lalu klik pada bidang gambar dan seterusnya lakukan hal yang sama sesuai jumlah laten variabel. Lalu untuk menghubungkan pola hubungan gunakan icon connect.
Untuk memasukan observed variabel ke dalam laten variabel maka cukup men-drag atau menarik satu persatu observed variabel yang ada pada layar sebelah kiri bawah ke dalam bidang gambar disesuaikan dengan pasangan laten variabel-nya.
Jika observed variabel sudah dimasukan ke dalam laten variabel maka model berubah menjadi biru. Seperti gambar berikut ini.
Jika perlu mengganti nama dari masing-masing laten variabel cukup klik kanan pada laten variabel dan melakukan rename.
Untuk melakukan pengujian pada menu smartPLS 3.0 pilih menu calculate dan pilih bootstrapping untuk menguji hipotesis.
Setelah di klik akan muncul jendela baru, pada menu subsampel isikan sebanyak 500 kali, lalu klik start calculation.
Maka akan muncul tab baru dalam smartPLS 3.0 hasil analisanya. Seperti gambar berikut.
Pada artikel sebelumnya kita sudah mengenal interface LISREL secara umum dan bagaimana membangkitkan data pada program LISREL. Selain itu dikenalkan juga menu-menu yang terdapat pada program LISREL. Pada kesempatan kali ini kita akan sedikit banyak mengupas penggunaan program LISREL pada metode khusus yaitu Structural Equation Modeling (SEM). Konsepsi SEM merupakan gabungan pemahaman kita terhadap analisis regresi, analisis jalur dan analisis faktor konfirmatori, karena berbasis metode-metode tadi secara fungsi dan interpretasi keluaran dari SEM akan tidak jauh berbeda, hanya saja dikarenakan gabungan dari metode-metode tadi SEM kadang kala dipandang rumit dan kompleks.
Sebelum kita langsung dalam pengoperasian program LISREL untuk SEM, ada baiknya kita telaah alur atau tahapan yang harus dipahami oleh peneliti dalam menggunakan metode Structural Equation Modeling (SEM), sebagai berikut
Prosedur aplikasi SEM
Umumnya LISREL digunakan untuk memecahkan masalah model persamaan struktural (SEM). Hair, Anderson, Tatham dan Black mengemukakan 7 langkah dalam mengaplikasikan SEM sebagai berikut :
Merumuskan model berbasis teori : teridentifikasi variabel laten endogen dan eksogen, argumentasi hubungan kausal antar variabel laten, serta mengidentifikasi indikator atau variabel manifest eksogen dan endogen.
Mengkontruksi diagram jalur : tergambar dengan jelas setting atau adegan hubungan antar variabel laten dan teridentifikasi jumlah parameter yang akan diestimasi
Merumuskan persamaan : model pengukuran dan model struktural
Menentukan data input dan metode estimasi : menentukan matrik korelasi atau matriks kovarians dan metode estimasi maximum likelihood, dll
Identifikasi model : model dapat menghasilkan estimasi yang bersifat unik (tunggal) atau tidak. Syarat suatu model menghasilkan estimasi unik adalah model tersebut bersifat just-identified atau over identified. Model dikatakan just-identified apabila derajat bebas model tersebut nol (0) dan dikatakan over identified apabila derajat bebas model lebih dari nol (> 0)
Uji kesesuaian model : pendekatan dua tahap, secara individual digunakan uji t dan secara keseluruhan digunakan kriteria Goodness of Fit (GOF).
Interpretasi dan modifikasi model : menjawab masalah penelitian dan memodifikasi model berdasarkan justifikasi teoritis tertentu.
Yang patut menjadi perhatian bersama adalah poin no 1, dimana dalam penggunaan SEM haruslah berbasis suatu teori tertentu. Ini dikarenakan fungsi SEM adalah mengkonfirmasikan model yang dibentuk pada data riil yang diperoleh dilapangan. Selain itu, penentuan arah hubunngan yang dibangun dalam model haruslah dikuatkan secara teori. Hal, ini juga yang akan berpengaruh pada penentuan jumlah data atau sampel penelitian yang layak digunakan dalam SEM dan layak dilihat dari sisi kecukupan sampel dalam menguji suatu model yang berbasiskan teori.
Oleh karenanya, apabila peneliti meragukan teori yang dipakainya dalam metode SEM dan ketidaksanggupan dalam memenuhi kecukupan sampel yang disyaratkan, pada bahasan berikutnya akan diuraikan konsepsi lain yaitu Partial Least Square (PLS) yang dapat mengakomodasi kekurangan-kekurangan tersebut.
Menggunakan LISREL
Transfer data mentah ke program LISREL
Buka program LISREL, lalu klik File, sehingga tampil kotak dialog berikut :
Klik Import Data, sehingga muncul tampilan berikut:
Pada menu List file of type pilih .sav (file SPSS) dan pada menu Drives tempat menyimpan data SPSS untuk dimasukan ke dalam LISREL.
Klik OK, maka dilayar monitor akan tampil berikut :
Pada menu utama, klik Data, pilih Define Variables, maka dimonitor akan tampil kotak dialog sebagai berikut :
Blok semua variabel seperti tampil kotak dialog berikut:
Selanjutnya klik Variable Type maka dilayar akan muncul tampilan berikut :
Plih Continous dan Aplly to all, kemudian klik OK. Sekarang telah lengkap data ditransfer ke program LISREL.
Komputasi matriks kovarians dan uji normalitas
Untuk memperoleh matriks kovarians dan uji normalitas, dari menu utama LISREL Windows Application-SEM.psf, klik menu Statistics, pilih Output Options, sehingga muncul menu berikut :
Pada Moment Matrix pilih Covariance, pilih Save to File dan LISREL System Data, isikan nama file misal SEM.cov dan pilih Perform test of multivariate normality, seperti tampilan berikut :
Selanjutnya klik OK, hasilnya adalah matriks kovarians langsung disimpan dalam file SEM.cov, sedangkan hasil uji normalitas ditunjukkan dalam keluaran sebagai berikut :
Dengan sudah diperolehnya file matriks kovarians, berarti pengolahan data dengan metode analisis SEM dapat dikerjakan.
Membangun diagram jalur
Untuk membangun sebuah diagram jalur dalam program LISREL berdasarkan atas teori yang sudah ditetapkan sebelumnya dan sudah teridentifikasi klasifikasi jenis dari variabel-variabelnya, maka pada program LISREL pilih menu File lalu klik New, maka akan muncul tampilan jendela sebagai berikut :
Setelih dipilih menu Path Diagram kemudian klik OK maka akan muncul tampilan jendela kosong, lalu klik Setup untuk mengklasifikasikan variabel yang digunakan dalam model klik Variables. Perlu diperhatikan penggolongan variabel berdasarkan variabel manifest dan variabel laten yang digunakan dalam peneltian
Setelah semua variabel diklasifikasikan maka akan terlihat seperti pada jendela berikut ini dan siap untuk dibentuk menjadi model dalam diagram jalur.
Setelah semua variabel manifest dan variabel laten diklasifikasikan, klik Next untuk mendifinisikan sumber dan tipe data yang akan digunakan dalam pengolahan oleh program LISREL. Isikan pada Statistics from yaitu covariance karena file yang kita punya sebelumnya dalam bentuk covariance. File Type yaitu LISREL System Data dan pada File Name biarkan default dan isikan jumlah sampel data pada Number of Observation. Lalu klik OK.
Untuk proses pembuatan diagram jalur, kita tinggal men-drag atau menarik variabel-variabel yang ada pada daftar sebelah kiri ke jendela kosong sebelah kanan, lalu gunakan tools untuk membentuk korelasional atau jalur antar tiap variabel sesuai dengan kosep teoritisnya. Maka model diagram jalur yang sudah dibuat akan terlihat sebagai berikut :
Setelah seluruh variabel dipasangkan dengan dari variabel manifest ke masing-masing variabel latennya. Langkah selanjutnya adalah memproses diagram jalur dari data yang diinputkan dengan cara meng-klik gambar L (run Lisrel). Maka akan muncul jendela sytax program sebagai berikut :
Setelahnya klik kembali L (run Lisrel) maka akan muncul jendela berupa diagram jalur yang telah dilengkapi oleh program LISREL dengan nilai-nilai sepeti bobot faktor, koefisien jalur, erorr, t hitung. Seperti gambar berikut :
Dari diagram jalur tersebut, dapat dilihat beberapa opsi tampilan klik Estimate untuk merubah tampilan ke Standardized Solution, dll. Klik Model untuk merubah tampilan ke X-model, Y-model, Structural Model, dll.
Dari hasil proses L (run Lisrel) tadi dihasilkan juga ouput LISREL yang berisi hasil perhitungan secara lengkap baik itu statistik deskriptif, matriks korelasi, matriks kovarians, model pengukuran, model struktural dan nilai-nilai GOF.
(output ukuran numerik SEM oleh LISREL)
(output ukuran GOF SEM oleh LISREL)
Dari hasil perhitungan data dengan menggunakan program LISREL di atas, untuk interpretasi hasil pengolahan atau analisis disesuaikan tahapannya dengan 7 tahapan yang sudah diutarakan sebelumnya. SELAMAT MENCOBA!!
Kali ini kita akan sedikit berkenalan dengan salah satu software statistika yang sering digunakan juga oleh praktisi dan kekhususannya dalam hal pengujian suatu model. Beberapa jenis pemodelan dalam statistik khususnya ditinjau dari jenis data crossectional diantaranya adalah regresi, path analisis dan lebih kompleks lagi kita mengenal istilah SEM (Structural Equation Modelling). Nah, pada kesempatan kali ini kita akan berkenalan dengan software LISREL yang memiliki kekhususan dalam mengolah data crossectional tadi pada model-model regresi, path dan SEM.
Apa itu LISREL
Lisrel for Windows (joreskog & Sorbom 2006) adalah suatu aplikasi windows yang diperuntukkan untuk suatu perhitungan pemodelan diantaranya Structural Equation Modeling, Multilevel Structural Equation Modeling, Multilevel Linear and Nonlinear Modeling, Formal Inference-based Recursive Modeling dan Generalized Linear Modeling. Selain itu data yang digunakan oleh LISREL dapat berupa file yang diambil dari data eksternal dengan format data SPSS, SAS, STATA, Statistica, Microsoft Escel, SYSTAT dan lain sebagainya yang disimpan oleh LISREL sebagai PRELIS System File (PSF).
Software LISREL
Lisrel for Windows mengunakan PRELIS System File (PSF) sebagai media untuk menyimpan data mentah yang akan diolah oleh LISREL itu sendiri. Sebuah model persamaan struktural dapat di spesifikan dengan pembuatan suatu diagram jalur atau path diagram, SIMPLIS project file, LISREL project file, SIMPLIS syntax file atau LISREL syntax file. Kelima tipe file tersebut dapat mengolahdata dari file PSF. Jika pengguna telah mempersiapkan kelima file tadi, barulah LISREL dapat digunakan untuk mencari model yang fit bagi data yang ada pada file PSF.
Ketika kita membuka LISREL sedikitnya ada 3 menu utama yang akan muncul. Pertama, file menu yang digunakan untuk membuka data PSF dan file PTH. Juga untuk membuka file project LISREL dan SIMPLIS (LPJ dan SPJ). Kedua, jendela text editor yang digunakan untuk menampilkan syntak dan file output LISREL. Dan ketiga, jendela text editor yang memiliki jendela menu yang spesifik
Interface LISREL
Keterangan :
Menu bar merupakan ikon-ikon perangkat operasi dari LISREL dimana fungsi-fungsinya berupa fungsi pembuka file .psf dan membuat diagram jalur .pth
Jendela berwarna abu-abu merupakan jendela display hasil pemrosesan dengan program LISREL
Untuk mengimport data klik File lalu Klik Import Data pada menu List file of type pilih .sav dan pada menu Drives tempat menyimpan data SPSS untuk dimasukan ke dalam LISREL lalu simpan menjadi file .psf.
Interface LISREL Import Data SPSS
Interface LISREL Data .PSF
Jika data telah dinputkan (.psf) ke dalam program LISREL maka interface program LISREL akan nampak seperti gambar di bawah ini, dimana akan muncul menu-menu yang dapat digunakan dalam pemrosesan data .psf :
Interface LISREL menu Data
Keterangan :
Menu data berfungsi dalam mendefinisikan data variabel yang telah diinputkan kedalam program LISREL.
Ataupun jika ingin melakukan peng-edit-an data yang telah dimasukan ke dalam program LISREL dapat dilakukan pada menu data
Setelah data didefinisikan dan siap untuk dilakukan pengolahan secara statistik, terdapat beberapa menu yang dapat dijadikan pilihan diantaranya statistics, graph, multilevel, surveyGLM. Pemilihan penggunaan metode statistik disesuaikan dengan kebutuhan dari penelitian.
Interface LISREL menu Statistics
Keterangan :
Menu statistics berisikan metode statistik dalam rumpun structural equation modeling (analisis faktor, analisis regresi, dll)
Dengan meng-klik salah satu metode yang diinginkan, prosedur pengaplikasian program LISREL dapat dilakukan.
Interface LISREL menu Statistics-Regresi
Keterangan :
Dengan mengklik menu regresi linier maka akan tampak jendela untuk mendefinisikan variabel kedalam model regresi
Jika telah didefinisikan variabelnya, dengan mengklik run, maka proses perhitungan dengan program LISREL dilakukan
Jika dalam suatu penelitian data sudah didapatkan, pertanyaan selanjutnya adalah akan disepertiapakan data yang sudah diperoleh, dengan bantuan apa kita memproses data yang sudah didapatkan. Pastinya data yang sudah didapatkan sedemikian rupa harus dikenakan proses pengolahan agar data tersebut bermakna dan memberikan informasi yang diharapkan peneliti dan menjadi jawaban kepada publik. SPSS!
Salah satu yang alat bantu dalam pemrosesan data dalam statistika adalah SPSS. SPSS merupakan singkatan dari Statistical Package for Social Sciences. Pertama kali dirilis pada tahun 1968 oleh Norman Nie, seorang lulusan fakultas ilmu politik Standford University, yang sekarang menjadi profesor peneliti fakultas llmu politik di Standford dan profesor emeritus ilmu politik di University of Chicago. Semula SPSS hanya digunakan untuk ilmu sosial saja, tapi perkembangan berikutnya digunakan untuk berbagai disiplin ilmu sehingga kepanjangnya berubah menjadi “Statistical Product and Service Solution”.
SPSS sebagai sebuah tools mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial. SPSS sering digunakan untuk memecahkan problem riset dan bisnis. Dimana cara kerja yang sederhana, yaitu data yang diinput akan dianalisis berdasarkan metode yang peneliti inginkan. SPSS banyak digunakan oleh peneliti pasar, peneliti kesehatan, perusahaan survey, pemerintah, peneliti pendidikan, organisasi pemasaran, dll. Selain analisis statsitika, manajemen data dan dokumentasi data juga merupakan fitur-fitur dari software dasar SPSS.
Beberapa metode statistik yang termasuk dalam software dasar SPSS diantaranya :
Statistik deskriptif : tabulasi silang, distribusi frekuensi, statistik deskriptif, explorasi.
Statistik bivariat : t-test, ANOVA, korelasi, nonparametric test.
Prediksi hasil numerik : regresi linier
Prediksi untuk mengidentifikasi kelompok : analisis faktor, analisis cluster (two-step, k-means, hierarkis), diskriminan.
Adapun beberapa kemudahan yang lain yang dimiliki SPSS dalam pengoperasiannya adalah karena SPSS menyediakan beberapa fasilitas sebagai berikut :
Data editor. Merupakan jendela untuk pengolahan data. Data editor dirancang sedemikian rupa seperti pada aplikasi-aplikasi spreadsheet untuk mendefinisikan, memasukan, mengedit dan menampilkan data.
Viewer. Viewer mempermudah pemakaian untuk melihat hasil pemrosesan, menunjukkan atau menghilangkan bagian-bagian tertentu dari output, serta memudahkan distribusi hasil pengolahan dari SPSS ke aplikasi-aplikasi yang lain.
Multidimensional pivot tabel. Hasil pengolahan data akan ditunjukkan dengan multidimensional pivot tables. Pemakaian dapat melakukan eksplorasi terhadap tabel dengan pengaturan baris, kolom serta layer. Pemakai juga dapat dengan mudah melakukan pengaturan kelompok data dengan melakukan splitting tabel sehingga hanya satu grup tertentu saja yang ditampilkan pada satu waktu.
High resolution graphics. Dengan kemampuan grafikal beresolusi tinggi baik untuk menampilkan pie chart, bar charts, histogram, scatterplots, 3-D graphics, dll akan membuat SPSS tidak hanya mudah dioperasikan tetapi juga membuat pemakai merasa nyaman dalam pekerjaannya.
Database access. Pemakai program ini dapat memperoleh kembali informasi dari sebuah database dengan menggunakan database wizard yang disediakannya.
Data transformation. Transformasi data akan membantu pemakai memperoleh data yang siap untuk dianalisis. Pemakai dapat dengan mudah melakukan subset data, mengkombinasikan ketegori, add, agregat, merge, split dan beberapa perintah transpose files, serta yang lainnya.
Electronic distribution. Pengguna dapat mengirimkan laporan secara elektronik menggunakan sebuah tombol pengiriman data (email) atau melakukan eksport tabel dan grafik ke mode HTML sehingga mendukung distribusi melalui internet dan intranet.
Online help. SPSS menyediakan fasilitas online help yang akan selalu siap membantu pemakai dalam melakukan pekerjaannya. Bantuan yang diberikan dapat berupa petunjuk pengoperasian secara detail, kemudahan pencarian prosedur yang diinginkan sampai pada contoh-contoh kasus dalam pengoperasian program ini.
Akses data tanpa tempat penyimpanan sementara. Analisis file-file data yang sangat besar disimpan tanpa membutuhkan tempat penyimpanan sementara.
Interface dengan database relasional. Fasilitas ini akan menambah efisiensi dan memudahkan pekerjaan untuk mengekstrak data dan menganalisisnya dari database relasional.
Analisis distribusi. Fasilitas ini diperoleh pada pemakaian SPSS for server atau untuk aplikasi multiuser. Kegunaan dari analisis ini adalah apabila peneliti akan menganalisis file-file data yang sangat besar dapat langsung me-remote dari server dan memprosesnya sekaligus tanpa harus memindahkan ke komputer user.
Multiple sesi. SPSS memberikan kemampuan untuk melakukan analisis lebih dari satu file data pada waktu yang bersamaan.
Mapping. Visualisasi data dapat dibuat dengan berbagai macam tipe baik secara konvensional atau interaktif, misal dengan menggunakan tipe bar, pie atau jangkauan nilai, simbol gradual dan chart.
>> SPSS Evnironment
Data View pada SPSS
Keterangan :
Menu Bar : Kumpulan perintah-perintah dasar untuk mengoperasikan SPSS
Tool Bar : Kumpulan perintah-perintah yang sering digunakan dalam pengoperasian SPSS dalam bentuk gambar atau tampilan pada speadsheet
Column dan row (cell) : Tempat untuk menuliskan data yang akan diolah
Data view : Halaman pengiputan data
Variabel view : Halaman pendefinisian variabel
Name cell (column) : Nama untuk variabel pada setiap cell per column
Data bar : Tempat untuk membantu menuliskan data pada cell
Variabel Views pada SPSS
Keterangan :
Column name : merupakan tempat untuk menuliskan “nama variabel/cell” per column, hanya boleh satu kata atau menggukan jeda “_”
Type : menentukan tipe data (numerik, coma, dot, scientific, notation, string, dll)
Width : menentukan jumlah karakter atau angka yang akan tampil dalam data view
Decimals : menentukan jumlah angka di belakan koma
Label : memberikan sebutan atau identitas pada suatu variabel, yang nantinya dalam hasil pengolahan data, nama yang akan muncul adalah nama labelnya.
Values : memberikan keterangan “nama atau kategori” pengganti pada data variabel, yang ditentukan pada data nominal dan ordinal
Missing : memberikan informasi apabila data tidak ada
Columns : memberikan ukuran lebar column di layar data view
Align : menentukan letak data (rata tengah, kiri atau kanan)
Measure : menentukan jenis skala ukur data yang dimasukan (scale, nominal atau ordinal)
Penting bagi user pemula untuk mengenali interface dari SPSS agar tidak membuat bingung dalam penggunaanya. 2 bagian dari interface SPSS yaitu data view dan variabel view penting untuk diketahui fungsi dan perannya, kedua bagian sengaja dibuat terpisah dikarenakan dalam pengolahan data setelah data dinputkan pada bagian data view maka data tersebut harus didefinisikan didalam variabel view (atau sebaliknya) untuk membantu pengguna memahami konteks data atau variabel secara rule statistiknya sebelum melangkah kepada proses pengolahan data yang ada pada menu bar submenu analysze.
>> Pengoperasian SPSS
Setelah kita menggenal dan mengetahui ruang lingkung software SPSS, akan sangat membantu kita dalam proses penggunaan SPSS untuk keperluan olahdata dari data yang kita miliki. Berikut beberapa tahapan dalam pengoperasian SPSS diantaranya tahapan penginputan data dan tahapan pengolahan data.
Input data manual
Input data manual merupakan penggunaan sheet dari SPSS dengan cara memasukan data secara langsung ke dalam sheet SPSS dengan terlebih dahulu mendefinisikan karekteristik data yang dimiliki pada menu variabel view. Tahapannya adalah sebagai berikut :
Masuk ke variabel View, isi cell name, type, width, dll sesuai dengan ketentuan jenis atau skala ukur dari data yang akan diolah.
Masuk ke data View dan masukan data pada setiap cell sesuai dengan penggolongannya (column)
Data siap di olah sesuai dengan metode statistik yang digunakan
Import database
Fungsi dari import database adalah untuk mengubah file data dari format lain ke dalam format SPSS, yaitu dapat dicontohkan dengan mengubah formal excel ke dalam format SPSS. Tahapannya adalah sebagai berikut :
Pastikan data excel yang akan diimpor, tidak ada baris atau kolom yang tersembunyi (hide)
Buka SPSS
Klik menu File > klik Open > klik Data
Pilih file yang akan dimport
Klik file excel yang akan diimport > klik Open
Data siap diolah sesuai dengan metode statistik yang digunakan
Import Data dalam SPSS
Yang perlu diperhatikan dalam proses penginputan data pada interface data view adalah jenis data dengan skala nominal atau ordinal. Terutama penggunaannya untuk kebutuhan olahdata yang cukup kompleks (cross tabulasi, chi square, regresi dummy atau regresi logistik) untuk menidentifikasi kebutuhan jenis variabel berdasarkan metoda statistik yang digunakan.
Cara pertama dengan menginputkan bentuk data text secara langsung harus merubah tipe variabel dalam interface variabel view “type” menjadi string bukan numerik sehingga penginputan text pada interface data view memungkinkan secara langsung, selain itu merubah juga fungsi measure (skala ukur) dari scale menjadi nominal atau ordinal. Kedua, dengan mempertahankan inputan data sebagai numerik (baik itu pada data view atau variabel view) akan tetapi menambahkan pada “values’ berupa kategori dari data numerik yang dinputkan, lalu rubah measure (skala ukur) data yang kita inputkan menjadi nominal atau ordinal.
>> Pengolahan Data SPSS
Pada dasarnya pengolahan data SPSS dapat menggunakan berbagai model statistik yang sesuai dengan kebutuhan. Penggunaan berbagai model statistik dapat diterapkan pada software SPSS dengan menggunakan prosedur pengujian yang telah ditetapkan. Berdasarkan data yang telah diinputkan sebelumnya, maka kita dapat mencoba untuk mengolah menggunakan menu analysis pada SPSS. Tahapannya adalah sebagai berikut :
Buka SPSS
Pilih menu Analyze kemudian pilih menu analisis yang sesuai dengan tujuan olahdata, lalu klik
Isi variabel pada metoda analisis yang dipilih pada bagian kolom keterangan yang tersedia, sesuaikan variabel dengan definisi metode analisis yang dipakai.
Untuk melakukan analisis lengkapi pemrosesan data pada menu-menu yang tersedia pada metode analisis yang dipakai, jika diperlukan. Misal, jika kita menggunakan statistik regresi, apa saja hasil output yang diinginkan maka klik ‘statistics’, ‘plots’, ‘save’ atau ‘option’.
Setelah proses pemilihan kebutuhan olahdata selesai, klik ‘Ok’ maka akan muncul output SPSS.
Menu Analyze pada SPSS
Ouput Analisis pada SPSS
Keunggulan output SPSS adalah kemudahan dalam hal editing ataupun keperluan untuk pembuatan laporan dari hasil olahdata (copy object dan copy). Output SPSS dapat disalin pada aplikasi lain semisal microsoft word atau excel dengan mudah, baik itu berupa gambar ataupun text untuk keperluan editing. Dengan segala kemudahan dan kesederhanaan dalam penggunaanya, SPSS menjadi tools yang banyak dipakai untuk berbagai keperluan analisa, baik itu yang memiliki latarbelakang statistik secara khusus ataupun yang tidak memiliki latar belakang statistik sekalipun dapat dengan mudah menggunakan SPSS sebagai tools pendamping dalam menyelesaiakan olahdata data penelitiannya.
Tujuan pokok pembuatan kuesioner adalah untuk memperoleh informasi yang relevan dengan tujuan penelitian dan memperoleh informasi dengan reliabilitas dan validitas setinggi mungkin. Mengingat terbatasnya masalah yang dapat ditanyakan dalam kuesioner, maka senantiasa perlu diingat agar pertanyaan-pertanyaan memang langsung berkaitan dengan hipotesis dan tujuan penelitian.
Jika variabel penelitian sudah jelas, maka pertanyaan pun menjadi jelas (baca juga : Indeks dan Skala). Ini tentunya berkaitan dengan kemampuan teknis pembuatan kuisioner, walaupun titik tolaknya adalah variabel penelitian yang jelas dan relevan. Sebaliknya, jika variabel penelitian masih kabur dalam pikiran peneliti, pertanyaan-pertanyaan juga akan kabur dan mungkin sekali dimasukan banyak pertanyaan yang tidak relevan. Kekaburan dan kekacauan tersebut akan menimbulkan masalah yang berlarut-larut pada analisa data dan penulisan hasil penelitian.
Beberapa cara pemakaian kuisioner
Kuisioner digunakan dalam wawancara tatap muka dengan responden
Kuisioner diisi sendiri oleh kelompok. Misal, seluruh murid dalam satu kelas dijadikan responden dan mengisi kuisioner secara serentak
Wawancara melalui telpon. Cara ini sering dilakukan dilazim Amerika Serikat dan negara-negara maju lainnya, tetapi tidak lazim di negara-negara berkembang. Prosedur ini lebih murah daripada wawancara tatap muka dan adakalanya orang tidak bersedia didatangi tapi bersedia diwawancarai melalui telpon
Kuisioner diposkan, dilampirkan amplop dan dibubuhi perangko, untuk dikembalikan oleh responden setelah diisi. Cara ini dapat dilakukan untuk kuisioner yang pendek dan mudah dijawab, tetapi mungkin cukup besar proporsi yang tidak dikembalikan oleh responden.
Jenis pertanyaan
Pertanyaan tertutup. Kemungkinan jawaban sudah ditentukan terlebih dahulu dan responden tidak diberi kesempatan untuk memberikan jawaban lain.
Misal : “Apakah ibu pernah mendengar tentang keluarga berencana?”
Opsi jawaban : 1. Pernah 2. Tidak pernah
Pertanyaan terbuka. Kemungkinan jawaban tidak ditentukan terlebih dahulu dan responden bebas memberikan jawaban.
Misal : “Menurut pendapat ibu, apakah masalah yang paling penting bagi wanita di kota?”
Kombinasi tertutup dan terbuka. Jawabanya sudah ditentukan tetapi kemudian disusul dengan pertanyaan terbuka.
Misal : “Apakah ibu pernah mendengar tentang cara-cara menjarangkan kehamilan atau membatasi kehamilan?”
Opsi jawaban : 1. Pernah 2. Tidak pernah (Jika pernah) Cara-cara apa yang pernah ibu dengar?
Pertanyaan semi terbuka. Pada pertanyaan semi terbuka, jawabanya sudah tersusun tetapi masih ada kemungkinan jawaban tambahan.
Gunakan kata-kata yang sederhana dan dimengerti oleh semua responden. Hindarkan istilah yang hebat tetapi kurang atau tidak dimengerti responden.
Misal : “Bagaimana status perkawainan Bapak?” lebih baik “Apakah bapak beristri?”
Usahakan supaya pertanyaan jelas dan khusus.
Misal : “Berapa orang berdiam di sini?”
Apakah yang dimaksud “di sini” adalah bangunan, rumah atau yang lain? Arti kata “di sini” harus dijelaskan dan konsisten.
Hindarkan pertanyaan yang mempunyai lebih dari satu pengertian
Misal : “Apakah saudara mau mencari pekerjaan di kota?” Lebih baik “Apakah saudara mencari pekerjaan? Kalau jawaban “Ya”, kemudian ditanyakan “Di mana saudara ingin bekerja?”
Hindarkan pertanyaan yang mengandung sugesti
Misal : “Pada waktu senggang, apakah saudara mendengarkan radio atau melakukan yang lain?” Lebih baik “Apakah yang saudara lakukan pada waktu senggang?”
Pertanyaan harus berlaku untuk semua respoden
Misal : “Apakah pekerjaan saudara sekarang?” Ternyata dia menganggur. Seharusnya ditanyakan terlebih dahulu “Apakah saudara bekerja?” Kalau jawabannya “Ya” lalu ditanyakan “Pekerjaan saudara?”
Susunan pertanyaan
Pertanyaan dikelompokan sesuai dengan tujuan penelitian, dimulai dengan identitas yang berisi : (1) nama responden (2) tempat tinggal (3) nama pewawancara (4) tanggal wawancara. Lalu disusul dengan pertanyaan tentang ciri-ciri demografi : jenis kelamin, usia, pendidikan, status, dll.
Dalam pola penyusunan kuisioner penelitian diserahkan kepada peneliti bagaimana pengelompokan pertanyaan itu dilakukan, sejauh mana peneliti ingin mengeksplorasi suatu informasi spesifik dari responden. Yang perlu diperhatikan ialah urutan yang cukup runut dan juga dimana ditempatkan pertanyaan yang sensitif. Pertanyaan sensitif tidak ditempatkan dibagian muka karena dapat segera mempengaruhi suasana wawancara. Biasanya pertanyaan semacam ini ditempatkan dibelakang, tetapi bukan pada penutup supaya wawancara tidak diakhiri dengan perasaan kurang baik.
Bentuk fisik kuisioner
Kuisioner sebaiknya rapi, jelas dan mudah digunakan. Menyusun kuisioner yang baik memerlukan lebih banyak waktu tetapi secara keseluruhan akan menghemat waktu. Hal-hal yang perlu diperhatikan adalah sebagai berikut :
Ukuran kertas dan jenis kertas
Diisi bolak balik atau tidak
Pembagian ruangan tidak bersempit-sempit. Sisi kiri dan kanan cukup longgar
Nomor urut pertanyaan. Nomor urut dari mula sampai akhir atau tiap kelompok mempunyai nomor sendiri. Berdasarkan pengalaman, kami menyarankan sistem nomor urut dari mula sampai akhir
Penggunaan huruf besar, huruf kecil dan huruf miring
Tanda panah atau kotak pertanyaan
Kotak kolom (Pembuatan kotak kolom akan menghemat waktu dan tenaga pada tahap berikutnya)
Untuk menghindarkan salah ambil, kuisioner dibuat berlainan warna untuk respoden pria atau wanita. Umpamanya, satu halaman muka dibuat berwarna biru untuk pria dan merah jambu untuk kuisioner wanita.
Pretest atau Survey Pendahuluan
Pretest dilakukan untuk menyempurnakan kuisioner. Melalui pretest akan diketahui berbagai hal :
Apakah pertanyaan tertentu perlu dihilangkan. Pertanyaan tertentu mungkin tidak relevan untuk masyarakat yang diteliti, karena itu perlu dihilangkan.
Apakah pertanyaan tertentu perlu ditambahkan. Adakalanya terlupa memasukan pertanyaan yang perlu dimasukan.
Apakah tiap pertanyaan dapat dimengerti dengan baik oleh responden dan apakah pewawancara dapat menyampaikan pertanyaan tersebut dengan mudah.
Apakah urutan pertanyaan perlu diubah.
Apakah pertanyaan yang sensitif dapat diperlunak dengan mengubah bahasa.
Berapa lama wawancara memakan waktu.
Berapakah jumlah responden untuk pretest? Untuk penentuan jumlah tidak ada patokan pasti dan tergantung pada homogenitas responden. Untuk pretest biasanya sebanyak 30 s.d 50 orang sudah mencukupi dan dipilih responden yang keadaannya kurang lebih sama dengan responden yang sesungguhnya diteliti. Pretest dilaksanakan di luar daerah penelitian.
Pedoman pengisian kuisioner
Pedoman pengisian kuisioner merupakan pegangan bagi pewawancara. Dalam pedoman pengisian kuisioner, tiap pertanyaan yang diajukan diberi keterangan yang jelas dan terinci. Juga dicantumkan jawaban yang diharapkan, terutama pada pertanyaan tertutup dan pertanyaan semi terbuka.
Penggunaan bahasa
Kuisioner di Indonesia hampir seluruhnya menggunakan bahasa Indonesia. Hal ini perlu ditinjau karena kebanyakan responden, terutama di pedesaan, tidak dapat berbahasa Indonesia dengan baik dan pewawancara tidak dapat diharapkan menerjemahkan pertanyaan-pertanyaan yang diajukan. Pertanyaan memang terjawab, tetapi sampai dimanakah reliabilitas dan validitas dari respon tersebut? Distorsi-distorsi dalam pengertian mudah terjadi, begitu pula dapat timbul perasaan yang kurang enak bagi responden karena pemilihan kata yang kurang tepat. Wawancara juga dapat tersendat-sendat karena pewawancara kurang lancar menerjemahkan di hadapan responden. Apabila karena alasan waktu dan kuisioner tidak mungkin diterjemahkan, maka coaching bahasa setidaknya dapat dilakukan dan pewawancara mempunyai satu eksemplar kuisioner dalam bahasa daerah dan pedoman wawancara yang sudah dibuat dapat dijadikan acuan juga bagi pewawancara dalam memandu selama proses wawancara berlangsung.
Teknik penyusunan kuesioner merupakan bagian yang sangat vital dalam model penelitian survey. Seperti telah kita ketahui bersama dalam artikel yang sudah dibahas terkait dengan “Indeks dan Skala”, secara riil tercermin dalam bentuk kuesioner penelitian yang disusun. Semakin baik konsep yang dimiliki tentang masalah penelitian (Teori dasar penelitian dan operasional variabel penelitian) seharusnya akan mempermudah peneliti dalam penyusunan kuesioner yang baik bagi penelitian dan bagi responden, sehingga data dan informasi yang terkumpul memuaskan dalam menggambarkan dan membuktikan phenomena yang sedang diteliti oleh peneliti. SEMANGAT MENELITI!!!
