Pada artikel sebelumnya kita sudah memaparkan bentukan autokorelasi dan autokorelasi parsial yang terbentuk pada data deret waktu. Fungsi atau kegunaan yang sudah kita paparkan diantaranya adalah untuk melihat signifikansi autokorelasi yang dihasilkan data sebagai prasyarat dari analisis deret waktu dan juga berfungsi dalam mendeteksi kestasioneran data yang dimiliki. Salah satu diantaranya dengan melihat korelogram.
Pada kesempatan kali ini akan coba kita uraikan tahapan penggunaan software SPSS untuk menghasilkan korelogram, yang dibutuhkan dalam penilaian awal atas data deret waktu yang digunakan dalam analisis. Tahapannya adalah sebagai berikut :
- Persiapkan data yang akan di analisis dalam file excel, untuk memudahkan dalam melakukan persiapan data yang akan dianalisis pada software Pastikan data yang kita miliki merupakan data waktu, seperti tampak pada gambar berikut.
- Buka software SPSS, lalu entry-kan data yang sudah kita persipakan pada file excel ke dalam jendela Data View pada SPSS dan lakukan penamaan pada jendela Variabel View pada SPSS, sehingga tampak seperti gambar berikut.
- Setelah selesai dengan pendefinisian data, lalu klik Analyse, pilih menu Time Series, lalu muncul menu baru klik pada Autocorrelation, seperti tampak pada gambar berikut.
- Pada tampilan menu Autocorrelation, sudah default pada menu Display, Autocorrelation dan Partial Autocorrelation akan tercentang (biarkan, karena yang akan dianalisis adalah autokorelasi pada data). Untuk tahap awal pengidentifikasian data biarkan default apa yang sudah muncul pada menu Autocorrelation, lalu klik OK. Maka proses penghitungan nilai Autokorelasi dan Autokorelasi Parsial dilakukan oleh SPSS.
- Pemrosesan oleh SPSS akan dihasilkan output SPSS seperti gambar berikut. Terdapat 4 bagian utama sebagai mana dijelaskan pada artikel sebelumnya yaitu nilai Autokorelasi, korelogram ACF, nilai Autokorelasi Parsial dan korelogram PACF.
Gambar 1. Nilai Autokorelasi Berdasarkan Lag-k
Gambar 2. Diagram ACF Fungsi Autokorelasi
Gambar 3. Nilai Autokorelasi Parsial Berdasarkan Lag-k
Gambar 4. Diagram PACF Fungsi Autokorelasi Parsial
- Jika ditelaah, gambar ACF dan PACF keduanya membangun pola alternating (tanda dan nilai autokorelasi berubah secara acak sesuai dengan berjalannya nilai lag), hal ini mengindikasikan data tidak stasioner dalam varians dan stasioner lemah dalam rata-rata hitung. Sedangkan signifikansi autokorelasi kemungkinannya lemah (nilai lag-nya cukup besar jika dibandingkan dengan ukuran sampelnya). Jika hasil telaahan secara “visual” tidak cukup menyakinkan, maka dapat dilakukan pengujian hipotesis statistis untuk keberartian autokorelasi.
Dengan adanya SPSS sebagai software yang sangat mudah untuk digunakan oleh peneliti, dapat membantu dalam mempercepat dalam pemrosesan data. Hal yang perlu diperhatikan oleh peneliti adalah pemahaman akan teori atau konsep yang mendasari penggunaan tools statistik dalam SPSS itu sendiri. Secara tampilan SPSS memperlihatkan menu-menu berdasarkan konsep tools statistik yang ada pada teori yang melatarbelakanginya, jadi alangkah baiknya dan tepat apabila sebelum mengaplikasikan data pada SPSS dibangun kepahaman secara menyeluruh atas teori pada tools statistik yang akan dipakai oleh peneliti. SEMANGAT MENCOBA!!!
———————————————————————————————————————————————————-
- Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :
- WhatsApp : 081321709749
- Email : welcome@mobilestatistik.com
- Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.
- “1st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”
———————————————————————————————————————————————————-
