Program Studi Manajemen • FEB UNDIP

Statistika Bisnis II

Pertemuan 6 — Praktikum Statistik: Olah Data dengan Software

Dari angka mentah ke keputusan bermakna: SPSS (Statistical Package for the Social Sciences) dan Excel sebagai alat analisis bisnis profesional.

RPS MINGGU 6 • SUB-CPMK8 • DURASI 2 × 50 MENIT • PRAKTIKUM

Selamat datang di Pertemuan 6 — sesi ini berbeda dari biasanya karena Anda akan langsung bekerja di depan komputer, bukan hanya mendengarkan dan mencatat. Di dunia kerja nyata, seorang analis bisnis, manajer SDM, atau konsultan tidak menghitung data secara manual satu per satu — mereka menggunakan software seperti SPSS atau Excel untuk mengolah ratusan hingga ribuan data dalam hitungan detik. Tujuan pertemuan ini bukan sekadar mengenal tombol-tombol di SPSS, melainkan melatih Anda agar bisa membaca output yang dihasilkan software dan menerjemahkannya menjadi kesimpulan bisnis yang bermakna. Bayangkan Anda sedang diminta manajemen PT Sido Muncul untuk menganalisis kepuasan kerja karyawan — kemampuan yang kita latih hari ini adalah persis kemampuan yang akan dituntut dalam situasi tersebut.

Tujuan Praktikum & Peta Alur

Setelah praktikum ini, Anda mampu (Sub-CPMK8):

BLOK 1

INPUT

Kode variabel, tipe data, dan penanganan missing values (nilai hilang) di SPSS dengan benar untuk dataset 50–100 observasi.

BLOK 2

DESKRIPTIF

Jalankan Descriptives; baca mean (rata-rata), SD (simpangan baku), skewness (kemiringan), kurtosis; buat histogram & boxplot.

BLOK 3

UJI-t

One-sample & independent samples t-test; baca Levene's Test & nilai Sig. (p-value); simpulkan keputusan statistik.

BLOK 4

EKSPOR

Chi-square dua variabel kategorik (crosstabs); ekspor tabel output SPSS ke Word/Excel untuk laporan akademik.

Mengapa Software? Data Nyata, Keputusan Nyata

Tanpa Software

50 data survei kepuasan → hitung mean manual ≈ 30 menit, rawan salah ketik
Uji-t manual: hitung pooled variance, SE, nilai t — 1 jam per uji
Skala 10.000 data: tidak mungkin dikerjakan manual

Dengan SPSS

50 data → Analyze > Descriptives → klik OK → hasil dalam 3 detik
Independent samples t-test: 5 klik, output lengkap termasuk Levene's Test
BEI/IDX: data harian BBCA (Bank BCA) diunduh — deskriptif instan

Konteks Indonesia: BEI/IDX (Bursa Efek Indonesia) • BPJPH (Badan Penyelenggara Jaminan Produk Halal, Kemenag) • PT Sido Muncul, Semarang

Ingat: Software bukan pengganti pemahaman statistik — ia adalah alat. Anda tetap harus tahu apa yang dihitung dan apa artinya.

BLOK 1 — ANTARMUKA SPSS & INPUT DATA

Antarmuka SPSS
& Input Data

Fondasi: data yang benar = analisis yang benar

1Data View vs Variable View 2Pengkodean variabel 3Input dataset nyata

Mengenal Jendela SPSS: Data View vs Variable View

SPSS punya dua jendela utama. Jangan tertukar.

Mnemonic: Data View = isi kulkas; Variable View = label pada setiap rak. Selalu isi Variable View lebih dulu.

Variable View: Pengkodean Kolom Wajib

Enam kolom wajib diisi di Variable View sebelum input data:

Kolom	Fungsi	Contoh
Name	Nama variabel singkat, tanpa spasi	`kepuasan`, `status_kerja`
Type	Tipe data: Numeric / String / Date	`Numeric` untuk angka
Label	Nama panjang (tampil di output SPSS)	Tingkat Kepuasan Kerja (1–5)
Values	Label kode kategori	1 = Sangat Tidak Puas … 5 = Sangat Puas
Missing	Kode nilai hilang	99 = tidak menjawab
Measure	Skala: Scale / Ordinal / Nominal	`Ordinal` untuk Likert; `Nominal` untuk kategori

Aturan Name: tidak boleh ada spasi atau karakter khusus. Pakai underscore: jenis_kelamin, BUKAN jenis kelamin.

Saya ingin Anda memandang Variable View sebagai "kontrak" antara Anda dan SPSS — di sini Anda mendefinisikan aturan main data Anda sebelum analisis dimulai. Kolom Values sangat penting kalau Anda menggunakan kode angka untuk kategori: kalau Anda menginput 1 dan 2 untuk jenis kelamin tanpa mendefinisikan Values, output SPSS hanya akan menampilkan angka "1" dan "2" — dan dua bulan kemudian Anda sendiri bisa lupa mana yang laki-laki mana yang perempuan. Kolom Measure juga sering diabaikan mahasiswa, padahal SPSS menggunakannya untuk menentukan prosedur analisis yang sesuai — variabel Nominal tidak boleh dihitung mean-nya, dan SPSS akan memperingatkan Anda kalau pengaturannya salah. Luangkan 5 menit mengisi Variable View dengan benar — ini akan menghemat berjam-jam kebingungan di kemudian hari.

Tipe Data & Missing Values — Jangan Abaikan!

Dua kesalahan input paling umum yang menggagalkan analisis:

Tipe Data — Pilih yang Tepat

Data Anda	Tipe SPSS
Angka kontinu (gaji, skor)	Numeric
Teks/nama divisi	String
Tanggal (15/03/2024)	Date
Kode biner (0=Tidak, 1=Ya)	Numeric — bukan String!

Missing Values — Kodifikasi Standar

Jangan biarkan sel kosong (SPSS bisa salah hitung N)
Kode: 99 untuk skala 1–5; 999 untuk skala besar; atau system missing (titik ".")
Daftarkan kode di kolom Missing di Variable View

Perhatian: Sel kosong ≠ Missing yang dikode. Sel kosong kadang dibaca SPSS sebagai nol — hasil analisis Anda bisa bergeser secara dramatis.

Masalah missing values (nilai hilang) adalah salah satu hal yang paling sering saya temui saat memeriksa laporan praktikum mahasiswa — dan ini adalah masalah yang sangat mudah dicegah dengan langkah sederhana. Bayangkan Anda melakukan survei kepuasan kerja ke 60 karyawan, dan 3 karyawan tidak menjawab pertanyaan tentang gaji; kalau sel itu dibiarkan kosong, SPSS pada beberapa prosedur akan membacanya sebagai nol, sehingga rata-rata gaji Anda akan lebih rendah dari seharusnya. Solusinya: segera setelah survei kembali, perhatikan mana yang tidak diisi dan masukkan kode missing (misalnya 99) ke sel tersebut, lalu daftarkan kode 99 di kolom Missing di Variable View agar SPSS tahu untuk mengecualikannya. Kebiasaan ini tampak sepele, tetapi membedakan analisis yang dapat dipercaya dari analisis yang cacat.

HDN-1: Input Dataset Penjualan FMCG 50 Produk

Dataset: 50 produk FMCG (Fast Moving Consumer Goods — produk konsumen terjual cepat: makanan, minuman, kebersihan) di minimarket Semarang.

Langkah	Tindakan di SPSS	Catatan
1	Buka SPSS → New Dataset	Mulai dari file kosong
2	Klik tab Variable View	Definisikan 4 variabel: `kode_produk`, `kategori`, `penjualan_harian`, `harga_satuan`
3	Isi Name, Type, Label, Values, Measure	`kategori` Values: 1=Makanan, 2=Minuman, 3=Kebersihan
4	Klik tab Data View → input baris 1–50	Periksa N setelah selesai
5	Analyze > Descriptive Statistics > Descriptives	Masukkan `penjualan_harian`
6	Klik Options → centang Mean, SD, Skewness, Kurtosis	Skewness tidak otomatis — wajib dicentang manual
7	Klik Plots → centang Histogram with normal curve	Overlay kurva normal langsung terlihat
8	Klik OK → baca output; lalu Graphs > Legacy Dialogs > Boxplot	Identifikasi outlier (titik di luar kumis boxplot)

Output yang diharapkan: N=50, Mean, SD, Skewness, Kurtosis; histogram; boxplot (outlier ditandai “○” atau “*” di SPSS).

BLOK 2 — STATISTIK DESKRIPTIF VIA MENU

Statistik Deskriptif
via Menu

Membaca output: bukan sekadar angka, tetapi cerita data

1Jalur menu Descriptives & Frequencies 2Membaca N, Mean, SD, Skewness, Kurtosis 3Histogram & Boxplot

Jalur Menu: Analyze > Descriptive Statistics

Dua prosedur deskriptif utama di SPSS:

Descriptives — untuk variabel kontinu

Analyze → Descriptive Statistics → Descriptives
Pindahkan variabel ke kotak "Variable(s)"
Klik Options → centang Mean, Std. Deviation, Skewness, Kurtosis
Klik OK → output muncul di Viewer

Frequencies — distribusi frekuensi + grafik

Analyze → Descriptive Statistics → Frequencies
Klik Statistics → centang Mean, Median, Std. Deviation, Skewness
Klik Charts → pilih Histograms → centang "With normal curve"
Klik OK

Gunakan	Kapan
Descriptives	Data numerik kontinu; butuh cepat: N, mean, SD, skewness
Frequencies	Data kategorik/ordinal atau perlu tabel frekuensi + grafik

Membaca Output Descriptives: Mean, SD, Skewness, Kurtosis

Contoh output SPSS — Descriptive Statistics (penjualan_harian, N=50):

Statistik	Nilai	Interpretasi
N	50	50 observasi valid
Mean	127,40	Rata-rata penjualan 127 unit/hari
Std. Deviation	34,72	Sebaran ±35 unit dari mean
Skewness (kemiringan)	0,82	Condong ke kanan — ekor panjang ke atas
Std. Error of Skewness	0,337	Rasio z = 0,82 / 0,337 = 2,43
Kurtosis (ketinggian puncak)	0,45	Mendekati normal (nilai normal = 0)
Minimum	58	Produk dengan penjualan terendah
Maximum	223	Produk dengan penjualan tertinggi

Aturan cepat Hair et al. (2019): Skewness antara −2 dan +2 = distribusi dianggap cukup simetris untuk analisis parametrik (berlaku untuk N sedang 30–200). Kurtosis antara −7 dan +7 = masih dapat diterima. Skewness 0,82 → aman.

Tabel Descriptives adalah tabel pertama yang akan Anda lihat di hampir setiap laporan penelitian kuantitatif — jadi sangat penting untuk bisa membacanya dengan benar. Perhatikan nilai Skewness 0,82: ini positif, artinya distribusi penjualan condong ke kanan — ada beberapa produk dengan penjualan sangat tinggi yang menarik rata-rata ke atas, sementara sebagian besar produk berada di bawah mean. Untuk menguji apakah kemiringan ini cukup besar untuk dikhawatirkan, kita bisa membagi Skewness dengan Std. Error-nya: rasio 0,82/0,337 = 2,43 melebihi ambang 1,96 dari distribusi normal standar — angka 1,96 ini identik dengan alpha 5% yang sudah kita pelajari di Pertemuan 4–5. Namun aturan cepat Hair menyimpulkan 0,82 aman; untuk N=50, pakai aturan Hair sebagai pegangan praktis karena uji rasio cenderung terlalu sensitif pada N kecil-sedang.

Histogram & Boxplot: Visual Distribusi dan Outlier

Dua grafik wajib untuk memahami bentuk data Anda:

Histogram

Ekor panjang = kanan → Skewness POSITIF. Ekor panjang = kiri → Skewness negatif. Selalu lihat arah ekor, bukan arah puncak.

Boxplot (Diagram Kotak-Kumis)

IQR (Interquartile Range) = Q3 − Q1. Kumis = 1,5 × IQR. Titik di luar kumis = outlier kandidat — periksa dulu sebelum dihapus.

Outlier bukan otomatis dihapus. Periksa dulu: kesalahan input? Atau nilai ekstrem nyata? Keputusan perlu justifikasi dalam laporan.

Studi Kasus: Statistik Deskriptif Data BPJPH

Anda analis di distributor FMCG Semarang. Manajemen meminta laporan statistik deskriptif 50 SKU (Stock Keeping Unit — kode unik per varian produk) produk halal bersertifikat BPJPH.

Kategori	N SKU	Mean Penjualan/minggu (unit)	SD
Makanan	20	143,5	38,2
Minuman	18	118,7	29,4
Kebersihan	12	96,3	22,8
Total	50	127,4	34,7

Langkah SPSS: Data > Split File by kategori → Analyze > Descriptives → Graphs > Boxplot > Clustered.

Insight bisnis: Makanan memiliki rata-rata penjualan tertinggi (143,5) namun variabilitas terbesar (SD 38,2) — permintaan kuat tapi fluktuatif, perlu safety stock lebih besar. Kebersihan paling stabil (SD 22,8).

BLOK 3 — UJI t: ONE-SAMPLE & INDEPENDENT SAMPLES

Uji-t: One-Sample
& Independent Samples

Dari "menggambarkan" ke "menyimpulkan" — uji hipotesis via SPSS

1One-sample t-test 2Independent samples t-test 3Levene's Test & Sig.

One-Sample t-Test di SPSS — Logika & Langkah

Pertanyaan: Apakah rata-rata sampel saya berbeda dari nilai referensi yang saya tentukan?

Contoh: Apakah rata-rata kepuasan kerja karyawan (N=30) berbeda dari nilai tengah skala Likert = 3,0?

H₀: μ = 3,0 | H₁: μ ≠ 3,0 (dua sisi)

Langkah	Menu / Tindakan
1	Analyze > Compare Means > One-Sample T Test
2	Pindahkan `kepuasan` ke Test Variable(s)
3	Isi Test Value = 3 (nilai referensi)
4	Klik OK
5	Baca output: kolom t, df (= N−1), Sig. (2-tailed)

Keputusan: Jika Sig. (2-tailed) < 0,05 → tolak H₀ → rata-rata berbeda signifikan dari 3,0.

One-sample t-test menjawab pertanyaan yang sangat spesifik: rata-rata yang saya ukur dari sampel ini — apakah secara statistik berbeda dari suatu nilai yang saya jadikan patokan? Contoh nyata: seorang HRD PT Sido Muncul ingin tahu apakah rata-rata kepuasan kerja karyawan divisi produksi secara signifikan berbeda dari nilai netral 3,0 — karena kalau rata-ratanya 3,2 tetapi secara statistik tidak berbeda dari 3,0, maka peningkatan yang terlihat itu bisa jadi hanya kebetulan sampling. Test Value di sini adalah nilai yang Anda tentukan sendiri berdasarkan pertanyaan penelitian — dalam kasus ini 3,0 sebagai titik tengah skala Likert 1–5. Yang terpenting adalah kolom Sig. (2-tailed) di output: kalau nilainya di bawah 0,05, Anda punya cukup bukti statistik bahwa rata-rata sampel Anda memang berbeda dari patokan tersebut.

Independent Samples t-Test — Dua Kelompok Dibandingkan

Pertanyaan: Apakah rata-rata dua kelompok yang independen (tidak berpasangan) secara statistik berbeda?

Contoh: Apakah rata-rata kepuasan kerja karyawan tetap (N=30) berbeda dari karyawan kontrak (N=30) di PT Sido Muncul, Semarang?

H₀: μ_tetap = μ_kontrak | H₁: μ_tetap ≠ μ_kontrak

Prasyarat: dua kelompok independen (bukan before-after); variabel dependen numerik/kontinu; variabel pengelompok kategorik dikotomis (2 nilai).

Langkah	Tindakan di SPSS
1	Analyze > Compare Means > Independent Samples T Test
2	`kepuasan` → Test Variable(s)
3	`status_kerja` → Grouping Variable
4	Klik Define Groups → Group 1: 1, Group 2: 2
5	Klik OK → baca dua tabel output

Independent samples t-test adalah salah satu uji statistik paling banyak dipakai dalam penelitian manajemen dan SDM — hampir setiap skripsi manajemen yang membandingkan dua kelompok menggunakannya. Kata kunci "independen" di sini penting: dua kelompok tidak boleh berpasangan atau overlap — kalau Anda membandingkan nilai yang sama sebelum dan sesudah pelatihan pada orang yang sama, itu bukan independent samples t-test, melainkan paired samples t-test. Di langkah Define Groups, pastikan Anda memasukkan kode yang persis sama dengan yang ada di dataset: kalau kode-nya 1 = Karyawan Tetap dan 2 = Karyawan Kontrak, maka masukkan Group 1: 1 dan Group 2: 2 — jangan sampai terbalik atau salah angka karena SPSS tidak akan memberi peringatan. Setelah klik OK, output Anda akan terdiri dari dua tabel penting yang akan kita bahas di slide berikutnya.

Membaca Output: Levene’s Test & Tabel t-Test

Output independent samples t-test terdiri dari DUA tabel. Baca berurutan.

Kelompok	N	Mean	Std. Deviation
Karyawan Tetap (1)	30	3,87	0,71
Karyawan Kontrak (2)	30	3,23	0,89

Tabel	Nilai	Interpretasi & Langkah
Levene’s Test: F	2,14	Sig. Levene = 0,148 > 0,05 → varians homogen → baca baris ATAS
Levene’s Test: Sig.	0,148
Equal Variances Assumed: t	3,21	df = 58; baca baris ATAS
Sig. (2-tailed)	0,002	0,002 < 0,05 → tolak H₀ → ada perbedaan signifikan

Aturan Levene’s: Sig. > 0,05 → baris ATAS (Equal Variances Assumed). Sig. ≤ 0,05 → baris BAWAH (Equal Variances Not Assumed, koreksi Welch). Banyak mahasiswa terbalik!

Tabel output independent samples t-test di SPSS selalu terdiri dari dua baris, dan kebingungan mana baris yang harus dibaca adalah kesalahan paling umum dalam laporan mahasiswa — jadi saya akan menekankan aturannya sekali lagi dengan sangat jelas. Pertama, lihat Sig. di tabel Levene's Test: kalau nilainya lebih dari 0,05 (seperti contoh kita: 0,148), itu berarti asumsi varians homogen terpenuhi, dan Anda baca baris ATAS (Equal Variances Assumed). Kalau Sig. Levene kurang dari atau sama dengan 0,05, varians tidak homogen, dan Anda baca baris BAWAH yang menggunakan koreksi Welch. Setelah menentukan baris yang tepat, barulah Anda baca nilai t dan Sig. (2-tailed): dalam contoh ini, Sig. = 0,002 yang jauh di bawah alpha 0,05, sehingga kita dapat menyimpulkan ada perbedaan kepuasan kerja yang signifikan secara statistik antara karyawan tetap dan karyawan kontrak.

Coba Sendiri: Geser Rata-Rata Dua Kelompok, Amati t-Hitung

Ubah rata-rata dan simpangan baku dua kelompok independen, lihat bagaimana nilai t dan kesimpulan uji berubah.

HDN-2: Kepuasan Kerja Karyawan Tetap vs Kontrak (PT Sido Muncul)

Dataset ilustratif: 60 karyawan PT Sido Muncul Semarang — 30 tetap, 30 kontrak. Variabel: kepuasan (Likert 1–5).

Langkah	Tindakan di SPSS	Nilai / Detail
1	Buka dataset `sido_muncul_kepuasan.sav`	60 baris: `id`, `status_kerja`, `kepuasan`
2	Variable View → cek Values status_kerja	1=Tetap, 2=Kontrak; Measure=Nominal
3	Analyze > Descriptive Statistics > Descriptives	Mean tetap=3,87; Mean kontrak=3,23
4–5	Analyze > Compare Means > Independent Samples T Test → Define Groups (1 vs 2)	Kepuasan → Test Var; status_kerja → Grouping Var
6	Baca Levene’s Test: Sig. = 0,148 > 0,05	Varians homogen → pakai baris ATAS
7	Baca Equal Variances Assumed	t = 3,21; df = 58; Sig.(2-tailed) = 0,002
8	Keputusan: 0,002 < 0,05 → tolak H₀	Ada perbedaan signifikan pada alpha 5%

Kesimpulan APA: Karyawan tetap memiliki rata-rata kepuasan kerja (M=3,87) yang secara statistik signifikan lebih tinggi dibanding karyawan kontrak (M=3,23), t(58) = 3,21, p = 0,002. → Lihat Lampiran A-1 untuk verifikasi manual.

Menafsirkan p-value (Sig.): Keputusan Tolak atau Gagal Tolak H₀

Kolom Sig. di output SPSS = p-value. Ini satu-satunya angka yang menentukan keputusan Anda.

Nilai Sig. SPSS	vs α = 0,05	Keputusan	Kalimat Kesimpulan
p = 0,002	< 0,05	Tolak H₀	"Ada perbedaan signifikan (p < 0,05)"
p = 0,048	< 0,05 (tipis!)	Tolak H₀	"Ada perbedaan signifikan, namun marginal"
p = 0,072	≥ 0,05	Gagal Tolak H₀	"Tidak ada perbedaan signifikan (p > 0,05)"
p = 0,851	≥ 0,05	Gagal Tolak H₀	"Tidak ada perbedaan signifikan (p >> 0,05)"

PENTING: "Sig. = 0,000" bukan berarti 100% benar. SPSS membulatkan; nilai sesungguhnya adalah p < 0,001. Tidak ada kepastian dalam statistik — hanya probabilitas.

Ingat: Gagal tolak H₀ ≠ H₀ terbukti benar. Anda hanya kekurangan bukti statistik yang cukup untuk menolaknya.

Kolom Sig. di output SPSS adalah yang paling banyak disalahpahami oleh mahasiswa — dan saya ingin meluruskan tiga miskonsepsi utama hari ini. Pertama: Sig. = 0,000 tidak berarti "pasti benar 100%" — SPSS memotong desimal, nilainya sebenarnya adalah p kurang dari 0,001, yang berarti peluang mendapat hasil seperti ini kalau H₀ benar adalah kurang dari 0,1%; bukan nol, tapi sangat kecil. Kedua: kalau Sig. lebih dari 0,05, jangan tulis "H₀ terbukti benar" atau "tidak ada perbedaan" secara mutlak — kalimat yang tepat adalah "tidak ditemukan cukup bukti statistik untuk menolak H₀ pada alpha 5%"; bisa saja perbedaannya ada tapi sampel Anda terlalu kecil untuk mendeteksinya. Ketiga: p = 0,048 dan p = 0,002 keduanya menghasilkan keputusan "tolak H₀" pada alpha 5%, tetapi p = 0,048 jauh lebih "rawan" dan sebaiknya dicatat dalam laporan ilmiah.

Studi Kasus: Harga Saham IDX — Uji Perbedaan Dua Kelompok

Dataset: harga penutupan harian BBCA (Bank BCA) dan BBRI (Bank BRI) selama Jan–Mar 2024 (±60 hari perdagangan per saham), diunduh via Yahoo Finance sebagai file .csv.

Saham	Mean Harga Penutupan	SD	Sig. (2-tailed)
BBCA (Bank BCA)	Rp 9.350	Rp 210	p < 0,001
BBRI (Bank BRI)	Rp 5.650	Rp 185	p < 0,001

Catatan Metodologis: Data harga saham adalah deret waktu (time series) — observasi tidak independen. Ini adalah latihan mekanisme SPSS. Pada riset sesungguhnya, gunakan uji beda return (% perubahan harga), bukan harga absolut.

Pelajaran: Hasil "significant" (p < 0,001) tidak selalu bermakna praktis. BBCA dan BBRI berbeda skala harga karena perbedaan kebijakan stock split — bukan karena kinerjanya lebih baik. Analisis yang bermakna: bandingkan return harian (%).
Formula: return_t = (P_t − P_t-1) / P_t-1 × 100%

Studi kasus ini sengaja saya pilih untuk mengajarkan sesuatu yang lebih dari sekadar cara klik: bahwa hasil statistik yang "signifikan" belum tentu bermakna atau tepat secara konseptual. Kalau kita membandingkan harga saham BBCA sekitar Rp 9.000-an dengan BBRI sekitar Rp 5.000-an, tentu berbeda — dan t-test akan mengkonfirmasi itu dengan p sangat kecil — tapi apa insight bisnis yang kita dapat? Tidak banyak, karena perbedaan harga absolut ini sebagian besar mencerminkan perbedaan jumlah saham beredar dan kebijakan stock split yang berbeda. Analisis yang lebih bermakna adalah membandingkan return harian karena return sudah "dinormalisasi" — dan ini adalah contoh bagaimana pemahaman domain bisnis sangat menentukan apakah analisis statistik Anda menghasilkan insight yang berguna atau tidak.

BLOK 4 — CROSSTABS, CHI-SQUARE & EKSPOR LAPORAN

Crosstabs, Chi-Square
& Ekspor Laporan

Variabel kategorik & keterampilan pelaporan profesional

1Crosstabs & Chi-Square 2Ekspor ke Word & Excel 3Lima jebakan umum

Crosstabs + Chi-Square di SPSS — Hubungan Dua Variabel Kategorik

Crosstabs (tabulasi silang) — Langkah

#	Tindakan di SPSS
1	Analyze > Descriptive Statistics > Crosstabs
2	`kategori` → Row(s); `status_halal` → Column(s)
3	Klik Statistics → centang Chi-square (χ²)
4	Klik Cells → centang Observed, Expected, Row %
5	Klik OK → baca Asymptotic Sig. (2-sided)

Formula: χ² = Σ [(O − E)² / E]; O = frekuensi observasi; E = frekuensi harapan = (Total Baris × Total Kolom) / N.

Contoh Tabulasi: Kategori × Status Halal (N=50)

Kategori	Belum Halal	Sudah Halal	Total
Makanan	4	16 (80%)	20
Minuman	7	11 (61%)	18
Kebersihan	9 (75%)	3	12
Total	20	30	50

χ²(2) = 9,47; p = 0,009 < 0,05 → ada hubungan signifikan antara kategori produk dan status sertifikasi halal.

Ekspor Output SPSS ke Word & Excel

Output SPSS di Viewer tidak bisa langsung copas ke Word — perlu ekspor yang tepat.

Cara 1 — Ekspor Langsung dari SPSS Viewer

File > Export > pilih format: Word/RTF atau Excel
Pilih tabel yang ingin diekspor (All / Selected)
Tentukan lokasi file → Klik OK
Hasilnya: file .docx atau .xlsx yang bisa diedit penuh

Cara 2 — Copy-Paste Spesial

Klik kanan tabel di Viewer → Copy Special → RTF (Rich Text Format)
Paste di Word → tabel langsung terformat
Untuk Excel: Copy → Paste Special → Text

Tips laporan rapi: Hapus kolom tidak perlu • Font Times New Roman / Calibri • Caption: Tabel 1. Statistik Deskriptif Variabel Kepuasan Kerja • Bulatkan: 2 desimal untuk mean/SD; p < 0,001 bukan p = 0,000.

Keterampilan ekspor ini mungkin terdengar sepele, tetapi saya jamin Anda akan sangat bersyukur telah mempelajarinya ketika mengerjakan laporan praktikum atau skripsi. Banyak mahasiswa yang mengambil screenshot output SPSS dan menempelkannya ke Word — hasilnya adalah gambar yang buram, tidak bisa diedit, tidak bisa diformat ulang, dan terlihat tidak profesional. Output yang diekspor sebagai Word atau RTF adalah tabel yang sesungguhnya: Anda bisa mengubah font, menghapus baris/kolom yang tidak relevan, menyesuaikan lebar kolom, dan menambahkan caption. Satu tip tambahan yang sering saya berikan: selalu bulatkan p-value ke tiga desimal seperti "p = 0,002" kecuali nilainya sangat kecil, dalam hal itu tulis "p < 0,001" — karena menulis "p = 0,0023456" justru menunjukkan Anda tidak paham makna angka tersebut.

Lima Jebakan Umum Praktikum (dan Cara Menghindarinya)

#	Jebakan	Gejala	Cara Hindari
1	Lupa Define Groups	t-test tidak jalan / error	Selalu klik Define Groups sebelum OK
2	Salah baca Levene’s	Pakai baris bawah padahal harus atas	Sig. Levene > 0,05 → baris ATAS
3	Missing values tidak dikode	N aneh, mean tidak masuk akal	Cek N di output vs total data Anda
4	Screenshot output	Tabel buram di laporan	File > Export atau Copy Special RTF
5	Skewness positif = mayoritas di atas mean	Interpretasi terbalik	Positif = ekor kanan; mayoritas DI BAWAH mean

Sebelum submit laporan, tanya diri sendiri: apakah N di output sama dengan N sampel Anda? Kalau tidak — ada masalah di data atau pengkodean missing values.

Cheat Sheet: Pilih Metode yang Tepat

Pertanyaan penelitian menentukan metode. Gunakan tabel ini sebagai panduan cepat.

Pertanyaan Anda	Var. Dependen	Var. Independen	Metode di SPSS
Ringkas data (deskriptif)	Numerik	—	Analyze > Descriptives
Distribusi kategori	Kategorik	—	Analyze > Frequencies
Rata-rata vs nilai patokan	Numerik	— (satu grup)	One-Sample T Test
Beda rata-rata 2 grup independen	Numerik	Kategorik (2 nilai)	Independent Samples T Test
Hubungan 2 variabel kategorik	Kategorik	Kategorik	Crosstabs + Chi-Square
Lihat outlier & distribusi	Numerik	—	Boxplot + Histogram

Ingat: Metode yang salah tapi dijalankan dengan benar di SPSS tetap menghasilkan output yang salah secara konseptual. SPSS tidak tahu apakah pertanyaan penelitian Anda tepat — Anda yang harus tahu.

Slide ini adalah "peta" yang perlu Anda simpan — karena kemampuan memilih metode yang tepat adalah inti dari kompetensi statistik, dan tidak ada software yang bisa melakukan pilihan ini untuk Anda. Logika pemilihannya sederhana: mulai dari pertanyaan penelitian Anda, tentukan apa yang ingin Anda ukur (variabel dependen) dan apa yang mendefinisikan kelompok atau kategori Anda (variabel independen), lalu cocokkan ke kolom terakhir tabel ini. Contoh: kalau Anda ingin tahu hubungan antara jenis kelamin (Laki-laki/Perempuan) dan kepuasan kerja (skor 1–5), variabel independennya kategorik (2 nilai) dan dependen numerik — gunakan independent samples t-test, bukan crosstabs. Crosstabs dipakai hanya kalau kedua variabelnya kategorik — misalnya jenis kelamin dan pilihan saluran distribusi (Online/Offline). Memahami perbedaan ini adalah tanda kematangan analitis yang akan sangat Anda butuhkan dalam skripsi.

Persiapan Pertemuan 7 & Tugas Praktikum

Rekap Hari Ini — 5 Poin Kunci

Variable View harus diisi lebih dulu: Name, Type, Label, Values, Missing, Measure
Descriptives: mean, SD, skewness, kurtosis; histogram & boxplot untuk visual distribusi
Independent samples t-test: selalu cek Levene’s — Sig. > 0,05 → baris ATAS
Chi-square untuk dua variabel kategorik; cek Expected Count < 5
Ekspor output via File > Export atau Copy Special RTF — bukan screenshot

Tugas Praktikum (dikumpul Pertemuan 7)

Unduh data harian BBCA (Bank BCA) dari Yahoo Finance, Jan–Jun 2024 (±120 baris .csv)
(a) Input ke SPSS dengan Variable View lengkap
(b) Jalankan Descriptives + histogram
(c) Buat kolom return harian via Transform > Compute Variable: (P_t−P_t-1)/P_t-1×100%
(d) One-sample t-test: Test Value = 0 (uji apakah return rata-rata ≠ 0)
(e) Ekspor tabel ke Word, rapi, beri caption standar. Maks. 5 halaman.

Pertemuan 7: Distribusi Sampling & Teorema Limit Pusat (Central Limit Theorem) — fondasi mengapa prosedur t-test bekerja bahkan pada data yang tidak normal sempurna. Baca Lind et al. (2015) Ch. 8 sebelum datang.

Kita telah menyelesaikan sesi praktikum hari ini dengan cakupan yang komprehensif — dari input data hingga ekspor laporan, melewati deskriptif, uji-t, dan chi-square. Tugas praktikum yang saya berikan dirancang agar Anda benar-benar mengulang seluruh alur: mulai dari mengunduh data publik yang nyata dari Yahoo Finance, menginput ke SPSS, mengolah, dan melaporkan hasilnya secara profesional. Perhatikan tugas poin (c): membuat kolom return harian berarti Anda akan belajar menambahkan variabel baru di SPSS menggunakan Transform > Compute Variable — ini keterampilan tambahan yang berguna sekali di luar apa yang kita bahas hari ini, jadi jangan lewatkan. Pertemuan 7 kita akan masuk ke konsep teoritis yang sangat penting — Central Limit Theorem (Teorema Limit Pusat) — yang menjadi fondasi mengapa prosedur seperti t-test bekerja bahkan pada data yang tidak normal sempurna; harap baca bab terkait di Lind et al. Ch. 8 sebelum datang.