Rabu, 30 Desember 2009

STATISTIK DENGAN SPSS

1
BAB 1
PENDAHULUAN

Statistik dalam praktek, berhubungan dengan banyak angka hingga bisa
diartikan numerical description. Sebagai contoh, data statistik bisa berupa
pergerakan Indeks Bursa Saham (IHSG), jumlah tanaman di suatu wilayah,
jumlah penduduk wanita di suatu desa dan sebagainya; dalam dunia usaha,
statistik juga sering diasosiasikan dengan sekumpulan data, seperti per-
gerakan tingkat inflasi, biaya promosi bulanan, jumlah pengunjung suatu
toko, dan sebagainya.
Namun, selain merupakan sekumpulan data, statistik juga dipakai untuk
melakukan berbagai analisis terhadap data, seperti melakukan peramalan
(forecasting), melakukan berbagai uji hipotesis, dan kegunaan lainnya;
statistik untuk kegunaan ini disebut sebagai ilmu statistik.
Aplikasi ilmu statistik dapat dibagi dalam dua bagian:
1. Statistik Deskriptif
Statistik Deskriptif berusaha menjelaskan atau menggambarkan berbagai
karateristik data, seperti berapa rata-ratanya, seberapa jauh data-data
bervariasi dari rata-ratanya, berapa median data, dan sebagainya.
2. Statistik Induktif (Inferensi)
Statistik Induktif berusaha membuat berbagai inferensi terhadap sekum-
pulan data yang berasal dari suatu sampel. Tindakan inferensi tersebut
seperti melakukan perkiraan besaran populasi, uji hipotesis, peramalan,
dan sebagainya.
Dalam praktek, kedua bagian statistik tersebut dipakai bersama-sama; biasa-
nya dimulai dengan statistik deskriptif, lalu dilanjutkan dengan berbagai
analisis statistik untuk inferensi. Sebagai contoh, ada data tentang penjualan
Mobil merek “MUSANG” per bulan di suatu show room mobil di Jakarta
selama tahun 2002. Dari data tersebut, pertama akan dilakukan deskripsi
terhadap data tersebut, seperti menghitung berapa rata-rata penjualan mobil
“MUSANG” tersebut, berapa deviasi standarnya, dan lainnya. Setelah disusun 2
deskripsi atau penggambaran tentang data-data penjualan Mobil “MUSANG”
tersebut, kemudian baru dilakukan berbagai inferensi terhadap hasil deskripsi
tersebut, seperti memperkirakan berapa estimasi penjualan mobil
“MUSANG” di seluruh Indonesia (populasi), ramalan penjualan mobil
“MUSANG” di bulan Januari tahun depan, bulan Februari, dan seterusnya.
Jadi, statistik deskriptif akan dilakukan terlebih dahulu, lalu berdasar hasil
tersebut, baru dilakukan berbagai analisis statistik secara induktif.
1.1 ELEMEN STATISTIK
Meskipun statistik bisa diterapkan pada hampir semua aspek kehidupan,
namun ada beberapa elemen yang biasa terdapat dalam suatu persoalan
statistik, yaitu:
1. Populasi
Masalah dasar dari persoalan statistik adalah menentukan populasi data.
Secara umum populasi bisa didefinisikan sebagai sekumpulan data yang
mengidentifikasi suatu fenomena. Misal Pekerja di seluruh Indonesia bisa
disebut suatu populasi; namun semua Pekerja di PT UTAMA juga bisa
dikatakan populasi; bahkan Pekerja Wanita khusus di bagian produksi yang
bekerja lembur pada malam hari di PT UTAMA tersebut juga bisa disebut
suatu populasi. Jadi, definisi populasi lebih bergantung pada kegunaan dan
relevansi data yang dikumpulkan; jika diinginkan diteliti kepuasan pekerja
wanita yang bekerja malam di PT UTAMA tersebut, maka populasi adalah
Pekerja Wanita khusus di bagian produksi yang bekerja lembur pada malam
hari di PT UTAMA. Namun, jika ingin diteliti status dan keadaan pekerja
wanita di Indonesia, maka populasi yang relevan adalah seluruh wanita
Indonesia yang aktif bekerja.
Populasi dalam statistik tidak hanya terbatas pada masalah-masalah manusia
atau bisnis, namun dapat lebih luas cakupannya. Seperti populasi ayam di
suatu daerah, populasi bakteri ‘X’ di suatu laboratorium, dan seterusnya. Juga
populasi bisa sedemikian besarnya hingga bisa dikatakan tak terbatas, seperti
populasi oksigen di dunia, populasi plankton di lautan, dan sebagainya.
2. Sampel
Sampel bisa didefinisikan sebagai sekumpulan data yang diambil atau
diseleksi dari suatu populasi; seperti dalam kasus populasi di atas, jika
populasi adalah seluruh pekerja wanita di PT UTAMA, maka sampel bisa
sebagian pekerja wanita, atau beberapa pekerja wanita di perusahaan 3
tersebut. Jadi, sampel pada dasarnya adalah bagian dari populasi, atau
populasi bisa dibagi dalam berbagai jenis sampel.
Pengambilan sampel dilakukan karena dalam praktek banyak kendala yang
tidak memungkinkan seluruh populasi diteliti. Kendala tersebut bisa karena
situasi, waktu, tenaga, biaya, dan sebagainya. Sebagai contoh, tidak mungkin
akan diteliti semua bakteri “X” yang ada di seluruh dunia; atau akan meng-
habiskan banyak waktu dan biaya jika seluruh pekerja wanita di Indonesia
dijadikan objek penelitian. Oleh karena itu, pengambilan sampel (contoh)
data pada banyak kasus statistik merupakan suatu kebiasaan dan karenanya
metode pengambilan sampel menjadi bagian penting dari statistik.
3. Variabel
Dalam melakukan inferensi terhadap populasi, tidak semua ciri populasi
harus diketahui. Hanya satu atau beberapa karateristik populasi yang perlu
diketahui, yang disebut sebagai variabel. Seperti untuk meneliti kepuasan
pekerja, variabel yang dianggap relevan bisa berupa usia pekerja, gender
pekerja, penghasilan pekerja, dan lainnya. Namun, variabel seperti status
pekerja, asal pekerja, atau tempat tinggal pekerja bisa saja dianggap tidak
relevan dan tidak perlu dianalisis.
4. Statistik Inferensi
Seperti telah dijelaskan di muka, statistik inferensi pada dasarnya adalah
suatu keputusan, perkiraan, atau generalisasi tentang suatu populasi ber-
dasarkan informasi yang terkandung dari suatu sampel. Pada kasus pekerja
wanita di atas, diambil sampel sebanyak 20 orang pekerja wanita di PT
UTAMA. Jika setelah dilakukan serangkaian analisis statistik, ternyata
umumnya para pekerja wanita bergaji rendah dan merasa tidak puas dengan
kondisi kerjanya, maka bisa disimpulkan bahwa seluruh pekerja wanita di
PT UTAMA (populasi) juga merasa tidak puas dengan kondisi kerja dan
tingkat gaji yang diterima selama ini. Jadi, apa yang disimpulkan dari analisis
terhadap sampel, itu pula yang digeneralisasikan (kesimpulan umum) pada
populasi.
1.2 TIPE DATA STATISTIK
Seperti telah disebut di muka, statistik dalam prakteknya tidak bisa dile-
paskan dari data yang berupa angka, baik itu dalam statistik deskriptif yang
menggambarkan data, maupun statistik inferensi yang melakukan analisis
terhadap data. Namun, sebenarnya data dalam statistik juga bisa mengandung
data non angka atau data kualitatif. 4
Data dalam statistik berdasarkan tingkat pengukurannya (level of measure-
ment) dapat dibedakan dalam empat jenis:
Data Kualitatif (Qualitative Data)
Data kualitatif secara sederhana bisa disebut data yang bukan berupa angka.
Data kualitatif mempunyai ciri tidak bisa dilakukan operasi matematika,
seperti penambahan, pengurangan, perkalian, dan pembagian.
Data kualitatif bisa dibagi menjadi dua:
1. Nominal
Data bertipe nominal adalah data yang paling “rendah” dalam level pengu-
kuran data. Jika suatu pengukuran data hanya menghasilkan satu dan hanya
satu-satunya kategori, maka data tersebut adalah data nominal (data
kategori). Misal proses pendataan tempat tinggal 40 responden dalam suatu
penelitian. Dalam kasus ini setiap orang akan bertempat tinggal di suatu
tempat tertentu (berdasar KTP), tidak bisa di tempat lain. Misal Amir ber-
domisili di Solo, maka dia (dianggap) tidak mungkin tinggal di Jakarta, atau
punya dua KTP. Jadi, data tempat tinggal adalah data nominal karena Amir
hanya punya satu dan satu-satunya, tidak bisa lebih dari satu, tempat
tinggal yang ditunjukkan dengan KTP.
Atau, data Jenis Kelamin seseorang. Ini juga suatu data nominal karena
seorang laki-laki tidak mungkin berkelamin ganda. Demikian juga Tanggal
Lahir seseorang, Pekerjaan (diasumsi hanya satu jenis pekerjaan dalam satu
saat), dan seterusnya.
Data Nominal dalam praktek statistik biasanya akan dijadikan “angka”, yaitu
proses yang disebut kategorisasi. Misal dalam pengisian data, jenis kelamin
lelaki dikategorikan sebagai “1” dan perempuan sebagai “2”. Kategori ini
hanya sebagai tanda saja. Jadi, tidak bisa dilakukan operasi matematika,
seperti 1 + 2 atau 1 – 2, dan lainnya.
2. Ordinal
Data ordinal, seperti pada data nominal, adalah juga data kualitatif namun
dengan level yang lebih “tinggi” daripada data nominal. Jika pada data
nominal, semua data kategori dianggap sama, maka pada data ordinal, ada
tingkatan data. Misal pada data Jenis Kelamin di atas, Lelaki dianggap
setara dengan Wanita, atau dalam data Tempat Kelahiran, data Jakarta
dianggap sama dengan data Yogyakarta, Surabaya, Boyolali, dan seterusnya.
Pada data ordinal, ada data dengan urutan lebih tinggi dan urutan lebih
rendah. Misal data tentang sikap seseorang terhadap produk tertentu. Dalam
pengukuran sikap konsumen, ada sikap yang “suka”, “tidak suka”, “sangat 5
suka”, dan lainnya. Di sini data tidak bisa disamakan derajatnya, dalam arti
“suka” dianggap lebih tinggi dari “tidak suka”, namun lebih rendah dari
“sangat suka”. dan lainnya. Jadi, di sini ada preferensi atau tingkatan data,
di mana data yang satu berstatus lebih tinggi atau lebih rendah dari yang lain.
Namun, pada data ordinal juga tidak bisa dilakukan operasi matematika,
seperti jika “tidak suka” dikategorikan sebagai “1”, “suka” sebagai “2” dan
“sangat suka” sebagai “3”, maka tidak bisa dianggap “1 + 2 = 3”, atau “tidak
suka” ditambah “suka” menjadi “sangat suka”!
Data Kuantitatif (Quantitative Data)
Data kuantitatif bisa disebut sebagai data berupa angka dalam arti sebenar-
nya. Jadi. berbagai operasi matematika bisa dilakukan pada data kuantitatif.
Seperti pada data kualitatif, data kuantitatif juga bisa dibagi menjadi dua
bagian.
1. Data Interval
Data Interval menempati level pengukuran data yang lebih “tinggi” dari data
ordinal karena selain bisa bertingkat urutannya, juga urutan tersebut bisa
dikuantitatifkan. Seperti pengukuran temperatur sebuah ruangan pembakaran
roti dari PT ENAK JOSS. Interval Temperatur ruang tersebut:
o Cukup Panas jika temperatur antara 500
C - 800
C
o Panas jika temperatur antara 800
C - 1100
C
o Sangat Panas jika temperatur antara 1100
C - 1400
C
Dalam kasus di atas, data temperatur bisa dikatakan data interval karena data
mempunyai interval (jarak) tertentu, yaitu 300
C.
Namun, di sini data interval tidak mempunyai titik nol yang absolut. Misal
pada pengukuran temperatur, seperti pernyataan bahwa ‘air membeku pada
00
C‘. Pernyataan di atas bersifat relatif, karena 00
C hanya sebagai tanda saja.
Dalam pengukuran
0
F, air membeku bukan pada 00
F, namun pada 320
F.
Dengan demikian, juga tidak bisa dikatakan bahwa suhu 1000
F adalah dua
kali lebih panas dari suhu 500
F.
2. Data Rasio
Data Rasio adalah data dengan tingkat pengukuran paling “tinggi” di antara
jenis data lainnya. Data Rasio adalah data bersifat angka dalam arti se-
sungguhnya (bukan kategori seperti pada data nominal dan ordinal) dan bisa
dioperasikan secara matematika (+, -, x, /). Perbedaan dengan data interval
adalah bahwa data rasio mempunyai titik nol dalam arti sesungguhnya.
Misal jumlah produk roti dari gudang PT ENAK JOSS pada contoh di atas. 6
Jika jumlah roti nol, berarti memang tidak ada sepotong roti pun dalam
gudang tersebut. Jika ada 24 roti, kemudian bertambah produk baru sebanyak
3 roti, maka total roti sekarang adalah 24 + 3 = 27 roti (operasi penjumlahan),
dan seterusnya. Atau, berat badan dan tinggi badan seseorang, pengukuran-
pengukurannya mempunyai angka nol/0 dalam arti sesungguhnya. Misal
berat badan 0 berarti memang tanpa berat. Dengan demikian, bisa dikatakan
bahwa sekantong beras seberat 10 kilogram adalah benar-benar dua kali lebih
berat dari sekantong beras yang mempunyai berat 5 kilogram.
Jenis-jenis data di atas dikupas dengan cukup mendalam karena penerapan
dalam statistik akan berbeda untuk jenis data yang berbeda. Data kualitatif
karena bukan data angka dalam arti sesungguhnya, tidak bisa disamakan
perlakuannya dengan data kuantitatif. Data nominal dan ordinal biasanya
menggunakan metode statistik nonparametrik, sedangkan data kuantitatif
memakai metode parametrik. Hal ini akan dijelaskan lebih terperinci pada
bab-bab di belakang.
1.3 STATISTIK DAN KOMPUTER
Komputer berasal dari kata ‘Computare’ dalam bahasa Yunani yang berarti
menghitung (bandingkan dengan kata ‘to compute’ dalam Bahasa Inggris).
Dengan demikian, komputer memang dibuat untuk melakukan pengolahan
data yang didasarkan pada operasi matematika seperti (x, /, +, -) dan operasi
logika (>, <, =). Perkembangan teknologi komputer pun pada intinya
berusaha untuk melipatgandakan kemampuan perhitungan di atas, dengan
memperbaiki kinerja “otak” komputer atau CPU (Central Processing Unit),
dari mulai teknologi XT yang sudah usang sampai teknologi terbaru saat ini,
yakni Intel Core 2 Extreme Processor dan AMD Phenom Processor.
Di lain sisi, ilmu statistik, baik itu statistik deskriptif maupun statistik
inferensi, pada dasarnya adalah ilmu yang '‘penuh’ pula dengan operasi
perhitungan matematika. Statistik berasal dari kata “statistic” yang dapat
didefinisikan sebagai data yang telah terolah. Apakah itu data yang telah
terolah? Tidak lain adalah data “mentah” yang kemudian mengalami proses
pengolahan data. Misal data berat badan sekelompok orang (dalam satuan
kilogram). Dengan proses klasifikasi, data mentah tersebut akan dijadikan
distribusi frekuensi, yang diikuti deskripsi beberapa angka statistik yang
penting, seperti varians, standar deviasi, rata-rata, dan lainnya (ingat pema-
haman statistik deskriptif). Kemudian dengan proses berikut, data-data ter-
sebut bisa diproses untuk melakukan statistik inferensi, seperti melakukan uji
hipotesis, korelasi, dan lainnya. 7
Bagaimana proses tersebut bisa berlangsung? Tentu hal itu didasarkan pada
pengolahan data yang berbasis perhitungan matematika, sesuatu yang bisa
dikerjakan dengan cepat oleh komputer. Jadi, jika statistik menyediakan
cara/metode pengolahan data yang ada, maka komputer menyediakan
sarana pengolahan datanya. Dengan bantuan komputer, pengolahan data
statistik hingga dihasilkan informasi yang relevan menjadi lebih cepat dan
lebih akurat. Hal ini sangat dibutuhkan bagi para pengambil keputusan
karena informasi yang tepat tapi lambat tersajinya akan menjadi “basi”,
sedangkan informasi yang walaupun cepat namun tidak akurat akan meng-
hasilkan keputusan yang bisa salah.
1.4 PROGRAM KOMPUTER STATISTIK
Saat ini banyak beredar berbagai paket program komputer statistik, dari yang
“kuno” dan berbasis DOS seperti Microstat sampai program berbasis
Windows seperti SPSS, SAS, Statistica, Eviews, Minitab, dan lainnya. Pada
dasarnya, program komputer yang berhubungan dengan pengolahan data
statistik bisa dibagi menjadi tiga kelompok:
1. MEMBUAT SENDIRI PROGRAM STATISTIK
Perhitungan statistik bisa dibuat sendiri untuk kegunaan tertentu dengan
bahasa BASIC, PASCAL, dan lainnya. Walaupun mampu menghasilkan
output yang memadai, namun kecuali untuk kegunaan yang bersifat khusus,
pembuatan program sendiri tidak populer dilakukan saat ini.
2. PROGRAM STATISTIK SEBAGAI ADD-INS DARI PROGRAM
LAIN
Perhitungan statistik bisa juga dilakukan lewat program yang sebenarnya
tidak difokuskan pada persoalan statistik, namun mampu memproses data-
data statistik dengan cukup memadai. Sebagai contoh, software spreadsheet
Microsoft Excel yang mempunyai ADD-INS (program bantu), di mana
dengan menginstal menu ANALYSIS TOOLPAK, bisa didapatkan serang-
kaian prosedur statistik yang memadai.
(Buku pembahasan mengenai pengolahan data statistik lewat Excel sudah
tersedia dengan judul Aplikasi Excel dalam Statistik Bisinis terbitan Elex
Media Komputindo).
3. PROGRAM KHUSUS KOMPUTER STATISTIK
Pengolahan data statistik, sejalan dengan makin spesialisasinya banyak
software, bisa dilakukan dengan software yang khusus digunakan untuk 8
pengolahan data statistik. Sofware seperti itu hanya melakukan pengolahan
data statistik deskriptif maupun induktif, menyajikan berbagai grafik yang
relevan untuk membantu pengambilan keputusan di bidang statistik. Contoh
program tersebut seperti Microstat, SAS, Micro TSP, MINITAB, Eviews,
SPSS, dan sebagainya.
1.5 SPSS DAN KOMPUTER STATISTIK
SPSS sebagai sofware statistik pertama kali dibuat tahun 1968 oleh tiga
mahasiswa Stanford University, yakni Norman H. Nie, C. Hadlai Hull dan
Dale H. Bent. Saat itu software dioperasikan pada komputer mainframe.
Setelah penerbit terkenal McGraw-Hill menerbitkan user manual SPSS,
program tersebut menjadi populer. Pada tahun 1984, SPSS pertama kali
muncul dengan versi PC (bisa dipakai untuk komputer desktop) dengan nama
SPSS/PC+, dan sejalan dengan mulai populernya sistem operasi Windows,
SPSS pada tahun 1992 juga mengeluarkan versi Windows. Dan untuk
memantapkan posisinya sebagai salah satu market leader dalam business
intelligence, SPSS juga menjalin aliansi strategis dengan software house
terkemuka dunia lainnya, seperti Oracle Corp., Business Object, serta Ceres
Integrated Solutions.
Hal ini membuat SPSS yang tadinya ditujukan bagi pengolahan data statistik
untuk ilmu sosial (SPSS saat itu adalah singkatan dari Statistical Package for
the Social Sciences), sekarang diperluas untuk melayani berbagai jenis user,
seperti untuk proses produksi di pabrik, riset ilmu-ilmu sains, dan lainnya.
Dan kepanjangan dari SPSS sekarang menjadi Statistical Product and
Service Solutions. Pengguna software SPSS di seluruh dunia juga sangat
beragam, seperti HSBC Bank, ABN AMRO Bank, AC Nielsen (biro riset
pemasaran terbesar di dunia), American Airlines, British Telecom-
munications, Deutsche Telekom, Canon UK, Credit Suisse, Unilever,
University of Chicago, New York University, dan perusahaan besar lainnya.
Saat ini SPSS tidak hanya menangani permasalahan statistik saja, namun
sudah meluas ke data mining (mengeksplorasi data yang telah terkumpul) dan
predictive analytic.


9
1.6 PERSYARATAN HARDWARE
DAN SOFTWARE SPSS 14
Agar SPSS 15 dapat berjalan dengan optimal, disarankan untuk meng-
gunakan:
o Prosesor Intel Pentium atau kompatibelnya; dapat juga prosesor AMD
Athlon atau kompatibelnya.
o Memori (RAM) minimal 256 MB.
o Kapasitas hard disk minimal 400 MB.
o Monitor SVGA.
o Sistem Operasi seperti Microsoft Windows XP atau Windows 2000.
1.7 CARA KERJA SPSS
Untuk bisa memahami cara kerja software SPSS, berikut dikemukakan kaitan
antara cara kerja komputer dengan SPSS dalam mengolah data.
1. KOMPUTER
Seperti telah dijelaskan di muka, pada dasarnya komputer berfungsi meng-
olah data menjadi informasi yang berarti. Data yang akan diolah dimasukkan
sebagai input, kemudian dengan proses pengolahan data oleh komputer,
dihasilkan output yang berupa informasi untuk kegunaan lebih lanjut.
Pengolahan data menjadi informasi dengan komputer:
INPUT OUTPUT DATA
DATA (INFORMASI)





PROSES
KOMPUTER 10
2. STATISTIK
Statistik juga mempunyai fungsi yang mirip dengan komputer, yaitu meng-
olah data dengan perhitungan statistik tertentu, menjadi informasi yang
berarti.
Cara kerja proses perhitungan dengan statistik:
INPUT OUTPUT DATA
DATA (INFORMASI)

3. SPSS
Proses pengolahan data pada SPSS juga mirip dengan kedua proses di atas.
Hanya di sini ada variasi dalam penyajian input dan output data.




INPUT DATA OUTPUT DATA
dengan dengan
DATA EDITOR VIEWER

Penjelasan Proses Statistik dengan SPSS:
1. Data yang akan diproses dimasukkan lewat menu DATA EDITOR yang
otomatis muncul di layar saat SPSS dijalankan.
2. Data yang telah diinput kemudian diproses, juga lewat menu DATA
EDITOR.
3. Hasil pengolahan data muncul di layar (window) yang lain dari SPSS,
yaitu VIEWER. Output SPSS bisa berupa teks/tulisan, tabel, atau grafik.
Dengan demikian, dalam SPSS ada berbagai macam window yang bisa
tampil sekaligus jika memang akan dilakukan berbagai proses di atas.
Namun, yang pasti harus digunakan adalah DATA EDITOR sebagai bagian

PROSES
STATISTIK
PROSES
dengan
DATA EDITOR 11
input dan proses data, serta VIEWER yang merupakan tempat output hasil
pengolahan data.
Namun demikian, selain berbagai window di atas, ada beberapa window lagi
yang juga disertakan dalam SPSS, yaitu Syntax Editor dan Script Editor.
Berikut penjelasan singkat dari semua window yang terdapat pada SPSS.
1.8 WINDOWS SPSS
SPSS menyediakan beberapa window, yang meliputi:
1. Window SPSS Data Editor
(lihat bagian kiri atas tampilan SPSS)
Window ini terbuka secara otomatis setiap kali program SPSS dijalankan,
dan berfungsi untuk input data SPSS. Pada Data Editor juga dijumpai
berbagai menu utama untuk manipulasi data input dan proses data dengan
berbagai macam metode statistik.
2. Window SPSS VIEWER
(ada di bagian kiri atas tampilan SPSS)
Jika Data Editor berfungsi untuk memasukkan data yang siap diolah oleh
SPSS, kemudian melakukan pengolahan data yang dilakukan lewat menu
Analyze, maka hasil pengolahan data atau informasi ditampilkan lewat
window SPSS VIEWER atau bisa disebut Viewer saja. Isi viewer bisa berupa
sebuah Tabel, sebuah Grafik, sebuah Teks, atau kombinasi ketiganya.
3. Window Syntax Editor
Walaupun SPSS sudah menyediakan berbagai macam pengolahan data
statistik secara memadai, namun ada beberapa perintah atau pilihan yang
hanya bisa digunakan dengan SPSS Command Language. Perintah-perintah
tersebut bisa ditulis pada Menu Syntax Editor. Menu ini berupa file teks yang
berisi berbagai perintah SPSS, dan bisa diketik secara manual. Penggunaan
window Syntax dijelaskan pada folder TIP TRIK OTOMATISASI
PROGRAM SPSS.
4. Menu Script Editor
Menu Script pada dasarnya digunakan untuk melakukan berbagai pengerjaan
SPSS secara otomatis, seperti membuka dan menutup File, ekspor Chart,
penyesuaian bentuk output, dan lainnya. Isi menu ini sama dengan menu 12
terdahulu, hanya ditambah dengan submenu Script untuk membuat berbagai
subrutin dan fungsi baru, serta submenu Debug untuk melakukan proses
debug pada script.
Buku ini sebagian besar membahas bagaimana cara memasukkan data
statistik ke dalam SPSS, mengolahnya dengan prosedur statistik tertentu,
serta menafsir hasil output SPSS; dengan demikian hanya menu pada Data
Editor yang dibahas dengan mendalam dalam buku ini.
1.9 TIP DAN TRIK
Pada CD KERJA, disediakan berbagai macam tip dan trik untuk mengolah
data statistik yang tidak ada pada buku ini; seperti merger file, restrukturisasi
data, recode data, pembuatan basic dan general tabel, berbagai macam model
regresi, berbagai metode statistik non parametrik, dan lainnya. Semua tip dan
trik tersebut dapat diakses lewat folder-folder TIP DAN TRIK yang relevan;
misal folder TIPS TRIK BAB 3 MENGELOLA DATA berisi beberapa tip
dan trik yang melengkapi pembahasan Bab 3 buku ini tentang cara mengelola
data yang ada.

Tidak ada komentar: