SPSS

Hai hai sobat Exsight. Kembali lagi dalam artikel Exsight. By the way, sobat Exsight masih ingat gak nih, pada beberapa artikel yang lalu pernah disinggung terkait topik Penjelasan dan Langkah Mudah Uji Chi Square di RStudio. Nah melanjutkan dari artikel sebelumnya, kali ini kita akan membahas lebih mendalam terkait Tutorial Chi-Square yakni dengan software SPSS. Tanpa berlama-lama lagi, yuk yuk simak artikel ini dengan seksama!

Deskripsi

Uji Chi-Square dapat digunakan untuk mengetahui ada tidaknya korelasi antar dua variabel khususnya pada data berskala nominal. Langkah uji chi square adalah dengan membuat tabulasi silang suatu variabel berdasarkan kategorinya dan dilanjutkan dengan melakukan uji hipotesis untuk menguji apakah frekuensi yang diamati berbeda dari frekuensi yang diharapkan. Jika diperoleh keputusan bahwa terdapat perbedaan antara frekuensi yang diamati dengan frekuensi yang diharapkan, maka dapat disimpulkan bahwa kedua variabel memiliki korelasi.

Hipotesis pada uji Chi-Square yaitu sebagai berikut.
H0 : Tidak terdapat hubungan yang signifikan antara dua variabel
H1 : Terdapat hubungan yang signifikan antara dua variabel

Uji Chi-square dapat dirumuskan sebagai berikut:

di mana
 = Distribusi Chi-square
O_i = Nilai observasi (pengamatan) ke-i
E_i = Nilai ekspektasi ke-i = 

Konsep Dasar Chi-Square Test

Konsep dasar yang digunakan untuk chi-square test adalah data berasal dari sampel acak dan dapat disajikan dalam tabel dua arah.

* Data Dapat Disajikan dalam Tabel Dua Arah
Uji chi-square biasanya digunakan untuk menguji hubungan antara dua variabel kategori. Data ini harus bisa disusun dalam tabel kontingensi dua arah, di mana satu variabel ditampilkan sebagai baris dan variabel lainnya sebagai kolom.
Contoh:
Misalkan kita memiliki data tentang preferensi minuman (teh atau kopi) berdasarkan jenis kelamin (pria atau wanita). Data ini dapat disusun dalam tabel dua arah dengan baris untuk jenis kelamin dan kolom untuk preferensi minuman.

Pentingya Chi-Square Test

Mengapa Chi-Square Test Penting dalam Analisis Data?

*Validasi Hubungan Antar Variabel
Uji chi-square membantu dalam menentukan apakah ada hubungan yang signifikan antara dua variabel kategori. Hal ini penting untuk memahami dinamika antar variabel dalam berbagai konteks penelitian.

*Mengidentifikasi Perbedaan
Dalam analisis data, chi-square test digunakan untuk mengidentifikasi perbedaan dalam distribusi frekuensi antar kelompok, yang bisa sangat berguna dalam bidang seperti pemasaran, psikologi, dan ilmu sosial lainnya.

Tahapan Chi-Square Test

Langkah – langkah dalam pengujian Chi-square yaitu sebagai berikut.

1. Merumuskan hipotesis H0 dan hipotesis H1
2. Menetapkan alpha atau taraf signifikansi (umumnya menggunakan alpha 5%)
3. Menghitung statistik uji
4. Melakukan pengujian dan interpretasi hasil

Rumus pada uji Chi–square sebenarnya tidak hanya ada satu. Apabila pada tabel kontingensi 2 X 2 maka rumus yang digunakan adalah Continuty Correction. Apabila tabel kontingensi 2 X 2, tetapi tidak memenuhi syarat dalam uji Chi-square maka rumus yang digunakan adalah Fisher Exact Test. Sedangkan apabila tabel kontingensi lebih dari 2 X 2 misal 2 X 3 maka rumus yang digunakan adalah Pearson Chi-square.

Kelebihan dan Kelemahan

Terdapat beberapa kelebihan dan kelemahan pada uji chi-square diantaranya adalah sebagai berikut.

Kelebihan

1. Sederhana dan Mudah Dipahami
   Uji chi-square menggunakan formula yang relatif sederhana, sehingga mudah dipahami bahkan oleh mereka yang baru mempelajari statistik.
2. Analisis Data Kategorikal
   Uji ini sangat cocok untuk menganalisis data kategorikal, contoh data kategorikal diantaranya seperti jenis kelamin, warna favorit, atau status pernikahan.
3. Tidak Membutuhkan Asumsi Distribusi Normal
   Berbeda dengan banyak uji statistik lainnya, uji chi-square tidak memerlukan asumsi bahwa data harus berdistribusi normal.
4. Fleksibelitas
   Dapat digunakan untuk berbagai macam analisis, termasuk uji kecocokan (goodness of fit), uji kemandirian (test of ndependence), dan uji homogenitas.
5. Apliksi Penerapan Luas
   Uji chi-square digunakan dalam berbagai bidang seperti biologi, kedokteran, ilmu sosial, pemasaran, dan lainnya untuk menguji hipotesis tentang distribusi frekuensi.

Kelemahan

1. Sensitivitas terhadap Ukuran Sampel
   Uji chi-square sangat sensitif terhadap ukuran sampel. Ukuran sampel yang terlalu kecil dapat menghasilkan hasil yang tidak dapat diandalkan, sementara ukuran sampel yang sangat besar dapat menyebabkan uji menjadi terlalu sensitif dan mendeteksi perbedaan yang tidak bermakna secara praktis.
2. Tidak Dapat Digunakan untuk Data Kontinu
   Uji Chi- Square hanya dapat digunakan untuk data kategorikal. Untuk data kontinu, data harus diubah menjadi kategori, yang dapat menyebabkan hilangnya informasi.
3. Frekuensi Harapan
   Untuk hasil yang dapat diandalkan, uji chi-square menyaratkan bahwa frekuensi harapan dalam setiap sel tabel kontingensi tidak boleh terlalu kecil (idealnya tidak kurang dari 5). Ini dapat menjadi kendala dalam analisis data dengan banyak kategori atau sampel yang kecil.
4. Keterbatasan dalam Analisis Multivariat
   Uji chi-square terbatas pada analisis dua variabel (univariat atau bivariat) dan tidak cocok untuk analisis multivariat yang melibatkan lebih dari dua variabel tanpa modifikasi atau penggunaan metode statistik tambahan.
5. Keterbatasan Interpretasi
   Meskipun uji chi-square dapat menunjukkan adanya asosiasi antara variabel-variabel kategorikal, uji ini tidak memberikan informasi tentang kekuatan atau arah hubungan tersebut.

Tutorial SPSS Uji Chi-Square

Studi Kasus

Studi kasus pada artikel kali ini akan menggunakan data yang serupa dengan data pada artikel sebelumnya yakni pada artikel pengujian Chi-Square dengan R Studio. Dalam hal ini data yang digunakan merupakan data keterlibatan warga baik laki-laki dan perempuan pada kegiatan kerja bakti di suatu wilayah. Selengkapnya data bisa diakses disini.

Dataset terdiri atas 99 data, dimana terdiri atas 2 variabel yaitu: Variabel Jenis Kelamin dan Variabel Kerja Bakti. Kedua variabel tersebut merupakan variabel kategorik yang bersifat nominal. Adapun untuk Variabel Jenis Kelamin terdiri atas 2 kategori (Laki-laki dan Perempuan), sedangkan Variabel Kerja Bakti juga terdiri atas 2 kategori (Terlibat dan Tidak)

1. .Buka software SPSS, kemudian entry data pada variable view dan data view.

Pada bagian data view berisi data-data dari masing-masing variabel, sedangkan untuk bagian variable view berisi pendefinisian dari masing-masing (khususnya terkait jenis data pada bagian measure).

3. Tahapan berikutnya klik Analyze lalu klik Descriptive Statistics, kemudian klik Crosstabs

4.Selanjutnya akan muncul tampilan dialog box seperti halnya pada Gambar 4., dalam hal ini untuk bagian Row(s) kita isi dengan variabel Jenis_Kelamin, lalu untuk bagian Column(s) diisi dengan variabel Kerja_Bakti. Kemudian, tak lupa, kita juga perlu klik pada bagian Statistics.

5. Apabila kita klik pada bagian Statistics , nantinya akan muncul tampilan seperti pada Gambar 5. Dalam hal ini, kita centang pada bagian Chi- Square, lalu kita klik Continue.

6. Setelah itu nantinya akan muncul kembali tampilan SPSS seperti halnya pada Gambar 4. Dalam hal ini sekarang kita klik tombol Cells, seperti yang terlihat pada Gambar 6.

7. Nantinya akan muncul tampilan seperti Gambar 7. Kemudian pada display Crosstabs: Cell Display, dalam hal ini pada bagian Counts, kita centang pada bagian Observed dan bagian Expected. Lalu kita klik Continue.

Pembahasan Hasil Output SPSS

Setelah klik OK, maka didapatkan hasil output SPSS sebagai berikut.

Berdasarkan hasil output SPSS pada Gambar 8. diketahui bahwa terdapat 99 data dimana seluruhnya diproses dalam analisis. Artinya tidak ada missing value atau data yang hilang sehingga tingkat kevalidan penggunaan data dalam pada proses chi-square valid 100%.

Selanjutnya didapatkan pula hasil output SPSS seperti yang terlampir pada Gambat 9. , dalam hal ini output di atas menampilkan tabel tabulasi silang yang menunjukkan hubungan antara variabel Jenis Kelamin dan variabel Kerja Bakti. Interpretasi dari output pada Gambar 9 di atas yaitu:

• Dari 99 data, secara keseluruhan terdapat data laki- laki yaitu sebanyak 47 orang dan perempuan sebanyak 52 orang. Adapun apabila ditinjau berdasarkan keterlibatan dalam kegiatan kerja bakti, diketahui bahwa terdapat 59 orang yang terlbat dan 40 lainnya tidak demikian.
• Nilai 41 pada baris pertama kolom pertama menunjukkan bahwa terdapat 41 orang laki-laki yang terlibat dalam kegiatan kerja bakti. Sedangkan 6 orang laki-laki lainnya tidak terlibat dalam kerja bakti ditunjukkan pada baris pertama kolom kedua.
• Nilai 18 pada baris ketiga kolom pertama menunjukkan bahwa terdapat 18 orang perempuan yang terlibat dalam kegiatan kerja bakti. Sedangkan 34 orang perempuan lainnya tidak terlibat dalam kerja bakti ditunjukkan pada baris ketiga kolom kedua.

Di awal artikel khususnya pada bagian deskripsi, telah disebutkan terkait hipotesis untuk pengujian chi-square. Namun dalam hal ini, penulisan hipotesis perlu dilakukan penyesuaian, sesuai data yang kita gunakan, di mana melibatkan variabel Jenis Kelamin dan variabel Kerja Bakti. Hipotesis dapat dituliskan sebagai berikut.

H0 : Tidak terdapat hubungan yang signifikan antara variabel Jenis Kelamin dan variabel Kerja Bakti.
H1 : Terdapat hubungan yang signifikan antara variabel Jenis Kelamin dan variabel Kerja Bakti.

Berdasal output SPSS pada Gambar 10. untuk interpretasil hasil pengujian chi- square, kita fokuskan pada nilai-nilai yang terdapat pada baris yang sama dengan baris “Continuity Correction” karena tabel kontingensi yang diuji merupakan tabel 2×2 dan tidak ada sel dengan nilai eskpektasi kurang dari 5. Dalam hal ini kita perhatikan nilai Asymptotic Significance (2- sided) atau yang biasa disebut dengan p-value, dimana nilainya sebesar 0.000. Namun, jika pada tabel 2×2 terdapat sel dengan nilai eskpektasi kurang dari 5, maka gunakan p-value pada baris “Fisher’s Exact Test“.

Apabila pada pengujian ini, kita menggunakan taraf signifikansi (alpha) sebesar 5% atau 0.05, maka didapatkan nilai Asymptotic Significance (2- sided) lebih kecil daripada p-value yakni 0.000 < 0.05. Sehingga dapat diambil keputusan bahwa Tolak H0, artinya terdapat hubungan yang signifikan antara variabel Jenis Kelamin dan variabel Kerja Bakti.

Referensi

Dewanti, D. (2023). Metode Statistika Populer untuk Penelitian. Bogor: Exsight.

https://www.spssindonesia.com/2015/01/uji-chi-square-dengan-spss-lengkap.html

Negara, I. (2018). Penggunaan Uji Chi-Square untuk Mengetahui Pengaruh Tingkat Pendidikan dan Umur Terhadap Pengetahuan PENASUN Mengenai HIV-AIDS di Provinsi DKI Jakarta. Prosiding Seminar Nasional Matematika dan Terapannya.

Sekian penjelasan terkait Tutorial Chi-Square dengsn SPSS. Jika masih ada yang dibingungkan bisa langsung saja ramaikan kolom komentar atau hubungi admin melalui tombol bantuan di kanan bawah. Stay tuned di website https://exsight.id/blog/ agar tidak ketinggalan artikel-artikel menarik lainnya.

Principal Component Analysis — Bayangkan sobat Exsight sedang mengunjungi sebuah perpustakaan raksasa dengan ribuan buku yang tersebar di berbagai rak. Setiap buku berisi informasi penting, namun untuk menemukan buku yang tepat di antara sekian banyak pilihan bisa menjadi tantangan yang sulit. Kemudian, bayangkan ada seorang pustakawan cerdas yang mampu menyusun ulang perpustakaan tersebut sehingga hanya dengan beberapa panduan sederhana, sobat Exsight bisa menemukan semua informasi yang Anda butuhkan dengan mudah. Dalam dunia analisis statistik, pustakawan cerdas ini dikenal sebagai Principal Component Analysis (PCA).

Principal Component Analysis (PCA) adalah teknik statistik yang digunakan untuk menyederhanakan kompleksitas data. PCA membantu kita menemukan pola-pola penting dalam dataset yang besar dan rumit, dengan cara mengurangi jumlah dimensi tanpa menghilangkan informasi yang berharga. Jadi, alih-alih bekerja dengan ratusan variabel yang membingungkan, PCA memungkinkan kita untuk fokus hanya pada beberapa “komponen utama” yang mewakili sebagian besar variasi dalam data.

Pada beberapa artikel Exsight yang sebelumnya, pernah disinggung terkait topik ini yaitu pada artikel dengan judul PCA (Principal Component Analysis). Nah, melanjutkan dari artikel yang lalu, sekarang kita akan fokus pada penerapan Principal Component Analysis melalui tutorial dengan software SPSS. Tanpa berlama-lama lagi, yuk simak artikel ini, dengan seksama yaa!

Definisi

Principal Component Analysis (PCA) seringkali disebut juga sebagai analisis komponen utama merupakan suatu metode statistik yang digunakan untuk mengurangi dimensi dari kumpulan data yang kompleks, yang saling berkorelasi satu sama lain, sehingga menjadi variabel baru (disebut dengan komponen utama) yang berukuran lebih kecil, namun mampu menerangkan sebagian besar keragaman total data, dan saling bebas satu sama lain

Adanya PCA memungkinkan data yang semula memiliki banyak dimensi (dimensi tinggi) untuk direpresentasikan dalam dimensi yang lebih rendah, sehingga memudahkan pemahaman dan analisis data.

Tutorial SPSS Principal Component Analysis

Studi Kasus

Studi kasus pada artikel kali ini akan menggunakan data yang merupakan data sekunder yang diperoleh dari situs website www.mvstats.com. Dataset HBAT terdiri atas 23 gabungan variabel kategorik dan kontinyu. Namun dalam pembahasan ini dilakukan hanya pada variabel kontinyu mulai variabel X6 hingga variabel X18 dimana masing-masing variabel terdiri atas 100 data. Dalam hal ini data bisa diakses disini.

Simbol	Variabel
X6	Product Quality
X7	E-Commerce
X8	Technical Support
X9	Complaint Resolution
X10	Advertising
X11	Product Line
X12	Salesforce Image
X13	Competitive Pricing
X14	Warranty & Claims
X15	Packaging
X16	Order & Biling
X17	Pricing Flexibility
X18	Delivery Speed

1. Buka software SPSS, kemudian entry data pada variable view dan data view. 

Pada bagian data view berisi data-data dari masing-masing variabel, sedangkan untuk bagian variable view berisi pendefinisian dari masing-masing (khususnya terkait jenis data pada bagian measure).

2. Tahapan SPSS yang perlu kita lakukan berikutnya yaitu klik Analyze, lalu kita klik Dimension Reduction, kemudian klik Factor. Selengkapnya bisa dilihat pada Gambar 2.

4. Selanjutnya akan muncul tampilan dialog box seperti halnya pada Gambar 3., dalam hal ini untuk bagian Variables kita isi dengan variabel X6 sampai dengan X18 . Jangan lupa, kita juga perlu klik pada bagian Extraction.

4. Apabila kita klik pada bagian Extraction, nantinya akan muncul tampilan seperti pada Gambar 4. Dalam hal ini, untuk bagian Method kita pilih bagian Principal Components, lalu untuk bagian Analyze kita pilih Correlation Model, serta untuk bagian Display kita beri tanda centang pada bagian Unrotated Factor Solution dan Scree Plot. Kemudian kita klik pada bagian Continue

5. Kemudian nantinya akan ditampilkan kembali tampilan seperti pada Gambar 3. Dalam hal ini, sekarang kita klik pada bagian Scores. Nantinya akan muncul tampilan seperti pada Gambar 5, yaitu (Factor Analysis: Factor Scores)

Pada Gambar 5. kita centang pada bagian Save as variables, Display factor score coefficient matrix, dan kita pilih pada bagian Regression. Lalu kita klik pada tombol Continue. Selanjutnya kita klik OK.

Pembahasan Hasil Output SPSS

Setelah klik OK, maka didapatkan hasil output SPSS sebagai berikut.

Berdasarkan hasil output SPSS pada Gambar 6 di atas terkait Total Variance Explained, didapatkan hasil varians initial eigenvalues menunjukkan jumlah variabel (yaitu 3,835 + 2,675 + 1,722 + 1,544 + 0,969 + 0,575 + 0,489 + 0,421 + 0,288 + 0,190 + 0,155 + 0,128 + 0,009 = 13 variabel).

Sedangkan pada bagian Extractions Sums of Squared Loadings menunjukkan jumlah variasi atau banyaknya faktor yang dapat dibentuk, Adapun bisa dilihat pada output terdapat empat variasi faktor yaitu 3,835 ; 2,675 ; 1,722 dan 1,544.

Berdasarkan hal tersebut maka 4 komponen yang dapat terbentuk dari 13 variabel yang dianalisis di mana nilai eigen value nya masing-masing lebih besar dari 1. Component 1 menjadi komponen yang mampu menjelaskan 29,503% variasi, component 2 mampu menjelaskan 20,577% variasi, lalu component 3 mampu menjelaskan 13,243% serta component 4 mampu menjelaskan variasi sebesar 11,876%.

Secara lebih lanjut, untuk penentuan jumlah komponen dalam Principal Component Analysis dapat ditampilkan secara visual melalui tampilan scree plot. Scree plot adalah grafik yang digunakan dalam Principal Component Analysis untuk membantu menentukan berapa banyak komponen utama yang harus dipertahankan dalam analisis. Scree plot sangat berguna dalam pengambilan keputusan terkait reduksi dimensi data. Grafik scree plot ditampilkan sebagai berikut.

Apabila kita perhatikan pada Gambar 7, terlihat bahwa grafik scree plot dapat dilihat untuk component number 1 , component number 2, lalu component number 3 dan component number 4 memiliki eigenvalue bernilai lebih dari 1. Sehingga dapat diartikan bahwa terdapat 4 komponen utama yang dapat dibentuk.

Visualisasi komponen-komponen utama melalui scree plot membantu dalam memahami struktur data secara intuitif, menunjukkan bagaimana observasi berkelompok berdasarkan skor komponen mereka.

Selain itu terdapat hasil output SPSS lainnya yaitu terkait Communalities seperti yang terdapat pada Gambar 8. Nilai extraction untuk sebagian besar variabel (kecuali variabel X15 – New Products) bernilai lebih besar dari 0,5 , hal ini dapat diartikan bahwa sebagian besar variabel penelitian dapat digunakan untuk menjelaskan komponen- komponen yang terbentuk.

Selanjunya perhitungan pada software SPSS ( Gambar 9.) menampilkan hasil output Component Matrix. Dalam hal ini, output Component Matrix di atas didapatkan berdasarkan principal components extraction method, di mana menunjukkan seberapa besar sebuah variabel berkorelasi dengan komponen utama yang akan dibentuk.

Berdasarkan output SPSS didapatkan pula Component Score Coefficient Matrix seperti yang ditampilkan pada Gambar 10. Component Score Coefficient Matrix menyediakan koefisien yang digunakan untuk menghitung skor komponen untuk setiap observasi atau kasus dalam dataset. Matriks ini berisi bobot yang digunakan dalam persamaan linier untuk membentuk skor komponen.

Dalam hal ini Component Score Coefficient Matrix digunakan untuk menghitung nilai atau skor komponen utama untuk setiap observasi dalam dataset. Selain itu dapat digunakan dalam menghasilkan skor komponen yang dapat digunakan sebagai variabel baru dalam analisis selanjutnya.

* Komponen Utama 1
Variabel Complaint Resolution (X₉), Order & Billing (X₁₆), Delivery Speed (X₁₈) memiliki korelasi yang lebih tinggi terhadap komponen 1.

* Komponen Utama 2
Variabel Product Quality (X₆), Product Line (X₁₁), Competitive Pricing (X₁₃) berkorelasi lebih tinggi terhadap komponen 2.

* Komponen Utama 3
Variabel Technical Support (X₈), Warranty & Claims (X₁₄), New Product (X₁₅)

* Komponen Utama 4
Variabel E-Commerce (X₇), Advertising (X₁₀), Salesforce Image (X₁₂), Price Flexibility (X₁₇)

Selanjutnya berdasarkan perhitungan SPSS didapatkan pula variabel baru (komponen) yang terdiri atas empat (4) komponen yaitu sebagai berikut.

Kesimpulan

Berdasarkan pembahasan pada artikel ini, Principal Component Analysis (PCA) telah berhasil diterapkan untuk mereduksi dimensi dataset yang kompleks dan mengidentifikasi komponen utama yang mendasari variabilitas dalam data. Melalui proses PCA, beberapa komponen utama telah diidentifikasi sebagai representasi dari variabel asli yang berjumlah lebih banyak. Komponen utama pertama menunjukkan kontribusi terbesar terhadap variansi total, diikuti oleh komponen-komponen selanjutnya dengan kontribusi variansi yang semakin berkurang.

PCA memungkinkan kita untuk mereduksi data dari yang semula terdapat 13 variabel (yaitu variabel x6 sampai dengan x18) menjadi 4 komponen utama, tanpa kehilangan informasi yang signifikan. Ini sangat berguna dalam menyederhanakan analisis data dan visualisasi.

Implikasi dan Aplikasi

PCA telah membuktikan efektivitasnya dalam mengungkap struktur laten dalam dataset yang besar dan kompleks, memberikan dasar yang kuat untuk analisis lanjutan. Hasil dari PCA ini dapat digunakan untuk:

• Menyederhanakan model analisis tanpa kehilangan informasi penting.
• Mengidentifikasi pola dan hubungan yang tidak terlihat dalam analisis variabel tunggal.
• Memperbaiki interpretasi dan pengambilan keputusan berdasarkan data yang lebih ringkas dan terstruktur.

Secara keseluruhan, penerapan PCA dalam penelitian ini tidak hanya meningkatkan efisiensi analisis data tetapi juga memberikan wawasan yang lebih mendalam tentang dinamika yang mendasari data. Ke depan, hasil PCA ini dapat digunakan untuk mendukung berbagai aplikasi, mulai dari pemodelan prediktif hingga pengembangan strategi kebijakan yang lebih tepat sasaran.

Referensi

Johnson, R., & Wichern, D. (2002). Applied Multivariate Statistical Analysis. Pearson Education, Inc.

A’laa, R., & Sutikno. (2018). Pemodelan Faktor- Faktor yang Memengaruhi Gini Rasio Pembangunan di Jawa Timur dengan Regresi Spasial. Jurnal Sains dan Seni ITS.

Finally, sampai sudah kita di penghujung artikel, sekian penjelasan terkait Tutorial SPSS untuk Principal Component Analysis. Apabila masih ada yang dibingungkan bisa langsung saja ramaikan kolom komentar atau hubungi admin melalui tombol bantuan di kanan bawah. Stay tuned di website https://exsight.id/blog/ agar tidak ketinggalan artikel-artikel menarik lainnya.