Cara Menyiapkan & Merapikan File SPSS Sebelum Analisis

Sebelum data kuesionermu masuk ke Analyze > uji statistik apa pun di SPSS, ada tahap yang sering dilewatkan mahasiswa: menyiapkan dan merapikan file itu sendiri. Data yang tidak dicek dulu bisa membuat hasil analisis salah tanpa kamu sadari — SPSS tetap menghitung apa pun yang kamu masukkan, benar atau tidak.

Kalau kamu sudah tahu uji statistik apa yang mau dipakai tapi belum yakin datanya sudah "siap olah," artikel cara menentukan uji statistik bisa dibaca dulu — tapi tahap di artikel ini harus tetap dilakukan sebelum uji apa pun dijalankan.

1. Cek Input yang Tidak Masuk Akal

Langkah pertama adalah pemeriksaan visual lewat statistik deskriptif dasar.

1. Jalankan Analyze > Descriptive Statistics > Frequencies untuk semua variabel.
2. Cek nilai minimum dan maksimum tiap variabel.
3. Bandingkan dengan skala yang seharusnya — misalnya kalau kuesionermu pakai skala Likert 1-5, munculnya angka 0 atau 7 di data jelas kesalahan input yang harus diperbaiki dulu sebelum lanjut ke analisis.

Kesalahan input semacam ini biasa terjadi kalau data di-entry manual dari kuesioner kertas, atau ada typo saat rekap dari Excel.

2. Rapikan Variable View

Variable View menentukan bagaimana SPSS memperlakukan setiap kolom data — bukan sekadar nama kolom.

• Measure (nominal/ordinal/scale) — menentukan uji statistik apa saja yang muncul sebagai opsi valid untuk variabel itu. Salah set measure bisa membuat SPSS menawarkan uji yang sebenarnya tidak sesuai jenis datamu.
• Values & Labels — misalnya "1 = Pria, 2 = Wanita" alih-alih angka mentah. Ini membuat output tabel jauh lebih mudah dibaca dan diinterpretasi, terutama saat menulis ke Bab 4.
• Missing — lihat bagian 3 di bawah.

> Catatan dari Lukman, Statistical Analyst: Banyak mahasiswa langsung olah data begitu file di-import, padahal Variable View belum diisi lengkap. Efeknya baru terasa pas menulis Bab 4 — tabel output isinya angka mentah semua karena label variabel belum diisi, jadi harus diketik ulang manual satu-satu.

3. Tangani Missing Value dengan Benar

Missing value adalah kondisi di mana satu atau beberapa data tidak tersedia dalam suatu variabel — misalnya responden melewati satu pertanyaan di kuesioner.

Kesalahan paling umum: mengisi sel kosong dengan angka 0 secara manual. Kalau dilakukan begitu, SPSS akan menghitung 0 itu sebagai nilai valid (bukan hilang), sehingga rata-rata dan hasil uji statistik jadi salah tanpa terdeteksi.

Cara yang benar:

1. Definisikan nilai kosong sebagai missing lewat Variable View > Missing, bukan mengisinya dengan angka sembarang.
2. Kalau jumlah missing sedikit (di bawah 5% dari total data), bisa dibiarkan sebagai missing atau diisi dengan mean imputation (mengisi sel kosong dengan nilai rata-rata dari responden lain yang menjawab lengkap pada variabel itu).
3. Kalau missing-nya banyak pada satu variabel atau satu responden, pertimbangkan apakah data itu masih layak dipakai, atau perlu dikumpulkan ulang.

Jenis Transformasi Data untuk Data Tidak Normal

Kadang setelah uji normalitas (Shapiro-Wilk/Kolmogorov-Smirnov) datamu ternyata tidak berdistribusi normal, padahal uji yang kamu butuhkan (uji-t, ANOVA, regresi linear) mensyaratkan normalitas. Salah satu opsi sebelum pindah ke uji non-parametrik adalah transformasi data — mengubah skala data lewat fungsi matematis supaya distribusinya mendekati normal. Berikut jenis yang umum dipakai dan kapan masing-masing cocok:

Transformasi ini dilakukan lewat menu Transform > Compute Variable di SPSS, membuat variabel baru dari variabel asli (misalnya fungsi LG10 untuk log, SQRT untuk akar kuadrat). Setelah transformasi, uji normalitas ulang pada variabel barunya — kalau masih belum normal setelah dicoba beberapa jenis transformasi, pertimbangkan pindah ke uji non-parametrik (Mann-Whitney, Kruskal-Wallis, Spearman) sebagai gantinya, jangan memaksakan transformasi berulang-ulang.

Kesalahan Umum Menyiapkan Data SPSS

1. Langsung olah data tanpa cek Frequencies dulu. Kesalahan input (skala salah, angka di luar rentang) baru ketahuan setelah hasil analisis terlihat aneh — padahal bisa dicegah di awal.
2. Mengisi missing value dengan angka 0 secara manual. SPSS akan menghitungnya sebagai data valid, bukan hilang, sehingga rata-rata dan uji statistik jadi bias.
3. Tidak mengisi Values & Labels di Variable View. Output tabel jadi angka mentah yang harus diterjemahkan manual satu-satu saat menulis Bab 4 — pekerjaan yang seharusnya bisa dihindari dari awal.
4. Salah set Measure (nominal/ordinal/scale). Variabel yang measure-nya salah bisa membuat SPSS menawarkan (atau menyembunyikan) uji statistik yang sebenarnya tidak sesuai dengan jenis data itu.

> Catatan dari Lukman, Statistical Analyst: Kesalahan nomor 2 yang paling sering saya temui waktu review data klien — data kuesioner dari Google Form sudah rapi, tapi begitu di-import ke SPSS, sel kosong (karena responden skip pertanyaan) malah ditimpa manual dengan 0 supaya "terlihat lengkap." Itu justru merusak hasil analisis. Biarkan kosong, lalu definisikan sebagai missing value di SPSS.

Setelah Data Siap, Apa Selanjutnya?

Setelah tiga langkah di atas selesai, data baru benar-benar siap masuk ke tahap analisis — baik itu uji beda rata-rata, korelasi, regresi, SEM, atau lainnya. Kalau kamu masih bingung memilih uji yang tepat untuk data yang sudah rapi ini, baca cara menentukan uji statistik.

Kalau kamu ingin data langsung dicek dan diolah oleh statistisi berpengalaman — termasuk tahap cleaning ini — Restat menyediakan Jasa Olah Data SPSS dan sesi Konsultasi Statistik kalau kamu cuma butuh evaluasi cepat atas data yang sudah kamu punya sebelum lanjut order penuh.