modul prak.statistika komputasi-maknyos

5/13/2018 Modul Prak.statistika Komputasi-Maknyos - slidepdf.com

http://slidepdf.com/reader/full/modul-prakstatistika-komputasi-maknyos 1/46

BAB I

PENDAHULUAN

Data editor mempunyai dua fungsi utama:

• Input data yang akan diolah oleh SPSS

• Proses data yang telah diinput dengan prosedur statistik tertentu.

Membuat variabel dan mengisi dataData editor pada SPSS mempunyai dua bagian utama:

• Kolom dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam SPSS akan diisiVARIABEL.

• Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi

KASUS (seperti nama responden atau sampel)

SPSS menyediakan tujuh window, yang meliputi sebagai berikut:

1. Data Editor

Window ini terbuka secara otomatis setiap kali program SPSS dijalankan, dan berfungsi untuk input data SPSS. Menu yang ada pada data editor:

File

Menu File berfungsi untuk menangani hal-hal yang berhubungan dengan file data, semembuat file baru, membuka file tertentu, mengambil data dari program lain, mencetak isi

data editor dan lainnya.

Edit

Menu Edit berfungsi untuk menangani hal-hal yang berhubungan dengan memperbaikimengubah nilai data (duplikasi data, menghilangkan data, edit data dan lain-lain). Selai

juga berfungsi untuk mengubah setting pada options (seperti output label, script dan lainnya

View

Menu View berfungsi untuk mengatur toolbar (status bar, penampakan value label dan lainnData

Menu Data berfungsi untuk membuat perubahan data SPSS secara keseluruhan, sepertimengurutkan data, menyeleksi data berdasar kriteria tertentu, menggabung data dan sebaga

Transform

Menu Transform berfungsi untuk membuat perubahan pada variabel yang telah dipilih dekriteria tertentu.

Analyze

Menu Analyze merupakan menu inti dari SPSS, yang berfungsi untuk melakukan se prosedur penghitungan statistik, seperti Uji t, Uji F, regresi, time series dan lainnya.

Graphs

Menu Graphs berfungsi untuk membuat berbagai jenis grafik untuk mendukung analisisstatistik, seperti pie, line, bar dan kombinasinya.

Utilities

Menu Utilities adalah menu tambahan yang mendukung program SPSS, seperti:

Memberi informasi tentang variabel yang sekarang sedang dikerjakan

Menjalankan scripts

Mengatur tampilan menu-menu yang lain

WindowMenu Window berfungsi untuk berpindah diantara menu-menu yang ada di SPSS



Help

Menu Help berfungsi untuk menyediakan bantuan informasi mengenai program SPSS yang

diakses secara mudah dan jelas.2. Menu Output Navigator

Menu output pada prinsipnya sama dengan menu Editor seperti File, Edit, View, Analyze, Gra

Utilities, Windows dan Help. Selain menu tersebut ada tambahan yaitu insert (untuk menyisi

judul, grafik, teks atau obyek tertentu dari aplikasi lain dan format (untuk mengubah tata huruf output).

3. Menu Pivot Table Editor

Menu Pivot Table Editor berhubungan dengan pengerjaan tabel SPSS, seperti mentransfor baris tabel menjadi kolom dan sebaliknya, memindah baris dan kolom tabel, groupping

ungrouping tabel dan lainnya. Karena pengerjaan pivot table erat kaitannya dengan menu o

navigator, yaitu sebagai tempat edit tabel hasil output, maka menu Pivot Table mempunyaimenu yang hampir sama dengan Output Navigator, yaitu sebagai tempat edit tabel hasil ou

maka menu Pivot Table mempunyai submenu yang hampir sama dengan Output Navigator, y

File, Edit, View, Insert, Format, Analyze, Graphs, Utilities, Window dan Help. Tambahan diberikan adalah menu PIVOT yang khusus digunakan untuk pengerjaan pivoting (mengubah s

pivoting trays, pengerjaan multidimensional pivot table).4. Menu Chart Editor

Menu ini juga merupakan tempat edit bagi output hasil pengerjaan data dimenu editor, hkhusus untuk output berupa Grafik/Chart/Diagram. Chart editor dilengkapi dengan subm

seperti:

GallerySub menu ini berfungsi untuk mengubah jenis Chart, seperti dari bentuk grafik batan

bentuk Pie atau yang lainnya.

ChartUntuk mengedit berbagai hal mengenai grafik, seperti Layout dan Labeling Grafik, skala g

dan sebagainya.

SeriesUntuk memilih kelompok data tertentu, transpose data atau menampilkan seri data.

5. Menu Text Output Editor

Sama dengan menu Pivot Table dan Chart , menu Text Output adalah bagian dari output S

dengan fungsi untuk edit pada output yang berupa text atau tulisan. Isi submenu Text Output

persis dengan menu Output Navigator .

6. Menu Syntax Editor

Walaupun SPSS sudah menyediakan berbagai berbagai macam pengolahan data statistik sememadai, namun ada beberapa perintah atau pilihan yang hanya bisa digunakan dengan S

Command Language. Perintah-perintah tersebut bisa ditulis pada menu Syntax Editor. Men

berupa file text yang berisi berbagai perintah SPSS dan bisa diketik secara manual. Namun S

juga menyediakan berbagai kemudahan untuk pembuatan syntax sama dengan menu yang hanya disini ada tambahan sub menu Run yang berfungsi untuk menjalankan sytax yang

ditulis.



BAB II

MENGELOLA FILE

Membuat File Data Baru

Langkah kerja:

Klik File

Klik New

Klik Data

Klik Enter

Untuk membuat data baru pada file baru, maka kita akan memberikat contoh pengisian data beriku

No NamaJenis Kel Riset Statistik SPSS IP

X1 X2 X3 X4 Y

1 Diana Wanita 75 86 83 3,56

2 Andika Laki-laki 68 65 67 3,35

3 Laudita Wanita 65 56 78 3,10

4 Akin Wanita 55 60 75 2,785 Aris Laki-laki 70 77 65 1,50

6 Lina Wanita 90 80 87 3,80

7 Wiwik Wanita 80 82 90 2,78

8 Dani Laki-laki 85 85 80 3,45

9 Janka Laki-laki 90 78 75 1,56

10 Koko Laki-laki 78 80 90 2,90

Memasukkan dan Mendefinisikan Variabel

Langkah kerja:

1. Klik SPSS

2. Setelah masuk pada kotak dialog awal SPSS, dimana secara default merujuk pada per“Open an existing data source”. Lalu Anda pilih cancel, maka akan masuk pada layar

yang kosong. Pada saat ini yang aktif adalah layar kerja untuk pengisian data (Data View)

3. Karena akan mendefinisikan variabel terlebih dahulu, maka Anda klik pilihan Variabel V

(terletak dibawah layar). Maka layar kerja untuk Variabel view akan muncul sbb:

Name Type Width Decimals Label Values Missing Columns Align M

Nama String 15 Nama 15 Left Nom

x1 Numeric 8 0 Jenis

kelamin

{1,Laki

-laki,..}

None 8 Left Ord

x2 Numeric 8 0 Nilai

Riset

None None 8 Center Sca

x3 Numeric 8 0 NilaiStatistik


x4 Numeric 8 0 NilaiSPSS


y Numeric 8 2 Indek Prestasi




Variabel value Jenis Kelamin:

1= Laki-laki

2=Wanita

Menyimpan Data

Langkah kerja:

Klik File

Klik Save data: Tulis nama file: DATA-1

Tekan OK (enter)

Menghapus Data

Menghapus isi satu sel tertentu:

Klik kotak sel yang akan dihapus

Klik Edit

Klik Cut/Clear

Menghapus isi sel pada suatu kolom(variabel):

Klik pada heading kolom (nama variabel) yang isinya akan dihapus

Klik Edit Klik Cut/Clear

Menghapus isi sel dalam satu baris:

Klik nomor case yang akan dihapus dalam satu baris

Klik Edit

Klik Cut/Clear

Mengcopy Data

Mengcopy isi satu sel:

Pilih sel yang akan dicopykan

Klik Edit

Klik Copy

Pindahkan “penunjuk sel” pada sel yang akan dituju

Klik Edit lagi

Tekan Paste

Menyisipkan Data

Menyisipkan satu kolom untuk variabel, caranya:

Pindahkan “pointer” pada kolom yang akan disisipi

Klik Data

Pilih Insert Variabel

Menyisipkan baris Pindahkan “pointer” pada baris yang akan disisipi (letakkan pointer pada nomor case/baris)

Klik Data

Pilih Insert Case



BAB III

TRANSFORMASI DATA

Contoh praktis:

Buka file DATA-1

Klik Data

Klik Transpose

Masukkan variabel:”x1, x2, x3 dan x4 ke kotak variable(s) dengan cara menunjuk masmasing variabel satu persatu, lalu klik tanda panah (segitiga) kecil untuk memasukkan var

tersebut

Masukkan variabel “nama” pada kotak name variabel

Klik OK

Menu transformasi data berguna untuk melakukan kegiatan perubahan data yang telah ditulis pada

DATA-2.DATA PENGHASILAN DAN PENGELUARAN

No. Umur

x1

Status

x2

Penghasilan/bln

x3

Pengeluaran

y

1 25 Pegawai Rp. 750.000 Rp. 600.000

2 35 Swasta Rp.1.250.000 Rp.1.000.000

3 40 Pepetani Rp. 800.000 Rp. 400.000

4 56 Pegawai Rp. 900.000 Rp. 750.000

5 60 Pegawai Rp.1.500.000 Rp.1.200.000

6 33 Swasta Rp.2.500.000 Rp.2.000.000

7 45 Pepetani Rp. 600.000 Rp. 450.000

8 52 Swasta Rp.3.000.000 Rp.2.500.000

9 22 Pepetani Rp.1.750.000 Rp.1.250.000

10 18 Pepetani Rp.1.100.000 Rp.1.000.000

Langkah memasukkan data ke dalam SPSS editor adalah sebagai berikut:

1. Aktifkan SPSS Editor (bisa dengan membuat data baru SPSS)2. Klik variabel view untuk memberikan definisi mengenai variabel yang akan diisi be

beberapa aturan terkait.

3. Isikan masing-masing variabel beserta aturan terkaitnya seperti dibawah ini:

Name Type Width Decimals Label Values Missing Columns Align Measure

x1 Numeric 8 0 Umur None None 8 Center Scalex2 Numeric 8 0 Status {1,Pepetani....} None 8 Center Nominal

x3 Numeric 8 2 Penghasilan None None 10 Right Scale

y Numeric 8 2 Pengeluaran None None 10 Right Scale

Value variabel x2:1 = Pepetani

2 = Pegawai

3 = Swasta



PERINTAH COMPUTE

Compute digunakan untuk membuat (menghitung) value-value suatu variabel baru atau dari vari

variabel yang sudah ada pada file kerja Anda. Proses penghitungan dapat dilakukan terhadap se

case, juga terhadap case-case tertentu yang memenuhi fungsi logika.Contoh:

Open File DATA-2

Klik transform

Klik compute

Pada kotak target variabel tulis target1

Pada kotak fungtion pilih SUM

Masukkan satu persatu variabel x1, x2 dan x3 kedalam tanda kurung tersebut, kedalam k

numerik expression.Perhatikan harus selslu anda tanda koma, jika memasukkan dua var

atau lebih. Cara memasukkannya sbb: SUM(x1,x2,x3)

OK

Maka hasilnya sbb:

X1 X2 X3 Y Target1

25 2 750000 600000 750027,00

35 3 1250000 1000000 1250038,00

40 1 800000 400000 800041,00

56 2 900000 750000 900058,00

60 2 1500000 1200000 1500062,00

33 3 2500000 2000000 2500036,00

45 1 600000 450000 600046,00

52 3 3000000 2500000 3000055,00

22 1 1750000 1250000 1750023,00

18 1 1100000 1000000 1100019,00

PERINTAH COUNT

Count berguna untuk menghitung jumlah cacah value dari semua variabel yang dikehendaki yang

memenuhi syarat value yand didefinisikan.

Contoh praktis operasi count:

Buka file DATA-2

Klik transform

Ketikkan COUNT pada kotak target Pindahkan variabel “x3” dan “y” ke kotak variabel

Klik define values

Pilih Range;.....through....ketik 750000 through 1000000

Klik Add

Klik continue

Klik Ok



BAB IV

STATISTIK DESKRIPTIVES

Statistik deskriptif merupakan bidang ilmu statistik yang mempelajari cara-cara pengump penyusunan dan penyajian data suatu penelitian.

Aplikasi Frequencies

Aplikasi ini digunakan untuk menyusun data yang jumlahnya relatif banyak kedalam suatu frekuensi.

Aplikasi SPSS:

1. Anda aktifkan SPSS editor dengan membuka file DATA-2

2. Klik menu utama analyze3. Dari menu analyze tersebut, pilih deskriptif statistics

4. Pilih Frequencies, perintah frequencies digunakan untuk membuat tabel frekuensi,

berisi cacah dari harga semua case pada variabel yang Anda daftar, prosentase

prosentase valid dan prosentase kumulatif. Kotak Variable(s) berguna untuk mendsatu atau beberapa variabel dari kotak listing. Display frequency tables berguna u

menampilkan tabel frekuensi.Contoh:

Buka File DATA-2

Klik Analyze

Pilih Descriptive Statistics

Klik Frequencies

Klik variabel “x3” (penghasilan), masukkan ke kotak variable(s)

Klik statistic, klik quartiles, mean, median, mode, sum, std deviation, vari

range, maximum, minimum, S.E.Means, Skewness, Kurtosis

Klik Continue Klik Chart, pilih Bar Chart

Klik Continue

Klik Format

OK

APLIKASI DESKRIPTIVES

Perintah deskriptives digunakan untuk menampilkan deskripsi statistik univariat dari variabel num

yang Anda daftar.



Contoh aplikasi praktis:

No Jenis Kelamin(x1) Pekerjaan(x2) Pendapatan (Rp)(x3)

1 Laki-laki Petani 650000

2 Laki-laki Pegawai 750000

3 Wanita Swasta 1450000

4 Wanita Petani 350000

5 Laki-laki Swasta 1500000

6 Wanita Pegawai 780000




10 Wanita Pegawai 100000011 Wanita Swasta 1250000




















Untuk data ketiga variabel tadi kita beri kode sbb:a. Jenis kelamin = Value 1 = laki-lakiValue 2 = wanita

b. Pekerjaan = Value 1 = petani

Value 2 = pegawaiValue 3 = swasta

c. Pendapatan = Value 1 = rendah (<500000)

Value 2 = sedang (500000-1000000)Value 3 = tinggi (>1000000)



PROSES ANALISIS

Contoh 1: Mencari Hubungan Jenis Kelamin (x1) dengan Pendapatan (x3)

Untuk proses analisis Crosstab, maka lakukan langkah berikut ini:

1. Anda sedang aktif pada Data-3 Crosstab2. Klik Analyze pada menu utama SPSS

3. Klik statistic deskriptive

4. klik crosstab5. Masukkan x1 pada kotak rows

6. Masukkan x3 pada kotak colomns

7. Klik statistik, pilih chi square8. Klik continue

9. Klik cells, lalu klik observed dan expected pada counts. Pada kotak pilihan prosent

pilih:Row, Column dan Total

10. Klik continue11. Klik OK, maka hasilnya sbb:

Bagian I:

Crosstabs

Bagian I ini merupakan ringkasan kasus, dimana semua kasus terdapat 30 sample (100%) dan t

terdapat missing data.

Bagian II:

Sesuai dengan pilihan, maka pada bagian II diperlihatkan data objektif dan data expected baik d

bentuk count maupun prosentase.

Sebagai contoh, pada data jenis kelamin laki-laki: tampak pada baris dan kolom pertama terdap

orang yang berpendapatan rendah, 10 orang berpendapatan sendang dan 4 orang berpendapatan tinIni merupakan data objektif (count). Sedang data/nilai harpan (expected count)nya adalah 3,4 u

pendapatan rendah, 7,9 untuk pendapatan sedang dan 5,7 untuk pendapatan tinggi. Karena

memilih prosentase, maka dalam hasil juga ditampilkan jumlah prosentasenya.

Bagian III:

Pada bagian III ini, SPSS menunjukkan hasi/output yang kita pilih yakni Chi-Square. Pada data ha

di atas, tampak bahwa nilai hitung C-Square adalah 2,482*.

Cara Pembuktian Hipotesis:

Rumusan Hipotesis:

Ho : Tidak ada hubungan antara jenis kelamin dengan pendapatan

H1 : Terdapat hubungan antara jenis kelamin dengan pendapatan

Ketentuan:

Jika X2 hitung < X2 tabel (df k-1 x k-1) = 2, Ho: diterima

Jika X2 hitung > X2 tabel (df k-1 x k-1) = 2 , H1: diterima (Ho ditolak)

Ketentuan:

Dapat diperhatikan bahwa harga X2 tabel dengan df = 2, pada tingkat kepercayaan 95%= 5,991.

Mengingat X2 hitung = 2,482 < X2 tabel 0,05 (df 2) = 5,991, maka Ho: diterima dan H1:ditolak.Kesimpulannya, bahwa tidak terdapat hubungan antara jenis kelamin dan pendapatan



BAB V

STATISTIK INDUKTIF

Compare Mean merupakan suatu analisis untuk membandingkan rata-rata dari dua populasi atau le

MEANS

Prosedur means digunakan untuk melakukan analisis statistik means, standar deviasi, count danstatistik lainnya pada variabel berkelompok. Contoh kasus untuk analisis mean misalnya menghitu

nilai rata-rata mata kuliah tertentu, katakanlah statistik yang didasarkan pada jenis kelamin (laki-lak

dan wanita) atau didasarkan pada jurusan IPS dan IPA dll.

Untuk memunculkan kotak dialog means, maka Anda harus aktifkan lebih dahulu Data Editor,misalnya dengan membuka file DATA-1, lalu klik Analyze, klik compare mean lalu pilih mean.

Terdapat 2 buah kotak pendaftaran variabel, yakni:

1. Dependent list. Kotak ini digunakan untuk mendaftar satu atau beberapa variabel numeric

akan ditentukan analisis statistiknya2. Independent list. Kotak ini berguna untuk mendaftar satu atau beberapa variabel yang akan

digunakan sebagai dasar pengelompokkan (variabel group)

Contoh Praktis Aplikasi Means

Anda aktif pada DATA-1

Klik Analyze

Klik Compare Mean, lalu pilih Means

Klik variabel “y” masukkan pada kotak dependent list

Klik variabel “x2” masukkan pada kotak independent list

Klik option, lalu pilih Mean, Standard Deviation, Sum, Maximum, Variance

Pada bagian Statistics for First Layer, pilih Anova Table dan Test for Linearity Klik continue

Klilk OK

ONE SAMPLE T TEST

Uji One Sample T Test bisa digunakan untuk membandingkan rata-rata sample yang diuji dengan rata populasi yang sudah ada. Misalkan kita akan menguji apakah rata-rata lama bertahan batu ba

pendatang baru, katakanlah merek “XZ” sama atau lebih lama dari rata-rata umur batu baterey m

merek yang sudah lama beredar. Secara umum masyarakat sudah mengetahui bahwa rata-rata u

batu baterey yang sudah beredar sekitar 75 hari (ini merupakan cerminan data populasi). Kemu

diketahui bahwa umur batu baterey “XZ” adalah 80 hari? Apakah ada perbedaan antara batu bat“XZ” dengan umur batu baterey pada umumnya?

Buatlah DATA-5 sbb:

Variabel View Name Type Width Decimals Label Values Missing Columns Align Measure

Lama Numeric 8 2

Umur

baterey

lama

None None 8 Right Scale

Baru Numeric 8 2 Umur None None 8 Right Scale



baterey

XZ

Isilah data berikut:

Lama Baru

75 76

85 78

82 85

68 95

72 92

65 89

56 96

68 88

60 75

62 7275 60

70 64

71 68

91 87

60 90

Langkah aplikasi uji one t test sbb:

1. Buka DATA-52. Klik Analyze

3. Klik Compare Means

4. Klik One Sample T test5. Klik variabel “lama”, lalu masukkan pada kotak

test variable(s) dengan mengklik tanda ►

6. Pada test value, tulis 80 (karena kita akan menguji rata-rata populasi)

7. Klik Options, maka akan tampak Convidence Intervall yang secara default = 95%. Tetaptentukan 95%, sebab biasanya pengujian adalah 95%

8. Klik continue

9. Klik OK

Bagian I:

Hasil pengolahan statistik pada bagian I menunjukkan hasil jumlah sampel dengan simbol N ya

15, rata-rata umur baterey = 70, Standard Deviasi= 8,6106 dan Std.Error Mean=2,2233.Bagian II:

Pernyataan Hipotesis

Ho: Rata-rata umur baterey “XZ” tidak berbeda dengan rata-rata umur baterey pada umumnyaH1: Rata-rata umur baterey “XZ” berbeda dengan rata-rata umur baterey pada umumnya.

Ketentuan:

Jika t hitung > t tabel, maka Ho ditolak Jika t hitung < t tabel, maka Ho diterima

Keputusan:



Dari hasil perhitungan dapat dilihat bahwa nilai t = -2,249 dengan df 14. Sedangkan t tabel de

DF 14 dan tingkat kepercayaan 95% = ± 2,1788.

Dengan demikian, t hitung = -2,249 > dari t tabel = - 2,1788

Kesimpulannya bahwa rata-rata umur baterey baru dengan rata-rata umur batu baterey yang sulama beredar (rata-rata 70 hari).

Latihan:

Seorang sales bernama Deki mampu menjual roti kacang sebanyak 333 buah. Manajer penjumenganggap penjualan Margono berbeda dengan rekan-rekannya. Benarkah pernyataan tersebut?

Data Editor

Salesman Gender Kacang Durian Coklat Susu Nana

1 0 250 300 298 325

1 1 234 320 254 312

1 1 220 324 315 450

1 0 245 315 387 500

1 1 281 400 200 268

1 0 220 420 145 351

2 1 256 398 256 245

2 1 238 375 200 2212 1 210 364 214 621

2 1 310 325 269 235

2 0 287 410 254 214

2 0 254 425

Variable View

Nama Variable Tipe Value Keterangan

Salesman Numerik 1= Sales-Sarjana

2= Sales-Akademi

Tingkat pendidik

seorang salesman

Gender Numerik 0= Wanita

1= Pria

Jenis kelamin seora

salesmanKacang Numerik Penjualan roti rasa kacan

Durian Numerik Penjualan roti rasa durian

Coklat Numerik Penjualan roti rasa cokla

Susu Numerik Penjualan roti rasa susu

Nanas Numerik Penjualan roti rasa nanas

Langkah-langkah:1. Buatlah data penjualan roti diatas dan simpan dengan nama Roti_Sales

2. Pilih menu Analyze kemudian pilih submenu Compare Means, lalu pilih One Sample T Tes

Pengisian:

Test Variabel(s) atau variabel yang akan diuji. Pilih Kacang

Test Value. Karena akan diuji 333 buah, maka ketik 333.

Klik tombol options

Untuk confidence Interval atau tingkat keyakinan/kepercayaan. Sebagai default, S

menggunakan tingkat kepercayaan 95% atau tingkat signifikansi 100%-95%= 5%.

Untuk missing value atau perlakukan terhadap data yang hilang (jika ada). Exclude cases analysis by analysis.

Continue



OK

ANALISIS:

Bagian I:

Memberi ringkasan statistik dari variabel kacang, yaitu roti kacang terjual rata-rata 250,4167 b

dengan standar deviasi 29,8556 buah.

Estimasi:Tingkat signifikansi (α) adalah 5%

DF atau derajat kebebasan adalah n (jumlah data) – 1 atau 12- 1= 11

Dari tabel t, didapat angka 2,2010 (untuk dua sisi).

Bagian II:

1. HipotesisHo: Jumlah roti kacang yang dijual Deki tidak berbeda dengan rata-rata roti yang terjual

H1: Jumlah roti kacang yang dijual Deki memang ada perbedaan dengan rata-rata roti yang terjual2. Pengambilan keputusan

a. Berdasarkan perbandingan t hitung dengan t tabel

Jika t hitung > t tabel, maka Ho ditolak

Jika t hitung < t tabel, maka Ho diterimaT hitung dari output adalah -9,582

Sedangkan statistik tabel bisa dihitung pada tabel t:

Tingkat signifikansi (α) adalah 5%

DF atau derajat kebebasan adalah n (jumlah data) – 1 atau 12-1= 11

Uji dilakukan dua sisi, karena akan diketahui apakah penjualan Deki dengan penjualan rata-rata selama ini ataukah tidak. Jadi bisa lebih besar atau lebih k

Karenanya dipakai uji dua sisi.

Dari tabel t, didapat angka 2,2010Karena t hitung terletak pada daerah Ho ditolak, maka penjualan Deki memang berbeda

dibandingkan dengan penjualan rata-rata.

b. Berdasarkan nilai probabilitas Jika probabilitas > 0.05, maka Ho diterima

Jika probabilitas < 0.05, maka Ho ditolak

Keputusan:

Pada output tampak nilai probabilitas adalah 0,000. Karena probabilitas jauh dibawah 0,05 mHo ditolak, dengan kesimpulan yang sama dengan cara perbandingan t hitung dengan t test.

INDEPENDENT SAMPLE T TEST

Uji Independent sample T Test digunakan untuk menguji dua rata-rata dari dua sample

independent (tidak terkait).

Contoh Aplikasi 1:

Untuk penerapan analisis independent sample T Test, maka kita akan menguji apakah terd perbedaan rata-rata indeks prestasi antara mahasiswa laki-laki dan perempuan pada ti

kepercayaan 95%. Konstanta pengujian hipotesisnya adalah:

Ho : µ1 = µ2

H1 : µ1 ≠ µ2

Aktifkan file DATA-1

Klik Analyze

Klik Compare Mean



Klik Independent Sample T Test

Klik variabel “y” dan masukan ke kotak test variable(s)

Klik “x1” dan masukkan ke kotak Groupping variable

Klik Define Groups, pada Group 1 tulis angka 1 dan pada group 2 tulis angka 2

Klik options, tetap pilih level of signifikans standard yakni 95%

Klik continue

Klik OK

Hasilnya sebagai berikut:

Bagian I:

Anda perhatikan pada bagian pertama terdapat nilai mean untuk masing-masing group, yakni g

laki-laki dan group wanita, dengan masing-masing n1= 5 case dan n2 = 5 case. Rata-rata in

prestasi mahasiswa laki-laki = 2,4180, sedang untuk wanita 3,3380. Selain itu terdapat nilai standeviasi dan standard error means.

Bagian II:

Proses pengujian t: (berdasarkan probabilitas)1. Tentukan hipotesis

Ho: Rata-rata IP laki-laki dan wanita adalah samaHi : Rata-rata IP laki-laki dan wanita berbeda

2. Penentuan kesimpulan berdasarkan probabilitas

a. Jika probabilitas (signifikan) > 0,05, maka Ho: diterima

b. Jika probabilitas (signifikan) < 0,05, maka Ho: ditolak 3. Pengambilan Kesimpulan

Dari hasil perhitungan diatas dapat dilihat bahwa harga t pada Equal Varians not assumed y

– 2,214 dengan tingkat signifikans = 0,071. Dengan demikian probabilitas 0,071 >

Kenyataan ini menunjukkan bahwa rata-rata IP laki-laki dan wanita adalah sama saja (t berbeda).

Latihan:Manajer penjualan PT.Angin Ribut ingin mengetahui apakah ada perbedaan prestasi penjualan roti

berdasarkan tingkat pendidikan salesman?

Langkah-langkah:1. Buka data Roti_Sales

2. Pilih menu Analyze kemudian pilih submenu Compare Means

Pengisian:

Test Variable(s) pilih Susu

Grouping variable atau variabel bertipe kualitatif. Sesai kasus pilih salesman, kemu

variabel tersebut harus didefinisikan. Klik define group.

Untuk group 1 isi dengan 1 dan untuk group 2, isi dengan 2 (angka min dan max s

grup)

Tekan continue

Untuk kolom options, biarkan tingkat kepercayaan tetap 95%. Demikian juga de perlakuan terhadap missing value, yaitu tetap pada pilihan Excluded case analys

analysis.

Tekan continue

Tekan Ok

ANALISIS



Bagian I: Group Statistics

Rata-rata penjualan roti untuk salesman berpendidikan sarjana adalah 367,6667 buah. Sedan

untuk salesman berpendidikan akademi adalah 307,2 buah. Dengan data standar deviasi dan sta

error, akan dianalisis apakah perbedaan tersebut memang nyata ataukah tidak.

Bagian II: Independent Sample Test

Ada dua tahapan analisis, yaitu:

a. Dengan Levene Test, diuji apakah varians populasi kedua sampel tersebut sama ata berbeda

b. Dengan t test dan berdasar hasil analisis nomor a, diambil suatu keputusan

Mengetahui apakah varians populasi identik ataukan tidak

1. Hipotesis

Ho: Kedua varians populasi adalah identik (varians populasi roti susu yang dijual salesman

berpendidikan sarjana atau akademi adalah sama)H1: Kedua varians adalah tidak identik (varians populasi roti susu yang dijual salesman

Berpendidikan sarjana atau akademi adalah berbeda.

2. Pengambilan keputusan

Dasar pengambilan keputusan: Jika probabilitas > 0.05 maka Ho diterima

Jika probabilitas < 0.05 maka Ho ditolak

Keputusan

Terlihat bahwa F hitung dengan Equal Variance Assumed (diasumsikan kedua varians sama menggunakan pooled variance t test) adalah 1,334 dengan probabilitas 0,278. Karena probabili

0.05 maka Ho diterima atau kedua varians adalah identik.

PAIRED SAMPLE T TEST

Paired Sample T Test berguna untuk melakukan pengujian terhadap 2 sample yang berhubungan

sering disebut “sample berpasangan” yang berasal dari populasi yang memiliki rata-rata (mean) sMisalnya kita akan mengetahui perbedaan rata-rata nilai mata kuliah komputer sebelum diber praktek komputer dengan setelah diberikan praktek.

Untuk analisa paired sample T Test, maka kita akan membuat sepasang data baru, yang diberi n

DATA-6. Data tersebut adalah sbb:

No Sebelum Treatmen Setelah Treatmen

1. 60 70

2. 55 76

3. 45 80

4. 62 855. 67 75

6. 70 68

7. 54 56

8. 35 90

9. 46 72

10. 50 69

Pengisian variabel:



Name Type Width Decimals Label Value Missing Column Align Meas

Sebelum Numeric 8 2 Sblm lat

komp

None None 8 Left Sca

Sesudah Numeric 8 2 Setlh lat

komp

None None 8 Left Sca

Contoh aplikasi Paired

Aktifkan file DATA-6 Klik Analyze

Klik Compare Means

Klik Paired-Sample T Test

Klik 2 variabel, yakni “sebelum” dan “setelah” dan masukkan ke kotak Paired Variables

Klik options..., tetap pilih interval 95%

Klik continue

Klik OK

Hasilnya sbb:

Bagian I:Pada output bagian I ini menunjukkan ringkasan dari kedua variabel, dimana terdapat jumlah sa

(N), nilai rata-rata (means), std.deviasi dan std.error means. Sebagai contoh, untuk data seblatihan komputer adalah, N=10, Mean = 54,4000, std. deviations = 10,7827 dan std.error = 3,4098

Bagian II:

Pada output bagian II ditunjukkan hasil korelasi antara nilai sebelum latihan komputer dengan semendapatkan latihan komputer. Didapat nilai r= -0,366 dengan taraf signifikansi sebesar 0

Dengan demikian tidak terdapat korelasi (hubungan) antara nilai sebelum dan sesudah la

komputer.

Bagian III:

Pada bagian III ini dikemukakan hasil t hitung. Untuk pengujian t hitung, maka dilakukan langkah

Proses pengujian t: (berdasarkan probabilitas)

1. Tentukan hipotesisHo: Rata-rata nilai sebelum latihan dengan setelah latihan adalah sama

Hi : Rata-rata nilai sebelum latihan dengan setelah berbeda

2. Penetuan kesimpulan berdasarkan probabilitasJika probabilitas (signifikans) > 0,05, maka Ho: diterima

Jika probabilitas (signifikans) < 0,05, maka Ho: ditolak

3. Pengambilan kesimpulan

Dari hasil perhitungan diatas dapat dilihat bahwa harga t = - 3,702 dengan tingkat signifikansi = 0Probabilitas (tingkat signifikans) 0,005 < 0,05. Dengan demikian, Ho: ditolak.

Dapat ditarik kesimpulan bahwa terdapat perbedaan yang sangat signifikans antara rata-rata

mahasiswa sebelum mendapatkan latihan komputer dengan setelah mendapatkan latihan komputerPerbedaan itu dapat dilihat pada output bagian I. Dimana rata-rata nilai mahasiswa seb

mendapatkan latihan komputer adalah 54.400. Namun setelah diberi pelatihan komputer, maka

rata nilai mahasiswa mampu mencapai 74,100.

ONE WAY ANOVA

Prosedur one way Anova atau sering disebut dengan “perancangan sebuah faktor”, merupakan ssatu alat analisis statistik ANOVA (Analysis of Variance) yang bersifat salah arah (satu jalur). Al

ini digunakan untuk menguji apakah 2 populasi atau lebih yang independen, memiliki rata-rata

dianggap sama atau tidak sama. Teknik ANOVA akan menguji variabilitas dari observasi ma



masing group dan variabilitas antar mean group. Melalui kedua estimasi variabilitas tersebut,

dapat ditarik kesimpulan mengenai mean populasi.

Buatlah DATA-7

Data Nilai Mahasiswa

NONILAI METODOLOGI RISET (MR)

Ceramah Diskusi Tugas

1 45 57 70

2 55 65 72

3 65 64 754 66 70 80

5 51 64 85

6 70 68 91

7 55 70 99

8 65 75 89

9 67 61 86

10 62 68 90

Contoh praktis I (satu faktor)

1. Aktifkan DATA-7

2. Klik Analyze, pilih compare means, lalu pilih ONE WAY ANOVA3. Klik variabel “nilai” dan masukkan pada kotak Dependent List4. Klik variabel “metode”, masukkan pada kotak faktor

5. Klik contrasts

6. Klik polynomial7. Tetap pilih linear (bisa juga anda coba memilih degree lainnya)

8. Isikan coeficients dengan urutan sbb: 0.5, 0.5 dan 1 (untuk memasukkan ketentuan ini, s

menulis satu ketentuan lalu tekan add)9. Klik continue

10. Klik tombol post hoc

11. Pilih LSD, Tukey, Ducan

12. Significance level tetap 0,00513. Klik continue

14. Klik tombol Option

15. Pilih descriptives, Homogenity of variance dan means plot16. Klik continue

17. Klik OK

Hasil olah data sbb:

Bagian I:



Pada bagian I ini merupakan hasil perhitungan dari sub menu option, yang isinya berupa ringkasan

data yang ada. Antara lain menyebutkan jumlah (N) data, rata-rata (means), std.deviasi, std.e

lower bound, upper bound, minimum dan maximum.

Bagian II:

Pada bagian kedua ini, diperlihatkan hasil tes homogenitas dari varians dengan menggunaka

Levene Statistic. Tes ini berguna untuk mengecek apakah varians dari ketiga variabel adalah s

Sebab, salah satu asumsi dasar dari anova adalah bahwa variannya haruslah sama.Prosedur pengujian:

1. Tentukan hipotesis

Ho: Diduga bahwa ketiga varians adalah samaHi : Diduga bahwa ketiga varians berbeda

2. Penentuan kesimpulan berdasarkan probabilitas

a. Jika probabilitas (signifikans) > 0,05, maka Ho: diterima

b. Jika probabilitas (signifikans) < 0,05, maka Ho: ditolak 3. Pengambilan keputusan

Dari hasil perhitungan diatas didapat nilai Levene Test adalah 2,401 dengan signifika

0,110. Jadi probabilitas 0,110 > 0,05 dengan demikian Ho: diterima.

Dapat ditarik kesimpulan bahwa ketiga varians tersebut adalah sama.Bagian III:

Pada bagian III ini ditampilkan hasil anova. Proses perhitungan anova ini baru bisa dilanjutkanketiga varians dari ketiga variabel dalam penelitian ini adalah sama. Terbukti dari uji Levene diata



BAB VI

APLIKASI CORRELATE

BIVARIATE CORRELATION

Bivariate correlation (korelasi sederhana) yang sering disebut sebagai korelasi product moment pe

bermanfaat untuk menghasilkan matrik korelasi pasangan antar 2-variabel. Pada umumnya o

mengatakan bahwa pengertian korelasi adalah suatu hubungan timbal balik.

DATA-8

Data Penjualan Sepeda Motor

Bulan

Ke

Besar pengeluaran biaya untuk Penjualan

(unit)

(y)Selling

(x1)

Promotion

(x2)

Advertensi

(x3)

1 12500000 8750000 5450000 600

2 11000000 7000000 4210000 540

3 9750000 3550000 4100000 465

4 7742500 4555000 3990000 430

5 5656800 2555000 3550000 421

6 4555000 3256600 2390000 3507 6750050 3300000 4554000 480

8 5990000 2750000 4320000 400

9 4580000 2500000 3700000 320

10 5800500 4200000 5610000 400

11 7990000 4500000 4660000 521

12 4500000 3758000 3850000 250

Proses uji korelasi:

Buatlah DATA-8 di atas

Klik Analyze

Klik correlate, pilih bivariate, maka akan muncul kotak dialog untuk mendaftar pasa

variabel yang akan dicari koefisien korelasinya. Terdapat 3 pilihan pada kotak correlcoeficients, yakni:

Person: untuk melakukan analisis korelasi dengan metode person product moment

Kendall’s tau-b: digunakan untuk melakukan analisis korelasi non-parametrikmetode kendall, yaitu ukuran asosiasi dari variabel bersifat ordinal.

Spearman: digunakan untuk melakukan analisis korelasi non-parametrik de

koefisien korelasi spearman. Korelasi ini juga sangat cocok untuk data yang bersifat or

Klik variabel “x1”, “x2”, “x3” dan “y”, lalu masukkan ke kotak variable(s) dengan meng

panah ►



Klik Pearson dan Speearman

Klik Options, pilih Means and Standard Deviation

Klik Continue

Klik OK

Hasil olah data sebagai berikut:

Analisis hasilBagian I:

Pada bagian ini merupakan hasil pilihan options. Dimana terdapat nilai rata-rata (mean) dari kee

variabel, nilai std. Deviation dengan jumlah sample (N)

Bagian II:

Pada bagian ini dikemukakan hasil perhitungan koefisien korelasi (r) untuk semua variabel

dimasukkan dalam perhitungan. Anda dapat membaca satu persatu hubungan/korelasi tersebut. Umengurutkan data, maka kita baca dari atas:

1. Hubungan/korelasi antara selling dengan penjualan= 0,888**

2. Hubungan/korelasi antara promotion dengan penjualan= 0,712**

3. Hubungan/korelasi antara advertensi dengan penjualan= 0,534

Penilaian/pengujian terhadap “r”:

1. Dengan melihat besarnya nilai “r”. Sebab semakin besar nilai “r”, yakni semakin mendangka 1, maka hal itu menunjukkan adanya hubungan yang sangat kuat. Bahkan ada

membuat daftar mengenai tinggi-rendahnya nilai “r”, sebagai berikut ini:

0 - 0,20 = sangat rendah (hampir tidak ada hubungan)0,21-0,40 = korelasi yang rendah

0,41-0,60 = korelasi sedang

0,61-0,80 = cukup tinggi0,81-1,00 = korelasi tinggi

2. Dengan cara menguji probabilitas (tingkat signifikansi) dari hasil “r”

Jika probabilitas r > 0,05, berarti Ho: diterima (tidak terdapat korelasi)Jika probabilitas r < 0,05, bararti Ho: ditolak (terdapat korelasi yang berarti)

Pengujian pada probabilitas

Korelasi antara x1 dan y:

Jika diperhatikan hasil r = 0,888 dengan probabilitas (tingkat signifikansi) = 0,000Jika probabilitas 0,000 < 0,05, dengan demikian Ho: ditolak

Keadaan ini menunjukkan bahwa terdapat hubungan yang sangat erat antara pengeluaran biaya u

selling dengan penjualan. Dari hasil r tersebut terdapat tanda dua bintang (**). Tandamenunjukkan bahwa hubungan tersebut “sangat tinggi”, yakni pada tingkat signifikans 0,01.

hanya satu bintang (*) maka hubungan tersebut dikatakan “tinggi”, yakni memang pada tin

signifikansi 0,05.

ANALISIS KORELASI PARTIAL

Analisis korelasi partial bertujuan untuk menghitung koefisien korelasi antara dua variabel, akan t

dengan mengeluarkan variabel lainnya yang mungkin dianggap berpengaruh. Dengan kata dimana variabel lain yang dianggap berpengaruh bisa “dikontrol”.

Contoh aplikasi:

Korelasi x1 dan y dengan kontrol x2:Untuk melakukan aplikasi Partial Correlate tetap gunakan DATA-8

Buka file DATA-8



Klik Analyze

Klik correlate dan pilih Partial

Klik variabel “x1” dan “y”, masukkan pada kotak variable(s)

Klik variabel “x2”, masukkan sebagai variabel kontrol

Klik options dan klik means, std dan zero-order correlations

Klik continue

Klik OK

Maka hasilnya adalah sbb:

ANALISIS:

Bagian I:

Pada bagian ini dimuat hasil deskripsi tentang ketiga variabel, yakni x1, y dan x2 (sebagai kont

Disini diperlihatkan nilai rata-rata (means), standar deviasi dan jumlah kasus. Contoh untuk varx1, memiliki means= 7.234.570,83, Standard Deviasi = 2.647.359,07 dan cases = 12.

Bagian II:

Zero order partials dimaksudkan untuk menampilkan koefisien korelasi biasa (sebelum dilakuka

partial). Dengan demikian harga r disini sama dengan harga r pada korelasi sederhana (sebelum

Fungsinya untuk membandingkan, apakah sebelum diuji partial dan setelah, ada perbedaan koefkorelasi. Dapat dilihat bahwa korelasi antara x1 dengan y adalah 0,8878

Bagian III:

Pada bagian ini ditunjukkan hasil korelasi parsial antara x1 dan y, dengan variabel kontrol x2. koefisien korelasinya adalah 0,7636. Jika kita bandingkan dengan korelasi pada zero order, m

terdapat perbedaan nilai r, disini agak menurun.



BAB VII

ANALISIS REGRESI

LINEAR REGRESSION

Linear regression (regresi linear) digunakan untuk melakukan pengujian hubungan antara se

variabel dependent (tergantung) dengan satu atau beberapa variabel independent (bebas) ditampilkan dalam bentuk persamaan regresi. Jika variabel dependent dihubungkan dengan

variabel independent saja, persamaan regresi yang dihasilkan adalah regresi linier sederhana (lregression). Jika variabel independent-nya lebih dari satu, maka persamaan regresinya ad

persamaan regresi linear berganda (multiple linear regression).

Contoh aplikasi:Regresi sederhana

Dalam kasus ini kita akan melakukan suatu penelitian mengenai pengaruh besarnya pengeluaran b

“selling” (penjualan langsung), “promosi” dan “advertensi” terhadap tingkat “penjualan” banya

unit terjual). Untuk pengujian regresi sederhana, maka yang akan diregresikan hanya dua variabelyakni antara satu variabel bebas (independent variable) dan satu variabel terikat (dependent variabl

Misalnya, kita akan melakukan uji regresi antara variabel x1 (selling) terhadap y (unit penjua

Langkah-langkah yang harus diikuti adalah:

Aktifkan DATA-8

Klik analyze

Klik regressi, pilih linear

Klik variabel x1, lalu masukkan pada kotak independent (s)

Klik variabel y dan masukkan pada kotak dependent

Klik statistics, pilih estimates, model fit, descriptive

Klik continue

Klik Plots..., lalu masukkan DEPENDENT kekotak Y axis dan ADJPRED ke kotak X

Pilih Histogram dan normal probability

Klik continue Klik save, pada predicted value anda pilih unstandarized

Klik continue

Klik options, lalu klik saja continue (berarti memilih default) yakni menggunakan tak

probability 0,05 (95%)

Klik OK

Maka hasil lengkapnya adalah sebagai berikut:

Bagian I: Descriptive Statistics



Pada bagian ini diperlihatkan deskripsi dari kedua variabel yang diregresikan. Yakni variab

(tingkat penjualan) dengan x1 (selling). Isi deskripsi tersebut adalah: rata-rata (means), stan

deviasi dan jumlah kasus (N). Seperti contoh, variabel penjualan memiliki rata-rata 431,42, stan

deviasi 98,06 dan jumlah kasus ada 12. Demikian juga dengan variabel selling.

Bagian II: Correlation

Pada bagian dua ini, ditunjukkan hasil koefisien korelasi. Sebab, pada dasarnya dalam melakuka

regresi perlu dicek lebih dahulu tingkat korelasinya. Dari hasil korelasi tampak bahwa korelasi aselling dengan penjualan adalah 0,888, dengan tingkat signifikansi 0,000.

Bagian III: Variables Entered/Removed

Bagian ini menjelaskan tentang variabel yang dimasukkan, dimana semua variabel dimasukkan advariabel selling. Sedangkan variabel yang dikeluarkan (removed) tidak ada.

Bagian IV: Model Summary

Pada bagian ini ditampilkan nilai R, R 2, Adjusted R 2 dan std.error. Dimana nilai koefisien determ

R 2 (R Square) sebesar 0,788. R 2 ini merupakan indeks determinasi, yakni prosentase

menyumbangkan pengaruh x1 terhadap y. R 2 sebesar 0,788 menunjukkan pengertian bahwa seb

78,8% sumbangan pengaruh x1 (selling) terhadap y (penjualan), sedang sisanya sebesar 2dipengaruhi oleh faktor lain.

Bagian V: Anova

Pada bagian ini ditampilkan tabel analisis varians (ANOVA). Uji anova sebenarnya digunakan u

menguji ada tidaknya pengaruh beberapa variabel independent terhadap variabel dependent. Dedemikian lebih tepat untuk diterapkan pada analisis multiple regression (regresi berganda). Se

untuk analisis regresi sederhana cukup digunakan uji t.

Sekalipun demikian, jika kita hendak menjelaskan arti nilai F, maka dapat dijelaskan bahwa ni

sebesar 37,205 dengan tingkat signifikans 0,000 menunjukkan bahwa memang terdapat pengvariabel x1 (selling) terhadap y (penjualan) dengan sangat nyata (0,000).

Bagian VI: Coefficiens

Pada bagian ini dikemukakan nilai koefisien a dan batu baterey serta harga t-hitung serta tin

signifikansi. Dari tabel diatas didapat persamaan perhitungan sbb:

Y = 193,526 + 3,288XDimana:

Y= tingkat penjualan

X= selling

Haga 193,526 merupakan nilai konstanta (a) yang menunjukkan bahwa jika tidak ada pengelu biaya untuk “selling”, maka tingkat penjualan akan mencapai 193 unit sepeda motor. Sedang h

3,288X merupakan kokefisien regresi yang menunjukkan bahwa setiap adanya upaya penamb

sebesar Rp. 1, untuk biaya “selling”, maka akan ada kenaikan penjualan sebesar 3,288 (dibulatkaunit sepeda motor.

Angka 0,888 pada standarized coefficients (beta) menunjukkan tingkat korelasi antara “selling”

“tingkat penjualan”.Sedang nilai t merupakan nilai yang berguna untuk pengujian, apakah pengaruh “x1” (sel

terhadap “y” (tingkat penjualan) benar-benar signifikan atau tidak.

Proses pengujian t adalah sbb:1. Hipotesis:

Ho: Koefisien regresi tidak signifikan

Hi: Koefisien regresi adalah signifikan



2. Ketentuan (berdasarkan nilai t)

Jika t hitung > t tabel 0,05, maka Ho ditolak

Jika t hitung < t tabel 0,05, maka Ho diterima

3. Kesimpulan:Dari hasil analisis regresi didapat harga t hitung sebesar 6,100. Sedang harga t tabel denga

(12-2)=10 adalah 2,3060. Dengan demikian Ho ditolak dan Hi diterima. Dapat di

kesimpulan bahwa memang terdapat pengaruh yang signifikan antara pengeluaran biaya u“selling” dengan kenaikan tingkat penjualan sepeda motor.

Untuk pengujian ini dapat pula dilihat melalui nilai signifikansi, dimana Anda lihat bahwa

signifikansi (sign) adalah 0,000. Mengingat 0,000 adalah <0,05 maka dapat disimpulkan btingkat signifikansinya sangat tinggi.

Contoh aplikasi:

MULTIPLE REGRESSION

Jika pada analisa regresi sederhana kita hanya melihat pengaruh antara satu variabel “indepen

(bebas) terhadap satu variabel “dependen” (terikat), maka pada analisa multiple regresi kita

melihat pengaruh 3 variabel bebas terhadap satu variabel terikat. Langkah yang anda harus lakadalah:

Aktifkan DATA-8

Klik menu analyze

Klik regression

Klik Linear, maka akan muncul kotak dialog linear regression

Klik variabel “x1”, “x2” dan “x3”, lalu masukkan pada kotak independent

Klik variabel “y” dan masukkan pada kotak dependent

Klik tombol statistics, lalu pilih estimates, model fit, descriptives, part and partial correlacolinearity diagnostic dan durbin waston.

Klik continue

Klik tombol plots, masukkan DEPENDENT pada kotak Y dan ADPRED pada kotak X. standarized residual plots anda klik histogram dan normal probability plot

Klik continue

Klik tombol save. Pada predicted value, Anda pilih unstandarized, standarized dan adjuPada residual, Anda pilih unstandarized dan standarized. Pada prediction intervall, Anda

Mean dan Individual

Klik continue

Klik tombol option, lalu tetap pilih default, yakni use probability of F, entry 0,05

Klik continue

Klik OK

Maka hasilnya sbb:

Analisis hasil:

Bagian I: Descriptive statistics

Pada bagian ini diperlihatkan deskripsi dari semua variabel yang diregresikan. Yakni variab

(tingkat penjualan) sebagai variabel “dependent”, variabel x1 (selling), x2 (promotion) da

(advertensi) sebagai variabel “independen”. Isi deskripsi tersebut adalah; rata-rata (means), standeviasi dan jumlah kasus (N). Sebagai contoh, variabel penjualan memiliki rata-rata 431,42, sta

deviasi 98,06 dan jumlah kasus 12



Bagian II: Correlation

Pada bagian ini ditunjukkan hasil koefisien korelasi untuk semua variabel. Koefisien korelasi a

“selling” (x1) terhadap “penjualan” (y)= 0,888 dengan tingkat signifikansi = 0,000. Jika diperha

besarnya angka r yakni 0,888 dan tingkat signifikansi 0,000, maka keadaan ini menunjukkan adkorelasi positif yang sangat signifikans.

Koefisien korelasi antara “promotion” (x2) terhadap “penjualan” (y)= 0,712 dengan tin

signifikansi= 0,005. Pada kasus kedua ini juga menunjukkan adanya korelasi positif yang sasignifikans.

Koefisien korelasi antara “advertensi” (x1) terhadap “penjualan” (y)= 0,534 dengan tin

signifikansi= 0,037. Pada kasus ketiga ini juga menunjukkan adanya korelasi positif yang sasignifikans.

Bagian III: Variables Entered/Removed

Variabels entered/removed fungsinya untuk menunjukkan jumlah variabel yang dimasukkan (ente

dalam analisis dan yang dikeluarkan (removed) karena sesuatu hal. Dapat anda lihat bahwa svariabel bebas dimasukkan dan tidak ada yang dikeluarkan.

Bagian IV: Model Summary

Pada bagian ini ditampilkan nilai R, R2, Adjusted R2, Std.Error dan Durbin Watson. Dimana ni

(besar) yang menunjukkan gabungan korelasi ketiga variabel bebas x1, x2, x3 terhadap y adsebesar 0,900. Sedang R2 (indek determinasi) adalah 0,809. Hal ini menunjukkan bahwa sumba

dari pengaruh secara bersama-sama (multiple regression) antara x1, x2, dan x3 terhadap y adsebesar 90%. Selebihnya sebesar 10% dipengaruhi oleh faktor lain. Kemudian nilai standard

adalah 60,19. Selain itu diperlihatkan hasil Durbin Watson yakni sebesar 1,795.

Bagian V: Anova

Pada bagian ini ditampilkan tabel analisis varians (ANOVA). Uji anova digunakan untuk menguj

tidaknya pengaruh ketiga variabel independen terhadap variabel dependen (multiple regression).

Untuk pengujian F test (Anova) bisa dilakukan dengan dua cara, yakni dengan melihat tin

signifikansi dan dengan membandingkan F hitung dengan F Tabel.Pengujian dengan memperhatikan tingkat signifikansi:

1. Hipotesis

Ho: tidak terdapat pengaruh x1, x2 dan x3 terhadap yHi : terdapat pengaruh x1, x2 dan x3 terhadap y

2. Ketentuan

Jika probabilitas < 0,05, maka Ho: ditolak Jika probabilitas > 0,05, maka Ho: diterima

3. Kesimpulan

Dapat anda perhatikan bahwa tingkat signifikansi (sig) pada tabel anova adalah 0,003.

probabilitas 0,003 < 0,05. Dengan demikian, Ho: ditolak dan Hi: diterima. Dapat disimpu bahwa ketiga variabel x1, x2 dan x3 secara bersama memang berpengaruh terhadap y. De

demikian, faktor penjelas x1, x2, x3 dapat digunakan untuk memprediksi y.

Pengujian dengan membandingkan F hitung dengan F tabel

1. Hipotesis

Ho : tidak terdapat pengaruh x1, x2 dan x3 terhadap yH1 : terdapat pengaruh x1, x2 dan x3 terhadap y

2. Ketentuan

Jika F hitung > F tabel, maka Ho: ditolak Jika F hitung < F tabel, maka Ho: diterima

3. Kesimpulan



Anda perhatikan bahwa harga F pada tabel anova diatas adalah 11,331. Sedang F tabel (0

(numerator= 3 dan denumerator= 8) adalah 4,7571. Jadi F hitung > F tabel (0,05). Dengan demi

Ho: ditolak dan H1: diterima. Dapat ditarik kesimpulan bahwa ketiga variabel x1, x2 dan x3 se

bersama-sama berpengaruh terhadap variabel y. Oleh karenanya ketiga variabel tadi dapat digununtuk memprediksi variabel y.

Bagian VI: CoefficientsPada bagian ini dikemukakan nilai koefisien a dan b serta harga t-hitung serta tingkat signifik

Selain itu, terdapat pula partial correlation dan colinearity statistics.

Persamaan model:Dari hasil perhitungan diatas, maka dapat dibuatkan model persamaannya yakni:

Y = 141,461 + 3,632 x1 – 1,0206 x2 + 1,6738 x3.

Cara membaca persamaan diatas adalah:

Harga 141,461 merupakan nilai konstanta (a) yang menunjukkan bahwa jika tidak ada pengelu biaya untuk “selling”, “promosi” dan “advertensi”, maka tingkat penjualan akan mencapai 141,463

sepeda motor.

Nilai 3,632 x1 merupakan koefisien regresi, yang menunjukkan bahwa setiap adanya u

penambahan sebesar satu satuan biaya untuk “selling”, maka akan ada kenaikan penjualan se3,632 (dibulatkan 4) unit sepeda motor.

Nilai -1,0206 x2 merupakan koefisien regresi, yang menunjukkkan bahwa setiap adanya u penambahan sebesar satu satuan untuk biaya “promosi”, maka akan ada penurunan penjualan seb

1,0206 (dibulatkan 1) unit sepeda motor.

Nilai 1,6738 x3 merupakan koofisien regresi, yang menunjukkan bahwa setiap adanya u penambahan sebesar satu satuan biaya untuk “advertensi”, maka akan ada kenaikan penjualan seb

1,6738 (dibulatkan 2) unit sepeda motor.

Pengujian nilai t:

Pengujian nilai t digunakan untuk menguji adakah pengaruh masing-masing variabel x1, x2 da

terhadap y. Sebelumnya pada hasil anova kita perhatikan proses pengujian apakah variabel x1, x2

x3 secara bersama-sama mempengaruhi variabel y.

Pengujian x1 terhadap y:

1. Hipotesis:Ho: tidak terdapat pengaruh x1 terhadap y

Hi : terdapat pengaruh x1 terhadap y

2. Ketentuan: (berdasarkan probabilitas)

Ho: ditolak, jika probabilitas < 0,05Ho: diterima, jika probabilitas > 0,05

3. Kesimpulan:

Jika diperhatikan hasil perhitungan harga t untuk variabel “selling” sebesar 3,338 de probabilitas (signifikansi)= 0,010. Jadi probabilitas 0,01 masih dibawah 0,05. Dengan dem

Ho: ditolak. Dapat disimpulkan bahwa memang ada pengaruh x1 (selling) terhadap y (penjuala

Pengujian x2 terhadap y:1. Hipotesis:

Ho: tidak terdapat pengaruh x2 terhadap y

Hi : terdapat pengaruh x2 terhadap y2. Ketentuan: (berdasarkan probabilitas)

Ho: ditolak, jika probabilitas < 0,05

Ho: diterima, jika probabilitas > 0,05



3. Kesimpulan:

Jika diperhatikan hasil perhitungan harga t untuk variabel “promosi” sebesar -0,657 de

probabilitas (signifikansi)= 0,53. Jadi probabilitas 0,53 > 0,05. Dengan demikian, Ho: dite

Dapat disimpulkan bahwa tidak terdapat pengaruh x2 (promosi) terhadap y (penjualan).Pengujian x3 terhadap y:

1. Hipotesis:

Ho: tidak terdapat pengaruh x3 terhadap yHi : terdapat pengaruh x3 terhadap y

2. Ketentuan: (berdasarkan probabilitas)

Ho: ditolak, jika probabilitas < 0,05Ho: diterima, jika probabilitas > 0,05

3. Kesimpulan:

Jika diperhatikan hasil perhitungan harga t untuk variabel “advertensi” sebesar 0,801 de

probabilitas (signifikansi)= 0,446 probabilitas 0,446 > 0,05. Dengan demikian, Ho: diteDapat disimpulkan bahwa tidak terdapat pengaruh x3 (advertensi) terhadap y (penjualan).

Latihan:Berikut ini adalah contoh kasus untuk mengetahui bagaimana besarnya pengaruh dari var

independent (daerah, sales, iklan di koran, iklan di radio, banyaknya outlet dan salesman) terhvariabel dependen (sales).

Data Variable View

Nama Variabel Tipe Keterangan

Daerah Numerik Daerah penjualan roti dengan cakupan Jaka

Jawa Barat, Jawa Tengah dan Jawa Timur

Sales Numerik Tingkat penjualan roti semua rasa (dal

unit/bulan)

Iklan_ko Numerik Iklan di koran (Juta Rupiah/bulan)

Iklan_ra Numerik Iklan di Radio (Juta Rupiah/bulan)Outlet Numerik Jumlah outlet perusahaan untuk setiap daerah

Salesman Numerik Jumlah salesman untuksetiap daerah.

Data Editor

No. Daerah Sales Iklan_ko Iklan_ra Outlet Salesman

1 Jakarta 1 300.12 26.23 12.23 7 4

2 Jakarta 2 312.25 25.12 12.88 8 3

3 Jakarta 3 362.02 29.80 15.26 8 24 Jakarta 4 400.25 34.55 14.23 9 1

5 Jakarta 5 412.60 33.45 13.02 6 4

6 Jakarta 6 423.00 32.26 13.56 5 2

7 Jakarta 7 320.14 23.45 12.03 8 3

8 Jawa Barat 1 366.25 34.76 15.26 9 3

9 Jawa Barat 2 451.29 40.12 14.32 8 2

10 Jawa Barat 3 430.22 36.21 13.33 10 5

11 Jawa Barat 4 265.99 25.89 12.05 11 4



12 Jawa Barat 5 254.26 22.98 15.26 10 1

13 Jawa Barat 6 352.16 36.25 12.89 9 5

14 Jawa Barat 7 365.21 36.87 12.45 8 5

15 Jawa Tengah 1 295.15 22.41 13.44 5 2

16 Jawa Tengah 2 354.25 26.25 13.67 6 2

17 Jawa Tengah 3 415.25 36.99 19.25 8 5

18 Jawa Tengah 4 400.23 32.79 18.78 9 219 Jawa Tengah 5 423.22 33.98 16.59 7 2

20 Jawa Tengah 6 452.62 23.21 18.45 5 3

21 Jawa Tengah 7 512.33 44.98 13.45 8 5

22 Jawa Tengah 8 435.23 35.99 15.78 8 3

23 Jawa Tengah 9 302.21 25.00 16.35 9 2

24 Jawa Timur 1 330.92 23.25 19.58 8 5

25 Jawa Timur 2 254.25 24.86 13.87 6 6

26 Jawa Timur 3 265.21 26.23 15.87 5 5

27 Jawa Timur 4 215.36 20.98 13.23 7 4

28 Jawa Timur 5 235.26 24.88 15.69 9 3

29 Jawa Timur 6 222.32 25.87 18.97 8 630 Jawa Timur 7 323.45 28.94 18.29 9 5

Latihan:

Manajer PT. Setia ingin mengetahui apakah kegiatan yang menunjang penjualan perusahaan selam(sebagai variabel bebas):

Iklan di koran

Iklan di radio

Jumlah outlet penjualan

Jumlah salesman yang ada

Benar-benar berpengaruh terhadap penjualan roti?

Langkah-langkah:

1. Buka data Regresi

2. Pilih menu Analyze kemudian submenu Regression, lalu pilih linear Pengisian:

Dependent atau variabel tergantung. Pilih variabel sales

Independen(s) atau variabel bebas. Pilih variabel iklan_ko, iklan_ra, outlet dan salesman

Case labels atau keterangan pada kasus. Pilih variabel daerah

Method, pilih Enter

Abaikan bagian yang lain

OK

ANALISIS:

1. Model Summary

Angka R sebesar 0,869 menunjukkan bahwa korelasi/hubungan antara Sales dengan 4 var

independentnya adalah kuat

Angka R Square atau koefisien Determinasi adalah 0,755, namun untuk jumlah variabel indepenlebih dari dua lebih baik digunakan Adjusted R square, adalah 0,716. Hal ini berarti 71,6% variasi

sales bisa dijelaskan oleh variasi dari keempat variabel independent. Sedangkan sisanya (10



71.6%= 28.4%) dijelaskan oleh sebab-sebab lain. Standard error of estimate (SEE) adalah 41.58

Rp.41.58 juta/bulan (satuan yang dipakai adalah variabel dependent/sales)

2. Anova

Dari uji ANOVA atau F test, didapat F hitung adalah 19,298 dengan tingkat signifikansi 0.000. Ka probabilitas (0.000) jauh lebih kecil dari 0.05, maka model regresi bisa dipakai untuk mempre

sales. Atau bisa dikatakan, iklan di koran, iklan di radio, jumlah outlet dan jumlah salesman se

bersama-sama berpengaruh terhadap sales.3. Koefisien Regresi

Persamaan Regresi:

Sales= 100,123 + 10,913 iklan_ko + 4,966 iklan_ra – 13,275 outlet – 13,988 salesman

Konstanta sebesar 64,639 menyatakan bahwa jika tidak ada iklan, o

ataupun salesman yang bertugas, sales adalah Rp.100.123 juta/bulan

Koefisien regresi 10,913 menyatakan bahwa setiap penambahan R biaya iklan di koran akan meningkatkan sales sebesar Rp.10,913

Koefisien regresi 4,966 menyatakan bahwa setiap penambahan R

biaya iklan di radio akan meningkatkan sales sebesar Rp. 4,966

Koefisien regresi -13,275 menyatakan bahwa setiap penambahan 1

outlet akan mengurangi sales sebesar Rp.13,275 Koefisien regresi -13,998 menyatakan bahwa setiap penambahan 1 o

salesman akan mengurangi sales sebesar Rp.13,988.

Hipotesis:

Ho = Koefisien regresi tidak signifikanH1 = Koefisien regresi signifikan

Dasar Pengambilan Keputusan (berdasarkan probabilitas)Jika probabilitas > 0,05 maka Ho diterima

Jika probabilitas < 0,05 maka Ho ditolak

Keputusan:

Terlihat bahwa pada kolom Sig/significance:

Variabel iklan_ko, outlet dan salesman mempunyai angka signifikansi dibawah 0,05, karenketiga variabel independent tersebut memang mempengaruhi sales.

Variabel iklan_ra dan konstanta mempunyai angka signifikansi di atas 0,05, karena itu, k

variabel tersebut tidak mempengaruhi sales.

Dengan demikian, variabel iklan_ra dikeluarkan dari model regresi



BAB VIII

CHI SQUARE TEST

Uji Chi Square (uji Chi-Kuadrat) yang seringkali bernotasi X2 digunakan untuk melakukan peng

hipotesa terhadap proporsi relatif dari case yang dikelompokkan. Data yang sesuai digunakan analisis chi square adalah data dalam bentuk frekwensi, tidak dalam bentuk angka rasio atau skala.

Contoh kasus untuk aplikasi uji chi square misalnya kita akan melakukan penelitian tentang m

masyarakat dalam memilih stasiun TV yang akan mereka tonton. Secara acak dilakukan su

terhadap 100 pemirsa TV.

DATA-9

Minat Masyarakat Menonton TV

Stasiun TV Klasifikasi/Kode Frekwensi/Jumlah

TVRI 1 8

TPI 2 14

RCTI 3 16

SCTV 4 19

ANTV 5 21

INDOSIAR 6 22

JUMLAH 100

Buatlah value label:1= TVRI

2= TPI

3= RCTI

4= SCTV5= ANTV

Pengisian Data:

Name Type Width Decimals Label Values Missing Columns Align Mea



Minat Numeric 8 0 Nonton

TV

{1,TVRI..} None 8 Right Sc

Contoh Aplikasi 1:

Untuk aplikasi ini anda gunakan file DATA-9, dengan langkah-langkah sbb:1. Klik File DATA-9

2. Klik Analyze3. Klik Non-Parametric Test4. Klik Chi-Square

5. Klik variabel “minat” dan masukkan pada kotak Test Variable List

6. Klik Option, pada Statistics, pilih Descriptive7. Pada Missing Value tetap pilih default (Exclude test by test)

8. Klik OK

Analisis hasil olah data:1. Hipotesis

Ho: Masyarakat memiliki minat menonton yang sama terhadap 6 stasiun TV

H1: Masyarakat memiliki minat yang berbeda terhadap 6 stasiun TV2. Ketentuan

Jika X2 hitung > X2 tabel α 0.05 dk (k-1, maka Ho: ditolak

Jika X2 hitung < X2 tabel α 0.05 dk (k-1, maka Ho: diterima3. Kesimpulan

Diketahui harga X2 tabel dengan α 0.05 dengan dk= 6-1= 5 adalah 11,0705 sedang harg

hitung yang diperoleh adalah 7,280. Jadi X2 hitung= 7,280 < X2 tabel α 0.05 dk 3= 11,0

Dengan demikian Ho diterima dan H1 ditolak. Dengan demikian, pada dasarnya mmasyarakat dalam menonton keenam TV tersebut sama saja (tidak berbeda).

Latihan:Manajer Cabang PT. Selalu Maju di kota Palembang ingin mengetahui pendapat konsumen di

tersebut mengenai rasa roti yang diproduksi PT. Selalu Maju, yaitu roti rasa kacang, durian, cosusu dan nanas. Apakah konsumen menyukai semua jenis roti tersebut, ataukah lebih menyukai

roti yang satu dibanding yang lain.

Untuk itu disebar angket kepada 200 responden yang sudah mengkonsumsi kelima roti tersebut

kepada mereka ditanyakan rasa roti yang paling disukai. Ada tiga pertanyaan:1. Seharusnya roti rasa Durian dan Coklat lebih disukai konsumen?

2. Sesungguhnya semua rasa adalah sama di mata konsumen?

3. Sesungguhnya rasa roti Durian dan Coklat tidak ada bedanya?Apakah asumsi tersebut sesuai dengan hasil angket?

Data Variabel ViewNama Variabel Tipe Label

Rasa Numerik 1= Kacang2= Durian

3= Coklat

4= Susu

5= Nanas

Jumlah Numerik



No Rasa Jumlah

1 1 43

2 2 60

3 3 57

4 4 14

5 5 26

Kedua data (rasa dan jumlah) untuk analisis chi square dilakukan proses weight cases (pembobo

Maksudnya menghubungkan kode dengan jumlah. Misal kode 1 dihubungkan dengan angka seb

yaitu 43. Hal ini berarti, jika diinput rasa kacang, otomatis SPSS menganggap jumlahnya 43 bdemikian untuk rasa lainnya.

Langkah pembobotan:

Buka dari menu Data, pilih submenu Weight Cases

Dari kotak dialog yang tampak, pilih weighted cases by, lalu isi pada bagian Frequency var

dengan variabel jumlah

Tekan OK , maka penyebutan variabel roti akan mengacu ke variabel jumlah

Kasus PertamaKarena faktor yang berlainan, Manajer Cabang tersebut berpendapat seharusnya roti rasa DurianCoklat lebih disukai konsumen. Untuk itu ia berasumsi 70% konsumen akan menyukai roti Durian

Coklat secara seimbang, sedangkan 30% akan menyukai roti kacang, susu dan nanas juga se

seimbang.

Langkah-langkah:

1. Buka data Chi Square

2. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu Nonparametric Test pilih Chi Square

Pengisian:

Test variable list atau variabel yang akan diuji. Pilih Rasa

Expected values, digunakan karena asumsi dalam nilai tertentuPerhitungan:

70% senang durian dan coklat berimbang berarti

Durian : 35% x 200 = 70Coklat : 35% x 200 = 70

30% senang kacang, susu dan nanas dengan berimbang, berarti:

Kacang: 10% x 200 = 20Susu : 10% x 200 = 20

Nanas : 10% x 200 = 20

Catatan:

Pemasukan data harus berurutan sesuai urutan rasa pada file!Proses:

Pada bagian Expected value, klik values

Otomatis kotak dibawahnya aktif. Proses pemasukan data:

Isi kolom values dengan 20 (untuk kacang sesuai urutan pada data)

Otomatis tombol Add menjadi aktif. Klik tombol Add tersebut mana nilai 20 masuk ke kotak bawah

Isi kolom values dengan nilai 70 (untuk durian sesuai urutan rasa ke dua di data)

Klik tombol Add tersebut, maka nilai 70 akan masuk



Demikian seterusnya untuk nilai 70, 20, 20

Abaikan bagian lain dan tekan OK untuk proses data.

Analisis

Hipotesis:

Ho: Sampel berasal dari populasi yang mengikuti distribusi yang ditetapkan manajer cabang.

Atau pendapat manajer cabang tersebut benar, bahwa rasa durian dan coklat lebih disukaidibanding rasa yang lain.

H1: Sampel berasal dari populasi yang tidak mengikuti distribusi yang ditetapkan manajer caban

Atau pendapat manajer cabang tersebut salah, bahwa semua rasa disukai konsumen,tidak peduli berapa harganya.

Dasar Pengambilan Keputusan

a. Berdasarkan perbandingan Chi Square uji dan Tabel

Jika Chi Square hitung < Chi Square Tabel, maka Ho diterima

Jika Chi Square hitung > Chi Square Tabel, maka Ho ditolak

Chi Square tabel bisa dihitung pada tabel Chi Square, dengan:

α = 5%

Df= 4

Didapat Chi Square tabel adalah 9,487

Karena Chi Square hitung > Chi Square tabel (33,893 > 9,4877), maka Ho ditolak

b. Berdasarkan Probabilitas

Jika probabilitas > 0,05 maka Ho diterimaJika probabilitas < 0,05 maka Ho ditolak

Kesimpulan:Terlihat bahwa pada kolom Asymp.Sig/Asymptotic significance adalah 0,000 atau probabdibawah 0,05, maka Ho ditolak.

Dari kedua analisis di atas, bisa diambil keputusan yang sama, yaitu Ho ditolak atau distribusi tern

tidak sesuai anggapan manajer cabang. Karena ternyata rasa durian dan coklat tidak lebih istimdibanding rasa roti yang lain, dengan acuan distribusi roti seperti yang diasumsikan manajer cabang



BAB IX

ONE SAMPLE KOLMOGOROF-SMIRNOF TEST

One-Sample Kolmogorf-Smirnof Test (Uji Kolmogorof Smirnof untuk satu sample) berguna umenguji apakah suatu sampel berasal dari suatu populasi dengan distribusi tertentu, terutama distr

normal, uniform, dan poison.

Contoh kasus untuk aplikasi ini, misalnya, Anda akan menguji apakah data nilai sebanyak 20 o

mahasiswa berdistribusi normal. Nilai tersebut adalah sbb:

DATA-10

Data Nilai Mahasiswa

No. Nilai Mahasiswa

1 60

2 55

3 70

4 85

5 90

6 72

7 76

8 63

9 5710 91

11 51

12 69

13 89

14 97

15 62

16 74

17 69



18 94

19 81

20 77

Proses pembuatan data:

1. Memasukkan dan mendefinisikan variabel

Name Type Width Decimals Label Values Missing Columns Align Mea Nilai Numeric 8 0 Nilai

Mhs

None None 8 Right Sc

2. Pengisian data

Langkah Aplikasi Uji:

Anda sedang aktif pada DATA-12

Klik Analyze

Non-Parametrik test

Klik One Sample K-S

Masukan variabel “nilai” pada kotak Test Variable List

Pilih Normal

Klik Options, pilih Descriptive

Klik Continue

Klik OK

Analisis:

Pada bagian pertama memuat informasi deskripsi mengenai data mahasiswa. Dimana jumlah case

(N)=20, Mean= 74,10, Std. Deviasi= 13,75, minimum= 51 dan maksimum=97.Pada bagian kedua berisi hasil uji One Sampel KS.

Pengujian hasil one sampel KS:

1. Hipotesis:Ho : data nilai mahasiswa berdistribusi normal

Hi : data nilai mahasiswa tidak berdistribusi normal

2. Ketentuan:Jika probabilitas > 0,05, maka Ho: diterima

Jika probabilitas < 0,05, maka Ho: ditolak

3. Keputusan:

Dari hasil uji One Sampel KS diatas, tampak bahwa nilai Asym.Sig. adalah 0,967. probabilitas (Sig.) 0,967 > 0,05. Dengan demikian, Ho: diterima dan Hi: ditolak. D

disimpulkan bahwa distribusi nilai mahasiswa adalah normal.



BAB X

TWO-INDEPENDENT-SAMPLE TEST

Two-Independent-Sample Test (Uji dua sampel independent) berguna untuk membandingkan distr

variabel dua buah group yang independent. Uji dua sample independent ini menyediakan 4 pil

yakni: Mann-Whitney U, Kolmogorof-Smirnov Z, Moses Extreme dan Wold-Wolfowitz runs.

Contoh kasus berikut ini adalah untuk mengetahui apakah nilai ekonomi makro yang diberikan kemahasiswa Universitas Terbuka di wilayah DKI dan Sulsel ada bedanya (atau sama saja). Ju

sampel untuk mahasiswa DKI sebanyak 15 mahasiswa, sedangkan Sulsel hanya 17 mahas

Datanya adalah sebagai berikut:

DATA-11

Data Nilai Ekonomi Mahasiswa

NO Nilai Mahasiswa

UT DKI UT SULSEL

1 63 69

2 78 56

3 71 67

4 82 72

5 93 59

6 72 717 61 55

8 63 88

9 56 79

10 82 49

11 60 76

12 76 53

13 67 66

14 74 73



15 61 80

16 83

17 70

Proses pengisian data:


Name Type Width Decimals Label Values Missing Columns Align MWilayah Numeric 8 0 Pembagian

wilayah

{1,DKI..

}

None 8 Right

Nilai Numeric 8 0 Nilai Mhs None None 8 Right S

Value label:1= DKI

2= Sulsel

2. Pengisian data

Langkah Aplikasi uji:Mengingat uji U Test merupakan uji jenjang, maka jika Anda akan menentukan jenjang dari mas

masing data nilai diatas, dapat Anda lakukan melalui transpormasi data dengan perintah Rank Case

Aktifkan DATA-11

Klik transform

Klik rank cases

Klik variabel nilai dan masukkan ke kotak variable(s)

Klik variabel wilayah, masukkan ke kotak by

Klik OK

Data nilai telah dirangking oleh menu Rank Cases. Selanjutnya mari kita melakukan uji Two Sa

Independent Test. Langkahnya adalah sbb:

Aktifkan DATA-11

Klik Analyze

Klik Non-Parametrik Tests

Klik 2-Independent Samples

Klik variabel “nilai”, dan masukkan pada kotak Test Variable List

Klik variabel “wilayah”, masukkan pada Grouping variable

Klik Define Group, isikan angka 1 pada Group 1 dan angka 2 pada Group 2

Pada Test Type, klik Mann-Whitney U

Klik Options, pilih Descriptive

Klik continue Klik OK

Hasil analisis data:

1. HipotesisHo: Tingkat kepandaian (nilai) mahasiswa UT pada kedua wilayah adalah sama

H1: Tingkat kepandaian (nilai) mahasiswa UT pada kedua wilayah tidak sama

2. Ketentuan:Dengan α 0.05 (pengujian dua sisi) maka:



Ho diterima jika: -1.96 ≤ Zh ≤ +1,96

Ho ditolak jika : Zh > + 1,96 atau Zh < - 1,96

3. Kesimpulan

Dari hasil uji U Test diatas, didapat harga Z= -0,265. Dengan demikian Zh -0,265 < Z tabel

kritis) α 0.05 = -1,96. Dengan demikian, Ho: diterima. Kesimpulannya, tidak terdapat perbe

tingkat kemampuan (nilai ekonomi makro) antara mahasiswa UT wilayah DKI dan Sulsel, de

resiko kekeliruan sebesar 5%.

BAB XI

TWO RELATED SAMPLES TEST

Uji two related samples test (uji dua sampel berhubungan) digunakan untuk melakukan pembandi

distribusi dari dua variabel yang berhubungan.Contoh kasus:

Misalkan akan menguji adakah perbedaan kecepatan mengetik dari para juru ketik.

DATA-12

Data Kecepatan Mengetik

NOKecepatan Mengetik (dlm menit)

Program WS Program Ms.Word

1 9 7

2 10 6

3 12 8

4 13 9

5 11 8.96 8 7.8

7 15 8.9

8 16 10

9 12 11.2

10 9 12

11 8 13

12 12.5 12

13 13.6 10.4



14 14.3 9.7

15 10.1 8.6

16 9.7 7

17 12 8

18 13.7 9

19 14 9.7

20 15.2 1021 16 11

22 12.6 12

23 11 13

24 10.3 8

25 9.8 9.4

26 13.5 10

27 14 8.9

28 15 7

29 16 11

30 11 12

Proses pengisian data



WS Numeric 8 2 Mengetik WS


Ms.Word Numeric 8 2 Mengetik

Ms Word


2. Pengisian data

Langkah analisis:

Pengujian dengan pilihan type wilcoxon:

Aktifkan DATA-12

Klik analyze

Klik non-parametrik test

Klik 2 ralated samples

Klik dua variabel sekaligus dan pindahkan ke kotak test pair(s) list

Pada test type, tetap pilih wilcoxon (default) Klik options, pilih descriptive

Klik continue

Klik OK

Maka hasilnya sbb:

Analisis:1. Hipotesis:

Ho: Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah sama saja



Hi : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah tidak sama

2. Ketentuan

Dengan α 0.05 (pengujian dua sisi):

Maka, Ho diterima jika: -1,96 ≤ Zh ≤ +1,96Ho ditolak jika: Zh > +1,96 atau Zh < -1,96

3. KeputusanDari hasil perhitungan diatas diperoleh nilai Z= -3,724. Jadi Z hitung berada diluar batas k

penerimaan Ho. Dengan kata lain, Zh -3,724 < nilai kritis Z -1,96. Dengan demikian Ho di

dan H1 diterima. Kesimpulannya, terdapat perbedaan waktu mengetik secara signifikans amenggunakan paket program WS dan Ms.Word.

Contoh Aplikasi 2:

Pengujian dengan pilihan type sign:Pada contoh ini Anda hanya diminta untuk memilih (check box) Sign dan memastikan piWilcoxon. Langkah kegiatannya adalah sbb:

Aktifkan DATA-12

Klik Analyze Klik Non-Parametrik Test

Klik 2 Related Samples

Klik dua variabel sekaligus dan pindahkan ke kotak test pair(s) list

Pada test type, pilih sign dan matikan pilihan wilcoxon.

Klik options, pilih descriptive

Klik continue

OK

Analisis:

1. Hipotesis:

Ho : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah sama sajaHi : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah tidak sama

2. Ketentuan

Dengan α 0.05 (pengujian dua sisi):

Maka, Ho diterima jika: -1,96 ≤ Zh ≤ +1,96

Ho ditolak jika: Zh > +1,96 atau Zh < -1,96

3. KeputusanDari hasil perhitungan diatas diperoleh nilai Z= -3,834. Jadi Z hitung berada diluar batas k

penerimaan Ho. Dengan kata lain, Ho ditolak dan Hi diterima. Kesimpulannya, terdapat perbe

waktu mengetik secara signifikans antara menggunakan paket program WS dan Ms. Word.



BAB XII

K-INDEPENDENT-SAMPLES TESTS

K-Independent Samples Tests (uji k sample independent) digunakan untuk membandingkan distr

dua atau lebih group independent dari suatu variabel.

Contoh aplikasi:

Untuk memberikan contoh aplikasi uji K-sample independent, maka kita akan melihat hasil s penelitian yang dilakukan oleh suatu perusahaan obat diet terkemuka di Indonesia. Lembaga pene

obat diet tersebut mencoba melakukan uji penurunan berat badan dengan beberapa cara,

dilakukan terhadap 25 wanita gemuk. Mereka mencoba melakukan 5 cara penurunan berat ba

antara lain dengan: 1. Jalan pagi, 2. Senam pernafasan, 3. Aerobik, 4. Yoga dan 5. Obat diet mereka ciptakan. Setelah satu bulan dilakukan terapi, maka dihitung penurunan berat badan me

Hasil pernghitungan penurunan berat badan tersebut adalah sbb:

DATA 13

Data Penurunan Berat Badan

NoCara/Metode Penurunan Berat Badan

Jalan Pagi Senam Pernafasan Aerobik Obat Diet

1 2,10 2,60 2,50 3,60 3,50

2 2,30 3,10 2,60 3,70 3,20

3 3,20 2,70 2,70 4,10 4,50



4 3,10 3,70 1,50 5,00 2,90

5 3,50 3,90 1,90 3,60 3,10

Proses pemasukan data:1. Memasukkan dan mendefinisikan variabel


Cara Numeric 8 0 Cara diet None None 8 Right ScBerat Numeric 8 2 Penurunan

Berat


2. Pengisian data

Langkah pengujian:

1. Anda buat DATA-132. Klik Analyze

3. Klik Non-Parametrik Test

4. Klik K-Independen samples test5. Klik variabel “berat” dan masukkan ke kotak test variable list

6. Klik variabel “cara” dan masukkan ke kotak grouping variable7. Klik define range, isikan ke kotak minimum dengan angka 1 dan kotak maksimum dengan angka 58. Klik continue

9. Klik kruskal-wallis H dan Median

10. Klik option, pilih deskriptive

11. Klik continue12. Klik OK

ANALISIS:Uji Kruskall-Wallis

1. Hipotesis:

Ho: Tidak terdapat perbedaan rata-rata dari lima metode terhadap penurunan berat badanHi : Terdapat perbedaan rata-rata dari kelima metode terhadap penurunan berat badan

2. Ketentuan:

Ho diterima jika X2 hitung ≤ X2 tabel

Ho ditolak jika X2 hitung > X2 tabel3. Keputusan:

Dari hasil perhitungan uji H (Kurskal-Wallis H) didapat harga 14,061. Sedang harga X2

dengan tingkat kepercayaan (α) 0.05 dengan dk= k-1= 5-1= 4, didapat harga= 9,488.Karena X2 hitung 14,061 > X2 tabel α 0.05= 9,488, maka Ho ditolak.

Dengan demikian dapat disimpulkan bahwa terdapat perbedaan penurunan berat badan me

kelima cara tersebut.

UJI MEDIAN

Pengujian Hipotesis Median:

1. Menentukan HipotesisHo: Dua atau lebih sampel yang diambil berasal dari populasi yang memiliki median yang sam

H1: Median yang berasal dari satu populasi tertentu berbeda dari populasi yang lainnya.

2. KetentuanHo diterima jika X2 hitung ≤ X2 tabel dan

Ho ditolak jika X2 hitung > X2 tabel



Dengan menggunakan tingkat kepercayaan (α) 0.05 dengan dk= k-1= 5-1= 4, maka dari X2 tabe

didapat harga= 9,488

3. Keputusan

Dari hasil perhitungan uji median di atas didapat harga X2 hitung 10.577. Karena X2 hitung 10,> X2 tabel α 0.05= 9,488. Jadi Ho ditolak. Dengan demikian dapat disimpulkan bahwa sampel

sampel tersebut diperoleh dari populasi yang mempunyai median yang berbeda.

BAB XIII

K-RELATED-SAMPLES TEST

K-Related Samples Test (uji beberapa sample yang berhubungan) berguna untuk menguji distribusi

dari beberapa sample yang berhubungan. Pada pengujian ini disediakan 3 pilihan metode, yakni: TFriedman, Kendall’s W dan Cochran’s Q.

Contoh kasus:

Penelitian ini dilakukan pada mahasiswa yang sama didalam satu kelas. Jumlah mahasiswa terdaporang. Pada masing-masing 10 orang akan diberikan metode yang berbeda. Dengan demi

terdapat 4 metode mengajar yang akan diujikan.

DATA 14

Nilai Mahasiswa dari Berbagai Metode Mengajar

NOMetode Mengajar

Ceramah Tanya-jawab Diskusi Tugas

1 45 71 81 78

2 52 61 72 80

3 56 59 73 79

4 63 63 68 69

5 72 72 64 76

6 64 65 58 90

7 56 59 66 75



8 61 63 75 86

9 48 58 76 78

10 57 70 80 67

Proses pemasukan data:


Name Type Width Decimals Label Values Missing Columns Align Meaceramah Numeric 8 2 Metode

Ceramah


tanya Numeric 8 2 MetodeTanyajawab


diskusi Numeric 8 2 MetodeDiskusi


tugas Numeric 8 2 MetodeTugas


2. Pengisian Data

CONTOH APLIKASI:

Aktifkan DATA-14

Klik Analyze

Klik Non-Parametrik Test

Klik K-Related Samples

Klik 4 variabel sekaligus, dan masukkan pada kotak test variabel

Pada test type, pilih Friendman (default)

Klik Statistics, pilih descriptive

Klik continue

Klik OK

ANALISIS:

Hipotesis:

Ho: Tidak terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswaHi : Terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswa

Ketentuan

Ho diterima jika X2 hitung ≤ X2 tabel dan Ho ditolak jika sebaliknya.Kesimpulan

Dari hasil perhitungan Friedman Test didapat harga Chi-Square (X2) sebesar 18,735. Sedang n

X2 tabel α 0.05 (dk3)= 9,488.

Karena X

2

hitung 18,735 > X

2

tabel α 0.05 (dk3)= 9,488, maka Ho ditolak. Dengan demikian ddisimpulkan bahwa terdapat perbedaan pada keempat metode mengajar terhadap nilai mahasisw



UNIVERSITAS SRIWIJAYA

PROGRAM ILMU KOMPUTER

SILABUS MATA KULIAH

1. Nama mata kuliah : Statistika Dasar

2. Bobot : 1 SKS3. Jenjang studi : D3

4. Semester/Tahun Akademik : 3/2006-2007

5. Jurusan : Manajemen Informatika, Teknik Komputer

6. Software yang digunakan : SPSS

RENCANA PERKULIAHAN

Pertemuan ke Materi Pokok Pokok Bahasan

1 Pendahuluan Persiapan data, jenis data

2 Mengelola File Membuat file data baru

Mendefinisikan variabel

Memasukkan data

Menyimpan dan menghapus dataMengcopy dan menyisipkan data



3 Transformasi Data Perintah compute

Perintah count

4 Statistik Deskriptif Aplikasi Deskriptif

5 Statistik Induktif MeansOne sample T Test

Independent Sample T Test

Paired sample T TestOne Way ANOVA

6 Aplikasi Correlate Bivariate correlationAnalisis korelasi partial

7 Ujian Tengah Semester

8 Analisis regresi Analisis regresi sederhana

Analisis regresi berganda

9 Chi square test Proses pemasukan data

Pendefinisian variabel

10 One sample kolmogorof

smirnof

Proses pemasukan data

Pendefinisian variabel

11 Two Independent RelatedSamples Test

Proses pemasukan dataPendefinisian variabel

12 Two Related Samples Test Proses pemasukan dataPendefinisian variabel

13 K-Independent samples test Proses pemasukan dataPendefinisian variabel

14 K-Related samples test Proses pemasukan dataPendefinisian variabel

15 Ujian Akhir Semester

modul prak.statistika komputasi-maknyos

Documents