STATISTIKA DASAR

APA ITU STATISTIKA?? SAMAKAH DENGAN STATISTIK??

1. Konsep Statistika STATISTIKA :

Kegiatan untuk : mengumpulkan data menyajikan data menganalisis data dengan metode tertentu menginterpretasikan hasil analisis
Melalui fase

KEGUNAAN

STATISTIKA DESKRIPTIF : Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian atau seluruh data (pengamatan) tanpa pengambilan kesimpulan
dan fase

STATISTIKA INFERENSI : Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan. Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)

2. Statistika & Metode Ilmiah

METODE ILMIAH : Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi penerapannya, resiko untuk keliru paling kecil. LANGKAH-LANGKAH DALAM METODE ILMIAH : 1. Merumuskan masalah 2. Melakukan studi literatur 3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis 4. 5. Mengumpulkan dan mengolah data, menguji hipotesis, atau menjawab pertanyaan Mengambil kesimpulan INSTRUMEN SAMPEL SIFAT DATA VARIABEL METODE ANALISIS

PERAN STATISTIKA

3. Data DATA terbagi atas DATA KUALITATIF dan DATA KUANTITATIF

1. DATA KUALITATIF : Data yang dinyatakan dalam bentuk bukan angka. Contoh : jenis pekerjaan, status marital, tingkat kepuasan kerja

2. DATA KUANTITATIF : Data yang dinyatakan dalam bentuk angka Contoh : lama bekerja, jumlah gaji, usia, hasil ulangan

4. Data
DATA NOMINAL : Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi. CIRI : posisi data setara tidak bisa dilakukan operasi matematika (+, -, x, :) CONTOH : jenis kelamin, jenis pekerjaan DATA ORDINAL : Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi di antara data tersebut terdapat hubungan CIRI : posisi data tidak setara tidak bisa dilakukan operasi matematika (+, -, x, :) CONTOH : kepuasan kerja, motivasi

DATA INTERVAL : Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala sudah diketahui. CIRI : Tidak ada kategorisasi bisa dilakukan operasi matematika CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender
DATA RASIO : Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara dua titik skala sudah diketahui dan mempunyai titik 0 absolut. CIRI : tidak ada kategorisasi bisa dilakukan operasi matematika CONTOH : gaji, skor ujian, jumlah buku

5. Pengolahan Data
PROSEDUR PENGOLAHAN DATA : A. PARAMETER : Berdasarkan parameter yang ada statistik dibagi menjadi Statistik PARAMETRIK : berhubungan dengan inferensi statistik yang membahas parameter-parameter populasi; jenis data interval atau rasio; disyaratkan adanya distribusi data normal atau mendekati normal. Statistik NONPARAMETRIK : inferensi statistik tidak membahas parameter-parameter populasi; jenis data nominal atau ordinal; tidak disyaratkan adanya distribusi data normal

B.

JUMLAH VARIABEL : berdasarkan jumlah variabel dibagi menjadi Analisis UNIVARIAT : hanya ada 1 pengukuran (variabel) untuk n sampel atau beberapa variabel tetapi masing-masing variabel dianalisis sendiri-sendiri. Contoh : korelasi motivasi dengan pencapaian akademik. Analisis MULTIVARIAT : dua atau lebih pengukuran (variabel) untuk n sampel di mana analisis antar variabel dilakukan bersamaan. Contoh : pengaruh motivasi terhadap pencapaian akademik yang dipengaruhi oleh faktor latar belakang pendidikan orang tua, faktor sosial ekonomi, faktor sekolah.

6. Pengolahan Data
MULAI

Tidak normal
Statistik Non Parametrik Jenis Data ?

Normal Statistik Parametrik

Analisis Univariat

SATU

Jumlah Variabel ?

DUA / LEBIH

Analisis Multivariat

7. Penyajian Data
TABEL
Tabel 1.1 Bidang Pekerj aan berdasarkan Latar Belakang Pendidikan Count pendidikan SMU Akademi 1 8 1 4 3 2 14 3 4 10 30 Sarjana 6 7 5 11 6 35 Jumlah 15 8 12 27 13 75

bidang pekerjaan

administrasi personalia produksi marketing keuangan

Jumlah

GRAFIK

bidang pe kerjaa n
administrasi personalia produksi marketing keuangan Pies show counts

8. Membuat Tabel
TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris Kolom pertama : LABEL KOLOM Kolom kedua . n : Frekuensi atau label Berisikan data berdasarkan kolom

TABEL
BARIS Tabel Tabulasi Silang

Prestasi Kerja Bidang pekerjaan Sangat jelek Jelek Cukup baik Baik Sangat baik Jumlah

Administrasi
Personalia Produksi Marketing Keuangan Jumlah

9. Membuat Grafik
GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci. Syarat : 1. Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran 2. Penetapan skala (skala biasa, skala logaritma, skala lain) 3. Ukuran grafik (tidak terlalu besar, tinggi, pendek) Jenis Grafik :
4

Grafik Batang (Bar)

Grafik Garis (line) Grafik Lingkaran (Pie)

Sumbu tegak

3 2 1 0 Titik pangkal

Grafik Interaksi (Interactive)

1 2 3 4 Sumbu datar

10. Jenis Grafik

Grafik Batang (Bar)
30
30

Grafik Garis (line)

20

20

10

10

Count

Jumlah

0 administrasi personalia produksi marketing keuangan

0 administrasi personalia produksi marketing keuangan

bidang pekerjaan

bidang pekerjaan

Grafik lingkaran (pie)

keuangan administrasi

Grafik Interaksi (interactive)

800000

700000

600000

personalia

Mean gaji perbulan

500000

Jenis kelamin
400000 laki-laki 300000 sangat jelek jelek cukup baik baik sangat baik w anita

marketing produksi

prestasi kerja

11. Frekuensi
FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi
KELOMPOK Kelompok ke-1 Kelompok ke-2 Kelompok ke-3 Kelompok ke-i Kelompok ke-k FREKUENSI f1 f2 f3 fi fk k n = fi i=1 PEKERJAAN Administrasi Personalia Produksi Marketing Keuangan FREKUENSI 18 8 19 27 13 85

k n = fi = f1 + f2 + f3 +.. + fi + + fk i=1

12. Distribusi Frekuensi

DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan menghitung banyaknya data dalam satu kelompok/klasifikasi
USIA 20 21 22 23 24 25 26 27 28 29 FREKUENSI 5 6 13 4 7 7 7 5 3 4 KELOMPOK USIA 20 21 22 23 24 25 26 27 FREKUENSI 11 17 14 12 Membuat distribusi frekuensi : 1. Mencari sebaran (range) yakni selisih antara data paling besar dengan data paling kecil) 35 20 = 15 2. Menentukan banyak kelas dengan rumus k = 1 + 3,3 log n 7 1. Menentukan panjang kelas dengan rumus p = sebaran / banyak kelas 15/7 = 2

30
31 33 35

15
3 5 1

28 29
30 31 32 - 33 34 - 35

7
18 5 1

13. Ukuran Tendensi Sentral

RATA-RATA : suatu bilangan yang bertindak mewakili sekumpulan bilangan RATA-RATA HITUNG (RERATA) : jumlah bilangan dibagi banyaknya

X + X2 + X3 + + Xn X= 1 n

n Xi
i =1

n
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi, maka rata-rata hitung menjadi : k Xifi X f + X2 f2 + X3 f3 + + Xkfk X= 1 1 i =1

f 1 + f2 + f 3 + + f k

Cara menghitung :
Bilangan (Xi) 70 63 85 Jumlah Frekuensi (fi) 3 5 2 10 Xi fi 210 315 170 695

k fi
i =1

Maka :

X = 695 = 69.5
10

14. Median
MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu memperjelas kedudukan suatu data. Contoh : diketahui rata-rata hitung nilai ulangan dari sejumlah siswa adalah 6.55. Pertanyaannya adalah apakah siswa yang memperoleh nilai 7 termasuk istimewa, baik, atau biasa-biasa saja ? Jika nilai ulangan tersebut adalah : 10 10 8 7 7 6 5 5 5 5 4, maka rata-rata hitung = 6.55, median = 6 Kesimpulan : nilai 7 termasuk kategori baik sebab berada di atas rata-rata hitung dan median (kelompok 50% atas) Jika nilai ulangan tersebut adalah : 8 8 8 8 8 8 7 5 5 4 3, maka rata-rata hitung = 6.55, median = 8 Kesimpulan : nilai 7 termasuk kategori kurang sebab berada di bawah median (kelompok 50% bawah) Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah) Maka mediannya adalah rerata dari dua bilangan yang ditengahnya. Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5

15. Modus
MODUS : bilangan yang paling banyak muncul dari sekumpulan bilangan, yang fungsinya untuk melihat kecenderungan dari sekumpulan bilangan tersebut. Contoh : nilai ulangan 10 10 8 7 7 6 5 5 5 5 4 Maka : s = 6 ; k = 3 ; p =2 rata-rata hitung = 6.55 ; median = 6 modus = 5 ; kelas modus = 5 - 7
Nilai Frekuensi Nilai 8 10 57 24 Jumlah Frekuensi 3 7 1 11

10
8 7 6 5 4 Jumlah

2
1 2 1 4 1 11

Mo Me

Kurva positif apabila rata-rata hitung > modus / median Kurva negatif apabila rata-rata hitung < modus / median

16. Ukuran Penyebaran

UKURAN YANG MENYATAKAN HOMOGENITAS / HETEROGENITAS : 1. RENTANG (Range) 2. DEVIASI RATA-RATA (Average Deviation) 3. VARIANS (Variance) 4. DEVIASI STANDAR (Standard Deviation) Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil. Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan dengan bilangan terbesar dan terkecil. Contoh : A : 100 90 80 70 60 50 40 30 20 10 B : 100 100 100 100 100 10 10 10 10 10 C : 100 100 100 90 80 30 20 10 10 10 X = 55 r = 100 10 = 90

Rata-rata

Deviasi Rata-rata : penyebaran Berdasarkan harga mutlak simpangan bilangan-bilangan terhadap rataratanya.

17. Deviasi rata-rata

Kelompok A Nilai X X - X |X X|
100 90 80 70 45 35 25 15 45 35 25 15

Kelompok B Nilai X X - X |X X|
100 100 100 90 45 45 45 35 45 45 45 35

60

5
-5 -15 -25 -35 -45 0

5
5 15 25 35 45 250

80
30 20 10 10 10 Jumlah

25
-25 -35 -45 -45 -45 0

25
25 35 45 45 45 390

Rata-rata

50 40 30 20 10 Jumlah

RS = 250 = 25 10
Rata-rata

RS = 390 = 39 10 n |Xi X| RS= n i=1

Makin besar simpangan, makin besar nilai deviasi rata-rata

18. Varians & Deviasi Standar

Varians : penyebaran berdasarkan jumlah kuadrat simpangan bilanganbilangan terhadap rata-ratanya ; melihat ketidaksamaan sekelompok data n 2 2 s = (Xi X) i=1 n-1
Kelompok A Nilai X 100 90 80 70 60 50 40 30 20 X -X 45 35 25 15 5 -5 -15 -25 -35 (XX)2 2025 1225 625 225 25 25 225 625 1225 Nilai X 100 100 100 90 80 30 20 10 10 Kelompok B X -X 45 45 45 35 25 -25 -35 -45 -45 (X X)2 2025 2025 2025 1225 625 625 1225 2025 2025

Deviasi Standar : penyebaran berdasarkan akar dari varians ; menunjukkan keragaman kelompok data n 2 (Xi X) i=1 n-1

10
Jumlah

-45

2025
8250

10
Jumlah

-45

2025
15850

s=

s=

8250 9 = 30.28

s=

15850 9 = 41.97

Kesimpulan : Kelompok A : rata-rata = 55 ; RS = 25 ; s = 30.28 Kelompok B : rata-rata = 55 ; RS = 39 ; s = 41.97 Maka data kelompok B lebih tersebar daripada kelompok A

19. Normalitas, Hipotesis, Pengujian

Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang melalui nilai rata-rata Kurtosis = keruncingan Skewness = kemiringan

-3s

-2s

-s

+s +2s +3s

68% 95% 99%

Lakukan uji normalitas Rasio Skewness & Kurtosis berada 2 sampai +2 nilai Rasio = Standard error

Jika tidak berdistribusi normal, lakukan uji melalui non parametrik (Wilcoxon, Mann-White, Tau Kendall)

20. Normalitas, Hipotesis, Pengujian

Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ; berbentuk hipotesis penelitian dan hipotesis statistik (Ho) ; hipotesis bisa terarah, bisa juga tidak terarah ; akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni hipotesis yang akan diterima seandainya Ho ditolak

HIPOTESIS Hipotesis Penelitian Hipotesis Nol (Yang diuji)

TERARAH(SATU EKOR) Siswa yang belajar bahasa lebih serius daripada siswa yang belajar IPS Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada yang belajar IPS Ho : b < i Ha : b > i

TIDAK TERARAH(DUA EKOR) Ada perbedaan keseriusan siswa antara yang belajar bahasa dengan yang belajar IPS Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS Ho : b = i Ha : b I

21. Normalitas, Hipotesis, Pengujian

Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak bila Ho tidak terarah, maka pengujian signifikansi dua pihak Pengujian signifikansi satu arah (hipotesis terarah): Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada yang belajar IPS Ho : b < i Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan

5% Daerah penerimaan hipotesis Daerah penolakan hipotesis

2.5% Daerah penolakan hipotesis Daerah penerimaan hipotesis

2.5% Daerah penolakan hipotesis

Pengujian signifikansi dua arah (hipotesis tidak terarah): Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS Ho : b = i Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan

22. Uji t
Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau apakah rata-rata dua populasi sama/berbeda secara signifikan. 1. Uji t satu sampel Menguji apakah satu sampel sama/berbeda dengan ( - ) rata-rata populasinya t = hitung rata-rata dan std. dev (s) s / n df = n 1 tingkat signifikansi ( = 0.05) pengujian apakah menggunakan 1 ekor atau 2 ekor diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak Contoh : Peneliti ingin mengetahui apakah korban yang mengalami kerugian paling besar memang berbeda dibandingkan dengan korban lainnya. Ho : k1 = k2 Diperoleh = 2.865.625 ; std. Dev = 1.789.112,5 ; df = 79 ; t hitung = -22.169 Berdasarkan tabel df=79 dan = 0.05 diperoleh t tabel = 1.6644 Kesimpulan : t hitung > t tabel sehingga Ho ditolak korban yang mengalami kerugian paling besar secara signifikan berbeda dengan korban lainnya

23. Uji t
2. Uji t dua sampel bebas Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda
(X Y) Sx-y

t=

Di mana

Sx-y =

(x2 + y2) (1/nx + 1/ny) (nx + ny 2)

Contoh : Peneliti ingin mengetahi apakah ada perbedaan penghasilan setelah bencana antara korban ringan dengan korban berat Ho : Pr = Pb Diperoleh : = 1547368 ; y = 1537500 ; t hitung = .066 Uji t independent sample Berdasarkan tabel df=53 dan = 0.05 diperoleh t tabel = 1.6741 Kesimpulan : t hitung < t tabel sehingga Ho diterima tidak ada perbedaan yang signifikan penghasilan setelah bencana antara korban ringan dengan korban berat

24. Uji t
3. Uji t dua sampel berpasangan Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda D t= s D Di mana D = rata-rata selisih skor pasangan

sD =

d2 N(N-1)

d2

D2 (D)2 N

Contoh : Seorang guru ingin mengetahui perbaikan terhadap pengembangan model pembelajaran debat. Setelah selesai pembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran kedua kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapan adanya perbedaan rata-rata tes pertama dengan kedua. Ho : t1 = t2 Diperoleh t1 = 51.36 ; t2 = 52.55 ; korelasi 0.873 Korelasi sangat erat dan benar-benar berhubungan dengan nyata

Berdasarkan tabel df=21 dan = 0.05 diperoleh t tabel = 1.7207 Kesimpulan : t hitung < t tabel sehingga Ho diterima Tidak ada perbedaan yang signifikan antara hasil tes pertama dengan hasil tes kedua, sehingga ia menyimpulkan model masih belum diimplementasikan dengan baik

25. Uji Keterkaitan

Korelasi : hubungan keterkaitan antara dua atau lebih variabel. Angka koefisien korelasi ( r ) bergerak -1 r +1

POSITIF makin besar nilai variabel 1 menyebabkan makin besar pula nilai variabel 2 Contoh : makin banyak waktu belajar, makin tinggi skor ulangan korelasi positif antara waktu belajar dengan nilai ulangan

NEGATIF makin besar nilai variabel 1 menyebabkan makin kecil nilai variabel 2 contoh : makin banyak waktu bermain, makin kecil skor ulangan korelasi negatif antara waktu bermain dengan nilai ulangan

NOL tidak ada atau tidak menentunya hubungan dua variabel contoh : pandai matematika dan jago olah raga ; pandai matematika dan tidak bisa olah raga ; tidak pandai matematika dan tidak bisa olah raga korelasi nol antara matematika dengan olah raga

26. Uji Keterkaitan

1. KORELASI PEARSON : apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana arah hubungan dan berapa besar hubungan tersebut. Digunakan jika data variabel kontinyu dan kuantitatif NXY (X) (Y)

r=

NX2 (X)2 x NY2 (Y)2

Di mana : XY X2 Y2 N=

= jumlah perkalian X dan Y = jumlah kuadrat X = jumlah kuadrat Y banyak pasangan nilai

Contoh : 10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS Siswa : A B C D E F G H I J Waktu (X) : 2 2 1 3 4 3 4 1 1 2 Tes (Y) : 6 6 4 8 8 7 9 5 4 6 Apakah ada korelasi antara waktu belajar dengan hasil tes ?
Siswa
A B 2 2

X
4 4

X2
6 6

Y
36 36

Y2
12 12

XY

X2

Y2

XY

27. Uji Keterkaitan

2. KORELASI SPEARMAN (rho) dan Kendall (tau) : Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi non parametrik

rp = 1 -

6d2 N(N2 1)

Di mana :

N = banyak pasangan d = selisih peringkat

Contoh : 10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas) Siswa : A B C D E F G H I J Perilaku : 2 4 1 3 4 2 3 1 3 2 Kerajinan : 2 4 1 4 4 3 2 1 2 3 Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?
Siswa Perilaku Kerajinan d A B C D

d2

d2

28. Uji Chi-Square (X2)

Chi-Square (tes independensi) : menguji apakah ada hubungan antara baris dengan kolom pada sebuah tabel kontingensi. Data yang digunakan adalah data kualitatif.

X2 =

(O E)2 E

Di mana

O = skor yang diobservasi E = skor yang diharapkan (expected)

Contoh : Terdapat 20 siswa perempuan dan 10 siswa laki-laki yang fasih berbahasa Inggris, serta 10 siswa perempuan dan 30 siswa laki-laki yang tidak fasih berbahasa Inggris. Apakah ada hubungan antara jenis kelamin dengan kefasihan berbahasa Inggris ? Ho = tidak ada hubungan antara baris dengan kolom H1 = ada hubungan antara baris dengan kolom L P O E (O-E) (O-E)2 (O-E)2/E Fasih Tidak fasih a c b d
a b c d 20 10 10 30 (a+b)(a+c)/N (a+b)(b+d)/N (c+d)(a+c)/N (c+d)(b+d)/N

df = (kolom 1)(baris 1) Jika X2 hitung < X2 tabel, maka Ho diterima Jika X2 hitung > X2 tabel, maka Ho ditolak

29. Uji Chi-Square (X2)

Chi-Square dengan menggunakan SPSS KASUS : apakah ada perbedaan pendidikan berdasarkan status marital responden Ho = tidak ada hubungan antara baris dengan kolom atau tidak ada perbedaan pendidikan berdasarkan status marital H1 = ada perbedaan pendidikan berdasarkan status marital
Dasar pengambilan keputusan : 1. X2 hitung < X2 tabel Ho diterima ; X2 hitung > X2 tabel Ho ditolak 2. probabilitas > 0.05 Ho diterima ; probabilitas < 0.05 Ho ditolak
pendidikan terakhir * status marital Crosstabulation Count belum kawin 1 9 5 0 15 status marital kawin janda 4 5 24 1 10 1 13 0 51 7 duda 3 2 2 0 7 Total 13 36 18 13 80

Chi-Square Tests Value 30.605 29.160 3.412 80 df 9 9 1 Asymp. Sig. (2-sided) .000 .001 .065

pendidikan terakhir

SD SMP SMA Sarjana

Total

Symmetric Measures Value .526 80 Approx. Sig. .000

Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases

Nominal by Nominal N of Valid Cases

Contingency Coefficient

Hasil : tingkat signifikansi = 5% ; df = 9 ; X2 tabel = 16.919 ; X2 hitung = 30.605 ; asymp. sig = 0.000 ; contingency coeff. = 0.526 Karena : X2 hitung > X2 tabel maka Ho ditolak asymp. Sig < 0.05 maka Ho ditolak Artinya ada perbedaan tingkat pendidikan berdasarkan status maritalnya dan hal ini diperkuat dengan kuatnya hubungan yang 52.6%

Membuat tabel X2
Pada file baru, buat variabel dengan nama df Isi variabel tersebut dengan angka berurutan Buka menu transform > compute
Pada target variabel ketik chi_5 (untuk 95%) Numeric expr gunakan fungsi IDF.CHISQ (0.95,df) Tekan OK

30. Uji Anova

Anova : menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih berbeda secara signifikan atau tidak. ONE WAY ANOVA Satu variabel dependen (kuantitatif) dan satu kelompok (kualitatif) Contoh : apakah pandangan siswa tentang IPS (kuantitatif) berbeda berdasarkan jenjang pendidikannya (kualitatif : SD, SLTP, SMU) Variabel dependen lebih dari satu tetapi kelompok sama Contoh : apakah rata-rata ulangan dan pandangan siswa terhadap IPS berbeda untuk tiap daerah MULTIVARIAT ANOVA Satu variabel dependen tetapi kelompok berbeda Contoh : apakah rata-rata ulangan berbeda berdasar kan klasifikasi sekolah dan kelompok penelitian Variabel dependen lebih dari satu dan kelompok berbeda Contoh : apakah rata-rata ulangan dan pandangan siswa terhadap IPS berbeda berdasarkan klasifikasi Sekolah dan kelompok penelitian

31. Uji Anova

ONE WAY ANOVA
F= RJKa RJKi
k 2 2 JKa = J j - J N j=1 nj

Jki =

nj

X2

j=1 i=1

ij

J2j nj

j=1

Di mana : J = jumlah seluruh data N = banyak data k = banyak kelompok nj = banyak anggota kelompok j Jj = jumlah data dalam kelompok j

Contoh : Apakah terdapat perbedaan pandangan terhadap IPS siswa SD, SLTP, SMU ? Ho : 1 = 2 = 3 (tidak terdapat perbedaan sikap)
X1 3 4 5 4 5 X2 1 1 2 1 2 7 1.4 X3 2 2 3 3 5 15 3

Jka =

212 + 72 + 152 432 = 19.73 5 15 32 + 42 + 52 212 + 72 + 152 = 10 5 F = 9.865 / 0.833 = 11.838

Jki =
RJKa = RJKi =

Jka
k-1 Jki N-k

= 19.73/2 = 9.865

21 4.2

= 10/15-3 = 0.833

32. Uji Anova

Sumber adanya perbedaan Antar kelompok Inter kelompok

Jumlah Kuadrat (JK) 19.73 10

Derajat Kebebasan (df) k1=2 N k = 12

Rata-rata Jumlah Kuadrat (RJK) 9.865 0.833

11.838

= 0.05 ; df = 2 dan 12 ; F tabel = 3.88 ; F hitung = 11.838

F hitung > F tabel , maka Ho ditolak Terdapat perbedaan pandangan siswa SD, SLTP, SMU terhadap IPS

CONTOH : Apakah ada perbedaan rata-rata penghasilan sesudah bencana jika dilihat dari sumbangan yang diterima ? Ho = rata-rata penghasilan tidak berbeda dilihat dari sumbangan yang diterima

Langkah-langkah : 1. Analysis > compare mean > one way anova 2. Dependent list penghasilan (kuantitatif) ; factor sumbangan yg diterima (kualitatif) 3. Option > descriptive & homogeneity of variance diberi tanda check 4. Post hoc > bonferroni & tukey diberi tanda check 5. Ok

Pemaknaan interpretasi :
Descriptiv es penghasilan sesudah bencana Std. Deviation 528148.55 501918.73 528790.17 537006.69 95% Confidence Interval for Mean Std. Error Lw Bound Up Bound 98074.72 1140482.3 1542276 91637.40 1297580.5 1672420 115391 1511678.6 1993083 60039.17 1383620.0 1622630

sedikit sedang banyak Total

N 29 30 21 80

Mean 1341379 1485000 1752381 1503125

Min 600000 500000 1.E+06 500000

Max 2500000 2400000 2800000 2800000

Penghasilan sesudah bencana rata-rata paling besar diterima oleh kelompok yang mendapat sumbangan banyak Kemudian lakukan interpretasi terhadap homogenitas varians, sebagai syarat untuk pengujian asumsi uji anova
Test of Homogeneity of Variances penghasilan sesudah bencana Levene Statistic .100 df1 2 df2 77 Sig. .905

Ho : varians populasi identik Probabilitas > 0.05 Ho diterima

Karena probabilitas > 0.05 (lihat sig. 0.905) maka keputusan Ho diterima, artinya varians homogen sehingga pengujian anova dapat dilanjutkan

ANOVA penghasilan sesudah bencana Between Groups Within Groups Total Sum of Squares 2073242970032.8 20708475779967 22781718750000 df 2 77 79 Mean Square 1036621485016 268941243895.7 F 3.854 Sig. .025

Pengambilan keputusan berdasarkan probabilitas : Karena p (sig.) < 0.05 maka Ho ditolak, artinya penghasilan yang diterima setelah bencana berbeda berdasarkan sumbangan yang diterima

Pengambilan keputusan berdasarkan nilai F : Berdasarkan df1 = 2 (klasifikasi jumlah sumbangan yang diterima 1); dan df2 = 77 (jumlah N klasifikasi jumlah sumbangan yang diterima), maka F tabel adalah (0.05, 2, 77) = 3.13 sehingga F hitung > F tabel maka Ho ditolak penghasilan berbeda berdasarkan sumbangan yg diterima
Cara melihat F tabel : 1. Sisi horisontal : df pembilang (numerator) ; sisi vertikal : df penyebut (denominator) 2. Skor bagian atas untuk 0.05 dan skor bagian bawah untuk 0.01

Multiple Comparisons Dependent Variable: penghasilan sesudah bencana Mean Difference (J) sumbangan diterima (I-J) sedang -143620.69 banyak -411001.64* sedikit 143620.690 banyak -267380.95 sedikit 411001.642* sedang 267380.952 sedang -143620.69 banyak -411001.64* sedikit 143620.690 banyak -267380.95 sedikit 411001.642* sedang 267380.952

Tukey HSD

(I) sumbangan diterima sedikit sedang banyak

Bonferroni

sedikit sedang banyak

Std. Error 135050.2 148595.3 135050.2 147551.5 148595.3 147551.5 135050.2 148595.3 135050.2 147551.5 148595.3 147551.5

Sig. .540 .019 .540 .172 .019 .172 .873 .021 .873 .222 .021 .222

95% Confidence Interval Lower Bound Upper Bound -466371.94 179130.56 -766123.91 -55879.37 -179130.56 466371.94 -620008.61 85246.70 55879.37 766123.91 -85246.70 620008.61 -474143.15 186901.77 -774674.55 -47328.73 -186901.77 474143.15 -628499.18 93737.27 47328.73 774674.55 -93737.27 628499.18

*. The mean difference is significant at the .05 level.

Analisis lanjutan (tukey dan bonferroni) : 1. Kolom Mean difference memperlihatkan perbedaan rata-rata (I-J) dan tanda * memperlihatkan perbedaan yang signifikan, artinya yang menerima sumbangan sedikit berbeda signifikan dengan yang menerima sumbangan banyak dalam hal penghasilannya sesudah bencana 2. Antara sumbangan yang diterima sedang tidak berbeda signifikan dengan sumbangan yang diterima sedikit atau banyak

33. Uji Anova

MULTIVARIAT ANOVA dengan menggunakan SPSS
Data yang digunakan untuk variabel dependen adalah data kuantitatif, sedangkan faktor atau kelompok adalah data kualitatif Contoh Kasus : apakah status marital mempunyai pengaruh yang signifikan terhadap penghasilan Sebelum terjadinya bencana & usia Variabel dependen adalah penghasilan sebelum terjadinya bencana & usia ; Faktor (kelompok) adalah status marital

Langkah-langkah : 1. Analysis > general linear model > multivariat 2. Dependent variables usia & penghasilan sebelum bencana (kuantitatif) ; fix factor status marital (kualitatif) 3. Option > descriptive statistic & homogeneity test diberi tanda check 4. Ok

Uji varians dilakukan 2 tahap : Tahap 1 : Pengujian terhadap varians tiap-tiap variabel dependen Ho = varians populasi identik (sama) alat analisis : Lavene Test ; keputusan : probabilitas > 0.05 maka Ho diterima

a Lev ene's Test of Equality of Error Variances

F penghasilan sebelum bencana usia 2.772 .450

df1 3 3

df2 76 76

Sig. .047 .718

Tests the null hypothesis that the error variance of the dependent variable is equal across groups. a. Design: Intercept+STATUS

Ho diterima Varians tiap variabel identik

Tahap 2 : Pengujian terhadap varians populasi secara keseluruhan Ho = matriks varians sama (varians populasi sama yakni keseluruhan variabel dependen) alat analisis : Boxs M ; keputusan : probabilitas > 0.05 maka Ho diterima probabilitas < 0.05 maka Ho ditolak
a Box's Test of Equality of Cov ariance Matrices

Box's M F df1 df2 Sig.

9.578 .956 9 2964.095 .475

Tests the null hypothesis that the observed covariance matrices of the dependent variables are equal across groups. a. Design: Intercept+STATUS

Ho diterima Varians populasi identik

Uji Multivariat : Ho = rata-rata vektor sampel identik (sama) alat analisis : Pillai Trace, Wilk Lambda, Hotelling Trace, Roys keputusan : probabilitas > 0.05 maka Ho diterima
c Multiv ariate Tests

Effect Intercept

STATUS

Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root

Value .945 .055 17.196 17.196 .895 .283 1.906 1.482

F Hypothesis df 644.853 a 2.000 a 644.853 2.000 a 644.853 2.000 a 644.853 2.000 20.517 6.000 a 22.004 6.000 23.512 6.000 b 37.552 3.000

Error df 75.000 75.000 75.000 75.000 152.000 150.000 148.000 76.000

Sig. .000 .000 .000 .000 .000 .000 .000 .000

Ho ditolak : rata-rata vektor sampel tidak identik Kesimpulan : Status marital mempunyai pengaruh terhadap penghasilan dan usia

a. Exact statistic b. The statistic is an upper bound on F that yields a lower bound on the significance level. c. Design: Intercept+STATUS

Artinya : Perubahan status marital menyebabkan terjadinya perubahan penghasilan dan penambahan usia