Statistika Dasar
Untuk Mahasiswa Jurusan Sistem Informasi Jenjang Strata-1(S1)
Oleh:
Tim Laboran
MODUL 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 data
Data editor pada SPSS mempunyai dua bagian utama:
Kolom dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam SPSS akan diisi oleh
VARIABEL, yakni pada menu VARIABEL VIEW.
Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi oleh
KASUS (seperti nama responden atau sampel), yakni pada menu DATA VIEW.
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, seperti
membuat file baru, membuka file tertentu, mengambil data dari program lain, mencetak isi dari
data editor dan lainnya.
Edit
Menu Edit berfungsi untuk menangani hal-hal yang berhubungan dengan memperbaiki atau
mengubah nilai data (duplikasi data, menghilangkan data, edit data dan lain-lain). Selain itu
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 lainnya)
Data
Menu Data berfungsi untuk membuat perubahan data SPSS secara keseluruhan, seperti
mengurutkan data, menyeleksi data berdasar kriteria tertentu, menggabung data dan sebagainya.
Transform
Menu Transform berfungsi untuk membuat perubahan pada variabel yang telah dipilih dengan
kriteria tertentu.
Analyze
Menu Analyze merupakan menu inti dari SPSS, yang berfungsi untuk melakukan semua
prosedur penghitungan statistik, seperti Uji t, Uji F, regresi, time series dan lainnya.
Graphs
Menu Graphs berfungsi untuk membuat berbagai jenis grafik untuk mendukung analisis
statistik, seperti pie, line, bar dan kombinasinya.
Utilities
Menu Utilities adalah menu tambahan yang mendukung program SPSS, seperti:
Walaupun SPSS sudah menyediakan berbagai berbagai macam pengolahan data statistik secara
memadai, namun ada beberapa perintah atau pilihan yang hanya bisa digunakan dengan SPSS
Command Language. Perintah-perintah tersebut bisa ditulis pada menu Syntax Editor. Menu ini
berupa file text yang berisi berbagai perintah SPSS dan bisa diketik secara manual. Namun SPSS
juga menyediakan berbagai kemudahan untuk pembuatan syntax sama dengan menu yang lain,
hanya disini ada tambahan sub menu Run yang berfungsi untuk menjalankan sytax yang telah
ditulis.
MODUL 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 berikut ini:
No
Nama
1
2
3
4
5
6
7
8
9
10
Diana
Andika
Laudita
Akin
Aris
Lina
Wiwik
Dani
Janka
Koko
Jenis Kel
X1
Wanita
Laki-laki
Wanita
Wanita
Laki-laki
Wanita
Wanita
Laki-laki
Laki-laki
Laki-laki
Riset
X2
75
68
65
55
70
90
80
85
90
78
Statistik
X3
86
65
56
60
77
80
82
85
78
80
SPSS
X4
83
67
78
75
65
87
90
80
75
90
IP
Y
3,56
3,35
3,10
2,78
1,50
3,80
2,78
3,45
1,56
2,90
Type
Width
String
15
Numeric 8
x2
Numeric 8
x3
Numeric 8
x4
Numeric 8
Decimals Label
Nama
0
Jenis
kelamin
0
Nilai
Riset
0
Nilai
Statistik
0
Nilai
SPSS
Values
Measure
Nominal
Nominal
None
None
Center
Scale
None
None
Center
Scale
Scale
Numeric 8
Indek
Prestasi
None
None
Center
Scale
LATIHAN:
Buatlah latihan input data (minimal 50 record) meliputi nama, jenis kelamin, pekerjaan,
pendidikan, penghasilan.
MODUL 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 masingmasing variabel satu persatu, lalu klik tanda panah (segitiga) kecil untuk memasukkan variabel
tersebut
Masukkan variabel nama pada kotak name variabel
Klik OK
Menu transformasi data berguna untuk melakukan kegiatan perubahan data yang telah ditulis pada file
DATA-2.
DATA PENGHASILAN DAN PENGELUARAN
No.
1
2
3
4
5
6
7
8
9
10
Umur
x1
25
35
40
56
60
33
45
52
22
18
Status
x2
Pegawai
Swasta
Pepetani
Pegawai
Pegawai
Swasta
Pepetani
Swasta
Pepetani
Pepetani
Penghasilan/bln
x3
Rp. 750.000
Rp.1.250.000
Rp. 800.000
Rp. 900.000
Rp.1.500.000
Rp.2.500.000
Rp. 600.000
Rp.3.000.000
Rp.1.750.000
Rp.1.100.000
Pengeluaran
y
Rp. 600.000
Rp.1.000.000
Rp. 400.000
Rp. 750.000
Rp.1.200.000
Rp.2.000.000
Rp. 450.000
Rp.2.500.000
Rp.1.250.000
Rp.1.000.000
Type
Numeric
Numeric
Numeric
Width
8
8
8
Decimals
0
0
2
Label
Umur
Status
Penghasilan
Values
None
{1,Pepetani....}
None
Missing
None
None
None
Columns
8
8
10
Align
Center
Center
Right
Measure
Scale
Nominal
Scale
Numeric
Pengeluaran
None
None
10
Right
Scale
MODUL IV
STATISTIK DESKRIPTIVES
Statistik deskriptif merupakan bidang ilmu statistik yang mempelajari cara-cara pengumpulan,
penyusunan dan penyajian data suatu penelitian.
A. APLIKASI FREQUENCIES
Aplikasi ini digunakan untuk menyusun data yang jumlahnya relatif banyak kedalam suatu
tabel frekuensi.
Aplikasi SPSS:
1.
2.
3.
4.
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, variance, range, maximum,
minimum, S.E.Means, Skewness, Kurtosis
Klik Continue
Klik Chart, pilih Bar Chart
Klik Continue
Klik Format
OK
B. APLIKASI DESKRIPTIVES
Perintah deskriptives digunakan untuk menampilkan deskripsi statistik univariat dari variabel
numerik yang Anda daftar.
Contoh aplikasi praktis:
No
1
Jenis Kelamin
(x1)
Laki-laki
Pekerjaan
(x2)
Petani
Pendapatan (Rp)
(x3)
650000
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Laki-laki
Wanita
Wanita
Laki-laki
Wanita
Laki-laki
Laki-laki
Laki-laki
Wanita
Wanita
Wanita
Laki-laki
Laki-laki
Wanita
Laki-laki
Laki-laki
Wanita
Wanita
Laki-laki
Wanita
Laki-laki
Laki-laki
Laki-laki
Wanita
Wanita
Wanita
Laki-laki
Laki-laki
Laki-laki
Pegawai
Swasta
Petani
Swasta
Pegawai
Pegawai
Petani
Swasta
Pegawai
Swasta
Petani
Petani
Petani
Pegawai
Petani
Pegawai
Swasta
Petani
Swasta
Pegawai
Pegawai
Petani
Swasta
Pegawai
Swasta
Petani
Petani
Petani
Petani
750000
1450000
350000
1500000
780000
2000000
750000
1250000
1000000
1250000
450000
550000
950000
950000
750000
475000
1150000
450000
780000
1375000
675000
450000
1125000
1500000
800000
450000
675000
560000
455000
3.
4.
5.
6.
7.
8.
9.
latihan I
MODUL V
STATISTIK INDUKTIF
Compare Mean merupakan suatu analisis untuk membandingkan rata-rata dari dua populasi
atau lebih
A.
MEANS
Prosedur means digunakan untuk melakukan analisis statistik means, standar deviasi, count dan
statistik lainnya pada variabel berkelompok. Contoh kasus untuk analisis mean misalnya menghitung
nilai rata-rata mata kuliah tertentu, katakanlah statistik yang didasarkan pada jenis kelamin (laki-laki
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 yang
akan ditentukan analisis statistiknya
2. Independent list. Kotak ini berguna untuk mendaftar satu atau beberapa variabel yang akan
digunakan sebagai dasar pengelompokkan (variabel group)
Contoh Praktis Aplikasi Means
B.
Uji One Sample T Test bisa digunakan untuk membandingkan rata-rata sample yang diuji
dengan rata-rata populasi yang sudah ada. Misalkan kita akan menguji apakah rata-rata lama bertahan
batu baterey pendatang baru, katakanlah merek XZ sama atau lebih lama dari rata-rata umur batu
baterey merek-merek yang sudah lama beredar. Secara umum masyarakat sudah mengetahui bahwa
rata-rata umur batu baterey yang sudah beredar sekitar 75 hari (ini merupakan cerminan data populasi).
Kemudian diketahui bahwa umur batu baterey XZ adalah 80 hari? Apakah ada perbedaan antara batu
baterey XZ dengan umur batu baterey pada umumnya?
Type
Width
Decimals
Lama
Numeric
Baru
Numeric
Label
Umur
baterey
lama
Umur
baterey
XZ
Values
Missing
Columns
Align
Measure
None
None
Right
Scale
None
None
Right
Scale
Baru
76
78
85
95
92
89
96
88
75
72
60
64
68
87
90
Buka DATA-5
Klik Analyze
Klik Compare Means
Klik One Sample T test
Klik variabel lama, lalu masukkan pada kotak
test variable(s) dengan mengklik tanda
Pada test value, tulis 80 (karena kita akan menguji rata-rata populasi)
Klik Options, maka akan tampak Convidence Intervall yang secara default = 95%. Tetap kita
tentukan 95%, sebab biasanya pengujian adalah 95%
Klik continue
Klik OK
Bagian I:
Hasil pengolahan statistik pada bagian I menunjukkan hasil jumlah sampel dengan simbol N yakni=
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 umumnya
H1: 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 dengan
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 sudah
lama beredar (rata-rata 70 hari).
LATIHAN:
Seorang sales bernama Deki mampu menjual roti kacang sebanyak 333 buah. Manajer
penjualan menganggap penjualan Margono berbeda dengan rekan-rekannya. Benarkah pernyataan
tersebut?
Data Editor
Salesman
1
1
1
1
1
1
2
2
2
2
2
2
Gender
0
1
1
0
1
0
1
1
1
1
0
0
Kacang
250
234
220
245
281
220
256
238
210
310
287
254
Durian
300
320
324
315
400
420
398
375
364
325
410
425
Coklat
298
254
315
387
200
145
256
200
214
269
254
Susu
325
312
450
500
268
351
245
221
621
235
214
Nanas
100
150
60
94
65
102
94
95
64
120
113
Variable View
Nama Variable
Salesman
Tipe
Numerik
Gender
Numerik
Kacang
Durian
Coklat
Susu
Nanas
Numerik
Numerik
Numerik
Numerik
Numerik
Value
1= Sales-Sarjana
2= Sales-Akademi
0= Wanita
1= Pria
Keterangan
Tingkat pendidikan seorang
salesman
Jenis kelamin seorang
salesman
Penjualan roti rasa kacang
Penjualan roti rasa durian
Penjualan roti rasa coklat
Penjualan roti rasa susu
Penjualan roti rasa nanas
Bagian II:
Proses pengujian t: (berdasarkan probabilitas)
1. Tentukan hipotesis
Ho: Rata-rata IP laki-laki dan wanita adalah sama
Hi : 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 yakni
2,214 dengan tingkat signifikans = 0,071. Dengan demikian probabilitas 0,071 > 0,05.
Kenyataan ini menunjukkan bahwa rata-rata IP laki-laki dan wanita adalah sama saja (tidak
berbeda).
LATIHAN:
Manajer penjualan PT.Angin Ribut ingin mengetahui apakah ada perbedaan prestasi penjualan
roti susu berdasarkan tingkat pendidikan salesman?
Langkah-langkah:
1.
2.
C.
Paired Sample T Test berguna untuk melakukan pengujian terhadap 2 sample yang berhubungan
atau sering disebut sample berpasangan yang berasal dari populasi yang memiliki rata-rata (mean)
sama. Misalnya kita akan mengetahui perbedaan rata-rata nilai mata kuliah komputer sebelum
diberikan praktek komputer dengan setelah diberikan praktek.
Untuk analisa paired sample T Test, maka kita akan membuat sepasang data baru, yang diberi
nama DATA-6. Data tersebut adalah sbb:
No
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
Sebelum Treatmen
60
55
45
62
67
70
54
35
46
50
Setelah Treatmen
70
76
80
85
75
68
56
90
72
69
Pengisian variabel:
Name
Sebelum
Type
Numeric
Width
8
Decimals
2
Sesudah
Numeric
Label
Sblm lat
komp
Setlh lat
komp
Value
None
Missing
None
Column
8
Align
Left
Measure
Scale
None
None
Left
Scale
Bagian II:
Pada output bagian II ditunjukkan hasil korelasi antara nilai sebelum latihan komputer dengan
setelah mendapatkan latihan komputer. Didapat nilai r= -0,366 dengan taraf signifikansi sebesar 0,299.
Dengan demikian tidak terdapat korelasi (hubungan) antara nilai sebelum dan sesudah latihan
komputer.
Bagian III:
Pada bagian III ini dikemukakan hasil t hitung. Untuk pengujian t hitung, maka dilakukan
langkah sebagai berikut:
Proses pengujian t: (berdasarkan probabilitas)
1. Tentukan hipotesis
Ho: Rata-rata nilai sebelum latihan dengan setelah latihan adalah sama
Hi : Rata-rata nilai sebelum latihan dengan setelah berbeda
2. Penetuan kesimpulan berdasarkan probabilitas
Jika 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 =
0,005. Probabilitas (tingkat signifikans) 0,005 < 0,05. Dengan demikian, Ho: ditolak. Dapat
ditarik kesimpulan bahwa terdapat perbedaan yang sangat signifikans antara rata-rata nilai
mahasiswa sebelum mendapatkan latihan komputer dengan setelah mendapatkan latihan
komputer.
Perbedaan itu dapat dilihat pada output bagian I. Dimana rata-rata nilai mahasiswa sebelum
mendapatkan latihan komputer adalah 54.400. Namun setelah diberi pelatihan komputer, maka ratarata nilai mahasiswa mampu mencapai 74,100.
D.
Prosedur one way Anova atau sering disebut dengan perancangan sebuah faktor, merupakan
salah satu alat analisis statistik ANOVA (Analysis of Variance) yang bersifat salah arah (satu jalur).
Alat uji ini digunakan untuk menguji apakah 2 populasi atau lebih yang independen, memiliki rata-rata
yang dianggap sama atau tidak sama. Teknik ANOVA akan menguji variabilitas dari observasi masingmasing group dan variabilitas antar mean group. Melalui kedua estimasi variabilitas tersebut, akan
dapat ditarik kesimpulan mengenai mean populasi.
Buatlah DATA-7
Data Nilai Mahasiswa
NO
1
Ceramah
45
Tugas
2
3
4
5
6
7
8
9
10
55
65
66
51
70
55
65
67
62
65
64
70
64
68
70
75
61
68
72
75
80
85
91
99
89
86
90
2.
3.
Pengambilan keputusan
Dari hasil perhitungan diatas didapat nilai Levene Test adalah 2,401 dengan signifikances
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 dilanjutkan
jika ketiga varians dari ketiga variabel dalam penelitian ini adalah sama. Terbukti dari uji Levene
diatas.
MODUL VI
APLIKASI CORRELATE
A.
BIVARIATE CORRELATION
Bivariate correlation (korelasi sederhana) yang sering disebut sebagai korelasi product moment person,
bermanfaat untuk menghasilkan matrik korelasi pasangan antar 2-variabel. Pada umumnya orang
mengatakan bahwa pengertian korelasi adalah suatu hubungan timbal balik.
DATA-8
Data Penjualan Sepeda Motor
Besar pengeluaran biaya untuk
Bulan
Selling
Promotion Advertensi
Ke
(x1)
(x2)
(x3)
1
12500000
8750000
5450000
2
11000000
7000000
4210000
3
9750000
3550000
4100000
4
7742500
4555000
3990000
5
5656800
2555000
3550000
6
4555000
3256600
2390000
7
6750050
3300000
4554000
8
5990000
2750000
4320000
9
4580000
2500000
3700000
10
5800500
4200000
5610000
11
7990000
4500000
4660000
12
4500000
3758000
3850000
Penjualan
(unit)
(y)
600
540
465
430
421
350
480
400
320
400
521
250
Klik OK
Analisis korelasi partial bertujuan untuk menghitung koefisien korelasi antara dua variabel,
akan tetapi dengan mengeluarkan variabel lainnya yang mungkin dianggap berpengaruh. Dengan kata
lain, 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:
Bagian I:
Pada bagian ini dimuat hasil deskripsi tentang ketiga variabel, yakni x1, y dan x2 (sebagai
kontrol). Disini diperlihatkan nilai rata-rata (means), standar deviasi dan jumlah kasus. Contoh untuk
variabel x1, 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
dilakukan uji partial). Dengan demikian harga r disini sama dengan harga r pada korelasi sederhana
(sebelumnya). Fungsinya untuk membandingkan, apakah sebelum diuji partial dan setelah, ada
perbedaan koefisien korelasi. 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.
Hasil koefisien korelasinya adalah 0,7636. Jika kita bandingkan dengan korelasi pada zero order, maka
terdapat perbedaan nilai r, disini agak menurun.
MODUL VII
ANALISIS REGRESI
A.
LINEAR REGRESSION
Linear regression (regresi linear) digunakan untuk melakukan pengujian hubungan antara
sebuah variabel dependent (tergantung) dengan satu atau beberapa variabel independent (bebas) yang
ditampilkan dalam bentuk persamaan regresi. Jika variabel dependent dihubungkan dengan satu
variabel independent saja, persamaan regresi yang dihasilkan adalah regresi linier sederhana (linear
regression). Jika variabel independent-nya lebih dari satu, maka persamaan regresinya adalah
persamaan regresi linear berganda (multiple linear regression).
Contoh aplikasi regresi sederhana
Dalam kasus ini kita akan melakukan suatu penelitian mengenai pengaruh besarnya
pengeluaran biaya selling (penjualan langsung), promosi dan advertensi terhadap tingkat
penjualan banyaknya unit terjual). Untuk pengujian regresi sederhana, maka yang akan diregresikan
hanya dua variabel saja, yakni antara satu variabel bebas (independent variable) dan satu variabel
terikat (dependent variable).
Misalnya, kita akan melakukan uji regresi antara variabel x1 (selling) terhadap y (unit penjualan).
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 axis.
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 taksiran
probability 0,05 (95%)
Klik OK
Maka hasil lengkapnya adalah sebagai berikut:
3.
Kesimpulan:
Dari hasil analisis regresi didapat harga t hitung sebesar 6,100. Sedang harga t tabel
dengan dk (12-2)=10 adalah 2,3060. Dengan demikian Ho ditolak dan Hi diterima. Dapat ditarik
kesimpulan bahwa memang terdapat pengaruh yang signifikan antara pengeluaran biaya untuk
selling dengan kenaikan tingkat penjualan sepeda motor.
Untuk pengujian ini dapat pula dilihat melalui nilai signifikansi, dimana Anda lihat
bahwa nilai signifikansi (sign) adalah 0,000. Mengingat 0,000 adalah <0,05 maka dapat
disimpulkan bahwa tingkat signifikansinya sangat tinggi.
B.
MULTIPLE REGRESSION
Jika pada analisa regresi sederhana kita hanya melihat pengaruh antara satu variabel
independen (bebas) terhadap satu variabel dependen (terikat), maka pada analisa multiple regresi
kita akan melihat pengaruh 3 variabel bebas terhadap satu variabel terikat. Langkah yang anda harus
lakukan adalah:
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 correlation,
colinearity diagnostic dan durbin waston.
Klik continue
Klik tombol plots, masukkan DEPENDENT pada kotak Y dan ADPRED pada kotak X. Pada
standarized residual plots anda klik histogram dan normal probability plot
Klik continue
Klik tombol save. Pada predicted value, Anda pilih unstandarized, standarized dan adjusted.
Pada residual, Anda pilih unstandarized dan standarized. Pada prediction intervall, Anda pilih
Mean dan Individual
Klik continue
Klik tombol option, lalu tetap pilih default, yakni use probability of F, entry 0,05
Klik continue
Klik OK
C.
PENGUJIAN NILAI T
Pengujian nilai t digunakan untuk menguji adakah pengaruh masing-masing variabel x1, x2 dan
x3 terhadap y. Sebelumnya pada hasil anova kita perhatikan proses pengujian apakah variabel x1, x2
dan 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 < 0,05
Ho: diterima, jika probabilitas > 0,05
3. Kesimpulan:
Jika diperhatikan hasil perhitungan harga t untuk variabel selling sebesar 3,338 dengan
probabilitas (signifikansi)= 0,010. Jadi probabilitas 0,01 masih dibawah 0,05. Dengan
demikian, Ho: ditolak. Dapat disimpulkan bahwa memang ada pengaruh x1 (selling) terhadap
y (penjualan).
Pengujian x2 terhadap y:
1. Hipotesis:
Ho: tidak terdapat pengaruh x2 terhadap y
Hi : terdapat pengaruh x2 terhadap y
2. 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 dengan
probabilitas (signifikansi)= 0,53. Jadi probabilitas 0,53 > 0,05. Dengan demikian, Ho:
diterima. Dapat disimpulkan bahwa tidak terdapat pengaruh x2 (promosi) terhadap y
(penjualan).
Pengujian x3 terhadap y:
1. Hipotesis:
Ho: tidak terdapat pengaruh x3 terhadap y
Hi : terdapat pengaruh x3 terhadap y
2. 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 advertensi sebesar 0,801 dengan
probabilitas (signifikansi)= 0,446 probabilitas 0,446 > 0,05. Dengan demikian, Ho: diterima.
Dapat disimpulkan bahwa tidak terdapat pengaruh x3 (advertensi) terhadap y (penjualan).
Latihan:
Berikut ini adalah contoh kasus untuk mengetahui bagaimana besarnya pengaruh dari variabel
independent (daerah, sales, iklan di koran, iklan di radio, banyaknya outlet dan salesman) terhadap
variabel dependen (sales).
Data Variable View
Nama Variabel
Daerah
Tipe
Numerik
Sales
Numerik
Iklan_ko
Iklan_ra
Outlet
Salesman
Numerik
Numerik
Numerik
Numerik
Data Editor
No. Daerah
1
Jakarta 1
2
Jakarta 2
3
Jakarta 3
4
Jakarta 4
5
Jakarta 5
6
Jakarta 6
7
Jakarta 7
8
Jawa Barat 1
9
Jawa Barat 2
10
Jawa Barat 3
11
Jawa Barat 4
12
Jawa Barat 5
13
Jawa Barat 6
14
Jawa Barat 7
15
Jawa Tengah 1
16
Jawa Tengah 2
17
Jawa Tengah 3
18
Jawa Tengah 4
19
Jawa Tengah 5
20
Jawa Tengah 6
21
Jawa Tengah 7
22
Jawa Tengah 8
Sales
300.12
312.25
362.02
400.25
412.60
423.00
320.14
366.25
451.29
430.22
265.99
254.26
352.16
365.21
295.15
354.25
415.25
400.23
423.22
452.62
512.33
435.23
Keterangan
Daerah penjualan roti dengan cakupan Jakarta,
Jawa Barat, Jawa Tengah dan Jawa Timur
Tingkat penjualan roti semua rasa (dalam
unit/bulan)
Iklan di koran (Juta Rupiah/bulan)
Iklan di Radio (Juta Rupiah/bulan)
Jumlah outlet perusahaan untuk setiap daerah
Jumlah salesman untuksetiap daerah.
Iklan_ko
26.23
25.12
29.80
34.55
33.45
32.26
23.45
34.76
40.12
36.21
25.89
22.98
36.25
36.87
22.41
26.25
36.99
32.79
33.98
23.21
44.98
35.99
Iklan_ra
12.23
12.88
15.26
14.23
13.02
13.56
12.03
15.26
14.32
13.33
12.05
15.26
12.89
12.45
13.44
13.67
19.25
18.78
16.59
18.45
13.45
15.78
Outlet
7
8
8
9
6
5
8
9
8
10
11
10
9
8
5
6
8
9
7
5
8
8
Salesman
4
3
2
1
4
2
3
3
2
5
4
1
5
5
2
2
5
2
2
3
5
3
23
Jawa Tengah 9
24
Jawa Timur 1
25
Jawa Timur 2
26
Jawa Timur 3
27
Jawa Timur 4
28
Jawa Timur 5
29
Jawa Timur 6
30
Jawa Timur 7
LATIHAN:
302.21
330.92
254.25
265.21
215.36
235.26
222.32
323.45
25.00
23.25
24.86
26.23
20.98
24.88
25.87
28.94
16.35
19.58
13.87
15.87
13.23
15.69
18.97
18.29
9
8
6
5
7
9
8
9
2
5
6
5
4
3
6
5
Manajer PT. Setia ingin mengetahui apakah kegiatan yang menunjang penjualan perusahaan
selama ini (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
MODUL VIII
CHI SQUARE TEST
Uji Chi Square (uji Chi-Kuadrat) yang seringkali bernotasi X 2 digunakan untuk melakukan
pengujian hipotesa terhadap proporsi relatif dari case yang dikelompokkan. Data yang sesuai
digunakan pada 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 minat
masyarakat dalam memilih stasiun TV yang akan mereka tonton. Secara acak dilakukan survey
terhadap 100 pemirsa TV.
DATA-9
Minat Masyarakat Menonton TV
Stasiun TV
TVRI
TPI
RCTI
SCTV
ANTV
INDOSIAR
JUMLAH
Klasifikasi/Kode
1
2
3
4
5
6
Frekwensi/Jumlah
8
14
16
19
21
22
100
Decimals Label
0
Nonton
TV
Values
Missing Columns Align
{1,TVRI..} None
8
Right
Contoh Aplikasi 1:
Untuk aplikasi ini anda gunakan file DATA-9, dengan langkah-langkah sbb:
1. Klik File DATA-9
Measure
Scale
2.
3.
4.
5.
6.
7.
8.
Klik Analyze
Klik Non-Parametric Test
Klik Chi-Square
Klik variabel minat dan masukkan pada kotak Test Variable List
Klik Option, pada Statistics, pilih Descriptive
Pada Missing Value tetap pilih default (Exclude test by test)
Klik OK
Jumlah
Numerik
Label
1= Kacang
2= Durian
3= Coklat
4= Susu
5= Nanas
No
1
2
3
4
5
Rasa
1
2
3
4
5
Jumlah
43
60
57
14
26
Kedua data (rasa dan jumlah) untuk analisis chi square dilakukan proses weight cases (pembobotan).
Maksudnya menghubungkan kode dengan jumlah. Misal kode 1 dihubungkan dengan angka sebelah,
yaitu 43. Hal ini berarti, jika diinput rasa kacang, otomatis SPSS menganggap jumlahnya 43 buah,
demikian untuk rasa lainnya.
Langkah pembobotan:
KASUS PERTAMA
Karena faktor yang berlainan, Manajer Cabang tersebut berpendapat seharusnya roti rasa
Durian dan Coklat lebih disukai konsumen. Untuk itu ia berasumsi 70% konsumen akan menyukai roti
Durian dan Coklat secara seimbang, sedangkan 30% akan menyukai roti kacang, susu dan nanas juga
secara seimbang.
Langkah-langkah:
1. Buka data Chi Square
2. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu Nonparametric Test, lalu
pilih Chi Square
Pengisian:
Test variable list atau variabel yang akan diuji. Pilih Rasa
Expected values, digunakan karena asumsi dalam nilai tertentu
Perhitungan:
70% senang durian dan coklat berimbang berarti
Durian : 35% x 200 = 70
Coklat : 35% x 200 = 70
30% senang kacang, susu dan nanas dengan berimbang, berarti:
Kacang: 10% x 200 = 20
Susu : 10% x 200 = 20
Nanas : 10% x 200 = 20
Catatan:
Isi kolom values dengan 20 (untuk kacang sesuai urutan pada data)
Otomatis tombol Add menjadi aktif. Klik tombol Add tersebut mana nilai 20 akan
masuk ke kotak bawah
Isi kolom values dengan nilai 70 (untuk durian sesuai urutan rasa ke dua di data)
MODUL IX
ONE SAMPLE KOLMOGOROF-SMIRNOF TEST
One-Sample Kolmogorf-Smirnof Test (Uji Kolmogorof Smirnof untuk satu sample) berguna
untuk menguji apakah suatu sampel berasal dari suatu populasi dengan distribusi tertentu, terutama
distribusi normal, uniform, dan poison.
Contoh kasus untuk aplikasi ini, misalnya, Anda akan menguji apakah data nilai sebanyak 20
orang mahasiswa berdistribusi normal. Nilai tersebut adalah sbb:
DATA-10
Data Nilai Mahasiswa
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Proses pembuatan data:
Nilai Mahasiswa
60
55
70
85
90
72
76
63
57
91
51
69
89
97
62
74
69
94
81
77
Values
None
Missing
None
Columns Align
8
Right
Measure
Scale
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. Jadi,
probabilitas (Sig.) 0,967 > 0,05. Dengan demikian, Ho: diterima dan Hi: ditolak. Dapat
disimpulkan bahwa distribusi nilai mahasiswa adalah normal.
MODUL X
TWO-INDEPENDENT-SAMPLE TEST
Two-Independent-Sample Test (Uji dua sampel independent) berguna untuk membandingkan
distribusi variabel dua buah group yang independent. Uji dua sample independent ini menyediakan 4
pilihan, 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
kepada mahasiswa Universitas Terbuka di wilayah DKI dan Sulsel ada bedanya (atau sama saja).
Jumlah sampel untuk mahasiswa DKI sebanyak 15 mahasiswa, sedangkan Sulsel hanya 17 mahasiswa.
Datanya adalah sebagai berikut:
DATA-11
Data Nilai Ekonomi Mahasiswa
NO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Proses pengisian data:
Nilai Mahasiswa
UT DKI
63
78
71
82
93
72
61
63
56
82
60
76
67
74
61
UT SULSEL
69
56
67
72
59
71
55
88
79
49
76
53
66
73
80
83
70
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
Sample 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. Hipotesis
Ho: Tingkat kepandaian (nilai) mahasiswa UT pada kedua wilayah adalah sama
H1: Tingkat kepandaian (nilai) mahasiswa UT pada kedua wilayah tidak sama
2. Ketentuan:
MODUL XI
TWO RELATED SAMPLES TEST
Uji two related samples test (uji dua sampel berhubungan) digunakan untuk melakukan
pembandingan distribusi dari dua variabel yang berhubungan.
Contoh kasus:
Misalkan akan menguji adakah perbedaan kecepatan mengetik dari para juru ketik.
DATA-12
Data Kecepatan Mengetik
NO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
9
10
12
13
11
8
15
16
12
9
8
12.5
13.6
14.3
10.1
9.7
12
13.7
14
15.2
16
12.6
7
6
8
9
8.9
7.8
8.9
10
11.2
12
13
12
10.4
9.7
8.6
7
8
9
9.7
10
11
12
23
24
25
26
27
28
29
30
11
10.3
9.8
13.5
14
15
16
11
13
8
9.4
10
8.9
7
11
12
Type
Width
Numeric 8
Ms.Word Numeric 8
Decimals Label
Values
2
Mengetik None
WS
2
Mengetik None
Ms Word
Measure
Scale
None
Scale
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 sebagai berikut:
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 0.05 (pengujian dua sisi):
Maka, Ho diterima jika: -1,96 Zh +1,96
Ho ditolak jika: Zh > +1,96 atau Zh < -1,96
Right
3. Keputusan
Dari hasil perhitungan diatas diperoleh nilai Z= -3,724. Jadi Z hitung berada diluar batas kritis
penerimaan Ho. Dengan kata lain, Zh -3,724 < nilai kritis Z -1,96. Dengan demikian Ho ditolak
dan H1 diterima. Kesimpulannya, terdapat perbedaan waktu mengetik secara signifikans antara
menggunakan 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 pilihan
Wilcoxon.
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 saja
Hi : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah tidak sama
2. Ketentuan
Dengan 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. Keputusan
Dari hasil perhitungan diatas diperoleh nilai Z= -3,834. Jadi Z hitung berada diluar batas
kritis penerimaan Ho. Dengan kata lain, Ho ditolak dan Hi diterima. Kesimpulannya, terdapat
perbedaan waktu mengetik secara signifikans antara menggunakan paket program WS dan Ms.
Word.
MODUL XII
K-INDEPENDENT-SAMPLES TESTS
K-Independent Samples Tests (uji k sample independent) digunakan untuk membandingkan
distribusi dua atau lebih group independent dari suatu variabel.
Contoh aplikasi:
Untuk memberikan contoh aplikasi uji K-sample independent, maka kita akan melihat hasil
suatu penelitian yang dilakukan oleh suatu perusahaan obat diet terkemuka di Indonesia. Lembaga
penelitian obat diet tersebut mencoba melakukan uji penurunan berat badan dengan beberapa cara,
yang dilakukan terhadap 25 wanita gemuk. Mereka mencoba melakukan 5 cara penurunan berat badan,
antara lain dengan: 1. Jalan pagi, 2. Senam pernafasan, 3. Aerobik, 4. Yoga dan 5. Obat diet yang
mereka ciptakan. Setelah satu bulan dilakukan terapi, maka dihitung penurunan berat badan mereka.
Hasil pernghitungan penurunan berat badan tersebut adalah sbb:
DATA 13
Data Penurunan Berat Badan
No
1
2
3
4
5
Aerobik
3,60
3,70
4,10
5,00
3,60
Obat Diet
3,50
3,20
4,50
2,90
3,10
Measure
Scale
Scale
Berat
2. Pengisian data
Langkah pengujian:
1. Anda buat DATA-13
2. Klik Analyze
3. Klik Non-Parametrik Test
4. Klik K-Independen samples test
5. Klik variabel berat dan masukkan ke kotak test variable list
6. Klik variabel cara dan masukkan ke kotak grouping variable
7. Klik define range, isikan ke kotak minimum dengan angka 1 dan kotak maksimum dengan
angka 5
8. Klik continue
9. Klik kruskal-wallis H dan Median
10. Klik option, pilih deskriptive
11. Klik continue
12. Klik OK
ANALISIS:
Uji Kruskall-Wallis
1. Hipotesis:
Ho: Tidak terdapat perbedaan rata-rata dari lima metode terhadap penurunan berat badan
Hi : 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 tabel
3. Keputusan:
Dari hasil perhitungan uji H (Kurskal-Wallis H) didapat harga 14,061. Sedang harga X 2
tabel dengan tingkat kepercayaan () 0.05 dengan dk= k-1= 5-1= 4, didapat harga= 9,488.
Karena X2 hitung 14,061 > X2 tabel 0.05= 9,488, maka Ho ditolak.
Dengan demikian dapat disimpulkan bahwa terdapat perbedaan penurunan berat badan melalui
kelima cara tersebut.
UJI MEDIAN
Pengujian Hipotesis Median:
1. Menentukan Hipotesis
Ho: Dua atau lebih sampel yang diambil berasal dari populasi yang memiliki median yang
sama
H1: Median yang berasal dari satu populasi tertentu berbeda dari populasi yang lainnya.
2. Ketentuan
Ho diterima jika X2 hitung X2 tabel dan
Ho ditolak jika X2 hitung > X2 tabel
Dengan menggunakan tingkat kepercayaan () 0.05 dengan dk= k-1= 5-1= 4, maka dari X 2
tabel didapat harga= 9,488
3. Keputusan
Dari hasil perhitungan uji median di atas didapat harga X2 hitung 10.577. Karena X2 hitung
10,557 > X2 tabel 0.05= 9,488. Jadi Ho ditolak. Dengan demikian dapat disimpulkan bahwa
sampel-sampel tersebut diperoleh dari populasi yang mempunyai median yang berbeda.
MODUL 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: Test Friedman, Kendalls W dan Cochrans Q.
Contoh kasus:
Penelitian ini dilakukan pada mahasiswa yang sama didalam satu kelas. Jumlah mahasiswa
terdapat 40 orang. Pada masing-masing 10 orang akan diberikan metode yang berbeda. Dengan
demikian, terdapat 4 metode mengajar yang akan diujikan.
DATA 14
Nilai Mahasiswa dari Berbagai Metode Mengajar
NO
1
2
3
4
5
6
7
8
9
10
Metode Mengajar
Ceramah
45
52
56
63
72
64
56
61
48
57
Tanya-jawab
71
61
59
63
72
65
59
63
58
70
Diskusi
81
72
73
68
64
58
66
75
76
80
Values
Tugas
78
80
79
69
76
90
75
86
78
67
ceramah Numeric 8
tanya
Numeric 8
diskusi
Numeric 8
tugas
Numeric 8
Metode
Ceramah
Metode
Tanyajawab
Metode
Diskusi
Metode
Tugas
None
None
Right Scale
None
None
Right Scale
None
None
Right Scale
None
None
Right Scale
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:
1. Hipotesis:
Ho: Tidak terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswa
Hi : Terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswa
2. Ketentuan
Ho diterima jika X2 hitung X2 tabel dan Ho ditolak jika sebaliknya.
3. Kesimpulan
Dari hasil perhitungan Friedman Test didapat harga Chi-Square (X 2) sebesar 18,735. Sedang
nilai X2 tabel 0.05 (dk3)= 9,488.
Karena X2 hitung 18,735 > X2 tabel 0.05 (dk3)= 9,488, maka Ho ditolak. Dengan demikian
dapat disimpulkan bahwa terdapat perbedaan pada keempat metode mengajar terhadap nilai
mahasiswa.
UNIVERSITAS SRIWIJAYA
PROGRAM ILMU KOMPUTER
SILABUS MATA KULIAH
1.
2.
3.
4.
5.
6.
RENCANA PERKULIAHAN
Pertemuan ke
1
2
Materi Pokok
Pendahuluan
Mengelola File
Transformasi Data
4
5
Statistik Deskriptif
Statistik Induktif
Aplikasi Correlate
7
8
Pokok Bahasan
Persiapan data, jenis data
Membuat file data baru
Mendefinisikan variabel
Memasukkan data
Menyimpan dan menghapus data
Mengcopy dan menyisipkan data
Perintah compute
Perintah count
Aplikasi Deskriptif
Means
One sample T Test
Independent Sample T Test
Paired sample T Test
One Way ANOVA
Bivariate correlation
Analisis korelasi partial
Analisis regresi sederhana
9
10
11
12
13
14
15