PENCANTAR PENCANTAR STAT!ST!KA STAT!ST!

KA
Pengertian Pengertian
Konsep Statistika Konsep Statistika
Skala Pengukuran Skala Pengukuran
Prosedur Pengolahan Data Prosedur Pengolahan Data
Jenis Uji Statistik Jenis Uji Statistik
Pembuatan dan Pengujian Hipotesa Pembuatan dan Pengujian Hipotesa
StatIstIk dan StatIstIka
StatIstIk (statstc) adalah blcnycn /ukurcnukurcn tertentu ang
dIperoleh melaluI proses perhItungan terhadap sekumpulan data ang
berasal darI sampel
StatIstIka (statstcs) adalah konsep dan metode ang bIsa dIgunakan
untuk mengumpulkan, menajIkan, dan mengInterpretasIkan data darI
kejadIan tertentu untuk mengambIl suatu keputusan/kesImpulan
dalam suatu kondIsI adana ketIdakpastIan
!arameter dan StatIstIk
W !arameter atau lengkapna parameter populasI adalah ukuran
ukuran tertentu ang dIgunakan sebagaI penggambaran suatu
populasI.
W StatIstIk atau statIstIk sampel adalah ukuranukuran tertentu ang
dIgunakan untuk menggambarkan suatu sampel
!45:as hImpunan ang lengkap dan sempurna darI semua unIt
penelItIan.
|Isal !eneIItIan tentang pendapatan petanI tembakau dI kabupaten X.
PopulasI Seluruh petanI tembakau ang ada dI kabupaten X,
!45:as Sam50
|Isal %empat peneIItIan : 3 kecamatan A, , dan C dI kabupaten X.
PopulasI sampel PetanI tembakau ang ada dI kecamatan
A, 8, dan C.
Sam50 hImpunan unIt penelItIan ang memberIkan InformasI atau
data ang dIperlukan dalam penelItIan.
Sampel merupakan hImpunan bagIan darI populasI.
|Isal Sampelna Hana petanI tembakau ang terpIlIh untuk dItelItI
setelah melaluI "proses samplIng".
Sam5ny SamplIng adalah suatu proses memIlIh n buah obek darI
sebuah populasI berukuran N.
STAT!ST!KA :
Kegiatan untuk :
- mengumpulkan data
- menyajikan data
- menganalisis data dengan metode tertentu
- menginterpretasikan hasil analisis
KECUNAAN
?
STAT!ST!KA DESKR!PT!F :
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan
STAT!ST!KA !NFERENS! :
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)
Nelalui fase
dan fase
Konsep Statistika
Statistika dan Netode !lmiah
NETODE !LN!AH :
dalah salah satu cara mencari kebenaran yang bila ditinjau dari segi
penerapannya, resiko untuk keliru paling kecil.
LANCKAHLANCKAH DALAN NETODE !LN!AH :
1. Nerumuskan masalah
2. Nelakukan studi literatur
3. Nembuat dugaandugaan, pertanyaanpertanyaan atau hipotesis
4. Nengumpulkan dan mengolah data, menguji hipotesis,
atau menjawab pertanyaan
S. Nengambil kesimpulan
PER! STT!ST!K
!!STRUNE!
SNPEL
vR!BEL
]E!!S DT
NETODE !L!S!S
DATA
Data Primer
1. Wawancara langsung
2. Wawancara tidak langsung
3. Pengisian kuisioner
Data Sekunder
Data dari pihak lain:
1. BPS
2. Bank !ndonesia
3. World Bank, !NF
4. FO dll
,9, Adalah fakta, atau angka atau segala sesuatu yang dapat dipercaya
kebenarannya sehingga dapat digunakan sebagai dasar menarik suatu
kesimpulan
Sumber data
Data intern Data yang bersumber dari dalam lembaga atau perusahaan itu sendiri
Data ekstern Data yang diperoleh dari sumber2 di luar lembaga atau perusahaan
Data ekstern dapat dibagi menjadi dua
Data primer Data yang dikumpulkan dan diolah sendiri oleh orang atau
organisasi yang menerbitkannya.
Data sekuder Data yang diterbitkan oleh organisasi yang bukan merupakan
pengolahnya
Data
%Ipe l JenIs 0ata
0ata kuaIItatIf dIperoleh melaluI pengamatan, mIsalna pelanggan sangat
puas/puas/bIasa/kurang puas/tIdak puas terhadap pelaanan FS A.
0ata kuantItatIf dIperoleh melaluI pengukuran, mIsalna PenerImaan bersIh FS
A bulan FebruarI 2011 900 juta.
ata kuantItatIf dIbedakan menjadI dua
0ata kuantItatIf dIskrIt Adalah karakterIstIk suatu varIabel ang berasal
darI proses penghItungan dan berupa bIlangan bulat
0ata KuantItatIf kontInyu Adalah katakterIstIk suatu varIabel ang
berasal darI proses pengukuran dan nIlaInIlaIna berada dalam suatu
Interval atau jangkauan tertentu. NIlaInIlaI data kuantItatIf kontInu
dapat berupa bIlangan pecahan ang tIdak terhIngga banakna.
DATA
Data Kualitatif
Data Kuantitatif
Data Diskret
Data Kontinu
1. ]enis kelamin
2. Warna kesayangan
3. sal suku, dll
1. ]umlah mobil
2. ]umlah staf
3. ]umlah Tv, dll
1. Berat badan
2. ]arak kota
3. Luas rumah, dll
SkaIa Rasio
Angka mempunyai sifat
nominal, ordinal dan
interval serta
mempunyai nilai absolut
dari objek yang diukur.
Contoh
bunga BCA 7% dan
bunga Mandiri 14%,
maka bunga Mandiri 2
kali bunga BCA.
SkaIa IntervaI
Angka mengandung
sifat ordinal dan
mempunyai jarak atau
interval.
Contoh
1. Saham sangat
prospektif dengan
harga saham Rp736 -
878,
2. saham prospektif
Rp592 - 735.
SkaIa OrdinaI
Angka mengandung
pengertian tingkatan.
Contoh
Ranking 1, 2, dan 3.
Ranking 1 menunjukkan
lebih tinggi dari ranking
2 dan 3.
SkaIa NominaI
Angka yang diberikan
hanya sebagai label
saja.
Contoh
pria = 1,
wanita = 2
SkaIa Pengukuran
'arIabeI
'arab0 Adalah karakterIstIk darI obek penelItIan ang
memIlIkI nIlaI bervarIasI.
|Isalna,
jenIs kelamIn lakIlakI dan perempuan.
Status ekonomI tInggI, sedang, rendah.
8erat badan 50 kg, 60 kg, 70 kg.
'arab0 0bas/lnd050nd0nt alam hubungan antar dua atau
lebIh varIabel, varIabel bebas merupakan varIabel ang dapat
mempengaruhI varIabel laInna.
|Isalna; varIabel X varIabel Y,
menggambarkan varIabel X mempengaruhI varIabel Y, maka X dIsebut varIabel bebas.
'arab0 Tak 0bas/0050nd0nt alam hubungan antar dua
atau lebIh varIabel, varIabel tak bebas merupakan varIabel ang
dIpengaruhI oleh varIabel laInna.
|Isalna; varIabel X varIabel Y,
menggambarkan varIabel Y dIpengaruhI oleh varIabel X, maka Y dIsebut varIabel tak
bebas
!rosedur !engoIahan 0ata :
A. !APAhE%EP 8erdasarkan parameter ang ada statIstIk dIbagI
menjadI
Statstka !aram0trk |etode penafsIran ang menetapkan asumsI
ang sangat ketat darI karakterIstIk populasI ang anggotana
dIambIl sebagaI sampel, dan dIharapkan statIstIk darI sampel, betul
2 bIsa mencermInkan pcrcmeter darI populasI.
AsumsI
Sampel harus dIambIl darI suatu populasI ang berdIstrIbusI normal.
JIka sampel dIambIl darI dua atau lebIh populasI ang berbeda, maka populasI tersebut
harus memIlIkI ;crcns d2) ang sama.
Hana untuk data berskala Interval dan rasIo memIlIkI nIlaI dalam bentuk numerIk atau
angka nata).
Statstka N4n5aram0trk statIstIka InferensIal/InduktIf ang tIdak
berlandaskan pada asumsIasumsI dI atas.
Ketatna asumsI statIstIka parametrIk, secara metodologIs sulIt dIpenuhI
oleh penelItIan bIdang Ilmu sosIal.
Sebab dalam kajIan sosIal
sulIt untuk memenuhI asumsI dIstrIbusI normal
kesamaan ;crcns d2),
banak data ang tIdak berbentuk numerIk, thana berupa skor rangkIng atau hana
bersIfat nIlaI kategorI.
. ]UNLAH vAR!AEL : berdasarkan jumlah variabel:
- nalisis UN!vAR!AT : hanya ada 1 pengukuran
(variabel) untuk n sampel atau beberapa variabel tetapi
masingmasing variabel dianalisis sendirisendiri.
Contoh : Kinerja seorang karyawan yg bekerja selama 8 tahun.
- nalisis NULT!vAR!AT : dua atau lebih pengukuran
(variabel) untuk n sampel di mana analisis antar
variabel dilakukan bersamaan.
Contoh : pengaruh kebijakan hutang dan kebijakan dividen
terhadap nilai perusahaan.
Pengolahan Data
NUL!
]umlah
variabel
?
nalisis
Univariat
nalisis
Nultivariat
]enis
Data ?
Statistik
Parametrik
Statistik
!on Parametrik
STU DU / LEB!H
!!TERvL
RS!O
!ON!!L
ORD!!L
Penyajian Data
TABEL
TabeI 1.1 Bidang Pekerjaan berdasarkan Latar BeIakang Pendidikan
Count
1 8 6 15
1 7 8
4 3 5 12
2 14 11 27
3 4 6 13
10 30 35 75
administrasi
personalia
produksi
marketing
keuangan
bidang
pekerjaan
Jumlah
SMU Akademi Sarjana
pendidikan
Jumlah
GRAFIK administrasi
personalia
produksi
marketing
keuangan
bidang pekerjaan
Pies show counts
embuat TabeI
TABEL memberikan informasi secara rinci. Terdiri atas kolom dan baris
TABEL
KOLOM
Kolom pertama LABEL
Kolom kedua .. n Frekuensi atau label
BARS Berisikan data berdasarkan kolom
Asal Wilayah
Pendapat tentang sertifikasi
]umlah
Sangat
perlu
Perlu Tidak
tahu
Tidak
perlu
Sangat
tdk
perlu
]awa Barat
]awa Tengah
]awa Timur
!TT
Papua
]umlah
TabeI TabuIasi SiIang
embuat 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)
S
u
m
b
u

t
e
g
a
k
1
2
3
4
1 2 3 4
Sumbu datar
0
Titik
pangkal
Jenis Grafik
Grafik Batang (Bar)
Grafik Garis (line)
Grafik Lingkaran (Pie)
Grafik nteraksi (nteractive)
bidang pekerjaan
keuangan marketing produksi personalia administrasi
C
o
u
n
t
30
20
10
0
bidang pekerjaan
keuangan marketing produksi personalia administrasi
J
u
m
l
a
h
30
20
10
0
keuangan
marketing
produksi
personalia
administrasi
prestasi kerja
sangat baik baik cukup baik jelek sangat jelek
M
e
a
n

g
a
j
i

p
e
r
b
u
l
a
n
800000
700000
600000
500000
400000
300000
Jenis kelamin
laki-laki
wanita
Jenis Grafik
Grafik Batang (Bar) Grafik Garis (Iine)
Grafik Iingkaran (pie)
Grafik Interaksi (interactive)
Frekuensi
FREKUENSI banyaknya data untuk satu kelompok/klasifikasi
KELONPOK FREKUENS!
Kelompok ke1 f1
Kelompok ke2 f2
Kelompok ke3 f3
Kelompok kei fi
Kelompok kek fk
k
n = fi
i=1
Pendidikan Frekuensi
S1 62
S2 13
S3 3
30
k
n = fi = f
1
+ f
2
+ f
3
+... + f
i
+ .. + f
k
i=1
DISTRIBUSI FREKUENSI mengelompokkan data interval/rasio dan
menghitung banyaknya data dalam satu kelompok/klasifikasi
Distribusi Frekuensi
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 Iog n
7
1. Menentukan panjang kelas dengan rumus
p = sebaran / banyak keIas 15/7 = 2
KELONPOK US!A FREKUENS!
20 - 21 11
22 - 23 17
24 - 2S 14
26 - 27 12
28 - 23 7
30 - 31 18
32 33 S
34 3S 1
US!A FREKUENS!
20 S
21 6
22 13
23 4
24 7
2S 7
26 7
27 S
28 3
23 4
30 1S
31 3
33 S
3S 1
Ukuran Tendensi SentraI
RATA-RATA suatu bilangan yang bertindak mewakili sekumpulan bilangan
RATA-RATA HITUNG (RERATA) jumlah bilangan dibagi banyaknya
X
1
+ X
2
+ X
3
+ . + X
n
n
n
Z Xi
i =1
n
X =
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki
frekuensi, maka rata-rata hitung menjadi
X
1
f
1
+ X
2
f
2
+ X
3
f
3
+ . + X
k
f
k
f
1
+ f
2
+ f
3
+ . + f
k
X =
k
Z X
i
f
i
i =1
k
Z f
i
i =1
Cara menghitung
Bilangan (X
i
) Frekuensi (f
i
) X
i
f
i
70 3 210
63 S 31S
8S 2 170
]umlah 10 63S
Maka X =
695
10
= 69.5
edian
EDIAN 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
odus
ODUS 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
!ilai Frekuensi
10 2
8 1
7 2
6 1
S 4
4 1
]umlah 11
!ilai Frekuensi
8 - 10 3
S - 7 7
2 - 4 1
]umlah 11
Mo X Me
+ -
Kurva positif apabila rata-rata hitung > modus / median
Kurva negatif apabila rata-rata hitung < modus / median
Ukuran Penyebaran
Rentang (range) : selisih bilangan terbesar dengan bilangan terkecil.
Sebaran merupakan ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan
dengan bilangan terbesar dan terkecil.
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
Contoh
X = 55
r = 100 10 = 90
UKURAN YANG MENYATAKAN HOMOGENTAS / HETEROGENTAS
1. RENTANG (Range)
2. DEVAS RATA-RATA (Average Deviation)
3. VARANS (Variance)
4. DEVAS STANDAR (Standard Deviation)
Rata-rata
Deviasi rata-rata
Deviasi Rata-rata penyebaran
Berdasarkan harga mutlak
simpangan bilangan-bilangan
terhadap rata-ratanya.
Nilai X X X ]X - X]
100 4S 4S
30 3S 3S
80 2S 2S
70 1S 1S
60 S S
S0 S S
40 1S 1S
30 2S 2S
20 3S 3S
10 4S 4S
]umlah 0 2S0
Nilai X X X ]X - X]
100 4S 4S
100 4S 4S
100 4S 4S
30 3S 3S
80 2S 2S
30 2S 2S
20 3S 3S
10 4S 4S
10 4S 4S
10 4S 4S
]umlah 0 330
Kelompok A Kelompok B
DR = 250 = 25
10
DR = 390 = 39
10
Makin besar simpangan,
makin besar nilai deviasi rata-rata
DR =
n
Z
i=1
|Xi X|
n
Rata-rata
Rata-rata
'arians & Deviasi Standar
'arians penyebaran berdasarkan
jumlah kuadrat simpangan bilangan-
bilangan terhadap rata-ratanya ;
melihat ketidaksamaan sekelompok data
s
2
=
n
Z
i=1
(Xi X)
2
n-1
Deviasi Standar penyebaran
berdasarkan akar dari varians ;
menunjukkan keragaman kelompok data
s =
\
n
Z
i=1
(Xi X)
2
n-1
Nilai X X X (X-X)
2
100 4S 202S
30 3S 122S
80 2S 62S
70 1S 22S
60 S 2S
S0 S 2S
40 1S 22S
30 2S 62S
20 3S 122S
10 4S 202S
]umlah 82S0
Nilai X X X (X -X)
2
100 4S 202S
100 4S 202S
100 4S 202S
30 3S 122S
80 2S 62S
30 2S 62S
20 3S 122S
10 4S 202S
10 4S 202S
10 4S 202S
]umlah 1S8S0
Kelompok A Kelompok B
s = \
8250
9
= 30.28 s = \
15850
9
= 41.97
KesimpuIan :
Kelompok A rata-rata = 55 ; DR = 25 ; s = 30.28
Kelompok B rata-rata = 55 ; DR = 39 ; s = 41.97
Maka data kelompok B lebih tersebar daripada kelompok A
Normalitas
Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap
sumbu yang melalui nilai ratarata
/ / s / 2s / 3s / s / 2s /3s
68
3S
33
- Lakukan uji normalitas
- Rasio Skewness S Kurtosis berada -2 sampai 2
Rasio =
- ]ika tidak berdistribusi normal, lakukan uji normalitas non parametrik
(Kolmogorof Smirnof, Wilcoxon, NannWhite, Tau Kendall)
Skewness = kemiringan
Kurtosis = keruncingan
nilai
Standard error
Statistics
PENJUALAN
60
0
80.48
1.717
79.00
62
13.300
176.898
.197
.309
-.659
.608
57
52
109
Valid
Missing
N
Mean
Std. Error of Mean
Median
Mode
Std. Deviation
Variance
Skewness
Std. Error of Skewness
Kurtosis
Std. Error of Kurtosis
Range
Minimum
Maximum
PENJUALAN
110 100 90 80 70 60 50
F
r
e
q
u
e
n
c
y
10
8
6
4
2
0
Histogram
Mean =80.48
Std. Dev. =13.3
N =60
Hipotesis
Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ,
berbentuk hipotesis penelitian dan hipotesis statistik (H0) ,
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
Uji t satu sampel (Uji t Satu SampeI (One SampIe t Test)
Nenguji apakah satu sampel sama/berbeda dengan ratarata
populasinya
Nisal: apakah karyawan yang bekerja selama 8 tahun memang lebih/
kurang / berbeda kinerjanya dibandingkan dengan karyawan lainnya.
Misalkan simbol nilai hipotesis dari rata-rata populasi adalah
h
. Tiga
pasang hipotesis nol tentang rata-rata suatu populasi dengan
hipotesis alternatifnya
a. Ho >
h
Ha >
h
uji sisi kanan
b. Ho <
h
Ha <
h
uji sisi kiri
c. Ho =
h
Ha =
h
uji dua sisi
Uji t dua sampel bebas (UJI BEDA T-TEST DENGAN SAPEL INDEPENDEN
(INDEPENDENT SAPLE T-TEST)
Jika kita menguji hipotesis perbedaan rata-rata dua populasi (
1
-
2
).
Misal, jika keuntungan bersih rata-rata tahun ini lebih besar / kurang /
berbeda dari pada tahun lalu.
Tiga pasangan hipotesis yang dapat terjadi
a. Ho
1
-
2
> 0 Ha
1
-
2
> 0 uji sisi kanan
b. Ho
1
-
2
< 0 Ha
1
-
2
< 0 uji sisi kiri
c. Ho
1
-
2
= 0 Ha
1
-
2
= 0 uji dua sisi
Uji t dua sampel berpasangan UJI BEDA T-TEST DENGAN SAPEL
BERHUBUNGAN (RELATED SAPLE T-TEST atau PAIRED SAPLES T-TEST)
Jika kita menguji hipotesis perbedaan rata-rata pada
observasi berpasangan.
Jika rata-rata produktivitas sesudah mengikuti pelatihan lebih besar /
kurang / berbeda daripada sebelum mengikuti pelatihan, perbedaan
rata-rata populasi D (sesudah dikurangi sebelum) lebih besar dari 0.
Dengan demikian tiga pasang hipotesis yang dapat terjadi.
a. Ho D > 0 Ha D > 0 uji sisi kanan
b. Ho D < 0 Ha D < 0 uji sisi kiri
c. Ho D = 0 Ha D = 0 uji dua sisi
Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak
bila Ho tidak terarah, maka pengujian signifikansi dua pihak
Pengujian
Pengujian signifikansi satu arah (hipotesis terarah): sisi kanan
]ika Ho ditolak, maka Ha diterima , daerah penolakan berada di sebelah kanan
Daerah penerimaan hipotesis Daerah
penolakan
hipotesis
S
Daerah penerimaan hipotesis Daerah
penolakan
hipotesis
S
Pengujian signifikansi satu arah (hipotesis terarah): sisi kiri
]ika Ho ditolak, maka Ha diterima , daerah penolakan berada di sebelah kiri
Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak
bila Ho tidak terarah, maka pengujian signifikansi dua pihak
Pengujian
Daerah penerimaan hipotesis
Daerah
penolakan
hipotesis
Pengujian signifikansi dua arah (hipotesis tidak terarah):
]ika Ho ditolak, maka Ha diterima , daerah penolakan bisa berada di sebelah kiri atau kanan
Daerah
penolakan
hipotesis
2.S
2.S
Uji t
Uji t : menguji apakah ratarata suatu populasi sama dengan suatu harga tertentu atau
apakah ratarata dua populasi sama/berbeda secara signifikan.
1. Uji t satu sampel (Uji t Satu SampeI (One SampIe t Test)
Nenguji apakah satu sampel sama/berbeda dengan
ratarata populasinya
- hitung ratarata dan std. dev (s)
- df = n - 1
- tingkat signifikansi ( = 0.02S atau 0.0S)
- pengujian apakah menggunakan 1 ekor atau 2 ekor
- diperoleh t hitung , lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak
t =
(/ 3)
s / Vn
u
Contoh :
Peneliti ingin mengetahui apakah karyawan yang bekerja selama 8 tahun memang
berbeda dibandingkan dengan karyawan lainnya.
Ho : p1 = p2
Diperoleh rata2 = 17.26 , std. Dev = 7.6 , df = 83 , t hitung = 11.SS
Berdasarkan tabel df=83 dan = 0.0S diperoleh t tabel = 1.387
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
karyawan yang bekerja selama 8 tahun secara signifikan berbeda dengan
karyawan lainnya
u
2. Uji t dua sampel bebas
Nenguji apakah ratarata dua kelompok yang tidak berhubungan sama/berbeda
u
t =
(X - Y)
Sxy
Di mana Sxy =
(Zx
2
Zy
2
) (1/n
x

1/n
y
)

(n
x
n
y
- 2)
Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan dosen antara dosen yang
lulusan S2 dengan yang lulusan S3
Ho : Pb = Pk
Diperoleh : rata2 x = 13S1613 , y = 2722222 , t hitung = 7.363
Berdasarkan tabel df=63 dan = 0.02S diperoleh t tabel = 1.994
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Ratarata penghasilan dosen yang S2 berbeda secara signifikan dengan
penghasilan dosen yang S3
. Uji t dua sampel berpasangan
Nenguji apakah ratarata dua sampel yang berpasangan sama/berbeda
t =
D
s
D
Di mana D = ratarata selisih skor pasangan
s
D
=
Z d
2
!(!1)
Z d
2
=
!
ZD
2
- (ZD)
2
Contoh :
Seorang dosen ingin mengetahui efektivitas model pembelajaran diskusi. 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 ratarata tes pertama dengan kedua.
Ho : !d = !c
Diperoleh rata2d = 66.28 , rata2c = 73.84 , t hitung = 8.304
Berdasarkan tabel df=163 dan = 0.0S diperoleh t tabel = 1.360
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
Terdapat perbedaan yang signifikan antara hasil tes pertama dengan
hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif
meningkatkan hasil belajar mahasiswanya
u

Uji Keterkaitan/ Korelasi

Korelasi : hubungan keterkaitan antara dua atau lebih variabel.
ngka koefisien korelasi ( r ) bergerak 1 _ r _ 1
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
POS!T!F
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
NECAT!F
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
Interval
KoeIisien
Tingkat
Hubungan
0,00 - 0,199 sangat rendah
0,20 - 0,399 rendah
0,40 - 0,599 Sedang
0,60 - 0,799 kuat
0,80 - 1,000 sangat kuat
Pedoman penafsiran
koefisien koreIasi
(Sugiyono, 2005)
1. KORELAS! 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
2. KORELAS! SPEARNAN
(rho) dan Kendall (tau):
Digunakan jika data variabel
ordinal (berjenjang atau peringkat).
Disebut juga korelasi non parametrik
angkah
AnaIIsIs:
1. UJI NDPhAI%AS
NIlaI sIgnIfIkansI KS masIh
jauh dI bawah = 0,05. nI
berartI semua varIable tIdak
terdIstrIbusI secara normal.
ata ang tIdak terdIstrIbusI
secara normal dapat
dItransformasI agar menjadI
normal, aItu dengan
mengubah menjadI bentuk
ln.
NIlaI sIgnIfIkansI KS sudah
dI atas = 0,05, artIna
semua varIable terdIstrIbusI
secara normal kecualI untuk
savIng. TetapI karena hana
satu varIabel ang tIdak
terdIstrIbusI secara normal,
maka analIsIs daat
dIlanjutkan.
One-SampIe KoImogorov-Smirnov Test
84 84 84 84
10.1670 12.2870 2.3294 4.2381
5.66135 17.09332 4.50294 1.44472
.184 .237 .302 .208
.184 .229 .272 .208
-.123 -.237 -.302 -.149
1.685 2.172 2.772 1.909
.007 .000 .000 .001
N
Mean
Std. Deviation
Normal Parameters
a,b
Absolute
Positive
Negative
Most Extreme
Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
income earns wealth saving
Test distribution is Normal.
a.
Calculated from data.
b.
One-SampIe KoImogorov-Smirnov Test
82 82 82 82
2.2126 1.7096 .0576 1.3968
.48221 1.50983 1.40135 .33507
.087 .105 .124 .207
.087 .053 .075 .147
-.075 -.105 -.124 -.207
.784 .953 1.120 1.874
.571 .323 .162 .002
N
Mean
Std. Deviation
Normal Parameters
a,b
Absolute
Positive
Negative
Most Extreme
Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
ln_income ln_earns ln_wealth ln_saving
Test distribution is Normal.
a.
Calculated from data. b.
. UjI AsumsI KIasIk
a. UjI huItIkoIonIerItas
8ertujuan untuk mengujI apakah model regresI dItemukan adana korelasI antar varIabel
bebas Independen). |odel regresI ang baIk seharusna tIdak terjadI korelasI dIantara
varIabel Independen.
Untuk mendeteksI ada tIdakna multIkolonIerItas dI dalam model regresI adalah
NIlaI F
2
sangat tInggI tetapI ujI t banak ang tIdak sIgnIfIkan.
Antar varIabel Independen ada korelasI ang cukup tInggI umumna dI atas 0,90).
NIlaI Tolerance 0,10 atau NIlaI varIance InflatIon factor 'F) 10.
HasIl perhItungan nIlaI Tolerance juga menunjukkan tIdak ada varIabel Independen ang
memIlIkI nIlaI Tolerance kurang darI 0,10 ang berartI tIdak ada korelasI antar varIabel
Independen ang nIlaIna lebIh darI 0,95.
HasIl perhItungan 'F juga menunjukkan hal ang sama tIdak ada satu varIabel
Independen ang memIlIkI nIlaI 'F lebIh darI 10.
oefficients
a
3.848 .862 4.466 .000 2.137 5.558
.840 .069 .771 12.195 .000 .703 .976 .886 .781 .539 .488 2.048
.059 .019 .179 3.081 .003 .021 .098 .673 .301 .136 .581 1.720
.009 .064 .007 .135 .893 -.119 .136 .383 .014 .006 .776 1.289
-.302 .168 -.081 -1.799 .075 -.636 .031 -.102 -.181 -.080 .968 1.033
(Constant)
EARNS
WEALTH
SAVNG
SZE
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig. Lower Bound Upper Bound
95% Confidence nterval for B
Zero-order Partial Part
Correlations
Tolerance VF
Collinearity Statistics
Dependent Variable NCOME
a.
b. UjI AutokoreIasI
UjI InI bertujuan mengujI dalam model regresI lInear apakah ada koreIasI antara kesaIahan
pengganggu pada perIode t dengan kesaIahan pengganggu pada perIode t-1 (sebeIumnya).
AutokorelasI InI muncul karena observasI ang berturutturut sepanjang waktu berkaItan satu
sama laInna.
Penebab utama tImbulna autokorelasI adalah kesalahan spesIfIkasI, mIsalna terabaIkanna
suatu varIabel pentIng atau bentuk fungsI ang tIdak tepat.
IujI dengan UjI urbInWatson W test).
Ketentuan pengambIlan keputusan
JIka 0 W dL, maka terjadI autokorelasI
JIka dL s W s dU, tIdak dapat dIketahuI terjadI autokorelasI atau tIdak
JIka 4 - dL W 4, maka terjadI autokorelasI
JIka 4 - dU s W s 4 - dL, tIdak dapat dIketahuI terjadI autokorelasI atau tIdak
JIka dU W 4 - dU, maka tIdak terjadI autokorelasI.
arI table |odel Summar, terlIhat nIlaI urbInWatson = 2,061.
W table dengan menggunakan nIlaI sIgnIfIkansI 0,05. Jumlah sampel n = 100, dan jumlah varIabel
odeI Summary
b
.902
a
.814 .807 2.45590 .814 104.211 4 95 .000 2.061
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
R Square
Change F Change df1 df2 Sig. F Change
Change Statistics
Durbin-
Watson
Predictors (Constant), SZE, EARNS, SAVNG, WEALTH
a.
Dependent Variable NCOME
b.
c. UjI HeteroskedastIsItas
UjI InI bertujuan mengujI apakah dala model regresI terjadI ketIdaksamaan varIance darI
resIduaI satu pengamatan ke pengamatan yang IaIn. Kebanakan data crossectIon
mengandung sItuasI heteroskedastIsItas karena data InI menghImpun data ang mewakIlI
berbagaI ukuran.
PemerIksaan terhadap gejala heteroskedastIsItas adalah dengan melIhat pola dIagram
pencar. JIka dIagram pencar ang ada membentuk polapola tertentu ang teratur maka
regresI mengalamI gangguan heteroskedastIsItas. JIka dIagram pencar tIdak membentuk pola
atau acak maka regresI tIdak mengalamI gangguan heteroskedastIsItas.
Iagram pencar dI atas ternata tIdak membentuk suatu pola ang teratur, sehIngga dapat
dIsImpulkan bahwa tIdak terjadI heteroskedastIsItas pada model regresI, dan laak dIpakaI
untuk memredIksI.
5 4 3 2 1 0 -1 -2
Regression Standardized Predicted 'aIue
4
3
2
1
0
-1
-2
R
e
g
r
e
s
s
i
o
n

S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
I
Dependent 'ariabIe: INOE
ScatterpIot
3. henIIaI Coodness of FIt hodeI,
PenIlaIan InI bertujuan untuk mengukur ketepatan fungsI regresI sampel dalam
menaksIr nIlaI aktual.
a. KoefIsIen 0etermInan (P

)
KoefIsIen determInasI F
2
) mengukur seberapa jauh kemampuan model dalam
menerangkan varIasI varIabel dependen. NIlaI koefIsIen determInan adalah
antara nol dan satu.
ApabIla hana terdapat satu varIabel Independen maka #

ang dIpakaI. TetapI

apabIla terdapat dua atau lebIh varIabel Independen maka dIgunakan d]usted
#

. SetIap tambahansatu varIabel Independen, maka #

pastI menIngkat tIdak
pedulI apakah varIabel tersebut berpengaruh secara sIgnIfIkan teerhadap
varIabel dependen. Sedangkan nIlaI d]usted #

dapat naIk atau turun apabIla
satu varIabel Independen dItambahkan ke dalam model.
8esarna nIlaI d]usted #

adalah 0,807, hal InI berartI 80,7 varIasI ncome
dapat dIjelaskan oleh varIasI darI ke empat varabel Independen SZE, EAFNS,
WEALTH dan SA'NC). Sedangkan sIsana 19,5 100 80,7) dIjelaskan oleh
sebabsebab ang laIn dIluar model.
b. UjI sIgnIfIkansI SImuItan (UjI StatIstIk F)
UjI statIstIk F adalah menunjukkan apakah semua varIabel Independen ang
dImaksud dalam model mempunaI pengaruh secara bersamasama terhadap varIabel
dependen.
engan membandIngkan probabIlItas pada tabel Anova tertulIs SIg) dengan taraf
natana 0,05 atau 0,01).
JIka probabIlItas 0,05 maka model dItolak
JIka probabIlItas 0,05 maka model dIterIma.
apat dIlIhat nIlaI F adalah 104,211 dengan probabIlIas 0,00. Karena probabIlItas
jauh lebIh kecIl darI 0,05, maka model regresI dapat dIgunakan untuk mempredIksI
NCD|E. Atau dapat dIkatakan bahwa SZE, EAFNS, WEALTH dan SA'NC secara
bersamasama berpengaruh terhadap NCD|E, dan bentuk persamaan regresI lInear
sudah tepat.
ANO'A
b
2514.175 4 628.544 104.211 .000
a
572.987 95 6.031
3087.162 99
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors (Constant), SZE, EARNS, SAVNG, WEALTH
a.
Dependent Variable NCOME
b.
c. UjI SIgnIfIkansI !arameter IndIvIduaI (UjI StatIstIk t)
UjI statIstIk t menunjukkan seberapa jauh pengaruh satu varIabel
penjelas/Independen secara IndIvIdual dalam menerangkan varIasI varIabel
dependen. Apakah varIabel Independen berpengaruh secara nata atau tIdak.
HIpotesIs
Ho = masIngmasIng varIabel Independen tIdak berpengaruh nata terhadap varIabel dependen.
Ha = masIngmasIng varIabel Independen berpengaruh nata terhadap varIabel dependen.
PengambIl keputusan dapat dIlakukan dengan melIhat probabIlItasna, aItu
JIka probabIlItas 0,05 maka model dItolak
JIka probabIlItas 0,05 maka model dIterIma.
arI table unstandardIzed beta coeffIcIents, darI keempat varIable Independent
ang dImasukkan ke dalam model regresI varIable SZE dan SA'NC tIdak
sIgnIfIkan. Hal InI dIlIhat darI probabIlItas sIgnIfIkansI untuk SZE sebesar 0,075
dan SA'NC sebesar 0,89J dan keduana jauh dI atas 0,05. Sedangkan EAFNS dan
WEALTH sIgnIfIkan pada 0,05. JadI dapat dIkatakan bahwa NCD|E dIpengaruhI
oefficients
a
3.848 .862 4.466 .000 2.137 5.558
.840 .069 .771 12.195 .000 .703 .976 .886 .781 .539 .488 2.048
.059 .019 .179 3.081 .003 .021 .098 .673 .301 .136 .581 1.720
.009 .064 .007 .135 .893 -.119 .136 .383 .014 .006 .776 1.289
-.302 .168 -.081 -1.799 .075 -.636 .031 -.102 -.181 -.080 .968 1.033
(Constant)
EARNS
WEALTH
SAVNG
SZE
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig. Lower Bound Upper Bound
95% Confidence nterval for B
Zero-order Partial Part
Correlations
Tolerance VF
Collinearity Statistics
Dependent Variable NCOME
a.
!ersamaan regresI:
NCD|E = J,848 - J02 SZE + 0,840 EAFNS + 0,059 WEALTH + 0,009 SA'NC
1,799) 12,195) J,081) 0,1J5)
Konstanta sebesar J,848 menatakan bahwa jIka varIable Independent dIanggap
konstan, maka ratarata Income keluarga sebesar J.848 rIbu dolar.
KoefIsIen regresI EAFNS sebesar 0,840 menatakan bahwa setIap penambahan gajI
kepala keluarga sebesar 1000 dolar akan menIngkatkan NCD|E keluarga sebesar
840 dolar.
KoefIsIen regresI WEALTH sebesar 0,059 menatakan bahwa setIap penambahan
kekaaan keluarga 1000 dolar akan menIngkatkan NCD|E keluarga sebesar 59
dolar.