BAB I PENDAHULUAN Data editor mempunyai dua fungsi utama: Input data yang akan diolah oleh SPSS

S 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. Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi oleh KASUS (seperti nama responden atau sampel) 1. SPSS menyediakan tujuh window, yang meliputi sebagai berikut: 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: Memberi informasi tentang variabel yang sekarang sedang dikerjakan Menjalankan scripts Mengatur tampilan menu-menu yang lain Window Menu Window berfungsi untuk berpindah diantara menu-menu yang ada di SPSS

 2.

Help Menu Help berfungsi untuk menyediakan bantuan informasi mengenai program SPSS yang bisa diakses secara mudah dan jelas. Menu Output Navigator Menu output pada prinsipnya sama dengan menu Editor seperti File, Edit, View, Analyze, Graphs, Utilities, Windows dan Help. Selain menu tersebut ada tambahan yaitu insert (untuk menyisipkan judul, grafik, teks atau obyek tertentu dari aplikasi lain dan format (untuk mengubah tata letak huruf output). Menu Pivot Table Editor Menu Pivot Table Editor berhubungan dengan pengerjaan tabel SPSS, seperti mentransformasi baris tabel menjadi kolom dan sebaliknya, memindah baris dan kolom tabel, groupping atau ungrouping tabel dan lainnya. Karena pengerjaan pivot table erat kaitannya dengan menu output navigator, yaitu sebagai tempat edit tabel hasil output, maka menu Pivot Table mempunyai sub menu yang hampir sama dengan Output Navigator, yaitu sebagai tempat edit tabel hasil output maka menu Pivot Table mempunyai submenu yang hampir sama dengan Output Navigator, yaitu: File, Edit, View, Insert, Format, Analyze, Graphs, Utilities, Window dan Help. Tambahan yang diberikan adalah menu PIVOT yang khusus digunakan untuk pengerjaan pivoting (mengubah status pivoting trays, pengerjaan multidimensional pivot table). Menu Chart Editor Menu ini juga merupakan tempat edit bagi output hasil pengerjaan data dimenu editor, hanya khusus untuk output berupa Grafik/Chart/Diagram. Chart editor dilengkapi dengan submenu seperti: Gallery Sub menu ini berfungsi untuk mengubah jenis Chart, seperti dari bentuk grafik batang ke bentuk Pie atau yang lainnya. Chart Untuk mengedit berbagai hal mengenai grafik, seperti Layout dan Labeling Grafik, skala grafik dan sebagainya. Series Untuk memilih kelompok data tertentu, transpose data atau menampilkan seri data. Menu Text Output Editor Sama dengan menu Pivot Table dan Chart, menu Text Output adalah bagian dari output SPSS, dengan fungsi untuk edit pada output yang berupa text atau tulisan. Isi submenu Text Output sama persis dengan menu Output Navigator. Menu Syntax Editor 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.

3.

4.

5.

6.

BAB II MENGELOLA FILE Membuat File Data Baru Langkah kerja: Klik File Klik New Klik Data Klik Enter Untuk membuat data baru pada file baru, maka kita akan memberikat contoh pengisian data berikut ini: Jenis Kel Riset Statistik SPSS IP No Nama X1 X2 X3 X4 Y 1 Diana Wanita 75 86 83 3,56 2 Andika Laki-laki 68 65 67 3,35 3 Laudita Wanita 65 56 78 3,10 4 Akin Wanita 55 60 75 2,78 5 Aris Laki-laki 70 77 65 1,50 6 Lina Wanita 90 80 87 3,80 7 Wiwik Wanita 80 82 90 2,78 8 Dani Laki-laki 85 85 80 3,45 9 Janka Laki-laki 90 78 75 1,56 10 Koko Laki-laki 78 80 90 2,90 Memasukkan dan Mendefinisikan Variabel Langkah kerja: 1. Klik SPSS 2. Setelah masuk pada kotak dialog awal SPSS, dimana secara default merujuk pada perintah Open an existing data source. Lalu Anda pilih cancel, maka akan masuk pada layar kerja yang kosong. Pada saat ini yang aktif adalah layar kerja untuk pengisian data (Data View). 3. Karena akan mendefinisikan variabel terlebih dahulu, maka Anda klik pilihan Variabel View (terletak dibawah layar). Maka layar kerja untuk Variabel view akan muncul sbb: Name Nama x1 x2 x3 x4 y Type Width String 15 Numeric 8 Numeric 8 Numeric 8 Numeric 8 Numeric 8 Decimals Label Nama 0 Jenis kelamin 0 Nilai Riset 0 Nilai Statistik 0 Nilai SPSS 2 Indek Prestasi Values {1,Laki -laki,..} None None None None Missing Columns Align 15 Left None 8 Left None None None None 8 8 8 8 Center Center Center Center Measure Nominal Ordinal Scale Scale Scale Scale

Variabel value Jenis Kelamin: 1= Laki-laki 2=Wanita Menyimpan Data Langkah kerja: Klik File Klik Save data: Tulis nama file: DATA-1 Tekan OK (enter) Menghapus Data Menghapus isi satu sel tertentu: Klik kotak sel yang akan dihapus Klik Edit Klik Cut/Clear Menghapus isi sel pada suatu kolom(variabel): Klik pada heading kolom (nama variabel) yang isinya akan dihapus Klik Edit Klik Cut/Clear Menghapus isi sel dalam satu baris: Klik nomor case yang akan dihapus dalam satu baris Klik Edit Klik Cut/Clear Mengcopy Data Mengcopy isi satu sel: Pilih sel yang akan dicopykan Klik Edit Klik Copy Pindahkan penunjuk sel pada sel yang akan dituju Klik Edit lagi Tekan Paste Menyisipkan Data Menyisipkan satu kolom untuk variabel, caranya: Pindahkan pointer pada kolom yang akan disisipi Klik Data Pilih Insert Variabel Menyisipkan baris Pindahkan pointer pada baris yang akan disisipi (letakkan pointer pada nomor case/baris) Klik Data Pilih Insert Case

BAB III TRANSFORMASI DATA Contoh praktis: Buka file DATA-1 Klik Data Klik Transpose Masukkan variabel:x1, x2, x3 dan x4 ke kotak variable(s) dengan cara menunjuk 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 Umur Status Penghasilan/bln Pengeluaran x1 x2 x3 y 25 Pegawai Rp. 750.000 Rp. 600.000 35 Swasta Rp.1.250.000 Rp.1.000.000 40 Pepetani Rp. 800.000 Rp. 400.000 56 Pegawai Rp. 900.000 Rp. 750.000 60 Pegawai Rp.1.500.000 Rp.1.200.000 33 Swasta Rp.2.500.000 Rp.2.000.000 45 Pepetani Rp. 600.000 Rp. 450.000 52 Swasta Rp.3.000.000 Rp.2.500.000 22 Pepetani Rp.1.750.000 Rp.1.250.000 18 Pepetani Rp.1.100.000 Rp.1.000.000

No. 1 2 3 4 5 6 7 8 9 10

Langkah memasukkan data ke dalam SPSS editor adalah sebagai berikut: 1. Aktifkan SPSS Editor (bisa dengan membuat data baru SPSS) 2. Klik variabel view untuk memberikan definisi mengenai variabel yang akan diisi beserta beberapa aturan terkait. 3. Isikan masing-masing variabel beserta aturan terkaitnya seperti dibawah ini:
Name x1 x2 x3 y Type Numeric Numeric Numeric Numeric Width 8 8 8 8 Decimals 0 0 2 2 Label Umur Status Penghasilan Pengeluaran Values None {1,Pepetani....} None None Missing None None None None Columns 8 8 10 10 Align Center Center Right Right Measure Scale Nominal Scale Scale

Value variabel x2: 1 = Pepetani 2 = Pegawai 3 = Swasta

PERINTAH COMPUTE Compute digunakan untuk membuat (menghitung) value-value suatu variabel baru atau dari variabelvariabel yang sudah ada pada file kerja Anda. Proses penghitungan dapat dilakukan terhadap semua case, juga terhadap case-case tertentu yang memenuhi fungsi logika. Contoh: Open File DATA-2 Klik transform Klik compute Pada kotak target variabel tulis target1 Pada kotak fungtion pilih SUM Masukkan satu persatu variabel x1, x2 dan x3 kedalam tanda kurung tersebut, kedalam kotak numerik expression.Perhatikan harus selslu anda tanda koma, jika memasukkan dua variabel atau lebih. Cara memasukkannya sbb: SUM(x1,x2,x3) OK Maka hasilnya sbb: X1 25 35 40 56 60 33 45 52 22 18 X2 2 3 1 2 2 3 1 3 1 1 X3 750000 1250000 800000 900000 1500000 2500000 600000 3000000 1750000 1100000 Y 600000 1000000 400000 750000 1200000 2000000 450000 2500000 1250000 1000000 Target1 750027,00 1250038,00 800041,00 900058,00 1500062,00 2500036,00 600046,00 3000055,00 1750023,00 1100019,00

PERINTAH COUNT Count berguna untuk menghitung jumlah cacah value dari semua variabel yang dikehendaki yang telah memenuhi syarat value yand didefinisikan. Contoh praktis operasi count: Buka file DATA-2 Klik transform Ketikkan COUNT pada kotak target Pindahkan variabel x3 dan y ke kotak variabel Klik define values Pilih Range;.....through....ketik 750000 through 1000000 Klik Add Klik continue Klik Ok

BAB IV STATISTIK DESKRIPTIVES Statistik deskriptif merupakan bidang ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penelitian. Aplikasi Frequencies Aplikasi ini digunakan untuk menyusun data yang jumlahnya relatif banyak kedalam suatu tabel frekuensi. Aplikasi SPSS: 1. Anda aktifkan SPSS editor dengan membuka file DATA-2 2. Klik menu utama analyze 3. Dari menu analyze tersebut, pilih deskriptif statistics 4. Pilih Frequencies, perintah frequencies digunakan untuk membuat tabel frekuensi, yang berisi cacah dari harga semua case pada variabel yang Anda daftar, prosentase case, prosentase valid dan prosentase kumulatif. Kotak Variable(s) berguna untuk mendaftar satu atau beberapa variabel dari kotak listing. Display frequency tables berguna untuk menampilkan tabel frekuensi. Contoh: Buka File DATA-2 Klik Analyze Pilih Descriptive Statistics Klik Frequencies Klik variabel x3 (penghasilan), masukkan ke kotak variable(s) Klik statistic, klik quartiles, mean, median, mode, sum, std deviation, variance, range, maximum, minimum, S.E.Means, Skewness, Kurtosis Klik Continue Klik Chart, pilih Bar Chart Klik Continue Klik Format OK

APLIKASI DESKRIPTIVES Perintah deskriptives digunakan untuk menampilkan deskripsi statistik univariat dari variabel numerik yang Anda daftar.

Contoh aplikasi praktis: Jenis Kelamin Pekerjaan Pendapatan (Rp) (x1) (x2) (x3) 1 Laki-laki Petani 650000 2 Laki-laki Pegawai 750000 3 Wanita Swasta 1450000 4 Wanita Petani 350000 5 Laki-laki Swasta 1500000 6 Wanita Pegawai 780000 7 Laki-laki Pegawai 2000000 8 Laki-laki Petani 750000 9 Laki-laki Swasta 1250000 10 Wanita Pegawai 1000000 11 Wanita Swasta 1250000 12 Wanita Petani 450000 13 Laki-laki Petani 550000 14 Laki-laki Petani 950000 15 Wanita Pegawai 950000 16 Laki-laki Petani 750000 17 Laki-laki Pegawai 475000 18 Wanita Swasta 1150000 19 Wanita Petani 450000 20 Laki-laki Swasta 780000 21 Wanita Pegawai 1375000 22 Laki-laki Pegawai 675000 23 Laki-laki Petani 450000 24 Laki-laki Swasta 1125000 25 Wanita Pegawai 1500000 26 Wanita Swasta 800000 27 Wanita Petani 450000 28 Laki-laki Petani 675000 29 Laki-laki Petani 560000 30 Laki-laki Petani 455000 Untuk data ketiga variabel tadi kita beri kode sbb: a. Jenis kelamin = Value 1 = laki-laki Value 2 = wanita b. Pekerjaan = Value 1 = petani Value 2 = pegawai Value 3 = swasta c. Pendapatan = Value 1 = rendah (<500000) Value 2 = sedang (500000-1000000) Value 3 = tinggi (>1000000) No

PROSES ANALISIS Contoh 1: Mencari Hubungan Jenis Kelamin (x1) dengan Pendapatan (x3) Untuk proses analisis Crosstab, maka lakukan langkah berikut ini: 1. Anda sedang aktif pada Data-3 Crosstab 2. Klik Analyze pada menu utama SPSS 3. Klik statistic deskriptive 4. klik crosstab 5. Masukkan x1 pada kotak rows 6. Masukkan x3 pada kotak colomns 7. Klik statistik, pilih chi square 8. Klik continue 9. Klik cells, lalu klik observed dan expected pada counts. Pada kotak pilihan prosentages, pilih:Row, Column dan Total 10. Klik continue 11. Klik OK, maka hasilnya sbb:

Bagian I: Crosstabs Bagian I ini merupakan ringkasan kasus, dimana semua kasus terdapat 30 sample (100%) dan tidak terdapat missing data. Bagian II: Sesuai dengan pilihan, maka pada bagian II diperlihatkan data objektif dan data expected baik dalam bentuk count maupun prosentase. Sebagai contoh, pada data jenis kelamin laki-laki: tampak pada baris dan kolom pertama terdapat 3 orang yang berpendapatan rendah, 10 orang berpendapatan sendang dan 4 orang berpendapatan tinggi. Ini merupakan data objektif (count). Sedang data/nilai harpan (expected count)nya adalah 3,4 untuk pendapatan rendah, 7,9 untuk pendapatan sedang dan 5,7 untuk pendapatan tinggi. Karena kita memilih prosentase, maka dalam hasil juga ditampilkan jumlah prosentasenya. Bagian III: Pada bagian III ini, SPSS menunjukkan hasi/output yang kita pilih yakni Chi-Square. Pada data hasil di atas, tampak bahwa nilai hitung C-Square adalah 2,482*. Cara Pembuktian Hipotesis: Rumusan Hipotesis: Ho : Tidak ada hubungan antara jenis kelamin dengan pendapatan H1 : Terdapat hubungan antara jenis kelamin dengan pendapatan Ketentuan: Jika X2 hitung < X2 tabel (df k-1 x k-1) = 2, Ho: diterima Jika X2 hitung > X2 tabel (df k-1 x k-1) = 2 , H1: diterima (Ho ditolak) Ketentuan: Dapat diperhatikan bahwa harga X2 tabel dengan df = 2, pada tingkat kepercayaan 95%= 5,991. Mengingat X2 hitung = 2,482 < X2 tabel 0,05 (df 2) = 5,991, maka Ho: diterima dan H1:ditolak. Kesimpulannya, bahwa tidak terdapat hubungan antara jenis kelamin dan pendapatan

BAB V STATISTIK INDUKTIF Compare Mean merupakan suatu analisis untuk membandingkan rata-rata dari dua populasi atau lebih 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 Anda aktif pada DATA-1 Klik Analyze Klik Compare Mean, lalu pilih Means Klik variabel y masukkan pada kotak dependent list Klik variabel x2 masukkan pada kotak independent list Klik option, lalu pilih Mean, Standard Deviation, Sum, Maximum, Variance Pada bagian Statistics for First Layer, pilih Anova Table dan Test for Linearity Klik continue Klilk OK ONE SAMPLE T TEST Uji One Sample T Test bisa digunakan untuk membandingkan rata-rata sample yang diuji dengan ratarata 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 merekmerek 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? Buatlah DATA-5 sbb: Variabel View
Name Lama Baru Type Numeric Numeric Width 8 8 Decimals 2 2 Label Umur baterey lama Umur Values None None Missing None None Columns 8 8 Align Right Right Measure Scale Scale

baterey XZ

Isilah data berikut: Lama 75 85 82 68 72 65 56 68 60 62 75 70 71 91 60 Baru 76 78 85 95 92 89 96 88 75 72 60 64 68 87 90

Langkah aplikasi uji one t test sbb: 1. Buka DATA-5 2. Klik Analyze 3. Klik Compare Means 4. Klik One Sample T test 5. Klik variabel lama, lalu masukkan pada kotak test variable(s) dengan mengklik tanda 6. Pada test value, tulis 80 (karena kita akan menguji rata-rata populasi) 7. Klik Options, maka akan tampak Convidence Intervall yang secara default = 95%. Tetap kita tentukan 95%, sebab biasanya pengujian adalah 95% 8. Klik continue 9. Klik OK Bagian I: Hasil pengolahan statistik pada bagian I menunjukkan hasil jumlah sampel dengan simbol N 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 Gender Kacang Durian Coklat Susu Nanas 1 0 250 300 298 325 100 1 1 234 320 254 312 150 1 1 220 324 315 450 60 1 0 245 315 387 500 94 1 1 281 400 200 268 65 1 0 220 420 145 351 102 2 1 256 398 256 245 94 2 1 238 375 200 221 95 2 1 210 364 214 621 64 2 1 310 325 269 235 120 2 0 287 410 254 214 113 2 0 254 425 Variable View Nama Variable Salesman Gender Kacang Durian Coklat Susu Nanas Tipe Numerik Numerik 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

Langkah-langkah: 1. Buatlah data penjualan roti diatas dan simpan dengan nama Roti_Sales 2. Pilih menu Analyze kemudian pilih submenu Compare Means, lalu pilih One Sample T Test Pengisian: Test Variabel(s) atau variabel yang akan diuji. Pilih Kacang Test Value. Karena akan diuji 333 buah, maka ketik 333. Klik tombol options Untuk confidence Interval atau tingkat keyakinan/kepercayaan. Sebagai default, SPSS menggunakan tingkat kepercayaan 95% atau tingkat signifikansi 100%-95%= 5%. Untuk missing value atau perlakukan terhadap data yang hilang (jika ada). Pilih Exclude cases analysis by analysis. Continue

OK

1. 2.

ANALISIS: Bagian I: Memberi ringkasan statistik dari variabel kacang, yaitu roti kacang terjual rata-rata 250,4167 buah dengan standar deviasi 29,8556 buah. Estimasi: Tingkat signifikansi () adalah 5% DF atau derajat kebebasan adalah n (jumlah data) 1 atau 12- 1= 11 Dari tabel t, didapat angka 2,2010 (untuk dua sisi). Bagian II: Hipotesis
Ho: Jumlah roti kacang yang dijual Deki tidak berbeda dengan rata-rata roti yang terjual H1: Jumlah roti kacang yang dijual Deki memang ada perbedaan dengan rata-rata roti yang terjual

Pengambilan keputusan a. Berdasarkan perbandingan t hitung dengan t tabel Jika t hitung > t tabel, maka Ho ditolak Jika t hitung < t tabel, maka Ho diterima T hitung dari output adalah -9,582 Sedangkan statistik tabel bisa dihitung pada tabel t: Tingkat signifikansi () adalah 5% DF atau derajat kebebasan adalah n (jumlah data) 1 atau 12-1= 11 Uji dilakukan dua sisi, karena akan diketahui apakah penjualan Deki sama dengan penjualan rata-rata selama ini ataukah tidak. Jadi bisa lebih besar atau lebih kecil. Karenanya dipakai uji dua sisi. Dari tabel t, didapat angka 2,2010 Karena t hitung terletak pada daerah Ho ditolak, maka penjualan Deki memang berbeda bila dibandingkan dengan penjualan rata-rata. b. Berdasarkan nilai probabilitas Jika probabilitas > 0.05, maka Ho diterima Jika probabilitas < 0.05, maka Ho ditolak Keputusan: Pada output tampak nilai probabilitas adalah 0,000. Karena probabilitas jauh dibawah 0,05 maka Ho ditolak, dengan kesimpulan yang sama dengan cara perbandingan t hitung dengan t test. INDEPENDENT SAMPLE T TEST Uji Independent sample T Test digunakan untuk menguji dua rata-rata dari dua sample yang independent (tidak terkait). Contoh Aplikasi 1: Untuk penerapan analisis independent sample T Test, maka kita akan menguji apakah terdapat perbedaan rata-rata indeks prestasi antara mahasiswa laki-laki dan perempuan pada tingkat kepercayaan 95%. Konstanta pengujian hipotesisnya adalah: Ho : 1 = 2 H1 : 1 2 Aktifkan file DATA-1 Klik Analyze Klik Compare Mean

Klik Independent Sample T Test Klik variabel y dan masukan ke kotak test variable(s) Klik x1 dan masukkan ke kotak Groupping variable Klik Define Groups, pada Group 1 tulis angka 1 dan pada group 2 tulis angka 2 Klik options, tetap pilih level of signifikans standard yakni 95% Klik continue Klik OK

b.

Hasilnya sebagai berikut: Bagian I: Anda perhatikan pada bagian pertama terdapat nilai mean untuk masing-masing group, yakni group laki-laki dan group wanita, dengan masing-masing n1= 5 case dan n2 = 5 case. Rata-rata indeks prestasi mahasiswa laki-laki = 2,4180, sedang untuk wanita 3,3380. Selain itu terdapat nilai standard deviasi dan standard error means. 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 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. Buka data Roti_Sales 2. Pilih menu Analyze kemudian pilih submenu Compare Means Pengisian: Test Variable(s) pilih Susu Grouping variable atau variabel bertipe kualitatif. Sesai kasus pilih salesman, kemudian variabel tersebut harus didefinisikan. Klik define group. Untuk group 1 isi dengan 1 dan untuk group 2, isi dengan 2 (angka min dan max suatu grup) Tekan continue Untuk kolom options, biarkan tingkat kepercayaan tetap 95%. Demikian juga dengan perlakuan terhadap missing value, yaitu tetap pada pilihan Excluded case analysis by analysis. Tekan continue Tekan Ok ANALISIS

Bagian I: Group Statistics Rata-rata penjualan roti untuk salesman berpendidikan sarjana adalah 367,6667 buah. Sedangkan untuk salesman berpendidikan akademi adalah 307,2 buah. Dengan data standar deviasi dan standar error, akan dianalisis apakah perbedaan tersebut memang nyata ataukah tidak. Bagian II: Independent Sample Test Ada dua tahapan analisis, yaitu: a. Dengan Levene Test, diuji apakah varians populasi kedua sampel tersebut sama ataukah berbeda b. Dengan t test dan berdasar hasil analisis nomor a, diambil suatu keputusan 1. Mengetahui apakah varians populasi identik ataukan tidak Hipotesis Ho: Kedua varians populasi adalah identik (varians populasi roti susu yang dijual salesman berpendidikan sarjana atau akademi adalah sama) H1: Kedua varians adalah tidak identik (varians populasi roti susu yang dijual salesman Berpendidikan sarjana atau akademi adalah berbeda. Pengambilan keputusan Dasar pengambilan keputusan: Jika probabilitas > 0.05 maka Ho diterima Jika probabilitas < 0.05 maka Ho ditolak Keputusan Terlihat bahwa F hitung dengan Equal Variance Assumed (diasumsikan kedua varians sama atau menggunakan pooled variance t test) adalah 1,334 dengan probabilitas 0,278. Karena probabilitas > 0.05 maka Ho diterima atau kedua varians adalah identik. PAIRED SAMPLE T TEST Paired Sample T Test berguna untuk melakukan pengujian terhadap 2 sample yang berhubungan 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. Pengisian variabel: Sebelum Treatmen 60 55 45 62 67 70 54 35 46 50 Setelah Treatmen 70 76 80 85 75 68 56 90 72 69

2.

Name Sebelum Sesudah

Type Numeric Numeric

Width 8 8

Decimals 2 2

Label Sblm lat komp Setlh lat komp

Value None None

Missing None None

Column 8 8

Align Left Left

Measure Scale Scale

Contoh aplikasi Paired Aktifkan file DATA-6 Klik Analyze Klik Compare Means Klik Paired-Sample T Test Klik 2 variabel, yakni sebelum dan setelah dan masukkan ke kotak Paired Variables Klik options..., tetap pilih interval 95% Klik continue Klik OK Hasilnya sbb: Bagian I: Pada output bagian I ini menunjukkan ringkasan dari kedua variabel, dimana terdapat jumlah sample (N), nilai rata-rata (means), std.deviasi dan std.error means. Sebagai contoh, untuk data sebelum latihan komputer adalah, N=10, Mean = 54,4000, std. deviations = 10,7827 dan std.error = 3,4098 dst. 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 sbb: 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. ONE WAY ANOVA 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 masing-

masing 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 2 3 4 5 6 7 8 9 10 NILAI METODOLOGI RISET (MR) Ceramah Diskusi 45 57 55 65 65 64 66 70 51 64 70 68 55 70 65 75 67 61 62 68 Tugas 70 72 75 80 85 91 99 89 86 90

Contoh praktis I (satu faktor) 1. Aktifkan DATA-7 2. Klik Analyze, pilih compare means, lalu pilih ONE WAY ANOVA 3. Klik variabel nilai dan masukkan pada kotak Dependent List 4. Klik variabel metode, masukkan pada kotak faktor 5. Klik contrasts 6. Klik polynomial 7. Tetap pilih linear (bisa juga anda coba memilih degree lainnya) 8. Isikan coeficients dengan urutan sbb: 0.5, 0.5 dan 1 (untuk memasukkan ketentuan ini, setiap menulis satu ketentuan lalu tekan add) 9. Klik continue 10. Klik tombol post hoc 11. Pilih LSD, Tukey, Ducan 12. Significance level tetap 0,005 13. Klik continue 14. Klik tombol Option 15. Pilih descriptives, Homogenity of variance dan means plot 16. Klik continue 17. Klik OK Hasil olah data sbb: Bagian I:

a. b.

Pada bagian I ini merupakan hasil perhitungan dari sub menu option, yang isinya berupa ringkasan dari data yang ada. Antara lain menyebutkan jumlah (N) data, rata-rata (means), std.deviasi, std.error, lower bound, upper bound, minimum dan maximum. Bagian II: Pada bagian kedua ini, diperlihatkan hasil tes homogenitas dari varians dengan menggunakan uji Levene Statistic. Tes ini berguna untuk mengecek apakah varians dari ketiga variabel adalah sama. Sebab, salah satu asumsi dasar dari anova adalah bahwa variannya haruslah sama. Prosedur pengujian: 1. Tentukan hipotesis Ho: Diduga bahwa ketiga varians adalah sama Hi : Diduga bahwa ketiga varians berbeda 2. Penentuan kesimpulan berdasarkan probabilitas Jika probabilitas (signifikans) > 0,05, maka Ho: diterima Jika probabilitas (signifikans) < 0,05, maka Ho: ditolak 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.

BAB VI APLIKASI CORRELATE 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 Penjualan (unit) Selling Promotion Advertensi (y) (x1) (x2) (x3) 12500000 8750000 5450000 600 11000000 7000000 4210000 540 9750000 3550000 4100000 465 7742500 4555000 3990000 430 5656800 2555000 3550000 421 4555000 3256600 2390000 350 6750050 3300000 4554000 480 5990000 2750000 4320000 400 4580000 2500000 3700000 320 5800500 4200000 5610000 400 7990000 4500000 4660000 521 4500000 3758000 3850000 250

Bulan Ke 1 2 3 4 5 6 7 8 9 10 11 12

Proses uji korelasi: Buatlah DATA-8 di atas Klik Analyze Klik correlate, pilih bivariate, maka akan muncul kotak dialog untuk mendaftar pasangan variabel yang akan dicari koefisien korelasinya. Terdapat 3 pilihan pada kotak correlation coeficients, yakni: Person: untuk melakukan analisis korelasi dengan metode person product moment Kendalls tau-b: digunakan untuk melakukan analisis korelasi non-parametrik dari metode kendall, yaitu ukuran asosiasi dari variabel bersifat ordinal. Spearman: digunakan untuk melakukan analisis korelasi non-parametrik dengan koefisien korelasi spearman. Korelasi ini juga sangat cocok untuk data yang bersifat ordinal Klik variabel x1, x2, x3 dan y, lalu masukkan ke kotak variable(s) dengan mengklik panah

Klik Pearson dan Speearman Klik Options, pilih Means and Standard Deviation Klik Continue Klik OK

Hasil olah data sebagai berikut: Analisis hasil Bagian I: Pada bagian ini merupakan hasil pilihan options. Dimana terdapat nilai rata-rata (mean) dari keempat variabel, nilai std. Deviation dengan jumlah sample (N) Bagian II: Pada bagian ini dikemukakan hasil perhitungan koefisien korelasi (r) untuk semua variabel yang dimasukkan dalam perhitungan. Anda dapat membaca satu persatu hubungan/korelasi tersebut. Untuk mengurutkan data, maka kita baca dari atas: 1. Hubungan/korelasi antara selling dengan penjualan= 0,888** 2. Hubungan/korelasi antara promotion dengan penjualan= 0,712** 3. Hubungan/korelasi antara advertensi dengan penjualan= 0,534 Penilaian/pengujian terhadap r: 1. Dengan melihat besarnya nilai r. Sebab semakin besar nilai r, yakni semakin mendekati angka 1, maka hal itu menunjukkan adanya hubungan yang sangat kuat. Bahkan ada yang membuat daftar mengenai tinggi-rendahnya nilai r, sebagai berikut ini: 0 - 0,20 = sangat rendah (hampir tidak ada hubungan) 0,21-0,40 = korelasi yang rendah 0,41-0,60 = korelasi sedang 0,61-0,80 = cukup tinggi 0,81-1,00 = korelasi tinggi 2. Dengan cara menguji probabilitas (tingkat signifikansi) dari hasil r Jika probabilitas r > 0,05, berarti Ho: diterima (tidak terdapat korelasi) Jika probabilitas r < 0,05, bararti Ho: ditolak (terdapat korelasi yang berarti) Pengujian pada probabilitas Korelasi antara x1 dan y: Jika diperhatikan hasil r = 0,888 dengan probabilitas (tingkat signifikansi) = 0,000 Jika probabilitas 0,000 < 0,05, dengan demikian Ho: ditolak Keadaan ini menunjukkan bahwa terdapat hubungan yang sangat erat antara pengeluaran biaya untuk selling dengan penjualan. Dari hasil r tersebut terdapat tanda dua bintang (**). Tanda ini menunjukkan bahwa hubungan tersebut sangat tinggi, yakni pada tingkat signifikans 0,01. Jika hanya satu bintang (*) maka hubungan tersebut dikatakan tinggi, yakni memang pada tingkat signifikansi 0,05. ANALISIS KORELASI PARTIAL 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: ANALISIS: 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.

BAB VII ANALISIS REGRESI 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: Bagian I: Descriptive Statistics

Pada bagian ini diperlihatkan deskripsi dari kedua variabel yang diregresikan. Yakni variabel y (tingkat penjualan) dengan x1 (selling). Isi deskripsi tersebut adalah: rata-rata (means), standard deviasi dan jumlah kasus (N). Seperti contoh, variabel penjualan memiliki rata-rata 431,42, standard deviasi 98,06 dan jumlah kasus ada 12. Demikian juga dengan variabel selling. Bagian II: Correlation Pada bagian dua ini, ditunjukkan hasil koefisien korelasi. Sebab, pada dasarnya dalam melakukan uji regresi perlu dicek lebih dahulu tingkat korelasinya. Dari hasil korelasi tampak bahwa korelasi antara selling dengan penjualan adalah 0,888, dengan tingkat signifikansi 0,000. Bagian III: Variables Entered/Removed Bagian ini menjelaskan tentang variabel yang dimasukkan, dimana semua variabel dimasukkan adalah variabel selling. Sedangkan variabel yang dikeluarkan (removed) tidak ada. Bagian IV: Model Summary Pada bagian ini ditampilkan nilai R, R2, Adjusted R2 dan std.error. Dimana nilai koefisien determinasi R2 (R Square) sebesar 0,788. R2 ini merupakan indeks determinasi, yakni prosentase yang menyumbangkan pengaruh x1 terhadap y. R2 sebesar 0,788 menunjukkan pengertian bahwa sebesar 78,8% sumbangan pengaruh x1 (selling) terhadap y (penjualan), sedang sisanya sebesar 21,2% dipengaruhi oleh faktor lain. Bagian V: Anova Pada bagian ini ditampilkan tabel analisis varians (ANOVA). Uji anova sebenarnya digunakan untuk menguji ada tidaknya pengaruh beberapa variabel independent terhadap variabel dependent. Dengan demikian lebih tepat untuk diterapkan pada analisis multiple regression (regresi berganda). Sedang untuk analisis regresi sederhana cukup digunakan uji t. Sekalipun demikian, jika kita hendak menjelaskan arti nilai F, maka dapat dijelaskan bahwa nilai F sebesar 37,205 dengan tingkat signifikans 0,000 menunjukkan bahwa memang terdapat pengaruh variabel x1 (selling) terhadap y (penjualan) dengan sangat nyata (0,000). Bagian VI: Coefficiens Pada bagian ini dikemukakan nilai koefisien a dan batu baterey serta harga t-hitung serta tingkat signifikansi. Dari tabel diatas didapat persamaan perhitungan sbb: Y = 193,526 + 3,288X Dimana: Y= tingkat penjualan X= selling Haga 193,526 merupakan nilai konstanta (a) yang menunjukkan bahwa jika tidak ada pengeluaran biaya untuk selling, maka tingkat penjualan akan mencapai 193 unit sepeda motor. Sedang harga 3,288X merupakan kokefisien regresi yang menunjukkan bahwa setiap adanya upaya penambahan sebesar Rp. 1, untuk biaya selling, maka akan ada kenaikan penjualan sebesar 3,288 (dibulatkan 3) unit sepeda motor. Angka 0,888 pada standarized coefficients (beta) menunjukkan tingkat korelasi antara selling dan tingkat penjualan. Sedang nilai t merupakan nilai yang berguna untuk pengujian, apakah pengaruh x1 (selling) terhadap y (tingkat penjualan) benar-benar signifikan atau tidak. Proses pengujian t adalah sbb: 1. Hipotesis: Ho: Koefisien regresi tidak signifikan Hi: Koefisien regresi adalah signifikan

2. Ketentuan (berdasarkan nilai t) Jika t hitung > t tabel 0,05, maka Ho ditolak Jika t hitung < t tabel 0,05, maka Ho diterima 3. Kesimpulan: Dari hasil analisis regresi didapat harga t hitung sebesar 6,100. Sedang harga t tabel 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. Contoh aplikasi: 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 Maka hasilnya sbb: Analisis hasil: Bagian I: Descriptive statistics Pada bagian ini diperlihatkan deskripsi dari semua variabel yang diregresikan. Yakni variabel y (tingkat penjualan) sebagai variabel dependent, variabel x1 (selling), x2 (promotion) dan x3 (advertensi) sebagai variabel independen. Isi deskripsi tersebut adalah; rata-rata (means), standard deviasi dan jumlah kasus (N). Sebagai contoh, variabel penjualan memiliki rata-rata 431,42, standar deviasi 98,06 dan jumlah kasus 12

Bagian II: Correlation Pada bagian ini ditunjukkan hasil koefisien korelasi untuk semua variabel. Koefisien korelasi antara selling (x1) terhadap penjualan (y)= 0,888 dengan tingkat signifikansi = 0,000. Jika diperhatikan besarnya angka r yakni 0,888 dan tingkat signifikansi 0,000, maka keadaan ini menunjukkan adanya korelasi positif yang sangat signifikans. Koefisien korelasi antara promotion (x2) terhadap penjualan (y)= 0,712 dengan tingkat signifikansi= 0,005. Pada kasus kedua ini juga menunjukkan adanya korelasi positif yang sangat signifikans. Koefisien korelasi antara advertensi (x1) terhadap penjualan (y)= 0,534 dengan tingkat signifikansi= 0,037. Pada kasus ketiga ini juga menunjukkan adanya korelasi positif yang sangat signifikans. Bagian III: Variables Entered/Removed Variabels entered/removed fungsinya untuk menunjukkan jumlah variabel yang dimasukkan (entered) dalam analisis dan yang dikeluarkan (removed) karena sesuatu hal. Dapat anda lihat bahwa semua variabel bebas dimasukkan dan tidak ada yang dikeluarkan. Bagian IV: Model Summary Pada bagian ini ditampilkan nilai R, R2, Adjusted R2, Std.Error dan Durbin Watson. Dimana nilai R (besar) yang menunjukkan gabungan korelasi ketiga variabel bebas x1, x2, x3 terhadap y adalah sebesar 0,900. Sedang R2 (indek determinasi) adalah 0,809. Hal ini menunjukkan bahwa sumbangan dari pengaruh secara bersama-sama (multiple regression) antara x1, x2, dan x3 terhadap y adalah sebesar 90%. Selebihnya sebesar 10% dipengaruhi oleh faktor lain. Kemudian nilai standard error adalah 60,19. Selain itu diperlihatkan hasil Durbin Watson yakni sebesar 1,795. Bagian V: Anova Pada bagian ini ditampilkan tabel analisis varians (ANOVA). Uji anova digunakan untuk menguji ada tidaknya pengaruh ketiga variabel independen terhadap variabel dependen (multiple regression). Untuk pengujian F test (Anova) bisa dilakukan dengan dua cara, yakni dengan melihat tingkat signifikansi dan dengan membandingkan F hitung dengan F Tabel. Pengujian dengan memperhatikan tingkat signifikansi: 1. Hipotesis Ho: tidak terdapat pengaruh x1, x2 dan x3 terhadap y Hi : terdapat pengaruh x1, x2 dan x3 terhadap y 2. Ketentuan Jika probabilitas < 0,05, maka Ho: ditolak Jika probabilitas > 0,05, maka Ho: diterima 3. Kesimpulan Dapat anda perhatikan bahwa tingkat signifikansi (sig) pada tabel anova adalah 0,003. Jadi probabilitas 0,003 < 0,05. Dengan demikian, Ho: ditolak dan Hi: diterima. Dapat disimpulkan bahwa ketiga variabel x1, x2 dan x3 secara bersama memang berpengaruh terhadap y. Dengan demikian, faktor penjelas x1, x2, x3 dapat digunakan untuk memprediksi y. Pengujian dengan membandingkan F hitung dengan F tabel 1. Hipotesis Ho : tidak terdapat pengaruh x1, x2 dan x3 terhadap y H1 : terdapat pengaruh x1, x2 dan x3 terhadap y 2. Ketentuan Jika F hitung > F tabel, maka Ho: ditolak Jika F hitung < F tabel, maka Ho: diterima 3. Kesimpulan

Anda perhatikan bahwa harga F pada tabel anova diatas adalah 11,331. Sedang F tabel (0,05), (numerator= 3 dan denumerator= 8) adalah 4,7571. Jadi F hitung > F tabel (0,05). Dengan demikian, Ho: ditolak dan H1: diterima. Dapat ditarik kesimpulan bahwa ketiga variabel x1, x2 dan x3 secara bersama-sama berpengaruh terhadap variabel y. Oleh karenanya ketiga variabel tadi dapat digunakan untuk memprediksi variabel y. Bagian VI: Coefficients Pada bagian ini dikemukakan nilai koefisien a dan b serta harga t-hitung serta tingkat signifikansi. Selain itu, terdapat pula partial correlation dan colinearity statistics. Persamaan model: Dari hasil perhitungan diatas, maka dapat dibuatkan model persamaannya yakni: Y = 141,461 + 3,632 x1 1,0206 x2 + 1,6738 x3. Cara membaca persamaan diatas adalah: Harga 141,461 merupakan nilai konstanta (a) yang menunjukkan bahwa jika tidak ada pengeluaran biaya untuk selling, promosi dan advertensi, maka tingkat penjualan akan mencapai 141,463 unit sepeda motor. Nilai 3,632 x1 merupakan koefisien regresi, yang menunjukkan bahwa setiap adanya upaya penambahan sebesar satu satuan biaya untuk selling, maka akan ada kenaikan penjualan sebesar 3,632 (dibulatkan 4) unit sepeda motor. Nilai -1,0206 x2 merupakan koefisien regresi, yang menunjukkkan bahwa setiap adanya upaya penambahan sebesar satu satuan untuk biaya promosi, maka akan ada penurunan penjualan sebesar 1,0206 (dibulatkan 1) unit sepeda motor. Nilai 1,6738 x3 merupakan koofisien regresi, yang menunjukkan bahwa setiap adanya upaya penambahan sebesar satu satuan biaya untuk advertensi, maka akan ada kenaikan penjualan sebesar 1,6738 (dibulatkan 2) unit sepeda motor. 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. 1. 2. 3. Pengujian x1 terhadap y: Hipotesis: Ho: tidak terdapat pengaruh x1 terhadap y Hi : terdapat pengaruh x1 terhadap y Ketentuan: (berdasarkan probabilitas) Ho: ditolak, jika probabilitas < 0,05 Ho: diterima, jika probabilitas > 0,05 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: Hipotesis: Ho: tidak terdapat pengaruh x2 terhadap y Hi : terdapat pengaruh x2 terhadap y Ketentuan: (berdasarkan probabilitas) Ho: ditolak, jika probabilitas < 0,05 Ho: diterima, jika probabilitas > 0,05

1. 2.

3.

1. 2. 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: Hipotesis: Ho: tidak terdapat pengaruh x3 terhadap y Hi : terdapat pengaruh x3 terhadap y Ketentuan: (berdasarkan probabilitas) Ho: ditolak, jika probabilitas < 0,05 Ho: diterima, jika probabilitas > 0,05 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 Tipe Keterangan Daerah Numerik Daerah penjualan roti dengan cakupan Jakarta, Jawa Barat, Jawa Tengah dan Jawa Timur Sales Numerik Tingkat penjualan roti semua rasa (dalam unit/bulan) Iklan_ko Numerik Iklan di koran (Juta Rupiah/bulan) Iklan_ra Numerik Iklan di Radio (Juta Rupiah/bulan) Outlet Numerik Jumlah outlet perusahaan untuk setiap daerah Salesman Numerik Jumlah salesman untuksetiap daerah.

No. 1 2 3 4 5 6 7 8 9 10 11

Daerah Jakarta 1 Jakarta 2 Jakarta 3 Jakarta 4 Jakarta 5 Jakarta 6 Jakarta 7 Jawa Barat 1 Jawa Barat 2 Jawa Barat 3 Jawa Barat 4

Sales 300.12 312.25 362.02 400.25 412.60 423.00 320.14 366.25 451.29 430.22 265.99

Data Editor Iklan_ko Iklan_ra 26.23 12.23 25.12 12.88 29.80 15.26 34.55 14.23 33.45 13.02 32.26 13.56 23.45 12.03 34.76 15.26 40.12 14.32 36.21 13.33 25.89 12.05

Outlet 7 8 8 9 6 5 8 9 8 10 11 4 3 2 1 4 2 3 3 2 5 4

Salesman

12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Jawa Barat 5 Jawa Barat 6 Jawa Barat 7 Jawa Tengah 1 Jawa Tengah 2 Jawa Tengah 3 Jawa Tengah 4 Jawa Tengah 5 Jawa Tengah 6 Jawa Tengah 7 Jawa Tengah 8 Jawa Tengah 9 Jawa Timur 1 Jawa Timur 2 Jawa Timur 3 Jawa Timur 4 Jawa Timur 5 Jawa Timur 6 Jawa Timur 7

254.26 352.16 365.21 295.15 354.25 415.25 400.23 423.22 452.62 512.33 435.23 302.21 330.92 254.25 265.21 215.36 235.26 222.32 323.45

22.98 36.25 36.87 22.41 26.25 36.99 32.79 33.98 23.21 44.98 35.99 25.00 23.25 24.86 26.23 20.98 24.88 25.87 28.94

15.26 12.89 12.45 13.44 13.67 19.25 18.78 16.59 18.45 13.45 15.78 16.35 19.58 13.87 15.87 13.23 15.69 18.97 18.29

10 9 8 5 6 8 9 7 5 8 8 9 8 6 5 7 9 8 9

1 5 5 2 2 5 2 2 3 5 3 2 5 6 5 4 3 6 5

Latihan: 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? 1. 2. Langkah-langkah: Buka data Regresi Pilih menu Analyze kemudian submenu Regression, lalu pilih linear Pengisian: Dependent atau variabel tergantung. Pilih variabel sales Independen(s) atau variabel bebas. Pilih variabel iklan_ko, iklan_ra, outlet dan salesman Case labels atau keterangan pada kasus. Pilih variabel daerah Method, pilih Enter Abaikan bagian yang lain OK ANALISIS: 1. Model Summary Angka R sebesar 0,869 menunjukkan bahwa korelasi/hubungan antara Sales dengan 4 variabel independentnya adalah kuat Angka R Square atau koefisien Determinasi adalah 0,755, namun untuk jumlah variabel independent lebih dari dua lebih baik digunakan Adjusted R square, adalah 0,716. Hal ini berarti 71,6% variasi dari sales bisa dijelaskan oleh variasi dari keempat variabel independent. Sedangkan sisanya (100%-

71.6%= 28.4%) dijelaskan oleh sebab-sebab lain. Standard error of estimate (SEE) adalah 41.58 atau Rp.41.58 juta/bulan (satuan yang dipakai adalah variabel dependent/sales) 2. Anova Dari uji ANOVA atau F test, didapat F hitung adalah 19,298 dengan tingkat signifikansi 0.000. Karena probabilitas (0.000) jauh lebih kecil dari 0.05, maka model regresi bisa dipakai untuk memprediksi sales. Atau bisa dikatakan, iklan di koran, iklan di radio, jumlah outlet dan jumlah salesman secara bersama-sama berpengaruh terhadap sales. 3. Koefisien Regresi Persamaan Regresi: Sales= 100,123 + 10,913 iklan_ko + 4,966 iklan_ra 13,275 outlet 13,988 salesman Konstanta sebesar 64,639 menyatakan bahwa jika tidak ada iklan, outlet ataupun salesman yang bertugas, sales adalah Rp.100.123 juta/bulan Koefisien regresi 10,913 menyatakan bahwa setiap penambahan Rp.1, biaya iklan di koran akan meningkatkan sales sebesar Rp.10,913 Koefisien regresi 4,966 menyatakan bahwa setiap penambahan Rp.1, biaya iklan di radio akan meningkatkan sales sebesar Rp. 4,966 Koefisien regresi -13,275 menyatakan bahwa setiap penambahan 1 unit outlet akan mengurangi sales sebesar Rp.13,275 Koefisien regresi -13,998 menyatakan bahwa setiap penambahan 1 orang salesman akan mengurangi sales sebesar Rp.13,988. Hipotesis: Ho = Koefisien regresi tidak signifikan H1 = Koefisien regresi signifikan Dasar Pengambilan Keputusan (berdasarkan probabilitas) Jika probabilitas > 0,05 maka Ho diterima Jika probabilitas < 0,05 maka Ho ditolak Keputusan: Terlihat bahwa pada kolom Sig/significance: Variabel iklan_ko, outlet dan salesman mempunyai angka signifikansi dibawah 0,05, karena itu, ketiga variabel independent tersebut memang mempengaruhi sales. Variabel iklan_ra dan konstanta mempunyai angka signifikansi di atas 0,05, karena itu, kedua variabel tersebut tidak mempengaruhi sales. Dengan demikian, variabel iklan_ra dikeluarkan dari model regresi

BAB VIII CHI SQUARE TEST Uji Chi Square (uji Chi-Kuadrat) yang seringkali bernotasi X2 digunakan untuk melakukan 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 Klasifikasi/Kode Frekwensi/Jumlah TVRI 1 8 TPI 2 14 RCTI 3 16 SCTV 4 19 ANTV 5 21 INDOSIAR 6 22 JUMLAH 100 Buatlah value label: 1= TVRI 2= TPI 3= RCTI 4= SCTV 5= ANTV Pengisian Data: Name Type Width Decimals Label Values Missing Columns Align Measure

Minat

Numeric

Nonton TV

{1,TVRI..}

None

Right

Scale

Contoh Aplikasi 1: Untuk aplikasi ini anda gunakan file DATA-9, dengan langkah-langkah sbb: 1. Klik File DATA-9 2. Klik Analyze 3. Klik Non-Parametric Test 4. Klik Chi-Square 5. Klik variabel minat dan masukkan pada kotak Test Variable List 6. Klik Option, pada Statistics, pilih Descriptive 7. Pada Missing Value tetap pilih default (Exclude test by test) 8. Klik OK Analisis hasil olah data: 1. Hipotesis Ho: Masyarakat memiliki minat menonton yang sama terhadap 6 stasiun TV H1: Masyarakat memiliki minat yang berbeda terhadap 6 stasiun TV 2. Ketentuan Jika X2 hitung > X2 tabel 0.05 dk (k-1, maka Ho: ditolak Jika X2 hitung < X2 tabel 0.05 dk (k-1, maka Ho: diterima 3. Kesimpulan Diketahui harga X2 tabel dengan 0.05 dengan dk= 6-1= 5 adalah 11,0705 sedang harga X2 hitung yang diperoleh adalah 7,280. Jadi X2 hitung= 7,280 < X2 tabel 0.05 dk 3= 11,0705. Dengan demikian Ho diterima dan H1 ditolak. Dengan demikian, pada dasarnya minat masyarakat dalam menonton keenam TV tersebut sama saja (tidak berbeda). Latihan: Manajer Cabang PT. Selalu Maju di kota Palembang ingin mengetahui pendapat konsumen di kota tersebut mengenai rasa roti yang diproduksi PT. Selalu Maju, yaitu roti rasa kacang, durian, coklat, susu dan nanas. Apakah konsumen menyukai semua jenis roti tersebut, ataukah lebih menyukai rasa roti yang satu dibanding yang lain. Untuk itu disebar angket kepada 200 responden yang sudah mengkonsumsi kelima roti tersebut dan kepada mereka ditanyakan rasa roti yang paling disukai. Ada tiga pertanyaan: 1. Seharusnya roti rasa Durian dan Coklat lebih disukai konsumen? 2. Sesungguhnya semua rasa adalah sama di mata konsumen? 3. Sesungguhnya rasa roti Durian dan Coklat tidak ada bedanya? Apakah asumsi tersebut sesuai dengan hasil angket? Data Variabel View Nama Variabel Tipe Label Rasa Numerik 1= Kacang 2= Durian 3= Coklat 4= Susu 5= Nanas Jumlah Numerik

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: Buka dari menu Data, pilih submenu Weight Cases Dari kotak dialog yang tampak, pilih weighted cases by, lalu isi pada bagian Frequency variable dengan variabel jumlah Tekan OK, maka penyebutan variabel roti akan mengacu ke variabel jumlah 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: Pemasukan data harus berurutan sesuai urutan rasa pada file! Proses: Pada bagian Expected value, klik values Otomatis kotak dibawahnya aktif. Proses pemasukan data: Isi kolom values dengan 20 (untuk kacang sesuai urutan pada data) Otomatis tombol Add menjadi aktif. Klik tombol Add tersebut mana nilai 20 akan masuk ke kotak bawah Isi kolom values dengan nilai 70 (untuk durian sesuai urutan rasa ke dua di data) Klik tombol Add tersebut, maka nilai 70 akan masuk

Demikian seterusnya untuk nilai 70, 20, 20 Abaikan bagian lain dan tekan OK untuk proses data.

Analisis Hipotesis: Ho: Sampel berasal dari populasi yang mengikuti distribusi yang ditetapkan manajer cabang. Atau pendapat manajer cabang tersebut benar, bahwa rasa durian dan coklat lebih disukai dibanding rasa yang lain. H1: Sampel berasal dari populasi yang tidak mengikuti distribusi yang ditetapkan manajer cabang. Atau pendapat manajer cabang tersebut salah, bahwa semua rasa disukai konsumen, tidak peduli berapa harganya. a. Dasar Pengambilan Keputusan Berdasarkan perbandingan Chi Square uji dan Tabel Jika Chi Square hitung < Chi Square Tabel, maka Ho diterima Jika Chi Square hitung > Chi Square Tabel, maka Ho ditolak Chi Square tabel bisa dihitung pada tabel Chi Square, dengan: = 5% Df= 4 Didapat Chi Square tabel adalah 9,487 Karena Chi Square hitung > Chi Square tabel (33,893 > 9,4877), maka Ho ditolak b. Berdasarkan Probabilitas Jika probabilitas > 0,05 maka Ho diterima Jika probabilitas < 0,05 maka Ho ditolak Kesimpulan: Terlihat bahwa pada kolom Asymp.Sig/Asymptotic significance adalah 0,000 atau probabilitas dibawah 0,05, maka Ho ditolak. Dari kedua analisis di atas, bisa diambil keputusan yang sama, yaitu Ho ditolak atau distribusi ternyata tidak sesuai anggapan manajer cabang. Karena ternyata rasa durian dan coklat tidak lebih istimewa dibanding rasa roti yang lain, dengan acuan distribusi roti seperti yang diasumsikan manajer cabang.

BAB IX ONE SAMPLE KOLMOGOROF-SMIRNOF TEST One-Sample Kolmogorf-Smirnof Test (Uji Kolmogorof Smirnof untuk satu sample) berguna 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 Nilai Mahasiswa 60 55 70 85 90 72 76 63 57 91 51 69 89 97 62 74 69

18 19 20 1. Proses pembuatan data: Memasukkan dan mendefinisikan variabel Name Type Width Decimals Label Nilai Numeric 8 0 Nilai Mhs Pengisian data

94 81 77

Values None

Missing Columns Align None 8 Right

Measure Scale

2.

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: Hipotesis: Ho : data nilai mahasiswa berdistribusi normal Hi : data nilai mahasiswa tidak berdistribusi normal Ketentuan: Jika probabilitas > 0,05, maka Ho: diterima Jika probabilitas < 0,05, maka Ho: ditolak 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.

1. 2. 3.

BAB 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 Nilai Mahasiswa NO UT DKI UT SULSEL 1 63 69 2 78 56 3 71 67 4 82 72 5 93 59 6 72 71 7 61 55 8 63 88 9 56 79 10 82 49 11 60 76 12 76 53 13 67 66 14 74 73

15 16 17 1.

61

80 83 70

Proses pengisian data: Memasukkan dan mendefinisikan variabel Name Type Width Decimals Label Values Wilayah Numeric 8 0 Pembagian {1,DKI.. wilayah } Nilai Numeric 8 0 Nilai Mhs None Value label: 1= DKI 2= Sulsel

Missing Columns Align Measure None 8 Right Scale None 8 Right Scale

2.

Pengisian data Langkah Aplikasi uji: Mengingat uji U Test merupakan uji jenjang, maka jika Anda akan menentukan jenjang dari masingmasing data nilai diatas, dapat Anda lakukan melalui transpormasi data dengan perintah Rank Cases. 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: Hipotesis Ho: Tingkat kepandaian (nilai) mahasiswa UT pada kedua wilayah adalah sama H1: Tingkat kepandaian (nilai) mahasiswa UT pada kedua wilayah tidak sama Ketentuan: Dengan 0.05 (pengujian dua sisi) maka:

1. 2.

3.

Ho diterima jika: -1.96 Zh +1,96 Ho ditolak jika : Zh > + 1,96 atau Zh < - 1,96 Kesimpulan Dari hasil uji U Test diatas, didapat harga Z= -0,265. Dengan demikian Zh -0,265 < Z tabel (nilai kritis) 0.05 = -1,96. Dengan demikian, Ho: diterima. Kesimpulannya, tidak terdapat perbedaan tingkat kemampuan (nilai ekonomi makro) antara mahasiswa UT wilayah DKI dan Sulsel, dengan resiko kekeliruan sebesar 5%.

BAB 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 Kecepatan Mengetik (dlm menit) Program WS Program Ms.Word

1 2 3 4 5 6 7 8 9 10 11 12 13

9 10 12 13 11 8 15 16 12 9 8 12.5 13.6

7 6 8 9 8.9 7.8 8.9 10 11.2 12 13 12 10.4

14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

14.3 10.1 9.7 12 13.7 14 15.2 16 12.6 11 10.3 9.8 13.5 14 15 16 11

9.7 8.6 7 8 9 9.7 10 11 12 13 8 9.4 10 8.9 7 11 12

1.

2.

Proses pengisian data Memasukkan dan mendefinisikan variabel Name Type Width Decimals Label Values WS Numeric 8 2 Mengetik None WS Ms.Word Numeric 8 2 Mengetik None Ms Word Pengisian data

Missing Columns Align None 8 Right None 8 Right

Measure Scale Scale

Langkah analisis: Pengujian dengan pilihan type wilcoxon: Aktifkan DATA-12 Klik analyze Klik non-parametrik test Klik 2 ralated samples Klik dua variabel sekaligus dan pindahkan ke kotak test pair(s) list Pada test type, tetap pilih wilcoxon (default) Klik options, pilih descriptive Klik continue Klik OK Maka hasilnya sbb: Analisis: Hipotesis: Ho: Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah sama saja

1.

2.

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

3.

1. 2.

3.

BAB 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 Jalan Pagi 2,10 2,30 3,20 Cara/Metode Penurunan Berat Badan Senam Pernafasan Aerobik 2,60 2,50 3,60 3,10 2,60 3,70 2,70 2,70 4,10 Obat Diet 3,50 3,20 4,50

4 5 1.

3,10 3,50

3,70 3,90

1,50 1,90

5,00 3,60

2,90 3,10

2. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.

Proses pemasukan data: Memasukkan dan mendefinisikan variabel Name Type Width Decimals Label Values Cara Numeric 8 0 Cara diet None Berat Numeric 8 2 Penurunan None Berat Pengisian data

Missing Columns Align None 8 Right None 8 Right

Measure Scale Scale

Langkah pengujian: Anda buat DATA-13 Klik Analyze Klik Non-Parametrik Test Klik K-Independen samples test Klik variabel berat dan masukkan ke kotak test variable list Klik variabel cara dan masukkan ke kotak grouping variable Klik define range, isikan ke kotak minimum dengan angka 1 dan kotak maksimum dengan angka 5 Klik continue Klik kruskal-wallis H dan Median Klik option, pilih deskriptive Klik continue Klik OK ANALISIS: Uji Kruskall-Wallis 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 Ketentuan: Ho diterima jika X2 hitung X2 tabel Ho ditolak jika X2 hitung > X2 tabel Keputusan: Dari hasil perhitungan uji H (Kurskal-Wallis H) didapat harga 14,061. Sedang harga X2 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: 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. Ketentuan Ho diterima jika X2 hitung X2 tabel dan Ho ditolak jika X2 hitung > X2 tabel

1. 2. 3.

1. 2.

3.

Dengan menggunakan tingkat kepercayaan () 0.05 dengan dk= k-1= 5-1= 4, maka dari X2 tabel didapat harga= 9,488 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 sampelsampel tersebut diperoleh dari populasi yang mempunyai median yang berbeda.

BAB XIII K-RELATED-SAMPLES TEST K-Related Samples Test (uji beberapa sample yang berhubungan) berguna untuk menguji distribusi dari beberapa sample yang berhubungan. Pada pengujian ini disediakan 3 pilihan metode, yakni: 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 Ceramah 45 52 56 63 72 64 56 Metode Mengajar Tanya-jawab Diskusi 71 81 61 72 59 73 63 68 72 64 65 58 59 66 Tugas 78 80 79 69 76 90 75

8 9 10

61 48 57

63 58 70

75 76 80

86 78 67

Proses pemasukan data: 1. Memasukkan dan mendefinisikan variabel Name Type Width Decimals Label Values Missing Columns Align Measure ceramah Numeric 8 2 Metode None None 8 Right Scale Ceramah tanya Numeric 8 2 Metode None None 8 Right Scale Tanyajawab diskusi Numeric 8 2 Metode None None 8 Right Scale Diskusi tugas Numeric 8 2 Metode None None 8 Right Scale Tugas 2. Pengisian Data CONTOH APLIKASI: Aktifkan DATA-14 Klik Analyze Klik Non-Parametrik Test Klik K-Related Samples Klik 4 variabel sekaligus, dan masukkan pada kotak test variabel Pada test type, pilih Friendman (default) Klik Statistics, pilih descriptive Klik continue Klik OK ANALISIS: Hipotesis: Ho: Tidak terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswa Hi : Terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswa Ketentuan Ho diterima jika X2 hitung X2 tabel dan Ho ditolak jika sebaliknya. Kesimpulan Dari hasil perhitungan Friedman Test didapat harga Chi-Square (X2) sebesar 18,735. Sedang 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. Nama mata kuliah : Statistika Dasar Bobot : 1 SKS Jenjang studi : D3 Semester/Tahun Akademik : 3/2006-2007 Jurusan : Manajemen Informatika, Teknik Komputer Software yang digunakan : SPSS RENCANA PERKULIAHAN Pertemuan ke 1 2 Materi Pokok Pendahuluan Mengelola File Pokok Bahasan Persiapan data, jenis data Membuat file data baru Mendefinisikan variabel Memasukkan data Menyimpan dan menghapus data Mengcopy dan menyisipkan data

3 4 5

Transformasi Data Statistik Deskriptif Statistik Induktif

6 7 8 9 10 11 12 13 14 15

Aplikasi Correlate Ujian Tengah Semester Analisis regresi

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 Analisis regresi berganda Chi square test Proses pemasukan data Pendefinisian variabel One sample kolmogorof Proses pemasukan data smirnof Pendefinisian variabel Two Independent Related Proses pemasukan data Samples Test Pendefinisian variabel Two Related Samples Test Proses pemasukan data Pendefinisian variabel K-Independent samples test Proses pemasukan data Pendefinisian variabel K-Related samples test Proses pemasukan data Pendefinisian variabel Ujian Akhir Semester