P. 1
pengenalan spss

pengenalan spss

|Views: 193|Likes:
Dipublikasikan oleh Nashati My

More info:

Published by: Nashati My on Apr 30, 2012
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

06/05/2015

pdf

text

original

sya

MODUL PRAKTIKUM

STATISTIK
JURUSAN MANAJEMEN TRANSPORTASI

2| Page

Bab 1 Pengenalan dan Pembuatan File Data

Dasar – Dasar SPSS SPSS merupakan salah satu sekian banyak software statistika yang telah dikenal luas dikalangan penggunaannya. Disamping masih banyak lagi software statistika lainnya seperti Minitab, Syastas, Microstat dan masih banyak lagi. SPSS sebagai sebuah tools mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial.

SPSS Environment
MENU BAR

TOOL BAR

DATA VIEW

VARIABLE VIEW

Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010

3| Page

MENU BAR

: Kumpulan perintah – perintah dasar untuk meng-operasikan SPSS.

Menu yang terdapat pada SPSS adalah : 1. FILE Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan pencetakan dan sebagainya. Ada 5 macam data yang digunakan dalam SPSS, yaitu : 1. Data 2. Systax 3. Output 4. Script 5. Database ♠ NEW ♠ OPEN : membuat lembar kerja baru SPSS : membuka dokumen SPSS yang telah ada : dokumen SPSS berupa data : dokumen berisi file syntax SPSS : dokumen yang berisi hasil running out SPSS : dokumen yang berisi running out SPSS

Secara umum ada 3 macam ekstensi dalam lembar kerja SPSS, yaitu : 1. *.spo 2. *.sav 3. *.cht : file data yang dihasilkan pada lembar data editor : file text/obyek yang dihasilkan oleh lembar output : file obyek gambar/chart yang dihasilkan oleh chart window

♠ Read Text Data : membuka dokumen dari file text (yang berekstensi txt), yang bisa dimasukkan/dikonversi dalam lembar data SPSS ♠ Save : menyimpan dokumen/hasil kerja yang telah dibuat. ♠ Save As : menyimpan ulang dokumen dengan nama/tempat/type dokumen yang berbeda ♠ Page Setup : mengatur halaman kerja SPSS ♠ Print : mencetak hasil output/data/syntaq lembar SPSS Ada 2 option/pilihan cara mencetak, yaitu : - All visible output :mencetak lembar kerja secara keseluruhan - Selection : mencetak sesuai keinginan yang kita sorot/blok ♠ Print Preview : melihat contoh hasil cetakan yang nantinya diperoleh ♠ Recently used data: berisi list file data yang pernah dibuka sebelumnya. ♠ Recently used file : berisi list file secara keseluruhan yang pernah dikerjakan 2. EDIT Untuk melakukan pengeditan pada operasi SPSS baik data, serta pengaturan/option untuk konfigurasi SPSS secara keseluruhan. ♠ Undo ♠ Redo ♠ Cut : pembatalan perintah yang dilakukan sebelumnya : perintah pembatalan perintah redo yang dilakukan sebelumnya : penghapusan sebual sel/text/obyek, bisa dicopy untuk keperluan tertentu dengan perintah dari menu paste

Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010

4| Page

♠ Paste ♠ Paste after ♠ Paste spesial ♠ Clear ♠ Find ♠ Options

: mempilkan sebua sel/text/obyek hasil dari perintah copy atau cut : mengulangi perintah paste sebelumya : perintah paste spesial, yaitu bisa konvesri ke gambar, word, dll : menghapusan sebuah sel/text/obyek : mencari suatu text : mengatur konfigurasi tampilan lembar SPSS secara umum

3. VIEW Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahu proses-prose yang sedang terjadi pada operasi SPSS. ♠ Status Bar ♠ Toolbar ♠ Fonts - Outline size - Outline font ♠ Gridlines ♠ Value labels : mengetahui proses yang sedang berlangsung : mengatur tampilan toolbar : untuk mengatur jenis, ukuran font pada data editor SPSS : ukuran font lembar output SPSS : jenis font lembar output SPSS : mengatur garis sel pada editor SPSS : mengatur tampilan pada editor untuk mengetahui value label

4. DATA Menu data digunakan untuk melakukan pemrosesan data. ♠ Define Dates : mendefinisikan sebuah waktu untuk variable yang meliputi jam, tanggal, tahun, dan sebagainya ♠ Insert Variable : menyisipkan kolom variable ♠ Insert case : menyisipkan baris ♠ Go to case : memindahkan cursor pada baris tertentu ♠ Sort case : mengurutkan nilai dari suatu kolom variable ♠ Transpose : operasi transpose pada sebuah kolom variable menjadi baris ♠ Merge files : menggabungkan beberapa file dokumen SPSS, yang dilakukan dengan penggabungan kolom-kolom variablenya ♠ Split file : memecahkan file berdasarkan kolom variablenya ♠ Select case : mengatur sebuah variable berdasarkan sebuah persyaratan tertentu 5. TRANSFORM Menu transform dipergunakan untuk melakukan perubahan-perubahan atau penambahan data. ♠ Compute ♠ Count ♠ Recode : operasi aritmatika dan logika untuk : untuk mengetahui jumlah sebuah ukuran data tertentu pada suatu baris tertentu : untuk mengganti nilai pada kolom variable tertentu, sifatnya menggantikan (into same variable) atau merubah (into different variable) pada variable baru

Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010

5| Page

♠ Categorize variable :merubah angka rasional menjadi diskrit ♠ Rank case 6. ANALYSE Menu analyse digunakan untuk melakukan analisis data yang telah kita masukkan ke dalam komputer. Menu ini merupakan menu yang terpenting karena semua pemrosesan dan analisis data dilakukan dengan menggunakan menu correlate, compare mens, regresion. 7. GRAPH Menu graph digunakan untuk membuat grafik, diantaranya ialah bar, line, pie, dll 8. UTILITIES Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file, dll 9. AD-ONS Menu ad-ons digunakan untuk memberikan perintah kepada SPSS jika ingin menggunakan aplikasi tambahan, misalnya menggunakan alikasi Amos, SPSS data entry, text analysis, dsb 10. WINDOWS Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke file lainnya 11. HELP Menu help digunakan untuk membantu pengguna dalam memahami perintahperintah SPSS jika menemui kesulitan TOOL BAR POINTER : Kumpulan perintah – perintah yang sering digunakan dalam bentuk gambar. : Kursor yang menunjukkan posisi cell yang sedang aktif / dipilih. : mengurutkan nilai data sebuah variabel

Percobaan Menu File merupakan menu pertama dari Data Editor yang dibuka oleh para pengguna SPSS. Dimana Data Editor pada SPSS mempunyai dua bagian utama : 1. Kolom, dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam SPSS akan diisi oleh variabel. 2. Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi oleh data. Kasus : Berikut ini data barang di gudang 10 barang diambil secara acak (angka dalam rupiah)

Barang

Harga Pokok/Unit

Stock Di Gudang

Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010

6| Page 1. Dollar : menampilkan data format tanggal atau waktu : memberi tanda dollar ($). 10. 9. Date f. indicator desimal. . 8. . tanda titik sebagai pemisah bilangan ribuan Klik variabel view pada pojok kiri bawah. indicator desimal : angka. dengan tidak membedakan huruf kecil atau besar.Ada 8 tipe variable. indicator desimal. tanda (+) atau (-) didepan angka. Scientific notation : sama dengan tipe numeric. Dot : angka. tanda koma sebagai pemisah bilangan ribuan dan tanda titik sebagai desimal : untuk format mata uang : biasanya huruf atau karakter lainnya g. Harga. 7.Tidak boleh ada yang sama. Buku Tulis Tas Punggung Dompet Jam Tangan Spidol Kertas File Gunting Tempat CD Pensil Zebra Penggaris 3000 80000 45000 70000 7000 30000 70000 45000 17000 5000 5240 40000 22000 2500 7800 25000 7800 5200 22000 10500 Langkah-langkah Input Data : 1.Nama variabel harus diawali denngan huruf dan tidak boleh diakhiri dengan tanda titik. Membuat Variabel ● Nama Variabel beserta keterangan yang diinginkan tentang variable tersebut. 2. 6. tanda (+) atau (-) didepan angka. Comma c. tanda (+) atau (-) didepan angka. lebar 8 karakter sesuai dengan desimal sebanyak 2 digit. Width dan Decimal Variabel .Default dari tipe setiap variabel baru adalah numeric. 3. 4. Stock Hal yang perlu diperhatikan saat mengisi nama variabel adalah : . .Panjang maksimal 8 karakter. kemudian isikan : d.Untuk mengubah tipe variabel dilakukan dengan cara mengklik tombol pilihan pada kolom Type. 5. ● Type. Misal : Barang. Custom currency f. tanda koma sebagai pemisah bilangan ribuan : angka.20E+5) e. yaitu : a. tetapi menggunakan symbol E untuk kelipatan 10 (misal 120000 = 1. . Numeric b. String Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .

10. Latihan Berikut ini adalah data 15 Responden pria dan wanita sanggar tari “PRIMA” yang diambil secara acak : 1. 8. 3. 2. 5. 12. 11. 6. Menyimpan Data Setelah data dimasukkan. maka data perlu disimpan untuk kepeluan analisa selanjutnya. 13. Nama Adelia Erick Anggoro Amelia Lidya Liana Cicil Andre Agus Lana Mely Diana Oon Dodi Agung Tinggi 165 170 171 166 165 167 166 173 175 174 163 164 170 171 172 Berat 45 60 65 50 46 49 44 70 71 73 65 67 75 74 70 Gender Wanita Pria Pria Wanita Wanita Pria Wanita Pria Pria Pria Wanita Wanita Pria Pria Pria Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . ketik Nama File → Klik OK.7| Page 2. Mengisi Data Memasukkan data pada Data Editor dilakukan dengan cara mengetik data yang akan dianalisa pada sel-sel (case) dibawah judul (heading) kolom nama variabel. 7. 4. 9. Langkah penyimpanan data adalah sebagai berikut : Klik Menu File → Save Data → (Pilih folder penyimpanan). 3. 15. 14.

Pie chart dan lainnya. baik dalam bentuk tabel datau presentasi grafis.25 dan seterusnya. Ukuran yang dimaksudkan dapat berupa : • Ukuran Pemusatan (Rata-Rata Hitung atau Mean. Distribusi Frekuensi. Untuk mendapatkan gambaran yang lebih jelas tentang data. Simpangan Baku dan Galat Baku) • Skewness adalah tingkat kemiringan • Kurtosis adalah tingkat keruncingan Untuk menganalisa ukuran pemusatan.  Analyse Analyse Analyse Descriptive Statistics Descriptive Statistics Descriptive Statistics Frequencies Description Explore Menggunakan Analisa Frequencies Descriptive Statistics Descriptive Statistics Frequencies Frequencies PROSEDUR : Analyse  Klik menu Analyse  Sorot variabel yang akan dianalisa lalu pindahkan ke kotak variabel dengan cara mengklik tanda “”  Klik Statistics. Data-data tersebut harus diringkas dengan baik dan teratur. “mentah” dan tidak terorganisir dengan baik (raw data).8| Page Bab 2 Ukuran Data Menggunakan Analisa Frekuensi  Teori Ukuran Data Statistik deskripsi lebih berhubungan dengan pengumpulan data dan peringkasan data . Ragam. a. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . Data-data statistik yang bisa diperoleh dari hasil sensus. Median dan Modus) • Ukuran Letak (Quartil dan Persentil) • Ukuran Penyimpangan/Penyebaran (Range. b. dapat dilakukan dengan prosedur. sebagai dasar untuk berbagai pengambilan keputussan (Statistik Inferensi). Presentasi grafis seperti Histogram. beri tanda pada ascending value pada pilihan order by untuk mengurutkan data dari nilai terkecil terbesar. ukuran letak dan ukuran penyimpangan (ketika ukuran termasuk ke dalam statistika deskripsi). 2. c. berilah tanda pada semua check box Percetile Values (Keterangan : untuk menentukan nilai Percentile 10. umumnya masih acak. masih diperlukan ukuran-ukuran lain yang merupakan wakil dari data tersebut. servei atau pengamatan lainnya. selain dengan tabel dan diagram. pilih Histogram jika ingin menampilkan  Klik format. Penyajian tabel grafik yang digunakan dalam statistik deskripsi seperti : 1. serta penyajian hasil peringkasan tersebut. dilakukan dengan cara memberi tanda pada check box percentile)  Klik chart.

9| Page  Klik OK. 4. 10. 10 11 12 13 14 15 Nama Mimi Melisa Yolin Nina Parto Jerry Tom-Tom Yusron Ableh Stefanus Chandra Roy Ardian Nita Mawan Nilai UTS 90 60 65 55 70 71 72 80 76 56 59 77 85 89 90 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . Percobaan Data nilai UTS Statistik dari 15 anak kelas A yaitu : 1. 7. 9. 8. 5. 2. 6. 3.

10 | P a g e Latihan Mentaricell dalam 20 minggu melakukan penjualan dengan data sebagai berikut Minggu Penjualan Handphone Tayangan Iklan 1 118 12 2 180 13 3 186 14 4 132 16 5 178 19 6 156 22 7 148 23 8 196 24 9 188 29 10 152 36 11 123 14 12 147 17 13 155 69 14 178 40 15 165 12 16 187 11 17 136 10 18 195 7 19 222 8 20 546 9 Cari : N. Data Minimum. Range. Standart Deviasi. Skewness. Median. Percentile. Kurtosis. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . Mean. Data Maksimum. Eror. Std.

.. 9. 7..  Klik OK Percobaan Data barang penjualan Koperasi Mahasiswa : .. 8.... 1. 4.... 3... 2.. Klik continue. tandai pada semua check box ukuran data yang ingin dianalisis... 5. 6.11 | P a g e BAB 3 ANALISA DESKRIPSI Teori  Analisa Deskripsi Descriptive Statistics Description PROSEDUR : Analyse  Klik Analyse Descriptive Statistics Description  Klik Options. 10 Bolpoint Kertas File CD Blank Buku Tulis Majalah Komputex Tempat HP Tempat Pensil Bingkai Foto Jepit Rambut Penggaris Barang Harga 3500 30000 5000 5000 35000 40000 20000 45000 7000 5000 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .

12 | P a g e Latihan Data dari hasil penelitian kemasan pasta gigi diambil sample sebagai berikut : Responden 1 2 3 4 5 6 7 8 9 10 Merk Pepsodent Ciptadent Sensodyne Kodomo Close Up Listerin Switsal Pepsodent Herbal Ritadent Close Up Whitening Nilai Desain Kemasan 10 75 86 10 10 91 10 86 70 80 Minat Beli 100 80 94 88 90 96 95 75 60 86 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .

 Memperluas pengetahuan peneliti mengenai suatu gejala yang sedang dipelajari. Dalam Pengujian Hipotesis terdapat dua kekeliruan atau galat. atau hipotesis merupakan jawaban sementara suatu masalah. Untuk pengujian Hı perlu ada pembanding yaitu Hipotesis Nol (Ho). Hipotesis ini disebut Hipotesis Alternatif (Ha) atau Hipotesis kerja (Hk) atau Hı . atau menolah Ho. maka kesimpulannya dapat saja keliru. karena memang Ho benar. karena memang Ho salah. karena digunakan sebagai dasar pengujian. Nasution definisi hipotesis adalah pernyataan tentatif yang merupakan dugaan mengenai apa saja yang sedang kita amati dalam usaha untuk memahaminya. maka kita telah melakukan kekeliruan yang disebut kekeliruan atau galat jenis I (α). Hipotesis kerja atau Hı merupakan kesimpulan sementara dan hubungan antar variabel yang sudah dipelajari dari teori-teori yang berhubungan dengan masalah tersebut. Dapat memberikan petunjuk bagaimana pengujian hubungan tersebut. Oleh karena itu hipotesis perlu dirumuskan terlebih dahulu sebelum dilakukan pengumpulan data. yaitu : Menggambarkan hubungan antar variabel. atau juga hipotesis dapat diartikan sebagai kesimpulan sementara tentang hubungan suatu variabel dengan satu atau lebih variabel yang lain.    Pengujian hipotesis Hipotesis yang baik selalu memenuhi dua pernyataan.  Fungsi  Untuk menguji kebenaran suatu teori  Memberikan gagasan baru untuk mengembangkan suatu teori. maka kita telah melakukan kekeliruan yang disebut kekeliruan atau galat jenis II (β). Oleh karena itu dalam pengujian Hipotesis. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . Apabila kita menyimpulkan menolak Ho padahal Ho benar. Dr. Langkah atau prosedur untuk menentukan apakah menerima atau menolak Hipotesis Statistik (Ho) disebut Pengujian Hipotesis.13 | P a g e Bab 4 Pengujian Rata-Rata Satu Sampel Teori  Pengertian Hipotesis dapat diartikan sebagai dugaan mengenai suatu hal. penarikan kesimpulan mengenai populasi didasarkan pada informasi sampel bukan populasi itu sendiri. Begitu pula sebaliknya jika kita menyimpulkan untuk menerima Ho padahal Ho salah. Ho disebut juga sebagai Hipotesis Statistik. Namun menurut Prof. yaitu : Kesimpulan Terima Ho Tolak Ho tepat galat jenis I (α) Keadaan sebenarnya Ho Ho benar tepat Ho salah galat jenis II (β) Penarikan kesimpulan dinyatakan tepat apabila kita menerima Ho. S.

2 .8. 5. Wilayah kritik : t < t α/2(n-1) atau x-µ t= s/√n Karena t = 0.01 Analisa secara manual : 1.9 . dari data : rata-rata x = 10. Pengujian Satu Pihak Ho : α = αo Hı : α > αo Hı : α < αo b. artinya 5 dari setiap 100 kesimpulan kita akan menolak Ho. = 0. Nilai α biasanya ditetapkan sebesar 0.β) disebut Kuasa Uji atau Kekuatan Uji.06 dan simpangan baku sampel s = 0. 9. Dengan α = 0. 10.01. Jika α = 0.772 . Pengujian Dua Pihak Ho : α = αo Hı : α # αo  Pengujian rata-rata satu sampel Pengujian rata-rata satu sampel dimaksudkan untuk menguji nilai tengah atau rata-rata populasi µ sama dengan nilai tertentu µo.14 | P a g e Jika nilai α diperkecil.2459. Harga (1.05 atau 0. artinya pernyataan bahwa rata-rata isi galon susu murni 10 liter dapat diterima. 10.4 .250 dan 3.05. Telah diambil sampel secara acak dari 10 botol yang telah diukur isinya. Teknik dalam pengujian hipotesis dilakukan berdasarkan : a. Hipotesis Ho : α = 10 lawan Hı : α # 10 2.3 . 9. Jadi kita akan menguji : Ho : α = αo lawan Hı : α # αo Ho merupakan hipotesa awal.1 . 10. yang seharusnya diterima. α = 0. Uji statistik t (karena α tidak diketahui atau n < 30). 9. Percobaan Seorang mahasiswa melakuan penelitian mengenai galon susu murni yang rata-rata isinya 10 liter. 10. 10. lawan hipotesis alternatifnya bahwa nilai tengah atau rata-rata populasi µ tidak sama dengan µo.8 .3 . 3. maka akan menjadi β besar. Perhitungan.1 . dengan hasil sebagai berikut : 10.01 4.772 terletak diantara -3.7 . 9. Analisa menggunakan SPSS : Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 t > t α/2(n-1).250 disimpulkan untuk menerima Ho .

2. namun sebelumnya kita harus menentukan nama dan tipe datanya pada Variable View. 3.15 | P a g e 1. Masukkan data diatas pada Data View. Ho ditolak apabila sig < (α/2). klik Menu Analyze Compare Means One Sample T-Test. Sehingga menghasilkan hasil analisa sebagai berikut : Keterangan hasil analisa : Std error T Df Sig (2-tailed) Mean difference = Standar Error = nilai hitung = derajat kebebasan = probabilitas (α/2) = perbandingan rata-rata Ho diterima apabila sig > (α/2). Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .

05.00 dengan alternatif tidak sama dengan itu.16 | P a g e Latihan Seorang pengusaha berpendapat bahwa rata-rata penjualan perhari karyawankaryawannya adalah sebesar Rp. Untuk maksud pengujian pendapatnya. Hasil wawancaranya adalah sebagai berikut. ujilah pendapat tersebut dan berikan analisa anda.020. Dengan menggunakan α = 0. Nama aan andi beril bona cici dimas erik gogon Hari heru ila osin mima neni sila Siqi Tata Tita Wina zula Penjualan (Rp. pengusaha tersebut melakukan wawancara terhadap 20 orang karyawannya yang dipilih secara acak. 1. dan apakah Ho diterima? Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .) 1000 980 880 970 850 750 770 920 870 900 930 1080 1200 1040 1040 850 950 1100 1110 990 Tuliskan hasil analisanya dibawah ini.

Langkah penyelesaiannya adalah sebagai berikut : 1. Masukkan data diatas pada Data View. sedangkan pada dua sampel yang bebas banyaknya pengamatan tidak harus sama. Teori Untuk pengujian rata-rata dua sampel terdapat 2 jenis data : 1. Samples T-Test Klik Analyze Compare Means Paired Maka akan muncul tampilan sebagai berikut : Keimpulan H0 diterima karena p-value / 2 > 0. Pada pengujian rata-rata dua sampel berpasangan. Artinya kedua sampel bersifat mutually exclusive (saling asing) dan banyaknya pengamatan (ulangan) sama pada masing-masing sampel. 2. Sampel Bebas / Independen. Percobaan 1. 2.05 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . namun sebelumnya kita harus nenentukan nama dan tipe datanya pada Variable View. banyaknya nilai pengamatan harus sama (n1=n2). Dua Sampel Berpasangan.17 | P a g e BAB 5 Pengujian Rata-Rata Dua Sampel .

8 . uji pendapat tersebut. namun dengan alternatif ada perbedaan.3 . kemudian dilakukan penelitian berdasarkan penarikan sampel secara acak dimana ada 8 murid kelas A dan 6 murid kelas B. 8. 8. 8. 7. 6.18 | P a g e 2.7 .05 bahwa masa putar roda pada sepeda 1 berbeda dengan sepeda 2. 2. Masukkan data diatas pada Data View. 6. namun sebelumnya kita harus nenentukan nama dan tipe datanya pada Variable View. tulis dibawah ini ! Latihan Seorang guru berpendapat bahwa tidak ada perbedaan nilai rata-rata murid kelas A dan murid kelas B.7 . Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .5 . Klik Analyze Compare Means Independent Samples T-Test Maka akan muncul hasil analisa. 7 .6 Dengan menggunakan α = 5%.4 .3 .5 . Ternyata hasil penelitian nilai siswa adalah sebagai berikut : Kelas A Kelas B : 7. 7. misal kita akan menguji sampel pada taraf nyata α = 0.5 : 7 . Data masa putar roda (menit) kedua sepeda tersebut adalah : Masa Putar (menit) 58 55 52 59 59 60 64 62 sepeda 1 sepeda 2 55 65 65 58 Langkah penyelesaiannya adalah sebagai berikut : 1. 7. 7.5 . Untuk menguji pendapat tersebut.

jeruk. 2. • dalam pengujian hipotesis. Perusahaan melakukan suatu survey dengan membagikan kemasan kecil dari setiap rasa pasta gigi kepada 200 konsumen. Perusahaan tersebut ingin mengetahui apakah konsumen memiliki preferensi tertentu terhadap kelima rasa pasta gigi tersebut. • dalam program SPSS digunakan istilah significance (yang disingkat Sig) untuk Pvalue. maka H0 ditolak Jika P-value > α . vanilla. dengan kata lain P-value = Sig. dan nanas. 3 … k k = banyaknya kategori πi0 = probalitas atau proporsi atau frekuensi acuan. Data preferensi dari 200 konsumen terhadap kelima rasa pasta gigi tersebut adalah sebagai berikut : Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . maka H0 tidak dapat ditolak. yaitu uji khi kuadrat untuk satu variabel kategorik ( one categorical variable) yang disebut uji kebaikan suai khi kuadrat ( chi-square goodness-of-fit test) dan uji khi kuadrat untuk dua variabel kategorik ( two categorical variable) yang disebut uji khi kuadrat untuk kebebasan (chi square test for independence). kriteria untuk menolak atau tidak menolak H0 berdasarkan p-value adalah sebagai berikut:   Jika P-value < α . Uji kebaikan suai dengan frekuensi harapan sama. Sebagai contoh uji kebaikan suai khi kuadrat untuk model dengan frekuensi harapan sama ( equal expected frequencies ) akan digunakan data sebagai berikut : Sebuah perusahaan pasta gigi ingin memasarkan pasta gigi dengan rasa : strawberry.i = 1. coklat.19 | P a g e Bab 6 ANALISA DATA KATEGORIK Dalam bab ini kita akan membahas analisis data kategorik (analysis of categorical data) menggunakan uji khi kuadrat (chi-square test). Hipotesis untuk uji kebaikan suai khi kuadrat selalu berbentuk uji hipotesis dua sisi (twosided atau two-tailed test) dengan hipotesis: H0 : πi = πi0 H1 : tidak semua πi = πi0 Dimana : . uji kebaikan suai khi kuadrat ( χ2) digunakan untuk menguji apakah frekuensi data yang diamati dari suatu variable kategorik sesuai dengan frekuensi harapan (expected frequencies).

pada lembar variable view kita definisikan variabel rasa pasta gigi dengan nama rasa ( dengan data value ‘1= strawberry’ . ‘5=nanas’) dan variabel frekuensi dengan nama frekuensi. ‘3=coklat’. = 40. H1 : preferensi terhadap kelima rasa pasta gigi tidak sama. Atau H0 : πstrawberry = πvanila = πcoklat = πjeruk = πnanas = 40 H1 : tidak semua πstrawberry = πvanila = πcoklat = πjeruk = πnanas sama dengan 40. Frekuensi harapan = Bentuk hipotesis : H0 : preferensi terhadap kelima rasa pasta gigi sama. pada lembar data view. masukkan data rasa dan frekuensi : Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . Prosedur dengan SPSS 1. ‘4=jeruk’. Penyelesaiannya : Ada 5 kategori untuk variable kategorik rasa pasta gigi.20 | P a g e Rasa pasta gigi Strawberry Vanilla Coklat Jeruk Nanas total Frekuensi konsumen yang memilih rasa tersebut 32 30 28 58 52 200 Apakah ada preferesi tertentu konsumen terhadap kelima rasa pasta gigi tersebut ? ( gunakan α = 0.01 ). k= 5. ‘2=vanila’. 2.

21 | P a g e 3. klik option. 6. kemudian klik ok maka akan di dapat hasil analisi chi-square goodness-of-fit test sebagai berikut : Descriptive Statistics Std. pilih option weight cases by. Chi-Square. Lalu klik ok. Masukkan variabel frekuensi. klik data lalu pilih weight cases.34 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . lalu klik analyze pilih nonparametric Test. 5. Pindahkan variabel rasa pasta gigi [rasa] ke dalam box test variable(s). Pilih descriptive lalu klik continue.419 Minimu m 1 Maximu m 5 N rasa gigi pasta 200 Mean 3. Deviation 1. 4.

0 40.001 lebih kecil dari α=0. maka H0 : πstrawberry = πvanila = πcoklat = πjeruk = πnanas = 40 di tolak. Kesimpulan preferensi konsumen terhadap kelima rasa pasta gigi tidak sama.01. dan 10% warna biru.0 40.0 -10. Contoh kasus utuk model ini adalah sebagai berikut : Pabrik permen coklat kacang M&M menyatakan dalam setiap kantong permen coklat kacang kemasan 500 gram terdapat 30% permen warna coklat. interpretasi hasil untuk chi-square goodness-of-fit test.0 -12. The minimum expected cell frequency is 40. SPSS memberikan hasil χ2 = 19. 20% warna kuning.22 | P a g e Chi-Square Test Frequencies rasa pasta gigi Observed N strawberr 32 y vanila coklat jeruk nanas Total 30 28 58 52 200 Test Statistics Expected N 40. Uji kebaikan suai dengan frekuensi harapan tak sama. karena P-value=0.0 12. 20% warna merah. Seorang naka membeli 1 kemasan permen tersebut dan di dalamnya terdapat 188 permen dengan rincian warna sebagai berikut . dan 24 warna biru. 24 warna hijau.001.0.0 40.0 rasa pasta gigi Chi-Square(a) df Asymp. 19.001 a 0 cells (. 20% permen warna hijau. 22 warna kuning.0%) have expected frequencies less than 5.0 Residual -8.0 40. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .400 4 . 51 warna merah.4 dengan derajat kebebasan = k-1 =5-1 =4 dan P-value = 0. Sig. 67 warna coklat.0 18.

πmerah =37. H1 :Distribusi warna permen coklat kacang tidak sesuai dengan πcoklat =56.6.6. untuk menguji apakah distribusi warna permen sesuai dengan pernyataan pabrik. πbiru = 18. πhijau = 20% x 188= 37. πhijau = 37. 2. ‘4=kuning’.6.4. Prosedur dengan SPSS 1. πmerah =20% x 188= 37.6.8. πmerah =37.4. pada lembar data view. ‘3=merah’. ‘2=hijau’. Penyelesaianya: Bentuk hipotesis : H0 : πcoklat =56.23 | P a g e Gunakan taraf signifikan α=0.4. πkuning =37. ‘5=biru’) dan variabel frekuensi dengan nama frekuensi.8. πhijau = 37. πbiru = 10% x 188= 18.8.6. Dimana : πcoklat =30% x 188= 56. πkuning =20% x 188= 37. pada lembar variable view kita definisikan variabel warna permen coklat dengan nama warna ( dengan data value ‘1=coklat’ .6. πbiru = 18.01. πkuning =37.6. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .6. klik data lalu pilih weight cases.6. masukkan data rasa dan frekuensi : 3.

6 37. 7. Lalu klik ok maka akan di dapat hasil analisis chi-square goodness-of-fit test sebagai berikut : Descriptive Statistics N warna permen 188 Mean 2.6 37.2 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .24 | P a g e 4.8 Residual 10. pada Expected value.404 Minimu m 1 Maximu m 5 Chi-Square Test Frequencies warna permen Observed N coklat hijau merah kunin g biru Total 67 24 51 22 24 188 Expected N 56. lalu klik analyze pilih nonparametric Test. Deviation 1.6 5. Pilih values masukkan ke lima frekuensi harapan lalu klik add. Lalu klik ok.6 13.4 -15. Pindahkan variabel warna permen [warna] ke dalam box test variable(s).4 37.6 -13. 6.53 Std. klik menu option.6 18. Masukkan variabel frekuensi. 5. pilih option weight cases by. Chi-Square. Pilih descriptive lalu klik continue.

πmerah =37. penyelesaiannya hipotesis: H0 : tipe tindak kriminal tidak tegantung pada usia pelaku.05. Ditolak Kesimpulan distribusi warna permen coklat kacang tidak sesuai dengan pernyataan pabrik.6. Uji khi kuadrat ( χ2) untuk kebebasan Uji khi kuadrat ( χ2) untuk kebebasan ( chi-square ( χ2) test for independence ) atau disebut juga contingency-table analysis digunakan untuk menguji apakah dua variabel kategorik bersifat independen atau dependen.8.001 a 0 cells (. H1 : tipe tindak kriminal tergantung pada usia pelaku. Data ini di tabulasi-silangkan sebagai berikut : Kelompok usia ( dalam tahun) Tipe tindak kriminal Dengan kekerasan Tanpa kekerasan Dibawah 25 15 5 25-49 30 30 50 keatas 10 10 Apakah data tersebut menunjukkan bahwa tipe tindak kriminal tergantung pada usia pelaku? gunakan α =0. πkuning =37.6. Suatu sampel acak dari 100 pelaku tindak kriminal diambil dari data kepolisian. Suatu investigasi dilakukan untuk mempelajari tipe tindak kriminal tergantung pada usia pelaku tindak kriminal tersebut. karena P-value=0.001 lebih kecil dari α=0.01. The minimum expected cell frequency is 18.598 4 . maka H0 : πcoklat =56.25 | P a g e Test Statistics warna permen Chi-Square(a) df Asymp. Sebagai contoh kasusnya sebagai berikut : Seorang penegak hukum mengklasifikasi tindakan kriminal menjadi dua tipe: ‘dengan kekerasan’ atau ‘tanpa kekerasan’.4. πhijau = 37.0%) have expected frequencies less than 5. πbiru = 18. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .6.8. 19. Sig. interprestasi hasil .

kemudian pada lembar data view kita masukkan data sebagai berikut : a. untuk tipe tindak kriminal ‘1 = dengan kekerasan’ dan usia ‘1 = dibawah 25’ dengan frekuensi data 15. untuk tipe tindak kriminal ‘1 = dengan kekerasan’ dan usia ‘2 = 25-49’ dengan frekuensi data 30. kemudian klik analyze. descriptive statistics. b. ‘3=50 keatas’) dan variabel frekuesi dengan nama frekuensi. ‘2=25-49’. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . 2. klik data lalu pilih weight cases. 4.26 | P a g e Prosedure dengan SPSS 1. pada lembar variable view kita definisikan variabel tipe tindak kriminal dengan nama kriminal ( dengan data value ‘1=dengan kekerasan’ . pindahkan variabel tipe tindak kriminal [kriminal] ke box row(s) dan variabel kelompok usia[usia] ke dalam box column(s). ‘2=tanpa kekerasan’). dan pilih crosstabs. dan seterusnya… 3. variabel kelompok usia dengan nama usia ( dengan data value ‘1= dibawah 25’. 5.

lalu continue 8. kemudian klik ok. 7. lalu klik continue.0% 100 Percent 100. kemudian klik statistics.0% tipe tindak kriminal * kelompok usia Crosstabulation kelompok usia Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 Tot . pada pilihan counts pilih observed dan expected.27 | P a g e 6.0 % 0 Total Percen t N . maka akan didapat hasil sebagai berikut : Case Processing Summary Cases Valid N tipe tindak kriminal * 100 kelompok usia Missing Percen t N 100. klik cells.

231 2.040(a) Likelihood Ratio Linear-by-Linear Association 4.0 100 100 . 0 11.500 df 2 2 1 N of Valid Cases interpretasi hasil 100 a 0 cells (.0%) have expected count less than 5.133.0 10 9. maka Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .0 11. The minimum expected count is 9. Sig.0 20 20.05.133 lebih besar dari α=0.133 .0 tanpa kekerasn Count Expected Count 5 9. 0 Total Count Expected Count 20 20. . untuk chi-square test for independence.00.0 45 45.28 | P a g e dibawah 25 tipe dengan tindak kekerasan krimina l Count 15 Expected Count 25-49 30 50 keata s al 10 55 55.121 114 Value Pearson Chi-Square 4. Karena P-value=0. (2sided) .0 Chi-Square Tests Asymp. SPSS memberikan hasil χ2 = 4.0 30 27.040 dengan derajat kebebasan = (r-1)(c-1)=(2-1)(3-1)=2 dan P-value=0.0 33.0 60 60.

Rumus chi-square test Rumus untuk uji kebaikan suai (goodness-of-fit test) adalah sebagai berikut : Dengan derajat kebebasan =(k-1). Rumus untuk uji khi-kuadrat untuk kebebasan ( chi-square test for independence) Derajat kebebasan =( r-1)(c-1) Dimana : adalah frekuensi data yang di observasi pada baris ke: adalah frekuensi harapan pada baris ke: jumlah frekuensi pada baris baris ke: jumlah frekuensi pada baris kolom ke: jumlah total frekuensi r : adalah jumlah baris (row) c : adalah jumlah kolom (column) kolom kekolom ke- BAB 7 ANALISA RAGAM SATU ARAH Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . ei = adalah frekuensi harapan ( expected frequencies) k = banyaknya kategori.29 | P a g e H0 : tipe tindak kriminal tidak tergantung pada kelompok usia pelaku tidak dapat ditolak. Kesimpulan tipe tindak kriminal tidak tergantung pada kelompok usia pelaku. Dimana : Oi = adalah frekuensi data yang diamati ( observed frequencies).

9 41 3.2 2.4 3.30 | P a g e Analisa ragam satu arah ( oneway ANOVA) digunakan untuk membandingkan mean lebih dari satu. Sebagai contoh kasus oneway ANOVA adalah sebagi berikut : Seorang manajer yang melakukan supervisi terhadap 3 production line tertarik akan kinerja ketiga production line tersebut. Data yang di dapat manajer adalah sebagai berikut : Production line 1 4. manajer itu mengumpulkan data jumlah produk yang cacat per 1000 unit yang produksi.2 2.5 Production line 2 2.0 1. Bentuk hipotesisnya adalah sebagai berikut : H0 : μ1 = μ2 = μ3 = … = μk H1 : minimal ada dua mean popuasi yang tidak sama.2 Apakah ketiga production line tersebut menghasilkan produk dengan kualitas yang sama ? gunakan α = 0. Untuk variabel jumlah produk yang cacat gunakan nama cacat dan diberi label jumlah produk cacat. Penyelesaiannya 1. pada lembar variable view kita definisikan variabel production line dengan nama variabel line dan di beri label production line seta value ‘1 = production line 1’. Selama 6 minggu.’3 =production line 3’.1 3. ‘2 = production line 2’.6 2.5 1. kemudian pada lembar data view kita masukkan data line dan cacat sebagai berikut Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . 2.2 1.5 Production line 3 2.01.5 2. Dua dari production line itu harus tutup selama 2 minggu karena harus perbaikan peralatan.

7. Dan variabel production line ke factor. 4. Lalu pilih one-way ANOVA. pindahkan variabel jumlah produk cacat [cacat] ke dependen list. maka akan di dapat hasil: Test of Homogeneity of Variances Jumlah produk cacat Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . kemudian klik option pilih homogeneity of variance test untuk menguji asumsi apakah ketiga sampel production line berasal dari populasi yang mempunyai ragam ( variance ) sama. untuk menghitung post Hoc Multiple Comparison dengan asumsi ketiga sample production line memiliki ragam ( variance ) yang sama. klik tombol berjudul Post Hoc. 6. compare means. kemudian klik ok. Lalu klik continue. Pilih Bonferroni dan Scheffe lalu continue. 5. kemudian klik analyze.31 | P a g e 3.

a Uses Harmonic Mean Sample Size = 4.000 Means for groups in homogeneous subsets are displayed.652 2 11 13 4.001 Homogeneous Subsets jumlah produk cacat production line Scheffe (a. .243 yang lebih besar dari α = 0.243 jumlah produk cacat Sum of Mean Squares df Square Between Groups Within Groups Total 9. Interpretasi hasil • Dari test of homogeneity of variance di dapat nilai P-value = 0.32 | P a g e Levene Statistic 1.613 df1 2 ANOVA df2 11 Sig. Kesimpulan ketiga sampel production line berasal dari populasi yang memiliki ragam sama.01. N 1 6 4 4 Subset for alpha = .274 3.378 12.500. b The group sizes are unequal.983 2. Type I error levels are not guaranteed.b) production line 3 production line 2 production line 1 Sig.05 2 1 1.900 1. Sehingga H0 : σ12 = σ22 = σ32 tidak dapat ditolak.624 3. . Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . The harmonic mean of the group sizes is used.637 .350 .307 F 15.098 Sig.

seseorang ingin mengetahui apakah ada perbedaan terhadap pertambahan berat badan 3 kelompok bayi berusia 2 bulan apabila di perlakukan dengan 3 cara pemberian ASI dan diperoleh datanya sebagai berikut : BB1 350 375 380 370 410 400 500 475 385 420 Ket: BB1 = berat badan bayi berumur 2 bulan yang hanya diberi ASI saja BB2 = berat badan bayi berumur 2 bulan yang Tidak diberi ASI saja BB3 = berat badan bayi berumur 2 bulan yang hanya diberi ASI dan susu bayi Gunakan α = 0.33 | P a g e • Dari tabel ANOVA di dapat nilai sttistik F= 15. ini berarti production line 3 dan production line 2 tidak berbeda.098 dengan derajar kebebasan K-1= 3 = 2 dan n-k =14-3 = 11 dan P-value = 0. Dari tabel homogeneous subsets terlihat bahwa subset 1 beranggotakan production line 3 dan production line 2.05. Ada tiga bentuk hipotesis analisa ragam dua arah : Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . • Latihan 1. Kesimpulan ketiga production line menghasilkan produk dengan kualitas yang berbeda. maka H0 : μ1 = μ2 = μ3 ditolak. BB2 300 300 275 290 310 330 350 290 310 305 BB3 342 310 290 370 340 330 350 400 450 325 BAB 8 ANALISA RAGAM DUA ARAH Analisa ragam dua arah ( Twoway Analysis of Variance) digunakan untuk membandingkan mean lebih dari dua sampel yang diklasifikasikan menjadi dua factor atau dua klasifikasi.01.0001. Karena P-value lebih kecil dari α = 0.

Untuk factor kedua (B) : H0 : = = = …= H1 : minimal ada dua mean populasi yang tidak sama. dan bahasa Indonesia. Dan seterusnya. b. c.05 untuk melakukan. = mean populasi baris ke-1 dari factor kedua. Untuk interkasi anatar kedua factor A dan factor B ( bila ada ). Gunakan α = 0. statistika.34 | P a g e Untuk factor pertama (A) : H0 : = = = …= H1 : minimal ada dua mean populasi yang tidak sama. Uji hipotesis bahwa keempat mata kuliah tersebut memiliki tingkat kesulitan yang berbeda.. = mean populasi baris ke-r dari factor pertama. a. Ket : = mean populasi baris ke-1 dari factor pertama. Uji hipotesis bahwa kelima mahasiswa mempunyai kemampuan yang berbeda. bahasa inggris. Nama mahasiswa andy Nilai kuis Matematika 75 74 72 statistika 70 72 73 Bahasa inggris 78 79 76 Bahasa indonesia 77 79 80 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . = mean populasi baris ke-3 dari factor pertama. yaitu : matematika. = mean populasi baris ke-2 dari factor pertama. H0 : (μAB)1 = (μAB)2 = (μAB)3 = … = (μAB)r x c H1 : minimal ada dua mean interkasi populasi yang tidak sama. Uji hipotesis bahwa tidak ada interaksi antara mahasiswa dan mata kuliah. Contoh kasus analisa ragan 2 arah adalah sebagai berikut : Data pada tabel di bawah ini adalah data hasil kuis yang didapat oleh 5 mahasiswa untuk 4 mata kuliah.

’4 = bahasa Indonesia’. 2.’2 = statistika’. Kedependen variable dan variabel mahasiswa [mahasiswa] serta variabel matakuliah[mtkuliah] ke Fixed factor(s). 1.’2 = diah’. pada variable view kita definisikan : a. pindahkan variabel nilai kuis [nilai].’3 = bahasa inggris’. Skala variabel mahasiswa adalah nominal. kemudian klik analyze dan klik general linear model lalu pilih univariate. 4. Skala variabel matakuliah adalah nominal.’4 = sinta’. variabel nilai kuis dengan nama nilai dan diberi variabel label nilai kuis. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . b.’5 = yanti’.’3 = hendra’. pada lembar data view kita masukkan data di atas.35 | P a g e diah 79 77 78 85 87 88 74 76 77 54 53 56 84 83 81 82 80 81 81 84 83 53 50 52 82 81 85 80 83 81 76 75 73 54 50 53 83 82 80 hendra 70 71 72 sinta 55 54 53 yanti 80 82 84 Penyelesaiannya. variabel mahasiswa dengan nama mahasiswa dan labelnya mahasiswa serta value label ‘ 1 = andy’. variabel matakuliah dengan nama mtkuliah dan labelnya mata kuliah serta value label ‘1 = matematika’. 3. c.

7. Disini kita memilih Bonferroni karena belum tahu asumsi mana yang bisa dipenuhi. Pundahkan factor mahasiswa dan mtkuliah ke post hoc test for dan kemudian pilih Bonferroni biladiasumsikan sama dan GamesHowell bila di asumsikan variance tidak sama. Klik post Hoc. untuk menghitung Post Hoc Multiple Comparison terhadap variabel mahasiswa dan variabel mata kuliah. Lalu klik option. Maka akan didapat hasil sebagai berikut : Univariate Analysis of Variance Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . 6.36 | P a g e 5. kemudian klik continue lalu klik ok. Pilih Homogeneity test. kemudian klik continue.

600 mahasisw * 353.600 4 3 12 40 60 59 Mean Square 384.267 mtkuliah 92.507 Sig.981) post hoc test mahasiswa Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .000 138681. .544 .370 df1 19 df2 40 Sig.867 29.37 | P a g e Between-Subjects Factors Value Label Mahasisw a 1 2 3 4 5 1 2 3 4 Andy Diah Hendra Sinta Yanti Matematik a Statistika Bahasa Inggris Bahasa Indonesia N 12 12 12 12 12 15 15 15 15 Matakulia h Levene's Test of Equality of Error Variances(a) Dependent Variable: Nilai Kuis F .000 47 729.989 Tests the null hypothesis that the error variance of the dependent variable is equal across groups.000 Corrected Total 7394.177 .733 mtkuliah Error 94.567 30.4 .135 .600(a 19 ) Intercept 325901.000 a R Squared = .400 1713.350 F 163.987 (Adjusted R Squared = . a Design: Intercept+mahasisw+mtkuliah+mahasisw * mtkuliah Tests of Between-Subjects Effects Dependent Variable: Nilai Kuis Type III Sum of Source Squares df Corrected Model 7300.000 12.242 325901. .400 1 mahasisw 6854.000 Total 333296.000 13.478 2.

J) Error Upper Lower Bound Bound -6.81 -24.50 .83(*) .626 -5.626 -6.626 6.06 -31.47 24.626 -.03 Andy Diah Hendra Sinta Yanti Diah Hendra Sinta Yanti Andy Hendra Sinta Yanti Andy Diah Sinta Yanti Andy Diah Hendra Yanti Andy Diah Hendra Sinta Based on observed means.69 -4.69 -1.53 -26.67(*) .17(*) .47 -30.000 .11 27.33(*) .000 .03 -27.626 -.626 5. Interpretasi hasil • Dari tabel levene’s test of equality of error variance yang menguji hipotesis H0 : variance diasumsikan sama Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .626 .25(*) .626 -6.19 3.36 4.78 -21.000 .47 8.44 1.Std.000 .89 7.36 -1.626 -29.626 22. * The mean difference is significant at the .97 4.28 2.19 -20.000 1.67(*) .38 | P a g e Multiple Comparisons Dependent Variable: Nilai Kuis Bonferroni (J) (I) Mahasis Mahasiswa wa Mean Difference (I.000 .31 31.19 -4.000 .58 .626 Sig.89 21.000 .000 .33(*) .19 -8.626 29.626 -22.05 level.000 .31 4.000 .53 -2.92(*) .25(*) .626 28.17(*) .626 6.75(*) .28 20.000 .626 -22.78 -8.44 -7. Lower Bound .97 8.000 .92(*) .33(*) .11 -4.61 26.000 1.75(*) .000 .50 .81 30.626 6.61 -3.000 95% Confidence Interval Upper Lower Bound Bound -8.39 8.36 2.000 1.47 -2.33(*) .58 .000 .000 1.000 .36 1.626 -28.39 -24.06 24.626 22.626 .83(*) .

177 dengan derajat kebebasan r -1 = 5 -1 = 4 dan rc(n-1) = 5x4(3-1) = 40 serta P-value=0.05 diperoleh data sebagai berikut : Faktor B Faktor A A1 (dasar) A2 (tengah) A3 (tengah) B1 ( regular) 47 43 62 68 41 39 B2 (non regular) 46 40 67 71 42 46 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .544 dengan derajat kebebasan (r-1)(c-1) = (5-1)(4-1) = 12 dan rc(n-1)= 5x4(3-1) = 40 serta P-value=0. Suatu perusahaan roti menduga bahwa penataan roti pada etalase yang dipajang mempengaruhi penjualan roti. Karena P-value lebih kecil dari α=0.000. Kesimpulan ada interaksi diantara kedua faktor. A3) dan lebar (B1.000.39 | P a g e H1 : variance diasumsikan tidak sama Didapat hasil P-value = 0. Apabila tingkat penjualan di ukur dari banyaknya roti yang terjual dan asumsikan α = 0. maka H0 : μmatematika = μstatistika = μbahasainggris = μbahasa indonesia ditolak.989 yang lebih besar dari α = 0.05.05 sehingga H0 : variance diasumsikan sama tidak dapat ditolak. • Dari tabel ANOVA di dapat nilai statistik untuk main effect sebagai berikut : a. B3).05. b. maka H0 : (μmhs-mtkliah)1 = (μmhs-mtkliah)2 = … = (μmhs-mtkliah)20 ditolak.B 2. Faktor matakuliah nilai uji F = 13. c. Kesimpulan kelima mahasiswa mepunyai kemampuan yang berbeda.135 dengan derajar kebebasan c -1 = 4-1 = 3 dan rc(n-1) = 5x4(3-1) = 40 serta P-value=0. Penataan roti pada etalase meliputi tinggi (A :A1 . Kesimpulan keempat mata kuliah mepunyai tingkat kesulitan yang berbeda. A2.05. Latihan 1. Karena P-value lebih kecil dari α= 0. Kesimpulan variance sama.000. Faktor mahasiswa : nilai uji F = 729. Karena P-value lebih kecil dari α=0. maka H0 : μandy = μdiah = μhendra = μsinta = μyanti ditolak. Faktor interaksi : nilai uji F=12.

499 1. Contoh kasusnya adalah sebagai berikut : Sebuah perusahaan jeans memperkirakan bahwa iklan di televisi akan meningkatkan permintaan produk jeans perusahaan tersebut. H0 : β0 Prosedure dengan SPSS 0 DanH1 : β1 = 0 .040 2. Penyelesaiannya Bentuk hipotesis untuk menguji koefisien b0 dan b1 H0 : β0 = 0.939 0. variabel independen x sering disebut sebagai variabel prediktor.897 2.753 0.05.049 1.176 1.292 1. sedangkan variabel dependen y sering disebut sebagai variabel respons.529 1.983 1. Bagian marketing perusahaan tersebut membuat model persamaan regresi untuk mempredeksi permintaan produk berdasarakan biaya iklan yang pernah dianggarakan dan digunakan selama 19 tahun terakhir seperti tercantum dalam tabel berikut : Jumlah permintaan jeans (dlm ribuan) 94 96 95 95 94 95 94 104 104 106 108 110 113 113 118 115 121 127 131 Biaya iklan ( dlm puluhan juta) 0.749 1.832 0.40 | P a g e BAB 9 ALALISIS REGRESI SEDERHANA Analisis regresi sederhana digunakan untuk mempredeksi nilai suatu variabel dependen y berdasarkan nilai variabel independen x. Gunakan α = 0.929 0.599 1.473 0.746 1. H0 : β1 0 Dimana β0 dan β1 adalah parameter dari model regresi yi = β0 + β1 χi + εi Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . Apakah regresi yang didapat signifikan.403 1.178 1.231 Tentukan persamaan regresi untuk data diatas. analisis regresi juga dapat digunakan untuk melihat pengaruh variabel independen x terhadap variabel dependen y.

938 . Pindahkan variabel permintaan jeans ke dependent dan variabel biaya iklan ke independent(s). maka akan di dapat hasil sebagai berikut : Model Summary Mode l R 1 . pastikan anda memilih method : enter.124 35.266 Sig.114 F 259.055 9.000 a Dependent Variable: Jumlah Permintaan Jeans Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . pada lembar data view masukkan data diatas.000 18 a Predictors: (Constant).508 .019 a Predictors: (Constant). Untuk variabel biaya iklan gunakan nama iklan dan labelnya biaya iklan. Kemudian klik ok. 4.. Biaya Iklan ANOVA(b) Mode Sum of l Squares df 1 Regression 2363.935 Std. pada lembar variable view kita definisikan variabel jumlah permintaan jeans dengan nama variabel jeans dan labelnya jumlah permintaan jeans. 3. Error . jumlah 2. .41 | P a g e 1.969(a) Adjusted R Square R Square .000(a) Model 1 (Constant) Biaya Iklan Sig.280 1.000 .regression.055 1 Residual 154. Std. Lalu pilih linear.673 2.102 Mean Square 2363.969 16. Error of the Estimate 3. kemudian klik analyze. Biaya Iklan b Dependent Variable: Jumlah Permintaan Jeans Coefficients(a) Unstandardized Standardized Coefficients Coefficients t Std.945 17 Total 2518.161 24. B Error Beta B 74.

• • • • Untuk menguji signifikan masing-masing koefisien regresi digunakan uji statistik t.2 Ina 135 49. … .000 yang jauh lebih kecil dari α = 0.4 Maruija 155 65. 2.4 Haryadi 126 41. ί = 1. sebuah penelitian tentang hubungan antara tinggi badan dengan berat badan pada siswa sebuah sekolah.05 Persamaan garis regresi menggunakan metode kuadrat terkecil ( least square method) yang didapat adalah : ŷ = 74.8 Rendy 160 67.5 Uniana 155 63. maka kita hanya menguji H0 : β0 = 0 terhadap H1 : β1 0. Tetapi karena pada regresi sederhana hanya ada satu β1.266 untuk derajat kebebasan k = 1 dan n-k-1 = 19 – 1 – 1 = 17 dan P-value = 0. karena P-value = 0.000. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .42 | P a g e interpretasi hasil • dari R2 (R square ) dari tabel Model Summary menunjukkan bahwa 93.05.280 x Dimana ŷ = jumlah permintaan jeans dan x = biaya iklan.000 lebih kecil dari α = 0.8 wahana 172 78.9 Yayuk 150 61.6 Maya 135 46.102 dengan derajat kebebasan n – 2 = 19 – 2 = 17 dan P-value = 0. hal ini merupakan bukti kuat penolakan H0 : β1 = 0. untuk menguji β1 : H0 : β1 = 0 terhadap H1 : β1 0. Diambil secara acak 15 siswa pada sekolah tersebut dan diperoleh data sebagai berikut : nama Tinggi badan (x) Berat badan (y) Animah 120 38. Uji F menguji secara serentak hipotesis H0 : β1 = β2 = β3 = … βk = 0 terhadap H1 : tidak semua βi .000 lebih kecil dari α = 0. Apakah regresi yang didapat signifikan.8% dari variance “ jumlah permintaan jeans” dapat di jelaskan oleh perubahan dalam variabel “ biaya iklan “ tabel ANOVA diatas mengindifikasikan bahwa regresi secara statistik sangat signifikan dengan nilai F = 259. Dari tabel ANOVA jelas sekali terlihat bahwa H0 ditolak karena P-value = 0.6 Tentukan persamaan regresi untuk data diatas. Di dapat nilai t = 16.673 + 24.8 Mafaza 155 66.2 Masihah 150 59.8 Dewi 143 55.5 Fafa 162 68. Gunakan α = 0.05.7 Rangga 162 81.8 Jaka 170 75. k sama dengan nol.05 Latihan 1.

dan pengalaman kerja sebagai sales. analisa ini digunakan untuk melihat sejumlah variabel independen x1 . x2 . Perusahaan itu ingin membuat model regresi berganda untuk memprediksi income berdasarkan usia dan pengalaman kerja. pada lembar variable view kita definisikan variabel usia dengan nama usia. Untuk variabel pengalaman kerja di beri label pengalaman kerja. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .05. Contoh kasusnya adaalah sebagai berikut : Suatu perusahaan memiliki data usia. Data dapat dilihat pada tabel dibawah ini . Gunakan α = 0.43 | P a g e BAB 10 ANALISA REGRESI LINEAR BERGANDA Analisa regresi linear berganda adalah pengembangan dari analisa regresi linear sederhana dimana terdapat lebih dari satu variabel independen x. 2. … xk terhadap variabel dependen y berdasarkan nilai variabel-variabel independen x1 . Penyelesaiannya 1. … xk. pada lembar data view kita masukkan data diatas. Usia (x1) 31 3 38 39 30 28 20 23 25 28 29 Pengalaman kerja (x2) 4 4 5 2 0 3 0 1 2 4 5 Income (y) 35400 41200 45000 40300 22000 28000 13000 22000 26000 27000 30000 Tentukan koefisiensi dari persamaan regresi berganda dan tentukan apakah koefisiensi yang diperoleh signifikan. Lakukan pula estimasi untuk seorang sales yang berusia 40 tahun dengan pengalaman kerja 4 tahun. income sales person. Variabel pengalaman kerja dengan nama pengalaman. x2 . dan variabel income dengan nama income.

lalu klik plots. kemudian klik continue . Pilih normal probability plot. Pindahkan variabel income ke dependent dan variabel usia serta pengalaman kerja ke independent(s) 4. collinearity diagnostics dan durbin-waston 5. regression. kemudian klik analyze. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . model fit. Kemudian pindahkan standardized residual *BZRESID ke dalam kotak Y dan standardized predicted value *ZPRED ke dalam kotak X. pastikan method : enter telah terpilih.44 | P a g e 3. lalu klik statistics dan pilih estimates. lalu pilih linear.

36 4 F 64. lalu klik ok maka akan di dapat hasil sebagai berikut : Variables Entered/Removed(b) Mode Variables l Entered 1 Variables Removed Method Enter Pengalam an Kerja.000(a) a Predictors: (Constant). Error of the DurbinEstimate Watson 2615. Pengalaman Kerja. usia b Dependent Variable: income ANOVA(b) Mode l 1 Sum of Squares df Regression 8769684 63. 997 6840078.915 9316890 90.970(a) Adjusted R Square R Square . usia(a) a All requested variables entered. b Dependent Variable: income Model Summary(b) Mode l R 1 .354 1. Pengalaman Kerja.941 .105 Sig. usia b Dependent Variable: income Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .909 2 8 10 Mean Square 438484231.45 | P a g e 6.994 Residual Total 5472062 6.927 Std. . .497 a Predictors: (Constant). kemudian klik continue .

4 0 . 2 0 .000 2339.5 -1.5 0 .175 . 6 0 .0 -0.46 | P a g e Residuals Statistics(a) Minimu m Predicted Value Residual Std.91 9364.0 0 .659 3071.0 -1.45 43598. 0 0 .79 29990. 6 0 . 8 1 . 0 0 .894 Std. 2 0 . 0 0 .740 .5 -2 -1 0 1 2 R egression S dardized P tan redicted V alue Interpretasi hasil Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .000 .l m P o f e es S dr zd e da g o a d s Expected Cum Prob D ednVral :i cm e net a b no e p i e 1 .5 1 . Value Predicted Maximu m Std. Deviation Mean N 11 11 11 11 13661. 4 0 .404 1. 0 O e eC Pb b r du r sv mo Scatterplot Regression Standardized Residual D ependent Variable: incom e 1 .000 .000 3672.244 1.744 -1. 8 0 .429 -1.453 1. Residual chart a Dependent Variable: income Nr aP P toR r si n t na i e R i ul o l .

5 + 1201. terlihat bahwa H0 : β1 = β2 = 0 ditolak secara signifikan..05.000 yang lebih kecil dari dari α = 0. Sehingga dapat disimpulkan bahwa koefisien regresi tidak ada yang bernilai nol. b. Tabel ANOVA mengidentifikasikan bahwa regresi berganda secara statistic sangat signifikan dengan uji statistic F= 64. Terhadap H1:2 0 Hasil uji-t :t = 3. hal ini merupakan bukti kuat penolakan H0 : β2 = 0. Variabel usia H0 : β1 terhadap H1 • • • • • 0 Hasil uji-t : t = 7.605 dengan derajat kebebasan n-k = 11-2-1= 8. digunakan uji-t dengan hasil sebagai berikut : a.05. Scatterplot anatara *ZRESID dan *ZPRED tidak membentuk pola tertentu. • Dari tabel coefficients juga terlihat baha nilai VIF = 1. sehingga bias dianggap residual mempunyai variance konstan. • Persamaan regresi berganda yang diperoleh dengan menggunakan metode kuadrat terkecil kriteria adalah ŷ = -10360.05. Variabel pengalaman kerja : H0 : β2 = 0.377 sehingga masih dapat dianggap tidak terjadi multicollinearity ( atau tepatnya hanya low collinearity).105 dan derajat kebebasan k = 2 dan n-k-1 = 11 -2 -1 = 8. Uji F menguji hipotesis H0 : β1 = β2 = 0 terhadap H1 : β1 dan β2 tidak sama dengan nol Dari P-value = 0.000 yang lebih kecil dari α = 0. ( homoscedasticity) • • Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . x2 = pengalaman kerja. dan P-value = 0.098x1 + 1663. Jadi dapat diasumsikan tidak terjadi autocorrelation. dan P-value = 0.1% dari variance “ income “ dapat di jelaskan oleh perubahan dalam variabel “ usia” dan “ pengalaman kerja “ Nilai uji statistik durbin-watson = 1. hal ini merupakan bukti kuat penolakan H0 : β1 = 0.000 lebih kecil dari α = 0.169 dengan derajat kebebasan n-k = 11-2-1= 8.516 x2 dimana : ŷ = income.05. x1 = usia..47 | P a g e • Nilai R2 (R square) dari tabel model summary menunjukkan bahwa 94. Dari normal probability plot juga terlihat bahwa titik-titik data berbentuk pola linear sehinggga konsisten dengan distribusi normal. Ini berarti koefisien β1 dan β2 tidak smuanya bernilai nol. P-value = 0.013 yang lebih kecil dari dari α = 0..497. Untuk menguji apakah masing-masing koefisien regresi signifikan.

variabel merokok dikategorikan menjadi 1=merokok dan 0= tak merokok. multi nominal. benar-salah dll. Detak jantung responden di kategorikan menjadi 1= tinggi dan 0=rendah. x2 … xk terhadap variabel dependen y yang berupa variabel kategorik ( binominal. ya-tidak. 0= rendah 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 1 0 1 1 0 0 Merokok 1= merokok. Berikut data ini datanya: Detak jantung 1= tinggi. 0= tak merokok 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 1 Berat badan kg 68 71 57 86 70 77 70 98 59 59 70 74 57 61 57 54 55 52 46 75 68 50 53 79 43 57 60 80 Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . Contoh kasusnya adalah sebagai berikut : Seorang peneliti mengamati pengaruh merokok dan berat badan terhadap detak jantung saat responden beristirahat. x2 … xk . Regresi logistik biner Adalah regresi logistik dimana variabel dependennya berupa variabel dikotomi atau variabel biner.48 | P a g e BAB 11 ANALISA REGRESI LOGISTIK Analisa regresi logistik digunakan untuk melihat pengaruh sejumlah variabel independen x1. misalnya sukses-gagal. atau ordinal ) atau juga untuk memprediksi nilai suatu variabel dependen y ( yang berupa variabel kategorik ) berdasarkan nilai variabel-variabel independen x1.

Pilih binary logistic. maka akan didapat hasil sebagai berikut : Logistic Regression Case Processing Summary Unweighted Cases(a) Selected Cases Included Analysis Missing Cases Total Unselected Cases Total Dependent Variable Encoding Original Value Rendah Internal Value 0 in N 30 0 30 0 30 Percent 100. regression. 4. untuk variabel detak jantung beri nama detak dan labelnya detak jantung. sedang value labelnya ‘1 = merokok ‘. c. sedang value labelnya ‘1 = tinggi ‘. kemudian klik analyze. pastikan method : enter telah terpilih. 2. Kemudian klik ok.49 | P a g e 1 0 0 0 68 90 Tentukan persamaan regresi logistik biner dan tentukan apakah koefisien regresi yang diperoleh signifikan. b. pada lembar variable view kita definisikan : a.0 100. Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 . x2 = berat badan. untuk variabel merokok beri nama merokok dan labelnya merokok.’2 = tak merokok ‘. 3. 1. Pindahkan variabel detak jantung [detak] ke dependent dan variabel merokok [merokok] dan berat badan[berat] ke covariates.0 a If weight is in effect.05 Penyelesaiannya n = 30 .0 . Gunakan α =0. see classification table for the total number of cases.0 .’2 = rendah ‘. pada data view kita masukkan data diatas. x1 = merokok. y = detak jantung. untuk variabel berat badan beri nama berat dan labelnya berat badan.0 100.

178(a) .0 73.3 Model Summary Cox & -2 Log Snell R Nagelkerke likelihood Square R Square 23.50 | P a g e Tinggi 1 Block 0: Beginning Block Classification Table(a.b) Observed Predicted Detak Jantung Rendah Step 0 Detak Jantung Overall Percentage a Constant is included in the model.321 .500 Rendah Tinggi 22 8 Tinggi 0 0 Percentage Correct Rendah 100.468 Step 1 a Estimation terminated at iteration number 6 because parameter estimates changed by less than .0 . Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .001. b The cut value is .

05.05. Koefisien nagelkerke R square pada tabel model summary merupakan modifikasi Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .004.3 %. dalam contoh ini uji wald =[ • ]2 = ]2 = 6.178 . 3.. 3.617 dengan derajat kebebasan =2 P-value=0. Nilai koefisien nagelkerke R square umumnya lebih besar dari koefisien cox & snall R square tapi cenderung lebih kecil dibandingkan dengan nilai koefisien R2 pada regrei linear berganda. Tabel omnibus test of model coefficients memberikan nilai chi-square goodness-of- fit test sebesar 11. Maka kesimpilannya constant dari model regresi logistic ini signifikan.012)= ę-1. P-value = 0. Tetapi karena nilai cox & snall R square biasanya lebih kecil dari 1 maka sukar untuk di interpretasikan dan jangan digunakan dari koefisiensi cox & snall R square agar nilai maksimumnya bias mencapai satu dan mempunyai kisaran nilai antara 0 dan 1. Dalam contoh ini koefisien nagelkerke R square = 0. Untuk model yang sempurna. 2. maka odd ratio = = 0. Classification table menunjukkan tabel 2x2 dengan kolom berupa predicted values • dari variabel dependen dan baris berupa niali data aktual yang diamati. Uji wald sama dengan kuadrat dari rasio koefisien regresi logistic B dan standar error S. Tabel variables in the equation yang hanya berisi constant memberikan nilai b0 = x 100% - -1. semua cases akan terletak pada diagonal tabel dan overall percentage akan bernilai 100%.014 lebih kecil dari α = 0. semakin kecil nilai -2 loglikehood semakin baik.102 atau exp(-1. Output block : 0 beginning block 1. Overall percentage yang memprediksi model dengan benar mempunyai nilai cukup baik sebesar 73. Karena responden yang mempunyai detak jantung tinggi ada 8 dan yang mempunyai detak jantung rendah ada 22. chi-square goodness-of-fit test disini digunakan untuk menguji hipotesis : H0 : memasukkan variabel independen ke dalam model tidak akan menambah kemampuan predeksi model regresi logistik 2. sama seperti koefisien determinasi R2 pada regresi linear nerganda.468.51 | P a g e Interpretasi hasil • tabel dependen variable enconding menunjukkan variabel detak jantung diberi kode 1= tinggi dan 0= rendah. Jika model regresi logistic mempunyai variance sama. maka nilai persen (%) pad akedua baris hampir sama. 4. Uji wald pada tabel variables in the equation digunakan untuk menguji apakah masing-masing koefisien regresi logistik signifikan.003 lebih kecil dari α = 0. Tabel model summary memberikan nilai statistic -2 loglikehood = 23.364. Koefisien cox & snall R square pada tabel model summary dapat diinterpretasikan sama seperti koefisien determinasi R2 pada regresi berganda.012 = 0. Pada output block 1 : method enter 1. sehingga hasil uji ini sngat signifikan.364 .E .

05.016 – 0. kasar.05. sedang. atau halus. seperti : merah. untuk koefisien variabel merokok : exp (3.024 P-value = 0. Hasil perhitungan koefisien dari model regresi logistik biner ini terlihat pada tabel variables in the equation sebagai berikut : In Atau = 8. maka koefisien regresi untuk variabel berat signifikan.166 berat + 3. Kristen. netral.425 merokok) 6. untuk koefisien variabel berat : 2 = 0. untuk koefisien variabel merokok: = 2 = 2 = 4. kolom Exp(B) merupakan odds ratio yang diprediksi oleh model : a. untuk koefisien variabel berat : exp (-0. maka koefisien regresi untuk variabel constant signifikan. uji wald manguji masing-masing koefisien regresi logistik : a. P-value = 0.016 = 3027.024 lebih kecil dari α = 0.046 lebih kecil dari α = 0.52 | P a g e 5. budha dll Regresi logistik ordinal Adalah regresi logistic dimana variabel dependennya berupa variabel dengan skala ordinal seperti : sangat setuju. biru.016) = 8.815 7. hitam atau islem. P-value = 0.05.847 c. c. Untuk constant : exp 8. maka koefisien regresi untuk variabel merokok signifikan. Regresi logistik multinomial Adalah regresi logistic dimana variabel dependennya berupa variabel kategorik yang terdiri lebih dari dua nilai. kuning.016 – 0.028 lebih kecil dari α = 0.166 berat + 3.166) = -0.425) = 3.712 b.425 merokok =exp (8. setuju. sangat tidak setuju.166 = 0. untuk constant : 2 = 3. b.821. tidak setuju. hindu. dll Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .980.425 = 30.

53 | P a g e End of Modul Sekolah Tinggi Teknologi Kedirgantaraan Yogyakarta ©2010 .

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->