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
Name Type Width Decimals Label Values Missing Columns Align Measure
Nama String 15 Nama 15 Left Nominal
x1 Numeric 8 0 Jenis {1,Laki- None 8 Left Ordinal
kelamin laki,..}
x2 Numeric 8 0 Nilai None None 8 Center Scale
Riset
x3 Numeric 8 0 Nilai None None 8 Center Scale
Statistik
x4 Numeric 8 0 Nilai None None 8 Center Scale
SPSS
y Numeric 8 2 Indek None None 8 Center Scale
Prestasi
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 masing-
masing variabel satu persatu, lalu klik tanda panah (segitiga) kecil untuk memasukkan variabel
tersebut
Masukkan variabel nama pada kotak name variabel
Klik OK
Menu transformasi data berguna untuk melakukan kegiatan perubahan data yang telah ditulis pada file
DATA-2.
DATA PENGHASILAN DAN PENGELUARAN
No. Umur Status Penghasilan/bln Pengeluaran
x1 x2 x3 y
1 25 Pegawai Rp. 750.000 Rp. 600.000
2 35 Swasta Rp.1.250.000 Rp.1.000.000
3 40 Petani Rp. 800.000 Rp. 400.000
4 56 Pegawai Rp. 900.000 Rp. 750.000
5 60 Pegawai Rp.1.500.000 Rp.1.200.000
6 33 Swasta Rp.2.500.000 Rp.2.000.000
7 45 Petani Rp. 600.000 Rp. 450.000
8 52 Swasta Rp.3.000.000 Rp.2.500.000
9 22 Petani Rp.1.750.000 Rp.1.250.000
10 18 Petani Rp.1.100.000 Rp.1.000.000
Name Type Width Decimals Label Values Missing Columns Align Measure
x1 Numeric 8 0 Umur None None 8 Center Scale
x2 Numeric 8 0 Status {1,Petani....} None 8 Center Nominal
x3 Numeric 8 2 Penghasilan None None 10 Right Scale
y Numeric 8 2 Pengeluaran None None 10 Right Scale
PERINTAH COMPUTE
Compute digunakan untuk membuat (menghitung) value-value suatu variabel baru atau dari variabel-
variabel 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
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:
No Jenis Kelamin Pekerjaan Pendapatan (Rp)
(x1) (x2) (x3)
1 Laki-laki Tani 650000
2 Laki-laki Pegawai 750000
3 Wanita Swasta 1450000
4 Wanita Tani 350000
5 Laki-laki Swasta 1500000
6 Wanita Pegawai 780000
7 Laki-laki Pegawai 2000000
8 Laki-laki Tani 750000
9 Laki-laki Swasta 1250000
10 Wanita Pegawai 1000000
11 Wanita Swasta 1250000
12 Wanita Tani 450000
13 Laki-laki Tani 550000
14 Laki-laki Tani 950000
15 Wanita Pegawai 950000
16 Laki-laki Tani 750000
17 Laki-laki Pegawai 475000
18 Wanita Swasta 1150000
19 Wanita Tani 450000
20 Laki-laki Swasta 780000
21 Wanita Pegawai 1375000
22 Laki-laki Pegawai 675000
23 Laki-laki Tani 450000
24 Laki-laki Swasta 1125000
25 Wanita Pegawai 1500000
26 Wanita Swasta 800000
27 Wanita Tani 450000
28 Laki-laki Tani 675000
29 Laki-laki Tani 560000
30 Laki-laki Tani 455000
Untuk data ketiga variabel tadi kita beri kode sbb:
a. Jenis kelamin = Value 1 = laki-laki
Value 2 = wanita
b. Pekerjaan = Value 1 = tani
Value 2 = pegawai
c. Pendapatan = Value 1 = rendah (<500000)
Value 2 = sedang (500000-1000000)
Value 3 = tinggi (>1000000)
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)
Lama Baru
75 76
85 78
82 85
68 95
72 92
65 89
56 96
68 88
60 75
62 72
75 60
70 64
71 68
91 87
60 90
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).
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
Pengisian variabel:
Name Type Width Decimals Label Value Missing Column Align Measure
Sebelum Numeric 8 2 Sblm lat None None 8 Left Scale
komp
Sesudah Numeric 8 2 Setlh lat None None 8 Left Scale
komp
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 rata-
rata nilai mahasiswa mampu mencapai 74,100.
Buatlah DATA-7
Data Nilai Mahasiswa
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
Bulan
Selling Promotion Advertensi (unit)
Ke
(x1) (x2) (x3) (y)
1 12500000 8750000 5450000 600
2 11000000 7000000 4210000 540
3 9750000 3550000 4100000 465
4 7742500 4555000 3990000 430
5 5656800 2555000 3550000 421
6 4555000 3256600 2390000 350
7 6750050 3300000 4554000 480
8 5990000 2750000 4320000 400
9 4580000 2500000 3700000 320
10 5800500 4200000 5610000 400
11 7990000 4500000 4660000 521
12 4500000 3758000 3850000 250
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.
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
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).
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
Pengujian nilai t:
Pengujian nilai t digunakan untuk menguji adakah pengaruh masing-masing variabel x1, x2 dan x3
terhadap y. Sebelumnya pada hasil anova kita perhatikan proses pengujian apakah variabel x1, x2 dan
x3 secara bersama-sama mempengaruhi variabel y.
Pengujian x1 terhadap y:
1. Hipotesis:
Ho: tidak terdapat pengaruh x1 terhadap y
Hi : terdapat pengaruh x1 terhadap y
2. Ketentuan: (berdasarkan probabilitas)
Ho: ditolak, jika probabilitas < 0,05
Ho: diterima, jika probabilitas > 0,05
3. Kesimpulan:
Jika diperhatikan hasil perhitungan harga t untuk variabel selling sebesar 3,338 dengan
probabilitas (signifikansi)= 0,010. Jadi probabilitas 0,01 masih dibawah 0,05. Dengan demikian,
Ho: ditolak. Dapat disimpulkan bahwa memang ada pengaruh x1 (selling) terhadap y (penjualan).
Pengujian x2 terhadap y:
1. Hipotesis:
Ho: tidak terdapat pengaruh x2 terhadap y
Hi : terdapat pengaruh x2 terhadap y
2. Ketentuan: (berdasarkan probabilitas)
Ho: ditolak, jika probabilitas < 0,05
Ho: diterima, jika probabilitas > 0,05
3. Kesimpulan:
Jika diperhatikan hasil perhitungan harga t untuk variabel promosi sebesar -0,657 dengan
probabilitas (signifikansi)= 0,53. Jadi probabilitas 0,53 > 0,05. Dengan demikian, Ho: diterima.
Dapat disimpulkan bahwa tidak terdapat pengaruh x2 (promosi) terhadap y (penjualan).
Pengujian x3 terhadap y:
1. Hipotesis:
Ho: tidak terdapat pengaruh x3 terhadap y
Hi : terdapat pengaruh x3 terhadap y
2. Ketentuan: (berdasarkan probabilitas)
Ho: ditolak, jika probabilitas < 0,05
Ho: diterima, jika probabilitas > 0,05
3. Kesimpulan:
Jika diperhatikan hasil perhitungan harga t untuk variabel advertensi sebesar 0,801 dengan
probabilitas (signifikansi)= 0,446 probabilitas 0,446 > 0,05. Dengan demikian, Ho: diterima.
Dapat disimpulkan bahwa tidak terdapat pengaruh x3 (advertensi) terhadap y (penjualan).
BAB VIII
CHI SQUARE TEST
Uji Chi Square (uji Chi-Kuadrat) yang seringkali bernotasi X 2 digunakan untuk melakukan pengujian
hipotesa terhadap proporsi relatif dari case yang dikelompokkan. Data yang sesuai digunakan pada
analisis chi square adalah data dalam bentuk frekwensi, tidak dalam bentuk angka rasio atau skala.
Contoh kasus untuk aplikasi uji chi square misalnya kita akan melakukan penelitian tentang minat
masyarakat dalam memilih stasiun TV yang akan mereka tonton. Secara acak dilakukan survey
terhadap 100 pemirsa TV.
DATA-9
Minat Masyarakat Menonton TV
Stasiun TV Klasifikasi/Kode Frekwensi/Jumlah
TVRI 1 8
TPI 2 14
RCTI 3 16
SCTV 4 19
ANTV 5 21
INDOSIAR 6 22
JUMLAH 100
Pengisian Data:
Name Type Width Decimals Label Values Missing Columns Align Measure
Minat Numeric 8 0 Nonton {1,TVRI..} None 8 Right Scale
TV
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
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
Analisis:
Pada bagian pertama memuat informasi deskripsi mengenai data mahasiswa. Dimana jumlah case
(N)=20, Mean= 74,10, Std. Deviasi= 13,75, minimum= 51 dan maksimum=97.
Pada bagian kedua berisi hasil uji One Sampel KS.
Pengujian hasil one sampel KS:
1. Hipotesis:
Ho : data nilai mahasiswa berdistribusi normal
Hi : data nilai mahasiswa tidak berdistribusi normal
2. Ketentuan:
Jika probabilitas > 0,05, maka Ho: diterima
Jika probabilitas < 0,05, maka Ho: ditolak
3. Keputusan:
Dari hasil uji One Sampel KS diatas, tampak bahwa nilai Asym.Sig. adalah 0,967. Jadi,
probabilitas (Sig.) 0,967 > 0,05. Dengan demikian, Ho: diterima dan Hi: ditolak. Dapat
disimpulkan bahwa distribusi nilai mahasiswa adalah normal.
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 61 80
16 83
17 70
Value label:
1= DKI
2= Sulsel
2. Pengisian data
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
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
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
3. Keputusan
Dari hasil perhitungan diatas diperoleh nilai Z= -3,724. Jadi Z hitung berada diluar batas kritis
penerimaan Ho. Dengan kata lain, Zh -3,724 < nilai kritis Z -1,96. Dengan demikian Ho ditolak
dan H1 diterima. Kesimpulannya, terdapat perbedaan waktu mengetik secara signifikans antara
menggunakan paket program WS dan Ms.Word.
Contoh Aplikasi 2:
Pengujian dengan pilihan type sign:
Pada contoh ini Anda hanya diminta untuk memilih (check box) Sign dan memastikan pilihan
Wilcoxon. Langkah kegiatannya adalah sbb:
Aktifkan DATA-12
Klik Analyze
Klik Non-Parametrik Test
Klik 2 Related Samples
Klik dua variabel sekaligus dan pindahkan ke kotak test pair(s) list
Pada test type, pilih sign dan matikan pilihan wilcoxon.
Klik options, pilih descriptive
Klik continue
OK
Analisis:
1. Hipotesis:
Ho : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah sama saja
Hi : Bahwa lama waktu mengetik dengan WS dan Ms.Word adalah tidak sama
2. Ketentuan
Dengan 0.05 (pengujian dua sisi):
Maka, Ho diterima jika: -1,96 Zh +1,96
Ho ditolak jika: Zh > +1,96 atau Zh < -1,96
3. Keputusan
Dari hasil perhitungan diatas diperoleh nilai Z= -3,834. Jadi Z hitung berada diluar batas kritis
penerimaan Ho. Dengan kata lain, Ho ditolak dan Hi diterima. Kesimpulannya, terdapat perbedaan
waktu mengetik secara signifikans antara menggunakan paket program WS dan Ms. Word.
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
Langkah pengujian:
1. Anda buat DATA-13
2. Klik Analyze
3. Klik Non-Parametrik Test
4. Klik K-Independen samples test
5. Klik variabel berat dan masukkan ke kotak test variable list
6. Klik variabel cara dan masukkan ke kotak grouping variable
7. Klik define range, isikan ke kotak minimum dengan angka 1 dan kotak maksimum dengan angka 5
8. Klik continue
9. Klik kruskal-wallis H dan Median
10. Klik option, pilih deskriptive
11. Klik continue
12. Klik OK
ANALISIS:
Uji Kruskall-Wallis
1. Hipotesis:
Ho: Tidak terdapat perbedaan rata-rata dari lima metode terhadap penurunan berat badan
Hi : Terdapat perbedaan rata-rata dari kelima metode terhadap penurunan berat badan
2. Ketentuan:
Ho diterima jika X2 hitung X2 tabel
Ho ditolak jika X2 hitung > X2 tabel
3. Keputusan:
Dari hasil perhitungan uji H (Kurskal-Wallis H) didapat harga 14,061. Sedang harga X 2 tabel
dengan tingkat kepercayaan () 0.05 dengan dk= k-1= 5-1= 4, didapat harga= 9,488.
Karena X2 hitung 14,061 > X2 tabel 0.05= 9,488, maka Ho ditolak.
Dengan demikian dapat disimpulkan bahwa terdapat perbedaan penurunan berat badan melalui
kelima cara tersebut.
UJI MEDIAN
Pengujian Hipotesis Median:
1. Menentukan Hipotesis
Ho: Dua atau lebih sampel yang diambil berasal dari populasi yang memiliki median yang sama
H1: Median yang berasal dari satu populasi tertentu berbeda dari populasi yang lainnya.
2. Ketentuan
Ho diterima jika X2 hitung X2 tabel dan
Ho ditolak jika X2 hitung > X2 tabel
Dengan menggunakan tingkat kepercayaan () 0.05 dengan dk= k-1= 5-1= 4, maka dari X2 tabel
didapat harga= 9,488
3. Keputusan
Dari hasil perhitungan uji median di atas didapat harga X2 hitung 10.577. Karena X2 hitung 10,557
> X2 tabel 0.05= 9,488. Jadi Ho ditolak. Dengan demikian dapat disimpulkan bahwa sampel-
sampel tersebut diperoleh dari populasi yang mempunyai median yang berbeda.
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
Metode Mengajar
NO
Ceramah Tanya-jawab Diskusi Tugas
1 45 71 81 78
2 52 61 72 80
3 56 59 73 79
4 63 63 68 69
5 72 72 64 76
6 64 65 58 90
7 56 59 66 75
8 61 63 75 86
9 48 58 76 78
10 57 70 80 67
2. Pengisian Data
CONTOH APLIKASI:
Aktifkan DATA-14
Klik Analyze
Klik Non-Parametrik Test
Klik K-Related Samples
Klik 4 variabel sekaligus, dan masukkan pada kotak test variabel
Pada test type, pilih Friendman (default)
Klik Statistics, pilih descriptive
Klik continue
Klik OK
ANALISIS:
1. Hipotesis:
Ho: Tidak terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswa
Hi : Terdapat perbedaan penerapan 4 metode mengajar terhadap nilai siswa
2. Ketentuan
Ho diterima jika X2 hitung X2 tabel dan Ho ditolak jika sebaliknya.
3. Kesimpulan
Dari hasil perhitungan Friedman Test didapat harga Chi-Square (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
RENCANA PERKULIAHAN