Modul R

UJI VALIDITAS DAN RELIABILITAS INSTRUMEN

PENGUMPULAN DATA

I. UJI VALIDITAS
Sebelum instrument/alat ukur digunakan untuk mengumpulkan data penelitian, maka perlu
dilakukan uji coba kuesioner untuk mencari kevalidan dan reliabilitas alat ukur tersebut. Uji
validitas berguna untuk mengetahui apakah alat ukur tersebut valid, valid artinya ketepatan
mengukur atau alat ukur tersebut tepat untuk mengukur sebuah variable yang akan diukur.
Kerlinger (1990) membagi validitas menjadi tiga, yaitu content validity (validitas isi), construct
validity (validitas konstruk), dan criterion-related validity (validitas berdasar kriteria). Uji validitas
dan realibilitas digunakan untuk menguji data yang berasal dari daftar pertanyaan atau kuesioner
responden, validitas dan reliabilitas dapat membuktikan bahwa daftar pertanyaan dalam kuesioner
yang diisi oleh responden sudah mewakili populasi atau belum.
Ada dua syarat penting yang berlaku pada sebuah kuesioner yaitu keharusan sebuah
kuesioner untuk valid dan reliabel. Suatu kuesioner dikatakan valid jika pertanyaan pada suatu
kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Sedangkan suatu kuisioner dikatakan reliabel (andal) jika jawaban seseorang terhadap pertanyaan
adalah konsisten atau stabil dari waktu ke waktu.
Uji validitas digunakan untuk mengetahui kelayakan butir-butir pertanyaan dalam suatu daftar
(konstruk) pertanyaan dalam mendefinisikan suatu variabel. Daftar pertanyaan ini pada umumnya
mendukung suatu kelompok variabel tertentu. Uji validitas dilakukan pada setiap butir pertanyaan,
dan hasilnya dapat dilihat melalui hasil r-hitung yang dibandingkan dengan r-tabel, dimana r-tabel
dapat diperoleh melalui df (degree of freedom) = n-2 (signifikan 5%, n = jumlah sampel).
Jika r-tabel < r-hitung maka valid
Jika r-tabel > r-hitung maka tidak valid

Tipe tipe umum pengukuran validitas :

1. Validitas Isi
Validitas isi merupakan validitas yang diperhitungkan melalui pengujian terhadap isi alat ukur
dengan analisis rasional. Pertanyaan yang dicari jawabannya dalam validasi ini adalah sejauh
mana item-item dalam suatu alat ukur mencakup keseluruhan kawasan isi objek yang hendak
diukur dari keseluruhan kawasan. Pengertian validitas mencakup keseluruhan kawasan isi ,
tidak saja menunjukkan bahwa alat ukur tersebut harus komprehensif isinya, tetapi harus pula
memuat hanya isi yang relevan dan tidak keluar dari batasan tujuan ukur.
Walaupun isi atau kandungannya komprehensif tetapi bila suatu alat ukur mengikutsertakan
pula item-item yang tidak relevan dan berkaitan dengan hal-hal di luar tujuan ukurnya, maka
validitas alat ukur tersebut tidak dapat dikatakan memenuhi ciri-ciri validitas yang sesungguhnya.
Validitas isi terbagi menjadi dua tipe, yaitu face validity (validitas muka) dan logical validity
(validitas logis).

a. Face Validity (Validitas Muka)

Validitas muka adalah tipe validitas yang paling rendah signifikasinya karena hanya
didasarkan pada penilaian selintas mengenai isi alat ukur. Apabila isi alat ukur telah tampak sesuai
dengan apa yang ingin diukur, maka dapat dikatakan validitas muka telah terpenuhi. Dengan
alasan kepraktisan banyak alat ukur yang pemakaiannya terbatas hanya mengandalkan validitas
muka.
b. Logical Validity (Validitas Logis)
Validitas logis disebut juga sebagai validitas sampling. Validitas tipe ini menunjuk pada
sejauhmana isi alat ukur merupakan representasi dari aspek yang hendak diukur. Untuk
mempeoleh validitas logis yang tinggi suatu alat ukur harus dirancang sedemikian rupa sehingga
benar-benar berisi hanya item yang relevan dan perlu menjadi bagian alat ukur secara
keseluruhan. Suatu objek ukur yang hendak diungkap oleh alat ukur hendaknya harus dibatasi
lebih dahulu kawasan perilakunya secara seksama dan konkrit. Validitas logis memang sangat
penting peranannya dalam penyusunan tes presentasi dan penyusunan skala, yaitu dengan
memanfaatkan blue-print atau table spesifikasi.

1
 2. Validitas Konstruk
Validitas konsturk adalah tipe validitas yang menunjukkan sejauhmana alat ukur mengungkap
suatu konstruk teoritis yang hendak diukurnya. Pengujian validitas konstruk merupakan proses
yang terus berlanjut sejalan dengan perkembangan konsep mengenai trait yang diukur. Walaupun
pengujian validitas konstruk biasanya memerlukan teknik analisis statistic yang lenih kompleks
daripada teknik yang dipakai pada pengujian validitas empiris lainnya, tetapi validitas konstruk
tidaklah dinyatakan dalam bentuk koefisien validitas tunggal.

3. Validitas Berdasar Kriteria

Pendekatan validitas berdasarkan kriteria menghendaki tersedianya criteria eksternal yang
dapat dijadikan dasar pengujian suatu alat ukur. Suatu kriteria adalah variabel perilaku yang akan
diprediksikan oleh suatu alat skor. Untuk melihat tingginya validitas berdasar kriteria, maka
dilakukan komputasi korelasi antara skor alat ukur dengan skor kriteria. Validitas berdasar criteria
menghasilkan dua macam validitas, yaitu validitas prediktif (predictive validity) dan validitas
konkruen (concurrent validity).
Dalam praktiknya, validitas berdasarkan krteria yang sering dilakukan oleh praktisi peneliti,
yaitu dengan melakukan korelasi Pearson Product Moment antar item kuesioner dengan jumlah
skor kuesioner. Akan tetapi, jika uji ini tidak dapat menganalisis hubungan antar item dalam
instrument secara simultan sebagaimana metode multivariat.
Saat ini telah dikembangkan bermacam teknik analisis multivariat, salah satu diantaranya
adalah analisis faktor konfirmatori yang sangat berguna untuk pengujian validitas dan reliabilitas
instrument yang digunakan dalam penelitian.

a. Validitas Prediktif
Validitas prediktif sangat penting artinya bila alat ukur dimaksudkan untuk berfungsi
sebagai prediktor bagi kinerja di masa yang akan datang. Contoh validitas prediktif yaitu :
- Seleksi penerimaan karyawan baru
- Bimbingan karir
- Penempatan karyawan
- Seleksi penerimaan mahasiswa baru
Contohnya adalah pada saat kita melakukan pengujian validitas alat ukur kemampuan
yang digunakan dalam penempatan karyawan. Kriteria yang terbaik antara lain adalah
kinerjanya setelah karyawan tersebut betul-betul ditempatkan sebagai karyawan dan
melaksanakan tugasnya selama beberapa waktu. Skor tersebut dapat diperoleh dengan
cara menggunakan indeks produktivitas dan rating yang dilakukan oleh atasan.

b. Validitas Konkruen
Validitas konkruen tepat digunakan apabila skor alat ukur kriterianya dapat diperoleh dalam
waktu yang sama, maka korelasi antara kedua skor tersebut merupakan koefisien validitas
konkruen. Untuk menguji validitas skala, maka dapat menggunakan skala kecemasan yang
telah lebih dahulu teruji validitasnya, seperti alat ukur TMAS (Tylor Manifest Anxiety Scale).
Validitas konkruen merupakan indikasi validitas yang memadai apabila alat ukur tidak
digunakan sebagai suatu prediktor dan merupakan validitas yang sangat penting dalam
situasi diagnostik. Bila alat ukur dimaksudkan sebagai prediktor, maka validitas konkruen
tidak cukup memuaskan dan validitas prediktif merupakan keharusan.

Uji Validitas dengan Korelasi Parson Product-Moment

Dalam praktiknya penggunaan uji validitas dengan rumus rxy, yaitu Pearson Product
Moment merupakan uji beda dari alat ukur tersebut, yaitu uji yang membedakan antara
kelompok atas dengan kelompok bawah, dalam arti bahwa jawaban kelompok atas
seharusnya mampu menjawab (nilai skor 1) dan kelompok bawah seharusnya tidak mampu
menjawab (nilai skor 0).
Kelemahan menggunakan uji ini adalah apabila jumlah responden (sampel) yang
digunakan cukup besar, maka akan berdampak pada tingginya koefisien korelasi rxy,
sehingga berdampak pada tingginya koefisien korelsi rxy dan berdampak pada
kecenderungan untuk menjadi valid pada item tersebut. Parameter dari hasil uji rxy adalah
2
 besarnya koefien korelasi pearson prduct moment antara 0,0 sampai 1 dikatakan valid bila
besarnya rxy hitung lebih besar rxy tabel, koefisien korelasi > dari 0,50. Uji korelasi
dilakukan dengan cara mengkorelasikan item alat ukur dengan jumlah keseluruhan item
alat ukur yang ada.

Rumus umum koefisien korelasi Pearson product Moment adalah sebagai berikut :
r = (N X.Y X. Y) / ( { N X2 - (X)2 } { N Y2 - (Y)2 })

II. UJI RELIABILITAS

Reliabilitas adalah keandalan/konsistensi alat ukur (keajegan alat ukur), sehingga reliabilitas
merupakan ukuran suatu kestabilan dan konsistensi responden dalam menjawab hal yang
berkaitan dengan konstruk-konstruk pertanyaan yang merupakan dimensi suatu variabel dan
disusun dalam suatu bentuk kuesioner. Setelah dilakukan uji validitas, maka harus dilanjutkan
dengan menggunakan uji reliabilitas data. Alat ukur yang reliabel pasti terdiri dari item-item alat
ukur yang valid. Sehingga, setiap reliabel pasti valid, namun setiap yang valid belum tentu reliabel.
Rumus yang sering digunakan untuk uji reliabilitas adalah Alpha Cronbach, Spearman Brown,
Kristoff, Angoff, dan Rullon .
Uji reliabilitas dapat dilakukan secara bersama-sama terhadap seluruh butir pertanyaan.
Jika nilai Cronbachs Alpha > 0,60 maka reliabel
Jika nilai Cronbachs Alpha < 0,60 maka tidak reliabel
Pengujian validitas dan reliabilitas adalah proses menguji butir-butir pertanyaan yang ada
dalam sebuah angket, apakah isi dari butir pertanyaan tersebut sudah valid dan reliabel. Analisis
dimulai dengan menguji validitas terlebih dahulu, baru diikuti oleh uji reliabilitas. Jadi jika sebuah
butir tidak valid, baru otomatis ia dibuang. Butir-butir yang sudah valid baru kemudian secara
bersama diukur reliabilitasnya.
Pengukuran reliabilitas pada dasarnya bisa dilakukan dengan cara :
1. Repeated Measure atau ukur ulang. Disini seseorang akan disodori pertanyaan yang sama
pada waktu berbeda, dan kemudian dilihat apakah dia tetap konsisten dengan jawabannya.
2. One short atau sekali saja. Di sini pengukuran hanya sekali dan kemudian hasilnya
dibandingkan dengan hasil pertanyaan lain.

III. CONTOH KASUS

Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan skala untuk
mengetahui atau mengungkap kualitas pelayanan suatu rumah sakit. Andi membuat 10 butir
pertanyaan dengan menggunakan skala likert, yaitu :
Angka 1 = sangat tidak setuju
Angka 2 = tidak setuju
Angka 4 = setuju
Angka 5 = sangat setuju

Setelah membagikan skala kepada 12 responden didapatlah tabulasi data-data sebagai

berikut :
Subjek Skor Item
1 2 3 4 5 6 7 8 9 10
1 4 4 3 4 4 3 3 3 3 3
2 4 3 3 4 3 3 3 3 3 3
3 2 2 1 3 2 2 3 1 2 3
4 3 4 4 3 3 3 4 3 3 4
5 3 4 3 3 3 4 3 4 4 3
6 3 2 4 4 3 4 4 3 4 4
7 2 3 3 4 4 4 3 4 2 3
8 1 2 2 1 2 2 1 3 2 2
9 2 2 3 3 4 2 1 1 4 4
10 3 3 3 4 4 4 4 4 3 3
11 4 4 3 4 4 3 4 4 4 4
12 3 1 1 2 3 1 2 2 1 3
Langkah-langkah pada program R-Commander :
3
Untuk mencari nilai-nilai Validitas data tersebut dengan menggunakan program R, ikutilah
langkah-langkah berikut :
1. Tekan icon R Commander pada desktop kemudian akan muncul tampilan seperti gambar
di bawah ini.

Gambar 1. Tampilan menu awal R commander

2. Pilih menu Data, New data set. Masukkan nama dari data set adalah validitas kemudian
tekan tombol OK

4
 Gambar 2. Tampilan menu New data set

Gambar 3. Tampilan New Data Set

Kemudian akan muncul Data Editor

Gambar 4. Tampilan Data Editor

3. Masukkan data dengan var1 untuk skor 1, var2 untuk skor 2 var 10 untuk skor10. Jika
Data Editor tidak aktif maka dapat diaktifkan dengan menekan RGui di Taskbar windows
pada bagian bawah layar monitor. Jika sudah selesai dalam pengisian data tekan tombol
Close. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan cara double click
pada variable yang ingin di setting. Pemilihan type, dipilih numeric pada semua variabel.

Gambar 5. Tampilan Variabel editor skor1

Untuk type data pilih sesuai dengan data soal

a. numeric, jika data yang dimasukkan berupa angka
b. character, jika data yang dimasukkan berupa huruf
Kemudian Isi masing-masing variabel sesuai dengan data soal setelah selesai isi data
kemudian tekan tombol X (close)

5
 Gambar 6. Tampilan isi Data Editor

Selanjutnya, pilih window R-commander akan muncul tampilan :

Gambar 7. Tampilan Sript Window

4. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View data set
maka akan muncul tampilan seperti gambar di bawah ini. Jika ada data yang salah, tekan
tombol edit data set, lalu perbaiki data yang salah.

6
 Gambar 8. Tampilan View Data Set validitas

5. Jika data sudah benar, pilih menu Statistics, Dimensional analysis, Scale reliability, maka
akan muncul tampilan seperti gambar di bawah ini

Gambar 9. Tampilan menu olah data

Kemudian akan muncul window scale reliability

Pada window scale reliability, terdapat kumpulan variabel yang telah diinput sebelumnya.
Block seluruh variabel, kemudian tekan tombol OK

7
 Gambar 10. Tampilan Scale Reliability
6. Maka pada window R-commander akan tampil :

Gambar 11. Tampilan Output

Tahap-tahap Analisis :
1. Dari out window, terdapat tampilan r(item,total)
2. Untuk menganalisis uji validitas hanya dibutuhkan nilai dari r(item,total) atau corrected item
total correlation yang dinyatakan sebagai r-hitung
3. Analisis Validitas :
a. Untuk mendapatkan nilai r-tabel diperoleh melalui df (degree of freedom)
df = n 2, dimana n adalah jumlah sampel
b. df = 12-2 = 10, dengan tingkat signifikansi 0,05 dan uji 2 sisi maka diperoleh r-tabel = 0,576
8
 c. analisis butir pertanyaan (setiap nilai r-hitung)
pada skor 1, (r-hitung = 0,5953) < (r-tabel = 0,576), maka valid
pada skor 2, (r-hitung = 0,7143) > (r-tabel = 0,576), maka valid
pada skor 3, (r-hitung = 0,7650) > (r-tabel = 0,576), maka valid
pada skor 4, (r-hitung = 0,7821) > (r-tabel = 0,576), maka valid
pada skor 5, (r-hitung = 0,5612) < (r-tabel = 0,576), maka tidak valid
pada skor 6, (r-hitung = 0,7696) > (r-tabel = 0,576), maka valid
pada skor 7, (r-hitung = 0,7092) > (r-tabel = 0,576), maka valid
pada skor 8, (r-hitung = 0,5739) < (r-tabel = 0,576), maka tidak valid
pada skor 9, (r-hitung = 0,6228) < (r-tabel = 0,576), maka valid
pada skor 10, (r-hitung = 0,4681) < (r-tabel = 0,576), maka tidak valid

c. Dari hasil analisis di atas, didapat bahwa :

1) skor 1, skor 2, skor 3, skor 4, skor 6, skor 7 serta skor 9 valid, karena nilai r hitung
> r tabel.
2) Sedangkan skor 5, skor 8 dan skor 10 tidak valid, sehingga diperlukan perbaikan
pada item-item skor tersebut.

Analisis Reliabilitas :
a. Untuk uji reliabilitas, pada output window
Perlu diingat bahwa skor yang valid hanya skor 1, skor 2, skor 3, skor 4, skor 6, skor 7 serta
skor 9 saja, maka skor yang akan diuji hanya skor tesebut saja, sedangkan untuk skor yang
tidak valid, maka diabaikan saja dan sampelnya menjadi 7 saja.
b. Jika nilai Alpha reliability > dari 0,6 maka keseluruhan butir pertanyaan dinyatakan reliabel
c. Contoh : Alpha reliability = 0,9021 > 0,6 maka dinyatakan reliabel
d. Kesimpulan :
Setelah dilakukan uji Reliabilitas dengan menggunakan Alpha Cronbach, maka ke-7 skor
pertanyaan tersebut adalah reliabel, sehingga dapat digunakan untuk alat ukur pengujian
selanjutnya

Tabel Product Moment

Critical Values of the Pearson Product-Moment Correlation Coefficient tabel df = n 2

Level of Signifikan (p) for Two-Tailed Test
N r N r N r
1 0.997 17 0.456 33 0.334
2 0.950 18 0.444 34 0.329
3 0.878 19 0.433 35 0.325
4 0.811 20 0.423 36 0.320
5 0.754 21 0.413 37 0.316
6 0.707 22 0.404 38 0.312
7 0.666 23 0.396 39 0.308
8 0.632 24 0.388 40 0.304
9 0.602 25 0.381 41 0.301
10 0.576 26 0.374 42 0.297
11 0.553 27 0.367 43 0.294
12 0.532 28 0.361 44 0.291
13 0.514 29 0.355 45 0.288
14 0.497 30 0.349 46 0.285
15 0.482 31 0.344 47 0.282
16 0.468 32 0.339 48 0.279
9
UJI NORMALITAS

A. PENDAHULUAN
Uji normalitas adalah suatu bentuk pengujian tentang kenormalan distribusi data. Tujuan dari
uji ini adalah untuk mengetahui apakah data yang diambil adalah data yang terdistribusi normal.
Maksud dari data terdistribusi normal adalah bahwa data akan mengikuti bentuk distribusi normal
dimana datanya memusat pada nilai rata-rata dan median. Uji ini sering dilakukan untuk analisis
statistik parametrik. Uji dapat dilakukan setelah menentukan tipe data dari data penelitian yang
diambil.

B. ANALISIS YANG DIPERLUKAN

Yang perlu dilihat dari output R programming adalah nilai signifikan dari Shapiro-Wilk Test of
Normality. Dalam hal ini nilai signifikan Shapiro-Wilk Test of Normality harus lebih besar dari (>)
0,05. Namun, sebenarnya dalam menguji kenormalan suatu data ada banyak hal yang perlu
diketahui, seperti nilai perbandingan antara nilai skewness dengan standar error skewness yang
menghasilkan rasio skewness dan perbandingan antara nilai kurtosis dengan nilai standar error
kurtosis yang akan mengahasilkan rasio kurtosis. Dari kedua rasio perbandingan tersebut dapat
dikatakan normal bila mempunyai nilai antara -2 sampai dengan 2. Selain hal tersebut masih ada
satu lagi alat uji untuk melihat kenormalan data yaitu dengan nilai K-S dengan syarat bila nilai
probabilitas lebih besar dari (>) 0,05 maka data tersebut dikatakan normal.

C. CONTOH KASUS
Berikut ini disajikan data mengenai pendapatan Rumah Makan Enak Terus di ketiga
cabangnya selama seminggu. Berdasarkan data di bawah ini, ujilah apakah data tersebut
terdistribusi normal ! (ribuan rupiah)

Hari Bekasi Kalibata Bintaro

1 1.234 944 925
2 1.243 915 1.524
3 1.311 944 1.425
4 1.321 932 942
5 1.322 914 1.052
6 1.353 912 1.255
7 1.344 831 1.524

D. LANGKAH-LANGKAH PENGERJAAN
Untuk mencari nilai-nilai normalitas data tersebut dengan menggunakan program R, ikutilah
langkah-langkah berikut :
7. Tekan icon R Commander pada desktop kemudian akan muncul tampilan seperti gambar
di bawah ini.

10
 Gambar 1. Tampilan menu awal R commander

8. Pilih menu Data, New data set. Masukkan nama dari data set adalah normalitas1 (tanpa
spasi) kemudian tekan tombol OK

Gambar 2. Tampilan menu New data set

Gambar 3. Tampilan New Data Set

11
 Kemudian akan muncul Data Editor

Gambar 4. Tampilan Data Editor

9. Masukkan data cabang dengan var1 untuk bekasi, var2 untuk kalibata dan var3 untuk
bintaro. Jika Data Editor tidak aktif maka dapat diaktifkan dengan menekan RGui di
Taskbar windows pada bagian bawah layar monitor. Jika sudah selesai dalam pengisian
data tekan tombol Close. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan
cara double click pada variable yang ingin di setting. Pemilihan type, dipilih numeric pada
semua variabel.

Gambar 5. Tampilan Variabel editor bekasi

Kemudian Isi masing-masing variabel sesuai dengan data soal setelah selesai isi data
kemudian tekan tombol X (close)

Gambar 6. Tampilan isi Data Editor

Selanjutnya, pilih window R-commander akan muncul tampilan :

12
 Gambar 7. Tampilan Sript Window

10. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View data set
maka akan muncul tampilan seperti gambar di bawah ini. Jika ada data yang salah, tekan
tombol edit data set, lalu perbaiki data yang salah.

Gambar 8. Tampilan View normalitas

11. Jika data sudah benar, pilih menu Statistic, Summaries, Shapiro-Wilk test of normality. Pilih
lorena kemudian tekan tombol OK. Begitu juga dengan kramat jati dan safari. Karena data
yang keluar hanya satu persatu tidak dapat langsung keluar dalam satu kali pengolahan.

13
Gambar 9. Tampilan menu olah data

Kemudian akan muncul

a. Tampilan Scale Reliabity Bekasi

Gambar 10. Tampilan Scale Reliability Bekasi

b. Tampilan Scale Reliabity Bintaro

Gambar 11. Tampilan Scale Reliabity Bintaro

c. Tampilan Scale Reliability Kalibata

14
 Gambar 12. Tampilan Scale Reliabity Kalibata

12. Kemudian tekan tampilan R Commander akan muncul output :

Gambar 13. Tampilan Output Bekasi

*Nilai probabilitas Shapiro-Wilk sebesar 0,8507 berarti probabilitas lebih dari 0,05; maka
data untuk cabang bekasi tersebut terdistribusi normal

15
Gambar 14. Tampilan Output bintaro
*Nilai probabilitas Shapiro-Wilk sebesar 0,8657 berarti probabilitas lebih dari 0,05; maka
data untuk cabang bintaro tersebut terdistribusi normal.

Gambar 15. Tampilan Output Kalibata

*Nilai probabilitas Shapiro-Wilk sebesar 0,7579 berarti probabilitas lebih dari 0,05; maka
data untuk cabang Kalibata tersebut terdistribusi normal

Untuk membersihkan Script Window pada R Commander, lakukan langkah berikut :

1. Letakkan kursor pada Script window
2. Kilik Kanan
3. Klik kiri pada Clear window

Untuk membersihkan Output Window pada R Commander, lakukan langkah berikut :

1. Letakkan kursor pada Output window
2. Kilik Kanan
3. Klik kiri pada Clear window

16
 UJI T SAMPEL BEBAS
(INDEPENDENT SAMPLE T-TEST)

1. PENDAHULUAN
Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis yang
menggunakan distribusi t sebagai uji statistik. Tabel pengujian disebut tabel t-student.
Distribusi t pertama kali diterbitkan pada tahun 1908 dalam suatu makalah oleh W.S
Gosset. Pada waktu itu Gosset bekerja pada perusahaan bir Irlandia yang melarang
penerbitan penelitian oleh karyawannya. Untuk mengelakkan larangan ini dia menerbitkan
karyanya secara rahasia dibawah nama student. Karena itulah distribusi t biasanya
disebut Distribusi Student. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang
ada pada tabel untuk kemudian menerima atau menolak hipotesis observasi (HO) yang
dikemukakan.

Ciri-ciri Uji t
Penentuan nilai tabel dilihat dari besarnya tingkat signifikan () dan besarnya drajat
bebas (db).
Kasus yang diuji bersifat acak.

Fungsi Pengujian Uji t

Untuk memperkirakan interval rata-rata.
Untuk menguji hipotesis tentang rata-rata suatu sampel.
Menunjukkan batas penerimaan suatu hipotesis.
Untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya.

2. RUMUS UNTUK UJI T SAMPEL BEBAS

Menentukan rata-ratanya : Xi = (x) / n
Menentukan standar deviasi : S2 = (X1-X)2 / (n 1)
S = S2
Rumus umum Uji T Sampel Bebas : To = (X1-X2) do / (S12 / n1) + (S22 / n2)

3. CONTOH KASUS
Dalam beberapa tahun terakhir Universtias Gunadarma menjadi kampus yang paling
banyak dipilih oleh calon mahasiswa di Indonesia, hal ini terbukti dari jumlah data
mahasiswa yang terdaftar sebagai mahasiswa/mahasiswi Universitas Gunadarma. Dari
data tersebut terdapat dua jurusan yang paling banyak diminati oleh mahasiswa/mahasiswi
dalam kurun waktu sepuluh tahun terakhir yaitu Jurusan Akuntansi dan Manajemen. Pihak
kampus ingin menguji apakah antara kedua jurusan tersebut sama populernya atau salah
satu lebih populer dari yang lain. Dari catatan tersebut, diperoleh data jumlah
mahasiswa/mahasiswi yang memilih jurusan akuntansi dan manajemen sebagai berikut :

Tahun Akuntansi Manajemen

2002 1259 1250
2003 1243 1248
2004 1235 1240
2005 1226 1215
2006 1495 1200
2007 1500 1205
2008 1503 1198
2009 1508 1390
2010 1714 1199
2011 1816 1625

17
Langkah-langkah pada program R-Commander :
1. Tekan icon R-Commender pada desktop kemudian akan muncul tampilan seperti
gambar di bawah ini.

Gambar 1. tampilan menu awal R commender

2. Pilih menu Data, New data set. Masukkan nama dari data set adalah bebas, kemudian
tekan tombol OK.

18
 Gambar 2. Tampilan menu New data set

Gambar 3. Tampilan New Data Set

Kemudian akan muncul Data Editor

Gambar 4. Tampilan Data Editor

3. klik 2 kali pada kolom var 1 lalu isilah masing-masing variabel dengan nama variabel
sesuai dengan soal.
Misalnya :
var1 diganti dengan jumlah, dengan type data numerik, lalu tekan enter

Gambar 5. Tampilan Variabel editor Jumlah

var2 diganti dengan jurusan, dengan type data numerik, tekan enter

Gambar 6. Tampilan Variabel editor Jurusan

Kemudian isi masing-masing variabel sesuai dengan data soal. Setelah selesai mengisi
data kemudian Klik tombol X (close).
19
Gambar 7. Tampilan isi Data Editor

Selanjutnya, pilih window R-Commender akan muncul tampilan :

Gambar 8. Tampilan Script Window

20
4. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View data set
maka akan muncul tampilan. Jika ada data yang salah, tekan tombol edit data set, lalu
perbaiki data yang salah.

Gambar 9. Tampilan View data bebas

Untuk merubah variabel numerik jurusan pada tampilan R-Commender pilih : Manage
variables in active data set kemudian pilih Bin numeric variabel.

Gambar 10. Tampilan Manage variables

21
 Pada Bin a Numeric Variable pilih buku pada Variable to bin, dan ganti Number of bins
dari 3 menjadi 2 kemudian pilih OK.

Gambar 11. Tampilan Bin a Numeric Variable

Kemudian akan muncul tampilan Bin Names dan merubah nama bin 1 menjadi
Akuntansi serta nama bin 2 menjadi Manajemen, kemudian pilih OK.

Gambar 12. Tampilan Bin Names

5. Jika data sudah benar, pilih menu Statistics, Means, Independent samples t-test.

Gambar 13. Tampilan menu olah data

22
6. Pada Response Variable pilih Jumlah dan pada Assume equal variance pilih yes
kemudian tekan tombol OK.

Gambar 14. Tampilan Independent Samples t-Test

7. Maka akan muncul hasil pada output window sebagai berikut :

Gambar 15. Tampilan output bagian

8. Analisis
Uji Selisih rata-rata
1. Hipotesis
2. Statistik uji : uji t

23
3. = 0.05
4. Daerah Kritis : Ho ditolak jika P-Value <
5. Dari hasil pengolahan R-Programing, diperoleh P-Value = 0.04083
6. Karena P-Value < (0.04083 < 0.05) maka Ho ditolak.
7. Kesimpulan: Ho ditolak sehingga rata-rata jumlah mahasiswa/mahasiswi jurusan
Akuntansi tidak sama dengan jurusan manajemen.

sample estimates:
mean in group Akuntansi mean in group Manajemen
1449.9 1277.0

Pada output diatas didapat rata-rata jumlah mahasiwa/mahasiswi jurusan akuntansi

sebesar 1450 (dibulatkan) dan rata-rata mahasiswa/mahasiswi jurusan manajemen
sebesar 1277.

24
UJI 2 SAMPLE BERPASANGAN (PAIRED SAMPLE t-TEST)

I. PENDAHULUAN
Paired sample t-Test adalah uji t dimana sample saling berhubungan antara satu sample
dengan sample yang lain. Pengujian ini biasanya dilakukan pada penelitian dengan menggunakan
teknik eksperimen dimana satu sample diberi perlakuan tertentu kemudian dibandingkan dengan
kondisi sample sebelum adanya perlakuan. Tujuan dari pengujian ini adalah untuk menguji
perbedaan rata-rata antara sample-sampel yang berpasangan.

II. ANALISIS YANG DIPERLUKAN

Hipotesis :
Ho : tidak ada perbedaan antara sebelum dan sesudah adanya perlakuan
Ha : ada perbedaan antara sebelum dan sesudah adanya perlakuan

Kriteria pengambilan keputusan :

4. Menggunakan nilai signifikan / P-Value
Jika nilai signifikan / P-Value > 0,05 ; maka Ho diterima
Jika nilai signifikan / P-Value < 0,05 ; maka Ho ditolak.

5. Menggunakan perbandingan antara t hitung dengan t tabel

Nilai t tabel didapat dari (taraf nyata / tingkat signifikan) dengan derjat bebas / degree of
freedom (df).
Jika t hitung > t tabel ; maka Ho ditolak
Jika t hitung < t tabel ; maka Ho diterima.

III. CONTOH KASUS

Seorang pemilik Pabrik Rokok Sampoerna ingin mengtahui apakah ada perbedaan volume
penjualan rokok sampoerna sebelum dan sesudah diadakannya iklan produk tersebut. Data
disajikan sebagai berikut :
Bulan. Sebelum Sesudah
1. 200 300
2. 150 350
3. 320 450
4. 285 550
5. 320 670
6. 450 800
7. 400 460

IV. LANGKAH-LANGKAH PENGERJAAN

Untuk mencari nilai-nilai uji 2 sampel berpasangan data tersebut dengan menggunakan
program R, ikutilah langkah-langkah berikut :
1. Tekan icon R Commander pada desktop kemudian akan muncul tampilan seperti gambar di
bawah ini.

25
 Gambar 1. Tampilan menu awal R commander
2. Pilih menu Data, New data set. Masukkan nama dari data set adalah datapenjualan (tanpa
spasi) kemudian tekan tombol OK

Gambar 2. Tampilan menu New data set

26
 Gambar 3. Tampilan New Data Set

Kemudian akan muncul Data Editor

Gambar 4. Tampilan Data Editor

3. Masukkan data dengan var1 untuk sebelum, var2 untuk sesudah. Jika Data Editor tidak
aktif maka dapat diaktifkan dengan menekan RGui di Taskbar windows pada bagian bawah
layar monitor. Jika sudah selesai dalam pengisian data tekan tombol Close. Untuk
mengubah nama dan tipe variabel, dapat dilakukan dengan cara double click pada variable
yang ingin di setting. Pemilihan type, dipilih numeric pada semua variabel.
Tekan icon R Commander pada desktop kemudian akan muncul window data editor Data
Set : data penjualan .

Gambar 5. Tampilan Variabel editor sebelum

Gambar 6. Tampilan Variabel editor sesudah

27
4. Kemudian masukan data skor sesuai dengan soal

Gambar 7. Tampilan isi Data Editor

Selanjutnya, pilih window R-commander akan muncul tampilan :

Gambar 8. Tampilan Sript Window

5. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View data set
maka akan muncul tampilan seperti gambar di bawah ini. Jika ada data yang salah, tekan
tombol edit data set, lalu perbaiki data yang salah.

Gambar 9. Tampilan View data paired t-test

28
6. Jika data sudah benar, pilih menu statistika,means, paired t-test maka akan muncul menu
seperti gambar di bawah ini

Gambar 10. Tampilan menu olah data

Kemudian akan muncul tampilan seperti di bawah ini :

Untuk kolom pertama pilih sebelum dan yang kedua pilih sesudah kemudian tekan tombol
OK.

Gambar 11. Tampilan Paired t-Test

7. Maka akan muncul hasil pada output window sebagai berikut :

29
Gambar 12. Tampilan Output

Analysis :
1. Hipotesis :
Ho : tidak ada perbedaan rata-rata penjualan rokok antara sebelum dan sesudah
adanya program iklan.
Ha : ada perbedaan rata-rata penjualan rokok antara sebelum dan sesudah
adanya program iklan.

2. Dasar Pengambilan Keputusan :

Dengan menggunakan nilai p-value :
Jika nilai p-value > 0.05, maka Ho diterima
Jika nilai p-value < 0.05, maka Ho ditolak

Bisa juga dengan cara membandingkan nilai hitung dan nilai tabel :
Jika nilai hitung < nilai t tabel maka, Ho diterima
Jika nilai hitung > nilai t tabel maka, Ho ditolak

3. Keputusan :
Dari hasil output software didapat nilai p-value sebesar 0,00344. Karena nilai p-value
lebih kecil dari 0,05 maka Ha diterima.

Kesimpulan : ada perbedaan rata-rata penjualan rokok antara sebelum dan sesudah
adanya iklan. Atau dengan kata lain promosi yang dilakukan pemilik rokok sampoerna
untuk melakukan promosi berupa iklan ternyata efektif untuk meningkatkan volume
penjualan.

30
UJI NONPARAMETRIK
(CHI SQUARE / X2)

I. PENDAHULUAN
Dalam uji statistika dikenal uji parametrik dan uji nonparametrik. Uji statistika parametrik
hanya dapat digunakan jika data menyebar normal atau tidak ditemukannya petunjuk
pelanggaran kenormalan dan keragaman atau variansi antara perlakuan-perlakuan/peubah
bebas yang dibandingkan dengan homogen.
Untuk data yang tidak memenuhi syarat tersebut dan data dengan satuan pengukuran
nominal dan ordinal digunakan uji lain yaitu uji statistika nonparametrik.
Pada modul ini uji statistika nonparametrik yang akan dibahas adalah Chi Square (X2).
Chi square merupakan salah satu alat analisis yang banyak digunakan dalam pengujian
hipotesis. Chi square terutama digunakan untuk Uji Homogenitas, Uji Independensi, dan Uji
Keselarasan (Goodness of Fit Test).

II. ANALISIS YANG DIPERLUKAN

Rumus untuk uji Chi Square yaitu sebagai berikut :
X2 = ( ( obk ebk) 2) / ebk
Keterangan :
obk : hasil observasi pada baris b kolom k
ebk : nilai harapan (expected value) pada baris b kolom k
Degree of Fredom (df)/derajat bebas (db) Chi square yaitu
Df = (k 1) * (b 1)
Keterangan :
k : jumlah kolom observasi
b : jumlah baris observasi

III. UJI INDEPENDENSI

Uji ini digunakan untuk menguji ada atau tidaknya interdependensi antara variabel
kuantitatif yang satu dengan yang lainnya berdasarkan observasi yang ada.

IV. CONTOH KASUS

Dalam suatu penelitian yang bertujuan untuk mengetahui apakah ada hubungan antara
jabatan seseorang dengan gaji yang diterima, diperoleh data sebagai berikut :

JABATAN GAJI
> 10 juta 5 10 juta < 5 juta
Manager 12 6 2
Supervisor 5 12 3
Karyawan 2 8 10
Ujilah data di atas dengan menggunakan R-Commander serta analisislah!

V. LANGKAH-LANGKAH PENGERJAAN
Untuk mencari nilai-nilai data tersebut dengan menggunakan program R, ikutilah langkah-
langkah berikut :
1. Tekan icon R Commander pada desktop kemudian akan muncul tampilan seperti gambar di
bawah ini.

31
 Gambar 1. Tampilan menu awal R commander

2. Pada R Commander pilih menu bar Statistics, Contingency tables, dan Enter and analyze
two-way table seperti tampilan di bawah ini.

Gambar 2. Tampilan menu olah data

Kemudian akan tampil seperti di bawah ini.

32
 Gambar 3. Tampilan Enter- Two Way Table

3. Kemudian isi kotak tersebut sesuai contoh kasus, Number of Rows dan Number of
Columns digeser ke kanan sehingga berubah dari 2 menjadi 3. Kemudian isi Enter counts.
Tampilan data yang sudah diisi sebagai berikut. Kemudian pilih OK.

Gambar 4. Tampilan isi data

4. Kemudian akan tampil output di bawah ini

33
 Gambar 5. Tampilan Output

Analisis :
Hipotesis:
Ho : Tidak ada hubungan antara jabatan seseorang dengan gaji yang diterima
Ha : Ada hubungan antara jabatan seseorang dengan gaji yang diterima

Chi square hitung : X-squared = 18,0696

Derajat bebas : df = 4
p-value = 0,001196

Probabilitas:
Jika probabilitas (p-value) > 0,05 maka Ho diterima
Jika probabilitas (p-value) < 0,05 maka Ho ditolak

Keputusan:
Hasil perhitungan menyatakan bahwa besarnya probabilitas (p-value) adalah 0,001196
karena probabilitas lebih kecil daripada taraf uji yang digunakan dalam penelitian atau p-
value < atau 0,001196 < 0,05 maka Ho ditolak.
Dengan demikian dapat disimpulkan bahwa jabatan seseorang akan mempengaruhi gaji
yang diterima.

VI. UJI KESELARASAN (GOODNESS OF FIT)

Uji keselarasan adalah perbandingan antara frekuensi observasi dengan frekuensi
harapan. Uji keselarasan pada prinsipnya bertujuan untuk mengetahui apakah sebuah
distribusi data dari sampel mengikuti sebuah distribusi teoritis tertentu ataukah tidak.

34
VII. CONTOH KASUS
Seorang manajer perusahaan ingin mengetahui masyarakat lebih memilih melihat iklan
melalui media TV, koran atau internet. Hasil dari penelitian ini digunakan untuk mengambil
keputusan lewat media apa ia memasang iklan produk perusahaannya. Berikut data yang
diperoleh.

RESPONDEN MEDIA YANG DIGUNAKAN

Ayu TV
Budi Koran
Citra Internet
Didi Internet
Eva TV
Fitri Koran
Gina Internet
Haris TV
Indah TV
Joko Koran
Kemal TV
Lina Internet
Ujilah data di atas dengan menggunakan R Commander serta analisislah !

VIII. LANGKAH PENGERJAAN

Untuk mencari nilai-nilai data tersebut dengan menggunakan program R, ikutilah langkah-
langkah berikut :
1. Tekan icon R Commander pada desktop kemudian akan muncul tampilan seperti gambar
di bawah ini

Gambar 6. Tampilan menu awal R commander

2. Pilih menu Data, New data set. Masukkan nama dari data set adalah responden kemudian
tekan tombol OK.

35
 Gambar 7. Tampilan menu New data set

Gambar 8. Tampilan New Data Set responden

Kemudian akan muncul Data Editor

Gambar 9. Tampilan Data Editor

3. Masukkan data dengan var1 untuk responden, var2 untuk kode_media, var3 untuk media.
Jika Data Editor tidak aktif maka dapat diaktifkan dengan menekan RGui di Taskbar
windows pada bagian bawah layar monitor. Jika sudah selesai dalam pengisian data tekan
tombol Close. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan cara
double click pada variable yang ingin di setting. Pemilihan type, dipilih numeric pada
variable kode_media dan character untuk responden.
Tekan icon R Commander pada desktop kemudian akan muncul window data editor Data
Set : responden.
36
 Gambar 10. Tampilan Variable editor responden

Gambar 11. Tampilan Variable editor kode_media

Gambar 12. Tampilan Variable editor media

Kemudian Isi masing-masing variabel sesuai dengan data soal setelah selesai isi data
kemudian tekan tombol X (close)

Gambar 13. Tampilan isi Data Editor

4. Pada R Commander, pilih menu bar Data, pilih Manage variables in active data set, pilih
Bin numeric variable

37
5. Akan tampil sebagai berikut. Kemudian klik OK

6. Akan tampil sebagai berikut dengan mengubah terlebih dahulu

1 : TV
2 : Koran
3 : Internet
Kemudian klik OK

38
7. Pada R Commander pilih menu bar pilih View Data Set. Maka akan tampil sebagai berikut.
Sebelumnya kolom media pilihan tidak terisi data. Close Data Editor

8. Pada menu bar pilih Statistics, Summaries, pilih Frequency distribution

9. Maka akan tampil sebagai berikut, beri tanda check list pada Chi-square goodness of fit
test. Kemudian klik OK

39
10. Maka akan tampil sebagai berikut, kemudian klik OK

11. Maka akan tampil pada R Commander sebagai berikut.

12. Lihat pada Output Window, maka dapat dianalisis.

Hipotesis:
Ho : Tidak ada perbedaan kesukaan terhadap media yang digunakan
Ha : Ada perbedaan kesukaan terhadap media yang digunakan

Chi square hitung: X-squared = 0,5

Derajat bebas: df = 2
p-value = 0,7788

Probabilitas:
Jika probabilitas (p-value) > 0,05 maka Ho diterima
Jika probabilitas (p-value) < 0,05 maka Ho ditolak
40
Keputusan:
Hasil perhitungan menyatakan bahwa besarnya probabilitas (p-value) adalah 0,7788
karena probabilitas lebih besar daripada taraf uji yang digunakan dalam penelitian atau p-
value > atau 0,7788 > 0,05 maka Ho diterima.
Dengan demikian dapat disimpulkan bahwa tidak ada perbedaan kesukaan terhadap media
yang digunakan untuk melihat iklan.

41
UJI PERBEDAAN LEBIH DARI DUA SAMPEL (ANOVA)

I. PENDAHULUAN
Uji perbedaan lebih dari dua sampel disebut juga analisis varians, dipopulerkan oleh Sir
Donald Fisher, seorang pendiri modern. Analisis ini digunakan untuk :
a. Menguji hipotesis kesamaan rata-rata antara dua grup atau lebih (tidak berbeda secara
signifikan).
b. Menguji apakah varians populasinya sama ataukah tidak.

Asumsi :
1. Populasi-populasi yang akan diuji terdistribusi normal
2. Varians dari populasi-populasi tersebut adalah sama
3. Sampel tidak berhubungan satu dengan yang lain

II. ANALISIS YANG DIPERLUKAN

Uji Kesamaan Varians
Lihat output livenes test of homogeneity of varians
1. Hipotesis :
Ho : Varians ketiga sampel identik
Ha : Varians ketiga sampel tidak identik

2. Pengambilan keputusan
Jika Probabilitas > 0.05, maka Ho di terima
Jika Probabilitas < 0.05, maka Ho di tolak

Uji Anova
Lihat output analysis of varians
1. Hipotesis :
Ho : ke-3 Rata-rata populasi adalah identik
Ha : ke-3 Rata-rata populasi adalah tidak identik

2. Pengambilan keputusan
Jika Probabilitas > 0.05, maka Ho di terima
Jika Probabilitas < 0.05, maka Ho di tolak

III. CONTOH KASUS

Seorang pengusaha warnet ingin membeli LCD TV. Di toko ternyata ada 3 LCD TV yang
harganya sama, yaitu merk Panasonic, merk LG , merk Toshiba. Pengusaha tersebut ingin
membeli satu dari 3 LCD TV tersebut. Untuk itu ia akan mengadakan percobaan terhadap
daya tahan LCD TV (hari). Hasil percobaannya adalah sebagai berikut :
Sampel Panasonic LG Toshiba
1 115 100 110
2 101 110 80
3 110 125 105
4 122 105 80

IV. LANGKAH-LANGKAH PENGERJAAN

Untuk mencari nilai-nilai anova data tersebut dengan menggunakan program R, ikutilah
langkah-langkah berikut :
1. Tekan icon R Commander pada desktop kemudian akan muncul tampilan seperti gambar
di bawah ini.

42
 Gambar 1. Tampilan menu awal R commander

2. Pilih menu Data, New data set. Masukkan nama dari data set adalah anova kemudian
tekan tombol OK

Gambar 2. Tampilan menu New data set

Gambar 3. Tampilan New Data Set

Kemudian akan muncul Data Editor

43
 Gambar 4. Tampilan Data Editor

3. Masukkan data dengan var1 merk.LCD dan var2 daya tahan. Jika Data Editor tidak aktif
maka dapat diaktifkan dengan menekan RGui di Taskbar windows pada bagian bawah
layar monitor. Jika sudah selesai dalam pengisian data tekan tombol Close. Untuk
mengubah nama dan tipe variabel, dapat dilakukan dengan cara double click pada variable
yang ingin di setting.

Gambar 5. Tampilan Variabel editor merk.LCD

Gambar 6. Tampilan Variabel editor dayatahan

Kemudian Isi masing-masing variabel sesuai dengan data soal setelah selesai isi data
kemudian tekan tombol X (close)

44
Gambar 7. Tampilan isi Data Editor

Selanjutnya, pilih window R-commander akan muncul tampilan :

Gambar 8. Tampilan Sript Window

45
4. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View data set
maka akan muncul tampilan. Jika ada data yang salah, tekan tombol edit data set, lalu
perbaiki data yang salah.

Gambar 9. Tampilan View anova

Untuk merubah variabel numerik ban pada tampilan R commander pilih : data - Manage
variables in active data set kemudian pilih Bin numeric variable.

Gambar 10. Tampilan Manage variables

Kemudian akan muncul tampilan :

46
 Gambar 11. Tampilan Bin a Numeric Variable

Kemudian akan muncul tampilan rubah nama Bin :

Gambar 12. Tampilan Bin Names

5. Jika data sudah benar, pilih menu Statistics, Varians, Levenes test.

Gambar 13. Tampilan menu olah data

47
6. Pada Response Variable pilih variabel daya tahan (numerik) kemudian tekan tombol OK .

Gambar 14. Tampilan Levenes Test

7. Pilih menu R commander untuk mencari nilai Anova. Pilih menu Statistics, Means, One-
way ANOVA

Gambar 15. Tampilan menu olah data

Kemudian akan muncul tampilan :

Gambar 16. Tampilan One-Way Analysis of Variance

Untuk Response Variable pilih dayatahan, aktifkan pairwise comparison of means

48
8. Maka akan muncul hasil pada output window sebagai berikut :
Output bagian 1

Gambar 17. Tampilan output bagian 1

Analisa : Output di atas menunjukan nilai f probabilitas 0,1492 > 0,05 maka Ho diterima
atau ketiga varians sampel identik

Output bagian 2

Gambar 18 Tampilan output bagian 2

Analisa ; Output di atas menunjukan f probabilitas 0,1232>0,05, maka Ho diterima atau
daya tahan ke tiga merk LCD TV adalah identik (sama). Rata-rata daya tahan LCD TV
Panasonic adalah 112, LCD TV LG 110, dan LCD TV Toshiba 93,75

49
Output bagian 3 :

Gambar 19 Tampilan output bagian 3

Analisa : Standar deviasi LCD TV merk Panasonic 8,83176, merk LG 10,80123, merk
Toshiba 16,00781 Jumlah sampel masing-masing merk LCD TV adalah 4 dan tidak ada
data yang hilang

Output bagian 4 :

Gambar 20. Tampilan output bagian 4

Analisa : 95% family-wise confidence level
Lihat nilai estimate paling besar adalah LCD TV LG-Panasonic = -2 maka ini menunjukan
rata-rata daya tahan antara ketiga merk ban berbeda, dengan selang kepercayaan 95 %

50
 REGRESI LINIER BERGANDA

I. PENDAHULUAN
Program R menu regresi merupakan alat yang digunakan untuk menentukan persamaan
regresi yang menunjukkan hubungan antara variabel terikat yang ditentukan dengan dua atau
lebih variabel bebas. Tujuan utama analisis regresi adalah untuk perkiraan nilai suatu variabel
(terikat) jika nilai variabel lain yang berhubungan dengannya (variabel bebas) sudah
ditentukan.
Regresi linier (linear regression) digunakan untuk melakukan pengujian hubungan antara
sebuah variabel terikat (dependent variable) dengan satu atau beberapa variabel bebas yang
ditampilkan dalam bentuk persamaan regresi.
Jika variabel terikat yang dihubungkan hanya dengan satu variabel bebas saja, maka
persamaan regresi yang dihasilkan adalah regresi linier sederhana (linear regression).
Sedangkan jika variabel terikat yang dihubungkan dengan lebih dari satu variabel bebas, maka
persamaan regresinya adalah regresi linier berganda (multiple linear regression).

II. ANALISIS YANG DIPERLUKAN

Persamaan umum regresi linier berganda
Y = + b1X1 + b2X2 + b3X3 + ..... + bnXn + e
Keterangan:
Y = variabel terikat (dependent variable)
= konstanta
b1-bn = koefisien regresi
X1-Xn = variabel bebas (independent variable)
e = standar error

Uji Asumsi Klasik

Tiga asumsi dasar yang tidak boleh dilanggar oleh regresi linier berganda yaitu:
1. Tidak boleh ada autokorelasi
Untuk menguji variabel-variabel yang diteliti, apakah terjadi autokorelasi atau tidak, bila
uji nilai Durbin Watson mendekati angka dua, maka dapat dinyatakan tidak ada
korelasi.
2. Tidak boleh ada multikolinieritas
Cara yang paling mudah untuk menguji ada atau tidaknya gejala multikolinieritas
adalah melihat korelasi (hubungan) antar variabel bebas. Jika nilai korelasi dibawah
angka 1, maka tidak terjadi multikolinieritas.
3. Tidak boleh ada heterokeditas.
Dengan melihat grafik plot antara nilai variabel terikat (SREID) dengan residual
(ZPRED). Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur (bergelombang, melebar, kemudian menyempit), maka
mengidentifikasikan telah terjadi heterokeditas. Jika tidak ada pola yang jelas, serta
titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi
heterokeditas.

Koefisien Korelasi (r/R)

Adalah koefisien yang digunakan untuk mengetahui hubungan antara variabel X dan Y,
syaratnya adalah: r = (n (XY) (X) (Y)) / [n (X2) ((X)2)]1/2 [n (Y2) (Y)2]1/2
Jika r = 0 atau mendekati 0, maka hubungannya sangat lemah atau bahkan tidak ada
hubungan sama sekali.
Jika r = +1 atau mendekati +1, maka hubungannya kuat dan searah.
Jika r = -1 atau mendekati -1, maka hubungannya kuat dan tidak searah.

Koefisien Determinasi (r2/R2)

51
 Adalah koefisien yang digunakan untuk mengetahui seberapa besar variabel bebas (X)
mempengaruhi variabel terikat (Y). Nilai koefisien determinasi berkisar antara 0 sampai
dengan 1.

Kesalahan Standar Estimasi

Digunakan untuk mengetahui ketepatan persamaan estimasi. Dapat digunakan dengan
mengukur besar kecilnya kesalahan standar estimasi (semakin kecil nilai kesalahannya,
maka semakin tinggi ketepatannya).

III. CONTOH KASUS

Sebuah toko olahraga Spirit menjual berbagai peralatan olahraga dan untuk mendapatkan
profit yang maksimal toko tersebut gencar melakukan promosi dan membuka outlet di
berbagai kota di Indonesia. Berikut ini adalah data mengenai penjualan, biaya promosi dan
luas outlet yang berasal dari 6 kota di indonesia

DAERAH Keuntungan (dalam jutaan) Promosi (dalam jutaan) Outlet (dalam m2)
Jakarta 30 6 40
Surabaya 20 5 40
Medan 35 7 60
Bandung 25 5 70
Semarang 45 8 55
Yogya 30 6 50
Analisislah data diatas!

IV. LANGKAH-LANGKAH PENGERJAAN

Untuk mencari nilai-nilai regresi data tersebut dengan menggunakan program R, ikutilah
langkah-langkah berikut:
1. Tekan icon R Commander pada desktop kemudian akan muncul tampilan seperti gambar
dibawah ini.

Gambar 1. Tampilan menu awal R Commander

52
2. Pilih menu Data, New data set. Masukkan nama dari data set adalah regresi kemudian
tekan tombol OK.

Gambar 2. Tampilan menu New data set

Gambar 3. Tampilan New Data Set

Kemudian akan muncul Data Editor

Gambar 4. Tampilan Data Editor

3. Masukkan data dengan var1 untuk keuntungan, var2 untuk promosi dan var3 untuk outlet.
jika Data Editor tidak aktif maka dapat diaktifkan dengan menekan RGui di Taskbar
Windows pada bagian bawah layar monitor. Jika sudah selesai dalam pengisian data tekan
tombol Close. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan cara
double click pada variabel yang ingin di setting. Pemilihan type, dipilih numeric pada semua
variabel.

53
Gambar 5. Tampilan Variabel editor keuntungan

Gambar 6. Tampilan Variabel editor promosi

Gambar 7. Tampilan Variabel editor outlet

Kemudian isi masing-masing variabel sesuai dengan data soal setelah selesai isi data
kemudian tekan tombol X (close).

Gambar 8. Tampilan isi Data Editor

Selanjutnya, pilih Window R Commander akan muncul tampilan:

54
 Gambar 9. Tampilan Script Window

4. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View data set
maka akan muncul tampilan seperti gambar dibawah ini. Jika ada data yang salah, tekan
tombol edit data set, lalu perbaiki data yang salah.

Gambar 10. Tampilan View regresi

5. Jika data sudah benar, pilih menu Statistics, Fit models, Linear regression, maka akan
muncul menu seperti gambar dibawah ini.

55
 Gambar 11. Tampilan menu olah data

6. Pada Response Variable pilih variabel yang termasuk variabel terikat misalnya keuntungan
dan pada Explanatory variables pilih yang termasuk variabel bebas misalnya variabel
promosi dan outlet, untuk memilih 2 variabel sekaligus tekan Ctrl lalu pilih promosi dan
outlet kemudian tekan tombol OK.

Gambar 12. Tampilan Linear Regression

7. Maka akan muncul hasil pada output window sebagai berikut:

Output bagian 1:

56
Gambar 13. Tampilan Output 1

Analisis output bagian 1:

Pada bagian ini dikemukakan nilai koefisien a dan b serta harga t hitung dan tingkat
signifikan. Persamaan regresi : Y = -17.47756 + 0.08618X1 + 7.10054X2
Nilai -17.47756 merupakan nilai konstanta (a) yang menunjukkan bahwa jika tidak ada
promosi dan luas outlet yang dilakukan maka keuntungan yang akan dicapai -17.47756
sedangkan nilai 0.08618 merupakan koefisien regresi yang menunjukkan bahwa setiap
penambahan 1 m2 dari luas outlet maka akan ada peningkatan keuntungan sebesar
0.08618. Kemudian nilai 7.10054 merupakan koefisien regresi yang menunjukkan bahwa
setiap penambahan 1 juta dari promosi akan ada peningkatan keuntungan sebesar
7.10054.
Uji t : dilakukan untuk mengetahui masing-masing variabel bebas mempengaruhi atau
tidak terhadap variabel terikat.
Langkah-langkah:
a. Ho : luas outlet tidak berpengaruh terhadap keuntungan
Ha : luas outlet berpengaruh terhadap keuntungan
Syarat :
Jika Prob > 0.05 maka Ho diterima
Jika Prob < 0.05 maka Ho ditolak
Outlet = 0.34369 > 0.05 maka Ho diterima
Kesimpulan : luas outlet tidak berpengaruh terhadap keuntungan

b. Ho : promosi tidak berpengaruh terhadap keuntungan

Ha : promosi berpengaruh terhadap keuntungan
Promosi = 0.00270 > 0.05 maka Ho ditolak
Kesimpulan : Outlet berpengaruh terhadap keuntungan
Dapat dilihat diatas terdapat tanda dua bintang pada baris Promosi berarti kedua
variabel tersebut berpengaruh terhadap keuntungan

57
Output bagian 2:

Gambar 14. Tampilan Output 2

Analisis output bagian 2:

Pada bagian ini ditampilkan Adjusted R squared (Adj. R2) adalah sebesar 0.9459
Uji f : Dilakukan untuk mengetahui pengaruh secara bersama-sama.
Ho : Luas outlet dan promosi tidak berpengaruh secara bersama-sama terhadap
keuntungan.
Ha : Luas outlet dan promosi berpengaruh secara bersama-sama terhadap keuntungan.
Syarat:
Jika Prob > 0.05 maka Ho diterima
Jika Prob < 0.05 maka Ho ditolak
Nilai p-value = 0.005842 < 0.05 maka Ho ditolak
Kesimpulan : Luas outlet dan promosi berpengaruh secara bersama-sama terhadap
keuntungan.

58