1

MATERI I

PENGANTAR STATISTIKA

1.1. Pengertian Statistika

Kata "statistik" secara etimologis berasal dari kata
status (bahasa latin) yang mempunyai persamaan arti
dengan kata state (bahasa Inggris) atau kata staat
(bahasa Belanda), dan yang dalam bahasa Indonesia
diterjemahkan menjadi negara. Pada mulanya, kata
"statistik" diartikan sebagai "kumpulan bahan keterangan
(data), baik yang berwujud angka (data kuantitatif)
maupun yang tidak berwujud angka (data kualitatif), yang
mempunyai arti penting dan kegunaan yang besar bagi
suatu negara. Namun, pada perkembangan selanjutnya,
arti kata statistik hanya dibatasi pada "kumpulan bahan
keterangan yang berwujud angka (data kuantitatif)" saja;
bahan keterangan yang tidak berwujud angka (data
kualitatif) tidak lagi disebut statistik (Sudjono, 2004).

Anderson dan Bancroft (1952) mendefinisikan

statistika sebagai ilmu dan seni mengembangkan dan
menerapkan metode yang paling efektif untuk
mengumpulkan, mentabulasi, menginterpretasi kan data
kuantitatif sedemikian rupa sehingga kemungkinan salah
dalam kesimpulan dan estimasi dapat diperkirakan
 2

dengan menggunakan penalaran induktif berdasarkan

matematika probabilitas. Steel dan Torrie (1960)
menyatakan bahwa statistik merupakana cara atau
metode yang memberikan langkah-langkah guna untuk
menilai ketidakpastian dari sebuah kesimpulan yang
sifatnya induktif. Menurut Sudjana (2004) statistika
adalah pengetahuan yang berhubungan dengan cara-
cara pengumpulan fakta, pengolahan serta
penganalisanya, penarikan kesimpulan, penyajian dan
publikasi dari data-data yang berbentuk angka. Menurut
spieghel dan stephen (1990), statistika adalah ilmu
pengetahuan yang berhubungan dengan metode-metode
ilmiah untuk pengumpulan data, pengorganisasian,
perangkuman, pemaparan, dan penganalisisan data di
samping terkait pula dengan metode-metode untuk
penarikan kesimpulan yang valid serta pengambilan
keputusan berdasarkan alasan-alasan ilmiah yang telah
dilakukan pada awal analisis.

Berdasarkan paparan beberapa ahli tentang

pengertian statistik dapat disimpulkan bahwa statistik
merupakan suatu ilmu yang mempelajari tentang metode
pengumpulan, pengolahan, serta analisis data yang
dilakukan sedemikian rupa dengan menggunakan
 3

pendekatan peluang untuk menarik kesimpulan dari data

yang telah diperoleh.

1.2. Jenis-jenis metode statistika

Metode/ analisis statistika dapat dibagi menjadi

beberapa jenis metode/ analisis. Berdasarkan tujuannya
metode statistik dapat dibagi menjadi dua yaitu :

1) Statistiik Deskriptif
Statistik deskriptif mengacu pada bagaimana
menata atau mengorganisasi data, menyajikan, dan
menganalisis data. Menata, menyajikan, dan
menganalisis data dapat dilakukan misalnya dengan
menentukan nilai rata-rata hitung dan persen / proposisi.
Cara lain untuk menggambarkan data adalah dengan
membuat tabel, distribusi frekuensi, dan diagram atau
grafik (Sugiyono, 2006).

2) Statistik Inferensial
Statistik inferensial adalah statistik yang
berkenaan dengan cara penarikan kesimpulan
berdasarkan data yang diperoleh dari sampel untuk
menggambarkan karakterisktik atau ciri dari suatu
populasi. Dengan demikian dalam statistik inferensial
dilakukan suatu generalisasi (perampatan atau
memperumum) dan hal yang bersifat khusus (kecil) ke hal
 4

yang lebih luas (umum). Oleh karena itu, statistik

inferensial disebut juga statistik induktif atau statistik
penarikan kesimpulan. Pada statistik inferensial biasanya
dilakukan pengujian hipotesis dan pendugaan mengenai
karakteristik (ciri) dari suatu populasi, seperti mean dan
Uji t (Sugiyono, 2006).

Berdasarkan jenis datanya analisis statistik juga

dapat dibedakan menjadi dua yaitu (Solimun, 2010):

1) Statisitik parametrik
Statistik parametrik dapat dilakukan jika sampel
yang akan dipakai berasal dari populasi yang berdistribusi
normal. Jumlah data yang digunakan dalam analisis ini
minimal 30 sampel dan menggunakan yang berupa data
interval dan ratio.

2) Statisitik Non parametrik

Statistik non parametrik digunakan untuk
menganalisis data jumlahnya dibawah 30 (sangat sedikit)
serta datanya berupa data ordinal dan nominal.
Disamping itu metode non parametrik tidak
mengharuskan data berdistribusi normal, karena itu
metode ini sering dinamakan uji distribusi bebas
(distribution free test). Dengan demikian metode ini dapat
 5

dipakai untuk segala distribusi data dan lebih luas

penggunaanya.
1.3. Jenis Data
Seorang peneliti sebelum melakukan analisis
statistik pada data penelitian yang dimiliki harus
mengetahui terlebih dahulu skala pengukuran data yang
digunakan (Daniel, 1989). Skala pengukuran dapat
diartikan sebagai satuan yang digunakan untuk mengukur
suatu obyek atau peristiwa tertentu berdasarkan kaidah-
kaidah yang telah ditetapkan dalam penelitian. Adapun
jenis skala pengukuran dalam statistik dibagi menjadi
empat yaitu :
1) Data nominal
Tipe data ini termasuk dalam data kualitatif dan
merupakan data dengan level pengukuran paling rendah.
Tipe data ini jika ditemui angka hanya dinyatakan sebagai
suatu symbol saja dan tidak dapat dioperasikan ke dalam
bentuk persamaan matematika.

Misal :

 Warna : merah = 1, kuning = 2, biru = 3

 Jenis Kelamin : perempuan = 0, laki – laki = 1

2) Data ordinal
 6

Tipe data ini masih tergolong dalam data kualitatif.

Secara umum masih memiliki 6irri yang sama denngan
Nominal. Angka dianggap sebagai symbol, hanya pada
tipe data ini, angka tersebut telah memiliki tingkatan atau
jenjang dan tidak dapat dioperasikan ke dalam bentuk
persamaan matematika.
Misal :
 Tingkat kepatuhan : rendah = 1, sedang = 2,
tinggi = 3
 Tingkat pendidikan : SD = 1, SMP = 2, SMA =3,
Sarjana = 4
3) Data interval
Tipe data ini tergolong dalam data kuantitatif.
Angka yang digunakan dalam data ini, selain memiliki
atau jenjang, dapat dioperasikan dalam bentuk
persamaan matematika. Angka nol yang digunakan tidak
memiliki arti sesungguhnya (no absolute), memiliki jarak
data yang sama.
Misal :
Suhu udara : Suhu udara di Pengunungan Everest
sebesar 0oC
Perhatian ! Suhu udara 0oC tidak berarti tidak ada
suhu, melainkan besaran suhunya sebesar 0oC = 32
o
F (nilai nol tidak mutlak)
4) Data rasio
 7

Tipe data ini masih tergolong dalam data

kuantitatif. Merupakan level pengkuran paling tinggi.
Secara umum memiliki ciri hampir sama dengan Interval.
Hanya perbedaannya adalah angka nol disini memiliki arti
yang sebenarnya (absolute).
Misal :
Jumlah warga Malang yang terjangkit virus HIV pada
tahun 2015 sebanyak 1445 orang, tahun 2016
sebanyak 2067 orang, tahun 2017 sebanyak 1263
orang.
Perhatian ! Nol unit sama dengan tidak ada produk
yang cacat (nilai nol mutlak).
1.4. Elemen Statistik
Elemen yaitu sesuatu yang menjadi objek
penelitian, elemen juga disebut unit analysis, unit
sampling, atau kasus (cases). Elemen Statistik dapat
dibagi menjadi 2 (dua) elemen sebagai berikut :
a. Populasi
Kumpulan yang lengkap dari seluruh elemen yang
sejenis akan tetapi dapat dibedakan karena
karakteristiknya.
Misal :
 Seluruh ibu menyusui di Kecamatan Kras
Kabupaten Kediri
 8

 Pasien TBC di Rumah Sakit Syaiful Anwar, Kota

Malang
 Karyawan wanita di Institut Ilmu Kesehatan Bhakti
Wiyata Kediri
b. Sampel
Sekumpulan data yang diambil atau diseleksi dari
suatu populasi.
Misal :
 Dari populasi seluruh ibu menyusui di Kecamatan
Kras Kabupaten Kediri diambil sampel setiap desa
sebanyak 10 ibu menyusui.
 Dari populasi pasien TBC di Rumah Sakit Syaiful
Anwar, Kota Malang diambil sampel sebesar 20%
dari total pasien.
 Dari karyawan wanita di Institut Ilmu Kesehatan
Bhakti Wiyata Kediri sampel secara proporsional
sebesar 20% berdasarkan divisi kerja.

1.5. Langkah Memilih Metode Analisis Statistik

Pemilihan jenis analisis yang tepat akan
mempengaruhi keabsahan hasil penelitian. Ada beberapa
hal yang perlu diperhatikan dalam memilih jenis analisis
statistik yang akan digunakan yaitu : 1. Skala data 2.
Tujuan Penelitian 3. Jumlah variabel, langkah pemilihan
 9

metode analisis secara garis besar sesuai skema berikut

:

Analisis Statistik

Data Nominal dan Ordinal Data Interval dan Rasio

Tidak Normal Normal

Statistika Non-Parametrik Statistik Parametrik

Deskriptif Komparatif Assosiatif

2 Obyek ≥ 3 objek Korelasi Regresi

Gambar 1.1. Skema Penentuan Analsis Statistik

 10

Ketepatan dalam memilih metode akan

mempengaruhi hasil penelitian, apabila metode analisis
yang dipakai salah maka tentunya hasil penelitian yang
didapatpun akan salah.

1.6. Istilah-Istilah Penting dalam Analisis Statistik

Istilah-istilah berikut penting untuk diingat agar
mempermudah saat melakukan analisis statistik dan juga
menginterpretasikan hasil analisis yang telah dilakukan.
a. Parameter : ukuran yang digunakan untuk
menggambarkan suatu populasi. Contoh : rata-
rata dan ragam. Parameter inilah yang akan
ditaksir melalui analisis statistik.
b. Statistik uji : nilai hasil perhitungan statistik yang
akan dibandingkan dengan titik kritis suatu
penelitian.
c. Titik kritis : nilai yang begitu ekstrem yang dapat
digunakan sebagai acuan uji statistik untuk
menerima hipotesis nol, sehingga nilai yang lebih
ekstrem dari nilai tersebut dinyatakan sebagai
daerah penolakan hipotesis nol.
 11

d. Significance probability (p-value) : ukuran, dalam

bentuk peluang atas kadar keheranan yang
dialami seseorang yang mempercayai hipotesis
nol pada suatu penelitian.
e. Alpha : peluang untuk menolak hipotesis nol ketika
pada kenyataannya hipotesis nol benar. Nilai
alpha ditetapkan oleh peneliti dan yang umum
digunakan adalah 0,1; 0,05; dan 0,01.
f. Sebaran normal : sebaran peluang yang hampir
memodelkan semua fenomena kuantitatif pada
ilmu alam maupun sosial, fungsi kepekatan
peluangnya membentuk lonceng dimana titik
tengah lonceng adalah nilai rata-rata dari suatu
fenomena kuantitatif.
 12

MATERI 2
PENGENALAN MENU SPSS

1. Memulai SPSS
Anda juga bisa memulai SPSS dengan cara klik Start
> Program > SPSS 22.0 > SPSS 22.0
Setelah Anda klik SPSS 22.0 dan kemudian klik
cancel, Anda akan masuk ke dalam SPSS Data
Editor sebagai berikut (Gambar 2.1).
 13

Gambar 2.1 : Tampilan setelah Anda klik SPSS 15

for windows
2. SPSS Data Editor
Sebelum melakukan analisis data statistik Anda perlu
memasukkan data terlebih dahulu. Bila file data
belum ada, maka Anda harus mengetik file data pada
lembar SPSS Data Editor. Pada halaman SPSS Data
Editor terdiri dari dua lembar. Lembar pertama adalah
Data View yaitu tempat untuk memasukkan data.
Sedangkan lembar kedua adalah Variable View
yaitu tempat memberi nama variabel dan
mendefinisikan karakteristik lain dari variabel
tersebut.
Data Editor terdiri dari menu sebagai berikut :
1. FILE. Membuat file baru, membuka file tertentu,
dsb
2. EDIT. Memperbaiki dan mengubah data
3. VIEW. Mengatur TOOLBAR
4. DATA. Membuat perubahan data secara
menyeluruh
5. TRANSFORM. Membuat perubahan pada
variabel tertentu
6. ANALYZE. Melakukan perhitungan statistik
7. GRAPHS. Membuat berbagai jenis grafik
8. UTILITIES. Menu tambahan
 14

9. WINDOW. Melakukan perpindahan diantara

menu yang lain
10. HELP. Menyediakan bantuan informasi

Gambar 2.2 : Tampilan lembar Data View dari SPSS

Data Editor
 15

Gambar 5 : Tampilan lembar Variabel View dari

Data Editor

Pada lembar Variabel View Anda dapat melihat

menu :
 Name. Nama variabel yang ditulis tidak boleh ada
spasi.
 Type. Tipe data sebagian besar berupa : Numeric
untuk data yang berupa angka, String untuk data
yang berupa huruf.
 Width. Jumlah isian data.
 Decimals. Jumlah angka di belakang koma.
 Label. Label adalah keterangan untuk nama
variabel secara lengkap.
 Values. Pengkodean data untuk data ordinal.
 Missing. Berhubungan dengan data yang hilang
atau data yang tidak lengkap.
 Column. Lebar kolom untuk isian data.
 Align. Posisi data yang berupa : Left (rata kiri),
Center (rata tengah), atau Right (rata kanan).
 Measure. Dilakukan untuk menentukan uji statistik
yang digunakan. Untuk tipe data String berupa :
Nominal (untuk data nominal) atau Ordinal (untuk
 16

data ordinal), sedangkan untuk tipe data Numeric

berupa : Scale (untuk data interval dan data rasio).
 17

3. Menu Analyze
Menu Analyze adalah menu utama yang nantinya
akan sering dipakai ketika melakukan analisis. Menu
analyze berisi sub menu sesuai dengan analisis
statistik yang diinginkan.

Gambar 2.3. Menu Analyze

Menu Analyze teridiri dari beberapa sub menu
diantaranya :
a. Submenu DESCRIPTIVE STATISTICS (statistik
deskriptif) merupakan bagian dari menu utama
ANALIZE (analisis). Pengukuran deskriptif pada
dasarnya memaparkan secara numerik ukuran
tendensi sentral (pemusatan data), dispersi
(penyebaran suatu data), dan distribusi suatu
data.
 18

b. Submenu STATISTIKA INFERENSIA yang

merupakan Submenu-submenu mengenai
statistik induktif merupakan bagian dari menu
utama ANALIZE (analisis).
 19

MATERI 3
STATISTIKA DESKRIPTIF

3.1. Analisis Deskriptif menggunakan Menu

Frequencies Untuk Data Nominal dan Ordinal
Analisis deskriptif menggunakan menu
frequencies sangat berguna untuk memperoleh ringkasan
suatu variabel individual. Frekwensi untuk data nominal
dilakukan untuk : 1) memaparkan jumlah/frekuensi dan
proporsi dalam persen suatu variabel data nominal, 2)
membuat tampilan grafik.

CONTOH KASUS :
Rumah sakit dr. Soebandi ingin mengetahui
besarnya frekwensi dan membuat tampilan grafik data
jenis kelamin pasien kanker dan kondisi pasien setelah
dilakukan kemoterapi. Data diambil dari 20 pasien yang
dirawat intensif selama rentang waktu 6 bulan terakhir
diketahui data jenis kelamin mahasiswa sebagai berikut :
 20

Mahasiswa
No
Nama Jenis Kelamin Frekuensi Hadir
1 Alan Laki-laki Sangat Baik
2 Beni Laki-laki Kurang Baik
3 Cica Perempuan Baik
4 Desi Perempuan Baik
5 Eni Perempuan Baik
6 Fahmi Laki-laki Kurang Baik
7 Ganang Laki-laki Kurang Baik
8 Heru Laki-laki Kurang Baik
9 Ikhsan Laki-laki Kurang Baik
10 Johan Laki-laki Kurang Baik
11 Kristina Perempuan Sangat Baik
12 Leni Perempuan Sangat Baik
13 Mona Perempuan Sangat Baik
14 Norma Perempuan Baik
15 Osa Laki-laki Baik
16 Purnami Perempuan Baik
17 Quan Xie Laki-laki Baik
18 Reza Laki-laki Sangat Baik
19 Sari Perempuan Sangat Baik
20 Tanti Perempuan Kurang Baik
 21

PENGOLAHAN DATA
1. Input Data

2. Pengolahan Data
 Klik menu utama ANALYZE, klik submenu
DESCRIPTIVE STATISTICS, klik
FREQUENCIES…

 Variabels. Klik variabel jenis kelamin dan

frekuensi kehadiran yang akan diamati,
 22

klik tanda ‘>’, maka variabel jenis kelamin

dan frekuensi kehadiran akan berpindah
ke Variables.
 Klik Display Frequency Tables untuk
menampilkan tabel frekwensi.
 Charts. Dilakukan untuk membuat
tampilan gafik.

 Chart Types. Pilihan tampilan grafik,

klik Pie Chart.
 Klik Continue.
 Klik OK.
OUTPUT
 23

Frequencies

Statistics
Jenis_Kelamin Kondisi_Pasien
N Valid 20 20
Missing 0 0

Frequency Table

Jenis_Kelamin
Valid Cumulative
Frequency Percent Percent Percent
Valid Laki-laki 10 50,0 50,0 50,0
Perempuan 10 50,0 50,0 100,0
Total 20 100,0 100,0

Kondisi_Pasien
Valid Cumulative
Frequency Percent Percent Percent
Valid Kurang 7 35,0 35,0 35,0
Baik
Baik 7 35,0 35,0 70,0
Sangat 6 30,0 30,0 100,0
Baik
Total 20 100,0 100,0
 24

INTERPRETASI OUTPUT
1. Output Statistics
Berdasarkan output Statistic dapat dilihat
bahwa terdapat 20 data dengan tingkat
validitas sebesar 100%. Hal ini berarti tidak
ada data yang hilang.
2. Output Frequencies
Berdasarkan output Frequencies dapat dilihat
bahwa :
a. Pasien dengan jenis kelamin Perempuan
sebanyak 10 (50,0%) orang dan Pasien
dengan jenis kelamin Laki-laki sebanyak
12 (50,0%) orang.
b. Pasien yang memiliki kondisi kurang baik
setelah kemoterapi sebanyak 7 (35%)
orang, Pasien yang memiliki kondisi baik
setelah kemoterapi sebanyak 6 (30%)
orang, dan Pasien yang memiliki kondisi
sangat baik setelah kemoterapi sebanyak
7 (35%) orang.
 25

perempuan

Laki-laki

baik

Sangat baik
Kurang baik

3. Output Chart
Berdasarkan output Chart dapat dilihat
diagram lingkaran yang menunjukkan
proporsi pasien jenis kelamin Perempuan dan
pasien dengan jenis kelamin Laki-laki dan
juga proporsi kondisi pasien setelah
kemoterapi.
 26

b. Analisis Deskriptif menggunakan Menu

Frequencies Untuk Data Interval dan Rasio
Frekwensi untuk data rasio dilakukan untuk : 1)
mengetahui besarnya frekwensi data, 2) mengetahui
ukuran kecenderungan terpusat (central tendency) data,
seperti : rata-rata (mean), nilai tengah (median), dan nilai
yang sering muncul (modus), 3) mengetahui penyebaran
(dispersion) data, seperti : simpangan baku (deviation
standart) dan varians (variance), 4) mengetahui bentuk
distribusi (distribution) data, seperti : skewness dan
kurtosis, 5) membuat tampilan grafik.
Contoh Kasus
Program Studi S1 Keperawatan ingin : 1)
mengetahui besarnya frekwensi data, 2) mengetahui
ukuran kecenderungan terpusat (central tendency),
seperti : rata-rata (mean), nilai tengah (median), dan nilai
yang sering muncul (modus), 3) mengetahui penyebaran
(dispersion), seperti : simpangan baku (deviation
standart) dan varians (variance), 4) mengetahui bentuk
distribusi (distribution), seperti : skewness dan kurtosis, 5)
membuat tampilan grafik data Indeks Prestasi Mahasiswa
(IPK) mahasiswa. Dari 25 mahasiswa diketahui data
Indeks Prestasi Kumulatif (IPK) mahasiswa sebagai
berikut :
 27

Mahasiswa
No
Nama IPK
1 Alan 3,20
2 Beni 3,30
3 Cica 3,10
4 Desi 3,50
5 Eni 3,40
6 Fahmi 3,20
7 Ganang 3,20
8 Heru 3,50
9 Ikhsan 3,10
10 Johan 3,30
11 Kristina 3,00
12 Leni 3,50
13 Mona 3,40
14 Norma 3,10
15 Osa 3,40
16 Purnami 3,50
17 Quan Xie 3,40
18 Reza 3,20
19 Sari 3,00
20 Tanti 3,00
21 Umi 3,30
 28

22 Vera 3,30
23 Weni 3,50
24 Xien Hua 3,00
25 Yeni 3,10
26 Zulfikar 3,40

Pengolahan Data
i. Membuka file frequencies_data rasio.
ii. Klik menu utama ANALYZE, klik submenu
DESCRIPTIVE STATISTICS, klik
FREQUENCIES…

 Variabels. Klik variabel IPK yang akan

diamati, klik tanda ‘>’, maka variabel IPK
akan berpindah ke Variables.
 Klik Display Frequency Tables untuk
menampilkan tabel frekwensi.
 29

 Statistics. Dilakukan untuk melakukan

perhitungan statistik.
 Percentiles Values. Klik Quartiles
untuk mengetahui nilai kuartil. Klik
Percentiles, ketik 10, klik Add,
Kemudian ketik 90, klik Add. Hal ini
dilakukan untuk mengetahui nilai
persentil pada 10 dan 90.
 Dispersion. Dilakukan untuk
mengetahui penyebaran data. Klik Std.
Deviation, Variance, Range,
Minimum, Maximum, dan S.E. Mean.
 Central Tendency. Dilakukan untuk
mengetahui ukuran kecenderungan
terpusat data. Klik Mean, klik Median,
klik Mode.
 Distribution. Dilakukan untuk
mengetahui distribusi data. Klik
Skewness, klik Kurtosis.
 30

 Charts. Dilakukan untuk membuat

tampilan gafik.

 Chart Types. Pilihan tampilan grafik,

klik Histogram, klik With Normal
Curve.
 Klik With Normal Curve untuk
menampilkan kurva normal.
 31

 Klik Continue.
 Klik OK
OUTPUT

ANALISIS DATA
1. Output Statistics
Berdasarkan output Statistic dapat dilihat bahwa :
a. N. Terdapat 26 data Indeks Prestasi (IPK)
mahasiswa dengan tingkat validitas sebesar
 32

100%. Hal ini berarti tidak ada data yang

hilang.
b. Mean. Rata-rata Indeks Prestasi Kumulatif
(IPK) mahasiswa sebesar 3,2654.
c. S.E. of Mean. Standart Error of Mean sebesar
3,462E-02 digunakan untuk memperkirakan
rata-rata populasi berdasarkan rata-rata
sampel.
Rata-rata populasi : Rata-rata sampel
 2(S.E. Mean)
: 3,2654  2(3,462E-02)
: 3,19616 s/d 3,33464
d. Median. Median sebesar 3,30 merupakan nilai
tengah jika data diurutkan dan dibagi dua
sama besar. Hal ini berarti 50% Indeks
Prestasi Kumulatif (IPK) mahasiswa diatas
3,30 dan 50% Indeks Prestasi Kumulatif (IPK)
mahasiswa di bawah 3,30
e. Std. Deviation. Simpangan baku sebesar
0,1765 digunakan untuk memperkirakan
penyebaran data populasi berdasarkan rata-
rata-rata sampel.
Penyebaran populasi : Rata-rata sampel
 2(Std. Deviation)
 33

: 3,2654 
2(0,1765)
:2,9034 s/d 3,6094
Berdasarkan perhitungan tersebut dapat
dilihat bahwa batas bawah (2,9034)
mendekati nila minimum (3,00) dan batas
atas (3,6094) mendekati nilai maksimum
(3,50) maka penyebaran data adalah baik.
f. Variance. Varians sebesar 3,115E-02
g. Skewness. Skewness sebesar –0,134
digunakan untuk mengetahui bentuk distribusi
data.
Skewness
Rasio Skewness :
S.E.Skewness
- 0,134
:
0,456
:-0,29386
Berdasarkan perhitungan tersebut dapat
dilihat bahwa –2 < Rasio Skewness (-0,29386)
< 2, maka distribusi data adalah normal.
h. Kurtosis. Kurtosis sebesar –1,316 digunakan
untuk mengetahui bentuk distribusi data.
Kurtosis
Rasio Skewness :
S.E. Kurtosis
 34

- 1,316
:
0,887
:-0,48365
Berdasarkan perhitungan tersebut dapat
dilihat bahwa –2 < Rasio Kurtosis (-48365) <
2, maka distribusi data adalah normal.
i. Minimum. Indeks Prestasi Kumulatif (IPK)
mahasiswa terendah sebesar 3,00.
j. Maximum. Indeks Prestasi Kumulatif (IPK)
mahasiswa tertinggi sebesar 3,50.
k. Range. Range sebesar 0,50 merupakan jarak
antara nilai maksimum dengan nilai minimum.
l. Percentiles. Angka persentil.
a) Percentiles 10. Rata-rata Indeks Prestasi
Kumulatif (IPK) mahasiswa sebanyak
10% di bawah 3,00.
b) Percentiles 25. Rata-rata Indeks Prestasi
Kumulatif (IPK) mahasiswa sebanyak
25% di bawah 3,10.
c) Percentiles 50. Rata-rata Indeks Prestasi
Kumulatif (IPK) mahasiswa sebanyak
50% di bawah 3,30.
d) Percentiles 75. Rata-rata Indeks Prestasi
Kumulatif (IPK) mahasiswa sebanyak
75% di bawah 3,40.
 35

e) Percentiles 90. Rata-rata Indeks Prestasi

Kumulatif (IPK) mahasiswa sebanyak
90% di bawah 3,50.

2. Output Frequencies
Berdasarkan output Frequencies dapat dilihat
bahwa :
a. Mahasiswa dengan Indeks Prestasi
Kumulatif (IPK) sebesar 3,00 sebanyak 4
(15,4%) orang.
b. Mahasiswa dengan Indeks Prestasi
Kumulatif (IPK) sebesar 3,10 sebanyak 4
(15,4%) orang.
c. Mahasiswa dengan Indeks Prestasi
Kumulatif (IPK) sebesar 3,30 sebanyak 4
(15,4%) orang.
 36

d. Mahasiswa dengan Indeks Prestasi

Kumulatif (IPK) sebesar 3,40 sebanyak 5
(19,2%) orang.
e. Mahasiswa dengan Indeks Prestasi
Kumulatif (IPK) sebesar 3,50 sebanyak 5
(19,2%) orang.

3. Output Chart
Berdasarkan output Chart dapat dilihat bahwa
diagram batang yang menunjukkan frekwensi
data Indeks Prestasi Kumulatif (IPK)
mahasiswa mempunyai kemiripan bentuk
dengan kurva normal. Hal ini menunjukkan
bahwa bentuk distribusi data Indeks Prestasi
 37

Kumulatif (IPK) mahasiswa mendekati

distribusi normal.
 38

MATERI 4

UJI NORMALITAS DATA

A. Uji Normalitas Kolomogrov-smirnov

Uji normalitas kolomogrov-smirnov adalah salah
satu metode yang dapat digunakan untuk melihat apakah
suatu set data menyebar mengikuti distribusi normal atau
tidak. Normalitas sendiri merupakan asumsi yang paling
penting pada setiap uji statistik parametrik, apabila suatu
data menyebar normal maka kita dapat melakukan
analisis statistik parametrik pada data tersebut. Uji
kolomogrov-smirnov umumnya dilakukan apabila jumlah
data yang akan dianalisis memenuhi acuan numum para
ahli bahwa data dapat dikatakan normal yaitu apabila
n≥30.
B. Uji Normalitas Saphiro-Wilk
Uji normalitas saphiro-wilk adalah salah satu
metode yang dapat digunakan untuk melihat apakah
suatu set data menyebar mengikuti distribusi normal atau
tidak. Uji saphiro-wilk umumnya dilakukan apabila jumlah
data yang akan dianalisis tidak memenuhi acuan numum
para ahli bahwa data dapat dikatakan normal yaitu
apabila n≤30.
Selain menggunakan uji normalitas kolomogrov-
smirnov dan juga saphiro-wilk terdapat beberapa uji
 39

normalitas yang lain seperti uji liliefors, dan juga

pengujian normalitas menggunakan rasio skewness dan
kurtosis yang telah dijelaskan pada sub bab sebelumnya

Contoh Kasus :

Skor nilai TOEIC pascasarjana UB tahun 2015/2016

No
Nama Toeic
1 Arman 533
2 Bambang 529
3 Chairul 523
4 Dina 510
5 Erma 532
6 Fiona 525
7 Guntur 528
8 Husni 525
9 Indah 515
10 Jihan 526
11 Khrisna 518
12 Laksmi 520
13 Mahfudz 519
14 Nirmala 530
15 Oka 510
16 Putri 522
17 Queen 525
18 Rachmat 527
19 Sarah 509
20 Thomas 516
21 Umar 501
22 Vincent 503
23 Woro 530
24 Xena 505
25 Yahya 524
26 Zulva 511
 40

Pengolahan data
1. Memasukkan data kedalam SPSS

2. Klik analyze  deskriptive  pilih menu explore

3. Kemudian masukkan variabel TOEIC pada menu

dependent list klik plot  centang normality plot
with tests  klik continue
 41

4. Klik ok

Output :
 42

Analisis Data

Output deskriptive
 Mean menunjukkan rata-rata dari skor TOEIC
sebesar 519,85 dengan stanbdard deviasi sebesar
1,82689
 Median menunjukkan nilai tengah sebesar 522,5
 Variace merupakan ragam sebesar 86,775

Output uji test of normality

Hipotesis :
Ho = Data menyebar mengikuti distribusi normal
H1 = Data tidak menyebar mengikuti sebaran normal

 Hasil uji kolomogrov smirnov : didapatkan nilai

signifikansi sebesar 0,200 menunjukkan nilai
probabilitas > alpha (0,05) maka keputusannya Ho
diterima sehingga data dikatakan menyebar normal
 Hasil uji saphiro-wilk : didapatkan nilai signifikansi
sebesar 0,118 menunjukkan nilai probabilitas > alpha
(0,05) maka keputusannya Ho diterima sehingga
data dikatakan menyebar normal
 43

MATERI 5
UJI PERINGKAT BERTANDA WILCOXON

Frank Wilcoxon pada tahun 1945 mengusulkan

suatu cara nonparametrik yang amat sederhana untuk
membandingkan dua populasi kontinu bila hanya
tersedia sampel bebas yang sedikit dan kedua populasi
asalnya tidak normal. Uji ini digunakan untuk menguji
kondisi (variabel) pada sampel yang berpasangan atau
dapat juga untuk penelitian sebelum dan sesudah.
Dalam uji ini ingin diketahui manakah yang lebih besar
dari antara pasangan. Cara ini sekarang dinamakan uji
Wilcoxon atau Uji Ranking Bertanda Wilcoxon.
Merupakan penyempurnaan dari uji tanda.

Uji Wilcoxon ini hampir sama dengan Uji Tanda

tetapi besarnya selisih nilai angka antara positif dan
negatif diperhitungkan, dan digunakan untuk menguji
hipotesis komparatif 2 sampel berpasangan. Uji wilcoxon
lebih peka daripada uji tanda dalam menentukan
perbedaan antara rataan populasi dan karena itu akan
dibahas secara mendalam. Jika sampel berpasangan
lebih besar dari 25, maka distribusinya dianggap akan
mendekati distribusi normal. Untuk itu digunakan Z
sebagai Uji Statistiknya.
 44

2.1.1 Contoh Soal

Sebuah perusahaan sedang mengembangkan
suplemen penambahan berat badan pada anak- anak.
Perusahaan ingin mengetahui khasiat suplemen tersebut
sebelum dipasarkan secara komersial. Untuk itu
perusahaan mencoba obat tersebut secara kontinu
terhadap 15 orang siswa sekolah dasar yang sudah
diukur terlebih dahulu berat badannya. Selang 3 bulan
kemudian siswa-siswa tersebut diukur berat badannya
lagi untuk mngetahui apakah ada peningkatan berat
badannya yang nyata. Berikut ini adalah hasil
pengukuran tersebut (angka dalam kilogram)

No Sebelum Sesudah
1 25 26
2 27 26
3 20 22
4 21 24
5 18 22
6 19 21
7 20 24
8 22 21
9 24 26
10 25 26
11 24 25
12 27 28
13 23 25
 45

14 25 27
15 22 25

Analisis Data

1. Buka lembar kerja baru caranya pilih file-new

2. Isikan data variabel sesuai dengan data yang
diperlukan. Tampak dilayar seperti pada gambar 5.1

Gambar 5.1 Tampilan Variable View

3. Isilah data pada Data View sesuai dengan data

yang diperoleh. Tampilan layar seperti gambar
dibawah ini.
 46

Gambar 5.2 Tampilan Data View

 47

4. Jangan lupa simpan (save) file kerja ini dengan

menu File – Save (atau menekan tombol Ctrl+S.
5. Untuk menjalankan prosedur ini adalah dari
menu kemudian pilih Analyze – Nonparametric
Test – 2 related samples kemudian akan muncul
jendela seperti pada gambar 5.3

Gambar 3.3 Tampilan Kotak dialog pada Two Related

Samples Test
6. Setelah itu memindahkan variabel sebelum dan
sesudah pada kolom test pair(s) list, sedangkan
untuk test type pilihlah wilcoxon
 48

Berikut adalah data output SPSS

Analisa :
Hipotesis
Ho : Suplemen tersebut tidak mempunyai efek
berarti pada berat badan
H1 : Suplemen tersebut mempunyai efek pada
peningkatan berat badan
 49

Pengambilan keputusan
A. Dengan membandingkan statistik hitung dengan
statistik tabel.
Jika statistik hitung < statistik tabel, maka Ho diterima
Jika statistik hitung > statistik tabel, maka Ho ditolak
- Statistik hitung
Menghitung statistik uji dari wilcoxon :
Dari output terlihat bahwa terlihat dari 15 data, ada
2 data mempunyai beda negatif, dan 13 data
bernilai positif dan tidak ada yang sama (ties).
Dalam uji wilcoxon, yang dipakai adalah jumlah
beda-beda yang paling kecil, karena itu dalam
kasus ini diambil beda-beda negatif, yaitu 7 (lihat
output pada kolom „sum of ranks‟). Angka statistik
uji didapatkan sebesar -3.045.
- Statistik tabel
Dengan melihat tabel Z ( dapat dilihat pada tabel
statistik) dengan tingkat signifikan (α) = 5%, maka
didapat statistik wilcoxon = 1,64
Keputusan :
Karena statistik hitung > statistik tabel, maka Ho
ditolak
 50

B. Dasar pengambilan keputusan berdasarkan

probabilitas :
 Jika probabilitas > 0,05, maka Ho diterima
 Jika probabilitas < 0,50, maka Ho ditolak
Keputusan :
Terlihat bahwa pada kolom asymp sig (2-tailed) untuk
diuji 2 sisi adalah 0,002. Disini didapat probabilitas
dibawah 0,05, maka Ho ditolak, atau suplemen
tersebut memang mempunyai efek yang nyata untuk
menaikkan berat badan.
 51

MATERI 6
UJI MANN-WHITNEY

Uji Mann-Whitney atau lebih dikenal dengan u-test

(juga disebut Mann–Whitney–Wilcoxon (MWW),
Wilcoxon rank-sum test, or Wilcoxon–Mann–Whitney
test). Uji ini dikembangkan oleh H.B Mann dan D.R.
Whitney dalam tahun 1947. Uji Mann-Whitney ini
digunakan sebagai alternatif lain dari uji T parametrik bila
anggapan yang diperlukan bagi uji T tidak dijumpai.
Tehnik ini dipakai untuk mengetest signifikansi
perbedaan antara dua populasi, dengan menggunakan
sampel random yang ditarik dari populasi yang sama.
Test ini berfungsi sebagai alternatif penggunaan uji-t
bilamana persyaratan-persyaratan parametriknya tidk
terpenuhi, dan bila datanya berskala ordinal. uji ini
berbeda dengan uji wilocoxon karena uji wilcoxon untuk
dua sampel yang berpasangan. sedangkan mann whitney
khusus untuk dua sampel yang independent.

Contoh Soal
 52

Sebuah perusahaan yang bergerak dalam

penjualan alat kesehatan ingin mengetahui apakah para
penjualnya membutuhkan pelatihan untuk peningkatan
kinerjanya. Maka dibentuklah sekelompok salesman
yang diberikan pelatihan dulu sebelum melakukan
penjualan, kemudian kinerjanya dibandingkan dengan
kinerja salesman yang mendapatkan pelatihan. Berikut
ini adalah hasil kedua kelompok tersebut.
No Salesman Jenis Kelompok
1 132 Pelatihan
2 130 Pelatihan
3 128 Pelatihan
4 121 Pelatihan
5 134 Pelatihan
6 126 Pelatihan
7 120 Pelatihan
8 136 Pelatihan
9 134 Pelatihan
10 131 Pelatihan
11 129 Pelatihan
12 128 Pelatihan
13 132 Pelatihan
14 127 Pelatihan
15 131 Pelatihan
16 111 Tanpa Pelatihan
17 109 Tanpa Pelatihan
18 120 Tanpa Pelatihan
 53

19 108 Tanpa Pelatihan

20 102 Tanpa Pelatihan
21 112 Tanpa Pelatihan
22 114 Tanpa Pelatihan
23 106 Tanpa Pelatihan
24 109 Tanpa Pelatihan
25 112 Tanpa Pelatihan

Analisa Data :

1. Buka lembar kerja baru caranya pilih file-new

2. Isikan data variabel sesuai dengan data yang
diperlukan. Tampak dilayar seperti pada gambar 6.1

Gambar 6.1 Tampilan Variable View

3. Pada penulisan variabel kelompok, maka nilai value

diisikan sesuai dengan pilihan yang ada yaitu
“pelatihan” dan “tanpa pelatihan” seperti tampak
pada layar berikut ini.
 54

Gambar 6.2 Tampilan value labels

4. Isilah data pada Data View sesuai dengan data yang
diperoleh. Tampilan layar seperti gambar dibawah ini.

Gambar 6.3 Tampilan Data View

 55

5. Jangan lupa simpan (save) file kerja ini dengan menu

File – Save (atau menekan tombol Ctrl+S.
6. Untuk menjalankan prosedur ini adalah dari
menu kemudian pilih Analyze – Nonparametric
Test – 2 independent samples kemudian akan
muncul jendela seperti pada gambar 6.4

Gambar 6.4 Tampilan Kotak dialog pada Two

independent samples
7. Selanjutnya klik variabel sales, kemudian masukkan
dalam Test Variable List
8. Selanjutnya klik variabel kelompok, masukkan dalam
grouping variabel seperti pada gambar dibawah ini.
 56

Gambar 6.5 Tampilan pada grouping variable

9. Setelah itu pada kolom test type pilihlah Mann-
Whitney  Klik Ok

Berikut adalah data output SPSS

 57

Interpretasi :
Hipotesis
Ho : Kedua populaasi identik (data penjualan kedua
kelompok salesman tidak berbeda secara
signifikan)
H1 : Kedua populaasi tidak identik atau berbeda dalam
hal lokasi (data penjualan kedua kelompok
salesman berbeda secara signifikan)
Pengambilan keputusan

Dasar pengambilan keputusan berdasarkan probabilitas :

o Jika probabilitas > 0,05, maka Ho diterima
o Jika probabilitas < 0,50, maka Ho ditolak

Keputusan :
Terlihat bahwa pada kolom asymp sig (2-tailed)
untuk diuji 2 sisi adalah 0,000. Disini didapat probabilitas
dibawah 0,05, maka Ho ditolak, atau kedua populaasi
tidak identik atau berbeda dalam hal lokasi (data
penjualan kedua kelompok salesman berbeda secara
signifikan).
 58

Materi 7
Uji Kruskall Wallis

Uji Kruskal-Wallis atau biasa disebut kruskal wallis

satu arah anova merupakan gagasan dari dua orang yaitu
William kruskal dan W. allen wallis. Analisis varians satu-
arah berdasarkan peringkat Kruskal-Wallis yaitu teknik
nonparametrik yang digunakan untuk menguji hipotesis
nol yang menyatakan bahwa beberapa sampel telah
ditarik dari populasi-populasi yag sama atau identik. Dan
apabila kasus yang diselidiki hanya dua sampel, maka uji
Kruskal-Wallis setara dengan uji Mann-Whitney. Uji
Kruskal-Wallis memanfaatkan informasi yang lebih
banyak ketimbang yang digunakan pada uji median.
Kruskal-Wallis test—disebut juga H test—adalah
suatu prosedur alternatif dari one-way ANOVA. Kruskal-
Wallis test juga mengasumsikan bahwa varian antara k
populasi (treatment) adalah sama, tetapi k populasi
tersebut berdistribusi kontinu dan mempunyai bentuk
(shape) yang sama (sedangkan shape tersebut dapat
skewed, bimodal, atau apa saja). Dan tidak seperti dalam
ANOVA test, Kruskal-Wallis, yang merupakan metode
 59

alternatif nonparametrik, dapat digunakan untuk data

respon yang ordinal atau ranked data.

Contoh Soal
PT. Angkasa Permai ingin memproduksi tiga
baterai pertanian dengan merek A, B, dan C. Manajer
produksinya ingin mengetahui apakah ada perbedaan
mutu produk yang nyata diantara ketiga merek tersebut.
Maka dari itu diambil sejumlah sampel tertentu dari
masing- masing merek, kemudian diukur masa hidupnya
(menyalakan alat yang sama hingga mati). Berikut ini
adalah hasil pengujiaan (angka dalam satuan jam).

Res Masa hidup Merek

1 201,4 Merek A
2 204,3 Merek A
3 200,9 Merek A
4 199,7 Merek A
5 199,2 Merek A
6 202 Merek A
7 200,1 Merek A
8 198,3 Merek A
9 201,2 Merek A
10 199,3 Merek B
11 197,4 Merek B
12 194,1 Merek B
 60

13 192,9 Merek B
14 191,6 Merek B
15 193,7 Merek B
16 198,1 Merek B
17 192,3 Merek B
18 198,4 Merek C
19 199,9 Merek C
20 192,6 Merek C
21 201,2 Merek C
22 203,7 Merek C
23 199,8 Merek C
24 205,2 Merek C
25 201,1 Merek C

Analisis :
1. Buka lembar kerja baru caranya pilih file-new
2. Isikan data variabel sesuai dengan data yang
diperlukan. Tampak dilayar seperti pada gambar 7.1

Gambar 7.1 Tampilan Variable View

3. Pada penulisan variabel kelompok, maka nilai value
diisikan sesuai dengan pilihan yang ada yaitu “Merek
A”, “Merek B” dan “Merek C” seperti tampak pada
layar berikut ini.
 61

Gambar 7.2 Tampilan value labels

4. Isilah data pada Data View sesuai dengan data
yang diperoleh. Tampilan layar seperti gambar
dibawah ini.

Gambar 7.3 Tampilan Data View

 62

5. Jangan lupa simpan (save) file kerja ini dengan menu

File – Save (atau menekan tombol Ctrl+S.
6. Untuk menjalankan prosedur ini adalah dari
menu kemudian pilih Analyze – Nonparametric
Test – k independent samples kemudian akan
muncul jendela seperti pada gambar 7.4

Gambar 6.4 Tampilan Kotak dialog pada Two

independent samples
7. Selanjutnya klik variabel masa, kemudian masukkan
dalam Test Variable List
8. Selanjutnya klik variabel merek, masukkan dalam
grouping variabel seperti pada gambar dibawah ini.
 63

Gambar 7.5 Tampilan pada grouping variable

9. Setelah itu pada kolom test type pilihlah kruskall-
wallis H  Klik Ok

Berikut adalah data output SPSS

 64

Interpretasi :
Hipotesis

Ho : Ketiga populasi identik (data masa hidup ketiga

merek baterai tidak berbeda secara signifikan).
H1 : Minimal salah satu dari ketiga populasi tidak
identik (data masa hidup ketiga merek baterai
memang berbeda secara signifikan).

Pengambilan keputusan

A. Dasar pengambilan keputusan menggunakan

perbandingan statistik hitung dengan statistik tabel.
- Jika statistik hitung < statistik tabel, maka Ho
diterima
- Jika statistik hitung > statistik tabel, maka Ho
ditolak
 Statisttik hitung
Dari tabel output diatas terlihat bahwa statistik
hitung kruskal wallis (sama dengan perhitungan
chi-square) adalah 11,897
 Statistik table
Disini digunakan tabel chi-square sebagai
pembanding. Dengan melihat tabel chi-square
 65

untuk df =k-1=3-1=2 dan tingkat signifikan =

0,05, maka didapatkan nilai statistik tabel =
5,991
Keputusan :
Karena statistik hitung > statistik tabel (11,897 >5,991 ),
maka Ho ditolak

B. Dasar pengambilan keputusan berdasarkan

probabilitas :
- Jika probabilitas > 0,05, maka Ho diterima
- ika probabilitas < 0,50, maka Ho ditolak
Keputusan
Terlihat bahwa pada kolom Asymp sig (2-tailed) untuk
diuji 2 sisi adalah 0,03. Disini didapat probabilitas dibawah
0,05, maka Ho ditolak

Berdasarkan dari kedua pengujian, hasil yang diperoleh

sama yaitu Ho ditolak atau minimal salah satu dari ketiga
populasi tidak identik (data masa hidup ketiga merek
baterai memang berbeda secara signifikan).
 66

MATERI 8
UJI FRIEDMAN

Uji Friedman dilakukan untuk mengetahui

perbedaan lebih dari dua kelompok sampel yang saling
berhubungan. Data yang dianalisis adalah data ordinal,
sehingga jika data berbentuk interval atau ratio sebaiknya
dirubah dulu ke bentuk ordinal. Uji Friedman merupakan
alternative dari ANOVA satu jalur. Uji ini dilakukan jika
asumsi-asumsi dalam statistik parametris tidak terpenuhi,
atau juga karena sampel yang terlalu sedikit.

Contoh Soal

Sebuah Perusahaan biskuit ingin meluncurkan empat

rasa baru dalam produk biskuitnya. Keempat rasanya
tersebut terdiri dari rasa coklat, rasa strowberi, rasa keju,
dan rasa kelapa. Perusahaan ini mengeahui bagaimana
tanggapan konsumen terhadap keempat rasa tersebut,
dan kemudian dipersilahkan kepada 10 orang untuk
mencicipi lalu memberikan nilai untuk setiap rasa yang
ada. Nilai yang diberikan ditentukan antara 0-100.

Berikut adalah hasil penilaian kesepuluh orang terhadap

paket yang ditawarkan.
 67

Konsumen Coklat Strowberi Keju Kelapa

1 78 80 84 71
2 82 76 85 73
3 81 78 80 70
4 80 77 88 71
5 82 74 86 75
6 83 81 89 70
7 85 78 84 70
8 79 73 85 72
9 82 70 87 73
10 78 71 88 70

Analisis :
1. Buka lembar kerja baru caranya pilih file-new
2. Isikan data variabel sesuai dengan data yang
diperlukan. Tampak dilayar seperti pada gambar 8.1

Gambar 8.1 Tampilan Variable View

3. Isilah data pada Data View sesuai dengan data yang
diperoleh. Tampilan layar seperti gambar dibawah ini.
 68

Gambar 8.2 Tampilan Data View

4. Jangan lupa simpan (save) file kerja ini dengan menu
File – Save (atau menekan tombol Ctrl+S.
5. Untuk menjalankan prosedur ini adalah dari
menu kemudian pilih Analyze – Nonparametric
Test – k related samples kemudian akan muncul
jendela seperti pada gambar 8.3
 69

Gambar 8.3 Tampilan Kotak dialog pada k related

samples
6. Selanjutnya klik variabel rasa-rasa, kemudian
masukkan dalam Test Variable
7. Setelah itu pada kolom test type pilihlah Uji Friedman

Berikut adalah data output SPSS

 70

Interpretasi :
Hipotesis
Ho : Populasi-populasi dalam suatu blok adalah identik
(keempat rasa biskuit tersebut mempunyai mutu
yang sama/ penilaian yang sama)
H1 : Sekurang-kurangnya salah satu perlakuan
cenderung menghasilkan output yang lebih besar
dibandingkan dengan sekurang-kurangnya salah
satu perlakuan lain. Atau dalam kasus diatas
sekurang-kurangnya salah satu jenis rasa
mendapat penilaian yang lebih besar
dibandingkan sekurang-kurangnya salah satu
rasa yang lainnya.

Pengambilan keputusan

Dasar pengambilan keputusan berdasarkan probabilitas :

o Jika probabilitas > 0,05, maka Ho diterima

o Jika probabilitas < 0,50, maka Ho ditolak
 71

Keputusan

Terlihat bahwa pada kolom Exact sig (2-tailed)

untuk diuji 2 sisi adalah 0,000. Disini didapat probabilitas
dibawah 0,05, maka Ho ditolak, atau sekurang-
kurangnya salah satu perlakuan cenderung
menghasilkan output yang lebih besar dibandingkan
dengan sekurang-kurangnya salah satu perlakuan lain.
Atau dalam kasus diatas sekurang-kurangnya salah satu
jenis rasa mendapat penilaian yang lebih besar
dibandingkan sekurang-kurangnya salah satu rasa yang
lainnya.
 72

MATERI 9

CHI SQUARE

9.1. Pengertian
Chi-Square disebut juga dengan Kai Kuadrat. Chi
Square adalah salah satu jenis uji komparatif non
parametris yang dilakukan pada dua variabel, di mana
skala data kedua variabel adalah nominal. Uji chi-square
digunakan untuk mengetahui ada tidaknya hubungan
antara dua variabel (Independency test).
Contoh Kasus
“Dilakukan penelitian untuk mengetahui hubungan
keparahan sakit kepala dengan pemberian dua formulasi
obat yang berbeda (2mg dan 4mg)”

Data penelitian:

No Konsentrasi Obat Keparahan Sakit

1 1 1
2 1 1
3 1 1
4 1 2
5 1 2
6 1 1
7 1 1
8 1 1
9 1 1
10 1 2
 73

11 2 2
12 2 2
13 2 2
14 2 2
15 2 1
16 2 1
17 2 2
18 2 1
19 2 2
20 2 2
Keterangan:
 Konsentrasi obat : 1 = 2mg, 2 = 4mg
 Keparahan sakit kepala : 1= sakit kepala
ringan, 2 = sakit kepala parah
 74

Langkah-langkah Analisis:
1. Masukkan data penelitian

2. Klik menu Analyze, lalu pilih Descriptive

Statistics, Crosstabs
 75

3. Muncul kotak dialog sebagai berikut

4. Pindahkan konsentrasi obat pada kotak Rows(s)

dan keparahan sakit kepala pada kotak
Column(s) dengan menekan tanda panah.
 76

5. Klik kotak menu Statistics pilih Chi Square, lalu

klik Continue

6. Klik kotak menu Cells pada pilihan Percentages

pilih Row, lalu klik Continue
 77

7. Klik OK

Output hasil analisis:

Nilai Asymp. Sig lebih kecil dari 0,05 maka terdapat

hubungan antara konsentrasi obat dengan keparahan
sakit kepala
 78

MATERI 10

KORELASI SPEARMAN

Korelasi Spearman digunakan untuk mengetahui

hubungan antar variabel yang datanya berupa data
ordinal, kebanyakan kasus berupa data persepsi.
Contohnya jika kita ingin mengetahui minat baca koran
mahasiswa dengan wawasan politik mahasiswa, dan lain
sebagainya.

Analisis korelasi bertujuan untuk mengetahui arah

dan keeratan antar variabel, untuk menentukan keeratan
tersebut dapat dilihat dari koefisien korelasi, berikut
beberapa hal yang perlu diketahui tentang koefisien
korelasi :

1. Nilai Koefisien korelasi besarnya berada diantara -1

sampai 1, semakin besar maka keeratan
hubungannya semakin dekat
2. Arah hubungan ditentukan oleh tanda koefisien
korelasi yaitu jika,
a. Positif, artinya jika X naik (turun) maka Y
naik(turun).
b. Negatif, artinya jika X naik (turun) maka Y
turun(naik).
 79

c. Bebas, artinya naik turunnya Y tidak dipengaruhi

oleh X
3. Keeratan hubungan berdasarkan koefisien korelasi
dapat digolongkan sebagai berikut :
0,00 – 0,199 = sangat rendah
0,20 – 0,399 = rendah
0,40 -0,599 = sedang
0,60 – 0,799 = kuat

0,80 – 1,000 = sangat kuat

Contoh Kasus Korelasi Spearman :

” Hubungan Iklan Produk Ponsel di Televisi dengan
Minat Konsumen untuk Membeli Ponsel”

No Iklan Minat Konsumen

1 1 4
2 2 3
3 1 4
4 3 5
5 3 1
6 5 2
7 5 3
8 4 4
9 2 5
10 4 5
11 4 1
12 5 2
13 1 1
 80

14 3 2
15 2 3

Langkah-Langkah Analisis Korelasi Spearman

1. Input Data yang akan dianalisis

2. Klik Menu Analyze, pilih correlate, kemudian klik

bivariate
 81

3. Setelah muncul kotak dialog seperti dibawah

pindahkan semua variabel yang akan diuji
hubungannya
 82

4. Setelah Semua variabel yang diuji dipindahkan ke

kotak varibel (sebelah kanan), kemudian centang
Spearman pada Correlation Coefficient

5. Kemudian Klik Ok

a. Output SPSS
Kemudian akan muncul Output seperti dibawah ini
 83

Untuk melihat signifikan atau tidaknya hubungan

antara dua variabel tersebut, pada contoh ini yaitu iklan
produk ponsel di televisi dengan minat konsumen untuk
membeli ponsel, dapat dilihat pada nilai Signifikansi
korelasi spearman, jika nilai signifikansi lebih kecil dari
pada derajat kesalahan (alpha) dalam penelitian yaitu
sebesar 5% atau 0,05 maka dapat disimpulkan terdapat
hubungan yang signifikan antara kedua variabel tersebut.

Sehingga pada contoh kasus ini dapat disimpulkan

bahwa tidak terdapat hubungan antara iklan produk
ponsel di televisi dengan minat konsumen karena nilai sig
lebih besar dari 0.05.
 84

BAB 11
REGRESI LOGISTIK

Model regresi telah menjadi bagian dari analisis

data yang terkait dengan penggambaran hubungan
antara satu peubah respon dan satu atau lebih peubah
penjelas. Hal penting yang perlu dimengerti sebelum
mulai mempelajari regresi logistik adalah bahwa hasil
akhir analisis ini sama dengan tujuan membuat
kebanyakan model dalam statistika yakni untuk
menemukan model terbaik dan layak dalam
menggambarkan bentuk hubungan antara peubah respon
dengan satu atau lebih peubah penjelas yang dikenal
sebagai peragam.
Kekhasan model regresi logistik terlihat pada
peubah respon berupa kategori (2 = biner , > 2 =
politomus). Perbedaan antara model regresi logistik dan
regresi linier sederhana terletak pada asumsi dan
parameter. Metode analisis regresi logistik mengikuti
prinsip umum dalam regresi linier sederhana seperti uji
kelinieran oleh karena itu metode dalam analisis regresi
linier sederhana akan membantu penyelesaian model
regresi logistik (Hosmer dan Lemeshow, 2000 hal 1).
Hosmer dan Lemeshow (2000, hal 7),
menyatakan bahwa model regresi logistik adalah salah
 85

satu model yang digunakan untuk mencari hubungan

antara peubah respon kategori dengan satu atau lebih
peubah penjelas yang kontinyu ataupun kategori. Peubah
respon yang terdiri atas dua kategori yaitu “ya (sukses)”
dan “tidak (gagal)”, dan dinotasikan dengan 1 = “sukses”
dan 0 = “gagal”, maka akan mengikuti sebaran Bernoulli.
Menurut Agresti (2002, hal 6), jika terdapat
peubah respon Y dengan π adalah peluang sukses, maka
didapatkan P(Y = 1)= π dan P(Y = 0)= 1 - π. Apabila
banyaknya tindakan n=1, maka Y mengikuti sebaran
Bernoulli. Sedangkan untuk n ≥ 2 dan antar obyek saling
bebas, Y mengikuti sebaran Binomial (n, π) dengan
fungsi peluang :
n
P(Y = l) = ( ) πl (1-π)n-l l = 0, 1, 2, … , n (2.1)
l
Dalam suatu penelitian, peubah respon Y
biasanya akan dihubungkan dengan beberapa peubah
penjelas X1i, X2i, X3i, …. , Xpi . kemudian dilakukan analisis
untuk mencari hubungan antara peluang respon (πi)
dengan peubah penjelas, sehingga terbentuk model :
𝜋̂(𝑋𝑖 ) = 𝛽̂0 + 𝛽̂1 𝑋𝑖1 + 𝛽̂2 𝑋𝑖2 + ⋯ + 𝛽̂𝑝 𝑋𝑖𝑝 (2.2)
Hosmers dan Lemeshow (2000, hal 7),
menyatakan bahwa apabila dalam analisis regresi logistik
peubah respon bersifat dikotomus, maka yang perlu
diperhatikan adalah :
 86

1. Nilai harapan dari Y terhadap x dalam model

berada dalam kisaran 0 dan 1, dalam regresi
logistik dinyatakan dalam π(Xi).
2. Peubah respon dalam regresi logistik tidak
menyebar normal tetapi binomial.
3. Prinsip-prinsip yang mendasari penggunaan
analisis regresi linier dapat juga mendasari
analisis regresi logistik.