DAFTAR ISI

I. UJI VALIDITAS ........................................................................................... 1

II. UJI RELIABILITAS .................................................................................... 6
III. UJI NORMALITAS...................................................................................... 8
IV. UJI REGRESI SEDERHANA ................................................................... 11
V. UJI REGRESI BERGANDA ..................................................................... 14
VI. UJI T SAMPEL TUNGGAL ..................................................................... 26
VII. UJI T INDEPENDEN ................................................................................. 28
VIII. UJI T BERPASANGAN ............................................................................. 32
IX. UJI ANALISIS VARIAN SATU ARAH ................................................... 35
X. UJI ANALISIS VARIAN DUA ARAH ..................................................... 40
 UJI VALIDITAS

Menurut Sugiyono (2010,173) valid berarti instrumen tersebut dapat digunakan untuk
mengukur apa yang seharusnya diukur. Pengujian validitas tiap butir digunakan analisis item,
yaitu mengkorelasikan skor tiap butir dengan skor total yang merupakan jumlah tiap skor butir.
Untuk lebih jelasnya diberikan contoh kasus 1.
Kasus 1 :
Seorang peneliti ingin meneliti tentang adanya pengaruh gaya kepemimpinan kepala
sekolah terhadap kedisiplinan guru. Peneliti menggunakan kuesioner berjumlah 15 soal untuk
memperoleh data yang diinginkan. Sebelum mengadakan penelitian secara langsung, peneliti
memutuskan untuk melakukan pengujian kuesioner terlebih dahulu agar kuesioner yang telah
dibuat dapat diketahui kevalidannya. Berikut merupakan data 10 orang responden untuk uji
validitas :
NO SOAL
Skor
Responden
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Total

1 4 4 4 4 3 4 4 4 2 4 4 4 4 4 4 57

2 4 4 4 3 3 4 4 4 2 4 4 4 3 4 4 55

3 4 4 4 3 4 3 4 4 4 3 4 4 4 4 4 57

4 4 4 3 3 3 4 3 4 1 4 4 4 4 4 4 53

5 2 2 2 2 2 2 2 3 4 2 3 2 3 3 2 36

6 4 4 4 4 3 3 3 4 2 4 4 4 3 3 4 53

7 3 3 3 1 1 1 2 4 3 4 4 4 3 3 3 42

8 3 4 4 3 2 4 4 4 3 4 4 4 3 4 4 54

9 4 3 4 4 4 2 4 4 4 4 4 4 4 4 4 57

10 3 3 3 2 2 2 2 3 1 4 4 3 2 3 3 40

Penyelesaian
1. Hipotesis
𝐻0 ∶ Koefisien korelasi antara skor pada butir pertanyaan dengan skor total tidak
signifikan (data penelitian tidak valid).
𝐻1 ∶ Koefisien korelasi antara skor pada butir pertanyaan dengan skor total signifikan
(data penelitian valid).
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Uji
a. Menggunakan 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
Jika nilai 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima. Jadi soal yang diuji tidak valid.
b. Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛

1
 Jika nilai 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 > 𝑟𝑡𝑎𝑏𝑒𝑙 maka 𝐻0 ditolak. Jadi soal yang diuji
valid. Untuk mencari 𝑟𝑡𝑎𝑏𝑒𝑙 dapat dicari pada tabel r dengan 𝑑𝑓 = 𝑛 − 2 dan 𝛼 =
0,05. Jadi 𝑟𝑡𝑎𝑏𝑒𝑙 untuk data diatas adalah 0,632.
4. Statistik Uji
a. Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
b. Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛
5. Perhitungan Statistik Uji menggunakan SPSS
Langkah-langkah pengujian validitas menggunakan SPSS adalah sebagai berikut:
a. Buka aplikasi SPSS
b. Klik tab Variable View
c. Masukkan data diatas dengan memberi nama variabel “no1” untuk soal 1, “no2”
untuk soal 2 dan seterusnya sampai dengan soal 15, untuk skor total diberi nama
variabel “st”.

d. Klik Analyze  Correlate  Bivariate

e. Masukkan variabel no1 sampai dengan st

f. Centang pada Pearson dan Two-tailed pada Test of Significance  Klik OK.
g. Maka muncul output seperti berikut:

Correlations

no1 no2 no3 no4 no5 no6 no7 no8 no9 no10 no11 no12 no13 no14 no15 st

Pearson
,873*
Correlatio 1 ,778** ,778** ,711* ,745* ,500 ,684* ,745* -,268 ,582 ,745* ,815** ,582 ,609 ,899**
*
no
n
1
Sig. (2-
,008 ,008 ,021 ,013 ,141 ,029 ,013 ,455 ,078 ,013 ,004 ,078 ,062 ,000 ,001
tailed)

2
 N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,814*
Correlatio ,778** 1 ,778** ,553 ,414 ,785** ,684* ,745* -,402 ,582 ,745* ,815** ,349 ,609 ,899**
*
no n
2 Sig. (2-
,008 ,008 ,097 ,234 ,007 ,029 ,013 ,250 ,078 ,013 ,004 ,323 ,062 ,000 ,004
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,855* ,893*
Correlatio ,778** ,778** 1 ,711* ,580 ,500 ,745* ,000 ,582 ,745* ,815** ,349 ,609 ,899**
* *
no n
3 Sig. (2-
,008 ,008 ,021 ,079 ,141 ,002 ,013 1,000 ,078 ,013 ,004 ,323 ,062 ,000 ,001
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,789* ,810*
Correlatio ,711* ,553 ,711* 1 ,599 ,754* ,477 -,038 ,281 ,318 ,447 ,546 ,563 ,735*
* *
no n
4 Sig. (2-
,021 ,097 ,021 ,007 ,067 ,012 ,163 ,917 ,431 ,371 ,195 ,102 ,090 ,015 ,005
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
Correlatio ,745* ,414 ,580 ,789** 1 ,394 ,714* ,389 ,180 ,017 ,259 ,364 ,677* ,635* ,637* ,757*
no n
5 Sig. (2-
,013 ,234 ,079 ,007 ,260 ,020 ,267 ,620 ,962 ,469 ,301 ,032 ,049 ,048 ,011
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
Correlatio ,500 ,785** ,500 ,599 ,394 1 ,681* ,431 -,378 ,254 ,287 ,404 ,344 ,704* ,664* ,668*
no n
6 Sig. (2-
,141 ,007 ,141 ,067 ,260 ,030 ,214 ,281 ,478 ,421 ,247 ,330 ,023 ,036 ,035
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,890* ,934*
Correlatio ,684* ,684* ,855** ,754* ,714* ,681* 1 ,688* ,185 ,287 ,459 ,645* ,609 ,830**
* *
no n
7 Sig. (2-
,029 ,029 ,002 ,012 ,020 ,030 ,028 ,608 ,422 ,182 ,044 ,062 ,001 ,003 ,000
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,825*
Correlatio ,745* ,745* ,745* ,477 ,389 ,431 ,688* 1 ,045 ,547 ,667* ,937** ,625 ,612 ,829**
*
no n
8 Sig. (2-
,013 ,013 ,013 ,163 ,267 ,214 ,028 ,902 ,102 ,035 ,000 ,053 ,060 ,003 ,003
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10

3
 Pearson
Correlatio -,268 -,402 ,000 -,038 ,180 -,378 ,185 ,045 1 -,589 -,419 -,168 ,309 ,073 -,217 ,007
no n
9 Sig. (2-
,455 ,250 1,000 ,917 ,620 ,281 ,608 ,902 ,073 ,228 ,642 ,386 ,840 ,548 ,984
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,885*
Correlatio ,582 ,582 ,582 ,281 ,017 ,254 ,287 ,547 -,589 1 ,756* -,024 ,255 ,659* ,461
*
no n
10 Sig. (2-
,078 ,078 ,078 ,431 ,962 ,478 ,422 ,102 ,073 ,001 ,011 ,947 ,477 ,038 ,179
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,885*
Correlatio ,745* ,745* ,745* ,318 ,259 ,287 ,459 ,667* -,419 1 ,885** ,156 ,408 ,804** ,639*
*
no n
11 Sig. (2-
,013 ,013 ,013 ,371 ,469 ,421 ,182 ,035 ,228 ,001 ,001 ,667 ,242 ,005 ,047
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,885* ,815*
Correlatio ,815** ,815** ,815** ,447 ,364 ,404 ,645* ,937** -,168 ,756* 1 ,463 ,574 ,895**
* *
no n
12 Sig. (2-
,004 ,004 ,004 ,195 ,301 ,247 ,044 ,000 ,642 ,011 ,001 ,177 ,083 ,000 ,004
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
Correlatio ,582 ,349 ,349 ,546 ,677* ,344 ,609 ,625 ,309 -,024 ,156 ,463 1 ,701* ,518 ,682*
no n
13 Sig. (2-
,078 ,323 ,323 ,102 ,032 ,330 ,062 ,053 ,386 ,947 ,667 ,177 ,024 ,125 ,030
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,890* ,831*
Correlatio ,609 ,609 ,609 ,563 ,635* ,704* ,612 ,073 ,255 ,408 ,574 ,701* 1 ,739*
* *
no n
14 Sig. (2-
,062 ,062 ,062 ,090 ,049 ,023 ,001 ,060 ,840 ,477 ,242 ,083 ,024 ,015 ,003
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,830* ,804* ,955*
Correlatio ,899** ,899** ,899** ,735* ,637* ,664* ,829** -,217 ,659* ,895** ,518 ,739* 1
* * *
no n
15 Sig. (2-
,000 ,000 ,000 ,015 ,048 ,036 ,003 ,003 ,548 ,038 ,005 ,000 ,125 ,015 ,000
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10

4
 Pearson
,934* ,831*
Correlatio ,873** ,814** ,893** ,810** ,757* ,668* ,825** ,007 ,461 ,639* ,815** ,682* ,955** 1
* *
n
st
Sig. (2-
,001 ,004 ,001 ,005 ,011 ,035 ,000 ,003 ,984 ,179 ,047 ,004 ,030 ,003 ,000
tailed)

N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10

**. Correlation is significant at the 0.01 level (2-tailed).

*. Correlation is significant at the 0.05 level (2-tailed).

6. Interpretasi:
Jadi dari data diatas didapat interpretasi sebagai berikut:

R
Soal 𝑟𝑡𝑎𝑏𝑒𝑙 Kesimpulan Soal 𝑆𝑖𝑔. 𝑎𝑙𝑝ℎ𝑎(𝛼) Kesimpulan
Pearson
0,873 Valid 0,001 Valid
1 1
2 0,814 Valid 2 0,004 Valid
3 0,893 Valid 3 0,001 Valid
4 0,810 Valid 4 0,005 Valid
5 0,757 Valid 5 0,011 Valid
6 0,668 Valid 6 0,035 Valid
7 0,934 Valid 7 0,000 Valid
0,632 0,05
8 0,825 Valid 8 0,003 Valid
9 0,007 Tidak Valid 9 0,984 Tidak Valid
10 0,461 Tidak Valid 10 0,179 Tidak Valid
11 0,639 Valid 11 0,047 Valid
12 0,815 Valid 12 0,004 Valid
13 0,682 Valid 13 0,030 Valid
14 0,831 Valid 14 0,003 Valid
15 0,955 Valid 15 0,000 Valid

5
 UJI RELIABILITAS

Pengertian reliabilitas pada dasarnya adalah sejauh mana hasil suatu pengukuran dapat
dipercaya. Jika hasil pengukuran yang dilakukan secara berulang relative sama maka
pengukuran tersebut dianggap memiliki tingkat reliabilitas yang baik.
Metode yang dapat digunakan untuk mengukur reliabilitas diantaranya adalah metode
Split-half, Paralel, Strict Paralel, KR-20, Spearmen Brown, dan Cronbach Alpha. Metode yang
digunakan dalam modul ini adalah Cronbach Alpha.
Kasus menggunakan Kasus 1
Penyelesaian
1. Hipotesis
𝐻0 ∶ Butir-butir pertanyaan bersifat reliabel.
𝐻1 ∶ Butir-butir pertanyaan tidak bersifat reliabel.
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Uji
a. Menggunakan nilai dari 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎
Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 > 𝑟𝑡𝑎𝑏𝑒𝑙 maka 𝐻0 diterima. Untuk mencari 𝑟𝑡𝑎𝑏𝑒𝑙
dapat dicari pada tabel r dengan 𝑑𝑓 = 𝑛 − 2 dan 𝛼 = 0,05. Jadi 𝑟𝑡𝑎𝑏𝑒𝑙 untuk data
diatas adalah 0,632.
b. Menggunakan kriteria penggolongan reliabilitas
• Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 < 0,6 maka butir-butir pertanyaan tidak
reliabel.
• Jika nilai 0,6 ≤ 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 ≤ 0,7 maka butir-butir pertanyaan
cukup reliabel.
• Jika nilai 0,7 < 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 < 0,8 maka butir-butir pertanyaan
reliabel.
• Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 > 0,8 maka butir-butir pertanyaan sangat
reliabel.
4. Statistik Uji
a. Menggunakan nilai dari 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎
5. Perhitungan Statistik Uji menggunakan SPSS
Langkah-langkah pengujian reliabilitas pada Kasus 1 menggunakan SPSS:
a. Buka SPSS
b. Gunakan data pada Kasus 1 tadi
c. Klik Analyze  Scale  Reliability Analysis
d. Masukkan variabel no1 sampai dengan no15. Klik OK

6
 e. Maka muncul output seperti berikut

Reliability Statistics

Cronbach's N of Items
Alpha

,914 15

6. Interpretasi:
Untuk kasus diatas didapat nilai reliabilitas 0,914. Jika diuji dengan kriteria uji diatas
maka dapat disimpulkan bahwa butir-butir pertanyaan sangat reliabel.
Jika diuji dengan r tabel maka kriteria ujinya : Jika nilai reliabilitas > r tabel maka 𝐻0
diterima. Untuk mencari 𝑟𝑡𝑎𝑏𝑒𝑙 dapat dicari pada tabel r dengan 𝑑𝑓 = 𝑛 − 2 dan 𝛼 =
0,05. Jadi 𝑟𝑡𝑎𝑏𝑒𝑙 untuk data diatas adalah 0,632. Karena 0,914 > 0,632 maka 𝑯𝟎
diterima. Jadi, butir-butir pertanyaan bersifat reliabel.

7
 UJI NORMALITAS

Uji distribusi normal adalah uji untuk mengukur apakah data yang didapatkan memiliki
distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial).
Dengan kata lain, uji normalitas adalah uji untuk mengetahui apakah data empirik yang
didapatkan dari lapangan itu sesuai dengan distribusi teoritik tertentu.
Kasus 2:
Seorang petani ingin mengetahui adanya pengaruh jumlah cacing jenis tertentu terhadap jumlah
telur cacing pada usus ayam. Diketahui data sebagai berikut:

No X Y No X Y
1 12 45 11 12 48
2 14 50 12 13 52
3 13 51 13 17 70
4 12 43 14 19 76
5 15 61 15 13 53
6 16 62 16 11 43
7 13 50 17 16 60
8 11 43 18 12 48
9 10 40 19 14 53
10 11 44 20 15 63

Penyelesaian:
1. Hipotesis
𝐻0 ∶ Data berdistribusi normal.
𝐻1 ∶ Data tidak berdistribusi normal.
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Masukkan data variabel Y

8
c. Klik Analyze  Nonparametrics Test  1 Sampel KS
d. Masukkan variabel Y ke dalam kolom Test Variable List. Centang Normal pada
Test Distribution  Klik OK

e. Maka muncul output sebagai berikut

One-Sample Kolmogorov-Smirnov Test

N 20
Mean 52,75
Normal Parametersa,b
Std. Deviation 9,727
Absolute ,190
Most Extreme Differences Positive ,190
Negative -,108
Kolmogorov-Smirnov Z ,849
Asymp. Sig. (2-tailed) ,467

a. Test distribution is Normal.

b. Calculated from data.

9
6. Interpretasi:
𝑆𝑖𝑔. = 0,467
Karena 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima. Jadi, data berdistribusi normal.

10
 UJI REGRESI SEDERHANA

Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau
tidaknya pengaruh antara variabel independent terhadap variabel dependent. Analisis regresi
mempelajari hubungan yang diperoleh dan dinyatakan dalam persamaan matematika yang
menyatakan hubungan fungsional antara variabel-variabel. Hubungan fungsional antara satu
variabel prediktor dengan satu variabel kriterium disebut analisis regresi sederhana (tunggal),
sedangkan hubungan fungsional yang lebih dari satu variabel bebas disebut analisis regresi
ganda.
Menurut Yudiaatmaja (2013,5) mengatakan bahwa yang dimaksud dengan analisis
regresi sederhana disini adalah analisis yang dilakukan terhadap satu variabel terikat dan satu
variabel bebas. Persamaan yang dihasilkan nantinya akan berbentuk 𝑌 ̂ = 𝑎 +𝑏𝑋. Sebelum
melakukan pengujian, data tersebut wajib memenuhi asumsi kenormalan dan homogen. Untuk
lebih memahaminya, kita tinjau kembali kasus 2. Pada kasus 2, jelas data memenuhi asumsi
kenormalan dan homogen, sehinnga dapat dilakukan pengujian regresi linier sederhana pada
kasus 2
Kasus 2:
Seorang petani ingin mengetahui adanya pengaruh jumlah cacing jenis tertentu terhadap jumlah
telur cacing pada usus ayam. Diketahui data sebagai berikut:

No X Y No X Y
1 12 45 11 12 48
2 14 50 12 13 52
3 13 51 13 17 70
4 12 43 14 19 76
5 15 61 15 13 53
6 16 62 16 11 43
7 13 50 17 16 60
8 11 43 18 12 48
9 10 40 19 14 53
10 11 44 20 15 63

Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada pengaruh jumlah cacing jenis tertentu terhadap jumlah telur cacing pada
usus ayam
𝐻1 ∶ Ada pengaruh jumlah cacing jenis tertentu terhadap jumlah telur cacing pada usus
ayam

11
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Buat variabel dengan nama X dan Y

c. Masukkan data

d. Klik Analyze  Regression  Linear

e. Masukkan variabel Y ke kolom Dependent dan variabel X ke kolom Independent.
Klik OK

f. Maka muncul output sebagai berikut

12
 Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) -2,442 3,165 -,772 ,450

1
Jumlah Cacing 4,104 ,232 ,972 17,682 ,000

a. Dependent Variable: Jumlah Telur Cacing

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 1699,882 1 1699,882 312,643 ,000b

1 Residual 97,868 18 5,437

Total 1797,750 19

a. Dependent Variable: Jumlah Telur Cacing

b. Predictors: (Constant), Jumlah Cacing

Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 ,972a ,946 ,943 2,332

a. Predictors: (Constant), Jumlah Cacing

6. Interpretasi:
Dari output diatas mendapatkan persamaan regresi : 𝑌 = −2,422 + 4,104(𝑋)
Uji pengaruh didapatkan nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝑯𝟎 ditolak.
Jadi ada pengaruh jumlah cacing jenis tertentu terhadap jumlah telur cacing pada usus
ayam.
Koefisien Korelasi (𝑅) = 0,972. Artinya hubungan antara jumlah cacing jenis tertentu
dengan jumlah telur cacing pada usus ayam sangat kuat.
Koefisien Determinasi (𝑅 2 ) = 0,946. Artinya jumlah cacing jenis tertentu memberikan
pengaruh sebesar 94,6% terhadap jumlah telur cacing pada usus ayam dan sisanya
sebesar 5,2% dipengaruhi oleh variabel lainnya.

13
 REGRESI LINIER BERGANDA

Yudiaatmaja (2013) mengatakan bahwa yang dimaksud dengan analisis regresi

berganda disini adalah analisis yang dilakukan terhadap satu variabel terikat dan dua atau lebih
variabel bebas. Persamaan yang dihasilkan nantinya akan berbentuk 𝑌 ̂ = 𝑎 +𝑏𝑋1 +𝑐𝑋2 +⋯ .
Jadi perbedaan regresi sederhana dengan regresi berganda hanya terletak pada jumlah variabel
bebas yang digunakan.
Menurut Sukestiyarno (2015) Persyaratan yang harus dipenuhi dalam analisis regresi
ganda yakni jenis data variabel independen maupun variabel dependen harus interval atau rasio,
variabel dependen berdistribusi normal, dan varian homogen. Selain itu, didalam regresi linier
berganda juga wajib memenuhi 5 asumsi klasik, yaitu asumsi normalitas, asumsi
multikolinearitas, asumsi autokorelasi, asumsi heterokedastisitas, dan asumsi linearitas, Untuk
lebih memahaminya, diberikan contoh kasus 3.
Kasus 3:
Ingin diketahui pengaruh antara Asupan protein (X1) dan Asupan Natrium (X2)
terhadap Tekanan darah Sistolik (Y). Diketahui data seperti pada tabel dibawah ini :

Asup_protein Asup_natrium TD_sistolik Asup_protein Asup_natrium TD_sistolik

67.4 4870 170 103 4420 150

38.7 6580 150 155.1 8090 150
62.3 5960 160 139.7 2560 150
100.6 8880 140 91.2 7680 140
71.9 2770 150 128.5 6620 140
46.5 7560 160 92.9 6540 160
40.1 6400 180 84.7 2630 170
70 13880 180 68.6 2990 150
62.4 6440 190 98.5 6480 170
66.6 7600 170 137.9 4440 150
92.4 2330 150 95.6 3910 170
69 970 150 120.8 2100 170
45 370 150 147.8 2470 150
29.8 820 160 172.2 6010 140
81.4 7840 180 65.6 3470 170
98.5 6800 180 64.2 3450 170
98.4 7450 160 130 14690 160
103 9020 180 71.3 13900 160
88.5 6740 150 121.3 6350 180
132.6 5050 140 80.4 6530 170
119.4 5470 140 67.3 6530 140
75.2 1850 160

14
A. UJI PRASYARAT
1. UJI NORMALITAS
Berdasarkan langkah-langkah uji Normalitas didapat output SPSS :

One-Sample Kolmogorov-Smirnov Test

Tekanan Darah
Sistolik

N 43

Normal Parametersa Mean 159.53

Std. Deviation 13.965

Most Extreme Differences Absolute .194

Positive .194

Negative -.145

Kolmogorov-Smirnov Z 1.275

Asymp. Sig. (2-tailed) .077

a. Test distribution is Normal.

Didapat nilai Sig = 0,077 > 0,05 maka dapat disimpulkan bahwa variabel
dependent berdistribusi normal.

B. ASUMSI KLASIK
2. ASUMSI MULTIKOLINEARITAS
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya hubungan
linear antar variabel independent dalam model regresi. Cara mendeteksi ada atau
tidaknya multikolinearitas, yaitu dengan melihat nilai Varian Inflation Factor (VIF)
atau Tolerance (TOL) pada model regresi.
Ketika menemui masalah multikolinearitas, salah satu cara yang dapat dilakukan
adalah dengan mengeluarkan satu dari variabel yang berkolinear, yaitu dengan
mengeluarkan variabel yang mempunyai nilai VIF tertinggi. Cara ini merupakan cara
yang paling sederhana dalam menangani masalah multiolinearitas., tetapi dapat
memungkinkan terjadinya kesalahan spesifikasi. Oleh karena itu, lebih baik
menggunakan korelasi antar variabel-variabel independent nya, dengan mengeluarkan
salah satu dari 2 variabel independent yang mempunyai nilai korelasi tinggi.

15
 Langkah-langkah menguji multikolinearitas pada kasus 3 dengan menggunakan
SPSS adalah sebagai berikut.
1. Menyusun Hipotesis
H0 : Data tidak terjadi multikolinearitas pada kasus
H1 : Data terjadi multikolinearitas
2. Membuka jendela SPSS
3. Inputkan data

4. Pilih analyze > regression > linear. Pada kotak dialog linear regression,
masukkan Y pada kotak dependent dan X1,X2 pada kotak independent. Pilih
statistics, pada kotak dialog Linear regression statistics, centang estimates,
covariance matrix, model fit, dan colinearity diagnostics.

5. Lalu klik continue, klik OK. Maka akan muncul output :

16
 Coefficientsa

Unstandardized Standardized Collinearity

Coefficients Coefficients Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 (Constant) 167.325 6.595 25.371 .000

Asupan
-.146 .061 -.350 -2.393 .021 .989 1.011
Protein

Asupan
.001 .001 .221 1.511 .139 .989 1.011
Natrium

a. Dependent Variable: Tekanan Darah

Sistolik

Perhatikan tabel Coefficients, kolom Colinearity Statistic, pada nilai VIF nya.
6. Interpretasi hasil
a. Kriteria pengujian multikolinearitas
Terima H0 jika nilai VIF < 10.
b. Hasil Pengujian
Nilai VIF pada variabel independent memiliki VIF < 10. Jadi H0 diterima,
dapat disimpulkan data tersebut tidak terjasi multikolinearitas.

3. ASUMSI AUTOKORELASI
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan
asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu
pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus
terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Cara mendeteksi
autokorelasi ada dua cara yaitu Uji Durbin Watson (D-W) dan Uji Run Test. Pada
modul ini yang akan digunakan adalah Uji Durbin Watson (D-W).
Langkah – langkah Uji Durbin Watson (D-W) pada SPSS :
1. Menyusun Hipotesis
𝐻0 : Data tidak terjadi autokorelasi
𝐻1 : Data terjadi autokorelasi
2. Membuka jendela SPSS anda.
3. Inputkan data.

17
4. Pilih analyze, regression, klik linear. Pada kotak dialog linear regression,
masukkan Y pada kotak dependent dan X1,X2 pada kotak independent. Pilih
Statistics, pada kotak dialog Linear regression statistics, centang Residual
Durbin Watson.

5. Klik continue, lalu OK, maka akan muncul output sebagai berikut :

18
 Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .394a .155 .113 13.154 1.539

a. Predictors: (Constant), Asupan Natrium, Asupan Protein

b. Dependent Variable: Tekanan Darah Sistolik

6. Intepretasi hasil dengan menggunakan uji DW :

a. Kriteria pengujian Autokorelasi dengan menggunakan uji DW :
Terima 𝐻0 jika:
-2 < DW < 2
b. Berdasarkan hasil pengujian menggunakan SPSS, diperoleh :
-2 < 1,539 < 2
Jadi 𝐻0 diterima, sehingga data tidak terjadi autokorelasi.
Jadi data memenuhi asumsi autokorelasi.

4. ASUMSI HETEROKEDASTISITAS

Heterokedastisitas adalah suatu kondisi dimana variabel gangguan tidak memiliki

varian yang konstan atau sama. Heteroskedastisitas terjadi bila nilai varian dari variabel
tergantung meningkat akibat dari meningkatnya varian variabel penjelas. Cara
mendeteksi Heterokedastisitas antara lain yaitu metode park, metode glejser, korelasi
spearmen, Goldfeld-Quandt, Breusch-Pagan-Godfrey, dan metode white. Pada
pengujian ini hanya akan menggunakan metode Glejser.

Langkah – langkah menguji heterokedastisitas pada SPSS antara lain :

1. Menyusun Hipotesis
𝐻0 : Tidak terjadi Heteroskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
2. Inputkan data.

19
3. Langkah selanjutnya mencari nilai residual dengan cara klik analyze >
regression > linear. Inputkan data seperti pada gambar. Klik save, kemudian
centang Unstandardized pada kotak residuals.

4. Maka akan tampil data seperti berikut. Kemudian absolutkan nilai residual,
caranya klik menu Transform >> Compute Variabel.
5. Pada kotak Target Variabel, merupakan nama variabel baru yang akan tercipta.
Ketikkan ABS_RES (absolute residual). Kemudian klik pada kotak Numeric
Expression, lalu ketikkan ABS (lalu masukkan variabel Unstandardized

20
 Residual (RES_1) ke kotak Numeric Expression dengan klik tanda penunjuk,
kemudian ketik tanda tutup kurung. Maka lengkapnya akan tertulis
ABS(RES_1), perintah ini untuk menghitung nilai absolute dari residual. Jika
sudah klik tombol OK.

6. Langkah selanjutnya meregresikan nilai variabel independent dengan absolute

residual. Caranya klik Analyze >> Regression >> Linear. Masukkan variabel
ABS_RES ke kotak Dependent, kemudian masukkan varibel X1, X2 ke kotak
Independent(s).

7. Klik tombol OK. Maka hasil pada output Coefficient seperti berikut:

21
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 11.515 3.550 3.244 .002

Asupan Protein -.032 .033 -.152 -.976 .335

Asupan Natrium .000 .000 .159 1.023 .312

a. Dependent Variable: ABS_RES

8. Intepretasi hasil :
a. Kriteria pengujian heterokedastisitas :
Terima 𝐻0 jika:
X1,X2 memiliki nilai sig > 0.05
b. Berdasarkan hasil pengujian menggunakan SPSS :
Nilai signifikansi ketiga variabel independent lebih dari 0.05.
Jadi 𝐻0 diterima.
Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah
heteroskedastisitas pada model regresi.

C. UJI REGRESI GANDA

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 1269.560 2 634.780 3.669 .034a

Residual 6921.138 40 173.028

Total 8190.698 42

a. Predictors: (Constant), Asupan Natrium, Asupan Protein

b. Dependent Variable: Tekanan Darah Sistolik

Dari output SPSS pada tabel ANOVA diatas didapat nilai sig 0,034. Karena nilai sig < 𝛼
maka 𝐻0 ditolak. Jadi, ada pengaruh antara Asupan Natrium, Asupan protein terhadap
Tekanan Darah Sistolik .

22
 Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 167.325 6.595 25.371 .000

Asupan Protein -.146 .061 -.350 -2.393 .021

Asupan Natrium .001 .001 .221 1.511 .139

a. Dependent Variable: Tekanan Darah Sistolik

Berdasarkan table Coefficient, pada unstandardized coefficients B. Diperoleh nilai

𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡 = 167,325; 𝑋1 = − 0,146 ; 𝑋2 = 0,01. Jadi persamaan regresinya Y =
167,325 - 0,146 X1 + 0,01 X2.

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .394a .155 .113 13.154

a. Predictors: (Constant), Asupan Natrium, Asupan Protein

• Hubungan Asupan Natrium dengan Tekanan Darah Sistolik.

𝑅 = 0,394. Artinya hubungan X1, X2 dengan Y mempunyai hubungan yang positif
dan kekuatannya lemah.
• Besar pengaruh Asupan Natrium terhadap Tekanan Darah Sistolik
Diperoleh nilai koefisien determinasi, pada Table Model Summaryb, nilai kolom 𝑅 2 =
0,155. Artinya secara bersama-sama besar pengaruh X1, X2 terhadap Y adalah sebesar
15,5% dan sisanya sebesar 84,5% dipengaruhi oleh variabel lainnya.

D. UJI PARSIAL REGRESI GANDA

Untuk melihat pengaruh masing-masing variabel independent terhadap ariabel
dependent dilakukan melalui uji parsial t, seperti pada output regresi yang sudah diuji yaitu
tabel Coefficients.
Hipotesis:
𝐻0 : Koefisien regresi tidak signifikan (tidak berpengaruh)
𝐻1 : Koefisien regresi signifikan (berpengaruh)
Kriteria pengujian:

23
 Terima 𝐻0 jika Sig. > 0,05

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 167.325 6.595 25.371 .000

Asupan Protein -.146 .061 -.350 -2.393 .021

Asupan Natrium .001 .001 .221 1.511 .139

a. Dependent Variable: Tekanan Darah Sistolik

Berdasarkan tabel Coefficients, untuk X1 nilai Sig = 0,021 < 0,05 jadi 𝐻0 ditolak, artinya
Asupan Protein (X1) berpengaruh terhadap Tekanan Darah Sistolik (Y). Untuk X2 nilai Sig =
0,139 > 0,05, jadi 𝐻0 diterima, artinya Asupan Natrium (X2) tidak berpengaruh terhadap
Tekanan Darah Sistolik (Y).
E. FAKTOR PENGARUH YANG DOMINAN
Untuk mengetahui besar pengaruh masing-masing variabel independen terhadap
variabel dependen maka dilakukan uji regresi untuk masing-masing variabel independen
terhadap variabel dependen.

Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 .327a .107 .085 13.358

a. Predictors: (Constant), Asupan Protein

24
 Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 .184a .034 .010 13.892

a. Predictors: (Constant), Asupan Natrium

Berdasarkan output di atas asupan protein (X1) berpengaruh sebesar 10,7% terhadap
tekanan darah sistolik sedangkan asupan natrium (X2) berpengaruh sebesar 3,4% terhadap
tekanan darah sistolik.

25
 UJI T SAMPEL TUNGGAL

Uji T satu sampel digunakan untuk menguji nilai rata-rata dari suatu sampel tunggal
dengan suatu nilai acuan. Dalam uji T Satu Sampel terdapat asumsi yang harus dipenuhi
sebelum masuk ke analisis, yaitu data berskala interval atau rasio dan data sampel berdistribusi
normal.
Kasus 4:
Seorang ilmuwan ingin meneliti apakah rata-rata kandungan bakteri per unit volume pada
Sungai Citarum masih sama dengan 200. Kemudian ilmuwan mengumpulkan 10 sampel air
per unit volume sebagai berikut.

Bakteri
175
190
215
198
184
207
210
193
196
180

Penyelesaian
1. Hipotesis
𝐻0 ∶ 𝜇 = 200 (Rataan kandungan bakteri per volume sama dengan 200)
𝐻1 ∶ 𝜇 ≠ 200 (Rataan kandungan bakteri per volume tidak sama dengan 200)
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Buat variabel dengan nama X dan Y

26
 c. Klik Analyze  Compare Means  One Sample T Test
d. Masukkan variabel Bakteri ke kolom Test Variable  Isi Test Value dengan angka
200  Klik OK

e. Maka muncul output

One-Sample Statistics

N Mean Std. Deviation Std. Error Mean

Bakteri 10 194,80 13,139 4,155

One-Sample Test

Test Value = 200

t df Sig. (2-tailed) Mean 95% Confidence Interval of the

Difference Difference

Lower Upper

Bakteri -1,252 9 ,242 -5,200 -14,60 4,20

6. Interpretasi : Didapat nilai 𝑆𝑖𝑔. (2 − 𝑇𝑎𝑖𝑙𝑒𝑑) = 0,242. Karena 0,242 > 0,05 maka 𝑯𝟎
ditolak. Jadi rataan kandungan bakteri per volume sama dengan 200.

27
 INDEPENDENT SAMPLE

T-TEST(DUA SAMPEL)

Uji banding dua sampel diantara kedua sampel saling bebas. Artinya bahwa kedua
sampel tidak harus sama jumlah anggota sampel. Misalkan kita melakukan penelitian untuk
mencoba suatu metode baru, maka metode itu diuji pada satu kelompok tertentu. Untuk dapat
membedakan hasil eksperimen metode baru tersebut apakah lebih baik daripada metode
sebelumnya (metode konvensional), maka diambil satu kelompok lain yang setara dan dikenai
pembelajaran konvensional tersebut. Kasus yang demikian adalah uji banding dua sampel
bebas. Asumsi untuk uji ini adalah data berskala interval atau rasio, data berdistribusi normal
dan varian homogen. Untuk lebih memahami T-test (dua sampel), diberikan contoh kasus 5.
Kasus 5:
Seorang bidan ingin mengetahui perbedaan rata-rata pada metode kontrasepsi peserta keluarga
berencana. Maka diambil data peserta keluarga berencana baru pada tahun 2011. Data sebagai
berikut:
Metode kontrasepsi
Suntik Pil
17847 8111
18486 3182
22041 11466
23839 13457
26569 15442
26937 14782
27368 15824
21191 11971
23273 13198
23019 13498
13612
12246

Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada perbedaan rata-rata metode kontrasepsi suntik dengan metode
kontrasepsi pil
𝐻1 ∶ Ada perbedaan rata-rata metode kontrasepsi suntik dengan metode kontrasepsi pil
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.

28
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Buat variabel dengan nama Peserta dan Metode

c. Masukkan Value Labels. 1 untuk Suntik dan 2 untuk Pil

d. Masukkan data

e. Klik Analyze  Compare Means  Independent Samples T Test

f. Masukkan variabel Peserta ke kolom Test Variable dan variabel Metode ke kolom
Grouping Variable. Klik Define Groups

29
 g. Isi Group 1 dengan angka 1 dan Group 2 dengan angka 2. Klik Continue

h. Klik OK. Maka muncul output seperti berikut:

Group Statistics

Metode Kontrasepsi N Mean Std. Deviation Std. Error Mean

Suntik 10 23057,00 3319,726 1049,790

Peserta KB
Pil 12 12232,42 3505,712 1012,012

Independent Samples Test

Levene's Test for t-test for Equality of Means

Equality of
Variances
F Sig. t df Sig. (2- Mean Std. Error 95% Confidence Interval
tailed) Difference Difference of the Difference

Lower Upper

Equal variances
,032 ,860 7,385 20 ,000 10824,583 1465,756 7767,069 13882,097
assumed
Peserta KB
Equal variances
7,423 19,630 ,000 10824,583 1458,159 7779,237 13869,930
not assumed

6. Interpretasi
a. Pada kolom Levene’s Test for Equality of Variance (kolom yang menerangkan
tentang homogenitas data), sig = 0,860 > 0,05. Artinya data tersebut homogen
(tidak ada perbedaan varians).
b. Karena varian dari kedua variabel homogen maka pada kolom T-test for Equality
of Means dilihat pada baris Equal variance assumed (baris pertama), signifikan =

30
 0,000 < 0,05. Jadi H0 ditolak, artinya ada perbedaan peserta KB antara yang
menggunakan metode suntik dengan yang mengunakan metode pil.

c. Lihat pada kolom Group Statistics, pada kolom Mean terlihat data pada metode
suntik bernilai 23057,00 dan pada metode pil bernilai 12232,42. Artinya ada
perbedaan yang signifikan antara peserta KB dengan metode suntik maupun
metode pil.

31
 PAIRED SAMPLE
T-TEST (BERPASANGAN)

Uji t sample berpasangan sering kali disebut sebagai paired-sampel t test. Uji t untuk
data sampel berpasangan membandingkan rata-rata dua variabel untuk suatu grup sampel
tunggal. Uji ini menghitung selisih antara nilai dua variabel untuk tiap kasus dan menguji
apakah selisih rata-rata tersebut bernilai nol.
Kriteria data untuk uji t sampel berpasangan:
1. Data untuk tiap pasang yang diuji dalam skala interval atau rasio
2. Data berdistribusi normal
3. Nilai variannya dapat sama ataupun tidak
Uji t berpasangan (paired t-test) umumnya menguji perbedaan antara dua pengamatan.
Uji seperti ini dilakukan pada Subjek yang diuji untuk situasi sebelum dan sesudah proses, atau
subjek yang berpasangan ataupun serupa (sejenis). Misalnya ketika kita akan menguji
banyaknya gigitan nyamuk sebelum diberi lotion anti nyamuk merk tertentu maupun
sesudahnya.
Kasus 6:
Seorang peneliti ingin menguji apakah ada perbedaan tekanan darah pada pasien hipertensi
sebelum dan sesudah diberi sari kedelai.

No Nama GDP-Pre GDP-Post No Nama GDP-Pre GDP-Post

1 Rs 105 79 15 Sn 101 94

2 Sm 102 70 16 Rt 120 105

3 An 115 78 17 Em 101 101

4 Wy 125 74 18 Mr 100 108

5 Ad 106 82 19 Yl 101 104

6 Dh 111 80 20 Sl 101 106

7 Wn 108 95 21 Ah 103 111

8 Ts 125 92 22 As 114 115

9 St 106 90 23 Ms 101 101

10 Tb 109 75 24 Sy 104 130

11 Sp 108 101 25 Tw 103 112

12 Sj 110 90 26 Hr 106 102

13 Si 108 83 27 Ht 125 115

14 Sr 125 108 28 Ek 108 102

32
Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada perbedaan tekanan darah pada pasien hipertensi sebelum dan sesudah
diberi sari kedelai
𝐻1 ∶ Ada perbedaan tekanan darah pada pasien hipertensi sebelum dan sesudah
diberi sari kedelai
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Buat variabel dengan nama Sebelum dan Sesudah
c. Masukkan data

d. Klik Analyze  Compare Means  Paired Sample T Test

e. Masukkan variabel Sebelum ke kolom Paired Variables bagian Variable1 dan
variabel Sesudah pada bagian Variable2

f. Klik OK. Maka muncul output seperti berikut

33
 Std. Error
Mean N Std. Deviation Mean

Pair 1 TGD Sebelum Perlakuan 108,96 28 8,176 1,545

TGD Sesudah Perlakuan 96,54 28 14,856 2,808

Paired Samples Correlations

N Correlation Sig.

Pair 1 TGD Sebelum Perlakuan &

28 -,076 ,702
TGD Sesudah Perlakuan

Paired Samples Test

Paired Differences

95% Confidence
Interval of the
Std.
Difference
Std. Error
Mean Deviation Mean Lower Upper t df Sig. (2-tailed)

Pair 1 TGD Sebelum Perlakuan -

12,429 17,492 3,306 5,646 19,211 3,760 27 ,001
TGD Sesudah Perlakuan

6. Interpretasi
Didapat nilai 𝑆𝑖𝑔. = 0,001. Karena 0,001 < 0,05 maka 𝑯𝟎 ditolak. Jadi ada perbedaan
tekanan darah pada pasien hipertensi sebelum dan sesudah diberi sari kedelai.

34
 ANAVA SATU ARAH
(ONE WAY ANOVA)

Uji banding lebih dari dua sampel atau sering disebut dengan analisis varian satu jalur
(one way anova) di sini benar-benar di antara kelompok yang ada saling bebas. Artinya bahwa
beberapa sampel tidak harus sama jumlah anggotanya. Asumsi yang harus dipenuhi pada one
way anova adalah data berskala interval atau rasio, data berdistribusi normal, dan varian
homogen. Untuk lebih memahami, diberikan contoh kasus 7.
Kasus 7:
Peneliti ingin mengetahui perbedaan rata-rata pada metode kontrasepsi peserta keluarga
berencana di sebuah kota di Jawa Tengah. Maka diambil data peserta keluarga berencana baru
pada tahun 2011. Data sebagai berikut:

Metode kontrasepsi
IUD Implant Kondom
3032 789 1634
3572 1099 2078
4727 1738 2869
4745 1386 3124
5169 1540 3874

Hasil 5022 1596 3580

Pengamatan 5132 1630 4684
3295 704 2919
4590 1457 3754
6083 2318 3054
5661 2377
1745

Penyelesaian

1. Hipotesis
𝐻0 ∶ Tidak ada perbedaan rata-rata metode kontrasepsi IUD, Implant dan Kondom
𝐻1 ∶ Ada perbedaan rata-rata metode kontrasepsi IUD, Implant dan Kondom
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS

35
b. Buat variabel dengan nama Peserta dan Metode

c. Beri Value Labels. 1 untuk IUD, 2 untuk Implant dan 3 untuk Kondom

d. Masukkan data

e. Klik Analyze  Compare Means  One Way ANOVA

f. Masukkan variabel Peserta ke kolom Dependent List dan variabel Metode ke kolom
Factor.

36
 g. Klik Options. Centang Descriptive dan Homogenity of variance test. Klik Continue.

h. Klik OK. Maka muncul output seperti berikut

Descriptives
Peserta KB

N Mean Std. Deviation Std. Error 95% Confidence Interval for Mean Minimum Maximum

Lower Bound Upper Bound

IUD 11 4638,91 966,898 291,531 3989,34 5288,48 3032 6083

Implant 12 1531,58 512,166 147,850 1206,17 1857,00 704 2377
Kondom 10 3157,00 882,938 279,209 2525,38 3788,62 1634 4684
Total 33 3059,91 1528,887 266,145 2517,79 3602,03 704 6083
Merupakan Statistik Deskriptif, menyajikan informasi mengenai data, kolom N
menunjukkan jumlah data untuk masing-masing kelas, kolom mean menyajikan informasi
mengenai tentang rata-rata dari masing-masing kelas.

Test of Homogeneity of Variances

Peserta KB

Levene Statistic df1 df2 Sig.

1,759 2 30 ,190

ANOVA
Peserta KB

Sum of Squares df Mean Square F Sig.

Between Groups 55549272,902 2 27774636,451 43,284 ,000

Within Groups 19250575,826 30 641685,861
Total 74799848,727 32

6. Interpretasi
Berdasarkan tabel test of homogeneity of variances nilai Sig. 0,190 > 0,05 jadi dapat
disimpulkan bahwa varian dari variable yang diuji homogen.

37
 Berdasarkan tabel ANOVA didapat nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝑯𝟎
ditolak. Jadi ada perbedaan rata-rata metode kontrasepsi IUD, Implant dan Kondom.
Karena 𝑯𝟎 ditolak maka perlu dilakukan uji lanjut.
7. Uji Lanjut
Masih menggunakan data yang sama
a. Klik Analyze  Compare Means  One Way ANOVA
b. Masukkan variabel Peserta ke kolom Dependent List dan variabel Metode ke
kolom Factor.

c. Klik tab Post Hoc  Centang LSD  Continue

d. Klik OK. Maka muncul output tambahan seperti berikut

Multiple Comparisons
Dependent Variable: Peserta KB
LSD

(I) Metode Kontrasepsi (J) Metode Kontrasepsi Mean Difference Std. Error Sig. 95% Confidence Interval
(I-J) Lower Bound Upper Bound

Implant 3107.32576* 334.37838 .000 2424.4340 3790.2175

IUD
Kondom 1481.90909* 350.00523 .000 767.1030 2196.7151
IUD -3107.32576* 334.37838 .000 -3790.2175 -2424.4340
Implant
Kondom -1625.41667* 342.99039 .000 -2325.8965 -924.9368
IUD -1481.90909* 350.00523 .000 -2196.7151 -767.1030
Kondom
Implant 1625.41667* 342.99039 .000 924.9368 2325.8965

38
*. The mean difference is significant at the 0.05 level.

8. Interpretasi Uji Lanjut

Kriteria Uji : Jika nilai 𝑆𝑖𝑔. > 0,05 maka tidak ada perbedaan yang signifikan antar
metode kontrasepsi.
Berdasarkan hasil uji lanjut di atas dapat disimpulkan bahwa ada perbedaan yang
signifikan antar masing-masing metode kontrasepsi.

39
 ANAVA DUA ARAH
(TWO WAY ANOVA)

Pada dasarnya “Two Way Anova” tidak jauh berbeda dengan “One Way Anova”, yang
membedakan hanyalah ada variabel kelompok yang dikelompokkan lagi. Asumsi yang harus
dipenuhi pada one way anova sama dengan one way anova yaitu data berskala interval atau
rasio, data berdistribusi normal, dan varian homogen. Untuk lebih memahami Uji Anova Dua
Arah, disajikan contoh kasus 8.
Kasus 8:
Ingin diketahui apakah faktor tingkat (kelas) dan jenis kelamin dapat mempengaruhi jumlah
jan belajar mahasiswa dalam seminggu. Diadakan survey sebanyak 22 mahasiwa sehingga
didapat data sebagai berikut:

Tingkat Jenis Kelamin

(kelas)
Laki-laki Perempuan
24,7 26,4
1 25,5 28
21,9 29,8
31,1 33,6
2 32,7 34,8
34,3
37,8 38,9
3 36,3 39
35,9 37,8
32,7 33,2
4 30,8 31,2
30,9

Penyelesaian
1. Hipotesis
a. Hipotesis berdasarkan tingkat (kelas)
𝐻0 ∶ Tidak ada perbedaan rata-rata tingkat (kelas) 1, 2, 3 dan 4
𝐻1 ∶ Ada perbedaan rata-rata tingkat (kelas) 1, 2, 3 dan 4
b. Hipotesis berdasarkan jenis kelamin
𝐻0 ∶ Tidak ada perbedaan rata-rata jenis kelamin laki-laki dan perempuan
𝐻1 ∶ Ada perbedaan rata-rata jenis kelamin laki-laki dan perempuan
c. Hipotesis interaksi antar kategori
𝐻0 ∶ Tidak ada interaksi antara tingkat (kelas) dengan jenis kelamin
𝐻1 ∶ Ada interaksi antara tingkat (kelas) dengan jenis kelamin
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS

40
b. Buat variabel dengan nama JamBelajar, Tingkat dan JenisKelamin

c. Beri Value Lables untuk variabel JenisKelamin. 1 untuk Laki-laki dan 2 untuk
Perempuan.

d. Masukan data

e. Klik Analyze  General Linear Model  Univariate

f. Masukkan variabel JamBelajar ke kolom Dependent Variable dan variabel Tingkat
dan JenisKelamin ke kolom Fixed Factor

41
g. Klik tab Model  Pilih Full Factorial  Continue

h. Klik tab Option. Centang Descriptive statistics dan Homogenity tests. Continue

42
i. Klik tab Plots. Masukkan variabel Tingkat ke kolom Horizontal Axis dan variabel
JenisKelamin ke kolom Separate Lines. Klik Add

Maka akan menjadi seperti berikut. .Continue

j. Klik OK. Maka muncul output sebagai berikut

43
 Between-Subjects Factors

Value Label N

1 6

2 5
Tingkat
3 6

4 5
1 Laki-laki 11
JenisKelamin
2 Perempuan 11

Descriptive Statistics
Dependent Variable: JamBelajar

Tingkat JenisKelamin Mean Std. Deviation N

Laki-laki 24,033 1,8903 3

1 Perempuan 28,067 1,7010 3

Total 26,050 2,7326 6

Laki-laki 31,900 1,1314 2
2 Perempuan 34,233 ,6028 3
Total 33,300 1,4612 5
Laki-laki 36,667 1,0017 3
3 Perempuan 38,567 ,6658 3
Total 37,617 1,2891 6
Laki-laki 31,467 1,0693 3
4 Perempuan 32,200 1,4142 2
Total 31,760 1,1104 5
Laki-laki 30,936 5,0684 11

Total Perempuan 33,364 4,2399 11

Total 32,150 4,7261 22

Levene's Test of Equality of Error Variancesa

Dependent Variable: JamBelajar

F df1 df2 Sig.

1,205 7 14 ,361

Tests the null hypothesis that the error variance

of the dependent variable is equal across groups.
a. Design: Intercept + Tingkat + JenisKelamin +
Tingkat * JenisKelamin

44
 Tests of Between-Subjects Effects
Dependent Variable: JamBelajar

Source Type III Sum of df Mean Square F Sig.

Squares

Corrected Model 446,935a 7 63,848 40,410 ,000

Intercept 22039,184 1 22039,184 13948,850 ,000
Tingkat 407,042 3 135,681 85,874 ,000
JenisKelamin 27,000 1 27,000 17,089 ,001
Tingkat * JenisKelamin 7,689 3 2,563 1,622 ,229
Error 22,120 14 1,580
Total 23208,750 22
Corrected Total 469,055 21

a. R Squared = ,953 (Adjusted R Squared = ,929)

6. Interpretasi
a. Pada tabel Between-Subject Factors merupakan output yang menunjukkan jumlah
data yang diproses, untuk masing – masing kategori disajikkan informasi jumlah
datanya.
b. Pada tabel Descriptive Statistics dapat dilihat rata – rata data.
c. Pada tabel Levene’s Test of Equality of Error Variances dapat dilihat nilai 𝑆𝑖𝑔.
menunjukkan 0,449 > 0,05 artinya data tersebut homogen.

45
 d. Pada tabel Test of Between-Subject Effects dapat dilakukan 2 analisa yang berbeda
yaitu “Uji beda rata-rata” berdasarkan variabel yang berbeda (tingkat dan jenis
kelamin) dan uji interaksi antar variabel kategori.
• Interpretasi berdasarkan tingkat (kelas)
Didapat nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝐻0 ditolak. Jadi ada
perbedaan rata-rata tingkat (kelas) 1, 2, 3 dan 4. Karena 𝐻0 ditolak maka
perlu dilakukan uji lanjut.
• Interpretasi berdasarkan jenis kelamin
Didapat nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝐻0 ditolak. Jadi ada
perbedaan rata-rata jenis kelamin laki-laki dan perempuan. Karena 𝐻0
ditolak maka perlu dilakukan uji lanjut. Namun karena faktor hanya 2 maka
jelas dapat disimpulkan bahwa antara jenis kelamin laki-laki dan perempuan
mempunyai perbedaan.
• Interpretasi interaksi antar kategori
Didapat nilai 𝑆𝑖𝑔. = 0,229. Karena 0,229 < 0,05 maka 𝐻0 ditolak. Jadi
tidak ada interaksi antara tingkat (kelas) dengan jenis kelamin.
Untuk melihat adanya interaksi atau tidak juga dapat dilihat pada grafik. Jika
2 garis yang ada bersinggungan atau berpotongan maka ada interaksi antar
kategori. Dilihat dari grafik, 2 garis yang ada tidak berpotongan maka dapat
disimpulkan bahwa tidak interaksi antar kategori.

7. Uji Lanjut
a. Klik Analyze  General Linear Model  Univariate
b. Masukkan variabel JamBelajar ke kolom Dependent Variable dan variabel Tingkat
dan JenisKelamin ke kolom Fixed Factor

c. Klik tab Post Hoc  Centang LSD

46
 d. Maka muncul output sebagai berikut

Multiple Comparisons
Dependent Variable: JamBelajar
LSD

(I) Tingkat (J) Tingkat Mean Std. Error Sig. 95% Confidence Interval
Difference (I-J) Lower Bound Upper Bound

2 -7,250* ,7611 ,000 -8,882 -5,618

1 3 -11,567* ,7257 ,000 -13,123 -10,010

4 -5,710* ,7611 ,000 -7,342 -4,078

1 7,250* ,7611 ,000 5,618 8,882
2 3 -4,317* ,7611 ,000 -5,949 -2,684
4 1,540 ,7950 ,073 -,165 3,245
1 11,567* ,7257 ,000 10,010 13,123
3 2 4,317* ,7611 ,000 2,684 5,949
4 5,857* ,7611 ,000 4,224 7,489
1 5,710* ,7611 ,000 4,078 7,342

4 2 -1,540 ,7950 ,073 -3,245 ,165

3 -5,857* ,7611 ,000 -7,489 -4,224

Based on observed means.

The error term is Mean Square(Error) = 1,580.
*. The mean difference is significant at the 0,05 level.

8. Interpretasi Uji Lanjut

Kriteria Uji : Jika nilai 𝑆𝑖𝑔. > 0,05 maka tidak ada perbedaan yang signifikan antar
tingkat (kelas). Berdasarkan hasil uji lanjut di atas dapat disimpulkan bahwa tidak ada
perbedaan yang signifikan antara tingkat 2 dan tingkat 4.

47
 DAFTAR PUSTAKA

Sugiyono. 2010. Metode Penelitian Pendidikan Pendekatan Kuantitatif, Kualitatif, dan

R&D. Bandung: CV. Alfabeta
Sukestiyarno. 2015. Olah Data Penelitian Berbantuan SPSS. Semarang: Universitas Negeri
Semarang
Yudiaatmaja, Fridayana. 2013. Analisis Regresi dengan Menggunakan Aplikasi Computer
Statistik SPSS. Jakarta: PT. Gramedia Pustaka Utama

48