Uji binomial digunakan pada satu sampel data yang hanya mempunyai dua nilai yang salin
bertolak belakang. Contoh : ya atau tidak, hitam atau putih dan seterusnya.
Tujuan dari uji binomial adalah untuk menguji proporsi suatu populasi. Maksudnya adalah untuk
menguji apakah peluang munculnya suatu nilai yang bertolak belakan adalah sama.
Contoh : Ingin diketahui apakah kemunculan angka dan gambar pada uang koin mempunyai
peluang yang sama ? Untuk itu dilakukan pelemparan uang koin sebanyak 17 kali. Uang
mempunyai 2 sisi yaitu gambar dan angka. Setiap kali pelemparan, hasilnya di catat. Berikut
datanya :
hasil_lemparan
0
0
1
1
1
0
0
1
0
1
0
1
1
0
1
1
1
Kode yang digunakan adalah :
1. Masukkan data di atas pada SPSS.Pastikan melakukan pengkodean untuk data kategori. Klik
menu Analyze > NonparamtericTests > Legacy Dialogs > Binomial
2. Selanjutnya, masukkan variabel hasil_lemparan ke kotak Test Variabel List.
Dari hasil tersebut terlihat bahwa masing – masing kemunculan angka / gambar di kelompokan
menjadi 2. Goup 1 merupakan kemunculan gambar. Goup 2 merupakan kemunculan gambar.
Untuk menentukan apakah kemunculan angka dan gambar pada uang koin mempunyai peluang
yang sama ,pertama – tama kita membuat hipotesis sebagai berikut :
H0 = Munculnya angka dan gambar pada pelemparan uang koin mempunyai peluang yang
sama.
H1 = Munculnya angka dan gambar pada pelemparan uang koin mempunyai peluang yang tidak
sama
Korelasi Kendall merupakan pengganti korelasi Pearson untuk statistik non parametrik
Korelasi Kendall bertujuan untuk emngetahui ada tidaknya korelasi antar variabel yang diuji.
Contoh : Untuk mengetahui ada korelasi atau tidak antara penilaian 2 juri tinju tiap ronde, maka
dilakukan pendataan nilai skor. Dan didapat data sebagai berikut :
Juri_1 Juri_2
80 70
70 60
90 80
60 60
40 40
50 60
80 80
70 70
90 60
90 70
3. Pada kotak dialog yang muncul, masukkan variabel juri_1 dan juri_2 pada kotak Variables.
Pastikan pilihan Kendall aktif.
4. Klik OK untuk melakukan analisa.
Maka pada jendela output akan muncul hasil sebagai berikut.
.Ada tidaknya korelasi dapat dilihat dari nilai probabilitas yang tercantum pada baris Sig. Untuk
korelasi, syarat ada tidaknya korelasi adalah sebagai berikut :
Apabila probabilitas > 0.025 maka tidak ada korelasi.
Apabila probabilitas < 0.025 maka antar variabel terdapat korelasi.
Pada contoh di atas nilai probabilitas yang dihasilkan adalah 0.03. Maka penilaian juri_1 dan juri
2 tidak ada korelasi (0.034 > 0.025)
Korelasi Spearman
Korelasi Spearman mirip dengan regresi, namun ditujukan untuk statistik nin parametrik.
Korelasi Spearman menunjukkan hubungan sebab akibat.
Contoh : Perusahaan ingin mengetahui hubungan antara jam_lembur dan prestasi dari karyawan.
Untuk itu dilakukan pendataan jam lembur karyawan dan prestasi yangdihasilkan. Dan didapat
data sebagai berikut :
jam_lembur skor_prestasi
24 3.6
17 2.0
20 2.7
41 3.6
52 3.7
23 3.1
46 3.8
17 2.5
15 2.1
29 3.3
3. Pada kotak dialog yang muncul masukkan variabel jam_lembur dan skor_prestasi pada
kotak Variables. Pastikan pilihan Spearman aktif.
4. Klik OK untuk melakukan analisa
Ada tidaknya korelasi dapat dilihat dari nilai probabilitas yang tercantum pada baris Sig. Untuk
korelasi, syarat ada tidaknya korelasi adalah sebagai berikut :
Pada contoh di atas nilai probabilitas yang dihasilkan adalah 0.00. Maka jam_lembur dan
skor_prestasi mempunyai korelasi (0.00 < 0.025)
Hubungan sebab akibat ditunjukkan dengan tanda positif atau negatif dari koefisien korelas. Dari
hasil di atas dapat dilihat bahwa koefisien korelasi antara jam_lembur dan skor_prestasi adalah
0.945 (tanda positif)
Hal ini berarti semakin tinggi jam lembur, maka skor prestasi juga semakin meningkat.
Membuat Tabel
Tabel, merupakan salah satu output dari statistik deskriptif. Untuk itu kali ini kita akan
membahas mengenai cara pembuatan tabel. Sebagai contoh, kita akan membuat tabel dengan
data sebagai berikut :
jenis_kelamin Tinggi
1 169
1 168
1 170
1 160
1 167
2 165
2 166
2 169
2 158
2 162
1 : pria
2 : wanita
1. Masukkandata di atas pada SPSS. Pastikan melakukan pengkodean untuk data kategori.
2. Klik menu Analyze > Tables > Custom Tables…
3. Maka akan muncul kotak dialog untuk mebuat table. Sebelumnya akan muncul kotak
informasi mengenai Custom Tables. Untuk menghilangkannya, aktifkan pilihan Don’t show this
dialog again. Lalu klik OK.
Berikut adalah tampilan untuk membuat tabel
6. Untuk memilih nilai statistika yang akan disajikan. Klik pada variabel tinggi.
Maka pada bagian bawah, menu Summary Statistics akan aktif.
7. Klik menu Summary Statistics
8. Pilih nilai statistics yang akan disajikan. Caranya adalah dengan memilih nilai statistic pada
bagian kiri kemudian klik anak panah ke kanan. Sebagai contoh, kita akan memilih nilai statistik
Maximum, Mean dan median
Selain membandingkan rata – rata antara dua sampel bebas. Uji t juga bias dilakukan dengan
menggunakan nilai batas (cut point). Hal ini berarti dicari apakah rata rata nilai variabel di atas
cut point mempunyai kesamaan atau tidak dengan rata – rata nilai variabel di bawah cut point.
Karena cut point , berupa nilai. Maka kita harus mempunyai variabel sebagai nilai pembagi
dalam bentuk nilai rasio. Dengan menggunakan data sebelumnya kita akan menambah variabel
berat_badan sebagai pembagi.
tekanan_darah berat_badan
110 52
115 56
120 55
125 53
130 49
135 57
140 52
130 60
145 70
145 69
150 80
150 68
170 75
175 80
Langkah - lamngkah melakukan uji t dengan cut point adalah sebagai berikut :
5. Pada kotak cut point masukkan nilai 52. Nilai ini merupakan contoh nilai cut point. Jadi,
kita akan membandingkan rata – rata nilai variabel di bawah 52 dan di atas 52 Klik Continue.
Pertama - tama kita melakukan apakaha kedua varians data sama atau tidak. Caranya adalah
dengan melihat nilai F hitung pada kolom F.
Akan digunakan analisis pada baris kedua yaitu Equal variances not assumed
Tampak bahwa F hitung adalah 0, dengan demikian analisis yang digunakan adalah pada baris
kedua (0 < 0.05)
Untuk membuat keputusan, pertama tama kita akan membuat hipotesis sebagai berikut :
Ho = rata – rata tekanan darah orang dengan berat di atas dan di bawah 52 kg adalah sama
H1 = rata – rata tekanan darah orang dengan berat di atas dan di bawah 52 kg adalah tidak sama
Dasar pengambilan keputusan adalah dapat dilihat pada nilai probabilitas pada kolom Sig.
Apabila nilai probabilitas > 0.05 maka Ho diterima
Apabila nilai probabilitas < 0.05 maka Ho ditolak
Dari hasil di atas terlihat bahwa nilai probabilitas yang dihasilkan adalah 0. Dengan demikian
Ho ditolak.
Uji t 2 sampel bebas ditujukan untuk menguji apakah ada perbedaan nilai 2 sampel yang diberi
perlakuan yang berbeda. Tidak seperti pada sampel berpasangan, uji sampel bebas benar - benar
menggunakan 2 sampe yang berbeda.
Contoh : Apakah ada perbedaan tekanan darah antara orang yang meminum obat penurnun
tekan darah dan yang tidak meminum obat.
Berikut adalah data tekanan darah dari 2 kelompok sampel :
tekanan_darah kelompok
110 1
115 1
120 1
125 1
130 1
135 1
140 1
130 2
145 2
145 2
150 2
150 2
170 2
175 2
Karena digunakan sampel yang berbeda maka perlu dilakukan kategorisasi dengan pengkodean
sebagai berikut :
Kelompok 1 : minum obat
Kelompok 2 : tanpa obat
1. Masukan data tersebut pada SPSS. Patikan telah melakukan pengkodean kategori.
2. Klik menu Analyze >Compare Means >Independent Samples T Test…
Pada kotak Group 1, masukkan angka 1 untuk kelompok tanpa obat.Klik Continue.
Output pertama meberi informasi deskriptif data tekanan darah yang minum obat dan tanpa obat.
Output 2
Output kedua ini memberikan informasi berupa nila – nilai yang digunakan dalam analisa.
Untuk melakukan analisa pertama – tama kita buat hipotesa sebagai berikut :
Ho = tekanan darah antara kelompok yang minum obat dan tanpa obat adalah sama
Hi = tekanan darah antara kelompok yang minum obat dan tanpa obat adalah berbeda
Terdapat 2 analisis dalam uji t 2 sampel bebas, yaitu asumsi varian sama dan asumsi varians
berbeda.
Pertama – tama , kita melakukan pengecekan apakah varians antra 2 sampel sama atau tidak.
Caranya adalah dengan membandingkan nilai signifikasi pada kolom Levene’s Test for Equality
of Variances – Sig, dengan nilai signifikasi yang digunakan (SPSS secara default menggunakan
nilai signifikasi 0.05)
Untuk pengujian varians apabila nilai siginifikasi (probabilitas) > 0.05 maka data mempunyai
varians sama. Apabila nilai siginifikasi < 0.05 maka data mempunyai varians yang berbeda.
Dari data di atas terlihat bahwa nilai signifikasi probabilitas 0.462, maka data diatas mempunyai
varians yang sama. (0.0462 > 0.05). Oleh karena itu kita menggunakan nilai – nilai yang terdapat
pada baris Equal variances assumed.
Apabila varian berbeda maka kita menggunakan nilai – nilai pada baris Equal variances not
assumed.
Berikut adalah analisanya :
Dengan nilai df = 12 dan nilai signifikansi yang digunakan SPSS adalah 0,05 maka dengan
menggunakan uji 2 sisi pada tabel t di dapat nilai t tabel = 2.179
t hitung = 3.8, terletak di luar range -2.179 sampai + 2.179
Ilustrasi : -2.179 .… 2.179…3.8
Karena t hitung maka Ho ditolak. Maka keputusan yang diambil adalah Hi = tekanan darah
antara kelompok yang minum obat dan tanpa obat adalah berbeda.
Uji t – 2 Sampel Berpasangan (Paired Sampel)
Uji t sampel berpasangan adalah pengujian untuk mengetahui apakah ada perbedaan nilai dari
satu sampel sebelum dan sesudah dilakukan perlakukan tertentu. Perhatikan bahwa walaupun
dinamakan 2 sampel , namun sebenarnya menggunakan sampel yang sama. Hanya saja dilakukan
pengambilan data 2 kali pada waktu yang berbeda.
Contoh : Untuk meneliti apakah obat penurun badan benar – benar bekerja. Dilakuakan
penelitian terhadap sukarelawan. Sebelum diberi obat, berat sukarelawan ditimbang. Kemudian
selama satu minggu sukarelawan meminum obat penurutn berat badan. Seminggu kemudian di
lakukan pengukuran berat badan kembali.
Berikut adalah data berat badan yang didapat :
berat_sebelum berat_sesudah
96 93
63 62
51 59
81 80
77 78
66 65
59 58
67 67
80 79
79 78
71 69
63 64
61 61
93 94
85 84
76 74
Apakah ada perbedaan antara berat badan sebelum dan sesudah meminum obat penurun berat
badan ?
Untuk menganalisanya, lakukan langkah berikut :
Output 1 ini memberikan informasi deskriptif mengenai data sebelum dan sesudah. Mean
menunjukkan rat – rata berat badan sebelum dan sesudah mindum obat. N menunjukkan jumlah
data yang diproses.
Output 2
Output 2 memberikan informasi mengenai niali korelasi antara data sebelum dan sesudah.
Ho = berat badan sebelum dan sesudah minum obat penurun badan sama
Hi = berat badan sebelum dan sesudah minum obat penurun badan tidak sama (ada perbedaan)
Dengan nilai df = 15 dan nilai signifikansi yang digunakan SPSS adalah 0,05 maka dengan
menggunakan uji 2 sisi pada tabel t di dapat nilai t tabel = 2.131
t hitung = 0.305, terletak antara -2.131 sampai + 2.131
Maka Ho diterima. Jadi keputusan yang diambil adalah berat badan sebelum dan sesudah minum
obat penurun badan sama Dengan kata lain obat penurun badan tidak manjur.
Uji t - 1 Sampel
Uji t 1 sampel hanya membutuhkan sebuah sampel / variabel, dan tentunya nilai perkiraan
sebelumnya.
Contoh
Berat siswa kelas 2 SMA diperkirakan rata – rata 55 kg. Untuk membuktikan perkiraan tersebut,
dilakukan pengambilan data sampel dan didapat data sebagai berikut :
berat_siswa
45
60
65
55
65
60
50
70
60
Pada jendela output akan muncul hasil perhitungan. Untuk uji t satu sampel terdapat 2 output.
Output 1 :
Pada output pertama merupakan info statistik deskriptif mengenai data. Berikut adalah
penjelasannya :
a : jumlah N yaitu jumlah data. Dalam hal ini data berat siswa berjumlah 9 buah.
b : Mean, rata – rata dari dari data. Dalam hal ini rata – rata berat siswa adalah 58.8889 kg.
c : Std. Deviation, menunjukkan standar deviasi
d : menunjukan nilai kesalahan
Output 2 :
Langkah pertama yang harus kita lakukan adalah melakukan hipotesa (dugaan sementara).
Dalam statistik dugaan sementara dinotasikan Ho . Untuk melengkapi dugaan juga dibuat dugaan
alternatif, dinotasikan dengan H1 Dugaan sementara Ho selalu berlawanan dengan H1
Langkah selanjutnya adalah melakukan uji hipotesa. Terdapat 2 jenis uji hipotesa yaitu uji satu
sisi dan uji 2 sisi. Namun yang sering dipakai adalah uji 2 sisi.Untuk contoh ini kita
menggunakan uji 2 sisi.
Dengan nilai df = 8 dan nilai signifikansi yang digunakan SPSS adalah 0,05 maka dengan
menggunakan tabel t di dapat nilai t tabel = 2.306 Tabel t dan tabel statistika bila Anda
memerlukan silhkan tingalkan komentar di bagian bawah.
Pastikan tingkat signifikasi yang digunakan untuk uji dua arah. Pilih nilai df (derajat kebebasan)
yang digunakan (8) tarik ke kanan sampai nilai pada kolom tingkat signifikasi (α) yang
digunakan (0.05). Maka kita akan menemukan nilai t tabel yaitu 2.306
Gunakan nilai t tabel untuk menggambarkan daerah penerimaan Ho. Karena dua sisi maka
daerah penerimaan Ho terletak antara -2.306 sampai + 2.306
Dengan nilai t hitung = 1.492 , yang terletak antara -2.306 sampai + 2.306
Ilustrasi : -2.306 ……. 1.492 …… 2.306
Maka Ho diterima. Jadi keputusan yang diambil adalah berat rata – rata kelas 2 SMA adalah 55
kg.
Apabila letak t hitung berada di luar daerah penerimaan, maka Ho ditolak dan keputusan yang
diambil menggunakan H1
Ciri uji hipotesa dua sisi adalah Ho menggunakan kata – kata sekitar, rata – rata atau
menggunakan tanda sama dengan (=) dan H1 menggunakan tanda tidak sama dengan
Selain uji hipotesis dua arah juga dikenal uji hipotesis satu arah ( satu sisi).
Terdapat dua macam uji hipotesis satu sisi, yaitu uji hipotesis sisi kanan dan uji hipotesis sisi
kiri. Untuk memberikan pemahaman berikut diberikan contoh untuk masing – masing sisi.
Untuk kasus di atas maka hipotesis yang kita buata adalah sebagai berikut :
Ho = berat rata – rata kelas 2 SMA adalah 55 kg
Hi = berat rata – rata kelasa 2 SMA lebih dari 55 kg
Dengan menggunakan tabel t untuk uji satu arah, kita akan menemukan nilai t tabel
Berikut ilustrasi mencari nilai t tabel
Dari tabel t kita dapat menemukan t tabel 1.860
Syarat diterima atau ditolaknya Ho untuk uji sisi kanan adalah sebagai berikut :
Apabila t hitung < t tabel maka Ho diterima
Apabila t hitung > t tabel maka Ho ditolak
Untuk kasus di atas maka hipotesis yang kita buat adalah sebagai berikut :
Ho = berat rata – rata kelas 2 SMA adalah 55 kg
Hi = berat rata – rata kelasa 2 SMA tidak sama dengan 55 kg
Dengan menggunakan tabel t untuk uji satu arah, kita akan menemukan nilai t hitung
Untuk uji sisi kiri nilai t diubah menjadi negatif
Dari tabel t kita dapat menemukan t tabel -1.860
Syarat diterima atau ditolaknya Ho untuk uji sisi kiri adalah sebagai berikut :
Apabila t hitung > t tabel maka Ho diterima
Apabila t hitung < t tabel maka Ho ditolak
Uji t adalah jenis pengujian statistik untuk mengetahui apakah ada perbedaan dari nilai yang
diperkirakan dengan nilai hasil perhitungan statistik. Nilai perkiraan ini bermacam – macam
asalnya , ada yang kita tentukan sendiri, berdasar isu, nilai persyaratan dll.
Contoh : Berdasar isu gaji manajer adalah 50 juta per bulan. Untuk membuiktikan kebenaran isu
tersebut, dilakukan pengambilan data gai dari sejumlah manajer. Di sini kita telah mendapatkan
nilai perkiraan yang akan diuji ( 50 juta)
Penamaan uji t diambil dari huruf terakhir nama penemunya , Gossett. Dalam statistik terdapat
banyak istilah nama pengujian yang asing. Agar tidak bingung, kita tidak usah memikirkan
namanya. Yang penting paham tujuan dari pengujian tersebut
Uji t biasanya ditujukan untuk jumlah data yang sedikit (kurang dari 30). Syarat untuk
melakukan uji t antara lain :
- nilai parameter diketahui / ditentukan
- distribusi normal
Terdapat beberapa jenis uji t , yaitu : uji t 1 sampel, uji t 2 sampel berpasangan, dan uji t 2
sampel bebas.
Uji Z
Pada dasarnya uji z adalah sama dengan uji t . Hnaya saja uji z ditujukan untuk jumlah data yang
relatif besar (> 10). Sebagai contoh , kita akan menggunakan data pada bab yang digunakan pada
uji t satu sampel dengan jumlah data yang lebih besar.
4. Pada kotak Test value masukkan angka 55 (nilai yang akan diuji).Klik OK untuk melakukan
perhitungan.
Output 1
Output pertama memberikan informasi mengenai jumlah data yang diolah. Kolom N
menunjukkan banyaknya data yang diolah. Kolom Mean menunjukkan rata – rata dari nilai
data.dan kolom Std Deviation menunjukkan nilai standar deviasi.
Output 2
Dari hasil di atas pada kolom Sig terlihat bahwa nilai probabilitas 0.019.
Maka H0 ditolak (0.019 < 0.05) . Dengan demikian keputusan yang diambil adalah
Jadi : berat rata – rata kelas 2 SMA tidak sama dengan 55 kg.
Apabila kita menggunakan tabel statistika, maka kita dapat menggunakan tabel t.
Sama dengan uji t, bedanya kasusnya banyak (lebih dari 30)
Uji Median
Uji Median akan melengkapi uji Kruskalls Wallis. Uji Median akan menguji apakah beberapa
variabel yang diuji mempunyai median (titik tengah) yang sama atau tidak. Sebagai contoh, kita
akan menggunakan data yang sama dengan data yang digunakan pada uji Kruskalls Wallis.
Berikut langkah – langkah untuk melakukan uji Median :
1. Klik menu Analyze > Nonparametric Tests > Legacy Dialogs > K Independent Samples..
2. Pada kotak dialog yang mncul, masukkan variabel penjualan ke kotak Test Variable List.
Karena kita mengelmpokkan kategori berdasar merk, masukkan variabel merk ke kotak
Grouping Variable. Pastikan pilihan Median aktif.
Output 1
Output pertama ini menunjukkan informasi mengenai banyaknya data yang diolah untuk masing
– masing variabel. Banyaknya data yang disajikan berdasarkan median, yaitu data yang nilanya >
median dan data yanga nilainya <= median
Output 2
Output ke 2 ini memberikan informasi nilai sebagai dasar pengambil keputusan.
Untuk menentukan apakah tingkat penjualan setiap bulan dari 3 merek barang sama.atau tidak ,
pertama – tama kita membuat hipotesis sebagai berikut :
H0 = Tingkat penjualan setiap bulan dari 3 merek mempunyai median (titik tengah) yang sama.
H1 = Tingkat penjualan setiap bulan dari 3 merek mempunyai median (titik tengah) yang tidak
sama.
Dari hasil di atas pada baris Asymp Sig terlihat bahwa nilai probabilitas 0.031.Maka H0
ditolak (0.031 < 0.05) . Dengan demikian keputusan yang diambil adalah
Jadi : Tingkat penjualan setiap bulan dari 3 merek mempunyai median (titik tengah) yang tidak
sama.
Uji Kruskall Wallis
Contoh :
Suatu penelitian dilakukan untuk mengetahui apakah ada perbedaan antara tingkat penjualan
(unit) setiap bulan dari 3 merek barang yang berbeda. Berikut adalah data penjualan 5 bulan
terakhir.
merk tingkat_penjualan
1 165
1 98
1 130
1 210
1 195
2 120
2 115
2 90
2 126
2 107
3 140
3 156
3 220
3 112
3 142
Kode merk
1 : merk_oke
2 : merk_bagus
3 : merk_mantap
1. Masukkan data di atas pada SPSS. Pastikan melakukan pengkodean untuk kategori data.
2. Klik menu Analyze > Nonparametric Tests > Legacy Dialogs > K Independent Samples..
3. Pada kotak dialog yang mncul, masukkan variabel penjualan ke kotak Test Variable List.
Karena kita mengelmpokkan kategori berdasar merk, masukkan variabel merk ke kotak
Grouping Variable. Pastikan pilihan Kruskal Wallis aktif.
Output pertama ini menunjukkan informasi mengenai banyaknya data yang diolah untuk masing
– masing variabel
Output 2
Untuk menentukan apakah tingkat penjualan setiap bulan dari 3 merek barang sama.atau tidak ,
pertama – tama kita membuat hipotesis sebagai berikut :
H0 = Tingkat penjualan setiap bulan dari 3 merek barang sama
H1 = Tingkat penjualan setiap bulan dari 3 merek barang tidak sama
Dari hasil di atas pada baris Asymp Sig terlihat bahwa nilai probabilitas 0.088.Maka keputusan
yang diambil adalah H0. (0.15 > 0.05)
Jadi : Tingkat penjualan setiap bulan dari 3 merek barang sama
Uji Keselarasan Kendall
Uji Keselarasan Kendall adalah salah satu pengujian untuk mengetahui apakah ada keselarasan
dari nilai sampel yang diuji.
Contoh :
Untuk mengetahui apakah kepuasan mahasiswa sama atau tidak terhadap fasilitas kampus, maka
dilakukan kuisioner.
Data yang fasilitas_lab dosen kelas layanan_akademik didapat
adalah 1 2 3 3 sebagai
berikut : 2 1 4
4 1 2 2
3 3 4 1
3 2 3 2
2 2 3 4
1 4 3 4
1 1 1 2
1 1 2 2
Kode kepuasan :
1 : sangat puas
2. : puas
3. : biasa
4 : tidak puas
Berikut langkah – langkah untuk melakukan uji Keselaran Kendall :
1. Masukkan data diatas pada SPSS. Pastikan melakukan pengkodean untuk kategori data.
2. Klik menu Analyze > Nonparametric Tests > Legacy Dialogs > K Related Samples
3. Pada kotak dialog yang muncul, masukkan variabel fasilitas_lab, dosen, kelas dan layanan
akademik pada kotak Test Variabels. Pastikan pilihan Kendall’s aktif
Output 1
Output pertama ini menunjukkan informasi mengenai banyaknya data yang diolah untuk masing
– masing variabel
Output 2
Output ke 2 ini memberikan informasi nilai sebagai dasar pengambil keputusan.
Untuk menentukan apakah kepuasan mahasiswa sama atau tidak terhadap fasilitas kampus,
pertama – tama kita membuat hipotesis sebagai berikut :
H0 = Kepuasan mahasiswa terhadap fasilitas kampus adalah sama
H1 = Kepuasan mahasiswa terhadap fasilitas kampus tidak sama
Dari hasil di atas pada baris Asymp Sig terlihat bahwa nilai probabilitas 0.061.Maka H0
diterima (0.061 > 0.05) . Jadi : Kepuasan mahasiswa terhadap fasilitas kampus adalah sama.
Uji Wald-Wolfowitz
Salah satu alternatif uji dua sampel bebas pada statistik non parametrik adalah uji Wald
Wolfowitz. Kita akan melakukan pengujian dengan menggunakan data yang sama seperti pada
pengujian Mann – Whitney
Langkah – langkah melakukan uji Wald Wolfowitz adalah sebagai berikut :
1. Klik menu Analyze > Nonparametric Tests > Legacy Dialogs > 2 Independent
Samples…
2. Pada kotak dialog yang muncul , masukkan variabel uang_belanja pada kotak Test Variabel
List. Masukkan variabel jenis_kelamin pada kotak Grouping Variable.
Pastikan pilihan Wald-Wolfowitz aktif.
3. Klik tombol Define Groups. Pada kotak Group 1, masukkan angka 1 untuk wanita.
Pada kotak Group 2, masukkan angka 2 untuk pria. Klik Continue
Output pertama ini menunjukkan informasi mengenai banyaknya data yang diolah untuk masing
– masing variabel.
Output 2
Pada output ke-2 ini memberikan informasi nilai sebagai dasar pengambilan keputusan
Untuk menentukan apakah ada perbedaan anggaran belanja perawatan tubuh pria dan wanita per
bulan , pertama – tama kita membuat hipotesis sebagai berikut :
H0 = Anggaran belanja perawatan tubuh pria dan wanita per bulan adalah sama.
H1 = Anggaran belanja perawatan tubuh pria dan wanita per bulan tidak sama.
Dari hasil di atas pada kolom Exact Sig terlihat bahwa nilai probabilitas pada baris Minimum
Possible = 0.516 dan pada baris Maximum Possible = 0.667. Kedua nilai probabilitas tersebut
lebih besar dari 0.05.
Untuk uji McNemar, nilai dari data harus dikategorikan. Atau dengan kata lain uji McNemar
mengunakan data nominal.
Sebagai contoh : Seorang guru SD ingin mengetahui apakah pelajaran budi pekerti berpengarug
tirhadap siswa. Untuk itu dilakukan pendataan sikap sebelum pelajaran budi pekerti dan setelh
pelajaran budi pekerti. Penilaian dikategorakan menjadi 2, yaitu sopan dan tidak sopan.
sikap_sebelum sikap_sesudah
0 1
1 1
1 0
1 1
0 1
0 1
0 1
1 0
1 1
0 1
1. Masukkan data tersebut pada SPSS. Pastikan melakukan pengkodean untuk kategori
data.Klik menu Analyze Nonparametric Tests Legacy Dialogs Related
Samples
2. Masukkan variabel nilai_sebelum ke kotak Variable1 . Masukkan variabel nilai_sesudah
ke kotak Variable2. Pastikan pilihan McNemar aktif
Output 1
Output pertama ini disajikan dalam bentuk tabel silang / crosstab. Iniformasi yang diberikan
berapa jumlah nilai data yang berubah. Contoh : dari tabel silang dapat dilihat bahwa ada 6s buah
data yang berubah nilainya dari 0 ke 1 (tidak sopan ke sopan)
Output 2
H0 = Sikap siswa sebelum dan sesudah mengikuti kelas budi pekerti adalah sama
H1 = Sikap siswa sebelum dan sesudah mengikuti kelas budi pekerti adalah tidak sama
Dari hasil di atas pada baris Exact Sig terlihat bahwa nilai probabilitas 0.031.Maka H0 ditolak.
(0.781 > 0.05) . Dengan demikian keputusan yang diambil adalah H1
Jadi : Sikap siswa sebelum dan sesudah mengikuti kelas budi pekerti adalah tidak sama.
Dengan kata lain pelajaran budi pekerti memberi pengaruh terhadap sikap siswa.
Uji Tanda
Uji Tanda mirip dengan uji Wilcoxon Signed Rank, hanya saja tidak dilakukan pengurutan data.
Contoh : Seorang guru TK ingin mengetahui, apakah ada perbedaan nilai antara menjanjikan
pemberian hadiah apabila nilai baik dengan tanpa tanpa memberikan hadiah.. Berikut adalah data
nilai sebelum menjanjikan pemberian hadiah dan sesudah pemberiana hadiah ;
nilai_sebelum nilai_sesudah
60 70
58 66
79 80
75 81
65 67
89 88
76 77
88 80
67 69
50 60
Untuk melakukan analisa dengan uji tanda, berikut adalah langkah – langkahnya :
1. Masukkan data tersebut pada SPSS. Klik menu Analyze Nonparametric Tests Legacy
Dialogs Related Samples
Output 1
Negative Differences menyatakan banyaknya nilai variabel sesudah yang lebih kecil daripada
variabel sebelum. Positive Differrences menyatakan banyaknya nilai variabel sesudah yang lebih
besar daripada variabel sebelum. Ties menyatakan banyaknya nilai variabel sesudah sama besar
nilainya dengan variabel sebelum.
Output 2
Pada output ke-2 ini memberikan informasi nilai sebagai dasar pengambilan keputusan
Untuk menentukan apakah urutan antrian tiket berdasar kelamin acak.atau tidak ,pertama – tama
kita membuat hipotesis sebagai berikut :
Dari hasil di atas pada baris Exact Sig terlihat bahwa nilai probabilitas 0.02.Maka H0 ditolak
(0.02 < 0.05) Dengan demikian keputusan yang diambil adalah H1 .
Jadi : Nilai sebelum dan sesudah menjanjikan pemberian hadiah adalah tidak sama. Atau dengan
kata lain pemberian hadiah berpengaruh terhadap nilai murid.
Uji Wilcoxon Signed Rank
Uji Wilcoxon Signed Rank sama dengan uji t 2 sampel berpasangan , namun ditujukan untuk
distribusi data yang tidak normal atau parameter – parameter statistik tidak diketahui. Secara
teori, pada uji ini dilakukan pengurutan (ranking) data terlebih dahulu.
Contoh : Untuk menguji apakah obat kuat berpengaruh terhadap kekuatan seseorang berlari
mengitari stdaion. Sejumlah sukarelawan mengitari stadion tanpa minum suplemen sebelumnya,
Beberapa hari kemudian sukarelawan yang sama, dengan meminum obata kuat berlari mengitari
stadion
sebelum sesudah
5 6
4 6
6 5
1 3
2 2
3 5
4 7
2 2
10 8
5 10
Lngkah – langkah ntuk melakukan analisa Wilcoxon Signed Rank adalah sebagai berikut :
Output 1.
Pada output pertama ini memberikan informasi mengenai banyaknya nilai data yang diproses.
Negative ranks menyatakan jumlah data nilai variabel sesudah lebih kecil daripada nilai variabel
sebelum. Positive ranks menyatakan jumlah data nilai variabel sesudah lebih besar daripada nilai
variabel sebelum.
Ties menyatakan jumlah data nilai variabel mempunyai nilai variabel sama dengan variabel
sebelum.
Output 2
Pada output ke-2 ini memberikan nilai sebagai dasar pengambilan keputusan
Untuk menentukan apakah kekuatan berlari sesorang sebelum dan sesudah minum obat kuat
sama atau tidak ,pertama – tama kita membuat hipotesis sebagai berikut :
H0 = Kekuatan berlari sesorang sebelum dan sesudah minum obat kuat adalah sama.
H1 = Kekuatan berlari sesorang sebelum dan sesudah minum obat kuat tidak sama.
Dari hasil di atas pada baris Asymp Sig terlihat bahwa nilai probabilitas 0.088.Maka keputusan
yang diambil adalah H0. (0.088 > 0.05)
Jadi : Kekuatan berlari sesorang sebelum dan sesudah minum obat kuat adalah sama.
Statistik Non Parametrik Dua Sampel Berpasangan
Pada statsitik parametrik, untuk sampel berpasangan kita bisa menggunakan uji t dua sampel
berpasangan atau uji z. Maka pada statistik non paramaetrik terdapat beberapa metode yang
dapat digunakan untuk dua sampel berpasangan.
Metode tersebut antara lain uji Wilcoxon Signed Rank, uji Tanda dan uji McNemar.
Untuk mengingatkan kembali, 2 sampel bebas / berhubungan maksudnya digunakan satu buah
sampel yang diberi perlakukan tertentu. Pengambilan data dilakukan sebelum dan sesudah
memberi perlakuan (pendataan dilakukan dua kali).
Uji Kolmogorov Smirnov
Uji Kolmogrov Smirnov bertujuan untuk mengetahui keselarasan / kesesuaian data dengan
distribusi normal atau tidak. Dengan kata lain pengujian ini untuk menguji apakah sampel
mewakili populasi atau tidak.
Contoh : Ingin diketahui sampel data nilai siswa berikut mewakili populasi atau tidak.
nilai
8.5
7.6
9
7.7
8
8
5
8.8
7.7
6
8.3
9
8.4
6.7
8.9
Langkah – langkah untuk melakukan uji Kolmogorov Smirnov adalah sebagai berikut :
1. Masukkan data di atas pada SPSS. Klik menu Analyze > NonparamtericTests > Legacy
Dialogs > 1-Sample K-S
2. Masukkan variabel nilai pada kotak Test Variable List. Pastikan pada bagian Test
Distribution, pilihan Normal aktif.
3. Klik Ok untuk melakukan analisa
Maka, pada jendela output akan muncul hasil analisa sebagai berikut :
Untuk menentukan apakah sampel mewakili populasi.atau tidak , pertama – tama kita membuat
hipotesis sebagai berikut :
Dari hasil di atas pada baris Asymp Sig terlihat bahwa nilai probabilitas 0.781.Maka keputusan
yang diambil adalah H0. (0.447 > 0.05)
Jadi : Sampel mewakili populasi (distribusi normal)
Uji Run
Uji run dilakukan untuk data yang didapatkan secara berurutan. Uji run bertujuan untuk melihat
keacakan suatu populasi. Sebagai contoh pengamatan antrian tiket. Apakah urutan antrian
berdasar jenis kelamin acak atau tidak ?
Sebagai contoh, berikut adalah urutan antrian tiket di stasiun kereta api berdasar jenis kelamin :
jenis_kelamin
1
1
2
2
2
2
1
1
2
2
1
1
2
1
Kode :
1 : pria
2 : wanita
Langkah – langkah untuk melakukan uji Run adalah sebagai berikut :
1. Masukkan data di atas pada SPSS.Pastikan melakukan pengkodean untuk data kategori.
Klik menu Analyze > NonparamtericTests > Legacy Dialogs > Runs
2. Pada kotak dialog yang muncul, aktifkan menu Custom dan isi dengan angka 2. Hal ini
karena kita membagi data menjadi 2 variabel kategori (pria dan wanita)
3. Klik OK untuk melakukan uji Run.
Maka pada output akan muncul hasil sebagai berikut :
Untuk menentukan apakah urutan antrian tiket berdasar kelamin acak.atau tidak ,pertama – tama
kita membuat hipotesis sebagai berikut :
Dari hasil di atas pada baris Asymp Sig terlihat bahwa nilai probabilitas 0.781.Maka keputusan
yang diambil adalah H0. (0.781 > 0.05)
Jadi : Urutan antrian tiket berdasar kelamin acak.
Uji ANOVA Dua Arah
Uji ANOVA dua arah pada dasarnya sama, namun ada variabel kelompok yang dikelompokkan
lagi. Sebagai contoh, kita menggunakan data pada uji ANOVA satu arah dengan
menambahkakan satu variabel lagi yaitu jenis kelamin.
Selain mengelompokkan pasien menggunakan jenis obat yang diminum, kita juga
mengelompokkan berdasarkan jenis kelamin. Dengan uji ANOVA dua arah kita dapat
melakukan uji interaksi antar 2 variabel kategori tersebut. Berikut data yang kan di analisa :
1: pria
2 : wanita
Untuk melakukan uji ANOVA dua arah, lakukan langkah – langkah berikut :
1. Masukkan data di atas pada SPSS. Pastikan melakukan pengkodean kategori. Lalu klik
menu Analyze > General Linear Model > Univariate
2. Pada kotak dialog yang muncul, masukkan variabe tekanan darah pada kotak Dependent
Variable. Masukkan variabel kelompok dan jenis_kelamin pada kotak Fixed Factor(s).
Output 1.
Output pertama ini menunjukkan jumlah data yang diproses. Untuk masing – masing kategori
disajikan informasi jumlah datanya.
Output 2 :
Pada output ke – 2 ini kita bisa melakukan analisa. Pada uji ANOVA dua arah, terdapat 2 jenis
analisa yang dapat dilakukan , yaitu uji beda mean berdasar variabel yang berbeda (jenis kelamin
dan jenis obat ) dan uji interaksi antar variabel kategori.
- Uji beda mean tekanan darah berdasar jenis obat yang digunakan
Agar mudah kita menggunakan nilai probabilitas untuk mengambil keputusan. Nilai probabilitas
terletak pada kolom Sig. Apabila probabilitas > 0.05 maka Ho diterima. Apabila probabilitas <
0.05 maka Ho ditolak.
Probabilitas berdasar variabel kelompok pasien adalah 0.009. Maka Ho diterima (0.009 > 0.005)
Jadi keputusan yang diambil adalah H0, yaitu : mean tekanan darah orang peminum obat A, obat
B dan obat C adalah sama.
Probabilitas berdasar variabel jenis_kelamin adalah 0.137. Maka Ho diterima (0.137 > 0.05).
Jadi keputusan yang diambil adalah Ho, yaitu : mean tekanan darah orang peminum obat A, obat
B dan obat C adalah sama
Kali ini kita akan menguji apakah ada interaksi antara variabel yang menjadi faktor pengukuran.
Dalam hal ini apakah ada interaksi antara variabel kelompok pasien dan jenis kelamin.
Untuk uji interaksi antara variabel , apabila probabilitas > 0.05 maka antar variabel tidak ada
interaksi.
Uji ANOVA satu arah digunakan untuk menguji apakah ada perbedaan rata-rata lebih dua
sampel yang bersifat bebas satu sama lain.
Contoh : untuk mengetahui efek dari 3 macam merek obat penurun tekanan darah. Pasien
dikelompokkan menjadi 3 macam, yaitu pasien peminum obat merek A, pasien peminum obat
merek B dan pasien peminum obat merek C Berikut data tekanan darah dari 3 kelompok pasien :
tekanan_darah kelompok
110 1
115 1
120 1
125 1
130 1
135 1
140 1
105 2
115 2
125 2
125 2
125 2
140 2
140 2
130 3
145 3
145 3
150 3
150 3
170 3
175 3
Karena dilakukan pengelompokan, maka data kelompok pasien perlu dikodekan sebagai berikut
:
Untuk melakukan uji ANOVA satu arah lakukan langkah – langkah berikut:
1. Masukan data di atas. Pastikan melakukan pengkodean data kategori.
2. Klik menu Analyze > Compare Means > One-Way ANOVA
Output 1 :
Output 2
Output ke – 2 ini ditujukan untuk melakukan uji kesamaan homogen. Salah satu syarat untuk
melakukan uji ANOVA satu arah apabila data mempunyai varians sama (homogen).
Caranya adalah dengan membandingkan nilai signifikasi pada Sig. dengan nilai signifikasi yang
digunakan (SPSS secara default menggunakan nilai signifikasi 0.05)
Untuk pengujian varians apabila nilai siginifikasi (probabilitas) > 0.05 maka data mempunyai
varians sama. Apabila nilai siginifikasi < 0.05 maka data mempunyai varians yang berbeda.
Dari data di atas terlihat bahwa nilai signifikasi probabilitas 0.708, maka data diatas mempunyai
varians yang sama. (0.708 > 0.05). Dengan demikian telah memenuhi sayarat uji ANOVA. Kita
bisa melanjutkan analisis.
Output 3 :
Output ke – 3 ini memberi nilai untuk menganalisa apakah terdapat perbedaan rata – rata antara
variabel yang diuji.
Ho = Rata – rata tekanan darah orang peminum obat A, obat B dan obat C adalah sama
H1 = Rata – rata tekanan darah orang peminum obat A, obat B dan obat C adalah tidak sama
(ada perbedaan)
Untuk mengambil keputusan kita memerlukan tabel F dengan tingkat signifikan 0.05 (terlampir
pada buku ini) .
Nilai – nilai yang penting untuk melakukan analisa adalah :
- Fhitung = 10.005 (untuk pengambilan keputusan)
- df Between Groups = jumlah variabel – 1 = 3 – 1 = 2 (nilai df1 pada tabel F)
- df Within Groups = jumlah data – jumlah variabel = 21 – 3 = 18 (nilai df2 pada tabel F)
dari tabel maka didapat Ftabel = 3.554557
Pilih df1 yang digunakan (18), tarik kekanan sampai kolom df2 yang digunakan maka kita akan
menemukan nilai Ftabel.
Pada ANOVA, syarat agar diterima atau tidak adalah sebagai berikut :
Apabila Ftabel > Fhitung maka Ho diterima
Apabila Ftabel < Fhitung maka Ho ditolak
Dari data yang kita dapat Ftabel < Fhitung (3.554557 < 10.005) maka Ho ditolak. Jadi
keputusan yang diambil mengunakan H1 , yaitu : Rata – rata tekanan darah orang peminum obat
A, obat B dan obat C adalah tidak sama (ada perbedaan).
Atau dengan kata lain jenis obat memberi efek pada tekanan darah.
Kita juga bisa mengambil keputusan berdasarkan nilai probabilitas yang tercantum pada kolom
Sig. Apabila probabilitas > 0.05 maka Ho diterima. Apabila probabilitas < 0.05 maka Ho
ditolak.
Dari hasil diatas, probabilitas yang dihasilkan adalah 0.001. Maka Ho ditolak (0.001 < 0.001)
Output 4
Output ke – 4 Post Hoc Tests digunakan untuk mengetahui variabel mana yang memiliki
perbedaan yang signifikan. Cara menganalisanya adalah dengan melihat ada tidaknya tanda *
pada kolom Mean Difference.
Output 5:
Apabila output sebelumnya digunakan untuk mencari variabel mana yang mempunyai perbedaan
mean, maka output Homogeneous Subsets digunakan untuk mengetahui sampel / variabel mana
yang mempunyai perbedaan yang tidak terlalu signifikan.
Caranya adalah dengan memperhatikan kolom Subset. Pada tabel diatas, kolom subset 1 terdapat
2 nilai dari variabel obat A dan B. Hal ini berarti mean tekanan darah peminum obat A dan obat
B tidak memiliki perbedaan yang signifikan.
Regresi Berganda
Yang membedakan antara regresi sederhana dan regresi berganda adalah jumlah variabel bebas.
Pada regresi sederhan jumlah variabel bebas hanya satu. Pada regresi berganda umlah variabel
bebas lebih dari satu.
Pada umumnya jumlah variabel bebas yang digunakan pada regresi berganda berjumlah 2.
Sebgai contoh, kita kan menggunaka data pada regresi sederhana, dengan menambakan satu
variabel bebas yaitu variabel diskon(%).
Berikut datanya :
Langkah – langkah untuk melakukan analisa regresi berganda adalah sebagai berikut :
1. Masukkan data di atas pada SPPS, Klik menu Anlayze > Regression > Linear
2. Masukkan variabel penjualan , pada kotak Dependent. Masukkan biaya promosi dan diskon
pada kotak Variable(s). Karena kita membagi berdasar daerah, masukkan variabel daerah pada
kotak Case Labels. Lau klik menu Statistics.
3. Aktifkan pilihan menu Deskriptives. Lalu klik Continue.
4. Klik menu Plots untuk menggambarkan grafik pada jendela keluaran. Aktifkan pilihan
Produce all partial plots. Klik Continue
5. Klik OK untuk melakukan analisa regresi berganda.
Maka pada jendela outpt akan muncul hasil analsia, berikut penjelasannya :
Output 1
Output 2
Output 3
Output ke tiga menunjukkan variabel bebas yang dimasukkan. Dapat dilihat variabel bebas ada
dua yaitu variabel diskon dan biaya promosi.
Output 4
Output ke 4 ini menunjukkan nilai determinasi yang telah dijelaskan pada pembahasan regresi
sederhana sebelumnya. Tampak nilai determenasi 0.851, yang berarti penjualan 85,1 %
dipengaruhi biaya promosi dan diskon.
Output 5
Output 6
Output ke 6 ini digunakan untuk membuat persamaan regresi berganda. Koefisien regresi
menggunakan nilai yang terdapat pada kolom B.
Dari nilai – nilai tersebut, persamaan regresi berganda yang dibentuk adalah :
Y = 135.823 + 86.452X1 + 0.565X2
dengan :
Y = banyaknya penjualan(unit)
X1 = biaya promosi
X2 = diskon
Output 7
Output ke – 7 menunjukkan ringkasan dari nilai prediksi. Kolom – kolom menunjukkan nilai
yang di ukur. Mean menunjukkan pengukuran rata – rata, dan seterusnya.
Output 8
Output ke 8 ini menunjukkan hubungan antara penjualan dan biaya promosi. Tampak bahwa titik
– titik membentuk garis diagonal ke kanan. Hal ini berarti biaya promosi memberi pengaruh
yang besar terhadap penjualan.
Output 9
Output ke 8 ini menunjukkan hubungan antara penjualan dan diskon. Tampak bahwa titik – titik
tersebar, tidak membentuk garis. Hal ini berarti diskon hanya memberi pengaruh yang sedikit
terhadap penjualan.
Regresi Sederhana
Contoh :
Berkut adalah data biaya_promosi dan penjualan yang dicatat perusahaan untuk masing – masing
daerah.
independent adalah variabel penjualan. Berikut adalah langkah – langkah melakukan analisa
regresi sederhana :
3. Klik menu Statistics . Aktifkan pilihan Descriptives. Pada bagian Residual, aktifkan pilihan
Casewise Diagnostics dan All cases. Klik Continue.
4. Lalu klik menu Plots . Dengan menu ini, kita akan membuat grafik pada keluaran.
Masukkan *SDRESID pada kotak Y. Masukkan kotak *ZPRED pada kotak X. Klik Next.
5. Masukkan *ZPRED pada kotak Y. Masukkan kotak *DEPENDENT pada kotak X.
Output 1
Output pertama memberi informasi mengenai jumalah data yang diproses untuk masing – masing
variabel. Juga disertakan nilai mean dan standar deviation untuk tiap variabel
Output 2
Output ke 2 ini memberi nilai korelasi antar variabel. Terlihat bahwa korelasi antara penjualan
dan biaya_promosi adalah 0.915, nilai ini menunjukkan adanya korelasi cukup berpengaruh
antara variabel penjualan dan biaya promosi.
Output 3
Output 4
Pada output ke 4 ini , nilai yang perlu diperhatikan adalah pada kolom R Square = 0.817
Nilai tersebut dinamakan nilai determinasi, yaitu nilai persentase kontribusi variabel bebas
terhadap variabel dependent.
Dalam hal ini nilai determenasi = 0.817= 81.7 % , berarti variabel penjualan 81.7% disebabkan
oleh variabel biaya_promosi. Sisanya disebabkan olah hal – hal lain.
Output 5
Pada output ke 5 ini menunjukkan nilai hasil analisis menggunakan uji ANOVA.
Output 6
Pada output ke 6 merupakan inti analisa regresi, karena pada output ini kita bisa membuat
persamaan regresi. Nilai yang penting adalah pada kolom B. Nilai – nilai tersebut digunakan
untuk menyusun persamaan regresi. Dari nilai tersebut , akan didapatkan persamaan regresi
sebagai berikut :
Y = 142.783 + 84.348X
dengan
Y = penjualan (unit)
X = biaya promosi
Dengan menggunakan persamaan ini kita bisa membuat peramalan dengan menentukan nilai
variabel bebasnya. Misalkan kita ingin mengetahui penjualan yang terjadi apabila
biaya_produksi = 2 juta. Kita tinggal memasukkan nilai X dengan 2, pada persamaan regresi
tersebut
Y = 142.783 + 84.348X = 142.783 + (84.348*2) = 311.47900
Jadi dengan biaya promosi sebesar 2 juta maka jumlah barang yang terjual diperkirakan
sebanyak 311 unit
Output 7
Kolom Predicted value menunujukkan nilai yang diprediksi. Kolom penjualan menunjukkan
nilai yang sesungguhnya.
Kolom residual menunjukkan selish antara nilai prediksi dan nilai sesungguhnya.
Semakin kecil selisihnya amak predikis semakin bagus.
Output 8
Output 8 ini menunjukkan ringkasan dari nilai prediksi. Kolom – kolom menunjukkan nilai yang
di ukur. Mean menunjukkan pengukuran rata – rata, dan seterusnya.
Output 9
Output 9 ini merupakan output berupa grafik untuk menunjukkan data – data yang digunakan
berasal dari distribusi normal atau tidak. Apabila titik – titik berada disekitar garis maka data
berasal dari distribui normal.
Output 10
Output ke 10 menunjukkan grafik sebagai pedoman apakah prediksi layak untuk digunakan.
Cara mengetahuinya adalah dengan melihat sebaran titik, apakah membentuk pola tertentu atau
tidak.
Dari grafik di atas tampak membentuk pola diagonal ke kiri. Hanya 2 titik yang menjauh. Jadi
prediksi layak untuk dipakai.
Output 11
Output ke 11 juga menunjukkan grafik sebagai pedoman apakah prediksi layak untuk digunakan.
Cara mengetahuinya adalah dengan melihat pola titik.
Prediksi layak digunakan apabila titik membentuk garis diagonal ke kanan. Dari grafik di atas
tampak titik –titik membentuk garis ke kanan atas.
Regresi
Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab -akibat
antara satu variabel dengan variabel yang lain.Karena jenis hubungan berupa sebab – akibat
maka analisa regresi dapat digunakan untuk melakukan peramalan.
Dalam hal ini digunakan dua macam variabel yaitu variabel bebas (independen) dan variabel tak
bebas (dependen). Variabel bebas digunakan untuk melakukan peramalan variabel tak bebas.
Kali ini kita akan membahas regresi linier yang sering digunkan, yaitu regresi sederhana dan
regresi berganda.
Korelasi Parsial
Korelasi parsial adalah uji korelasi untuk mengetahui apakah suatu variabel berpengaruh
terhadap korelasi antar variabel yang lainnya. Hal ini dilakukan dengan pertama – tama
mendapatkan nilai korelasi dengan mengikut sertakan variabel kontrol, kemudian mengeluarkan
variabel kontrol untuk mengetahui perbedaan nilai korelasi.
Contoh : Untuk mengetahui apakah uang saku mempengaruhi korelasi jam belajar dan nilai IP
mahasiwa maka dilakukan pendataan terhadap 10 sampel mahasiswa sebagai berikut :
IP jam_belajar uang_saku
3.5 3.00 800.00
2.77 1.00 550.00
3.2 3.50 800.00
2.8 3.00 600.00
3.6 3.00 800.00
2.75 2.00 600.00
2.9 1.00 750.00
3.4 3.00 1000.00
3.0 2.00 550.00
2.00 1.00 500.00
Untuk melakukan analisa korelasi parsial , langkah – langkahnya adalah sebagai berikut :
1. Masukkan data tersebut apada SPSS. Lalu , klik menu Analyze > Correlate > Partial
2. Pada kotak dialog, masukkan variabel jam_belajar dan IP pada kotak Variables. Masukkan
variabel uang_saku pada kotak Controlling for. Lalu klik Option
Pada bagian kedua, variabel uang saku tidak diikut sertakan. Tampak bahwa koefsien korelasi
antara jam belajar dan IP menjadi 0.475 (turun dari nilai sebelumnya). Dan nilai signifikansi
menjadi 0.197, yang berarti jam belajar dan IP menjadi tidak ada korelasi (0.197 > 0.05).
Hal ini berarti uang saku cukup penting untuk mendorong mahasiswa belajar dan mendapatkan
nilai IP yang tinggi.
Korelasi Pearson
Korelasi Pearson merupakan salah satu jenis korelasi yang cukup terkenal. Korelasi Pearson
akan memberikan nilai korelasi antar 2 variabel yang diuji.
Contoh : Untuk mengetahui hubungan antara berat ibu dan berat bayi yang dilahirkan, dilakukan
pendataan berat(kg) sebagai berikut : :
3. Pada kotak dialog yang muncul, masukkan variabel berat_ibu dan berat_bayi ke kotak
Variables. Pada bagaian Correlations Coefficients pastikan pilihan Pearson aktif.
4. Klik OK untuk proses selanjutnya.
Nilai yang tertera pada bariis Pearson Correlation menunjukkan nilai koefisien korelasi.
Nilai korelasi terentang antara – 1 sampai +1. Tanda postitif / negatif menunjukkan arah
hubungan.
Tanda postif menunjukan arah huungan yang searah ( nilai suatu variabel akan meningkat,
apabila variabel pasangannya meningkat, demikian pula sebaliknya).
Tanda negatif menunjukan arah hubungan yang berkebalikan ( nilai suatu variabel akan
meningkat, apabila variabel pasangannya menurun, demikian pula sebaliknya).
Angka korelasi 1 menunjukkan adanya korelasi sempurna dan angka 0 menunjukkan tidak
adanya korelasi. Tidak ada keentuan yang pasti untuk menentukan seberapa kuat korelasi antar
variabel. Yang jelas semakin tinggi nilai koefisien koerlasi maka korelasi antar 2 variabel juga
semakin tinggi.
Pada contoh di atas nilai koefisien korelasi antara berat_ibu dan berat_bayi adalah 0.888.
Dapat dikatakan korelasi antara kedau variabel tersebut cukup tinggi.
Ada tidaknya korelasi juga dapat dilihat dari nilai probabilitas yang tercantum pada baris Sig.
Apabila porbabilitas > 0.05 maka tidak ada korelasi. Apabila probabilitas < 0.05 ma antar
variabel terdapat korelasi.
Pada contoh di atas nilai probabilitas yang dihasilkan adalah 0.001. Maka antar kedua variabel
terdapat korelasi (0.001 < 0.05)
Uji Ketergantungan
Secara harafiah, crosstab adalah penyajian data yang antara variabelnya disusun pada baris dan
kolom. Kegunaan crosstab akan kita pelajari pada uji keterganttungan berikut.
Uji ketergantungan adalah uji untuk mengetahui apaka antar variabel ada hubungan saling
ketergantungan / saling mempengaruhi . Uji ketergantngan ini ditujukan untuk data nominal /
kategorial. Berikut adalah data mengenai jenis pekerjaan, jrnis kelamin dan pendidikan dari 15
orang
Sebagai contoh pertama, kita akan menguji apakah ada hubungan antara jenis kelamin dan
pekerjaan. Lakukan langkah-langkah berikut :
1. Masukkan data tersebut pada SPSS. Pastikan melakukan pengkodean untuk data kategori.
2. Klik menu Analyze > Descriptive Statistics > Crosstab
3. Karena kita menguji antara jenis kelamin dan pekerjaan, masukkan variabel jenis kelamin
pada kotak Row(s) dan variabel pekerjaan pada kotak Column(s)
Output 2 :
Output ke 2 inilah yang disebut dengan Crosstab atau tabel silang. Perhatikan bahwa variabel
pekerjaan disusun pada kolom dan variabel jens kelain disusun pada baris.
Angka menunjukkan banyaknya orang yang bersesuaian antar variabel. Contoh : terdapat 1
orang wanita yang bekerja sebagai pns, 4 orang pria bekerja sebagai pns dan seterusnya.
Output ke 3
Output ke 3 ini merupakan hasil dari uji ketergantungan. Kita dapat menentukan apakah ada
hubungan antara pekerjaan dan jenis kelamin. Nilai yang kita gunakan adalah nilai Pearson Chi-
square pada kolom Asymp. Sig (2-sided) yang disebut dengan nilai probabilitas (signifikansi).
Apabila probabilitas Chi-Square > 0.05 maka antar variabel tidak ada hubungan.
Dari tabel diatas terlihat bahwa probabilitas Chi-Square 0.086 > 0.05. Jadi tidak ada hubungan
antara jenis kelamin dan pekeraan yang dipilih.
Untuk contoh yang ke – 2, kita akan menguji apaa ada ungan antara pendidikan dan pekerjaan
yang dipilih. Berikut langkah-langkanya:
Output pertama ini merupak informasi mengenai jumlah data yang diproses.
Output 2
Output ke-2 ini merupakan tabel silang yang menunjukkan jumlah masing orang
Output 3