TUGAS KELOMPOK STATISTIK

Oleh :
RIANA SARI (160522102)
MUTIA ULFA (160522096)
LELI WARDHANI (160522106)
DINI ANGGRAINI (160522107)
SELLA RAMADANI (160522109)

DEPARTEMEN AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS SUMATERA UTARA

MEDAN

2016
 PENDAHULUAN

1. STATISTIK PENELITIAN
Statistik adalah kumpulan data dalam bentuk angka maupun bukan angka yang disusun
dalam bentuk tabel (daftar) dan atau diagram yang menggambarkan atau berkaitan dengan
suatu masalah tertentu.
Contoh :
Statistik penduduk adalah kumpulan angka-angka yang berkaitan dengan masalah penduduk.
Statistik ekonomi adalah kumpulan angka-angka yang berkaitan dengan masalah ekonomi.
Statistika adalah pengetahuan yang berkaitan dengan metode, teknik atau cara
mengumpulkan, mengolah, menganalisis dan menginterprestasikan data untuk disajikan
secara lengkap dalam bentuk yang mudah dipahami penggunan
Berdasarkan latar belakang diatas penulis/ penyusun ingin mengetahui lebih jauh
tentang statistik termaksud juga tentang jenis-jenis berdasarkan metode yang dipakai di
dalam system statistic ini.
Statistik adalah kumpulan angka yang sering disusun, diatur, atau disajikan ke dalam
bentuk daftar/tabel, sering pula daftar atau tabel tersebut disertai dengan gambar-gambar
yang biasa disebut diagram atau grafik. Data yang diperoleh itu dapat berupa bilangan yang
melukiskan suatu persoalan.

Nilai Frekuensi
5 3
7 6
10 8
Banyak Pengunjung

ips
matemtika
ipa
bahasa

Hari
 Statistika adalah pengetahuan yang berhubungan dengan cara-cara pengumpulan data,
pengolahan atau penganalisaannya dan penarikan kesimpulan atau interprestasi terhadap
hasil analisis kumpulan data tersebut. Statistika dikelompokkan dalam dua kelompok
yaitu statistika deskriptif dan statistika inferensia. Statistika deskriptif adalah metode
yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga
memberikan informasi yang berguna.

Statistika deskriptif ini menggambarkan dan menganalisa data dalam suatu kelompok
tanpa membuat/ menarik kesimpulan tentang populasi atau kelompok yang lebih besar.
Sedangkan pengertian statistika inferensia adalah metode yang berhubungan dengan
analisis sebagian data untuk kemudian sampai pada peramalan atau penarikan kesimpulan
tentang seluruh gugus data induknya. Dalam statitistik inferensial berkaitan dengan kondisi-
kondisi dimana data dari sampel dianalisis tersebut ditarik kesimpulan untuk populasi dari
mana sampel tersebut diambil.

b. Data Dalam Statistik

Data adalah ukuran dari variabel. Data diperoleh dengan mengukur nilai satu atau lebih
variabel dalam sampel (atau populasi). Data dapat diklasifikasikan menurut jenis, menurut
dimensi waktu, dan menurut sumbernya.
Menurut jenisnya, data terdiri dari data kuantitatif dan data kualitatif.
 Data kuantitatif adalah data yang diukur dalam suatu skala numerik (angka). Data
kuantitatif dapat dibedakan menjadi:
1) Data interval, yaitu data yang diukur dengan jarak di antara dua titik pada skala
yang sudah diketahui. Sebagai contoh: IPK mahasiswa (interval 0 hingga 4); usia
produktif (interval 15 hingga 55 tahun); suhu udara dalam Celcius (interval 0 hingga
100 derajat).
2) Data rasio, yaitu data yang diukur dengan suatu proporsi. Sebagai contoh:
persentase jumlah pengangguran di Propinsi Sumatera Utara; tingkat inflasi
Indonesia pada tahun 2000; persentase penduduk miskin di Sumatera Utara;
pertumbuhan ekonomi Sumatera Utara.
 Data kualitatif, adalah data yang tidak dapat diukur dalam skala numerik. Namun
karena dalam statistik semua data harus dalam bentuk angka, maka data kualitatif
umumnya dikuantifikasi agar dapat diproses. Kuantifikasi dapat dilakukan dengan
mengklasifikasikan data dalam bentuk kategori. Data kualitatif dapat dibedakan
menjadi:
1) Data nominal, yaitu data yang dinyatakan dalam bentuk kategori. Sebagai contoh,
industri di Indonesia oleh Biro Pusat Statistik digolongkan menjadi:
 a) Industri rumah tangga, dengan jumlah tenaga kerjanya 1-4 orang, yang diberi
kategori 1.
b) Industri kecil, dengan jumlah tenaga 5-19 orang, yang diberi kategori 2.
c) Industri menengah, dengan jumlah tenaga kerja 20-100 orang, yang diberi
kategori 3.
d) Industri besar, dengan jumlah tenaga kerja lebih dari 100 orang, yang diberi
kategori 4.
Angka yang menyatakan kategori ini menunjukkan bahwa posisi data sama derajatnya.
Dalam contoh di atas, angka 4 tidak berarti industri besar nilainya lebih tinggi dibanding
industri kecil yang angkanya 1. Angka ini sekedar menunjukkan kode kategori yang berbeda.
Data ordinal, yaitu data yang dinyatakan dalam bentuk kategori, namun posisi data
tidak sama derajatnya karena dinyatakan dalam skala peringkat. Sebagai contoh, dalam skala
likert.
Berdasarkan cara perolehannya data kuantitatif dibedakan menjadi data diskrit dan
data kontinu. Data-data yang diperoleh dari hasil menghitung atau membilang termasuk
dalam data diskrit, sedangkan data-data yang diperoleh dari hasil mengukur termasuk
dalam data kontinu.
Menurut sumbernya kita mengenal data intern dan data ekstern. Data intern
adalah data yang diperoleh dari perusahaan atau instansi yang bersangkutan. Sedangkan
data ekstern diperoleh dari luar instansi atau perusahaan tersebut. Data ekstern dibedakan
menjadi data primer dan data sekunder. Data primer adalah data yang dikeluarkan oleh
badan sejenis. Sedangkan data lainnya termasuk data sekunder. Semua data-data yang beru
dikumpulkan dan belum pernah diolah disebut sebagai data mentah.

c. Populasi dan Sampel

Populasi adalah keseluruhan pengamatan yang menjadi perhatian kita baik yang
berhingga maupun tak berhingga jumlahnya. Seringkali tidak praktis mengambil data dari
keseluruhan populasi untuk menarik suatu kesimpulan. Untuk itu dilakukan pengambilan
sampel yaitu sebagian atau himpinan bagian dari populasi. Sampel yang diambil haris
dapat merepresentasikan populasi yang ada.
Prosedur pengambialan sampel yang menghasilkan kesimpulan yang konsisten
terlalu tinggi atau terlalu rendah mengenai suatu ciri populasi dikatakan berbias. Untuk
menghindari kemungkinan bias ini perlu dilakukan pengambian contoh acak atau contoh
acak sederhana. Contoh acak sederhana didefinisikan sebagai contoh yang dipilih
sedemikian rupa sehingga setiap himpunan bagian yang berukuran n dari populasi
mempunyai peluang terpilih yang sama.

d. Penyajian Data
Suatu data yang telah diperoleh dan telah diolah, maka dilakukan interpretasi dan
penyajian data tersebut. Secara garis besar ada dua macam cara penyajian data dalam
statistika yaitu:
1. Tabel atau daftar yang dapat berbentuk:
 Daftar baris kolom
 Daftar kontingensi
 Daftar distribusi frekuensi
2. Grafik atau diagram yang terbagi menjadi:
 Diagram batang atau balok
 Diagram garis atau grafik
 Diagram lingkaran, dll

e. Pengolahan Data
Setelah data kuantitatif diperoleh, maka dilakukan pengolahan data dan pengujian
beberapa hipotesis. Pengolahan data yang dilakukan adalah mencari ukuran pemusatan data,
dalam hal ini adalah mean dan mencari ukuran penyebaran data dalam hal ini variance dan
simpangan baku. Setelah itu, baru dilakukan pengujian normalitas, homogenitas dan uji
hipotesis. Ketika data terdistribusi normal maka dapat dilakukan pengujian parametik dan
sebaliknya ketika data tidak terdistribusi normal maka dapat dilakukan pengujian
nonparametik.
f. Cara Mengumpulkan Data
Untuk memperoleh data yang benar dan dapat dipertanggung jawabkan keabsahannya,
data harus dikumpulkan dengan cara dan proses yang benar. Terdapat beberapa cara atau
teknik untuk mengumpulkan data yaitu :
1) Wawancara (interview)
Yaitu cara untuk mengumpulkan data dengan mengadakan tatap muka secara
langsung. Wawancara harus dilakukan dengan memakai suatu pedoman wawancara yang
berisi daftar pertanyaan sesuai tujuan yang ingin dicapai.
Ada dua jenis wawancara yaitu wawancara berstruktur (structured interview) dan
wawancara takberstruktur (unstructured interview). Wawancara berstruktur adalah
wawancara yang jenis dan urutan dari sejumlah pertanyaannya sudah disusun
sebelumnya, sedangkan wawancara takberstruktur adalah wawancara yang tidak secara
ketat ditentukan sebelumnya. Wawancara takberstruktur lebih fleksibel karena
pertanyaannya dapat dikembangkan meskipun harus tetap pada pencapaian sasaran yang
telah ditentukan.
Ciri-ciri pertanyaan yang baik adalah :
a. Sesuai dengan masalah atau tujuan penelitian.
b. Jelas dan tidak meragukan.
c. Tidak menggiring pada jawaban tertentu.
d. Sesuai dengan pengetahuan dan pengalaman orang yang diwawancarai.
e. Pertanyaan tidak boleh yang bersifat pribadi.
Kelebihan dari wawancara adalah data yang diperlukan langsung diperoleh sehingga
lebih akurat dan dapat dipertanggung jawabkan. Kekurangannya adalah tidak dapat
dilakukan dalam skala besar dan sulit memperoleh keterangan yang sifatnya pribadi.

2) Kuesioner (angket)
Adalah cara mengumpulkan data dengan mengirim atau menggunakan kuesioner
yang berisi sejumlah pertanyaan.
Kelebihannya adalah dapat dilakukan dalam skala besar, biayanya lebih murah dan
dapat memperoleh jawaban yang sifatnya pribadi. Kelemahannya adalah jawaban bisa
tidak akurat, bisa jadi tidak semua pertanyaan terjawab bahkan tidak semua lembar
jawaban dikembalikan.
3) Observasi (pengamatan)
Adalah cara mengumpulkan data dengan mengamati obyek penelitian atau kejadian baik
berupa manusia, benda mati maupun gejala alam. Data yang diperoleh adalah untuk
mengetahui sikap dan perilaku manusia, benda mati atau gejala alam.
Kebaikan dari observasi adalah data yang dieroleh lebih dapat dipercaya.Kelemahannya
adalah bisa terjadi kesalahan interpretasi terhadap kejadian yang diamati.

4) Tes dan Skala Obyektif

Adalah cara mengumpulkan data dengan memberikan tes kepada obyek yang diteliti.
Cara ini banyak dilakukan pada tes psikologi untuk mengukur karakteristik kepribadian
seseorang. Beberapa contoh tes skala obyektif yaitu :
a. Tes kecerdasan dan bakat.
b. Tes kepribadian.
c. Tes sikap.
d. Tes tentang nilai.
e. Tes prestasi belajar, dsb.

5) Metode proyektif
Adalah cara mengumpulkan data dengan mengamati atau menganalisis suatu obyek
melalui ekspresi luar dari obyek tersebut dalam bentuk karya lukisan atau tulisan. Metode ini
dipakai dalam psikologi untuk mengetahui sikap, emosi dan kepribadian seseorang.
Kelemahan dari metode ini adalah obyek yang sama dapat disimpulkan berbeda oleh
pengamat yang berbeda.
 PENGGUNAAN UJI SQUARE

Chi-Square disebut juga dengan Kai Kuadrat. Chi Square adalah salah satu jenis uji
komparatif non parametris yang dilakukan pada dua variabel, di mana skala data kedua
variabel adalah nominal. (Apabila dari 2 variabel, ada 1 variabel dengan skala nominal maka
dilakukan uji chi square dengan merujuk bahwa harus digunakan uji pada derajat yang
terendah).

Uji chi-square merupakan uji non parametris yang paling banyak digunakan. Namun
perlu diketahui syarat-syarat uji ini adalah: frekuensi responden atau sampel yang digunakan
besar, sebab ada beberapa syarat di mana chi square dapat digunakan yaitu:

1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual Count (F0)
sebesar 0 (Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang
memiliki frekuensi harapan atau disebut juga expected count (“Fh”) kurang dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell dengan frekuensi
harapan yang kurang dari 5 tidak boleh lebih dari 20%.

Rumus chi-square sebenarnya tidak hanya ada satu. Apabila tabel kontingensi bentuk
2x2, maka rumus yang digunakan adalah “koreksi yates”.

Apabila tabel kontingensi 2 x 2 seperti di atas, tetapi tidak memenuhi syarat seperti di
atas, yaitu ada cell dengan frekuensi harapan kurang dari 5, maka rumus harus diganti dengan
rumus “Fisher Exact Test”.

Pada artikel ini, akan fokus pada rumus untuk tabel kontingensi lebih dari 2 x 2, yaitu
rumus yang digunakan adalah “Pearson Chi-Square”.

Rumus Tersebut adalah:

Uji kai kuadrat (dilambangkan dengan “χ2” dari huruf Yunani “Chi” dilafalkan “Kai”)
digunakan untuk menguji dua kelompok data baik variabel independen maupun dependennya
berbentuk kategorik atau dapat juga dikatakan sebagai uji proporsi untuk dua peristiwa atau
lebih, sehingga datanya bersifat diskrit. Misalnya ingin mengetahui hubungan antara status
gizi ibu (baik atau kurang) dengan kejadian BBLR (ya atau tidak).

Dasar uji kai kuadrat itu sendiri adalah membandingkan perbedaan frekuensi hasil
observasi (O) dengan frekuensi yang diharapkan (E). Perbedaan tersebut meyakinkan jika
harga dari Kai Kuadrat sama atau lebih besar dari suatu harga yang ditetapkan pada taraf
signifikan tertentu (dari tabel χ2).

Uji Kai Kuadrat dapat digunakan untuk menguji :

1. Uji χ2 untuk ada tidaknya hubungan antara dua variabel (Independency test).
2. Uji χ2 untuk homogenitas antar- sub kelompok (Homogenity test).
3. Uji χ2 untuk Bentuk Distribusi (Goodness of Fit)
Keterangan :

O = frekuensi hasil observasi

E = frekuensi yang diharapkan.

Nilai E = (Jumlah sebaris x Jumlah Sekolom) / Jumlah data

df = (b-1) (k-1)

Dalam melakukan uji kai kuadrat, harus memenuhi syarat:

1. Sampel dipilih secara acak

2. Semua pengamatan dilakukan dengan independen
3. Setiap sel paling sedikit berisi frekuensi harapan sebesar 1 (satu). Sel-sel dengdan
frekuensi harapan kurang dari 5 tidak melebihi 20% dari total sel
4. Besar sampel sebaiknya > 40 (Cochran, 1954)

Keterbatasan penggunaan uji Kai Kuadrat adalah tehnik uji kai kuadarat memakai data yang
diskrit dengan pendekatan distribusi kontinu.Dekatnya pendekatan yang dihasilkan
tergantung pada ukuran pada berbagai sel dari tabel kontingensi. Untuk menjamin pendekatan
yang memadai digunakan aturan dasar “frekuensi harapan tidak boleh terlalu kecil” secara
umum dengan ketentuan:

1. Tidak boleh ada sel yang mempunyai nilai harapan lebih kecil dari 1 (satu)
2. Tidak lebih dari 20% sel mempunyai nilai harapan lebih kecil dari 5 (lima)

Bila hal ini ditemukan dalam suatu tabel kontingensi, cara untuk menanggulanginyanya
adalah dengan menggabungkan nilai dari sel yang kecil ke se lainnya (mengcollaps), artinya
kategori dari variabel dikurangi sehingga kategori yang nilai harapannya kecil dapat
digabung ke kategori lain. Khusus untuk tabel 2×2 hal ini tidak dapat dilakukan, maka
solusinya adalah melakukan uji.

Analisis Chi Square

Contoh kasus

Perusahaan penyalur alat elektronik AC ingin mengetahui apakah ada hubungan antara
gender dengan sikap mereka terhadap kualitas produk AC. Untuk itu mereka meminta 25
responden mengisi identitas mereka dan sikap atau persepsi mereka terhadap produknya.

Permasalahan : Apakah ada hubungan antara gender dengan sikap terhadap kualitas AC?

Hipotesis :

 H0 = Tidak ada hubungan antara gender dengan sikap terhadap kualitas AC

 H1 = Ada hubungan antara gender dengan sikap terhadap kualitas AC

Tolak hipotesis nol (H0) apabila nilai signifikansi chi-square < 0.05 atau nilai chi-square
hitung lebih besar (>) dari nilai chi-square tabel.
1. Menguji Independensi antara 2 faktor (independensi)

Independensi (keterkaitan) antara 2 faktor dapat diuji dengan uji chi square. Masalah
independensi ini banyak mendapat perhatian hampir di semua bidang, baik eksakta maupun
sosial ekonomi. Kita ambil contoh di bidang ekonomi dan pendidikan. Kita bisa menduga
bahwa keadaan ekonomi seseorang tidak ada kaitannya dengan tingkat pendidikannya, atau
justru sebaliknya bahwa keadaan ekonomi seseorang terkait erat dengan tingkat
pendidikannya. Untuk menjawab dugaan-dugaan ini, kita bisa menggunakan uji chi square.
Langkah-langkahnya sebagai berikut.

1.1 Buatlah hipotesis

H0: tidak ada kaitan antara keadaan ekonomi seseorang dengan pendidikannya
HA: ada kaitan antara keadaan ekonomi seseorang dengan pendidikannya

1.2 Lakukan penelitian dan kumpulkan data

Hasil penelitian adalah sebagai berikut (tentatif).

Di bawah
Di atas garis
Kategori garis Total
kemiskinan
kemiskinan
Tidak tamat SD 8 4 12
SD 20 17 37
SMP 15 16 31
SMA 3 23 26
Perguruan
2 22 24
Tinggi
Total 48 82 130

1.3 Lakukan analisis

Di bawah garis Di atas garis

Kategori Total
kemiskinan kemiskinan
Tidak tamat SD
8 4
O 12
4,43 7,57
E
SD
20 17
O 37
13,66 23,34
E
SMP
15 16
31
O
11,45 19,55
E
SMA
3 23
O 26
9,60 16,40
E
Perguruan
Tinggi
2 22
24
O
8,86 15,14
E
Total 48 82 130

Nilai O (Observasi) adalah nilai pengamatan di lapangan

Nilai E (expected) adalah nilai yang diharapkan, dihitung sbb:
1. Nilai E untuk kategori tidak tamat SD di bawah garis kemiskinan= (12 x 48)/130 = 4,43
2. Nilai E untuk kategori tidak tamat SD di atas garis kemiskinan = (12 x 82)/130 = 7,57
3. Nilai E untuk kategori SD di bawah garis kemiskinan = (37 x 48)/130 = 13,66
4. Nilai E untuk kategori SD di atas garis kemiskinan = (37 x 82)/130 = 23,34
5. Nilai E untuk kategori SMP di bawah garis kemiskinan = (31 x 48)/130 = 11,45
6. Nilai E untuk kategori SMP di atas garis kemiskinan = (31 x 82)/130 = 19,55
7. Nilai E untuk kategori SMA di bawah garis kemiskinan = (26 x 48)/130 = 9,60
8. Nilai E untuk kategori SMA di atas garis kemiskinan = (26 x 82)/130 = 16,40
9. Nilai E untuk kategori Perguruan Tinggi di bawah garis kemiskinan = (24 x 48)/130 = 8,86
10. Nilai E untuk kategori Perguruan Tinggi di atas garis kemiskinan = (24 x 82)/130 = 15,14

Hitung nilai Chi square (x^2)

1.4 Kriteria Pengambilan Kesimpulan

Kesimpulan
Hasil analisis menunjukkan bahwa nilai x^2 hitung = 26,586, yaitu lebih besar
darinilai x^2 tabel yaitu 9,488, sehingga kita harus menerima HA. Dengan
demikian, kita simpulkan bahwa ada kaitan yang signifikan antara keadaan
ekonomi seseorang dengan tingkat pendidikannya (lihat lagi hipotesis di atas,
khususnya bunyi hipotesis HA).
Catatan: kata signifikan berasal dari α = 0,05.

2. Menguji Proporsi

Contoh kasus (1):

Menurut teori genetika (Hukum Mendel I) persilangan antara kacang kapri berbunga
merah dengan yang berbunga putih akan menghasilkan tanaman dengan proporsi sebagai
berikut: 25% berbunga merah, 50% berbunga merah jambu, dan 25% berbunga
putih. Kemudian, dari suatu penelitian dengan kondisi yang sama, seorang peneliti
memperoleh hasil sebagai berikut, 30 batang berbunga merah, 78 batang berbunga merah
jambu, dan 40 batang berbunga putih. Pertanyaannya adalah apakah hasil penelitian si
peneliti tersebut sesuai dengan Hukum Mendel atau tidak?

Untuk menjawab pertanyaan tersebut, kita bisa menggunakan uji chi-square, sebagai berikut:

1.1 Buatlah hipotesis

H0: rasio penelitian adalah 1:2:1 atau 25%:50%:25%
HA: rasio penelitian adalah rasio lainnya.

1.2 Lakukan analisis

Kategori Merah Merah Jambu Putih Jumlah

Pengamatan (O) 30 78 40 148
Diharapkan (E) 37 74 37 148

Proporsi diharapkan (E) dicari berdasarkan rasio 1:2:1, sebagai berikut:

Merah = 1/4 x 148 = 37
Merah Jambu = 2/4 x 148 = 74

Putih = 1/4 x 148 = 37

Df = (kolom -1)(baris -1) = (3-1)(2-1) = 2

1.3 Kriteria Pengambilan Kesimpulan

Terima H0 jika x^2 hitung< x^2 tabel
Tolak H0 jik x^2 hitung≥ x^2 tabel

1.4 Kesimpulan
Dari hasil analisis data, diperoleh x^2 hitung< x^2 tabel, maka H0 diterima.
Artinya, rasio hasil penelitian si peneliti tersebut sesuai dengan rasio menurut
Hukum Mendel (lihat bunyi hipotesis pada H0).
 PENGGUNAAN UJI MAC NEMAR

Tes McNemar untuk Signifikansi Perubahan

o Skala pengukuran data Nominal atau Ordinal

o Diterapkan terutama untuk sampel dengan rancangan “Sebelum-Sesudah”.

Contoh: untuk menguji keefektifan perlakuan tertentu (Pertemuan, pamflet, kunjungan, dsb)
terhadap kecenderungan pemilih atas berbagai calon

Sesudah Sel A (+ → -) dan D ( - → +) menunjukkan perubahan

- +
+ A B A+D = jumlah total yang berubah
Sebelum
_ C D

Koreksi kontinuitas , dengan df=1

Contoh:
Dalam kampanye pemilihan presiden di US, dilakukan debat antara calon presiden Reagan
dengan Carter. Debat ini diharapkan akan merubah pilihan para pemilih terhadap calon
presiden jika salah satu dari kandidat presiden lebih efektif dan persuasif dalam debatnya
dibandingkan yang lain.

Diambil 75 orang sampel acak dan ditanya pilihannya sebelum debat. Setelah debat selesai 75
orang tadi ditanya ulang pilihannya.

Pilihan Pilihan Setelah Debat

Reagen Carter
sebelum Debat
Carter A = 13 B = 28
Reagen C = 27 D=7

Ho : P(Reagan → Carter) = P(Carter →Reagan)

H1 : P(Reagan →Carter) ¹ P(Carter→Reagan)

SIGNIFICANCE LEVEL
a = 5% N = 75
DISTRIBUSI SAMPLING
Gunakan tabel C dengan df = 1
Dari tabel C dengan d.f=1 dan a=5% maka kemungkinan bahwa χ2 3.84 adalah 0.05
χ2 (1.25) hitung lebih kecil dari 3.84, maka Ho tidak ditolak, maka para kandidat mempunyai
efektivitas yang sama dalam merubah pilihan para pemilih.
 PENGGUNAAN UJI CONCHRAN

Uji Q Cochran termasuk pengujian statistik nonparametrik yang digunakan untuk

peristiwa atau perlakuan lebih dari dua. Uji Q Cochran merupakan perluasan dari uji
McNemar. Data yang digunakan berbentuk binary. Perlakuan lebih dari dua yang dimaksud
adalah sebelum, ketika, dan sesudah perlakuan.

Contoh Kasus :
Peneliti sosial politik ingin mengetahui apakah terdapat perubahan preferensi pemilih
terhadap calon bupati A. Survei dilakukan 3 kali secara beruntun, yaitu sebelum kampanye,
ketika kampanye, dan sesudah kampanye. Data yang diperoleh sebagai berikut :

Jawaban responden : 1 = pilih calon Bupati A, 0 = Tidak pilih calon Bupati A.

Hipotesis :
 H0 = Tidak terdapat perubahan preferensi pemilih terhadap calon Bupati A antara
sebelum,
ketika dan sesudah kampanye.
 H1 = Terdapat perubahan preferensi pemilih terhadap calon Bupati A antara
sebelum, ketika dan sesudah kampanye.
Kriteria Uji :
Tolak hipotesis nol (H0) jika nilai signifikansi p-value (<0,05)
Langkah-langkah analisis :
1. Klik Analyze > Nonparametric > K Related Sampel
2. Masukkan variabel sebelum, ketika, dan sesudah ke kolom Test Variable
3. Pilih Q Cochran
4. Klik OK

Hasil Output SPSS :

Tabel Frequencies di atas menunjukan frekuensi responden pada hasil survei terhadap
pemilihan calon Bupati A. Responden yang tidak memilih calon bupati A sebelum kampanye
sebanyak 14 responden sedangkan yang memilih sebanyak 6 respoden. Pada masa/ketika
kampanye dilakukan yang akan memilih calon Bupati A sebanyak 7 responden sedangkan
yang tidak akan memilih sebanyak 13 responden. Sesudah kampanye dilakukan responden
yang tidak memilih calon bupati A sebanyak 7 responden sedangkan yang memilih sebanyak
13 responden. Oleh karena nilai p-value sebesar 0,068 (<0,05), maka terima hipotesis nol
(H0).

Kesimpulannya tidak terdapat perubahan preferensi pemilih terhadap calon bupati A

sebelum, ketika dan sesudah kampanye.
 UJI KALMOGRAV SMIRNOV

Uji Kolmogorov Smirnov merupakan pengujian normalitas yang banyak dipakai,

terutama setelah adanya banyak program statistik yang beredar. Kelebihan dari uji ini adalah
sederhana dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan
pengamat yang lain, yang sering terjadi pada uji normalitas dengan menggunakan grafik.

Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan
distribusi data (yang akan diuji normalitasnya) dengan distribusi normal baku. Distribusi
normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan
diasumsikan normal. Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data
yang diuji normalitasnya dengan data normal baku. Seperti pada uji beda biasa, jika
signifikansi di bawah 0,05 berarti terdapat perbedaan yang signifikan, dan jika signifikansi di
atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan pada uji Kolmogorov
Smirnov adalah bahwa jika signifikansi di bawah 0,05 berarti data yang akan diuji
mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak
normal.

Lebih lanjut, jika signifikansi di atas 0,05 maka berarti tidak terdapat perbedaan yang
signifikan antara data yang akan diuji dengan data normal baku, artinya….ya berarti data
yang kita uji normal, kan tidak berbeda dengan normal baku.

Jika kesimpulan kita memberikan hasil yang tidak normal, maka kita tidak bisa
menentukan transformasi seperti apa yang harus kita gunakan untuk normalisasi. Jadi ya
kalau tidak normal, gunakan plot grafik untuk melihat menceng ke kanan atau ke kiri, atau
menggunakan Skewness dan Kurtosis sehingga dapat ditentukan transformasi seperti apa
yang paling tepat dipergunakan.
 UJI MANN WHITNEY

Mann Whitney U Test adalah uji non parametris yang digunakan untuk mengetahui
perbedaan median 2 kelompok bebas apabila skala data variabel terikatnya adalah ordinal
atau interval/ratio tetapi tidak berdistribusi normal.
Berdasarkan definisi di atas, uji Mann Whitney U Test mewajibkan data berskala
ordinal, interval atau rasio. Apabila data interval atau rasio, maka distribusinya tidak normal.
Sumber data adalah 2 kelompok yang berbeda, misal kelas A dan kelas B di mana individu
atau objek yang diteliti adalah objek yang berbeda satu sama lain.
Mann Whitney U Test disebut juga dengan Wilcoxon Rank Sum Test. Merupakan
pilihan uji non parametris apabila uji Independent T Test tidak dapat dilakukan oleh karena
asumsi normalitas tidak terpenuhi. Tetapi meskipun bentuk non parametris dari uji
independent t test, uji Mann Whitney U Test tidak menguji perbedaan Mean (rerata) dua
kelompok seperti layaknya uji Independen T Test, melainkan untuk menguji perbedaan
Median (nilai tengah) dua kelompok.
Tetapi beberapa ahli tetap menyatakan bahwasanya uji Mann Whitney U Test tidak
hanya menguji perbedaan Median, melainkan juga menguji Mean. Mengapa seperti itu?
karena dalam berbagai kasus, Median kedua kelompok bisa saja sama, tetapi nilai P Value
hasilnya kecil yaitu < 0,05 yang berarti ada perbedaan. Penyebabnya adalah karena Mean
kedua kelompok tersebut berbeda secara nyata. Maka dapat disimpulkan bahwa uji ini bukan
hanya menguji perbedaan Median, melainkan juga perbedaan Mean.

Berdasarkan pemahaman pendapat-pendapat di atas, maka kesimpulannya adalah:

Seseorang akan melakukan uji Mann Whitney U Test apabila menemui kasus: Diketahui
dengan jelas bahwa terdapat perbedaan median, bentuk dan sebaran data sama, tetapi tidak
diketahui secara pasti apakah perbedaan median tersebut bermakna atau tidak. Untuk lebih
jelasnya silahkan lihat gambar di bawah ini:

Histogram Mann Whitney U Test

Perhatikan dua histogram di atas, di mana bentuk lebar dan ketinggian keduanya sama,
yang berarti bentuk dan sebaran data kedua kelompok sama, tetapi median keduanya berbeda.
Lihat bahwa histogram yang di atas lebih ke kanan dari pada yang di bawah, yaitu dengan
median 18 sedangkan yang di bawah dengan median 15. Maksud dari peneliti melakukan uji
Mann Whitney U Test adalah menguji apakah perbedaan median tersebut bermakna atau
tidak. Bagaimana jika bentuk dan sebaran dari histogram tidak sama? apakah masih bisa
dilakukan uji ini? Jawabannya adalah "Ya", tetapi peneliti tidak lagi menguji perbedaan
Median dan Mean, melainkan menguji perbedaan Mean saja.
 Maka dapat diartikan bahwa uji Mann Whitney U Test (MWU) sangat sensitif terhadap
perubahan Median. Sebagai pilihan lain adalah Uji Kolmogorov Smirnov Z (KS-Z) untuk uji
dua sampel bebas. Uji KS-Z ini berbeda dengan MWU, di mana KS-Z bukan hanya menguji
perbedaan Median dan Mean, melainkan juga perbedaan Variances. Maka oleh karena itu,
jika asumsi homogenitas dalam uji MWU tidak terpenuhi, maka KS-Z dapat menjadi
alternatif. kelebihan dari uji KS-Z adalah tidak begitu sensitif pada Median, melainkan
sensitif pada Mean danVariance.
Mengapa MWU dan KS-Z berbeda? Jawabannya adalah karena keduanya bekerja
dengan cara yang berbeda. MWU menguji perbedaan rerata peringkat sehingga menghasilkan
nilai U yang kemudian dapat dikonversi menjadi nilai Z. Sedangkan uji KS-Z menguji
perbedaan pada distribusi kumulatif. Oleh karena itu, sebelum anda memilih uji mana yang
tepat, sebaiknya anda pahami lebih dalam kedua uji ini dan sesuaikan dengan hipotesis
penelitian anda.
Karena uji ini merupakan bentuk non parametris dari uji independen t test, maka
varians kedua kelompok haruslah sama.
Berdasarkan uraian di atas, maka dapat disimpulkan Asumsi yang harus terpenuhi
dalam Mann Whitney U Test, yaitu:

1. Skala data variabel terikat adalah ordinal, interval atau rasio. Apabila skala interval
atau rasio, asumsi normalitas tidak terpenuhi. (Normalitas dapat diketahui setelah uji
normalitas).
2. Data berasal dari 2 kelompok. (Apabila data berasal dari 3 kelompok atau lebih, maka
sebaiknya gunakan uji Kruskall Wallis).
3. Variabel independen satu dengan yang lainnya, artinya data berasal dari kelompok
yang berbeda atau tidak berpasangan.
4. Varians kedua kelompok sama atau homogen. (Karena distribusi tidak normal, maka
uji homogenitas yang tepat dilakukan adalah uji Levene's Test. Di mana uji Fisher F
diperuntukkan bila asumsi normalitas terpenuhi).

Asumsi point 1,2 dan 3 tidak memerlukan uji tersendiri. Sedangkan point 4 jelas perlu
sebuah uji yang dapat menentukan apakah kedua kelompok memiliki varians yang sama atau
tidak, yaitu disebut dengan uji homogenitas.
Pada artikel berikutnya, kami akan jelaskan cara melakukan uji Mann Whitney U Test
dengan SPSS, Uji perbedaan bentuk dan sebaran dalam histogram serta uji homogenitas
sebagai asumsi yang harus terpenuhi.
 UJI JENJANG WILCOXON

Pada tahun 1945 Frank Wilcoxon mengusulkan suatu cara nonparametik yang amat
sederhana untuk membandingkan dua populasi kontinu bila hanya tersedia sampel bebas
yang sedikit dan kedua populasi asalnya tidak normal. Uji ini digunakan untuk menguji
kondisi (variabel) pada sampel yang berpasangan atau dapat juga untuk penelitian sebelum
dan sesudah. Dalam uji ini ingin diketahui manakah yang lebih besar dari antara pasangan.

Cara ini sekarang dinamakan uji Wilcoxon atau Uji Ranking Bertanda Wilcoxon.
Merupakan penyempurnaan dari uji tanda. Uji Wilcoxon ini hampir sama dengan Uji Tanda
tetapi besarnya selisih nilai angka antara positif dan negatif diperhitungkan, dan digunakan
untuk menguji hipotesis komparatif 2 sampel berpasangan.

Uji wilcoxon lebih peka daripada uji tanda dalammenentukan perbedaan antara rataan
populasi dan karena itu akan dibahas secara mendalam. Jika sampel berpasangan lebih besar
dari 25, maka distribusinya dianggap akan mendekati distribusi normal. Untuk itu digunakan
Z sebagai Uji Statistiknya.

Asumsi-asumsi:

1. Menggunakan data berpasangan dan berasal dari populasi yang sama. ini sama dengan
tujuan dari uji t berpasangan.
2. Setiap pasangan dipilih secara acak dan independent. Maksudnya ini dalam
pengambilan sampel tidak subjektif atau asal ambil. tapi pengambilan sampelnya
secara acak.
3. Skala pengukurannya minimal ordinal. dan tidak butuh asumsi normalitas. Inilah yang
membedakan dengan uji t berpasangan. disini ada dua keadaan dalam menggunakan
wilcoxon. Pertama. ketika data yang digunakan ordinal maka pakai wilcoxon. kasus
kedua ketika datanya tuh interval atau rasio maka pertama kali lihat dulu apakah
normal atau tidak. kalau normal pakai uji t berpasangan dan jika tidak normal baru
pakai wilcoxon. untuk uji normalnya bisal lihat disini. uji normalitas. Beberapa
peneliti juga mengatakan ketika data yang digunakan lebih dari 25, ada juga yang
mengatakan lebih dari 30. maka pakai uji t berpasangan. alasannya dengan data yang
30 (dikatakan sampel besar) itu akan mendekati data normal. Jadi silahkan pilih
dengan bijak.

Langkah- Langkah Pengujian :

1. Berikan jenjang (rank) untuk tiap beda dari pasangan pengamatan (yi – xi) sesuai
dengan besarnya, dari yang terkecil sampai terbesar tanpa memperhatikan tanda dari
beda itu (nilai beda absolut).
2. Bila ada dua atau lebih beda yang sama, maka jenjang untuk tiap-tiap beda itu adalah
jenjang rata-rata
3. Bubuhkan tanda positif atau negatif pada jenjang untuk tiap beda sesuai dengan tanda
dari beda itu. Beda 0 tidak diperhatikan
4. Jumlahkan semua jenjang bertanda positif atau negatif, tergantung dari mana yang
memberikan jumlah yang lebih kecil setelah tandanya dihilangkan. Notasi jumlah
jenjang yang lebih kecil ini dengan T
5. Bandingkan nilai T yang diperoleh dengan nilai t uji wilcoxon
HIPOTESIS:
H0 : dua populasi adalah sama
H1 : dua populasi tidak sama

Artinya: Sesuai dengan tujuan yaitu ingin melihat apakah ada perbedaan atau tidak antar dua
populasi sesuai dengan tujuan kita. Nah, jawabannya tuh ada dua yaitu antara kedua populasi
sama atau tidak. jawaban diperoleh dari uji yang akan digunakan.

Kaidah keputusan
H0 diterima apabila t ≥ tα
H0 ditolak apabila t < tα

Contoh Kasus :

Seorang dokter ingin melakukan penelitian melihat pengaruh suatu obat, delapan orang
pasien yang diambil secara acak diukur kapasitas pernapasannya sebelum dan sesudah
diberikan obat tertentu, hasilnya sebagai berikut :

Pasien A B C D E F G H

Sebelum 2750 2360 2950 2830 2250 2680 2720 2810

Sesudah 2850 2380 2930 2860 2300 2640 2760 2800

Hipotesis:
H0 : Tidak ada perbedaan sebelum dan sesudah menggunakan obat
H1 : Ada perbedaaan sebelum dan sesudah menggunakan obat

Taraf nyata dan nilai T tabelnya

α = 0,05 dengan n =8
tabel wilcoxon T = 3. (diperoleh dari tabel wilcoxon)

Kriteria Pengujian
H0 diterima apabila nilai uji statistik ≥ dari t tabel yaitu 3.
H0 ditolak apabila nilai uji statistik < dari t tabel yaitu 3.
Nilai uji statistik
Pasien Sebelum Sesudah selisih (d) Peringkat

A 2750 2850 -100 -8

B 2360 2380 -20 -2,5

C 2950 2930 20 2,5

D 2830 2860 -30 -4

E 2250 2300 -50 -7

F 2680 2640 40 5,5

G 2720 2760 -40 -5,5

H 2810 2800 10 1

Dari perhitungan tabel di atas mungkin dah pada ngerti. tapi disini saya mengulangi
sedikit saja. untuk bagian peringkat itu didapatkan dari peringkat dari nilai selisih. pertama
dari nilai selisih itu dimutlakkan artinya semuanya dibuat postif. kemudian diurutkan dari
nilai paling kecil. Dari nilai itu diurutkan peringkat dari nilai terkecil. ketika ada nilai yang
sama dirata-ratakan saja peringkatnya seperti contoh diatas. kemudian nilai negatif itu
diperoleh dari tanda yang ada pada kolom selisih.

Langkah selanjutnya yaitu menjumlahkan nilai berdasarkan tanda.

Untuk tanda positif: 2,5 +5,5 +1 = 9
Untuk tanda negatif 8 + 2,5 + 4 + 7 +5,5 = 27

Untuk melihat nilai uji statistiknya yaitu dari nilai terkecil dari nilai tersebut yaitu tanda
positif 9. sehingga nilai statistiknya 9.

Kesimpulan
Berdasarkan hasil tersebut diperoleh hasil bahwa nilai uji statistik ≥ dari t tabel. yaitu 9 ≥ 3.
sehingga berdasarkan kriteria pengujian diperoleh hasil terima H0. sehingga disimpulkan
bahwa tidak ada perbedaan sebelum dan sesudah menggunakan obat.
 UJI FRIEDMAN

Uji Friedman berlaku untuk K sampel berpasangan dengan data yang berskala
sekurang-kurangnya ordinal (k>2). Uji ini di perkenalkan untuk pertama kalinya oleh M.
Friedman pada tahun 1937. Uji Friedman ini digunakan sebagai alternative dari teknik
analisis variance dua arah. Uji ini tidak memerlukan anggapan bahwa populasi yang diteliti
berdistribusi normal dan mempunyai variance yang homogeny. Oleh karena itu, lengkapnya
uji ini dinamakan analisis variance jenjang dua arah Friedman.

H0 : Sampel ditarik dari populasi yang sama

H1 : Sampel ditarik dari populasi yang berbeda

PROSEDURE:
 Sampel Kecil
1. Tuangkan skor-skor ke dalam suatu table 2 arah yang menampilkan K (sebagai kolom)
yang menunjukkan kondisi dan n (sebagai baris) yang menunjukkan subjek atau
kelompok. Dikatakan sampel kecil bila n ≤ 9 untuk k = 3 dan n ≤ 4 untuk k=4 (minimal
2 sampel) n=2
2. Berilah ranking skor-skor itu pada masing-masing baris dari 1 hingga dimana banyaknya
ranking pada 1 nilai sebanyak n.
3. Tentukan jumlah ranking yang kita buat ditiap kolom : Rj
2
4. Hitung harga X dengan menggunakan rumus :
r

Apabila terdapat data kembar maka gunakan rumus koreksi kontinuitas yaitu :

5. Metode untuk menentukan daerah penolakan ada 2 cara yaitu bisa langsung
dibandingkan dengan α yaitu dengan melihat pada tabel N (Tabel Friedman) dengan
sampel n, kondisi k dan besarnya X2r hitung didapat nilai p-nya bila nilai phit < α maka
 tolak Ho. Sebaliknya bila phit > α maka terima Ho. Cara kedua dengan membandingkan
X2r hit dengan X2tabel bila X2r hit > X2tabel maka tolak Ho. Begitupun sebaliknya
bila X2r hit > X2tabel maka terima Ho.

 Sampel Besar
1. Tuangkan skor-skor kedalam suatu tabel 2 arah yang menampilkan k dan n. Dikatakan
sampel besar yaitu bila yang tidak terdapat didalam tabel.
2. Berikan ranking-ranking pada skor-skor itu pada masing-masing baris dari 1 hingga k.
3. Tentukan jumlah ranking ditiap kolom : Rj
2
4. Hitung harga X dengan menggunakan rumus :
r

Apabila terdapat data kembar maka gunakan rumus koreksi kontinuitas yaitu :

5. Metode yang menunjukkan kemungkinan terjadinya dibawah Ho yang berkaitan dengan

harga observasi X2r bergantung pada ukuran n dan k. Kemungkinan yang berkaitan dapat
ditentukan dengan melihat distribusi Chi-square (disajikan dengan tabel C dengan
db=k+1).

6. Jika kemungkinan dihasilkan pada metode 5 < α maka tolak Ho. Menentukkan daerah
penolakan juga bisa dengan membandingkan X2r hit dengan X2tabel yaitu bila X2r hit yang
didapat > dari X2tabel dengan derajat bebas k-1 maka Ho ditolak. Begitu juga sebaliknya
bila X2r hit yang didapat < dari X2tabel dengan derajat bebas k-1 maka Ho diterima.
 Contoh Soal :
Sampel kecil
Sebagai contoh, misalkan kita ingin mempelajari skor-skor 3 kelompok dibawah 4
kondisi. Disini k=4 dan n=3, tiap kelompok terdiri dari 4 subyek berpasangan, masing-
masing satu subyek dihadapkan pada satu kondisi. Kita andaikan skor-skor yang didapatkan
untuk studi ini adalah seperti tersaji pada tabel berikut.

Penyelesaian :
 Hipotesis
Ho : Sampel ditarik dari populasi yang sama
H1 : Sampel ditarik dari populasi yang berbeda

 Tingkat signifikansi
α = 0.05

 Daerah penolakan
p < α maka tolak Ho
 Statistik Uji:
Menggunakan SPSS:
1. Ketik semua data yang kita miliki. Kolom meunjukkan jumlahh treatment, sedangkan baris
menunjukkan subjek atau kelompok.

2. Klik menu Analyze > Nonparametric Tests > K Related Samples

3. Pada kotak dialog yang muncul, masukkan variabel kondisi_1, kondisi_2, kondisi_3, dan
kondisi_4 pada kotak Test Variabels. Pastikan pilihan Friedman aktif. Untuk mengatur
tingkat signifikansi, klik exact.

4. Klik OK untuk melakukan analisa. Maka pada jendela output akan muncul hasil sebagai
berikut :
 a. Output pertama ini menunjukkan informasi mengenai Rank untuk masing – masing
variable
b. Output ke 2 ini memberikan informasi nilai sebagai dasar pengambil keputusan.

 Keputusan
karena chi-square r hit < chi-square r tabel (7,0) maka keputusan menerima Ho.

 Kesimpulan
Dengan tingkat kepercayaan 95%, dapat disimpulkan bahwa sampel ditarik dari populasi
yang sama.
 KORELASI, REGRASI, DAN UJI ASUMSI KLASIK

1. Korelasi

Merupakan teknik statistik yang digunakan untuk meguji ada/tidaknya hubungan serta
arah hubungan dari dua variabel atau lebih

Korelasi yang akan dibahas dalam pelatihan ini adalah :

1. Korelasi sederhana pearson & spearman

2. Korelasi partial
3. Korelasi ganda.

Koefisien Korelasi
Besar kecilnya hubungan antara dua variabel dinyatakan dalam bilangan yang disebut
Koefisien Korelasi.

1. Besarnya Koefisien korelasi antara -1 0 +1.

2. Besaran koefisien korelasi -1 & 1 adalah korelasi yang sempurna.
3. Koefisien korelasi 0 atau mendekati 0 dianggap tidak berhubungan antara dua variabel
yang diuji.

Arah Hubungan
1. Positif (Koefisien 0 s/d 1)
2. Negatif (Koefisien 0 s/d -1)
3. Nihil (Koefisien 0)

Pearson Correlation

Digunakan untuk data interval & rasio. Distribusi data normal. Terdiri dari dua variabel,
yaitu:

 1 Variabel X (Independen)

 1 Variabel Y (dependen)
Contoh Soal :
Judul : Hubungan antara intensitas belajar dengan prestasi mata kuliah statistik
Variabel X : Intensitas belajar (diukur dari lamanya belajar dalam satu minggu)
Variabel Y : Prestasi matakuliah statistik (diukur dari nilai ujian akhir semester)

Hipotesa:
H0 : Tidak ada hubungan antara Intenitas belajar dengan prestasi mata kuliah
statistik
Ha : Ada hubungan antara Intenitas belajar dengan prestasi mata kuliah statistik
2. Regresi
Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan
sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel "penyebab"
disebut dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel
independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik
sebagai absis, atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang
dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat
merupakan variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel
acak.
Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya.
Analisis regresi dipakai secara luas untuk melakukan prediksi dan ramalan, dengan
penggunaan yang saling melengkapi dengan bidang pembelajaran mesin. Analisis ini juga
digunakan untuk memahami variabel bebas mana saja yang berhubungan dengan variabel
terikat, dan untuk mengetahui bentuk-bentuk hubungan tersebut.

3. Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi
linear berganda yang berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak
berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau
regresi ordinal. Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis
regresi linear, misalnya uji multikolinearitas tidak dilakukan pada analisis regresi linear
sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.
Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan
untuk menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung
dengan market model, atau market adjusted model. Perhitungan nilai return yang diharapkan
dapat dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.
Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji
heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan
yang pasti tentang urutan uji mana dulu yang harus dipenuhi. Analisis dapat dilakukan
tergantung pada data yang ada. Sebagai contoh, dilakukan analisis terhadap semua uji asumsi
klasik, lalu dilihat mana yang tidak memenuhi persyaratan. Kemudian dilakukan perbaikan
pada uji tersebut, dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain.
 UJI NORMALITAS

Uji normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi
normal atau diambil dari populasi normal. Metode klasik dalam pengujian normalitas suatu
data tidak begitu rumit. Berdasarkan pengalaman empiris beberapa pakar statistik, data yang
banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal.
Biasa dikatakan sebagai sampel besar.

Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau
tidak, sebaiknya digunakan uji statistik normalitas. Karena belum tentu data yang lebih dari
30 bisa dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya kurang
dari 30 belum tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian. uji statistik
normalitas yang dapat digunakan diantaranya Chi-Square, Kolmogorov Smirnov, Lilliefors,
Shapiro Wilk, Jarque Bera.

Metode Chi Square

(Uji Goodness Of Fit Distribusi Normal)
 UJI MULTIHOLIMINITAS

Uji multikolinearitas adalah uji yang dilakukan untuk memastikan apakah di dalam
sebuah model regresi ada interkorelasi atau kolinearitas antar variabel bebas. Interkorelasi
adalah hubungan yang linear atau hubungan yang kuat antara satu variabel bebas atau
variabel prediktor dengan variabel prediktor lainnya di dalam sebuah model regresi.
Interkorelasi itu dapat dilihat dengan nilai koefisien korelasi antara variabel bebas, nilai VIF
dan Tolerance, nilai Eigenvalue dan Condition Index, serta nilai standar error koefisien beta
atau koefisien regresi parsial.

Seperti yang sudah kita pahami sebelumnya bahwa multikolinearitas dapat terjadi pada
beberapa model regresi, antara lain regresi linear, baik regresi linear sederhana, regresi linear
berganda, regresi data panel ataupun regresi yang lainnya seperti regresi logistik dan cox
regression. Oleh karena itu, bagi pembaca kami rekomendasikan untuk mempelajari artikel-
artikel kami tentang hal-hal yang disebutkan diatas, terutama artikel yang berjudul
Multikolinearitas.
 UJI VALIDITAS DAN REALIBILITAS

Uji Validitas

Validitas berasal dari kata validity yang mempunyai arti sejauh mana ketepatan dan
kecermatan suatu alat ukur dalam melakukam fungsi ukurannya (Azwar 1986). Selain itu
validitas adalah suatu ukuran yang menunjukkan bahwa variabel yang diukur memang benar-
benar variabel yang hendak diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef,
2006).

Sedangkan menurut Sugiharto dan Sitinjak (2006), validitas berhubungan dengan suatu
peubah mengukur apa yang seharusnya diukur. Validitas dalam penelitian menyatakan
derajat ketepatan alat ukur penelitian terhadap isi sebenarnya yang diukur. Uji validitas
adalah uji yang digunakan untuk menunjukkan sejauh mana alat ukur yang digunakan dalam
suatu mengukur apa yang diukur. Ghozali (2009) menyatakan bahwa uji validitas digunakan
untuk mengukur sah, atau valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid
jika pertanyaan pada kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh
kuesioner tersebut.

Suatu tes dapat dikatakan memiliki validitas yang tinggi jika tes tersebut menjalankan
fungsi ukurnya, atau memberikan hasil ukur yang tepat dan akurat sesuai dengan maksud
dikenakannya tes tersebut. Suatu tes menghasilkan data yang tidak relevan dengan tujuan
diadakannya pengukuran dikatakan sebagai tes yang memiliki validitas rendah.

Sisi lain dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat ukur
yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga memiliki kecermatan tinggi.
Arti kecermatan disini adalah dapat mendeteksi perbedaan-perbedaan kecil yang ada pada
atribut yang diukurnya.

Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2, yaitu validitas

faktor dan validitas item. Validitas faktor diukur bila item yang disusun menggunakan lebih
dari satu faktor (antara faktor satu dengan yang lain ada kesamaan). Pengukuran validitas
faktor ini dengan cara mengkorelasikan antara skor faktor (penjumlahan item dalam satu
faktor) dengan skor total faktor (total keseluruhan faktor).

Validitas item ditunjukkan dengan adanya korelasi atau dukungan terhadap item total
(skor total), perhitungan dilakukan dengan cara mengkorelasikan antara skor item dengan
skor total item. Bila kita menggunakan lebih dari satu faktor berarti pengujian validitas item
dengan cara mengkorelasikan antara skor item dengan skor faktor, kemudian dilanjutkan
mengkorelasikan antara skor item dengan skor total faktor (penjumlahan dari beberapa
faktor).

Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi yang digunakan
untuk mengukur tingkat validitas suatu item dan untuk menentukan apakah suatu item layak
digunakan atau tidak. Dalam penentuan layak atau tidaknya suatu item yang akan digunakan,
biasanya dilakukan uji signifikansi koefisien korelasi pada taraf signifikansi 0,05, artinya
suatu item dianggap valid jika berkorelasi signifikan terhadap skor total.
 Untuk melakukan uji validitas ini menggunakan program SPSS. Teknik pengujian
yang sering digunakan para peneliti untuk uji validitas adalah menggunakan korelasi
Bivariate Pearson (Produk Momen Pearson). Analisis ini dengan cara mengkorelasikan
masing-masing skor item dengan skor total. Skor total adalah penjumlahan dari keseluruhan
item. Item-item pertanyaan yang berkorelasi signifikan dengan skor total menunjukkan item-
item tersebut mampu memberikan dukungan dalam mengungkap apa yang ingin diungkap à
Valid. Jika r hitung ≥ r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item
pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid). Langkah-langkah
dalam pengujian validitas ini yaitu :

1. Buat skor total masing-masing variabel (Tabel perhitungan skor)

2. Klik Analyze -> Correlate -> Bivariate (Gambar/Output SPSS)

3. Masukan seluruh item variabel x ke Variabels

4. Cek list Pearson ; Two Tailed ; Flag

5. Klik Ok

Tabel rangkuman hasil uji validitas dari variabel tersebut dapat dilihat sebagai berikut :

Dari tabel diatas dapat dijelaskan bahwa nilai r hitung > r tabel berdasarkan uji signifikan
0.05, artinya bahwa item-item tersebut diatas valid

Rumus Korelasi Product Moment :

Keterangan :

Uji Reliabilitas

Reliabilitas berasal dari kata reliability. Pengertian dari reliability (rliabilitas) adalah
keajegan pengukuran (Walizer, 1987). Sugiharto dan Situnjak (2006) menyatakan bahwa
reliabilitas menunjuk pada suatu pengertian bahwa instrumen yang digunakan dalam
penelitian untuk memperoleh informasi yang digunakan dapat dipercaya sebagai alat
pengumpulan data dan mampu mengungkap informasi yang sebenarnya dilapangan. Ghozali
(2009) menyatakan bahwa reliabilitas adalah alat untuk mengukur suatu kuesioner yang
merupakan indikator dari peubah atau konstruk. Suatu kuesioner dikatakan reliabel atau
handal jika jawaban seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke
waktu. Reliabilitas suatu test merujuk pada derajat stabilitas, konsistensi, daya prediksi, dan
akurasi. Pengukuran yang memiliki reliabilitas yang tinggi adalah pengukuran yang dapat
menghasilkan data yang reliabel

Menurut Masri Singarimbun, realibilitas adalah indeks yang menunjukkan sejauh mana
suatu alat ukur dapat dipercaya atau dapat diandalkan. Bila suatu alat pengukur dipakai dua
kali – untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relative
konsisten, maka alat pengukur tersebut reliable. Dengan kata lain, realibitas menunjukkan
konsistensi suatu alat pengukur di dalam pengukur gejala yang sama.

Menurut Sumadi Suryabrata (2004: 28) reliabilitas menunjukkan sejauhmana hasil

pengukuran dengan alat tersebut dapat dipercaya. Hasil pengukuran harus reliabel dalam
artian harus memiliki tingkat konsistensi dan kemantapan.

Reliabilitas, atau keandalan, adalah konsistensi dari serangkaian pengukuran atau

serangkaian alat ukur. Hal tersebut bisa berupa pengukuran dari alat ukur yang sama (tes
dengan tes ulang) akan memberikan hasil yang sama, atau untuk pengukuran yang lebih
subjektif, apakah dua orang penilai memberikan skor yang mirip (reliabilitas antar penilai).
Reliabilitas tidak sama dengan validitas. Artinya pengukuran yang dapat diandalkan akan
mengukur secara konsisten, tapi belum tentu mengukur apa yang seharusnya diukur. Dalam
penelitian, reliabilitas adalah sejauh mana pengukuran dari suatu tes tetap konsisten setelah
dilakukan berulang-ulang terhadap subjek dan dalam kondisi yang sama. Penelitian dianggap
dapat diandalkan bila memberikan hasil yang konsisten untuk pengukuran yang sama. Tidak
bisa diandalkan bila pengukuran yang berulang itu memberikan hasil yang berbeda-beda.
 Tinggi rendahnya reliabilitas, secara empirik ditunjukan oleh suatu angka yang disebut
nilai koefisien reliabilitas. Reliabilitas yang tinggi ditunjukan dengan nilai rxx mendekati
angka 1. Kesepakatan secara umum reliabilitas yang dianggap sudah cukup memuaskan jika
≥ 0.700.

Pengujian reliabilitas instrumen dengan menggunakan rumus Alpha Cronbach karena

instrumen penelitian ini berbentuk angket dan skala bertingkat. Rumus Alpha Cronbach
sevagai berikut :

Keterangan :

Jika nilai alpha > 0.7 artinya reliabilitas mencukupi (sufficient reliability) sementara
jika alpha > 0.80 ini mensugestikan seluruh item reliabel dan seluruh tes secara konsisten
memiliki reliabilitas yang kuat. Atau, ada pula yang memaknakannya sebagai berikut:

Jika alpha > 0.90 maka reliabilitas sempurna. Jika alpha antara 0.70 – 0.90 maka
reliabilitas tinggi. Jika alpha 0.50 – 0.70 maka reliabilitas moderat. Jika alpha < 0.50 maka
reliabilitas rendah. Jika alpha rendah, kemungkinan satu atau beberapa item tidak reliabel.
Langkah pengujian reliabilitas dengan SPSS :

1. Klik Analyze -> Scale -> Reliability Analysis

2. Masukan seluruh item variabel X ke Items

3.Pastikan pada model terpilih Alpha

4. Klik Ok

Nilai Cronbach Alpha sebesar 0.981 yang menunjukan bahwa ke-11 pernyataan cukup
reliabel.