LANDASAN TEORI
2.1.1 Data
Data dapat dikelompokkan dalam dua tipe utama, yaitu data kategorikal
dan data numerik. Data kategorikal terdiri dari data nominal dan data ordinal,
sedangkan data numerik terdiri dari data interval dan data ratio. Data nominal hanya
sebatas member label pada suatu data. Contoh: data jenis kelamin (pria dan wanita),
pembagian wilayah berdasarkan mata angin (utara, selatan, barat dan timur), dll.
Sedangkan data ordinal menunjukkan tingkatan data, namun hanya mengatakan
“lebih besar” atau “lebih kecil” tanpa menjelaskan seberapa besar atau kecil
propertinya
. Contoh: data pendapat (sangat setuju, setuju, tidak setuju, sangat tidak
setuju), preferensi (sangat suka, suka tidak suka, sangat tidak suka), dll.
Data interval memiliki konsep persamaan interval/jarak: pengukuran
waktu (waktu antara 07.00-10.00 sama dengan waktu antara jam 08.00-11.00),
pengukuran suhu (suhu antara 270-300 sama dengan suhu antara 280-210), dll. Nilai
nol data interval merupakan arbitrasi. Sedangkan data ratio mewakili jumlah aktual
suatu variabel. Data ini berpatokan pada nilai nol sebagai tolak ukur. Contohnya
pengukuran tinggi, berat, jarak, dll.
II-1
II-2
Tipe data yang digunakan dalam tabel SPSS Statistik bisa berupa data
kategorikal, data kategorikal dengan kode, data numerik, dan gabungan data
kategorikal dengan data numerik. Berikut contoh tabelnya:
Gambar 2.2 Tabel Data Kategori dengan Kode pada Kolom Penjualan
3. Pilih Discrete missing values dan ketikkan angka 0.00 pada kolom. Angka
nol (0.00) bukan menunjukkan tidak adanya penjualan, namun
menunjukkan belum ada laporan hasil panen.
4. Klik tombol OK.
5. Lakukan penetapan kode 0.00 sebagai belum ada pelaporan pada kolom
value, tepatnya kolom Value baris Produksi.
6. Klik sel tersebut sehingga kotak dialog values labels muncul. Ketik 0.00
pada value dan belum ada pelaporan pada Value Label. Tekan tombol
Add dan kemudian klik tombol OK.
7. Aktifkan Data View.
8. Ketik 0.00 pada kolom produksi baris 6 (Sumsel). Apabila ingin
menampilkan label kode missing value, klik ikon Value Labels.
SPSS dapat membuka file data dengan format lain. Jadi jangan khawatir
apabila terlanjur membangun file data dengan format lain seperti Excel (*.xls) dan
Access (*.dbf). Berikut ini langkah-langkah mentransfer data dari Excel ke SPSS:
II-6
1. Klik File Open Data pada menu sehingga kotak dialog Open File
muncul.
2. Klik File of type di combo box sehingga muncul daftar berikut
3. Pilih format yang sesuai, misalnya Excel 2010 (*.xls).
4. Cari folder file data Excel pada daftar drop down Look in.
5. Klik ganda file data pada kotak atau klik Open sehingga kotak dialog
Opening Excel Data Source muncul.
6. Tanda cek akan aktif secara default. Tanda cek Read Variabel from the
first row of data aktif dimaksudkan supaya nama variabel yang terdapat
pada baris pertama file data excel tidak dianggap sebagai data, namun
diperlakukan sebagai variabel.
7. Klik OK.
Selain dalam format excel, SPSS juga mampu membuka file dalam bentuk
Access. Berikut adalah langkah-langkah file data Access ke SPSS:
1. Klik File Open Database New Query pada menu sehingga Database
Wizards akan muncul.
2. Pada kotak, pilih MS Access Database.
3. Klik Next sehingga muncul kotak dialog ODBD Driver Login.
4. Klik browser sehingga kotak dialog Open File muncul. Klik ganda file
data Access yang dimiliki sehingga kembali ke kotak dialog ODBC Driver
Login dengan menyertakan alamat file data Access pada kotak Database.
5. Klik OK sehinga kotak dialog Select Data Wizards muncul.
6. Pilih field dalam available Tables yang akan ditransfer ke SPSS dengan
men-drag field tersebut ke Retrieve Fields in This Order.
7. Klik Finish.
1. Untuk menambahkan data nama dan berat siswa dari data berat2 ke data
berat dapat dilakukan dengan klik Data => Merger File => Add Cases pada
menu sehingga muncul kotak dialog Add Cases yang meminta sumber file
data berat akan digabungkan.
2. Klik Browse untuk mencari file berat.
3. Klik ganda file berat atau klik file tersebut kemudian klik Open sehingga
kembali ke kotak dialog Add Cases to. Klik continue sehingga muncul kotak
dialog Add Case From.
4. Kotak Unpaired Variables (sisi kiri) merupakan variabel yang bukan
pasangan dari kedua file data. Kotak Variable in New Working Data File
(sisi kanan) merupakan daftar pasangan variabel dari kedua data, yaitu nama
dan berat.
5. Klik OK sehingga file data berat akan mengalami tambahan data nama dan
berat dari file berat.
II-10
tanda panah kiri – kanan untuk memodifikasi variabel yang akan dipakai pada
file data.
5. Klik OK sehingga variabel pada file data berat akan mengalami tambahan
variabel tinggi dari file data tinggi.
Gambar 2.9 Hasil Gabungan Data File Berat Badan dan Tinggi Badan
Selain cara diatas, penggabungan file dapat dilakukan dengan metode cut
and paste. Untuk memperoleh hasil gabungan data seperti pada gambar 1.8 dapat
dilakukan dengan langkah – langkah sebagai berikut :
1. Buka/input data berat2, data yang hendak digabungkan
2. Klik dan drag area data sehingga terblok hitam.
Perbedaan kolom Luas_panen. Nilai pada kolom adalah urut, dari yang
terkecil hingga terbesar.
Metode Select Cases mengelompokkan data dengan kriteria yang
ditetapkan. Berikut adalah langkah-langkahnya:
1. Klik Data Select Access pada toolbar sehinga muncul kotak dialog
Select Cases.
2. Pilih if Condition is satisfied dan tekan tombol If sehingga kotak dialog
Select Cases If muncul.
3. Pindahkan variabel Hasilpanen dengan menekan tombol panah sehingga
muncul tulisan HasilPanen pada kotak. Lengkapi tulisan tersebut menjadi
formula Hasilpanen>13000.
4. Klik Continue sehingga kembali ke kotak dialog Select Cases.
5. Klik OK sehingga diperoleh hasil seperti berikut :
2.1.10.1 Compute
Compute berguna untuk membuat variabel baru berbasis variabel lama
dengan formula tertentu. Contoh membuat variabel baru dengan nama insentif yang
II-15
2.1.10.2 Count
Count berguna untuk membuat variabel yang baru yang menghitung
seberapa banyak case yang sesuai dengan kriteria yang telah ditetapkan. Contoh
pada data penjualan akan dibuat baru, girlbestsell, yang menghitung banyaknya
sales perempuan dengan kriteria Tkjual > 1000000. Berikut adalah langkah –
langkah pembuatan variabel girlbestsell setelah file data dibuka:
II-16
1. Klik Transform Count Value within cases pada menu sehingga muncul
kotak dialog count.
2. Pada kotak Target Variable, masukkan nama variabel yang akan dibuat,
yaitu girlbestsell. Pada kotak Target Label, tulis penjual terbaik wanita.
Pada kotak Numeric Variables masukkan variabel jns_kelamin.
3. Klik Define Values untuk menentukan nilai.
4. Pilih Values, tulis angka 2 dan klik Add sehingga angka 2 muncul di values
to count. Ingat nilai 2 pada jenis kelamin adalah wanita.
5. Klik Continue sehinga kembali ke kotak dialog count.
6. Klik If sehingga muncul kotak dialog Count If cases untuk mendefinisikan
prasyarat.
7. Klik Continue sehingga kembali ke kotak dialog count
8. Klik OK sehingga muncul hasil sebagai berikut.
5. Klik tombol Layers, lakukan drag & drop variabel Kategori harga pada
kotak Layers.
6. Perhatikan bahwa nilai default statistic adalah Mean. Sehingga ubah ke
Sum untuk mendapatkan gambaran. Aktifkan sel Penjualan 01 pada
Custom Tables. Pada kotak Define, yang terletak di pojok kiri bawah,
pilih N%Summary Statistics sehingga kotak dialog Summary Statistic
muncul.
7. Keluarkan nilai Mean pada kotak Display kolom Statistics dan masukkan
nilai Sum dengan mengaktifkan tombol panah.
8. Klik tombol Apply to All untuk menerpakan pada seluruh variabel
penjualan.
9. Klik OK sehingga muncul lembar Output SPSS Viewer.
Ada 3 bagian utama pada halaman tersebut, yaitu menu toolbars, session
window dan data window. Data window merupakan lembaran kerja (worksheet)
yang dibangun oleh baris dan kolom dan berfungsi untuk memasukkan data. Dalam
satu file dapat terdiri dari beberapa worksheet. Session window berfungsi untuk
menampilkan hasil analisis.
data dimasukkan pada sel-sel mulai baris pertama dana seterusnya dibawah kolom
yang sesuai.
Sebagai contoh, suatu percobaan ingin mengetahui apakah ada perbedaan
nomor sepatu pada siswa kelas 1, 2 dan 3. Untuk membuktikan pernyataan tersebut
dilakukan percobaan dengan rancangan random lengkap satu factor dengan 3 level
(3 kelas) dan 5 ulangan. Misalkan data hasil pengamatan telah dientri ke worksheet.
4. Pastikan pointer berada di dalam kota Graph variables, lalu double klik C2
nomor sepatu
5. Pastikan pointer berada di dalam kota Categorical Variables for grouping,
lalu double klik C1 kelas
6. Klik OK dan dihasilkan diagram boxplot berikut
sampel yang diambil harus lebih besar daripada ukuran sampel jika kita
menggunakan taraf signifikansi 0,05.
3. Rancangan Analisis, sesuatu yang berkaitan dengan pengolahan data,
penyajian data, pengupasan data, dan penafsiran data yang akan ditempuh
dalam penelitian.
4. Alasan-alasan tertentu yang berkaitan dengan keterbatasan-keterbatasan
yang ada pada peneliti, misalnya keterbatasan waktu, tenaga, biaya, dan
lain-lain. (Catatan: Alasan ke-4 ini jangan digunakan sebagai
pertimbangan utama dalam menentukan ukuran sampel, sebab hal ini lebih
berkaitan dengan pertimbangan peneliti dan bukan pertimbangan
penelitian (metodologi).
b. Purposive Sampling
Sesuai dengan namanya, sampel diambil dengan maksud atau tujuan
tertentu. Seseorang atau seseuatu diambil sebagai sampel karena peneliti
menganggap bahwa seseorang atau sesuatu tersebut memiliki informasi
yang diperlukan bagi penelitinya. Dua jenis sampel ini dikenal dengan
nama judgement dan quota sampling.
1) Judgment Sampling
II-32
Penyelesaian:
Dengan menggunakan rumus slovin:
n = N (1 + Ne2) = 1000 / (1 + 1000 x 0,052) = 285,71 » 286.
N
n
Nd 2 1
Keterangan:
d = batas toleransi kesalahan pengambilan sampel yang digunakan
n = ukuran sampel
N = ukuran populasi
Contoh:
Misalnya, kita ingin menduga proporsi pembaca koran dari populasi 4.000 orang.
Presisi ditetapkan di antara 5% dengan tingkat kepercayaan 95%, maka besarnya
sampel adalah:
4000
n 364
4000(0,05) 2 1
Jadi, banyaknya sampel dari pembaca koran sebesar 364 orang.
2. Kekeliruan sampling
Perbedaan antara hasil sampel dan hasil yang akan dicapai jika prosedur
yang sama digunakan dalam sampling juga digunakan dalam sensus
dinamakan kekeliruan sampling (Sudjana, 1975:174)
2.7.1 Data
Data adalah sekumpulan angka atau keterangan yang tersusun, dan
didapatkan melalui pengukuran, hasil perhitungan ataupun hasil kerja tertentu.
Hasil pengolahan data ini ada yang disajikan dalam bentuk daftar/tabel dan ada
dalam bentuk diagram atau grafik. Data terbagi atas dua yaitu data kuantitatif dan
data kuantitatif.
Data kuantitatif adalah data yang berupa angka dalam arti sebenarnya, jadi
dengan data ini berbagai operasi matematika bisa dilakukan. Data kuantitatif terbagi
atas:
II-36
a. Data Diskrit
Data diskrit (data rasio) adalah data hasil pengukuran yang bersifat angka
dalam arti sesungguhnya dan bisa dioperasikan secara matematis.
Misalnya data berat badan, prduk yang terjual, produk cacat, dll.
b. Kontinyu
Data kontinyu (Data Interval) adalah data yang dapat mempunyai nilai
yang terletak dalam satu interval. Misalnya panjang, luas, isi, berat dan
waktu.
Data kualitatif adalah data yang dikategorikan sebagai data yang bukan
berupa angka. Data kualitatif mempunyai ciri tidak bisa dilakuan operasi
matematika.
Data kualitatif terbagi atas:
a. Data Nominal adalah jika suatu pengukuran data yang hanya
menghasilkan satu dan hanya satu-satunya kategori. Misalnya data jenis
kelamin, tanggal lahir, asal daerah, dll.
b. Data Ordinal adalah data yang jika suatu pengukuran memiliki tingkatan
data dimana yang satu berstatus lebih tinggi atau lebih rendah dari yang
lain. Misalnya: data tentang sikap seseorang terhadap produk tertentu
“sangat baik”, “baik” , atau “tidak baik”.
Sedangkan berdasarkan sumbernya, data terbagi atas data primer dan data
sekunder. Data primer adalah data yang dikumpulkan dan dikeluarkan oleh badan
yang sama. Data sekunder adalah data yang dikumpulkan dan dikeluarkan tidak
oleh badan yang sama.
2.7.2.1 Limit Kelas, Batas Kelas, Nilai Tengah, dan Lebar Kelas
Nilai terkecil dan terbesar pada tiap kelas disebut limit kelas atau tepi
kelas. Limit kelas ini terbagi menjadi limit kelas atas dan limit kelas bawah. Batas
kelas terbagi dua yaitu batas atas kelas dan batas bawah kelas. Nilai tengah antara
batas bawah kelas dan batas atas kelas disebut nilai tengah kelas.
Jumlah
II-38
2.9 Kurva
Kurva merupakan grafik poligon yang sudah dilicinkan atau dihasilkan.
Kurva yang diplotkan dari data yang digunakan ini mampu menjelaskan sifat atau
karakter populasi atau sample yang digunakan. Kurva poligon mempunyai bentuk
yang tak terhingga banyaknya, tergantung dari bentuk distribusinya. Pada
umumnya kurva poligon digolongkan dalam dua golongan besar yaitu:
1. Kurva Simentri
2. Kurva Asmetri, terbagi atas dua model yaitu :
a) Model positif (kemiringan ke kiri atau dinyatakan juga kemiringan yang
besar).
b) Model negatif (kemiringan ke kanan atau kemiringan yang kecil)
untuk data yang sudah dikelompokkan (data yang sudah disusun dalam daftar
distribusi frekuensi) :
∑ fiXi
x=
∑ fi
dimana:
fi = frekuensi untuk kelas interval ke-i
Xi = nilai dari titik tengah
II-41
∑ 𝑤𝑥
x=
∑𝑓
dimana :
x = nilai
w = bobot atau timbangan
2. Median adalah nilai tengah data setelah tersebut diurutkan dari kecil ke besar.
Jika banyak data ganjil, maka median setelah data disusun menurut nilanya
merupakan data paling tengah. Sedangkan untuk sampel berukuran gelap,
setelah data disusun menurut ukuran nilanya, median sama dengan rata-rata
hitung data tengah. Median untuk distribusi frekuensi atau data sudah
dikelompokkan dapat dihitung dengan rumus:
n
F
Med Lo c 2
fmedian
Dimana:
Lo = batas bawah dari kelas median dimana median berada
n = jumlah data
c = lebar kelas interval
fmedian = frekuensi kelas median
3. Modus adalah nilai yang sering muncul dari suatu data. Untuk data
kuantitatif, modus ditentukan dengan jalan menentukan frekuensi terbanyak,
modus untuk distribusi frekuensi data yang sudah dikelompokkan dihitung
dengan rumus:
b1
Mod Lo c
b1 b2
Dimana :
Lo = batas bawah dari kelas median dimana median berada
b1 = selisih antara frekuensi kelas modus dengan frekuensi tepat satu kelas
sebelum kelas modus
b2 = selisih antara frekuensi kelas modus dengan frekuensi tepat satu kelas
sesudah kelas modus
c = lebar kelas interval
Desil adalah sekelompok data yang dibagi menjadi 10 bagian yang sama
banyak, maka akan terdapat 9 pembagi.
Persentil adalah sekumpulan data yang dibagi menjadi 100 bagian yang
sama.
in
-F
Pi data ke 100
f
i = 1,2,.....99.
SR
fx x
n
II-44
Dimana n = f
Varian adalah rata-rata kuadrat selisih atau kuadrat simpangan dari semua
nilai data terhadap rata-rata hitung. Varian untuk sample dilambangkan dengan S2.
n(n 1)
Atau : s2
fi( xi x)2
n 1
n fic 2i ( fici)2
Atau : s2
n ( n 1)
Dimana :
p = panjang kelas interval
ci = variabel coding untuk kelas interval ke-i
n = jumlah seluruh data yang diamati
Standar Deviasi
Standar Deviasi adalah akar pangkat dua dari varian atau disebut juga
simpangan baku.
Rumus untuk data tidak berkelompok :
S
( x x)2
n 1
Rumus untuk data berkelompok :
S
f ( x x) 2
n 1
( x Mod ) 3( x Med )
atau
s s
Dimana :
α = derajat kemiringan
x = rata-rata hitung
S = standar deviasi
Mod = modus
Med = median
Bila hasilnya sama dengan nol (0), distribusi dikatakan simetris disekitar
rata-ratanya dan x = Med = Mo. Makin jauh hasil SK dari nol, maka akan
semakin besar tingkat kemiringanya. Rumus-rumus tersebut berturut-turut
dinamakan koefisien kemiringan pearson tipe pertama dan tipe kedua.
2. Kurtosis adalah tinggi rendah atau datar runcingnya kurva dari suatu
distribusi frekuensi. Jika bagian tengah dari kurva frekuensi memiliki puncak
yang lebih runcing daripada ruang yang dimiliki kurva normal, maka lebih
datar daripada yang dimiliki kurva normal, kurva distribusinya dinamakan
kurva plaktikurtik. Dan jika puncaknya berada diantara keduanya disebut
kurva distribusi normal.
II-46
Salah satu ukuran kurtosis adalah koefisien kurtosis yang diberi simbol α4
atau Kt dan ditentukan dengan rumus:
α 4
x x
4
α 4
f x x
4
atau
ns 4 ns 4
Khusus untuk data berkelompok, derajat keruncingan lebih mudah dihitung
dengan memakai cara transformasi, yaitu:
fU 4 fU 3 fU 6 fU 2 fU fU 3 fU
4 2 2 4
C4
4
n
S4 n n n n n n
Dengan syarat :
a. α4 = 3 → Distribusi normal/mezokurtik
b. α4 > 3 → Distribusi leptokurtik
c. α4 < 3 → Distribusi platikurik
atau :
a. Kt = 0.263 → Distribusi normal/mezokurtik
b. Kt > 0.263 → Distribusi leptokurtik
c. Kt < 0.263 → Distribusi platikurik
2.13 Pengolahan Data Statistik Deskriptif dengan IBM SPSS Statistic Base
20
II-47
merupakan suatu fungsi peluang, fungsi masa peluang, atau ditribusi peluang
peubah acak diskrit x maka untuk setiap kemungkinan hasil x berlaku:
a. F(x) > 0
b. f (x) 1
c. P (X=x) = f(x)
e t (t ) x
p (x; t)
x!
x = 0,1,2, . . .
dimana t menyatakan banyaknya sukses yang terjadi persatuan waktu
atau daerah, sedangkan e = 2,71828 . . . .
4. Distribusi Hipergeometrik
Cara sederhana untuk membedakan distribusi hipergeometrik dengan
distribusi binomial adalah dengan melihat proses penarikan sampelnya. Pada
distribusi binomial, antar percobaan bersifat bebas sedangkan pada distribusi
hipergeometrik peluang sukses percobaan saat ini bergantung pada hail
percobaan sebelumnya.
Percobaan hipergeometrik memiliki sifat sebagai berikut:
a. Sampel acak ukuran n diambil tanpa pengembalian dari N benda
II-55
b. Sebanyak k benda dapat diberi nama sukses sedangkan sisanya, Nk, diberi
nama gagal, sehingga distribusi peluang peubah acak hipergeometrik X
ialah :
k N k
x n x
h( x; N , n, k ) , x 0,12.....
N
n
c. P(a<X<b) =
f(x)dx
2 2
2. Distribusi Eksplonsial
Distribusi Eksponensial memiliki pertalian erat dengan distribusi Poisson.
Jika pada Poisson, peubah acak poisson X mengambarkan jumlah keluaran
yang terjadi pada suatu selang waktu atau luas daerah tertentu, maka peubah
acak Eksponensial X menggambarkan panjang rentang waktu antara suatu
kejadian dengan kejadian lainnya. Gambar kurva distribusi digambarkan
di bawah ini:
II-57
Dalam hal ini peubah acak X pada distribusi Poisson berkisar antara 0 sampai
tak terhingga (0 ≤ x < ) dan bersifat kontinyu.
Peubah acak kontinyu X berdistribusi Eksponensial dengan parameter ,
fungsi densitasnya diberikan oleh :
1 -x
f(x) e
0
x > 0, untuk x lainnya, dimana > 0.
3. Distribusi Gamma
Distribusi Gamma memiliki hubungan yang erta dengan distribusi
Eksponensial, karena distribusi Eksponensial merupakan salah satu bentuk
khusus dari distribusi Gamma. Jika peubah acak kontinyu X berdistribusi
Gamma dengan parameter α dan β maka fungsi densitasnya dapat dirumuskan
sebagai berikut :
1 1 xi /
x
f(x i | , ) { ( ) i
e
0
x > 0 untuk x lainnya, dimana α > 0 dan β > 0, sedangkan (α) merupakan
fungsi Gamma yang dirumsukan sebagai berikut :
( ) x -1e -x dx
4. Distribusi Chi-kuadrat
Distribusi memegang peranan penting dalam statistika inferensia, terutama
untuk uji hiopotesis dan penaksiran parameter. Pada dasarnya distribusi chi-
kuadrat juga merupakan bentuk khusus dari distribusi Gamma, yakni ketika
II-58
Contoh: pada suatu persimpangan jalan, rata-rata terjadi kecelakaan sebanyak 5 kali
dalam seminggu. Beberapa peluang dalam satu minggu terjadinya kecelakaan 7
kali.
Penyelesaian dengan SPSS: Gunakan fungsi PDF.POISSON (q, mean) dimana
variabel q identik dengan variabel x yang merupakan variabel banyaknya kejadian
tertentu. Variabel mean identik dengan variabel λt, merupakan rata-rata kejadian
tertentu.
2.15 Hipotesis
Dalam upaya menarik kesimpulan dan mengambil keputusan, sering kali
ada gunanya menetapkan asumsi-asumsi atau perkiraan-perkiraan mengenai
populasi. Asumsi-asumsi seperti itu (yang mungkin salah atau yang mungkin benar)
disebut sebagai hipotesis statistik. Secara umum, suatu hipotesis statistik
merupakan pemyataan mengenai distriusi probabilitas populasi (Harinaldi, 2005).
Hipotesis ini perlu diuji untuk kemudian diterima atau ditolak.
Dengan menggunakan uji hipotesis, peneliti dapat menguji berbagai teori
yang berhubungan dengan masalah-masalah yang sedang diteliti. Kebenaran atau
ketidakbenaran suatu hipotesis tersebut dapat diketahui dengan pasti jika seluruh
populasi diamati (memeriksa seluruh populasi). Namun pengamatan keseluruhan
populasi seringkali tidak efisien untuk dilakukan, sehingga hipotesis diuji melalui
pengamatan terhadap suatu sampel. Konseloiensinya, keputusan yang dihasiikan
mengandung unsur ketidakpastian yang ditunjukkan dari tingkat keyakinan (l-) dari
pengujian.
Untuk melakukan suatu pengujian hipotesis dapat dilakukan dengan prosedur
umum sebagai berikut:
a. Menentukan formulasi hipotesis
Perumusan hipotesis statistik dibedakan menjadi dua, yaitu penyusunan
hipotesis awal atau hipotesis nol (Ho) dan penyusunan hipotesis randingan
alternatif (H1).
Hipotesis (H0) adalah hipotesis yang dirumuskan sebagai pernyataan yang
akan dilakukan pengujian. Ho ditulis dalam bentuk persamaan (=)
.sedangkan hipotesis alternatif (H1) adalah penolakan H0 mengakibatkan
penerimaan suatu hipotesis alternatif (H1). Hipotesis ini memiliki beberapa
kemungkinan bentuk penulisan yaitu >, < dan ≠.
b. Menentukan besarnya taraf signifikansi (α)
Taraf signifikansi (significance level), dilambangkan, menunjukkan
batasan toleransi penerimaan kesalahan dari pengujian hipotesis.Semakin
tinggi nilai, maka semakin besar pula resiko melakukan kesalahan
penolakan H0 padahal pernyataan yang di uji benar.
c. Menentukan kriteria pengujian
II-62
104 98 99 105 96
Dari tabel di atas diperoleh nilai t hitung SPSS = 0,791 dan nilai Sig. (2-
tailed) > 0,05 maka H0 diterima. Oleh karena dapat diambil keputusan bahwa
dengan tingkat kepercayaan 95%, secara signifikan hasil pengujian tidak berbeda
dengan apa yang diklaim oleh perusahaan pembuat mesin pengisi botol.
II-65
Hipotesis
H0 : tidak terdapat hubungan yang signifikan antara jenis kelamin dengn
tingkat pendidikan
Pada tabel Case Processing Summary dapat dilhat bahwa terdapat 33 data
yang semuanya diproses, tidak ada data yang missing atau hilang, sehingga tingkat
kevalidannya 100%.
Pada tabel jeni_kelamin*tk_pendidikan crostabulation dapat dilihat
hubungan antara variabel jenis kelamin dengan tingkat pendidikan. Contoh pada
baris pertama, terdapat 3 orang laki-laki dengan tingkat pendidikan SLTA.
II-70
Berdasarkan output SPSS diatas, dapat dilihat nilai Cronbach’s Alpha untuk
variabel Tangible memiliki nilai 0,79 sehingga dapat disimpulkan bahwa indikator
pengukuran untuk variabel Tangible adalah konsisten untuk setiap responden dan
dapat dikatakan bahwa variabel ini reliabel.
2.19 Korelasi
Korelasi merupakan teknik analisis yang termasuk dalam salah satu
teknik pengukuran asosiasi/hubungan (measures of association). Pengukuran
asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam
statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua
variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua
teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson
Product Momen dan Korelasi Rank Spearman. Pengukuran asosiasi mengenakan
nilai numerik untuk mengetahui tingkatan asosiatau kekuatan hubungan antara
variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu
mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel
tersebut disebut independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua
variabel (atau lebih) dengan skala-skala tertentu, misalnya Pearson data harus
berskala interval atau rasio; Spearman dan Kendal menggunakan skala ordinal.
II-75
hubungan dua variabel yang sedang diteliti; meski kedua variabel mempunyai
hubungan kuat. Simbol untuk korelasi Pearson adalah “p” jika diukur dalam populasi
dan “r” jika diukur dalam sampel. Korelasi Pearson mempunyai jarak antara -1
sampai dengan +1. Jika koefisien korelasi adalah -1, maka kedua variabel yang
diteliti mempunyai hubungan linier sempurna negatif. Jika koefisien korelasi adalah
+1, maka kedua variabel yang diteliti mempunyai hubungan linier sempurna positif.
Jika koefisien korelasi menunujukkan angka 0, maka tidak terdapat hubungan
antara dua variabel yang dikaji. Jika hubungan dua variabel linier sempurna, maka
sebaran data tersebut akan membentuk garis lurus. Sekalipun demikian pada
kenyataanya kita akan sulit menemukan data yang dapat membentuk garis linier
sempurna.
Data yang digunakan dalam Korelasi Pearson sebaiknya memenuhi
persyaratan, diantaranya ialah:
a. Berskala interval/rasio
b. Variabel X dan Y harus bersifat independen satu dengan lainnya
c. Variabel harus kuantitatif simetris.
Asumsi dalam Korelasi Pearson dintaranya ialah:
a. Terdapat hubungan linier antara X dan Y
b. Data berdistribusi normal
c. Variabel X dan Y simetris. Variabel X tidak berfungsi sebagai variabel
bebas dan Y sebagai variabel tergantung
d. Sampling representative
e. Varian kedua variable sama
Pearson. Perhitungan dilakukan dengan cara yang sama dengan korelasi Pearson,
perbedaaan terletak pada pengubahan data kedalam bentuk ranking sebelum
dihitung koefisien korelasinya. Itulah sebabnya korelasi ini disebut sebagai
Korelasi Rank Spearman.
penelitian dengan sampel 20 rumah yang sudah terjual. Ada 3 variabel yang diduga
mempengaruhi biaya tersebut, yaitu:
a. Rata-rata temperatur diluar rumah (F)
b. Jarak isolasi loteng (inches)
c. Usia perapian (tahun)
Berdasarkan tabel berikut ini, hitunglah nilai korelasi antara tiap variabel
bebas dengan variabel terikat.
Berdasarkan kasus diatas, dapat diketahui bahwa terdapat lebih dari dua
variabel independen dan satu variabel dependen sehingga pada kasus ini dapat
diselesaikan dengan menggunakan analisis korelasi berganda.
Berikut adalah langkah-langkahnya:
1. Masukkan data dalam worksheet spss
II-80
Korelasi antara variabel independen (variabel suhu, isolasi, dan usia) dan
dependen (cost) diberikan pada tabel diatas. Berdasarkan tabel dapat dilihat korelasi
antara suhu dengan cost sebesar -0,811 dan antara isolasi dengan cost sebesar -0,196
sedangkan korelasi usia dengan cost sebesar 0,541 dari hasil korelasi terlihat bahwa
korelasi tinggi berada variabel suhu dan cost yaitu -0,811. Hal ini berarti temperatur
II-82
akan mempunyai peluang yang cukup tinggi atau paling signifikan mempengaruhi
biaya pembelian panas didalam model regresi ini.
Hasil analisis pada output Minitab diatas menujukkan bahwa nilai korelasi
yang paling tinggi antar variabel adalah nilai antara cost dengan suhu sebesar -0,811
dan nilai P-value sebesar 0,000 artinya dapat disimpulkan bahwa ada korelasi yang
signifikan antara variabel tersebut (P-value < 0,05). Sedangkan nilai korelasi yang
paling lemah signifikannya terdapat pada variabel antara isolasi dengan usia dimana
nilai P-value sebesar 0,792 (P-value > 0,05).
rata variabel tergantung dalam kaintannya dengan nilai-nilai yang sudah diketahui
dari variabel eksplanatorinya. Selanjutnya menurut Gujarati meski analisis regresi
berkaitan dengan ketergantungan atau dependensi satu variabel terhadap variabel-
variabel lainya hal tersebut tidak harus menyiratkan sebab-akibat (causation).
Dalam regresi dikembangkan persamaan estimasi (estimating equation),
yaitu rumus matematika yang menghubungkan variabel-variabel yang diketahui
dengan mengaplikasikan analisis korelasi (correlation analysis) untuk menentukan
tingkatan dimana variabel-variabel tersebut saling berhubungan.
Berdasarkan tabel diatas dapat dilihat nilai sig. pada tabel ANOVA diatas
merupakan nilai sg. dari uji t untuk setiap variabel. Sehingga dapat dilihat nilai sig.
Untuk variabel suhu = 0.009. Kedua variabel tersebut kurang dari 10% sehingga H0
ditolak, dan dapat disimpulkan bahwa variabel suhu dan isolasi mempengaruhi
biaya pembelian pemanas secara parsial.
Nilai sig. untuk variabel adalah 0,172 karena nilai sig. pada kedua variabel
usia lebih dari 10% maka H0 diterima dan dapat disimpulkan bahwa variabel usia
tidak signifikan mempengaruhi variabel biaya pembelian pemanas secara parsial.
Dari nilai standardized coefficinet terlihat bahwa variabel suhu
mempunyai nilai absolut yang paling besar, ini mengindikasikan bahwa temperatur
mempunyai pengaruh yang paling besar dibanding variabel yang lain (isolasi dan
usia).
II-86
5. Apabila variabel lain bernilai konstan maka nilai Y (cost) akan berubah
sebesar 14,3 setiap satu satuan X2 (isolasi)
6. Apabila variabel lain bernilai konstan maka nilai Y akan berubah sebesar
5,80 setiap satu satuan X3 (usia)
b. Uji R Square dapat ditunjukkan dengan melihat nilai R-sq di mana pada uji
ini nilanya sebesar 79,8% artinya variabel dependen (Y) dapat dijelaskan oleh
sekelompok variabel independen (X1, X2, X3) sacara simultan sebesar 79,8%
sedangkan sisanya (100% - 79,8% = 20,2%) dijelaskan oleh variabel lain
diluar model yang diteliti.
b. Unit Pereobaan
Sesuatu yang dikenai oleh perlakuan baik itu berupa perlakuan tunggal atau
merupakan gabungan dari beberapa perlakuan.
c. Kekeliruan Percobaan
Kekeliruan percobaan menyatakan kegagalan dari pada dua unit percobaan
identik yang dikenai perlakuan untuk memberikan hasil yang sama. Tentu
saja kekeliruan ini hendaknya diusahakan supaya terjadi sekecil-kecilnya.
d. Faktor
Adalah suatu variabel yang dengan sengaja dikontrol pada suatu eksperimen
untuk melihat dampak pada variabel respon.
e. Level Cara atau mode berbeda suatu faktor (turunan dari faktor)
f. Replikasi
Suatu perulangan atau banyaknya perulangan unit eksperimen pada
perlakuan tertentu.
d. Jenis bola
Jenis bola yang digunakan adalah bola bewarna putih yaitu bola berongga
bola bewarna pink yaitu bola golf.
Perbedaan nilai R-Square dan nilai R-Sq (adj) terletak pada tingkat
kepercayannya dalam menginterpretasi sebuah model. Literatur statistika
menyebutkan bahwa nilai R-Square yang dipakai adalah nilai R-Sq (adj) Karen
ajika ada tambahan variabel faktor nilai R-Sq (adj) cenderung tidak berubah. Jika
nilai dari R-Sq (adj) sebesar 46,47%, ini dapat menjelaskan bahwa model yang
dibuat dalam eksperimen ini dapat menggambarkan dengan keadaan aslinya sebesar
46,47%.
Berdasarkan hasil percobaan uji ANOVA pada tabel 3.1, diperoleh bahwa
:lokir yang dilakukan dalam penembakan akurasi dari percobaan memiliki p-value
>197, menggunakan nilai a = 0,05 maka p-value> a, dapat disirnpulkan bahwa
II-98
Berdasarkan gambar 5.4 (pertama) histogiam dari data dapat dilihat bahwa
data berbentuk lonceng dengan pusat titik 0 dan tidak memiliki pola tertentu seerti
skewness atau nilai ekstrim. Kemudian pada gambar 5.4 (kedua) dapat dilihat
bahwa data secara acak yang tersebardi sekitar titik 0 (garis horizontal), plot residu
yang tersebar akan membentuk pola khusus dan tidak ada nilai ekstrim tersebar
yang tersebar sangat jauh dari titik 0. Kemudian pada 5.4 (ketiga) dapat dilihat
bahwa tidak ada waktu ketergantungan pengamatan, pengumpulan data yang telah
ada dilakukan secara acak. Berdasarkan kelayakan model dapat disimpulkan bahwa
residual telah mengikuti aturan IIDN sehingga model layak digunakan faktorial Plot
Untuk mengetahui bagaimana perubahan faktor dapat mempengaruhi perubahan
dapat dilihat perubahan berdasarkan main effect plot dan interaction plot. Berikut
merupakan main effect plot dan interaction plot.
Berdasarkan gambar diatas, dapat dilihat bahwa faktor pertama yaitu jenis
senapan, senapan laras pendek memiliki akurasi yang lebih baik dibandingkan
dengan senapan laras panjang untuk pengambilan gambar di kisaran 26 kaki.
Kemudian, untuk faktor kedua yaitu peluru, peluru berbentuk tajam lebih akurasi
dari peluru berbentuk bulat. Mengacu kepada teori aerodinamis, karena peluru
berbentuk tajam memiliki drag yang lebih rendah dan hambatan udara yang lebih
rendah dibandingkan peluru berbentuk bulat, sehingga angin tidak mempengaruhi
lintasan peluru yang memiliki efek signifikan yang akurasi.
Faktor ketiga, posisi menembak memiliki efek untuk keakmasian
menembak. Posisi berlutut memiliki efek yang lebih baik dibandingkan posisi
II-101
Kemudian dalam interaction plot kedua, dapat dilihat bahwa garis dalam
plat kedua memiliki kemiringan yang berbeda tetapi tidak memiliki titik potong.
Hal ini berarti, ada efek yang mempengaruhi dari posisi menembak dan jenis
senapan terhadap keakurasian yang signifikan. Senapan laras pendek memiliki
akurasi yang lebih baik dibandingkan senapan laras panjang ketika ditembak posisi
berlutu, tetapi ketika. ditembak dalam posisi berdiri akan timbul tingkat
keakurasian yang berbeda. Dalam interaksi ketiga, antara jenis peluru dan posisi
menembak, dapat dilihat bahwa garis menunjukkan interaksi keduanya.
Berdasarkan diagram plot, jenis peluru berbentuk tajam memiliki keakurasian yang
stabil dalam setiap posisi menembak. Tapi, untuk jenis peluru berbentuk kubah ada
peningkatan keakurasian yang signifikan pada semua posisi menembak, bahkan
dekat ke titik akurasi peluru berbentuk tajam.