BAB I
PENDAHULUAN
1.1 Latar Belakang
Badan Statistika Indonesia melakukan uji hipotesis dari angka kelahiran
yang diramalkan 46 kali per tahun angka ini didapat dari data survey 5 tahun
yang lalu dengan data sampel 40 data di 3 daerah yaitu Pontianak, Bandung,
dan Lampung. Membuktikan hipotesis ini benar maka dilakukan uji hipotesis
yang beragam yaitu pada tingkat kepercayaan 95%, 90%, dan 80% untuk di
Bandung karena populasinya sangat banyak maka dilakukan uji hipotesis satu
arah, untuk semua kota simpangan yang diterapkan adalah 23.5 Memecahkan
permasalahan tersebut metode yang digunakan adalah metode pengujian
hipotesis. Hipotesis statistik adalah suatu anggapan atau pernyataan, yang
mungkin benar atau tidak, mengenai keadaan suatu populasi. Uji hipotesis
diselesaikan dengan perhitungan mean, variance, standar deviasi , sigma, uji
mean z, z hitung, z probabilitas, p-value, dan penentuan wilayahnya sehingga
didapatkan kesimpulan yang digunakan sebagai cara untuk mengatasi
permasalahan uji hipotesis dari angka kelahiran.
PT. Kebun Sejahtera melakukan pengamatan terhadap pengaruh penanaman
bibit, pemberian pupuk, pemberian peptisida, dan intensitas air terhadap produksi
padi. Pengamatan ini dilakukan oleh PT. Kebun Sejahtera melakukan pengamatan
ini untuk membuat persamaan regresi dan korelasi yang akan memperlihatkan
hubungan antara produksi padi dengan faktor-faktor yang mempengaruhinya dan
memberikan garis regresi prediksi yang terbaik.
Di ambil data yaitu penelitian bahwa umur tidak mempengaruhi hasil
pembelajaran Matematika di SD,SMP, dan SMA di kota Pontianak dan
penelitian tentang metode penanaman dan jenis papaya tidak mempengaruhi
berat papaya.
Analisis varians (ANOVA) adalah kumpulan model statistik dan
prosedur yang terkait, di mana diamati varian dalam suatu variabel tertentu
dipartisi ke dalam komponen yang timbul dari berbagai sumber
variasi. Dalam bentuknya yang paling sederhana ANOVA memberikan uji
statistik apakah atau tidak berarti dari beberapa kelompok semua sama.
Untuk alasan ini, ANOVA berguna dalam membandingkan dua, tiga atau
lebih berarti.Pada makalah ini akan didiskusikan perbandingan dua atau lebih
1.6 Flowchart
Dalam penelitian kali ini membahas tentang uji hipotesis, uji korelasi
dan regresi, dan ANOVA, berikut ini adalah flowchart metodologi
praktikumnya.
Mulai
Studi literature
1. Uji Hipotesis
2. Korelasi dan Regresi A
3. Analisa Variansi
Analisa Data
1. Analisa Uji Hipotesis
Menyiapkan alat dan bahan 2. Analisa Uji Korelasi dan Regresi
1. Lembar Kerja 3. Analisa Uji Anova
2. Alat Tulis
3. Kalkulator
4. Labtop
5. Software pendukung ( Microsoft Excel Kesimpulan dan
saran
Pengolahan Data
1. Perhitungan Kasus Uji Hipotesis Selesai
Secara Manual
2. Perhitungan Kasus Uji Hipotesis
Menggunakan Software
3. Perhitungan Kasus Korelasi dan
Regresi Secara Manual
4. Perhitungan Kasus Korelasi dan
Regresi Menggunakan Software
5. Perhitungan Kasus Analisa Variansi
Secara Manual
6. Perhitungan Kasus Analisa Variansi
Menggunakan Software
ANOVA, pengertian ANOVA satu arah dan dua arah , dan prosedur kerja
yang dilakukan untuk melakukan perhitungan ANOVA.
BAB III : PENGOLAHAN DATA
Pada bab ini berisi uraian tentang hasil pengumpulan data. Dalam
praktikum, teknik pengumpulan data merupakan faktor penting demi
keberhasilan praktikum. Hal ini berkaitan dengan bagaimana cara
mengumpulkan data, siapa sumbernya, serta apa alat dan bahan yang
digunakan. Pada pengumpulan data kali ini terdiri dari uraian kasus dan solusi
untuk meyelesaikan kasus tersebut.
BAB IV : ANALISA
Merupakan bagian keempat dari laporan yang berisi tentang pembuktian
dari hasil pengumulan serta pengolahan permasalahan yang terdapat dalam
praktikum. Bagian ini terdiri dari analisa perhitungan manual, analisa
perhitungan menggunakan software Microsoft excel 2013, dan analisa
perbandingan perhitungan software dan manual, perhitungan analisis regresi
dan korelasi secara manual, perhitungan analisis regresi dan korelasi dengan
menggunakan software, dan perbandingan perhitungan regresi dan korelasi
secara manual dan dengan menggunakan software, perhitungan analisis
Varians (ANOVA) secara manual, perhitungan ANOVA dengan
menggunakan software, dan perbandingan perhitungan ANOVA secara
manual dan dengan menggunakan software.
BAB V : KESIMPULAN DAN SARAN
Kesimpulan merupakan bagian dimana penulis makalah menyimpulkan
seluruh pembahasan beserta berbagai poin yang dicapai. Sedangkan pada
bagian saran adalah harapan penulis yang ditujukan kepada pembacanya
sesuai dengan topik makalah atau laporan yang dibuat.
BAB II
TINJAUAN PUSTAKA
2.1 Uji Hipotesis
Hipotesis adalah cabang Ilmu Statistika Inferensial yang dipergunakan
untuk menguji kebenaran suatu pernyataan secara statistik dan menarik
kesimpulan apakah menerima atau menolak pernyataan tersebut. Pernyataan
ataupun asumsi sementara yang dibuat untuk diuji kebenarannya tersebut
dinamakan dengan Hipotesis (Hypothesis) atau Hipotesa. Tujuan dari Uji
Hipotesis adalah untuk menetapkan suatu dasar sehingga dapat
mengumpulkan bukti yang berupa data-data dalam menentukan keputusan
apakah menolak atau menerima kebenaran dari pernyataan atau asumsi yang
telah dibuat. Uji Hipotesis juga dapat memberikan kepercayaan diri dalam
pengambilan keputusan yang bersifat Objektif.
Hipotesis (hipotesa) dapat diartikan secara sederhana sebagai dugaan
sementara. Hipotesis berasal dari bahasa Yunani hypo yang berarti di bawah
dan thesis yang berarti pendirian, pendapat yang ditegakkan, kepastian. Jika
dimaknai secara bebas, maka hipotesis berarti pendapat yang kebenarannya
masih diragukan. Suatu hipotesis harus diuji atau dibuktikan kebenarannya,
untuk bisa memastikan kebenaran dari pendapat tersebut. Seorang peneliti
dapat dengan sengaja menciptakan suatu gejala, yakni melalui percobaan atau
penelitian untuk membuktikan kebenaran suatu hipotesis, jika sebuah
hipotesis telah teruji kebenarannya, maka hipotesis akan disebut teori.
Prosedur pengujian hipotesis statistic adalah langkah-langkah yang di
pergunakan dalam menyelesaikan pengujian hipotesis tersebut. Berikut ini
langkah-langkah pengujian hipotesis statistic adalah sebagai berikut.
1. Menentukan Formulasi Hipotesis
Formulasi atau perumusan hipotesis statistic dapat di bedakan atas
dua jenis, yaitu sebagai berikut;
a) Hipotesis nol / nihil (H0)
Hipotesis nol adalah hipotesis yang dirumuskan sebagai suatu
pernyataan yang akan di uji. Hipotesis nol tidak memiliki perbedaan
atau perbedaannya nol dengan hipotesis sebenarnya.
b) Hipotesis alternatif/ tandingan (H1 / Ha)
Keterangan:
X̅ = Rata-rata dari sampel yang diambil
3. Korelasi Ganda
Korelasi ganda adalah bentuk korelasi yang digunakan untuk melihat
hubungan antara tiga atau lebih variabel (dua atau lebih variabel
independen dan satu variabel dependent. Korelasi ganda berkaitan dengan
interkorelasi variabel-variabel independen sebagaimana korelasi mereka
dengan variabel dependen. Korelasi ganda adalah suatu nilai yang
memberikan kuatnya pengaruh atau hubungan dua variabel atau lebih
secara bersama-sama dengan variabel lain. Korelasi ganda merupakan
korelasi yang terdiri dari dua atau lebih variabel bebas (X1,X2,…..Xn) serta
satu variabel terikat (Y). Apabila perumusan masalahnya terdiri dari tiga
masalah, maka hubungan antara masing-masing variabel dilakukan
dengan cara perhitungan korelasi sederhana.
Korelasi ganda memiliki koefisien korelasi, yakni besar kecilnya
hubungan antara dua variabel yang dinyatakan dalam bilangan. Koefisien
Korelasi disimbolkan dengan huruf R. Besarnya Koefisien Korelasi adalah
antara -1; 0; dan +1. Besarnya korelasi -1 adalah negatif sempurna yakni
terdapat hubungan di antara dua variabel atau lebih namun arahnya
terbalik, +1 adalah korelasi yang positif sempurna (sangat kuat) yakni
adanya sebuah hubungan di antara dua variabel atau lebih tersebut,
sedangkan koefisien korelasi 0 dianggap tidak terdapat hubungan antara
dua variabel atau lebih yang diuji sehingga dapat dikatakan tidak ada
hubungan sama sekali.
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk
mengukur ada atau tidaknya korelasi antarvariabel. Jika kita memiliki dua
buah variabel atau lebih maka sudah selayaknya apabila kita ingin
mempelajari bagaimana variabel-variabel itu berhubungan atau dapat
diramalkan.
Analisis Regresi atau biasa disingkat sebagai anareg adalah metode
yang digunakan untuk mengukur pengaruh variabel bebas terhadap
variabel tergantung. Anareg juga bisa digunakan untuk memprediksi
variabel tergantung dengan menggunakan variabel bebas. Gujarati (2006)
mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu
variabel yang disebut sebagai variabel yang diterangkan (the explained
variabel) dengan satu atau dua variabel yang menerangkan (the
Program Studi Teknik Industri
Universitas Tanjungpura 13
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
……………………...……… (2.7)
………………………...…… (2.8)
Korelasi merupakan salah satu teknik analisis dalam statistik yang
digunakan untuk mencari hubungan antara dua variabel yang bersifat
kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya
hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua
variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu
akan diikuti perubahan pada variabel yang lain secara teratur dengan arah
yang sama (korelasi positif) atau berlawanan (korelasi negatif).
Kedua variabel yang dibandingkan satu sama lain dalam korelasi dapat
dibedakan menjadi variabel independen dan variabel dependen. Sesuai
dengan namanya, variabel independen adalah variabel yang perubahannya
cenderung di luar kendali manusia. Sementara itu variabel dependen adalah
variabel yang dapat berubah sebagai akibat dari perubahan variabel
indipenden. Hubungan ini dapat dicontohkan dengan ilustrasi pertumbuhan
tanaman dengan variabel sinar matahari dan tinggi tanaman. Sinar matahari
merupakan variabel independen karena intensitas cahaya yang dihasilkan
oleh matahari tidak dapat diatur oleh manusia. Sedangkan tinggi tanaman
merupakan variabel dependen karena perubahan tinggi tanaman dipengaruhi
langsung oleh intensitas cahaya matahari sebagai variabel indipenden.
2.3 Analisis Varians
Analisis Varians (ANOVA) adalah suatu teknik statistik yang
memungkinkan kita untuk mengetahui apakah dua atau lebih mean populasi
akan bernilai sama dengan menggunakan data dari sampel masing-masing
populasi. Analisis varians juga dapat digunakan untuk keperluan uji hipotesis
sampel ganda untuk mean dengan teknik-teknik yang telah dijabarkan dengan
terperinci, namun analisis varians lebih efektif digunakan untuk menguji tiga
atau lebih populasi (Herinaldi, 2005).
Berdasarkan literatur Indonesia metode ini dikenal dengan berbagai
nama lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Analisis
varians merupakan pengembangan dari masalah Behrens-Fisher, sehingga
uji-F juga dipakai dalam pengambilan keputusan. Analisis varians pertama
kali diperkenalkan oleh Sir Ronald Fisher, bapak statistika modern. Analisis
varians juga merupakan uji hipotesis ataupun pendugaan dalam prakteknya.
Analisis varian dapat dilakukan untuk menganalisis data yang berasal
dari berbagai macam jenis dan desain penelitian. Analisis varian banyak
dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian
komparatif yaitu menguji variabel terikat dengan cara membandingkannya
pada kelompok-kelompok sampel independen yang diamati. Analisis varian
saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen.
Secara umum, analisis varians menguji dua varians (atau ragam) berdasarkan
hipotesis nol bahwa kedua varians itu sama. Varians pertama adalah varians
antar contoh (among samples) dan varians kedua adalah varians di dalam
masing-masing contoh (within samples). Dengan ide semacam ini, analisis
varians dengan dua contoh akan memberikan hasil yang sama dengan uji-t
untuk dua rerata (mean).
Prinsip dasar analisis varians adalah bahwa jumlah kuadrat total dan
beberapa kelompok dapat dianalisa atau dipisah-pisahkan menjadi beberapa
macam jumlah kuadrat. Dalam bentuknya yang paling sederhana jumlah
kuadrat total dapat dibagi menjadi dua bagian yaitu jumlah kuadrat dalam
kelompok dan jumlah kuadrat antar kelompok. Istilah jumlah kuadrat
Program Studi Teknik Industri
Universitas Tanjungpura 17
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
sebenarnya singkatan dari jumlah kuadrat deviasi skor dari mean, artinya
masing-masing skor dikurangi mean, kemudian hasil pengurangan untuk
masing-masing skor dikuadratkan, kemudian semua hasil kuadrat itu
dijumlah. Hasil jumlah inilah yang dinamakan dengan jumlah kuadrat.
Langkah-langkah melakukan uji hipotesis dengan ANOVA, yaitu:
1. Kumpulkan sampel dan kelompokkan berdasarkan kategori tertentu.
Untuk memudahkan pengelompokkan dan perhitungan, buat tabel
data sesuai dengan kategori berisi sampel dan kuadrat dari sampel tersebut.
Hitung pula total dari sampel dan kuadrat sampel tiap kelompok. Selain
itu, tentukan pula hipotesis nol (H0) dan hipotesis alternatif (H1).
2. Menentukan tipe ANOVA
Untuk menentukan tipe ANOVA, terlebih dahulu bertanya apakah
dari hipotesis tersebut cocok untuk ANOVA? Jika tujuannya
membandingkan rata-rata tiga kelompok atau lebih maka boleh pakai
ANOVA. Pertanyaan kedua apakah sampel tiap kelompok diambil dari
sampel yang berbeda? Jika berasal dari sampel yang berbeda maka
menggunakan ANOVA satu arah/one way.
3. Memeriksa apakah sudah memenuhi asumsi-asumsi sehingga bisa
digunakan ANOVA
a. Normalitas, adalah Menguji apakah data tiap kelompok memiliki
distribusi normal. Hal ini bisa dilakukan dengan uji kolmogorov
smirnov, shapira wilk.
b. Homogenitas, adalah menguji apakah varians tiap kelompok sama.
Dalam menghitung homogenitas bisa digunakan uji bartlett dan uji
levene.
c. Saling bebas
Menunjukkan bahwa setiap kelompok tidak saling berhubungan.
Biasanya yang digunakan logika apakah saling bebas atau tidak.
d. Aditif (saling menjumlahkan).
Artinya data yang dianalisis merupakan data interval/rasio.
4. Menghitung variabilitas dari seluruh sampel.
Pengukuran total variabilitas atas data dapat dikelompokkan menjadi tiga
bagian, berikut rumus dalam ANOVA:
1) Total of sum squares (SSt) – jumlah kuadrat total (jkt).
Program Studi Teknik Industri
Universitas Tanjungpura 18
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
Keterangan:
k = banyaknya kolom
N=Banyaknya pengamatan/ keseluruhan data
ni= banyaknya ulangan di kolom ke-i xij = data pada kolom ke-i
ulangan ke-j T** = Total (jumlah) seluruh pengamatan
2) Sum Square Between (SSb) – jumlah kuadrat kolom (jkk).
Variansi rata-rata kelompok sampel terhadap rata-rata keseluruhannya.
Variansi di sini lebih terpengaruh karena adanya perbedaan perlakuan
antar kelompok.
𝑇∗12 𝑇2
𝐽𝐾𝐾 = ∑𝑘𝑖=0 − ………………………………………....… (2.10)
𝑛1 𝑁
Keterangan
T*i = Total (jumlah) ulangan pada kolom ke-i
3) Sum Square within (SSw) – jumlah kuadrat galat (jkg).
Variansi yang ada dalam masing-masing kelompok. Banyaknya
variansi akan tergantung pada banyaknya kelompok, dan variansi di sini
tidak terpengaruh/tergantung oleh perbedaan perlakuan antar
kelompok.
JKG = JKT – JKK……………………………………………… (2.11)
4. Menghitung derajat kebebasan (degree of freedom)
Derajat kebebasan atau degree of freedom (dilambangkan dengan v,
dof, atau db) dalam ANOVA akan sebanyak variabilitas. Oleh karena
itu, ada tiga macam derajat kebebasan yang akan kita hitung:
1) Derajat kebebasan untuk JKT
Merupakan derajat kebebasan dari Jumlah kuadrat total (JKT) ini
akan kita lambangkan dengan dof JKT.
db JKT = N – 1…………………………………………..…. (2.12)
2) Derajat kebebasan untuk JKK
Merupakan derajat kebebasan dari Jumlah kuadrat kolom (JKK) ini
akan kita lambangkan dengan dof JKK.
db JKK = k-1…………………………………...………..….. (2.13)
Program Studi Teknik Industri
Universitas Tanjungpura 19
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
3.1 Pengumpulan dan Data Historis
1. Badan Statistika Indonesia ingin mencari uji hipotesis dari angka kelahiran
yang diramalkan 46 kali per tahun angka ini didapat dari data survey 5
tahun yang lalu dengan data sampel 40 data di 3 daerah yaitu Pontianak,
Bandung dan Lampung. Untuk membuktikan hipotesis ini benar, maka
dilakukan uji hipotesis yang beragam yaitu pada tingkat kepercayaan 95%,
90% dan 80%. Untuk di Bandung daerah populasinya sangat banyak maka
dilakukan uji hipotesis satu arah, sedangkan untuk di Pontianak dan
Lampung menggunakan uji hipotesis dua arah, untuk semua kota
simpangan yang diterapkan adalah 23.5.
Pontianak :
Tabel 3.1 Hasil Pengamatan Daerah Pontianak
42.8 51 50.3 50.9 41.9 49.5 52.1 44.7 46.1 48.3
47.2 43.4 44.4 50.3 50.5 50.1 46.3 47.9 47.2 48.8
45.2 44.4 46.6 47.5 45.4 50.1 48.3 50.2 43.5 45.1
45.5 42.4 45.9 42.3 51.7 42.2 51.9 45.5 50.4 50.5
Bandung :
Tabel 3.2 Hasil Pengamatan Daerah Bandung
52.8 45.8 45.1 42.6 47.8 47.6 56.7 44.6 48.1 45.8
54.3 47.6 41.3 44.5 52.1 50.2 43.3 48.6 48.8 50
51.1 48.7 48.3 49.6 41.3 48.4 50.9 54 44.4 51.3
47.3 53.3 51.5 44.9 45.3 41.7 45.5 47.4 47.2 48.1
Lampung :
Tabel 3.3 Hasil Pengamatan Daerah Lampung
42.6 43.5 46.3 40.1 37.9 41.7 42.8 45.7 39.3 42
37.5 43.4 40.7 41.9 39.3 47.7 38.2 45.4 34.6 41.5
37.3 42.5 43 42.4 37.6 42 43.2 44.6 41.5 41.3
41.8 37.6 38 38.2 37.8 37.8 40.4 45.5 42.5 39.2
2. Suatu perusahaan perkebunan melakukan pengamatan terhadap pengaruh
penanaman bibit, pemberian puput, pemberian peptisida dan intensitas air
terhadap produksi padi. Pengamatan ini dilakukan oleh perusahaan untuk
membuat persamaan regresi dan korelasi yang akan memperlihatkan
43 10 195 68 18 506
14 3 160 67 26 355
50 5 179 65 62 600
35 3 156 77 78 490
20 3 174 99 69 498
50 5 108 84 46 525
23 1 158 92 82 376
47 3 131 95 74 319
17 7 182 71 97 301
14 10 181 68 50 563
39 5 110 53 83 407
29 3 171 73 22 532
27 10 198 75 94 342
21 1 158 99 46 491
24 7 155 96 85 397
46 5 132 52 31 335
43 3 171 94 88 387
13 8 143 70 31 324
44 10 198 54 66 510
24 9 124 89 100 467
16 8 116 79 25 435
14 6 169 86 80 427
10 1 113 89 77 599
46 1 166 88 52 598
41 1 160 82 28 435
33 4 167 65 81 398
46 10 147 69 52 599
29 7 173 95 93 328
48 5 153 86 48 504
30 7 105 76 63 364
17 2 101 91 18 572
11 6 188 55 100 558
42 7 154 75 66 375
49 7 139 59 21 343
12 5 120 51 13 387
47 5 165 54 85 510
42 3 113 96 64 362
26 5 180 95 26 469
x 0 47.2075 46
z =
/ n 23.5 / 40
Z = 0.324974
g. Kesimpulan
Diperoleh Z = 0,070304 maka z < z . Karena nilai Z terletak
2
diantara wilayah kritis, maka -1.96 < 0.070304 < 1.96 adalah
memenuhi, sehingga H0 diterima dan H1 ditolak, dapat disimpulkan
bahwa angka kelahiran di Pontianak sama dengan 46 kali per tahun.
Program Studi Teknik Industri
Universitas Tanjungpura 29
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
x 0 47.945 46
z =
/ n 23.5 / 40
Z = 0,523458
g. Kesimpulan
Diperoleh Z = 0,523458, maka z < z . Karena nilai Z lebih
2
x 0 41.1575 46
z =
/ n 23.5 / 40
Z = -1,30326
g. Kesimpulan
Diperoleh Z = -1,30326 maka z < z . Karena nilai Z terletak
2
diantara wilayah kritis, maka -1.28 > -1,30326 < 1,28 adalah tidak
memenuhi, sehingga H0 ditolak dan H1 diterima, dapat disimpulkan
bahwa angka kelahiran di Lampung tidak sama dengan 46 kali per
tahun.
b. Perhitungan Kasus Uji Hipotesis Dengan Menggunakan Software
Meskipun pengolahan data dapat dilakukan secara manual,
pengolahan data juga dapat dilakukan dengan menggunakan software.
Dimana, menggunanakan software akan lebih memudahkan untuk
perhitungan. Software yang digunakan dalam praktikum ini adalah
microsoft excel 2013. Perhitungan data dengan menggunakan microsoft
excel 2013 yaitu perhitngan mean, variansi, sigma, uji mean Z, Z dan P-
value. Berikut ini merupakan tahapan-tahapan dari pengolahan data
menggunakan software :
1. Pengolahan data daerah Pontianak menggunakan software
a. Bukalah software microsoft excel 2013 serta masukkan tabel data
daerah Pontianak ke dalam worksheet pada excel seperti gambar
dibawah ini :
= -0.030009
(∑Y)(∑X²) − (∑X)(∑XY)
a=
n(∑𝑥 2 ) − (∑X)²
( 3000) ( 2345217) −(15029)(448274)
=
100(2345217) − (15029)²
= 34.50999
Maka persamaan regresinya adalah:
Y = a + bx
= 34.50999 - 0.030009X
Dari hasil persamaan regresi tersebut dapat diketahui bahwa nilai
intercept (konstanta a) sebesar 34.50999. Jika regresi variabel X
bernilai 0 (nol) maka variabel dependen (Y) bernilai 34.50999. Nilai
koefisiennya bernilai positif yaitu -0.030009 yang berarti setiap satu
satuan akan menyebabkan nilai variabel Y bertambah sebesar -
0.030009.
b. Perhitungan regresi produksi padi dan penanaman bibit dengan
menggunakan software
Langkah pertama yang dilakukan adalah menginput data variable
Y (produksi padi) dan X (penanaman bibit) pada microsoft excel, data
yang akan dibandingkan seperti gambar berikut.
Gambar 3.24 Mencari Nilai Regresi Hubungan Produksi Padi dan Penanaman
Bibit
Tampilan hasil menggunakan software adalah sebagai berikut.
Gambar 3.25 Hasil Regresi Hubungan Produksi Padi dan Penanaman Bibit
Kemampuan membaca hasil keluaran diperlukan karena begitu
banyak data yang ditampilkan, maka diberi warna untuk nilai-nilai yang
penting untuk dilakukan perbandingan dengan perhitungan manual.
Warna merah (R square) menunjukkan koefisien determinasi, warna
biru (adjusted R square) menunjukkan besarnya pengaruh yang
diberikan. Warna hijau pada regression merupakan nilai F hitung
sedangkan warna kuning pada significance F menunjukkan nilai P
value. Persamaan regresi dapat dilihat pada warna coklat yang
menunjukkan konstanta a dan warna ungu menunjukkan koefisien
regresi. Warna abu-abu pad t start menunjukkan nilai t hitung. Apabila
persamaan regresi digambarkan dalam bentuk grafik, maka tampak
seperti berikut.
= 96+80+54+56+100+....+16
= 7567
∑XY = n1 + n2 + n3 + n4 + n5 +....+ n99
= 4224+2080+1296+2632+1700+.....+574
= 224715
∑X2 = n1 + n2 + n3 + n4 + n5 +....+ n99
= 9216+6400+2916+3136+10000+......196
= 596859
Setelah mendapatkan hasil perhitungan dari variabel, maka
sebelum menghitung nilai regresi hal yang harus dilakukan adalah
menentukan nilai a dan nilai b sebagai berikut:
(∑XY) – (∑X)(∑Y)
b =n
n(∑𝑥 2 ) – (∑X)²
100( 224715)– (7567)( 3000)
=
100(596859)−(7567)²
= -0.09458
(∑Y)(∑X2) − (∑X)(∑XY)
a=
n(∑𝑥 2 ) − (∑X)²
( 3000) (596859) −(7567)(224715)
=
100(596859) − (7567)²
= 37.1571819
Maka persamaan regresinya adalah :
Y = a + bx
= 37.1571819 - 0.09458X
Dari hasil persamaan regresi tersebut dapat diketahui bahwa nilai
intercept (konstanta a) sebesar 37.1571819. Jika regresi variabel X
bernilai 0 (nol) maka variabel dependen (Y) bernilai 37.1571819. Nilai
koefisiennya bernilai positif yaitu -0.09458 yang berarti setiap satu
satuan akan menyebabkan nilai variabel Y bertambah sebesar -0.09458.
b. Perhitungan regresi produksi padi dan pemberian pupuk dengan
menggunakan software
Langkah pertama yang dilakukan adalah menginput data variable
Y (produksi padi) dan X (pemberian pupuk) pada microsoft excel, data
yang akan dibandingkan seperti gambar berikut.
Gambar 3.27 Hasil Pengumpulan Data Produksi Produksi Padi dan Pemberian
Pupuk
Langkah selanjutnya yaitu mencari persamaan regresi dengan
cara memilih menu data > data analysis dan masukan nilai variabel Y
dan X dengan cara di blok, seperti pada gambar berikut.
Gambar 3.28 Mencari Nilai Regresi Hubungan Produksi Padi dan Pemberian
Pupuk
Tampilan hasil menggunakan software adalah sebagai berikut.
Gambar 3.29 Hasil Regresi Hubungan Produksi Padi dan Pemberian Pupuk
= 5929+625+3600+5476+289.......256
= 423653
Setelah mendapatkan hasil perhitungan dari variabel, maka
sebelum menghitung nilai regresi hal yang harus dilakukan adalah
menentukan nilai a dan nilai b sebagai berikut:
(∑XY) – (∑X)(∑Y)
b =n
n(∑𝑥 2 ) – (∑X)²
100( 177165)– (5919)( 3000)
=
100(423653)−(5919)²
= -0.00552
(∑Y)(∑X2) − (∑X)(∑XY)
a=
n(∑𝑥 2 ) − (∑X)²
( 3000) (423653) −(5919)(177165)
=
100(423653) − (5919)²
Program Studi Teknik Industri
Universitas Tanjungpura 53
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
= 30.32701
Maka persamaan regresinya adalah :
Y = a + bx
= 30.32701 - 0.00552X
Dari hasil persamaan regresi tersebut dapat diketahui bahwa nilai
intercept (konstanta a) sebesar 30.32701. Jika regresi variabel X
bernilai 0 (nol) maka variabel dependen (Y) bernilai 30.32701. Nilai
koefisiennya bernilai positif yaitu -0.00552 yang berarti setiap satu
satuan akan menyebabkan nilai variabel Y bertambah sebesar -0.00552.
b. Perhitungan regresi produksi padi dan pemberian peptisisda dengan
menggunakan software
Langkah pertama yang dilakukan adalah menginput data variable
Y (produksi padi) dan X (pemberian peptisida) pada microsoft excel,
data yang akan dibandingkan seperti gambar berikut.
Gambar 3.31 Hasil Pengumpulan Data Produksi Padi dan Pemberian Peptisida
Langkah selanjutnya yaitu mencari persamaan regresi dengan
cara memilih menu data > data analysis dan masukan nilai variabel Y
dan X dengan cara di blok, seperti pada gambar berikut.
Gambar 3.32 Mencari Nilai Regresi Hubungan Produksi Padi dan Pemberian
Peptisida
Tampilan hasil menggunakan software adalah sebagai berikut.
Gambar 3.33 Hasil Regresi Hubungan Produksi Padi dan Pemberian Peptisida
Kemampuan membaca hasil keluaran diperlukan karena begitu
banyak data yang ditampilkan, maka diberi warna untuk nilai-nilai yang
penting untuk dilakukan perbandingan dengan perhitungan manual.
Warna merah (R square) menunjukkan koefisien determinasi, warna
biru (adjusted R square) menunjukkan besarnya pengaruh yang
diberikan. Warna hijau pada regression merupakan nilai F hitung
sedangkan warna kuning pada significance F menunjukkan nilai P
value. Persamaan regresi dapat dilihat pada warna coklat yang
menunjukkan konstanta a dan warna ungu menunjukkan koefisien
regresi. Warna abu-abu pad t start menunjukkan nilai t hitung. Apabila
persamaan regresi digambarkan dalam bentuk grafik, maka tampak
seperti berikut.
= 395+380+573+593+456+....+468
= 44478
∑XY = n1 + n2 + n3 + n4 + n5 +....+ n99
= 17380+9880+13752+27871+7752+.....+19188
= 1344920
∑X2 = n1 + n2 + n3 + n4 + n5 +....+ n99
= 156025+144400+328329+351649+207936+.......+219024
= 20484148
Setelah mendapatkan hasil perhitungan dari variabel, maka
sebelum menghitung nilai regresi hal yang harus dilakukan adalah
menentukan nilai a dan nilai b sebagai berikut:
(∑XY) – (∑X)(∑Y)
b =n
n(∑𝑥 2 ) – (∑X)²
100( 1344920)– (44478)( 3000)
=
100(20484148)−(44478)²
= 0.01508792
(∑Y)(∑X2) − (∑X)(∑XY)
a=
n(∑𝑥 2 ) − (∑X)²
( 3000) (20484148) −(44478)(1344920)
=
100(20484148) − (44478)²
= 23.28919427
Maka persamaan regresinya adalah:
Y = a + bX
= 23.2891427 + 0.01508792X
Dari hasil persamaan regresi tersebut dapat diketahui bahwa nilai
intercept (konstanta a) sebesar 23.2891427. Jika regresi variabel X
bernilai 0 (nol) maka variabel dependen (Y) bernilai 23.2891427. Nilai
koefisiennya bernilai positif yaitu 0.01508792 yang berarti setiap satu
satuan akan menyebabkan nilai variabel Y bertambah sebesar
0.01508792.
b. Perhitungan regresi produksi padi dan intensitas dengan menggunakan
software
Langkah pertama yang dilakukan adalah menginput data variable
Y (produksi padi) dan X (intensitas air) pada microsoft excel, data yang
akan dibandingkan seperti gambar berikut.
Program Studi Teknik Industri
Universitas Tanjungpura 59
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
Gambar 3.35 Hasil Pengumpulan Data Produksi Padi dan Intensitas Air
Langkah selanjutnya yaitu mencari persamaan regresi dengan cara
memilih menu data > data analysis dan masukan nilai variabel Y dan X
dengan cara di blok, seperti pada gambar berikut.
Gambar 3.36 Mencari Nilai Regresi Hubungan Produksi Padi dan Intensitas
Air
Tampilan hasil menggunakan software adalah sebagai berikut.
Gambar 3.37 Hasil Regresi Hubungan Produksi Padi dan Intensitas Air
Kemampuan membaca hasil keluaran diperlukan karena begitu
banyak data yang ditampilkan, maka diberi warna untuk nilai-nilai yang
Gambar 3.38 Grafik Regresi Produksi Padi dan Intensitas Air Hasil Scatter Plot
5. a. Perhitungan regresi produksi padi, pemberian pupuk dan pemberian peptisida
secara manual
Tabel 3.14 Data Produksi Padi, Pemberian Pupuk dan Pemberian Peptisida
Tabel 3.14 Data Produksi Padi, Pemberian Pupuk dan Pemberian Peptisida (Lanjutan)
Tabel 3.14 Data Produksi Padi, Pemberian Pupuk dan Pemberian Peptisida (Lanjutan)
= -0.094481613
= -0.000658957
(∑ 𝑦)−(𝑏1 . ∑ 𝑋1)−(𝑏2 . ∑ 𝑋2)
a= 𝑛
(3000)−(7567(−0.094481613))−(−0.000658957(5919) )
=
100
= 37.18842734
Jadi, persamaan regresi linear bergandanya adalah :
Y= a + b1X1 + b2X2
Y= 37.18842734 - 0.094481613X1- 0.000658957X2
Dari hasil persamaan regresi tersebut dapat diketahui bahwa nilai
intercept (konstanta a) sebesar 37.18842734. Jika regresi variabel X
bernilai 0 (nol) maka variabel dependen (Y) bernilai 37.63411. Nilai
koefisiennya bernilai positif yaitu -0.094481613 dan -0.000658957 yang
berarti setiap satu satuan akan menyebabkan nilai variabel Y bertambah
sebesar -0.094481613 dan -0.000658957.
b.Perhitungan regresi produksi padi, pemberian pupuk dan pemberian
peptisida dengan menggunakan software
Langkah pertama yang dilakukan adalah menginput data variable
Y (produksi padi), X1 (pemberian pupuk), X2 (pemberian peptisida)
pada microsoft excel, data yang akan dibandingkan seperti gambar
berikut.
Gambar 3.39 Hasil Pengumpulan Data Produksi Padi, Pemberian Pupuk, dan
Pemberian Peptisida
Langkah selanjutnya yaitu mencari persamaan regresi dengan cara
memilih menu data > data analysis dan masukan nilai variabel Y dan X
dengan cara di blok, seperti pada gambar berikut.
Gambar 3.41 Hasil Regresi Hubungan Produksi Padi, Pemberian Pupuk, dan
Pemberian peptisida
Kemampuan membaca hasil keluaran diperlukan karena begitu
banyak data yang ditampilkan, maka diberi warna untuk nilai-nilai yang
penting untuk dilakukan perbandingan dengan perhitungan manual.
Warna biru (R square) menunjukkan koefisien determinasi, warna
merah (adjusted R square) menunjukkan besarnya pengaruh yang
diberikan. Warna hijau pada regression merupakan nilai F hitung
sedangkan warna kuning pada significance F menunjukkan nilai P
value. Persamaan regresi dapat dilihat pada warna coklat yang
menunjukkan konstanta a dan warna ungu menunjukkan koefisien
regresi. Warna abu-abu pada t stat menunjukkan nilai t hitung. Apabila
persamaan regresi digambarkan dalam bentuk grafik, maka tampak
seperti berikut.
Produksi Padi
y = -0.1401x + 79.872 y = -0.0247x + 59.932
120 R² = 0.0132 R² = 0.0001
100
Pemberian
80 Pupuk
60
40 Pemberian
20 Peptisida
0
0 20 40 60
Langkah pertama adalah dengan memblok data produksi padi dan lama
pemberian pupuk.
Gambar 3.44 Hasil Korelasi Persamaan Produksi Padi dan Penanaman Bibit
Dari langkah tersebut didapatkan hasil korelasi produksi padi dan
penanaman bibit adalah -0.068954895 yang berarti antara produksi padi
dan penanaman bibit memiliki hubungan yang tidak erat.
2. a) Perhitungan analisis korelasi pada perbandingan hubungan antara
produksi padi dan pemberian pupuk secara manual
𝑛 . ∑ 𝑋𝑌−(∑ 𝑋)(∑ 𝑌)
r=
√[𝑛 .∑ 𝑋 2 −(∑ 𝑋)2 ] .[𝑛 .∑ 𝑌 2 −(∑ 𝑌)2 ]
Gambar 3.46 Hasil Korelasi Persamaan Produksi Padi dan dan Pemberian
Pupuk
Dari langkah tersebut didapatkan hasil korelasi produksi padi dan
pemberian pupuk adalah -0.0115104032 yang berarti antara produksi
padi dan pemberian pupuk memiliki hubungan yang tidak erat.
3. a) Perhitungan analisis korelasi pada perbandingan hubungan antara
produksi padi dan pemberian peptisida secara manual
𝑛 . ∑ 𝑋𝑌−(∑ 𝑋)(∑ 𝑌)
r=
√[𝑛 .∑ 𝑋 2 −(∑ 𝑋)2 ] .[𝑛 .∑ 𝑌 2 −(∑ 𝑌)2 ]
Gambar 3.48 Hasil Korelasi Persamaan Produksi Padi dan dan Pemberian
Peptisida
Dari langkah tersebut didapatkan hasil korelasi produksi padi dan
pemberian peptisida adalah -0,011686142 yang berarti antara produksi
padi dan pemberian peptisida memiliki hubungan yang tidak erat.
4. a) Perhitungan analisis korelasi pada perbandingan hubungan antara
produksi padi dan intensitas air secara manual
𝑛 . ∑ 𝑋𝑌−(∑ 𝑋)(∑ 𝑌)
r=
√[𝑛 .∑ 𝑋 2 −(∑ 𝑋)2 ] .[𝑛 .∑ 𝑌 2 −(∑ 𝑌)2 ]
Gambar 3.49 Penginputan Data Persamaan Produksi Padi dan Intensitas Air
pada Correlation
Setelah data produksi padi dan intensitas air di masukan ke kolom
input range lalu mengklik OK.
Gambar 3.50 Hasil Korelasi Persamaan Produksi Padi dan dan Intensitas Air
Dari langkah tersebut didapatkan hasil korelasi produksi padi dan
intensitas air adalah 0.09870706914 yang berarti antara produksi padi
dan intensitas air memiliki hubungan yang tidak erat.
5. a) Perhitungan analisis korelasi pada perbandingan hubungan antara
produksi Padi, Pemberian Pupuk dan Pemberian Peptsida secara
manual.
n=100
∑ X1 = 7567
∑ X2 = 5919
∑ Y = 3000
∑ X12 = 596859
∑ X22 = 423653
∑ X1X2 = 451666
∑ X1Y = 224715
∑ X2Y = 177165
Untuk menghitung korelasi berganda, terlebih dahulu hitung nilai
koefisien korelasi antar variabel yaitu koefisien produksi kaca terhadap
derajat panas (ryX1) dan koefisien korelaso produksi kaca terhadap lama
pembakaran (ryx2). Kemudian dihitung menggunakan rumus:
𝑛 ∑ 𝑥1 𝑥2 −(∑ 𝑥1 )(∑ 𝑥2 )
rX1x2 =
√𝑛(∑ 𝑥1 2 )−(∑ 𝑥1 )2 √𝑛(∑ 𝑥2 2 )−(∑ 𝑥2 )2
(100) (451666)−(7567)(5919)
=
√100(596859)−(7567)2 √100(423653)−(5919)2
= -328.33
= 0.000679754
Jadi koefisien korelasi ganda antara derajat panas dan lama
perendaman terhadap produksi kaca adalah 0.000679754.
b) Perhitungan analisis korelasi pada perbandingan hubungan antara
produksi Padi, Pemberian Pupuk dan Pemberian Peptsida dengan
menggunakan software.
Langkah pertama adalah dengan memblok data produksi padi,
pemberian pupuk dan pemberian peptisida.
Gambar 3.52 Hasil Korelasi Persamaan Produksi Padi, pemberian pupuk dan
pemberian peptisida pada Correlation
Dari langkah tersebut didapatkan hasil korelasi produksi padi,
pemberian pupuk dan pemberian peptisida adalah 0.089514204 yang
berarti antara produksi padi dan intensitas air memiliki hubungan yang
tidak erat.
∑(Y − Ŷ2 )
Se = √
n−2
16306.09772
Se = √ 100−2
Se = √166.3888
= 12.89918
Maka, nilai standar error dari persamaan 1 adalah sebesar 12.89918.
b. Perhitungan Persamaan Garis Prediksi Terbaik pada Perbandingan
antara Produksi Padi dengan Pemberian Pupuk
Tabel 3.16 Perhitungan Y Prediksi Persamaan 2
Pemberian
No. Produksi Padi (Y) Ypred Y-Ypred (Y-Ypred)²
Pupuk (X)
1 44 96 28.0771044 15.92289559 253.5386038
2 26 80 29.5904507 -3.59045067 12.89133601
3 24 54 32.0496383 -8.049638334 64.79667731
∑(Y − Ŷ2 )
Se = √
n−2
16166.9294
Se = √
100−2
Se = √164.9687
= 12.84401
Maka, nilai standar error dari persamaan 2 adalah sebesar 12.84401.
∑(Y − Ŷ2 )
Se = √
n−2
16381.7625
Se = √
100−2
Se = √167.1608
= 12.92907
Maka, nilai standar error dari persamaan 3 adalah sebesar 12.92907.
d. Perhitungan Persamaan Garis Prediksi Terbaik pada Perbandingan
antara Produksi Padi dengan Intensitas Air
Tabel 3.18 Perhitungan Y Prediksi Persamaan 4
No. Produksi Padi (Y) Intensitas Air (X) Ypred Y-Ypred (Y-Ypred)²
1 44 395 29.24892 14.75108 217.5942648
2 26 380 29.0226 -3.0226 9.136137628
3 24 573 31.93457 -7.93457 62.95745339
4 47 593 32.23633 14.76367 217.9659009
5 17 456 30.16929 -13.1693 173.4301064
6 17 423 29.67139 -12.6714 160.5639996
∑(Y − Ŷ2 )
Se = √
n−2
16224.36979
Se = √
100−2
Se = √165.55478
= 12.866681
Maka, nilai standar error dari persamaan 4 adalah sebesar 12.866681.
Tabel 3.19 Perhitungan Y Prediksi Persamaan 5
Produksi Pemberian Pemberian
No. Ypred Y-Ypred (Y-Ypred)²
Padi (Y) Pupuk Peptisida
1 44 96 77 28.0674528 15.93254722 253.8460609
2 26 80 25 29.6134243 -3.613424345 13.0568355
3 24 54 60 32.0468828 -8.046882807 64.75232291
4 47 56 74 31.8486942 15.15130581 229.5620679
∑(Y − Ŷ2 )
Se = √
n−2
16166.89782
Se = √
100 − 2
Se = √164.9683
= 12.91003678
Maka, nilai standar error dari produksi padi, pemberian pupuk, dan
pemberian peptisida adalah sebesar 12.844.
= 25726.86
JKS = JKT –JKK
= 25726.86 – 3185.837
= 22541.02
V1 = k-1
= 3-1
=2
V2 = N-k
= 135-3
= 132
𝐽𝐾𝐾
S12 =
𝑉₁
3185.837
=
2
= 1592.919
𝐽𝐾𝑆
S22 =
𝑉2
22541.02
=
132
= 170.7653
𝑠₁2
Maka : Fhitung =
𝑠₂2
1592.919
=
170.7653
= 9.328115
Tabel 3.22 Hasil Perhitungan Manual Pada Kasus Pertma
Sumber Derajat Jumlah Varian F.hitung F.tabel
keseragman bebas kuadrat
Antar kolom 3 3185.837 1592.919 9.328115 3.064761
= 1592.919
𝐽𝐾𝑆
S22 =
𝑉2
22541.02
=
132
= 170.7653
𝑠₁2
Maka : Fhitung =
𝑠₂2
1592.919
=
170.7653
= 9.328115
Tabel 3.24 Hasil Perhitungan Manual Pada Kasus Pertma
Sumber Derajat Jumlah Varian F.hitung F.tabel
keseragman bebas kuadrat
Antar kolom 3 3185.837 1592.919 9.328115 4.76964
Gambar 3.56 Hasil Pengolahan Software Data Uji ANOVA Satu Arah
Dari hasil yang didapatkan maka diperoleh F hitung (warna ungu)
sebesar 9.32811 dan F crit (warna pink) sebesar 3.06476, maka dapat
disimpulkan F hitung > F crit yang berarti H1 diterima yang menyatakan
bahwa umur mempengaruhi hasil pembelajaran matematika.
b) ANOVA satu arah dengan menggunakan tingkat signifikasi 0.01.
Data terdiri dari umur, dan nilai matematika. Berikut adalah
rekapan data.
Gambar 3.60 Hasil Pengolahan Software Data Uji ANOVA Satu Arah
Dari hasil yang didapatkan maka diperoleh F hitung (warna ungu)
sebesar 9.32811 dan F crit (warna pink) sebesar 4.76964, maka dapat
disimpulkan F hitung > F crit yang berarti H1 diterima yang menyatakan
bahwa umur mempengaruhi hasil pembelajaran matematika.
2. Perhitungan Kasus Kedua Analisa Varians
a. Perhitungan Kasus Kedua Analisa Varians Secara Manual
Tabel 3.25 Rekap Data Pengolahan Kasus Kedua
Metode Penanaman
A B C D E
I 2 2.4 2.5 2.1 3
Jenis Pepaya II 2.7 4 2.4 2.2 2
III 3.1 4.3 3.5 3.4 3
IV 2.8 2.5 2.7 2.3 3.1
V 3.1 1.8 2 3 4
Uji Hipotesis
H0=µ1= µ2= µ3 (Metode dan jenis pepaya tidak mempengaruhi berat
pepaya)
H1≠ µ1≠ µ2≠ µ3 (Metode dan jenis pepaya mempengaruhi berat pepaya)
Program Studi Teknik Industri
Universitas Tanjungpura 96
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
Mencari F hitung:
𝐵𝑖 2 𝑇2
JKB = ∑ 𝑟𝑛 − 𝑁
122 13.32 17.32 13.42 13.92 69.92
=( + + + + )−( )
5 5 5 5 5 25
= 206.35 – 195.4404
= 10.9096
JKS = JKT – JKB – JKK
= 10.9096 – 3.1496 – 0.8216
= 6.9384
V1 = r-1
= 5-1
=4
V2 = k-1
= 5-1
=4
V3 = (r-1) (k-1)
= (5-1) (5-1)
= 16
V4 = rk-1
=5x5-1
= 25 - 1
= 24
𝐽𝐾𝐵
S12 = 𝑉₁
3.1496
= = 0.7874
4
𝐽𝐾𝐾
S22 = V₂
0.8216
= = 0.2054
4
𝐽𝐾𝑆
S32 = V₃
6.9384
= = 0.43365
16
𝐽𝐾𝑇
S42 =
𝑉₄
10.9096
= = 0.436384
25
Maka Fhitung :
𝑠₁2
= 𝑠₃2
0.7874
= 0.43365
= 1.81575
𝑠₂2
= 𝑠₃2
0.2054
= 0.43365
= 0.473654
Tabel 3.26 Hasil Perhitungan Manual Kasus Kedua
Sumber Derajat Jumlah
Varian F.hitung F.tabel
keseragman bebas kuadrat
Blok 4 3.1496 0.7874 1.81575 3.006917
0.8216 0.2054
Antar kolom 4 0.473654 3.006917
Gambar 3.64 Hasil Pengolahan Software Data Uji ANOVA Dua Arah
Dari hasil yang didapatkan maka diperoleh pada rows F hitung
(warna hijau) sebesar 1.81575 dan F crit (warna ungu) sebesar 3.006917,
maka dapat disimpulkan pada rows F hitung < F crit yang berarti H0
diterima yang menyatakan bahwa metode dan jenis papaya tidak
mempengaruhi berat pepaya, sedangkan hasil yang didapatkan pada
columns F hitung (warna hijau) sebesar 0.473654 dan F crit (warna ungu)
sebesar 3.006917, maka dapat disimpulkan bahwa F hitung < F crit yang
berarti H0 diterima yang menyatakan bahwa metode dan jenis pepaya tidak
mempengaruhi berat pepaya.
BAB IV
ANALISA
4.1 Analisa Uji Hipotesis
4.1.1 Analisa Perhitungan Manual
Pengolahan data manual dalam praktikum ini yaitu berdasarkan
prosedur pengujian hipotesis. Pertama menentukan Formulasi Hipotesis,
yaitu penyusunan hipotesis awal dan hipotesis nol (H0) dan penyusunan
hipotesis tandingan / alternatif (H1). Menentukan Jenis Uji Statistik (z atau t)
yaitu sampel data yang dimiliki berjumlah besar, sebanyak 40 data, maka
digunakan Uji mean Z. Menentukan arah pengujian (1 atau 2) dengan melihat
formulasi hipotesis tertulis dalam bentuk lebih besar (˃) atau lebih kecil (˂)
maka digunakan pengujian 1 arah, sedangkan bila ditulis dengan sama
dengan(=) dan tidak sama dengan (≠), maka digunakan uji 2 arah. Pada kasus
ini digunakan uji 2 arah pada Kota Pontianak dan Lampung. Sedangkan pada
kota Bandung menggunakan uji 1 arah karena terdapat banyak populasi di
kota tersebut.
Perhitungan secara manual pada Kota Pontianak, Taraf signifikasi yang
digunakan dalam pengolahan data ini yaitu 0.05 dibagi 2 dan mendapatkan
hasil 0.025. Pada Tabel distribusi normal 0.025 bernilai 1.96. Maka
disimpulkan bahwa H0 diterima dan H1 yang ditolak. Hal ini terjadi karena
nilai Z kota Pontianak yang didapatkan yaitu 0.070304 sehingga memenuhi
kriteria -1,96 < 0.070304 < 1,96. Maka dapat disimpulkan bahwa angka
kelahiran di Pontianak sama dengan 46 kali per tahun.
Perhitungan secara manual pada Kota Bandung, Taraf signifikasi yang
digunakan dalam pengolahan data ini yaitu 0.1 dibagi 2 dan mendapatkan
hasil 0.05. pada Tabel distribusi normal 0.05 bernilai 1,645. Maka
disimpulkan bahwa H0 diterima dan H1 ditolak. Hal ini terjadi karena nilai Z
pada Kota Bandung yang didapatkan yaitu 0,523458 sehingga 0,523458 <
1,645 maka dapat disimpulkan bahwa angka kelahiran di Pontianak sama
dengan 46 kali per tahun.
Perhitungan secara manual pada Kota Lampung, Taraf signifikasi yang
digunakan dalam pengolahan data ini yaitu 0.2 dibagi 2 dan mendapatkan
hasil 0.1. pada Tabel distribusi normal 0.1 bernilai 1,28. Maka disimpulkan
bahwa H0 ditolak dan H1 yang diterima hal ini terjadi karena nilai Z pada
Program Studi Teknik Industri
Universitas Tanjungpura 101
Praktikum Statistika Industri
Modul 4 Tugas Besar
Kelompok 2
Kota Lampung terdapat diluar taraf signifikasi yaitu -1,30326 sehingga -1.28
> -1,30326 < 1.28, maka dapat disimpulkan bahwa angka kelahiran di
Pontianak tidak sama dengan 46 kali per tahun.
Dari pernyataan diatas diketahui bahwa pada perhitungan manual nilai
z diketahui berdasarkan nilai mean yang nilainya tegak lurus dengan nilai Z
yang artinya semakin besar nilai mean maka nilai Z yang didapat semakin
besar juga, nilai µo yang berbanding terbalik dengan nilai Z yang berarti
semakin besar nilai µo maka nilai Z semakin kecil, nilai standar deviasi
berbanding terbalik dengan nilai Z dan berbanding lurus dengan jumlah data
yang akan diuji.
4.1.2 Analisa Perhitungan Menggunakan Software
Perhitungan data menggunakan software dicari dengan menggunakan
nilai mean, variansi, standar deviasi, sigma, wilayah, nilai z, nilai z
probabilitas dan nilai p value. Nilai mean digunakan untuk mencari rata-rata
dari data Kota Pontianak, Kota Bandung dan Kota Lampung dicari dengan
menggunakan rumus average pada microsoft excel. Nilai variansi dicari Kota
Pontianak, Kota Bandung dan Kota Lampung merupakan data sampel yang
diambil dari sebuah populasi. Nilai Standar deviasi menggunakan rumus
stdev.s karena data Kota Pontianak, Kota Bandung dan Kota Lampung
merupakan data sampel yang diambil dari sebuah populasi. Nilai sigma dan
uji mean z sudah diketahui atau nilai sigma dapat dicari menggunakan
distribusi t. Nilai yang telah didapat tersebut akan digunakan untuk mencari
nilai z yang berkaitan dengan z(prob) dan P value.
Perhitungan Kota Pontianak dengan menggunakan software microsoft
excel diketahui bahwa nilai p value yang bernilai 0,7452 lebih besar daripada
taraf nyata 0,05 maka dapat disimpulkan bahwa H0 diterima dan H1 ditolak
dan dapat disimpulkan bahwa angka kelahiran di Pontianak sama dengan 46
kali per tahun. Perhitungan Kota Bandung diketahui bahwa nilai p value
yang bernilai 0,600656 lebih besar daripada taraf nyata 0,1 maka dapat
disimpulkan bahwa H0 diterima dan H1 ditolak dan dapat disimpulkan bahwa
angka kelahiran di Bandung sama dengan 46 kali per tahun. Perhitungan Kota
Lampung diketahui bahwa nilai p value yang bernilai 1,807515 lebih besar
daripada taraf nyata 0,2 maka dapat disimpulkan bahwa H0 ditolak dan H1
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
5.2 Saran