Menurut Sugiyono (2010,173) valid berarti instrumen tersebut dapat digunakan untuk
mengukur apa yang seharusnya diukur. Pengujian validitas tiap butir digunakan analisis item, yaitu
mengkorelasikan skor tiap butir dengan skor total yang merupakan jumlah tiap skor butir. Untuk
lebih jelasnya diberikan contoh kasus 1.
Kasus 1.
Seorang Mahasiswa melakukan penelitian dengan menggunakan instrumen berupa
kuesioner untuk mengetahui prestasi belajar seseorang. Sebelum mengadakan penelitian secara
langsung, peneliti memutuskan untuk melakukan pengujian kuesioner terlebih dahulu agar
kuesioner yang telah dibuat dapat diketahui kevalidannya. Mahasiswa tersebut membuat 10 butir
pertanyaan kepada 12 responden dan didapat data seperti pada tabel 1.
Tabel 1.1 Data Uj Validitas
Nomor soal
Responden Skor total
1 2 3 4 5 6 7 8 9 10
1 3 2 1 2 3 1 1 2 3 3 21
2 4 4 3 4 4 3 4 4 4 2 36
3 3 3 3 4 4 4 4 4 3 3 35
4 4 2 3 3 4 2 1 1 4 4 28
5 1 2 2 1 2 2 1 3 4 3 21
6 2 3 3 4 4 4 3 4 3 2 32
7 3 2 4 4 3 4 4 3 4 4 35
8 3 4 3 3 3 4 3 4 4 3 34
9 3 4 4 3 3 3 4 3 3 4 34
10 2 2 1 3 2 2 3 1 2 3 21
11 4 3 3 4 3 3 3 3 3 3 32
12 3 4 3 4 4 3 3 3 3 3 33
Penyelesaian
1. Hipotesis
𝐻0 : Koefisien korelasi antara skor pada butir pertanyaan dengan skor total tidak
signifikan (data penelitian tidak valid).
𝐻1 : Koefisien korelasi antara skor pada butir pertanyaan dengan skor total signifikan
(data penelitian valid).
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
a. Menggunakan 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
Jika nilai 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima. Jadi soal yang diuji tidak valid.
b. Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛
Jika nilai 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 > 𝑅𝑡𝑎𝑏𝑒𝑙 maka 𝐻0 ditolak. Jadi soal yang diuji
valid. Untuk mencari 𝑅𝑡𝑎𝑏𝑒𝑙 dapat dicari pada tabel R dengan 𝑑𝑓 = 𝑛 – 2, dimana 𝑛
adalah jumlah responden dan 𝛼 = 0,05 (dua arah). Jadi 𝑅𝑡𝑎𝑏𝑒𝑙 untuk data diatas adalah
0,576.
4. Statistik Uji
a. Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
b. Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛
5. Perhitungan Statistik Uji menggunakan SPSS
Langkah-langkah pengujian validitas menggunakan SPSS adalah sebagai berikut:
a. Buka aplikasi SPSS
b. Klik tab Variable View
c. Masukkan data diatas dengan memberi nama variabel “no1” untuk soal 1, “no2” untuk
soal 2 dan seterusnya sampai dengan soal 10, untuk skor total diberi nama variabel
“st”.
Berdasarakan tabel 1.3 dan tabel 1.4, diketahui bahwa dari total 10 soal 7 diantaranya valid
atau dapat menggambarkan prestasi belajar, sedangkan 3 soal lainnya tidak valid.
UJI RELIABILITAS
Pengertian reliabilitas pada dasarnya adalah sejauh mana hasil suatu pengukuran dapat
dipercaya. Jika hasil pengukuran yang dilakukan secara berulang relatif sama maka pengukuran
tersebut dianggap memiliki tingkat reliabilitas yang baik.
Metode yang dapat digunakan untuk mengukur reliabilitas diantaranya adalah metode Split-
half, Paralel, Strict Paralel, KR-20, Spearmen Brown, dan Cronbach Alpha. Metode yang
digunakan dalam modul ini adalah Cronbach Alpha.
Menggunakan data pada Kasus 1.
Penyelesaian
1. Kriteria Uji
Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎 < 0,6 maka butir-butir pertanyaan tidak reliabel.
Jika nilai 0,6 ≤ 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎 ≤ 0,7 maka butir-butir pertanyaan cukup reliabel.
Jika nilai 0,7 < 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎 < 0,8 maka butir-butir pertanyaan reliabel.
Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎 > 0,8 maka butir-butir pertanyaan sangat reliabel.
2. Statistik Uji
Menggunakan nilai dari 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎
3. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka SPSS
b. Gunakan data pada Kasus 1 tadi
c. Klik Analyze → Scale → Reliability Analysis
d. Masukkan variabel no1 sampai dengan no10. Klik OK
4. Hasil dan Interpretasi
Reliability Statistics
,894 7
Berdasarkan tabel Reliability Statistics, diketahui bahwa nilai Cronbach’s Alpha adalah
0,894. Diketahui bahwa nilai Cronbach’s Alpha > 0,8 jadi dapat disimpulkan bahwa 7 butir
pertanyaan pada kuesioner sudah sangat reliabel.
UJI NORMALITAS
Uji distribusi normal adalah uji untuk mengetahui data yang didapatkan memiliki distribusi
normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Dengan kata lain,
uji normalitas adalah uji untuk mengetahui apakah data empirik yang didapatkan dari lapangan itu
sesuai dengan distribusi normal.
Kasus 2.
Seorang peneliti ingin mengetahui pengaruh asosiasi kata terhadap kemampuan bahasa.
Peneliti menggunakan sampel sebanayak 30 orang dengan data seperti pada tabel 2.
Tabel 2. Data Tes Pengaruh Asosiasi Kata Terhadap Kemampuan Bahasa
Tes Asosasi Kemampuan Tes Asosasi Kemampuan
No. No.
Kata Bahasa Kata Bahasa
1 176 88 16 143 80
2 163 90 17 118 40
3 167 78 18 152 68
4 116 70 19 167 80
5 102 62 20 169 80
6 114 74 21 98 58
7 110 82 22 152 84
8 174 86 23 152 78
9 143 72 24 129 72
10 157 78 25 136 76
11 156 60 26 110 80
12 147 72 27 171 88
13 168 86 28 169 90
14 149 58 29 157 78
15 150 86 30 141 64
Penyelesaian
1. Hipotesis
𝐻0 : Data berdistribusi normal.
𝐻1 : Data tidak berdistribusi normal.
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka program SPSS
b. Masukkan data variabel Y
Berdasarakan tabel One-Sample Kolmogorov-Smirnov Test diketahui nilao Asymp Sig. (2-
tailed) adalah 0,212 > 0,05 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa variabel dependen
memiliki distribusi normal.
UJI REGRESI LINEAR SEDERHANA
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau
tidaknya pengaruh antara variabel independent terhadap variabel dependent. Pengaruh satu
variabel independen terhadap variabel dependen dapat menggunakan uji regresi linear sederhana.
Jika variabel independen berjumlah lebih dari satu makana uji yang digunakan adalah regresi linear
berganda.
Menurut Yudiaatmaja (2013, 5) mengatakan bahwa yang dimaksud dengan analisis regresi
sederhana disini adalah analisis yang dilakukan terhadap satu variabel terikat dan satu variabel
bebas. Persamaan yang dihasilkan nantinya akan berbentuk 𝑌̂ = 𝑎 + 𝑏𝑋. Sebelum
melakukan pengujian, data tersebut wajib memenuhi asumsi kenormalan. Untuk lebih
memahaminya, kita tinjau kembali kasus 2. Pada kasus 2, jelas data memenuhi asumsi kenormalan
sehingga asumsi data berdistribusi normal terpenuhi.
Menggunakan data pada Kasus 2.
Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada pengaruh yang signifikan tes asosasi kata terhadap kemampuan bahasa
𝐻1 ∶ Ada pengaruh yang signifikan tes asosasi kata terhadap kemampuan bahasa
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka program SPSS
b. Buat variabel dengan nama X dan Y
c. Masukkan data
d. Klik Analyze → Regression → Linear
e. Masukkan variabel Y ke kolom Dependent dan variabel X ke kolom Independent.
f. Klik OK
6. Hasil dan Interpretasi
Model Summary
a. Predictors: (Constant), X1
Berdasarkan tabel Model Summary, diketahui nilai keofisien korelasi adalah 0,558 dan
koefisien determinasi sebesar 0,312 atau 31,2%. Koefisien korelasi menggambarkan kuat
hubungan secara linear variabel independen dengan variabel dependen. Koefisien determinasi
menggambarkan besar pengaruh variabel independen terhadap variabel dependen. Diketahui besar
pengaruh variabel independen terhadap variabel dependen sebesar 31,2% dan 68,8% dipengaruhi
oleh faktor lain yang tidak diikutsertakan dalam penelitian.
ANOVAa
Total 3835.867 29
a. Dependent Variable: Y
b. Predictors: (Constant), X1
Berdasarkan tabel ANOVA, diketahui nilai Sig. adalah 0,001 < 0,05 maka 𝐻0 ditolak. Jadi
dapat disimpulkan bahwa pengaruh yang signifikan tes asosasi kata terhadap kemampuan bahasa.
Berdasarkan tabel Coefficients, diketahui persamaan regresi linear sederhana yang terbentuk
adalah 𝑌 = 34,872 + 0,278𝑋1.
UJI REGRESI LINEAR BERGANDA
Yudiaatmaja (2013) mengatakan bahwa yang dimaksud dengan analisis regresi berganda
disini adalah analisis yang dilakukan terhadap satu variabel terikat dan dua atau lebih variabel
bebas. Persamaan yang dihasilkan nantinya akan berbentuk 𝑌̂ = 𝑎 + 𝑏𝑋1 + 𝑐𝑋2 + ⋯ . Jadi
perbedaan regresi sederhana dengan regresi berganda hanya terletak pada jumlah variabel bebas
yang digunakan.
Menurut Sukestiyarno (2015) Persyaratan yang harus dipenuhi dalam analisis regresi ganda
yakni jenis data variabel independen maupun variabel dependen harus interval atau rasio, variabel
dependen berdistribusi normal. Selain itu, didalam regresi linier berganda juga wajib memenuhi
asumsi klasik, yaitu asumsi normalitas, asumsi multikolinearitas, asumsi autokorelasi, dan asumsi
heterokedastisitas. Untuk lebih memahaminya, diberikan contoh kasus 3.
Kasus 3.
Sebuah penelitian dilakukan untuk mengetahui apakah ada pengaruh makanan ikan (tiap hari
dalam seminggu) [X1] dan panjang ikan (mm) [X2] terhadap berat ikan (kg) [Y] di Desa Tani
Tambak Raya Sejahtera.
Makanan Ikan Panjang Ikan Berat Ikan
No.
(X1) (X2) (Y)
1 8 125 37
2 10 137 41
3 7 100 34
4 12 122 39
5 9 129 40
6 10 128 42
7 7 98 38
8 8 103 42
9 11 130 40
10 8 95 36
11 10 115 41
12 8 105 38
UJI ASUMSI KLASIK
1. Uji Normalitas
Pada uji regresi linear berganda, uji normalitas dapat dilakukan pada data dependen atau
residual pada regresi. Dalam hal ini uji normalitas dilakukan pada variabel dependen.
Penyelesaian
One-Sample Kolmogorov-Smirnov Test
N 12
Mean 39.0000
Normal Parametersa,b
Std. Deviation 2.48633
Absolute .156
Most Extreme Differences Positive .114
Negative -.156
Kolmogorov-Smirnov Z .541
Asymp. Sig. (2-tailed) .931
Berdasarkan tabel One-Sample Kolmogorov-Smirnov Test, diketahui nilai Asymp. Sig. (2-
tailed) adalah 0,931 > 0,05 maka dapat disimpulkan bahwa variabel dependen atau terikat pada
regresi linear berganda memiliki distribusi normal.
2. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya hubungan linear antar
variabel independent dalam model regresi. Cara mendeteksi ada atau tidaknya multikolinearitas,
yaitu dengan melihat nilai Varian Inflation Factor (VIF) atau Tolerance (TOL) pada model
regresi.
Ketika menemui masalah multikolinearitas, salah satu cara yang dapat dilakukan adalah
dengan mengeluarkan satu dari variabel yang memiliki hubungan yang tinggi, yaitu dengan
mengeluarkan variabel yang mempunyai nilai VIF tertinggi. Cara ini merupakan cara yang paling
sederhana dalam menangani masalah multiolinearitas.
Penyelesaian
1. Hipotesis
𝐻0 : Tidak terjadi masalah multikolinearitas
𝐻1 : Terjadi multikolinearitas
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika VIF. < 10 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Membuka jendela SPSS
b. Inputkan data
c. Pilih analyze > regression > linear. Pada kotak dialog linear regression, masukkan Y
pada kotak dependent dan X1, X2 pada kotak independent. Pilih statistics, pada kotak
dialog Linear regression statistics, centang colinearity diagnostics.
6. Hasil dan Interpretasi
Coefficientsa
a. Dependent Variable: Y
Berdasarkan tabel Coeffientcs, diketahui bahwa variabel X1 dan X2 memiliki nilai VIF
kurang dari 10 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa model regresi terbebas dari
masalah multikolinearitas.
3. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi
klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan
pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya
autokorelasi dalam model regresi. Cara mendeteksi autokorelasi ada dua cara yaitu Uji Durbin
Watson (D-W) dan Uji Run Test. Pada modul ini yang akan digunakan adalah Uji Durbin Watson
(D-W).
Penyelesaian
1. Hipotesis
𝐻0 : Tidak terjadi masalah autokorelasi
𝐻1 : Terjadi autokorelasi
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika −2 < 𝐷𝑊 < 2 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Membuka jendela SPSS anda.
b. Inputkan data.
c. Pilih analyze, regression, klik linear. Pada kotak dialog linear regression, masukkan Y
pada kotak dependent dan X1, X2, X3 pada kotak independent. Pilih Statistics, pada
kotak dialog Linear regression statistics, centang Residual Durbin Watson.
Berdasarkan tabel Model Summary, diketahui nilai Durbin-Watson adalah 1,660 berada
diantara -2 sampai dengan 2 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa model regresi linear
berganda terbebas dari masalah autokorelasi.
4. Uji Heteroskedastisitas
Heterokedastisitas adalah suatu kondisi dimana variabel gangguan tidak memiliki varian
yang konstan atau sama. Heteroskedastisitas terjadi bila nilai varian dari variabel tergantung
meningkat akibat dari meningkatnya varian variabel penjelas. Cara mendeteksi Heterokedastisitas
antara lain yaitu metode Glejser dan Scatter Plot. Pada pengujian ini hanya akan menggunakan
metode Glejser.
Penyelesaian
1. Hipotesis
𝐻0 : Tidak terjadi masalah autokorelasi
𝐻1 : Terjadi autokorelasi
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Inputkan data.
b. Langkah selanjutnya mencari nilai residual dengan cara klik analyze > regression >
linear. Inputkan data seperti pada gambar. Klik save, kemudian centang
Unstandardized pada kotak residuals.
c. Maka akan tampil data seperti berikut. Kemudian absolutkan nilai residual, caranya
klik menu Transform >> Compute Variabel.
d. Pada kotak Target Variabel, merupakan nama variabel baru yang akan tercipta.
Ketikkan ABS_RES (absolute residual). Kemudian klik pada kotak Numeric
Expression, lalu ketikkan ABS (lalu masukkan variabel Unstandardized
e. Residual (RES_1) ke kotak Numeric Expression dengan klik tanda penunjuk,
kemudian ketik tanda tutup kurung. Maka lengkapnya akan tertulis ABS(RES_1),
perintah ini untuk menghitung nilai absolute dari residual. Jika sudah klik tombol OK.
f. Langkah selanjutnya meregresikan nilai variabel independent dengan absolute
residual. Caranya klik Analyze >> Regression >> Linear. Masukkan variabel
ABS_RES ke kotak Dependent, kemudian masukkan varibel X1, X2 ke kotak
Independent(s).
Berdasarkan tabel Coefficients, diketahui bahwa variabel X1 dan X2 memiliki nilai Sig >
0,05 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa model regresi linear berganda terbebas dari
masalah heteroskedastisitas.
UJI REGRESI LINEAR BERGANDA
Berdasarkan uji asumsi klasik, diketahui bahwa model regresi linear berganda terbebas dari
seluruh masalah asumsi klasik. Jadi dapat disimpulkan bahwa model regresi linear berganda yang
terbentuk sudah baik dan akurat untuk mengukur pengaruh variabel independen terhadap variabel
dependen.
Uji regresi linear berganda terdiri dari uji simultan (F) yang digunakan untuk mengetahui
pengaruh seluruh variabel independen terhadap variabel dependen secara simultan atau bersama-
sama. Selain uji simultan, terdapat juga uji partisal (T) yang digunakan untuk mengetahui pengaruh
variabel independen terhadap variabel dependen secara parsial atau satu persatu.
Penyelesaian Uji Simultan (F)
1. Hipotesis
𝐻0 : Tidak ada pengaruh yang signifikan makanan ikan (X1) dan panjang ikan (X2)
terhadap berat ikan (Y).
𝐻1 : Ada pengaruh yang signifikan makanan ikan (X1) dan panjang ikan (X2) terhadap
berat ikan (Y).
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Hasil dan Interpretasi
ANOVAa
Total 68.000 11
a. Dependent Variable: Y
b. Predictors: (Constant), X2, X1
Berdasarkan tabel ANOVA, diketahui bahwa nilai Sig. adalah 0,144 > 0,05 maka 𝐻0
diterima. Jadi dapat disimpulkan bahwa tidak ada pengaruh yang signifikan makanan ikan (X1)
dan panjang ikan (X2) terhadap berat ikan (Y).
Penyelesaian Uji Parsial (T)
1. Hipotesis
𝐻0 : Tidak ada pengaruh yang signifikan variabel independen terhadap variabel
dependen.
𝐻1 : Ada pengaruh yang signifikan variabel independen terhadap variabel dependen.
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Hasil dan Interpretasi
Coefficientsa
a. Dependent Variable: Y
Berdasarkan tabel Coefficients, diketahui bahwa nilai Sig X1 adalah 0,402 > 0,05 maka 𝐻0
diterima. Jadi dapat disimpulkan bahwa tidak ada pengaruh yang signifikan makanan ikan terhadap
berat badan ikan. Diketahui nilai Sig X2 adalah 0,439 > 0,05 maka 𝐻0 diterima. Jadi dapat
disimpulkan bahwa tidak ada pengaruh yang signifikan panjang ikan terhadap berat ikan.
FAKTOR PENGARUH DOMINAN
Untuk mengetahui besar pengaruh masing-masing variabel independen terhadap variabel
dependen maka dilakukan uji regresi untuk masing-masing variabel independen terhadap variabel
dependen.
Model Summary (X1)
a. Predictors: (Constant), X1
Berdasarkan tabel Model Summary, diketahui bahwa X1 memiliki besar pengaruh terhadap
Y sebesar 0,191 atau 19,1% sangat kecil. Hasil ini sesuai dengan hasil uji parsial, dimana variabel
X1 tidak memberikan pengaruh yang signifikan terhadap variabel Y.
Model Summary
a. Predictors: (Constant), X2
Berdasarkan tabel Model Summary, diketahui bahwa X2 memiliki besar pengaruh terhadap
Y sebesar 0,259 atau 25,9% sangat kecil. Hasil ini sesuai dengan hasil uji parsial, dimana variabel
X2 tidak memberikan pengaruh yang signifikan terhadap variabel Y.
UJI T SAMPEL TUNGGAL
Uji T satu sampel digunakan untuk menguji nilai rata-rata dari suatu sampel tunggal dengan
suatu nilai acuan. Dalam uji T Satu Sampel terdapat asumsi yang harus dipenuhi sebelum masuk
ke analisis, yaitu data berskala interval atau rasio dan data sampel berdistribusi normal.
Kasus 4.
Diambil sampel sebanyak 20 mahasiswa FMIPA dengan nilai matematika sebagai berikut.
Ujilah bahwa rata-rata penguasaan matematika mahasiswa Fmipa adalah 65.
Tabel 4. Data Uji T Sampel Tunggal
Nilai Matematika
65
66
67
60
62
64
70
72
60
62
63
64
65
65
66
65
64
64
63
65
Penyelesaian
1. Hipotesis
𝐻0 : Rata-rata penguasaan matematika mahasiswa FMIPA sama dengan 65.
𝐻1 : Rata-rata penguasaan matematika mahasiswa FMIPA tidak sama dengan 65.
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka program SPSS
b. Buat variabel dengan nama X dan Y
One-Sample Test
Test Value = 65
Berdasarkan tabel One-Sample Test, diketahui nilai Sig. (2-tailed) adalah 0,541 > 0,05 maka
𝐻0 diterima. Jadi dapat disimpulkan bahwa rata-rata penguasaan matematika mahasiswa FMIPA
sama dengan 65.
PAIRED SAMPLE T-TEST (BERPASANGAN)
Uji t sample berpasangan sering kali disebut sebagai paired-sampel t test. Uji t untuk data
sampel berpasangan membandingkan rata-rata dua variabel untuk suatu grup sampel tunggal. Uji
ini menghitung selisih antara nilai dua variabel untuk tiap kasus dan menguji apakah selisih rata-
rata tersebut bernilai nol.
Kriteria data untuk uji t sampel berpasangan:
1. Data untuk tiap pasang yang diuji dalam skala interval atau rasio
2. Data berdistribusi normal
Kasus 6.
Seorang peneliti ingin menguji apakah ada perbedaan berat badan sebelum dan sesudah
melakukan diet.
Tabel 6.
No. Berat Sebelum Diet Berat Sesudah Diet
1 78,3 77,4
2 84,7 83,2
3 77,4 75,7
4 95,6 92,4
5 82,0 80,2
6 69,4 68,1
7 79,7 76,9
8 85,6 83,9
9 92,8 90,4
10 99,2 95,2
Penyelesaian
1. Hipotesis
𝐻0 : Tidak ada perbedaan yang signifikan berat badan sebelum dan sesudah melakukan
diet.
𝐻1 : Ada perbedaan yang signifikan berat badan sebelum dan sesudah melakukan diet.
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka program SPSS
b. Buat variabel dengan nama Sebelum dan Sesudah
c. Masukkan data
N Correlation Sig.
Paired Differences
95% Confidence
Pair 1 Sebelum -
2.130 .957 .303 1.445 2.815 7.039 9 .000
Sesudah
Berdasarkan tabel Paired Samples Test, diketahui nilai Sig. (2-tailed) adalah 0,000 < 0,05
maka 𝐻0 ditolak. Jadi dapat disimpulkan bahwa ada perbedaan berat badan sebelum dan setelah
melakukan diet.
INDEPENDENT SAMPLE T-TEST (DUA SAMPEL INDEPENDEN)
Uji banding dua sampel diantara kedua sampel saling bebas, artinya bahwa kedua sampel
tidak harus sama jumlah anggota sampel. Misalkan kita melakukan penelitian untuk mencoba
suatu metode baru, maka metode itu diuji pada satu kelompok tertentu. Untuk dapat membedakan
hasil eksperimen metode baru tersebut apakah lebih baik daripada metode sebelumnya (metode
konvensional), maka diambil satu kelompok lain yang setara dan dikenai pembelajaran
konvensional tersebut. Kasus yang demikian adalah uji banding dua sampel bebas. Asumsi untuk
uji ini adalah data berskala interval atau rasio, data berdistribusi normal. Untuk lebih memahami
T-test (dua sampel), diberikan contoh kasus 5.
Kasus 5.
Seorang peternak ingin mengetahui perbedaan rata-rata pada pemberian jenis makan ternak
A dan B yang diberikan pada sapi secara terpisah dalam jangka waktu tertentu.
Tabel 5.
Makanan A (kg) Makanan B (kg)
3,4 3,7
4,0 2,6
3,8 3,0
2,7 3,0
3,6 2,9
3,0 3,3
2,6 3,2
2,9 3,4
3,3 2,9
3,0 2,7
3,1
Penyelesaian
1. Hipotesis
𝐻0 : Tidak ada perbedaan yang signifikan berat badan sapi yang diberi makanan A dan
makanan B.
𝐻1 : Ada perbedaan yang signifikan berat badan sapi yang diberi makanan A dan
makanan B.
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka program SPSS
b. Buat variabel dengan nama ternak dan makanan
d. Masukkan data
Levene's
Test for
Equality of
Variances t-test for Equality of Means
95% Confidence
Interval of the
Equal variances
.866 18.354 .398 .1482 .1711 -.2108 .5071
not assumed
Berdasarkan tabel Independent Samples Test, diketahui nilai Sig. pada Levene’s Test For
Equality of Variances adalah 0,282 > 0,05 maka dapat disimpulkan bahwa varian dari dua sampel
tersebut sama atau homogen. Jadi hasil uji T dilihat pada baris Equal Variance Assumed. Diketahui
nilai Sig. (2-tailed) adalah 0,404 > 0,05 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa tidak
ada perbedaan yang signifikan berat badan sapi yang diberi makanan A dan makanan B.
ANAVA SATU ARAH (ONE WAY ANOVA)
Uji banding lebih dari dua sampel atau sering disebut dengan analisis varian satu jalur (one
way anova) di sini benar-benar di antara kelompok yang ada saling bebas. Artinya bahwa beberapa
sampel tidak harus sama jumlah anggotanya. Asumsi yang harus dipenuhi pada one way anova
adalah data berskala interval atau rasio, data berdistribusi normal dan homogen. Untuk lebih
contoh memahami, diberikan kasus 7.
Kasus 7.
Seorang Dosen bahasa Indonesia hendak melakukan penelitian berkenaan dengan efektivitas
empat macam teknik membaca yang bisa dipergunakan mahasiswanya. Untuk keperluan itu,
dipilih masing-masing 10 mahasiswa untuk menerapakan setiap teknik membaca tersebut. dari
penelitian tersebut, data skor kecepatan efektif membaca)KEM) tertera pada tabel berikut ini.
Tabel 4.
Teknik Membaca
A B C D
90 70 40 50
80 50 60 30
70 60 50 60
50 70 50 40
60 50 70 50
80 70 60 40
80 70 60 50
70 80 60 60
90 60 40 40
80 70 60 30
Penyelesaian
1. Hipotesis
𝐻0 : Tidak ada perbedaan skor KEM antara teknik membaca A, B, C, dan D.
𝐻1 : Ada perbedaan skor KEM antara teknik membaca A, B, C, dan D.
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka program SPSS
b. Buat variabel dengan Tehnik dan label
c. Beri Value Labels. 1 untuk Jawa, 2 untuk Madura dan 3 untuk Bali.
d. Masukkan data
e. Klik Analyze → Compare Means → One Way ANOVA
f. Masukkan variable Ternak ke kolom Dependent List dan variabel Produksi ke kolom
Factor.
g. Klik Options. Centang Descriptive dan Homogenity of variance test. Klik Continue.
N Mean Std. Deviation Std. Error 95% Confidence Interval for Mean Minimum Maximum
Pada tabel Descriptives menampilkan ukuran tendensi sentral dari data sampel.
Test of Homogeneity of Variances
.297 3 36 .827
Berdasarkan tabel Test of Homogeneity of Variance, diketahui nilai Sig. adalah 0,827 > 0,05.
Jadi dapat disimpulkan bahwa data KEM antar teknik A, B, C, dan D memiliki varian yang sama
atau homogen.
ANOVA
Berdasarkan tabel ANOVA, diketahui nilai Sig. adalah 0,000 < 0,05 maka 𝐻0 ditolak. Jadi
dapat disimpulkan bahwa ada perbedaan yang signifikan data KEM antar teknik A, B, C, dan D.
Karena terdapat perbedaan, maka dilakukan uji lanjut untuk mengetahui variabel mana yang
berbeda. Uji lanjut menggunakan Tukey.
7. Uji Lanjut
a. Klik Analyze → Compare Means → One Way ANOVA
b. Masukkan variabel Ternak ke kolom Dependent List dan variabel Produksi ke kolom
Factor.
c. Klik tab Post Hoc → Centang Tukey → Continue
d. Hasil dan Interpretasi
Tukey HSD
1 2 3
D 10 45.0000
C 10 55.0000 55.0000
B 10 65.0000 65.0000
A 10 75.0000
Sig. .182 .182 .182
Berdasarkan tabel Tukey HSD, diketahui bahwa terdapat tiga kelompok dimana:
A = B, B = C, C = D, namun A ≠ C, A ≠ D, dan B ≠ D..
ANAVA DUA ARAH (TWO WAY ANOVA)
Pada dasarnya “Two Way Anova” tidak jauh berbeda dengan “One Way Anova”, yang
membedakan hanyalah ada variabel kelompok yang dikelompokkan lagi. Asumsi yang harus
dipenuhi pada one way anova sama dengan one way anova yaitu data berskala interval atau rasio,
data berdistribusi normal, dan varian homogen. Untuk lebih memahami Uji Anova Dua Arah,
disajikan contoh kasus 8.
Kasus 8.
Seorang guru ingin mengetahui prestasi belajar siswa berdasarkan gender (laki-laki dan
perempuan) setelah menerapkan model pembelajaran kooperatif pada materi yang sama. Sampel
yang diambil 3 sekolah, dimana ketiga sekolah tersebutditerapkan model pembelajaran yang
berbeda.
Tabel 8.
Model A Model b Model c
No. Nilai Gender No. Nilai Gender No. Nilai Gender
1 2 P 1 47 P 1 58 P
2 42 P 2 48 P 2 25 P
3 48 L 3 45 L 3 34 L
4 45 L 4 46 L 4 26 L
5 38 P 5 41 P 5 62 P
6 36 P 6 45 P 6 44 P
7 39 L 7 48 L 7 43 L
8 34 P 8 42 P 8 39 P
9 35 L 9 41 L 9 39 L
10 32 P 10 45 P 10 44 P
11 39 P 11 48 P 11 32 P
12 33 L 12 33 L 12 38 L
13 36 P 13 39 P 13 42 P
14 32 P 14 47 P 14 39 P
15 34 P 15 42 P 15 41 P
16 39 L 16 41 L 16 33 L
Penyelesaian
1. Hipotesis
a. Hipotesis berdasarkan Sekolah(Model)
b. 𝐻0 ∶ Tidak ada perbedaan rata-rata antara Model A, B, dan C
c. 𝐻1 ∶ Ada perbedaan rata-rata antara Model A, B, dan C
d. Hipotesis berdasarkan Gender
e. 𝐻0 ∶ Tidak ada perbedaan rata-rata antara Laki – laki dan Perempuan
f. 𝐻1 ∶ Ada perbedaan rata- rata antara Laki – laki dan Perempuan
g. Hipotesis interaksi antar kategori
h. 𝐻0 ∶ Tidak ada interaksi antara Model dan Gender
i. 𝐻1 ∶ Ada interaksi antara Model dan Gender
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka program SPSS
b. Buat variabel dengan nama nilai, sekolah, dan gender
h. Klik tab Option. Centang Descriptive statistics dan Homogenity tests. Continue
i. Klik tab Plots. Masukkan variable Sekolah ke kolom Horizontal Axis dan variabel me
ke kolom Separate Lines. Klik Add
j. Maka akan menjadi seperti berikut. .Continue
k. Klik OK.
6. Hasil dan Interpretasi
Between-Subjects Factors
Value Label N
1.00 A 16
Sekolah 2.00 B 16
3.00 C 16
1.00 Laki-laki 21
gender
2.00 Perempuan 27
Descriptive Statistics
Dependent Variable: Nilai
1.330 5 42 .270