PENDAHULUAN
A. Latar Belakang
Sering kali kita menghadapi banyak rata-rata (lebih dari dua rata-rata).
apabila kita mengambil langkah pengujian perbedaan rata-rata tersebut satu
persatu (dengan t test) akan memakan waktu, tenaga yang banyak. di samping
itu, kita akan menghadapi risiko salah yang besar. untuk itu, telah ditemikan
cara analisis yang mengandung kesalahan lebih kecil da dapat menghemat
waktu serta tenaga yaitu dengan ANOVA (Analisys of variances).
1
B. Rumusan Masalah
C. Tujuan
1. Menjelaskan apa yang dimaksud dengan Uji Anova, Korelasi dan Regresi
Sederhana
2. Menjabarkan tekhnik analisa korelasi Uji Anova, Korelasi dan Regresi
Sederhana
3. Mengaplikasikan analisa korelasi Uji Anova, Korelasi dan Regresi
Sederhana
2
BAB II
PEMBAHASAN
Data yang digunakan pada One-way Anova untuk nilai variabel pada
faktor harus integer sedangkan variabel dependen harus berupa data
kuantitatif (tingkat pengukuran interval).
3
Dari output uji Anova akan diperoleh nilai F hitung. Jika nilai F
hitung tidak signifikan, berarti rata-rata variabel dependen pada tingkat faktor
yang ditentukan identik. Jika F hitung signifikan berarti terdapat perbedaan
rata-rata variabel dependen pada tingkat faktor yang telah ditentukan.
Sebagai bahan uji coba, maka kita gunakan contoh sebuah penelitian
yang berjudul “Perbedaan Pendapatan Berdasarkan Pekerjaan”. Dimana
pendapatan sebagai variabel terikat bertipe data kuantitatif atau numerik.
Sedangkan pekerjaan sebagai variabel bebas berskala data kualitatif atau
kategorik. Yaitu dengan 3 kategori: Tani, Buruh dan Lainnya. (Ingat bahwa
uji One Way Anova dilakukan apabila variabel terikat adalah interval dan
variabel bebas adalah kategorik). (Pelajari juga tentang Pengertian Data)
4
Langsung Saja: Masuk ke pembahasan Tutorial Uji ANOVA di bawah ini.
Buka SPSS.
Buka Tab Variable View, buat 2 variabel: Pekerjaan dan Pendapatan.
Ubah Type Pekerjaan ke “Numeric”, Decimals “0”, beri label “Pekerjaan”,
ubah measure menjadi “Nominal” dan isi value dengan kategori: 1 = Tani,
2 = Buruh dan 3 = Lainnya.
Ubah Type Pendapatan ke “Numeric”, Decimals “0”, beri label
“Pendapatan”, ubah measure menjadi “Scale”.
Buka Data View dan isikan data sebanyak 24 responden sebagai berikut:
5
Pada menu, pilih Analyze, Compare Means, One-Way ANOVA, sampai
muncul jendela One-Way ANOVA seperti di bawah ini:
6
Klik tombol Options, akan muncul jendela ini: Centang “Descriptive” dan
“Homogenity of variance test“
Klik Continue
Masih dijendela One Way ANOVA, klik tombol Post Hoc, sampai muncul
jendela Centang Bonferroni dan Games-Howell serta biarkan significance
level = 0,05.
Klik Continue.
7
Lalu Klik OK dan Lihatlah hasil!
Hasil terilhat sebagai berikut:
8
1. Interprestasi Uji ANOVA
Jika hasil uji menunjukan Ho gagal ditolak (tidak ada perbedaan), maka uji
lanjut (Post Hoc Test) tidak dilakukan. Sebaliknya jika hasil uji menunjukan
Ho ditolak (ada perbedaan), maka uji lanjut (Post Hoc Test) harus
dilakukan.
Karena hasil uji Anova menunjukan adanya perbedaan yang bermakna,
maka uji selanjutnya adalah melihat kelompok mana saja yang berbeda.
Untuk menentukan uji lanjut mana yang digunakan, maka kembali kita lihat
tabel Test of Homogeneity of Variances, bila hasil tes menunjukan varian
sama, maka uji lanjut yang digunakan adalah uji Bonferroni. Namun bilai
hasil tes menunjukan varian tidak sama, maka uji lanjut yang digunakan
adalah ujiGames-Howell.
9
Dari Test of Homogeneity menghasilkan bahwa varian ketiga kelompok
tersebut sama, maka uji lanjut (Post Hoc Test) yang digunakan adalah Uji
Bonferroni.
Dari tabel Post Hoc Test di atas memperlihatkan bahwa kelompok yang
menunjukan adanya perbedaan rata-rata pendapatan (ditandai dengan tanda
bintang “*”) adalah Kelompok “Tani” dan “Lainnya”.
Korelasi PPM atau sering disingkat korelasi saja merupakan salah satu
teknik korelasi yang paling banyak digunakan dalam penelitian sosial.
Besarnya angka korelasi disebut koefisien korelasi yang dinyatakan dengan
lambang r.
Korelasi Pearson merupakan salah satu ukuran korelasi yang digunakan
untuk mengukur kekuatan dan arah hubungan linier dari dua variabel. Dua
variabel dikatakan berkorelasi apabila perubahan salah satu variabel disertai
dengan perubahan variabel lainnya, baik dalam arah yang sama atau pun arah
yang sebaliknya. Harus diingat bahwa nilai koefisien korelasi yang kecil (tidak
signifikan) bukan berarti kedua variabel tersebut tidak saling berhubungan.
Mungkin saja dua variabel mempunyai keeratan hubungan yang kuat namun
nilai koefisien korelasinya mendekati nol, misalnya pada kasus hubungan non
linier. Koefisien korelasi hanya mengukur kekuatan hubungan linier dan tidak
pada hubungan non linier. Harus diingat pula bahwa adanya hubungan linier
yang kuat di antara variabel tidak selalu berarti ada hubungan kausalitas,
sebab-akibat
Manfaat Korelasi Pearson Product Moment:
Untuk menyatakan ada atau tidaknya hubungan antara variabel X dengan
variabel Y.
Untuk menyatakan besarnya sumbangan variabel satu terhadap yang
lainnya yang dinyatakan dalam persen.
Menurut Riduan dan Kuncoro (2008,61) metode PPM termasuk teknik
statistik parametrik yang menggunakan data interval dan ratio (kuantitatif)
dengan persyaratan tertentu antara lain :
- Data dipilih secara random
10
- Data berdistribusi normal
- Data yang dihubungkan berpola linear
- Data yang dihubungkan mempunyai pasangan yang sama sesuai dengan
subjek yang sama
F. Teknik dan Aplikasi Penghitungan Korelasi
Langkah 1 : Perumusan Hipotesis
Jika diduga bahwa suatu variabel mempunyai hubungan yang positif dengan
variabel lain, maka rumusan hipotesisnya adalah
Ho : r = 0 (tidak ada hubungan antara suatu variabel yang positif dengan
variabel lain)
Ha : r > 0 (terdapat hubungan yang positif dan signifikan anatara suatu
variabel dengan variabel lainnya)
Langkah 4 : Menghitung
Membuat tabel penolong untuk menghitung Korelasi PPM:
dengan rumus ;
Atau
Keterangan :
n = jumlah data
x = data yang mempengaruhi
y = data yang dipengaruhi
X=x–x
Y=y–y
11
Langkah 5 : Mencari besarnya sumbangan (konstribusi) variabel X
terhadap Y
Dengan rumus :
KP = r2 x 100%
Langkah 6 : Cari r table
Dengan rumus : dk = n-2
Kaidah pengujian :
Jika thitung ≥ ttabel, maka tolak Ho artinya signifikan dan
thitung ≤ ttabel, terima Ho artinya tidak signifikan.
12
Langkah-langkah :
1. Perumusan Hipotesis
Ha : ada hubungan yang signifikan antara umur dengan tekanan darah
Ho : Tidak ada hubungan yang signifikan antara umur dengan tekanan
darah
2. Menentukan taraf nyata
Untuk kasus ini, kita ingin melihat apakah terdapat hubungan linier antara
usia dengan tekanan darah sistolik. Taraf nyata yang digunakan adalah 5%.
Di dapat α=0,05
3. Menentukan uji hipotesis dalam statistic
Ha : r ≠ 0
Ho : r = 0
4. Menghitung
No Age (X) Systolic Pressure (Y) X2 Y2 XY
1 34 108 1156 11664 3672
2 43 129 1849 16641 5547
3 49 126 2401 15876 6174
4 58 149 3364 22201 8642
5 64 168 4096 28224 10752
6 73 161 5329 25921 11753
7 78 174 6084 30276 13572
Jumlah 399 1015 24279 150803 60112
Rata-rata 57 145
13
Didapat rtabel = 0,754
7. Menentukan kriteria pengujian
Didapat rhitung > rtabel = 0,9656 > 0,754 maka Ha diterima
8. Membandingkan thitung dan ttabel
Didapat thitung > ttabel = 5,46 >2,57
9. Membuat Kesimpulan
- rxy sebesar 0,956 kategori kuat
- KP = r2 x 100% = 0,962 x 100% = 92,16%
- Ternyata thitung lebih dari ttabel atau 5,46 >2,57, maka Ho ditolak,
artinya ada hubungan yang signifikan antara umur dengan tekanan
darah.
Tutorial Uji Korelasi dengan menggunakan SPSS
1. Buka program SPSS, klik Variable View. Selanjutnya, pada bagian Name
tulis saja X1, X2 dan Y, pada Decimals ubah semua menjadi angka 0, pada
bagian Label tuliskan Motivasi, Minat dan Prestasi. Pada bagian Measure
ganti menjadi Scale.
2. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2)
dan Prestasi (Y) yang sudah dipersiapkan tadi ke program SPSS.
3. Selanjutnya, dari menu utama SPSS, pilih menu Analyze, lalu klik
Correlate, dan klik Bivariate.
4. Muncul kotak dialog dengan nama “Bivariate Correlations”. Masukkan
variabel Motivasi (X1), Minat (X2) dan Prestasi (Y) pada kotak Variables.
Selanjutnya, pada kolom “Correlation Coefficient” pilih Pearson, lalu
untuk kolom “Test of Significant” pilih Two-tailed, dan centang pada Flag
Significant Correlations, terakhir klik Ok untuk mengakhiri perintah.
Setelah selesai, maka akan muncul tampilan output SPSS “Correlations”
tinggal kita interpretasikan saja.
Interpretasi Analisis Korelasi Bivariate Pearson
1. Berdasarkan Nilai Signifikansi Sig (2-tailed): Dari tabel output di atas
diketahui nilai Sig (2-tailed) antara Motivasi (X1) dengan Prestasi (Y)
adalah sebesar 0,002 < 0,05 yang berarti terdapat korelasi yang signifikan
14
antara variabel Motivasi dengan Variabel Prestasi. Selanjutnya, hubungan
antara Minat (X2) dengan Prestasi (Y) memiliki nilai Sig (2-tailed) sebesar
0,000 < 0,05, yang berarti terdapat korelasi yang signifikan antara
Variabel Minat dengan Variabel Prestasi.
2. Berdasarkan Nilai r hitung (Pearson Correlations): Diketahui nilai r hitung
untuk hubungan Motivasi (X1) dengan Prestasi (Y) adalah sebesar adalah
sebesar 0,796 > r tabel 0,576, maka dapat disimpulkan bahwa ada
hubungan atau korelasi antara variabel Motivasi dengan Variabel Prestasi.
Selanjutnya, diketahui nilai r hitung untuk hubungan Minat (X2) dengan
Prestasi (Y) adalah sebesar adalah sebesar 0,908 > r tabel 0,576, maka
dapat disimpulkan bahwa ada hubungan atau korelasi antara variabel
Minat dengan variabel Prestasi. Karena r hitung atau Perason Correlations
dalam analisis ini bernilai positif maka itu artinya hubungan antara kedua
variabel tersebut bersifat positif atau dengan kata lain semakin
meningkatnya Motivasi dan Minat maka akan meningkat pula Prestasi
belajar siswa.
3. Berdasarkan Tanda Bintang (*) SPSS: Dari output di atas diketahui bahwa
nilai Pearson Correlations antara masing-masing variabel yang
dihubungkan mempunyai dua tanda bintang (**), ini bearti terdapat
korelasi antara variabel yang dihubungkan dengan taraf signifikansi 1%.
15
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y’ apabila X = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
16
12 16,480 64,200
13 17,500 65,300
14 19,560 69,562
15 19,000 68,750
16 20,450 70,256
17 22,650 72,351
18 21,400 70,287
19 22,900 73,564
20 23,500 75,642
17
Persamaan regresinya sebagai berikut:
Y’ = a + bX
Y’ = -28764,7 + 0,691X
Angka-angka ini dapat diartikan sebagai berikut:
- Konstanta sebesar -28764,7; artinya jika biaya promosi (X) nilainya adalah 0,
maka volume penjulan (Y’) nilainya negatif yaitu sebesar -28764,7.
- Koefisien regresi variabel harga (X) sebesar 0,691; artinya jika harga
mengalami kenaikan Rp.1, maka volume penjualan (Y’) akan mengalami
peningkatan sebesar Rp.0,691. Koefisien bernilai positif artinya terjadi
hubungan positif antara harga dengan volume penjualan, semakin naik harga
maka semakin meningkatkan volume penjualan.
18
Nilai volume penjualan yang diprediksi (Y’) dapat dilihat pada tabel
Casewise Diagnostics (kolom Predicted Value). Sedangkan Residual
(unstandardized residual) adalah selisih antara Volume Penjualan dengan
Predicted Value, dan Std. Residual (standardized residual) adalah nilai
residual yang telah terstandarisasi (nilai semakin mendekati 0 maka model
regresi semakin baik dalam melakukan prediksi, sebaliknya semakin
menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi
dalam melakukan prediksi).
- Uji Koefisien Regresi Sederhana (Uji t)
Uji ini digunakan untuk mengetahui apakah variabel independen (X)
berpengaruh secara signifikan terhadap variabel dependen (Y). Signifikan
berarti pengaruh yang terjadi dapat berlaku untuk populasi (dapat
digeneralisasikan).
Dari hasil analisis regresi di atas dapat diketahui nilai t hitung seperti
pada tabel 2. Langkah-langkah pengujian sebagai berikut:
1. Menentukan Hipotesis
Ho : Ada pengaruh secara signifikan antara biaya promosi dengan
volume penjualan
Ha : Tidak ada pengaruh secara signifikan antara biaya promosi dengan
volume penjualan
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan a = 5% (signifikansi 5% atau 0,05
adalah ukuran standar yang sering digunakan dalam penelitian)
3. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar 10,983
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat
kebebasan (df) n-k-1 atau 20-2-1 = 17 (n adalah jumlah kasus dan k
adalah jumlah variabel independen). Dengan pengujian 2 sisi
(signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2,110 (Lihat
19
pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell
kosong ketik =tinv(0.05,17) lalu enter.
5. Kriteria Pengujian
Ho diterima jika –t tabel < t hitung < t tabel
Ho ditolak jika -thitung < -t tabel atau t hitung > t tabel
6. Membandingkan t hitung dengan t tabel
Nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak.
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak,
artinya bahwa ada pengaruh secara signifikan antara biaya promosi
dengan volume penjualan. Jadi dalam kasus ini dapat disimpulkan bahwa
biaya promosi berpengaruh terhadap volume penjualan pada perusahaan
jual beli motor.
BAB III
PENUTUP
A. Kesimpulan
20
Analisis of variance atau ANOVA merupakan salah satu teknik analisis
multivariate yang berfungsi untuk membedakan rerata lebih dari dua
kelompok data dengan cara membandingkan variansinya. Sebelum menguji
dengan ANOVA, data harus berdistribusi normal dan mempunyai varians
yang sama serta diambil dari populasi yang homogen. One-way Anova
digunakan untuk menganalisis varians variabel dependen yang kuantitatif dari
satu faktor yang bervariabel independen. Dalam teknik One-Way ANOVA
menggunakan metode pengujian hubungan antara satu variabel tergantung
yang berskala interval atau rasio (parametrik) dengan satu atau lebih variabel
berskala nominal (non-parametrik).
B. Saran
21
Agar strategi pembelajaran statistik berjalan dengan baik, harusnya
setiap materi di bahas dengan sedetail mungkin, agar perkuliahan ini berjalan
dengan lancar.
DAFTAR PUSTAKA
22
Wahyono, Teguh. 2009. 25 Metode Anlisis dengan Menggunakan SPSS
17. Jakarta : Gramedia.
http://solusisekripsi.blogspot.com/2012/10/pengertian-oneway-anova-analisis-
varian.html
http://teorionline.wordpress.com/2011/02/06/one-way-anova-analysis-of-
variance/Hendry/
23