MODUL PRAKTIKUM - REVisi

Praktikum Statistika
MODUL PRAKTIKUM -1
Pengenalan SPSS release 16.0
SPSS (Statistical Package for the Social Sciences) release 16.0 saat ini merupakan seri terakhir dari
SPSS sebelumnya. Dibandingkan dengan seri sebelumnya, yang terakhir ini memuat beberapa
penambahan fasilitas berupa fitur-fitur dan modul SPSS. Tambahan fitur tersebut antara lain :
 SPSS 16.0 dapat melakukan export/import data Excel 2007

 Pada SPSS 16.0, Value Label dapat berbentuk string dengan panjang sembarang
 SPSS 16.0 ada tambahan fitur Find and Replace dalam Output Viewer
 SPSS 16.0 dapat menentukan working directory secara permanen sebagai default
Memulai SPSS
Ada dua cara untuk memulai menjalankan SPSS:

1. Jika pada desktop Windous sudah terdapat Icon SPSS, maka Klik Icon SPSS 16, dua kali
2. Bisa juga memulai SPSS 16.0 dengan cara klik Start → Programs → SPSS 16.0
Setelah Program muncul klik cancel selanjutnya akan tampil Data Editor
SPSS Data Editor
Jika file data belum ada, maka harus kita ketik file pada halaman SPSS Data Editor dengan prosedur
sebagai berikut :
 Klik File → klik New →klik Data

Halaman SPSS Data Editor terdiri dari 2(dua) halaman yakni : halaman pertama adalah Data View
sebagai tempat input data. Halaman ke dua adalah Variable View sebagai tempat memberi nama
variabel dan mendefinisikan karakteristik lain dari variabel.
Catatan : pada halaman Variable View, setiap baris mewakili

satu variabel atau satu pertanyaan/kuisioner
Pada halaman Variable View dapat dilakukan :
1. Membuat nama variabel (Variable Name), panjang maksimal 8 karakter pada kolom Name. Jika
tidak diberi nama, SPSS akan menggunakan nama variabel VAR00001, VAR00002, dst.
2. Menentukan tipe variabel pada kolom Type, antara lain :Numeric, Date String dst.
3. Menentukan lebar data atau banyaknya angka/karakter data pada kolom Width
halaman 1 dari 48
4. Menentukan banyaknya angka dibelakang koma pada kolom Decimals.

5. Memberi penjelasan nama variabel pada kolom Label. (karena pada kolom Name hanya 8
karakter)
6. Memberi penjelasan nilai data pada kolom Values. Misalkan variabel jenis kelamin dapat diberi
penjelasan nilai ‘1 = pria’ dan ‘2 = perempuan’.
7. Mendefinisikan missing values pada kolom Missing, bila ada data yang hilang/luput atau jika ada
pertanyaan pada kuesioner yang tidak dijawab oleh responden. Dapat diberi kode missing
‘9 = tidak dijawab’.
8. Menentukan lebar kolom tabel pada kolom Columns
9. Menentukan Alignment pada kolom Align : rata kanan(right), rata kiri (left), tengah (center).
Default untuk data numeric adalah rata kanan, dan untuk data string adalah rata kiri
10. Menentukan skala data (nominal, ordinal, interval, atau ratio) pada kolom Measure. SPSS selalu
mengasumsikan tipe data numeric memiliki skala interval atau skala ratio (scale). Untuk data
skalanominal atau skala ordinal , kita harus menentukan sendiri pada kolom Measure.
Contoh : Mendefinisikan Variabel dari kuisioner
Misalkan terdapat 5 responden yang memberi tanggapan melalui kuisioner tentang penggunaan
Personal Computer sebagai berikut:
Responden 1 : Responden 2 :
Kuesioner Penggunaan Personal Computer (PC) Kuesioner Penggunaan Personal Computer (PC)
Informasi Pribadi Informasi Pribadi

Jawab pertanyaan berikut dengan memberi tanda check () Jawab pertanyaan berikut dengan memberi tanda check ()
1. Jenis 1. Jenis
1.  Pria 2.  Perempuan 1.  Pria 2.  Perempuan
Kelamin Kelamin
2. Berapa Usia Anda (tahun)? 2. Berapa Usia Anda (tahun)?

1.  < 20 3.  30 - 39 5.  50 - 59 1.  <20 3.  30 - 39 5.  50 - 59
2.  20 - 29 4.  40 - 49 6.  ≥ 60 2.  20 - 29 4.  40 - 49 6.  ≥ 60
Lama Penggunaan Personal Computer (jam) Lama Penggunaan Personal Computer (Jam)
3. Berapa jam anda menggunakan PC dalam satu mingggu? 3. Berapa jam anda menggunakan PC dalam satu mingggu?
1.  0 3.  6 – 10 5.  21- 30 1.  0 3.  6 – 10 5.  21- 30
2.  1 – 5 4.  11 – 20 6.  ≥ 30 2.  1 – 5 4.  11 – 20 6.  ≥ 30
Tunjukkan tingkat persetujuan anda atas pernyataan berikut Tunjukkan tingkat persetujuan anda atas pernyataan berikut
Sangat Sangat
Tak Sangat Tak Sangat
tak Netral Setuju tak Netral Setuju
Setuju setuju Setuju setuju
setuju setuju
4. PC sangat 4. PC sangat
mudah 1.  2.  3.  4.  5.  mudah 1.  2.  3.  4.  5. 
digunakan digunakan
5. Saya suka 5. Saya suka
belajar belajar
1.  2.  3.  4.  5.  1.  2.  3.  4.  5. 
software PC software PC
terbaru terbaru
halaman 2 dari 48
Responden 3 : Responden 4 :
Kuesioner Penggunaan Personal Computer (PC) Kuesioner Penggunaan Personal Computer (PC)
Informasi Pribadi Informasi Pribadi

Jawab pertanyaan berikut dengan memberi tanda check () Jawab pertanyaan berikut dengan memberi tanda check ()
1. Jenis 1. Jenis
1.  Pria 2.  Perempuan 1.  Pria 2.  Perempuan
Kelamin Kelamin
2. Berapa Usia Anda (tahun)? 2. Berapa Usia Anda (tahun)?

1.  < 20 3.  30 - 39 5.  50 - 59 1.  < 20 3.  30 - 39 5.  50 - 59
2.  20 - 29 4.  40 - 49 6.  ≥ 60 2.  20 - 29 4.  40 - 49 6.  ≥ 60
Lama Penggunaan Personal Computer (Jam) Lama Penggunaan Personal Computer (Jam))
3. Berapa jam anda menggunakan PC dalam satu mingggu? 3. Berapa jam anda menggunakan PC dalam satu mingggu?
1.  0 3.  6 – 10 5.  21- 30 1.  0 3.  6 – 10 5.  21- 30
2.  1 – 5 4.  11 – 20 6.  > 30 2.  1 – 5 4.  11 – 20 6.  > 30
Tunjukkan tingkat persetujuan anda atas pernyataan berikut Tunjukkan tingkat persetujuan anda atas pernyataan berikut
Sangat Sangat
Tak Sangat Tak Sangat
tak Netral Setuju tak Netral Setuju
Setuju setuju Setuju setuju
setuju setuju
4. PC sangat 4. PC sangat
mudah 1.  2.  3.  4.  5.  mudah 1.  2.  3.  4.  5. 
digunakan digunakan
5. Saya suka 5. Saya suka
belajar belajar
1.  2.  3.  4.  5.  1.  2.  3.  4.  5. 
software PC software PC
terbaru terbaru
Responden 5 :
Kuesioner Penggunaan Personal Computer (PC)
Informasi Pribadi
Jawab pertanyaan berikut dengan memberi tanda check ()
1. Jenis
1.  Pria 2.  Perempuan
Kelamin
2. Berapa Usia Anda (tahun)?

1.  < 20 3.  30 - 39 5.  50 - 59
2.  20 - 29 4.  40 - 49 6.  ≥ 60
Lama Penggunaan Personal Computer (Jam)
3. Berapa jam anda menggunakan PC dalam satu mingggu?
1.  0 3.  6 – 10 5.  21- 30
2.  1 – 5 4.  11 – 20 6.  > 30
Tunjukkan tingkat persetujuan anda atas pernyataan berikut

Sangat
Tak Sangat
tak Netral Setuju
Setuju setuju
setuju
4. PC sangat
mudah 1.  2.  3.  4.  5. 
digunakan
5. Saya suka
belajar
1.  2.  3.  4.  5. 
software PC
terbaru
halaman 3 dari 48
Kelima kuesioner yang sudah diisi oleh masing-masing responden ditabulasi ke dalam tabel baru
sebagai berikut :
id Sex Usia Jumlah PC sangat Suka belajar

( 1= pria, (1=<20 thn, 2=20 penggunaan PC mudah soft ware baru
2= perempuan) – 29 thn, 3=30 – per minggu digunakan (1= sangat tak
39 thn, 4=40 – 49 (1=0 jam, 2=1–5 (1=sangat tak setuju, 2= tak
thn, 5=50 – 59 tn, jam, 3= 6 -10 jam, setuju, 2= tak setuju, 3=Netral,
6=60 thn keatas) 4=11-20jam, setuju, 3 = 4= setuju, 5=
5=21-30jam, 6=>30 netral, 4 = sangat setuju)
jam setuju, 5=sangat
setuju)
1 1 2 2 5 4
2 2 3 6 2 3
3 2 2 6 2 3
4 1 3 4 3 1
5 2 2 6 5 5
Selanjutnya dari hasil tabulasi kuesioner Penggunaan Personal Computer dengan responden 5 orang
akan diinput ke dalam Data Editor yakni VARIABLE VIEW dan DATA VIEW dengan langkah-langkah
berikut :
1. Jalankan SPSS dan buka halaman Variablew View dari SPSS Data Editor
2. Masukkan variabel pertama id pada kolom Name, yang dibatasi pada bilangan bulat terdiri dari
2 digit tanpa bilangan di belakang koma, sebagai berikut: pada kolom Type, klik kotak kecil abu-
abu, lalu muncul Box Variable Type. Pilih Type:Numeric, Width = 2, Decimals = 0. Lalu klik OK
3. Pindah ke Variabel kedua yang berisi Jenis Kelamin dengan nama Sex , Value Label (values) :
‘1=pria’, ‘2=perempuan’ dengan langkah sebagai berikut:
Ketik sex pada kolom Name, pilih Type: Numeric, Width = 1, Decimals = 0, ketik Jenis Kelamin
pada kolom Label. Selanjutnya klik kolom Values, isikan kode Value: 1, dan Value Label :Pria lalu
klik Add. Isi Value : 2, Value Label : Perempuan, klik Add. Lalu klik OK
4. Karena variabel Jenis Kelamin adalah skala Nominal, maka klik pada kolo Measure lalu pilih
Nominal.
5. Pindah ke variabel ke-3, Kelompok Usia yang disingkat dengan Usia. Ketik Usia pada kolom
Name, pilih Type: Numeric, Width = 1, dan Decimals = 0, ketik Kelompok Usia pada kolom Label
6. Pada kolom Values isikan Value : 1, Value Label:kurang dari 20 thn, lalu klik Add. Value : 2,
Value Label : 20 – 29 thn, lalu klik Add. Demikian seterusnya hingga Value: 6. Kemudian Klik OK
7. Kemungkinan ada responden tidak menjawab pertanyaan tentang Kelompok Usia pada
kuisioner, maka definisikan missing value SPSS 16.0 dengan cara : Klik kolom missing. Pilih
Discrete missing values pada box Missing Values lalu isikan kode 9, kemudian Klik OK. Pada
Value Labels tambahkan Value : 9, value Label: tidak menjawab,lalu Klik Add
8. Karena Kelompok Usia adalah skala Ordinal maka Klik Measure, pilih Ordinal.
9. Variabel ke-4 : Jumlah jam penggunaan PC per minggu. Nama variabel disingkat Jam sebagai
berikut :
 Ketik Jam pada kolom Name, Type : Numeric, Width =1, Decimals =0 , ketik Jumlah
penggunaan PC/minggu pada kolom Label
halaman 4 dari 48
 Klik kolom Values untuk membuka box Value Labels, lalu isikan Value :1, Value Label : ,
Nol Jam, lalu Klik Add. Demikian hingga Value : 6 dengan Value Label sesuai dengan
tabel data kuesioner. Lalu Klik OK
 Kilik kolom Measure, pilih Ordinal
10. Gunakan cara yang sama (No.9) untuk variabel PC Sangat Mudah Digunakan dan variabel Suka
Belajar soft Ware PC Baru
11. Simpan file dengan cara Klik File→Save lalu pilih folder penyimpanan file dengan nama file
contoh_kuesioner→save.
12. Input data hasil kuesioner pada halaman Data View, setelah selesai, lalu simpan ke dalam file
dengan cara Klik File → Save.
Value Labels dari data yang telah didefinisikan dalam Variable View dapat dilihat dengan cara Klik
View kemudian Klik Value Labels. Selanjutnya jika Klik View → Value Labels lagi, maka tampilan
Value label akan kembali berupa angka-angka kode.
Latihan
Inputlah data pada tabel berikut ke dalam Data Editor SPSS :
1. Daftar Jumlah murid suatu sekolah di daerah A Menurut tingkat sekolah dan jenis kelamin,
sebagai berikut :
Jenis
SD SLTP SLTA
Kelamin
Laki-laki 4.758 2.795 1.459
Perempuan 4.032 2.116 1.256
2. Diketahui data nilai ujian mata kuliah Statistika dari 80 orang mahasiswa sebagai berikut :
79 49 48 74 81 98 87 80
80 84 90 70 91 93 82 78
70 71 92 38 56 81 74 73
68 72 85 51 65 93 83 86
90 35 83 73 74 43 86 88
92 93 76 71 90 72 67 75
80 91 61 72 97 91 88 81
70 74 99 95 80 59 71 77
63 60 83 82 60 67 89 63
76 63 88 70 66 88 79 75
Inputlah data tersebut ke dalam Data Editor.
halaman 5 dari 48
MODUL PRAKTIKUM -2
I. Data Screening
Langkah pertama dalam analisis data adalah melakukan eksplorasi terhadap data dengan tujuan
untuk mengetahui apakah data yang dimasukkan sudah benar dan sesuai dengan data sebenarnya.
Untuk itu perlu dilakukan proses penyaringan data (data screening). Kesalahan yang mungkin
terjadi antara lain memasukkan data diluar kisaran (range) kode data atau diluar range nilai data
yang telah didefinisikan, atau memasukkan data yang sama lebih dari sekali. Sebagai contoh,
memasukkan angka 3 pada variabel jenis kelamin, padahal telah ditetapkan kode “1=pria,dan
2=perempuan” atau memasukkan angka 6 untuk IP yang mempunyai Range 0 – 4. Prosedur Data
Screening biasanya dilakukan dengan mengamati langsung setiap data yang sudah diinput lalu
membandingkannya dengan data sebelumnya. Namun hal ini sulit dilakukan terhadap data yang
banyak, sehingga lebih efektif dan akurat dengan menggunakan perintah SPSS melalui menu:
Frequencies.
Sebagai contoh, diketahui data prestasi belajar 13 orang mahasiswa yang terdiri dari laki-laki dan
wanita berkaitan dengan jumlah jam belajar di rumah, sebagai berikut :
ID Jumlah Jam IPK Jenis Kelamin

Belajar (1=pria,2=wanita)
1 32 3,6 1
2 16 3,5 2
3 21 2,8 1
4 23 3,7 2
5 8 3,5 2
6 4 3,7 2
7 10 2,5 1
8 15 2,3 2
9 31 3,0 2
10 40 3,9 1
11 5 3,1 2
12 28 2,7 1
13 15 2,3 2
II. Prosedur SPSS untuk data Screening adalah sebagai berikut :n

1. Setelah mengaktifkan SPSS, klik Variable View pada Data Editor SPSS.
2. Input variabel pertama id pada kolom Name, Type : Numeric, Width =2, Decimals =0
3. Input variabel jumlah jam belajar, dengan singkatan Belajar pada kolom Name,Type :Numeric,
Width = 2, Decimals =0, lalu ketikkan Jumlah Jam Belajar pada kolom Label
4. Definisikan variabel Indeks Prestasi Kumulatif (IPK) sbb: ketik IPK pada kolom Name,
Type:Numeric, Width =2, Decimals =1, ketik Indeks Prestasi Kumulatif pada kolom Label
5. Ketik sex pada kolom Name, Type = Numeric, Width = 2, Decimals = 0, ketik Jenis Kelamin pada
kolom Label. Klik kolom Values untuk memberi Value Labels dan isikan “1” pada Value dan
“Pria” pada Value Label lalu klik Add. Ulangi isikan “2” pada Value dan “Perempuan” pada
Value Label lalu klik Add, kemudian klik OK. Selanjutnya klik kolom Measure, pilih Nominal.
6. Simpan dalam suatu file, klik File →Save dan berikan Nama File.
halaman 6 dari 48
7. Masuk ke Data View, lalu input ke-13 data pada tabel diatas sesuai dengan kolomnya. Misalkan
terjadi kesalahan ketik pada variabel Jenis Kelamin pada Responden ke-4 dan ke-6, sehingga
berubah menjadi 3 dan 5, juga kesalahan IPK pada responden ke-5 dan ke-7 sehingga berubah
menjadi 7,0 dan 6,0.
8. Setelah selesai memasukkan seluruh data yang sengaja dibuat salah ketik, simpan data dalam
file, klik File →Save, beri nama contoh_spss.
9. Untuk Data Screening dengan perintah SPSS Frequencies: Klik Analyze → Descriptive Statistics
→ Frequencies.
10. Pindahkan semua variabel yang akan disaring ke kotak Variables (IPK dan JENIS KELAMIN) lalu
OK.
11. Hasil yang diperoleh adalah tabel distribusi frekuensi untuk variabel Jenis Kelamin dan Indeks
Prestasi kumulatif. Pada Variabel Jenis Kelamin terdapat nilai 3 da 5 yang frekuensinya masing-
masing adalah 1, padahal variabel ini hanya terdiri dari “1=pria” dan “2=Perempuan”. Kesalahan
ini harus dikoreksi. Demikian juga pada variabel Indeks Prestasi Kumulatif, terdapat nilai 6,0 dan
7,0. Karena Range dari IPK adalah 0 – 4, maka data ini harus dikoreksi juga. (Lihat Tabel output)
Indeks Prestasi Kumulatif
Cumulative
IPK Frequency Percent Valid Percent
Percent
Valid 2.3 2 15.4 15.4 15.4

2.7 1 7.7 7.7 23.1
2.8 1 7.7 7.7 30.8
3 1 7.7 7.7 38.5
3.1 1 7.7 7.7 46.2
3.5 1 7.7 7.7 53.8
3.6 1 7.7 7.7 61.5
3.7 2 15.4 15.4 76.9
3.9 1 7.7 7.7 84.6
6 1 7.7 7.7 92.3
7 1 7.7 7.7 100.0
Total 13 100.0 100.0
Jenis Kelamin
Jenis Kelamin Frequency Percent Valid Percent Cumulative Percent
Valid Pria 5 38.5 38.5 38.5
Perempuan 6 46.2 46.2 84.6
3 1 7.7 7.7 92.3
5 1 7.7 7.7 100.0
Total 13 100.0 100.0
halaman 7 dari 48
MODUL 3
STATISTIKA DESKRIPTIF
Kegunaan : Menghitung nilai-nilai statistik dan menampilkan diagram grafik untuk mendeskripsikan
data dengan ringkas agar mudah dipahami ataupun diinterpretasikan. Nilai -nilai Statistik yang biasa
ditampilkan dalam Statistika Deskriptif, antara lain adalah :
Ukuran Lokasi Pusat Data (Ukuran Pemusatan) yang merupakan nilai pusat tipikal yang
menggambarkan keadaan data tersebut. Ukuran Pemusatan yang lazim dihitung adalah : Mean,
Median, Modus, Kuartil, Desil dan Persentil.
Ukuran Variabilitas Data adalah bentangan (spread) data yang sering juga disebut Ukuran
Penyebaran. Ukuran Variabilitas Data yang sering digunakan adalah Ragam (Variance), Simpangan
Baku (standard deviation), Range, dan Jangkauan Kuartil (inter quartile range).
Ukuran Kemencengan (Skewness) yang menyatakan ketidak simetrian suatu distribusi

terhadap mean. Nilai kemencengan Positif, menggambarkan distribusi yang tidak simetris dengan
ekor yang memanjang ke arah positif (kanan). Nilai kemencengan Negatif menggambarkan distribusi
yang tidak simetris dengan ekor yang memanjang ke arah negatif (kiri). Nilai Kemencengan NOL
menggambarkan Distribusi Normal, yakni simetris terhadap mean.
Skewness Negatif Skewness Positif Skewnwss Nol

Ukuran Kurtosis menyatakan keruncingan atau kedataran distribusi dibandingkan terhadap
Distribusi Normal. Nilai Positif menyatakan Keruncingan, dan Nilai Negatif menyatakan Kedataran.
Jika diketahui n data : x1, x2, x3,.....,xn , maka :
 Mean (rata-rata) untuk sampel datar

𝒏
𝟏
𝒙= ∑ 𝒙𝒊
𝒏
𝒊=𝟏
 Simpangan Baku (standard Deviation)
𝒏
𝟏
𝑺= √ ∑(𝒙𝒊 − 𝒙 )𝟐
𝒏−𝟏
𝒊=𝟏
 Varians (ragam)
𝒏
𝟐
𝟏
𝑺 = ∑ (𝒙𝒊 − 𝒙 )𝟐
𝒏−𝟏
𝒊=𝟏
 Jangkauan : R = Nilai max – Nilai Min
halaman 8 dari 48
 Jangkauan Antar kuartil (Interquartile Range)
𝑰𝑸𝑹 = 𝑸𝟑 – 𝑸𝟏 = 𝑷𝟕𝟓 – 𝑷𝟐𝟓
 Kemencengan (Skewnwss)
𝒏
𝒏 𝒙𝒊 – 𝒙 𝟐
𝑺𝒌 = ∑( )
(𝒏 − 𝟏)(𝒏 − 𝟐) 𝒔
𝒊=𝟏
 Kurtosis
𝒏 𝟒
𝒏(𝒏 − 𝟏) 𝒙𝒊 − 𝒙 𝟑(𝒏 − 𝟏)𝟐
𝑲= ∑( ) −
(𝒏 − 𝟏)(𝒏 − 𝟐)(𝒏 − 𝟑) 𝒔 (𝒏 − 𝟐)(𝒏 − 𝟑)
𝒊=𝟎
 Simpangan Rata-rata (Average Absolute Deviation = AAD)

∑𝒏𝒊=𝟏|𝒙𝒊 − 𝒙|
𝑨𝑨𝑫 =
𝒏
 Koefisien Dispersi (Coefficient Of Dispersion = COD)
𝑨𝑨𝑫
𝑪𝑶𝑫 = × 𝟏𝟎𝟎%
𝒙
 Koefisien Variasi
𝑺
𝑪𝑽 = × 𝟏𝟎𝟎%
𝒙
Beberapa prosedur Statistika Deskriptif (Descriptive Statistics) yang tersedia dalam SPSS antara lain
adalah
 Frequencies
 Descriptives
 Explore
 Crosstabs
Penggunaan Statistika Deskriptif dapat dilihat pada contoh percobaan berikut :
Dari suatu kelas senam kebugaran yang diikuti oleh 92 orang peserta, diketahui data : tinggi Badan,
Berat Badan, Jenis Kelamin, Perokok/tak Perokok, Tingkat Aktifitas Sehari-hari, Detak Jantung/menit.
Setiap peserta disuruh melemparkan koin, jika muncul gambar maka peserta harus berlari di tempat
selama satu menit, tetapi jika yang muncul adalah bukan gambar, maka peserta tersebut tidak perlu
berlari di tempat. Setelah melakukan pelemparan koin dan aktifitas lanjutannya, detak
jantung/menit dari setiap peserta dicatat kembali dan diperoleh data sebagai berikut :
halaman 9 dari 48
No/ID detak1 detak2 Lari Perokok Sex Tinggi Berat Aktivitas

(sebelum (setelah (1=lari di (1=perokok, (1=pria, Badan Badan (1=ringan,
lempar lempar tempat, 2=tdk 2=perempuan) 2=sedang,
koin) koin) 2=tdk lari) perokok) 3=berat)
1. 64 88 1 2 1 168 64 2
2. 58 70 1 2 1 183 66 2
3. 62 76 1 1 1 187 73 3
4. 66 78 1 1 1 185 86 1
5. 64 80 1 2 1 175 70 2
6. 74 84 1 2 1 185 75 1
7. 84 84 1 2 1 183 68 3
8. 68 72 1 2 1 188 86 2
9. 62 75 1 2 1 183 89 2
10. 76 118 1 2 1 180 63 2
11. 90 94 1 1 1 188 73 1
12. 80 96 1 2 1 183 70 2
13. 92 84 1 1 1 178 69 3
14. 68 76 1 2 1 170 66 2
15. 60 76 1 2 1 180 77 3
16. 62 58 1 2 1 183 79 3
17. 66 82 1 1 1 175 79 2
18. 70 72 1 1 1 185 77 3
19. 68 76 1 1 1 188 82 2
20. 72 80 1 2 1 168 61 3
21. 70 106 1 2 1 180 77 2
22. 74 76 1 2 1 178 71 2
23. 66 102 1 2 1 178 59 2
24. 70 94 1 1 1 191 84 2
25. 96 140 1 2 2 155 64 2
26. 62 100 1 2 2 168 54 2
27. 78 104 1 1 2 173 59 2
28. 82 100 1 2 2 173 63 2
29. 100 115 1 1 2 160 55 2
30. 68 112 1 2 2 178 57 2
31. 96 116 1 2 2 173 53 2
32. 78 118 1 2 2 175 66 2
33. 88 110 1 1 2 175 68 2
34. 62 98 1 1 2 159 51 2
35. 80 128 1 2 2 173 57 2
36. 62 62 2 2 1 188 86 1
37. 60 62 2 2 1 180 70 2
38. 72 74 2 1 1 175 77 2
39. 62 66 2 2 1 178 70 2
40. 76 76 2 2 1 183 98 2
halaman 10 dari 48

41. 68 66 2 1 1 170 68 2
42. 54 56 2 1 1 175 66 2
43. 74 70 2 2 1 185 70 3
44. 74 74 2 2 1 185 70 2
45. 68 68 2 2 1 180 68 3
46. 72 74 2 1 1 173 70 3
47. 68 64 2 2 1 177 68 3
48. 82 84 2 1 1 185 82 2
49. 64 62 2 2 1 191 73 3
50. 58 58 2 2 1 168 61 3
51. 54 50 2 2 1 175 73 2
52. 70 62 2 1 1 168 59 2
53. 62 68 2 1 1 185 70 2
54. 48 54 2 1 1 173 68 1
55. 76 76 2 2 1 188 67 3
56. 88 84 2 2 1 187 70 2
57. 70 70 2 2 1 178 68 2
58. 90 88 2 1 1 170 64 2
59. 78 76 2 2 1 183 82 3
60. 70 66 2 1 1 191 86 2
61. 90 90 2 2 1 173 66 1
62. 92 94 2 1 1 175 68 2
63. 60 70 2 1 1 182 74 2
64. 72 70 2 2 1 180 64 2
65. 68 68 2 2 1 183 64 3
66. 84 84 2 2 1 175 62 2
67. 74 76 2 2 1 170 56 2
68. 68 66 2 2 1 173 70 2
69. 84 84 2 2 2 168 59 2
70. 61 70 2 2 2 166 54 2
71. 64 60 2 2 2 168 59 3
72. 94 92 2 1 2 157 59 2
73. 60 66 2 2 2 157 54 2
74. 72 70 2 2 2 160 54 2
75. 58 56 2 2 2 170 57 2
76. 88 74 2 1 2 165 61 2
77. 66 72 2 2 2 168 57 2
78. 84 80 2 2 2 165 54 1
79. 62 66 2 2 2 165 55 3
80. 66 76 2 2 2 165 52 2
halaman 11 dari 48

81. 80 74 2 2 2 163 46 2
82. 78 78 2 2 2 170 52 2
83. 68 68 2 2 2 175 68 2
84. 72 68 2 2 2 173 50 2
85. 82 80 2 2 2 160 53 1
86. 76 76 2 1 2 157 49 3
87. 87 84 2 2 2 160 43 3
88. 90 92 2 1 2 163 57 1
89. 78 80 2 2 2 173 60 1
90. 68 68 2 2 2 157 50 2
91. 86 84 2 2 2 170 68 3
92. 76 76 2 2 2 157 49 2
Berdasarkan informasi dan tabel, dapat dilakukan input data ke dalam Data Editor sesuai dengan
langkah -langkah yang telah dipelajari pada Modul 1, yakni :
1. Aktifkan SPSS, lalu Klik Variable View pada layar Data Editor.
2. Input masing-masing nama variabel, beserta Type, Width, Decimals, Label, Value, Missing,
Column, Align dan Measure. Dalam hal ini terdapat 8 variabel yang akan diinput pada kolom
Name, dan terdapat 4 (empat) variabel yang memiliki Value Label.
3. Setelah proses input variabel selesai, simpan kedalam file dengan cara Klik File → ketik
nama file → Save.
4. Klik Data View, lalu input seluruh data yang ada pada tabel di atas.
Untuk acuan dalam menginput variabel, gunakan tampilan Variable View pada tabel berikut ini :
Name Type Width Deci Label Value Missin Colu Align Measure
mals g mn
detak1 Numeric 8 0 detak jantung 1 None None 8 Right Scale
detak2 Numeric 8 0 detak jantung 2 None None 8 Right Scale
lari Numeric 8 0 Lari {1, Berlari di None 8
Right Nominal
tempat}...
perokok Numeric 8 0 Merokok {1, None 8
Right Nominal
Merokok}...
sex Numeric 8 0 Jenis Kelamin {1, Pria}... None 8 Right Nominal
tinggi Numeric 8 0 TInggi Badan None None 8 Right Scale
berat Numeric 8 0 Berat Badan None None 8 Right Scale
aktivita Numeric 8 0 Aktivitas {1, Ringan}... None 8 Right Ordinal
halaman 12 dari 48
I. Prosedur SPSS Frequencies

Prosedur Frequencies berguna untuk menampilkan Distribusi Frekwensi setiap nilai data dalam
bentuk tabel atau dalam bentuk grafik.
 Variabel data kontinu dengan ukuran Interval atau skala ratio dapat ditampilkan dalam
bentuk HISTOGRAM dan POLIGON.
 Variabel Data dengan ukuran Nominal atau Ordinal dapat digunakan Barchart
Prosedur Frequencies dapat melakukan perhitungan dan menampilkan Mean, Median.

Modus(mode), Jumlah (sum), Simpangan Baku, Varians (ragam), Range, Nilai Minimum dan
Maksimum, Skewness dan Kurtosis. Prosedur Frequencies juga dapat digunakan untuk mengamati
Normalitas Distribusi Data.
Untuk data yang di input diatas, dilakukan Analisa Data sebagai berikut :
Untuk menghitung Frekuensi data Pria dan Perempuan , maka langkahnya adalah:
1. Klik Analyze → Descriptive Statistics → Frequencies, maka akan tampil menu pilihan.
Selanjutnya pindahkan Variabel Jenis kelamin ke dalam kotak Variable(s)
2. Karena Jenis kelamin merupakan variabel dengan Skala Nominal maka grafik yang dipilih
adalah dalam bentuk Barchart, dengan prosedur klik Charts → Bar Charts → Continue.
Berdasarkan output dari kedua tahapan di atas, maka dapat diketahui bahwa :
 Jumlah total responden adalah 92, yang terdiri dari 57 (62%) Pria, dan 35 (38%)
Perempuan.
 Dari barchart juga dapat dilihat bahwa frekuensi Pria adalah 57 dan frekuensi Perempuan
adalah 35.
II. Prosedur SPSS Frequencies dan Statistika Deskriptif

Untuk menghitung nilai Statistik Mean, Median, Modus, Jumlah (sum), Simpngan Baku (standard
deviation), Ragam (variance), Jangkauan (range), Nilai Minimum, Nilai Maksimum, Kemencengan
(skewness) dan Keruncingan (kurtosis) pada data dengan ukuran Scale dapat juga dilakukan melalui
menu Frequencies. Untuk variabel Berat Badan dari data yang diinput diatas, proses penghitungan
nilai statistik adalah dengan prosedur/langkah sebagai berikut :
Klik Analyze → Descriptive Statistics → Frequencies lalu pindahkan variabel Berat

Badan ke dalam kotak Variable(s) kemudian klik Statistics dan pilih Statistik yang akan
dihitung lalu klik Continue. Selanjutnya perhatikan output berupa tabel yang memuat
semua nilai statistik yang dihitung.
Untuk menampilkan Grafik Berat Badan dalam bentuk Histogram (karena variabel dengan skala
Rasio) digunakan langkah sbb :
klik Charts → Histograms → With Normal Curve. Akan tampil output dalam bentuk grafik
Histogram beserta pendekatan kurva normal.
halaman 13 dari 48
III. Prosedur SPSS Descriptives

Cara lain untuk menghitung nilai statistik secara langsung, yakni tanpa menampilkan grafik adalah
dengan Prosedur Descriptives. Prosedur ini digunakan untuk menghitung statistik deskriptif antara
lain mean, simpangan baku, varians, nilai max/min dengan prosedur SPSS Descriptives. Langkah
yang digunakan dalam prosedur ini adalah sebagai berikut :
1. Klik Analyze → Descriptive Statistics → Descriptives. Pada layar akan tampil variabel-
variabel data yang dapat kita pilih untuk dihitung statistiknya.
2. Jika kita akan menghitung nilai statistik variabel data Tinggi Badan dan Berat Badan mtanda
chek pada daftar nilai statistik yang akan dihitung. Selanjutnya klik Continue → Ok.
Selanjutnya Nilai Statistik yang dihitung akan tampil sebagai output dalam bentuk tabel yang
selanjutnya dapat diinterpretasikan.
IV. Prosedur SPSS Crosstabs

Prosedur Crosstabs digunakan untuk menampilkan tabulasi silang dua variabel data. Andaikan akan
ditampilkan tabulasi silang dari variabel Jenis Kelamin dan Merokok, maka akan tampil tabel yang
menginformasikan berapa masing-masing jumlah laki-laki dan perempuan yang perokok atau tidak
perokok. Prosedurnya adalah:
klik Analyze → Descriptve Statistics → Crosstabs. Pindahkan Variabel Jenis Kelamin ke

colum(s) dan Merokok ke Row(s) lalu klik OK.
Maka output tampil dalam bentuk tabel yang berisi masing-masing jumlah laki-laki dan
perempuan yang merokok dan tidak merokok
Untuk lebih mengerti, lakukan hal yang sama terhadap variabel :

 Merokok dan Aktivitas.
 Jenis Kelamin dan Lari.
 Jenis Kelamin dan Aktivitas.
 Jenis Kelamin, Merokok dan Aktivitas.
V. Prosedur SPSS Explore
Prosedur SPSS Explore dapat juga digunakan untuk menghitung nilai statistik data secara lengkap.
Misalkan akan dihitung nilai statistik dari variabel data Berat Badan (Berat), maka prosedur nya
adalah :
klik Analyze → Descriptive Statistics → Explore. Kemudian pindahkan variabel data Berat
Badan (Berat) ke dalam kotak Dependent List. Selanjutnya Klik Statistics → check Descriptives
dan Percentiles → Continue → OK.
Output yang tampil adalah tabel yang memuat nilai statistik secara lengkap yang dapat
digunakan dalam menginterpretasi data.
halaman 14 dari 48
VI. Prosedur SPSS Ratio

Statistik Rasio (ratio statistics) berguna untuk mendeskripsikan rasio dari dua variabel dengan skala
interval atau skala rasio. Contohnya, kita ingin mengetahui apakah ada keseragaman dalam rasio
penilaian antara penilaian juri lomba komputer tingkat nasional dan penilaian juri tingkat sekolah
terhadap setiap peserta.
Dari data yang diinput di atas, dapat dihitung statistika deskriptif yaitu statistik rasio, misalnya rata-
rata rasio, simpangan baku rasio, varians rasio, nilai maksimum dan minimum rasio, koefisien
dispersi, koefisien variasi.
Misalkan akan dihitung statistik rasio antara Berat Badan dengan Tinggi Badan. Langkah
penyelesaiannya adalah :
klik Analyze → Descriptive Statistics → Ratio. Lalu pindahkan variabel Berat Badan ke
numerator (sebagai pembilang) dan variabel Tinggi Badan ke denominator(sebagai
penyebut). Kemudian klik Statistics → check pada kotak Ratio Statistics : Statistics
kemudian Continue → OK.
Output dari proses adalah berupa rata-rata perbandingan antara tinggi badan dan berat
badan, sebagaimana pada tabel berikut :
Ratio Statistics for Berat Badan / TInggi Badan
Mean .376
Median .378
Minimum .270
Maximum .534
Std. Deviation .047
Range .264
Average Absolute Deviation .037
Price Related Differential .996
Coefficient of Dispersion .097
Coefficient of Variation Median Centered 12.6%
Dari tabel diketahui bahwa 𝑹𝒂𝒕𝒂 − 𝒓𝒂𝒕𝒂 𝑹𝒂𝒔𝒊𝒐 antara Berat Badan dengan Tinggi Badan
adalah 0,76. 𝑴𝒆𝒅𝒊𝒂𝒏 𝑹𝒂𝒔𝒊𝒐 = 𝟎, 𝟑𝟕𝟖,𝑴𝒊𝒏𝒊𝒎𝒖𝒎 𝑹𝒂𝒔𝒊𝒐 = 𝟎, 𝟐𝟕𝟎,
𝑴𝒂𝒌𝒔𝒊𝒎𝒖𝒎 𝑹𝒂𝒔𝒊𝒐 = 𝟎, 𝟓𝟑𝟒, 𝑺𝒊𝒎𝒑𝒂𝒏𝒈𝒂𝒏 𝑩𝒂𝒌𝒖 𝑹𝒂𝒔𝒊𝒐 = 𝟎, 𝟎𝟒𝟕 , dan seterusnya.
Ingat, bahwa rasio hanya dapat diterapkan untuk data dengan type
interval/scale.
halaman 15 dari 48
MODUL 4
Uji Normalitas Data
Dalam Statistika Inferensial, “kenormalan” atau Normalitas suatu kumpulan data adalah syarat yang
harus diketahui sebelum melakukan analisa yang lebih lanjut. Oleh karena itu, perlu dilakukan uji
Normalitas.
Uji Normalitas yang biasa digunakan adalah SHAPIRO – WILL dan LILIEFORS (KOLMOGOROV-
SMIRNOV), dimana kedua pengujian ini terdapat pada prosedur SPSS Explore. Dalam prosedur SPSS
Explore akan ditampilkan grafik Normal Probaqbility Plot dan Detrended Plot.
 Dalam Normal Probability Plot, setiap nilai data dipasangkan dengan nilai ekspektasi dari
distribusi normal. Jika sampel data berasal dari populasi yang berdistribusi Normal maka
titik titik nilai data akan terletak mendekati suatu garis lurus.
 Dalam Detrended Normal Plot akan digambarkan simpangan nilai data terhadap garis lurus.
Jika data berasal dari populasi yang berdistribusi normal, maka titik titik nilai data tidak akan
membentuk pola tertentu, tetapi akan tersebar disekitar garis datar yang melalui titik nol.
Hipotesis Uji Normalitas :

Ho : Data berasal dari populasi berdistribusi normal (P_value ≥ α)
H1 : Data tidak berasal dari populasi yang berdistribusi normal (P_ value < α)
Dalam SPSS, digunakan istilah Significance ( disingkat dengan Sig).
Pengujian Normalitas data dapat dilakukan dengan menggunakan rumus uji normalitas SHAPIRO –
WILL dan LILIEFORS (KOLMOGOROV-SMIRNOV) sebagai berikut :
Misalkan diketahui sekumpulan data yang sudah diurutkan dari terkecil hingga terbesar, yaitu :
𝑥1 , 𝑥2 , 𝑥3 , … . . , 𝑥𝑛
1. Rumus Uji Normalitas LILIEFORS (KOLMOGOROV-SMIRNOV) :
Hitung :
̅
𝒙𝒌 − 𝒙
𝒛𝒌 = , 𝑠 = 𝑠𝑖𝑚𝑝𝑎𝑛𝑔𝑎𝑛 𝑏𝑎𝑘𝑢
𝒔
Maka rumus uji normalitas Liliefors (Kolmogorov-Smirnov) adalah jarak vertikal maksimum
antara 𝐹𝑛 (𝑧) dengan Φ(𝑧), yaitu :
(𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑟𝑖𝒛𝒌 ≤ 𝑧 )
𝐷 ∗ = 𝑠𝑢𝑝 {|𝐹𝑛 (𝑧) − Φ(𝑧)|} , dimana 𝐹𝑛 (𝑧) =
𝑛
dan Φ(𝑧) adalah 𝑓𝑢𝑛𝑔𝑠𝑖 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝑘𝑢𝑚𝑢𝑙𝑎𝑡𝑖𝑓 𝑛𝑜𝑟𝑚𝑎𝑙 𝑏𝑎𝑘𝑢
2. Rumus Uji Normalitas Shapiro – Wilk:
(∑𝑛𝑖=1 𝑎𝑖 𝑥𝑖 )2
𝑊= 𝑛
∑𝑖−1(𝑥𝑖 − 𝑥̅ )2
dimana 𝑎𝑖 adalah konstanta yang dibangkitkan dari mean, varians dan covarians sampel data
berukuran 𝑛 dari distribusi normal.
halaman 16 dari 48
Contoh Pengujian Normalitas dengan SPSS :

Ada pendapat bahwa metode Directed Reading Actvities (DRA) diyakini akan membantu siswa SD
dalam meningkatkan kemampuan membaca. Untuk menguji hipotesis ini, 22 siswa SD yang
mengikuti DRA selama waktu tertentu dibandingkan dengan 24 siswa yang tidak mengikuti DRA.
Kemudian kedua kelompok murid tersebut diuji dengan Degree Reading Power (DRP) Test dan
diperoleh data skor nilai DRP sebagai berikut:
Ikut DRA 24 43 58 71 43 49 61 44 67 49 53 56 59 52 62 54 57 33 46 43 57 50
Tak ikut DRA 42 43 55 26 62 37 33 41 19 54 20 85 46 10 17 60 53 42 37 42 55 28 48 51
Ujilah Normalitas data kedua kelompok siswa tersebut dengan terlebih dahulu menginputnya
kedalam variable view dan data view lalu interpretasikan nilai statistik yang diperoleh.
Langkah penyelesaian :
1. Akan diselidiki apakah kedua kelompok siswa SD (ikut DRA dan Tak ikut DRA) berdistribusi
Normal dengan menguji hipotesis :
𝐻𝑜 : 𝑑𝑎𝑡𝑎 𝑏𝑒𝑟𝑎𝑠𝑎𝑙 𝑑𝑎𝑟𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝑏𝑒𝑟𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝑛𝑜𝑟𝑚𝑎𝑙
𝐻1 : 𝑑𝑎𝑡𝑎 𝑻𝒊𝒅𝒂𝒌 𝑏𝑒𝑟𝑎𝑠𝑎𝑙 𝑑𝑎𝑟𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝑏𝑒𝑟𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝑛𝑜𝑟𝑚𝑎𝑙
Gunakan ∝=0,05
2. Dalam contoh, banyaknya data dari masing-masing kelompok tidak sama, yakni 𝑛1 = 22 (jumlah
siswa ikut DRA) dan 𝑛2 = 24 (jumlah siswa tidak ikut DRA), sehingga kedua kelompok data
tidak dapat dibuat dalam dua variabel pada kolom variabel yang berbeda. Untuk mengatasi hal
ini, kedua kelompok siswa dapat diletakkan pada kolom variabel yang sama, yakni variabel Skor
DRP, dan kolom variabel lainnya yakni variabel Grup menyatakan Kelompok Siswa. Variabel
Grup diberi ValueLabel “ 1 = Treatment ” dan “ 2 = Kontrol “. Dengan demikian, grup = 1
menyatakan siswa yang ikut DRA, yang berperan sebagai Treatment, grup = 2 menyatakan siswa
yang tidak ikut DRA, yang berperan sebagai Kontrol
Prosedur SPSS Uji Normalitas Berdasarkan Grup

1. Klik Variable View, pada Kolom Name definisikan Variabel Grup, Type: Numeric, Decimal: 0,
Value Label “1 = Treatment” dan “2 = Kontrol “, Measure: Scale. Kembali ke kolom Name,
definisikan variabel skor_ drp, Type: Numeric, Decimal: 0, Label: Skor DRP, Measure: Scale.
2. Klik Data View, selanjutnya input data pada kolom grup dan kolom Skor DRP (Siswa yang ikut
DRA, No.1 s/d 22 adalah grup 1, dan No.23 s/d 46 adalah grup 2)
3. Klik: Analyze → Descriptive Statistics → Explore lalu pindahkan variabel skor_drp yang akan
diuji ke dalam Dependent List dan variabel grup ke Factor List. Kemudian klik Plots → chek list
Normality Plots with test → Continue → OK .
Selanjutnya akan tampil out-put dalam bentuk tabel yang memuat nilai statistik dari kedua
kelompok data sebagai berikut :
group Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Skor DRP Treatment .125 21 .200* .966 21 .652
Kontrol .097 23 .200* .972 23 .732
halaman 17 dari 48
Dari tabel di atas,diperoleh :

1. Skor DRP untuk Treatment :
 Dengan uji Kolmogorov-Smirnov diperoleh 𝑷_𝒗𝒂𝒍𝒖𝒆 = 0,200
 Dengan uji Shapiro – Wilk diperoleh 𝑷_𝒗𝒂𝒍𝒖𝒆 = 0,652
Kedua nila 𝑷_𝒗𝒂𝒍𝒖𝒆 lebih besar dari ∝= 0,05, maka :
𝑯𝒐 ∶ 𝐷𝑎𝑡𝑎 𝑏𝑒𝑟𝑎𝑠𝑎𝑙 𝑑𝑎𝑟𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝑏𝑒𝑟𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝑛𝑜𝑟𝑚𝑎𝑙 tidak dapat ditolak
2. Skor DRP untuk Kontrol :
 Dengan uji Kolmogorov-Smirnov diperoleh 𝑷_𝒗𝒂𝒍𝒖𝒆 = 0,200
 Dengan uji Shapiro – Wilk diperoleh 𝑷_𝒗𝒂𝒍𝒖𝒆 = 0,732
Kedua nila 𝑷_𝒗𝒂𝒍𝒖𝒆 lebih besar dari ∝= 0,05, maka :
𝑯𝒐 ∶ 𝐷𝑎𝑡𝑎 𝑏𝑒𝑟𝑎𝑠𝑎𝑙 𝑑𝑎𝑟𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝑏𝑒𝑟𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝑛𝑜𝑟𝑚𝑎𝑙 tidak dapat ditolak
Kesimpulan dari hasil uji normalitas di atas adalah bahwa data Skor DRP untuk grup Kontrol dan
grup Treatment berasal dari populasi yang terdistribusi normal.
Selain membandingkan P_value dan α, kesimpulan juga dapat diperoleh berdasarkan grafik Normal
Probaqbility Plot dan Detrended Normal Plot yang ditampilkan sebagai out-put.
 Pada grafik output NormalQ-Q Probability Plot dapat dilihat bahwa titik-titik nilai data dari
grup Treatment dan grup Kontrol membentuk pola garis lurus. Dengan demikian disimpulkan
bahwa kedua grup berasal dari populasi terdistribusi normal.
 Pada grafik output Detrended NormalQ-Q Plot dapat dilihat bahwa titik-titik nilai data dari
grup Treatment dan grup Kontrol berada dekat dengan garis lurus yang melalui 0. Dengan
demikian disimpulkan bahwa kedua grup berasal dari populasi terdistribusi normal.
MENGUJI NORMALITAS SATU VARIABEL
Normalitas sebuah variabel dapat juga diuji dengan prosedur SPSS Explore tanpa dikelompokkan
menurut grup. Dalam hal ini, andaikan kita hanya ingin menguji normalitas data DRP secara
keseluruhan tanpa menyertakan Grup , sehingga normalitas data DRP dari kelompok Treatment dan
Kontrol dapat diketahui. Langkahnya adalah sebagai berikut :
klik Analyze → Descriptive Statistics → Explore lalu pindahkan Variabel yang akan diuji
kedalam kotak Dependent List, kemudian klik Plots kemudian chek list Normality Plots With
tests → Continue → OK. Diperoleh output pada tabel berikut :
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Skor DRP .117 44 .153 .975 44 .455
Untuk menginterpretasikan out-put, bandingkan P_value dan α=0,05, atau periksa grafik Normal
Probaqbility Plot dan Detrended Normal Plot sebagaimana diatas.
halaman 18 dari 48
MODUL -5
SAMPLING SEDERHANA
Dalam Statistika, Sampling merupakan sarana yang penting dalam menentukan karakteristik dari
suatu populasi. Biasanya kita tidak mengetahui parameter dari populasi (seperti rata-rata 𝝁,
simpangan baku 𝝈, dan yang lainnya), tetapi kita ingin menduganya secara realiable melalui
sampling, yaitu mengambil sampel secara acak dari suatu populasi tersebut.
Dalam proses Sampling, dikenal suatu kaidah penting yaitu :
No randomization, no generalization
Makna dari kaidah ini adalah bahwa hasil analisis data tidak dapat digeneralisasi tanpa teknik
sampling yang benar. Banyak kasus, contohnya skripsi mahasiswa dimana data yang dikumpulkan
tidak dapat digunakan karena prosedur sampling yang tidak benar (tidak acak).
Dalam Statistika, sampling probabilitas (probability sampling) terdiri dari :
 Sampling Sederhana (simple random sampling)

 Sampling Sistematik (syistematic random sampling)
 Sampling berstrata (stratified random sampling)
 Sampling gugus (cluster sampling)
Semua sampling diatas, selalu berdasarkan sampling acak sederhana.
Permasalahan yang sering dihadapi dalam penarikan suatu sampel adalah terjadinya penarikan
elemen sampel secara tidak adil, yakni tidak semua anggota populasi memiliki kesempatan yang
sama untuk terpilih menjadi elemen sampel. Hal ini sering dipertanyakan apakah sampel tersebut
dapat dinyatakan mewakili populasi dari mana sampel tersebut berasal. Keterwakilan tersebut dapat
diatasi dengan menggunakan prosedur SPSS, dimana proses penarikan dilakukan secara acak dan
adil.
Sampel Acak Sederhana dari 𝒏 observasi adalah suatu sampel yang dipilih sedemikian rupa
sehingga setiap sampel yang merupakan himpunan bagian yang berukuran 𝒏 dari populasi tersebut
mempunyai peluang yang sama untuk terpilih.
Penarikan sampel melalui prosedur SPSS juga dapat diterapkan untuk mengundi sekumpulan objek
dari sekumpulan objek yang lebih besar jumlahnya, misalnya untuk menarik pemenang arisan yang
diikuti oleh sekelompok orang, sehingga setiap peserta memiliki kesempatan yang sama untuk
menjadi pemenang.
Contoh :
Sebuah arisan yang diikuti oleh 26 orang ibu rumahtangga, akan menentukan 5(lima) orang nama
pemenang arisan dengan cara sampling sederhana agar adil sehingga tidak ada yang protes karena
masing-masing peserta memiliki peluang yang sama untuk terpilih.
Dengan data nama dan nomor sebagai berikut :
halaman 19 dari 48
Tabel Nomor dan Nama Peserta Arisan

Nomor Nama Nomor Nama
1 Ibu Ahmad 14 IbuNina
2 Ibu Bambang 15 Ibu Otong
3 Ibu Cinderella 16 Ibu Pandu
4 Ibu Dody 17 Ibu Qadariah
5 Ibu Emilia 18 Ibu Rachel
6 Ibu Fiona 19 Ibu Santoso
7 Ibu Guntur 20 Ibu Tina
8 Ibu Herman 21 Ibu Umar
9 Ibu Indah 22 Ibu Vivian
10 Ibu Jojon 23 Ibu Winoto
11 Ibu Krisno 24 Ibu Xena
12 Ibu Lindawaty 25 Ibu Yulia
13 Ibu Mirawati 26 Ibu Zakir
Prosedur SPSS untuk Sampling Sederhana dalam menentukan pemenang arisan di atas :
1. Definisikan Nomor dan Nama. Input variabel pertama Nomor pada kolom Name, batasi hanya
untuk bilangan bulat terdiri dari 2 digit tanpa angka di belakang koma dengan memilih Type
Numeric, Width = 2, Decimal = 0, Columns= 4, Measure = Scale. Variabel ke dua pada kolom
Name ketik Nama, Type String, Width= 35, (catatan: untuk Type: string, memilih Width=40,
berarti panjang nama maksimum 40 huruf/karakter). Columns = 8, Measure = Nominal.
2. Masuk ke lembar Data View, lalu Input data Nomor dan Nama peserta arisan.
3. Agar Sampel Acak Sederhana yang diperoleh dapat diulang oleh pengguna SPSS, maka tentukan
Random Number Seed dari SPSS dengan langkah : klik Transform → Random Number
Generators. Sehingga muncul tampilan Random Number Generators dari SPSS.
Tersedia dua pilihan Pembangkit Bilangan Acak (Random Number Generator), yaitu:
 Pembangkit bilangan acak seragam (uniform random generator)
 Pembangkit bilangan acak mersenne Twister
4. Untuk memilih pembangkit bilangan acak mana yang akan digunakan, Klik Set Active Generator
5. lalu pilih salah satu SPSS 12 Compatible atau Mersenne Twister. Untuk lebih memahami,
bandingkan tampilan dari menu pembangkit bilangan acak. (untuk proses selanjutnya, pilih SPSS
12 Compatible).
6. Untuk menentukan Random Number Seed, Pilih Set Starting Point, lalu klik Fixed Value, lalu
isikan sembarang bilangan, misalkan 1234567, kemudian klik OK.
Jika kita mengulang sampling sederhana dengan menggunakan Set Starting Point yang
sama, maka akan diperoleh Sampel Acak Sederhana yang selalu sama. Sebaliknya, bila
dilakukan Sampling Sederhana tanpa menggunakan Set Starting Point, maka setiap kali
diulang sampling, maka akan diperoleh sampel acak yang berbeda-beda.
7. Klik Data → Select Cases

8. Kemudian Klik Random Sample of Cases → tombol Sample
halaman 20 dari 48
9. Klik Exactly lalu masukkan 5 pada kotak pertama, dan 26 di kotak kedua, kemudian klik tombol
Continue → OK
10. Dari hasil sampel acak ini, ditemukan variabel baru bernama filter_S, yang menunjukkan nomor
dan nama yang terpilih secara acak dengan nilai 1, dan 0 untuk menyatakan nomor dan nama
yang tidak terpilih. Dalam hal ini nama dan nomor yang terpilih sebanyak 5, sesuai dengan yang
diinginkan sebelumnya, yaitu :
Nomor Nama Filter $ Nomor Nama Filter $
3. Ibu Ciderella 1 12. Ibu Lindawati 0
6. Ibu Fiona 1 13. Ibu Mirawati 0
9. Ibu Indah 1 16. Ibu Pandu 0
14. Ibu Nina 1 17. Ibu Qadariyah 0
15. Ibu Otong 1 18. Ibu Rachell 0
1. Ibu Ahmad 0 19. Ibu Santoso 0
2. Ibu Bambang 0 20. Ibu Tina 0
4. Ibu Dody 0 21. Ibu Umar 0
5. Ibu Emilia 0 22. Ibu Vivian 0
7. Ibu Guntur 0 23. Ibu Winoto 0
8. Ibu Herman 0 24. Ibu Xena 0
10. Ibu Jojon 0 25. Ibu Yulia 0
11. Ibu Krisno 0 26. Ibu Zakir 0
11. Bila data cukup banyak, kita dapat mengurutkan semua data yang terpilih sehingga mudah
dilihat/dibaca, dengan langkah klik Data → Sort Cases.
12. Pindahkan variabel filter_S ke dalam kotak Sort by dan pilih Descending lalu klik OK
Setelah langkah ke-12, maka akan tampil nama-nama yang terpilih sebagai sampel acak sederhana,
yang sudah terurut dan mudah dibaca.
Sebagai latihan, coba gantikan bilangan sembarang dengan bilangan sembarang lainnya, lalu
perhatikan apakah terjadi pergantian sampel acak? Selain dalam arisan, pada permasalahan apa saja
metode ini cocok diterapkan dan jelaskan cara penerapannya.
halaman 21 dari 48
MODUL 6
UJI t SATU SAMPEL
Uji –t suatu sampel digunakan untuk menguji mean atau rata-rata 𝒙̅ dari sampel tunggal terhadap
suatu parameter rata-rata 𝝁𝒐 dengan asumsi data berdistribusi normal .
Terdapat tiga bentuk hipotesis untuk uji-t dimana penggunaannya tergantung pada permasalahan
yang akan diuji, yaitu :
1. Bentuk uji hipotesis dua sisi (two – side atau two-tailed test) dengan Hipotesis :
𝐻𝑜 : 𝜇 = 𝜇𝑜
𝐻1 : 𝜇 ≠ 𝜇𝑜
2. Bentuk uji hipotesis satu sisi (one-siided atau one tailed test) untuk sisi atas(upper tailed) dengan
hipotesis :
𝐻𝑜 : 𝜇 ≤ 𝜇𝑜
𝐻1 : 𝜇 > 𝜇𝑜
3. Bentuk uji Hipotesis satu sisi (one – sided atau one tailed test) untuk sisi bawah (lower tailed)
dengan hipotesis
𝐻𝑜 : 𝜇 ≥ 𝜇𝑜
𝐻1 : 𝜇 < 𝜇𝑜
 Dalam pengujian Hipotesis, kriteria untuk menolak atau tidak menolak 𝐻𝑜
berdasarkan 𝑃_𝑉𝑎𝑙𝑢𝑒 adalah sebagai berikut :
Jika 𝑃_𝑉𝑎𝑙𝑢𝑒 < 𝛼 , maka 𝐻𝑜 ditolak
Jika 𝑃_𝑉𝑎𝑙𝑢𝑒 ≥ 𝛼 , maka 𝐻𝑜 tidak ditolak
 Dalam SPSS digunakan istilah significance yang disingkat 𝑺𝒊𝒈 untuk menyatakan
𝑃_𝑉𝑎𝑙𝑢𝑒
I. UJI t SATU SAMPEL DUA SISI

Rumus-rumus Statistika yang berkaitan dalam Uji-t Satu Sampel adalah :
1. Rata-rata (mean) Sampel : 5. Interval Kepercayaan (confidence interval)
∑ 𝑥𝑖 𝒔 𝒔
̅=
𝒙 , 𝑛 = 𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑎𝑚𝑝𝑒𝑙 ̅ − 𝒕∝⁄
𝒙 ̅ + 𝒕∝⁄
≤𝝁≤𝒙
𝑛 𝟐 √𝒏 𝟐 √𝒏
2. Simpangan Baku Sampel : derajat kebebasan : 𝐝𝐟 = 𝐧 − 𝟏
1 𝑛 = 𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑎𝑚𝑝𝑒𝑙
𝑠=√ ∑(𝑥𝑖 − 𝑥̅ )2
(𝑛 − 1) 𝒕∝⁄ = 𝑑𝑖𝑑𝑎𝑝𝑎𝑡 𝑑𝑎𝑟𝑖 𝑡𝑎𝑏𝑒𝑙 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 − 𝑡
𝟐
3. Rata-rata Kesalahan Baku (standard error
mean):
𝑠
√𝑛
4. Uji-t Satu Sampel :
̅̅̅̅̅̅̅̅̅
𝑥̅ − 𝜇0
𝑡= 𝑠
⁄ 𝑛
√
halaman 22 dari 48
Penggunaan Uji-t Satu Sampel dua sisi dapat diterapkan pada contoh berikut :
Sebuah perusahaan produsen Juice buah yang merancang produknya mengandung 40 𝑚𝑔/100𝑔
vitamin C akan memeriksa produknya apakah memenuhi standar yang ditentukan dengan cara
menguji 8 sampel acak. Diperoleh data kandungan vitamin C sebagai berikut :
26, 31, 23, 22, 11, 22, 14, dan 31
Apakah dari sampel diatas dapat disimpulkan bahwa kandungan vitamin C tidak terpenuhi (gunakan
∝ = 0,05) ?
Solusi :
Ukuran sampel 𝑛 = 8 dengan 𝜇𝑜 = 40, dan 𝛼 = 0,05
Dalam permasalahan ini akan diuji apakah kandungan vitamin C yang ditetapkan sudah dipenuhi
atau tidak, sesuai dengan standar yang ditentukan yaitu 𝟒𝟎 𝒎𝒈/𝟏𝟎𝟎𝒈. Untuk itu akan digunakan
uji hipotesis dua sisi, dengan Hipotesis :
𝐻𝑜 : 𝜇 = 40
𝐻1 : 𝜇 ≠ 40
Prosedur SPSS One-Sample t-Test :
1. Pada Variable View definisikan variabel kandungan Vitamin C dengan vit_c dengan Label Kandu
ngan Vitamin C (𝒎𝒈/𝟏𝟎𝟎𝒈)
2. Pada Data View input data sampel
3. Klik Analyze → Compare Means , kemudian Klik One-Sample T Test (perhatikan tampilan)
4. Klik Kandungan Vitamin C [𝒎𝒈/𝟏𝟎𝟎𝒈] lalu pindahkan ke dalam Box Test Variable(s) kemudian
ubah nilai Test Value dari 0 menjadi 40 (nilai 𝜇𝑜 = 40 )
5. Kita dapat mengubah nilai confidence level (tingkat kepercayaan) dengan prosedur sebagai
berikut : Klik Options, lalu ubah nilai 95 sesuai dengan yang diinginkan dalam box Confidence
Interval lalu Klik Continue [catatan : interval kepercayaan 95% adalah merupakan kelaziman
untuk uji-t satu sampel ]
6. Klik OK, perhatikan nilai nilai yang muncul pada tabel output berikut :
One-Sample Statistics
N Mean Std. Deviation Std. Error Mean
Kandungan Vitamin C (mg/100g) 8 22.50 7.191 2.542
One-Sample Test
Test Value = 40
95% Confidence Interval of

Sig. Mean
t df the Difference
(2-tailed) Difference
Lower Upper
Kandungan Vitamin C
(mg/100g) -6.883 7 .000 -17.500 -23.51 -11.49
halaman 23 dari 48
Interpretasi Hasil:
 𝑼𝒋𝒊 − 𝒕 satu sampel ini menguji 𝐻𝑜 : 𝜇 = 40 terhadap 𝐻1 : 𝜇 ≠ 40. Nilai uji statistik 𝑡 yang
diperoleh adalah 𝑡 = −6,883 dengan derajat kebebasan :𝑛 − 1 = 7. Nilai 𝑃_𝑉𝑎𝑙𝑢𝑒 (untuk
2-tailed) = 0.000, sehingga 𝑃𝑉𝑎𝑙𝑢𝑒 < 𝛼 = 0.05 yang menunjukkan bahwa
𝐻𝑜 : 𝜇 = 40
Ditolak sangat kuat, sehingga dapat disimpulkan bahwa Kandungan Vitamin C tidak
memenuhi spesifikasi 40 𝑚𝑔/100𝑔
1
 SPSS menghitung 𝑥̅ = 22,5 dan simpangan baku 𝑠 = √(𝑛−1) ∑(𝑥𝑖 − 𝑥̅ )2 = 7,19126 dan
𝑠
rata-rata kesalahan baku= = 2,5425.
√𝑛
II. UJI t SATU SAMPEL SATU SISI UNTUK SISI ATAS

Seorang peneliti kesehatan berkeyakinan bahwa mengkonsumsi rumput Kikuyu akan
meningkatkan memori otak seseorang. Untuk mendukung keyakinannya, ia melakukan
suatu tes memory psikologi (yang dirancang memiliki skor rata-rata = 100) terhadap 10
orang yang mengkonsumsi rumput kikuyu, dengan hasil skor test sebagai berikut :
110, 118, 117, 96, 94, 115, 92, 108, 120, 110
Diasumsikan bahwa skor tes memori mengikuti distribusi normal, akan diselidiki apakah
konsumen benar-benar memiliki memori yang lebih baik. (gunakan ∝=0,05)
Solusi :
Ukuran sampel 𝑛 = 10 dan 𝜇𝑜 = 100
Pada contoh ini akan diuji apakah benar, dengan memakan rumput kikuyu akan
meningkatkan memori seseorang. Jika Pendapat peneliti benar, maka skor tes memori
konsumen kikuyu akan lebih tinggi dari rat-rata 𝜇𝑜 = 100, sehingga digunakan uji hipotesis
satu sisi untuk sisi atas, dengan hipotesis:
𝐻𝑜 : 𝜇 ≤ 100
𝐻1 : 𝜇 > 100
Prosedur SPSS One-Sample T Test :
1. Input skor_mem dengan label Skor Tes Memori pada Variable View
2. Input data pada Data View
3. Klik Analyze → Compare Mean kemudian Klik One-Sample T Test
4. Klik Skor Tes Memori (skor_mem) lalu pindahkan kedalam box Test Variable(s)
kemudian ubah nilai test Value dari 0 menjadi 100
5. Klik OK lalu perhatikan tabel output sebagai berikut :
halaman 24 dari 48
Skor Tes Memori 10 108.00 10.424 3.296
One-Sample Test
Test Value = 100
95% Confidence Interval
t df Sig. (2-tailed) Mean Difference of the Difference
Lower Upper
Skor Tes Memori 2.427 9 .038 8.000 .54 15.46
Interpretasi Hasil:
 Uji t Satu Sampel Satu Sisi Untuk Sisi Atas ini menguji 𝐻𝑜 : 𝜇 ≤ 100 terhadap 𝐻1 : 𝜇 >
100 , didapat 𝑡 =2,427 dengan derajat kebebasan 𝑛 − 1 = 9. 𝑷𝑽𝒂𝒍𝒖𝒆 untuk two-tailed =
0.038. karena yang dilakukan adalah uji hipotesis satu sisi 𝐻1 : 𝜇 > 100 maka nilai 𝑷𝑽𝒂𝒍𝒖𝒆
0.038.
harus dibagi dua yaitu 2
= 0,019. 𝑷𝑽𝒂𝒍𝒖𝒆 = 0,019 < 𝛼 = 0,05, sehingga
𝐻𝑜 : 𝜇 ≤ 100
Ditolak, yang berarti bahwa mengkonsumsi rumput kikuyu akan meningkatkan memori.
III. UJI t SATU SAMPEL SATU SISI UNTU SISI BAWAH

Sebuah pabrik bola lampu mengklaim bahwa produknya rata-rata dapat digunakan 42000
jam atau lebih. Untuk membuktikannya, dilakukan perivikasi dengan mengambil sampel
acak 10 bola lampu. Hasil pengujian menunjukkan daya tahan masing-masing sampel
sebagai berikut :43000, 39000, 42300, 39400,42600, 39000, 42300, 39300, 40000, 41000
Akan diuji apakah dapat disimpulkan bahwa daya tahan produk kurang dari 42000 jam.
Gunakan α=0,05
Solusi :
Ukuran sampel 𝑛 = 10 dan 𝜇𝑜 = 42000 𝑗𝑎𝑚
Dalam masalah ini akan diuji bahwa rata- rata daya tahan produk tersebut kurang dari
42000 jam, sehingga digunakan uji hipotesis satu sisi untuk sisi bawah dengan hipotesis
𝐻𝑜 : 𝜇 ≥ 42000
𝐻1 : 𝜇 < 42000
Prosedur SPSS One-Sample T Test :
1. Input data, Jam dengan label Daya Tahan Bola
2. Klik Analyze → Compare Mean kemudian Klik One-Sample T Test
3. Klik Daya Tahan Bola lalu pindahkan kedalam box Test Variable(s) kemudian ubah nilai
test Value dari 0 menjadi 42000
halaman 25 dari 48
4. Klik OK lalu perhatikan tabel hasil sebagai berikut :

Jarak tempuh Ban 10 4.08E4 1631.257 515.849
One-Sample Test
Test Value = 42000
95% Confidence Interval of the
Sig. (2- Mean Difference
t df tailed) Difference Lower Upper
Jarak tempuh Ban -2.346 9 .044 -1210.000 -2376.93 -43.07
Interpretasi Hasil:
 Uji t Satu Sampel ini menguji 𝑯𝒐 : 𝝁 ≥ 𝟒𝟐𝟎𝟎𝟎 terhadap 𝑯𝟏 : 𝝁 < 42000 . Dari tabel hasil
perhitungan didapat nilai uji –t didapat 𝑡 = −2,346 dengan derajat kebebasan : 𝑛 − 1 = 9. Nilai
𝑷𝑽𝒂𝒍𝒖𝒆 untuk 2-tailed = 0,044. Karena yang dilakukan adalah uji hipotesis satu sisi (one tailed
test) 𝐻1 : 𝜇 < 42000 maka nilai 𝑷𝑽𝒂𝒍𝒖𝒆 = 0,044 harus dibagi 2, dengan demikian diperoleh
𝟎.𝟎𝟒𝟒
𝑷𝑽𝒂𝒍𝒖𝒆 = 𝟐
= 𝟎. 𝟎𝟐𝟐. Nilai 𝑷𝑽𝒂𝒍𝒖𝒆 = 𝟎. 𝟎𝟐𝟐 < 0.05,
sehingga 𝐻𝑜 : 𝜇 ≥ 42000 ditolak. Jadi dapat disimpulkan bahwa daya tahan produk rata-rata
mencapai 42000 jam adalah tidak benar.
halaman 26 dari 48
MODUL 7
KORELASI DAN ASOSIASI
Korelasi adalah ukuran hubungan (relationship) antara dua variabel, terutama variabel kuantitatif.
Ukuran hubungan antara variabel kuantitatif biasanya disebut asosiasi.
Dalam SPSS tersedia beberapa macam ukuran korelasi dan asosiasi, yaitu :
 Untuk skala interval dan skala rasio dapat digunakan koefisien korelasi Pearson Product Moment
 Untuk skala ordinal digunakan korelasi perringkat (rank) Spearman, Goodman-Kruskal’ Gamma,
Kendal’s tau-b, Kendal’s tau-c dan Somer’s d
 Untuk skala nominal dapat digunakan koefisien Phi, Cramer’s V, Contingency coefficient, dan
Lambda.
 Untuk skala nominal dan interval tersedia koefisien Eta untuk mengukur hubungan variabel
berskala nominal dan berskala interval.
Rumus untuk menghitung koefisien korelasi Pearson Product Moment :
𝑛 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑦𝑖

𝑟=
2 2
√{𝑛 ∑𝑛𝑖=1 𝑥𝑖 2 − (∑𝑛𝑖=1 𝑥𝑖 ) } {𝑛 ∑𝑛𝑖=1 𝑦𝑖 2 − (∑𝑛𝑖=1 𝑦𝑖 ) }
dimana : −1 ≤ 𝑟 ≤ 1 .
Untuk menguji apakah koefisien korelasi Pearson Product Moment yang didapat signifikan, maka
digunakan hipotesis :
𝐻0 : 𝜌 = 0
𝐻1 : 𝜌 ≠ 0
Dengan uji statistik :
𝑟√𝑛 − 2
𝑡=
√(1 − 𝑟 2 )
Untuk menguji apakah koefisien korelasi Pearson Product Moment yang didapat signifikan terhadap
nilai acuan 𝜌0 ≠ 0, maka digunakan hipotesis :
𝐻0 : 𝜌 = 𝜌0
} 𝑑𝑖𝑚𝑎𝑛𝑎 𝜌0 ≠ 0
𝐻1 : 𝜌 ≠ 𝜌0
Dengan uji satatistik :
√𝑛 − 3 1+𝑟 1 + 𝜌0 √𝑛 − 3 (1 + 𝑟)(1 − 𝜌0 )
𝑧= [𝑙𝑛 ( ) − 𝑙𝑛 ( )] = 𝑙𝑛 [ ]
2 1−𝑟 1 − 𝜌0 2 (1 − 𝑟)(1 + 𝜌0 )
halaman 27 dari 48
Rumus untuk menghitung koefisien korelasi perringkat (rank) Spearman :
𝟔 ∑ 𝒅𝒊 𝟐
𝒓𝒔 = 𝟏 −
𝒏(𝒏𝟐 − 𝟏)
Dimana : 𝑟𝑠 = 𝑘𝑜𝑒𝑓𝑖𝑠𝑖𝑒𝑛 𝑘𝑜𝑟𝑒𝑙𝑎𝑠𝑖 𝑆𝑝𝑒𝑎𝑟𝑚𝑎𝑛, 𝑛 = 𝑏𝑎𝑛𝑦𝑎𝑘 𝑑𝑎𝑡𝑎,
𝑑𝑖 = 𝑠𝑒𝑙𝑖𝑠𝑖ℎ 𝑝𝑎𝑠𝑎𝑛𝑔𝑎𝑛 𝑝𝑒𝑟𝑖𝑛𝑔𝑘𝑎𝑡 𝑘𝑒 − 𝑖

Untuk menguji apakah koefisien korelasi perringkat (rank) Spearman yang didapat signifikan, maka
digunakan hipotesis :
𝐻0 : 𝜌𝑠 = 0
𝐻1 : 𝜌𝑠 ≠ 0
dengan rumus uji statistik ( untuk derajat kebebasan 𝐷𝐹 = 𝑛 − 2) :
𝑟𝑠 √𝑛 − 2
𝑡=
√1 − 𝑟𝑠 2
Dengan bantuan SPSS, Korelasi dan asosiasi dapat ditentukan melalui Menu:
Analyze → Descriptive Statistics → Crosstabs → Statistics atau dengan menu Analyze → Correlate
→ Bivariate.
Dalam modul ini dibahas:
 Korelasi Pearson Product Moment dan

 Korelasi Peringkat Spearman (korelasi Rank).
1. Menentukan Korelasi Pearson Product Moment

Korelasi ini digunakan untuk mengukur kekuatan hubungan linear antar dua variabel kontinu
(mempunyai skala interval atau skala ratio).
Contoh penggunaan perhitungan Korelasi Pearson Product Moment dapat dilihat pada
pesoalan berikut :
Sebuah tim pengadaan buku text book perpustakaan sekolah mengamati hubungan antara jumlah
halaman dengan harga text book tersebut. Dari sampel acak yang terdiri dari 8 text book yang
berbeda didapat data sebagai berikut :
Text Book Text A Text B Text C Text D Text E Text F Text G Text H
Jumlah halaman 400 600 500 600 400 300 200 550
Harga text book (US $) 40 65 60 78 55 45 25 70
Tentukan korelasi Pearson Product Moment antara Jumlah Halaman Text Book dengan Harga Text
book dan tentukan apakah korelasi tersebut signifikan dengan ∝=0.01.
Penyelesaian :
halaman 28 dari 48
Untuk mengetahui apakah ada korelasi yang signifikan antara Jumlah Halaman Text Book dengan
Harga Text book melalui perhitungan Pearson Product Moment, maka ditetapkan Hipotesis :
𝑯𝒐 : 𝝆 = 𝟎
𝑯𝒐 : 𝝆 ≠ 𝟎
dimana ρ = Parameter korelasi Pearson Product Momen antara Jumlah Halaman Text book dan
harga text book.
Prosedur SPSS Korelasi Pearson Product Moment
1. Pada Variable View Input variabel pertama halaman dengan variable labels Jumlah halaman
dan variabel kedua harga_tx dengan variable labels harga text book.
2. Input data halaman dan harga_tx pada Data View.
3. Klik Analyze → Correlatie → Bivariate lalu perhatikan tampilan yang muncul.
4. Pada tampilan yang muncul padsa (3) pindahkan variabel Jumlah Halaman [halaman] dan
variabel Harga Text book[harga_tx] ke dalam box berjudul Variables lalu beri tan check listpada
Correlation Cofficients Pearson.
5. Klik OK lalu perhatikan tampilan output sebagai berikut :
Correlations
Jumlah Halaman Harga Textbook
Jumlah Halaman Pearson Correlation 1 .934**
Sig. (2-tailed) .001
N 8 8
Harga Textbook Pearson Correlation .934** 1
Sig. (2-tailed) .001
N 8 8
**. Correlation is significant at the 0.01 level (2-tailed).

Intepretasi hasil
Dari tabel Correlation didapat bahwa korelasi Pearson Product Moment r = 0,934. Karena 𝑃𝑣𝑎𝑙𝑢𝑒 =
0,001 lebih kecil dari 𝛼 = 0,01 maka 𝐻𝑜 : 𝜌 = 0 ditolak. Kesimpulan, ada hubungan linear yang
signifikan antara kedua variabel.
2. Menentukan Korelasi Peringkat Spearman
Koefisien korelasi ini digunakan untuk mengukur hubungan dua variabel yang berbentuk peringkat
atau kedua variabel berskala ordinal. Penggunaannya dapat dilihat melalui contoh berikut :
Dua panel, yang satu terdiri dari pria dan yang lainnya terdiri dari perempuan diminta untuk
memberi peringkat rasa yang paling disukai terhadap 8 jenis minuman ringan yang berbeda rasa.
Yang paling enak rasanya diberi peringkat 1, dan yang paling tidak enak diberi peringkat 8 dengan
tujuan untuk mengetahui apakah ada hubungan antara pria dan perempuan dalam hal rasa
minuman ringan tersebut. Diperoleh data sebagai berikut:
halaman 29 dari 48
Merek Minuman Panel Pria Panel Perempuan
Merk A 8 7
Merk B 6 5
Merk C 2 4
Merk D 1 2
Merk E 3 1
Merk F 4 3
Merk G 5 6
Merk H 7 8
Apakah ada hubungan antara peringkat rasa miniman ringan Panel pria dengan peringkat rasa
minuman ringan panel perempuan ? apakah hubungannya signifikan? Gunakan ∝=0,05
Penyelesaian:
Akan dihitung korelasi dari data berperingkat dengan Bentuk hipotesis:
𝐻𝑜 = 𝜌𝑠 = 0
𝐻𝑜 = 𝜌𝑠 ≠ 0
Dimana 𝜌𝑠 = parametaer dari korelasi peringkat Spearman.
Prosedur SPSS Korelasi Peringkat Spearman :
1. Pada pada Variable View Definisikan variabel panel_m dengan Variable labels Panel Pria dan
panel_f dengan Variable labels Panel Perempuan.
2. Pada Data View input data peringkat
3. Klik Analyze → Correlate → Bivariate
4. Pindahkan Panel Pria [panel_m] dan Panel Perempuan [panel_f] ke kotak Variables, lalu check
list pada Correlation Coefficients Spearman
5. Klik OK, perhatikan hasilnya pada tabel sebagai berikut :
Correlations
Panel Pria Panel Perempuan
Spearman's rho Panel Pria Correlation Coefficient 1.000 .833*
Sig. (2-tailed) . .010
N 8 8
Panel Perempuan Correlation Coefficient .833* 1.000
Sig. (2-tailed) .010 .
N 8 8
Pada tabel terlihat bahwa korelasi peringkat Spearman r=0,833. Karena P_value =0,010 lebih
kecil dari α=0,05, maka 𝐻𝑜 : 𝜌 = 0 ditolak.
Kesimpulan, bahwa ada hubungan antara pria dan perempuan dalam hal rasa minuman
yang disukai.
halaman 30 dari 48
MODUL 8
Analisis Regeresi Sederhana
Analisis Regresi Sederhana (Simple Regression Analysis ) digunakan untuk memprediksi nilai suatu
variabel terikat (dependent) 𝒚 berdasarkan nilai variabel bebas (independent) 𝒙. Selain itu, dapat
juga digunakan untuk melihat pengaruh variabel independen 𝑥 terhadap variabel dependen 𝑦.
Variabel independen 𝑥 sering disebut sebagai prediktor, sedangkan variabel dependen 𝑦 serimg
disebut sebagai variabel respons.
Model regresi sederhana dapat dinyatakan sebagai persamaan linear :
𝒚𝒊 = 𝜷 𝟎 + 𝜷 𝟏 𝒙 𝒊 + 𝜺 𝒊
Untuk mengestimasi nilai 𝜷𝟎 dan 𝜷𝟏 digunakan metode kuadrat terkecil (least sqare method)
berdasarkan persamaan :
̂ 𝒊 = 𝒃𝟎 + 𝒃𝒊 𝒙 𝒊
𝒚
untuk mencari nilai minimum fungsi kuadrat :
∑𝒏𝒊=𝟏 𝒆𝒊 𝟐 = ∑𝒏𝒊=𝟏 (𝒚𝒊 − 𝒚̂𝒊 )𝟐 = ∑𝒏𝒊=𝟏 (𝒚𝒊 − 𝒃𝟎 −𝒃𝒊 𝒙𝒊 )𝟐

Persamaan normal bagi model regresi linear sederhana adalah :
𝒏 𝒏
∑ 𝒚𝒊 = 𝒏𝒂 + 𝒃 ∑ 𝒙𝒊
𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏
∑ 𝒙𝒊 𝒚𝒊 = 𝒂 ∑ 𝒙𝒊 + 𝒃 ∑ 𝒙𝒊 𝒚𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
Nilai dugaan untuk koefisien-koefisien regresi :

𝒏 ∑𝒏𝒊=𝟏 𝒙𝒊 𝒚𝒊 − ∑𝒏𝒊=𝟏 𝒙𝒊 ∑𝒏𝒊=𝟏 𝒚𝒊
𝒃𝟏 = 𝟐
𝒏 ∑𝒏𝒊=𝟏 𝒙𝒊 𝟐 − (∑𝒏𝒊=𝟏 𝒙𝒊 )
Dan ̅ − 𝒃𝒙
𝒃𝟎 = 𝒚 ̅
Statistik Uji dalam pengujian hipotesis 𝐻0 ∶ 𝛽0 = 𝛼0
(𝒃𝟎 −∝𝟎 )𝒔𝒙 √𝒏(𝒏 − 𝟏)

𝒕=
𝒔𝒆 √∑ 𝒙𝒊 𝟐
Statistik Uji dalam pengujian hipotesis 𝐻0 ∶ 𝛽1 = 𝛼1
(𝒃𝟏 −∝𝟏 )𝒔𝒙 √(𝒏 − 𝟏)

𝒕=
𝒔𝒆
Dimana 𝜶𝟎 dan 𝜶𝟏 adalah nilai acuan.
𝒏−𝟏 𝒏 ∑ 𝒙𝒊 𝟐 − (∑ 𝒙𝒊 )𝟐 𝒏 ∑ 𝒚𝒊 𝟐 − (∑ 𝒚𝒊 )𝟐
𝒔𝒆 𝟐 = (𝒔𝒚 𝟐 − 𝒃𝟏 𝟐 𝒔𝒙 𝟐 ), 𝒔𝒙 𝟐 = , 𝒔𝒚 𝟐 =
𝒏−𝟐 𝒏(𝒏 − 𝟏 𝒏(𝒏 − 𝟏
halaman 31 dari 48
Sebagai contoh Analisa Regresi Sederhana akan digunakan data berikut :
Jumlah Permintaan Jeans (𝒚) Biaya Iklan (𝒙)

(dalam ribuan) (dalam puluhan juta)
94 0,473
96 0,753
95 0,929
95 0,939
94 0,832
95 0,983
94 1,049
104 1,178
104 1,176
106 1,292
108 1,403
110 1,499
113 1,529
113 1,599
118 1,749
115 1,746
121 1,897
127 2,040
131 2,231
Tentukan persamaan regressi untuk data di atas. Apakah koefisien regresi yang didapat
signifikan. Gunakan α = 0,05. (simple_reg_data.sav)
Solusi
Akan dicari koefisien regresi 𝑏0 dan 𝑏1 dari persamaan regressi linier sederhana 𝑦̂ = 𝑏0 + 𝑏1 𝑥 dan
melakukan uji hipotesa untuk mengetahui apakah koefisien regresi yang didapat adalah signifikan.
Bentuk hipotesis untuk menguji koefisien 𝑏0 dan 𝑏1 adalah
𝐻0 ∶ 𝛽0 = 0
𝐻0 ∶ 𝛽0 ≠ 0
Dan
𝐻0 ∶ 𝛽1 = 0
𝐻0 ∶ 𝛽1 ≠ 0
Dimana 𝛽0 dan 𝛽1 adalah parameter dari model regresi
𝒚𝒊 = 𝜷𝟎 + 𝜷𝟏 𝒙𝒊 + 𝜺𝒊
halaman 32 dari 48
PROSEDUR SPSS REGRESI LINEAR SEDERHANA :

1. Pada lembar Variable View dari SPSS Editor definisikan variabel Jumlah Permintaan Jeans
dengan nama Jeans dan pada variable labels Jumlah Permintaan Jeans. Untuk variabel Biaya
Iklan gunakan nama Iklan dengan variable Labels Biaya Iklan.
2. Input data pada data View
3. Klik Analyze → Regression → Linear.
4. Pindahkan Variabel Jumlah Permintaan Jeans ke dalam box Dependent dan variabel Biaya Iklan
ke dalam box Independent
5. Pilih Method: Enter, kemudian Klik OK
Model Summary
Adjusted R Std. Error of the

Model R R Square Square Estimate
1 .969a .938 .935 3.019
a. Predictors: (Constant), Biaya Iklan
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 2363.055 1 2363.055 259.266 .000a
Residual 154.945 17 9.114
Total 2518.000 18
a. Predictors: (Constant), Biaya Iklan
b. Dependent Variable: Jumlah Permintaan Jeans
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 74.673 2.124 35.161 .000
Biaya Iklan 24.280 1.508 .969 16.102 .000
a. Dependent Variable: Jumlah Permintaan Jeans
halaman 33 dari 48
Interpretasi Hasil
 Nilai 𝑅 2 (𝑅 𝑠𝑞𝑢𝑎𝑟𝑒) dari Tabel Summary menunjukkan bahwa 93,8% dari Variance “Jumlah
Permintaan Jeans” dapat dijelaskan oleh perubahan dalam variabel “Biaya Iklan”.
 Tabel ANOVA diatas, mengindikasikan bahwa regresi secara statistik sangat signifikan dengan
nilai 𝐹 = 259,266 untuk derajat kebebasan 𝑘 = 1 dan 𝑛 − 𝑘 − 1 = 19 − 1 − 1 = 17 dan
𝑃𝑣𝑎𝑙𝑢𝑒 = 0,000 yang jauh lebih kecil dari 𝛼 = 0,05
 Uji 𝐹 menguji secara serentak hipotesis 𝐻0 : 𝛽1 = 𝛽2 = 𝛽3 = ⋯ = 𝛽𝑘 = 0 terhadap
𝐻1 : 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑚𝑢𝑎 𝛽𝑖 , 𝑖 = 1,2,3, … , 𝑘 𝑠𝑎𝑚𝑎 𝑑𝑒𝑛𝑔𝑎𝑛 𝑛𝑜𝑙. Tetapi karena pada regresi sederhana
hanya ada satu 𝛽𝑖 , maka hanya diuji 𝐻0 : 𝛽1 = 0 terhadap 𝐻1 : 𝛽1 ≠ 0. Dari tabel ANOVA dapat
dilihat bahwa 𝐻0 ditolak karena 𝑃𝑣𝑎𝑙𝑢𝑒 = 0,000 lebih kecil dari 𝛼 = 0,05.
 Persamaan regresi menggunakan metode kuadrat terkecil yang didapat: 𝑦̂ = 74,673 + 24,280𝑥
Dimana 𝑦̂ = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑗𝑒𝑎𝑛𝑠, dan 𝑥 = 𝑏𝑖𝑎𝑦𝑎 𝑖𝑘𝑙𝑎𝑛
 Uji signifikansi terhadap koefisien regresi, menggunakan uji statistik 𝑡 dengan 𝑡 = 16,102
dengan derajat kebebasan 𝑛 − 2 = 19 − 2 = 17 dan 𝑃𝑣𝑎𝑙𝑢𝑒 = 0,000. Ini membuktikan
penolakan 𝐻0 : 𝛽1 = 0 karena 𝑃𝑣𝑎𝑙𝑢𝑒 = 0,000 < 𝛼 = 0,05.
halaman 34 dari 48
MODUL 9
Analisis Regresi Linear Berganda

Analisis Regresi Linear Berganda (Multiple Linear Regression Analisys) bertujuan untuk membentuk
persamaan regresi dimana terdapat lebih dari satu variabel independen. Melalui persmaan regresi
berganda tersebut, dapat dilihat pengaruh variabel independen 𝑥1 , 𝑥2 , 𝑥3 , ….𝑥𝑘 terhadap variabel
terikat (dependen) 𝒚, juga untuk memprediksi nilai variabel dependen 𝑦 berkaitan dengan variabel
independen 𝑥1 , 𝑥2 , 𝑥3 , ….𝑥𝑘 .
Secara umum, model Regresi Berganda adalah :
𝒚𝒊 = 𝜷𝟎 + 𝜷𝟏 𝒙𝟏𝒊 + 𝜷𝟐 𝒙𝟐𝒊 + 𝜷𝟑 𝒙𝟑𝒊 + … + 𝜷𝒌 𝒙𝒌𝒊 + 𝝃𝒊
𝜷𝟎 , 𝜷𝟏 , 𝜷𝟐 , … . . 𝜷𝒌 dapat diestimasi dengan metode Kuadrat Terkecil (Least Square Method)

berdasarkan persamaan :
̂𝒊 = 𝒃𝟎 + 𝒃𝟏 𝒙𝟏𝒊 + 𝒃𝟐 𝒙𝟐𝒊 + 𝒃𝟑 𝒙𝟑𝒊 + … + 𝒃𝒌 𝒙𝒌𝒊

𝒚
Dan menghitung nilai minimum fungsi kuadrat :

𝑛 𝒏 𝒏
2 ̂𝒊 ) = ∑(𝒚𝒊 − 𝒃𝟎 − 𝒃𝟏 𝒙𝟏𝒊 − 𝒃𝟐 𝒙𝟐𝒊 − 𝒃𝟑 𝒙𝟑𝒊 − … . . 𝒃𝒌 𝒙𝒌𝒊 )𝟐
𝟐
∑ 𝑒𝑖 = ∑(𝒚𝒊 − 𝒚
𝑖=1 𝒊=𝟏 𝒊=𝟏
Contoh :
Diketahui data Usia, Pendapatan, dan Pengalaman Kerja staf pada sebuah perusahaan manufaktur
sebagai berikut :
Usia Pengalam Kerja Pendapatan

(𝒙𝟏 ) (𝒙𝟐 ) (𝒚)
31 4 35400
37 4 41200
38 5 45000
39 2 40300
30 0 22000
28 3 28000
20 0 13000
23 1 22000
25 2 26000
28 4 27000
29 5 30000
halaman 35 dari 48
Permasalahan :
Perusahaan akan membuat Model Regresi Berganda untuk memprediksi Pendapatan berdasarkan
Usia dan Pengalaman Kerja. Tentukanlah Koefisien Persamaan Regresi lalu selidiki apakah Koefisien
Regresi tersebut signifikan. Jika seorang staf berusia 40 tahun dengan pengalaman kerja 4 tahun,
berapakah estimasi pendapatannya.
Solusi :
Karena terdapat dua variabel independen, yakni 𝒙𝟏 , dan 𝒙𝟐 dimana variabel dependen adalah 𝑦,
maka akan dicari koefisien 𝑏0 , 𝑏1 , dan 𝑏2 dengan bentuk umum persamaan regresi bedrganda
̂𝒊 = 𝒃𝟎 + 𝒃𝟏 𝒙𝟏 + 𝒃𝟐 𝒙𝟐
𝒚
Lalu diuji apakah koefisien tersebut signifikan dengan menguji Hipotesis.
Prosedur SPSS :
1. Input variabel Usia, Pengalaman Kerja dan Pendapatan dengan nama Variabel Usia, Pengalam,
dan Income. Typenya masing-masing adalah Numeric, Decimal : 0 pada Variabel View
2. Input seluruh data-data pada tabel Data View
3. Klik Analyze→Regression→Linear , lalu perhatikan tampilannya.
4. Pindahkan variavel Income ke dalam box Dependent, selanjutnya pindahkan Usia dan
Pengalaman Kerja ke dalam box Independent(s)
5. Pada Method, pilih Enter lalu Klik tombol Statistics selanjutnya beri tanda check list pada
Estimates, Model fit, Colinearity Diagnostics dan Durbin – Watson.
Catatan :
 Colinearity Diagnostics berguna untuk mengetahui apakah variabel independen saling
berkorelasi (collinear)
 Durbin – Watson berguna untuk mengetahui apakah error 𝝃𝒊 bersifat independen atau
tidak
6. Klik Continue kemudian Klik Plots dan perhatikan tampilan pada layar, selanjutnya pilih Normal
Probability plot, lalu pindahkan standardized residual *ZRESID ke dalam kotak Y , dan
standardized predicted value *ZPRED ke dalam kotak X
Catatan :
Plot dari *ZRESID terhadap *ZPRED berguna untuk mengetahui kelinearan dari regresi dan
kesamaan varians
7. Klik Continue dan OK
Setelah ke tujuh proses diatas, maka akan tampil out-put dalam beberapa tabel (perhatikan dengan
teliti), demikian juga grafik yang menunjukkan Normalitas data.
Output dari proses adalah sebagai berikut :
halaman 36 dari 48
Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Pengalaman Kerja,
. Enter
usiaa
a. All requested variables entered.
b. Dependent Variable: income
Model Summaryb
Durbin-
Model R R Square Adjusted R Square Std. Error of the Estimate Watson
1 .970a .941 .927 2615.354 1.497
a. Predictors: (Constant), Pengalaman Kerja, usia
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 8.770E8 2 4.385E8 64.105 .000a
Residual 5.472E7 8 6840078.364
Total 9.317E8 10
a. Predictors: (Constant), Pengalaman Kerja, usia
Coefficientsa
Unstandardized Coefficients Standardized Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -10360.507 4218.164 -2.456 .040
usia 1201.098 157.935 .765 7.605 .000 .726 1.377
Pengalaman Kerja 1663.516 524.950 .319 3.169 .013 .726 1.377
a. Dependent Variable: income
Collinearity Diagnosticsa
Variance Proportions
Model Dimension Eigenvalue Condition Index (Constant) usia Pengalaman Kerja
1 1 2.801 1.000 .00 .00 .02
2 .183 3.910 .05 .01 .79
3 .016 13.443 .95 .98 .19
halaman 37 dari 48
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 13661.45 43598.79 3.00E4 9364.659 11
Residual -3.672E3 3071.740 .000 2339.244 11
Std. Predicted Value -1.744 1.453 .000 1.000 11
Std. Residual -1.404 1.175 .000 .894 11
halaman 38 dari 48
Interpretasi hasil :
1. Nilai 𝑅 2 (𝑅 𝑆𝑞𝑢𝑎𝑟𝑒) pada Tabel Summary menyatakan bahwa 94,1% dari varians
income dapat dijelaskan oleh perubahan dalam variabel usia dan pengalaman kerja.
2. Nilai uji statistik Durbin-Watson = 1,497, jadi dapat diasumsikan bahwa variabel
independen tidak collinear.
3. Tabel ANOVA menunjukkan bahwa regresi berganda secara statistik sangat signifikan
dengan uji statistik 𝐹 = 64,105 dan derajat kebebasan 𝑘 = 2 dan 𝑛 − 𝑘 − 1 = 8. 𝑃 −
𝑣𝑎𝑙𝑢𝑒 = 0,000 < 𝛼 = 0,05
4. Uji hipotesis 𝐻0 : 𝛽1 = 𝛽2 = 0 terhadap 𝐻1 : 𝛽1 𝑑𝑎𝑛 𝛽2 dengan menggunakan uji 𝐹, tidak
semuanya nol. Karena 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,000 < 𝛼 = 0,05, maka disimpulkan bahwa
hipotesis 𝐻0 : 𝛽1 = 𝛽2 = 0 ditolak dengan signifikan. Oleh karena itu koefisien 𝛽1 𝑑𝑎𝑛 𝛽2
tidak semuanya nol.
5. Apakah setiap koefisien regresi signifikan, dapat digunakan 𝑢𝑗𝑖 − 𝑡 dengan hasil sebagai
berikut :
1. Variabel Usia : 𝐻0 : 𝛽1 = 0 terhadap 𝐻1 : 𝛽1 ≠ 0
Hasil 𝑢𝑗𝑖 − 𝑡 ∶ 𝑡 = 7,605 dengan 𝑑𝑘 = 𝑛 − 𝑘 − 1 = 8 dan 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,000 <
𝛼 = 0,05 . Ini menunjukkan bahwa 𝐻0 : 𝛽1 = 0 ditolak dengan kuat.
2. Variabel Pengalaman kerja : 𝐻0 : 𝛽2 = 0 terhadap 𝐻1 : 𝛽2 ≠ 0
Hasil 𝑢𝑗𝑖 − 𝑡 ∶ 𝑡 = 3,169 dengan 𝑑𝑘 = 𝑛 − 𝑘 − 1 = 8 dan 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,013 <
𝛼 = 0,05 . Ini menunjukkan bahwa 𝐻0 : 𝛽2 = 0 ditolak dengan kuat.
Dengan demikian dapat disimpulkan bahwa koefisien regresi tidak ada yang bernilai
nol.
6. Persamaan regresi linear berganda yang diperoleh dengan metode kuadrat terkecil
adalah :
𝑦̂ = −10360,5 + 1201,098 𝑥1 + 1663,516 𝑥2
dimana∶ 𝑦̂ = 𝑖𝑛𝑐𝑜𝑚𝑒, 𝑥1 = 𝑢𝑠𝑖𝑎, dan 𝑥2 = 𝑝𝑒𝑛𝑔𝑎𝑙𝑎𝑚𝑎𝑛 𝑘𝑒𝑟𝑗𝑎.
7. Dari Normal Probability Plot dapat dilihat bahwa titik-titik data membentuk pola garis
lurus, yang mengindikasikan bahwa data berdidtribusi normal.
8. Scatterplot antara *ZRESID dan *ZPRED tidak membentuk suatu pola tertentu. Dengan
demikian disimpulkan bahwa 𝝃𝒊 memiliki varians konstan.
halaman 39 dari 48
Modul -10
Uji 𝒕 Berpasangan
Uji 𝑡 berpasangan (Paired – Samples 𝑡 Test) digunakan untuk membandingkan selisih dua rata-rata
(mean) dari dua sampel yang berpasangan dengan asumsi bahwa data terdistribusi normal.
Yang dimaksud dengan dua data berpasangan, contohnya adalah : berat badan sebelum dan
sesudah mengikuti program diet; nilai ujian Statistika sebelum dan sesudah mengikuti kursus
Statistika; Perbandingan harga laptop merek dan seri tertentu di dua kota yang berbeda; dan lain-
lain.
Terdapat tiga bentuk hipotesis dalam uji-𝑡 berpasangan, yang penggunaannya bergantung kepada
persoalan yang akan dipecahkan :
1. Bentuk uji hipotesis satu sisi (one- sided atau one-tailed test) untuk sisi bawah (lower tailed)
dengan hipotesis :
𝐻𝑜 : 𝜇1 ≥ 𝜇2 𝑎𝑡𝑎𝑢 𝐻𝑜 : 𝜇𝑜 ≥ 0
𝐻1 : 𝜇1 < 𝜇2 𝑎𝑡𝑎𝑢 𝐻1 : 𝜇𝑜 < 0
Dimana 𝜇𝑜 = 𝜇1 − 𝜇2
2. Bentuk uji hipotesis satu sisi (one- sided atau one-tailed test) untuk sisi atas (Upper tailed)
dengan hipotesis :
𝐻𝑜 : 𝜇1 ≤ 𝜇2 𝑎𝑡𝑎𝑢 𝐻𝑜 : 𝜇𝑜 ≤ 0
𝐻1 : 𝜇1 > 𝜇2 𝑎𝑡𝑎𝑢 𝐻1 : 𝜇𝑜 > 0
3. Bentuk uji hipotesis dua sisi (two – sided atau two – tailed test) dengan hipotesis :
𝐻𝑜 : 𝜇1 = 𝜇2 𝑎𝑡𝑎𝑢 𝐻𝑜 : 𝜇𝑜 = 0
𝐻1 : 𝜇1 ≠ 𝜇2 𝑎𝑡𝑎𝑢 𝐻1 : 𝜇𝑜 ≠ 0
Dalam hal ini, bebas untuk menentukan yang mana 𝝁𝟏 dan yang mana 𝝁𝟐
 Dalam pengujian Hipotesis, kriteria untuk menolak atau tidak menolak 𝐻𝑜 berdasarkan 𝑃 −
𝑣𝑎𝑙𝑢𝑒 adalah sebagai berikut :
Jika 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, 𝑚𝑎𝑘𝑎 𝐻𝑜 𝑫𝒊𝒕𝒐𝒍𝒂𝒌
 Dalam Program SPSS digunakan istilah Significance (disingkat dengan Sig) untuk
menyatakan 𝑷 − 𝒗𝒂𝒍𝒖𝒆
Rumus 𝑼𝒋𝒊 − 𝒕 berpasangan :
𝑑̅ − 𝑑0
𝑡= 𝑠 , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑑𝑖 = 𝑠𝑒𝑙𝑖𝑠𝑖ℎ 𝑝𝑎𝑠𝑎𝑛𝑔𝑎𝑛 𝑑𝑎𝑡𝑎, 𝑑𝑖 = 𝑥𝑖 − 𝑦𝑖
𝑑
⁄
√𝑛
∑ 𝒅𝒊 𝟏
̅=
𝒅 , 𝒔𝒅 = √ ̅ )𝟐
∑(𝒅𝒊 − 𝒅
𝒏 𝒏−𝟏
halaman 40 dari 48
Uji –𝒕 Berpasangan Satu Sisi Untuk Sisi Bawah
Contoh penggunaan:
Suatu penelitian dilakukan terhadap 25 orang mahasiswa yang tidak kidal, yang dipilih secara acak
untuk mengetahui desain pegangan pintu. Terdapat dua macam desain pegangan pintu yang identik,
yang satu harus diputar ke kiri untuk membuka pintu, dan yang satu lagi harus diputar ke kanan
untuk membuka pintu. Ke 25 orang mahasiswa diminta membuka ke dua pintu yang identik
tersebut, dan diperoleh data waktu (dalam detik) yang diperlukan untuk membuka pintu dari jarak
tertentu yang sama, dengan menggunakan tangan kanan dan tangan kiri:
Lama waktu untuk membuka Lama waktu untuk membuka
Subyek pintu desain pegangan pintu pintu desain pegangan pintu
putar kanan (dalam detik) putar kiri (dalam detik)
1 113.0 137.0
2 105.0 105.0
3 130.0 133.0
4 101.0 108.0
5 138.0 115.0
6 118.0 170.0
7 87.0 103.0
8 116.0 145.0
9 75.0 78.0
10 96.0 107.0
11 122.0 84.0
12 103.0 148.0
13 116.0 147.0
14 107.0 87.0
15 118.0 166.0
16 103.0 146.0
17 111.0 123.0
18 104.0 135.0
19 111.0 112.0
20 89.0 93.0
21 78.0 76.0
22 100.0 116.0
23 89.0 78.0
24 85.0 101.0
25 88.0 123.0
Pertanyaan:
Apakah rata-rata waktu untuk membuka pintu dengan desain pegangan pintu putar kanan untuk
orang yang tidak kidal akan lebih cepat dibandingkan rata-rata waktu untuk membuka pintu dengan
desain pegangan pintu putar kiri ? (gunakan ∝=0,05)
Solusi :
Akan diuji apakah rata-rata waktu untuk membuka pintu dengan desain pegangan pintu putar kanan
untuk orang yang tidak kidal akan lebih cepat dibandingkan dengan rata-rata waktu untuk membuka
pintu dengan desain pegangan pintu putar kiri. Dalam hal ini, waktunya lebih kecil atau lebih
singkat (𝝁𝒌𝒂𝒏𝒂𝒏 < 𝝁𝒌𝒊𝒓𝒊 ) . subyek dalam penelitian ini adalah ke 25 orang mahasiswa yang harus
halaman 41 dari 48
membuka ke dua pintu yang identik. Jadi ini adalah persoalan 𝑢𝑗𝑖 −
𝑡 𝑏𝑒𝑟𝑝𝑎𝑠𝑎𝑛𝑔𝑎𝑛 𝑠𝑎𝑡𝑢 𝑠𝑖𝑠𝑖 𝑏𝑎𝑤𝑎ℎ dengan hipotesis
𝐻𝑜 : 𝜇𝑘𝑎𝑛𝑎𝑛 ≥ 𝜇𝑘𝑖𝑟𝑖 𝑎𝑡𝑎𝑢 𝐻𝑜 : 𝜇𝑜 ≥ 0

𝐻1 : 𝜇𝑘𝑎𝑛𝑎𝑛 < 𝜇𝑘𝑖𝑟𝑖 𝑎𝑡𝑎𝑢 𝐻1 : 𝜇𝑜 < 0
𝜇𝑘𝑎𝑛𝑎𝑛 = rata-rata waktu untuk membuka pintu desain putar kanan

𝜇𝑘𝑖𝑟𝑖 = rata-rata waktu untuk membuka pintu desain putar kiri
Prosedur SPSS Paired – Samples 𝑻 𝑻𝒆𝒔𝒕
1. Pada halaman Variable View definisikan variabel waktu untuk membuka pintu, yaitu kanan
dengan type Numerik , Label : waktu untuk membuka pintu desain putar kanan. Variabel
lainnya adalah kiri dengan type Numerik, Label : waktu untuk membuka pintu desain putar kiri.
2. Input data pada lembar Data View
3. Klik Analyze → Compare Means, kemudian Klik Paired- Samples 𝒕 Test. Perhatikan tampilan
yang muncul
4. Pindahkan kedua variabel ke dalam box berjudul Paired Variables.
5. Klik OK, selanjutnya akan tampil output sebagai hasil.
Paired Samples Statistics
Mean N Std. Deviation Std. Error Mean
Pair 1 lama waktu membuka pintu

104.12 25 15.796 3.159
desain putar kanan
lama waktu membuka pintu

117.44 25 27.263 5.453
desain putar kiri
Paired Samples Correlations
N Correlation Sig.
Pair 1 lama waktu membuka pintu

desain putar kanan & lama
25 .542 .005
waktu membuka pintu desain
putar kiri
Paired Samples Test
Paired Differences

Std. Std.
of the Difference
Deviati Error Sig. (2-
Mean on Mean Lower Upper t df tailed)

lama waktu membuka
Pair 1 pintu desain putar
kanan - lama waktu -13.320 22.936 4.587 -22.788 -3.852 -2.904 24 .008
membuka pintu desain
putar kiri
halaman 42 dari 48
Interpretasi Hasil
3. Selisih rata-rata waktu antara membuka pintu desain putar kanan dan pintu desain putar kiri
adalah 104,12 − 117,44 = 13,320. Uji –𝑡 menguji 𝐻𝑜 : 𝜇𝑘𝑎𝑛𝑎𝑛 ≥ 𝜇𝑘𝑖𝑟𝑖 memberikan nilai 𝑡 =
−2,904 dengan 𝐷𝑒𝑟𝑎𝑗𝑎𝑡 𝐾𝑒𝑏𝑒𝑏𝑎𝑠𝑎𝑛 = 𝑛 − 1 = 25 − 1 = 24. 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,008. Karena
kita melakukan uji hipotesis satu sisi 𝐻1 : 𝜇𝑘𝑎𝑛𝑎𝑛 < 𝜇𝑘𝑖𝑟𝑖 , maka 𝑃 − 𝑣𝑎𝑙𝑢𝑒 harus dibagi dua,
sehingga 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,004 < 𝛼 = 0,05, sebagai bukti kuat menolak 𝐻𝑜 : 𝜇𝑘𝑎𝑛𝑎𝑛 ≥ 𝜇𝑘𝑖𝑟𝑖
Dengan demikian disimpulkan bahwa “rata-rata waktu untuk membuka pintu dengan desain
pintu putar kanan untuk orang yang tidak kidal adalah lebih cepat dibandingkan dengan rata-
rata waktu untuk membuka pintu desain putar kiri”.
4. Pada tabel Paired Sample Test didapat

∑ 𝒅𝒊
̅=
𝒅 = 𝑥̅ − 𝑦
̅ = 104,12 − 117,44 = −13,32
𝒏
Dan
𝟏 𝟐
̅ ) = 22,936, dimana 𝑑𝑖 = 𝑥𝑖 − 𝑦𝑖
𝒔𝒅 = √𝒏−𝟏 ∑(𝒅𝒊 − 𝒅
5. SPSS juga menghitung korelasi Pearson antara kedua variabel sebesar 𝑟 = 0,542 dan uji hipotesis
untuk mengetahui apakah korelasi tersebut signifikan dengan
𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,005. Untuk 𝛼 = 0,05, maka 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. Dengan demikian, korelasi Pearson
antara kedua variabel adalah signifikan
halaman 43 dari 48
Modul -11
Uji 𝒕 Berpasangan Satu Sisi Untuk Sisi Atas
Penggunaan 𝑈𝑗𝑖 − 𝑡 berpasangan (paired Sample t-test) satu sisi untuk sisi atas (upper tailed) dapat
dilihat dalam contoh permasalahan berikut :
Seorang manager pemasaran buku igin mengetahui perbedaan rata-rata harga jual text book pada
toko buku kampus dengan toko buku online. Untuk itu, manager pemasaran tersebut ,memilih
secara acak 12 text book dan membandingkan harga setiap buku antara kedua toko tersebut, dan
diperoleh data harga sebagai berikut :
Text Harga (US$)

Book Toko Buku Kampus Toko Buku Online
1 85.0 80.95
2 77.5 75.75
3 80.5 80.95
4 68.95 68.5
5 88.7 86.25
6 79.9 75.95
7 69.95 70.25
8 71.5 69.95
9 72.25 73.0
10 74.95 72.25
11 75.95 74.0
12 86.95 85.6
Jika diasumsikan bahwa harga text book pada kedua toko adalah berdistribusi normal, apakah data
di atas menunjukkan bahwa harga text book di toko buku online rata-rata lebih murah dibandingkan
dengan harga di toko buku kampus ? (gunakan ∝=0,05).
Solusi :
Dalam contoh ini akan diuji bahwa rata-rata (mean) harga text book di toko buku kampus lebih
mahal dibandingkan dengan harga text book di toko buku online, yakni :
𝝁𝒌𝒂𝒎𝒑𝒖𝒔 > 𝝁𝒐𝒏𝒍𝒊𝒏𝒆
Objek penelitian dalam permasalahan ini adalah harga masing-masing ke 12 buku yang sama yang
dijual pada kedua toko buku. Dengan demikian, masalahnya adalah terkait dengan 𝑢𝑗𝑖 −
𝑡 𝑏𝑒𝑟𝑝𝑎𝑠𝑎𝑛𝑔𝑎𝑛 𝑠𝑎𝑡𝑢 𝑠𝑖𝑠𝑖 𝑎𝑡𝑎𝑠 dengan hipotesis sebagai berikut :
𝐻𝑜 : 𝜇𝑘𝑎𝑚𝑝𝑢𝑠 ≤ 𝜇𝑜𝑛𝑙𝑖𝑛𝑒 𝑎𝑡𝑎𝑢 𝐻𝑜 : 𝜇𝑜 ≤ 0

𝐻1 : 𝜇𝑘𝑎𝑚𝑝𝑢𝑠 > 𝜇𝑜𝑛𝑙𝑖𝑛𝑒 𝑎𝑡𝑎𝑢 𝐻1 : 𝜇𝑜 > 0
dimana :
𝜇𝑘𝑎𝑚𝑝𝑢𝑠 = rata-rata harga text book di toko buku kampus
𝜇𝑜𝑛𝑙𝑖𝑛𝑒 = rata-rata harga text book di toko buku online
𝜇𝑜 = 𝜇𝑘𝑎𝑚𝑝𝑢𝑠 − 𝜇𝑜𝑛𝑙𝑖𝑛𝑒
halaman 44 dari 48
Prosedur SPSS Paired – Sample T Test :
1. Pada halaman variable View, definisikan variabel harga text book di toko buku kampus dengan
nama kampus, dengan label harga textbook di kampus. Variabel ke dua adalah harga text book
di toko online dengan nama online, dengan label harga textbook online. Masing masing variabel
memiliki type : Numerik , width : 8, Decimals : 2, Measure : Scale.
2. Input data pada Data View sesuai tabel data harga text book di atas.
3. Klik Analyze → Compare Means, kemudian klik Paired-Samples t Test.
4. Pindahkan kedua variabel harga textbook di kampus pada kolom variable 1, dan variabel harga
textbook online pada kolom variable 2.
5. Klik OK, sehingga diperoleh output sebagai berikut :
Pair 1 harga textbook di kampus 77.6750 12 6.66031 1.92267
harga textbook online 76.1167 12 6.02349 1.73883
N Correlation Sig.
Pair 1 harga textbook di kampus &

12 .973 .000
harga textbook online
Paired Samples Test
Paired Differences
95% Confidence
Interval of the
Difference
Std. Std. Error Sig. (2-
Mean Deviation Mean Lower Upper t df tailed)
Pair 1 harga textbook

di kampus -
1.55833 1.60409 .46306 .53914 2.57752 3.365 11 .006
harga textbook
online
halaman 45 dari 48
Interpretasi hasil SPSS :

1. Selisih rata-rata harga text book pada toko buku kampus dan toko buku online adalah
77,6750 − 76,1167 = 1,5583.
2. 𝑈𝑗𝑖 – 𝑡 untuk menguji 𝐻𝑜 : 𝜇𝑘𝑎𝑚𝑝𝑢𝑠 ≤ 𝜇𝑜𝑛𝑙𝑖𝑛𝑒 memberikan nilai 𝑡 = 3,365 dengan derajat
kebebasan 𝑛 − 1 = 12 − 1 = 11.
3. Dari tabel Output SPSS diperoleh niali 𝑃 − 𝑣𝑎𝑘𝑢𝑒 (untuk uji dua sisi) = 0,006. Karena akan
dilakukan uji hipotesis satu sisi 𝐻1 : 𝜇𝑘𝑎𝑚𝑝𝑢𝑠 > 𝜇𝑜𝑛𝑙𝑖𝑛𝑒 maka nilai 𝑃 − 𝑣𝑎𝑙𝑢𝑒 harus dibagi 2
0,006
yakni 2
= 0,003. Dengan demikian 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,003 < 𝛼 = 0,05, yang menunjukkan
penolakan 𝐻𝑜 : 𝜇𝑘𝑎𝑚𝑝𝑢𝑠 ≤ 𝜇𝑜𝑛𝑙𝑖𝑛𝑒 .
4. Dari tabel Paired Sample Test diperoleh :
̅ )𝟐 = 1,60409
̅ = ∑ 𝒅𝒊 = 𝑥̅ − 𝑦̅ = 77,6750 − 76,1167 = 1,5583 dan 𝒔𝒅 = √ 𝟏 ∑(𝒅𝒊 − 𝒅
𝒅 𝒏 𝒏−𝟏
dimana 𝑑𝑖 = 𝑥𝑖 − 𝑦𝑖 .
6. SPSS juga menghitung korelasi Pearson antara kedua variabel sebesar 𝑟 = 0,973 dan uji hipotesis
untuk mengetahui apakah korelasi tersebut signifikan dengan
𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,000. Untuk 𝛼 = 0,05, maka 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. Dengan demikian, korelasi Pearson
antara kedua variabel adalah signifikan
Modul -12
halaman 46 dari 48
Uji 𝒕 Berpasangan Dua Sisi
Penggunaan Uji-t Berpasangan (Paired Sample t-test) Dua Sisi dapat dilihat pada contoh
permasalahan berikut ini :
Kandungan mercury pada sampel ikan yang diambil dari dua lokasi yang berbeda di sungai Deli
yang diduga telah mengalami pencemaran limbah industri adalah sebagai berikut :
Lokasi A 28.5 30.3 26.8 29.4 22.1 25.0 29.9

Lokasi B 35.4 27.6 32.9 31.7 28.3 26.5 37.3
Persoalannya adalah “Apakah ada perbedaan yang signiofikan dalam tingkat pencemaran mercury
antara ke dua lokasi tersebut, dengan asumsi tingkat pencemaran berdistribusi normal ?” gunakan ∝
= 𝟎, 𝟎𝟓.
Solusi .
Ukuran sampel 𝑛 = 7, dimana akan diuji bahwa rata-rata kandungan pencemaran mercurypada
kedua lokasi tidak sama (𝝁𝒍𝒐𝒌𝒂𝒔𝒊 𝑨 ≠ 𝝁𝒍𝒐𝒌𝒂𝒔𝒊 𝑩). Yang menjadi objek penelitian dalam masalah ini
adalah kandungan mercury pada kedua lokasi di sungai Deli. Jadi permasalahannya berkaitan dengan
Uji-t Berpasangan (Paired Sample t-test) Dua Sisi denngan hipotesis sebagai berikut :
𝐻𝑜 : 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐴 = 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐵 𝑎𝑡𝑎𝑢 𝐻𝑜 : 𝜇𝑜 = 0

𝐻1 : 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐴 ≠ 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐵 𝑎𝑡𝑎𝑢 𝐻1 : 𝜇𝑜 ≠ 0
di mana :
𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐴 = 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑘𝑎𝑛𝑑𝑢𝑛𝑔𝑎𝑛 𝑚𝑒𝑟𝑐𝑢𝑟𝑦 𝑑𝑖 𝑙𝑜𝑘𝑎𝑠𝑖 𝐴
𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐵 = 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑘𝑎𝑛𝑑𝑢𝑛𝑔𝑎𝑛 𝑚𝑒𝑟𝑐𝑢𝑟𝑦 𝑑𝑖 𝑙𝑜𝑘𝑎𝑠𝑖 𝐵
𝜇𝑜 = 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐴 − 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐵
Prosedur SPSS Paired – Sample T Test :
1. Pada halaman variable View, definisikan variabel kandungan mercury di lokasi A dengan nama
lokasi_a, dengan label Lokasi A. Variabel ke dua adalah kandungan mercury di lokasi B dengan
nama lokasi-b, dengan label Lokasi B. Masing masing variabel memiliki type : Numerik , width :
8, Decimals : 2, Measure : Scale..
2. Input data pada Data View sesuai tabel data di atas.
3. Klik Analyze → Compare Means, kemudian klik Paired-Samples t Test.
4. Pindahkan kedua variabel lokasi_a pada kolom variable 1, dan variabel lokasi_b pada kolom
variable 2.
5. Klik OK, sehingga diperoleh output sebagai berikut :
halaman 47 dari 48
Pair 1 Lokasi A 27.4286 7 3.00206 1.13467
Lokasi B 31.3857 7 4.10708 1.55233
N Correlation Sig.
Pair 1 Lokasi A & Lokasi B 7 .487 .268
Paired Samples Test
Paired Differences

of the Difference
Std. Std. Error Sig. (2-
Mean Deviation Mean Lower Upper t df tailed)
Pair 1 Lokasi A -
-3.95714 3.72463 1.40778 -7.40185 -.51244 -2.811 6 .031
Lokasi B
Interpretasi hasil SPSS :

1. Selisih rata-rata kandungan pencemaran mercury di Lokasi A dan Lokasi B adalah
27,4286 − 31,3857 = −3,9571.
2. 𝑈𝑗𝑖 – 𝑡 untuk menguji 𝐻𝑜 : 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐴 = 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐵 memberikan nilai 𝑡 = −2,811dengan derajat

kebebasan 𝑛 − 1 = 7 − 1 = 6.
3. Dari tabel Output SPSS diperoleh niali 𝑃 − 𝑣𝑎𝑘𝑢𝑒 (untuk uji dua sisi) = 0,031. Karena 𝑃 − 𝑣𝑎𝑙𝑢𝑒
𝐻𝑜 : 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐴 = 𝜇𝑙𝑜𝑘𝑎𝑠𝑖 𝐵 ditolak dengan kuat , dan
𝑙𝑒𝑏𝑖ℎ 𝑘𝑒𝑐𝑖𝑙 𝑑𝑎𝑟𝑖 𝛼 = 0,05, maka
disimpulkan bahwa kandungan pencemaran mercury di lokasi A dan lokasi B tidak
sama.
4. Dari tabel Paired Sample Test diperoleh :
̅ = ∑ 𝒅𝒊 = 𝑥̅ − 𝑦̅ = 27,4286 − 31,3857 = −3,9571

𝒅 dan
𝟏
̅ )𝟐 =
𝒔𝒅 = √𝒏−𝟏 ∑(𝒅𝒊 − 𝒅
𝒏
𝟑, 𝟕𝟐𝟒𝟔𝟑dimana 𝑑𝑖 = 𝑥𝑖 − 𝑦𝑖 .
7. SPSS juga menghitung korelasi Pearson antara kedua variabel sebesar 𝑟 = 0,487dan uji hipotesis
untuk mengetahui apakah korelasi tersebut signifikan dengan 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 0,268. Untuk 𝛼 =
0,05, maka 𝑃 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼. Dengan demikian, korelasi Pearson antara kedua variabel adalah
tidak signifikan.
halaman 48 dari 48

MODUL PRAKTIKUM - REVisi

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

MODUL PRAKTIKUM - REVisi

Diunggah oleh

Hak Cipta:

Format Tersedia

Praktikum Statistika

 SPSS 16.0 dapat melakukan export/import data Excel 2007

Ada dua cara untuk memulai menjalankan SPSS:

SPSS Data Editor

 Klik File → klik New →klik Data

Catatan : pada halaman Variable View, setiap baris mewakili

Pada halaman Variable View dapat dilakukan :

4. Menentukan banyaknya angka dibelakang koma pada kolom Decimals.

Contoh : Mendefinisikan Variabel dari kuisioner

Informasi Pribadi Informasi Pribadi

2. Berapa Usia Anda (tahun)? 2. Berapa Usia Anda (tahun)?

Informasi Pribadi Informasi Pribadi

2. Berapa Usia Anda (tahun)? 2. Berapa Usia Anda (tahun)?

2. Berapa Usia Anda (tahun)?

Tunjukkan tingkat persetujuan anda atas pernyataan berikut

id Sex Usia Jumlah PC sangat Suka belajar

Inputlah data tersebut ke dalam Data Editor.

ID Jumlah Jam IPK Jenis Kelamin

II. Prosedur SPSS untuk data Screening adalah sebagai berikut :n

Indeks Prestasi Kumulatif

Valid 2.3 2 15.4 15.4 15.4

Valid Pria 5 38.5 38.5 38.5

Perempuan 6 46.2 46.2 84.6

3 1 7.7 7.7 92.3

5 1 7.7 7.7 100.0

Total 13 100.0 100.0

Ukuran Kemencengan (Skewness) yang menyatakan ketidak simetrian suatu distribusi

Skewness Negatif Skewness Positif Skewnwss Nol

Jika diketahui n data : x1, x2, x3,.....,xn , maka :

 Mean (rata-rata) untuk sampel datar

 Jangkauan Antar kuartil (Interquartile Range)

𝑰𝑸𝑹 = 𝑸𝟑 – 𝑸𝟏 = 𝑷𝟕𝟓 – 𝑷𝟐𝟓

 Simpangan Rata-rata (Average Absolute Deviation = AAD)

No/ID detak1 detak2 Lari Perokok Sex Tinggi Berat Aktivitas

No/ID detak1 detak2 Lari Perokok Sex Tinggi Berat Aktivitas

No/ID detak1 detak2 Lari Perokok Sex Tinggi Berat Aktivitas

I. Prosedur SPSS Frequencies

Prosedur Frequencies dapat melakukan perhitungan dan menampilkan Mean, Median.

II. Prosedur SPSS Frequencies dan Statistika Deskriptif

Klik Analyze → Descriptive Statistics → Frequencies lalu pindahkan variabel Berat

III. Prosedur SPSS Descriptives

IV. Prosedur SPSS Crosstabs

klik Analyze → Descriptve Statistics → Crosstabs. Pindahkan Variabel Jenis Kelamin ke

Untuk lebih mengerti, lakukan hal yang sama terhadap variabel :

VI. Prosedur SPSS Ratio

Ratio Statistics for Berat Badan / TInggi Badan

Std. Deviation .047

Average Absolute Deviation .037

Price Related Differential .996

Coefficient of Dispersion .097

Coefficient of Variation Median Centered 12.6%

Hipotesis Uji Normalitas :

Contoh Pengujian Normalitas dengan SPSS :

Prosedur SPSS Uji Normalitas Berdasarkan Grup

group Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Skor DRP Treatment .125 21 .200* .966 21 .652

Kontrol .097 23 .200* .972 23 .732

Dari tabel di atas,diperoleh :

MENGUJI NORMALITAS SATU VARIABEL

Statistic df Sig. Statistic df Sig.

Skor DRP .117 44 .153 .975 44 .455

Dalam proses Sampling, dikenal suatu kaidah penting yaitu :