Bidang Pendidikan
iii
CONTOH KASUS: KORELASI PEARSON
Contoh Kasus-I
Misalkan seorang guru ingin meneliti apakah terdapat hubungan yang signifikan antara
jumlah jam belajar dan nilai ujian matematika. Untuk keperluan penelitian, guru tersebut
mengambil sampel sebanyak 20 siswa. Dari 20 siswa tersebut, kemudian ditanya nilai ujian
matematika yang telah diperoleh serta berapa jam yang dihabiskan untuk belajar
Tabel 1 Data Jumlah Jam Belajar dan Nilai Ujian Matematika berdasarkan 20 Siswa
1
Berdasarkan data pada Tabel 1, diketahui:
selama 4 jam dan memperoleh nilai ujian matematika 72, dan seterusnya.
Dalam kasus ini, akan diuji apakah terdapat hubungan yang signifikan antara jumlah jam
belajar dan nilai ujian matematika, pada tingkat signifikansi 5%. Metode statistika yang akan
Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1.
2
Selanjutnya pilih Statistics => Pearson and Spearman Correlation (Gambar 2).
Pada Gambar 3 lakukan pemilihan variabel, yakni pada kotak Choose Numeric Variable
(Multiple Choicea), pindahkan variabel nilai ujian matematika dan jumlah jam belajar ke
kotak sebelah kanan. Multiple Choices berarti variabel yang dapat dipindahkan ke kotak
Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 4 merupakan hasil STATCAL
pada bagian deskriptif (Result: Descriptive). Pada hasil STATCAL bagian deskriptif, disajikan
3
beberapa nilai statistik seperti minimum, maksimum, rata-rata, standar deviasi dan
sebagainya.
Nilai minimum (atau nilai paling rendah) ujian matematika adalah 45 (Fira),
sementara nilai maksimum (atau nilai paling tinggi) ujian matematika adalah 92
(Rudi). Rata-rata nilai ujian matematika adalah 71,7, dengan standar deviasi 12,9131.
Jumlah jam belajar paling rendah adalah 0 (Fira), sementara jumlah jam belajar
paling tinggi adalah 6 (Rudi dan Angga). Rata-rata jumlah jam belajar adalah 4,
4
Gambar 5 Grafik Sebaran Data antara Jumlah Jam Belajar dan Nilai Ujian Matematika
Gambar 5 disajikan grafik sebaran data antara jumlah jam belajar dan nilai ujian matematika.
Terlihat bahwa titik-titik (data) cenderung menyebar dari kiri bawah, ke kanan atas. Dengan
kata lain jumlah jam belajar dan nilai ujian matematika berkorelasi positif. Berkorelasi positif
berarti terdapat kecenderungan jumlah jam belajar yang semakin meningkat, cenderung
5
Gambar 6 Korelasi Pearson
Gambar 6 merupakan hasil STATCAL untuk korelasi Pearson. Diketahui nilai korelasi Pearson
antara jumlah jam belajar dan nilai ujian matematika adalah 0,8581, yakni bernilai positif,
yang berarti jumlah jam belajar dan nilai ujian matematika berkorelasi positif. Berkorelasi
positif berarti terdapat kecenderungan jumlah jam belajar yang semakin meningkat,
cenderung nilai ujian matematika meningkat. Diketahui nilai P-Value adalah 0. Perhatikan
bahwa pengaturan Decimals adalah 4, sehingga nilai P-Value 0,0000 < tingkat signifikansi
0,05, maka disimpulkan jumlah jam belajar dan nilai ujian matematika berkorelasi signifikan.
6
CONTOH KASUS: REGRESI LINEAR SEDERHANA
Contoh Kasus-I
Misalkan seorang guru ingin meneliti apakah jumlah jam belajar di rumah signifikan
mengambil sampel sebanyak 20 siswa. Dari 20 siswa tersebut, kemudian ditanya nilai ujian
matematika yang telah diperoleh serta berapa jam yang dihabiskan untuk belajar
Tabel 1 Data Jumlah Jam Belajar dan Nilai Ujian Matematika berdasarkan 20 Siswa
7
Berdasarkan data pada Tabel 1, diketahui:
selama 4 jam dan memperoleh nilai ujian matematika 72, dan seterusnya.
Berapa persen kontribusi jumlah jam belajar di rumah dalam mempengaruhi nilai
Dengan menggunakan tingkat signifikansi 5%, apakah jumlah jam belajar di rumah
Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1.
8
Selanjutnya pilih Statistics => Linear Regression (Ordinary Least Squares Method) (Gambar
2).
9
Pada kotak Choose Numeric Variable (Single Choice) (Dependent), pindahkan
variabel nilai ujian matematika ke kotak sebelah kanan. Single Choice berarti variabel
variabel jumlah jam belajar ke kotak sebelah kanan. Multiple Choices berarti variabel
yang dapat dipindahkan ke kotak sebelah kanan dapat lebih dari 1 variabel.
Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 4 merupakan hasil STATCAL
pada bagian deskriptif (Result: Descriptive). Pada hasil STATCAL bagian deskriptif, disajikan
beberapa nilai statistik seperti minimum, maksimum, rata-rata, standar deviasi dan
sebagainya.
Nilai minimum (atau nilai paling rendah) ujian matematika adalah 45 (Fira),
sementara nilai maksimum (atau nilai paling tinggi) ujian matematika adalah 92
(Rudi). Rata-rata nilai ujian matematika adalah 71,7, dengan standar deviasi 12,9131.
10
Jumlah jam belajar paling rendah adalah 0 (Fira), sementara jumlah jam belajar
paling tinggi adalah 6 (Rudi dan Angga). Rata-rata jumlah jam belajar adalah 4,
Gambar 5 merupakan hasil STATCAL pada bagian koefisien determinasi (Result: Coefficient
kemampuan variabel bebas dalam menjelaskan variasi (variation) variabel tak bebas.
Diketahui nilai koefisien determinasi (r-square) adalah 0,7363. Nilai tersebut dapat
diinterpretasi bahwa variabel jumlah jam belajar di rumah mampu menjelaskan variasi
(variation) variabel nilai ujian matematika sebesar 73,63%, sisanya 26,37% dipengaruhi oleh
11
Gambar 7 Result: T-Test
Gambar 7 merupakan hasil STATCAL pada bagian uji t (Result: T-Test). Pada bagian ini, akan
diuji apakah jumlah jam belajar di rumah berpengaruh signifikan atau tidak terhadap nilai
sebagai berikut.
𝑌̂ = 41,8905 + 7,4524𝑋
Nilai koefisien regresi dari variabel jumlah jam belajar di rumah adalah 7,4524, yakni
bernilai positif, yang berarti jumlah jam belajar di rumah berpengaruh positif
semakin tinggi jumlah jam belajar di rumah, semakin tinggi juga nilai ujian
Nilai P-Value untuk variabel jumlah jam belajar adalah 0. Hasil STATCAL pada bagian
T-Test dilakukan pembulatan 4 angka di belakang koma, sehingga nilai P-Value untuk
variabel jumlah jam belajar adalah 0,0000, yakni < 0,05 (tingkat signifikansi), maka
12
disimpulkan jumlah jam belajar di rumah berpengaruh signifikan terhadap nilai ujian
13
CONTOH KASUS: REGRESI LINEAR BERGANDA
Contoh Kasus-I
Misalkan seorang guru ingin meneliti apakah jumlah jam belajar di rumah dan uang jajan
signifikan mempengaruhi nilai ujian matematika. Untuk keperluan penelitian, guru tersebut
mengambil sampel sebanyak 20 siswa. Dari 20 siswa tersebut, kemudian ditanya nilai ujian
matematika yang telah diperoleh, berapa jam yang dihabiskan untuk belajar matematika di
rumah dan uang jajan. Data yang telah dikumpulkan disajikan pada Tabel 1.
14
Berdasarkan data pada Tabel 1, diketahui:
selama 3 jam, uang jajan per-hari Rp. 5000 dan memperoleh nilai ujian matematika
65.
selama 4 jam, uang jajan per-hari Rp. 7000 dan memperoleh nilai ujian matematika
Berapa persen kontribusi jumlah jam belajar di rumah dan uang jajan dalam
Dengan menggunakan tingkat signifikansi 5%, apakah jumlah jam belajar di rumah
dan uang jajan, secara bersama-sama atau simultan, berpengaruh signifikan terhadap
Dengan menggunakan tingkat signifikansi 5%, apakah jumlah jam belajar di rumah
15
Penyelesaian Contoh Kasus-I dengan STATCAL
Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1.
Selanjutnya pilih Statistics => Linear Regression (Ordinary Least Squares Method) (Gambar
2).
16
Gambar 3 Pemilihan Variabel
variabel nilai ujian matematika ke kotak sebelah kanan. Single Choice berarti variabel
variabel jumlah jam belajar dan uang jajan ke kotak sebelah kanan. Multiple Choices
berarti variabel yang dapat dipindahkan ke kotak sebelah kanan dapat lebih dari 1
variabel.
Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 4 merupakan hasil STATCAL
pada bagian deskriptif (Result: Descriptive). Pada hasil STATCAL bagian deskriptif, disajikan
beberapa nilai statistik seperti minimum, maksimum, rata-rata, standar deviasi dan
sebagainya.
17
Gambar 4 Result: Descriptive
Nilai minimum (atau nilai paling rendah) ujian matematika adalah 45 (Fira),
sementara nilai maksimum (atau nilai paling tinggi) ujian matematika adalah 92
(Rudi). Rata-rata nilai ujian matematika adalah 71,7, dengan standar deviasi 12,9131.
Jumlah jam belajar paling rendah adalah 0 (Fira), sementara jumlah jam belajar
paling tinggi adalah 6 (Rudi dan Angga). Rata-rata jumlah jam belajar adalah 4,
Uang jajan paling rendah adalah 3000 (Rina, Rudi dan Anggi), sementara uang jajan
paling tinggi adalah 9200 (Fira). Rata-rata uang jajan adalah 6740, dengan standar
deviasi 1955,1282.
kemampuan variabel bebas dalam menjelaskan variasi (variation) variabel tak bebas.
Diketahui nilai koefisien determinasi (r-square) adalah 0,8063. Nilai tersebut dapat
diinterpretasi bahwa variabel jumlah jam belajar di rumah dan uang jajan mampu
menjelaskan variasi (variation) variabel nilai ujian matematika sebesar 80,63%, sisanya
19,37% dipengaruhi oleh faktor lain. Gambar 6 merupakan hasil koefisien determinasi
berdasarkan SPSS.
Gambar 7 merupakan hasil STATCAL pada bagian uji F (Result: F-Test). Pada bagian ini, akan
diuji apakah jumlah jam belajar di rumah dan uang jajan secara bersama-sama atau
simultan, berpengaruh signifikan atau tidak terhadap nilai ujian matematika. Nilai P-Value
19
adalah 0. Hasil STATCAL pada bagian F-Test dilakukan pembulatan 4 angka di belakang
koma, sehingga nilai P-Value adalah 0,0000, yakni < 0,05 (tingkat signifikansi), maka
disimpulkan jumlah jam belajar di rumah dan uang jajan, secara bersama-sama atau
simultan, berpengaruh signifikan terhadap nilai ujian matematika, pada tingkat signifikansi
Gambar 9 merupakan hasil STATCAL pada bagian uji t (Result: T-Test). Berdasarkan Gambar
20
Perhatikan bahwa variabel 𝑌 menyatakan nilai ujian matematika, variabel 𝑋1 menyatakan
Nilai koefisien regresi dari variabel jumlah jam belajar di rumah adalah 5,4289, yakni
bernilai positif, yang berarti jumlah jam belajar di rumah berpengaruh positif
semakin tinggi jumlah jam belajar di rumah, semakin tinggi juga nilai ujian
matematika yang akan didapat. Nilai P-Value untuk variabel jumlah jam belajar
belakang koma, sehingga nilai P-Value untuk variabel jumlah jam belajar adalah
0,0004, yakni < 0,05 (tingkat signifikansi), maka disimpulkan jumlah jam belajar di
signifikansi 5%.
Nilai koefisien regresi dari variabel uang jajan adalah -0,0023, yakni bernilai negatif,
yang berarti uang jajan berpengaruh negatif terhadap nilai ujian matematika. Dengan
kata lain, terdapat kecenderungan, semakin tinggi uang jajan, semakin turun nilai
ujian matematika yang akan didapat. Nilai P-Value untuk variabel uang jajan adalah
0,024, yakni < 0,05 (tingkat signifikansi), maka disimpulkan uang jajan berpengaruh
signifikan terhadap nilai ujian matematika, pada tingkat signifikansi 5%. Gambar 8
Contoh Kasus-I
Misalkan seorang guru ingin meneliti apakah terdapat perbedaan nilai ujian matematika
yang signifikan di antara siswa yang hobi membaca, olahraga dan musik. Dengan kata lain,
apakah hobi signifikan mempengaruhi nilai ujian matematika. Untuk keperluan penelitian,
guru tersebut mengambil sampel sebanyak 20 siswa. Dari 20 siswa tersebut, kemudian
ditanya nilai ujian matematika yang telah diperoleh serta hobi dari siswa tersebut. Data yang
Tabel 1 Data Hobi Siswa dan Nilai Ujian Matematika berdasarkan 20 Siswa
22
Label
Angka
Hobi
1 Membaca
2 Olahraga
3 Musik
Siswa bernama Andi memiliki hobi membaca, dengan nilai ujian matematika 89.
Siswa bernama Indah memiliki hobi olahraga, dengan nilai ujian matematika 75, dan
seterusnya.
Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian
matematika yang signifikan di antara siswa yang memiliki hobi membaca, olahraga
dan musik. Dengan kata lain, apakah hobi signifikan mempengaruhi nilai ujian
matematika?
Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian
matematika yang signifikan antara siswa yang memiliki hobi membaca dan olahraga?
Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian
matematika yang signifikan antara siswa yang memiliki hobi membaca dan musik?
Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian
matematika yang signifikan antara siswa yang memiliki hobi olahraga dan musik?
Metode statistika yang akan digunakan adalah analisis varians satu arah (one way analysis of
23
Penyelesaian Contoh Kasus-I dengan STATCAL
Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1 dan
Gambar 2.
24
Selanjutnya pilih Statistics => One-Way Analysis of Variance (ANOVA) and Kruskal-Wallis
Pada kotak Choose Numeric Variable (Multiple Choices), pindahkan variabel nilai
ujian matematika ke kotak sebelah kanan. Multiple Choices berarti variabel yang
25
Pada kotak Choose Categorical Variable (Single Choice), pindahkan variabel hobi ke
kotak sebelah kanan. Single Choice berarti variabel yang dapat dipindahkan ke kotak
Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 5 merupakan hasil STATCAL
pada bagian deskriptif (Result: Descriptive). Pada hasil STATCAL bagian deskriptif, disajikan
beberapa nilai statistik seperti minimum, maksimum, rata-rata, standar deviasi dan
sebagainya.
Diketahui rata-rata nilai ujian matematika pada siswa dengan hobi membaca adalah
Diketahui rata-rata nilai ujian matematika pada siswa dengan hobi olahraga adalah
26
Diketahui rata-rata nilai ujian matematika pada siswa dengan hobi musik adalah 69,5,
Gambar 6 disajikan grafik garis rata-rata nilai ujian matematika berdasarkan hobi. Secara
rata-rata terlihat bahwa rata-rata nilai ujian matematika paling tinggi terjadi pada siswa
dengan hobi membaca, dengan nilai rata-rata 90,57, sementara rata-rata nilai ujian
ujian matematika berdasarkan hobi. Pada grafik boxplot tersebut, titik yang berwarna merah
dapat diartikan data tersebut cenderung menyebar jauh dari rata-ratanya (data ekstrim atau
outlier).
Gambar 8 disajikan grafik batang rata-rata nilai ujian matematika berdasarkan hobi. Secara
rata-rata terlihat bahwa rata-rata nilai ujian matematika paling tinggi terjadi pada siswa
dengan hobi membaca, dengan nilai rata-rata 90,57 (dengan standar deviasi 4,04),
sementara rata-rata nilai ujian matematika paling rendah adalah 69,5 (dengan standar
deviasi 4,51).
28
Gambar 9 Result: One-Way ANOVA (Analisis Varians Satu Arah)
Gambar 9 merupakan hasil analisis varians satu arah (one-way ANOVA). Berdasarkan
Gambar 9 diketahui nilai P-Value adalah 0. Hasil STATCAL pada bagian One-Way Analysis of
Variance (ANOVA) dilakukan pembulatan 4 angka di belakang koma, sehingga nilai P-Value
untuk variabel nilai ujian matematika adalah 0,0000, yakni < 0,05 (tingkat signifikansi), maka
disimpulkan terdapat perbedaan nilai ujian matematika yang signifikan di antara siswa yang
memiliki hobi membaca, olahraga dan musik. Dengan kata lain, apakah hobi signifikan
SPSS.
29
Gambar 11 Result: Least Significant Difference (LSD)
Gambar 11 merupakan hasil uji least significant difference (LSD). Berdasarkan hasil uji LSD
Terdapat perbedaan nilai ujian matematika yang signifikan antara siswa yang
Terdapat perbedaan nilai ujian matematika yang signifikan antara siswa yang
Tidak terdapat perbedaan nilai ujian matematika yang signifikan antara siswa yang
Contoh Kasus-I
Misalkan seorang guru ingin meneliti apakah faktor jenis kelamin dan hobi memiliki
pengaruh yang signifikan terhadap nilai ujian matematika siswa. Untuk keperluan penelitian,
guru tersebut mengambil sampel sebanyak 18 siswa. Data yang telah dikumpulkan disajikan
pada Tabel 1.
Tabel 1 Data Jenis Kelamin, Hobi dan Nilai Ujian Matematika berdasarkan 18 Siswa
Label
Angka
Jenis Kelamin Hobi
1 Laki-Laki Membaca
2 Perempuan Olahraga
31
Berdasarkan data pada Tabel 1, diketahui:
Siswa bernama Andi dengan jenis kelamin laki-laki, memiliki hobi membaca, dengan
Siswa bernama Rini dengan jenis kelamin perempuan, memiliki hobi membaca,
Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian
matematika yang signifikan di antara siswa laki-laki dan perempuan? Dengan kata
Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian
matematika yang signifikan di antara siswa yang memiliki hobi membaca dan
olahraga? Dengan kata lain, apakah hobi signifikan mempengaruhi nilai ujian
matematika?
signifikan antara jenis kelamin dan hobi, dalam pengaruhnya terhadap nilai ujian
matematika?
Metode statistika yang akan digunakan adalah analisis varians dua arah (two way analysis of
variance).
Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1 dan
Gambar 2.
32
Gambar 1 Menginput Data Numerik di STATCAL
Selanjutnya pilih Statistics => Two-Way Analysis of Variance (Two Way ANOVA) (Gambar
3).
33
Gambar 3 Menu Analisis Varians Dua Arah
Pada kotak Choose Numeric Variable (Multiple Choices), pindahkan variabel nilai
34
Pada kotak Choose Categorical Variable (Single Choice), pindahkan variabel jenis
kelamin dan hobi ke kotak sebelah kanan. Single Choice berarti variabel yang dapat
Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 5 merupakan hasil STATCAL
Diketahui nilai P-Value (kolom Pr(>F) pada baris jenis kelamin adalah 0,924 > 0,05,
maka disimpulkan tidak terdapat perbedaan nilai ujian matematika yang signifikan
berdasarkan jenis kelamin. Dengan kata lain, faktor jenis kelamin tidak signifikan
Diketahui nilai P-Value (kolom Pr(>F) pada baris hobi adalah 0,636 > 0,05, maka
35
berdasarkan hobi. Dengan kata lain, faktor hobi tidak signifikan mempengaruhi nilai
ujian matematika.
Diketahui nilai P-Value (kolom Pr(>F) pada baris Jenis Kelamin*Hobi adalah 0.
0,000 < 0,05, maka disimpulkan terdapat interaksi yang signifikan antara jenis
Tabel 2 Data Jenis Kelamin, Hobi dan Nilai Ujian Matematika berdasarkan 18 Siswa
36
11 Rina 2 1 92
12 Sari 2 1 91
13 Sasi 2 1 92
14 Sisi 2 2 65
15 Dini 2 2 64
16 Dina 2 2 65
17 Fina 2 2 64
18 Fini 2 2 65
Nilai ujian matematika cenderung tinggi pada jenis kelamin laki-laki dan hobi
olahraga.
Sementara nilai ujian matematika cenderung tinggi pada jenis kelamin perempuan
37
Perhatikan Gambar 7 terlihat bahwa pada jenis kelamin laki-laki, rata-rata nilai ujian
matematika untuk siswa dengan hobi olahraga (91,4) lebih tinggi dibandingkan siswa dengan
hobi membaca (64,75). Sementara pada jenis kelamin perempuan, rata-rata nilai ujian
matematika untuk siswa dengan hobi membaca (91,5) lebih tinggi dibandingkan siswa
38
CONTOH KASUS: ANALISIS KOVARIAN
Contoh Kasus-I
Misalkan seorang guru ingin meneliti apakah metode mengajar dan IQ memiliki pengaruh
yang signifikan terhadap nilai ujian matematika siswa. Untuk keperluan penelitian, guru
tersebut mengambil sampel sebanyak 12 siswa. Data yang telah dikumpulkan disajikan pada
Tabel 1.
Tabel 1 Data Metode Mengajar, IQ dan Nilai Ujian Matematika berdasarkan 12 Siswa
Label
Angka
Metode Mengajar
1 Metode A
2 Metode B
3 Metode C
39
Berdasarkan data pada Tabel 1, diketahui:
Dengan menggunakan tingkat signifikansi 5%, apakah terdapat perbedaan nilai ujian
matematika yang signifikan di antara metode mengajar A, B dan C? Dengan kata lain,
signifikan antara metode mengajar dan IQ, dalam pengaruhnya terhadap nilai ujian
matematika?
Metode statistika yang akan digunakan adalah analisis kovarian (analysis of covariance).
Tahap pertama adalah menginput data pada Tabel 1 di STATCAL seperti pada Gambar 1 dan
Gambar 2.
40
Gambar 1 Menginput Data Numerik di STATCAL
41
Gambar 3 Menu Analisis Kovarian
variabel nilai ujian matematika ke kotak sebelah kanan. Single Choice berarti variabel
42
Pada kotak Choose Numeric Variable (Covariate) (Single Choice), pindahkan variabel
IQ ke kotak sebelah kanan. Single Choice berarti variabel yang dapat dipindahkan ke
variabel metode mengajar ke kotak sebelah kanan. Single Choice berarti variabel
Hasil dari STATCAL dapat dilihat pada bagian Result. Gambar 5 merupakan hasil STATCAL
Untuk menentukan apakah asumsi homogenitas dari regresi terpenuhi atau tidak, maka
dapat dilakukan dengan membandingkan nilai P-Value (nilai pada kolom PR(>F)) pada baris
IQ*Metode Mengajar. Diketahui nilai P-Value adalah 0,453 > 0,05 (tingkat signifikansi 5%),
43
Terpenuhinya asumsi homogenitas berarti tidak terjadi interaksi yang begitu signifikan
antara metode mengajar dan IQ dalam pengaruhnya terhadap nilai ujian matematika.
Dengan kata lain, asumsi mengenai kemiringan dari garis regresi populasi adalah sama untuk
setiap kategori pada metode mengajar terpenuhi pada tingkat signifikansi 5%. Gambar 6
Asumsi linearitas dari regresi berarti terdapat hubungan linear yang signifikan antara
kovariat (IQ) dengan variabel tak bebas (nilai ujian matematika). Signifikan atau tidak dari
signifikan, prosedur pendekatan regresi linear yang melibatkan kovariat akan memberikan
Untuk menentukan apakah asumsi linearitas dari regresi terpenuhi atau tidak, perhatikan
nilai P-Value, yakni bernilai 0,042 < tingkat signifikansi 0,05, maka disimpulkan asumsi
linearitas dari regresi terpenuhi. Terpenuhinya asumsi linearitas dari regresi menunjukkan
terdapat alasan yang cukup kuat untuk memasukkan variabel IQ sebagai kovariat. Gambar 8
Diketahui nilai P-Value (kolom Pr(>F)) pada IQ adalah 0,001 < tingkat signifikansi 0,05,
maka disimpulkan terdapat pengaruh yang signifikan antara IQ terhadap nilai ujian
matematika.
Diketahui nilai P-Value (kolom Pr(>F)) pada metode mengajar adalah 0,001 < tingkat
signifikansi 0,05, maka disimpulkan terdapat perbedaan nilai ujian matematika yang
signifikan di antara metode mengajar A, B dan C. Dengan kata lain, faktor metode
5%.
46
CONTOH KASUS: ANALISIS FAKTOR
Contoh Kasus-I
Analisis faktor merupakan suatu metode yang dapat mereduksi sekumpulan variabel-
variabel asli (original variables) menjadi beberapa variabel baru, yang disebut dengan faktor
atau dimensi. Analisis faktor berusaha menghasilkan faktor dengan jumlah seminimal
mungkin, yang mana faktor-faktor tersebut mampu menjelaskan jumlah maksimal dari
dalam matriks korelasi atau matriks R (keseluruhan variabel) (Gio dan Elly, 2015).
Misalkan seorang peneliti sedang melakukan penelitian terkait penilaian kesukaan mengenai
penilaian dimulai dari 1 (menyatakan sangat tidak suka) sampai dengan skor 10 (menyatakan
47
Metode analisis faktor akan digunakan untuk mereduksi kelima variabel penilaian tersebut,
48
Gambar 2 Factor Analysis dengan STATCAL
Pada Gambar 2, pindahkan data pada Tabel 1 ke bagian Eenter Your Data. Pada bagian
Number of Factor, misalkan faktor baru yang akan dibuat sebanyak 2. Kemudian pada
bagian Rotation pilih Varimax. Hasil analisis faktor diperlihatkan pada Gambar 3.
49
Berdasarkan Gambar 3, diperoleh hasil:
Selanjutnya, 2 faktor baru tersebut diberikan nama baru. Misalkan untuk faktor I, yakni
menggambar, bergaul dan musik, diberi nama faktor otak kanan, sementara faktor II, yakni
50
Referensi
[1] John Maindonald dan W. John Braun, 2010, Data Analysis and Graphics Using R, An
Example-Based Approach 3rd Edition, Cambridge University Press.
[2] Gareth James, Daniela Witten, Trevor Hastie dan Robert Tibshirani, 2014, An Introduction to
Statistical Learning with Applications in R, Springer.
[3] Peter Dalgaard, 2008, Introductory Statistics with R, 2nd Edition, Springer.
[4] Michael J. Crawley, 2015, Statistics, An Introduction Using R, 2nd Edition, John Wiley and
Sons, Ltd.
[5] Sanders & Smidth, 2000, Statistics, A First Course, 6th Edition, McGraw-Hill.
[6] Douglas C. Montgomery dan George C. Runger, 2014, Applied Statistics and Probability for
Engineers, 6th Edition, John Wiley & Sons.
[7] Alan Agresti dan Barbara Finlay, 2009, Statistical Methods for the Social Sciences, 4th
Edition, Prentice Hall.
[8] Andy Field, 2009, Discovering Statistics Using SPSS, 3rd Edition, Sage.
[10] Prem S. Mann, 2013, Introductory Statistics, 8th Edition, John Wiley and Sons.
[11] Murray R. Spiegel dan Larry J. Stephens, 2008, Statistics 4th Edition, McGraw-Hill
Companies.
[12] Jim Albert, 2009, Bayesian Computation with R, 2nd Edition, Springer.
[13] Nick T. Thomopoulos, 2013, Essentials of Monte Carlo Simulation, Statistical Methods for
Building Simulation Models, Springer.
[15] Yvonne Augustine dan Robert Kristaung, 2013, Metodologi Penelitian Bisnis dan
Akuntansi, Dian Rakyat.
[16] W. J. Conover, 1999, Practical Nonparametric Statistics 3rd Edition, John Wiley and Sons.
[17] Paul H. Kvam dan Brani Vidakovic, 2007, Nonparametric Statistics with Applications to
Science and Engineering, John Wiley and Sons.
51
[18] Baron, R. M dan Kenny, D. A., 1986. The Moderator-Mediator Variable Distinction in
Social Psychological Research: Conceptual, Strategic, and Statistical Considerations. Journal of
Personality and Social Psychology. Vol. 51, No. 6, 1173-1182. American Psychological
Association, Inc.
[19] Hair, J.F Jr., R.E. Anderson, B.J. Babin, dan W.C. Black. 2010. Multivariate Data Analysis, 7th
Edition. Pearson Prentice Hall.
[20] Hair, J.F Jr., G.T.M. Hult, C.M. Ringle, dan M. Sarstedt. 2014. A Primer on Partial Least Squares
Structural Equation Modeling (PLS-SEM). Sage.
[21] MacKinnon, D.P. 2008. Introduction to Statistical Mediation Analysis. Lawrence Erlbaum
Associates.
[22] Meyers, L.S., G. Gamst, dan A.J. Guarino. 2005. Applied Multivariate Research, Design
and Interpretation. Sage.
[23] Mindrila, D. 2010, Maximum Likelihood (ML) and Diagonally Weighted Least Squares
(DWLS) Estimation Procedures: A Comparison of Estimation Bias with Ordinal and
Multivariate Non-Normal Data, International Journal of Digital Society (IJDS), Volume 1, Issue
1.
[24] Preacher, K. J dan Hayes, A. F., 2004. SPSS and SAS Procedures for Estimating Indirect
Effects in Simple Mediation Models. Behavior Research Methods, Instruments, & Computers, 36
(4), 717-731. Psychonomic Society, Inc.
[25] Preacher, K. J dan Leonardelli, G. J., 2006. Calculation for the Sobel Test: An Interactive
Calculation Tool for Mediation Tests. www.psych.ku.edu/ preacher/sobel/sobel.htm.
[26] Schumacker, R.E. dan R.G. Lomax. 2010. A Beginner's Guide to Structural Equation
Modeling, 3rd Edition. Rouletdge.
[27] Sholihin, M. dan D. Ratmono. 2013. Analisis SEM-PLS dengan WarpPLS 3.0 untuk
Hubungan Nonlinear dalam Penelitian Sosial dan Bisnis. Penerbit ANDI.
[28] Gio, P.U. dan Elly, Rosmaini, 2016, Belajar Olah Data dengan SPSS, Minitab, R, Microsoft
Excel, EViews, LISREL, AMOS dan SmartPLS, USUpress.
[30] Haryono, Siswoyo, 2017, Metode SEM untuk Penelitian Manajemen AMOS, LISREL PLS,
luxima.
52
[31] Ghozali, Imam, 2013, Aplikasi Analisis Multivariate dengan Program IBM SPSS 22 Update
PLS Regresi, Penerbit Universitas Diponegoro.
[32] Yves Rosseel (2012). lavaan: An R Package for Structural Equation Modeling. Journal of
Statistical Software, 48(2), 1-36. URL http://www.jstatsoft.org/v48/i02/.
[33] Gamst, G., L.S. Meyers, dan A.J. Guarino. 2008. Analysis of Variance Designs,
Computational Approach with SPSS and SAS. Cambridge: Cambridge University Press.
http://www.sthda.com/english/wiki/ggplot2-quick-correlation-matrix-heatmap-r-software-and-data-
visualization
http://www.sthda.com/english/wiki/ggcorrplot-visualization-of-a-correlation-matrix-using-ggplot2
https://briatte.github.io/ggcorr/
http://jamesmarquezportfolio.com/correlation_matrices_in_r.html
http://a-little-book-of-r-for-time-series.readthedocs.io/en/latest/src/timeseries.html
https://www.r-bloggers.com/plotting-time-series-data-using-ggplot2/
https://www.statmethods.net/advstats/timeseries.html
https://plot.ly/r/time-series/
https://plot.ly/ggplot2/facet/
http://ggplot2.tidyverse.org/reference/facet_grid.html
http://cookbook-r.com/Graphs/Facets_(ggplot2)/
http://www.sthda.com/english/wiki/ggplot2-facet-split-a-plot-into-a-matrix-of-panels
https://www3.nd.edu/~steve/computing_with_data/13_Facets/facets.html
https://www3.nd.edu/~steve/computing_with_data/13_Facets/facets.html
http://sape.inf.usi.ch/quick-reference/ggplot2/facet
https://cran.r-project.org/web/packages/shinythemes/index.html
https://cran.r-project.org/web/packages/lavaan/index.html
https://cran.r-project.org/web/packages/plspm/index.html
https://cran.r-project.org/web/packages/ggplot2/index.html
https://cran.r-project.org/web/packages/reshape2/index.html
53
https://cran.r-project.org/web/packages/dplyr/index.html
https://cran.r-project.org/web/packages/shiny/index.html
https://cran.r-project.org/web/packages/plyr/index.html
https://cran.r-project.org/web/packages/DT/index.html
https://cran.r-project.org/web/packages/doBy/index.html
https://cran.r-project.org/web/packages/GGally/index.html
https://cran.r-project.org/web/packages/plotrix/index.html
https://cran.r-project.org/web/packages/tseries/index.html
https://cran.r-project.org/web/packages/nortest/index.html
https://cran.r-project.org/web/packages/car/index.html
https://cran.r-project.org/web/packages/RVAideMemoire/index.html
https://cran.r-project.org/web/packages/plm/index.html
https://cran.r-project.org/web/packages/colourpicker/index.html
https://cran.r-project.org/web/packages/psych/index.html
https://cran.r-project.org/web/packages/DescTools/index.html
https://cran.r-project.org/web/packages/semPlot/index.html
54