Aplikasi Komputer Using SPSS 2018-2

APLIKASI KOMPUTER
Halaman 1 of 68
Halaman 2 of 68
Review:
Beberapa Konsep Dasar
Statistika
Oleh:
Dr. Yacob Ruru, M.Stats.
PENDAHULUAN [1]
Pengertian Statistik dan Statistika:

Statistik dapat berarti:
- Kumpulan angka-angka mengenai
suatu masalah, sehingga dapat
menggambarkan mengenai masalah
tersebut;
- Ukuran yang dihitung dari sekumpulan
data dan merupakan wakil dari data
itu.
2
Halaman 3 of 68
PENDAHULUAN [2]
Sedangkan Statistika berarti:

ilmu yang mempelajari tentang cara-
cara pengumpulan, pengolahan,
penyajian dan penganalisisan data,
serta penarikan kesimpulan yang
valid berdasarkan analisis yang
dilakukan pada data sampel.
3
PENDAHULUAN [3]
Statistika Menurut Fungsinya dibedakan menjadi

dua:
 Statistika Deskriptif (deduktif) adalah
statistika yang menyangkut
pengumpulan, penyajian, pengolahan dan
penganalisisan data.
 Statistika Inferensi (induktif) adalah
statistika yang menyangkut penarikan
kesimpulan yang valid mengenai
kelompok data yang lebih besar (populasi).
4
Halaman 4 of 68
PENDAHULUAN [4]
Statistika Inferensi (Induktif), dilandasi oleh

teori peluang, statistika jenis inilah yang
sangat diperlukan dalam penalaran ilmiah,
khususnya dalam penelitian. Karena inferensi
dilakukan terhadap populasi berdasarkan
sampel, maka kesimpulan yang ditarik
memiliki ketidakpastian (uncertainty)
VARIABEL DAN SKALA

PENGUKURANNYA [1]
 Variabel adalah suatu sifat atau karakteristik

dari suatu objek yang diukur atau dinilai.
 Berdasarkan kemampuan seseorang dalam
mengukur/menilai suatu variabel, ada 4 jenis
skala pengukuran yang dapat dicapai, yaitu:
(1) skala nominal, (2) skala ordinal, (3) skala
interval dan (4) skala rasio.
Halaman 5 of 68
VARIABEL DAN SKALA
PENGUKURANNYA [2]
 Suatu variabel yang hanya dapat membedakan

atau mengelompokkan dua atau lebih objek,
disebut berskala nominal. Misalnya jenis kelamin
(laki2, perempuan), suku (Papua, Non Papua).
 Bila suatu variabel selain dapat membedakan,
juga dapat menentukan rangking/urutan dua
atau lebih objek, maka variabel tersebut disebut
berskala ordinal. Misalnya, tingkat pendidikan
(TK, SD, SMP, SMA, PT), perilaku (baik sekali,
baik, buruk).
7
VARIABEL DAN SKALA

PENGUKURANNYA [3]
 Variabel yang dapat membedakan, menentukan

peringkat, dan memberikan jarak dari dua objek
atau lebih, disebut berskala interval. Misalnya,
suhu (0C), IQ, Indeks kemiskinan
 Variabel yang dapat membedakan, menentukan
peringkat, mempunyai jarak dan perbandingan
antara dua objek atau lebih, disebut berskala
rasio. Misalnya, berat badan, volume.
Halaman 6 of 68
VARIABEL DAN SKALA
PENGUKURANNYA [4]
 Jika nilai suatu variabel ditentukan oleh

kaidah peluang, maka variabel tersebut
disebut variabel acak.
 Variabel berskala nominal atau ordinal
disebut juga variabel atau data kualitatif.
 Variabel berskala interval atau rasio disebut
pula sebagai variabel atau data kuantitatif.
POPULASI DAN SAMPEL [1]
 Himpunan dari semua hasil

pengukuran/penilaian yang mungkin
diperoleh dari suatu variabel disebut
populasi. Banyaknya anggota populasi dapat
terhingga atau tak hingga.
 Suatu nilai yang besarnya ditentukan oleh
hasil pengukuran/penilaian yang mungkin
diperoleh dari suatu variabel disebut
parameter atau karakteristik populasi.
10
Halaman 7 of 68
POPULASI DAN SAMPEL [2]
 Sebagian dari populasi disebut sampel. Bila

sampel ini terambil/terpilih secara acak,
maka disebut sampel acak.
 Suatu nilai yang besarnya ditentukan oleh
hasil pengukuran/penilaian anggota sampel
disebut statistik. Misalnya, rata-rata berat
telur ayam yang dibeli di pasar. Statistik
biasanya dipakai sebagai penduga bagi
parameter populasi.
11
UKURAN PEMUSATAN [1]
 Suatu nilai yang mencerminkan “pusat” dari

semua nilai anggota populasi atau sampel
disebut ukuran pemusatan. Beberapa ukuran
pemusatan yang umum dipakai adalah: rata-
rata, median dan modus.
 Rata-rata: N
populasi dirumuskan:    xi / N
i 1
n
Sampel dirumuskan x   xi / n
i 1
12
Halaman 8 of 68
UKURAN PEMUSATAN [2]
 Median (M) adalah nilai data yang

terletak ditengah-tengah setelah data
diurutkan.
 Modus (Mo) adalah nilai data yang paling
sering muncul (frekuensinya paling
banyak).
 Rata-rata dan Median hanya mempunyai
satu nilai, tetapi modus bisa tidak ada,
bisa satu, atau lebih dari satu nilai.
13
UKURAN PENYEBARAN
 Ukuran penyebaran/dispersi yang paling

banyak digunakan adalah simpangan
baku
N
Populasi:    ( x   ) /( N  1)
i
2
i 1
n
Sampel : s  ( x  x)
i 1
i
2
/(n  1)
14
Halaman 9 of 68
PENGUJIAN HIPOTESIS [1]
 Hipotesis adalah suatu pernyataan tentang

nilai parameter populasi. Ada dua macam
hipotesis, yaitu: (1) Hipotesis Nol, disingkat
Ho, dan (2) Hipotesis alternatif, disingkat H1.
 Pengujian hipotesis adalah suatu cara
pengambilan keputusan manakah diantara
dua hipotesis yang dianggap benar.
Keputusan itu diambil berdasarkan data
sampel acak yang terambil dari populasi.
15
 Karena pengambilan keputusan berdasarkan

data sampel, maka kesimpulan yang diambil
dapat keliru atau salah.
 Ada duan jenis kekeliruan yang dapat terjadi
dalam suatu pengujian hipotesis, yaitu
kekeliruan jenis pertama dan kekeliruan jenis
kedua (Type I Error dan Type II Error).
16
Halaman 10 of 68
 Kekeliruan jenis pertama terjadi bila

hipotesis yang dianggap benar adalah H1,
padahal yang benar adalah Ho. Jadi Ho
ditolak, padahal Ho itu benar. Peluang
terjadi kekeliruan jenis ini sebesar .
17
 Kekeliruan jenis kedua terjadi bila hipotesis

yang dianggap benar adalah Ho, padahal
yang benar adalah H1. Jadi Ho diterima,
padahal H1 yang benar. Peluang terjadi
kekeliruan jenis ini sebesar β.
 Dalam pengujian suatu hipotesis, yang dapat
dikendalikan atau ditetapkan adalah
besarnya  (seringkali dipilih 5% atau 1%),
sedangkan β biasanya tidak diketahui.
18
Halaman 11 of 68
Hipotesis Nol (Ho)

Keputusan
Benar Salah
Kesalahan Keputusan
Tolak Ho
Jenis I (α) Benar
Keputusan Kesalahan
Terima Ho
Benar Jenis II (β)
19

Uji Rata-rata satu sampel
Daerah
No Ho Uji Statistik Ha
Kritis
x  0
Z  < o Z  Z
 = o / n
1  > o Z  Z
 diketahui  ≠ o Z  Z /2
t   t
 = o x  0  < o
t t  t
2  Tidak s/ n  > o
 ≠ o t  t / 2
diketahui
20
Halaman 12 of 68
Uji Rata-rata Dua sampel
Daerah
Ho Uji Statistik Ha Kritis
( x1  x1 )  d 0 1 - 2 < d0
Z  Z  Z
1 - 2 = d0 ( 12 / n 1 )  ( 2
2 / n2 )
1 - 2 > d0 Z  Z
1 dan  2 diketahui 1 - 2 ≠ d0 Z  Z /2
( x1  x1 )  d 0
1 - 2 = d0 t  1 - 2 < d0 t   t
sp (1 / n 1 )  (1 / n 2 )
1 - 2 > d0 t  t
   tidak diketahui
1 - 2 ≠ d0
1 2
v  n1  n 2  2
t  t / 2
21

Daerah
( n 1  1) s 12  ( n 2  1) s 22
s 2p 
n1  n 2  2
1 - 2 = d0 t' 
( x1  x1 )  d 0 1 - 2 < d0 t   t
( s 12 / n 1 )  ( s 22 / n 2 )
1 - 2 > d0 t  t
    dan  tidak  diketahui
1 - 2 ≠ d0 t  t
1 2
/2
22
Halaman 13 of 68
Daerah
( s 12 / n 1  s 22 / n 2 ) 2
v 
( s 12 / n 1 ) 2 (s 2 / n2 )2
 2
n1  1 n2  1
d  d0
0 = d0 t  0 < d0 t   t
sd0 n
v  n  1 0 > d0 t  t
Pengamatan berpasangan
0 ≠ d0 t  t /2
23
ANALISIS VARIANS [1]
 Untuk menguji perbedaan rata-rata lebih dari 2

sampel digunakan analisis varians (ANOVA)
 Dalam tulisan ini hanya akan diuraikan analisis
varainsi untuk model klasifikasi satu arah atau
model rancangan acak lengkap (RAL).
 Satuan-satuan perobaan dalam model ini kurang
lebih homogen, sehingga keragaman responsnya
hanya ditentukan oleh perlakuan yang diberikan
dan pengaruh galat yang timbul secara acak pada
setiap satuan percobaan.
24
Halaman 14 of 68
 Misalnya ada n satuan percobaan yang kira-kira

homogen. Perlakuan 1,2,3,...,p masing-masing
diberikan pada n1, n2, ..., np (n1 + n2.+ ...+ np= n).
Pemberian perlakuaan pada satuan-satuan
percobaan tsb ditentukan secara acak.
 Model: y      
ij i ij
i  1,2,..., p;
j  1,2,...ni
25
 Tabel ANOVA
Sumber db JK KT Fhit
Keragaman
Perlakuan P-1 JKperl KTperl ....
Sisa p(n-1) JKsisa KTsisa
Total np - 1 JKtot
26
Halaman 15 of 68
 Interpretasi:
Jika Fhit > Ftabel, maka tolak Ho, sebaliknya
terima Ho.
Ho : 1   2  ...   p  0
H1 : palingsedikitsepasang ;  i   j , (i  j )
27
Bagan Perbandingan antar Kelompok
Jenis Data: Kategori atau Kontinu
Data kategori: bandingkan proporsi antar Data Kontinu: bandingkan rata-rata antar
kelompok kelompok
Dua atau lebih kelompok, Berapa kelompok?

bandingkan dengan chi-square
test. Dua kelompok; data Tiga kelompok; data
normal?, varians normal?
sama?
Data tidak normal; Data Normal; use Data tidak normal;
gunakan Wilcoxon test. Data Normal; ANOVA use Kruskal Wallis
gunakan uji t
28
Halaman 16 of 68
Regresi Linear [1]
 Suatu model yang menggambarkan hubungan
fungsional antara rata-rata populasi dengan salah
satu variabel, maka disebut model regresi
 Bila model mempunyai hubungan fungsional dengan
hanya satu variabel bebas, maka disebut regresi
linear sederhana.
 Model:  yx     x
Dalam hal ini yx = rata-rata populasi Y bila variabel X = x
29
Regresi Linear [2]

 Model untuk satu nilai yi yang terambil secara acak
dari populasi Y, dan varaibel X=xi , adalah:
y i     xi   i (i = 1,2,3, ..., n)
 Sebagai penduga bagi yi     xi   i
Digunakan yi  a  bxi  ei
Nilai a dan b sebagai penduga bagi  dan β diperoleh berdasarkan
data sampel acak dengan metode Kuadrat Terkecil
30
Halaman 17 of 68
Korelasi [1]
 Model regresi memberikan bagaimana bentuk
hubungan antara rata-rata variabel acak Y dengan
variabel X. Korelasi membicarakan keeratan
hubungan linear antara dua variabel X dan Y
 Hubungan linear antara variabel X dan Y diukur
dengan “koefisien korelasi ” yang dirumuskan
sebagai
N 
 ( xi   x )( yi   y )
  i 1 
 N
2 
N
2
 ( xi   x )   ( yi   y ) 
 i 1   i 1 
31
Korelasi [2]
 Perlu dicatat bahwa adanya hubungan korelasi belum
tentu merupakan hubungan sebab akibat (cause and
effect). Tetapi, sebaliknya adanya hubungan sebab-
akibat, akan memperlihatkan hubungan korelasi
 Berdasarkan data sampel acak, “koefisien korelasi ”

diduga dengan r (koef korelasi produk momen dari
Pearson), dengan persamaan:
 n 
 ( xi  x )( yi  y )
r  i 1 
 n
2 
n
2
 ( xi  x )   ( yi  y ) 
 i 1   i 1 
32
Halaman 18 of 68
BENTUK-BENTUK HUBUNGAN
b kecil, r kecil b kecil, r besar
b besar, r kecil b besar, r besar
33
34
Halaman 19 of 68
Halaman 20 of 68
Peranan Statistika Dalam Penelitian
(Oi  Ei )
m 2
2  
i 1 Ei
Oleh:
Dr. Yacob Ruru, M.Stats.
PENDAHULUAN [1]
 Apa itu Statistika?
 Dalam arti sempit, statistika dikenal
sebagai salah satu cabang ilmu
tentang pengumpulan, penyajian
dan analisis data
 Namun sebenarnya cakupan
statistika jauh lebih luas lagi,
khususnya dalam penelitian.
2
Halaman 21 of 68
PENDAHULUAN [2]
 Dalam penelitian, statistika sudah
berperan mulai pada tahap
perumusan masalah, perencanaan,
pengumpulan dan analisa data, serta
interpretasi dan penarikan kesimpulan
 Selain dalam penelitian, statistika juga
banyak digunakan diberbagai bidang
ilmu untuk berbagai keperluan, mslnya
pada monitoring, evaluasi, dll.
3
PENDAHULUAN [3]
 Apa itu penelitian?
 Penelitian merupakan suatu proses
belajar yang terarah yang ditentukan
oleh tujuan dari penelitian tersebut.
 Tujuan penelitian dapat dijabarkan
menjadi seperangkat pertanyaan yang
ingin dicari jawabannya melalui suatu
penelitian
4
Halaman 22 of 68
PENDAHULUAN [4]
 Secara singkat, statistika berperan
dalam memberikan beberapa solusi
yang dapat membantu peneliti
memelihara upaya yang dilakukan
tetap berada pada jalur yang benar
 Tanpa statistika, penelitian tetap dapat
dilakukan, namun dapat memberikan
kesimpulan yang salah.
5
KETERBATASAN STATISTIKA [1]

1. Penggunaan statistika tidak dapat
meluruskan kecorobohan atau
kecurangan yang dilakukan seseorang
dalam pengumpulan dan analisis data,
atau penarikan kesimpulan yang tidak
didukung oleh kenyataan.
2. Statistika bukanlah suatu metode yang
dapat mendukung setiap pendapat
yang ingin ditunjukkan kebenarannya.
6
Halaman 23 of 68
KETERBATASAN STATISTIKA [2]
3. Statistika tidak dapat menggantikan
fungsi penalaran yang digunakan
dalam suatu bidang ilmu, atau
penelaahan khusus pada kasus-kasus
yang luar biasa.
4. Statistika tidak dapat menggantikan
fungsi pengukuran yang cermat, atau
pembuatan instrumen pengumpul data
dan teknik wawancara yang baik.
7
PENYALAH-GUNAAN STATISTIKA
1. Statistika digunakan untuk membenarkan
pendapat atau hipotesis tertentu, kalau
perlu dengan memanipulasi data/fakta yang
kurang mendukung hipotesis tersebut.
2. Statistika digunakan tanpa memperhatikan
persyaratan atau asumsi yang
mendasarinya, sehingga menghasilkan
kesimpulan yang keliru.
3. Statistika digunakan untuk mengelabui
konsumen
8
Halaman 24 of 68
PERANAN STATISTIKA DALAM
PERUMUSAN MASALAH
1. Perumusan masalah merupakan langkah
yang sangat penting dalam suatu penelitian
2. Beberapa bagian atau sebagian besar dari
masalah ini seringkali dapat diterjemahkan
dalam bahasa statistika dlm bentuk model.
3. Dalam penyusunan model statistika perlu
diperhatikan apakah penelitian yang
dihadapi bersifat deskriptif, sebab-akibat,
dan/atau prediktif.
9

PERENCANAAN PENELITIAN [1]
Beberapa aspek statistika dalam perencanaan
penelitian meliputi:
 Pemilihan unit atau sampel yang akan
diamati, dapat berupa rancangan
percobaan atau rancangan sampel
 Pemilihan variabel dan rencana
pengukurannya pada unit-unit yang terpilih
sebagai sampel, termasuk pembuatan alat
ukurnya.
10
Halaman 25 of 68
PERENCANAAN PENELITIAN [2]
3. Penyusunan organisasi pelaksanaan

penelitian.
4. Perencanaan pengawasan mutu data,
termasuk rencana pemeriksaan instrumen,
pelatihan petugas, supervisi proses
pengumpulan data, serta pemeriksaan
kekonsistenan data.
5. Rencana analisis data
11

PENGUMPULAN DATA
 Pelaksanaan rencana pemilihan sampel,
pengukuran variabel, serta pengawasan
mutu proses dan hasil pengumpulan data.
 Penyesuaian atau modifikasi rencana, bila
rencana tersebut tidak dapat sepenuhnya
dilaksanakan.
 Pengumpulan data tambahan utk
mempertajam analisis.
 Penyimpanan dan pengamanan data yang
telah terkumpul.
12
Halaman 26 of 68
ANALISIS DATA [1]
 Peranan statistika sangat menonjol dalam
tahap analisis data.
 Pada dasarnya analsis statistika diarahkan
untuk menjawab seperangkat pertanyaan
yang telah diajukan sebelumnya
 Berbagai teknik analisis telah tersedia,
tetapi pilihlah teknik yang Anda kuasai dan
yang memang sesuai dengan kebutuhan.
 Hasil analisis dari teknik yang sederhana
biasanya lebih mudah ditafsirkan.
13

ANALISIS DATA [2]
5. Hasil analisis perlu diterjemahkan dari

bahasa statistika ke dalam bahasa yang
biasa digunakan dalam bidang ilmu yang
diteliti.
6. Untuk para peneliti perlu memahami teknik
analisis yang digunakan dan menguasai
bidang ilmunya.
14
Halaman 27 of 68
PENARIKAN KESIMPULAN
 Penggunaan statistika yang benar
memungkinkan membuat generalisasi dari
kesimpulan yang dihasilkan.
 Kesimpulan yang benar dari hasil analisis,
menolong peneliti dalam pengambilan
keputusan.
 Dari lingkup populasi sasaran, rancangan
sampel/percobaan dan teknik analisis yang
digunakan akan dapat diketahui
keterbatasan hasil-hasil penelitian.
15
 Statistika merupakan suatu alat yang dapat

digunakan untuk membuat kegiatan penelitian
dapat berjalan dengan efisien.
 Sebagai suatu alat, penggunanya perlu
mengetahui spesifikasi alat ini dan persyaratan
yang diperlukannya.
 Pengguna juga perlu mengenal lingkungan
dimana alat ini akan digunakan.
 Pengguna alat ini akan menentukan apakah
alat ini akan digunakan sebagaimana mestinya
ataukah akan disalah-gunakan.
16
Halaman 28 of 68
Halaman 29 of 68
LAMPIRAN 1
UJI HIPOTESIS
Uji t untuk rata-rata satu sampel (One Sample T Test)
Uji hipotesis adalah bagian dari Statistika Inferensi yang digunakan untuk keperluan
pengambilan kesimpulan terhadap populasi berdasarkan informasi yang diperoleh dari sampel.
Pengujian satu sampel pada dasarnya ingin menguji apakah suatu nilai tertentu yang diberikan
sebagai pembanding berbeda secara nyata ataukah tidak dengan rata-rata sebuah sampel.
Contoh Kasus:
Suatu studi dilakukan terhadap 25 orang dari kota A yang telah meninggal karena usia lanjut
untuk mengetahui apakah usia harapan hidup masyarakat di kota tersebut berbeda dengan usia
harapan hidup secara nasional, yaitu 64 tahun. Data tentang umur ke-25 orang tersebut dicatat
pada saat meninggal dunia adalah seperti pada table berikut ini:
Tabel 1. Umur pada saat meninggal 25 orang manula dari kota A.

--------------------------------------------------------------------------------------------------------------
Umur (thn) umur (thn) umur (thn) umur (thn) umur (thn)
--------------------------------------------------------------------------------------------------------------
76.65 64.53 67.29 67.33 83.76
83.24 84.19 58.35 59.00 70.31
63.12 65.27 72.92 69.29 65.52
67.61 63.93 85.55 75.26 68.96
74.23 73.27 63.76 73.32 65.78
--------------------------------------------------------------------------------------------------------------
Ujilah apakah usia harapan hidup penduduk kota tersebut sama dengan usia harapan hidup secara
nasional yang ditetapkan? Gunakan taraf signifikansi  sebesar 5%.
Prosedur Uji:
1. Tentukan hipotesis nol dan alternatifnya:
H0 :  = 64 (rata-rata usia harapan hidup penduduk kota A sama dengan rata-
rata usia harapan hidup secara nasional)
H1 :  ≠ 64 (rata-rata usia harapan hidup penduduk kota A tidak sama (berbeda
nyata) dengan rata-rata usia harapan hidup secara nasional)
2. Tentukan taraf signifikansi , yaitu sebesar 5%.

3. Karena varians populasi tidak diketahui, maka uji statistik yang digunakan adalah uji t.
Analisis menggunakan SPSS

 Pemasukan Data ke SPSS
Data yang ada diatas harus diubah formatnya jika akan digunakan dalam analisis
menggunakan SPSS, beri nama variabel dengan umur, sebagai berikut:
Halaman 30 of 68
umur
1 76.65
2 83.24
3 63.12
4 67.61
5 74.23
6 64.53
7 84.19
8 65.27
9 63.93
10 73.27
11 67.29
12 58.35
13 72.92
14 85.55
15 63.76
16 67.33
17 59.00
18 69.29
19 75.26
20 73.32
21 83.76
22 70.31
23 65.52
24 68.96
25 65.78
 Pengolahan Data dengan SPSS

Langkah-langkahnya:
1. Buka lembat kerja/file dari data kasus diatas, atau kalau sudah terbuka ikuti
langkah berikut:
2. Dari baris menu pilih menu Analyze, kemudian pilih submenu Compare
Means.
3. Dari serangkaian pilihan test, sesuai kasus pilih One-Sample T Test…
4. Setelah kotak dialog box dari One Saple T Test terbuka, klik variable umur dan
klik tanda  untuk memindahkannya ke kotak Test Variable(s).
5. Karena akan diuji nilai hipotesis 64, maka ketik 64 di kotak Test Value.
6. Karena taraf signifikansi yang dipilih adalah sebesar 5%, maka sebagai default,
SPSS akan menggunakan tingkat kepercayaan 95% (Confidence Interval).
7. Klik OK
Halaman 31 of 68
 Output SPSS dan Analisisnya:
Berikut adalah output SPSS untuk uji t: One Saple T Test…
T-Test
One-Sample Statistics
Std. Error
N Mean Std. Deviation Mean
UMUR 25 70.4974 7.6732 1.5346
One-Sample Test
Test Value = 64
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
UMUR 4.234 24 .000 6.4974 3.3301 9.6648
Output Bagian Pertama (One-Sample Statistics)

Pada bagian pertama terlihat ringkasan statistik dari variabel umur. Terlihat
bahwa rata-rata umur ke-25 orang tersebut adalah 70,497 dengan standard deviasi 7,673
dan standard error mean 1,534.
Output Bagian Kedua (One-Sample Test)

Pada bagian ini adalah hasil uji statistik t untuk menguji apakah H 0 atau H1 seperti
yang dirumuskan di atas ditolak atau diterima. Terlihat bahwa t=4,234 dengan df=24 dan
sig.(2-tailed)=0.000. Dengan membandingkan p-value (sig.(2-tailed)), terlihat bahwa p-
value lebih kecil dari taraf signifikansi =5% yang dipilih. Sehingga kita dapat
menyimpulkan bahwa hipotesis nol (H0) ditolak. Dengan kata lain rata-rata usia harapan
hidup penduduk kota A tidak sama (berbeda nyata) dengan rata-rata usia harapan hidup
secara nasional). Kita juga dapat mengatakan bahwa rata-rata usia harapan hidup
penduduk kota A lebih tinggi (lebih baik) dari rata-rata usia harapan hidup yang
ditetapkan secara nasional.
Halaman 32 of 68
BANDINGKAN HASILNYA DENGAN PROGRAM MINITAB 13.0
One-Sample T: umur
Test of mu = 64 vs mu not = 64
Variable N Mean StDev SE Mean

umur 25 70,50 7,67 1,53
Variable 95,0% CI T P
umur ( 67,33; 73,67) 4,23 0,000
Histogram of umur
(with Ho and 95% t-confidence interval for the mean)
3
Frequency
0 _
Ho X
[ ]
60 70 80 90
umur
Halaman 33 of 68
LAMPIRAN 2
UJI HIPOTESIS
Uji t – untuk perbedaan rata-rata 2 sampel (Independent-Sample T Test)
Uji hipotesis untuk perbedaan 2 rata-rata populasi dapat dilakukan dengan asumsi bahwa
kedua sampEl berasal dari populasi yang berdistribusi normal. Disamping itu, individu-individu
dari kedua populasi adalah independent satu dengan lainnya. Pengujian dua sampEl pada
dasarnya ingin membandingkan perbedaan rata-rata dari kedua populasi.
Contoh Kasus:
Suatu penelitian dilakukan untuk menentukan apakah ada perbedaan kandungan besi antara
analisis kimia secar laboratorium dengan analisis pendar fluor sinar-x. Dua kelompok dengan
masing-masing lima sampel zat yang mengandung besi diuji. Berikut ini diberikan data yang
telah disandi yang menunjukkan analisis kandungan besi.
Sampel
Analisis
1 2 3 4 5
Sinar-X 2,0 2,0 2,3 2,1 2,4
Kimia 2,2 1,9 2,5 2,3 2,4
Bila dianggap populasinya normal, ujilah pada taraf keberartian 5% apakah kedua cara analsis
memberikan rata-rata hasil yang sama?
Prosedur Uji:
H0 : 1 = 2 (kedua cara analisis memberikan rata-rata kandungan besi sama)
H1 : 1 ≠ 2 (kedua cara analisis memberikan rata-rata kandungan besi berbeda)
3. Karena varians populasi tidak diketahui, maka uji statistik yang digunakan adalah uji t.

Langkah-langkah pemasukan data ke SPSS adalah sama dengan pembahasan terdahulu,
dengan ketentuan: variabel k_besi ditempatkan pada kolom pertama, dan variable metode
pada kolom kedua, dengan kode sinar-x = 1, kimia = 2..
k_besi metode
1 2,0 1
2 2,0 1
3 2,3 1
4 2,1 1
5 2,3 1
6 2,2 2
7 1,9 2
8 2,5 2
9 2,3 2
10 2,4 2
Halaman 34 of 68
Langkah-langkahnya:
a. Buka lembat kerja/file dari data kasus diatas, atau kalau sudah terbuka ikuti
langkah berikut:
b. Dari baris menu pilih menu Analyze, kemudian pilih submenu Compare
Means.
c. Dari serangkaian pilihan test, sesuai kasus pilih Independent-Sample T Test…
d. Setelah kotak dialog box dari One Saple T Test terbuka, klik variable k_besi dan
klik tanda  untuk memindahkannya ke kotak Test Variable(s).
e. Klik variable metode dan pindahkan ke kotak Grouping Variable, kemudia klik
Define Groups.. dan selanjutnya ketik 1 di kotak Group 1: dan 2 di kotak Group
2:
f. Karena taraf signifikansi yang dipilih adalah sebesar 5%, maka sebagai default,
SPSS akan menggunakan tingkat kepercayaan 95% (Confidence Interval), klik
options untuk mengeceknya,
g. Klik OK dan selanjutnya SPSS akan memprosesnya.

Berikut adalah output SPSS untuk uji t: Independent One Saple T Test…
T-Test
Group Statistics
Std. Error
Metode Analisis N Mean Std. Deviation Mean
Kandungan Besi Sinar-X 5 21,40 1,52 ,68
Kimia 5 22,60 2,30 1,03
Independent Samples Test
Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
Kandungan Besi Equal variances
,395 ,547 -,973 8 ,359 -1,20 1,23 -4,04 1,64
assumed
Equal variances
-,973 6,922 ,363 -1,20 1,23 -4,12 1,72
not assumed
INTERPRETASI OUTPUT:
Output Bagian Pertama (Group Statistics)

Pada bagian pertama terlihat ringkasan statistik dari variable kandungan besi.
Terlihat bahwa rata-rata kandungan besi kelompok sinar-x adalah 21,40 dengan std
1,52, kelopok kimia adalah 22,60 dengan std 2,30. Secara deskriptif dapat kita katakana
bahwa ada perbedaan kandungan besi antar kedua metode, yaitu sebesar 1,20.
Pertanyaan, apakah perbedaan sebesar 1,20 secara statistic adalah nyata?
Halaman 35 of 68
Output Bagian Kedua (Independent Sample Test)
Pada bagian ini ada dua uji statistic, yaitu uji kesamaan varians yang diperlihatkan
pada kolom “Levene’s Test for Equality of Variances” (F=0,396; sig. =0,547) dan uji-t.
Karena hasil uji varians adalah sama, maka nilai t-hitung yang diambil adalah nilai yang
terletak pada baris pertama, yaitu t = -0,973 dengan sig.(2-tailed) = 0,369. Karena sig. >
 =0,05, maka simpulkan, tidak perbedaan yang nyata kandungan besi antara metode
sinar-x dan metode kimia.
BANDINGKAN HASILNYA DGN PROGRAM MINITAB 13,0
Two-Sample T-Test and CI: k_besi; metode
Two-sample T for k_besi
metode N Mean StDev SE Mean

1 5 21,40 1,52 0,68
2 5 22,60 2,30 1,0
Difference = mu (1) - mu (2)

Estimate for difference: -1,20
95% CI for difference: (-4,22; 1,82)
T-Test of difference = 0 (vs not =): T-Value = -0,97 P-Value = 0,368 DF = 6
Boxplots of k_besi by metode

(means are indicated by solid circles)
25
24
23
k_besi
22
21
20
19
1 2
metode
Halaman 36 of 68
LAMPIRAN 3
UJI HIPOTESIS
One Way ANOVA (Analysis of Variance)
Jika Uji t digunakan untuk pengujian dua sampel, maka uji F atau ANOVA digunakan
untuk pengujian dua atau lebih sampel. Asumsi-asumsi yang perlu diperhatikan pada pengujian
ANOVA adalah:
1. Sampel-sampel yang akan diuji haruslah berasal dari populasi-populasi yang berdistribusi
normal;
2. Sampel-sampel yang akan diuji adalah indpenden satu dengan yang lain.
Contoh Kasus:
Suatu studi dilakukan untuk membandingkan efektifitas suatu perlakuan yang diterapkan untuk
menolong seseorang untuk berhenti merokok. Satu kelompok perokok diberi perlakukan A,
kelompok kedua diberi perlakuan B, dan kelompok ketiga, kelompok C, tidak diberi perlakukan
(kelompok kontrol). Variabel dependen dari studi ini adalah banyaknya rokok yang dikonsumsi
selama masa perlakuan dijalankan. Ujilah perlakuan mana yang lebih efektif dalam mengurangi
konsumsi rokok.
Tabel 3. Data untuk One Way ANOVA
KELOMPOK 1 KELOMPOK 2 KELOMPOK 3

28 22 33
0 31 44
17 26 29
20 30 40
35 34 33
19 37 25
24 0 22
0 19 43
41 24 29
16 27 32
Prosedur Uji:
H0 : 1 = 2 = 3 (rata-rata konsumsi rokok ketiga kelompok 1, 2, dan 3
adalah sama)
H1 : 1 ≠ 3 dan/atau 2 ≠ 3
3. Jika hasil ANOVA menunjukkan ada perbedaan, lakukan uji lanjutan untuk mengetahui
apakah perlakuan A atau perlakuan B lebih efektif atau sebaliknya, gunakan Dunnet test.
Halaman 37 of 68
Data yang ada diatas harus diubah formatnya jika akan digunakan dalam uji ANOVA
dengan SPSS sebagai berikut:
rokok kelompok
1 28 1
2 0 1
3 17 1
4 20 1
5 35 1
6 19 1
7 24 1
8 0 1
9 41 1
10 16 1
11 22 2
12 31 2
13 26 2
14 30 2
15 34 2
16 37 2
17 0 2
18 19 2
19 24 2
20 27 2
21 33 3
22 44 3
23 29 3
24 40 3
25 33 3
26 25 3
27 22 3
28 43 3
29 29 3
30 32 3

Langkah-langkahnya:
langkah berikut:
b. Dari baris menu pilih menu Analyze, kemudian pilih submenu Compare
Means.
c. Dari serangkaian pilihan test, sesuai kasus pilih One-Way ANOVA…
Halaman 38 of 68
d. Setelah kotak dialog box dari One-Way ANOVA terbuka, klik variable rokok
dan klik tanda  untuk memindahkannya ke kotak Dependent List, dan variabel
kelompok dipindahkan ke kotak Factor;
e. Klik options, dan selanjutnya klik Descriptive dan Homogeneity-of-Variance
untuk menampilkan statistic deskriptifnya dan uji kesamaan varians;
f. Klik Post-Hoc, dan selanjutnya klik Dunnet untuk menampilkan uji keberartian
perbandingan (Dunnet digunakan karena ada kelompok kontrol);
g. Klik OK untuk memprosesnya.

Berikut adalah output SPSS untuk uji One-Way ANOVA…
Oneway
Descriptives
ROKOK
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
1 10 20.00 13.22 4.18 10.55 29.45 0 41
2 10 25.00 10.34 3.27 17.60 32.40 0 37
3 10 33.00 7.36 2.33 27.73 38.27 22 44
Total 30 26.00 11.57 2.11 21.68 30.32 0 44
Test of Homogeneity of Variances
ROKOK
Levene
Statistic df1 df2 Sig.
.858 2 27 .435
ANOVA
ROKOK
Sum of
Squares df Mean Square F Sig.
Between Groups 860.000 2 430.000 3.842 .034
Within Groups 3022.000 27 111.926
Total 3882.000 29
Halaman 39 of 68
Post Hoc Tests
Multiple Comparisons
Dependent Variable: ROKOK

a
Dunnett t (2-sided)
Mean
Difference 95% Confidence Interval
(I) KELOMPOK (J) KELOMPOK (I-J) Std. Error Sig. Lower Bound Upper Bound
1 3 -13.00* 4.73 .020 -24.04 -1.96
2 3 -8.00 4.73 .178 -19.04 3.04
*. The mean difference is significant at the .05 level.
a. Dunnett t-tests treat one group as a control, and compare all other groups against it.
Output Bagian Pertama (Descriptive)

Pada bagian pertama terlihat ringkasan statistik dari variable rokok. Terlihat
bahwa rata-rata konsumsi rokok kelompok 1 adalah 20, kelopok 2 adalah 25, dan
kelompok 3 adalah 33. Dari ketiganya terlihat bahwa rata-rata konsumsi kelompok 1
lebih sedikit dari keompok 2 dan 3. Secara deskriptif dapat kita katakana bahwa
perlakuan A lebih efektif dibandingkan perlakuan B dalam mengurangi konsumsi rokok.
Output Bagian Kedua (Test of Homogeneity of Variances)

Pada bagian ini adalah hasil dari uji kesamaan varians. Karena sig.=0.435 >  =
0.05, maka disimpulkan bahwa ketiga sample mempunyai varians yang sama.
Output Bagian Ketiga (Anova)

Pada bagian ini adalah hasil uji statistik ANOVA untuk menguji apakah H0 atau
H1 seperti yang dirumuskan di atas ditolak atau diterima. Terlihat bahwa F=3,842 dengan
sig.=0.034. Dengan membandingkan p-value (sig.), terlihat bahwa p-value lebih kecil
dari taraf signifikansi =5% yang dipilih. Sehingga kita dapat menyimpulkan bahwa
hipotesisi nol (H0) ditolak. Dengan kata lain rata-rata konsumsi rokok ketiga kelompok
tidak sama (berbeda nyata). Dengan demikian dapat dilakukan uji lanjutan, untuk
mengetahui perlakuan mana yang lebih efektif.
Output Bagian Keempat (Multiple Comparisons)

Pada bagian ini adalah hasil uji Multiple Comparisons untuk menguji perlakuan
mana yang lebih efektif. Terlihat bahwa kelompok 1 dan kelompok 3 berbeda nyata
(sig.=0.020), dibandingkan dengan anatar kelompok 2 dan kelompok 3 (sig.=0.178).
Dengan demikian dapat disimpulkan bahwa perlakuan A (kelompok 1) lebih efektif
dibandingkan perlakuan B (kelompok 2) dalam mengurangi konsumsi rokok.
Halaman 40 of 68
ANALISIS MENGGUNAKAN MINITAB 13.0
One-way ANOVA: rokok versus kelompok
Analysis of Variance for rokok

Source DF SS MS F P
kelompok 2 860 430 3,84 0,034
Error 27 3022 112
Total 29 3882
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev ----+---------+---------+---------+-
1 10 20,00 13,22 (--------*--------)
2 10 25,00 10,34 (-------*--------)
3 10 33,00 7,36 (-------*--------)
----+---------+---------+---------+--
Pooled StDev = 10,58 16,0 24,0 32,0 40,0
Boxplots of rokok by kelompok

(means are indicated by solid circles)
45
40
35
30
25
rokok
20
15
10
kelompok
1
Halaman 41 of 68
LAMPIRAN 4
ANALISIS REGRESI LINEAR SEDERHANA
Analisis regresi adalah salah satu analisis statistik yang memanfaatkan hubungan antara
dua variable atau lebih. Dalam praktek, kerapkali kita ingin melihat ketergantungan suatu
variabel Y (yang biasanya disebut variabel dependen atau respons) pada satu atau lebih variabel
X1, X2, ..., Xk (yang biasa disebut variabel indpenden atau prediktor). Pada analisis regresi
sederhana, akan diamati hubungan/pengaruh satu variabel bebas X terhadap variabel tak bebas
Y. Model persamaan regressi populasinya adalah Y   0   1 X   , dan persamaan ini akan
diestimasi dari data sampel dengan persamaan y  b0  b1 x .
Contoh Kasus:
Judul Penelitian:
Pengaruh Curah Hujan terhadap Tingkat Polusi Udara di Kota A
Rumusan Masalah:
Apakah ada pengaruh curah hujan terhadap tingkat polusi udara di Kota A?
Tujuan Penelitian:
Untuk mengetahui apakah ada pengaruh curah hujan terhadap tingkat polusi udara di Kota A.
Analisis Data:
Analisis data menggunakan analisis regresi lnear sederhana (karena kedua variable berskala
interval/rasio).
Pengumpulan Data:
Data dikumpulkan dari hasil pengukuran yang dilakukan pada 9 titik secara random, kemudian
dirangkum dalam tabel berikut:
X, Curah Hujan Per Hari Y, Polusi Udara
No
(0,01 inchi) (microgram per m3)
1 4,3 128
2 4,5 121
3 5,9 116
4 5,6 118
5 6,1 114
6 5,2 118
7 3,8 132
8 2,1 141
9 7,5 108
Halaman 42 of 68
Prosedur Uji:
H0 : 1 = 0 (tidak ada pengaruh curah hujan terhadap tingkat polusi udara di Kota
A)
H1 : 1 ≠ 0 (ada pengaruh curah hujan terhadap tingkat polusi udara di Kota A)
Analisis Data menggunakan SPSS

x y
1 4,3 128
2 4,5 121
3 5,9 116
4 5,6 118
5 6,1 114
6 5,2 118
7 3,8 132
8 2,1 141
9 7,5 108

Langkah-langkahnya:
langkah berikut:
b. Dari baris menu pilih menu Analyze, kemudian pilih submenu Regression;
c. Kemudian dari sub menu Regression, pilih Linear;
d. Setelah kotak dialog box dari Linear Regression terbuka, klik variable y dan klik
tanda  untuk memindahkannya ke kotak Dependent:, dan variabel x
dipindahkan ke kotak Independent(s):;
e. Klik OK untuk memprosesnya.
Halaman 43 of 68
Berikut adalah output SPSS untuk Linear Regression…
Regression
b
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 Curah a
. Enter
Hujan
a. All requested variables entered.
b. Dependent Variable: Polusi Udara
Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .977 a .955 .948 2.3141
a. Predictors: (Constant), Curah Hujan
ANOVA b
Sum of
Model Squares df Mean Square F Sig.
1 Regression 788.071 1 788.071 147.166 .000 a
Residual 37.485 7 5.355
Total 825.556 8
a. Predictors: (Constant), Curah Hujan
b. Dependent Variable: Polusi Udara
a
Coefficients
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 153.761 2.747 55.975 .000
Curah Hujan -.640 .053 -.977 -12.131 .000
a. Dependent Variable: Polusi Udara
Halaman 44 of 68
Output Bagian Pertama (Variable Entered/Removed)

Pada bagian pertama terlihat bahwa hanya ada satu variable independent yang
dimasukkan dalam model, yaitu variable curah hujan.
Output Bagian Kedua (Model Summary)

Pada bagian ini diperlihatkan kuantitas R = 0,977 yang berarti kedua variable
mempunyai keeratan hubungan yang sangat tinggi. Sedangkan R-Square = 0,955
menunjukkan bahwa tingkat polusi udara dipengaruhi oleh curah hujan sebesar 95,5%,
sedangkan sisanya sebesar 4,5% disebabkan factor lain.

Pada bagian ini memberi pesan kepada kita bahwa paling tidak ada satu atau
kedua parameter 0 dan 1 tidak sama dengan nol. Hal ini diperlihatkan oleh Uji F =
147,66 dengan sig. = 0,000.
Output Bagian Keempat (Coefficients)

Pada bagian ini adalah hasil uji hipotesis parameter 0 dan 1. Untuk pengujian
parameter 1 diperoleh nilai dugaan sebesar -0,640 pada uji t = -12,131 dengan
sig.=0,000 yang berarti ada pengaruh yang negatif curah hujan terhadap tingkat polusi
udara di Kota A. Semakin tinggi curah hujan, semakin berkurang tingkat polusi udara.
Untuk pengujian parameter 0, diperoleh nilai dugaan sebesar 153,761 pada uji t = 55,975
dengan sig.=0,000 yang berarti, jika tidak ada curah hujan (x = 0), maka tingkat polusi
udara sebesar 153,761 mikrogram per m3.
Regression Analysis: y versus x
The regression equation is

y = 154 - 6,40 x
Predictor Coef SE Coef T P

Constant 153,761 2,747 55,97 0,000
x -6,3967 0,5273 -12,13 0,000
S = 2,314 R-Sq = 95,5% R-Sq(adj) = 94,8%
Analysis of Variance
Source DF SS MS F P
Regression 1 788,07 788,07 147,17 0,000
Residual Error 7 37,48 5,35
Total 8 825,56
Halaman 45 of 68
LAMPIRAN 5
ANALISIS REGRESI LINEAR BERGANDA
Analisis regresi adalah salah satu analisis statistik yang memanfaatkan hubungan antara
dua variable atau lebih. Dalam praktek, kerapkali kita ingin melihat ketergantungan suatu
variabel Y (yang biasanya disebut variabel dependen atau respons) pada satu atau lebih variabel
X1, X2, ..., Xk (yang biasa disebut variabel indpenden atau prediktor). Pada analisis regresi
sederhana, akan diamati hubungan/pengaruh satu variabel bebas X terhadap variabel tak bebas
Y. Model persamaan regressi populasinya adalah Y   0  1 X   2 X 2  ...   n X n   , dan
persamaan ini akan diestimasi dari data sampel dengan persamaan
y  b0  b1 x  b2 x 2  ...  bn x n  e .
Contoh Kasus:
Suatu penelitian dilakukan untuk mengetahui factor-faktor yang berpengaruh pada panjang bayi
(y). Diambil sample sebanyak 9 bayi, diukur panjangnya bersamaan dengan 4 variabel bebas
yang diduga sebagai faktor2 yang berpengaruh. Data selengkapnya dapat dilihat pada table
berikut:
Tabel 1. Data mengeani panjang bayi

Y X2 X3 X4
X1
No Panjang bayi Panjang waktu Berat waktu Ukuran dada
Usia (hari)
(cm) lahir (cm lahir (kg) (cm)
1 57,5 78 48,2 2,75 29,5
2 52,8 69 45,5 2,15 26,3
3 61,3 77 46,3 4,41 32,2
4 67,0 88 49,0 5,52 36,5
5 53,5 67 43,0 3,21 27,2
6 62,7 80 48.0 4,32 27,7
7 56,2 74 48,0 2,31 28,3
8 68,5 94 53,0 4,30 30,3
9 69,2 102 58,0 3,71 28,7
Prosedur Uji:
H0 : 0 = 1 = 2 = 3 = 4 = 0 (tidak ada pengaruh keempat variabel bebas
terhadap panjang bayi)
H1 : j ≠ 0; (j = 0,1,2,3,4) (paling sedikit ada satu variabel bebas yang
berpengaruh tehrhapa panjang bayi)
Halaman 46 of 68
Data yang ada diatas dimasukkan ke dalam worksheet SPSS sebagai berikut:
No Y X1 X2 X3 X4
1 57,5 78 48,2 2,75 29,5
2 52,8 69 45,5 2,15 26,3
3 61,3 77 46,3 4,41 32,2
4 67,0 88 49,0 5,52 36,5
5 53,5 67 43,0 3,21 27,2
6 62,7 80 48.0 4,32 27,7
7 56,2 74 48,0 2,31 28,3
8 68,5 94 53,0 4,30 30,3
9 69,2 102 58,0 3,71 28,7

Langkah-langkahnya:
langkah berikut:
b. Dari baris menu pilih menu Analyze, kemudian pilih submenu Regression;
c. Kemudian dari sub menu Regression, pilih Linear;
d. Setelah kotak dialog box dari Linear Regression terbuka, klik variable y dan klik
tanda  untuk memindahkannya ke kotak Dependent:, dan variabel x1, x2, x3, x4
dipindahkan ke kotak Independent(s):;
e. Pilh metode yang diinginkan, yaitu: Methode:Stepwise untuk
penentuan model terbaik;
f. Klik OK untuk memprosesnya.

Berikut adalah output SPSS untuk Linear Regression…
Model Summaryc
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,947a ,897 ,882 2,173
2 ,994b ,989 ,985 ,777
a. Predictors: (Constant), X1
b. Predictors: (Constant), X1, X3
c. Dependent Variable: Y
Halaman 47 of 68
ANOVAc
Sum of
Model Squares df Mean Square F Sig.
1 Regression 286,698 1 286,698 60,710 ,000a
Residual 33,057 7 4,722
Total 319,756 8
2 Regression 316,129 2 158,064 261,492 ,000b
Residual 3,627 6 ,604
Total 319,756 8
a. Predictors: (Constant), X1
b. Predictors: (Constant), X1, X3
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts Correlations
Model B Std. Error Beta t Sig. Zero-order Partial Part
1 (Constant) 19,128 5,420 3,529 ,010
X1 ,517 ,066 ,947 7,792 ,000 ,947 ,947 ,947
2 (Constant) 20,227 1,945 10,397 ,000
X1 ,412 ,028 ,755 14,687 ,000 ,947 ,986 ,639
X3 2,030 ,291 ,359 6,978 ,000 ,762 ,944 ,303
a. Dependent Variable: Y
Excluded Variablesc
Collinearit
y
Partial Statistics
Model Beta In t Sig. Correlation Tolerance
1 X2 -,898 a -4,004 ,007 -,853 9,319E-02
X3 ,359a 6,978 ,000 ,944 ,715
X4 ,225a 2,064 ,085 ,644 ,848
2 X2 ,520b 1,139 ,306 ,454 8,629E-03
X4 -,042 b -,558 ,601 -,242 ,383
a. Predictors in the Model: (Constant), X1
b. Predictors in the Model: (Constant), X1, X3
Output Bagian Pertama (Model Summary)

Pada bagian pertama terlihat bahwa koefisien determinasi dari model terbaik
(model 2) adalah 0,985. Hal ini menunjukkan bahwa variasi yang terjadi pada y karena
Halaman 48 of 68
hubungannya dengan x1 dan x3 sebesar 98,5%, sedangkan sisanya sebesar 1,5% karena
factor lain.

Pada bagian ini memberi pesan kepada kita bahwa dari model terbaik yang
terpilih, paling tidak ada satu atau kedua parameter 1 dan 3 tidak sama dengan nol
(model 2). Hal ini diperlihatkan oleh Uji F = 261,492 dengan sig. = 0,000.
Output Bagian Keempat (Coefficients)

Pada bagian ini adalah hasil uji hipotesis parameter 1 dan 3 dari model yang
terpilih. Untuk pengujian parameter 1 diperoleh nilai dugaan sebesar 0,412 pada uji t =
14,687 dengan sig.=0,000 yang berarti ada pengaruh yang positif x1 terhadap y,
begitupun untuk variable x3.
Jadi model terbaik untuk memprediksi panjang bayi (y) adalah: (1) usia, x1, dan
berat waktu lahir, x2. Persamaan garis regresi terbaik adalah:
y  20,23  0,41x1  2,03 x3
Stepwise Regression: y versus x1; x2; x3; x4
Alpha-to-Enter: 0,15 Alpha-to-Remove: 0,15
Response is y on 4 predictors, with N = 9
Step 1 2
Constant 19,13 20,23
x1 0,517 0,412
T-Value 7,79 14,69
P-Value 0,000 0,000
x3 2,03
T-Value 6,98
P-Value 0,000
S 2,17 0,777
R-Sq 89,66 98,87
R-Sq(adj) 88,18 98,49
C-p 41,5 2,1
Halaman 49 of 68
LAMPIRAN 6:
ANALISIS KORELASI
Analisis (uji) korelasi adalah analisis statistik yang digunakan untuk menguji keeratan
hubungan antara dua variable x dan y. Kita mengenal uji korelasi produk momen dari Pearson
(Statistik Parametrik), dan uji korelasi peringkat dari Spearmen dan Kendall Tau, serta uji khi-
kuadrat untuk data nominal (Statistik Nonparametrik).
Uji korelasi Produk Momen dari Pearson dapat digunakan jika memenuhi asumsi normalitas
(kedua variable x dan y berasal dari populasi yang berdistribusi normal). Uji korelasi dari
Spearman dan Kendall Tau dapat digunakan jika asumsi normalitas tidak dipenuhi.
Contoh:
Data dikumpulkan dari hasil pengukuran yang dilakukan pada 9 titik secara random di Kota A,
kemudian dirangkum dalam tabel berikut:
X, Curah Hujan Per Hari Y, Polusi Udara
No
(0,01 inchi) (microgram per m3)
1 4,3 128
2 4,5 121
3 5,9 116
4 5,6 118
5 6,1 114
6 5,2 118
7 3,8 132
8 2,1 141
9 7,5 108
Prosedur Uji:
H0 :  = 0 (ada hubungan yang berarti antara curah hujan dengan tingkat polusi
udara di Kota A)
H1 :  ≠ 0 (tidak ada hubungan yang berarti antara curah hujan dengan tingkat
polusi udara di Kota A)

Data yang ada diatas dimasukkan pada spreadsheet SPSS sebagai berikut:
x y
1 4,3 128
2 4,5 121
3 5,9 116
4 5,6 118
5 6,1 114
Halaman 50 of 68
6 5,2 118
7 3,8 132
8 2,1 141
9 7,5 108
1. Uji Normalitas
Sebelum menggunakan uji statistik produk momen dari Pearson (r), perlu
dilakukan pengujian asumsi nomrmalitas datanya, jika asumsi kenormalan tidak dipenuhi
Anda dapat menggunakan uji statistik nonparametrik (Spearmen atau Kendall Tau);
Langkah-langkah uji normalitas:
langkah berikut:
b. Dari baris menu pilih menu Analyze, kemudian pilih submenu Descriptive
Statistics;
c. Kemudian dari sub menu Descriptive Statistics, pilih Explore…;
d. Setelah kotak dialog box dari Explore terbuka, klik variable y dan klik tanda 
untuk memindahkannya ke kotak Dependent List:, dan juga variabel x
dipindahkan ke kotak Dependent List:,
e. Kemudian klik Plots…, dan selanjutnya klik (untuk memberi tanda chek) pada
Normality plot with test,
f. Klik OK untuk memprosesnya.
Hasilnya:
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Curah Hujan .128 9 .200* .980 9 .958
Polusi Udara .201 9 .200* .945 9 .603
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Interpretasi:
Uji hipotesis yang diuji adalah:
H0: Sampel data berasal dari populasi yang berdistribusi normal
H1: Sampel data tidak berasal dari populasi yang berdistribusi normal
Pada kedua uji statistik normalitas, baik Kolmogorov-Smirnov maupun Shapiro-
Wilk diperoleh p-value (sig.) >  = 0,05 (taraf keberartian yang dipilih), maka
Hipotesis H0 tidak ditolak. Dengan demikian kedua variabel berasal dari populasi
yang berdistribusi normal.
2. Uji Korelasi
Setelah yakin kalau asumsi normalitas data dipenuhi, maka uji korelasi produk
momen Pearson dapat digunakan:
Langkah-langkah uji korelasi produk momen Perason:
1. Buka lembat kerja/file dari data kasus diatas, atau kalau sudah terbuka ikuti
langkah berikut:
Halaman 51 of 68
2. Dari baris menu pilih menu Analyze, kemudian pilih submenu Correlate;
3. Kemudian dari sub menu Correlate, pilih Bivariate;
4. Setelah kotak dialog box dari Bivariate Correlations terbuka, klik variable y dan
klik tanda  untuk memindahkannya ke kotak Variabeles:, dan juga variabel x
dipindahkan ke kotak Variabeles:,
5. Kemudian klik (untuk memberi tanda chek) pada korelasi yang diinginkan, dalam
hal ini  Pearson;
6. Klik OK untuk memprosesnya.
Hasilnya:
Correlations
Curah Hujan Polusi Udara

Curah Hujan Pearson Correlation 1.000 -.977**
Sig. (2-tailed) . .000
N 9 9
Polusi Udara Pearson Correlation -.977** 1.000
Sig. (2-tailed) .000 .
N 9 9
**. Correlation is significant at the 0.01 level (2-tailed).
Interpretasi:
Dari hasil Uji Korelasi diperoleh koefisien korelasi antara x dan y adalah r = -
0,977 dengan sig.(2-tailed) = 0,000. Hal ini menunjukkan bahwa ada hubungan yang
sangat berarti antara curah hujan dengan tingkat polusi udara. Hubungan ini bertanda
negatif, yang berarti jika curah hujan bertambah, maka tingkat polusi udara akan
berkurang.
LATIHAN:
Suatu penelitian dilakukan untuk mengetahui apakah ada hubungan yang berarti antara
status gizi dengan tekanan darah tinggi. Untuk itu diambil sampel sebanyak 43 orang
yang berusia di atas 45 tahun, kemudian diukur status gizi dan tekanan darahnya. Data
tersebut diringkas pada tabel berikut:
No x y No x y
1 23.9 80 23 25.0 100
2 21.9 60 24 25.4 100
3 21.6 90 25 28.0 100
4 27.6 80 26 32.0 100
5 24.6 70 27 26.3 90
6 29.0 100 28 24.4 80
7 27.7 80 29 28.3 80
8 25.9 70 30 29.3 100
9 30.2 100 31 26.9 100
10 21.1 80 32 20.2 90
11 19.0 80 33 28.8 100
12 23.6 100 34 25.2 110
Halaman 52 of 68
13 22.0 100 35 28.7 80
14 37.0 100 36 21.3 60
15 30.0 100 37 22.3 70
16 27.7 100 38 25.5 100
17 21.5 100 39 24.9 80
18 27.8 100 40 33.6 100
19 30.9 70 41 21.8 60
20 28.9 100 42 24.4 60
21 23.2 70 43 26.9 100
22 23.4 100
Pertanyaan:
1. Ujilah asumsi normalitas data sampel;
2. Uji statistik manakah yang cocok untuk menguji hubungan kedua variabel tersebut?
3. Lakukanlah uji statistik yang anda sudah tetapkan, kemudian berikan interpretasinya.
4. Jika variabel x dan y dikategorikan menjadi: x = normal (0), jika x  25 dan gemuk (1)
jika x > 25, sedangkan y = normal (0) jika y  90 dan y = tinggi (1) jika y > 90. Untuk
mengetahui hubungan antara x dan y dengan jenis data tersebut, tentukan statistik apa
yang cocok dan lakukanlah analisisnya.
Halaman 53 of 68
LAMPIRAN 7:
UJI HIPOTESIS
Uji Data Dua Sampel Berhubungan (Paired)
Statistik NonParamaetrik – Uji Peringkat Bertanda Wilcoxon
Uji hipotesis untuk perbedaan 2 rata-rata populasi yang berpasangan dapat dilakukan
menggunakan uji – t. Dua sample berpasangan diartikan sebagai sebuah sample dengan subyek
yang sama, namun mengalami dua perlakuan atau pengukuran yang berbeda. Jika asumsi
kenormalan tidak dipenuhi, gunakan uji statistik nonparametric (Uji Peringkat Bertanda
Wilcoxon).
Contoh Kasus:
Suatu penelitian dilakukan terhadap sekelompok orang, untuk mengetahui apakah obat penurun
berat badan mempunyai efek dalam menurunkan berat badan atau tidak? Untuk itu, sebuah
sample yang terdiri dari 10 orang masing-masing diukur berat badannya sebelum dan sesudah
sebualan minum obat penurun berat badan. Datanya diringkas sebagai berikut:
Tabel 1. Berat Badan 10 orang sebelum dan sesudah minum obat penurun berat badan
No Sebelum Sesudah
1 76,85 76,22
2 77,95 77,89
3 78,65 79,02
4 79,25 80,21
5 82,65 82,65
6 88,15 82,53
7 92,54 92,56
8 96,25 92,33
9 84,56 85,12
10 88,25 84,56
Anggap sample tidak berdistribusi normal, maka gunakan Uji Peringkat Bertanda Wilcoxon
Ujilah apakah obat tersebut efektif atau tidak pada taraf signifikansi  sebesar 5%. Berikan
interpretasi untuk setiap outputnya.
Prosedur Uji:
H0 : obat penurun berat badan tidak efektif
H1 : obat penurun berat badan efektif
Halaman 54 of 68
dengan ketentuan: variable sebelum ditempatkan pada kolom pertama, dan variable
sesudah pada kolom kedua.

Langkah-langkahnya:
langkah berikut:
b. Dari baris menu pilih menu Analyze, kemudian pilih submenu Nonparametric
Tests.
c. Dari serangkaian pilihan test, sesuai kasus pilih 2 Related-Samples…
d. Setelah kotak dialog box dari Two Related-Samples Tests terbuka, klik variable
sebelum dan sesudah dan klik tanda  untuk memindahkannya ke kotak Test
Pair(s) List:
e. Setelah pengisian selesai, klik Continue untuk melanjutkan ke menu sebelumnya;
f. Untuk tipe uji (Test Type), karena yang akan diuji dengan Wilcoxon, maka klik
pilihan Wilcoxon, sedang 2 pilihan yang lain diabaikan saja;
g. Pilihan Options... diabaikan saja.
h. Klik OK dan selanjutnya SPSS akan memprosesnya.
Output SPSS dan Analisisnya
NPar Tests
Wilcoxon Signed Ranks Test
Ranks
N Mean Rank Sum of Ranks

SESUDAH - SEBELUM Negative Ranks 5a 6,20 31,00
Positive Ranks 4b 3,50 14,00
Ties 1c
Total 10
a. SESUDAH < SEBELUM
b. SESUDAH > SEBELUM
c. SEBELUM = SESUDAH
Kesimpulan:
b
Test Statistics Terlihat bahwa z hitung adalah -1,007 dengan
probabilitas 0,314. Karena probabilitas (sig.
SESUDAH -
SEBELUM
=0,314) > 0,05, maka H0 diterima, atau berat
Z -1,007a
badan sebelum dan sesudah diberi obat adalah
Asymp. Sig. (2-tailed) ,314 relatif sama. Dengan kata lain obat tersebut tidak
a. Based on positive ranks.
efektif dalam menurunkan berat badan secara
nyata.
b. Wilcoxon Signed Ranks Test
Halaman 55 of 68
LAMPIRAN 8:
UJI HIPOTESIS
Uji Data Tiga Sampel atau Lebih Tidak Berhubungan (Independent)
Statistik Nonparametrik – Uji Kruskal Wallis
Jika Uji t digunakan untuk pengujian dua sampel, maka uji F atau ANOVA digunakan
untuk pengujian dua atau lebih sampel. Asumsi-asumsi yang perlu diperhatikan pada pengujian
ANOVA adalah:
1. Sampel-sampel yang akan diuji haruslah berasal dari populasi-populasi yang berdistribusi
normal;
2. Varians sampel-sampel sama;
3. Sampel-sampel yang akan diuji adalah indpenden satu dengan yang lain.
Jika asumsi-asumsi di atas tidak dipenuhi, maka ANOVA tidak bisa digunakan. Sebagai gantinya
gunakan statistik nonparametrik (Uji Kruskal Wallis) untuk sampel-sampel yang independent,
dan Uji Friedman untuk sampel-sampel yang dependent.
Contoh Kasus:
Suatu studi dilakukan untuk membandingkan efektifitas suatu perlakuan yang diterapkan untuk
menolong seseorang untuk berhenti merokok. Satu kelompok perokok diberi perlakukan A,
kelompok kedua diberi perlakuan B, dan kelompok ketiga, diberi perlakuan C. Variabel
dependen dari studi ini adalah banyaknya rokok yang dikonsumsi selama masa perlakuan
dijalankan. Ujilah perlakuan mana yang lebih efektif dalam mengurangi konsumsi rokok.
Penyelesaian:
Dari kasus di atas ketiga kelompok saling independent. Anggap asumsi normalitas tidak
dipenuhi, maka gunakan Uji Kruskal Wallis.
Tabel 3. Rata-rata konsumsi rokok untuk ketiga kelompok
KELOMPOK 1 KELOMPOK 2 KELOMPOK 3

28 22 33
0 31 44
17 26 29
20 30 40
35 34 33
19 37 25
24 0 22
0 19 43
41 24 29
16 27 32
Halaman 56 of 68
Prosedur Uji:
H0 : Ketiga populasi identik (ketiga metode tidak berbeda secara nyata)
H1 : Minimal salah satu dari ketiga populasi identik (ketiga metode berbeda
secara nyata)

rokok kelompok
1 28 1
2 0 1
3 17 1
4 20 1
5 35 1
6 19 1
7 24 1
8 0 1
9 41 1
10 16 1
11 22 2
12 31 2
13 26 2
14 30 2
15 34 2
16 37 2
17 0 2
18 19 2
19 24 2
20 27 2
21 33 3
22 44 3
23 29 3
24 40 3
25 33 3
26 25 3
27 22 3
28 43 3
29 29 3
30 32 3
Halaman 57 of 68
Langkah-langkahnya:
langkah berikut:
b. Dari baris menu pilih menu Analyze, kemudian pilih submenu Nonparametrik
Test.
c. Dari serangkaian pilihan test, sesuai kasus pilih K Independent Samples …
d. Setelah kotak dialog box dari Test for Several Independent Samples terbuka,
klik variable rokok dan klik tanda  untuk memindahkannya ke kotak Test
Variable List, dan variabel kelompok dipindahkan ke kotak Grouping Variable;
e. Klik Define Group..., kemudian isi Minimum: 1 dan Maximum: 3
f. Untuk tipe uji (Test Type), karena yang akan diuji dengan Kruskal-Wallis, maka
klik pilihan Kruskal-Wallis H, sedang pilihan yang lain diabaikan saja;
g. Pilihan Options... diabaikan saja.
h. Klik OK untuk memprosesnya.
Output SPSS dan Analisisnya:
NPar Tests
Kruskal-Wallis Test
Ranks
Kelompok N Mean Rank

Diet Rokok Kelompok A 10 10,80
Kelompok B 10 14,75
Kelompok C 10 20,95
Total 30
Test Statisticsa,b
Diet Rokok
Chi-Square 6,769
df 2
Asymp. Sig. ,034
a. Kruskal Wallis Test
b. Grouping Variable: Kelompok
Kesimpulan:
Terlihat bahwa pada kolom Asymp. Sig. adalah 0,034. Nilai ini lebih kecil dari α = 0,05. Maka
H0 ditolak, dengan demikian dapat disimpulkan bahwa ada perbedaan yang nyata diantara ketiga
kelompok. Dengan kata lain, ketiga metode ada yang memberi efek yang berbeda. Dari Mean
Rank ketiga kelompok menunjukkan bahwa kelompok A memberi efek penurunan kosumsi
rokok yang lebih efektif.
Halaman 58 of 68
ANALISIS DENGAN MINITAB 13.0
Kruskal-Wallis Test: rokok versus kelompok
Kruskal-Wallis Test on rokok
kelompok N Median Ave Rank Z

1 10 19,50 10,8 -2,07
2 10 26,50 14,8 -0,33
3 10 32,50 21,0 2,40
Overall 30 15,5
H = 6,76 DF = 2 P = 0,034
H = 6,77 DF = 2 P = 0,034 (adjusted for ties)
Halaman 59 of 68
LAMPIRAN 9:
UJI HIPOTESIS
Uji Data Dua Sampel Tidak Berhubungan (Independent)
Statistik Nonparamaetrik – Uji Mann-Whitney
Uji hipotesis untuk perbedaan 2 rata-rata populasi dapat dilakukan menggunakan uji – t
dengan asumsi bahwa kedua sampel berasal dari populasi yang berdistribusi normal. Disamping
itu, individu-individu dari kedua populasi adalah independent satu dengan lainnya. Pengujian
dua sample pada dasarnya ingin membandingkan perbedaan rata-rata dari kedua populasi. Akan
tetapi jika asumsi kenormalan tidak dipenuhi, maka uji – t tidak cocok untuk digunakan, sebagai
gantinya uji statistic nonparametric (Uji Mann-Whitney) untuk dua sample yang tidak
berhubungan.
Contoh Kasus:
Suatu penelitian dilakukan terhadap dua kelompok mahasiswa yang tinggal di suatu asrama
terhadap sakit kepala yang mereka alami. Kelompok pertama yang terdiri dari 20 orang
mahasiswa diberi Aspirin, sedangkan 17 orang mahasiswa lainnya diberi Decolgen. Kedua
kelompok dicatat lamanya waktu sembuh (dalam menit) yang dibutuhkan setelah meminum obat
tersebut sebagai berikut:
Tabel 2. Lama waktu sembuh terhadap sakit kepala antara

mahasiswa yang diberi Aspirin dan Decolgen
-----------------------------------------------------------------------
waktu obat waktu obat
----------------------------------------------------------------------
109 aspirin 80 decolgen
97 aspirin .
107 aspirin .
102 aspirin .
----------------------------------------------------------------------
Halaman 60 of 68
Ujilah apakah obat Aspirin dan Decolgen mempunyai efek sembuh yang sama atau berbeda?
Gunakan taraf signifikansi  sebesar 5%. Berikan interpretasi untuk setiap outputnya.
Prosedur Uji:
H0 : daya sembuh obat Aspirin sama dengan obat Decolgen
H1 : daya sembuh obat Aspirin tidak sama dengan obat Decolgen
3. Anggap distribusi sample tidak diketahui, maka gunakan uji statistik Mann-Whitney

dengan ketentuan: variable waktu ditempatkan pada kolom pertama, dan variable obat
pada kolom kedua.

Langkah-langkahnya:
langkah berikut:
b. Dari baris menu pilih menu Analyze, kemudian pilih submenu Nonparametric
Tests.
c. Dari serangkaian pilihan test, sesuai kasus pilih 2 Independent-Samples…
d. Setelah kotak dialog box dari Two Independent-Samples Tests terbuka, klik
variable waktu dan klik tanda  untuk memindahkannya ke kotak Test Variable
List.
e. Klik variable Obat dan pindahkan ke kotak Grouping Variable, kemudia klik
Define Groups.. dan selanjutnya ketik 1 di kotak Group 1: (1=Aspirin) dan 2 di
kotak Group 2: (2=Decolgen).
f. Karena taraf signifikansi yang dipilih adalah sebesar 5%, maka sebagai default,
SPSS akan menggunakan tingkat kepercayaan 95% (Confidence Interval), klik
options untuk mengeceknya,
g. Setelah pengisian selesai, klik Continue untuk melanjutkan ke menu sebelumnya;
h. Untuk tipe uji (Test Type), karena yang akan diuji dengan Mann-Whitney, maka
klik pilihan Mann-Whitney, sedang 3 pilihan yang lain diabaikan saja;
i. Pilihan Options... diabaikan saja.
j. Klik OK dan selanjutnya SPSS akan memprosesnya.
Halaman 61 of 68
Output SPSS dan Analisisnya
NPar Tests
Mann-Whitney Test
Ranks
Obat N Mean Rank Sum of Ranks

WAKTU aspirin 20 23,65 473,00
decplgen 17 13,53 230,00
Total 37
Test Statisticsb
WAKTU
Mann-Whitney U 77,000
Wilcoxon W 230,000
Z -2,837
Asymp. Sig. (2-tailed) ,005
Exact Sig. [2*(1-tailed a
,004
Sig.)]
a. Not corrected for ties.
b. Grouping Variable: Obat
Kesimpulan:
Terlihat pada kolom asymp. Sig. (2-tailed) untuk uji dua sisi adalah 0,001 (sig.=0,001 < α =
0,05), maka H0 ditolak, kedua jenis obat memberi efek sembuh yang tidak sama. Dengan
memperhatikan mean rank kedua jenis obat, diperoleh bahwa obat decolgen lebih efektif
dibandingkan dengan obat aspirin dalam penyembuhan.
Halaman 62 of 68
LAMPIRAN 10: UJI CHI-KUADRAT
Tabel 1. Studi Kasus:

Data Status Gizi dan Asupan Suatu studi dilakukan untuk mengetahui hubungan antara
Protein 42 anak balita asupan protein yang dikonsumsi dengan status gizi dari 42 anak
balita yang diteliti, (Datanya terlampir).
Balita S_Gizi A_Protein
1 Kurang Kurang Hipotesis yang akan diuji:
2 Kurang Kurang H0: Tidak ada hubungan antara asupan protein dengan status
3 Baik Kurang gizi anak balita.
4 Baik Kurang H1: Ada hubungan antara asupan protein dengan status gizi
5 Baik Kurang anak balita.
6 Baik Kurang
7 Baik Baik Uji statistik:
8 Kurang Baik Karena jenis data dari kedua variabel adalah nominal (kategori),
9 Baik Baik maka uji statistik yang paling cicok digunakan adalah Chi-
10 (Oi  Ei ) 2
i 1 E ,
Baik Baik n
11 Baik Baik
kuadrat, dengan rumus  2 
i
12 Kurang Kurang
13 Baik Baik
dimana Oi = frekuensi pengamatan,
14 Ei = frekuensi yang diharapkan
Baik Kurang
15 Baik Baik
16 Analisis Data di SPSS
Baik Baik
17 Analyze  Descriptive Statistics  Crosstabs...
Baik Kurang
18 Baik Kurang
19 Pengambilan Keputusan
Baik Kurang
20 a. Berdasarkan perbandingan chi-kuadrat hitung dan chi-
Kurang Kurang
21
kuadrat tabel.
Kurang Kurang
22  Jika chi-kuadrat hitung > chi-kuadrat tabel, maka H0
Kurang Kurang
23 ditolak;
Baik Baik
24 Baik Kurang
 Jika chi-kuadrat hitung < chi-kuadrat tabel, maka H0
25 Baik Kurang
diterima.
26 Baik Baik
b. Berdasarkan probabilitas (Asymp Sig. (2-sided)):
27 Kurang Kurang  Jika Asymp Sig. (2-sided) < 0,05, maka H0 ditolak;
28 Baik Baik  Jika Asymp Sig. (2-sided) > 0,05, maka H0 diterima.
29 Kurang Kurang
30 Kurang Kurang Hasil:
31 Kurang Kurang Chi-Square Tests
32 Kurang Kurang Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
33 Kurang Baik Pearson Chi-Square 3.938b 1 .047
34 Kurang Kurang Continuity Correctiona 2.734 1 .098
35 Kurang Kurang Likelihood Ratio 4.143 1 .042
Fisher's Exact Test .057 .047
36 Baik Kurang Linear-by-Linear
37 Baik Kurang 3.844 1 .050
Association
38 Baik Baik N of Valid Cases 42
39 a. Computed only for a 2x2 table

Kurang Baik
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
40 Kurang Kurang 6.00.
41 Baik Kurang
42 Kesimpulan:
Kurang Kurang
Dari uji Pearson Chi-Square diperoleh nilai Asymp. Sig. (2-sided)
sebesar 0,047. Karena nilai ini lebih kecil dari 0,05 maka H 0 ditolak.
Dengan kata lain ada hubungan antara asupan protein dengan status
gizi anak balita.
Halaman 63 of 68
LAMPIRAN 11:
ANALISIS REGRESI LOGISTIK BERGANDA
Analisis regresi logistic dapat digunakan untuk mengetahui pengaruh/hubungan beberapa

variable bebas X terhadap variable respons Y, dimana variable responsnya merupakan variable
dikotomi/nominal dan variable bebasnya dikotomi dan/atau kontinu.
Contoh Kasus
Suatu penelitian dilakukan untuk menentukan faktor-faktor apa saja yang berpengaruh secara
nyata pada kejadian penyakit malaria. Sampel sebanyak 80 orang diteliti dan diperoleh data
untuk variabel-variabel pada tabel 1.
Tabel 1.
Karakteristik Responden
No Variabel Kriteria n %
1 Kejadian Malaria Malaria 48 60,0
Tidak Malaria 32 40,0
2 Jenis Kelamin Laki-laki 25 31,2
Perempuan 55 68,8
3 Usia ≤ 18 tahun 68 85,0
> 18 tahun 12 15,0
4 Suku Papua 35 43,8
Non Papua 45 56,2
5 Konstruksi Rumah Permanen 51 63,8
Semi dan gubuk 29 36,2
6 Jarak tempat tinggal ≤ 500 m 48 60,0
dengan hutan > 500 m 32 40,0
7 Jarak tempat tinggal ≤ 500 m 42 52,5
dengan sumber air > 500 m 38 47,5
8 Tidur sendiri Ya 27 33,8
Tidak 53 66,2
9 Memelihara ternak Ya 44 55,0
Tidak 36 45,0
10 Memelihara binatang Ya 30 37,5
dalam rumah Tidak 50 62,5
Dilakukan analisis regresi logistik berganda untuk menentukan model terbaik yang
merupakan faktor penentu utama kejadian malaria. Untuk menyeleksi secara otomatis variabel
bebas yang berpengaruh secara nyata digunakan “Metode Backward Stepwise Likelihood Ratio”.
Hasil analisis menunjukkan bahwa dari ke sembilan variabel bebas yang dimasukkan
dalam model, hanya empat variabel yang memberikan kontribusi yang nyata. Keempat variabel
tersebut adalah: (1) konstruksi rumah (OR = 10,38 dengan p = 0,004), menunjukkan bahwa
orang yang tinggal di rumah dengan konstruksi buruk beresiko terkena penyakit malaria 10,38
kali dibandingkan dengan orang yang tinggal di rumah dengan konstruksi yang baik, (2) jarak
Halaman 64 of 68
tempat tinggal dengan hutan (OR = 11,88 dengan p = 0,000), menunjukkan bahwa orang yang
tinggal dekat hutan mempunyai kecendrungan terkena malaria 12 kali dibandingkan dengan
orang yang tinggal cukup jauh dari hutan, (3) jarak tempat tinggal dengan sumber air tergenang
(OR = 7,03 dengan p = 0,003), menunjukkan bahwa orang yang tinggal dekat sumber air
tergenang akan beresiko terkena malaria 7 kali dibandingkan dengan orang yang tinggal cukup
jauh dari sumber air tergenang, dan (4) memelihara ternak (OR = 6,08 dengan p = 0,008),
menunjukkan bahwa orang yang tinggal di rumah yang memelihara hewan ternak disekitarnya
mempunyai kecendrungan terkena malaria 6 kali dibandingkan dengan orang yang tinggal di
rumah yang tidak ada hewan ternaknya. Dari keempat faktor tersebut yang paling dominant
pengaruhnya adalah variabel jarak tempat tinggal dengan hutan (lihat Tabel 2).. Keempat
variabel bebas tersebut memberi kontribusi sebesar 56,2% (Nagelkerte R-square = 0,562),
sedangkan sisanya sebesar 43,8% ditentukan oleh faktor lain.
Uji kecocokan model dilakukan menggunakan uji likelihood ratio. Uji tersebut
berdistribusi chi-square dengan derajat bebas 6 dengan hasil uji adalah 2 = 3,83 dengan p =
0,699. Hal ini menunjukkan bahwa model regresi logistik berganda sudah cocok untuk
digunakan untuk analisis. Hasil selengakapnya dapat dilihat pada tabel 2 berikut:
Tabel 2.
Estimasi parameter (β), taraf signifikansi (p) dan Odds Rasio (OR)
model terbaik dari analisis regresi logistik berganda
95%CI utk OR
Variabel Bebas (X) β p OR
Bawah Atas
Konstruksi Rumah (x4) 2,34 0,004 10,38 2,09 51,68
Jarak Tempat Tinggal
2,48 0,000 11,48 3,10 45,49
dengan Hutan (x5)
Jarak Tempat Tinggal dengan
1,95 0,003 7,03 1,92 25,72
Sumber Air (x6)
Memelihara ternak (x8) 1,80 0,008 6,08 1,59 23,31
Konstanta -3,56 0,000 0,028 - -
 prob( y  1) 
Model: ln    3,56  2,34 * X 4  2,48 * X 5  1,95 * X 6  1,80 * X 8
 prob( y  0) 
Model ini menunjukkan bahwa ada pengaruh variabel-variabel x4, x5, x6 dan x8 secara bersama-
sama terhadap y.
Halaman 65 of 68
Hasil Analisis Regresi Logistik Berganda dengan metode Backward Stepwise Likelihood Ratio
menggunakan SPSS
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 47,085 9 ,000
Block 47,085 9 ,000
Model 47,085 9 ,000
Step 2a Step -,019 1 ,891
Block 47,066 8 ,000
Model 47,066 8 ,000
Step 3a Step -,185 1 ,667
Block 46,882 7 ,000
Model 46,882 7 ,000
Step 4a Step -,868 1 ,352
Block 46,014 6 ,000
Model 46,014 6 ,000
Step 5a Step -1,209 1 ,272
Block 44,805 5 ,000
Model 44,805 5 ,000
Step 6a Step -1,778 1 ,182
Block 43,027 4 ,000
Model 43,027 4 ,000
a. A negative Chi-squares value indicates that the
Chi-squares value has decreased from the
previous step.
Model Summary Hosmer and Lemeshow Test
-2 Log Cox & Snell Nagelkerke Step Chi-square df Sig.

Step likelihood R Square R Square 1 2,156 8 ,976
1 60,597 ,445 ,601
2 3,924 7 ,789
2 60,616 ,445 ,601
3 4,118 7 ,766
3 60,800 ,443 ,599
4 61,668 ,437 ,591
4 5,863 7 ,556
5 62,877 ,429 ,580 5 3,382 7 ,848
6 64,655 ,416 ,562 6 3,832 6 ,699
Halaman 66 of 68
Variables in the Equation
95,0% C.I.for EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
JK ,767 ,801 ,917 1 ,338 2,152 ,448 10,335
1 USIA -,132 ,970 ,019 1 ,891 ,876 ,131 5,860
SUKU ,662 ,708 ,875 1 ,350 1,938 ,484 7,759
KR 1,918 ,832 5,311 1 ,021 6,810 1,332 34,816
JTTH 2,253 ,705 10,207 1 ,001 9,517 2,389 37,914
JTTA 1,711 ,710 5,808 1 ,016 5,532 1,376 22,236
TS -,893 ,732 1,489 1 ,222 ,409 ,098 1,718
MT 2,055 ,754 7,434 1 ,006 7,810 1,782 34,223
MB -,309 ,704 ,192 1 ,661 ,734 ,185 2,920
Constant -3,293 1,352 5,932 1 ,015 ,037
Step
a
JK ,774 ,797 ,944 1 ,331 2,168 ,455 10,334
2 SUKU ,669 ,704 ,903 1 ,342 1,953 ,491 7,759
KR 1,918 ,832 5,312 1 ,021 6,810 1,332 34,808
JTTH 2,259 ,704 10,302 1 ,001 9,575 2,410 38,042
JTTA 1,718 ,707 5,906 1 ,015 5,576 1,394 22,295
TS -,895 ,733 1,494 1 ,222 ,408 ,097 1,717
MT 2,060 ,753 7,481 1 ,006 7,843 1,793 34,309
MB -,300 ,701 ,184 1 ,668 ,741 ,188 2,925
Constant -3,422 ,972 12,410 1 ,000 ,033
Step
a
JK ,800 ,782 1,048 1 ,306 2,227 ,481 10,309
3 SUKU ,650 ,700 ,861 1 ,354 1,915 ,485 7,554
KR 1,898 ,829 5,240 1 ,022 6,672 1,314 33,881
JTTH 2,242 ,698 10,302 1 ,001 9,408 2,394 36,981
JTTA 1,691 ,705 5,764 1 ,016 5,427 1,364 21,591
TS -,865 ,727 1,414 1 ,234 ,421 ,101 1,751
MT 2,059 ,757 7,402 1 ,007 7,836 1,778 34,526
Constant -3,503 ,958 13,371 1 ,000 ,030
Step
a
JK ,831 ,772 1,160 1 ,281 2,296 ,506 10,416
4 KR 2,065 ,824 6,279 1 ,012 7,889 1,568 39,682
JTTH 2,360 ,693 11,580 1 ,001 10,588 2,720 41,215
JTTA 1,819 ,688 7,000 1 ,008 6,167 1,602 23,732
TS -,870 ,718 1,469 1 ,226 ,419 ,103 1,711
MT 2,026 ,741 7,469 1 ,006 7,584 1,774 32,429
Constant -3,409 ,950 12,884 1 ,000 ,033
Step
a
KR 2,221 ,817 7,383 1 ,007 9,216 1,857 45,741
5 JTTH 2,409 ,687 12,282 1 ,000 11,127 2,892 42,815
JTTA 1,869 ,672 7,741 1 ,005 6,482 1,737 24,184
TS -,932 ,705 1,750 1 ,186 ,394 ,099 1,567
MT 1,965 ,730 7,249 1 ,007 7,132 1,706 29,805
Constant -3,237 ,914 12,543 1 ,000 ,039
Step
a
KR 2,340 ,819 8,169 1 ,004 10,384 2,086 51,679
6 JTTH 2,475 ,685 13,061 1 ,000 11,885 3,105 45,497
JTTA 1,951 ,662 8,695 1 ,003 7,033 1,923 25,718
MT 1,805 ,686 6,932 1 ,008 6,081 1,586 23,311
Constant -3,562 ,886 16,174 1 ,000 ,028
a. Variable(s) entered on step 1: JK, USIA, SUKU, KR, JTTH, JTTA, TS, MT, MB.
Halaman 67 of 68
Tabel 1. Beberapa Jenis Uji Statistik dan Kegunaannya
Skala Variabel
No Tujuan Model (Uji Statistik) Ket.
Y X
1 Uji Perbandingan Numerik - 1. Uji-t satu sampel Statistika
Numerik Kategorik 2. Uji-t dua sampel Parametrik
independen
Numerik Kategorik 3. Uji-t berpasangan
Numerik Kategorik 4. ANOVA
Numerik Kategorik 5. ANCOVA
Numerik/ - 1. Uji Tanda Statistika
ordinal Nonparametrik
Numerik/ - 2. Uji Peringkat Bertanda (bebas asumsi)
ordinal Wilcoxon
Numerik Kategorik 3. Uji Mann-Whitney
Numerik Kategorik 4. Uji Kruskall-Wallis
Kategorik - 5. Uji Proporsi
Kategorik Kategorik 6. Uji Beda Proporsi
2 Uji Hubungan Numerik Numerik 1. Analisis Korelasi Statistika
Numerik Numerik/ 2. Regresi Linear Parametrik
Kategorik
Kategorik Numerik/ 3. Regresi Logistik
Kategorik
Numerik Kategorik 4. ANOVA
Numerik/ Numerik/ 1. Korelasi Peringkat Statistika
ordinal ordinal Spearmen Nonparametrik
Kategorik Kategorik 2. Chi-Kuadrat (bebas asumsi)
Kategorik Kategorik 3. Mc Nemar
3 Uji Ramalan Numeri/ Numerik/ Segala bentuk Statistika
Kategorik Kategorik analisis regresi Parametrik
Numerik - Time Series Analisis
Catatan:
1. Skala Interval atau Rasio termasuk Numerik
2. Skala Nominal atau Ordinal termasuk Kategorik
Halaman 68 of 68

Aplikasi Komputer Using SPSS 2018-2

Diunggah oleh

Informasi Dokumen

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

Aplikasi Komputer Using SPSS 2018-2

Diunggah oleh

Hak Cipta:

Format Tersedia

APLIKASI KOMPUTER

Dr. Yacob Ruru, M.Stats.

Pengertian Statistik dan Statistika:

Sedangkan Statistika berarti:

Statistika Menurut Fungsinya dibedakan menjadi

Statistika Inferensi (Induktif), dilandasi oleh

VARIABEL DAN SKALA

 Variabel adalah suatu sifat atau karakteristik

 Suatu variabel yang hanya dapat membedakan

VARIABEL DAN SKALA

 Variabel yang dapat membedakan, menentukan

 Jika nilai suatu variabel ditentukan oleh

POPULASI DAN SAMPEL [1]

 Himpunan dari semua hasil

 Sebagian dari populasi disebut sampel. Bila

UKURAN PEMUSATAN [1]

 Suatu nilai yang mencerminkan “pusat” dari

 Median (M) adalah nilai data yang

 Ukuran penyebaran/dispersi yang paling

 Hipotesis adalah suatu pernyataan tentang

PENGUJIAN HIPOTESIS [2]

 Karena pengambilan keputusan berdasarkan

 Kekeliruan jenis pertama terjadi bila

PENGUJIAN HIPOTESIS [4]

 Kekeliruan jenis kedua terjadi bila hipotesis

Hipotesis Nol (Ho)

PENGUJIAN HIPOTESIS [6]

PENGUJIAN HIPOTESIS [8]

ANALISIS VARIANS [1]

 Untuk menguji perbedaan rata-rata lebih dari 2

 Misalnya ada n satuan percobaan yang kira-kira

ANALISIS VARIANS [3]

Sisa p(n-1) JKsisa KTsisa

Bagan Perbandingan antar Kelompok

Jenis Data: Kategori atau Kontinu

Dua atau lebih kelompok, Berapa kelompok?

Dalam hal ini yx = rata-rata populasi Y bila variabel X = x

Regresi Linear [2]

 Sebagai penduga bagi yi     xi   i

 Berdasarkan data sampel acak, “koefisien korelasi ”

b kecil, r kecil b kecil, r besar

b besar, r kecil b besar, r besar

KETERBATASAN STATISTIKA [1]

PERANAN STATISTIKA DALAM

3. Penyusunan organisasi pelaksanaan

PERANAN STATISTIKA DALAM

PERANAN STATISTIKA DALAM

5. Hasil analisis perlu diterjemahkan dari

 Statistika merupakan suatu alat yang dapat

Tabel 1. Umur pada saat meninggal 25 orang manula dari kota A.

2. Tentukan taraf signifikansi , yaitu sebesar 5%.

Analisis menggunakan SPSS

 Pengolahan Data dengan SPSS

Output Bagian Pertama (One-Sample Statistics)

Output Bagian Kedua (One-Sample Test)

Variable N Mean StDev SE Mean

Analisis menggunakan SPSS

 Output SPSS dan Analisisnya:

Independent Samples Test

Levene's Test for

Output Bagian Pertama (Group Statistics)

BANDINGKAN HASILNYA DGN PROGRAM MINITAB 13,0

Two-Sample T-Test and CI: k_besi; metode

Two-sample T for k_besi