STATISTIKA INDUSTRI: Studi Kasus Dan Penyelesaiannya

BAB IV
PEMBAHASAN DAN ANALISIS
4.1. Korelasi
Pembahasan pada modul korelasi terdapat metode-metode untuk
menyelesaikan studi kasus. Studi kasus untuk modul korelasi yaitu mengenai
Hotel Anggrek yang ingin mengetahui pengaruh antara banyaknya promosi dan
harga kamar hotel terhadap jumlah kamar yang disewa. Metode penyelesaian
untuk studi kasus tersebut dengan perhitungan manual dan perhitungan software.
Analisis perhitungan terdiri dari analisis manual, software, dan perbandingan
manual dengan software. Berikut ini adalah studi kasus modul korelasi.
4.1.1 Studi Kasus

Hotel Anggrek merupakan hotel bintang tiga yang menyediakan jasa
penginapan bagi para wisatawan. Dalam seminggu, Hotel Anggrek melakukan
promosi guna meningkatkan banyaknya wisatawan yang menginap di hotel
tersebut. Promosi dilakukan dengan iklan di telivisi. Selain itu, kebijakan harga
penginapan juga berubah-ubah setiap minggunya sesuai dengan banyaknya
promosi yang dilakukan. Hotel Anggrek ingin mengetahui pengaruh antara
banyaknya promosi dan kebijakan harga dengan banyaknya kamar tipe deluxe
yang disewa oleh wisatawan dalam 30 minggu terakhir. Berikut adalah data
banyaknya promosi, harga kamar tipe deluxe, dan jumlah kamar yang disewa pada
Hotel Anggrek.
Tabel 4.1 Data Penyewaan Kamar Hotel Anggrek
Jumlah Kamar Yang
Banyaknya Promosi (Iklan) Harga Kamar Hotel ($)
Disewa (Unit)
(X1) (X2)
(Y)
10 400 12
40 200 24
45 150 30
20 275 15
IV-1
IV-2
Tabel 4.1 Data Penyewaan Kamar Hotel Anggrek (Lanjutan)

Jumlah Kamar Yang
Banyaknya Promosi (Iklan) Harga Kamar Hotel ($)
Disewa (Unit)
(X1) (X2)
(Y)
30 350 13
25 250 22
15 375 14
50 125 34
10 400 12
35 375 13
45 150 31
50 125 34
25 250 20
20 275 20
30 350 12
45 150 32
40 200 25
30 350 13
20 275 22
50 125 34
10 400 9
30 350 12
30 350 11
20 275 19
50 125 35
10 400 10
15 250 24
40 200 26
20 275 18
50 125 36
Berdasarkan data tersebut, Hotel Anggrek ingin mengetahui korelasi

antara banyaknya promosi, harga kamar, dan banyaknya kamar yang disewa
sebagai berikut.
1. Koefisien korelasi dan koefisien determinasi antara banyaknya promosi
dengan banyaknya kamar yang disewa, harga kamar penginapan dengan
IV-3
banyaknya kamar yang disewa, dan banyaknya promosi dengan harga kamar
tipe deluxe pada Hotel Anggrek.
2. Koefisien korelasi ganda dan koefisien determinasi ganda antara banyaknya
promosi dan harga kamar penginapan dengan banyaknya kamar yang disewa
di Hotel Anggrek.
3. Koefisien korelasi parsial antara harga kamar dengan banyaknya kamar yang
disewa bila banyaknya promosi tetap pada Hotel Anggrek.
4.1.2 Perhitungan Manual

Perhitungan manual modul korelasi terlebih dahulu menentukan
banyaknya promosi sebagai variabel X1, harga kamar sebagai variabel X2, dan
banyaknya kamar yang disewa sebagai variabel Y. Setelah itu dapat menghitung
korelasinya.
Tabel 4.2 Perhitungan Manual Korelasi
No. X1 X2 Y X12 X2 2 Y2 X1.Y X2.Y X1.X2
1 10 400 12 100 160000 144 120 4800 4000
2 40 200 24 1600 40000 576 960 4800 8000
3 45 150 30 2025 22500 900 1350 4500 6750
4 20 275 15 400 75625 225 300 4125 5500
5 30 350 13 900 122500 169 390 4550 10500
6 25 250 22 625 62500 484 550 5500 6250
7 15 375 14 225 140625 196 210 5250 5625
8 50 125 34 2500 15625 1156 1700 4250 6250
9 10 400 12 100 160000 144 120 4800 4000
10 35 375 13 1225 140625 169 455 4875 13125
11 45 150 31 2025 22500 961 1395 4650 6750
12 50 125 34 2500 15625 1156 1700 4250 6250
13 25 250 20 625 62500 400 500 5000 6250
14 20 275 20 400 75625 400 400 5500 5500
15 30 350 12 900 122500 144 360 4200 10500
16 45 150 32 2025 22500 1024 1440 4800 6750
17 40 200 25 1600 40000 625 1000 5000 8000
18 30 350 13 900 122500 169 390 4550 10500
19 20 275 22 400 75625 484 440 6050 5500
20 50 125 34 2500 15625 1156 1700 4250 6250
IV-4
Tabel 4.2 Perhitungan Manual Korelasi (Lanjutan)

No. X1 X2 Y X12 X2 2 Y2 X1.Y X2.Y X1.X2
21 10 400 9 100 160000 81 90 3600 4000
22 30 350 12 900 122500 144 360 4200 10500
23 30 350 11 900 122500 121 330 3850 10500
24 20 275 19 400 75625 361 380 5225 5500
25 50 125 35 2500 15625 1225 1750 4375 6250
26 10 400 10 100 160000 100 100 4000 4000
27 15 250 24 225 62500 576 360 6000 3750
28 40 200 26 1600 40000 676 1040 5200 8000
29 20 275 18 400 75625 324 360 4950 5500
30 50 125 36 2500 15625 1296 1800 4500 6250
∑ 910 7900 632 33200 2365000 15586 22050 141600 206500
Berdasarkan perhitungan di atas, maka dapat diketahui korelasi antara banyaknya
promosi, harga kamar, dan banyaknya kamar yang dipesan.
1. Menentukan koefisien korelasi.
a. Koefisien korelasi antara banyaknya promosi (X1) dengan banyaknya
kamar yang disewa (Y).
n  X1Y -  X1 .  Y
ry.1 =
(n  X1 - ( X1 ) 2 ) (n  Y 2 - ( Y) 2 )
2
(30 . 22050) - (910 . 632)

=
(30 . 33200 - (910) 2 ) (30 . 15586 - (632) 2 )
86380
=
106973,7931
= 0,8075
Jenis korelasinya adalah korelasi positif dan kuat, artinya hubungan antara
banyaknya promosi dengan banyaknya kamar yang disewa bersifat positif.
Koefisien determinasi antara banyaknya promosi (X1) dengan banyaknya
ry.12 = ry.12 x 100%
= (0,8075)2 x 100%
= 65,2056%
IV-5
Sumbangan atau pengaruh banyaknya promosi terhadap meningkat atau

menurunnya jumlah kamar yang disewa adalah 65,2056% sisanya
34,7944% disebabkan oleh faktor lain seperti fasilitas hotel.
b. Koefisien korelasi antara harga kamar penginapan (X2) dengan banyaknya
n X 2 Y -  X 2 .  Y
ry.2 =
(n  X 2 - ( X 2 ) 2 ) (n  Y 2 - ( Y) 2 )
2
(30 . 141600) - (7900 . 632)

=
(30 . 2365000 - (7900) 2 ) (30 . 15586 - (632) 2 )
744800
=
762923,4824
=  0,9762
Jenis korelasinya adalah korelasi negatif dan sangat kuat, artinya hubungan
antara harga kamar penginapan dengan banyaknya kamar yang disewa
bersifat negatif.
Koefisien determinasi antara harga kamar penginapan (X2) dengan
banyaknya kamar yang disewa (Y).
ry.22 = ry.22 x 100%
= (  0,9762 )2 x 100%
= 95,2966%
Pengaruh harga kamar terhadap meningkat atau menurunnya jumlah kamar
yang disewa adalah 95,2966% sisanya 4,7034% disebabkan oleh faktor
lain seperti lokasi hotel.
c. Koefisien korelasi antara banyaknya promosi (X1) dengan harga kamar
penginapan (X2).
n  X1X 2 -  X1 .  X 2
r1.2 =
(n  X 1 - ( X 1 ) 2 ) (n  X 2 - ( X 2 ) 2 )
2 2
(30 . 206500) - (910 . 7900)

=
(30 . 33200 - (910) 2 ) (30 . 2365000 - (7900) 2 )
IV-6
994000
=
1197441,439
=  0,8301
Jenis korelasinya adalah korelasi negatif dan kuat, artinya hubungan antara
banyaknya promosi dengan harga kamar penginapan bersifat negatif.
Koefisien determinasi antara banyaknya promosi (X1) dengan harga kamar
penginapan (X2).
r1.22 = r1.22 x 100%
= (  0,8301 )2 x 100%
= 68,9066%
Pengaruh banyaknya promosi terhadap mahal atau murahnya harga kamar
adalah sebesar 68,9066% sisanya 31,0934% disebabkan oleh faktor lain
seperti pelayanan.
2. Menentukan koefisien korelasi berganda antara banyaknya promosi (X1) dan
harga kamar penginapan (X2) dengan banyaknya kamar yang disewa (Y).
ry.1  ry.2 - 2 . ry.1 . ry.2 . r1.2

2 2
Ry.1.2 =
1  r1.2
2
0,6521  0,9529 - 2 . 0,8075 . - 0,9762 . - 0,8301

=
1  0,6891
0,2963
=
0,3109
= 0,9762
Artinya, keeratan hubungan antara variabel bebas yaitu banyaknya promosi
dan harga kamar sangat berpengaruh terhadap meningkat atau menurunnya
variabel terikat yaitu banyaknya kamar yang disewa.
Koefisien determinasi ganda antara banyaknya promosi (X1) dan harga kamar
penginapan (X2) dengan banyaknya kamar yang disewa (Y).
Ry.1.22 = Ry.1.2 x 100%
= (0,9762)2 x 100%
= 95,2966%
IV-7
Artinya, pengaruh jumlah periklanan dan harga kamar terhadap meningkat

atau menurunnya banyak kamar yang disewa adalah 95,2966% sisanya
4,7034% disebabkan oleh faktor selain banyaknya promosi dan harga kamar.
3. Menentukan koefisien korelasi parsial antara harga kamar (X2) dengan
banyaknya kamar yang disewa (Y) bila banyaknya promosi (X1) tetap.
ry.2 - ry.1 . r2.1
Ry2.1 =
2 2
1 - ry.1 1 - r2.1
 0,9762 - (0,8075 .  0,8301)

=
1 - 0,6521 1 - 0,6891
0,3059
=
0,3288
=  0,9303
Artinya, bila banyaknya promosi setiap minggunya tetap maka harga kamar
akan berkolerasi negatif dengan banyaknya kamar yang disewa. Sifatnya
sangat kuat.
4.1.3 Perhitungan Software

Penyelesaian modul korelasi dengan menggunakan software ini lebih cepat
dan mudah dalam proses perhitungannya. Software yang digunakan dalam
perhitungan ini yaitu dengan menggunakan software SPSS 16.0.
1. Langkah pertama yang harus dilakukan yaitu mendeskripsikan bentuk
variabel yang hendak dipakai untuk dijadikan sebagai pedoman dalam
pengolahan datanya. Berdasarkan data yang diperoleh, maka terdapat tiga
variabel yang telah teridentifikasi yaitu variabel banyaknya promosi, variabel
harga kamar hotel dan variabel jumlah kamar yang dipesan. Menentukan
variabel, dibutuhkan, software SPSS 16.0 mengklik variabel view.
Tampilannya variabel view akan menjadi sebagai berikut.
Gambar 4.1 Variabel View Korelasi

IV-8
2. Memasukkan data klik data view. Variabel yang digunakan adalah variabel
jumlah iklan, variabel harga kamar hotel dan variabel jumlah kamar yang
dipesan sebanyak 30 data.
Gambar 4.2 Data View Korelasi

3. Jika sudah input 30 data, langkah selanjutnya adalah mengklik analyze pada
menu bar, lalu memilih correlate kemudian bivariate.
Gambar 4.3 Analyze Correlate Bivariate

4. Tampilan akan seperti pada Gambar 4.4 berikut ini dengan memindahkan
‘harga kamar hotel’ dan ‘jumlah kamar yang dipesan’ pada kolom
variable(s). Kemudian memilih ok.
IV-9
Gambar 4.4 Kotak Dialog Bivariate Correlations 1

5. Hasil outputnya sebagai berikut.
Gambar 4.5 Output 1 Correlations

6. Output yang kedua, caranya sama saja seperti cara yang sebelum-sebelumnya
hanya yang dipindahkan ‘jumlah iklan’ dan ‘jumlah kamar yang dipesan’
pada kolom variable(s) pilih ok.
Gambar 4.6 Kotak Dialog Bivariate Correlations 2

IV-10
7. Hasil output ke-2 nya sebagai berikut.
Gambar 4.7 Output 2 Correlations

8. Cara untuk output ke-3, yaitu memilih kembali pada menu bar analyze,
memilih correlate, lalu mengklik partial. Berikut tampilan dari penjelasan
ini.
Gambar 4.8 Analyze Correlate Partial

9. Gambar 4.9 berikut ini menampilkan partial correlation, yang kemudian
memindahkan ‘jumlah iklan’, ‘harga kamar hotel’ pada kolom variables dan
‘jumlah kamar yang dipesan’ pada kolom controlling for pilih options.
Gambar 4.9 Kotak Dialog Partial Correlation

IV-11
10. Gambar 4.10 berikut ini, menggunakan cara yang kemudian memilih atau
memberi checklist pada kolom zero-order correlation pilih continue.
Gambar 4.10 Kotak Dialog Partial Correlation Options

11. Kotak dialog partial correlation pertama, kemudian mengklik ok dan akan
keluar output berikut ini.
Gambar 4.11 Output Tabel Correlation
4.1.4. Analisis
Berdasarkan hasil perhitungan manual dan software di atas, dapat
menganalisis keduanya dan membandingkan antara perhitungan manual dengan
perhitungan software. Berikut ini penjelasan maksud dari angka-angka yang
didapatkan dari hasil perhitungan manual dan software.
4.1.4.1 Analisis Perhitungan Manual

Berdasarkan hasil perhitungan manual di atas, dapat dilihat bahwa hasil
koefisien korelasi masing-masing masalah berbeda-beda. Koefisien korelasi
IV-12
antara banyaknya promosi (X1) dengan banyaknya kamar yang disewa (Y) adalah
sebesar 0,8075. Hal ini berarti jenis korelasinya adalah korelasi positif dan kuat,
artinya hubungan antara banyaknya promosi dengan banyaknya kamar yang
disewa bersifat positif. Jika banyaknya promosi bertambah maka banyaknya
kamar yang disewa akan meningkat dan sebaliknya. Koefisien korelasi antara
harga kamar penginapan (X2) dengan banyaknya kamar yang disewa (Y) adalah
sebesar  0,9762 . Hal ini berarti jenis korelasinya adalah korelasi negatif dan
sangat kuat, artinya hubungan antara harga kamar penginapan dengan banyaknya
kamar yang disewa bersifat negatif. Jika harga kamar penginapan mahal maka
kamar yang disewa relatif sedikit. Apabila harga kamar penginapan murah maka
kamar yang disewa banyak. Koefisien korelasi antara banyaknya promosi (X1)
dengan harga kamar penginapan (X2) adalah sebesar  0,8301 . Hal ini berarti
jenis korelasinya adalah korelasi negatif dan kuat, artinya hubungan antara
banyaknya promosi dengan harga kamar penginapan bersifat negatif. Jika
banyaknya promosi meningkat maka harga kamar penginapan cenderung menurun
dan sebaliknya.
Koefisien determinasi antara banyaknya promosi (X1) dengan banyaknya
kamar yang disewa (Y) sebesar 65,2056% berarti sumbangan atau pengaruh
banyaknya promosi terhadap meningkat atau menurunnya jumlah kamar yang
disewa adalah 65,2056% sisanya 34,7944% disebabkan oleh faktor lain. Koefisien
determinasi antara harga kamar penginapan (X2) dengan banyaknya kamar yang
disewa (Y) sebesar 95,2966% berarti pengaruh harga kamar terhadap meningkat
atau menurunnya jumlah kamar yang disewa adalah 95,2966% sisanya 4,7034%
disebabkan oleh faktor lain. Hal ini berarti harga kamar lebih berpengaruh
daripada banyaknya promosi yang dilakukan oleh Hotel Anggrek terhadap
meningkat atau menurunnya jumlah kamar yang disewa. Koefisien determinasi
antara banyaknya promosi (X1) dengan harga kamar penginapan (X2) sebesar
68,9066% berarti pengaruh banyaknya promosi terhadap mahal atau murahnya
harga kamar adalah sebesar 68,9066% sisanya 31,0934% disebabkan oleh faktor
lain. Maksud dari faktor lain tersebut bisa seperti pelayanan, sarana dan prasarana,
konsumsi, dan lain-lain.
IV-13
Koefisien korelasi ganda antara banyaknya promosi (X1) dan harga kamar
penginapan (X2) dengan banyaknya kamar yang disewa (Y) sebesar 0,9762 berarti
keeratan hubungan antara variabel bebas yaitu banyaknya promosi dan harga
kamar sangat berpengaruh terhadap meningkat atau menurunnya variabel terikat
yaitu banyaknya kamar yang disewa. Koefisien determinasi ganda antara
banyaknya promosi (X1) dan harga kamar penginapan (X2) dengan banyaknya
kamar yang disewa (Y) sebesar 95,2966% berarti pengaruh banyaknya promosi
dan harga kamar terhadap meningkat atau menurunnya banyak kamar yang
disewa adalah 95,2966% sisanya 4,7034% disebabkan oleh faktor selain
banyaknya promosi dan harga kamar seperti fasilitas hotel, pelayanan, dan
konsumsi.
Koefisien korelasi parsial antara harga kamar (X2) dengan banyaknya
kamar yang disewa (Y) bila banyaknya promosi (X1) dianggap tetap adalah
sebesar  0,9303 . Koefisien korelasi parsial ini merupakan nilai korelasi murni
yang terlepas dari pengaruh variabel lainnya yaitu banyaknya promosi karena
variabel tersebut konstan. Banyaknya promosi dianggap tetap karena dipengaruhi
oleh keterbatasan biaya untuk melakukan promosi. Sehingga setiap minggunya
promosi yang dilakukan jumlahnya sama.
4.1.4.2 Analisis Software

Analisis perhitungan software merupakan penjelasan dari hasil yang telah
diperoleh dari perhitungan software. Analisis dalam perhitungan software adalah
output bivariate correlate dan output partial correlate. Berikut ini merupakan
penjelasan dari perhitungan software.
Koefisien korelasi antara harga kamar penginapan (X2) dengan banyaknya
kamar yang disewa (Y) adalah sebesar  0,9762 . Hal ini berarti jenis korelasinya
adalah korelasi negatif dan sangat kuat. Sehingga apabila harga kamar penginapan
meningkat, maka banyaknya kamar yang disewa cenderung menurun. Dan apabila
harga kamar menurun, maka banyaknya kamar yang disewa cenderung
meningkat. Koefisien korelasi antara banyaknya promosi (X1) dengan banyaknya
kamar yang disewa (Y) adalah sebesar 0,8075. Hal ini berarti jenis korelasinya
IV-14
adalah korelasi positif dan kuat. Sehingga apabila banyaknya promosi meningkat,
maka jumlah kamar yang disewa akan meningkat pula. Dan apabila banyaknya
promosi menurun, maka jumlah kamar yang disewa akan menurun pula.
Koefisien korelasi parsial antara harga kamar (X2) dengan banyaknya
kamar yang disewa (Y) bila banyaknya promosi (X1) dianggap tetap adalah
sebesar  0,930 . Koefisien korelasi parsial ini merupakan nilai korelasi murni
yang terlepas dari pengaruh variabel lainnya yaitu banyaknya promosi karena
variabel tersebut konstan. Karena significant (2-tailed) pada korelasi parsial
tersebut, 0,000 lebih kecil daripada 0,05 maka koefisien korelasi parsial tersebut
dapat diterima. Derajat bebas pada korelasi parsial tersebut adalah 27.
4.1.4.3 Analisis Perbandingan

Berdasarkan hasil perhitungan manual dan software di atas, dapat dilihat
bahwa tidak ada perbedaan signifikan. Perbedaan hanya terletak pada pembulatan
angka. Selain itu, koefisien korelasi dari perhitungan manual maupun software
terdapat ada yang positif dan negatif. Perhitungan manual koefisien korelasi
antara banyaknya promosi dengan jumlah kamar yang dipesan sebesar 0,8075
sedangkan perhitungan software sebesar 0,807. Kedua perhitungan tersebut
menunjukkan bahwa ry.1 bersifat positif. Artinya apabila banyaknya promosi yang
dilakukan meningkat maka jumlah kamar yang dipesan akan cenderung
meningkat pula. Sebaliknya, jika banyaknya promosi yang dilakukan menurun,
maka banyaknya kamar yang dipesan akan menurun pula. Pengaruh antar dua
variabel ini tergolong kuat. Hasil antara perhitungan manual dan software tidak
ada perbedaan, hal ini berarti tidak terdapat kesalahan perhitungan data dalam
rumus perhitungan manual maupun langkah-langkah dalam perhitungan software.
Perbandingan perhitungan manual dan software adalah sebagai berikut.
Tabel 4.3 Perbandingan Perhitungan Manual dan Software Korelasi
No. Perhitungan Manual Software
1 ry.1 0,8075 0,807
2 ry.2 -0,9762 -0,976
3 Ry2.1 -0,9303 -0,930
IV-15
4.2. Regresi
Pembahasan pada modul regresi terdapat metode-metode untuk
menyelesaikan studi kasus. Studi kasus untuk modul regresi yaitu mengenai UKM
Empat Sekawan yang ingin meramalkan jumlah produksi tempe dengan prediktor
jumlah pekerja. Metode penyelesaian untuk studi kasus tersebut dengan
perhitungan manual dan perhitungan software. Analisis perhitungan terdiri dari
analisis manual, software, dan perbandingan manual dengan software. Berikut ini
adalah studi kasus modul regresi.
4.2.1 Studi Kasus

Sebuah usaha kecil menengah yang bernama UKM Empat Sekawan
memproduksi tempe pada tiap harinya. UKM tersebut memiliki 30 kantor cabang
yang tersebar di berbagai kota di Indonesia. Masing-masing kantor cabang tidak
memiliki pekerja yang jumlahnya tetap setiap harinya. Hal ini dikarenakan sakit
atau sedang bekerja ditempat lain. Tidak tetapnya banyaknya pekerja pada UKM
Empat Sekawan mengakibatkan jumlah produksi tempe tidak selalu tetap di
berbagai kota. Data produksi UKM Empat Sekawan di 30 kota adalah sebagai
berikut:
Tabel 4.4 Data Produksi UKM Empat Sekawan
Banyaknya Pekerja Jumlah Produksi
Kota
(Orang) (pack)
Bekasi 15 180
Malang 11 132
Depok 12 144
Jakarta 13 156
Bogor 13 150
Bandung 12 144
Sukabumi 11 132
Cirebon 14 155
Cilegon 17 190
Banten 16 185
Surabaya 12 147
Solo 16 185
Yogyakarta 16 186
IV-16
Tabel 4.4 Data Produksi UKM Empat Sekawan (Lanjutan)

Banyaknya Pekerja Jumlah Produksi
Kota
(Orang) (pack)
Bengkulu 15 180
Samarinda 18 216
Palembang 15 176
Madura 12 144
Manado 14 150
Gombong 14 155
Purworejo 17 190
Kebumen 19 228
Tasikmalaya 15 176
Garut 13 156
Purwodadi 12 140
Medan 18 216
Aceh 17 185
Majalengka 16 186
Bali 13 150
Lombok 14 155
Lampung 11 130
Berdasarkan data di atas, UKM Empat Sekawan ingin mengetahui
peramalan jumlah produksi tempe di masa yang akan datang dengan prediktor
jumlah pekerja. Penyelesaiannya dengan menggunakan rumus regresi dan
menentukan jumlah produksi tempe jika jumlah pekerja 20 orang.

Perhitungan manual untuk modul regresi, terdiri dari perhitungan regresi
linier dan peramalan jumlah produksi tempe. Berikut ini adalah perhitungan
regresi:
1. Persamaan regresi antara jumlah pekerja terhadap jumlah produksi tempe.
Terlebih dahulu dibuat tabel perhitungan antara variabel bebas (X) yaitu
jumlah pekerja dengan variabel terikat (Y) yaitu jumlah produksi sebagai
berikut.
IV-17
Tabel 4.5 Perhitungan Regresi

No. X1 Y XY X2 Y2
1 15 180 2700 225 32400
2 11 132 1452 121 17424
3 12 144 1728 144 20736
4 13 156 2028 169 24336
5 13 150 1950 169 22500
6 12 144 1728 144 20736
7 11 132 1452 121 17424
8 14 155 2170 196 24025
9 17 190 3230 289 36100
10 16 185 2960 256 34225
11 12 147 1764 144 21609
12 16 185 2960 256 34225
13 16 186 2976 256 34596
14 15 180 2700 225 32400
15 18 216 3888 324 46656
16 15 176 2640 225 30976
17 12 144 1728 144 20736
18 14 150 2100 196 22500
19 14 155 2170 196 24025
20 17 190 3230 289 36100
21 19 228 4332 361 51984
22 15 176 2640 225 30976
23 13 156 2028 169 24336
24 12 140 1680 144 19600
25 18 216 3888 324 46656
26 17 185 3145 289 34225
27 16 186 2976 256 34596
28 13 150 1950 169 22500
29 14 155 2170 196 24025
30 11 130 1430 121 16900
∑ 431 5019 73793 6343 859527
Setelah membuat tabel perhitungan seperti di atas, maka langkah selanjutnya
menghitung nilai slop (b). Hitung b dengan rumus:
n  X i Yi   X i  Yi 
b
n  X i   X i 
2 2
IV-18
(30  73793) - (431  5019)

b
(30  6343) - (431) 2
50601
b
4529
b = 11,1726
Langkah selanjutnya yaitu menghitung nilai intersep (a). Menghitung a
dengan rumus:
a  Y  bX
Y
 Y  5019  167,3
n 30
X
 X  431  14,3667
n 30
Maka
a  167,3  (11,1726  14,3667)
a  6,7866
Memasukkan nilai intersep (a) dan slop (b) ke dalam persamaan regresi:
Y  a  bX
Y  6,7866  11,1726X
Jadi, persamaan regresi antara jumlah pekerja (X1) terhadap banyaknya
produksi (Y) adalah Y = 6,7866 + 11,1726. Artinya setiap jumlah pekerja
ditambah 1 maka jumlah produksi akan bertambah sebanyak 17,9592 ≈ 18.
2. Jika jumlah pekerja 20 orang, maka jumlah produksi tempe yaitu:
Y = 6,7866 + 11,1726
Y  6,7866  (11,1726  20)
Y  230,2386
Jadi, jika jumlah pekerja yang bekerja pada PT. Empat Sekawan sebanyak 30
orang, kemungkinan akan memproduksi 230,2386 ≈ 230 pack tempe.
IV-19

Pada penyelesaian dengan menggunakan software ini lebih cepat dan
mudah dalam proses perhitungannya. Software yang digunakan dalam
perhitungan ini yaitu dengan menggunakan software SPSS 16.0. Berikut ini
langkah-langkah perhitungan software.
1. Sebelum membuat output terlebih dahulu ke variabel view masukan data
seperti tampilan di bawah ini.
Gambar 4.12 Variabel View Regresi

2. Memasukkan data klik data view. Variabel yang digunakan adalah variabel
kota, variabel banyaknya pekerja dan variabel jumlah produksi sebanyak 30
data.
Gambar 4.13 Data View Regresi

3. Jika sudah input 30 data, langkah selanjutnya adalah mengklik analyze pada
menu bar, lalu memilih regression, selanjutnya memilih linear.
Gambar 4.14 Analyze Regression Linear

IV-20
4. Mengisi jumlah produksi pada kolom dependent karena merupakan variabel

tergantung dan pada kolom independent kita isikan banyaknya pekerja karena
merupakan variabel bebas. Oleh karena kasus didasarkan pada 30 kota maka
isikan kolom case labels dengan variabel kota.
Gambar 4.15 Kotak Dialog Linear Regression

5. Memilih estimates pada regression: Statistics kemudian pada kolom sebelah
kanan klik descriptives dan model fit sedangkan pada residuals mengklik
casewise diagnostics dan memilih all cases untuk melihat pengaruh regresi
terhadap 30 kota dan klik continue.
Gambar 4.16 Kotak Dialog Linear Regression: Statistics

6. Gambar 4.17 untuk scatter 1 of 1 isi variabel X dengan ZPRED dan variabel
Y dengan SDRESID kemudian mengklik continue.
Gambar 4.17 Kotak Dialog Linear Regression: Plots

IV-21
7. Pengisiannya sama seperti sebelumnya, hanya disini merubah variabel X

dengan DEPENDNT dan variabel Y dengan ZPRED. Selanjutnya pada
standardized residual plots pilih normal probability plot setelah itu mengklik
continue.
Gambar 4.18 Kotak Dialog Linear Regression: Plots

8. Stepping method criteria karena mengambil standar angka probabilitas
sebesar 5% maka selanjutnya pilih entry .05 setelah itu memilih include
constant in equation sedangkan untuk missing values pilih exclude cases
listwise. Setelah itu klik continue dan ok.
Gambar 4.19 Kotak Dialog Linear Regression: Options

9. Hasil Output berdasarkan langkah-langkah di atas akan sebagai berikut.
Gambar 4.20 Output Descriptive statistics
Gambar 4.21 Output Correlations

IV-22
Gambar 4.22 Output Variables entered/removedb
Gambar 4.23 Output Model summaryb
Gambar 4.24 Output Anovaa
Gambar 4.25 Output Coefficients
Gambar 4.26 Output Casewise Diagnostics

IV-23
Gambar 4.26 Output Casewise Diagnostics (Lanjutan)
Gambar 4.27 Output Residual statistics
Gambar 4.28 Diagram Normal P-P of Regression Standardized Residual
Gambar 4.29 Diagram Scatterplot Regression Studentized Deleted

IV-24
Gambar 4.30 Diagram Scatterplot Regression Standardized Predicted
4.2.4. Analisis

Berdasarkan perhitungan manual, terdapat dua variabel yaitu variabel
bebas dan variabel terikat. Variabel bebas yaitu jumlah pekerja sedangkan
variabel terikat yaitu banyaknya produksi tempe. Hal ini berarti jumlah pekerja
meramalkan jumlah tempe yang diproduksi. Untuk mengetahui persamaan regresi
berdasarkan data UKM Empat Sekawan sebaiknya terlebih dahulu membuat tabel
perhitungan berupa X, Y, XY dan X2 . Setelah didapatkan jumlah dari
perhitungan tersebut, maka nilai-nilai tersebut dimasukkan ke dalam rumus b
terlebih dahulu dan didapatkan sebesar 11,1726. Nilai ini menunjukkan gradien
atau kemiringan garis regresi linier. Karena nilai tersebut positif, maka
kemiringan garis regresi linier adalah ke kanan. Semakin besar nilai b, maka akan
semakin mempengaruhi nilai peramalan untuk Y atau variabel terikatnya. Nilai b
ini disebut juga sebagai slop. Setelah mendapatkan nilai b, maka selanjutnya
IV-25
menghitung untuk mendapatkan nilai a (intersep) dan didapatkan nilai a sebesar

6,7866. Nilai a ini menunjukkan garis potong pada sumbu tegak.
Bila telah mendapatkan nilai a dan nilai b, maka dimasukkan ke dalam
persamaan regresi linier. Sehingga didapatkan persamaan regresi antara jumlah
pekerja (X1) terhadap banyaknya produksi (Y) adalah Y = 6,7866 + 11,1726X.
Artinya setiap jumlah pekerja ditambah 1 maka jumlah produksi akan bertambah
sebanyak 17,9592 atau kira-kira 18 pack tempe .
4.2.4.2 Analisis Software

Berdasarkan hasil perhitungan software pada output descriptive statistics
dan correlations didapatkan rata-rata banyaknya pekerja 14,37 dengan standar
deviasi 2,282. Rata-rata jumlah produksi 167,30 dengan standar deviasi 26,162.
Besar hubungan antara varibel banyaknya pekerja dengan jumlah produksi yang
dihitung dengan koefisien korelasi adalah 0,974. Ini berarti antara varibel
banyaknya pekerja dengan jumlah produksi memiliki hubungan yang kuat. Arah
hubungan yang positif menunjukkan semakin sedikit banyaknya pekerja semakin
kecil jumlah produksinya, demikian pula sebaliknya. Analisis pada output model
summaryb, R menunjukkan korelasi sebesar 0,974. R square menunjukkan
determinasi sebesar 0,949. Adjust R square 0,635 , karna nilai R square lebih
besar dari nilai adjust R square maka menyatakan data ini layak dengan regresi.
Korelasi sebesar 0,949 menunjukkan hubungan antara jumlah pekerja dengan
banyaknya produksi tempe kuat dan koefisien determinasi nya sebesar 94,9%
sisanya 5,1% disebabkan oleh faktor lain seperti banyaknya bahan baku std.error
of the estimate sebesar 5,986 lebih besar daripada nilai standart error pada output
descriptive statistics sebesar 2,282 menandakan data yang telah digunakan bagus
dan baik.
Analisis coefficientsa nilai a (intersep) sebesar 6,786 sedangkan nilai b
(slop) sebesar 11,173 menghasilkan persamaan regresi linear yaitu Y= 6,786 +
11,173X. Nilai Thitung sebesar 22,293 lebih besar daripada nilai Ttabel sebesar
2,048. Maka H0 ditolak berarti ada pengaruh antara banyaknya pekerja dengan
jumlah produksi. Significant yang diperoleh dari perhitungan software didapat
IV-26
0,000 lebih kecil daripada 0,05 mempunyai arti H0 ditolak berarti ada pengaruh
antara banyaknya pekerja dengan jumlah produksi.
Analisis pada casewise diagnostics yaitu standard residual menunjukkan
penyimpangan dari residual. Residual sendiri merupakan selisih dari nilai yang
diramalkan dengan nilai hasil peramalan. Semua nilai std.residual dari masing-
masing data memiliki nilai yang lebih kecil dibandingkan dengan nilai residual.
Hal ini menunjukkan semua data baik dan layak digunakan untuk peramalan.
Nilai positif menunjukkan nilai peramalan lebih kecil sedangkan nilai negatif
menunjukkan nilai peramalan lebih besar daripada nilai yang diramalkan.
Berdasarkan output residual statisticsa ,nilai peramalan untuk tingkat produksi
terkecil adalah 129,69 sedangkan untuk tingkat produksi terbesar adalah 219,67.
Rata-rata nilai peramalan adalah 167,30 dengan standar deviasi sebesar 25,492.
Standar nilai permalan terkecil adalah sebesar -1,476 dan terbesar adalah 2,031.
Nilai adjust predicted value terkecil adalah sebesar 6,9375 dan terbesar adalah
sebesar 217,16. Selisih untuk nilai banyaknya produksi dengan nilai
peramalannya terkecil adalah -1,44290 dan terbesar adalah 5,68649.
Analisis pada diagram normal P-P of regression standardized residual
semakin mendekati titik 0 maka ramalan semakin mendekati nilai kenyataan. Data
yang dibawah garis regresi linear memiliki selisih residual yang negatif
sedangkan yang diatas memiliki selisih residual yang positif. Pada diagram
scatterplot regression studentized deleted (press) residual dan diagram scatterplot
regression standart predicted value koordinat kota yang mendekati nilai nol
semakin bagus digunakan untu peramalan.

Berdasarkan hasil perhitungan antara manual dan software terdapat
perbedaan yaitu pada hasil peramalannya. Perhitungan manual yang diramalkan
adalah berdasarkan keseluruhan data sedangkan pada software yang diramalkan
adalah masing-masing data. Kedua perhitungan yaitu manual dan software
menghasilkan nilai yang sama pada intersep (a), nilai slop (b), dan persamaan
regresi linier meskipun beda dalam hasil pembulatan. Nilai intersep pada manual
IV-27
yaitu 6,7866 dan nilai slop sebesar 11,1726. Sehingga persamaan regresi liniernya
adalah Y = 6,7866 + 11,1726X. Perhitungan software nilai intersep yaitu 6,786
dan nilai slop sebesar 11,173. Sehingga persamaan regresi liniernya adalah Y =
6,786 + 11,173X.
4.3. Chi-Square
Pembahasan modul uji chi-square terdapat metode-metode untuk
penyelesaian studi kasus. Studi kasus modul chi-square yaitu tentang uji kebaikan
suai dan uji kebebasan. Studi kasus tersebut diselesaikan dengan dua metode yaitu
perhitungan manual dan perhitungan software. Analisis terdiri dari analisis
perhitungan manual, software, dan perbandingan manual dengan software.
Berikut ini adalah studi kasus dari modul chi-square.
4.3.1 Studi Kasus

Modul uji chi-square terdapat dua studi kasus yaitu tentang produksi
tempe pada UKM Empat Sekawan dan selera film impor oleh masyarakat di 5
kota. Penyelesaian untuk studi kasus produksi tempe dengan uji kebaikan suai
sedangkan studi kasus selera film impor dengan uji kebebasan. Berikut ini adalah
studi kasus modul chi-square.
1. Uji Kebaikan Suai
Sebuah usaha kecil menengah (UKM) Empat Sekawan memproduksi
tempe pada tiap harinya. UKM tersebut mengambil data banyaknya tempe
yang diproduksi selama 30 hari. Ternyata jumlah tempe yang diproduksi tidak
selalu tetap tiap harinya. Hal ini dipengaruhi berbagai faktor produksi seperti
tenaga kerja, bahan baku, dan alat produksi. Berikut adalah data jumlah
produksi tempe selama 30 hari pada UKM Empat Sekawan.
Tabel 4.6 Data Jumlah Produksi UKM Empat Sekawan
No. Hari Jumlah Produksi (pieces) No. Hari Jumlah Produksi (pieces)
1 1 180 16 16 176
2 2 132 17 17 144
3 3 144 18 18 150
IV-28
Tabel 4.6 Data Jumlah Produksi UKM Empat Sekawan (Lanjutan)

No. Hari Jumlah Produksi (pieces) No. Hari Jumlah Produksi (pieces)
4 4 156 19 19 155
5 5 150 20 20 190
6 6 144 21 21 228
7 7 132 22 22 176
8 8 155 23 23 156
9 9 190 24 24 140
10 10 185 25 25 216
11 11 147 26 26 185
12 12 185 27 27 186
13 13 186 28 28 150
14 14 180 29 29 155
15 15 216 30 30 130
Berdasarkan data jumlah produksi tempe pada tabel tersebut dengan taraf
5%, UKM tersebut ingin mengetahui apakah jumlah produksi tempe selama
30 hari merata atau tidak. Dengan mengetahui jumlah produksi tempe tidak
merata selama 30 hari, UKM tersebut berharap mampu meningkatkan jumlah
produksi tempenya dengan menambah faktor-faktor produksinya untuk masa
mendatang.
2. Uji Kebebasan
Sebuah badan distributor film impor ingin mengetahui selera masyarakat
terhadap beberapa jenis film di Jakarta, Bandung, Surabaya, Makassar, dan
Medan dengan kuisioner. Hal tersebut untuk mengetahui apakah ada
keterkaitan selera jenis film impor pada masing-masing kota. Suatu sampel
diambil dengan mengisi kuisioner oleh setiap pengunjung bioskop yang
membeli tiket. Kuisioner yang diberikan mengenai jenis film impor mana
yang disukai. Banyaknya sampel yaitu 180 orang di Medan, 300 orang di
Jakarta, 230 orang di Surabaya, 220 orang di Makassar, dan 260 orang di
Bandung. Banyaknya sampel pada setiap kota berbeda-beda, hal ini karena
disesuaikan dengan jumlah bioskop yang tersedia di masing-masing kota.
Hasil kuisioner diperoleh sebagai berikut
Tabel 4.7 Data Kuisioner Masyarakat
Jenis Film Medan Jakarta Surabaya Makassar Bandung Jumlah
Drama 60 100 80 50 60 350
Western 30 30 30 20 40 150
Dokumenter 30 40 50 10 40 170
Komedi 40 70 40 60 50 260
IV-29
Tabel 4.7 Data Kuisioner Masyarakat (Lanjutan)

Jenis Film Medan Jakarta Surabaya Makassar Bandung Jumlah
Horror 20 60 30 80 70 260
Jumlah 180 300 230 220 260 1190
Berdasarkan data kuisioner tersebut, badan distributor film tersebut ingin

menguji apakah ada perbedaan yang berarti antara selera dalam kelima jenis
film tersebut di lima kota tersebut dengan taraf nyata 5%. Dengan mengetahui
ada perbedaan tersebut, maka diharapkan distributor film tersebut mampu
menambah jenis film impor sesuai dengan yang paling banyak disukai
masyarakat pada masing-masing kota.

Perhitungan manual modul chi-square terbagi menjadi dua yaitu
perhitungan manual untuk uji kebaikan suai dan uji kebebasan. Berikut ini
merupakan perhitungan manual modul chi-square.
1. Uji kebaikan suai
Perhitungan manual untuk uji kebaikan suai digunakan untuk mengetahui
apakah data pengamatan merata atau tidak. Berikut ini adalah perhitungan
untuk uji kebaikan suai.
a. Menentukan formulasi hipotesis:
H0 : Jumlah produksi tempe selama 30 hari merata.
Ha : Jumlah produksi tempe selama 30 hari tidak merata.
b. Menentukan derajat kebebasan dan nilai kritis.
Karena banyaknya kelas (k) = 30, Maka : d.f. = k – 1 = 30 – 1 = 29
Dengan melihat tabel Chi-square didapatkan χ2(0,05)(29) = 42,557
c. Menghitung χ2hitung dengan tabel penolong seperti di bawah ini.
Rata-rata jumlah produksi tempe dalam 30 hari:
X
 X  5019  167 ,3
n 30
Contoh perhitungan nilai uji statistik χ2 adalah
χ2 = ( f 0  f e )  (180  167 ,3) = 0,9641

2 2
fe 167 ,3
IV-30
Tabel 4.8 Perhitungan Nilai Uji Statistik χ2

(f 0  f e ) 2
No. f0 f0-fe (fo-fe)2
fe
1 180 12.7 161.29 0.9641
2 132 -35.3 1246.09 7.4482
3 144 -23.3 542.89 3.2450
4 156 -11.3 127.69 0.7632
5 150 -17.3 299.29 1.7889
6 144 -23.3 542.89 3.2450
7 132 -35.3 1246.09 7.4482
8 155 -12.3 151.29 0.9043
9 190 22.7 515.29 3.0800
10 185 17.7 313.29 1.8726
11 147 -20.3 412.09 2.4632
12 185 17.7 313.29 1.8726
13 186 18.7 349.69 2.0902
14 180 12.7 161.29 0.9641
15 216 48.7 2371.69 14.1763
16 176 8.7 75.69 0.4524
17 144 -23.3 542.89 3.2450
18 150 -17.3 299.29 1.7889
19 155 -12.3 151.29 0.9043
20 190 22.7 515.29 3.0800
21 228 60.7 3684.49 22.0233
22 176 8.7 75.69 0.4524
23 156 -11.3 127.69 0.7632
24 140 -27.3 745.29 4.4548
25 216 48.7 2371.69 14.1763
26 185 17.7 313.29 1.8726
27 186 18.7 349.69 2.0902
28 150 -17.3 299.29 1.7889
29 155 -12.3 151.29 0.9043
30 130 -37.3 1391.29 8.3161
Jumlah 5019 118.6390
d. Kesimpulan
Berdasarkan taraf nyata 0,05, maka dapat disimpulkan bahwa nilai statistik
χ2hitung =118,6390 lebih besar daripada nilai tabel χ2(0,05)(29) = 42,557, χ2hitung
lebih besar χ2tabel berarti kita menolak H0 dan menerima Ha yang
menyatakan produksi tempe selama 30 hari tidak merata atau tidak sama.
IV-31
2. Uji kebebasan
Perhitungan manual untuk uji kebebasan digunakan untuk mengetahui
apakah perbedaan yang diamati dari beberapa proporsi sampel cukup besar
atau tidak ada perbedaan sama sekali. Berikut ini adalah perhitungan untuk
uji kebaikan suai.
a. Menentukan formulasi hipotesis:
H0: Banyaknya jenis film impor yang disukai masyarakat bersifat saling
bebas pada 5 kota.
Ha: Banyaknya jenis film impor yang disukai masyarakat bersifat tidak
saling bebas pada 5 kota.
b. Menentukan nilai χ2tabel dari derajat bebas dan taraf nyata.
α = 5% = 0,05
d.f. = (5 – 1)(5 – 1) = 16
χ2(0,05)(16) = 26,296
c. Menentukan kriteria pengujian antara χ2hitung dan χ2tabel.
H0 diterima apabila χ2hitung ≤ 26,296
H0 ditolak apabila χ2hitung > 26,296
d. Menguji nilai statistik.
n1 = 350 n2 = 150 n3 = 170 n4 = 260 n5 = 260
n1 = 180 n2 = 300 n3 = 230 n4 = 220 n5 = 260
n = 1190
i = 1, 2, 3, 4, 5
j = 1, 2, 3, 4, 5
Berdasarkan data di atas, maka langkah selanjutnya menentukan frekuensi
harapan. Berikut adalah nilai frekuensi harapan untuk masing-masing data.
350 x 180 350 x 220
e11 =  52,9412 e14 =  64,7058
1190 1190
350 x 300 350 x 260
e12 =  88,2353 e15 =  76,4706
1190 1190
350 x 230
e13 =  67 ,6471
1190
IV-32
150 x 180 150 x 220

e21 =  22,6891 e24 =  27,7311
1190 1190
150 x 300 150 x 260
e22 =  37,8151 e25 =  32,7731
1190 1190
150 x 230
e23 =  28,9916
1190
170 x 180 170 x 220

e31 =  25,7143 e34 =  31,4286
1190 1190
170 x 300 170 x 260
e32 =  42,8571 e35 =  37,1428
1190 1190
170 x 230
e33 =  32,8571
1190
260 x 180 260 x 220

e41 =  39,3277 e44 =  48,0672
1190 1190
260 x 300 260 x 260
e42 =  65,5462 e45 =  56,8067
1190 1190
260 x 230
e43 =  50,2521
1190
260 x 180 260 x 220

e51 =  39,3277 e54 =  48,0672
1190 1190
260 x 300 260 x 260
e52 =  65,5462 e55 =  56,8067
1190 1190
260 x 230
e53 =  50,2521
1190
Berdasarkan nilai-nilai frekuensi harapan di atas, maka langkah
selanjutnya menghitung nilai χ. Berikut adalah nilai χ untuk uji kebebasan.
Tabel 4.9 Perhitungan Uji Kebebasan
No. nij eij nij-eij (nij-eij)2

n ij  e ij 2
e ij
1 60 52.9412 7.0588 49.8267 0.9412
2 100 88.2353 11.7647 138.4082 1.5686
IV-33
Tabel 4.9 Perhitungan Uji Kebebasan (Lanjutan)
No. nij eij nij-eij (nij-eij)2

n ij  e ij 2
e ij
3 80 67.6471 12.3529 152.5941 2.2557
4 50 64.7058 -14.7058 216.2606 3.3422
5 60 76.4706 -16.4706 271.2807 3.5475
6 30 22.6891 7.3109 53.4493 2.3557
7 30 37.8151 -7.8151 61.0758 1.6151
8 30 28.9916 1.0084 1.0169 0.0351
9 20 27.7311 -7.7311 59.7699 2.1553
10 40 32.7731 7.2269 52.2281 1.5936
11 30 25.7143 4.2857 18.3672 0.7143
12 40 42.8571 -2.8571 8.1630 0.1905
13 50 32.8571 17.1429 293.8790 8.9442
14 10 31.4286 -21.4286 459.1849 14.6104
15 40 37.1428 2.8572 8.1636 0.2198
16 40 39.3277 0.6723 0.4520 0.0115
17 70 65.5462 4.4538 19.8363 0.3026
18 40 50.2521 -10.2521 105.1056 2.0916
19 60 48.0672 11.9328 142.3917 2.9623
20 50 56.8067 -6.8067 46.3312 0.8156
21 20 39.3277 -19.3277 373.5600 9.4986
22 60 65.5462 -5.5462 30.7603 0.4693
23 30 50.2521 -20.2521 410.1476 8.1618
24 80 48.0672 31.9328 1019.7037 21.2141
25 70 56.8067 13.1933 174.0632 3.0641
Jumlah 92.6809
Berdasarkan perhitungan di atas didapat χ 2
hitung sebesar 92,6809
e. Kesimpulan
Berdasarkan perhitungan uji kebebaan didapat bahwa χ2hitung = 92,6809 >
χ2(0,05)(16) = 26,296 maka H0 ditolak dan Ha diterima. Jadi, terdapat
perbedaan atau bersifat tidak saling bebas antara selera jenis film pada
masing-masing kota pada Bandung, Jakarta, Surabaya, Makassar, dan
Medan.
IV-34

Langkah selanjutnya setelah perhitungan manual adalah perhitungan
dengan menggunakan software. Software yang digunakan dalam perhitungan ini
adalah SPSS 16.0. Berikut ini adalah pengolahan software untuk mendapatkan
output dari uji kebaikan suai dan uji kebebasan menggunakan software.
Pengolahan software untuk uji kebaikan suai atau uji kecocokan terdiri
dari perhitungan frekuensi harapan dan frekuensi kenyataannya. Berikut ini
beberapa langkah untuk mendapatkan output uji kebaikan suai.
a. Langkah pertama mengetik variabel hari dan jumlah produksi tempe pada
variabel view. Seperti pada gambar berikut ini.
Gambar 4.31 Variabel View Uji Kebaikan Suai

b. Memasukkan data klik data view.Variabel yang digunakan adalah variabel
hari dan variabel jumlah produksi tempe sebanyak 30 data.
Gambar 4.32 Data View Uji Kebaikan Suai

c. Jika sudah input data sebanyak 30 data, langkah selanjutnya memilih Data
lalu memilih Weight Case.
IV-35
Gambar 4.33 Data Weight Case Uji Kebaikan Suai

d. Pada Gambar 4.34 berikut ini, mengklik atau beri tanda pada weight cases
by, lalu memindahkan jumlah produksi tempe. Kemudian mengklik ok.
Gambar 4.34 Kotak Dialog Weight Case Uji Kebaikan Suai

e. Langkah selanjutnya itu masuk kembali memilih menu bar analyze,
kemudian memilih nonparametric tests, lalu memilih chi-square.
Gambar 4.35 Analyze Nonparametric Tests Uji Kebaikan Suai

IV-36
f. Maka akan keluar kotak dialog seperti Gambar 4.36 dibawah ini.
Kemudian memindahkan hari pada kolom test variable list. Setelah itu
mengklik ok.
Gambar 4.36 Kotak Dialog Chi-Square Test Uji Kebaikan Suai

g. Hasil Outputnya sebagai berikut.
Gambar 4.37 Output Frequencies Uji Kebaikan Suai
Gambar 4.38 Output Test Statistics Uji Kebaikan Suai

IV-37
2. Uji kebebasan
Perhitungan pada software uji kebebasan dapat dibandingkan antara
frekuensi yang diharapkan dengan frekuensi observasi. Berikut ini beberapa
langkah untuk mendapatkan output uji kebebasan.
a. Langkah pertama adalah masuk kedalam variabel view yang terdapat pada
software SPSS 16.0. Kemudian memasukkan variabel kota dan jenis film.
Lalu mengubah kolom values dengan cara mengklik pada bagian yang
telah ditentukan, kemudian mengisi dengan data yang dibutuhkan.
Gambar 4.39 Variabel View Uji Kebebasan

b. Mengisi pada kolom values untuk data kota di klik dan akan tampil kotak
dialog, kemudian isi dengan data yang ada. Seperti pada Gambar 4.40
berikut.
Gambar 4.40 Kotak Dialog Value Labels 1 Uji Kebebasan

c. Setelah itu pada kolom values untuk data jenis film, mengklik dan akan
muncul tampilan kotak dialog, kemudian mengisi dengan data yang ada.
Berikut gambar dari penjelasan tersebut.
Gambar 4.41 Kotak Dialog Value Label 2 Uji Kebebasan

IV-38
d. Memasukkan data klik data view. Variabel yang digunakan adalah

sebanyak 25 data.
Gambar 4.42 Data View Uji Kebebasan

e. Langkah selanjutnya pada menu bar memilih data kemudian weight cases.
Gambar 4.43 Data Weight Cases Uji Kebebasan

f. Selanjutnya, kemudian mengklik atau memberi tanda pada weight cases
by, lalu memindahkan jumlah. Kemudian mengklik ok.
Gambar 4.44 Kotak Dialog Weight Cases Uji Kebebasan

IV-39
g. Langkah selanjutnya adalah kembali pada data view, kemudian memilih

analyze pada menu bar, lalu memilih descriptive statistics lalu crosstabs.
Gambar 4.45 Analyze Descriptive Statistics Crosstabs Uji Kebebasan

h. Muncul kotak dialog crosstabs. Lalu memindahkan jenis_film pada
row(s), dan kota pada column(s). Seperti pada gambar dibawah ini.
Gambar 4.46 Kotak Dialog Crosstabs Uji Kebebasan

i. Selanjutnya, memilih opsi statistics, kemudian memberi tanda checklist
pada kolom chi-square. Lalu mengklik continue.
Gambar 4.47 Kotak Dialog Crosstabs Statistics Uji Kebebasan

IV-40
j. Memilih opsi cell, kemudian memberi tanda checklist pada kolom

expected. Lalu memilih continue.
Gambar 4.48 Kotak Dialog Crosstabs Cell Display Uji Kebebasan

k. Kemudian memilih opsi format, lalu beri tanda pada kolom ascending.
Gambar 4.49 Kotak Dialog Crosstabs Format Uji Kebebasan

l. Hasil Outputnya adalah sebagai berikut.
Gambar 4.50 Output Case Processing Summary Uji Kebebasan
Gambar 4.51 Output Crosstabulation Uji Kebebasan

IV-41
Gambar 4.52 Output Chi-Square Test Uji Kebebasan
4.3.4. Analisis
didapatkan dari perhitungan manual dan software.

Analisis perhitungan manual pada modul Chi-square dilakukan sebanyak
dua kali, yaitu analisis terhadap uji kebaikan suai dan uji kebebasan. Berikut ini
adalah analisis dari kedua perhitungan manual tersebut.
Hasil perhitungan manual untuk studi kasus pertama adalah mengenai data
jumlah produksi tempe pada UKM Empat Sekawan selama 30 hari.
Berdasarkan jenis studi kasusnya dikategorikan sebagai uji kebaikan suai.
Berdasarkan perhitungan terdapat taraf nyata sebesar 5% (0,05) dan derajat
kebebasan (df) sebesar 29 maka diperoleh χ2tabel sebesar 42,557. Berdasarkan
perhitungan manual didapatkan χ2hitung sebesar 118,6390. Karena nilai
statistik χ2hitung sebesar 118,6390 lebih besar daripada nilai tabel χ2(0,05)(29)
sebesar 42,557 berarti H0 ditolak dan Ha diterima, sehingga dinyatakan bahwa
jumlah produksi tempe selama 30 hari tidak merata.
2. Uji kebebasan
Hasil perhitungan manual untuk studi kasus kedua adalah mengenai selera
jenis film pada 5 kota besar di Indonesia yaitu Medan, Jakarta, Surabaya,
Makassar dan Bandung. Studi kasus kedua ini dikategorikan sebagai uji
IV-42
kebebasan. Uji kebebasan ini menentukan ketergantungan (kebebasan) dari

variabel jenis film terhadap banyaknya selera masyarakat pada 5 kota
tersebut. Berdasarkan perhitungan yang telah dilakukan terdapat taraf nyata
sebesar 5% (0,05) dan derajat kebebasan (df) sebesar 16 maka diperoleh χ2tabel
sebesar 26,296 dan χ2hitung sebesar 92,6809. Karena χ2hitung sebesar 92,6809
lebih besar χ2(0,05)(16) sebesar 26,296 maka H0 ditolak dan Ha diterima. Jadi,
terdapat perbedaan atau bersifat tidak saling bebas antara selera jenis film
pada masing-masing kota pada Medan, Jakarta, Surabaya, Makassar, dan
Bandung.
4.3.4.2 Analisis Perhitungan Software

Perhitungan software modul chi-square dilakukan sebanyak dua kali, yaitu
uji kebaikan suai dan uji kebebasan. Berikut ini adalah analisis dari kedua
perhitungan software tersebut.
Output pertama menunjukkan bahwa pada kolom observed N menjelaskan
frekuensi observasi yang didapat dari pengambilan data. Expected N
merupakan frekuensi harapan yang didapat dari hasil perhitungan dengan
nilainya 167,3 yaitu berasal dari 5019 dibagi dengan 30. Hari pertama nilai
residualnya sebesar 12,7. Nilai residual merupakan nilai selisih dari observed
N dengan expected N. Nilai asymp. sig sebesar 0,000, selanjutnya
membandingan nilai asymp. sig. dengan ketentuan taraf nyata sebesar 0,05.
Maka dapat disimpulkan bahwa Ho ditolak karena asymp. sig. sebesar 0,000
< 0,05. Hasil nilai chi-square hitung dari output test statistics dibandingan
dengan nilai chi-square tabelnya. Nilai χ 2hitung adalah sebesar 118,6 sedangkan
pada nilai χ2tabel adalah sebesar 42,557.. Selain itu, karena χ2hitung lebih besar
daripada χ2tabel, maka jumlah produksi tempe selama 30 hari pada UKM
Empat Sekawan disimpulkan tidak merata.
2. Uji kebebasan
Output pertama yang dianalisis yaitu case processing summary
menunjukkan bahwa kolom valid dengan nilai N yaitu diperoleh dari total
IV-43
data yang telah dimasukkan sebanyak 1190 dan nilai percent 100%
menunjukkan tidak ada data yang hilang dalam perhitungan. Output kedua
yang dianalisis adalah jenis_film*kota crosstabullation. Untuk jenis film
drama, di kota Medan memiliki frekuensi observasinya sebesar 60, dengan
frekuensi harapannya (expected count) sebesar 52,9 sampai 39,3. Angka di
bagian atas (count) menunjukkan frekuensi observasi sedangkan angka yang
di bawah (expented count) menunjukkan frekuensi harapannya. Terakhir
untuk output chi-square tests menunjukkan bahwa terdapat nilai dari pearson
chi-square yang merupakan nilai χ 2hitung sebesar 92,681. χ2hitung sebesar
92,681 lebih besar χ2(0,05)(16) sebesar 26,296 maka H0 ditolak dan Ha diterima.
Jadi, terdapat perbedaan atau bersifat tidak saling bebas antara selera jenis
film pada masing-masing kota pada Medan, Jakarta, Surabaya, Makassar, dan
Bandung. Nilai derajat bebasnya (df) sebesar 16 , selanjutnya nilai asymp.
Sig. sebesar 0,00. Nilai asymp. sig. yang dibandingkan dengan taraf nyata
0,05, karena nilai asymp. sig. lebih kecil daripada 0,05 maka Ho ditolak..
Berdasarkan output tersebut, tidak terdapat frekuensi harapan yang datanya
kurang dari lima. Frekuensi harapan terkecil adalah sebesar 22,69.

Berdasarkan hasil perhitungan manual dan software pada studi kasus uji
kebaikan suai dan uji kebebasan, tidak terdapat perbedaan pada hasil perhitungan
pada uji kebaikan suai. χ2tabel manual sebesar 42,557 karena derajat kebebasan
kedua perhitungan sama yaitu 29 dan taraf nyata sebesar 0,05. Perbedaan hanya
terletak pada pembulatan yaitu χ2hitung manual sebesar 118,6390 sedangkan χ2hitung
software sebesar 118,6. Uji kebebasan berdasarkan perhitungan manual dan
software terdapat persamaan. Perbedaan hanya terletak pada pembulatan angka.
χ2hitung pada manual adalah sebesar 92,6809 dan pada software sebesar 92,681.
Karena kedua perhitungan memilki derajat kebebasan yang sama yaitu 16 maka
menghasilkan χ2tabel sebesar 26,296.
IV-44
Tabel 4.10 Perbandingan Perhitungan Manual dan Software

Perhitungan Perhitungan
Perbandingan
Manual Software
Uji Kebaikan χ2hitung = 118,6390 χ2hitung = 118,6

Suai
χ2tabel = 42,557 χ2tabel = 42,557
Uji χ2hitung = 92,6809 χ2hitung = 92,681

Kebebasan χ2tabel = 26,296 χ2tabel = 26,296
4.4. Anova Satu Arah

Pembahasan modul anova satu arah terdapat metode-metode untuk
penyelesaian studi kasus. Studi kasus modul anova satu arah yaitu untuk sampel
sama banyak dan sampel tidak sama banyak. Studi kasus tersebut diselesaikan
dengan dua metode yaitu perhitungan manual dan perhitungan software. Analisis
terdiri dari analisis perhitungan manual, software, dan perbandingan manual
dengan software. Berikut ini adalah studi kasus dari modul anova satu arah.
4.4.1 Studi Kasus

Laporan akhir modul uji anova satu arah membahas dan menganalisis
tentang produksi kulkas dua pintu selama 4 tahun pada PT. Efron dan distribusi
kelapa sawit oleh PT. Surya Kencana ke lima kota di Indonesia. Metode
penyelesaian untuk produksi kulkas dua pintu pada PT. Efron adalah dengan
anova untuk sampel sama banyak. Sedangkan metode penyelesaian untuk
distribusi kelapa sawit oleh PT. Surya Kencana dengan anova untuk sampel tidak
sama banyak. Berikut ini adalah studi kasus modul anova satu arah.
1. Sampel sama banyak
PT. Efron adalah sebuah perusahaan yang memproduksi barang elektronik
yaitu kulkas dua pintu. Setiap bulan, operator dari perusahaan tersebut
mencatat jumlah kulkas dua pintu yang diproduksi sebagai bahan untuk
evaluasi dan dasar peramalan jumlah produksi pada perusahaan. Ternyata
setiap bulan jumlah produksi kulkas dua pintu tidak selalu sama. Hal ini
dikarenakan keterbatasan bahan baku untuk memproduksi kulkas dua pintu.
IV-45
Berikut adalah data jumlah produksi kulkas dua pintu PT. Efron selama 4
tahun:
Tabel 4.11 Data Jumlah Produksi Kulkas Dua Pintu
Tahun Produksi
Bulan Ke-
2007 2008 2009 2010
1 27 29 25 28
2 28 26 26 29
3 26 28 30 27
4 29 27 27 25
5 27 26 28 28
6 27 25 30 30
7 28 30 27 25
8 29 28 26 27
9 26 27 25 26
10 30 26 27 30
11 27 29 28 31
12 26 28 25 26
Berdasarkan data jumlah produksi kulkas dua pintu tersebut, PT. Efron
ingin mengetahui apakah rata-rata jumlah produksi kulkas dua pintu selama 4
tahun yaitu dari tahun 2007 sampai dengan tahun 2010 sama atau tidak
dengan taraf nyata 5%. Harapannya, PT. Efron dapat meningkatkan jumlah
produksi dengan menambah bahan baku untuk produksi kulkas dua pintu
dengan dasar peramalan hasil produksi kulkas dua pintu.
2. Sampel tidak sama banyak

PT. Surya Kencana adalah sebuah perusahaan yang bergerak di bidang
produksi dan penyedia kelapa sawit. PT. Surya Kencana mendistribusikan
kelapa sawit dari perkebunannya ke berbagai kota di Indonesia seperti
Jakarta, Bandung, Semarang, Yogyakarta, dan Surabaya. Banyaknya kelapa
sawit yang dikirim sesuai dengan permintaan perusahaan pengolah kelapa
sawit yang ada di lima kota tersebut. Operator pada perusahaan tersebut
melakukan pengamatan selama 12 bulan. Ternyata terdapat perusahaan
pengolah kelapa sawit di beberapa kota yang tidak meminta stock kelapa
sawit dari PT. Surya Kencana selama 12 bulan. Hal ini dikarenakan stock
IV-46
pada perusahaan pengolah kelapa sawit tersebut masih tersedia hingga akhir
tahun. Berikut adalah data pendistribusian kelapa sawit dari operator PT.
Surya Kencana pada tahun 2010.
Tabel 4.12 Data Pendistribusian Kelapa Sawit Tahun 2010
Kota
Bulan ke- Jakarta Surabaya Yogyakarta Semarang Bandung
(Ton) (Ton) (Ton) (Ton) (Ton)
1 12 13 12 10 14
2 13 14 14 11 11
3 11 12 13 15 13
4 14 10 13 12 12
5 12 13 12 13 11
6 12 15 10 15 10
7 13 10 12 12 15
8 14 12 12 16 13
9 11 11 11 10 12
10 15 15 10 12 11
11 12 16 - 13 14
12 11 - - - 13
Berdasarkan data pendistribusian kelapa sawit ke lima kota tersebut, PT.
Surya Kencana ingin mengetahui apakah rata-rata jumlah distribusi kelapa
sawit ke lima kota sama atau tidak dengan taraf nyata 5%. Harapannya, PT.
Surya Kencana dapat mengontrol hasil produksinya pada tahun-tahun
selanjutnya. Hal ini dilakukan agar tidak terjadi kekurangan stock kelapa
sawit dengan dasar peramalan dari data pendistribusian kelapa sawit tahun
2010.

Perhitungan manual modul anova satu arah terbagi menjadi dua yaitu
perhitungan manual untuk anova dengan ukuran sampel yang sama banyak dan
anova dengan ukuran sampel yang tidak sama banyak. Berikut ini merupakan
perhitungan manual modul anova.
IV-47

Perhitungan manual anova satu arah untuk sampel yang sama banyak
terdiri dari lima langkah dalam penyelesainnya. Berikut langkah-langkah
pengujian anova satu arah untuk sampel yang sama banyak.
a. Menentukan formulasi hipotesis.
H0 = Rata-rata jumlah produksi kulkas dua pintu PT. Efron selama 4 tahun
adalah sama.
Hi = Sekurang-kurangnya terdapat satu rata-rata jumlah produksi kulkas
dua pintu PT. Efron yang tidak sama.
b. Menentukan taraf nyata (α) beserta Ftabel
α = 5% = 0,05 dengan v1 = k – 1 = 4 – 1 = 3
v2 = k(n – 1) = 4(12 – 1) = 44
F0,05(3;44) = 2,82
c. Kriteria pengujian;
H0 diterima apabila F0 ≤ 2,82
H0 ditolak apabila F0 > 2,82
d. Analisis varians
n = 12 k=4
n1 = 12 n2 = 12 n3 = 12 n4 = 12 N = 48
T1 = 330 T2 = 329 T3 = 324 T4 = 332 T = 1315
1315 2
JKT = 27 + 28 + … + 26 −
2 2 2
= 125,4792
48
330 2  329 2  324 2  332 2 1315 2
JKK =  = 2,8958
12 48
JKE = 125,4792 − 2,8958 = 122,5834
Tabel 4.13 Anova Sampel Sama Banyak
SV JK Db RK F0
Rata-rata kolom 2.8958 3 0.9653
0.3465
Error 122.5834 44 2.7860
Total 125.4792 47
IV-48
e. Kesimpulan :
Karena F0 = 0,3465 < F0,05(3;44) = 2,82, maka H0 diterima. Jadi, rata-rata
jumlah produksi kulkas dua pintu pada PT. Efron adalah sama setiap
tahunnya.
Perhitungan manual anova satu arah untuk sampel yang tidak sama banyak
terdiri dari lima langkah dalam penyelesainnya. Berikut langkah-langkah
pengujian anova satu arah untuk sampel yang tidak sama banyak.
H0 = Rata-rata jumlah kelapa sawit yang didistribusikan oleh PT. Surya
Kencana ke lima kota adalah sama.
Hi = Sekurang-kurangnya terdapat satu rata-rata jumlah kelapa sawit yang
didistribusikan oleh PT. Surya Kencana ke lima kota adalah tidak
sama.
b. Menentukan taraf nyata (α) beserta Ftabel
α = 5% = 0,05 dengan v1 = k – 1 = 5 – 1 = 4
v2 = N – k = 56 – 5 = 51
Karena nilai Ftabel dari v1 = 4 dan v2 = 51 tidak ada pada nilai kritis
distribusi F, maka sebaiknya menggunakan rumus interpolasi:
ba
Y  X  Z  X 
ca
Keterangan:
Y = nilai tabel yang dicari
X = nilai 1 tabel F(0,05,4;50) = 2,56
Z = nilai 2 tabel F(0,05,4;55) = 2,54
a = derajat bebas nilai 1 = 50
b = derajat bebas nilai diketahui = 51
c = derajat bebas nilai 2 = 55
 51  50 
Y  2,56   2,54  2,56  2,556
 55  50 
F0,05(4;51) = 2,556
IV-49
c. Kriteria pengujian:
H0 diterima apabila F0 ≤ 2,556
H0 ditolak apabila F0 > 2,556
d. Analisis varians
k=5
n1 = 12 n2 = 11 n3 = 10 n4 = 11 n5 = 12
N = 56
T1 = 150 T2 = 141 T3 = 119 T4 = 139 T5 = 149
T= 698
698 2
JKT = 12 + 13 + … + 13 −
2 2 2
= 145,9286
56
150 2 1412 119 2 139 2 149 2 698 2
JKK =      = 4.9301
12 11 10 11 12 56
JKE = 145,9286 – 4.9301= 140.9985
Tabel 4.14 Anova Sampel Tidak Sama Banyak
SV JK Db RK F0
Rata-rata kolom 4.9301 4 1.2325
0.4458
Error 140.9985 51 2.7647
Total 145.9286 55
e. Kesimpulan
Karena F0 = 0.4458 < F0,05(4;51) = 2,556 maka H0 diterima. Jadi, Rata-rata
jumlah kelapa sawit yang didistribusikan oleh PT. Surya Kencana ke lima
kota adalah sama.

Langkah selanjutnya adalah pengolahan dengan menggunakan software.
Software yang digunakan dalam pengolahan ini adalah SPSS 16.0. Berikut ini
adalah langkah-langkah pengolahan software untuk mendapatkan output.
Pada pengolahan software untuk anova satu arah jumlah sampel sama
banyak, tidak terlalu sulit karena hanya memasukkan data yang telah diamati.
IV-50
Berikut ini beberapa langkah-langkah perhitungan software anova untuk

sampel sama banyak:
a. Langkah pertama adalah masuk ke dalam variabel view yang terdapat pada
software SPSS 16.0. Memasukkan variabel tahun dan variabel banyaknya
kulkas.
Gambar 4.53 Variabel View Sampel Sama Banyak

b. Mengisi kolom values dengan cara mengklik pada bagian yang telah
ditentukan, kemudian isi dengan data yang dibutuhkan.
Gambar 4.54 Kotak Dialog Value Labels Sampel Sama Banyak

c. Memasukan data yang diperoleh dengan mengklik data view.
Gambar 4.55 Tampilan Data View Sampel Sama Banyak

IV-51
d. Langkah selanjutnya mengklik analyze pilih compare means lalu klik pada
one-way anova. Berikut ini adalah gambar dari penjelasan tersebut.
Gambar 4.56 Analyze Sampel Sama Banyak

e. Akan tampil kotak dialog seperti berikut, kemudian pindahkan variabel
tahun pada kolom factor, dan variabel banyaknya kulkas pada kolom
dependent list. Mengklik option.
Gambar 4.57 Kotak Dialog One-Way Anova Sampel Sama banyak

f. Gambar berikut adalah gambar one way anova: option. Kemudian pada
kotak dialog tersebut beri tanda check list pada kolom descriptive dan
homogeneity of variance test. Mengklik post hoc.
Gambar 4.58 Kotak Dialog One Way Anova: Option Sampel Sama banyak
IV-52
g. Maka tampilan kotak dialog post hocpost sebagai berikut, check list pada
kolom bonferroni dan tukey.
Gambar 4.59 Kotak Dialog One Way Anova: Post Hoc Sampel Sama Banyak
h. Hasil outputnya adalah sebagai berikut.
Gambar 4.60 Output Descriptives Sampel Sama Banyak
Gambar 4.61 Output Test of Homogeneity of Variances Sampel Sama Banyak
Gambar 4.62 Output Anova Sampel Sama Banyak

IV-53
Gambar 4.63 Output Multiple Comparisons Sampel Sama Banyak
Gambar 4.64 Output Homogeneous Subsets Sampel Sama Banyak

Pengolahan software untuk anova satu arah sampel tidak sama banyak
sama saja seperti sampel sama banyak, tidak terlalu sulit karena hanya
memasukkan data yang telah diamati. Berikut ini beberapa langkah-langkah
perhitungan software untuk sampel tidak sama banyak:
software SPSS 16.0. Memasukkan variabel kota dan variabel banyaknya
kelapa sawit.
IV-54
Gambar 4.65 Variabel View Sampel Tidak Sama Banyak

b. Memasukan variabel kota pada kolom values dengan cara mengklik pada
bagian yang telah ditentukan, kemudian isi dengan values dengan angka 1
lalu label dengan jakarta dan seterusnya. Berikut gambar dari penjelasan
tersebut.
Gambar 4.66 Kotak Dialog Value Labels Sampel Tidak Sama Banyak
Gambar 4.67 Data View Sampel Tidak Sama Banyak

d. Langkah selanjutnya memasukkan data klik analyze pilih compare means
lalu klik pada one-way anova. Berikut ini adalah tampilan dari penjelasan
tersebut.
IV-55
Gambar 4.68 Analyze Sampel Tidak Sama Banyak

e. Akan tampil kotak dialog seperti gambar berikut, kemudian pindahkan
variabel tahun pada kolom factor, dan variabel banyaknya kelapa sawit
pada kolom dependent list. Lalu mengklik options.
Gambar 4.69 Kotak Dialog One-Way Anova Sampel Tidak Sama banyak
f. Gambar berikut adalah gambar one way anova: option. Kotak dialog
tersebut beri tanda check list pada kolom descriptive dan homogeneity of
variance test. Mengklik post hoc.
Gambar 4.70 Kotak Dialog One Way Anova: Option Sampel Tidak Sama Banyak
IV-56
g. Maka tampilan kotak dialog post hocpost sebagai berikut, check list pada
kolom bonferroni dan tukey.
Gambar 4.71 Kotak Dialog One Way Anova:Post Hoc Sampel Tidak Sama Banyak
h. Hasil outputnya adalah sebagai berikut.
Gambar 4.72 Output Descriptives Sampel Tidak Sama banyak
Gambar 4.73 Output Test of Homogeneity of Variances Sampel Tidak Sama Banyak
Gambar 4.74 Output Anova Sampel Tidak Sama Banyak

IV-57
Gambar 4.75 Output Multiple Comparisons Sampel Tidak Sama Banyak
Gambar 4.76 Output Homogeneous Subsets Sampel Tidak Sama Banyak
4.4.4. Analisis
IV-58

Analisis perhitungan manual pada modul anova satu arah terdiri dari dua
analisis, yaitu analisis terhadap anova satu arah dengan sampel sama banyak, dan
anova satu arah dengan sampel tidak sama banyak. Berikut ini adalah analisis dari
kedua perhitungan manual tersebut.
Berdasarkan hasil perhitungan manual untuk anova satu arah dengan
sampel banyak dapat dianalisis bahwa studi kasus tersebut menggunakan
tingkat signifikansi 5%. Artinya, terdapat probabilitas sebesar 5% untuk
menolak H0. Derajat bebas pembilang (v1) sebesar 3 dan derajat bebas
penyebut (v2) sebesar 44 menghasilkan Ftabel sebesar 2,82. Sementara itu
Fhitung didapat sebesar 0.3465. Karena Fhitung sebesar 0.3465 lebih kecil
daripada Ftabel sebesar 2,82, maka H0 diterima. Jadi, rata-rata jumlah produksi
kulkas dua pintu pada PT. Efron tidak terdapat perbedaan yang nyata setiap
tahunnya.
2. Sampel tidak sama banyak.
Berdasarkan hasil perhitungan manual untuk anova satu arah dengan
sampel banyak dapat dianalisis bahwa studi kasus tersebut menggunakan
tingkat signifikansi 5%. Artinya, terdapat probabilitas sebesar 5% untuk
menolak H0. Derajat bebas pembilang (v1) sebesar 4 dan derajat bebas
penyebut (v2) sebesar 51 menghasilkan Ftabel sebesar 2,556. Sementara itu
Fhitung didapat sebesar 0.4458. Karena Fhitung sebesar 0.4458 lebih kecil
daripada Ftabel sebesar 2,556, maka H0 diterima. Jadi, Rata-rata jumlah kelapa
sawit yang didistribusikan oleh PT. Surya Kencana ke lima kota adalah sama.

Analisis perhitungan software pada modul anova satu arah terdiri dari dua
analisis, yaitu analisis terhadap anova satu arah dengan sampel sama banyak dan
anova satu arah dengan sampel tidak sama banyak. Berikut ini adalah analisis dari
kedua perhitungan software tersebut.
IV-59
1. Sampel sama banyak.

Output pertama pada anova satu arah dengan sampel sama banyak adalah
descriptives. Pada kolom N terdapat nilai 12 yaitu menunjukan bahwa sampel
yang digunakan sebanyak 12. Kolom mean adalah nilai rata-rata banyaknya
kulkas yang diproduksi pada tahun 2007 sebesar 27,50 dan seterusnya.
Kolom std. deviation adalah nilai penyimpangan dari rata-rata setiap variabel
banyaknya kulkas pada tahun 2007 sebesar 1,314, sedangkan untuk kolom
std. error adalah nilai penyimpangan yang diijinkan dari jumlah kulkas pada
tahun 2007 sebesar 0,379. Kolom 95% confidence interval for mean, kolom
ini dibagi menjadi dua bagian yaitu lower bound dan upper bound. Lower
bound adalah batas bawah dari interval kepercayaan dari rata-rata berarti
paling sedikit produksi banyaknya kulkas pada taun 2007 sebesar 26,66,
sedangkan upper bound adalah batas atas dari interval kepercayaan dari rata-
rata berarti nilai 28,34 pada tahun 2007 yang paling banyak memproduksi
banyaknya kulkas. Selanjutnya kolom minimum adalah nilai terkecil dari data
pengamatan, dan maximum adalah nilai terbesar dari data pengamatan, misal
untuk tahun 2007 yaitu 26 dan 30 dan seterusnya.
Output kedua adalah test of homogeneity of variances, output ini
digunakan untuk memenuhi asumsi yang kedua yaitu homogen. Output ini
menjelaskan bahwa terdapat nilai  1 = 3 diperoleh dari banyaknya kolom
dikurangi 1 (4-1) dan nilai  2 = 44 diperoleh dari banyaknya kolom dikalikan

dengan hasil dari jumlah sampel dikurangi 1 (4(12-1). Nilai sig. = 0.446,
karena nilai ini lebih besar daripada taraf nyata 0,05 maka Ho diterima. Jadi,
dapat ditarik kesimpulan bahwa populasi varians sama.
Output ketiga yaitu anova, pada tabel ini terdapat beberapa kolom, kolom
kedua adalah derajat bebas untuk nilai  1 = 3,  2 = 44, dan totalnya sebesar
47. Sum of squeres dalam between groups atau JKK bernilai 2,896,
sedangkan nilai untuk within groups atau JKE sebesar 122,583 sehingga total
atau JKT sebesar 125,479. Kolom ketiga adalah mean square untuk rata-rata
IV-60
kolom between groups sebesar 0,965, kemudian mean square untuk within
groups sebesar 2,786. Sehingga didapatkan nilai F hitung 0,346.Nilai Fhitung =
0,346 dibandingkan dengan nilai Ftabel = 2,82, karena Fhitung = 0,346 < Ftabel =
2,82 maka Ho diterima. Jadi, rata-rata jumlah produksi kulkas dua pintu pada
PT. Efron adalah sama setiap tahunnya. Didapatkan juga nilai sig. sebesar
0,939 yang dibandingkan dengan nilai taraf nyata 0,05, karena nilai sig. =
0,792 > 0,05 maka Ho diterima. Jadi, keseragaman data banyaknya kulkas
yang diproduksi terpenuhi. Selanjutnya output keempat adalah multiple
comparisons yang terdiri dari uji tukey dan bonferroni. Kolom mean
difference menunjukkan hasil selisih rata-rata produksi kulkas pada tahun
2007 dengan 2008 sebesar 0,803. Kolom std. error adalah nilai
penyimpangan dari mean difference senilai 0,681 untuk semua tahun. Kolom
lower bound pada tahun 2007 sebesar -1,74 dan upper bound pada tahun 2007
sebesar 1,90. Ini berarti merupakan nilai batas bawah (yang paling sedikit)
dan nilai batas atas (yang paling banyak) dari hasil selisih rata-rata produksi
kulkas pada tahun 2007 dengan 2008 dengan tingkat kepercayaan 95%.
Output kelima adalah homogeneous subset. Kolom N menunjukkan jumlah
pada data adalah 12. Kemudian kolom subset for alpha = 0,05 hanya ada 1
kolom dikarenakan semua data homogen (jenisnya sama). Selanjutnya
terdapat kalimat uses harmonic mean sample size dengan nilai 12,000 karna
yang digunakan pada data ini N hanya 12 data. Berdasarkan sig pada output
homogeneous sebesar 0,762 lebih besar daripada 0,05 maka keseragaman data
banyaknya kulkas yang diproduksi terpenuhi.
Output pertama pada anova satu arah dengan sampel tidak sama banyak
berbeda adalah descriptives. Pada kolom N untuk kota Jakarta terdapat nilai
sebesar 12, kota Surabaya sebesar 11 dan seterusnya, angka tersebut didapat
dari sampel yang dimasukan dalam data pengamatan. Kolom mean adalah
nilai rata-rata pada kota Jakarta sebesar 12,50 dan seterusnya hingga kota
bandung. Kolom std. deviation adalah nilai penyimpangan dari rata-rata
setiap variabel, kota Jakarta mempunyai nilai sebesar 1,314. Kemudian
IV-61
adalah kolom 95% confidence interval for mean, kolom ini dibagi menjadi
dua bagian yaitu lower bound dan upper bound. Lower bound adalah batas
bawah dari interval kepercayaan dari rata-rata berarti paling sedikit
mendistribusikan kelapa sawit pada kota Jakarta sebesar 11,66, sedangkan
upper bound adalah batas atas dari interval kepercayaan dari rata-rata,berarti
yang paling banyak mendistribusikan kelapa sawit pada kota Jakarta sebesar
13,34. Selanjutnya kolom minimum adalah nilai terkecil dari data
pengamatan, dan maximum adalah nilai terbesar dari data pengamatan, misal
untuk kota Jakarta yaitu 11 dan 15 dan seterusnya.
Output kedua adalah test of homogeneity of variances, output ini
menjelaskan bahwa terdapat nilai  1 = 4 diperoleh dari banyaknya kolom
dikurangi 1 (5-1) dan nilai  2 = 51 Nilai sig. = 0.272, selanjutnya

membandingkan nilai sig. dengan ketentuan taraf nyata 0,05. Karena nilai sig.
= 0,272 > 0,05 maka Ho diterima. Jadi, dapat ditarik kesimpulan bawa asumsi
kesamaan ragam terpenuhi.
Output ketiga yaitu anova, pada tabel ini terdapat beberapa kolom, kolom
yang pertama adalah Sum of squares dengan nilai sebesar 4,930, untuk total
adalah 145,929. Kolom kedua adalah derajat bebas untuk nilai  1 = 4,  2 =
51, dan totalnya sebesar 55. Kolom ketiga adalah mean square untuk rata-rata
kolom sebesar 1,233. Nilai F hitung adalah sebesar 0,446 . Nilai Fhitung =
0,446 dibandingkan dengan nilai Ftabel = 2,556, karena Fhitung = 0,446 < Ftabel =
2,556 maka Ho diterima. Jadi, Rata-rata jumlah kelapa sawit yang
didistribusikan oleh PT. Surya Kencana ke lima kota adalah sama. Dapatkan
juga nilai sig. sebesar 0,775 yang dibandingkan dengan nilai taraf nyata 0,05,
karena nilai sig. = 0,775 > 0,05 maka Ho diterima. Jadi, keseragaman data
terpenuhi.
Output keempat adalah multiple comparisons yang terdiri dari uji tukey
dan bonferroni. Kolom mean difference merupakan selisih rata-rata
banyaknya kelapa sawit yang didistribusikan antara kota Jakarta dengan
Surabaya sebesar -0,318, kota Jakarta dengan Yogyakarta sebesar 0,600 dan
IV-62
seterusnya. Kolom std. error adalah nilai penyimpangan dari mean difference
pada kota Jakarta nilai std.eror sebesar 0,694. Kolom lower bound dan upper
bound adalah merupakan batas kewajaran dari nilai mean difference dengan
interval kepercayaan 95%. Lower bound untuk batas bawah yaitu sebesar -
2,28 sedangkan upper bound untuk batas kelas atas yaitu sebesar 1,64. Nilai-
nilai tersebut merupakan batas kewajaran untuk mean difference antara kota
Jakarta dengan Surabaya.
Output kelima adalah homogeneous subset. Kolom N menunjukkan jumlah
baris pada data sama dengan jumlah baris pengamatan. Kemudian kolom
subset for alpha = 0,05 pada kota Yogyakarta sebesar 11,90. Nilai sig
berdasarkan output homogeneous sebesar 0,690 lebih besar daripada 0,05
maka keseragaman data terpenuhi.

Berdasarkan hasil perhitungan manual dan software, dapat dianalisis
bahwa hasil perhitungan keduanya tidak ada perbedaan. Meskipun hasil
perhitungannya hanya berbeda pada pembulatan angka. Hal ini merupakan bukti
bahwa tidak ada kesalahan rumus dalam perhitungan manual dan tidak terjadi
kesalahan memasukkan data dalam perhitungan software. Perhitungan dengan
software lebih terperinci daripada perhitungan manual, karena dengan software
dapat diketahui uji tukey dan bonferroni. Perhitungan anova satu arah untuk
sampel sama banyak menghasilkan Fmanual sebesar 0,3465 dan Fsoftware sebesar
0,346. Karena derajat pembilang dan derajat penyebut antara perhitungan manual
dan software sama, maka Ftabel kedua perhitungan tersebut adalah sebesar 2,82.
Sehingga, kedua perhitungan menghasilkan kesimpulan yaitu H0 diterima. Maka
tidak terdapat perbedaan yang nyata pada jumlah produksi kulkas dua pintu pada
PT. Efron selama 4 tahun.
Perhitungan anova satu arah untuk sampel tidak sama banyak pada
perhitungan manual dan software juga tidak terdapat perbedaan hasil. Karena
kedua perhitungan menghasilkan derajat bebas pembilang dan penyebut serta nilai
F yang sama maka kesimpulannya juga sama yaitu bahwa H0 diterima. Maka tidak
IV-63
ada perbedaan yang nyata antara jumlah kelapa sawit yang didistribusikan di lima
kota di Indonesia.
Tabel 4.15 Perbandingan Perhitungan Anova Satu Arah
Studi Kasus Pembanding Manual Software
v1 3 3
Anova satu arah dengan v2 44 44
sampel sama banyak Fhitung 0,3465 0,346
Kesimpulan H0 diterima H0 diterima
v1 4 4
Anova satu arah dengan v2 51 51
sampel tidak sama
banyak Fhitung 0.4458 0.446
Kesimpulan H0 diterima H0 diterima
4.5. Anova Dua Arah

Pembahasan modul anova dua arah terdapat metode-metode untuk
penyelesaian studi kasus. Studi kasus modul anova dua arah yaitu tanpa interaksi
dan dengan interaksi. Studi kasus tersebut diselesaikan dengan dua metode yaitu
perhitungan manual dan perhitungan software. Analisis terdiri dari analisis
perhitungan manual, software, dan perbandingan manual dengan software.
Berikut ini adalah studi kasus dari modul anova dua arah.
4.5.1 Studi Kasus

Laporan akhir modul uji anova dua arah membahas dan menganalisis
tentang banyaknya laptop yang diperbaiki pada Toko Sentosa dan banyaknya
penjualan sepatu pria pada Toko Wijaya. Metode penyelesaian untuk banyaknya
laptop yang diperbaiki pada Toko Sentosa adalah dengan anova dua arah tanpa
interaksi. Sedangkan metode penyelesaian untuk banyaknya penjualan sepatu pria
pada Toko Wijaya adalah anova dua arah dengan interaksi. Berikut ini adalah
studi kasus modul anova dua arah.
1. Tanpa interaksi
Toko Sentosa menyediakan pelayanan perbaikan berbagai merk laptop
yang rusak dengan berbagai ukuran layar. Merk laptop yang bisa diperbaiki
yaitu Apple, Lenovo, Toshiba, dan Dell. Terdapat 5 macam ukuran layar
IV-64
laptop yang bisa diperbaiki pada toko tersebut yaitu 12”, 13.3”, 14”, 15” dan
16”. Salah satu pegawai dari Toko Sentosa bertugas mengambil data
banyaknya laptop yang diperbaiki selama tahun 2011. Berikut adalah data
banyaknya laptop yang diperbaiki selama tahun 2011.
Tabel 4.16 Data Service Laptop Toko Sentosa
Ukuran Layar (Inch)
Merk Laptop 12" 13.3" 14" 15" 16"
Apple 35 10 36 11 10
Lenovo 37 15 41 13 11
Toshiba 40 17 34 20 13
Dell 30 20 30 14 14
Berdasarkan data tersebut, Toko Sentosa ingin mengetahui pengaruh
banyaknya laptop yang diperbaiki terhadap merk laptop dengan ukuran layar
laptop selama tahun 2011. Hal tersebut perlu diketahui sebagai dasar
peramalan banyaknya laptop yang mungkin akan diperbaiki oleh Toko
Sentosa pada tahun-tahun selanjutnya.
2. Dengan interaksi
Toko Wijaya adalah sebuah toko menjual sepatu untuk pria dengan
berbagai merk dan ukuran. Terdapat 4 merk sepatu yang dijual yaitu
Converse, Adidas, Nike, dan Airwalk. Masing-masing sepatu pria yang dijual
toko tersebut mempunyai 5 macam ukuran sepatu yaitu 40, 41, 42, 43 dan 44.
Stock untuk beberapa merk sepatu dan ukurannya untuk bulan Agustus 2011
terbatas. Salah satu pegawai dari Toko Wijaya bertugas mengambil data
banyaknya penjualan sepatu pria oleh konsumen. Pengambilan data penjualan
sepatu pria tersebut dilakukan selama 4 minggu pada bulan Agustus 2011.
Berikut adalah data banyaknya penjualan sepatu Toko Wijaya pada bulan
Agustus tahun 2011.
Tabel 4.17 Data Penjualan Sepatu Toko Wijaya
Ukuran Sepatu
Merk Sepatu
40 41 42 43 44
80 78 68 80 79
79 70 65 65 85
Converse
75 80 89 69 90
82 79 77 74 67
IV-65
Tabel 4.17 Data Penjualan Sepatu Toko Wijaya (Lanjutan)

Ukuran Sepatu
Merk Sepatu
40 41 42 43 44
76 76 73 64 73
81 67 82 86 85
Adidas
79 85 67 69 63
83 78 81 82 60
65 60 73 74 89
70 79 65 81 69
Nike
78 74 84 85 83
90 85 82 90 80
64 86 78 74 72
78 83 79 69 66
Airwalk
68 79 70 68 74
69 76 69 70 82
Berdasarkan data banyaknya penjualan sepatu pria tersebut, Toko Wijaya
ingin menambah stock sepatu untuk beberapa merk dan ukuran. Hal ini
dilakukan untuk memenuhi permintaan konsumen untuk bulan selanjutnya.
Tetapi sebelum Toko Wijaya akan menambah stock sepatu, terlebih dahulu
diperlukan beberapa pengujian (dengan taraf nyata 5%) sebagai pertimbangan
yaitu:
1. Apakah ada pengaruh merk sepatu terhadap penjualan.
2. Apakah ada pengaruh ukuran sepatu terhadap penjualan.
3. Apakah ada interaksi antara merk sepatu dengan ukuran sepatu.

Perhitungan manual modul anova dua arah terbagi menjadi dua yaitu
perhitungan manual untuk anova dua arah tanpa interaksi dan anova dua arah
dengan interaksi. Berikut ini merupakan perhitungan manual modul anova dua
arah.
1. Tanpa interaksi
Perhitungan manual anova dua arah untuk tanpa interaksi terdiri dari lima
langkah dalam penyelesainnya. Berikut langkah-langkah pengujian anova dua
arah untuk tanpa interaksi.
i. H0 = Tidak terdapat pengaruh antara keempat merk laptop tehadap
banyaknya laptop yang diperbaiki.
IV-66
H1 = Sekurang-kurangnya terdapat satu merk laptop yang

mempengaruhi banyaknya laptop yang diperbaiki.
ii. H0 = Tidak terdapat pengaruh antara kelima jenis ukuran layar laptop
terhadap banyaknya laptop yang diperbaiki
H1 = Sekurang-kurangnya terdapat satu jenis ukuran layar laptop yang
mempengaruhi banyaknya laptop yang diperbaiki.
b. Menentukan taraf nyata (α) dengan nilai F tabel.
i. Untuk baris : v1 = b – 1 = 4 – 1 = 3
v2 = (k – 1)(b – 1) = (5 – 1)(4 – 1) = 12,
Maka, F0,05(3;12) = 3.49
ii. Untuk kolom : v1 = k – 1 = 5 – 1 = 4
v2 = (k – 1)(b – 1) = (5 – 1)(4 – 1) = 12
Maka, F0,05(4;12) = 3.26
c. Menentukan kriteria pengujian.
i. H0 diterima apabila F0 ≤ 3.49
H1 ditolak apabila F0 > 3.49
ii. H0 diterima apabila F0 ≤ 3.26
d. Menganalisis varians.
Tabel 4.18 Perhitungan Anova 2 Arah Tanpa Interaksi
U1 U2 U3 U4 U5 Total
M1 35 10 36 11 10 102
M2 37 15 41 13 11 117
M3 40 17 34 20 13 124
M4 30 20 30 14 14 108
Total 142 62 141 58 48 451
b k
T 2 ..
JKT =  x  2
ij
i 1 j 1 kb
4512
= 352 + 372 + … + 142 −
20
= 12613 – 10170.05
= 2442.95
IV-67
T i
2
T 2 ..
JKB = i 1

k kb
102 2  117 2  124 2  1082 4512
= 
5 20
= 10226.6 – 10170.05
= 56.55
k
T
j 1
j
2
T 2 ..
JKK = 
b kb
142 2  62 2  1412  58 2  48 2 4512
= 
4 20
= 12389.25 – 10170.05
= 2219.2
JKE = JKT – JKB − JKK
= 2442.95 – 56.55 – 2219.2 = 167.2
Tabel 4.19 Anova Tanpa Interaksi
Sumber Jumlah Derajat Rata-rata
F0
varians Kuadrat Bebas Kuadrat
Rata-rata
56.55 3 18.85
Baris f1 = 1.3528
Rata-rata
2219.2 4 554.8
kolom
f2 = 39.8183
Error 167.2 12 13.9333
Total 2442.95 19
e. Kesimpulan.
i. Karena F0 = 1.3528 < F0,05(3;12) = 3.49, maka H0 diterima. Jadi, tidak
terdapat pengaruh antara keempat merk laptop tehadap banyaknya
laptop yang diperbaiki.
ii. Karena F0 = 39.8183 > F0,05(4;12) = 3.26, maka H0 ditolak dan H1
diterima. Jadi, sekurang-kurangnya terdapat satu jenis ukuran layar
laptop yang mempengaruhi banyaknya laptop yang diperbaiki.
IV-68
2. Dengan interaksi
Perhitungan manual anova dua arah untuk dengan interaksi terdiri dari
lima langkah dalam penyelesainnya. Berikut langkah-langkah pengujian
anova dua arah untuk dengan interaksi.
i. H0 = Tidak ada pengaruh antara merk sepatu pria terhadap banyaknya
penjualan sepatu pria.
H1 = Sekurang-kurangnya terdapat satu merk sepatu pria yang
mempengaruhi banyaknya penjualan sepatu pria.
ii. H0 = Tidak ada pengaruh antara ukuran sepatu pria terhadap banyaknya
H1 = Sekurang-kurangnya terdapat satu ukuran sepatu pria yang
mempengaruhi banyaknya penjualan sepatu pria.
iii. H0 = Tidak ada interaksi antara keempat merk sepatu pria dengan
kelima ukuran sepatu pria.
H1 = Sekurang-kurangnya terdapat satu interaksi antara merk sepatu
pria dengan ukuran sepatu pria.
b. Menentukan taraf nyata (α) dan F tabel.
Diketahui: b = 4, k = 5, n=4 α = 0.05
i. Untuk baris : v1 = b – 1 = 4 – 1 = 3, v2 = bk(n−1) = 4.5(4−1) = 60
Sehingga F0.05(3;60) = 2.76
ii. Untuk kolom: v1 = k – 1 = 5 – 1 = 4, v2 = bk(n−1) = 4.5(4−1) = 60
Sehingga F0.05(4;60) = 2.53
iii. Untuk interaksi : v1 = (b – 1)( k – 1) = 12, v2 = bk(n−1) = 4.5(4−1) = 60
Sehingga F0.05(12;60) = 1.92
c. Menentukan kriteria pengujian.
i. H0 diterima apabila F0 ≤ 2.76
ii. H0 diterima apabila F0 ≤ 2.53
iii. H0 diterima apabila F0 ≤ 1.92
IV-69

d. Menganalisis varians.
Tabel 4.20 Perhitungan Anova 2 Arah Dengan Interaksi
U1 U2 U3 U4 U5 Total
M1 316 307 299 288 321 1531
M2 319 306 303 301 281 1510
M3 303 298 304 330 321 1556
M4 279 324 296 281 294 1474
Total 1217 1235 1202 1200 1217 6071
b k
T 2 ...
n
JKT =  x  2
ijc
i 1 j 1 c 1 b.k .n
60712
= 802 + 792 + … + 822 −
80
= 465347 – 460713.0125
= 4633.9875
b
T i
T 2 ...
2
JKB = 
i 1
k .n b.k .n
15312  1510 2  1556 2  1474 2 60712
= 
20 80
= 460893.65 – 460713.0125
= 180.6375
k
T
j 1
j
2
T 2 ...
JKK = 
b.n b.k.n
1217 2  12352  1202 2  1200 2  1217 2 60712
= 
16 80
= 460762.9375 – 460713.0125
= 49.925
b k b k
T
i 1 j 1
2
ij T i
2
T
j 1
j
2
T 2 ...
JKI =  i 1
 
n k .n b.n b.k .n
316 2  307 2  ...  294 2
=  460893.65  460762.9375  460713.0125
4
= 461764.75 − 460893.65 − 460762.9375 + 460713.0125
IV-70
= 821.175
JKE = JKT – JKB – JKK – JKI
= 4633.9875 − 180.6375 – 49.925 − 821.175
= 3582.25
Tabel 4.21 Anova Dengan Interaksi
Rata-
Sumber Jumlah Derajat
rata F0
varians Kuadrat Bebas
Kuadrat
Rata-rata
180.6375 3 60.2125
Baris f1 = 1.0085
Rata-rata
49.925 4 12.4813
kolom
f2 = 0.2090
Interaksi 821.175 12 68.4313
Error 3582.25 60 59.7042 f3 = 1.1462

Total 4633.988 79
e. Kesimpulan:
i. Karena F0 = 1.0085 < F0.05(3;60) = 2.76, maka H0 diterima. Jadi, tidak ada
pengaruh antara keempat merk sepatu pria terhadap banyaknya
ii. Karena F0 = 0.2090 < F0.05(4;60) = 2.53, maka H0 diterima. Jadi, tidak ada
pengaruh antara kelima ukuran sepatu pria terhadap banyaknya
iii. Karena F0 = 1.1462 < F0.05(12;60) = 1.92, maka H0 diterima. Jadi, tidak
ada interaksi antara keempat merk sepatu pria dengan kelima ukuran
sepatu pria.

Langkah selanjutnya adalah pengolahan dengan menggunakan software.
Software yang digunakan dalam pengolahan ini adalah SPSS 16.0. Berikut ini
adalah langkah-langkah pengolahan software untuk mendapatkan output.
1. Tanpa interaksi
Pada pengolahan software untuk anova 2 arah untuk tanpa interaksi, tidak
terlalu sulit karena hanya memasukkan data yang telah diamati. Berikut ini
beberapa langkah- langkah perhitungan software anova untuk tanpa interaksi:
IV-71
a. Langkah pertama adalah masuk kedalam variabel view yang terdapat pada
software SPSS 16.0. Memasukkan variabel-variabel merk laptop dan
ukuran layar serta jumlah service.
Gambar 4.77 Variabel View Tanpa Interaksi

b. Mengisi kolom values pada merk laptop dan ukuran layar dengan cara
mengklik pada bagian yang telah ditentukan, kemudian isi dengan data
yang dibutuhkan.
Gambar 4.78 Value Labels Tanpa Interaksi

Gambar 4.79 Tampilan Data View Tanpa Interaksi

d. Langkah selanjutnya mengklik analyze pilih general linear model lalu klik
pada univariate. Berikut ini adalah gambar dari penjelasan tersebut.
IV-72
Gambar 4.80 Analyze General Linear Model Tanpa Interaksi

e. Akan tampil kotak dialog seperti gambar berikut. Memindahkan jumlah
service pada kolom dependent variable, merk laptop pada kolom fixed
factor(s), kemudian memindahkan juga ukuran layar pada kolom random
factor(s). Semua variabel telah dipindahkan pada kolom yang disediakan,
lalu klik ok.
Gambar 4.81 Kotak Dialog Tampilan Univariate Tanpa Interaksi

f. Hasil outputnya adalah sebagai berikut
Gambar 4.82 Output Between-Subjects Factors Tanpa Interaksi

IV-73
Gambar 4.83 Output Tests Of Between-Subjects Effects Tanpa Interaksi

2. Dengan interaksi
Pengolahan software untuk anova 2 arah untuk dengan interaksi, tidak
terlalu sulit karena hanya memasukkan data yang telah diamati. Berikut ini
beberapa langkah-langkah perhitungan software anova untuk dengan
interaksi:
software SPSS 16.0. Memasukkan variabel-variabel merk sepatu, ukuran
sepatu dan hasil penjualan.
Gambar 4.84 Variabel View Dengan Interaksi

b. Mengisi kolom values pada merk sepatu dan ukuran sepatu dengan cara
mengklik pada bagian yang telah ditentukan, kemudian isi dengan data
yang dibutuhkan.
Gambar 4.85 Kotak Dialog Value labels Dengan Interaksi

IV-74
Gambar 4.86 Tampilan Data View Dengan Interaksi

d. Langkah selanjutnya mengklik analyze pilih general linear model lalu klik
pada univariate. Berikut ini adalah gambar dari penjelasan tersebut.
Gambar 4.87 Analyze General Linear Model Dengan Interaksi

e. Akan tampil kotak dialog seperti berikut. Memindahkan variabel penjualan
pada kolom dependent variable, merk sepatu dan ukuran sepatu pada
kolom fixed factor(s). Semua variabel telah dipindahkan pada kolom yang
disediakan, lalu klik ok.
Gambar 4.88 Kotak Dialog Tampilan Univariate Dengan Interaksi

IV-75
f. Hasil outputnya adalah sebagai berikut
Gambar 4.89 Output Between-Subjects Factors Dengan Interaksi
Gambar 4.90 Output Tests Of Between-Subjects Factors Dengan Interaksi
4.5.4. Analisis

Analisis perhitungan manual pada modul anova dua arah terdiri dari dua
analisis, yaitu analisis terhadap anova dua arah tanpa interaksi dan anova dua arah
dengan interaksi. Berikut ini adalah analisis dari kedua perhitungan manual
tersebut.
1. Tanpa interaksi
Berdasarkan perhitungan manual anova dua arah tanpa interaksi, didapat
nilai F tabel untuk baris, v1 = 3 dan v2 = 12 yaitu sebesar 3.49. Sedangkan
IV-76
nilai F tabel untuk kolom, v1 = 4 dan v2 = 12 yaitu sebesar 3.26. Kedua nilai F
tabel tersebut digunakan untuk menguji hipotesis dimana jika F hitung lebih
kecil atau sama dengan F tabel maka H0 diterima. Sedangkan bila nilai F
hitung lebih besar daripada nilai F tabel maka H0 ditolak dan H1 diterima.
Berdasarkan tabel anova, didapatkan bahwa nilai F hitung untuk baris yaitu
sebesar 1.3528. Karena nilai F hitung sebesar 1.3528 lebih kecil daripada
nilai F0,05(3;12) sebesar 3.49, maka H0 diterima. Jadi, tidak terdapat pengaruh
antara keempat merk laptop tehadap banyaknya laptop yang diperbaiki.
Sedangkan berdasarkan tabel anova didapatkan pula bahwa nilai F hitung
untuk kolom yaitu sebesar 39.8183. Karena nilai F hitung sebesar 39.8183
lebih besar daripada nilai F0,05(4;12) sebesar 3.26, maka H0 ditolak dan H1
diterima. Jadi, sekurang-kurangnya terdapat satu jenis ukuran layar laptop
yang mempengaruhi banyaknya laptop yang diperbaiki.
2. Dengan interaksi
Perbedaan antara anova dua arah tanpa interaksi dan dengan interaksi
adalah terletak adanya interaksi antara dua faktor pengaruh yaitu pada anova
dua arah dengan interaksi. Berdasarkan perhitungan manual, didapat nilai F
tabel yaitu untuk baris adalah sebesar 2.76, untuk kolom sebesar 2.53, dan
untuk interaksi sebesar 1.92. Ketiga nilai F tersebut digunakan untuk menguji
hipotesis untuk masing-masing kriteria. Nilai F tabel interaksi digunakan
untuk menguji ada atau tidak pengaruh antara kedua faktor. Berdasarkan tabel
anova untuk baris didapat nilai F hitung sebesar 1.0085. Karena nilai F hitung
sebesar 1.0085 lebih kecil daripada nilai F0.05(3;60) sebesar 2.76, maka H0
diterima. Jadi, tidak ada pengaruh antara keempat merk sepatu pria terhadap
banyaknya penjualan sepatu pria. Sedangkan nilai F hitung untuk kolom
adalah sebesar 0.2090. Karena nilai F hitung sebesar 0.2090 lebih kecil
daripada nilai F0.05(4;60) sebesar 2.53, maka H0 diterima. Jadi, tidak ada
pengaruh antara kelima ukuran sepatu pria terhadap banyaknya penjualan
sepatu pria. Selain itu didapatkan nilai F hitung untuk interaksi sebesar
1.1462. Karena niai F hitung sebesar 1.1462 lebih kecil daripada nilai
IV-77
F0.05(12;60) sebesar 1.92, maka H0 diterima. Jadi, tidak ada interaksi antara
keempat merk sepatu pria dengan kelima ukuran sepatu pria.

Analisis perhitungan software pada modul anova dua arah terdiri dari dua
analisis, yaitu analisis terhadap anova dua arah tanpa interaksi dan anova dua arah
dengan interaksi. Berikut ini adalah analisis dari kedua perhitungan software
tersebut.
1. Tanpa interaksi
Nilai output yang pertama untuk tanpa interaksi adalah sebagai berikut,
terdapat variabel merk laptop dengan 1 sampai 5 yang berarti bahwa terdapat
5 faktor. Pada kolom value label menjelaskan bahwa nilai 1 yang sebelumnya
memiliki nilai sebesar 12 inch, 2 memiliki nilai 13,3 inch, dan seterusnya.
Kolom N menerangkan bahwa terdapat 5 kolom pada masing-masing merk
laptop atau terdapat 4 baris pada masing-masing ukuran layar.
Output kedua yaitu tests of betwees-subjects effects terdapat kolom source
yang didalamnya ada intercept dengan nilai sebesar didapat dari hasil
perhitungan yang menggunakan rumus pembagian antara T2 dengan kb
sehingga menghasilkan intercept 10170.050. Nilai type III sum of squares
merupakan nilai jumlah kuadrat dari masing-masing sumber varians. Terdapat
4 sumber varians yaitu intercept, merk laptop yang merupakan rata-rata baris,
ukuran layar yang merupakan rata-rata kolom, dan error. Nilai db merupakan
nilai derajat bebas untuk masing-masing sumber varians. Nilai mean square
merupakan nilai rata-rata kuadrat yang diperoleh dari pembagian antara type
III sum of squares dengan nilai dbnya masing-masing dengan nilai db.
Contohnya untuk rata-rata kuadrat baris (merk laptop) yaitu pembagian JKB
sebesar 56.550 dengan db sebesar 3 menghasilkan rata-rata kuadrat sebesar
18.850. Selanjutnya terdapat juga nilai F yang merupakan pembagian antara
rata-rata kuadrat baris atau kolom dengn rata-rata kuadrat errornya. Nilai
untuk F baris adalah sebesar 1.353. Karena nilai F hitung sebesar 1.353 lebih
kecil daripada nilai F0,05(3;12) sebesar 3.49, maka H0 diterima. Jadi, tidak
IV-78
terdapat pengaruh antara keempat merk laptop tehadap banyaknya laptop

yang diperbaiki. Nilai sig sebesar 0.304 karena lebih besar daripada 0.05,
maka H0 diterima. Sehingga terdapat keseragaman data dalam populasi
tersebut. Sedangkan nilai untuk F kolom adalah sebesar 39.818. Karena nilai
F hitung sebesar 39.818 lebih besar daripada nilai F0,05(4;12) sebesar 3.26, maka
H0 ditolak dan H1 diterima. Jadi, sekurang-kurangnya terdapat satu jenis
ukuran layar laptop yang mempengaruhi banyaknya laptop yang diperbaiki.
Nilai sig sebesar 0.000 karena lebih kecil daripada 0.05, maka H0 ditolak.
Sehingga tidak terdapat keseragaman data dalam populasi tersebut. Output
test of between-subjects effecet terdapat MS(merk_laptop*ukuran _layar)
yang merupakan JKG atau jumlah kuadrat galat. MS(ukuran_layar)
merupakan JKB atau jumlah kuadrat baris.
2. Dengan interaksi
Nilai output yang pertama untuk dengan interaksi adalah sebagai berikut,
terdapat kolom value label menjelaskan bahwa pada merk sepatu terdapat
Converse, Adidas, Nike, Airwalk dan seterusnya. Kolom N menerangkan
bahwa terdapat jumlah data yang dimasukkan pada variabel merek sepatu
sebanyak 20, begitu juga pada variabel ukuran sepatu sebanyak 16. Kemudian
output kedua yaitu tests of betwees-subjects effects terdapat corrected model
yang merupakan penjumlahan dari jumlah kuadrat baris (JKB), jumlah
kuadrat kolom (JKK), dan jumlah kuadrat interaksi (JKI). Pada kolom source
yang didalamnya ada intercept dengan nilai sebesar 460713,013 didapat dari
hasil perhitungan yang menggunakan rumus T2 dibagi kbn. Nilai type III sum
of squares merupakan nilai jumlah kuadrat dari masing-masing sumber
varians. Terdapat 5 sumber varians yaitu intercept, merk laptop yang
merupakan rata-rata baris, ukuran layar yang merupakan rata-rata kolom,
interaksi dan error. Untuk interaksi adalah nilai yang ditandai dengan tanda
bintang (*). Nilai ini merupakan interkasi antara dua faktor yang berpengaruh
yaitu merk sepatu dan ukuran sepatu. Nilai df merupakan nilai derajat bebas
untuk masing-masing sumber varians. Nilai mean square merupakan nilai
rata-rata kuadrat yang diperoleh dari pembagian antara type III sum of
IV-79
squares dengan nilai dfnya masing-masing dengan nilai db. Contohnya untuk
rata-rata kuadrat baris (merk sepatu) yaitu JKB sebesar 180638 dibagi dengan
dbnya yaitu 3 menghasilkan rata-rata kuadrat sebesar 60.213. Nilai corrected
total diperoleh dari selisih antara nilai total dengan intercept yaitu 465347
dikurang 460713.013 dan hasilnya sebesar 4633.987. Nilai error didapatkan
dari selisih nilai corrected total dengan corrected model yaitu 4633.987
dikurang 1051.737 dan hasilnya 3582.250. Selanjutnya terdapat juga nilai
Fhitung yang didapat dari pembagian antara rata-rata kuadrat (mean square)
sumber varians baris/kolom/interaksi dengan rata-rata kuadrat (mean square)
error. Nilai F untuk baris yaitu sebesar 1,009. Nilai F untuk baris sebesar
1,009 akan dibandingkan dengan nilai F tabel sebesar 2.76. Karena nilai F
hitung sebesar 1.009 lebih kecil daripada nilai F0.05(3;60) sebesar 2.76, maka H0
diterima. Jadi, tidak ada pengaruh antara keempat merk sepatu pria terhadap
banyaknya penjualan sepatu pria. Nilai F hitung untuk kolom adalah sebesar
0.209. Karena nilai F hitung sebesar 0.209 lebih kecil daripada nilai F0.05(4;60)
sebesar 2.53, maka H0 diterima. Jadi, tidak ada pengaruh antara kelima
ukuran sepatu pria terhadap banyaknya penjualan sepatu pria. Selain itu
didapatkan nilai F hitung untuk interaksi sebesar 1.146. Karena niai F hitung
sebesar 1.146 lebih kecil daripada nilai F0.05(12;60) sebesar 1.92, maka H0
diterima. Jadi, tidak ada interaksi antara keempat merk sepatu pria dengan
kelima ukuran sepatu pria. Karena ketiga sumber varians tersebut memiliki
nilai sig yang lebih besar dari 0.05 maka H0 diterima. Sehingga dapat
disimpulkan bahwa terdapat keseragaman data pada populasi. Nilai R squared
diperoleh dari pembagian antara corrected model dengan corrected total.
Nilai ini merupakan koefisien determinai (R2) yang memiliki arti bahwa
sumbangan atau pengaruh merk sepatu dan ukuran sepatu terhadap pembelian
yaitu sebesar 22.7% sisanya 77.3% disebabkan oleh faktor lain seperti trend.
Berdasarkan nilai tersebut dapat diketahui nilai R sebesar 0.47 yang memiliki
arti bahwa korelasinya cukup berarti. Karena nilai R square lebih besar dari
nilai adjust R square maka menyatakan data ini layak dengan regresi.
IV-80

Berdasarkan hasil perhitungan manual dan software anova 2 arah, dapat
dianalisis bahwa hasil perhitungan keduanya tidak ada perbedaan. Meskipun hasil
perhitungannya hanya berbeda pada pembulatan angka. Hal ini berarti tidak
terdapat kesalahan dalam rumus pada perhitungan manual dan tidak terdapat
kesalahan memasukkan data pada perhitungan software. Perhitungan dengan
software lebih terperinci daripada perhitungan manual, karena dengan software
dapat diketahui seberapa besar pengaruh antara kedua faktor yaitu merk sepatu
dan ukuran sepatu. Contoh perbandingannya yaitu pada studi kasus anova dua
arah tanpa interaksi, menghasilkan nilai F hitung untuk baris dari perhitungan
manual sebesar 1.3528 dan dari perhitungan software sebesar 1.353. Karena kedua
nilai F untuk baris tersebut lebih kecil daripada nilai F0,05(3;12) sebesar 3.49, maka
H0 diterima. Jadi, tidak terdapat pengaruh antara keempat merk laptop tehadap
banyaknya laptop yang diperbaiki. Contoh perbandingannya yaitu pada studi
kasus anova dua arah dengan interaksi, menghasilkan nilai F hitung untuk baris
dari perhitungan manual sebesar 1.0085. dan dari perhitungan software sebesar
1,009. Karena kedua nilai F untuk baris tersebut lebih kecil daripada nilai F0.05(3;60)
sebesar 2.76, maka H0 diterima. Jadi, tidak ada pengaruh antara keempat merk
sepatu pria terhadap banyaknya penjualan sepatu pria.

STATISTIKA INDUSTRI: Studi Kasus Dan Penyelesaiannya

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

STATISTIKA INDUSTRI: Studi Kasus Dan Penyelesaiannya

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB IV

PEMBAHASAN DAN ANALISIS

4.1.1 Studi Kasus

Tabel 4.1 Data Penyewaan Kamar Hotel Anggrek (Lanjutan)

Berdasarkan data tersebut, Hotel Anggrek ingin mengetahui korelasi

4.1.2 Perhitungan Manual

Tabel 4.2 Perhitungan Manual Korelasi (Lanjutan)

(30 . 22050) - (910 . 632)

Sumbangan atau pengaruh banyaknya promosi terhadap meningkat atau

(30 . 141600) - (7900 . 632)

(30 . 206500) - (910 . 7900)

ry.1  ry.2 - 2 . ry.1 . ry.2 . r1.2

0,6521  0,9529 - 2 . 0,8075 . - 0,9762 . - 0,8301

Artinya, pengaruh jumlah periklanan dan harga kamar terhadap meningkat

 0,9762 - (0,8075 .  0,8301)

4.1.3 Perhitungan Software

Gambar 4.1 Variabel View Korelasi

Gambar 4.2 Data View Korelasi

Gambar 4.3 Analyze Correlate Bivariate

Gambar 4.4 Kotak Dialog Bivariate Correlations 1

Gambar 4.5 Output 1 Correlations

Gambar 4.6 Kotak Dialog Bivariate Correlations 2

7. Hasil output ke-2 nya sebagai berikut.

Gambar 4.7 Output 2 Correlations

Gambar 4.8 Analyze Correlate Partial

Gambar 4.9 Kotak Dialog Partial Correlation

Gambar 4.10 Kotak Dialog Partial Correlation Options

Gambar 4.11 Output Tabel Correlation

4.1.4.1 Analisis Perhitungan Manual

4.1.4.2 Analisis Software

4.1.4.3 Analisis Perbandingan

4.2.1 Studi Kasus

Tabel 4.4 Data Produksi UKM Empat Sekawan (Lanjutan)

4.2.2 Perhitungan Manual

Tabel 4.5 Perhitungan Regresi

(30  73793) - (431  5019)

4.2.3 Perhitungan Software

Gambar 4.12 Variabel View Regresi

Gambar 4.13 Data View Regresi

Gambar 4.14 Analyze Regression Linear

4. Mengisi jumlah produksi pada kolom dependent karena merupakan variabel

Gambar 4.15 Kotak Dialog Linear Regression

Gambar 4.16 Kotak Dialog Linear Regression: Statistics

Gambar 4.17 Kotak Dialog Linear Regression: Plots

7. Pengisiannya sama seperti sebelumnya, hanya disini merubah variabel X

Gambar 4.18 Kotak Dialog Linear Regression: Plots

Gambar 4.19 Kotak Dialog Linear Regression: Options

Gambar 4.20 Output Descriptive statistics

Gambar 4.21 Output Correlations

Gambar 4.22 Output Variables entered/removedb

Gambar 4.23 Output Model summaryb

Gambar 4.24 Output Anovaa

Gambar 4.25 Output Coefficients

Gambar 4.26 Output Casewise Diagnostics

Gambar 4.26 Output Casewise Diagnostics (Lanjutan)

Gambar 4.27 Output Residual statistics

Gambar 4.28 Diagram Normal P-P of Regression Standardized Residual

Gambar 4.29 Diagram Scatterplot Regression Studentized Deleted

Gambar 4.30 Diagram Scatterplot Regression Standardized Predicted

4.2.4.1 Analisis Perhitungan Manual

menghitung untuk mendapatkan nilai a (intersep) dan didapatkan nilai a sebesar

4.2.4.2 Analisis Software

4.2.4.3 Analisis Perbandingan