RESUME TENTANG
OLEH :
KELAS B12-B
(193223135)
TAHUN 2020
PEMBAHASAN
1. Chi Square
a. Tabulasi Silang (crosstab)
Tabel 1. Pemberian Kode pada Variabel Jenis Kelamin dan Prestasi Kerja
Setelah data yang diperoleh diubah menjadi data nominal, yakni dengan memberi
kode pada setiap variable maka dapat disajikan menjadi seperti tabel di bawah ini:
Tabel 2. Data-data yang diperoleh telah diubah sesuai ketentuan kode pada tabel 1
Setelah kita memberi kode seperti contoh tersebut di atas, maka kita telah siap untuk
mengadakan analisa crosstab atau analisa tabulasi silang. Langkah-langkahnya
sebagai berikut :
Kedua cara tersebut akan muncul tampilan SPSS yang mirip dengan tampilan
Microsoft Excel. Setelah itu, secara otomatis output akan keluar. Seperti gambar
berikut :
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Jenis Kelamin * Prestasi
30 100.0% 0 .0% 30 100.0%
Kerja
Penjelasan output:
Chi-Square Tests
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 1.528a 2 .466
Likelihood Ratio 1.550 2 .461
Linear-by-Linear
.916 1 .338
Association
N of Valid Cases 30
a. 3 cells (50,0%) have expected count less than 5. The
minimum expected count is 3,47.
Penjelasan output:
• Untuk tabel Chi-Square Tests, menunjukkan hasil Chi Kuadrat (Chi Square)
hitung sebesar 1.528. Tingkat signifikan = 0,05 % yang telah ditentukan
terlebih dahulu sebelum melakukan penelitian.
• Keputusan = 0.05 Asymp. Sig. (2-sided) maka Ho diterima dan Ha ditolak.
• Bila = 0.05 Asymp. Sig. (2-sided) maka Ho ditolak dan Ha diterima.
Kesimpulan : Dari tabel Chi Square tersebut di atas, dapat diketahui bahwa 0.05
Asymp. Sig. (2-sided) yakni 0.466 maka Ho diterima dan Ha ditolak. Atau dengan
kata lain tidak terdapat hubungan antara jenis kelamin dengan prestasi kerja.
b. Uji Kesesuaian
Uji kai kuadrat untuk satu sampel dapat dipakai untuk menguji apakah data
sebuah sampel yang diambil menunjang hipotesa yang menyatakan bahwa populasi
asal sampel tersebut mengikuti suatu distribusi yang telah ditetapkan. Oleh karena
itu uji ini disebut juga uji keselarasan (goodness of fit test), karena untuk menguji
apakah sebuah sampel selaras dengan salah satu distribusi teoritis (seperti distribusi
normal, uniform, binomial dan lainnya).
Rumus yang digunakan untuk uji ini sama dengan rumus umum Uji Kai Kuadrat :
Contoh Kasus :
Penyelesaian :
Nilai E = 50, karena kita berharap bahwa jumlah yang menjawab pada masing-
masing kategorik akan berdistribusi sama. Selanjutnya masukan dalam rumus.
Dari hasil perhitungan terlihat Chi square hitung adalah 13. Selanjutnya melihat
nilai tabel pada kemaknaan alfa = 0.05 pada df = 4-1 = 3.
Dari tabel chi square diperoleh chi square tabel dengan df= 3 adalah 7,815, berarti
Chi-square hitung > chi-square tabel, maka Ho ditolak. Artinya sikap responden
terhadap pertanyaan tidak proporsional, dimana sikap responden cendrung pada
sikap tertentu.
c. Uji Independensi
Interpretasi hasil pengujian ialah apabila hipotesis nol diterima, berarti tidak
ada hubungan (independen), tetapi bila hasilnya menolak hipotesis nol maka
dikatakan kedua variable tersebut mempunyai hubungan atau dependen. Rumus
yang digunakan adalah rumus umum 𝑥 2.
Contoh:
1 20 25 15 20 80
2 40 15 10 5 70
3 10 10 15 15 50
Jumlah 70 50 40 40 200
Hasil perhitungan :
20 28 -8 64 2,29
25 20 5 25 1,25
15 16 -1 1 0,06
20 16 4 16 1,00
10 14 4 16 1,14
5 14 -9 81 5,75
15 10 5 25 2,5
15 10 5 25 2,5
30,11
X2 = 0,05,dk6 = 12,59
1 = 2,35 2 = 6,5 3 =4
S2 = 8,92 S2 = 5,67 S2 = 8,67
7) Hitung jumlah kuadrat rata-rata dengan rumus:
JKR = = = 252,08
8) Hitung jumlah kuadrat antarkelompok dengan rumus:
JKA = + + + + - JKR
= + + - 252,08 = 23,17
9) Hitung jumlah kuadrat dalam kelompok dengan rumus:
JKD = ∑χ2 – JKR - JKA = 345 – 252,08 – 23,17 = 69,75
10) Hitung derajat kebebasan rata-rata dengan rumus:
dkrata-rata = 1
11) Hitung kebebasan antarkelompok dengan rumus:
dkA = k – 1 = 3 – 1 = 2
di mana k = banyak kelompok.
12) Hitung derajat kebebasan dalam kelompok dengan rumus:
dkD = N- k = 12 – 3 = 9
di mana N = jumlah seluruh anggota sampel.
13) Hitung rata-rata jumlah kuadrat dengan rumus:
RKrata-rata = = = 252,08
RKA = = = 11,58
15) Hitung rata-rata jumlah kuadrat dalam kelompok dengan rumus:
RKD = = = 7,75
16) Cari Fhitung dengan rumus:
Fhitung = = = 1,49
17) Taraf signifikansi (α) = 0,05
18) Ftabel dengan rumus:
Ftabel = F(1-α)(dkA, dkD)
= F(1-0,05)(2, 9)
Dengan menggunakan tabel F didapat Ftabel = 4,26
19) Masukkan semua nilai yang telah didapat ke dalam tabel anova berikut:
Rata-rata
Jumlah
Jumlah Variasi dk Kuadrat F
Kuadrat (JK)
(RK)
Antar
23,17 2 11,58
Kelompok 1,49
Dalam
69,75 9 7,75
Kelompok
Jumlah 345 12 - -
Oneway
[DataSet0]
Descriptives
Pembelajaran
95% Confidence
Interval for Mean
Std. Std. Lower Upper
N Mean Deviation Error Bound Bound Minimum Maximum
JIGSAW 10 23.50 1.958 .619 22.10 24.90 21 26
STAD 10 27.00 1.764 .558 25.74 28.26 25 30
TAI 10 22.70 1.767 .559 21.44 23.96 20 25
Total 30 24.40 2.594 .474 23.43 25.37 20 30
Pada gambar di atas diperoleh rata-rata pembelajaran dengan JIGSAW adalah 23,50
dengan deviasi standar 1,958. Rata-rata pembelajaran dengan STAD adalah 27,00
dengan deviasi standar 1,764. Dan rata-rata pembelajaran dengan TAI adalah 22,70
dengan deviasi standar 2,594.
4. Multivariat Anova
a. Pengertian Analisis Multivariat
statistik uji U,
3.
4.
5.
dengan rumus :
grafik dari merupakan kurva atau garis lengkung,
atau biasanya dikatakan bentuk lonceng (irisan bentuk
lonceng).
Pada situasi multivariat, yang terlibat adalah sekelompok
variabel dikatakan berdistribusi normal p-variat
dimana
variabel membentuk matriks identitas. Korelasi antar variabel dilakukan dengan menggunakan uji
Bartlett Sphercity pada program SPSS. Hipotesis yang digunakan pada uji tersebut adalah sebagai
berikut:
Pengertian regresi secara umum adalah sebuah alat statistik yang memberikan
penjelasan tentang pola hubungan (model) antara dua variabel atau lebih.. Dalam
analisis regresi dikenal 2 jenis variabel yaitu:
a. Variabel Respon disebut juga variabel dependen yaitu variabel yang
keberadaannya dipengaruhi oleh variabel lainnya dan dinotasikan dengan
variable Y .
b. Variabel Prediktor disebut juga dengan variabel independen yaitu variabel yang
bebas (tidak dipengaruhi oleh variabel lainnya) dan dinotasikan dengan X.
Untuk mempelajari hubugan – hubungan antara variabel bebas maka regresi linier
terdiri dari dua bentuk, yaitu:
a. Analisis regresi sederhana (simple analysis regresi)
b. Analisis regresi berganda (Multiple analysis regresi)
Analisis regresi sederhana merupakan hubungan antara dua variabel yaitu variabel
bebas (variable independen) dan variabel tak bebas (variabel dependen). Sedangkan
analisis regresi berganda merupakan hubungan antara 3 variabel atau lebih, yaitu
sekurang-kurangnya dua variabel bebas dengan satu variabel tak bebas.
Tujuan utama regresi adalah untuk membuat perkiraan nilai suatu variabel (variabel
dependen) jika nilai variabel yang lain yang berhubungan dengannya (variabel
lainnya) sudah ditentukan.
9. Definisi Regresi Linear Sederhana
Analisis regresi linear sederhana merupakan salah satu metode regresi yang
dapat dipakai sebagai alat inferensi statistik untuk menentukan pengaruh
sebuah variabel bebas (independen) terhadap variabel terikat (dependen).
Uji Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki
beberapa tujuan, yaitu:
a. Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada
nilai variabel bebas.
b. Menguji hipotesis karakteristik dependensi
c. Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel
bebas diluar jangkaun sample.
10. Variabel Bebas Dan Terikat Regresi Linier Sederhana (Dependent And
Independent Variable)
a. Dependent Variable/Variabel Tak Bebas (Y): Variabel yang nilainya
ditentukan oleh variabel lain. Diasumsikan bersifat random/stochastic
b. Independent Variable/Variabel Bebas (X): Variabel yang nilainya
ditentukan secara bebas (variabel yang diduga mempengaruhi variabel tak
bebas). Diasumsikan bersifat fixed/non stochastic.
c. Syarat : Y: Berjenis data kuantitatif X: Berjenis data kuantitatif atau
kualitatif/kategorik
Yi = β0 + β1Xi + εi (i = 1, 2, …, n)
dimana :
Yi merupakan nilai dari variabel dependent pada observasi ke-i
β0 dan β1 merupakan parameter model
εi merupakan komponen error (pengaruh variabel bebas
lain selain variabel X)
Xi adalah nilai variabel bebas X pada observasi ke-i
N adalah banyaknya data observasi (sampel)
Note: β0 dan β1 disebut juga koefisien regresi, β0 merupakan
intercept dan β1 merupakan slope (gradien garis) yang menyatakan
perubahan nilai Y untuk setiap kenaikan satu satuan X.
Metode estimasi yang digunakan pada regresi linier sederhana adalah Metode
Kuadrat Terkecil (Least Square Method) dengan prinsip meminimalkan ∑εi2
a. Jika semua asumsi yang diberlakukan terhadap model regresi terpenuhi, maka
menurut suatu teorema (Gauss Markov theorem) estimator tersebut akan
bersifat BLUE (Best Linear Unbiased Estimator).
b. Best = Terbaik, mempunyai varian yang minimum
c. Linear = Linear dalam Variabel Random Y
d. Unbiased = Tak bias
e. Artinya estimator tersebut akan unbiased, linier dan mempunyai varian yang
minimum diantara semua estimator unbiased & linier yang lain.
Tabel diatas menyajikan data dengan variabel X adalah umur mobil dan variabel
Y adalah harga. Hasil estimasinya adalah sebagai berikut :
Yˆ=195.47−20.26X
Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur mobil
bertambah satu tahun maka harga mobil tersebut akan turun sebesar $2.026.
Model regresi linier berganda untuk populasi diatas dapat ditaksir berdasarkan
sebuah smpel acak yang berukuran n dengan model regresi linier berganda untuk
sampel, yaitu:
Regresi logistic merupakan salah satu model staistika yang dapat digunakan
untuk menganalisis pola hubungan antar sekumpulan variabel independen dengan
suatu variabel dependen bertipe kategoris atau kualitatif. Kategori dari variabel
terikat dapat terdiri dari dua kemungkinan nilai (dichotomous), seperti ya/tidak,
sukses/gagal, dan lain-lain, atau terdiri lebih dari dua nilai (polychotomous), seperti
sangat setuju, setuju, tidak setuju, atau sangat tidak setuju. Tujuan utama dari
analisis regresi logistik adalah sebagai berikut :
a. Memprediksi probabilitas terjadinya atau tidak terjadinya event (terjadinya
nonevent) berdasarkan nilai-nilai prediktor yang ada. Event merupakan status
variabel respons yang menjadi pokok perhatian (diberi nilai kode yang lebih
tinggi daripada nonevent).
b. Mengklasifikasikan subjek penelitian berdasarkan ambang (threshold)
probabilitas.
Model logit didasari oleh Linear Probability Model (LPM) yang secara
sederhana dapat diiliustrasikan sebagai berikut. Misalkan terdapat 𝑝 variabel dalam
model regresi dan didefinisikan 𝑥 = (𝑥1, 𝑥2 , … , 𝑥𝑝 ). Model LPM merupakan
penerapan regresi linier klasik pada respon kategoris atau bertipe kualitatif, LPM
mengubah regresi linier klasik menjadi model probabilitas linier, dengan persamaan
𝐸(𝑌𝑖 |𝑥) = 𝜋𝑖 . 1 + (1 − 𝜋𝑖 ) ∗ 0 = 𝜋𝑖 .
Karena berupa probabilitas, kemungkinan nilai 𝑌̂𝑖 = 𝜋𝑖 (𝑋) terbatas antara 0 sampai
1. Namun karena 𝑔(𝑥) = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝, nilai yang mungkin tidak
terbatas (karena 𝑋 bisa bernilai kontinu, diskrit, ataupun kategoris) sehingga
terkadang nilai 𝜋𝑖 hasil estimasi dengan LPM berada di luar range [0,1].
𝑧
1 1 2
𝜙(𝑧) = ∫ 𝑒 2𝑥 𝑑𝑥
√2𝜋 ∞
𝛽0 +𝛽1 𝑥1 +⋯+𝛽𝑝 𝑥𝑝
1 1 2
𝜋𝑖 = 𝜑(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 ) = ∫ 𝑒 2𝑥 𝑑𝑥
√2𝜋 −∞
1
𝜋𝑖 = Λ(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 ) =
1 + 𝑒 −(𝛽0+𝛽1𝑥1 +⋯+𝛽𝑝𝑥𝑝 )
𝑒 𝛽0+𝛽1𝑥1+⋯+𝛽𝑝 𝑥𝑝
=
1 + 𝑒 𝛽0 +𝛽1𝑥1+⋯+𝛽𝑝 𝑥𝑝
1. Kesederhanaan (simplicity)
Persamaan dari fungsi logistik cukup sederhana, sedangkan fungsi normal
relatif lebih kompleks. Perbedaan ini tidak terlalu terlihat untuk data
dikotomi, tetapi untuk data polikotomi, yang memerlukan model logistik
atau normal multivariat dalam analisis model akan menjadi lebih sederhana.
2. Interpretabilitas
Transformasi inversi dari logit model Λ−1 (𝜋𝑖 ) dapat diinterpretasikan
langsung sebagai log-odds, sedangkan transformasi inversi 𝜙 −1 (𝜋𝑖 ) tidak
memiliki interpretasi langsung.
1. Untuk model logit, perhatikan nilai odds ratio
𝜋𝑖
= 𝑒 𝛽0+𝛽1𝑥1+⋯+𝛽𝑝 𝑥𝑝
1 − 𝜋𝑖
𝜋
Maka diperoleh nilai logit, yakni log 1−𝜋𝑖 = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 .
𝑖
𝜋
Transformasi Λ−1 (𝑃𝑖 ) = log 1−𝜋𝑖 disebut logit dari nilai 𝜋, yakni nilai
𝑖
Untuk menguji kecocokan koefisien, kita bias menggunakan uji Wald. Uji
Wald merupakan uji univariat terhadap masing-masing koefisien regresi logistik
(sering disebut partially test).
1. Pseudo-𝑅2
Pseudo-𝑅2 merupakan nilai perkiraan atau nilai pendekatan dari koefisien
determinasi karena dalam model regresi logistik tidak dapat dihitung nilai
eksak dari koefisien determinasi. Rumusan Pseudo-𝑅 2 yang sering
digunakan adalah Pseudo-𝑅2 McFadden, yang didefinisikan sebagai
𝑙(𝛽̂)
𝑅2 = 1 −
𝑙(𝑦̅)
Dengan 𝑙(𝛽̂) yang merupakan nilai log likelihood dari fitted model (model
logit yang diamati dan 𝑙(𝑦̅) adalah model logit yang hanya mengandung
komponen konstanta.
2. Proporsi konkordansi
Proporsi konkordansi (biasanya dalam persentase) menyatakan persentase
secara deskriptif data yang dapat diklasifikasikan secara tepatke setiap
kategori respons oleh model regresi logistik yang terbentuk.
DAFTAR PUSTAKA
http://idtesis.com/analisis-tabulasi-silang-crosstab/
http://digensia.wordpress.com/akses2013/04/10/uji-kecocokankesesuaian-
goodness-of-fit-test/
https://www.statistikian.com/2016/11/analisis-multivariat.html/amp
Wahyono, Teguh. 2009. 25 Metode Anlisis dengan Menggunakan SPSS 17. Jakarta
: Gramedia.
http://solusisekripsi.blogspot.com/2012/10/pengertian-oneway-anova-analisis-
varian.html
http://teorionline.wordpress.com/2011/02/06/one-way-anova-analysis-of-
variance/Hendry/