Pengantar Aplikasi Komputer SPSS Edisi R PDF

Pengantar
Aplikasi Komputer
(SPSS)
(Edisi Revisi)
M. Jainuri, S.Pd., M.Pd
Penerbit:
Pengantar
Aplikasi Komputer
(SPSS)
(Edisi Revisi)
Hak Cipta Dilindungi Undang-Undang

All Right Reserved
Editor : Tim Hira

Desain Cover : Egydia Design
Layout : Indarto Irwanto
ISBN : 978-602-51589-2-6
Cetakan Kedua:
Januari 2019
Penerbit:
Hira Institute
KATA PENGANTAR
Dengan rahmat Tuhan Yang Maha Esa, penyusunan buku Pengantar
Aplikasi Komputer (SPSS) telah dapat diselesaikan. Pengantar Aplikasi
Komputer (SPSS) ini merupakan buku yang sederhana, hanya membahas
secara singkat materi-materi aplikasi statistika yang popular digunakan
dalam penelitian pendidikan dengan komputer sebatas menggunakan
program IBM SPSS Statistics. Namun, materi dalam buku ini tetap
disesuaikan dengan Silabus dan SAP (Satuan Acara Perkuliahan).
Buku ini diperuntukkan bagi mahasiswa yang mempelajari Aplikasi
Komputer (SPSS) dan pihak-pihak lain yang ingin menggunakannya, baik
sebagai bahan perbandingan, bahan pelengkap, ataupun bahan
kepustakaan. Mudah-mudahan tujuan disusunnya buku ini dapat
mengenai sasaran.
Kepada pihak-pihak yang membantu dalam penyusunan buku Pengatar
Aplikasi Komputer (SPSS) ini, penyusun mengucapkan banyak terima
kasih. Segala kritik dan saran yang bersifat konstruktif untuk
penyempurnaan buku ini dari pembaca, penyusun senantiasa akan
menerima dan menyambut dengan segala kerendahan hati.
Januari 2019
Penulis,
iii
DAFTAR ISI
Kata Pengantar ........................................................................................................ ii

Daftar Isi................................................................................................................. iii
BAB 1 MENYUSUN DATA ................................................................................1

1. Persiapan Data ....................................................................................1
2. Ukuran Data ........................................................................................1
3. Variabel ...............................................................................................2
4. Membuka Program SPSS....................................................................2
5. Membangun Data Baru .......................................................................4
6. Menyimpan Data.................................................................................6
7. Membuka File Data ............................................................................7
BAB 2 STATISTIK DESKRIPTIF ....................................................................9

1. Pengukuran Deskriftif .........................................................................9
2. Frequencies .......................................................................................13
3. Descriptives ......................................................................................15
4. Explore ..............................................................................................16
BAB 3 GRAFIK DI SPSS ..................................................................................18

1. Membangun Grafik melalui Chart Builder ......................................18
2. Membangun Grafik melalui Graphboard Template Chooser ..........22
3. Membangun Grafik melalui Legacy Dialog .....................................24
BAB 4 UJI PERSYARATAN INSTRUMEN ..................................................27

1. Uji Validitas ......................................................................................27
2. Uji Reliabilitas ..................................................................................31
BAB 5 UJI PERSYARATAN ANALISIS DATA............................................35

1. Uji Normalitas...................................................................................35
2. Uji Linearitas ....................................................................................38
3. Uji Homogenitas ...............................................................................39
BAB 6 ANALISIS ASSOIATIF ........................................................................44

1. Korelasi Sederhana Pearson .............................................................44
2. Korelasi Parsial dan Korelasi Ganda ................................................47
BAB 7 ANALISIS PREDIKTIF .......................................................................52

1. Regresi Linear Sederhana .................................................................52
2. Regresi Linear Ganda .......................................................................57
BAB 8 ANALISIS KOMPARATIF (T-TEST) ................................................63

1. One Sample T-Test ...........................................................................63
2. Independent Sample T-Test ..............................................................67
iv
3. Paired Sample T-test .........................................................................72
BAB 9 ANALISIS KOMPARATIF (ANOVA) ...............................................73

1. One Way Anova................................................................................74
2. Two Way Anova ...............................................................................79
BAB 10 STATISTIK NONPARAMETRIK ......................................................89

1. Uji Tanda (Sign Test) .......................................................................89
2. Uji Run ..............................................................................................93
3. Chi Square.........................................................................................97
4. Korelasi Spearman Rank ................................................................102
5. Korelasi Kendall tau .......................................................................106
6. Uji Mann-Whitney ..........................................................................109
7. Uji Kruskal-Wallis ..........................................................................113
BAB 11 MEMBUAT TABEL STATISTIK .....................................................117

1. Tabel t dan Tabel r (Product-Moment) ...........................................117
2. Table F ............................................................................................121
3. Table Chi Square ............................................................................124
DAFTAR PUSTAKA .........................................................................................126
v
BAB 1
MEMBANGUN DATA
A. KOMPETENSI
Standar Kompetensi:
Setelah mempelajari materi buku ini Anda diharapkan mampu mengaplikasikan
perhitungan uji statistik dengan software IBM SPSS Statistics dan menerapkan dalam
penelitian
Kompetensi Dasar
1. Memahami dan mampu menerapkan statistika dalam penelitian.
2. Mampu membangun data di IBM SPSS Statistics.
Indikator:
Setelah mempelajari materi bukuini, Anda mampu menjelaskan dan mempraktekkan:
1. Persiapan data
2. Ukuran data
3. Variabel
4. Membuka program IBM SPSS Statistics.
5. Membangun data baru
6. Menyimpan data
7. Membuka file data
B. MATERI
Pada awalnya SPSS merupakan singkatan dari Statistical Package for the Social Science,
sejalan dengan berkembangnya SPSS itu sendiri sekarang SPSS mempunyai kepanjangan
Statistical Product and Service Solutions. SPSS merupakan suatu program komputer
statistik yang mampu mengolah/ memproses data statistik secara cepat dan tepat, untuk
mendapatkan berbagai hasil/ output yang dikehendaki para pengambil keputusan. Kelebihan
program ini adalah kita dapat melakukan secara lebih cepat semua perhitungan statistik dari
yang sederhana sampai yang rumit sekalipun, jika dilakukan secara manual akan memakan
waktu lebih lama.
1. Persiapan data
Sebelum dilakukan pengolahan data terlebih dahulu dipersiapkan variabel dan data-data
yang akan diinput di program SPSS. Data-data yang akan diolah memiliki aturan
tertentu, seperti: tipe variabel (numeric, Date, string, dan sebagainya) dan ukuran data.
2. Ukuran data
Ukuran data sangat penting diketahui sebab akan menentukan analisis apa yang akan
digunakan. Pada SPSS ada tiga ukuran data, yaitu: nominal, ordinal dan scale.
 Nominal adalah data yang diperoleh dari hasil kategorisasi dan menunjukkan
kesejajaran. Misalnya: 1 = pria dan 2 = wanita.
 Ordinal adalah data yang diperoleh dari kategorisasi dan mempunyai ranking
(bertingkat). Misalnya: 1 = sangat tidak baik, 2 = tidak baik, 3 = baik, 4 = sangat
baik.
APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 1

 Scale adalah data yang didapatkan bukan dari kategorisasi, data ini berupa data
interval dan rasio. Pada data ini dapat dilakukan operasi matematis (penjumlahan,
pengurangan, perkalian dan pembagian). Misalnya: data pendapatan, data tinggi
badan, nilai siswa, biaya produksi, penjualan, dan sebagainya.
3. Variabel
Variabel merupakan konsep yang nilainya bervariasi atau berubah-ubah. Ada beberapa
macam variabel, sebagai berikut:
 Variabel dependen (variabel terikat) adalah variabel yang nilainya dipengaruhi oleh
variabel lain. Contoh: tingkat produksi, tingkat penjualan, harga saham, hasil
belajar, kepuasan konsumen, dll.
 Variabel independen (variabel bebas) adalah variabel yang mempengaruhi variabel
dependen. Contoh: motivasi, biaya produksi, kepribadian siswa, luas lahan, jumlah
pupuk, dll.
 Variabel kontrol adalah variabel yang dikendalikan atau variabel yang nilainya
dibuat tetap, hal ini agar tidak dipengaruhi oleh variabel lain.
 Variabel moderator adalah variabel yang mempengaruhi hubungan antara variabel
independen dengan variabel dependen.
4. Membuka program SPSS

Cara 1:
Klik start > all program > IBM SPSS Statistic > IBM SPSS Statistics
Klik
Klik

Cara 2: klik ganda icon IBM SPSS Statistics di dekstop.
Akan muncul tampilan IBM SPSS Statistics Data Editor berikut:
Selanjutnya muncul tampilan IBM SPSS Statistics Viewer berikut:

Tampilan area kerja IBM SPSS Statistics:
5. Membangun data baru
Langkah 1 : membuat variabel pada halaman variable views
Keterangan:
 Name : nama variabel
 Type : menentukan tipe variabel.
Pada IBM SPSS Statistics terdapat 9 variabel, yang paling
banyak digunakan yaitu numeric (data berupa angka) dan
string (bukan angka).

 Width : ukuran menentukan lebar kolom secara default adalah 8.
 Decimals : menentukan banyaknya angka di belakang koma.
 Label : memberikan penjelasan nama variabel.
 Values : memberi value (nilai) untuk data tipe nominal atau ordinal.
Misal: 1 = tidak suka, 2 = suka dan 3 = sangat suka.
 Missing : menentukan data tertentu sebagai data yang hilang atau

tidak digunakan.
 Columns : menentukan lebar kolom pada kolom data pada halaman

Data View.
 Align : menentukan letak data (left, Center dan Right)
 Measures : menentukan ukuran data (nominal, ordinal dan scale).

Langkah 2 : Input data pada halaman Data View
6. Menyimpan data
Setelah data diinput (entri) maka langkah selanjutnya menyimpan data. Langkah-
langkahnya sebagai berikut:
 Klik File > Save, kemudian terbuka kotak dialog Save Data As.
 pada Save In, pilih direktori/folder untuk menyimpan data anda. Ketikan :
Membangun Data pada SPSS di File Name, selanjutnya klik Save.

7. Membuka file data
Untuk membuka data yang sudah disimpan sebelumnya, langkah-langkahnya sebagai
berikut:
 Klik File > Open > Data, kemudian akan terbuka kotak dialog Open Data.

 Pada Look In, pilih direktori/ folder di mana data SPSS anda disimpan,
kemudian pilih dan klik tombol Open.
C. SOAL

BAB II
STATISTIK DESKRIPTIF
A. KOMPETENSI
Standar Kompetensi:
Setelah memempelajari materi buku ini, Anda memahami dan mampu mengaplikasikan
perhitungan uji statistik dengan software IBM SPSS Statistics dan menerapkan dalam
penelitian
Kompetensi Dasar
3. Mampu menjelaskan dan menerapkan statistisk deskriptif.
4. Mampu membuat dan mengaplikasikan grafik dan diagram dengan SPSS.
Indikator:
Setelah mempelajari buku ini, Anda mampu menjelaskan dan mempraktekkan:
1. Statistik deskriptif (case summaries, case summaries in row, case summaries in

coulum, frequencies, descriptive dan explore).
2. Grafik dan diagram (diagram batang/bar chart, histogram, boxplot, scatter plot, pie
chart dan line chart).
B. MATERI
Pengukuran Deskriptif
Pengukuran deskriptif pada dasarnya memaparkan secara numerik ukuran tendensi sentral,
dispersi dan distribusi suatu data. Tendensi sentral mengukur pemusatan data. Ada beberapa
ukuran umum tendensi sentral yang sering digunakan, yaitu: Mean/rata-rata, Median dan
Modus. Dispersi mengukur penyebaran suatu data. Beberapa ukuran umum dispersi yang
sering digunakan, yaitu: standar deviasi (simpangan baku), varians dan standard error mean
(S.E Mean). Distribusi mengukur distribusi suatu data, ukuran umum yang sering digunakan
adalah skewness (kemiringan) dan kurtosis (keruncingan) suatu distribusi data.
IBM SPSS Statistics mengkategorikan analisis statistik deskriptif dalam 5 kategori, yaitu:
Frequencies, Descriptives, Explore, Crosstab, dan Ratio. Pada SPSS analisis statistik
deskriptif dilakukan dengan cara klik: Analyze > Descriptive Statistics.
APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 9

Ketik data berikut untuk entry data:
Nilai
Jenis
Nama Umur Statistik Statistik Metode
Kelamin
Deskriptif Inferensial Penelitian
Atun 21 Perempuan 80 60 70
Paijo 20 Laki-Laki 70 80 90
Bedul 21 Laki-Laki 90 60 80
Upik 19 Perempuan 80 90 60
Butet 20 Perempuan 60 70 80
Ucok 22 Laki-Laki 90 60 70
Maimunah 21 Perempuan 70 80 80
Markonah 21 Perempuan 60 70 60
Astri 20 Perempuan 80 80 60
Boim 22 Laki-Laki 70 80 90
Langkah-langkah entry data sebagai berikut:
 Masukkan variabel: Nama untuk “Nama”, Umur untuk “Umur”, Gender untuk “Jenis
Kelamin”, Stat_Des untuk “Nilai Statistik Deskriptif”, Stat_Inferen untuk “Nilai
Statistik Inferensial”, dan Metopen untuk “Nilai Metode Penelitian” pada kolom Name
pada tab sheet [Variable View].
 Berilah label untuk masing-masing variabel dengan menuliskannya pada kolom Label:
Umur, Jenis Kelamin, Nilai Statistik Deskriptif, Nilai Statistik Inferensial, dan Nilai
Metode Penelitian. Hal ini berarti: variabel Gender mempunyai label “Jenis Kelamin”,
variabel Stat_Des mempunyai label “Nilai Statistik Deskripsi”, dan seterusnya.
 Untuk variabel Gender pada kolom Values, definisikan Value: 1 = Laki-laki dan Value:
2 = Perempuan.
 Untuk variabel Nama (baris pertama ) pada kolom Type, ubah tipe data menjadi String.
 Pada kolom Decimals isi nol untuk semua variabel.
 Untuk kolom lainnya seperti Width, Missing, dan Columns biarkan tetap default SPSS
atau anda sesuaikan dengan keinginan.
 Simpan file atau ”save” atau tekan Ctrl + S. Beri nama file: 2_Statistik Deskriptif, dan
simpan pada folder anda (folder nama anda dan kelas).

 Kemudian klik tab sheet [Data View] dan entry data seperti di bawah ini:
 Untuk melihat hasil definisi Value pada variabel Gender, klik ikon ,variabel Gender
akan terdefinisi menjadi laki-laki dan perempuan, tidak lagi berisi angka 1 dan 2.

 Selanjutnya, kita ingin menjumlahkan nilai Stat_Des, Stat_Inferen, dan Metopen, Klik
menu [Transform] > [Compute], muncul dialog box Compute Variable.
 Buatlah variabel baru dengan nama “Total” untuk menempatkan hasil penjumlahan
nilai Stat_Des, Stat_Inferen, dan Metopen, caranya: tuliskan “Total” pada form Target
Variable. Kemudian Klik [Type & Label], beri label “Nilai Total“.
 Ketik “Stat_Des+Stat_Inferen+Metopen” (sesuai nama variabel dan perintah

penjumlahan ) pada form Numeric Expression. Anda juga dapat menggunakan tombol-
tombol yang tersedia pada dialog box, lihat Gambar.

 Klik [OK]. Pada Data View akan muncul variabel baru dengan nama “Total” (lihat
Gambar).
1. Frequencies
Perintah Frequencies digunakan untuk memperoleh jumlah pada nilai-nilai sebuah

variabel tunggal. Langkah-langkahnya adalah sebagai berikut:
Klik menu [Analyze] > [Descriptive Statistics] > [Frequencies].

 Muncul dialog box Frequencies. Klik “Jenis Kelamin [Gender]” > klik , (untuk
memasukkan variabel Jenis Kelamin ke form Variables(s). Kita akan menganalisis
variabel Jenis Kelamin.
 Jangan lupa centang Display frequency tables.
 Agar menampilkan representasi bergambar (grafik), klik [Charts], maka akan

muncul dialog box Frequencies: Charts. Saya memilih Bar charts pada form Chart
Type. Pada form Chart Values , saya memilih Percentages (Lihat Gambar).
 Kemudian klik [Continues] untuk kembali ke dialog box Frequencies lalu klik [OK]
maka muncul jendela SPSS Viewer yang menunjukkan hasil analisis frekuensi (lihat
Gambar).
2. Descriptives
Dengan menggunakan data sebelumnya langkah-langkah perintah Descriptives adalah

sebagai berikut:
 Klik menu [Analyze] > [Descriptives Statistics] > [Descriptives].
 Muncul dialog box Descriptives. Masukkan variabel yang akan dianalisis ke form
Variables(s). Untuk melakukan setting optional klik [Options].
 Muncul dialog box Descriptives: Options. Centang analisis yang diperlukan. Dalam
hal ini pilihannya adalah: Mean, Std. deviation, Minimum, Maximum, Kurtosis,
Skewness, dan pada form Display Order centang Variable list.

 Klik [Continue] dan [OK]. Hasil analisis akan terlihat seperti tabel yang ditunjukkan
Gambar di bawah ini:
3. Explore
Perintah Explore digunakan untuk membandingkan antara dua atau lebih kelompok
dengan satu variabel. Sebagai contoh, jika kita menggunakan Jenis Kelamin sebagai
variabel independen; variabel ini mendefinisikan kelompok (Laki-Laki dan
Perempuan), kemudian membandingkannya dengan variabel lain, seperti Umur.
Perintah Explore; contoh dalam kasus mean, akan menghasilkan berapa rata-rata umur
laki-laki dan berapa rata-rata umur perempuan. Ukuran-ukuran yang dihasilkan
perintah Explore antara lain: ukuran-ukuran pemusatan data (mean dan median),
ukuran penyebaran (range, interquartile range, standar deviasi, varians, minimum, dan
maksimum), ukuran kurtosis, dan skewness.
Berikut langkah-langkah perintah Explore:
 Klik menu [Analyze] -> [Descriptives Statistics] -> [Explore].
 Muncul dialog box Explore.
o form Factor List, isi: variabel Jenis Kelamin.
o form Dependent List, isi: variabel Umur, Nilai Statistik Deskriptif, Nilai
Statistik Inferensial, Nilai Metode Penelitian, dan Nilai Total.
 Form Display ada tiga pilihan Both, Statistics, dan Plots. Saya hanya memilih
[Statistics].
o Klik [Plots] bila perlu grafik boxplot.
o Klik [Statistics] bila tidak perlu grafik boxplot.
o Klik [Both] bila perlu keduanya.
 Terakhir klik [OK].

BAB 3
GRAFIK di SPSS
Dalam statistik tabel dan grafik berperan untuk pengorganisasian data sehingga apabila data
tersebut disajikan ala akan menghasilkan informasi yang lebih bermakna. Dengan bantuan
tabel dan grafik maka akan lebih mudah memahami data dan informasi yang terkandung di
dalamnya.
SPSS memiliki tiga fasilitas dalam membangun grafik, yaitu melalui: Chart Builder,
Graphboard Template Choosher dan Legacy Dialog. Menu grafik akan membuat berbagai
jenis grafik populer: bar, Ine, histogram, dan sebagainya. Selain itu menu grafik dilengkapi
dengan berbagai fasilitas agar grafik bisa divariasi.
Untuk membuat sebuah grafik, data yang digunakan pada dasarnya bisa data kualitatif
ataupun data kuantitatif. Namun demikian tipe grafik tertentu dapat saja lebih cocok
digunakan untuk data tertentu.
Sebagai latihan, misalnya kita punya data tingkat pendidikan, pendapatan dan usia dari 10
orang responden penelitian. Tingkat pendidikan misalnya dikategorikan sebagai:
1 = responden yang berpendidikan SLTP

2 = responden yang berpendidikan SLTA
3 = responden yang berpendidikan D3
4 = responden yang berpendidikkan S1.
Pendapatan kita kelompokkan atas tiga, yaitu:

1 = pendapatan rendah (kurang dari Rp. 1.000.000)
2 = pendapatan menengah ( Rp. 1.000.000 – 3.000.000)
3 = pendapatan tinggi ( diatas Rp 3.000.000)
Usia dikelompokkan atas tiga, yaitu:

1 = antara 25 – 30 tahun
1. Membangun Grafik melalui Chart Builder
Chart Builder membangun grafik melalui Gallery chart. Kita tinggal drag and drop pada
canvas. Canvas merupakan area pada kotak dialog Chart Builder tempat membangun
grafik. Pada menu ini, kita dapat membuat antara lain: Grafik Bar (batang), Histogram,
Boxplot, Scatter plot, Pie Chart dan Line Chart.
Langkah-langkah entry data :
Aplikasi Komputer (SPSS) – M. Jainuri, M.Pd 18

 Input data sebagai berikut:
 Kemudian klik tab sheet [data view] dan entry data seperti di bawah ini:
 Simpan file atau ”save” atau tekan Ctrl + S. Beri nama file: 3_Grafik di SPSS, dan
simpan pada folder anda (folder nama anda dan kelas).
 Klik [Graphs] > [Chart Builder] sehingga kotak dialog Chart Builder akan terbuka.

 Pilih bentuk bar (diagram batang), bar tersebut akan muncul pada kanvas.
 Selanjutnya, isi variabel-variabel pada kanvas. Pada X-Axis, masukan variabel

Pendidikan dan Y-Axis, masukan variabel Pendapatan. Hasilnya sebagai berikut:

 Pilih bentuk Pie/Polar (diagram lingkaran), bentuk tersebut akan muncul pada
kanvas.
 Selanjutnya, isi [Slice By] dengan variabel Pendidikan. Hasilnya sebagai berikut:
 Untuk melihat persentase dalam tampilan grafik, letakkan kursor pada sembarang
tempat di Phie chart tersebut, lalu klik ganda pada grafik tersebut. Kemudian akan
muncul [Chart Editor] yang berfungsi untuk mengedit tampilan. Tekan ion Ade data
label yang ada di kiri atas. Hasilnya sebagai berikut:

2. Membangun Grafik melalui Graphboard Template Chooser
Jika kita ingin menggunakan berbagai template grafik dari SPSS, kita bisa
memanfaatkan [Graphboard Template Chooser]. Berikut langkah-langkah
pembuatannya:
 Klik [Graphs] > [Graphboard Template Chooser], sehingga akan muncul kotak
dialog seperti berikut:
 Aktifkan variabel Pendidikan sehingga macam-macam template untuk variabel

tersebut akan muncul.
 Pilih template Histogram dan klik [OK]. Hasilnya sebagai berikut:

 Pilih template Pie of Count dan klik [OK]. Hasilnya sebagai berikut:

3. Membangun Grafik melalui Legacy Dialog
Membuat grafik dengan menggunakan fitur Legacy Dialog, ikuti langkah-langkah

berikut:
 Klik [Graphs] > [Legacy Dialog] kemudian pilih Bar, selanjutnya akan muncul tipe
grafik yang kita pilih.
 Pilih Simple dan pilih Summaries for Group of casess.

 Klik [Define] sehingga muncul kota dialog Define Simple Bar.
 Masukan variabel Pendidikan pada Category Axis dan variabel Pendapatan pada
Rows.
 Klik [OK]. Hasilnya sebagai berikut:

 Membuat grafik Line Chart (Diagram garis)

BAB 4
UJI PERSYARATAN INSTRUMEN
1. Uji Validitas
Validitas adalah ketepatan atau kecermatan suatu instrumen dalam mengukur apa yang
ingin dukur. Dalam pengujian instrumen pengumpulan data, validitas bisa dibedakan
menjadi validitas faktor dan validitas item. Validitas faktor diukur bila item yang disusun
menggunakan lebih dari satu faktor (antara faktor satu dengan yang lain ada kesamaan).
Pengukuran validitas faktor ini dengan cara mengkorelasikan antara skor faktor
(penjumlahan item dalam satu faktor) dengan skor total faktor (total keseluruhan faktor),
sedangkan pengukuran validitas item dengan cara mengkorelasikan antara skor item
dengan skor total item.
Pada pembahasan ini akan dibahas untuk metode pengujian validitas item. Validitas item
ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor total),
perhitungan dilakukan dengan cara mengkorelasikan antara skor item dengan skor total
item. Bila kita menggunakan lebih dari satu faktor berarti pengujian validitas item dengan
cara mengkorelasikan antara skor item dengan skor faktor, kemudian dilanjutkan
mengkorelasikan antara skor item dengan skor total faktor (penjumlahan dari beberapa
faktor). Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi yang
digunakan untuk mengukur tingkat validitas suatu item dan untuk menentukan apakah
suatu item layak digunakan atau tidak. Dalam penentuan layak atau tidaknya suatu item
yang akan digunakan, biasanya dilakukan uji signifikansi koefisien korelasi pada taraf
signifikansi 0,05, artinya suatu item dianggap valid jika berkorelasi signifikan terhadap
skor total. Untuk pembahasan ini dilakukan uji signifikansi koefisien korelasi dengan
kriteria menggunakan tabel r pada taraf signifikansi 0,05 (signifikansi 5% atau 0,05 adalah
ukuran standar yang sering digunakan dalam penelitian).
Pada program SPSS teknik pengujian yang sering digunakan para peneliti untuk uji
validitas adalah menggunakan korelasi Bivariate Pearson (Pearson Product-Moment) dan
Corrected Item-Total Correlation. Masing-masing teknik perhitungan korelasi akan
dibahas sebagai berikut:
a. Bivariate Pearson (Korelasi Pearson Product-Moment)
Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan skor total.
Skor total adalah penjumlahan dari keseluruhan item. Item-item pertanyaan yang
berkorelasi signifikan dengan skor total menunjukkan item-item tersebut mampu
memberikan dukungan dalam mengungkap apa yang ingin diungkap. Pengujian
menggunakan uji dua pihak dengan taraf signifikansi 0,05. Kriteria pengujian adalah
sebagai berikut:
 Jika r hitung ≥ r tabel (uji dua pihak dengan sig. 0,05) maka instrumen atau item-
item pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).
 Jika r hitung < r tabel (uji dua sisi dengan sig. 0,05) maka instrumen atau item-item
pertanyaan tidak berkorelasi signifikan terhadap skor total (dinyatakan tidak valid).
Aplikasi Komputer (SPSS)_M. Jainuri, M.Pd 27

Contoh Kasus:
Seorang mahasiswa bernama Atun melakukan penelitian untuk mengungkap hasil belajar
seseorang. Instrumen yang digunakan adalah angket dengan skala Likert dan pernyataan
sebanyak 10 butir. Skala Likert menggunakan 4 option, yaitu angka 1 = Sangat tidak
setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan kepada 12
responden didapatlah tabulasi data-data sebagai berikut:
Skor Item Skor

Subjek
1 2 3 4 5 6 7 8 9 10 Total
1 3 4 3 4 4 3 3 3 3 3 33
2 4 3 3 4 3 3 3 3 3 3 32
3 2 2 1 3 2 2 3 1 2 3 21
4 3 4 4 3 3 3 4 3 3 4 34
5 3 4 3 3 3 4 3 4 4 3 34
6 3 2 4 4 3 4 4 3 4 4 35
7 2 3 3 4 4 4 3 4 3 2 32
8 1 2 2 1 2 2 1 3 4 3 21
9 4 2 3 3 4 2 1 1 4 4 28
10 3 3 3 4 4 4 4 4 3 3 35
11 4 4 3 4 4 3 4 4 4 2 36
12 3 2 1 2 3 1 1 2 3 3 21
Langkah-langkah dengan program SPSS:
 Input data ke dalam program SPSS

 Pada kolom Name ketik Q1 sampai Q10, kemudian terakhir ketikkan Total (skor total
didapat dari penjumlahan Q1 sampai Q10).
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh Ijen.
 Pada kolom Width dan Columns isikan 4.
 Pada kolom Align isikan Center.
 Pada kolom Measure isikan Ordinal (data menggunakan skala Likert)
 Untuk kolom-kolom lainnya boleh dihiraukan (isian default)

 Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
 Selanjutnya, Klik [Analyze] > [Correlate] > [Bivariate].
 Selanjutnya akan terbuka kotak dialog Bivariate Correlations, kemudian pindahkan

semua semua item dari Q1 – Q10 ke kolom Variables, sebagai berikut:

 Pada tab Correlation Coeficients pilih (checklist) Pearson.
 Pada tab Test of Significance biarkan default: Two-tailed, dan cheklist pilihan: Flag
signifikan Corrections.
 Klik [OK]. Hasil output yang diperoleh dapat diringkas sebagai berikut:

Dari hasil analisis didapat nilai korelasi antara skor item dengan skor total. Nilai ini
kemudian kita bandingkan dengan nilai r tabel, r tabel dicari pada signifikansi 0,05
dengan uji dua pihaki dan jumlah data (n) = 12, maka didapat r tabel sebesar 0,576
(lihat pada lampiran tabel r).
Berdasarkan hasil analisis di dapat nilai korelasi untuk item 1, 9 dan 10 nilai kurang
dari 0,576. Karena koefisien korelasi pada item 1, 9 dan 10 nilainya kurang dari 0,576
maka dapat disimpulkan bahwa item-item tersebut tidak berkorelasi signifikan dengan
skor total (dinyatakan tidak valid) sehingga harus dikeluarkan atau diperbaiki.
Sedangkan pada item-item lainnya nilainya lebih dari 0,576 dan dapat disimpulkan
bahwa butir instrumen tersebut valid.
Sebagai catatan: analisis korelasi pada contoh di atas hanya dilakukan satu kali,
untuk mendapatkan hasil validitas yang lebih memuaskan maka bisa dilakukan
analisis kembali sampai 2 atau 3 kali, seperti contoh di atas setelah di dapat 6 item
yang valid, maka dilakukan analisis korelasi lagi untuk menguji 6 item tersebut, jika
masih ada item yang tidak signifikan maka digugurkan, kemudian dianalisis lagi
sampai didapat tidak ada yang gugur lagi.
2. Uji Reliabilitas
Uji reliabilitas digunakan untuk mengetahui konsistensi alat ukur, apakah alat pengukur
yang digunakan dapat diandalkan dan tetap konsisten jika pengukuran tersebut diulang.
Ada beberapa metode pengujian reliabilitas di antaranya metode tes ulang (Test-retest),
formula belah dua (Split-Half) dari Spearman-Brown, formula Rulon, formula Flanagan,
Cronbach’s Alpha, formula KR-20, KR-21, dan metode Anova Hoyt. Dalam program
SPSS akan dibahas untuk uji yang sering digunakan penelitian mahasiswa adalah dengan
menggunakan metode Alpha (Cronbach’s). Metode Alpha sangat cocok digunakan pada

skor berbentuk skala (misal 1-4, 1-5) atau skor rentangan (misal 0-20, 0-50). Metode
Alpha dapat juga digunakan pada skor dikotomi (0 dan 1) dan akan menghasilkan
perhitungan yang setara dengan menggunakan metode KR-20 dan Anova Hoyt.
Uji signifikansi dilakukan pada taraf signifikansi 0,05, artinya instrumen dapat dikatakan
reliabel bila nilai Alpha lebih besar dari r kritis Product-Moment. Pada contoh kasus di
atas setelah diuji validitasnya maka item-item yang tidak valid dibuang dan item yang
valid selanjutnya diuji reliabilitasnya. Jadi yang akan dihitung ada 7 item, karena 3 item
telah digugurkan/didrop.
Langkah-langkah pada program SPSS

 Pada contoh kasus di atas kita telah menginput data item Q1 sampai Q10.
 Klik [Analyze] > [Scale] > [Reliability Analysis].
 Klik item yang valid dan masukkan ke kotak items. Jika item-item sudah berada
dikotak items maka klik item yang gugur dan keluarkan dengan klik simbol arah.
 Klik Statistics, pada Descriptives for klik scale if item deleted.
 Klik Continue.

 Klik [OK], hasil output yang didapat adalah sebagai berikut:

Dari hasil analisis di atas di dapat nilai Alpha sebesar 0,894, sedangkan nilai r kritis
(uji dua pihak) pada signifikansi 0,05 dengan jumlah data (n) = 12, diperoleh sebesar
0,576 (lihat pada tabel r). Karena nilainya lebih dari 0,576, maka dapat disimpulkan
bahwa butir-butir instrumen penelitian tersebut reliabel.

BAB 5
UJI PERSYARATAN ANALISIS DATA
Uji nonparametrik digunakan apabila asumsi-asumsi pada uji parametrik tidak dipenuhi.
Asumsi yang paling lazim pada uji parametrik adalah sampel acak berasal dari populasi yang
berdistribusi normal, varians bersifat homogen, dan bersifat linier. Bila asumsi-asumsi ini
dipenuhi, atau paling tidak penyimpangan terhadap asumsinya sedikit, maka uji parametrik
masih bisa diandalkan. Tetapi bila asumsi tidak dipenuhi maka uji nonparametrik menjadi
alternatif. Ada tiga asumsi uji statistika parametrik sebagaimana diungkapkan di atas, yaitu
normalitas, linieritas data dan homogenitas varians.
1. Uji Normalitas
Pengujian normalitas dilakukan untuk mengetahui normal tidaknya suatu distribusi

data. Hal ini penting diketahui berkaitan dengan ketetapatan pemilihan uji statistik yang
akan dipergunakan. Uji parametrik misalmya, mensyaratkan data harus berdistribusi
normal. Apabila distribusi data tidak normal maka disarankan untuk menggunakan uji
nonparametrik.
Pengujian normalitas ini harus dilakukan apabila belum ada teori yang menyatakan
bahwa variabel yang diteliti adalah normal. Dengan kata lain, apabila ada teori yang
menyatakan bahwa suatu variabel yang sedang diteliti normal, maka tidak diperlukan
lagi pengujian normalitas data. Ada beberapa teknik yang dapat digunakan untuk
menguji normalitas data, antara lain: uji Chi Square, uji Lilifors, uji Kolmogorov-
Smirnov, dll.
Untuk menguji normalitas data dengan SPSS, langkah-langkahnya sebagai berikut:
 Input data di bawah ini ke dalam SPSS
Variabel 1 2 3 4 5 6 7 8 9 10
IQ (X1) 40 45 30 35 30 40 45 45 35 35
EQ (X2) 18 20 14 12 14 16 10 15 18 16
Hasil Belajar (Y) 80 85 60 75 55 65 80 90 75 60
 Pada kolom Name ketik X1, X2 dan Y.

 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh variabel.
 Pada kolom Label isikan IQ pada X1, EQ pada X2 dan Hasil Belajar pada Y.
 Pada kolom Align isikan Center.
 Pada kolom Measure isikan Scale pada X1, Ordinal pada X2 dan Scale pada Y.
 Untuk kolom-kolom lainnya biarkan saja (isian default).
Aplikasi Komputer (SPSS)_M. Jainuri, MPd 35

 Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
 Selanjutanya klik [Analyze] > [Descriptives Statistics] > [Explore].
 Akan terbuka kotak dialog Explore.

 Masukan variabel Hasil Belajar (Y) ke dalam kotak Dependent List.
 Sorot variabel IQ (X1) dan EQ (X2) dan masukan ke dalam kotak Factor List.
 Klik tab Plots, centang pilihan Normality plots with tests.
 Klik Continue. Klik [OK].
 Uji normalitas menghasilkan beberapa output, untuk keperluan penelitian pada

umumnya hanya diperlukan output berupa Tes of Normality seperti berikut:
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Hasil belajar ,184 10 ,200* ,939 10 ,543
*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

 Menafsirkan hasil uji normalitas, pada gambar di atas menunjukkan uji normalitas
data Hasil Belajar. Pengujian normalitas dengan SPSS berdasarkan pada uji
Kolmogorov-Smirnov dan Shapiro Wilk. Pilih salah satu, misalnya Kolmogorov-
Smirnov. Hipotesis yang diuji adalah:
Ho : Data berdistribusi normal
H1 : Data berdistribusi tidak normal
 Cara mengetahui signifikan atau tidak hasil uji normalitas adalah dengan
memperhatikan angka pada kolom signifikansi (Sig). Kriteria uji normalitas sebagai
berikut:
 Tetapkan taraf nyata (signifikansi) misalnya α = 0,05.
 Bandingkan angka pada kolom Sig dengan α.
 Jika Sig > α maka data berdistribusi normal.
 Jika Sig < α maka data berdistribus tidak normal.
 Pada contoh di atas Sig > α atau 0,200 > 0,05 maka dapat disimpulkan data variabel
hasil belajar berdistribusi normal.
2. Uji Linearitas
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan
yang linear atau tidak secara signifikan. Uji ini digunakan sebagai prasyarat statistik
parametrik khususnya dalam analisis korelasi atau regresi linear yang termasuk dalam
hipotesis assosiatif. Pada program SPSS, uji linearitas menggunakan Test for Linearity
pada taraf signifikan 0,05. Dua variabel dikatakan mempunyai hubungan linear bila
signifikansi (Deviation from Linearity) > 0,05.
Langkah-langkah uji linearitas pada SPSS.

 Input data di atas ke dalam SPSS
 Klik [Variable View] pada SPSS data editor.
 Pada kolom Name ketikan berturut-turut: X1, X2 dan Y.
 Untuk kolom label ketikan berturut-turut: IQ, EQ dan Hasil Belajar.
 Kolom lainnya menyesuaikan (biarkan default).
 Buka [Data View] dan isikan data untuk ketiga variabel.
 Klik [Analyze] > [Compare Means] > [Means].

 Masukkan variabel Hasil Belajar ke kotak Dependent List, sorot variabel IQ dan
EQ kemudian masukkan ke dalam kotak Independent List.
 Klik Options, pada Statistic for First Layer centang pilihan Test for Linearity
kemudian klik Continue.
 Klik [OK].
 Output pada kolom Anova Table sebagai berikut:
ANOVA Table
Sum of df Mean F Sig.

Squares Square
(Combined) 937,500 3 312,500 5,769 ,034
Between 16,41
Linearity 889,113 1 889,113 ,007
Hasil belajar * Groups 4
IQ Deviation from Linearity 48,387 2 24,194 ,447 ,659
Within Groups 325,000 6 54,167
Total 1262,500 9
 Dari output di atas diketahu nilai Sig pada baris Deviation from Linearity sebesar
0,659. Karena nilai Sig > α atau 0,659 > 0,05 maka dapat disimpulkan bahwa antara
variabel Hasil Belajar dan IQ terdapat hubungan linear.
3. Uji Homogenitas
Uji homogenitas digunakan untuk mengetahui apakah dua atau lebih varian populasi
adalah sama atau tidak. Uji ini dilakukan sebagai prasyarat dalam analisis independent
sample t-test dan anova atau bagi peneliti yang menggunakan lebih dari satu kelompok
sampel. Pada umumnya digunakan untuk membuktikan hipotesis komparatif. Asumsi
yang mendasar dalam anisis varian (Anova) adalah bahwa varian dari populasi adalah

sama. Sebagai kriteria pengujian, jika nilai Sig > α (secara default di SPSS adalah 0,05)
maka dapat dikatakan bahwa varian dua atau lebih kelompok data adalah sama.
Contoh:
Seorang mahasiswa bernama Atun Bangkonawati melakukan penelitian untuk

mengetahui: “apakah ada perbedaan hasil belajar matematika menggunakan model
pembelajaran kooperatif tipe Number Head Together (NHT) dengan model pembelajaran
konvensional. Secara garis besar prosedur pengumpulan data adalah diambil dua
kelompok sampel. Kelompok sampel pertama proses pembelajaran menggunakan model
pembelajaran kooperatif tipe Make a Match dan kelompok kedua menggunakan model
pembelajaran konvensional. Setelah pembelajaran pada masing kelompok sampel selesai,
kemudian diberikan tes. Hasil tes inilah yang akan diuji untuk mengetahui apakah
perlakuakn (treatment) yang diberikan kepada kedua kelompok sampel terdapat
perbedaan atau tidak. Untuk menguji hipotesis dapat menggunakan uji independent
sample t-test. Sebelum dilakukan uji-t sebagai prasyarat harus dilakukan terlebih dahulu
diuji homogenitasnya. Jika varian kedua sampel homogen maka uji-t dapat dilakukan dan
jika tidak homogen menggunakan statistik nonparametrik. Data hasil penelitian diperoleh
sebagai berikut:
Data Model Pembelajaran NHT dan Konvensional
No. X1 X2
Responden (NHT) (Konvensional)
1 35 65
2 37 34
3 27 44
4 29 36
5 31 31
6 30 33
7 27 37
8 36 28
9 37 33
10 24 34
11 26 35
12 29 28
13 31 29
14 36
15 33
Langkah-langkah uji homogenitas dengan SPSS sebagai berikut:
 Input data ke dalam program SPSS

 Klik tab sheet [variable view] pada SPSS data editor.
 Pada kolom Name baris pertama ketik X dan baris kedua ketik k.
 Pada kolom Label, baris pertama ketik Hasil Belajar dan bais kedua ketik Model
Pembelajaran.
 Untuk kolom Value, isikan 1 dan ketik NHT kemudian klik add. Dengan cara yang
sama isikan 2 dan ketik Konvensional kemudian klik add.

 Klik [OK].
 Klik tab sheet [Data View], masukan data di atas.

 Klik [Analyze] > [Descriptives Statistic] > [Explore].
 Pada kotak dialog Explore, masukan Variabel Hasil Belajar ke kotak Dependent
List dan Model Pembelajaran ke kotak Factor List.
 Klik Plots, centenag Unstransformed kemudian klik Continue.
 Klik [OK].

 Pada Output lihat bagian Test of Homogenity of Variances dan pada baris Based on
Mean lihat kolom Sig.
Test of Homogeneity of Variance
Levene Statistic df1 df2 Sig.
Based on Mean ,680 1 26 ,417
Based on Median ,353 1 26 ,558

Hasil Belajar Based on Median and with
,353 1 16,523 ,561
adjusted df
Based on trimmed mean ,403 1 26 ,531
 Dari tabel output di atas dapat diketahui nilai Sig sebesar 0,417. Karena nilai Sig >
0,05 maka dapat disimpulkan bahwa kedua kelompok data mempunyai varian sama
atau homogen. Angka Levene Statistic menunjukkan semakin kecil nilainya maka
semakin besar homogenitasnya.

BAB 6
ANALISIS DATA ASOSIATIF
Analisis data asosiatif merupakan alat statistik yang digunakan untuk menguji hipotesis
asosiatif/hubungan, disebut juga dengan teknik korelasi. Teknik korelasi merupakan teknik
statistik yang digunakan untuk menguji ada/tidaknya hubungan dan arah dari dua variabel atau
lebih. Besar kecilnya hubungan antar variabel dinyatakan dalam bilangan yang disebut
koefisien korelasi (lambang: r, rxy atau ρ). Besarnya koefisien korelasi antara – 1 s/d +1.
Korelasi sempurna jika besarnya koefisien korelasi adalah -1 atau +1. Jika koefisien
korelasinya 0 atau mendekati 0, maka dianggap tidak ada hubungan antar variabel yang diuji.
1. Korelasi Sederhana Pearson
Digunakan apabila skala data variabel yang dihubungkan berbentuk data interval dan rasio,
berdistribusi normal serta mempunyai hubungan linear. Digunakan untuk dua variabel,
satu variabel bebas (X) dan satu variabel terikat (Y).
Contoh :
Penelitian dengan judul: “Hubungan Intensitas Belajar dengan Hasil Belajar
Mata Kuliah Statistik Inferensial”. Variabel X adalah Intensitas belajar
(diukur dari lamanya belajar dalam satu Minggu) dan variabel Y adalah hasil
belajar Statistik Inferensial (diukur dari nilai ujian semester). Diperoleh data
sebagai berikut:
Mahasiswa Intensitas Belajar Hasil Belajar
1 50 75
2 45 60
3 55 85
4 65 85
5 43 70
6 60 80
7 56 90
8 50 80
9 42 65
10 50 65
Langkah-langkah uji korelasi dengan SPSS sebagai berikut:
 Input data di atas ke dalam SPSS

 Pada kolom Name ketik X dan Y.
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh variabel.
 Pada kolom Label isikan Intensitas Belajar pada X dan Hasil Belajar pada Y.
 Pada kolom Align isikan Center.
 Pada kolom Measure isikan Scale pada X dan pada Y.
 Untuk kolom-kolom lainnya biarkan saja (isian default).
APLIKASI KOMPUTER (SPSS)_M. Jainuri, M.Pd 44

 Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
 Selanjutanya klik [Analyze] > [Descriptives Statistics] > [Explore].
 Akan muncul kotak dialog Bivariate Correlations dan masukan semua variabel ke
dalam kotak di sebelah kanan.

 Pastikan checlist pilihan Pearson pada Correlation Coefficients. Pilih Two-tailed
pada Test of Significance dan berikan checklist pada Flag signifcant Corrections.
 Klik [OK]. Hasilnya sebagai berikut:
Correlations
Intensitas Hasil Belajar

Belajar
Pearson Correlation 1 ,770**
Intensitas Belajar Sig. (2-tailed) ,009
N 10 10
Pearson Correlation ,770** 1
Hasil Belajar Sig. (2-tailed) ,009
N 10 10
**. Correlation is significant at the 0.01 level (2-tailed).
 Untuk pengambilan keputusan secara statistik, dapat menggunakan dua cara sebagai
berikut:
 Membandingkan koefisien korelasi pada output SPSS dengan nilai r pada tabel
Produck-Momment, dengan ketentuan:
1. Jika rhitung > ttabel terdapat hubungan
2. Jika rhitung < ttabel tidak terdapat hubungan
 Membandingkan nilai Sig pada output SPSS dengan nilai α (0,05) dengan kriteria
keputusan:
1. Jika Sig > 0,05 maka tidak terdapat hubungan
2. Jika Sig < 0,05 maka terdapat hubungan

2. Korelasi Parsial dan Korelasi Ganda
Korelasi parsial adalah korelasi yang digunakan untuk menguji hubungan dua atau lebih
variabel bebas dengan satu variabel terikat, dan salah satu variabelnya dibuat tetap/konstan
(dikendalikan). Tujuan dari korelasi parsial adalah supaya hubungan antara kedua variabel
tidak dipengaruhi faktor lain. Data yang digunakan adalah data interval atau rasio.
Korelasi ganda termasuk dalam analisis multiple corelations digunakan untuk mencari
derajat keeratan dan arah hubungan antara dua atau lebih variabel bebas (X1, X2,....Xn)
terhadap variabel terikat (Y) secara bersamaan.
Contoh: Penelitian dengan judul: “Pengaruh Minat dan Intensitas Belajar dengan Hasil
Belajar Mata Kuliah Statistik Inferensial”. Variabel X1 adalah minat (diukur
menggunakan angket dengan skala Likert), variabel X2 adalah Intensitas belajar
(diukur dari lamanya belajar dalam satu Minggu) dan variabel Y adalah hasil
belajar Statistik Inferensial (diukur dari nilai ujian semester). Diperoleh data
sebagai berikut:
Mahasiswa Minat Intensitas Belajar Hasil Belajar
1 45 50 75
2 30 45 60
3 40 55 85
4 35 65 85
5 32 43 70
6 43 60 80
7 34 56 90
8 42 50 80
9 40 42 65
10 50 50 65
Langkah-langkah uji korelasi parsial dengan SPSS sebagai berikut:
 Input data di atas ke dalam SPSS

 Pada kolom Name ketik X1, X2 dan Y.
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh variabel.
 Pada kolom Label isikan Minat pada X1, Intensitas Belajar pada X2 dan Hasil Belajar
pada Y.
 Pada kolom Align isikan Center.
 Pada kolom Measure isikan Ordinal pada X1, Scale pada X2 dan pada Y.
 Untuk kolom-kolom lainnya biarkan saja (isian default).

 Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
 Selanjutanya klik [Analyze] > [Correlate] > [Partial].
 Akan terbuka kotak dialog Partial Correlations. Masukan variabel Hasil Belajar dan
Intensitas Belajar pada kotak Variables dan Minat ke dalam Controlling for (variabel
minat yang dikendalikan/ dibuat konstan).

 Klik tombol Options, kemudian pilih Zero-order Corrections (hal ini untuk
mengetahui korelasi sebelum ada variabel yang dikendalikan).
 Klik Continue, maka akan kembali pada kotak dialog sebelumnya.

 Klik [OK], maka outputnya sebagai berikut:

 Dari output di atas diperoleh koefisien korelasi Zero-order (tanpa variabel kontrol)
sebesar 0,770, sedangkan setelah variabel Minat dikendalikan, nilai koefisien korelasi
menjadi sebesar 0,777. Jadi, terjadi peningkatan korelasi setelah adanya variabel
Minat yang dikendalikan atau dibuat tetap. Jadi kesimpulannya, jika Minat belajar
adalah sama, maka hubungan positif antara Intensitas Belajar dan Hasil Belajar akan
meningkat.
 Untuk menentukan signifikansi dapat dilihat dari output, dapat diketahui koefisien
korleasinya adalah 0,777 dengan Sig adalah 0,014. Ternyata Sig < 0,05 maka dapat
disimpulkan hubungan yang terjadi antara intensitas belajar dan hasil belajar adalah
signifikan.
Langkah-langkah uji korelasi parsial dengan SPSS sebagai berikut:
 Lakukan langkah-langkah seperti di atas (input data).

 Selanjutanya klik [Analyze] > [Regression] > [Linear].

 Akan terbuka kotak dialog Linear Regression, masukan variabel Hasil Belajar ke
dalam kotak Dependent dan variabel yang lainnya ke dalam kotak Independent.
 Klik [OK], hasilnya sebagai berikut:
Model Summary
Model R R Square Adjusted R Std. Error of the

Square Estimate
1 ,777a ,604 ,491 7,220
a. Predictors: (Constant), Intensitas Belajar, Minat
 Koefisien korelasi ganda (R) dapat dilihat pada output, bandingkan dengan nilai pada
tabel r kemudian tarik kesimpulan. Sedangkan untuk koefisien penentu/ determinasi
(KP) adalah pada kolom R Square = 0,604 [KP = R2 = (0,777)2.]

BAB 7
ANALISIS DATA PREDIKTIF
(Analisis Regresi)
Analisis regresi digunakan untuk memprediksi (prediktif). Variabel X hasil pengukuran yang
disebut prediktor digunakan untuk memprediksi atau mengestimasi besaran variabel (Y) yang
disebut kriterion. Analisis regresi berhubungan sangat erat dengan korelasi, karena setiap
regresi pasti didahului korelasi. Korelasi dapat dilanjutkan pada analisis regresi apabila antar
variabelnya memiliki hubungan kausal atau fungsional. Untuk menetapkan ada hubungan atau
tidak harus didasarkan pada teori atau konsep tentang dua variabel.
Syarat melakukan analisis regresi adalah kedua data yang dihubungan memiliki skala
pengukuran interval atau rasio, data berdistribusi normal dan hubungan kedua variabel harus
linear.
a) Regresi Linear Sederhana
Regresi linear sederhana bertujuan untuk mengetahui hubungan fungsional (pengaruh atau
meramalkan pengaruh) antara variabel independen terhadap variabel dependen. Analisis
korelasi yang tidak dilanjutkan dengan analisis regresi adalah analisis korelasi yang kedua
variabelnya tidak mempunyai hubungan fungsional dan sebab akibat.
Secara singkat regresi linear sederhana dalam penelitian berguna untuk : mendapatkan
hubungan fungsional antara satu variabel bebas dengansatu variabel terikat atau
mendapatkan pengaruh antara variabel prediktor terhadap variabel kriterium atau
meramalkan pengaruh variabel prediktor terhadap variabel kriterium. Kegunaan lain dari
regresi linear sederhana adalah untuk mencari linearitas data. Rumus :
ŷ= a + bX untuk sampel
Ŷ = α + βX untuk populasi
Di mana :
Ŷ = (dibaca Y topi) subjek variabel terikat yang diproyeksikan
X = variabel bebas yang mempunyai nilai tertntu untuk diprediksikan
a = nilai konstanta harga Y jika X = 0
b = nilai arah sebagai penentu ramalan (prediksi) yang menunjukkan nilai penambahan
(+) atau nilai penuruan (-) variabel Y
Mencari nila a dan b menggunakan rumus sebagai berikut :

n.XY  X .Y
b
n.X 2  (X ) 2
Y  b.X
a
n
Jika nilai b sudah dihitung nilai a juga dapat dihitung dengan rumus : a = ̅ ̅
Y − bX
APLIKASI KOMPUTER SPSS_M. JAINURI, M.PD 52

Contoh :
Diberikan judul penelitian : Pengaruh Tingkat Kecerdasan terhadap Kemampuan

Pemecahan Masalah Matematis. Diperoleh data sebagai berikut :
Tingkat Kecerdasan
2 3 1 4 1 3 2 2
(X)
Kemampuan Pemecahan
50 60 30 70 40 50 40 35
Masalah (Y)
Pertanyaan :
1. Bagaimanakah persamaan regresinya ?
2. Gambarkan diagram pencarnya (scater plot) !
3. Buktikan apakah ada pengaruh signifikan antara motivasi belajar siswa (X) terhadap
karakteristik guru (Y) !
Langkah-langkah regresi linear sederhana dengan SPSS sebagai berikut:
 Input data di atas ke dalam SPSS

 Pada kolom Name ketik X dan Y.
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh variabel.
 Pada kolom Label isikan Tingkat Kecerdasan pada X dan Kemampuan Pemecahan
Masalah pada Y.
 Pada kolom Align isikan Center.
 Pada kolom Measure isikan Scale pada X dan pada Y.
 Untuk kolom-kolom lainnya biarkan saja (isian default).
 Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:

 Akan muncul kotak dialog Linear Regression, masukan variabel kemampuan
pemecahan masalah pada kotak Dependent dan variabel tingkat kecerdasan ke dalam
kotak Independents di sebelah kanan.
 Klik tab Statistics maka akan muncul kotak dialog Linear Regression: Statistics.

 Pilih Collinearity diagnostics untuk menguji multikolinearitas dan pilih Durbin
Watson untuk menguji autokrelasi. Klik continue, maka akan kembali pada kotak
sebelumnya.
 Untuk menguji heterokedasitas maka klik Plots, selanjutnya akan terbuka kotak dialog
Linear Regression: Plots.

 Masukan *ZRESID (Standardized Residual) ke kotak Y dan *ZPRED (Standardized
Predicted Value) ke kotak X. Selanjutnya pilih normal probability plot untuk menguji
normalitas. Klik continue.
 Klik [OK]. Hasilnya sebagai berikut:
Output 1: Korelasi
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Durbin-Watson

Estimate
1 ,892a ,795 ,761 6,519 1,169
a. Predictors: (Constant), Tingkat Kecerdasan

b. Dependent Variable: Kemampuan Pemecahan Masalah
Lihat nilai R = 0,892 ini berarti bahwa koefisien korelasi antara variabel X dengan Y
sebesar 0,892.
Output 2: Signifikansi persamaan regresi
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 991,875 1 991,875 23,338 ,003b
1 Residual 255,000 6 42,500
Total 1246,875 7
a. Dependent Variable: Kemampuan Pemecahan Masalah

b. Predictors: (Constant), Tingkat Kecerdasan
Untuk melihat signifikansi persamaan regresi dapat dilihat pada nilai F yaitu: 23,338
dan bandingkan dengan nilai pada tabel F:
a. Apabila nilai F < Ftabel maka persamaan regresi tidak dapat digunakan untuk
melakukan prediksi.
b. Apabila nilai F > Ftabel maka persamaan regrsi dapat digunakan untuk melakukan
prediksi.
c. Selain itu dapat juga dengan melihat nilai Sig, jika nilai Sig < 0,05 maka persamaan
regresi dapat digunakan untuk melakukan prediksi.
Output 3: Menentukan Persamaan Regresi
Coefficientsa
Model Unstandardized Standardized t Sig. Collinearity Statistics
Coefficients Coefficients
B Std. Error Beta Tolerance VIF
(Constant) 21,000 5,831 3,601 ,011
1 Tingkat
11,500 2,380 ,892 4,831 ,003 1,000 1,000
Kecerdasan
a. Dependent Variable: Kemampuan Pemecahan Masalah

Untuk membuat persamaan garis regresi dapat dilihat pada kolom B, pada tabel di atas
diperoleh nilai a (konstanta/ Constant) = 21 dan koefisien (b) /Tingkat Kecerdasan
(X) adalah 11,5. Jadi persamaan regresi linear yang terbentuk adalah: Y = 21 + 11,5X.
b) Regresi Linear Ganda
Analisis regresi ganda merupakan pengembangan dari analisis regresi sederhana.

Kegunaannya yaitu untuk meramalkan nilai pengaruh variabel terikat (Y) apabila
variabel bebasnya (X) dua atau lebih (untuk membuktikan ada tidaknya hubungan
fungsional atau hubungan kausal antara dua atau lebih variabel bebas, X1,X2,...,Xi
terhadap suatu variabel terikat Y.
Persamaan regresi ganda dirumuskan sebagai berikut :

1). Ŷ = a + b1X1 + b2X2
2). Ŷ = a + b1X1 + b2X2 + b3X3
3). Ŷ = a + b1X1 + b2X2 + .... + bnXn
Nilai-nilai pada persamaan regresi ganda untuk dua variabel bebas dapat ditentukan
sebagai berikut :
b 
X X Y   X X X Y 
2
X ΣX  X X 

2 1 1 2 2
1 2 2 2
1 2 1 2
b 
X X Y   X X X Y 
2
X ΣX  X X 

1 2 1 2 1
2 2 2 2
1 2 1 2
Y  X   X 2 
a  b1. 1   b2 . 
n  n   n 
Nilai-nilai a, b1, b2, dan b3 pada persamaan regresi ganda untuk tiga variabel bebas
dapat ditentukan dari rumus-rumus berikut (Sudjana, 1996:77) :
∑X1Y = b1∑X12 + b2∑X1X2 + b3∑X1X2

∑X2Y = b1∑X1X2 + b2∑X22 + b3∑X2X3
∑X3Y = b1∑X1X2 + b2∑X2X3 + b3∑X32
a  Y  b1 X1  b 2 X 2  b 3 X 3
Sebelum rumus-rumus tersebut digunakan, terlebih dahulu dilakukan perhitungan-
perhitungan yang secara umum berlaku rumus :
(xi ) 2 (y ) 2
xi  xi   y 2  y 2 
2 2
n n
x .y xi .x j
xi y  xi y  i xi x j  xi x j 
n n
Contoh :
Seorang peneliti ingin mengetahui hubungan antara kepemimpinan kepala bagian
(X1) dan motivasi kerja (X2) dengan kinerja pegawai (Y). Sejumlah angket disebar
kepada 30 orang pegawai sebagai responden, dan diperoleh hasil pengolahan data
sebagai berikut :

Berdasarkan data tersebut, hitung koefisien regresi dan tentukan persamaan
regresinya !
Langkah-langkah regresi linear ganda dengan SPSS sebagai berikut:

 Pada kolom Name ketik X1, X2 dan Y.
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh variabel.
 Pada kolom Label isikan Kepemimpinan pada X1, Motivasi Kerja pada X2 dan
Kinerja Pegawai pada Y.
 Pada kolom Measure isikan Ordinal pada X1, X2 dan pada Y.
berikut:

 Akan muncul kotak dialog Linear Regression, masukan variabel kinerja pegawai
pada kotak Dependent, variabel kepemimpinan dan motivasi kerja ke dalam kotak
Independents di sebelah kanan.

 Klik tab Statistics maka akan muncul kotak dialog Linear Regression: Statistics.
 Pilih Collinearity diagnostics untuk menguji multikolinearitas dan pilih Durbin

Watson untuk menguji autokrelasi. Klik continue, maka akan kembali pada kotak
sebelumnya.
 Untuk menguji heterokedasitas maka klik Plots, selanjutnya akan terbuka kotak dialog
Linear Regression: Plots.

 Masukan *ZRESID (Standardized Residual) ke kotak Y dan *ZPRED (Standardized
Predicted Value) ke kotak X. Selanjutnya pilih normal probability plot untuk menguji
normalitas. Klik continue.
 Klik [OK]. Hasilnya sebagai berikut:
Output 1: Korelasi ganda
Model Summaryb
Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate
1 ,850a ,722 ,675 10,417 1,410
a. Predictors: (Constant), Motivasi Kerja, Kepemimpinan

b. Dependent Variable: Kinerja Pegawai
Lihat nilai R = 0,892 ini berarti bahwa koefisien korelasi antara variabel X1 dan X2
secara bersama-sama terhadap Y sebesar 0,850.
Output 2: Signifikansi persamaan regresi ganda
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 3377,197 2 1688,599 15,561 ,000b
1 Residual 1302,136 12 108,511
Total 4679,333 14
a. Dependent Variable: Kinerja Pegawai

b. Predictors: (Constant), Motivasi Kerja, Kepemimpinan

Untuk melihat signifikansi persamaan regresi dapat dilihat pada nilai F yaitu: 15,561
dan bandingkan dengan nilai pada tabel F:
a. Apabila nilai F < Ftabel maka persamaan regresi tidak dapat digunakan untuk
melakukan prediksi.
b. Apabila nilai F > Ftabel maka persamaan regrsi dapat digunakan untuk melakukan
prediksi.
c. Selain itu dapat juga dengan melihat nilai Sig, jika nilai Sig < 0,05 maka persamaan
regresi dapat digunakan untuk melakukan prediksi.
Output 3: Menentukan Persamaan Regresi
Coefficientsa
Model Unstandardized Standardized t Sig. Collinearity

Coefficients Coefficients Statistics
B Std. Error Beta Tolerance VIF
(Constant) -16,495 44,292 -,372 ,716
1 Kepemimpinan ,798 ,287 ,614 2,775 ,017 ,474 2,110
Motivasi Kerja ,533 ,404 ,292 1,319 ,212 ,474 2,110
a. Dependent Variable: Kinerja Pegawai
Untuk membuat persamaan garis regresi dapat dilihat pada kolom B, pada tabel di atas
diperoleh nilai a (konstanta/ Constant) = -16,495 dan koefisien (b1)/ Kepemimpinan
(X1) = 0,798 dan koefisien (b2)/ Motivasi Kerja = 0,533. Jadi persamaan regresi linear
ganda yang terbentuk adalah: Y = -16,495 + 0,798X1+0,533X2.

BAB 8
ANALISIS DATA KOMPARATIF (T-Test)
Komparasi berasal dari kata comparison (Eng) yang mempunyai arti perbandingan atau
pembandingan. Teknik analisis komparasi yaitu salah satu teknik analisis kuantitatif yang
digunakan untuk menguji hipotesis mengenai ada atau tidaknya perbedaan antar variabel atau
sampel yang diteliti. Jika ada perbedaan, apakah perbedaan itu signifikan ataukah perbedaan
itu hanya kebetulan saja (by chance).
Dalam penelitian komparasional yang melakukan pembandingan antar mean satu atau dua
sampel, yaitu apakah memang secara signifikan mean satu atau dua sampel yang
diperbandingkan atau dicari perbedaannya itu memang berbeda, ataukah perbedaan itu terjadi
karena kebetulan saja (by change) dapat menggunakan Uji-T atau T-Test dan Chi Kuadrat
(Chi Square).
Uji-T atau T-Test adalah salah satu test statistik yang dipergunakan untuk menguji kebenaran
atau kepalsuan hipotesis nol/nihil (Ho) yang menyatakan bahwa di antara dua buah mean
sampel yang diambil secara random dari populasi yang sama tidak terdapat perbedaan yang
signifikan.
1. One Sample T-Test
Analisis perbandingan satu sampel dikenal dengan Uji-T atau T-Test (one sample t-test) dan
uji-Z. Tujuan Uji-T atau Uji-Z adalah untuk mengetahui perbedaan mean variabel yang
dihipotesiskan . Rumus Uji-T dan Uji-Z, yaitu :
a. Apabila standar deviasi diketahui dan n > 30 menggunakan rumus Zhitung sebagai
berikut :
x  o
Z hitung 

N
Di mana :
Zhitung : harga yang dihitung dan menunjukkan nilai standar deviasi pada distribusi
normal (tabel Z).
x : rata-rata nilai yang diperoleh dari hasil pengumpulan data.
µo : rata-rata nilai yang dihipotesiskan
σ : standar deviasi populasi yang telah diketahui
N : jumlah populasi penelitian
b. Apabila standar deviasi sampel tidak diketahui dan n ≤ 30 menggunakan rumus thitung
sebagai berikut :
x  o
t hitung 
SD
n

Di mana :
thitung : harga yang dihitung dan menunjukkan nilai standar deviasi pada distribusi t
(tabel t).
x : rata-rata nilai yang diperoleh dari hasil pengumpulan data.
µo : rata-rata nilai yang dihipotesiskan
SD : standar deviasi sampel yang telah diketahui
n : jumlah sampel penelitian
Contoh:
Hasil rapat koordinasi pimpinan perguruan tinggi swasta di lingkungan kopertis wilayah X
menduga bahwa kualitas mengajar dosen tahun 2013 tidak sama dengan 70% dari rata-rata
nilai ideal. Dengan pernyataan tersebut, ditindaklanjuti atau dibuktikan oleh Balitbang Dikti
dengan suatu penelitian di berbagai kota di wilayah kopertis X. Kemudian disebar kepada 20
dosen untuk mengisi angket yang isinya mengenai kualitas mengajar pada tahun 2013. Jumlah
pertanyaan angket penelitian 15 item dengan instrumen diberi skala nilai : 4 = sangat baik, 3
= baik, 2 = cukup baik dan 1 = kurang baik. Adapun taraf signifkansi α = 0,05. Data diperoleh
sebagai berikut :
59 60 58 59 60 59 58 50 59 60
60 60 50 59 60 60 60 58 60 58
Langkah-langkah One Sample t-tes dengan SPSS:

 Pada kolom Name ketik Kulaitas.
 Pada kolom Decimals angka ganti menjadi 0.
 Pada kolom Label isikan Kualitas Mengajar pada kualitas.
 Pada kolom Measure isikan Ordinal.
berikut:

 Selanjutanya klik [Analyze] > [Compare Means] > [One-Sample T Test].

 Akan muncul kotak dialog One-Sample T Test, masukan variabel kualitas mengajar
pada kotak Test Variables di sebelah kanan.
 Klik tab Options maka akan muncul kotak dialog One-Sample T Test: Options.
Pastikan tingkat kepercayaan adalah 95%, kemudian klik Continue.
 Klik [OK].
 Muncul output SPSS viewer menampilkan hasil sebagai berikut:

One-Sample Statistics
N Mean Std. Deviation Std. Error Mean
Kualitas Mengajar 20 58,35 2,961 ,662
Tabel One-Sample Statistics memaparkan nilai statistik variabel Kualitas Mengajar

sebagai berikut: jumlah sampel (n) = 20, rata-rata kualitas mengajar 58,35, standar
deviasi 2,961 dan Ltd eror Man = 0,662.
One-Sample Test
Test Value = 0
t df Sig. (2- Mean 95% Confidence Interval of the

tailed) Difference Difference
Lower Upper
Kualitas Mengajar 88,137 19 ,000 58,350 56,96 59,74
Sebelum menguji hipotesis, kita perlu memahami kriteria pengujian hipotesisnya.

Selain dengan membandingkan nilai t hitung dengan nilai pada tabel t, di SPSS juga
bisa menggunakan nilai Sig, jika Sig > 0,05 maka Ho diterima dan jika Sig < 0,05
maka Ho ditolak.
Dari contoh di atas hipotesisnya adalah:

Ho : rata-rata kualitas mengajar 70%.
H1 : rata-rata kualitas mengajar tidak sama dengan 70%.
Pada output diketahui Sig (2-tailled) = 0,000 < 0,05 maka Ho ditolak, artinya kualitas
mengajar dosen tidak sama dengan 70%. Bisa juga dengan membandingkan t hitung
dengan nilai t tabel.
2. Independent Sample T-Test dan Paired Sample T-Test
Tujuan Uji-T dua sampel adalah untuk membandingkan (membedakan) apakah kedua mean
sampel tersebut sama atau berbeda. Gunanya untuk menguji kemampuan generalisasi
(signifikansi hasil penelitian yang berupa perbandingan dua rata-rata sampel).
Komparasi dua sampel dibagi :
1. Sampel berkorelasi
Sampel yang bekorelasi biasanya terdapat dalam desain penelitian eksperimen, sebagai
contoh : membuat perbandingan nilai pre-test dan post-test, membandingkan sebelum dan
sesudah treatment/perlakuan dalam eksperimen, dll.
2. Sampel tidak berkorelasi (independen).

Sampel independen adalah sampel yang tidak berkaitan satu sama lain. Contoh :
membandingkan hasil tes SPMB ditinjau dari lulusan SMA dan SMK, membandingkan
penghasilan petani dan nelayan, dll.

Uji Statistik Komparasi dua sampel
Contoh:
Judul : Perbedaan Hasil Belajar Matematika Menggunakan Metode A dengan Metode B

Siswa Kelas X SMA Abu-Abu Tahun Pelajaran 2012/2013
Pada penelitian tersebut kelas eksperimen (X1) menggunakan metode A dan kelas kontrol
(X2) menggunakan metode B, jumlah siswa masing-masing kelas adalah 15 orang. Ujilah
apakah ada perbedaan hasil belajar matematika menggunakan metode A dengan metode B
pada siswa kelas X SMA Abu-Abu tahun pelajaran 2012/2013 tersebut ! Data seperti pada
tabel.
.
Langkah-langkah Independent-Sample T Test dengan SPSS:

 Pada kolom Name ketik Nilai dan Metode.

 Pada kolom Label isikan Hasil Belajar pada Nilai dan Metode mengajar pada Metode.
 Pada kolom Value untuk variabel Metode masukan: 1 = metode A dan 2 = metode B.
 Pada kolom Measure isikan Scale pada Nilai dan Nominal pada Metode.
berikut:
 Selanjutanya klik [Analyze] > [Compare Means] > [Independent-Sample T Test].

 Akan muncul kotak dialog Independent-Sample T Test, masukan variabel Nilai
pada kotak Test Variables di sebelah kanan dan viabel Metode pada kotak Grouping
Variable..
 Klik tab Define Groups maka akan muncul kotak dialog Define Groups. Ketik 1 pada
Group 1 dan 2 pada Group 2, kemudian klik Continue.

 Klik [OK].
Group Statistics
Metode Mengajar N Mean Std. Deviation Std. Error Mean
Metode A 15 83,27 16,395 4,233

Hasil Belajar
Metode B 15 57,00 11,766 3,038
Tabel Group Statistics memaparkan nilai-nilai statistik deskriptif untuk variabel Hasil
Belajar dengan metode mengajar.
Independent Samples Test

Levene's Test t-test for Equality of Means
for Equality of
Variances
F Sig. t df Sig. Mean Std. 95% Confidence
(2- Differen Error Interval of the
tailed ce Differen Difference
) ce Lower Upper
Equal ,168 ,685 5,041 28 ,000 26,267 5,210 15,594 36,939
variances
Hasil assumed
Belaja Equal 5,041 25,397 ,000 26,267 5,210 15,544 36,989
r variances
not
assumed
Untuk menarik kesimpulan dalam pengujian hipotesis selain dengan membandingkan

nilai t hitung dengan nilai pada tabel t, di SPSS juga bisa menggunakan nilai Sig, jika
Sig > 0,05 maka Ho diterima dan jika Sig < 0,05 maka Ho ditolak.

Tabel Independent-Sample T Test yang pertama menguji apakah kedua kelompok
memiliki varians yang sama. Hipotesisnya:
Ho : kedua kelompok memiliki varian yang sama

H1 : kedua kelompok tidak memiliki varian yang sama
Nilai Sig (0,685) > 0,05 maka Ho diterima, artinya kedua kelompok data memiliki
varian yang sama.
Tabel Independent-Sample T Test yang kedua menguji apakah kedua kelompok

memiliki rata-rata yang sama. Hipotesisnya:
Ho : kedua kelompok memiliki rata-rata hasil belajar yang sama.

H1 : kedua kelompok tidak memiliki rata-rata hasil belajar yang sama.
Pada output diketahui Sig (2-tailled) = 0,000 < 0,05 maka Ho ditolak, artinya kedua
kelompok tidak memiliki rata-rata hasil belajar yang sama. Bisa juga dengan
membandingkan t hitung dengan nilai t tabel.
Catatan:
Untuk Paired-Sample T Test langkah-langkah sama dengan cara di atas.

BAB 9
ANALISIS DATA KOMPARATIF (Anova)
Jika uji kesamaan dua rata-rata atau uji-t digunakan untuk mencari perbedaan atau persamaan
dua rata-rata, maka uji beberapa rata-rata digunakan untuk mencari perbedaan atau persamaan
beberapa rata-rata. Uji ini disebut dengan nama analysis of variance (anova atau anava).
Sebenarnya uji-t dapat juga digunakan untuk beberapa rata-rata secara bertahap. Misalnya ada
tiga rata-rata, yaitu: I, II dan III. Agar uji-t dapat dipakai maka mula-mula dicari I dengan II,
kemudian I dengan III dan akhirnya II dengan III. Dengan demikian tiga kali menggunakan
uji-t. Namun, pengujian lebih tepat apabila menggunakan uji beberapa rata-rata (anova), sebab:
a. Setiap kali menggunakan uji-t, maka akan terjadi kesalahan atau penyimpangan sebesar
(1 – α)k, di mana k = sekian kali menggunakan uji-t. Seandainya 3 kali menggunakan uji-
t dengan α = 0,05, maka akan terjadi kesalahan atau penyimpangan sebesar (1 – 0,05)3 =
0,14 atau jika α = 0,01 akan terjadi kesalahan sebesar (1 – 0,01)3 = 0,999.
b. Banyak uji-t digunakan rumus:
n(n - 1)
2
Seandainya ada empat rata-rata (n = 4), maka banyaknya uji-t yang dilakukan adalah:
4(4 - 1)
6
2
Anilisis varians (analisis ragam) adalah suatu metode untuk menguraikan keragaman total
menjadi komponen-komponen yang mengukur berbagai sumber keragaman. Dalam analisis
ini, kita selalu mengasumsikan bahwa sampel acak yang dipilih berasal dari populasi yang
normal dengan varians (ragam) yang sama, kecuali bila sampel yang dipilih cukup besar,
asumsi tentang distribusi normal tidak diperlukan lagi, (Wibisono, 2005:479).
Untuk menguji dengan analisis varians, dengan mudah dapat diketahui apakah terdapat
perbedaan yang signifikan atau tidak dari beberapa nilai rata-rata sampel yang diselidiki, yang
pada akhirnya diperoleh satu keyakinan: menerima hipotesis nol atau menerima hipotesis
alternatifnya.
Untuk menguji ada tidaknya perbedaan nilai rata-rata sampel, perlulah menguji validitas
hipotesis nol dengan memanfaatkan seluruh data yang ada.
H0 : μ1 = μ2 = ... = μr yang menyatakan bahwa beberapa nilai rata-rata sampel memiliki
parameter populasi yang sama. Bila asumsi ini dipenuhi, maka rata-rata populasi untuk
berbagai macam sampel berasal dari satu macam populasi atau populasi yang sama.
H1 : μ1 ≠ μ2 ≠ ... ≠ μr yang menyatakan bahwa setidaknya ada nilai rata-rata sampel yang
diperoleh dari populasi tertentu memiliki rata-rata yang berbeda untuk suatu i ≠ j.
Dengan demikian menurut hipotesis alternatifnya, perbedaan beberapa sampel sangat
signifikan.
Prosedur selanjutnya adalah mengetahui besarnya varians populasi σ2. Untuk mengetahui
varians populasi ini, kita perlu melakukan pendugaan besarnya varians antar kelompok
(variance between sample) dan varians dalam sampel (variance within sample). Bila ada
Aplikasi Komputer (SPSS)_M.Jainuri, M.Pd 73

sebanyak r kelompok dan tiap-tiap kelompok mempunyai μ ukuran sampel, maka uji statistik
distribusi F merupakan rasio:
Varians Antar Kelompok

F
Varians Dalam Sampel
Bila perbedaan kedua varians (varians antar kelompok dan varians dalam sampel) sangat kecil
atau mendekati satu, kemungkinan hipotesis nol dapat diterima. Sebaliknya bila nilai F terlalu
besar, kecenderungan hipotesis nol akan ditolak sehingga ada kemungkinan μ1 ≠ μ2 ≠ ... ≠ μr
berarti sampel acak yang dipilih bukan bersal dari populasi yang sama sehingga kemungkinan
besar hipotesis alternatifnya yang diterima.
1. One Way Anova
Pada dasarnya anova dapat dibagi menjadi dua kelompok besar, yaitu:
a. Beberapa kelompok yang dihadapi merupakan pembagian dari satu variabel independen
(variabel bebas). Kondisi ini sering disebut dengan single factor experiment (analisis
varians satu arah).
Contoh model :
Metode Mengajar
A B C D
Sampel Sampel Sampel Sampel
b. Beberapa kelompok yang dihadapi merupakan pembagian dari beberapa variabel

independen (variabel bebas). Kondisi ini sering disebut dengan two factor experiment
(analisis varians dua arah)
Contoh model :
Metode Mengajar
Jenis L Sampel Sampel Sampel
Kelamin P Sampel Sampel Sampel
Variabilitas dalam Anova
Perhitungan anova didasarkan atas variance, walaupun tujuannya adalah menguji beberapa
perbedaan rata-rata. Kita baru bisa mengatakan bahawa rata-rata tersebut berbeda apabila
telah dilihat pula variabilitasnya. Ukuran yang baik untuk melihat variabilitas adalah
simpangan baku maupun varians. Pengujian total variabilitas atas adata yang ada dapat
dikelmpokkan menjadi tiga bagian:
a. Variabilitas antar kelompok (between treatment variability) merupakan variansi rata-
rata kelompok sampel terhadap rata-rata keseluruhannya. Variansi di sini lebih
terpengaruh oleh adanya perbedaan perlakuan (treatment) antar kelompok, disingkat
SSb.
b. Variabilitas dalam kelompok (within treatment variability) merupakan variansi yang
ada dalam masing-masing kelompok. Banyaknya variansi akan tergantung pada

banyaknya kelompok, dan variansi di sini tidak terpengaruh/tergantung oleh perbedaan
perlakuan (treatment) antar kelompok, disingkat SSw.
c. Jumlah kuadrat penyimpangan total (total sum of squares) merupakan jumlah kuadrat
selisih antara skor individual degan rata-rata totalnya, disingkat SSt.
Langkah selanjutnya, menghitung/mencari ketiga variabilitas tersebut. Jumlah kuadra antar

kelompok (SSb) dapat dicari dengan rumus :
 ( X) 2  SSb  
T2 G2

SSb  n.X 2 -  atau
 k  n N
Keterangan :
k = banyaknya kelompok
T = total X masing-masing kelompok
G = total X keseluruhan
n = jumlah sampel masing-masing kelompok
N = jumlah sampek keseluruhan
Jumlah kuadrat dalam kelompok (SSw) digunakan rumus:
SSw = SSmk
Keterangan :
SSmk = jumlah kuadrat simpangan masing-masing kelompok.
Jumlah kuadrat total (SSt) digunakan rumus:

G2
SS t  X 2 
N
Atau jika telah mengetahui besarnya SSb dan SSw, maka SSt dapat dihitung dengan :
SSt = SSb + SSw
Contoh:
Hasil penelitian tentang hasil belajar siswa yang diajar dengan metode berbeda: A, B dan C,
sebagai berikut:
Metode A Metode B Metode C

80 100 50
60 70 70
70 80 80
50 60 40
90 90 60
Dengan menggunakan Anova satu arah, ujilah perbedaan hasil belajar siswa yang diajar
dengan menggunakan metode A, B dan C!

Langkah-langkah One Way Anova dengan SPSS:

 Pada kolom Name ketik Nilai dan metode.
 Pada kolom Label isikan Hasil Belajar pada variabel Nilai dan Metode Mengajar pada
variabel metode.
 Isikan 1 = metode A, 2 = metode B dan 3 = metode C pada variabel metode.
 Pada kolom Measure isikan Scale.
berikut:
 Selanjutanya klik [Analyze] > [Compare Means] > [One Way Anova].

 Akan muncul kotak dialog One-Way ANOVA, masukan variabel Hasil Belajar pada
kotak Dependent Listdan metode mengajar pada kotak Factor di sebelah kanan.

 Klik tab Options maka akan muncul kotak dialog One-Way ANOVA: Options. beri
checklist pada pilihan Descripyive dan Homogeneity of variances test, kemudian klik
Continue.
 Klik [OK].
Mencari Ftabel
Untuk melihat Ftabel diperlukan α dan dk, dk yang digunakan ada 2 macam, yaitu dk
SSb dan dk SSw. Dalam tabel F, SSb sebagai pembilang (kolom atas dari kiri ke kanan),

sedangkan dk SSw merupakan penyebut (kolom kiri dari atas kelompok bawah).
Perpotongan antara SSb dan dk SSw merupakan titik kritis peneriman hipotesis nol.
Pada contoh di atas nilai Ftabel adalah:
α = 0,05 maka F(2,12) = 3,88
α = 0,01 maka F(2,12) = 6,93
Kriteria penarikan kesimpulan:
Jika Fhitung > Ftabel maka Ho ditolak

Jika Fhitung ≤ Ftabel maka Ho diterima
(Irianto, 2010:227)
Membandingkan Fhitung > Ftabel maka:
Karena Fhitung < Ftabel untuk α = 0,05 atau 2 < 3,88 maka Ho diterima artinya bahwa
rata-rata hasil belajar siswa yang diajar dengan metode A sama dengan rata-rata hasil
belajar siswa yang diajar dengan metode B dan sama pula dengan rata-rata hasil
belajar siswa yang diajar dengan metode C. Implikasi dari dari pernyataan tersebut
adalah metode A, B dan C tidak mempunyai efek yang berbeda terhadap hasil belajar
siswa.
2. Two Way Anova
Analisis varians yang tidak hanya memiliki satu variabel disebut dengan analisis varians
dengan klasifikasi ganda atau jamak. Jika dalam analisis varians satu jalur (Anava Tunggal)
hanya memiliki variabel kolom, maka dalam analisis varians dua jalur (Anava Ganda)
memiliki variabel kolom dan variabel baris. Dengan demikian akan diperoleh interaksi
antara kolom dengan baris.
Anava Ganda dapat hanya mempunyai satu atau lebih variasi kolom, maupun satu atau
lebih variasi baris. Sehingga dapat diperoleh Anava Dua Jalan, Anava Tiga Jalan, dan
seterusnya (Arikunto, 1992: 285). Anava dua-jalur adalah analisis varians yang digunakan
untuk menguji hipotesis perbandingan lebih dari dua sampel dan setiap sampel terdiri atas
dua jenis atau lebih secara bersama-sama, (Riduan, 2003:222).
“Anava dua jalan/arah/jalur”, “anava tiga jalan/arah/jalur” menunjukkan adanya variabel

bebas, banyaknya sel diperoleh dari hasil kali banyaknya penggolongan setiap variabel.
Misalnya variabel A terdapat 2 klasifikasi, variabel B terdapat 3 klasifikasi, variabel C
terdapat 2 klasifikasi, maka banyaknya sel adalah 2 X 3 X 2 = 12 buah sel.
Apabila design yang dikembangkan untuk mencari ada tidaknya perbedaan dari 2 variabel
bebas, dan masing-masing variabel bebas dibagi dalam beberapa kelompok maka design
yang dikembangkan itu disebut dengan two factorial design. Dalam kasus ini peneliti akan
menghadapi kelompok sebanyak hasil kali banyaknya kelompok variabel bebas kedua.
Misalnya kita mempunyai variabel bebas metode mengajar dan jenis kelamin. Untuk
variabel bebas metode mengajar dikelompokkan menjadi 3 (metode A, B dan C), sedangkan
untuk variabel jenis kelamin dibagi 2 yaitu laki-laki dan perempuan. Dalam hal ini
banyaknya kelompok yang akan dihadapi adalah 3 x 2 = 6. Perhatikan ilustrasi berikut:

Metode Mengajar
Jenis Kelamin
A B C
Laki-laki
Perempuan
Perhitungan Anova Dua Arah
Seperti halnya pada anova satu arah, anova dua arah menggunakan F ratio di mana:
1. Variance antar kelompok diasumsikan, disebabkan oleh:
a. Efek perlakuan, di mana berkemungkinan hanya faktor A atau faktor B atau interaksi
A x B yang berpengaruh.
b. Perbedaan individual
c. Error eksperimental
2. Variance dalam kelompok diasumsikan, disebabkan oleh:
a. Perbedaan individual
b. Error eksperimental
Untuk mempermudah pemahaman perhitungan F ratio perlu kesepakatan untuk

menggunakan simbol yang sama sebagai berikut:
G : jumlah skor keseluruhan (nilai total pengukuran variabel terikat untuk seluruh
sampel).
N : banyaknya sampel keseluruhan (merupakan penjumlahan banyak sampel pada
masing-masing sel).
A : jumlah skor masing-masing baris (jumlah skor masing-masing baris pada faktor A).
B : jumlah skor masing-masing kolom (jumlah skor masing-masing kolom pada faktor
B).
p : banyaknya kelompok pada faktor A.
q : banyaknya kelompok pada faktor B.
n : banyaknya sampel masing-masing sel.
Menghitung SSt dengan rumus :
G2
SS t  X 2 
N
Dengan dk = N – 1
Menghitung SSb dengan rumus :

AB 2 G 2
SSb   
n N
Dengan dk = pq – 1
Menghitung SSw dengan rumus :
SSw = SSt – SSb

Dengan dk = (n – 1) atau dk = N – pq
Dalam anova dua arah mengandung asumsi yang agak berbeda dengan anova satu arah
(sumber varians antar kelompok) sehingga SSb terdiri dari 3 macam SS, yaitu:
1. SSA merupakan besarnya sumbangan faktor A terhadap keseluruhan efek perlakuan.
2. SSB merupakan besarnya sumbangan faktor B terhadap keseluruhan efek perlakuan.
3. SSAB merupakan besarnya sumbangan kedua faktor secara bersama terhadap
keseluruhan efek perlakuan.
SS (sum of squares) di atas dihitung dengan rumus:

A2 G2
SSA    Dengan dk SSA = p – 1
qn N
B2 G 2
SS B    Dengan dk SSB = q – 1
pn n
SSAB  SSb  SSA  SSB

Dengan dk SSAB = dk SSb – dk SSA – dk SSB
atau dk SSAB = dk SSA x dk SSB
atau dk SSAB = (p – 1)(q – 1)
MS (mean squares) dalam anova dua arah terdiri dari tiga macam di samping MSw, karena
anova dua arah akan menguji tiga hipotesis.
Mean squares faktor A dihitung dengan rumus:

SS A
MS A 
dk SS A
Mean squares faktor B dihitung dengan rumus:
SSB
MS B 
dk SSB
Sum squares untuk interaksi dihitung dengan rumus:
SSAB
MS AB 
dk SSAB
Menghitung F ratio dengan rumus:

MS A MS B MS AB
FA  FB  FAB 
MS w MS w MS w
Kriteria penarikan kesimpulan:
Jika Fhitung > Ftabel maka Ho ditolak

Jika Fhitung ≤ Ftabel maka Ho diterima
(Irianto, 2010:227)

CONTOH :
Suatu eksperimen metode mangajar yang terdiri dari tiga macam metode (A, B dan C)
diterapakan untuk siswa SLTA dengan memperhatikan kemampuan siswa (intelegensi
siswa) tinggi dan rendah. Dari hasil tes setelah eksperimen selesai penyebaran skornya
sebagai berikut:
Metode Mengajar
Intelegensi
A(B1) B(B2) C(B3)
Rendah (A1) 40 60 60
30 70 75
50 70 75
70 65 85
50 50 90
A1B1 = 240 A1B2 = 315 A1B3 = 385
Tinggi (A2) 50 45 55
60 75 80
75 80 90
65 90 95
60 70 80
A2B1 = 310 A2B2 = 360 A2B3 = 400
Yang ingin diketahui peneliti adalah:

1. Apakah intelegensi (tingkat rendah) mempunyai efek terhadap hasil belajar yang
berbeda?
2. Apakah metode mangajar (A, B dan C) mempunyai efek terhadap hasil belajar yang
berbeda?
3. Apakah intelegensi (tinggi rendah) berinteraksi dengan metode mengajar (A, B dan C)
?
Langkah-langkah Two Way Anova dengan SPSS:

 Pada kolom Name ketik Nilai, Metode dan IQ.
 Pada kolom Label isikan Hasil Belajar pada variabel Nilai, Metode Mengajar pada
variabel Metode dan Intelgensi pada IQ.
 Isikan 1 = metode A, 2 = metode B dan 3 = metode C pada value variabel metode.
 Isikan 1 = Tinggi dan 2 = rendah pada value variabel IQ.
 Pada kolom Measure isikan Scale pada variabel Nilai, Nominal pada variabel Metode
dan IQ.

berikut:
 Selanjutanya klik [Analyze] > [General Linear Model] > [Univariate].

 Akan muncul kotak dialog Univariate, masukan variabel Hasil Belajar pada kotak
Dependent Variabel, Metode Mengajar dan Intelegensi pada kotak Fixed Factor(s)
di sebelah kanan.
 Klik tap Plots, maka akan muncul kotak dialog Univariate: Profile Plot. Masukan
Metode ke kotak Horizontal Axis dan IQ pada kotak Separate Lines, selanjutnya klik
Add kemudian klik continue.

 Klik tab Options maka akan muncul kotak dialog Univariate: Options. Pindahkan
Metode*IQ ke kotak Display Means for dan beri checklist pada pilihan Descripyive
Statistic dan Homogeneity test, kemudian klik Continue.
 Klik tap Post Hoc maka akan muncul kotak dialog Univariate: Post Hic Multiple
Comparison for Observed Means. Pindahkan Metode dan IQ ke kotak Post Hoc Test
for di sebelah kanannya dan beri checlist pada pilihan LSD dan Tukey pada Equal
Variances Assumed, selanjutnya klik Continue.

 Klik [OK].
Dari tabel di atas, kita bisa menilai rata-rata hasil belajar berdasarkan metode dan
intelegensi. sebagai contoh: nilai rata-rata hasil belajar dengan metode A dan
intelegensi tinggi sebesar 62,00 sedangkan nilai hasil belajar dengan metode Bdan
intelegensi tinggi sebesar 72,00 dan begitu seterusnya.
Di bawah ini adalah Tabel Levene's Test. Digunakan untuk menilai homogenitas tiap
variabel.
Pada tabel di atas menunjukkan nilai (Signifikansi) Sig. 0,347 > 0,05 sehingga bisa
dikatakan varian antar kelompok homogen.

Dari tabel uji Two Way ANOVA di atas, dapat disimpulkan sebagai berikut:
Merumuskan hipotesis
a. Pengaruh faktor intelegensi
Ho : µA1 = µA2
Ha : µA1 ≠ µA2
b. Pengaruh faktor metode mengajar

Ho : µB1 = µB2 = µB3
Ha : paling sedikit salah µ tidak sama.
c. Interaksi intelegensi dengan metode mengajar

Ho : efek interaksi intelegensi tidak tergantung pada faktor metode mengajar atau efek
faktor metode mengajar tidak tergantung pada faktor intelegensi terhadap hasil
belajar.
Ha : efek interaksi intelegensi tergantung pada faktor metode mengajar atau efek
faktor metode mengajar tergantung pada faktor intelegensi terhadap hasil belajar.
Menarik kesimpulan
a. Untuk faktor A, FhA = 3,298 dan F0,05(1,24) = 4,26 karena 3,298 < 4,26 kita menerima Ho :
tidak terdapat perbedaan hasil belajar antara siswa yang mempunyai intelegensi tinggi dan
rendah. Ini berarti bahwa intelegensi tidak mempunyai peranan yang cukup signifikan
terhadap hasil belajar sehingga perbedaan hasil belajar siswa yang berintelegensi tinggi
tidak berbeda dengan hasil belajar siswa yang berintelegensi rendah.
b. Untuk faktor B, FhB = 8,093 dan F0,05(2,24) = 3,40 karena 8,093 > 3,40 kita menolak Ho :
paling tidak salah satu rata-rata yang diajarkan dengan metode berbeda, akan berbeda
dengan cara yang lainnya. Ini berarti dari ketiga metode mengajar, paling tidak salah satu
mempunyai efek yang berbeda dengan yang lainnya. Tetapi sampai tahap ini kita belum
memperoleh informasi yang jelas tentang metode yang mana yang benar-benar
mempunyai efek berbeda dengan yang lainnya. Dalam hal ini kita masih menghadapi
beberapa kemungkinan, yaitu:

1. μB1 = μB2 ≠ μB3
2. μB1 ≠ μB2 = μB3
3. μB2 ≠ μB1 = μB3
4. μB1 ≠ μB2 ≠ μB3
Untuk mengetahui secara pasti, rata-rata mana yang berbeda dengan yang lainnya perlu
perhitungan pasca nova (Post Hoc).
c. Untuk interaksi A x B, FhB = 0,444 dan F0,05(2,24) = 3,40 karena 0,444 < 3,40 kita bisa
menerima Ho : efek faktor metode mengajar terhadap hasil belajar tidak tergantung pada
faktor intelegensi.

BAB 10
STATISTIK NONPARAMETRIK
Statistik nonparametrik disebut juga statistik bebas distribusi/ distributif free statistics karena
tidak pernah mengasumsikan data harus berdistribusi normal dan asumsi populasi dari mana
sampel dipilih. Uji nonparametrik lebih mudah dihitung dan dimengerti terutama karena
datanya berupa urutan (order) atau peringkat (rank), namun uji ini kurang akurat dan efisien
bila dibandingkan dengan uji parametrik.
1. Uji Tanda (Sign Test)
Digunakan untuk membandingkan dua sampel berpasangan dengan skala ordinal. prinsip
dari uji tanda adalah menghitung selisih pasangan nilai data dari sampel pertama dengan
sampel kedua, kemudian dihitung jumlah selisih pasangan data yang positif dan jumlah
selisih pasangan data yang negatif. Jika hipotesis nol benar, maka diharapkan jumlah
selisih pasangan data yang positif kurang lebih akan sama dengan jumlah selisih pasangan
data yang negatif. Dengan kata lain, diharapkan jumlah selisih pasangan data yang positif
dan jumlah selisih pasangan data yang negatif adalah setengah dari total sampel. Jika
jumlah selisih pasangan data yang negatif atau jumlah selisih pasangan yang positif
berbeda jauh, maka hipotesis nol ditolak.
Ada tiga bentuk hipotesis untuk uji tanda di mana penggunaannya tergantung dari
persoalan yang akan diuji:
1. Bentuk uji hipotesis dua sisi (two-sided atau two-tailed test) dengan hipotesis:
Ho : μ = 0,5
Ha : μ ≠ 0,5
2. Bentuk uji hipotesis satu sisi (one-sided atau one-tailed test) untuk sisi atas (upper
tailed) dengan hipotesis:
Ho : μ < 0,5
Ha : μ > 0,5
3. Bentuk uji hipotesis satu sisi(one-sided atau one-tailed test) untuk sisi bawah (lower
tailed) dengan hipotesis:
Ho : μ> 0,5
Ha : μ < 0,5
Dalam pengujian hipotesis, kriteria untuk menolak atau tidak menolak Ho berdasarkan P-
value adalah sebagai berikut:
 Jika P-value (Sig.) < α, maka Ho ditolak
 Jika P-value (Sig.) > α, maka Ho diterima
Dalam program SPSS digunakan istilah significance (yang disingkat sig) untuk P-value;
atau dengan kata lain P-value = Sig.

Contoh:
Dalam menentukan persepsi mobil mana yang lebih nyaman dikendarai, 10 orang dipilih
secara acak dan masing-masing diminta duduk di bagian belakang mobil model Eropa dan
mobil model Jepang. Kemudian ke-10 orang tersebut masing-masing diminta memberi
penilaian dengan 5-point scale sebagai berikut: 1 = mobil sangat tidak nyaman, 2 = mobil
tidak nyaman, 3 = netral, 4 = mobil nyaman dan 5 = mobil sangat nyaman.
Kenyamanan
Responden
Mobil Eropa Mobil Jepang
A 4 5
B 2 1
C 5 4
D 3 2
E 2 1
F 5 3
G 1 3
H 4 2
I 4 2
J 2 2
Apakah dapat disimpulkan bahwa mobil model Eropa lebih nyaman dibandingkan mobil
model Jepang? Gunakan α = 0,05.
Dalam contoh ini kita ingin membandingkan dua populasi dengan skala ordinal. Karena
ke-10 orang yang sama memberi penilaian kepada kedua model mobil, maka data-data
yang diperoleh adalah data berpasangan. Karena kita membandingkan apakah mobil
model Eropa lebih nyaman dibandingkan mobil model Jepang, maka digunakan uji
hipotesis satu sisi (one-sided atau one-tailed test) yaitu sisi atas (upper tail) dengan
hipotesis:
Ho : Mobil Eropa sama nyamannya dengan Mobil Jepang.

Ha : Mobil Eropa lebih nyaman dari Mobil Jepang.
Langkah-langkah Uji Tanda dengan SPSS:
 Input data di atas ke dalam SPSS.

 Pada kolom Name ketik Mobil_Eropa dan Mobil_Jepang.

berikut:
 Selanjutanya klik [Analyze] > [Nonparametrik Test] > [Legacy Dialogs]>[2

Related Samples].
 Akan muncul kotak dialog Two-Related-Samples Test, masukan variabel

Mobil_Eropa dan Mobil_Jepang pada kotak Test Pairs di sebelah kanan dan tandai
Sign dipilihan Test Type.

 Klik [OK].
 Muncul output SPSS viewer menampilkan hasil sebagai berikut ini.
Dari output frequencies uji tanda (Sign Test) terlihat bahwa jumlah selisih pasangan
data Mobil Jepang – Mobil Eropa terdiri 7 pasang berselisih negatif, 2 pasang
berselisih positif, dan 1 pasang berselisih nol atau pasangan data berselisih sama (ties).
Nilai P-Value (Exact Sig.)untuk uji 2 pihak di atas adalah 0,180, karena pengujian kita
adalah uji 1 pihak (One Tail) Ha: n > 0,5 maka nilai P-Value (Exact Sig.) harus dibagi
dua = 0,09. Ternyata nilai P-Value (Exact Sig.) > α atau 0,09 > 0,05 sehingga

merupakan bukti kuat untuk menerima Ho. Artinya mobil Eropa sama nyamannya
dengan mobil Jepang.
2. Uji Run
Fungsi dan dasar pemikiran yang digunakan pada one sample run test didasarkan atas
urutan (order) di mana skor-skor atau observasi-observasi itu satu persatu diperoleh.
Teknik yang akan disajikan dari konsep ini berdasarkan pada banyaknya run yang
ditampilkan oleh suatu sampel. Run didefinisikan sebagai suatu urutan lambang-lambang
yang sama, yang diikuti serta mengikuti lambang-lambang yang berbeda, atau tidak
mengikuti atau diikuti lambang apa pun.
Banyaknya elemen suatu jenis misalkan n1 yaitu semua skor yang jatuh di bawah median
ditandai dengan plus (+), dan banyaknya elemen jenis yang lain misalnya n2 yaitu semua
skor yang jatuh di atas median ditandai dengan minus (-), sehingga total kejadian yang
diamati adalah N = n1 + n2. Untuk menggunakan uji run satu sampel, pertama-tama
diamati kejadian-kejadian n1 dan n2 dalam urutan di mana kejadian-kejadian itu muncul,
dan kemudian tentukan harga r, yaitu banyaknya run yang ada.
Contoh :
Sebuah mesin diukur sehingga secara otomatis mengeluarkan minyak pelumas ke dalam
kaleng. Dapatkah kita katakan bahwa banyaknya minyak pelumas yang dikeluarkan oleh
mesin tersebut bervariasi secara acak bila isi 10 kaleng berikut berturut-turut : 10,2; 9,7;
10,1; 10,3; 10,1; 9,8; 9,9; 10,4; 10,3; 9,8. Gunakan taraf nyata 0,05.
Langkah-langkah Uji Run dengan SPSS:

 Pada kolom Name ketik Pelumas
 Pada kolom Label isikan Minyak Pelumas.
 Pada kolom Measure isikan Nominal.
berikut:

 Selanjutanya klik [Analyze] > [Nonparametrik Test] > [Legacy Dialogs]>[Runs].
 Akan muncul kotak dialog Run Test, masukan variabel Pelumas pada kotak Test
Variable List di sebelah kanan dan berikan checlist pada median dan Man dipilihan
Cut Point.

 Klik tab Options maka akan muncul kotak dialog Run Test: Options. beri checklist
pada pilihan Descripyive, kemudian klik Continue.
 Klik [OK].
 Muncul output SPSS viewer menampilkan hasil sebagai berikut

Analisis :
1. Hipotesis
Ho : sampel bersifat acak
Ha : sampel bersifat tidak acak
2. Taraf nyata : 0,05
3. Daerah kritik : r < r1 atau r > r2
4. Perhitungan : data = 10,2; 9,7; 10,1; 10,3; 10,1; 9,8; 9,9; 10,4; 10,3; 9,8.
Menggunakan median
Test Value = 10,1
Jadi banyaknya runtun (run) r = 6, untuk n1 = tanda (-) = 4 dan n2 = tanda (+) = 6.
Dari tabel harga kritis r dalam uji-Run diperolah : r1 = 2 dan r2 = 9
Kesimpulan : karena (r1 = 2) < (r = 6) < (r2 = 9) maka Ho diterima, artinya sampel
tersebut memang diambil secara acak. Atau dengan menggunakan nilai Asymp. Sig. (2-
tailed) > 0,05 disimpulkan Ho diterima.
Menggunakan Mean (rata-rata)
Test Value = 10,06

Jadi banyaknya runtun (run) r = 6, untuk n1 = tanda (-) = 4, untuk n2 = tanda (+) = 6
Dari tabel harga kritis r dalam uji-Run diperolah : r1 = 2 dan r2 = 9.
Kesimpulan : karena (r1 = 2) < (r = 6) < (r2 = 9) maka Ho diterima, artinya sampel
tersebut memang diambil secara acak. Atau dengan menggunakan nilai Asymp. Sig. (2-
tailed) > 0,05 disimpulkan Ho diterima.
3. Chi Square
Uji x2 untuk kasus satu sampel merupakan uji kebaikan sesuai (goodness of fit) artinya uji
tersebut dapat digunakan untuk menguji apakah kesesuaian yang nyata antara banyaknya
atau frekuensi yang diamati (observed) dengan banyaknya atau frekuensi objek yang
diharapkan (expected) dalam tiap-tiap kategori. Banyaknya kategori bisa dua atau lebih.
Derajat bebas untuk x2adalah db = k -1.
Uji goodness of fit pada prinsipnya bertujuan untuk mengetahui apakah sebuah distribusi
data dari sampel mengikuti sebuah distribusi teoritis tertentu atau tidak. Sebagai contoh,
jika sebuah dadu dilempar, maka kemungkinan mendapat mata dadu 5 adalah 1/6, juga
kemungkinan untuk angka yang lain. Ini yang disebut distribusi teoritis sebuah dadu,
karena terdiri atas 6 mata dadu yang mempunyai kemungkinan seimbang untuk muncul
dalam sekali pelemparan. Seandainya dilakukan pelemparan 120 kali, seharusnya setiap
mata dadu secara teoritis akan muncul masing-masing 1/6 x 120 = 20 kali (angka 1 muncul
20 kali, angka 2 muncul 20 kali, dan seterusnya). Namun, tentu kenyataannya tidak persis
sama, bisa saja angka 1 muncul hanya 10 kali, tapi angka 3 muncul 24 kali, dan
kemungkinan lain. Untuk mengetahui apakah kenyataan tersebut masih bisa dianggap
selaras (fit) dengan distribusi teoritis, digunakan uji goodness of fit.
Dengan demikian, goodness of fit akan membandingkan dua distribusi data, yaitu yang
teoritis (frekuensi harapan) dan yang sesuai dengan kenyataan (frekuensi observasi). Uji
ini hampir sama dengan uji Binomial, hanya saja jika pada binomial ada dua kemungkinan
jawaban, pada uji goodness of fit ada lebih dari dua kemungkinan.
Contoh:
Seorang manajer pemasaran “Citra Rasa” selama ini menganggap bahwa konsumen sama-
sama menyukai tiga warna kemasan roti rasa durian yang diproduksi yaitu putih, hijau dan
kuning. Untuk mengetahui apakah pendapat manajer tersebut benar, kepada 12 orang
responden ditanya warna kemasan roti durian yang paling disukai. Berikut data kuesioner
tersebut:
Responden Warna Pilihan Responden Warna Pilihan
Atun Putih Kulub Kuning

Paijo Hijau Enny Kuning
Bedul Kuning Lili Putih
Upik Kuning Kayo Putih
Ucok Hijau Umay Hijau
Butet Kuning Rajo Hijau

Langkah-langkah Uji Chi-Square dengan SPSS:

 Pada kolom Name ketik Nama dan Warna.
 Pada kolom Type variabel Nama pilih String.
 Pada kolom Value variabel Warna isikan 1 = Putih, 2 = Hijau dan 3 = Kuning.
berikut:
 Selanjutanya klik [Analyze] > [Nonparametrik Test] > [Legacy Dialogs] > [Chi-
square].

 Akan muncul kotak dialog Chi-square Test, masukan variabel Warna pada kotak Test
Variable List.
 Klik [OK].

Analisis :
1. Dari tabel warna terlihat bahwa putih dipilih oleh 3 responden, warna hijau 4
responden dan warna kuning 5 responden. Ini adalah frekuensi yang didapat dari
input data (observed).
2. Dari tabel warna untuk kolom Expected, karena distribusi seharusnya merata,
maka masing-masing warna seharusnya diminati oleh masing-masing 4
responden (dari 12 responden dibagi 3 warna).
3. Kolom Residual dari tabel warna adalah selisih antara kolom Observed dan
kolom Expected. Seperti warna putih, angka residual adalah 3 – 4 atau – 1.
4. Pengambilan keputusan
a. Hipotesis:
Ho : π1 = π2 = π3 = 1/3
H1 : π1 ≠ π2 ≠ π3 ≠ 1/3
Catatan: Ho menyatakan seharusnya distribusi sampel responden mengikuti

distribusi teoritis, yaitu semua warna dipilih merata.
b. Dasar penarikan kesimpulan

 Membandingkan Chi-Square hitung dengan Chi-Square tabel.
1. Jika Chi-Square hitung < Chi-Square tabel Ho diterima.
2. Jika Chi-Square hitung > Chi-Square tabel Ho ditolak.
 Membandingkan probabilitas (P-Value/ Sig.) dengan α.
1. Jika probabilitas (P-Value/ Sig.) > α Ho diterima.
2. Jika probabilitas (P-Value/ Sig.) < α Ho ditolak.
c. Kesimpulan
 Membandingkan Chi-Square hitung dengan Chi-Square tabel.
Pada output Test Statistics diperoleh angka Chi-Square hitung adalah
0,500, sedangkan nilai Chi-Square tabel adalah 5,991 (α = 0,05, di =
jumlah baris – 1 = 3 – 1 = 2). Karena Chi-Square hitung < Chi-Square
tabel Ho diterima.

Karena angka pada kolom Exact Sig. adalah 0,779 > 0,05 maha Ho
diterima.
Kedua cara tersebut menghasilkan keputusan yang sama, yaitu Ho diterima.
Hal ini berarti konsumen menyukai ketiga warna kemasan secara

proporsional dalam arti tidak ada warna yang lebih disukai dari lainnya.
Walaupun dalam sampel warna putih paling sedikit peminatnya, dan warna
kuning paling banyak disukai, namun setelah diuji dengan Chi-Square
ternyata distribusi sampel tersebut masih sesuai dengan distribusi teoritis
(yang seharusnya), yaitu warna disukai secara merata.

BAB 10
STATISTIK NONPARAMETRIK
1. Korelasi Spearman Rank
Dari semua statistik yang didasarkan atas ranking (peringkat), koefisien korelasi Spearman
Rank merupakan statistik yang paling awal dikembangkan dan paling dikenal baik.
Statistik ini kadang-kadang disebut rho. Disebut juga korelasi tata jenjang/ rank order
correlation/ rank difference correlation dikembangkan oleh Charles Spearman. Statistik
ini digunakan untuk menghitung atau menentukan tingkat hubungan (korelasi) antara dua
variabel yang keduanya memiliki tingkatan data ordinal. Apabila pada penelitian tingkatan
datanya adalah interval maka harus diubah ke dalam ranking-ranking yang merupakan sifat
data ordinal. Membuat ranking dilakukan dengan mengurutkan data dari yang tertinggi
sampai yang terendah, apabila ada data kembar (sama) ranking dijumlah dan dibagi dengan
banyaknya data kembar (sama) tersebut.
Kelebihan Spearman Rank :

1. Hubungan antara variabel X dan Y tidak harus linear (tidak perlu diuji linearitasnya)
2. Asumsi kenormalan data (normalitas) tidak diperlukan.
3. Data tidak harus dengan ukuran numerik, melainkan hanya berupa ranking/peringkat
saja.
Suatu ukuran nonparametrik bagi hubungan antara dua variabel X san Y diberikan oleh
koefisien peringkat Spearman, yaitu :
n
6 d i
2
rs  1  i 1
n(n 2  1)
Di mana :
di = selisih antara peringkat bagi Xi dan Yi
n = banyaknya pasangan data
Kriteria penarikan kesimpulan :

Jika rs < rtabel maka Ho diterima
Jika rs > rtabel maka Ho ditolak
Nilai korelas rs berkisar dari -1 ≤ rs ≤ +1. Bila rs = 1 menunjukkan hubungan positif

sempurna, bila rs = -1 terdapat hubungan antar kedua variabel tetapi bertolak belakang
(hubungan negatif). Pengujian signifikansi Spearman Rank dilakukan jika Ho ditolak,
pengujian tersebut sebagai berikut :
1. Didasarkan atas padanan distribusi Z (distribusi normal) jika n > 30 dengan rumus :
Z  rs n  1
Daerah kritik :
APLIKASI KOMPUTER (SPSS)_M. JAINURI, M.PD 102

Uji Dua Pihak Uji Satu Pihak
Zo ≤ Z[0,5 – 1/2α)] terima Ho Zo ≤ Z[0,5 – α)] terima Ho
Zo > Z[0,5 – 1/2α)] tolak Ho Zo > Z[0,5 – α)] tolak Ho
Wibisono (2005:651)
2. Jika n ≤ 30 menggunakan rumus :

n2
t  rs
1  rs
2
Kriteria pengujian :
Jika – ttabel < thitung < + ttabel maka Ho diterima.
Husaini Usman (2008:262)
Contoh:
Akan diteliti apakah terdapat hubungan antara cara belajar dengan motivasi belajar siswa,
diambil sampel 10 siswa dengan taraf signifikansi 5%. Data cara belajar (X) dan motivasi
(Y) sebagai berikut :
X : 50, 50, 40, 90, 80, 80, 70, 65, 65, 50
Y : 65, 50, 50, 80, 90, 70, 80, 50, 40, 50
Buktikan apakah ada hubungan antara cara belajar dengan motivasi !
Langkah-langkah Uji Korelasi Spearman Rank dengan SPSS:

 Pada kolom Label isikan Cara Belajar untuk variabel X dan Motivasi Belajar untuk
variabel Y.
berikut:

 Selanjutanya klik [Analyze] > [Corelate] > [Bivariate].
 Akan muncul kotak dialog Bivariate Correlations, masukan kedua variabel pada
kotak Variables. Berikan checklist pada Spearman di pilihan Correlation Coefficienst.

 Klik [OK].
Analisis :
1. Hipotesis:
Ho : Tidak ada hubungan antara cara belajar dengan motivasi belajar siswa.
Ha : Ada hubungan antara cara belajar dengan motivasi belajar siswa.
2. Dasar penarikan kesimpulan

 Membandingkan rs hitung hitung dengan rs tabel
Jika rs < rtabel maka Ho diterima
Jika rs > rtabel maka Ho ditolak
 Membandingkan probabilitas (P-Value/ Sig.) dengan α

Jika probabilitas (P-Value/ Sig.) > α Ho diterima.
Jika probabilitas (P-Value/ Sig.) < α Ho ditolak.
3. Kesimpulan
 Membandingkan rs hitung hitung dengan rs tabel
Pada output diperoleh angka rs hitung adalah 0,687, sedangkan rs tabel
adalah 0,648 (α = 0,05, n10). Karena rs hitung > rs tabel atau 0,687 > 0,648
maka Ho ditolak dan Ha diterima artinya ada hubungan antara cara belajar
dengan motivasi belajar siswa.

Karena angka pada kolom Sig. adalah 0,028 < 0,05 maha Ho ditolak dan Ha
diterima artinya ada hubungan antara cara belajar dengan motivasi belajar
siswa.
2. Korelasi Kendall Tau
Koefisien korelasi Kendall Tau (τ) cocok sebagai ukuran korelasi dengan jenis data yang
sama di mana rs dapat digunakan. Fungsi koefisien Kendall Tau merupakan ukuran
asosiasi/ korelasi/ hubungan antara dua variabel yang didasarkan atas ranking. Kedua
variabel mempunyai tingkatan data ordinal.
Korelasi Kendall Tau adalah ukuran korelasi yang setara dengan Spearman Rank terkait
dengan asumsi yang mendasarinya serta kekuatan statistiknya. Namun besaran Spearman
Rank dan Kendall Tau akan berbeda dalam logika mendasari serta formula
perhitungannya. Jika Spearman Rank setara dengan PPM, yaitu koefisien korelasinya
menunjukkan proporsi variabilitas (di mana untuk Spearman Rank dihitung dari rank
sedangkan PPM dari data aslinya), sebaliknya Kendall Tau merupakan probabilitas
perbedaan antara probabilitas data dua variabel dalam urutan yang sama dengan
probabilitas dua variabel dalam urutan yang berbeda.
Contoh:
Diberikan judul penelitian : “Hubungan antara kemampuan bertanya dengan motivasi

belajar mata kuliah statistik inferensial mahasiswa matematika STKIP YPM Bangko
Tahun 2013”. Dari penyebaran angket terhadap 10 responden diperoleh data sebagai
berikut :
Responden 1 2 3 4 5 6 7 8 9 10
Kemampuan Bertanya 83 84 87 94 97 89 64 80 83 83
Motivasi Belajar 104 104 98 98 103 110 92 66 104 105
Buktikan apakah ada hubungan antara cara belajar dengan motivasi !
Langkah-langkah Uji Korelasi Kendall Tau dengan SPSS:


 Pada kolom Label isikan Kemampuan Bertanya untuk variabel X dan Motivasi
Belajar untuk variabel Y.
berikut:
 Selanjutanya klik [Analyze] > [Corelate] > [Bivariate].

 Akan muncul kotak dialog Bivariate Correlations, masukan kedua variabel pada
kotak Variables. Berikan checklist pada Kendall’s tau-b di pilihan Correlation
Coefficients.
 Klik [OK].
Analisis :
1. Hipotesis:
Ho : Tidak ada hubungan kemampuan bertanya dengan motivasi belajar mata
kuliah statistik inferensial mahasiswa matematika STKIP YPM Bangko
Tahun 2013.
Ha : Ada ada hubungan kemampuan bertanya dengan motivasi belajar mata
kuliah statistik inferensial mahasiswa matematika STKIP YPM Bangko
tahun 2013.

 Jika probabilitas (P-Value/ Sig.) > α Ho diterima.
 Jika probabilitas (P-Value/ Sig.) < α Ho ditolak.
3. Kesimpulan
Karena angka pada kolom Sig. adalah 0,358 > 0,05 maha Ho ditolak dan Ha
diterima artinya ada hubungan antara kemampuan bertanya dengan motivasi
belajar mata kuliah Statistik Inferensial mahasiswa matematika STKIP YPM
Bangko Tahun 2013.
3. Uji Mann-Whitney
Uji – U / U – Test atau Uji Mann-Whitney digunakan untuk menguji hipotesis komparatif
dua sampel independen bila tingkatan datanya ordinal. Bila dalam suatu pengamatan
datanya berbentuk interval, maka diubah dulu ke dalam data ordinal.
Terdapat beberapa rumus yang digunakan untuk pengujian hipotesis. Rumus tersebut
digunakan dalam perhitungan, karena akan digunakan untuk mengetahui harga U mana
yang lebih kecil. Harga U yang lebih kecil tersebut yang digunakan untuk pengujian dan
membandingkan dengan tabel U.
Uji Mann-Whitney merupakan alternatif bagi uji-t. Uji Mann Whitney merupakan uji
non-parametrik yang digunakan untuk membandingkan dua mean populasi yang berasal
dari populasi yang sama. Uji Mann-Whitney juga digunakan untuk menguji apakah dua
mean populasi sama atau tidak.
Uji Mann-Whitney biasanya digunakan dalam berbagai bidang, terutama lebih sering
dalam Psikologi, medik/perawatan dan bisnis. Misalnya, pada psikologi, uji Mann-
Whitney digunakan untuk membandingkan sikap dan perilaku, dan lain-lain. Dalam
bidang pengobatan, uji Mann-Whitney digunakan untuk mengetahui efek obat apakah
sama atau tidak, selain itu juga bisa digunakan untuk menguji apakah obat tertentu dapat
menyembuhkan penyakit atau tidak. Dalam Bisnis, uji Mann-Whitney dapat digunakan
untuk mengetahui preferensi orang-orang yang berbeda.
Asumsi yang berlaku dalam uji Mann-Whitney adalah:

1. Uji Mann-Whitney mengasumsikan bahwa sampel yang berasal dari populasi adalah
acak,
2. Pada uji Mann-Whitney sampel bersifat independen (berdiri sendiri),
3. Skala pengukuran yang digunakan adalah ordinal.
Rumus Uji-U untuk n1, n2 ≤ 8 sebagai berikut :
n 2 (n 2  1)
U1  n 1 .n 2  - R 2
2
n (n  1)
U 2  n 1 .n 2  1 1 - R 1
2
(Nazir, 2009:404)

Keterangan :
n1 = Jumlah sampel kelas 1
n2 = Jumlah sampel kelas 2
R1 = Jumlah rank/peringkat untuk sampel kelas 1
R2 = Jumlah rank/peringkat untuk sampel kelas 2
Ket: Untuk n1, n2 ≤ 8 menggunakan tebel J (Siegel, 1985:323) dan untuk 9 ≤ n2 ≤ 20
menggunakan tabel K (Siegel, 1985:326)
Kriteria pengujian hipotesis (Uji satu pihak):

 Jika Uhitung > Utabel maka Ho diterima dan Ha ditolak
 Jika Uhitung ≤ Utabel maka Ho ditolak dan Ha diterima
Atau dengan membandingkan nilai p (probabilitas) dengan taraf nyata (α) dengan
ketentuan :
 Jika p > α maka Ho diterima.
 Jika p ≤ α maka Ho ditolak.
Rumus Uji-U untuk n2 > 20 menggunakan pendekatan distribusi normal sebagai

berikut :
n1.n2
U
Z 2 U 
 n1.n2   N 3  N  dari rumus : Z
 .  T  
 N ( N  1)   12 
Dengan :
n1.n2 n1.n2 (n1  n2  1)
 
2 12
t3  t
dan N = n1 + n2 T 
12
Siegel (1985: 155 – 157)
Contoh:
Suatu penelitian dilakukan untuk mengetahui apakah rata-rata tip per hari per pelanggan
yang diterima pelayan wanita lebih besar dari pada pelayan pria di suatu rumah makan.
Hasilnya sebagai berikut ($ per hari per pelanggan) :
Pelayan pria 20 15 6 18 19 10
Pelayan wanita 21 17 10 12 22 18 23
Ujilah dengan alpha (α) 0.05 !
Langkah-langkah Uji Mann-Whitney dengan SPSS:

 Pada kolom Name ketik Tip dan Pelayan.

 Pada kolom Value isikan 1 = Pria dan 2 = Wanita pada variabel Pelayan.
berikut:
 Selanjutanya klik [Analyze] > [Nonparametric Tests] > [Legacy Dialogs] > [2
Independent Samples].

 Akan muncul kotak dialog Two-Independent-Samples Test, masukan variabel Tip
pada kotak Test Variables List dan variabel Pelayan pada kotak Grouping Variable.
Klik Define Group lalu ketik 1 pada Group 1 dan 2 pada Group 2, klik Continue.
Berikan checklist pada Mann-Whitney di pilihan Test Type.
 Klik [OK].

Analisis :
1. Hipotesis:
Ho : Tip yang diterima pelayan wanita sama dengan tip yang diterima pelayan
pria.
Ha : Tip yang diterima pelayan wanita lebih besar dari tip yang diterima pelayan
pria.

Menggunakan Sig.:
 Jika probabilitas (P-Value/ Sig.) > α Ho diterima.
 Jika probabilitas (P-Value/ Sig.) < α Ho ditolak.
Menggunakan nilai z:
 Zhitung > 1,96 atau Zhitung < -1,96 Ho ditolak.
 Zhitung < 1,96 atau Zhitung < -1,96 Ho diterima.
3. Kesimpulan
1. Asymp Sig. (2-tailedl) > 0,05 atau 0,316 > 0.05 maka Ho diterima.
2. Nilai Zhitung < Ztabel pada taraf 5% atau -1.003 < -1.96 maka Ho diterima.
Tip yang diterima pelayan wanita sama dengan tip yang diterima pelayan pria.
4. Uji Kruskal-Wallis
Uji Kruskal-Wallis adalah uji yang sangat berguna untuk menentukan apakah k sampel
independen berasal dari popuplasi-populasi yang berbeda atau berguna untuk menguji
apakah k sampel independen diambil dari populasi yang sama. Uji Kruskal – Wallis
merupakan alternatif uji Anova Satu Arah pada statistik parametrik.
Tingkat pengukuran data pada variabel adalah skala ordinal.
Metode :
 Berikan ranking N observasi dari data terkecil sampai terbesar (skor sama diberi
ranking rata-rata).
 Jumlahkan ranking untuk setiap sampel (R).
 Hitung statistik H dengan rumus :
k R 2
12
H .  3( N  1)
j
N ( N  1) j 1 n j
 Dengan :
k = banyaknya sampel
nj = banyaknya kasus untuk sampel ke-j
N = Σnj = banyaknya kasus dalam semua sampel
ΣRj /nj = jumlah seluruh k sampel, db = k – 1
2

Contoh:
Dilakukan pengukuran laju pembakaran bahan bakar dari 3 sistem peluru kendali, dengan
hasil :
Sistem 1 Sistem 2 Sistem 3

24.0 23.2 18.4
16.7 19.8 19.1
22.8 18.1 17.3
19.8 17.6 17.3
18.9 20.2 19.7
17.8 18.9
18.8
19.3
Dengan uji kruskal-wallis ujilah hipotesis dengan  = 5% bahwa laju pembakaran sama
untuk ketiga sistem tersebut.
Langkah-langkah Uji Kruskall-Wallis dengan SPSS:

 Pada kolom Name ketik Pembakaran dan Sistem.
 Pada kolom Decimals angka ganti menjadi 1 pada variabel Pembakaran.
 Pada kolom Value isikan 1 = Sistem 1, 2 = Sistem 2, dan 3 = Sistem 3 pada variabel
Sistem.
berikut:

 Selanjutanya klik [Analyze] > [Nonparametric Tests] > [Legacy Dialogs] > [K
Independent Samples].
 Akan muncul kotak dialog Tests for Several Independent-Samples, masukan variabel
Pembakaran pada kotak Test Variables List dan variabel Sistem pada kotak Grouping

Variable. Klik Define Group lalu ketik 1 pada Group 1 dan 3 pada Group 2, klik
Continue. Berikan checklist pada Kruskal-Wallis H di pilihan Test Type.
 Klik [OK].
Analisis :
1. Hipotesis:
Ho : Laju pembakaran ketiga sistem sama
Ha : Laju pembakaran salah satu sistem tidak sama
 Jika probabilitas (P-Value/ Sig.) < α Ho diterima.
 Jika probabilitas (P-Value/ Sig.) > α Ho ditolak.
Atau :
 Jika H > x2α maka Ho diterima
 Jika H < x2α maka Ho ditolak
3. Kesimpulan
Karena Asymp Sig. > 0,05 atau 0,435 > 0.05 maka Ho ditolak. Jika menggunakan
koefisien H (Chi-Square) maka terlebih dahulu mencari nilai x2 tabel dengan α =
0,05 dan dk = k – 1 = 3 – 1 = 2. Maka diperoleh x2α = 5,99. Kesimpulan : karena
H < x2α atau 1,663 < 5,99 maka Ho ditolak artinya laju pembakaran salah satu
sistem tidak sama.

BAB 11
MEMBUAT TABEL STATISTIK DENGAN SPSS
1. Tabel t dan tabel r (Product-Moment)
Sebelum membuat tabel r, didahului membuat tabel t sebagai acuan, kemudian

ditansformasikan pada SPSS/ misalkan kita buat tabel r dengan α = 1% dan 5% serta dk (df)
dari 1 s/d 100.
Langkah membuat tabel t, dengan α = 1% dan 5% sebagai berikut:

 Buka file baru
 Klik variabel view, ketik df pada name dan abaikan yang lainnya.
 Klik data View, pada kolom df ketikan 1 s/d 20, 25 dan 30.
 Klik transform, pilih compute.

 Pada target variabel ketikan t_1 atau t_5.
 Pada function Group pilih Invers DF dan pada Function And Special Variabel pilih
Idf.T, kemudian klik anak panah sehingga fungsi berpindah pada kolom Numeric

Expression. Ketikan 0.99 pada tanda tanya pertama (?) dan ketikan df pada tanda tanya
(?) kedua.
 Klik [OK].
 Hasilnya tabel t untuk α = 1% atau 0,01.

 Membuat tabel r, menggunakan output tabel t yang dibuat di atas, kita dapat membuat
tabel r.

 Pada Target Variabel ketikan r_0.01 atau r_0.05, dan pada Numeric Expression ketikan:
t_1/(sqrt(df+t_1**2)) atau t_5/(sqrt(df+t_5**2))
 Klik [OK].


2. Tabel F
Membaca tabel F melibatkan d derajat kebebasan (df) yaitu df1 (numerator = pembilang)
dan df2 (denominator = penyebut). Dalam membuat tabel F, df1 dibuat konstan atau ukuran
horizontal, sedangkan df2 vertikal.
 Buka file baru.

 Pada Variable View ketikan df_2 pada Name ketikan df_2
 Pada kolom lain boleh secara default.
 Klik Data View, ketikan 1 s/d 20, 25, 30.
Tabel F dengan α = 1% atau 0,01 dan df1 = 1
 Klik Transform akan muncul kotak dialog Computer Variable.

 Pada Target Variable ketikan: F_df1_1
Idf.F, kemudian klik anak panah sehingga fungsi berpindah pada kolom Numeric
Expression. Ketikan 0.99 pada tanda tanya pertama (?), 1 pada tanya tanya kedua (?)
dan ketikan df_2 pada tanda tanya (?) ketiga.

 Klik [OK]. Output sebagai berikut:

Tabel F dengan α = 1% atau 0,01 dan df1 = 2

 Pada Target Variable ketikan: F_df1_2
Idf.F, kemudian klik anak panah sehingga fungsi berpindah pada kolom Numeric
Expression. Ketikan 0.99 pada tanda tanya pertama (?), 2 pada tanya tanya kedua (?)
dan ketikan df_2 pada tanda tanya (?) ketiga.

3. Tabel Chi Square (χ2)
Untuk membuat tabel Chi Square (χ2) kita akan menggunakan tingkat signifikansi (α)
sebesar 1%, 5% dan 10%. Langkah-langkah sebagai berikut:

 Pada Target Variable ketikan: Chi_1 untuk α = 1%, Chi_5 untuk α = 5% dan Chi_10
untuk α = 10%.
IDF.CHISQ(?,?), kemudian klik anak panah sehingga fungsi berpindah pada kolom
Numeric Expression. Ketikan 0.99 pada tanda tanya pertama (?) untuk α = 1%, dan df
pada tanda tanya kedua (?). untuk 5% dan 10% lakukan langkah yang sama.

DAFTAR PUSTAKA
C. Trihendradi. (2010). Step by Step SPSS 18 Analisis Data Statistik.

Yogyakarta: Andi.
C. Trihendradi. (2007). Statistik Inferen Menggunakan SPSS: Teori Dasar dan

Aplikasinya. Yogyakarta: Andi.
Danang Sunyoto. (2011). Praktik SPSS untuk Kasus. Yogyakarta: Nuha Media.
Duwi Priyatno. (2009). SPSS untuk Analisis Korelasi, Regresi dan Multivariate.
Yogyakarta: Gava Media.
Jonathan Sarwono. (2006). Analisis Data Penelitian Menggunakan SPSS 13.

Yogyakarta: Andi.
Singgih Santoso. (2012). Panduan Lengkap SPSS Versi 20. Jakarta : PT. Elex
Media Komputindo.
Singgih Santoso. (2012). Aplikasi SPSS pada Statistik Parametrik. Jakarta : PT.
Elex Media Komputindo.
Singgih Santoso. (2012). Aplikasi SPSS pada Statistik Non Parametrik. Jakarta :
PT. Elex Media Komputindo.
Sidney Siegel. (1985). Statistik Nonparametrik untuk Ilmu-Ilmu Sosial. Jakarta:

PT. Gramedia.
Sugiyono. (2009). Statistika untuk Penelitian. Bandung: Alfabeta.
Sujana. (2010). Metoda Statistika. Bandung: Tarsito.
Widyo Pura Buana. (2006). Cara Mudah Menggunakan SPSS Data Entry.
Jakarta: PT. Elex Media Komputindo.

Pengantar Aplikasi Komputer SPSS Edisi R PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

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

Pengantar Aplikasi Komputer SPSS Edisi R PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Pengantar

M. Jainuri, S.Pd., M.Pd

M. Jainuri, S.Pd., M.Pd

Hak Cipta Dilindungi Undang-Undang

Editor : Tim Hira

Dengan rahmat Tuhan Yang Maha Esa, penyusunan buku Pengantar

Aplikasi Komputer (SPSS) telah dapat diselesaikan. Pengantar Aplikasi

Komputer (SPSS) ini merupakan buku yang sederhana, hanya membahas

secara singkat materi-materi aplikasi statistika yang popular digunakan

dalam penelitian pendidikan dengan komputer sebatas menggunakan

disesuaikan dengan Silabus dan SAP (Satuan Acara Perkuliahan).

Buku ini diperuntukkan bagi mahasiswa yang mempelajari Aplikasi

Komputer (SPSS) dan pihak-pihak lain yang ingin menggunakannya, baik

sebagai bahan perbandingan, bahan pelengkap, ataupun bahan

kepustakaan. Mudah-mudahan tujuan disusunnya buku ini dapat

Kepada pihak-pihak yang membantu dalam penyusunan buku Pengatar

Aplikasi Komputer (SPSS) ini, penyusun mengucapkan banyak terima

kasih. Segala kritik dan saran yang bersifat konstruktif untuk

penyempurnaan buku ini dari pembaca, penyusun senantiasa akan

menerima dan menyambut dengan segala kerendahan hati.

M. Jainuri, S.Pd., M.Pd

Kata Pengantar ........................................................................................................ ii

BAB 1 MENYUSUN DATA ................................................................................1

BAB 2 STATISTIK DESKRIPTIF ....................................................................9

BAB 3 GRAFIK DI SPSS ..................................................................................18

BAB 4 UJI PERSYARATAN INSTRUMEN ..................................................27

BAB 5 UJI PERSYARATAN ANALISIS DATA............................................35

BAB 6 ANALISIS ASSOIATIF ........................................................................44

BAB 7 ANALISIS PREDIKTIF .......................................................................52

BAB 8 ANALISIS KOMPARATIF (T-TEST) ................................................63

BAB 9 ANALISIS KOMPARATIF (ANOVA) ...............................................73

BAB 10 STATISTIK NONPARAMETRIK ......................................................89

BAB 11 MEMBUAT TABEL STATISTIK .....................................................117

DAFTAR PUSTAKA .........................................................................................126

APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 1

4. Membuka program SPSS

APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 2

Akan muncul tampilan IBM SPSS Statistics Data Editor berikut:

Selanjutnya muncul tampilan IBM SPSS Statistics Viewer berikut:

APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 3

5. Membangun data baru

Langkah 1 : membuat variabel pada halaman variable views

APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 4

 Missing : menentukan data tertentu sebagai data yang hilang atau

 Columns : menentukan lebar kolom pada kolom data pada halaman

APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 5

APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 6

APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 7

APLIKASI KOMPUTER (SPSS) – M. JAINURI, M.PD 8

1. Statistik deskriptif (case summaries, case summaries in row, case summaries in

APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 9

Langkah-langkah entry data sebagai berikut:

APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 10

APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 11

 Ketik “Stat_Des+Stat_Inferen+Metopen” (sesuai nama variabel dan perintah

APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 12

Perintah Frequencies digunakan untuk memperoleh jumlah pada nilai-nilai sebuah

APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 13

 Agar menampilkan representasi bergambar (grafik), klik [Charts], maka akan

Dengan menggunakan data sebelumnya langkah-langkah perintah Descriptives adalah

APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 15

APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 16