Aplikasi Komputer
(SPSS)
(Edisi Revisi)
Penerbit:
Pengantar
Aplikasi Komputer
(SPSS)
(Edisi Revisi)
Cetakan Kedua:
Januari 2019
Penerbit:
Hira Institute
KATA PENGANTAR
program IBM SPSS Statistics. Namun, materi dalam buku ini tetap
mengenai sasaran.
Januari 2019
Penulis,
iii
DAFTAR ISI
iv
3. Paired Sample T-test .........................................................................72
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.
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.
Klik
Klik
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).
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.
C. SOAL
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:
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.
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
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).
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.
1. Frequencies
Kemudian klik [Continues] untuk kembali ke dialog box Frequencies lalu klik [OK]
maka muncul jendela SPSS Viewer yang menunjukkan hasil analisis frekuensi (lihat
Gambar).
APLIKASI KOMPUTER (SPSS) M. JAINURI, MPD 14
2. Descriptives
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].
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:
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.
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.
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:
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:
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:
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).
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:
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
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.
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.
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 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.
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
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
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.
ANOVA Table
Between 16,41
Linearity 889,113 1 889,113 ,007
Hasil belajar * Groups 4
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
Contoh:
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
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].
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.
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.
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:
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
Akan muncul kotak dialog Bivariate Correlations dan masukan semua variabel ke
dalam kotak di sebelah kanan.
Correlations
N 10 10
Pearson Correlation ,770** 1
N 10 10
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
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:
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
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).
Model Summary
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.]
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.
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
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) !
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Klik tab Statistics maka akan muncul kotak dialog Linear Regression: Statistics.
Output 1: Korelasi
Model Summaryb
Lihat nilai R = 0,892 ini berarti bahwa koefisien korelasi antara variabel X dengan Y
sebesar 0,892.
ANOVAa
Total 1246,875 7
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.
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
Nilai-nilai pada persamaan regresi ganda untuk dua variabel bebas dapat ditentukan
sebagai berikut :
b
X X Y X X X Y
2
b
X X Y X X X Y
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) :
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 :
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
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.
Model Summaryb
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
Total 4679,333 14
Coefficientsa
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.
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.
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
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
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Klik tab Options maka akan muncul kotak dialog One-Sample T Test: Options.
Pastikan tingkat kepercayaan adalah 95%, kemudian klik Continue.
Klik [OK].
One-Sample Test
Test Value = 0
Lower Upper
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.
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).
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.
Contoh:
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.
.
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Klik tab Define Groups maka akan muncul kotak dialog Define Groups. Ketik 1 pada
Group 1 dan 2 pada Group 2, kemudian klik Continue.
Group Statistics
Tabel Group Statistics memaparkan nilai-nilai statistik deskriptif untuk variabel Hasil
Belajar dengan metode mengajar.
Nilai Sig (0,685) > 0,05 maka Ho diterima, artinya kedua kelompok data memiliki
varian 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.
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
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.
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
Contoh model :
Metode Mengajar
Jenis L Sampel Sampel Sampel
Kelamin P Sampel Sampel Sampel
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
Keterangan :
k = banyaknya kelompok
T = total X masing-masing kelompok
G = total X keseluruhan
n = jumlah sampel masing-masing kelompok
N = jumlah sampek keseluruhan
SSw = SSmk
Keterangan :
SSmk = jumlah kuadrat simpangan masing-masing kelompok.
Contoh:
Hasil penelitian tentang hasil belajar siswa yang diajar dengan metode berbeda: A, B dan C,
sebagai berikut:
Dengan menggunakan Anova satu arah, ujilah perbedaan hasil belajar siswa yang diajar
dengan menggunakan metode A, B dan C!
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Selanjutanya klik [Analyze] > [Compare Means] > [One Way Anova].
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),
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.
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).
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:
Laki-laki
Perempuan
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
G2
SS t X 2
N
Dengan dk = N – 1
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.
MS (mean squares) dalam anova dua arah terdiri dari tiga macam di samping MSw, karena
anova dua arah akan menguji tiga hipotesis.
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
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 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.
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.
Merumuskan hipotesis
a. Pengaruh faktor intelegensi
Ho : µA1 = µA2
Ha : µA1 ≠ µA2
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:
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.
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.
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.
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:
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
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.
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
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 [OK].
Muncul output SPSS viewer menampilkan hasil sebagai berikut
Menggunakan median
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.
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:
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Selanjutanya klik [Analyze] > [Nonparametrik Test] > [Legacy Dialogs] > [Chi-
square].
Klik [OK].
Muncul output SPSS viewer menampilkan hasil sebagai berikut ini.
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
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.
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.
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
1. Didasarkan atas padanan distribusi Z (distribusi normal) jika n > 30 dengan rumus :
Z rs n 1
Daerah kritik :
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 !
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Akan muncul kotak dialog Bivariate Correlations, masukan kedua variabel pada
kotak Variables. Berikan checklist pada Spearman di pilihan Correlation Coefficienst.
Analisis :
1. Hipotesis:
Ho : Tidak ada hubungan antara cara belajar dengan motivasi belajar siswa.
Ha : Ada hubungan antara cara belajar dengan motivasi belajar siswa.
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.
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:
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Klik [OK].
Muncul output SPSS viewer menampilkan hasil sebagai berikut ini.
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.
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.
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)
Atau dengan membandingkan nilai p (probabilitas) dengan taraf nyata (α) dengan
ketentuan :
Jika p > α maka Ho diterima.
Jika p ≤ α maka Ho ditolak.
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
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Selanjutanya klik [Analyze] > [Nonparametric Tests] > [Legacy Dialogs] > [2
Independent Samples].
Klik [OK].
Muncul output SPSS viewer menampilkan hasil sebagai berikut ini.
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.
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
Dilakukan pengukuran laju pembakaran bahan bakar dari 3 sistem peluru kendali, dengan
hasil :
Dengan uji kruskal-wallis ujilah hipotesis dengan = 5% bahwa laju pembakaran sama
untuk ketiga sistem tersebut.
Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
Akan muncul kotak dialog Tests for Several Independent-Samples, masukan variabel
Pembakaran pada kotak Test Variables List dan variabel Sistem pada kotak Grouping
Klik [OK].
Muncul output SPSS viewer menampilkan hasil sebagai berikut ini.
Analisis :
1. Hipotesis:
Ho : Laju pembakaran ketiga sistem sama
Ha : Laju pembakaran salah satu sistem tidak sama
2. Dasar penarikan kesimpulan
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.
Klik data View, pada kolom df ketikan 1 s/d 20, 25 dan 30.
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
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.
Klik [OK].
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.
Untuk membuat tabel Chi Square (χ2) kita akan menggunakan tingkat signifikansi (α)
sebesar 1%, 5% dan 10%. Langkah-langkah sebagai berikut:
Danang Sunyoto. (2011). Praktik SPSS untuk Kasus. Yogyakarta: Nuha Media.
Duwi Priyatno. (2009). SPSS untuk Analisis Korelasi, Regresi dan Multivariate.
Yogyakarta: Gava Media.
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.
Widyo Pura Buana. (2006). Cara Mudah Menggunakan SPSS Data Entry.
Jakarta: PT. Elex Media Komputindo.