(MODUL) Pelatihan Olah Data 2019 - Statistical Society PDF

Statistical Society (SS)
Sekretariat: Laboratorium Matematika, FMIPA, UNNES Solusi Olah Data Anda
Daftar Isi
Daftar Isi ............................................................................................................................................................ 1

PENGERTIAN STATISTIKA ......................................................................................................................... 2
1. Statistika Deskriptif .............................................................................................................................. 2
2. Statistika Inferensial ............................................................................................................................. 2
UJI VALIDITAS ............................................................................................................................................... 3
Kasus 1 ........................................................................................................................................................... 3
UJI RELIABILITAS ........................................................................................................................................ 7
UJI NORMALITAS .......................................................................................................................................... 9
Kasus 2 ........................................................................................................................................................... 9
UJI REGRESI LINEAR SEDERHANA ....................................................................................................... 12
UJI REGRESI LINEAR BERGANDA ......................................................................................................... 15
Kasus 3. ........................................................................................................................................................ 15
UJI ASUMSI KLASIK ................................................................................................................................... 16
1. Uji Normalitas ..................................................................................................................................... 16
2. Uji Multikolinearitas ........................................................................................................................... 16
3. Uji Autokorelasi .................................................................................................................................. 18
4. Uji Heteroskedastisitas ....................................................................................................................... 20
UJI REGRESI LINEAR BERGANDA ......................................................................................................... 24
Penyelesaian Uji Simultan (F) .................................................................................................................... 24
Penyelesaian Uji Parsial (T) ....................................................................................................................... 25
FAKTOR PENGARUH DOMINAN ......................................................................................................... 26
UJI T SAMPEL TUNGGAL .......................................................................................................................... 27
Kasus 4. ........................................................................................................................................................ 27
PAIRED SAMPLE T-TEST (BERPASANGAN)......................................................................................... 30
Kasus 5. ........................................................................................................................................................ 30
INDEPENDENT SAMPLE T-TEST (DUA SAMPEL INDEPENDEN) .................................................... 33
Kasus 6. ........................................................................................................................................................ 33
ANAVA SATU ARAH (ONE WAY ANOVA) ............................................................................................... 37
Kasus 7. ........................................................................................................................................................ 37
ANAVA DUA ARAH (TWO WAY ANOVA) ................................................................................................. 42
Kasus 8. ........................................................................................................................................................ 42
More info: +62 856-0065-5780 (Admin SS) Pelatihan Olah Data 2019 1
Statistical Society, UNNES
PENGERTIAN STATISTIKA
Menurut Prof. Dr. Sudjana, M.A., M.Sc., Statistika adalah pengetahuan yang berhubungan
dengan cara-cara pengumpulan data, pengolahan penganalisisannya, serta penarikan kesimpulan
berdasarkan kumpulan data dan penganalisasan yang dilakukan.
Menurut Modenhall Statistik merupakan salah satu bidang sains yang berhubungan dengan
ekstrasi informasi dari sebuah data numerik dan digunakan untuk membuat keputusan dari suatu
populasi darimana data itu didapatkan.
Berdasarkan tujuan atau tahap analisis, statistika dibedakan menjadi
1. Statistika Deskriptif
Statistika deskriptif adalah statistika yang dalam analisisnya bertujuan untuk

memperoleh gambaran (deskripsi) tentang data yang dianalisis. Jika data yang
dianalisis merupakan sampel dari suatu populasi, maka statistika deskriptif akan
menghasilkan ukuran-ukuran sample (statistik), sedangkan jika data yang dianalisis
berasal dari populasi, maka statistika deskriptif akan menghasilkan ukuran populasi
(parameter).
2. Statistika Inferensial
Statistika inferensial adalah statistika yang berkenaan dengan cara penarikan

kesimpulan berdasarkan data yang diperoleh dari sampel untuk menggambarkan
karakteristik atau ciri populasi. Dari gambaran diatas, dalam statistika inferensial
dilakukan suatu generalisasi atau memperumum dari hal-hal yang bersifat khusus,
sehingga terkadang statistika inferensial sering juga disebut dengan statistika induktif
atau statistika penarikan kesimpulan. Pada statistika inferensial, biasanya dilakukan
pengujian hipotesis dan pendugaan karakteristik populasi, seperti misalnya nilai rata-
rata dan standar deviasi.
Dalam Statistika Inferensial sering dugunakan pengujian hipotesis one tailed yang
ditandai dengan penggunaan tanda (<,>) sedangkan pengujian hipotesis two tailed
menggunakan tanda (=, ≠)
UJI VALIDITAS
Menurut Sugiyono (2010,173) valid berarti instrumen tersebut dapat digunakan untuk
mengukur apa yang seharusnya diukur. Pengujian validitas tiap butir menggunakan analisis item,
yaitu mengkorelasikan skor tiap butir dengan skor total yang merupakan jumlah tiap skor butir.
Untuk lebih jelasnya diberikan contoh kasus 1.
Kasus 1
Seorang guru mencoba melakukan penelitian mengenai prestasi belajar siswa. Guru tersebut
menggunakan angket untuk mengukur prestasi belajar siswa. Dibuatlah angket dengan 10 butir soal yang
diharapkan dapat menggambarkan prestasi belajar siswa. Sebelum digunakan untuk mencari data pada
objek penelitian ujilah validitas butir soal pada angket tersebut!
Nomer Soal Skor
No.
Soal1 Soal2 Soal3 Soal4 Soal5 Soal6 Soal7 Soal8 Soal9 Total
1 4 1 3 2 3 3 2 3 4 25
2 3 2 3 2 2 2 2 3 3 22
3 2 2 2 2 1 2 1 2 3 17
4 3 2 4 3 2 3 1 2 3 23
5 2 3 2 2 2 2 2 4 4 23
6 4 2 4 3 4 3 3 4 3 30
7 4 2 2 3 2 4 2 1 4 24
8 3 2 3 2 1 2 3 2 4 22
9 4 4 2 3 4 4 3 3 4 31
10 3 1 2 2 2 2 1 2 2 17
Penyelesaian.
1. Hipotesis
𝐻0 : Butir soal tidak valid.
𝐻1 : Butir soal valid.
2. Taraf Signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
• Menggunakan 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
Jika nilai 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima. Jadi soal yang diuji tidak valid.
• Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛
Jika nilai 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 > 𝑅𝑡𝑎𝑏𝑒𝑙 maka 𝐻0 ditolak. Jadi soal yang diuji valid.
Untuk mencari 𝑅𝑡𝑎𝑏𝑒𝑙 dapat dicari pada tabel R dengan 𝑑𝑓 = 𝑛 – 2, dimana 𝑛 adalah jumlah
responden dan 𝛼 = 0,05 (dua arah). Jadi 𝑅𝑡𝑎𝑏𝑒𝑙 untuk data diatas adalah 0,632.
4. Statistik Uji
a. Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
b. Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛
5. Perhitungan Statistik Uji menggunakan SPSS
Langkah-langkah pengujian validitas menggunakan SPSS adalah sebagai berikut:
a. Buka aplikasi SPSS
b. Klik tab Variable View
c. Masukkan data diatas dengan memberi nama variabel “soal1” untuk soal 1, “soal2”
untuk soal 2 dan seterusnya sampai dengan soal 10, untuk skor total diberi nama
variabel “total”.
Tabel 1.1
d. Klik Analyze → Correlate → Bivariate

e. Masukkan varibel soal 1 sampai dengan total
f. Centang pada Pearson dan Two-tailed pada Test of Significance → Klik OK.
6. Hasil dan Interprestasi

Tabel 1.2
Berdsarkan pada tabel 1.2 yang menampilkan hasil dari SPSS, kita dapat melihat Pearson
Correlation dan Sig. (2-Tailed) pada baris terakhir atau kolom terakhir (total) sesuai dengan
statistik uji yang akan digunakan. Untuk memudahkan tabulasi, tabel di atas dapat diubah menjadi
seperti pada tabel 1.3 dan tabel 1.4.
Tabel 1.3 Tabulasi Statistik Uji R Pearson

Soal R Pearson R Tabel Kesimpulan
1 0,710 Valid
2 0,541 Tidak Valid
3 0,329 Tidak Valid
4 0,674 Valid
5 0,862 0,632 Valid
6 0,710 Valid
7 0,769 Valid
8 0,490 Tidak Valid
9 0,498 Tidak Valid
10 0,828 Valid
Tabel 1.4 Tabulasi Statistik Uji Sig. (2-Tailed)

Soal Sig. Alpha Kesimpulan
1 0,021 Valid
2 0,107 Tidak Valid
3 0,354 Tidak Valid
4 0,033 Valid
5 0,001 0,05 Valid
6 0,021 Valid
7 0,009 Valid
8 0,150 Tidak Valid
9 0,143 Tidak Valid
10 0,003 Valid
Berdasarakan tabel 1.3 dan tabel 1.4, diketahui bahwa dari total 10 soal 6 diantaranya valid
atau dapat menggambarkan prestasi belajar, sedangkan 4 soal lainnya tidak valid.
UJI RELIABILITAS
Pengertian reliabilitas pada dasarnya adalah sejauh mana hasil suatu pengukuran dapat
dipercaya. Jika hasil pengukuran yang dilakukan secara berulang relative sama maka pengukuran
tersebut dianggap memiliki tingkat reliabilitas yang baik.
Metode yang dapat digunakan untuk mengukur reliabilitas diantaranya adalah metode
Split-half, Paralel, Strict Paralel, KR-20, Spearmen Brown, dan Cronbach Alpha. Metode yang
digunakan dalam modul ini adalah Cronbach Alpha.
Kasus menggunakan Kasus 1

Penyelesaian
1. Hipotesis
𝐻0 ∶ Butir-butir soal bersifat reliabel.
𝐻1 ∶ Butir-butir soal tidak bersifat reliabel.
2. Taraf Signifikansi (𝛼 = 0,05)
3. Kriteria Uji
Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎 < 0,6 maka butir-butir soal tidak reliabel.
Jika nilai 0,6 ≤ 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎 ≤ 0,7 maka butir-butir soal cukup reliabel.
Jika nilai 0,7 < 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎 < 0,8 maka butir-butir soal reliabel.
Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎 > 0,8 maka butir-butir soal sangat reliabel.
4. Statistik Uji
a. Menggunakan nilai dari 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′𝑠 𝐴𝑙𝑝ℎ𝑎
5. Perhitungan Statistik Uji menggunakan SPSS
Langkah-langkah pengujian reliabilitas pada Kasus 1 menggunakan SPSS:
a. Buka SPSS
b. Gunakan data pada Kasus 1 tadi
c. Klik Analyze → Scale → Reliability Analysis
d. Masukkan variabel yang valid. Klik OK
Reliability Statistics
Cronbach's N of Items
Alpha
.895 6
Berdasarkan tabel Reliability Statistics, diketahui bahwa nilai Cronbach’s Alpha adalah
0,838. Diketahui bahwa nilai Cronbach’s Alpha > 0,8 jadi dapat disimpulkan bahwa 6 butir
pertanyaan pada kuesioner sudah sangat reliabel.
UJI NORMALITAS
Uji distribusi normal adalah uji untuk mengetahui data yang didapatkan memiliki distribusi
normal sehingga dapat dipakai dalam statistik parametrik. Dengan kata lain, uji normalitas adalah
uji untuk mengetahui apakah data empirik yang didapatkan dari lapangan itu sesuai dengan
distribusi normal.
Kasus 2
Seorang peneliti ingin mengetahui pengaruh motivasi belajar terhadap prestasi. Peneliti
menggunakan sampel sebanayak 30 orang dengan data seperti pada tabel 2.
Tabel 2. Data Tes Pengaruh Motivasi Belajar Terhadap Prestasi

No. Motivasi Prestasi No. Motivasi Prestasi
1 76 83 16 67 77
2 80 84 17 74 83
3 62 76 18 50 74
4 45 72 19 68 77
5 65 76 20 71 79
6 55 75 21 73 79
7 51 75 22 46 74
8 59 75 23 78 83
9 72 82 24 51 75
10 74 83 25 69 78
11 67 77 26 67 76
12 57 75 27 84 84
13 71 79 28 61 76
14 59 75 29 66 76
15 89 84 30 57 75
Penyelesaian
1. Hipotesis
𝐻0 : Data berdistribusi normal.
𝐻1 : Data tidak berdistribusi normal.
3. Kriteria Uji
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.

4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
5. Perhitungan Statistik Uji Menggunakan SPSS
a. Buka program SPSS
b. Masukkan data variabel Y
c. Klik Analyze → Nonparametrics Test → 1 Sampel KS

d. Masukkan variabel Y ke dalam kolom Test Variable List. Centang Normal pada Test
Distribution → Klik OK
6. Hasil dan Interpretasi
Berdasarakan tabel One-Sample Kolmogorov-Smirnov Test diketahui nilai Asymp Sig. (2-
tailed) adalah 0,181 > 0,05 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa variabel dependen
memiliki distribusi normal.
UJI REGRESI LINEAR SEDERHANA
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau
tidaknya pengaruh antara variabel independent terhadap variabel dependent. Pengaruh satu
variabel independen terhadap variabel dependen dapat menggunakan uji regresi linear sederhana.
Jika variabel independen berjumlah lebih dari satu makana uji yang digunakan adalah regresi linear
berganda.
Menurut Yudiaatmaja (2013, 5) mengatakan bahwa yang dimaksud dengan analisis regresi
sederhana disini adalah analisis yang dilakukan terhadap satu variabel terikat dan satu variabel
bebas. Persamaan yang dihasilkan nantinya akan berbentuk 𝑌̂ = 𝑎 + 𝑏𝑋. Sebelum melakukan
pengujian, data tersebut wajib memenuhi asumsi kenormalan. Untuk lebih memahaminya, kita
tinjau kembali kasus 2. Pada kasus 2, jelas data memenuhi asumsi kenormalan sehingga asumsi data
berdistribusi normal terpenuhi.
Menggunakan data pada Kasus 2.
Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada pengaruh yang signifikan Motivasi terhadap Prestasi
𝐻1 ∶ Ada pengaruh yang signifikan Motivasi terhadap Prestasi
3. Kriteria Uji
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
b. Buat variabel dengan nama “X” untuk variable motivasi dan “Y" untuk variable
prestasi
c. Masukan data
d. Klik Analyze → Regression → Linear

e. Masukkan variabel Y ke kolom Dependent dan variabel X ke kolom Independent.
f. Klik OK
Berdasarkan tabel Model Summary, diketahui nilai keofisien korelasi adalah 0,916 dan
koefisien determinasi sebesar 0,839 atau 83,9%. Koefisien korelasi menggambarkan kuat
hubungan secara linear variabel independen dengan variabel dependen. Koefisien determinasi
menggambarkan besar pengaruh variabel independen terhadap variabel dependen. Diketahui besar
pengaruh variabel independen terhadap variabel dependen sebesar 83,9% dan 16,1% dipengaruhi
oleh faktor lain yang tidak diikutsertakan dalam penelitian.
Berdasarkan tabel ANOVA, diketahui nilai Sig. adalah 0,000 < 0,05 maka 𝐻0 ditolak. Jadi
dapat disimpulkan bahwa ada pengaruh yang signifikan Motivasi terhadap Prestasi.
Berdasarkan tabel Coefficients, diketahui persamaan regresi linear sederhana yang terbentuk
adalah 𝑌̂̂ = 58,216 + 0,301𝑋1.
UJI REGRESI LINEAR BERGANDA
Yudiaatmaja (2013) mengatakan bahwa yang dimaksud dengan analisis regresi berganda
disini adalah analisis yang dilakukan terhadap satu variabel terikat dan dua atau lebih variabel
bebas. Persamaan yang dihasilkan nantinya akan berbentuk 𝑌̂ = 𝑎 + 𝑏𝑋1 + 𝑐𝑋2 + ⋯ . Jadi
perbedaan regresi sederhana dengan regresi berganda hanya terletak pada jumlah variabel bebas
yang digunakan.
Menurut Sukestiyarno (2015) Persyaratan yang harus dipenuhi dalam analisis regresi ganda
yakni jenis data variabel independen maupun variabel dependen harus interval atau rasio, variabel
dependen berdistribusi normal. Selain itu, didalam regresi linier berganda juga wajib memenuhi
asumsi klasik, yaitu asumsi normalitas, asumsi multikolinearitas, asumsi autokorelasi, dan asumsi
heterokedastisitas. Untuk lebih memahaminya, diberikan contoh kasus 3.
Kasus 3.
Seorang peneliti ingin mengetahui adanya pengaruh pendapatan keluarga (X1) dan banyak
anggota keluarga (X2) terhadap pembelian barang A pada toko Maju Jaya (Y)
No X1 X2 Y
1 10 7 23
2 2 3 7
3 4 2 15
4 6 4 17
5 8 6 23
6 7 5 22
7 4 3 10
8 6 3 14
9 7 4 20
10 6 3 19
UJI ASUMSI KLASIK
1. Uji Normalitas
Pada uji regresi linear berganda, uji normalitas dapat dilakukan pada data dependen atau
residual pada regresi. Dalam hal ini uji normalitas dilakukan pada variabel dependen.
Penyelesaian
One-Sample Kolmogorov-Smirnov Test
N 10
Mean 17.0000
Normal Parametersa,b
Std. Deviation 5.49747
Absolute .142
Most Extreme Differences Positive .138
Negative -.142
Kolmogorov-Smirnov Z .449
Asymp. Sig. (2-tailed) .988
a. Test distribution is Normal.

b. Calculated from data.
Berdasarkan tabel One-Sample Kolmogorov-Smirnov Test, diketahui nilai Asymp. Sig. (2-
tailed) adalah 0,988 > 0,05 maka dapat disimpulkan bahwa variabel Dependen atau terikat pada
regresi linear berganda memiliki Distribusi Normal.
2. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya hubungan linear antar
variabel independent dalam model regresi. Cara mendeteksi ada atau tidaknya multikolinearitas,
yaitu dengan melihat nilai Varian Inflation Factor (VIF) atau Tolerance (TOL) pada model regresi.
Ketika menemui masalah multikolinearitas, salah satu cara yang dapat dilakukan adalah
dengan mengeluarkan satu dari variabel yang memiliki hubungan yang tinggi, yaitu dengan
mengeluarkan variabel yang mempunyai nilai VIF tertinggi. Cara ini merupakan cara yang paling
sederhana dalam menangani masalah multiolinearitas.
Penyelesaian
1. Hipotesis
𝐻0 : Tidak terjadi masalah multikolinearitas
𝐻1 : Terjadi multikolinearitas
3. Kriteria Uji
Jika VIF. < 10 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari VIF.
a. Membuka jendela SPSS
b. Inputkan data
c. Pilih analyze > regression > linear. Pada kotak dialog linear regression, masukkan Y
pada kotak dependent dan X1, X2 pada kotak independent. Pilih statistics, pada kotak
dialog Linear regression statistics, centang colinearity diagnostics.
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics

Coefficients
B Std. Error Beta Tolerance VIF
(Constant) 3.919 2.418 1.621 .149
1 X1 2.491 .703 1.024 3.544 .009 .280 3.576
X2 -.466 1.016 -.133 -.459 .660 .280 3.576
a. Dependent Variable: Y
Berdasarkan tabel Coeffientcs, diketahui bahwa variabel X1 dan X2 memiliki nilai VIF
kurang dari 10 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa model regresi terbebas dari
masalah multikolinearitas.
3. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi
klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan
pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya
autokorelasi dalam model regresi. Cara mendeteksi autokorelasi ada dua cara yaitu Uji Durbin
Watson (D-W) dan Uji Run Test. Pada modul ini yang akan digunakan adalah Uji Durbin Watson
(D-W).
Penyelesaian
1. Hipotesis
𝐻0 : Tidak terjadi masalah autokorelasi
𝐻1 : Terjadi autokorelasi
3. Kriteria Uji
Jika −2 < 𝐷𝑊 < 2 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari Durbin-Watson.
a. Membuka jendela SPSS anda.
b. Inputkan data
c. Pilih analyze, regression, klik linear. Pada kotak dialog linear regression, masukkan Y
pada kotak dependent dan X1, X2, X3 pada kotak independent. Pilih Statistics, pada
kotak dialog Linear regression statistics, centang Residuals Durbin Watson.
Model Summaryb
Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate
1 .915a .836 .790 2.52099 1.516
a. Predictors: (Constant), X2, X1

b. Dependent Variable: Y
Berdasarkan tabel Model Summary, diketahui nilai Durbin-Watson adalah 1,516 berada
diantara -2 sampai dengan 2 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa model regresi linear
berganda terbebas dari masalah autokorelasi.
4. Uji Heteroskedastisitas
Heterokedastisitas adalah suatu kondisi dimana variabel gangguan tidak memiliki varian
yang konstan atau sama. Heteroskedastisitas terjadi bila nilai varian dari variabel tergantung
meningkat akibat dari meningkatnya varian variabel penjelas. Cara mendeteksi Heterokedastisitas
antara lain yaitu metode Glejser dan Scatter Plot. Pada pengujian ini hanya akan menggunakan
metode Glejser.
Penyelesaian
1. Hipotesis
𝐻0 : Tidak terjadi masalah heteroskedastisitas

𝐻1 : Terjadi heteroskedastisitas
3. Kriteria Uji
4. Statistik Uji
a. Inputkan data.
b. Langkah selanjutnya mencari nilai Residual dengan cara klik analyze > regression >
linear. Inputkan data seperti pada gambar. Klik Save, kemudian centang
Unstandardized pada kotak residuals.
c. Maka akan tampil data seperti berikut. Kemudian absolutkan nilai residual, caranya klik
menu Transform >> Compute Variabel.
d. Pada kotak Target Variabel, merupakan nama variabel baru yang akan tercipta. Ketikkan
ABS_RES (absolute residual). Kemudian klik pada kotak Numeric Expression, lalu
ketikkan ABS (lalu masukkan variabel Unstandardized.
e. Residual (RES_1) ke kotak Numeric Expression dengan klik tanda penunjuk, kemudian
ketik tanda tutup kurung. Maka lengkapnya akan tertulis ABS(RES_1), perintah ini untuk
menghitung nilai absolute dari residual. Jika sudah klik tombol OK.
f. Langkah selanjutnya meregresikan nilai variabel independent dengan absolute residual.

Caranya klik Analyze >> Regression >> Linear. Masukkan variabel ABS_RES ke kotak
Dependent, kemudian masukkan varibel X1, X2 ke kotak Independent(s).
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.

Coefficients
B Std. Error Beta
(Constant) 1.053 1.187 .887 .404
1 X1 .274 .345 .537 .793 .454
X2 -.223 .499 -.302 -.446 .669
a. Dependent Variable: ABS_RES
Berdasarkan tabel Coefficients, diketahui bahwa variabel X1 dan X2 memiliki nilai Sig >
0,05 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa model regresi linear berganda terbebas dari
masalah heteroskedastisitas.
UJI REGRESI LINEAR BERGANDA

Berdasarkan uji asumsi klasik, diketahui bahwa model regresi linear berganda terbebas dari
seluruh masalah asumsi klasik. Jadi dapat disimpulkan bahwa model regresi linear berganda yang
terbentuk sudah baik dan akurat untuk mengukur pengaruh variabel independen terhadap variabel
dependen.
Uji regresi linear berganda terdiri dari uji simultan (F) yang digunakan untuk mengetahui
pengaruh seluruh variabel independen terhadap variabel dependen secara simultan atau bersama-
sama. Selain uji simultan, terdapat juga uji partisal (T) yang digunakan untuk mengetahui pengaruh
variabel independen terhadap variabel dependen secara parsial atau satu persatu.
Penyelesaian Uji Simultan (F)
1. Hipotesis
𝐻0 : Tidak ada pengaruh yang signifikan pendapatan keluarga (X1) dan banyak
anggota keluarga (X2) terhadap pembelian barang A pada toko Maju Jaya (Y).
𝐻1 : Ada pengaruh yang signifikan pendapatan keluarga (X1) dan banyak anggota
keluarga (X2) terhadap pembelian barang A pada toko Maju Jaya (Y).
3. Kriteria Uji
4. Statistik Uji
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 227.512 2 113.756 17.899 .002b
1 Residual 44.488 7 6.355
Total 272.000 9
b. Predictors: (Constant), X2, X1
Berdasarkan tabel ANOVA, diketahui bahwa nilai Sig. adalah 0,002 < 0,05 maka 𝐻0 ditolak.
Jadi dapat disimpulkan bahwa Ada pengaruh yang signifikan pendapatan keluarga (X1) dan
banyak anggota keluarga (X2) terhadap pembelian barang A pada toko Maju Jaya (Y).
Penyelesaian Uji Parsial (T)
1. Hipotesis
𝐻0 : Tidak ada pengaruh yang signifikan variabel independen terhadap variabel
dependen.
𝐻1 : Ada pengaruh yang signifikan variabel independen terhadap variabel dependen.
3. Kriteria Uji
4. Statistik Uji
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.

Coefficients
B Std. Error Beta
(Constant) 3.919 2.418 1.621 .149
1 X1 2.491 .703 1.024 3.544 .009
X2 -.466 1.016 -.133 -.459 .660
Berdasarkan tabel Coefficients, diketahui bahwa nilai Sig X1 adalah 0,009 < 0,05 maka 𝐻0
ditolak. Jadi dapat disimpulkan bahwa Ada pengaruh yang signifikan pendapatan keluarga terhadap
pembelian barang A. Diketahui nilai Sig X2 adalah 0,660 > 0,05 maka 𝐻0 diterima. Jadi dapat
disimpulkan bahwa Tidak ada pengaruh yang signifikan banyak anggota keluarga terhadap
pembelian barang A.
Diketahui persamaan regresi linear berganda yang terbentuk adalah 𝑌̂̂ = 3,919 + 2,491𝑋1 − 0,466 𝑋2
FAKTOR PENGARUH DOMINAN
Untuk mengetahui besar pengaruh masing-masing variabel independen terhadap variabel

dependen maka dilakukan uji regresi untuk masing-masing variabel independen terhadap variabel
dependen.
Model Summary(X1)
Model R R Square Adjusted R Std. Error of the

Square Estimate
1 .912a .832 .810 2.39338
a. Predictors: (Constant), X1
Berdasarkan tabel Model Summary, diketahui bahwa X1 memiliki besar pengaruh terhadap
Y sebesar 0,832 atau 83,2% sangat besar. Hasil ini sesuai dengan hasil Uji Parsial, dimana variabel
X1 memberikan pengaruh yang signifikan terhadap variabel Y.
Model Summary(X2)
Model R R Square Adjusted R Std. Error of the

Square Estimate
1 .737a .543 .486 3.94205
a. Predictors: (Constant), X2
Berdasarkan tabel Model Summary, diketahui bahwa X2 memiliki besar pengaruh terhadap
Y sebesar 0,543 atau 54,3% kecil. Hasil ini sesuai dengan hasil uji parsial, dimana variabel X2
Tidak memberikan pengaruh yang signifikan terhadap variabel Y.
UJI T SAMPEL TUNGGAL
Uji T satu sampel digunakan untuk menguji nilai rata-rata dari suatu sampel tunggal dengan
suatu nilai acuan. Dalam uji T Satu Sampel terdapat asumsi yang harus dipenuhi sebelum masuk
ke analisis, yaitu data berskala interval atau rasio dan data sampel berdistribusi normal.
Kasus 4.
Terdapat sampel sebanyak 20 siswa di kelas XII C dengan nilai Tugas sebagai berikut.
Ujilah bahwa rata-rata nilai tugas siswa kelas XII C sama dengan 80.
Tabel 4.
No Nilai Tugas
1 81
2 80
3 76
4 87
5 90
6 71
7 75
8 74
9 85
10 90
11 83
12 77
13 78
14 70
15 80
16 85
17 70
18 75
19 73
20 65
Penyelesaian.
1. Hipotesis
𝐻0 : Rata-rata nilai Tugas siswa di kelas XII C sama dengan 80
𝐻1 : Rata-rata nilai Tugas siswa di kelas XII C tidak sama dengan 80
2. Taraf signifikan : 𝛼 = 5% = 0,05
3. Kriteria Uji
4. Statistik Uji
Menggunakan nilai dari Sig.
b. Klik tab Variable View
c. Masukkan data diatas dengan memberi nama variable “nilai_tugas”.
d. Klik Analyze → Compare Means → One-Sample T Test

e. Masukkan variable nilai_tugas ke kolom Test Variable → Isi Test Value dengan
angka 80 → Klik OK
One-Sample Statistics
N Mean Std. Deviation Std. Error Mean
nilai_tugas 20 78.25 6.950 1.554
One-Sample Test
Test Value = 80
t df Sig. (2-tailed) Mean Difference 95% Confidence Interval of the

Difference
Lower Upper
nilai_tugas -1.126 19 .274 -1.750 -5.00 1.50
Berdasarkan tabel One-Sample Test, diketahui nilai Sig. (2-tailed) adalah 0,274 > 0,05 maka
𝐻0 diterima. Jadi dapat disimpulkan bahwa Rata-rata nilai Tugas siswa di kelas XII C sama dengan
80
PAIRED SAMPLE T-TEST (BERPASANGAN)
Uji t sample berpasangan sering kali disebut sebagai paired-sampel t test. Uji t untuk data
sampel berpasangan membandingkan dua variabel untuk suatu grup sampel tunggal. Uji ini
menghitung selisih antara nilai dua variabel untuk tiap kasus dan menguji apakah selisih rata- rata
tersebut bernilai nol. Kriteria data untuk uji t sampel berpasangan yaitu data untuk tiap pasang
yang diuji dalam skala interval atau rasio dan data berdistribusi normal.
Kasus 5.
Seorang peneliti ingin menguji apakah ada perbedaan nilai pre-test dan post-test.
Tabel 5.
Nilai Nilai
No. No.
Pre-test Post-test Pre-test Post-test
1 54 73 10 54 63
2 53 68 11 60 74
3 57 68 12 60 74
4 63 75 13 60 70
5 43 69 14 49 68
6 53 68 15 58 68
7 52 60 16 55 72
8 57 68 17 60 72
9 65 75 18 70 77
Penyelesaian
1. Hipotesis
𝐻0 : Tidak ada perbedaan yang signifikan nilai pre-test dan post-test.
𝐻1 : Ada perbedaan yang signifikan nilai pre-test dan post-test
3. Kriteria Uji
4. Statistik Uji

b. Buat variabel dengan nama Pre dan Post
c. Masukkan data
d. Klik Analyze → Compare Means → Paired Sample T Test

e. Masukkan variabel Pre ke kolom Paired Variables bagian Variable1 dan variabel Post
pada bagian Variable2

Paired Samples Statistics
Mean N Std. Deviation Std. Error Mean
Pair 1 Pre 56.83 18 6.157 1.451

Post 70.11 18 4.351 1.025
Paired Samples Correlations
N Correlation Sig.
Pair 1 Pre & Post 18 .644 .004
Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std.
Difference
Std. Error
Sig. (2-
Mean Lower Upper
Mean Deviation T df tailed)
Pair Pre -
1 -13.278 4.725 1.114 -15.628 -10.928 -11.921 17 .000
Post
Berdasarkan tabel Paired Samples Test, diketahui nilai Sig. (2-tailed) adalah 0,000 < 0,05
maka 𝐻0 ditolak. Jadi dapat disimpulkan bahwa ada perbedaan nilai Pre-test & Post-test.
INDEPENDENT SAMPLE T-TEST (DUA SAMPEL INDEPENDEN)
Uji banding dua sampel diantara kedua sampel saling bebas, artinya bahwa kedua sampel
tidak harus sama jumlah anggota sampel. Misalkan kita melakukan penelitian untuk mencoba
suatu metode baru, maka metode itu diuji pada satu kelompok tertentu. Untuk dapat membedakan
hasil eksperimen metode baru tersebut apakah lebih baik daripada metode sebelumnya (metode
konvensional), maka diambil satu kelompok lain yang setara dan dikenai pembelajaran
konvensional tersebut. Kasus yang demikian adalah uji banding dua sampel bebas. Asumsi untuk
uji ini adalah data berskala interval atau rasio, data berdistribusi normal. Untuk lebih memahami
T-test (dua sampel), diberikan contoh kasus 6.
Kasus 6.
Seorang guru ingin mengetahui perbedaan nilai siswa yang diberi metode pembelajaran A
dan metode pembelajaran B.
Tabel 6.
Metode A Metode B
78 70
64 73
73 70
79 80
80 78
67 63
74 74
82 78
65 63
68 68
70 68
63 60
64
Penyelesaian
1. Hipotesis
𝐻0 : Tidak ada perbedaan yang signifikan nilai siswa dalam metode pembelajaran A
dan metode pembelajaran B.
𝐻1 : Ada perbedaan yang signifikan nilai siswa dalam metode pembelajaran A dan
metode pembelajaran B.

3. Kriteria Uji
4. Statistik Uji
b. Buat variabel dengan nama siswa dan metode
c. Masukkan Value Labels. 1 untuk Metode A dan 2 untuk Metode B
d. Masukkan data
e. Klik Analyze → Compare Means → Independent Samples T Test

f. Masukkan variable Siswa ke kolom Test Variabel dan variable metode ke kolom
Grouping Variable. Klik Define Groups
a. Isi Group 1 dengan angka 1 dan Group 2 dengan angka 2. Klik Continue

Group Statistics
Metode N Mean Std. Deviation Std. Error Mean
Siswa Metode A 13 71.31 6.775 1.879

Metode B 12 70.42 6.445 1.861
Independent Samples Test
Levene's
Test for
Equality of
Variances
t-test for Equality of Means
95% Confidence
Interval of the
Difference
Sig. (2- Mean Std. Error
Lower Upper
F Sig. t df tailed) Difference Difference
Siswa Equal variances

.306 .585 .336 23 .740 .891 2.650 -4.590 6.372
assumed
Equal variances
.337 22.974 .739 .891 2.644 -4.579 6.361
not assumed
Berdasarkan tabel Independent Samples Test, diketahui nilai Sig. pada Levene’s Test For
Equality of Variances adalah 0,585 > 0,05 maka dapat disimpulkan bahwa varian dari dua sampel
tersebut sama atau homogen. Jadi hasil uji T dilihat pada baris Equal Variance Assumed. Diketahui
nilai Sig. (2-tailed) adalah 0,740 > 0,05 maka 𝐻0 diterima. Jadi dapat disimpulkan bahwa tidak ada
perbedaan yang signifikan nilai siswa dalam metode pembelajaran A dan B.
ANAVA SATU ARAH (ONE WAY ANOVA)
Uji banding lebih dari dua sampel independent atau sering disebut dengan analisis varian
satu jalur (one way anova) di sini benar-benar di antara kelompok yang ada saling bebas. Artinya
bahwa beberapa sampel tidak harus sama jumlah anggotanya. Asumsi yang harus dipenuhi pada
one way anova adalah data berskala interval atau rasio, data berdistribusi normal dan homogen.
Untuk lebih contoh memahami, diberikan kasus 7.
Kasus 7.
Seorang peneliti ingin membandingkan penjualan handphone dengan merk Samsung, Oppo,
Vivo, dan Lenovo. Dimana para pembeli handphone di toko tertentu hanya dihadapkan pada
keempat merk tersebut. Penelitian ini dilakukan selama 10 minggu, adapun data yang terkumpul
sebagaimana table data di bawah ini.
Tabel 7.
Merk
Minggu
Samsung Oppo Vivo Lenovo
1 52 48 34 32
2 45 36 32 33
3 48 33 37 36
4 36 38 35 39
5 39 49 42 38
6 41 51 41 35
7 42 35 43 32
8 35 42 45 29
9 60 40 41 40
10 55 39 40 43
Penyelesaian
1. Hipotesis
𝐻0 : Tidak ada perbedaan penjualan handphone antar merk Samsung, Oppo, Vivo dan
Lenovo.
𝐻1 : Ada perbedaan penjualan handphone antar merk Samsung, Oppo, Vivo dan Lenovo.
3. Kriteria Uji

4. Statistik Uji
b. Buat variabel dengan Nama dan Merk
c. Beri Value Labels. 1 untuk Samsung, 2 untuk Oppo, 3 untuk Vivo dan 4 untuk Lenovo.
d. Masukkan data
e. Klik Analyze → Compare Means → One Way ANOVA

f. Masukkan variable Nama ke kolom Dependent List dan variabel Merk ke kolom
Factor.
g. Klik Options. Centang Descriptive dan Homogenity of variance test. Klik Continue.

Descriptives
Nama
N Mean Std. Deviation Std. Error 95% Confidence Interval for Mean Minimum Maximum
Lower Bound Upper Bound
Samsung 10 45.3000 8.32733 2.63333 39.3430 51.2570 35.00 60.00

Oppo 10 41.1000 6.26188 1.98018 36.6205 45.5795 33.00 51.00
Vivo 10 39.0000 4.26875 1.34990 35.9463 42.0537 32.00 45.00
Lenovo 10 35.7000 4.32178 1.36667 32.6084 38.7916 29.00 43.00
Total 40 40.2750 6.78288 1.07237 38.1059 42.4441 29.00 60.00
Pada tabel Descriptives menampilkan ukuran tendensi sentral dari data sampel.
Test of Homogeneity of Variances
Levene Statistic df1 df2 Sig.
2.508 3 36 .074
Berdasarkan tabel Test of Homogeneity of Variance, diketahui nilai Sig. adalah 0,074 > 0,05.
Jadi dapat disimpulkan bahwa data penjualan handphone antar merk Samsung, Oppo, Vivo dan
Lenovo memiliki varian yang sama atau homogen.
ANOVA
Sum of Squares df Mean Square F Sig.
Between Groups 484.875 3 161.625 4.445 .009

Within Groups 1309.100 36 36.364
Total 1793.975 39
Berdasarkan tabel ANOVA, diketahui nilai Sig. adalah 0,009 < 0,05 maka 𝐻0 ditolak. Jadi
dapat disimpulkan bahwa ada perbedaan yang signifikan data penjualan handphone antar merk
Samsung, Oppo, Vivo dan Lenovo. Karena terdapat perbedaan, maka dilakukan uji lanjut untuk
mengetahui variabel mana yang berbeda. Uji lanjut menggunakan Tukey.
7. Uji Lanjut
a. Klik Analyze → Compare Means → One Way ANOVA
b. Masukkan variabel Nama ke kolom Dependent List dan variabel Merk ke kolom
Factor.
c. Klik tab Post Hoc → Centang Tukey → Continue
d. Hasil dan Interpretasi
Berdasarkan tabel di atas diketahui bahwa tidak ada perbedaan Samsung dengan Oppo
dan Vivo, sedangakan ada perbedaan signifikan Samsung dengan Lenovo . Diketahui bahwa
tidak ada perbedaan Oppo dengan Vivo dan Lenovo. Deketahui tidak ada perbedaan Vivo
dengan Lenovo.
Tukey HSD
Merk N Subset for alpha = 0.05
1 2
Lenovo 10 35.70
Vivo 10 39.00 39.00
Oppo 10 41.10 41.10
Samsung 10 45.30
Sig. .206 .109
Means for groups in homogeneous subsets are displayed.

a. Uses Harmonic Mean Sample Size = 10.000.
Berdasarkan tabel Tukey HSD, diketahui bahwa terdapat dua kelompok dimana:
Samsung = Oppo = Vivo & Oppo = Vivo = Lenovo, namun Samsung ≠ Lenovo.
ANAVA DUA ARAH (TWO WAY ANOVA)
Pada dasarnya “Two Way Anova” tidak jauh berbeda dengan “One Way Anova”, yang
membedakan hanyalah ada variabel kelompok yang dikelompokkan lagi. Asumsi yang harus
dipenuhi pada one way anova sama dengan one way anova yaitu data berskala interval atau
rasio, data berdistribusi normal, dan varian homogen. Untuk lebih memahami Uji Anova Dua
Arah, disajikan contoh kasus 8.
Kasus 8.
Seorang peniliti ingin mengetahui apakah ada perbedaan prestasi belajar antar metode
pemebelajaran dan jenis kelamin serta interaksi anatara keduanya.
Metode Pembelajaran
Jenis kelamin A B C
60 70 80
40 60 60
70 80 90
Laki-laki 50 70 80
50 80 90
60 60 80
80 70 70
70 70 70
40 80 90
60 60 80
Perempuan 70 70 100
80 60 90
60 50 90
50 70 70
Penyelesaian.
1. Hipotesis
Hipotesis berdasarkan jenis kelamin
𝐻0 ∶ Tidak ada perbedaan rata-rata antara Laki – laki dan Perempuan
𝐻1 ∶ Ada perbedaan rata- rata antara Laki – laki dan Perempuan
Hipotesis berdasarkan metode pembelajaran

𝐻0 ∶ Tidak ada perbedaan rata-rata prestasi belajar antara metode A, B dan C
𝐻1 ∶ Ada perbedaan rata-rata prestasi belajar antara metode A, B, dan C
Hipotesis interaksi antar kategori
𝐻0 ∶ Tidak ada interaksi antara jenis kelamin dan metode pembelajaran
𝐻1 ∶ Ada interaksi antara jenis kelamin dan metode pembelajaran
3. Kriteria Uji
4. Statistik Uji
b. Buat variabel dengan nama nilai, metode, dan jeniskelamin
c. Beri Value Labels untuk metode dan jeniskelamin
d. Masukkan data
e. Klik Analyze → General Linear Model → Univariate

f. Masukkan variabel nilai ke kolom Dependent Variable dan variabel jeniskelamin
dan metode ke kolom Fixed Factor
g. Klik tab Model → Pilih Full Factorial → Continue
h. Klik tab Option. Centang Descriptive statistics dan Homogenity tests. Continue
i. Klik tab Plots. Masukkan variable jeniskelamin ke kolom Horizontal Axis dan
metode ke kolom Separate Lines. Klik Add
j. Maka akan menjadi seperti berikut. Continue
k. Klik OK
Between-Subjects Factors
Value Label N
1.00 Laki-laki 21
jeniskelamin
2.00 Perempuan 21
1.00 Metode A 14
metode 2.00 Metode B 14
3.00 Metode C 14
Descriptive Statistics
Dependent Variable: nilai
jeniskelamin metode Mean Std. Deviation N
Metode A 58.5714 13.45185 7
Metode B 70.0000 8.16497 7

Laki-laki
Metode C 78.5714 10.69045 7
Total 69.0476 13.38087 21

Metode A 58.5714 13.45185 7
Metode B 65.7143 9.75900 7
Perempuan
Metode C 84.2857 11.33893 7
Total 69.5238 15.64487 21
Metode A 58.5714 12.92412 14
Metode B 67.8571 8.92582 14

Total
Metode C 81.4286 10.99450 14
Total 69.2857 14.38035 42
Levene's Test of Equality of Error Variancesa

Dependent Variable: nilai
F df1 df2 Sig.
.536 5 36 .748
Tests the null hypothesis that the error variance of

the dependent variable is equal across groups.
a. Design: Intercept + metode + jeniskelamin +
metode * jeniskelamin
Tests of Between-Subjects Effects

Dependent Variable: Nilai
Source Type III Sum of df Mean Square F Sig.

Squares
Corrected Model 3497.619a 5 699.524 5.475 .001

Intercept 204402.381 1 204402.381 1599.671 .000
jeniskelamin 21.429 1 21.429 .168 .685
metode 3290.476 2 1645.238 12.876 .000
jeniskelamin * metode 185.714 2 92.857 .727 .490
Error 4600.000 36 127.778
Total 212500.000 42
Corrected Total 8097.619 41
a. R Squared = .432 (Adjusted R Squared = .353)
1. Pada tabel Between-Subject Factors merupakan output yang menunjukkan jumlah data
yang diproses, untuk masing – masing kategori disajikkan informasi jumlah datanya.
2. Pada tabel Descriptive Statistics dapat dilihat rata – rata data.
3. Pada tabel Levene’s Test of Equality of Error Variances dapat dilihat nilai 𝑆𝑖𝑔.
menunjukkan 0,748 > 0,05 artinya data tersebut homogen.
4. Pada tabel Test of Between-Subject Effects dapat dilakukan 2 analisa yang berbeda yaitu
“Uji beda rata-rata” berdasarkan variabel yang berbeda (jenis kelamin dan metode) dan uji
interaksi antar variabel kategori.
a. Interpretasi berdasarkan jeniskelamin
Didapat nilai 𝑆𝑖𝑔. = 0,685. Karena 0,685 > 0,05 maka 𝐻0 diterima. Jadi Tidak ada
perbedaan rata-rata jenis kelamin laki–laki dan perempuan. Karena 𝐻0 diterima
maka tidak perlu dilakukan uji lanjut.
b. Interpretasi berdasarkan metode
Didapat nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝐻0 ditolak. Jadi Ada
perbedaan rata-rata metode A, metode B dan Metode C. Karena 𝐻0 ditolak maka
perlu dilakukan uji lanjut.
c. Interpretasi interaksi antar kategori
Didapat nilai 𝑆𝑖𝑔. = 0,490. Karena 0,490 > 0,05 maka 𝐻0 diterima. Jadi Tidak Ada
interaksi antara jenis kelamin dengan metode pembelajaran
Untuk melihat adanya interaksi atau tidak juga dapat dilihat pada grafik. Jika 2 garis
yang ada bersinggungan atau berpotongan maka ada interaksi antar kategori. Dilihat dari
grafik, 3 garis tidak ada yang saling berpotongan maka dapat disimpulkan bahwa tidak
ada interaksi antar kategori.
Karena terdapat perbedaan rata-rata metode A, metode B dan Metode C, maka

dilakukan uji lanjut untuk mengetahui variabel mana yang berbeda. Uji lanjut
menggunakan Tukey.
Uji Lanjut
a. Klik Analyze → General Linear Model → Univariate
b. Masukkan variabel nilai ke kolom Dependent List dan variabel jeniskelamin dan
metode ke kolom Factor(s).
c. Klik tab Post Hoc. Masukkan variable metode ke kolom Post Hoc Test for. Centang
Tukey.
d. Klik Continue. Ok
Hasil dan Interpretasi

Multiple Comparisons
Dependent Variable: Nilai
Tukey HSD
(I) Metode (J) Metode Mean Std. Error Sig. 95% Confidence Interval
Difference (I-J) Lower Bound Upper Bound
Metode B -7.8571 4.27247 .172 -18.3003 2.5860

Metoda A
Metode C -21.4286* 4.27247 .000 -31.8717 -10.9854
Metoda A 7.8571 4.27247 .172 -2.5860 18.3003
Metode B
Metode C -13.5714* 4.27247 .008 -24.0146 -3.1283
Metoda A 21.4286* 4.27247 .000 10.9854 31.8717
Metode C
Metode B 13.5714* 4.27247 .008 3.1283 24.0146
Based on observed means.

The error term is Mean Square(Error) = 127.778.
*. The mean difference is significant at the ,05 level.
Berdasarkan tabel di atas diketahui bahwa tidak ada perbedaan Metode A dengan
Metode B, sedangkan ada perbedaan signifikan Metode A dengan Metode C dan Metode
B dengan Metode C.
Nilai
Tukey HSD
Metode N Subset
1 2
Metoda A 14 60.0000
Metode B 14 67.8571
Metode C 14 81.4286
Sig. .172 1.000
Means for groups in homogeneous subsets are

displayed.
Based on observed means.
The error term is Mean Square(Error) = 127.778.
a. Uses Harmonic Mean Sample Size = 14.000.
b. Alpha = ,05.
Berdasarkan tabel Tukey HSD, diketahui bahwa terdapat dua kelompok dimana:
Metode A = Metode B, namun Metode A ≠ Metode C & Metode B ≠ Metode C

(MODUL) Pelatihan Olah Data 2019 - Statistical Society PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

(MODUL) Pelatihan Olah Data 2019 - Statistical Society PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Statistical Society (SS)

Sekretariat: Laboratorium Matematika, FMIPA, UNNES Solusi Olah Data Anda

Daftar Isi ............................................................................................................................................................ 1

Statistika deskriptif adalah statistika yang dalam analisisnya bertujuan untuk

Statistika inferensial adalah statistika yang berkenaan dengan cara penarikan

• Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛

d. Klik Analyze → Correlate → Bivariate

6. Hasil dan Interprestasi

Tabel 1.3 Tabulasi Statistik Uji R Pearson

Tabel 1.4 Tabulasi Statistik Uji Sig. (2-Tailed)

Kasus menggunakan Kasus 1

6. Hasil dan Interprestasi

Tabel 2. Data Tes Pengaruh Motivasi Belajar Terhadap Prestasi

Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.

c. Klik Analyze → Nonparametrics Test → 1 Sampel KS

6. Hasil dan Interpretasi

UJI REGRESI LINEAR SEDERHANA

d. Klik Analyze → Regression → Linear

6. Hasil dan Interpretasi

UJI REGRESI LINEAR BERGANDA

UJI ASUMSI KLASIK

One-Sample Kolmogorov-Smirnov Test

a. Test distribution is Normal.

6. Hasil dan Interpretasi

Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics

B Std. Error Beta Tolerance VIF

(Constant) 3.919 2.418 1.621 .149

1 X1 2.491 .703 1.024 3.544 .009 .280 3.576

X2 -.466 1.016 -.133 -.459 .660 .280 3.576

6. Hasil dan Interpretasi

Model R R Square Adjusted R Std. Error of the Durbin-Watson

1 .915a .836 .790 2.52099 1.516

a. Predictors: (Constant), X2, X1

𝐻0 : Tidak terjadi masalah heteroskedastisitas

f. Langkah selanjutnya meregresikan nilai variabel independent dengan absolute residual.

6. Hasil dan Interpretasi

Model Unstandardized Coefficients Standardized t Sig.

B Std. Error Beta

(Constant) 1.053 1.187 .887 .404

1 X1 .274 .345 .537 .793 .454

X2 -.223 .499 -.302 -.446 .669

a. Dependent Variable: ABS_RES

UJI REGRESI LINEAR BERGANDA

Model Sum of Squares df Mean Square F Sig.

Regression 227.512 2 113.756 17.899 .002b

1 Residual 44.488 7 6.355

Penyelesaian Uji Parsial (T)

Model Unstandardized Coefficients Standardized t Sig.

B Std. Error Beta

(Constant) 3.919 2.418 1.621 .149

1 X1 2.491 .703 1.024 3.544 .009

X2 -.466 1.016 -.133 -.459 .660

FAKTOR PENGARUH DOMINAN

Untuk mengetahui besar pengaruh masing-masing variabel independen terhadap variabel

Model R R Square Adjusted R Std. Error of the

1 .912a .832 .810 2.39338

Model R R Square Adjusted R Std. Error of the

1 .737a .543 .486 3.94205

UJI T SAMPEL TUNGGAL

d. Klik Analyze → Compare Means → One-Sample T Test

6. Hasil dan Interprestasi

N Mean Std. Deviation Std. Error Mean

nilai_tugas 20 78.25 6.950 1.554