Analisis Statistika Didi Rukmana 2017

ANALISIS STATISTIKA
UNTUK
SOSIAL EKONOMI PERTANIAN
(DRAFT PERTAMA)
OLEH
DIDI RUKMANA
PROGRAM STUDI AGRIBISNIS

DEPARTEMEN SOSIAL EKONOMI PERTANIAN
FAKULTAS PERTANIAN
UNIVERSITAS HASANUDDIN
2017
i
KATA PENGANTAR
Buku ini ditulis untuk digunakan sebagai buku pegangan utama bagi
mahasiswa yang mengambil mata kuliah Statistika Sosial Ekonomi Pertanian
atau Statistika pada umumnya pada program S1. Penulis menyadari bahwa di
toko buku banyak sekali buku mengenati Statistika, akan tetapi buku ini tetap
ditulis untuk tujuan membantu mahasiswa memahami dan bisa melakukan
analisis statistika yang diperlukan dalam melakukan analisis data pada kegiatan
penelitian yang akan dilakukan dalam rangka menyelesaikan tugas akhirnya atau
menulis skripsi.
Untuk mencapai maksud di atas, penulis melakukan pendekatan yang

berbeda dengan buku statistika pada umumnya. Pertama, tanpa melupakan
dasar filosofinya, penulis tidak membahas teori peluang dan pendugaan
parameter dalam buku ini. Teknik analisis yang dibahas langsung disesuaikan
dengan tujuan yang ingin dicapai meskipun dasar-dasar pengujian hipotesis
diberikan pada bagian pendahuluan. Kedua, metode analisis data untuk
Statistika Parametrik dan Nonparametrik tidak dibahas dalam bab-bab yang
berbeda secara terpisah melainkan dalam bab yang sama yang mempunyai
tujuan sama. Pada setiap bab akan dimulai dengan pengantar kemudian
dilanjutkan dengan metode analisis untuk Statistika Parametrik dan diakhir
dengan metode analisis untuk Statitsika Nonparametrik. Tentu saja ada bab yang
hanya membahas metode yang biasa digunakan dalam salah satunya. Misalnya,
bab yang membahas Uji Bebas Khi-Khuadrat adalah metode yang digunakan
hanya dalam Statistika Nonparametrik, sedangkan bab yang membahas analisis
regresi adalah untuk Statistika Parametrik.
Pada bab terakhir dibahas dan diberikan contoh penggunaan software

SPSS untuk melakukan analisis statistika seperti yang telah dibahas pada bab-
bab sebelumnya. Karena dirasakan perlu, penulis juga menambahkan
penggunaan software MS Excel dalam melakukan beberapa perhitungan untuk
mengelompokkan data terutama jika data yang dihadapi sangat banyak
jumlahnya.
Penulis berharap buku ini bisa bermanfaat bagi pembaca terutama

mereka yang ingin mempelajar metode analisis statistika yang diperlukan sesuai
dengan keperluannya dalam melakukan penelitian. Penyempurnaan buku ini
akan dilaksanakan pada edisi berikutnya.
Makassar, Agustus 2017
ii
DAFTAR ISI
1. PENDAHULUAN (9 hal)
1.1. Pengertian dan Kegunaan Statistika
1.2. Data, Variabel dan Skala Pengukuran Data
1.3. Pengujian Hipotesis
1.4. Statistika Parametrik dan Statistika Nonparametrik
1.5. Pemberian Pangkat dalam Statistika Nonparametrik
2. PENYEBARAN DAN PEMUSATAN DATA (14 hal)

2.1. Pengantar
2.2. Pengelompokkan Data
2.3. Ukuran Penyebaran Data
2.3.1. Untuk data yang belum dikelompokkan
2.3.2. Untuk data yang sudah dikelompokkan
2.5. Soal Latihan
3. PERBANDINGAN DUA NILAI TENGAH POPULASI (10 hal)

3.1. Pengantar
3.2. Uji Sebuah Nilai Tengah
3.3. Uji Beda Dua Nilai Tengah
3.3.1. Uji Statistika Paramterik
3.3.2. Uji Statistika Nonparametrik
3.4. Soal latihan
4. PERBANDINGAN TIGA ATAU LEBIH NILAI TENGAH POPULASI (9 hal)

4.1. Pengantar
4.2. Uji dalam Statistik Parametrik (Analisis Ragam)
4.3. Uji dalam Statistika Nonparametrik
4.4. Soal Latihan
5. UJI BEBAS KHI-KUADRAT (7 hal)

5.1. Pengantar
5.2. Bentuk Umum Uji Bebas Khi-Kuadrat
5.3. Bentuk Khusus Uji Bebas Khi-Kuadrat
5.4. Soal Latihan
6. ANALISIS KORELASI (9 hal)

6.1. Pengantar
6.2. Koefisien Korelasi Pearson
6.3. Koefisien Korelasi Spearman
6.4. Koefisien Korelasi Tau-Kendall
6.5. Koefisien Korelasi Point-Biserial
6.6. Soal Latihan
7. ANALISIS REGRESI (17 hal)

7.1. Pengantar
7.2. Regresi Linear Sederhana
iii
7.3. Regresi Linear Berganda
7.4. Regresi Non-Linear
7.5. Penggnaan Variabel Dummy
7.6. Soal Latihan
8. PENGOLAHAN DATA DENGAN SPSS DAN MS EXCEL (26 hal)

8.1. Memasukkan dan Mengedit Data
8.2. Analisis Deskriptif
8.3. Analisis Regresi dan Korelasi
8.4. Uji Nilai Tengah dan Analisis Ragam (Statistika Parametrik)
8.5. Uji Nilai Tengah Statistika Nonparametrik
8.6. Uji Bebas Khi-Kuadrat dan Perhitungan Koefisien Kontingensi
8.7. Pengelompokkan Data dengan Menggunakan MS EXCEL
LAMPIRAN-LAMPIRAN: (17 hal)

1. Tabel Sebaran Normal Baku (Z)
2. Tabel Sebaran t
2
3. Tabel Sebaran χ
4. Tabel Sebaran F
5. Tabel Nilai Kritis Untuk Uji Jumlah Pangkat Wilcoxon
6. Tabel U untuk Uji Mann-Whitney
7. Tabel T untuk Uji Pangkat Bertanda Wilcoxon
2
8. Tabel Sebaran χ KW (Kruskal-Wallis)
9. Tabel untuk Uji Korelasi Spearman
10. Tabel untuk Uji Korelasi Tau-Kendall
iv
DAFTAR TABEL
1.1. Perbandingan Jenis Metode Statistika dalam

Statistika Parametrik dan Statistika Nonparametrik
2.1. Hasil Pengelompokan Data Luas Sawah 100 Petani
4.1. Tabel Analisis Ragam untuk Satu Faktor
5.1. Bentuk Umum Tabel 2x2 Uji Bebas Khi-Kuadrat
5.2. Tabel Nilai Harapan 2x2 Uji Bebas Khi-Kuadrat
6.1. Contoh Perhitungan Untuk menghitung Koefisien Korelasi
6.2. Data Kualitas dan Harga Barang
6.3. Jumlah pasangan negatif dan positif dari hi
v
DAFTAR GAMBAR
1.1. Diagram Daerah Penolakan H0 untuk Hipotesis Dua Arah

dan Satu Arah
2.1. Diagram Batang Luas Sawah 100 Petani
3.1. Skema Uji Dua Nilai Tengah
6.1. Hubungan antara X dan Y yang Searah atau Berlawanan Arah
6.2. Hubungan antara X dan Y yang Tidak Linear
7.1. Gambaran Regresi Linear Sederhana
7.2. Error dalam Regresi Linear Sederhana
7.3. Plotting data model Cobb-Douglas
7.4. Plotting data model kuadratik
8.1. Skema Pengelompokkan Data Kedalam 2 Kelompok
8.2. Skema Pengelompokkan Data Kedalam 3 Kelompok
vi
BAB 1
PENDAHULUAN
1.1. Pengertian dan Kegunaan Statistika
Statistik dapat berarti tiga hal. Pertama statistik bisa berarti kumpulan
data. Ada buku bernama ”Buku Statistik Indonesia” (Statistical Pocketbook of
Indonesia) yang isinya adalah data tentang Indonesia. Ada istilah statistik
kependudukan, statistik kecelakaan, dan seterusnya. Kedua, statistik bisa juga
berarti parameter, sebuah konstanta yang akan diduga nilainya. Nilai tengah
sebuah populasi, μ, koefisien regresi, β, dan parameter yang dibahas dalam
statistika adalah contoh-contohnya. Ketiga, statistik juga bisa berarti ilmu, yang
sering disebut dengan statistika.
Sebagai ilmu, statistika bisa diartikan sebagai ilmu yang mempelajari

metode untuk memperoleh informasi dari data yang dapat digunakan untuk
membuat keputusan (Keller, et al, 1990). Mulyono (1991) mengartikan statistika
sebagai ilmu yang mempelajari metode pengumpulan, penyajian, analisis dan
penggunaan data numerik untuk membuat kesimpulan dan keputusan dalam
keadaan ketidakpastian.
Oleh karena statistika berkaitan dengan pembuatan kesimpulan dari data,

maka sesuai dengan kegunaannya, statistika juga sering dibagi ke dalam
Statistika Deskriptif dan Statistika Inferensia atau Statistika Induktif. Statistika
Deskriptif membahas metode-metode untuk menjelaskan atau mendeskripsikan
data. Ketika kita mempunyai data yang sangat banyak, maka agar kita bisa
memperoleh informasi yang bermanfaat dari data tersebut kita harus
menyederhanakan atau meringkaskan data tersebut dengan cara
mengelompokkan data, menghitung persetansenya, rata-rata, ragam atau
simpangan baku. Dengan metode seperti ini, kita dapat menarik informasi
penting dari data yang kita miliki.
Statistika Inferensia atau Induktif membahas metode yang berkaitan

dengan pengambilan kesimpulan, pengujian hipotesis dan pembuatan
generalisasi hasil yang diperoleh dari hasil penarikan sampel yang diambil
secara acak (random). Teori dasar yang digunakan dalam Statistika Inferensia
atau Induktif adalah teori peluang (probability). Pendugaan parameter dan
pengujian hipotesis adalah topik utama dalam Statistika Inferensia.
1.2. Data, Variabel dan Skala Pengukuran Data
Data adalah kumpulan angka-angka yang dikumpulkan dari obyek atau

responden yang menjadi perhatian penelitian atau orang yang melakukan survei.
Misalkan kita melakukan penelitian tentang petani jagung di suatu desa. Maka
kita akan memperoleh sekumpulan angka yang berkaitan dengan petani jagung
tersebut seperti umur petaninya, jumlah tanggungan keluarganya,
pendidikannya, luas lahannya, pemakaian inputnya dalam berusahatani jagung,
produksi serta pendapatannya. Pembahasan mengenai statistika selalu
berkaitan dengan data.
Analisis Statistika utk Sosek Pertanian-Didi Rukmana 1- 1

Sebuah karakteristik, atribut atau nama dari data yang dikumpulkan dari
obyek atau responden disebut variabel. Umur petani adalah sebuah variabel.
Luas lahan petani adalah sebuah variabel. Di dalam statistika, sebuah variabel
sering dilambangkan dengan sebuah huruf besar seperti X atau Y, sedangkan
nilai dari variabel itu dilambangkan huruf kecil yang sesuai. Jika nama
variabelnya X, maka xi adalah data variabel X hasil pengamatan atau
pengukuran yang ke-i.
Salah satu pengelompokkan jenis data adalah membagi data ke dalam

data kualitatif dan data kuantitatif. Data kualitatif adalah data yang diukur dengan
bukan angka. Misalnya, variabel jenis kelamin terdiri dari laki-laki dan
perempuan, data ini disebut data kualitatif. Suku bangsa, warna kulit, jenis
varietas jagung yang ditanam, adalah jenis data kualitatif. Akan tetapi, jumlah
penduduk laki-laki atau jumlah petani bersuku Bugis misalnya, adalah data
kuantitatif.
Umur, jumlah tanggungan keluarga atau luas lahan petani adalah contoh
data kuantitatif karena dinyatakan dalam angka. Umur petani 30 tahun,
misalnya, dengan jumlah tanggungan keluarga 5 orang, dan luas lahannya 1,5
hektar. Data kuantitatif adalah jenis data yang bisa diolah dengan pengolah
matematika seperti ditambahkan, dikurangkan, dikalikan atau dibagi.
Pembagian jenis data menjadi kualitatif dan kuantitatif sebenarnya

berkaitan dengan skala pengukuran data, bagaimana data itu diukur.
Berdasarkan skala pengukuran datanya, data dibagi kedalam empat jenis data:
1. Data nominal. Data yang diukur dalam skala nominal adalah jenis data
yang diukur menurut kategori. Misalnya suku bangsa, warna rambut,
adalah contoh data yang diukur secara nominal. Data yang diukur secara
nominal termasuk data kualitatif;
2. Data ordinal. Data yang diukur dalam skala ordinal seperti data nominal
hanya mempunyai urutan (order). Contoh kepintaran seorang mahasiswa
yang dibagi menjadi pintar, sedang, dan kurang pintar adalah data
ordinal. Petani dibedakan menjadi petani miskin, sedang, dan kaya
adalah contoh data ordinal. Data yang diukur secara ordinal termasuk
data kualitatif;
3. Data interval. Data interval adalah data ordinal yang diukur dalam angka
dan perbedaan antara dua angka bersifat konsisten. Misalnya suhu yang
diukur dalam skala Celcius. Data suhu diukur dalam skala interval karena
kenaikan suhu 3 dejarat dari 10 menjadi 13 derajat, sama saja artinya
(panasnya) dengan kenaikan dari 25 menjadi 28 derajat. Data yang
diukur dalam skala interval termasuk data kuantitatif;
4. Data ratio. Data yang diukur dalam skala ratio sama dengan data yang
diukur dalam skala interval. Perbedaannya, dalam data ratio terdapat apa
yang disebut nol mutlak, sedangkan dalam skala interval tidak ada nol
mutlak. Misalnya, suhu tidak mempunyai nilai nol mutlak karena 0 o dalam
Celsius sama dengan 32 o dalam Fahrenheit. Berat badan, produksi
jagung per hektar, pendapatan petani, diukur dalam skala ratio karena
semua variabel ini mempunyai apa yang disebut nol mutlak. Data yang
diukur dalam skala ratio termasuk data kuantitatif.

Dalam melakukan pengolahan data, terutama ketika menggunakan
komputer, seringkali kita memberikan kode angka untuk data nominal maupun
ordinal. Misalnya, laki-laki diberi kode satu (1) sedangkan perempuan diberi
kode nol (0). Perhatikan bahwa meskipun data nominal atau ordinal diberi kode
angka, data ini bukan data kuantitatif sehingga perhitungan matematika atau
analisis statistika untuk data kuantitatif tidak dapat dilakukan. Sebaliknya, data
kuantitatif seperti umur petani sering dikelompokkan menjadi tua dan muda yang
termasuk data ordinal. Demikian juga petani bisa dikelompokkan menjadi petani
miskin, sedang dan kaya berdasarkan data luas lahan yang dimilikinya.
Seringkali perbedaan antara apakah sebuah variabel diukur dalam skala

ordinal atau skala interval/ratio sukar dibedakan dengan tepat. Contohnya
adalah nilai mahasiswa. Dalam memberikan nilai, dosen menggunakan skala
angka dari 0 sampai 100, sehingga nilai mahasiswa sering dianggap diukur
dalam skala ratio (ada nol mutlak untuk mahasiswa yang sama sekali tidak bisa
memberi jawaban benar). Tetapi bayangkan, nilai ini didasarkan pada jawaban
pertanyaan essay yang diujikan. Pertanyaannya adalah apakah beda 5 antara
nilai 25 dan 30 sama artinya dengan beda antara 75 dan 80? Contoh lain adalah
tingkat adopsi teknologi petani yang diberi nilai 0 sampai 100 (bisa juga nol
sampai 10) yang dihitung dari nilai jawaban berbagai pertanyaan yang diajukan
kepada petani. Kedua contoh tadi menunjukkan cara pemberian nilai
berdasarkan skor yang diperoleh. Skala pengukuran seperti ini sebenarnya
termasuk dalam skala ordinal.
1.3. Pengujian Hipotesis

Pengujian hipotesis merupakan topik penting dalam Statistika Inferensia.
Dalam metode penelitian, hipotesis diartikan sebagai jawaban sementara atau
kesimpulan sementara yang akan diuji dengan data yang diperoleh. Ketika
sebuah varietas tanaman baru diperkenalkan kepada petani, pertanyaannya
adalah apakah varietas baru ini mempunyai produktivitas yang lebih tinggi
daripada varietas lama. Untuk menguji hipotesis tadi, kita harus mengumpulkan
data produtivitas tanaman varietas lama maupun baru, kemudian dengan
menggunakan data ini kita bisa melakukan pengujian hipotesis untuk menjawab
pertanyaan tadi dengan cara menolak atau menerima hipotesis yang diajukan.
Dalam statistika, kita menggunakan dua buah hipotesis, hipotesis nol (H0)
dan hipotesis alternatifnya yang sering juga disebut hipotesis satu (H 1). Dari
contoh soal varietas tanaman tadi, hipotesis nol adalah pernyataan bahwa kedua
varietas tanaman tadi mempunyai produktivitas yang sama atau tidak berbeda.
Hipotesis alternatifnya, kedua varietas tanaman tadi mempunyai produktivitas
tidak sama atau berbeda. Dalam notasi statistika, kedua hipotesis ini ditulis
sebagai:
Ho: μa= μb
H1: μa≠ μb
Untuk menguji hipotesis ini, pertama-tama kita harus menghitung sebuah

statistik yang sesuai, dalam contoh ini statistik dimaksud adalah nilai t dengan
menggunakan rumus tertentu (selanjutnya lihat bab tentang pengujian beda dua
nilai tengah). Kemudian nilai t hasil perhitungan ini (selanjutnya akan disebut
dengan t-hitung) akan dibandingkan dengan nilai t yang berasal dari tabel
(selanjutnya akan disebut sebagai t-tabel) dengan menggunakan taraf nyata (α)

yang diinginkan dan derajat bebas yang sesuai. H0 diterima atau ditolak jika
memenuhi kriteria tertentu, dalam contoh ini H0 akan ditolak jika nilai mutlak t-
hitung lebih besar daripada t-tabel.
Taraf nyata (α) merupakan kesalahan jenis pertama (kesalahan jenis kedua
disebut β) yang bisa dipilih oleh peneliti yang menunjukkan tingkat kesalahan
yang diterima dalam pembuatan keputusan (menerima atau menolak H 0).
Semakin kecil α, semakin kecil kemungkinan (peluang) membuat salah
dalammengambil keputusan, dalam hal ini menolak H0 padahal H0 benar. Nilai t-
tabel ini merupakan titik kritis yang menjadi batas untuk membuat kriteria apakah
H0 diterima atau ditolak. Nilai t-tabel akan bergantung pada nilai α yang dipilih.
Untuk bisa lebih memahami soal taraf nyata dan prinsip menolak dan menerima
H0, perhatikan contoh berikut ini.
Misalkan kita bermain-main dengan seorang teman. Teman itu akan

menyebutkan tinggi badan seseorang, kemudian anda diminta untuk
‘menyimpulkan’ apakah orang itu orang Indonesia atau orang barat (Eropa atau
Amerika Utara). Sebutlah misalnya tinggi badan orang tersebut 187 cm. Jika
tinggi badannya 187 cm kita akan cenderung ‘memutuskan’ (membuat
kesimpulan) bahwa orang itu orang barat, sedangkan jika tinggi badan orang itu
160 cm kita akan cenderung menyimpulkan orang itu adalah orang Indonesia.
Mengapa demikian?
Dalam membuat keputusan/kesimpulan, kita akan mencari informasi

penting yang diperlukan untuk mendukung kesimpulan yang akan dibuat. Dalam
contoh ini, karena kita orang Indonesia, kita akan mempunyai pengetahuan yang
cukup tentang sebaran tinggi badan orang Indonesia. Misalnya, kita tahu bahwa
rata-rata tinggi badan orang Indonesia adalah 165 cm dan sangat sedikit orang
Indonesia yang mempunyai tinggi badan lebih dari 180 cm. Maka, ketika kita
diberi data tinggi badan seseorang 187 cm kita akan cenderung untuk
menyimpulkan bahwa orang itu orang barat. Ini karena kita mempertimbangkan
berapa besar kemungkinan (peluang) membuat kesalahan dalam membuat
kesimpulan. Secara intuitif kita tahu bahwa kesimpulan bahwa orang itu orang
barat mempunyai peluang salah yang lebih kecil daripada membuat kesimpulan
bahwa orang itu orang Indonesia.
Secara lebih formal, apabila kita tahu bahwa hanya 10% orang Indonesia
yang memiliki tinggi badan di atas 185 cm, maka kita bisa menggunakan angka
185 cm ini sebagai titik kritis untuk menerima atau menolak hipotesis bahwa
orang itu adalah orang Indonesia. Dalam contoh ini, kita bisa membuat kriteria
jika tinggi badan seseorang lebih dari 185 cm kita akan simpulkan bahwa orang
itu bukan orang Indonesia (H0 ditolak) sedangkan jika sama atau kurang dari
185 cm kita akan simpulkan bahwa orang itu adalah orang Indonesia (H 0
diterima). Tentu saja kita bisa salah menyimpulkan. Bisa saja orang itu adalah
orang Indonesia meskipun tinggi badannya lebih dari 185 cm. Kesalahan
menolak H0 (menyimpulkan bukan orang Indonesia) padahal H 0 benar (ternyata
dia orang Indonesia) dalam contoh ini adalah 10% (0,10) karena kita sudah tahu
bahwa ada 10% orang Indonesia yang mempunyai tinggi lebih dari 185 cm.
Kita bisa menurunkan kesalahan jenis pertama ini (α) dengan mengubah
titik kritis batas untuk menerima atau menolak H 0. Misalkan ada data yang
menyebutkan bahwa hanya 1% orang Indonesia yang mempunyai tinggi badan di
atas 190 cm. Jika kita menggunakan titik kritis 190 cm untuk menerima atau

menolak bahwa orang itu adalah orang Indonesia, kesalahan kita dalam
membuat kesimpulan (menolak H0 padalah H0 benar) menjadi 1% saja. Tentu
saja, ketika kita menurunkan kesalahan jenis pertama (α) secara otomatis kita
juga meningkatkan kesalahan jenis kedua (β): menerima H 0 padahal H0 salah.
Jika kita menggunakan titik kritis 190 cm, maka semua orang yang tinggi
badannya kurang dari 190 cm akan disimpulkan bahwa orang itu adalah orang
Indonesia, padahal banyak juga orang Barat yang tingginya kurang dari 190 cm.
Akan tetapi, dalam uji hipotesis kita lebih fokus pada α daripada β karena
sebaran dari hipotesis tandingan tidak diketahui atau tidak spesifik.
Hal penting lain dalam pengujian hipotesis adalah apakah pengujian

hipotesisnya bersifat dua arah (dua ekor, two-tailed) atau satu arah (satu ekor,
one-tailed). Untuk membedakannya, kita perhatikan H 1-nya. Contoh H0 dan H1
yang diberikan sebelumnya adalah uji dua arah karena H1: μa≠ μb. Uji yang
bersifat satu arahnya bisa H1: μa > μb atau H1: μa < μb. Perbedaan prinsip dari uji
dua arah dan satu arah terletak pada dimana daerah kritisnya serta batas titik
kritis untuk menerima dan menolak H0-nya. Perhatikan gambar berikut 1.1 ini:
α/2 α/2
Daerah terima Ho
-tα/2 0 tα/2
t
(a)
α
Daerah terima Ho
0 tα
t
(b)
α
Daerah terima Ho
-tα 0
t
(c)
Gambar 1.1. Diagram Daerah Penolakan H0 untuk Hipotesis Dua

Arah dan Satu Arah
Gambar (a) adalah skema untuk uji dua arah, sedang Gambar (b) dan (c)
untuk uji satu arah. Perhatikan bahwa untuk uji dua arah, daerah kritis (daerah
untuk menolak H0) berada di ujung sebelah kiri (t < -tα/2) dan di sebelah kanan (t
> tα/2), sedangkan untuk uji satu arah daerah kritis berada di salah satu ujung
saja tergantung pada H1-nya. Jika H1: μa > μb maka daerah kritis berada di
sebelah kanan (Gambar b), sebaliknya jika H 1: μa < μb maka daerah kritis berada
di sebelah kiri (Gambar c).

Perhatikan pula bahwa dalam menentukan nilai t-tabel, taraf nyata (α)
dibagi dua pada uji dua arah dan tidak dibagi dua pada uji satu arah. Dengan
demikian, nilai tα/2 lebih besar (di sebelah kanan) daripada t α, dan nilai -tα/2 lebih
kecil (di sebelah kiri) daripada -tα.
1.4. Statistika Parametrik dan Statistika Nonparametrik
Pada awalnya Ilmu Statistika berkembang pada bidang eksakta dimana

data dikumpulkan dari hasil pengamatan atau pengukuran di lapangan dan di
diukur dalam skala interval atau ratio. Data dari lapangan untuk bidang eksakta
juga umumnya menyebar secara normal. Kemudian, penerapan analisis
statistika juga mulai digunakan dalam bidang sosial dimana data umumnya
diukur dalam skala ordinal/skor atau nominal. Sebaran data seperti ini umumnya
tidak menyebar normal atau bahkan sebarannya tidak diketahui. Metode
statistika yang dikembangkan dalam bidang Ilmu Eksakta – kemudian dikenal
sebagai Statistika Parametrik—dianggap kurang sesuai untuk diterapkan pada
bidang Ilmu Sosial sehingga kemudian dikembangkan metode analisis yang
spesifik untuk bidang sosial. Metode statistika ini diberi nama Statistika
Nonparametrik. Ada juga yang menyebutkan bahwa Statistika Nonparametrik
adalah statistika ‘bebas sebaran’.
Corder dan Foreman (2009) misalnya menyebutkan bahwa Statistika

Parametrik didasarkan pada beberapa asumsi sebagai berikut:
a. Data diambil secara acak (random) dari populasi yang menyebar normal;
b. Terdiri dari data yang independen, kecuali data berpasangan;
c. Data diukur menurut skala interval atau ratio;
d. Ragam populasi hampir sama;
e. Data cukup besar, dan
f. Data menyebar secara normal (atau mendekati normal).
Jika salah satu asumsi tersebut tidak terpenuhi, maka gunakanlah Statistika
Nonparametrik.
Tabel 1.1. berikut ini menyajikan ringkasan metode yang digunakan

dalam Statistika Parametrik dan padanan metodenya dalam Statistika
Nonparametrik.
Pembahasan metode statistika dalam buku ini tidak mengikuti pembagian

menurut Statistika Parametrik dan Statistika Nonparametrik melainkan
berdasarkan pengelompokkan jenis analisis yang dilakukan. Dengan demikian,
metode analisis yang dibahas pada tiap bab mencakup metode untuk Statisika
Parametrik maupun Statistika Nonparametrik kecuali pada bab-bab tertentu. Bab
2 yang membahas pengelompokkan, ukuran pemusatan dan ukuran penyebaran
data membahas data yang diukur secara interval atau ratio sehingga topik ini
termasuk Statistika Parametrik. Demikian juga halnya Bab 7 mengenai analisis
regresi yang termasuk Statistika Parametrik. Uji Bebas Khi-kuadrat yang dibahas
dalam Bab 5 sebenarnya dikembangkan untuk data yang diukur secara nominal
atau ordinal sehingga masuk metode ini masuk kategori Statistika
Nonparametrik. Akan tetapi dalam penggunaannya, Uji Bebas Khi-kuadrat sering
juga digunakan untuk data yang diukur dalam skala interval atau ratio yang telah
dikelompokkan ke dalam data ordinal.

Tabel 1.1. Perbandingan Jenis Metode Statistika dalam Statistika
Parametrik dan Statistika Nonparametrik
Jenis Analisis Statistika Parametrik Statistika Nonparametrik
Membandingkan dua sampel Uji-t untuk sampel berkaitan Uji pangkat bertanda
yang berkaitan Wilcoxon
Membandingkan dua sampel Uji-t untuk sampel tak Uji Mann-Whitney
yang tak berkaitan (bebas) berkaitan (bebas)
Membanding tiga atau lebih Analisis ragam Uji Friedman
sampel yang berkaitan
Membanding tiga atau lebih Analisis ragam Uji Kruskal-Wallis
sampel yang tak berkaitan
Membandingkan data Tidak ada Uji bebas Khi-Kuadrat (χ2)
kategori (skala nominal/
ordinal)
Mengukur keeratan Koefisien korelasi Pearson  Koefisien korelasi
hubungan dua variabel Spearman
 Koefisien korelasi Point-
biserial
 Koefisien korelasi biserial
Sumber: Corder dan Foreman, 2009
1.5. Pemberian Pangkat dalam Statistika Nonparametrik
Dalam Statistika Parametrik, analisis dilakukan dengan menggunakan data

asli hasil pengukuran. Sebaliknya dalam Statistika Nonparametrik, analisis yang
dilakukan bukan menggunakan data asli hasil pengukuran melainkan pangkat
(rank) yang diberikan terhadap data hasil pengukuran. Dengan demikian, dalam
sub-bab ini akan dibahas teknik pemberian pangkat yang umumnya dilakukan
dalam Statistika Nonparametrik.
Misalnya kita mengukur kualitas 10 merek barang sejenis atau sama

kegunaannya. Lalu setiap merek barang tersebut diukur kualitasnya –dengan
cara apapun mengukurnya- dan diberi skor antara 1 – 10 dimana 1 adalah merek
dengan kualitas terjelek dan 10 adalah merek dengan kualitas terbaik. Hal yang
sama sebenarnya dilakukan juga ketika seorang peneliti ingin mengukur tingkat
adopsi teknologi dari petani kakao. Tingkat adopsi teknologi seorang petani
diperoleh dari nilai skor yang diberikan berdasarkan jawaban-jawaban yang
diberikan petani terhadap pertanyaan tentang hal-hal yang berkaitan dengan
teknologi dalam budidaya dan pascapanen kakao yang diterapkan petani. Setiap
jawaban diberi nilai/skor tertentu dan nilai skor dari setiap pertanyaan akhir
dijumlahkan untuk memperoleh skor tingkat adopsi teknologi. Misalnya, skor
terendah adalah nol dan skor tertinggi adalah 100.
Kembali ke contoh mengukur kualitas 10 merek barang sejenis. Misalkan

kita memperoleh data sebagai berikut:
Merek A B C D E F G H I J
Skor kualitas 8 4 6 5 7 7 6 4 6 4
Untuk memberikan pangkat pada skor hasil pengukuran kualitas, kita harus
mengurutkan skor kualitas dari yang terkecil ke terbesar, sehingga kita akan
memperoleh nomor urut sebagai berikut.

Nomor urut 1 2 3 4 5 6 7 8 9 10
Skor kualitas 4 4 4 5 6 6 6 7 7 8
Merek B H J D C G I E F A
Perhatikan bahwa ada beberapa merek yang mempunyai skor kualitas sama.
Aturan umum pemberian pangkat adalah pangkat sama dengan nomor urut
kecuali untuk yang memiliki skor sama. Untuk skor yang sama, maka
pangkat sama dengan jumlah nomor urut dibagi banyaknya yang mempunyai
skor sama.
Misalnya merek B, H dan J sama-sama memiliki skor 4 dengan nomor urut

1, 2 dan 3. Dengan demikian untuk skor 4, pangkatnya adalah (1+2+3)/3 atau
sama dengan 2. Skor 6 mempunyai pangkat (5+6+7)/3 atau sama dengan 6.
Skor 7 mempunyai pangkat (8+9)/2 atau 8,5. Sedangkat skor 5 dan 8 sesuai
dengan nomor urutnya karena masing-masing hanya ada satu nilai. Dengan
demikian, sekirang kita mempunyai tabel sebagai berikut.
Nomor urut 1 2 3 4 5 6 7 8 9 10
Skor kualitas 4 4 4 5 6 6 6 7 7 8
Merek B H J D C G I E F A
Pangkat 2 2 2 4 6 6 6 8,5 8,5 10
Dalam analisis Statistika Nonparametrik data pangkat inilah yang

selanjutnya akan digunakan dalam analisis data.
Indeks (Daftar Istilah Penting):
 Parameter
 Nilai tengah
 Koefisien regresi
 Statistika deskriptif
 Statistika Inferensia
 Statistika Induktif
 Acak (random)
 Peluang (probability)
 Data
 Variabel
 Skala pengukuran data
 Data kualitatif
 Data kuantitatif
 Data/skala nominal
 Data/skala ordinal
 Data/skala interval
 Data/skala ratio
 Data skor
 Hipotesis
 Pengujian hipotesis

 Hipotesis nol (H0)
 Hipotesis satu (H1)
 Hipotesis tandingan
 t-hitung
 t-tabel
 taraf nyata (α)
 Kesalahan jenis pertama (α)
 Kesalahan jenis kedua (β)
 Uji dua arah (Two-tailed test)
 Uji satu arah (One-tailed test)
 Daerah terima/tolak H0
 Statistika parametrik
 Statistika Nonparametrik
 Pangkat (rank)
--end—

BAB 2
PENYEBARAN DAN PEMUSATAN DATA
2.1. Pengantar
Pada suatu acara pelatihan Statistika, saya ditanya oleh salah seorang
peserta. Dia mengatakan mempunyai data belanja modal dari semua instansi
pemerintah dalam satu provinsi. Datanya terdiri dari berbagai data tentang asal
sumber dana, pagu dana, besar pencairannya setiap bulan, tingkat
penggunaannya, dan seterusnya. Dia bertanya analisis statistika apa yang
cocok untuk digunakan?
Saya menjelaskan dengan kembali bertanya kepada yang bersangkutan:

apa yang ingin diketahui dari data itu? Hubungan antara variabel apa yang ingin
diukur? Hipotesis apa yang ingin diuji? Pendugaan atau peramalan apa yang
ingin dilakukan? Intinya, informasi apa yang ingin diketahui dari data yang
dipunyai itu. Sebenarnya, bahkan sebelum kita mengumpulkan data, kita harus
terlebih dahulu mengetahui tujuan dari pengumpulan data yang kita lakukan agar
kita dengan tepat mengumpulkan data yang diperlukan saja. Selanjutnya memilih
teknik analisis data yang tepat untuk mencapai tujuan tadi.
Kebingungan sering dihadapi oleh seseorang ketika menghadapi data,

apalagi data dalam jumlah yang banyak. Salah satu langkah yang paling
sederhana dan akan bermanfaat untuk analisis-analisis statistika tingkat lanjut
adalah dengan mengetahui karakteristik atau sifat-sifat dari data yang kita miliki.
Dua sifat data yang harus diketahui adalah dimana data itu memusat dan
bagaimana data itu menyebar.
Bab ini akan membahas bagaimana kita menyederhanakan data,

terutama kita mempunyai data dalam jumlah banyak, dengan cara
mengelompokkan data dalam kelompok yang lebih kecil sehingga kita dapat
melihat pola penyebarannya, menghitung tingkat penyeberan datanya dan
dimana data itu memusat. Selanjutnya kita akan membahas ukuran pemusatan
dan penyebaran data seperti rata-rata dan ragam, yang akan digunakan dalam
analisis statistika tingkat selanjutnya.
2.2. Pengelompokkan Data
Misalkan kita mempunyai data luas sawah yang dimiliki oleh 100 orang
petani. Jika kita memandang keseratus data tadi, kita tidak akan mempunyai
informasi penting yang dapat ditarik dari data tersebut. Salah satu langkah yang
dapat dilakukan adalah dengan menyederhanakan data tersebut kedalam
beberapa kelompok, misalnya ke dalam tujuh kelompok. Kemudian, dengan
menggambarkan data yang sudah dikelompokkan ke dalam diagram batang (bar
chart), kita bisa mulai menarik beberapa informasi penting. Misalnya, bagaimana
data itu menyebar? Pada luas berapa umumnya petani petani memiliki sawah?
Apakah jumlah petani semakin sedikit ketika luas sawah semakin meningkat, dan
seterusnya.
Analisis Statistika utk Sosek Pertanian-Didi Rukmana 2-1

Sebelum kita mulai dengan contoh melakukan pengelompokkan data, kita
akan mulai terlebih dahulu dengan menjelaskan beberapa istilah yang akan akan
digunakan.
a. Banyaknya kelas, dilambangkan dengan k. Banyaknya kelas adalah
banyak kelompok yang dibuat. Banyaknya kelas yang dapat dibuat bisa
ditetapkan secara subyektif berdasarkan keinginan pengolah data tapi
dianjurkan tidak terlalu besar sehingga kita tetap belum bisa menarik
informasi penting dari data itu, tetapi juga jangan terlalu kecil sehingga
kita kehilangan informasi penting dari data itu. Banyaknya kelas
dianjurkan ganjil, atau mengikuti kaedah Sturges yakni, k = 9 jika
banyaknya data (n) kurang dari 250, dan k = 1 + 3,3log(n), jika banyaknya
data lebih dari 250.
b. Interval atau selang kelas yang dilambangkan dengan i. Interval kelas

adalah beda atau selisih antara batas bawah (atau atas) satu kelas
dengan batas bawah (atau atas) kelas berikutnya. Dalam analisis
satistika, interval kelas dianjurkan sama untuk setiap kelas.
c. Batas kelas adalah nilai kelas yang membatasi sebuah data untuk masuk
ke dalam kelas tersebut atau tidak. Batas kelas terdiri dari batas bawah
dan batas atas kelas. Batas atas sebuah kelas tidak boleh sama dengan
batas bawah kelas berikutnya agar sebuah data tidak bisa masuk ke
dalam dua kelas yang berbeda. Banyak digit angkat yang digunakan
dalam batas kelas harus sama dengan banyak digit angka data aslinya.
d. Tepi kelas adalah angka hasil pengukuran sebenarnya dari batas kelas.
Tepi kelas diperoleh dengan menurunkan batas bawah kelas setengah
dari digit berikutnya dan menaikan batas atas kelas setengah dari digit
berikutnya. Tepi kelas digunakan untuk menghitung interval dan titik
tengah kelas agar tidak terjadi kesalahan.
e. Titik tengah kelas adalah nilai tengah dari sebuah kelas.
Istilah-istilah yang telah dijelaskan di atas akan menjadi lebih jelas dengan
melihat contoh pengelompokkan data berikut ini.
Contoh pengelompokkan data

Kembali, misalkan kita mempunyai data luas sawah yang dimiliki 100
orang petani dari hasil wawancara seperti ditampilkan berikut ini.
0,30 0,90 1,00 1,50 2,10 2,30 2,75 0,35 0,85 1,25
1,60 2,20 2,35 2,80 0,50 0,75 1,30 1,55 1,90 2,55
3,00 0,45 1,00 1,40 1,70 2,00 2,60 2,95 0,60 0,80
1,10 1,80 1,85 2,30 0,70 1,35 1,75 1,90 2,45 1,40
1,20 1,25 1,65 1,95 2,60 1,35 1,25 1,20 1,15 1,30
0,90 1,40 1,55 2,00 2,50 1,15 1,55 1,60 1,25 1,75
0,95 1,35 1,70 2,20 2,55 0,80 1,20 1,60 2,10 2,30
0,75 1,25 1,65 1,90 2,60 1,80 1,65 1,70 1,55 1,50
1,40 1,40 1,30 1,35 1,20 1,25 1,40 1,30 1,40 0,70
1,95 2,15 2,10 1,50 1,60 1,55 1,80 0,70 0,80 0,85

Misalkan kita ingin membagi data ini ke dalam 7 kelas, maka pertama-
tama kita harus tahu terlebih dahulu nilai minimum dan maksimum dari data tadi.
Dari data diketahui bahwa nilai minimumnya adalah 0,30 dan nilai maksimumnya
adalah 3,00.
Kita bisa mulai dengan menentukan batas bawah kelas pertama. Batas
bawah kelas pertama bisa dibuat sama dengan nilai minimum data (0,30) atau
angka yang lebih kecil daripada angka minimum data. Misalkan, kita akan
menggunakan batas bawah kelas pertama sama dengan 0,25.
Selanjutnya menentukan interval kelas (i). Perkiraan besar interval kelas

dapat dilakukan dengan menghitung selisih angka maksimum dan minimum
dibagi dengan banyaknya kelas yang diinginkan. Dengan demikian :
3,00  0,30
i 
7
i  0,39
Perhatikan bahwa nilai 0,39 bisa disebut ‘kurang enak’ dan mengingat kita sudah
menurunkan batas bawah kelas pertama maka nilai interval ini kita bisa bulatkan
ke atas menjadi 0,40.
Untuk mengecek apakah pembuatan kelas yang kita lakukan sudah baik,
kita bisa cek bahwa semua data yang kita miliki bisa masuk ke dalam tujuh kelas
yang kita buat. Cara cepatnya adalah dengan memeriksa apakah batas atas
kelas terakhir (ke-7) lebih besar daripada nilai maksimum data. Jika, ya berarti
pembuatan batas kelas kita sudah bagus.
Selanjutnya kita memasukkan semua data yang dimiliki ke dalam kelas-

kelas yang telah dibuat, dan akhirnya kita akan memperoleh Tabel 2.1. berikut
ini.
Tabel 2.1. Hasil Pengelompokan Data Luas Sawah 100 Petani

TITIK
BATAS FREKUENSI
KELAS TEPI KELAS TENGAH FREKUENSI
KELAS KUMULATIF
KELAS
1 0,25 - 0,64 0,245 - 0,645 0,445 5 5
2 0,65 - 1,04 0,645 -1,045 0,845 15 20
3 1,05 - 1,44 1,045 - 1,445 1,245 28 48
4 1,45 - 1,84 1,445 - 1,845 1,645 23 71
5 1,85 - 2,24 1,845 - 2,245 2,045 14 85
6 2,25 - 2,64 2,245 - 2,645 2,445 11 96
7 2,65 - 3,04 2,645 - 3,045 2,845 4 100
Perhatikan batas bawah kelas ke-2 sama dengan batas bawah kelas-1
ditambah interval kelas (0,40). Demikian juga ke-3 sama dengan batas bawah
kelas-2 ditambah interval kelas, dan seterusnya. Sedangkan batas atas setiap
kelas sama dengan batas bawah kelas berikutnya dikurangi 0,01 (satu unit digit
terakhir dari batas kelas).

Batas bawah setiap tepi kelas sama dengan batas bawah kelas dikurangi
setengah unit digit terakhir dari batas kelas, sedangkan batas atas setiap tepi
kelas sama dengan batas atas kelas ditambah setengah unit digit terakhir dari
batas kelas. Perhatikan kelas ke-1: batas bawah tepi kelas sama dengan 0,25 –
(0,5)(0,01) = 0,245, dan batas atas tepi kelas 0,25 + (0,5)(0,01) = 0,645.
Perhatikan pula batas atas tepi kelas pertama sama dengan batas bawah tepi
kelas kedua, dan seterusnya.
Titik tengah kelas pertama dihitung dengan menambahkan batas bawah

dan batas atas tepi kelas dibagi 2. Atau (0,245+0,645)/2 = 0,445. Titik tengah
kelas kedua sama dengan titik tengah kelas pertama ditambah interval kelas,
atau 0,445 + 0,4 = 0,845, dan seterusnya.
Frekuensi setiap kelas sama dengan jumlah data yang masuk ke dalam
kelas tersebut, dan frekuensi kumulatif sama dengan jumlah frekuensi kelas
sebelumnya sampai ke kelas tersebut. Perhatikan bahwa frekuensi kumulatif
kelas ke-7 sama dengan jumlah data atau 100.
Dari Tabel 2.1. kita sudah bisa menarik bebrapa informasi penting,
misalnya mayoritas petani mempunyai luas sawah diantara 1,05 – 1,44 hektar.
Jumlah terbanyak berikutnya memiliki luas sawah diantara 1,45 -1,84 hektar.
Semakin tinggi kelas luas sawah, semakin sedikit jumlah petani.
Gambaran sebaran pemilikan luas swah petani dapat dengan mudah jika
digambarkan dalam grafik histogram frekuensi dengan menggunakan diagram
batang (balok) atau diagram garis seperti digambarkan dalam Gambar 2.1.
30
Frekuensi
25
20
15
10
0
1 2 3 4 5 6 7
Kelas
Gambar 2.1. Diagram Batang Luas Sawah 100 Petani
2.3. Ukuran Pemusatan Data
Ukuran pemusatan data adalah ukuran atau statistik yang digunakan

untuk mengukur dimana data mengumpul atau memusat. Terdapat beberapa

ukuran yang digunakan untuk mengukur pemusatan data, dan yang akan
dibahas di sini adalah modus, median dan rata-rata. Pembahasan akan dimulai
untuk data yang belum dikelompokkan, selanjutnya untuk data yang sudah
dikelompokkan.
Misalkan kita mempunyai data luas sawah yang dimiliki 10 orang petani
seperti berikut ini:
2,10 0,90 1,00 1,50 2,10 2,30 2,75 0,35 0,85 1,25
a. Modus
Modus adalah nilai/angka yang paling sering muncul. Dari contoh data di
atas modus = 2,10 karena angka ini muncul dua kali, sedangkan angka lain
hanya muncul satu kali. Karena definisinya seperti ini, modus bisa tidak unik
(lebih dari satu).
b. Median
Median adalah nilai yang berada di tengah-tengah. Artinya, setengah dari
data berada di bawah atau di atas nilai tersebut. Untuk menghitung median,
data harus diurutkan terlebih dahulu dari yang terkecil ke yang terbesar. Jika
banyaknya data (n) genap, median dihitung dengan rumus:
xn / 2  x( n / 2 )1
Median 
2
Sedangkan jika n ganjil, median dihitung dengan rumus:
Median  x( n1) / 2
dimana xi adalah nilai x (angka) yang ke-i.
Setelah diurutkan dari terkecil ke terbesar, data di atas menjadi:
0,35 0,85 0,90 1,00 1,25 1,50 2,10 2,10 2,30 2,75
Oleh karena n = 10, maka median berada diantara data ke-5 dan ke-6, atau
(1,25+1,50)/2 = 1,375.
c. Rata-rata
Rata-rata dilambangkan dengan x dan dihitung dengan rumus:
n
x  (  xi ) / n
i 1
Dimana xi adalah data ke-i dan n adalah banyaknya data.

Dari data di atas diperoleh:
x  15,10 / 10
x  1,51
Perhatikan bahwa rata-rata adalah ukuran pemusatan yang selalu digunakan
pada analisis-analisis statistika tingkat lanjut.
Untuk memberi contoh menghitung ukuran pemusatan data yang sudah

dikelompokkan, kita akan menggunakan data yang sudah disusun seperti dalam
Tabel 2.1.
a. Modus
Untuk mengitung modus untuk data yang sudah dikelompokkan, pertama-

tama kita harus mencari kelas modus, yaitu kelas dengan frekuensi tertinggi.
Kemudian, modus dihitung dengan rumus:
d1
Mo  Lmo  ( )(i )
d1  d 2
Dimana Lmo batas bawah tepi kelas modus, d 1 selisih frekuensi kelas di
bawah kelas modus dengan frekuensi kelas modus, dan d 2 selisih frekuensi
kelas di atas kelas modus dengan frekuensi kelas modus.
Dari Tabel 2.1 dapat dilihat bahwa kelas modus adalah kelas ke 3 dengan
batas bawah tepi kelas 1,045. Frekuensi kelas modus 28, Frekuensi kelas di
bawah kelas modus 15, dan frekuensi kelas di bawah kelas modus 23.
Dengan demikian, d1 = (28-15)=13 dan d2 = (28-23)=5. Sehingga:
13
Mo  1,045  ( )(0,4)
13  5
Mo  1,334
b. Median
Untuk menghitung median, kita juga harus menentukan kelas median

terlebih dahulu. Kelas median adalah kelas dimana 50% dari data secara
kumulatif sudah termasuk ke dalam kelas tersebut. Dari Tabel 2.1. kelas
median adalah kelas ke-4 (frekuensi kumulatif kelas ke-3 baru 48 atau masih
kurang dari 50). Selanjutnya, median dihitung dengan rumus:
n / 2  fk ( km 1)
Md  Lkm  ( )(i )
f km

Dimana
Lkm = Batas bawah tepi kelas median
n = banyaknya data (total frekuensi)
fk(km-1) = frekuensi kumulatif sampai sebelum kelas median
i = interval kelas
fkm= frekuensi kelas median
Dari data diketahui kelas median adalah kelas ke-4, sehingga Lkm = 1,445,
fk(km-1) = 48, dan f km= 23. Dengan demikian, median sama dengan:
50  48
Md  1,445  ( )(0,4)
23
Md  1,480
c. Rata-rata
Rata-rata untuk data yang telah dikelompokkan sama dengan

rata-rata terbobot atau tertimbang dengan xi adalah titik tengah kelas dan
pembobotnya adalah frekuensi kelasnya. Dengan demikian, rata-rata untuk
data yang sudah dikelompokkan dihitung dengan rumus:
k k
x  (  xi f i ) /(  f i )
i 1 i 1
Dimana:
xi = titik tengah kelas ke-i
fi = frekuensi kelas ke-i
Dari data yang disajikan dalam Tabel 2.1 kita peroleh:
x  154,5 / 100
x  1,545
Secara visual, penyebaran data dapat dilihat dari tabel hasil

pengelompokkan data dan gambar diagram batang seperti yang sudah dibahas
dalam sub-bab 2.2. Dalam sub-bab ini akan dibahas ukuran-ukuran untuk
menghitung penyebaran data baik untuk data yang belum dikelompokkan
maupun yang sudah dikelompokkan.
2.4.1. Untuk Data yang Belum Dikelompokkan
a. Deviasi Mutlak Rata-rata (Mean absolut deviation)
Deviasi mutlak rata-rata adalah nilai absolut dari rata-rata deviasi.

Rumusnya adalah sebagai berikut:

n
 x x i
DMR  i 1
n
n
DMR  (  d i ) / n
i 1
Dimana xi data pengamatan ke-i, x nilai rata-rata, dan n banyaknya data.
Untuk memberikan contoh perhitungan, kita akan gunakan kembali data

sebelumnya yang digunakan untuk memberikan contoh perhitungan ukuran
pemusatan. Dari data yang diberikan, kita bisa membuat tabel perhitungan
sebagai berikut:
Xi 0,35 0,85 0,90 1,00 1,25 1,50 2,10 2,10 2,30 2,75 Total
di -1,16 -0,66 -0,61 -0,51 -0,26 -0,01 0,59 0,59 0,79 1,24
abs(di) 1,16 0,66 0,61 0,51 0,26 0,01 0,59 0,59 0,79 1,24 6,42
Dengan demikian,
DMR  6,42 / 10
DMR  0,642
b. Jarak Interkuartil
Sebelum membicarakan jarak interkuartil, kita bahas terlebih dahulu apa

yang dimaksud dengan kuartil. Sesuai dengan namanya, kuartil membagi
data menjadi empat bagian. Q1 berarti ¼ data berada di bawah nilai tersebut,
Q2 berarti 2/4 data berada di bawah nilai tersebut, dan Q 3 berartu ¾ data
berada di bawah nilai tersebut. Dari penjelasan ini dapat dilihat bahwa Q2
sama dengan median yang sudah dibahas sebelumnya.
Seperti juga dalam menghitung median, untuk menghitung kuartil data

harus diurutkan terlebih dahulu dari nilai terkecil ke terbesar. Kemudian
prinsip cara menghitung median sama dengan untuk menghitung kuartil.
Dengan menggunakan data sebelumnya yang sudah diurutkan, kita

dapatkan
0,35 0,85 0,90 1,00 1,25 1,50 2,10 2,10 2,30 2,75
Q1 Q2 Q3
Perhatikan bahwa setelah kita mendapatkan nilai Q 2 (median), jumlah data
di sebelah kiri dan kanan median sama dengan 5, sehingga nilai Q 1 dan Q3
sama dengan nilai data yang berada di tengah-tengah, atau Q1= 0,90 dan
Q2= 2,10.
Jarak interkuartil (Ji) dihitung dengan rumus:

Q3  Q1
Ji 
2
Sehingga diperoleh:
2,10  0,90
Ji 
2
Ji  0,6
c. Ragam dan Simpangan Baku
Ragam (variance) dan simpangan baku (standard deviation) yang

dilambangkan dengan s2 dan s (akar dari s2) merupakan ukuran penyebaran
data yang selalu digunakan pada analisis statistika tingkat lanjut.
Rumus untuk menghitung ragam adalah:
(x i  x )2
s2  i 1
n 1
n n
x i
2
 (  xi ) 2 / n
s2  i 1 i 1
n 1
Sedangkan simpangan baku adalah:

n n
x i
2
 (  xi ) 2 / n
s i 1 i 1
n 1
Dari data sebelumnya, kita dapatkan:
i 1 2 3 4 5 6 7 8 9 10 Total
Xi 0,35 0,85 0,90 1,00 1,25 1,50 2,10 2,10 2,30 2,75 15,1
Xi2 0,1225 0,7225 0,8100 1,0000 1,5625 2,2500 4,4100 4,4100 5,2900 7,5625 28,14
Dengan demikian kita bisa menghitung ragam:

28,14  (15,1) 2 / 10
s2 
10  1
s  0,5932
2
Sehingga s sama dengan 0,7702.

2.4.2. Untuk Data yang Sudah Dikelompokkan
Untuk menghitung ukuran pemusatan bagi data yang sudah

dikelompokkan, kita akan menggunakan data seperti yang sudah ditampilkan
pada Tabel 2.1.
a. Deviasi Mutlak Rata-rata (Mean absolut deviation)
Rumus untuk menghitung deviasi mutlak rata-rata bagi data yang sudah
dikelompokkan hampir mirip dengan rumus sebelumnya dengan sedikit
modifikasi, sehingga diperoleh:
f i xi  x
DMR  i 1
k
f
i 1
i
k
DMR  (  f i d i ) / n
i 1
Dimana:
x = rata-rata x
n = banyak data
Seperti diketahui bahwa rata-rata data yang sudah dikelompokkan sama

dengan 1,545, sehingga untuk keperluan perhitungan kita akan memperoleh
tabel sebagai berikut:
TITIK
FREKUENSI
KELAS TEPI KELAS TENGAH
(f)
KELAS d abs(d) fx(abs(d))
1 0,245 - 0,645 0,445 5 -1,1 1,1 5,5
2 0,645 -1,045 0,845 15 -0,7 0,7 10,5
3 1,045 - 1,445 1,245 28 -0,3 0,3 8,4
4 1,445 - 1,845 1,645 23 0,1 0,1 2,3
5 1,845 - 2,245 2,045 14 0,5 0,5 7
6 2,245 - 2,645 2,445 11 0,9 0,9 9,9
7 2,645 - 3,045 2,845 4 1,3 1,3 5,2
Total 100 48,8
Dengan demikian, diperoleh:
DMR  48,8 / 100

DMR  0,488

b. Jarak Interkuartil
Seperti rumus sebelumnya, jarak interkuartil dihitung dengan rumus:
Q3  Q1
Ji 
2
Sehingga kita harus menghitung Q 1 dan Q3 terlebih dahulu. Untuk
menghitung Q1 dan Q3, kita harus menggunakan rumus median untuk data
yang sudah dikelompokkan serta dimodifikasi sesuai dengan pengertian Q 1
dan Q3.
Rumus untuk menghitung Q1 dan Q3 dapat dilihat di bawah ini:
n / 4  fk ( kQ1 1)
Q1  LkQ1  ( )(i )
f kQ1
3n / 4  fk ( kQ3 1)
Q3  LkQ3  ( )(i )
f kQ3
Dimana :
LkQi = batas bawah tepi kelas Qi
fk(kQi-1) = frekuensi kumulatif sampai dengan sebelum kelas Qi
fkQi = frekuensi kelas Qi
i = interval kelas
Dengan menggunakan data seperti yang tercantum dalam Tabel 2.1,

sekarang kita hitung Q1. Kita tampilkan data yang penting untuk perhitungan
seperti di bawah ini.
TITIK TENGAH FREKUENSI

KELAS TEPI KELAS FREKUENSI
KELAS KUMULATIF
1 0,245 - 0,645 0,445 5 5
2 0,645 -1,045 0,845 15 20
3 1,045 - 1,445 1,245 28 48
4 1,445 - 1,845 1,645 23 71
5 1,845 - 2,245 2,045 14 85
6 2,245 - 2,645 2,445 11 96
7 2,645 - 3,045 2,845 4 100
Dari tabel di atas dapat dilihat bahwa kelas Q 1 adalah kelas ke-3, karena
frekuensi kumulatif kelas ke-2 sama dengan 20 (kurang dari ¼ dari 100,
sedangkan frekuensi kumulatif kelas-3 adalah 48 atau lebih dari ¼ dari 100).
Dengan teknik seperti yang dilakukan dalam menghitung median, maka kita
peroleh:

n / 4  fk ( kQ1 1)
Q1  LkQ1  ( )(i )
f kQ1
25  20
Q1  1,045  ( )(0,4)
28
Q1  1,1164
Dari tabel di atas juga dapat dilihat bahwa kelas Q 3 adalah kelas ke-5,
karena frekuensi kumulatif kelas ke-4 sama dengan 71 (kurang dari 3/4 dari
100, sedangkan frekuensi kumulatif kelas-5 adalah 85 atau lebih dari 3/4 dari
100). Dengan demikian,
3n / 4  fk ( kQ3 1)
Q3  LkQ3  ( )(i )
f kQ3
75  71
Q3  1,845  ( )( 0,4)
14
Q3  1,9593
Setelah Q1 dan Q3 diperoleh, kita bisa menghitung
Q3  Q1
Ji 
2
1,9593  1,1164
Ji 
2
Ji  0,4215
c. Ragam dan Simpangan Baku
Ragam (s2) untuk data yang sudah dikelompokkan dihitung dengan

rumus:
 f i ( xi  x ) 2
s 2
 i 1
n 1
k
 fi di
2
s2  i 1
n 1
Dimana:
x = rata-rata
n = banyaknya data

Untuk keperluan perhitungan kita tampilkan data seperti dibawah ini:
TITIK
FREKUENSI
KELAS TENGAH d d2 fxd2
(f)
KELAS
1 0,445 5 -1,1 1,21 6,05

2 0,845 15 -0,7 0,49 7,35
3 1,245 28 -0,3 0,09 2,52
4 1,645 23 0,1 0,01 0,23
5 2,045 14 0,5 0,25 3,5
6 2,445 11 0,9 0,81 8,91
7 2,845 4 1,3 1,69 6,76
Total 100 35,32
Dengan demikian, s2 adalah:

k
fd i i
2
s2  i 1
n 1
s  35,32 / 99  0,3568
2
Atau simpangan baku (s) sama dengan 0,5973.
2.5. Soal Latihan

(Catatan: dalam soal, tanda pemisah desimal adalah “.” bukan “,”)
1. Diketahui produksi jagung pipilan per hektar (kuintal/he) dari 9 orang petani
adalah sebagai berikut:
22.3 30.0 19.5 15.0 24.0 25.5 30.1 28.3 27.6
a. Hitunglah: modus, median, dan rata-ratanya

b. Hitunglah: Deviasi mutlak rata-rata, jarak interkuartil, dan ragamnya.
2. Perhatikan data tingkat pendapatan 50 petani berikut ini (Juta rupiah per
tahun):
19.1 20.8 18.0 19.2 19.5 17.3 19.9 19.8 17.6 19.3
20.0 20.3 19.6 18.5 18.1 19.7 17.6 22.1 21.0 17.0
18.4 17.6 20.7 19.7 20.5 19.1 21.1 18.4 20.8 22.4
21.1 19.3 20.8 21.2 21.0 18.7 19.7 17.3 20.0 20.2
19.9 18.7 22.1 17.2 18.4 21.4 20.2 19.9 18.0 19.5

a. Lengkapilah tabel berikut ini:
Titik
Frekuensi
Kelas Batas Kelas Tepi Kelas Tengah Frekuensi
Kumulatif
Kelas
1 17.0 - 17.9
2 18.0 - 18.9
3 19.0 - 19.9
4 20.0 - 20.9
5 21.0 - 21.9
6 22.0 - 22.9
b. Hitunglah: modus, median, dan rata-ratanya

c. Hitunglah: Deviasi mutlak rata-rata, jarak interkuartil, dan ragamnya.
Indeks (Daftar Istilah Penting):
 Pengelompokan data
 Kelas
 Interval/selang kelas
 Batas kelas
 Tepi kelas
 Titik tengah kelas
 Frekuensi
 Frekuensi kumulatif
 Diagram batang
 Ukuran pemusatan data
 Modus
 Median
 Rata-rata (Average)
 Deviasi mutlak rata-rata
 Jarak interkuartil
 Ragam (Variance)
 Simpangan baku (Standard deviation)
--end—

BAB 3
PERBANDINGAN DUA NILAI TENGAH POPULASI
3.1. Pengantar
Seringkali kita ingin membandingkan nilai tengah atau rata-rata dari data
yang diperoleh dari dua populasi. Misalkan, ada sebuah varietas tanaman baru
yang diperkenalkan pada petani. Pertanyaannya adalah apakah tanaman
varietas baru ini menghasilkan produksi per hektar yang lebih tinggi daripada
varietas lama. Untuk bisa menjawab pertanyaan ini kita bisa mengumpulkan
data produksi dari petani yang menanam varietas lama dan data produksi dari
petani yang menanam varietas lama. Dalam kasus ini, petani yang menanam
varietas lama berbeda dengan petani yang menanam varietas baru sehingga
disebut sumber datanya bersifat bebas (independent) atau tidak berpasangan.
Dalam kasus yang lain, mungkin kita ingin menguji apakah penyuluhan
yang diberikan kepada petani bisa meningkatkan produksi pertaniannya. Untuk
menguji pengaruh penyuluhan, kita bisa mengumpulkan data produksi dari petani
yang sama sebelum diberi penyuluhan dan sesudah diberi penyuluhan dan diuji
apakah produksi setelah diberi penyuluhan lebih tinggi daripada sebelum diberi
penyuluhan. Perbandingan seperti ini disebut perbandingan “sebelum” dan
“sesudah” (before and after). Data yang dikumpulkan dari petani yang sama
sebelum dan sesudah diberi perlakuan disebut data berpasangan atau
berhubungan (related).
Untuk bisa menjawab kedua jenis pertanyaan seperti di atas, statistika

menyediakan alat uji yang disebut uji beda dua nilai tengah. Hipotesis nol-nya
(H0) adalah nilai tengah kedua populasi itu sama (H0: μ1 = μ2, atau μ1 - μ2 = 0),
sedangkan hipotesis alternatifnya atau hipotesis satunya adalah nilai tengah
kedua populasi itu berbeda. Secara statistika, hipotesis nol dan hipotesis satu
tadi ditulis sebagai:
H0: μ1 = μ2
H1: μ1 ≠ μ2
Hipotesis satu seperti yang dituliskan di atas menunjukkan bahwa

pengujian kita bersifat dua arah (two tailed). Pengujian juga dapat dilakukan
dengan satu arah dimana salah nilai tengah salah satu populasi lebih besar
daripada yang lainnya. Secara statistika hipotesisnya ditulis sebagai H1: μ1 < μ2
atau H1: μ1 > μ2.
Secara konseptual, pengujian seperti ini digambarkan dalam Gambar 3.1.

Dari setiap populasi kita mengambil sampel berukuran n 1 dan n2. Dari data yang
dikumpulkan kita akan memperoleh rata-rata ( x1 dan x2) dan ragam (σ12 dan σ22).
Pada kasus pengujian “sebelum” dan “sesudah”, sebenarnya populasi yang
diambil sampel-nya hanya satu saja tetapi data diambil dua kali, sehingga
n1=n2=n.

Populasi 1 Populasi 2
Sampel 1 Sampel 2
x1 x2
σ12 σ22
Gambar 3.1. Skema Uji Dua Nilai Tengah
Teknik metode pengujian beda dua nilai tengah untuk masalah di atas
dibedakan atas metode parametrik dan nonparametrik. Metode parametrik
digunakan jika data yang dikumpulkan diukur dalam skala interval atau ratio,
sedangkan metode nonparametrik digunakan untuk data yang diukur dalam
bentuk skor.
3.2. Uji Sebuah Nilai Tengah
Sebelum membahas uji beda dua nilai tengah, sebagai pengantar dan
juga merupakan topik yang penting untuk dibahas, kita akan mulai dengan
menguji sebuah nilai tengah. Misalkanlah sebuah perusahaan penghasil benih
mengeluarkan benih tanaman jenis baru dan perusahaan itu mengklaim bahwa
produksinya mencapai 6,5 ton per hektar. Untuk menguji klaim perusahaan
tersebut dikumpulkan data dari 6 orang petani yang telah mencoba menanam
varietas jenis baru ini. Data produksi per hektar dari 6 orang petani adalah
sebagai berikut:
Petani 1 2 3 4 5 6
Prod/ha 4,2 4,7 6,6 7,0 6,7 4,5
Perhatikan bahwa produksi per hektar diukur dalam skala ratio, sehingga uji yang
akan dibahas berikut ini termasuk uji Statistika Parametrik.
Pertama-tama kita harus menghitung rata-rata dan ragam dari produksi

seperti yang sudah dibahas dalam Bab 2 mengenai ukuran pemusatan dan
ukuran penyebaran.
Rata-rata produksi sama dengan:

n
x  (  xi ) / n
i 1
x  33,7 / 6  5,6167

Ragam produksi sama dengan:
n n
x i
2
 (  xi ) 2 / n
s2  i 1 i 1
n 1
197, 43  (33,7 2 ) / 6
s2 
6 1
s  1,6297
2
Dengan demikian simpangan bakunya (s) sama dengan 1,2766.
Untuk menguji klaim dari perusahaan tentang produksi benih baru yang
dihasilkannya, hipotesis yang akan diuji adalah:
H0 : μ = 6,5
H1 : μ ≠ 6,5
Selanjutnya kita harus menghitung statistik t dengan rumus:
x  o
t
s/ n
Kesimpulan apakah hipotesis nol diterima atau ditolak dilakukan dengan
membandingkan nilai t (t-hitung) hasil perhitungan dengan nilai t-tabel dengan
taraf nyata (α) yang diinginkan dan derajat bebas (n-1).
Dari data dan perhitungan yang telah dilakukan, nilai t-hitung adalah:
5,6167  6,5
t
1,2766 / 6
t  1,6948
Karena nilai t-hitung bertanda negatif, maka diambil nilai positifnya atau harga
mutlaknya sama dengan 1,6948. Dari Lampiran 2 dapat dilihat nilai t-tabel untuk
taraf nyata 5% dan derajat bebas 5 adalah 2,571 (ingat uji di atas adalah uji dua
arah). Dengan demikian, H0 diterima sehingga klaim dari perusahaan tersebut
dapat diterima.
3.3. Uji Beda Dua Nilai Tengah
3.3.1 Uji Statistika Parametrik
Uji statistika parametrik untuk membandingkan dua nilai tengah populasi

digunakan jika datanya diukur dengan skala interval atau ratio.

a. Kasus dua sampel bebas
Uji perbandingan dua nilai tengah pada kasus ini ketika sampel dari dua
populasi diambil secara terpisah atau independen. Dari sampel pertama, kita
mempunyai mempunyai ukuran sampel n 1, rata-rata x1 dan dugaan ragam s12.
Dari sampel kedua, kita juga mempunyai ukuran sampel n 2, rata-rata x2 dan
dugaan ragam s22.
Untuk menguji apakah nilai tengan dari kedua populasi itu sama atau
tidak, jika uji yang akan dilakukan bersifat dua arah maka hipotesis yang
digunakan adalah:
H0: μ1 = μ2
H1: μ1 ≠ μ2
Sebelum melakukan perhitungan nilai t, kita harus mengasumsikan dulu nilai

ragam data dari kedua populasi tadi. Sebagai tahap pertama, kita asumsikan
bahwa ragam data kedua populasi sama atau σ12 = σ22. Kemudian, hitung nilai t-
hitung dengan menggunakan rumus:
x1  x2
t
1 1
sp (  )
n1 n 2
dimana
(n1  1) s1  (n2  1) s2
2 2
sp 
n1  n2  2
Untuk menguji apakah H0 diterima atau ditolak, kita bandingkan harga

mutlak (nilai positif) dati t-hitung dengan t-tabel dengan taraf nyata yang
dikehendaki (misalnya 5%) dan derajat bebas n1+n2-2. Terima H0 jika nilai t-
hitung lebih kecil atau sama dengan nilai t-tabel, dan tolak H0 jika sebaliknya.
Contoh perhitungan:
Misalkan kita ingin membandingkan apakah produksi per hektar padi

varietas A sama dengan varietas B. Kita memperoleh 6 buah data untuk varietas
A dan 7 buah data untuk varietas B seperti di bawah ini:
i 1 2 3 4 5 6 7
Var A 4,2 4,7 6,6 7 6,7 4,5
Var B 4,1 4,9 6,2 6,9 6,8 5,7 5,8
Sebelum menghitung t-hitung, kita hitung dulu rata-rata dan ragam dari data
kedua varietas tadi. Dengan menggunakan rumus yang telah dijelaskan pada
bab sebelumnya (lihat ukuran pemusatan dan ukuran penyebaran), kita peroleh:

x A  5,6167
xB  5,7714
s A  1,6297
2
sB  1,0124
2
Dengan demikian,
(6  1)1,6297  (7  1)1,0124
sp 
672
s p  1,1371
Dari hasil perhitungan di atas kita peroleh nilai t-hitung
5,6167  5,7714
t
1 1
1,1371 (  )
6 7
t  0,2446
Diambil nilai positifnya, nilai t-hitung sama dengan 0,2446. Nilai t-tabel (5%, 11)
= 2,201 (lihat Lampiran 2), sehingga H0 ditolak atau tidak ada perbedaan antara
produksi per hektar varietas A dengan varietas B karena nilai t-hitung lebih kecil
daripada nilai t-tabel.
b. Kasus data berpasangan
Untuk kasus data berpasangan, contoh yang sudah dijelaskan di atas kita
modifikasi sedikit. Alih-alih mengambil dua kelompok petani yang berbeda yang
menanam varietas A dan varietas B, kita misalkan seorang petani diminta
menanam varietas A pada musim tanam pertama dan varietas B pada musim
kedua. Lalu, kita membuat variabel X d (difference) yang merupakan
pengurangan produksi varietas B oleh produksi varietas A. Dengan demikian,
sekarang seolah-olah kita mempunyai satu buah variabel X d, dan hipotesisnya
menjadi:
H0: μd = 0
H1: μd ≠ 0
Nilai t-hitung dari uji ini adalah:
xd
t
sd (1 / n )
Perhatikan bahwa rumus ini identik dengan t untuk menguji sebuah nilai tengah.

Untuk menguji apakah H0 diterima atau ditolak, nilai t-hitung ini kembali
dibandingkan dengan nilai t-tabel dengan tarat nyata yang diinginkan (misalnya
5%) dan derajat bebas n-1.
Contoh perhitungan:
Untuk memberikan contoh perhitungan, kita ubah sedikit data yang sudah
digunakan sebelumnya, sehingga kita memperoleh data sebagai berikut:
i 1 2 3 4 5 6
Var A 4,2 4,7 6,6 7 6,7 4,5
Var B 4,1 4,9 6,2 6,9 6,8 5,7
Xd -0,1 0,2 -0,4 -0,1 0,1 1,2
Jadi sekarang kita mempunyai n 1=n2=n=6, rata-rata Xd= 0,15, dan ragam (s) Xd
=0,5541. Dengan demikian, diperoleh nilai t-hitung:
0,15
t
0,5541 (1 / 6)
t  0,6631
Nilai t-tabel untuk α=0,05 dan derajat bebas 5 sama dengan 2,571 (lihat Lapiran
2), sehingga H0 diterima atau tidak ada beda produksi antara varietas A dan
varietas B.
3.3.2. Uji Statistika Nonparametrik
Uji statistika nonparametrik untuk membandingkan dua nilai tengah

populasi digunakan jika datanya diukur bukan dengan skala interval atau ratio,
atau diukur menurut skala ordinal atau skor.
a. Kasus Data Tidak Berpasangan
a.1. Uji Jumlah Pangkat Wilcoxon
Uji Jumlah Pangkat Wilcoxon (Wilcoxon rank sum test) digunakan jika
sampel bersifat independen. Misalkan kita ingin menguji perbedaan adopsi
tingkat teknologi yang terjadi pada dua kelompok petani. Misalkan A adalah
kelompok petani berlahan luas dan B adalah kelompok petani berlahan sempit.
Skor tingkat adopsi bernilai diantara 0 dan 50 (50 adalah nilai tertinggi), dan data
dari sampel masing-masing 10 orang untuk tiap-tiap kelompok adalah sebagai
berikut. Perhatikan bahwa jumlah sampel dari tiap kelompok tidak harus sama.
Kel A 18 28 23 29 20 25 40 38 21 45
Kel B 20 21 14 18 22 25 35 42 20 40
Selanjutnya kita harus menentukan pangkat dari masing-masing data.

Untuk memperoleh pangkat dari masing-masing data, data dari kelompok A dan

B digabungkan, kemudian diurutkan dari nilai terkecil sampai ke yang terbesar.
Pangkat tiap data sama dengan nomor urutnya, kecuali untuk data yang bernilai
sama. Untuk data yang bernilai sama, pangkatnya sama dengan jumlah nomor
urutnya dibagi banyaknya data yang sama.
Misalnya, skor 18 mempunyai nomor urut 2 dan 3 sehingga pangkat

untuk 18 adalah (2+3)/2 atau 2,5. Skor 20 mempunyai nomor urut 4, 5 dan 6
sehingga pangkat untuk 20 adalah (4+5+6)/3 atau 5. Kemudian, data skor dan
pangkatnya dikembalikan menurut kelompoknya, sehingga kita akan
memperoleh nilai skor dan pangkatnya sebagai berikut:
Kel A 18 28 23 29 20 25 40 38 21 45
Pngkt(A) 2,5 13 10 14 5 11,5 17,5 16 7,5 20
Kel B 20 21 14 18 22 25 35 42 20 40
Pngkt(B) 5 7,5 1 2,5 9 11,5 15 19 5 17,5
TA merupakan jumlah pangkat kelompok A dan TB jumlah pangkat

kelompok B, dan dari data dapat dilihat TA=117 dan TB=93. Nilai T-hitung untuk
Wilcoxon adalah nilai terkecil dari keduanya atau 93. Sebagai cek, TA+TB =
n(n+1)/2.
H0 dalam uji di atas adalah tingkat adopsi kedua kelompok A dan B sama,
dan hipotesis alternatifnya (H1) tingkat adopsi kedua kelompok A dan B tidak
sama. Untuk menguji apakah H0 diterima atau ditolak, nilai T-hitung
dibandingkan dengan nilai T-tabel untuk uji jumlah pangkat Wilcoxon. H 0 ditolak
jika T-hitung < TL-tabel atau T-hitung > TU-tabel.
Dari tabel T untuk uji jumlah pangkat Wilcoxon dengan n 1=10 dan n2=10,
diperoleh TL=79 dan TU=131 untuk α=0,05 (uji 2 arah). Karena nilai T-hitung (93)
berada diantara TL (79) dan TU (131), maka H0 diterima atau tingkat adopsi kedua
kelompok tersebut tidak berbeda nyata. Tabel Uji Jumlah Pangkat Wilcoxon
dapat dilihat pada Lampiran 5.
a.2. Uji Mann-Whitney
Persoalan yang dijadikan contoh pada Uji Jumlah Pangkat Wilcoxon bisa
juga diuji dengan cara lain yakni dengan menggunakan Uji Mann-Whitney.
Untuk menggunakan Uji Mann-Whitney kita perlu menghitung statistik U

dengan menggunakan rumus:
n1 (n1  1)
U1  n1n2   T1
2
dan
n2 (n2  1)
U 2 n1n2   T2
2
dimana n1 dan n2 adalah banyaknya sampel kelompok pertama dan kelompok
kedua, serta T1 dan T2 jumlah pangkat dari kelompok pertama dan kelompok
kedua seperti sebelumnya. Untuk cek, kita bisa periksa bahwa U1 = n1n2 - U2.

Nilai U-hitung yang digunakan untuk uji hipotesis adalah nilai U yang
terkecil. Untuk menguji H0 apakah ditolak atau diterima, kita bandingkan U-hitung
ini dengan U-tabel yang diperoleh dari tabel untuk Uji Mann-Whitney. H0 ditolak
jika U-hitung < U-tabel.
Dari contoh sebelumnya kita dapatkan:
10(11)
U1  10(10)   117
2
U1  38
dan
10(11)
U 2  10(10)   93
2
U 2  62
Sehingga nilai U-hitung = 38, dan nilai U-tabel untuk taraf nyata (α) 5% adalah 27
(lihat Lampiran 6), kesimpulannya H0 diterima atau tingkat adopsi kedua
kelompok tersebut tidak berbeda nyata karena U-hitung > U-tabel.
b. Kasus Data Berpasangan (Uji Pangkat Bertanda Wilcoxon)
Seperti pada contoh data berpasangan statistika parametrik, di sini setiap

responden atau sampel diukur dua kali sebelum dan sesudah perlakukan. Kita
akan menggunakan data yang pernah digunakan sebelumnya dan seorang
responden yang sama diukur dua kali tingkat adopsi teknologinya, sebelum dan
sesudah diberi penyuluhan. Sekarang kita mempunyai data tingkat adopsi
teknologi sebelum dan sesudah reponden diberi penyuluhan sebagai berikut:
Resp 1 2 3 4 5 6 7 8 9 10
Ssdh 18 28 23 29 20 25 40 38 21 45
Sblm 20 21 14 18 22 25 35 42 20 40
Untuk melakukan Uji Pangkat Bertanda Wilcoxon (Wilcoxon Signed Rank

Test), pertama-tama kita harus menghitung selisih antara skor sesudah dan
sebelum diberi penyuluhan (Sd-Sb). Tanpa memperhatikan tanda positif atau
negatif, selisih ini diurutkan dari kecil ke besar untuk diberi pangkat (selisih yang
nilai 0 tidak diberi pangkat). Teknik pemberian pangkatnya sama seperti
penjelasan sebelumnya. Kemudian, besar pangkat ini diberi kembali tanda
negatif atau positif sesuai dengan asalnya. Sekarang kita akan mempunyai data
sebagai berikut:
Resp 1 2 3 4 5 6 7 8 9 10
Ssdh 18 28 23 29 20 25 40 38 21 45
Sblm 20 21 14 18 22 25 35 42 20 40
Sd-Sb -2 7 9 11 -2 0 5 -4 1 5
Pangkat -2,5 7 8 9 -3,5 5,5 -4 1 5,5

Kemudian kita jumlahkan pangkat yang bertanda negatif dan pangkat
yang bertanda positif. Pangkat yang bertanda negatif berjumlah 9 (2,5+2,5+4,
tandanya tidak diperhatikan). Pangkat yang bertanda positif berjumlah 36
(7+8+9+5,5+1+5,5). Nilai T-hitung adalah jumlah pangkat terkecil dari keduanya,
atau T-hitung sama dengan 9.
Hipotesis nol (H0) dari persoalan ini adalah apakah tingkat adopsi
teknologi petani sebelum dan sesudah diberi penyuluhan sama atau tidak ada
perbedaan, sedangkan hipotesis alternatifnya (H 1) adalah ada perbedaan tingkat
adopsi teknologi oleh petani sebelum dan sesudah diberi penyuluhan.
Untuk menguji apakah H0 diterima atau ditolak, T-hitung dibandingkan

dengan T-tabel yang diperoleh dari tabel T untuk Uji Pangkat Bertanda Wilcoxon.
Tolak H0 jika T-hitung < T-tabel untuk taraf nyata yang digunakan dan n sesuai
dengan jumlah sampel. Karena T-hitung sama dengan 9 dan T(5%;10) = 8, maka
terima H0 atau tidak ada perbedaan tingkat adopsi teknologinya sebelum dan
sesudah diberi penyuluhan. Tabel Uji Pangkat Bertanda Wilcoxon dapat dilihat
pada Lampiran 7.
3.4. Soal Latihan

1. Diketahui produksi jagung pipilan per hektar (kuintal/ha) dari 9 orang petani
22.3 30.0 19.5 15.0 24.0 25.5 30.1 28.3 27.6
Ujilah pernyataan bahwa produksi jagung per hektar petani sama dengan 26
kuintal per hektar (Ho: μ = 26) dengan menggunakan taraf nyata 5% jika:
a. Hipotesis tandingannya: H1: μ ≠ 26
b. Hipotesis tandingannya: H1: μ < 26
c. Hipotesis tandingannya: H1: μ > 26
2. Misalkan data produksi jagung per hektar dari jenis varietas baru yang juga
ditanaman 9 orang petani lain adalah sebagi berikut:
35.0 28.3 20.1 25.6 19.8 30.1 29.0 27.4 24.3
Ujilah apakah produktivitas jagung varietas baru ini (sebut Var B) sama
dengan produktivitas jagung pada soal no.1 (sebut Var A), Ho: μA = μB,
dengan menggunakan taraf nyata 5% jika:
a. Hipotesis tandingannya: H1: μA ≠ μB
b. Hipotesis tandingannya: H1: μA < μB
c. Hipotesis tandingannya: H1: μA > μB
3. Tingkat adopsi teknologi petani peserta Gernas Kakao di Desa Allo dan
Desa Bungo di sajikan dalam data berikut ini. Nilai 100 adalah tingkat
adopsi tertinggi.

Resp. 1 2 3 4 5 6 7 8 9 10
Allo 80 90 75 60 68 70 82 75 88 85
Bungo 75 89 77 73 89 75 91 65 72 68
Ujilah pernyataan bahwa tingkat adopsi teknologi kakao di kedua desa ini
sama pada taraf nyata 5% dan menggunakan:
a. Uji Jumlah Pangkat Wilcoxon
b. Uji Mann-Whitney
4. Jika data pada soal nomor 3 dianggap tingkat adopsi teknologi petani kakao
sebelum dan sesudah diberi penyuluhan, sehingga datanya menjadi:
Resp. 1 2 3 4 5 6 7 8 9 10
Sesudah 80 90 75 60 68 70 82 75 88 85
Sebelum 75 89 77 73 89 75 91 65 72 68
Ujilah pernyataan bahwa tingkat adopsi teknologi kakao di kedua desa ini
sama pada taraf nyata 5% dan menggunakan Uji Pangkat Bertanda
Wilcoxon
Indeks (Daftar Istilah):
 Data berpasangan
 Data tidak berpasangan
 Uji dua arah
 Uji sebuah nilai tengah
 Statistika parametrik
 Statistika Nonparametrik
 Rata-rata
 Ragam
 Simpangan baku
 Uji beda dua nilai tengah
 Uji jumlah pangkat Wilcoxon (Wilcoxon rank sum test)
 Uji Mann-Whitney
 Uji Pangkat Bertanda Wilcoxon (Wilcoxon signed rank test)
--end—

BAB 4
PERBANDINGAN TIGA ATAU LEBIH NILAI TENGAH
POPULASI
4.1. Pengantar
Bab ini merupakan kelanjutan dari Bab 3 apabila kita mempunyai tiga
atau lebih populasi, kemudian kita ingin menguji hipotesis apakah semua nilai
tengah populasi tersebut sama, atau tidak ada perbedaan diantara semua
populasi. Pada tahap awal, kita hanya membandingkan antar populasi saja atau
hanya memperhatikan satu faktor. Pada tahap selanjutnya, faktor lain akan
diperhatikan untuk menguji apakah faktor kedua juga memberikan pengaruh
terhadap perbedaan yang terjadi.
Misalkanlah kita ingin menguji beberapa jenis varietas tanaman untuk

mengetahui apakah ada perbedaan produktivitasnya. Pada tahap ini, kita hanya
ingin menguji perbedaan antara varietas yang diuji. Pada tahap kedua, mungkin
kita ingin juga memasukan faktor lokasi dalam pengujian ini sehingga bisa dilihat
juga apakah faktor lokasi ini memberikan pengaruh terhadap hasil uji terhadap
varietas.
Pada bagian pertama, kita akan membahas metode yang digunakan

dalam Statistika Parametrik dimana data diukur dengan skala interval atau ratio.
Pada Statistika Parametrik, metode ini disebut juga metode Analisis Ragam
(analysis of variance). Bagian berikutnya akan membahas metode statistika
nonparametrik ketika data diukur dalam skala ordinal atau skor.
4.2. Uji dalam Statistika Parametrik (Analisis Ragam)
a. Satu Faktor yang Diperhatikan (Rancangan Acak Lengkap)
Misalkanlah kita mempunyai empat varietas tanaman padi yang ingin diuji
produktivitasnya. Kita mengumpulkan data produktivitas dari setiap varietas
dengan asumsi faktor lainnya sama sehingga jika ada perbedaan produktivitas
semata-mata karena faktor varietas saja. Banyaknya data yang dikumpulkan
dari setiap varietas bisa sama atau bisa juga tidak sama. Hanya saja, untuk
mengurangi pengaruh perbedaan jumlah sampel, banyaknya sampel atau data
dari setiap varietas dianjurkan sama. Dengan demikian, kita akan mempunyai
data sebagai berikut, dimana n adalah jumlah sampel/data untuk setiap varietas.
Perhatikan bahwa jumlah sampel untuk setiap varietas adalah sama yakni n,
sehingga total sampel yang dikumpulkan sebanyak 4n atau dilambangkan
dengan N :
Var A Var B Var C Var D

x11 x21 x31 x41
x12 x22 x32 x42
x13 x23 x33 x43

.. .. .. ..
.. .. .. ..
x1n x2n x3n x4n
x1. x2. x3. x4.
Secara statistik, H0 dan H1 dari permasalahan kita adalah:
H0: μ1= μ2= μ3= μ4

H1: paling sedikit ada dua μ yang tidak sama.
Untuk menguji apakah hipoteses nol diterima atau ditolak, kita harus
melakukan beberapa perhitungan sebagai berikut:
a. Faktor koreksi (FK):
Faktor koreksi dihitung dengan rumus:
FK   ( xij ) 2 / N
i j
b. Jumlah Kuadrat Total (JKT):
Jumlah kuadrat total dihitung dengan rumus:
JKT  ( xij / n)  FK

2
i j
c. Jumlah Kuadrat Kolom (JKK):
Jumlah kuadrat kolom dihitung dengan rumus:
JKK  (  xi. ) / n  FK
2
Perhatikan, jika banyak sampel/data untuk tiap kolom (varietas) tidak

sama, dan jumlah sampel/data untuk tiap-tiap kolom adalah n1, n2, … nk (k
adalah banyaknya kolom/varietas), maka JKK dihitung dengan rumus:
JKK  ( x1i / n1   x2i / n2 ....   xki / nk )  FK

2 2 2
i i i
d. Jumlah Kuadrat Sisa (JKS):
Jumlah kuadrat sisa (JKS) = JKT – JKK
Untuk melengkapi perhitungan di atas, kita juga harus menghitung derajat

bebas untuk masing-masing sumber keragaman yang sudah diberikan rumusnya
di atas. Derajat bebas untuk total adalah N-1, untuk kolom sama dengan banyak
kolom (varietas) minus satu atau dalam contoh di atas sama dengan 3, dan
derajat bebas untuk sisa sama dengan N-k-2.

Untuk menyelesaikan perhitungan kita, perlu disusun tabel analisis ragam
(analysis of variance atau ANOVA) dalam bentuk seperti di bawah ini:
Tabel 4.1. Tabel Analisis Ragam untuk Satu Faktor

Sumber Jumlah Derajat Kuadrat F-hitung
Keragaman Kuadrat (JK) Bebas (DB) Tengah (KT)
Kolom JKK k-1*) KTK=JKK/(k-1) KTK/KTS
(varietas)
Sisa JKS N-k-2 KTS=JKS/(N-k-

2)
Total JKT N-1
*) k = banyaknya kolom, dalam contoh di atas varietas, atau sama dengan 4.
Dalam metode rancangan percobaan (experimental design), analisis

semacam ini disebut dengan Rancangan Acak Lengkap (Completely
Randomized Design).
Untuk menguji apakah H0 diterima atau ditolak, bandingkan nilai F-hitung

(=KTK/KTS) dengan F-tabel dengan taraf nyata (α) yang dikehendaki dan derajat
bebas v1=(k-1)serta v2=(N-k-2). H0 diterima jika F-hitung lebih kecil atau sama
dengan F-tabel.
Contoh perhitungan:
Misalkan kita mempunyai data produksi per hektar (ton/ha) dari 4 varietas
yang dicobakan masing-masing 5 kali. Data disajikan dalam tabel berikut ini:
Sampel Var A Var B Var C Var D Total

1 5,5 5,3 6,5 4,5
2 5,3 4,4 5,1 4,8
3 4,5 6,1 7,2 5,4
4 4,7 4,1 6,8 5,2
5 6,2 5,2 6,6 5,9
Total 26,2 25,1 32,2 25,8 109.3
Dari tabel di atas kita akan memperoleh:
FK = (109,3)2/20 = 597,325
JKT = (5,52+5,32+ …. + 5,92) - 597,325
= 14,506
JKK = (26,22+ 15,42+ 32,22+ 25,82)/5 - 597,325
= 6,462

JKS = JKT – JKK = 8,044
Dari hasil perhitungan yang diperoleh, kita dapat menyusun tabel hasil
analisis ragam sebagai berikut:
SUMBER JK DB KT F-hitung
Kolom 6,462 3 2,154 4,284
Sisa 8,044 16 0,503
Total 14,506 19
Nilai F-tabel untuk taraf nyata 5% dengan derajat bebas (3,16) sama
dengan 3,13 (lihat Lampiran 4). Karena F-hitung > dari F-tabel, maka H0 ditolak
atau paling sedikit ada dua varietas yang produktivitasnya tidak sama.
b. Dua Faktor yang Diperhatikan (Rancangan Acak Kelompok)
Misalkan, dalam memperoleh data produktivitas masing-masing varietas,

kita mengambilnya dari 5 lokasi yang berbeda yang bisa saja kelima lokasi ini
akan mempengaruhi produktivitas keempat varietas yang diuji tadi. Maka, selain
menguji perbedaan varietas kita juga bisa menguji apakah ada perbedaan lokasi
yang berpengaruh terhadap perbedaan varietas tadi. Perhatikan bahwa keempat
varietas itu harus ada datanya dari setiap lokasi, sehingga banyaknya data akan
sama untuk setiap lokasi atau varietas.
Dalam rancangan percobaan, metode ini disebut metode acak kelompok

(randomized block design).
Sekarang, tabel data kita akan seperti tabel berikut ini:
BARIS KOLOM
(Lokasi) Var A Var B Var C Var D Total
1 x11 x21 x31 x41 x.1
2 x12 x22 x32 x42 x.2
3 x13 x23 x33 x43 x.3
.. .. .. .. .. ..
.. .. .. .. .. ..
n x1n x2n x3n x4n x.n
Perhitungan yang dilakukan sama dengan sebelumnya, hanya

ditambahkan perhitungan untuk baris atau lokasi, yakni JKB yang dihitung
dengan rumus:
JKB  (  x. j ) / k  FK
2
dimana k sama dengan banyaknya kolom, yang dalam contoh tabel di atas k = 4.

Contoh perhitungan:
Dengan menggunakan data sebelumnya, maka tabel data kita akan

menjadi:
Lokasi Var A Var B Var C Var D Total

1 5,5 5,3 6,5 4,5 21,8
2 5,3 4,4 5,1 4,8 19,6
3 4,5 6,1 7,2 5,4 23,2
4 4,7 4,1 6,8 5,2 20,8
5 6,2 5,2 6,6 5,9 23,9
Total 26,2 25,1 32,2 25,8 109,3
JKB = (21,82+ 19,62+ 23,22+ 20,82+ 23,92)/4 - 597,325
= 3,048
Sekarang, tabel analisis ragam kita menjadi:
SUMBER JK DB KT F-hitung
Kolom (Varietas) 6,462 3 2,154 5,173
Baris (Lokasi) 3,048 4 0,762 1,830
Sisa 4,996 12 0,416
Total 14,505 19
Nilai F-tabel untuk taraf nyata 5% dengan derajat bebas (3,12) sama
dengan 3,49. Dengan demikian, karena nilai F-hitung untuk kolom (varietas) >
daripada nilai F-tabel, maka H0 masih ditolak atau paling sedikit ada dua varietas
yang berbeda produktivitasnya.
Untuk menguji pengaruh lokasi, kita bandingan juga nilai F-hitung untuk
baris (lokasi) dengan nilai F-tabel untuk taraf nyata 5% dengan derajat bebas
(4,12). Nilai F-tabel (5%;4,12) sama dengan 3,26, dan karena nilai F-hitung <
dari F-tabel maka H0 diterima atau tidak ada pengaruh lokasi (rata-rata
produktivitas keempat varietas tadi sama saja pada kelima lokasi).
4.3. Uji dalam Statistika Nonarametrik
Dalam Statistika Nonparametrik, data yang dikumpulkan dan akan

dianalisis diukur dalam skala ordinal atau skor. Seperti sudah dijelaskan
sebelumnya, untuk keperluan analisis data aslinya tidak digunakan tetapi kita
menggunakan pangkat dari data asli. Alat analisis yang akan dibahas di sini
mengikuti pola yang telah dijelaskan sebelumnya.

a. Satu Faktor yang Diperhatikan (Uji Kruskal-Wallis)
Uji Kruskal-Wallis digunakan jika data yang dikumpulkan diukur dalam

skor dan hanya satu faktor yang diperhatikan. Tiap yang data yang untuk
masing-masing faktor dikumpulkan secara acak. Ini seperti rancangan acak
lengkap yang telah dijelaskan sebelumnya, tetapi datanya diukur dalam skala
ordinal atau skor.
Misalkan kita ingin memilih sebuah traktor yang dianggap terbaik untuk
mengolah tanah. Di pasaran tersedia 4 jenis merek traktor tangan. Untuk itu,
setiap merek diambil 3 buah untuk diuji. Hasil uji diukur dalam skor dari 1 sampai
10, dimana nilai 1 adalah nilai terjelek dan 10 adalah yang terbaik.
Hasil pengujian oleh seorang ahli traktor hasil disajikan dalam tabel
berikut ini:
A B C D
3 7 7 4
4 2 5 5
2 3 4 3
Hipotesis nol dalam kasus ini adalah tidak ada perbedaan kualitas (skor)
diantara keempat merek traktor yang dicoba, lawan hipotesis tandingan paling
sedikit ada dua merek traktor yang berbeda kualitasnya.
Nilai skor hasil pengujian dari keempat traktor tadi tidak dapat langsung
digunakan dalam analisis data, tetapi kita harus memberi pangkat terlebih dahulu
kepada nilai skor yang diperoleh. Semua data skor tadi digabungkan terlebih
dahulu, kemudian diberi nomor urut dari terkecil sampai terbesar. Nomor urut
tadi akan menjadi pangkat dari data skor, kecuali jika ada nilai skor yang sama,
maka pangkatnya sama dengan rata-rata dari nomor urut skor yang
bersangkutan (lihat contoh sebelumnya). Hasil pemberian pangkat tadi kemudian
dikembalikan berdasarkan mereknya.
Data skor yang telah diberi pangkat ditampilkan dalam tabel berikut:
A B C D
Skor Pngkt Skor Pngkt Skor Pngkt Skor Pngkt
3 4 7 11,5 7 11,5 4 7
4 7 2 1,5 5 9,5 5 9,5
2 1,5 3 4 4 7 3 4
T1 12,5 T2 17 T3 28 T4 20,5
Untuk menguji apakah hipotesis nol diterima atau ditolak, kita harus
menghitung statistik H dengan rumus:
12 k
T2j
H [  ]  3(n  1)
n(n  1) j 1 n j

dimana n adalah total data hasil pengamatan, n j adalah total pengamatan untuk
merek ke-j, sedangkan Tj adalah jumlah pangkat untuk merek ke-j.
12 12,52 172 282 20,52

H [ (    )]  3(12  1)
12(12  1) 3 3 3 3
H  3,29
Untuk menolak atau menerima H0, kita bandingkan H hasil perhitungan ini
(H-hitung) dengan nilai χ2KW dari tabel χ2KW dengan nilai sampel untuk masing-
masing kategori (merek) yang sesuai. Tolak H0 jika H > χ2KW .
Nilai χ2KW untuk taraf nyata 5% dan n1=n2=n3=n4=3 adalah 7,00 (lihat
Lampiran 8), sehingga H0 diterima atau tidak ada perbedaan kualitas antara
merek traktor diuji karena H (3,29) < daripada χ2KW (7,00).
b. Satu Faktor yang Diperhatikan (Uji Friedman)
Uji Friedman setara dengan rancangan acak kelompok pada Statistika

Parametrik.
Untuk memberikan contoh Uji Friedman, kita akan menggunakan lagi

data contoh pada Uji Kruskal-Wallis akan tetapi pengujian dianggap bukan
dilakukan oleh seorang ahli melainkan oleh 3 orang ahli yang berbeda, dan
masing-masing ahli menguji semua merek traktor. Dengan demikian, data hasil
pengujian yang kita miliki menjadi:
Merek Traktor
Penguji
A B C D
1 3 7 7 4
2 4 2 5 5
3 2 3 4 3
Pemberian pangkat data skor dalam Uji Friedman berbeda dengan yang
dilakukan pada Uji Kruskal-Wallis. Dalam Uji Friedman, pemberian pangkat
dilakukan secara sendiri-sendiri untuk masing-masing penguji. Misalnya, skor
untuk masing-masing merek dari penguji nomor 1 adalah: 3, 7, 7, dan 4. Jadi
pemberian pangkat hanya dilakukan untuk data ini saja. Demikian seterusnya
untuk penguji nomor 2 dan nomor 3.
Data skor dan pangkatnya disajikan dalam tabel berikut ini:
A B C D
Penguji
Skor Pngkt Skor Pngkt Skor Pngkt Skor Pngkt
1 3 1 7 3,5 7 3,5 4 2
2 4 2 2 1 5 3,5 5 3,5
3 2 1 3 2,5 4 4 3 2,5
T1 4 T2 7 T3 11 T4 8

Selanjutnya hitung statistik Fr dengan rumus seperti ini:
k
12
Fr  [ T 2 j ]  3b(k  1)
b(k )(k  1) j 1
dimana b adalah banyak baris (penguji) dan k adalah banyak kolom (merek
traktor), dan Tj adalah jumlah pangkat masing-masing kolom (traktor).
Dari data kita peroleh nilai Fr:
12
Fr  [ (42  72  112  82 )]  3(3)( 4  1)
3(4)( 4  1)
Fr  5
Untuk menguji apakah H0 diterima atau ditolak, kita harus

membandingkan nilai Fr ini dengan nilai χ2 (α;k-1) dari tabel χ2 yang standar.
Terima H0 jika Fr ≤ χ2 (α;k-1), dan terima H0 jika sebaliknya.
Nilai χ2 (0,05;3) sama dengan 7,815 (lihat Lampiran 3), sehingga H0

diterima atau tidak ada perbedaan kualitas antara merek traktor diuji karena Fr <
daripada χ2 (0,05;3).
4.4. Soal Latihan

1. Misalkan produktivitas (kuintal/ha) hasil percobaan dari 5 jenis varietas

jagung ditampilkan sebagai berikut:
Sampel Var A Var B Var C Var D Var E

1 19.1 20.8 18.0 19.2 19.5
2 20.0 20.3 19.6 18.5 18.1
3 18.4 17.6 20.7 19.7 20.5
4 21.1 19.3 20.8 21.2 21.0
5 19.9 18.7 22.1 17.2 18.4
Ujilah dengan taraf nyata 5% apakah ada perbedaan produktivitas antara

kelima varietas tersebut?
2. Misalkan data yang ditampilkan pada soal nomor 1 diperoleh dari lima
lokasi yang berbeda sehingga datanya menjadi seperti berikut ini:
Lokasi Var A Var B Var C Var D Var E

1 19.1 20.8 18.0 19.2 19.5
2 20.0 20.3 19.6 18.5 18.1
3 18.4 17.6 20.7 19.7 20.5
4 21.1 19.3 20.8 21.2 21.0
5 19.9 18.7 22.1 17.2 18.4

a. Ujilah dengan taraf nyata 5% apakah ada perbedaan produktivitas
antara kelima varietas tersebut?
b. Ujilah dengan taraf nyata 5% apakah lokasi berpengaruh secara nyata
terhadap produktivitas kelima varietas tersebut?
3. Skor hasil uji 4 jenis pestisida untuk memberantas hama penggerek batang
pada kakao disajikan dalam tabel berikut ini (skor 1-10, 10 kualitas terbaik):
MEREK
A B C D
8 7 8 6
7 6 9 7
9 8 7 7
6 5 7 5
7 6 8 6
6 6
a. Uji apa yang akan anda gunakan (Kruskal-Walli atau Friedman) untuk
menguji bahwa keempat merek itu sama bagusnya dalam
memberantas hama penggerek batang kakao?
b. Lakukan uji yang anda pilih dengan taraf nyata 5%? Apa kesimpulan
anda?
Indeks (Daftar Istilah Penting)

 Analisis Ragam (Analysis of Variance, Anova)
 Rancangan Acak Lengkap
 Faktor koreksi
 Jumlah kuadrat total
 Jumlah kuadrat kolom
 Jumlah kuadrat sisa
 Derajat bebas (degrees of freedom)
 Kuadrat tengah (Mean square)
 Jumlah kuadrat baris
 Uji Kruskal-Wallis
 Uji Friedman
--end—

BAB 5
UJI BEBAS KHI-KUADRAT
5.1. Pengantar
Seperti koefisien korelasi yang akan dibahas dalam Bab 6, Uji Bebas Khi-
Kuadrat (Uji Bebas χ2) bertujuan untuk menguji hubungan antara dua buah
variabel. Hanya Uji Bebas χ2 ini lebih fleksibel karena dapat digunakan untuk
data yang diukur dalam skala nominal, ordinal, interval maupun ratio. Selain itu,
pembagian kategori variabel juga fleksibel, sehingga kita dapat menggunakan
tabel 2x2, 3x3, 4x4 dan banyaknya baris tidak harus sama dengan banyaknya
kolom.
Meskipun ukuran tabel yang digunakan untuk Uji Bebas χ 2 fleksibel,

banyaknya data hasil pengamatan pada setiap sel tabel tidak boleh kurang dari
5. Jika ada sel yang bernilai 5 atau kurang, harus dilakukan koreksi dalam
menghitung nilai χ2. Sayangnya, rumus untuk melakukan koreksi terhadap
perhitungan χ2 hanya terdapat untuk tabel 2x2 saja dan tidak terdapat untuk
ukuran tabel lainnya. Jika terjadi yang seperti ini, dianjurkan untuk mengurangi
pembagian kategori variabelnya sehingga data hasil pengamatan setiap sel tidak
ada yang bernilai 5 atau kurang.
Pada tahap awal, Uji Bebas χ2 hanya bisa menyimpulkan apakah ada
hubungan yang nyata (signifikan) antara sebuah variabel dan variabel lainnya
atau tidak. Tetapi analisis dapat dilanjutkan dengan menghitung koefisien
kontingensi (C) untuk menentukan tingkat keeratan antara keduan variabel yang
dianalisis tadi. Secara umum nilai C ini berada diantara nol dan satu. Akan
tetapi, ketika kita ingin membagi nilai C ini kedalam berbagai kategori, misalnya
kurang erat, erat atau sangat erat, kita harus memperhatikan nilai maksimum dari
C karena nilai maksimum dari C bergantung kepada berapa ukuran dari tabel Uji
Bebas χ2 yang digunakan. Untuk tabel berukuran 2x2, nilai maksimum C adalah
0,707; untuk tabel berikuran 3x3 nilai maksimum C adalah 0,816, atau akar ((k-
1)/k) dimana k adalah banyaknya baris/kolom ; dan untuk tabel berukuran 4x4
nilai maksimum C adalah 0,866. Jadi, untuk membuat kategori tingkat keeratan
berdasarkan nilai koefisien C, maka nilai C harus dibagi dengan nilai
maksimumnya terlebih dahulu, baru membuat kategori tingkat keeratannya.
Berbeda dengan koefisien korelasi yang bisa menunjukkan apakah

hubungan antara dua variabel searah atau tidak dari tanda koefisien korelasinya
(tanda negatif berarti hubungan antara 2 variabel berlawanan arah dan tanda
positif berarti hubungannya searah), hasil uji χ 2 dan nilai C selalu bertanda positif
sehingga arah hubungan antara kedua variabel yang diuji tidak dapat ditentukan
dengan jelas. Perlu kejelian membaca tabel data hasil observasi untuk
menentukan arah dari hubungan kedua variabelnya.
5.2. Bentuk Umum Uji Bebas Khi-Kuadrat
Misalkan kita ingin menguji hubungan antara variabel A dan variabel B.

Setiap variabel dibagi kedalam dua kelompok: rendah dan tinggi. Jika kita
mengumpulkan data sebanyak N, maka kita harus menyusun tabel berukuran

2x2 seperti dibawah ini, dan memasukkan setiap data (atau responden) ke dalam
sel yang sesuai.
Tabel 5.1. Bentuk Umum Tabel 2x2 Uji Bebas Khi-Kuadrat

VARIABEL B
VARIABEL A Total
Rendah Tinggi
Rendah n11 n12 n1.
Tinggi n21 n22 n2.
Total n.1 n.2 N
Perhatikan bahwa nij adalah banyaknya data atau responden yang sesuai
dengan pembagian kategori masing-masing variabelnya. Misalnya, n 11 adalah
banyaknya data yang variabel A dan B-nya masuk kategori rendah; n 12 adalah
banyaknya data yang variabel A-nya rendah dan variabel B-nya tinggi; n21 adalah
banyaknya data yang variabel A-nya tinggi dan variabel B-nya rendah; dan n22
adalah banyaknya data yang variabel A-nya tinggi dan variabel B-nya tinggi.
Lalu kita menjumlahkan ke samping untuk memperoleh n 1. dan n2.. Dan
menjumlahkan ke bawah untuk memperoleh n .1 dan n.2. Jumlah data sama
dengan N.
Apa yang disajikan dalam Tabel 5.1. adalah data berdasarkan hasil
pengamatan atau observasi sehingga nilai n ij selanjutnya akan disebut nilai
observasi dan dilambangkan oij.
Setelah menyusun tabel observasi, selanjutnya kita harus menyusun

tabel nilai harapan untuk masing-masing sel dari tabel yang berukuran sama.
Tabel ini disebut tabel nilai harapan, yang isi masing-masing selnya
dilambangkan dengan eij. Tabel nilai harapan berukuran 2x2 dapat dilihat pada
Tabel 5.2 berikut ini.
Tabel 5.2. Tabel Nilai Harapan 2x2 Uji Bebas Khi-Kuadrat

VARIABEL B
VARIABEL A
Rendah Tinggi
Rendah e11 e12
Tinggi e21 e22
Nilai eij diperoleh dengan mengkalikan jumlah data observasi baris ke-i
dan jumlah data observasi kolom ke-j dibagi dengan N. Secara umum ditulis
dengan rumus:
(oi. )(o. j ) (ni. )( n. j )

eij  atau eij 
N N
Dari Tabel 5.1, kita peroleh:
(n1. )( n.1 ) (n1. )( n.2 )

e11  e12 
N N
(n2. )( n.1 ) (n2. )( n.2 )
e21  e22 
N N

Setelah kita memperoleh nilai observasi (oij) dan harapan (eij) untuk
masing-masing sel, maka nilai χ2 diperoleh dengan rumus:
(oi j  eij )2
 
2
i, j eij
Untuk menguji apakah H0 (variabel A tidak berhubungan dengan variabel

B), nilai χ2-hitung ini dibandingkan dengan nilai χ 2-tabel dengan taraf nyata yang
diinginkan dan derajat bebas jumlah baris dikurangi satu dikalikan dengan jumlah
kolom dikurangi satu, atau (b-1)x(k-1). Untuk tabel 2x2, derajat bebas dari χ 2
sama dengan satu atau (2-1)x(2-1). H0 ditolak jika nilai χ2-hitung lebih besar
daripada nilai χ2-tabel.
Setelah dilakukan pengujian dengan uji χ 2, tingkat keeratan hubungan

antara kedua variabel yang diuji dapat diukur dengan koefisien kontingesi, C,
yang dihitung dengan menggunakan rumus:
2
C
2  N
Nilai C berada diantara nol dan satu, meskipun seperti telah dijelaskan pada
bagian awal bab ini nilai maksimum C akan tergantung pada ukuran tabelnya.
Contoh perhitungan:
a. Tabel 2x2
Misalkan kita mewawancarai 90 orang petani untuk menguji apakah ada

hubungan yang erat antara luas petani dengan penggunaan benih bersertifikat.
Data hasil wawancara disajikan dalam tabel berikut ini.
Luas Benih Bersertifikat

Total
Sawah Tidak Pakai
Sempit 30 17 47
Luas 15 28 43
Total 45 45 90
Nilai harapan untuk tiap-tiap sel dihitung dengan rumus yang telah dijelaskan di
atas, dan hasilnya adalah:

Sawah Tidak Pakai
Sempit 23,5 23,5
Luas 21,5 21,5

Sehingga diperoleh nilai χ2 sebagai berikut:
(30  23,5) 2 (17  23,5) 2 (15  21,5) 2 ( 28  21,5) 2

2    
23,5 23,5 21,5 21,5
 2  7,526
Nilai χ2 (5%;1) sama dengan 3,841 (lihat Lampiran 3), sehingga H0 ditolak
atau ada hubungan yang erat antara luas lahan dengan pemakaian benih
bersertifikat karena nilai χ2-hitung lebih besar daripada nilai χ2-tabel.
Dari nilai χ2 ini diperoleh nilai C:
7,526
C
7,526  90
C  0,278
Misalkan secara subyektif kita mendefinisikan nilai C yang diperoleh

menjadi: ‘tidak erat’ jika C < 0,25, ‘kurang erat’ jika 0,26 < C ≤ 0,50, ‘cukup erat’
jika 0,51 < C ≤ 0,75, dan ‘sangat erat’ jika C > 0,75. Maka untuk mengklasifikan
nilai yang diperoleh kedalam klasifikasi yang dibuat, kita tidak dapat langsung
menggunakan nilai C yang diperoleh tadi, tapi harus dibobot (dibagi) dengan nilai
maksimum C untuk tabel berukuran 2x2 yakni sebesar 0,707.
Nilai C yang telah dibobot, kita sebut saja C*, menjadi sama dengan
0,393, sehingga termasuk dalam kategori ‘kurang erat’. Perhatikan, dari hasil uji
χ2 disimpulkan bahwa terdapat hubungan yang nyata (signifikan) antara luas
sawah yang dimiliki petani dengan penggunaan benih bersertifikat.
b. Tabel 3x3
Kembali misalkan kita ingin menghubungkan luas sawah yang dimiliki

petani dengan tingkat produktivitasnya. Sekarang kita bagi luas sawah yang
dimiliki petani menjadi rendah, sedang, dan luas. Tingkat produktivitas
sawahnya dibagi juga ke dalam tiga kategori yakni rendah, sedang, dan tinggi.
Data hasil wawancara dengan 120 orang petani disajikan dalam tabel berikut ini.
Luas Produktivitas Sawah

Total
Sawah Rendah Sedang Tinggi
Sempit 35 10 6 51
Sedang 15 20 8 43
Luas 7 9 10 26
Total 57 39 24 120
Nilai harapan dari data di atas disajikan dalam tabel berikut ini.

Luas Produktivitas Sawah
Sempit 24,23 16,58 10,20
Sedang 20,43 13,98 8,60
Luas 12,35 8,45 5,20
Dari tabel nilai observasi dan tabel nilai harapan, maka kita peroleh nilai
χ2 sama dengan 19,995.
Dari tabel χ2 dengan α=5% dan derajat bebas 4 (yang diperoleh dari (3-
1)x(3-1)) diperoleh nilai χ2(5%;4) = 9,488, sehingga H0 ditolak dan disimpulkan
terdapat hubungan yang nyata antara luas lawah dengan produktivitas sawah
petani.
Nilai C dari hasil uji ini

sama dengan 0,378, dan oleh karena nilai C maksimum untuk tabel berukuran
3x3 adalah 0,816 maka nilai C yang telah diberi bobot sama dengan 0,463 dan
masih masuk kategori kurang erat.
5.3. Bentuk Khusus Uji Bebas Khi-Kuadrat
Perbedaan antara bentuk khusus Uji χ2 dan bentuk umum yang sudah
dijelaskan sebelumnya adalah pada cara menghitung nilai harapan dari setiap
sel. Sebelumnya sudah dijelaskan bagaimana cara menghitung nilai harapan
dari tiap-tiap sel dengan rumus:
(oi. )(o. j )
eij 
N
Dalam bentuk khusus, nilai harapan dihitung berdasarkan asumsi-asumsi yang
digunakan oleh peneliti yang melakukan analisis.
Misalnya, sebuah pabrik minuman membuat 4 jenis minuman dengan

rasa yang berbeda. Lalu pemilik pabrik ingin mengetahui apakah ada jenis
minuman tertentu dari keempat jenis yang diproduksinya yang lebih disukai oleh
konsumen. Misalkan dia melakukan wawancara terhadap 100 orang konsumen.
Jika keempat jenis minuman tadi sama disukainya oleh konsumen, maka dari
100 orang akan ada 25 orang yang memilih masing-masing merek yang
disukainya.
Misalkan dari hasil wawancara diperoleh data seperti di bawah ini,

sedangkan nilai harapannya sesuai dengan asumsi yang digunakan, sehingga
kita akan mempunyai data sebagai berikut ini:
Data Jenis A Jenis B Jenis C Jenis D

Observasi
(Hasil survei) 20 40 15 25
Harapan
(Asumsi) 25 25 25 25

Dengan data seperti di atas, kita bisa menghitung nilai χ 2 dengan rumus
yang telah dijelaskan sebelumnya:
( 20  25) 2 (40  25) 2 (15  25) 2 ( 25  25) 2

2    
25 25 25 25
  14
2
Nilai χ2-tabel ditetapkan dengan menggunakan taraf nyata yang

diinginkan dan derajat bebas 3 (4-1). Nilai χ2(5%;3) sama dengan 7,815,
sehingga H0 ditolak atau ada jenis tertentu yang lebih disukai konsumen.
Perhatikan, bila data hasil surveinya adalah sebagai berikut ini:
Data Jenis A Jenis B Jenis C Jenis D

Observasi
(Hasil survei) 20 32 23 25
Nilai χ2 yang diperoleh menjadi 3,12 (pembaca disilakan berlatih untuk

menghitungnya), sehingga H0 diterima atau keempat jenis minuman tadi sama
disukainya oleh konsumen.
5.4. Soal Latihan
1. Sebuah survey pasar dilakukan untuk menguji apakah ada hubungan antara
suku bangsa dengan kesukaannya terhadap beras merek tertentu. Hasil
wawancara terhadap125 diperoleh data sebagai berikut:
Suku MEREK
Banga A B C D
Bugis 8 7 8 6
Mandar 7 25 9 7
Toraja 9 8 11 20
a. Ujilah apakah terdapat hubungan yang signifikan antara Suku Bangsa

dengan merek beras yang dipilihnya dengan taraf nyata 5%.
b. Hitung koefisien kontingensinya.
2. Sebuah penelitian mahasisw Prodi Agribisnis dilakukan untuk menguji

apakah ada hubungan antara luas sawah yang digarap dengan tingkat
produktivitasnya. Data hasil penelitian mahasiswa tersebut dapat dilihat
dibawah ini:
Luas Produktivitas
< 0,5 ha 8 7 8
0,5 - 1 ha 7 25 9
> 1 ha 6 8 22

a. Ujilah apakah terdapat hubungan yang signifikan antara luas sawah
dengan produktivitasnya dengan taraf nyata 5%.
b. Hitung koefisien kontingensinya.

 Uji bebas khi-kuadrat
 Koefisien kontingensi (C)
 Nilai observasi
 Nilai harapan
--end—

BAB 6
ANALISIS KORELASI
6.1. Pengantar
Analisis korelasi bertujuan untuk mengukur keeratan hubungan antara

dua buah variabel. Ukuran yang menyatakan keeratan hubungan dua buah
variabel disebut koefisien korelasi yang secara umum dilambangkan dengan
huruf r.
Nilai r berada diantara -1 dan +1. Tanda + menunjukkan hubungan

antara kedua variabel itu positif atau searah. Artinya, jika variabel pertama naik
atau semakin besar, maka variabel yang kedua juga akan naik atau semakin
besar. Sebaliknya jika bertanda – menunjukkan hubungan antara kedua
variabel itu negatif atau berlawanan. Artinya, jika variabel pertama naik atau
semakin besar, maka variabel yang kedua justru akan turun atau semakin kecil.
Perhatikan bahwa keeratan hubungan yang diukur dengan koefisien

korelasi ini adalah ―keeratan linear‖. Untuk memahami apa yang dimaksud
dengan keeratan linear, perhatikan Gambar 6.1. dan Gambar 6.2. berikut ini.
Gambar ini menunjukkan plot data antara variabel X dan variabel Y. Gambar
6.1(a) menunjukkan pola hubungan searah antara X dan Y sehingga jika dihitung
koefisien korelasi yang bertanda positif dan dekat dengan +1. Gambar 6.1(b)
menunjukkan pola hubungan berlawanan arah antara X dan Y sehingga jika
dihitung koefisien korelasi yang bertanda negatif dan dekat dengan -1. Gambar
6.2. menunjukkan pola hubungan yang berbeda dengan yang ditunjukkan
Gambar 6.1. Gambar 6.2(a) menunjukkan pola hubungan yang tidak jelas antara
X dan Y. Untuk pola hubungan seperti ini, nilai koefisien koelasi akan dekat atau
sama dengan nol. Gambar 6.2(b) menunjukkan pola hubungan yang jelas tapi
tidak linear antara variabel X dan Y. Jika koefisien korelasinya dihitung akan
menghasilkan nilai yang juga dekat dengan nol.
Dari penjelasan tadi jelaslah bahwa keeratan hubungan yang diukur

dengan koefisien korelasi adalah keeratan linear antara dua buah variabel.
Gambar 6.1. Hubungan antara X dan Y yang Searah atau Berlawanan Arah

Gambar 6.2. Hubungan antara X dan Y yang Tidak Linear
6.2. Koefisien Korelasi Pearson
Perhitungan koefisien korelasi Pearson dilakukan jika data variabel X dan

Y diukur dalam skala interval atau ratio. Rumus koefisien korelasi Pearson
x y i i  (  xi  y i ) / n
r i i i
(  xi  (  xi ) / n )(  yi  (  yi ) 2 / n )
2 2 2
i i i i
SS xy
r
SS x SS y
Untuk menguji apakah hubungan antara variabel X dan Y signifikan atau

tidak, hipotesis nol dan hipotesis satu dinyatakan sebagai berikut:
H0 :   0
H1 :   0
Statistik untuk mengujinya adalah:
r n2
t
1  r2
H0 diterima atau ditolak jika:

≤ 𝑡 𝛼; 𝑛 − 2 , 𝑡𝑒𝑟𝑖𝑚𝑎 𝐻𝑜
│t│  
> 𝑡 𝛼; 𝑛 − 2 , 𝑡𝑜𝑙𝑎𝑘 𝐻𝑜
Dimana nilai 𝑡 𝛼; 𝑛 − 2 nilai t yang diambil dari tabel t, sedangkan α adalah taraf
nyata (5% atau 1%) dan n adalah banyaknya data.
Contoh perhitungan:
Misalkan kita mempunya data gaji dan pengeluaran per minggu dari 8 keluarga
sbb:
Keluarga 1 2 3 4 5 6 7 8
Gaji (Rrp) 300 200 270 180 250 360 225 340
Pengeluaran (Rrp) 160 110 150 90 130 200 120 180
Kemudian dilakukan perhitungan untuk memperoleh angka-angka yang

diperlukan oleh rumus. Data dan hasil perhitungannya menjadi:
Tabel 6.1. Contoh Perhitungan Untuk menghitung Koefisien Korelasi

Keluarga X Y X2 Y2 XY
1 300 160 90000 25600 48000
2 200 110 40000 12100 22000
3 270 150 72900 22500 40500
4 180 90 32400 8100 16200
5 250 130 62500 16900 32500
6 360 200 129600 40000 72000
7 225 120 50625 14400 27000
8 340 180 115600 32400 61200
Jumlah 2125 1140 593625 172000 319400
Rata-rata 265.6 142.5
Dengan menggunakan rumus koefisien korelasi, diperoleh:
319400  (2125)(1140) / 8
r
(593625  (2125)2 / 8)(172000  (1140)2 / 8)
r  0,994
Ini berarti ada hubungan yang searah antara gaji dan pengeluaran keluarga.
Semakin besar gajinya, semakin besar pula pengeluarannya, dan hubungannya
sangat erat karena nilai r-nya dekat sekali ke 1.
Untuk menguji apakah nilai ini memang tidak sama dengan nol, maka dihitung
statistik t dengan menggunakan rumus yang sudah diberikan, dan diperoleh:

0,994 8  2
t
1  0,9942
t  203,5
Dari tabel t dengan α = 5% dan derajat bebas 6 (8-2) diperoleh t= 2,447 (lihat
Lampiran 2). Dengan demikian, kesimpulannya tolak H0 (atau terima H1) atau r
tidak sama dengan nol.
6.3. Koefisien Korelasi Spearman
Pengukuran keeratan hubungan dengan cara menghitung koefisien

korelasi Pearson tidak dapat dilakukan apabila salah satu variabelnya atau kedua
variabelnya diukur dalam skala ordinal atau penggunakan pengukuran skor.
Untuk data seperti ini koefisien korelasi harus dihitung dengan metode yang
diperuntukan untuk data seperti ini yang dibahas dalam Statistika Nonparametrik.
Salah satu cara yang dapat digunakan adalah dengan menggunakan metode
Spearman sehingga namanya disebut koefisien korelasi Spearman.
Untuk menghitung koefisien korelasi Spearman, data asli tidak digunakan

dan sebagai gantinya digunakan data pangkat (rank) dari data aslinya. Cara
menentukan pangkat dari sebuah data sudah dijelaskan pada Bab 1.
Misalkan hi adalah nilai pangkat dari data pertama, ki adalah nilai pangkat
dari data kedua dan n adalah banyaknya data, maka nilai koefisien korelasi
Spearman dapat dihitung dengan rumus:
n
6
rs  1  (  (hi  ki )2 )
n(n  1)
2
i 1
Untuk menguji apakah Ho diterima atau ditolak, kita harus

membandingkat antara nilai rs hasil perhitungan dengan tabel untuk koefisien
korelasi Spearman dengan taraf nyata (5% atau 1%) dan n adalah banyaknya
data. hipotesis nol ditolak (Ho: s = 0), jika |rs| > s.
Contoh Perhitungan:
Misalkan kita mempunyai data kualitas barang yang diukur dalam skala
skor dan harga barang yang diukur dalam skala interval/ratio. Data ini untuk jenis
barang yang kurang lebih sama gunanya atau barang yang hampir indentik
kegunaannya, misalnya TV atau laptop. Datanya adalah sebagai berikut:
Tabel 6.2. Data Kualitas dan Harga Barang

i MERK KUALITAS HARGA ($)
1 A 8 540
2 B 9 570
3 C 3 430
4 D 3 495

5 E 6 620
6 F 4 510
7 G 6 580
8 H 4 475
Perhatikan data kualitas barang diukur dalam berdasarkan skor (skala

ordinal). Skor rendah berarti kualitas barang rendah, dan skor tinggi berarti
kualitas barang lebih baik. Data harga barang dikukur dalam skala interval/ratio.
Untuk menghitung koefisien korelasi Spearman, kedua data ini harus

diubah kedalam data pangkat. Kualitas dan harga yang paling rendah diberi
pangkat 1 dan seterusnya meningkat satu angka jika kualitas dan harganya
meningkat. Pemberian pangkat dilakukan secara terpisah untuk kualitas dan
harga barang. Hasilnya disajikan dalam berikut ini.
i MERK KUALITA PANGKAT (hi) HARGA ($) PANGKAT(ki)

S
1 A 8 7 540 5
2 B 9 8 570 6
3 C 3 1.5 430 1
4 D 3 1.5 495 3
5 E 6 5.5 620 8
6 F 4 3.5 510 4
7 G 6 5.5 580 7
8 H 4 3.5 475 2
Dengan menggunakan data di atas, kita peroleh:
6(21,5)
rs  1   0,744
8(82  1)
Dari tabel koefisien korelasi Spearman diperoleh s = 0,738 pada α = 5% dan
n=8 (lihat Lampiran 9). Karena nilai mutlak rs hasil perhitungan (0,744) lebih
besar daripada s, maka H0 ditolak atau kualitas barang dan harga mempunyai
hubungan positif (searah) yang signifikan.
6.4. Koefisien Korelasi Tau-Kendall
Ada cara lain untuk menghitung koefisien korelasi seperti yang sudah
dijelaskan pada koefisien korelasi Spearman yakni yang disebut koefisien
korelasi Tau-Kendall yg dilambangkan dengan ( , ‗tau‘ dalam bahasa Yunani).
Seperti pada perhitungan koefisien korelasi Spearman, perhitungan pada
koefisien korelasi Tau-Kendall juga menggunakan data pangkat dari data asli
(bukan data asli yang digunakan).
Prosedurnya dilakukan sebagai berikut. Data pangkat h i dan ki diurutkan

dari kecil terbesar, lalu perhatikan urutan (sekuens) dari data k i. Kemudian

pasangkan data ki hasil peng-urutan tadi menjadi dua-dua. Lalu hitung jumlah
pasangan negatif dan jumlah pasangan positif yang diperoleh. Pasangan negatif
adalah pasangan jika angka keduanya lebih kecil dari angka pertama, sedangkan
pasangan positif adalah pasangan jika angka keduanya lebih besar dari angka
pertama.
Contoh Perhitungan:
Untuk memudahkan, mari kita kita lihat dengan contoh. Kita gunakan
data hi dan ki dari contoh perhitungan korelasi Spearman. Karena data hi ada
yang berulang, pengurutan dilakukan untuk data ki. Hasilnya adalah sbb:
i PANGKAT PANGKAT Hasil pengurutan (ki)

(ki) (hi)
(ki) (hi)
1 5 7 1 1.5
2 6 8 2 3.5
3 1 1.5 3 1.5
4 3 1.5 4 3.5
5 8 5.5 5 7
6 4 3.5 6 8
7 7 5.5 7 5.5
8 2 3.5 8 5.5
Data hi setelah diurutkan menurut ki adalah:
1,5 3,5 1,5 3,5 7 8 5,5 5,5
Jika dipasangkan dua-dua, kita akan mempunyai C(8,2) atau sama dengan 28
buah pasangan (8!/(2!x6!). Pasangan (1,5 dan 3,5) adalah pasangan positif,
sedangkan pasangan (7 dan 5,5) adalah pasangan negatif.
Jumlah pasangan negatif dan pasangan positif dari data di atas dapat
dilihat pada tabel berikut ini.
Tabel 6.3. Jumlah pasangan negatif dan positif dari h i

Hi 3.5 1.5 3.5 7 8 5.5 5.5
1.5 + 0 + + + + +
3.5 - 0 + + + +
1.5 + + + + +
3.5 + + + +
7 + - -
8 - -
5.5 0
5.5
Dari tabel diperoleh bahwa jumlah pasangan negatif adalah 5 (nn) dan jumlah
pasangan positif adalah 20 (np).

Rumus koefisien korelasi Tau-Kendall adalah:
n p  nn

C ( n ,2 )
20  5
  0,5357
28
Dimana np adalah banyaknya pasangan positif dan n n adalah jumlah pasangan

negatif.
Jika dibandingkan dengan hasil perhitungan korelasi Spearman, koefisien

korelasi Tau-Kendall dari data yang sama lebih kecil daripada koefisien korelasi
Spearman.
Untuk menguji apakah H0 diterima atau ditolak, nilai τ-hitung (Tau-hitung

= 0,5357) dibandingkan dengan nilai Tau-tabel (lihat Lampiran 10) dengan taraf
nyata tertentu (misalnya 5%), jika nilai mutlak Tau-hiting > Tau-tabel, H0 ditolak
atau ada korelasi yang signifikan antara kedua variabel tersebut. Dari tabel dapat
dilihat bahwa nilai Tau-tabel = 0,571 (n=8, α=5%) sehingga H0 diterima atau tidak
ada hubungan yang signifikan antara kedua variabel tersebut.
Apabila n cukup besar (n ≥ 30), pengujian dapat dilakukan dengan uji-Z.

Untuk itu harus dihitung terlebih dahulu statistik Z dengan rumus:
3 n(n  1)
Z
2(2n  5)
Tolak H0 jika Z hasil perhitungan lebih besar daripada Z-tabel dengan taraf nyata
yang dikehendaki.
6.5. Koefisien Korelasi Point-Biserial
Koefisien korelasi point-biserial dihitung jika kita ingin menghubungkan

atau mengukur keeratan antara dua buah variabel dimana data satu variabel
diukur dalam skala dikotomi sedangkan variabel lainnya diukur dalam skala
interval/ratio. Misalkan kita ingin menghitung korelasi antara jenis kelamin
dengan nilai tes. Jenis kelamin adalah variabel yang diukur dalam skala
dikotomi, laki-laki (L) dan perempuan (P), sedangkan nilai tes diukur dalam skala
interval/ratio.
Koefisien korelasi point-biserial dihitung dengan rumus:
x p  xq
rpb  Pp Pq
sx
Dimana:

xp = Rata-rata nilai variabel interval untuk kelompok variabel dikotomi
pertama;
xq = Rata-rata nilai variabel interval untuk kelompok variabel dikotomi

kedua;
sx = Simpangan baku utk variabel interval;
Pp = Proporsi variabel dikotomi pertama;
Pq = Proporsi variabel dikotomi kedua.
Untuk menguji hipotesis apakah Ho diterima atau ditolak, menggunakan

teknik yang sama dengan pengujian korelasi Spearman karena korelasi point-
biserial merupakan bentuk khusus dari korelasi Spearman. Pengujian
hipotesisnya (Ho: rs = 0 lawan Ho: rs ≠ 0), jika |rs| > rs-tabel, tolak Ho.
Contoh Perhitungan:
Perhatikan data berikut ini:
Resp. JK Nilai Resp. JK Nilai

1 L 7 9 P 14
2 L 19 10 P 11
3 L 8 11 P 18
4 L 10 12 P 23
5 L 7 13 P 17
6 L 15 14 P 20
7 L 6 15 P 14
8 L 13 16 P 24
17 P 22
Rata-2 10,625 Rata-2 18,111
Simpangan baku dari nilai adalah jika semua nilai itu digabungkan dan
dihitung simpangan bakunya (sx). Pp = 8/17=0,47 dan Pq=9/17=0,53. Dengan
menggunakan rumus untuk menghitung s x seperti yang sudah dijelaskan
sebelumnya (lihat ukuran penyebaran data), diperoleh s x = 5,86. Dengan
menggunakan rumus sebelumnya, diperoleh:
10,625  18,111
rpb  (0,47)(0,53)
5,86
rpb  0,637
Untuk koefisien point-biserial, tanda + atau – tidak diinterpretasikan

seperti umumnya nilai koefisien korelasi. Jadi yang diperhatikan hanya nilai
besaran koefisien korelasinya saja.

Nilai tabel Korelasi Spearman untuk taraf nyata 5% derajat bebas 15 (17-
2) = 0,521. Sehingga tolah Ho, atau hubungan yang nyata antara nilai ujian dan
jenis kelamin.
6.6. Soal Latihan
1. Pengalaman berusahatani (tahun) dan tingkat produktivitas tanaman

jagungnya (kuintal/ha) dari 10 orang petani adalah sebagai berikut:
Pengalaman 15 10 20 9 12 17 13 9 16 14
Produktivitas 45 30 40 25 35 38 29 30 45 35
a. Hitunglah koefisien korelasi Pearson dari data di atas

b. Ujilah dengan taraf nyata 5% apakah terdapat hubungan yang signifikan
antara pengalaman petani dan produktivitas jagung.
2. Dari petani yang sama, diperoleh data skor tingkat adopsi teknologi budidaya
dan pascapanen jagung dan produktivitasnya seperti berikut ini:
Adopsi 85 70 65 45 60 65 75 55 85 80
teknologi
Produktivitas 45 30 40 25 35 38 29 30 45 35
a. Hitunglah koefisien korelasi Spearman dan ujilah apakah hubungan

antara variabel adopsi teknologi dan produktivitas nyata dengan taraf
nyata 5%.
b. Hitunglah koefisien korelasi Tau-Kendall dan ujilah apakah hubungan
antara variabel adopsi teknologi dan produktivitas nyata dengan taraf
nyata 5%.
3. Jika ke-10 petani jagung di atas digolongkan berdasarkan luas lahan

jagungnya, maka ada yang masuk kategori luas (L) dan ada yang sempit (S).
Data di atas sekarang menjadi:
Lahan L S S S L L S L S S
Produktivitas 45 30 40 25 35 38 29 30 45 35
Hitunglah koefisien point-biserial dari data di atas dan ujilah apakah

hubungannya signifikan atau tidak dengan taraf nyata 5%.

 Keeratan linear
 Koefisien korelasi
 Korelasi Pearson
 Korelasi Spearman
 Korelasi Tau-Kendall
 Korelasi Point-biserial
--end—

BAB 7
ANALISIS REGRESI
7.1. Pengantar
Analisis regresi bisa dianggap sebagai analisis lebih lanjut daripada

analisis korelasi. Dalam analisis regresi, kita juga akan menentukan bagaimana
bentuk hubungan itu dalam model matematika dan menghasilkan persamaan
model matematikanya. Dalam analisis regresi kita juga dapat menghubungkan
sebuah variabel dengan sebuah atau beberapa variabel lain. Dalam analisis
regresi semua variabel yang dibicarakan harus diukur dalam skala interval/ratio.
Berbeda dengan analisis korelasi, dalam analisis regresi kita terlebih

dahulu harus menetapkan variabel mana yang disebut variabel dependent atau
terikat atau yang dipengaruhi, serta variabel mana yang disebut variabel
independent atau bebas atau yang mempengaruhi. Selanjutnya, dengan
menentapkan model matematika yang digunakan, kita akan menghitung berapa
dugaan dari koefisien-koefisien regresinya. Akhirnya, kita dapat menguji apakah
sebuah variabel bebas berpengaruh secara nyata terhadap variabel terikat (tak-
bebas).
Perhatikan variabel X dan Y seperti yang digambarkan dalam Gambar

7.1. Dalam dengan menggunakan analisis korelasi kita dapat menduga bahwa
hubungan antara X dan Y bertanda positif atau searah. Dalam analisis regresi,
kita akan menentukan terlebih dahulu mana yang menjadi variabel dependent
dan mana yang independent. Sesuai kebiasaan, variabel dependent kita
lambangkan dengan Y dan variabel independent kita lambangkan dengan X.
Dari plot datanya kita bisa menduga bahwa hubungan antara X dan
bersifat linear. Dengan demikian, dalam analisis regresi kita melanjutkan analisis
kita dengan mencari persamaan garis linear yang dianggap ‗terbaik‘ dalam
mewakili titik-titik data tadi. Jika Y hanya dipengaruhi oleh sebuah variabel X dan
hubungan model matematikanya dinyatakan dalam persamaan garis lurus
(linear), maka modelnya disebut model regresi linear sederhana (simple linear
regression). Jika variabel independent-nya lebih dari satu dan modelnya linear,
maka disebut model regresi linear berganda (multiple linear regression).
Selain model linear, kita juga akan membahas model non-linear yang
banyak digunakan dalam analisis regresi.

Gambar 7.1. Gambaran Regresi Linear Sederhana
7.2. Regresi Linear Sederhana
Seperti sudah dijelaskan di sub-bab sebelumnya, dalam analisis regresi

linear sederhana Y (variabel dependent) hanya dipengaruhi oleh sebuah X
(variabel independent), Y = f(X), dan hubungan matematis antara keduanya
dinyatakan dalam persamaan garis lurus. Dalam model regresi, hubungan ini
ditulis dalam model
Y    X  
Dimana α dan β adalah parameter koefisien regresi yang akan diduga dan ε
adalah kesalahan (error) dari model. Jika a dan b sudah ditetapkan, setiap titik
data hasil pengamatan dapat dinyatakan dalam bentuk
Y i a  bX i  ei
Dengan demikian ei atau kesalahan ke-i dapat dinyatakan sebagai
ei  Yi  (a  bX i )
e  Y  Yˆ
i i i
Dimana Yˆ adalah dugaan dari nilai Y yang diperoleh dari persamaan a + bX

i
untuk nilai X yang sesuai dengan titik datanya.
Perhatikan Gambar 7.2. berikut ini. Untuk setiap pasang data (Xi, Yi) akan
ada ei yang sesuai.

Gambar 7.2. Error dalam Regresi Linear Sederhana
Persamaan garis lurus yang dianggap ‗terbaik‘ dalam mewakili titik-titik

data adalah garis lurus yang meminimumkan jumlah kuadrat dari error atau
minimumkan
e i
i
2
Dengan cara ini, kita akan memperoleh a (dugaan dari α) dan b (dugaan dari β).
Mencari dugaan koefisien regresi dengan cara ini disebut menggunakan metode
jumlah kuadrat terkecil atau Ordinary Least Square.
Jika kita mempunyai pasangan data X dan Y sebanyak n, maka koefisien

a dan b dihitung dengan rumus:
 x y  ( x ) y ) / n SS
i i i i
b i
 i i xy
 x  ( x ) / n
i
i
2
SS
i
i
2
x
a  y  bx
Dimana y dan x adalah rata-rata dari y dan x.
Contoh Perhitungan:
Misalkan kita mempunyai data X dan Y hasil 8 pengamatan sbb:
i 1 2 3 4 5 6 7 8
X 300 200 270 180 250 360 225 340
Y 160 110 150 90 130 200 120 180

Agar bisa menghitung a dan b, kita harus melakukan pengolahan data seperti
yang ditunjukkan oleh tabel berikut ini dengan bantuan MS Excel dari software
Microsoft Office.
i X Y X2 Y2 XY
1 300 160 90000 25600 48000
2 200 110 40000 12100 22000
3 270 150 72900 22500 40500
4 180 90 32400 8100 16200
5 250 130 62500 16900 32500
6 360 200 129600 40000 72000
7 225 120 50625 14400 27000
8 340 180 115600 32400 61200
Jumlah 2125 1140 593625 172000 319400
Rata2 265,625 142,5
Dari perhitungan di atas kita dapatkan:
xi
i  2125
x 2
i  593625
i
yi
i  1140
y 2
i  172000
i
x y
i
i i  319400 x  265,625
y  142,5
n 8
Akhirnya kita dapatkan a = -8,5378 dan b=0,5686. Dengan demikian, persamaan
garis lurus yang kita dapatkan adalah:
Y = -8,5378 + 0,5686X
Dimana a = -8,5378 disebutkan juga konstanta yakni titik potong garis dengan
sumbu Y, atau ketika X = 0, maka Y = -8,5378. Sedangkan b = 0,5686
merupakan laju kenaikan (karena nilainya positif) dari Y ketika X bertambah satu
unit. Artinya, jika X naik satu unit maka Y akan naik (karena tanda b positif)
0,5686 unit. Unit yang dimaksud di sini adalah satuan dari X dan Y dari data
yang digunakan dalam perhitungan. Misalnya, jika X adalah pupuk urea yang
digunakan, maka unitnya (satuannya) bisa kg. Jika Y adalah produksi jagung,
unitnya bisa dalam kg, kuintal atau ton. Begitulah cara menafsirkan koefisien-
koefisien regresi yang diperoleh pada regresi linear sederhana.
Selanjutnya kita dapat menguji apakah variabel X berpengaruh secara

nyata terhadap variabel Y. Dari model regresi linear, hipotesis ini sama saja
artinya dengan menguji apakah koefisien b yang diperoleh sama dengan nol atau
tidak. Atau
Ho:β=0
H1: β≠0.

Jika H0 diterima, berapapun nilai X tidak akan berpengaruh pada nilai Y atau
dikatakan bahwa X tidak berpengaruh secara nyata terhadap Y. Sebaliknya, jika
H0 ditolak atau H1 diterima, nilai X akan mempengaruhi nilai Y atau X
berpengaruh secara nyata terhadap Y.
Untuk melakukan uji ini, kita memerlukan statistik t dengan rumus:
t  b / sb
dimana
sb  se / SS x
se  SSE /( n  2)
( SS xy ) 2
SSE  SS y 
SS x
H0 diterima jika t  t ( / 2; n  2) , dan tolak H0 jika sebaliknya.

Dari contoh di atas, kita peroleh:
SS(xy)= 16587.5 b= 0.5686

SS(x)= 29171.9 a= -8.538
SS(y)= 9550 n= 8
SSE = 118.136
SSe = 4.43727
sb = 0.02598
t= 21.8869
Dari tabel t diperoleh nilai t(5%, 6)=2,447 (lihat Lampiran 2 untuk uji dua arah)).
Sehingga karena t-hitung lebih besar dari t-tabel maka H0 ditolak atau X
berpengaruh secara nyata terhadap Y.
7.3. Regresi Linear Berganda
Jika variabel X yang dimasukan ke dalam model lebih dari satu, maka
regresinya disebut regresi linear berganda, dan model matematikanya
dinyatakan dalam bentuk:
Y    1 X1  2 X 2  ....  k X k  
Koefisien konstanta α dalam regresi linear berganda dilambangkan dengan β 0,
sehingga model kita sekarang ditulis dalam bentuk:
Y   0  1 X 1   2 X 2  ....   k X k  
Dan hasil perhitungannya akan menghasilkan persamaan:
Y  b0  b1 X 1  b2 X 2  ....  bk X k

Untuk menghitung koefisien regresi dalam model ini dan analisis-analisis
selanjutnya, perhitungan yang dilakukan akan lebih mudah jika dilakukan dalam
notasi dan perhitungan Aljabar Matriks. Secara prinsip, apa yang dilakukan
dalam analisis regresi linear sederhana sama saja dengan analisis yang
dilakukan dalam analisis regresi berganda. Karena notasi dan rumus
perhitungannya menjadi semakin rumit, maka contoh perhitungan yang akan
disajikan di sini didasarkan atas perhitungan dengan menggunakan software
SPSS (Statistical Package for Social Science).
Sebelum menjelaskan bagaimana menggunakan SPSS dan

menginterpretasikan hasilnya, di sini akan dijelaskan terlebih dahulu ouput
penting dari hasil perhitungan SPSS menurut urutan hasil yang disajikannya.
Hasil-hasil penting dari SPSS adalah sebagai berikut:
a. Koefisien Determinasi
Koefisien determinasi atau dilambangkan dengan R2 adalah koefisien
yang menunjukkan seberapa ―baik‖ model yang digunakan. Nilai R2
berada diantara 0 dan 1 (atau 0% dan 100%). Semakin tinggi nilai R2
model dianggap semakin baik, dan sebaliknya semakin rendah nilai R2
model dianggap semakin jelek. Nilai R2 menjelaskan berapa persen
variasi (naik-turunnya nilai Y) bisa dijelaskan oleh model. Nilai 1-R2
menunjukkan nilai kesalahan dari model.
b. Nilai F-hitung
Nilai F-hitung diperlukan untuk melakukan uji F. Dalam uji F kita secara
menguji pengaruh X secara bersama-sama. Hipotesisnya ditulis dalam
bentuk:
H 0 : 1  2  ....  k  0
H1: paling sedikit ada satu βi≠0
Jika H0 diterima, seluruh nilai b, kecuali b0, dianggap sama dengan nol
sehingga berapapun nilai X tidak akan mempengaruhi nilai Y. Artinya,
secara bersama-sama, variabel X tidak mempengaruhi secara nyata
variabel Y. Jika H 0 ditolak, H1 diterima, artinya paling sedikit ada satu
variabel X yang berpengaruh secara nyata terhadap Y.
Untuk melakukan uji F, hasil perhitungan yang diberikan dibandingkan

dengan nilai F dari tabel F. Dalam mencari nilai tabel F, selain taraf nyata
(α) yang dikehendaki, juga diperlukan dua derajat bebas yakni v1 dan v2.
Nilai v1 dan v2 adalah nilai derajat bebas untuk regresi dan sisa (residual)
yang dapat dilihat dalam tabel yang diberikan. Secara umum, v1 = k
(banyaknya variabel X) dan v2 = n-k-1.
c. Koefisien Regresi
Nilai koefisien regresi b0, b1, b2, …. bk, yang merupakan koefisien dari
persamaan garis akan ditampilkan pada hasil perhitungan dengan
menggunakan SPSS.
d. Nilai t-hitung

Nilai t-hitung diperlukan untuk melakukan uji t, yakni uji yang diperlukan
untuk menguji pengaruh masing-masing variabel X secara individu atau
sendiri-sendiri. Hipotesisnya dinyatakan dalam bentuk:
H 0 : i  0
H1 :  i  0
Jika H0 diterima berarti variabel yang diuji tidak berpengaruh secara
nyata, sebaliknya jika H0 ditolak berarti variabel yang diuji berpengaruh
secara nyata.
Seperti uji-t pada regresi linear sederhana, untuk melakukan uji ini nilai t
hasil perhitungan dibandingkan dengan nilai t dari tabel dengan nilai α
(taraf nyata) yang dipilih dan derajat bebas n-k-1.
Contoh perhitungan:
Misalkan kita mempunyai data sebagai berikut:
i Y X1 X2 X3
1 89,5 20 5 4,1
2 79,9 14,8 10 6,8
3 83,1 20,5 8 6,3
4 56,9 12,5 7 5,1
5 66,6 18 8 4,2
6 82,5 14 12 8,6
7 126,3 27,5 1 4,9
8 79,3 16 10 6,2
9 119,9 24,3 2 7,5
10 87,6 20,2 8 5,1
11 112,6 22 7 6,3
12 120,8 19 11 12,9
13 78,5 12,3 16 9,6
14 74,3 14 12 5,7
15 74,8 16,7 13 4,8
Agar kita bisa melakukan analisis regresi dengan menggunakan SPSS,

maka data ini harus dimasukkan terlebih dahulu ke dalam lembar data (data
sheet) SPSS. Jika kita sudah memiliki data ini dalam format Excel, data ini bisa
dipindahkan ke dalam lebar data SPSS dengan cara copy-paste. Penjelasan
cara memasukkan data ke dalam lembar data SPSS akan dibahas lebih lanjut
dalam Bab 8.
Setelah data berada dalam lembar data, kita tekan menu analyze, lalu
pilih regression, kemudian pilih linear. Akan muncul tampilan seperti ini:

Setelah menu linear ditekan, akan muncul kotak dialog seperti di bawah
ini, dan kita diminta untuk memasukan mana yang menjadi variabel dependent
(Y) dan mana yang menjadi variabel independent (X1, X2, X3) ke dalam kota-
kotak yang disediakan. Jika kita sudah memasukkan variabel dependent dan
independent, kita akan mempunyai kotak dialog seperti ini.
Jika sudah seperti ini, untuk melanjutkan analisisnya kita tinggal menekan tombol
―OK‖, dan kita akan memperoleh hasil perhitungan analisis regresi pada lembar
output dari SPSS.

Sesuai dengan penjelasan sebelumnya mengenai hasil perhitungan
SPSS yang penting, maka hasilnya adalah sebagai berikut:
a. Koefisien determinasi (R2):

Nilai koefisien determinasi diperoleh dari tabel seperti di bawah ini:
Model Summary
Std. Error of the
Model R R Square Adjusted R Square Estimate
a
1 .957 .916 .892 6.91689
a. Predictors: (Constant), X3, X1, X2
Nilai R2, adalah nilai R-square dengan nilai 0,916. Artinya, model ini bisa
menjelaskan 91,6% variasi (naik-turunnya) nilai Y. Ini berarti model ini
sangat baik.
b. Uji-F
Hasil uji F output dari SPSS dapat dilihat dari tabel dibawah ini:
b
ANOVA
Model Sum of Squares df Mean Square F Sig.
a
1Regression 5703.959 3 1901.320 39.740 .000
Residual 526.277 11 47.843
Total 6230.236 14
a. Predictors: (Constant), X3, X1, X2
b. Dependent Variable: Y
Dari tabel di atas dapat dilihat bahwa nilai F-hitung sama dengan 39,740
dengan derajat bebas untuk tabel F adalah (3, 11). Dari tabel F(5%;3,11)
kita perolah nilai 3,59 (lihat Lampiran 4), sehingga karena nilai F-hitung
lebih kecil daripada nilai F-tabel maka H0 ditolak atau X1, X2 dan X3
secara bersama-sama berpengaruh secara nyata terhadap Y.
Cara pengujian F juga dapat dilakukan dengan cara melihat significance

level yang diberikan tabel (kolom terakhir dari tabel di atas). Dari tabel
dapat dilihat bahwa significance level sama dengan 0,000. Kita akan
tolak H0 jika significance level lebih kecil dari taraf nyata (α) yang kita
gunakan. Jika taraf nyata yang kita gunakan sama dengan 5%, maka
tolak H0, dan kesimpulan ini sama dengan kesimpulan ketika kita
menggunakan F-hitung dan F-tabel.

c. Koefisien regresi
Nilai-nilai koefisien regresi yang diperoleh dapat dilihat dari tabel berikut
ini:
Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
- (Constant) -15.178 19.003 -.799 .441
X1 4.107 .748 .859 5.495 .000
X2 -.244 .884 -.047 -.276 .788
X3 4.848 .903 .540 5.367 .000
a. Dependent Variable: Y
Perhatikan bahwa nilai koefisien regresi adalah nilai B (seperti ditunjukkan

oleh tanda panah). Dengan demikian, nilai b0=-15,178, b1=4,107, b2=-
0,244 dan b3=4,848.
Dengan koefisien yang diperoleh ini, maka persamaan regresi linear

berganda yang diperoleh adalah:
Y = -15,178 + 4,107X1 – 0,244X2 + 4,848X3
d. Uji-t
Nilai t-hitung diberikan pada kolom t pada tabel di atas, dari tabel dapat
dilihat bahwa nilai t-hitung untuk X1, X2 dan X3 secara berturut-turut
adalah 5,495, -0,276 dan 5,367. Untuk menguji apakah masing-masing
variabel secara sendiri-sendiri (individual) berpengaruh nyata terhadap,
harga mutlak (nilai posisitf-nya) dari nilai t-hitung ini dibandingkan dengan
nilai t-tabel dengan taraf nyata (α) yang diinginkan, misalnya 5%, dengan
derajat bebas 11 (derajat bebas residual dari tabel sebelumnya).
Nilai t-tabel (5%;11) sama dengan 2,201 (lihat Lampiran 2), sehingga X1
dan X3 berpengaruh secara nyata karena nilai t-hitungnya lebih besar
daripada t-tabel, sedangkan X2 tidak berpengaruh nyata karena nilai
mutlak t-hitungnya (0,276) lebih kecil dari t-tabel.
Seperti juga waktu kita melakukan uji-F, kita juga bisa melakukan uji-t
dengan melihat significance level yang diberikan untuk masing-masing
variabel X1, X2 dan X3. Dari tabel di atas kita dapat lihat bahwa
significance level untuk X1 dan X3 sama dengan 0,000 atau H0 ditolak
atau X1 dan X3 berpengaruh secara nyata jika kita menggunakan taraf
nyata 5%. Sedangkan X2 mempunyai significance level 0,788 yang lebih
besar daripada 0,05 (5%) sehingga H0 diterima atau X2 tidak berpengaruh
nyata terhadap Y.

7.4. Regresi Non-Linear
a. Model Cobb Douglas
Seringkali hasil plotting data variabel X dan Y menyarankan kita untuk

menggunakan model non-linear. Salah satu model yang banyak digunakan
dalam bidang ekonomi atau ekonomi pertanian adalah model yang disebut Cobb-
Douglas atau Power Function. Perhatikan data dan gambar plot datanya berikut
ini.
i 1 2 3 4 5 6 7 8
X 180 200 220 240 260 280 300 320
Y 70 120 150 165 175 180 183 184
200
Y 180
160
140
120
100
80
60
40
20
0
180 200 220 240 260 280 300 320
X
Gambar 7.3. Plotting data model Cobb-Douglas
Untuk bentuk plot yang seperti ini, model linear dianggap kurang mewakili dan
model Cobb-Douglas lebih menggambarkan hubungan antara X dan Y seperti
gambar di atas.
Model regresi Cobb-Douglas adalah sebagai berikut:
Y  aX b
Untuk bisa menggunakan analisis regresi linear seperti yang sudah dijelaskan,
maka model ini harus di-linear-kan terlebih dahulu dengan cara me-logaritma-kan
dengan log atau ln. Setelah di-logaritma-kan, model di atas akan berubah
menjadi:
Log(Y )  Log(a)  bLog( X )  Log
dan bentuk ini identik dengan bentuk linear

Y *  a * bX *  *
Dengan demikian, analisis model linear dapat digunakan dengan cara mengganti
Y dengan Y* (atau log(Y)) dan X dengan X* (log(X)). Perhatikan pula, hasil
analisisnya akan menghasilkan a* dan b, dimana a* = log(a) atau a=(10) a*.
Dengan menggunakan rumus perhitungan sebelumnya (atau

menggunakan SPSS) untuk regresi model linear sederhana, dari data di atas kita
akan memperoleh nilai a*= -1,284 dan b = 1,444. Sehingga persamaan regresi
yang diperoleh adalah:
Log(Y) = -1,284 +1,444Log(X)
atau
Y  0,052 X 1,444
karena 10-1,284 = 0,052.
Kita juga bisa menggunakan konversi natural logaritma dimana Y*= ln(Y)
dan X*= ln(X). Koefisien regresi yang diperoleh tentu akan berbeda, serta
a=(e)a*. Akan tetapi kesimpulan yang berkaitan dengan R 2, uji-F dan uji-t akan
sama. Anda diminta mencobanya sendiri untuk membuktikan hal ini.
Yang harus diperhatikan ketika kita menggunakan model Cobb-Douglas

adalah perbedaan interpretasi nilai b bila dibandingkan dengan pada model
linear. Pada model Cobb-Douglas, koefisien b berarti elastitas, yakni:
Y / Y
b
X / X
Dengan demikian, dikatakan bahwa Y akan meningkat (jika b bernilai

positif, dan sebaliknya menurun jika negatif) sebesan b% jika X dinaikan sebesar
1%. Meskipun dari analisis data hasil penelitian bisa dijumpai nilai b bertanda
negatif, secara teoritis nilai b seharusnya bertanda positif.
b. Model Kuadratik
Kita juga sering mempunyai data dimana hubungan antara X dan Y lebih
baik digambarkan oleh model kuadratik. Dalam bidang ekonomi dan ekonomi
pertanian, model ini sering digunakan karena kita tertarik untuk mengetahui nilai
X yang membuat nilai Y maksimum atau minimum. Misalnya, kita ingin
mengetahui dosis penggunaan pupuk N yang memaksimumkan produksi padi,
atau tingkat pemakaian input yang meminimumkan biaya. Agar bisa menjawab
pertanyaan ini, model linear tidak dapat digunakan karena dalam model linear
tidak mempunyai titik maksimum atau minimum.
Jika Y = f (X), maka model kuadratik kita adalah:

Y    1 X  2 X 2  
Model ini identik dengan model regresi linear berganda dimana X 2 diganti dengan
X2. Perhitungan selanjutnya dilakukan sama seperti pada analisis regresi linear
berganda.
Misalkan kita mempunyai data seperti ini:
i 1 2 3 4 5 6 7 8 9
X 180 200 220 240 260 280 300 320 340
Y 90 120 150 165 175 170 150 130 105
dengan plot data seperti ini:
200
Y
180
160
140
120
100
80
60
40
20
0
180 200 220 240 260 280 300 320 340
X
Gambar 7.4. Plotting data model kuadratik
Untuk menggunakan analisis regresi linear berganda, kita buat variabel

baru X2 = X2, kemudian kita lambangkan X-nya menjadi X1, sehingga kita akan
mempunyai data seperti ini:
i 1 2 3 4 5 6 7 8 9
Y 90 120 150 165 175 170 150 130 105
X1 180 200 220 240 260 280 300 320 340
X2 32400 40000 48400 57600 67600 78400 90000 102400 115600
Dengan menggunakan SPSS, kita peroleh b o= -651,519, b1= 6,249 dan

b2= -0,012. Sehingga model kuadratik yang kita peroleh adalah:
Y = -651,519 + 6,249X - 0,012X2

Pengujian lebih lanjut dilakukan seperti dalam regresi linear berganda.
Perhatikan bahwa koefisien b 2 akan bertanda negatif jika Y mempunyai nilai
maksimum dan bertanda positif jika Y mempunyai nilai minimum.
7.5. Penggunaan Variabel Dummy
Seperti sudah dijelaskan sebelumnya, dalam analisis regresi data yang

digunakan harus diukur dalam skala interval atau ratio, seperti umur, berat
badan, luas lahan, dosis pupuk, produksi, dan seterusnya. Namun kadang-
kadang kita juga ingin memasukkan variabel yang diukur dalam skala nominal
atau ordinal sebagai variabel independent dalam model regresi kita. Variabel
independent seperti ini disebut sebagai variabel dummy (boneka) karena dia
bukan variabel sebenarnya karena tidak diukur dalam skala interval atau ratio.
Misalnya, kita ingin menambahkan variabel lokasi (desa-kota) atau variabel suku
bangsa dalam model regresi.
Penggunaan variabel dummy sangat tegas aturannya dalam analisis

regresi, yakni variabel tersebut hanya mempunyai nilai 0 atau 1. Misalnya, kita
memasukkan asal lokasi (desa-kota), maka kita akan menambahkan satu
variabel dummy, D, ke dalam persamaan regresi dimana nilai D=1 jika
responden berasal dari desa, dan D=0 jika responden berasal dari kota, atau
sebaliknya 1 untuk kota dan 0 untuk desa.
Jika kita menambahkan satu variabel dummy yang terdiri dari tiga
kategori, misalnya suku bangsa yang terdiri dari Jawa, Bugis dan Toraja, maka
kita harus menggunakan dua variabel dummy yakni D1 dan D2 (sebanyak jumlah
kategori minus satu). Pemberian kode untuk masing-masing suku menjadi
sebagai berikut:
Suku bangsa D1 D2
Jawa 1 0
Bugis 0 1
Toraja 0 0
Oleh karena itu, dalam analisis regresi penggunaan variabel dummy sedapat
mungkin dihindari atau hanya menggunakan satu buah saja dengan kategori
yang kecil (dua atau tiga saja).
Analisis regresi selanjutnya dari penggunaan variabel dummy sama saja

dengan analisis regresi linear berganda.
Misalnya, dari data yang digunakan untuk contoh analisis regresi linear
berganda sebelumnya, kita menambahkan sebauh variabel dummy dengan nilai
0 dan 1, sehingga kita memperoleh data sebagai berikut:
i Y X1 X2 X3 D
1 89,5 20 5 4,1 0
2 79,9 14,8 10 6,8 1
3 83,1 20,5 8 6,3 0

4 56,9 12,5 7 5,1 0
5 66,6 18 8 4,2 0
6 82,5 14 12 8,6 1
7 126,3 27,5 1 4,9 0
8 79,3 16 10 6,2 1
9 119,9 24,3 2 7,5 0
10 87,6 20,2 8 5,1 0
11 112,6 22 7 6,3 0
12 120,8 19 11 12,9 1
13 78,5 12,3 16 9,6 1
14 74,3 14 12 5,7 1
15 74,8 16,7 13 4.8 1
Sekarang, model regresi linear berganda kita menjadi:
Y  0  1 X1  2 X 2  3 X 3  d D  
dan persamaan regresi linear berganda hasil dugaannya adalah:
Y  b0  b1 X1  b2 X 2  b3 X 3  bd D
Dari hasil perhitungan dengan SPSS, kita akan peroleh nilai-nilai koefisien
regresi dan hasil uji-t seperti di bawah ini:
a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -9.418 16.978 -.555 .591
X1 4.178 .660 .874 6.334 .000
X2 -1.218 .913 -.233 -1.334 .212
X3 4.242 .849 .472 4.995 .001
D 11.500 5.631 .282 2.042 .068
a. Dependent Variable: Y
Sehingga dugaan dari persamaan regresi linear berganda kita menjadi:
Y  9,418  4,178 X1  1,218 X 2  4,242 X 3  11,500D

Untuk menguji apakah variabel dummy berpengaruh secara nyata
terhadap variabel Y, kita juga menggunakan nilai t-hitung yang diberikan oleh
tabel, yakni 2,024, lalu dibandingkan dengan nilai t-tabel (5%; 10). Derajat bebas

10 berasal dari n-k-1 atau 15-4-1=10. Nilai t-tabel (5%; 10) adalah 2,228,
sehingga H0 diterima atau variabel dummy tidak berpengaruh secara nyata
terhadap Y.
Perhatikan bahwa jika seandainya koefisien regresi berpengaruh

secaranya nyata atau βd≠0, pengaruh variabel dummy hanya membedakan nilai
dari konstantanya saja. Jika D=1, maka konstanta akan menjadi -9,418 +
11,500 = 2,082, sehingga persamaan regresi kita menjadi:
Y  2,082  4,178 X1  1,218 X 2  4,242 X 3
Sedangkan jika D=0, persamaan regresi kita menjadi:
Y  9,418  4,178 X1  1,218 X 2  4,242 X 3

Jadi, kita seolah-olah akan memperoleh dua persamaan regresi yang berbeda,
satu persamaan untuk D=1, dan persamaan lainnya untuk D=0.
7.6. Soal Latihan
1. Pehatikan data pengalaman berusahatani (tahun) dan tingkat produktivitas

tanaman jagungnya (kuintal/ha) dari 10 orang petani adalah sebagai berikut:
Pengalaman 15 10 20 9 12 17 13 9 16 14
Produktivitas 45 30 40 25 35 38 29 30 45 35
Jika produktivitas adalah Y dan pengalaman adalah X:

a. Jika Y=f(X), dengan menggunakan model regresi linear sederhana,
hitunglah koefisien a dan b.
b. Ujilah apakah pengalaman berpengaruh secara nyata terhadap
produktivitas dengan penggunakan taraf nyata 5%.
2. Misalkan kita mempunyai data Y, X1, X2 dan X3 seperti berikut ini:
Y X1 X2 X3
1080 80 40 1
2540 150 80 12
1490 85 55 3
960 55 45 0
2100 140 70 8
1820 95 65 5
2230 140 80 7
1490 80 60 9
1620 90 65 10
1260 60 55 8
1880 90 70 7
2080 100 100 5
2150 120 85 3
1940 95 80 0

1860 90 80 6
2240 135 90 8
2950 175 120 10
2370 150 115 10
1240 55 55 3
1620 70 75 5
2120 120 100 0
1090 50 50 8
Misalkan Y =f(X1, X2, X3) dan kita menggunakan model regresi linear
berganda. Lakukan analisis regresi dengan menggunakan SPSS.
a. Hitunglah koefisien regresi linear berganda-nya
b. Apakah model linear yang digunakan sudah cukup baik?
c. Apakah secara bersama-sama X1, X2, dan X3 berpengaruh secara
nyata terhadap Y (gunakan taraf nyata 5%)
d. Diantara variabel X1, X2, dan X3 mana yang berpengaruh nyata (secara
sendiri-sendiri) terhadap Y? Gunakan taraf nyata 5%.

 Variabel bebas (mempengaruhi, independent)
 Variabel terikat (mempengaruhi, dependent)
 Regresi linear sederhana (simple linear regression)
 Regresi linear berganda (multiple linear regression)
 Error
 Koefisien regresi
 Uji-t
 Koefisien determinasi (R2)
 Uji-F
 Regresi Nonlinear
 Model Cobb-Douglas
 Model kuadratik
 Variabel dummy
--end—

BAB 8
PENGOLAHAN DATA DENGAN SPSS DAN MS EXCEL
8.1. Memasukkan dan Mengedit Data
SPSS singkatan dari Statistical Package for Social Sciences adalah

sebuah software statistik untuk bidang ilmu sosial. Meskipun demikian, analisis
data dalam Statistika Parametrik juga tersedia dalam software ini seperti uji-t
untuk nilai tengah, analisis ragam, korelasi Pearson dan regresi. Software ini
mencakup hampir semua metode yang diperlukan dalam analisis statistika.
Sebelum mulai melakukan analisis data, tentu saja data yang akan
dianalisis harus dimasukkan terlebih dahulu ke dalam software ini agar
selanjutnya bisa dianalisis. SPSS bisa dimulai langsung untuk menampilkan
lembar data (data sheet) yang tampilannya seperti dibawah ini.
Perhatikan bahwa di baris paling atas terdapat menu yang bisa di-„tunjuk-
tekan‟ dengan kursor untuk memilih apa yang anda ingin lakukan. Tetapi untuk
memasukan dan mengedit data, perhatikan lembar utama dari lembar data ini.
Lembar data terdiri dari sel-sel yang dapat diisi dengan data. Baris di
atas yang bertuliskan “var” berarti variabel, sedangkan pada layar paling kiri
menunjukkan angka-angka yang berarti banyak kasus atau data yang
dimasukkan untuk variabel tersebut. Kita dapat memasukan data kedalam sel
secara berurutan dari atas ke bawah. Ketika datanya sudah diketikan, tekan
tombol enter dari laptop anda, dan kursor akan bergeser ke bawah sehingga
anda dapat memasukkan data berikutnya. Perhatikan bahwa ketika data mulai
dimasukkan, nama kolom yang sebelumnya “var” berubah menjadi “var00001”
yang berarti kolom pertama bernama variabel 00001. Setelah data mulai
dimasukkan, tampilan lembar data akan menjadi seperti ini:

Jika salah memasukan data ke dalam sel sebelum anda menekan tombol
enter, koreksi dapat langsung dilakukan. Jika kesalahan baru disadari setelah
menekan tombol enter atau bahkan setelah seluruh data dimasukkan, anda
dapat mengoreksinya dengan cara memindah kursor ke sel yang datanya salah,
lalu mengetik ulang data dengan benar. Perhatikan, untuk data kuantitatif,
pemisah desimal yang digunakan bukan “koma” melainkan “titik”, seperti
umumnya software buatan Amerika atau Eropa.
Jika kita sudah mempunyai data yang tersimpan dalam MS Excel, anda
juga dapat memasukkannya ke dalam lembar data SPSS dengan dengan
menggunakan teknik copy-paste. Teknik ini dapat anda coba sendiri.
Ketika memasukkan data hasil penelitian sebenarnya, kita seringkali

mempunyai banyak variabel. Pemberian nama variabel akan lebih mudah diingat
jika menggunakan nama sebenarnya atau singkatannya sehingga lebih mudah
difahami atau diingat. SPSS mempunyai cara untuk mengubah nama variabel
dari hanya nomor saja ke dalam nama yang anda kehendaki, sekalian dengan
mengubah lebar sel atau banyaknya angka di belakang koma (desimal) yang
anda kehendaki. Untuk itu perhatikan bagian kiri-bawah lembar data SPSS.

Ketika kita membuka lembar data, lembar ini sebenarnya mempunyai dua
jenis tampilan: pertama data view, lembar tempat kita memasukkan data ke
dalam sel-sel seperti sudah dijelaskan sebelumnya; kedua lembar variable view
yang berisi berbagai informasi pengaturan (setting) untuk setiap variabel yang
dimasukkan. Jika lembar variable view ditekan kita akan peroleh tampilan
berikut ini:
Perhatikan bahwa nama variabel adalah “var00001”, tipenya “numeric”,

lebar sel 8, banyaknya angka di belakang koma (desimal) adalah 2. Jika kita
ingin mengubah nama variabel menjadi, misalnya, luas sawah atau “luasswh”
(anda bisa mencoba berapa karakter maksimum yang bisa dimasukkan untuk
sebuah nama variabel), kita masuk ke sel var00001, kemudian ketik LuasSwah.
Kalau kita kembali ke lembar data view, nama variabelnya akan berubah sesuai
dengan yang kita masukkan, dan tampilan lebar datanya akan seperti ini.
Kita juga bisa mengubah lebar sel dan angka desimal sesuai dengan
yang anda inginkan atau datanya. Sedangkan tipe data yang dimasukkan akan
otomatis disesuaikan dengan jenis data yang dimasukkan ke dalam lembar data
apakah data kuantitatif atau kualitatif.
Selanjutnya, dengan cara yang sama anda bisa memasukkan data untuk
variabel kedua, ketiga dan seterusnya. Perhatikan bahwa kita bisa memasukkan
banyak variabel ke dalam sebuah lembar data, akan tetapi data yang
dimasukkan harus berasal dari kasus, sampel atau responden yang sama. Oleh
karena itu jumlah kasus (banyaknya data) untuk setiap variabel harus sama.

Setelah semua data selesai dimasukkan ke dalam lembar data, anda bisa
menyimpannya agar bisa dibuka kembali untuk digunakan oleh SPSS.
8.2. Analisis Deskriptif
Analisis deskriptif yang dilakukan SPSS adalah menghitung beberapa

karaktersitik penting dari sebuah atau beberapa variabel sekaligus. Karakteristik
penting yang bisa dihitung pada analisis deskriptif adalah: nilai maksimum, nilai
minimum, rata-rata dan simpangan baku (s).
Misalkan kita sudah memasukkan data seperti yang digunakan untuk

contoh analisis regresi berganda yang sudah dibahas dalam Bab 7 seperti ini.
Untuk melakukan analisis deskriptif, kita pilih „Analyze‟ ‟Descriptive

Statistics‟  „Descriptive‟, seperti yang ditampilkan dalam gambar berikut ini:

Kemudian akan muncul kotak dialog yang harus diisi sesuai dengan variabel
yang ingin kita olah datanya. Kotak dialog yang sudah diisi akan tampak seperti
ini.
Pada kotak sebelah kiri adalah nama-nama variabel yang ada dalam lebar data,
sedangkan pada kotak sebelah kanan adalah nama variabel yang akan dianalisis
datanya. Memindahkan variabel dari kota kiri ke kotak kanan dengan cara
menandai variabelnya, lalu tekan tombol tanda panah yang ada diantara kedua
kotak tersebut. Jika semua variabel yang ingin dianalisis sudah masuk ke kota
sebelah kanan, anda tekan tombol “OK”. Hasil pengolahan data akan ditampilkan
dalam lebar hasil (output) dan merupakan lebar terpisah dari lembar data.
Hasilnya akan seperti ini.

Dari tabel output SPSS di atas dapat dilihat nilai minimum, maksimum, rata-rata
(mean) dan simpangan baku (standard deviation) dari setiap variabel yang
dianalisis.
8.3. Analisis Regresi dan Korelasi
Analisis regresi yang sudah dibahas dalam Bab 7 sudah menggunakan

SPSS dalam perhitungannya, dengan demikian tidak akan dibahas lagi di sub-
bab ini. Pembahasan selanjutnya berkaitan dengan analisis korelasi.
Dari data yang sama kita juga bisa menghitung koefisien korelasi antara
dua variabel dan sekaligus melakukan pengujian hipotesis untuk menguji apakah
koefisien korelasi yang diperoleh sama dengan nol atau tidak. Karena data yang
digunakan adalah data kuantitatif, maka perhitungan korelasi yang dilakukan
adalah korelasi Pearson.
Kita buka kembali data yang digunakan untuk analisis statistika deskriptif.
Kemudian pilih „analyze‟  „correlate‟  „bivariate‟ seperti yang ditampilkan pada
gambar di bawah ini.
Jika pilihan „bivariate‟ ditekan, akan muncul kotak dialog. Kemudian masukkan
variabel-variabel yang akan dikorelasikan ke dalam kotak seperti gambar di
bawah ini. Perhatikan pula, ada kotak pilihan koefisien korelasi apa yang ingin
dihitung. Kita pilih korelasi Pearson. Untuk uji hipotesisnya pilih uji dua arah
(two-tailed).
Jika semua variabel sudah dimasukkan, tekan tombol “OK” untuk

menampilkan lembat output seperti yang ditampilkan pada gambar selanjutnya.

Dari tabel output yang disajikan kita bisa melihat bahwa nilai koefieisn
korelasi antara Y dengan X1 adalah 0,803; Y dengan X2 -0,521; Y dengan X3
0,372; X1 dengan X2 -0,810, X1 dan X3 -0,173, dan seterusnya.
Perhatikan pula pada nilai koefiesien korelasi itu ada yang diberika tanda
** (dua bintang), * (satu bintang) dan tidak diberi tandang bintang. Sesuai
dengan keterangan di bawah tabel, tanda ** berarti H 0: ρ = 0 ditolak pada taraf
nyata (α) 1%, dan tanda * berarti ditolak pada taraf nyata 5%. Artinya, koefisien
korelasi antara dua variabel yang dihitung tidak sama dengan nol. Sedangkan

jika tidak diberi tanda bintang, artinya H0 diterima atau korelasinya sama dengan
nol.
Jika variabel yang akan dianalisis datanya diukur dalam skala ordinal atau
skor maka koefisien korelasi yang akan dihitung adalah korelasi Spearman dan
Tau-Kendall. Anda tinggal memilih koefisien korelasi yang sesuai (misalnya
Spearman) sebelum anda menekan tombol “OK” pada kotak dialog. Hasil
perhitungan, akan ditampilkan pada lembar output seperti sebelumnya.
Demikian juga dengan interpretasi hasil dan pengujian hipotesisnya.
8.4. Uji Nilai Tengah dan Analisis Ragam (Statistika Parametrik)
Untuk melakukan uji nilai tengah dan analisis ragam (ANOVA), kita bisa
memilih menu „Analyze‟  „Compare means‟. Jika sudah dipilih, akan tersedia
beberapa pilihan untuk analisa data seperti ditampilkan gambar berikut ini.
Pilihan „One-sample T Test‟ adalah untuk melakukan uji satu nilai tengah;
„Independent-Samples T Test‟ untuk menguji beda dua nilai tengah jika datanya
bebas atau tidak berpasangan; „Paired-Samples T Test‟ untuk menguji beda dua
nilai tengah jika datanya tidak berpasangan (uji „before and after‟); dan „One-Way
ANOVA‟ untuk analisis ragam jika hanya satu faktor yang diperhatikan. Untuk
jelasnya, lihat kembali Bab 3 tentang uji beda dua nilai tengah dan Bab 4
khususnya tentang analisis ragam (Anova).
a. Uji Satu Nilai Tengah
Dengan menggunakan contoh data yang digunakan dalam Bab 3 kita

akan menggunakan SPSS untuk menganalisisnya. Pertama kita akan
melakukan uji sebuah nilai tengah dengan data yang sudah ditampilkan
sebelumnya.

Dengan menggunakan pilihan menu untuk menguji satu buah nilai tengah
setelah memasukkan datanya ke dalam lembar data, maka kita akan
memperoleh kota dialog seperti ini.
Data yang dimasukkan disebut var00001, dan kita ingin menguji

hipotesis:
H0 : μ = 6,5
H1 : μ ≠ 6,5
Sehingga kita masukkan angka 6,5 (jangan lupa diketik 6.5) kedalam kotak „Test
Value‟. Jika sudah selesai, tekan tombol “OK” untuk menghasilkan lembar output
seperti berikut ini.
Dari tabel kedua kita peroleh nilai t-hitung sama dengan -1,695 dan
derajat bebas untuk t-tabel (df) sama dengan 5. Hasilnya sama dengan hasil
perhitungan yang disajikan dalam Bab 3, dan kesimpulannya H 0 diterima.

b. Uji Beda Dua Nilai Tengah dengan Sample Bebas
Data yang akan diuji seperti yang sudah dibahas dalam Bab 3 adalah
sebagai berikut:
i 1 2 3 4 5 6 7
Var A 4.2 4.7 6.6 7 6.7 4.5
Var B 4.1 4.9 6.2 6.9 6.8 5.7 5.8
Agar bisa dianalisis dengan SPSS, data untuk varietas A dan varietas B harus
dimasukkan dalam satu kolom dalam lembar data SPSS. Kemudian, pada kolom
kedua (var00002) kita masukan angka 1 untuk data varietas A dan angka 2 untuk
data varietas B. Lembar datanya akan terlihat seperti berikut ini.
Kemudian dengan memilih menu untuk uji dua nilai tengah dengan data
independent, kita akan mempunyai kotak dialog seperti ini. Kedalam kota „Test
Variable(s)‟ masukkan var00001 (data aslinya) dan ke dalam kotak „Grouping
Variabel‟ masukkan var00002. Lalu tekan tombol „Define Groups‟ untuk
memisahkan data varietas A dan varietas B, sehingga ke dalam kotak „Group 1‟
masukkan angka 1 dan ke kotak „Grup 2‟ masukkan angka 2. Lalu tekan tombol
“OK”. Perhatikan bahwa tombol “OK” tidak bisa ditekan jika ada hal-hal yang
masih kurang. Dan Lembar hasilnya seperti ini.

Dari tabel hasil, perhatikan nilai t (t-hitung) yang diberikan. Diberikan dua
nilai t-hitung tergantung asumsi mengenai ragam dari kedua data produksi
varietas A dan B. Nilai t-hitung yang di atas jika diasumsikan ragam A sama
dengan ragam B dan derajat bebasnya (df) 11, sedangkan baris kedua jika
ragam A tidak sama dengan ragam B dan derajat bebasnya (df) 9,498
(dibulatkan menjadi 9).
Contoh pada Bab 3 kita mengasumsikan bahwa ragamnya sama

sehingga nilai t-hitungnya adalah -0,245 (nilai mutlaknya 0,245). Nilai t-tabel
(5%, 11) = 2,201, sehingga H0 diterima atau tidak ada perbedaan antara produksi
per hektar varietas A dengan varietas B.
c. Uji Beda Dua Nilai Tengah dengan Sample Berpasangan
Data yang sudah dijadikan contoh di Bab 3 dimasukkan ke dalam lembar

data SPSS. Perhatikan bahwa datanya dimasukkan ke dalam kolom yang
terpisah. Lalu pilih „Analyze‟ ‟Compare Means‟  „Paired-Sample T test‟. Akan
muncul kotal dialog seperti dibawah ini. Masukkan var00001 dan var00002 ke
dalam kota di sebelah kanan, dan tekan tombol “OK”. Hasilnya ditampilkan
dalam tabel output seperti di bawah ini.

Perhatikan nilai t-hitung sama dengan -0,663 dengan derajat bebas untuk
t-tabel sama dengan 5. Nilai mutlak t-hitung (0,663) dibandingkan dengan nilai t-
tabel taraf nyata yang diinginkan. Nilai t-tabel untuk α=0,05 dan derajat bebas 5
sama dengan 2,571, sehingga H0 diterima atau tidak ada beda produksi antara
varietas A dan varietas B.
d. Analisis Ragam (ANOVA) Satu Faktor
Analisis ragam sudah dibahas dalam Bab 4.2, dan datanya akan
digunakan kembali di sini. Seperti yang dilakukan pada uji beda dua nilai tengah
dengan sample bebas, data produksi dari keempat jenis varietas (lihat contoh
data pada Bab 4.2.) dimasukkan semuanya ke dalam kolom pertama (var00001)
dalam lembar data SPSS, kemudian pada kolom dua (var00002) masukan angka
1 untuk varietas A, angka 2 untuk varietas B, angka 3 untuk varietas C, dan
angka 4 untuk varietas D.
Selanjutnya pilih „Analyze‟ ‟Compare Means‟  „One-Way ANOVA‟.

Akan muncul kotal dialog seperti dibawah ini. Masukkan var00001 ke kotak
„Dependent List‟ dan var00002 ke kotak „Factor‟. Lalu tekan tombol “OK”.
Hasilnya akan ditunjukkan dalam lembar output seperti berikut ini.

Perhatikan bahwa penampilan dari tabel yang disajikan agak berbeda
dengan yang disajikan pada Bab 4.2, tetapi intinya sama. Pada kolom paling kiri
tertulis „Between Groups‟ atau „kolom‟ pada Bab 4.2; „Within Groups‟ atau Sisa;
dan total sama dengan sebelumnya.
Untuk menguji apakah ada perbedaan produktivitas diantara keempat

varietas tadi, kita lihat F-hitungnya sama dengan 4,284 (sama dengan
sebelumnya), kemudian bandingkan dengan F-tabel dengan derajat bebas (df)
(3,16) dan taraf nyata yang dikehendaki. Nilai F-tabel untuk taraf nyata 5%
dengan derajat bebas (3,16) sama dengan 3,13. Karena F-hitung > dari F-tabel,
maka H0 ditolak atau paling sedikit ada dua varietas yang produktivitasnya tidak
sama.
8.5. Uji Nilai Tengah Statistika Nonparametrik
Pilihan menu untuk melakukan uji nonparametrik terdapat pada pilihan

menu: „Analyze‟  „Nonparametric Tests‟ seperti yang terlihat pada gambar di
bawah ini. Kita bisa memilih pilihan uji yang sesuai setelah datanya dimasukkan
ke dalam lembar data SPSS.

a. Uji Beda Dua Nilai Tengah
a.1. Sampel Bebas
Uji beda dua nilai tengah bisa dilakukan untuk data yang bebas
(independent) atau datanya berpasangan (related). Kita akan mulai dengan
contoh untuk data/sampel yang bebas dengan menggunakan data yang
digunakan untuk Uji Jumlah Pangkat Wilcoxon dalam Bab 3.
Seperti biasa, data skor yang akan dibandingkan harus dimasukkan ke

dalam kolom 1 (var00001) sedangkan asal datanya (kelompoknya) dimasukkan
ke kolom 2 (var00002). Selanjutnya pilih „2 Independent Samples‟, sehingga
akan muncul dialog seperti dibawah ini. Lalu masukkan var00001 ke kotak „Test
Variable List‟ dan masukkan var00002 ke kotak „Grouping Variable‟, lalu tekan
tombol „Define Grpous‟ dan masukkan angka 1 ke kotak „Group 1‟ dan angka 2
ke kotak „Group 2‟. Perhatikan bahwa pilihan uji yang tersedia hanya uji Mann-
Whitney (Uji Jumlah Pangkat Wilcoxon tidak tersedia), jadi kita gunakan saja Uni
Mann-Whitney. Selanjutnya tekan tombol “OK”, dan hasilnya akan diseperti yang
ditampilkan di bawah ini.

Meskipun Uji Wilcoxon tidak ada dalam pilihan sebelumnya, tetapi hasil
ujinya tersedia seperti terlihat pada tabel di atas. Kalau kita merujuk pada Bab 4,
Nilai T-hitung untuk Wilcoxon sama dengan 93 (sama dengan hasil perhitungan
di Bab 4), dan nilai U-hitung (Mann-Whitney) sama dengan 38 (juga sama
dengan hasil perhitungan sebelumnya).
Untuk menguji apakah H0 diterima atau ditolak, nilai T-hitung
dibandingkan dengan nilai T-tabel untuk uji jumlah pangkat Wilcoxon. H 0 ditolak
jika T-hitung < TL-tabel atau T-hitung > TU-tabel. Dari tabel T untuk uji jumlah
pangkat Wilcoxon dengan n 1=10 dan n2=10, diperoleh TL=79 dan TU=131 untuk
α=0,05 (uji 2 arah). Karena nilai T-hitung (93) berada diantara TL (79) dan TU
(131), maka H0 diterima atau tingkat adopsi kedua kelompok tersebut tidak
berbeda nyata.

Nilai U-hitung = 38 dibandingkan dengan dan nilai U-tabel untuk taraf
nyata (α) 5% adalah 27. Kesimpulannya H 0 diterima atau tingkat adopsi kedua
kelompok tersebut tidak berbeda nyata karena U-hitung > U-tabel.
a.2. Sampel Berkaitan (Before and After)
Seperti sudah dibahas dalam Bab 3, untuk sampel berkaitan kita juga
akan menggunakan data yang sama dengan asumsi datanya dikumpulkan dari
kasus/responden yang sama „sebelum‟ dan „sesudah‟ diberi perlakuan. Dalam
Bab 3, uji yang digunakan adalah Uji Pangkat Bertanda Wilcoxon.
Dalam SPSS kita pilih „Analyze‟  „Nonparametric Tests‟  „2 Related

Samples‟. Sebelumnya data harus dimasukkan ke dalam lembar data terlebih
dahulu. Tetapi berbeda dengan sebelumnya, data „sebelum‟ harus dimasukkan
ke dalam kolom 1 (sebagai var00001) dan data „sesudah‟ harus dimasukkan ke
dalam kolom 2 (sebagai var00002). Lalu dalam kotak dialog, var00001 dan
var00002 dimasukkan ke kotak „Test Pairs‟ seperti terlihat pada gambar berikut
ini. Untuk jenis test, kita pilih „Wilcoxon‟.
Setelah ditekan tombol “OK”, hasilnya ditampilkan dalam tabel berikut ini.

Nilai T1=9 dan T2=36, sehingga T-hitung = 9 (nilai terkecil) dan kesimpulannya
terima H0 (sama seperti sebelumnya) karena nilai T-tabel (5%;10) = 8. Jangan
lupa bahwa H0 ditolak jika T-hitung < T-tabel.
Hasil perhitungan SPSS, selain memberikan nilai T juga diberikan nilai Z-

hitung, yakni -1,602 (lihat tabel yang dibagian bawah). Jika ukuran datanya
besar, sebaran T mendekati sebaran Z (normal baku) sehingga uji hipotesis bisa
dilakukan dengan cara Uji-Z. Untuk taraf nyata 5% dan ujianya bersifat uji dua
arah, nilai Z-tabel sama dengan 1,96 (lihat Tabel Z). Jika harga mutlak Z-hitung
> Z-Tabel, tolak H0. Karena harga mutlak Z-hitung < Z-Tabel maka H0 diterima,
atau tidak ada perbedaan antara sebelum dan sesudah perlakuan.
b. Uji Beda Tiga Nilai Tengah atau Lebih
b.1. Sampel Bebas (Uji Kruskal-Wallis)
Untuk menggunakan SPSS dalam melakukan Uji Kruskal-Wallis kita akan

menggunakan data yang sama yang sama yang pernah digunakan dalam Bab 4
untuk uji yang sama. Semua data skor hasil pengujian kualitas traktor harus
dimasukkan ke dalam kolom 1 (var00001) sedangkan asal datanya, dalam
angka, dimasukkan ke dalam kolom 2 (var00002).
Setelah data dimasukkan ke lembar data, kita pilih menu: „Analyze‟ 

„Nonparametric Tests‟  „k Independent Samples‟, dan akan memperoleh kotak
dialog seperti gambar berikut ini. Kemudian masukkan var00001 ke kotak „Test
Variable List‟ dan var00002 ke kotak „Grouping Variables. Lalu tekan tombol
„Define Variable‟, masukkan nilai minimum dan maksimum var00002 yakni 1 dan
4. Pilih jenis tes „Kurskal-Wallis H‟ dan tekan tombol “OK”. Hasilnya akan
ditampilkan pada gambar berikutnya.

Statistik untuk menguji H0 dari SPSS adalah nilai „Chi-square‟ (χ2) yakni
3,427. Seperti yang sudah dijelaskan, SPSS melakukan perhitungan dengan
asumsi data yang digunakan cukup besar. Dengan demikian untuk menguji
apakah H0 diterima atau ditolak, kita akan menggunakan nilai χ 2-tabel yang
standar dengan derajat bebas (df) 3. Nilai χ2-tabel untuk taraf nyata 5% dan
derajat bebas 3 adalah 7,815, sehingga H0 diterima atau tidak ada perbedaan
kualitas antara merek traktor diuji karena χ2 (3,427) < daripada χ2-tabel (7,815).

b.2. Sampel Berkaitan (Uji Friedman)
Di dalam SPSS, Uji Friedman dapat dilakukan dengan memilih menu:

„Analyze‟  „Nonparametric Tests‟  „k Dependent Samples‟. Setelah data
dimasukkan ke dalam lembar data. Untuk Uji Friedman, data dari setiap penguji
harus dipisahkan dan dianggap variabel tersendiri. Kemudian kedalam kotak
dialog „Test Variable‟, dimasukan semua variabel. Untuk jenis tes, pilih Friedman
seperti ditunjukkan dalam gambar di bawah ini. Kemudian tekan tombol “OK”.
Hasilnya ditampilkan dalam gambar berikut ini.
Seperti untuk uji Kruskal-Wallis, untuk uji Friedman SPSS juga

menggunakan statistik „Chi-Square‟ (χ2) untuk menguji apakah H0 diterima atau
ditolak. Nilai χ2-hitung sama dengan 5,556 dengan derajat bebas (df) sama
dengan 3. Nilai χ2-tabel untuk taraf nyata 5% dan derajat bebas 3 adalah 7,815,

sehingga H0 diterima atau tidak ada perbedaan kualitas antara merek traktor diuji
karena χ2 (5,556) < daripada χ2-tabel (7,815).
8.6. Uji Bebas Khi-Kuadrat dan Perhitungan Koefisien Kontingensi
Perhitungan Uji Bebas Khi-Kuadrat dan perhitungan koefisien kontingensi

dilakukan dalam SPSS dengan menggunakan menu: „Analyze‟  „Descriptive
Statistics‟  „Crosstabs‟. Sebelumnya, data harus dimasukkan dulu ke dalam
lembar data dengan variabel-variabel yang sesuai untuk dianalisis dengan
metode ini.
Sebagai contoh kita akan gunakan lagi tabel berikuran 2 x 2 yang sudah
digunakan untuk contoh perhitungan dalam Bab 5, yakni:

Total
Sawah Tidak Pakai
Sempit 30 17 47
Luas 15 28 43
Total 45 45 90
Data mentah (yang belum ditabulasi) untuk menghasilkan tabel di atas

terdiri dari dua variabel: pertama variabel „luas sawah‟ yang datanya diukur
dalam skala ordinal saja (sempit dan luas); kedua variabel „benih‟ yang diukur
dalam skala nominal (tidak bersertifikat dan bersertifikat). Dalam lembar data
SPSS, jumlah datanya terdiri dari 90 kasus (responden) dan masing-masing
berisi data luas sawah dan benih, yang kalau dihitung secara manual akan
menghasilkan tabel 2 x 2 seperti contoh di atas.
Bisa saja data asli luas sawah responden diukur dalam skala ratio berupa
luas sebenarnya yang diukur dalam satuan hektar. Lalu dengan aturan tertentu,
luas sawah masing-masing reponden diklasifikasikan menjadi sempit atau luas.
Cara pengklasifikasian atau pengelompokkan data ratio ke dalam data ordinal
tidak bisa dilakukan oleh SPSS tetapi bisa dilakukan oleh MS EXCEL, seperti
yang dibahas dalam sub-bab selanjutnya (Sub-bab 8.7).
Kembali ke contoh data untuk uji Bebas Khi-Kuadrat, datanya bisa seperti
yang ditampilkan dibawah ini. Data untuk kasus 1 misalnya, bernilai s (sempit)
untuk variabel „LsSwh‟ (luas sawah), dan t (tidak bersertifikat) untuk variabel
„BnhSertf‟ (benih bersertifikat), dan begitu seterusnya sampai ke bawah
sebanyak 90 kasus sehingga memenuhi tabel 2x2 di atas.

Jika data yang akan diolah sudah dimasukkan kedalam lembar data
seperti yang digambarkan di atas, kita selanjutnya dapat melakukan Uji Bebas
Khi-Kuadrat dengan menggunakan perintah: „Analyze‟  „Descriptive Statistics‟
 „Crosstabs‟, dan akan muncul kotak seperti gambar di bawah ini. Selanjutnya
kita masukkan variabel ke kotak „Row(s)‟ dan kotak „Column(s)‟ sesuai dengan
bentuk tabel 2x2 yang diinginkan. Sebelum menekan tombol “OK”, tekan dulu
tombol “Statistics” dan pilih kotak „Chi-Square‟ dan „Contingency Coefficient‟ agar
ditampilkan hasil perhitungannya. Hasil perhitungannya dapat dilihat pada
gambar berikutnya.

Tabel pertama menampilkan tabel 2x2 sedangkan nilai χ 2 ditunjukkan
oleh nilai „Pearson Chi-Square‟ yang sama dengan 7,526 pada tabel kedua dan
nilai koefisien kontingensi bernilai 0,278 terdapat pada tabel ketiga. Hasil
perhitungannya persis sama dengan contoh yang dibahas pada Bab 2.
Untuk menguji apakah ada hubungan yang signifikan antara luas sawah
dengan penggunaan benih bersertifikat dilakukan dengan membandingkan nilai
χ2-hitung dengan χ2-tabel dengan derajat bebas (df) sama dengan 1. Nilai χ2
(5%;1) sama dengan 3,841, sehingga H0 ditolak atau ada hubungan yang erat
antara luas lahan dengan pemakaian benih bersertifikat karena nilai χ 2-hitung
lebih besar daripada nilai χ2-tabel.
8.7. Pengelompokkan Data dengan Menggunakan MS EXCEL
Dalam Bab 2 kita sudah membahas cara pengelompokkan data ke dalam

kelas-kelas agar kita bisa secara visual mempunyai gambaran bagaimana
penyebaran data jika kita mempunya data yang banyak. SPSS memang
mempunyai „perintah‟ untuk menghitung jumlah/frekuensi berapa kali sebuah
data muncul dalam menu: „Analyze‟ ‟Descriptive Statistics‟  „Frequencies‟.
Hanya saja dengan menggunakan „perintah‟ ini kita tidak dapat membuat
pengelompokkan data seperti dibahas dalam Bab 2.
Oleh karena pekerjaan secara „manual‟ akan menjadi pekerjaan yang

menghabiskan waktu dan membosankan jika datanya sangat banyak, maka
penulis menggunakan MS EXCEL yang merupakan salah satu software dalam
Microsoft Office. Hasil pengelompokkan data ke dalam kelompok-kelompok yang

dikehendaki juga akan sangat berguna ketika kita akan melakukan Uji Bebas Khi-
kuadrat yang dibahas dalam Bab 5 karena „perintah‟ Crosstab‟ dalam SPSS akan
sangat berguna setelah data (terutama jika data aslinya berupa data kuantitatif)
dikelompokkan terlebih dahulu sesuai keinginan peneliti.
MS EXCEL merupakan software pengolah data dengan bentuk lembar

data (spreadsheet) seperti lembar data SPSS. Ke dalam sel-sel lembar data MS
EXCEL kita bisa memasukkan data (kuantitatif maupun kualitatif), tapi juga bisa
memasukkan instruksi atau rumus untuk melakukan pengolahan data
berdasarkan data yang dimasukkan ke dalam sel-sel lainnya. Kita akan
menggunakan rumus dalam mengelompokkan data sehingga pekerjaan yang
berulang-ulang dilakukan sekali saja atau dengan cara meng-copy-paste rumus
yang sama.
Dalam mengelompokkan data, rumus yang digunakan oleh MS EXCEL

mengikuti langkah berikut. Misalkan, untuk permulaan, kita ingin
mengelompokkan 50 data kuantitatif ke dua kelompok saja, yakni kelompok A
dan B. Setiap data dimasukkan ke dalam kelompok A jika nilainya kurang dari a.
Selain itu (jika nilainya lebih besar atau sama dengan a) masuk ke dalam
kelompok B. Secara diagramatik, langkahnya digambar dalam Gambar 8.1.
berikut ini.
Ya
X<a? Masuk Kel A
Tidak
Masuk Kel B
Gambar 8.1. Skema Pengelompokkan Data Kedalam 2 Kelompok
Kerangka berfikir ini bisa diperluas, misalnya jika kita ingin

mengelompokkan data tadi ke dalam tiga kelompok: A, B, C, dengan kriteria A : x
< a, B: a <x< b, dan C: x > b. Secara diagram, cara kerjanya ditampilkan dalam
Gambar 8.2. berikut ini.
Dalam MS EXCEL, kita bisa menggunakan instruksi atau rumus “If

….then ….”. Dan instruksi/rumusnya ditulis: =if(x<a,”A”,”B”). Instruksi ini
berarti: “jika x<a terpenuhi, maka A; jika tidak terpenuhi maka B”. Perhatikan
tanda = untuk menunjukkan bahwa sesuatu yang dituliskan itu adalah
instruksi/rumus dan bukan data. X bisa sebuah angka atau „alamat sel‟ yang
berisi angka, sehingga kita bisa mengganti angka pada sel tertentu, atau kita bisa
mengganti alamat sel-nya untuk melakukan pekerjaan yang berulang-ulang.

Untuk membagi data ke dalam 3 kelompok seperti dalam Gambar 8.2,
kita mengulang lagi instruksi “if” secara bersusun dan menambahkan kriteria
baru, sehingga instruksinya menjadi: =if(x<a,”A”,if(x<b,”B”,”C”)). Perhatikan
bahwa nilai b harus lebih besar dari a.
Ya
X<a? Masuk Kel A
Tidak
Ya
X<b? Masuk Kel B
Tidak
Masuk Kel C
Gambar 8.2. Skema Pengelompokkan Data Kedalam 3 Kelompok
Dengan pengetahuan ini kita akan mencoba mengelompokkan 100 data yang
sudah dibahas dalam Bab 2 kedalam 7 kelompok.
Sebelumnya, kita harus terlebih dahulu memasukan datanya ke dalam

lembar data MS EXCEL. Ke-100 data tadi bisa dimasukkan ke dalam satu baris
atau satu kolom, tetapi agar supaya dapat dilihat dalam satu layar laptop, kita
buat dalam 10 baris dan 10 kolom seperti ditampilkan dalam gambar berikut ini.

Perhatikan bahwa setiap sel mempunyai alamat yakni: nama kolom dan nama
barisnya (berbeda dengan matrik: baris dan kolom). Misalnya, sel yang ada
kotaknya yang bersisi angka 0.45 adalah sel C4. Hal ini penting untuk diingat.
Ketika kita memasukkan ke dalam sebuah rumus, alamat ini yang dimasukkan.
Rumus yang akan digunakan untuk mengelompokkan data ini akan dimasukkan
ke dalam sel lain yang tidak digunakan untuk data.
Sebelum menuliskan rumusnya, kita harus tahu dulu batas bawah dari
setiap kelas. Kita lihat kembali Bab 2, batas bawah dan batas atas setiap kelas
adalah :
 Kelas-1: 0,25 - 0,64;
 Kelas-2: 0,65 - 1,04;
 Kelas-3: 1,05 - 1,44;
 Kelas-4: 1,45 - 1,84;
 Kelas-5: 1,85 - 2,24;
 Kelas-6: 2,25 - 2,64, dan
 Kelas-7: 2,65 - 3,04
Dengan demikian kita akan gunakan batas bawah kelas mulai dari kelas-2
sampai kelas-7 untuk digunakan dalam mengelompokkan data ke dalam 7 kelas.
Rumus yang digunakan adalah:
=IF(X<0.65,”1”,IF(X<1.05,”2”, IF(X<1.45,”3”, IF(X<1.85,”4”, IF(X<2.25,”5”, IF(X<2.65,”6”,”7”))))))
Perhatikan banyaknya „kurung tutup‟ di bagian akhir rumus harus sama

banyaknya dengan „kurung buka‟ yang digunakan. Jika tidak akan diberitahu ada
kesalahan syntax (perintah). X adalah sebuah alamat sel yang sama dalam
rumus tersebut.
Selanjutnya, tuliskan rumus tersebut pada sel M2 dan ganti X pada rumus
tadi dengan alamat sel B2, yang berisi data pertama (0.30). Ketika rumus
dimasukkan ke dalam sel M2, isi sel M2 akan menjadi 1, berarti data 0.30 masuk
dalam kelas-1. Kemudian copy rumus ini (sel M2) ke sel sebelah kanannya (sel
N2), kemudian lakukan hal yang sama sampai sel V2. Untuk mempercepat
pekerjaan selanjutnya, copy isi sel M2 sampai V2 ke sel M3 sampai M11. Jika
anda lakukan ini maka isi sel mulai dari M2 sampai dengan V11 akan berisi
angka-angka berupa nomor kelas dari setiap data yang berada dalam sel B2
sampai K11. Tampilan isi sel M2 sampai V11 akan seperti ini. Perhatikan nilai 1
-10 pada baris pertama dan kolom L adalah angka-angka untuk kontrol bahwa
jumlah datanya ada 100 buah.

Dari angka-angka yang menunjukkan nomor kelas setiap data,
selanjutnya kita harus menghitung frekuensi (jumlah) yang masuk kelas-1, kelas-
2, dan seterusnya. Untuk melakukan ini, kita bisa menggunakan instruksi
=countif. Jadi, jika kita ingin menghitung jumlah angka 1 pada sel-sel M2
sampai dengan V11, kita bisa memasukkan rumus untuk menghitung banyaknya
angka satu ke dalam sebuah sel lain (jangan menggunakan sel yang sudah ada
isinya), dan rumusnya adalah =countif(M2:V11,”1”). Untuk menghitung jumlah
angka 2, ke dalam sel lain kita memasukkan rumus: =countif(M2:V11,”2”),
begitu seterusnya sampai kelas ke-7. Sehingga kita peroleh seperti ini:
Dari contoh di atas, rumus untuk menghitung jumlah angka 1 dimasukkan

ke sel B13, rumus untuk menghitung jumlah angka 2 dimasukkan ke sel B14, dan
seterusnya. Sedangkan pada sel A13, dimasukkan „1 =‟ dan seterusnya agar kita
tahu bahwa jumlah/frekuensi kelas-1 = 5, frekuensi kelas-2 = 15, dan seterusnya
sehingga kita dapat memperoleh frekuensi masing-masing kelas seperti yang
sudah dibahas dalam Bab 2.
--end—

DAFTAR PUSTAKA
Blalock, Jr., H.B. 1979. Social Statistics. Revised Second Edition. McGraw-Hill Kogakusha,
Ltd., Tokyo
Corder, J.W. and D.I. Foreman. 2009. Nonparametric Statistics for Non- Statisticians. Wiley
A John Wiley and Sons, Inc. Publication, Hoboken, New Jersey
Freund, R. J. and W. J. Wilson. 2003. Statistical Methods. Academic Press. Amsterdam.
Keller, G. et al. 1990. Statistics for Management and Economics A Systematic Approach.
Second Edition. Wadsworth Publishing Company, Belmont
Lawal, B. 2014. Applied Statistical Methods in Agriculture, Health and Life Sciences.
Springer, New York.
Mead, R., R.N. Curnow and A.M. Hasted. 1993. Statistical Methods in Agriculture and
Experimental Biology. Second Edition. Springer-Scinece +Business Media, B.V.
Mulyono, S. 1991. Statistika Untuk Ekonomi. PAU Universitas Indonesia, Jakarta
Nasoetion, A.H. dan Barizi. 1983. Metode Statistika. PT. Gramedia, Jakarta
Siegel, S. 1997. Statistik Nonparametrik (terjemahan). PT. Gramedia Pustaka Utama,

Jakarta
Siegel, S. 1956. Nonparametric Statistics for Behavioral Sciences. McGraw-Hill Book Co.,
New York
Walpole, R.E. 1990. Pengantar Statistika. Terjemahan. Gramedia, Jakarta.
Walpole, R.E., R. H. Myers and S.L. Myers. 2012. Probability & Statistics for Engineers &
Scientists. Ninth Edition. Prentice Hall, Boston.
Lampiran 1:
STANDARD NORMAL DISTRIBUTION
Table Values Represent AREA to the LEFT of the Z score.
Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
--------------------------------------------------------------------------------------------------------------
-3.9 .00005 .00005 .00004 .00004 .00004 .00004 .00004 .00004 .00003 .00003
-3.8 .00007 .00007 .00007 .00006 .00006 .00006 .00006 .00005 .00005 .00005
-3.7 .00011 .00010 .00010 .00010 .00009 .00009 .00008 .00008 .00008 .00008
-3.6 .00016 .00015 .00015 .00014 .00014 .00013 .00013 .00012 .00012 .00011
-3.5 .00023 .00022 .00022 .00021 .00020 .00019 .00019 .00018 .00017 .00017
-3.4 .00034 .00032 .00031 .00030 .00029 .00028 .00027 .00026 .00025 .00024
-3.3 .00048 .00047 .00045 .00043 .00042 .00040 .00039 .00038 .00036 .00035
-3.2 .00069 .00066 .00064 .00062 .00060 .00058 .00056 .00054 .00052 .00050
-3.1 .00097 .00094 .00090 .00087 .00084 .00082 .00079 .00076 .00074 .00071
-3.0 .00135 .00131 .00126 .00122 .00118 .00114 .00111 .00107 .00104 .00100
-2.9 .00187 .00181 .00175 .00169 .00164 .00159 .00154 .00149 .00144 .00139
-2.8 .00256 .00248 .00240 .00233 .00226 .00219 .00212 .00205 .00199 .00193
-2.7 .00347 .00336 .00326 .00317 .00307 .00298 .00289 .00280 .00272 .00264
-2.6 .00466 .00453 .00440 .00427 .00415 .00402 .00391 .00379 .00368 .00357
-2.5 .00621 .00604 .00587 .00570 .00554 .00539 .00523 .00508 .00494 .00480
-2.4 .00820 .00798 .00776 .00755 .00734 .00714 .00695 .00676 .00657 .00639
-2.3 .01072 .01044 .01017 .00990 .00964 .00939 .00914 .00889 .00866 .00842
-2.2 .01390 .01355 .01321 .01287 .01255 .01222 .01191 .01160 .01130 .01101
-2.1 .01786 .01743 .01700 .01659 .01618 .01578 .01539 .01500 .01463 .01426
-2.0 .02275 .02222 .02169 .02118 .02068 .02018 .01970 .01923 .01876 .01831
-1.9 .02872 .02807 .02743 .02680 .02619 .02559 .02500 .02442 .02385 .02330
-1.8 .03593 .03515 .03438 .03362 .03288 .03216 .03144 .03074 .03005 .02938
-1.7 .04457 .04363 .04272 .04182 .04093 .04006 .03920 .03836 .03754 .03673
-1.6 .05480 .05370 .05262 .05155 .05050 .04947 .04846 .04746 .04648 .04551
-1.5 .06681 .06552 .06426 .06301 .06178 .06057 .05938 .05821 .05705 .05592
-1.4 .08076 .07927 .07780 .07636 .07493 .07353 .07215 .07078 .06944 .06811
-1.3 .09680 .09510 .09342 .09176 .09012 .08851 .08691 .08534 .08379 .08226
-1.2 .11507 .11314 .11123 .10935 .10749 .10565 .10383 .10204 .10027 .09853
-1.1 .13567 .13350 .13136 .12924 .12714 .12507 .12302 .12100 .11900 .11702
-1.0 .15866 .15625 .15386 .15151 .14917 .14686 .14457 .14231 .14007 .13786
-0.9 .18406 .18141 .17879 .17619 .17361 .17106 .16853 .16602 .16354 .16109
-0.8 .21186 .20897 .20611 .20327 .20045 .19766 .19489 .19215 .18943 .18673
-0.7 .24196 .23885 .23576 .23270 .22965 .22663 .22363 .22065 .21770 .21476
-0.6 .27425 .27093 .26763 .26435 .26109 .25785 .25463 .25143 .24825 .24510
-0.5 .30854 .30503 .30153 .29806 .29460 .29116 .28774 .28434 .28096 .27760
-0.4 .34458 .34090 .33724 .33360 .32997 .32636 .32276 .31918 .31561 .31207
-0.3 .38209 .37828 .37448 .37070 .36693 .36317 .35942 .35569 .35197 .34827
-0.2 .42074 .41683 .41294 .40905 .40517 .40129 .39743 .39358 .38974 .38591
-0.1 .46017 .45620 .45224 .44828 .44433 .44038 .43644 .43251 .42858 .42465
-0.0 .50000 .49601 .49202 .48803 .48405 .48006 .47608 .47210 .46812 .46414
0.0 .50000 .50399 .50798 .51197 .51595 .51994 .52392 .52790 .53188 .53586
0.1 .53983 .54380 .54776 .55172 .55567 .55962 .56356 .56749 .57142 .57535
0.2 .57926 .58317 .58706 .59095 .59483 .59871 .60257 .60642 .61026 .61409
0.3 .61791 .62172 .62552 .62930 .63307 .63683 .64058 .64431 .64803 .65173
0.4 .65542 .65910 .66276 .66640 .67003 .67364 .67724 .68082 .68439 .68793
0.5 .69146 .69497 .69847 .70194 .70540 .70884 .71226 .71566 .71904 .72240
Analisis Statistika utk Sosek Pertanian-Didi Rukmana L- 1

Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
--------------------------------------------------------------------------------------------------------------
0.6 .72575 .72907 .73237 .73565 .73891 .74215 .74537 .74857 .75175 .75490
0.7 .75804 .76115 .76424 .76730 .77035 .77337 .77637 .77935 .78230 .78524
0.8 .78814 .79103 .79389 .79673 .79955 .80234 .80511 .80785 .81057 .81327
0.9 .81594 .81859 .82121 .82381 .82639 .82894 .83147 .83398 .83646 .83891
1.0 .84134 .84375 .84614 .84849 .85083 .85314 .85543 .85769 .85993 .86214
1.1 .86433 .86650 .86864 .87076 .87286 .87493 .87698 .87900 .88100 .88298
1.2 .88493 .88686 .88877 .89065 .89251 .89435 .89617 .89796 .89973 .90147
1.3 .90320 .90490 .90658 .90824 .90988 .91149 .91309 .91466 .91621 .91774
1.4 .91924 .92073 .92220 .92364 .92507 .92647 .92785 .92922 .93056 .93189
1.5 .93319 .93448 .93574 .93699 .93822 .93943 .94062 .94179 .94295 .94408
1.6 .94520 .94630 .94738 .94845 .94950 .95053 .95154 .95254 .95352 .95449
1.7 .95543 .95637 .95728 .95818 .95907 .95994 .96080 .96164 .96246 .96327
1.8 .96407 .96485 .96562 .96638 .96712 .96784 .96856 .96926 .96995 .97062
1.9 .97128 .97193 .97257 .97320 .97381 .97441 .97500 .97558 .97615 .97670
2.0 .97725 .97778 .97831 .97882 .97932 .97982 .98030 .98077 .98124 .98169
2.1 .98214 .98257 .98300 .98341 .98382 .98422 .98461 .98500 .98537 .98574
2.2 .98610 .98645 .98679 .98713 .98745 .98778 .98809 .98840 .98870 .98899
2.3 .98928 .98956 .98983 .99010 .99036 .99061 .99086 .99111 .99134 .99158
2.4 .99180 .99202 .99224 .99245 .99266 .99286 .99305 .99324 .99343 .99361
2.5 .99379 .99396 .99413 .99430 .99446 .99461 .99477 .99492 .99506 .99520
2.6 .99534 .99547 .99560 .99573 .99585 .99598 .99609 .99621 .99632 .99643
2.7 .99653 .99664 .99674 .99683 .99693 .99702 .99711 .99720 .99728 .99736
2.8 .99744 .99752 .99760 .99767 .99774 .99781 .99788 .99795 .99801 .99807
2.9 .99813 .99819 .99825 .99831 .99836 .99841 .99846 .99851 .99856 .99861
3.0 .99865 .99869 .99874 .99878 .99882 .99886 .99889 .99893 .99896 .99900
3.1 .99903 .99906 .99910 .99913 .99916 .99918 .99921 .99924 .99926 .99929
3.2 .99931 .99934 .99936 .99938 .99940 .99942 .99944 .99946 .99948 .99950
3.3 .99952 .99953 .99955 .99957 .99958 .99960 .99961 .99962 .99964 .99965
3.4 .99966 .99968 .99969 .99970 .99971 .99972 .99973 .99974 .99975 .99976
3.5 .99977 .99978 .99978 .99979 .99980 .99981 .99981 .99982 .99983 .99983
3.6 .99984 .99985 .99985 .99986 .99986 .99987 .99987 .99988 .99988 .99989
3.7 .99989 .99990 .99990 .99990 .99991 .99991 .99992 .99992 .99992 .99992
3.8 .99993 .99993 .99993 .99994 .99994 .99994 .99994 .99995 .99995 .99995
3.9 .99995 .99995 .99996 .99996 .99996 .99996 .99996 .99996 .99997 .99997
---------------------------------------------------------------------------------------------------------------

Lampiran 2:
t Table
one-tail
0.50 0.25 0.20 0.15 0.10 0.05 0.025 0.01 0.005 0.001 0.0005
two-tails
1.00 0.50 0.40 0.30 0.20 0.10 0.05 0.02 0.01 0.002 0.001
df -----------------------------------------------------------------------------------------------------------------
1 0.000 1.000 1.376 1.963 3.078 6.314 12.71 31.82 63.66 318.31 636.62
2 0.000 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 22.327 31.599
3 0.000 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 10.215 12.924
4 0.000 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 7.173 8.610
5 0.000 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 5.893 6.869
6 0.000 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.208 5.959
7 0.000 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 4.785 5.408
8 0.000 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 4.501 5.041
9 0.000 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.297 4.781
10 0.000 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 4.144 4.587
11 0.000 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.025 4.437
12 0.000 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 3.930 4.318
13 0.000 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 3.852 4.221
14 0.000 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 3.787 4.140
15 0.000 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 3.733 4.073
16 0.000 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 3.686 4.015
17 0.000 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.646 3.965
18 0.000 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.610 3.922
19 0.000 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.579 3.883
20 0.000 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.552 3.850
21 0.000 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.527 3.819
22 0.000 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.505 3.792
23 0.000 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.485 3.768
24 0.000 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.467 3.745
25 0.000 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.450 3.725
26 0.000 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779 3.435 3.707
27 0.000 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.421 3.690
28 0.000 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.408 3.674
29 0.000 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756 3.396 3.659
30 0.000 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.385 3.646
40 0.000 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 3.307 3.551
60 0.000 0.679 0.848 1.045 1.296 1.671 2.000 2.390 2.660 3.232 3.460
80 0.000 0.678 0.846 1.043 1.292 1.664 1.990 2.374 2.639 3.195 3.416
--------------------------------------------------------------------------------------------

Lampiran 3:
Chi-Square Distribution Table
:995 :990 :975 :950 :900 :100 :050 :025 :010 :005
df -------------------------------------------------------------------------------------------------------------------------------
1 0.000 0.000 0.001 0.004 0.016 2.706 3.841 5.024 6.635 7.879
2 0.010 0.020 0.051 0.103 0.211 4.605 5.991 7.378 9.210 10.597
3 0.072 0.115 0.216 0.352 0.584 6.251 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 1.064 7.779 9.488 11.143 13.277 14.860
5 0.412 0.554 0.831 1.145 1.610 9.236 11.070 12.833 15.086 16.750
6 0.676 0.872 1.237 1.635 2.204 10.645 12.592 14.449 16.812 18.548
7 0.989 1.239 1.690 2.167 2.833 12.017 14.067 16.013 18.475 20.278
8 1.344 1.646 2.180 2.733 3.490 13.362 15.507 17.535 20.090 21.955
9 1.735 2.088 2.700 3.325 4.168 14.684 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 4.865 15.987 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 5.578 17.275 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 6.304 18.549 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 7.042 19.812 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 7.790 21.064 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 8.547 22.307 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 9.312 23.542 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 10.085 24.769 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 10.865 25.989 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 11.651 27.204 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 12.443 28.412 31.410 34.170 37.566 39.997
21 8.034 8.897 10.283 11.591 13.240 29.615 32.671 35.479 38.932 41.401
22 8.643 9.542 10.982 12.338 14.041 30.813 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 14.848 32.007 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 15.659 33.196 36.415 39.364 42.980 45.559
25 10.520 11.524 13.120 14.611 16.473 34.382 37.652 40.646 44.314 46.928
26 11.160 12.198 13.844 15.379 17.292 35.563 38.885 41.923 45.642 48.290
27 11.808 12.879 14.573 16.151 18.114 36.741 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 18.939 37.916 41.337 44.461 48.278 50.993
29 13.121 14.256 16.047 17.708 19.768 39.087 42.557 45.722 49.588 52.336
30 13.787 14.953 16.791 18.493 20.599 40.256 43.773 46.979 50.892 53.672
40 20.707 22.164 24.433 26.509 29.051 51.805 55.758 59.342 63.691 66.766
50 27.991 29.707 32.357 34.764 37.689 63.167 67.505 71.420 76.154 79.490
60 35.534 37.485 40.482 43.188 46.459 74.397 79.082 83.298 88.379 91.952
70 43.275 45.442 48.758 51.739 55.329 85.527 90.531 95.023 100.425 104.215
80 51.172 53.540 57.153 60.391 64.278 96.578 101.879 106.629 112.329 116.321
90 59.196 61.754 65.647 69.126 73.291 107.565 113.145 118.136 124.116 128.299
100 67.328 70.065 74.222 77.929 82.358 118.498 124.342 129.561 135.807 140.169

Lampiran 4:
F Values for α = 0.10

v1
1 2 3 4 5 6 7 8 9
v2 -----------------------------------------------------------------------------------------------------------------
1 39.86 49.5 53.59 55.83 57.24 58.2 58.91 59.44 59.86
2 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38
3 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24
4 4.54 4.32 4.19 4.11 4.05 4.01 3.98 3.95 3.94
5 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32
6 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96
7 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72
8 3.46 3.11 2.92 2.81 2.73 2.67 2.62 2.59 2.56
9 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44
10 3.29 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35
11 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.3 2.27

12 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.24 2.21
13 3.14 2.76 2.56 2.43 2.35 2.28 2.23 2.20 2.16
14 3.10 2.73 2.52 2.39 2.31 2.24 2.19 2.15 2.12
15 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 2.09
16 3.05 2.67 2.46 2.33 2.24 2.18 2.13 2.09 2.06
17 3.03 2.64 2.44 2.31 2.22 2.15 2.10 2.06 2.03
18 3.01 2.62 2.42 2.29 2.20 2.13 2.08 2.04 2.00
19 2.99 2.61 2.40 2.27 2.18 2.11 2.06 2.02 1.98
20 2.97 2.59 2.38 2.25 2.16 2.09 2.04 2.00 1.96
21 2.96 2.57 2.36 2.23 2.14 2.08 2.02 1.98 1.95

22 2.95 2.56 2.35 2.22 2.13 2.06 2.01 1.97 1.93
23 2.94 2.55 2.34 2.21 2.11 2.05 1.99 1.95 1.92
24 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91
25 2.92 2.53 2.32 2.18 2.09 2.02 1.97 1.93 1.89
26 2.91 2.52 2.31 2.17 2.08 2.01 1.96 1.92 1.88
27 2.90 2.51 2.30 2.17 2.07 2.00 1.95 1.91 1.87
28 2.89 2.50 2.29 2.16 2.06 2.00 1.94 1.90 1.87
29 2.89 2.50 2.28 2.15 2.06 1.99 1.93 1.89 1.86
30 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85
40 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79

60 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74
120 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68
inf 2.71 2.30 2.08 1.94 1.85 1.77 1.72 1.67 1.63
---------------------------------------------------------------------------------------------------------------------------

v1
10 12 15 20 24 30 40 60 120 inf
v2 ------------------------------------------------------------------------------------------------------------------------------
1 60.19 60.71 61.22 61.74 62 62.26 62.53 62.79 63.06 63.33
2 9.39 9.41 9.42 9.44 9.45 9.46 9.47 9.47 9.48 9.49
3 5.23 5.22 5.20 5.18 5.18 5.17 5.16 5.15 5.14 5.13
4 3.92 3.90 3.87 3.84 3.83 3.82 3.80 3.79 3.78 3.76
5 3.30 3.27 3.24 3.21 3.19 3.17 3.16 3.14 3.12 3.10
6 2.94 2.90 2.87 2.84 2.82 2.80 2.78 2.76 2.74 2.72
7 2.70 2.67 2.63 2.59 2.58 2.56 2.54 2.51 2.49 2.47
8 2.54 2.50 2.46 2.42 2.40 2.38 2.36 2.34 2.32 2.29
9 2.42 2.38 2.34 2.30 2.28 2.25 2.23 2.21 2.18 2.16
10 2.32 2.28 2.24 2.20 2.18 2.16 2.13 2.11 2.08 2.06
11 2.25 2.21 2.17 2.12 2.10 2.08 2.05 2.03 2.00 1.97
12 2.19 2.15 2.10 2.06 2.04 2.01 1.99 1.96 1.93 1.90
13 2.40 2.10 2.05 2.01 1.98 1.96 1.93 1.90 1.88 1.85
14 2.10 2.05 2.01 1.96 1.94 1.91 1.89 1.86 1.83 1.80
15 2.06 2.02 1.97 1.92 1.90 1.87 1.85 1.82 1.79 1.76
16 2.03 1.99 1.94 1.89 1.87 1.84 1.81 1.78 1.75 1.72
17 2.00 1.96 1.91 1.86 1.84 1.81 1.78 1.75 1.72 1.69
18 1.98 1.93 1.89 1.84 1.81 1.78 1.75 1.72 1.69 1.66
19 1.96 1.91 1.86 1.81 1.79 1.76 1.73 1.70 1.67 1.63
20 1.94 1.89 1.84 1.79 1.77 1.74 1.71 1.68 1.64 1.61

21 1.92 1.87 1.83 1.78 1.75 1.72 1.69 1.66 1.62 1.59
22 1.90 1.86 1.81 1.76 1.73 1.70 1.67 1.64 1.60 1.57
23 1.89 1.84 1.80 1.74 1.72 1.69 1.66 1.62 1.59 1.55
24 1.88 1.83 1.78 1.73 1.70 1.67 1.64 1.61 1.57 1.53
25 1.87 1.82 1.77 1.72 1.69 1.66 1.63 1.59 1.56 1.52
26 1.86 1.81 1.76 1.71 1.80 1.65 1.61 1.58 1.54 1.50
27 1.85 1.80 1.75 1.70 1.67 1.64 1.60 1.57 1.53 1.49
28 1.84 1.79 1.74 1.69 1.66 1.63 1.59 1.56 1.52 1.48
29 1.83 1.78 1.73 1.68 1.65 1.62 1.58 1.55 1.51 1.47
30 1.82 1.77 1.72 1.67 1.64 1.61 1.57 1.54 1.50 1.46
40 1.76 1.71 1.66 1.61 1.57 1.54 1.51 1.47 1.42 1.38
60 1.71 1.66 1.60 1.54 1.51 1.48 1.44 1.40 1.35 1.29
120 1.65 1.60 1.55 1.48 1.45 1.41 1.37 1.32 1.26 1.19
inf 1.60 1.55 1.49 1.42 1.38 1.34 1.30 1.24 1.17 1.00
---------------------------------------------------------------------------------------------------------------------------------------

v1
1 2 3 4 5 6 7 8 9
v2 --------------------------------------------------------------------------------------------------------------------
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5
2 18.51 19.00 19.16 19.25 19.3 19.33 19.35 19.37 19.38
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90

12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37

22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21

40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04
120 3.92 3.07 2.68 2.45 2.29 2.17 2.09 2.02 1.96
inf 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88

v1
10 12 15 20 24 30 40 60 120 inf
v2 ------------------------------------------------------------------------------------------------------------------------------
1 241.9 243.9 245.9 248.0 249.1 250.1 251.1 252.2 253.3 254.3
2 19.4 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49 19.5
3 8.79 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55 8.53
4 5.96 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66 5.63
5 4.74 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.36
6 4.06 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67
7 3.64 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23

8 3.35 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93
9 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71
10 2.98 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54
11 2.85 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40
12 2.75 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30
13 2.67 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21
14 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13
15 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07
16 2.49 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01
17 2.45 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96
18 2.41 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97 1.92
19 2.38 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93 1.88
20 2.35 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90 1.84
21 2.32 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87 1.81
22 2.30 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84 1.78
23 2.27 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81 1.76
24 2.25 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79 1.73
25 2.24 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77 1.71
26 2.22 2.15 2.07 1.99 1.95 1.90 1.85 1.80 1.75 1.69
27 2.20 2.13 2.06 1.97 1.93 1.88 1.84 1.79 1.73 1.67
28 2.19 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.71 1.65
29 2.18 2.10 2.03 1.94 1.90 1.85 1.81 1.75 1.70 1.64
30 2.16 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68 1.62
40 2.08 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58 1.51
60 1.99 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47 1.39
120 1.91 1.83 1.75 1.66 1.10 1.55 1.50 1.43 1.35 1.25
inf 1.83 1.75 1.67 1.57 1.52 1.46 1.39 1.32 1.22 1.00

v1
1 2 3 4 5 6 7 8 9
v2 -----------------------------------------------------------------------------------------------------------------------------
1 4052 4999.5 5403 5625 5764 5859 5928 5982 6022
2 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37 99.39
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35
10 10.04 7.56 6.55 5.99 5.64 5.39 5.2 5.06 4.94
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63

12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.14
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40

22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18
27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12
29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89

60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56
inf 6.63 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41

v1
10 12 15 20 24 30 40 60 120 inf
v2 ------------------------------------------------------------------------------------------------------------------------------
1 6056 6106 6157 6209 6235 6261 6287 6313 6339 6366
2 99.40 99.42 99.43 99.45 99.46 99.47 99.47 99.48 99.49 99.50
3 27.23 27.05 26.87 26.69 26.60 26.50 26.41 26.32 26.22 26.13
4 14.55 14.37 14.20 14.02 13.93 13.84 13.75 13.65 13.56 13.46
5 10.05 9.89 9.72 9.55 9.47 9.38 9.29 9.20 9.11 9.02
6 7.87 7.72 7.56 7.40 7.31 7.23 7.14 7.06 6.97 6.88
7 6.62 6.47 6.31 6.16 6.07 5.99 5.91 5.82 5.74 5.65
8 5.81 5.67 5.52 5.36 5.28 5.20 5.12 5.03 4.95 4.86
9 5.26 5.11 4.96 4.81 4.73 4.65 4.57 4.48 4.40 4.31
10 4.85 4.71 4.56 4.41 4.33 4.25 4.17 4.08 4.00 3.91
11 4.54 4.40 4.25 4.10 4.02 3.94 3.86 3.78 3.69 3.60
12 4.30 4.16 4.01 3.86 3.78 3.70 3.62 3.54 3.45 3.36
13 4.10 3.96 3.82 3.66 3.59 3.51 3.43 3.34 3.25 3.17
14 3.94 3.80 3.66 3.51 3.43 3.35 3.27 3.18 3.09 3.00
15 3.80 3.67 3.52 3.37 3.29 3.21 3.13 3.05 2.96 2.87
16 3.69 3.55 3.41 3.26 3.18 3.10 3.02 2.93 2.84 2.75
17 3.59 3.46 3.31 3.16 3.08 3.00 2.92 2.83 2.75 2.65
18 3.51 3.37 3.23 3.08 3.00 2.92 2.84 2.75 2.66 2.57
19 3.43 3.30 3.15 3.00 2.92 2.84 2.76 2.67 2.58 2.49
20 3.37 3.23 3.09 2.94 2.86 2.78 2.69 2.61 2.52 2.42
21 3.31 3.17 3.03 2.88 2.80 2.72 2.64 2.55 2.46 2.36
22 3.26 3.12 2.98 2.83 2.75 2.67 2.58 2.50 2.40 2.31
23 3.21 3.07 2.93 2.78 2.70 2.62 2.54 2.45 2.35 2.26
24 3.17 3.03 2.89 2.74 2.66 2.58 2.49 2.40 2.31 2.21
25 3.13 2.99 2.85 2.70 2.62 2.54 2.45 2.36 2.27 2.17
26 3.09 2.96 2.81 2.66 2.58 2.50 2.42 2.33 2.23 2.13
27 3.06 2.93 2.78 2.63 2.55 2.47 2.38 2.29 2.20 2.10
28 3.03 2.90 2.75 2.60 2.52 2.44 2.35 2.26 2.17 2.06
29 3.00 2.87 2.73 2.57 2.49 2.41 2.33 2.23 2.14 2.03
30 2.98 2.84 2.70 2.55 2.47 2.39 2.30 2.21 2.11 2.01
40 2.80 2.66 2.52 2.37 2.29 2.20 2.11 2.02 1.92 1.80
60 2.63 2.50 2.35 2.20 2.12 2.03 1.94 1.84 1.73 1.60
120 2.47 2.34 2.19 2.03 1.95 1.86 1.76 1.66 1.53 1.38
inf 2.32 2.18 2.04 1.88 1.79 1.70 1.59 1.47 1.32 1.00

Lampiran 5:
Tabel Nilai Kritis Untuk Wilcoxon Rank Sum Test

Lampiran 6:

Lampiran 6 (lanj):

Lampiran 7:

Lampiran 8:

Lampiran 9:

Lampiran 10:

BIODATA PENULIS
Penulis dilahirkan di salah satu desa di Kabupaten Karawang, Jawa Barat, pada tanggal 15
Agustus 1954. Menyelesaikan pendidikan S1 (Ir.) di IPB, Bogor, dan tamat pada tahun 1977
dalam bidang Statistika minor Pemuliaan Tanaman. Pendidikan S2-nya (MS) juga
diselesaikan di IPB, Bogor, tamat tahun 1980 dalam bidang Statistika Terapan minor
Ekonomi Pertanian. Tahun 1987, penulis melanjutkan pendidikan S3 (Ph.D.) di Colorado
State University, Colorado, USA, dan tamat pada tahun 1992 dalam bidang Ekonomi
Pertanian dan Sumber Daya Alam minor Ekonometrika.
Sejak tahun 1981, aktif mengajar pada Jurusan Sosial Ekonomi Pertanian, Fakultas
Pertanian, Universitas Hasanuddin, sampai sekarang. Selain mengajar di strata S1, sejak
tahun 1993, penulis juga mengajar pada strata S2 dan S3 di Program Pascasarjana
Universitas Hasanuddin pada Program Studi Sistem-sistem Pertanian, Pengelolaan
Lingkungan Hidup, dan Ekonomi Sumber Daya.
Selain menjadi pengajar, penulis juga pernah menjadi sekretaris Pusat Studi Lingkungan
Universitas Hasanuddin pada tahun 1981 – 1987 dan 1995 – 1999. Kemudian menjadi
kepala Pusat Studi Lingkungan Universitas Hasanuddin pada tahun 2000- 2004. Setelah itu,
menjadi Ketua Program Studi S2 Pengelolaan Lingkungan Hidup pada Program
Pascasarjana Universitas Hasanuddin pada tahun 2005 – 2008.
Selain mengikuti pendidikan formal, penulis juga pernah mengikuti kursus Analisis Dampak
Lingkungan (Tipe A) di ITB, Bandung, pada tahun 1982. Kemudian dilanjutkan dengan
mengikuti kursus Penyusunan Analisis Dampak Lingkungan (Tipe B) di IPB, Bogor tahun
1983. Tahun 1994 mengikuti kursus Audit Lingkungan di ITS, Surabaya. Selain itu, pernah
juga mengikuti kursus Agricultural Project Appraisal di Colorado State University, USA, pada
tahun 1988.
--end—

Analisis Statistika Didi Rukmana 2017

Diunggah oleh

Informasi Dokumen

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

Analisis Statistika Didi Rukmana 2017

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS STATISTIKA

PROGRAM STUDI AGRIBISNIS

Untuk mencapai maksud di atas, penulis melakukan pendekatan yang

Pada bab terakhir dibahas dan diberikan contoh penggunaan software

Penulis berharap buku ini bisa bermanfaat bagi pembaca terutama

Makassar, Agustus 2017

2. PENYEBARAN DAN PEMUSATAN DATA (14 hal)

3. PERBANDINGAN DUA NILAI TENGAH POPULASI (10 hal)

4. PERBANDINGAN TIGA ATAU LEBIH NILAI TENGAH POPULASI (9 hal)

5. UJI BEBAS KHI-KUADRAT (7 hal)

6. ANALISIS KORELASI (9 hal)

7. ANALISIS REGRESI (17 hal)

8. PENGOLAHAN DATA DENGAN SPSS DAN MS EXCEL (26 hal)

LAMPIRAN-LAMPIRAN: (17 hal)

1.1. Perbandingan Jenis Metode Statistika dalam

2.1. Hasil Pengelompokan Data Luas Sawah 100 Petani

4.1. Tabel Analisis Ragam untuk Satu Faktor

5.1. Bentuk Umum Tabel 2x2 Uji Bebas Khi-Kuadrat

5.2. Tabel Nilai Harapan 2x2 Uji Bebas Khi-Kuadrat

6.1. Contoh Perhitungan Untuk menghitung Koefisien Korelasi

6.2. Data Kualitas dan Harga Barang

6.3. Jumlah pasangan negatif dan positif dari hi

1.1. Diagram Daerah Penolakan H0 untuk Hipotesis Dua Arah

2.1. Diagram Batang Luas Sawah 100 Petani

3.1. Skema Uji Dua Nilai Tengah

6.1. Hubungan antara X dan Y yang Searah atau Berlawanan Arah

6.2. Hubungan antara X dan Y yang Tidak Linear

7.1. Gambaran Regresi Linear Sederhana

7.2. Error dalam Regresi Linear Sederhana

7.3. Plotting data model Cobb-Douglas

7.4. Plotting data model kuadratik

8.1. Skema Pengelompokkan Data Kedalam 2 Kelompok

8.2. Skema Pengelompokkan Data Kedalam 3 Kelompok

Sebagai ilmu, statistika bisa diartikan sebagai ilmu yang mempelajari

Oleh karena statistika berkaitan dengan pembuatan kesimpulan dari data,

Statistika Inferensia atau Induktif membahas metode yang berkaitan

1.2. Data, Variabel dan Skala Pengukuran Data

Data adalah kumpulan angka-angka yang dikumpulkan dari obyek atau

Analisis Statistika utk Sosek Pertanian-Didi Rukmana 1- 1

Salah satu pengelompokkan jenis data adalah membagi data ke dalam

Pembagian jenis data menjadi kualitatif dan kuantitatif sebenarnya

Analisis Statistika utk Sosek Pertanian-Didi Rukmana 1- 2

Seringkali perbedaan antara apakah sebuah variabel diukur dalam skala

1.3. Pengujian Hipotesis

Untuk menguji hipotesis ini, pertama-tama kita harus menghitung sebuah

Analisis Statistika utk Sosek Pertanian-Didi Rukmana 1- 3

Misalkan kita bermain-main dengan seorang teman. Teman itu akan

Dalam membuat keputusan/kesimpulan, kita akan mencari informasi

Analisis Statistika utk Sosek Pertanian-Didi Rukmana 1- 4

Hal penting lain dalam pengujian hipotesis adalah apakah pengujian

Gambar 1.1. Diagram Daerah Penolakan H0 untuk Hipotesis Dua

Analisis Statistika utk Sosek Pertanian-Didi Rukmana 1- 5

1.4. Statistika Parametrik dan Statistika Nonparametrik

Pada awalnya Ilmu Statistika berkembang pada bidang eksakta dimana

Corder dan Foreman (2009) misalnya menyebutkan bahwa Statistika

Tabel 1.1. berikut ini menyajikan ringkasan metode yang digunakan

Pembahasan metode statistika dalam buku ini tidak mengikuti pembagian

Analisis Statistika utk Sosek Pertanian-Didi Rukmana 1- 6

1.5. Pemberian Pangkat dalam Statistika Nonparametrik

Dalam Statistika Parametrik, analisis dilakukan dengan menggunakan data

Misalnya kita mengukur kualitas 10 merek barang sejenis atau sama

Kembali ke contoh mengukur kualitas 10 merek barang sejenis. Misalkan

Analisis Statistika utk Sosek Pertanian-Didi Rukmana 1- 7

Misalnya merek B, H dan J sama-sama memiliki skor 4 dengan nomor urut