UNTUK
SOSIAL EKONOMI PERTANIAN
(DRAFT PERTAMA)
OLEH
DIDI RUKMANA
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.
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
iii
7.3. Regresi Linear Berganda
7.4. Regresi Non-Linear
7.5. Penggnaan Variabel Dummy
7.6. Soal Latihan
iv
DAFTAR TABEL
v
DAFTAR GAMBAR
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.
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.
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 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
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.
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
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 (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).
Jika salah satu asumsi tersebut tidak terpenuhi, maka gunakanlah Statistika
Nonparametrik.
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.
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.
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
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
--end—
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?
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.
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.
Istilah-istilah yang telah dijelaskan di atas akan menjadi lebih jelas dengan
melihat contoh pengelompokkan data 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
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.
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.
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).
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
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( n1) / 2
dimana xi adalah nilai x (angka) yang ke-i.
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
n
x ( xi ) / n
i 1
x 15,10 / 10
x 1,51
Perhatikan bahwa rata-rata adalah ukuran pemusatan yang selalu digunakan
pada analisis-analisis statistika tingkat lanjut.
a. 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
n / 2 fk ( km 1)
Md Lkm ( )(i )
f km
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
x 154,5 / 100
x 1,545
x x i
DMR i 1
n
n
DMR ( d i ) / n
i 1
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
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.
Sehingga diperoleh:
2,10 0,90
Ji
2
Ji 0,6
(x i x )2
s2 i 1
n 1
n n
x i
2
( xi ) 2 / n
s2 i 1 i 1
n 1
x i
2
( xi ) 2 / n
s i 1 i 1
n 1
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
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:
fi = frekuensi kelas ke-i
xi = titik tengah kelas ke-i
x = rata-rata x
n = banyak data
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
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.
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
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:
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
Q3 Q1
Ji
2
1,9593 1,1164
Ji
2
Ji 0,4215
f i ( xi x ) 2
s 2
i 1
n 1
k
fi di
2
s2 i 1
n 1
Dimana:
fi = frekuensi kelas ke-i
xi = titik tengah kelas ke-i
x = rata-rata
n = banyaknya data
TITIK
FREKUENSI
KELAS TENGAH d d2 fxd2
(f)
KELAS
fd i i
2
s2 i 1
n 1
s 35,32 / 99 0,3568
2
1. Diketahui produksi jagung pipilan per hektar (kuintal/he) dari 9 orang petani
adalah sebagai berikut:
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
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
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—
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).
H0: μ1 = μ2
H1: μ1 ≠ μ2
Sampel 1 Sampel 2
x1 x2
σ12 σ22
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.
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.
x 33,7 / 6 5,6167
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
Untuk menguji klaim dari perusahaan tentang produksi benih baru yang
dihasilkannya, hipotesis yang akan diuji adalah:
H0 : μ = 6,5
H1 : μ ≠ 6,5
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.
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
x1 x2
t
1 1
sp ( )
n1 n 2
dimana
(n1 1) s1 (n2 1) s2
2 2
sp
n1 n2 2
Contoh perhitungan:
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:
sB 1,0124
2
Dengan demikian,
(6 1)1,6297 (7 1)1,0124
sp
672
s p 1,1371
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.
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
xd
t
sd (1 / n )
Perhatikan bahwa rumus ini identik dengan t untuk menguji sebuah nilai tengah.
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.
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
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
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.
Persoalan yang dijadikan contoh pada Uji Jumlah Pangkat Wilcoxon bisa
juga diuji dengan cara lain yakni dengan menggunakan Uji Mann-Whitney.
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.
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.
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
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
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.
1. Diketahui produksi jagung pipilan per hektar (kuintal/ha) dari 9 orang petani
adalah sebagai berikut:
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:
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.
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
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—
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 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 :
Untuk menguji apakah hipoteses nol diterima atau ditolak, kita harus
melakukan beberapa perhitungan sebagai berikut:
FK ( xij ) 2 / N
i j
i j
c. Jumlah Kuadrat Kolom (JKK):
JKK ( xi. ) / n FK
2
i i i
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:
FK = (109,3)2/20 = 597,325
= 14,506
= 6,462
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.
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
JKB ( x. j ) / k FK
2
dimana k sama dengan banyaknya kolom, yang dalam contoh tabel di atas k = 4.
= 3,048
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).
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
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).
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.
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
12
Fr [ (42 72 112 82 )] 3(3)( 4 1)
3(4)( 4 1)
Fr 5
2. Misalkan data yang ditampilkan pada soal nomor 1 diperoleh dari lima
lokasi yang berbeda sehingga datanya menjadi seperti berikut ini:
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?
--end—
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.
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.
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.
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 j eij )2
2
i, j eij
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
Nilai harapan untuk tiap-tiap sel dihitung dengan rumus yang telah dijelaskan di
atas, dan hasilnya adalah:
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.
7,526
C
7,526 90
C 0,278
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
Nilai harapan dari data di atas disajikan dalam tabel berikut ini.
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.
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.
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
Luas Produktivitas
Sawah Rendah Sedang Tinggi
< 0,5 ha 8 7 8
0,5 - 1 ha 7 25 9
> 1 ha 6 8 22
--end—
Gambar 6.1. Hubungan antara X dan Y yang Searah atau Berlawanan Arah
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
r n2
t
1 r2
H0 diterima atau ditolak jika:
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
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:
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
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:
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.
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).
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:
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.
Dari tabel diperoleh bahwa jumlah pasangan negatif adalah 5 (nn) dan jumlah
pasangan positif adalah 20 (np).
n p nn
C ( n ,2 )
20 5
0,5357
28
3 n(n 1)
Z
2(2n 5)
Tolak H0 jika Z hasil perhitungan lebih besar daripada Z-tabel dengan taraf nyata
yang dikehendaki.
x p xq
rpb Pp Pq
sx
Dimana:
Contoh Perhitungan:
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
Pengalaman 15 10 20 9 12 17 13 9 16 14
Produktivitas 45 30 40 25 35 38 29 30 45 35
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
Lahan L S S S L L S L S S
Produktivitas 45 30 40 25 35 38 29 30 45 35
--end—
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.
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
Perhatikan Gambar 7.2. berikut ini. Untuk setiap pasang data (Xi, Yi) akan
ada ei yang sesuai.
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.
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:
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
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
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.
Ho:β=0
H1: β≠0.
t b / sb
dimana
sb se / SS x
se SSE /( n 2)
( SS xy ) 2
SSE SS y
SS x
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.
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
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.
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
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:
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
Setelah data berada dalam lembar data, kita tekan menu analyze, lalu
pilih regression, kemudian pilih linear. Akan muncul tampilan 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.
Model Summary
a
1 .957 .916 .892 6.91689
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
a
1Regression 5703.959 3 1901.320 39.740 .000
Total 6230.236 14
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.
Coefficientsa
Model Standardized
a. Dependent Variable: Y
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.
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
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.
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:
atau
Y 0,052 X 1,444
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.
Y / Y
b
X / X
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.
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
200
Y
180
160
140
120
100
80
60
40
20
0
180 200 220 240 260 280 300 320 340
X
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
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).
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
Y 0 1 X1 2 X 2 3 X 3 d D
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
a. Dependent Variable: Y
Pengalaman 15 10 20 9 12 17 13 9 16 14
Produktivitas 45 30 40 25 35 38 29 30 45 35
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
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%.
--end—
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 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.
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.
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 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).
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 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.
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).
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.
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.
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.
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 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.
Setelah ditekan tombol “OK”, hasilnya ditampilkan dalam tabel berikut ini.
Sebagai contoh kita akan gunakan lagi tabel berikuran 2 x 2 yang sudah
digunakan untuk contoh perhitungan dalam Bab 5, yakni:
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.
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.
Ya
X<a? Masuk Kel A
Tidak
Masuk Kel B
Ya
X<a? Masuk Kel A
Tidak
Ya
X<b? Masuk Kel B
Tidak
Masuk Kel C
Dengan pengetahuan ini kita akan mencoba mengelompokkan 100 data yang
sudah dibahas dalam Bab 2 kedalam 7 kelompok.
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:
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.
--end—
Corder, J.W. and D.I. Foreman. 2009. Nonparametric Statistics for Non- Statisticians. Wiley
A John Wiley and Sons, Inc. Publication, Hoboken, New Jersey
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.
Nasoetion, A.H. dan Barizi. 1983. Metode Statistika. PT. Gramedia, Jakarta
Siegel, S. 1956. Nonparametric Statistics for Behavioral Sciences. McGraw-Hill Book Co.,
New York
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
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
---------------------------------------------------------------------------------------------------------------
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
--------------------------------------------------------------------------------------------
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
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
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
---------------------------------------------------------------------------------------------------------------------------------------
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
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
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—