STATISTIKA INDUSTRI 2
Disusun oleh:
STATISTIKA INDUSTRI 2
Disusun oleh:
Laporan tugas akhir ini telah diterima sebagai salah satu syarat menyelesaikan mata
kuliah Praktikum Ststistika Industri 2 pada Semester Genap Tahun Akademik
2020/2021.
Dosen Pengampu
ii
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa, atas limpahan berkat rahmat-Nya
laporan tugas besar mata kuliah Statistika Industri II dapat diselesaikan dengan baik
dan tepat waktu.
Penyusunan laporan tugas besar berdasarkan modul yang digunakan sebagai acuan
dalam pembelajaran dan merupakan persyaratan untuk memenuhi mata kuliah
Statistika Industri II.
Mahasiswa dalam membuat laporan tugas besar diharapkan dapat mengetahui teori
dan penerapan mata kuliah Statistika Industri II yang ada di lapangan dalam suatu
industri.
Laporan tugas besar Statistika Industri II masih banyak terdapat kesalahan dan
kekurangan, penyusun mengharapkan kritikan dan saran agar menjadi laporan yang
lebih baik.
Semoga laporan tugas besar Statistika Industri II dapat memberikan manfaat bagi
semua pihak dan semoga Tuhan Yang Maha Esa memberikan rahmat serta berkat
kepada semua pihak yang telah memberikan bantuan kepada penyusun.
Penyusun
iii
DAFTAR ISI
BAB XIII Statistik Non Parametrik One Sample Kolmogorov Smirnov .....278
13.1 Latar Belakang .....................................................................................278
13.2 Rumusan Masalah................................................................................278
13.3 Tujuan ..................................................................................................278
13.4 Manfaat ................................................................................................278
13.5 Literatur ...............................................................................................278
13.6 Metode Pengolahan .............................................................................284
13.7 Pengumpulan Data ...............................................................................285
13.8 Pengolahan Data ..................................................................................292
13.9 Hasil dan Pembahasan .........................................................................293
13.10 Analisis Hasil Pengolahan Data .........................................................298
13.11 Kesimpulan ........................................................................................298
BAB XX.(I) Statistika Non Parametrik Multivariate Analysis OF Variance ........ 732
20.1 Latar Belakang .....................................................................................732
20.2 Rumusan Masalah................................................................................732
20.3 Tujuan ..................................................................................................732
20.4 Manfaat ................................................................................................732
20.5 Literatur ...............................................................................................733
20.6 Metode Pengolahan .............................................................................735
20.7 Pengumpulan Data ...............................................................................735
20.8 Pengolahan Data ..................................................................................736
20.9 Hasil dan Pembahasan .........................................................................738
20.10 Analisis Hasil Pengolahan Data .........................................................755
20.11 Kesimpulan ........................................................................................755
BAB XX.(II) Statistika Non Parametrik Multivariate Analysis OF Variance ...... 756
iv
20.1 Latar Belakang .....................................................................................756
20.2 Rumusan Masalah................................................................................756
20.3 Tujuan ..................................................................................................756
20.4 Manfaat ................................................................................................756
20.5 Literatur ...............................................................................................756
20.6 Metode Pengolahan .............................................................................761
20.7 Pengumpulan Data ...............................................................................761
20.8 Pengolahan Data ..................................................................................765
20.9 Hasil dan Pembahasan .........................................................................766
20.10 Analisis Hasil Pengolahan Data .........................................................776
20.11 Kesimpulan ........................................................................................777
BAB XX.(III) Statistika Non Parametrik Multivariate Analysis OF Variance .... 778
20.1 Latar Belakang .....................................................................................778
20.2 Rumusan Masalah................................................................................778
20.3 Tujuan ..................................................................................................778
20.4 Manfaat ................................................................................................778
20.5 Literatur ...............................................................................................778
20.6 Metode Pengolahan .............................................................................783
20.7 Pengumpulan Data ...............................................................................783
20.8 Pengolahan Data ..................................................................................784
20.9 Hasil dan Pembahasan .........................................................................785
20.10 Analisis Hasil Pengolahan Data .........................................................792
20.11 Kesimpulan ........................................................................................794
Lampiran ............................................................................................................946
Daftar Pustaka ....................................................................................................953
iv
DAFTAR TABEL
xv
Tabel 7.3 Hasil group statistics ............................................................................131
Tabel 8.1. Data nilai sebelum perlakuan (pretest) dan sesudah perlakuan (posttest) .... 136
Tabel 8.2 Paired Samples Statistics .....................................................................136
Tabel 8.3 Paired Samples Correlations ................................................................136
Tabel 8.4 Paired Samples Correlations ................................................................137
Tabel 8.5 Data produk ..........................................................................................138
Tabel 8.6 Hasil uji paired samples statistics ........................................................152
Tabel 8.7 Hasil uji paired samples correlations ...................................................152
Tabel 8.8 Hasil uji paired samples t test: options.................................................153
Tabel 9.1 Hasil Uji Homogenitas .........................................................................157
Tabel 9.2 Hasil Uji Anova ...................................................................................157
Tabel 9.3 Hasil Uji Post Hoc................................................................................158
Tabel 9.4 Data produk pengujian kelayakan bisnis .............................................160
Tabel 9.5 Hasil Pengolahan Uji Normalitas .........................................................166
Tabel 9.6 Hasil Pengolahan Uji Keseragaman Data ............................................169
Tabel 9.7 Hasil Pengolahan Uji Validitas ............................................................170
Tabel 9.8 Hasil Pengolahan Uji Reliabilitas ........................................................173
Tabel 9.9 Hasil Pengolahan Uji One Way ANOVA ............................................174
Tabel 10.1 data asupan lauk .................................................................................179
Tabel 10.2 perhitungan nilai df ............................................................................180
Tabel 10.3 Data penilaian rancangan busana .......................................................183
Tabel 10.4 Hasil Pengolahan Uji Normalitas .......................................................219
Tabel 10.5 Hasil Pengolahan Uji Keseragaman Data ..........................................224
Tabel 10.6 Hasil Pengolahan Uji Validitas ..........................................................226
Tabel 10.7 Hasil Pengolahan Uji Reliabilitas ......................................................228
Tabel 10.8 Hasil Pengolahan Uji Non Parametrik Chi Square ............................229
Tabel 11.1 Data kuesioner STBP 2015233 ................................................................
Tabel 11.2 Chi-Square Tests pendidikan dengan pengetahuan............................234
Tabel 11.3 Chi-Square Tests umur dengan pengetahuan Value Df Asymp .........234
Tabel 11.4 Data Kuesioner Solusi Banjir .............................................................236
Tabel 11.5 Hasil Pengolahan Uji Normalitas .......................................................243
Tabel 11.6 Hasil Pengolahan Uji Keseragaman Data ..........................................243
Tabel 11.7 Hasil Pengolahan Uji Validitas ..........................................................244
Tabel 11.8 Hasil Pengolahan Uji Reliabilitas ......................................................245
Tabel 11.9 Hasil Pengolahan Uji Chi Square Test 1 Variabel ............................246
Tabel 12.1 Data sikap konsumen .........................................................................249
Tabel 12.2 Hasil pengolahan data Case Processing Summary ............................250
Tabel 12.3 Hasil pengolahan data gender terhadap sikap konsumen...................250
Tabel 12.4 Hasil pengolahan data uji chi square..................................................251
Tabel 12.5 Kumpulan data responden untuk solusi penanganan gunung Meletus ........ 252
Tabel 12.6 Kumpulan data responden untuk solusi pencegahan virus corona.....259
Tabel 12.7 Hasil Pengolahan Uji Normalitas Gunung Meletus ...........................266
xvi
Tabel 12.8 Hasil Pengolahan Uji Normalitas Virus Corona ................................267
Tabel 12.9 Hasil Pengolahan Uji Keseragaman Data Gunung Meletus ..............268
Tabel 12.10 Hasil Pengolahan Uji Keseragaman Data Virus Corona .................269
Tabel 12.11 Hasil Pengolahan Uji Validitas Gunung Meletus ............................269
Tabel 12.12 Hasil Pengolahan Uji Validitas Virus Corona .................................270
Tabel 12.13 Hasil Pengolahan Uji Reliabilitas Gunung Meletus ........................272
Tabel 12.14 Hasil Pengolahan Uji Reliabilitas Virus Corona..............................272
Tabel 12.15 Hasil Pengolahan Uji Chi Square Test 2 Variabel Gunung Meletus......... 273
Tabel 12.16 Hasil Pengolahan Uji Chi Square Test 2 Variabel Virus Corona ....275
Tabel 13.1 Contoh Hasil Pengamatan Time Study ..............................................279
Tabel 13.2 Output Kolmogorov–Smirnov Test ...................................................280
Tabel 13.3 Hasil perhitungan nilai Kolmogorov-Smirno .....................................283
Tabel 13.4 Kumpulan data pemilihan solusi responden ......................................285
Tabel 13.5 Hasil Uji Normalitas ..........................................................................293
Tabel 13.6 Hasil Uji Keseragaman Data ..............................................................294
Tabel 13.7 Hasil Uji Distribusi Poisson ...............................................................296
Tabel 13.8 Hasil Uji One Sample Kolmogorov Smirnov ....................................297
Tabel 14.1 Uji Peringkat ......................................................................................301
Tabel 14.2 Uji Statistik301
Tabel 14.3 Kumpulan data 300 responden selama 30 hari ..................................302
Tabel 14.4 Hasil Uji Normalitas ..........................................................................523
Tabel 14.5 Hasil Uji Keseragaman Data ..............................................................523
Tabel 14.6 Hasil Uji Validitas ..............................................................................524
Tabel 14.7 Hasil Uji Reliabilitas ..........................................................................525
Tabel 14.8 Uji Peringkat ......................................................................................525
Tabel 14.9 Uji Statistik ........................................................................................525
Tabel 15.1 Kumpulan data benang pintal di Negara India pada tahun 2012 hingga 2014 ........ 531
Tabel 15.2 Hasil Pengolahan Uji Normalitas benang pintal di Negara India pada
tahun 2012 hingga 2014 ....................................................................534
Tabel 15.3 Hasil Pengolahan Uji Keseragaman Data benang pintal di Negara India ... 535
Tabel 15.4 Hasil Pengolahan Uji Validitas benang pintal di Negara India pada
tahun 2012 hingga 2014 ....................................................................536
Tabel 15.5 Hasil Pengolahan Uji Reliabilitas benang pintal di Negara India pada
tahun 2012 hingga 2014 ....................................................................537
Tabel 15.6 Hasil Pengolahan Uji Kolmogorov Smirnov benang pintal di Negara
India ...................................................................................................537
Tabel 15.1 Data kelompok Bank ..........................................................................541
Tabel 15.2 Hasil pengolahan data uji Kolmogorov Smirnov ...............................543
Tabel 15.3 Data statistik perkembangan impor dan ekspor kelompok industri
tekstil dari Inggris..............................................................................544
Tabel 15.4 Hasil Uji Normalitas data perkembangan impor ekspor kelompok
industri tekstil Inggris........................................................................547
xvii
Tabel 15.5 Hasil Uji Keseragaman data perkembangan impor ekspor kelompok
industri tekstil dari Inggris ................................................................548
Tabel 15.6 Hasil Uji Validitas data perkembangan impor ekspor kelompok
industri tekstil dari Inggris ................................................................549
Tabel 15.7 Hasil Uji Reliabilitas data perkembangan impor ekspor kelompok
industri tekstil dari Inggris ................................................................550
Tabel 15.8 Hasil Uji Kolmogorov-Smirnov data perkembangan impor ekspor
industri tekstil dari Inggris ................................................................550
Tabel 15.1 Kumpulan Data Perkembangan Ekspor Kain Tenunan .....................557
Tabel 15.2 Hasil Pengolahan Uji Normalitas .......................................................561
Tabel 15.3 Hasil Pengolahan Uji Keseragaman Data ..........................................561
Tabel 15.4 Hasil Pengolahan Uji Validitas ..........................................................562
Tabel 15.5 Hasil Pengolahan Uji Reliabilitas ......................................................563
Tabel 16.1 data nilai pemakaian bahan bakar di perusahaan pertambangan minyak
dan gas bumi......................................................................................569
Tabel 16.2 data nilai pemakaian bahan bakar di perusahaan pertambangan minyak
dan gas bumi......................................................................................570
Tabel 16.3 Hasil Uji Normalitas pemakaian bahan bakar di perusahaan tambang
minyak dan gas bumi.........................................................................571
Tabel 16.4 Uji Keseragaman Data pemakaian bahan bakar di perusahaan tambang
minyak dan gas bumi.........................................................................573
Tabel 16.5 Uji Validitas pemakaian bahan bakar di perusahaan tambang minyak
dan gas bumi......................................................................................574
Tabel 16.6 Uji Reliabilitas pemakaian bahan bakar di perusahaan tambang minyak
dan gas bumi......................................................................................575
Tabel 16.7 Uji Kruskal Wallis pemakaian bahan bakar di perusahaan tambang
minyak dan gas bumi.........................................................................575
Tabel 16.1 Hasil Uji Kruskal Wallis terhadap Perbedaan Potensi Kebangkrutan
...........................................................................................................579
Tabel 16.2 Data statistik produksi minyak mentah dan kondensat tahun 2016 ...580
Tabel 16.3 Hasil Pengolahan Uji Normalitas Produksi Minyak Mentah dan
Kondensat tahun 2016 .......................................................................585
Tabel 16.4 Hasil Pengolahan Uji Keseragaman Data Produksi Minyak Mentah
dan Kondensat tahun 2016 ................................................................586
Tabel 16.5 Hasil Pengolahan Uji Validitas Produksi Minyak Mentah dan
Kondensat tahun 2016 .......................................................................587
Tabel 16.6 Hasil Pengolahan Uji Reliabilitas Produksi Minyak Mentah dan
Kondensat tahun 2016 .......................................................................588
Tabel 16.7 Hasil Pengolahan Uji Kruskal Wallis Produksi Minyak Mentah dan
Kondensat tahun 2016 .......................................................................588
Tabel 16.1 Tampilan pada data view spss ............................................................593
Tabel 16.2 Hasil Uji Kruskal Wallis ....................................................................594
xviii
Tabel 16.3 Harga Minyak Mentah .......................................................................596
Tabel 16.4 Hasil Pengolahan Uji Normalitas .......................................................598
Tabel 16.5 Hasil Pengolahan Uji Keseragaman Data ..........................................601
Tabel 16.6 Hasil Pengolahan Uji Validitas ..........................................................602
Tabel 16.7 Hasil Pengolahan Uji Reliabilitas ......................................................602
Tabel 16.8 Hasil Pengolahan Uji Kruskal Wallis ................................................603
Tabel 17.1 Kumpulan data kapasitas terpasang pembangkit listrik di Indonesia 611
Tabel 17.2 Kumpulan data kapasitas terpasang pembangkit listrik di Indonesia 612
Tabel 17.3 Hasil Pengolahan Uji Normalitas kapasitas terpasang pembangkit
listrik di Indonesia .............................................................................614
Tabel 17.4 Hasil Pengolahan Uji Keseragaman Data kapasitas terpasang
pembangkit listrik di Indonesia .........................................................615
Tabel 17.5 Hasil Pengolahan Uji Validitas kapasitas terpasang pembangkit listrik
di Indonesia .......................................................................................616
Tabel 17.6 Hasil Pengolahan Uji Reliabilitas kapasitas terpasang pembangkit
listrik di Indonesia .............................................................................617
Tabel 17.7 Hasil Pengolahan Uji Median kapasitas terpasang pembangkit listrik di
Indonesia ...........................................................................................617
Tabel 17.1 Data kelompok Bank ..........................................................................621
Tabel 17.2 Hasil pengolahan data uji Median ......................................................622
Tabel 17.3 Data statistik konsumsi akhir energi berdasarkan Neraca Energi
Indonesia ...........................................................................................623
Tabel 17.4 Hasil Pengolahan Uji Normalitas konsumsi akhir energi menurut
sumber energi 2012-2016 ..................................................................625
Tabel 17.5 Hasil Pengolahan Uji Keseragaman Data konsumsi akhir energi 2012-
2016 ...................................................................................................626
Tabel 17.6 Hasil Pengolahan Uji Validitas konsumsi akhir energi menurut sumber
energi 2012-2016...............................................................................627
Tabel 17.7 Hasil Pengolahan Uji Reliabilitas konsumsi akhir energi menurut
sumber energi 2012-2016 ..................................................................628
Tabel 17.8 Hasil Pengolahan Uji Median konsumsi akhir energi menurut sumber
energi 2012-2016...............................................................................628
Tabel 17.1 data nilai mata kuliah statistika ..........................................................631
Tabel 17.2 langkah pengisian di kotak variable view ..........................................632
Tabel 17.3 Hasil uji median .................................................................................635
Tabel 17.4 Hasil Uji Frequencies .........................................................................636
Tabel 17.5 Test Statistics .....................................................................................637
Tabel 17.6 Frekuensi skor ....................................................................................638
Tabel 17.7 Daya yang dikonsumsi di DIY ...........................................................639
Tabel 17.8 Hasil Uji Normalitas ..........................................................................642
Tabel 17.9 Hasil Uji Keseragaman Data ..............................................................643
Tabel 17.10 Hasil Uji Validitas............................................................................643
xix
Tabel 17.11 Hasil Uji Reliabilitas ........................................................................644
Tabel 17.12 Hasil Frequencies .............................................................................644
Tabel 17.13 Hasil Uji Median ..............................................................................644
Tabel 18.1 data penelitian nilai impor penjualan kendaraan bermotor menurut
negara asal utama ..............................................................................650
Tabel 18.2 data penelitian nilai impor penjualan kendaraan bermotor menurut
negara asal utama ..............................................................................651
Tabel 18.3 Uji Normalitas nilai impor penjualan kendaraan bermotor menurut
negara asal utama ..............................................................................652
Tabel 18.4 Uji Keseragaman Data nilai impor penjualan kendaraan bermotor
menurut negara asal utama ................................................................654
Tabel 18.5 Uji Validitas nilai impor penjualan kendaraan bermotor menurut
negara asal utama ..............................................................................655
Tabel 18.6 Uji Reliabilitas nilai impor penjualan kendaraan bermotor menurut
negara asal utama ..............................................................................656
Tabel 18.7 Uji Wilcoxon dan Sign nilai impor penjualan kendaraan bermotor
menurut negara asal utama ................................................................656
Tabel 18.1 Data kelompok Bank ..........................................................................660
Tabel 18.2 Hasil pengolahan data uji Wilcoxon Sign ..........................................661
Tabel 18.3 Hasil pengolahan data uji Sign...........................................................661
Tabel 18.4 Data penjualan mobil 4x4 Double Cabins pada kuartal 2012-2014 dan
kuartal 2015-2017 .............................................................................662
Tabel 18.5 Hasil Pengolahan Uji Normalitas penjualan mobil 4x4 Double Cabins
...........................................................................................................664
Tabel 18.6 Hasil Pengolahan Uji Validitas penjualan mobil 4x4 Double Cabins.....
665
Tabel 18.7 Hasil Pengolahan Uji Reliabilitas penjualan mobil 4x4 Double Cabins
...........................................................................................................666
Tabel 18.8 Hasil Pengolahan Uji Wilcoxon penjualan mobil 4x4 Double Cabins
...........................................................................................................666
Tabel 18.9 Hasil Pengolahan Uji Sign penjualan mobil 4x4 Double Cabins ......667
Tabel 18.1 Data Ujian ..........................................................................................671
Tabel 18.2 Hasil Output Ranks ............................................................................671
Tabel 18.3 Hasil Output Test Statistics ................................................................672
Tabel 18.4 Produksi Mobil Tahun 2018-2019 .....................................................674
Tabel 18.5 Hasil Uji Normalitas ..........................................................................676
Tabel 18.6 Hasil Uji Keseragaman Data ..............................................................677
Tabel 18.7 Hasil Uji Validitas ..............................................................................678
Tabel 18.8 Hasil Uji Reliabilitas ..........................................................................679
Tabel 18.9 Hasil Ranks ........................................................................................679
Tabel 18.10 Hasil Uji Wilcoxon ..........................................................................680
Tabel 18.11 Hasil Frequencies .............................................................................681
xx
Tabel 18.12 Hasil Uji Sign ...................................................................................681
Tabel 19.1 Kumpulan data penelitian nilai expor barang dari tembaga menurut
negara tujuan utama ..........................................................................687
Tabel 19.2 Uji Normalitas nilai expor barang dari tembaga menurut negara tujuan
utama .................................................................................................689
Tabel 19.3 Uji Normalitas nilai expor barang dari tembaga menurut negara tujuan
utama .................................................................................................690
Tabel 19.4 Uji Keseragaman Data nilai expor barang dari tembaga menurut
negara tujuan utama ..........................................................................692
Tabel 19.5 Uji Keseragaman Data nilai expor barang dari tembaga menurut
negara tujuan utama ..........................................................................694
Tabel 19.6 Uji Validitas nilai expor barang dari tembaga menurut negara tujuan
utama .................................................................................................696
Tabel 19.7 Uji Reliabilitas nilai expor barang dari tembaga menurut negara tujuan
utama .................................................................................................697
Tabel 19.8 Uji MC Nemar nilai expor barang dari tembaga menurut negara tujuan
utama .................................................................................................697
Tabel 19.1 Data sebelum dan sesudah imunisasi .................................................701
Tabel 19.2 Hasil pengolahan data uji McNemar ..................................................702
Tabel 19.3 Data impor industri logam berat pada akhir tahun 2019 dan pada awal
tahun 2020 .........................................................................................703
Tabel 19.4 Hasil Pengolahan Uji Normalitas impor industri logam berat ...........705
Tabel 19.5 Hasil Pengolahan Uji Keseragaman impor industri logam berat .......706
Tabel 19.6 Hasil Pengolahan Uji Validitas impor industri logam berat ..............707
Tabel 19.7 Hasil Pengolahan Uji Reliabilitas impor industri logam berat...........707
Tabel 19.8 Hasil Pengolahan Uji McNemar impor industri logam berat ............708
Tabel 19. 1 Tabel Bantu Perlakuan ......................................................................712
Tabel 19.2 Data Ekspor Dan Impor Besi dan Baja Pada Tahun 2012-2016 ........714
Tabel 19.3 Hasil Uji Normalitas ..........................................................................715
Tabel 19.4 Hasil Uji Keseragaman Data ..............................................................716
Tabel 19.5 Hasil Uji Validitas ..............................................................................717
Tabel 19.6 Hasil Uji Reliabilitas ..........................................................................717
Tabel 19.7 Hasil Uji MC Nemar ..........................................................................718
Tabel 20.1 Kumpulan data penelitian mengenai harga produsen kacang tanah . 725
Tabel 20.2 Uji Homogenitas mengenai harga produsen kacang tanah ................728
Tabel 20.3 Uji Homogenitas Matriks Varian/Covarian mengenai harga produsen
kacang tanah 729
Tabel 20.4 Uji Normalitas mengenai harga produsen kacang tanah ....................730
Tabel 20.5 Uji Multivariate Test mengenai harga produsen kacang tanah ..........731
Tabel 20.6 Uji Test Of Between Subject Effects mengenai harga produsen kacang
tanah ..................................................................................................732
Tabel 20.7 Uji Post Hoc mengenai harga produsen kacang tanah .......................733
xxi
Tabel 20.8 Uji Missing Data mengenai harga produsen kacang tanah ................743
Tabel 20.9 Hasil Box Plot mengenai harga produsen kacang tanah ....................743
Tabel 20.1 Data daerah asal,jurusan, IPK, dan Motivasi belajar mahasiswa
Amikom Mataram .............................................................................747
Tabel 20.2 Data ketersediaan alat dan mesin pertanian pasca panen padi ...........751
Tabel 20.3 Uji Homogenitas Varians ketersediaan alat dan mesin pasca panen
padi ....................................................................................................756
Tabel 20.4 Uji Homogenitasmatriks Varian / Covarian ketersediaan alat dan
mesin pasca panen padi .....................................................................757
Tabel 20.5 Uji MANOVA ketersediaan alat dan mesin pasca panen padi ..........758
Tabel 20.6 Test of Between Subjects ketersediaan alat dan mesin pasca panen padi
759
Tabel 20.7 Hasil Pengolahan Post Hoc ketersediaan alat dan mesin pasca panen
padi ....................................................................................................761
Tabel 20.8 Hasil Pengolahan Uji Normalitas ketersediaan alat dan mesin pasca
panen padi .........................................................................................763
Tabel 20.9 Hasil Pengolahan Uji Korelasi ketersediaan alat dan mesin pasca
panen padi .........................................................................................764
Tabel 20.10 Hasil Pengolahan Uji Missing Data ketersediaan alat dan mesin pasca
panen padi .........................................................................................765
Tabel 20.11 Hasil Pengolahan Outlier Mesin Pengering .....................................765
Tabel 20.12 Hasil Pengolahan Outlier Mesin Pemanen .......................................766
Tabel 20.1 Output Tabel Deksriptive interprestasi Uji Manova ..........................769
Tabel 20.2 Output interprestasi Uji Manova ........................................................769
Tabel 20.3 Uji Asumsi Levene Test Pada MANOVA .........................................770
Tabel 20.4 Interprestasi Output Uji MANOVA...................................................771
Tabel 20.5 Output Uji Post Hoc Setelah MANOVA ...........................................772
Tabel 20.6 Data Produksi Bawang Merah ...........................................................773
Tabel 20.7 Hasil Uji Homogenitas Varian ...........................................................775
Tabel 20.8 Hasil Uji Homogenitas Varian/Covarian ..........................................776
Tabel 20.9 Hasil Uji Normalitas ..........................................................................776
Tabel 20.10 Hasil Uji Korelasi.............................................................................777
Tabel 20.11 Hasil Uji Linearity ...........................................................................777
Tabel 20.12 Hasil Uji Kecukupan Data ...............................................................778
Tabel 20.13 Hasil Uji Missing Data .....................................................................778
Tabel 20.14 Hasil Uji Box Plot ............................................................................779
Tabel 20.15 Uji Hipotesis ....................................................................................779
Tabel 20.16 Hasil Uji Multivariate Test...............................................................781
Tabel 20.17 Hasil Test of between subject effect ................................................781
Tabel 20.18 Hasil Uji Post Hoe............................................................................782
Tabel 21.1 Kumpulan data penelitian mengenai penyaluran pupuk organik
bersubsidi ..........................................................................................788
xxii
Tabel 21.2 Hasil Pengolahan Uji Normalitas mengenai penyaluran pupuk organik
bersubsidi ..........................................................................................791
Tabel 21.3 Hasil Pengolahan Uji Keseragaman Data mengenai penyaluran pupuk
organik bersubsidi .............................................................................792
Tabel 21.4 Hasil Pengolahan Uji Validitas mengenai penyaluran pupuk organik
bersubsidi ..........................................................................................794
Tabel 21.5 Hasil Pengolahan Uji Reliabilitas mengenai penyaluran pupuk organik
bersubsidi ..........................................................................................795
Tabel 21.6 Hasil Variables Entered/Removed .....................................................795
Tabel 21.7 Hasil Model Summary .......................................................................796
Tabel 21.8 Hasil ANOVA ....................................................................................797
Tabel 21.9 Hasil Coefficient ................................................................................797
Tabel 21.1 Descriptive Statistics ..........................................................................803
Tabel 21.2 Model Summary .................................................................................803
Tabel 21.3 Uji ANOVA .......................................................................................804
Tabel 21.4 Coefficients ........................................................................................804
Tabel 21.5 Data Luas lahan dan kebutuhan pupuk urea ......................................806
Tabel 21.6 Hasil Pengolahan Uji Normalitas pengaruh luas lahan terhadap
kebutuhan pupuk urea .......................................................................809
Tabel 21.7 Hasil Pengolahan Uji Keseragaman pengaruh luas lahan terhadap
kebutuhan pupuk urea .......................................................................810
Tabel 21.8 Hasil Pengolahan Uji Validitas pengaruh luas lahan terhadap
kebutuhan pupuk urea .......................................................................811
Tabel 21.9 Hasil Pengolahan Uji Reliabilitas pengaruh luas lahan terhadap
kebutuhan pupuk urea .......................................................................811
Tabel 21.10 Descriptive Statistics ........................................................................812
Tabel 21.11 Variables Entered/Removed .............................................................812
Tabel 21.12 ANOVA ...........................................................................................813
Tabel 21.13 Model Summary ...............................................................................813
Tabel 21.14 Coefficient ........................................................................................814
Tabel 21.1 Tabulasi Data Penelitian (Data Fiktif) ...............................................818
Tabel 21.2 Hasil Analisis Regresi Linear Sederhana ...........................................820
Tabel 21.3 Kumpulan data produk Biokimia .......................................................823
Tabel 21.4 Hasil Uji Normalitas ..........................................................................829
Tabel 21.5 Hasil Uji Keseragaman Data ..............................................................830
Tabel 21.6 Hasil Uji Validitas ..............................................................................831
Tabel 21.7 Hasil Uji Reliabilitas ..........................................................................831
Tabel 21.8 Hasil Uji Variabel Entered .................................................................832
Tabel 21.9 Hasil Uji Model Summary .................................................................832
Tabel 21.10 Hasil Uji Anova ...............................................................................833
Tabel 21.11 Hasil Uji Coefficients.......................................................................833
xxiii
Tabel 22.1 Kumpulan data penelitian mengenai statistik kecelakaan tambang pada
tahun 2018 .........................................................................................841
Tabel 22.2 Hasil Pengolahan Uji Normality ........................................................844
Tabel 22.3 Hasil Pengolahan Descriptive Statistics .............................................846
Tabel 22.4 Hasil Pengolahan Uji Analisis Multikolinearitas ...............................847
Tabel 22.5 Hasil Pengolahan Uji Analisis Autokorelasi ......................................849
Tabel 22.6 Hasil Pengolahan Uji Analisis Regresi Berganda ..............................850
Tabel 22.7 Hasil Pengolahan Uji Analisis Regresi Berganda ..............................851
Tabel 22.1 Hasil Uji Multikolinearitas.................................................................858
Tabel 22.2 Hasil Uji Autokorelasi .......................................................................859
Tabel 22.3 Hasil Uji F ..........................................................................................860
Tabel 22.4 Hasil Uji t ...........................................................................................861
Tabel 22.5 Uji Regresi .........................................................................................861
Tabel 22.6 Data statistik inspeksi k3....................................................................863
Tabel 22.7 Hasil Pengolahan Uji Normalitas .......................................................867
Tabel 22.8 Hasil Pengolahan Uji Validitas ..........................................................867
Tabel 22.9 Hasil Pengolahan Uji Reliabilitas ......................................................868
Tabel 22.10 Descriptive Statistics ........................................................................869
Tabel 22.11 Multikolinearitas ..............................................................................869
Tabel 22.12 Autokorelasi .....................................................................................870
Tabel 22.13 Uji Regresi Berganda .......................................................................871
Tabel 22.14 Uji Regresi Berganda .......................................................................872
Tabel 22.1 Tabulasi Data .....................................................................................877
Tabel 22.2 Hasil Analisis Regresi Linear Berganda ............................................878
Tabel 22.3 Hasil analisis korelasi ganda ..............................................................880
Tabel 22.4 Hasil analisis determinasi...................................................................881
Tabel 22.5 Hasil Uji F .........................................................................................882
Tabel 22.6 Uji t ....................................................................................................883
Tabel 22.7 Kumpulan data kondisi mesin ............................................................886
Tabel 22.8 Hasil Uji Normalitas ..........................................................................889
Tabel 22.9 Hasil Uji Keseragaman Data ..............................................................889
Tabel 22.10 Hasil Uji Validitas............................................................................890
Tabel 22.11 Hasil Uji Reliabilitas ........................................................................890
Tabel 22.12 Hasil Uji Normality Test ..................................................................892
Tabel 22.13 Hasil Uji Multikolinearitas...............................................................893
Tabel 22.14 Hasil Homoscedasricity Test ...........................................................893
Tabel 22.15 Hasil Uji Autokorelasi .....................................................................893
Tabel 22.16 Hasil Uji F ........................................................................................894
Tabel 22.17 Hasil Uji Goodness of Fit Test .........................................................894
Tabel 23.1 Nilai eigenvalues untuk setiap factor .................................................898
Tabel 23.2 Sumbangan masing - masing varians seluruh variabel asli................899
Tabel 23.3 Matriks factor .....................................................................................900
xxiv
Tabel 23.4 Variabel yang mendukung faktor pertama ........................................901
Tabel 23.5 Variabel yang mendukung faktor kedua ............................................901
Tabel 23.6 Data produktivitas responden .............................................................906
Tabel 23.7 Hasil Uji Missing Data .......................................................................913
Tabel 23.8 Hasil Uji Analisis relasi antar variable...............................................914
Tabel 23.9 Hasil Uji Normalitas ..........................................................................916
Tabel 23.10 Hasil Uji Linearitas ..........................................................................917
Tabel 23.11 Hasil Uji Homoscedasticity .............................................................918
Tabel 23.12 Hasil Uji KMO and Bartlett’s Test ..................................................918
Tabel 23.12 Hasil Uji Anti-Image Matrices .........................................................919
Tabel 23.13 Hasil Uji Communalities ..................................................................920
Tabel 23.14 Hasil Uji Total Varience Explained .................................................921
Tabel 23.15 Hasil Uji Component Matrix............................................................922
Tabel 23.16 Hasil Uji Rotated Component Matrix ..............................................924
Tabel 23.17 Hasil Uji Component Transformation Matrix..................................925
xxv
DAFTAR GAMBAR
Gambar 2.1 Data pengiriman pesawat tempur ....... Error! Bookmark not defined.
Gambar 2.2 Kotak dialog analyze .......................... Error! Bookmark not defined.
Gambar 2.3 Kotak dialog explor ............................................................................12
Gambar 2.4 Kotak dialog explor statistics .............................................................13
Gambar 2.5 Kotak dialog explor plots ...................................................................13
Gambar 3.1 Data Tingkat Usia...............................................................................21
Gambar 3.2 Tampilan Variabel View ....................................................................22
Gambar 3.3 Tampilan Data View ..........................................................................23
Gambar 3.4 Kotak Dialog Analyze ........................................................................45
Gambar 3.5 Kotak Dialog Crosstabs .....................................................................46
Gambar 3.6 Kotak Dialog Crosstabs Statistics ......................................................46
Gambar 4.1 Kotak Dialog Variable View ..............................................................56
Gambar 4.2 Kotak Dialog Variable View ..............................................................56
Gambar 4.3 Kotak Dialog Data View ....................................................................57
Gambar 4.4 Kotak Dialog Analyze ........................................................................57
Gambar 4.5 Kotak Dialog Explor ..........................................................................58
Gambar 4.6 Kotak Dialog Explore Plots................................................................58
Gambar 4.7 Kotak Dialog Analyze........................................................................65
Gambar 4.8 Kotak Dialog Explore.........................................................................65
Gambar 4.9 Kotak Dialog Explore Plots ...............................................................66
Gambar 5.1 Pengumpulan data ..............................................................................93
Gambar 5.2 Kotak dialog analyze ..........................................................................94
Gambar 5.3 Kotak dialog explore ..........................................................................94
Gambar 5.4 Hasil perhitungan ...............................................................................95
Gambar 5.5 Kotak dialog analyze ..........................................................................98
Gambar 5.6 Kotak dialog explore ..........................................................................98
Gambar 5.7 Hasil nilai cronbach’s alpha ...............................................................99
Gambar 5.8 Kotak dialog transform.....................................................................105
Gambar 5.9 Kotak dialog compute variable ........................................................105
Gambar 5.10 Kotak dialog analyze ......................................................................105
Gambar 5.11 Kotak dialog bivariate correlate .....................................................106
Gambar 5.12 Kotak dialog analyze ......................................................................106
Gambar 5.13 Kotak dialog reliabillity analysis....................................................106
Gambar 5.14 Kotak dialog reliabillity analysis statistics .....................................107
Gambar 6.1 Kotak dialog one sample T test ........................................................120
Gambar 6.2 Kotak dialog one sample T test: options ..........................................121
xxvi
Gambar 7.1 Data hasil implementasi produk pengembangan multimedia ..........126
Gambar 7.2 Hasil perhitungan menggunakan SPSS pada nilai siswa .................127
Gambar 7.3 Kotak Dialog Independent T Test ....................................................130
Gambar 7.4 Kotak Dialog Define Groups ............................................................130
Gambar 7.5 Kotak Dialog Independent Sample T Test: Options ........................130
Gambar 8.1 Kotak Dialog Paired T Test ..............................................................151
Gambar 8.2 Kotak Dialog Paired T Test: options ................................................151
Gambar 9.1 Data view pada SPSS .......................................................................156
Gambar 9.2 Uji One Way Anova .........................................................................156
Gambar 9.3 Kotak Dialog One Way ANOVA.....................................................165
Gambar 9.4 Kotak Dialog One Way ANOVA: options .......................................165
Gambar 10.1 Kotak Dialog Weight Cases ...........................................................218
Gambar 11.1 Kotak Dialog Weight Case .............................................................242
Gambar 11.2 Kotak Dialog Chi Square Test .......................................................242
Gambar 12.1 Kotak Dialog Weight Case .............................................................264
Gambar 12.2 Kotak Dialog Crosstabs .................................................................265
Gambar 12.3 Kotak Dialog Crosstabs : cell display............................................265
Gambar 12.4 Kotak Dialog Crosstabs : statistic .................................................265
Gambar 13.1 Kotak Dialog Variable View .........................................................279
Gambar 13.2 Dialog Box Kolmogorov–Smirnov Test........................................280
Gambar 13.3. Grafik ECDF untuk Kolmogorov–Smirnov test ..........................282
Gambar 13.4 Pengujian p-value pada level of significance α = 0,05 ..................284
Gambar 13.5 Kotak Dialog One Sample Kolmogorov Smirnov Test .................293
Gambar 14.1 Kotak Dialog Two Independent Samples Test ...............................522
Gambar 14.2 Kotak Dialog Two Independent Samples Test: Define Groups .....522
Gambar 15.1 Kotak Dialog Two Independent Samples Tests ..............................533
Gambar 15.2 Kotak Dialog Two Independent Samples Tests ..............................534
Gambar 15.1 Data Skor Kebugaran Fitnes Pagi dan Siang Hari .........................555
Gambar 15.2 Kotak Dialog Variable View ..........................................................555
Gambar 15.3 Kotak Dialog Two Independent Samples Tests .............................560
Gambar 15.4 Kotak Dialog Two Independent Samples Tests: Define Groups ...560
Gambar 16.1 Kotak Dialog Test for Several Independent Samples .....................570
Gambar 16.2 Kotak Dialog Two Independent Samples Tests ..............................571
Gambar 16.1 Kotak Dialog Test fos Several Independent Samples ....................583
Gambar 16.2 Kotak Dialog Define Groups..........................................................584
Gambar 16.1 Kotak Dialog Value Labels ............................................................593
Gambar 16.2 Kotak Dialog Kruskall-Wallis ........................................................594
Gambar 16.3 Kotak Dialog Test fos Several Independent Samples ....................599
Gambar 16.4 Kotak Dialog Several Independent Sample Test: Define Range ...599
Gambar 17.1 Kotak Dialog Tests for Several Independent Samples ...................612
Gambar 17.2 Kotak Dialog Tests for Several Independent Samples: Difine Range ..... 613
Gambar 17.1 Kotak Dialog Test fos Several Independent Samples ....................624
xxvii
Gambar 17.2 Kotak Dialog Define Groups..........................................................624
Gambar 17.1 Kotak dialog Variable View ...........................................................633
Gambar 17.2 Kotak dialog Data View .................................................................633
Gambar 17.3 Kotak dialog Test for Several Independent Samples .....................634
Gambar 17.4 Kotak dialog Test for Several Independent Samples: Range for Grouping........ 634
Gambar 17.5 Kotak Dialog Test for Several Independent Samples ....................641
Gambar 17.6 Kotak Dialog Test for Several Independent Samples: Range for Grouping ....... 641
Gambar 18.1 Kotak Dialog Two-Related-Samples Tests .....................................652
Gambar 18.1 Kotak Dialog Two Related Samples Test ......................................663
Gambar 18.1 Kotak Dialog Two Related Samples Test ......................................671
Gambar 18.2 Kotak Dialog Two Related Samples T Tests .................................675
Gambar 19.1 Kotak Dialog Two-Related-Samples Tests .....................................688
Gambar 19.1 Kotak Dialog Two Related Samples T Tests .................................702
Gambar 19.2 Kotak Dialog Two Related Samples Test ......................................705
Gambar 19.1 Kotak Dialog Two Related Samples Test ......................................715
Gambar 20.1 Kotak Dialog Multivariate .............................................................726
Gambar 20.2 Kotak Dialog Multivariate .............................................................726
Gambar 20.3 Kotak Dialog Multivariate:Options ...............................................727
Gambar 20.1 Kotak Dialog Multivariate .............................................................748
Gambar 20.2 Kotak Dialog Multivariate .............................................................748
Gambar 20.3 Kotak Dialog Multivariate .............................................................749
Gambar 20.4 Kotak Dialog Multivariate .............................................................749
Gambar 20.5 Hasil pengolahan uji MANOVA ....................................................750
Gambar 20.6 Kotak Dialog Analyze.....................................................................755
Gambar 20.7 Kotak Dialog Multivariate .............................................................756
Gambar 20.1 Kotak Dialog Multivariate .............................................................774
Gambar 20.2 Kotak Dialog Multivariate .............................................................774
Gambar 20.3 Multivariate Post Hoc Multiple Comparisson for Observed Means ........ 775
Gambar 21.1 Kotak Dialog Linear Regression ....................................................789
Gambar 21.2 Kotak Dialog Linear Regression: Options .....................................790
Gambar 21.3 Kotak Dialog Linear Regression: Statistics ...................................790
Gambar 21.4 Kotak Dialog Linear Regression: Plots .........................................791
Gambar 21.1 Kotak Dialog Linear Regression ....................................................801
Gambar 21.2 Kotak Dialog Linear Regression : Statistics ..................................801
Gambar 21.3 Kotak Dialog Linear Regression : Plots .........................................802
Gambar 21.4 Kotak Dialog Linear Regression ....................................................807
Gambar 21.5 Kotak Dialog Linear Regression : Statistics ..................................808
Gambar 21.6 Kotak Dialog Linear Regression : Plots .........................................808
Gambar 21.1 Kotak Dialog Linier Regression .....................................................826
Gambar 21.2 Kotak Dialog Linier Regression: Option .......................................827
Gambar 21.3 Kotak Dialog Linier Regression: Statistik .....................................827
Gambar 21.4 Kotak Dialog Linier Regression: Plots...........................................826
xxviii
Gambar 22.1 Kotak Dialog Linear Regression ....................................................843
Gambar 22.2 Kotak Dialog Linear Regression: Statistics ...................................843
Gambar 22.3 Kotak Dialog Linear Regression: Plots .........................................844
Gambar 22.4 Hasil uji heteroskedastisitas ...........................................................848
Gambar 22.1 Kotak Dialog Linear Regression ....................................................856
Gambar 22.2 Kotak Dialog Linear Regression : Statistics ..................................856
Gambar 22.3 Kotak Dialog Linear Regression : Plots .........................................857
Gambar 22.4 Kotak Dialog Linear Regression ....................................................864
Gambar 22.5 Kotak Dialog Linear Regression ....................................................865
Gambar 22.6 Kotak Dialog Linear Regression : Statistics ..................................865
Gambar 22.7 Kotak Dialog Linear Regression : Plots .........................................866
Gambar 22.8 Hasil uji heteroskedastisitas ...........................................................870
Gambar 22.1 Kotak Dialog Linier Regression: Option .......................................891
Gambar 22.2 Kotak Dialog Linier Regression: Statistik .....................................891
Gambar 22.3 Kotak Dialog Linier Regression: Plots...........................................892
Gambar 23.1 Screen Plot......................................................................................900
Gambar 23.2 Tampilan Kotak Dialog Analyze....................................................910
Gambar 23.3 Tampilan Kotak Dialog Factor Analysis ........................................910
Gambar 23.4 Tampilan Kotak Dialog Factor Analysis: Descriptives..................911
Gambar 23.5 Tampilan Kotak Dialog Factor Analysis: Rotation ........................911
Gambar 23.5 Tampilan Kotak Dialog Factor Analysis: Options .........................912
Gambar 23.6 Hasil Uji Outlier Data ....................................................................916
Gambar 23.7 Hasil Uji Screen Plot ......................................................................922
xxix
DAFTAR LAMPIRAN
xxx
BAB I
STATISTIK DESKTRIPTIF : FREQUENCIES
1.3 Tujuan
Tujuan dari rumusan masalah di atas dapat dikemukakan, yakni sebagai berikut:
Untuk Mengetahui cara menentukan data statistic dan analisis oleh PT. Seido Agra
Abadi
1.4 Manfaat
Manfaat dari tujuan di atas dapat dikemukakan, yakni PT Seido Agra Abadi dapat
menentukan cara yang tepat dalam mengolah data dan dapat menganalisis pengolahan
data yang tepat untuk di lakukan.
1
1.5 Literatur
Literatur Panduan Praktek Aplikasi Praktis SPSS For Windows Dalam Statistika,
UPI 2018, Data dianalisa menggunakan frekuensi data dengan hasil pengolahan data
berupa tabel penghasilan dan grafik histogram. Langkah yang dilakukan dalam
pengolahan data sebagai berikut:
1. Buka program SPSS sehingga muncul tampilan lembar kerja SPSS
2. Klik Variabel View kemudian isikan nama variabel x1= umur, x2= status, x3=
penghasilan, y= pengeluaran
3. Input Data yang akan digunakan untuk uji statistika deskriptif pada data view
2
4. Lakukan analisis frekuensi dengan tahapan Analyze >Statistics Descriptive >
Frequencies kemudian akan muncul kotak dialog Frequencies
6. Kemudian Klik Statistic pada kotak dialog, klik quartiles, mean, median, mode,
sum, std deviation, variance, range, maximum, minimum, S.E. means, skewnes,
kurtosis. Kemudian klik continue, sehingga kembali ke kotak dialog Descriptive
Statistics.
3
Gambar 1.5 Kotak Dialog Frequencies 3
(Sumber: Paduan Praktek Aplikasi Praktis SPSS For Windows Dalam Statistika, 2018 )
4
(Sumber: Paduan Praktek Aplikasi Praktis SPSS For Windows Dalam Statistika, 2018)
5
1.7 Pengumpulan Data
Tabel 1.1 Data Pegiriman Hasil Produksi PT Seido Agra Abadi ke 4 Kota
Jenis Jumlah
Tanggal Tanggal Daerah Produk
No Produk
Pengiriman Kedatanga Pemesan Belt Bucket Wire Roller
Conveyo Conveyor Convey Overland Conveyor / Unit
n r or Conveyo
r
1 01 January 01 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
2 02 January 02 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
3 03 January 03 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
4 04 January 04 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
5 05 January 05 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
6 06 January 06 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
7 07 January 07 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
8 08 January 08 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
9 09 January 09 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
10 10 January 10 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
11 11 January 11 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
12 12 January 12 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
6
13 13 January 13 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
14 14 January 14 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
7
15 15 January 15 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
16 16 January 16 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
17 17 January 17 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
18 18 January 18 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
19 19 January 19 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
20 20 January 20 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
21 21 January 21 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
22 22 January 22 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
23 23 January 23 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
24 24 January 24 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
25 25 January 25 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
26 26 January 26 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
27 27 January 27 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
28 28 January 28 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
29 29 January 29 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
8
30 30 January 30 January Surabaya 200 20 200 200 200 1000
2021 2021 dan 0
Singkawang
31 31 January 31 January Mojokerto 100 10 100 100 100 500
2021 2021 dan 0
Probolinggo
9
32 01 February 01 February Surabaya 200 200 200 200 200 1000
dan
2021 2021 Singkawang
10
47 16 February 16 February Mojokerto 100 10 100 100 100 500
dan 0
2021 2021
Probolinggo
48 17 February 17 February Surabaya 200 20 200 200 200 1000
dan 0
2021 2021
Singkawang
11
49 18 February 18 February Mojokerto 100 100 100 100 100 500
dan
2021 2021 probolinggo
50 19 February 19 February Surabaya 200 20 200 200 200 1000
dan 0
2021 2021
Singkawang
51 20 February 20 February Mojokerto 100 10 100 100 100 500
dan 0
2021 2021
Probolinggo
52 21 February 21 February Surabaya 200 20 200 200 200 1000
dan 0
2021 2021
Singkawang
53 22 February 22 February Mojokerto 100 10 100 100 100 500
dan 0
2021 2021
Probolinggo
54 23 February 23 February Surabaya 200 20 200 200 200 1000
dan 0
2021 2021
Singkawang
55 24 February 24 February Mojokerto 100 10 100 100 100 500
dan 0
2021 2021
Probolinggo
56 25 February 25 February Surabaya 200 20 200 200 200 1000
dan 0
2021 2021
Singkawang
57 26 February 26 February Mojokerto 100 10 100 100 100 500
dan 0
2021 2021
Probolinggo
58 27 February 27 February Surabaya 200 20 200 200 200 1000
dan 0
2021 2021
Singkawang
59 28 February 28 February Mojokerto 100 10 100 100 100 500
dan 0
2021 2021
Probolinggo
60 01 March 2021 01 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
61 02 March 2021 02 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
62 03 March 2021 03 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
63 04 March 2021 04 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
12
64 05 March 2021 05 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
65 06 March 2021 06 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
13
66 07 March 2021 07 March 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
67 08 March 2021 08 March 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
68 09 March 2021 09 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
69 10 March 2021 10 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
70 11 March 2021 11 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
71 12 March 2021 12 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
72 13 March 2021 13 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
73 14 March 2021 14 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
74 15 March 2021 15 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
75 16 March 2021 16 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
76 17 March 2021 17 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
77 18 March 2021 18 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
78 19 March 2021 19 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
79 20 March 2021 20 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
80 21 March 2021 21 March 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
14
81 22 March 2021 22 March 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
82 23 March 2021 23 March 2021 200 20 200 200 200 1000
Surabaya dan
0
Singkawang
15
83 24 March 2021 24 March 2021 Mojokerto 100 100 100 100 100 500
dan
probolinggo
84 25 March 2021 25 March 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
85 26 March 2021 26 March 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
86 27 March 2021 27 March 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
87 28 March 2021 28 March 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
88 29 March 2021 29 March 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
89 30 March 2021 30 March 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
90 31 March 2021 31 March 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
91 01 April 2021 01 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
92 02 April 2021 02 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
93 03 April 2021 03 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
94 04 April 2021 04 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
95 05 April 2021 05 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
96 06 April 2021 06 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
97 07 April 2021 07 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
98 08 April 2021 08 April 2021 Surabaya 200 200 200 200 200 1000
dan
16
Singkawang
99 09 April 2021 09 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
17
100 10 April 2021 10 April 2021 Surabaya 20 200 200 200 200 1000
dan 0
Singkawang
101 11 April 2021 11 April 2021 Mojokerto 10 100 100 100 100 500
dan 0
Probolinggo
102 12 April 2021 12 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
103 13 April 2021 13 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
104 14 April 2021 14 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
105 15 April 2021 15 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
106 16 April 2021 16 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
107 17 April 2021 17 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
108 18 April 2021 18 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
109 19 April 2021 19 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
110 20 April 2021 20 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
111 21 April 2021 21 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
112 22 April 2021 22 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
113 23 April 2021 23 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
114 24 April 2021 24 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
18
115 25 April 2021 25 April 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
116 26 April 2021 26 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
19
117 27 April 2021 27 April 2021 Mojokerto 100 100 100 100 100 500
dan
probolinggo
118 28 April 2021 28 April 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
119 29 April 2021 29 April 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
120 30 April 2021 30 April 2021 Surabaya 200 200 200 200 1000
dan 200
Singkawang
121 01 May 2021 01 May 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
122 02 May 2021 02 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
123 03 May 2021 03 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
124 04 May 2021 04 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
125 05 May 2021 05 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
126 06 May 2021 06 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
127 07 May 2021 07 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
128 08 May 2021 08 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
129 09 May 2021 09 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
130 10 May 2021 10 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
131 11 May 2021 11 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
20
132 12 May 2021 12 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
133 13 May 2021 13 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
21
134 14 May 2021 14 May 2021 Surabaya 200 20 200 200 200 500
dan 0
Singkawang
135 15 May 2021 15 May 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
136 16 May 2021 16 May 2021 Surabaya 200 200 200 200 200 1000
dan
Singkawang
137 17 May 2021 17 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
138 18 May 2021 18 May 2021 Surabaya 200 200 200 200 1000
dan 200
Singkawang
139 19 May 2021 19 May 2021 Mojokerto 100 100 100 100 100 500
dan
Probolinggo
140 20 May 2021 20 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
141 21 May 2021 21 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
142 22 May 2021 22 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
143 23 May 2021 23 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
144 24 May 2021 24 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
145 25 May 2021 25 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
146 26 May 2021 26 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
147 27 May 2021 27 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
148 28 May 2021 28 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
22
149 29 May 2021 29 May 2021 Mojokerto 100 10 100 100 100 500
dan 0
Probolinggo
150 30 May 2021 30 May 2021 Surabaya 200 20 200 200 200 1000
dan 0
Singkawang
23
24
1.8 Pengolahan Dan Analisis Data
1.8.1 Data Entry
Data yang digunakan dalam melakukan pengolahan data pada analisis
Frequencies ini adalah data PT SEIDO AGRA ABADI dalam mengirim produk ke 4
yaitu Surabaya, Singkawang, Mojokerto dan Probolinggo.
Variabel yang digunakan dalam analisis adalah jumlah batang kawat, jumlah
baja tulang, jumlah bilet baja, jumlah paku, jumlah pipa baja dan jumlah baja lembaran,
(Jumlah produksi yang akan di kirim) Masing-masing variabel memiliki value yaitu:
Lokasi (Surabaya, Singkawang, Mojokerto dan Probolinggo). Dari data tersebut
kemudian dilakukan pengolahan dengan langkah-langkah sebagai berikut:
a. Input variabel pada Variable View sebagai berikut.
25
1.8.2 Analisis Data
Langkah-langkah yang dilakukan untuk analisis deskriptif adalah sebagai
berikut:
a. Pilih menu Analyze lalu pilih Statistic Descriptif dan pilih Frequencies.
b. Input variable
26
c. Pilih Statistic, maka kotak dialog Frequencies Statistics akan muncul.
Tetapkan parameter pengukuran dan klik Continue.
27
1.10 Analisis Hasil Pengolahan Data
Dari hasil pengolahan data PT Seido Agra Abadi dengan jumlah data sebanyak 150
data, di dapatkan hasil nilai mean untuk Plastic Belt Conveyor 190.00, untuk Bucket
Conveyor 190.00, Wire Mesh Conveyor 190.00, untuk OverLand Conveyor 190.00,
untuk Roller Conveyor 190.00. Selanjutnya yaitu juga didapatkan nilai median untuk
Belt Conveyor sebesar 200.00, Bucket Conveyor 200.00, Wire Mesh Conveyor 200.00,
OverLand Conveyor 200.00 dan Roller Conveyor 200.00.
Kemudian untuk Mode pada Belt Conveyor 200, Bucket Conveyor 200, Wire
Mesh Conveyor 200, OverLand Conveyor 200, Roller Conveyor 200. Selanjutnya
untuk Standar Deviasi untuk Belt Conveyor sebesar 113.95, Bucket Conveyor 113.95,
WireMesh Conveyor 113.95, OverLand Conveyor 113.95, Roller Conveyor 113.95.
Lalu untuk Variance Belt Conveyor 12986.577, Bucket Conveyor 12986.77, Wire
Mesh Conveyor 12986.577, OverLand Conveyor 12986.577, Roller Conveyor
12986.577.
Kemudian Nilai Range untuk Belt Conveyor sebesar 400, Bucket Conveyor 400,
Wire Mesh Conveyor 400, OverLand Conveyor 400, Roller Conveyor 400. Lalu untuk
nilai Maximun Belt Conveyor sebesar 500, Bucket Conveyor 500, WireMesh Conveyor
500, OverLand Conveyor 500, Roller Conveyor 500.
Lalu nilai Minimumnya yaitu Belt conveyor 100, Bucket Conveyor 100, Wire
mesh Conveyor 100, OverLand Conveyor 100, Roller Conveyor 100. Kemudian
Percentil 25 Belt Conveyor sebesar 100.00, Bucket Conveyor 100.00; Bucket conveyor
100.00, Wire Mesh Conveyor 100.00, OverLand Conveyor 100.00 dan Roller
Conveyor 100.00. Lalu untuk percentil 50 untuk Belt Conveyor sebesar 200.00; Bucket
Conveyor 200, Wire Mesh Conveyor 200.00, OverLand Conveyor 200.00 dan Roller
Conveyor 200.
Dan percentil 75 untuk Belt Conveyor 200.00, Bucket Conveyor 200.00, Wire
Mesh Conveyor 200.00, OverLand Conveyor 200.00 dan Roller Conveyor 200.00
28
1.11 Kesimpulan
29
BAB II
STATISTIKA DESKRIPTIVES EXPLOR
30
dalam pengiriman produk
2. Untuk mengetahui dan memahami teknik pengambilan data
3. Dapat mengetahui dan memahami tentang pengolahan data dengan
menggunakan program SPSS dan PASW
2.4 Manfaat
1. Dapat melakukan pengambilan data dengan benar
2. Dapat memahami dan mengetahui konsep pengambilan data mengenai ilmu
statistika
2.5 Literatur
Explore digunakan untuk membandingkan antara dua atau lebih kelompok
dengan satu variabel. Sebagai contoh, jika kita menggunakan Jenis Kelamin
sebagai variabel independen; variabel ini mendefinisikan kelompok (Laki-Laki dan
Perempuan), kemudian membandingkannya dengan variabel lain, seperti Umur.
Perintah Explore; contoh dalam kasus mean, akan menghasilkan berapa rata-rata
umur laki-laki dan berapa rata-rata umur perempuan. Ukuran-ukuran yang
dihasilkan perintah Explore antara lain: ukuran-ukuran pemusatan data (mean dan
median), ukuran penyebaran (range, interquartile range, standar deviasi, varians,
minimum, dan maksimum), ukuran kurtosis, dan skewness.
11
2.8 Pengolahan dan Analisis Data
Data yang digunakan dalam analisis dcskriptif ini sama dengan data pada
analisis
frekuensi dan analisis deskriptif Bcrikut adlaIah langkah-laogkah yang
dilakukan
dalam analisis ekplore:
a. Pilih menu Analyze lalu pilih Statistics Descriptive kemudian
pilih explorer
12
c. Pilih Statistics, makan akan muncul kotak dialog Explor Statistics
Tetapkan parameter uji secara default Descriptive Convidence
Interval for Mean 95% dipilih, klik continue
d. Pilih Plot, kemudian akan muncul kotak dialog Explor Plot. Secara
default pilih box plot factor level together and steam and leaf lalu
klik continue dan OK
Analisis Data:
a. F-16 Fighting Falcon
Tabel 2.1 Hasil pengolahan data F-16 Fighting Falcon
13
(Sumber: Olah Data 2021)
b. F-15 Eagle
Tabel 2.2 Hasil pengolahan data F-15 Eagle
14
c. JAS 39 Gripen
Tabel 2.3 Hasil pengolahan data JAS 39 Gripen
d. MiG 35
15
(Sumber: Olah Data 2021)
e. J-20
Tabel 2.5 Hasil pengolahan data J-20
16
statistic sebesar 107.00. nilai variance untuk variabel statistic
1.009E3 Standar deviation untuk variabel statistics 31.770. nilai
minimum untuk variabel statistic 53. Nilai maksimumnya 109 dan
untuk range 56. Interquartile range untuk variabel statistics tidak
memiliki nilai. Skewness untuk variabel staistics -1.724 dan untuk
standar erornya 1.225. Kurtosis untuk variabel statistics tidak
memiliki nilai.
f. Su-35
Tabel 2.6 Hasil pengolahan data Su-35
g. Dassaulf Rafle
17
Tabel 2.7 Hasil pengolahan data Dassaulf Rafle
h. Eurofighter Thypoon
Tabel 2.8 Hasil pengolahan data Dassaulf Rafle
18
(Sumber: Olah Data 2021)
Dapat diketahui bahwa data yang digunkan sebanyak 120 data
dengan nilai mean untuk variabel statistic 79.00 dan standar eror
sebesar 16.643 95% confidence interval for mean lower bound untuk
variabel statistic 7.39 dan upper bound 150.61. 5% trimmed mean
untuk variabel statistics tidak memiliki nilai. Median untuk variabel
statistic sebesar 74.00. nilai variance untuk variabel statistic 831.000
Standar deviation untuk variabel statistics 28.827. nilai minimum
untuk variabel statistic 53. Nilai maksimumnya 110.
2.9 Kesimpulan
Kesimpulan untuk studi kasus pada PT Dirgantara Indonesia terkait dengan
pengiriman pesawat tempur dengan beberapa mode yaitu untuk masing-masing
pesawat dapat diketahui berapa niai mean, standar eror, 95% confidence interval
for mean lower dan upper bound, 5% trimmed mean, median, variance, standar
deviation, serta nilai minimum dan maksimum. Diantara kedelapan pesawat nilai
mean tertinggi dengan data yang digunakan sebanyak 120 data dengan nilai mean
untuk variabel statistic 95.50 dan standar eror sebesar 24.500 yaitu pesawat tempur
dengan tipe Dassault Rafle. Untuk nilai mean terendah dengan data yang digunakan
sebanyak 120 data dengan nilai mean untuk variabel statistic 11.00 dan standar eror
sebesar 7.550 yaitu pesawat tempur seri Mig 35.
19
BAB III
STATISTIKA DESKRIPTIVES CROSSTAB
3.3 Tujuan
Tujuan dari rumusan masalah di atas dapat dikemukakan, yakni sebagai
berikut: Dapat mengetahui data statistic dan analisis sekalian dengan data penguji
kualitas pada 5 pafrum PT Parfum Asli.
3.4 Manfaat
Manfaat dari tujuan di atas dapat dikemukakan, yakni sebagai berikut: PT
Parfum Asli dapat mengetahui pengelompokan kualitas pada 5 parfum dan dapat
mengetahui cara yang tepat dalam mengolah data dan dapat menganalisis
pengolahan data yang tepat untuk di lakukan.
3.5 Literatur
Pengumpulan data sebagai berikut: Pada Buku yang ditulis oleh Okke
Kustiono, FISIP UI, 2010. Menjelaskan penelitian yang berhubungan dengan topik
sesuai dengan materi ini yang dapat membantu merumuskan masalah penelitian
tertentu dan juga dapat membantu dalam beberapa cara lain.
11
0
Tabel 3.1 Pengumpulan Data Literatur
Tingkat
Gender Usia Bidang Keahlian Statu
Pendidika
s
n
Pria 6 S Statistik Menikah
Wanit 38 2 a Belum
a 39 S Analisis Menikah
Wanit 40 2 Terapan Menikah
a Pria 37 S Pend. Menikah
Pria 43 2 Matematika Menikah
Pria 33 S Statistika Belum
Wanit 36 3 Statistika Menikah
a Pria 38 S Aljabar Belum
Wanit 51 3 Analisi Menikah
a 35 S s Menikah
Wanit 37 2 Aljabar Belum
a Pria 39 S Pend. Menikah
Pria 40 1 Matematika Menikah
Pria 42 S Pend. Menikah
Pria 2 Matematika Menikah
Wanit S Terapan Menikah
a 2 Statistika Belum
S Pend. Menikah
3 Matematika Menikah
S Analisis
2
S
1
S
3
S
3
S
2
(Sumber : Modul Pelatihan SPSS 2010)
a. Pengolahan Data
Pilih Analyze, lalu Statistic Deskriptive kemudian Frekuencies
Masukan Variable
Pilih Statistic, Tetapkan parameter pengukuran dan klik Continue
Klik format, piih Ascending Value klik Continue kemudian Ok
b. Hasil Data
Adapun hasil sebagai berikut:
Tabel 3.1 Hasil Pengolahan Data Literature
11
Crosstab 1
Count
Usia
6 33 35 36 37 38 39 40 42 43 51 Total
Gender Pria 1 0 1 1 2 0 1 2 0 1 0 9
Wanita 0 1 0 0 0 2 1 0 1 0 1 6
Total 1 1 1 1 2 2 2 2 1 1 1 15
11
2
3.6 Metode Pengolahan Data
Pada studi kasus satu pada PT Parfum Asli dalam pengujian kualitas terhadap
5 produk parfum yang di produksi dan nilai dari data 100 konsumen secara acak.
Mengunakan Metode pengolahan yang dibuat untuk menyelesaikan masalah studi
kasus ini yaitu dengan metode analisis statistika deskriptif, dimana metode- metode
yang berkaitan dengan pengumpulan dan penyajian suatu data yang dapat menaksir
kualitas dan data berupa jenis variabel, ringkasan statistik.
11
4
Produ Daya Kesegara
Tanggal Konsume k Keharuma Tahan Harga Kemasa n
n Parfu n n Parfum
m
2 januari 26 4 3 5 5 4 1
2021
2 januari 27 5 5 2 3 5 2
2021
2 januari 28 3 2 5 5 5 1
2021
2 januari 29 2 4 1 5 4 5
2021
2 januari 30 4 5 5 4 1 5
2021
2 januari 31 1 2 3 4 5 3
2021
2 januari 32 5 1 3 1 4 1
2021
3 januari 33 3 3 1 3 2 1
2021
3 januari 34 3 2 5 2 2 5
2021
3 januari 35 4 3 1 4 3 2
2021
3 januari 36 1 3 3 3 4 4
2021
3 januari 37 2 2 5 5 2 4
2021
3 januari 38 5 2 4 4 4 2
2021
3 januari 39 2 1 1 3 5 2
2021
3 januari 40 1 5 4 3 2 2
2021
3 januari 41 3 1 2 3 5 4
2021
3 januari 42 4 3 4 2 5 3
2021
3 januari 43 4 4 3 4 3 2
2021
3 januari 44 5 5 4 2 2 1
2021
3 januari 45 5 2 3 2 3 2
2021
3 januari 46 2 4 4 5 2 1
2021
3 januari 47 1 5 3 4 2 1
2021
3 januari 48 3 4 2 4 3 5
2021
3 januari 49 1 2 5 4 1 5
2021
4 januari 50 3 4 3 2 3 11
3
5
2021
4 januari 51 4 2 4 5 3 1
2021
4 januari 52 2 2 2 3 5 4
2021
4 januari 53 1 5 3 3 5 1
2021
4 januari 54 3 3 3 2 1 2
2021
4 januari 55 5 2 2 1 2 5
2021
4 januari 56 2 4 1 4 1 1
2021
4 januari 57 5 3 3 4 2 4
2021
4 januari 58 1 4 2 2 5 1
2021
4 januari 59 1 4 4 4 2 2
2021
4 januari 60 2 2 3 2 1 2
2021
4 januari 61 3 2 4 2 2 5
2021
4 januari 62 4 4 3 5 5 3
2021
4 januari 63 5 4 4 4 3 1
2021
4 januari 64 1 5 4 3 4 1
2021
11
6
Produ Daya Kesegara
Tanggal Konsume k Keharuma Tahan Harga Kemasa n
n Parfu n n Parfum
m
4 januari 65 2 4 1 5 4 3
2021
4 januari 66 5 2 1 4 3 3
2021
5 januari 67 3 4 5 4 4 3
2021
5 januari 68 4 1 4 3 2 5
2021
5 januari 69 1 3 2 1 4 4
2021
5 januari 70 2 3 2 5 1 5
2021
5 januari 71 5 5 1 3 2 5
2021
5 januari 72 1 2 4 2 5 5
2021
5 januari 73 2 3 5 2 1 1
2021
5 januari 74 3 4 4 4 2 4
2021
5 januari 75 4 1 5 4 1 2
2021
5 januari 76 4 2 2 5 4 2
2021
5 januari 77 2 3 4 4 2 2
2021
5 januari 78 5 2 3 3 5 3
2021
5 januari 79 1 5 3 3 2 4
2021
5 januari 80 5 1 2 5 1 2
2021
5 januari 81 3 1 4 4 1 4
2021
5 januari 82 4 4 3 5 2 1
2021
5 januari 83 3 5 5 3 2 2
2021
6 januari 84 1 1 5 5 5 1
2021
6 januari 85 1 3 4 1 1 3
2021
6 januari 86 3 3 5 5 3 2
2021
6 januari 87 5 1 3 5 4 5
2021
6 januari 88 4 2 1 5 2 2
2021
6 januari 89 2 4 1 2 2 11
3
7
2021
6 januari 90 2 1 2 3 3 2
2021
6 januari 91 3 5 5 1 3 5
2021
6 januari 92 1 5 1 1 3 4
2021
6 januari 93 5 1 2 3 1 5
2021
6 januari 94 2 2 4 3 3 1
2021
6 januari 95 3 3 4 4 1 3
2021
6 januari 96 4 3 2 1 2 4
2021
6 januari 97 4 5 3 5 2 4
2021
6 januari 98 3 1 4 5 3 1
2021
6 januari 99 1 3 5 5 5 3
2021
6 januari 100 5 2 3 1 5 1
2021
11
8
11
9
12
0
*Keterangan penilaian kualitas produk PT Parfum Oringinal dan variablel value
3.8 Pengolahan
Data
1.8.1 Data Entry
Data yang digunakan dalam melakukan pengolahan data pada analisis
Crosstabs ini adalah data PT Parfum Asli dalam pengujian kualitas terhadap 5
produk parfum yang di produksi dan nilai dari data 100 konsumen secara acak.
Variabel yang digunakan dalam analisis adalah keharuman, daya tahan,
harga, kemasan, dan kesegaran parfum, masing-masing variabel memiliki
value yaitu: 1 = nilai 81 - 100 kualitas A, 2 = nilai 61 - 80 kualitas B, 3 = 41 -
60 kualitas C, 4 = nilai 21 - 60 kualitas D dan 5 = 10 - 20 kualitas E.
Dari data tersebut kemudian dilakukan pengolahan dengan langkah-
langkah sebagai berikut:
a. Input variabel pada Variable View sebagai berikut.
12
1
b. Ubah data pada kolom Value yang ada di Variable View sesuai
dengan nilai dari variabel yang telah ditentukan
12
2
Gambar 3.4 Kotak Dialog Crosstabs
(Sumber: Data Olah, 2021)
12
3
3.9 Hasil Pengolahan
Adapun hasil dari pengolahan sebagai berikut:
a. Crosstabs untuk kualitas keharuman pada produk parfum
Gambar 3.6 Hasil Pengolahan Crosstabs kualitas keharuman dan Hasil Pengolahan
Chi-Square kualitas keharuman
(Sumber: Data Olah, 2021)
Gambar 3.7 Hasil Pengolahan Crosstabs kualitas daya tahan dan Hasil Pengolahan
Chi-Square kualitas daya tahan
(Sumber: Data Olah, 2021)
12
4
c. Crosstabs untuk kualitas harga pada produk parfum
Gambar 3.8 Hasil Pengolahan Crosstabs kualitas harga dan Hasil Pengolahan Chi-
Square kualitas harga
(Sumber: Data Olah, 2021)
Gambar 3.9 Hasil Pengolahan Crosstabs kualitas kemasan dan Hasil Pengolahan
Chi-Square kualitas kemasan
(Sumber: Data Olah, 2021)
12
5
e. Crosstabs untuk kualitas kesegaran parfum pada produk parfum
Gambar 3.10 Hasil Pengolahan Crosstabs kualitas kesegaran parfum dan Hasil
Pengolahan Chi-Square kualitas kesegaran parfum
(Sumber: Data Olah, 2021)
12
6
4, kualitas keharuman E sebesar 4. Lalu untuk produk parfum REXONA
memiliki kualitas keharuman A sebesar 5, kualitas keharuman B sebesar 6,
kualitas keharuman C sebesar 4, kualitas keharuman D sebesar 2, kualitas
keharuman E sebesar 3.
12
8
BELLAGIO memiliki kualitas kesegaran A sebesar 5, kualitas kesegaran B
sebesar 6, kualitas kesegaran C sebesar 3, kualitas kesegaran D sebesar 4,
kualitas kesegaran E sebesar 2. Pada produk parfum REXONA memiliki
kualitas kesegaran A sebesar 5, kualitas kesegaran B sebesar 4, kualitas
kesegaran C sebesar 2, kualitas kesegaran D sebesar 4, kualitas kesegaran E
sebesar 5.
3.11 Kesimpulan
Berdasarkan pengolahan data yang dilakukan dan perbandingan dengan
literatur diperoleh beberapa kesimpulan yaitu:
1. Dari hasil tersebut kita dapat melihat data-data kualitas parfum pada
tingkat keharuman, daya tahan, harga, kemasan, dan kesegaran parfum
dengan menggunakan software PASW lebih mudah untuk melihat tingkat
kepuasan kualitas dari penilaian konsumen.
2. Hasil penilaian dari kualitas keharuman pada produk parfum AXE
memiliki kualitas keharuman B sebesar 3, Kemudian untuk produk parfum
GATSBY memiliki kualitas keharuman E sebesar 2, selanjutnya untuk
produk parfum CASABLANCA memiliki kualitas keharuman D sebesar
4, dan untuk produk parfum BELLAGIO memiliki kualitas keharuman C
sebesar 4 diliat dari penilaian konsumen terhadap kualitas parfum, lalu
untuk produk parfum REXONA memiliki kualitas keharuman C sebesar
2.
3. Hasil penilaian dari kualitas daya tahan pada produk parfum AXE dengan
kualitas daya tahan D sebesar 5, Lalu untuk produk parfum GATSBY
dengan kualitas daya tahan D sebesar 6, selanjutnya untuk produk parfum
CASABLANCA dengan kualitas daya tahan E sebesar 8, lalu pada produk
parfum BELLAGIO dengan kualitas daya tahan A sebesar 3, dan yang
terakhir pada produk parfum REXONA dengan kualitas daya tahan A
sebesar 3.
4. Hasil penilaian dari kualitas harga pada produk parfum AXE memiliki
kualitas kualitas harga D sebesar 5, Kemudian untuk produk parfum
GATSBY memiliki kualitas harga C sebesar 6, dan selanjutnya untuk
produk parfum CASABLANCA memiliki kualitas harga C sebesar 3, dan
untuk produk parfum BELLAGIO memiliki kualitas harga C sebesar 4, lalu
12
untuk produk parfum REXONA memiliki kualitas harga C sebesar 5. 9
5. Hasil penilaian dari kualitas kemasan pada produk parfum AXE memiliki
kualitas kemasan B sebesar 5, lalu untuk produk parfum GATSBY
memiliki, kualitas kemasan B sebesar 5, produk parfum CASABLANCA
memiliki kualitas kemasan C sebesar 7, produk parfum BELLAGIO
memiliki kualitas kemasan E sebesar 3, produk parfum REXONA
memiliki kualitas kemasan A sebesar 3.
6. Hasil penilaian dari kualitas kesegaran pada produk parfum AXE memiliki
kualitas kesegaran A sebesar 6, selanjutnya pada produk parfum GATSBY
memiliki kualitas kesegaran A sebesar 8, pada produk parfum
CASABLANCA memiliki kualitas kesegaran A sebesar 5, pada produk
parfum BELLAGIO memiliki kualitas kesegaran A sebesar 5, pada produk
parfum REXONA memiliki kualitas kesegaran C sebesar 2.
7. Dari data yang kita analisis kita dapat menyimpulkan bahwa data yang
masuk memberikan hasil yang dapat meningkatkan kualitas dari masing-
masing produk parfum yang di produksi PT Parfum Asli. Lalu dapat
disimpulkan pula bahwa produk parfum REXONA memiliki tingkat
keharuman yang lebih baik daripada ke4 produk lainnya, untuk produk
parfum GATSBY meiliki daya tahan yang lebih baik daripada ke4 produk
lainnya, untuk produk parfum AXE memiliki harga yang sedikit lebih
terjangkau daripada ke4 produk lainnya, lalu produk parfum GATSBY
memiliki kemasan yang lebih menarik daripada ke4 produk lainnya, dan
produk parfum GATSBY juga memiliki tingkat kesegeran yang lebih baik
dari pada ke4 produk parfum lainnya.
13
0
Daftar Pustaka
Setiafindari, Widya, 2018 ,Modul Praktikum Statistika Industri 2, Program Studi Teknik
Industri, Fakultas Sains dan Teknologi, Universitas Tekn
2
BAB IV
STATISTIK DESKRIPTIVE UJI NORMALITAS DAN
KESERAGAMANDATA
4.1 Latar Belakang
Perkembangan lagu dan musik saat ini telah menyebar secara luas sehinggal dikenal
banyak kalangan tidak mengenal batasan usia dan jenis kelamin. Personal Manajer industri
musik ingin melakukan penelitian dengan penarikan terhadap 50 kuesioner ketertarikan jenis
lagu dan musik di Benua Asia untuk mengetahui apa saja digemari saat ini diseluruh kalangan
agar dapat menciptakan lagu dengan musik yang dapat diterima dan digemari.
4.3 Tujuan
Tujuan dari rumusan masalah diatas dapat dikemukakan yakni sebagai berikut:
1. Mendapatkan data yang teruji normalitas dan keseragamannya tentang kegemaran
musik di Asia pada semua kalangan
2. Mengetahui kegemaran jenis musik di Asia oleh semua kalangan
4.4 Manfaat
1. Menyiptakan lagu yang digemari oleh semua kalangan dari data kegemaran jenis
musik di Asia yang telah di olah dan analisis normalitas dan keseragamannya.
4.5 Literatur
Langkah – langkah :
a. Isikan Data Variable, lalu buka Data View
3
b. Input data
d. Masukkan variabel nilai ujian pada Dependent List dengan klik tanda panah dan jenis
kelamin pada Factor List yang dilakukan pengujian normalitas pada jendela Explore
Seperti tampak dilayar :
4
Gambar 2.4 Jendela Explore Literatur
(Sumber : Advernesia, 2019)
e. Klik Plots pada jendel Explore dan centang Normality plot with tests, kemudian
Power estimation yang terdapat pada ruang Spread vs Level with Levene Test.
5
h. Lihat table Test of Normality untuk melihat apakah data normal atau tidak dengan
syarat berikut.
Nilai signifikansi (p) pada uji kolmogorov-smirnov harus lebih dari 0,05 ( p >
0.05), sehingga berdasarkan uji normalitas kolomogorov-smirnov data
berdistribusi normal.
Nilai signifikansi (p) pada uji shapiro-wilk adalah 0.853 ( p > 0.05), sehingga
berdasarkan uji normalitas shapiro-wilk data berdistribusi normal.
i. Dari hasil tabel Descriptive Statistics dilakukan analisis uji keseragaman data dengan
menggunakan hasil minimum, maximum dan range
Variabel nilai ujian masih berada dalam range maka dapat diketahui bahwa data
adalah seragam
6
Jika dilihat dari kata dasarnya “normal” pasti anda sudah mempunyai gambaran
seperti apakah kegunaan uji normalitas itu? Ya benar sekali, uji normalitas bertujuan untuk
menguji apakah data yang digunakan dalam penelitian berdistribusi yang normal atau tidak.
Uji normalitas merupakan salah satu bagian dari uji persyaratan analisis data atau
uji asumsi klasik, artinya sebelum kita melakukan analisis statistik untuk uji hipotesis
dalam hal ini adalah analisis regresi, maka data penelitian tersebut harus di uji kernormalan
distribusinya. Tentunya kita juga sudah tahu, kalau data yang baik itu adalah data yang
berdistribusi normal.
2. Sebaliknya, jika nilai signifikansi (Sig.) lebih kecil dari 0,05 maka data penelitian
tidak berdistribusi normal.
7
4.7 Pengumpulan Data
Data ini merupakan data yang diambil dari kuesioner kegemaranjenis music dan lagu
orang Asia pada semua kalangan. Data yang dikumpulkan ditampilkan dalam tabel Tabel 2.1.
3 = Indie
4 = Jazz
5 = Raggae
6 = Blues
8
25 Arif 2 2
26 Novita 1 1
27 Kubil 1 1
28 Bila 1 1
29 Karen 1 5
30 Reza 1 5
31 Alfi 1 3
32 Binta 1 2
33 Banu 1 4
34 Mae 1 4
35 Linda 1 4
36 Giri 1 3
37 Mukthar 1 1
38 Listya 1 1
39 Mutia 1 3
40 Daffa 1 1
41 Lisdiana 2 4
42 Cece 1 3
43 Rangga 1 1
44 Sari 1 1
45 Hilda 2 3
46 Budi 1 1
47 Manda 1 3
48 Embe 1 2
49 Jose 2 1
50 Nur 1 1
51 Hasbi 1 3
52 Lisa 1 3
53 Dea 1 3
9
4.8 Pengolahan Data
10
Dan pada variabel Jenis_Musik input value seperti berikut :
3. Buka data view, lalu masukkan hasil survey seperti pada gambar
11
4. Menu Analyze Descriptive Statistic Explore
5. Masukkan variabel ke kotak Dependent List dan Factor List seperti yang dilakukan
pengujian normalitas pada jendela Explore dibawah ini.
6. Klik Plots dan centang Normality plots with test dan lingkari power estimation
seperti terlihat di bawah ini.
12
Gambar 2.13 Jendela Plots Explore
(Sumber : Olah Data, 2020)
13
Tabel 2.5 Uji Normalitas Jenis Musik
Tests of Normalityb,c,d
dimension1
INDIE .366 16 .000 .638 16 .000
14
96, interquartile range 65, skewness -0,154, dan kurtosis -1,533
Untuk menyatakan data telah normal maka nilai signifikansi (p) pada uji kolmogorov-
smirnov harus lebih dari 0,05 ( p > 0.05). Dengan melihat data nilai signifikansi (p) atau Sig.
jenis lagu dan juga jenis musik pada tabel Test of Normality yang berada diatas 0,05, sehingga
berdasarkan uji normalitas kolomogorov-smirnov dan shapiro-wilk data berdistribusi normal.
Untuk menyatakan data telah seragam maka nilai signifikansi (p) harus lebih dari 0,05
( p > 0.05). Dengan melihat data nilai signifikansi (p) atau Sig. Responden dan juga Genre
musik pada tabel Test of Homogenity Variance yang berada dibawah 0,05, sehingga
berdasarkan data teidak seragam.
15
4.11 Kesimpulan
Dari hasil analisis diatas kita dapat melihat kegemaran orang di Benua Asia dan dari
100 responden kita lebih minat atau menyukai jenis lagu oriental terhadap jenis musik dan
jenis lagu menggunakan software PASW dengan metode uji normalitas dan juga uji
keseragaman agar dapat menghasilkan data yang valid sehingga dapat dijadikan acuan
untuk memproduksi lagu yang akan digemari semua kalangan.
16
DAFTAR PUSTAKA
Advernesia, Cara Uji Normalitas SPSS Shapiro Wilk dan Kolmogorov Smirnov, Belajar
Online Gratis (MKI), dilihat pada 8 Februari 2020,
https://www.advernesia.com/blog/spss/cara-uji-normalitas-spss-shapiro-wilk-dan-
kolmogorov-smirnov/
17
Lampiran
BAB V
2
BAB V
STATISTIK DESKRIPTIVE RELIABILITAS DAN
VALIDITAS
5.1 Latar Belakang
Seorang manager perusahanaan hendak melakukan penilaian rutin terhadap karyawan
berdasarkan hasil penilaian terhadap karyawan lain . penilaian dilakukan pada 100 orang dalam waktu
2 bulan, 1 Februari – 1 April 2021 dengan nilai Tidak Cukup, Cukup, Sangat Baik. Aspek penilaian
kerja seperti keuletan, keramahan, ketelitian, ketelatenan, tepat waktu, tanggung jawab, dan
kedisiplinan, terhadap pekerjaannya di bagian produksi.
5.3 Tujuan
Tujuan dari penulisan laporan ini adalah untuk mengetahui tingkat keuletan, ketelitian,
ketelatenan, tepat waktu, tanggung jawab, dan kedisiplinan pekerja melalui penilaian rutin
terhadap 100 pekerja dalam kurun waktu 2 bulan, 1 Februari – 1 April 2021
5.4 Manfaat
Manfaat dari tujuan diatas adalah perusahaan dapat mengetahui tingkat keuletan, ketelitian,
ketelatenan, tepat waktu, tanggung jawab, dan kedisiplinan pekerja yang berpengaruh pada
produktivitas perusahaan.
5.5 Literatur
1. Berapa kali sebaiknya sikat gigi dalam satu hari :
a. 2 kali
b. 1 kali
c. Kadang-kadang
3
2. Kapan waktu yang tepat dalam menggosok gigi :
a. Setelah sarapan pagi dan sebelum tidur malam
4
b. Saat mandi pagi dan sore
c. Kapan saja jika diperlukan
3. Jenis makanan apa yang dapat membantu membersihkan gigi :
a. Buah dan sayur
b. Nasi dan ikan
c. Coklat dan sirup Dan sebagainya.
Pertanyaan-pertanyaan tersebut diberikan kepada sekelompok responden sebagai
sarana uji coba. Kemudian kuisioner tersebut diberi skor atau nilai jawaban
dengan sistem penilaian yang telah ditetapkan, misalnya :
a. 2 untuk jawaban paling benar
b. 1 untuk jawaban mendekati benar
c. 0 untuk jawaban salah
Selanjutnya uji validitas dapat menggunakan program komputer (SPSS).
Langkah-langkah uji validitas dengan program SPSS.
c. Pilih Analyze dari menu utama, lalu pilih Correlate. Pilih Bivariate
seperti tampak pada layar berikut :
6
(Sumber : Uji Validitas Dan Reliabilitas Dalam Penelitian Epidemiologi
Kedokteran Gigi. Jurnal Stomatognatic, 2017)
7
Gambar 5.4 Peason Bivariate Correlations
(Sumber : Uji Validitas Dan Reliabilitas Dalam Penelitian Epidemiologo
Kedokteran Gigi. Jurnal Stomatognatic, 2017)
9
Correlation 5 9 5*
Sig. (2- .0 .413 .0 .0 .1 .0 .0 .0 .0 .001
0 0 0 1 0 0 7 1
tailed)
0 5 7 1 1 5 9 8
10
N 10 10 10 10 10 10 10 10 10 10
no4 Pearson .781** .469 .802** 1 .802** .750* .775**1.000* .6 .7 .901**
6 1
Correlation *
7* 4*
Sig. (2- .0 .172 .0 .0 .0 .0 .0 .0 .0 .000
0 0 0 1 0 0 3 2
tailed)
8 5 5 2 9 0 5 0
N 10 10 10 10 10 10 10 10 10 10 10
no5 Pearson .7 .334 .786** .802** 1 .4 .863** .802** .5 .6 .817**
5 6 3 1
Correlation
1* 8 5 1
Sig. (2- .0 .346 .0 .0 .1 .0 .0 .1 .0 .004
1 0 0 7 0 0 1 6
tailed)
2 7 5 3 1 5 1 1
N 10 10 10 10 10 10 10 10 10 10 10
no6 Pearson .7 .742 .5 .750* .4 1 .4 .7 .6 .821** .813**
4 * 3 6 8 5 6
Correlation
2* 5 8 4 0* 7*
Sig. (2- .0 .014 .1 .0 .1 .1 .0 .0 .0 .004
1 1 1 7 5 1 3 0
tailed)
4 1 2 3 6 2 5 4
N 10 10 10 10 10 10 10 10 10 10 10
no7 Pearson .806** .403 .863** .775** .863** .4 1 .775** .6 .7 .867**
8 4 3
Correlation
4 5* 8*
Sig. (2- .0 .248 .0 .0 .0 .1 .0 .0 .0 .001
0 0 0 0 5 0 4 1
tailed)
5 1 9 1 6 9 4 5
N 10 10 10 10 10 10 10 10 10 10 10
no8 Pearson .781** .469 .802**1.000*.802** .750* .775** 1 .6 .7 .901**
6 1
Correlation *
7* 4*
10
Sig. (2- .0 .172 .0 .0 .0 .0 .0 .0 .0 .000
0 0 0 0 1 0 3 2
tailed)
8 5 0 5 2 9 5 0
N 10 10 10 10 10 10 10 10 10 10 10
no9 Pearson .62 .885** .57 .667* .53 .667* .645 .66 1 .905** .837**
*
11
Correlatio 5 9 5 7*
n
Sig. (2- .0 .001 .0 .0 .1 .0 .0 .0 .0 .003
5 7 3 1 3 4 3 0
tailed)
3 9 5 1 5 4 5 10 0
N 10 10 10 10 10 10 10 10 10 10
no10 Pearson .825** .825** .725* .714* .611 .821** .738* .714* .905** 1 .927**
Correlati .00 .00 .018 .020 .061 .004 .015 .020 .000 .000
o n Sig. 3 3
10 10 10 10 10 10 10 10 10
(2- 10 10
tailed)
N
totalPearson .914** .693* .860** .901** .817**.813** .867** .901** .837** .927** 1
Correlation
Sig. (2- .0 .026 .0 .0 .0 .0 .0 .0 .0 .0
0 0 0 0 0 0 0 0 0
tailed)
0 1 0 4 4 1 0 3 0
N 10 10 10 10 10 10 10 10 10 10 10
**. Correlation is significant at the 0.01 level (2-tailed).
Nilai probabilitas (Sig. 2 tailed) hasil korelasi masing-masing skor dengan skor total
harus lebih kecil dari α(0.05). Jika sebaliknya,maka pertanyaan kuisioner tersebut tidak valid
sehingga pertanyaan tersebut bisa diperbaiki atau dihilangkan.
13
D 2 2 2 2 2 2 2 2 2 2
E 1 2 0 1 0 2 0 1 1 1
F 0 1 0 1 0 0 0 1 1 0
G 1 1 1 1 0 1 1 1 1 1
H 2 2 2 2 2 2 2 2 2 2
I 1 0 1 1 1 0 1 1 0 0
J 2 1 2 2 1 2 1 2 1 1
14
c. Pilih Analyze dari menu utama, lalu pilih Correlate. Pilih Bivariate
seperti tampak pada layar berikut :
15
Gambar 5.7 Setting Reability Analysis SPSS Literatur
(Sumber : Uji Validitas Dan Reliabilitas Dalam Penelitian Epidemiologi
Kedokteran Gigi. Jurnal Stomatognatic, 2017)
Cronbach'
s Alpha N of
Item
s
.95 10
4
(Sumber : Uji Validitas Dan Reliabilitas Dalam Penelitian Epidemiologi
Kedokteran Gigi. Jurnal Stomatognatic, 2017)
16
Pada bagian Reliability Statistics terlihat nilai Cronbach’s Alpha = 0.954 yang lebih besar
17
dari r tabel (0.632) dengan taraf signifikansi 5%. Hal ini berarti kuisioner terbukti reliabel. Jika nilai
Cronbach’s Alpha lebih besar dari r tabel dengan taraf signifikansi 5%, maka kuisioner memiliki
tingkat reliabilitas yang baik, atau dengan kata lain data hasil angket dapat dipercaya.6
18
5.6 Metode Pengolahan Data
Uji validitas dan reliabilitas digunakan untuk menguji penelitian yang menggunakan
kuisioner dalam pengambilan datanya. Uji validitas adalah pengujian yang dilakukan guna untuk
mengetahui seberapa cermat suatu instrument dalam mengukur apa yang ingin di ukur ,
sedangkan uji reliabilitas yaitu uji yang digunakan untuk menguji konsistensi alat ukur, apakah
hasilnya tetap konsisten jika pengukuran diulang. Item kuisioner yang tidak valid berarti tidak
dapat mengukur apa yang ingin diukur sehingga hasil yang didapat tidak dapat dipercaya,
sehingga item yang tidak valid harus dibuang atau diperbaiki. Sedangkan instrument kuisioner
yang tidak reliabel maka tidak dapat konsisten untuk pengukuran sehingga hasil pengukuran tidak
dapat dipercaya.
Tingkat reliabilitas dari pengujian dengan metode alpha Cronbach diukur berdasarkan skala
alpha 0 sampai dengan 1. Apabila dikelompokkan dalam lima kelas range yang sama, maka
ukuran reliabilitas alpha dapat diinterpretasikan seperti pada table berikut.
13
hari Karyawan keramaha ketelitian ketelatena Tepat Tanggung Keuleta kedisplina
n n Waktu Jawab n n
Kerja
2 5 2 3 3 2 1 2 3
2 6 1 1 1 3 3 3 3
2 7 1 2 3 1 3 2 1
2 9 2 1 1 3 2 2 1
3 10 2 1 3 1 1 2 1
3 11 1 3 3 3 2 3 3
3 12 1 1 3 3 2 3 3
3 13 1 3 1 3 2 1 2
4 14 2 1 3 2 3 3 2
4 15 2 2 1 1 3 2 3
4 16 3 2 1 2 3 1 2
4 17 3 2 1 1 1 3 3
5 18 1 1 2 2 2 3 1
5 19 2 3 1 1 1 1 3
5 20 2 1 3 2 1 3 3
5 21 2 3 3 1 3 1 3
6 22 2 2 3 3 1 3 2
6 23 3 2 3 2 3 3 1
6 24 2 1 1 1 2 2 3
6 25 3 2 1 1 2 3 2
7 26 3 2 2 2 1 1 1
7 27 3 1 1 3 2 1 1
7 28 1 2 1 1 2 2 2
7 29 2 3 3 3 1 1 3
8 30 1 2 1 3 2 1 1
8 31 2 2 1 2 3 3 3
8 32 2 3 2 3 2 1 3
8 33 2 3 3 2 2 1 2
14
hari Karyawan keramaha ketelitian Ketelatena Tepat Tanggun Keuleta kedisplina
n n Waktu g Jawab n Kerja n
9 34 2 1 2 3 3 2 3
9 35 1 3 3 3 3 3 2
9 36 3 3 3 1 1 3 3
9 37 3 3 3 1 3 3 3
9 38 1 2 2 1 3 3 1
10 39 3 1 2 1 3 3 1
10 40 2 2 3 3 2 2 1
10 41 1 2 3 3 1 2 1
10 42 1 2 1 2 2 3 3
11 43 1 3 3 2 2 3 3
11 44 2 3 2 3 2 1 2
11 45 2 3 1 2 3 3 2
11 46 3 1 3 3 3 2 3
11 47 3 2 3 1 2 2 1
12 48 3 1 1 2 1 2 3
12 49 2 3 2 3 3 1 2
12 50 1 3 1 1 2 3 3
12 51 2 3 1 3 1 3 1
13 52 1 2 2 3 1 3 2
13 53 2 1 2 3 3 2 3
13 54 1 3 3 3 3 3 2
13 55 3 3 3 1 1 3 3
14 56 3 3 3 1 3 3 3
14 57 1 2 2 1 3 3 1
14 58 3 1 2 1 3 3 1
14 59 2 2 3 3 2 2 1
15 60 1 2 3 3 1 2 1
15 61 3 1 2 1 3 3 1
15
hari Karyawa keramaha ketelitian Ketelatena Tepat Tanggun Keuletan kedisplina
n n n Waktu g Jawab Kerja n
15 62 2 1 3 1 1 2 1
15 63 1 3 3 3 2 3 3
15 64 1 1 3 3 2 3 3
16 65 1 3 1 3 2 1 2
16 66 2 1 3 2 3 3 2
16 67 2 2 1 1 3 2 3
16 68 3 2 1 2 3 1 2
17 69 3 2 1 1 1 3 3
17 70 1 1 2 2 2 3 1
17 71 2 3 1 1 1 1 3
17 72 2 1 3 2 1 3 3
18 73 2 3 3 1 3 1 3
18 74 2 2 3 3 1 3 2
18 75 3 2 3 2 3 3 1
18 76 2 1 1 1 2 2 3
19 77 3 2 1 1 2 3 2
19 78 3 2 2 2 1 1 1
19 79 3 1 1 3 2 1 1
19 80 1 2 1 1 2 2 2
20 81 2 3 3 3 1 1 3
20 82 1 2 1 3 2 1 1
20 83 2 2 1 2 3 3 3
20 84 2 3 2 3 2 1 3
21 85 2 3 3 2 2 1 2
21 86 1 3 1 3 2 1 2
21 87 2 1 3 2 3 3 2
21 88 2 2 1 1 3 2 3
16
hari Karyawa Keramaha Ketelitian ketelatena Tepat Tanggung Keuletan kedisplinan
n n n Waktu Jawab Kerja
22 89 3 1 1 2 1 2 3
22 90 2 3 2 3 3 1 2
22 91 1 3 1 1 2 3 3
23 92 2 3 1 3 2 3 1
23 93 1 2 2 3 1 3 2
23 94 2 1 2 3 3 2 3
24 95 1 3 3 3 3 3 2
24 96 3 3 3 1 1 3 3
24 97 3 3 3 1 3 3 3
25 98 2 3 1 1 1 1 3
25 99 2 1 3 2 1 3 3
25 100 2 3 3 1 3 1 3
1 1 2 2 3 3 1 3 2
1 2 3 2 3 2 3 3 1
1 3 2 1 1 1 2 2 3
1 4 3 2 1 1 2 3 2
2 5 3 2 2 2 1 1 1
2 6 3 1 1 3 2 1 1
2 7 3 1 1 3 2 1 1
3 8 1 2 1 1 2 2 2
3 9 2 3 3 3 1 1 3
3 10 1 2 1 3 2 1 1
4 11 2 2 1 2 3 3 3
4 12 2 3 2 3 2 1 3
4 13 2 3 3 2 2 1 2
5 14 1 3 1 3 2 1 2
5 15 1 2 1 3 2 1 1
5 16 2 2 1 2 3 3 3
17
Tepat Tanggung Keuletan
Wakt Jawab Kerja
hari karyawa Keramaha ketelitian ketelaten kedisplinan
u
n n an
6 17 2 1 3 2 1 3 3
6 18 2 3 3 1 3 1 3
6 19 2 2 3 3 1 3 2
7 20 3 2 3 2 3 3 1
7 21 2 1 1 1 2 2 3
7 22 3 2 1 1 2 3 2
8 23 3 2 2 2 1 1 1
8 24 3 1 1 3 2 1 1
8 25 1 2 1 1 2 2 2
9 26 2 3 3 3 1 1 3
9 27 1 2 1 3 2 1 1
9 28 2 2 1 2 3 3 3
10 29 2 3 2 3 2 1 3
10 30 2 3 3 2 2 1 2
10 31 1 3 1 3 2 1 2
10 32 2 1 3 2 3 3 2
11 33 2 2 1 1 3 2 3
11 34 2 3 1 3 1 3 1
11 35 1 2 2 3 1 3 2
11 36 2 1 2 3 3 2 3
12 37 1 3 3 3 3 3 2
12 38 3 3 3 1 1 3 3
12 39 3 3 3 1 3 3 3
12 40 1 2 2 1 3 3 1
13 41 3 1 2 1 3 3 1
13 42 2 2 3 3 2 2 1
14 43 1 2 3 3 1 2 1
14 44 3 1 2 1 3 3 1
18
Tanggung Keuletan
Jawab Kerja
hari Karyawa keramaha ketelitian ketelatena Tepat kedisplinan
n n n waktu
14 45 1 3 3 3 3 3 2
15 46 3 3 3 1 1 3 3
15 47 3 3 3 1 3 3 3
15 48 2 3 1 1 1 1 3
16 49 2 1 3 2 1 3 3
16 50 2 3 3 1 3 1 3
16 51 2 2 3 3 1 3 2
17 52 3 2 3 2 3 3 1
17 53 2 1 1 1 2 2 3
18 54 3 2 1 1 2 3 2
18 55 3 2 2 2 1 1 1
18 56 3 1 1 3 2 1 1
19 57 3 1 1 3 2 1 1
19 58 1 2 1 1 2 2 2
19 59 2 3 3 3 1 1 3
20 60 1 2 1 3 2 1 1
20 61 2 2 1 2 3 3 3
20 62 2 3 2 3 2 1 3
21 63 2 3 3 2 2 1 2
21 64 1 3 1 3 2 1 2
21 65 1 2 1 3 2 1 1
21 66 2 2 1 2 3 3 3
22 67 3 1 1 3 2 1 1
22 68 3 1 1 3 2 1 1
22 69 1 2 1 1 2 2 2
22 70 2 3 3 3 1 1 3
23 71 1 2 1 3 2 1 1
23 72 2 2 1 2 3 3 3
19
Tanggung Keuletan
Jawab Kerja
hari Karyawa keramaha ketelitian ketelatena Tepat kedisplinan
n n n Waktu
23 73 3 2 1 1 1 3 3
23 74 1 1 2 2 2 3 1
24 75 2 3 1 1 1 1 3
24 76 2 1 3 2 1 3 3
24 77 2 3 3 1 3 1 3
24 78 2 2 3 3 1 3 2
25 79 3 2 3 2 3 3 1
25 80 2 1 1 1 2 2 3
25 81 3 2 1 1 2 3 2
25 82 3 2 2 2 1 1 1
26 83 3 1 1 3 2 1 1
26 84 1 2 1 1 2 2 2
26 85 2 3 3 3 1 1 3
26 86 1 2 1 3 2 1 1
27 87 2 2 1 2 3 3 3
27 88 2 3 2 3 2 1 3
27 89 2 3 3 2 2 1 2
27 90 1 3 1 3 2 1 2
28 91 2 1 3 2 3 3 2
28 92 2 2 1 1 3 2 3
28 93 3 2 2 2 1 1 1
29 94 3 1 1 3 2 1 1
29 95 1 2 1 1 2 2 2
29 96 2 3 3 3 1 1 3
30 97 1 2 1 3 2 1 1
30 98 2 2 1 2 3 3 3
30 99 2 3 2 3 2 1 3
30 100 1 3 1 3 2 1 2
20
5.8 Pengolahan dan Analisis Data
5.8.1. Data Entry
Data yang digunakan dalam melakukan pengolahan data pada analisis Uji validitas dan
Realiabilitas ini adalah data Perusahaan dalam melakukan penilaian terhadap 10 karyawan
pada bagian produksi dalam kurun waktu 10 bulan. Variabel yang digunakan hari, pekerja,
keuletan, keramahan, ketelitian, ketelatenan, tepat waktu, tanggung jawab, kedisiplinan. Dari
data tersebut kemudian dilakukan pengolahan dengan langkah-langkah sebagai berikut:
21
5.8.2. Analisis Data
Langkah-langkah yang dilakukan untuk uji reliabilitas dan validitas adalah sebagai
berikut:
22
Gambar 5.10 Numeric Expression Compute Variable
(Sumber : Olah Data, 2021)
c. Lakukan korelasi dengan cara pilih Analyze lalu pilih Corelate kemudian pilih
Bivariate dan pilih Pearson Corelation dan masukan semua variabel yang akan
diuji (termasuk variabel N total) ke dalam kotak variabel lalu klik OK.
23
Gambar 5.11 Analyze Correlation
(Sumber : Olah Data, 2021)
24
Gambar 5.13 Setting Bivarriate Correlation
(Sumber : Olah Data, 2021)
e. Maukan semua variabel yang akan di uji (tidak termasuk variabel total),
kemudian pilih Statistic pilih Scale dan Scale if Item Deleted kemudian pilih
Continue dan OK
25
26
5.9. Hasil dan Pembahasan Pengolahan Data
Reliability Statistics
Cronbach's
Alphaa N of Items
-.180 7
Dari tabel reliability diatas statistics diatas menunjukkan hasil analisis dari uji reliabilitas
dengan Cronbach’s Alpha = 0,180 dari 7 kriteria penilaian keuletan, keramahan, ketelitian,
ketelatenan, tepat waktu, tanggung jawab dan juga disiplin.
5.11 Kesimpulan
Dari data diatas dapat disimpulkan bahwa penilaian terhadap 100 karyawan dalam
waktu 2 bulan valid dan reliabel. Dari analisis data diatas dapat diketahui bila aspek
keuletan, keramahan, ketelitian, ketelatenan, tepat waktu, tanggu jawab dan disiplin
memiliki nilai yang konsisten, jika dihubungkan dengan tingkat produktivitas maka dapat
dikatakan bahwa produktivitas 100 karyawan tersebut cenderung tetap atau konsisten,
karena aspek yang mempengaruhi produktivitasnya pun konsisten.
34
DAFTAR PUSTAKA
Ristya, Widya E, 2017, Uji Validitas Dan Reliabilitas Dalam Penelitian Epidemiologi Kedokteran Gigi. Jurnal
Stomatognatic. Vol. 8. No. 1. Hal 27-34. Dilihat pada 15
Februari 2020.
Setiafindari, Widya, 2018, Modul Praktikum Statistika Industri 2,Yogyakarta : PT MUDAYA MULTI DAYA SETYA
135
BAB VI
STATISTIKA PARAMETRIK ONE SAMPLE T-TEST
6.3 Tujuan
1. Mengetahui data statistik dan hasil dari penelitian dengan
metode tersebut
6.4 Manfaat
1. Dapat melakukan pengambilan data dengan benar
2. Dapat memahami dan mengetahui konsep pengambilan data
mengenai
statistika
4. CEO dapat mengetahui kemampuan karyawan dalam memecahkan
masalah
5. CEO dapat mengetahui aspek-aspek yang mempengaruhi dalam
kemampuan pemecahan masalah.
136
6.5 Literatur
Uji ini digunakan untuk mengetahui perbedaan nilai rata-rata populasi yang
digunakan sebagai pembanding dengan rata-rata sebuah sampel. Dari hasi uji ini
akan diketahui apakah rata-rata populasi yang digunakan sebagai pembanding
berbeda secara signifikan dengan rata-rata sebuah sampel, jikalau ada perbedaan,
rata-rata manakah yang lebih tinggi.
Contoh kasus:
1 8.00 7.10
2 8.23 6.32
3 7.56 5.45
4 7.34 5.84
5 8.24 6.28
6 6.85 7.15
7 7.65 8.62
8 6.15 6.28
137
Subjek Nilai SD Nilai SD
9 7.21 5.00
10 7.48 6.76
(Sumber: https://statistikparametrik.blogspot.com/)
3. Pada kolom Name ketik x, dan kolom Name pada baris kedua ketik y
4. Pada kolom Label, untuk kolom pada baris pertama ketik SD Yogya, untuk
kolom pada baris kedua ketik SD Harapan Mulia
6. Buka data view pada SPSS data editor, maka didapat kolom variabel x dan y
9. Klik variabel SD Yogya dan masukkan ke kotak Test Variable, pada Test Value
ketik angka 6,48
10. Klik OK, maka hasil output yang didapat ialah sebagai berikut:
138
Tabel 6.2 Hasil One Sample T Test
(Sumber: https://statistikparametrik.blogspot.com/)
1. Menentukan Hipotesis
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam
mengambil keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya 5%
(signifikansi 5% atau 0,05 ialah ukuran standar yang sering digunakan dalam
penelitian)
3. Menentukan t hitung
4. Menentukan t tabel
139
kebebasan (df) n-1 atau 10-1 = 9. Dengan pengujian 2 sisi (signifikansi = 0,025)
hasil diperoleh untuk t tabel sebesar 2,262 (Lihat pada lampiran) atau dapat dicari
di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,9) lalu enter
5. Kriteria Pengujian
Ho ditolak dan Ha diterima jikalau -t hitung < -t tabel atau t hitung > t tabel
Berdasar probabilitas:
Nilai t hitung > t tabel (4,885 > 2,262) dan P value (0,001 < 0,05) maka Ho ditolak
7. Kesimpulan
Oleh sebab nilai t hitung > t tabel (4,885 > 2,262) dan P value (0,001 < 0,05)
maka Ho ditolak, artinya bahwa rata-rata nilai matematika kelas 6 SD Harapan
Mulia berbeda dengan rata-rata nilai matematika SD di Yogyakarta. Hasil t hitung
aktual menawarkan bahwa rata-rata nilai matematika SD di Yogyakarta lebih tinggi
dari SD Harapan Mulia.
140
> t table.
1 1 5 21
2 1 18 29
3 1 18 27
4 1 2 27
5 1 11 21
6 1 8 30
7 1 19 28
8 1 13 27
9 1 5 26
10 1 5 22
11 1 10 22
12 1 18 22
13 1 7 27
14 1 8 26
15 1 17 26
16 1 13 26
17 1 15 21
18 1 8 23
19 1 12 30
20 1 12 23
21 1 5 20
141
Lanjutan Tabel 6.3 Data jumlah pemecahan masalah
22 1 10 25
23 1 16 22
24 1 11 25
25 1 12 21
26 1 15 27
27 1 16 24
28 1 15 25
29 1 7 27
30 1 5 21
31 1 19 27
32 1 13 24
33 1 20 30
34 1 18 24
35 1 12 22
36 1 17 24
37 1 7 30
38 1 14 29
39 1 15 23
40 1 11 22
41 1 14 24
42 1 16 25
43 1 15 28
44 1 11 25
45 1 17 24
46 1 18 24
47 1 18 29
142
Lanjutan Tabel 6.3 Data jumlah pemecahan masalah
48 1 12 22
49 1 8 21
50 1 12 27
51 2 8 20
52 2 9 20
53 2 9 25
54 2 19 30
55 2 20 24
56 2 11 21
57 2 7 24
58 2 10 29
59 2 14 27
60 2 9 23
61 2 18 23
62 2 15 30
63 2 7 20
64 2 12 27
65 2 13 25
66 2 19 30
67 2 19 28
68 2 17 30
69 2 12 25
70 2 11 27
71 2 16 28
72 2 17 29
143
Lanjutan Tabel 6.3 Data jumlah pemecahan masalah
73 2 6 21
74 2 14 23
75 2 11 26
76 2 7 30
77 2 17 26
78 2 6 21
79 2 20 27
80 2 11 21
81 2 6 20
82 2 17 25
83 2 2 23
84 2 8 29
85 2 18 21
86 2 14 20
87 2 11 24
88 2 12 20
89 2 17 29
90 2 13 26
91 2 13 29
92 2 13 23
93 2 6 22
94 2 11 30
95 2 14 24
96 2 13 29
97 2 9 26
98 2 8 24
144
Lanjutan Tabel 6.3 Data jumlah pemecahan masalah
99 2 19 27
100 2 5 29
145
Gambar 6.2 Kotak dialog one sample T test: options
(Sumber: Olah data 2021)
6.9 Hasil Pengolahan Data
One-Sample Statistics
Pemecahan_Masalah_Sebelum_
100 12.36 4.572 .457
Pelatihan
Pemecahan_Masalah_Setelah_
100 25.05 3.135 .313
Pelatihan
One-Sample Test
Test Value = 10
Pemecahan_Masalah_Seb
5.162 99 .000 2.360 1.45 3.27
elum_Pelatihan
Pemecahan_Masalah_Set 48.01
99 .000 15.050 14.43 15.67
elah_Pelatihan 2
146
Untuk mengetahui hasil uji One-Sampel T-Test dilakukan melalui beberapa tahap
yaitu:
3. Daerah kritis: jika t hitung > t tabel, maka tolak H0 , jika t hitung < α, maka terima
H1
6. Keputusan; karena nilai sig. (2 tailed) < α dan t hitung > t tabel maka tolak H0
147
dan pengetahuan dari karyawan itu sendiri.
6.11 Kesimpulan
Dari pengolahan data yang sudah dilakukan diatas dapat disimpulkan bahwa
untuk data menunjukan hasil yang baik karena dari pengumpulan data sebelum
pelatihan dan sesudah pelatihan menunjukan bahwa ada kenaikan hasil yang cukup
signifikan sehingga kinerja dari pekerja membaik baik dari skill dan
pengetahuannya. Hal tersebut membawa dampak baik untuk perusahaan dengan
begitu perusahaan mempunyai sumber daya manusia yang berkualitas. Harapannya
dengan mempunyai sumber daya manusia yang berkualitas perusahaan dapat terus
berkembang dan terus berinovasi selain itu perusahaan jika ada masalah dapat
segera terpecahkan dan terselesaikan dengan cepat dan tepat.
148
BAB VII
STATISTIKA PARAMETRIK INDEPENDENT SAMPLES T-TEST
7.3 Tujuan
7.4 Manfaat
2. Mengetahui data gender dan data pendidikan terakhir yang berhasil dalam
pembelajaran perkuliahan teknik industri 1 semester dan dapat
menyimpulkan data yang didapat.
7.5 Literatur
Proses Uji kelayakan yang dilakukan oleh ahli materi dan ahli media
menunjukkan bahwa produk pengembangan sangat layak untuk diujikan kepada
anak didik. Pada proses Uji coba satu-satu yang dilakukan pada 5 anak didik
pengguna media pembelajaran menunjukkan produk pengembangan multimedia
149
sangat layak dan sangat baik untuk digunakan dalam penelitian. Pada prosesterakhir
yang dilakukan pada 11 anak didik pengguna produk pengembangan multimedia
menunjukkan bahwa aplikasi mempunyai kategori baik. Kesimpulan dari pengujian
ini adalah produk pengembangan multimedia baik untuk digunakan serta
diimplementasikan kepada anak didik.
Tabel 7.1 Data nilai siswa yang menggunakan media pembelajaran dan yang tidak
menggunakan media pembelajaran multimedia
(Sumber: file:///C:/Users/ASUS/Downloads/14-23-1-SM.pdf)
150
Gambar 7.1 Data hasil implementasi produk pengembangan multimedia
(Sumber: file:///C:/Users/ASUS/Downloads/14-23-1-SM.pdf)
151
Gambar 7.2 Hasil perhitungan menggunakan SPSS pada nilai siswa
(Sumber: file:///C:/Users/ASUS/Downloads/14-23-1-SM.pdf)
Uji-t 2 sampel independent (bebas) adalah metode yang digunakan untuk menguji
kesamaan rata-rata dari 2 populasi yang bersifat independent, dimana peneliti tidak
152
memiliki visual3 -13.945 129 .000 -.74846 74 informasi mengenai ragam populasi.
Independent maksudnya adalah bahwa populasi yang satu tidak dipengaruhi atau tidak
berhubungan dengan populasi yang lain. Analisis Independent Sample T-test dalam kasus
ini digunakan untuk membuktikan ada tidaknya perbedaan yang signifikan antara
konsumen lakilaki dan konsumen perempun dalam melakukan pembelian mie instan yang
di pengaruhi oleh faktor visual, faktor bentuk dan ukuran, faktor teknologi, faktor label
informasi.
153
(Sumber: Olah data 2021)
154
Gambar 7.3 Kotak Dialog Independent T Test
(Sumber: Olah data 2021)
c. Masukan variabel test yaitu umum dan khusus ke kotak variable test (s) dan
masukan variabel jenis kelamin ke kotak grouping variable
d. Klik define groups, masukan nilai value variabel jenis kelamin ke grup 1 dan 2
e. Klik Continue
f. Klik Options, maka kotak dialog independent sample T Test: options muncul.
Tingkat kepercayaan 95% dan exclude cases analysis by analysis terpilih secara
defult
g. Klik Continue
155
h. Klik OK
T-Test
Tabel 7.3 Hasil group statistics
Group Statistics
156
Independent Samples Test
Levene's
Test for
Equality of
Variances t-test for Equality of Means
95% Confidence
Interval of the
Difference
Sig. (2- Mean Std. Error
F Sig. T df tailed) Difference Difference Lower Upper
Umum Equal
variances .897 .346 -.061 98 .952 -.162 2.661 -5.443 5.119
assumed
Equal
variances not -.062 87.706 .950 -.162 2.595 -5.319 4.996
assumed
Khusus Equal
variances 1.659 .201 -1.790 98 .077 -4.926 2.753 -10.389 .537
assumed
Equal
variances not -1.867 91.670 .065 -4.926 2.639 -10.168 .316
assumed
Untuk mengetahui hasil uji Independent Sample T-Test dilakukan melalui beberapa
tahap, yaitu
157
3. Daerah kritis :
4. Uji statistik :
Sig. (2 tailed) = 0,952 , α = 0,05. Maka sig. (2 tailed) > α , 0,952 > 0,05
5. Keputusan :
6. Kesimpulan :
Pada praktikum kali ini menunjukan bahwa dari pengolahan data kita dapat
analisis bahwa diketahui hasil sig (2-tailed) lebih dari tingkat signifikansi 5% / 0,05
yaitu 0,952 > 0,05 yang artinya menerima H0 yaitu terdapat perbedaan pada jumlah
keberhasilan pembelajaran perkuliahan pada mahasiswa teknik industriberdasarkan
jenis kelamin dan pendidikan terakhir dari responden.
Dari data jenis kelamin, data pendidikan terakhir dan hasil pengolahan data
bahwa terdapat perbedaan hasil. Perbedaan itu mempengaruhi hasil akhir yang
didapatkan. Selain itu didapat juga dari hasil kuesioner yang berbentuk diagram
terdapat perbedaan dari faktor jenis kelamin dan pendidikan terakhir.
7.11 Kesimpulan
Kesimpulan yang didapat dari praktikum kali ini antara lain yaitu dari
pengolahan data dapat kita ketahui bahwa terima H0 karena nilai sig (2-tailed) lebih
besar dari tingkat signifikansinya yang artinya bahwa terdapat perbedaan pada
jumlah keberhasilan di masing-masing faktor.
158
perkuliahan, kali ini kami menggunakan kuesioner untuk mengetahui seberapa
besar tingkat keberhasilan pembelajaran perkuliahan teknik industri di satu
semester ini. Dari hasil kuesioner yang kami dapatkan kami memperoleh sebanyak
100 responden yang mengisi pertanyaan di kuesioner. Di kuesioner kami terdapat
4 (empat) pertanyaan umum seputar teknik industri dan 4 (empat) pertanyaan
khusus seputar teknik industri dengan memberikan skor yang berbeda di setiap
nomor dan pilihan jawaban. Untuk pertanyaan umum kami beri skor 80 jika benar
semua dalam menjawab pertanyaan dengan rincian skor untuk masing-masing
pilihan jawabaan tepat (20), hampir tepat (15), kurang tepat (10), dan tidak tepat
(5). Dan utnuk pertanyaan khusus kita beri skor yang lebih tinggi dibandingkan
dengan pertanyaan khusus yaitu jumlah skor 100 jika berhasil menjawab keempat
soal tersebut dengan jawaban tepat adapun rincian skor yang kami buat untuk setiap
pilihan jawaban tepat (25), hampir tepat (20), kurang tepat (15), dan tidak tepat (5).
Setelah menjumlahkan skor dan olah data di software SPSS dengan metode
independent sample t test dapat diketahui bahwa jenis kelamin dan pendidikan
terakhir sangat berpengaruh pada saat menjawab pertanyaan tersebut. Hasil yang
didapatkan secara garis besar bahwa jenis kelamin laki-laki disini lebih unggul
dalam menjawab pertanyaan dibandingkan jenis kelamin perempuan. Sedangkan
untuk pendidikan terakhir disini lebih unggul pada lulusan SMK.
Dapat disarankan bahwa lebih baik untuk semua mahasiswa teknik industri
untuk lebih memahami lagi apa itu teknik industri dan belajar lebih dalam lagi
teknik industri karena teknik industri ilmu yang mempelajari seluruh ilmu maka
dari itu dengan belajar dan lebih memahami materi dari sekarang tidak ada ruginya
untuk bekal masa depan dan supaya tidak ketinggalan materi karena materi yang
ada di teknik industri banyak sekali.
159
VIII
STATISTIKA PARAMETRIK PAIRED SAMPLES T-TEST
Seorang penguji lab di sebuah perusahaan jasa terhadap produk mentah dan jadi
melakukan pengecekan kelayakan dengan pengujian parameter fisika, kimia,
mikrobiologi dan kecukupan gizi pada produk tepung, minuman kaleng, daging
olahan, minuman beralkohol dan ikan olahan pada 5 perusahaan dengan masing-
masing 2 jenis yang diproduksi selama 10 hari produksi. Lakukan pengujiantersebut
untuk mengetahui produk hasil dari penelitian.
Bagaimana hasil dari pengecekan kelayakan dan kecukupan gizi dari masing-
masing produk?
8.3 Tujuan
8.4 Manfaat
8.5 Literatur
Data perlakuan pertama dalam penelitian ini ditentukan melalui nilai hasil
pretest dan data perlakuan kedua ditentukan melalui nilai hasil posttest. Data kedua
perlakuan.
160
Tabel 8.1. Data nilai sebelum perlakuan (pretest) dan sesudah perlakuan (posttest)
(Sumber: file:///C:/Users/ASUS/Downloads/20113-40774-1-SM.pdf)
(Sumber: file:///C:/Users/ASUS/Downloads/20113-40774-1-SM.pdf)
161
(Sumber: file:///C:/Users/ASUS/Downloads/20113-40774-1-SM.pdf)
(Sumber: file:///C:/Users/ASUS/Downloads/20113-40774-1-SM.pdf)
Menunjukkan hasil uji-t sebesar 16,183. Dengan nilai signifikan α sebesar 0,05,
maka ttab= 2,120 . Sehingga didapatkan kesimpulan bahwa thit > ttab. Dengan kata
lain, perlakuan yang dilakukan dalam penelitian memberikan pengaruh yang cukup
signifikan terhadap hasil yang diharapkan. Jika dilihat melalui tabel 1, pengaruh
yang diberikan oleh hasil.
Variabel independen kualitatif dalam penelitian ini memiliki dua kategori. Oleh
sebab itu, dilakukan pengujian dengan metode uji beda rata-rata untuk dua sampel
berpasangan (paired sample t-test). Model uji beda ini digunakan untuk
menganalisis model penelitian pre-post atau sebelum dan sesudah. Uji beda
digunakan untuk mengevaluasi perlakuan (treatment) tertentu pada satu sampel
yang sama pada dua periode pengamatan yang berbeda (Pramana, 2012). Paired
sample t-test digunakan apabila data berdistribusi normal. Menurut Widiyanto
(2013), paired sample t-test merupakan salah satu metode pengujian yang
digunakan untuk mengkaji keefektifan perlakuan, ditandai adanya perbedaan rata-
rata sebelum dan rata-rata sesudah diberikan perlakuan. Dasar pengambilan
keputusan untuk menerima atau menolak Ho pada uji ini adalah sebagai berikut.
1. Jika t hitung > t tabel dan probabilitas (Asymp.Sig) < 0,05, maka Ho ditolak dan
Ha diterima.
2. Jika t hitung < t tabel dan probabilitas (Asymp.Sig) > 0,05, maka Ho diterima
dan Ha ditolak.
162
Prosedur uji paired sample t-test (Siregar, 2013):
Ho1 : tidak terdapat perbedaan antara Relevansi Nilai Informasi Akuntansi pada
saat sebelum dan sesudah penerapan PSAK 50/55 (revisi 2006).
Ha1 : terdapat perbedaan antara Relevansi Nilai Informasi Akuntansi pada saat
sebelum dan sesudah penerapan PSAK 50/55 (revisi 2006).
Ho2 : tidak terdapat perbedaan antara Asimetri Informasi pada saat sebelum dan
sesudah penerapan PSAK 50/55 (revisi 2006).
Ha2 : terdapat perbedaan antara Asimetri Informasi pada saat sebelum dan sesudah
penerapan PSAK 50/55 (revisi 2006).
Ho ditolak jika nilai probabilitas < 0,05, berarti terdapat perbedaan dalam Relevansi
Nilai Informasi Akuntansi dan Asimetri Informasi pada saat sebelum dan sesudah
penerapan PSAK 50/55 (revisi 2006). Ho diterima jika nilai probabilitas > 0,05,
berarti tidak terdapat perbedaan dalam Relevansi Nilai Informasi Akuntansi dan
Asimetri Informasi pada saat sebelum dan sesudah penerapan PSAK 50/55 (revisi
2006).
163
Lanjutan Tabel 8.5 Data produk
Perusahaan Produk Layak Tidak Layak
1 Tepung Terigu 84 2
1 Tepung Terigu 95 58
1 Tepung Terigu 70 3
1 Tepung Terigu 92 18
1 Tepung Terigu 94 67
1 Tepung Terigu 80 48
1 Tepung Terigu 84 14
1 Tepung Terigu 100 26
1 Tepung Terigu 84 28
1 Tepung Terigu 77 64
1 Tepung Terigu 95 42
1 Tepung Terigu 92 16
1 Tepung Terigu 88 65
1 Tepung Terigu 81 39
1 Tepung Terigu 70 46
1 Tepung Terigu 79 58
1 Tepung Terigu 99 8
1 Tepung Terigu 91 25
1 Tepung Terigu 81 0
1 Tepung Terigu 73 34
1 Tepung Terigu 87 43
1 Tepung Terigu 71 61
1 Tepung Terigu 86 14
1 Tepung Terigu 81 42
1 Tepung Terigu 80 60
1 Tepung Terigu 91 30
1 Tepung Terigu 88 14
1 Tepung Terigu 79 13
1 Tepung Terigu 71 59
1 Tepung Terigu 79 69
1 Tepung Terigu 72 38
1 Tepung Terigu 84 55
1 Tepung Terigu 92 17
1 Tepung Terigu 95 24
1 Tepung Terigu 96 13
1 Tepung Terigu 91 24
1 Tepung Terigu 89 58
1 Tepung Terigu 90 16
1 Tepung Terigu 72 22
1 Tepung Terigu 97 30
164
Lanjutan Tabel 8.5 Data produk
165
Lanjutan Tabel 8.5 Data produk
166
Lanjutan Tabel 8.5 Data produk
Perusahaan Produk Layak Tidak Layak
2 Bintang Radler 77 0
2 Bintang Radler 81 57
2 Bintang Radler 84 20
2 Bintang Radler 83 24
2 Bintang Radler 98 42
2 Bintang Radler 99 50
2 Bintang Radler 76 6
2 Bintang Radler 80 5
2 Bintang Radler 96 46
2 Bintang Radler 85 35
2 Bintang Radler 73 7
2 Bintang Radler 82 15
2 Bintang Radler 71 40
2 Bintang Radler 87 18
2 Bintang Radler 92 33
2 Bintang Radler 70 62
2 Bintang Radler 72 65
2 Bintang Radler 73 38
2 Bintang Radler 100 47
2 Bintang Radler 96 63
2 Bintang Radler 89 39
2 Bintang Radler 82 21
2 Bintang Radler 88 25
2 Bintang Radler 97 4
2 Bintang Radler 70 8
2 Bintang Radler 84 63
2 Bintang Radler 84 55
2 Red Bulls 97 64
2 Red Bulls 87 0
2 Red Bulls 79 34
2 Red Bulls 81 40
2 Red Bulls 98 59
2 Red Bulls 86 35
2 Red Bulls 96 21
2 Red Bulls 89 36
2 Red Bulls 88 3
2 Red Bulls 95 12
2 Red Bulls 76 18
2 Red Bulls 92 66
2 Red Bulls 70 8
167
Perusahaan Produk Layak Tidak Layak
2 Red Bulls 71 66
2 Red Bulls 80 14
2 Red Bulls 83 26
2 Red Bulls 93 56
2 Red Bulls 89 19
2 Red Bulls 70 7
2 Red Bulls 98 29
2 Red Bulls 98 0
2 Red Bulls 89 15
2 Red Bulls 74 39
2 Red Bulls 83 68
2 Red Bulls 77 50
2 Red Bulls 75 23
2 Red Bulls 89 42
2 Red Bulls 82 44
2 Red Bulls 100 51
2 Red Bulls 77 44
2 Red Bulls 77 33
2 Red Bulls 86 12
2 Red Bulls 84 66
2 Red Bulls 73 55
2 Red Bulls 99 23
2 Red Bulls 85 12
2 Red Bulls 72 39
2 Red Bulls 89 5
2 Red Bulls 86 67
2 Red Bulls 83 39
2 Red Bulls 84 3
2 Red Bulls 91 27
2 Red Bulls 86 33
2 Red Bulls 72 38
2 Red Bulls 86 40
2 Red Bulls 81 6
2 Red Bulls 76 36
3 Dendeng Sapi 72 3
3 Dendeng Sapi 93 67
3 Dendeng Sapi 100 34
3 Dendeng Sapi 97 66
3 Dendeng Sapi 97 34
3 Dendeng Sapi 75 37
3 Dendeng Sapi 95 63
3 Dendeng Sapi 100 20
168
Perusahaan Produk Layak Tidak Layak
3 Dendeng Sapi 96 12
3 Dendeng Sapi 81 15
3 Dendeng Sapi 78 69
3 Dendeng Sapi 95 20
3 Dendeng Sapi 97 25
3 Dendeng Sapi 90 21
3 Dendeng Sapi 77 62
3 Dendeng Sapi 75 19
3 Dendeng Sapi 95 47
3 Dendeng Sapi 100 19
3 Dendeng Sapi 75 9
3 Dendeng Sapi 97 49
3 Dendeng Sapi 90 58
3 Dendeng Sapi 75 7
3 Dendeng Sapi 92 52
3 Dendeng Sapi 84 19
3 Dendeng Sapi 74 31
3 Dendeng Sapi 74 61
3 Dendeng Sapi 99 32
3 Dendeng Sapi 98 42
3 Dendeng Sapi 92 34
3 Dendeng Sapi 84 64
3 Dendeng Sapi 94 40
3 Dendeng Sapi 84 64
3 Dendeng Sapi 80 36
3 Dendeng Sapi 93 5
3 Dendeng Sapi 98 20
3 Dendeng Sapi 81 54
3 Dendeng Sapi 78 12
3 Dendeng Sapi 94 3
3 Dendeng Sapi 91 35
3 Dendeng Sapi 94 5
3 Dendeng Sapi 93 45
3 Dendeng Sapi 85 44
3 Dendeng Sapi 75 8
3 Dendeng Sapi 81 5
3 Dendeng Sapi 95 59
3 Dendeng Sapi 98 27
3 Dendeng Sapi 95 21
3 Dendeng Sapi 85 17
3 Dendeng Sapi 97 1
3 Kornet Sapi 72 32
169
Perusahaan Produk Layak Tidak Layak
3 Kornet Sapi 89 46
3 Kornet Sapi 76 59
3 Kornet Sapi 99 20
3 Kornet Sapi 97 11
3 Kornet Sapi 70 1
3 Kornet Sapi 84 49
3 Kornet Sapi 81 62
3 Kornet Sapi 76 44
3 Kornet Sapi 98 14
3 Kornet Sapi 88 0
3 Kornet Sapi 85 64
3 Kornet Sapi 83 49
3 Kornet Sapi 82 60
3 Kornet Sapi 93 17
3 Kornet Sapi 75 39
3 Kornet Sapi 77 26
3 Kornet Sapi 92 24
3 Kornet Sapi 87 43
3 Kornet Sapi 82 34
3 Kornet Sapi 71 50
3 Kornet Sapi 98 11
3 Kornet Sapi 92 52
3 Kornet Sapi 75 1
3 Kornet Sapi 71 3
3 Kornet Sapi 93 6
3 Kornet Sapi 73 42
3 Kornet Sapi 100 50
3 Kornet Sapi 86 36
3 Kornet Sapi 71 69
3 Kornet Sapi 100 28
3 Kornet Sapi 84 11
3 Kornet Sapi 79 40
3 Kornet Sapi 73 8
3 Kornet Sapi 81 32
3 Kornet Sapi 82 35
3 Kornet Sapi 78 10
3 Kornet Sapi 91 1
3 Kornet Sapi 82 47
3 Kornet Sapi 87 52
3 Kornet Sapi 81 23
3 Kornet Sapi 86 56
3 Kornet Sapi 98 46
170
Perusahaan Produk Layak Tidak Layak
3 Kornet Sapi 76 11
3 Kornet Sapi 82 43
3 Kornet Sapi 86 36
3 Kornet Sapi 99 52
3 Kornet Sapi 92 30
4 Smirnoff 82 0
4 Smirnoff 76 33
4 Smirnoff 76 17
4 Smirnoff 75 4
4 Smirnoff 87 19
4 Smirnoff 82 10
4 Smirnoff 76 51
4 Smirnoff 73 44
4 Smirnoff 84 31
4 Smirnoff 71 15
4 Smirnoff 86 40
4 Smirnoff 75 13
4 Smirnoff 95 50
4 Smirnoff 97 6
4 Smirnoff 91 27
4 Smirnoff 100 34
4 Smirnoff 85 39
4 Smirnoff 80 36
4 Smirnoff 73 4
4 Smirnoff 83 5
4 Smirnoff 70 34
4 Smirnoff 98 6
4 Smirnoff 85 51
4 Smirnoff 87 25
4 Smirnoff 96 3
4 Smirnoff 89 21
4 Smirnoff 77 35
4 Smirnoff 89 4
4 Smirnoff 90 34
4 Smirnoff 75 12
4 Smirnoff 96 7
4 Smirnoff 100 10
4 Smirnoff 70 41
4 Smirnoff 72 5
4 Smirnoff 89 53
4 Smirnoff 89 57
4 Smirnoff 75 10
171
Perusahaan Produk Layak Tidak Layak
4 Smirnoff 86 29
4 Smirnoff 87 58
4 Smirnoff 75 58
4 Smirnoff 80 6
4 Smirnoff 94 10
4 Smirnoff 70 2
4 Smirnoff 89 31
4 Smirnoff 86 69
4 Smirnoff 74 18
4 Smirnoff 75 28
4 Smirnoff 85 1
4 Smirnoff 96 66
4 Iceland 75 28
4 Iceland 74 38
4 Iceland 89 13
4 Iceland 77 69
4 Iceland 93 32
4 Iceland 80 59
4 Iceland 89 47
4 Iceland 81 58
4 Iceland 99 40
4 Iceland 100 23
4 Iceland 80 2
4 Iceland 83 22
4 Iceland 96 24
4 Iceland 73 30
4 Iceland 95 14
4 Iceland 77 46
4 Iceland 95 65
4 Iceland 95 3
4 Iceland 92 41
4 Iceland 88 6
4 Iceland 76 18
4 Iceland 75 45
4 Iceland 72 29
4 Iceland 94 38
4 Iceland 77 66
4 Iceland 73 65
4 Iceland 86 20
4 Iceland 75 11
4 Iceland 87 53
4 Iceland 95 4
172
Perusahaan Produk Layak Tidak Layak
4 Iceland 89 24
4 Iceland 90 27
4 Iceland 79 43
4 Iceland 70 20
4 Iceland 96 43
4 Iceland 98 3
4 Iceland 86 12
4 Iceland 70 64
4 Iceland 98 14
4 Iceland 75 34
4 Iceland 97 44
4 Iceland 93 28
4 Iceland 78 69
4 Iceland 99 28
4 Iceland 78 26
4 Iceland 82 34
4 Iceland 78 19
4 Iceland 83 57
4 Iceland 98 51
5 Shasimi 92 3
5 Shasimi 96 5
5 Shasimi 93 34
5 Shasimi 94 27
5 Shasimi 74 10
5 Shasimi 72 12
5 Shasimi 92 11
5 Shasimi 84 62
5 Shasimi 93 46
5 Shasimi 92 54
5 Shasimi 81 62
5 Shasimi 85 15
5 Shasimi 93 30
5 Shasimi 79 40
5 Shasimi 90 15
5 Shasimi 70 59
5 Shasimi 84 34
5 Shasimi 70 45
5 Shasimi 93 18
5 Shasimi 80 27
5 Shasimi 71 15
5 Shasimi 72 26
5 Shasimi 94 17
173
Perusahaan Produk Layak Tidak Layak
5 Shasimi 85 47
5 Shasimi 87 67
5 Shasimi 87 38
5 Shasimi 85 15
5 Shasimi 91 9
5 Shasimi 82 13
5 Shasimi 89 16
5 Shasimi 100 69
5 Shasimi 76 38
5 Shasimi 83 7
5 Shasimi 77 62
5 Shasimi 71 32
5 Shasimi 81 29
5 Shasimi 100 44
5 Shasimi 100 37
5 Shasimi 87 23
5 Shasimi 71 9
5 Shasimi 74 4
5 Shasimi 72 8
5 Shasimi 84 24
5 Shasimi 90 13
5 Shasimi 78 63
5 Shasimi 71 65
5 Shasimi 75 42
5 Shasimi 97 25
5 Shasimi 92 43
5 Sarden 97 55
5 Sarden 79 2
5 Sarden 82 29
5 Sarden 86 56
5 Sarden 80 14
5 Sarden 90 63
5 Sarden 80 30
5 Sarden 91 34
5 Sarden 80 41
5 Sarden 95 56
5 Sarden 90 15
5 Sarden 72 38
5 Sarden 77 65
5 Sarden 95 34
5 Sarden 81 11
5 Sarden 93 52
174
Perusahaan Produk Layak Tidak Layak
5 Sarden 81 17
5 Sarden 89 9
5 Sarden 85 60
5 Sarden 98 7
5 Sarden 99 12
5 Sarden 73 4
5 Sarden 100 42
5 Sarden 96 51
5 Sarden 86 61
5 Sarden 76 14
5 Sarden 92 22
5 Sarden 83 15
5 Sarden 70 29
5 Sarden 98 64
5 Sarden 76 39
5 Sarden 81 43
5 Sarden 70 56
5 Sarden 75 1
5 Sarden 96 1
5 Sarden 72 30
5 Sarden 83 63
5 Sarden 100 24
5 Sarden 73 29
5 Sarden 89 56
5 Sarden 96 14
5 Sarden 70 39
5 Sarden 97 37
5 Sarden 86 41
5 Sarden 90 66
5 Sarden 70 62
5 Sarden 97 58
5 Sarden 91 67
5 Sarden 91 29
175
8.8 Pengolahan Data
c. Blok Variabel layak dan tidak layak sehingga variabel tersebut keblok semua
kemudian pindah ke kotak paired variable (s) dengan melakukan klik tombol
panah.
d. Klik options, maka kotak dialog options: Paired Sample T Test muncul. Tingkat
kepercayaan 95% dan exclude cases analysis by analysis terpilih secara default.
e. Klik Continue
176
f. Klik OK
T-Test
N Correlation Sig.
Dari perhitungan atau pengolahan data di atas yaitu nilai Signifikansi 0,662 > 0,05,
berarti terdapat hubungan antara layak dan tidak layak produk mentah dan jadi pada
produk-produk tersebut
177
Tabel 8.8 Hasil uji paired samples t test: options
Paired Differences
95% Confidence
Interval of the
Difference
Std. Std. Error Sig. (2-
Mean Deviation Mean Lower Upper t df tailed)
Pair Layak -
52.112 22.126 .989 50.168 54.056 52.666 499 .000
1 Tidak_Layak
Untuk mengetahui hasil uji Paired Sample T-Test dilakukan melalui beberapa
tahap, yaitu
3. Daerah kritis :
4. Uji statistik :
Niai t hitung = 52,66, nilai t tabel = 2,00958. Maka t hitung > t tabel = 52,66 >
2,00958
6. Kesimpulan :
178
8.10 Analisis Hasil Pengolahan Data
Analisis dari hasil pengolahan data diatas dapat diketahui bahwa dengantingkat
signifikansi 5% / 0,05 nilai t hitung lebih besar dari t tabel yaitu 52,66 > 2,00958
yang artinya tolak H0 bahwa rata-rata dari produk di kelima perusahaan tersebut
yang terdiri dari produk tepung, minuman kaleng, daging olahan, minuman
beralkohol dan ikan olahan rata-rata tidak layak. Disini yanng dimaksud dengan
layak dan tidak layak berdasarkan data dari pengecekan kelayakan dengan
pengujian parameter fisika, kimia, mikrobiologi dan kecukupan gizi yang telah di
uji secara kritis dan terpercaya. Dari data yang ada jumlah produk yang tidak layak
lebih besar dari data produk yang layak yaitu produk tidak layak sebesar 43.500 dan
produk layak sebesar 28.585 yang artinya produk layak dan tidak layak hampir
setengahnya sendiri dalam pengujian kali iini.
8.11 Kesimpulan
179
BAB IX
STATISTIKA PARAMETRIK ONE WAY ANOVA
9.3 Tujuan
9.4 Manfaat
2. Perusahaan menengah dapat mengetahui hasil dari pengujian tersebut dan dapat
mengevaluasi usahanya
9.5 Literatur
Pada program spss, kita akan memasukan data berdasarkan variabelnya, yaitu
variabel dependent dan variabel independent, maka
b. Variabel independent: perlakuan measure : scale Value : value “1” label “T0” ;
value “2” label “ T1” dan seterusnya sesuai jumlah kelompok yang ada
2. Masukan data yang ada pada windows data view, dan apabila kita mengaktifkan
180
“value labels” akan terlihat seperti ini
3. Analisis dilakukan dengan memilih analyze compare means one way ANOVA
sehingga terlihat tabel berikut: 31 Pindahkan variabel dependent ke dalam
dependent list sedangkan variabel independent ke dalam kolom factors
4. Mengingat uji asumsi yang harus dipenuhi pada uji Anova, yaitu uji
homogenitas,
181
maka pada “Option” kita aktifkan “homogeneity of variance test”
5. Pada uji anova, apabila diketahui terdapat beda yang signifikan antar kelompok,
maka perlu dilanjutkan ke uji-t untuk membandingkan kelompok manakah yang
“bonferreni”
6. Akan terlihat hasil pada windows output, terlihat 3 macam tabel. Yaitu tabel
homogenitas, tabel Anova dan tabel post hoc. Pada masing-masing tabel dapat
diambil kesimpulan sebagai berikut:
Berdasarkan tabel didapatkan nilai sig (0,39) lebih besar dari α (0,05), sehingga Ho
diterima dan disimpulkan bahwa variasi antar kelompok sama atau homogen.
Berdasarkan uji ANOVA, didapatkan nilai sig (0,0001) lebih kecil dari α (0,05),
sehingga Ho ditolak dan dapat disimpulkan bahwa terdapat perbedaan rata-rata
prosuktivitas susu sapi pada kelompok pemberian pakan yang berbeda. Pada
182
penelitian ini, kelompok pemberian pakan terbagi menjadi lebih dari 2, maka perlu
diketahui kelompok manakah yang dinyatakan berbeda signikan. Hal tersebut pada
diketahui melalui tabel post hoc di bawah ini.
Pada hasil uji post-hoc bonforrenni kita akan mendapati kelompok yang berbeda
nyata, melalui nilai sig < α (0,05). Atau dengan memperhatikan tanda (*).
Berdasarkan tabel diatas didapati, rata-rata produkstivitas sapi susu berbeda
signifikan kelompok yang adalah antar T0 – T1 (kelompok ransum dengan
kelompok ransum + ekstrak temulawak) T0 – T2 (kelompok ransum dengan
kelompok ransum + ekstrak suplemen Zn ) dan T0 – T3 (kelompok ransum dengan
kelompok ransum + ekstrak temulawak dan suplemen Zn) .
Metode Uji ANOVA (Analisis of Variance) atau sering juga diistilahkan sebagai
uji sidik ragam, dikembangkan oleh Ronald Fisher. Prinsip pengujiannya adalah
menganalisis variabilitas atau keragaman data menjadi dua sumber variasi, yaitu
variasi dalam kelompok (within) dan variasi antar kelompok (between). Bila variasi
within dan between sama maka rata-rata yang dihasilkan tidak ada perbedaan,
sebaliknya bila hasil perbandingan kedua varian tersebut menghasilkan
183
nilai lebih dari 1, maka rata-rata yang dibandingkan menunjukkan adanya
perbedaan.
Beberapa asumsi dasar yang mesti dipenuhi pada uji ANOVA adalah:
C. Sampel tidak berhubungan satu dengan lain (independen), sehingga uji ANOVA
tidak bisa digunakan untuk sampel berpasangan (paired).
Terdapat beberapa jenis ANOVA, yaitu: ANOVA satu jalur (one way ANOVA)
dan ANOVA dua jalur (two way ANOVA). One way ANOVA digunakan untuk
menguji hipotesis komparatif rata-rata k sampel, bila pada setiap sampel hanya
terdiri atas satu kategori. Sedang two way ANOVA digunakan untuk menguji
hipotesis komparatif rata-rata k sampel bila peneliti melakukan kategorisasi
terhadap sampel.
184
Tabel 9.4 Data produk pengujian kelayakan bisnis
185
Lanjutan tabel 9.4 Data produk pengujian kelayakan bisnis
186
Lanjutan tabel 9.4 Data produk pengujian kelayakan bisnis
187
Lanjutan tabel 9.4 Data produk pengujian kelayakan bisnis
188
Lanjutan tabel 9.4 Data produk pengujian kelayakan bisnis
Langkah-langkah dalam melakukan uji One Way ANOVA adalah sebagai berikut:
189
Gambar 9.3 Kotak Dialog One Way ANOVA
(Sumber: Olah data 2021)
e. Klik Continue
f. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan mulai dari uji normalitas, uji keseragaman data, validitas dan reliabilitas
kemudian data tersebut baru di uji dengan One Way ANOVA.
190
A. Uji Normalitas
191
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Legalita
s Statistic df Sig. Statistic df Sig.
192
4 .145 14 .200* .937 14 .376
a. Variabel Layak memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Tidak Layak memiliki nilai (Sig.> α), maka data tersebut normal
193
B. Uji Keseragaman Data
a. Variabel Layak memiliki nilai (Sig.> α), maka data tersebut seragam
b. Variabel Tidak Layak memiliki nilai (Sig.> α), maka data tersebut seragam
194
C. Uji Validitas
195
Correlations
Bisnis Pearson
1 -.009 .127* -.067 .028 -.013 -.017 .094 .063 .035 .053**
Correlation
Sig. (2-tailed) .883 .038 .276 .643 .833 .781 .122 .305 .566 .387
N 270 270 270 270 270 270 270 270 270 270 270
Legalit Pearson
-.009 1 -.009 -.048 -.028 .085 -.048 -.021 .379** .365** .379**
as Correlation
Sig. (2-tailed) .883 .883 .430 .644 .163 .427 .728 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
Lingku Pearson
.127* -.009 1 -.085 .056 -.077 -.082 -.026 .306** .271** .296**
ngan Correlation
Sig. (2-tailed) .038 .883 .166 .357 .205 .179 .665 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
Teknis Pearson
-.067 -.048 -.085 1 -.042 .048 -.085 -.020 .318** .327** .321**
Correlation
Sig. (2-tailed) .276 .430 .166 .491 .428 .163 .746 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
SDM Pearson
.028 -.028 .056 -.042 1 -.095 -.013 .001 .340** .334** .341**
Correlation
Sig. (2-tailed) .643 .644 .357 .491 .120 .828 .992 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
Finansi Pearson
-.013 .085 -.077 .048 -.095 1 .021 .055 .379** .401** .389**
al Correlation
196
Sig. (2-tailed) .833 .163 .205 .428 .120 .732 .371 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
Pasar Pearson
-.017 -.048 -.082 -.085 -.013 .021 1 .142* .375** .385** .381**
Correlation
Sig. (2-tailed) .781 .427 .179 .163 .828 .732 .019 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
Pemas Pearson
.094 -.021 -.026 -.020 .001 .055 .142* 1 .434** .430** .433**
aran Correlation
Sig. (2-tailed) .122 .728 .665 .746 .992 .371 .019 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
Sig. (2-tailed) .305 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
Sig. (2-tailed) .566 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
Sig. (2-tailed) .387 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 270 270 270 270 270 270 270 270 270 270 270
197
(Sumber: Olah Data 2021)
Dalam hal ini terdapat 270 data (N=270) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 270-2 = 268. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
D. Uji Reliabilitas
Reliability Statistics
Cronbach's
Alpha N of Items
.661 9
198
0,80 yang artinya bahwa pernyataan tersebut reliabel.
199
ANOVA
110
0
1. Penentuan Hipotesis ( Ho dan Hi )
3. Uji statistic nilai t hitung = 2,438 , f tabel = 3,029218 maka t hitung < f tabel ,
2,438 < 3,029218
Hasil dari pengolahan data diatas bahwa data pengecekan terhadap aspek
legalitas, lingkungan, teknis, sumber daya manusia, finansial, pasar dan pemasaran
pada pengujian kelayakan bisnis yang melakukan peninjauan tahunan terhadap
usaha menengah pada bidang makanan, tekstil dan manufaktur yang ada di
Yogyakarta selama 3 bulan menunjukan data tersebut setelah diuji dengan metode
uji normalitas, uji keseragaman data, validitas dan reliabilitas kemudian data
tersebut baru di uji dengan One Way ANOVA. Hasil dari masing-masing pengujian
terhadap metode-metode tersebut antara lain bahwa pada pengujian normalitas data
tersebut menunjukan normal karena nilai sig. Terhadap layak dan tidak layak dari
masing-masing legalitas nilainya diatas dari nilai alpha (0,05) semua. Untuk
pengujian keseragaman data menunjukan data tersebut seragam semua karena pada
hasil Test of Homogeneity of Variance terhadap layak dan tidak layak menunjukan
nilai diatas dari nilai alpha (0,05). Hasil pengujian dari validitas juga menunjukan
bahwa data tersebut semuanya valid karena dari pengolahan data yang terdapat 270
data (N=270) dengan tingkat signifikansi 5% pada tabel r dengan rumus df = N-2,
110
1
maka df = 270-2 = 268 hasil yang didapat dari masing-masing penilaian
menunjukan nilai di atas dari nilai r tabel yang artinya bahwa dalam pengujian
tersebut dinyatakan valid. Pada pengujian reliabilitas juga menunjukan angka 0,661
yang artinya bahwa nilai tersebut jika dicocokan dengan tabel tingkat reliabilitas
menunjukan bahwa nilai tersebut reliabel karena berada di range 0,601 - 0,80. Pada
uji One Way ANOVA sendiri menunjukan bahwa rata-rata kelayakan bisnis
mempengaruhi peninjauan tahunan terhadap usaha menengah yang sudah diuji
selama 3 bulan karena t hitung < f tabel , 2,438 < 3,029218.
9.11 Kesimpulan
Kesimpulan yang dapat diambil dari pengujian dan pengolahan data diatas
yaitu perusahaan menengah di Yogyakarta mengetahui bahwa perusahaannya layak
dan untuk meningkatkan kualitas perusahaan itu sendiri perusahaan harus
mengembangkan aspek legalitas, lingkungan, teknis, sumber daya manusia,
finansial, pasar dan pemasaran yang dimiliki perusahaan agar perusahaan tersebut
terus berkembang dan maju. Dapat diperoleh juga pada pengujian dan pengolahan
data diatas dengan mengguakan One Way ANOVA menjunjukan bahwa rata-rata
kelayakan bisnis mempengaruhi peninjauan tahunan terhadap usaha menengah
yang sudah diuji selama 3 bulan.
110
2
BAB X
STATISTIKA NON PARAMETRIK CHI SQUARE
10.3 Tujuan
2. Mengetahui rancangan apa saja yang digemari dari segi keindahan design, warna,
bahan, motif, dan kenyamanan
10.4 Manfaat
2. Designer dapat mengetahui tolak ukur busana yang digemari oleh masing-
masing model yang berada dibawah naungannya
10.5 Literatur
Suatu survey ingin mengetahui apakah ada hubungan Asupan Lauk dengan
kejadian anemia pada penduduk desa X. Kemudian diambil sampel sebanyak 120
orang yang terdiri dari 50 orang asupan lauknya baik dan 70 orang asupan lauknya
kurang. Setelah dilakukan pengukuran kadar Hb ternyata dari 50 orang yang asupan
lauknya baik, ada 10 orang yang dinyatakan anemia. Sedangkan dari 70 orang yang
110
3
asupan lauknya kurang ada 20 orang yang anemia. Ujilah apakah ada perbedaan
proporsi anemia pada kedua kelompok tersebut.
Jawab:
HIPOTESIS:
Ho : P1 = P2 (Tidak ada perbedaan proporsi anemia pada kedua kelompok tersebut)
Ho : P1 ≠ P2 (Ada perbedaan proporsi anemia pada kedua kelompok tersebut)
PERHITUNGAN:
Untuk membantu dalam perhitungannya kita membuat tabel silangnya seperti ini :
(Sumber: http://statistik-kesehatan.blogspot.com/2011/04/uji-kai-kuadrat-chi-square-
test.html)
110
4
Perhitungan selesai, sekarang kita menentukan nilai tabel pada taraf nyata/alfa =
0.05. Sebelumnya kita harus menentukan nilai df-nya. Karena tabel kita 2x2, maka
nilai df = (2-1)*(2-1)=1.
(Sumber: http://statistik-kesehatan.blogspot.com/2011/04/uji-kai-kuadrat-chi-square-
test.html)
Dari tabeli kai kudrat di atas pada df=1 dan alfa=0.05 diperoleh nilai tabel = 3.841.
Keputusan Statistik :
Bila nilai hitung lebih kecil dari nilai tabel, maka Ho gagal ditolak, sebaliknya bila
nilai hitung lebih besar atau sama dengan nilai tabel, maka Ho ditolak. Dari
perhitungan di atas menunjukan bahwa χ2 hitung < χ2 tabel, sehingga Ho gagal
ditolak.
Kesimpulan :
Tidak ada perbedaan yang bermakna proporsi antara kedua kelompok tersebut. Atau
dengan kata lain tidak ada hubungan antara asupan lauk dengan kejadian anemia.
180
10.6 Metode Pengolahan Data
Metode Uji Uji kai kuadrat (dilambangkan dengan "χ2" dari huruf Yunani "Chi"
dilafalkan "Kai") digunakan untuk menguji dua kelompok data baik variabel
independen maupun dependennya berbentuk kategorik atau dapat juga dikatakan
sebagai uji proporsi untuk dua peristiwa atau lebih, sehingga datanya bersifat diskrit.
Misalnya ingin mengetahui hubungan antara status gizi ibu (baik atau kurang)
dengan kejadian BBLR (ya atau tidak).
Dasar uji kai kuadrat itu sendiri adalah membandingkan perbedaan frekuensi
hasil observasi (O) dengan frekuensi yang diharapkan (E). Perbedaan tersebut
meyakinkan jika harga dari Kai Kuadrat sama atau lebih besar dari suatu harga yang
ditetapkan pada taraf signifikan tertentu (dari tabel χ2). Uji
Kai Kuadrat dapat digunakan untuk menguji:
1. Uji χ2 untuk ada tidaknya hubungan antara dua variabel (Independency test).
2. Uji χ2 untuk homogenitas antar- sub kelompok (Homogenity test).
3. Uji χ2 untuk Bentuk Distribusi (Goodness of Fit)
Keterangan:
O= frekuensi hasil observasi
E= frekuensi yang diharapkan.
Nilai E= (Jumlah sebaris x Jumlah Sekolom) / Jumlah data
df= (b-1) (k-1)
Dalam melakukan uji kai kuadrat, harus memenuhi syarat:
181
2. Semua pengamatan dilakukan dengan independen
3. Setiap sel paling sedikit berisi frekuensi harapan sebesar 1 (satu). Sel-sel
dengdan frekuensi harapan kurang dari 5 tidak melebihi 20% dari total sel
4. Besar sampel sebaiknya > 40 (Cochran, 1954)
Keterbatasan penggunaan uji Kai Kuadrat adalah tehnik uji kai kuadarat memakai
data yang diskrit dengan pendekatan distribusi kontinu. Dekatnya pendekatan yang
dihasilkan tergantung pada ukuran pada berbagai sel dari tabel kontingensi. Untuk
menjamin pendekatan yang memadai digunakan aturan dasar “frekuensi harapan
tidak boleh terlalu kecil” secara umum dengan ketentuan:
1. Tidak boleh ada sel yang mempunyai nilai harapan lebih kecil dari 1 (satu)
2. Tidak lebih dari 20% sel mempunyai nilai harapan lebih kecil dari 5 (lima)
Bila hal ini ditemukan dalam suatu tabel kontingensi, cara untuk
menanggulanginyanya adalah dengan menggabungkan nilai dari sel yang kecil ke
se lainnya (mengcollaps), artinya kategori dari variabel dikurangi sehingga kategori
yang nilai harapannya kecil dapat digabung ke kategori lain. Khusus untuk tabel 2x2
hal ini tidak dapat dilakukan, maka solusinya adalah melakukan uji Fisher Exact
atau Koreksi Yates.
182
Tabel 10.3 Data penilaian rancangan busana
183
Lanjutan tabel 10.3 Data penilaian rancangan busana
202
Lanjutan tabel 10.3 Data penilaian rancangan busana
203
Lanjutan tabel 10.3 Data penilaian rancangan busana
204
Lanjutan tabel 10.3 Data penilaian rancangan busana
205
Lanjutan tabel 10.3 Data penilaian rancangan busana
218
c. Pilih Weight cases by dan masukkan variabel N_Total di dalam kotak frequency
variable
219
d. Klik OK
f. Masukan variabel N_Total ke kotak test variable list, pilih get from data di kotak
expected range dan pilih all categories equal di kotak expected values
g. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang dilakukan
mulai dari uji normalitas, uji keseragaman data, validitas dan reliabilitas kemudian
data tersebut baru di uji dengan metode non parametrik chi square.
A. Uji Normalitas
220
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Model_Busan
Keindahan Busana 1
.061 200 .068 .968 200 .000
Busana 2
220
Busana 6 .058 200 .200* .965 200 .000
Busana 11
.060 200 .080 .962 200 .000
Busana 12
.058 200 .200* .965 200 .000
Busana 13
.058 200 .200* .965 200 .000
Busana 14
.057 200 .200* .967 200 .000
221
Busana 15 .060 200 .075 .967 200 .000
Busana 11
.058 200 .098 .965 200 .000
Busana 12
.058 200 .096 .968 200 .000
Busana 13
.074 200 .009 .959 200 .000
Busana 14
.057 200 .200* .965 200 .000
Busana 15
.058 200 .200* .965 200 .000
222
Busana 9 .062 200 .061 .961 200 .000
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05 sebagai
alat ukur untuk menentukan data yang diolah termasuk kedalam data yang dikatakan normal
atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih besar dari nilai alpha (α),
maka data tersebut merupakan data yang tidak normal (Sig.< α), sedangkan jika nilai (Sig.>
α) maka data tersebut normal. Dari hasil diatas menunjukkan bahwa :
a. Variabel Keindahan memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Warna memiliki nilai (Sig.> α), maka data tersebut normal
c. Variabel Bahan memiliki nilai (Sig.> α), maka data tersebut normal
d. Variabel Motif memiliki nilai (Sig.> α), maka data tersebut normal
e. Variabel Kenyamanan memiliki nilai (Sig.> α), maka data tersebut normal
223
B. Uji Keseragaman Data
224
Test of Homogeneity of Variance
Based on Mean
.144 14 298 1.00
5 0
Based on Median
.154 14 2985 1.000
Based on Median and with
adjusted df
.154 14 2.972E3 1.000
Based on Mean
.235 14 298 .998
5
Based on Median
.162 14 1.000
298
Based on Median and with
5
adjusted df
.171 14 2985 1.000
Based on trimmed mean
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05 sebagai
alat ukur untuk menentukan data yang diolah termasuk kedalam data yang dikatakan
seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih besar dari nilai
alpha (α), maka data tersebut merupakan data yang tidak seragam (Sig.< α), sedangkan jika
nilai (Sig.> α) maka data tersebut seragam. Dari hasil diatas menunjukkan bahwa :
a. Variabel Keindahan memiliki nilai (Sig.> α), maka data tersebut seragam
b. Variabel Warna memiliki nilai (Sig.> α), maka data tersebut seragam
c. Variabel Bahan memiliki nilai (Sig.> α), maka data tersebut seragam
d. Variabel Motif memiliki nilai (Sig.> α), maka data tersebut seragam
e. Variabel Kenyamanan memiliki nilai (Sig.> α), maka data tersebut seragam
C. Uji Validitas
226
Correlations
Pearson Correlation
-.003 - .004 .00 .520**
1 .000 .003 0 -.002
Sig. (2-tailed)
1.000 .867 .857 .821 .974 .904 .934
N
3000 3000 300 300 300 300 3000 300
0 0 0 0 0
Pearson Correlation
.000 1 -.034
Sig. (2-tailed) -.045* -.038* - - .580**
.028 .006
N 1.000 .013 .036 .122 .757 .061 .012
Pearson Correlation 3000 300 3000 300 300 300 3000 300
0 0 0 0 0
Sig. (2-tailed) .470**
-.003 1
-.045* .543** .304** .178** .759**
N
.867 .013 .000 .000 .000 .000 .000
Warna Pearson Correlation
3000 300 300 3000 300 300 3000 300
Sig. (2-tailed) 0 0 0 0 0
.038*
-.003 1
N -.038* .543** .403** .140** .645**
-.002 1
227
.470** .038 .252** .156** .583**
-
*
.034
Dalam hal ini terdapat 3000 data (N=3000) dengan tingkat signifikansi 5% pada
tabel r dengan rumus df = N-2, maka df = 3000-2 = 2998. Maka dari hasil uji
validitas diatas dapat dijelaskan sebagai berikut :
D. Uji Reliabilitas
228
Reliability Statistics
.672
Test Statistics
N_Total
Chi-Square 1.435E3a
df 344
229
(Sumber: Olah Data 2021)
3. Uji statistic nilai t hitung = 2,438 , f tabel = 3,029218 maka t hitung < f tabel
2,438 < 3,029218
Hasil pengolahan data dan pengujian diatas bahwa pada pengujian dan
pengolahan data pada studi kasus tersebut dilakukan dengan beberapa metode
pengujian terlebih dahulu untuk menguji chi square test nya antara lain yaitu uji
normalitas, uji keseragaman data, uji validitas, uji relibilitas kemudian baru di uji
chi square test. Hasil dari pengolahan dan pengujian dari data diatas menunjukan
bahwa untuk uji normalitas dari data tersebut hasilnya normal semua karena dari
semua variabel menunjukan nilai yang dihasilkan oleh pengolahan tersebut di atas
dari nilai alpha (0,05). Pada uji keseragaman pada masing-masing variable
pengolahan data menghasilkan nilai lebih dari nilai alpha (0,05) yang berarti data
disetiap variabel tersebut memiliki keseragaman data. Untuk uji validitas terdapat
3000 data (N=3000) dengan tingkat signifikansi 5% pada tabel r dengan rumus df
230
= N-2, maka df = 3000-2 = 2998 dan hasil dari pengolahan data
tersebut menunjukan nilai yang diperoleh dari masing-masing
variabel lebih dari r tabel yang artinya semua data tersebut valid.
Pada pengujian relibilitas sesuai dengan tabel Reliability Statistic
terlihat bahwa nilai Cronbach’s Alpha adalah 0,672 pada
5 of items pernyataan. Bahwa nilai tersebut berada diatas range
0,601 – 0,80 yang artinya bahwa pernyataan tersebut reliabel.
Untuk uji chi square sendiri memperoleh hasil x² hitung > x² tabel
1,435E3ᵃ > 388,25 yang dapat disimpulkan tingkat signifikansi
5% bahwa mode Rancangan busana yang digemari dari segi
keindahan design,warna, bahan, motif, dan kenyamanan.
10.11 Kesimpulan
231
ke klien. Selain itu juga dengan hasil pengolahan data tersebut
dapat diketahui tolak ukur selera dari masing-masing orang
tersebut dengan begitu designer dapat membuat rancangan busana
yang dapat diterima di tengah masyarakat.
232
BAB XI
STATISTIKA NON PARAMETRIK CHI SQUARE SATU VARIABEL
Bagaimana solusi yang tepat untuk mengatasi masalah banjir yang terjadi di
JABODETABEK?
11.3 Tujuan
11.4 Manfaat
2. Dapat mengetahui solusi yang tepat yang telah dipilih oleh masyarakat
11.5 Literatur
Data yang digunakan adalah data sekunder yaitu data kuesioner Survei
Terpadu Biologis dan Perilaku (STBP) penasun tahun 2015.
233
Tabel 11.1 Data kuesioner STBP 2015
Data kuesioner STBP penasun 2015 disajikan dalam Tabel 11.1 Analisis
data dibantu dengan program SPSS.
234
Tabel 11.2 Chi-Square Tests pendidikan dengan pengetahuan
Tabel 11.2 menunjukan 0 sel dengan nilai ekspektasi < 5 artinya tidak ada nilai
ekspektasi lebih kecil dari 5. Kemudian nilai minimum ekspektasinya sebesar 17,02
artinya tidak ada nilai ekspektasi yang lebih kecil dari 5, maka syarat uji Chi-square
terpenuhi. Selanjutnya karena analisis dengan tabel 2 X 2, maka gunakan rumus
“Continuty Correction”. Dari hasil uji Chi-square didapatkan nilai p-value atau
sig. sebesar 0,218, dengan memakai alfa sebesar 0,05 maka nilai p-value ≥ 0,05 atau
didapatkan nilai χ 2 hitung sebesar 1,516 ≤ χ 2 tabel sebesar 3,84146. Dengan
demikian, tidak cukup 7 I. C. Negara dan A data untuk menerima H1. Artinya H0
diterima, sehingga tidak terdapat pengaruh tingkat pendidikan terhadap pengetahuan
penasun.
Uji Chi-square antara Umur dengan Pengetahuan Dapat dilihat apakah ada pengaruh
antara umur terhadap pengetahuan menggunakan uji Chi-square nya. Dapat dilihat
dari Tabel 6.3 output SPSS sebagai berikut :
Tabel 11.3 menunjukan bahwa tidak ada nilai ekspektasi lebih kecil dari 5. Nilai
ekspektasi terkecil yaitu 5,02 maka syarat uji Chi-square terpenuhi. Karena tabel
adalah 2 X 3 maka gunakan rumus pada “Pearson Chi-Square”. Dapat dilihat dari
hasil uji Chi-square didapatkan nilai p-value sebesar 0,001, dengan menggunakan
235
alfa sebesar 0,05 maka nilai p-value atau sig. < 0,05 atau didapatkan nilai χ 2 hitung
sebesar 13,729 > χ 2 tabel sebesar 5,99146. Dengan demikian, cukup data untuk
menerima H1. Artinya H0 ditolak, sehingga terdapat pengaruh tingkat umur
terhadap pengetahuan penasun.
Kesimpulan :
Metode Uji Chi Square Test Satu Variabel dengan frekuensi harapan berbeda
Seperti yang kita ketahui bahwa uji Chi square digunakan untuk menguji
perbandingan sekelompok frekuensi yang diamati dengan kelompok frekuensi yang
diharapkan.
Untuk itu perlu dilakukan metode perhitungan untuk menentukan nilai harapan
sebelum dimasukkan ke dalam rumus χ2
χ2=∑ki=1(Oi−Ei)2Ei
Dimana,
∑ki=1= notasi sigma yang menunjukkan penjumlahan untuk semua kategori (k)
236
11.7 Pengumpulan Data
Berikut adalah kumpulan data hasil dari kuesioner solusi terhadap penanganan
banjir di JABODETABEK:
1 2 3 6
2 1 3 6
3 1 1 5
4 4 1 7
5 3 1 9
6 1 1 8
7 5 1 9
8 1 2 11
9 2 3 14
10 2 2 14
11 3 1 15
12 1 3 16
13 5 3 19
14 4 3 20
15 2 2 19
16 5 3 22
17 5 3 23
18 3 3 24
19 4 1 22
20 1 1 22
21 4 2 25
237
Lanjutan Tabel 11.4 Data Kuesioner Solusi Banjir
22 2 2 26
23 4 1 27
24 4 1 28
25 4 1 29
26 1 3 30
27 3 2 32
28 5 2 31
29 5 3 35
30 1 2 33
31 5 1 33
32 2 1 35
33 3 1 37
34 3 1 38
35 1 3 39
36 3 3 42
37 2 3 42
38 1 1 40
39 3 1 43
40 2 2 44
41 2 1 44
42 1 1 44
43 2 2 47
44 3 1 48
45 1 1 47
46 2 1 49
47 1 3 51
238
Lanjutan Tabel 11.4 Data Kuesioner Solusi Banjir
48 4 1 50
49 4 1 51
50 1 3 54
51 1 3 55
52 5 2 56
53 1 1 55
54 5 2 58
55 1 3 59
56 2 2 60
57 1 1 59
58 2 2 62
59 4 5 63
60 5 5 64
61 5 3 65
62 1 1 64
63 2 3 68
64 1 2 67
65 5 5 69
66 4 5 68
67 1 3 71
68 4 4 71
69 4 4 72
70 3 5 74
71 1 3 75
72 2 2 76
73 1 3 77
239
Lanjutan Tabel 11.4 Data Kuesioner Solusi Banjir
74 3 4 79
75 3 3 81
76 4 4 79
77 3 1 81
78 5 2 82
79 5 3 84
80 1 2 83
81 2 1=5 84
82 1 2 85
83 4 3 87
84 2 4 88
85 3 4 91
86 3 1 90
87 1 3 91
88 2 1 90
89 5 5 92
90 5 2 94
91 3 1 95
92 3 5 96
93 1 1 95
94 4 5 96
95 4 1 97
96 1 1 98
97 1 1 99
98 1 1 100
99 3 3 105
240
Lanjutan Tabel 11.4 Data Kuesioner Solusi Banjir
100 4 2 103
101 4 1 103
102 1 3 104
103 3 4 107
104 5 1 106
105 4 1 107
106 2 5 109
107 5 5 109
108 5 3 112
109 1 1 111
110 1 5 112
111 1 4 113
112 1 4 114
113 1 1 115
114 3 2 119
115 1 1 117
116 5 1 118
117 4 1 119
118 2 2 122
119 1 1 121
120 2 3 125
121 2 3 126
122 1 1 124
123 2 1 126
124 3 3 130
125 2 3 130
241
126 2 3 131
127 3 3 133
128 3 1 132
129 2 3 134
130 1 1 132
131 3 2 136
132 3 3 138
133 3 3 139
134 3 3 140
135 3 5 141
136 3 5 142
137 5 4 142
138 5 1 142
139 3 3 145
140 4 1 144
141 4 5 147
142 2 1 145
143 1 3 147
144 3 3 150
145 5 4 148
146 4 3 152
147 3 4 151
148 4 2 151
149 4 5 153
150 3 1 154
151 5 3 155
242
Keterangan :
Solusi = 1 : A; 2 : B; 3 : C
c. Klik OK
f. Klik OK
11.9 Hasil Pengolahan Data
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
243
reliabilitas kemudian data tersebut baru di uji dengan Uji Chi Square Test Satu
Variabel.
A. Uji Normalitas
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa :
a. Variabel Responden Solusi A memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Responden Solusi B memiliki nilai (Sig.> α), maka data tersebut normal
c. Variabel Responden Solusi C memiliki nilai (Sig.> α), maka data tersebut
normal
244
Test of Homogeneity of Variance
Levene Statistic df1 df2 Sig.
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Variabel Responden Solusi memiliki nilai (Sig.> α), maka data tersebut seragam
C. Uji Validitas
245
Correlations
Responden Solusi Tahap N_Total
Dalam hal ini terdapat 151 data (N=151) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 151-2 = 149. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
D. Uji Reliabilitas
Reliability Statistics
246
Tabel 11.7 Hasil Pengolahan Uji Chi Square Test 1 Variabel
Solusi
Observed N Expected N Residual
A 66 47.2 18.8
B 76 94.3 -18.3
C 141 141.5 -.5
Total 283
Test Statistics
Solusi
Chi-Square 11.085a
df 2
Asymp. Sig. .004
a. 0 cells (.0%) have expected
247
5. Kesimpulan : Jadi dengan tingkat signifikansi 5% dapat disimpulkan
bahwa solusi alternatif tersebut menyelesaikan permasalahan ketika banjir
terjadi lagi.
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahan pengujian seperti uji normalitas, keseragaman
data, validitas, reliabilitas dan uji chi square satu variabel menunjukan bahwa data
yang di peroleh dari kuesioner terhadap 150 responden tersebut menunjukan data
tersebut normal karena nilai sig. lebih dari nilai alpha (0,05), data seragam karena
pada pengujian keseragaman data menunjukan hasil nilai sig. lebih dari nilai alpha
(0,05), data valid karena nilai N_Total pada correlation lebih besar dari nilai r tabel,
data reliabel karena terlihat bahwa nilai Cronbach’s Alpha adalah 0,767 pada 2 of
items pernyataan. Nilai tersebut berada diatas range 0,601 – 0,80 yang artinya bahwa
pernyataan tersebut reliabel. Pada uji chi square satu variabel tersebut menghasilkan
bahwa dengan tingkat signifikansi 5% solusi alternatif yang ada pada kuesioner
tersebut dapat menyelesaikan permasalahan ketika banjir.
11.11 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan dan pengujian data kuesioner
solusi pada penanganan masalah banjir di JABODETABEK antara lain yaitu pada
pengolahan data dengan metode uji chi square menunjukan bahwa data tersebut
bahwa solusi alternatif yang ada pada kuesioner tersebut dapat menyelesaikan
permasalahan ketika banjir. Sesuai dengan solusi yang diberikan pada kuesioner
yaitu solusi penegakan sanksi pidana penggunaan lahan sungai untuk perumahan
dan kawasan pemukiman.
Jadi dapat disimpulkan bahwa pemrintah dapat mencoba menggunakan solusi dalam
penanganan banjir di JABODETABEK yaitu dengan penegakan sanksi pidana
penggunaan lahan sungai untuk perumahan dan kawasan pemukiman dengan tahapan
langsung melakukan penertiban dan penindakan tegas kepada para pelanggar yang
berada di lahan sungai.
248
BAB XII
STATISTIKA NON PARAMETRIK CHI SQUARE TEST DUA
VARIABEL
12.3 Tujuan
12.4 Manfaat
2. Dapat mengetahui solusi yang tepat yang telah dipilih oleh masyarakat
12.5 Literatur
224
9
Perusahaan penyalur alat elektronik AC ingin mengetahui apakah ada
hubungan antara gender dengan sikap mereka terhadap kualitas produk AC. Untuk
itu mereka meminta 25 responden mengisi identitas mereka dan sikap atau persepsi
mereka terhadap produknya.
Permasalahan : Apakah ada hubungan antara gender dengan sikap terhadap kualitas
AC?
Hipotesis :
Data dari keduapuluh lima responden dapat dilihat pada tabel di bawah ini.
(Sumber: http://www.statistikolahdata.com/2013/04/analisis-chi-square.html)
225
0
Ket. : Gender : 1 = Laki-laki; 2 = Wanita, Sikap: 1 = berkualitas, 2 = Tidak
berkualitas
Langkah-langkah SPSS
(Sumber: http://www.statistikolahdata.com/2013/04/analisis-chi-square.html)
Pada tabel case processing summary diatas menunjukkan bahwa input data ada 25
responden dan tidak ada data yang tertinggal.
225
1
(Sumber: http://www.statistikolahdata.com/2013/04/analisis-chi-square.html)
(Sumber: http://www.statistikolahdata.com/2013/04/analisis-chi-square.html)
Pada tabel chi-square test di atas dapat diketahui bahwa nilai signifikansi p-value
sebesar 0.543 dan nilai chi-square sebesar 0.371. Karena nilai signifikansi 0.543 >
(0.05) maka hipotesis null diterima yang berarti bahwa tidak ada hubungan antara
gender dengan sikap terhadap kualitas AC.
225
2
12.6 Metode Pengolahan Data
Chi Square disebut juga dengan Kai Kuadrat. Chi Square adalah salah satu
jenis uji komparatif non parametris yang dilakukan pada dua variabel, di mana skala
data kedua variabel adalah nominal. (Apabila dari 2 variabel, ada 1 variabel dengan
skala nominal maka dilakukan uji chi square dengan merujuk bahwa harus
digunakan uji pada derajat yang terendah). Berikut akan kita bahas tentang rumus
chi square.
Uji chi square merupakan uji non parametris yang paling banyak digunakan. Namun
perlu diketahui syarat-syarat uji ini adalah:
frekuensi responden atau sampel yang digunakan besar, sebab ada beberapa syarat
di mana chi square dapat digunakan yaitu:
1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual
Count (F0) sebesar 0 (Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang
memiliki frekuensi harapan atau disebut juga expected count (“Fh”) kurang
dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell dengan
frekuensi harapan yang kurang dari 5 tidak boleh lebih dari 20%.
Berikut adalah kumpulan data hasil dari kuesioner solusi terhadap pencegahan dan
penanganan dari gunung meletus dan virus corona:
Tabel 12.5 Kumpulan data responden untuk solusi penanganan gunung meletus
1 1 1 3
2 2 2 6
225
3
3 1 1 5
4 1 3 8
5 1 1 7
6 1 2 9
7 1 1 9
8 1 1 10
9 3 1 13
10 1 3 14
11 3 1 15
12 1 2 15
13 3 3 19
14 3 1 18
15 3 1 19
16 3 2 21
17 1 2 20
18 3 3 24
19 1 2 22
20 2 3 25
21 2 2 25
22 2 1 25
23 1 2 26
24 3 1 28
25 2 3 30
26 2 1 29
27 3 2 32
28 2 2 32
225
4
Lanjutan tabel 12.5 Kumpulan data
responden untuk solusi penanganan gunung
meletus
29 2 1 32
30 2 2 34
31 2 1 34
32 2 2 36
33 2 1 36
34 2 2 38
35 2 3 40
36 2 2 40
37 3 1 41
38 2 3 43
39 1 1 41
40 3 3 46
41 2 1 44
42 2 3 47
43 1 3 47
44 1 1 46
45 2 3 50
46 3 3 52
47 2 1 50
48 2 2 52
49 2 2 53
50 2 2 54
51 3 3 57
52 2 1 55
225
5
Lanjutan tabel 12.5 Kumpulan data
responden untuk solusi penanganan gunung
meletus
53 2 3 58
54 1 1 56
55 2 2 59
56 2 3 61
57 2 2 61
58 3 3 64
59 1 2 62
60 1 1 62
61 1 2 64
62 1 1 64
63 3 3 69
64 2 1 67
65 3 2 70
66 2 3 71
67 2 2 71
68 1 2 71
69 3 2 74
70 1 2 73
71 2 1 74
72 2 2 76
73 3 1 77
74 1 3 78
75 2 2 79
76 3 2 81
225
6
Lanjutan tabel 12.5 Kumpulan data
responden untuk solusi penanganan gunung
meletus
77 2 2 81
78 2 2 82
79 2 3 84
80 1 2 83
81 2 2 85
82 2 2 86
83 1 2 86
84 3 1 88
85 1 2 88
86 1 3 90
87 2 3 92
88 2 1 91
89 2 3 94
90 2 3 95
91 2 3 96
92 2 2 96
93 2 2 97
94 1 2 97
95 1 2 98
96 1 2 99
97 1 2 100
98 1 2 101
99 1 2 102
100 2 3 105
225
7
101 2 2 105
102 2 1 105
103 1 2 106
104 3 2 109
105 1 2 108
106 1 2 109
107 2 2 111
109 1 2 112
110 1 2 113
111 1 2 114
112 1 2 115
113 1 2 116
114 1 2 117
115 2 2 119
116 1 2 119
117 1 1 119
118 1 2 121
119 2 2 123
120 1 2 123
121 3 3 127
122 1 2 125
123 2 2 127
124 3 2 129
125 3 1 129
126 2 3 131
127 3 2 132
128 2 1 131
129 3 3 135
225
8
130 2 2 134
131 3 1 135
132 3 2 137
133 2 3 138
134 3 2 139
135 2 2 139
136 3 2 141
137 3 1 141
138 2 1 141
139 3 2 144
140 1 3 144
141 3 2 146
142 2 1 145
143 2 3 148
144 3 2 149
145 2 2 149
146 3 2 151
147 3 2 152
148 1 1 150
149 2 1 152
150 1 2 153
151 2 1 154
225
9
Tabel 12.6 Kumpulan data responden untuk solusi pencegahan virus corona
1 2 2 5
2 1 1 4
3 1 1 5
4 1 2 7
5 1 2 8
6 1 3 10
7 2 1 10
8 1 2 11
9 1 3 13
10 3 1 14
11 3 1 15
12 2 1 15
13 3 3 19
14 3 1 18
15 2 1 18
16 3 2 21
17 3 1 21
18 3 2 23
19 2 1 22
20 2 1 23
21 3 1 25
22 3 2 27
23 2 3 28
24 3 3 30
25 2 2 29
26 3 3 32
226
0
Lanjutan tabel 12.6 Kumpulan data
responden untuk solusi pencegahan virus
corona
29 1 2 32
30 2 3 35
31 3 3 37
32 2 1 35
33 1 2 36
34 3 2 39
35 2 2 39
36 2 3 41
37 2 3 42
38 3 3 44
39 2 1 42
40 3 3 46
41 1 2 44
42 3 2 47
43 3 3 49
44 3 2 49
45 1 1 47
46 1 2 49
47 2 1 50
48 3 3 54
49 3 3 55
50 3 3 56
51 1 1 53
52 2 1 55
226
1
53 3 1 57
54 3 3 60
55 1 2 58
56 3 1 60
57 2 1 60
58 1 1 60
59 2 3 64
60 2 1 63
61 2 1 64
62 1 2 65
63 2 3 68
64 3 1 68
65 2 3 70
66 3 1 70
67 2 1 70
69 3 2 74
70 3 2 75
71 3 1 75
72 3 1 76
73 3 3 79
74 1 1 76
75 2 3 80
76 1 2 79
77 3 1 81
78 2 1 81
79 2 3 84
80 3 3 86
81 2 2 85
226
2
82 3 2 87
83 2 1 86
84 3 3 90
85 3 1 89
86 2 2 90
87 1 1 89
88 2 1 91
89 3 1 93
90 3 1 94
91 2 1 94
92 2 2 96
93 1 3 97
94 1 3 98
95 1 3 99
96 1 3 100
97 1 3 101
98 1 3 102
99 1 3 103
100 3 2 105
101 3 1 105
102 1 3 106
103 3 3 109
104 1 3 108
105 1 3 109
106 2 3 111
107 1 3 111
108 1 1 110
226
3
Lanjutan 263able 6.6 Kumpulan data
responden untuk solusi pencegahan virus
corona
109 1 3 113
110 1 3 114
111 1 3 115
112 1 3 116
113 1 3 117
114 1 2 117
115 1 3 119
116 1 1 118
117 1 3 121
118 3 3 124
119 1 3 123
120 3 2 125
121 1 3 125
122 2 2 126
123 3 1 127
124 3 2 129
125 1 1 127
126 3 1 130
127 1 3 131
128 3 3 134
129 1 1 131
130 1 1 132
131 3 1 135
132 3 3 138
226
4
133 3 1 137
134 1 1 136
135 3 1 139
136 3 1 140
137 1 1 139
138 3 1 142
139 1 2 142
140 3 1 144
141 2 2 145
142 1 3 146
143 3 1 147
144 1 2 147
145 3 1 149
146 1 2 149
149 3 3 155
150 1 2 153
151 2 1 154
Langkah-langkah dalam melakukan uji One Way ANOVA adalah sebagai berikut:
226
5
c. Klik OK
d. Klik Analyze - Descriptive Statistic - Crosstabs
f. Klik Cells, pilih observed dan expected pada kotak dialog counts
226
6
i. Beri tanda centang chi square dan klik continue
j. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Chi Square Test Dua
Variabel.
A. Uji Normalitas
Kolmogorov-Smirnova Shapiro-Wilk
Solusi
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
normal (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari
hasil diatas menunjukkan bahwa:
a. Variabel Responden Solusi A memiliki nilai (Sig.> α), maka data tersebut
normal
b. Variabel Responden Solusi B memiliki nilai (Sig.> α), maka data tersebut
normal
226
7
c. Variabel Responden Solusi C memiliki nilai (Sig.> α), maka data tersebut
normal
Kolmogorov-Smirnova Shapiro-Wilk
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar
0,05 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam
data yang dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data
yang diolah lebih besar dari nilai alpha (α), maka data tersebut merupakan
data yang tidak normal (Sig.< α), sedangkan jika nilai (Sig.> α) maka data
tersebut normal. Dari hasil diatas menunjukkan bahwa :
a. Variabel Responden Solusi A memiliki nilai (Sig.> α), maka data tersebut
normal
b. Variabel Responden Solusi B memiliki nilai (Sig.> α), maka data tersebut
normal
c. Variabel Responden Solusi C memiliki nilai (Sig.> α), maka data tersebut
normal
B. Keseragaman Data
226
8
Tabel 6.9 Hasil Pengolahan Uji Keseragaman Data Gunung Meletus
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Variabel Responden Solusi memiliki nilai (Sig.> α), maka data tersebut seragam
226
9
Tabel 12.10 Hasil Pengolahan Uji Keseragaman Data Virus Corona
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar
0,05 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam
data yang dikatakan seragam atau tidak.
Jika hasil signifikansi (Sig.) dari data yang diolah lebih besar dari nilai alpha
(α), maka data tersebut merupakan data yang tidak seragam (Sig.< α),
sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari hasil diatas
menunjukkan bahwa :
Variabel Responden Solusi memiliki nilai (Sig.> α), maka data tersebut seragam
C. Uji Validitas
Correlations
Sig. (2-tailed) N
.487 .550 .000
227
0
151
Dalam hal ini terdapat 151 data (N=151) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 151-2 = 149. Maka dari hasil uji validitas
diatas dapat dijelaskan sebagai berikut :
Correlations
227
1
Responden Solusi Tahap N_Total
Dalam hal ini terdapat 151 data (N=151) dengan tingkat signifikansi 5% pada
tabel r dengan rumus df = N-2, maka df = 151-2 = 149. Maka dari hasil uji
validitas diatas dapat dijelaskan sebagai berikut :
D. Uji Reliabilitas
227
2
Tabel 12.13 Hasil Pengolahan Uji Reliabilitas Gunung Meletus
Reliability Statistics
.680 2
Reliability Statistics
.794 2
227
3
Tabel 12.15 Hasil Pengolahan Uji Chi Square Test 2 Variabel Gunung Meletus
Cases
Tahap
1 2 3
Total
Solusi A Count 12 33 6 51
B Count 34 58 36 128
C Count 33 48 27 108
Chi-Square Tests
227
4
Chi-Square Tests
x² tabel = 11.07
227
5
Tabel 12.16 Hasil Pengolahan Uji Chi Square Test 2 Variabel Virus Corona
Chi-Square Tests
a. 0 cells (.0%) have expected count less than 5. The minimum expected
count is
Tahap
1 2 3
Total
Solusi A Count 16 15 25 56
B Count 38 16 20 74
C Count 78 39 57 174
227
6
1. Penentuan Hipotesis (H0 dan H1)
H0 = Solusi tidak dapat pencegahan dan penanggulangan virus corona
x² tabel = 11.07
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji chi square satu variabel menunjukan
bahwa data yang di peroleh dari kuesioner terhadap 150 responden tersebut
menunjukan data tersebut normal karena nilai sig. lebih dari nilai alpha (0,05), data
seragam karena pada pengujian keseragaman data menunjukan hasil nilai sig. lebih
dari nilai alpha (0,05), data valid karena nilai N_Total pada correlation lebih besar
dari nilai r tabel, data reliabel karena terlihat bahwa nilai Cronbach’s Alpha pada 2
of items pernyataan. Nilai tersebut berada diatas range 0,601 – 0,80 yang artinya
bahwa pernyataan tersebut reliabel. Pada uji chi square dua variabel tersebut
menghasilkan bahwa dengan tingkat signifikansi 5% untuk masing-masing kasus
gunung meletus dan virus corona menunjukan bahwa hasil uji chi square dua
variabel kurang dari nilai x² tabel yang dapat diartikan bahwa tolak H0 bahwa solusi
tidak dapat pencegahan dan penanggulangan gunung meletus dan virus corona.
227
7
12.11 Kesimpulan
227
8
BAB XIII
STATISTIKA NON PARAMETRIK SAMPLE K-S ONE SAMPLE
KOLMOGOROV SMIRNOV
Data yang digunakan adalah data yang sama seperti pada Uji Normalitas
dengan Geary’s Test.
227
9
Tabel 13.1 Contoh Hasil Pengamatan Time Study
(Sumber: https://eriskusnadi.com/2012/04/07/uji-normalitas-dengan-kolmogorov-smirnov-test-pada-pspp/)
(Sumber: https://eriskusnadi.com/2012/04/07/uji-normalitas-dengan-kolmogorov-smirnov-test-
pada-pspp/)
228
0
b. Pilih distribusi normal dengan
mencentang Normal pada form Test Distribution.
(Sumber: https://eriskusnadi.com/2012/04/07/uji-normalitas-dengan-kolmogorov-smirnov-test-
pada-pspp/)
c. Terakhir klik [OK] dan hasilnya akan terlihat seperti tabel di bawah
ini.
Tabel 13.2 Output Kolmogorov–Smirnov Test
(Sumber: https://eriskusnadi.com/2012/04/07/uji-normalitas-dengan-kolmogorov-smirnov-test-
pada-pspp/)
228
1
Pertama, nilai-nilai D pada Most Extreme Differences.
Kedua, uji statistik Kolmogorov-Smirnov Z, yang mana dalam output sampel Z =
0,78.
Ketiga, p-value yang tercantum sebagai Asymp. Sig. (2-tailed), yang mana dalam
kasus ini p-value = 0,58 .
1. Most Extreme Differences
Most Extreme Differences merupakan nilai statistik D pada K-S test, terdiri dari:
a. D Positive ( D+ = supx [Fn(x) – F(x)] ) , merupakan pengurangan yang
menghasilkan angka positif terbesar.
b. D Negative ( D– = supx [F(x) – Fn(x)] ) , merupakan pengurangan yang
menghasilkan angka negatif terbesar.
Hipotesis:
H0 : data mengikuti distribusi normal
H1 : data tidak mengikuti distribusi normal
Level of significance: α = 0,05
Kriteria Uji: H0 ditolak jika D > D*(α)
Nilai D hitung adalah sebesar 0,14 dan nilai D* (α = 0,05, n = 30) yang diperoleh
dari tabel statistik adalah sebesar 0,242. Oleh karena 0,14 < 0,242 atau D < D*(α)
maka H0 diterima yang berarti data mengikuti distribusi normal.
228
2
Secara visual K-S test diperlihatkan Gambar 5 di bawah ini, di mana kita
menggambarkan CDF hipotesis pada sebuah grafik kemudian kurva jarak D di atas
dan di bawah kurva hipotesis. Jika D (garis merah) keluar garis batas levelof
significance α (garis hijau), maka dapat disimpulkan bahwa data empirik (garis
hitam) tidak mengikuti distribusi normal (lihat juga: Massey, 1951, pp. 69–71).
(Sumber: https://eriskusnadi.com/2012/04/07/uji-normalitas-dengan-kolmogorov-smirnov-test-
pada-pspp/)
2. Kolmogorov-Smirnov Z
Kolmogorov-Smirnov Z merupakan hasil dari akar kuadrat dari jumlah sampel
N dan perbedaan absolut terbesar antara CDF empiris dan CDF teoritis (Yu, Zheng,
Zhao & Zheng, 2008, p. 138), ini hampir sama dengan akar kuadrat dari jumlah
sampel N dikali D Absolute:
Z ≈ √N x D Absolute
Menurut Brito e Abreu & Goulão (2001), “Kolmogorov-Smirnov Z” adalah D
Absolute yang diubah menjadi sebuah standardized score (p. 52), yang dimaksud
standardized score adalah nilai Z dalam distribusi normal standar. Artinya, cara
pengujiannya hampir sama dengan pengujian nilai D, hanya saja
228
3
kali ini di bawah distribusi normal dengan menggunakan bantuan tabel
distribusi normal standar, yang mana:
H0 ditolak jika Z-hitung (Kolmogorov-Smirnov) > Z-tabel pada level of significance α.
Kita mempunyai Z-hitung (Kolmogorov-Smirnov) = 0,78 dengan memilih level of
significance α = 0,05 pada dua ujung wilayah kritis (the two-sided critical
region), Z-tabel pada tabel distribusi normal standar adalah 1,96. Oleh karena
0,78 < 1,96 atau Z-hitung (Kolmogorov-Smirnov) < Z-tabel, maka H0 diterima yang
berarti data mengikuti distribusi normal.
(Sumber: https://eriskusnadi.com/2012/04/07/uji-normalitas-dengan-kolmogorov-smirnov-test-
pada-pspp/)
228
4
normal sehingga data disebut data yang tidak
normal distribusinya. Sebaliknya, jika hasil pengujian tidak signifikan (p > α)
berarti perbedaan antara data dengan kurva normal tidak signifikan (tidak ada
perbedaan antara data dengan kurva normal) yang menyiratkan bahwa data
mengikuti distribusi normal.
Pada kasus ini p-value = 0,58 dengan menggunakan level of significance α =0,05
berarti pengujian tidak signifikan karena p-value = 0,58 > α = 0,05 sehingga
dapat disimpulkan bahwa data mengikuti distribusi normal.
Apabila kita menggunakan sebuah ilustrasi maka akan terlihat seperti Gambar di
bawah ini dengan area hijau untuk area p-value dan area berarsir merah untuk
area α. Data normal jika area hijau lebih luas atau menutupi area α, sebaliknya
jika data tidak normal area hijau tidak lebih luas dari area α.
(Sumber: https://eriskusnadi.com/2012/04/07/uji-normalitas-dengan-kolmogorov-smirnov-test-
pada-pspp/)
228
5
hasil observasi. Distribusi teoritis adalah apa yang kita harapkan sesuai dengan H0.
Titik dimana kedua distribusi ini - teoritis dan distribusi observasi - memiliki
perbedaan terbesar yang akan kita cari. Dengan melihat sampling distribusi kita
dapat menentukan apakah perbedaan besar ini terjadi secara random atau tidak. Uji
K-S mengasumsikan bahwa distribusi dari cariabel yang kita amai adalah kontinyu
seperti ditunjukkan oleh distribusi frekuensi kumulatif. Jadi uji ini cocok untuk
menguji goodness-of-fit suatu variabel yang diukur paling tidak dengan ukuran
skala ordinal.
Misalkan Fo(X) adalah distribusi frekuensi kumulatif yang diobservasi dari suatu
sampel random dengan N observasi. Jika Xi adalah sembarang skor yang mungkin
terjadi, maka SN (Xi) = Fi/N, Fi adalah jumlah observasi yang sama atau lebih kecil
dari Xi, Fo(Xi) adalah proporsi yang diharapkan dari observasi yang nilainya sama
atau lebih kecil dari Xi.
Dengan hipotesis nol H0 yang menyatakan bahwa sampel telah diambil dari
distribusi teoritis, diharapkan untuk setiap nilai Xi, SN (Xi) harus mendekatiFo(Xi).
Jadi jika kita yakin bahwa H0 benar, maka kita berharap bahwa perbedaanantara
SN (Xi) dan Fo(Xi) akan kecil dan berada antara batas random error. Uji K- S
memfokuskan pada nilai deviasi (penyimpangan) terbesar. Nilai absolut terbesar
dari Fo(Xi) - S Xi disebut Deviasi Maksimum disingkat D.
D = Max |Fo(Xi) - SN(Xi)| dimana i = 1, 2, ..., N
13.7 Pengumpulan Data
Berikut adalah hasil dari pengambilan data pemilihan solusi yang tepat
untuk penanganan virus oleh 300 responden:
Tabel 13.4 Kumpulan data pemilihan solusi responden
Solusi Poliomelitis HIV_AIDS Influenza Lupus Ebola Schizophrenia Alzheimer
1 98 93 73 80 88 81 83
1 81 76 71 82 76 99 90
1 70 90 81 87 97 89 92
1 88 89 95 95 78 84 97
1 98 83 78 86 82 80 90
1 95 75 83 94 94 84 92
1 88 70 80 86 73 79 95
1 93 95 72 72 84 95 85
1 90 91 75 77 72 73 88
228
6
1 75 75 92 94 74 76 86
1 86 82 70 74 99 93 85
1 95 77 95 92 84 74 73
1 99 91 72 89 91 75 99
228
7
1 83 71 81 76 77 86 92
1 89 97 71 92 82 80 90
1 75 86 75 83 76 93 89
1 100 77 93 77 95 73 90
1 90 87 80 78 95 75 97
228
8
1 55 3 15 66 59 65 51
1 4 13 29 57 17 57 65
1 38 66 39 8 68 7 68
1 13 56 50 57 28 51 20
1 62 30 11 53 53 29 20
1 33 0 55 34 27 57 32
228
9
1 66 21 44 65 32 16 56
1 27 9 23 41 32 50 4
1 37 24 29 45 23 19 57
1 51 19 4 16 66 42 37
1 26 52 20 66 33 41 11
1 7 5 62 35 5 28 9
1 36 50 45 19 57 48 45
229
0
2 99 91 96 70 77 77 84
2 79 80 75 96 98 94 96
2 93 85 76 86 84 94 79
2 70 77 80 97 90 73 71
2 86 82 83 92 85 80 71
2 87 82 82 79 74 74 82
2 92 71 71 74 100 83 92
2 78 73 94 72 93 81 87
229
1
2 72 76 98 91 70 73 98
2 77 100 98 88 79 85 80
2 100 72 94 70 95 91 97
2 76 87 73 78 98 93 85
2 81 94 86 79 91 71 91
2 87 92 78 92 88 98 94
2 61 49 35 14 66 69 32
2 36 66 67 25 20 47 52
2 69 36 60 41 52 30 52
229
2
2 33 48 32 44 12 52 60
2 31 62 66 56 7 61 27
2 51 26 19 42 25 31 28
2 6 13 66 22 22 21 23
2 36 37 51 29 61 59 23
2 47 26 67 13 39 47 26
2 6 25 54 22 65 47 7
2 1 50 41 28 6 69 8
2 41 17 59 29 21 37 68
2 21 17 58 8 1 48 6
229
3
13.8 Pengolahan Data
Berikut adalah langakah-langkah uji One Sample Kolmogorv Smirnov:
a. Input data ke dalam PASW
b. Klik Analyze – Non Parametric – 1 Sample K-S
229
4
Penentuan Hipotesis:
Daerah kritis: jika asymp sig.(2-tailed). > (α) , maka terima H0 ,asymp sig.(2-tailed).
< (α), maka tolak H0.
Uji statistik: asymp sig(2-tailed). = 0,043; (α) = 0,01 Maka sig. > (α)
229
5
One-Sample Kolmogorov-Smirnov Test 2
Poliomelitis HIV_AIDS Influenza Lupus Ebola Schizophrenia Alzheimer
229
6
c. Uji Distribusi Poisson
Tabel 13.7 Hasil Uji Distribusi Poisson
Penentuan Hipotesis
Daerah kritis: jika asymp sig.(2-tailed). > (α) , maka terima H0 ,asymp sig.(2-tailed).
< (α), maka tolak H0.
Uji statistik: asymp sig(2-tailed). = 0,116; (α) = 0,01 Maka sig. > (α)
229
7
= 0,166 > 0,01.
Uji statistik: asymp sig(2-tailed). = 0,156; (α) = 0,01 Maka sig. > (α)
= 0,269 > 0,01.
= 0,133 > 0,01.
229
8
= 0,110 > 0,01.
= 0,093 > 0,01.
= 0,129 > 0,01.
= 0,056 > 0,01.
Keputusan: Karena sig. > (α) maka terima H0 tolak H1
Kesimpulan: jadi tingkat signifikansi 1% di dapatkan kesimpulan bahwa rata-rata
hasil penelitian perkembangan penyakit terhadap virus pada 300 orang secara acak
tidak terdapat persamaan saling mempengaruhi sehingga distribusi exponential.
229
9
Sehingga dengan solusi menggunakan musuh alami, menjinakan virus
menggunakan rekayasa genetika, pemusnahan sumber virus lingkungan eksternal
skala besar, dan mematikan ruang eksternal perkembangan virus. Dengan objek
penelitian pada virus poliomyelitis, HIV/AIDS, influenza, lupus, ebola,
schizophrenia, dan Alzheimer dan diambil sampel penelitian terhadap 300
responden menunjukan hasil bahwa jawaban solusi yang diambil oleh 300
responden dua tertinggi yaitu dengan solusi menggunakan musuh alami dan
pemusnahan sumber virus lingkungan eksternal skala besar.
Diharapkan dengan hasil pengolahan dan pengujian data tersebut
pemerintah dapat mempersiapkan segala rencana atau sekenario dalam menghadapi
ketujuh virus tersebut dengan kedua solusi yang terpilih. Selain itu juga tenaga
medis harus bekerja lebih ekstra untuk membuat solusi tersebut dapat benar-benar
menangani virus tersebut dengan baik dan cepat. Dan diharapkan semuanya mulai
dari masyarakat, tenaga medis dan pemerintah dapat bekerja sama untuk
merealisasikan solusi tersebut dengan baik dan agar supaya masyarakat tidak selalu
dihantui dengan virus-virus tersebut disetiap harinya karena akan ada solusi yang
dapat membuat virus tersebut musnah.
230
0
BAB XIV
STATISTIKA NON PARAMETRIK KS (UJI MANN WHITNEY)
300
tempat yang tepat. Sesuai dengan era globalisasi terus meningkatkan teknologi
informasi untuk memenuhi kebutuhan pelanggan, dan melalui manajemen efisiensi
berusaha berkontribusi bagi para pemegang saham. PT Merapi Utama manajemen
Pharma menciptakan budaya perusahaan yang unik yang mendorong dan
meningkatkan pemikiran kreatif individu dalam kerangka tim, dengan menerapkan
3 F (Focus, Fast dan Flexible). Focus, fokus pada upaya meningkatkan pelayanan.
FAST, cepat dalam melanjutkan tindakan yang diperlukan. Fleksible, fleksibel
dalam melaksanakan kebijakan bisnis, yang didasarkan pada prinsip win-win.
Meskipun para wiraniaga sudah teruji dan berpengalaman bertahun-tahun, untuk
dapat mewujudkan visi dan misinya, maka dalam penjualan suatu produk baru
perusahaan mengadakan pelatihan, kemudian diteliti hasilnya selama satu bulan.
Analisis dengan SPSS
(Sumber: https://journal.binus.ac.id/index.php/BBR/article/view/1221)
(Sumber: https://journal.binus.ac.id/index.php/BBR/article/view/1221)
Hipotesis penelitian ini terdiri dari: Ho = Kedua populasi identik (Data penjualan kedua
kelompok tidak berbeda secara signifikan); dan Hi = Kedua populasi tidak identik atau
berbeda dalam hal lokasi (data penjualan kedua kelompok wiraniaga memang berbeda
secara signifikan). Pengambilan Keputusan Jika probabilitas > 0.05, maka Ho diterima.
301
Jika probabilitas < 0.05, maka Ho ditolak. Terlihat bahwa pada kolom Exact.Sig. (2-
tailed)/significance untuk uji dua sisi adalah 0.096, atau probabilitas di atas 0.05 (0.096 >
0.05). Maka Ho diterima, atau kinerja Penjualan kelompok wiraniaga yang tidak mendapat
pelatihan tidak berbeda dengan kinerja kelompok wiraniaga yang mendapat pelatihan
302
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
303
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
304
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
305
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
306
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
307
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
308
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
309
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
310
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
311
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
312
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
313
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
314
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
315
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
316
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
317
Lanjutan Tabel 143 Kumpulan data 300 responden selama 30 hari
318
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
319
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
320
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
321
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
322
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
323
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
324
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
325
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
326
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
327
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
328
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
329
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
330
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
331
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
332
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
333
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
334
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
335
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
336
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
337
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
338
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
339
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
340
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
341
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
342
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
343
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
344
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
345
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
346
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
347
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
348
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
349
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
350
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
351
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
352
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
353
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
354
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
355
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
356
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
357
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
358
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
359
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
360
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
361
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
362
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
363
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
364
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
365
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
366
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
367
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
368
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
369
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
370
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
371
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
372
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
373
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
374
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
375
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
376
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
377
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
378
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
379
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
380
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
381
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
382
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
383
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
384
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
385
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
386
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
387
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
388
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
389
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
390
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
391
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
392
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
393
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
394
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
395
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
396
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
397
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
398
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
399
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
400
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
401
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
402
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
403
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
404
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
405
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
406
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
407
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
408
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
409
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
410
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
411
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
412
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
413
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
414
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
415
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
416
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
417
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
418
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
419
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
420
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
421
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
422
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
423
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
424
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
425
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
426
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
427
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
428
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
429
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
430
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
431
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
432
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
433
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
434
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
435
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
436
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
437
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
438
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
439
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
440
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
441
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
442
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
443
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
444
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
445
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
446
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
447
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
448
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
449
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
450
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
451
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
452
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
453
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
454
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
455
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
456
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
457
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
458
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
459
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
460
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
461
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
462
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
463
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
464
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
465
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
466
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
467
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
468
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
469
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
470
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
471
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
472
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
473
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
474
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
475
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
476
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
477
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
478
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
479
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
480
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
481
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
482
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
483
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
484
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 har
485
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 har
486
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
487
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
488
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
489
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
490
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
491
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
492
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
493
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
494
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
495
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
496
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
497
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
498
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
499
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
500
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
501
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
502
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
503
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
504
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
505
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
506
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
507
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
508
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
509
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
510
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
511
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
512
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
513
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
514
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
515
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
516
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
517
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
518
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
519
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
520
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
521
Lanjutan Tabel 14.3 Kumpulan data 300 responden selama 30 hari
Gambar 14.2 Kotak Dialog Two Independent Samples Test: Define Groups
(Sumber: Olah Data 2020)
522
e. Klik continue
f. Klik OK
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Kepuasan Menggunakan musuh alami .103 4500 .054 .939 4500 .000
Pemusnahan sumber virus .112 4500 .086 .933 4500 .000
523
(Sumber: Olah Data 2020)
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
a. Variabel kepuasan memiliki nilai (Sig.> α), maka data tersebut seragam
c. Uji Validitas
Tabel 14.6 Hasil Uji Validitas
Correlations
Solusi_Penanganan_
Virus Kepuasan N_Total
Dalam hal ini terdapat 9000 data (N=9000) dengan tingkat signifikansi 5% pada
tabel r dengan rumus df = 9000-2, maka df = 9000-2 = 8998. Maka dari hasil uji
validitas diatas dapat dijelaskan sebagai berikut :
524
d. Uji Reliabilitas
.700 2
e. Uji Mann-Whitney
Ranks
Solusi_Penanganan_Virus N Mean Rank Sum of Ranks
Test Statisticsa
Kepuasan
Mann-Whitney U 1,011E7
Wilcoxon W 2,024E7
Z -,100
Asymp. Sig. (2-tailed) ,921
a. Grouping Variable:
Solusi_Penanganan_Virus
525
Hₒ = rata-rata hasil penelitian perkembangan penyakit terhadap virus tidak terdapat
perbedaan
H₁ = rata-rata hasil penelitian perkembangan penyakit terhadap virus terdapat
perbedaan
Tingkat signifikan (α) 1%
Daerah kritis: jika asymp sig.(2-tailed). > (α) , maka terima H0 ,asymp sig.(2-tailed).
< (α), maka tolak H0.
Uji statistik: asymp sig(2-tailed). = 0,921; (α) = 0,01 Maka sig. > (α)
Keputusan: Karena sig. > (α) maka terima H0 tolak H1
Kesimpulan: jadi tingkat signifikansi 1% di dapatkan kesimpulan bahwa rata-rata
hasil penelitian perkembangan penyakit terhadap virus tidak terdapat perbedaan.
14.10 Analisis Hasil Pengolahan Data
Analisis hasil pengolahan data dan pengujian diatas bahwa pada pengujian
dan pengolahan data pada studi kasus tersebut dilakukan dengan beberapa metode
pengujian terlebih dahulu untuk menguji mann-whitney test antara lain yaitu uji
normalitas, uji keseragaman data, uji validitas, uji relibilitas kemudian baru diuji
mann-whitney test. Hasil dari pengolahan dan pengujian dari data diatas
menunjukan bahwa untuk uji normalitas dari data tersebut hasilnya normal semua
karena dari semua variabel menunjukan nilai yang dihasilkan oleh pengolahan
tersebut di atas dari nilai alpha (0,05). Pada uji keseragaman pada masing-masing
variable pengolahan data menghasilkan nilai lebih dari nilai alpha (0,05) yang
berarti data disetiap variabel tersebut memiliki keseragaman data. Untuk uji
validitas terdapat 9000 data (N=9000) dengan tingkat signifikansi 5% pada tabel r
dengan rumus df = N-2, maka df = 9000-2 = 8998 dan hasil dari pengolahan data
tersebut menunjukan nilai yang diperoleh dari masing-masing variabel lebih dari r
tabel yang artinya semua data tersebut valid. Pada pengujian relibilitas sesuai
dengan tabel Reliability Statistik terlihat bahwa nilai Cronbach’s Alpha adalah
0,700 pada 5 of items pernyataan. Bahwa nilai tersebut berada di range 0,601 – 0,80
yang artinya bahwa pernyataan tersebut reliabel. Untuk mann-whitney test
menunjukan bahwa nilai asymp sig (2 tailed) yaitu 0.921, dengan nilai signifikasi
1% (0.01) yang artinya sesuai dengan penentuan hipotesis di atas yaitu dengan
526
tingkat signifikasi 1% dapat disimpulkan bahwa rata-rata hasil penelitian
perkembangan penyakit terhadap virus tidak terdapat perbedaan. Untuk uji
peringkat atau rank dari kedua solusi paling tertinggi yaitu solusi penanganan virus
menggunakan musuh alami.
14.11 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan data dan pengujian data
di atas antara lain yaitu dari hasil yang sudah diperoleh menunjukan bahwa data
yang didapat setelah di uji normalitas, keseragaman data, validitas dan mann-
whitney test telah normal, seragam, valid dan reliabilitas. Begitu pula dengan
mann-whitney test hasil menunjukan bahwa data tersebut tidak terdapat perbedaan.
Dari pengolahan dan pengujian data yang sudah dilakukan di atas dapat
diketahui bahwa untuk penelitian tahap kedua untuk menguji hasil penanganan
tersebut pada kedua virus yang sudah didapat dari hasil pengujian sebelumnya yang
dilakukan simulasi selama 30 hari menunjukan bahwa untuk solusi penanganan
virus yang di dapat yaitu menggunakan musuh alami. Dengan hasil yang sudah
didapat dari pengolahan dan pengujian data tersebut pemerintah dan dinas
kesehatan dapat segera melakukan tindakan lanjut untuk lebih fokus ke penanganan
virus dengan musuh alami. Musuh alami disini yang dimaksud mungkin bias jadi
seperti bahan-bahan alami yang ada disekitar kita yang berfungsi untuk menangkal,
dan mungkin lebih mudah di cari di lingkunga sekitar dan terjangkau untuk
harganya. Diharap masyarakat tidak kesulitan dengan solusi seperti ini. Dengan
bantuan dan kerjasama antara masyarakat, dinas kesehatan dan pemerintah pasti
semua masalah dapat tertangani dengan baik.
527
BAB XV
STATISTIKA NON PARAMETRIK KOLMOGOROV SMIRNOV
15.3 Tujuan
15.4 Manfaat
528
3. Memperoleh penjelasan mengenai data perkembangan impor benang pintal
di negara india dari tahun ke tahun
15.5 Literatur
♦ Masing-masing sampel independen satu sama lain X1, X2, …, Xn dan Y1, Y2,
…, Ym. ♦ Skala pengukuran yang digunakan sekurang-kurangnya ordinal.
Hipotesis
Misalkan F(x) dan G(x) masing-masing merupakan fungsi distribusi untuk populasi
1 dan 2, yang mewakili X dan Y.
H1 : F(x) > G(x) untuk paling sedikit satu nilai x atau sebaliknya
Sn1(X) adalah nilai pengamatan kumulatif salah satu sampel yang besarnya adalah
= k/n1. Dimana k adalah jumlah yang sama atau lebih kecil daripada X, sedangkan
n1 merupakan jumlah observasi di sampel 1. merupakan nilai pengamatan
kumulatif dari sampel lain, yang besarnya = k/n2, dimana n2 adalah jumlah
observasi pada sampel 2. Sehingga uji Kolmogorov-Smirnov untuk dua sampel
adalah
D = maksimum [Sn1(X)-Sn2(X)]
529
Uji dua arah
D = maksimum [Sn1(X)-Sn2(X)]
Uji kolmogorov smirnov merupakan salah satu uji untuk kebaikan goodness of
fit. Uji ini digunakan untuk membandingkan tingkat kesesuaian sampel dengan
suatu distribusi tertentu yaitu normal, uniform, poisson atau eksponensial. Uji
kolmogorov Smirnov merupakan suatu goodness-of-fit, artinya yang perlu
diperhatikan adalah tingkat kesesuaian antara distribusi serangkaian harga sampel
(skor yang diobservasi) dengan suatu distribusi teoritis tertentu.
Uji kolmogorov smirnov ini menetapkan apakah skor dalam sampel dapat secara
masuk akal dan dianggap berasal dari suatu populasi dengan distribusi teoritis itu.
Uji ini merupakan suatu uji yang sangat bermanfaat untuk menguji hipotesis tentang
cocok (goodness of fit) atau ketidak cocokan data ordinal pada suatu distribusi.
Prosedur estimasi parameter menggunakan data dari sampel. Mean dan standar
deviasi sampel adalah parameter untuk distribusi normal, nilai minimum dan
maksimum sampel menentukan range distribusi uniform. Mean sampel adalah
parameter untuk distribusi poisson dan eksponensial.
530
15.7 Pengumpulan Data
Berikut adalah kumpulan data hasil dari benang pintal di Negara India pada
tahun 2012 hingga 2014.
Tabel 15.5 Kumpulan data benang pintal di Negara India pada tahun 2012 hingga
2014
531
Lanjutan Tabel 15.5 Kumpulan data benang pintal di Negara India pada tahun 2012
hingga 2014
Tahun Komoditi Jumlah Import N_Total
Benang Pintal
2013 1 12.7 13.7
2013 1 264.5 265.5
2013 1 11.5 12.5
2013 1 22.3 23.3
2013 2 174.5 176.5
2013 2 7.6 9.6
2013 2 68.6 70.6
2013 2 88.5 90.5
2013 2 76.4 78.4
2013 2 98.5 100.5
2013 2 102.1 104.1
2013 2 256.7 258.7
2013 2 87.3 89.3
2013 2 91.0 93.0
2013 2 10.1 12.1
2013 2 9.7 11.7
2013 2 14.6 16.6
2013 2 57.8 59.8
2013 2 98.4 100.4
2014 1 208.6 209.6
2014 1 62.4 63.4
2014 1 454.1 455.1
2014 1 50.9 51.9
2014 1 118.4 119.4
2014 1 132.3 133.3
2014 1 21.8 22.8
2014 1 5.0 6.0
2014 1 38.1 39.1
2014 1 24.5 25.5
2014 1 11.8 12.8
2014 1 8.9 9.9
2014 1 306.0 307.0
2014 1 44.9 45.9
2014 1 166.2 167.2
2014 2 304.2 306.2
2014 2 42.0 44.0
2014 2 68.6 70.6
2014 2 315.2 317.2
2014 2 241.8 243.8
2014 2 141.2 143.2
2014 2 949.0 951.0
2014 2 99.5 101.5
2014 2 97.2 99.2
2014 2 15.8 17.8
(Sumber: Olah Data 2020)
532
Lanjutan Tabel 15.5 Kumpulan data benang pintal di Negara India pada tahun 2012
hingga 2014
Tahun Komoditi Jumlah Import N_Total
Benang Pintal
2014 2 76.9 78.9
2014 2 22.7 24.7
2014 2 125.0 127.0
2014 2 67.9 69.9
(Sumber: Olah Data 2020)
d. Klik difine groups, masukkan nilai variabel terkait di kotak group 1 dan group
2.
533
Gambar 15.2 Kotak Dialog Two Independent Samples Tests
(Sumber: Olah Data 2020)
e. Klik Continue
f. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Kolmogorov Smirnov.
F. Uji Normalitas
Tabel 15.6 Hasil Pengolahan Uji Normalitas benang pintal di Negara India pada tahun
2012 hingga 2014
Tests of Normality
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
normal (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari
hasil diatas menunjukkan bahwa:
534
d. Variabel Jumlah Import Benang Pintal Lebih dari 85% memiliki nilai (Sig.> α),
maka data tersebut normal
e. Variabel Jumlah Import Benang Pintal Kurang dari 85% memiliki nilai (Sig.>
α), maka data tersebut normal
G. Keseragaman Data
Tabel 15.7 Hasil Pengolahan Uji Keseragaman Data benang pintal di Negara India
pada tahun 2012 hingga 2014
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Variabel Jumlah Import Benang Pintal memiliki nilai (Sig.> α), maka data tersebut
seragam
535
H. Uji Validitas
Tabel 15.8 Hasil Pengolahan Uji Validitas benang pintal di Negara India pada tahun
2012 hingga 2014
Correlations
Jumlah_Import_
Tahun Komoditi Benang_Pintal N_Total
Dalam hal ini terdapat 90 data (N=90) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 90-2 = 88. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
536
I. Uji Reliabilitas
Tabel 15.9 Hasil Pengolahan Uji Reliabilitas benang pintal di Negara India pada
tahun 2012 hingga 2014
Reliability Statistics
Cronbach's
Alphaa N of Items
,615 2
Tabel 15.10 Hasil Pengolahan Uji Kolmogorov Smirnov benang pintal di Negara
India pada tahun 2012 hingga 2014
Frequencies
Komoditi N
537
Test Statisticsa
Jumlah_Import_
Benang_Pintal
Positive ,111
Negative -,156
Kolmogorov-Smirnov Z ,738
Asymp. Sig. (2-tailed) ,648
Penentuan Hipotesis
Hₒ = Jumlah import Benang Pintal berdasarkan komoditi tidak terdapat persamaan
H₁ = Jumlah import Benang Pintal berdasarkan komoditi terdapat persamaan
Tingkat Signifikasi (α) = 1%
Daerah Kritis: Jika nilai sig (2 tailed) > α, terima Hₒ
Jika nilai sig (2 tailed)< α, tolak H₁
Uji Statistik
Nilai sig (2 tailed) = 0,648
Nilai α = 0,01
Keputusan
Sig (2 tailed) > α atau 0,648 > 0,01
Maka, terima Hₒ
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0,01) dapat disimpulkan bahwa jumlah
import benang pintal berdasarkan komoditi tidak terdapat persamaan.
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji Kolmogorov smirnov menunjukan
bahwa data yang di peroleh dari Kementrian Perindustrian Republik Indonesia
terhadap 90 data benang pintal di Negara India pada tahun 2012 hingga 2014
538
tersebut menunjukan data tersebut normal karena nilai sig. lebih dari nilai alpha
(0,05), data seragam karena pada pengujian keseragaman data menunjukan hasil
nilai sig. lebih dari nilai alpha (0,05), data valid karena nilai N_Total pada
correlation lebih besar dari nilai r tabel, data reliabel karena terlihat bahwa nilai
Cronbach’s Alpha pada 2 of items pernyataan. Nilai tersebut berada diatas range
0,601 – 0,80 yang artinya bahwa pernyataan tersebut reliabel. Pada kolmogorov
smirnov tersebut menghasilkan bahwa dengan tingkat signifikansi 5% untuk
masing-masing data benang pintal di Negara India pada tahun 2012 hingga 2014
menunjukan bahwa hasil uji kolmogorov smirnov komoditi tidak terdapat
persamaan yang dapat diartikan bahwa terima H0 data benang pintal di Negara
India pada tahun 2012 hingga 2014.
15.11 Kesimpulan
Kesimpulan yang dapat diambil untuk data benang pintal di Negara India
pada tahun 2012 hingga 2014 yaitu antara lain dari pengolahan data di atas sudah
jelas menunjukan hasil pengolahan data dengan metode kolmogorov smirnovbahwa
data yang di peroleh dari Kementrian Perindustrian Republik Indonesia.
539
15.1 Latar Belakang
15.3 Tujuan
(1) Mengetahui hasil uji hipotesis dua sampel independen berdasarkan Uji
Kolmogorov Smirnov Dua Sampel pada statistika nonparametrik.
540
15.4 Manfaat
(1) Setelah mengetahui prosedur uji hipotesis dua sampel independen pada
statistik nonparametrik berdasarkan Uji Kolmogorov Smirnov Dua
Sampel diharapkan pembaca dapat menerapkannya dalam pengujian
hipotesis dua sampel independen berdasar statistika nonparametrik.
(2) Bagi para peneliti dan para pembaca pada umumnya, hasil penelitian ini
dapat digunakan sebagai bahan acuan maupun sumber referensi.
15.5 Literatur
Suatu penelitian dilakukan pada beberapa bank. Penelitian ini bertujuan untuk
mengetahui tentang ada tidaknya perbedaan kualitas manajemen antara Bank-Bank
yang dianggap favorit oleh masyarakat dan Bank yang tidak favorit. Penelitian ini
menggunakan sampel 12 Bank yang dianggap tidak favorit (Kelompak A) dan 15
Bank yang dianggap favorit (Kelompok B). Selanjutnya kedua kelompok Bank
tersebut diukur kualitas manajemennya dengan menggunakan instrumen khusus
yang terdiri dari butir-butir pertanyaan. Skor penilaian yang diberikan tertinggi 40
dan terendah 0 (α = 0,05). (Ritongga, 1987)
Data :
(Sumber: http://sigitnugroho.id/e-Skripsi/0505%20Uji%20Median%20Mann-Whitney-
Wlcoxon%20Kolmogorov-Smirnov.pdf)
541
Hipotesis :
Tolak H0 apabila nilai signifikansi > 0,05 , Terima H0 apabila nilai signifikansi <
0,05.
Langkah-langkah SPSS
9. Buka lembar file, pilih menu new, lalu klik data. Dan inputkan data
12. Pindahkan variabel yang akan dianalisia dalam kotak Test Variable
Kolmogorov Smirnov.
13. Klik Continue, kemudian klik OK sehingga akan muncul output SPSS.
542
Hasil output SPSS :
Test Statisticsa
Penilaian
Positive .000
Negative -1.000
Kolmogorov-Smirnov Z 2.582
(Sumber: http://sigitnugroho.id/e-Skripsi/0505%20Uji%20Median%20Mann-Whitney-
Wlcoxon%20Kolmogorov-Smirnov.pdf)
543
yang berkaitan dengan uji hipotesis dua sampel independen pada statistika
nonparametrik berdasarkan Uji Kolmogorov Smirnov Dua Sampel dan simulasinya
dengan program SPSS.
Metode pengujian data ini terdiri dari uji kualitas data dengan syarat bahwa data
harus valid dan reliabel. Data dinyatakan valid apabila masing-masing indikator
menunjukkan hasil lebih besar dari 5% dari total skor produksi. Untuk pengukuran
reliabilitas diuji dengan statistik Crobanch Alpha dan variabel dikatakan reliabel
jika memberikan nilai Grobanch Alpha > 0,70 (Nunnally, 1967 dalam Ghozali,
2012:46). Uji asumsi klasik yang digunakan dalam penelitian ini yaitu uji
normalitas dan uji homogenitas.
Tabel 15.3 Data statistik perkembangan impor dan perkembangan ekspor kelompok industri tekstil
dari Inggris pada tahun 2012-2016
544
Tahun Sub_Sektor Jumlah_Impor Jumlah_Ekspor
2014 1 4377 10872
2014 1 5130 4729
2014 1 925 14444
2014 1 530 5049
2014 1 539 184
2014 2 474 8191
2014 2 26 0
2014 2 40 0
2014 2 0 34
2015 1 4477 11644
2015 1 6390 4698
2015 1 557 10965
2015 1 415 3708
2015 1 418 55
2015 2 359 9645
2015 2 16 0
2015 2 30 8
2015 2 0 52
2016 1 6855 10355
2016 1 6002 3853
2016 1 659 11220
2016 1 464 1830
2016 1 322 106
2016 2 47 9010
2016 2 9 0
2016 2 4 0
2016 2 2 16
545
Gambar 15.1 Kotak Dialog Two Independent Samples Test
(Sumber: Olah data 2020)
d. Klik define groups, masukkan nilai variabel terkait pada kotak group 1 dan 2.
e. Klik Continue
f. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Kolmogorov-Smirnov.
546
A. Uji Normalitas
Tabel 15.4 Hasil Pengolahan Uji Normalitas data perkembangan impor dan perkembangan ekspor
kelompok industri tekstil dari Inggris pada tahun 2012-2016
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
Variabel Jumlah_Impor dan Jumlah_Ekspor memiliki nilai Sig. 0.200 > 0,01,
yang berarti data tersebut normal.
547
B. Uji Keseragaman Data
Tabel 15.5 Hasil Pengolahan Uji Keseragaman data perkembangan impor dan perkembangan
ekspor kelompok industri tekstil dari Inggris pada tahun 2012-2016
Analisis uji keseragaman dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Variabel Jumlah Impor dan Jumlah Ekspor memiliki nilai (Sig.> α), maka data
tersebut seragam.
548
C. Uji Validitas
Tabel 15.6 Hasil Pengolahan Uji Validitas data perkembangan impor dan perkembangan ekspor
kelompok industri tekstil dari Inggris pada tahun 2012-2016
Correlations
N 45 45 45 45
N 45 45 45 45
N 45 45 45 45
N 45 45 45 45
Dalam hal ini terdapat 45 data (N=45) dengan tingkat signifikansi 1% pada tabel
r dengan rumus df = N-2, maka df = 45-2 = 43. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
549
D. Uji Reliabilitas
Tabel 15.7 Hasil Pengolahan Uji Reliabilitas data perkembangan impor dan perkembangan ekspor
kelompok industri tekstil dari Inggris pada tahun 2012-2016
Reliability Statistics
Cronbach's
Alpha N of Items
.418 3
E. Uji Kolmogorov-Smirnov
Tabel 15.8 Hasil Pengolahan Uji Kolmogorov-Smirnov data perkembangan impor dan
perkembangan ekspor kelompok industri tekstil dari Inggris pada tahun 2012-2016
Frequencies
Sub_Sektor N
Jumlah_Impor Bahan Kain 25
Bahan Serat 20
Total 45
Jumlah_Ekspor Bahan Kain 25
Bahan Serat 20
Total 45
550
Test Statisticsa
Jumlah_Impor Jumlah_Ekspor
3. Daerah kritis :
4. Uji statistik :
Sig. (2 tailed) = 0,200 , α = 0,01. Maka sig. (2 tailed) > α , 0,200 > 0,01
6. Keputusan :
551
6. Kesimpulan :
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji Kolmogorov-Smirnov menunjukan
bahwa data yang di peroleh dari data statistik perkembangan impor dan
perkembangan ekspor kelompok industri tekstil dari Inggris pada tahun 2012-2016
tersebut menunjukan data tersebut normal karena nilai sig. lebih dari nilai alpha
(0,01), data seragam karena pada pengujian keseragaman data menunjukan hasil
nilai sig. lebih dari nilai alpha (0,01), data valid karena nilai N_Total pada
correlation lebih besar dari nilai r tabel, data reliabel karena terlihat bahwa nilai
Cronbach’s Alpha pada 2 of items pernyataan nilai tersebut berada diatas range
0,418 – 0,80 yang artinya bahwa pernyataan tersebut reliabel. Pada ujiKolmogorov-
Smirnov tersebut menghasilkan bahwa dengan tingkat signifikansi 1% menunjukan
bahwa hasil uji Kolmogorov-Smirnov lebih dari nilai alpha (0,01) yang dapat
diartikan tolak H0 bahwa terdapat perbedaan yang signifikan antara perkembangan
impor dan perkembangan ekspor kelompok industri tekstil dari Inggris pada tahun
2012-2016.
15.11 Kesimpulan
Kesimpulan yang didapat dari praktikum kali ini antara lain yaitu dari
pengolahan data dapat kita ketahui bahwa tolak H0 karena nilai sig (2-tailed) lebih
besar dari tingkat signifikansinya yang artinya bahwa terdapat perbedaan yang
signifikan antara perkembangan impor dan perkembangan ekspor kelompok
industri tekstil dari Inggris pada tahun 2012-2016.
552
global ekonomi dunia, hingga menyentuh titik terendah pada 2015. Namun sektor
industri bisa bangkit kembali dengan pertumbuhan yang positif.
553
15.1 Latar Belakang
Menteri Perdagangan (Mendag) Enggartiasto Lukita menegaskan produk
tekstil dan produk tekstil (TPT) Indonesia yang berdaya saing tinggi dan berkualitas
unggul berpeluang besar untuk terus ditingkatkan ekspor dan pangsa pasarnya di
dunia. Salah satu target ekspor adalah ke negara tetangga yaitu negara Malaysia.
Produk tekstil yang di ekspor ke negara Malaysia salah satunya antara lain yaitu
kain tenunan. Kain tenunan yang diekspor memiliki banyak komoditi sebagai
contohnya yaitu Woven fabrics of synt filament yarn from polyester cont >85% dan
Woven fabrics of synt filament yarn from polyester cont <85% yang semua datanya
dapat di lihat pada website Kementrian Perindustrian Republik Indonesia.
15.2 Rumusan Masalah
Dari studi kasus tersebut dapat diketahui rumusan masalah yaitu bagaimana
perkembangan kain tenunan yang di ekspor di Negara Malaysia dengan komoditi
Woven fabrics of synt filament yarn from polyester cont >85% dan Woven fabrics
of synt filament yarn from polyester cont <85% pada tahun 2012-2016 dan apa yang
pemerintah harus lakukan untuk hasil dari pengolahan data tersebut?
15.3 Tujuan
Tujuan dari penyelesaian studi kasus diatas yaitu antara lain dapat
mengetahui data statistik perkembangan komoditi kain tenunan untuk ekspor ke
Negara Malaysia pada tahun 2012 sampai dengan tahun 2016.
15.4 Manfaat
Manfaat dari pengujian studi kasus ini yaitu antara lain dapat mengetahui
data yang dapat menjadi acuan, tolak ukur dan evaluasi pemerintah dalam hal
ekspor tekstil ke sejumlah negara salah satu contohnya yaitu Malaysia.
15.5 Literatur
Studi Kasus :
Pada tahap ini dilakukan kajian pustaka, yakni mengkaji permasalahan
secara teoritis berdasarkan sumber-sumber pustaka yang relevan. Kemudian
mengumpulkan, memilih dan menganalisa dari beberapa sumber bacaan yang
berkaitan dengan uji hipotesis dua sampel independen pada statistika nonparametrik
berdasarkan Uji Kolmogorov Smirnov Dua Sampel dan simulasinya dengan
program SPSS.
554
Uji Kolmogorov Smirnov Dua Sampel untuk menganalisis data yang telah
diperoleh dan membuat simulasinya dengan program SPSS. Adapun langkah-
langkah pengolahan data dengan program SPSS 16.00 for windows adalah sebagai
berikut:
(1) Pemasukan data ke SPSS
a. Buka lembar file, pilih menu new, lalu klik data. Dan inputkan data. Misal data
skor
sebagai berikut:
Gambar 15.1 Data Skor Kebugaran Fitnes Pagi dan Siang Hari
(Sumber: https://lib.unnes.ac.id/)
SPSS tidak akan bisa membaca variabel kategorik yang dalam kasus ini dibaca
string (pagi dan siang). Oleh karena itu pagi dan siang akan diganti dengan skor 0
untuk pagi, dan 1 untuk malam.
555
b. Menamai variabel dan property yang diperlukan. Langkah berikutnya membuat
nama
untuk setiap variabel baru, jenis data, label data, dan sebagainya. Untuk ini, klik tab
variebel view yang ada di bagian kiri bawah.
(2) Untuk melakukan analisis, klik Analyze, klik Non-Parametric Tests, klik 2
Independent Samples sehingga akan tampil kotak Two Independent Samples Test
(3) Pindahkan variabel yang akan dianalisia dalam kotak Test Variable List dan
variabel grup pada Grouping Variable. Untuk pengisian grup klik tombol Define
Group masing-masing Group 1 dan Group 2. Setelah pengisisan selesai tekan
Continue. Klik kotak Mann-Whitney pada kotak Test Type untuk menguji Mann-
Whitney dan klik kotak Kolmogorov Smirnov pada kotak Test Type untuk menguji
Kolmogorov Smirnov
(4) Klik Continue, kemudian klik OK sehingga akan muncul output SPSS
Untuk sampel besar (n1 atau n2 yang lebih dari 40), pengujian signifikansinya dapat
menggunakan berbagai rumus yang didasarkan pada tingkat kesalahan yang
ditetapkan. Misalnya untuk kesalahan 5 % (0,05) harga D sebagai pengganti tabel
dapat dihitung dengan rumus:
n1+n2
Kp = 1,36 √
n1−n2
556
terhadap anggota-anggota sampel dengan asal-usul sembarang. Dalam kedua
kemungkinan tersebut tidak perlu kedua sampel memiliki ukuran (sample size) yang
sama.
Tes dua sampel Kolmogorov Smirnov adalah tes yang digunakan untuk mengetahui
apakah dua sampel bebas (independent) berasal dari populasi yang sama. Artinya
tes ini diterapkan dalam kaitan pembuktian apakah sampel yang diambil berasal
dari satu populasiyang sama atau populasi yang berbeda. Sebagaimana yang
berlaku pada kasus satu sampel tes Kolmogorov Smirnov dua sampel secara prinsip
memperhatikan kesesuaian antara dua distribusi kumulatif jika kasus satu sampel
memperhatikan kesesuaian antara distribusi kumulatif harga sampel dengan
distribusi teoritis maka pada kasus dua sampel tes ini memperhatikan kesesuaian
antara duahimpunan harga sampel. Apabila dua sampel ditarik dari populasi yang
sama maka distribusi kumulatif kedua sampel berada pada kondisi berdekatan.
Sebaliknya jika distribusi frekuensi kumulatif kedua sampel posisinya berjauhan
(pada titik dimanapun berada) maka sampel-sampel dapat dinyatakan berasal dari
populasi yang berbeda. Dengan demikian fakta yang menjadi dasar untuk membuat
kesimpulan apakah dua sampel berasal dari populasi yang sama atau tidak adalah
memperhatikan deviasi yang cukup besar antara distribusi kumulatif kedua sampel.
15.7 Pengumpulan Data
Berikut adalah kumpulan data dari Perkembangan Ekspor Kelompok Kain
Tenunan Ke Malaysia dengan komoditi Woven fabrics of synt filament yarn from
polyester cont >85% dan Woven fabrics of synt filament yarn from polyester cont
<85%.
Tabel 15.1 Kumpulan Data Perkembangan Ekspor Kain Tenunan
Tahun Komoditi Jumlah_Ekspor_Kain_Tenunan Jumlah_Impor_Kain_Tenunan
2012 1 6.512 2
2012 1 8.406 12
2012 1 2.902 344
2012 1 7.618 45
2012 1 6.357 46
2012 1 2.135 66
2012 1 834 78
2012 1 4.13 9.08
2012 1 3.093 74
2012 1 156 32
557
Tahun Komoditi Jumlah_Ekspor_Kain_Tenunan Jumlah_Impor_Kain_Tenunan
2012 2 3.5 34
2012 2 8 34
2012 2 3 4
2012 2 49 5
2012 2 2.5 899
2012 2 48 77
2012 2 204 54
2013 1 6.26 2.7
2013 1 9.364 7.99
2013 1 3.415 6.90
2013 1 7.947 6.98
2013 1 6.055 4.87
2013 1 1.816 5.0
2013 1 418 11
2013 1 4.16 1.67
2013 1 4.27 4.55
2013 1 265 6.5
2013 2 7.394 7
2013 2 3.252 8.51
2013 2 25 65
2013 2 4 2
2013 2 50 56
2013 2 5 26
2013 2 6 1
2013 2 4 1
2013 2 8 0
2013 2 19 2
2014 1 6.332 0
2014 1 8.958 0
2014 1 5.122 0
2014 1 8.466 7.64
2014 1 6.993 6.7
2014 1 1.288 9.9
2014 1 633 3.3
2014 1 958 3.9
2014 1 3.034 5.5
2014 1 137 34
2014 2 7.879 58
2014 2 2.396 78
2014 2 301 5
2014 2 109 7.67
2014 2 66 76
2014 2 958 5.5
2014 2 3.034 34
558
Tahun Komoditi Jumlah_Ekspor_Kain_Tenunan Jumlah_Impor_Kain_Tenunan
2014 2 3 3.6
2014 2 3.5 7.7
2014 2 2.558 6.67
2014 2 6.89 6.5
2014 2 7.908 0
2015 1 6.375 0
2015 1 7.322 4.1
2015 1 10.962 0
2015 1 6.814 0
2015 1 7.549 0
2015 1 1.112 1.2
2015 1 1.566 5
2015 1 464 6.1
2015 1 1.005 1.9
2015 1 99 4.1
2015 2 5.18 0
2015 2 2.742 2.2
2015 2 398 0
2015 2 136 9
2015 2 83 8
2015 2 11 8.8
2015 2 5.98 0
2015 2 39 3
2015 2 36 6.4
2015 2 45.6 4.9
2016 1 10.592 3.3
2016 1 9.603 7.9
2016 1 8.144 0
2016 1 6.898 4
2016 1 6.155 7
2016 1 2.466 89
2016 1 1.856 9.9
2016 1 1.148 5.8
2016 1 394 4.8
2016 1 200 22
2016 2 4.808 63
2016 2 3.518 65
2016 2 479 66
2016 2 42 7
2016 2 40 4.44
2016 2 2 7.6
2016 2 7 49
2016 2 6.155 7
2016 2 2.466 89
559
Tahun Komoditi Jumlah_Ekspor_Kain_Tenunan Jumlah_Impor_Kain_Tenunan
2016 2 9 7.7
2016 2 6.786 3.9
2016 2 4.324 0
(Sumber: https://kemenperin.go.id/)
Keterangan:
- Komoditi 1 = Woven fabrics of synt filament yarn from polyester
cont >85%
2 = Woven fabrics of synt filament yarn from polyester cont <85%
- Jumlah ekspor kain tenunan (dalam ribuan US$)
15.8 Pengolahan Data
Langkah-langkah untuk melakukan uji Kolmogorov Smirnov adalah
sebagai berikut:
a. Input data di atas ke dalam SPSS
b. Klik analyze – non parametric test – 2 independent sample
Gambar 15.4 Kotak Dialog Two Independent Samples Tests: Define Groups
(Sumber: Olah Data 2020)
560
15.9 Hasil Pengolahan Data
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Kolmogorov Smirnov 2
Independent Sample Test.
a. Uji Normalitas
Tabel 15.2 Hasil Pengolahan Uji Normalitas
561
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
a. Variabel Komoditi memiliki nilai (Sig.> α), maka data tersebut seragam
b. Variabel Jumlah ekspor kain tenunan memiliki nilai (Sig.> α), maka data tersebut
seragam
c. Validitas
Tabel 15.4 Hasil Pengolahan Uji Validitas
Correlations
Jumlah_Ekspor_
Komoditi Kain_Tenunan N_Total
1 -.118 .168**
Komoditi Pearson Correlation
Dalam hal ini terdapat 100 data (N=100) dengan tingkat signifikansi 5% pada tabel
r (0.1654) dengan rumus df = N-2, maka df = 100-2 = 98. Maka dari hasil uji
validitas diatas dapat dijelaskan sebagai berikut :
562
Komoditi = 0,168 > r tabel Valid
Jumlah ekspor kain tenunan = 0,188 > r tabel Valid
d. Reliabilitas
Tabel 15.5 Hasil Pengolahan Uji Reliabilitas
563
H1 = Jumlah ekspor kain tenunan berdasarkan komoditi terdapat
persamaan
Tingkat Signifikasi (α) = 1%
Daerah Kritis: Jika nilai sig (2 tailed) > α, terima H0
Jika nilai sig (2 tailed) < α, tolak H0
Uji Statistik
Nilai sig (2 tailed) = 0.393
Nilai α = 0.01
Keputusan
sig (2 tailed) > α atau 0.393 > 0.01
maka, terima H0
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0.01) dapat disimpulkan bahwa jumlah
ekspor kain tenunan berdasarkan komoditi tidak terdapat persamaan.
15.10 Analisis Hasil Pengolahan Data
Hasil pengolahan data dan pengujian diatas bahwa pada pengujian dan
pengolahan data pada studi kasus tersebut dilakukan dengan beberapa metode
pengujian terlebih dahulu untuk menguji kolmogorov smirnov 2 independent
sample test nya antara lain yaitu uji normalitas, uji keseragaman data, uji validitas,
uji relibilitas kemudian baru diuji kolmogorov smirnov 2 independent sample test.
Hasil dari pengolahan dan pengujian dari data diatas menunjukan bahwa untuk uji
normalitas dari data tersebut hasilnya normal semua karena dari semua variabel
menunjukan nilai yang dihasilkan oleh pengolahan tersebut di atas dari nilai alpha
(0,05). Pada uji keseragaman pada masing-masing variable pengolahan data
menghasilkan nilai lebih dari nilai alpha (0,05) yang berarti data disetiap variabel
tersebut memiliki keseragaman data. Untuk uji validitas terdapat 100 data (N=100)
dengan tingkat signifikansi 5% pada tabel r dengan rumus df = N-2, maka df = 100-
2 = 98 dan hasil dari pengolahan data tersebut menunjukan nilai yang diperoleh dari
masing-masing variabel lebih dari r tabel (0.1654) yang artinya semua data tersebut
valid. Pada pengujian relibilitas sesuai dengan tabel Reliability Statistic terlihat
bahwa nilai Cronbach’s Alpha adalah 0,084 pada 5 of items pernyataan. Bahwa
nilai tersebut berada di range 0,00 – 0,20 yang artinya bahwa pernyataan tersebut
564
kurang reliabel. Untuk uji kolmogorov smirnov 2 independent sample test
menunjukan bahwa nilai asymp sig (2 tailed) yaitu 0.393, dengan nilai signifikasi
1% (0.01) yang artinya sesuai dengan penentuan hipotesis di atas yaitu dengan
tingkat signifikasi 1% dapat disimpulkan bahwa jumlah ekspor kain tenunan
berdasarkan komoditi tidak terdapat persamaan.
15.11 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan data dan pengujian data
di atas antara lain yaitu dari hasil yang sudah diperoleh menunjukan bahwa data
yang didapat setelah di uji normalitas, keseragaman data, validitas dan kolmogorov
smirnov 2 independent sample test telah normal, seragam dan valid. Tetapi tidak
untuk uji reliabilitas, hasil dari pengolahan data tersebut menunjukan bahwa data
tersebut tidak atau kurang reliabel.
Dari pengolahan data yang sudah dilakukan dapat diketahui bahwa data
yang di ambil dari Kementrian Perindustrian Republik Indonesia mengenai
perkembangan ekspor kain tenunan ke Negara Malaysia dengan komoditi Woven
fabrics of synt filament yarn from polyester cont >85% dan Woven fabrics of synt
filament yarn from polyester cont <85% yaitu antara Kain tenunan dari benang
filamen sintaks dari poliester cont> 85% dan Kain tenunan dari benang filamen
sintaks dari poliester cont < 85% tidak ada persamaan dan keduanya memiliki
perbedaan yang cukup signifikan pada tahun 2012-2016. Dengan hasil yang sudah
didapat dari pengolahan data, mungkin pemerintah dapat menjadikan hasil
pengolahan data tersebut dengan uji kolmogorov smirnov 2 independent sample test
sebagai bahan evaluasi dan acuan bersama mengenai ekspor tekstil di sejumlah
negara di dunia dan menjadikan produk TPT Indonesia memiliki beberapa
keunggulan, misalnya telah menjangkau paling tidak 100 negara tujuan ekspor.
Produk TPT kita juga berdaya saing dan berkualitas tinggi. Produsen TPT Indonesia
juga dinilai selalu berkomitmen tinggi dalam berbisnis. Menjadikan ekspor tekstil
dari Indonesia terkenal dan baik di mata negara dunia.
565
BAB XVI
STATISTIKA NON PARAMETRIK KRUSKAL WALLIS
1. Bagaimana cara menentukan uji kruskal wallis pada studi kasus tersebut?
16.3 Tujuan
Mendapatkan data dari Badan Pusat Statistik mengenai data nilai pemakaian
bahan bakar di perusahaan pertambangan minyak dan gas bumi pada tahun 2012
hingga 2017.
16.4 Manfaat
566
16.5 Literatur
Hasil akhir dari uji Kruskall Wallis adalah nilai P value, yaitu apabila nilainya
< batas kristis misalkan 0,05 maka kita dapat menarik kesimpulan statistik terhadap
hipotesis yang diajukan yaitu: Ada pengaruh metode pembelajaran terhadap nilai
ujian siswa atau yang berarti menerima H1 dan menolak H0.
Selanjutnya jika menerima H1 maka bisa dilanjutkan dengan uji lanjut atau
disebut juga uji post hoc. Uji post hoc setelah kruskall wallis salah satunya adalah
uji mann whitney u test. Dengan uji tersebut kita bisa menilai antar kategori apakah
yang ada perbedaan signifikan. Pada kasus di atas, maka uji post hoc yang
dilakukan antara lain:
567
Selanjutnya pada Menu, klik Analyze, Non Parametric Test, K Independen
Samples. Selanjutnya masukkan perlakuan atau variabel bebas ke dalam kotak
Grouping Variable dan masukkan Nilai atau variabel terikat ke dalam kotak Test
variable List. Pada test Type centang Kruskall Wallis H. Tekan tombol Define
Range kemudian masukkan rentang kategori variabel bebas. Dalam hal ini yaitu
perlakuan dengan rentang 1 sampai 3. Yaitu ketik 1 pada kotak Minimum dan ketik
3 pada kotakMaximum. Selanjutnya klik Continue. Tekan tombol options dan
selanjutnya centang deskriptive kemudian klik Continue. Setelah kembali ke
jendela utama, klik OK dan lihatlah output. Tabel di atas menunjukkan nilai
deskriptive pada masing-masing variabel, yaitu perlakuan dan nilai. Nilai Mean
Rank menunjukkan peringkat rata-rata masing-masing perlakuan. Dalam kasus di
atas, peringkat rata-rata metode C lebih tinggi dari pada peringkat rata-rata metode
B. Peringkat rata-rata metode B lebih tinggi dari pada peringkat rata-rata metode A.
Apakah perbedaan tersebut semua secara keseluruhan bermakna secara statistik,
maka disinilah peran Uji Kruskall Wallis, yaitu mengukur secara statistik apakah
besar perbedaan peringkat rata-rata signifikan ataukah tidak.
Nilai P Value ditunjukkan oleh nilai Asymp. Sig. Jika nilai P Value < batas
kritis penelitian maka keputusan hipotesis adalah menerima H1 dan menolak H0
atau yang berarti ada pengaruh variabel bebas terhadap variabel terikat. Dalam hal
ini nilainya P Value sebesar 0,020 dimana kurang dari batas kritis 0,05 yang berarti
menerima H1 atau Perlakuan memberikan pengaruh yang bermakna terhadap nilai
ujian.
Uji kruskal Wallis adalah salah satu uji statistik non parametrik yang dapat
digunakan untuk menguji apakah ada perbedaan yang signifikan antara kelompok
variabel independen dengan variabel dependennya. Karena untuk melihatperbedaan
yang signifikan antar kelompok, uji ini jelas digunakan untuk melihat perbandingan
lebih dari 2 kelompok populasi dengan data berbentuk ranking. Umumnya Uji ini
juga disebut sebagai uji kruskal-wallis H, atau H-test.
Uji kruskal Wallis merupakan perluasan uji 2 sampel wilcoxon untuk k > 2
sampel,umumnya digunakan untuk menguji hipotesis nol (H₀) bahwa sampel bebas
568
sebesar k tersebut berasal dari populasi yang identik. Uji kruskal wallish merupakan
uji alternatif untuk uji F dan uji one way Anova untuk pengujian kesamaan beberapa
nilai Tengah dan analisis ragam yang dapat kita gunakan jika asumsi kenormalan
tidak terpenuhi.
Uji kruskal-wallis biasa digunakan sebagai alternatif untuk uji one way
Anova, dimana asumsi kenormalan tidak terpenuhi.
Berikut adalah kumpulan data dari hasil nilai pemakaian bahan bakar di
perusahaan pertambangan minyak dan gas bumi pada tahun 2012 hingga 2017.
569
4 2013 593 2610
4 2014 225 2243
4 2015 308 2327
5 2012 19688592 19690609
5 2013 15233719 15235737
5 2014 14526945 14528964
5 2015 14359676 14361696
5 2017 14637949 14639971
6 2012 1965 3983
6 2013 1590 3609
6 2014 1047 3067
6 2015 556 2577
6 2017 469 2492
7 2012 482127 484146
7 2013 816751 818771
(Sumber: Olah Data 2020)
570
Variable List, masukkan variabel Jenis Bahan Bakar pada kotak Grouping
Variable dan pilih uji Kruskal Wallis
d. Klik difine range, masukkan rentang nilai variabel terkait produk pada kotak
minimum dan maximum
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Kruskal Wallis .
A. Uji Normalitas
Tabel 16.2 Hasil Pengolahan Uji Normalitas nilai pemakaian bahan bakar di
perusahaan pertambangan minyak dan gas bumi pada tahun 2012 hingga 2017
571
Tests of Normality
Statisti
Statistic df Sig. c df Sig.
a. Variabel Nilai Pemakaian Bahan Bakar Avtur memiliki nilai (Sig.> α), maka
data tersebut normal
b. Variabel Nilai Pemakaian Bahan Bakar Bensin memiliki nilai (Sig.> α), maka
data tersebut normal
c. Variabel Nilai Pemakaian Bahan Bakar Minyak Solar dan Minyak Diesel
memiliki nilai (Sig.> α), maka data tersebut normal
d. Variabel Nilai Pemakaian Bahan Bakar LPG memiliki nilai (Sig.> α), maka
data tersebut normal
e. Variabel Nilai Pemakaian Bahan Bakar Gas Alam memiliki nilai (Sig.> α),
maka data tersebut normal
572
f. Variabel Nilai Pemakaian Bahan Bakar Minyak Tanah memiliki nilai (Sig.> α),
maka data tersebut normal
g. Variabel Nilai Pemakaian Bahan Bakar Pelumas memiliki nilai (Sig.> α), maka
data tersebut normal
B. Keseragaman Data
Tabel 16.8 Hasil Pengolahan Uji Keseragaman Data nilai pemakaian bahan bakar di
perusahaan pertambangan minyak dan gas bumi pada tahun 2012 hingga 2017
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar
0,05 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data
yang dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang
diolah lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang
tidak seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut
seragam. Dari hasil diatas menunjukkan bahwa :
Variabel Nilai Pemakaian Bahan Bakar memiliki nilai (Sig.> α), maka data
tersebut seragam
573
C. Uji Validitas
Tabel 16.9 Hasil Pengolahan Uji Validitas nilai pemakaian bahan bakar di perusahaan
pertambangan minyak dan gas bumi pada tahun 2012 hingga 2017
Correlations
Volume_Pem
Jenis_Bahan akaian_Baha
_Bakar Tahun n_Bakar N_Total
Dalam hal ini terdapat 35 data (N=35) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 35-2 = 33. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
574
D. Uji Reliabilitas
Tabel 16.10 Hasil Pengolahan Uji Reliabilitas nilai pemakaian bahan bakar di
perusahaan pertambangan minyak dan gas bumi pada tahun 2012 hingga 2017
Reliability Statistics
Cronbach's
Alpha N of Items
,702 3
Tabel 116.11 Hasil Pengolahan Uji Kruskal Wallis nilai pemakaian bahan bakar
di perusahaan pertambangan minyak dan gas bumi pada tahun 2012 hingga 2017
Ranks
Jenis_Bahan_Bakar N Mean Rank
LPG 5 3,40
Pelumas 4 23,00
Total 34
575
Test Statisticsa,b
Volume_Pemak
aian_Bahan_Ba
kar
Chi-square 31,996
Df 6
Asymp. Sig. ,156
Penentuan Hipotesis
Hₒ = Jumlah nilai pemakaian bahan bakar berdasarkan komoditi tidak
terdapat persamaan
H₁ = Jumlah nilai nilai pemakaian bahan bakar berdasarkan komoditi
terdapat persamaan
Tingkat Signifikasi (α) = 1%
Daerah Kritis: Jika nilai sig (asymp.sig.) > α, terima Hₒ
Jika nilai sig (asymp.sig.)< α, tolak H₁
Uji Statistik
Nilai sig (asymp.sig.) = 0,156
Nilai α = 0,01
Keputusan
Sig (asymp.sig.) > α atau 0,156 > 0,01
Maka, terima Hₒ
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0,01) dapat disimpulkan bahwa
nilai pemakaian bahan bakar Avtur, Bensin, Minyak Solar dan
Minyak Diesel, LPG, Gas Alam, Minyak Tanah, Pelumas tidak
terdapat persamaan.
576
16.10 Analisis Hasil Pengolahan Data
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji Kruskal Wallis menunjukan bahwa
data yang di peroleh dari Badan Pusat Statistik terhadap 35 data nilai pemakaian
bahan bakar di perusahaan pertambangan minyak dan gas bumi pada tahun 2012
hingga 2017 tersebut menunjukan data tersebut normal karena nilai sig. lebih dari
nilai alpha (0,05), data seragam karena pada pengujian keseragaman data
menunjukan hasil nilai sig. lebih dari nilai alpha (0,05), data valid karena nilai
N_Total pada correlation lebih besar dari nilai r tabel, data reliabel karena terlihat
bahwa nilai Cronbach’s Alpha pada 2 of items pernyataan. Nilai tersebut berada
diatas range 0,601 – 0,80 yang artinya bahwa pernyataan tersebut reliabel. Pada uji
kruskal wallis tersebut menghasilkan bahwa dengan tingkat signifikansi 5% untuk
masing-masing data nilai pemakaian bahan bakar di perusahaan pertambangan
minyak dan gas bumi pada tahun 2012 hingga 2017 menunjukan bahwa hasil uji
kruskal wallis pada nilai pemakaian bahan bakar tidak terdapat persamaan yang
dapat diartikan bahwa terima H0 data nilai pemakaian bahan bakar di perusahaan
pertambangan minyak dan gas bumi pada tahun 2012 hingga 2017.
16.11 Kesimpulan
Kesimpulan yang dapat diambil untuk data nilai pemakaian bahan bakar di
perusahaan pertambangan minyak dan gas bumi pada tahun 2012 hingga 2017 yaitu
antara lain dari pengolahan data di atas sudah jelas menunjukan hasil pengolahan
data dengan metode kruskal wallis bahwa data yang di peroleh dari Badan Pusat
Statistik.
577
16.1 Latar Belakang
16.3 Tujuan
1. Mendapatkan data statistik produksi minyak mentah dan kondensat pada tahun
2016
16.4 Manfaat
16.5 Literatur
578
akan timbul kemungkinan perusahaan akan salah dalam mengambil keputusan
sehingga dapat menyebabkan perusahaan mengalami kebangkrutan.
Hipotesis :
Terima H0 apabila nilai signifikansi Kruskal Wallis > 0,05 , Tolak H0 apabila nilai
signifikansi Kruskal Wallis < 0,05.
Analisis menggunakan SPSS 16.0 untuk menguji perbedaan hasil analisis potensi
kebangkrutan perusahaan industri kosmetik yang terdaftar di BEI dengan
menggunakan metode Z-Scoremodel Altman, Springate, dan Zmijewski. Tabel
berikut menunjukkan hasil dari analisis menggunakan SPSS
Tabel 16.1 Hasil Uji Kruskal Wallis terhadap Perbedaan Potensi Kebangkrutan
(Sumber: https://ojs.unud.ac.id/index.php/Akuntansi/article/view/8640/6437
579
16.6 Metode Pengolahan Data
Metode pengujian data ini terdiri dari uji kualitas data dengan syarat bahwa
data harus valid dan reliabel. Data dinyatakan valid apabila masing-masing
indikator menunjukkan hasil lebih besar dari 5% dari total skor produksi. Untuk
pengukuran reliabilitas diuji dengan statistik Crobanch Alpha dan variabel
dikatakan reliabel jika memberikan nilai Grobanch Alpha > 0,70 (Nunnally, 1967
dalam Ghozali, 2012:46). Uji asumsi klasik yang digunakan dalam penelitian ini
yaitu uji normalitas dan uji homogenitas. Metode analisis yang digunakan yaitu
analisis K-Independent Samples Test dengan metode uji Kruskal Wallis
Berikut adalah kumpulan data statistik produksi minyak mentah dan kondensat
pada tahun 2016 berdasarkan Buku Statistik Minyak dan Gas Bumi Tahun 2016
yang dikeluarkan oleh Direktorat Jenderal Minyak dan Gas Bumi Kementerian
Energi dan Sumber Daya Mineral :
Tabel 16.2 Data statistik produksi minyak mentah dan kondensat tahun 2016
580
Nama_Kontraktor Produksi_Minyak_Mentah_Dan_Kondensat N_Total
2 4.019 6.019
2 4.103 6.103
2 3.797 5.797
2 3.258 5.258
2 3.552 5.552
2 3.6 5.6
2 3.549 5.549
2 3.421 5.421
2 3.472 5.472
3 4.842 7.842
3 4.182 7.182
3 3.345 6.345
3 4.502 7.502
3 4.31 7.31
3 4.023 7.023
3 4.087 7.087
3 3.512 6.512
3 3.248 6.248
3 3.154 6.154
3 2.921 5.921
3 2.757 5.757
4 8.582 12.582
4 7.037 11.037
4 7.138 11.138
4 8.05 12.05
4 5.996 9.996
4 7.951 11.951
4 6.335 10.335
4 7.027 11.027
4 6.274 10.274
4 8.202 12.202
4 7.423 11.423
4 7.25 11.25
5 3.082 8.082
5 2.92 7.92
5 3.111 8.111
5 3.014 8.014
5 2.658 7.658
5 2.363 7.363
5 2.252 7.252
5 2.689 7.689
581
Nama_Kontraktor Produksi_Minyak_Mentah_Dan_Kondensat N_Total
5 2.109 7.109
5 2.019 7.019
6 4.17 10.17
6 4.051 10.051
6 4.464 10.464
6 3.976 9.976
6 2.858 8.858
6 3.632 9.632
6 3.698 9.698
6 3.966 9.966
6 4.447 10.447
6 4.974 10.974
6 4.568 10.568
6 3.989 9.989
7 2.216 9.216
7 2.322 9.322
7 2.302 9.302
7 2.218 9.218
7 2.116 9.116
7 2.284 9.284
7 2.18 9.18
7 2.032 9.032
7 1.886 8.886
7 2.015 9.015
7 2.08 9.08
7 2.045 9.045
8 9.087 17.087
8 9.599 17.599
8 9.16 17.16
8 8.192 16.192
8 7.769 15.769
8 8.181 16.181
8 8.375 16.375
8 8.19 16.19
8 8.383 16.383
8 8.353 16.353
8 8.207 16.207
8 7.29 15.29
9 4.24 13.24
9 4.041 13.041
9 4.016 13.016
582
Nama_Kontraktor Produksi_Minyak_Mentah_Dan_Kondensat N_Total
9 3.931 12.931
9 3.712 12.712
9 3.75 12.75
9 3.588 12.588
9 3.443 12.443
9 3.273 12.273
9 3.186 12.186
10 2.842 12.842
10 3.24 13.24
10 3.027 13.027
10 2.735 12.735
10 2.822 12.822
10 2.821 12.821
10 2.552 12.552
10 2.643 12.643
10 2.901 12.901
10 2.799 12.799
10 2.66 12.66
10 2.817 12.817
583
(Sumber: Olah data 2020)
e. Klik Continue
f. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Kruskal-Wallis.
584
A. Uji Normalitas
Tabel 16.3 Hasil Pengolahan Uji Normalitas Produksi Minyak Mentah dan Kondensat tahun 2016
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
ConocoPhillips
.132 12 .200* .958 12 .748
(Grissik) Ltd.
JOB Pertamina-Medco
.260 12 .024 .923 12 .316
Tomori Sulawesi Ltd.
JOB Pertamina-
.148 12 .200* .962 12 .809
PetroChina East Java
JOB Pertamina-
.205 12 .174 .928 12 .358
PetroChina Salawati
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
a. Variabel Kontraktor BP Berau memiliki nilai (Sig.> α), maka data tersebut
normal
585
b. Variabel Kontraktor CSEL memiliki nilai (Sig.> α), maka data tersebut normal
c. Variabel Kontraktor Chevron Makassar memiliki nilai (Sig.> α), maka data
tersebut normal
d. Variabel Kontraktor ConocoPillips memiliki nilai (Sig.> α), maka data tersebut
normal
e. Variabel Kontraktor EMP memiliki nilai (Sig.> α), maka data tersebut normal
f. Variabel Kontraktor JOB P - Talisman (JM) memiliki nilai (Sig.> α), maka data
tersebut normal
g. Variabel Kontraktor JOB P - Talisman (OK) memiliki nilai (Sig.> α), maka data
tersebut normal
h. Variabel Kontraktor JOB Pertamina-Medco Tomori Sulawesi memiliki nilai
(Sig.> α), maka data tersebut normal
i. Variabel Kontraktor JOB Pertamina-PetroChina East Java memiliki nilai (Sig.>
α), maka data tersebut normal
j. Variabel Kontraktor JOB Pertamina-PetroChina Salawati memiliki nilai (Sig.>
α), maka data tersebut normal
tahun 2016
Test of Homogeneity of Variance
Levene
Statistic df1 df2 Sig.
Analisis uji keseragaman dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
586
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Variabel Produksi Minyak Mentah dan Kondensat memiliki nilai (Sig.> α), maka
data tersebut seragam.
C. Uji Validitas
Tabel 16.5 Hasil Pengolahan Uji Validitas Produksi Minyak Mentah dan Kondensat tahun 2016
Correlations
Produksi_Minyak
Nama_Kontrakto _Mentah_Dan_K
r ondensat N_Total
Dalam hal ini terdapat 120 data (N=120) dengan tingkat signifikansi 1% pada tabel
r dengan rumus df = N-2, maka df = 120-2 = 118. Maka dari hasil uji validitas
diatas dapat dijelaskan sebagai berikut :
587
D. Uji Reliabilitas
Tabel 16.6 Hasil Pengolahan Uji Reliabilitas Produksi Minyak Mentah dan Kondensat tahun 2016
Reliability Statistics
Cronbach's
Alphaa N of Items
.326 2
2016
Ranks
JOB Pertamina-Medco
12 112.92
Tomori Sulawesi Ltd.
JOB Pertamina-PetroChina
12 57.33
East Java
JOB Pertamina-PetroChina
12 27.83
Salawati
Total 120
588
Test Statisticsa,b
Produksi_Minyak
_Mentah_Dan_K
ondensat
Chi-Square 106.769
df 9
b. Grouping Variable:
Nama_Kontraktor
Untuk mengetahui hasil uji Kruskal Wallis dilakukan melalui beberapa tahap, yaitu
3. Daerah kritis :
4. Uji statistik :
Sig. (2 tailed) = 0,200 , α = 0,01. Maka sig. (2 tailed) > α , 0,200 > 0,01
7. Keputusan :
6. Kesimpulan :
589
Jadi, dengan tingkat signifikansi 1% dapat disimpulkan bahwa tidak terdapat
perbedaan pada tingkat keberhasilan terhadap produksi minyak mentah dan
kondensat di Indonesia pada tahun 2016.
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji Kruskal Wallis menunjukan bahwa
data yang di peroleh dari data statistik produksi minyak mentah dan kondensat pada
tahun 2016 berdasarkan Buku Statistik Minyak dan Gas Bumi Tahun 2016 yang
dikeluarkan oleh Direktorat Jenderal Minyak dan Gas Bumi Kementerian Energi
dan Sumber Daya Mineral tersebut menunjukan data tersebut normal karena nilai
sig. lebih dari nilai alpha (0,01), data seragam karena pada pengujian keseragaman
data menunjukan hasil nilai sig. lebih dari nilai alpha (0,01), data valid karena nilai
N_Total pada correlation lebih besar dari nilai r tabel, data reliabel karena terlihat
bahwa nilai Cronbach’s Alpha pada 2 of items pernyataan nilai tersebut berada
diatas range 0,326 – 0,80 yang artinya bahwa pernyataan tersebut reliabel. Pada uji
Kruskal Wallis tersebut menghasilkan bahwa dengan tingkat signifikansi 1%
menunjukan bahwa hasil uji Kruskal Wallis lebih dari nilai alpha (0,01) yang dapat
diartikan tolak H0 bahwa tidak terdapat perbedaan pada tingkat keberhasilan
terhadap produksi minyak mentah dan kondensat di Indonesia pada tahun 2016.
16.11 Kesimpulan
Kesimpulan yang didapat dari praktikum kali ini antara lain yaitu dari
pengolahan data dapat kita ketahui bahwa terima H0 karena nilai sig (2-tailed) lebih
besar dari tingkat signifikansinya yang artinya bahwa tidak terdapat perbedaan pada
tingkat keberhasilan terhadap produksi minyak mentah dan kondensat di Indonesia
pada tahun 2016.
590
2015. Salah satu penyebab kenaikan angka produksi ini adalah telah
berproduksinya Lapangan Banyu Urip Blok Cepu dengan rata-rata produksi sebesar
171.106 barel per hari pada tahun 2016.
591
16.1 Latar Belakang
Tahun 2015 menjadi tahun kebimbangan bagi industri migas nasional.
Harga minyak dunia sebagai isu utama yang menunjukkan gejala penurunan di
akhir tahun 2014, berdampak terhadap trend pergerakan harga minyak
Indonesia pada kurun waktu Januari hingga Desember 2015, yang pada
akhirnya berdampak pula terhadap hampir seluruh kegiatan pengusahaan
minyak dan gas bumi di Indonesia. Pada tahun 2015 banyak plan diantaranya
10 terbesar antara lain yaitu plan minyak mentah SLC, Arjuna, Attaka, Cinta,
Duri, Widuri, Belida Senipah Condensate, Anoa dan Arun Condensate. Harga
minyak mentah selama satu tahun berbeda setiap bulannya dan di setiap plan.
16.2 Rumusan Masalah
Rumusan masalah untuk studi kasus ini antara lain yaitu bagaimana
perkembangan harga minyak mentah di berbagai plan di Indonesia pada tahun
2015?
16.3 Tujuan
1. Mengetahui data statistik harga minyak mentah di tahun 2015
2. Mengetahui perkembangan harga minyak mentah di tahun 2015
16.4 Manfaat
1. Dapat menjadi evaluasi untuk pemerintah dan masing-masing plan
pertambangan minyak
2. Mencari solusi dan cara untuk menstabilkan agar harga minyak tetap
berada di angka normal setiap bulannya dan setiap tahunnya
16.5 Literatur
Studi kasus
Penelitian ingin mengetahui apakah pemberian musik selama belajar dapat
meningkatkan konsentrasi belajar. Ada tiga jenis musik yang ingin diteliti,
yakni musik pop, rock, dan klasik. Tiga kelompok digunakan dalam penelitian
ini, masing-masing kelompok diberi satu jenis musik. Kemudian konsentrasi
belajar ketiga kelompok diukur dan dibandingkan. Jika ada perbedaan
konsentrasi belajar antar kelompok maka dapat disimpulkan jenis musik
berpengaruh terhadap konsentrasi belajar. Jenis musik tersebut kemudian
dibandingkan Identifikasi variabel
592
Variabel independen : pemberian musik
Variabel dependen : konsentrasi belajar
(Sumber: https://www.semestapsikometrika.com/)
4. Pada variabel kedua, klik bagian values, lalu beri identitas. Isikan value
dengan angka 1 dan label dengan “pop”, klik add. Masukkan lagi value
dengan angka 2 dan label dengan “rock”, klik add. Lalu masukkan lagi
value dengan angka 3 dan label dengan “klasik”, klik add. Maka kode
kita sudah diterjemahkan.
593
Gambar 16.1 Kotak Dialog Value Labels
(Sumber: https://www.semestapsikometrika.com/)
(Sumber: https://www.semestapsikometrika.com/)
Rangking
594
data akan diurutkan terlebih dahulu. Data dengan nilai besar akan mendapat
skor rangking besar. Dari output terlihat bahwa mean rangking kelompok
musik pop memiliki mean rangking 5,50; kelompok musik rock memiliki mean
rangking 6,50; dan kelompok musik klasik memiliki mean rangking 10,10.
Sekilas terlihat ada perbedaan, namun kita tidak bisa menyimpulkan langsung
dari sini, karena bisa jadi perbedaan ini hanya karena sampling eror saja, oleh
karena itu kita harus lihat pada uji signifikansi analisis statistik.
595
besaran transaksi).
b. Variabel terikat (Y) adalah kepuasan nasabah.
596
Plan Harga Minyak Mentah
4 45.82
4 53.69
4 52.41
4 55.49
4 61.02
4 58.6
4 51.2
4 41.78
4 42.46
4 42.77
4 39.87
4 33.5
5 44.75
5 55.1
5 52.53
5 54.64
5 60.75
5 58.49
5 51.47
5 42.11
5 41.04
5 40.55
5 37.42
5 32.34
6 45.37
6 53.91
6 53.56
6 55.99
6 61.15
6 58.76
6 51.37
6 41.97
6 42.61
6 42.92
6 40.02
6 33.63
7 48.85
7 57.57
7 56.49
7 59.74
7 65.35
7 63.09
7 40.02
7 33.63
597
Plan Harga Minyak Mentah
7 55.38
7 46.04
7 46.84
7 47.83
7 45.43
7 38.81
8 48.09
8 57.33
8 57.41
8 60.17
8 64.86
8 63.23
8 56
8 46.06
8 46.75
8 48.08
8 45.94
8 41.09
9 47.78
9 56.76
9 55.61
9 58.87
9 64.06
9 61.95
9 54.38
9 45.15
9 45.94
9 46.89
9 44.12
9 37.67
10 48.09
10 57.33
10 57.41
10 60.17
10 64.86
10 63.23
10 56
10 46.06
10 46.75
10 48.08
10 45.94
10 41.09
(Sumber: Olah Data 2020)
598
16.8 Pengolahan Data
Langkah-langkah untuk melakukan uji Kolmogorov Smirnov adalah
sebagai berikut:
a. Input data di atas ke dalam SPSS
b. Klik analyze – non parametric test – K-Independent Sample
Gambar 16.4 Kotak Dialog Several Independent Sample Test: Define Range
(Sumber: Olah Data 2020)
e. Klik Continue
f. Klik OK
16.9 Hasil Pengolahan Data
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Kruskal Wallis.
599
a. Uji Normalitas
Tabel 16.4 Hasil Pengolahan Uji Normalitas
600
data tersebut
normal
i. Variabel Plan Anoa memiliki nilai (Sig.> α), maka data tersebut
normal
j. Variabel Plan Arun Condensate memiliki nilai (Sig.> α), maka data
tersebut normal
b. Uji Keseragaman Data
Tabel 16.5 Hasil Pengolahan Uji Keseragaman Data
601
(Sumber: Olah Data 2020)
Dalam hal ini terdapat 100 data (N=120) dengan tingkat signifikansi 5%
pada tabel r (0.1509) dengan rumus df = N-2, maka df = 120-2 = 118.
Maka dari hasil uji validitas diatas dapat dijelaskan sebagai berikut :
Plan = 0,460 > r tabel Valid
Harga Minyak Mentah = 0,950 > r tabel Valid
d. Reliabilitas
Tabel 16.7 Hasil Pengolahan Uji Reliabilitas
602
(Sumber: Olah Data 2020)
Penentuan Hipotesis
603
Jadi, dengan tingkat signifikasi 1% (0.01) dapat disimpulkan bahwa
plan minyak mentah SLC, Arjuna, Attaka, Cinta, Duri, Widuri, Belida
Senipah Condensate, Anoa dan Arun Condensate tidak terdapat
persamaan.
16.10 Analisis Hasil Pengolahan Data
Hasil pengolahan data dan pengujian diatas bahwa pada pengujian dan
pengolahan data pada studi kasus tersebut dilakukan dengan beberapa metode
pengujian terlebih dahulu untuk menguji kolmogorov smirnov 2 independent
sample test nya antara lain yaitu uji normalitas, uji keseragaman data, uji
validitas, uji relibilitas kemudian baru diuji Kruskal Wallis. Hasil dari
pengolahan dan pengujian dari data diatas menunjukan bahwa untuk uji
normalitas dari data tersebut hasilnya normal semua karena dari semua variabel
menunjukan nilai yang dihasilkan oleh pengolahan tersebut di atas dari nilai
alpha (0,05). Pada uji keseragaman pada masing-masing variable pengolahan
data menghasilkan nilai lebih dari nilai alpha (0,05) yang berarti data disetiap
variabel tersebut memiliki keseragaman data. Untuk uji validitas terdapat 120
data (N=120) dengan tingkat signifikansi 5% pada tabel r dengan rumus df = N-
2, maka df = 120-2 = 118 dan hasil dari pengolahan data tersebut menunjukan
nilai yang diperoleh dari masing-masing variabel lebih dari r tabel (0.1509)
yang artinya semua data tersebut valid. Pada pengujian relibilitas sesuai dengan
tabel Reliability Statistic terlihat bahwa nilai Cronbach’s Alpha adalah 0,183
pada 5 of items pernyataan. Bahwa nilai tersebut berada di range 0,00 – 0,20
yang artinya bahwa pernyataan tersebut kurang reliabel. Untuk uji Kruskal
Wallis menunjukan bahwa nilai asymp sig yaitu 0.422, dengan nilai signifikasi
1% (0.01) yang artinya sesuai dengan penentuan hipotesis di atas yaitu dengan
tingkat signifikasi 1% dapat disimpulkan bahwa plan minyak mentah SLC,
Arjuna, Attaka, Cinta, Duri, Widuri, Belida Senipah Condensate, Anoa dan
Arun Condensate tidak terdapat persamaan yang artinya disetiap plan dan setiap
bulannya dalam setahun harga minyak mentah selalu berbeda tergantung dari
kondisi faktor-faktor yang mempengaruhi harga minyak mentah itu sendiri.
604
16.11 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan data dan pengujian data
di atas antara lain yaitu dari hasil yang sudah diperoleh menunjukan bahwa data
yang didapat setelah di uji normalitas, keseragaman data, validitas dan uji
kruskal wallis telah normal, seragam dan valid. Tetapi tidak untuk uji
reliabilitas, hasil dari pengolahan data tersebut menunjukan bahwa data tersebut
tidak atau kurang reliabel.
Dapat disimpulkan bahwa harga minyak mentah dari sepuluh plan minyak
mentah yang ada di Indonesia sangat berbeda disetiap bulannya pada tahun 2015
meskipun perbedaannya tidak signifikan. Untuk mengatasi harga minyak
mentah yang melonjak tinggi pemerintah seharusnya sudah menyiapkan
skenario untuk menghadapi segala macam kondisi perdagangan minyak mentah
di Indonesia maupun dunia sendiri. Banyak faktor yang mempengaruhi harga
minyak mentah antara lain di Indonesia sendiri, harga minyak dalam negeri juga
dipengaruhi oleh harga minyak mentah dunia. Seiring dengan dicabutnya
subsidi bahan bakar minyak oleh pemerintah secara bertahap, harga minyak
semakin melambung tinggi. Tingkat penawaran dan permintaan juga turut
menentukan naik turunnya harga bahan bakar minyak dalam negeri. Di saat
terjadi kelangkaan, di mana kuota atau pasokan minyak dibatasi, maka
terjadilah kenaikan harga bahan bakar minyak. Sebaliknya, di saat produksi
minyak melimpah dan pasokan ke pom-pom bensin begitu lancarnya, tanpa
diiringi dengan meningkatnya permintaan, maka harga cenderung mengalami
penurunan.
605
BAB XVII
STATISTIKA NON PARAMETRIK UJI MEDIAN
17.4 Manfaat
17.5 Literatur
Uji median merupakan suatu prosedur untuk menguji apakah dua sampel
independen berbeda mediannya. Maksudnya, uji median ini memberikan kita
informasi tentang mungkin atau tidaknya dua sampel independen telah ditarik dari
606
populasi yang memiliki median yang sama. Kedua sampel acak yang diambil dapat
memiliki besar sampel yang berbeda.
M1 = M2
M1 ≠ M2 M1 < M2 M1 > M2
607
608
Kaidah Pengambilan Keputusan
609
17.6 Metode Pengolahan Data
Uji median digunakan untuk menguji apakah dua atau lebih kelompok
(sampel) independen berbeda dalam nilai tengahnya, dengan kata lain apakah dua
atau lebih sampel independen berasal dari suatu populasi yang mempunyai median
yang sama atau berasal dari populasi yang sama. Data yang digunakan sekurang-
kurangnya berskala ordinal.
Tahapan:
Tentukan median gabungan yaitu median untuk semua skor dalam kedua
sampel.
Jika ada skor yang mempunyai nilai sama dengan median gabungan, peneliti
mempunyai dua pilihan solusi: Pertama, jika kasus yang nilainya sama
dengan median gabungan sedikit dan n gabungan besar maka nilai tersebut
bisa tidak digunakan dalam analisis. Kedua, kasus yang nilainya sama
dengan median gabungan dapat dibagi dua menjadi skor-skor di atas median
dan skor-skor di bawah median.
jika n ≤ 20 gunakan uji Fisher exact (tabel Fisher kenyataannya hanya untuk
n ≤ 15), uji Fisher akan dibahas pada sesi tulisan yang lain. Jika n > 20
gunakan uji Chi-square dengan koreksi kontinyuitas seperti dibawah ini
(jika frekuensi harapannya ada yang kurang dari 5, maka gunakan uji Fisher)
610
17.7 Pengumpulan Data
611
Tabel 17.2 Kumpulan data kapasitas terpasang pembangkit listrik di Indonesia
pada tahun 2012 hingga 2017
612
(Sumber: Olah Data 2020)
c. Masukkan variable kapasitas terpasang pembangkit listrik ke dalam kotak test
variabel list. Masukkan variabel provinsi pada kotak grouping variable dan pilih
uji Median.
d. Klik difine range, masukkan rentang nilai variabel provinsi pada kotak
minimum dan maximum
Gambar 17.2 Kotak Dialog Tests for Several Independent Samples: Difine Range
(Sumber: Olah Data 2020)
e. Klik Continue
f. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang dilakukan
yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan reliabilitas
kemudian data tersebut baru di uji dengan Uji Median.
613
A. Uji Normalitas
Tests of Normality
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
normal (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari
hasil diatas menunjukkan bahwa:
614
e. Variabel Kapasitas Terpasang Pembangkit Listrik untuk provinsi Jawa Timur
memiliki nilai (Sig.> α), maka data tersebut normal
f. Variabel Kapasitas Terpasang Pembangkit Listrik untuk provinsi Bali memiliki
nilai (Sig.> α), maka data tersebut normal
g. Variabel Kapasitas Terpasang Pembangkit Listrik untuk provinsi Banten
memiliki nilai (Sig.> α), maka data tersebut normal
h. Variabel Kapasitas Terpasang Pembangkit Listrik untuk provinsi Nusa
Tenggara Barat memiliki nilai (Sig.> α), maka data tersebut normal
i. Variabel Kapasitas Terpasang Pembangkit Listrik untuk provinsi Nusa
Tenggara Timur memiliki nilai (Sig.> α), maka data tersebut normal
B. Keseragaman Data
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
C. Uji Validitas
615
Tabel 17.5 Hasil Pengolahan Uji Validitas kapasitas terpasang pembangkit listrik
di Indonesia pada tahun 2012 hingga 2017
Correlations
Kapasitas_Terpa
sang_Pembangk
Provinsi Tahun it_Listrik N_Total
Dalam hal ini terdapat 45 data (N=45) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 45-2 = 43. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
616
D. Uji Reliabilitas
Tabel 17.6 Hasil Pengolahan Uji Reliabilitas kapasitas terpasang pembangkit listrik di
Indonesia pada tahun 2012 hingga 2017
Reliability Statistics
Cronbach's
Alpha N of Items
,629 2
E. Uji Median
Tabel 17.7 Hasil Pengolahan Uji Median kapasitas terpasang pembangkit listrik di
Indonesia pada tahun 2012 hingga 2017
Frequencies
Provinsi
617
Test Statisticsb
Kapasitas_Terp
asang_Pemban
gkit_Listrik
N 40
Median 4005,8950
Chi-square 33,600a
df 7
Asymp. Sig. ,120
Penentuan Hipotesis
Hₒ = Jumlah kapasitas terpasang pembangkit listrik berdasarkan provinsi tidak
terdapat persamaan
H₁ = Jumlah kapasitas terpasang pembangkit listrik berdasarkan provinsi terdapat
persamaan
Tingkat Signifikasi (α) = 1%
Daerah Kritis: Jika nilai sig (2 tailed) > α, terima Hₒ
Jika nilai sig (2 tailed)< α, tolak H₁
Uji Statistik
Nilai Asymp. Sig. = 0,120
Nilai α = 0,01
Keputusan
Asymp. Sig. > α atau 0,120 > 0,01
Maka, terima Hₒ
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0,01) dapat disimpulkan bahwa jumlah
kapasitas terpasang pembangkit listrik berdasarkan provinsi terdapat persamaan.
618
17.10 Analisis Hasil Pengolahan Data
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji Median menunjukan bahwa data
yang di peroleh dari Badan Pusat Statistik terhadap 45 data kapasitas terpasang
pembangkit listrik di Indonesia pada tahun 2012 hingga 2017 tersebut menunjukan
data tersebut normal karena nilai sig. lebih dari nilai alpha (0,05), data seragam
karena pada pengujian keseragaman data menunjukan hasil nilai sig. lebih dari nilai
alpha (0,05), data valid karena nilai N_Total pada correlation lebih besar dari nilai
r tabel, data reliabel karena terlihat bahwa nilai Cronbach’s Alpha pada 2 of items
pernyataan. Nilai tersebut berada diatas range 0,601 – 0,80 yang artinya bahwa
pernyataan tersebut reliabel. Pada uji Median tersebut menghasilkan bahwa dengan
tingkat signifikansi 1% untuk masing-masing data kapasitas terpasang pembangkit
listrik di Indonesia pada tahun 2012 hingga 2017 menunjukan bahwa hasil uji
Median terdapat persamaan yang dapat diartikan bahwa terima H0 data kapasitas
terpasang pembangkit listrik di Indonesia pada tahun 2012 hingga 2017.
17.11 Kesimpulan
619
17.1 Latar Belakang
17.3 Tujuan
17.4 Manfaat
17.5 Literatur
Suatu penelitian dilakukan pada beberapa bank. Penelitian ini bertujuan untuk
mengetahui tentang ada tidaknya perbedaan kualitas manajemen antara Bank-Bank
yang dianggap favorit oleh masyarakat dan Bank yang tidak favorit. Penelitian ini
menggunakan sampel 12 Bank yang dianggap tidak favorit (Kelompak A) dan 15
Bank yang dianggap favorit (Kelompok B). Selanjutnya kedua kelompok Bank
620
tersebut diukur kualitas manajemennya dengan menggunakan instrumen khusus
yang terdiri dari butir-butir pertanyaan. Skor penilaian yang diberikan tertinggi 40
dan terendah 0 (α = 0,05). (Ritongga, 1987)
Data :
(Sumber: http://sigitnugroho.id/e-Skripsi/0505%20Uji%20Median%20Mann-Whitney-
Wlcoxon%20Kolmogorov-Smirnov.pdf)
Hipotesis :
Tolak H0 apabila nilai signifikansi > 0,05 , Terima H0 apabila nilai signifikansi <
0,05.
Langkah-langkah SPSS
1. Buka lembar file, pilih menu new, lalu klik data. Dan inputkan data
621
3. Untuk melakukan analisis, klik Analyze, klik Non-Parametric Tests,
Median Test
Test Statisticsa
Penilaian_Kualit
as
N 27
Median 19.00
(Sumber: http://sigitnugroho.id/e-Skripsi/0505%20Uji%20Median%20Mann-Whitney-
Wlcoxon%20Kolmogorov-Smirnov.pdf)
Pada tabel uji Median di atas dapat diketahui bahwa nilai signifikansi sebesar
0.076 dan nilai sig.alpha sebesar 0,01. Karena nilai signifikansi 0.076 > 0.05 maka
H0 tidak dapat diterima. Sehingga dapat disimpulkan bahwa terdapat perbedaan
622
yang signifikan antara kualitas manajemen antara Bank yang favorit dan tidak
favorit. Bank favorit memiliki kualitas manajemen yang lebih baik dibandingkan
dengan Bank tidak favorit.
Metode pengujian data ini terdiri dari uji kualitas data dengan syarat bahwa data
harus valid dan reliabel. Data dinyatakan valid apabila masing-masing indikator
menunjukkan hasil lebih besar dari 1% dari total skor produksi. Untuk pengukuran
reliabilitas diuji dengan statistik Crobanch Alpha dan variabel dikatakan reliabel
jika memberikan nilai Grobanch Alpha > 0,70 (Nunnally, 1967 dalam Ghozali,
2012:46). Uji asumsi klasik yang digunakan dalam penelitian ini yaitu uji
normalitas dan uji homogenitas. Metode analisis yang digunakan yaitu analisis K-
Independent Samples Test dengan metode uji Median.
Berikut adalah kumpulan data statistik konsumsi akhir energi menurut sumber
energi berdasarkan buku Neraca Energi Indonesia 2012 – 2016
Tabel 17.3 Data statistik konsumsi akhir energi menurut sumber energi berdasarkan Neraca
Energi Indonesia 2012 – 2016
623
(Sumber: Olah data 2020)
d. Klik define groups, masukkan rentang nilai variabel Sumber_Energi pada kotak
minimum dan maximum
624
e. Klik Continue
f. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan uji Median.
A. Uji Normalitas
Tabel 17.4 Hasil Pengolahan Uji Normalitas konsumsi akhir energi menurut sumber energi 2012-
2016
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Energi Biomassa
.282 5 .200* .886 5 .336
primer
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
625
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
a. Variabel Batubara memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Briket dan Kokas memiliki nilai (Sig.> α), maka data tersebut normal
c. Variabel BBM berkadar ringan memiliki nilai (Sig.> α), maka data tersebut
normal
d. Variabel BBM berkadar berat memiliki nilai (Sig.> α), maka data tersebut
normal
e. Variabel Hasil olahan minyak lainnya memiliki nilai (Sig.> α), maka data
tersebut normal
f. Variabel LPG dan Gas Kilang memiliki nilai (Sig.> α), maka data tersebut
normal
g. Variabel Gas alam memiliki nilai (Sig.> α), maka data tersebut normal
h. Variabel Listrik memiliki nilai (Sig.> α), maka data tersebut normal
i. Variabel Energi Biomassa primer memiliki nilai (Sig.> α), maka data tersebut
normal
Analisis uji keseragaman dilakukan dengan melakukan nilai alpha (α) sebesar
626
0,01 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data
yang dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang
diolah lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Variabel Konsumsi akhir energi memiliki nilai (Sig.> α), maka data tersebut
seragam.
C. Uji Validitas
Tabel 17.6 Hasil Pengolahan Uji Validitas konsumsi akhir energi menurut sumber energi 2012-
2016
Correlations
Konsumsi_Akhir
Sumber_Energi _Energi
N 45 45
N 45 45
Dalam hal ini terdapat 45 data (N=45) dengan tingkat signifikansi 1% pada tabel
r dengan rumus df = N-2, maka df = 45-2 = 43. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
D. Uji Reliabilitas
Tabel 17.7 Hasil Pengolahan Uji Reliabilitas konsumsi akhir energi menurut sumber energi 2012-
2016
627
Reliability Statistics
Cronbach's
Alphaa N of Items
5.664 2
E. Uji Median
Tabel 17.8 Hasil Pengolahan Uji Median konsumsi akhir energi menurut sumber energi 2012-2016
Median Test
Test Statisticsb
Konsumsi_Akhir
_Energi
N 40
Median 487259.00
Chi-Square 33.600a
df 7
Untuk mengetahui hasil uji Median dilakukan melalui beberapa tahap, yaitu
628
2. Tingkat signifikansi (α) 1%
3. Daerah kritis :
4. Uji statistik :
Sig. (2 tailed) = 0,215 , α = 0,01. Maka sig. (2 tailed) > α , 0,215 > 0,01
8. Keputusan :
6. Kesimpulan :
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji Median menunjukan bahwa data
yang di peroleh dari data statistik konsumsi akhir energi menurut sumber energi
berdasarkan buku Neraca Energi Indonesia 2012 – 2016 tersebut menunjukan data
tersebut normal karena nilai sig. lebih dari nilai alpha (0,01), data seragam karena
pada pengujian keseragaman data menunjukan hasil nilai sig. lebih dari nilai alpha
(0,01), data valid karena nilai N_Total pada correlation lebih besar dari nilai r tabel,
data reliabel karena terlihat bahwa nilai Cronbach’s Alpha pada 2 of items
pernyataan nilai tersebut berada diatas range 5,644 – 0,80 yang artinya bahwa
pernyataan tersebut reliabel. Pada uji Median tersebut menghasilkan bahwa dengan
tingkat signifikansi 1% menunjukan bahwa hasil uji Median lebih dari nilai alpha
(0,01) yang dapat diartikan tolak H0 bahwa terdapat perbedaan yang signifikan
pada konsumsi akhir energi menurut sumber energi 2012-2016.
629
17.11 Kesimpulan
Kesimpulan yang didapat dari praktikum kali ini antara lain yaitu dari
pengolahan data dapat kita ketahui bahwa tolak H0 karena nilai sig (2-tailed) lebih
besar dari tingkat signifikansinya yang artinya bahwa terdapat perbedaan yang
signifikan pada konsumsi akhir energi menurut sumber energi 2012-2016
Banyak faktor yang dapat mempengarui konsumsi akhir energi. Jika dilihat dari
jenis penggunaan, bahan bakar minyak masih yang mendominasi dalam pemenuhan
energi nasional, ini dikarenakan teknologi yang digunakan berbasis bahan bakar
minyak masih yang paling banyak digunakan terutama pada sektor industri. Dalam
pemanfaatannya, bahan bakar minyak masih dinilai cukup efisien dan mudah
digunakan. Teknologi berbasis bahan bakar minyak berkembang pesat dan
mendominasi pada hampir disetiap sektor.
630
17.1 Latar Belakang
Konsumsi energi di D.I.Yogyakarta terus meningkat setiap tahunnya.
Peningkatan ini tentu menyebabkan eksternalitas negatif terhadap kualitas
lingkungan. Seperti diketahui sebelumnya energi listrik yang dikonsumsi tersebut
dominan berasal dari bahan bakar fosil, sehingga dapat meningkatkan intensitas
emisi gas rumah kaca dan memperburuk kualitas lingkungan. Daya yang
terpasang, daya yang dibangkitkan dan daya yang dijual terhadap masyakarat
D.I.Yogyakarta dari tahun 1997 sampai dengan tahun 2016 mengalami kenaikan
disetiap tahunnya.
17.2 Rumusan Masalah
Rumusan masalah dari latar belakang tersebut antara lain apakah dengan
melonjaknya daya yang dikonsumsi oleh masyarakat D.I.Yogyakarta tersebut
dapat berdampak langsung dengan lingkungan sekitar?
17.3 Tujuan
1. Mencari data kenaikan terhadap penggunaan daya di D.I.Yogyakarta
2. Menjadi tolak ukur dalam pembenahan tata energi di D.I.Yogyakarta
17.4 Manfaat
1. Untuk menjadi evaluasi pemerintah D.I.Yogyakarta dalam menangani
konsumsi energi yang berlebih
2. Menjadikan D.I.Yogyakarta sebagai daerah yang hemat energi dan ramah
lingkungan
3. Menyadarkan masyarakat bahwa harus menjaga lingkungan dan hemat dalam
penggunaan daya listrik
17.5 Literatur
Studi Kasus:
Tiga kelas mata kuliah statistika diberikan oleh tiga dosen. Nilai akhirnya
tercatat sebagai berikut:
Tabel 17.1 data nilai mata kuliah statistika
Dosen Dosen Dosen
A B C
85 81 79
75 84 90
69 77 86
78 67 68
72 70 69
83 85 82
94 88 75
631
76 97 89
89 76 78
80 75 87
(Sumber:
https://www.academia.edu/31769251/Statistik_NonParametrik_Menggunakan_Bantuan_Apli
kasi_SPSS_)
Dari kasus di atas akan dianalisis perbedaan nilai yang diberikan ketiga dosen
berdasarkan nilaimedian dan untuk mengetahui rekapitulasi nilai yang berada
dibawah atau sama dengan nilai mediandan nilai yangberada di atas nilai
median. Adapun langkah-langkah untuk menguji kasus di atasmenggunakan
metode uji median dengan bantuan SPSS sebagai berikut:
1) Sebelum melakukan input data, terlebih dahulu dirumuskan hipotesispenelitian
sebagai berikut:
H0 :Tidak terdapat perbedaan nilai mata kuliah statistik yang diberikan oleh
ketiga dosen.
Ha :Terdapat perbedaan nilai mata kuliah statistik yang diberikan oleh ketiga
dosen.
2) Langkah selanjutnya buka program SPSS dan kemudian pada Variable View
isikan data seperti berikut:
Tabel 17.2 langkah pengisian di kotak variable view
(Sumber:
https://www.academia.edu/31769251/Statistik_NonParametrik_Menggunakan_Bantuan_Apli
kasi_SPSS_)
632
Gambar 17.1 Kotak dialog Variable View
(Sumber:
https://www.academia.edu/31769251/Statistik_NonParametrik_Menggunakan_Bantuan_Apli
kasi_SPSS_)
3) Klik Data View dan inputkan data hasil penelitian, kemudian klik menu
Analyze
→Nonparametric Tests→Legacy Dialogs(SPSS 20 dst)→ K Independent
Samples
633
Gambar 17.3 Kotak dialog Test for Several Independent Samples
(Sumber:
https://www.academia.edu/31769251/Statistik_NonParametrik_Menggunakan_Bantuan_Apli
kasi_SPSS_)
Gambar 17.4 Kotak dialog Test for Several Independent Samples: Range for Grouping
Variable
(Sumber:
https://www.academia.edu/31769251/Statistik_NonParametrik_Menggunakan_Bantuan_Apli
kasi_SPSS_)
634
Values biarkan tercentangsecara default pada Exclude cases test-by-test.
Catatan:
Apabila ingin mengetahui nilai kuartil dari data hasil penelitian yang telah
dikumpulkan maka berilah tanda centang juga pada Quartiles
7) Kemudian klik Continue untuk kembali ke kotak dialog sebelumnya,
selanjutnya klik menu Exact... yang berada di sebelah atas menu Options... dan
pada kotak dialog Exact Tests pastikan Asymptotic only yang terpilih/terceklist
karena sampel yang digunakan sedikit.Namun, apabila sampel yang digunakan
besar/banyak maka pilihlah Monte Carlo dengan taraf signifikansi sebesar99%
dan kalkulasi besaran sampel sebanyak 10000 (pengaturan default) dannilai ini
dapat diubah sesuai dengan keperluan penelitian. Adapun nilai Exact akan
muncul secara otomatis pada output SPSS apabila data yang diambil dalam
penelitian tidak memenuhi asumsi nilai Monte Carlo
8) Langkah terakhir adalah klik Continue dan dilanjutkan klik OK, sehingga SPSS
akan menampilkan output sebagai berikut:
Tabel 17.3 Hasil uji median
(Sumber:
https://www.academia.edu/31769251/Statistik_NonParametrik_Menggunakan_Bantuan_Apli
kasi_SPSS_)
Tabel Descriptive Statistic di atas menampilkan deskripsi data penelitian,
yaitu:
Variabel Nilai Mata Kuliah Statistik
a. N merupakan jumlah sampel penelitian yang diambil yaitu sebanyak 30
responden.
b. Mean merupakan nilai rata-rata nilai mata kuliah statistik secara keseluruhan
yaitu 80,13.
c. Std. Deviation merupakan nilai deviasi standar yakni sebesar 7,921.
d. Minimum merupakan nilai mata kuliah statistik terendah yakni 67.
e. Maximum merupakan nilai mata kuliah statistik tertinggi yakni 97.
635
Variabel Dosen
- N merupakan jumlah sampel penelitian yang diambil yaitu sebanyak 30
responden.
- Mean merupakan nilai rata-rata dari tiga kategori karena berskala nominal nilai
ini dapat diabaikan.
- Std. Deviation merupakan nilai deviasi standar dan karena variabel berskala
nominal nilai ini dapat diabaikan.
- Minimum merupakan nilai untuk kategori 1 yakni dosen A.
- Maximum merupakan nilaiuntuk kategori 3 yakni dosen C.
Tabel 17.4 Hasil Uji Frequencies
(Sumber:
https://www.academia.edu/31769251/Statistik_NonParametrik_Menggunakan_Bantuan_Apli
kasi_SPSS_)
Tabel Frequencies di atas menginformasikan bahwa:
Dosen A
- Nilai mata kuliah yang berada di atas nilai median adalah sebanyak 5
mahasiswa.
- Nilai mata kuliah yang berada di bawah atau sama dengan nilai median adalah
sebanyak 5 mahasiswa.
Dosen B
- Nilai mata kuliah yang berada di atas nilai median adalah sebanyak 5
mahasiswa.
- Nilai mata kuliah yang berada di bawah atau sama dengan nilai median adalah
sebanyak 5 mahasiswa.
Dosen C
- Nilai mata kuliah yang berada di atas nilai median adalah sebanyak 5
mahasiswa.
- Nilai mata kuliah yang berada di bawah atau sama dengan nilai median adalah
sebanyak 5 mahasiswa.
636
Tabel 17.5 Test Statistics
(Sumber:
https://www.academia.edu/31769251/Statistik_NonParametrik_Menggunakan_Bantuan_Apli
kasi_SPSS_)
Tabel Test Statistics di atas dapat diambil informasi sebagai berikut:
- N merupakan jumlahsampel penelitian yang diambil sebanyak 30 responden.
- Median merupakan nilai median (nilai tengah yang membagi data menjadi
sama besar setelahdata diurutkan) dari nilai mata kuliah statistik secara
keseluruhan diperoleh sebesar 79,50.
- Chi-Square merupakannilai chi-square hitung diperoleh sebesar 0,000.
- Df merupakan nilai degree of freedom diperoleh dari jumlah kategori
dikurangi 1 atau 3
- Nilai Asymp. Sig. diperoleh sebesar 1,000
- Selanjutnya melakukan uji hipotesis yang telah dirumuskan
sebelumnyadengan ketentuan sebagai berikut:
• Apabila nilai Asymp. Sig.> α (0,05), maka H0 diterima dan Ha ditolak
• Apabila nilai Asymp. Sig.< α (0,05), maka H0 ditolak dan Ha diterima
Dari table diperoleh nilai Asymp. Sig. sebesar 1,000 >α (0,05), maka H0
diterima dan Ha ditolak, sehingga dari hipotesis yang telah dirumuskan dapat
disimpulkan bahwa “tidak terdapat perbedaan nilai mata kuliah statistik yang
diberikan oleh ketiga dosen”.
17.6 Metode Pengolahan Data
Uji median digunakan untuk menguji apakah dua atau lebih kelompok
(sampel) independen berbeda dalam nilai tengahnya, dengan kata lain apakah dua
atau lebih sampel independen berasal dari suatu populasi yang mempunyai median
637
yang sama atau berasal dari populasi yang sama. Data yang digunakan sekurang-
kurangnya berskala ordinal.
Uji median untuk dua sampel independen.H0 adalah kedua sampel berasal dari
populasi-populasi bermedian sama. H1 adalah median kedua populasi berbeda (uji
dua sisi) atau median satu populasi lebih besar daripada median populasi yang lain
(uji satu sisi). Jika H0 benar, kira-kira separuh skor masing-masing kelompok ada
di atas median gabungan dan separuh lainnya ada di bawahnya.
Tentukan median gabungan yaitu median untuk semua skor dalam kedua sampel.
pisahkan skor masing-masing kelompok berdasarkan median gabungan, dan
masukan frekuensi-frekuensi yang diperoleh dalam tabel seperti di bawah ini.
(Sumber: https://digensia.wordpress.com/)
Jika ada skor yang mempunyai nilai sama dengan median gabungan, peneliti
mempunyai dua pilihan solusi: Pertama, jika kasus yang nilainya sama dengan
median gabungan sedikit dan n gabungan besar maka nilai tersebut bisa tidak
digunakan dalam analisis. Kedua, kasus yang nilainya sama dengan median
gabungan dapat dibagi dua menjadi skor-skor di atas median dan skor-skor di
bawah median.
Jika n ≤ 20 gunakan uji Fisher exact (tabel Fisher kenyataannya hanya untuk
n ≤ 15), uji Fisher akan dibahas pada sesi tulisan yang lain. Jika n > 20 gunakan uji
Chi-square dengan koreksi kontinyuitas seperti dibawah ini (jika frekuensi
harapannya ada yang kurang dari 5, maka gunakan uji Fisher):
638
jika p-value ≤ α atau nilai maka keputusannya adalah tolak
H0. untuk sampel besar bisa juga digunakan dengan pendekatan normal dengan
statistik uji sebagai berikut:
639
2 463862291
2 494792134
2 541375375
2 582153103
2 615934569
2 653096369
2 697724494
2 744623087
2 765032624
2 837431019
2 882479013
2 924868363
2 1051020972
2 1130965316
2 1234927074
2 1320489674
2 1558866374
2 1577416544
3 733519590
3 815063913
3 819316514
3 895171833
3 1023449266
3 1047618723
3 1229568187
3 1292662049
3 1389182171
3 1480699686
3 1485776409
3 1866766573
3 2018312691
3 2210053065
3 2391821388
3 2551650008
3 2655966471
3 2893788882
4 656537261
4 744668399
4 755260372
4 862185757
4 945488646
4 966509300
4 1098609062
4 1130827845
4 1244409538
640
4 1343319722
4 1355586720
4 1481575542
4 1578453018
4 1705941418
4 1869768571
4 2043752015
4 2046220185
4 2369612713
4 2484153383
4 2698238827
Gambar 17.6 Kotak Dialog Test for Several Independent Samples: Range for Grouping
641
Variable
(Sumber: Olah Data 2020)
5. Klik Continue
6. Klik OK
17.9 Hasil Pengolahan Data
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Median.
a. Uji Normalitas
Tabel 17.8 Hasil Uji Normalitas
642
(Sumber: Olah Data 2020)
Analisis uji keseragaman data dilakukan dengan melakukan nilai alpha (α)
sebesar 0,05 sebagai alat ukur untuk menentukan data yang diolah termasuk
kedalam data yang dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.)
dari data yang diolah lebih besar dari nilai alpha (α), maka data tersebut
merupakan data yang tidak seragam (Sig.< α), sedangkan jika nilai (Sig.> α)
maka data tersebut seragam. Dari hasil diatas menunjukkan bahwa :
a. Variabel Nilai dari tahun 1997 sampai dengan tahun 2016 memiliki nilai
(Sig.>
α), maka data tersebut seragam
c. Uji Validitas
Tabel 17.10 Hasil Uji Validitas
Dalam hal ini terdapat 80 data (N=80) dengan tingkat signifikansi 5% pada
tabel r (0.2997) dengan rumus df = N-2, maka df = 80-2 = 78. Maka dari hasil
uji validitas diatas dapat dijelaskan sebagai berikut :
Listrik = 0,460 > r tabel
Valid
Nilai dari tahun 1997 sampai dengan tahun 2016= 0,950 > r tabel
Valid
643
d. Uji Reliabilitas
Tabel 17.11 Hasil Uji Reliabilitas
e. Uji Median
Tabel 17.12 Hasil Frequencies
644
Daerah Kritis: Jika nilai sig (asymp. sig.) > α, terima H0
Jika nilai sig (asymp. sig.) < α, tolak H0
Uji Statistik
Nilai sig (asymp. sig.) = 0.037
Nilai α = 0.01
Keputusan
sig (2 tailed) > α atau 0.037 > 0.01
maka, terima H0
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0.01) dapat disimpulkan bahwa,
Tingkat konsumsi listrik dari ketiga daya tersebut mempunyai median (titik
tengah) yang tidak sama.
17.10 Analisis Hasil Pengolahan Data
Hasil pengolahan data dan pengujian diatas bahwa pada pengujian dan
pengolahan data pada studi kasus tersebut dilakukan dengan beberapa metode
pengujian terlebih dahulu untuk menguji median test nya antara lain yaitu uji
normalitas, uji keseragaman data, uji validitas, uji relibilitas kemudian baru diuji
median. Hasil dari pengolahan dan pengujian dari data diatas menunjukan bahwa
untuk uji normalitas dari data tersebut hasilnya normal semua karena dari semua
variabel menunjukan nilai yang dihasilkan oleh pengolahan tersebut di atas dari
nilai alpha (0,05). Pada uji keseragaman pada masing-masing variable pengolahan
data menghasilkan nilai lebih dari nilai alpha (0,05) yang berarti data disetiap
variabel tersebut memiliki keseragaman data. Untuk uji validitas terdapat 80 data
(N=80) dengan tingkat signifikansi 5% pada tabel r dengan rumus df = N-2, maka
df = 80-2 = 78 dan hasil dari pengolahan data tersebut menunjukan nilai yang
diperoleh dari masing-masing variabel lebih dari r tabel (0.2997) yang artinya
semua data tersebut valid. Pada pengujian relibilitas sesuai dengan tabel Reliability
Statistic terlihat bahwa nilai Cronbach’s Alpha adalah 1,005 pada 5 of items
pernyataan. Bahwa nilai tersebut berada di range 0,801 – 1,00 yang artinya bahwa
pernyataan tersebut sangat reliabel. Untuk uji Median menunjukan bahwa nilai
asymp sig yaitu 0.037, dengan nilai signifikasi 1% (0.01) yang artinya sesuai
dengan penentuan hipotesis di atas yaitu dengan tingkat signifikasi 1% dapat
disimpulkan bahwa tingkat konsumsi listrik dari ketiga daya tersebut mempunyai
645
median (titik tengah) yang tidak sama.
17.11 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan data dan pengujian data
di atas antara lain yaitu dari hasil yang sudah diperoleh menunjukan bahwa data
yang didapat setelah di uji normalitas, keseragaman data, validitas dan reliabel
telah normal, seragam, valid dan reliabel. Hasil untuk uji median menunjukan
bahwa data tersebut mempunyai median (titik tengah) yang berbeda setiap
variabelnya atau setiap dayanya.
Selanjutnya, untuk segala hasil pengujian yang telah dilakukan dapat
diketahui bahwa konsumi listrik dari ketiga daya (daya yang terpasang, daya yang
dibangkitkan dan daya yang terjual) dari tahun 1997 sampai dengan tahun 2016
peningkatannya sangat signifikan. Peningkatan tersebut dipengaruhi oleh beberapa
factor salah satunya yaitu peningkatan jumlah penduduk di D.I.Yogyakarta dan
peningkatan kebutuhan masyarakat akan listrik yang semakin hari semakin
bertambah.
Dengan hasil yang sudah diperoleh dari pengolahan data tersebut
pemerintah seharusnya mampu untuk mencari solusi agar penambahan daya atau
listrik tersebut tidak berdampak ke lingkungan sekitar. Mungkin dengan adanya
penambahan ruang terbuka hijau yang berisi tanaman dan pohon yang
menghasilkan oksigen di setiap harinya. Dengan begitu dapat mengimbangi output
atau dampak dari pemanfaatan energi listrik disetiap harinya. Selain itu pemerintah
juga harus menghimbau dan bertindak tegas kepada masyarakat D.I.Yogyakarta
agar menghemat energi listrik yang digunakan untuk menciptakan kehidupan yang
lebih baik.
646
BAB XVII
STATISTIKA NON PARAMETRIK TWO RELATED SAMPLE
TEST UJI WILCOXON DAN SIGN
1. Bagaimana cara menentukan uji willcoxon dan sign pada studi kasus
tersebut?
Mendapatkan data dari Badan Pusat Statistik mengenai penelitian nilai impor
penjualan kendaraan bermotor menurut negara asal utama pada tahun 2000 hingga
2015.
18.4 Manfaat
647
kendaraan bermotor menurut negara asal utama dari tahun ke tahun
18.5 Literatur
648
dengan informasi laba bruto, kecuali informasi arus kas investasi yang
hubungannya kuat, tetapi negatif.
Variabel laba usaha mempunyai korelasi tinggi dengan semua jumlahjumlah dalam
laporan arus kas. Laba usaha berkorelasi positif dan tinggi dengan jumlah arus kas
(0,76), arus kas operasi (0,86), arus kas dari pendanaan (0,94), dan berkorelasi
negatif tinggi dengan arus kas investasi (-0,89). Hasil ini menunjukkan bahwa
informasi jumlah-jumlah dalam laporan arus kas mempunyai kecenderungan yang
sama (searah) dengan informasi laba usaha, kecuali informasi arus kas investasi
yang hubungannya kuat, tetapi negatif. Secara umum terlihat bahwa variabel-
variabel laba berkorelasi secara positif dengan variabel arus kas, kecuali arus kas
dari investasi.
Hipotesis Uji
H0 : D = 0 (Rata-rata sama)
Statistik Uji
1. Hitung selisih nilai data kelompok 1 dengan kelompok 2 dan median untuk
setiap pengamatan, Di = Pre ke i – Post ke i
2. Beri peringkat untuk |Di|. Jika ada nilai yang sama (disebut ties) beri peringkat
tengah (mid-rank).
649
3. Pasangkan tanda ‘plus’ dan ‘minus’ pada peringkat sesuai nilai pada langkah
pertama.
Kaidah Keputusan
Tolak H0 jika T’ < Tn(α/2), dimana Tn(α/2) diperoleh dari Tabel Wilcoxon
Tabel 18.1 Kumpulan data penelitian nilai impor penjualan kendaraan bermotor
menurut negara asal utama pada tahun 2000 hingga 2015.
650
Nilai Impor Penjualan Kendaraan Nilai Impor Penjualan Negara N_Total
Bermotor Pertama Kendaraan Bermotor Kedua
33.2 158.9 3.0 195.10
38.3 59.2 3.0 100.5
57.0 17.3 4.0 78.3
40.4 38.0 4.0 82.4
23.5 48.9 4.0 76.4
23.6 61.5 4.0 89.1
25.4 63.3 4.0 92.70
19.4 204.6 4.0 228.0
8.2 123.4 4.0 135.6
7.4 25.8 4.0 37.2
86.6 196.2 5.0 287.80
100.4 68.8 5.0 174.2
66.7 70.0 5.0 141.7
97.6 293.3 5.0 395.9
62.0 258.7 5.0 325.7
188.3 75.0 5.0 268.3
Tabel 18.2 Kumpulan data penelitian nilai impor penjualan kendaraan bermotor
menurut negara asal utama pada tahun 2000 hingga 2015.
651
Gambar 18.1 Kotak Dialog Two-Related-Samples Tests
(Sumber: Olah Data 2020)
c. Blok semua variabel Nilai Impor Penjualan Kendaraan Bermotor Pertama dan
Nilai Impor Penjualan Kendaraan Bermotor Kedua, masukkan ke dalam kotak
test Pairs(s) list, dengan klik tombol panah sehingga muncul variabel Nilai
Impor Penjualan Kendaraan Bermotor Pertama dan Nilai Impor Penjualan
Kendaraan Bermotor Kedua di kotak tersebut. Beri tanda check pada test type
yaitu Wilcoxon dan Sign .
d. Klik OK.
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Median.
A. Uji Normalitas
Tabel 18.3 Hasil Pengolahan Uji Normalitas nilai impor penjualan kendaraan
bermotor menurut negara asal utama pada tahun 2000 hingga 2015.
652
Tests of Normality
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
normal (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari
hasil diatas menunjukkan bahwa:
653
B. Keseragaman Data
Tabel 18.4 Hasil Pengolahan Uji Keseragaman Data nilai impor penjualan
kendaraan bermotor menurut negara asal utama pada tahun 2000 hingga 2015.
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
C. Uji Validitas
Tabel 18.5 Hasil Pengolahan Uji Validitas nilai impor penjualan kendaraan
bermotor menurut negara asal utama pada tahun 2000 hingga 2015.
654
Correlations
Nilai_Impor_Pen Nilai_Impor_Penj
jualan_Kendaraa ualan_Kendaraa
n_Bermotor_Per n_Bermotor_Ked
tama ua Negara N_Total
Dalam hal ini terdapat 40 data (N=40) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 40-2 = 38. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
Negara
= 0,735 > r tabel Valid
655
D. Uji Reliabilitas
Tabel 18.6 Hasil Pengolahan Uji Reliabilitas nilai impor penjualan kendaraan
bermotor menurut negara asal utama pada tahun 2000 hingga 2015.
Reliability Statistics
Cronbach's
Alpha N of Items
,609 2
Tabel 18.7 Hasil Pengolahan Uji Wilcoxon dan Sign nilai impor penjualan
kendaraan bermotor menurut negara asal utama pada tahun 2000 hingga 2015.
Ranks
N Mean Rank Sum of Ranks
a. Nilai_Impor_Penjualan_Kendaraan_Bermotor_Kedua <
Nilai_Impor_Penjualan_Kendaraan_Bermotor_Pertama
b. Nilai_Impor_Penjualan_Kendaraan_Bermotor_Kedua >
Nilai_Impor_Penjualan_Kendaraan_Bermotor_Pertama
c. Nilai_Impor_Penjualan_Kendaraan_Bermotor_Kedua =
Nilai_Impor_Penjualan_Kendaraan_Bermotor_Pertama
656
Test Statisticsb
Nilai_Impor_Pen
jualan_Kendara
an_Bermotor_K
edua -
Nilai_Impor_Pen
jualan_Kendara
an_Bermotor_P
ertama
Z -4,247a
Asymp. Sig. (2-tailed) ,064
Penentuan Hipotesis
Hₒ = nilai impor penjualan kendaraan bermotor menurut 5 negara tersebut tidak
terdapat persamaan
H₁ = nilai impor penjualan kendaraan bermotor menurut 5 negara tersebut terdapat
persamaan
Tingkat Signifikasi (α) = 1%
Daerah Kritis: Jika nilai sig (2 tailed) > α, tolak Hₒ
Jika nilai sig (2 tailed)< α, terima Hₒ dan
tolak H₁
Uji Statistik
Nilai Asymp. Sig. (2-tailed) = 0,064
Nilai α = 0,01
Keputusan
Asymp. Sig. (2-tailed) > α atau 0,064 > 0,01
Maka, tolak Hₒ
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0,01) dapat disimpulkan bahwa nilai
impor penjualan kendaraan bermotor menurut 5 negara tersebut terdapat
persamaan.
657
18.10 Analisis Hasil Pengolahan Data
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji Wilcoxon dan Sign menunjukan
bahwa data yang di peroleh dari Badan Pusat Statistik terhadap 40 data nilai impor
penjualan kendaraan bermotor menurut negara asal utama pada tahun 2000 hingga
2015. tersebut menunjukan data tersebut normal karena nilai sig. lebih dari nilai
alpha (0,05), data seragam karena pada pengujian keseragaman data menunjukan
hasil nilai sig. lebih dari nilai alpha (0,05), data valid karena nilai N_Total pada
correlation lebih besar dari nilai r tabel, data reliabel karena terlihat bahwa nilai
Cronbach’s Alpha pada 2 of items pernyataan. Nilai tersebut berada diatas range
0,601 – 0,80 yang artinya bahwa pernyataan tersebut reliabel. Pada uji Wilcoxon
dan Sign tersebut menghasilkan bahwa dengan tingkat signifikansi 1% untuk
masing-masing data nilai impor penjualan kendaraan bermotor menurut negara asal
utama pada tahun 2000 hingga 2015 menunjukan bahwa hasil uji Wilcoxon dan
Sign terdapat persamaan yang dapat diartikan bahwa tolak H0 nilai impor penjualan
kendaraan bermotor menurut negara asal utama pada tahun 2000 hingga 2015.
18.11 Kesimpulan
Kesimpulan yang dapat diambil untuk data nilai impor penjualan kendaraan
bermotor menurut negara asal utama pada tahun 2000 hingga 2015. yaitu antara lain
dari pengolahan data di atas sudah jelas menunjukan hasil pengolahan data dengan
metode uji Wilcoxon dan Sign bahwa data yang di peroleh dari Badan Pusat
Statistik.
658
18.1 Latar Belakang
18.3 Tujuan
18.4 Manfaat
18.5 Literatur
Suatu penelitian dilakukan pada beberapa bank. Penelitian ini bertujuan untuk
mengetahui tentang ada tidaknya perbedaan kualitas manajemen antara Bank-Bank
yang dianggap favorit oleh masyarakat dan Bank yang tidak favorit. Penelitian ini
menggunakan sampel 12 Bank yang dianggap tidak favorit (Kelompak A) dan 15
Bank yang dianggap favorit (Kelompok B). Selanjutnya kedua kelompok Bank
tersebut diukur kualitas manajemennya dengan menggunakan instrumen khusus
yang terdiri dari butir-butir pertanyaan. Skor penilaian yang diberikan tertinggi 40
dan terendah 0 (α = 0,05). (Ritongga, 1987)
659
Data :
(Sumber: http://sigitnugroho.id/e-Skripsi/0505%20Uji%20Median%20Mann-Whitney-
Wlcoxon%20Kolmogorov-Smirnov.pdf)
Hipotesis :
Tolak H0 apabila nilai signifikansi > 0,05 , Terima H0 apabila nilai signifikansi <
0,05.
Langkah-langkah SPSS
1. Buka lembar file, pilih menu new, lalu klik data. Dan inputkan data
Samples Test.
4. Blok semua variabel yang akan dianalisia dalam kotak Test Pair(s)
660
List. Beri tanda check pada test type yaitu Wilcoxon dan Sign
Test Statisticsb
Bank_Favorit -
Bank_Tidak_Fav
orit
Z -3.410a
(Sumber: http://sigitnugroho.id/e-Skripsi/0505%20Uji%20Median%20Mann-Whitney-
Wlcoxon%20Kolmogorov-Smirnov.pdf)
Sign Test
Test Statisticsb
Bank_Favorit -
Bank_Tidak_Fav
orit
b. Sign Test
(Sumber: http://sigitnugroho.id/e-Skripsi/0505%20Uji%20Median%20Mann-Whitney-
Wlcoxon%20Kolmogorov-Smirnov.pdf)
661
Pada tabel uji Wilcoxon dan Sign di atas dapat diketahui bahwa nilai
signifikansi sebesar 0.021 serta 0,015 dan nilai sig.alpha sebesar 0,01. Karena nilai
signifikansi uji Wilcoxon dan Sign lebih besar dari sig.alpha maka H0 tidak dapat
diterima. Sehingga dapat disimpulkan bahwa terdapat perbedaan yang signifikan
antara kualitas manajemen antara Bank yang favorit dan tidak favorit. Bank favorit
memiliki kualitas manajemen yang lebih baik dibandingkan dengan Bank tidak
favorit.
Metode pengujian data ini terdiri dari uji kualitas data dengan syarat bahwa data
harus valid dan reliabel. Data dinyatakan valid apabila masing-masing indikator
menunjukkan hasil lebih besar dari 1% dari total skor produksi. Untuk pengukuran
reliabilitas diuji dengan statistik Crobanch Alpha dan variabel dikatakan reliabel
jika memberikan nilai Grobanch Alpha > 0,70 (Nunnally, 1967 dalam Ghozali,
2012:46). Uji asumsi klasik yang digunakan dalam penelitian ini yaitu uji
normalitas dan uji homogenitas. Metode analisis yang digunakan yaitu analisis 2
Related Samples Test dengan metode uji Wilcoxon dan Sign
Berikut adalah kumpulan data penjualan mobil 4x4 Double Cabins pada kuartal
2012-2014 dan kuartal 2015-2017
Tabel 18.4 Data penjualan mobil 4x4 Double Cabins pada kuartal 2012-2014 dan kuartal
2015-2017
662
2012 2013 2014 2015 2016 2017
1355 1356 973 924 656 1766
2323 1046 996 354 917 1562
2481 1282 952 276 629 1511
1704 996 1216 1038 789 932
2403 1317 934 2112 991 1121
1577 1482 849 2187 832 1102
1371 1494 910 1208 820 1426
1641 1144 724 736 935 1000
d. Klik OK
663
18.9 Hasil Pengolahan Data
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan uji Wilcoxon dan Sign.
A. Uji Normalitas
Tabel 18.5 Hasil Pengolahan Uji Normalitas penjualan mobil 4x4 Double Cabins pada kuartal
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
Semua variabel menunjukkan sig > alpha sehingga data tersebut normal
664
B. Uji Validitas
Tabel 18.6 Hasil Pengolahan Uji Validitas penjualan mobil 4x4 Double Cabins pada kuartal 2012-
2014 dan kuartal 2015-2017
Correlations
Penjualan_Kua Penjualan_Kua
rtal_Pertama rtal_Kedua Responden N_Total
N 36 36 36 36
N 36 36 36 36
N 36 36 36 36
N 36 36 36 36
Dalam hal ini terdapat 36 data (N=36) dengan tingkat signifikansi 1% pada tabel
r dengan rumus df = N-2, maka df = 36-2 = 34. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
665
C. Uji Reliabilitas
Tabel 18.7 Hasil Pengolahan Uji Reliabilitas penjualan mobil 4x4 Double Cabins pada kuartal
2012-2014 dan kuartal 2015-2017
Reliability Statistics
Cronbach's
Alphaa N of Items
.203 2
Test Statisticsb
Penjualan_Kuart
al_Kedua -
Penjualan_Kuart
al_Pertama
Z -2.687a
666
Tabel 18.9 Hasil Pengolahan Uji Sign penjualan mobil 4x4 Double Cabins pada kuartal 2012-2014
Sign Test
Test Statisticsa
Penjualan_Kuart
al_Kedua -
Penjualan_Kuart
al_Pertama
Z -2.833
a. Sign Test
Untuk mengetahui hasil uji Wilcoxon dan Sign dilakukan melalui beberapa tahap,
yaitu
3. Daerah kritis :
4. Uji statistik :
Sig. (2 tailed) = 0,017 dan 0,015, α = 0,01. Maka sig. (2 tailed) > α , 0,015 > 0,01
9. Keputusan :
667
Karena nilai sig. (2 tailed) > α, maka tolak H0
6. Kesimpulan :
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas, validitas,
reliabilitas dan uji Wilcoxon dan Sign menunjukan bahwa data yang di peroleh dari
data penjualan mobil 4x4 Double Cabins pada kuartal 2012-2014 dan kuartal 2015-
2017 berdasarkan data Gabungan Industri Kendaraan Bermotor Indonesia
(GAIKINDO) tersebut menunjukan data tersebut normal karena nilai sig. lebih dari
nilai alpha (0,01), data valid karena nilai N_Total pada correlation lebih besar dari
nilai r tabel, data reliabel karena terlihat bahwa nilai Cronbach’s Alpha pada 2 of
items pernyataan nilai tersebut berada diatas range yang artinya bahwa pernyataan
tersebut reliabel. Pada uji Wilcoxon dan Sign tersebut menghasilkan bahwa dengan
tingkat signifikansi 1% menunjukan bahwa hasil uji Wilcoxon dan Sign lebih dari
nilai alpha (0,01) yang dapat diartikan tolak H0 bahwa terdapat perbedaan yang
signifikan pada pengaruh kepuasan pelanggan terhadap penjualan mobil 4x4
Double Cabins.
18.11 Kesimpulan
Kesimpulan yang didapat dari praktikum kali ini antara lain yaitu dari
pengolahan data dapat kita ketahui bahwa tolak H0 karena nilai sig (2-tailed) lebih
besar dari tingkat signifikansinya yang artinya bahwa terdapat perbedaan yang
signifikan pada pengaruh kepuasan pelanggan terhadap penjualan mobil 4x4
Double Cabins.
668
Kolega Motoris di Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo)
menyebut, pikap double cabin yang merupakan kendaraan komersial sepanjang 3
tahun terakhir ini banyak diserap oleh sektor pertambangan, perkebunan, serta
konstruksi.
669
18.1 Latar Belakang
Produksi kendaraan bermotor mobil di Indonesia mulai tahun 2018
bertumbuh signifikan, seiring dengan kehadiran produk baru. Berdasarkan data
Gabungan Kendaraan Bermotor Indonesia (Gaikindo), produksi mobil Indonesia
pada tahun lalu mencapai 1,34 juta unit, atau bertumbuh 10,4% dibandingkan
dengan capaian pada tahun sebelumnya yang mendekati 1,22 juta unit. Angka
produksi yang cukup signifikan berada di tahun 2018 dan 2019. Daihatsu, Datsun,
Honda, Suzuki dan Toyota menjadi brand lima tertinggi yang paling diminati oleh
konsumen saat ini. Dari kelima brand tersebut masing-masing brand juga
mempunyai beberapa type tersendiri.
18.2 Rumusan Masalah
Rumusan Masalah yang dapat diambil dari studi kasus di atas antara lain
bagaimana perkembangan produksi pembuatan mobil sesuai dengan kelima brand
yang sedang digemari masyarakat Indonesia saat ini?
18.3 Tujuan
1. Mengetahui data statistik perkembangan jumlah produksi mobil
2. Mengetahui tingkat produksi setiap brand
18.4 Manfaat
1. Dapat menjadikan tolak ukur dalam penilaian setiap perusahaan yang
memproduksi mobil
2. Untuk bahan evaluasi disetiap perusahaan mengenai produk yang
diproduksi
18.5 Literatur
670
1. Inputkan data seperti tampak di bawah ini:
Tabel 18.1 Data Ujian
(Sumber: https://exponensial.wordpress.com/2010/05/13/uji-wilcoxon/)
671
(Sumber: https://exponensial.wordpress.com/2010/05/13/uji-wilcoxon/)
Dari output tersebut diperoleh:
1. Negative Ranks atau selisih antara variabel sebelum dan sesudah yang
negatif sebanyak 4 observasi atau dengan kata lain terdapat 4 observasi pada
variabel sesudah yang kurang dari observasi pada variabel sebelum. Dan rata-rata
rangkingnya = 4 dengan jumlah rangking negatif = 16
2. Positive Ranks atau selisih variabel sebelum dan sesudah yang positif
sebanyak 10 observasi atau denga kata lain terdapat 10 observasi pada variabel
sesudah yang lebih dari observasi pad avariabel sebelum dengan rata-rata
rangkingnya = 8,90 dan jumlah rangking positif = 89.
3. Ties atau tidak ada perbedaan antara variabel sebelim dan sesudah sebanyak
1 observasi.
Oleh karena jumah rangking negatif lebih kecil dibanding rangking positif
maka nilai T yang digunakan adalah jumlah rangking yang negatif.
Selanjutnya dilakukan uji hipotesis:
H0 : d = 0 (tidak ada perbedaan nilai tes sebelum matrikulasi dan sesudah
matrikulasi)
H1 : d ≠ 0 (ada perbedaan diantara nilai tes sebelum matrikulasi dan sesudah
matrikulasi )
Tingkat signifikansi α =0,05
Statistik Uji
(Sumber: https://exponensial.wordpress.com/2010/05/13/uji-wilcoxon/)
672
dari tabel diperoleh nilai asymp sig = 0,022
Daerah kritis
H0 ditolak jika nilai asymp sig < nilai α
Kesimpulan
Oleh karena nilai asymp sig = 0,022 < α =0,05 maka Ho ditolak yang berarti bahwa
ada perbedaan nilai Fisika calon mahasiswa sebelum dan sesudah mengikuti
program matrikulasi.
Uji hipotesis :
H0 : d = 0 (tidak ada perbedaan diantara dua perlakuan yang diberikan)
H1 : d ≠ 0 (ada perbedaan diantara dua perlakuan yang diberikan )
Dengan d menunjukkan selisih nilai antara kedua perlakuan.
Statistik uji
Dimana:
N = banyak data yang berubah setelah diberi perlakuan berbedaT
= jumlah renking dari nilai selisih yng negative (apabila banyaknya selisih yang
positif lebih banyak dari banyaknya selisih negatif)
= jumlah ranking dari nilai selisih yang positif (apabila banyaknya selisih yang
negatif > banyaknya selisih yang positif)
673
Daerah kritis:
H0 ditolak jika nilai absolute dari Z hitung diatas > nilai Z 2 / α
674
Brand Tahun 2018 Tahun 2019
4 841 96
4 3002 911
4 23609 132
4 20365 0
4 4 348
4 2984 168
4 0 96
4 701 3300
4 0 24551
4 565 26746
4 0 100
4 381 2128
5 479 0
5 0 485
5 4344 0
5 12731 498
5 2402 0
5 9202 963
5 31010 117
5 38421 1778
5 13947 9246
675
3. Blok semua variabel sebelum dan sesudah, masukkan ke dalam kotak test
Pair(s) list, dengan klik tombol panah sehingga muncul variabel sebelum dan
sesudah di kotak tersebut. Beri tanda check pada test type yaitu Wilicoxon dan
Sign.
4. Klik OK.
18.9 Hasil Pengolahan Data
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Wilicoxon dan Sign.
a. Uji Normalitas
Kolmogorov-Smirnov a Shapiro-Wilk
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
a. Variabel Tahun 2018 memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Tahun 2019 memiliki nilai (Sig.> α), maka data tersebut normal
676
b. Uji Keseragaman Data
Analisis uji keseragaman data dilakukan dengan melakukan nilai alpha (α) sebesar
0,05 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data
yang dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang
diolah lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
a. Variabel Tahun 2018 memiliki nilai (Sig.> α), maka data tersebut seragam
b. Variabel Tahun 2019 memiliki nilai (Sig.> α), maka data tersebut seragam
677
c. Uji Validitas
Correlations
*
Brand Pearson Correlation 1 .312 .073 .311*
N 60 60 60 60
N 60 60 60 60
N 60 60 60 60
N 60 60 60 60
Dalam hal ini terdapat 60 data (N=60) dengan tingkat signifikansi 5% pada tabel r
(0.2542) dengan rumus df = N-2, maka df = 60-2 = 58. Maka dari hasil uji validitas
diatas dapat dijelaskan sebagai berikut :
Brand = 0,311 > r tabel Valid
Tahun 2018 = 0,824 > r tabel Valid
Tahun 2019 = 0,509 > r tabel Valid
678
d. Uji Reliabilitas
Reliability Statistics
Cronbach's
Alphaa N of Items
.100 3
Ranks
a
Tahun_2019 - Tahun_2018 Negative Ranks 34 30.29 1030.00
Ties 2c
Total 60
c. Tahun_2019 = Tahun_2018
1. Negative ranks atau selisih negative antara produksi mobil untuk tahun 2018
dan tahun 2019. Disini terdapat 34 data negative yang artinya 34 type mobil dari
kelima brand tersebut ada yang mengalami penurunan sebesar 30.29 , sedangkan
jumlah ranking negative atau sum of ranks adalah sebesar 1030.00
679
2. Positif ranks atau selisih positif antara produksi mobil untuk tahun 2018 dan
tahun 2019. Disini terdapat 24 data positif yang artinya ada 24 type mobil dari
kelima brand tersebut mengalami peningkatan produksi. Mean Rank atau rata-rata
peningkatan tersebut adalah sebesar 28.38 , sedangkan jumlah ranking positif atau
sum of ranks adalah sebesar 681.000
Tahun_2019 -
Tahun_2018
Z 1.351a
680
Tabel 18.10 Hasil Frequencies
Frequencies
Tiesc 2
Total 60
c. Tahun_2019 = Tahun_2018
Tahun_2019 -
Tahun_2018
Z 1.182
a. Sign Test
Penentuan Hipotesis
H0 = Produksi mobil dari tahun 2018 dan tahun 2019 secara garis besar
tidak mengalami persamaan
H1 = Produksi mobil dari tahun 2018 dan tahun 2019 secara garis besar
mengalami persamaan
Tingkat Signifikasi (α) = 1%
Daerah Kritis: Jika nilai sig (asymp. sig.) > α, terima H0
Jika nilai sig (asymp. sig.) < α, tolak H0
Uji Statistik
681
Nilai sig (asymp. sig.) = 0.237
Nilai α = 0.01
Keputusan
sig (2 tailed) > α atau 0.237 > 0.01
maka, terima H0
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0.01) dapat disimpulkan bahwa,
Produksi mobil dari tahun 2018 dan tahun 2019 secara garis besar tidak mengalami
persamaan.
682
malah mengalami kenaikan yang cukup signifikan dan pada uji sign produksi mobil
dari tahun 2018 dan tahun 2019 secara garis besar tidak mengalami persamaan.
18.11 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan data dan pengujian data
di atas antara lain yaitu dari hasil yang sudah diperoleh menunjukan bahwa data
yang didapat setelah di uji normalitas, keseragaman data, validitas dan reliabel telah
normal, seragam, valid, kecuali untuk uji reliabilitas menunjukan bahwa data
tersebut kurang reliabel. Hasil untuk uji Wilcoxon dan sign menunjukan bahwa data
untuk tahun 2018 dan tahun 2019 mengalami perbedaan disetiap tahunnya dan
beberapa type mobil di setiap brand ada yang mengalami kenaikan dan penurunan.
Selanjutnya dari data yang sudah diolah diatas dapat disimpulkan bahwa hasil
tersebut dapat menjadi acuan oleh para perusahaan brand mobil tersebut untuk
dapat mengevaluasi kekurangan dari masing-masing type mobil untuk beberapa
yang mengalami penurunan produksi. Banyak faktor yang mempengaruhi produksi
antara lain yaitu minat dari konsumen dan bahan baku untuk produksi. Dengan
demikian perusahaan dapat memikirkan apa yang sedang diminati dan dibutuhkan
oleh konsumen di mobil yang akan dibeli.
683
BAB XIX
STATISTIKA NON PARAMETRIK TWO RELATED SAMPLE
TEST UJI MC NEMAR
19.3 Tujuan
Mendapatkan data dari Badan Pusat Statistik mengenai penelitian nilai expor
barang dari tembaga menurut negara tujuan utama dengan data yang diteliti yaitu
Berat Bersih (Ton) pada tahun 2012 hingga 2015.
19.4 Manfaat
684
Bersih (Ton) dari tahun ke tahun
19.5 Literatur
Bahwa dari 38 responden yang memiliki sikap positif sebelum maupun sesudah
diberikan penyuluhan sebanyak 30 responden dan tidak ada responden yang
memiliki sikap positif sebelum penyuluhan dan memiliki sikap negatif sesudah
diberikan penyuluhan. Selanjutnya, responden yang memiliki sikap negatif sebelum
diberikan penyuluhan dan setelah diberikan penyuluhan memiliki sikap positif
sebanyak 6 responden, sedangkan responden yang memiliki sikap negatif sebelum
maupun sesudah diberikan penyuluhan sebanyak 2 responden. Analisis dengan uji
Mc Nemar diperoleh p value (0,031) < α (0,05), maka H0 ditolak dan H1 diterima.
Ini dapat disimpulkan bahwa Ada pengaruh penyuluhan metode permainan edukatif
terhadap sikap murid SD tentang pencegahan penyakit diare sebelum dan sesudah
penyuluhan di SDN 11 Poasia Tahun 2015. Dari 38 responden yang memiliki sikap
positif sebelum maupun sesudah diberikan penyuluhan sebanyak 27 responden dan
tidak ada responden yang memiliki sikap positif sebelum penyuluhan dan memiliki
sikap negatif sesudah diberikan penyuluhan. Selanjutnya, responden yang memiliki
sikap negatif sebelum diberikan penyuluhan dan setelah diberikan penyuluhan
memiliki sikap positif sebanyak 2 responden, sedangkan responden yang memiliki
sikap negatif sebelum maupun sesudah diberikan penyuluhan sebanyak 9
responden.
Analisis dengan uji Mc Nemar diperoleh p value (0,500) > α (0,05), maka H0
diterima dan H1 ditolak. Ini dapat disimpulkan bahwa tidak ada pengaruh
penyuluhan metode ceramah terhadap sikap murid SD tentang pencegahan penyakit
diare sebelum dan sesudah penyuluhan di SDN 07 Poasia Tahun 2015.
685
pada 2 kelompok sampel yang berhubungan, skala pengukurannya berjenis nominal
(binary respon) dan untuk crosstabulasi 2x2.
Dimana :
Contoh Kasus
Langkah-langkah SPSS :
3. Pilih Mcnemar, OK
Hipotesis :
686
H1 = terdapat perubahan yang signifikan pemilihan Kepala Desa sebelum
dan sesudah debat.
Hasil Output SPSS, nilai Chi-square sebesar 21.841 dan signifikansi p-value
sebesar 0.000. Karena nilai sig.p-value 0.000 < 0.05 maka tolak hipotesis nol yang
artinya ada perubahan yang signifikan pemilihan kepala desa sebelum dan sesudah
debat dilakukan.
Berikut adalah kumpulan data hasil penelitian nilai expor barang dari tembaga
menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun
2012 hingga 2015.
Keterangan:
1. Meningkat
2. Menurun
Tabel 19.1 Kumpulan data penelitian nilai expor barang dari tembaga menurut
negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun 2012
hingga 2015.
687
No Berat Berat Keterangan 1 Berat Berat Keterangan 2 N_Total
Bersih_2012 Bersih_2013 Bersih_2014 Bersih_2015
17 2396,2 14638,7 1 16954,0 24860,6 1 58868,50
18 2369,5 7046,6 1 13160,8 22395,9 1 44992,80
19 11249,5 21505,7 1 7587,6 20871,7 1 61235,50
20 10862,2 11427,3 1 24343,3 6842,8 2 53498,60
21 9375,6 14592,6 1 17818,0 21911,6 1 63720,80
22 14695,8 13839,2 2 5474,0 12363,6 1 46397,60
23 12881,1 12830,9 2 13124,2 12718,2 2 51581,40
24 2801,2 15015,0 1 6302,4 26038,3 1 50182,90
25 8080,5 7109,0 2 15127,0 8679,5 2 39025,04
26 10749,7 7459,7 2 23356,0 29612,0 1 71206,40
27 4342,9 11395,0 1 4128,3 11006,0 1 30901,20
28 11011,9 14227,3 1 28710,0 9238,3 2 63218,50
29 16472,2 15409,5 2 11062,7 23920,6 1 66897,00
30 6488,8 20307,4 1 24975,2 25666,7 1 77470,10
31 1846,9 15298,2 1 23708,1 29313,9 1 70200,10
32 4272,5 17990,7 1 14753,1 6466,9 2 43518,20
33 8625,6 14448,0 1 7432,0 2891,0 2 33432,60
34 2462,4 18665,4 1 8901,0 9443,0 1 39507,80
35 13872,2 8994,3 2 19225,0 19262,6 1 61392,10
36 2772,3 16938,7 1 11996,6 10580,7 2 42327,30
37 8413,4 21476,8 1 26305,7 23058,3 2 79294,20
38 1003,5 9584,4 1 10345,8 16624,0 1 37597,70
39 15847,5 12778,8 2 14601,5 20910,8 1 64180,60
40 13065,6 10814,7 2 4245,5 5644,0 2 33813,80
688
Gambar 19.1 Kotak Dialog Two-Related-Samples Tests
(Sumber: Olah Data 2020)
c. Blok semua variabel Keterangan Pertama dan Keterangan Kedua, masukkan ke
dalam kotak test Pairs(s) list, dengan klik tombol panah sehingga muncul variabel
Keterangan Pertama dan Keterangan Kedua di kotak tersebut. Beri tanda check
pada uji MC Nemar di dalam Test Type.
d. Klik OK.
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang dilakukan
yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan reliabilitas
kemudian data tersebut baru di uji dengan Uji MC Nemar.
A. Uji Normalitas
- Keterangan Pertama
Tabel 19.2 Hasil Pengolahan Uji Normalitas nilai expor barang dari tembaga
menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun
2012 hingga 2015.
Tests of Normality
689
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
normal (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari
hasil diatas menunjukkan bahwa:
a. Variabel Keterangan Pertama Berat Bersih 2012 memiliki nilai (Sig.> α), maka
data tersebut normal
b. Variabel Keterangan Pertama Berat Bersih 2013 memiliki nilai (Sig.> α), maka
data tersebut normal
c. Variabel Keterangan Pertama Berat Bersih 2014 memiliki nilai (Sig.> α), maka
data tersebut normal
d. Variabel Keterangan Pertama Berat Bersih 2015 memiliki nilai (Sig.> α), maka
data tersebut normal
- Keterangan Kedua
Tabel 19.3 Hasil Pengolahan Uji Normalitas nilai expor barang dari tembaga
menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun
2012 hingga 2015.
Tests of Normality
690
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
normal (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari
hasil diatas menunjukkan bahwa:
a. Variabel Keterangan Kedua Berat Bersih 2012 memiliki nilai (Sig.> α), maka
data tersebut normal
b. Variabel Keterangan Kedua Berat Bersih 2013 memiliki nilai (Sig.> α), maka
data tersebut normal
c. Variabel Keterangan Kedua Berat Bersih 2014 memiliki nilai (Sig.> α), maka
data tersebut normal
d. Variabel Keterangan Kedua Berat Bersih 2015 memiliki nilai (Sig.> α), maka
data tersebut normal
691
B. Keseragaman Data
Tabel 19.4 Hasil Pengolahan Uji Keseragaman Data nilai expor barang dari
tembaga menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton)
pada tahun 2012 hingga 2015.
- Keterangan Pertama
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
692
Variabel Berat Bersih 2012 memiliki nilai (Sig.> α), maka data tersebut
seragam
Variabel Berat Bersih 2013 memiliki nilai (Sig.> α), maka data tersebut
seragam
Variabel Berat Bersih 2014 memiliki nilai (Sig.> α), maka data tersebut
seragam
Variabel Berat Bersih 2015 memiliki nilai (Sig.> α), maka data tersebut
seragam
693
- Keterangan Kedua
Tabel 19.5 Hasil Pengolahan Uji Keseragaman Data nilai expor barang dari
tembaga menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton)
pada tahun 2012 hingga 2015.
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Variabel Berat Bersih 2012 memiliki nilai (Sig.> α), maka data tersebut
694
seragam
Variabel Berat Bersih 2013 memiliki nilai (Sig.> α), maka data tersebut
seragam
Variabel Berat Bersih 2014 memiliki nilai (Sig.> α), maka data tersebut
seragam
Variabel Berat Bersih 2015 memiliki nilai (Sig.> α), maka data tersebut
seragam
695
C. Uji Validitas
Tabel 19.6 Hasil Pengolahan Uji Validitas nilai expor barang dari tembaga
menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun
2012 hingga 2015.
Correlations
Berat_Bersih_ Berat_Bersih_ Keterangan_ Berat_Bersih_ Berat_Bersih_ Keterangan_
2012 2013 Pertama 2014 2015 Kedua N_Total
Dalam hal ini terdapat 40 data (N=40) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 40-2 = 38. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
696
Berat Bersih 2012= 0,921 > r tabel Valid
Berat Bersih 2013= 0,941 > r tabel Valid
Keterangan Pertama= 0,206 > r tabel Valid
Berat Bersih 2014 = 0,937 > r tabel Valid
Berat Bersih 2015= 0,899 > r tabel Valid
Keterangan Kedua = 0,220 > r tabel Valid
D. Uji Reliabilitas
Tabel 19.7 Hasil Pengolahan Uji Reliabilitas nilai expor barang dari tembaga
menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun
2012 hingga 2015.
Reliability Statistics
Cronbach's
Alpha N of Items
,942 4
E. Uji MC Nemar
Tabel 19.8 Hasil Pengolahan Uji MC Nemar nilai expor barang dari tembaga
menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun
2012 hingga 2015.
697
Test Statisticsb
Keterangan_Per
tama &
Keterangan_Ked
ua
N 40
Exact Sig. (2-tailed) ,359a
Penentuan Hipotesis
Hₒ = Tidak terdapat perbedaan terhadap nilai expor barang dari tembaga menurut
negara tujuan utama berdasarkan data dari Berat Bersih (Ton)
H₁ = Terdapat perbedaan terhadap nilai expor barang dari tembaga menurut negara
tujuan utama berdasarkan data dari Berat Bersih (Ton)
Tingkat Signifikasi (α) = 1%
Daerah Kritis: Jika nilai sig (2 tailed) > α, terima Hₒ
Jika nilai sig (2 tailed)< α, tolak Hₒ
Uji Statistik
Nilai Exact. Sig. (2-tailed) = 0,359
Nilai α = 0,01
Keputusan
Exact. Sig. (2-tailed) > α atau 0,359 > 0,01
Maka, terima Hₒ dan tolak H₁
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0,01) dapat disimpulkan bahwa nilai
expor barang dari tembaga menurut negara tujuan utama berdasarkan data dari
Berat Bersih (Ton) tersebut tidak terdapat perbedaan.
698
19.10 Analisis Hasil Pengolahan Data
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji MC Nemar menunjukan bahwa data
yang di peroleh dari Badan Pusat Statistik terhadap nilai expor barang dari tembaga
menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun
2012 hingga 2015. tersebut menunjukan data tersebut normal karena nilai sig. lebih
dari nilai alpha (0,05), data seragam karena pada pengujian keseragaman data
menunjukan hasil nilai sig. lebih dari nilai alpha (0,05), data valid karena nilai
N_Total pada correlation lebih besar dari nilai r tabel, data reliabel karena terlihat
bahwa nilai Cronbach’s Alpha pada 4 of items pernyataan. Nilai tersebut berada
diatas range 0,801 – 1,00 yang artinya bahwa pernyataan tersebut reliabel. Pada uji
MC Nemar tersebut menghasilkan bahwa dengan tingkat signifikansi 1% untuk
masing-masing data nilai expor barang dari tembaga menurut negara tujuan utama
berdasarkan data dari Berat Bersih (Ton) pada tahun 2012 hingga 2015.
Menunjukan bahwa hasil uji MC Nemar tidak terdapat perbedaan yang dapat
diartikan bahwa terima Hₒ dan tolak H₁ nilai expor barang dari tembaga menurut
negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun 2012
hingga 2015.
19.11 Kesimpulan
Kesimpulan yang dapat diambil untuk data nilai expor barang dari tembaga
menurut negara tujuan utama berdasarkan data dari Berat Bersih (Ton) pada tahun
2012 hingga 2015 yaitu antara lain dari pengolahan data di atas sudah jelas
menunjukan hasil pengolahan data dengan metode uji MC Nemar bahwa data yang
di peroleh dari Badan Pusat Statistik.
699
19.1 Latar Belakang
Bagaimana pengaruh wabah covid 19 terhadap impor logam berat bagi industri
logam berat di Amerika Serikat?
19.3 Tujuan
19.4 Manfaat
19.5 Literatur
700
Data :
(Sumber: https://s3.amazonaws.com/academia.edu.documents/56240786/statistink-non-
parametrik.pdf?response-content-
disposition=inline%3B%20filename%3DSTATISTIK_NON_PARAMETRIK.pdf)
Hipotesis :
Ho diterima jika nilai Mc Nemar test hitung < nilai Mc nemar test table.
Langkah-langkah SPSS :
701
2. Klik Analyze → Non Parametric Test → 2 Related Sample Test
3. Blok semua variabel sebelum dan sesudah, masukkan ke dalam kotak test Pair(s)
list, dengan klik tombol panah sehingga muncul variabel sebelum dan sesudah di
kotak tersebut. Beri tanda check pada uji MC Nemar di dalam Test Type.
4. Klik OK.
McNemar Test
Test Statisticsb
Sebelum_Imunisasi
&
Sesudah_Imunisasi
N 200
Chi-Squarea 73.013
a. Continuity Corrected
b. McNemar Test
(Sumber: https://s3.amazonaws.com/academia.edu.documents/56240786/statistink-non-
parametrik.pdf?response-content-
disposition=inline%3B%20filename%3DSTATISTIK_NON_PARAMETRIK.pdf)
702
Pada tabel uji McNemar di atas dapat diketahui bahwa nilai signifikansi sebesar
0.012 dan nilai sig. test sebesar 0,01. Karena nilai signifikansi uji McNemar lebih
besar dari sig.test maka H0 tidak dapat diterima. Sehingga dapat disimpulkan
bahwa program imunisasi menurunkan angka kejadian penyakit campak.
Metode pengujian data ini terdiri dari uji kualitas data dengan syarat bahwa data
harus valid dan reliabel. Data dinyatakan valid apabila masing-masing indikator
menunjukkan hasil lebih besar dari 1% dari total skor produksi. Untuk pengukuran
reliabilitas diuji dengan statistik Crobanch Alpha dan variabel dikatakan reliabel
jika memberikan nilai Grobanch Alpha > 0,70 (Nunnally, 1967 dalam Ghozali,
2012:46). Uji asumsi klasik yang digunakan dalam penelitian ini yaitu uji
normalitas dan uji homogenitas. Metode analisis yang digunakan yaitu analisis 2
Related Samples Test dengan metode uji McNemar.
Berikut adalah kumpulan data impor industri logam berat pada akhir tahun
2019 dan pada awal tahun 2020 :
Tabel 19.3 Data impor industri logam berat pada akhir tahun 2019 dan pada awal tahun 2020
703
Impor 2019 Impor 2020
23 23
896 915
197 172
93 77
73 66
42 36
38 33
54 44
35 22
25 46
36 26
42 14
974 919
548 340
230 146
151 126
101 124
216 100
173 76
68 61
147 53
2,562 1,966
Keterangan :
Variabel impor 2019 dan impor 2020 merupakan variable dikotomi bertipe
data nominal, namun diberi value pada variabel tersebut ; 1 = naik ; 2 = turun
19.8 Pengolahan Data
704
Gambar 19.2 Kotak Dialog Two Related Samples Test
(Sumber: Olah data 2020)
c. Blok semua variabel sebelum dan sesudah, masukkan ke dalam kotak test Pair(s)
list, dengan klik tombol panah sehingga muncul variabel sebelum dan sesudah di
kotak tersebut. Beri tanda check pada uji MC Nemar di dalam Test Type.
d. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, homogenitas, validitas dan reliabilitas
kemudian data tersebut baru di uji dengan uji McNemar.
A. Uji Normalitas
Tabel 19.4 Hasil Pengolahan Uji Normalitas impor industri logam berat pada akhir tahun 2019 dan
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Impor_2
020 Statistic df Sig. Statistic df Sig.
705
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
kecil dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
Semua variabel menunjukkan sig > alpha sehingga data tersebut normal
B. Uji Keseragaman
Tabel 19.5 Hasil Pengolahan Uji Keseragaman impor industri logam berat pada akhir tahun 2019
dan pada awal tahun 2020
Analisis uji keseragaman dilakukan dengan melakukan nilai alpha (α) sebesar
0,01 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data
yang dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang
diolah lebih kecil dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Semua variabel memiliki nilai (Sig.> α), maka data tersebut seragam.
706
C. Uji Validitas
Tabel 19.6 Hasil Pengolahan Uji Validitas impor industri logam berat pada akhir tahun 2019 dan
pada awal tahun 2020
Correlations
N 31 31 31
N 31 31 31
N 31 31 31
Dalam hal ini terdapat 31 data (N=31) dengan tingkat signifikansi 1% pada tabel
r dengan rumus df = N-2, maka df = 31-2 = 29. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
D. Uji Reliabilitas
Tabel 19.7 Hasil Pengolahan Uji Reliabilitas impor industri logam berat pada akhir tahun 2019
Reliability Statistics
Cronbach's
Alpha N of Items
.988 2
707
Berdasarkan Reliability Statistic terlihat bahwa nilai Cronbach’s Alpha
adalah 0,988 pada 2 of items pernyataan. Nilai tersebut berada diatas range 0,988
> 0,70 yang artinya bahwa pernyataan tersebut reliabel.
E. Uji McNemar
Tabel 19.8 Hasil Pengolahan Uji McNemar impor industri logam berat pada akhir tahun 2019 dan
pada awal tahun 2020
McNemar Test
Test Statisticsb
Impor_2019 &
Impor_2020
N 31
Chi-Squarea 7.500
a. Continuity Corrected
b. McNemar Test
Untuk mengetahui hasil uji McNemar dilakukan melalui beberapa tahap, yaitu
H0 : wabah covid 19 tidak menaikkan impor logam berat bagi industri logam
berat di Amerika Serikat
H1 : wabah covid 19 menaikkan impor logam berat bagi industri logam berat di
Amerika Serikat
3. Daerah kritis :
708
4. Uji statistik :
Sig. (2 tailed) = 0,016, α = 0,01. Maka sig. (2 tailed) > α , 0,016 > 0,01
10. Keputusan :
6. Kesimpulan :
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas, validitas,
reliabilitas dan uji McNemar menunjukan bahwa data yang di peroleh dari data
impor pada akhir tahun 2019 dan data impor pada awal tahun 2020 yang diambil
dari steel industry data milik American Iron and Steel Insitute (AISI) tersebut
menunjukan data tersebut normal karena nilai sig. lebih dari nilai alpha (0,01), data
valid karena nilai N_Total pada correlation lebih besar dari nilai r tabel, data
reliabel karena terlihat bahwa nilai Cronbach’s Alpha pada 2 of items pernyataan
nilai tersebut berada diatas range yang artinya bahwa pernyataan tersebut reliabel.
Pada uji McNemar tersebut menghasilkan bahwa dengan tingkat signifikansi 1%
menunjukan bahwa hasil uji McNemar lebih dari nilai alpha (0,01) yang dapat
diartikan terima H0 bahwa wabah covid 19 menyebabkan penurunan impor logam
berat bagi industri logam berat di Amerika Serikat.
19.11 Kesimpulan
Kesimpulan yang didapat dari praktikum kali ini antara lain yaitu dari
pengolahan data dapat kita ketahui bahwa terima H0 karena nilai sig (2-tailed) lebih
besar dari tingkat signifikansinya yang artinya bahwa wabah covid 19
menyebabkan penurunan impor logam berat bagi industri logam berat di Amerika
Serikat. Ekonomi global dapat menyusut hingga satu persen pada 2020 karena
pandemi Virus Corona baru atau COVID-19, dan dapat berkontraksi lebih jauh jika
pembatasan kegiatan ekonomi diperpanjang tanpa respons fiskal memadai. Efek
709
buruk dari pembatasan ekonomi yang berkepanjangan di negara maju akan segera
menyebar ke negara-negara berkembang melalui jalur perdagangan dan investasi.
Penurunan tajam dalam pengeluaran konsumen di Uni Eropa dan Amerika Serikat
akan mengurangi impor barang-barang konsumsi dari negara-negara berkembang.
711
1
Kabupaten B. Berdasarkan hasil penelitian diperoleh data sebagai berikut:
Berdasarkan hasil penelitian yang dilakukan terhadap 200 subjek penelitian
diperoleh hasil bahwa Sebelum dilakukan program imunisasi didapatkan 150 balita
terserang Campak sedangkan 50 balita tidak terserang campak kemudian setelah
dilakukan program imunisasi didapatkan 75 balita terserang campak dan 125 balita
tidak terserang campak. Dari 150 balita yang terserang campak didapatkan 65 tetap
terserang campak dan dari 50 balita yang tidak terserang campak sebelumnya
didapatkan 40 balita tetap tidak terserang campak setelah ada program imunisasi.
Berdasarkan data hasil penelitian apakah program imunisasi signifikan berdampak
pada penurunan angka kejadian campak pada balita…?
Langkah penyelesaian:
1. Menentukan hipotesis penelitian
Ho = program imunisasi tidak menurunkan kejadian penyakit campak
Ha = program imunisasi menurunkan angka kejadian penyakit campak
2. Menentukan standar penerimaan hipotesis Ho diterima jika nilai
Mc Nemar test hitung < nilai Mc nemar test table.
3. Perhitungan Diketahui
Tabel 19. 1 Tabel Bantu Perlakuan
(Sumber: statistink-non-parametrik.pdf?response-content-
disposition=inline%3B%20filename%3DSTATISTIK_NON_PARAMETRIK.pdf)
711
2
4. Kesimpulan Ho ditolak
5. Arti program imunisasi menurunkan angka kejadian penyakit
campak
19.6 Metode Pengolahan Data
Uji MC nemar test biasa digunakan pada penelitian yang skala datanya
berbentuk nominal/ diskrit. Pengujian dengan mengunakan uji MC nemar
menekankan tipe sample yang dependent. Sample yang dependent dimaksudkan
tipe sample yang dalam pengukuran satu variable terkait dengan pengukuran
variable lainnya. Pengunaan uji MC nemar test menekankan pada aspek pengujian
sebelum dan sesudah perlakuan. Keadaan ini yang lebih memunkinkan desain
eksperimen untuk digunakan dalam uji MC nemar test.
711
3
Tabel 19.2 Data Ekspor Dan Impor Besi dan Baja Pada Tahun 2012-2016
Type of Iron Impor Ekspor
1 1 2
1 2 2
1 2 1
1 2 1
1 2 1
1 1 2
1 1 1
1 1 2
1 1 2
1 1 2
2 1 2
2 1 2
2 1 2
2 2 2
2 2 2
2 1 2
2 2 2
2 1 2
2 2 1
2 1 2
3 1 2
3 1 2
3 1 1
3 1 1
3 1 2
3 1 1
3 1 1
3 1 1
3 1 2
3 1 2
711
4
19.8 Pengolahan Data
Langkah-langkah dalam melakukan uji MC Nemar adalah sebagai berikut:
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
711
5
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
a. Variabel Impor memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Ekspor memiliki nilai (Sig.> α), maka data tersebut normal
Analisis uji keseragaman data dilakukan dengan melakukan nilai alpha (α) sebesar
0,05 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data
yang dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang
diolah lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
c. Variabel Impor memiliki nilai (Sig.> α), maka data tersebut seragam
d. Variabel Ekspor memiliki nilai (Sig.> α), maka data tersebut seragam
711
6
c. Uji Validitas
Dalam hal ini terdapat 30 data (N=30) dengan tingkat signifikansi 5% pada tabel r
(0.3610) dengan rumus df = N-2, maka df = 30-2 = 28. Maka dari hasil uji validitas
diatas dapat dijelaskan sebagai berikut :
Type of Iron = 0,559 > r tabel Valid
Impor = 0,596 > r tabel Valid
Ekspor = 0,658 > r tabel Valid
d. Uji Reliabilitas
711
7
e. Uji MC Nemar
Penentuan Hipotesis
H0 = Tidak ada persamaan antara data bernilai minus dan plus pada
kegiatan impor dan ekspor
H1 = Ada persamaan antara data bernilai minus dan plus pada kegiatan
impor dan ekspor
Tingkat Signifikasi (α) = 1%
Daerah Kritis: Jika nilai sig (asymp. sig.) > α, terima H0
Jika nilai sig (asymp. sig.) < α, tolak H0
Uji Statistik
Nilai sig (asymp. sig.) = 0.818
Nilai α = 0.01
Keputusan
sig (2 tailed) > α atau 0.818 > 0.01
maka, terima H0
Kesimpulan
Jadi, dengan tingkat signifikasi 1% (0.01) dapat disimpulkan bahwa, tidak
terdapat persamaan pada data bernilai minus dan plus pada kegiatan impor dan
ekspor.
711
8
19.10 Analisis Hasil Pengolahan Data
Hasil pengolahan data dan pengujian diatas bahwa pada pengujian dan
pengolahan data pada studi kasus tersebut dilakukan dengan beberapa metode
pengujian terlebih dahulu untuk menguji median test nya antara lain yaitu uji
normalitas, uji keseragaman data, uji validitas, uji relibilitas kemudian baru diuji
MC Nemar. Hasil dari pengolahan dan pengujian dari data diatas menunjukan
bahwa untuk uji normalitas dari data tersebut hasilnya normal semua karena dari
semua variabel menunjukan nilai yang dihasilkan oleh pengolahan tersebut di atas
dari nilai alpha (0,05). Pada uji keseragaman pada masing-masing variable
pengolahan data menghasilkan nilai lebih dari nilai alpha (0,05) yang berarti data
disetiap variabel tersebut memiliki keseragaman data. Untuk uji validitas terdapat
30 data (N=30) dengan tingkat signifikansi 5% pada tabel r dengan rumus df = N-
2, maka df = 30-2 = 28 dan hasil dari pengolahan data tersebut menunjukan nilai
yang diperoleh dari masing-masing variabel lebih dari r tabel (0.3610) yang artinya
semua data tersebut valid. Pada pengujian relibilitas sesuai dengan tabel Reliability
Statistic terlihat bahwa nilai Cronbach’s Alpha adalah 0.541 pada 5 of items
pernyataan. Bahwa nilai tersebut berada di range 0,401 – 0,60 yang artinya bahwa
pernyataan tersebut cukup reliabel. Untuk uji MC Nemar menunjukan hasil dengan
tingkat signifikasi 1% (0.01) dapat disimpulkan bahwa, tidak terdapat persamaan
pada data bernilai minus dan plus pada kegiatan impor dan ekspor, yang artinya
bahwa disetiap data tersebur terdapat perbedaan antara nilai plus dan minus dari
kedua sisi kegiatan. Pada hasil pengolahan data tersebut menunjukan bahwa
perubahan proporsi pasangan variabel dikotomus tidak sama karena banyak faktor
yang mempengaruhinya antara lain data yang ada di kegiatan impor dan ekspor
tersebut seberapa banyaknya nilai data yang minus dan plus. Yang dimaksud
variabel dikotomus disini adalah variabel yang saling berlawanan.
19.11 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan data dan pengujian data
di atas antara lain yaitu dari hasil yang sudah diperoleh menunjukan bahwa data
yang didapat setelah di uji normalitas, keseragaman data, validitas dan reliabel telah
normal, seragam, valid dan uji reliabilitas menunjukan bahwa data tersebut cukup
reliabel. Hasil untuk MC Nemar menunjukan bahwa tidak terdapat persamaan pada
711
9
data bernilai minus dan plus pada kegiatan impor dan ekspor.
Selanjutnya dengan pengolahan data yang sudah dilakukan dapat diketahui
bahwa perkembangan kegiatan impor dan ekspor besi dan baja yang terdapat di
Indonesia nilai perkembangannya cukup signifikan. Nilai minus pada trend selama
tahun 2012 sampai dengan tahun 2016 paling banyak terjadi di impor. Hal tersebut
dikarenakan Besarnya importasi baja relatif dapat dipahami apabila memang terjadi
kompetisi harga yang sehat antara produksi nasional dengan impor, namun pada
kenyataannya terjadi persaingan yang tidak fair. Antara lain, baja impor mendapat
keringanan pajak (tax rebate) dari negaranya karena untuk ekspor, sementara untuk
bea masuk ke Indonesia, sebagai negara ASEAN, tidak ada hambatan dari sisi fiskal
berkat adanya perjanjian China ASEAN Free Trade Agreement (CAFTA).
Situasi perbajaan Indonesia bertambah buruk lagi karena adanya importasi
baja dengan pengalihan nomor HS (HS Code) demi mendapatkan pembayaran bea
masuk nol dengan cara mengubah unsur material produksinya, misalnya
menambahkan senyawa Boron/Borax. Sehingga besi baja karbon menjadi besi alloy
yang bebas bea masuk.
712
0
BAB XX
STATISTIKA MULTIVARIATE ANALYSIS OF VARIANCE
(MANOVA)
20.3 Tujuan
20.4 Manfaat
712
1
20.5 Literatur
Masalah yang akan dibahas yaitu kemampuan siswa dalam menguasai mata
pelajaran matematika dilihat dari nilai kognitif, afektif dan tingkat kecerdasan IQ.
Data terdiri dari dua variabel terikat Y1 (nilai kognitif) dan Y2 (nilai afektif) dan
variabel bebas X (tingkat kecerdasan IQ).
Berikut data yang akan digunakan dalam analisis MANOVA yang terdiri dari
data nilai kognitif dan nilai afektif siswa dengan tingkat kecerdasan IQ siswa.
Variabel terikat:
712
2
Hipotesis
Kriteria Keputusan
Output
- Tabel Manova
712
3
secara bersamaan dengan komponen IQ. Terdapat uji statistic, yaitu
Pillai’s Trace, Wilk’s Lamda, Hotelling Trace, dan Roy’s Largers.
Hipotesis
Kriteria Keputusan
712
4
Tabel 20.1 Kumpulan data penelitian mengenai harga produsen kacang tanah
menurut provinsi bulan februari dan maret tahun 2018.
712
5
Gambar 20.1 Kotak Dialog Multivariate
(Sumber: Olah Data 2020)
c. Blok semua variabel Februari_2018 dan Maret_2018 masukkan ke dalam kotak
Dependent Variables, dengan klik tombol panah sehingga muncul variabel
Februari_2018 dan Maret_2018 di kotak tersebut. Dan masukkan variabel
Provinsi masukkan ke dalam kotak Fixed Factor(s), dengan klik tombol panah
sehingga muncul variabel Provinsi di kotak tersebut.
Gambar 20.2 Kotak Dialog Multivariate: Post Hoc Multiple Comparisons for Observed
Means
(Sumber: Olah Data 2020)
d. Masukkan variabel Provinsi masukkan ke dalam kotak Post Hoc Test For,
dengan klik tombol panah sehingga muncul variabel Provinsi di kotak tersebut. Beri
tanda check pada LSD, Scheffe, dan Turkey di dalam Equal Variances Assumed.
712
6
Gambar 20.3 Kotak Dialog Multivariate:Options
(Sumber: Olah Data 2020)
f. Klik Continue
g. Lalu klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji homogenitas, homogenitas matriks
varian/covarian, normalitas, multivariate test, test of between subject effects, post
hoc, missing data dan box plot.
A. Uji Homogenitas
712
7
Levene's Test of Equality of Error Variancesa
F df1 df2 Sig.
Tests the null hypothesis that the error variance of the dependent
variable is equal across groups.
a. Design: Intercept + Provinsi
Hasi Uji Levene menunjukkan bahwa untuk Februari 2018 harga F = 1,604 dan
sig. 0,182. sedangkan untuk Maret 2018 F = 2,889 dan sig. 0,112. signifikasi
kedua dependent variable lebih besar dari 0,05. artinya kedua varian tersebut
homogen,sehingga MANOVA dapat dilanjutkan
B. Homogenitas Matriks Varian/Covarian
Box's M 77,969
F 2,669
df1 21
df2 2064,623
Sig. ,522
712
8
Harga Box’s M= 77,969 dengan signifikasi 0.522. karena signifikasi level
melebihi taraf signifikasi penelitian 0,05 sehingga hipotesis nol diterima (
matriks varian/covarian variable dependent sama ). sehingga analisis
MANOVA dapat dilanjutkan.
C. Uji Normalitas
Tests of Normality
f. Variabel Februari 2018 untuk provinsi Aceh, Bengkulu, Jambi, Lampung, Riau,
712
9
Sumatra memiliki nilai (Sig.> α), maka data tersebut normal
g. Variabel Maret 2018 untuk provinsi Aceh, Bengkulu, Jambi, Lampung, Riau,
Sumatra memiliki nilai (Sig.> α), maka data tersebut normal
Multivariate Testsc
Effect Value F Hypothesis df Error df Sig.
a. Exact statistic
b. The statistic is an upper bound on F that yields a lower bound on the significance level.
c. Design: Intercept + Provinsi
713
0
E. Uji Test Of Between Subject Effects
Tabel 20.6 Hasil Pengolahan Uji Test Of Between Subject Effects mengenai
harga produsen kacang tanah menurut provinsi bulan februari dan maret tahun
2018.
Maret_2018 6,861E13 32
Corrected Total Februari_2018 5,892E12 31
dimension1
Maret_2018 2,907E12 31
713
1
F. Post Hoc
Tabel 20.7 Hasil Pengolahan Uji Post Hoc mengenai harga produsen kacang
tanah menurut provinsi bulan februari dan maret tahun 2018.
713
2
Multiple Comparisons
Dependent Variable (I) Provinsi (J) Provinsi Mean 95% Confidence Interval
Difference (I-J) Std. Error Sig. Lower Bound Upper Bound
Februari_ Tukey HSD Aceh Bengkulu -265332,50 336510,582 ,992 -1379826,23 849161,23
2018 Jambi -138717,00 336510,582 1,000 -1253210,73 975776,73
Lampung -84645,00 336510,582 1,000 -1199138,73 1029848,73
713
3
Sumatera Utara -102669,25 336510,582 1,000 -1217162,98 1011824,48
713
4
Bengkulu -126615,50 336510,582 1,000 -1512385,51 1259154,51
713
5
Lampung 13417,00 336510,582 1,000 -1372353,01 1399187,01
713
6
Sumatera Selatan -142573,50 336510,582 ,676 -837097,21 551950,21
Sumatera Utara -102669,25 336510,582 ,763 -797192,96 591854,46
713
7
Jambi Aceh -169433,25 220438,395 ,993 -899506,01 560639,51
713
8
Jambi 287514,75 220438,395 ,888 -442558,01 1017587,51
Lampung 215860,50 220438,395 ,973 -514212,26 945933,26
713
9
Sumatera Barat 37055,75 220438,395 1,000 -870722,29 944833,79
Sumatera Selatan 54994,50 220438,395 1,000 -852783,54 962772,54
Sumatera Utara -217736,25 220438,395 ,994 -1125514,29 690041,79
714
0
Sumatera Utara 108405,25 220438,395 ,627 -346557,24 563367,74
714
1
Bengkulu -108405,25 220438,395 ,627 -563367,74 346557,24
Jambi 287514,75 220438,395 ,205 -167447,74 742477,24
Hasil Uji Turkey, Scheffe, dan LSD menunjukkan bahwa tidak terdapat
perbedaan Februari 2018 dan Maret 2018 dengan provinsi Aceh, Bengkulu,
Jambi, Lampung, Riau, Sumatera Barat dan Sumatera Selatan dengan
signifikasi diatas 0,05.
G. Missing Data
Tabel 20.8 Hasil Pengolahan Uji Missing Data mengenai harga produsen
kacang tanah menurut provinsi bulan februari dan maret tahun 2018.
Statistics
Provinsi Februari_2018 Maret_2018
N Valid 32 32 32
Missing 0 0 0
Dari hasil uji diatas menunjukkan bahwa tidak terdapat missing data
dalam variabel Februari 2018 dan Maret 2018 dengan provinsi Aceh,
Bengkulu, Jambi, Lampung, Riau, Sumatera Barat dan Sumatera Selatan.
H. Box Plot
Tabel 20.9 Hasil Box Plot mengenai harga produsen kacang tanah menurut
provinsi bulan februari dan maret tahun 2018.
714
2
Gambar 20.4 Normal Q-Q Plots Of Februari_2018
I. Hipotesis
Penentuan Hipotesis
Uji Statistik
Nilai α = 0,05
Keputusan
714
3
Kesimpulan
Jadi, dengan tingkat signifikasi 5% (0,05) dapat disimpulkan bahwa
nilai harga produsen kacang tanah menurut provinsi bulan februari
dan maret tahun 2018 tersebut tidak terdapat perbedaan.
20.11 Kesimpulan
714
4
20.1 Latar Belakang
20.3 Tujuan
20.4 Manfaat
20.5 Literatur
714
5
Data :
Tabel 20.1 Data daerah asal,jurusan, IPK, dan Motivasi belajar mahasiswa Amikom Mataram
(Sumber:
https://www.researchgate.net/profile/Muhamad_Isnawan/publication/337797752_IMPLEMENTA
SI_SPSS_FOR_RESEARCH_Written_by_Muhamad_Galang_Isnawan/links/5dea76d2299bf10bc
3463c08/IMPLEMENTASI-SPSS-FOR-RESEARCH-Written-by-Muhamad-Galang-Isnawan.pdf)
Rumusan masalah : Apakah ada pengaruh satu atau lebih variabel bebas yang
berjenis nonmetrik terhadap lebih dari satu variabel terikat yang berjenis metrik?
714
6
Gambar 20.1 Kotak Dialog Multivariate
714
7
3. Pilih Continue, Post Hoc dan pindahkan semua item yang ada pada Factor(s)
pada kolom Post Hoc Tests for, dan kemudian berikan tanda centang pada
item Benferroni dan Tukey sehingga muncul tampilan sebagai berikut
4. Pilih Continue, Options dan pindahkan semua item yang ada pada kolom
Factor(s) and Factor Interactions pada kolom Display Means, lalu berikan
tanda centang pada item Homogenity tests sehingga muncul tampilan
sebagai berikut:
714
8
Gambar 20.4 Kotak Dialog Multivariate
(Sumber:
https://www.researchgate.net/profile/Muhamad_Isnawan/publication/337797752_IMPLEMENTA
SI_SPSS_FOR_RESEARCH_Written_by_Muhamad_Galang_Isnawan/links/5dea76d2299bf10bc
3463c08/IMPLEMENTASI-SPSS-FOR-RESEARCH-Written-by-Muhamad-Galang-Isnawan.pdf)
Pada output di atas, diperoleh informasi bahwa variabel daerah asal tidak
berpengaruh terhadap IPK dan motivasi belajar mahasiswa. Hal ini disebabkan
karena nilai sig. Hotteling’s Trace berada di atas 0,05; yaitu sebesar 0,094. Selain
itu, diperoleh juga informasi bahwa variabel jurusan SMA berpengaruh terhadap
IPK dan motivasi belajar matematika karena nilai sig. Hotteling’s Trace berada di
bawah 0,05; yaitu sebesar 0,000. Hotteling’s Trace biasa digunakan ketika
714
9
banyaknya variabel terikat berjumlah dua. Akan tetapi, jika variabel terikat yang
diteliti lebih dari dua, maka uji statistik yang biasa digunakan adalah Wilk’s
Lambda.
Metode pengujian data ini terdiri dari uji kualitas data dengan syarat bahwa data
harus valid dan reliabel. Data dinyatakan valid apabila masing-masing indikator
menunjukkan hasil lebih besar dari 1% dari total skor produksi. Kemudian uji
kecukupan data, uji Missing Data, dan uji Outlier. Uji asumsi klasik yang
digunakan dalam penelitian ini yaitu uji normalitas dan uji homogenitas. Metode
analisis yang digunakan yaitu Multivariate Analysis of Variance (MANOVA).
Berikut adalah kumpulan data ketersediaan alat dan mesin pertanian pasca
panen padi di provinsi Jawa Barat, Jawa Timur, dan Jawa Tengah tahun 2015 :
Tabel 20.2 Data ketersediaan alat dan mesin pertanian pasca panen padi di provinsi Jawa Barat,
Jawa Timur, dan Jawa Tengah tahun 2015
715
0
No Provinsi Mesin_Pengering Mesin_Pemanen
13 Jawa Barat 65 85
14 Jawa Barat 65 85
15 Jawa Barat 70 75
16 Jawa Barat 50 55
17 Jawa Barat 60 75
18 Jawa Barat 80 90
19 Jawa Barat 75 70
20 Jawa Barat 65 40
21 Jawa Barat 70 70
22 Jawa Barat 75 70
23 Jawa Barat 50 70
24 Jawa Barat 75 70
25 Jawa Barat 80 90
26 Jawa Barat 75 70
27 Jawa Barat 65 80
28 Jawa Barat 60 90
29 Jawa Barat 75 70
30 Jawa Barat 75 70
31 Jawa Barat 70 100
32 Jawa Barat 75 60
33 Jawa Barat 75 80
34 Jawa Barat 50 90
35 Jawa Barat 40 60
36 Jawa Barat 65 85
37 Jawa Barat 65 75
38 Jawa Barat 30 85
39 Jawa Barat 40 55
40 Jawa Barat 50 80
41 Jawa Barat 75 90
42 Jawa Barat 55 80
43 Jawa Barat 75 60
44 Jawa Barat 55 55
45 Jawa Barat 70 70
46 Jawa Barat 75 60
47 Jawa Barat 75 100
48 Jawa Barat 70 75
49 Jawa Barat 75 70
50 Jawa Barat 35 20
51 Jawa Barat 75 95
52 Jawa Barat 70 70
53 Jawa Barat 65 75
54 Jawa Tengah 70 60
715
1
No Provinsi Mesin_Pengering Mesin_Pemanen
56 Jawa Tengah 70 70
57 Jawa Tengah 70 75
58 Jawa Tengah 65 75
59 Jawa Tengah 40 80
60 Jawa Tengah 70 90
61 Jawa Tengah 45 70
62 Jawa Tengah 70 70
63 Jawa Tengah 60 70
64 Jawa Tengah 75 90
65 Jawa Tengah 70 80
66 Jawa Tengah 75 95
67 Jawa Tengah 65 75
68 Jawa Tengah 80 80
69 Jawa Tengah 45 55
70 Jawa Tengah 55 70
71 Jawa Tengah 65 100
72 Jawa Tengah 70 70
73 Jawa Tengah 75 80
74 Jawa Tengah 60 55
75 Jawa Tengah 70 75
76 Jawa Tengah 75 80
77 Jawa Tengah 40 75
78 Jawa Tengah 75 75
79 Jawa Tengah 75 80
80 Jawa Tengah 70 85
81 Jawa Tengah 60 80
82 Jawa Tengah 65 65
83 Jawa Tengah 35 95
84 Jawa Tengah 35 95
85 Jawa Tengah 65 70
86 Jawa Tengah 70 90
87 Jawa Tengah 75 90
88 Jawa Tengah 65 70
89 Jawa Tengah 60 90
90 Jawa Tengah 45 85
91 Jawa Tengah 55 65
92 Jawa Tengah 50 75
93 Jawa Tengah 65 90
94 Jawa Tengah 55 95
95 Jawa Tengah 45 75
96 Jawa Tengah 50 70
97 Jawa Tengah 40 85
715
2
No Provinsi Mesin_Pengering Mesin_Pemanen
98 Jawa Tengah 65 65
99 Jawa Tengah 60 70
100 Jawa Tengah 40 85
101 Jawa Tengah 60 90
102 Jawa Tengah 70 70
103 Jawa Timur 35 80
104 Jawa Timur 50 90
105 Jawa Timur 55 70
106 Jawa Timur 60 70
107 Jawa Timur 80 100
108 Jawa Timur 80 60
109 Jawa Timur 65 80
110 Jawa Timur 75 90
111 Jawa Timur 80 60
112 Jawa Timur 45 85
113 Jawa Timur 65 75
114 Jawa Timur 65 85
115 Jawa Timur 70 55
116 Jawa Timur 50 80
117 Jawa Timur 60 90
118 Jawa Timur 80 80
119 Jawa Timur 75 60
120 Jawa Timur 65 55
121 Jawa Timur 70 70
122 Jawa Timur 75 60
123 Jawa Timur 50 100
124 Jawa Timur 75 75
125 Jawa Timur 80 70
126 Jawa Timur 70 20
127 Jawa Timur 75 80
128 Jawa Timur 40 75
129 Jawa Timur 75 75
130 Jawa Timur 75 80
131 Jawa Timur 70 85
132 Jawa Timur 60 80
133 Jawa Timur 65 65
134 Jawa Timur 35 95
135 Jawa Timur 35 95
136 Jawa Timur 65 70
137 Jawa Timur 70 90
138 Jawa Timur 75 90
139 Jawa Timur 65 70
715
3
No Provinsi Mesin_Pengering Mesin_Pemanen
140 Jawa Timur 60 90
141 Jawa Timur 45 85
142 Jawa Timur 55 65
143 Jawa Timur 50 75
144 Jawa Timur 65 90
145 Jawa Timur 55 95
146 Jawa Timur 45 75
147 Jawa Timur 50 70
148 Jawa Timur 40 85
149 Jawa Timur 65 65
150 Jawa Timur 60 70
715
4
Gambar 20.6 Kotak Dialog Multivariate
d. Selanjutnya pilih kotak option dan pilih Homogenity Tests, lalu klik continue
dan OK.
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji Homogenitas Varians, uji Homogenitasmatriks
Varian / Covarian, uji normalitas, uji korelasi/validitas. Kemudian uji kecukupan
data, uji Missing Data, dan uji Outlier.
padi di Jawa Barat, Jawa Tengah, dan Jawa Timur tahun 2015
Hasil uji Levene menunjukkan bahwa untuk Mesin Pengering (y1) harga F= 0,142
dan signifikansi 0,867, sedangkan untuk Mesin Pemanen (y2) harga F= 1,060 dan
signifikansi 0,349 . Signifikansi kedua dependent variable lebih besar dari 0,05 ,
artinya kedua varian tersebut homogen sehingga MANOVA dapat dilanjutkan.
715
5
B. Uji Homogenitasmatriks Varian / Covarian
MANOVA mensyaratkan bahwa matriks varian/covarian dari variable
dependen sama. Uji homogenitas matriks varian/covarian dilihat dari hasil uji
Box. Apabila nilai Box’s M signifikan maka hipotesis nol yang menyatakan
bahwa matriks varian/covarian dari variable dependen sama ditolak. Dalam
kondisi ini analisis Manova tidak dapat dilanjutkan. Hasil uji Box’s M dengan
SPSS tampak pada tabel berikut ini.
Tabel 20.4 Hasil Pengolahan Uji Homogenitasmatriks Varian / Covarian ketersediaan alat dan
mesin pasca panen padi di Jawa Barat, Jawa Tengah, dan Jawa Timur tahun 2015
Box's M 17.126
F 2.798
df1 6
df2 5.142E5
Sig. .010
715
6
C. Uji MANOVA
a) Multivariate Test
Setelah kedua uji persyaratan hipotesis dipenuhi dilanjutkan dengan uji hipotesis
MANOVA. Uji MANOVA digunakan untuk menguji bagaimana ketersediaan alat
dan mesin pasca panen padi di provinsi Jawa Barat, Jawa Tengah, dan Jawa Timur.
Apakah ketersediaan alat dan mesin dari ketiga provinsi tersebut berasal dari
populasi yang sama. Keputusan diambil dengan analisis Pillae Trace, Wilk Lambda,
Hotelling Trace, Roy’s Largest Root. Hasil analisis untuk penelitian ini adalah
sebagai berikut.
Tabel 20.5 Hasil Pengolahan Uji MANOVA ketersediaan alat dan mesin pasca panen padi di Jawa
Multivariate Testsc
Hypothesis
Effect Value F df Error df Sig.
Roy's Largest
.033 2.454b 2.000 147.000 .089
Root
a. Exact statistic
715
7
Hasil analisis menunjukkan bahwa harga F untuk pillae trace, wilk lambda,
hotelling trace, roy’s largest roots, Provinsi (x) memiliki nilai signifikansi yang
lebih besar dari 0,05. Artinya semua harga F signifikan. Jadi terdapat perbedaan
Mesin Pengering (y1) dan Mesin Pemanen (y2) yang diakibatkan oleh perbedaan
ketersediaan alat dan mesin pasca panen padi pada ketiga provinsi tersebut.
padi di Jawa Barat, Jawa Tengah, dan Jawa Timur tahun 2015
Hubungan antara ketersediaan alat dan mesin pasca panen padi pada ketiga provinsi
(x) dengan mesin pengering (y1) memberikan harga F sebesar 0,885 dengan
715
8
signifikansi 0,415. Hal ini menunjukkan bahwa terdapat perbedaan antara mesin
pengering dengan ketersediaan alat dan mesin pasca panen padi pada ketiga
provinsi. Disisi lain, hubungan antara ketersediaan alat dan mesin pasca panen padi
pada ketiga provinsi (x) dengan mesin pemanen (y2) memberikan harga F sebesar
1,528 dengan signifikansi 0,220. Hal ini berarti terdapat perbedaan antara mesin
pemanen dengan ketersediaan alat dan mesin pasca panen padi pada ketiga provinsi.
Besarnya nilai Adj R² untuk mesin pengering 1,2%, sedangkan untuk mesin
pemanen adalah 2%
c) Post Hoc
Setelah melakukan uji MANOVA lakukan uji Post Hoc untuk menentukan
kelompok-kelompok tertentu berbeda satu sama lain. Selanjutnya akan muncul
hasil analisis sebagai berikut.
715
9
Tabel 20.7 Hasil Pengolahan Post Hoc ketersediaan alat dan mesin pasca panen padi di Jawa Barat, Jawa
Tengah, dan Jawa Timur tahun 2015
95% Confidence
Interval
Mean
Difference Std. Lower Upper
Dependent Variable (I) Provinsi (J) Provinsi (I-J) Error Sig. Bound Bound
Jawa
.65 2.627 .967 -5.57 6.87
Tengah
Jawa
.65 2.627 .970 -5.84 7.15
Tengah
Jawa
.65 2.627 .805 -4.54 5.84
Tengah
716
0
Jawa Timur -3.45 2.739 .420 -9.93 3.04
Jawa
-1.09 2.791 .919 -7.70 5.52
Tengah
Jawa
-1.09 2.791 .927 -7.99 5.81
Tengah
Jawa
-1.09 2.791 .697 -6.61 4.43
Tengah
Hasil uji Turkey, Scheffe, dan LSD menunjukkan bahwa semua signifikansi
variable lebih besar dari 0,05. Hal ini berarti terdapat perbedaan yang signifikan
antara mesin pengering maupun mesin pemanen terhadap ketersediaan alat dan
mesin pasca panen padi pada provinsi Jawa Barat, Jawa Tengah, dan Jawa Timur.
716
1
D. Uji Normalitas
Tabel 20.8 Hasil Pengolahan Uji Normalitas ketersediaan alat dan mesin pasca panen padi di Jawa
Barat, Jawa Tengah, dan Jawa Timur tahun 2015
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
kecil dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
Semua variabel menunjukkan sig > alpha sehingga data tersebut normal
716
2
E. Uji Korelasi
Tabel 20.9 Hasil Pengolahan Uji Korelasi ketersediaan alat dan mesin pasca panen padi di Jawa
Barat, Jawa Tengah, dan Jawa Timur tahun 2015
Correlations
Mesin_Pengerin
g Mesin_Pemanen N_Total
Dalam hal ini terdapat 150 data (N=150) dengan tingkat signifikansi 1% pada tabel
r dengan rumus df = N-2, maka df = 150-2 = 148. Maka dari hasil uji validitas
diatas dapat dijelaskan sebagai berikut :
716
3
E. Uji Missing Data
Tabel 20.10 Hasil Pengolahan Uji Missing Data ketersediaan alat dan mesin pasca panen padi di
Jawa Barat, Jawa Tengah, dan Jawa Timur tahun 2015
Statistics
Mesin_Pengerin
g Mesin_Pemanen
Missing 0 0
Dari tabel diatas dapat diketahui berapa missing value yang terdapat pada masing-
masing variabel data. Tidak ada missing value dari 150 objek pengamatan. Dengan
demikian dapat diketahui berapa persentase validitas data masing-masing variable.
716
4
(Sumber: Olah data 2020)
Dari kedua tampilan box plot diatas dapat terlihat bahwa masing-masing variable
adanya data ekstrim (outlier), yaitu pada box plot tersebut tampak keberadaannya
jauh di luar sebaran data (box plot). Masing-masing data ekstrim dalam boxplot
tersebut diberikan tanda objek mana yang menjadi outlier data.
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas, validitas,
dan uji MANOVA menunjukan bahwa data yang di peroleh dari data ketersediaan
alat dan mesin pertanian pasca panen padi di provinsi Jawa Barat, Jawa Timur, dan
Jawa Tengah tahun 2015 tersebut menunjukan data tersebut normal karena nilai sig.
lebih dari nilai alpha (0,01), data valid karena nilai N_Total pada correlation lebih
besar dari nilai r tabel, Pada uji MANOVA tersebut menghasilkan bahwa dengan
tingkat signifikansi 1% menunjukan bahwa hasil uji MANOVA lebih dari nilai
alpha (0,01) yang dapat diartikan tolak H0 bahwa terdapat perbedaan yang
signifikan ketersedian alat dan mesin pertanian pasca panen padi pada provinsi
716
5
Jawa Barat, Jawa Tengah, dan Jawa Timur.
20.11 Kesimpulan
Kesimpulan yang didapat dari praktikum kali ini antara lain yaitu dari
pengolahan data dapat kita ketahui bahwa tolak H0 karena nilai sig (2-tailed) lebih
besar dari tingkat signifikansinya yang artinya bahwa terdapat perbedaan yang
signifikan ketersedian alat dan mesin pertanian pasca panen padi pada provinsi Jawa
Barat, Jawa Tengah, dan Jawa Timur.
716
6
20.1 Latar Belakang
Bawang merah adalah komoditas terbesar nasional untuk jenis tanaman
sayur. Untuk menjaga produktivitas dan bahkan meningkatkan hasil panennya
diperlukan suplai pupuk berkualitas dan teknik pemupukan yang tepat. Kabupaten
Brebes adalah salah satu pemasok bawang merah terbesar di Indonesia. Warga
sekitar hampir semua memiliki lahan untuk menanam bawang merah. Ada 3 daerah
di kabupaten brebes yang mampu menghasilkan lebih dari daerah lainnya. Ketiga
daerah tersebut antara lain Larangan, Ketanggungan dan Banjarharjo.
Tabel Deskriptive:
716
7
(Sumber: /askapep13-uas-tik-sem-2.pdf)
Tabel di atas, menunjukkan hasil uji deskriptif. Contoh dari tabel di atas:
Responden dengan Pekerjaan Tani, rata-rata (mean) nilai matematika sebesar 46,64
dan jumlahnya ada 11 orang. Sedangkan Buruh rata-rata nilai fisika sebesar 76,67
dan jumlahnya 9 orang, begitu pula yang lain cara membacanya sama. Agar lebih
jelas, baca artikel kami yang berjudul “Analisis Deskriptif dengan Excel“.
(Sumber: /askapep13-uas-tik-sem-2.pdf)
Seperti biasa untuk hasil uji F, kita mengabaikan bagian yang diberi label
“Intercept.” Pada baris yang di bawah pada tabel di atas menunjukkan 4 nomor
memberikan nilai P value untuk empat uji multivariat yang berbeda.
716
8
Hasil tersebut memberitahukan pada kita jika ada pengaruh yang signifikan dari
variabel independen pada semua variabel dependen. Jika Anda ditanya “Secara
keseluruhan, apakah ada pengaruh yang signifikan dari variabel independen pada
satu set kelompok variabel dependen”, “maka Anda akan menjalankan MANOVA
dan melihat hasil uji multivariat ini sebagai kesimpulan Anda”. “Artinya, jika 4
nilai p-value menunjukkan <0,05, maka signifikan pada level kepercayaan 95%”.
Ingat bahwa berdasar tabel di atas, tidak ada satu uji multivariat tunggal, yang ada
adalah empat jenis uji yang berbeda.
(Sumber: /askapep13-uas-tik-sem-2.pdf)
Tabel di atas, menunjukkan hasil uji homogenitas yaitu uji Levene. Dikatakan
semua variabel memiliki varian yang sama apabila nilai sig. > 0,05. Nilai ini
nantinya akan mempengaruhi pilihan uji Post Hoc apa yang digunakan. Apabila
Sig. >0,05 maka uji Post Hoc menggunakan Uji Benferroni, sedangkan jika <0,05
maka menggunakan Games-Howell. Hasil di atas menunjukkan semua variabel
dependen memiliki varian yang sama sebab Sig. >0,05 sehingga uji Post Hoc yang
digunakan nantinya adalah Benferroni.
716
9
(Sumber: /askapep13-uas-tik-sem-2.pdf)
Tabel di atas menunjukkan nilai uji Manova. Seperti biasanya pada uji F, anda akan
disuguhkan dengan beberapa nilai: Corrected Model, Intercept, Pekerjaan,Error
dan Total. Dalam bahasan kali ini, kami menganggap semua pembaca telah
membaca artikel-artikel sebelumnya, sehingga memahami maksud dari nilai-nilai
tersebut.
Langsung saja kita lihat baris “Pekerjaan” pada tabel di atas. Pada baris tersebut ada
3 baris lagi, yaitu “Matematika”, “Fisika” dan “Biologi”. Maksud dari hal tersebut
adalah tiap baris menunjukkan hasil uji pengaruh satu variabel independen yaitu
pekerjaan terhadap masing-masing variabel dependen. Dari hasil di atas, lihatnilai
pada kolom “Sig.”. Dikatakan Signifikan apabila nilai Sig. < 0,05.
Contoh di atas ketiga nilai menunjukkan 0,000 di mana <0,05, sehingga kesimpulan
dan jawaban hipotesis adalah:
717
0
Pekerjaan secara bermakna mempengaruhi nilai ujian Biologi dengan P
Value 0,000 yang artinya H0 Ditolak atau H1 Diterima.
(Sumber: /askapep13-uas-tik-sem-2.pdf)
Tabel di atas menunjukkan hasil Uji Post Hoc. Karena nilai uji homogenitas
menunjukkan Sig. >0,05 pada semua variabel, maka masing-masing pengaruh
variabel independen terhadap variabel dependen menggunakan uji Benferroni.
Dikatakan ada perbedaan variabel dependen yaitu nilai ujian berdasarkan variabel
independen yaitu Pekerjaan apabila memiliki tanda bintang.
717
1
20.6 Metode Pengolahan Data
Manova adalah generalisasi dari analisis varian untuk situasi dimana ada
beberapa variabel independen dengan mengukur beberapa variabel dependen.
Peneliti dapat meningkatkan kemungkinan perubahan yang dihasilkan oleh
perlakuan yang berbeda-beda dan interaksi-interaksi yang berbeda, tetapi
meningkatkan kompleksitas analisis. Keuntungan dari MANOVA melalui
serangkaian ANOVA untuk setiap variabel dependen adalah perlindungan terhadap
kesalahan tipe 1. Akan tetapi, keuntungan ini akan terlihat hanya ketika uji
signifikasi dua sisi. Namun jika tes satu sisi yang diinginkan, penggunaan
MANOVA dapat mengakibatkan kerugian yang tidak dapat diterima hasilnya.
MANOVA merupakan uji beda varian. Pada MANOVA, varian yang dibandingkan
berasal dari lebih dari satu variabel terkait. Pada penelitian ini yang akan diteliti
dengan uji ini adalah pengaruh metode demonstrasi terhadap motivasi dan hasil
belajar matematika.
20.7 Pengumpulan Data
Berikut adalah kumpulan data produksi bawang merah 3 daerah yang berada
di Kabupaten Brebes:
Tabel 20.5 Data Produksi Bawang Merah
Kecamatan Luas_Panen(Ha) Produsi(Kw)
Larangan 5361 549541
Larangan 4622 588002
Larangan 8335 1004865
Larangan 7018 850730
Larangan 8721 876924
Larangan 5083 490419
Ketanggungan 1006 126432
Ketanggungan 1653 227250
Ketanggungan 1272 190800
Ketanggungan 1375 206000
Ketanggungan 1665 249750
Ketanggungan 1940 244804
Banjarharjo 79 9490
Banjarharjo 149 20437
Banjarharjo 223 26490
Banjarharjo 88 12100
Banjarharjo 124 14243
Banjarharjo 146 12225
(Sumber: Olah Data 2020)
717
2
20.8 Pengolahan Data
Menu MANOVA pada SPSS terletak di General Linear Model, dengan
langkah-langkah sebagai berikut:
717
3
Gambar 20.3 Multivariate Post Hoc Multiple Comparisson for Observed
Means
(Sumber: Olah Data 2020)
Berikut adalah hasil pengolahan yang sudah dilakukan antara lain uji
kesetaraan antara varian dan covarian matriks (uji Uji Homogenitas varian →
leven’s, Uji Homogenitasmatriks varian / covarian, Normality atau explore / one
sample kolmogonov smirnov, Korelasi dan linearity dari dependent variabel dan
KMO batlet test), uji Sample Size → Kecakupan Data, Missing Data, Outlier →
Box Plot, Test Asumsi, Uji Independensi Observasi dan uji MANOVA:
717
4
b. Uji Homogenitas matriks varian / covarian
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
a. Variabel Luas Panen memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Produksi memiliki nilai (Sig.> α), maka data tersebut normal
717
5
d. Korelasi dan linearity dari dependent variabel dan KMO batlet test
- Korelasi
- Linearity
Tabel 20.10 Hasil Uji Linearity
717
6
Anti-image Matrices
3. Missing Data
Dari tabel diatas dapat diketahui berapa missing value yang terdapat pada masing-
masing variabel data:
717
7
(Sumber: Olah Data 2020)
Dapat diketahui bahwa setelah dilakuka uji outlier box plot maka tampilan variable
view akan menjadi seperti table di atas terdapat penambahan hasil dari
pengujian tersebut. Dari data yang dihasilkan dari uji outlier box plot dapat
diketahui bahwa semua angka pada ZKecamatan, ZLuas_Panen dan
ZProduksi semuanya berada di rentang angka -2.5 sampai 2.5.
717
8
(Sumber: Olah Data 2020)
- Penentuan Hipotesis
717
9
6. Uji MANOVA
a. Multivariate test
Tabel 20.15 Hasil Uji Multivariate Test
Hasil analisis menunjukkan bahwa harga F untuk pillae trace, wilk lambda,
hotelling trace, roy’s largest root, X memiliki signifikansi yang lebih kecil dari
0,05. Artinya, semua harga F signifikan. Jadi, terdapat perbedaan luas panen dan
produksi diakibatkan oleh perbedaan pemilihan anggota kecamatan Three Stooges.
Hubungan antara pemilihan anggota kecamatan Three Stooges dengan luas panen
memberikan harga F sebesar 63.907 dengan signifikansi 0.069. Hal ini
menunjukkan bahwa tidak terdapat perbedaan antara luas panen yang diakibatkan
oleh perbedaan pemilihan anggota kecamatan Three Stooges. Di sisi lain, hubungan
antara pemilihan anggota kecamatan Three Stooges dengan produksi memberikan
harga F sebesar 52.393 dengan signifikansi 0.070. Sehingga dapat disimpulkan
718
0
bahwa terdapat perbedaan antara produksi yang diakibatkan oleh perbedaan
pemilihan anggota kecamatan Three Stooges.
Besarnya nilai Adj R2 untuk luas panen adalah 89,5%. Sedangkan untuk produksi
adalah 87,5%.
c. Post hoe
Hasil uji Turkey, Scheffe, dan LSD menunjukkan bahwa terdapat perbedaan
produksi antara kategori Larangan, Ketanggungan dan Banjarharjo yang
ditunjukkan dengan signifikansi level kurang dari 0,05. Di sisi lain, tidak ada
perbedaan luas lahan antara semua kategori.
718
1
yang harus dilakukan antara lain yaitu uji kesetaraan antara varian dan covarian
matriks (uji Uji Homogenitas varian → leven’s, Uji Homogenitasmatriks varian /
covarian, Normality atau explore / one sample kolmogonov smirnov, Korelasi dan
linearity dari dependent variabel dan KMO batlet test), uji Sample Size →
Kecakupan Data, Missing Data, Outlier → Box Plot, Test Asumsi, Uji Independensi
Observasi dan barulah uji MANOVA dilakukan.
Setelah dilakukan pengujian akan keluar output yang diinginkan, untuk yang
pertama pada Uji Homogenitas varian → leven’s menunjukan bahwa kedua varian
tersebut homogen, sehingga MANOVA dapat dilanjutkan, pada Uji
Homogenitasmatriks varian / covarian menunjukan bahwa signifikansi level
melebihi taraf signifikansi penelitian 0,05 sehingga hipotesis null diterima (matriks
varian/covarian variable dependent sama), sehingga analisis MANOVA dapat
dilanjutkan. Untuk Normality atau explore / one sample kolmogonov smirnov
menunjukan bahwa data tersebut normal karena nilai sig lebih dari tingkat
sginifikan, pada Korelasi dan linearity dari dependent variabel dan KMO batlet test
menunjukan bahwa pada korelasi tersebut kedua variable valid karena nilai sig lebih
dari nilai r table sedangkan untuk linearity antara variabel kecemasan dan
optimisme terdapat hubungan yang linear. Uji Sample Size → Kecakupan Data
menunjukan bahwa data tersebut sangat cukup untuk dilakukannya pengolahan
data. Pada uji Missing Data menunjukan bahwa antara variable kecamatan, luas
panen dan produksi terdapat 1 missing data di variable luas panen dan 1 misssing
data di variable produksi, jadi untuk missing data pada data tersebut hanya terdapat
2 missing data. Pada uji Outlier → Box Plot menunjukan hasil pada setiap variable
nilainya berada pada rentang angka -2,5 sampai 2,5 tidak ada yang kurang maupun
yang lebih dari angka tersebut, jika kurang atau melebihi angka tersebut akan
dipastikan bahwa dapat mengacaukan pada saat uji normalitas data. Untuk Test
Asumsi dan Uji Independensi Observasi menunjukan bahwa rata-rata jumlah
produksi dengan luas lahan antar kecamatan terdapat perbedaan. Dan yang terakhir
yaitu uji manova yaitu menghasilkan pada uji multivariate semua harga F signifikan
jadi terdapat perbedaan luas panen dan produksi yang diakibatkan oleh perbedaan
pemilihan anggota kecamatan Three Stooges. Untuk uji test of between subject
effect terdapat perbedaan antara produksi yang dilakukan diakibatkan oleh
718
2
perbedaan pemilihan anggota kecamatan Three Stooges. Untuk uji post hoe Turkey,
Scheffe, dan LSD menunjukkan bahwa terdapat perbedaan produksi antara kategori
Larangan, Ketanggungan dan Banjarharjo yang ditunjukkan dengan signifikansi
level kurang dari 0,05. Di sisi lain, tidak ada perbedaan luas lahan antara semua
kategori karena dapat diketahui bahwa luas lahan seberapapun akan mengikuti dari
hasil panennya besar kecilnya.
20.11 Kesimpulan
Kesimpulan yang dapat diambil dari uji Manova tersebut yaitu semua
pengujian sudah dilakukan dan hasilnya semuanya dapat terbaca dengan jelas dan
sesuai dengan keinginan. Dari pengolahan data dan pengujian yang sudah dilakukan
dapat diketahui bahwa dengan hasil tersebut produksi bawang merah di tiga
kecamatan yang ada di kabupaten Brebes pada tahun 2012 sampai dengan tahun
2017 mengalami peningkatan yang cukup signifikan dengan begitu jumlah produksi
dapat menjadi pasokan negara dalam memenuhi kebutuhan bawang merah yang ada
di Indonesia. Luas lahan akan berdampak pada hasil panennya tergantung dari cara
pengolahannya. Dengan tingkat produksi yang cukup signifikan disetiap tahunnya
dapat menjadi acuan pemerintah dalam mengelola dan mengatur produksi yang ada
di kabupaten Brebes untuk pemenuhan stok bawang merah. Selain itu pemerintah
juga dapat memberikan pemahaman dan sosialisasi untuk petani-petani bawang
merah dalam produksi bawang merah tersebut mulai dari pencarian benih sampai
dengan menjualnya kepada konsumen langsung.
718
3
BAB XXI
STATISTIKA REGRESI LINIER TUNGGAL
21.3 Tujuan
21.4 Manfaat
718
4
21.5 Literatur
Contoh kasus:
Penyelesaian:
Buka SPSS
Beri nama pada tab “variable views” dengan X dan Y Berikut tampilan data
di SPSS
Pembahasan
Pengujian Hipotesis
718
5
Pengambilan keputusan (berdasarkan probabilitas) :
Jika probabilitas > 0,05 maka Ho diterima, sedangkan jika probabilitas < 0,05
maka Ho ditolak. Dari hasil uji signifikansi terlihat bahwa nilai probabilitas adalah
sebesar 0,00 (< 0,01) sehingga Ho ditolak. Artinya, pengaruh biaya promosi
terhadap penjualan signifikan sehingga hipotesis alternatif (Ha) diterima.
Hasil uji melalui probabilitas ini juga relevan dengan pengujian melalui
statistik t. Nilai t hitung adalah sebesar 6.680, sementara t tabel diperoleh dari dk =
n – 2 = 36-2 = 34 (dalam uji ini, diambil dk = 30) dan taraf signifikansi 1% adalah
sebesar 2.704 . Karena t hitung > t tabel (6.680> 2.704) maka Ho ditolak, artinya
pengaruh X terhadap Y adalah positif dan terbukti signifikan berdasarkan pengujian
statistik.
Akan diprediksi penjualan sepeda motor jika biaya promosi sebesar 100 Juta
Dengan demikian dapat dinyatakan bahwa jika biaya promosi sebesar 100 juta,
maka penjualan traktor mesin diprediksi sebesar 3749 unit terjual.
718
6
Dimana:
Y = a + βX
a = konstanta
b = koefisien regresi
718
7
3646 417,28 4063,28
8485 115,52 8600,52
4993 161,96 5154,96
2468 599,36 3067,36
7658 62,00 7720,00
3128 622,99 3750,99
9838 3501,88 13339,88
7362 366,76 7728,76
6708 1223,00 7931,00
6495 1456,34 7951,34
5459 2443,56 7902,56
6938 122,33 7060,33
5924 1436,72 7360,72
718
8
Gambar 21.2 Kotak Dialog Linear Regression: Options
(Sumber: Olah Data 2020)
e. Gunakan default dari kotak option dan klik continue. Maka kembali ke kotak
dialog linier regression.
g. Pada kotak dialog linier regression: statistic, beri tanda centang pada kolom
estimates untuk mengeluarkan koefisien regresi. Selain itu beritanda centang
pada kotak modelfit dan descriptives. Pada kotak residuals beri tanda centang
pada Durbin-Watson, Casewise diagnostics kemudian pilih All cases.
h. Klik Continue.
718
9
i. Klik Plots, maka akan muncul kotak dialog linier regression: plots.
j. Untuk membuat plot antara SDRESID dan ZPRED maka masukan peubah
SDRESID ke dalam ruang Y dan ZPRED ke dalam ruang X. Kemudian klik Next
k. Untuk membuat plot antara ZPRED dengan DEPENDT maka masukan peubah
standardized residal plots pilih normal probability plot.
l. Klik Continue
m. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan Uji Regresi Linier.
A. Uji Normalitas
719
0
One-Sample Kolmogorov-Smirnov Test
Lebar_Tanah Pupuk_Organik
N 40 40
Normal Parametersa,b Mean 5880,93 10833,6340
Std. Deviation 2549,549 33487,75766
Most Extreme Differences Absolute ,090 ,374
Positive ,060 ,364
Negative -,090 -,374
Kolmogorov-Smirnov Z ,571 2,364
Asymp. Sig. (2-tailed) ,901 ,112
h. Semua variabel tersebut memiliki nilai (Sig.> α), maka data tersebut normal
B. Keseragaman Data
719
1
Test of Homogeneity of Variance
Lebar_Tanah Pupuk_Organik
N 40 40
Uniform Parametersa,b Minimum 1241 62,00
Maximum 9838 211532,00
Most Extreme Differences Absolute ,104 ,857
Positive ,062 ,857
Negative -,104 -,025
Kolmogorov-Smirnov Z ,657 5,423
Asymp. Sig. (2-tailed) ,782 ,242
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar
0,05 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data
yang dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang
diolah lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang
tidak seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut
seragam. Dari hasil diatas menunjukkan bahwa :
Semua variabel tersebut memiliki nilai (Sig.> α), maka data tersebut
seragam
719
2
C. Uji Validitas
Correlations
Lebar_Tanah Pupuk_Organik N_Total
Dalam hal ini terdapat 40 data (N=40) dengan tingkat signifikansi 5% pada tabel
r dengan rumus df = N-2, maka df = 40-2 = 38. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
719
3
D. Uji Reliabilitas
Reliability Statistics
Cronbach's
Alpha N of Items
,712 2
Variables Entered/Removedb
1 Pupuk_Organik . Enter
a
Tabel diatas menjelaskan tentang variable yang dimasukkan atau dibuang dan
metode yang digunakan. Dalam hal ini variable yang dimasukkan adalah Pupuk
719
4
Organik dan lebar tanah sebagai predictor dan metode yang digunakan adalah
metode enter.
Model Summaryb
719
5
c. Analisis ANOVA
ANOVAb
Model Sum of Squares df Mean Square F Sig.
Berdasarkan tabel ANOVA diatas, diperoleh nilai Sig. = 0,912 yang berarti >
kriteria signifikan (0,05), dengan demikian model persamaan regresi berdasarkan
data penelitian adalah signifikan artinya, model regresi linier memenuhi kriteria
linieritas.
d. Analisis Coefficient
Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
719
6
Penentuan Hipotesis
Hₒ = Tidak ada pengaruh mengenai penyaluran pupuk organik
bersubsidi terhadap lebar tanah
Kesimpulan
Jadi, dengan tingkat signifikasi 5% (0,05) dapat disimpulkan bahwa
mengenai penyaluran pupuk organik bersubsidi terhadap lebar tanah tersebut tidak
ada pengaruh.
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas,
keseragaman data, validitas, reliabilitas dan uji Regresi Linier menunjukan bahwa
data yang di peroleh dari Direktoral Jendral Prasarana dan Sarana Pertanian
Kementrian Pertanian terhadap penyaluran pupuk organik bersubsidi pada tahun
2015. tersebut menunjukan data tersebut normal karena nilai sig. lebih dari nilai
alpha (0,05), data seragam karena pada pengujian keseragaman data menunjukan
hasil nilai sig. lebih dari nilai alpha (0,05), data valid karena nilai N_Total pada
correlation lebih besar dari nilai r tabel, data reliabel karena terlihat bahwa nilai
719
7
Cronbach’s Alpha pada 2 of items pernyataan. Nilai tersebut berada diatas range
0,601 – 0,80 yang artinya bahwa pernyataan tersebut reliabel. Pada uji Regresi
Linier tersebut menghasilkan bahwa dengan tingkat signifikansi 5% untuk masing-
masing data penyaluran pupuk organik bersubsidi pada tahun 2015. Menunjukan
bahwa hasil uji Regresi Linier tidak ada pengaruh yang dapat diartikan bahwa
terima Hₒ mengenai penyaluran pupuk organik bersubsidi pada tahun 2015.
21.11 Kesimpulan
719
8
21.1 Latar Belakang
Pupuk merupakan salah satu faktor produksi utama selain lahan, tenaga
kerja dan modal. Pupuk merupakan kunci dari kesuburan tanah karena berisi satu
atau lebih unsur untuk menggantikan unsur yang habis terhisap tanaman. Pupuk
yang sering digunakan oleh petani adalah pupuk urea. Pupuk urea merupakan yang
paling utama digunakan oleh masyarakat atau khususnya petani di Kabupaten Kutai
Kartanegara. Namun, akhir-akhir ini kebutuhan akan pupuk urea yang ditunjukkan
untuk petani mengalami kelangkaan. Seorang mahasiswa hendak melakukan
penelitian pengaruh luas lahan terhadap kebutuhan pupuk urea. Faktor-faktor yang
mempengaruhi kebutuhan pupuk urea perlu diketahui sebagai dasar dalam
menentukan seberapa besar tingkat kebutuhan pupuk urea pada masa mendatang di
Kabupaten Kutai Kartanegara.
21.3 Tujuan
21.4 Manfaat
21.5 Literatur
719
9
Rumusan masalah : Apakah ada pengaruh parent’s knowledge mengenai
pendidikan seks terhadap konsep diri anak usia 4-6 tahun.?
Langkah-langkah SPSS :
800
(Sumber: Olah data 2020)
5. Pada kotak dialog Linear Regression : Statistics, beri tanda centang pada kolom
estimates untuk mengeluarkan koefisen regresi. Selain itu beri tanda centang pada
kolom Model fit dan Descriptives. Pada kotak Residuals beri tanda centangDurbin
Watson, Casewise diagnostics, kemudian pilih All cases
6. Klik Continue
7. Klik Plots, maka akan muncul kotak dialog Linier Regression : Plots
9. Klik continue
10. Klik OK
Hasil dari uji normalitas dan homogenitas adalah tingkat signifikansi atau nilai
probabilitas di atas 0,05 maka dinyatakan bahwa data tersebut berdistribusi normal
dan homogen. Berdasarkan hasil uji persyaratan tersebut maka data yang
didapatkan bisa dihitung menggunakan teknik analisis regresi linier sederhana.
Hasil dari perhitungan SPSS 21 diketahui dalam beberapa tabel yaitu:
801
Tabel 21.1 Descriptive Statistics
Mean Std. N
Deviation
Konsep Diri 37.0108 3.15365 93
(y)
Parent’s 33.3871 4.28605 93
Knowledge
(x)
(Sumber: https://jurnalmahasiswa.unesa.ac.id/index.php/paud-teratai/article/view/14207/4898)
Tabel 21.1 dapat menjelaskan bahwa nilai rata-rata konsep diri yang dimiliki anak
adalah 37 dengan standar deviasi 3,15 dan rata-rata Parent’s Knowledge
(pengetahuan orangtua) adalah 33 dengan standar deviasi 4,28.
(Sumber: https://jurnalmahasiswa.unesa.ac.id/index.php/paud-teratai/article/view/14207/4898)
Pada tabel 21.2 dapat dilihat bahwa tingkat korelasi atau hubungan (R) antara
kedua variabel kuat yaitu 0,797 atau 79,7%. Adjusted R square (r2) adalah
koefisien yang menunjukkan angka 0,632 artinya parent’s knowledge variabel x
berkontribusi 63,2 % terhadap variabel y yaitu konsep diri anak, sedangkansisanya
36,8% (100%-63,2%) dipengaruhi oleh faktor-faktor lain yang membentuk
konsep diri anak yaitu factor kemampuan, faktor perasaan berarti, faktor
kebajikan, dan faktor kekuatan.
802
Pada Std. Error of the Estimate adalah 1,91346 (kesalahan standar dari
penaksiran), semakin kecil standard eror akan membuat model regresi semakin
tepat dalam memprediksi variabel dependen (1,91346 < 3,15365).
Model F Sig.
(Sumber: https://jurnalmahasiswa.unesa.ac.id/index.php/paud-teratai/article/view/14207/4898)
Hasil uji anova didapatkan uji F ratio sebesar 158,907 dan p value (sig) sebesar
0,000 (<0,05), artinya model regresi dapat digunakan untuk memprediksi konsep
diri anak yang dimiliki.
(Sumber: https://jurnalmahasiswa.unesa.ac.id/index.php/paud-teratai/article/view/14207/4898)
803
Tabel coefficients menjelaskan bahwa ada satu variabel independen (x) yang
dimasukan dalam model regresi. Variabel parent’s knowledge mempunyai nilai t
statistik (thitung) sebesar 12,606 dan ttabel 91 adalah 1,660 (N=93- 2(derajat kebebasan)
= 91) jadi thitung > ttabel dan p value (sig) sebesar 0,000 (<0,05) artinya parent’s
knowledge mempengaruhi konsep diri anak.
Berdasarkan hasil penelitian ini, data yang dihasilkan dapat dianalisis dengan teknik
analisis statistik regresi liner sederhana yang dibantu dengan menggunaan software
SPSS 21. Variabel parent’s knowledge mempunyai nilai t statistik (thitung) sebesar
12,606 dan ttabel 91 adalah 1,660 (N=93-2 (derajat kebebasan) = 91) jadi thitung > ttabel
dan p value (sig) sebesar 0,000 (<0,05) artinya parent’s knowledge mengenai
pendidikan seks dapat mempengaruhi konsep diri anak usia 4-6 tahun karena
hipotesis observasi (Ho) ditolak dan hipotesis alternatif (Ha) tidak ditolak
(diterima).
Hasil yang telah diperoleh tersebut memiliki arti bahwa ada pengaruhnya parent’s
knowledge mengenai pendidikan seks terhadap konsep diri anak usia 4-6 tahun. Hal
tersebut mendukung teori Hurlock (dalam Pane dan Siagian, 2014:38) bahwa
konsep diri adalah gambaran yang dimiliki seseorang tentang dirinya yang
merupakan gabungan dari keyakinan tentang dirinya sendiri, karakter fisik, dan
social.
Teknik analisis data yang digunakan dalam penelitian ini adalah dengan analisis
regresi linier sederhana. Analisis regresi linier sederhana yang bertujuan untuk
mempelajari hubungan antara dua variabel (Irianto, 2009:214). Uji Persyaratan
yang digunakan dalam penelitian ini adalah uji normalitas dan uji homogenitas.
Pengujian normalitas adalah untuk mengetahui apakah suatu distribusi data normal
804
atau tidak sehingga jika distribusi data normal akan memperkecil kesalahan
(Absurahman, 2011:272). Menurut Irianto (2011:264) Uji homogenitas variansi
(variance) sangat diperlukan sebelum kita membandingkan dua kelompok atau
lebih, agar perbedaan yang ada bukan disebabkan oleh adanya perbedaan data dasar
(ketidakhomogenan kelompok yang dibandingkan).
Berikut adalah kumpulan data luas lahan dan kebutuhan pupuk urea.
Luas_Lahan Pupuk_Urea
1567 26.81
1255 20.84
1693 25.68
7462 28.33
1706 27.01
1988 21.87
1863 18.04
4272 15.62
4678 18.73
1932 21.99
7380 31.04
3822 38.48
1459 83.54
5808 65.45
9676 77.97
6428 91.06
2194 82.5
7109 87.65
3348 55.25
1332 44.04
5432 58.38
7108 67.32
4562 89.47
2293 90.41
9750 82.78
9558 88.3
1521 88.25
9629 72.38
1138 58.21
805
Luas_Lahan Pupuk_Urea
5239 47.47
3312 60.87
6597 72.38
1144 98.06
5377 83.5
1521 96.78
5239 47.85
2500 47.91
5279 30.83
1290 48.56
806
Gambar 21.5 Kotak Dialog Linear Regression : Statistics
5. Pada kotak dialog Linear Regression : Statistics, beri tanda centang pada kolom
estimates untuk mengeluarkan koefisen regresi. Selain itu beri tanda centang pada
kolom Model fit dan Descriptives. Pada kotak Residuals beri tanda centangDurbin
Watson, Casewise diagnostics, kemudian pilih All cases
6. Klik Continue
7. Klik Plots, maka akan muncul kotak dialog Linier Regression : Plots
9. Klik continue
10. Klik OK
807
21.9 Hasil Pengolahan Data
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, homogenitas, validitas dan reliabilitas
kemudian data tersebut baru di uji dengan uji regresi linear sederhana.
A. Uji Normalitas
Tabel 21.6 Hasil Pengolahan Uji Normalitas pengaruh luas lahan terhadap kebutuhan pupuk urea
Luas_Lahan Pupuk_Urea
N 39 39
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
kecil dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
Semua variabel menunjukkan sig 0.199 dan 0.444 > alpha 0,01 sehingga data
tersebut normal
808
B. Uji Keseragaman
Tabel 21.7 Hasil Pengolahan Uji Keseragaman pengaruh luas lahan terhadap kebutuhan pupuk
urea
Luas_Lahan Pupuk_Urea
N 39 39
Analisis uji keseragaman dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih kecil dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
Semua variabel memiliki nilai (Sig.> α), maka data tersebut seragam.
809
C. Uji Validitas
Tabel 21.8 Hasil Pengolahan Uji Validitas pengaruh luas lahan terhadap kebutuhan pupuk urea
Correlations
Luas_Lahan Pupuk_Urea
N 39 39
N 39 39
Dalam hal ini terdapat 39 data (N=39) dengan tingkat signifikansi 1% pada tabel
r dengan rumus df = N-2, maka df = 39-2 = 37. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
D. Uji Reliabilitas
Tabel 21.9 Hasil Pengolahan Uji Reliabilitas pengaruh luas lahan terhadap kebutuhan pupuk urea
Reliability Statistics
Cronbach's
Alpha N of Items
.752 3
810
E. Uji Regresi Linier Sederhana
a) Analisis Descriptive Statistics
Tabel 21.10 Descriptive Statistics
Descriptive Statistics
Tabel 21.10 dapat menjelaskan bahwa nilai rata-rata pupuk urea adalah 56 dengan
standar deviasi 26,94 dan rata-rata luas lahan adalah 4242 dengan standar deviasi
2760,39.
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 Luas_Lahana . Enter
Tabel diatas menjelaskan tentang variable yang dimasukkan atau dibuang dan
metode yang digunakan. Dalam hal ini variable yang dimasukkan adalah variable
Luas lahan sebagai predictor dan metode yang digunakan adalah metode enter.
811
c) Analisis tabel ANOVA
Tabel 21.12 ANOVA
ANOVAb
Total 27598.992 38
Berdasarkan tabel ANOVA diatas, diperoleh nilai Sig. = 0,119 yang berarti >
kriteria signifikan (0,05), dengan demikian model persamaan regresi berdasarkan
data penelitian adalah tidak signifikan artinya, model regresi linier tidak memenuhi
kriteria linieritas.
Model Summaryb
Tabel diatas menjelaskan besarnya nilai korelasi / hubungan (R) yaitu sebesar 0,254
dan dijelaskan besarnya persentase pengaruh variable bebas terhadap variable
terikat. Dari output tersebut diperoleh R² sebesar 0,064, yang berarti bahwa
pengaruh variable bebas (luas lahan) terhadap variable terikat (pupuk urea) sebesar
6,4% sedangkan sisanya dipengaruhi oleh variable yang lain.
812
e) Analisis Coefficient
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Untuk mengetahui hasil uji hipotesis dalam analisis regresi linear sederhana, yaitu
3. Daerah kritis :
4. Uji statistik :
11. Keputusan :
813
Karena nilai sig. < α, maka tolak H0
6. Kesimpulan :
Jadi, dengan tingkat signifikansi 5% dapat disimpulkan bahwa ada pengaruh Luas
Lahan terhadap Kebutuhan Pupuk Urea.
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas, validitas,
reliabilitas dan uji regresi linier sederhana menunjukan bahwa data tersebut normal
karena nilai sig. lebih dari nilai alpha (0,01), data valid karena nilai N_Total pada
correlation lebih besar dari nilai r tabel, data reliabel karena terlihat bahwa nilai
Cronbach’s Alpha pada 2 of items pernyataan nilai tersebut berada diatas range
yang artinya bahwa pernyataan tersebut reliabel.
Variabel yang dianalisis dalam penelitian ini adalah luas lahan (X) sebagai
variabel bebas dan kebutuhan pupuk urea (Y) sebagai variabel tidak bebas. Hasil
analisis dengan menggunakan regresi linier sederhana diperoleh persamaan regresi
dengan dugaan sebagai berikut : Y = 46,197 + 0,002 X. Konstanta sebesar 46,197
menyatakan bahwa jika tidak ada luas lahan maka kebutuhan pupuk urea adalah
46,197 ton. Luas lahan (X) = 0,002 artinya jika luas lahan (X) berubah sebesar 1 ha
menyebabkan kebutuhan pupuk urea (Y) berubah sebesar 0,002 dengan asumsi
faktor lain dianggap konstan. Berdasarkan nilai koefisien regresi dapat diketahui
bahwa luas lahan mempunyai hubungan yang positif terhadap kebutuhan pupuk
urea di Kutai Kartanegara, hal ini berarti bahwa peningkatan luas lahan akan
meningkatkan kebutuhan pupuk urea dengan kata lain luas lahan berhubungan
terhadap kebutuhan pupuk urea di Kabupaten Kutai Kartanegara. Hasil analisis
regresi linier sederhana menunjukkan bahwa koefisien determinasi (R2 ) sebesar
0,064. Hal ini berarti bahwa 6,4% perubahan variasi variabel (Y) kebutuhan pupuk
urea dipengaruhi oleh variabel (X) luas lahan, sedangkan sisanya sebesar
disebabkan oleh faktor lainnya seperti harga pupuk dan lain-lain. Selanjutnya hasil
analisis regresi linier sederhana menunjukkan bahwa koefisien korelasi (r) sebesar
0,254 dengan kata lain nilai (r) mendekati 1. Hal ini berarti bahwa keeratan
814
hubungan antara variabel bebas (luas lahan) dengan variabel tak bebas (kebutuhan
pupuk urea) adalah erat dan positif.
21.11 Kesimpulan
Kesimpulan yang didapat dari praktikum kali ini antara lain yaitu dari
pengolahan data dapat kita ketahui bahwa terima H0 karena nilai sig. lebih kecil
dari probabilitas 0,05. Berdasarkan hasil tersebut berarti membuktikan bahwa Luas
lahan mempunyai hubungan dan berpengaruh terhadap kebutuhan pupuk urea di
Kabupaten Kutai Kartanegara.
815
21.1 Latar Belakang
Rumusan masalah yang dapat diambil dari latar belakang tersebut antara
lain yaitu bagaimana hubungan antara berat mol dengan harga per gram dengan
situasi dan kondisi yang sedang terjadi saat ini?
21.3 Tujuan
21.4 Manfaat
816
2. Dapat menjadi evaluasi untuk penentuan pembelian bahan
biokimia
21.5 Literatur
(Sumber: analisis-regresi-linier-sederhana.html)
817
- Klik variable view pada SPSS data editor
- Pada kolom Name ketik y, kolom Name pada baris kedua ketik x.
- Pada kolom Label, untuk kolom pada baris pertama ketik Volume
Penjualan, untuk kolom pada baris kedua ketik Biaya Promosi.
- Buka data view pada SPSS data editor, maka didapat kolom
variabel y dan x.
- Klik OK, maka hasil output yang didapat pada kolom Coefficients
dan Casewise Diagnostics adalah sebagai berikut:
818
Tabel 21.2 Hasil Analisis Regresi Linear Sederhana
(Sumber: analisis-regresi-linier-sederhana.html)
Y’ = a + bX
Y’ = -28764,7 + 0,691X
819
Nilai volume penjualan yang diprediksi (Y’) dapat dilihat pada tabel Casewise
Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized
residual) adalah selisih antara Volume Penjualan dengan Predicted Value, dan Std.
Residual (standardized residual) adalah nilai residual yang telah terstandarisasi
(nilai semakin mendekati 0 maka model regresi semakin baik dalam melakukan
prediksi, sebaliknya semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin
tidak baik model regresi dalam melakukan prediksi).
Uji ini digunakan untuk mengetahui apakah variabel independen (X) berpengaruh
secara signifikan terhadap variabel dependen (Y). Signifikan berarti pengaruh yang
terjadi dapat berlaku untuk populasi (dapat digeneralisasikan).
Dari hasil analisis regresi di atas dapat diketahui nilai t hitung seperti pada tabel 2.
Langkah-langkah pengujian sebagai berikut:
1. Menentukan Hipotesis
Ha : Tidak ada pengaruh secara signifikan antara biaya promosi dengan volume
penjualan
3. Menentukan t hitung
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan
(df) n-k-1 atau 20-2-1 = 17 (n adalah jumlah kasus dan k adalah jumlah variabel
820
independen). Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t
tabel sebesar 2,110 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara
pada cell kosong ketik =tinv(0.05,17) lalu enter.
5. Kriteria Pengujian
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (10,983 > 2,110) maka Ho ditolak, artinya bahwa
ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan. Jadi
dalam kasus ini dapat disimpulkan bahwa biaya promosi berpengaruh terhadap
volume penjualan pada perusahaan jual beli motor.
Analisis regresi linier sederhana adalah hubungan secara linear antara satu
variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen dengan variabel dependen
apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen
apabila nilai variabel independen mengalami kenaikan atau penurunan.. Data yang
digunakan biasanya berskala interval atau rasio.
Y’ = a + bX
Keterangan:
X = Variabel independen
821
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
1 205.221 814
1 372.417 191
1 458.375 49
1 264.321 130
1 337.375 193
1 213.66 17
1 264.321 219
1 129.159 1502
1 258.233 13
1 223.36 378
2 275.348 1068
2 147.13 58
2 354.458 1214
2 201.61 260
2 209.201 330
2 186.167 445
2 275.348 524
822
Product Name Mol Weight (X) Price (Y)
2 183.163 154
2 186.167 255
2 278.19 35
3 199.166 345
3 177.22 37
3 786.129 49
3 744.048 443
3 220.231 25
3 300.442 69
3 585.698 96
3 134.142 81
3 328.169 365
3 163.173 491
823
Price
Product Name Mol Weight (X)
(Y)
4 407.576 75
4 372.508 116
4 548.67 25
4 401.2 15
4 480.642 445
4 195.23 33
4 166.176 10
4 304.349 737
4 196.26 59
4 304.349 737
5 242.032 11
5 366.377 297
5 354.34 208
5 1017.63 13
5 270.24 11
5 195.138 102
5 256.15 70
5 294.32 66
5 288.3 50
5 752.64 37
824
Price
Product Name Mol Weight (X)
(Y)
6 476.44 158
6 221.191 38
6 352.272 136
6 164.02 25
6 248.71 974
6 250.092 642
6 313.37 81
6 162.144 12
6 176.171 14
6 220.18 149
825
(Sumber: Olah Data 2020)
5. Gunakan default dari kotak option dan klik continue. Maka akan
kembali ke kotak dialog linier regression
826
7. Pada kotak dialog linier regression: statistic, beri tanda centang
pada kolom estimates untuk mengeluarkan koefisien regressi.
Selain itu beri tanda centang pada kotak modelfit dan
descriptive. Pada kotak residuals beri tanda centang pada durbin-
watson, casewise diagnostics kemudian pilih all case
8. Klik continue
13. Klik OK
827
21.9 Hasil Pengolahan Data
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, uji keseragaman data, validitas dan
reliabilitas kemudian data tersebut baru di uji dengan uji regresi linier sederhana:
a. Uji normalitas
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
a. Variabel Mol Weight memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Price memiliki nilai (Sig.> α), maka data tersebut normal
828
b. Uji keseragaman
Analisis uji keseragaman data dilakukan dengan melakukan nilai alpha (α) sebesar
0,05 sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data
yang dikatakan seragam atau tidak. Jika hasil signifikansi (Sig.) dari data yang
diolah lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
seragam (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut seragam. Dari
hasil diatas menunjukkan bahwa :
a. Variabel Mol Weight memiliki nilai (Sig.> α), maka data tersebut seragam
b. Variabel Price memiliki nilai (Sig.> α), maka data tersebut seragam
829
c. Uji validitas
Dalam hal ini terdapat 60 data (N=60) dengan tingkat signifikansi 5% pada tabel r
(0.2542) dengan rumus df = N-2, maka df = 60-2 = 58. Maka dari hasil uji validitas
diatas dapat dijelaskan sebagai berikut :
d. Uji relibilitas
830
e. Uji regresi linear
Tabel di atas menjelaskan tentang variable yang dimasukan atau dibuang dan
metode yang digunakan. Dalam hal ini variable yang dimasukan adalah variable
nilai price sebagai predictor dan metode yang digunakan adalah metode enter.
Tabel di atas menjelaskan besarnya nilai korelasi/hubungan (R) yaitu sebesar 0.132
dan dijelaskan besarnya prosentase pengaruh variable bebas terhadap variable
terikat yang disebut koefisien determinasi yang merupakan hasil dari penguadratan
R. Dari output tersebut diperoleh koefisien determinasi (R2) sebesar 0.017 yang
mengandung pengertian bahwa pengaruh variable bebas (price) terhadap variable
terikat (mol weight) adalah sebesar 17% sedangkan sisanya dipengaruhi oleh
variable yang lain.
831
Tabel 21.14 Hasil Uji Anova
Pada bagian ini untuk menjelaskan apakah ada pengaruh yang nyata/signifikan
variable price terhadap variable mol weight. Dari output tersebut terlihat bahwa F
hitung 1.027 dengan tingkat signifikasi/probabilitas 0.315 > 0.05, maka model
regresi dapat dipakai untuk memprediksi variable partisipan.
1. Menentukan Hipotesis
H1 : Tidak ada pengaruh secara signifikan antara mol weight dengan price
3. Menentukan t hitung
4. Menentukan t tabel
832
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan
(df) n-k-1 atau 60-2-1 = 57 (n adalah jumlah kasus dan k adalah jumlah variabel
independen). Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t
tabel sebesar 2,00172.
5. Kriteria Pengujian
Ho diterima jika:
Ho ditolak jika:
7. Kesimpulan
Jadi, dengan tingkat signifikasi 5% (0.05) dapat disimpulkan bahwa, Ada pengaruh
secara signifikan antara mol weight dengan price.
Hasil pengolahan data dan pengujian diatas bahwa pada pengujian dan
pengolahan data pada studi kasus tersebut dilakukan dengan beberapa metode
pengujian terlebih dahulu untuk menguji median test nya antara lain yaitu uji
normalitas, uji keseragaman data, uji validitas, uji relibilitas kemudian baru diuji
regresi linier sederhana. Hasil dari pengolahan dan pengujian dari data diatas
menunjukan bahwa untuk uji normalitas dari data tersebut hasilnya normal semua
karena dari semua variabel menunjukan nilai yang dihasilkan oleh pengolahan
tersebut di atas dari nilai alpha (0,05). Pada uji keseragaman pada masing-masing
variable pengolahan data menghasilkan nilai lebih dari nilai alpha (0,05) yang
berarti data disetiap variabel tersebut memiliki keseragaman data. Untuk uji
validitas terdapat 60 data (N=60) dengan tingkat signifikansi 5% pada tabel r
dengan rumus df = N-2, maka df = 60-2 = 58 dan hasil dari pengolahan data tersebut
menunjukan nilai yang diperoleh dari masing-masing variabel lebih dari r tabel
833
(0.2542) yang artinya semua data tersebut valid. Pada pengujian relibilitas sesuai
dengan tabel Reliability Statistic terlihat bahwa nilai Cronbach’s Alpha adalah
0,186 pada 5 of items pernyataan. Nilai tersebut berada di range 0,00 – 0,20 yang
artinya bahwa pernyataan tersebut kurang reliabel. Untuk uji regresi linier
sederhana setelah diuji mengeluarkan output/hasil bahwa ada pengaruh secara
signifikan antara mol weight dengan price.
21.11 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan dan pengujian data yang
sudah dilakukan dan menghasilkan output seperti table-tabel di atas antara lain
dapat diketahui bahwa data dari studi kasus tersebut menunjukan adamya pengaruh
yang cukup signifikaan antara mol weight disetiap jenis senyawa yang ada
diproduk-produk biokimia tersebut dan price dari setiap produknya. Dengan begitu
dapat disimpulkan bahwa berat mol disetiap 1 gram produk biokimia tersebut
harganya berbeda. Tergantung dari kandungan, kemudahan mencari bahan baku,
kualitas dan berat setiap molnya. Harga tersebut juga tidak tetap sewaktu-waktu
dapat berubah seiring dengan berjalannya waktu, kondisi dan situasi yang sedang
terjadi. Bagi instansi yang akan membeli produk-produk biokimia akan lebih baik
menyortir dan melihat harga yang ada dipasaran terlebih dahulu.
834
BAB XXII
STATISTIKA REGRESI LINIER BEBERAPA VARIABEL
INDEPENDENT
22.3 Tujuan
22.4 Manfaat
835
22.5 Literatur
Contoh kasus:
Apakah ada pengaruh yang signifikan antara motivasi kerja dengan kemampuan
pegawai secara bersama-sama terhadap pelayanan masyarakat?
Hasil Analisis:
Hipotesis
H0: Motivasi kerja dan kemampuan pegawai tidak berpengaruh secara simultan
terhadap pelayanan masyarakat
H1: Minimal ada satu variabel X yang berpengaruh terhadap pelayanan masyarakat
Taraf signifikansi
α = 0,05
Daerah kritik
Keputusan
Dari perhitungan didapat P-value (0,000) < α (0,05), maka diputuskan untuk
menolak Ho
Kesimpulan
Hipotesis
Taraf signifikansi
836
α = 0,05
Daerah kritik
Keputusan
Dari perhitungan didapat P-value (0,016) < α (0,05), maka diputuskan untuk
menolak Ho
Kesimpulan
Hipotesis
Taraf signifikansi
α = 0,05
Daerah kritik
Keputusan
Dari perhitungan didapat P-value (0,016) < α (0,05), maka diputuskan untuk
menolak Ho
Kesimpulan
837
- Multikolinieritas
Karena nilai VIF kedua variabel kurang dari 10, yaitu sebesar 1,618 maka
disimpulkan bahwa tidak terdapat multikolinieritas pada model regresi.
- Heteroskedastisitas
Hipotesis
Taraf signifikansi
α = 0,05
Daerah kritik
Keputusan
Dari perhitungan didapat P-value (0,771) > α (0,05) maka Ho gagal ditolak
Kesimpulan
- Uji Autokorelasi
Hipotesis
Taraf signifikansi
α = 0,05
Daerah kritik
838
dL < d ≤ dU → Daerah keragu-raguan, tidak ada keputusan
4 – dU ≤ d ≤ 4 – dL → Daerah keragu-raguan
Keputusan
Kesimpulan
Hipotesis
Taraf signifikansi
α = 0,05
Daerah kritik
Keputusan
Dari perhitungan didapat P-value (0,200) > α (0,05) maka Ho gagal ditolak
Kesimpulan
839
22.6 Metode Pengolahan Data
Analisis regresi linier berganda adalah hubungan secara linier antara dua
atau lebih variabel independen (X1,X2,…,Xn) dengan variabel dependen (Y).
Analisis ini untuk mengetahui arah hubungan antara variabel independen dan
variabel dependen berhubungan positif atau negatif dan untuk memprediksi nilai
dari variabel dependen apabila variabel independen mengalami kenaikan atau
penurunan. Data yang digunakan biasanya berskala interval atau rasio. Persamaan
regresi linier berganda sebagai berikut:
Dimana:
Y = variabel dependen
X = variabel independen
Tabel 22.1 Kumpulan data penelitian mengenai statistik kecelakaan tambang pada
tahun 2018.
840
127 107 92 25 50 237 188 826
174 95 168 60 94 257 119 967
160 65 183 73 56 199 237 973
189 101 140 28 76 194 213 941
248 71 118 38 75 145 264 959
208 76 146 42 135 219 288 111
4
182 105 173 99 132 244 249 118
4
229 105 90 64 167 196 260 111
1
234 105 170 95 79 180 242 110
5
215 78 160 86 132 132 193 996
132 59 211 89 69 115 202 877
133 122 180 42 85 83 187 832
115 123 207 93 132 170 248 108
8
133 82 211 55 91 157 257 986
154 88 219 60 127 120 253 102
1
131 75 148 61 106 88 105 714
219 52 137 55 160 225 217 106
5
245 93 199 50 145 194 238 116
4
148 119 179 83 159 238 172 109
8
841
Gambar 22.1 Kotak Dialog Linear Regression
(Sumber: Olah Data 2020)
e. Gunakan default dari kotak option dan klik continue. Maka kembali ke kotak
dialog linier regression.
842
g. Pada kotak dialog linier regression: statistic, beri tanda centang pada kolom
estimates untuk mengeluarkan koefisien regresi. Selain itu beritanda centang
pada kotak modelfit dan descriptives. Pada kotak residuals beri tanda centang
pada Durbin-Watson, Casewise diagnostics kemudian pilih All cases.
h. Klik Continue.
i. Klik Plots, maka akan muncul kotak dialog linier regression: plots.
j. Untuk membuat plot antara SDRESID dan ZPRED maka masukan peubah
SDRESID ke dalam ruang Y dan ZPRED ke dalam ruang X. Kemudian klik Next
k. Untuk membuat plot antara ZPRED dengan DEPENDT maka masukan peubah
standardized residal plots pilih normal probability plot.
l. Klik Continue
m. Klik OK
A. Uji Normality
843
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 25
Normal Parametersa,b Mean ,0000000
Std. Deviation ,00000000
Most Extreme Differences Absolute ,126
Positive ,072
Negative -,126
Kolmogorov-Smirnov Z ,629
Asymp. Sig. (2-tailed) ,824
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,05
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah
lebih besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak
normal (Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari
hasil diatas menunjukkan bahwa:
i. Semua variabel tersebut memiliki nilai (Sig.> α), maka data tersebut normal
844
B. Uji Descriptive Statistics
Descriptive Statistics
N Range Minimum Maximum Mean Std. Deviation Variance
Tabel diatas dapat menjelaskan bahwa nilai rata-rata variabel Tenggelam adalah
177 dengan standar deviasi 45,69, rata-rata variabel Terbentur adalah 90 dengan
standar deviasi 21,31, rata-rata variabel Tersengat Listrik adalah 163 denganstandar
deviasi 39,89, rata-rata variabel Tertabrak adalah 61 dengan standar deviasi24,42,
rata-rata variabel Terpeleset adalah 112 dengan standar deviasi 34,50, rata- rata
variabel Terjatuh adalah 175 dengan standar deviasi 54,24, dan rata-ratavariabel
Terjepit adalah 217 dengan standar deviasi 46,31.
845
C. Uji Analisis Multikolinearitas
Coefficientsa
Terbentur 1,000 ,000 ,177 6,331E7 ,000 ,031 1,000 ,163 ,852 1,174
Tersengat_Listrik 1,000 ,000 ,331 1,175E8 ,000 ,191 1,000 ,303 ,837 1,195
Tertabrak 1,000 ,000 ,203 7,111E7 ,000 ,461 1,000 ,183 ,819 1,222
Terpeleset 1,000 ,000 ,286 9,999E7 ,000 ,552 1,000 ,258 ,810 1,234
Terjatuh 1,000 ,000 ,450 1,583E8 ,000 ,555 1,000 ,408 ,822 1,217
Terjepit 1,000 ,000 ,384 1,400E8 ,000 ,514 1,000 ,361 ,882 1,133
a. Dependent Variable: Y
Dari hasil uji multikolinearitas dengan menggunakan SPSS nilai VIF berada antara
1-10, oleh sebab karena itu penelitian ini tidak ada persoalan multikolinearitas,
dimana persyaratan untuk dapat dikatakan terbebas dari multikolinieritas adalah
apabila nilai VIF prediktor 1-10.
846
D. Uji Analisis heteroskedastisitas
Hasil uji heteroskedastisitas dapat dilihat pada gambar Scatterplot, seperti pada
gambar di bawah ini:
Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur
tertentu, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan
kata lain terjadi homoskedastisitas. Asumsi klasik tentang heteroskedastisitas dalam
model ini terpenuhi, yaitu terbebas dari heteroskedastisitas.
847
E. Uji Analisis Autokorelasi
Model Summaryb
d
1 1,000a 1,000 1,000 ,000 1,928
i
Nilai Durbin – Watson pada uji autokorelasi di Tabel 22.5 sebesar 1,928 nilai
tersebut akan dibandingkan dengan nilai tabel dengan taraf signifikansi sebesar 5%,
jumlah observasi (df = n - 2 = 25 – 2 = 23) dan jumlah variabel independen 2 (k=2),
maka di tabel Durbin-Watson diperoleh nilai batas atas (du) = 1,5596 dan nilai batas
bawah (dl) = 1,2553 dan nilai d=1,928. Karena dl < d < du maka kesimpulannya
berada pada daerah keraguan dimana tidak ada keputusan autokorelasi.
848
F. Uji Analisis Regresi Berganda
Coefficientsa
Terbentur 1,000 ,000 ,177 6,331E7 ,000 ,031 1,000 ,163 ,852 1,174
Tersengat_Listrik 1,000 ,000 ,331 1,175E8 ,000 ,191 1,000 ,303 ,837 1,195
Tertabrak 1,000 ,000 ,203 7,111E7 ,000 ,461 1,000 ,183 ,819 1,222
Terpeleset 1,000 ,000 ,286 9,999E7 ,000 ,552 1,000 ,258 ,810 1,234
Terjatuh 1,000 ,000 ,450 1,583E8 ,000 ,555 1,000 ,408 ,822 1,217
Terjepit 1,000 ,000 ,384 1,400E8 ,000 ,514 1,000 ,361 ,882 1,133
a. Dependent Variable: Y
(Sumber: Olah data 2020)
H0 : tidak terdapat pengaruh yang signifikan antara semua variabel secara bersama-
sama dengan variabel terikat (Y).
849
dengan variabel terikat (Y).
ANOVAb
Model Sum of Squares df Mean Square F Sig.
Pengujian regresi antara semua variabel terhadap variabel terikat Y pada tingkat
signifikan 5%. Jumlah sampel (N) adalah 25, dan jumlah variabel bebas (k) adalah
2, sehingga dapa diketahui dk pembilang = k = 2, dan dk penyebut = N – k – 1 =
17. Setelah dk pembilang dan dk penyebut diketahui, maka didapatkan nilai F tabel
sebesar 2,72 dan Fhitung sebesar 3,244. Karena Fhitung > dari Ftabel, maka H0
ditolak dan Ha diterima yang artinya terdapat pengaruh yang signifikan antara
semua variabel secara bersama-sama dengan variabel terikat (Y).
850
G. Uji Hipotesis Parsial / Uji T
Pengujian ini dilakukan untuk menentukan signifikan atau tidaknya masing-
masing koefisien yaitu, koefisien regresi semua variabel secara terpisah terhadap
variabel terikat (Y) dalam hal ini produktivitas kerja itu sendiri
H0 : tidak terdapat pengaruh yang signifikan antara semua variabel secara bersama-
sama dengan variabel terikat (Y).
Jika -ttabel > thitung > ttabel, maka H0 ditolak dan Ha diterima.
Diketahui jumlah responden (n) adalah 25, dan digunakan level of significance (α)
adalah 1% . maka t tabel dapat ditentukan : tα/2 ; df (n-2) = t 1%/2 ; df (25-2) = t
0,005 ; df 23. Dengan melihat tabel distribusi t, maka t tabel = 2,763
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normality, uji
descriptive statistics, uji analisis multikolinearitas, uji analisis heteroskedastisitas,
uji analisis autokorelasi, uji F, uji T, dan uji Regresi Linier Berganda menunjukan
bahwa data yang di peroleh dari Asosiasi Jasa Pertambangan Indonesia(ASPINDO)
terhadap statistik kecelakaan tambang pada tahun 2018. tersebutmenunjukan data
tersebut normal karena nilai sig. lebih dari nilai alpha (0,05), datatidak ada persoalan
multikolinearitas dimana persyaratan untuk dapat dikatakan terbebas dari
multikolinieritas adalah apabila nilai VIF prediktor 1-10, data tidak terjadi
heteroskedastisitas atau dengan kata lain terjadi homoskedastisitas jika asumsi
klasik tentang heteroskedastisitas dalam model ini terpenuhi, yaitu terbebas dari
heteroskedastisitas, data tidak ada keputusan autokorelasi karena nilai batas bawah
(dl) = 1,2553 dan nilai d=1,928 jadi nilai dl < d < du maka kesimpulannya
851
berada pada daerah keraguan dimana tidak ada keputusan autokorelasi, Pada uji
Regresi Linier tersebut dimana dalam pengujian parsial dengan distribusi t
keduanya tidak memberikan pengaruh yang signifikan (H0 diterima) karena
dipisahkan, sedangkan pada uji simultan dengan distribusi F (H0 ditolak) terdapat
pengaruh yang signifikan.
22.11 Kesimpulan
852
22.1 Latar Belakang
22.3 Tujuan
853
2. Untuk mengetahui besarnya hubungan antara inspeksi program keselamatan
dan kesehatan kerja (K3) terhadap peningkatan produktivitas kerja pada
pelaksanaan proyek konstruksi.
22.4 Manfaat
22.5 Literatur
Pada penelitian ini akan digunakan metode prediksi regresi linier berganda,
untuk memprediksi tingkat inflasi bulanan di masa yang akan datang. Data yang
penulis gunakan adalah data tingkat inflasi bulanan di Indonesia yang dikeluarkan
oleh Badan Pusat Statistik dan Bank Indonesia.
854
Langkah-langkah SPSS :
855
5. Pada kotak dialog Linear Regression : Statistics, beri tanda centang pada kolom
estimates untuk mengeluarkan koefisen regresi. Selain itu beri tanda centang pada
kolom Model fit dan Descriptives. Pada kotak Residuals beri tanda centangDurbin
Watson, Casewise diagnostics, kemudian pilih All cases
6. Klik Continue
7. Klik Plots, maka akan muncul kotak dialog Linier Regression : Plots
8. Untuk membuat plot, maka masukkan SDRESID ke dalam ruang Y dam ZPRED
ke dalam ruang X.
9. Klik continue
10. Klik OK
1. Variabel Penelitian
Data yang diperoleh untuk penelitian ini sebanyak 118 record, dimana 80% dari
data tersebut sebagai data training, dan 20% dari data sebagai data testing. Variabel
independen pada penelitian ini terdiri dari tujuh variabel, yaitu: 1. Inflasi Makanan,
2. Inflasi Makanan Jadi, Minuman, Rokok, dan Tembakau, 3. Inflasi Perumahan,
Air, Listrrik, Gas, dan Bahan Bakar, 4. Inflasi Sandang, 5. Inflasi Kesehatan, 6.
856
Inflasi Pendidikan, Rekreasi, dan Olahraga, 7. Inflasi Transpor, Komunikasi, dan
Jasa Keuangan, Sedangkan variabel dependen adalah variabel Inflasi Umum.
Perangkat lunak yang digunakan untuk menganalisa adalah spss versi 17.0.
a. Uji Multikolinearitas
Hasil uji multikolinearitas dengan menggunakan spss versi 17.0 diperlihatkan oleh
tabel 1 berikut ini:
Collinearity Statistics
Tolerance VIF
Model
1 x1 .751 1.332
x2 .560 1.786
x3 .644 1.553
x4 .904 1.106
x5 .739 1.353
x6 .934 1.071
x7 .803 1.245
(Sumber: https://ejournal.nusamandiri.ac.id/index.php/techno/article/view/220)
Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) ketujuh
variabel independen lebih kecil dari 5, sehingga bisa diduga bahwa antarvarabel
independen tidak terjadi persoalan multikolinearitas.
b. Uji Autokorelasi
Hasil uji autokorelasi dengan menggunakan spss versi 17.0 diperlihatkan oleh tabel
857
2 berikut ini:
(Sumber: https://ejournal.nusamandiri.ac.id/index.php/techno/article/view/220)
Dari hasil di atas diketahui nilai D (Durbin- Watson) sebesar 1.625. Selanjutnya
nilai tersebut dibandingkan dengan nilai penerimaan H0 dari tabel D (Durbin-
Watson) diantara 1.5151 dan 1.8264. Karena nilai D hitung terletak pada daerah
penerimaan H0 sehingga asumsi tidak ada autokorelasi dapat diterima. Dari tabel
di atas juga diketahui nilai koefisien regresi sebesar 0,999 dan koefisien determinasi
sebesar 0,997 (99,7%).
3) Menentukan signifikansi
858
- Nilai signifikasi (P Value) > 0,05 maka H0 diterima dan H1 ditolak.
4) Membuat kesimpulan
- Bila (P Value) > 0,05 maka H0 diterima dan H1 ditolak. Artinya variabel
independen secara simultan (bersama-sama) tidak mempengaruhi
variabel dependen.
Hasil uji F pada penelitian ini dengan menggunakan spss versi 17.0 dapat dilihat
pada tabel 3 berikut ini:
Model df F Sig.
6
Residual 88
Total 95
(Sumber: https://ejournal.nusamandiri.ac.id/index.php/techno/article/view/220)
Dari hasil uji F pada penelitian ini, didapatkan nilai F sebesar 4357,586 dengan
angka signifikansi sebesar 0,000. Dengan tingkat signifikansi 95% (α = 0,05), angka
signifikansi sebesar 0,000 < 0,05. Atas dasar perbandingan tersebut, maka H0
ditolak atau berarti variabel independen mempunyai pengaruh yang signifikansi
secara bersama- sama terhadap variabel dependen.
d. Uji t
Hasil uji t pada penelitian ini dengan menggunakan spss versi 17.0 dapat dilihat
pada tabel 4 berikut ini:
859
Model
t Sig.
x1 91.191 .000
x2 12.835 .000
x3 25.235 .000
x4 17.434 .000
x5 2.932 .004
x6 13.516 .000
x7 69.771 .000
(Sumber: https://ejournal.nusamandiri.ac.id/index.php/techno/article/view/220)
Dari hasil uji t pada penelitian ini, diketahui nilai signifikansi dari ketujuh variabel
independen < 0,05, yang berarti H0 ditolak dan H1 diterima. Artinya masing-
masing dari ketujuh variabel independen mempunyai pengaruh yang signifikan
secara parsial terhadap variabel dependen.
Dengan menggunakan spss versi 17.0, maka didapatkan hasil uji regresi pada data
training seperti pada tabel 5 berikut ini:
Unstandardized
Model Coefficients
B Std. Error
860
x1 .241 .003
x2 .164 .013
x3 .271 .011
x4 .070 .004
x5 .040 .013
x6 .060 .004
x7 .169 .002
(Sumber: https://ejournal.nusamandiri.ac.id/index.php/techno/article/view/220)
Model regresi linier ganda tersebut kemudian diterapkan pada data testing.
Teknik analisis data yang digunakan dalam penelitian ini adalah dengan analisis
regresi linier berganda. Model ini dipilih untuk mengetahui seberapa besar
pengaruh variabel bebas terhadap variabel terikat baik secara parsial maupun
861
bersama-sama. Uji Persyaratan yang digunakan dalam penelitian ini adalah uji
normalitas Pengujian normalitas adalah untuk mengetahui apakah suatu distribusi
data normal atau tidak sehingga jika distribusi data normal akan memperkecil
kesalahan (Absurahman, 2011:272).
Apabilah syarat untuk ditelitinya suatu model regresi telah terpenuhi semua,
maka langkah selanjutnya untuk mengetahui diterima atau tidaknya hipotesis yang
diajukan dalam penelitian ini, dilakukan analisis data dengan uji F dan uji T.
Responden X1 X2 Y
1 45 38 45
2 40 35 38
3 44 44 38
4 41 40 38
5 43 46 45
6 44 42 40
7 43 43 44
8 45 42 44
9 46 43 41
10 45 40 39
11 45 40 40
12 45 42 38
13 40 44 41
14 44 46 44
15 40 43 40
862
Responden X1 X2 Y
16 40 41 41
17 40 39 40
18 44 45 45
19 47 47 45
20 45 46 40
21 45 50 40
22 42 41 40
23 40 42 39
24 40 40 40
25 45 45 39
26 44 42 41
27 44 42 41
28 50 42 40
29 44 42 41
30 41 39 31
863
Gambar 22.4 Kotak Dialog Linear Regression
5. Pada kotak dialog Linear Regression : Statistics, beri tanda centang pada kolom
estimates untuk mengeluarkan koefisen regresi. Selain itu beri tanda centang pada
kolom Model fit dan Descriptives. Pada kotak Residuals beri tanda centangDurbin
Watson, Casewise diagnostics, kemudian pilih All cases
864
6. Klik Continue
7. Klik Plots, maka akan muncul kotak dialog Linier Regression : Plots
8. Untuk membuat plot, maka masukkan SDRESID ke dalam ruang Y dam ZPRED
ke dalam ruang X.
9. Klik continue
10. Klik OK
Berikut adalah hasil dari pengolahan data. Pengolahan data awal yang
dilakukan yaitu mulai dari uji normalitas, validitas dan reliabilitas kemudian data
tersebut baru di uji dengan uji regresi linear berganda.
865
1. Uji Normalitas
Tabel 22.7 Hasil Pengolahan Uji Normalitas
Responden X1 X2 Y
N 30 30 30 30
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
kecil dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
Semua variabel menunjukkan sig > alpha 0,01 sehingga data tersebut normal
2. Uji Validitas
Tabel 22.8 Hasil Pengolahan Uji Validitas
866
Correlations
Y X1 X2
X1 .058 . .019
X2 .020 .019 .
N Y 30 30 30
X1 30 30 30
X2 30 30 30
Dalam hal ini terdapat 30 data (N=30) dengan tingkat signifikansi 1% pada tabel
r dengan rumus df = N-2, maka df = 30-2 = 28. Maka dari hasil uji validitas diatas
dapat dijelaskan sebagai berikut :
3. Uji Reliabilitas
Tabel 22.9 Hasil Pengolahan Uji Reliabilitas
Reliability Statistics
Cronbach's
Alpha Based on
Cronbach's Standardized
Alpha Items N of Items
.617 .618 3
867
(Sumber: Olah data 2020)
Descriptive Statistics
Y 40.60 2.896 30
X1 43.37 2.498 30
X2 42.37 3.011 30
Tabel diatas dapat menjelaskan bahwa nilai rata-rata variabel Y adalah 40 dengan
standar deviasi 2,89, rata-rata variabel X1 adalah 43 dengan standar deviasi 2,49,
dan rata-rata variabel X2 adalah 42 dengan standar deviasi 3,01.
g) Analisis Multikolinearitas
Tabel 22.11 Multikolinearitas
Coefficientsa
a. Dependent Variable: Y
868
Dari hasil uji multikolinearitas dengan menggunakan SPSS nilai VIF berada antara
1-10, oleh sebab karena itu penelitian ini tidak ada persoalan multikolinearitas,
dimana persyaratan untuk dapat dikatakan terbebas dari multikolinieritas adalah
apabila nilai VIF prediktor 1-10.
h) Analisis heteroskedastisitas
Hasil uji heteroskedastisitas dapat dilihat pada gambar Scatterplot, seperti pada
gambar di bawah ini:
Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur
tertentu, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau dengan
kata lain terjadi homoskedastisitas. Asumsi klasik tentang heteroskedastisitas dalam
model ini terpenuhi, yaitu terbebas dari heteroskedastisitas.
i) Analisis Autokorelasi
Tabel 22.12 Autokorelasi
869
Model Summaryb
b. Dependent Variable: Y
Nilai Durbin – Watson pada uji autokorelasi di Tabel 22.12 sebesar 1,404 nilai
tersebut akan dibandingkan dengan nilai tabel dengan taraf signifikansi sebesar 5%,
jumlah observasi (df = n - 2 = 30 – 2 = 28) dan jumlah variabel independen 2 (k=2),
maka di tabel Durbin-Watson diperoleh nilai batas atas (du) = 1,5596 dan nilai batas
bawah (dl) = 1,2553 dan nilai d=1,404. Karena dl < d < du maka kesimpulannya
berada pada daerah keraguan dimana tidak ada keputusan autokorelasi.
5. Analisis Regresi
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
a. Dependent Variable: Y
870
Berdasarkan tabel diatas maka persamaan regresi untuk hubungan variabel
keselamatan kerja (X1) dan kesehatan kerja (X2) dengan variabel produktivitas
kerja (Y) dapat dituliskan sebagai berikut:
H0 : tidak terdapat pengaruh yang signifikan antara variabel bebas (X1 dan X2)
secara bersama-sama dengan variabel terikat (Y).
Ha : terdapat pengaruh yang signifikan antara variabel bebas (X1 dan X2) secara
bersama-sama dengan variabel terikat (Y).
Total 243.200 29
871
Model Sum of Squares df Mean Square F Sig.
Total 243.200 29
b. Dependent Variable: Y
Pengujian regresi antara variabel bebas X1 dan X2 terhadap variabel terikat Y pada
tingkat signifikan 5%. Jumlah sampel (N) adalah 30, dan jumlah variabel bebas (k)
adalah 2, sehingga dapa diketahui dk pembilang = k = 2, dan dk penyebut = N – k
– 1 = 27. Setelah dk pembilang dan dk penyebut diketahui, maka didapatkan nilai
F tabel sebesar 2,72 dan Fhitung sebesar 2,733. Karena Fhitung > dari Ftabel, maka
H0 ditolak dan Ha diterima yang artinya terdapat pengaruh yang signifikan antara
variabel bebas (X1 dan X2) secara bersama-sama dengan variabel terikat (Y).
H0 : tidak terdapat pengaruh yang signifikan antara variabel bebas (X1 dan X2)
secara bersama-sama dengan variabel terikat (Y).
Ha : terdapat pengaruh yang signifikan antara variabel bebas (X1 dan X2) secara
bersama-sama dengan variabel terikat (Y).
872
Jika -ttabel > thitung > ttabel, maka H0 ditolak dan Ha diterima.
Diketahui jumlah responden (n) adalah 30, dan digunakan level of significance (α)
adalah 1% . maka t tabel dapat ditentukan : tα/2 ; df (n-2) = t 1%/2 ; df (30-2) = t
0,005 ; df 28. Dengan melihat tabel distribusi t, maka t tabel = 2,763
Berdasarkan tabel 22.13 karena hasil yang telah diperoleh yaitu X1 = 0,919 berada
diantara -2,763 dan +2,763, maka H0 diterima. Hal ini berarti nilai koefisien regresi
(X1) keselamatan kerja tidak signifikan atau tidak terdapat pengaruh yang
signifikan terhadap produktivitas kerja.
Berdasarkan tabel 22.13 karena hasil yang telah diperoleh yaitu X2 = 1,638 berada
diantara -2,763 dan +2,763, maka H0 diterima. Hal ini berarti nilai koefisien regresi
(X2) kesehatan kerja tidak signifikan atau tidak terdapat pengaruh yang signifikan
terhadap produktivitas kerja.
Analisis dari pengolahan data di atas yaitu hasil dari pengolahan data atau
setelah dilakukannnya beberapa tahap pengujian seperti uji normalitas, validitas,
reliabilitas dan uji regresi linier sederhana menunjukan bahwa data tersebut normal
karena nilai sig. lebih dari nilai alpha (0,01), data valid karena nilai N_Total pada
correlation lebih besar dari nilai r tabel, data reliabel karena terlihat bahwa nilai
Cronbach’s Alpha pada 2 of items pernyataan nilai tersebut berada diatas range
yang artinya bahwa pernyataan tersebut reliabel.
Variabel yang dianalisis dalam penelitian ini adalah keselamatan kerja (X1) dan
kesehatan kerja (X2) sebagai variabel bebas dan produktivitas kerja (Y) sebagai
variabel terikat. Hasil analisis dengan menggunakan regresi linier bergandan
diperoleh persamaan regresi sebagai berikut : Y = 19,164 + 0,202X1 + 0,299X2.
873
dengan peningkatan produktivititas kerja maka dilakukanlah analisis koefisien
korelasi berganda. Hasil yang diperoleh dari perhitungan yaitu R= 0,410 dimana
angka tersebut mendekati 1. Artinya keselamatan dan kesehatan kerja memiliki
hubungan yang erat dengan peningkatan produktivitas kerja.
22.11 Kesimpulan
Berdasarkan hasil dari analisis dan pengolahan data yang telah dilakukan,
maka dapat ditarik kesimpulan dari penelitian ini adalah sebagai berikut :
874
22.1 Latar Belakang
Pertumbuhan industri yang terus meningkat saat ini akan membutuhkan
peran lebih dari sumber daya perusahaan, salah satunya alat produksi. Untuk
menciptakan efisiensi, efektifitas serta produktifitas pekerjaan maka perusahaan
akan memperbanyak penggunaan mesin dengan manusia sebagai pengawas
maupun penggeraknya. Namun penggunaan mesin yang rumit dan kompleks,
kadang tidak diikuti oleh kesiapan perusahaan dalam mempersiapkan sumber daya
manusia yang memadai serta mempersiapkan peraturan atau prosedur teknis yang
mendukung terwujudnya penggunaan teknologi yang aman dan tepat guna.
Pengoperasian mesin dan alat yang membutuhkan pengetahuan khusus malah
menjadi pemicu timbulnya resiko kecelakaan akibat kerja. Selain itu kondisi mesin
dan alat produksi juga harus menjadi fokus utama dalam hal keselamatan kerja.
22.2 Rumusan Masalah
Potensi bahaya karena penggunaan mesin–mesin serta alat–alat kerja secara
langsung menjadi fokus penelitian mengenai penerapan program K3 khususnya
Sistem Keselamatan dan Kesehatan Kerja (SMK3) perusahaan, jadi bagaimana total
biaya dan hubungan antar mesin rusak dan tidak rusak terhadap total biaya untuk
maintenance mesin produksi agar dapat meminimalisir terjadinya kecelakaankerja?
22.3 Tujuan
Tujuan dari pengolahan data tersebut adalah untuk:
1. Mengetahui data statistika dari kondisi mesin yang rusak dan tidak rusak
terhadap total biaya
2. Mengetahui pengaruh dari kondisi mesin terhadap total biaya untuk
meminimalisir kecelakaan kerja
22.4 Manfaat
Manfaat dari pengolahan data tersebut adalah untuk:
1. Mengambil langkah lebih lanjut dalam perawatan mesin produksi
agar tidak terjadi kerusakan yang menyebabkan kerugian dan
kecelakaan kerja
2. Meminimalisir kerugian dan kecelakaan kerja sebagai bentuk dari
implementasi K3
875
22.5 Literatur
Seorang mahasiswa bernama Bambang melakukan penelitian tentang
faktor-faktor yang mempengaruhi harga saham pada perusahaan di BEJ. Bambang
dalam penelitiannya ingin mengetahui hubungan antara rasio keuangan PER dan
ROI terhadap harga saham. Dengan ini Bambang menganalisis dengan bantuan
program SPSS dengan alat analisis regresi linear berganda. Dari uraian di atas maka
didapat variabel dependen (Y) adalah harga saham, sedangkan variabel independen
(X1 dan X2) adalah PER dan ROI.
Data-data yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:
Tabel 22.1 Tabulasi Data
(Sumber: analisis-regresi-linier-berganda.html)
Langkah-langkah pada program SPSS
- Masuk program SPSS
- Klik variable view pada SPSS data editor
- Pada kolom Name ketik y, kolom Name pada baris kedua ketik
x1, kemudian untuk baris kedua ketik x2.
- Pada kolom Label, untuk kolom pada baris pertama ketik Harga
Saham, untuk kolom pada baris kedua ketik PER, kemudian
pada baris ketiga ketik ROI.
876
- Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
- Buka data view pada SPSS data editor, maka didapat kolom
variabel y, x1, dan x2
- Ketikkan data sesuai dengan variabelnya
- Klik Analyze - Regression – Linear
- Klik variabel Harga Saham dan masukkan ke kotak Dependent,
kemudian klik variabel PER dan ROI kemudian masukkan ke
kotak Independent.
- Klik Statistics, klik Casewise diagnostics, klik All cases. Klik
Continue
- Klik OK, maka hasil output yang didapat pada kolom
Coefficients dan Casewise diagnostics adalah sebagai berikut:
Tabel 22.2 Hasil Analisis Regresi Linear Berganda
(Sumber: analisis-regresi-linier-berganda.html)
877
Y’ = a + b1X1+ b2X2
Y’ = 4662,491 + (-74,482)X1 + 692,107X2
Y’ = 4662,491 - 74,482X1 + 692,107X2
Keterangan:
Y’ = Harga saham yang diprediksi (Rp)
a = konstanta
b1,b2 = koefisien regresi
X1 = PER (%)
X2 = ROI (%)
878
R berkisar antara 0 sampai 1, nilai semakin mendekati 1 berarti hubungan yang
terjadi semakin kuat, sebaliknya nilai semakin mendekati 0 maka hubungan yang
terjadi semakin lemah.
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien
korelasi sebagai berikut:
0,00 - 0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
Dari hasil analisis regresi, lihat pada output moddel summary dan disajikan sebagai
berikut:
Tabel 22.3 Hasil analisis korelasi ganda
(Sumber: analisis-regresi-linier-berganda.html)
Berdasarkan tabel di atas diperoleh angka R sebesar 0,879. Hal ini menunjukkan
bahwa terjadi hubungan yang sangat kuat antara PER dan ROI terhadap harga
saham.
B. Analisis Determinasi (R2)
Analisis determinasi dalam regresi linear berganda digunakan untuk mengetahui
prosentase sumbangan pengaruh variabel independen (X1, X2,……Xn) secara
serentak terhadap variabel dependen (Y). Koefisien ini menunjukkan seberapa
besar prosentase variasi variabel independen yang digunakan dalam model mampu
menjelaskan variasi variabel dependen. R2 sama dengan 0, maka tidak ada
sedikitpun prosentase sumbangan pengaruh yang diberikan variabel independen
terhadap variabel dependen, atau variasi variabel independen yang digunakandalam
model tidak menjelaskan sedikitpun variasi variabel dependen. Sebaliknya R2 sama
dengan 1, maka prosentase sumbangan pengaruh yang diberikan variabel
independen terhadap variabel dependen adalah sempurna, atau variasi variabel
independen yang digunakan dalam model menjelaskan 100% variasi variabel
879
dependen.
Dari hasil analisis regresi, lihat pada output moddel summary dan disajikan sebagai
berikut:
Tabel 22.4 Hasil analisis determinasi
(Sumber: analisis-regresi-linier-berganda.html)
Berdasarkan tabel di atas diperoleh angka R2 (R Square) sebesar 0,772 atau
(77,2%). Hal ini menunjukkan bahwa prosentase sumbangan pengaruh variabel
independen (PER dan ROI) terhadap variabel dependen (harga saham) sebesar
77,2%. Atau variasi variabel independen yang digunakan dalam model (PER dan
ROI) mampu menjelaskan sebesar 77,2% variasi variabel dependen (harga saham).
Sedangkan sisanya sebesar 22,8% dipengaruhi atau dijelaskan oleh variabel lain
yang tidak dimasukkan dalam model penelitian ini.
Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu
lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Menurut
Santoso (2001) bahwa untuk regresi dengan lebih dari dua variabel bebas digunakan
Adjusted R2 sebagai koefisien determinasi.
Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model
regresi dalam memprediksikan nilai Y. Dari hasil regresi di dapat nilai 870,80 atau
Rp.870,80 (satuan harga saham), hal ini berarti banyaknya kesalahan dalam
prediksi harga saham sebesar Rp.870,80. Sebagai pedoman jika Standard error of
the estimate kurang dari standar deviasi Y, maka model regresi semakin baik dalam
memprediksi nilai Y.
C. Uji Koefisien Regresi Secara Bersama-sama (Uji F)
Uji ini digunakan untuk mengetahui apakah variabel independen (X1,X2….Xn)
secara bersama-sama berpengaruh secara signifikan terhadap variabel dependen
(Y). Atau untuk mengetahui apakah model regresi dapat digunakan untuk
memprediksi variabel dependen atau tidak. Signifikan berarti hubungan yang
terjadi dapat berlaku untuk populasi (dapat digeneralisasikan), misalnya dari kasus
di atas populasinya adalah 50 perusahaan dan sampel yang diambil dari kasus di
atas 18 perusahaan, jadi apakah pengaruh yang terjadi atau kesimpulan yang
880
didapat berlaku untuk populasi yang berjumlah 50 perusahaan.
Dari hasil output analisis regresi dapat diketahui nilai F seperti pada tabel 2 berikut
ini:
Tabel 22.5 Hasil Uji F
(Sumber: analisis-regresi-linier-berganda.html)
Tahap-tahap untuk melakukan uji F adalah sebagai berikut:
1. Merumuskan Hipotesis
Ho : Tidak ada pengaruh secara signifikan antara PER dan ROI secara bersama-
sama terhadap harga saham.
Ha : Ada pengaruh secara signifikan antara PER dan ROI secara bersama-sama
terhadap harga saham.
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan a = 5% (signifikansi 5% atau 0,05 adalah ukuran
standar yang sering digunakan dalam penelitian)
3. Menentukan F hitung
Berdasarkan tabel diperoleh F hitung sebesar 25,465
4. Menentukan F tabel
Dengan menggunakan tingkat keyakinan 95%, a = 5%, df 1 (jumlah variabel–1) =
2, dan df 2 (n-k-1) atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah jumlah
variabel independen), hasil diperoleh untuk F tabel sebesar 3,683 (Lihat pada
lampiran) atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik
=finv(0.05,2,15) lalu enter.
5. Kriteria pengujian
- Ho diterima bila F hitung < F tabel
- Ho ditolak bila F hitung > F tabel
6. Membandingkan F hitung dengan F tabel.
Nilai F hitung > F tabel (25,465 > 3,683), maka Ho ditolak.
7. Kesimpulan
Karena F hitung > F tabel (25,465 > 3,683), maka Ho ditolak, artinya ada
881
pengaruh secara signifikan antara price earning ratio (PER) dan return on investmen
(ROI) secara bersama-sama terhadap terhadap harga saham. Jadi dari kasus ini
dapat disimpulkan bahwa PER dan ROI secara bersama-samaberpengaruh terhadap
harga saham pada perusahaan di BEJ.
D. Uji Koefisien Regresi Secara Parsial (Uji t)
Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel
independen (X1, X2,…..Xn) secara parsial berpengaruh signifikan terhadap
variabel dependen (Y).
Dari hasil analisis regresi output dapat disajikan sebagai berikut:
Tabel 22.6 Uji t
(Sumber: analisis-regresi-linier-berganda.html)
Langkah-langkah pengujian sebagai berikut:
Pengujian koefisien regresi variabel PER
1. Menentukan Hipotesis
Ho : Secara parsial tidak ada pengaruh signifikan antara PER dengan harga saham.
Ha : Secara parsial ada pengaruh signifikan antara PER dengan harga saham
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan a = 5%
3. Menentukan t hitung
Berdasarkan tabel diperoleh t hitung sebesar -1,259
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan
(df) n-k-1 atau 18-2-1 = 15 (n adalah jumlah kasus dan k adalah jumlah variabel
independen). Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh
untuk t tabel sebesar 2,131 (Lihat pada lampiran) atau dapat dicari di Ms Excel
dengan cara pada cell kosong ketik =tinv(0.05,15) lalu enter.
5. Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
882
6. Membandingkan thitung dengan t tabel
Nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho diterima
7. Kesimpulan
Oleh karena nilai -t hitung > -t tabel (-1,259 > -2,131) maka Ho diterima, artinya
secara parsial tidak ada pengaruh signifikan antara PER dengan harga saham. Jadi
dari kasus ini dapat disimpulkan bahwa secara parsial PER tidak berpengaruh
terhadap harga saham pada perusahaan di BEJ.
883
22.6 Metode Pengolahan Data
Regresi linier berganda dimaksudkan untuk menguji pengaruh dua atau
lebih variable independen (explanatory) terhadap satu variable dependen. Model ini
mengasumsikan adanya hubungan satu garis lurus/linier antara variabel dependen
dengan masing-masing prediktornya. Hubungan ini biasanya disampaikan dalam
rumus. Sedangkan untuk kasus di atas, rumus yang terbentuk adalah
Untuk tujuan pengujian hipotesis nilai parameter model, model regresi linier juga
mengasumsikan hal-hal sebagai berikut yang dikenal dengan nama Uji Asumsi
Klasik:
1. Normalitas
2. Heteroskedastisitas
3. Multikolinieritas
4. Autokorelasi (jika menggunakan data time series)
22.7 Pengumpulan Data
Berikut adalah data dari kondisi mesin dan total biaya terhadap setiap
komponen dan jenis kerusakan:
884
Tabel 22.7 Kumpulan data kondisi mesin
885
Lanjutan Tabel 22.7 Kumpulan data kondisi mesin
Komponen Probabilitas Rusak Probabilitas Masih Baik TC (Rp)
1 0.034 0.966 14.849.179,88
1 0.045 0.955 14.484.985,05
886
Lanjutan Tabel 22.7 Kumpulan data kondisi mesin
Komponen Probabilitas Rusak Probabilitas Masih Baik TC (Rp)
2 0.049 0.951 33.668.567,83
2 0.065 0.935 32.628.581,65
887
Tabel 22.8 Hasil Uji Normalitas
888
a. Variabel Rusak memiliki nilai (Sig.> α), maka data tersebut seragam
b. Variabel Masih Baik memiliki nilai (Sig.> α), maka data tersebut seragam
c. Variabel Total Cost memiliki nilai (Sig.> α), maka data tersebut seragam
c. Uji Validitas
Tabel 22.10 Hasil Uji Validitas
Dalam hal ini terdapat 93 data (N=93) dengan tingkat signifikansi 5% pada tabel r
(0.2039) dengan rumus df = N-2, maka df = 93-2 = 91. Maka dari hasil uji validitas
diatas dapat dijelaskan sebagai berikut :
Komponen = 0,810 > r tabel Valid
Rusak = 0,346 > r tabel Valid
Masih Baik = 0,346 > r tabel Valid
Total Cost = 1,000 > r tabel Valid
d. Uji Reliabilitas
Tabel 22.11 Hasil Uji Reliabilitas
889
22.9 Pengolahan Data
Langkah-langkah dalam melakukan analisis regresi adalah sebagai berikut:
1. Input data di atas ke dalam SPSS
2. Klik Analyze – Regression – Linier
3. Masukan variable nilai Total_Cost pada kotak Dependent dan
masukan variable Rusak dan Masih_Baik pada kotak
Independent
4. Klik Option, maka akan muncul kotak dialog linier regression:
option
890
pada kolom estimates untuk mengeluarkan koefisien regressi.
Selain itu beri tanda centang pada kotak modelfit dan
descriptive. Pada kotak residuals beri tanda centang pada durbin-
watson, casewise diagnostics kemudian pilih all case
8. Klik continue
9. Klik plots, maka akan muncul kotak dialog linier regression: plots
891
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
besar dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
a. Variabel Flat Belt memiliki nilai (Sig.> α), maka data tersebut normal
b. Variabel Spike Lattice memiliki nilai (Sig.> α), maka data tersebut normal
b. Uji Multikolinearitas
Tabel 22.13 Hasil Uji Multikolinearitas
892
Tabel 22.15 Hasil Uji Autokorelasi
893
(Sumber: Olah Data 2020)
Nilai Adjusted R Square sebesar 0,110 yang artinya variasi variable y mampu
dijelaskan oleh variasi variable x1 dan x2 11% sisanya (100-11)% = 89% dijelaskan
oleh variable lain di luar model penelitian.
22.11 Analisis Hasil Pengolahan Data
Hasil pengolahan data dan pengujian diatas bahwa pada pengujian dan
pengolahan data pada studi kasus tersebut dilakukan dengan beberapa metode
pengujian terlebih dahulu untuk menguji median test nya antara lain yaitu uji
normalitas, uji keseragaman data, uji validitas, uji relibilitas kemudian baru diuji
regresi linier sederhana. Hasil dari pengolahan dan pengujian dari data diatas
menunjukan bahwa untuk uji normalitas dari data tersebut hasilnya normal semua
karena dari semua variabel menunjukan nilai yang dihasilkan oleh pengolahan
tersebut di atas dari nilai alpha (0,05). Pada uji keseragaman pada masing-masing
variable pengolahan data menghasilkan nilai lebih dari nilai alpha (0,05) yang
berarti data disetiap variabel tersebut memiliki keseragaman data. Untuk uji
validitas terdapat 93 data (N=93) dengan tingkat signifikansi 5% pada tabel r
dengan rumus df = N-2, maka df = 93-2 = 91 dan hasil dari pengolahan data tersebut
menunjukan nilai yang diperoleh dari masing-masing variabel lebih dari r tabel
(0.2039) yang artinya semua data tersebut valid. Pada pengujian relibilitas sesuai
dengan tabel Reliability Statistic terlihat bahwa nilai Cronbach’s Alpha adalah
0,086 pada 5 of items pernyataan. Nilai tersebut berada di range 0,00 – 0,20 yang
artinya bahwa pernyataan tersebut kurang reliabel. Pada Uji regresi linier berganda
terdapat langkah-langkah pengujian lagi di dalamnya antara lain uji Normalitiy
Test, Uji Multikolinearitas, Homoscedasticity Test, Uji Autokorelasi, Uji F dan
Goodness of Fit Test. Untuk hasil pada uji regresi linier berganda antara lain
hubungan antara variabel independen dengan variabel dependen apakah masing-
masing variabel independen berhubungan positif.
894
22.12 Kesimpulan
Kesimpulan yang dapat di ambil dari pengolahan dan pengujian data
yang sudah dilakukan dan menghasilkan output seperti table-tabel di atas antara lain
dapat diketahui bahwa data dari studi kasus tersebut menunjukan adanya hubungan
antara variable satu dengan variable yang lainnya untuk menghasilkan suatu nilai
y. Jadi untuk hubungan antara kondisi mesin produksi yang rusak dan masih baik
terhadap total cost cukup signifikan di setiap komponennya. Maka dari ini
dipastikan untuk menjadwalkan perawatan atau maintenance mesin dan alat
produksi agar tidak mengalami kerusakan yang akan berakibat fatal nantinya seperti
kerugian material bahkan sampai dengan kecelakaan kerja. Dalam pengujian ini
setidaknya dapat diketahui secara detail angka kerusakan mesin dan mesin yang
masih baik. Dengan demikian hal tersebut juga dapat menekan total cost agar tidak
melebihi dari perkiraan semula. Untuk kepentingan kesehatan dan keselamatan
kerja seharusnya menjadi nomor satu untuk di semua department di dalam
perusahaan tersebut terlebih lagi di dalam department produksi.
895
23.1 Latar Belakang
COVID-19 menjadi salah satu penyebab kecemasan yang dirasakan oleh
seluruh masyarakat dunia belakangan ini khususnya masyarakat Indonesia. Hal ini
diakibatkan oleh kebijakan-kebijakan yang dikeluarkan oleh pemerintah dalam
mengurangi tingkat penyebaran COVID-19, yaitu belajar dari rumah, bekerja dari
rumah, dan beribadah di rumah. Bekerja dari rumah bisa menjadi produktif, bisa
pula menjadi tidak produktif bagi sebagian orang. Selain itu, beberapa perusahaan
sedang mengusahakan untuk tidak melakukan PHK (Pemutusan Hak Kerja) dengan
mengurangi upah pekerja, mengurangi jam kerja, dan lain sebagainya. Hal ini
secara tidak langsung menyebabkan penurunan produktivitas dari masyarakat itu
sendiri secara nasional yang berimbas pada penurunan penghasilan, peningkatan
jumlah masyarakat miskin, dan penurunan pendapatan perkapita. Selain itu, bekerja
di rumah atau work from home juga bisa sangat memberatkan bagi sebagian orang
mengigat setiap keluarga memiliki jumlah tanggungan yang berbeda yang
mengharuskan mereka untuk tetap produktif di tengah pandemic COVID-19.
23.2 Rumusan Masalah
Rumusan masalah yang dapat diambil dari latar belakang tersebut antara lain
bagaimana pengaruh peningkatan jumlah masyarakat terkonfirmasi covid-19
terhadap produktivitas penduduk di Indonesia?
23.3 Tujuan
Tujuan dari pengolahan data tersebut yaitu antara lain:
1. Dapat mengetahui data statistik dari pengaruh peningkatan jumlah
masyarakat terkonfirmasi covid-19 terhadap produktivitas penduduk di
Indonesia
2. Dapat mengetahui factor tertinggi dari rumusan masalah tersebut
23.4 Manfaat
Manfaat dari pengolahan data tersebut yaitu antara lain:
1. Dapat menjadi evaluasi pemerintah dalam menangani masalah tersebut
untuk membantu ekonomi penduduk di Indonesia yang tengah
terdampak pandemic Covid-19
2. Dapat menjadi pandangan untuk para penduduk Indonesia agar dapat
mencari jalan keluar agar dapat sedikit meningkatkan kondisi
896
ekonominya
23.5 Literatur
Data yang digunakan adalah data primer dengan koesioner pada petani
kentang kecamatan Naman Teran dengan responden 100 orang. Variabel penelitian
yaitu X1 = pupuk kandang, X2 = luas lahan, X3 = pestisida, X4 = kesuburan lahan,
X5 = tenaga kerja, X6 = jarak tanam antar ken- tang, X7 = bibit, X8 = pupuk,X9 =
modal. Variabel yang digunakan, telah dilakukan uji validitas, Uji Reliabilitas, Uji
Bartletts test of sheric- ity, Uji Measure of Sampling Adequacy (MSA) dan Uji
Keiser-Melin-Olkin (KMO) sesuai dengan landasan teori. Hasil pengujian
menunjukkan bahwa 9 variabel tersebut dapat dianalisis lebih lanjut menggunakan
analisis faktor. Penentuan banyaknya faktor yang dilakukan dalam analisis faktor
adalah mencari variabel terakhir yang disebut faktor yang tidak saling berkorelasi,
bebas satu sama lainnya dan lebih sedikit jumlahnya daripada variabel awal, akan
tetapi dapat menyerap sebagian besar informasi yang terkandung dalam variabel
awal atau dapat memberikan sumbangan terhadap varians seluruh variabel.
Penentuan berdasarkan nilai eigenvalue yaitu nilai eigenvalue lebih besar dari satu
dipertahankan dan faktor lainnya yang eigenvaluenya satu atau kurang dari satu
tidak dimasukkan ke dalam model. Suatu eigenvalue menunjukkan besarnya
sumbangan dari faktor terhadap varians seluruhvariabel asli.
(Sumber: https://www.neliti.com/publications/221368/analisis-faktor-faktor-yang-mempengaruhi-
hasil-produksi-kentang)
897
Dari tabel 1 di atas menunjukkan terdapat 3 faktor atau komponen yang
eigenvalue lebih dari 1 yaitu faktor 1, 2, dan 3 masing-masing dengan eigenvalue
adalah 2,810; 1,329; dan 1,003.
(Sumber: https://www.neliti.com/publications/221368/analisis-faktor-faktor-yang-mempengaruhi-
hasil-produksi-kentang)
898
Gambar 23.1 Screen Plot
(Sumber: https://www.neliti.com/publications/221368/analisis-faktor-faktor-yang-mempengaruhi-
hasil-produksi-kentang)
(Sumber: https://www.neliti.com/publications/221368/analisis-faktor-faktor-yang-mempengaruhi-
hasil-produksi-kentang)
899
melihat perbandingan besar korelasi pada setiap baris di dalam setiap tabel matrik
faktor. Berdasarkan interpretasi dari matrik faktor diperoleh hasil sebagai berikut :
(Sumber: https://www.neliti.com/publications/221368/analisis-faktor-faktor-yang-mempengaruhi-
hasil-produksi-kentang)
Dari tabel di atas diketahui bahwa bobot paling tinggi pada faktor
pertama adalah variabel X6 = jarak tanaman antar kentang. Variabel ini mempunyai
factor loading sebesar 0,718. Pada faktor pertama yang diberi nama faktor Cara dan
Pemeliharaan Kentang yang memberikan pengaruh yang cukup besar adalah
variabel X6 = jarak tanam antar kentang. Faktor jarak memberikan sumbangan
varians sebesar 31,22 %.
(Sumber: https://www.neliti.com/publications/221368/analisis-faktor-faktor-yang-mempengaruhi-
hasil-produksi-kentang)
Dari tabel di atas diketahui bahwa bobot paling tinggi pada faktor ke dua
adalah variabel X9 = modal. Variabel ini mempunyai factor loading sebesar 0,727.
Pada faktor ke dua yang diberi nama Modal dan Luas Lahan mem- berikanpengaruh
yang cukup besar adalah variabel X9 = modal. Faktor ini memberikan sumbangan
varians sebesar 14,77 %. Faktor ketiga hasil rotasi hanyalah satu variabel yang
mendukung yaitu variabel X8 = pemupukan. Variabel ini mempunyaifactor loading
sebesar 0,868. Pada faktor ketiga Interval Pemupukan yang
900
mempengaruhi hasil produksi kentang dan memberikan sumbangan varians sebesar
11,14%.
23.6 Metode Pengolahan Data
Secara matematis, analisis faktor agak mirip dengan analisis regresi, yaitu
dalam hal bentuk fungsi linier. Jumlah varians yang dikontribusi dari se- buah
variabel dengan seluruh variabel lainnya lebih dikelompokkan sebagai komunalitas.
Kovarians di antara variabel dijelaskan terbatas dalam se- jumlah kecil komponen
ditambah sebuah faktor unik untuk setiap variabel. Faktor-faktor tersebut tidak
secara eksplisit diamati. Jika variabel distan-darisasi, maka model analisis faktor
dapat ditulis sebagai berikut:
keterangan:
Keterangan:
Fi = estimasi faktor ke-i
Wi = bobot atau koefisien nilai faktor ke-i
k = jumlah variabel
901
Kaiser Meyer Oikin (KMO)
Kaiser Meyer Olkin (KMO) merupakan suatu indeks yang digunakan untuk
menguji ketepatan analisis faktor. Nilai yang tinggi (antara 0,5 - 1,0)
mengidentifikasi analisis faktor tepat. Apabila dibawah 0,5 menunjukkan bahwa
analisis faktor tidak tepat untuk diaplikasikan.
keterangan:
i = 1,2,...,p
k = 1,2,...,p
rik = Koefisien korelasi sederhana antara variabel ke-i dan ke-k
aik = Koefisien korelasi Parsial antara variabel ke-i dan ke-k.
902
dengan derajat kebebasan (degree of freedom) df = p(p−1)/2
Keterangan :
N = jumlah observasi
p = jumlah variabel
|R| = determinan matriks korelasi
2. Membentuk matriks korelasi antara variabel. Analisis faktor menjadi
tepat jika variabel-variabel yang dikumpulkan saling berkorelasi
3. Communality (komunalitas) untuk mengetahui jumlah varian yang dikontribusi
dari sebuah variabel dengan seluruh variabel lainnya dalam analisis. Rumus untuk
mencari komunalitas
keterangan :
hi = comunality variabel ke-i
λim = nilai factor loading
4. Eigenvalue (nilai eigen
keterangan :
A = matriks korelasi
λ = eigenvalue
I = matriks Identitas
5. Menghitung nilai eigenvector
keterangan :
x = eigenvector
6. Menentukan banyak faktor yang terbentuk berdasarkan nilai eigen-
value. Suatu komponen faktor akan terbentuk jika nilai eigenvalue > 1.
7. Menghitung matriks faktor loading (Λ) dengan mengalikan matriks
eigenvektor (V) dengan akar matriks eigenvalue (L). Dalam bentuk persamaan
903
dapat ditulis :
904
Tabel 23.6 Data produktivitas responden
Pekerjaan_Dap Perubaha Kondis
Berpengar Kelebihan_Bek Kekurangan_Bek
Respond at_ n_ i_
uh_ erja_ erja_
en Dilakukan_Diru Produktivi Ekono
WFH Dirumah Dirumah
mah tas mi
1 1 2 5 2 1 3
2 2 2 4 1 2 3
3 1 2 3 4 3 2
4 1 1 3 3 3 3
5 1 1 4 3 1 1
6 2 2 3 4 2 1
7 1 1 5 3 2 3
8 1 1 3 5 2 3
9 2 1 4 4 1 2
10 2 1 3 4 2 3
11 2 2 4 4 3 1
12 2 1 2 1 1 1
13 1 1 4 1 1 2
14 2 1 1 4 1 1
15 1 1 4 3 3 3
16 1 2 4 1 1 3
17 1 2 1 2 3 1
18 1 2 4 2 1 3
19 2 2 1 1 3 3
20 2 2 2 4 2 3
21 1 2 3 3 3 3
22 2 2 2 5 3 3
23 2 1 3 2 1 1
24 2 2 3 4 1 1
25 1 1 5 5 3 2
26 2 2 1 5 3 3
27 1 1 2 4 1 1
28 1 1 5 1 1 3
905
Lanjutan Tabel 23.6 Data produktivitas responden
Pekerjaan_Dap Perubaha Kondis
Berpengar Kelebihan_Bek Kekurangan_Bek
Respond at_ n_ i_
uh_ erja_ erja_
en Dilakukan_Diru Produktivi Ekono
WFH Dirumah Dirumah
mah tas mi
29 1 1 3 3 1 3
30 1 2 1 3 2 1
31 1 1 4 1 1 2
32 1 2 3 2 2 2
33 2 1 5 2 1 3
34 1 2 3 1 1 1
35 1 1 2 3 1 1
36 1 1 5 5 2 3
37 1 1 4 3 3 1
38 2 2 5 4 3 2
39 2 2 3 3 1 1
40 2 2 2 2 2 2
41 2 2 2 5 1 1
42 1 1 1 5 3 3
43 1 2 4 4 1 3
44 1 1 4 4 3 2
45 1 2 4 1 3 3
46 1 1 1 2 1 1
47 1 1 4 1 3 2
48 2 1 5 1 2 3
49 2 1 2 2 1 2
50 2 2 1 4 2 2
51 1 1 4 2 3 1
52 2 1 2 4 2 3
53 1 2 2 4 2 2
54 2 1 3 2 3 3
55 1 1 4 4 2 2
56 2 1 2 4 1 3
57 2 2 5 5 1 1
58 1 2 3 1 3 2
59 2 1 5 2 3 1
60 1 2 2 5 1 2
61 2 1 3 2 3 1
62 2 2 1 5 3 1
63 2 2 1 5 1 2
64 2 1 3 2 3 2
65 2 2 1 2 2 3
66 1 1 2 5 3 1
906
Lanjutan Tabel 23.6 Data produktivitas responden
Pekerjaan_Dap Perubaha Kondis
Berpengar Kelebihan_Bek Kekurangan_Bek
Respond at_ n_ i_
uh_ erja_ erja_
en Dilakukan_Diru Produktivi Ekono
WFH Dirumah Dirumah
mah tas mi
67 2 2 3 2 2 3
68 1 2 4 4 3 2
69 1 2 3 1 3 3
70 2 2 3 3 3 1
71 1 1 3 2 3 3
72 1 2 3 1 1 2
73 1 2 5 1 3 2
74 2 2 1 1 3 1
75 2 1 1 1 3 1
76 2 1 1 2 1 1
77 2 1 4 3 1 2
78 1 2 5 3 3 1
79 2 1 4 3 2 1
80 1 2 1 3 1 3
81 1 2 4 5 2 3
82 2 1 4 4 2 2
83 1 2 3 3 1 2
84 2 1 2 4 2 3
85 1 1 5 2 1 2
86 1 2 1 1 3 2
87 2 1 4 2 2 2
88 1 2 4 3 3 2
89 1 1 5 5 3 1
90 2 1 5 2 2 2
91 1 1 5 1 2 2
92 1 2 5 1 2 3
93 2 1 1 2 3 3
94 1 1 1 1 2 1
95 2 1 4 4 2 3
96 2 1 4 5 3 1
97 1 1 4 1 1 2
98 1 1 1 3 2 3
99 2 2 4 5 2 1
100 2 2 1 4 3 2
908
Gambar 23.2 Tampilan Kotak Dialog Analyze
(Sumber: Olah Data, 2020)
909
Gambar 23.4 Tampilan Kotak Dialog Factor Analysis: Descriptives
(Sumber: Olah Data, 2020)
910
Gambar 23.5 Tampilan Kotak Dialog Factor Analysis: Options
(Sumber: Olah Data, 2020)
7. Klik Continue
8. Klik OK
23.9 Hasil dan Pembahasan Pengolahan Data
Berikut adalah serangkaian pengolahan data untuk uji analisis factor:
A. Examining Data
1. Sample Size
Rumus : N
n = 1+Ne^2
100
n =
1+100 x 0,05^2
100
n=
1,25
n = 80
911
2. Missing Data
Statistics
Pekerjaan_D Kelebihan_B Kekurangan
apat_Dilakuk Berpengaruh ekerja_Diru _Bekerja_Dir Perubahan_ Kondisi_Eko
an_Dirumah an_WFH mah umah Produktivitas nomi
912
Tabel 23.8 Hasil Uji Analisis relasi antar variable
Pekerjaan_Dapat_ Pearson
1 -.004 -.209* .153 -.008 .119**
Dilakukan_Dirumah Correlation
Sig. (2-
.972 .037 .129 .934 .239
tailed)
Berpengaruhan_W Pearson
-.004 1 -.165 .052 .087 .027*
FH Correlation
Sig. (2-
.972 .101 .605 .390 .788
tailed)
Kelebihan_Bekerja Pearson
-.209* -.165 1 -.084 -.020 .095*
_Dirumah Correlation
Sig. (2-
.037 .101 .404 .841 .348
tailed)
Kekurangan_Bekerj Pearson
.153 .052 -.084 1 .056 .057*
a_Dirumah Correlation
Sig. (2-
.129 .605 .404 .578 .575
tailed)
Perubahan_Produk Pearson
-.008 .087 -.020 .056 1 .026*
tivitas Correlation
Sig. (2-
.934 .390 .841 .578 .797
tailed)
Kondisi_Ekonomi Pearson
-.119 .027 .095 -.057 .026 1
Correlation
Sig. (2-
.239 .788 .348 .575 .797
tailed)
913
(Sumber: Olah Data, 2020)
Berdasarkan tanda bintang (*) yang diberikan SPSS jika terdapat tanda bintang (*)
atau (**) pada nilai pearson correlation maka antara variable yang dianalisis
terdapat korelasi. Sebaliknya jika tidak terdapat tanda bintang maka antara variable
yang dianalisis tidak terjadi korelasi.
Dari tabel diatas menunjukkan bahwa pada semua variable pada pearson correlate
memiliki tanda bintang yang berarti antara variable yang dianalisis terdapat korelasi
satu sama lain.
4. Outlier Data
914
Gambar 23.6 Hasil Uji Outlier Data
Pekerjaa Kekurang
n_Dapat_ Berpenga Kelebihan an_Beker Perubaha
Respon Dilakukan ruhan_W _Bekerja ja_Dirum n_Produk Kondisi_
den _Dirumah FH _Dirumah ah tivitas Ekonomi
Most Extreme Absolute .061 .356 .356 .190 .175 .249 .237
Differences Positive .061 .356 .356 .133 .175 .223 .216
Asymp. Sig. (2-tailed) .850 .011 .021 .031 .014 .020 .015
Analisis uji normalitas dilakukan dengan melakukan nilai alpha (α) sebesar 0,01
sebagai alat ukur untuk menentukan data yang diolah termasuk kedalam data yang
915
dikatakan normal atau tidak. Jika hasil signifikansi (Sig.) dari data yang diolah lebih
kecil dari nilai alpha (α), maka data tersebut merupakan data yang tidak normal
(Sig.< α), sedangkan jika nilai (Sig.> α) maka data tersebut normal. Dari hasil diatas
menunjukkan bahwa:
Semua variabel menunjukkan sig > alpha 0,01 sehingga data tersebut normal
b. Linearitas
Tabel 23.10 Hasil Uji Linearitas
ANOVA Table
Sum of Mean
Squares df Square F Sig.
Total 83325,000 99
Dari hasil output diatas untuk uji linearitas dilakukan dengan cara berdasarkan nilai
signifikan, yang mana nilai sig sebesar 0,129 > 0,05. Maka dapat disimpulkan
bahwa ada hubungan linear secara signifikan antara variabel tersebut.
c. Homoscedasticity
916
Tabel 23.11 Hasil Uji Homoscedasticity
Coefficientsa
Tabel output diatas menunjukkan semua variabel melebihi 0,05 maka asumsi
Homoscedasticity terpenuhi.
B. Factor Analysis
df 15
Sig. ,598
Berdasarkan output diatas dikteahui nilai KMO MSA sebesar 0,547 > dari 0,05
maka teknik analisis faktor dapat dilanjutkan karena sudah memenuhi syarat
pertama.
917
2. Anti-Image Matrices
Anti-image Matrices
Pada tabel tersebut terdapat kode huruf (a) yang artinya tanda untuk Measure of
Sampling Adequacy (MSA). Diketahui nilai MSA dari masing-masing yaitu:
1. Pekerjaan Dapat Dilakukan Dirumah sebesar 0,547
2. Berpengaruhan WFH sebesar 0,490
3. Kelebihan Bekerja Dirumah sebesar 0,541
4. Kekurangan Bekerja Dirumah sebesar 0,597
5. Perubahan Produktivitas sebesar 0,532
6. Kondisi Ekonomi sebesar 0,603
Persyaratan yang harus terpenuh dalam analisis faktor adalah nilai MSA > 0,50.
Dari hasil di atas diketahui bahwa nilai MSA untuk semua variabel yang diteliti
918
adalah > 0,50, maka persyaratan kedua dalam analisis faktor ini pun terpenuhi.
3. Communalities
Tabel 23.13 Hasil Uji Communalities
Communalities
Initial Extraction
Berdasarkan output diatas, diketahui nilai Extraction untuk semua variabel lebih
besar dari 0,50. Dengan demikian dapat disimpulkan bahwa semua variabel dapat
dipakai untuk menjelaskan faktor.
4. Total Variance Explained
919
Tabel 23.14 Hasil Uji Total Varience Explained
920
5. Scree Plot
Dari gambar Scree Plot di atas ada 2 titik componet yang memiliki niai Eigenvalue
> 1 maka dapat diartikan bahwa ada 2 faktor yang dapat terbentuk.
6. Component Matrix
1 2
921
Dari ouput diatas bisa dijelaskan sebagai berikut
922
Tabel 23.16 Hasil Uji Rotated Component Matrix
1 2
923
korelasi faktor 1 > faktor 2 maka variabel Kekurangan Bekerja
Dirumah termasuk kelompok faktor 1
e. Variabel Perubahan Produktivitas. Nilai korelasi variabel ini
dengan faktor 1 = -0,026 dan faktor 2 = 0,613 karena nilai
korelasi faktor 2 > faktor 1 maka variabel Perubahan
Produktivitas termasuk kelompok faktor 2
f. Variabel Kondisi Ekonomi. Nilai korelasi variabel ini dengan
faktor 1 = -0,499 dan faktor 2 = 0,353 karena nilai korelasi
faktor 2 > faktor 1 maka variabel Kondisi Ekonomi termasuk
kelompok faktor 2
8. Component Transformation Matrix
1 ,964 ,266
2 -,266 ,964
Berdasarkan tabel output diatas bahwa pada component 1 nilai korelasinya adalah
sebesar 0,964 > 0,5, dan component 2 nilai korelasinya sebesar 0,964 > 0,5, maka
kedua faktor yang terbentuk ini dapat disimpulkan layak untuk merangkum semua
variabel yang dianalisis
924
(box and whiskers plot), testing the assumption (normalitas, linearitas dan
homoscedasticity) dan baru di uji factor analysis.
Hasil dari pengolahan data yang sudah dilakukan diatas antara lain dapat
diketahui bahwa pada uji sample size diketahui bahwa nilai n = 80 setelah dilakukan
925
ada 2 faktor yang dapat terbentuk. Pada uji Component Matrix hasil pada kedua
component menunjukan bahwa semua nilai yang dihasilkan Untuk variabel
Pekerjaan Dapat Dilakukan Dirumah yakni nilai kolerasi faktor 1 adalah ,645 dan
korelasi dengan faktor 2 adalah sebesar -0,312, Untuk variabel Berpengaruhan
WFH yakni nilai kolerasi faktor 1 adalah ,338 dan korelasi dengan faktor 2 adalah
sebesar 0,662, Untuk variabel Kelebihan Bekerja Dirumah yakni nilai kolerasi
faktor 1 adalah -,673 dan korelasi dengan faktor 2 adalah sebesar -0,102, Untuk
variabel Kekurangan Bekerja Dirumah yakni nilai kolerasi faktor 1 adalah ,502 dan
korelasi dengan faktor 2 adalah sebesar 0,018, Untuk variabel Perubahan
Produktivitas yakni nilai kolerasi faktor 1 adalah ,138 dan korelasi dengan faktor 2
adalah sebesar 0,597, Untuk variabel Kondisi Ekonomi yakni nilai kolerasi faktor
1 adalah -0,386 dan korelasi dengan faktor 2 adalah sebesar 0,473. Selanjutnya
untuk uji Rotated Component Matrix menunjukan bahwa Variabel Pekerjaan Dapat
Dilakukan Dirumah. Nilai korelasi variabel ini dengan faktor 1 = 0,705 dan faktor
2 = -0,129 karena nilai korelasi faktor 1 > faktor 2 maka variabel Pekerjaan Dapat
Dilakukan Dirumah termasuk kelompok faktor 1, Variabel Berpengaruhan WFH.
Nilai korelasi variabel ini dengan faktor 1 = 0,149 dan faktor 2 =0,728 karena nilai
korelasi faktor 2 > faktor 1 maka variabel Berpengaruhan WFH termasuk kelompok
faktor 2, Variabel Kelebihan Bekerja Dirumah. Nilai korelasi variabel ini dengan
faktor 1 = -0,622 dan faktor 2 = -,278 karena nilai korelasi faktor 2 > faktor 1 maka
variabel Kelebihan Bekerja Dirumah termasuk kelompok faktor 2, Variabel
Kekurangan Bekerja Dirumah. Nilai korelasi variabel ini dengan faktor 1 = 0,479
dan faktor 2 = 0,151 karena nilai korelasi faktor 1 > faktor 2 maka variabel
Kekurangan Bekerja Dirumah termasuk kelompok faktor 1, Variabel Perubahan
Produktivitas. Nilai korelasi variabel ini dengan faktor 1 = -0,026 dan faktor 2 =
0,613 karena nilai korelasi faktor 2 > faktor 1 maka variabel Perubahan
Produktivitas termasuk kelompok faktor 2, Variabel Kondisi Ekonomi. Nilai
korelasi variabel ini dengan faktor 1 = -0,499 dan faktor 2 = 0,353 karena nilai
korelasi faktor 2 > faktor 1 maka variabel Kondisi Ekonomi termasuk kelompok
faktor 2, dan yang terakhir untuk rangkaian uji analisis faktor yaitu uji Component
Transformation Matrix menunjukan bahwa kedua faktor yang terbentuk dapat
disimpulkan layak untuk merangkum semua variabel yang dianalisis
926
23.11 Kesimpulan
Kesimpulan yang dapat diambil dari pengolahan data yang sudah dilakukan
di atas yaitu antara lain semua faktor yang mempengaruhi produktivitas penduduk
di Indonesia selamat terjadi pandemic Covid-19 ini memenuhi semua. Semakin hari
banyak penduduk Indonesia yang positif virus Covid-19 yang artinya semakin
bertambah jumlah pasien Covid-19 maka semakin lama juga proses penyembuhan
dan work from home dilakukan. Semakin lama di rumah sebagian penduduk
Indonesia mengalami krisis ekonomi karena hilangnya mata pencaharian yang
selama ini. Banyak juga penduduk Indonesia yang bekerja sebagai wiraswasta yang
menurun drastis pendapatannya karena pandemic ini karena banyak yang takut
untuk keluar rumah selain itu juga ada himbauan juga dari pemerintah untuk tidak
keluar rumah jika tidak keadaan mendesak. Para pengusaha menengah kebawah
juga mengalami pendapatan yang semakin hari semakin merosot. Dengan keadaan
yang seperti ini seharusnya pemerintah melakukan sebuah tindakan untuk
mengatasi masalah tersebut meskipun tidak teratasi 100% tetapi setidaknya
membantu para masyarakat antara lain memberikan bantuan untuk masyarakat yang
kehilangan pekerjaannya mencari solusi untuk masyarakat yang mempunyai usaha
menengah kebawah untuk melakukan usahanya atau dijual dan dipromosikan
melalui dengan menggunakan social media. Jika banyak masyarakat yang belum
mengerti tentang social media maka seharusnya pemerintah mengusahakan agar
ada sebuah komunitas yang mengumpulkan para pelaku usaha menengah kebawah
untuk dipromosikan ke social media. Setidaknya hal tersebut dapat dilakukan untuk
saat ini dan mungkin dapat sedikit membantu agar masyarakat dapat mendapatkan
pemasukan disetiap harinya dan bias tetap produktif.
927
BAB XXIV
PENUTUP
24.1 Kesimpulan
Kesimpulan yang dapat diambil dari penyusunan laporan tugas akhir mata
kuliah praktikum statistika industri 2 ini antara lain yaitu:
928
c. Korelasi pearson,
d. One or two-way anova
4. Statistik non-parametrik adalah teknik statistik yang tidak didasarkan pada
model distribusi normal atau bebas
Contoh metode statistik non parametrik
a. One Sample
b. Run Test
c. Chi-Square
d. Kol-Smirnov One Sample Test
e. McNemar Change Test
f. Sign Test
g. Wilcoxon
h. Median
i. Wilcoxon Mann-Whitney
j. Kol-Smirnov Two Sample
24.2 Saran
Saran untuk perkuliahan mata kuliah praktikum statistika industry 2 ini
antara lain yaitu:
929
LAMPIRAN
930
931
2. Lampiran hasil kuesioner pengetahuan umum dan pengetahuan khusus
1. Jenis kelamin
2. Pendidikan Terakhir
3. Pengetahuan Umum
a. Apa yang dimaksud dengan jurusan teknik industri?
b. Ilmu Teknik Industri dapat dibagi ke dalam tiga bidang keahlian antara lain
yaitu?
932
c. Apa yang membedakan jurusan Teknik Industri dengan jurusan yang lain?
d. Siapa apa yang ditetapkan sebagai bapak teknik industri dan gagasannya
paling terkenal?
4. Pengetahuan Khusus
a. Pada mata kuliah ergonomi manusia berperan sebagai?
933
b. Program CADD apa yang bisa digunakan dalam merancang suatu gambar di
mata kuliah menggambar teknik?
934
teknologi apa?
935
3. Lampiran kuesioner tentang penanggulangan bencana
936
DAFTAR PUSTAKA
Aldy, Rochmat. 2016. Analisis Statistik Ekonomi dan Bisnis Dengan SPSS.
Ponorogo.
Aprilia, Yoga Gigih dan Haryanto Mulyo. 2017. Analisis Reaksi Harga Saham dan
Volume Perdagangan Atas Pengumuman Dividen Kas. Volume 6, Nomor
3, Tahun 2017, Halaman 1-12.
Astuti, Dwi. 2011. Pengujian Hipotesis Dua Sampel Independen Berdasarkan Uji
Mann-Whitney dan Uji Kolmogorov Smirnov Dua Sampel Serta
Simulasinya Dengan Program Spss. Skripsi. Universitas Negeri Semarang.
Semarang.
Ayunita, Dian. 2018. Modul III: Uji Validitas dan Reliabilitas. Universitas
Diponegoro. Semarang.
Biswas, S., Ahmad, S., Molla, M. K. I., Hirose, K., & Nasser, M. 2008.
Kolmogorov-Smirnov test in text-dependent automatic speaker
identification. Engineering Letter, 16(4), EL_16_4_01.
937
Gaib, Malonda. 2011. Uji Kai Kuadrat (Chi Square Test). Jakarta.
Negara, Igo Cahaya dan Prabowo, Agung. 2018. Penggunaan Uji Chi–Square untuk
Mengetahui Pengaruh Tingkat Pendidikan dan Umur Terhadap
Pengetahuan Penasun Mengenai Hiv–Aids di Provinsi DKI Jakarta. Jurusan
Matematika, FMIPA Universitas Jenderal Soedirman. Purwokerto.
938
Rosita, A. 2011. Efektifitas Uji Kruskal–Wallis (H) dan
Perluasan Uji Median Untuk Uji Independensi
(Doctoral dissertation, Universitas Negeri
Semarang). Semarang.
939
Witney, U. M. (1988). Statistik Non Parametrik.
940