ANALISIS DESKRIPTIF
Statistik deskriptif menggambarkan tentang ringkasan data-data penelitian seperti mean, standar
deviasi, varian, modus dll. Dalam program SPSS digunakan juga ukuran skewness dan kurtosis
untuk menggambarkan distribusi data apakah normal atau tidak, selain ada beberapa pengujian
untuk mengetahui normalitas data dengan uji Kolmogorov-Smirnov dan Shapiro-Wilk. Dalam
pembahasan ini hanya akan dilakukan analisis deskriptif dengan memberikan gambaran data
tentang jumlah data, minimum, maksimum, mean, dan standar deviasi.
Contoh kasus:
Sebagai contoh kasus mengambil kasus yang sama pada uji normalitas dengan mengurangi satu
variabel yaitu ROI. Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara
rasio keuangan PER terhadap harga saham. Dengan ini Bambang menganalisis dengan bantuan
program SPSS dengan alat analisis regresi linear. Sebelum dilakukan analisis maka akan
dilakukan analisis deskriptif dengan meringkas data dan menyajikannya dalam bentuk tabel dan
grafik. Data-data penelitian adalah sebagai berikut:
program SPSS
Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output
Descriptive Statistic, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows and
Columns)
Dari tabel di atas dapat dilihat bahwa variabel harga saham dengan jumlah data (N) sebanyak 18
mempunyai harga saham rata-rata Rp.9.150,-; dengan harga saham minimal Rp.6.500,- dan
maksimal Rp.13.000,-. sedangkan standar deviasinya sebesar Rp.1.714,-. Variabel PER dengan
jumlah data (N) sebanyak 18 mempunyai prosentase rata-rata sebesar 9,9122%; dengan nilai
minimal 3,28% dan maksimal 17,24% sedangkan standar deviasinya sebesar 4,9193%.
UJI AUTOKORELASI
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik
autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan
lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam
model regresi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson (uji
DW) dengan ketentuan sebagai berikut:
1) Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis nol ditolak, yang
berarti terdapat autokorelasi.
2) Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak
ada autokorelasi.
3) Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak
menghasilkan kesimpulan yang pasti.
Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson yang bergantung banyaknya
observasi dan banyaknya variabel yang menjelaskan.
Sebagai contoh kasus kita mengambil contoh kasus pada uji normalitas pada pembahasan
sebelumnya. Pada contoh kasus tersebut setelah dilakukan uji normalitas, multikolinearitas, dan
heteroskedastisitas maka selanjutnya akan dilakukan pengujian autokorelasi.
program SPSS
Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi adalah 1,387.
Sedangkan dari tabel DW dengan signifikansi 0,05 dan jumlah data (n) = 18, seta k = 2 (k adalah
jumlah variabel independen) diperoleh nilai dL sebesar 1,046 dan dU sebesar 1,535 (lihat
lampiran). Karena nilai DW (1,387) berada pada daerah antara dL dan dU, maka tidak
menghasilkan kesimpulan yang pasti (berada di daerah keragu-raguan).
UJI HETEROSKEDASTISITAS
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi
klasik heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua
pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah
tidak adanya gejala heteroskedastisitas. Ada beberapa metode pengujian yang bisa digunakan
diantaranya yaitu Uji Park, Uji Glesjer, Melihat pola grafik regresi, dan uji koefisien korelasi
Spearman.
a) Uji Park
Metode uji Park yaitu dengan meregresikan nilai logaritma natural dari residual kuadrat (Lne2)
dengan variabel independen (X1 dan X2).
Uji Glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai absolut
residualnya (ABS_RES). Jika nilai signifikansi antara variabel independen dengan absolut
residual lebih dari 0,05 maka tidak terjadi masalah heteroskedastisitas.
Contoh kasus:
Akan dilakukan analisis regresi linier berganda untuk mengetahui pengaruh biaya produksi,
distribusi, dan promosi terhadap tingkat penjualan. Dengan ini sebe lumnya akan dilakukan uji
asumsi klasik heteroskedastisitas dengan metode uji Glejser. Data sebagai berikut:
Langkah selanjutnya mencari nilai absolute residual dari nilai residual di atas, caranya
klik menu Transform >> Compute Variable.
Pada kotak Target Variable, merupakan nama variabel baru yang akan tercipta.
Ketikkan ABS_RES (absolute residual). Kemudian klik pada kotak Numeric Expression,
lalu ketikkan ABS( lalu masukkan variabel Unstandardized Residual (RES_1) ke kotak
Numeric Expression dengan klik tanda penunjuk, kemudian ketik tanda tutup kurung.
Maka lengkapnya akan tertulis ABS(RES_1), perintah ini untuk menghitung nilai
absolute dari residual. Jika sudah klik tombol OK.
Langkah selanjutnya meregresikan nilai variabel independen dengan absolute residual.
Caranya klik Analyze >> Regression >> Linear.
Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan varibel Biaya
produksi, Biaya distribusi, dan Biaya promosi ke kotak Independent(s). Selanjutnya klik
tombol OK. Maka hasil pada output Coefficient seperti berikut:
Dari output di atas dapat diketahui bahwa nilai signifikansi ketiga variabel independen lebih dari
0,05. Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada
model regresi.
Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang
teratur (bergelombang, melebar kemudian menyempit), maka terjadi heteroskedastisitas.
Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0
pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Dari output di atas dapat diketahui bahwa titik-titik tidak membentuk pola yang jelas, dan titik-
titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Jadi dapat disimpulkan bahwa tidak
terjadi masalah heteroskedastisitas dalam model regresi.
0,05 dengan uji 2 sisi. Jika korelasi antara variabel independen dengan residual di dapat
signifikansi lebih dari 0,05 maka dapat dikatakan bahwa tidak terjadi masalah heteroskedastisitas
pada model regresi.
apat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
UJI LINIERITAS
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear
atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat dalam analisis korelasi
atau regresi linear. Pengujian pada SPSS dengan menggunakan Test for Linearity dengan pada
taraf signifikansi 0,05. Dua variabel dikatakan mempunyai hubungan yang linear bila
signifikansi (Linearity) kurang dari 0,05.
Contoh kasus:
Seorang mahasiswa bernama Joko melakukan penelitian untuk mengetahui hubungan antara
kecemasan dengan optimisme pada remaja. Data-data skor total yang di dapat ditabulasikan
sebagai berikut:
program SPSS
maka hasil output yang didapat pada kolom Anova Table adalah sebagai berikut:
Dari output di atas dapat diketahui bahwa nilai signifikansi pada Linearity sebesar 0,006. Karena
signifikansi kurang dari 0,05 maka dapat disimpulkan bahwa antara variabel kecemasan dan
optimisme terdapat hubungan yang linear.
UJI HOMOGENITAS
Uji homogenitas digunakan untuk mengetahui apakah beberapa varian populasi adalah sama atau
tidak. Uji ini dilakukan sebagai prasyarat dalam analisis independent sample t test dan ANOVA.
Asumsi yang mendasari dalam analisis varian (ANOVA) adalah bahwa varian dari populasi
adalah sama. Sebagai kriteria pengujian, jika nilai signifikansi lebih dari 0,05 maka dapat
dikatakan bahwa varian dari dua atau lebih kelompok data adalah sama.
Contoh Kasus:
Seorang mahasiswi bernama Hanny melakukan penelitian untuk mengetahui apakah ada
perbedaan pemahaman mahasiswa jika dilihat dari tingkat prestasi. Dengan ini Hanny
menggunakan kuesioner sebagai alat pengumpul data yang disebar pada 20 responden dan
membuat dua variabel pertanyaan yaitu pemahaman mahasiswa dan tingkat prestasi. Pada
variabel pemahaman mahasiswa memakai skala Likert dengan pertanyaan favorabel dan
unfavorabel (mengungkap dan tidak mengungkap). Pada item favorabel skala yang dipakai 1 =
sangat tidak setuju, 2 = tidak setuju, 3 = setuju, dan 4 = sangat setuju. Pada item unfavorabel
sebaliknya yaitu 1 = sangat setuju, 2 = setuju, 3 = tidak setuju, dan 4 = sangat tidak setuju. Untuk
variabel tingkat prestasi menggunakan data nominal yang dibuat tiga alternatif jawaban yaitu 1 =
IPK kurang dari 2,50; 2 = IPK 2,51-3,30 dan 3 = IPK 3,31-4,00. Data-data yang di dapat
ditabulasikan sebagai berikut:
Tingkat
Total
Item pertanyaan Skor Prestasi
1 2 3 4 5 6 7 8 9 10
1 4 4 3 4 4 2 4 3 4 4 36 3
2 4 4 4 3 4 4 3 4 4 4 38 3
3 3 3 4 2 2 1 4 2 1 3 25 1
4 3 3 4 2 2 4 1 2 3 4 28 2
5 4 4 4 2 4 3 3 3 4 3 34 3
6 2 4 2 4 1 4 4 2 2 4 29 2
7 2 4 2 4 2 2 2 4 2 4 28 2
8 4 4 4 4 4 4 3 2 4 4 37 3
9 4 4 2 4 4 4 4 4 4 4 38 3
10 2 1 4 4 3 4 3 3 2 1 27 1
11 2 2 1 4 4 3 1 4 4 2 27 2
12 3 1 3 2 2 4 4 3 2 4 28 1
13 3 4 3 4 2 4 4 4 1 4 33 3
14 4 4 2 3 4 4 2 4 4 3 34 3
15 2 4 4 4 4 2 3 4 4 4 35 3
16 4 2 3 4 3 4 3 3 4 2 32 1
17 1 3 2 3 4 2 4 4 3 2 28 1
18 4 4 3 4 4 4 4 4 4 4 39 3
19 4 4 2 2 3 3 2 1 2 4 27 2
20 4 2 2 4 2 4 2 3 4 2 29 2
program SPSS
maka hasil output yang didapat pada kolom Test of Homogeneity of Variance adalah
sebagai berikut:
Dari hasil di atas dapat diketahui signifikansi sebesar 0,193. Karena signifikansi lebih dari 0,05
maka dapat disimpulkan bahwa ketiga kelompok data pemahaman mahasiswa berdasar tingkat
prestasi mempunyai varian sama. Angka Levene Statistic menunjukkan semakin kecil nilainya
maka semakin besar homogenitasnya. df1 = jumlah kelompok data-1 atau 3-1=2 sedangkan df2
= jumlah data – jumlah kelompok data atau 20-3=17.
UJI NORMALITAS
Uji normalitas digunakan untuk mengetahui apakah populasi data berdistribusi normal atau tidak.
Uji ini biasanya digunakan untuk mengukur data berskala ordinal, interval, ataupun rasio. Jika
analisis menggunakan metode parametrik, maka persyaratan normalitas harus terpenuhi yaitu
data berasal dari distribusi yang normal. Jika data tidak berdistribusi normal, atau jumlah sampel
sedikit dan jenis data adalah nominal atau ordinal maka metode yang digunakan adalah statistik
non parametrik. Dalam pembahasan ini akan digunakan uji One Sample Kolmogorov-
Smirnov dengan menggunakan taraf signifikansi 0,05. Data dinyatakan berdistribusi normal jika
signifikansi lebih besar dari 5% atau 0,05.
Contoh Kasus:
Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara rasio keuangan
PER dan ROI terhadap harga sham. Dengan ini Bambang menganalisis dengan bantuan program
SPSS dengan alat analisis regresi linear berganda. Sebelum dilakukan analisis tersebut dilakukan
uji normalitas untuk mengetahui sebaran data.
Sebagai catatan: bila menggunakan analisis regresi linear, uji normalitas bisa dilakukan dengan
melihat nilai residualnya, apakah residual berasal dari distribusi normal ataukah tidak.
program SPSS
maka hasil output yang didapat pada kolom Test of Normality adalah sebagai berikut:
Dari hasil di atas kita lihat pada kolom Kolmogorov-Smirnov dan dapat diketahui bahwa nilai
signifikansi untuk harga saham sebesar 0,05; untuk PER sebesar 0,200; dan untuk ROI sebesar
0,200. Karena signifikansi untuk seluruh variabel lebih besar dari 0,05 maka dapat disimpulkan
bahwa data pada variabel harga saham, PER, dan ROI berdistribusi normal. Angka Statistic
menunjukkan semakin kecil nilainya maka distribusi data semakin normal. df = jumlah data.
Pada contoh kasus di atas setelah diuji validitasnya maka item-item yang gugur dibuang dan item
yang tidak gugur dimasukkan kedalam uji reliabilitas. Jadi yang akan dihitung ada 6 item, karena
4 item telah digugurkan.
program SPSS
Item-total Statistics
Scale Scale Corrected
Mean Variance Item- Alpha
Deleted Deleted Correlation Deleted
ITEM2 14.6667 18.9697 .6414 .8906
ITEM3 14.8333 18.1515 .6963 .8827
ITEM4 14.3333 18.2424 .6835 .8846
ITEM6 14.6667 16.7879 .8612 .8574
ITEM7 14.7500 15.8409 .7943 .8680
ITEM8 14.6667 17.5152 .6749 .8867
Reliability Coefficients
Alpha = .8970
Dari hasil analisis di atas di dapat nilai Alpha sebesar 0,8970. Karena nilai lebih dari 0,6, maka
dapat disimpulkan bahwa butir-butir instrumen penelitian tersebut reliabel.
Pada pembahasan ini akan dibahas untuk metode pengujian validitas item. Validitas item
ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor total), perhitungan
dilakukan dengan cara mengkorelasikan antara skor item dengan skor total item. Bila kita
menggunakan lebih dari satu faktor berarti pengujian validitas item dengan cara
mengkorelasikan antara skor item dengan skor faktor, kemudian dilanjutkan mengkorelasikan
antara skor item dengan skor total faktor (penjumlahan dari beberapa faktor). Dari hasil
perhitungan korelasi akan didapat suatu koefisien korelasi yang digunakan untuk mengukur
tingkat validitas suatu item dan untuk menentukan apakah suatu item layak digunakan atau tidak.
Dalam penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya dilakukan uji
signifikansi koefisien korelasi pada taraf signifikansi 0,05, artinya suatu item dianggap valid jika
berkorelasi signifikan terhadap skor total. Atau jika melakukan penilaian langsung terhadap
koefisien korelasi, bisa digunakan batas nilai minimal korelasi 0,30. Menurut Azwar (1999)
semua item yang mencapai koefisien korelasi minimal 0,30 daya pembedanya dianggap
memuaskan. Tetapi Azwar mengatakan bahwa bila jumlah item belum mencukupi kita bisa
menurunkan sedikit batas kriteria 0,30 menjadi 0,25 tetapi menurunkan batas kriteria di bawah
0,20 sangat tidak disarankan. Untuk pembahasan ini dilakukan uji signifikansi koefisien korelasi
dengan kriteria menggunakan r kritis pada taraf signifikansi 0,05 (signifikansi 5% atau 0,05
adalah ukuran standar yang sering digunakan dalam penelitian)
Pada program SPSS teknik pengujian yang sering digunakan para peneliti untuk uji validitas
adalah menggunakan korelasi Bivariate Pearson (Produk Momen Pearson) dan Corrected Item-
Total Correlation. Masing-masing teknik perhitungan korelasi akan dibahas sebagai berikut:
- Jika r hitung > r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item
pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).
- Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) atau r hitung negatif, maka instrumen atau
item-item pertanyaan tidak berkorelasi signifikan terhadap skor total (dinyatakan tidak valid).
Contoh Kasus:
Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan skala
untuk mengetahui atau mengungkap prestasi belajar seseorang. Andi membuat 10 butir
pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 = Tidak
setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan skala kepada 12 responden
didapatlah tabulasi data-data sebagai berikut:
1 3 4 3 4 4 3 3 3 3 3 33
2 4 3 3 4 3 3 3 3 3 3 32
3 2 2 1 3 2 2 3 1 2 3 21
4 3 4 4 3 3 3 4 3 3 4 34
5 3 4 3 3 3 4 3 4 4 3 34
6 3 2 4 4 3 4 4 3 4 4 35
7 2 3 3 4 4 4 3 4 3 2 32
8 1 2 2 1 2 2 1 3 4 3 21
9 4 2 3 3 4 2 1 1 4 4 28
10 3 3 3 4 4 4 4 4 3 3 35
11 4 4 3 4 4 3 4 4 4 2 36
12 3 2 1 2 3 1 1 2 3 3 21
Berdasarkan hasil analisis di dapat nilai korelasi untuk item 1, 9 dan 10 nilai kurang dari 0,576.
Karena koefisien korelasi pada item 1, 9 dan 10 nilainya kurang dari 0,576 maka dapat
disimpulkan bahwa item-item tersebut tidak berkorelasi signifikan dengan skor total (dinyatakan
tidak valid) sehingga harus dikeluarkan atau diperbaiki. Sedangkan pada item-item lainnya
nilainya lebih dari 0,576 dan dapat disimpulkan bahwa butir instrumen tersebut valid.
Menurut Azwar (2007) agar kita memperoleh informasi yang lebih akurat mengenai korelasi
antara item dengan tes diperlukan suatu rumusan koreksi terhadap efek spurious overlap.
Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05. Kriteria
pengujian adalah sebagai berikut:
Jika r hitung > r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item
pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).
Jika r hitung < tabel (uji 2 sisi dengan sig. 0,05) atau r hitung negatif, maka
instrumen atau item-item pertanyaan tidak berkorelasi signifikan terhadap skor
total (dinyatakan tidak valid).
Sebagai contoh kasus kita menggunakan contoh kasus dan data-data pada analisis produk momen
di atas.
program SPSS
Item-total Statistics
Scale Scale Corrected
Mean Variance Item- Alpha
Deleted Deleted Correlation Deleted
ITEM1 27.2500 29.8409 .4113 .8345
ITEM2 27.2500 28.0227 .6151 .8157
ITEM3 27.4167 25.7197 .8217 .7933
ITEM4 26.9167 26.6288 .7163 .8046
ITEM5 26.9167 29.5379 .5603 .8223
ITEM6 27.2500 25.8409 .7764 .7975
ITEM7 27.3333 25.1515 .6784 .8078
ITEM8 27.2500 27.1136 .5679 .8204
ITEM9 26.8333 32.8788 .1866 .8482
ITEM10 27.0833 35.3561 -.1391 .8683
Reliability Coefficients
Alpha = .8384
Dari output di atas bisa dilihat pada Corrected Item – Total Correlation, inilah nilai korelasi yang
didapat. Nilai ini kemudian kita bandingkan dengan nilai r tabel, r tabel dicari pada signifikansi
0,05 dengan uji 2 sisi dan jumlah data (n) = 12, maka didapat r tabel sebesar 0,576 (lihat pada
lampiran tabel r).
Dari hasil analisis dapat dilihat bahwa untuk item 1, 5, 9 dan 10 nilai kurang dari 0,576. Karena
koefisien korelasi pada item 1, 5, 9 dan 10 nilainya kurang dari 0,576 maka dapat disimpulkan
bahwa butir instrumen tersebut tidak valid. Sedangkan pada item-item lainnya nilainya lebih dari
0,576 dan dapat disimpulkan bahwa butir instrumen tersebut valid.
Sebagai catatan: analisis korelasi pada contoh kasus di atas hanya dilakukan satu kali, untuk
mendapatkan hasil validitas yang lebih memuaskan maka bisa dilakukan analisis kembali sampai
2 atau 3 kali, sebagai contoh pada kasus di atas setelah di dapat 6 item yang valid, maka
dilakukan analisis korelasi lagi untuk menguji 6 item tersebut, jika masih ada item yang tidak
signifikan maka digugurkan, kemudian dianalisis lagi sampai didapat tidak ada yang gugur lagi.
Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata antara dua kelompok
sampel yang tidak berhubungan. Jika ada perbedaan, rata-rata manakah yang lebih tinggi. Data
yang digunakan biasanya berskala interval atau rasio.
Contoh kasus:
Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada perbedaan nilai ujian
antara kelas A dan kelas B pada fakultas Psikologi suatu universitas. Penelitian dengan
menggunakan sampel sebanyak 20 responden yang diambil dari kelas A dan kelas B. Dalam uji
ini jumlah kelompok responden yang diambil tidak harus sama, misalnya kelas A sebanyak 8
orang dan kelas B sebanyak 12 orang. Data-data yang didapat sebagai berikut:
15 26 Kelas B
16 27 Kelas B
17 32 Kelas B
18 35 Kelas B
19 38 Kelas B
20 41 Kelas B
Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output
independen sample t test, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows
and Columns)
Sebelum dilakukan uji t test sebelumnya dilakukan uji kesamaan varian (homogenitas) dengan F
test (Levene,s Test), artinya jika varian sama maka uji t menggunakan Equal Variance
Assumed (diasumsikan varian sama) dan jika varian berbeda menggunakan Equal Variance Not
Assumed (diasumsikan varian berbeda).
4. Kesimpulan
1. Menentukan Hipotesis
Ho : Tidak ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata
nilai ujian
kelas B
Ha : Ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata nilai
ujian kelas B
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 adalah ukuran standar yang sering digunakan dalam
penelitian)
3. Menentukan t hitung
Dari tabel di atas didapat nilai t hitung (equal variance assumed) adalah 3,490
4. Menentukan t tabel
5. Kriteria Pengujian
Berdasar probabilitas:
Nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka Ho ditolak.
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka
Ho ditolak, artinya bahwa ada perbedaan antara rata-rata nilai ujian kelas A
dengan rata-rata nilai ujian kelas B. Pada tabel Group Statistics terlihat rata-rata
(mean) untuk kelas A adalah 40,30 dan untuk kelas B adalah 32,80, artinya bahwa
rata-rata nilai ujian kelas A lebih tinggi daripada rata-rata nilai ujian kelas B.
Nilai t hitung positif, berarti rata-rata group1 (kelas A) lebih tinggi daripada group2 (kelas B)
dan sebaliknya jika t hitung negatif berarti rata-rata group1 (kelas A) lebih rendah dari pada rata-
rata group2 (kelas B)
Perbedaan rata-rata (mean diference) sebesar 7,50 (40,30-32,80), dan perbedaan berkisar antara
2,98 sampai 12,02 (lihat pada lower dan upper).
Tabel F
Df1
Df 2
1 2 3 4 5 6 7 8
1 161.446 199.499 215.707 224.583 230.160 233.988 236.767 238.884
2 18.513 19.000 19.164 19.247 19.296 19.329 19.353 19.371
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726
8 5.318 4.459 4.066 3.838 3.688 3.581 3.500 3.438
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447
21 4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420
22 4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397
23 4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375
24 4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355
25 4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337
26 4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321
27 4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305
28 4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291
29 4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278
30 4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266
31 4.160 3.305 2.911 2.679 2.523 2.409 2.323 2.255
31 44.985 71 91.670
32 46.194 72 92.808
33 47.400 73 93.945
34 48.602 74 95.081
35 49.802 75 96.217
36 50.998 76 97.351
37 52.192 77 98.484
38 53.384 78 99.617
39 54.572 79 100.749
40 55.758 80 101.879
Sumber: Function Statistical Microsoft Excel
Tabel Durbin Watson
Signifikan Level 0.05
26 1.302 1.461 1.224 1.553 1.143 1.652 1.062 1.759 0.979 1.873
27 1.316 1.469 1.240 1.556 1.162 1.651 1.084 1.753 1.004 1.861
28 1.328 1.476 1.255 1.560 1.181 1.650 1.104 1.747 1.028 1.850
29 1.341 1.483 1.270 1.563 1.198 1.650 1.124 1.743 1.050 1.841
30 1.352 1.489 1.284 1.567 1.214 1.650 1.143 1.739 1.071 1.833
31 1.363 1.496 1.297 1.570 1.229 1.650 1.160 1.735 1.090 1.825
32 1.373 1.502 1.309 1.574 1.244 1.650 1.177 1.732 1.109 1.819
33 1.383 1.508 1.321 1.577 1.258 1.651 1.193 1.730 1.127 1.813
34 1.393 1.514 1.333 1.580 1.271 1.652 1.208 1.728 1.144 1.808
35 1.402 1.519 1.343 1.584 1.283 1.653 1.222 1.726 1.160 1.803
36 1.411 1.525 1.354 1.587 1.295 1.654 1.236 1.724 1.175 1.799
37 1.416 1.530 1.364 1.590 1.307 1.655 1.249 1.723 1.190 1.795
38 1.427 1.535 1.373 1.594 1.318 1.656 1.261 1.722 1.204 1.792
39 1.435 1.540 1.382 1.597 1.328 1.658 1.273 1.722 1.218 1.789
40 1.442 1.544 1.391 1.600 1.338 1.659 1.285 1.721 1.230 1.786
Sumber: N.E. Savin and K.J White, The Durbin-Watson Test for Serial
Correlation
Daftar Pustaka:
Alhusin, Syahri, “Aplikasi Statistik Praktis dengan Menggunakan SPSS 10 for Windows”,
Edisi Kedua, Yogyakarta: Graha Ilmu, 2003.
Priyatno, Duwi, “Mandiri Belajar SPSS”, Cetakan Ketiga, Yogyakarta: Media Kom,
2008.
Ghazali, Imam, 2016, “Aplikasi Analisis Multivariat Dengan Program IBM SPSS
Priyatno, Duwi, 2013, “Mandiri Belajar Analisis Data Dengan SPSS”, Yogyakarta:
Media Kom.
Priyatno, Duwi, 2014, “SPSS 22 Pengolah Data Terpraktis”, Edisi 1, Yogyakarta: ANDI.
Sekaran, Uma, 2000. “Research Methods for Business, A Skill Building Approach”, New
York: John Wiley n Sons
William H. Kruskal and Judith M. Tanur, ed. (1978), "Linear Hypotheses," International
Encyclopedia of Statistics. Free Press, v. 1,
Lindley, D.V. (1987). "Regression and correlation analysis," New Palgrave: A Dictionary
of Economics, v. 4, pp. 120–23.
Birkes, David and Yadolah Dodge, Alternative Methods of Regression. ISBN 0-471-
56881-3
Fox, J. (1997). Applied Regression Analysis, Linear Models and Related Methods. Sage
Meade, N. and T. Islam (1995) "Prediction Intervals for Growth Curve Forecasts,"
Journal of Forecasting, 14, pp. 413–430.
N. Cressie (1996) Change of Support and the Modiable Areal Unit Problem.
Geographical Systems 3:159–180.
A.S. Fotheringham, C. Brunsdon, and M. Charlton and Sandt Damanik Witwicky. (2002)
Geographically weighted regression: the analysis of spatially varying relationships.
Wiley.