MODUL PRAKTIKUM STATISTIK

Siti Husna Ainu Syukri

 BAB I
UJI VALIDITAS DAN RELIABILITAS

I. UJI VALIDITAS
Validitas suatu instrumen menunjukkan tingkat ketepatan suatu instrumen untuk
mengukur apa yang harus diukur. Jadi validitas suatu instrumen berhubungan dengan tingkat
akurasi dari suatu alat ukur mengukur apa yang akan diukur. Macam validitas umumnya
digolongkan dalam tiga kategori besar yaitu :
1. Validitas isi (content validity)
Validitas isi merupakan validitas yang menyangkut tingkatan item-item skala yang
mencerminkan domain konsep yang diteliti.
2. Validitas berdasarkan kriteria (criterion-related validity)
Validitas berdasarkan kriteria merupakan validitas yang menyangkut masalah tingkatan
dimana skala yang digunakan mampu memprediksi suatu variabel yang dirancang sebagai
kriteria.
3. Validitas konstruk (construct validity)
Validitas konstruk merupakan validitas yang berkaitan dengan tinkatan dimana skala
mencerminkan dan berperan sebagai konsep yang sedang diukur. Dua aspek pokok dalam
validitas konstruk secara alamiah bersifat teoritis dan statistik.
Pada praktikum ini akan dibahas mengenai validitas untuk menguji apakah pertanyaan-
pertanyaan suatu kuisioner itu telah mengukur aspek yang sama. Untuk itu dipergunakanlah
validitas konstruk. Uji validitas dilakukan dengan mengukur korelasi antara variabel/ item
dengan skor total variabel. Cara mengukur validitas konstruk yaitu dengan mencari korelasi
antara masing-masing pertanyaan dengan skor total menggunakan rumus teknik korelasi product
moment, sebagai berikut :

dimana r : koefisien korelasi product moment

X : skor tiap pertanyaan/ item
Y : skor total
N : jumlah responden

II. UJI RELIABILITAS

Uji reliabilitas (Husaini, 2003), adalah proses pengukuran terhadap ketepatan (konsisten)
dari suatu instrumen. Reliabilitas merupakan indeks yang menunjukkan sejauh mana suatu
alat pengukur dapat dipercaya atau dapat diandalkan (Singarimbun, 1989). Pengujian ini
dimaksudkan untuk menjamin instrumen yang digunakan merupakan sebuah instrumen yang
 handal, konsistensi, stabil dan dependibalitas, sehingga bila digunakan berkali-kali akan
menghasilkan data yang sama.
Ada beberapa metode atau teknik untuk mengukur reliabilitas instrumen, dan pada
praktikum ini dititikberatkan dengan menggunakan metode Cronbach Alpha (α), dengan
rumus :

Dimana :
k = jumlah butir soal dalam skala pengukuran
S2i= ragam/varian dari butir ke-ip
S2p = ragam/varian dari skor total

III. CONTOH KASUS

Dalam suatu penelitian yang metode pengumpulan datanya menggunakan kuisioner, didapat data
sebagai berikut :

Jawaban pertanyaan ke
Responden
Q1 Q2 Q3 Q4

1 1 1 1 1

2 1 2 1 1

3 2 3 2 4

4 4 5 5 4

5 4 4 2 5

6 4 3 5 5

7 5 3 5 3

8 5 4 3 4

9 5 3 2 2

10 2 3 2 5

11 1 2 1 1

12 2 3 2 4

13 4 5 5 4

14 4 4 2 5

15 4 3 5 5
 16 5 3 5 3

17 5 4 3 4

18 5 3 2 2

19 2 3 2 5

20 1 2 1 1

A. Uji Validitas dengan menggunakan Microsoft Excel

Langkah-langkah:
1. Buka sheet 1, kemudian isi sheet sesuai dengan tabel pada kasus di atas dimulai dari sel
A1.

2. Pada sel F1 Tuliskan Total.

3. Pada sel F3 hitung jumlah skor dari responden 1 dengan menggunakan rumus
=sum(B3:E3). Selanjutnya lakukan hal yang sama pada responden berikutnya.
4. Selanjutnya tuliskan Validitas, r tabel Pearson, Kriteria, Kategori di bawah nomor
responden (sel A23)
5. Pada sel B23 ketik rumus =PEARSON(B3:B22,$F$3:$F$22). Lakukan pada semua
kolom Q2 - Q4

6. Ketikan nilai r tabel dengan α = 0,05 dan n = 20 pada r tabel Pearson, yaitu 0,44 (Lihat
pada tabel r pearson)
7. Pada sel B25 ketik rumus untuk Kriteria, yaitu: =IF(B23<B24,"Tidak
valid","Valid"). Ulangi untuk semua kolom Q2 – Q4.
 8. Pada sel C21 ketik rumus untuk menentukan Kategori validitas instrumen, yaitu:
=IF(B23<0,"tidak valid",IF(B23<0.2,"sgt rdh",IF(B23<0.4,"rendah", IF(B23<0.6,
"sedang",IF(B23<0.8,"tinggi","sgt tgi")))))

B. Uji Reliabilitas dengan menggunakan Microsoft Excel

Langkah-langkah:
1. Buka sheet 1, kemudian isi sheet sesuai dengan tabel pada kasus di atas dimulai dari sel
A1.
2. Pada sel F1 Tuliskan Total.
3. Pada sel F3 hitung jumlah skor dari responden 1 dengan menggunakan rumus
=sum(B3:E3). Selanjutnya lakukan hal yang sama pada responden berikutnya.

4. Selanjutnya tuliskan Varians Xi, Varians total, Reliabilitas, Kategori di bawah nomor
responden (sel A23)

5. Pada sel B23 hitung varians skor siswa untuk Q1 dengan rumus =var(B3:B22). Lakukan
pada semua kolom Q2 - Q4 dengan cara meng-copy nya.

6. Pada sel F23 hitung jumlah dari varians skor siswa untuk setiap soal dengan rumus
=sum(B23:E23).
7. Pada sel B24 hitung varians dari skor total untuk setiap siswa dengan rumus =var(F3:F22).

8. Hitung reliabilitas tes uraian menggunakan Cronbach-Alpha dengan rumus =(4/3)*(1-

F23/B24).
9. Pada sel C16 tentukan criteria reliabilitas tes dengan rumus
=IF(B25<=0.2,"sgtrdh",IF(B25<=0.4,"rendah",IF(B25<=0.6,"sedang", IF(B25<=0.8,
"tinggi","sgt tgi"))))

10. Berdasarkan tabel hasil perhitungan di atas dapat disimpulkan bahwa pertanyaan-
pertanyaan pada kuesioner tersebut memiliki relibilitas yang sangat tinggi. Hal ini
sesuai dengan kategori koefisien reliabilitas (Guilford, 1956: 145) berikut:
0,80 < r ≤ 1,00 reliabilitas sangat tinggi
0,60 < r ≤ 0,80 reliabilitas tinggi
0,40 < r ≤ 0,60 reliabilitas sedang
0,20 < r ≤ 0,40 reliabilitas rendah
 -1,00 ≤ r ≤ 0,20 reliabilitas sangat rendah (tidak reliable)

B. Uji Validitas dan Reliabilitas dengan menggunakan SPSS

Langkah-langkah:
1. Buka SPSS dan tuliskan variabel yang dibutuhkan pada variabel view seperti gambar di
bawah ini.

2. Setelah itu, tuliskan data yang sudah dibuat di Ms. Excel pada lembar kerja data view.
3. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Scale dan klik
Reliability Analysis, hasilnya akan nampak di layar sebagai berikut :

4. Masukkan semua item yang akan dianalisis ke dalam kolom Items. Pada bagian model
pilih Alpha dan pada bagian statistik pilih Correlations dan Scale If Item Deleted
kemudian klik Continue dan OK:
5. Output SPSS dan Analysis :
Case Processing Summary

N %
Cases Valid 20 100.0
a
Excluded 0 .0
Total 20 100.0
a. Listwise deletion based on all variables in the
procedure.

Berdasarkan table Case Processing Summary tersebut menunjukkan total jumlahdata

untuk masing-masing variable berjumlah 20 dan semuanya dinyatakan valid.

Reliability Statistics
Cronbach's
Alpha Based on
Cronbach's Standardized
Alpha Items N of Items
.815 .835 4

Berdasarkan table Reliability Statistics tersebut menunjukkan nilai Cronbach's Alpha

sebesar 0.815 dari 4 item yang dianalisis.
 Hipotesis 1
o H0 = butir item pertanyaan dapat dipercaya
o H1 = butir item pertanyaan tidak dapat dipercaya
 Dasar pengambilan keputusan
o Jika nilai nilai Alpha Cronbach’s > 0.7 maka H0 diterima
o Jika nilai nilai Alpha Cronbach’s < 0.7 maka H0 dtolak
 Analisis
Berdasarkan table Reliability Statistics di atas menunjukkan bahwa nilai Alpha
Cronbach’s sebesar 0.815. hal ini menunjukkan bahwa nilai Alpha Cronbach’s >
0.7. Maka dapatdinyatakan bahwa H0 diterima dan dapat disimpulkan bahwa butir-
butir item pertanyaan dapat dipercaya atau relaibel

Inter-Item Correlation Matrix

 Q1 Q2 Q3 Q4
Q1 1.000 .639 .654 .379
Q2 .639 1.000 .561 .652
Q3 .654 .561 1.000 .470
Q4 .379 .652 .470 1.000

Inter-Item Correlation Matrix ini digunakan untuk mengetahui bila ada butir
pertanyaan (item) yang berkorelasi negatif dengan butir pertanyaan (item) lain
dalam skala pengukuran tersebut. Pada Inter-Item Correlation Matrix di atas
menunjukkan bahawa tidak ada korelasi yang bernilai negatif.

Item-Total Statistics
Cronbach's
Scale Mean if Scale Variance if Corrected Item- Squared Multiple Alpha if Item
Item Deleted Item Deleted Total Correlation Correlation Deleted
Q1 9.35 11.818 .653 .548 .762
Q2 9.50 14.789 .755 .607 .752
Q3 9.85 11.713 .677 .489 .748
Q4 9.25 13.039 .551 .456 .810

Nilai pada Corrected Item-Total Correlation menunjukkan nilai korelasi masing-

masing item dengan item total. Bila ada suatu butir pertanyaan (item) yang
mempunyai nilai korelasi negatif, maka hal ini menunjukkan bahwa arah
pengkodean butir pertanyaan (item) tersebut berlawanan dengan arah pengkodean
butir pertanyaan (item) lain. berdasarkan. Nilai pada kolom Cronbach's Alpha if
Item Deleted menunjukkan nilai Cronbach's Alpha yang diperoleh bila butir
pertanyaan (Item) pada baris itu dihapus. Bila nilai Cronbach's Alpha if Item
Deleted lebih besar dari nilai Cronbach's Alpha keseluruhan skala pengukuran,
maka butir pertanyaan (item) tersebut harus dihapus atau direvisi.

 Hipotesis 2
o H0 = butir item pertanyaan valid
o H1 = butir item pertanyaan tidak valid
 Tingkat signifikansi 5% dan nilai r table sebesar 0.444
 Dasar pengambilan keputusan
o Jika nilai korelasi suatu item dengan item total < nilai r table maka H0 ditolak
o Jika nilai korelasi suatu item dengan item total > nilai r table maka H0 diterima
 Analisis
Berdasarkan hasil pengolahan SPSS di atas menunjukkan nilai korelasi suatu item
dengan item total (Corrected Item-Total Correlation) untuk Q1 sebesar 0.653, untuk
Q2 sebesar 0.755, untuk Q3 sebesar 0.677, dan untuk Q4 sebesar 0.551. hal ini
menunjukkan nilai Corrected Item-Total Correlation untuk semua item < nilai r
table. Maka dapat dinyatakan bahawa H0 untuk semua butir pertanyaan diterima dan
dapat disimpulkan bahawa semua butir pertanyaan valid.
 BAB II

UJI PRASYARAT

Uji prasyarat atau uji non parametric digunakan untuk mengetahui apakah suatu data
penelitian memenuhi syarat paramentrik atau tidak. Dengan kata lain uji nonparametrik
digunakan apabila asumsi-asumsi pada uji parametrik tidak dipenuhi. Asumsi yang paling lazim
pada uji parametrik adalah sampel acak berasal dari populasi yang berdistribusi normal, varians
bersifat homogen, dan bersifat linier. Bila asumsi-asumsi ini dipenuhi, atau paling tidak
penyimpangan terhadap asumsinya sedikit, maka uji parametrik masih bisa diandalkan. Tetapi
bila asumsi tidak dipenuhi maka uji nonparametrik menjadi alternatif. Ada tiga asumsi uji
statistika parametrik sebagaimana diungkapkan di atas, yaitu normalitas, linieritas data dan
homogenitas varians.

CONTOH KASUS

Seorang peneliti ingin melakukan uji prasyarat pada data hasil penelitiannya. Data tersebut
adalah sebagai berikut:

Variabel 1 2 3 4 5 6 7 8 9 10
IQ (X1) 40 45 30 35 30 40 45 45 35 35
EQ (X2) 18 20 14 12 14 16 10 15 18 16
Hasil belajar (Y) 80 85 60 75 55 65 80 90 75 60

1. UJI NORMALITAS
Pengujian normalitas dilakukan untuk mengetahui normal tidaknya suatu distribusi data.
Hal ini penting diketahui berkaitan dengan ketetapatan pemilihan uji statistik yang akan
digunakan. Ada beberapa teknik yang dapat digunakan untuk menguji normalitas data,
antara lain: uji Chi Square, uji Lilifors, uji KolmogorovSmirnov, dll.

A. Uji Normalitas dengan menggunakan Microsoft Excel

Contoh kasus:
Seorang peneliti ingin melakukan uji normalitas pada data hasil penelitiannya. Data
tersebut adalah sebagai berikut:

Variabel 1 2 3 4 5 6 7 8 9 10
Hasil belajar (Y) 80 85 60 75 55 65 80 90 75 60

Uji normalitas data kali ini dengan menggunakan Uji Lilifors. Langkah-langkah:
1. Tuliskan data berikut ke dalam Microsoft excel (Urutkan data dari yang terkecil).
2. Hitung rata-rata (mean) dan standar deviasi (STD) dari data tersebut dengan
mengetik =AVERAGE(B2:B11) pada sel B12 untuk mean dan =STDEV(B2:B11)
pada sel B13 untuk STD.

3. Hitung nilai z dengan memasukkan rumus

̅

dengan cara mengetikkan =(B2-$B$12)/$B$13 pada sel C2 lalu tekan enter.

Lakukan hal yang sama pada 9 data lainnya.
4. Hitung nilai f(z) dengan cara mengetikkan =NORMSDIST(C2) pada sel D2.
Lakukan hal yang sama pada 9 data lainnya.

5. Hitung nilai s(z). s(z) adalah kumulatif frekuensi dimana x = 5 itu memiliki urutan
pertama dan kedua maka yang dihitung adalah urutan yang kedua, jadi 2/10=
0,2. Untuk x = 6 urutan ketiga – kelima yang dihitung urutan kelima, maka 5/10 =
0,5 .untuk seterusnya sampai urutan kesepuluh 10/10=1. Ketikkan
=IF(B2=B3,D4,A2/10) pada sel E2. Lakukan hal yang sama pada 9 data lainnya.
6. Hitung nilai Liliefors (L) dengan memasukkan rumus L = |s(z) – f(z)| dengan cara
mengetikkan =ABS(E2-D2) pada sel F2. Lakukan hal yang sama pada 9 data
lainnya.

7. Tentukan nilai L maksimum dari 10 data diatas dengan cara mengetik

=MAX(F2:F11).
 8. Analisis hasil

 Hipotesis:
o Ho : Data berdistribusi normal
o H1: Data tidak berdistribusi normal
 Pengambilan Keputusan
Berdasarkan perbandingan nilai L hitung dengan L table
o Jika L hitung < L table, maka Ho diterima
o Jika L hitung < L table, maka Ho ditolak
 Keputusan/ Analisa:
Dengan α = 0,05 dan n = 10 diketahui nilai L tabel = 0,258. Berdasarkan hasil
perhitungan diatas nilai L hitung lebih kecil dibandingkan L tabel (0,154378 <
0,258). Hal ini menunjukkan bahwa Ho diterima dan H1 ditolak. Artinya data
tersebut berdistribusi normal.

B. Uji Normalitas dengan menggunakan SPSS

Contoh kasus:
Seorang peneliti ingin melakukan uji normalitas pada data hasil penelitiannya. Data
tersebut adalah sebagai berikut:

Variabel 1 2 3 4 5 6 7 8 9 10
IQ (X1) 40 45 30 35 30 40 45 45 35 35
EQ (X2) 18 20 14 12 14 16 10 15 18 16
Hasil belajar (Y) 80 85 60 75 55 65 80 90 75 60

Uji normalitas akan dilakukan dengan menggunakan SPSS dengan langkah-langkah

berikut:
1. Buka SPSS dan tuliskan variabel yang dibutuhkan pada variabel view seperti
gambar di bawah ini
2. Masukkan data dengan cara klik tab sheet [Variable View] pada SPSS data editor dan
ketik/copy data sebagai berikut:

3. Selanjutanya klik [Analyze] > [Descriptives Statistics] > [Explore].

4. Pada kotak dialog explore,

 Masukan variabel Hasil Belajar (Y) ke dalam kotak Dependent List.
 Sorot variabel IQ (X1) dan EQ (X2) dan masukan ke dalam kotak Factor List.
 Klik tab Plots, centang pilihan Normality plots with tests.
  Klik Continue. Klik [OK]

5. Analisis hasil

Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk

Statistic Df Sig. Statistic df Sig.

*
Hasil belajar ,184 10 ,200 ,939 10 ,543
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

 Hasil uji normalitas di atas menunjukkan uji normalitas data Hasil Belajar.
Pengujian normalitas dengan SPSS berdasarkan pada uji Kolmogorov-Smirnov
dan Shapiro Wilk. Untuk analisa dapat pilih salah satu. Selain itu analisa juga
dapat menggunkan angka pada kolom signifikansi (Sig).
 Hipotesis:
o Ho : Data berdistribusi normal
o H1: Data tidak berdistribusi normal
 Pengambilan Keputusan
Pengambilan keputusan kali ini kita gunakan angka pada kolom signifikansi
(Sig), dengan kriteria berikut:
o Jika Sig > α maka data berdistribusi normal.
o Jika Sig < α maka data berdistribus tidak normal.
 Keputusan/ Analisa:
Pada kasus ini kita tetapkan taraf nyata (signifikansi) α = 0,05. Berdasarkan hasil
diatas diketahui nilai Sig > α (0,200 > 0,05). Sehingga dapat disimpulkan bahwa
Ho diterima dan H1 ditolak. Artinya data variabel hasil belajar berdistribusi
normal.
2. UJI LINIERITAS
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang
linear atau tidak secara signifikan. Untuk uji linieritas dengan menggunakan Microsoft
excel dapat dilihat pada modul regresi linier.
Contoh kasus:
Seorang peneliti ingin melakukan uji linieritas pada data hasil penelitiannya. Data tersebut
adalah sebagai berikut:

Variabel 1 2 3 4 5 6 7 8 9 10
IQ (X1) 40 45 30 35 30 40 45 45 35 35
EQ (X2) 18 20 14 12 14 16 10 15 18 16
Hasil belajar (Y) 80 85 60 75 55 65 80 90 75 60

Sedangkan langkah-langkah uji linieritas dengan menggunakan SPSS adalah sebagai

berikut:
1. Buka SPSS dan tuliskan variabel yang dibutuhkan pada variabel view seperti gambar di
bawah ini

2. Masukkan data dengan cara klik tab sheet [Variable View] pada SPSS data editor dan
ketik/copy data sebagai berikut:

3. Selanjutnya klik [Analyze] > [Compare Means] > [Means].

4. Pada kotak dialog Means,
 Masukkan variabel Hasil Belajar ke kotak Dependent List, sorot variabel IQ
dan EQ kemudian masukkan ke dalam kotak Independent List.
 Klik Options, pada Statistic for First Layer centang pilihan Test for Linearity
kemudian klik Continue.
 Klik [OK].

5. Analisa hasil
ANOVA Table

Sum of df Mean F Sig.

Squares Square
(Combined) 937,500 3 312,500 5,769 ,034
Between 16,41
Linearity 889,113 1 889,113 ,007
Hasil belajar * Groups 4

48,387 2 24,194 ,447 ,659

 IQ Deviation from Linearity 325,000 6 54,167

Within Groups 1262,500 9

Total

 Hipotesis:
o Ho : Terdapat hubungan linier antara hasil belajar dan IQ
o H1 : Tidak terdapat hubungan linier antara hasil belajar dan IQ
 Pengambilan Keputusan
Pengambilan keputusan kali ini kita gunakan angka pada kolom signifikansi (Sig),
dengan kriteria berikut:
o Jika Sig > α maka terima Ho.
o Jika Sig < α maka tolak Ho.
 Keputusan/ Analisa:
Pada kasus ini kita tetapkan taraf nyata (signifikansi) α = 0,05. Berdasarkan hasil
diatas diketahui nilai Sig > α (0,659 > 0,05). Sehingga dapat disimpulkan bahwa Ho
diterima dan H1 ditolak. Artinya terdapat hubungan linier antara hasil belajar dan
IQ.

3. UJI HOMOGENITAS
Uji homogenitas digunakan untuk mengetahui apakah dua atau lebih varian populasi adalah
sama atau tidak. Uji ini dilakukan sebagai prasyarat dalam analisis independent sample t-
test dan anova atau bagi peneliti yang menggunakan lebih dari satu kelompok sampel.
Contoh kasus:
Seorang peneliti ingin melakukan uji homogenitas pada data hasil penelitiannya tentang
hasil belajar siswa dengan menggunakan metode NHT dan Konvesional. Data tersebut
adalah sebagai berikut:

No. X1 X2
(NHT) (Konvensional)
1 35 65
2 37 34
3 27 44
4 29 36
5 31 31
6 30 33
7 27 37
8 36 28
9 37 33
10 24 34
11 26 35
12 29 28
13 31 29
14 36
15 33
A. Uji Homogenitas dengan Microsoft Excel
Langkah-langkah:
1. Masukkan data ke dalam excel

2. Pilih Data analysis yang ada pada menu data dan pilih F-test two-Sample for
variances, kemudian OK seperti gambar di bawah ini.
 3. Analisis hasil

F-Test Two-Sample for Variances

Variable 1 Variable 2
Mean 30.69230769 35.73333333
Variance 18.8974359 81.63809524
Observations 13 15
Df 12 14
F 0.231478158
P(F<=f) one-tail 0.007664333
F Critical one-tail 0.379201042

 Hipotesis:
o Ho : Data bersifat homogen
o H1 : Data tidak bersifat homogen
 Pengambilan Keputusan
o Jika F-hitung < F-tabel maka Ho diterima
o Jika F-hitung > F-tabel maka Ho ditolak.
 Keputusan/ Analisa:
Berdasarkan tabel diatas terlihat bahwa 0.231478158 < 0.379201042 atau F-hitung <
F-tabel (F Critical one-tail). Sehingga dapat disimpulkan Ho diterima dan H1
ditolak. Artinya data bersifat homogen.

B. Uji Homogenitas dengan SPSS

Langkah-langkah:
1. Buka SPSS dan tuliskan variabel yang dibutuhkan pada variabel view seperti
gambar di bawah ini. Selanjutnya klik tab sheet [variable view] pada SPSS data
editor.
  Pada kolom Name baris pertama ketik X dan baris kedua ketik k.
 Pada kolom Label, baris pertama ketik Hasil Belajar dan bais kedua ketik
Model Pembelajaran.
 Untuk kolom Value, isikan 1 dan ketik NHT kemudian klik add. Dengan cara
yang sama isikan 2 dan ketik Konvensional kemudian klik add
 Klik Ok

2. Klik tab sheet [Data View], masukan data di atas.

3. Selanjutnya klik [Analyze] > [Descriptives Statistic] > [Explore].

4. Pada kotak dialog Explore, masukan Variabel Hasil Belajar ke kotak Dependent
List dan Model Pembelajaran ke kotak Factor List.
5. Klik Plots, centenag Unstransformed kemudian klik Continue.
6. Klik [OK].
7. Analisis hasil

Test of Homogeneity of Variance

Levene Statistic df1 df2 Sig.

Based on Mean ,680 1 26 ,417

Based on Median ,353 1 26 ,558

Hasil Belajar Based on Median and with
,353 1 16,523 ,561
adjusted df
Based on trimmed mean ,403 1 26 ,531

 Hipotesis:
o Ho : Data bersifat homogen
o H1 : Data tidak bersifat homogen
 Pengambilan Keputusan
Pengambilan keputusan kali ini kita gunakan angka pada kolom signifikansi
(Sig), dengan kriteria berikut:
o Jika Sig > α maka terima Ho.
o Jika Sig < α maka tolak Ho.
 Keputusan/ Analisa:
Pada kasus ini kita tetapkan taraf nyata (signifikansi) α = 0,05. Berdasarkan hasil
diatas diketahui nilai Sig > α (0,417> 0,05). Sehingga dapat disimpulkan bahwa
Ho diterima dan H1 ditolak. Artinya bahwa kedua kelompok data mempunyai
varian sama atau homogen. Angka Levene Statistic menunjukkan semakin kecil
nilainya maka semakin besar homogenitasnya.
 BAB III
UJI KORELASI DAN REGRESI

Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran
asosiasi atau hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum
yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur
kekuatan hubungan antara dua variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel
yang satu mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel
tersebut disebut independen. Korelasi bermanfaat untuk mengukur kekuatan hubungan antara
dua variabel (kadang lebih dari dua variabel) dengan skala-skala tertentu Diantara sekian banyak
teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai
sekarang, yaitu Korelasi Pearson Product Moment, Regresi Linier dan Korelasi Rank
Spearman.
Analisis regresi pada dasarnya adalah studi mengenai ketergantungan satu variabel
dependen (terikat) dengan satu atau lebih variabel independen (variabel penjelas/bebas), dengan
tujuan untuk mengestimasi dan/ atau memprediksi rata-rata populasi atau nilai rata-rata variabel
dependen berdasarkan nilai variabel independen yang diketahui. Pusat perhatian adalah pada
upaya menjelaskan dan mengevalusi hubungan antara suatu variabel dengan satu atau lebih
variabel independen. Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing
variable independent. Koefisien ini diperoleh dengan cara memprediksi nilai variable dependen
dengan suatu persamaan. Koefisien regresi dihitung dengan dua tujuan sekaligus : Pertama,
meminimumkan penyimpangan antara nilai aktual dan nilai estimasi variable dependen; Kedua,
mengoptimalkan korelasi antara nilai aktual dan nilai estimasi variable dependen berdasarkan
data yang ada.

I. Contoh Kasus
Seorang peneliti ingin mengetahui apakah terdapat hubungan antara jumlah penduduk
miskin dan luas daerah menggunakan data berikut:
II. Uji Korelasi dengan menggunakan Microsoft Excel
Langkah-langkah:
1. Langkah pertama yang dilakukan adalah membuka lembar kerja Microsoft excel.
2. Sebelum menyelesaikan persoalan terlebih dahulu praktikan mengaktifkan data analysis.
Pada menu file mengklik excel options.
3. Kemudian memilih Add-In pada Inactive Application Add-Ins, lalu mengklik Go. Maka
akan tampak gambar seperti di bawah ini.
4. Pada tampilan Add-Ins available memilih Analysis Toolpak, kemudian mengklik OK
seperti gambar di bawah ini.

5. Penambahan menu Analysis sudah muncul dalam Data pada Menu Bar seperti gambar di
bawah ini.
6. Setelah mengaktifkan Data Analysis, maka untuk menyelesaikan persoalan terlebih
dahulu memasukkan data yang dibutuhkan pada MS. Excel seperti gambar di bawah ini.
7. Selanjutnya untuk menyelesaikan persoalan korelasi pilih Data analysis yang ada pada
menu data dan pilih correlation, kemudian OK seperti gambar di bawah ini.

8. Selanjutnya akan tampil kotak dialog Correlation. Dimana pada Input Range diisi dengan
cells data jumlah penduduk miskin dan luas daerah. Sedangkan pada group by disi
dengan columns dan pada output options dipilih output range yang berarti hasil output
aka nada pada sheet yang sama dengan data awal dan pada range tertentu, kemudian
mengklik OK seperti gambar di bawah ini.

9. Setelah mengklik OK, maka akan didapatkan hasil seperti gambar di bawah ini

10. Setelah mendapatkan hasil dari korelasi, kemudian menghitung regresi yang bertujuan
untuk mengetahui besarnya hubungan antara jumlah penduduk miskin dan luas daerah.
Hal tersebut dihitung dengan cara yang sama seperti sebelumnya. Namun, pada kotak
dialog Data Analysis dalam analysis tools memilih regression, kemudian OK seperti
gambar di bawah ini.
11. Kemudian akan tampil kotak dialog Regression. Dimana pada input Y range diisi dengan
cells data jumlah penduduk miskin dan pada input X range diisi dengan cells data luas
daerah. Hal tersebut disebabkan oleh luas daerah mempengaruhi (Independen) jumlah
penduduk miskin (dependen). Sedangkan confidence level diisi dengan 95% dan pada
output options dipilih new worksheet by yang berarti hasil output akan ada pada
worksheet baru atau berbeda dengan data awal, kemudian mengklik OK seperti gambar
di bawah ini.

12. Setelah mengklik OK, maka akan didapatkan hasil seperti gambar di bawah ini
 13. Berdasarkan tabel summary diatas dapat disimpulkan bahwa:
a. Berdasarkan analisis korelasi diketahui kedua variabel memiliki hubungan korelasi
negatif sebesar -0,22195. (Tabel hasil pada langkah no 9)
b. Hubungan antar kedua variabel tersebut tergolong dalam kaegori sangat rendah. Hal
ini ditunjukkan oleh nilai Multiple R (pada tabel summary) sebesar 0,22. Menurut
Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien korelasi adalah
0,00-0,199 untuk sangat rendah, 0,20-0,399 untuk rendah, 0,40-0,599 untuk sedang,
0,60-0,799 untuk kuat dan 0,80 -1,000 untuk sangat kuat.
c. Analisis regresi menunjukkan bahwa kedua variabel salaing mempengaruhi dimana
variabel luas daerah mempengaruhi jumlah penduduk miskin dengan koefisien
determinasi (R square atau R2) sebesar 4,9%. Dan sisanya dipengaruhi oleh faktor
lain.
d. Berdasarkan analisis regresi juga didapatkan model yaitu Jumlah penduduk miskin

(Y)= 1119.60154-0.00437072X.

Hal ini berdasarkan pada nilai Coefficients pada tabel:

III. Uji Korelasi dengan menggunakan SPSS

A. Uji Bivariat (Pearson Product Moment)
Langkah-langkah:
1. Buka SPSS dan tuliskan variabel yang dibutuhkan pada variabel view seperti gambar di
bawah ini.
2. Setelah itu, tuliskan data yang sudah dibuat di Ms. Excel pada lembar kerja data view,
seperti gambar di bawah ini.

3. Selanjutnya, untuk mencari korelasi antara 2 variabel tersebut klik Analyze seperti
gambar di bawah ini.
4. Masukkan variabel yang akan dikorelasikan pada menu Variabel. Untuk kolom
Corellation Coefficients, pilih uji Pearson. Untuk kolom Test of Significance, karena
akan di uji dua sisi maka pilih two tailed. Untuk pilihan flag significant correlations
atau berkenaan dengan penampilan tingkat signifikansi 10% atau 5%. Untuk
keseragaman akan muncul tanda * untuk 5% dan ** untuk 10%.
 5. Setelah mengklik ok maka akan didapatkan hasil dari correlation sebagai berikut.

B. Uji Regresi Linier

Langkah-langkah:
1. Lakukan langkah yang sama dengan langkah 1 dan 2 pada uji variat diatas.
2. Selanjutnya, untuk mencari korelasi antara 2 variabel tersebut klik Analyze seperti
gambar di bawah ini.
3. Setelah itu akan muncul lembar kerja regression. Masukkan jumlah penduduk miskin
pada kolom dependen dan luas daerah pada kolom independent seperti gambar di bawah
ini.

4. Setelah mengklik ok didapatkan hasil regresi seperti di bawah ini.

5. Berdasarkan tabel summary tersebut, terlihat bahwa hasil analisis yang dihasilkan oleh
metode Bivariate atau Pearson Product Moment dan Regresi Linier adalah sama.
 BAB IV
UJI PERBANDINGAN (UJI BEDA)

Uji t (t-test) merupakan prosedur pengujian parametrik rata-rata dua kelompok data, baik
untuk kelompok data terkait maupun dua kelompok bebas. Bagian ini membahas uji t yang
meliputi:

 Uji t untuk satu sampel

 Uji t untuk sampel berpasangan
 Uji t untuk sampel independent

I. One Sampel t – test

Pengujian satu sampel pada prinsipnya ingin menguji apakah suatu nilai tertentu yang
diberikan sebagai pembanding berbeda sama sekali atau tidak dengan rata-rata suatu sampel.

Contoh Kasus:

Rata-rata berat siswa kelas VII sebuah MTs sebelum mengkonsumsi suplemen adalah 84.51.
Selanjutnya 10 siswa diberikan suplemen dan ditimbang setelah mengkonsumsi suplemen
tersebut. Berat rata-rata dari 10 siswa setelah mengkonsumsi suplemen tersebut adalah 90 kg.
Apakah 10 siswa tersebut mempunyai berat yang tidak sama secara signifikan dengan rata-
rata berat seluruh siswa kelas VII sebelum mengkonsumsi suplemen tersebut. Berikut data
berat badan dari 10 siswa setelah mengkonsumsi suplemen.

No. Nama Jenis_Kel BB setelah

1 Zaenuri L 92.37
2 Agus L 75.87
3 Gunawan L 79.01
4 Rita P 84.22
5 Imam L 78.66
6 Rudi L 79.53
7 Rini P 92.38
8 Nindi P 92.38
9 Dinda P 90.12
10 Pandu L 80.56

Penyelesaian:
A. Menggunakan Microsoft Excel
Langkah-langkah:
1. Masukkan data yang dibutuhkan pada MS. Excel.
2. Hitung jumlah keseluruhan data (∑X) dengan cara mengetikkan =SUM(D2:D11)
pada sel D12 dan rata-rata dari keseluruhan data ( ̅ ) dengan cara mengetikkan
=AVERAGE(D2:D11) pada sel D13.

3. Selanjutnya mencari nilai standar deviasi (STD) dengan cara mengetik

=STDEV(D2:D11) pada sel D14
4. Tentukan rata-rata parameter (µ) dan isikan pada sel D15. Dalam kasus ini kita
tentukan nilai rata-rata parameternya adalah rata-rata berat badan seluruh siwa
sebelum mengkonsumsi suplemen yaitu 90.
5. Hitung nilai t-tabel. Sebelum menghitung t-tabel, tentukan dulu nilai signifikansinya
(α) dan nilai dk (N-1). Dalam kasus ini α = 5% = 0,05 dan dk = 40-1 = 39.
Selanjutnya ketik =TINV(0.05,39) pada sel D16 lalu tekan enter.

6. Selanjutnya memasukkan rumus one sample t-test

 ̅
dengan cara mengetikkan =(D13-D15)/(D14/(SQRT(A11)))
⁄
√
ke dalam sel D17 dan tekan enter.

7. Analisis hasil

Summary

∑X 845.1
̅ 84,51
STD 6,63639
µ 90
t-tabel 2,262157
t-hitung -2,61483

 Hipotesis:
o Ho : Rata-rata berat 10 siswa tidak berbeda dengan rata-rata berat seluruh
siswa sebelum mengkonsumsi suplemen.
o H1: Rata-rata berat 10 siswa berbeda dengan rata-rata berat seluruh siswa
sebelum mengkonsumsi suplemen.
 Pengambilan Keputusan
Berdasarkan perbandingan nilai t hitung dengan t table
o Jika t hitung > t table, maka Ho ditolak
o Jika t hitung < t table, maka Ho diterima
 Keputusan/ Analisa:
 Berdasarkan nilai t hitung pada output didapat -2.61483 dengan t table sebesar +-
2.262, maka dapat disimpulkan bahwa Ho ditolak dan dinyatakan berat rata-rata
10 siswa berbeda dengan berat rata-rata seluruh siswa sebelum mengkonsumsi
suplemen.

B. Menggunakan SPSS
Langkah-langkah:
1. Masukkan data ke dalam SPSS seperti gambar berikut:

2. Klik Analyze – Pilih Compare Means, lalu pilih One Sample T Test, maka akan
muncul dialog berikut:

 Test Variabel atau variable yang akan diuji. Oleh karena variable yang akan diuji
data sebelum, maka klik variable sebelum
 Test Value, karena uji hipotesis yang akan diuji adalah 90 kg, maka ketik 90

3. Untuk kolom option, pilihan yang tampak pada layar adalah sebagai berikut:

 Untuk Confidence Interval atau tingkat kepercayaaan, dapat diisi dengan nilai
antara 90 – 100%. Dalam kasus ini digunakan nilai 95% (karna α yang digunakan
adalah 5%)
  Untuk Missing Value atau data yang hilang, isikan Exclude Cases Analysis by
Analysis
 Selanjutnya tekan Continue jika pengisian sudah selesai, lalu tekan Ok

4. Output dan analisa

One -Sam ple Statistics

Std. Error
N Mean Std. Deviation Mean
Sebelum 10 84.5100 6.63931 2.09953

One -Sam ple Test

Test Value = 90
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
Sebelum -2.615 9 .028 -5.49000 -10.2395 -.7405

 Ouput bagian pertama

Pada bagian ini terlihat ringkasan statistik variabel 10 siswa setelah
mengkonsumsi suplemen, dengan berat rata-rata sebesar 84,5100 kilogram.
 Output Bagian Kedua
 Hipotesis:
o Ho : Rata-rata berat 10 siswa tidak berbeda dengan rata-rata berat seluruh
siswa sebelum mengkonsumsi suplemen.
o H1: Rata-rata berat 10 siswa berbeda dengan rata-rata berat seluruh siswa
sebelum mengkonsumsi suplemen.
 Pengambilan Keputusan
o Berdasarkan perbandingan nilai t hitung dengan t table
- Jika t hitung > t table, maka Ho ditolak
- Jika t hitung < t table, maka Ho diterima
o Berdasarkan nilai probabilitas/signifikansi
- Jika signifikansi > 0.05 maka Ho diterima
- Jika signifikansi < 0.05 maka Ho ditolak
 Catatan:
o Tingkat signifikansi yang digunakan adalah 5%
o Df/tingkat kebebasan adalah n-1
 Keputusan/ Analisa:
o Berdasarkan nilai t hitung pada output didapat -2.615 dengan t table
sebesar +- 2.262, maka dapat disimpulkan bahwa Ho ditolak dan
dinyatakan berat rata-rata 10 siswa berbeda dengan berat rata-rata seluruh
siswa sebelum mengkonsumsi suplemen.
 o Berdasarkan nilai probabalitas didapat 0.028, karena signifikansi < 0.05
maka Ho ditolak dan dinyatakan berat rata-rata 10 siswa berbeda dengan
berat rata-rata seluruh siswa sebelum mengkonsumsi suplemen.
o Dari hasil diatas, terdapat perbedaan means sebesar -5.4900 yang
merupakan range lower/batas bawah kelas sebesar -10.2935 (tanda
negative berarti berat sebelum lebih kecil daripada berat kelompok muda)
sampai batas atas kelas -0.7405 kg

II. Paired Sample t-test

Paired sample t test merupakan uji beda dua sampel berpasangan. Sampel berpasangan
merupakan subjek yang sama namun mengalami perlakuan yang berbeda.

CONTOH KASUS
Suatu produsen obat penurun berat badan ingin mengetetahui apakah obat yang diproduksi
benar-benar memberikan efek terhadap penurunan berat badan konsumen. Untuk itu sebuah
sampel yang terdiri dari 10 orang masing-masing diukur berat badannya, kemudian setelah
sebulan meminum obat tersebut kembali diukur berat badannya. Berikut hasilnya
pengukurannya:

No. Sebelum Sesudah

1 76.85 76.22
2 77.95 77.89
3 78.65 79.02
4 79.25 80.21
5 82.65 82.65
6 88.15 82.53
7 92.54 92.56
8 96.25 92.33
9 84.56 85.12
10 88.25 84.56

Penyelesaian
A. Menggunakan Microsoft Excel
Langkah-langkah:
1. Masukkan data yang dibutuhkan pada MS. Excel
2. Tambahkan kolom D = X1 – X2 dan D2 di sebelah kolom X2 seperti pada gambar
berikut:
3. Hitung nilai D dengan cara mengetikkan =B3-C3 pada sel D3 lalu enter. Lakukan
untuk semua data pada kolom D.

4. Selanjutnya hitung nilai D2 dengan cara mengetikkan =D3^2 pada sel E3 lalu enter.
Lakukan untuk semua data pada kolom E.
5. Hitung jumlah D dengan mengetikkan =sum(D3:D12) pada sel D13 dan jumlah D2
dengan mengetikkan =sum(E3:E12) pada sel E13.
6. Tuliskan N-1, (∑D)2, ∑D2, S dan t-tabel dan t-hitung di samping tabel seperti gambar
berikut:

 N-1 = jumlah data – 1 = 9

 (∑D)2 dihitung dengan cara mengetikkan =D13^2 pada sel H4 lalu enter.
 Sedangkan ∑D2 = sel E13
7. Selanjutnya untuk menghitung nilai S, digunakan rumus berikut
∑
√ {∑ }

dengan cara mengetikkan =SQRT((1/H3)*((H5-(H4/10)))) pada sel H6.

8. Untuk mencari t-hitung digunakan rumus berikut

∑ ⁄

⁄
√

dengan cara mengetikkan ==(D13/10)/(H6/SQRT(10)) pada sel H7 lalu enter.

  Untuk t-tabel dapat dihitung dengan cara yang sama seperti pada One Sample
t-test.
9. Output dan analisa
 Hipotesis:
o Ho : kedua rata-rata populasi adalah identik (rata-rata berat sebelum minum
dengan rata-rata berat sesudah minum adalah sama )
o H1: kedua rata-rata populasi adalah tidak identik (rata-rata berat sebelum
minum dengan rata-rata berat sesudah minum adalah tidak sama )
 Pengambilan Keputusan
Berdasarkan perbandingan nilai t hitung dengan t table
- Jika t hitung > t table, maka Ho ditolak
- Jika t hitung < t table, maka Ho diterima
 Keputusan/ Analisa:
Berdasarkan pengolahan SPSS didapat nilai t hitung 1,646 dengan nilai table
dengan derajat kebebasan 9 dan α = 0,05 adalah 2.2622. Hal ini berarti nilai t
hitung kurang dari nilai t table dan dapat dinyatakan bahwa Ho diterima (obat
tersebut tidak efektif dalam upaya menurunkan berat badan )

B. Menggunakan SPSS
Langkah-langkah:
1. Masukkan data ke dalam SPSS.
2. Klik ANALYZE > COMPARE MEANS > PAIRED SAMPLES t Test
3. Masukkan sebelum dan sesudah pada kolom “Paired variables”. Abaikan yang lain,
klik OK, seperti gambar di bawah ini.

4. Untuk kolom option, pilihan yang tampak pada layar adalah sebagai berikut:

 Untuk Confidence Interval atau tingkat kepercayaaan, dapat diisi dengan nilai
antara 90 – 100%. Dalam kasus ini digunakan nilai 95% (karna α yang digunakan
adalah 5%)
 Untuk Missing Value atau data yang hilang, isikan Exclude Cases Analysis by
Analysis
 Selanjutnya tekan Continue jika pengisian sudah selesai, lalu tekan Ok
5. Output dan analisa

Paired Sam ples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair Sebelum 84.5100 10 6.63931 2.09953
1 Sesudah 83.3090 10 5.58235 1.76530
 Paired Samples Correlations

N Correlation Sig.
Pair 1 Sebelum & Sesudah 10 .943 .000

Paired Sam ples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 Sebelum - Sesudah 1.20100 2.30738 .72966 -.44960 2.85160 1.646 9 .134

 Ouput bagian pertama (Group Statistic)

Pada bagian ini terlihat ringkasan statistik dari kedua sampel. Berat badan
sebelum minum obat rata-rata 84.5100 kg sedangkan setelah meminum obat berat
rata-rata adalah 83.3090 kg.

 Output Bagian Kedua

Pada bagian ini merupakan hasil korelasi antar dua variable, yang menghasilkan
angka 0.943 dengan nilai probabilitas/signifikansi ouput 0.000. Hal ini
menyatakan bahwa korelasi antara berat sebelum dan sesudah minum obat adalah
sangat erat dan benar-benar berhubungan nyata

 Output Bagian Ketiga (Paired Sample Test)

 Hipotesis:
o Ho : kedua rata-rata populasi adalah identik (rata-rata berat sebelum
minum dengan rata-rata berat sesudah minum adalah sama )
o H1: kedua rata-rata populasi adalah tidak identik (rata-rata berat sebelum
minum dengan rata-rata berat sesudah minum adalah tidak sama )
 Pengambilan Keputusan
o Berdasarkan perbandingan nilai t hitung dengan t table
- Jika t hitung > t table, maka Ho ditolak
- Jika t hitung < t table, maka Ho diterima
o Berdasarkan nilai probabilitas/signifikansi
- Jika signifikansi > 0.05 maka Ho diterima
- Jika signifikansi < 0.05 maka Ho ditolak
 Catatan:
o Tingkat signifikansi yang digunakan adalah 5%
o df/tingkat kebebasan adalah n-1
 Keputusan/ Analisa:
 o Berdasarkan pengolahan SPSS didapat nilai t hitung 1,646 dengan nilai
table dengan derajat kebebasan 9 adalah 2.2622. Hal ini berarti nilai t
hitung kurang dari nilai t table dan dapat dinyatakan bahwa Ho diterima
(obat tersebut tidak efektif dalam upaya menurunkan berat badan )
o Berdasarkan nilai signifikansi pada hasil pengolahan SPSS, diperoleh nilai
signifikansi adalah 0.134. oleh karena nilainya lebih dari 0.05 maka Ho
diterima dan dinyatakan bahwa rata-rata berat badan sebelum minum obat
dan setelah minum obat adalah sama.
o Berdasarkan nilai mean didapatkan perbedaan mean sebesar 1.2010
kilogram, perbedaan tersebut merupakan range antara lower/ batas bawah
kelas sebesar -0.4496 (tanda negative, berarti berat sebelum minum obat
lebih kecil daripada berat badan rata-rata setelah minum obat) sampai
upper kelas 2.8516

III. Independent Sampel t-test

Uji t test ini dilakukan pada jenis sampel yang berasal dari populasi yang berbeda.

Contoh Kasus:

Seorang peneliti ingin melakukan pengujian apakah terjadi perbedaan antara tinggi dan berat
badan pada pria dan wanita. Berikut hasil datanya (data dinyatakan dalam centimetre dan
kilogram untuk berat):

No. Tinggi Berat Gender No. Tinggi Berat Gender

1 174.5 65.8 Pria 1 154.7 48.7 Wanita

2 178.6 62.7 Pria 2 152.7 45.7 Wanita

3 170.8 66.4 Pria 3 155.8 46.2 Wanita

4 168.2 68.9 Pria 4 154.8 43.8 Wanita

5 159.7 67.8 Pria 5 157.8 58.1 Wanita

6 167.8 67.8 Pria 6 156.7 54.7 Wanita

7 165.5 65.8 Pria 7 154.7 49.7 Wanita

Penyelesaian:
Penyelesaian kali ini menggunakan SPSS. Langkah-langkah:
1. Memasukan data pada SPSS
2. Pengolahan dengan menggunakan SPSS. Dari menu utama SPSS, pilih menu
Analyze, kemudian pilih submenu Compare Means, klik Independent Sample t test,
akan nampak pada layar:

3. Test Variable atau varaibel yang akan diuji, karena akan diuji variabel tinggi dan
berat maka klik kedua variable
4. Grouping Variabel atau varaiabel grup. Oleh karena akan dilakukan pengelompokan
berdasarkan grup gender, maka masukkan variabel tersebut.
5. Kemudian pada define Grup akan tampak pada layar:

 Untuk Grup 1 isikan 1, berarti grup pria

 Untuk grup 2, isikan 2, berarti grup wanita
6. Untuk kolom option, akan tampak pilihan pada layar:
 a. Untuk Confidence Interval atau tingkat kepercayaaan, isikan nilai diantara 90 –
100%
b. Untuk Missing Value atau data yang hilang, isikan Exclude Cases Analysis by
Analysis
c. Tekan Continue jika pengisian sudah selesai dan tekan Ok untuk mengakhiri
pengolahan
7. Ouput SPSS dan Analisis:

Group Statistics

Std. Error
gender N Mean Std. Deviation Mean
Tinggi pria 7 169.3000 6.13514 2.31887
wanita 7 155.3143 1.64259 .62084
Berat pria 7 66.4571 2.02308 .76465
wanita 7 49.5571 5.15553 1.94861

Pada bagian ini terlihat ringkasan statsitik dari kedua sampel. Untuk pria rata-rata
mempunyai berat 66.457 kilogram dengan tinggi rata-rata 169.3 cm sedangkan untuk
wanita mempunyai berat rata-rata 49.557 kilogram dengan tinggi rata-rata 155.314
cm
Independe nt Sam ple s Test

Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
Tinggi Equal variances
5.475 .037 5.826 12 .000 13.98571 2.40054 8.75539 19.21604
assumed
Equal variances
5.826 6.856 .001 13.98571 2.40054 8.28505 19.68638
not assumed
Berat Equal variances
4.345 .059 8.074 12 .000 16.90000 2.09327 12.33916 21.46084
assumed
Equal variances
8.074 7.805 .000 16.90000 2.09327 12.05185 21.74815
not assumed

Berdasarkan tabel di atas, diketahui:

 Tinggi badan
 Berdasarkan kolom F test
 Hipotesis:
 o Ho : kedua varians adalah identik (variansi populasi pria dan wanita
sama)
o H1: kedua varians adalah tidak identik (variansi populasi pria dan
wanita tidak sama)
 Pengambilan Keputusan
Berdasarkan nilai probabilitas/signifikansi
o Jika signifikansi > 0.05 maka Ho diterima
o Jika signifikansi < 0.05 maka Ho ditolak
 Catatan:
o Tingkat signifikansi yang digunakan adalah 5%
o Df/tingkat kebebasan adalah n-1
 Keputusan/ Analisa:
o Berdasarkan nilai F hitung untuk tinggi badan dengan Equal variance
Assumsed adalah 5.475 dengan probabilitas 0.037 maka dapat
dinyatakan Ho ditelak karena nilai signifikasninya jauh dibawah 0.05
o Dari hasil diatas, terdapat perbedaan variansi yang nyata sehingga
untuk membandingkan rata-rata dengan t teset digunakan Equal
Variance not assumsed

 Berdasarkan kolom t -test

 Hipotesis:
o Ho : kedua rata-rata adalah identik (rata-rata populasi pria dan wanita
sama)
o H1: kedua rata-rata adalah tidak identik (rata-rata populasi pria dan
wanita tidak sama)
 Pengambilan Keputusan. Berdasarkan nilai probabilitas/signifikansi
o Jika signifikansi > 0.05 maka Ho diterima
o Jika signifikansi < 0.05 maka Ho ditolak
 Catatan:
o Tingkat signifikansi yang digunakan adalah 5%
o df/tingkat kebebasan adalah n-1
 Keputusan/ Analisa:
o Berdasarkan nilai t hitung untuk tinggi badan dengan Equal variance
Assumsed (diasumsikan nilai variansi sama) adalah 5.826 dengan
probabilitas 0.001 maka dapat dinyatakan Ho ditelak karena nilai
signifikansinya jauh dibawah 0.05
o Dari hasil diatas, terdapat perbedaan tingakt kebebasan yang
digunakan dari 12 menjadi 6,850 atau kegagalan mengasumsikan
kesamaan varians berakibat keefektifan ukuran sampel berkurang
sekitar 40%.
 Berat badan
 Berdasarkan kolom F test
 Hipotesis:
o Ho : kedua varians adalah identik (variansi populasi pria dan wanita
sama)
o H1: kedua varians adalah tidak identik (variansi populasi pria dan
wanita tidak sama)
 Pengambilan Keputusan. Berdasarkan nilai probabilitas/signifikansi
o Jika signifikansi > 0.05 maka Ho diterima
o Jika signifikansi < 0.05 maka Ho ditolak
 Catatan:
o Tingkat signifikansi yang digunakan adalah 5%
o Df/ tingkat kebebasan adalah n-1
 Keputusan/ Analisa:
o Berdasarkan nilai F hitung untuk berat badan dengan Equal variance
Assumsed (diasumsikan nilai variansi sama)adalah 4.345 dengan
probabilitas 0.059 maka dapat dinyatakan Ho diterima karena nilai
signifikansinya diatas 0.05
o Dari hasil diatas, tidak terdapat perbedaan variansi yang nyata
sehingga untuk membandingkan rata-rata dengan t test digunakan
Equal Variance assumed

 Berdasarkan kolom t -test

 Hipotesis:
o Ho : kedua rata-rata adalah identik (rata-rata populasi pria dan wanita
sama)
o H1: kedua rata-rata adalah tidak identik (rata-rata populasi pria dan
wanita tidak sama)
 Pengambilan Keputusan. Berdasarkan nilai probabilitas/signifikansi
o Jika signifikansi > 0.05 maka Ho diterima
o Jika signifikansi < 0.05 maka Ho ditolak
 Catatan:
o Tingkat signifikansi yang digunakan adalah 5%
o df/tingkat kebebasan adalah n-1
 Keputusan/ Analisa:
Berdasarkan nilai t hitung untuk berat badan dengan Equal variance
Assumsed (diasumsikan nilai variansi sama) adalah 5.475 dengan
probabilitas 0.037 maka dapat dinyatakan Ho ditolak karena nilai
signifikasninya jauh dibawah 0.05 dan dinyatakan bahwa berat rata-rata
populasi pria dan wanita benar-benar berbeda dalam artian berat rata-rata
pria diatas berat rata-rata wanita.