1|Page
4.1.5 UJI HETEROSKEDASTISITAS ............................................................................................... 32
4.1.6 UJI AUTOKORELASI .............................................................................................................. 34
5 STATISTIK DESKRIPTIF ...................................................................................................................... 36
5.1 FREQUENCIES.................................................................................................................................. 36
5.2 EXPLORE ........................................................................................................................................... 40
6 ANALISIS REGRESI................................................................................................................................ 52
6.1 REGRESI VS KORELASI ................................................................................................................. 52
6.2 ASUMSI ORDINARY LEAST SQUARES ....................................................................................... 53
6.3 MENILAI GOODNESS OF FIT SUATU MODEL ........................................................................... 53
6.4 REGRESI LINEAR SEDERHANA ................................................................................................... 56
6.5 REGRESI LINEAR GANDA ............................................................................................................. 64
7 UJI PERBANDINGAN RATA-RATA..................................................................................................... 72
7.1 T-TEST UNTUK SAMPEL TUNGGAL............................................................................................ 72
7.2 T-TEST UNTUK SAMPEL INDEPENDEN ...................................................................................... 74
7.3 T-TEST UNTUK SAMPEL DEPENDEN .......................................................................................... 77
8 STATISTIK NON PARAMETRIK ......................................................................................................... 80
8.1 UJI CHI-SQUARE .............................................................................................................................. 80
8.2 UJI UNTUK SATU SAMPEL ............................................................................................................ 83
8.2.1 UJI BINOMIAL ......................................................................................................................... 83
8.2.2 UJI RUNS .................................................................................................................................. 85
8.2.3 UJI KOLMOGOROV-SMIRNOV ............................................................................................. 87
8.3 UJI DUA SAMPEL BERHUBUNGAN (DEPENDEN) .................................................................... 89
8.3.1 UJI WILCOXON ....................................................................................................................... 89
8.3.2 UJI TANDA ............................................................................................................................... 92
8.3.3 UJI MCNEMAR......................................................................................................................... 94
8.4 UJI DUA SAMPEL TIDAK BERHUBUNGAN (INDEPENDEN) ................................................... 97
8.4.1 UJI MANN-WHITNEY ............................................................................................................. 97
8.4.2 UJI KOLMOGOROV-SMIRNOV ........................................................................................... 100
8.4.3 UJI WALD-WOLFOWITZ ...................................................................................................... 102
8.5 UJI TIGA ATAU LEBIH SAMPEL BERHUBUNGAN (DEPENDEN) ......................................... 104
8.5.1 UJI FRIEDMAN ...................................................................................................................... 104
8.5.2 UJI KESELARASAN (KONDORDASI) KENDALL ............................................................. 107
8.5.3 UJI COCHRAN ........................................................................................................................ 109
8.6 UJI TIGA ATAU LEBIH SAMPEL TIDAK BERHUBUNGAN (INDEPENDEN) ....................... 112
8.6.1 UJI KRUSKAL WALLIS ........................................................................................................ 112
8.6.2 UJI MEDIAN ........................................................................................................................... 114
9 UJI ANOVA, TEORI SATU ARAH DAN DUA ARAH ...................................................................... 117
9.1 LANDASAN KONSEPTUAL ANOVA .......................................................................................... 117
9.2 HIPOTESIS DALAM ANOVA (ANALYSIS OF VARIANCE): .................................................... 119
9.3 ALASAN PENGGUNAAN ANOVA .............................................................................................. 119
2|Page
9.4 ASUMSI-ASUMSI YANG HARUS DIPENUHI DALAM ANALISIS VARIANS (ANOVA): .... 120
9.5 JENIS-JENIS DARI ANALISIS OF VARIANCE (ANOVA). ........................................................ 120
9.5.1 ANOVA SATU ARAH BIASA DIKENAL ONE WAY ANOVA ......................................... 120
9.5.2 ANOVA DUA ARAH TANPA INTERAKSI ANOVA TWO WAY WITHOUT
INTERACTION ......................................................................................................................................... 127
9.5.3 ANOVA DUA ARAH DENGAN INTERAKSI ANOVA TWO WAY WITH INTERACTION .
.................................................................................................................................................. 134
3|Page
1 ISTILAH DASAR DALAM STATISTIK
1.2 DATA
Adalah sesuatu yang digunakan dalam penelitian dengan menggunakan parameter yang telah
ditentukan. Misalnya data jumlah penduduk, data berat badan, data sikap konsumen, data laporan
keuangan suatu perusahaan dll. Jenis-jenis data sebagai berikut.
• Data Nominal
Adalah data hasil penggolongan atau kategorisasi yang sifatnya setara dan tidak
dapat dilakukan perhitungan aritmatika. Angka yang diberikan hanya sebagai simbol saja
dan tidak menunjukkan tingkatan tertentu. Misalkan :
Laki-laki =1
Perempuan =2
• Data Ordinal
Skala ordinal tidak hanya mengkategorikan variabel kedalam kelompok, tetapi juga
melakukan ranking terhadap kategori. Sebagai misal kita ingin mengukur preferensi
4|Page
responden terhadap empat merek produk air mineral, merk aqua, aquana, aquaria dan
aquades. Kita dapat meminta responden untuk melakukan ranking terhadap merek produk
air mineral yaitu dengan memberikan angka 1 untuk merek yang paling disukai, angka 2
untuk ranking kedua dst.
Merek air mineral Ranking
Aqua 1
Aquana 2
Aquaria 3
Aquades 4
Tabel ini menunjukkan bahwa merek Aqua lebih disukai dari merek Aquana, merek
Aquana lebih disukai darapa merek Aquaria, dan merek Aquaria lebih disukai daripada
merek Aquades. Walaupun perbedaan angka antara merek satu dengan lainnya sama, kita
dapat menentukan seberapa besar nilai preferensi dari satu merek terhadap merek lainnya.
Jadi kategori antar merek tidak menggambarkan perbedaan yang sama (equal differences)
dari ukuran atribut. Pengukuran seperti ini dinanamakan skala ordinal dan data yang di
dapat dari pengukuran ini disebut data ordinal. Uji statistik yang sesuai untuk skala ordinal
adalah modus, mean, distribusi frekuensi dan statistik non-parametrik seperti rank order
correlation. Variabel yang diukur dengan skala nominal dan ordinal umumnya disebut
variabel non-parametrik atau non metrik.
Skala likert atau sering disebut summated scale (skala yang dijumlahkan) pada dasarnya
adalah ordinal. Responden diminta menjawab persetujuan suatu obyek psikologis seperti
kepuasan kerja. Skala likert minimal lima atau ganjil. Kode (1) sangat tidak setuju, (2)
tidak setuju, (3) kurang setuju, (4) setuju dan (5) sangat setuju.
Jarak antar skala tidak diketahui (tidak konstan).
• Data Interval
Merupakan skala pengukuran yang memiliki angka selain digunakan untuk
membedakan dan menyatakan urutan, juga memberi informasi tentang interval antara satu
obyek dengan obyek lain.
Contoh : indeks prestasi (IQ), suhu dan tahun.
• Data Rasio
5|Page
Merupakan skala pengukuran yang memiliki angka selain informasi tentang urutan
dan iterval antar obyek, ada tambahan informasi tentang jarak atau perbedaan antar suatu
obyek dengan nilai nol mutlak. Misalkan, ukuran tinggi 4 cm merupakan dua kaliukuran 2
cm.
Contoh : pengukuran tinggi, berat, waktu, jarak, harga, dan umur.
1.3 VARIABEL
Adalah suatu yang beragam atau bervariasi. Variabel dibedakan sebagai berikut :
• Variabel Dependen yaitu variabel yang dipengaruhi oleh variabel lain yang sifatnya tidak
dapat berdiri sendiri.
• Variabel Independen yaitu variabel yang mempengaruhi variabel lain yang sifatnya berdiri
sendiri.
• Analisis Deskriptif adalah analisis yang menekankan pada pembahasan data-data dan
subjek penelitian dengan menyajikan data-data secara sistemik dan tidak menyimpulkan
hasil penelitian.
• Analisis Inferensial adalah analisis yang menekankan pada hubungan antarvariabel dengan
variabel dengan melakukan pengujian hipotesis dan menyimpulkan hasil penelitian.
• Data dapat diberi makna yang berguna dalam memecahkan masalah-masalah penelitian.
• Memperlihatkan hubungan-hubungan antara fenomena yang terdapat dalam penelitian
• Untuk memberikan jawaban terhadap hipotesis yang diajukan dalam penelitian
• Bahan untuk membuat kesimpulan serta implikasi-implikasi dan saran-saran yang berguna
untuk kebijakan penelitian selanjutnya.
6|Page
• Observasi (Pengamatan)
Observasi adalah peneliti mencatat informasi sebagaimana yang mereka saksikan selama
penelitian. Penyaksikan dengan melihat, mendengar, merasakan yang kemudian dicatat
secara objektif. Dengan jenis pengamatan, baik pengamatan dengan partisipasi penuh,
partisipan, dan pengamat sempurna (Complete observer).
• Survei
Survei adalah metode pengumpulan data dengan menggunakan instrumen untuk
mengumpulkan tanggapan dari responden tentang sampel. Ciri-cirinya sebagai berikut:
1. Dipakai pada sampel yang mewakili populasi, khususnya probabilistic sampling
2. Respon didapatkan langsung dari responden
3. Penggunaan survei melibatkan banyak responden dengan area yang lebih luas
4. Dilaksanakan pada situasi yang alamiah. Dapat dikunjungi dikantor, rumah untuk
meminta informasi tanpa diharuskan menghadiri acara tertentu.
Pada dasarnya survei terdiri atas wawancara dan kuisoner. Wawancara biasanya
dilakukan dalam hubungan langsung atau tatap muka antara pewawancara dan
responden. Mengajukan pertanyaan, tanggapan dan melaporkannya secara tertulis.
Bentuk umum dari kuisoner adalah kuisoner tertulis yang dikirim langsung ke
responden. Didalamnya terdapat pedoman untuk membimbing responden memberikan
tanggapannya.
• Wawancara
Wawancara adalah bentuk komunikasi langsung antara peneliti dan responden.
Komunikasi berlangsung dalam bentuk tanya jawab dalam hubungan tatap muka, sehingga
gerak dan mimik responden merupakan pola media yang melengkapi kata-kata secara
verbal. Wawancara juga menangkap perasaan, pengalaman, emosi, motif yang dimiliki
responden. Dengan beberapa jenis wawancara baik wawancara berstruktur dan tidak atau
wawancara campuran.
• Kuesioner (Angket)
Pada kuesioner pertanyaan disusun dalam bentuk tanya, sedangkan pada angket,
pertanyaan disusun dalam kalimat pertanyaan dengan opsi jawaban yang tersedia.
Dilakukan dengan media yakni dengan daftar pertanyaan yang dikirim kepada responden.
7|Page
• Metode Dokumenter
Dokumen adalah catatatn tertulis tentang berbagai kegiatan atau peristiwa masa lalu. Data
statistik yang diterbitkan secara berkala oleh Biro Pusat Statistik (BPS) adalah dokumen
yang mencatat berbagai perkembangan yang terjadi di indonesia dalam kurun waktu
tertentu. Semua dokumen yang berhubungan dengan penelitian yang bersangkutan perlu
dicatat sebagai sumber informasi.
Nominal / Ordinal
Tipe Data
Interval / Rasio
Tidak Normal
Distribusi Data Statistik Non Parametrik
Normal
Kecil (<30)
Jumlah data
Kecil (>30)
Statistik
Parametrik
8|Page
TES NON
SAMPEL TES PARAMETRIK PARAMETRIK
Kruskal-Wallis test
beberapa sampel tidak
berhubungan Chi-Square test
(independen) ANOVA test (F test) Median test
1.9 SOLUSI
Apa yang harus dilakukan jika sebaran data tidak normal?. Berikut langkah-langkah yang bisa
ditempuh :
• Transformasi dalam bentuk yang lain (remedies for non formal). Ada banyak cara
mentransformasikan. Tetapi cara yang sering dipakai adalah bentuk akar kuadarat, arc sin,
dan log 10.
• Menambah jumlah sampel penelitian
9|Page
• Menyisihkan outlier : membuang subjek yang terindentifikasi sebagai outlier atau
memiliki nilai ekstrim / menyimpang dibanding yang lain.
• Memisah berdasarkan kategori tertentu, misal jenis kelamin, lokasi, pekerjaan, dan lainnya.
• Jika tidak bisa dengan cara diatas, maka data tidak normal tersebut dianalisis dengan
statistik non parametrik.
1.10 HIPOTESIS
Adalah jawaban sementara tentang rumusan masalah penelitian yang belum dibuktikan
kebenarannya. Hipotesis dinyatakan dengan kalimat pernyataan dan bukan kalimat pernyataan.
Dalam penelitian yang menggunakan sampel, hipotesisnya menggunakan kata signifikan.
Misalnya, “ Ada pengaruh signifikan antara rasio keuangan dengan harga saham “. Signifikan
disini mengandung arti bahwa hipotesis yang telah terbukti pada sampel dapat diberlakukan pada
populasi. Dalam hipotesis terdapat hipotesis nihil dan hipotesis alternatif, yaitu sebagai berikut :
• Hipotesis Nihil atau Nol Hipotesis (H0) adalah hipotesis yang menyatakan tidak adanya
hubungan antarvariabel
• Hipotesis Alternatif atau Hipotesis Kerja (H1) adalah hipotesis yang menyatakan adanya
hubungan antarvariabel.
1.12 SIGNIFIKANSI
Signifikan artinya menyakinkan atau berarti, dalam penelitian mengandung arti bahwa
hipotesis yang telah terbukti pada sampel dapat diberlakukan pada populasi. Jika tidak signifikan,
berarti kesimpulan pada sampel tidak berlaku pada populai (tidak dapat digeneralisasi). Tingkat
signifikansi 5%, artinya kita mengambil risiko salah dalam mengambil keputusan untuk menolak
hipotesis yang benar sebanyak-banyaknya 5% dan benar dalam mengambil keputusan sedikitnya
95% (tingkat kepercayaan). Atau dengan kata lain, kita percaya bahwa 95% dari keputusan untuk
menolak hipotesis yang salah adalah benar. Ukuran 5% atau 1% adalah ukuran yang umum sering
digunakan dalam penelitian. Taraf kesalahan yang lebih kecil atau lebih teliti biasanya digunakan
10 | P a g e
untuk penelitian-penelitian tertentu, misalnya untuk meneliti makanan, minuman atau obat;
dibutuhkan ketelitian tingkat tinggi seperti 5% atau 1%.
11 | P a g e
Statistik Deskriptif - Descriptives
12 | P a g e
2 TEKNIK SAMPLING
Sedangkan, Sampel atau contoh adalah sebagian dari populasi yang karakteristiknya hendak
diteliti (Djarwanto, 1994:43). Sampel yang baik, yang kesimpulannya dapat dikenakan pada
populasi, adalah sampel yang bersifat representatif atau yang dapat menggambarkan karakteristik
populasi.
13 | P a g e
populasi dan tujuan penelitian. Penentuan jumlah sampel bergantung pada faktor
variabilitas populasi. Semakin homogen karakteristik populasi, semakin sedikit ukuran
sampel yang dibutuhkan, dan sebaliknya.
2. Penelitian yang baik adalah penelitian yang hasilnya sangat akurat. Dengan hasil yang
akurat dapat dirumuskan simpulan yang akurat pula. Sehingga terdapat hubungan, semakin
besar sampel, akan semakin kecil kemungkinan kekeliruan dalam penarikan kesimpulan
tentang populasi.
3. Kepadanan tenaga, kecukupan waktu, sarana teknis penunjang, serta kecukupan logistik
penunjang. Keterbatasan keadaan tersebut dapat mempengaruhi besarnya sampel yang
digunakan.
Selain bersifat representative, sampel dipersyaratkan tidak mengandung bias. Sampel
bersifat bias jika pemilihan sampel tidak didasarkan pada kriteria obyektivitas. Pemilihan sampel
dengan unsur subyektivitas dapat menyebabkan sampel berkeadaan bias. Sebagai contoh: untuk
meneliti tingkat kesejahteraan masyarakat berdasarkan penghasilan rata-rata perbulan yang hanya
memberlakukan kalangan menengah ke atas dengan subyektiviatas peneliti yang ingin
menunjukkan bahwa masyarakat di daerah X telah mencapai kesejahteraan yang baik. Bias juga
dapat terjadi karena seleksi yang keliru.
Dengan memenuhi syarat representative dan jumlah sampel yang memadai akan
meningkatkan validitas sampel terhadap populasi. Artinya, sampel dapat mengukur apa yang
seharusnya hendak diukur, dengan memiliki dua sifat, yaitu tingkat akurasi dan presisi yang tinggi,
Tingkat akurasi yang tinggi diartikan sebagai tingkat ketidakadaan bias dalam sampel. Sedangkan
presisi mengacu pada persoalan sedekat mana estimasi kita dengan karakteristik populasi. Kedua hal ini
akan diuraikan sebagai berikut.
• Akurasi atau ketepatan, yaitu tingkat ketidakadaan "bias" (kekeliruan) dalam sampel. Dengan
kata lain makin sedikit tingkat kekeliruan yang ada dalam sampel, makin akurat
sampel tersebut. Tolok ukur adanya "bias" atautematic variance" yang maksudnya adalah tidak
ada keragaman pengukuran yang disebabkan karena pengaruh yang diketahui atau tidak diketahui,
yang menyobabkan skor cenderung mengarah pada satu titik tertentu. Sebagai contoh, jika ingin
mengetahui rata-rata luas tanah suatu perumahan, laiu yang dijadikan sampel adalah rumah yang
terletak di setiap sudut jalan, maka hasil atau skor yang diperoleh akan bias. Kekeliruan semacam
ini bisa terjadi pada sampel yang diambil secara sistematis.
14 | P a g e
• Presisi, yakni.terkait dengan persoalan sedekat mana estimasi kita dengan
karakteristik populasi. Contoh: Dari populasi sebanyak 100 sopir taxi yang diinterview diperoleh
rata-rata penghasilan mereka perhari Rp. 300.000. Kemudian diambil sampel secara acak
sebanyak 30 orang (30% dari populasi) dan diperoleh rata-rata penghasilan mereka perhari Rp.
295.000 rupiah. Hal ini mengindikasikan bahwa ada selisih antara rata-rata populasi dengan rata-
rata sampel sebesar Rp 5,000. Selisih tersebut dapat dikatakan relatif kecil. Makin kecil
tingkat perbedaan di antara rata-rata populasi dengan rata-rata sampel, maka makin tinggi tingkat
presisi sampel tersebut. Presisi diukur oleh simpangan baku (standard error). Semakin kecil
perbedaan di antara simpangan baku yang diperoleh dari sampel (S) dengan simpangan baku dari
populasi (Q), makin tinggi pula tingkat presisinya.
15 | P a g e
ini dilakukan apabila anggota populasi dianggap homogen (sejenis). Cara pengambilan sampel
melalui beberapa cara yaitu undian, kalkulator, table angka acak, computer.
• Proporsional
Jumlah sampel dalam setiap stratum sebanding dengan jumlah unsur populasi
dalam stratum tersebut. Misalnya, untuk stratum manajer tingkat atas (I) terdapat 15
manajer, tingkat menengah ada 45 manajer (II), dan manajer tingkat bawah (III) ada 100
manajer. Artinya, jumlah seluruh manajer adalah 160. Kalau jumlah sampel yang akan
diambil seluruhnya 100 manajer, maka untuk stratum I diambil (15:160)x100= 9 manajer,
stratum II = 28 manajer, stratum III = 63 manajer.
• Tidak Proporsional
Jumlah dalam setiap stratum tidak proporsional. Hal ini terjadi jika jumlah unsur atau
elemen disalah satu atau beberapa stratum sangat sedikit. Misalkan, kalau dalam stratum
manajer kelas atas (I) hanya ada 4 manajer, maka peneliti bisa mengambil semua manajer
dalam stratum tersebut, dan untuk manajer tingkat menengah (II) ditambah 5, sedangkan
manajer tingkat bawah (III), tetap 63 orang.
16 | P a g e
B : perempuan semua), maka dalam sampel gugus, setiap gugus boleh mengandung unsur yang
karakteristiknya berbeda-beda atau heterogen. Misalnya, dalam satu organisasi terdapat 100
departemen. Dalam setiap departemen terdapat banyak pegawai dengan karakteristik berbeda pula.
Beda jenis kelaminnya, beda tingkat pendidikannya, beda tingkat pendapatannya, beda tingkat
manajerialnya, dan perbedaan-perbedaan lainnya. Jika peneliti bermaksud mengetahui tingkat
penerimaan para pegawai terhadap suatu strategi yang segera diterapkan perusahaan, maka peneliti
dapat menggunakan cluster sampling untuk mencegah terpilihnya sampel hanya dari satu atau dua
departemen saja.
17 | P a g e
2.3.2 NON-PROBABILITY SAMPLING
Non-Probability Sampling merupakan teknik pengambilan sampel tidak dipilih secara
acak. Unsur populasi yang terpilih menjadi sampel bisa disebabkan karena kebetulan atau karena
faktor lain yang sebelumnya sudah direncanakan oleh peneliti. Macam-macam Non-Probability
Sampling sebagai berikut:
• Judgement Sampling
Sampel dipilih berdasarkan penilaian peneliti bahwa dia adalah pihak yang paling
baik untuk dijadikan sampel penelitiannya. Misalnya untuk memperoleh data tentang
bagaimana satu proses produksi direncanakan oleh suatu perusahaan, maka manajer
produksi merupakan orang yang terbaik untuk bisa memberikan informasi.
• Quota Sampling
Teknik sampel ini adalah bentuk dari sampel distratifikasikan secara proporsional,
namun tidak dipilih secara acak, melainkan secara kebetulan saja. Misalnya, disebuah
kantor terdapt pegawai laki-laki 60% dan perempuan 40%. Jika seorang peneliti ingin
mewawancarai 30 orang pegawai dari kedua jenis kelamin tadi, maka dia harus mengambil
sampel pegawai laki-laki sebanyak 18 orang, sedangkan pegawai perempuan 12 orang.
18 | P a g e
2.3.2.3 SNOWBALL SAMPLING
Cara ini banyak dipakai ketika penelitian tidak banyak tahu tentang populasi penelitiannya.
Dia hanya tahu satu atau dua orang yang berdasarkan penelitiannya bisa dijadikan sampel. Karena
peneliti menginginkan lebih banyak lagi, lalu dia minta kepada sampel pertama untuk
menunjukkan oranglain yang kira-kira bisa dijadikan sampel. Misalnya, seorang peneliti ingin
mengetahui pandangan wanita terhadap poligami. Peneliti cukup mencari satu orang wanita dan
kemudian melakukan wawancara. Setelah selesai, peneliti tadi minta kepada wanita tersebut untuk
bisa mewawancarai teman lainnya.
19 | P a g e
3 UJI INSTRUMEN PENGUMPULAN DATA
Validitas item ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor
total). 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 didapatkan suatu koefisien korelasi yang digunakan untuk mengukur
tingkat validitas suatu item dan menentukan apakah suatu item layak digunakan atau tidak. Dalam
menentukan layak atau tidaknya suatu item yang digunakan, biasanya digunakan uji signifikansi
koefisien korelasi pada taraf signifikansi 5%, artinya suatu item dianggap valid jika berkorelasi
signifikan terhadap skor total.
Pada program SPSS teknik pengujian yang sering digunkan para peneliti untuk uji validitas
adalah menggunakan Produk Momen Pearson (Bivariate Pearson) dan Corrected Item-Total
Correlation.
20 | P a g e
3.1.2 CORRECTED ITEM-TOTAL CORRELATION
Analisis ini dilakukan dengan cara mengkorelasikan masing-maing skor item dengan skor
total dan melakukan koreksi terhadap nilai koefisien korelasi yang overestimasi. Hal ini
dikarenakan agar tidak terjadi koefisen item total yang overestimasi (estimasi nilai yang lebih
tinggi dari yang sebenarnya). Atau dengan cara lain, analisis ini menghitung korelasi tiap item
dengan skor total (teknik bivariate pearson), tetapi skor total disini tidak termasuk skor item yang
akan dihitung. Sebagai contoh pada kasus diatas kita akan menghitung item 1 dengan skor total,
berarti skor total didapat dari penjumlahan skor item 2 sampai skor item 10. Perhitungan teknik
ini cocok digunakan pada skala yang menggunakan item pertanyaan yang sedikit, karena pada item
yang jumlahnya banyak, penggunaan korelasi bivariate (tanpa korelasi) efek overestimasi yang
dihasilkan tidak terlalu besar.
21 | P a g e
Hasil Output SPSS
22 | P a g e
Dari hasil output bisa dilihat pada Corrected Item – Total Correlation,inilah nilai korelasi
yang diperoleh. Nilai kemudian dibandingkan dengan r tabel (0,576). Dari hasil analisis dilihat
bahwa item 1, 5, 9, dan 10 nilai kurang dari 0,576 (dinyatakan tidak valid)
23 | P a g e
• Repeated measure atau pengukuran ulang : Disini seseorang akan disodori pertanyaan yang
sama pada waktu yang berbeda, dan kemudian dilihat apakah ia tetap konsisten dengan
jawabannya.
• One shot atau pengukuran sekali saja: Disini pengukurannya hanya sekali dan kemudian
hasilnya dibandingkan dengan pertanyaan lain atau mengukur korelasi antar jawaban
pertanyaan. SPSS memberikan fasilitas untuk mengukur reliabilitas dengan uji statistik
Cronbach Alpha (α). Suatu konstruk atau variabel dikatan reliabel jika memberikan nilai
Cronbach Alpha > 0,70 (Nunnally, 1994).
24 | P a g e
Hasil Output SPSS
Dari hasil analisis didapatkan Alpha sebesar 0,897, sedangkan nilai r kritis (uji 2 sisi) pada
signifikansi 5% dengan n=12, didapat sebesar 0,576. Maka dapat disimpulkan bahwa item-item
instrumen reliabel
25 | P a g e
4 UJI ASUMSI DASAR
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Berat_Bada
,182 10 ,200* ,926 10 ,414
n
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
26 | P a g e
Uji Hipotesis :
H0 : Data berdistribusi normal
H1 : Datak tidak berdistribusi normal
Daerah kritis:
Tolak H0, apabila Pvalue (sign) < 0,05 (Alpha 5%)
Statistik uji:
Pvalue (0,200) > 0,05 (Maka Gagal Tolak H0 dan data berdistribusi Normal)
27 | P a g e
Test of Homogeneity of Variance
Levene df1 df2 Sig.
Statistic
Based on Mean 2,183 1 8 ,178
Based on Median ,190 1 8 ,675
Berat_Bada Based on Median and
,190 1 5,779 ,679
n with adjusted df
Based on trimmed
2,010 1 8 ,194
mean
Uji Hipotesis
H0 : Variansi pada tiap kelompok data adalah sama (homogen)
H1 : Variansi pada tiap kelompok data adalah tidak sama (tidak homogen)
Daerah kritis
Tolak H0, apabila Pvalue(sign.) < 0,05
Statistik uji:
Pvalue (0,178) > 0,05 maka gagal tolak H0 dan data homogen.
28 | P a g e
4.1.3 UJI LINEARITAS
Uji ini dilakukan dengan mencari persamaan garis regresi variabel bebas X terhadap
variabel terikat Y. Berdasarkan garis regresi yang telah dibuat, selanjutnya diuji keberartian
koefisien garis regresi serta linieritasnya.
ANOVA Table
Sum of Squares df Mean Square F Sig.
y*x Between Groups (Combined) 1275,600 8 159,450 ,276 ,907
29 | P a g e
Linearity 29,996 1 29,996 ,052 ,857
Deviation from
1245,604 7 177,943 ,308 ,885
Linearity
Total 1853,600 9
Uji Hipotesis :
H0 : Model regresi linear
H1 : Model regresi tidak linear
Daerah kritis
Tolak H0, apabila Pvalue (sign.) < 0,05
Statistik uji
Pvalue (0,857) > 0,05, maka gagal tolak H0 dan dapat disimpulkan bahwa model regresi linear.
30 | P a g e
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics
Coefficients
B Std. Error Beta Tolerance VIF
31 | P a g e
a. Dependent Variable: y
Uji Hipotesis
H0 : Data terjadi kasus multikolinearitas
H1: Data tidak terjadi kasus multikolinearitas
Daerah kritis:
Tolak H0, apabila Pvalue (Sig.) < 0,05
Uji statistik:
Pvalue ((x1=0,87 ;x2=0,711 ;x3=0,055)) > 0,05, maka gagal tolak H0 dan terdapat kasus
multikolinearitas untuk variabel x1, x2, dan x3.
32 | P a g e
33 | P a g e
Dari gambar grafik Scatterplot diatas tampak bahwa titik-titik menyebar dan tidak
membentuk pola tertentu. Dengan demikian dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas.
∑𝑛𝑡=2(𝑒𝑡 − 𝑒𝑡−1 )2
𝑑= ;0 < 𝑑 < 4
∑𝑛𝑡=1 𝑒𝑡 2
Autokorelasi tidak terjadi bila nilai d=2. Autokorelasi positif terjadi jika d mendekati 0, sedangkan
autokorelasi negatif terjadi bila nilai d mendekati 4. Sebagai contoh, akan diuji autokorelasi antara
variabel bebas insentif (X1), iklim (X2), hubungan interperson (X3) dengan variabel kinerja
pegawai (Y).
34 | P a g e
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 ,614a ,377 ,306 4,125 2,064
a. Predictors: (Constant), X3, X2, X1
b. Dependent Variable: Y
Dari hasil output didapatkan nilai statistik uji Durbin-Watson sebesar 2,064 (mendekati 2). Dengan
demikian dapat disimpulkan bahwa tidak terdapat autokorelasi antara variabel bebas insentif (X1),
iklim kerja (X2), hubungan interpersonal (X3) dengan variabel kinerja pegawai (Y)
35 | P a g e
5 STATISTIK DESKRIPTIF
Statistik deskriptif lebih berhubungan dengan pengumpulan dan peringkasan data, serta
penyajian hasil peringkasan tersebut.
5.1 FREQUENCIES
Seseorang ingin mengetahui gambaran tinggi badan antara laki-laki dan perempuan. Data
yang didapatkan sebagai berikut.
36 | P a g e
37 | P a g e
Statistics
TINGGI
N Valid 25
Missing 0
Mean 169,400
Std. Error of Mean ,9927
Median 168,900
Mode 172,5
Std. Deviation 4,9633
Variance 24,634
Skewness -,155
38 | P a g e
Std. Error of Skewness ,464
Kurtosis ,452
Std. Error of Kurtosis ,902
Range 20,7
Minimum 159,6
Maximum 180,3
Percentiles 25 167,200
50 168,900
75 172,500
TINGGI
Cumulative
Frequency Percent Valid Percent Percent
Valid 159,6 2 8,0 8,0 8,0
161,3 1 4,0 4,0 12,0
164,8 2 8,0 8,0 20,0
167,2 2 8,0 8,0 28,0
168,5 2 8,0 8,0 36,0
168,6 1 4,0 4,0 40,0
168,9 3 12,0 12,0 52,0
170,2 1 4,0 4,0 56,0
170,4 3 12,0 12,0 68,0
172,5 4 16,0 16,0 84,0
174,5 2 8,0 8,0 92,0
177,5 1 4,0 4,0 96,0
180,3 1 4,0 4,0 100,0
Total 25 100,0 100,0
Keterangan :
39 | P a g e
• Standart deviasi dan variansi digunakan untuk menilai tingkat sebaran data. Pada tingkat
kepercayaan 95% kita gunakan 2 kali standar deviasi sehingga
Mean ± 2 standart deviasi = 169,4 ± (2x4,96328)
= 159,47344 sampai 179,32656
Perhatikan bahwa nilai minimum (159,6) dan nilai maksimum (180,3) beda tipis dengan
interval kepercayaan 95% sehingga dapat dikatakan bahwa data diatas adalah baik.
• Ukuran kemencengan (skewness) sebesar -0,155 dengan standar error sebesar 0,464.
−0,155
Rasio skewness = 0,464 = −0,334
Sebagai pedoman jika rasio skewness berada diantara -2 dan 2, maka distribusi data
tersebut adalah normal.
• Data minimum adalah 159,60 dan data maksimum adalah 180,30 dengan range = 20,70.
• Persentil
I. Persentil 25 (Quartil 1) = 167,2 artinya sebanyak 25% tinggi badan seseorang
berada dibawah 167,2 cm
II. Persentil 50 (median) = 168,9 (lihat median)
III. Persentil 75 (Quartil 3) = 172,5 artinya sebanyak 75% tinggi badan seseorang
berada dibawah 172,5 cm
5.2 EXPLORE
40 | P a g e
41 | P a g e
Hasil Output SPSS
Explore
Notes
Output Created 06-MAY-2019 09:57:01
Comments
JENIS
Cases
JENIS Valid Missing Total
42 | P a g e
N Percent N Percent N Percent
TINGGI LAKI-LAKI 11 100,0% 0 0,0% 11 100,0%
PEREMPUAN 14 100,0% 0 0,0% 14 100,0%
Descriptives
Median 172,500
Variance 10,750
Minimum 168,5
Maximum 180,3
Range 11,8
Median 167,850
Variance 22,859
Minimum 159,6
Maximum 177,5
Range 17,9
43 | P a g e
Kurtosis ,745 1,154
Extreme Values
JENIS Case Number Value
TINGGI LAKI-LAKI Highest 1 3 180,3
2 9 174,5
3 18 174,5
4 2 172,5
5 4 172,5a
Lowest 1 7 168,5
2 22 168,9
3 1 170,2
4 21 170,4
5 13 172,5b
PEREMPUAN Highest 1 17 177,5
2 11 170,4
3 14 170,4
4 15 168,9
5 16 168,9
Lowest 1 10 159,6
2 5 159,6
3 12 161,3
4 23 164,8
5 20 164,8
a. Only a partial list of cases with the value 172,5 are shown in the table of upper
extremes.
b. Only a partial list of cases with the value 172,5 are shown in the table of lower
extremes.
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
JENIS Statistic df Sig. Statistic df Sig.
TINGGI LAKI-LAKI ,225 11 ,125 ,882 11 ,110
PEREMPUAN ,166 14 ,200* ,927 14 ,279
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
44 | P a g e
TINGGI
Histograms
45 | P a g e
Stem-and-Leaf Plots
2,00 16 . 88
8,00 17 . 00222244
1,00 Extremes (>=180)
46 | P a g e
JENIS= PEREMPUAN
2,00 15 . 99
3,00 16 . 144
6,00 16 . 778888
2,00 17 . 00
1,00 Extremes (>=178)
47 | P a g e
Detrended Normal Q-Q Plots
48 | P a g e
49 | P a g e
Kesimpulan :
• Pada case processing summary bahwa data tinggi badan sebanyak 11 orang dengan data
yang hilang sebesar nol sedangkan pada perempuan data tinggi badan sebanyak 14 orang
dengan data yang hilang sebanyak nol.
• Pada decriptive dapat diketahui statistik deskriptif (rata-rata tinggi badan, median,
variansi, standar deviasi dll) baik laki-laki maupun perempuan.
• Pada nilai ekstrim dapat diketahui 5 nilai tertinggi dan 5 nilai terendah baik laki-laki
maupun perempuan.
• Pada tes normalitas dapat diketahui kenormalan suatu data. Untuk menguji kenormalan
dapat dilakukan sebagai berikut:
H0 : data diambil dari populasi berdistribusi normal
H1 : data diambil bukan dari populasi berdistribusi normal
α = 0.05
50 | P a g e
Daerah Penolakan
Pada Laki-laki : H0 ditolak jika L0 > L11;0,05 = 0,249
Pada Perempuan : H0 ditolak jika L0 > L14;0,05 = 0,227
Statistik Uji
Kesimpulan
• Selain itu tingkat kenormalan dapat dilihat baik pada normal q-q plot serta
detrended normal q-q plot dengan patokan jika terdapat semakin jauh suatu titik
dari garisnya, maka data tersebut semakin tidak normal.
• Pada gambar dapat dilihat histogram tinggi badan baik laki-laki maupun
perempuan.
• Pada gambar diagram batang dan daun secara sekilas dapat kita ketahui bahwa
tinggi badan laki-laki lebih tinggi dari tinggi badan perempuan.
51 | P a g e
6 ANALISIS REGRESI
Istilah “regresi” pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton
menemukan adanya tendensi bahwa orang tua yang memiliki tubuh tinggi, memiliki anak yang
tinggi pula dan orang tua yang pendek memiliki anak-anak yang pendek pula. Kendati demikian,
ia mengamati ada kecenderungan bahwa tinggi anak bergerak menuju rata-rata tinggi populasi
secara keseluruhan. Dengn kata lain ketinggian anak yang amat tinggi atau orang tua yang amat
pendek cenderung bergerak ke arah rata-rata tinggi populasi. Inilah yang disebut hukum Galton
mengenai regresi universal. Dalam bahasa Galton ia menyebutkannya sebagai regresi menuju
mediokritas (Maddala, 1992).
Interpretasi modern mengenai regresi agak berlainan dengan regresi versi Galton. Secara
umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan 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 (Gujarati, 2003).
Hasil analisis regresi adalah berupa koefisien untuk masing-masing variabel independen.
Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependen dengan suatu persamaan.
Koefisien regresi dihitung dengan dua tujuan sekaligus: Pertama, meminimumkan penyimpangan
antara nilai aktual dan nilai estimasi variabel dependen berdasarkan data yang ada (Tabachnick,
1996).
Dalam analisis regresi, selain mengukur kekuatan hubungan antara dua variabel atau lebih, juga
menunjukkan arah hubungan antara variabel dependen dengan variabel independen. Variabel
dependen diasumsikan random/stokastik, yang berarti mempunyai distribusi probabilistik.
Variabel independen/bebas diasumsikan memiliki nilai tetap (dalam pengambilan sampel yang
berulang).
52 | P a g e
Teknik estimasi variabel dependen yang melandasi analisis regresi disebut Ordinary least Squares.
Metode OLS diperkenalkan pertama kali oleh Carl Friedrich Gauss, seorang ahli matematika dari
jerman. Inti metode OLS adalah mengestimasi suatu garis regresi dengan jalan meminimalkan
jumlah dari kuadrat kesalahan setiap observasi terhadap garis tersebut.
a) Model regresi linear, artinya linear dalam parameter seperti dalam persamaan dibawah
ini.
Yi = b1 +b2Xi + Ui
b) Nilai X diasumsikan non-stokastik, artinya nilai X dianggap tetap dalam sampel yang
berulang.
c) Nilai rata-rata kesalahan adalah nol, atau E(Ui/Xi) = 0
d) Homoskedastisitas, artinya variance kesalahan sama untuk setiap periode (Homo = sama,
Skedastisitas = sebaran) dan dinyatakan dalam bentuk matematis Var (Ui/Xi) = 𝜎 2
e) Tidak ada autokorelasi antar kesalahan (antara Ui dan Uj tidak ada korelasi) atau secara
matematis Cov (Ui, Uj/Xi,Xj) = 0
f) Antara Ui dan Xi saling bebas, sehingga Cov (Ui/Xi) = 0
g) Jumlah observasi (n) harus lebih besar daripada jumlah parameter yang diestimasi
(jumlah variabel bebas)
h) Adanya variabilitas dalam nilai X, artinya nilai X harus berbeda
i) Model regresi telah dispesifikasi secara benar. Dengan kata lain tidak ada bias
(kesalahan) spesifikasi dalam model yang digunakan dalam analisis empirik.
j) Tidak ada multikolinearitas yang sempurna antara variabel bebas
53 | P a g e
a) Koefisien Determinasi
Koefisien determinasi (𝑅 2 ) pada intinya mengukur seberapa jauh kemampuan model dalam
menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan
satu. Nilai 𝑅 2 yang kecil berarti kemampuan variabel-variabel independen dalam
menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti
variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk
memprediksivariasi variabel dependen. Secara umum koefisien determinasi untuk data
silang (crossection) relatif rendah karena adanya variasi yang besar antara masing-masing
pengamatan, sedangkan untuk data runtun waktu (time series) biasanya mempunyai nilai
koefisien determinasi yang tinggi.
Satu hal yang perlu dicatat adalah masalah spurious regression. Insukindro (1998)
menekankan bahwa koefisien determinasi hanyalah salah satu dan bukan satu-satunya
kriteria memilih model yang baik. Alasannya bila suatu estimasi regresi linear
menghasilkan koefisien determinasi yang tinggi, tetapi tidak konsisten dengan teori
ekonomika yang dipilih oleh peneliti, atau tidak lolos dari uji asumsi klasik, maka model
tersebut bukanlah model penaksir yang baik dan seharusnya tidak dipilihmenjadi model
empirik.
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah
variabel independen yang dimasukkan kedalam model. Setiap tambahan satu variabel
independen, maka 𝑅 2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh
secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti
menganjurkan untuk menggunakan nilai Adjusted 𝑅 2 pada saat mengevaluasi mana model
regresi terbaik. Tidak seperi 𝑅 2 , nilai Adjusted 𝑅 2 dapat naik atau turun apabila satu
variabel independen ditambahkan kedalam model.
Dalam kenyataan nilai Adjusted 𝑅 2 dapat bernilai negatif, walaupun yang dikehendaki
harus bernilai positif. Menurut Gujarati (2003) jika dalam uji empiris didapat nilai adjusted
𝑅 2 negatif, maka nilai Adjusted 𝑅 2 dianggap bernilai nol. Secara matematis jika nilai 𝑅 2 =
1, maka Adjusted 𝑅 2 = 𝑅 2 =1, sedangkan jika nilai 𝑅 2 = 0, maka Adjusted 𝑅 2 = (1-k)/(n-k).
Jika k > 1, maka Adjusted 𝑅 2 akan bernilai negatif.
b) Uji signifikansi keseluruhan dari regresi sample (uji satatistik F)
54 | P a g e
Tidak seperti uji t yang menguji signifikansi koefisien parsial regresi secara individu
dengan uji hipotesis terpisah bahwa setiap koefisien regresi sama dengan nol. Uji F
menguji joint hipotesis bahwa b1, b2 dan b3 secara simultan sama dengan nol, atau :
Ho : b1 = b2 =......= bk = 0
H1 : b1 ≠ b2 ≠......≠ bk ≠ 0
Uji hipotesis seperti ini dinamakan uji signifikansi secara keseluruhan terhadap garis
regresi yang diobservasi maupun estimasi, apakah Y berhubungan linear terhadap X1, X2,
dan X3. Apakah joint hipotesis dapat diuji dengan signifikansi b1, b2, dan b3 secara
individu. Jawabannya tidak. Alasannya dalam uji signifikansi individu terhadap parsial
koefisien regresi diasumsikan bahwa setiap uji signifikansi berdasarkan sample
(independen) yang berbeda. Jadi menguji signifikansi b2 dengan hipotesis b2 = 0
diasumsikan pengujian ini berdasarkan sample yang berbeda ketika kita akan menguji b3
dengan hipotesis b3 = 0. Sementara itu ketika kita menguji joint hipotesis dengan sample
yang sama akan menyalahi asumsi prosedur pengujian.
Untuk menguji hipotesis ini digunakan statistik F dengan kriteria pengambilan keputusan
sebagai berikut.
• Quick look : bila nilai F lebih besar daripada 4 maka Ho dapat ditolak pada derajat
kepercayaan 5%. Dengan kata lain, kita menerima hipotesis alternatif, yang
menyatakan bahwa semua variabel independen secara serentak dan signifikan
mempengaruhi variabel dependen.
• Membandingkan nilai F hasil hitungan dengan nilai F menurut tabel. Bila nilai F
hitung lebih besar daripada nilai F tabel, maka Ho ditolak dan menerima H1.
c) Uji signifikan parameter individual (Uji Statistik t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel
penjelas/independen secara individual dalam menerangkan variasi variabel dependen.
Hipotesis nol (Ho) yang hendak diuji adalah apakah suatu parameter (bi) sama dengan nol,
atau :
Ho : bi = 0
Artinya apakah suatu variabel independen bukan merupakan penjelas yang signifikan
terhadap variabel dependen. Hipotesis alternatifnya (H1) parameter suatu variabel tidak
sama dengan nol, atau :
55 | P a g e
H1 : bi ≠ 0
Artinya, variabel tersebut merupakan penjelas yang signifikan terhadap variabel dependen.
Cara melakukan uji t adalah sebagai berikut :
• Quic look : bila jumlah degree of freedom (df) adalah 20 atau lebih, dan derajat
kepercayaan sebesar 5%, maka Ho yang menyatakan bi = 0 dapat ditolak bila nilai
t lebih besar dari 2 (dalam nilai absolut). Dengan kata lain kita menerima hipotesis
alternatif, yang menyatakan bahwa suatu variabel independen secara individual
mempengaruhi variabel dependen.
• Membandingkan nilai statistik t dengan titik kritis menurut tabel. Apabila nilai
statistik t hasil perhitungan lebih tinggi dibandingkan nilai t tabel, kita menerima
hipotesis alternatif yang menyatakan bahwa suatu variabel independen secara
individual mempengaruhi variabel dependen.
56 | P a g e
57 | P a g e
58 | P a g e
Hasil Output SPSS sebagai berikut.
Regression
Model Summaryb
Model R R Square Adjusted R Std. Error of the Durbin-Watson
Square Estimate
1 ,997a ,993 ,993 1,270 1,930
a. Predictors: (Constant), Motivasi
59 | P a g e
b. Dependent Variable: Produktivitas
Total 1962,000 9
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig. 95,0% Confidence
Coefficients Interval for B
B Std. Error Beta Lower Bound Upper
Bound
(
C
o
n
s
-1,479 2,066 -,716 ,495 -6,244 3,286
t
a
n
t
1
)
M
o
t
i
,486 ,014 ,997 34,771 ,000 ,454 ,518
v
a
s
i
a. Dependent Variable: Produktivitas
60 | P a g e
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 47,13 90,87 69,00 14,716 10
Std. Predicted Value -1,486 1,486 ,000 1,000 10
Standard Error of Predicted
,408 ,746 ,554 ,129 10
Value
Adjusted Predicted Value 47,72 91,33 69,08 14,680 10
Residual -1,152 2,430 ,000 1,197 10
Std. Residual -,907 1,914 ,000 ,943 10
Stud. Residual -1,097 2,021 -,027 1,039 10
Deleted Residual -1,722 2,709 -,078 1,464 10
Stud. Deleted Residual -1,114 2,702 ,047 1,197 10
Mahal. Distance ,027 2,209 ,900 ,836 10
Cook's Distance ,000 ,318 ,114 ,107 10
Centered Leverage Value ,003 ,245 ,100 ,093 10
a. Dependent Variable: Produktivitas
Charts
61 | P a g e
62 | P a g e
Kesimpulan.
Dari output yang diperoleh diatas maka didapatkan informasi sebagai beriku.
• Korelasi antara kedua variabel adalah 0,997.
• R-Square sebesar 99,3% menunjukkan bahwa model dapat menjelaskan / menggambarkan
perilaku data 99,3 % dan sisanya dipengaruhi faktor lain.
• F sebesar 1209,030 dengan p.sig = 0,000
• Dengan uji hipotesis maka :
H0 : model regresi tidak layak digunakan
H1 : model regresi layak digunakan
Daerah Kritis.
H0 ditolak jika p value < 0,05
63 | P a g e
Statistik uji
Pvalue = 0,000
Kesimpulan
Karena pvalue < 0,05 maka H0 ditolak sehingga model regresi layak digunakan
Model regresi yang diperoleh yaitu
Y = -1,479 + 0,486 X
Langkah-langkah SPSS.
64 | P a g e
65 | P a g e
66 | P a g e
Output SPSS sebagai berikut.
Model Summaryb
Model R R Square Adjusted R Std. Error of the Durbin-Watson
Square Estimate
1 ,681a ,464 ,374 ,30185 1,936
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y
67 | P a g e
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression ,946 2 ,473 5,191 ,024b
Total 2,039 14
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 1,9905 2,9378 2,4187 ,25992 15
Std. Predicted Value -1,647 1,997 ,000 1,000 15
Standard Error of Predicted
,088 ,283 ,125 ,053 15
Value
Adjusted Predicted Value 1,7681 3,0702 2,3768 ,32016 15
Residual -,30724 ,69228 ,00000 ,27945 15
Std. Residual -1,018 2,293 ,000 ,926 15
Stud. Residual -1,074 2,397 ,027 1,019 15
Deleted Residual -,37023 ,93192 ,04184 ,39948 15
Stud. Deleted Residual -1,082 3,180 ,090 1,165 15
Mahal. Distance ,253 11,398 1,867 2,897 15
Cook's Distance ,000 2,799 ,228 ,714 15
Centered Leverage Value ,018 ,814 ,133 ,207 15
a. Dependent Variable: Y
Charts
68 | P a g e
69 | P a g e
Kesimpulan
Dari output diatas dapat diketahui :
• R-square sebesar 40,7%.
• Variabel yang digunakan adalah X1 (Jumlah rajutan baju) dengan F sebesar 8,940 dan P
sig = 0,010.
• Dengan pengujian hipotesis maka :
H0 : model regresi tidak layak digunakan
H1 : model regresi layak digunakan
Daerah kritis
H0 ditolak jika p value < 0,05.
Statistik uji
70 | P a g e
Pvalue = 0,000
Kesimpulan
Karena pvalue < 0,05 maka H0 ditolak sehingga model regresi layak digunakan.
Model regresi yang diperoleh yaitu :
Y = 1,746 + 0,095 X1 + 0,283 X2
71 | P a g e
7 UJI PERBANDINGAN RATA-RATA
Pengujian hipotesis pada rata-rata digunakan untuk mengetahui apakah nilai dugaan dari
peneliti terhadap suatu objek yang diteliti sesuai atau tidak dengan kenyataannya. Misalnya
seorang peneliti ingin membuktikan bahwa pembakaran suatu roket sebesar 40 cm/detik ,
kemudian peneliti tersebut mengadakan percobaan terhadap roket tersebut, apakah dugaan peneliti
itu signifikan atau tidak.
72 | P a g e
Hasil Output SPSS sebagai berikut.
One-Sample Statistics
One-Sample Test
Test Value = 75
73 | P a g e
• Uji Hipotesis
Ho : m = mo (nilai ujian matematika adalah 75)
H1 : m ≠ mo (nilai ujian matematika bukan 75)
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,004) < 0,05 maka Ho ditolak sehingga dapat disimpulkan bahwa nilai
ujian matematika bukan 75.
74 | P a g e
75 | P a g e
Hasil Output SPSS sebagai berikut.
• Uji Hipotesis
Ho : m1 = m2 (tidak ada perbedaan berat badan bayi yang dipijat dengan berat badan bayi
yang tidak dipijat)
H1 : m1 ≠ m2 (ada perbedaan berat badan bayi yang dipijat dengan berat badan bayi yang
tidak dipijat)
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,027) < 0,05 maka Ho ditolak sehingga ada perbedaan berat badan bayi
yang dipijat dengan berat badan bayi yang tidak dipijat.
76 | P a g e
7.3 T-TEST UNTUK SAMPEL DEPENDEN
T-Test ini dilakukan jika data variabel yang satu saling berkaitan/dependen yaitu setiap satu
sampel dikenai dua perlakuan. Sebagai contoh misalkan seorang peneliti ingin mengetahui apakah
ada perbedaan berat badan bayi yang baru lahir dengan berat badan setelah diberi pemijatan.
77 | P a g e
Output SPSS sebagai berikut
• Uji Hipotesis
Ho : m1 = m2 (tidak ada perbedaan berat badan bayi yang dipijat yang baru lahir dengan
setelah dipijat)
H1 : m1 ≠ m2 (ada perbedaan berat badan bayi yang dipijat yang baru lahir dengan setelah
dipijat)
Dengan α = 0.05
78 | P a g e
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,000) < 0,05 maka Ho ditolak sehingga ada perbedaan berat badan bayi
yang dipijat yang baru lahir dengan setelah dipijat.
79 | P a g e
8 STATISTIK NON PARAMETRIK
Contoh kasus
Sebuah penelitian ingin mengetahui apakah perusahaan produsen laptop ingin mengetahui
apakah konsumen menyukai 5 jenis model laptop yang diproduksinya. Data diambil dengan
mengamati pembelian laptop selama satu bulan. Data penelitian sebagai berikut.
80 | P a g e
81 | P a g e
Hasil Output SPSS
Jenis model
1 38 26,2 11,8
2 26 26,2 -,2
3 15 26,2 -11,2
4 27 26,2 ,8
5 25 26,2 -1,2
Total 131
Test Statistics
Jenis model
Chi-Square 10,183a
Df 4
Asymp. Sig. ,037
82 | P a g e
• Uji Hipotesis
Ho : Kelima model laptop disukai konsumen
H1 : Setidaknya ada satu model yang lebih disukai konsumen daripada setidaknya satu model
lain.
Dengan α = 0.05
Daerah Kritis
Kesimpulan
Karena P value (0,037) < 0,05 maka Ho ditolak sehingga setidaknya ada satu model yang
lebih disukai konsumen daripada setidaknya satu model lain
Contoh kasus:
Sebuah koin (terdiri 2 sisi : ANGKA dan GAMBAR) dilempar 20 kali. Ingin diketahui
apakah pelemparan itu mengikuti distribusi binomial (atau pelemparan fair atau tidak). Data hasil
pelemparan sebagai berikut (1 untuk GAMBAR dan 0 untuk ANGKA).
83 | P a g e
Langkah-langkah SPSS sebagai berikut
Binomial Test
84 | P a g e
Group 1 1,00 11 ,55 ,50 ,824
Total 20 1,00
• Uji Hipotesis
Ho : Sampel diambil dari populasi yang berdistribusi normal / pelemparan fair
H1 : Sampel diambil bukan dari populasi yang berdistribusi normal / pelemparan tidak fair
Dengan α = 0.05
Daerah Kritis
Kesimpulan
Karena P value (0,824) > 0,05 maka Ho gagal tolak sehingga sampel diambil dari populasi
yang berdistribusi normal / pelemparan fair
Sebuah universitas ingin mengetahui apakah mahasiswa yang masuk kuliah bervariasi
secara acak menggunakan motor atau mobil. Hasil pengamatan sebagai berikut (1 untuk motor dan
2 untuk mobil).
85 | P a g e
Langkah-langkah SPSS sebagai berikut.
Runs Test 2
kendaraan
Test Valuea 2,0000
Total Cases 20
86 | P a g e
Number of Runs 12
Z ,230
Asymp. Sig. (2-tailed) ,818
a. User-specified.
• Uji Hipotesis
Ho : Pola kendaraan yang masuk universitas acak (random)
H1 : Pola kendaraan yang masuk universitas tidak acak.
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,818) > 0,05 maka Ho gagal tolak sehingga pola kendaraan yang masuk
universitas acak (random)
Contoh kasus :
Sebuah universitas mengambil beberapa sampel mahasiswa dan mengukur tingginya.
Data hasil pengukuran sebagai berikut.
87 | P a g e
88 | P a g e
Output SPSS sebagai berikut
Tinggi
N 20
Mean 167,9000
Normal Parametersa,b
Std. Deviation 7,90003
Absolute ,130
Most Extreme Differences Positive ,120
Negative -,130
Kolmogorov-Smirnov Z ,581
Asymp. Sig. (2-tailed) ,888
• Uji Hipotesis
Ho : Sampel diambil dari populasi berdistribusi normal
H1 : Sampel diambil bukan dari populasi berdistribusi normal
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,888) > 0,05 maka Ho gagal tolak sehingga sampel diambil dari populasi
berdistribusi normal
89 | P a g e
Langkah-langkah SPSS sebagai berikut
90 | P a g e
Output SPSS sebagai berikut
Ranks
Total 10
Test Statisticsa
sesudah –
sebelum
Z -2,094b
Asymp. Sig. (2-tailed) ,036
• Uji Hipotesis
91 | P a g e
Ho : Produk susu peninggi badan tidak memberikan efek yang berarti pada tinggi badan
H1 : Produk susu peninggi badan memberikan efek yang berarti pada tinggi badan
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,036) < 0,05 maka Ho ditolak sehingga produk susu peninggi badan
memberikan efek yang berarti pada tinggi badan
92 | P a g e
Ouput SPSS sebagai berikut.
Frequencies
Negative Differencesa 9
Tanpa_multimedia -
Positive Differencesb 11
Dengan_multimedia
Tiesc 0
93 | P a g e
Total 20
Test Statisticsa
Tanpa_multime
dia -
Dengan_multim
edia
a. Sign Test
b. Binomial distribution used.
• Uji Hipotesis
Ho : Tidak ada perbedaan nilai ujian antara yang diajar dengan multimedia dan tanpa multimedia
H1 : Ada perbedaan nilai ujian antara yang diajar dengan multimedia dan tanpa multimedia
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,824) > 0,05 maka Ho gagal tolak sehingga tidak ada perbedaan nilai ujian
antara yang diajar dengan multimedia dan tanpa multimedia.
Contoh kasus :
Sebuah penelitian ingin mengetahui apakah iklan calon bupati yang kontinu mampu
mengubah persepsi masyarakat terhadap calon bupati yang diiklankan. Diambil 15 responden dan
ditanya tentang pendapat mereka terhadap calon bupati yang akan diiklankan. Pendapat mereka
dibagi dua, yaitu baik dan buruk. Hasilnya 6 responden menjawab Baik dan 9 responden
menjawab Buruk. Setelah itu dilakukan iklan yang kontinu selama satu bulan. Setelah itu mereka
ditanyai lagi tentang pendapat mereka terhadap calon bupati yang diiklankan.
Data lengkap yang diperoleh sebagai berikut.
94 | P a g e
Tabel kontingensi diatas dapat diubah bentuknya (untuk memudahkan input ke SPSS) sebagai
berikut (Angka 1 untuk BAIK dan angka 0 untuk BURUK).
95 | P a g e
sebelum & sesudah
sebelum sesudah
buruk baik
buruk 5 4
baik 0 6
Test Statisticsa
sebelum &
sesudah
N 15
Exact Sig. (2-tailed) ,125b
a. McNemar Test
b. Binomial distribution used.
• Uji Hipotesis
Ho : Tidak ada perbedaan persepsi masyarakat terhadap calon bupati sebelum dan sesudah diberi
iklan
H1 : ada perbedaan persepsi masyarakat terhadap calon bupati sebelum dan sesudah diberi iklan
Dengan α = 0.05
96 | P a g e
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,125) > 0,05 maka Ho gagal tolak sehingga tidak ada perbedaan persepsi
masyarakat terhadap calon bupati sebelum dan sesudah diberi iklan atau iklan tidak mampu
mengubah persepsi masyarakat terhadap calon bupati
97 | P a g e
98 | P a g e
Output SPSS sebagai berikut
Ranks
Total 20
Test Statisticsa
Nilai
Mann-Whitney U 36,000
Wilcoxon W 91,000
Z -1,061
Asymp. Sig. (2-tailed) ,289
Exact Sig. [2*(1-tailed Sig.)] ,315b
• Uji Hipotesis
Ho : Tidak ada perbedaan nilai ujian siswa antara yang diberi latihan dan yang tidak diberi
latihan
H1 : ada perbedaan nilai ujian siswa antara yang diberi latihan dan yang tidak diberi latihan
99 | P a g e
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,289) > 0,05 maka Ho gagal tolak sehingga tidak ada perbedaan nilai ujian
siswa antara yang diberi latihan dan yang tidak diberi latihan
100 | P a g e
Output SPSS sebagai berikut
101 | P a g e
Frequencies
Kelompok N
Latihan 10
Total 20
Test Statisticsa
Nilai
Absolute ,400
Negative -,400
Kolmogorov-Smirnov Z ,894
Asymp. Sig. (2-tailed) ,400
• Uji Hipotesis
Ho : Tidak ada perbedaan nilai ujian siswa antara yang diberi latihan dan yang tidak diberi
latihan
H1 : ada perbedaan nilai ujian siswa antara yang diberi latihan dan yang tidak diberi latihan
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,400) > 0,05 maka Ho gagal tolak sehingga tidak ada perbedaan nilai ujian
siswa antara yang diberi latihan dan yang tidak diberi latihan
102 | P a g e
Output SPSS sebagai berikut.
Frequencies
Kelompok N
Nilai Latihan 10
103 | P a g e
Tanpa Latihan 10
Total 20
Test Statisticsa,b
a. Wald-Wolfowitz Test
b. Grouping Variable: Kelompok
c. There are 3 inter-group ties involving 7 cases.
• Uji Hipotesis
Ho : Tidak ada perbedaan nilai ujian siswa antara yang diberi latihan dan yang tidak diberi
latihan
H1 : ada perbedaan nilai ujian siswa antara yang diberi latihan dan yang tidak diberi latihan
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,414 dan 0,758) > 0,05 maka Ho gagal tolak sehingga tidak ada perbedaan
nilai ujian siswa antara yang diberi latihan dan yang tidak diberi latihan
104 | P a g e
Langkah-langkah SPSS sebagai berikut
105 | P a g e
Output SPSS sebagai berikut
Ranks
Mean Rank
model_1 2,90
model_2 2,63
model_3 1,83
model_4 2,63
106 | P a g e
Test Statisticsa
N 15
Chi-Square 6,085
df 3
Asymp. Sig. ,108
a. Friedman Test
• Uji Hipotesis
Ho : Keempat model laptop memiliki penilaian yang sama dari konsumen
H1 : Sekurang-kurangnya terdapat satu model yang mendapatkan penilaian lebih besar dibanding
sekurang-kurangnya stu model yang lain
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,108) > 0,05 maka Ho gagal tolak sehingga keempat model laptop memiliki
penilaian yang sama dari konsumen
Perusahaan laptop ingin mengetahui aspek apa saja yang diinginkan konsumen terhadap
produk laptop. Perusahaan menetapkan 4 atribut untuk laptop yaitu bentuk, berat, warna dan lama
garansi. Diambil 15 responden dan diminta memberikan penilaian dengan memberikan peringkat
dari 1 sampai 4 (skala likert). Data yang diperoleh sebagai berikut.
107 | P a g e
108 | P a g e
Output SPSS sebagai berikut
Ranks
Mean Rank
bentuk 1,80
berat 2,20
warna 2,80
garansi 3,20
Test Statistics
N 15
Kendall's Wa ,232
Chi-Square 10,440
df 3
Asymp. Sig. ,015
a. Kendall's Coefficient of
Concordance
109 | P a g e
Sebuah perusahaan percetakan ingin melakukan pembelian tiga alat cetak berkualitas
tinggi. 10 karyawan diminta mencoba bekerja menggunakan tiga alat cetak tersebut, kemudian
diminta memberikan penilaian terhadap alat cetak sebagai berikut : angka 1 jika mereka puas, dan
angka 0 jika tidak puas dengan kualitas alat cetak yang akan dibeli.
110 | P a g e
Output SPSS sebagai berikut
Frequencies
Value
0 1
alat_cetak_1 4 6
alat_cetak_2 5 5
alat_cetak_3 5 5
Test Statistics
N 10
Cochran's Q ,250a
df 2
Asymp. Sig. ,882
a. 0 is treated as a success.
• Uji Hipotesis
Ho : Ketiga alat cetak memiliki kinerja yang sama
H1 : Ketiga alat cetak memiliki kinerja yang berbeda
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
111 | P a g e
Kesimpulan
Karena P value (0,882) > 0,05 maka Ho gagal tolak sehingga ketiga alat cetak memiliki kinerja
yang sama
Perusahaan produsen lampu memproduksi tiga jenis lampu dan akan diuji apakah terdapat
perbedaan mutu diantara tiga jenis lampu itu. Penelitian dilakukan dengan mengambil beberapa
sampel lampu kemudian diukur daya tahan hidupnya. Data yang diperoleh sebagai berikut.
112 | P a g e
Output SPSS sebagai berikut
Ranks
Jenis A 7 11,71
Daya_tahan
Jenis B 7 10,14
113 | P a g e
Jenis C 6 9,50
Total 20
Test Statisticsa,b
Daya_tahan
Chi-Square ,493
Df 2
Asymp. Sig. ,782
• Uji Hipotesis
Ho : Daya tahan ketiga jenis lampu sama
H1 : Daya tahan ketiga jenis lampu berbeda signifikan
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,782) > 0,05 maka Ho gagal tolak sehingga daya tahan ketiga jenis lampu sama
114 | P a g e
Output SPSS sebagai berikut
Frequencies
Jenis
115 | P a g e
Test Statisticsa
Daya_tahan
N 20
Median 1101,6000
Chi-Square 2,095b
Df 2
Asymp. Sig. ,351
• Uji Hipotesis
Ho : Daya tahan ketiga jenis lampu sama
H1 : Daya tahan ketiga jenis lampu berbeda signifikan
Dengan α = 0.05
Daerah Kritis
Ho ditolak jika P value < 0.05
Kesimpulan
Karena P value (0,351) > 0,05 maka Ho gagal tolak sehingga daya tahan ketiga jenis lampu sama
116 | P a g e
9 UJI ANOVA, TEORI SATU ARAH DAN DUA ARAH
Uji Anova adalah bentuk khusus dari analisis statistik yang banyak digunakan dalam
penelitian eksperimen. metode analisis ini dikembangkan oleh R.A Fisher. Uji Anova juga adalah
bentuk uji hipotesis statistik dimana kita mengambil kesimpulan berdasarkan data atau kelompok
statistik inferentif. Hipotesis nol dari uji Anova adalah bahwa data adalah simple random dari
populasi yang sama sehingga memiliki ekspektasi mean dan varians yang sama. Sebagai contoh
penelitian perbedaan perlakuan terhadap sampel pasien yang sama. Hipotesis nol nya adalah semua
perlakuan akan memiliki efek yang sama.
Meskipun uji t adalah statistik yang sering digunakan, hanya saja uji t dibatasi untuk menguji
hipotesis dua kelompok. Uji Anova atau Analisis varians (ANOVA) dikembangkan untuk
memungkinkan peneliti untuk menguji hipotesis perbandingan lebih dari dua kelompok. Dengan
demikian, uji-t dan uji anova adalah sama-sama metode statistik untuk perbandingan. Yang
membedakan keduanya adalah hanya jumlah kelompok yang dibandingkan.
117 | P a g e
Apa saja asumsi yang harus dipenuhi dalam uji Anova sebagai bentuk dari model linier, berikut
diantaranya:
1. Independensi observasi, setiap observasi dalam analisis anova harus bersifat independen.
2. Normalitas, Residual atau error harus mengikuti distribusi normal.
3. Homogenitas varians, varians antara kelompok yang dibandingkan harus homogen.
Mengingat uji Anova ini banyak digunakan dalam penelitian eksperimen, maka uji anova
dapat dibagi berdasarkan desainnya.
1. Anova satu arah, digunakan untuk menguji perbedaan diantara dua atau lebih kelompok dimana
hanya terdapat satu faktor yang dipertimbangkan. sebagai contoh membandingkan efek dosis obat
yang berbeda terhadap kesembuhan pasien.
2. Anova faktorial, merupakan pengembangan dari anova satu arah dimana ada lebih dari satu
faktor dan interaksinya yang dipertimbangkan. Misalnya bukan hanya faktor dosis obat tetapi juga
frekuensi pemberian obat. pada anova faktorial, interaksi atau kombinasi diantara faktor juga
dipertimbangkan. Pada contoh ini, interaksi antara dosis obat dan frekuensi pemberian obat dapat
dihitung pengaruhnya terhadap kesembuhan pasien. Anova dua arah (two way anova) termasuk
dalam Anova faktorial.
3. Anova reapeted measures, digunakan ketika dalam desain eksperimen mengijinkan subjek
penelitian diikutsertakan pada perlakuan yang berbeda. terkait contoh di atas, misalnya pasien
yang sama diberikan obat dengan dosis yang berbeda.
4. Multivariat Anova, berbeda dengan uji Anova yang hanya mengukur satu respon, Manova
mengukur lebih dari satu respon dalam satu kali eksperimen. misalnya kita meneliti dampak obat
pada beberapa dosis. Respon yang diteliti lebih dari satu misalnya kadar Trigleserida , LDL dan
HDL pada pasien.
Analisis varians (analysis of variance, ANOVA) adalah suatu metode analisis statistika
yang termasuk ke dalam cabang statistika inferensi. Dalam literatur Indonesia metode ini dikenal
dengan berbagai nama lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Ia
merupakan pengembangan dari masalah Behrens-Fisher, sehingga uji-F juga dipakai dalam
pengambilan keputusan. Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher,
bapak statistika modern. Dalam praktik, analisis varians dapat merupakan uji hipotesis (lebih
sering dipakai) maupun pendugaan (estimation, khususnya di bidang genetika terapan).
Pada materi sebelumnya, apabila peneliti ingin menguji perbedaan dari rata-rata satu
118 | P a g e
kelompok atau rata-rata dua kelompok uji z dan uji t. Gimana jika kelompoknya tiga atau lebih
apakah uji tersebut masih bisa digunakan? untuk uji perbedaan rata-rata tiga kelompok atau
lebih uji F yaitu dengan menggunakan Anova (analysis of variance).
Kenapa namanya Analysis of variance kenapa bukan analysis of means kan yang mau diuji
means atau rata-ratanya? Awalnya juga aku mikir kayak gitu. ternyata maksud dari analisis
ragam yaitu apabila kita ingin menguji apakah ada perbedaan rata-rata tiga kelompok atau lebih
dengan membandingkan varians. dengan membandingkan varians itu kita bisa mengetahui apakah
terdapat perbedaan atau tidak. perbandingan antar varians ini merupakan uji f tadi. Untuk lebih
jelasnya nanti akan dibahas.
H0: μ1 = μ2 = μ3 = ... = μn, Tidak ada perbedaan yang nyata antara rata-rata hitung dari n
kelompok
H1: μ1 ≠ μ2 ≠ μ3 ≠ ... ≠ μn, Ada perbedaan yang nyata antara rata-rata hitung dari n kelompok
119 | P a g e
3. Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan untuk berbagai
bentuk percobaan yang lebih rumit. Selain itu, analisis ini juga masih memiliki keterkaitan
dengan analisis regresi. Akibatnya, penggunaannya sangat luas di berbagai bidang, mulai
dari eksperimen laboratorium hingga eksperimen periklanan, psikologi, dan
kemasyarakatan.
9.4 ASUMSI-ASUMSI YANG HARUS DIPENUHI DALAM ANALISIS VARIANS
(ANOVA):
Pemilihan tipe ANOVA tergantung dari rancangan percobaan (experiment design) yang
kita pilih.
Sampel 1 4 8 7 6
Sampel 2 6 12 3 5
Sampel 3 4 - - 5
120 | P a g e
Terdapat 4 metode diet dan 3 golongan usia peserta program diet Berikut data rata-rata
penurunan berat peserta keempat metode dalam tiga kelompok umur.
Berdasarkan gambar di atas terlihat bahwa ada empat metode (kolom). Dari empat metode
itu dilakukan oleh beberapa orang tapi tiap metode dilakukan oleh orang yang berbeda. pada tabel
diatas terlihat data diperoleh dari sampel yang berbeda perlakuan antar kelompok karen itu kita
hanya bisa membandingkan antar metode tapi tidak bisa membandingkan antar orang karena setiap
tidak melakukan metode yang sama. Oleh karena itu dikatakan satu arah saja yaitu metode.
Contoh analisis One Ways ANOVA dengan SPSS
Kita ingin mengetahui apakah rata-rata pengalaman kerja sebelumnya berbeda ataukah
sama untuk job categori pegawai (clerical, custodial, dan manajer).
Langkah-langkah SPSS sebagai berikut.
121 | P a g e
122 | P a g e
123 | P a g e
Output SPSS sebagai berikut.
• Test of Homogeneity Variance
Levene’s test of homogeneity of variance dihitung oleh SPSS untuk menguji asumsi ANOVA
bahwa setiap grup (kategori) variabel independen memiliki variance sama. Jika Levene statistic
signifikan pada 0.05, maka kita dapat menolak hipotesis nol yang menyatakan grup memiliki
variance sama. Berikut ini output SPSS.
Levene's Test of Equality of Error Variancesa
Dependent Variable: Previous Experience
(months)
124 | P a g e
Hasil uji levene test menunjukkan bahwa nilai F test sebesar 2,544 dan tidak signifikan pada
0.05 (Pvalue > 0.05) yang berarti gagal tolak hipotesis nol yang menyatakan variance sama.
Berarti asumsi ANOVA terpenuhi bahwa variance sama. Pada kasus dimana asumsi ini dilanggar,
misalkan hasil uji levene test menunjukkan hasil Pvalue signifikan yang berarti variance tidak
sama (berbeda), hal ini tidak fatal untuk ANOVA dan analisis masih dapat diteruskan sepanjang
grup memiliki sample size yang sama (secara proporsional).
Oleh karena variabel jobcat signifikan pada 0.05, maka dapat disimpulkan bahwa jobcat
(kategori pekerjaan) mempengaruhi pengalaman kerja sebelumnya. Jadi terdapat perbedaan lama
pengalaman kerja antara jobcat. Besarnya nilai adjusted R squared 0.224 mempunyai arti bahwa
variabilitas pengalaman kerja sebelumnya yang dapat dijelaskan oleh variabilitas kategori
pekerjaan sebesar 22.4%.
125 | P a g e
Hasil Tukey HSD maupun Bonferoni menunjukkan bahwa terdapat perbedaan pengalaman
kerja sebelumnya antara pegawai clerical dan pegawai custodial dengan rata-rata perbedaan
pengalaman kerja 213.07 bulan dan secara statistik signifikan dengan p = 0.000. Perbedaan
pengalaman kerja antara pegawai clerical dan manager sebesar 7.42 bulan perbedaan ini kecil dan
secara statistik tidak signifikan (Pvalue (0.784) > 0.05). Sedangkan perbedaan pengalaman kerja
sebelumnya antara pegawai custodial dan manager sebesar 220.49 bulan dan secara statistik
signifikan ( p = 0.000).
• Homogenous Subset
Tukey test memberikan informasi tambahan melalui tabel subset. Tabel ini memberikan
informasi kategori variabel independen dan nilai rata-ratanya (mean).
1 2
Manager 84 77,62
126 | P a g e
b. The group sizes are unequal. The harmonic mean of the group sizes is used.
Type I error levels are not guaranteed.
c. Alpha = ,05.
Pada subset satu berisi nilai rata-rata pengalaman kerja sebelumnya dalam bulan untuk
kategori pegawai clerical dan manager. Nilai signifikansi 0.902 menyatakan bahwa rata-rata
pengalaman kerja antara pegawai clerical dan manager (dalam satu subset) tidak berbeda secara
statistik. Sedangkan pada subset dua merupakan nilai rata-rata pengalaman kerja untuk pegawai
custodial. Oleh karena rata-rata pengalaman kerja sebelumnya pegawai clerical dan manager tidak
berbeda, maka ada pada satu subset kolom pertama. Sedangkan rata-rata pengalaman kerja
pegawai custodial berbeda dengan pegawai clerical dan manager, maka ada pada subset sendiri
dikolom kedua.
9.5.2 ANOVA DUA ARAH TANPA INTERAKSI ANOVA TWO WAY WITHOUT
INTERACTION
Jenis anova yang kedua yaitu anova dua arah tanpa interaksi. Artinya bahwa bisa
dilakukan interaksi antara kelompok dan perlakuan. maksdunya bisa membandingkan antar
antar kelompok atau kah antar perlakuan. berikut contoh kasus.
< 20 tahun 5 6 2 3
20-40 2 7 5 3
> 40 tahun 7 3 4 3
Terdapat 4 metode diet dan 3 golongan usia peserta program diet. Berikut data rata-rata
penurunan berat peserta keempat metode dalam tiga kelompok umur.
Berdasarkan gambat tersebur terlihat bahwa setiap metode memiliki perlakuan yang sama
sehingga bisa dikatakan ada hubungan dua arah. tapi tidak ada interaksi.
127 | P a g e
Contoh analisis Two Ways ANOVA dengan SPSS
Jika variabel kategori independen jumlahnya dua misalkan jobcat (kategori kerja) dan
gender, maka disebut dengan two ways anova. Sebagai misal kita ingin menegetahui apakah ada
perbedaan pengalaman kerja sebelumnya dilihat dari kategori pekerjaan dan gender.
Langkah-langkah SPSS sebagai berikut.
128 | P a g e
129 | P a g e
130 | P a g e
131 | P a g e
Output SPSS sebagai berikut.
Output SPSS memberikan peringatan bahwa Post Hoc Test tidak dapat dilakukan untuk
variabel gender karena variabel ini hanya punya dua kategori wanita atau laki-laki. Post Hoc hanya
akan dilakukan kalau kategori variabel independen lebih dari dua.
Levene's Test of Equality of Error Variancesa
Dependent Variable: Previous Experience
(months)
Hasil dari uji levene’s test menunjukkan bahwa tidak terdapat perbedaan variance oleh
karena F hitung sebesar 1.913 secara statistik tidak signifikan (p = 1.07) secara statistik gagal
tolak H0 yang artinya variance sama (memenuhi asumsi ANOVA).
132 | P a g e
Tests of Between-Subjects Effects
Dependent Variable: Previous Experience (months)
Hasil uji ANOVA menunjukkan bahwa terdapat pengaruh langsung jobcat terhadap pengalaman
kerja sebelumnya. Hal ini terlihat dari nilai F sebesar 62.863 dan signifikan pada p = 0.000.
Sedangkan variabel gender ternyata tidak mempengaruhi pengalaman kerja sebelumnya, hal ini
ditunjukkan oleh nilai F sebesar 3.308 dengan signifikansi p=0.070 lebih besar dari 0.05. nilai R
adjusted sebesar 0.228 berarti variabilitas variabel jobcat dan gender sebesar 22.8%.
Berapakah perbedaan pengalaman kerja sebelumnya antar kategori kerja dan gender dapat dilihat
pada hasil output Bonferoni test dan tukey test. Untuk variabel gender tidak dapat dilakukan test
Bonferoni dan Tukey karena variabel gender memiliki kategori kurang dari tiga.
Berikut ini hasil uji bonferoni dan Tukey dan intepretasinya dapat dilihat pada contoh one way
ANOVA.
133 | P a g e
Previous Experience (months)
1 2
Manager 84 77,62
9.5.3 ANOVA DUA ARAH DENGAN INTERAKSI ANOVA TWO WAY WITH
INTERACTION
Sebelum ini dijelaskan anova dua arah tanpa interaksi, dikatakan anova dengan interaksi ketika
setiap kolom [perlakuan] dan blok [baris] diulang. Langsung kecontoh saja.
< 20 tahun
5 0 3 4
#1
4 2 4 2
#2
5 1 8 2
#3
20-40 tahun
5 4 2 5
#1
6 2 2 3
#2
2 1 4 2
#3
4 5 2 6
> 40 tahun 4 5 1 4
#1 5 0 2 4
134 | P a g e
#2
#3
Terdapat 4 metode diet, 3 kelompok umur dan 3 ulangan. Berikut adalah data rata-rata
penurunan berat badan setelah 1 bulan melakukan diet. Ujilah apakah penurunan berat badan sama
untuk setiap metode diet, kelompok umur dan interaksi dengan taraf uji 5 %?
Contoh analisis Two Ways ANOVA with Main Effect dan Interaction Effect dengan SPSS
Dalam ANOVA kita juga dapat melakukan analisis hubungan moderating antar variabel
kategori independen yaitu dengan cara melakukan interaksi antar variabel independen. Sebagai
misal kita ingin mengetahui pengaruh langsung variabel kategori kerja (jobcat) dan gender
terhadap gaji akhir karyawan (current sallary) dan pengaruh moderasi (interaksi antara jobcat
dengan gender) terhadap gaji akhir karyawan.
Langkah-langkah SPSS sebagai berikut.
135 | P a g e
136 | P a g e
137 | P a g e
138 | P a g e
Output SPSS sebagai berikut
Hasil uji Levene’s test menunjukkan bahwa terdapat perbedaan variance.
139 | P a g e
Tests of Between-Subjects Effects
Dependent Variable: Current Salary
96456357285,1 24114089321,2
Corrected Model 4 272,780 ,000
04a 76
177271943071, 177271943071,
Intercept 1 2005,313 ,000
927 927
32316332041,2 16158166020,6
Jobcat 2 182,782 ,000
98 49
5247440731,56 5247440731,56
Gender 1 59,359 ,000
8 8
1247682866,73 1247682866,73
jobcat * gender 1 14,114 ,000
7 7
41460138151,2
Error 469 88401147,444
36
699467436925,
Total 474
000
137916495436,
Corrected Total 473
340
Hasil uji ANOVA menunjukkan bahwa terdapat pengaruh langsung antara variabel
independen jobcat dan gender. Jobcat memberikan nilai F sebesar 182.782 dan signifikan pada
0.05, hal ini berarti ada perbedaan rata-rata gaji akhir antar kategori kerja, gender memberikan
nilai F sebesar 59.359 dan signifikan pada 0.05, hal ini berarti terdapat perbedaan rata-rata gaji
antara pegawai laki-laki dan wanita. Hasil interaksi antara jobcat dan gender memberikan nilai F
sebesar 14.114 dan signifikan pada 0.05, hal ini berarti terdapat pengaruh bersama atau joint effect
antara jobcat dan gender terhadap rata-rata gaji pegawai.
Adjusted R Squared sebesar 69,7% berarti variabilitas gaji akhir yang dapat dijelaskan oleh
variabel jobcat, gender dan interaksi antara jobcat dan gender sebesar 69,7%. Hubungan interaksi
ini akan terlihat jelas dengan grafik dibawah ini :
140 | P a g e
Pegawai laki-laki dengan jabatan clerical dan manager memiliki rata-rata gaji yang lebih
tinggi dibandingkan pegawai wanita. Sedangkan untuk jabatan custodial terjadi sebaliknya bahwa
pegawai wanita memiliki rata-rata gaji yang lebih tinggi dibandingkan laki-laki.
141 | P a g e
10 ANALYSIS OF COVARIANCE (ANCOVA)
Tujuan
Tujuan ANCOVA adalah untuk mengetahui/melihat pengaruh perlakuan terhadap peubah respon
dengan mengontrol peubah lain yang kuantitatif.
10.2 MODEL MATEMATIS
Model ANCOVA dengan satu covariate :
j = 1, 2, ...ni
dimana:
142 | P a g e
1. X adalah fixed, diukur tanpa error dan independen terhadap perlakuan (tidak
dipengaruhi oleh perlakuan).
H0 : τ1 = τ2 = ...= τa = 0
143 | P a g e
Jika angka Sig.<0.05 maka H0 ditolak, yang berarti hubungan linier antara covariate dengan
peubah respon.
Pengujian untuk mengetahui pengaruh perbedaaan perlakuan terhadap peubah respon,
dengan menghilangkan pengaruh covariate
Hipotesis
H0 : τ1 = τ2 = ...= τa = 0 (Tidak ada pengaruh perbedaaan perlakuan terhadap peubah respon)
H1 : sekurang-kurangnya ada satu τi ≠ 0, i = 1, 2, ...a (Ada pengaruh perbedaaan perlakuan terhadap
peubah respon)
Kriteria Keputusan
Jika angka Sig.>0.05 maka H0 tidak ditolak, yang berarti tidak ada pengaruh perbedaan perlakuan
terhadap peubah respon.
Jika angka Sig.<0.05 maka H0 ditolak, yang berarti ada pengaruh perbedaan perlakuan terhadap
peubah respon.
Contoh kasus
Suatu penelitian dilakukan di sebuah perguruan tinggi untuk mengetahui apakah ada pengaruh
perbedaan dosen pengajar terhadap nilai mata kuliah mahasiswa, misal mata kuliah A. Di
perguruan tinggi tersebut terdapat 3 orang dosen yang mengajar mata kuliah yang sama, misal
Dosen I, Dosen II, dan Dosen III.
Dalam kasus di atas, peubah-peubah yang digunakan adalah:
• Peubah respon (y) yaitu nilai yang diperoleh mahasiswa untuk mata kuliah tersebut
• Perlakuan/treatment yaitu dosen pengajar (terdapat 3 kategori)
144 | P a g e
Dalam kenyataaannya terdapat faktor-faktor lain yang juga mempengaruhi nilai
mahasiswa, misalnya IQ. Oleh karenanya digunakan IQ sebagai peubah kontrol
(covariate) untuk mengurangi tingkat kesalahan.
145 | P a g e
Perbandingan Model Type 3 dan 1, antara lain :
146 | P a g e
Output SPSS sebagai berikut.
Model Type 3
Dari output di atas terlihat bahwa angka signifikansi untuk peubah IQ adalah 0,000.
karena nilai Sig.<0,05 maka H0 ditolak. Hal ini berarti bahwa pada tingkat kepercayaan 95%
147 | P a g e
dapat dikatakan ada hubungan linier antara IQ dengan nilai yang diperoleh oleh mahasiswa.
Pernyataan ini mengindikasikan bahwa asumsi ANCOVA telah terpenuhi.
Pengujian ini dilakukan dengan menghilangkan pengaruh perbedaan dosen dari model terlebih
dahulu. Selanjutnya dilakukan pengujian untuk mengetahui pengaruh perbedaan dosen
pengajar terhadap nilai yang diperoleh mahasiswa. Pengujian ini dilakukan dengan
menghilangkan pengaruh IQ dari model. Dari hasil pengolahan terlihat bahwa angka
signifikansi untuk peubah dosen adalah 0,024. Karena nilainya jauh di bawah 0,05 maka H0
ditolak. Sehingga dapat disimpulkan bahwa tanpa pengaruh IQ, pada tingkat kepercayaan
95% ada pengaruh perbedaan dosen pengajar terhadap nilai yang diperoleh mahasiswa.
Untuk mengetahui pengaruh IQ mahasiswa dan perbedaaan dosen pengajar terhadap nilai
yang diperoleh mahasiswa secara simultan dapat dilihat dari angka signifikansi pada bagian
Corrected Model. Terlihat bahwa angka signifikansinya adalah sebesar 0,000. Karena nilai
signifikansi jauh di bawah 0,05 maka H0 ditolak. Sehingga pada tingkat kepercayaan 95%
dapat disimpulkan bahwa secara simultan IQ mahasiswa dan dosen pengajar berpengaruh
terhadap nilai yang diperoleh mahasiswa.
Note : Jika dari hasil pengujian menunjukkan bahwa perlakuan berpengaruh terhadap model,
sedangkan covariate tidak, maka hilangkan covariate dan run dengan SPSS lagi.
Model Type 1
148 | P a g e
Karena menggunakan SS Type I maka pengujian hanya dilakukan untuk mengetahui
pengaruh perbedaaan dosen pengajar terhadap nilai mahasiswa. Pengujian ini dilakukan dengan
menghilangkan pengaruh IQ dari model. Dari hasil pengolahan terlihat bahwa angka signifikansi
untuk peubah dosen adalah 0,024. Karena nilainya jauh di bawah 0,05 maka H0 ditolak. Sehingga
dapat disimpulkan bahwa tanpa pengaruh IQ, pada tingkat kepercayaan 95% ada pengaruh
perbedaan dosen pengajar terhadap nilai yang diperoleh mahasiswa.
Untuk mengetahui pengaruh IQ mahasiswa dan perbedaaan dosen pengajar terhadap nilai
yang diperoleh mahasiswa secara simultan dapat dilihat dari angka signifikansi pada bagian
Corrected Model. Terlihat bahwa angka signifikansinya adalah sebesar 0,000. Karena nilai
signifikansi jauh di bawah 0,05 maka H0 ditolak. Sehingga pada tingkat kepercayaan 95% dapat
disimpulkan bahwa secara simultan IQ mahasiswa dan dosen pengajar berpengaruh terhadap nilai
yang diperoleh mahasiswa.
149 | P a g e
11 MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA)
Perbedaan utama antara ANOVA dan MANOVA terletak pada banyaknya jumlah variable
dependennya. Pada MANOVA jumlahnya variable dependen lebih dari satu (metric atau
interval) dan variable independen jumlah nya dapat satu atau lebih (non-metrik atau nominal).
Apabila kita memasukkan variable covariate pada variable independennya maka menjadi
Multivariate Analysis of Variance (MANCOVA). Berikut ini contoh model MANOVA,
sebagai misal kita ingin mengetahui apakah rata-rata gaji (current salary) dan pengalaman kerja
sebelumnnya (prevexp) berbeda atau sama untuk kategori pekerja (jobcat).
150 | P a g e
151 | P a g e
Output SPSS sebagai berikut
Box's M 220.377
F 36.046
df1 6
df2 39728.762
Sig. .000
Uji Box test digunakan untuk menguji asumsi MANOVA yang mensyaratkan bahwa matrik
variance/covariance dari variable dependen adalah sama (tidak berbeda). Terlihat bahwa nilai
Box;s M test adalah 220.377 dan nilai F test sebesar 36.046 dengan tingkat signifikansi 0.000
yang jauh dibawah 0.05, sehingga hipotesis nol yang menyatakan matrik variance/covariance
152 | P a g e
sama ditolak. Hal ini berarti matrik variance / covariance dari variable dependen berbeda. Hasil
uji ini menyalahi asumsi MANOVA. Namun demikian hasil nilai F test robust walaupun
menyalahi asumsi MANOVA, maka analisis masih dapat kita teruskan.
Multivariate Testsa
Uji multivariate digunakan untuk menguji apakah setiap factor (jobcat) mempengaruhi grup
variable dependen. SPSS memberikan 4 macam test signifikansi multivariate yaitu Pillai Trace,
Wilk Lambda, Hotelling Trace dan Roy’s. Hotelling’s trace digunakan untuk dua kelompok
variable dependen, Wilks’ Lambda digunakan jika terdapat lebih dari dua grup variable
dependen.
Hasil uji multivariate menunjukkan nilai F test untuk Hotelling Trace sebesar 251.222 dan
signifikan pada 0.000. Hal ini berarti terdapat hubungan antara jobcat dengan dua variable yaitu
gaji akhir dan pengalaman kerja sebelumnya.
Tests the null hypothesis that the error variance of the dependent variable is
equal across groups.
a. Design: Intercept + jobcat
153 | P a g e
MANOVA mengasumsikan bahwa setiap variable dependen memiliki variance yang sama
untuk semua grup. Levene’s test menguji asumsi ini. Untuk variable gaji akhir (current salary)
ternyata signifikan pada 0.05 yang berarti memiliki variance yang berbeda dan hal ini
menyalahi asumsi MANOVA (yang dikehendki variance sama). Variable pengalaman kerja
sebelumnya ternyata tidak signifikan pada 0.05 yang berarti memiliki variance sama dan sesuai
dengan asumsi MANOVA. Walaupun asumsi variance sama dilanggar, MANOVA masih tetap
robust sehingga analisis dapat kita teruskan.
89438483925.94 44719241962.97
Current Salary 2 434.481 .000
3a 1
Corrected Model
Previous Experience
1174906.874b 2 587453.437 69.192 .000
(months)
291486090520.4 291486090520.4
Current Salary 1 2832.005 .000
57 57
Intercept
Previous Experience
4106802.719 1 4106802.719 483.709 .000
(months)
89438483925.94 44719241962.97
Current Salary 2 434.481 .000
3 1
jobcat
Previous Experience
1174906.874 2 587453.437 69.192 .000
(months)
48478011510.39
Current Salary 471 102925714.459
7
Error
Previous Experience
3998899.936 471 8490.233
(months)
699467436925.0
Current Salary 474
00
Total
Previous Experience
9529528.000 474
(months)
137916495436.3
Current Salary 473
40
Corrected Total
Previous Experience
5173806.810 473
(months)
Test of between subject effects menguji pengaruh univariate ANOVA untuk setiap factor
terhadap variable dependen. Signifikansi nilai F test digunakan untuk menguji hal ini. Nilai F
154 | P a g e
test untuk hubungan anatara jobcat dan gaji akhir sebesar 434.48 dan signifikan pada 0.05 yang
berarti ada perbedaan gaji akhir antara kategori pekerjaan. Begitu juga dengan hubungan antara
jobcat dan pengalaman kerja sebelumnya memberikan nilai F test 69.192 dan signifikan pada
0.05 hal ini berarti terdapat perbedaan lama pengalaman kerja sebelumnya antara kategori
pekerjaan.
Besarnya nilai adjusted R squared untuk gaji akhir adalah 64.7%. Sedangkan, untuk
pengalaman kerja sebelumnya sebesar 22.4%.
Besarnya perbedaan rata-rata gaji akhir dan rata-rata pengalaman kerja sebelumnya
dalam bulan dapat dilihat pada output test post hoc.
Hasil uji Tukey menunjukkan bahwa terdapat perbedaan gaji akhir antara kategori pekerjaan clirical
(kode 1) dan manager (kode 3), begitu juga terdapat perbedaan gaji akhir antara kategori pekerjaan
custodial (kode 2) dan manager (kode 3). Untuk variable pengalaman kerja sebelumnya terdapat
perbedaan pengalaman kerja antara kategori pekerjaan clerical (kode 1) dan custodial (kode 2),
begitu juga antara kategori pekerjaan custodial (kode 2) dan manager (kode 3).
155 | P a g e
12 REGRESI DENGAN UJI ASUMSI KLASIK, VARIABEL
DUMMY DAN CHOW TEST
12.1 Pendahuluan
Seperti telah dibahas pada metode regresi linier, bahwa regresi dengan metode estimasi
Ordinary Least Squares (OLS) akan memberikan hasil yang Best Linear Unbiased Estimator
(BLUE) jika memenuhi semua asumsi klasik. Pada contoh model regresi kita dengan
persamaan INCOME = f (SIZE, EARNS, WEALTH, SAVING) setelah kita uji asumsi klasik
terpenuhi kecuali asumsi normalitas data residual dan heteroskedastisitas yang tidak terpenuhi.
Oleh karena itu, kita akan mentransformasi variable dependen dan independen menjadi bentuk
logaritma naturasl sehingga persamaan regresinya menjadi Ln INCOME = f (Ln SIZE, Ln
EARNS, Ln WEALTH, Ln SAVING) dan kita uji kembali semua asumsi yang ada.
156 | P a g e
Dari gambar scatterplots terlihat titik-titik menyebar secara acak (random) baik di atas maupun
dibawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi.
12.1.4 Uji Normalitas Residual
Grafik histogram dan normal probability plots dibawah ini menunjukkan apakah residual
terdistribusi secara normal atau tidak.
Dari grafik histogram tampak bahwa residual terdistribusi secara normal dan berbentuk
simetris tidak menceng ke kanan atau ke kiri. Pada grafik normal probability plots titik-titik
menyebar berhimpit di sekitar diagonal dan hal ini menunjukkan bahwa residual terdistribusi
secara normal.
Uji Kolmogorov-Smirnov dapat dilakukan untuk menguji apakah residual terdistribusi secara
normal. Hasil uji Kolmogorov-Smirnov tampak dibawah ini.
Nilai Test statistics Kolmogorov-Smirnov sebesar 0.103 dan signifikan pada 0.05 (karena
p=0.031>0.05). Jadi kita tidak dapat menolak H0 yang mengatakan bahwa residual terdistribusi
secara normal atau dengan kata lain residual berdistribusi normal.
Jadi secara keseluruhan dapat disimpulkan bahwa model regresi yang memenuhi syarat uji
asumsi klasik adalah dalam bentuk logaritma natural. Langkah selanjutnya adalah menganalisis
hasil regresi.
Koefisien determinasi digunakan untuk menguji goodness of fit dari model regresi. Besarnya
nilai adjusted R2 sebesar 0.768 yang berarti variabilitas variable dependen yang dapat
dijelaskan oleh variabilitas variabel independen sebesar 76.8%. Jadi model cukup baik.
Sedangkan, sisanya 23.2% dijelaskan oleh variabel lainnya yang tidak dimasukkan dalam
model regresi.
157 | P a g e
158 | P a g e