DAFTAR ISI

DAFTAR ISI ......................................................................................................................................................... 1

1 ISTILAH DASAR DALAM STATISTIK.................................................................................................. 4
1.1 STATISTIK DAN STATISTIKA ......................................................................................................... 4
1.2 DATA ................................................................................................................................................... 4
1.2.1 DATA KUALITATIF .................................................................................................................. 4
1.2.2 DATA KUANTITATIF ............................................................................................................... 4
1.3 VARIABEL .......................................................................................................................................... 6
1.4 ANALISIS DATA ................................................................................................................................ 6
1.5 TUJUAN ANALISIS DATA ................................................................................................................ 6
1.6 METODE PENGUMPULAN DATA ................................................................................................... 6
1.7 METODE ANALISIS DATA ............................................................................................................... 8
1.8 PEDOMAN PENGGUNAAN PARAMETER PADA STATISTIK INFERENSIAL .......................... 8
1.9 SOLUSI................................................................................................................................................. 9
1.10 HIPOTESIS ......................................................................................................................................... 10
1.11 UJI HIPOTESIS .................................................................................................................................. 10
1.12 SIGNIFIKANSI .................................................................................................................................. 10
1.13 PROBABILITAS (P VALUE) ............................................................................................................ 11
1.14 DEGREE OF FREEDOM (DF) .......................................................................................................... 11
1.15 ANALISIS-ANALISIS DENGAN SPSS ........................................................................................... 11
2 TEKNIK SAMPLING ............................................................................................................................... 13
2.1 POPULASI DAN SAMPEL ............................................................................................................... 13
2.2 SYARAT SAMPEL YANG BAIK ..................................................................................................... 13
2.3 TEKNIK-TEKNIK PENGAMBILAN SAMPEL ............................................................................... 15
2.3.1 PROBABILITY SAMPLING .................................................................................................... 15
2.3.2 NON-PROBABILITY SAMPLING .......................................................................................... 18
3 UJI INSTRUMEN PENGUMPULAN DATA ......................................................................................... 20
3.1 UJI VALIDITAS................................................................................................................................. 20
3.1.1 BIVARIATE PEARSON (Korelasi Produk Momen Pearson) ................................................... 20
3.1.2 CORRECTED ITEM-TOTAL CORRELATION ...................................................................... 21
3.2 UJI REALIBILITAS ........................................................................................................................... 23
4 UJI ASUMSI DASAR ................................................................................................................................ 26
4.1 UJI ASUMSI DASAR ........................................................................................................................ 26
4.1.1 UJI NORMALITAS ................................................................................................................... 26
4.1.2 UJI HOMOGENITAS ................................................................................................................ 27
4.1.3 UJI LINEARITAS ...................................................................................................................... 29
4.1.4 UJI MULTIKOLINEARITAS ................................................................................................... 30

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

1.1 STATISTIK DAN STATISTIKA

Statistika adalah metode ilmiah yang mempelajari cara mengumpulkan, mengelola,
menghitung, menganalisa dan juga menarik kesimpulan tentang data. Sedangkan statistik adalah
kumpulan angka-angka mengenai suatu masalah, dan dapat memberikan gambaran mengenai
masalah tersebut. Sebagai contoh, dalam sebuah iklan di televisi, “75% wanita indonesia
menggunkan krim pemutih X”. Dalam hal ini, persentase wanita sebesar 90% merupakan ukuran
yang disebut sebagai statistik. Contoh lain, misalkan rata-rata berat badan siswa adalah 60 kg.
Disini, rata-rata tersebut merupakan 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.

1.2.1 DATA KUALITATIF

Data kualitatif adalah data yang tidak dinyatakan dalam bentuk angka, melainkan
dinyatakan dalam bentuk kata, kalimat, gambaran, atau bagan.

1.2.2 DATA KUANTITATIF

Data kuantitatif adalah data yang dinyatakan dalam bentuk angka. Tipe-tipe data kuantitatif
adalah 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.

1.4 ANALISIS DATA

Adalah proses mengolah data dan menginterpretasikan hasil pengolahan data. Jenis-jenis analisis
sebagai berikut.

• 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.

1.5 TUJUAN ANALISIS DATA

Tujuan dari analisis data antara lain sebagai berikut :

• 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.

1.6 METODE PENGUMPULAN DATA

Ada beberapa macam metode untuk memperoleh data yaitu :

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.

1.7 METODE ANALISIS DATA

• Metode statistik parametrik adalah metode analisis data dengan menggunakan parameter-
parameter tertentu seperti mean, median, standar deviasi, distribusi data normal dan lain-
lain.
• Metode statistik non parametrik adalah metode analisis data tanpa menggunakan
parameter-parameter tertentu seperti mean, median, standart deviasi, serta distribusi data
tidak harus normal.

1.8 PEDOMAN PENGGUNAAN PARAMETER PADA STATISTIK INFERENSIAL

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

Dua sampel T test Sign Test

berhubungan
Wilcoxon Signed-Rank
(dependen) Z test
McNemar Charger Test

T test Mann-Whitney U test

Dua sampel tidak Moses extreme reactions

berhubungan Chi-Square test
(independen) Z test Kolmogorov-Smirnov
test
Walt-Wolfowitz runs

Beberapa sampel Friedman test

berhubungan
Kendall W test
(dependen)
Cochran's Q

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.

1.11 UJI HIPOTESIS

Adalah pengujian yang bertujuan untuk mengetahui apakah kesimpulan pada sampel dapat
berlaku untuk populasi (dapat digeneralisasi) ataukah tidak.

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%.

1.13 PROBABILITAS (P VALUE)

Adalah peluang munculnya kejadian. Besarnya peluang melakukan kesalahn disebut taraf
signifikansi (tingkat signifikansi), jadi taraf signifikansi bisa dinyatakan dengan probabilitas
(nilainya sama). Misal ada 100 kejadian dengan probabilitas 5%, artinya bahwa peluang
munculnya kesalahan akan terjadi sebanyak 5 kali dalam 100 kejadian. Nilai inilah yang akan
digunakan pada setiap uji hipotesis dalam buku ini. Cara penggunaannya adalah dibandingkan
dengan nilai signifikansi yang telah ditentukan.

1.14 DEGREE OF FREEDOM (DF)

Adalah derajat ketergantungan banyaknya observasi (n) dan banyak variabel independen.
DF ini digunakan untuk menentukan nilai kritis.

1.15 ANALISIS-ANALISIS DENGAN SPSS

ANALISIS DAN PENGUJIAN ALAT ANALISIS
Uji Instrumen Data - Correlate Bivariate (Pearson)
- Uji Validitas - Reliability (Corrected Item-Total Correlations)
- Uji Realibilitas - Reliability (Alpha)

Uji Asumsi Dasar

- Uji Normalitas - Explore (One Sample kolmogorov-Smirnov)
- One Way Anova (Tes Of Homogeneity Of
- Uji Homogenitas Variances)
- Uji Linearitas - Compare Means (Test Of Linearity)

Uji Penyimpangan Asumsi Klasik

- Uji Mutikolinearitas - Regressions Linear (VIF)
- Regression Linear (Meregresikan Lne2 dengan
- Uji Heteroskedastisitas LnX)
- Uji Autokorelasi - Regression linear (Durbin-Watson)

11 | P a g e
Statistik Deskriptif - Descriptives

Analisis Korelasi Sederhana

- Uji Signifikansi Korelasi sederhana - Correlasi Bivariate (Pearson Product moment)
- T-test

Analisis Regresi Linear Berganda

- Analisis Korelasi Ganda - Regression Linear (Multiple Regression)
- Analisis Determinasi - Model Summary (R)
- Uji Koefisien Regresi secara Bersama-
sama - Model Summary (R2 atau Adjusted R2)
- Uji Koefisien regresi secara Parsial - ANOVA (F Test)
- T-test

Uji Perbedaan Rata-Rata

- Pengujian Satu Sampel - Compare Means (One Sample T-Test)
- Pengujian Dua Sampel Tidak
Berhubungan - Compare means (Independent Sample T-Test)
- Pengujian Dua Sampel Berpasangan - Compare means (Paired Sample T-Test)
- Pengujian Varian Satu Jalur - Compare Means (One Way ANOVA)

Uji Chi Square (X^2)

- Crosstab (Pearson Chi Square)
- Koefisien Kontingensi
- Crosstab (Symetric Measures)

12 | P a g e
 2 TEKNIK SAMPLING

2.1 POPULASI DAN SAMPEL

Populasi atau universe adalah jumlah keseluruhan dari satuan-satuan atau individu-individu yang
karakteristiknya hendak diteliti. Dan satuan-satuan tersebut dinamakan unit analisis, dan dapat
berupa orang-orang, institusi-institusi, benda-benda, dst.

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.

2.2 SYARAT SAMPEL YANG BAIK

Terdapat dua syarat yang harus dipenuhi dalam prosedur pengambilan sampel, yaitu
representatif (dapat mewakili karakteristik populasi) dan besamya memadai (Atherton. dan
Clemmack, 1982 dalam Busnawir). Dikatakan representatif apabila ciri-ciri sampel sama atau
hampir sama dengan ciri-ciri populasi. Dengan sampel yang representatif, maka informasi yang
dihasilkan relatif sama dengan informasi yang dikandung populasinya. Sehingga kesimpulan dari
hasil penelitian sampel dapat berlaku bagi populasi. Sebagaimana yang dikemukakan Vockel &
Asher (1995) dalam Setyosari (2007:143), “the sample must be representative of the population
about which we wish to make generalizations”.
Ibnu, Dasna, dan Mukhadis (2003:64) menyebutkan beberapa pertimbangan yang
menentukan representatifnya suatu sampel adalah sebagai berikut.
1. Suatu sampel yang baik harus memenuhi jumlah yang memadai sehingga dapat menjaga
kestabilan ciri-ciri populasi. Berapa besar sampel yang memadai bergantung kepada sifat

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.

2.3 TEKNIK-TEKNIK PENGAMBILAN SAMPEL

Teknik pengambilan sampel atau teknik sampling adalah teknik pengambilan sampel dari
populasi. Sampel yang merupakan sebagaian dari populasi tsb. kemudian diteliti dan hasil
penelitian (kesimpulan) kemudian dikenakan pada populasi (generalisasi).
• Manfaat sampling
1) Menghemat beaya penelitian.
2) Menghemat waktu untuk penelitian.
3) Dapat menghasilkan data yang lebih akurat.
4) Memperluas ruang lingkup penelitian.
Secara umum, ada dua jenis teknik pengambilan sampel yaitu :

2.3.1 PROBABILITY SAMPLING

Probability Sampling ialah teknik untuk memberikan peluang yang sama pada setiap
anggota populasi untuk dipilih menjadi anggota sampel. Dengan kata lain cara pengambilan
sampel yang memberikan kesempatan yang sama untuk diambil kepada setiap elemen populasi.
Probability sampling terbagi menjadi beberapa cara yaitu :

2.3.1.1 SIMPLE RANDOM SAMPLING

Simple random sampling ialah cara pengambilan sampel dari anggota populasi dengan
menggunakan acak tanpa memperhatikan strata (tingkatan) dalam anggota populasi tersebut. Hal

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.

2.3.1.2 STRATIFIED RANDOM SAMPLING

Karena unsur populasi berkarakteristik heterogen dan heterogenitas tersebut mempunyai
arti yang signifikan pada pencapaian tujuan penelitian, maka peneliti dapat mengambil sampel
dengan cara ini. Misalnya, seorang peneliti ingin mengetahui sikap manajer terhadap satu
kebijakan perusahaan. Dia menduga bahwa manajer tingkat atas cenderung positif sikapnya
terhadap kebijakan perusahaan tadi. Agar dapat menguji dugaannya tersebut, maka setidaknya
sampel terdiri atas para manajer tingkat atas, menengah dan bawah. Dengan teknik pemilihan
sampel secara random distratifikasikan, maka dia akan memperoleh manajer di ketiga tingkatan
tersebut, yaitu stratum manager atas, manager menengah dan manager bawah. Dari setiap stratum
tersebut dipilih sampel secara acak. Pada saat menentukan jumlah sampel dalam setiap stratum,
peneliti dapat menentukan secara :

• 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.

2.3.1.3 CLUSTER SAMPLING

Teknik ini biasa juga diterjemahkan dengan cara pengambilan sampel berdasarkan gugus.
Berbeda dengan teknik pengambilan sampel acak yang distratifikasikan, dimana setiap unsur
dalam satu stratum memiliki karakteristik yang homogen (stratum A : laki-laki semua, dan stratum

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.

2.3.1.4 SYSTEMATIC SAMPLING

Jika peneliti dihadapkan pada ukuran populasi yang banyak dan tidak memiliki alat pengambil
data secara random, cara pengambilan sampel sistematis dapat digunakan. Cara ini menuntut
kepada penelitiuntuk memilih unsur populasi secara sistematis, yaitu unsur populasi yang bisa
dijadikan sampel adalah yang “ke berapa”. Langkah pengambilan sampel sebagai berikut.

• Populasi diurutkan terlebih dahulu

• Pemilihan random diperoleh dengan cara mencari angka kelipatannya.
• Angka kelipatan diperoleh dari : populasi / sampel, misal : 100/50= 2
• Hasil pemilihan sampel dengan angka kelipatan 2 adalah : 2, 4, 6, 8, 10, 12, 14, 16, 18, 20,
22, 24 dan seterusnya.

2.3.1.5 AREA SAMPLING

Teknik ini dipakai ketika peneliti dihadapkan pada situasi bahwa populasi penelitiannya
tersebar diberbagai wilayah. Misalnya, seorang marketing manager sebuah stasiun TV ingin
mengetahui tingkat antusiasme masyarakat Jawa Barat atas suatu program tayangan TV, teknik
pengambilan sampel dengan area sampling sangat tepat. Sebagai contoh, misalnya di indonesia
ada 33 provinsi dan sampelnya akan menggunakan 10 provinsi, maka pengambilan 10 provinsi itu
dilakukan secara random. Tetapi karena provinsi-provinsi di indonesia menempati strata-strata
tertentu, maka pengambilan sampelnya perlu menggunakan stratified random sampling. Teknik
sampling daerah ini sering dilakukan melalui dua tahap, yaitu tahap pertama menentukan sampel
daerah, dan tahap berikutnya menentukan orang-orang yang ada di daerah itu secara random juga.

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:

2.3.2.1 CONVENIENCE SAMPLING /ACCIDENTAL SAMPLING

Dalam memilih sampel, peneliti tidak mempunyai pertimbangan lain kecuali berdasarkan
kemudahan saja. Seseorang diambil sebagai sampel karena kebetulan orang tadi ada disitu atau
kebetulan dia mengenal orang tersebut. Oleh karena itu ada beberapa penulis menggunakan istilah
accidental sampling – tidak disengaja – atau juga captive sample (man-on-the-street) jenis sampel
ini sangat baik jika dimanfaatkan untuk penelitian penjajakan, yang kemudian diikuti oleh
penelitian lanjutan yang sampelnya diambil secara acak (random). Beberapa kasus penelitian yang
menggunakan jenis sampel ini, hasilnya ternyata kurang objektif.

2.3.2.2 PURPOSIVE SAMPLING

Sesuai dengan namanya, sampel diambil dengan maksud atau tujuan tertentu. Seseorang atau
sesuatu diambil sebagai sampel karena peneliti menganggap bahwa seseorang atau sesuatu
tersebut memiliki informasi yang diperlukan bagi penelitiannya. Dua jenis sampel ini dikenal
dengan judgement sampling dan quota sampling.

• 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

3.1 UJI VALIDITAS

Validitas adalah ketepatan atau kecermatan suatu instrumen dalam pengukuran. Dalam
pengujian instrumen pengumpulan data, validitas dibedakan menjadi validitas faktor dan validitas
item. Validitas faktor diukur bila item yang disusun menggunakan lebih dari satu faktor (antara
faktor satu dengan yang lain ada kesamaan). Pengukuran validitas faktor ini dengan cara
mengkorelasikan antara skor faktor (penjumlahan item dalam satu faktor) dengan skor total faktor
(total keseluruhan faktor), sedangkan pengukuran validitas item dengan cara mengkorelasikan
antara skor item dengan skor total item.

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.

3.1.1 BIVARIATE PEARSON (Korelasi Produk Momen Pearson)

Analisis ini dilakukan dengan mengkorelasikan masing-masing skor item dengan skor
total. Skor total adalah penjumlahan dari keseluruhan item. Item-item pertanyaan yang berkorelasi
signifikan dengan skor total menunjukkan item-item tersebut mampu memberikan dukungan
dalam mengungkap apa yang ingin diungkap.

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.

Langkah-langkah pengajuan SPSS antara lain.

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)

3.2 UJI REALIBILITAS

Reliabilitas sebenarnya adalah alat untuk mengukur suatu kuisoner yang merupakan
indikator dari variabel atau konstruk. Suatu kuesioner dikatakan reliabel atau handal jika jawaban
seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu. Sebagai misal
variabel atau konstruk AUTONOMI yang diukur dengan 4 (empat) indikator autonom1,
autonom2, autonom3 dan autonom4 yang masing-masing merupakan pernyataan yang mengukur
tingkat AUTONOM seseorang. Jawaban responden terhadap pernyataan ini dikatakan reliabel jika
masing-masing pernyataan dijawab secara konsisten atau jawaban tidak boleh acak oleh karena
masing-masing pernyataan hendak mengukur hal yang sama yaitu AUTONOMI. Jika jawaban
terhadap ke empat indikator ini acak, maka dapat dikatakan bahwa tidak reliabel.

Pengukuran reliabilitas dapat dilakukan dengan dua cara yaitu :

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

4.1 UJI ASUMSI DASAR

4.1.1 UJI NORMALITAS
Uji normalitas dimaksudkan untuk memperlihatkan bahwa sampel diambil dari populasi
yang berdistribusi normal. Ada beberapa teknik yang dapat digunakan untuk menguji
normalitas, antara lain Uji Chi-Square, Uji lilliefors dan uji Kolmogorov-Smirnov.

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)

4.1.2 UJI HOMOGENITAS

Uji ini digunakan untuk memperlihatkan bahwa dua atau lebih kelompok data sampel
berasal dari populasi yang memiliki variansi yang sama. Pada analisis regresi misalnya,
persyaratan analisisyang dibutuhkan adalah bahwa galat/error regresi untuk setiap
pengelompokan berdasarkan variabel terikatnya memiliki variansi yang sama.

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

Within Groups 578,000 1 578,000

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.

4.1.4 UJI MULTIKOLINEARITAS

Istilah Mutikolinearitas (kolinearitas ganda) pertama kali ditemukan oleh Ragnar Frisch, yang
berarti adanya hubungan linear yang sempurna atau pasti diantara beberapa atau semua variabel
penjelas (bebas) dari model regresi ganda. Selanjutnya, istilah multikolinearitas digunakan dalam
arti yang lebih luas, yaitu terjadinya korelasi linear yang tinggi diantara variabel-variabel penjelas
(X1,X2,...,Xn).
Kriteria yang digunakan adalah:
• Jika nilai VIF disekitar angka 1 atau memiliki toleransi mendekati 1, maka dikatakan tidak
terdapat masalah multikolinearitas.
• Jika koefisien korelasi antarvariabel bebas kurang dari 0,5, maka tidak terdapat masalah
kolinearitas.

30 | P a g e
 Coefficientsa
Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics
Coefficients
B Std. Error Beta Tolerance VIF

(Constant) -36,127 46,732 -,773 ,469

x1 ,119 ,696 ,065 ,170 ,870 ,565 1,771

1
x2 ,222 ,570 ,158 ,389 ,711 ,492 2,034
x3 1,047 ,440 ,750 2,378 ,055 ,815 1,227

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.

4.1.5 UJI HETEROSKEDASTISITAS

Salah satu asumsi regresi linear yang harus dipenuhi adalah homogenitas variansi dari error
(homoskedasticity). Homoskedastisitas berarti bahwa variansi dari error bersifat konstan (tetap)
atau disebut juga identik. Kebalikannya adalah kasus heteroskedastisitas, yaitu kondisi error-nya
(atau Y) tidak identik.

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.

4.1.6 UJI AUTOKORELASI

Autokorelasi terjadi dalam regresi apabila dua error et-1 dan et tidak independent. Autokorelasi
biasanya terjadi apabila pengukuran variabel dilakukan dalam interval waktu tertentu. Mendeteksi
ada atau tidaknya autokorelasi dengan diagram antara grafik et-1 dan et sangat sulit. Deteksi
autokorelasi dilakukan dengan uji statistik Durbin-Watson dengan formula sebagai berikut.

∑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 :

• N atau jumlah data yang valid diproses adalah 25

• Mean atau rata-rata adalah 169,4
• Median atau titik tengah data adalah 168,9. Median dapat diartikan bahwa 50% data
berada diatas 168,9 dan sisianya berada dibawahnya.
• Mode merupakan nilai yang paling banyak muncul yaitu 172,5

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

Input Active Dataset DataSet0

Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 25
Missing Value Handling Definition of Missing User-defined missing values for
dependent variables are treated
as missing.
Cases Used Statistics are based on cases
with no missing values for any
dependent variable or factor
used.
Syntax EXAMINE VARIABLES=TINGGI
BY JENIS
/PLOT BOXPLOT STEMLEAF
HISTOGRAM NPPLOT
/COMPARE GROUPS
/STATISTICS DESCRIPTIVES
EXTREME
/CINTERVAL 95
/MISSING LISTWISE
/NOTOTAL.
Resources Processor Time 00:00:05,23
Elapsed Time 00:00:03,91

JENIS

Case Processing Summary

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

JENIS Statistic Std. Error

TINGGI LAKI-LAKI Mean 172,482 ,9886
95% Confidence Interval for Lower Bound 170,279
Mean
Upper Bound 174,684

5% Trimmed Mean 172,269

Median 172,500

Variance 10,750

Std. Deviation 3,2787

Minimum 168,5

Maximum 180,3

Range 11,8

Interquartile Range 4,3

Skewness 1,263 ,661

Kurtosis 2,546 1,279
PEREMPUAN Mean 166,979 1,2778
95% Confidence Interval for Lower Bound 164,218
Mean
Upper Bound 169,739

5% Trimmed Mean 166,804

Median 167,850

Variance 22,859

Std. Deviation 4,7811

Minimum 159,6

Maximum 177,5

Range 17,9

Interquartile Range 5,4

Skewness ,213 ,597

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

TINGGI Stem-and-Leaf Plot for

JENIS= LAKI-LAKI

Frequency Stem & Leaf

2,00 16 . 88
8,00 17 . 00222244
1,00 Extremes (>=180)

Stem width: 10,0

Each leaf: 1 case(s)

TINGGI Stem-and-Leaf Plot for

46 | P a g e
JENIS= PEREMPUAN

Frequency Stem & Leaf

2,00 15 . 99
3,00 16 . 144
6,00 16 . 778888
2,00 17 . 00
1,00 Extremes (>=178)

Stem width: 10,0

Each leaf: 1 case(s)

Normal Q-Q Plots

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

Pada Laki-laki : L0 = 0,225

Pada perempuan : L0 = 0,166

Kesimpulan

Pada Laki-laki : L0 < Ltabel (H0 tidak ditolak)

Pada Perempuan : L0 < Ltabel (H0 tidak ditolak)

Sehingga dapat disimpulkan bahwa keduanya berdistribusi normal.

• 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).

6.1 REGRESI VS KORELASI

Analisis korelasi bertujuan untuk mengukur kekuatan asosiasi (hubungan) linear antara dua
variabel. Korelasi tidak menunjukkan hubungan fungsional atau dengan kata lain analisis korelasi
tidak membedakan antara variabel dependen dengan variabel independen.

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.

6.2 ASUMSI ORDINARY LEAST SQUARES

Menurut Gujarati (2003) asumsi utama yang mendasari model regresi linear klasik dengan
menggunakan model OLS adalah:

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

6.3 MENILAI GOODNESS OF FIT SUATU MODEL

Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness Of
Fit nya. Secara statistik, setidaknya ini dapat diukur sari nilai koefisien determinasi, nilai statistik
F dan nilai statistik t. Perhitungan statistik disebut signifikan secara statistik apabila nilai uji
statistiknya berada berada dalam daerah kritis (daerah dimana Ho ditolak). Sebaliknya disebut
tidak signifikan bila nilai uji statistiknya berada dalam daerah dimana Ho diterima.

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.

6.4 REGRESI LINEAR SEDERHANA

Contoh, Seorang peneliti ingin melihat pengaruh motivasi kerja karyawan suatu perusahaan
terhadap produktivitas kerja karyawannya. Hasil data pengamatan sebagai berikut.

Langkah-langkah sebagai berikut.

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

Model Sum of Squares Df Mean F Sig.

Square
Regression 1949,103 1 1949,103 1209,030 ,000b

1 Residual 12,897 8 1,612

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

6.5 REGRESI LINEAR GANDA

Contoh, Sebuah industri pembuatan alat-alat berat ingin mengetahui hubungan antara waktu yang
diperlukan oleh karyawan dalam membuat suatu rajutan baju jadi dengan banyaknya wol benang
terpakai untuk rajutan baju. Hasil pengamatan dicatat selama 15 pengamatan sebagai berikut.

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

1 Residual 1,093 12 ,091

Total 2,039 14

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta

(Constant) 1,743 ,224 7,784 ,000

1 X1 ,095 ,052 ,473 1,839 ,091
X2 ,029 ,026 ,289 1,123 ,283
a. Dependent Variable: Y

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.

7.1 T-TEST UNTUK SAMPEL TUNGGAL

Seorang guru matematika ingin mengetahui apakah dugaannya bahwa rata-rata nilai ujian
semester sebesar 75. Ia mengambil sampel muridnya sebanyak 12 siswa.

Langka-langkah SPSS sebagai berikut.

72 | P a g e
Hasil Output SPSS sebagai berikut.

One-Sample Statistics

N Mean Std. Deviation Std. Error Mean

nilai 12 69,33 5,483 1,583

One-Sample Test

Test Value = 75

t df Sig. (2-tailed) Mean Difference 95% Confidence Interval of the

Difference
Lower Upper

nilai -3,580 11 ,004 -5,667 -9,15 -2,18

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.

7.2 T-TEST UNTUK SAMPEL INDEPENDEN

T-Test ini dilakukan jika data antara variabel yang satu tidak saling berkaitan / independen.
Semisal, seorang peneliti ingin mengetahui bahwa berat badan bayi setelah diberi pemijatan akan
lebih baik daripada bayi yang tidak dipijat.

Langkah-langak SPSS sebagai berikut.

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.

Langkah-langkah SPSS sebagai berikut.

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

8.1 UJI CHI-SQUARE

Uji Chi-Square dapat digunakan untuk menguji apakah data sampel yang diambil
mendukung hipotesis yang menyatakan bahwa populasi asal sampel tersebut mengikuti suatu
distribusi yang ditentukan. Uji ini disebut juga Uji Goodness of Fit (Uji Keselarasan) karena
digunakan untuk menguji apakah sebuah sampel selaras dengan distribusi tertentu (seperti
distribusi normal, binomial, dan lainnya)

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.

Langkah-langkah dengan SPSS sebagai berikut.

80 | P a g e
81 | P a g e
Hasil Output SPSS

Jenis model

Observed N Expected N Residual

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

a. 0 cells (0,0%) have expected frequencies less than

5. The minimum expected cell frequency is 26,2.

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

Ho ditolak jika P value < 0.05

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

8.2 UJI UNTUK SATU SAMPEL

8.2.1 UJI BINOMIAL
Uji ini digunakan untuk menguji data yang terdiri dari dua macam kemungkinan yaitu
gagal atau sukses yang dilakukan sebanyak n kali percobaan. Misalkan koin yang dilempar 100
kali, kelahiran bayi dari 100 ibu-ibu dan lainnya.

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

Hasil Output SPSS sebagai berikut.

Binomial Test

Category N Observed Prop. Test Prop. Exact Sig. (2-

tailed)

84 | P a g e
 Group 1 1,00 11 ,55 ,50 ,824

Hasil Group 2 ,00 9 ,45

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

Ho ditolak jika P value < 0.05

Kesimpulan

Karena P value (0,824) > 0,05 maka Ho gagal tolak sehingga sampel diambil dari populasi
yang berdistribusi normal / pelemparan fair

8.2.2 UJI RUNS

Uji ini digunakan untuk melihat suatu keacakan (random) populasi. Data yang dianalisis
adalah serangkaian data tunggal yang dapat digolongkan dalam dua gologan yang eksklusif (yang
satu terjadi, yang lain tidak terjadi). Untuk lebih jelasnya diambil contoh kasus sebagai berikut :

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.

Hasil Output 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)

8.2.3 UJI KOLMOGOROV-SMIRNOV

Uji ini untuk mengetahui apakah sampel berasal dari populasi yang berdistribusi normal.
Uji ini menggunkan data yang berskala minimal ordinal.

Contoh kasus :
Sebuah universitas mengambil beberapa sampel mahasiswa dan mengukur tingginya.
Data hasil pengukuran sebagai berikut.

Langkah-langkah SPSS sebagai berikut

87 | P a g e
88 | P a g e
Output SPSS sebagai berikut

One-Sample Kolmogorov-Smirnov Test

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

a. Test distribution is Normal.

b. Calculated from data.

• 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

8.3 UJI DUA SAMPEL BERHUBUNGAN (DEPENDEN)

8.3.1 UJI WILCOXON
Contoh kasus :
Sebuah penelitian ingin menguji sebuah produk susu peninggi badan. Data diambil dari 10
sampel responden yang mengkonsumsi susu tersebut. Kemudian diukur tinggi badan sebelum
meminum susu dan tiga bulan setelah mengkonsumsinya. Data yang diperoleh sebagai berikut.

89 | P a g e
Langkah-langkah SPSS sebagai berikut

90 | P a g e
Output SPSS sebagai berikut

Ranks

N Mean Rank Sum of Ranks

Negative Ranks 2a 2,50 5,00

Positive Ranks 7b 5,71 40,00

sesudah - sebelum
Ties 1c

Total 10

a. sesudah < sebelum

b. sesudah > sebelum
c. sesudah = sebelum

Test Statisticsa

sesudah –
sebelum

Z -2,094b
Asymp. Sig. (2-tailed) ,036

a. Wilcoxon Signed Ranks Test

b. Based on negative ranks.

• 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

8.3.2 UJI TANDA

Contoh Kasus
Sebuah penelitian ingin mengetahui apakah ada perbedaan antara nilai ujian mahasiswa
pada suatu matakuliah yang sama yang diajar dengan dua metode berbeda yaitu menggunakan
multimedia dan tanpa multimedia. Data diambil dari 20 nilai ujian mahasiswa dengan melakukan
dua kali ujian. Data hasil penelitian sebagai berikut.

Langkah-langkah SPSS sebagai berikut.

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

a. Tanpa_multimedia < Dengan_multimedia

b. Tanpa_multimedia > Dengan_multimedia
c. Tanpa_multimedia = Dengan_multimedia

Test Statisticsa

Tanpa_multime
dia -
Dengan_multim
edia

Exact Sig. (2-tailed) ,824b

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.

8.3.3 UJI MCNEMAR

Uji ini menggunakan data yang berskala nominal atau kategori binary seperti 1 untuk ‘YA’
dan 0 untuk ‘TIDAK’. Biasanya data untuk uji ini disajikan dalam bentuk tabel kontingensi.

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).

Langkah-langkah SPSS sebagai berikut.

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

8.4 UJI DUA SAMPEL TIDAK BERHUBUNGAN (INDEPENDEN)

8.4.1 UJI MANN-WHITNEY
Contoh kasus :
Sebuah penelitian ingin mengetahui apakah nilai ujian siswa meningkat jika diadakan
latihan soal terlebih dahulu. Sekelompok siswa diberi latihan terlebih dahulu sebelum mengikuti
ujian, sedangkan yang lainnya tidak. Data hasil penelitian sebagai berikut.

Langkah-langkah SPSS sebagai berikut

97 | P a g e
98 | P a g e
Output SPSS sebagai berikut

Ranks

Kelompok N Mean Rank Sum of Ranks

Latihan 10 11,90 119,00

Nilai Tanpa Latihan 10 9,10 91,00

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

a. Grouping Variable: Kelompok

b. Not corrected for ties.

• 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

8.4.2 UJI KOLMOGOROV-SMIRNOV

Data pada contoh kasus uji Mann-Whitney diatas juga dapat diuji dengan uji Kolmogorov-
Smirnov untuk mengetahui apakah ada perbedaan nilai yang signifikan antara siswa yang diberi
latihan soal terlebih dahulu dan yang tidak.

Langkah-langkah SPSS sebagai berikut

100 | P a g e
Output SPSS sebagai berikut

101 | P a g e
 Frequencies

Kelompok N

Latihan 10

Nilai Tanpa Latihan 10

Total 20

Test Statisticsa

Nilai

Absolute ,400

Most Extreme Differences Positive ,000

Negative -,400
Kolmogorov-Smirnov Z ,894
Asymp. Sig. (2-tailed) ,400

a. Grouping Variable: Kelompok

• 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

8.4.3 UJI WALD-WOLFOWITZ

Uji ini digunakan untuk mengetahui apakah kedua sampel berasal dari populasi yang identik
atau tidak. Berikut ini adalah contoh penggunaan untuk kasus dua kelompok siswa pada contoh
sebelumnya.

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

Number of Runs Z Exact Sig. (1-

tailed)

Minimum Possible 10c -,230 ,414

Nilai
Maximum Possible 12c ,689 ,758

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

8.5 UJI TIGA ATAU LEBIH SAMPEL BERHUBUNGAN (DEPENDEN)

8.5.1 UJI FRIEDMAN
Contoh kasus :
Produsen laptop memproduksi 4 jenis model laptop terbaru. Untuk mengetahui tanggapan
konsumen terhadap produk baru mereka, 15 responden dimintai penilainnya. Nilai yang diberikan
antara 0 – 100. Berikut data hasil penelitian.

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

8.5.2 UJI KESELARASAN (KONDORDASI) KENDALL

Contoh kasus :

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

8.5.3 UJI COCHRAN

Contoh kasus :

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.

Data yang diperoleh sebagai berikut :

Langkah-langkah SPSS sebagai berikut

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

8.6 UJI TIGA ATAU LEBIH SAMPEL TIDAK BERHUBUNGAN (INDEPENDEN)

8.6.1 UJI KRUSKAL WALLIS
Contoh kasus :

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 N Mean Rank

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

a. Kruskal Wallis Test

b. Grouping Variable: Jenis

• 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

8.6.2 UJI MEDIAN

Uji median digunakan untuk menguji apakah beberapa populasi mempunyai titik tengah
(median) yang sama. Analog contoh kasus pada kruskal-wallis diatas akan diuji menggunakan uji
median.

114 | P a g e
Output SPSS sebagai berikut
Frequencies

Jenis

Jenis A Jenis B Jenis C

> Median 5 3 2
Daya_tahan
<= Median 2 4 4

115 | P a g e
 Test Statisticsa

Daya_tahan

N 20
Median 1101,6000
Chi-Square 2,095b
Df 2
Asymp. Sig. ,351

a. Grouping Variable: Jenis

b. 6 cells (100,0%) have
expected frequencies less
than 5. The minimum
expected cell frequency is
3,0.

• 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.

9.1 LANDASAN KONSEPTUAL ANOVA

Seperti halnya Uji T, dalam uji Anova pun Anda harus menghitung statistik uji (dalam hal
ini adalah F- rasio) untuk menguji pernyataan bahwa apakah kelompok yang dibandingkan
memiliki kesamaan atau tidak. Bahasa statistik hipotesis uji Anova dapat dituliskan sebagai
berikut: H0 : M1 = M2 = M3 = 0 , biasanya dengan harapan bahwa Anda akan dapat menolak H0
untuk memberikan bukti bahwa hipotesis alternatif ( H1 : Tidak H0 ) . Untuk menguji H0, Anda
mengambil sampel secara acak kelompok peserta/sampel/responden dan menetapkan ukuran-
ukuran (variabel dependen). Kemudian melihat apakah ukuran-ukuran tersebut berbeda berarti
untuk berbagai kondisi. Jika berbeda maka Anda akan dituntun untuk menolak H0. Seperti pada
uji statistik yang lain, kita menolak H0 ketika mendapati statistik uji yang diukur melalui F-statistik
yang melebihi F tabel dengan tingkat kepercayaan tertentu. Cara lain dapat dilakukan dengnan
melihat p-value (nilai probabilitas) yang mana lebih rendah dari 5%, misalnya kita menggunakan
tingkat kepercayaan 95%.
Prinsip uji Anova adalah kita membandingkan variansi tiga kelompok sampel atau lebih.
Lebih dari sekedar membandingkan nilai mean (rata-rata), uji anova juga mempertimbangkan
keragaman data yang dimanifestasikan dalam nilai varians.

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.

9.2 HIPOTESIS DALAM ANOVA (ANALYSIS OF VARIANCE):

Dalam analysis of variance hanya satu hipotesis yang digunakan yaitu hipotesis dua arah
(two tail). artinya hipotesis ini yaitu apakah ada perbedaan rata-rata. kita cuma pengen tahu itu,
tidak spesifik yang mana yang berbeda. Nah kalau mau tahu kelompok yang benar-benar terdapat
perbedaan rata-rata ada uji lanjutan dilakukan uji lanjutan. kalau tentang itu akan dibahas di lain
tempat. Berikut hipotesis dalam Anova.

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

9.3 ALASAN PENGGUNAAN ANOVA

Uji hipotesis dengan ANOVA digunakan, setidaknya karena beberapa alasan berikut:
1. Memudahkan analisa atas beberapa kelompok sampel yang berbeda dengan resiko
kesalahan terkecil.
2. Mengetahui signifikansi perbedaan rata-rata (μ) antara kelompok sampel yang satu dengan
yang lain. Bisa jadi, meskipun secara numeris bedanya besar, namun berdasarkan analisa
ANOVA, perbedaan tersebut TIDAK SIGNIFIKAN sehingga perbedaan μ bisa diabaikan.
Sebaliknya, bisa jadi secara numeris bedanya kecil, namun berdasarkan analisa ANOVA,
perbedaan tersebut SIGNIFIKAN, sehingga minimal ada satu μ yang berbeda dan
perbedaan μ antar kelompok sampel tidak boleh diabaikan.

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):

1. Data berdistribusi normal, karena pengujiannya menggunakan uji F-Snedecor

2. Varians atau ragamnya homogen, dikenal sebagai homoskedastisitas, karena hanya
digunakan satu penduga (estimate) untuk varians dalam contoh
3. Masing-masing contoh saling bebas, yang harus dapat diatur dengan perancangan
percobaan yang tepat
4. Komponen-komponen dalam modelnya bersifat aditif (saling menjumlah).

9.5 JENIS-JENIS DARI ANALISIS OF VARIANCE (ANOVA).

Pemilihan tipe ANOVA tergantung dari rancangan percobaan (experiment design) yang
kita pilih.

9.5.1 ANOVA SATU ARAH BIASA DIKENAL ONE WAY ANOVA

Maksud dari kasus ini yaitu untuk menguji perbedaan rata-rata lebih dari dua sampel
dimana dalam melakukan analisis hanya bisa satu arah. Maksud satu arah ini hanya bisa menguji
antar kelompok yang satu. Untuk lebih jelasmya kita kasih contoh kasus saja.

Contoh kasus Anova satu arah:

Penurunan Berat Badan (Kg)
Sampel
Metode 1 Metode 2 Metode 3 Metode 4

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)

F df1 df2 Sig.

2,544 2 471 ,080

Tests the null hypothesis that the error variance of

the dependent variable is equal across groups.
a. Design: Intercept + jobcat

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).

• Test of Between-Subject Effects

Output SPSS memberikan nilai F hitung sebesar 483.709 untuk intercept dan signifikan pada
0.05, begitu juga dengan variabel jobcat dengan nilai F sebesar 69.192 dan signifikan pada 0.05.
Tests of Between-Subjects Effects
Dependent Variable: Previous Experience (months)

Source Type III Sum of df Mean Square F Sig.

Squares

Corrected Model 1174906,874a 2 587453,437 69,192 ,000

Intercept 4106802,719 1 4106802,719 483,709 ,000
Jobcat 1174906,874 2 587453,437 69,192 ,000
Error 3998899,936 471 8490,233
Total 9529528,000 474
Corrected Total 5173806,810 473

a. R Squared = ,227 (Adjusted R Squared = ,224)

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%.

• Post Hoc Test

Berapakah besarnya perbedaan pengalaman kerja sebelumnya antar kategori kerja dapat dilihat
pada output Tukey test dan Bonferoni test berikut ini :

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).

Previous Experience (months)

Employment Category N Subset

1 2

Manager 84 77,62

Clerical 363 85,04

Tukey HSDa,b,c
Custodial 27 298,11

Sig. ,902 1,000

Means for groups in homogeneous subsets are displayed.

Based on observed means.
The error term is Mean Square(Error) = 8490,233.
a. Uses Harmonic Mean Sample Size = 58,031.

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.

Contoh kasus Anova dua arah tanpa interaksi:

Penurunan Berat Badan (Kg)
Umur
Metode 1 Metode 2 Metode 3 Metode 4

< 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)

F df1 df2 Sig.

1,913 4 469 ,107

Tests the null hypothesis that the error variance of

the dependent variable is equal across groups.
a. Design: Intercept + jobcat + gender

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)

Source Type III Sum of df Mean Square F Sig.

Squares

Corrected Model 1202853,736a 3 400951,245 47,456 ,000

Intercept 3418535,252 1 3418535,252 404,616 ,000
jobcat 1062241,405 2 531120,702 62,863 ,000
gender 27946,862 1 27946,862 3,308 ,070
Error 3970953,074 470 8448,836
Total 9529528,000 474
Corrected Total 5173806,810 473

a. R Squared = ,232 (Adjusted R Squared = ,228)

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)

Employment Category N Subset

1 2

Manager 84 77,62

Clerical 363 85,04

Tukey HSDa,b,c
Custodial 27 298,11

Sig. ,901 1,000

Means for groups in homogeneous subsets are displayed.

Based on observed means.
The error term is Mean Square(Error) = 8448,836.
a. Uses Harmonic Mean Sample Size = 58,031.
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.

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.

Contoh kasus Anova dua arah dengan interaksi:

Penurunan Berat Badan (Kg)

Umur
Metode 1 Metode 2 Metode 3 Metode 4

< 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.

Levene's Test of Equality of Error Variancesa

Dependent Variable: Current Salary

F df1 df2 Sig.

33,383 4 469 ,000

Tests the null hypothesis that the error variance of

the dependent variable is equal across groups.
a. Design: Intercept + jobcat + gender + jobcat *
gender
Oleh karena nilai F hitung sebesar 33.383 secara statistik signifikan pada 0.05 yang berarti
hipotesis nol; ditolak. Jadi terjadi penyimpangan terhadap asumsi ANOVA. Oleh karena ANOVA
masih Robust, maka kita tetap dapat melanjutkan analisis.

139 | P a g e
 Tests of Between-Subjects Effects
Dependent Variable: Current Salary

Source Type III Sum of df Mean Square F Sig.

Squares

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

a. R Squared = ,699 (Adjusted R Squared = ,697)

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)

10.1 ANALISIS PRINSIP DASAR

ANCOVA merupakan teknik analisis yang berguna untuk meningkatkan presisi sebuah percobaan
karena didalamnya dilakukan pengaturan terhadap pengaruh peubah bebas lain yang tidak
terkontrol. ANCOVA digunakan jika peubah bebasnya mencakup variabel kuantitatif dan
kualitatif. Dalam ANCOVA digunakan konsep ANOVA dan analisis regresi.

Peubah-peubah dalam ANCOVA dan tipe datanya

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 :

yij = µ + τi + βxij + εij , i = 1, 2, ...a

j = 1, 2, ...ni
dimana:

yij : nilai peubah respon pada perlakuan ke-i observasi ke-j

xij : nilai covariate pada observasi yang bersesuaian dengan yij

τi : pengaruh perlakuan ke-i

β : koefisien regresi linier

εij : random error

a : banyaknya kategori pada perlakuan

ni : banyaknya observasi pada kategori ke-i

Asumsi dalam ANCOVA

142 | P a g e
 1. X adalah fixed, diukur tanpa error dan independen terhadap perlakuan (tidak
dipengaruhi oleh perlakuan).

2. εij mengikuti sebaran NID (o,σ2).

3. β ≠ 0 yang mengindikasikan bahwa antara x dan y terdapat hubungan
linier. Hipotesis

H0 : τ1 = τ2 = ...= τa = 0

H1 : sekurang-kurangnya ada satu τi ≠ 0, i = 1, 2, ...a

Dalam ANCOVA terdapat 2 tipe Dekomposisi (penguraian) jumlah kuadrat yang biasa digunakan,
yaitu SS Type I dan SS Type III. Perbedaaan kedua tipe dekomposisi tersebut adalah sebagai berikut.
Type I :
Dalam SS Type I, proses dilakukan dengan memasukkan covariate ke dalam persamaan/model
terlebih dahulu dan diasumsikan covariate memiliki hubungan linier dengan peubah respon.
Sehingga pengujian hipotesis hanya dilakukan satu kali yaitu untuk mengetahui pengaruh
perbedaaan kategori perlakuan terhadap peubah respon. Type III :
Dalam SS Type I, proses dilakukan tanpa didasari asumsi apapun, apakah covariate atau perlakuan
yang masuk ke dalam persamaan/model terlebih dahulu. Sehingga pengujian hipotesis dilakukan dua
kali yaitu untuk mengetahui adanya hubungan linier antara covariate dengan peubah respon dan untuk
mengetahui pengaruh perbedaaan kategori perlakuan terhadap peubah respon. (default dalam SPSS
adalah SS Type III).
10.3 STRUKTUR INFORMASI POKOK HASIL PENGOLAHAN
Informasi pokok yang diperoleh adalah pengujian hipotesis untuk mengetahui apakah
adahubungan linier antara covariate dengan peubah respon dan untuk mengetahui pengaruh
perbedaaan perlakuan terhadap peubah respon.
Pengujian untuk mengetahui hubungan linier antara covariate dengan peubah respon,
dengan menghilangkan pengaruh perlakuan
Hipotesis
H0 : β = 0 (Tidak ada hubungan linier antara covariate dengan peubah respon)
H1 : β ≠ 0 (Ada hubungan linier antara covariate dengan peubah respon)
Kriteria Keputusan
Jika angka Sig.>0.05 maka H0 tidak ditolak, yang berarti tidak hubungan linier antara covariate
dengan peubah respon.

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.

Untuk keperluan penelitian ini, diambil sampel masing-masing 12 orang

mahasiswa dari setiap dosen pengajar. Data yang diperoleh adalah sebagai berikut.

Dosen I Dosen II Dosen III

No. Nilai mahasiswa Nilai mahasiswa Nilai mahasiswa

IQ IQ IQ
untuk MK A untuk MK A untuk MK A

1 80 105 77 105 91 122

2 87 105 76 102 80 110
3 86 108 85 111 74 110
4 88 115 87 115 70 105
5 90 120 88 120 81 112
6 95 116 90 117 80 112
7 80 110 67 100 80 105
8 67 101 66 105 84 115
9 80 101 64 110 84 116
10 76 105 66 105 90 121
11 98 115 90 124 91 117
12 64 105 86 120 78 110

Langkah-langkah SPSS sebagai berikut

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

Tests of Between-Subjects Effects

Dependent Variable: Nilai_MHS

Source Type III Sum of df Mean Square F Sig.

Squares

Corrected Model 1872,860a 3 624,287 18,826 ,000

Intercept 196,266 1 196,266 5,919 ,021
Dosen 279,667 2 139,834 4,217 ,024
IQ 1757,693 1 1757,693 53,005 ,000
Error 1061,140 32 33,161
Total 239130,000 36
Corrected Total 2934,000 35

a. R Squared = ,638 (Adjusted R Squared = ,604)

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

Tests of Between-Subjects Effects

Dependent Variable: Nilai_MHS

Source Type I Sum of df Mean Square F Sig.

Squares

Corrected Model 1872,860a 3 624,287 18,826 ,000

Intercept 236196,000 1 236196,000 7122,782 ,000
Dosen 115,167 2 57,583 1,736 ,192
IQ 1757,693 1 1757,693 53,005 ,000
Error 1061,140 32 33,161
Total 239130,000 36
Corrected Total 2934,000 35

a. R Squared = ,638 (Adjusted R Squared = ,604)

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).

Langkah-langkah SPSS, sebagai berikut :

150 | P a g e
151 | P a g e
Output SPSS sebagai berikut

Box's Test of Equality of Covariance

Matricesa

Box's M 220.377
F 36.046
df1 6
df2 39728.762
Sig. .000

Tests the null hypothesis that the observed

covariance matrices of the dependent
variables are equal across groups.

a. Design: Intercept + jobcat

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

Effect Value F Hypothesis df Error df Sig.

Pillai's Trace .884 1788.519b 2.000 470.000 .000

Wilks' Lambda .116 1788.519b 2.000 470.000 .000

Intercept
Hotelling's Trace 7.611 1788.519b 2.000 470.000 .000

Roy's Largest Root 7.611 1788.519b 2.000 470.000 .000

Pillai's Trace .875 183.176 4.000 942.000 .000

Wilks' Lambda .272 215.956b 4.000 940.000 .000

jobcat
Hotelling's Trace 2.143 251.222 4.000 938.000 .000

Roy's Largest Root 1.851 435.909c 2.000 471.000 .000

a. Design: Intercept + jobcat

b. Exact statistic
c. The statistic is an upper bound on F that yields a lower bound on the significance level.

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.

Levene's Test of Equality of Error Variancesa

F df1 df2 Sig.

Current Salary 59.733 2 471 .000

Previous Experience
2.544 2 471 .080
(months)

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.

Tests of Between-Subjects Effects

Source Dependent Variable Type III Sum of df Mean Square F Sig.

Squares

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)

a. R Squared = .648 (Adjusted R Squared = .647)

b. R Squared = .227 (Adjusted R Squared = .224)

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.

12.1.1 Uji Multikolinieritas

Tampilan output SPSS untuk melihat VIF dan Tolerance mengindikasikan tidak terdapat
multikolinieritas yang serius. Nilai VIF tidak ada yang melebihi 10 dan nilai Tolerance tidak
ada yang kurang dari 0,10. Hal ini juga ditegaskan kembali dari hasil korelasi antar variable
independen tidak ada korelasi yang cukup serius. Korelasi tertinggi hanya sebesar 0,366 yaitu
Ln Earns dan Ln Wealth.
12.1.2 Uji Autokorelasi
Tampilan output SPSS berikut ini menunjukkan besarnya nilai Durbin Watson sebesar 2,195.
Nilai D-W menurut table dengan n = 100 dan k = 4 didapatkan angka dl = 1,59 dan du = 1,76.
Oleh karena nilai DW hitung > du, maka dapat disimpulkan tidak terdapat autokorelasi antar
residual.

12.1.3 Uji Heteroskedastisitas

Grafik berikut ini memberikan gambaran apakah model regresi Homoskedastisitas atau
Heteroskedastisitas.

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.

a. Uji Koefisien Determinasi

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