Applied Business Statistic Lab

MODUL PRAKTIKUM
BUSINESS
STATISTICS
(STAT6124)
Entrepreneurship Study Program

Binus Institute of Creative Technology
2017
DAFTAR ISI
PERTEMUAN 1 PENGENALAN STATISTIK.....................................................................................1
1.1 STATISTIK DALAM BISNIS........................................................................................................................................ 1

1.2 KLASIFIKASI DATA..................................................................................................................................................... 2
1.3 PENGERTIAN SKALA.................................................................................................................................................. 4
1.4 TEKNIK PENSKALAAN............................................................................................................................................... 6
1.4.1 Skala Pembanding (Comparative Scale)....................................................................................7
1.4.2 Noncomparative Scaling Techniques.........................................................................................8
1.5 METODE ANALISIS..................................................................................................................................................... 9
1.5.1 Analisis Kualitatif.......................................................................................................................9
1.5.2 Analisis Kuantitatif.....................................................................................................................9
1.5.3 Metode Analisis Statistik............................................................................................................9
1.6 ELEMEN STATISTIK.................................................................................................................................................. 10
1.7 SPSS (STATISTICAL PRODUCT AND SERVICE SOLUTION)...........................................................11
1.8 STATISTIK DESKRIPTIF........................................................................................................................................... 14
SOAL LATIHAN......................................................................................................................................................................... 26
PERTEMUAN 2 VALIDITAS & RELIABILITAS.............................................................................29
2.1 UJI VALIDITAS DAN RELIABILITAS..................................................................................................................... 29
PERTEMUAN 3 NORMALITAS..........................................................................................................39
3.1 UJI NORMALITAS...................................................................................................................................................... 39

SOAL LATIHAN......................................................................................................................................................................... 44
PERTEMUAN 4 ASUMSI KLASIK.....................................................................................................49
4.1 UJI MULTIKOLINEARITAS...................................................................................................................................... 49

4.2 UJI HETEROSKEDASTISITAS.................................................................................................................................. 55
4.3 UJI AUTOKORELASI................................................................................................................................................. 58
PERTEMUAN 5 KORELASI................................................................................................................65
5.1 KORELASI BIVARIAT............................................................................................................................................... 66
PERTEMUAN 6 KORELASI................................................................................................................70
6.1 KORELASI PARTIAL................................................................................................................................................. 70

ii
SOAL LATIHAN......................................................................................................................................................................... 74
PERTEMUAN 7 REGRESI...................................................................................................................76
7.1 REGRESI....................................................................................................................................................................... 76
7.2 PERSAMAAN REGRESI............................................................................................................................................. 76
7.3 REGRESI SEDERHANA............................................................................................................................................. 77
PERTEMUAN 8 REGRESI...................................................................................................................85
8.1 REGRESI BERGANDA............................................................................................................................................... 85

SOAL LATIHAN......................................................................................................................................................................... 93
PERTEMUAN 9 ANOVA.......................................................................................................................97
SOAL LATIHAN...................................................................................................................................................................... 105
PERTEMUAN 10 CHISQUARE & MANN WHITNEY...................................................................107
10.1 UJI KESELARASAN ATAU GOODNESS OF FIT TEST..................................................................................... 107

10.2 UJI INDEPENDENSI................................................................................................................................................. 120
SOAL LATIHAN..................................................................................................................................................................... 127
10.3 MANN WHITNEY.................................................................................................................129
SOAL LATIHAN...................................................................................................................................................................... 135
PERTEMUAN 11 SIGN WILCOXON & KRUSKALL WALLIS...................................................137
11.1 SIGN WILCOXON.................................................................................................................137

SOAL LATIHAN...................................................................................................................................................................... 142
11.1 KRUSKALL WALLIS............................................................................................................143
SOAL LATIHAN...................................................................................................................................................................... 151
DAFTAR PUSTAKA............................................................................................................................153
iii
PERTEMUAN 1
PENGENALAN STATISTIK
1.1 Statistik dalam Bisnis
Berdasarkan Applied business statistics making better business decisions 7th (Black,
2013) banyak variasi penggunaan dan aplikasi dalam statistik bisnis, dapat digunakan untuk
kinerja karyawan, rata-rata penjualan, pengumpulan informasi, dan lain-lain. Suatu bisnis
membutuhkan penelitian untuk mendapatkan lebih banyak informasi yang menarik untuk
bisnisnya. Dengan statistika data yang dimiliki akan diolah menjadi informasi yang memiliki arti
dan berguna untuk pengambilan keputusan.
Webster’s Third New International Dictionary (Black, 2013) memberikan definisi
statistik yang komprenhensif sebagai “ilmu yang berkaitan dengan mengumpulkan, menganalisis,
menginterpretasikan, dan menyajikan data numerik”. Menurut (Black, 2013), Statistik bisnis
adalah tentang mengukur fenomena dalam dunia bisnis dan mengatur, menganalisa, dan
mempresentasikan hasil informasi yang berbentuk numerical dalam cara yang lebih baik, dengan
begitu keputusan bisnis yang terinformasi dapat dibuat. Dalam bisnis statistik, hal yang paling
sering dipelajari mengandung variabel, pengukuran, dan data.
Variabel dalam bisnis statistik adalah karakteristik dari setiap entitas yang dipelajari yang
mampu mengambil nilai yang berbeda (Black, 2013). Banyak sekali variabel dalam bisnis,
misalnya produktivitas pekerja, gaji karyawan, harga produk/jasa, pangsa pasar, jumlah penjualan,
dll. Dalam pembelajaran tentang bisnis statistik, variabel – variabel yang digunakan akan
menghasilkan pengukuran yang dapat digunakan dalam analisis.
Data adalah fakta – fakta dan angka – angka yang dikumpulkan, dianalisa dan dirangkum
untuk dipresentasikan dan diperlihatkan hasilnya (Anderson, Sweeney, & Williams, 2011). Data
memiliki berbagai wujud seperti angka tinggi badan, angka penjualan, jumlah produksi, jumlah
mahasiswa, dan lain-lain. Kumpulan data yang lebih berarti atau bermakna setelah melalui suatu
proses pengolahan disebut sebagai informasi, contoh : rata-rata tinggi badan anak SMP yang rutin
berenang adalah 100cm. Memilih dan mengorganisasikan informasi yang menyediakan
pengertian, rekomendasi, dan dasar keputusan akan menjadi sebuah pengetahuan. Contoh: terdapat
perbedaan rata-rata tinggi badan siswa SMP yang rutin berenang dengan yang tidak.
1
2
1.2 Klasifikasi Data
Pembagian data dalam statistik dapat digambarkan sebagai berikut :
Sumber : (Putra, 2012)
A. Klasifikasi Data Menurut Cara Memperolehnya

1. Data Primer
Data primer merupakan data yang berdasarkan dengan informasi yang dihasilkan pertama kali
oleh peneliti untuk tujuan tertentu dalam pembelajaran. Data primer dapat diperoleh melalui
wawancara maupun melalui penyebaran kuisioner. Contohnya adalah data hasil wawancara
atau data hasil penyebaran kuisioner. Kedua data tersebut diperoleh langsung dari objek
penelitian.
2. Data Sekunder
Data sekunder merupakan data yang berdasarkan informasi yang dihasilkan dari sumber yang
sudah ada. Data dapat bersumber dari internal maupun eksternal organisasi dan dapat diakses
melalui internet serta merupakan informasi yang sudah tersebar. Data sekunder dapat berasal
dari buku, data sensus, database perusahaan, media, laporan tahunan, dan sebagainya.
3
B. Klasifikasi Data Menurut Sumber Data

1. Data Internal
Data Internal adalah data yang menggambarkan situasi dan kondisi pada suatu organisasi
secara internal. Misalnya data keuangan perusahaan tersebut, data penjualan, data karyawan
yang bekerja, dan lain sebagainya.
2. Data Eksternal
Data Eksternal adalah data yang menggambarkan keadaan, situasi, dan kondisi di luar
organisasi. Misalnya adalah data preferensi pelanggan, data kompetitor dimana dapat
dijadikan sebagai pembanding, data persebaran penduduk, dan lain sebagainya.
(www.organisasi.org, 2006)
C. Klasifikasi Data Menurut Jenis Data

1. Data Kuantitatif
Data kuantitatif adalah data dalam bentuk angka-angka. Contoh data kuantitatif adalah data
jumlah penduduk, jumlah pendapatan nasional, dan data jumlah keluarga yang ada di suatu
daerah.
2. Data Kualitatif
Data kualitatif merupakan data yang bersifat non angka. Informasi yang dihasilkan oleh data
jenis ini adalah informasi bukan dalam bentuk angka. Data jenis kelamin, data tingkat
pendidikan dan data agama yang dianut di suatu daerah merupakan contoh data kualitatif.
Data kualitatif dapat diolah menjadi data kuantitatif dengan teknik statistik. Misalkan, data
jenis kelamin adalah perempuan dan laki-laki. Untuk melakukan pengolahan data dengan
menggunakan teknik statistik, data harus diubah dalam bentuk angka dimana untuk jenis
kelamin perempuan diberi kode angka satu dan jenis kelamin laki-laki diberi kode angka dua.
D. Klasifikasi Data Menurut Sifat Data

1. Data Diskrit
Data diskrit adalah data berupa angka yang bersifat bilangan bulat. Dengan kata lain, data ini
tidak berbentuk pecahan ataupun desimal. Data ini biasanya bukan merupakan bilangan
negatif. Data diskrit dihasilkan pada sesuatu yang dapat dihitung (counted) bukan diukur
(measured), dan bukan merupakan hal yang dapat dinyatakan dalam bentuk pecahan ataupun
desimal. Contoh data ini adalah jumlah orang, jumlah kapal, jumlah kelompok, jumlah unit.
4
2. Data Kontinyu
Data kontinyu merupakan data berupa angka yang merupakan hasil dari suatu interval. Maka
dalam data kontinyu seluruh angka memiliki suatu nilai, termasuk data dalam bentuk pecahan
ataupun desimal. Data kontinyu dihasilkan dari sesuatu yang dapat diukur (measured) bukan
dihitung (counted). Contoh data ini adalah jam, detik, suhu, tinggi, berat, volume.
(www.organisasi.org, 2006)
E. Klasifikasi Data Menurut Waktu Pengumpulan

1. Data Cross Section
Data Cross Section adalah data yang dikumpulkan hanya sekali, mungkin dikumpulkan
selama beberapa hari atau minggu atau bulan, untuk menjawab pertanyaan penelitian.
Contohnya adalah perusahaan obat mau berinvestasi dalam penelitian untuk pil (penurunan)
obesitas. Perusahaan tersebut melakukan penelitian terhadap orang-orang yang mengalami
obesitas untuk mengamati seberapa banyak dari mereka yang tertarik untuk mengkonsumsi pil
tersebut.
2. Data Time Series
Data time series adalah data pada variabel dependen (dipengaruhi) dikumpulkan pada dua
atau lebih titik waktu yang berbeda untuk menjawab pertanyaan penelitian. Data time series
ini berdasarkan satu sumber. Data time series dapat menjadi data longitudinal ketika
penelitian dilakukan untuk beberapa sumber. Penelitian untuk mendapatkan data ini
menggunakan lebih banyak waktu, usaha, dan biaya dibandingkan dengan penelitian untuk
data cross section. Contoh data longitudinal adalah seorang manajer pemasaran tertarik untuk
mengetahui pola penjualan produk tertentu di empat wilayah secara kuartalan untuk dua tahun
ke depan. Data tersebut akan dikumpulkan beberapa kali untuk mengetahui pola penjualan di
empat wilayah.
(Sekaran & Bougie, 2013)
1.3 Pengertian Skala
Menurut (Anderson, Sweeney, & Williams, 2011) skala perhitungan menentukan jumlah
dari informasi yang terkandung di dalam data dan mengindikasikan ringkasan data yang paling
tepat dan analisis statistik. Pengukuran merupakan aturan-aturan pemberian angka untuk berbagai
objek sedemikian rupa sehingga angka ini mewakili kualitas atribut. Terdapat empat jenis skala
5
yang dapat digunakan untuk mengukur atribut, yaitu: skala nominal, skala ordinal, skala interval,
dan skala ratio.
1. Skala Nominal
Skala nominal adalah level terendah dari pengukuran data dimana angka yang
merepresentasikan skala nominal dapat digunakan hanya untuk mengklasifikasikan atau
mengkategorikan. Dimana angka yang direpresentasikan tidak menunjukan perbedaan dalam
tingkatan atau level, hanya untuk membedakan antara satu variable dan variable lainnya.
Tipe-tipe variable yang sering menggunakan level nominal adalah jenis kelamin, agama,
etnis, lokasi geografis, dan lain sebagainya.
Contoh dari skala nominal yang sering digunakan adalah
1. Laki-laki
2. Perempuan
Dimana angka 1 pada laki-laki tidak menunjukan bahwa laki-laki lebih baik dibanding
perempuan, sebaliknya pun seperti itu.
(smartstat, 2010)
2. Skala Ordinal
Skala pengukuran untuk sebuah variabel dinamakan skala ordinal jika data menunjukkan sifat
data nominal dan keteraturan atau peringkat data yang bermakna. Skala ordinal adalah skala
pemeringkat dimana angka ditetapkan untuk mengindikasikan relativitas karakter yang
dimiliki. Dengan demikian dapat diketahui apakah suatu objek memiliki sesuatu (karakter)
lebih banyak atau lebih sedikit dari objek lainnya. Skala ordinal mengindikasikan posisi
relatif, misalnya pelajar yang diberi peringkat 1 berarti secara relatif lebih baik dari peringkat
2,3, dst, namun tidak dapat diketahui persisnya apakah antara peringkat 1 dan 2 perbedaannya
tipis ataukah sangat jauh.
3. Skala Interval
Skala interval adalah skala pengukuran yang lebih tinggi tingkatannya dibanding dengan dua
skala sebelumnya dan selalu berbentuk angka. Skala ini menunjukan jajaran nilai antara dua
bilangan. Dalam skala interval jarak numerik pada skala mewakili jarak yang sama pada
karakter yang diukur. Terdapat interval yang konstan / sama antara nilai skala. Sebagai contoh
adalah perbedaan jenis suhu yang dinyatakan dalam derajat antara 50-80o C dikatakan cukup
panas, 80-110o C dikatakan panas, 110-140o C dikatakan sangat panas.
(smartstat, 2010)
6
4. Skala Rasio
Skala pengukuran dinamakan skala rasio jika data memiliki semua sifat-sifat data interval dan
rasio dua nilai yang bermakna. Skala rasio adalah rasio yang tertinggi, yang mana skala ini
memiliki titik absolut (zero point), skala ini dapat digunakan untuk menidentifikasikan atau
mengklasifikasikan, memeringkatkan, dan membandingkan interval atau perbedaan objek.
Dalam skala ini dapat berguna untuk menghitung rasio dari nilai skala. Sehingga bukan saja
dapat diketahui perbedaan antara 2 dan 5 sama dengan perbedaan 16 dan 19, yaitu 3, namun
dapat diketahui bahwa 16 adalah 8 kali lipat dari 2.
1.4 Teknik Penskalaan
Teknik penskalaan (Scaling Technique) dapat diklasifikasikan menjadi teknik komparatif

(comparatif scale) dan nonkomparatif (noncomparatif scale). Comparative scale merupakan
perbandingan langsung dari objek yang diteliti, pemeringkatannya bersifat ordinal dan juga
perbandingan langsung pada stimulus obyek satu dengan lainnya. Maka comparative scaling dapat
dianggap sebagai nonmetric scaling.
Contoh : Seorang responden ditanya lebih suka minuman Fanta atau Coca cola, jawaban yang
didapat merupakan perbandingan dimana secara tidak langsung responden dipaksa untuk memilih
mana yang lebih disukai.
Non comparative scale (metric scale), tiap objek diukur secara independen dari objek
lainnya dalam perangkat stimulus. Data pada umumnya berupa skala interval atau rasio. Contoh :
seorang responden diminta untuk mengevaluasi minuman Fanta dengan skala 1 (sangat baik)
sampai 6 (sangat tidak baik).
7
1.4.1 Skala Pembanding (Comparative Scale)

Skala pembanding yang umum dipakai (khususnya dalam business research) meliputi
perbandingan berpasangan (paired comparison), kategori bertingkat (rank order), dan jumlah
konstan (constant sum).
a. Skala Perbandingan Berpasangan

Skala ini membandingkan dua buah objek secara berpasangan (paired). Artinya dalam skala
ini, dua buah objek dipresentasikan dihadapan responden, dan kemudian dua objek tersebut
pada saat itu juga akan dibandingkan berdasarkan kriteria-kriteria yang ada. Contoh:
responden diminta untuk memilih salah satu dari dua merk motor yang paling mereka sukai
dengan kriteria-kriteria yang sejenis: Merk A atau Merk B. (Data yang diperoleh ordinal)
b. Skala Urutan Bertingkat

Pada skala pembanding ini akan dibandingkan sejumlah objek atau data yang sudah
dikelompokkan. Responden akan diminta untuk memberikan peringkat untuk setiap pilihan
yang diberikan. Hasil yang didapat melalui skala pembanding ini adalah data ordinal. Sebagai
contoh: untuk mengetahui pangsa pasar fast food yang ada di Indonesia. Researcher
memberikan pilihan KFC, McDonalds, Burger King, A&W. Responden diminta untuk
memberikan peringkat dari 1 untuk yang paling disukai dan 4 yang paling tidak disukai untuk
setiap restaurant fast food, maka hasilnya akan ditemukan peringkat pangsa pasar terbesar
hingga terkecil.
c. Skala Jumlah Tetap

Disini responden diminta untuk mengalokasikan jumlah konstan dalam satuan point tertentu
(misalnya dollar, kg, dll) diantara seperangkat objek stimulus berdasarkan kriteria tertentu
atau respoden diminta untuk mengalokasikan sejumlah point (nilai) untuk memberikan harga
pada beberapa merek berdasarkan kriteria tertentu. Misalnya responden diminta
mengalokasikan nilai 100 point terhadap atribut-atribut yang dipandang penting dimiliki suatu
mobil. Atribut-atribut tersebut didaftar terlebih dahulu seperti: kenyamanan, kecepatan,
fleksibilitas, dll.
8
1.4.2 Noncomparative Scaling Techniques

Teknik ini hanya melakukan pengukuran pada satu objek saja, tanpa memperhatikan objek yang
lain. Objek dalam hal ini bisa merk suatu produk, harga produk, dll. Beberapa skala yang populer
dalam teknik ini adalah skala likert, skala semantik diferensial, dan skala stapel.
a. Skala Likert
Skala ini meminta responden menunjukkan tingkat persetujuan atau ketidaksetujuannya terhadap
serangkaian pernyataan tentang suatu obyek. Skala ini dikembangkan oleh Rensis Likert dan
biasanya memiliki 5 atau 7 kategori dari ”sangat setuju” sampai dengan ”sangat tidak setuju”.
Skala Likert ini banyak digunakan dalam riset bisnis yang menggunakan metode survei dan dapat
dikategorikan sebagai skala interval. Sewaktu menanggapi pertanyaan dalam skala Likert,
responden menentukan tingkat persetujuan mereka terhadap suatu pertanyaan dengan memilih
salah satu dari pilihan yang tersedia.
Sebagai contoh, responden diminta memberikan tingkat persetujuannya terhadap pernyataan yang
mengatakan ”Harga Motor A adalah sangat irit”
Sangat setuju Setuju Ragu-ragu Tidak Setuju Sangat tidak setuju
b. Skala Semantik Diferensial

Skala ini memiliki beberapa point (berkisar antara 5 sampai 7 point) diantara dua kutub yang
memiliki perbedaan secara ekstrem. Responden diminta memberikan penilaiaannya terhadap
sebuah objek dengan kecenderungan di antara kedua kutub tersebut. Contoh : responden diminta
memberikan penilaian terhadap sebuah majalah yang baru terbit, dengan menyatakan bahwa
majalah tersebut (menggunakan kata sifat):
Menarik |_1_|_2_|_3_|_4_|_5_|_6_|_7_| Membosankan
Up to date |_1_|_2_|_3_|_4_|_5_|_6_|_7_| Tidak up to date
c. Skala Stapel
Skala stapel merupakan skala yang dikembangkan oleh Jan Stapel yang menyatakan skala vertikal
antara 5 data titik bawah dan 5 data titik atas dengan 10 kategori yang dinyatakan dalam nilai
negatif dan positif. Skala ini merupakan modifikasi dari skala semantik diferensial. Skala ini
biasanya dinyatakan dalam skala -5 hingga +5, tanpa titik netral atau nol dan responden diminta
memberikan penilaian terhadap suatu objek dengan menunjuk pada kecenderungan angka -5
sebagai kriteria tidak bagus dan angka +5 sebagai sangat bagus.
(www.triyatmoko.wordpress.com, 2009)
9
1.5 Metode Analisis
Menurut Sugiyono (2009:244) analisis data adalah proses mencari dan menyusun data
yang diperoleh dari hasil wawancara, catatan lapangan, dan bahanbahan lain secara sistematis
sehingga mudah dipahami dan temuannya dapat diinformasikan kepada orang lain. Analisis
merupakan tindakan mengolah data hingga menjadi informasi yang bermanfaat dalam menjawab
masalah statistik. Dalam desain riset, perlu direncanakan dengan baik alat analisis yang akan
diterapkan untuk menganalisis data. Tujuan analisis data adalah mendapatkan informasi yang
relevan yang terkandung didalam data tersebut dan menggunakan hasilnya untuk memecahkan
suatu masalah. Metode analisis yang sering digunakan adalah:
1.5.1 Analisis Kualitatif

Analisis data secara kualitatif bersifat memaparkan secara mendalam hasil riset melalui
pendekatan bukan angka atau nonstatistik. Contoh: Pertanyaan yang diajukan kepada responden
tentang rasa kentang goreng chitato. Jawaban yang mungkin muncul adalah ”enak rasanya,
renyah, dll.”
1.5.2 Analisis Kuantitatif

Analisis kuantitatif mencoba mengolah data menjadi informasi dalam wujud angka. Penggunaan
angka memudahkan penginterpretasian hasil secara objektif. Contoh: interval 1-2,4 sebagai kurang
baik; 2,5-3,4 sebagai kategori sedang; dan 3,5-5 sebagai sangat baik. Analisis kuantitatif yang
paling banyak digunakan dalam praktek adalah analisis statistik.
1.5.3 Metode Analisis Statistik

Menurut webster’s third new international dictionary, statistik adalah ilmu yang berhubungan
dengan pengumpulan, analisis, interpetasi, dan penyajian dari data numerik. Statistik dalam
prakteknya berhubungan dengan banyak angka, sehingga bisa diartikan “Numerical Description”
oleh banyak orang. Misal pergerakan IHSG, jumlah penduduk, dan seterusnya. Dalam dunia usaha
statistik juga sering diasosiasikan dengan sekumpulan data seperti pergerakan tingkat inflasi, biaya
promosi bulanan, jumlah pengunjung toko, dsb. Selain itu, statistik digunakan untuk berbagai
analisis terhadap data, seperti melakukan peramalan (forecasting), melakukan berbagai uji
hipotesis dan kegunaan lainnya.
10
Dalam Aplikasinya, metode analisis statistik dapat dibagi menjadi dua (2) kelompok besar, yaitu:
1. Statistik Deskriptif
Analisis deskriptif bertujuan mengubah kumpulan data mentah menjadi mudah dipahami
dalam bentuk informasi yang lebih ringkas. Jadi statistik deskriptif berusaha menjelaskan atau
menggambarkan beberapa karakteristik data, seperti berapa rata-ratanya, seberapa jauh data-data
bervariasi dari rata-ratanya, berapa median data, dan sebagainya.
2. Statistik inferensi
Statistik inferensi bertujuan untuk menyediakan dasar peramalan, dan estimasi yang
digunakan untuk mengubah informasi menjadi pengetahuan.
1.6 Elemen Statistik
Beberapa elemen yang biasa terdapat dalam suatu persoalan statistik :

1. Populasi
Masalah dasar dari persoalan statistik adalah menentukan populasi data. Secara umum,
populasi bisa didefinisikan sebagai sekumpulan data yang mengidentifikasikan suatu
fenomena. Seluruh penduduk di Indonesia bisa dikatakan populasi, penduduk disuatu provinsi
A juga bisa dikatakan populasi, bahkan penduduk di suatu dusun kecil pun bisa dikatakan
populasi. Jadi, definisi populasi lebih tergantung dari kegunaan dan relevansi data yang
dikumpulkan.
2. Sampel
Sampel bisa didefinisikan sebagai sekumpulan data yang diambil atau diseleksi dari suatu
populasi. Contohnya, jika populasinya penduduk di provinsi A, maka sampelnya bisa jadi
adalah sebagian penduduk di provinsi A. Jadi, pada dasarnya, sampel adalah bagian dari
populasi. Pengambilan sampel dilakukan karena dalam praktek banyak kendala yang tidak
memungkinkan seluruh populasi diteliti. Kendala tersebut bisa meliputi situasi, waktu, tenaga,
atau biaya. Oleh karena itu, metode pengambilan sampel menjadi bagian yang penting dari
statistik.
3. Variabel
Dalam melakukan inferensi terhadap populasi, tidak semua ciri-ciri populasi harus diketahui.
Hanya satu atau beberapa karakteristik populasi yang diketahui, yang disebut sebagai
variabel. Contohnya untuk meneliti kepuasan pelanggan, maka variabel yang dianggap
relevan misalnya jumlah pembelian, banyaknya kunjungan, tingkat kompain, dan sebagainya.
(Santoso, 2011)
11
1.7 SPSS (Statistical Product and Service Solution)
SPSS adalah software yang memiliki kemampuan analisis yang dirancang untuk
membantu pengolahan data secara statistik. Untuk keseragaman, SPSS yang digunakan dalam
praktikum ini adalah IBM SPSS Statistic 20.
Proses statistik dengan SPSS:
Input data dengan Output data dengan

Data Editor Viewer
Proses dengan
DATA EDITOR
1. Data yang diproses dimasukkan lewat menu DATA EDITOR yang otomatis muncul di layar
saat SPSS dijalankan.
2. Data yang telah diinput kemudian diproses, juga lewat menu DATA EDITOR.
3. Hasil pengolahan data muncul di layar (window) yang lain dari SPSS, yaitu VIEWER Output
SPSS bisa berupa teks / tulisan, tabel, atau grafik.
Pada saat IBM SPSS Statistics 20 (SPSS 20) pertama kali dibuka, selalu tampak tampilan pertama
sebagai berikut.
Window di atas disebut DATA EDITOR dan merupakan window utama pada SPSS. Di dalam
DATA EDITOR inilah akan dilakukan proses utama SPSS yakni menginput data dan selanjutnya
memproses data tersebut.
SPSS DATA EDITOR memiliki dua bagian, yaitu:
 DATA VIEW, yaitu tempat untuk menginput data statistik. Inilah yang selalu tampil di
layar.
12
 VARIABLE VIEW, yaitu tempat untuk menginput variabel statistik. Bagian ini digunakan
hanya pada saat memasukkan dan mendefinisikan variabel-variabel.
Langkah-langkah memasukkan data ke dalam SPSS adalah sebagai berikut:

1. Buka lembar kerja baru
Lembar kerja baru selalu dibuka jika ada pemasukan variabel yang baru. Untuk itu, dari menu
utama pilih File –New-Data.
2. Menamai variabel yang diperlukan
Langkah selanjutnya adalah membuat nama untuk setiap variabel baru. Untuk itu digunakan
VARIABLE VIEW pada data editor.
Berikut penjelasan mengenai kolom-kolom pada variable view yang harus diisi untuk
menambahkan variabel baru:
 Name
Kolom ini adalah kolom untuk memberikan nama untuk variabel. Jumlah karakter yang
bisa digunakan untuk memberi nama pada sebuah variabel adalah 64 karakter (bit).
Namun untuk membuat sebuah nama dalam bentuk kalimat, gunakan tanda underline
untuk penghubung. Contoh: Data_Penjualan.
 Type
Type digunakan untuk mengisi jenis tipe data sesuai dengan data yang ingin dimasukkan.
Dalam SPSS, banyak tipe data yang ditawarkan untuk tiap variable, tetapi untuk
13
keperluan analisis data biasanya yang digunakan adalah tipe data string, numeric dan
date. Berikut penjelasan tipe-tipe data yang ada pada SPSS:
 Numeric : Data dalam bentuk angka.
 Comma : Data ini berbentuk numerik dan ditandai koma sebagai pembeda ribuan.
 Dot : Data ini berbentuk numerik dan ditandai titik sebagai pembeda ribuan.
 Scientific Notation : Data ini berbentuk numerik,dan ditandai dengan simbol E.
 Date : Data berupa tanggal dan ada sejumlah pilihan type/format tanggal.
 Dollar : Data ini berbentuk numerik dan ditandai ($) dengan tanda koma sebagai
pemisah tanda ribuan.
 Custom Currency : Bentuk tipe ini digunakan untuk menampilkan format mata uang
yang dibuat melalui kotak dialog Options dari menu edit.
 String : Data dalam bentuk karakter /huruf .
 Width
Width digunakan untuk menentukan berapa banyak digit yang dapat dimasukkan pada
data tiap sel. Pilihan ini menyediakan masukan antara 1 sampai 255 digit.
 Decimals
Untuk menambahkan atau mengurangi decimal pada data berupa angka.
 Label
Label adalah keterangan untuk nama variable, yang bisa disertakan atau tidak. Label yang
tidak diisi tidak mempengaruhi proses data. Walaupun demikian, pada input data yang
banyak dan ada kemiripan, penulisan label sangat dianjurkan untuk memperjelas identitas
sebuah variabel.
 Values
Values adalah kode yang diberikan jika variabel yang digunakan kategorik. Misalnya kita
ingin menggunakan kode 1 untuk laki-laki dan kode 2 untuk perempuan.
 Missing
Data yang dianggap hilang yang tidak akan kita ikutkan dalam analisis. Ada tiga pilihan :
 No missing values
 Discrete missing values. Angka tertentu yang kita anggap hilang.
 Range plus one optinal discrete missing value. Jika ada data hilang dengan range
yang jelas.
14
 Columns
Columns adalah lebar tempat nama karakter pada NAME. Besarnya minimal sama
dengan besarnya nilai WIDTH.
 Align
Align digunakan untuk mengubah letak tampilan data seperti pada Ms. Word.
 Measure
Adalah skala pengukuran dari variabel yang bersangkutan.
Setelah melakukan pengisian VARIABLE VIEW, kita dapat mulai untuk memasukkan data
ke dalam DATA VIEW.
Fitur baru dalam IBM SPSS Statistics 20:
1. Bisa membuka file data lebih dari 1
2. Menu data yang lebih lengkap, seperti fitur :
 Spilt File (memisahkan isi file dengan kriteria tertentu)
 Select Case (menyeleksi isi file dengan kriteria tertentu)
 Sort Case (mengurutkan data)
1.8 Statistik Deskriptif
Statistik deskriptif adalah statistik yang berkenaan dengan bagaimana mendeskripsikan,

menggambarkan, menjabarkan atau menguraikan data sehingga mudah dipahami. Analisis
deskriptif bertujuan mengubah kumpulan data mentah menjadi mudah dipahami dalam bentuk
informasi yang lebih ringkas. Data-datanya bisa diperoleh dari hasil sensus, survei atau
pengamatan lainnya. Umumnya masih acak, harus diringkas dengan baik dan teratur,baik dalam
bentuk table atau presentasi grafis. Statistik Deskriptif merupakan dasar pengambilan keputusan
bagi Statistik Inferensi.
Dua ukuran penting yang sering dipakai dalam pengambilan keputusan adalah:
1. Mencari central tendency (kecenderungan terpusat) seperti Mean, Median, Modus, dan lainnya.
 Mean adalah jumlah dari serangkaian data dibagi dengan jumlah data.
 Median mengukur nilai tengah dengan membagi jumlah observasi secara seimbang dari
atas ke bawah atau merupakan persentil ke lima puluh. Jika ada urutan data: 4 5 6 6 6 6 7 8
8. Maka mediannya adalah 6.
 Modus menggambarkan nilai yang paling sering muncul atau memiliki frekuensi
terbanyak. Jika ada data: 5, 5, 6, 7, 2, 6, 5, 4, 1, 5. Modusnya merupakan angka 5.
15
2. Mencari ukuran disperse seperti standard deviation, variance.

Variance dari sejumlah observasi adalah rata-rata kuadrat deviasi data dari rata-
ratanya. Standar deviasi adalah akar (positif) dari variance.
3. Selain central tendency dan dispersion, ukuran lain yang dipakai adalah Skewness dan Kurtosis
bertujuan untuk mengidentifikasikan model distribusi dari suatu populasi. Skewness
(kelandaian/kemiringan) adalah suatu ukuran yang dapat menyatakan model distribusi dari suatu
populasi. Terbagi menjadi 3 model kurva, yaitu model positif, negatif dan simetris. Skewness
positif mengindikasikan distribusi yang condong ke kanan. Skewness negatif mengindikasikan
distribusi yang condong ke kiri. Kurtosis adalah pengukuran keruncingan distribusi. Semakin
besar kurtosis, semakin keruncingan akan didistribusikan. Kurtosis dihitung dan dilaporkan baik
sebagai absolut maupun nilai relatif. Nilai absolut selalu angka positif.
3. Histogram
Histrogram adalah chart yang terdiri dari diagram batang dengan tinggi yang berbeda-beda.
Tinggi masing-masing batang mewakili nilai frekuensi dalam kelas yang diwakili oleh diagram
batang.
Statistik Deskriptif terbagi atas 2, yaitu:

1. Data Tunggal,
2. Data Berkelompok.
Untuk data berkelompok ada 3 hal yang perlu diperhatikan dalam menentukan kelas bagi
distribusi frekuensi yaitu:jumlah kelas, lebar kelas dan batas kelas.
1. Data Tunggal
Contoh soal:
Pengusaha Wartel Untung Terus mempunyai 15 kios wartel yang tersebar di wilayah Jakarta Barat
dan Jakarta Utara. Sang pemilik ingin melakukan riset tentang usaha yang telah Ia jalankan selama
kurang lebih 2 tahun terakhir. Bantulah pemilik Wartel Untung Terus melakukan analisa data agar
sang pemilik mendapatkan informasi yang jelas mengenai usaha nya tersebut. Berikut ini
merupakan data pendapatan tahunan Wartel Untung Terus di 15 kios selama tahun 2013:
16
(dalam satuan: juta)

Kios Pendapatan Kios Pendapatan Kios Pendapatan
1 10 6 25 11 18
2 20 7 10 12 20
3 15 8 12 13 15
4 17 9 25 14 25
5 20 10 17 15 12
Dari data diatas, tentukanlah

1. Nilai Mean, Median dan Modus
2. Nila Minimum dan Maximum
3. Nilai Varians, Range dan Standar Deviasi
4. Nilai Kurtosis dan Skewness
5. Kuartil 1,2,3
6. Desil 3
7. Persentil 40, 85
Langkah-langkah pengerjaan:
1. Buka IBM SPSS Statistics 20, input data sesuai dengan tabel diatas
2. Pilih menu analyze >> descriptive statistics >> frequencies. Akan muncul windows frequencies.
Kemudian masukkan Pendapatan ke kotak variable. Display frequency tables tetap dicentang.
17
3. Pada menu statistik, pilih sesuai dengan pertanyaan soal, klik continue.
4. Pada menu chart, ada 3 Pilihan, pilih sesuai yang diperlukan (Bisa Bar, Pie dan Histogram khusus
untuk Histogram dicentang bagian with normal curve), klik continue.
18
5. Pada menu format, pada Order by, pilih option: Ascending values (data akan menjadi urut dari
terkecil ke terbesar; artinya akan menempatkan 1 atau pria diurutan pertama output) kemudian,
Continue,OK.
6. Klik Ok
7. Interpretasi Hasil melalui Output yang sudah dihasilkan oleh aplikasi SPSS
19
Inteprestasi data dilakukan dengan cara mengamati hasil output dari aplikasi IBM SPSS, kemudian
dibuat laporan dari hasil inteprestasi data tersebut.
Dibawah ini adalah cara membuat laporan hasil inteprestasi data :
1. Jadi, nilai Mean pada data pendapatan Wartel Untung Terus adalah sebesar 17.4 juta
Jadi, nilai Median pada data pendapatan Wartel Untung Terus adalah sebesar 17
juta Jadi, nilai Modus pada data pendapatan Wartel Untung Terus adalah sebesar 20
juta
2. Jadi, nilai Minimum pada data pendapatan Wartel Untung Terus adalah sebesar 10 juta
Jadi, nilai Maximum pada data pendapatan Wartel Untung Terus adalah sebesar 25 juta
3. Jadi, nilai Varians pada data pendapatan Wartel Untung Terus adalah sebesar 26.686 juta
Jadi, nilai Range pada data pendapatan Wartel Untung Terus adalah sebesar 15 juta
Jadi, nilai Standar Deviasi data pendapatan Wartel Untung Terus adalah sebesar 5.166 juta
4. Jadi, nilai Kurtosis pada data pendapatan Wartel Untung Terus adalah sebesar -1.005
Jadi, nilai Skewness pada data pendapatan Wartel Untung Terus adalah sebesar
0.130
5. Jadi, nilai Quartile 1 pada data pendapatan Wartel Untung Terus adalah sebesar 12
juta Jadi, nilai Quartile 2 pada data pendapatan Wartel Untung Terus adalah sebesar
17 juta Jadi, nilai Quartile 3 pada data pendapatan Wartel Untung Terus adalah
sebesar 20 juta
6. Jadi, nilai Desil 3 pada data pendapatan Wartel Untung Terus adalah sebesar 14.4 juta
Jadi, nilai Percentil 40 pada data pendapatan Wartel Untung Terus adalah sebesar 15.8
juta Jadi, nilai Percentil 85 pada data pendapatan Wartel Untung Terus adalah sebesar 25
juta
20
2. Data Berkelompok
Contoh Soal:
Data berikut menunjukkan data berat badan 30 wanita setelah melahirkan selama bulan Agustus
2014 di RSIA Kurnia Jakarta Selatan (data dalam kg)
Nama Berat Nama Berat Nama Berat

Pasien Badan Pasien Badan Pasien Badan
Asih 62 Mimi 53 Jenny 65
Yati 57 Marina 58 Dea 53
Ani 65 Saskia 58 Gita 49
Meli 56 Yanti 61 Ariana 50
Cindy 53 Rara 57 Britney 55
Lina 52 Nana 62 Kate 54
Susan 48 Yola 56 Christin 57
Lisa 56 Anne 55 Bella 56
Maria 60 Irena 52 Hana 60
Donita 57 Silvia 57 Rossi 59
Dari data diatas carilah :

1. Nilai Mean, Median dan Modus
2. Nila Minimum dan Maximum
3. Nilai Varians, Standar Deviasi
4. Nilai Kurtosis dan Skewness
5. Kuartil 1,2,3
6. Desil 7
7. Persentil 58
Langkah –langkah penyelesaian:

1. Hitung banyaknya kelas dan lebar kelas dengan menggunakan rumus Sturges.
k = 1+ 3.3log n l = Xmax - Xmin
k
21
Jawab:
k = 1+ 3.3log n
k = 1 + 3.3 log 30
k = 5,87 = 6 (pembulatan selalu ke atas)
l = Xmax - Xmin
k (sebelum pembulatan)
l = (65-48) / 5,87
l = 2.89
l = 3 (pembulatan normal)
2. Buka SPSS. Input data sesuai tabel.
3. Pada Menu Transform, pilih submenu Recode, pilih Into Different Variables. Akan muncul
dialog seperti dibawah ini.
3. Pada kotak dialog Recode Into Different Variables, pindahkan variable Berat_Badan kesebelah
kanan, lalu pada Output Variable, ketik: Data1 sebagai nama variable yang baru. Pilih change dan
kemudian pilih: Old and New Values.
22
4. Input range: 48 through 50 kemudian pada New Value, inputkan Value: 49 sebagai nilai tengah
dari range tersebut. Setelah itu di-add di OldNew, dan seterusnya. Kemudian, klik Continue.
5. Klik OK. Maka akan muncul variabel baru Data1.
6. Pada menu Analyze, pilih Descriptive Statistics >> Frequencies.

7. Pindahkan variable Data1 ke sebelah kanan.
23
8. Klik Statistics, beri tanda pada ukuran yang diminta, dan klik “Values are group midpoints”,
kemudian klik Continue.
9. Pada menu Chart, pilih jenis chart yang diminta. Klik Continue
10. Klik OK, dan didapat Result sebagai berikut

24
Inteprestasi data dilakukan dengan cara mengamati hasil output dari aplikasi IBM SPSS,
kemudian dibuat laporan dari hasil inteprestasi data tersebut.
25
Hasil inteprestasi data:

1. Jadi, nilai mean pada data berat badan adalah sebesar 56.3 kg
Jadi, nilai median pada data berat badan adalah sebesar 56.4 kg
Jadi, nilai modus pada data berat badan adalah sebesar 58 kg
2. Jadi, nilai minimum pada data berat badan adalah sebesar 49 kg
Jadi, nilai maximum pada data berat badan adalah sebesar 64 kg
3. Jadi, nilai varians pada data berat badan adalah sebesar 17.803 kg
Jadi, nilai standar Deviasi pada data berat badan adalah sebesar 4.21 kg
4. Jadi, nilai kurtosis pada data berat badan adalah sebesar -0.689
Jadi, nilai skewness pada data berat badan adalah sebesar -0,053
5. Jadi, nilai Quartile 1 pada data berat badan adalah sebesar 53 kg
Jadi, nilai Quartile 2 pada data berat badan adalah sebesar 56.4 kg
Jadi, nilai Quartile 3 pada data berat badan adalah sebesar 59.61 kg
6. Jadi, nilai Desil 7 pada data berat badan adalah sebesar 58.92 kg
Jadi, nilai Persentil 58 data berat badan adalah sebesar 57.36 kg
26
Soal Latihan
1. Seorang manajer sedang melakukan survei terhadap hasil penjualan nugget yang diproduksi
perusahaannya selama setahun ini. Berikut adalah total jumlah bungkus nugget yang diproduksi
setiap bulan (dalam ribuan).
Bulan 1 2 3 4 5 6 7 8 9 10 11 12
Total 12 15 26 31 28 21 36 46 32 18 12 10
Tentukan berikut ini:
a. Nilai mean, median, modus
b. Nilai maksimum dan minimum
c. Nilai simpangan baku dan simpangan ragam
d. Nilai kurtosis dan skewness
e. Kuartil 3
f. Desil 7 dan Persentil 85
2. PT EXIS Indonesia sedang melakukan riset terhadap sejumlah pelanggannya tentang kuota
internet yang digunakan selama 1 bulan. Hal ini menjadi tanggung jawab Ardian sebagai staff
R&D di perusahaan tersebut sehingga untuk melakukan riset Ia mengambil sampel pelanggan
sebagai berikut:
3.2GB 1GB 2GB 2.3GB 3GB 1.5GB 4.5GB 2GB 2.5GB 4GB
1.5GB 1.5GB 5GB 1.5GB 2.5GB 1GB 2GB 3.5GB 1GB 3.2GB
Dari data diatas, tentukan:

a. Nilai Median, Modus
b. Keruncingan dan kelandaian
c. Nilai minimal dan maksimal
d. Nilai Desil 7
e. Nilai Persentil 76
f. Nilai standar deviasi
3. Pak Hendri adalah seorang guru matematika di SDN 10. Murid-murid di SDN 10 baru saja
mengikuti ujian akhir sekolah. Setelah menghabiskan waktu kurang lebih 3 hari untuk
memeriksa 48 jawaban, Pak Hendri mendata nilai-nilai murid kedalam sebuah tabel dibawah ini:
27
80 75 65 58 78 80
90 95 50 68 74 98
70 80 90 95 75 92
65 79 87 85 64 68
82 81 65 93 80 75
68 70 75 55 58 77
96 67 86 77 70 79
60 75 78 65 70 89
Tentukanlah:
a. Jumlah dan lebar kelas
b. Mean, Median, Modus, Minimum, Maximum,
c. Simpangan baku dan ragam
d. Q1, Q3, P65, D2, D8
4. Berikut adalah hasil sensus penduduk Indonesia tahun 2009 mengenai usia laki-laki dan
perempuan yang resmi menikah untuk pertama kalinya. Sebanyak 10 sampel diambil dari
populasi laki-laki dan perempuan yang berdomisili di Kota Jakarta.
Hasil data sensus pada tahun 2009
Jumlah Laki-laki Jumlah Perempuan
1 30 1 22
2 25 2 20
3 27 3 21
4 35 4 19
5 33 5 25
6 40 6 27
7 27 7 30
8 26 8 28
9 28 9 27
10 30 10 26
11 26 11 25
12 25 12 22
28
13 29 13 19
14 31 14 23
15 33 15 22
Dari data-data diatas, tentukanlah:

a. Nilai median dari usia laki-laki dan perempuan yang menikah untuk pertama kalinya.
b. Nilai rata-rata dari usia laki-laki dan perempuan yang menikah untuk pertama kalinya.
c. Kuartil 1 dan 3 usia laki-laki dan perempuan yang menikah untuk pertama kalinya.
d. Nilai varians dan standar deviasi usia laki-laki dan perempuan yang menikah untuk pertama
kalinya.
e. Nilai skewness dan kurtosis usia laki-laki dan perempuan yang menikah untuk pertama kalinya.
f. Apabila pada tahun 2014 penelitian membuktikan bahwa rata-rata usia laki-laki yang menikah
untuk pertama kalinya adalah 35 dan untuk wanita adalah 27 tahun, informasi apa yang dapat
anda simpulkan?
PERTEMUAN 2
VALIDITAS & RELIABILITAS
2.1 Uji Validitas dan Reliabilitas
Salah satu instrumen yang sering dipakai dalam penelitian ilmiah adalah kuesioner, yang
bertujuan untuk mengetahui pendapat seseorang mengenai suatu hal. Sebuah kuesioner dapat
disusun dengan pertanyaan yang bersifat terbuka (berapa usia anda saat ini, bagaimana pendapat
Anda tentang Universitas Bina Nusantara) atau pertanyaan tertutup seperti (kategori usia anda:
<20 tahun atau > 20 tahun). Salah satu skala yang sering dipakai dalam penyusunan kuesioner
adalah skala likert (lihat pada penjelasan skala likert).
Menurut Sarjono (2011) pengujian validitas merupakan sebuah proses untuk

membuktikan bahwa instrument, teknik atau proses yang digunakan dalam mengukur sebuah
konsep benar-benar mengukur konsep yang dimaksudkan dimana tujuannya adalah untuk
megukur valid tidaknya suatu item pertanyaan dari kuesioner yang disebarkan kepada para
responden yang menjadi obyek penelitian.
Dalam penelitian kualitatif yang menggunakan instrumen kuesioner sebagai salah satu
alat ukur, ada dua syarat penting yang harus dipenuhi, yaitu keharusan sebuah kuesioner untuk
Valid dan Reliabel (syarat lainnya, yaitu Tingkat ketelitian tidak dibahas pada modul ini).
Suatu kuesioner dikatakan Valid jika pertanyaan pada suatu kuesioner mampu untuk
mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut. Sedangkan suatu angket
dikatakan reliabel (andal) jika jawaban seseorang terhadap pertanyaan adalah konsisten atau stabil
dari waktu ke waktu.
Menurut Ferdinand (2014) mengatakan bahwa sebuah scale atau instrument pengukuran
data yang dihasilkan terpercaya atau reliable apabila instrument itu secara konsisten memunculkan
hasil yang sama setiap kali dilakukan pengukuran oleh karena itu tujuan dilakukan pengujian
realibilitas menurut Sarjono (2011) adalah untuk mengukur konsistensi dari tidaknya jawaban
setiap responden terhadap item-item pernyataan yang berada di dalam kuesioner yang sudah
disebarkan itu dapat terpecaya atau reliable.
Pengukuran reliabilitas pada dasarnya bisa dilakukan dengan dua cara :
 Repeated Measure atau ukur ulang. Disini seseorang akan disodori pertanyaan yang sama
pada waktu berbeda, dan kemudian dilihat apakah dia tetap konsisten dengan jawabannya.
29
30
 One short atau sekali saja. Di sini pengukuran hanya sekali dan kemudian hasilnya
dibandingkan dengan hasil pertanyaan lain.
Langkah menyusun kuesioner :
1. Menetapkan sebuah Konstrak, yaitu membuat batasan mengenai variabel yang akan diukur.
Jika ingin diteliti mengenai perilaku konsumen, maka perlu dipertegas dahulu apa yang
dimaksud dengan perilaku konsumen tersebut.
2. Menetapkan faktor-faktor, yaitu mencoba menemukan unsur-unsur yang ada pada suatu
konstrak.
3. Menyusun butir-butir pertanyaan, yaitu mencoba menjabarkan sebuah faktor lebih lanjut
dalam berbagai pertanyaan yang langsung berinteraksi dengan pengisi kuesioner. Dalam
setiap konstrak bisa terdiri dari beberapa faktor, dan setiap faktor bisa terdiri dari beberapa
butir pertanyaan, dengan catatan bahwa bisa juga setiap faktor mempunyai jumlah butir yang
tidak sama satu sama dengan yang lain.
Tujuan Analisis Validitas dan Reliabilitas :
Pengujian validitas dan reliabilitas adalah proses menguji butir-butir pertanyaan yang ada dalam
sebuah kuesioner, apakah isi dari butir pertanyaan tersebut sudah valid dan reliabel.
Contoh :
Marcella akan melakukan penelitian untuk melihat hubungan antara kegiatan promosi yang
dilakukan terhadap tingkat loyalitas pelanggan terhadap perusahaan. Oleh karena itu, Marcella
menyebarkan kuesioner kepada 60 responden dengan 4 butir pertanyaan dalam mengukur tingkat
loyalitas mereka dan 3 butir pertanyaan dalam mengukur efektifitas kegiatan promosi. Berikut
merupakan hasil dari kuesioner:
L1 – L4: butir pertanyaan tingkat loyalitas
P1 – P3: butir pertanyaan efektifits promosi
R L1 L2 L3 L4 P1 P2 P3
R1 4 3 4 5 3 4 5
R2 5 4 5 4 4 5 4
R3 4 4 5 3 2 5 3
R4 5 5 5 3 5 5 3
R5 4 4 4 3 4 4 3
R6 3 5 5 4 4 5 4
R7 2 3 2 3 3 2 3
R8 2 3 2 3 3 2 3
R9 3 5 4 3 3 3 3
R10 4 3 3 2 5 3 2
R11 4 4 4 4 3 4 4
R12 4 3 3 3 4 3 3
R13 5 5 4 3 3 4 3
R14 5 5 3 3 4 3 3
R15 4 4 4 4 4 4 4
R16 4 4 4 4 4 4 4
R17 5 4 5 5 5 5 5
R18 4 4 4 4 3 4 4
R19 3 2 4 3 2 4 3
R20 4 3 4 3 2 4 3
R21 3 4 4 3 3 4 3
R22 4 4 4 5 5 4 5
R23 4 4 4 3 5 4 3
R24 3 5 5 5 5 5 5
R25 4 4 4 3 3 4 3
R26 3 2 3 3 4 3 3
R27 3 3 4 4 4 4 4
R28 2 3 3 2 3 3 2
R29 2 3 3 4 4 3 4
R30 3 3 4 4 3 4 4
R31 3 4 4 5 3 4 5
R32 2 4 4 3 4 4 3
R33 2 4 3 2 4 3 2
R34 2 4 2 4 3 2 4
R35 3 4 4 4 3 4 4
R36 3 3 3 3 4 3 3
R37 4 4 4 3 2 4 3
R38 4 5 4 4 5 4 4
R39 3 3 2 2 2 2 2
R40 3 4 4 3 2 4 3
R41 3 2 3 3 4 3 3
R42 5 4 4 4 4 4 4
R43 4 4 4 4 5 4 4
R44 3 3 4 5 5 4 5
R45 3 4 3 3 3 3 3
R46 4 4 3 3 5 3 3
R47 2 3 4 4 4 4 4
R48 5 5 3 4 4 3 4
R49 3 4 3 5 5 3 5
R50 5 5 4 4 5 4 4
31
32
R51 3 4 4 4 5 4 4
R52 2 3 3 4 4 3 4
R53 3 4 4 3 2 4 3
R54 3 4 4 5 2 4 5
R55 4 5 4 4 5 4 4
R56 3 3 4 5 5 4 5
R57 3 4 5 5 5 5 5
R58 4 4 4 4 3 4 4
R59 5 5 5 5 4 5 5
R60 3 3 3 4 3 3 4
Dari hasil kuesioner tersebut lakukanlah pengujian apakah data tersebut valid dan reliabel.
Untuk melakukan pengujian validitas data di run sekaligus, namun untuk reliabilitas, data
harus di run per variabel tanpa memasukkan nilai skor.
Langkah-langkah :
1. Masukkan data pada butir L1 sampai P3 ke dalam SPSS.
2. Pilih menu Transform, kemudian pilih submenu Compute Variable.

3. Pada window Compute Variable, lakukan pengisian sebagai berikut:
 Isi Target Variable dengan Skor
 Pada Numeric Expression isi (L1+L2+L3+L4+P1+P2+P3)/7
4. Klik ok, dan di data view akan muncul kolom Skor
5. Pilih Analyze  Scale  Reliability Analysis
33
34
6. Masukkan semua kolom (L1 - Skor) ke kotak Items yang ada di sebelah kanan
7. Kemudia pilih menu Statistics, pada bagian Inter-Item, centang Correlations, kemudian klik
Continue untuk kembali ke window utama
8. Klik OK dan akan muncul hasil sebagai berikut.
Inter-Item Correlation Matrix

L1 L2 L3 L4 P1 P2 P3 Skor
L1 1,000 ,494 ,448 ,135 ,216 ,456 ,135 ,605

L2 ,494 1,000 ,439 ,198 ,223 ,404 ,198 ,605
L3 ,448 ,439 1,000 ,435 ,168 ,986 ,435 ,788
L4 ,135 ,198 ,435 1,000 ,339 ,449 1,000 ,740
P1 ,216 ,223 ,168 ,339 1,000 ,183 ,339 ,548
P2 ,456 ,404 ,986 ,449 ,183 1,000 ,449 ,792
P3 ,135 ,198 ,435 1,000 ,339 ,449 1,000 ,740
Skor ,605 ,605 ,788 ,740 ,548 ,792 ,740 1,000
1. Interpretasi hasil
Seperti telah dijelaskan, pengujian dimulai dengan menguji validitas kuesioner, baru
kemudian reliabilitas kuesioner tersebut.
Langkah-langkah dalam menguji validitas butir kuesioner adalah:
Hipotesis
H0 : Skor butir valid
Ha : Skor butir tidak valid
Dasar Pengambilan Keputusan (DPK)
R ≥ 0.5 maka H0 diterima
35
36
R < 0.5 maka H0 ditolak
Keputusan
Butir R Tanda 0.5 Keputusan
1 0.605 > 0.5 Valid

2 0.605 > 0.5 Valid
3 0.788 > 0.5 Valid
4 0.740 > 0.5 Valid
5 0.548 > 0.5 Valid
6 0.792 > 0.5 Valid
7 0.740 > 0.5 Valid
Kesimpulan
Jadi, semua butir valid.
Apabila ada butir pertanyaan yang tidak valid, data harus diuji ulang dengan cara membuang
butir yang tidak valid.
Langkah pengujian diulang dari langkah nomor 3, yaitu mencari skor Pada window Compute
Variable, lakukan pengisian dengan isi Target Variable dengan Skor dan pada Numeric
Expression isi semua item kecuali item yang tidak valid.
Setelah uji validitas selesai dilakukan (semua valid), maka baru bisa dilakukan uji reliabilitas
dengan langkah-langkah:
1. Pilih Analyze  Scale  Reliability Analysis
2. Pada window Reliability Analysis lakukan pengisian sebagai berikut:
 Masukkan butir L1-L4 ke kotak Items yang ada di sebelah kanan
 Klik menu Statistics, pada bagian Descriptive for (kiri atas), centang ketiga pilihan
(Item, Scale, Scale if item deleted), kemudian klik Continue untuk kembali ke window
utama.
37
38
3. Klik OK dan akan muncul hasil sebagai berikut.
Reliability Statistics
Cronbach's N of Items
Alpha
.684 4
Interpretasi Hasil
Hipotesis
H0 : Skor butir reliabel
Ha : Skor butir tidak reliabel
Rα ≥ 0.5 maka H0 diterima
Rα< 0.5 maka H0 ditolak
Keputusan
0.684 > 0.5 maka H0 diterima
Kesimpulan
Jadi, skor butir pertanyaan reliabel.
Lakukan lagi pengujian reliabilitas untuk variabel Kualitas Produk

PERTEMUAN 3
NORMALITAS
3.1 Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah distribusi data mengikuti atau
mendekati distribusi normal atau tidak (Sarjono dan Julianita, 2011: 53). Pada dasarnya uji
normalitas adalah membandingkan antara data yang kita miliki dan data berdistribusi normal yang
memiliki mean dan standar deviasi yang sama dengan data kita. Uji normaltias menjadi hal yang
penting karena salah satu syarat pengujian parametrik adalah data harus berdistribusi normal.
Menurut Budiawan (2012: 58), secara teoritis, semakin besar jumlah sampel, maka data akan
cenderung berdistribusi normal. Uji ini biasanya digunakan untuk mengukur data berskala ordinal,
interval, maupun rasio.
Berikut merupakan Dasar Pengambilan Keputusan (DPK) dalam Uji Normalitas (α dalam
penelitian ini sebesar 5%  0,05) :
Untuk jumlah responden < 50  lihat sig pada table Shapiro Wilk
Untuk jumlah responden ≥ 50  lihat sig pada table Kolmogorov Smirnov
o Jika sig > maka data berdistribusi normal.
o Jika sig < maka data berdistribusi tidak normal.
Contoh soal:
Edwin merupakan mahasiswa Binus University yang sedang skripsi mengenai analisa
pengaruh perubahan logo dan nama produk terhadap brand awareness. Sebagai data
penelitiannya Edwin melakukan penyebaran kuesioner kepada 60 responden. Sebelum
mengolah hasil dari kuesioner, Edwin ingin mengetahui distribusi data dari hasil kueisoner
yang diperoleh. Berikut merupakan hasilnya:
Logo Nama Brand Awareness

4 3.23 4.93
3.8 3.4 4.5
3.44 1.5 4.56
3.7 3.9 2.58
4 3.32 4.33
1.5 3.2 3.5
39
40
1.7 1.85 3.84

3.9 3.4 4.33
4.75 2.5 3.75
4 1.8 4.12
3.2 2.5 2.75
2.93 3 4.41
4.12 3 4.31
4.75 4.52 3.73
4.3 3.4 3.8
1.79 4.81 4
4.3 4.58 3.8
3.2 4.56 3.44
2.44 2.58 3.7
4 4.33 4
3.68 3.5 1.5
4 3.84 1.7
3.5 4.33 3.9
4.75 3.75 4.75
4.5 4.12 4
2.75 2.42 3.2
4.65 4.41 2.93
4.44 4.31 4.12
2.6 3.73 4.5
3.41 3.86 4.3
3.65 4 1.79
3.54 3.8 4.3
1.5 3.44 3.2
3.9 3.7 2.5
3.32 4 4
3.2 1.5 3.8
1.85 1.7 4
3.61 3.9 3.5
2.5 4.75 4.5
1.77 4 4.25
2 3.2 3
3.21 3 4.65
3 4.12 4
4.82 4.75 2.6
2.49 4.3 3.41
4.93 1.79 3.65
4.58 4.3 3.54
4.56 3.2 1.5
2.58 2.46 3.9
4.33 4 3.32
3.5 3.68 3.2
3.84 4 1.85
4.33 3.5 3.61
3.75 4.75 2.5
4.12 4.5 1.77
2.55 3 2
4.41 4.4 3.21
4.31 4.32 3
3.73 2.6 4.82
3.86 3.41 2.49
Langkah-langkah:
1. Input data di atas pada SPSS
2. Dari menu Analyze, pilih Descriptive Statistics, kemudian pilih Explore.
41
42
3. Masukkan variabel Logo, Nama, dan Brand Awareness pada kotak Dependent List.
4. Pada menu Plots, centang opsi “Normality plots with tests” dan kosongkan opsi yang lain dan
tekan Continue.
5. Pada bagian Display (kiri bawah), pilihlah opsi Plots dan klik OK.
6. Hasil output:
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Logo .103 60 .176 .939 60 .005

Nama .101 60 .200 .936 60 .004
Brand_Awareness .113 60 .053 .935 60 .003
a. Lilliefors Significance Correction
7. Setelah melakukan analisa pada SPSS hingga mendapatkan hasilnya, kita dapat melanjutkan pada
interpretasi data sebagai berikut:
Hipotesis
H0 = Data Logo, Nama dan Brand Awareness berdistribusi normal.
Ha = Data Logo, Nama dan Brand Awareness berdistribusi bebas
Sig ≥ α maka H0 diterima
Sig < α maka H0 ditolak
Keputusan (lihat di bagian Kolmogorov Smirnov)
Variabel Sig Tanda α

Logo 0.176 > 0.05
Nama 0.200 > 0.05
Brand Awareness 0.053 > 0.05
43
44
Kesimpulan
Jadi, data Logo berdistribusi normal,

data Nama berdistribusi normal,
data Brand Awareness berdistribusi normal.
Soal Latihan
1. Fernanda ingin mengetahui mengenai tingkat brand awareness produknya di pasar. Oleh karena
itu, Ia akan melakukan penelitian berdasarkan hasil kuesioner yang akan disebarkan kepada 50
orang responden. Kuesioner yang disebarkan meliputi 2 indikator utama sebagai pengukur
tingkat brand awareness yaitu recall dan recognition.
Berikut merupakan hasil dari kuesioner yang telah disebarkan:
Data Ordinal Variabel Recall:
R1 R2 R3 R4
5 4 4 1
5 2 3 4
1 5 2 4
3 2 3 2
1 2 1 4
5 4 5 4
4 4 4 2
1 1 1 3
2 5 2 2
2 4 2 2
5 1 5 4
1 4 1 4
4 4 4 3
2 4 2 4
3 3 3 1
2 3 2 2
2 1 2 2
4 4 4 4
4 3 4 3
3 5 3 4
4 3 4 3
5 2 5 2
2 2 2 3
2 4 2 3
2 4 3 4
2 3 2 3
5 4 5 3
1 1 1 3
4 2 4 4
2 2 2 2
3 4 3 2
2 3 2 2
2 4 2 4
1 2 1 4
2 4 2 3
3 3 3 4
1 3 1 1
3 4 3 2
4 4 4 2
1 4 1 4
4 3 4 3
4 3 4 2
3 1 3 4
3 4 3 3
1 3 1 4
2 5 2 3
3 3 3 2
4 2 4 3
5 2 5 3
3 4 3 2
Data Ordinal Variabel Recognition:
C1 C2 C3 C4
4 4 4 3
3 4 3 2
4 5 2 5
3 3 3 2
1 2 1 1
5 4 5 4
4 4 4 4
1 1 1 1
2 5 2 5
2 4 2 4
5 1 5 1
1 4 1 4
4 4 4 4
2 3 2 4
3 4 3 3
2 3 2 3
2 1 2 1
4 4 4 4
45
46
4 3 4 3
3 5 3 5
4 3 4 3
5 2 5 2
3 2 2 2
2 4 2 4
2 3 3 4
2 3 2 3
5 4 5 4
1 1 1 1
4 2 4 2
2 2 2 2
3 4 3 4
2 3 2 3
3 4 2 4
2 2 1 2
2 4 2 4
3 3 3 3
1 3 1 3
3 4 3 4
4 5 4 4
1 4 1 4
4 3 4 3
4 3 4 3
3 1 3 1
3 4 3 4
1 3 1 3
2 5 2 5
3 3 3 3
4 2 4 2
5 2 5 2
3 4 3 4
Lakukanlah pengujian validitas, reliabilitas dan normalitas dari hasil kuesioner diatas!
2. Laboratory of business management menyebarkan kuesioner kepada para peserta seminar

dengan tujuan sebagai bahan evaluasi pada kegiatan selanjutnya. Sebelum melakukan
pengolahan hasil kuesioner, harus dilakukan pengujian validitas, reliablitas dan normalitas untuk
mengetahui kelayakan hasil kuesioner. Berikut merupakan hasil kuesioner dalam skala likert :
P1 P2 P3 P4 P5 P6
Setuju Setuju Setuju Setuju Setuju Setuju
Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu
Sangat
Setuju Setuju Setuju Setuju Setuju
Setuju
Setuju Ragu-ragu Setuju Setuju Setuju Ragu-ragu
Ragu-ragu Ragu-ragu Setuju Ragu-ragu Ragu-ragu Ragu-ragu
Sangat Tidak Sangat
Setuju Tidak Setuju Setuju Setuju
Setuju Setuju
Sangat Tidak
Sangat Setuju Setuju Setuju Setuju Setuju
Setuju
Ragu-ragu Ragu-ragu Ragu-ragu Tidak Setuju Setuju Ragu-ragu
Setuju Setuju Setuju Ragu-ragu Setuju Setuju
Setuju Setuju Setuju Ragu-ragu Setuju Setuju
Setuju Setuju Setuju Setuju Setuju Ragu-ragu
Ragu-ragu Ragu-ragu Ragu-ragu Setuju Ragu-ragu Ragu-ragu
Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Setuju
Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Sangat Setuju
Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Setuju
Setuju Ragu-ragu Setuju Ragu-ragu Ragu-ragu Setuju
Setuju Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu Ragu-ragu
Ragu-ragu Ragu-ragu Setuju Setuju Ragu-ragu Setuju
Setuju Ragu-ragu Setuju Setuju Ragu-ragu Ragu-ragu
Tidak
Tidak Setuju Tidak Setuju Ragu-ragu Tidak Setuju Setuju
Setuju
Sangat Tidak Sangat Tidak Tidak
Setuju Setuju Tidak Setuju
Setuju Setuju Setuju
Sangat Setuju Setuju Setuju Setuju Setuju Sangat Tidak
47
48
Setuju
PERTEMUAN 4
ASUMSI KLASIK
Persamaan regresi perlu meyakinkan linearitasnya dan memenuhi tingkat validitas, ketepatan
dalam estimasi, tidak bias dan konsisten yang diharapkan untuk memenuhi peramalan. Hal ini
membutuhkan uji asumsi klasik dengan menggunakan Uji Normalitas, Uji Multikolinearitas, Uji
Heterokedastisitas, dan Uji Autokorelasi. Namun tidak semua uji asumsi klasik yang dilakukan
diperlukan dalam uji Regresi Berganda.
4.1 Uji Multikolinearitas
Uji multikolinearitas digunakan untuk menguji apakah dalam model regresi ditemukan adanya
korelasi yang tinggi atau sempurna antar variabel independen. Hal ini menunjukkan bahwa uji
multikolinearitas dilakukan untuk mengukur tingkat asosiasi hubungan/pengaruh antar variable
bebas dengan menggunakan besaran koefisien relasi (r). Jika antar variabel independen terjadi
multikolinearitas sempurna,maka koefisien regresi variabel tersebut tidak dapat ditentukan dan
nilai standard error menjadi tak terhingga. Dalam hal ini, model regresi linear berganda
mengasumsikan bahwa tidak terdapat korelasi yang signifikan antarvariabel bebasnya.
Contoh soal:
Seorang ekonom di PT. Abadi Jaya ingin mengadakan penelitian tentang apa saja faktor yang
mempengaruhi minat pelanggan dalam membeli sebuah produk. Berikut ini adalah data yang
berhasil dikumpulkan dari hasil survey terhadap 30 orang responden yang merupakan konsumen
produk tersebut.
Minat
Rekomendasi
Iklan di Membeli
Orang Lain
Media Produk
2.25 3.5 3.27
3.75 4.00 2.59
4.00 3.75 3.71
2.50 3.5 4.15
3.35 2.5 3.86
2.55 3.00 2.15
3.75 3.25 4.00
2.25 2.75 3.14
3.00 3.00 2.15
49
50
3.25 3.25 2.75

2.15 2.75 3.00
3.60 3.00 3.25
2.86 3.50 3.77
3.15 3.50 2.86
2.25 3.75 3.22
2.75 3.50 3.75
3.25 3.25 3.50
3.35 3.75 2.75
2.15 3.50 2.86
2.85 3.00 3.25
3.86 3.75 3.80
4.00 3.75 4.15
2.75 3.00 3.25
2.86 2.75 2.86
3.15 3.00 4.13
3.50 3.25 3.75
3.25 3.75 2.15
2.78 4.00 3.23
2.85 3.75 3.00
3.15 3.50 2.75
Lakukanlah uji asumsi klasik (uji multikolinearitas, heterokedastisitas, dan autokorelasi)

terhadap data yang terkumpul di atas.
Langkah-langkah:
7. Input data di atas pada SPSS
51
8. Lakukan uji normalitas terlebih dahulu. Pada menu Analyze, pilih Descriptive Statistics, kemudian
pilih Explore.
9. Masukkan variable Iklan media, Rekomendasi orang lain, dan Minat membeli pada kotak
Dependent List.
10. Pada menu Plots, centang opsi “Normality plots with tests” dan kosongkan opsi yang lain dan
tekan Continue.
52
11. Pada bagian Display (kiri bawah), pilihlah opsi Plots dan klik OK.
12. Hasil output:

Tests of Normality
Iklan_Media ,094 30 ,200* ,959 30 ,287

Rekomendasi_Orang_Lain ,179 30 ,016 ,938 30 ,081
*
Minat_Membeli ,123 30 ,200 ,950 30 ,167
*. This is a lower bound of the true significance.

Interpretasi hasil
Hipotesis
H0 = Data Iklan di Media berdistribusi normal.
Ha = Data Iklan di Media berdistribusi bebas.
53

Sig ≥ α maka H0 diterima
Sig < α maka H0 ditolak
Keputusan
0.287 > 0.05, maka H0 diterima
Kesimpulan
Jadi, data Iklan di Media berdistribusi normal.
NB : Buat juga interpretasi hasil uji normalitas untuk variabel Rekomendasi Orang Lain
dan Minat Membeli Produk.
Berikut langkah uji multikolinearitas.

1. Masukkan data ke dalam IBM SPSS v.20 seperti gambar berikut.
2. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Regression, lalu pilih Linear.
Maka akan muncul kotak dialog sebagai berikut.
54
Masukkan variabel yang dipengaruhi (dependen) dan variabel yang mempengaruhi (independen)
ke kotaknya masing-masing.
3. Pilih Statistics. Kemudian Checklist Estimates, Covariance Matrix (meminta matrik korelasi antar
variabel independen), Model Fit (meminta koefisien determinasi R2), Part and Partial correlation
(meminta korelasi parsial dan zero order correlation) dan Colinearity diagnostics (meminta nilai
tolerance dan VIF).
4. Klik OK. Berikut hasil output SPSS
Coefficientsa
Model Unstandardized Standardi t Sig. Correlations Collinearit

Coefficients zed y
Coefficie Statistics
n
ts
B Std. Beta Zero Partial Part Toler VIF

Erro - a
r order nce
(Constant) 2,702 ,992 2,723 ,011

1 Iklan_Media ,300 ,205 ,280 1,460 ,156 ,260 ,270 ,270 ,934 1,070
Rekomendasi_Or
-,113 ,281 -,077 -,403 ,690 -,005 -,077 -,075 ,934 1,070
ang_Lain
a. Dependent Variable: Minat_Membeli

55
Interpretasi Hasil
Hipotesis
H0 : Tidak terjadi multikolinearitas
Ha : Terjadi multikolinearitas
Dasar Pengambilan Keputusan
Nilai tolerance > 0.10  H0 diterima VIF > 10  H0 ditolak
Nilai tolerance < 0.10  H0 ditolak VIF < 10  H0 diterima
Keputusan
Untuk variabel iklan di media dan rekomendasi orang lain
Nilai tolerance: 0.934 > 0.10  H0 diterima
Nilai VIF : 1.070 < 10  H0 diterima
Kesimpulan
Berdasarkan nilai Tolerance dan VIF terlihat bahwa tidak ada nilai Tolerance di bawah
0.10, yaitu sebesar 0.934, dan begitu juga dengan nilai VIF tidak ada yang di atas 10
yaitu hanya sebesar 1.070. Hal ini menunjukkan tidak ada multikolinearitas.
4.2 Uji Heteroskedastisitas
Untuk mengetahui keadaan dimana terjadinya ketidaksamaan varians dari data pada model regresi,
maka perlu dilakukan uji heteroskedastisitas.
Uji Korelasi Spearman Rank

Pengujian dilakukan dengan mencari korelasi antara nilai residual dengan variable bebasnya. Jika
ditemukan adanya korelasi antara variable bebas dengan nilai residual, maka dapat disimpulkan
terjadi heterokedastisitas.
Masih menggunakan data yang digunakan sebelumnya yaitu mengenai Iklan di Media,
Rekomendasi Orang Lain, dan Minat Membeli Produk. Berikut langkah-langkah uji
heteroskedastisitas :
56
2. Pilih Save kemudian pada bagian Residuals pilih Unstandardized (Untuk memunculkan nilai
residual).
57
Lalu klik Continue>> OK. Hasil akan muncul di input SPSS.
3. Setelah muncul nilai residual, dilanjukan dengan analisis korelasi. Pilih menu Analyze
>>Correlate>>Bivariate.
4. Pindahkan variabel independen (dalam kasus ini adalah Iklan di Media dan Rekomendasi Orang
Lain) dan Unstandardized Residuals ke kotak variabel. Kemudian centang Spearman pada
Coefficient Correlation.
5. Klik OK.
Correlations
Iklan_Media Rekomendasi Unstandardize

_Orang_Lain d Residual
Correlation Coefficient 1.000 .250 .025
Iklan_Media Sig. (2-tailed) . .183 .894
N 30 30 30
Spearman's rho
Rekomendasi_Orang_Lai Correlation Coefficient .250 1.000 .016
n Sig. (2-tailed) .183 . .933
58
N 30 30 30
Correlation Coefficient .025 .016 1.000
Unstandardized Residual Sig. (2-tailed) .894 .933 .
N 30 30 30
Interpretasi Hasil
Hipotesis
H0 : Tidak terjadi heterokedastisitas
Ha : Terjadi heterokedastisitas
Sig >  Ho diterima
Sig <  Ho ditolak
Keputusan
Iklan di Media : 0.894 > 0.05  H0 diterima
Rekomendasi Orang Lain : 0.933 > 0.05  H0 diterima
Kesimpulan
Berdasarkan hasil diperoleh nilai sig pada kedua variabel bebas memiliki nilai lebih besar
dari 0.05 sehingga disimpulkan bahwa tidak terjadi masalah heterokedastisitas.
4.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi
antar kesalahan pengganggu (residual) pada periode t dengan kesalahan periode t-1 (sebelumnya).
Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Autokorelasi sering
muncul pada data time series. Sedangkan pada data cross section, masalah autokorelasi relative
jarang terjadi. Dalam penelitian ini akan digunakan metode pengujian Run Test. Run Test
digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika ya, maka terjadi
masalah autokorelasi.
Dalam menentukan ada tidaknya auto korelasi, diperlukan beberapa pertimbangan untuk
menentukan adanya masalah atau tidaknya autokorelasi, yakni:
59
 Bila nilai DW berada di antara dU sampai dengan 4 - dU maka koefisien autokorelasi sama
dengan nol. Artinya, tidak ada autokorelasi.
 Bila nilai DW lebih kecil daripada dL, koefisien autokorelasi lebih besar daripada nol.
Artinya ada autokorelasi positif.
 Bila nilai DW terletak di antara dL dan dU, maka tidak dapat disimpulkan.
 Bila nilai DW lebih besar daripada 4 - dL, koefisien autokorelasi lebih besar daripada nol.
Artinya ada autokorelasi negatif.
 Bila nilai DW terletak di antara 4 – dU dan 4- dL, maka tidak dapat disimpulkan.
Pertimbangan di atas dilakukan dengan uji Durbin-Watson (DW test) dan biasanya hal ini hanya
digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya
intercept dalam model regresi dan tidak ada variable lag di antara variable penjelas.
Masih menggunakan data yang digunakan sebelumnya yaitu mengenai Iklan di Media,
Rekomendasi Orang Lain, dan Minat Membeli Produk. Berikut langkah-langkah melakukan uji
autokorelasi dengan menggunakan Run Test :
1. Pilih menu Analyze >> Nonparametric tests >> Legacy dialogs >>Runs.
2. Pada kotak Test Variable List, isikan Unstandardized Residual (RES_1). Pilih Cut Point Median.
60
3. Klik Continue-OK. Maka akan muncul output SPSS seperti berikut.
Runs Test
Unstandardized
Residual
a
Test Value .06787
Cases < Test Value 15
Cases >= Test Value 15
Total Cases 30
Number of Runs 16
Z .000
Asymp. Sig. (2-tailed) 1.000
a. Median
Interpretasi Hasil
Hipotesis
H0: Tidak terjadi autokorelasi.
Ha : Terjadi autokorelasi.
Sig >  H0 diterima
Sig <  H0 ditolak
Keputusan
1.000 > 0.05  H0 diterima
Kesimpulan
Tidak terjadi autokorelasi pada model regresi.
61
Note:
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear
berganda yang berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak berdasarkan
OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau regresi ordinal.
Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya
uji multikolinearitas tidak dilakukan pada analisis regresi linear sederhana dan uji autokorelasi
tidak perlu diterapkan pada data cross sectional. Ketika asumsi tidak terpenuhi, biasanya peneliti
menggunakan berbagai solusi agar asumsinya dapat terpenuhi atau beralih ke metode yang lebih
advance agar asumsinya dapat terselesaikan.
Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk
menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan market
model, atau market adjusted model. Perhitungan nilai return yang diharapkan dapat dilakukan
dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.
62
Soal Latihan
1. Seorang mahasiswi Ilmu Komunikasi sedang melakukan penelitian terkait dengan faktor – faktor yang
mempengaruhi partispasi politik di masyarakat. Dan berikut adalah hasil yang didapatkan dari penelitian
kepada 30 orang responden.
Tingkat Kondisi Organisasi Partisipasi

No.
pendidikan Ekonomi yang Diikuti Politik
1 3 3.75 4.14 2.37
2 2.25 2.55 3.15 4.18
3 2.86 2.75 2.76 3.28
4 3.05 3.5 4 2.55
5 2.02 3 3.86 3.15
6 2.75 3.05 2.75 4
7 3.86 3.75 3.25 4.14
8 3.02 2.75 2.13 2.75
9 4 4.5 4.15 3.85
10 3.5 4 3.75 2.77
11 2.08 2.5 2.86 3.24
12 2.86 3 3.13 3.86
13 3.05 3.25 3.27 2.19
14 2.75 3.25 3.18 4.15
15 3 2.75 2.86 2.77
16 4 3.75 3.95 3.78
17 2.25 2.5 3 2.86
18 2.75 2.75 3.27 3.22
19 2.86 3.25 4 3.75
20 3.35 3.5 4.15 3.85
21 3.06 3.25 3.18 3.75
22 3.35 3.75 3.96 4.15
23 4.18 4.5 4.15 3.25
24 2.66 3 2.77 2.89
25 2.58 2.75 2.86 3
26 3.13 3.5 3.24 4.15
63
27 4.04 4.5 4.14 3.85

28 2.96 3 2.89 3.13
29 3.58 3.75 3.25 4.25
30 3.71 3.5 3.18 3.78
Lakukanlah pengujian asumsi klasik (uji multikolinieritas, uji heterokedastisitas, dan uji
korelasi) untuk data di atas!
2. Serena merupakan salah satu pemilik restoran dan coffeeshop terbaru di wilayah kota Tangerang.
Serena sedang melakukan penlitian, faktor-faktor apa saja yang mempengaruhi para konsumen untuk
kembali ke coffee shop miliknya. Berikut data yang terkumpul:
No Rasa Fasilitas Frekuensi

Pertanyaan 1 Pertanyaan 2 Pertanyaan 3 Pertanyaan1 Pertanyaan 2
1 4 3 2 5 2 3
2 3 4 3 5 3 4
3 2 5 5 2 5 2
4 5 2 2 2 2 4
5 2 3 4 4 4 4
6 4 4 2 3 2 3
7 3 4 2 5 2 5
8 5 5 3 2 3 5
9 2 2 4 3 4 3
10 5 3 2 2 2 2
11 4 2 5 4 5 5
12 2 3 5 4 2 2
13 5 3 2 3 5 3
14 5 5 5 5 5 4
15 2 4 4 5 5 5
16 3 2 3 2 3 2
17 2 5 2 3 2 5
18 4 3 5 5 4 5
19 4 2 5 3 2 2
64
20 2 5 2 2 3 3
21 2 3 4 5 5 2
22 5 4 5 5 2 4
23 3 2 5 2 4 5
24 4 5 3 3 2 2
25 5 3 3 5 5 5
26 5 4 2 3 2 3
27 5 2 4 2 2 4
28 4 4 3 5 4 2
29 3 5 2 3 3 5
30 5 3 2 2 2 5
Lakukan uji asumsi klasik untuk kasus diatas!

65
PERTEMUAN
5 KORELASI
Korelasi adalah hubungan (asosiasi) antara variabel-variabel yang diminati, apakah data
sampel menyediakan bukti yang cukup, dengan maksud adakah kaitan atau hubungan antara
tiap-tiap variabel dalam populasi asal sampel, jika ada hubungan, seberapa kuat hubungan antar
variabel tersebut. Keeratan hubungan itu dinyatakan dengan nama koefisien korelasi atau bisa
disebut korelasi saja. Perlu dicatat, bahwa dalam korelasi kita belum menentukan dengan pasti
variabel independent dan dependent-nya seperti yang kita lakukan dalam analisis regresi.
Koefisien Korelasi ialah pengukuran statistic kovarian atau asosiasi antara dua variabel.
Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi menunjukkan tingkat
kekuatan (strength) hubungan linear dan arah hubungan antara dua variabel acak.
 Jika koefesien korelasi positif, maka kedua variabel mempunyai hubungan yang searah.
Artinya jika nilai variabel X tinggi, maka nilai variabel Y akan tinggi pula.
 Sebaliknya, jika koefesien korelasi negatif, maka kedua variabel mempunyai hubungan yang
terbalik. Artinya jika nilai variabel X tinggi, maka nilai variabel Y akan menjadi rendah dan
berlaku sebaliknya.
Untuk memudahkan melakukan interpretasi mengenai kekuatan hubungan antara dua variabel
penulis memberikan kriteria sebagai berikut (Sarwono: 2006):
 0 : Tidak ada korelasi antara dua variabel
 >0 – 0,25 : Korelasi sangat lemah
 >0,25 – 0,5 : Korelasi cukup
 >0,5 – 0,75 : Korelasi kuat
 >0,75 – 0,99 : Korelasi sangat kuat
 1 : Korelasi sempurna
Contoh soal: menggunakan data Export, Government Expenditure, dan GDP
Apakah Terdapat hubungan yang signifikan antara Export dengan GDP?
GOVERNMENT
EXPORT GDP
EXPENDITURE
3,52 4,98 3
2,74 3,02 3,97
3,1 3,15 3,58
66
3,17 3,4 3,69

2,9 1,65 2,3
4 3,19 4,28
3,2 3,8 2,19
3,48 2,65 3,46
3 4,25 3,89
3,78 1,14 4,56
3 3,87 3,71
3,56 3,99 3,79
2,91 2,08 3,5
3,5 4,09 4,05
3 2,45 4
2,8 3,48 3,48
3,87 3 3
3,99 3,78 3,78
2,08 3 3
4,09 3,56 3,19
2,45 3,78 3,8
3,71 3 2,65
3,79 3,19 4,25
3,5 3,8 3
4,05 2,65 3,78
3,2 3,2 3,51
3,48 3,48 3
3 3 2,8
3,78 3 4
3 4 3
5.1 Korelasi Bivariat
Adalah mengukur keeratan hubungan pada hasil-hasil pengamatan dari populasi yang mempunyai
dua varian saja (bivariate). Perhitungan ini memiliki syarat bahwa populasi asal sampel harus
mempunyai dua varian dan harus berdistribusi normal. Korelasi yang digunakan adalah korelasi
67
pearson (Pearson correlation pada tabel “Correlations”) dimana untuk mengukur korelasi data
interval dan rasio.
Contoh soal: menggunakan data Export, Government Expenditure, dan GDP

Langkah – langkah pengujian dalam spss :
1. Masukkan data seperti contoh sebelumnya.
2. Untuk melakukan pengujian kolerasi, maka pilihlah menu Analyze – Correlate – Bivariate.
68
3. Pindahkan variabel yang akan diuji ke bagian Variables.
4. Klik bagian tombol Option sehingga muncul layar dibawah ini.
Keterangan :
o Pada bagian Statistics merupakan pilihan yang digunakan untuk menampilkan statistik
deskritif ringkas dari data-data yang akan dikolerasi.
o Pada bagian Missing values atau perlakuan kolerasi sehubungan dengan adanya data yang
tidak tersedia pada kasus, SPSS menyediakan 2 alternatif perlakuan :
 Exclude cases pairwise, yaitu pasangan yang salah satu tidak ada datanya tidak akan
dimasukkan dalam perhitungan.
 Exclude cases listwise, yaitu data yang tidak dimasukkan dalam perhitungan adalah data
yang hilang atau missing data.
69
5. Untuk keseragaman maka yang digunakan adalah pairwise, kemudian tekan Continue – Ok.
Setelah di ok, maka akan muncul result seperti gambar dibawah ini.
Correlations
EXPORT GOVERNMENT GDP

_EXPENDITU
RE
Pearson Correlation 1 ,001 ,212

EXPORT Sig. (2-tailed) ,996 ,261
N 30 30 30
Pearson Correlation ,001 1 -,112
GOVERNMENT_EXPENDI
Sig. (2-tailed) ,996 ,557
TURE
N 30 30 30
Pearson Correlation ,212 -,112 1
GDP Sig. (2-tailed) ,261 ,557

N 30 30 30
Interpretasi Hasil
Hipotesis :
H0 : Tidak terdapat hubungan yang signifikan antara Export dengan GDP
Ha : Terdapat hubungan yang signifikan antara Export dengan GDP
Uji Pearson Correlation

r> 0.5  kuat r = +  Searah
r< 0.5  lemah r = -  Berlawanan arah
Keputusan
0.261 > 0.05  H0 diterima
0.212 < 0,5  lemah
r=+  Searah
Kesimpulan
Tidak Terdapat hubungan yang signifikan antara Export dengan GDP, dengan sifat hubungan
lemah dan searah.
70
PERTEMUAN
6 KORELASI
6.1 Korelasi Partial
Contoh soal : menggunakan data Export, Government Expenditure, dan GDP. Nita ingin
mengetahui apakah terdapat hubungan antara GDP dengan Government Expenditure dan Export
sebagai variabel pengontrol.
1. Masukkan data seperti contoh sebelumnya.
2. Untuk melakukan pengujian kolerasi, maka pilihlah menu Analyze – Correlate – Partial.
3. Pindahkan variable Government Expenditure dan GDP kebagian Variables dan variable
Export ke bagian Controlling for.
71
4. Klik bagian tombol Option sehingga muncul layar dibawah ini
Keterangan :
o Pada bagian Statistics merupakan pilihan yang digunakan untuk menampilkan statistik
deskritif ringkas dari data-data yang akan dikolerasi
o Pada bagian Missing values atau perlakuan kolerasi sehubungan dengan adanya data yang
tidak tersedia pada kasus, SPSS menyediakan 2 alternatif perlakuan :
 Exclude cases pairwise, yaitu pasangan yang salah satu tidak ada datanya tidak akan
dimasukkan dalam perhitungan.
 Exclude cases listwise, yaitu data yang tidak dimasukkan dalam perhitungan adalah data
yang hilang atau missing data
72
5. Untuk keseragaman maka yang digunakan adalah listwise, kemudian tekan Continue – Ok.
Setelah di ok, maka akan muncul result seperti gambar dibawah ini.
Correlations
Control Variables GOVERNMENT GDP EXPORT

_EXPENDITUR
E
Correlation 1,000 -,112 ,001
GOVERNMENT_EXPENDIT
Significance (2-tailed) . ,557 ,996
URE
df 0 28 28
Correlation -,112 1,000 ,212
-none-a GDP Significance (2-tailed) ,557 . ,261
df 28 0 28
Correlation ,001 ,212 1,000
EXPORT Significance (2-tailed) ,996 ,261 .
df 28 28 0
Correlation 1,000 -,114
GOVERNMENT_EXPENDIT
Significance (2-tailed) . ,555
URE
df 0 27
EXPORT
Correlation -,114 1,000
GDP Significance (2-tailed) ,555 .

df 27 0
a. Cells contain zero-order (Pearson) correlations.
Interpretasi Hasil
Hipotesis :
H0 : Tidak terdapat hubungan yang signifikan antara GDP dengan Government Expenditure dan
Export sebagai variabel pengontrol.
Ha : Terdapat hubungan yang signifikan antara GDP dengan Government Expenditure dan Export
sebagai variabel pengontrol.
Uji Pearson Correlation

r> 0.5  kuat r = +  Searah
73
r< 0.5  lemah r = -  Berlawanan arah
Keputusan
0.555 > 0.05  H0diterima
0.114 < 0.5  lemah
r = -  berlawanan arah
Kesimpulan
Tidak terdapat hubungan yang signifikan antara GDP dengan Government Expenditure dan
Export sebagai variabel pengontrol, dengan sifat hubungan lemah dan berlawanan arah.
74
Soal Latihan
1. Princess adalah Girlband baru yang tenar sejak awal November 2016. Mereka pun ingin mencari
tahu apakah ada hubungan antara penjualan CD (X) dengan jadwal magung yang
merepresentasikan tingkat popularitas mereka (Y). Berikut adalah hasil riset mereka:
X 76 60 51 86 55 93 62 87 62 98 84 55
Y 121 122 149 130 120 109 112 106 144 103 148 120
a. Berapa Rata-rata dan simpangan baku dari penjualan CD ?

b. Apakah ada hubungan antara hubungan antara penjualan CD (X) dengan jadwal magung
yang merepresentasikan tingkat popularitas mereka (Y )
c. Bagaimana Sifat Hubungannya?
d. Jika kamu manager dari Princess Girlband, haruskah ditambah jadwal manggung atau
tidak?
2. Ingin diketahui seberapa besar kuat hubungan antara Pendapatan seorang nelayan di Cimone
Raya dengan Pengeluarannya (DALAM RIBUAN RUPIAH/BULAN)
Pendapatan (X) :
500;1500;1200;400;500;600;1500;1250;600;700;600;400
Pengeluaran (Y) :
150;200;200;200;300;400;150;100;700;200;150;200
a. Apakah ada hubungan antara Pendapatan seorang nelayan di Cimone Raya dengan
Pengeluarannya?
b. Bagaimana Sifat Hubungannya?
3. BINUS itu saying banget sama mahasiswanya. Karena banyak mahasiswa yang kurang paham
akan mata kuliah SPSS, akhirnya dibuka pelajaran tambahan. BINUS ingin mengetahui apakah
jumlah kelas pelajaran tambahan yang dibuka memiliki hubungan dengan nilai mereka. Berikut
adalah tabelnya
75
Durasi Pelajaran Rata-rata Durasi Pelajaran Rata-rata

Tambahan Nilai Kelas A Tambahan nilai kelas
(X/JAM DALAM (X/JAM B
SEMINGGU) DALAM
SEMINGGU)
2 80 2 90
3 85 3 80
5 85 5 70
6 80 6 75
7 90 7 90
a. Apakah ada hubungan antara Durasi Pelajaran tambahan dengan rata rata nilai kelas A
dan kelas B?
b. Bagaimana Sifat Hubungannya antara kelas A dan kelas B?
c. Jadi kesimpulannya, apakah tahun depan perlu bikin kelas tambahan lagi atau tidak?
76
PERTEMUAN
7 REGRESI
7.1 Regresi
Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk
mengetahui pola hubungan antara dua atau lebih variabel. Istilah regresi yang berarti ramalan atau
taksiran pertama kali diperkenalkan Sir Francis Galton pada tahun 1877, sehubungan dengan
penelitiannya terhadap tinggi manusia, yaitu antara tinggi anak dan tinggi orang tuanya. Dalam
penelitiannya, Galton menemukan bahwa tinggi anak dan tinggi orang tuanya cenderung
meningkat atau menurun dari berat rata-rata populasi. Garis yang menunjukkan hubungan tersebut
disebut garis regresi.
Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena pada analisis itu
kesulitan dalam menunjukkan slop (tingkat perubahan suatu variabel terhadap variabel lainnya
dapat ditentukan). Jadi dengan analisis regresi, peramalan atau perkiraan nilai variabel terikat pada
nilai variabel bebas lebih akurat pula. Karena merupakan suatu prediksi, maka nilai prediksi tidak
selalu tepat dengan nilai riilnya, semakin kecil tingkat penyimpangan antara nilai prediksi dengan
nilai riilnya, maka semakin tepat persamaan regresi yang dibentuk.
Dapat disimpulkan bahwa analisis regresi adalah metode statistika yang digunakan untuk
menentukan kemungkinan bentuk hubungan antara variabel variabel, dengan tujuan pokok dalam
penggunaan metode ini adalah untuk meramalkan atau memperkirakan nilai dari suatu variabel
lain yang diketahui.
7.2 Persamaan Regresi
Persamaan Regresi (regression equation) adalah suatu persamaan matematis yang

mendefenisikan hubungan antara dua variabel. Persamaan regresi yang digunakan untuk membuat
taksiran mengenai variabel dependen disebut persamaan regresi estimasi, yaitu suatu formula
matematis yang menunjukkan hubungan keterkaitan antara satu atau beberapa variabel yang
nilainya sudah diketahui dengan satu variabel yang nilainya belum diketahui. Sifat hubungan antar
variabel dalam persamaan regresi merupakan hubungan sebab akibat (causal relationship). Oleh
karena itu, sebelum menggunakan persamaan regresi dalam mejelaskan hubungan antara dua atau
lebih variabel, maka perlu diyakini terlebih dahulu bahwa secara teoritis atau perkiraan
sebelumnya, dua atau lebih variabel tersebut memiliki hubungan sebab akibat. Variabel yang
77
nilainya akan mempengaruhi nilai variabel lain disebut dengan variabel bebas (independent
variabel), sedangkan variabel yang nilainya dipengaruhi oleh nilai variabel lain disebut variabel
terikat (dependent variabel).
Ada dua jenis Persamaan Regresi Linier, yaitu sebagai berikut :
1. Analisis Regresi Sederhana (simple analisis regresi)
2. Analisis Regresi Berganda (multiple analisis regresi)
7.3 Regresi Sederhana
Dalam analisis Regresi sederhana akan dikembangkan sebuah estimating equation

(persamaan regresi), yaitu suatu formula yang mencari nilai variabel dependen dari nilai variabel
independen yang diketahui, dimana kedua variabel tersebut masing masing hanya satu. Analisis
Regresi digunakan terutama untuk tujuan peramalan.
Contoh soal: Masih menggunakan data Store Image, dan Purchase Intention. Apakah
terdapat pengaruh yang signifikan antara store image terhadap purchase intention? (Asumsikan: uji
asumsi klasik sudah terpenuhi/memenuhi syarat)
Store Purchase
Facility
Image Intention
3.90 3.60 4.00
4.30 3.40 4.00
4.30 3.80 3.60
4.90 3.40 4.60
3.80 4.00 4.20
4.20 4.20 4.20
2.60 2.80 2.80
2.60 2.40 4.75
3.60 3.20 2.75
3.40 4.00 3.50
3.80 4.00 3.25
3.40 3.20 3.25
4.00 3.80 3.80
4.00 3.20 3.40
78
3.60 4.00 3.40

4.60 3.60 4.40
4.20 2.60 3.25
4.20 3.20 2.75
2.80 3.40 3.50
2.40 3.20 3.25
3.20 3.40 3.80
4.00 4.40 4.40
4.00 3.80 3.60
4.60 4.40 3.40
3.60 3.60 2.40
3.00 3.40 3.20
3.60 3.60 3.00
2.60 3.00 2.00
3.20 3.80 3.00
3.40 3.40 4.00
3.80 4.00 3.60
3.40 3.60 3.00
3.40 3.00 3.00
4.40 3.00 4.00
3.80 3.40 3.50
4.40 3.00 2.25
3.60 3.00 3.50
3.40 3.00 3.75
2.40 4.20 2.25
3.20 4.20 3.00
3.00 4.00 3.00
3.00 3.20 4.50
4.50 3.80 3.25
3.25 3.40 3.25
3.20 3.25 4.75
3.80 2.50 4.75
79
4.75 3.25 5.00

5.00 3.75 5.00
5.00 3.00 5.00
5.00 2.00 5.00
5.00 3.00 4.50
4.50 4.00 4.50
3.20 3.20 4.00
3.60 3.80 4.25

.
80
3. Pilih Statistics. Kemudian Checklist Estimates, Model Fit, dan Descriptives.
4. Klik Continue dan selanjutnya pilih Plots. Atur seperti gambar dibawah ini.
5. Klik Save dan pilih opsi Unstandarized pada Predicted value.

81
6. Klik Option, pada Stepping Method Criteria, pilih :Entry .05(uji F yang mengambil standar
angka probabilitas sebesar 5%). Beri tanda pada Include constant in equation (menyertakan
konstanta tetap dipilih). Pada Missing Value, pilih: Exclude cases listwise (data kasus tidak ada
yang hilang). Kemudian Continue.
7. Klik OK untuk melihat output

82
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 7.465 1 7.465 16.312 .000b
Residual 23.796 52 .458
Total 31.261 53
Dasar pengambilan keputusan diambil dari Sig Tabel Anova
a. Dependent Variable: Purchase_Intention
b. Predictors: (Constant), Store_Image
Model Summaryb
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .489a
.239 .224 .67647
Uji Hubungan dilihat pada tabel R Model Summary

a. Predictors: (Constant), Store_Image
b. Dependent Variable: Purchase_Intention
83
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.671 .503 3.325 .002
Store_Image .533 .132 .489 4.039 .000
Persamaan Regresi Dilihat pada Tabel Coefficients, pada Beta Unstandardized

Coefficient
Interpretasi Hasil
Uji Regresi
Hipotesis
H0 : Tidak terdapatpengaruh yang signifikan Store Image terhadap Purchase Intention.
Ha : Terdapat pengaruh yang signifikan Store Image terhadap Purchase Intention.
sig
  , maka H0 diterima
sig   , maka H0 ditolak
Keputusan
0,0< 0,05 Ho ditolak
Kesimpulan
Terdapat pengaruh yang signifikan Store Image terhadap Purchase Intention.
Uji Hubungan
Uji Pearson correlation
r> 0,5 Kuat r = + Searah
r< 0,5  Lemah r = -  Berlawanan arah
Keputusan
0,489< 0,5 lemah
r = +  searah
84
Kesimpulan
Adanya hubungan yang lemah dan searah antara KualitasPelayanan dan LoyalitasPelanggan.
Uji Besarnya Pengaruh

Koefiisien determinasi (R square)
Sebesar 23.9% Purchase Intention dipengaruhi oleh variable Store Image dan sisanya sebesar 76.1
% dipengaruhi oleh faktor lainnya.
Persamaan regresi
y = 1.671+ 0.533x
Keterangan : y = Purchase Intention
x = Store Image
o Jika x (Store Image) naik sebesar 1 point maka y (Purchase Intention) akanmengalami
kenaikan sebesar 0.533 point.
o Jika x (Store Image) turun sebesar 1 point maka y (Purchase Intention) akan mengalami
penurunan sebesar 0.533 point.
o Jika x (Store Imagen) = 0 maka y (Purchase Intention) adalah sebesar 1.671 point.
85
PERTEMUAN
8 REGRESI
8.1 Regresi Berganda
Seperti yang diuraikan diatas, jika pada Regresi sederhana hanya ada satu variabel dependen (Y)
dan satu variabel independent (X), maka pada kasus Regresi berganda, terdapat satu variabel
dependen dan lebih dari satu variabel independent. Dalam praktek bisnis, regresi berganda justru
lebih banyak digunakan, selain karena banyaknya variabel dalam bisnis yang perlu dianalisis
bersama, juga pada banyak kasus regresi berganda lebih relevan digunakan.
Contoh Soal: Masih menggunakan data Store Image, Facility, dan Purchase Intention. . Apakah
terdapat pengaruh yang signifikan store image dan facility terhadap purchase intention?
(Asumsikan: Uji asumsi klasik telah terpenuhi/memenuhi syarat)
Store Purchase
Facility
Image Intention
3.90 3.60 4.00
4.30 3.40 4.00
4.30 3.80 3.60
4.90 3.40 4.60
3.80 4.00 4.20
4.20 4.20 4.20
2.60 2.80 2.80
2.60 2.40 4.75
3.60 3.20 2.75
3.40 4.00 3.50
3.80 4.00 3.25
3.40 3.20 3.25
4.00 3.80 3.80
4.00 3.20 3.40
3.60 4.00 3.40
4.60 3.60 4.40
4.20 2.60 3.25
4.20 3.20 2.75
86
2.80 3.40 3.50

2.40 3.20 3.25
3.20 3.40 3.80
4.00 4.40 4.40
4.00 3.80 3.60
4.60 4.40 3.40
3.60 3.60 2.40
3.00 3.40 3.20
3.60 3.60 3.00
2.60 3.00 2.00
3.20 3.80 3.00
3.40 3.40 4.00
3.80 4.00 3.60
3.40 3.60 3.00
3.40 3.00 3.00
4.40 3.00 4.00
3.80 3.40 3.50
4.40 3.00 2.25
3.60 3.00 3.50
3.40 3.00 3.75
2.40 4.20 2.25
3.20 4.20 3.00
3.00 4.00 3.00
3.00 3.20 4.50
4.50 3.80 3.25
3.25 3.40 3.25
3.20 3.25 4.75
3.80 2.50 4.75
4.75 3.25 5.00
5.00 3.75 5.00
5.00 3.00 5.00
5.00 2.00 5.00
87
5.00 3.00 4.50

4.50 4.00 4.50
3.20 3.20 4.00
3.60 3.80 4.25
88
Langkah-langkah penyelesaian:
3. Pilih Statistics. Kemudian Checklist Estimates, Model Fit, dan Descriptives.

89
4. Klik continue dan selanjutnya pilih Plots. Atur seperti gambar dibawah ini
5. Klik Save dan pilih opsi Unstandarized pada Predicted value.
6. Klik Option, pada Stepping Method Criteria, pilih :Entry .05(uji F yang mengambil standar
angka probabilitas sebesar 5%). Beri tanda pada Include constant in equation (menyertakan
90
konstanta tetap dipilih). Pada Missing Value, pilih: Exclude cases listwise (data kasus tidak ada
yang hilang). Kemudian Continue.
8. Klik OK untuk melihat output.
Descriptive Statistics
Mean Std. Deviation N
Purchase_Intention 3.6676 .76800 54
Store_Image 3.7481 .70470 54
Facility 3.4509 .51317 54
Correlations
Purchase_Intention Store_Image Facility
Pearson Correlation Purchase_Intention 1.000 .489 -.167
Store_Image .489 1.000 .004
Facility -.167 .004 1.000
Sig. (1-tailed) Purchase_Intention . .000 .113
Store_Image .000 . .490
Facility .113 .490 .
N Purchase_Intention 54 54 54
Store_Image 54 54 54
Facility 54 54 54
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .517a .267 .239 .67013
a. Predictors: (Constant), Facility, Store_Image
91
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 8.358 2 4.179 9.306 .000b
Residual 22.903 51 .449
Total 31.261 53
b. Predictors: (Constant), Facility, Store_Image
Coefficientsa
Unstandardized Coefficients Standardized Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.542 .793 3.205 .002
Store_Image .533 .131 .489 4.082 .000
Facility -.253 .179 -.169 -1.410 .165
Uji Signifikansi
Hipotesis
H0 : Tidak terdapat pengaruh yang signifikan Store Image dan Facility terhadap Purchase
Intention.
Ha : Terdapat pengaruh yang signifikan Store Image dan Facility terhadap Purchase Intention.
sig
  , maka H0 diterima
sig   , maka H0 ditolak
Keputusan
0,00 < 0,05 H0 ditolak
Kesimpulan
Terdapat pengaruh yang signifikan Store Image dan Facility terhadap Purchase Intention.
Koefiisien determinasi (R square )
Sebesar 26.7% Purchase Intention dipengaruhi oleh variableStore Image dan Facilitydan sisanya
sebesar 73.3% dipengaruhi oleh faktor lainnya.
92
Persamaan regresi
y = 2.542+ 0.533 x1 - 0.253 x2
Keterangan : y = Purchase Intention
x1= Store Image
x2 = Facility
o Jika x1 (Store Image) naik sebesar 1 satuan dan x2 (Facility) naik 1 satuan maka y (Loyalitas
Pelanggan) akan mengalami kenaikan sebesar 0.28 satuan.
o Jika x1 (Store Image) turun sebesar 1 satuan dan x2 (Facility) turun 1 satuan maka y
(Loyalitas Pelanggan) akan mengalami penurunan sebesar 0.28 satuan.
o Jika x1 (Store Image) dan x2 (Kualitas Produk) = 0 maka y (Facility) adalah sebesar 2.542
point
93
Soal Latihan
1. Manajer HRD perusahaan Nusabakti ingin mengetahui apakah terdapat pengaruh tingkat
kehadiran terhadap prestasi kerja karyawannya. Berikut ini hasil sampel yang diperoleh dari
karyawannya:
No Tingkat Kehadiran Karyawan (%) Prestasi Kerja (%)

1 87 70
2 85 100
3 70 95
4 92 87
5 94 95
6 73 95
7 87 76
8 79 74
9 75 98
10 99 73
11 95 80
12 73 87
13 83 97
14 86 83
15 83 72
16 95 72
17 99 87
18 76 88
19 74 100
20 88 72
21 83 93
22 73 92
23 95 94
24 88 81
25 94 72
26 90 80
94
27 92 75
28 74 70
29 92 79
30 84 77
Lakukanlah pengujian untuk mengetahui apakah terdapat pengaruh tingkat kehadiran

karyawan terhadap prestasi kerja.
2. Aura sedang melakukan penelitian untuk memenuhi tugas akhirnya, ia ingin melakukan
penelitian tentang pengaruh antara motivasi kerja dengan kompensasi terhadap loyalitas
karyawan pada PT. Indomay. Berikut ini merupakan hasil yang diperoleh dari 20 sampel.
yaitu:
Loyalitas
No Motivasi Kerja Kompensasi Karyawan
1 6.67 6.50 9.40
2 8.67 8.00 10.00
3 8.33 7.50 10.00
4 8.33 8.00 8.50
5 6.67 7.00 8.50
6 6.67 7.00 8.30
7 9.00 8.50 9.00
8 8.00 9.00 10.00
9 6.67 7.00 9.30
10 8.00 9.00 10.0
11 6.33 6.50 8.30
12 7.33 7.50 7.00
13 9.00 9.00 8.50
14 8.67 9.50 10.00
15 6.33 6.50 8.00
16 8.00 7.00 7.00
17 9.67 9.50 9.00
18 6.67 7.50 9.00
95
19 9.33 9.00 10.00

20 7.33 8.50 10.00
Tentukanlah:
a. Apakah terdapat pengaruh motivasi kerja terhadap loyalitas karyawan?
b. Apakah terdapat pengaruh variable independent terhadap variable dependent?
c. Seberapa besar pengaruhnya variable independent terhadap dependent?
d. Bagaimana korelasi secara keseluruhan dari semua variable?
e. Tuliskan persamaan regresinya berikut interpretasinya!
3. Lahyada adalah toko onlime yang sangat terkenal. Untuk dapat terus menjalankan bisnisnya
maka Lahyada melakukan penelitian mengenai faktor yang mempengaruhi kepuasan belanja
online sehingga hasilnya dapat dijadikan sebagai acuan dalam membangun strategi-strategi
baru demi keberlanjutan bisnis. Berikut data yang berhasil terkumpul:
Kualitas Kepuasan
No Diskon Efisien
Barang Konsumen
1 3.50 3.38 3.47 3.34
2 4.00 3.69 3.57 3.45
3 2.75 3.34 3.10 3.18
4 2.25 2.38 2.34 2.52
5 3.00 2.53 2.52 2.50
6 4.75 3.97 3.78 3.57
7 3.75 4.31 4.10 4.21
8 3.25 3.25 3.07 3.47
9 3.25 2.81 2.57 2.78
10 3.50 2.97 2.94 2.88
11 3.25 3.09 3.35 3.26
12 3.25 3.19 3.47 3.33
13 3.25 3.19 3.11 3.06
14 2.75 3.00 2.77 2.76
15 3.50 3.41 3.21 3.20
16 3.25 3.59 3.47 3.55
17 2.75 3.00 3.20 3.03
96
18 2.50 2.66 2.74 2.73

19 2.75 2.78 2.71 2.77
20 3.50 3.03 3.13 2.99
21 3.75 3.53 3.48 3.18
22 3.00 3.47 3.34 3.32
23 3.25 2.91 3.08 3.13
24 3.50 3.22 3.11 2.88
25 2.75 3.28 3.22 2.88
26 3.75 3.44 3.53 3.25
27 4.25 4.25 4.21 4.05
28 3.50 3.84 3.98 4.00
29 3.75 3.41 3.56 3.51
30 3.25 3.63 3.50 3.26
31 3.75 3.63 3.28 3.38
32 3.00 3.34 3.09 3.39
33 2.25 2.53 2.52 2.72
34 4.00 2.91 2.71 2.86
35 3.50 3.56 3.37 3.38
Tentukanlah:
a. Apakah terdapat pengaruh diskon terhadap kepuasan konsumen?
b. Apakah terdapat pengaruh variable independent terhadap variable dependent?
c. Seberapa besar pengaruhnya variable independent terhadap dependent?
d. Bagaimana korelasi secara keseluruhan dari semua variable?
e. Tuliskan persamaan regresinya berikut interpretasinya!
97
PERTEMUAN
9 ANOVA
ANOVA
Analysis of variance merupakan metode untuk menguji hubungan antara satu variabel
dependen (skala metrik) dengan satu atau lebih variabel independen (skala nonmetrik atau
kategorikal dengan kategori lebih dari dua). Hubungan antara satu variabel dependen dengan satu
variabel independen disebut One Way ANOVA. Pada kasus satu variabel dependen metrik dan
dua atau tiga variabel independen kategorikal sering disebut Two Ways ANOVA dan Three Ways
ANOVA.
ANOVA digunakan untuk mengetahui pengaruh utama (main effect) dan pengaruh
interaksi (interaction effect) dari variable independen kategorikal (sering disebut faktor) terhadap
variable dependen metrik.
Asumsi Analysis of Varaince
Beberapa asumsi yang harus dipenuhi untuk menggunakan pengujian ANOVA :
1. Homogeneity of variance, yaitu variabel dependen harus memiliki varain yang sama dalam
setiap kategori varaibel independen. Test ini dinamakan Levene’s Testof Homogeneity of
Variance. Pada pengujian Levene Test, hasil yang dikehendaki adalah menerima hipotesis nol
dimana probabilitas < 0.05 yang berarti terdapat kesamaan variance pada grup.
2. Random sampling : untuk tujuan uji signifikansi, maka subjek didalam setiap grup harus
diambil secara random.
3. Multivariate Normality : untuk tujian uji signifikansi, maka variable harus mengikuti
distribusi normal multivariate.
Contoh soal :
Barry adalah seorang petani di suatu desa kecil. Ia memiliki 5 orang anak buah yang
membantunya setiap harinya. Untuk mempermudah pekerjaan anak buahnya ia memutuskan untuk
menggunakan bantuan traktor. Ia membeli 3 jenis traktor, traktor A, traktor B dan traktor C untuk
digunakan. Berikut adalah tingkat kepuasan ke 5 anak buah terhadap ketiga traktor yang ada.
Traktor Traktor B Traktor C

A
5 9 6
98
7 4 4
7 5 9
10 8 10
6 7 8
Tabel diatas menunjukkan tingkat kepuasan 5 anak buah nya terhadap ketiga traktor, semakin
tinggi nilai nya menandakan bahwa anak buah nya semakin puas, sebaliknya semakin rendah
menandakan anak buahnya semakin tidak puas akan traktor tersebut.
Berdasarkan data diatas tentukan:
a. Apakah data diatas berdistribusi normal?
b. Apakah data diatas memiliki varians yang sama?
c. Apakah terdapat perbedaan rata-rata tingkat kepuasan anak buah terhadap ketiga jenis
Traktor?
d. Apakah terdapat perbedaan rata-rata tingkat kepuasan anak buah antara traktor A dan Traktor
C menurut Turkey dan Bonferroni?
Langkah Pengerjaan:
1. Masukkan variable kepuasan dan jenis traktor ke dalam variable view. Lalu gunakan value labels
untuk variable jenis traktor
2. Masukkan data secara menurun

99
3. Lakukan Uji Normalitas terlebih dahulu
4. Setelah itu pilih Analyze – Compare Means – One Way Anova. Masukkan data kepuasan ke
dependent list dan data jenis traktor ke dalam factor.
5. Pilih Post_Hoct, lalu pilih Bonferoni dan Turkey.

100
6. Pilih Option, lalu ceklis Descriptive dan Homogeneity of variance test.
7. Klik continue dan OK. Kemudian lihat hasil output

101
8. Lakukan Uji F. Pilih Transform – Compute Variable.

102
9. Lihat hasi F table pada data view.
Interpretasi Hasil
a. Uji Normalitas ( Lihat yang Shapiro Wilk)
Hipotesis
H0 : Data kepuasan anak buah berdistribusi normal.
Ha : Data kepuasan anak buah berdistribusi acak.

Sig ≥ α , maka H0 diterima
Sig < α , maka H0 ditolak
Keputusan
Traktor A : 0,453 > 0,05, maka H 0 diterima
Traktor B : 0,754 > 0,05, maka H0 diterima
Traktor C : 0,787 > 0,05, maka H0 diterima
Kesimpulan
Data kepuasan anak buah dengan Traktor A berdistribusi
normal. Data kepuasan anak buah dengan Traktor B berdistribusi
normal. Data kepuasan anak buah dengan Traktor C berdistribusi
normal.
b. Uji Varians (lihat tabel levene test)

Hipotesis
H0 : Tidak terdapat perbedaan varian pada rata-rata tingkat kepuasan anak buah terhadap ketiga jenis
traktor.
Ha : Terdapat perbedaan varians pada rata-rata tingkat kepuasan anak buah terhadap ketiga jenis
traktor.
Dasar Pengambilan Keputusan :

Sig > α, maka H0 diterima
Sig < α, maka H0 ditolak
103
Keputusan :
0.591 > 0.05  H0 diterima
Kesimpulan
Tidak terdapat perbedaan perbedaan varians pada rata-rata tingkat kepuasan anak buah terhadap
ketiga jenis traktor.
c. Uji ANOVA (lihat tabel anova)

Hipotesis
H0 : Tidak terdapat perbedaan rata-rata tingkat kepuasan anak buah terhadap ketiga jenis traktor.
Ha : Terdapat perbedaan rata-rata tingkat kepuasan anak buah terhadap ketiga jenis traktor.

Atau
Fhitung > Ftabel, maka H0 ditolak
Fhitung < Ftabel, maka H0 diterima
Keputusan :
0.840> 0.05 H0 diterima
0.176< 3.89 H0 diterima
Kesimpulan
Tidak terdapat perbedaan rata-rata tingkat kepuasan anak buah terhadap ketiga jenis traktor.
d. Uji Tukey
Hipotesis
H0 : Tidak terdapat perbedaan rata-rata tingkat kepuasan anak buah antara jenis Traktor A dengan
Traktor C menurut Turkey
Ha : Terdapat perbedaan rata-rata tingkat kepuasan anak buah antara jenis Traktor A dengan Traktor
C menurut Turkey
104

Keputusan :
0.953> 0.05  H0diterima
Kesimpulan
Tidak terdapat perbedaan rata-rata tingkat kepuasan anak buah antara jenis Traktor A dengan
Traktor C menurut Turkey
Uji Bonferroni
Hipotesis
H0 : Tidak terdapat perbedaan rata-rata tingkat kepuasan anak buah antara jenis Traktor A dengan
Traktor C menurut Bonferroni
Ha : Terdapat perbedaan rata-rata tingkat kepuasan anak buah antara jenis Traktor A dengan Traktor
C menurut Bonferroni

Keputusan :
1.0 > 0.05  H0 diterima
Kesimpulan
Tidak terdapat perbedaan rata-rata tingkat kepuasan anak buah antara jenis Traktor A dengan
Traktor C menurut Bonferroni.
105
Soal Latihan
1. PT KAI Indonesia melakukan evaluasi terhadap layanannya, sehingga mereka membagikan

kusioner kepada penumpang diberbagai kelas layanan, sebagai berikut:
Ekonomi 4 2 5 4 6 3 4 5 5
Bisnis 3 3 3 5 4 3 5 6 4
Eksekutif 4 5 5 6 3 2 4 4 3
Bantulah mereka untuk melakukan analisa:

 Apakah data tersebut berdistribusi normal?
 Apakah data tersebut memiliki varians yang sama?
 Apakah terdapat perbedaan rata-rata hasil evaluasi ketiga kelas layanan tersebut?
 Apakah terdapat perbedaan rata-rata hasil evaluasi antara kelas layanan Ekonomi dengan Bisnis
tersebut menurut Tukey?
 Apakah terdapat perbedaan rata-rata hasil evaluasi antara kelas layanan Bisnis dengan Eksekutif
tersebut menurut Bonferroni?
2. Seorang guru SD melakukan pendataan atas nilai Ujian Nasional muridnya sebagai berikut:
Bahasa Bahasa Inggris Matematika IPA IPS

Indonesia
87 93 77 73 71
93 80 85 71 66
80 90 70 66 81
90 89 95 81 93
89 99 83 83 82
99 94 88 50 92
94 85 93 89 86
Apakah terdapat perbedaan rata-rata hasil Ujian Nasional tersebut menurut Bonferroni?
106
3. BINUS Mengajar melakukan survei tentang kualitas pendidikan beberapa sekolah di Jakarta,
dengan hasil evaluasi sebagai berikut:
Jakarta Pusat Jakarta Barat Jakarta Timur Jakarta Selatan Jakarta Utara
Baik Rata-rata Rata-rata Baik Baik
Sangat Baik Buruk Sangat Buruk Baik Sangat Baik
Rata-rata Rata-rata Rata-rata Rata-rata Baik
Sangat Buruk Rata-rata Baik Rata-rata Rata-rata
Bantulah BINUS Mengajar untuk melakukan analisa:

 Apakah data tersebut berdistribusi normal?
 Apakah data tersebut memiliki varians yang sama?
 Apakah terdapat perbedaan rata-rata hasil evaluasi seluruh kota Jakarta tersebut?
 Apakah terdapat perbedaan rata-rata hasil evaluasi antara Jakarta Utara dengan Jakarta Selatan
menurut Tukey?
 Apakah terdapat perbedaan rata-rata hasil evaluasi antara kota Jakarta Pusat dengan Jakarta
Barat menurut Bonferroni?
PERTEMUAN 10
CHISQUARE & MANN WHITNEY
Chi-square test digunakan untuk menganalisa data kategorikal. Yang berarti data yang
dihitung dibagi menjadi beberapa kategori. Contohnya adalah : jika Anda ingin menguji apakah
menghadiri kelas pengaruh terhadap performa siswa saat ujian. Jika menggunakan skor tes (0-100)
sebagai data, maka data tersebut tidak akan sesuai untuk uji Chi-square. Namun, jika mengubah
data siswa ke dalam kategori "Lulus" dan "Gagal" maka datanya bisa digunakan.
Uji Chi-square atau qai-kuadrat digunakan untuk melihat ketergantungan antara variabel
bebas dan variabel tergantung berskala nominal atau ordinal. Prosedur uji chi-square menabulasi
satu atau variabel ke dalam kategori-kategori dan menghitung angka statistik chi-square. Seperti
sifatnya, prosedur uji chi-square dilkelompokan kedalam statistik uji non-parametrik.
Semua variabel yang akan dianalisa harus bersifat numerik kategorikal atau nominal dan
dapat juga berskala ordinal. Prosedur ini didasarkan pada asumsi bahwa uji nonparametrik tidak
membutuhkan asumsi bentuk distribusi yang mendasarinya. Data diasumsikan berasal dari sampel
acak. Frekuensi yang diharapkan (fe) untuk masing-masing kategori harus setidaknya : Tidak
boleh lebih dari dua puluh (20%) dari kategori mempunyai frekuensi yang diharapkan.
10.1 Uji Keselarasan atau Goodness of Fit Test
Uji keselarasan atau goodness of fit test digunakan pada data yang memiliki satu variable.
goodness of fit test berfungsi untuk membandingkan frekuensi yang diamati (fo) dengan frekuensi
yang diharapkan (fe).
Uji keselarasan atau goodness of fit test digunakan untuk mengukur seberapa baik distribusi dari
data diamati sesuai dengan distribusi yang diharapkan
chi-square goodness of fit test tepat digunakan ketika kondisi berikut terpenuhi:
 Metode pengambilan sampel adalah simple random sampling
 Variabel yang diteliti adalah kategoris.
 Setidaknya terdapat limaFrekuensi yang diharapkan dari jumlah pengamatan sampel di setiap
tingkat variabel
107
108
Contoh frekuensi yang diharapkan sama untuk setiap kategori :

Susanti adalah salah satu Staff Marketing dari Bina Nusantara University ia ingin
menggetahui apakah terdapat kemerataan pemilihan mahasiswa baru terhadap program studi
SOBM (School of Business Management) yang ada di BINUS. Program Studi SOBM itu sendiri
terdiri dari Management, International Business Management, International Marketing dan
Business Creation. Calon Mahasiswa/i ini terdiri dari 10 Sekolah Menengah Atas didaerah
Tangerang, yang jumlah calon mahasiswanya adalah 1050.
Berikut adalah table pemilihan 1200 calon mahasiswa dari 10 sekolah :
Program Studi Peminatan

Management 250
International Business 422
Management
International Marketing 178
Business Creation 350
Langkah pengerjaan :
1. Input Variabel Program Studi dan peminatan pada Variable View.
2. Gunakan Value Label untuk variable Program Studi :

109
3. Input data kedalam Data View.
4. Kemudian lakukan Weight Cases karena data yang dilampirkan merupakan ringkasan dari
kumpulan data yang didapat sebelumnya. Pilih Data – Weight Cases dan akan tampil layar
sebagai berikut.
110
5. Pilih Weight cases by pemilihan (masukkan pemilihan pada Frequency Variable), kemudian
OK
6. Setelah dilakukan Weight Cases maka dapat dilakukan pengujjian selanjutnya yang di mana
dimulai dengan melakukan uji normalitas. Uji Normalitas dilakukan untuk mengetahui
distribusi data dari variabel yang dianalisa. Pilih Analyze → Descriptive Statistics → Explore.
111
Tests of Normality
pemilihan .237 1200 .000 .829 1200 .000
*datanya distribusi bebas karena < 0.05
7. Lakukan pengujian Goodness of fit. Pilih Analyze >> Non Parametric tests >> Legacy
Dialogs >> Chi Square. Pindahkan variable Program studi ke Variable List.
8. Abaikan pilihan yang lain, klik OK untuk melihat output.

program_studi
Observed Expected Residual
N N
Management 250 300.0 -50.0
International Business
422 300.0 122.0
Management
International Marketing 178 300.0 -122.0
Business Creation 350 300.0 50.0
Total 1200
112
Test Statistics
program_stu
di
Chi-
115.893a
Square
df 3
Asymp.
.000
Sig.
a. 0 cells (0.0%) have
expected frequencies less
than 5. The minimum
expected cell frequency is
300.0.
Interpretasi Hasil
Hipotesis
H0 = Tidak terdapat perbedaan kemerataan jumlah pemilih dari keempat Program studi SOBM di
Binus.
Ha = Terdapat perbedaan kemerataan jumlah pemilih dari keempat Program studi SOBM di Binus.

Keputusan
0.000 < 0.05, maka H0 ditolak
Kesimpulan
Terdapat perbedaan kemerataan jumlah pemilih dari keempat Program studi SOBM di Binus
113
Contoh frekuensi yang diharapkan diketahui :
Susanti adalah salah satu Staff Marketing dari Bina Nusantara University ia ingin menggetahui
apakah terdapat kemerataan pemilihan mahasiswa baru terhadap program studi SOBM (School of
Business Management) yang ada di BINUS. Program Studi SOBM itu sendiri terdiri dari Management,
International Business Management, International Marketing dan Business Creation. Berdasarkan data
tahun 2015, data peminatan calon mahasiswa terhadap program studi SOBM adalah sebagai berikut:

Management 288
Management
Calon Mahasiswa/i ini terdiri dari 10 Sekolah Menengah Atas didaerah Tangerang, yang jumlah
calon mahasiswanya adalah 1200. Susanti ingin mengetahui apakah keempat program studi ini di tahun
2016 memiliki tingkat kemenarikan yang merata?
Berikut adalah data calon mahasiwa tahun ini :

Management 250
Management
114
Program Studi Peminatan 2015 (Fe) Peminatan 2016 (Fo)

Management 288 250
International Business 458 422

Management
International Marketing 416 178
Business Creation 98 350
TOTAL 1200 1200
1. Input variabel program studi dan pemilihan Variable View.
2. Gunakan Value Label untuk variable Program studi :
3. Input data kedalam Data View. Untuk frekuensi hanya masukkan data pemilihan 2016 (Fo).
115
4. Kemudian lakukan Weight Cases karena data yang dilampirkan merupakan ringkasan dari
kumpulan data yang didapat sebelumnya. Pilih Data – Weight Cases dan akan tampil layar
sebagai berikut.
5. Pilih Weight cases by pemilihan (masukkan pemilihan pada Frequency Variable), kemudian OK.
116
dimulai dengan melakukan uji normalitas. Uji Normalitas dilakukan untuk mengetahui distribusi
data dari variabel yang dianalisa. Pilih Analyze → Descriptive Statistics → Explore.
Tests of Normality
pemiliha
.237 1200 .000 .829 1200 .000
n
7. Lakukan pengujian Goodness of fit. Pilih Analyze >> Non Parametric tests >> Legacy Dialogs
>> Chi Square. Pindahkan variable program studi ke Variable List.
117
8. Lalu pada bagian Expected Values pilih Value kemudian input data pemilihan 2015 (Fe) secara
berurutan :
9. Abaikan pilihan yang lain, klik OK untuk melihat output.
program_studi
Observed Expected Residual
N N
Management 250 274.3 -24.3
International Business
422 436.2 -14.2
Management
International Marketing 178 396.2 -218.2
Business Creation 350 93.3 256.7
Total 1200
Test Statistics
program_stu
di
118
Chi-
828.607a
Square
df 3
Asymp.
.000
Sig.
a. 0 cells (0.0%) have
expected frequencies less
than 5. The minimum
expected cell frequency is
93.3.
10. Untuk mencari nilai Chisquare hitung dengan menggunakan langkah berikut :
 Pilih Transform >> Compute Variable
 Ketik X pada Target Variable
 Pada Function Group pilih Inverse DF dan pada Function and Special Variables pilih
Idf.Chisq
 Pada Numeric Expression akan muncul IDF.CHISQ(?,?). Lalu ? pertama isi dengan
probabilitas, yaitu 0.95 dan ? kedua isi dengan derajat kebebasan, yaitu 3 (dapat dilihat
pada tabel output). Lalu Klik OK
119
11. Hasil Chisquare table akan muncul pada inputan spss.
Interpretasi Hasil:
Hipotesis
H0 = Tidak terdapat perbedaan kemerataan/keselarasan frekuensi distribusi pemilih program studi
SOBM tahun 2015 dan tahun 2016
Ha = Terdapat perbedaan kemerataan/keselarasan frekuensi distribusi pemilih program studi
SOBM tahun 2015 dan tahun 2016
Dan
X2 hitung > X2 tabel, maka H0 ditolak
X2 hitung < X2 tabel, maka H0 diterima
Keputusan
0.000 < 0.05 maka H0 ditolak
828.607 > 7.81 maka H0 ditolak
Kesimpulan
Terdapat perbedaan kemerataan/keselarasan frekuensi distribusi pemilih program studi SOBM
tahun 2015 dan tahun 2016.
120
10.2 Uji Independensi
Chi-square goodness-of-fit test digunakan untuk menganalisis distribusi frekuensi untuk kategori
satu variabel. Namun, goodness-of-fit test tidak bisa digunakan untuk menganalisis dua variabel
secara bersamaan. Karena itu dikenal yang namanya chi-square test of independence yang dapat
digunakan untuk menganalisis frekuensi dari dua variabel dengan beberapa kategori untuk
menentukan apakah kedua variabel independen.
Contoh :
Evantut adalah seorang Personal Trainer di Medal’s Gym. Ia ingin melihat apakah
terdapat hubungan antara umur pengunjung di Medal’s Gym terhadap penawaran Paket Gym
Bulanan dari …… anggota. Paket Gym tersebut terdiri dari :
Paket A : Rp. 199.000
Paket B: Rp. 299.000 + Towel Exercise
Paket C : Rp. 356.000 + Towel Exercise + Free 15 Days
Paket D : Rp. 400.000 + Towel exercise + Free 1 Month
USIA PAKET
A B C D
< 17 Tahun 15 48 34 50
18-35 Tahun 33 39 23 10
36-50 Tahun 36 23 43 18
>50 Tahun 16 17 40 38
1. Input variabel Usia, Paket, dan Frekuensi pada Variable View
2. Gunakan Value Label untuk variable usia dan paket:

121
3. Input data ke dalam Data View.
4. Kemudian lakukan Weight Cases. Pilih Data – Weight Cases. Pada window yang muncul, pilih
Weight cases by frekuensi (masukkan frekuensi pada Frequency Variable), kemudian OK.
122
dimulai dengan melakukan uji normalitas. Uji Normalitas dilakukan untuk mengetahui distribusi
data dari variabel yang dianalisa. Pilih Analyze → Descriptive Statistics → Explore
Tests of Normality
frekuensi .168 483 .000 .911 483 .000
6. Lakukan pengujian Goodness of fit. Pilih Analyze, Descriptive Statistics, lalu klik Crosstabs.
7. Pada kotak dialog Crosstabs muncul, pindahkan usia ke Row(s) dan paket ke Column(s).
 Klik Statistics, Pada kotak dialog Crosstabs: Statistics yang muncul centang Chi-Square.
 Klik Cells, kemudian pilih Observed, Expected.
123
8. Klik Continue, lalu Ok untuk melihat hasil.
usia * paket Crosstabulation

paket Total
paket a paket b paket c paket d
Count 15 48 34 50 147
< 17 Tahun Expected
30.4 38.7 42.6 35.3 147.0
Count
usia
Count 33 39 23 10 105
18-35
Expected
Tahun 21.7 27.6 30.4 25.2 105.0
Count
124
Count 36 23 43 18 120
36-50
Expected
Tahun 24.8 31.6 34.8 28.8 120.0
Count
Count 16 17 40 38 111
>50 Tahun Expected
23.0 29.2 32.2 26.7 111.0
Count
Count 100 127 140 116 483
Expected
Total 100.0 127.0 140.0 116.0 483.0
Count
Chi-Square Tests
Value df Asymp. Sig.
(2-sided)
Pearson Chi-Square 66.746a 9 .000
Likelihood Ratio 69.978 9 .000
Linear-by-Linear
.279 1 .598
Association
N of Valid Cases 483
a. 0 cells (0.0%) have expected count less than 5. The
minimum expected count is 21.74.
9. Untuk mencari nilai Chisquare hitung dengan menggunakan langkah berikut :

 Pilih Transform >> Compute Variable.
 Ketik X pada Target Variable.
 Pada Function Group pilih Inverse DF dan pada Function and Special Variables pilih
Idf.Chisq.
 Pada Numeric Expression akan muncul IDF.CHISQ(?,?). Lalu ? pertama isi dengan
probabilitas, yaitu 0.95 dan ? kedua isi dengan derajat kebebasan, yaitu 4 (dapat dilihat
pada tabel output).
 Klik OK.
125
10. Hasil Chisquare Table akan muncul pada input spss.
Interpretasi Hasil :
Hipotesis
H0: Tidak terdapat hubungan antara usia dengan paket Gym
Ha : Terdapat hubungan antara usia dengan paket Gym
126

dan
X2 hitung > X2 tabel, maka H0 ditolak
X2 hitung < X2 tabel, maka H0 diterima
Keputusan (lihat pearson chi-square)

0.00 < 0.05, maka H0 ditolak
66.746 > 16.92, maka H0 ditolak
Kesimpulan
Terdapat hubungan antara usia dengan paket Gym
127
Soal Latihan
1. Setelah melihat perbedaan pengaruh antara ketiga layanan maka Cella pun membuat kuesioner
untuk melihat parameter yang mempengaruhi kenyamanan layanan di layanan mahasiswa maka
dari 110 orang didapat 45 orang menganggap keramahan yang mempengaruhi kenyamanan, 25
beranggapan ketepatan penyelesaiaan yang mempengaruhi kenyamanan, 40 beranggapan
kecepatan layanan yang mempengaruhi kenyamanan. Sedangkan untuk layanan keuangan
sebagai estimasi didapat frekuensinya sebagai berikut:
Parameter kenyamanan Layanan keuangan
Keramahan 55
ketepatan penyelesaian 30
kecepatan 25
Bantulah cella dalam melakukan pengujian dengan menjawab pertanyaan berikut:

a. Apakah frekuensi distribusi parameter kenyamanan layanan mahasiswa sama dengan
frekuensi distribusi pada layanan keuangan?
b. Berapaka nilai Chi Square tabel dan Chi Square hitung pada pengujuan tersebut?
2. Seorang dosen memperkirakan bahwa tipikal distribusi grade dari kelasnya adalah 35% grade A,
30% grade B, 25% grade C, dan 10% kurang dari sama dengan (≤) grade D. Pada semester ini,
kelas dosen tersebut berisi 100 mahasiswa.
a. Estimasikan jumlah mahasiswa yang akan memperoleh masing-masing grade berdasarkan
ekspektasi dosen.
b. Di akhir semester, terdapat 25 anak mendapat grade A, 30 anak mendapat grade B, 25 anak
mendapat grade C, dan sisanya mendapat grade kurang dari sama dengan (≤) grade D. Ujilah
normalitas data tersebut!
c. Apakah hasil grade pada akhir semester mengikuti distribusi grade yang diharapkan?
3. Carllim adalah seorang pemilik toko sembako terbesar di Tangerang, sembako yang paling
banyak dibeli dan dibutuhkan adalag Beras. Berikut adalah penjualan beras tahun 2014 di 5 toko
terbesarnya :
TOKO PENJUALAN
Ruko Pasar 9 212
128
Ruko Pasar Sipansa 252

Ruko Pasar Modern BSD 243
Ruko Pasar modern GS 439
Ruko Pasar Moderland 259
Apakah data penjualan beras tahun 2014 memiliki distribusi yang merata di lima toko
terbesarnya ?
4. Toyota yang memiliki berbagai jenis mobil dengan kualitas terbaik harus dapat memenuhi
keinginan konsumen dari berbagi jenis golongan dengan tingkat pendapatan tertentu. Berikut
data hasil penjualan mobil toyota:
Mobil
Pendapatan
Avanza Rush Agya Innova
< 3 juta 84 79 118 133
3 – 7 juta 139 86 104 135
>7 juta 133 95 94 108
Lakukanlah pengujian untuk menjawab pertanyaan berikut dengan tingkat kesalahan 10%:
Apakah terdapat hubungan antara tingkat pendapatan dengan penjualan jenis mobil Toyota?
10.3 MANN WHITNEY
Uji Mann Whitney sebanding dengan t – test nonparametrik untuk sampel independen.
Mann Whitney adalah uji non – parametrik yang digunakan untuk mengetahui perbedaan rata –
rata 2 kelompok independen (bebas) yang berasal dari populasi yang sama apabila skala
data variabel terikatnya adalah ordinal atau interval/ratio tetapi tidak berdistribusi normal. Uji
Mann-Whitney merupakan uji nonparametrik yang digunakan untuk menguji apakah dua buah
sampel independen berasal dari populasi yang sama.
Populasi dari sampel pertama berbeda dengan populasi dari sampel kedua sehingga
kedua sampel tersebut bersifat independen. Uji Mann-Whitney menguji parameter populasi dari
masing-masing sampel. Pada dasarnya, parameter yang di uji adalah median populasi. Jika nilai
median dari populasi pertama sama dengan nilai median dari populasi kedua, maka kedua
sampel tersebut berasal dari populasi yang sama. Namun jika nilai median dari populasi pertama
tidak sama dengan nilai median dari populasi kedua, maka kedua sampel tersebut berasal dari
populasi yang berbeda.
Data yang dianalisis pada uji Mann-Whitney berupa ranking dari hasil pemeringkatan
seluruh nilai dari dua sampel. Karena data yang dianalisis berupa ranking, maka data tersebut
termasuk data ordinal.
Pengujian mann whitney dapat dilakukan dengan memenuhi asumsi berikut :
 Data yang digunakan tidak berhubungan satu sama lain (Independen)
 Populasi tidak harus berdistribusi normal (bebas)
 Berskala minimal Ordinal
 Jumlah data yang digunakan sedikit (<30)
Contoh :
H&M saat ini menggunakan 2 mesin pembuat baju yaitu mesin 1 berasal dari Jepang dan mesin
2 berasal dari Korea. Kedua mesin itu digunakan untuk memproduksi baju secara massal. Wanda
ingin mengetahui adakah perbedaan kualitas mesin pembuat baju pada industri fashion H&M.
Kedua kualitas mesin pembuat baju tersebut diukur dengan menggunakan instrumen yang terdiri
dari beberapa butir pertanyaan. Skor penilaian dengan kualitas tertinggi 50 dan terendah 0. Data
yang didapatkan peneliti dari hasil kuisioner adalah sebagai berikut.
129
130
RESPONDEN MESIN KOREA MESIN JEPANG
1 16 29
2 18 29
3 10 31
4 12 35
5 16 36
6 14 37
7 15 33
8 10 37
9 12 29
10 15 42
11 16 18
12 11 30
13 16 37
14 18 39
15 10 21
16 12 30
17 16 24
18 11 40
19 12 17
20 10 42
131
21 14 23
22 16 37
23 17 36
24 16 18
25 18 37
Langkah-langkah pengerjaan :
1. Input variabel kelas dan nilai pada Variable View. Gunakan Value Label untuk variabel mesin
2. Input data ke Data View.
131
132
3. Lakukan uji normalitas.
Tests of Normality
mesin Kolmogorov-Smirnova Shapiro-Wilk

korea ,200 25 ,011 ,893 25 ,013
kualitas
jepang ,164 25 ,083 ,918 25 ,046
5. Pilih Analyze >> Nonparametric Tests >> Legacy Dialogs >> 2 Independent Samples. Kemudian pada
window yang muncul, pindahkan variable kualitas ke Test Variable List dan mesin ke group variable.
133
5. Klik Define Group dan masukkan seperti dibawah ini.
6. Pilih Continue. Pada test-type pilih Mann-Whitney U kemudian OK untuk melihat output.
Ranks
mesin N Mean Rank Sum of Ranks
korea 25 13,26 331,50

kualitas jepang 25 37,74 943,50
Total 50
Test Statisticsa
kualitas
Mann-Whitney U 6,500
Wilcoxon W 331,500
Z -5,955
Asymp. Sig. (2-tailed) ,000
a. Grouping Variable: mesin
133
134
Interpretasi Hasil :
Hipotesis
H0 : Tidak terdapat perbedaan yang signifikan antara mesin dari korea dan mesin dari jepang
terhadap kualitas baju di H&M
Ha : Terdapat perbedaan yang signifikan antara mesin dari korea dan mesin dari jepang
terhadap kualitas baju di H&M
Sig > α maka, H0 diterima
Sig < α maka, H0 ditolak
Keputusan (nilai asymps sig)
0.00 < 0,05, maka H0 ditolak
Kesimpulan
Terdapat perbedaan yang signifikan antara mesin dari korea dan mesin dari jepang terhadap
kualitas baju di H&M
135
Soal Latihan
1. Fernando seorang mahasiswa tingkat akhir. Ia ingin melakukan suatu penelitian untuk
mengetahui apakah terdapat perbedaan rata rata tingkat penerimaan fresh graduate di dunia kerja
antara Universitas Bina Nusantara dengan Universitas Trisakti. Berikut hasil data yang telah
diperoleh. Bantulah fernando dalam pengujian ini.
Universitas Bina Nusantara Universitas Trisakti

120 130
150 125
185 150
165 110
143 95
176 140
111 188
103 194
180 142
161 127
*Data diasumsikan berdistribusi bebas*
2. Barney diberikan suatu tugas oleh dosen Business Statistics untuk melakukan suatu penelitian di
Bhinneka. Disana Barney ingin melihat apakah terdapat perbedaan rata – rata preferensi
konsumen antara laptop LCD 14 inch dengan laptop LCD 11 inch. Berikut adalah hasil data
yang berhasil diperoleh :
laptop LCD 14 inch laptop LCD 11 inch

1 6
7 7
7 7
2 2
8 6
2 2
6 8
135
136
7 7
6 7
7 1
PERTEMUAN 11
SIGN WILCOXON & KRUSKALL WALLIS
11.1 SIGN WILCOXON
Wilcoxon signed rank test adalah metode nonparametrik yang digunakan untuk
membandingkan 2 sampel data yang berasal dari grup yang sama (2 sampel yang saling
berhubungan). Hal ini dapat dilakukan ketika ingin menyelidiki apakah terjadi perubahan nilai
dari 1 waktu ke waktu lain atau ketika individu diberikan lebih dari 1 kondisi (diberikan
perlakuan yang berbeda).
Pengujian Wilcoxon signed rank dapat dilakukan ketika memenuhi asumsi berikut :
1. Data dari variable dependen minimal berskala ordinal
Contoh: Skala 5 – menjelaskan berapa banyak pelanggan menyukai produk, jika skala 1
menjelaskan bahwa banyak pelanggan yang tidak terlalu banyak menyukai produk.
2. Data berdistribusi bebas harus terdiri dari data yang memiliki kelompok yang berhubungan
3. Sampel yang digunakan adalah sampel yang berhubungan
4. Jumlah sample kecil (<30)
Contoh:
Losaura adalah seorang peneliti ingin mengetahui bagaimana perkembangan asisten laboratory of
business management terhadap kualitas dari seorang asisten setelah diberikan training inti. Peneliti
mengharapkan adanya dampak positif setelah diberikannya training inti. Losaura mengambil
sampel sebanyak 10 asisten.Berikut hasil data yang telah diteliti losaura:
Nama Sebelum Training Inti Sesudah Training Inti

Adi Riswanto 71 88
Annastasia Melisse 80 90
Evan Octviamen 66 88
Sheilda 81 65
Huimanto 65 88
Lily Leonita 66 90
I Nyoman Oki Asak 78 88
Ferlyn Angelina 80 72
Jessie Prasetya 82 89
137
138
Yusliana 77 62
139
Langkah-langkah:
1. Input variabel sebelum training inti dan sesudah training inti pada Variable View.
2.
Input data diatas pada Data View.
2. Uji distribusi data, jika data tidak normal maka bisa menggunakan metode non-parametrik
140
4. Pada menu Analyze, pilih Non-Parametric Test – 2 Related Sample.
5. Pada kolom Test Pairs, masukkan variable sebelum training inti dan sesudah training inti.
Kemudian Test Tipe : Wilcoxon. Abaikan pilihan lain, klik OK.
141
6. Output hasil.
Interpretasi Hasil
Hipotesis
H0 : Tidak terdapat perbedaan kualitas asisten sebelum dan sesudah diberikan training inti
Ha : Terdapat perbedaan kualitas asisten sebelum dan sesudah diberikan training inti
Sig > α , maka H0 dterima
Sig < α , maka H0 ditolak
Keputusan
0.139 > 0.07 , maka H0 dterima
Kesimpulan:
Tidak terdapat perbedaan kualitas asisten sebelum dan sesudah diberikan training inti
Jika dilihat pada tabel rank, nilai negative lebih sedikit dari pada nilai positif, hal ini mengindikasikan
bahwa rata-rata terjadi penurunan kualitas asisten setelah diberikan training inti.
142
Soal Latihan
1. Sebagai bisnis manufacture bunga plastik yang dijalankan turun temurun, Mawar
Manufacture Company sudah banyak melakukan inovasi dalam proses produksinya. Pada
awal tahun 1990an Mawar Manufacture menggunakan cara manual dalam memproduksi,
namun seiring dengan perkembangan teknologi Mawar Manufacture mulai melalukan
produksi bukan lagi secara manual tapi dengan menggunakan mesin berteknologi tinggi
sehingga mempersingkat proses produksi dan meningkatkan produktivitas pekerjanya.
Mawar Manufacture ingin mengetahui apakah dengan menggunakan mesin yang cangih
benar benar meningkatkan produktivitas karyawannya. Berikut terlampir data produktivitas
karyawan, ada beberapa data pekerja yang tidak lengkap. (Tingkat kepercayaan 91%)
Pekerja Manual Mesin Pekerja Manual Mesin

1 5 11 21 5 7
2 3 9 22 - 8
3 9 9 23 7 -
4 - 2 24 9 10
5 20 - 25 3 -
6 3 9 26 3 -
7 3 6 27 - 3
8 6 - 28 3 -
9 7 9 29 8 7
10 2 6 30 3 7
11 5 10 31 7 9
12 - 4 32 3 -
13 3 9 33 - 3
14 3 8 34 7 9
15 8 - 35 - 8
16 6 8 36 2 -
17 3 5 37 8 9
18 - 0 38 7 6
19 3 5 39 - 6
20 3 6 40 6 -
143
2. Top Nusantara memproduksi berbagai macam permen dan snack. Pada tahun 2010 - 2012
penjualan permen dan snack tidak mengalami kenaikan ataupun penurunan. Pt. Top
Nusantara berencana untuk meningkatkan penjualan dengan menambah frekuensi
advertising. Berikut merupakan data hasil penjualan permen dan snack dalam miliar pada
tahun 2012 dan 2013, apakah ada peningkatan penjualan sebelum dan sesudah penambahan
frekuensi advertising. (α = 15%)
Jan Feb Mar Apr Mei Jun Jul Agus Sep Okt Nov Des Rata-
rata
2012 7 6 6 3 5 4 10 4 5 6 8 15
2013 9 8 6 4 5 5 6 6 6 7 9 14
11.1 KRUSKALL WALLIS
Kruskal Wallis merupakan salah satu metode non-parametrik yang memiliki tujuan untuk
menentukan apakah terdapat perbedaan yang signifikan antara tiga atau lebih variabel independent
terhadap variabel dependent. Non-parametrik merupakan metode yang tidak didasarkan pada asumsi
distirbusi populasi. Variabel independent merupakan variable yang mempengaruhi variable dependent
atau merupakan variable bebas satu sama lain, sedangkan variable dependent merupakan variable yang
dipengaruhi variable independent atau merupakan variable terikat.
Ciri-ciri data Uji Kruskal-Wallis
1. Data merupakan metode non-parametrik
2. Memiliki jumlah responden minimal 30 atau lebih
3. Variable independent minimal 3 atau lebih (3,4,5,…,dst) kelompok.
4. Variable dependent berskala nominal (interval/ratio) atau Ordinal
5. Data tidak berdistribusi normal
6. Kruskall wallis merupakan nilai distribusi chi-square dengan derajat bebas k-1 maka jumlah
sample harus lebih dari sama dengan 5
7. Setiap katagori memiliki variablilitas yang sama, yaitu bentuk kurve atau sebaran data yang
sama.
Contoh Soal :
Supervisor penjualan untuk Roti Coklat dari Duta Makmur ingin mengetahui apakah ada
perbedaan penjualan Roti Coklat yang nyata di daerah Penjualan JABODETABEK. Untuk itu
144
diambil sampel berupa data penjualan Roti Coklat, masing-masing enam outlet untuk kawasan
JABODETABEK, dengan data sebagai berikut :
Jakarta Bogor Tangerang Bekasi Depok

610 642 542 648 545
650 651 542 521 605
650 653 551 521 620
615 695 542 522 545
616 651 587 645 602
620 643 533 534 602
Berikut langkah-langkah pengerjaan menggunakan SPSS :

1. Masukkan variable ke dalam tab “Variable View”, yaitu Kota dan Penjualan
2. Klik pada Value di baris data Kota, akan muncul kotak “Value Labels”. Pada Kolom Value,
tulis angka 1 dan pada kolom Label tulis Jakarta, lalu klik “Add”. Lanjutkan sampai Value 5.
145
3. Pada tab “Data View”, di kolom Shift masukkan angka 1 untuk Jakarta, dan pada kolom
Penjualan masukkan hasil copy dari data penjualan Jakarta. Lanjutkan sampai angka 5 dan
data penjualan Depok.
4. Lakukan Uji Normalitas sebagai syarat Uji Kruskal Wallis untuk mengetahui bahwa Data
berdistribusi tidak normal. Langkah melakukan Uji Normalitas :
Klik Analyze – Descriptive Statistics – Explore
5. Kemudian akan muncul kotak dialog Explore dan klik Plots.

146
6. Pada kotak dialog Explore : Plots

- Pada Boxplots klik None
- Pada Descriptive uncheck Stem-and-leaf
- Klik Normality plots with tests.
- Klik Continue
- Klik Ok pada kotak dialog Explore
7. Hasil Output Uji Normalitas menunjukkan bahwa jumlah data masing-masing variable adalah 6,
maka diambil data pada kolom Shapiro-Wilk. Dari hasil Sig pada Shapiro-Wilk menunjukkan
seluruh data lebih kecil dari α (0.05), sehingga dapat dilanjutkan pengujian Kruskal Wallis.
Tests of Normality
Kota Kolmogorov-Smirnova Shapiro-Wilk
Jakarta ,313 6 ,068 ,776 6 ,035
Bogor ,390 6 ,005 ,700 6 ,006
Penjualan Tangerang ,318 6 ,057 ,750 6 ,020
Bekasi ,356 6 ,017 ,692 6 ,005
Depok ,348 6 ,022 ,786 6 ,043
8. Kemudian lakukan Uji Kruskal Wallis. Klik Analyze – Nonparametric Tests – Legacy Dialog -
K Independent Samples.
147
9. Kemudian akan muncul kotak dialog “Tests for Several Independent Samples” kemudian
pindahkan variable Penjualan ke kolom Test Variable List dan Kota ke Grouping Variable
sebagai berikut:
10. Kemudian klik Define Range dan isikan nilai Minimum : 1 dan nilai Maximum : 5 (karena
terdiri dari 5 sample) sebagai berikut :
11. Kemudian klik Continue dan klik Ok. Hasil Output dari Kruskal-Wallis Test sebagai berikut :
148
Test Statisticsa,b
Penjualan
Chi-
17,921
Square
df 4
Asymp.
,001
Sig.
a. Kruskal Wallis Test
b. Grouping Variable:
Kota
Ranks
Kota N Mean
Rank
Jakarta 6 20,25
Bogor 6 26,17
Tangerang 6 8,00
Penjualan
Bekasi 6 9,67
Depok 6 13,42
Total 30
149
12. Setelah mendapat Asymp Sig. dan Chi-Square hitung kita memerlukan Chi-Square Tabel
dengan menggunakan tool di spss. Pertama klik Transform dan pilih Compute Variable.
13. Pada kolom Compute Variable

- Pada Target Variable isi Chisq
- Pada Function Group klik Inverse DF
- Pada Function and Special Variables klik 2x pada Idf.Chisq
- Pada Numeric Expression akan ada rumus IDF.CHISQ (prob, df), dimana prob adalah
(1-α) = 1 - 0.05 = 0.95 dan df dapat dilihat di table output Statistics, yaitu 4 atau K - 1
= 5 – 1 = 4 (Note: K adalah banyak sample yang diuji).
14. Output table Chi-Square akan ada pada data view yaitu 5.99.
150
Interpretasi Hasil
Hipotesis
Ho : Tidak terdapat perbedaan yang signifikan antara penjualan Roti Coklat pada daerah
penjualan JABODETABEK
Ha : Terdapat perbedaan yang signifikan antara penjualan Roti Coklat pada daerah

Chi-square hitung < Chi-square tabel maka Ho diterima | Sig ≥ α maka H0 diterima
Chi-sqaure hitung > Chi-square tabel maka Ho ditolak | Sig < α maka H0 ditolak
Keputusan
17,921 > 9,49 maka Ho ditolak
0,001 < 0,05 maka Ho ditolak
Kesimpulan
Jadi, Terdapat perbedaan yang signifikan antara penjualan Roti Coklat pada daerah
151
Soal Latihan
1. Tabel di bawah ini berisi data panjang daun tanaman dari spesies yang sama di empat
taman berbeda. Pada setiap taman, enam tanaman dipilih secara acak. Untuk setiap
tanaman, sepuluh daun dipilih secara acak, dan rata-rata dari sepuluh daun tersebut dicatat
untuk setiap tanaman dari setiap taman. Gunakan test Kruskal-Wallis untuk menentukan
apakah terdapat perbedaan yang signifikan antara distribusi rata-rata panjang daun di
lokasi taman yang berbeda. Gunakan α=0,05.
TAMAN RATA-RATA PANJANG DAUN (CM)

1 5,3 5,1 6 5,6 5,5 5,8 3,1 5,3 5,1 8,3
2 6,2 5 5,4 6 5,2 5,5 6,7 6,8 5,5 2,4
3 5,4 5 5,8 5,4 4 5,2 5,2 3,4 2,7 5,2
4 3,4 7 3,4 3,7 4,1 5,4 3,1 7 6,2 3
2. EPA ingin menentukan apakah perubahan suhu di dalam air laut yang disebabkan oleh
pembangkit listrik tenaga nuklir akan memiliki efek yang signifikan pada kehidupan
hewan di wilayah tersebut. Spesimen yang baru menetas dari beberapa spesies ikan dibagi
menjadi empat kelompok secara acak. Kelompok-kelompok tersebut ditempatkan pada
simulasi lingkungan laut yang terpisah dan dengan suhu air yang identic. Enam bulan
kemudian, spesimen-spesimen tersebut ditimbang dan hasilnya ditunjukkan pada table.
Gunakan α=0,10 untuk mengetahui apakah terdapat perbedaan yang signifikan antara
berat spesimen pada suhu yang berbeda.
Suhu
38 F 42 F 46 F 50 F
15.0 16.0 42.0 18.0
17.0 17.0 23.0 18.0
21.0 16.0 21.0 21.0
18.0 16.0 17.0 18.0
19.0 22.0 22.0 21.0
15.0 17.0 23.0 18.0
152
31.0 24.0 22.0 23.0

30.0 38.0 15.0 23.0
3. Kumbang menyebabkan kerugian jutaan rupiah akibt kerusakan tanaman kapas setiap
tahunnya. Oleh karena itu, tiga bahan kimia dirancang untuk mengontrol populasi
kumbang untuk masing-masing lahan tanaman kupas. Setelah tiga bulan, sepuluh lahan
berukuran sama dipilih secara acak dan persentase kerusakan tanaman kapas dicatat.
Apakah terdapat perbedaan yang signifikan antara distribusi tingkat kerusakan dengan
ketiga perlakuan pada tanaman kapas ?
Bahan A Bahan B Bahan C

8,80 132,00 9,60
15,60 16,00 11,00
15,40 18,20 14,40
17,90 9,00 14,10
18,30 13,50 14,30
9,80 9,20 10,20
16,70 17,00 11,10
19,00 13,20 9,60
17,30 13,40 11,00
19,40 9,20 10,40
DAFTAR PUSTAKA
Black, Ken. 2010. Business for Contemporary Decision Making Statistics 6th edition. Wiley Plus
Setyadharma, Andryan. 2010. Uji Asumsi Klasik dengan SPSS 16.0. Universitas Negeri
Semarang
http://docplayer.info/238136-E-book-statistika-gratis-statistical-data-analyst-uji-asumsi-klasik-
regresi-linear.html
Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2011). Statistics For Business and
Economics 11e. South Western: Cengage Learning.
Black, K. (2013). Applied Business Statistics Making Better Bussiness Decisions 7th Edition.
Singapore: John Wiley & Sons.
Ghozali, I. (2013). Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Updated PLS
Regresi. Semarang: Badan Penerbit Universitas Diponegoro.
Godam64. (2006, Juni 21). klasifikasi-jenis-dan-macam-data-pembagian-data-dalam-ilmu-eksak-

sains-statistik-statistika. Retrieved Juli 7, 2015, from www.organisasi.org:
http://www.organisasi.org/1970/01/klasifikasi-jenis-dan-macam-data-pembagian-data-dalam-
ilmu-eksak-sains-statistik-statistika.html
Hidayat, A. (2014, July 17). Kruskall Wallis H. Retrieved Maret 20, 2015, from
www.statistikian.com: http://www.statistikian.com/2014/07/kruskall-wallis-h.html
Kelley, W. M., & Donnelly, R. A. (2009). The Humongous Book of Statistics Problems. USA:
Penguin Group.
Ltd, L. R. (n.d.). Chi Square Goodness of Fit Test in SPSS Statistics. Retrieved Juli 28, 2015,
from www.statistics.laerd.com: https://statistics.laerd.com/spss-tutorials/chi-square-goodness-of-
fit-test-in-spss-statistics.php
Putra, Z. (2012, Februari 23). Konsep Data Klasifikasi Jenis dan Macam Pembagian Data dalam
Statistik. Retrieved July 28, 2015, from http://www.scribd.com:
http://www.scribd.com/doc/101086535/Konsep-Data-Klasifikasi-Jenis-Dan-Macam-Pembagian-
Data-Dalam-Statistika#scribd
153
154
Santosa, P. B., & Ashari. (2005). Analisis Statistik dengan Microsoft Excel & SPSS. Yogyakarta:
Andi.
Santoso, S. (2011). Mastering SPSS Versi 19. Jakarta: PT Elex Media Komputindo.
Sekaran, U., & Bougie, R. (2013). Research Methods for Business. West Sussex: John Wiley &
Sons Ltd.
Suseno, B. (2013, April 18). Analisis chi square. Retrieved July 28, 2015, from Statisti Olah
Data: http://www.statistikolahdata.com/2013/04/analisis-chi-square.html
https://statistics.laerd.com/spss-tutorials/wilcoxon-signed-rank-test-using-spss-statistics.php
Wackerly, D. D., Mendenhall W., Scheaffer R. L. (2008). Mathematical Statistics with

Application, 7th edition. USA: Thomson Higher Education.
Black, K. (2013). Applied Business Statistics: Making Better Business Decisions. Hoboken, NJ:
John Wiley & Sons.
smartstat. (2010, Februari 20). Skala Pengukuran Variabel. Retrieved 5 20, 2016, from
www.smartstat.wordpress.com: https://smartstat.wordpress.com/2010/02/20/skala-
pengukuran-variabel/
www.organisasi.org. (2006, Juni 21). KLASIFIKASI, JENIS DAN MACAM DATA - PEMBAGIAN
DATA DALAM ILMU EKSAK SAINS STATISTIK / STATISTIKA. Retrieved 5 20, 2016,
from www.organisasi.org: http://www.organisasi.org/1970/01/klasifikasi-jenis-dan-
macam-data-pembagian-data-dalam-ilmu-eksak-sains-statistik-statistika.html
www.triyatmoko.wordpress.com. (2009, April 24). PENGUKURAN; Penskalaan, keandalan,

validitas. Retrieved 5 20, 2016, from www.triyatmoko.wordpress.com:
https://triyatmoko.wordpress.com/tag/metode-penelitian/

Applied Business Statistic Lab

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Applied Business Statistic Lab

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PRAKTIKUM

Entrepreneurship Study Program

PERTEMUAN 1 PENGENALAN STATISTIK.....................................................................................1

1.1 STATISTIK DALAM BISNIS........................................................................................................................................ 1

PERTEMUAN 2 VALIDITAS & RELIABILITAS.............................................................................29

2.1 UJI VALIDITAS DAN RELIABILITAS..................................................................................................................... 29

3.1 UJI NORMALITAS...................................................................................................................................................... 39

PERTEMUAN 4 ASUMSI KLASIK.....................................................................................................49

4.1 UJI MULTIKOLINEARITAS...................................................................................................................................... 49

5.1 KORELASI BIVARIAT............................................................................................................................................... 66

6.1 KORELASI PARTIAL................................................................................................................................................. 70

8.1 REGRESI BERGANDA............................................................................................................................................... 85

SOAL LATIHAN...................................................................................................................................................................... 105

PERTEMUAN 10 CHISQUARE & MANN WHITNEY...................................................................107

10.1 UJI KESELARASAN ATAU GOODNESS OF FIT TEST..................................................................................... 107

PERTEMUAN 11 SIGN WILCOXON & KRUSKALL WALLIS...................................................137

11.1 SIGN WILCOXON.................................................................................................................137

1.1 Statistik dalam Bisnis

1.2 Klasifikasi Data

Pembagian data dalam statistik dapat digambarkan sebagai berikut :

Sumber : (Putra, 2012)

A. Klasifikasi Data Menurut Cara Memperolehnya

B. Klasifikasi Data Menurut Sumber Data

C. Klasifikasi Data Menurut Jenis Data

D. Klasifikasi Data Menurut Sifat Data

E. Klasifikasi Data Menurut Waktu Pengumpulan

1.3 Pengertian Skala

1.4 Teknik Penskalaan

Teknik penskalaan (Scaling Technique) dapat diklasifikasikan menjadi teknik komparatif

1.4.1 Skala Pembanding (Comparative Scale)

a. Skala Perbandingan Berpasangan

b. Skala Urutan Bertingkat

c. Skala Jumlah Tetap

1.4.2 Noncomparative Scaling Techniques

b. Skala Semantik Diferensial

1.5 Metode Analisis

1.5.1 Analisis Kualitatif

1.5.2 Analisis Kuantitatif

1.5.3 Metode Analisis Statistik

1.6 Elemen Statistik

Beberapa elemen yang biasa terdapat dalam suatu persoalan statistik :

1.7 SPSS (Statistical Product and Service Solution)

Input data dengan Output data dengan

Langkah-langkah memasukkan data ke dalam SPSS adalah sebagai berikut:

1.8 Statistik Deskriptif

Statistik deskriptif adalah statistik yang berkenaan dengan bagaimana mendeskripsikan,

2. Mencari ukuran disperse seperti standard deviation, variance.

Statistik Deskriptif terbagi atas 2, yaitu:

(dalam satuan: juta)

Dari data diatas, tentukanlah

Dibawah ini adalah cara membuat laporan hasil inteprestasi data :

Nama Berat Nama Berat Nama Berat

Dari data diatas carilah :

Langkah –langkah penyelesaian:

5. Klik OK. Maka akan muncul variabel baru Data1.

6. Pada menu Analyze, pilih Descriptive Statistics >> Frequencies.

10. Klik OK, dan didapat Result sebagai berikut

Hasil inteprestasi data:

Dari data diatas, tentukan:

Dari data-data diatas, tentukanlah:

2.1 Uji Validitas dan Reliabilitas

Menurut Sarjono (2011) pengujian validitas merupakan sebuah proses untuk

Pengukuran reliabilitas pada dasarnya bisa dilakukan dengan dua cara :