KELOMPOK 10

NAMA KELOMPOK :
1. APRIYANTO ADI KII (2103020010)
2. APRILIANA (2103020013)
3. PUTU DELLA SINTIANI (2103020017)
4. AKHMAD KHATAMI (2003020024)

TUGAS 4
1. UJI MODEL DOKUMENTASI PENELITIAN KOMPARATIF
A. PERTUMBUHAN LABA
Rata-rata pertumbuhan laba
KODE PRTUMBUHAN LABA meningkat 215% dari 263%
PERUSAHAAN sebelum terjadi peristiwa
PRE POST TREND menjadi 478% pada sesudah
ANTM 124% 628% 504% terjadi peristiwa. Ini
INCO 181% 195% 14% mengindikasikan ketiga PT
ADRO 484% 611% 127% tersebut optimal dalam
melakukan penjualan,
MEAN 263% 478% 215% menentukan harga pokok
penjualan, beban operasi, dan
pajak penghasilan. Dimana pertumbuhan laba dipengaruhi oleh rasio-rasio keuangan,
antara lain current ratio, debt to asset ratio, total asset turnover,dan net profit margin.
Pertumbuhan laba yang meningkat dapat menentukan besarnya tingkat pengembalian
kepada pemegang saham atau bagi calon investor untuk mengambil keputusan apakah
melakukan investasi atau tidak. Oleh karena itu, pertumbuhan laba sangat penting bagi
pemilik perusahaan dan investor.
B. CURRENT RATIO
Rata-rata CR (CURRENT
KODE CURRENT RATIO RATIO) menurun 24% dari 266%
PERUSAHAAN
sebelum terjadi peristiwa menjadi
PRE POST TREND 242% pada sesudah terjadi
ANTM 124% 126% 2% peristiwa. Ini mengindikasikan
INCO 411% 372% -39% ketiga PT tersebut belum optimal
ADRO 262% 228% -34% dalam membayar/melunasi
MEAN 266% 242% -24% kewajiban jangka pendek/ hutang
lancar yang jatuh tempo dalam
satu tahun setelah peristiwa terjadi . Tetapi pada data diatas hasil perhitungannya
adalah >150%, yang artinya perhitungannya diatas 100% (1x) berarti bahwa
menandakan perusahaan masih sehat.
 C. DEBT TO ASSET RATIO
Rata-rata DAR tidak
KODE DEBT TO ASSET RATIO
mengalami penurunan atau
PERUSAHAAN PRE POST TREND
peningkatan dari 30%
ANTM 39% 39% 0%
sebelum terjadi peristiwa
INCO 14% 13% -1%
menjadi 30% pada sesudah
ADRO 36% 37% 2%
terjadi peristiwa. Ini
MEAN 30% 30% 0% mengindikasikan bahwa
ketiga PT tersebut optimal
dalam pengelolaan aktiva yang tidak dipengaruhi oleh hutang setelah
terjadinya peristiwa . DAR yang baik harus dibawah angka 1 atau di bawah
100%.

D. NET PROFIT MARGIN

Rata-rata NPM meningkat 3%
KODE NET PROFIT MARGIN
dari 17% sebelum terjadi
PERUSAHAAN PRE POST TREND peristiwa menjadi 20% pada
ANTM 7% 7% 0% sesudah terjadi peristiwa. Ini
INCO 10% 16% 6% mengindikasikan ketiga PT
ADRO 36% 38% 2% tersebut sudah optimal dalam
MEAN 17% 20% 3% menekan biaya-biaya yang ada
diperusahaan dari sesudah
terjadinya peristiwa. Dimana hal ini dapat membuat investor menjadi lebih percaya untuk
bekerja sama dengan cara membeli saham dari perusahaan tersebuat. Dimana standar NPM
dapat dikatakan baik/atau sehat apabila > 3%-9%.
2. UJI NORMALITAS
Yaitu sebuah uji untuk menilai sebaran data pada variabel atau kelompok data,
apakah berdistribusi normal ataukah tidak. Jika data berdistribusi normal dapat
diasumsikan bahwa data diambil secara acak dari populasi normal. Uji Normalitas berguna
untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari
populasi normal. Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit.
Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya lebih dari
30 angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal. Biasa dikatakan
sebagai sampel besar.
Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau
tidak, sebaiknya digunakan uji normalitas. Karena belum tentu data yang lebih dari 30 bisa
dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya kurang dari 30
belum tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian. Kita telah
mempelajari berbagai jenis uji normalitas pada artikel-artikel sebelumnya, yaitu antara
lain:
1. Uji Normalitas (Chi-Square Goodness of Fit Test Normalitas),
Metode Chi Square Dalam Uji Normalitas
(Uji Goodness Of Fit Distribusi Normal)
Metode Chi-Square atau X2 untuk Uji Goodness of fit Distribusi Normal
menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas
dengan nilai yang diharapkan. Uji Chi-square seringkali digunakan oleh para
peneliti sebagai alat uji normalitas.
Rumus Uji Normalitas dengan Chi-Square

Keterangan:
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal
dikalikan N (total frekuensi) (pi x N)
N = Banyaknya angka pada data (total frekuensi)

Komponen penyusun rumus tersebut di atas didapatkan berdasarkan pada

hasil transformasi data distribusi frekuensi yang akan diuji normalitasnya, sebagai
berikut:

Keterangan :
Xi = Batas tidak nyata interval kelas
Z = Transformasi dari angka batas interval kelas ke notasi pada distribusi normal
pi = Luas proporsi kurva normal tiap interval kelas berdasar tabel normal
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal
dikalikan N (total frekuensi) (pi x N)

Syarat Uji Chi-Square dalam Uji Normalitas

Persyaratan Metode Chi Square (Uji Goodness of fit Distribusi Normal)
a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.
 Signifikansi:
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-Square).
Jika nilai X2 hitung < nilai X2 tabel, maka Ho diterima ; Ha ditolak.
Jika nilai X2 hitung > nilai X2 tabel, maka maka Ho ditolak ; Ha diterima.

2. Rumus Kolmogorov,
rumus kolmogorov smirnov yang biasa digunakan oleh para peneliti atau
mahasiswa yang sedang penelitian untuk uji normalitas. Signifikansi metode
Kolmogorov-Smirnov menggunakan tabel pembanding yaitu Tabel Kolmogorov
Smirnov,

Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
FT = Probabilitas komulatif normal
FS = Probabilitas komulatif empiris.

Syarat Kolmogorov Smirnov

Persyaratan Uji Kolmogorov Smirnov adalah:
a.Data berskala interval atau ratio (kuantitatif)
b.Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Dapat untuk n besar maupun n kecil.
Signifikansi Kolmogorov Smirnov
Signifikansi Uji Kolmogorov Smirnov antara lain dijelaskan di bawah ini:
Signifikansi uji, nilai |FT – FS| terbesar dibandingkan dengan nilai tabel
Kolmogorov Smirnov.
Jika nilai |FT – FS| terbesar <nilai tabel Kolmogorov Smirnov, maka Ho diterima
; Ha ditolak.
Jika nilai |FT – FS| terbesar > nilai tabel Kolmogorov Smirnov, maka Ho ditolak ;
Ha diterima.

3. Rumus Shapiro Wilk,

Uji Shapiro Wilk adalah sebuah metode atau rumus perhitungan sebaran
data yang dibuat oleh shapiro dan wilk. Metode shapiro wilk adalah metode uji
normalitas yang efektif dan valid digunakan untuk sampel berjumlah kecil.
Dalam penerapannya, para peneliti dapat menggunakan aplikasi statistik antara
lain: SPSS dan STATA.
Metode Shapiro Wilk menggunakan data dasar yang belum diolah dalam
tabel distribusi frekuensi. Data diurut, kemudian dibagi dalam dua kelompok untuk
dikonversi dalam Shapiro Wilk. Dapat juga dilanjutkan transformasi dalam nilai Z
untuk dapat dihitung luasan kurva normal.
 Rumus Uji Shapiro Wilk
Di bawah ini adalah rumus dari perhitungan uji shapiro wilk. harap para
pembaca perhatikan baik-baik dan secara seksama.

uji shapiro wilk

Keterangan Rumus Shapiro Wilk
D = Berdasarkan rumus di bawaha = Coeffisient test Shapiro Wilk
X n-i+1 = Angka ke n – i + 1 pada data
X i = Angka ke i pada data

Keterangan :
Xi = Angka ke i pada data yang
X = Rata-rata data

Keterangan :
G = Identik dengan nilai Z distribusi normal
T3 = Berdasarkan rumus di atas bn, cn, dn = Konversi Statistik Shapiro-Wilk
Pendekatan Distribusi Normal
Syarat Uji Shapiro Wilk
Syarat dari uji shapiro w adalah sebagai berikut:
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Data dari sampel random
Cara Baca Hasil Uji Shapiro Wilk
Cara baca hasil perhitungan uji shapiro wilk adalah dengan melihat nilai
shapiro wilk hitung dan tingkat Signifikansinya. Dalam hasil uji SPSS, nilai shapiro
hitung ditunjukkan dengan nilai VALUE, sedangkan signifikansinya ditunjukkan
dengan nilai Sig.
Signifikansi
Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai
T3 dibandingkan dengan nilai tabel Shapiro W, untuk dilihat posisi nilai
probabilitasnya (p).
Jika nilai p > 5%, maka Ho diterima ; Ha ditolak.
Jika nilai p < 5%, maka Ho ditolak ; Ha diterima.
4. Rumus Lilliefors,
Metode Lilliefors menggunakan data dasar yang belum diolah dalam tabel
distribusi frekuensi. Data ditransformasikan dalam nilai Z untuk dapat dihitung
luasan kurva normal sebagai probabilitas komulatif normal. Probabilitas tersebut
dicari bedanya dengan probabilitas kumulatif empiris. Beda terbesar dibanding
dengan tabel Lilliefors.

rumus lilliefors
Keterangan :
Xi = Angka pada data
Z = Transformasi dari angka ke notasi pada distribusi normal
F(x) = Probabilitas komulatif normal
S(x) = Probabilitas komulatif empiris
Syarat Uji Lilliefors
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi
c. Dapat untuk n besar maupun n kecil.
Signifikansi Uji Lilliefors
Signifikansi uji, nilai | F (x) – S (x) | terbesar dibandingkan dengan nilai tabel
Lilliefors.
Jika nilai | F (x) – S (x) | terbesar < nilai tabel Lilliefors, maka Ho diterima ; Ha
ditolak. Jika nilai | F(x) – S(x) | terbesar > dari nilai tabel Lilliefors, maka Ho ditolak
; Ha diterima.

5. Rumus Jarque Bera

Uji Jarque Bera adalah salah satu uji normalitas jenis goodness of fit test
yang mana mengukur apakah skewness dan kurtosis sampel sesuai dengan
distribusi normal. Uji ini didasarkan pada kenyataan bahwa nilai skewness dan
kurtosis dari distribusi normal sama dengan nol. Oleh karena itu, nilai absolut dari
parameter ini bisa menjadi ukuran penyimpangan distribusi dari normal. Dalam
aplikasinya nilai Jarque Bera (JB) dibandingkan dengan nilai Chi-Square
Tabel pada derajat kebebasan 2.
Tidak seperti halnya uji normalitas yang lain, misalkan Shapiro
Wilk, Lilliefors dan Kolmogorov Smirnov yang ada di berbagai aplikasi statistik
populer, Jarque Bera tidak terdapat pada aplikasi-aplikasi tersebut. Dalam
aplikasi SPSS, STATA maupun Minitab, tidak terdapat fitur untuk melakukan uji
ini. Oleh karenanya kita perlu mempelajari cara perhitungan manualnya. Dalam
kesempatan ini, kita akan belajar menghitung dengan bantuan aplikasi MS Excel.
Rumus Asli
Jarque Bera Test dinamakan sesuai dengan penemunya yaitu Carlos
Jarque dan Anil K. Bera. Rumus Jarque Bera adalah sebagai berikut:

Rumus Jarque Bera (JB

Di mana:
JB: Jarque Bera
n: Jumlah Sampel.

Rumus K JB

Rumus S JB
Di mana:
S: Expected Skewness,
K: Expected Excess Kurtosis.

Tutorial Uji Jarque Bera

Berdasarkan rumus di atas, kita coba pelajari bagaimana cara melakukan
perhitungannya secara manual dengan bantuan aplikasi Excel. Misalkan kita
memiliki sejumlah 20 sampel kemudian kita menguji apakah kelompok sampel
tersebut berdistribusi normal.
Tahap 1
1. Buka aplikasi Excel anda kemudian masukkan no sampel secara
berurutan dari 1 sd 20 pada data mulai dari cell A6 sd A25.
2. Masukkan data sampel yang akan diuji mulai dari cell B6 sd B25.
3. Pada Cell I5: =AVERAGE(B6:B25). Artinya kita menghitung nilai
Mean atau rata-rata sampel.
4. Pada Cell I6: =COUNT(B6:B25). Artinya kita menghitung jumlah
sampel yang diuji, yaitu sebanyak 20 sampel.
5. Pada Cell C6 ketikkan rumus: =B6-I$5 kemudian copy paste hingga cell
C25. Artinya kita menghitung selisih antara Mean sampel dengan nilai
sampel.
Tahap 2
1. Pada Cell D6 ketikkan formula: =C6^2. Artinya kita hitung nilai kuadrat
atau pangkat 2 pada Selisih antara Mean sampel dan nilai sampel yang
telah dilakukan pada langkah 5 di Cell C6:C25.
2. Pada Cell E6 ketikkan formula: =C6^3. Artinya kita hitung nilai pangkat
3 pada Selisih antara Mean sampel dan nilai sampel yang telah
dilakukan pada langkah di 5 Cell C6:C25.
 3. Pada Cell F6 ketikkan formula: =C6^4. Artinya kita hitung nilai pangkat
4 pada Selisih antara Mean sampel dan nilai sampel yang telah
dilakukan pada langkah di 5 Cell C6:C25.
4. Pada Cell D26 ketikkan formula: =SUM(D6:D25). Artinya kita akan
menghitung jumlah dari pangkat 2 selisih antara Mean sampel dan Nilai
Sampel yang dilakukan pada langkah 6.
5. Pada Cell E26 ketikkan formula: =SUM(E6:E25). Artinya kita akan
menghitung jumlah dari pangkat 2 selisih antara Mean sampel dan Nilai
Sampel yang dilakukan pada langkah 7.
6. Pada Cell F26 ketikkan formula: =SUM(F6:F25). Artinya kita akan
menghitung jumlah dari pangkat 2 selisih antara Mean sampel dan Nilai
Sampel yang dilakukan pada langkah 8.
Tahap 3
1. Cell I7: =(E26/I6)/(D26/I6)^3/2. Artinya kita menghitung nilai
Expected Skewness.
2. Cell I8: =(F26/I6)/(D26/I6)^2. Artinya kita menghitung nilai Expected
Excess Kurtosis.
3. Pada Cell I9: =I6/6*(I7^2+1/4*(I8-3)^2). Artinya kita menghitung Nilai
Jarque Bera. Sampai di sini kita sebenarnya telah selesai melakukan
perhitungan Uji Jarque Bera. Nilai JB kita bandingkan dengan nilai Chi-
Square tabel pada probabilitas tertentu (misalkan 0,05) dan Derajat
Kebebasan (DK atau DF) 2. Apabila nilai JB <= Chi-Square Tabel maka
sampel berdistribusi normal atau yang berarti menerima H0. Catatan:
Karena uji JB hanya sangat baik digunakan pada sampel besar dengan
jumlah sampel > 1000, maka pada sampel kecil anda harus
membandingkan nilai JB yang didapat dengan nilai Adjusted Chi-
Square untuk pengujian Jarque Bera (Lihat pada tabel Adjusted JB,
Alpha 0,05).
4. Apabila jumlah sampel anda besar > 1000 dan probabilitas yang
digunakan 0,05 anda bisa menggunakan nilai P Value dengan formula
Excel, yaitu pada Cell I11: =CHIDIST(I9,2). Artinya kita menghitung
nilai P Value pada probabilitas 0,05. Apabila nilai P Value > 0,05 maka
sampel berdistribusi normal atau yang berarti menerima H0. Jika sampel
anda kecil, sebaiknya gunakan Adjusted P Value (Lihat Tabel Adjusted
P Value For JB Test (Monte Carlo Simulation), α = 0.05).
Tahap 4
Pada Cell I12: =IF(I11>0.05,”Normal”,”Non Normal”). Artinya
memudahkan kita untuk mengambil kesimpulan hipotesis, namun tetap
anda perhatikan Catatan pada langkah 14.
 Uji Normalitas Dengan SPSS
Uji Normalitas adalah uji statistik yang dilakukan untuk mengetahui bagaimana
sebaran sebuah data. Cara uji normalitas dengan SPSS dapat dilakukan dengan uji shapiro
wilk atau lilliefors serta kolmogorov smirnov. Selain itu juga bisa dengan metode grafik.

3. UJI HIPOTESIS (T-TEST DAN WILCOXON)

a) Uji T Paired dengan SPSS
Uji T Paired atau Paired T Test digunakan sebagai uji komparatif atau perbedaan
apabila skala data kedua variabel adalah kuantitatif (Interval atau Rasio). Uji ini disebut
juga dengan istilah pairing T Test. Uji Paired T test adalah uji beda parametris pada dua
data yang berpasangan, artinya bahwa uji ini diperuntukkan pada uji beda atau uji
komparatif. Artinya anda akan membandingkan adakah perbedaan MEAN atau rata-rata
dua kelompok yang berpasangan. Berpasangan artinya adalah sumber data berasal dari
subjek yang sama.
Contoh Uji Paired T Test
Yaitu penelitian dengan judul: “Perbedaan Nilai Pengetahuan Siswa Kelas A Tentang
Bumi Antara Sebelum Pemberian Materi dan sesudah Pemberian Materi”. Coba anda
perhatikan baik-baik, bahwa dalam judul tersebut, peneliti ingin mengetahui adakah
perbedaan nilai antara sebelum dan sesudah pemberian materi pada siswa kelas A. Dimana
siswa kelas A adalah subjek yang sama, hanya saja diuji dua kali, yaitu sebelum dan
sesudah pemberian materi.
Itulah yang dimaksud dengan uji beda dua sampel berpasangan. Namun dalam hal ini
data yang dimiliki oleh subjek tersebut adalah data interval atau rasio. Sebab yang dinilai
adalah nilai pengetahuan, misal rentang nilainya 0 – 100. Bagaimana jika yang dinilai
perbedaan bukanlah data interval? Misal data ordinal, maka anda bisa menggunakan uji
non parametris yaitu Uji Wilcoxon Signed Rank Test.
Bagaimana jika uji beda dilakukan pada dua sampel yang tidak berpasangan? Misalnya
seorang peneliti melakukan penelitian untuk mengetahui adakah perbedaan nilai Ujian IPA
Siswa kelas A dan kelas B. Dikatakan bukan data berpasangan sebab sumber data berasal
dari dua subjek atau kelompok yang berbeda, yaitu kelas A dan kelas B. Jika
anda menghadapi kasus tersebut, maka anda bisa menggunakan uji independen t
test apabila datanya adalah data kuantitatif, yaitu data interval atau rasio. Jika datanya
adalah data ordinal maka anda harus menggunakan uji mann whitney u test atau disebut
juga dengan wilcoxon rank sum test.

Syarat Uji T Paired

Syarat Uji T Paired adalah perbedaan dua kelompok data berdistribusi normal. Maka
harus dilakukan terlebih dahulu dengan uji normalitas pada perbedaan kedua kelompok
tersebut.
Anda dapat menggunakan uji normalitas antara lain:
Shapiro Wilk
Lilliefors
Kolmogorov Smirnov
b) Wilcoxon Signed Rank Test
Wilcoxon Signed Rank Test adalah uji nonparametris untuk mengukur
signifikansi perbedaan antara 2 kelompok data berpasangan berskala ordinal atau
interval tetapi berdistribusi tidak normal. Uji Wilcoxon Signed Rank Test merupakan
uji alternatif dari uji pairing t test atau t paired apabila tidak memenuhi asumsi
normalitas. Uji ini dikenal juga dengan istilah Wilcoxon Match Pair Test.
Sebagai contoh uji Wilcoxon Signed Rank Test yaitu mengukur signifikansi
perbedaan nilai ujian siswa sebelum dan sesudah pelajaran. Dari ini kita bisa
mengetahui bahwa terdapat 2 variabel, antara lain: 1 variabel bebas yaitu pelajaran
dengan 2 kelompok (sebelum pelajaran dan sesudah pelajaran), 1 variabel terikat yaitu
nilai ujian. Perhatikan bahwa kelompok sebelum dan sesudah adalah kelompok yang
berpasangan, sebab sampel atau subjeknya adalah individu atau observasi yang sama.
Masing-masing sampel yaitu masing-masing siswa memiliki 2 atribut yaitu nilai ujian
sebelum pelajaran dan nilai ujian sesudah pelajaran. Untuk lebih jelasnya perhatikan
ilustrasi dalam gambar bawah ini!

Wilcoxon Signed Rank Test

Perlu dibedakan uji ini dari uji yang lain tapi mirip namanya, yaitu uji Wilcoxon
Rank Sum Test. Uji Wilcoxon Rank Sum Test merupakan uji beda nonparametris 2
kelompok data yang tidak berpasangan. atau disebut data bebas/independen.
Asumsi Wilcoxon Signed Rank Test
Asumsi atau syarat dari uji ini antara lain:
1. Variabel dependen berskala data ordinal atau interval/rasio tetapi berdistribusi
tidak normal. Oleh karenanya anda perlu melakukan uji normalitas terlebih dahulu
pada selisih antara kedua kelompok. Selisih yang dimaksud adalah misal: nilai
pretest atau sebelum pelajaran dikurangi nilai posttest atau setelah pelajaran.
Apabila memenuhi asumsi normalitas maka sebaiknya menggunakan uji
parametris yang sesuai yaitu uji paired t test. Dan apabila tidak memenuhi maka
uji Wilcoxon Signed Rank Test dapat digunakan sebagai alternatif.
2. Variabel independen terdiri dari 2 kategori yang bersifat berpasangan. Seperti yang
sudah dijelaskan di atas, berpasangan artinya subjek sebagai sumber data adalah 1
individu atau observasi yang sama. Apabila subjeknya beda, misal nilai ujian kelas
A dan kelas B, maka uji yang tepat apabila memenuhi asumsi normalitas adalah
uji Independen T Test. Dan apabila tidak memenuhi asumsi normalitas, maka uji
yang tepat adalah Mann Whitney U Test atau yang disebut juga Wilcoxon Rank
Sum Test.
3. Bentuk dan sebaran data antara kedua kelompok yang berpasangan adalah simetris.
Jika tidak memenuhi asumsi ini maka gunakanlah alternatif uji yang lain, yaitu uji
Sign Test.