Laporan Praktikum Statistika Kelompok 12 REFRENSI

LAPORAN PRAKTIKUM
STATISTIK
Disusun Oleh:
Kelompok: 12
Indra Pratama (171020700003)
Ifan Wahyu Pranata (181020700002)
Irma Dwi Setyowati (181020700009)
A.Nurzam Pebryani (181020700019)
Natasya Kurniawan Putri (181020700076)
Nabila Tsaniatu Yulia (181020700144)
LABORATORIUM STATISTIKA DAN OPTIMASI SISTEM

INDUSTRI
PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS MUHAMMADIYAH SIDOARJO
2019/2020
LEMBAR PENGESAHAN
LAPORAN PRAKTIKUM STATISTIKA DAN OPTIMASI SISTEM
INDUSTRI
PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS MUHAMMADIYAH SIDOARJO
DISUSUN OLEH:
Kelompok 12
1. Indra Pratama (171020700003)
2. Ifan Wahyu P. (181020700002)
3. Irma Dwi Setyowati (181020700009)
4. A. Nurzam Pebryani (181020700019)
5. Natasya Kurniawan Putri (181020700076)
6. Nabila Tsaniatu Yulia (181020700144)
Mengetahui:
Dosen Pembimbing Asisten Praktikum
(Istiqomah Hidayati)
(Wiwik Sulistiyowati, ST., MT)
Laboran Teknik Industri
(Inggit Marodiyah, S.T)
i
KATA PENGANTAR
Penulis mengucapkan rasa syukur kepada Allah SWT, berkat rahmat dan
hidayah-Nya penulis dapat menyelesaikan laporan praktikum statistika dan
optimasi sistem industri. Laporan ini ditujukan untuk memenuhi tugas praktikum
statistika dan optimasi sistem produksi.
Pada kesempatan ini tidak lupa penulis mengucapkan terima kasih atas
kepada semua pihak yang telah memberikan bantuan dan saran atas penyusunan
laporan ini:
1. Dr. Hindarto, S.Kom., MT selaku Dekan Fakultas Sains dan Teknologi
Universitas Muhammadiyah Sidoarjo.
2. Atikha Sidhi Cahyana, ST., MT selaku Kepala Program Studi Teknik
Industri Universitas Muhammadiyah Sidoarjo.
3. Wiwik Sulistiyowati, ST., MT selaku Dosen Pembimbing yang sudah
memberikan pengarahan serta bimbingannya dalam pelaksanaan praktikum
statistika dan optimasi sistem industri.
4. Inggit Marodiyah, ST selaku Laboran Teknik Industri Univesitas
Muhammadiyah Sidoarjo.
5. Istiqomah Hidayati selaku Asisten Praktikum yang telah membantu serta
memberikan pengarahan dalam menyelesaikan laporan praktikum statistika
dan optimasi sistem industri.
6. Dan semua pihak-pihak yang telah membantu, teman-teman yang selalu
bekerjasama untuk menyelesaikan laporan ini.
Penulisan laporan ini mungkin jauh dari kesempurnaan. Oleh karena itu
kami mengaharap saran dan kritik yang membangun dalam upaya penyempurnaan
laporan praktikum ini.
Sidoarjo, 05 Juni 2020
Penulis
ii
DAFTAR ISI
LEMBAR PENGESAHAN
....................................................................................................................................
i
KATA PENGANTAR
....................................................................................................................................
ii
DAFTAR ISI
....................................................................................................................................
iii
DAFTAR TABEL
....................................................................................................................................
viii
DAFTAR GAMBAR
....................................................................................................................................
ix
MODUL 1 PENDAHULUAN DAN PENGENALAN SPSS
BAB 1 PENDAHULUAN
1.1 Latar Belakang
............................................................................................................
1
1.2 Tujuan Praktikum
............................................................................................................
2
BAB 2 KAJIAN PUSTAKA DAN DASAR TEORI
2.1 Statistika
............................................................................................................
3
2.2 Statistik
............................................................................................................
4
2.3 SPSS (Statistical Package Forthe Social Sciences)
............................................................................................................
4
BAB 3 PENGUMPULAN DATA
1.1 Pengumpulan Data
............................................................................................................
5
iii
BAB 4 PENGOLAHAN DATA
4.1 Memulai Program SPSS......................................................................7
4.2 Entry Data..........................................................................................8
4.3 Menyimpan Data................................................................................10
4.4 Mengakhiri Program SPSS.................................................................11
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
............................................................................................................
12
5.2 Saran
............................................................................................................
13
DAFTAR PUSTAKA
..........................................................................................................................
14
LAMPIRAN
MODUL 2 STATISTIK DESKRIPTIF
BAB 1 PENDAHULUAN
1.1..Latar Belakang
............................................................................................................
15
1.2..Tujuan Praktikum
............................................................................................................
15
2.1 Statistika Deskriptif
............................................................................................................
17
2.2 Distribusi Frekuensi
............................................................................................................
18
2.2.1 Standar Deviasi
18
2.2.2 Mean
18
2.2.3 Median
18
2.2.4 Modus
19
2.2.5 Kuartil
19
iv
2.2.6 Persentil
20
2.2.7 Kurtosis
20
2.2.8 Skewness
21
2.2.9 Rentang
21
............................................................................................................
23
4.1..Pengolahan Data Menggunakan SPSS................................................25
4.1.1 Pengolahan Data Descriptive....................................................25
4.1.2 Pengolahan Data Frequency.....................................................29
5.1 Kesimpulan
............................................................................................................
36
5.2 Saran
............................................................................................................
37
DAFTAR PUSTAKA................................................................................................38
LAMPIRAN
MODUL 3 STATISTIK INFERENSI SATU
BAB 1 PENDAHULUAN
1.1 Latar Belakang
............................................................................................................
39
............................................................................................................
39
2.1 Statistik Inferensial
............................................................................................................
41
............................................................................................................
............................................................................................................
2.2 Pengujian Hipotesis

............................................................................................................
41
v
2.3 Uji Parsial (Uji T)
............................................................................................................
42
2.4 Uji T Satu Sampel (Independent Sample T Test)
............................................................................................................
43
2.5 Uji T Dua Sampel Independent
............................................................................................................
43
3.1 Uji T Satu Sampel
............................................................................................................
45
3.2 Uji T Dua Sampel
............................................................................................................
46
4.1 Pengolahan Data
............................................................................................................
48
4.1.1 Uji T Satu Sampel
............................................................................................................
48
4.1.2 Uji T Dua Sampel
............................................................................................................
52
5.1 Kesimpulan
............................................................................................................
57
5.2 Saran
............................................................................................................
58
DAFTAR PUSTAKA
..........................................................................................................................
59
LAMPIRAN
MODUL 4 STATISTIK INFERENSI DUA
BAB 1 PENDAHULUAN
1.1 Latar Belakang
............................................................................................................
60
vi
............................................................................................................
61
............................................................................................................
62
2.2 Uji T Dua Sampel Berpasangan
............................................................................................................
63
2.3 Uji Z
............................................................................................................
64
3.1 Data Percobaan Uji T Dua Sampel Berpasangan
............................................................................................................
66
3.2 Data Percobaan Uji Z
............................................................................................................
67
4.1 Langkah-langkah Pengolahan Data
............................................................................................................
69
4.1.1 Uji T Dua Sampel Berpasangan
............................................................................................................
69
4.1.2 Uji Z
............................................................................................................
72
5.1 Kesimpulan
............................................................................................................
79
5.2 Saran
............................................................................................................
80
DAFTAR PUSTAKA
..........................................................................................................................
81
LAMPIRAN
MODUL 5 ANALISA REGRESI
vii
BAB 1 PENDAHULUAN
1.1 Latar Belakang
............................................................................................................
82
............................................................................................................
83
2.1 Analisa Regresi
............................................................................................................
84
2.2 Regresi Linier Sederhana
............................................................................................................
85
2.3 Koefisien Determinasi
............................................................................................................
85
2.4 Regresi Linier Berganda
............................................................................................................
86
3.1 Analisa Regresi
............................................................................................................
88
4.1 Langkah-langkah Pengolahan Data
............................................................................................................
90
5.3 Kesimpulan
............................................................................................................
101
5.4 Saran
............................................................................................................
104
DAFTAR PUSTAKA
..........................................................................................................................
105
LAMPIRAN
MODUL 6 ANALISA KORELASI
BAB 1 PENDAHULUAN
viii
1.1 Latar Belakang
............................................................................................................
106
............................................................................................................
107
2.1 Analisa Korelasi
............................................................................................................
108
2.2 Koefisien Korelasi
............................................................................................................
109
............................................................................................................
110
............................................................................................................
111
4.1 Langkah-langkah Pengolahan Data Korelasi
............................................................................................................
113
5.1 Kesimpulan
............................................................................................................
118
5.2 Saran
............................................................................................................
119
DAFTAR PUSTAKA
..........................................................................................................................
120
LAMPIRAN
MODUL 7 ONE WAY ANOVA
BAB 1 PENDAHULUAN
1.1 Latar Belakang
............................................................................................................
121
ix
............................................................................................................
122
2.1 Uji ANOVA
............................................................................................................
123
2.2 Asumsi Dasar Analisis Varians
............................................................................................................
123
2.3 Prosedur Uji ANOVA
............................................................................................................
124
2.4 One Way ANOVA
............................................................................................................
125
2.5 Langkah-langkah Pengujian One Way ANOVA
............................................................................................................
125
............................................................................................................
128
4.1 Pengolahan Data
............................................................................................................
130
5.1 Kesimpulan
............................................................................................................
136
5.2 Saran
............................................................................................................
137
DAFTAR PUSTAKA
..........................................................................................................................
138
LAMPIRAN
MODUL 8 Two Way ANOVA
BAB 1 PENDAHULUAN
x
1.1 Latar Belakang
............................................................................................................
139
............................................................................................................
140
2.1 Pengertian Analisa Variansi
............................................................................................................
141
2.2 Pengertian Two Way ANOVA
............................................................................................................
143
............................................................................................................
144
............................................................................................................
146
4.1 Pengolahan Data
............................................................................................................
148
5.1 Kesimpulan
............................................................................................................
157
5.2 Saran
............................................................................................................
159
DAFTAR PUSTAKA
..........................................................................................................................
160
LAMPIRAN
MODUL 9 UJI VALIDITAS DAN UJI RELIABILITAS
BAB 1 PENDAHULUAN
1.1 Latar Belakang
............................................................................................................
161
xi
............................................................................................................
162
2.1 Uji Validitas
............................................................................................................
163
2.2 Uji Reliabilitas
............................................................................................................
164
3.1 Data Percobaan Uji Validitas dan Reliabilitas
............................................................................................................
166
4.1 Langkah-langkah Pengolahan Data dengan SPSS
............................................................................................................
168
4.1.1 Pengolahan Data Uji Validitas
............................................................................................................
168
4.1.2 Pengolahan Data Uji Reliabilitas
............................................................................................................
174
5.1 Kesimpulan
............................................................................................................
178
5.2 Saran
............................................................................................................
179
DAFTAR PUSTAKA
..........................................................................................................................
180
LAMPIRAN
MODUL 10 ANALISA FAKTOR
BAB 1 PENDAHULUAN
1.1 Latar Belakang
............................................................................................................
181
xii
............................................................................................................
182
2.1 Analisa Faktor
............................................................................................................
183
2.2 Teknik Analisa Data
............................................................................................................
185
............................................................................................................
186
4.1 Pengolahan Data
............................................................................................................
188
5.1 Kesimpulan
............................................................................................................
201
5.2 Saran
............................................................................................................
204
DAFTAR PUSTAKA
..........................................................................................................................
205
LAMPIRAN
DAFTAR TABEL
xiii
Tabel 3.1 Data Pelanggan di Kedai Minuman Dreamer
..........................................................................................................................
5
Tabel 3.1 Data Pengunjung di Kedai Minuman Dreamer
....................................................................................................................................
23
MODUL 3 STATITIK INFERENSI SATU
Tabel 3.1 Data Pembeli Minimarket Keenam di Wilayah
Surabaya
..........................................................................................................................
45
Tabel 3.1 Data Pembeli Minimarket Keenam di Wilayah
Surabaya (Lanjutan…)
..........................................................................................................................
46
Tabel 3.2 Jumlah Pembeli Perhari pada Indomaret dan
Alfamart
..........................................................................................................................
46
Tabel 3.2 Jumlah Pembeli Perhari pada Indomaret dan
Alfamart (Lanjutan…)
..........................................................................................................................
47
Tabel 3.1 Jumlah Pengunjung Toko Roti
....................................................................................................................................
66
Tabel 3.2 Jumlah Sabun Cacat
..........................................................................................................
67
Tabel 3.2 Jumlah Sabun Cacat (Lanjutan…)
..........................................................................................................
68
Tabel 3.1 Pengumpulan Data
....................................................................................................................................
88
Tabel 3.1 Data Hasil Penelitian
111
xiv
Tabel 3.1 Nilai Hasil UTS
128
MODUL 8 TWO WAY ANOVA
Tabel 3.1 Data Two Way ANOVA Tinggi Badan
146
MODUL 9 UJI VALIDITAS DAN UJI RELIABILITAS
Tabel 3.1 Data Tingkat Kepuasan Pengunjung Hotel
166
Tabel 3.1 Data Tingkat Kepuasan Pengunjung Hotel (Lanjutan…)
167
Tabel 3.1 Data Analisis Faktor Peneliti
186
Tabel 3.1 Data Analisis Faktor Peneliti (Lanjutan…)
187
DAFTAR GAMBAR

Gambar 4.1 Icon SPSS 26.0 pada Tampilan Desktop
....................................................................................................................................
7
Gambar 4.2 Menu Utama SPSS 26.0
....................................................................................................................................
7
Gambar 4.3 Tampilan Utama SPSS 26.0
....................................................................................................................................
8
Gambar 4.4 Membuka Lembar Baru
....................................................................................................................................
8
Gambar 4.5 Tab Sheet Variable View
....................................................................................................................................
9
xv
Gambar 4.6 Menyimpan Hasil Entry Data
....................................................................................................................................
10
Gambar 4.7 Menyimpan Data
....................................................................................................................................
10
Gambar 4.8 Mengakhiri Program SPSS 26.0
....................................................................................................................................
11
Gambar 4.9 Mengakhiri Program SPSS 26.0
....................................................................................................................................
11
Gambar 4.1 Membuka Software SPSS
....................................................................................................................................
25
Gambar 4.2 Input Data pada Variable View
....................................................................................................................................
26
Gambar 4.3 Input Data pada Data View
....................................................................................................................................
26
Gambar 4.4 Entry Data Descriptive Statistic
....................................................................................................................................
27
Gambar 4.5 Entry Data Descriptive
....................................................................................................................................
27
Gambar 4.6 Entry Data pada Descriptives Options
....................................................................................................................................
28
Gambar 4.7 Hasil Output Descriptive Statistics
....................................................................................................................................
28
....................................................................................................................................
29
....................................................................................................................................
29
....................................................................................................................................
30
xvi
Gambar 4.11 Entry Data Descriptive Statistics
....................................................................................................................................
30
Gambar 4.12 Entry Data Frequencies
....................................................................................................................................
31
Gambar 4.13 Entry Data pada Frequencies Statistics
....................................................................................................................................
31
Gambar 4.14 Entry Data pada Frequencies Charts
....................................................................................................................................
32
Gambar 4.15 Entry Data pada Frequencies Format
....................................................................................................................................
32
Gambar 4.16 Hasil Output Frequencies Statistics
....................................................................................................................................
33
Gambar 4.17 Output Frequency Usia
....................................................................................................................................
34
Gambar 4.18 Output Histogram Frequency
....................................................................................................................................
34
MODUL 3 STATISTIK INFERENSI SATU
Gambar 4.1 Software SPSS pada Desktop Komputer
..........................................................................................................................
48
Gambar 4.2 Input Data Variable View
..........................................................................................................................
49
..........................................................................................................................
49
Gambar 4.4 Compare Means One Sample T-Test
..........................................................................................................................
50
Gambar 4.5 Entry Data One Sample T-Test
..........................................................................................................................
50
xvii
Gambar 4.6 Output Data One Sample Statistics
..........................................................................................................................
51
Gambar 4.7 Output Data One Sample Test
..........................................................................................................................
51
Gambar 4.8 Software SPSS pada Layar Desktop Komputer
..........................................................................................................................
52
Gambar 4.9 Input Data Variable View
..........................................................................................................................
52
Gambar 4.10 Entry Data Value Labels
..........................................................................................................................
53
Gambar 4.11 Entry Data Data View
..........................................................................................................................
53
Gambar 4.12 Entry Data Analyze
..........................................................................................................................
54
Gambar 4.13 Entry Data Independent Sample T-Test
..........................................................................................................................
54
Gambar 4.14 Define Groups
..........................................................................................................................
55
Gambar 4.15 Output Data SPSS Group Statistics
..........................................................................................................................
55
Gambar 4.16 Output Data SPSS Independent Samples Test
..........................................................................................................................
56
Gambar 4.1 Tampilan Icon SPSS di Layar Desktop Komputer
..........................................................................................................................
69
..........................................................................................................................
69
xviii
..........................................................................................................................
70
Gambar 4.4 Analyze Toolbar
..........................................................................................................................
70
Gambar 4.5 Kotak Dialog Paired Samples T Test
..........................................................................................................................
71
Gambar 4.6 Kotak Dialog Paired Samples T Test: Options
..........................................................................................................................
71
Gambar 4.7 Hasil Output Paired Samples Statistics
..........................................................................................................................
71
Gambar 4.8 Hasil Output Paired Samples Test
..........................................................................................................................
72
..........................................................................................................................
72
Gambar 4.10 Entry Data pada Variable View
..........................................................................................................................
73
Gambar 4.11 Entry Data pada Data View
..........................................................................................................................
73
Gambar 4.11 Entry Data pada Data View (Lanjutan...)
..........................................................................................................................
74
..........................................................................................................................
74
..........................................................................................................................
75
..........................................................................................................................
75
..........................................................................................................................
76
xix
..........................................................................................................................
76
Gambar 4.12 Toolbar Analyze
..........................................................................................................................
76
Gambar 4.13 Kotak Dialog Independent Samples T Test
..........................................................................................................................
77
Gambar 4.14 Kotak Dialog Define Gropus
..........................................................................................................................
77
..........................................................................................................................
77
Gambar 4.16 Hasil Output Group Statistics
..........................................................................................................................
78
Gambar 4.17 Hasil Output Independent Samples Test
..........................................................................................................................
78
..........................................................................................................................
90
Gambar 4.2 Input Variabel ke Variable View
..........................................................................................................................
90
Gambar 4.3 Menu Analyze
..........................................................................................................................
91
Gambar 4.4 Kotak Dialog Linear Regression
..........................................................................................................................
91
Gambar 4.5 Kotak Dialog Linear Regression Statistics
..........................................................................................................................
92
Gambar 4.6 Kotak Dialog Linear Regression Plots
..........................................................................................................................
92
xx
Gambar 4.7 Kotak Dialog Linear Regression Save
..........................................................................................................................
93
Gambar 4.8 Kotak Dialog Linear Regression Options
..........................................................................................................................
93
Gambar 4.9 Output Descriptives Statsitics
..........................................................................................................................
94
Gambar 4.10 Output Correlations
..........................................................................................................................
94
Gambar 4.11 Output Variables Entered/Removed
..........................................................................................................................
95
Gambar 4.12 Output Model Summary
..........................................................................................................................
95
Gambar 4.13 Output Output ANOVA
..........................................................................................................................
96
Gambar 4.14 Output Coefficient
..........................................................................................................................
96
Gambar 4.15 Output Residual Statistics
..........................................................................................................................
97
Gambar 4.16 Output Histogram
..........................................................................................................................
98
Gambar 4.17 Output Normal P-P Plot Of Regression
Standardized Residual
..........................................................................................................................
99
Gambar 4.18 Output Scatterplot
..........................................................................................................................
100
..........................................................................................................................
113
xxi
..........................................................................................................................
113
..........................................................................................................................
114
..........................................................................................................................
114
Gambar 4.5 Kotak Dialog Bivariate Correlation
..........................................................................................................................
115
Gambar 4.6 Kotak Dialog Bivariate Correlations: Options
..........................................................................................................................
115
Gambar 4.7 Hasil Output Correlations Perason
..........................................................................................................................
116
Gambar 4.8 Output Correlations Spearman’s
..........................................................................................................................
117
..........................................................................................................................
130
Gambar 4.2 Entry Data Variable View
..........................................................................................................................
130
Gambar 4.3 Kotak Dialog Value Labels
..........................................................................................................................
131
Gambar 4.4 Tampilan Memasukkan Data pada Data View
..........................................................................................................................
131
Gambar 4.4 Tampilan Memasukkan Data pada Data View (Lanjutan…)
..........................................................................................................................
132
..........................................................................................................................
132
xxii
Gambar 4.6 Kotak Dialog One Way ANOVA
..........................................................................................................................
133
..........................................................................................................................
133
Gambar 4.8 Kotak Dialog Options
..........................................................................................................................
133
Gambar 4.9 Output Descriptives Jenis Mata Pelajaran
..........................................................................................................................
134
Gambar 4.10 Output Data Test Of Homogeneity Of Variances
..........................................................................................................................
134
Gambar 4.11 Output Data ANOVA
..........................................................................................................................
135
MODUL 8 TWO WAY ANOVA
..........................................................................................................................
148
Gambar 4.2 Variable View
..........................................................................................................................
148
..........................................................................................................................
149
..........................................................................................................................
149
..........................................................................................................................
150
Gambar 4.5 Input Data pada Data View (Lanjutan…)
..........................................................................................................................
150
..........................................................................................................................
151
xxiii
..........................................................................................................................
151
Gambar 4.7 Menu Dialog Univariate
..........................................................................................................................
152
Gambar 4.8 Kotak Dialog Univariate Options
..........................................................................................................................
152
Gambar 4.9 Output Between Subjects Factors
..........................................................................................................................
153
Gambar 4.10 Output Descriptives Statistics
..........................................................................................................................
154
Gambar 4.11 Output Levene’s Test Of Equality Of Error Variances
..........................................................................................................................
155
Gambar 4.12 Output Tests Of Between
..........................................................................................................................
155
MODUL 9 UJI VALIDITAS DAN RELIABILITAS
..........................................................................................................................
168
Gambar 4.2 Input Variabel pada Variable View
..........................................................................................................................
169
..........................................................................................................................
169
Gambar 4.3 Input Data pada Data View (Lanjutan...)
..........................................................................................................................
170
..........................................................................................................................
170
Gambar 4.4 Menu Transform
..........................................................................................................................
170
xxiv
Gambar 4.5 Dialog Compute variable
..........................................................................................................................
171
Gambar 4.6 Tampilan Data View
..........................................................................................................................
171
Gambar 4.6 Tampilan Data View (Lanjutan...)
..........................................................................................................................
172
Gambar 4.6 Tampilan Data View (Lanjutan...)
..........................................................................................................................
172
Gambar 4.7 Tampilan Menu Analyze
..........................................................................................................................
172
Gambar 4.8 Kotak Dialog Bivariate Correlations
..........................................................................................................................
173
Gambar 4.9 Output Item – Total Statistics
..........................................................................................................................
173
..........................................................................................................................
174
Gambar 4.11 Tampilan Menu Analyze
..........................................................................................................................
174
Gambar 4.12 Kotak Dialog Reliability Analysis
..........................................................................................................................
175
Gambar 4.13 Kotak Dialog Reliability Analysis Statistics
..........................................................................................................................
175
Gambar 4.14 Output Case Processing Summary
..........................................................................................................................
176
Gambar 4.15 Output Relibility Statistics
..........................................................................................................................
176
Gambar 4.16 Output Item Statistics
..........................................................................................................................
176
xxv
Gambar 4.17 Output Scale Statistics
..........................................................................................................................
177
..........................................................................................................................
188
..........................................................................................................................
189
..........................................................................................................................
189
..........................................................................................................................
190
..........................................................................................................................
190
Gambar 4.5 Kotak Dialog Factor Analysis
..........................................................................................................................
191
Gambar 4.6 Kotak Dialog Descriptives
..........................................................................................................................
191
Gambar 4.7 Kotak Dialog Extraction
..........................................................................................................................
192
Gambar 4.8 Kotak Dialog Rotation
..........................................................................................................................
192
Gambar 4.9 Kotak Dialog Factor Scores
..........................................................................................................................
193
Gambar 4.10 Kotak Dialog Optinos
..........................................................................................................................
193
Gambar 4.11 Output Data pada Correlation Matrix
..........................................................................................................................
194
xxvi
Gambar 4.12 Output Data pada KMO and Bartlett’s Test
..........................................................................................................................
195
Gambar 4.13 Output Data pada Communalities
..........................................................................................................................
195
Gambar 4.14 Output Data pada Total Variance Explained
..........................................................................................................................
196
Gambar 4.15 Output Data pada Scree Plot
..........................................................................................................................
196
Gambar 4.16 Output Data pada Component Matrix
..........................................................................................................................
197
Gambar 4.17 Output Data pada Rotated Component Matrix
..........................................................................................................................
198
Gambar 4.18 Output Data pada Component Tranformation Matrix
..........................................................................................................................
199
Gambar 4.19 Output Data pada Component Score Coefficient Matrix
..........................................................................................................................
199
xxvii
Modul 1
PENDAHULUAN DAN PENGENALAN
SPSS
BAB 1
PENDAHULUAN
Pada bab ini akan membahas tentang latar belakang dan tujuan dari
praktikum statistika dan optimasi sistem industri modul pendahuluan dan
pengenalan SPSS.
1.1 Latar Belakang
Statistika merupakan ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Dari kumpulan
data statistika dapat digunakan untuk menyimpulkan atau mendeskripsikan data.
Ilmu statistika memegang peranan penting dalam penelitian, baik dalam
penyusunan model, perumusan hipotesa, dalam pengembangan alat dan
instrument pengumpulan data, penyusunan design penelitian, serta penentuan
sampel dan analisis data. Ilmu statistika telah memberikan teknik-teknik
sederhana dalam mengklasifikasikan data serta dalam menyajikan data secara
lebih mudah. Statistika telah menyajikan ukuran yang dapat mensifatkan populasi
ataupun menyatakan variasinya, dan memberikan gambaran yang lebih baik
tentang kecenderungan tengah-tengah dari variabel.
Saat ini statistika banyak diterapkan dalam berbagai disiplin ilmu, baik
ilmu-ilmu alam misalnya astronomi dan biologi, maupun ilmu sosial yaitu
termasuk sosiologi dan psikologi, maupun dibidang bisnis, ekonomi dan industri.
Dalam dunia industri saat ini penggunaan ilmu statistika memang sangat
diperlukan untuk mengetahui data-data secara jelas dan detail, dan salah satu
software/aplikasi yang dipakai adalah SPSS. SPSS itu sendiri adalah aplikasi yang
digunakan untuk mengolah data statistik, yang menyajikan berbagai kemudahan
di dalamnya. Fasilitas yang terdapat dalam SPSS cukup lengkap dan menyeluruh,
mulai dari analisis dasar semacam pembuatan tabel dan grafik sampai pada
analisis tingkat lanjut seperti ordinary linear regression, logistic regression,
survival analysis, repeated measures ANOVA, dan lain-lain.
1
Berikut ini adalah tujuan dari praktikum statistika dan optimasi sistem
industri modul pendahuluan dan pengenalan SPSS.
1. Mampu memahami pengertian tentang statistika.
2. Mampu menjelaskan cara membuat variable pada SPSS.
3. Mampu mengoperasikan program SPSS mulai dari membuka hingga
menutup program.
2
BAB 2
KAJIAN PUSTAKA DAN DASAR TEORI
Pada bab kajian pustaka dan dasar teori ini akan membahas teori – teori
yang digunakan pada praktikum statistika dan optimasi sistem industri modul
pendahuluan dan pengenalan SPSS.
2.1 Statistika
Menurut Hartuti (2016), statistika sebagai pengetahuan yang berhubungan
dengan cara-cara mengumpulkan data, pengolahan atau penganalisaannya dan
penarikan kesimpulan berdasarkan kumpulan data dan penganalisisan yang telah
dilakukan. Statistika dapat diartikan sebagai ilmu pengetahuan yang mempelajari
tentang bagaimana cara kita mengumpulkan, mengolah, menganalisis dan
menginterpretasikan data sehingga dapat disajikan dengan lebih baik dan dapat
ditarik kesimpulan. Statistika adalah sekumpulan fakta yang berbentuk angka–
angka yang disusun dalam bentuk daftar atau tabel.
Menurut Abdullah (2017), literasi statistika adalah kompetensi yakni
kemampuan untuk berpikir kritis tentang statistika. Di sini, literasi statistika
didefinisikan sebagai ilmu metode, membandingkan literasi statistika dengan
statistika tradisional dan ulasan beberapa elemen dalam membaca dan
menafsirkan statistik. Hal ini memberikan lebih banyak penekanan pada studi
observasional daripada eksperimen.
Menurut Riyanto (2018), statistika cara-cara ilmiah untuk mengumpulkan,
mengorganisasi, menyajikan, dan menganalisis data, serta menarik kesimpulan
sahih dan mengambil keputusan layak berdasarkan analisis yang dilakukan.
Dengan demikian statistika adalah suatu metode atau cara untuk mengumpulkan,
menyajikan, menganalisis data, dan menarik kesimpulan serta membuat keputusan
berdasarkan analisis yang dilakukan sesuai dengan langkah-langkah atau prosedur
ilmiah. Menurut Abdullah (2015), statistika adalah suatu cara untuk memperoleh
informasi yang berasal dari data. Data tersebut merupakan informasi yang sangat
berguna dan dapat dimanfaatkan sesuai kebutuhan, salah satunya pada penelitian.
3
2.2 Statistik
Menurut Hanief (2017), statistik adalah sekumpulan angka untuk
menerangkan sesuatu, baik angka yang (masih acak) maupun angka yang sudah
tersusun dalam suatu daftar atau grafik. Berdasarkan pengertian ini, statistik
diartikan dalam arti sempit yaitu keterangan ringkas berbentuk angka-angka.
Contoh: statistik penduduk. Yang berarti keterangan mengenai penduduk berupa
angka-angka dalam bentuk ringkas, seperti jumlah penduduk dan rata-rata umur
penduduk.
Menurut Nasution (2017), statistik adalah sekumpulan cara dan aturan
tentang pengumpulan, pengolahan, analisis, serta penafsiran data yang terdiri dari
angka-angka, dan statistik adalah sekumpulan angka yang menjelaskan sifat-sifat
dari data atau hasil pengamatan/penelitian. Untuk lebih jelasnya dapat
disimpulkan bahwa statistik adalah ilmu yang mempelajari tentang seluk beluk
data yaitu tentang pengumpulan, pengolahan, penafsiran dan penarikan
kesimpulan dari data yang berbentuk angka-angka.
Sedangkan menurut Hartuti (2016), statistik adalah perhitungan atau
rumus-rumus yang digunakan dalam pengolahan data tersebut. Atau dapat
diartikan sebagai sekumpulan data kuantitatif yang tersaji dalam bentuk tabel,
grafik, simbol, atau ukuran-ukuran.
2.3 SPSS
Menurut Oktofiyani (2016), SPSS merupakan program untuk olah data
statistik yang paling popular dan paling banyak pemakaiannya diseluruh dunia
dan banyak digunakan oleh para peneliti untuk berbagai keperluan seperti riset
pasar, untuk menyelesaikan tugas penelitian seperti skripsi, tesis, disertasi dan
sebagainya.
Menurut Riyanto (2018), SPSS merupakan aplikasi program statistik
dengan kemampuan perhitungan statistik yang tinggi, sehingga memudahkan
pengguna dalam analisis data. Menurut Nasyaroeka (2017), SPSS merupakan
program olah data statistik yang sudah sangat populer dan banyak penggunanya,
baik untuk penelitian umum, penelitian skripsi atau tugas akhir, tesis, disertasi dan
sebagainya. Program SPSS merupakan sebuah software untuk keperluan olah data
statistik.
4
BAB 3
PENGUMPULAN DATA
Pada bab pengolahan ini akan membahas tentang pengumpulan data yang
akan digunakan pada pratikum statistika dan optimasi sistem industri modul
Adapun data yang akan digunakan dalam pratikum statistik dan optimasi
sistem industri modul pendahuluan dan pengenalan SPSS adalah berasal dari data
pengamatan yang terjadi di kedai minuman “Dreamer”. Berikut adalah tabel 3.1
penyajian data yang akan digunakan untuk pratikum statistika dan optimasi sistem
industri modul pendahuluan dan pengenalan SPSS yaitu data dari kedai minuman
“Dreamer”. Data yang di ambil berasal dari 20 pelanggan yaitu sebagai berikut:
Tabel 3.1 Data Pelanggan di Kedai Minuman Dreamer.
Nama Pelanggan Usia Jenis Kelamin
Agung 29 2
Budi 20 2
Wahyu 22 2
Lisa 20 1
Fitri 34 1
Ayu 27 1
Sarah 30 1
Cindy 19 1
Fandi 28 2
Rina 18 1
Dewi 20 1
Zaky 23 2
Fadli 24 2
Dinda 35 1
Ikhsan 25 2
Dwi 24 1
Tara 23 2
Intan 29 1
Feby 21 1
Taufik 20 2
5
Keterangan :
1 = Perempuan
2 = Laki – laki
6
BAB 4
PEMBAHASAN
Pada bab pengolahan data ini akan menjelaskan tentang langkah-langkah

memenuhi program SPSS 26.0, entry data, menyimpan data, dan mengakhiri
program SPSS 26.0 pada praktikum statistika dan optimasi sistem industri modul
4.1 Memulai Program SPSS
Ada 2 cara untuk memulai program SPSS 26.0 yaitu:
1. Dengan klik dua kali pada icon SPSS pada layar komputer yang terlihat pada
gambar 4.1 yaitu sebagai berikut:
Gambar 4.1 Tampilan Icon SPSS 26.0 pada Dekstop.

2. Selain dengan cara klik dua kali icon SPSS 26.0 pada layar komputer, dapat
juga dilakukan dengan cara: klik start, lalu pilih pada icon SPSS 26.0.
3. Sehingga muncul jendela SPSS 26.0 lalu klik ok .
4. Seperti inilah tampilan utamanya. Pada SPSS editor terdiri dari 10 menu
utama yaitu: file, editor, view, transform, analyzd, graph, utilities, windows,
help yang terlihat pada gambar 4.2 yaitu sebagai berikut:
Gambar 4.2 Menu Utama SPSS 26.0.
7
4.2 Entry Data
Berikut adalah prosedur entry data yang dilakukan dengan menggunakan
program SPSS 26.0 pada praktikum statistika dan optimasi sistem industri modul
pendahuluan dan dan pengenalan SPSS:
1. Tampilan utama program SPSS 26.0 yang terlihat pada gambar 4.3 yaitu
sebagai berikut:
Gambar 4.3 Tampilan Utama SPSS 26.0.

2. Membuka lembar baru dengan klik file lalu, klik new pilih data yang terlihat
pada gambar 4.4 yaitu sebagai berikut:
Gambar 4.4 Membuka Lembar Baru.
8
3. Arahkan kursor pada access variable view yang ada di bagian kiri bawah
kemudian klik seperti yang terlihat pada gambar 4.5 yaitu sebagai berikut:
Gambar 4.5 Tab Sheet Variable View.

Cara membuat variable klik variable view :
1. Name
Name adalah baris entry untuk pengisian nama variable pengisian nama
tidak boleh menggunakan spasi.
2. Type
Ada 8 macam type data, untuk variabel sama klik type string tersebut bahwa
data dianggap karakter bukan angka jika numeric width dianggap angka.
3. Width
Pilihan ini menyediakan ruang entri antara 1- 250 digit untuk tipe data
string , jika tipe data numeric width menyediakan hanya 8 karakter.
4. Decimal
Untuk type string decimal, abaikan saja karena titik memiliki decimal, tetapi
jika tipe numeric biasa ketik 1 atau 2.
5. Label
Sama dengan untuk memberi penjelasan nama variabel.
4.3 Menyimpan Data
9
Jika entry data telah selesai, selanjutnya data hasil entry akan disimpan
dengan prosedur sebagai berikut:
1. Dari menu utama pada windows SPSS data editor, klik menu file klik menu
seperti yang terlihat pada gambar 4.6 yaitu sebagai berikut:
Gambar 4.6 Menyimpan Hasil Entry Data.

2. Ketik nama file dan tempatkan pada folder sesuai yang diinginkan, lalu klik
save, maka data telah tersimpan seperti yang terlihat pada gambar 4.7 yaitu
sebagai berikut:
Gambar 4.7 Menyimpan Data.
4.4 Mengakhiri Program SPSS
10
Setelah data tersimpan dan pekerjaan SPSS ingin dihentikan, keluar dari
prosedur SPSS dengan cara sebagai berikut:
1. Cari menu utama windows SPSS data editor, pilih menu file klik exit seperti
yang terlihat pada gambar 4.8 yaitu sebagai berikut:
Gambar 4.8 Mengakhiri Program SPSS 26.0.

2. Cara lain untuk keluar dari program SPSS adalah dengan klik icon (x) pada
sudut kanan atau jendela SPSS seperti yang terlihat pada gambar 4.9 yaitu
sebagai berikut:
Gambar 4.9 Mengakhiri Program SPSS 26.0.
11
BAB 5
KESIMPULAN DAN SARAN
Pada bab kesimpulan dari saran ini akan membahas tentang kesimpulan dan
saran pada praktikum statistika dan optimasi sistem industri modul pendahuluan
dan pengenalan SPSS.
4.1 Kesimpulan
Berikut adalah kesimpulan dari praktikum praktikum statistika dan
optimasi sistem industri modul pendahuluan dan pengenalan SPSS yaitu sebagai
berikut:
1. Statistika sebagai pengetahuan yang berhubungan dengan cara-cara
mengumpulkan data, pengolahan atau penganalisaannya dan penarikan
kesimpulan berdasarkan kumpulan data dan penganalisan yang telah
dilakukan. Statistika dapat diartikan sebagai ilmu pengetahuan yang
mempelajari tentang bagaimana cara kita mengumpulkan, mengolah,
menganalisis dan menginterprestasikan data sehingga dapat disajikan
dengan lebih baik dan dapat ditarik kesimpulan. Statistika adalam
sekumpulan fakta yang berbentuk angka-angka yang disusun dalam bentuk
daftar atau table. Statistik adalah perhitungan atau rumus-rumus yang
digunakan dalam pengolahan data tersebut. Atau dapat diartikan sebagai
sekumpulan data kuantitatif yang tersaji dalam bentuk table, grafik, symbol,
atau ukuran-ukuran. Dengan demikian statistika adalah suatu metode atau
cara untuk mengumpulkan, menyajikan, menganalisis data, dan menarik
kesimpulan serta membuat keputusan berdasarkan analisis yang dilakukan
sesuai dengan langkah-langkah atau prosedur ilmiah.
2. Buka perangkat lunak SPSS jika jendela dialog muncul, maka anda dapat
membuat data set baru dengan klik New Dataset atau menutupnya setelah
lembar kerja SPSS terbuka. Anda dapat mengarahkan tampilan lembar kerja
ke Variabel View seperti ilustrasi berikut, Untuk mendefinisikan variabel
baru klik lokasi penempatan variabel pada Variable View. Kemudian klik
menu Edit › Insert Variable seperti ilustrasi berikut, setelah dibuat 3
12
variabel yang masing-masing mempunyai nama VAR00001, VAR00002,
dan VAR00003.
3. SPSS adalah sebuah program aplikasi yang memiliki kemampuan analisis statistik
cukup tinggi serta sistem manajemen data pada lingkungan grafis dengan
menggunakan menu-menu deskriptif dan kotak-kotak dialog yang sederhana
sehingga mudah untuk dipahami cara pengoperasiannya. Beberapa aktivitas dapat
dilakukan dengan mudah dengan menggunakan pointing dan clicking mouse.
Dengan klik dua kali pada icon SPSS pada layar komputerSelain dengan cara klik
dua kali icon SPSS 26.0 pada layar komputer, dapat juga dilakukan dengan cara:
klik start, lalu pilih pada icon SPSS 26.0.Sehingga muncul jendela SPSS 26.0 lalu
klik ok . Untuk memasukkan data pada program SPSS, setelah jendela awal
pada SPSS terbuka langkah selanjutnya yaitu membuka lembar baru dengan
klik file lalu, klik new. Setelah itu arahkan kursor pada access variable view
yang ada di bagian kiri bawah kemudian klik variable view. Untuk
menyimpan data pada program SPSS, dari menu utama pada windows SPSS
data editor, klik menu file. Selanjutnya ketik nama file dan tempatkan pada
folder sesuai yang diinginkan, lalu klik save, maka data telah tersimpan.
Untuk mengakhiri program SPSS, cari menu utama windows SPSS data
editor, pilih menu file klik exit. Atau cara lain untuk keluar dari program
SPSS adalah dengan klik icon (x) pada sudut kanan atau jendela SPSS.
5.2 Saran
Saran dari kelompok kami pada saat praktikum statistik dan operasi sistem
industry modul pendahuluan harusnya dimulai tepat waktu sesuai jadwal, agar
praktikum selesai sesuai dengan jadwal yang sudah ada. Dan data yang sudah
kami gunakan untuk melakukan kuliah online hendaknya diganti oleh pihak
kampus, karena kuota yang di butuhkan saat kuliah online tidak sedikit, dan agak
menguras uang jajan kami saat dirumah.
13
DAFTAR PUSTAKA
Abdullah, Anis Ahmad dan Suhartini. 2017. “Meningkatkan Kemampuan Berpikir

Kritis Melalui Pembelajaran Statistika Berbasis Pendidikan Politik di
Lingkungan Sekolah”. Yogyakarta: Universitas Alma Ata Yogyakarta.
Jurusan Pendidikan Matematika. Vol. 02, No. 01. Hal. 1-10.
Abdullah, Sarini dan Taufik Edy Sutanto. 2015. “Statistika Tanpa Stress”. Jakarta
Selatan: TransMedia Pustaka.
Hanief, Yulingga Nanda dan Wasis Himawanto. 2017. “Statistik Pendidikan”.
Yogyakarta: CV BUDI UTAMA.
Hartuti, Purni Munah dan Halleyna Widyasari. 2016. “Peran Kemampuan Awal
Matematika dan Persepsi Mahasiswa pada Statistika Terhadap Prestasi
Belajar Statistika”. Jakarta: Universitas Indraprasta PGRI. Jurusan Teknik
Informatika. Vol. 01, No. 02. Hal. 135-144.
Nasution, Leni Masnidar. 2017. “Statistik Deskriptif”. Serdang: Sekolah Tinggi
Agama Islam Serdang Lubuk Pakam. Vol. 14, No. 01. Hal. 49-55.
Nasyaoreka, Jhon. 2017. “Pengaruh Sikap Mahasiswa manajemen terhadap
Pengolahan Data Skripsi Dalam Menggunakan Program Statistical
Program For Social Science (SPSS)”. Lampung: STIE Prasetya Mandiri
Lampung. Vol. 03, No. 01. Hal. 64-74.
Oktofiyani, Rini. Dkk. 2016. “Penerimaan Sistem E-Learning Menggunakan
Technology Acceptance Model (Tam) Study Kasus Siswa/I Kelas X Di Smu
Negeri 92 Jakarta”. Jakarta: STMIK Nusa Mandiri Jakarta. Jurusan Sistem
Informasi. Vol. 12, No. 01. Hal. 46-53.
Riyanto, Slamet dan Ftaim Nugrahanti. 2018. “Pengembangan Pembelajaran
Statistika Berbasis Praktikum Aplikasi Software SPSS dengan Bantuan
Multimedia untuk Mempermudah Pemahaman Mahasiswa Terhadap Ilmu
Statistika”. Madiun: Universitas PGRI Madiun. Jurusan Teknik Informatika.
Vol. 01, No. 02. Hal. 62-67.
14
Modul 2
STATISTIK DESKRIPTIF
BAB 1
PENDAHULUAN
Pada bab pendahuluan ini akan membahas tentang latar belakang dan tujuan
pada praktikum statistika dan optimasi sistem industri modul statistika deskriptif.
1.1 Latar Belakang
Dalam kehidupan sehari-hari, sering kita jumpai informasi-informasi
statistika yang disajikan melalui media, baik cetak maupun elektronik. Informasi
informasi tersebut tersaji dalam bentuk angka, table, maupun grafis. Informasi
jumlah penduduk, presentase pertumbuhan ekonomi, hasil pooling pemilihan
umum, dan lain sebagainya merupakan contoh yang berkaitan dengan
pemanfaatan statistika. pemahaman terhadap statistika menjadi sangat penting
dalam kehidupan manusia.
Statistika pada pokoknya mempunyai dua macam pengertian, luas dan
sempit. Dalam pengertian sempit, kata statistik telah digunakan untuk menunjuk
semua kenyataan yang berwujud angka-angka tentang suatu kejadian khusus,
misalnya statistic kecelakaan lalulintas, statistic nikah-talak-rujuk, statistik
kelahiran dan kematian, statistik impor dan ekspor, statistik penerimaan
mahasiswa, dan sebagainya.
Mata kuliah statistika adalah salah satu mata kuliah yang diajarkan di
perguruan tinggi. Diharapkan dengan mata kuliah ini, mahasiswa dapat menggali
informasi yang bersifat kuantitatif. Mahasiswa diharapkan memiliki kemampuan
dalam menggunakan pendekatan ilmiah, misalnya: dalam penulisan skripsi untuk
memecahkan suatu permasalahan. Dalam memecahkan masalah, statistika
berperan sebagai alat bantu untuk menangani data-data kuantitatif yang diperoleh
dari penelitian. Dengan demikian, melalui analisis statistik akan diperoleh
gambaran situasi, kondisi atau fakta yang sekaligus memberikan kesimpulan yang
masuk akal.
Adapun tujuan pada praktikum statistik dan optimasi sistem industri modul
statistika seskriptif dapat diuraikan sebagai berikut:
15
1. Mampu memahami tentang statistika deskriptif.
2. Mampu memahami tentang distribusi frekuensi.
3. Mampu menghasilkan output data dengan menggunakan software SPSS.
16
BAB 2
statistika deskriptif.
2.1 Statistika Deskriptif
Menurut Hanief (2017), statistika deskriptif adalah bagian dari statistik yang
mempelajari cara pengumpulan dan penyajian data sehingga mudah dipahami.
Statistik deskriptif hanya berhubungan dengan hal menguraikan atau memberikan
keterangan -keterangan mengenai suatu data atau keadaan atau fenomena. Dengan
kata lain, statistik deskriptif hanya berfungsi me nerangkan keadaan, gejala atau
persoalan. Penarikan kesimpulan pada statistik deskriptif hanya ditunjukkan pada
kumpulan data yang ada.
Menurut Nasution (2017), analisis deskriptif adalah merupakan bentuk
analisis data penelitian untuk menguji generalisasi hasil penelitian berdasarkan
satu sample. Analisa deskriptif ini dilakukan dengan pengujian hipotesis
deskriptif. Hasil analisisnya adalah apakah hipotesis penelitian dapat
digeneralisasikan atau tidak. Jika hipotesis nol (H0) diterima, berarti hasil
penelitian dapat digeneralisasikan. Analisis deskriptif ini menggunakan satu
variabel atau lebih tapi bersifat mandiri, oleh karena itu analisis ini tidak
berbentuk perbandingan atau hubungan.
Menurut Siregar (2017), satistik deskriptif adalah statistik yang berkenaan
dengan bagaimana cara mendeskripsikan atau menggambarkan, menjabarkan atau
menguraikan data sehingga mudah dipahami. Ada beberapa cara yang dapat
digunakan dalam deskripsi kan menggambarkan, menjabarkan atau menguraikan
data di antara lain:
1. Menentukan ukuran data, seperti: nilai modus, mean (rata-rata), dan median
(nilai tengah).
2. Menentukan ukuran variabilitas data, seperti: variasi, standar deviasi dan
jarak atau range.
3. Menentukan ukuran bentuk data, seperti: skewness dan kurtosis.
17
2.2 Disrtibusi Frekuensi
Menurut Ananda (2018), distribusi frekuensi adalah alat penyajian data
berbentuk kolom dan lajur (tabel), yang didalamnya dibuat angka yang
menggambarkan pancaran frekuensi dari tabel yang sedang menjadi objek
penelitian titik dalam statistik terdapat berbagai macam distribusi frekuensi.
2.2.1 Standar Deviasi
Menurut Upomo (2016), standar deviasi dapat digunakan untuk mengetahui
variabilitas dari distribusi. Semakin besar deviasi standar maka akan semakin
besar penyebaran dari distribusi. Deviasi standar dapat dihitung dengan
persamaan berikut:
√
n
1
n−1 ∑
s= ¿ ¿ ¿ ¿ .....................................................................................Rumus 1
i=1
Sumber: Upomo, 2016
Keterangan :
s = Standar deviasi
X = Rata-rata hitung (mean)
xi = Nilai tengah
n = Jumlah data
2.2.2 Mean
Menurut Harinaldi (2005), mean atau rata – rata adalah nilai khas yang
mewakili sifat tengah, positif, atau pusat dari suatu kumpulan nilai data. Cara
menghitung rata-rata (mean) untuk untuk data tungggal adalah:
X=
∑ x ......................................................................................................Rumus 2
n
Sumber: Bardja, 2017
Keterangan :
X = Rata-rata hitung (mean)
X = Data
n = Jumlah data
2.2.3 Median
Menurut Harinaldi (2005), median menyatakan nilai tengah dari nilai data
terjajar. secara geometris, median merupakan nilai dari absis-x yang bertepatan
18
pada garis vertikal yang membagi daerah dibawah poligon menjadi dua daerah
yang luasnya sama.
Median untuk data tunggal nilai tengah atau mean aritmatika dari dua nilai
tengah suatu jajaran data array. Median untuk data berkelompok dapat dicari
dengan rumus sebagai berikut.
Median=x=Li +¿ .......................................................................................Rumus 3
Sumber: Harinaldi, 2005
Keterangan:
Li = Batas bawah nyata kelas dari kelas median
n = Banyaknya data
¿ = Jumlah frekuensi seluruh kelas yang lebih rendah dari kelas
median
f median = Frekuensi kelas median
c = Lebar interval kelas median
2.2.4 Modus
Menurut Harinaldi (2005), modus dari sekumpulan nilai data adalah nilai
yang paling sering muncul atau frekuensinya terbesar titik dalam suatu kumpulan
nilai data, modus ini mungkin ada mungkin juga tidak, dan kalaupun ada tidak
selalu unik atau tunggal. Modus ditentukan dengan rumusan berikut:
Data tidak berkelompok nilai data yang paling sering muncul frekuensinya
paling besar. Sedangkan data berkelompok, rumusnya:
Modus=x=Li +
[ Δ1
Δ 1+ Δ2 ]
c .......................................................................Rumus 4
Keterangan:
Li = Tata terkelompok batas bawah nyata kelas dari kelas modus
Δ1 = Selisih frekuensi kelas modus dengan kelas sebelumnya
Δ2 = Selisih frekuensi kelas modus dengan kelas sesudahnya
C = Lebar interval kelas median
2.2.5 Kuartil
Menurut Santosa (2007), kuartil merupakan ukuran letak yang membagi
suatu gugusan data menjadi 4 bagian yang sama. Rumus mencari nilai kuartil bagi
data yang tidak dikelompokkan adalah:
19
Qi=LV + ([ UQP−LQP
QP−LQP
)×(UV −LV )] ......................................................Rumus 5
Sumber: Santosa, 2007
Keterangan:
Qi = Nilai masing-masing kuartil bagi data yang dikelompokkan
LV = Tepi kelas bawah dari kelas yang mengandung kuartil yang dihitung
UV = Nilai atas dari kelas yang mengandung kuartil yang dihitung
QP = Letak kuartil
LQP = Letak bawah pada rentang letak kuartil
UQP = Letak atas pada rentang letak kuartil
2.2.6 Persentil
Menurut Santosa (2007), dalam suatu rangkaian data persentil akan
membagi distribusinya menjadi seratus bagian yang sama besar. Sedangkan rumus
untukmenentukan nilai persentil bagi data yang tidak dikelompokkan adalah:
Qi=LV +
[( PP−LPP
UPP−LPP ) ]
×(UV −LV ) .......................................................Rumus 6
Sumber: Santosa, 2007

Keterangan:
Pi = Nilai masing-masing persentil bagi data yang dikelompokkan
LV = Tepi kelas bawah dari kelas yang mengandung persentil yang dihitung
UV = Nilai atas dari kelas yang mengandung persentil yang dihitung
PP = Letak persentil
LPP = Letak bawah pada rentang letak persentil
UPP = Letak atas pada rentang letak persentil
2.2.7 Kurtosis
Menurut Upomo (2016), kurtosis adalah derajat ketinggian puncak atau
keruncingan suatu distribusi. Sebuah distribusi yang mempunyai puncak yang
relatif tinggi disebut leptokurtik, sementara kurva yang memiliki puncak datar
atau rata disebut platikurtik sedangkan kurva dengan puncak yang tidak terlalu
runcing ataupun terlalu datar disebut mesokurtik. Koefisien kurtosis diberikan
oleh persamaan berikut:
20
n
n
C k= ∑
(n−1)(n−2) i=1
4
( xi−x ) ......................................................................Rumus 7
Sumber: Upomo, 2016
Keterangan :
x = Rata – rata sampel
xi = Nilai – nilai setiap observasi
n = Jumlah observasi sampel
s = Deviasi standar sampel
f = Frekuensi setiap sampel
2.2.8 Skewness
Menurut Upomo (2016), kemencengan atau skewness merupakan derajad
ketidaksimetrisan atau dapat juga didefinisikan sebagai penyimpangan
kesimetrisan dari suatu distribusi. Jika suatu kurva frekuensi dari suatu distribusi
memiliki ekor kurva yang lebih panjang ke arah sisi kanan dibandingkan ke arah
sisi kiri dari nilai maksimum tengah, maka distribusi ini dikenal dengan nama
distribusi miring ke kanan, atau memiliki kemencengan positif. Untuk kondisi
kebalikannya, distribusinya dikenal sebagai distribusi miring ke kiri atau memiliki
kemencengan negatif. Kemencengan diberikan oleh bentuk berikut:
n
n
a= ∑
(n−1)( n−2) i=1
3
( xi−x ) ..........................................................................Rmus 8
Sumber: Upomo, 2016
a
Cs= 3 .........................................................................................................Rumus 9
s
Sumber: Upomo, 2016
Keterangan:
x = Rata – rata sampel
xi = Nilai – nilai setiap observasi
n = Jumlah observasi sampel
s = Deviasi standar sampel
f = Frekuensi setiap sampel
Cs = Koefisien kemencengan
a = Momen ketiga, mengukur kemencengan
21
3
s = Simpangan baku
2.2.9 Rentang
Menurut Harinaldi (2005), rentang menyatakan perbedaan dari nilai terbesar
dan terkecil dari suatu jaringan data. Berikut penyelesaiannya:
R=xmax −x min .............................................................................................Rumus 10
Keterangan:
R = Rentang atau jangkauan
x max = Nilai data terbesar
x min = Nilai data terkecil
22
BAB 3
PENGUMPULAN DATA
Pada bab pengolahan data ini akan membahas tentang pengumpulan data
yang akan membahas tentang pengumpulan data yang akan digunakan pada
praktikum statistika dan optimasi sistem industri modul statistika deskriptif.
Adapun data yang digunakan dalam praktikum statistika dan optimasi
sistem industri modul statistika deskriptif berasal dari data pengamatan yang
terjadi di kedai minuman “Dreamer”. Berikut adalah tabel 3.1 penyajian data yang
akan digunakan untuk praktikum statistika dan optimasi sistem industri modul
statistika deskriptif yaitu data dari pengunjung kedai minuman “Dreamer”. Data
yang diambil berasal dari 20 pelanggan yaitu sebagai berikut:
Tabel 3.1 Data Pengunjung Kedai Minum Dreamer
Nama Pelanggan Usia Jenis Kelamin
Agung 29 2
Budi 20 2
Wahyu 22 2
Lisa 20 1
Fitri 34 1
Ayu 27 1
Sarah 30 1
Cindy 19 1
Fandi 28 2
Rina 18 1
Dewi 20 1
Zaky 23 2
Fadli 24 2
Dinda 35 1
23
Ikhsan 25 2
Dwi 24 1
Tara 23 2
Intan 29 1
Feby 21 1
Taufik 20 2
Keterangan:
1 = Perempuan
2 = Laki – laki
24
BAB 4
PENGOLAHAN DATA
Pada bab pengolahan data ini akan membahas tentang pengolahan data
dengan menggunakan SPSS dan analisa data hasil SPSS pada praktikum statistika
modul statistika deskriptif.
4.1 Pengolahan Data Menggunakan SPSS
Pada sub bab ini akan menjelaskan mengenai pengolahan data yang
dilakukan pada praktikum kali ini, yang terbagi menjadi dua yaitu:
4.1.1 Pengolahan Data statistik Deskriptif
Berikut adalah prosedur pengerjaan dari pengolahan data descriptive dapat
diuraikan sebagai berikut:
1. Buka software SPSS di layar desktop komputer. Seperti yang terlihat pada
gambar 4.1 berikut ini.
25
2. Buat variabel baru di variable view dengan nama pelanggan, umur, dan jenis
kelamin seperti yang terlihat pada gambar 4.2 berikut ini.

3. Kemudian isi data pada data view seperti yang terlihat pada gambar 4.3
berikut ini.
26
4. Klik analyze pada menu utama, kemudian pilih sub menu descriptive
statistic dan pilih descriptive seperti yang terlihat pada gambar 4.4 berikut
ini.
Gambar 4.4 Entry Data Descriptive Statistic
5. Pada tabel ”descriptives”, isi pada kolom ”variables”, yaitu nilai usia, lalu
centang pada kotak “save standarized values as variables”. Kemudian klik
options seperti yang terlihat pada gambar 4.5 berikut ini.
27
Gambar 4.5 Entry Data Descriptive
6. Kemudian klik options, centang pada kotak mean, std. deviation, dan
variable list. Lalu klik continue dan terakhir klik ok seperti yang terlihat
pada gambar 4.6 berikut ini.
Gambar 4.6 Entry Data pada Descriptives Options
7. Tampilan hasil output descriptive statistics SPSS seperti yang terlihat pada
Gambar 4.7 Hasil Output Descriptive Statistics

Berdasarkan gambar 4.7 di atas, dapat diketahui bahwa total dari 20 data,
didapatkan data minimum dari variabel umur adalah 18 dan data maksimumnya
adalah 35. Mean atau rata-ratanya sebesar 24,55. Dan standar deviasinya sebesar
4,957. Untuk variance statistic sebesar 24,576. Untuk nilai dari skewness ada dua
28
yaitu statistic sebesar 0,711 dan standard error sebesar 0,512. Serta untuk
kurtosis juga ada dua yaitu statistic sebesar -0,374 dan standard error sebesar
0.992.
4.1.2 Pengolahan Data Frequency

Berikut adalah prosedur pengerjaan dari pengolahan data frequency dapat
diuraikan sebagai berikut:

2. Buat variabel baru di variable view dengan nama pelanggan, umur, dan jenis
kelamin seperti yang terlihat pada gambar 4.9 berikut ini.
29
3. Kemudian isi data pada data view seperti yang terlihat pada gambar 4.10
berikut ini.

4. Klik analyze pada menu utama, kemudian pilih sub menu descriptive
statistic dan pilih frequencies seperti yang terlihat pada gambar 4.11 berikut
ini.
30
Gambar 4.11 Entry Data Descriptive Statistics
5. Pada tabel ”frequencies”, isi pada kolom ”variables”, yaitu nilai umur, lalu
centang pada kotak “display frequency tables”. Kemudian klik statistics
seperti yang terlihat pada gambar 4.12 berikut ini.
Gambar 4.12 Entry Data Frequencies

6. Centang kotak quartiles, percentiles pada kolom percentile values. Lalu
pada kolom central tendency centang kotak mean dan median. Pada kolom
dispersion centang kotak std. deviation, variance, range, minimum,
maximum, dan s.e. mean. Lalu pada kolom distribution centang kotak
skewness dan kurtosis seperti yang terlihat pada gambar 4.13 berikut ini.
31
Gambar 4.13 Entry Data pada Frequencies Statistics
7. Klik charts, pada kolom chart Type klik histograms dan centang with
normal curve. Kemudian klik continue seperti yang terlihat pada gambar
4.14.
Gambar 4.14 Entry Data pada Frequencies Charts

8. Klik format, pada kolom order by klik ascending values. Pada kolom
multiple variables centang compare variables. Kemudian klik continue dan
ok seperti yang terlihat pada gambar 4.15.
32
Gambar 4.15 Entry Data pada Frequencies Format
9. Tampilan hasil output frequencies statistics SPSS seperti yang terlihat pada
Gambar 4.16 Hasil Output Frequencies Statistics

Berdasarkan gambar 4.16 di atas, dapat diketahui bahwa jumlah data yang
valid sebanyak 20 data dan nilai missing nya sebanyak 0 data. Nilai mean sebesar
24,55 dengan standart error sebesar 1,109. Niai median sebesar 23,50 dan
standart deviation sebesar 4,957 dengan nilai variance sebesar 24,576. Ukuran
skewness sebesar 0,711 dengan standart error of skewness sebesar 0,512. Ukuran
nilai kurtosis sebesar -0,374 dengan standart error of kurtosis sebesar 0,992. Nilai
range sebesar 17, dengan nilai minimum sebesar 18 dan nilai maksimum sebesar
35. Nilai percentile 10 sebesar 19,10 dan nilai percentile 90 sebesar 33,60.
33
Gambar 4.17 Output Frequency Usia
Dari gambar 4.17 di atas diketahui output tabel yaitu total frekuensi ada 20.
Untuk umur frekuensi tertinggi ada di umur 20 tahun dengan jumlah 4 orang dan
memiliki persentase 20% dari total data keseluruhan. Untuk tingkat percent valid
dari yang terkecil sebesar 5% sampai yang terbesar 20%. Dan memiliki persentase
kumulatif total sebesar 100%.
Berdasarkan data di atas maka dapat dianalisa hasil output histogram dari
data umur pada gambar 4.18 sebagai berikut:
Gambar 4.18 Output Histogram Frequency
34
Dari gambar 4.18 di atas dapat diketahui bahwa kurva lebih condong ke
kanan berarti ukuran kemiringan (skewness) positif.
a. Skewness sedikit condong ke kanan karena mean lebih besar dari median.
b. Karena selisih tak terlalu jauh maka tail terlihat mendekati simetris.
c. Dan untuk kurtosis tergolong leptokurtic, karena tail sudah menunjukkan
kemiringan.
Berikut adalah perhitungan hasil keruncingan:
∝>¿4 Maka kurva keruncingan adalah leptokurtis
∝=3 Maka kurva keruncingan adalah mesokurtis
∝<3Maka kurva keruncingan adalah platikurtis
35
BAB 5
Pada ini akan membahas tentang kesimpulan dan saran dari praktikum
statistika dan optimasi sistem industri modul statistika deskriptif.
5.1 Kesimpulan
Berikut adalah kesimpulan dari praktikum praktikum statistika dan optimasi
sistem industri modul statistika deskriptif terlihat sebagai berikut:
1. Statistika deskriptif atau statistika deduktif adalah bagian darai statistik yang
mempelajari cara pengumpulan data dan penyajian data sehingga mudah
dipahami. Statistik deskriptif hanya berhubungan dengan hal menguraikan
atau memberikan keterangan-keterangan mengenai suatu data atau keadaan
atau fenomena. Dengan kata lain statistik deskriptif berfungsi menerangkan
keadaan, gejala, atau persoalan, penarikan kesimpulan pada statistik
deskriptif hanya ditujukan pada kumpulan data yang ada.
2. Frekuensi adalah cara penyusunan data, baik data yang bersifat diskrit utuh
maupun data yang bersifat kontinu (tidak utuh) denga memasukan data
kedalam kelas-kelas interval dengan tujuan agar mudah dipahami, dianalisis
dan disimpulkan. Adapun pengertian kedua yaitu distribusi frekuensi adalah
pengelompokkan data ke dalam beberapa kelompok (kelas) dan kemudia
dihitung banyaknya data yang masuk ke dalam setiap kelas.
3. Dari hasil output descriptive statistics dapat diketahui bahwa total dari 20
data pengunjung kedai minum dreamer, didapatkan data minimum dari
variabel umur adalah 18 dan data maksimumnya adalah 35. Mean atau rata-
ratanya sebesar 24,55. Dan standar deviasinya sebesar 4,957.
Dari hasil output frequencies statistics dapat diketahui bahwa jumlah data
yang valid sebanyak 20 data dan nilai missing nya sebanyak 0 data. Nilai
mean sebesar 24,55 dengan standart error sebesar 1,109. Niai median
sebesar 23,50 dan standart deviation sebesar 4,957 dengan nilai variance
sebesar 24,576. Ukuran skewness sebesar 0,711 dengan standart error of
skewness sebesar 0,512. Ukuran nilai kurtosis sebesar -0,374 dengan
36
standart error of kurtosis sebesar 0,992. Nilai range sebesar 17, dengan
nilai minimum sebesar 18 dan nilai maksimum sebesar 35. Nilai percentile
10 sebesar 19,10 dan nilai percentile 90 sebesar 33,60.
Dari output frequency usia diketahui output tabel dengan total umur
sebanyak 20 yang memiliki frekuensi 1 orang. Untuk persentase (percent)
data tersebut sebesar 5% dari keseluruhan data. Untuk tingkat persentase
valid (valid percent) sebesar 5% dari keseluruhan data yang valid. Dan
memiliki persentase kumulatif 5% dari keseluruhan data.
5.2 Saran
Saran dari kelompok kami mohon untuk pelaksanaan praktikum bisa
dilaksanakan sesuai jadwal atau kesepakatan, jangan sampai ada molor-molor lagi
karena itu sangat merugikan mahasiswa. Dan untuk penyampaian materi bisa
dilakukan dengan sedetail mungkin agar kami tidak merasa kebingungan.
37
DAFTAR PUSTAKA
Ananda, Rusyidi. 2018. “ Statistik Pendidikan (Teori dan Praktik Dalam

Pendidikan)”. Medan: CV WIDYA PUSPITA
Bardja, Sutiati. 2017. “Pengaruh Penerapan Senam Hook Ups Terhadap Tingkat
Percaya Diri Anak Kelas Dua Min Guwa Kidul”. Ciebon: Akademi
Kebibanan Isma Husada Cirebon. Vol. 2, No. 12, Hal. 112-122.
Hanief, Yulingga Nanda. 2017. “Statistik Pendidikan”. Sleman: CV BUDI
UTAMA.
Harinaldi. 2005. “Prinsip – Prinsip Statistik Untuk Sains dan Teknologi”. Jakarta:
Erlangga
Nasution, Leni Masnidar. 2017. “Statistik Deskriptif”. Serdang: Sekolah Tinggi
Agama Islam Serdang Lubuk Pakam. Vol. 14, No. 1, Hal. 49-55.
Santosa, Purbayu Budi. 2007. “ Statisyika Deskriptif dalam Bidang Ekonomi dan
Niaga”. Jakarta: Erlangga
Siregar, Syofian. 2015. “Statistika Terapan Untuk Perguruan Tinggi”. Jakarta:
Prenamedia.
Upomo, Togani Cahyadi. 2016. “Pemilihan Distribusi Probabilitas Pada Analisa
Hujan Dengan Metode Goodness Of Fit Test”. Semarang: Universitas
Negeri Semarang. Fakultas Teknik. Jurusan Teknik Sipil. Vol. 2, No. 18,
Hal. 139 – 148.
38
Modul 3
STATISTIK INFERENSI 1 (UJI T
SATU SAMPEL DAN UJI T DUA
SAMPEL)
BAB 1
PENDAHULUAN
Pada bab pendahuluan ini akan membahas tentang latar belakang, tujuan,
dalam praktikum statistika dan optimasi sistem industri modul statistik inferensi
satu.
1.1 Latar Belakang
Statistika inferensial mencakup semua metode yang berhubungan dengan
analisis sebagian data atau juga sering disebut sampel untuk kemudian sampai
pada peramalan atau penarikan kesimpulan mengenai keseluruhan data induknya
(populasi). Dalam statistika inferensial diadakan pendugaan parameter, membuat
hipotesis, serta melakukan pengujian hipotesis tersebut sehingga sampai pada
kesimpulan yang berlaku umum. Statistika inferensial juga digunakan dalam
proses mengambil keputusan dalam menghadapi ketidakpastian dan perubahan.
Contohnya ketidakpastian adalah kuat tekan beton dalam suatu pengujian tidak
sama, walaupun dibuat dengan material yang sama, metode statistik ini digunakan
untuk menganalisis data dari suatu proses pembuatan beton tersebut sehingga
diperoleh kualitas yang lebih baik.
Uji T adalah salah satu test statistik yang digunakan untuk menguji
kebenaran hipotesis yang menyatakan di antara dua buah mean sampel yang
signifikan. Dan uji t digunakan untuk mengetahui perbedaan rata – rata populasi
atau penelitian terdahulu dengan rata – rata sampel penelitian. Sedangkan uji t dua
sampel dapat digunakan untuk mengetahui perbedaan kondisi sebelum atau
sesudah perlakuan, dalam kelompok saling berpasangan dengan jenis data yang
digunakan adalah harus berskala interval atau rasio. Ada beberapa langkah –
langkah pengujian data yang mengacu pada tujuan penelitian dengan tujuan untuk
memperkuat pemahamn bahwa statistik hanyalah sebuah alat bantu untuk
mengambil keputusan atau kesimpulan.
industri modul statistik inferensi satu.
1. Mampu mengetahui tentang statistik inferensial.
39
2. Mampu mengetahui dan memahami tentang uji T (independent sample t
test).
3. Mampu memahami tentang uji T dua sampel independent.
4. Mampu menghasilkan dan menganalisa hasil output dari uji T satu sampel
dan uji T dua sampel.
40
BAB 2
Pada bab kajian Pustaka dan dasar teori ini akan membahas tentang teori
dasar yang akan digunakan pada praktikum statistika dan optimasi sistem industri
modul statistik inferensi satu.
2.1 Statistik Inferensial
Menurut Nazliati dkk (2019), statistik inferensial adalah statistik yang
menyediakan aturan atau cara yang dapat dipergunakan sebagai alat dalam rangka
mencoba menarik kesimpulan yang bersifat umum, dari sekumpulan data yang
telah disusun dan diolah. Statistik inferensial sendiri secara umum dikelompokkan
menjadi dua bagian yaitu statistik nonparametrik dan statistik parametrik.
Menurut Sholikhah (2016), statistik inferensial merupakan statistik yang
menyediakan aturan atau yang dapat dipergunakan sebagai alat dalam rangka
mencoba menarik kesimpulan yang bersifat umum, dari sekumpulan data yang
telah disusun dan diolah. Statistik inferensial lazim dikenal pula dengan istilah
statistik induktif, statistik lanjut, statistik mendalam, atau inferensial statistics.
Selain itu, statistik inferensial juga menyediakan aturan tertentu dalam rangka
penarikan kesimpulan (conclusion), penyusunan atau pembuatan ramalan
(prediction), penaksiran (estimation), dan sebagainya. Dengan demikian, statistik
inferensial sifatnya lebih mendalam dan merupakan tindak lanjut dari statistik
deskriptif.
Menurut Pagarra (2018), statistik inferensial digunakan untuk menguji
hipotesis penelitian, dalam penelitian ini data analisis dengan menggunakan
bantuan Statistical Package for Social Science (SPSS) Sebelum melakukan
pengujian hipotesis, terlebih dahulu dilakukan uji normalitas data untuk
mengetahui data berdistribusi normal atau tidak, setelah itu baru dilakukan
pengujian hipotesis.
Menurut Kusnadi (2016), hipotesis merupakan jawaban sementara terhadap
rumusan masalah penelitian, dimana rumusan masalah peneliti telah dinyatakan
dalam bentuk kalimat pertanyaan. Dikatakan sementara, karena jawaban yang
41
diberikan baru didasarkan pada teori yang relevan, belum didasarkan pada fakta-
fakta empiris yang diperoleh melalui pengumpulan data. Jadi hipotesis juga dapat
dinyatakan sebagai jawaban teoritis terhadap rumusan masalah penelitian, belum
jawaban yang empiric. Terdapat dua macam hipotesis penelitian yaitu hipotesis
kerja dan hipotesis nol. Hipotesis kerja dinyatakan dalam kalimat positif dan
hipotesis nol dinyatakan dengan kalimat negatif.
Menurut Marliani (2017), hipotesis diuji secara statistik dengan
menggunakan rumus uji-t di atas, untuk menentukan nilai t statistik tabel,
digunakan tarif signifikan α = 0,05 dengan derajat bebas dk = (n-k-l), dengan
kriteria pengujian adalah diterima H₀ Jika t.
Menurut Harinaldi (2005), dalam upaya menarik kesimpulan dan mengambi
l keputusan, sering kali ada gunanya menetapkan asumsi-asumsi atau perkiraan-pe
rkiraan mengenai populasi. Asumsi-asumsi seperti itu (yang mungkin salah atau
mungkin juga benar) disebut sebagai hipotesis statistik. Secara umum, suatu hipot
esis statistik merupakan pernyataan mengenai distribusi probabilitas populasi. Hip
otesis ini perlu diuji untuk kemudian diterima atau ditolak.
Menurut Supriyono (2016), tahapan pengujian hipotesis adalah sebagai
berikut:
1. Merumuskan hipotesis. H0 : Tidak ada pengaruh yang signifikan antara
variabel independent terhadap variabel dependen. H1 : Ada pengaruh yang
signifikan antara variabel independent terhadap variabel dependen.
2. Menentukan taraf signifikan sebesar 0,05. Kriteria keputusan dengan taraf
signifikan sebesar 0,05, maka H1 diterima jika signifikan lebih kecil sama
dengan 0,05 dan T statistik lebih besar dari T tabel. H1 ditolak jika
signifikan lebih besar dari 0,05 dan T statistik lebih kecil dari T tabel. Untuk
membuktikan hipotesis dalam penelitian ini apakah variabel bebas
berpengaruh terhadap variabel terikat, maka digunakan beberapa pengujian
yaitu (uji-t uji-F).
2.3 Uji Persial (Uji T)
Menurut Supriyono (2016), uji persial menggunakan uji t, yaitu untuk
menguji uji t, yaitu untuk menguji kemaknaan koefisien regresi persial (r masing-
masing variabel bebas). Pengambilan keputusan berdasarkan perbandingan nilai t
42
hitung dan nilai kritis sesuai dengan tingkat signifikan yang digunakan yaitu 0,05.
Langkah – Langkah pengujiannya adalah sebagai berikut:
1. Jika probabilitas <0,05 maka variable independent secara individu
berpengaruh secara signifikan terhadap variable dependen.
2. Jika probabilitas >0,05 maka variable independent secara individu tidak
berpengaruh secara signifikan terhadap variabel dependen.
2.4 Uji-T Satu Sampel ( Independent Sampel T Test)
Menurut Nurizzati (2019), uji ini digunakan untuk persoalan-persoalan
dengan sampel data berbentuk kuantitatif, untuk menguji rata-rata sampel dengan
nilai rata-rata yang sudah ditetapkan.
Uji T satu sampel (one sample T test) merupakan teknik analisis untuk
membandingkan satu variabel bebas. Uji ini digunakan untuk menguji apakah
nilai tertentu berbeda secara signifikan atau tidak dengan rata-rata sebuah sampel
x−μo
n
t = S ..............................................................................................Rumus 1
√n
Sumber: Nasution, 2017
Keterangan:
Thitung = Harga yang dihitung dan menunjukkan nilai standar deviasi pada
distribusi (tabel t)
x = Rata-rata nilai yang diperoleh dari hasil pengumpulan data.
µₒ = Nilai yang dihipotesiskan.
S = Simpangan baku.
n = Jumlah anggota sampel.
2.5 Uji T Dua Sampel Berpasangan
Menurut Nurizzati (2016), pair sample t-test merupakan alat uji statistik
yang digunakan untuk menguji hipotesis komparatif (uji beda) bila datanya
berskala interval atau rasio pada dua sampel berhubungan (related). Dalam hal
ini, penelitian hanya manggunakan satu kelompok sampel, nama diberikan
perlakuan (treatment) lebih dari satu kali.
D
t = SD ...................................................................................................Rumus 2
√n
Sumber: Nurizzati, 2016
43
Keterangan:
D = Rata - rata dari nilai deviasi data berpasangan
SD = Standar deviasi dari nilai D
N = Banyaknya pasangan
T = Distribusi sampling t dengan derajat bebas n-1
H₀ = Tidak terdapat perbedaan antara nilai test 1 dan 2
H₁ = Terdapat perbadaan antara nilai test 1 dan 2
44
BAB 3
PENGUMPULAN DATA
Pada bab ini akan membahahas tentang pengumpulan data yang akan
digunakan pada praktikum statistika dan optimasi sistem industri modul statistik
inferensi satu.
3.1 Uji T Satu Sampel
Adapun data yang dikumpulkan untuk uji T satu sampel kali ini adalah data
jumlah pembeli pada suatu minimarket di wilayah Surabaya. Pada restoran
pertama sampai minimarket kelima di wilayah Surabaya rata-rata jumlah pembeli
perhari adalah sebanyak 100 pembeli. Dan terdapat dugaan bahwa minimarket
keenam juga memiliki rata-rata pembeli yang sama yaitu 100 pembeli. Buktikan
dugaan tersebut benar atau tidak, berikut adalah data jumlah pembeli dari
minimarket keenam di wilayah Surabaya.
Tabel 3.1 Data Pembeli Minimarket Keenam di Wilayah Surabaya.
Hari ke- Pembeli
1 105
2 101
3 95
4 90
5 98
6 104
7 100
8 102
9 99
10 97
11 110
12 94
13 102
14 105
15 96
45
Tabel 3.1 Data Pembeli Minimarket Keenam di Wilayah Surabaya (Lanjutan…).
16 97
17 108
18 98
19 94
20 110
Keterangan:
a. Nilai nyata (α) sebesar α = 1 – 95% = 0,05
b. H 0 = Tidak ada perbedaan jumlah pembeli pada minimarket di wilayah
Surabaya.
H 1 = Adanya perbedaan jumlah pembeli pada minimarket di wilayah
Surabaya.
3.2 Uji T Dua Sampel
Adapun data yang dikumpulkan untuk uji T dua sampel kali ini adalah data
jumlah pembeli pada indomaret dan alfamart di wilayah Surabaya. Untuk
mengetahui apakah ada perbedaan jumlah pembeli yang signifikan antara 20
indomaret di wilayah Surabaya dan 20 alfamart di wilayah Surabaya. Berikut
adalah data jumlah pembeli perhari dari 20 indomaret dan 20 alfamart yang ada di
wilayah Surabaya.
Tabel 3.2 Jumlah Pembeli Perhari pada Indomaret dan Alfamart.
Hari ke- Pembeli Minimarket Hari ke- Pembeli Minimarket
1 90 2 11 100 2
2 95 1 12 100 2
3 95 1 13 105 1
4 95 2 14 105 1
5 95 2 15 106 2
6 98 1 16 109 2
7 98 1 17 110 2
8 98 2 18 111 1
9 98 2 19 111 1
10 100 1 20 111 2
46
Tabel 3.2 Jumlah Pembeli Perhari pada Indomart dan Alfamart (Lanjutan…).
Hari ke- Pembeli Minimarket Hari ke- Pembeli Minimarket
21 111 2 31 122 2
22 112 2 32 123 1
23 115 1 33 124 1
24 115 2 34 125 1
25 119 1 35 125 1
26 119 2 36 129 1
27 120 1 37 130 1
28 120 2 38 130 1
29 120 2 39 130 1
30 120 2 40 145 2
Keterangan:
1 = Indomaret
2 = Alfamart
a. Nilai nyata (α) sebesar α = 1 – 95% = 0,05
b. H 0 = Tidak ada perbedaan jumlah pembeli pada indomaret dan alfamart di
wilayah Surabaya.
H 1 = Adanya perbedaan jumlah pembeli pada indomaret dan alfamart di
wilayah Surabaya.
47
BAB 4
PENGOLAHAN DATA
Pada bab pengolahan data membahas tentang pengolahan data praktikum

statistika dan optimasi sistem industri modul statistik inferensi satu.
4.1 Pengolahan Data
Pada sub bab ini akan menjelaskan mengenai pengolahan data yang
dilakukan pada praktikum kali ini, yang terbagi menjadi dua, yaitu:
4.1.1 Uji T Satu Sampel
Pada sub bab ini akan menjelaskan mengenai pengolahan data uji T satu
sampel yang dilakukan pada praktikum kali ini. Berikut ini adalah langkah-
langkah yang digunakan untuk data uji T satu sampel menggunakan SPSS.
gambar 4.1.
Gambar 4.1 Software SPSS pada Desktop Komputer
48
2. Kemudian input data pada variable view. Seperti yang terlihat pada gambar
4.2.
Gambar 4.2 Input Data pada Variable view

3. Setelah itu kembali ke data view. Input data ke dalam data view, seperti
yang terlihat pada gambar 4.3.
49
4. Klik menu analyze, pilih compare means klik one sample t-test dan letakkan
variable output yaitu pengunjung ke kotak test variable pilih values diisi 0.
Seperti yang terlihat pada gambar 4.4 sampai dengan gambar 4.5.
Gambar 4.4 Compare Means One Sample T-Test
Gambar 4.5 Entry Data, One Sample T-Test

5. Kemudian, klik OK.
6. Maka dihasilkan output seperti yang terlihat pada gambar 4.6 dan gambar
4.7.
50
Gambar 4.6 Output Data One Sample Statistics
Berdasarkan hasil output pada gambar 4.6 di atas, dapat diketahui jumlah
pengunjung sebanyak 20. Rata-rata atau mean sebesar 100,25 dan nilai simpangan
baku atau standart deviasi nya sebesar 5,514 dengan standart error mean sebesar
1,233. Selanjutnya, pada output one sample test dapat dianalisa sebagai berikut:
Gambar 4.7 Output Data One Sample Test

Berdasarkan hasil output pada gambar 4.7 di atas, dapat diketahui nilai t
yang didapatkan yaitu 81,303 (thitung = 81,303) dan (ttabel= 1,72913). Degree of
freedom diperoleh sebesar 19. Untuk nilai signifikannya diperoleh angka 0,000
sedangkan untuk nilai alfa sebesar 0,05. Karena nilai thitung lebih besar dari ttabel (
t hitung ˃ t tabel) dan nilai signifikan lebih besar dari alfa (sig 0,05) nilai signifikan
lebih kecil dari nilai alfa [sig < α] maka H0 ditolak sedangkan H1 diterima. Maka
dapat disimpulkan bahwa adanya perbedaan jumlah pembeli pada minimarket di
wilayah Surabaya.
4.1.2 Uji T Dua Sampel
51
Pada sub bab ini akan menjelaskan mengenai pengolahan data uji t dua
sampel yang dilakukan pada praktikum kali ini. Berikut ini adalah langkah-
langkah yang digunakan untuk data uji t dua sampel menggunakan SPSS.
Langkah-langkah mengerjakan uji t dua sampel, yaitu sebagai berikut:
gambar 4.8.
Gambar 4.8 Software SPSS pada Layar Desktop Komputer

2. Kemudian input data pada variable view. Entry nama Pengunjung dan
Minimarkef. Seperti yang terlihat pada gambar 4.9.
52
3. Pada value Mini Market, isikan angka 1 pada value Indomaret, dan isikan
angka 2 pada value Alfamart. Seperti yang terlihat pada gambar 4.10.
Gambar 4.10 Entry Data, Value Labels

4. Klik ok lalu klik data view. Lalu isikan data view sesuai dengan data yang
ada pada pengumpulan data. Seperti yang terlihat pada gambar 4.11
Gambar 4.11 Entry Data, Data View

5. Klik menu analyze pilih compare means lalu pilih independent sample t-
test. Seperti yang terlihat pada gambar 4.12.
53
Gambar 4.12 Entry Data, Analyze
6. Letakkan variabel pengunjung pada kolom test variable, dan variabel
minimarket pada kolom grouping variable. Seperti yang terlihat pada
gambar 4.13.
Gambar 4.13 Entry Data, Independent Sample T-Test
54
7. Klik define groups. Kemudian isikan angka 1 pada group 1, dan angka 2
pada Group 2. Lalu klik continue. Seperti yang terlihat pada gambar 4.14.
Gambar 4.14 Define Groups

8. Setelah itu akan muncul output data SPSS. Seperti yang terlihat pada
gambar 4.15 dan gambar 4.16.
Gambar 4.15 Output Data SPSS Group Statistics

Berdasarkan hasil output pada gambar 4.15 di atas, dapat diketahui jumlah
pembeli minimarket Indomaret sebanyak 40 dan pengunjung minimarket Alfamart
juga sebanyak 40. Rata-rata atau mean dari pembeli minimarket Indomaret
sebesar 112,55 dan untuk pembeli minimarket Alfamart sebanyak 111,45.
Simpangan baku atau standart deviasi nya untuk minimarket Indomaret sebesar
11,703 sedangkan untuk minimarket Alfamart sebesar 12,647. Untuk standart
error mean minimarket Indomaret sebesar 1,850 sedangkan untuk minimarket
Alfamart sebesar 2,000.
55
Gambar 4.16 Output Data SPSS Independent Samples Test
Berdasarkan hasil output pada gambar 4.16 di atas, dapat diketahui nilai
thitung sebesar 0,404. Sedangkan ttabel diperoleh 1,68595. Sedangkan nilai
signifikannya sebesar 0,517 dan nilai alfa sebesar 0,05. Karena nilai thitung lebih
kecil dari ttabel (t hitung ˂ t tabel) dan nilai signifikan lebih besar dari alfa (sig ˃ 0,05)
alfa lebih kecil dari nilai signifikan [sig > α] sehingga H 0 diterima dan H1 ditolak.
Sehingga dapat disimpulkan bahwa tidak adanya perbedaan jumlah pembeli pada
indomaret dan alfamart di wilayah Surabaya.
56
BAB 5
Pada bab kesimpulan dan saran ini akan membahas tentang kesimpulan
dan saran pada praktikum statistika dan optimasi sistem industri modul statistika
inferensial satu.
5.1 Kesimpulan
Berikut ini adalah kesimpulan dari hasil praktikum statistika dan optimasi
sistem industri modul statistika inferensial satu terlihat sebagai berikut:
1. Statistika inferensial merupakan statistik yang menyediakan aturan atau
yang dapat dipergunakan sebagai alat dalam rangka mencoba menarik
kesimpulan yang bersifat umum, dari sekumpulan data yang telah disusun
dan diolah. Statistik inferensial lazim dikenal pula dengan istilah statistik
induktif, statistik lanjut, statistik mendalam, atau inferensial statistics.
Selain itu, statistik inferensial juga menyediakan aturan tertentu dalam
rangka penarikan kesimpulan (conclusion), penyusunan atau pembuatan
ramalan (prediction), penaksiran (estimation), dan sebagainya. Dengan
demikian, statistik inferensial sifatnya lebih mendalam dan merupakan
tindak lanjut dari statistik deskriptif.
2. Uji-T Satu Sampel (Independent Sampel T Test) adalah yang digunakan
untuk mengetahui apakah variabel-variabel independent secara parsial
berpengaruh nyata untuk tidak terhadap variabel dependen. Uji T satu
sampel (one sample T Test) merupakan Teknik analisis untuk
membandingkan satu variabel bebas. Uji ini digunakan untuk menguji
apakah nilai tertentu berbeda secara signifikan atau tidak dengan rata-rata
sebuah sampel.
3. Uji T Dua Sampel Independent adalah uji yang digunakan untuk
menentukan apakah dua sampel yang tidak berhubungan memiliki rata-rata
yang berbeda. Di mana bertujuan membandingkan rata-rata dua grup yang
tidak berhubungan satu sama lain. Analisis statistik inferensial disajikan
untuk pengujian hipotesis, dalam hal ini uji T dengan taraf signifikan α =
57
0,05. Syarat yang harus dipenuhi untuk pengujian hipotesis adalah data yang
diperoleh berdistribusi normal dan mempunyai variasi yang homogen.
4. Output dari uji T satu sampel dan uji T dua sampel adalah sebagai berikut:
a. Hasil output uji T satu sampel adalah dapat diketahui jumlah pengunjung
sebanyak 20. Rata-rata atau mean sebesar 100,25 dan nilai simpangan baku
atau standart deviasi nya sebesar 5,514 dengan standart error mean sebesar
1,233. dapat diketahui nilai t yang didapatkan yaitu 81,303 (t hitung = 81,303)
dan (ttabel= 1,72913). Degree of freedom diperoleh sebesar 19. Untuk nilai
signifikannya diperoleh angka 0,000 sedangkan untuk nilai alfa sebesar
0,05. Karena nilai signifikan lebih kecil dari nilai alfa [sig < α] maka H 0
ditolak sedangkan H1 diterima. Maka dapat disimpulkan bahwa adanya
perbedaan jumlah pembeli pada minimarket di wilayah Surabaya.
b. Hasil output uji T dua sampel adalah dapat diketahui jumlah pembeli
minimarket Indomaret sebanyak 20 dan pengunjung minimarket Alfamart
juga sebanyak 20. Rata-rata atau mean dari pembeli minimarket Indomaret
sebesar 114,40 dan untuk pembeli minimarket Alfamart sebanyak 109,80.
Simpangan baku atau standart deviasi nya untuk minimarket Indomaret
sebesar 11,703 sedangkan untuk minimarket Alfamart sebesar 12,742.
Untuk standart error mean minimarket Indomaret sebesar 2,849 sedangkan
untuk minimarket Alfamart sebesar 2,872. Dapat diketahui nilai thitung
sebesar 0,404. Jika variansi tidak diasumsikan sama, maka thitung adalah
0,404. Sedangkan ttabel di peroleh 1,68595. Sedangkan nilai signifikannya
sebesar 0,517 dan nilai alfa sebesar 0,05. Maka alfa lebih kecil dari nilai
signifikan [sig > α] sehingga H0 diterima dan H1 ditolak. Sehingga dapat
disimpulkan bahwa adanya perbedaan jumlah pembeli pada indomaret dan
alfamart di wilayah Surabaya.
5.2 Saran
dilaksanakan sesuai jadwal atau kesepakatan, dan diharapkan tidak molor-molor
lagi karena itu sangat merugikan mahasiswa. Dan untuk penyampaian materi bisa
58
DAFTAR PUSTAKA
Hiraldi, 2005. “Prinsip – Prinsip Statistik Untuk Teknik Dan Sains”. Sidoarjo: PT.
Penerbit Erlangga.
Kusnadi, Yahdi Dan Mutoharoh. 2016. “Pengaruh Keterimaan Aplikasi Pendaftar

an Online Terhadap Jumlah Pendaftar Di Sekolah Dasar Negeri Jakarta”. J
akarta: Jurusan Komputerisasi Akuntansi. Vol. XVIII, No.2. Hal. 89-100.
Marliani, Novi. 2017. “Pengaruh Model Pembelajaran Science, Tehcnologi, Socie

ty, Environment (STSE) Terhadap Keterampilan Berpikir Kritis Dan Hasil
Belajar Siswa Pada Materi Pencemaran Lingkungan Di Mas Jeumala’ama
l”. Kuala: Universitas Syiah Kuala. Jurusan Megister Pendidikan Biologi F
KIP. Vol. 5, No. 1. Hal. 38-43.
Nazliati, dkk. 2019. “Diagnosis Kecemasan Statistik Pendidikan Pada Mahasiswa

Non-Matematika FTIK IAIN Langsa”. Langsa: PAI, FTIK. IAIN Langsa In
donesia. Vol. 3, No. 1. Hal. 61-75.
Nurizaati, Yetti. 2016. “Efektivitas Pembelajran Statistik Dasar Dengan Metode P

raktikum Berbasis Pendidikan Karakter Islam Di Jurusan Tadris Ilmu Peng
etahuan Sosial IAIN Syekh Nurjati Cirebon”. Cirebon: Insitut Agama Islam
Negeri Syekh Nurjati Cirebon. Jurusan Tadris Matematika. Vol.1, No. 1. Ha
l. 42-43.
Pagarra, Hamzah. 2018. “Pengaruh Penggunaan Video Pembelajaran IPA Terhad

ap Minat Belajar Siswa Kelas III SD Inpress Lanraki 2 Kecamatan Tamalan
rea Kota Makasar”. Makasar: Universitas Negeri Makasar. Fakultas Ilmu P
endidikan. Jurusan PGSD. Vol. 8, No. 1. Hal.30-40.
Supriyono, Joko, dkk. 2016. “Analisis Rencana Strategi, Pengembangan Pasar, D

an Kualitas Desain, Terhadap Volume Penjualan Pada Jamu Ratu Cantik S
MK Negeri 6 Semarang”. Semarang: Universitass Pandanaran Semarang. F
akultas Ekonomi Dan Bisnis. Vol. 2, No. 2. Hal. 1-12.
59
Modul 4
STATISTIK INFERENSI 2 (UJI T DUA
SAMPEL BERPASANGAN DAN UJI Z)
BAB 1
PENDAHULUAN
dari praktikum statistika dan optimasi sistem industri modul statistik inferensi
dua.
1.1 Latar Belakang
Statistika inferensial mencakup semua metode yang berhubungan dengan
analisis sebagian data atau juga sering disebut sampel untuk kemudian sampai
pada peramalan atau penarikan kesimpulan mengenai keseluruhan data induknya
(populasi). Dalam statistika inferensial diadakan pendugaan parameter, membuat
hipotesis, serta melakukan pengujian hipotesis tersebut sehingga sampai pada
kesimpulan yang berlaku umum. Statistika inferensial juga digunakan dalam
proses mengambil keputusan dalam menghadapi ketidakpastian dan perubahan.
Contohnya ketidakpastian adalah kuat tekan beton dalam suatu pengujian tidak
sama, walaupun dibuat dengan material yang sama, metode statistik ini digunakan
untuk menganalisis data dari suatu proses pembuatan beton tersebut sehingga
diperoleh kualitas yang lebih baik.
Uji t dua sampel berpasangan dimaksudkan untuk uji perbedaan antara
sebelum dan sesudah diberikan treatment tertentu. Sedangkan uji z sebenarnya
sama saja dengan uji t, bedanya data yang diolah pada uji z yaitu data yang
mendekati distribusi normal dan datanya yang diolah lebih dari 30 data.
Analisa data merupakan salah satu proses penelitian yang dilakukan setelah
semua data yang diperlukan guna memecahkan permasalahan yang diteliti sudah
diperoleh secara lengkap. Ketajaman dan ketepatan dalam penggunaan alat
analisis sangat menentukan keakuratan pengambilan kesimpulan,karena itu
kegiatan analisis data merupakan kegiatan yang tidak dapat diabaikan begitu saja
dalam proses penelitian.
Banyak sekali uji statistik yang sering kali ditemui dalam masalah-masalah
praktis statistik. Selain uji t, ada juga uji z pada suatu sampel. Uji z ini digunakan
untuk data yang lebih dari 30 dan variansi populasinya tidak diketahui. Oleh
karena itu, uji z ini sangat diperlukan dalam statistik.
60
Adapun tujuan dari praktikum statistika dan optimasi sistem industri modul
statistik inferensi dua yaitu sebagai berikut:
1. Mampu memhami tentang pengujian hipotesis.
2. Mampu memahami definisi uji t dua sampel berpasangan.
3. Mampu memahami definisi dari uji z.
4. Mampu menghasilkan output dari uji t dua sampel berpasangan dan uji z.
61
BAB 2
tentang uji T berpasangan dan uji Z dalam praktikum statistika dan optimasi
sistem industri modul statistika inferensi dua.
Menurut Mufarrikoh (2020), hipotesis adalah pernyataan satu atau lebih
populasi yang perlu dibuktikan keabsahannya melalui prosedur pengujian
hipotesis. Pengujian hipotesis merupakan suatu proses melakukan perbandingan
antara nilai sampel (berasal dari data penelitian) dengan nilai hipotesis pada data
populasi. Hasil dari pengujian hipotesis hanya ada dua kemungkinan, yakni
menerima atau menolak suatu hipotesis. Penerimaan terjadi karena nilai tidak
cukup bukti menolak hipotesis atau istilah yang lebih sering digunakan adalah
hipotesis gagal ditolak, sedangkan penolakan hipotesis terjadi karena nilai sampel
tidak cukup bukti untuk menerima hipotesis. Pernyataan hipotesis dibagi menjadi
dua, yaitu hipotesis awal ( H 0) dan hipotesis alternatif ( H 1). Pada pengujian
hipotesis taraf signifikan yang digunakan adalah kesalah tipe I karena nilai α
menunjukkan tentang peluang peneliti akan salah dalam mengambil keputusan
untuk menolak hipotesis ( H 0) benar. Penentuan nilai α didasarkan padakondisi
penelitian dengan nilai sebesar 1%, 5% atau 10%, namun biasanya α yang sering
digunakan atau bahkan menjadi default pada SPSS adalah 5%.
Menurut Elfrianto (2016), uji hipotesis atau uji signifikan dilakukan untuk
menguji variable – variable dalam penelitian apakah terdapat pengaruh yang
digunakan adalah:
x 1−x 2
t=
s
√ 1 1 Rumus 1
+
n1 n2
Sumber: Elfrianto, 2016
62
Menurut Nuryadi (2017), langkah – langkah uji hipotesis yang digunakan
adalah:
1. Menentukan hipotesis nol ( H 0) dan hipotesis alternatif ( H 1)
2. Tingkat signifikasi (α) = 1- α
Ketika inferensi statistik berdasarkan data sampel dilakukan ada
kemungkinan terjadi suatu kesalahan (error).
3. Menentukan daerah kritis atau daerah penolakan H 0 dan statistik uji yang
sesuai. Daerah kritis atau daerah penolakan adalah interval nilai diamana
hitungan suatu statistik uji yang berada dalam interval tersebut akan ditolak
hipotesis nolnya.
4. Menghitung statistik uji dengan menggunakan parameter sampel. Statistik
uji adalah suatu statistik sampel distribusi samplingnya dapat digolongkan
pada kasus hipotesis nol dan hipotesis alternatif.
5. Membuat kesimpulan apakah H 0 diterima atau ditolak.
6. Menginterpretaikan kesimpulan sesuai dengan masalah.
2.2 Uji T Dua Sampel yang Berpasangan
Menurut Santoso (2010), uji-t berpasangan (paired t-test) adalah sebuah
sampel dengan subyek yang sama namun mengalami dua perlakuan yang berbeda.
seperti seorang salesman yang bekerja tanpa sebelumnya tanpa mendapat training,
dengan sesudah ia mendapatkan training, bagaimana efektifitas training tersebut
terhadap kemampuan menjualnya, apakah ada peningkatan atau tidak.
Menurut Lind (2007), kita akan menguunakan simbol μd untuk
mengindikasikan rata – rata populasi dari distribusi selisih. Kita menganggap
distribusi dari selisih populasi tersebut mengikuti ditribusi normal. Statistik uji
mengikuti nilainya dari rumus berikut:
D
t hit = SD Rumus 4
√n
Sumber: Lind, 2007
dimana:
t = nilai t hitung
D = rata – rata selisih pengukuran 1 dan 2
SD = standar deviasi selisih pengukuran 1 dan 2
63
n = jumlah sampel
Interpretasi:
a. Untuk menginterpretasikan uji t-test terlebih dahulu harus ditentukan:
- Nilai signifikansi 𝛼
- Df (degree of freedom) = N – k , khusus untuk paired sample t-test df =
N–1
b. Bandingkan nilai t hit dengan t tab= a ;n-1
c. Apabila:
t hit ¿ t tab → berbeda secara signifikan ( H 0 ditolak)
t hit ¿ t tab → tidak berbeda secara signifikan ( H 0 diterima)
2.3 Uji Z.
Menurut Abdullah (2015), data adalah sampel random dari distribusi normal
dengan mean μ dan ragam s2. Jika σ diketahui maka disebut uji z, jika σ tidak
diketahui maka disebut uji t. Uji z digunakan untuk menguji rata – rata populasi.
Uji ini digunakan jika ukuran sampel (n) ≥ 30 atau ketika populasi berdistribusi
normal dan σ diketahui.
Menurut Putri (2018), adapun prosedur manual menggunakan uji-z adalah
sebagai berikut:
a) Membuat hipotesis atau dugaan semesntara dalam penelitian.
b) Membuat hipotesis dalam bentuk model statistik.
c) Menentukan taraf signifikan (α ) yaitu 5%.
d) Menghitung nilai z hitung dengan rumus:
x−μ0
z hitung = Rumus 7
σ /√n
Sumber: Putri, 2018
Keterangan:
x = rata – rata nilai
μ0 = nilai rata – rata ideal
σ = standar deviasi
n = jumlah populasi
e) Menghitung nilai z tabel
64
f) Menentukan kaidah/kriteria pengujian hipotesis
Jika: - t tabel ≤ t hitung, maka H 0 diterima
Jika: - t tabel ¿ t hitung, maka H 0 ditolak
Mengambil keputusan berdasarkan kriteria pengujian.
65
BAB 3
PENGUMPULAN DATA
Pada bab pengumpulan data ini akan membahas tentang contoh data uji t
dua sampel berpasangan dan uji z pada praktikum statistika dan optimasi sistem
industri modul statistik inferensi dua.
3.1 Data Percobaan Uji T Dua Sampel Berpasangan.
Seorang pemilik toko roti ingin meneliti seberapa signifikan pengaruh
penggunaan jasa iklan terhadap jumlah pengunjung di toko rotinya. Untuk tujuan
tersebut, maka dilakukan penelitian selama 20 hari setelah memakai jasa iklan.
Berikut adalah datanya yang terlihat pada tabel 3.1 di bawah ini:
Tabel 3.1 Jumlah Pengunjung Toko Roti
Jumlah Pengunjung
Sebelum Sesudah
110 210
120 220
130 230
140 240
150 250
160 210
170 220
180 230
190 240
200 250
210 210
220 220
230 230
240 240
250 250
260 210
270 220
280 230
290 240
66
200 250
Keterangan:
a. Nilai nyata (α) sebesar 0,05
b. H0 : tidak ada perbedaan signifikan jumlah pengunjung di toko roti
sebelum dan sesudah penggunaan jasa iklan.
c. H1 : adanya perbedaan jumlah sabun cacat yang diproduksi dua
perusahaan yang berbeda.
3.1 Data Percobaan Uji Z
Seorang peneliti ingin mengetahui jumlah sabu cacat yang diproduksi oleh
dua perusahaan berbeda yang memproduksi sabun Lifeboy dan perusahaan yang
memproduksi sabun Detol selama 40 pekan. Dengan data yang terlihat pada tabel
3.2 sebagai berikut:
Tabel 3.2 Jumlah Sabun Cacat
Jumlah Sabun Cacat Jumlah Sabun Cacat
No No
Lifeboy Detol Lifeboy Detol
1. 50 83 41. 70 84
2. 43 92 42. 45 95
3. 59 54 43. 57 64
4. 34 60 44. 54 70
5. 76 73 45. 66 53
6. 80 81 46. 84 85
7. 91 79 47. 92 70
8. 63 57 48. 83 52
9. 66 92 49. 76 72
10. 87 77 50 70 60
11. 54 51 51 52 91
12. 47 88 52 67 83
13. 50 71 53 90 78
14. 94 62 54 93 92
15. 62 87 55 66 77
16. 79 56 56 69 59
17. 42 33 57 52 34
67
18. 97 74 58 87 94
19. 66 66 59 56 76
20. 85 98 60 88 66
21. 70 84 61. 45 98
22. 45 95 62. 66 64
Tabel 3.2 Jumlah Sabun Cacat (Lanjutan…)
23. 57 64 63. 63 87
24. 54 70 64. 90 75
25. 66 53 65. 95 97
26. 84 85 66. 51 96
27. 92 70 67. 47 71
28. 83 52 68. 82 77
29. 76 72 69. 76 54
30 70 60 70. 75 82
31 52 91 71. 94 36
32 67 83 72. 67 40
33 90 78 73. 49 63
34 93 92 74. 91 52
35 66 77 75. 60 97
36 69 59 76. 77 61
37 52 34 77. 42 87
38 87 94 78. 96 88
39 56 76 79. 88 62
40 88 66 80. 75 94
Keterangan:
a. Nilai nyata (α) sebesar 0,05
b. H0 : tidak adanya perbedaan jumlah sabun cacat yang diproduksi dua
perusahaan yang berbeda.
c. H1 : adanya perbedaan yang signifikan antara jumlah sabun cacat yang
diproduksi lifeboy dan detol.
68
BAB 4
PENGOLAHAN DATA
Pada bab pengolahan data ini akan membahas tentang langkah-langkah

pengolahan data serta analisis data dan output untuk memberikan gambaran
tentang uji T dua sampel berpasangan dan uji Z pada praktikum statistika dan
optimasi sistem industri modul statistik inferensi dua.
4.1 Langkah-Langkah Pengolahan Data
Berikut ini adalah langkah-langkah pengolahan data pada uji T dua sampel
berpasangan dan uji Z dapat diuraikan sebagi berikut.
4.1.1 Uji T Dua Sampel Berpasangan
Berikut ini merupakan langkah-langkah pengolahan data untuk uji T dua
sampel berpasangan dapat diuraikan sebagai berikut.
1. Buka software SPSS di layar desktop komputer seperti yang terlihat pada
gambar 4.1 sebagai berikut:

2. Input data pada variable view seperti yang terlihat pada gambar 4.2 sebagai
berikut:
69
3. Selanjutnya input data ke dalam data view seperti yang terlihat pada gambar

4. Klik analyse pada toolbar, lalu arahkan kursor pada compare mean setelah
itu pilih paired-samples T test seperti yang telihat pada gambar 4.4 sebagai
berikut:
70
5. Kemudian pada paired variables, masukkan data yang diuji perbedaan rata-
ratanya seperti yang terlihat pada gambar 4.5 sebagai berikut:
Gambar 4.5 Kotak Dialog Paired Samples T Test

6. Klik options kemudian isi angka 95 pada confidence interval. Pilih exclude
cases analysis by analysis pada missing values. Terakhir klik continue
kemudian klik OK seperti yang terlihat pada gambar 4.6 sebagai berikut:
Gambar 4.6 Kotak Dialog Paired Samples T Test: Options

7. Kemudian akan muncul output hasil perhitungan seperti yang pada gambar
4.7 dan 4.8 sebagai berikut:
Gambar 4.7 Hasil Output Paired Samples Statistics

Berdasarkan hasil output paired samples statistics pada gambar 4.7 di atas
dapat diketahui nilai mean atau rata-rata sebelum sebesar 200,00 dan sesudah
sebesar 230,00. Nilai N atau jumlah data sebelum sebesar 20 dan sesudah sebesar
20. Untuk nilai standart deviation sebelum sebesar 54,772 dan sesudah sebesar
71
14,510. Dan untuk nilai standart error mean sebelum sebesar 12,247 dan sesudah
sebesar 3,244.
Gambar 4.8 Hasil Output Paired Samples Test

Berdasarkan hasil output paired samples test pada gambar 4.8 di atas dapat
diketahui nilai t sebesar -2,449 dan nilai sig (2-failed) sebesar 0,024. Dan
diketahui nilai df sebesar 19 dan nilai alfa (α) sebesar 0,05. Jika diketahui nilai df
sebesar 19 dengan taraf nyata 5%, maka didapatkan nilai t tabel sebesar 1,729.
Sehingga nilai t hitung lebih besar dari t tabel (t hitung > t tabel). Karena nilai t hitung
lebih besar dari t tabel (t hitung > t tabel) dan nilai signifikan lebih lebih kecil dari alfa
(sig < 0,05) maka H 0 ditolak dan H 1 diterima. Sehingga dapat disimpulkan bahwa
adanya perbedaan signifikan jumlah pengunjung di toko roti sebelum dan sesudah
penggunaan jasa iklan.
4.1.2 Uji Z
Berikut ini merupakan langkah-langkah pengolahan data untuk uji Z dapat
diuraikan sebagai berikut.
72
2. Kemudian entry data pada vaiable view. Pada values label isi angka 1 untuk
Lifeboy dan angka 2 untuk Detol seperti yang terlihat pada gambar 4.10
sebagai berikut:
Gambar 4.10 Entry Data pada Variable View

3. Selanjutnya masukkan data ke dalam data view seperti yang terlihat pada
Gambar 4.11 Entry Data pada Data View
73
Gambar 4.11 Entry Data pada Data View (Lanjutan…)
74
75

4. Pilih menu analyze klik compare mean dan pilih independent sample t-test
seperti yang terlihat pada gambar 4.12 sebagai berikut:
Gambar 4.12 Toolbar Analyze
76
5. Kemudian pada kolom test variables isi dengan variabel kecacatan
sedangkan variabel sabun masukkan ke grouping variable seperti yang
terlihat pada gambar 4.13 sebagai berikut:

6. Klik pada define groups. Pada group 1 ketik 1, pada group 2 ketik 2
kemudian klik continue seperti yang terlihat pada gambar 4.14 sebagai
berikut:
Gambar 4.14 Kotak Dialog Define Groups

7. Klik options pada confident interval diisi 95% seperti yang terlihat pada
77
8. Selanjutnya klik OK untuk melihat hasil perhitungan, dan akan muncul
output hasil perhitungan seperti yang pada gambar 4.16 dan 4.17 sebagai
berikut:
Gambar 4.16 Hasil Output Group Statistics

Berdasarkan hasil output group statistics pada gambar 4.19 di atas dapat
diketahui nilai N atau jumlah data kecacatan lifeboy sebesar 80 dan kecacatan
detol sebesar 80. Nilai mean atau rata-rata kecacatan lifeboy sebesar 69,85 dan
kecacatan detol sebesar 72,81. Untuk nilai standart deviation kecacatan lifeboy
sebesar 16,724 dan kecacatan detol sebesar 16,798. Dan untuk nilai standart error
mean kecacatan lifeboy sebesar 1,870 dan kecacatan detol sebesar 1,878.
Gambar 4.17 Hasil Output Independent Samples Test

Berdasarkan hasil output independent samples test pada gambar 4.20 di atas
dapat diketahui nilai thitung sebesar -1,118 dan nilai sig (2-tailed) sebesar 0,265.
Dan diketahui nilai df sebesar 158 dan nilai alfa (α) sebesar 0,05. Jika diketahui
nilai df sebesar 158 dengan taraf nyata 5%, maka didapatkan nilai t tabel sebesar
1,65455. Sehingga nilai t hitung lebih kecil dari t tabel (t hitung < t tabel). Karena nilai
thitung lebih kecil dari ttabel (t hitung < t tabel) dan nilai signifikan lebih besar dari alfa (sig
> 0,05) maka H 0 diterima dan H 1 ditolak. Sehingga dapat disimpulkan bahwa
tidak ada perbedaan yang signifikan antara jumlah sabun cacat yang diproduksi
lifeboy dan detol.
78
BAB 5
Pada bab kesimpulan dan saran ini akan membahas tentang kesimpulan dan
saran pada praktikum statistika dan optimasi sistem industri modul statistika
inferensi dua.
5.1 Kesimpulan
sistem industri modul statistika inferensial satu terlihat sebagai berikut:
1. Pengujian hipotesis adalah pengujian terhadap suatu pernyataan dengan
menggunakan metode statistik sehingga hasil pengujian tersebut dapat
dinyatakan signifikan secara statistik. Pengujian hipotesis merupakan bagian
dari statistik infernsial.
2. Uji T sample berpasangan sering kali disebut sebagai paired-sample T test.
Uji ini menghitung selisih antara nilai dua variabel untuk tiap kasus dan
menguji apakah selisih rata-rata tersebut bernilai nol. Uji t berpasangan
(paired T-test) umumnya menguji perbedaan antara dua pengamatan.
3. Uji Z adalah salah satu uji statistika yang pengujian hipotesisnya didekati dengan
distribusi normal. Oleh karena itu, uji Z dapat digunakan utuk menguji data yang
sampelnya berukuran besar. Jumlah sampel 30 atau lebih dianggap sampel
berukuran besar. Selain itu, uji Z ini dipakai untuk menganalisis data yang varians
populasinya diketahui.
4. Output dari uji T dua sampel berpsangan dan uji Z adalah sebagai berikut:
Hasil output paired samples test dapat diketahui nilai t sebesar -2,449 dan
nilai sig (2-failed) sebesar 0,024. Dan diketahui nilai df sebesar 19 dan nilai
alfa (α) sebesar 0,05. Jika diketahui nilai df sebesar 19 dengan taraf nyata
5%, maka didapatkan nilai t tabel sebesar 1,729. Sehingga nilai t hitung
lebih besar dari t tabel (t hitung > t tabel). karena nilai signifikan lebih lebih kecil
dari alfa (sig < α) maka tolak H 0 dan terima H 1. Sehingga dapat
disimpulkan bahwa adanya perbedaan signifikan jumlah pengunjung di toko
roti sebelum dan sesudah penggunaan jasa iklan.
79
c. Ada du hasil output dari uji Z, pertama adah output group statistics dapat
diketahui nilai N atau jumlah data kecacatan lifeboy sebesar 80 dan
kecacatan detol sebesar 80. Nilai mean atau rata-rata kecacatan lifeboy
sebesar 69,85 dan kecacatan detol sebesar 72,81. Untuk nilai standart
deviation kecacatan lifeboy sebesar 16,724 dan kecacatan detol sebesar
16,798. Dan untuk nilai standart error mean kecacatan lifeboy sebesar
1,870 dan kecacatan detol sebesar 1,878.
Yang kedua adalah hasil output independent samples test dapat diketahui
nilai thitung sebesar -1,118 dan nilai sig (2-failed) sebesar 0,265. Dan
diketahui nilai df sebesar 158 dan nilai alfa (α) sebesar 0,05. Jika diketahui
nilai df sebesar 158 dengan taraf nyata 5%, maka didapatkan nilai ttabel
sebesar 1,65455. Sehingga nilai thitung lebih kecil dari ttabel (t hitung < t tabel).
karena nilai signifikan lebih besar dari alfa (sig > α) maka terima H 0 dan
tolak H 1. Sehingga dapat disimpulkan bahwa tidak ada perbedaan yang
signifikan antara jumlah sabun cacat yang diproduksi lifeboy dan detol.
5.2 Saran
80
DAFTAR PUSTAKA
Abdullah, Sarini. 2015. “ Statistika Tanpa Stres”. Jakarta: Transmedia.

Elfrianto, Nst. 2016. “Pengaruh Metode Savi Dan Metode Inquiry Terhadap
Prestasi Belajar Matematika Siswa Kelas VIII SMP Muhammadiyah
Medan”. Universitas Muhammadiyah Sumatera Utara. Vol. 2, No. 1, Hal.
28 - 42.
Lind, Douglas A. 2007. “Teknik – teknik Statistika Dalam Bisnis Dan Ekonomi
Menggunakan Kelompok Data Global ”. Jakarta: Salemba Empat.
Mufarrikoh, Zainatul. 2020. “ Statistik Pendidikan (Konsep Sampling Dan Uji

Hipotesis)”. Surabaya: CV Jakad Media Publishing
Nuryadi. 2017. “Dasar – Dasar Statistik Penelitian”. Yogyakarta: Universitas
Mercu Buana.
Putri, Darvi Mailisa. 2018. “Analisis Kemampuan daya Serap Mahasiswa Pada
Mata Kuliah Geometri Transformasi”. Univeritas Andalas, Indonesia.
Fakultas Matematika dan Ilmu Pengetahuan Alam. Jurusan Matematika.
Vol. 2, No. 12, Hal. 220 - 230.
Santoso, Singgih. 2010. “Statistik Parametrik Konsep Dan Aplikasi Dengan
SPSS”. Jakarta: PT. Elex Media Komputindo.
81
Modul 5
ANALISA REGRESI
BAB 1
PENDAHULUAN
dalam praktikum statistika dan optimasi sistem industri modul analisa regresi.
1.1 Latar Belakang
Statistik adalah salah satu metode untuk menentukan hubungan sebab akibat
antar satu variabel dengan variabel-variabel yang lain. Analisa regresi adalah
salah satu analisis yang populer dan luas pemakaiannya. Analisa regresi dipakai
secara luas untuk melakukan prediksi dan ramalan. Analisis ini juga digunakan
untuk memahami variabel bebas mana saja yang berhubungan dengan variabel
terikat dan untuk hubungan di dalamnya. Regresi linear sederhana adalah metode
statistik yang berfungsi untuk menguji sejauh mana hubungan sebab akibat antara
variabel faktor penyebab (X) terhadap variabel akibatnya. Faktor penyebab pada
umumnya dilambangkan dengan X atau disebut juga dengan predictor sedangkan
variabel akibat dilambangkan dengan Y atau disebut juga dengan response.
Regresi linear sederhana atau sering disingkat dengan SLR (Simple Linear
Regression) juga merupakan salah satu metode statistik yang dipergunakan dalam
produksi untuk melakukan peramalan ataupun prediksi tentang karakteristik
kualitas maupun kuantitas. Regresi linear adalah suatu alat statistik yang
dipergunakan untuk mengetahui pengaruh dari satu atau beberapa variabel
terhadap satu variabel. Secara umum regresi linear terdiri dari regresi linear
sederhana dan regresi linear berganda. Regresi linear sederhana yaitu satu
variabel bebas dan satu variabel terikat, sedangkan regresi linear berganda yaitu
beberapa variabel bebas dan satu variabel terikat. Analisa regresi linear
merupakan metode statistik yang paling sering digunakan dalam penelitian sosial
terutama dalam bidang perekonomian. Dalam praktikum ini akan menggunakan
software SPSS yang menjadi alat bantu dalam memproses data-data statistik agar
lebih cepat, akurat, dan tepat dalam menghasilkan output.
82
industri modul analisa regresi.
1. Mampu memahami tentang analisa regresi.
2. Mampu memahami tentang regresi linear sederhana.
3. Mampu memahami tentang koefisien determinasi.
4. Mampu memahami tentang regresi linear berganda.
5. Mampu menghasilkan output data dengan menggunakan SPSS.
83
BAB 2
Pada bab kajian pustaka dan dasar teori akan membahas tentang teori dasar
analisa regresi.
2.1 Analisa Regresi
Menurut Nawari (2010), analisis regresi adalah suatu metode sederhana
untuk melakukan investigasi tentang hubungan fungsional di antara beberapa
variabel. Hubungan antara beberapa variabel tersebut diwujudkan dalam suatu
model matematis. Pada model regresi, variabel dibedakan menjadi dua bagian,
yaitu variabel respons serta variabel explanory.
Menurut Katemba (2017), regresi linear adalah alat statistik yang
dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel
terhadap satu buah variabel. Manfaat dari regresi di antaranya analisis regresi
lebih akurat dalam melakukan analisis korelasi, karena analisis itu kesulitan dalam
menunjukan tingkat perubahan suatu variabel terhadap variabel lainnya (slop)
dapat ditentukan. Dengan analisis regresi peramalam atau perkiraan nilai variabel
terikat pada nilai variabel bebas lebih akurat. Selain itu analisis ini untuk
mengetahui arah hubungan antara variabel dependent apakah positif dan negatif
dan untuk memprediksi nilai dari variabel dependent apabila nilai dari variabel
independent mengalami kenaikan atau penurunan dan variabel independent Data
yang digunakan adalah data berskala interval atau rasio.
Menurut Harinaldi (2005), analisis regresi digunakan untuk mempelajari
dan mengukur hubungan statistik yang terjadi antara dua atau lebih variabel.
Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi majemuk
dikaji lebih dari dua variabel. Dalam analisis regresi, suatu persamaan regresi
hendak ditentukan dan digunakan untuk menggambarkan pola atau fungsi
hubungan yang terdapat antar variabel. Variabel yang akan diestimasi nilainya
disebut variabel terikat (dependent variable) dan biasanya diplot pada sumbu
tegak (sumbu-y). Sedangkan variabel bebas (independent variable) adalah
84
variabel yang diasumsikan memberikan pengaruh terhadap variasi variabel terikat
dan biasanya diplot pada sumbu datar (sumbu-x).
2.2 Regresi Linier Sederhana
Menurut Bertan (2016), kegunaan uji regresi sederhana adalah untuk
meramalkan (memprediksi) pengaruh variabel bebas (X) terhadap variabel terikat
(Y). Regersi sederhana dapat dianalisa karena didasari hubungan sebab akibat dari
variabel terikat (Y) terhadap variabel bebas (X).
Menurut Kurniawan (2016), dalam regresi linear sederhana pada bagian
“sederhana” ini menerangkan bahwa kita hanya mempertimbangkan satu variabel
bebas. Regresi linier sederhana menjelaskan mengenai hubungan antara dua
variabel yang biasanya dapat dinyatakan dalam suatu garis regresi, serta
merupakan teknik dalam statistika parametrik yang digunakan secara umum untuk
menganalisis rata-rata respon dari variabel y yang berubah sehubungan dengan
besarnya intervensi dari variabel x.
Adapun persamaan regresi linier sederhana terlihat sebagai berikut.
Y = ɑ + bX.................................................................................................Rumus 1
Keterangan:
Y = Variabel terikat
ɑ = Intersep
b = Koefisien regresi atau slop
X = Variabel bebas
Menurut Haslinda (2016), koefisien determinasi (r2) pada intinya mengukur
seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat.
Nilai koefisien determinasi adalah di antara nol dan satu. Nilai r2 yang celi berarti
kemampuan variabel-variabel independent dalam menjelaskan variasi variabel
dependent amat terbatas. Nilai yang mendekati satu berarti variabel-variabel
independent memberikan hampir semua informasi yang dibutuhkan untuk
memprediksi variasi variabel dependent.
Menurut Halin (2017), koefisien determinasi digunakan untuk mengukur
seberapa besar presentase perubahan atau variasi dari variabel dependent bisa
dijelaskan oleh perubahan atau variasi dari variabel independent. Hasil pengujian
85
koefisien determinasi dapat dilihat dari nilai R square Koefisien determinasi
digunakan untuk mengetahui prosentase pengaruh variabel independent (X)
terhadap variabel dependent (Y). Maka nilai determinasi ditentukan dengan R2 (R
Square).
Koefisien determinasi ganda (coefficient of multiple determination)
dinotasikan dengan, didefinisikan sebagai berikut:
JKR JKG
r2 = =1- ...................................................................................Rumus 2
JKT JKT
Sumber: Mona, 2015
Keterangan:
r2 = Sampel
JKR = Jumlah kuadrat regresi
JKT = Jumlah kuadrat total
JKG = Jumlah kuadrat galat
2.4 Regresi Linier berganda
Menurut Sulistyono (2017), metode regresi linier berganda merupakan
teknik analisis yang mencoba menjelaskan hubungan antara dua peubah atau lebih
khususnya antara peubah-peubah yang mengandung sebab akibat disebut analisis
regresi. Analisis regresi linier berganda adalah analisis yang memiliki variabel
bebas lebih dari satu. Analisis regresi telah lama dikembangkan untuk
mempelajarai pola dan mengukur hubungan statistik antara dua atau lebih peubah
(variabel).
Dalam analisis regresi linier berganda terdapat beberapa uji asumsi klasik,
yaitu uji heteroskedastisitas, uji tersebut bertujuan untuk menguji apakah dalam
sebuah model regresi terjadi ketidaksamaan varians residual dari suatu
pengamatan ke pengamatan yang lain tetap. Kemudian uji normalitas, yang
bertujuan untuk menguji apakah dalam suatu model regresi, variabel terikat dan
variabel bebas atau keduanya mempunyai distribusi normal atau tidak.
Menurut Mona (2015), analisis yang memiliki variabel bebas lebih dari satu
disebut analisis regresi linier berganda. Teknik regresi linier berganda digunakan
untuk mengetahui ada tidaknya pengaruh signifikan dua atau lebih variabel bebas
terhadap variabel terikat (Y).
86
Penambahan variabel bebas ini diharapkan dapat lebih menjelaskan
krakteristik hubungan yang ada walaupun masih saja ada variabel yang
terabaikan. Bentuk umum persamaan regresi linear berganda dapat dituliskan
dengan sebagai berikut:
Y = α + β1X1+ β2X2 + β3X3+ εi.............................................................Rumus 3
Sumber: Sulistyono, 2017
Keterangan:
Y = jumlah produksi
Α = konstanta
β1, β2, β3 = koefisensi regresi variable independent
X1, X2, X3 = variabel bebas
87
BAB 3
PENGUMPULAN DATA
Pada bab ini akan membahas tentang pengumpulan data pada praktikum
statistika dan optimasi sistem industri modul analisa regresi.
3.1 Analisa Regresi
Berikut adalah pengumpulan data pada praktikum statistika dan optimasi
sistem indusrti modul analisa regresi.
PT Loreal ingin mengetahui ada atau tidaknya hubungan antara besarnya
biaya produksi dengan jumlah penjualan suatu produk mascara selama 24 bulan.
Berikut adalah data yang dihasilkan saat pengamatan yang terlihat pada tabel 3.1
sebagai berikut.
Tabel 3.1 Pengumpulan Data
Biaya Produksi Penjualan
1300 1500
1200 1100
950 940
1230 1220
1240 1230
850 900
870 900
900 1200
1450 1150
820 1060
1100 1020
1000 1010
800 1000
1400 1070
1130 1000
860 990
1400 1080
950 950
1350 1400
950 900
880 1000
1100 1300
890 1080
1600 1500
88
Dari permasalahan diatas dapat diketahui hubungan antara besarnya biaya
produksi terhadap jumlah penjualan suatu produk yaitu sebagai berikut:
Ho = Tidak adanya hubungan antara besarnya biaya produksi terhadap jumlah
penjualan suatu produk.
H1 = Adanya hubungan antara besarnya biaya produksi terhadap jumlah penjualan
suatu produk.
Dengan nilai α = 0,05 yang didapat dari perhitungan α = 100% - confident
interval.
89
BAB 4
PENGOLAHAN DATA
Pada bab ini akan membahas tentang pengolahan data pada praktikum statisti
ka dan optimasi sistem industri modul analisa regresi.
4.1 Langkah - Langkah Pengolahan Data
Berikut adalah langkah langkah pengolahan data pada praktikum statistika d
an optimasi sistem industri modul analisa regresi dapat diuraikan sebagai berikut.
1. Buka software SPSS di layar desktop komputer. Seperti yang terlihat pada g
ambar 4.1 berikut ini:

2. Selanjutnya masukkan variabel ke dalam variable view seperti yang terlihat
pada gambar 4.2 sebagai berikut ini.
Gambar 4.2 Input Variabel ke Variable view
90
3. Selanjutnya pilih menu analyze, klik regression kemudian klik linear seperti
yang terlihat pada gambar 4.3 berikut ini:

4. Selanjutnya akan muncul kotak dialog linear regression, masukkan variabel
Y pada kotak dependent kemudian masukkan variabel x pada kotak indepen
dent dengan mengklik tanda panah seperti yang terlihat pada gambar 4.4 ber
ikut ini:
Gambar 4.4 Kotak Dialog Linear Regression
91
5. Selanjutnya klik statistics, kemudian centang estimate, model fit, dan descri
ptive kemudian klik continue seperti yang terlihat pada gambar 4.5 berikut i
ni:
Gambar 4.5 Kotak Dialog Linear Regression Statistics

6. Selanjutnyan klik plots pada kota dialog linear regression, kemudian masuk
kan dependent pada kolom Y dan masukkan adjpred pada kolom X, kemudi
an centang histogram dan normal probability plot kemudian klik continue s
eperti yang terlihat pada gambar 4.6 berikut ini.
Gambar 4.6 Kotak Dialog Linear Regression Plots
92
7. Selanjutnya klik save lalu pilih pada predicted value klik unstandardized sel
anjutanya centang pada include the covariance matrix dan klik continue sep
erti yang terlihat pada gambar 4.7 berikut ini.
Gambar 4.7 Kotak Dialog Linear Regression Save

8. Selanjutanya klik options lalu pilih pada stepping method criteria klik use p
robability of f lalu masukkan pada entry 0,05 dan removal 0,10 dan centang
pada include constant in aquation selanjutnya pilih exclude cases listwise pa
da missing values dan klik continue seperti yang terlihat pada gambar 4.8 ba
rikut ini.
Gambar 4.8 Kotak Dialog Linear Regression Options
93
9. Terakhir klik ok, kemudian muncul output seperti yang terlihat pada gambar
4.9 gambar 4.10 dan gambar 4.11 sebagai berikut.
Gambar 4.9 Output Descriptive Statistics

Dari gambar 4.9 di atas dapat dianalisa bahwa:
1. Rata - rata untuk variabel penjualan sebesar 1104.17, sedangkan untuk rata -
rata variabel biaya produksi sebesar 1092.50.
2. Standar deviasi untuk variabel penjualan sebesar 177.100 sedangkan untuk
variabel biaya produksi sebesar 233.355
3. Untuk jumlah data yang valid dari kedua variabel tersebut adalah sama yakn
i masing-masing 24 data, yang berarti bahwa tidak ada data yang hilang (mis
sing) dikarenakan banyaknya data yang dimasukkan dengan jumlah data yan
g valid adalah sama yakni sebesar 24 data.
Gambar 4.10 Output Correlations

Dari gambar 4.10, dapat diketahui analisis data dari Output Correlations
yaitu bahwa hubungan (korelasi) antara tingkat penjualan dengan biaya periklanan
sangat kuat dan negatif dengan nilai r sebesar 0,678. Positif artinya terjadi
hubungan yang sama arah, artinya jika suatu nilai variabel naik maka nilai
variabel yang lain akan turun. Yang berarti jika semakin tinggi tingkat penjualan,
maka semakin turun biaya periklanan. Begitu juga sebaliknya. Nilai signifikanasi
antara biaya periklanan dengan tingkat penjualan adalah 0 lebih kecil dari nilai α
94
0,05 (sig.< α) menunjukkan H₀ diterima artinya tidak ada hubungan antara
besarnya periklanan terhadap tingkat penjualan produk yang dikeluarkan
perusahaan dan H₁ ditolak.
Gambar 4.11 Output Variables Entered/Removed

Dari gambar 4.11, hasil Output Variables Enter/Removed memberikan
informasi bahwa varibel biaya periklanan berhasil dimasukkan (entered), tidak
ada variabel yang dikeluarkan (removed).
Gambar 4.12 Output Model Summary

Dari gambar 4.12 di atas dapat dianalisa bahwa :
1. R didapat angka sebesar 0.678 yang artinya bahwa korelasi antara variabel b
iaya produksi dengan jumlah penjualan terjadi hubungan yang sangat rendah
atau lemah sekali karena nilai korelasi mendekat angka 0.
2. R Square didapat angka sebsar 0,460 artinya persentase sumbangan pengaru
h variabel biaya produksi tehadap jumlah penjualan sebesar 0,4% sedangkan
sisanya sebesar 99,96% dipengaruhi oleh variabel yang tidak dimasukkan da
lam model ini.
3. Adjusted r square didapat angka sebesar 0,435 nilai ini juga manunjukkan s
umbangan pengaruh variabel independen terhadap variabel dependent. Akan
tetapi ini digunakan untuk regresi yang menggunakan lebih dari dua variabe
l independent.
95
Gambar 4.13 Output ANOVA
Dari gambar 4.13 Output ANOVA memberikan informasi perbandingan Fhit
ung dan Ftabel serta sig dan α yaitu sebagai berikut:
a. Nilai Fhitung = 19.617
b. Nilai Ftabel = 4,30
c. Nilai signifikansi 0 lebih kecil dari nilai α 0,05 (sig.<α)
Berdasarkan analisa di atas diketahui bahwa Fhitung > Ftabel dan nilai sig.<α y
ang artinya H0 ditolak dan H1 diterima yang berarti adanya hubungan signifikan an
tara besarnya biaya periklanan terhadap tingkat penjualan produk yang dikeluarka
n perusahaan tersebut.
Gambar 4.14 Output Coefficient

Nilai dari gambar 4.14 dapat diuraikan dengan persamaan regresi sebagai be
rikut.
Y = a + bX
Y = 106,242 + (0,893) X
Yang berati bahwa nilai konstan (a) adalah 106,242 dan nilai koefisien regre
si (b) adalah 0,893. ini dapat diartikan bahwa setiap peningkatan biaya produksi se
besar 1 rupiah maka jumlah penjualan akan menurun sebesar 0,893 lebih besar ba
ndingkan dengan α yang nilainya 0,05 [sig>α]. Jadi H1 diterima dan H0 ditolak, ke
96
simpulan adanya hubungan antara besarnya biaya produksi terhadap jumlah penju
alan suatu produk.
Gambar 4.15 Output Residual Statistics

Berdasarkan tabel 4.15 hasil Output Residual Statistics mengemukakan ring
kasan hasil dari predicted value (nilai yang diprediksi) yang berisi nilai minimum,
maximum, mean, stnadart deviation, dan jumlah data dari residual.
97
Gambar 4.16 Output Histogram
Pada gambar 4.16, normalitas data bisa dilihat dengan menentukan bentuk k
urva, dikatakan normal jika bentuk kurva memiliki kemiringan cenderung menyer
upai lonceng yang hampir sempurna. Sedangkan dari gambar histogram di atas me
nunjukkan bahwa data menyebar mengikuti bentuk distribusi normal. Serta histog
ram condong ke kanan yang berarti ukuran kemiringannya positif.
98
Gambar 4.17 Output Normal P-P Plot Of Regression Standardized Residual
Dari Output di atas dapat dianalisa bahwa titik-titik yang menyebar pada dae
rah plot mendekati garis diagonal yang ada pada Output Normal P-P Plot Regress
ion Standardized Residual maka dapat dikatakan data tersebut terdistribusi secara
normal dan model regresinya telah memenuhi uji normalitas. Dari Output di atas d
apat diketahui dari 24 data, hanya ada 4 data yang terdistribusi normal dan terdapa
t 2 data yang ekstrim yang ditunjukkan dengan titik-titik yang menjauhi garis, yait
u data ke 17 yang berada di bawah rata-rata, serta data ke 22 yang di atas rata-rata.
99
Gambar 4.18 Output Scatterplot
Dari Output Scatterplot di atas digunakan untuk mendeteksi ada atau tidakn
ya penyimpangan asumsi klasik, yaitu heterokdastisitas, heterokesdastisitas menu
njukkan adanya ketidaksamaan varian dari residual atas suatu pengamatan ke pen
gamatan yang lain.
Regresi yang baik seharusnya tidak terjadi heterokesdastisitas, dengan kriter
ia sebagai berikut:
a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola
tertentu yang teratur (bergelombang, melebar, kemudian menyempit) maka
terjadi haterokdastisitas.
b. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heterokdastisitas.
c. Grafik di atas menampakkan titik-titik yang menyebar secara aca dan tidak a
da pola yang jelas terbentuk serta dalam penyebaran titik-titik tersebut meny
ebar di bawah dan di atas angka 0 pada sumbu Y. hal tersebut mengidentifik
asikan tidak terjadi heterokdastisitas pada model regresi.
100
BAB 5
Pada bab kesimpulan dan saran ini akan membahas tentang kesimpulan dan
saran pada praktikum statistika dan optimasi sistem industri modul analisa regresi.
5.1 Kesimpulan
Berikut adalah kesimpulan dari praktikum statistika dan optimasi sistem
industri modul analisa regresi yaitu sebagai berikut:
1. Analisis regresi adalah suatu metode sederhana untuk melakukan investigasi
tentang hubungan fungsional di antara beberapa variabel. Hubungan antara
beberapa variabel tersebut diwujudkan dalam suatu model matematis. Pada
model regresi, variabel dibedakan menjadi dua bagian, yaitu variabel
respons serta variabel explanory. Analisis regresi digunakan untuk
mempelajari dan mengukur hubungan statistik yang terjadi antara dua atau
lebih variabel.
2. Kegunaan uji regresi sederhana adalah untuk meramalkan (memprediksi)
pengaruh variabel bebas (X) terhadap variabel terikat (Y). Regersi
sederhana dapat dianalisa karena didasari hubungan sebab akibat dari
variabel terikat (Y) terhadap variabel bebas (X).
3. Koefisien determinasi digunakan untuk mengukur seberapa besar presentase
perubahan atau variasi dari variabel dependent bisa dijelaskan oleh
perubahan atau variasi dari variabel independent. Hasil pengujian koefisien
determinasi dapat dilihat dari nilai R square Koefisien determinasi
digunakan untuk mengetahui prosentase pengaruh variabel independent (X)
terhadap variabel dependent (Y). Maka nilai determinasi ditentukan dengan
R2 (R Square).
4. Metode regresi linier berganda merupakan teknik analisis yang mencoba
menjelaskan hubungan antara dua peubah atau lebih khususnya antara
peubah-peubah yang mengandung sebab akibat disebut analisis regresi.
Analisis regresi linier berganda adalah analisis yang memiliki variabel bebas
lebih dari satu. Analisis regresi telah lama dikembangkan untuk
101
mempelajarai pola dan mengukur hubungan statistik antara dua atau lebih
peubah (variabel).
5. Hasil output descriptive statistics rata - rata untuk variabel penjualan sebesa
r 1104.17, sedangkan untuk rata - rata variabel biaya produksi sebesar 1092.
50. Standar deviasi untuk variabel penjualan sebesar 177.100 sedangkan unt
uk variabel biaya produksi sebesar 233.355. Untuk jumlah data yang valid d
ari kedua variabel tersebut adalah sama yakni masing-masing 24 data, yang
berati bahwa tidak ada data yang hilang (missing) dikarenakan banyaknya d
ata yang dimasukkan dengan jumlah data yang valid adalah sama yakni sebe
sar 24 data.
Hasil output correlations yaitu bahwa hubungan (korelasi) antara tingkat
penjualan dengan biaya periklanan sangat kuat dan negatif dengan nilai r
sebesar 0,678. Positif artinya terjadi hubungan yang sama arah, artinya jika
suatu nilai variabel naik maka nilai variabel yang lain akan turun. Yang
berarti jika semakin tinggi tingkat penjualan, maka semakin turun biaya
periklanan. Begitu juga sebaliknya. Nilai signifikanasi antara biaya
periklanan dengan tingkat penjualan adalah 0 lebih kecil dari nilai α 0,05
(sig.< α) menunjukkan H₀ diterima artinya tidak ada hubungan antara
besarnya periklanan terhadap tingkat penjualan produk yang dikeluarkan
perusahaan dan H₁ ditolak.
Hasil output variables enter/removed memberikan informasi bahwa varibel
biaya periklanan berhasil dimasukkan (entered), tidak ada variabel yang
dikeluarkan (removed).
Hasil output model summary R didapat angka sebesar 0.678 yang artinya ba
hwa korelasi antara variabel biaya produksi dengan jumlah penjualan terjadi
hubungan yang sangat rendah atau lemah sekali karena nilai korelasi mende
kat angka 0. R Square didapat angka sebsar 0,460 artinya persentase sumba
ngan pengaruh variabel biaya produksi tehadap jumlah penjualan sebesar 0,
4% sedangkan sisanya sebesar 99,96% dipengaruhi oleh variabel yang tidak
dimasukkan dalam model ini. Adjusted r square didapat angka sebesar 0,435
nilai ini juga manunjukkan sumbangan pengaruh variabel independen terhad
102
ap variabel dependen. Akan tetapi ini digunakan untuk regresi yang menggu
nkaan lebih dari dua variabel independen.
Hasil output ANOVA didapatkan Nilai F hitung = 19.617. Nilai F tabel = 4,3
0. Nilai signifikansi 0 lebih kecil dari nilai α 0,05 (sig.<α). Diketahui bahwa
Fhitung > Ftabel dan nilai sig.<α yang artinya H0 ditolak dan H1 diterima yang
berarti adanya hubungan signifikan antara besarnya biaya periklanan terhada
p tingkat penjualan produk yang dikeluarkan perusahaan tersebut.
Hasil output coefficient Y = a + bX atau Y = 106,242 + (0,893) X.Yang bera
ti bahwa nilai konstan (a) adalah 106,242 dan nilai koefisien regresi (b) adal
ah 0,893. ini dapat diartikan bahwa setiap peningkatan biaya produksi sebes
ar 1 rupiah maka jumlah penjualan akan menurun sebesar 0,893 lebih besar
bandingkan dengan α yang nilainya 0,05 [sig>α]. Jadi H1 diterima dan H0 dit
olak, kesimpulan adanya hubungan antara besarnya biaya produksi terhadap
jumlah penjualan suatu produk.
Hasil output residual statistics mengemukakan ringkasan hasil dari predicte
d value (nilai yang diprediksi) yang berisi nilai minimum, maximum, mean, s
tnadart deviation, dan jumlah data dari residual.
Hasil output histogram menunjukkan bahwa data menyebar mengikuti bentu
k distribusi normal. Serta histogram condong ke kanan yang berarti ukuran
kemiringannya positif.
Hasil output normal p-p plot of regression standardized residual dapat diket
ahui dari 24 data, hanya ada 4 data yang terdistribusi normal dan terdapat 2
data yang ekstrim yang ditunjukkan dengan titik-titik yang menjauhi garis, y
aitu data ke 17 yang berada di bawah rata-rata, serta data ke 22 yang di atas
rata-rata.
Hasil output scatterplot menunjukkan titik-titik yang menyebar secara acak
dan tidak ada pola yang jelas terbentuk serta dalam penyebaran titik-titik ter
sebut menyebar di bawah dan di atas angka 0 pada sumbu Y. hal tersebut m
engidentifikasikan tidak terjadi heterokdastisitas pada model regresi.
103
5.2 Saran
Saran dari kelompok kami sekali lagi kami mengkritik soal pelaksanaan
praktikum daring mohon untuk tepat waktu dalam pelaksanaannya. Seharusnya
kalau memang ada kendala dalam pelaksanaannya harusnya dipersiapkan lebih
awal.
104
DAFTAR PUSTAKA
Bertan, Cindy Viane. 2016. “Pengaruh Pendayagunaan Sumber Daya Manusia

(Tenaga Kerja) Terhadap Hasil Pekerjaan (Studi Kasus Perumahan Taman
Mapanget Raya(Tamara))”. Manado: Universitas Sam Ratulangi. Fakultas
Teknik. Jurusan Teknik Sipil. Vol. 04, No. 01, Hal: 13-20.
Halin, Hamid, dkk. 2017. “Pengaruh Harga Jual Kaca Patri Jenis Silver
Terhadap Nilai Penjualan Pada CV. Karunia Kaca Palembang Tahun
2004-2015”. Palembang: Universitas Indo Global Mandiri Palembang.
Fakultas Ekonomi. Vol. 02, No. 2, Hal. 49-56.
Harinaldi, 2005. “Prinsip – Prinsip Statistik Untuk Teknik Dan Sains”. Hal: 206-
207. PT. Erlangga.
Haslinda dan Jamaluddin M. 2016. “Pengaruh Perencanaan Anggaran Dan
Evaluasi Anggaran Terhadap Kinerja Organisasi Dengan Standar Biaya
Sebagai Variabel Moderating Pada Pemerintah Daerah Kabupaten Wajo”.
Makassar: UIN Makassar. Vol. 2, No. 1, Hal: 1-21.
Katemba, Petrus dan Rosita Koro Djoh. 2017. “Prediksi Tingkat Produksi Kopi
Menggunakan Regresi Linear”. Kupang: STIKOM Uyelindo. Vol. 03, No.
01, Hal. 42-51.
Kurniawan, Robert dan Budi Yuniarto. “Analisis Regresi: Dasar Dan
Penerapannya Dengan R”. PT. Kharisma Putra Utama.
Mona, Margaretha G dkk. 2015. “Penggunaan Regresi Linear Berganda untuk
Menganalisis Pendapatan Petani Kelapa Studi Kasus: Petani Kelapa Di
Desa Beo, Kecamatan Beo Kabupaten Talaud”. Manado: Universitas Sam
Ratulangi. Fakultas Matematika dan Ilmu Pengetahuan Alam. Jurusan
Matematika. Vol. 4, No. 2, Hal 197-203.
Nawari. “Analisis Regresi Dengan MS Excel 2017 Dan SPSS 17”. Jakarta: Alex
Media Komputindo.
Sulistyono dan Wiwik Sulistiyowati. 2017. “Peramalan Produksi dengan Metode
Regresi Linier Berganda”. Sidoarjo: Universitas Muhammadiyah Sidoarjo.
Fakultas Teknik. Jurusan Teknik Industri. Vol. 01, No. 02, Hal. 82-89.
105
Modul 6
ANALISA KORELASI
BAB 1
PENDAHULUAN
dari praktikum statistika dan optimasi sistem industri modul analisa korelasi.
1.1 Latar Belakang
Banyak analisis data bertujuan untuk mengetahui apakah ada hubungan
antara duaatau lebih peubah. Bila hubungan demikian ini dapat dinyatakan dalam
bentuk rumus matematik, maka kita akan dapat menggunakannya untuk keperluan
identifikasi selanjutnya. Masalah identifikasi dapat dilakukan dengan menerapkan
persamaan regresi dan menentukan korelasi (hubungan) data. Sekarang ini, istilah
regresi ditetapkan pada semua jenis peramalan, dan tidak harus berimplikasi suatu
regresi mendekati nilai tengah populasi.
Sedangkan teknik korelasi merupakan teknik analisis yang melihat
kecenderungan pola dalam satu variabel berdasarkan kecenderungan pola dalam
variabel yang lain. Maksudnya, ketika satu variabel memiliki kecenderungan
untuk naik maka kita melihat kecenderungan dalam variabel yang lain apakah
juga naik atau turun atau tidak menentu. Jika kecenderungan dalam satu variabel
selalu diikuti oleh kecenderungan dalam variabel lain, kita dapat mengatakan
bahwa kedua variabel ini memiliki hubungan atau korelasi.
Analisis korelasi merupakan teknik analisis yang termasuk dalam salah satu
teknik pengukuran asosiasi atau hubungan (measures of association). Teknik ini
berguna untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih
dari dua variabel) dengan skala - skala tertentu. Analisis korelasi sederhana
digunakan untuk mengetahui keeratan hubungan antara dua variabel dan untuk
mengetahui arah hubungan yang terjadi. Koefisien korelasi sederhana
menunjukkan seberapa besar hubungan yang terjadi antara dua variabel. Dalam
SPSS ada tiga metode korelasi sederhana diantaranya Pearson Correlation,
Kendall’s tau -b, dan Spearman Correlation. Pearson Correlation digunakan
untuk data berskala interval atau rasio, sedangkan Kendall’s tau-b, dan Spearman
Correlation lebih cocok untuk data berskala ordinal.
106
Adapun tujuan dari praktikum statistika dan optimasi sistem industri modul
analisa korelasi dapat diuraikan sebagai berikut.
1. Mampu mengetahui apa definisi dan analisis dari korelasi.
2. Mampu mengetahui metode dan karakteristik yang digunakan analisis dari
korelasi
3. Mampu menganalisa hasil analisis output korelasi dari SPSS dengan
menggunakan metode-metode yang telah ditentukan.
107
BAB 2
Pada bab kajian pustaka dan dasar teori ini akan membahas tentang teori
dasar yang akan digunakan pada praktikum statistika dan optimasi sistem industri
modul analisa korelasi.
2.1 Analisa Korelasi
Menurut Putri (2016), analisis korelasi mempunyai tujuan tersendiri yaitu
untuk mengukur “seberapa kuat” atau “derajat kedekatan” suatu relasi yang terjadi
antar variabel. Sebagai contoh, jika analisis regresi ingin mengetahui pola relasi
dalam bentuk persamaan regresi, maka analisis korelasi ingin mengetahui derajat
kedekatan dari hubungan tersebut dalam koefisien relasinya. Menurut Ponto
(2015), analisis korelasi digunakan untuk mengetahui derajat hubungan linear
antara satu variabel dengan variabel lain. Untuk mengetahui hubungan antar
variabel jika data yang digunakan memiliki skala interval atau rasio disebut
korelasi produk momen atau person. Dasar pemikiran analisis korelasi produk
momen adalah perubahan antar variabel, artinya jika perubahan suatu variabel
diikuti perubahan variabel yang lain maka kedua variabel tersebut saling
berkorelasi.
Menurut Astuti (2017), analisis korelasi dapat didefinisikan sebagai metode
statistika yang digunakan untuk mengukur keeratan hubungan antara dua variabel.
Kata variabel sendiri dapat diartikan sebagai karakteristik dari objek yang diteliti.
Pada analisis korelasi peneliti mengukur keeratan hubungan antara dua variabel
saja tanpa memperhatikan variabel yang dipengaruhi atau variabel yang
mempengaruhi dan berapa besar pengaruh suatu variabel terhadap variabel yang
lain. Dari analisis korelasi yang dilakukan didapatkan suatu nilai yang disebut
sebagai koefisien korelasi. Koefsien korelasi bisa bernilai positif atau negatif dan
nilai koefisien korelasi berkisar antara -1 sampai dengan +1. Korelasi negatif
ditunjukkan dengan koefisien korelasi yang bernilai negatif begitu juga sebaliknya
korelasi positif ditunjukkan dengan koefisien korelasi yang bernilai positif.
Menurut Kurniawan (2016), merupakan pengukur hubungan dua variabel
atau lebih yang dinyatakan sebagai tingkat hubungan (derajat keeratan) antar
108
variabel. Dalam menggunakan korelasi, tidak dipersoalkan adanya ketergantugan
atau dengan kata lain variabel yang satu tidak harus bergantung dengan variabel
lainnya.
2.2 Koefisien Korelasi
Menurut Zulkifli (2018), koefisien korelasi (KK) adalah indeks atau
bilangan yang digunakan untuk mengukur derajat hubungan meliputi kekuatan
hubungan dan bentuk atau arah hubungan. Menurut Cahyono (2017), uji korelasi
atau asosiasi atau hubungan yang dibahas pada bab ini, hanya hubungan antara
dua variabel. Pemilihan jenis rumus untuk menguji hubungan variabel sangat
tergantung pada skala data pada masing-masing variabel, distribusi data, dan
banyaknya sampel.
Koefisien korelasi dinotasikan sebagai berikut:
X p− X q pq
rb= .
St Y
…...........................................................................................Rumus 1
Sumber: Cahyono, 2017
Keterangan:
rb = Koefisien korelasi biserial
Xp = Rata-rata kelompok kategori 1
Xq = Rata-rata kelompok kategori 2
St = Standar deviasi gabungan data kelompok 1 dan 2
p = Proporsi kelompok kategori 1 dari seluruh data gabungan
q = Proporsi kelompok kategori 1 dari seluruh data gabungan
Y = Tinggi ordinat p dan 1
Menurut Machali (2015), tingkat korelasi dan kekuatan hubungan dapat
diklasifikasikan sebagaimana tabel berikut:
Tabel 2.1 Tingkat Korelasi dan Kekuatan Hubungan
No Nilai Korelasi (r) Tingkat Hubungan
1 0,00 – 0,199 Sangat Lemah
2 0,20 – 0,399 Lemah
3 0,40 – 0,599 Cukup
4 0,60 – 0,799 Kuat
5 0,80 – 1,00 Sangat Kuat
109
Menurut Haslinda (2016), koefisien determinasi (R2) pada intinya
mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel
terikat. Nilai koefisien determinasi adalah di antara nol dan satu. Nilai R2 yang
celi berarti kemampuan variabel-variabel independent dalam menjelaskan variasi
variabel dependent amat terbatas. Nilai yang mendekati satu berarti variabel-
variabel independent memberikan hampir semua informasi yang dibutuhkan untuk
memprediksi variasi variabel dependent.
Koefisien determinasi dinotasikan sebagai berikut:
JKR JKG
r2 = =1- ...................................................................................Rumus 2
JKT JKT
Sumber: Mona, dkk (2015)
Keterangan:
r2 = Sampel
JKR = Jumlah kuadrat regresi
110
BAB 3
PENGUMPULAN DATA
Pada bab pengumpulan data pada praktikum statistika dan optimasi sistem
industri modul analisa korelasi akan membahas tentang pengumpulan data yang
dipergunakan dalam uji korelasi.
Seorang pengusaha akan meneliti tentang tokonya. Pengusaha ini akan
meneliti hubungan antara promosi dan fasilitas terhadap jumlah pengunjung, data
yang diambil selama 24 hari kerja. Seperti yang terlihat pada tabel 3.1 adalah data
yang diperoleh dalam 24 hari meneliti yaitu sebagai berikut:
Tabel 3.1 Data Hasil Penelitian
Jumlah
Pengunjung Promosi (Y) Fasilitas (Z)
(X)
230 145 240
210 157 261
200 264 279
150 246 183
170 135 138
175 268 206
180 130 199
120 160 209
220 290 214
230 224 260
200 240 281
150 150 216
140 140 253
195 270 159
135 290 149
240 240 223
230 250 263
155 160 226
150 180 229
180 130 199
205 155 157
130 154 198
200 220 204
180 240 266
111
Di mana jika diketahui nilai nyata (α) dan jenis hipotesanya sebagai berikut:
1. Nilai nyata (α) sebesar 0,05.
2. H0 menyatakan bahwa tidak ada hubungan antara promosi dan fasilitas
terhadap jumlah pengunjung.
3. H1 menyatakan bahwa adanya hubungan antara promosi dan fasilitas
terhadap jumlah pengunjung.
112
BAB 4
PENGOLAHAN DATA
Pada bab pengolahan data ini akan membahas tentang langkah - langkah
pengolahan data serta analisis data dan output untuk memberikan gambaran
tentang analisa korelasi pada praktikum statistika dan optimasi sistem industri
modul analisa korelasi.
4.1 Langkah - Langkah Pengolahan Data Korelasi
Berikut ini adalah langkah - langkah pengolahan data korelasi diuraikan
sebagi berikut.
Gambar 4.1 Tampilan Icon SPSS Di Layar Desktop Komputer

2. Input data pada variable view beri nama pada label jumlah pengunjung
untuk variabel X, promosi untuk variabel Y, dan fasilitas untuk variabel Z,
113

4. Klik analyse pada toolbar lalu klik correlate, lalu arahkan kursor ke kanan
setelah itu pilih bivariate seperti yang telihat pada gambar 4.4 sebagai
berikut:
114
5. Kemudian pada kotak dialog bivariate correlation pindahkan semua
variabel ke kotak variable, lalu centang pearson pada kolom correlation
coeffecients dan klik two-tailed pada kolom test of significance seperti yang
terlihat pada gambar 4.5 sebagai berikut:
Gambar 4.5 Kotak Dialog Bivariate Correlations

6. Selanjutnya klik options pada kotak dialog bivariate correlations kemudian
klik exclude cases pairwise pada kolom missing values lalu klik continue
Gambar 4.6 Kotak Dialog Bivariate Correlations: Options
115
Gambar 4.7 Hasil Output Correlations Pearson

Dari gambar 4.7 analisa hasil Output Correlations Pearson yaitu sebagai
berikut:
1. Hubungan antara jumlah pengunjung terhadap promosi diperoleh hasil
sebesar 0,285 yang berarti tingkat korelasi rendah atau lemah. Nilai
signifikansi antara jumlah pengunjung terhadap promosi diperoleh hasil
sebesar 0,176 lebih besar dari nilai α 0,05 [sig ¿ α ] yang berarti tidak ada
korelasi yang signifikan antara jumlah pengunjung dengan promosi.
2. Hubungan antara jumlah pengunjung terhadap fasilitas diperoleh hasil
signifikansi antara jumlah pengunjung terhadap fasilitas diperoleh hasil
korelasi yang signifikan antara jumlah pengunjung dengan fasilitas.
3. Hubungan antara promosi terhadap fasilitas diperoleh hasil sebesar 0,089
yang berarti tingkat korelasi rendah atau lemah. Nilai signifikansi antara
promosi terhadap fasilitas diperoleh hasil sebesar 0,680 lebih besar dari nilai
α 0,05 [sig ¿ α ] yang berarti tidak ada korelasi yang signifikan antara
promosi dengan fasilitas.
116
Gambar 4.8 Hasil Output Correlations Spearman’s
Dari gambar 4.8 analisa hasil Output Correlations Spearman’s yaitu sebagai
berikut:
1. Hubungan antara jumlah pengunjung terhadap promosi diperoleh hasil
signifikansi antara jumlah pengunjung terhadap promosi diperoleh hasil
korelasi yang signifikan antara jumlah pengunjung dengan promosi.
2. Hubungan antara jumlah pengunjung terhadap fasilitas diperoleh hasil
signifikansi antara jumlah pengunjung terhadap fasilitas diperoleh hasil
korelasi yang signifikan antara jumlah pengunjung dengan fasilitas.
3. Hubungan antara promosi terhadap fasilitas diperoleh hasil sebesar 0,122
yang berarti tingkat korelasi rendah atau lemah. Nilai signifikansi antara
promosi terhadap fasilitas diperoleh hasil sebesar 0,569 lebih besar dari nilai
α 0,05 [sig ¿ α ] yang berarti tidak ada korelasi yang signifikan antara
promosi dengan fasilitas.
117
BAB 5
Pada bab kesimpulan dan saran ini akan membahas tentang kesimpulan yan
g didapat dari setiap pembahasan bab sebelumnya serta saran pada praktikum stati
stik dan optimasi sistem industri modul analisa kolerasi.
5.1 Kesimpulan
Berikut adalah kesimpulan dari praktikum statistik dan optimasi sistem indu
stri dalam modul analisa kolerasi menggunakan SPSS dapat diuraikan sebagai beri
kut:
1. Analisa kolerasi adalah cara untuk mengetahui ada atau tidak adanya hubun
gan antar variabel misalnya hubungan dua variabel. Apabila terdapat hubun
gan antar variabel maka perubahan yang terjadi pada salah satu varia
bel akan mengakibatkan terjadinya perubahan pada variabel lainnya. Jadi, d
ari analisa korelasi dapat diketahui hubungan antar variabel tersebut, yaitu
merupakan suatu hubungan kebetulan atau memang hubungan sebenarnya.
2. Penelitian korelasi mempunyai 3 karakteristik penting bagi para peneliti
yang akan manggunakannya. Tiga karakteristik tersbut di antaranya yaitu:
a. Penelitian korelasi tepat bila variabel kompleks dan peneliti tidak
memungkinkan untuk melakukan manipulasi dan mengontrol variabel
seperti pada penelitian eksperimen.
b. Memungkinkan variabel dilakukan pengukuran secara intensif dalam setting
atau lingkungan nyata.
c. Memungkinkan peneliti memperoleh derajat asosiasi yang signifikan.
Metode analisis korelasi di antaranya sebagai berikut:
a. Analisa korelasi sederhana (Bivariate Correlation) digunakan untuk
mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui
arah hubungan yang terjadi. Koefisien korelasi sederhana menunjukkan
seberapa besar hubungan yang terjadi antara dua variabel.
b. Regresi ganda (Multiple Regresion) teknik ini digunakan untuk
memprediksi suatu fenomena yang kompleks, karena jika hanya dengan
menggunakan satu faktor (variabel prediktor) seringkali hasilnya kurang
118
akurat. Dalam banyak hal, semakin banyak informasi yang didapat semakin
akurat prediksi yang bisa dibuat, yaitu dengan menggunakan kombinasi dua
atau lebih variabel prediktor.
3. Hasil output correlations pearsons dapat dianalisa bahwa tingkat korelasi
yang dihasilkan sebesar 0,680 yang artinya tingkat korelasi rendah atau
lemah, di mana kedua variabel (promosi dan fasilitas) tidak terdapat
korelasi. Untuk hasil tingkat sig. (2-tailed) sebesar 0,089, di mana lebih
besar signifikan daripada α sebesar 0,05 [sig>α] sehingga H₀ diterima dan
H₁ ditolak. Jadi tidak ada hubungan antara promosi dan fasilitas terhadap
jumlah pengunjung.
Hasil output corelations spearman’s dapat dianalisa bahwa tingkat korelasi
yang dihasilkan sebesar 0,569 yang artinya tingkat korelasi rendah atau
lemah, di mana kedua variabel (promosi dan fasilitas) tidak terdapat
korelasi. Untuk hasil tingkat sig. (2-tailed) sebesar 0,122, di mana lebih
besar signifikan daripada α sebesar 0,05 [sig>α] sehingga H₀ diterima dan
H₁ ditolak. Jadi tidak ada hubungan antara promosi dan fasilitas terhadap
jumlah pengunjung.
5.2 Saran
Saran dari kelompok kami sekali lagi kami mengkritik soal pelaksanaan
praktikum daring mohon untuk tepat waktu dalam pelaksanaannya. Seharusnya
kalau memang ada kendala dalam pelaksanaannya harusnya dipersiapkan lebih
awal.
119
DAFTAR PUSTAKA
Astuti, Cindy Cahyaning. 2017. “Journal of Information and Computer

Technology Education”. Sidoarjo: Universitas Muhammadiyah Sidoarjo.
Vol. 01, No. 01, Hal 1-7.
Cahyono, Tri. 2017. “Statistik Uji Korelasi”. Purwokerto: Yayasan Sanitarian
Banyumas (Yasamas).
Haslinda, dan Jamaluddin M. 2016. “Pengaruh Perencanaan Anggaran dan
Evaluasi Anggaran Terhadap Kinerja Organisasi dengan Standar Biaya
Sebagai Variabel Moderating pada Pemerintah Daerah Kabupaten Wajo”.
Makasar: UIN Makassar. Vol. 02, No. 01, Hal 1-16.
Kurniawan, Robert dan Budi Yuniarto. 2016. “Analisis Regresi:Dasar dan
Penerapannya dengan R”. Jakarta: PT Kharisma Putra Utama.
Mona, Margaretha G. Dkk. 2015. “Penggunaan Regresi Linear Berganda untuk
Menganalisis Pendapatan Petani Kelapa Studi Kasus: Petani Kelapa Di
Desa Beo, Kecamatan Beo Kabupaten Talaud”. Manado: Unsrat Manado.
Fakultas Matematika dan Ipa. Vol. 04, No. 02, Hal. 197-203.
Ponto, Steva Olviyanti. Dkk. 2015. “Analisis Korelasi Sektor Pertanian Terhadap
Tingkat Kemiskinan di Kabupaten Kepulauan Sangihe”. Manado:
Universitas Sam Ratulangi. Fakultas Ekonomi dan Bisnis. Vol. 15, No. 04,
Hal. 137-147.
Putri, Ramalia Noratama. Dkk. 2016. “Analisa Korelasi Peningkatan Jumlah
Penelitian Dengan Tingkat Beban Kerja Dosen Menggunakan Metode
Backpropagation”. Riau: STMIK. Vol. 01, No. 02, Hal. 105-116.
Zulkifli, dan Maria Goreti Solot. 2018. “Effect of Offline Customer and Customer
Online to Sales at Toko 3 Second Plaza Mulia Samarinda”. Samarinda:
UWGM. Vol. 07, No. 01, Hal. 45-55.
120
Modul 7
ONE WAY ANOVA
BAB 1
PENDAHULUAN
Pada bab pendahuluan ini akan membahas tentang latar belakang dan
tujuan pada praktikum statistika dan optimasi sistem industri modul one way
ANOVA.
1.1 Latar Belakang
Banyak analisis data bertujuan untuk mengetahui apakah ada hubungan
antara duaatau lebih peubah. Bila hubungan demikian ini dapat dinyatakan dalam
bentuk rumus matematik, maka kita akan dapat menggunakannya untuk keperluan
identifikasi selanjutnya. Masalah identifikasi dapat dilakukan dengan menerapkan
persamaan regresi dan menentukan korelasi (hubungan) data. Sering kali kita
menghadapi banyak rata-rata (lebih dari dua rata-rata). Apabila kita mengambil
Langkah pengujian perbedaan rata-rata tersebut satu persatu (dengan T test) akan
memakan waktu, tenaga yang banyak. Di samping itu, kita akan menghadapi
resiko salah yang besar. Untuk itu, telah ditemukan cara analisis yang
mengandung kesalahan lebih kecil dan dapat menghemat waktu serta tenaga yaitu
dengan ANOVA (Analisys of variances).
Analisis of variance atau ANOVA merupakan salah satu teknik analisis
multivariate yang dapat berfungsi untuk membedakan rerata lebih dari dua
kelompok data dengan cara membandingkan variansinya. Analisis varians dapat
dilakukan untuk menganalisis data yang berasal dari berbagai macam jenis dan
desain peneliti. Analisis varians juga banyak dipergunakan dalam penelitian –
penelitian yang banyak melibatkan penguji komparatif yaitu menguji variable
terikat dengan cara membandingkan pada kelompok – kelompok sampel
independentt yang diamati.
Analisis varians saat ini banyak dipergunakan dalam penelitian survey dan
dalam penelitian eksperimen. Dan Analisis of variance atau ANOVA banyak
faktor yang terlibat, maka ANOVA dibedakan menjadi dua yaitu: ANOVA tunggal
atau ANOVA satu arah, ANOVA ganda atau ANOVA lebih dari satu. Menurut
banyak faktor (kriteria) yang menjadi pusat perhatian, ANOVA dibagi menajdi
ANOVA satu arah, ANOVA dua arah, dan ANOVA multi arah. Penerapan ANOVA
121
satu arah dalam dunia industri adalah untuk menguji rata-rata dan hasil
pengamatan yang dilakukan pada sebua perusahaan ataupun industri.
Adapun tujuan dari praktikum statistika dan optimasi sistem industri
modul one way ANOVA dapat diuraikan sebagai berikut.
1. Mampu memahami tentang uji ANOVA
2. Mampu memahami tentang one way ANOVA.
3. Mampu memahami tentang uji hipotesis.
4. Mampu menghasilkan manganalisa hasil output one way ANOVA dengan
software SPSS.
122
BAB 2
Pada bab kajian pustaka dan dasar teori ini akan membahas tentang teori
dasar dari praktikum statistika dan optimasi sistem industri modul one way
ANOVA.
2.1 Uji ANOVA
Menurut Marpaung (2017), uji ANOVA adalah bentuk khusus dari analisis
statistik yang banyak digunakan dalam penelitian eksperimen. Uji ANOVA juga
adalah bentuk uji hipotesis statistik di mana kita mengambil kesimpulan
berdasarkan data atau kelompok statistik inferentif. Hipotesis nol dari uji ANOVA
adalah bahwa data adalah simple random dari populasi yang sama sehingga
memiliki ekspektasi mean dan varians yang sama.
Menurut Raupong (2017), analisis variansi adalah prosedur yang mencoba
menerapkan porsi variansi ini pada setiap kelompok dari variabel independent.
Teknik ini membandingkan secara simultan beberapa variabel sehingga bisa
memperkecil kemungkinan kesalahan. Keuntungan dari penggunaan analisis
variansi adalah mampu melakukan perbandingan untuk banyak variabel. Tujuan
dari analisis variansi adalah untuk menemukan variabel independent dalam
penelitian dan bagaimana mereka berinteraksi dan mempengaruhi perlakuan.
Menurut Rustan (2019), analisis variansi atau analisis selisih dimaksudkan
untuk tujuan perencanaan atau pengendalian manajerial dalam konteks program
Perencanaan dan Pengendalian Laba (LPP) yang komprehensif. Analisis variansi
adalah analisis yang dilakukan untuk mengetahui ada tidaknya penyimpangan
realisasi dibandingkan dengan anggarannya. Berdasarkan pernyataan tersebut
dapat disimpulkan bahwa suatu selisih dapat dianggap menguntungkan atau tidak
menguntungkan.
2.2 Asumsi Dasar Analisis Varians
Menurut Rangkuti (2017), analisis varians termasuk jenis analisis statistik
parametrik. Oleh karena itu, ANOVA memiliki asumsi-asumsi ke parametrikkan,
yaitu:
123
1. Sampel harus berasal dari populasi yang berdistribusi normal (asumsi
normalitas).
2. Nilai nilai varian dalam kelompok kelompok sampel harus menunjukkan
adanya homogenitas (asumsi homogenitas).
3. Data yang akan dianalisis berjenis interval atau rasio sampel.
4. Penelitian harus diambil secara random.
2.3 Prosedur Uji ANOVA
Menurut Harinaldi (2005), prosedur uji ANOVA secara umum prosedur uji
ANOVA mengikuti prosedur uji hipotesis yang terdiri dari 7 langkah sebagaimana
yang telah dibahas pada uji uji hipotesis sebelumnya.
1. Pernyataan hipotesis nol dan hipotesis alternatif.
Dalam uji ANOVA, hipotesis nol nya adalah sampel sampel yang diambil
dari populasi populasi saling independent yang memiliki mean sama dengan kata
lain, hipotesis nol dan hipotesis alternatif nya adalah:
2. Pemilihan tingkat kepentingan atau level of significance.
Biasanya digunakan tingkat kepentingan 0,01 dan 0,05.
3. Penentuan distribusi pengujian yang digunakan.
Dalam uji ANOVA ini yang digunakan adalah distribusi F. Nilai-nilai dari
distribusi F telah disajikan dalam bentuk tabel yang dapat digunakan dengan
memenuhi tiga hal sebagai berikut:
a. Tingkat kepentingan atau level of significance.
b. Derajat kebebasan atau degree of Freedom (dfnum) yang digunakan sebagai
pembilang dalam rasio uji adalah.
dfnum = k – 1.............................................................................................. Rumus 1
c. Derajat kebebasan degree of freedom (dfden) yang digunakan sebagai
penyebut dalam rasio adalah.
dfden = T – k..................................................................................................Rumus 2
Keterangan:
T = Jumlah total anggota sampel di seluruh populasi yang diuji.
K = Jumlah populasi atau sampel.
124
4. Pendefinisian daerah daerah penolakan atau krisis.
Daerah penerimaan dan penolakan dibatasi oleh nilai kritis Fcr.
5. Pernyataan aturan keputusan atau decision rule.
Tolak Ho dan terima H1 jika RUF > Fcr jika tidak demikian, terima Ho.
6. Perhitungan rasio uji.
Rumus yang digunakan untuk menghitung rasio uji (nilai F) adalah.
σ^ 2 antara
RUF = Ftest = .................................................................................Rumus 3
σ^ 2 dalam
Keterangan:
σ^ antara = banyaknya anggota sampel dikali mean dibagi dfnum.
2
2
σ^ dalam = jumlah dari simpangan kuadrat dibagi dfden.
7. Pengambilan keputusan secara statistik.
Jika nilai rasio uji berada di daerah penerimaan maka hipotesis nol diterima,
sedangkan jika berada di daerah penolakan maka hipotesis nol ditolak.
2.4 One Way ANOVA
Menurut Siregar (2017), one way ANOVA atau analisis ragam satu arah
biasanya digunakan untuk menguji rata-rata atau pengaruh perlakuan dari suatu
percobaan yang menggunakan satu faktor, di mana satu faktor tersebut memiliki 3
atau lebih kelompok. Disebut satu arah karena si peneliti dalam penelitiannya
hanya berkepentingan dengan satu faktor saja atau juga dapat dikatakan one way
ANOVA mengelompokkan data berdasarkan suatu kriteria saja, misalnya ingin
mengetahui ada perbedaan yang nyata antara rata-rata hitung tiga kelompok data
dan uji statistik tanya yang digunakan uji F.
Menurut Putri (2016), penggunaan one way ANOVA atau analisis varians
satu arah, yang digunakan untuk menguji signifikansi perbedaan rata-rata hitung
yang hanya mencakup satu klasifikasi. Klasifikasi yang dimaksud dalam
penelitian ini adalah efisiensi.
2.5 Langkah – Langkah Pengujian One Way ANOVA
Menurut Hanief (2017), berikut adalah langkah – langkah yang digunakan
dalam pengujian one way ANOVA:
125
1. Sebelum ANOVA dihitung, asumsikan bahwa data dipilih secara random,
berdistribusi normal dan variannya homogen.
2. Buatlah hipotesis (Hα dan Ho) dalam bentuk kalimat.
3. Buatlah hipotesis (Hα dan Ho) dalam bentuk statistik.
4. Buatlah daftar statistik induk.
5. Hitunglah jumlah kuadrat antar grup (JKA) dengan rumus:
JK A =∑ ¿ ¿ ¿ ¿ .............................................................................................Rumus 4
Sumber: Hanief, 2017
Keterangan:
Xn = Sampel
XA = Jumlah sampel
nA = Jumlah sampel setiap kelompok
N = Total sampel
6. Hitung derajat bebas antar grup dengan rumus:
dbA = A - 1 ...................................................................................................Rumus 5
Keterangan:
A = Jumlah kelompok
7. Hitung lah kuadrat rata-rata antar grup (KRA) dengan rumus:
JK A
KRA = ................................................................................................Rumus 6
db A
Keterangan:
JKA = Jumlah kuadrat antar grup
dbA = Derajat kebebasan
8. Hitung jumlah kuadrat dalam antar grup (JKD) dengan rumus:
JK A =∑ xt −¿ ¿ ¿ .......................................................................................Rumus 7
2

Keterangan:
x t = Jumlah sampel
XA = Jumlah sampel
N = Total sampel
126
9. Hitung derajat bebas dalam grup dengan rumus:
dbD = N - A ............................................................................................. Rumus 8

Keterangan:
N = Jumlah anggota
A = Jumlah populasi
10. Hitung kuadrat rerata dalam antar grup dengan rumus:
JK D
KRD = ................................................................................................Rumus 9
db D
Keterangan:
JKD = Jumlah kuadrat dalam grup
dbD = Derajat Kebebasan dalam grup
11. Carilah Fhitung dengan rumus:
KR D
Fhitung = ..............................................................................................Rumus 10
KR A
Keterangan:
KRD = Kuadrat dalam grup
KRD = Kuadrat antara grup
12. Tentukan taraf signifikansinya, misal α = 0,05 atau α = 0,01.
13. Cari Ftabel dengan rumus:
Ftabel = F(1-α)(dbA- dbD) .............................................................................Rumus 11
Keterangan:
dbA = Derajat kebebasan antara grup
dbD = Derajat kebebasan antara grup
14. Buat tabel ringkasan ANOVA.
15. Tentukan kriteria pengujian: Jika Fhitung ≥ Ftabel, maka tolak Ho berarti
signifikan dan konsultasikan antara Fhitung dengan Ftabel kemudian
bandingkan.
16. Buatlah kesimpulan
127
BAB 3
PENGUMPULAN DATA
Pada bab ini akan membahas tentang pengumpulan data pada praktikum
statistika dan optimasi sistem industri modul one way ANOVA.
Sebuah kelas telah melakukan ujian tengah semester, dimana ada 30 siswa
yang mengikuti ujian tersebut. Ada 5 mata pelajaran yang diujikan, setiap guru
pengampu mata pelajaran tersebut ingin mengetahui perbedaan nilai rata - rata
pada tiap mata pelajaran tersebut. Berikut datanya terlihat pada tabel 3.1 di bawah
ini.
Tabel 3.1 Nilai Hasil UTS
Mata
Nilai UTS
Pelajaran
1 95 80 65 80 70 60
2 75 70 85 70 65 90
3 80 60 80 60 85 75
4 85 90 95 90 75 65
5 65 90 90 95 80 75
Keterangan:
1. Fisika
2. Matematika
3. Biologi
4. Kimia
5. Bahasa Indonesia
Dari permasalahan di atas dapat diketahui pada hubungan antara lima jenis
mata pelajaran dengan tingkat perolehan nilai, yaitu sebagai berikut:
H0 = tidak adanya perbedaan nilai ujian tegah semester terhadap 5 jenis mata
pelajaran yang diujikan.
128
H1 = adanya perbedaan nilai ujian tegah semester terhadap 5 jenis mata
pelajaran yang diujikan.
α = 0,05
a. Dengan kriteria pengujian:
Jika Fhitung ˂ Ftabel, maka H0 diterima.
Jika Fhitung > Ftabel, maka H0 ditolak.
b. Dan berdasarkan signifikansi:
Jika signifikansi > 0,05, maka H0 diterima yang berarti varians kelompok
data adalah sama (homogen).
Jika signifikansi < 0,05, maka H0 ditolak yang berarti varians kelompok data
adalah tidak sama (tidak homogen).
129
BAB 4
PENGOLAHAN DATA
Pada bab ini akan membahas tentang pengolahan data pada praktikum
4.1 Pengolahan data
Adapun langkah-langkah pengerjaan dari program SPSS dapat diuraikan
sebagai berikut:
1. Buka software SPSS di layar desktop kompter. Seperti yang terlihat pada

2. Entry data untuk variable jenis mata pelajaran dan total siswa. Terlihat pada
gambar 4.2 di bawah ini.
Gambar 4.2 Entry Data Variable View

3. Untuk value gunakan kode, terlihat pada gambar 4.3 di bawah ini.
1. Untuk kode Fisika
2. Untuk kode Matematika
3. Untuk kode Biologi
4. Untuk kode Kimia
5. Untuk kode Bahasa Indonesia
130
4. Masukan data pada data view seperti tampilan gambar 4.4 di bawah ini:
Gambar 4.4 Tampilan Memasukan Data pada Data View
131
Gambar 4.4 Tampilan Memasukan Data pada Data View (Lanjutan…)
5. Pilih analyze klik compare mean selanjutnya pilih dan klik one way
ANOVA. Terlihat pada gambar 4.5 di bawah ini:
132
6. Masukan variabel total pelanggan ke dependent list dengan klik sekali,
kemudian klik tanda panah di depan isian dependent list. Terlihat pada
gambar 4.6 di bawah ini.

7. Klik pada jenis mata pelajaran, lalu tekan panah di depan isian factor.
Terlihat pada gambar 4.7 di bawah ini.

8. Klik options, aktifkan descriptive dan homogeneity of variance test dan pilih
exclude cases analysis by analysis. Terlihat pada gambar 4.8 di bawah ini.

9. Klik continue dan klik ok sehingga muncul output seperti pada gambar 4.9,
gambar 4.10 dan gambar 4.11.
133
Gambar 4.9 Output Descriptives Jenis Mata Pelajaran
Berdasarkan gambar 4.9 di atas dapat dianalisa bahwa rata-rata dari nilai
ujian tengah semester pada mata pelajaran Fisika diketahui sebesar 75 dengan
standart deviation sebesar 12,649 dan standart error mean sebesar 5,164. Jumlah
rata-rata dari nilai ujian tengah semester pada mata pelajaran Matematika
diketahui sebesar 75,83 dengan standart deviation sebesar 9,704 dan standart
error mean sebesar 3,962. Jumlah rata-rata dari nilai ujian tengah semester pada
mata pelajaran Biologi diketahui sebesar 73,33 dengan standart deviation sebesar
10,801 dan standart error mean sebesar 4,410. Jumlah rata-rata dari nilai ujian
tengah semester pada mata pelajaran Kimia diketahui sebesar 83,33 dengan
standart deviation sebesar 11,255 dan standart error mean sebesar 4,595. Serta
jumlah rata-rata dari nilai ujian tengah semester pada mata pelajaran Bahasa
Indonesia diketahui sebesar 82,50 dengan standart deviation sebesar 11,292 dan
standart error mean sebesar 4,610. Sehingga total keseluruhan jumlah data data
adalah 30, dengan mean sebesar 78,00, simpangan baku data sebesar11,188
dengan standart error sebesar 2,043. nilai minimum sebesar 60 dan nilai
maksimum sebesar 95 Dengan rata-rata nilai ujian tengah semester tertinggi
terdapat pada mata pelajaran Kimia dan rata-rata nilai ujian tengah semester
terendah terdapat pada mata pelajaran Fisika .
Gambar 4.10 Output Data Test Of Homogeneity Of Variances
134
Berdasarkan gambar 4.10 di atas dapat dianalisa bahwa derajat kebebasan
yang pertama adalah 4, sedangkan derajat kebebasan yang kedua adalah 25,
sedangkan untuk mengetahui tingkat signifikasi dalam pengujian ini
menggunakan 0,05, dan hasil dari uji test of homogeneity of variances nilai
signifikasinya sebesar 0,968. Maka data tersebut dikatakan bahwa varian dari dua
atau lebih kelompok populasi data adalah sama dan dapat diterima karena nilai
signifikan lebih besar dari α yaitu 0,05.
Gambar 4.11 Output Data ANOVA

Berdasarkan gambar 4.11 di atas dapat dianalisa bahwa dari uji ANOVA
diketahui bahwa nilai Fhitung sebesar 1,010 dan nilai Ftabel sebesar 3,06. Sedangkan
nilai signifikan dari output data tersebut mendapatkan nilai sebesar 0,421.
Dikarenakan Fhitung lebih kecil dari Ftabel [Fhitung ˂ Ftabel] yang artinya H0 diterima.
Berarti bahwa tidak adanya perbedaan nilai ujian tegah semester terhadap 5 jenis
mata pelajaran yang diujikan. Serta dikarenakan nilai signifikan lebih besar dari
nilai α [sig. ˃ α] maka maka H0 diterima yang berarti varians kelompok data
adalah sama (homogen).
135
BAB 5
5.1 Kesimpulan
industri modul one way ANOVA terlihat sebagai berikut:
1. Uji ANOVA adalah bentuk uji hipotesis statistik di mana kita mengambil
kesimpulan berdasarkan data atau kelompok statistik inferentif. Hipotesis
nol dari uji ANOVA adalah bahwa data adalah simple random dari populasi
yang sama sehingga memiliki ekspektasi mean dan varians yang sama.
Sebagai contoh penelitian perbedaan perlakuan terhadap sampel pasien yang
sama. Hipotesis nol nya adalah semua perlakuan akan memiliki efek yang
sama.
2. One way ANOVA, yaitu analisis yang digunakan untuk menguji perbedaan
rata – rata anatara tiga atau lebih kelompok sampel yang independent.
Perbedaan dengan analisis independent samples T test, yaitu bahwa
independent samples T test menguji dua rata – rata kelompok sampel
sedangkan one way ANOVA menguji tiga atau lebih kelompok samples.
3. Uji hipotesis adalah yang dpergunakan untuk menguji kebenaran suatu
pernyataan secara statistic dan menarik kesimpulan apakah menerima atau
menolak. Dengan tujuan untuk menetapkan suatu dasar sehingga dapat
mengumpulkan bukti berupa data – data dalam mengambil keputusan, uji
hipotesis juga dapat memberikan kepercayaan diri dalam pengambilan
keputusan yang bersifat objektif.
4. Hasil output descriptives dapat dianalisa bahwa rata – rata jumlah nilai ujian
tengah semester pada mata pelajaran Fisika diketahui sebesar 75 dengan
standart deviation sebesar 12,649 dan standart error mean sebesar 5,164.
Jumlah rata-rata dari nilai ujian tengah semester pada mata pelajaran
Matematika diketahui sebesar 75,83 dengan standart deviation sebesar
136
9,704 dan standart error mean sebesar 3,962. Jumlah rata-rata dari nilai
ujian tengah semester pada mata pelajaran Biologi diketahui sebesar 73,33
dengan standart deviation sebesar 10,801 dan standart error mean sebesar
4,410. Jumlah rata-rata dari nilai ujian tengah semester pada mata pelajaran
Kimia diketahui sebesar 83,33 dengan standart deviation sebesar 11,255
dan standart error mean sebesar 4,595. Serta jumlah rata-rata dari nilai
ujian tengah semester pada mata pelajaran Bahasa Indonesia diketahui
sebesar 82,50 dengan standart deviation sebesar 11,292 dan standart error
mean sebesar 4,610. Dengan rata-rata nilai ujian tengah semester tertinggi
terdapat pada mata pelajaran Kimia dan rata-rata nilai ujian tengah semester
terendah terdapat pada mata pelajaran Fisika.
Hasil output data test of homogeneity of variances dapat dianalisa bahwa
dianalisa bahwa derajat kebebasan yang pertama adalah 4, sedangkan
derajat kebebasan yang kedua adalah 25, sedangkan untuk mengetahui
tingkat signifikasi dalam pengujian ini menggunakan 0,05, dan hasil dari uji
test of homogeneity of variances nilai signifikasinya sebesar 0,968. Maka
data tersebut dikatakan bahwa varian dari dua atau lebih kelompok populasi
data adalah sama dan dapat diterima karena nilai signifikan lebih besar dari
α yaitu 0,05.
Hasil output data ANOVA dapat dianalisa bahwa dianalisa bahwa dari uji
ANOVA diketahui bahwa nilai Fhitung sebesar 1,010 dan nilai Ftabel sebesar
3,06.Sedangkan nilai signifikan dari output data tersebut mendapatkan nilai
sebesar 0,421. Dikarenakan Fhitung lebih kecil dari Ftabel [Fhitung ˂ Ftabel] yang
artinya H0 diterima. Berarti bahwa tidak adanya perbedaan nilai ujian tegah
semester terhadap 5 jenis mata pelajaran yang diujikan.
5.2 Saran
dilaksanakan sesuai jadwal atau kesepakatan, jangan sampai ada molor - molor
137
DAFTAR PUSTAKA
Hanief, Yulingga Nanda. 2017. “Statistik Pendidikan”. Yogyakarta: CV BUDI

UTAMA.
Harinaldi. 2005. “Prinsip – Prinsip Statistik Untuk Teknik Dan Sains”. Jakarta:
Erlangga.
Marpaung, Junri Lasmon. 2017. “Penerapan Metode ANOVA Untuk Analisis Sifat
Mekanik Komposit Serabut Kelapa”. Manado: Universitas Sam Ratulangi.
Jurusan Teknik Mesin. Vol. 6, No. 2, Hal. 156-157.
Putri, Asti Madiana. 2016. “Analisis Efisiensi Bank Persero dan Bank Asing
dengan Metode Stochastic Frontier Analysis (SFA) dan Analysis Of
Variance (ANOVA) (Studi Kasus pada Bank Persero dan Bank Asing di
Indonesia periode tahun 2010-2014)”.Semarang: Universitas Diponegoro.
Fakultas Ekonomika dan Bisnis. Jurusan Manajemen. Vol. 5, No. 2, Hal. 1-
10.
Rangkuti, Anna Armeini. 2017. “Statistika Inferesial Untuk Psikologi Dan

Pendidikan”. Jakarta: Kencana.
Raupong. 2017. “Solusi Pendugaan Komponen Variansi Negatif pada Klasifikasi

Satu Arah Data Seimbang untuk Mengetahui Pengaruh Gizi Limbah
Sayuran dalam Pakan Terhadap Pertumbuhan Ikan Nila Gift”. Makassar:
Universitas Hasanuddin. Fakultas Matematika dan Ilmu Pengetahuan Alam.
Jurusan Matematika. Vol. 13, No. 2, Hal. 101-111.
Rustan, dkk. 2019. “Analisis Varians Biaya Operasional Dalam Mengukur

Efektivitas Pengendalian Biaya Operasional Pada Kantor Wilayah Vi Pt.
Pegadaian (Persero) Makassar”. Makassar: Universitas Muhammadiyah
Makassar. Vol. 2, No. 1, Hal. 1-6.
Siregar, Syofian. 2015. “Statistika Terapan Untuk Perguruan Tinggi”. Jakarta:

Kencana.
138
Modul 8
TWO WAY ANOVA
BAB 1
PENDAHULUAN
Pada bab pendahuluan ini akan membahas tentang latar belakang, tujuan,
dalam praktikum statistika dan optimasi sistem industri modul two way ANOVA.
1.1 Latar Belakang
Analisis varians menguji dua varians (atau ragam) berdasarkan hipotesis
nol bahwa kedua varians itu sama. Varians pertama adalah varians antar contoh
(among samples) dan varians kedua adalah varians di dalam masing – masing
contoh (within samples). Dengan semacam ini analisis varians dengan dua contoh
akan memberikan hasil yang sama untuk rata – rata.
Analisis of variance atau ANOVA merupakan salah satu teknik analisis
multivariate yang dapat berfungsi untuk membedakan rerata lebih dari dua
kelompok data dengan cara membandingkan variansinya. Analisis varians dapat
dilakukan untuk menganalisis data yang berasal dari berbagai macam jenis dan
desain peneliti. Analisis varians juga banyak dipergunakan dalam penelitian –
penelitian yang banyak melibatkan penguji komparatif yaitu menguji variable
terikat dengan cara membandingkan pada kelompok – kelompok sampel
independen yang diamati. Analisis varians saat ini banyak dipergunakan dalam
penelitian survey dan dalam penelitian eksperimen. Dan Analisis of variance atau
ANOVA banyak faktor yang terlibat, maka ANOVA dibedakan menjadi dua yaitu:
ANOVA tunggal atau ANOVA satu arah, ANOVA ganda atau ANOVA lebih dari
satu.
Two way ANOVA bisa menguji main effect dan juga interaction effect dari
masing – masing variable independent terhadap variable dependent. Main effect
merupakan pengaruh langsung salah satu variable independent terhadap variable
dependent dengan membandingkan rata – rata skor pada masing – masing kategori
variable dependent. Sedangkan interaction effect memberikan gambaran kepada
peneliti apakah pengaruh sebuah variable independent terhahadap variable
dependent berlaku untuk variable dependent lainnya atau tidak.
139
industri modul two way ANOVA.
1. Mampu mengetahui dan memahami tentang two way ANOVA
2. Mampu mengetahui dan memahami tentang pengujian hipotesis.
3. Mampu menghasilkan dan menganalisa hasil output dari uji two way
ANOVA dengan software SPSS.
140
BAB 2
Pada bab kajian pustaka dan dasar teori ini akan membahas tentang
pengertian analisis variansi (ANOVA), pengertian ANOVA dua arah (two way
ANOVA), serta pengujian hipotesis pada praktikum statistika dan optimasi sistem
2.1 Pengertian Anlisis Variansi
Menurut Talakua (2018), analisis variansi (ANOVA) adalah salah satu
metode untuk menguji hipotesis kesamaan rata-rata dari tiga atau lebih populasi.
Analisis variansi pertama kali diperkenalkan oleh Sir Ronald Fisher. Tujuan dari
analisis variansi untuk menguji apakah terdapat perbedaan yang signifikan antara
rata-rata beberapa kelompok populasi (lebih dari dua), melalui ukuran-ukuran
penyebaran (variansi) dari masing-masing kelompok populasi tersebut. Ada 3
asumsi yang mendasari analisis variansi, sebagai berikut:
1. Populasi-populasi yang diteliti memiliki distribusi normal.
Suatu data membentuk distribusi normal jika jumlah data di atas dan di
bawah mean adalah sama. Distribusi normal berupa kurva berbentuk
lonceng setangkup yang melebar tak berhingga pada kedua arah positif dan
negatifnya.
2. Populasi-populasi tersebut memiliki standar deviasi yang sama (atau
variansi yang sama).
Varian dan standar deviasi (simpangan baku) adalah ukuran-ukuran
keragaman (variasi) data statistik yang paling sering digunakan. standar
deviasi (simpangan baku) merupakan akar kuadrat dari varian. Oleh karena
itu, jika salah satu nilai dari kedua ukuran tersebut diketahui maka akan
diketahui juga nilai ukuran yang lain.
3. Sampel yang diambil dari populasi tersebut bersifat bebas, dan sampel
diambil secara acak.
Sampel acak atau random sederhana adalah pengambilan sebuah sampel
yang dilakukan dengan cara sedemikian rupa sehingga setiap individu yang
141
di dalamnya mempunyai kesempatan yang sama untuk dijadikan sampel
(probability sampling).
Menurut Fajrin (2016), analisis ragam adalah sebuah metode untuk
memeriksa hubungan antara dua atau lebih set data. Dengan kata lain ada
hubungan antara set data dengan melakukan analisis varians. Analisis varian
kadang- kadang disebut sebagai F-test. Suatu ciri analisis ragam adalah model ini
terparameterisasikan secara berlebih, artinya model ini mengandung lebih banyak
parameter dari pada yang dibutuhkan untuk mempresentasikan pengaruh-
pengaruh yang diinginkan.
Menurut Supriyadi (2018), analisis varian (ANOVA) adalah suatu metode
untuk menguraikan keragaman total data menjadi komponen-komponen yang
mengukur berbagai sumber keragaman. Anova digunakan apabila terdapat lebih
dari dua variabel. Dalam literatur Indonesia metode ini dikenal dengan berbagai
nama lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Ia merupakan
pengembangan dari masalah Behrens-Fisher, sehingga uji-F juga dipakai dalam
pengambilan keputusan. Analisis varians pertama kali diperkenalkan oleh Sir
Ronald Fisher, bapak statistika modern. Dalam praktek, analisis varians dapat
merupakan uji hipotesis (lebih sering dipakai) maupun pendugaan (estimation,
khususnya di bidang genetika terapan).
Menurut Budi (2018), Analysis Of Variance (ANOVA) adalah suatu metode
analisis statistika yang termasuk ke dalam cabang statistika inferensi. Dalam
literatur Indonesia metode ini dikenal dengan berbagai nama lain, seperti analisis
ragam, sidik ragam, dan analisis variansi. Dalam Analysis Of Variance hanya satu
hipotesis yang digunakan yaitu hipotesis dua arah (two tail). Artinya hipotesis ini
apakah ada perbedaan rata-rata. Biasanya hipotesis ini dituliskan dengan rumus
sebagai berikut:
H 0: µ1 = µ2 = µ3 =…= µn.............................................................................Rumus 1
Sumber: Budi, 2017
Keterangan:
Tidak ada perbedaan yang nyata antar rata-rata hitung dari n kelompok.
H 0: µ1 ≠ µ2 ≠ µ3 ≠…≠ µn.............................................................................Rumus 2
Sumber: Budi, 2017
142
Keterangan:
Ada perbedaan yang nyata antara rata-rata hitung dari n kelompok.
Menurut Talakua (2018), tabel analisis variansi (ANOVA), yang dinyatakan
sebagai berikut:
Tabel 2.1 Analisis variansi
Sumber Derajat Jumlah Kuadrat
Statistik F
vaiansi bebas kuadrat rata-rata
Perlakuan k-1 JKP KRP =JKP/(k-1) F =KRP/KRG
Galat K(n-1) JKG KRG = JKG/(k(n-1))
Total Nk-1 JKT
Berdasarkan tabel tabel di atas maka diperoleh rumus sebagai berikut:
k n 2
T
JKT = ∑ ∑ X ij -
2
.................................................................................Rumus 3
i=1 j=1 nk
Sumber: Talakua, 2018
k
JKP =
∑ T 2i -
T2
....................................................................................Rumus 4
i=1
nk
n
JKG = JKT - JKP .......................................................................................Rumus 5

Keterangan:
JKP = Jumlah kuadrat perlakuan
KRP = Kuadrat rata-rata perlakuan
KRG = Kuadrat rata-rata galat
Dengan daerah penolakan yaitu H 0 ditolak jika F hitung > F α (k−1 ,k (n−1 )).
2.2 Pengertian Two Way ANOVA
Menurut Zaien (2016), two way ANOVA diartikan sebagai pengujian
hipotesis beda tiga rata-rata atau lebih dengan dua faktor yang berpengaruh dan
interaksi antara kedua faktor tersebut ditiadakan. Metode two way ANOVA dapat
dengan interaksi dan tanpa interaksi, efek interaksi diperoleh setelah setiap kolom
dan blok baris diulang. Langkah-langkah pengujian klasifikasi dua arah tanpa
interaksi adalah sebagai berikut:
143
1. Menentukan formulasi hipotesis.
2. Menentukan taraf nyata (α) dan F tabelnya.
3. Menentukan kriteria pengujian.
4. Membuat analisis varians dalam bentuk tabel ANOVA seperti pada tabel 1
jika tanpa interaksi dan seperti tabel 2 jika dengan interaksi.
5. Membuat kesimpulan.
Menurut Hutauruk (2017), konsep analisis two way ANOVA didasarkan
pada konsep distribusi F dan biasanya dapat diaplikasikan untuk berbagai macam
kasus maupun dalam analisis hubungan antara berbagai variabel yang diamati.
Dalam perhitungan statistik, analisis variansi sangat dipengaruhi asumsi-asumsi
yang digunakan seperti kenormalan dari distribusi, homogenitas variansi dan
kebebasan dari kesalahan.
Menurut Sinaga (2019), ANAVA dua arah ini digunakan bila sumber
keberagaman yang terjadi tidak hanya karena satu faktor (perlakuan). Faktor lain
yang mungkin menjadi sumber keberagaman respon juga harus diperhatikan.
Faktor lain ini bisa berupa perlakuan lain atau faktor yang sudah terkondisi.
Ada beberapa asumsi yang dipakai dalam variansi dua arah yaitu sebagai
berikut:
1. Setiap skor dalam sel harus berdistribusi normal. Asumsi ini dapat sedikit di
abaikan jika sampel tiap sel cukup banyak.
2. Variasi skor pada setiap sel hendaknya homogen atau sama.
3. Skor yang ada bebas dari pengaruh variabel yang tidak diteliti.
Menurut Mufarrikoh (2020), hipotesis adalah pernyataan mengenai satu atau
lebih populasi yang perlu dibuktikan keabsahannya melalui prosedur pengujian
hipotesis. Pengujian hipotesis merupakan suatu proses melakukan perbandingan
antara nilai sampel (berasal dari data penelitian) dengan nilai hipotesis pada data
populasi.
Hasil dari pengujian hipotesis hanya ada dua kemungkinan yakni menerima
atau menolak suatu hipotesis. Penerimaan hipotesis terjadi karena nilai sampel
tidak cukup bukti menolak hipotesis atau istilah yang lebih sering digunakan
144
adalah hipotesis gagal ditolak. Sedangakan penolakan hipotesis terjadi karena
nilai sampel tidak cukup bukti menerima hipotesis.
Menurut Magdalena (2019), hipotesis adalah suatu pernyataan tentatif yang
merupakan dugaan mengenai apa saja yang sedang kita amati dalam usaha untuk
memahaminya. Hipotesis statistic sendiri adalah suatu anggapan atau pernyataan,
yang mungkin benar atau mungkin juga salah, mengenai satu populasi atau lebih.
Hipotesis yang dirumuskan dengan harapan akan ditolak memiliki istilah hipotesis
nol yang dilambangkan dengan H 0. Penolakan H 0 akan mengakibatkan
diterimanya hipotesis alternatif yang dilambangkan dengan H 1.
Menurut Hutauruk (2017), hipotesis dalam ANOVA (Analysis Of Variance)
dengan interaksi: dalam analysis of variance dua arah dengan interaksi terdapat
tiga hipotesis yang digunakan yaitu apakah ada perbedaan rata-rata antar kategori
baik kategori berdasarkan baris maupun kolom. hipotesis tambahan satu lagi yaitu
apakah ada interaksi antara kategori baris dan kolom.
Menurut Supriyono (2016), tahapan-tahapan pengujian hipotesis adalah
sebagai berikut:
1. Merumuskan hipotesis.
H0: Tidak ada pengaruh yang signifikan antara variabel independent
terhadap variabel dependent.
H1: Ada pengaruh yang signifikan antara variabel independent terhadap
variabel dependent.
2. Menentukan taraf signifikansi sebesar 0,05. Kriteria keputusan dengan taraf
signifikansi sebesar 0,05, maka H1 diterima jika signifikansi lebih kecil
sama dengan 0,05 dan T statistik lebih besar dari T tabel. H1 ditolak jika
signifikansi lebih besar dari 0,05 dan T statistik lebih kecil dari T tabel.
Untuk membuktikan hipotesis dalam penelitian ini apakah variabel bebas
berpengaruh terhadap variabel terikat, maka digunakan beberapa pengujian
yaitu (uji-t dan uji-F).
145
BAB 3
PENGUMPULAN DATA
Pada bab pengumpulan data berisi tentang data yang akan digunakan untuk
pengolahan data pada praktikum statistika dan optimasi sistem industri modul two
way ANOVA.
Seorang peneliti ingin meneliti apakah ada perbedaan tinggi badan pekerja
produksi PT Amoeba berdasarkan jenis kelamin (gender) yang usianya >20 tahun,
>25 tahun, >30 tahun, >35 tahun, >40 tahun dan >45 tahun. Berikut adalah data
yang diperoleh peneliti yang terlihat pada tabel 3.1 sebagai berikut:
Tabel 3.1 Data Two Way ANOVA Tinggi Badan
Gender
Usia 1 2 1 2 1 2 1 2 1 2
Tinggi Badan (cm)
1 159 156 170 157 164 152 168 150 170 159
2 167 154 173 160 166 161 163 157 178 160
3 172 155 167 157 180 150 169 167 177 155
4 165 166 170 166 169 169 176 159 180 155
5 176 160 176 156 178 151 171 157 176 150
6 171 165 169 169 168 156 177 160 178 159
Keterangan:
Usia 1 = > 20 tahun
Usia 2 = > 25 tahun
Usia 3 = > 30 tahun
Usia 4 = > 35 tahun
Usia 5 = > 40 tahun
Usia 6 = ˃ 45 tahun
Gender 1 = Laki-laki
Gender 2 = Perempuan
α = 0,05
146
Pengujian Terhadap Tinggi Badan Pekerja:
Ho’ = Tidak terdapat perbedaan rata – rata tinggi badan antar usia pekerja.
H1’ = Adanya perbedaan rata – rata tinggi badan antar usia pekerja.
Pengujian Terhadap Gender atau Jenis Kelamin:
Ho’’’ = Tidak terdapat perbedaan rata – rata tinggi badan antara pekerja laki –
laki dan perempuan.
H1’’ = Adanya perbedaan rata – rata tinggi badan antara pekerja laki – laki dan
perempuan.
Pengujian Terhadap Interaksi Lama Kerja dengan Gender:
Ho’’’’ = Tidak ada perbedaan rata-rata tinggi badan antara pekerja laki-laki yang
yang usianya >20 tahun, >25 tahun, >30 tahun, >35 tahun, >40 tahun, dan >45
tahun dengan pekerja perempuan yang usianya >20 tahun, >25 tahun, >30 tahun,
>35 tahun, >40 tahun, dan >45 tahun.
H1’’’ = Adanya perbedaan rata-rata tinggi badan antara pekerja laki-laki yang
usianya >20 tahun, >25 tahun, >30 tahun, >35 tahun, >40 tahun, dan >45 tahun
dengan pekerja perempuan yang usianya >20 tahun, >25 tahun, >30 tahun, >35
tahun, >40 tahun, dan >45 tahun.
a. Dengan kriteria pengujian sebagai berikut:
Jika Fhitung ≤ Ftabel, maka Ho’’, Ho’’’, dan Ho’’’’ diterima.
Jika Fhitung ≤ Ftabel, maka Ho’’, Ho’’’, dan Ho’’’’ ditolak.
b. Dan berdasarkan signifikansi sebagai berikut:
Jika sig > 0,05, maka varians kelompok data adalah homogen (sama)
Jika sig < 0,05, maka varians kelompok data adalah tidak homogen.
147
BAB 4
PENGOLAHAN DATA
Pada bab pengolahan data ini akan membahas tentang proses pengolahan
data yang telah dikumpulkan selama praktikum dengan pengolahan data
menggunakan aplikasi SPSS pada praktikum statistika dan optimasi sistem
4.1 Pengolahan Data
Adapun langkah-langkah pengolahan data dalam metode two way
ANOVA dengan menggunakan aplikasi SPSS adalah sebagai berikut:
1. Buka software SPSS di layar desktop komputer. Seperti pada gambar 4.1
berikut ini.

2. Klik variable view, kemudian isi variabelnya. Seperti terlihat pada gambar
4.2 berikut ini:
Gambar 4.2 Variable View
148
3. Klik values pada variabel usia, kemudian masukkan kode di bawah ini.
Seperti pada gambar 4.3 berikut ini:
1. Untuk kode > 20 tahun.
Gambar 4.3 Kotak Dialog Values Labels

4. Klik values pada variabel gender, kemudian masukkan kode di bawah ini.
Seperti pada gambar 4.4 berikut ini:
1. Untuk kode laki-laki.
2. Untuk kode perempuan.
Gambar 4.4 Kotak Dialogue Value Labels
149
5. Selanjutnya klik data view lalu masukkan data yang telah dikumpulkan.
Seperti yang terlihat pada gambar 4.5 berikut ini:
150
6. Klik analyze kemudian pilih general linear model, klik univariate. Seperti
terlihat pada gambar 4.6 berikut ini:
151
7. Maka akan muncul kotak dialogue univariate, pada kolom dependent
variable masukkan (tinggi badan), pada kolom fixed factor masukkan (usia
dan gender). Seperti yang terlihat pada gambar 4.7 berikut ini:
Gambar 4.7 Menu Dialogue Univariate

8. Klik options kemudian akan muncul kotak dialogue univariate options.
Pilih descriptive statistic dan homogeneity test lalu klik continue.
Gambar 4.8 Kotak Dialogue Univariate Options
152
9. Terakhir klik ok, kemudian akan muncul output seperti yang terlihat pada
gambar 4.9, gambar 4.10, gambar 4.11, dan gambar 4.12, sebagai berikut:
Gambar 4.9 Output Between Subjects Factors

Dari output data between subjects factors pada gambar 4.9 menunjukkan
jumlah N dari setiap tingkatan usia yang diuji masing-masing adalah 10
sedangkan pada jenis kelamin laki-laki dan perempuan masing-masing adalah 30.
153
Gambar 4.10 Output Descriptive Statistics
Dari output data descriptive statistics pada gambar 4.10 dapat dianalisa
bahwa:
a. Usia 20 tahun memiliki total mean sebesar 160,50 dan standar deviasi
sebesar 7,215.
b. Usia 25 tahun memiliki total mean sebesar 163,90 dan standar deviasi
sebesar 7,310.
c. Usia 30 tahun memiliki total mean sebesar 164,90 dan standar deviasi
sebesar 10,710.
d. Usia 35 tahun memiliki total mean sebesar 167,50 dan standar deviasi
sebesar 7,292.
e. Usia 40 tahun memiliki total mean sebesar 165,10 dan standar deviasi
sebesar 11,348.
154
f. Usia 45 tahun memiliki total mean sebesar 167,20 dan standar deviasi
sebesar 7,330.
Gambar 4.11 Output Levene’s Test of Equality Error Variances

Berdasarkan output levene’s test of equality error variances pada gambar
4.11 dapat dianalisa sebagai berikut:
a. Nilai Fhitung sebesar 0,955 dan nilai Ftabel 1,99 (dengan df1 sebesar 11 dan
df2 sebesar 48), sehingga dapat disimpulkan bahwa Fhitung ˂ Ftabel sehingga
H0’’’ diterima dan H1’’’ ditolak yang artinya tidak ada perbedaan rata – rata
tinggi badan antara jenis kelamin laki – laki maupun perempuan dari usia 20
tahun, 25 tahun, 30 tahun, 35 tahun, 40 tahun, dan 45 tahun.
b. Nilai signifikansi sebesar 0,499 lebih dari alfa 0,05 (sig. ˃ α) maka dapat
ditarik kesimpulan bahwa varian kelompok data adalah sama atau homogen.
Gambar 4.12 Output Tests of Between
155
Dari hasil output data tests of between pada gambar 4.12 dapat dianalisa
sebagai berikut:
a. Nilai Fhitung usia sebesar 2,678 dan nilai F tabel usia 2,53 maka dapat
disimpulkan bahwa Fhitung > Ftabel sehingga H0’ ditolak dan H1’ diterima yang
artinya terdapat perbedaan rata-rata tinggi badan berdasarkan usia.
b. Nilai signifikansi usia sebesar 0,033 lebih kecil dari nilai alfa ( sig ˂ α ),
maka H0’ ditolak dan H1’ diterima yang artinya ada perbedaan rata-rata
tinggi badan berdasarkan usia.
c. Nilai Fhitung gender sebesar 107,344 dan nilai Ftabel gender sebesar 4,00 maka
dapat disimpulkan bahwa Fhitung > Ftabel sehingga H0’’ ditolak dan H1’’
diterima yang artinya terdapat perbedaan rata-rata tinggi badan berdasarkan
gender.
d. Nilai signifikansi gender adalah 0,000 lebih kecil dari nilai alfa ( sig < α),
maka H0’’ ditolak dan H1’’ diterima yang artinya ada perbedaan rata-rata
tinggi badan antar gender.
e. Nilai Fhitung usia dan gender sebesar 1,966 dan nilai Ftabel usia dan gender
sebesar 2,53 maka dapat disimpulkan bahwa F hitung < Ftabel, sehingga H0’’’
diterima dan H1’’’ ditolak yang artinya tidak ada perbedaan rata-rata tinggi
badan antara perempuan berusia 20 tahun, 25 tahun, 30 tahun, 35 tahun, 40
tahun dan 45 tahun dengan laki-laki berusia 20 tahun, 25 tahun, 30 tahun, 35
tahun, 40 tahun dan 45 tahun.
f. Nilai signifikansi dari usia dan gender adalah 0,101 lebih besar daripada
nilai alfa ( sig > α ), maka H0’’’ ditermia dan H1’’’ ditolak yang artinya tidak
ada perbedaan rata-rata tinggi badan antara perempuan berusia 20 tahun, 25
tahun, 30 tahun, 35 tahun, 40 tahun dan 45 tahun dengan laki-laki berusia 20
tahun, 25 tahun, 30 tahun, 35 tahun, 40 tahun dan 45 tahun.
156
BAB 5
statistika dan optimasi sistem industri modul two way ANOVA.
5.1 Kesimpulan
industri modul two way ANOVA terlihat sebagai berikut:
1. Two way ANOVA diartikan sebagai pengujian hipotesis beda tiga rata-rata
atau lebih dengan dua faktor yang berpengaruh dan interaksi antara kedua
faktor tersebut ditiadakan. Metode two way ANOVA dapat dengan interaksi
dan tanpa interaksi, efek interaksi diperoleh setelah setiap kolom dan blok
baris diulang. Konsep analisis two way ANOVA didasarkan pada konsep
distribusi F dan biasanya dapat diaplikasikan untuk berbagai macam kasus
maupun dalam analisis hubungan antara berbagai variabel yang diamati.
Dalam perhitungan statistik, analisis variansi sangat dipengaruhi asumsi-
asumsi yang digunakan seperti kenormalan dari distribusi, homogenitas
variansi dan kebebasan dari kesalahan.
2. Hipotesis adalah pernyataan mengenai satu atau lebih populasi yang perlu
dibuktikan keabsahannya melalui prosedur pengujian hipotesis. Pengujian
hipotesis merupakan suatu proses melakukan perbandingan antara nilai
sampel (berasal dari data penelitian) dengan nilai hipotesis pada data
populasi. hipotesis dalam ANOVA (Analysis Of Variance) dengan interaksi:
dalam analysis of variance dua arah dengan interaksi terdapat tiga hipotesis
yang digunakan yaitu apakah ada perbedaan rata-rata antar kategori baik
kategori berdasarkan baris maupun kolom. hipotesis tambahan satu lagi
yaitu apakah ada interaksi antara kategori baris dan kolom.
3. Hasil output data between subjects factors menunjukkan jumlah N dari
setiap tingkatan usia yang diuji masing-masing adalah 10 sedangkan pada
jenis kelamin laki-laki dan perempuan masing-masing adalah 30.
Hasil output data descriptive statistics didapatkan hasil sebagai berikut:
Usia 20 tahun memiliki total mean sebesar 160,50 dan standar deviasi
157
sebesar 7,215. Usia 25 tahun memiliki total mean sebesar 163,90 dan
standar deviasi sebesar 7,310. Usia 30 tahun memiliki total mean sebesar
164,90 dan standar deviasi sebesar 10,710. Usia 35 tahun memiliki total
mean sebesar 167,50 dan standar deviasi sebesar 7,292. Usia 40 tahun
memiliki total mean sebesar 165,10 dan standar deviasi sebesar 11,348. Usia
45 tahun memiliki total mean sebesar 167,20 dan standar deviasi sebesar
7,330.
Hasil output levene’s test of equality error variances dapat dianalisis bahwa
Nilai Fhitung sebesar 0,955 dan nilai Ftabel 1,99 (dengan df1 sebesar 11 dan df2
sebesar 48), sehingga dapat disimpulkan bahwa Fhitung ˂ Ftabel sehingga H0’’’
diterima dan H1’’’ ditolak yang artinya tidak ada perbedaan rata – rata tinggi
badan antara jenis kelamin laki – laki maupun perempuan dari usia 20
tahun, 25 tahun, 30 tahun, 35 tahun, 40 tahun, dan 45 tahun. Nilai
signifikansi sebesar 0,499 lebih dari alfa 0,05 (sig. ˃ α) maka dapat ditarik
kesimpulan bahwa varian kelompok data adalah sama atau homogen.
Hasil output data tests of between dapat dianalisa sebagai berikut:
Nilai Fhitung usia sebesar 2,678 dan nilai F tabel usia 2,53 maka dapat
disimpulkan bahwa Fhitung > Ftabel sehingga H0’ ditolak dan H1’ diterima yang
artinya terdapat perbedaan rata-rata tinggi badan berdasarkan usia.
Nilai signifikansi usia sebesar 0,033 lebih kecil dari nilai alfa ( sig > α ),
maka H0’ ditolak dan H1’ diterima yang artinya ada perbedaan rata-rata
tinggi badan berdasarkan usia.
Nilai Fhitung gender sebesar 107,344 dan nilai Ftabel gender sebesar 4,00 maka
dapat disimpulkan bahwa Fhitung > Ftabel sehingga H0’’ ditolak dan H1’’
diterima yang artinya terdapat perbedaan rata-rata tinggi badan berdasarkan
gender.
Nilai signifikansi gender adalah 0,000 lebih kecil dari nilai alfa ( sig < α),
maka H0’’ ditolak dan H1’’ diterima yang artinya ada perbedaan rata-rata
tinggi badan antar gender.
g. Nilai Fhitung usia dan gender sebesar 1,966 dan nilai Ftabel usia dan gender
sebesar 2,53 maka dapat disimpulkan bahwa F hitung < Ftabel, sehingga H0’’’
diterima dan H1’’’ ditolak yang artinya tidak ada perbedaan rata-rata tinggi
158
badan antara perempuan berusia 20 tahun, 25 tahun, 30 tahun, 35 tahun, 40
tahun dan 45 tahun dengan laki-laki berusia 20 tahun, 25 tahun, 30 tahun, 35
tahun, 40 tahun dan 45 tahun.
Nilai signifikansi dari usia dan gender adalah 0,101 lebih besar daripada
nilai alfa ( sig > α ), maka H0’’’ ditermia dan H1’’’ ditolak yang artinya tidak
ada perbedaan rata-rata tinggi badan antara perempuan berusia 20 tahun, 25
tahun, 30 tahun, 35 tahun, 40 tahun dan 45 tahun dengan laki-laki berusia 20
tahun, 25 tahun, 30 tahun, 35 tahun, 40 tahun dan 45 tahun.
5.2 Saran
159
DAFTAR PUSTAKA
Budi, Teguh Sulistyo. dkk. 2018. “Analisis Konfigurasi Proses Produksi Cokelat
Stick Coverture Menggunakan Metode Design Of Experiments (Doe) Di Pt.
Gandum Mas Kencana”. Pamulang: Universitas Pamulang. Jurusan Teknik
Industri. Vol. 1, No. 1, Hal. 87-96.
Fajrin, Jauhar. dkk. 2016. “Aplikasi Metode Analysis Of Variance (Anova) Untuk
Mengkaji Pengaruh Penambahan Silica Fume Terhadap Sifat Fisik Dan
Mekanik Mortar”. Mataram: Universitas Mataram. Fakultas Teknik. Jurusan
Teknik Sipil. Vol. 12, No. 1, Hal. 11-23.
Hutauruk, Binhot Rianto. 2017. “Analisa Prediksi Jumlah Kelulusan Siswa Paket
C Dengan Menggunakan Metode Analisys Of Variance (Studi Kasus: Pkbm
Hanuba)”. Medan: Sekolah Tinggi Manajemen Informatika dan Komputer
Budi Darma Medan. Jurusan Teknik Informatika. Vol. 12, No. 3, Hal. 336-
340.
Magdalena, Riana dan Maria Angela Krisanti. 2019. “Analisis Penyebab Dan
Solusi Rekonsiliasi Finished Goods Menggunakan Hipotesis Statistik
Dengan Metode Pengujian Independent Sample T - Test Di Pt.Merck, Tbk.”.
Jakarta: Atma Jaya Catholic University of Indonesia. Industrial Engineering
Department. Vol. 16, No. 1, Hal. 35-47.
Mufarrikoh, Zainatul. 2020. “Statistika Pendidikan (Konsep Sampling Dan Uji
Hipotesis)”. Surabaya: CV. Jakad Media Publishing.
Sinaga, Enny Keristiana. dkk. 2019. “Statistika: Teori Aplikasi Dan Pendidikan”.
Medan: Yayasan Kita Menulis.
Supriyadi, Edi. 2018. “Analisis Pengendalian Kualitas Produk Dengan Statistical
Proses Control (Spc) Di Pt. Surya Toto Indonesia, Tbk”. Pamulang:
Universitas Pamulang. Jurusan Teknik Industri. Vol. 1, No. 1, Hal. 63-73.
Supriyono, Joko. dkk. 2016. “Analis Rencana Strategi, Pengembangan Pasar,
Dan Kualitas Desain, Terhadap Volume Penjualan Pada Jamu Ratu Cantik
Smk Negeri 6 Semarang”. Semarang: Universitas Pandanaran Semarang.
Fakultas Ekonomika dan Bisnis. Jurusan Manajemen. Vol. 2, No. 2, Hal. 1-
12.
Talakua, Mozart W. dkk. 2018. “Kajian Tentang Pendapat Pelanggan Pln Di
Desa Passo Dan Desa Rumah Tiga Terhadap Listrik Prabayar Dengan
Metode Analisis Variansi”. Ambon: Universitas Pattimura. Fakultas
Matematika dan Ilmu Pengetahuan Alam. Jurusan Matematika. Vol. 12, No.
2, Hal. 17-26.
Zaien, Muhammad. dkk. 2016. “Uji Performansi Openpgp Pada Komunikasi
Data Web Service Berbasis Restfull”. Banjarbaru: Universitas lambung
Mangkurat. Fakultas Matematika dan Ilmu Pengetauhuan Alam. Jurusan
Jurusan Ilmu Komputer. Vol. 4, No. 1, Hal. 61-70.
160
Modul 9
UJI VALIDITAS DAN UJI RELIABILITAS
BAB 1
PENDAHULUAN
Pada bab pendahuluan ini akan membahas tentang latar belakang, tujuan
praktikum statistik dan optimasi sistem industri modul uji validitas dan
reliabilitas.
1.1 Latar Belakang
Dalam menyusun dan sebelum mengaplikasikan instrument penelitian, ada
tahapan yang begitu penting bagi bagaimana hasil dari penelitian tersebut dapat
dipertanggungjawakan, hal penting tersebut adalah yang biasa disebut dengan
validitas dan reliabilitas. Validitas sendiri merupakan derajat ketepatan antara data
yang terjadi pada objek penelitian dengan daya yang dapat dilaporkan oleh
peneliti. Dengan demikian data yang valid adalah data “yang tidak berbeda”
antara data yang dilaporkan peneliti dengan data yang sesungguhnya terjadi pada
objek penelitian. Sedangkan reliabilitas adalah menunjuk pada satu pengertian
bahwa sesuatu instrument cukup dapat dipercaya untuk digunakan sebagai alat
pengumpul data karena instrument tersebut sudah baik, atau hal yang berkaitan
dengan keterandalan suatu indikator. Yang dimaksud andal di sini bahwa
instrument yaitu tidak berubah-ubah atau konsisten.
Seperti yang diketahui, bahwa secara garis besar penelitian dibagi menjadi
dua, yaiitu; penelitian kuantitatif dan penelitian kuantitatif. Dari jenis penelitian
yang dibedakan jenisnya tersebut, sangat berpengaruh juga terhadap instrument
penelitianya yang merupakan alat untuk menghasilkan suatu kesimpulan
penelitian. Dengan demikian sangat berdampak juga terhadap pengujian
instrument tersebut, yaitu validitas dan reliabilitasnya. Oleh karena itu, dalam
pembahasan mengenai validitas dan reliabilitas instrument penelitian ini juga
menguraikan dari masing-masing jenis penelitian yaitu validitas dan reliabilitas
instrument penelitian kuantitatif serta yaitu validitas dan reliabilitas instrument
penelitian kualitatif.
Mengenai validitas dan reliabilitas menjadi suatu perhatian lebih oleh
peneliti, dikarenakan perannya yang begitu penting dan dijadikan suatu keharusan
bagi peneliti untuk menguji instrumentya terlebih dahulu sebelum digunakan
161
dalam meneliti suatu objek penelitian. Karena dengan instrument yang valid dan
reliabel, tentunya akan menghasilkan suatu penelitian yang dapat
dipertanggungjawabkan.
Adapun tujuan dari dilaksanakannya praktikum statistika dan optimasi
sistem industri modul modul uji validitas dan reliabilitas yaitu sebagai berikut:
1. Mampu memahami definisi dari uji validitas.
2. Mampu memahami definisi dari uji reliabilitas.
3. Mampu menganalisa hasil output dari uji validitas dan reliabilitas beserta
analisanya dengan menggunakan aplikasi SPSS.
162
BAB 2
Pada bab ini akan membahas tentang teori dasar yang digunakan pada prakti
kum statistika dan optimasi sistem industri modul uji validitas dan uji reliabilitas.
2.1 Uji Validitas
Menurut Zahra (2016), uji validitas menunjukkan derajat ketepatan antara d
ata yang sesungguhnya terjadi pada obyek dengan data yang dapat dikumpulkan o
leh peneliti. Uji validitas diambil berdasarkan data yang didapat dari hasil
kuisioner, dengan menggunakan korelasi pearson product moment.
Menurut Agustin (2016), pengujian validitas tiap butir digunakan analisis
item, yaitu mengkorelasi skor tiap butir dengan skor total yang merupakan jumlah
tiap skor butir. Valid tidaknya suatu item instrument dapat diketahui dengan
membandingkan indeks korelasi produk. Menurut Riyani (2017), validitas logis
yaitu kevalidan yang diuji oleh para ahli dan validitas empiris yaitu kevalidan
yang diuji dan dilihat juga reliabel, tingkat kesukaran dan daya pembedanya.
Menurut Yusup (2018), baik tidaknya suatu instrumen penelitian ditentukan
oleh validitas dan reliabilitasnya. Validitas instrumen mempermasalahkan sejauh
mana pengukuran tepat dalam mengukur apa yang hendak diukur, sedangkan relia
bilitas mempermasalahkan sejauh mana suatu pengukuran dapat dipercaya karena
kaejengannya. Instrumen dikatakan valid saat dapat mengungkapkan data dari var
iabel secara tepat tidak meyimpang dari keadaan yang sebenarnya. Instrumen dika
takan reliabel saat dapat mengungkapkan data yang bisa dipercaya. Validitas instr
ument dapat dibuktikan dengan beberapa bukti. Bukti-bukti tersebut antara lain se
cara konten, atau dikenal denga validitas konten atau validitas isi, secara konstruk,
atau dikenal dengan validitas konstruk, dan sacara kriteria, atau dikenal dengan va
liditas kriteria.
1. Validitas Konten
Validitas konten atau validitas isi fokus memberikan bukti pada elemen-ele
men yang ada pada alat ukur dan diproses dengan analisis rasional. Validitas kont
en dinilai oleh ahli. Saat alat ukur diuraikan dengan detail maka penelitian akan se
makin mudah dilakukan. Setelah melakukan uji validitas konten kepada ahli, kem
163
udian instrumen direvisi sesuai saran atau masukan dari ahli. Instrumen dinyataka
n valid secara konten tergantung dari ahli. Ahli bebas memberikan penilaian apak
an instrumen ini valid atau tidak.
2. Validitas Konstruk
Validitas konstruk fokus pada sejauh mana alat ukur menunjukkan hasil pen
gukuran yang sesuai dengan definisinya. Definisi variabel harus jelas agat penilaia
n validitas konstruk mudah. Definisi tersebut diturunkan dari teori. Jika definisi te
lah berlandaskan teori yang tepat, dan pertanyaan atau pernyataan item soal telah s
esuai, maka instrumen dinyatakan valid secara validitas konstruk.
3. Validitas Kriteria
Validitas kriteria fokus pada membandingkan instrumen yang telah dikemba
ngkan dengan instrumen lain yang dianggap sebanding dengan apa yang akan dini
lai oleh instrumen yang telah dikembangkan. Instrumen lain ini disebut sebagai kr
iteria. Ada dua jenis validitas kriteria: validitas kriteria prediktif dan validitas krite
ria bersamaan (concurrent). Perbedaan kedua uji validitas kriteria tersebut terletak
pada waktu pengujian instrumen dengan kriterianya. Jika pengujian instrumen dan
kriteria dilakukan pada waktu yang berbeda, maka disebut dengan validitas kriteri
a prediktif, sedangkan jika pengujian instrumen dengan kriterianya dilakukan pad
a waktu yang bersmaan maka disebut dengan validitas kriteria.
Menurut Hadisa (2017), uji validitas instrumen dilakukan sebelum pengujia
n reliabilitas karena hanya item pertanyaan yang sudah valid saja yang dapat secar
a bersama-sama diukur reliabilitasnya. Instrument dikatakan reliabel dan dapat dit
erima jika nilai cronbach alpha coefficient ≥ 0,7 dengan taraf kepercayaan 95% (p:
0,05).
2.2 Uji Reliabilitas
Menurut Dwiana (2013), uji reliabilitas adalah untuk melihat apakah
rangkaian kuisioner yang dipergunakan untuk mengukur suatu konstruk tidak
mempunyai kecenderungan tertentu. Menurut Yusup (2018), reliabilitas instrumen
dapat diuji dengan beberapa uji reliabilitas. Beberapa uji reliabilitas suatu instrum
en yang bisa digunakan antara lain test-retest, ekuivalen, dan internal consistency.
Internal consistency sendiri memiliki beberapa teknik uji yang berbeda. Teknik uj
i reliabilitas internal consistency terdiri dari uji split half, KR 20, KR 21, dan alfa
164
Cronbach. Namun setiap uji memiliki kriteria instrumen seperti apa yang bisa diuj
i dengan teknik tersebut.
Menurut Ulum (2016), istilah reliabilitas sering disamakan dengan
consistency, stability, atau dependability, yang pada prinsipnya menunjukkan
sejauh mana pengukuran itu dapat memberikan hasil yang relatif tidak berbeda
bila dilakukan pengukuran kembali terhadap subjek yang sama.
Menurut Nurcahyanto (2005), reliabilitas (relibility, kepercayaan) menunjuk
pada pengertian apakah sebuah instrumen dapat mengukur sesuatu yang diukur
secara konsisten dari waktu ke waktu, kata kunci untuk syarat kualifikasi suatu
instrument pengukur adalah konsisten, keajegan, atau tidak berubah-ubah.
165
BAB 3
PENGUMPULAN DATA
Pada bab pengumpulan data ini akan membahas tentang data percobaan uji
validitas dan reabilitas pada praktikum statistika dan optimasi sistem industri
modul uji validitas dan uji reabilitas.
3.1 Data Percobaan Uji Validitas dan Uji Reabilitas.
Seorang pemilik hotel ingin mengetahui tingkat kepuasan pengunjung di
hotelnya. Untuk melakukan pengukuran tersebut yaitu dengan memakai 50
responden dengan 10 pertanyaan. Berikut ini adalah data yang telah dikumpulkan.
Seperti terlihat pada tabel 3.1.
Tabel 3.1 Data Tingkat Kepuasan Pengunjung Hotel
No. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10
1 1 4 2 3 3 3 2 4 1 3
2 2 3 4 3 3 2 2 1 3 4
3 4 3 3 3 2 2 2 4 4 4
4 3 3 3 3 2 4 4 4 4 2
5 2 2 2 3 4 4 3 2 2 1
6 3 3 3 4 4 4 4 4 4 3
7 4 4 4 4 3 3 2 2 2 3
8 4 4 4 4 4 3 3 3 2 2
9 2 1 1 2 3 3 4 4 4 3
10 2 2 2 3 3 3 3 4 4 1
11 4 1 1 2 2 4 2 2 2 1
12 4 4 3 3 2 1 1 2 2 1
13 1 1 4 4 4 3 3 3 2 1
14 1 3 4 4 3 3 3 2 3 4
15 2 3 4 4 4 4 4 4 4 4
16 3 3 3 3 3 3 3 3 3 3
17 1 4 4 4 4 4 2 2 2 2
18 4 4 2 2 2 2 3 3 4 4
19 2 2 3 4 4 4 3 3 3 3
20 4 4 4 3 3 3 2 2 2 4
21 3 3 4 4 3 3 2 2 1 1
22 4 4 4 3 3 3 4 4 4 4
23 4 3 3 4 4 4 4 3 3 3
24 4 4 4 4 4 4 4 4 4 4
Tabel 3.1 Data Tingkat Kepuasan Pengunjung Hotel (Lanjutan...)
166
25 4 4 3 3 3 3 3 2 2 2
26 4 3 2 1 1 2 3 4 1 2
27 4 4 3 3 4 4 4 3 2 1
28 3 4 4 4 3 3 3 4 4 3
29 3 3 4 4 3 3 4 4 3 3
30 4 4 3 3 4 4 3 3 4 4
31 4 3 3 4 2 2 4 4 2 2
32 2 3 4 4 4 4 3 3 4 4
33 4 4 4 3 3 3 4 4 4 3
34 4 4 4 4 4 4 4 4 4 4
35 4 3 4 3 3 3 4 3 3 3
36 4 4 3 3 3 3 3 3 3 4
37 4 4 4 4 4 4 3 3 3 4
38 4 3 3 3 3 4 4 4 3 3
39 4 3 3 1 2 2 2 3 3 4
40 4 4 3 3 3 3 1 3 3 4
41 2 3 3 4 4 4 3 4 4 3
42 4 4 4 4 4 4 4 4 4 3
43 4 2 2 3 3 3 3 3 3 4
44 4 4 4 4 4 4 4 3 4 3
45 4 4 4 4 3 3 3 4 4 4
46 4 3 3 3 3 2 3 4 3 4
47 4 4 3 3 1 2 3 2 3 4
48 4 4 4 3 3 3 2 2 3 4
49 4 4 4 4 4 4 4 4 4 4
50 4 4 4 3 3 3 4 4 4 4
Keterangan:
x1 : Pelayanan resepsionis.
x2 : Sistem pembelian tiket online.
x3 : Sistem penukaran tiket online.
x4 : Sistem parkir hotel.
x5 : Kebersihan kamar dan area hotel.
x6 : Kenyaman dan kerapihan tempat tidur.
x7 : Sarana prasarana hotel.
x8 : Ukuran kamar .
x9 : Makanan yang disajikan.
x10 : Pelayanan pegawai hotel.
167
BAB 4
PENGOLAHAN DATA
Pada bab pengolahan data ini akan membahas tentang langkah - langkah
pengolahan data dan output dari praktikum statistika dan optimasi sistem industri
modul uji validitas dan uji reliabilitas.
4.1 Langkah-Langkah Pengolahan dengan SPSS
Berikut ini adalah langkah-langkah dalam menggunakan program SPSS
untuk pengolahan data dengan uji validitas dan uji reliabilitas:
4.1.1 Pengolahan Data Uji Validitas
1. Buka software SPSS di layar desktop kompter. Seperti yang terlihat pada
gambar 4.1 berikut ini:
Gambar 4.1 Membuka Software SPSS.

2. Masuk kedalam variable view dan input variable. Dengan input seperti yang
terlihat pada gambar 4.2.
Keterangan:
x1 : Pelayanan resepsionis.
x2 : Sistem pembelian tiket online.
x3 : Sistem penukaran tiket online.
x4 : Sistem parkir hotel.
x5 : Kebersihan kamar dan area hotel.
168
x6 : Kenyaman dan kerapihan tempat tidur.
x7 : Sarana prasarana hotel.
x8 : Ukuran kamar.
x9 : Makanan yang disajikan.
x10 : Pelayanan pegawai hotel.
Gambar 4.2 Input Variable pada Variable View.

3. Setelah input variable di variable view selesai, klik data view isikan hasil
dari pengumpulan data yang sudah disiapkan sebelumnya. Seperti yang
terlihat pada gambar 4.3 berikut:
Gambar 4.3 Input Data pada Data View.
169
Gambar 4.3 Input Data pada Data View (Lanjutan...).
Gambar 4.3 Input Data pada Data View (Lanjutan...).

4. Selanjutnya balik ke data view. Klik menu transform pilih compute
variable. Seperti yang terlihat pada gambar 4.4.
Gambar 4.4 Menu Transform.
5. Pada kotak dialog computer variable, isikan "TOTAL" ke dalam kolom

target variable. Isi kolom numeric expression dengan menambahkan
seluruh variabel pada kolom type and label dengan cara klik satu persatu
170
dan klik tanda panahnya lalu tekan ok. Seperti yang terlihat pada gambar 4.5
berikut ini:
Gambar 4.5 Dialog Compute variable.

6. Setelah itu kembali ke data view, dan terdapat kolom “TOTAL”. Seperti
yang terlihat pada gambar 4.6 berikut ini:
Gambar 4.6 Tampilan Data View.
171
Gambar 4.6 Tampilan Data View (Lanjutan...).
Gambar 4.6 Tampilan Data View (Lanjutan...).

7. Lalu klik analyze, pilih correlate, dan pilih bivariate pada tampilan data
view. Seperti yang terlihat pada gambar 4.7.
Gambar 4.7 Menu Analyze.
172
8. Pada kotak dialog bivariate correlations, pindahkan semua variabel ke
kolom variables lalu tekan ok. Klik pearson, klik two-tailed, klik flag
significant correlation. Seperti gambar 4.8 berikut ini:
Gambar 4.8 Kotak Dialog Bivariate Correlations.

9. Maka akan muncul tampilan output seperti gambar 4.9 berikut ini:
Gambar 4.9 Output Item – Total Statistics
173
Analisis output item – total statistics data dinyatakan valid jika nilai
corrected item – total correlation > 0,3. Yaitu sebagai berikut, pelayanan
resepsionis 0,937 > 0,3. Sistem pembelian tiket online 0,357 > 0,3. Sistem
penukaran tiket online 0,476 > 0,3. Sistem parkir hotel 0,422 > 0,3. Kebersihan
kamar dan area hotel 0,409 > 0,3. Kenyamanan dan kerapihan tempat tidur 0,360
> 0,3. Sarana prasarana hotel 0,479 > 0,3. Ukuran kamar 0,341 > 0,3. Makanan
yang disajikan 0,560 > 0,3. Pelayanan pegawai hotel 0,380 > 0,3. Karena semua
nilai corrected item – total correlation > 0,3 maka semua data dinyatakan valid.
4.1.2 Pengolahan Data Uji Reliabilitas
gambar 4.10 berikut ini:
Gambar 4.10 Membuka Software SPSS.

2. Selanjutnya pilih analyze, pilih scale, dan klik realibility analysis. Seperti
pada gambar 4.11 berikut:
Gambar 4.11 Tampilan Menu Analyze.
174
3. Masukkan seluruh variabel kedalam kotak items, untuk model pilih alpha.
Seperti pada gambar 4.12 berikut:
Gambar 4.12 Kotak Dialog Reliability Analysis.

4. Selanjutnya klik pada statistics, centang item, scale dan scale if item deleted
pada kotak descriptives for. Pada ANOVA table pilih none, kemudian
continue. Seperti pada gambar 4.13 berikut:
Gambar 4.13 Kotak Dialog Reliability Analysis Statistics.
175
5. Terakhir klik ok, kemudian muncul output seperti yang terlihat pada gambar
Gambar 4.14 Output Case Processing Summary

Analisis hasil output case processing summary terdapat 50 responden (N)
valid. Tidak terdapat data dikeluarkan (excluded). Total 50 data (N) diolah atau
100% data diolah.
Gambar 4.15 Output Relibility Statistics

Analisis output relibility statistics data dinyatakan reliabel karena nilai
cronbach’s alpha lebih besar dari 0,6, yaitu 0,720 > 0,6 dan data yang diolah
berjumlah 10 data.
Gambar 4.16 Output Item Statistics

Analisis output item statistics data dinyatakan reliabel karena standart
deviation lebih besar dari 0,6. Yaitu pelayanan resepsionis 1,019 > 0,6. Sistem
176
pembelian tiket online 0,863 > 0,6. Sistem penukaran tiket online 0,834 > 0,6.
Sistem parkir hotel 0,763 > 0,6. Kebersihan kamar dan area hotel 0,808 > 0,6.
Kenyamanan dan kerapihan tempat tidur 0,774 > 0,6. Sarana prasarana hotel
0,853 > 0,6. Ukuran kamar 0,850 > 0,6. Makanan yang disajikan 0,935 > 0,6.
Pelayanan pegawai hotel 1,068 > 0,6. Semua data dinyatakan reliabel.
Gambar 4.17 Output Scale Statistics

Analisis output scale statistics diketahui nilai rata – rata sebesar 31,88,
dengan variansi sebesar 22,108. Untuk nilai standart deviation sebesar 4,702,
dengan N of items atau jumlah pertanyaan sebanyak 10.
177
BAB 5
Pada bab kesimpulan dan saran ini akan membahas tentang kesimpulan
dan saran pada praktikum statistika dan optimasi sistem industri modul uji
validitas dan uji reliabilitas.
5.1 Kesimpulan
sistem industri modul uji validitas dan uji reliabilitas terlihat sebagai berikut:
1. Uji validitas adalah penunjuk derajat ketepatan antara data yang
sesungguhnya terjadi pada obyek dengan data yang dapat dikumpulkan oleh
peneliti. Uji validitas diambil berdasarkan data yang didapat dari hasil
kuisioner, dengan menggunakan korelasi. pearson product moment.
Pengujian validitas tiap butir digunakan analisis item, yaitu mengkorelasi
skor tiap butir dengan skor total yang merupakan jumlah tiap skor butir.
Valid tidaknya suatu item instrumen dapat diketahui dengan
membandingkan indeks korelasi produk. Validitas logis yaitu kevalidan
yang diuji oleh para ahli dan validitas empiris yaitu kevalidan yang diuji dan
dilihat juga reliabel, tingkat kesukaran dan daya pembedanya.
2. Uji reliabilitas sering disamakan dengan consistency, stability, atau
dependability yang pada prinsipnya menunjukkan sejauh mana pengukuran
itu dapat memberikan hasil yang relatif tidak berbeda bila dilakukan
pengukuran kembali terhadap subjek yang sama. Reliabilitas (relibility,
kepercayaan) menunjuk pada pengertian apakah sebuah instrumen dapat
mengukur sesuatu yang diukur secara konsisten dari waktu ke waktu, kata
kunci untuk syarat kualifikasi suatu instrument pengukur adalah konsisten,
keajegan, atau tidak berubah-ubah.
3. Dari output praktikum statistika dan optimasi sistem industri modul uji
validitas da uji reliabilitas disimpulkan sebagai berikut Output dari uji
validitas dan uji reliabilitas adalah sebagai berikut:
a. Hasil output uji validitas adalah output item – total statistics data dinyatakan
valid jika nilai corrected item – total correlation > 0,3. Yaitu sebagai
178
berikut, pelayanan resepsionis 0,937 > 0,3. Sistem pembelian tiketonline
0,357 > 0,3. Sistem penukaran tiket online 0,476 > 0,3. Sistem parkir hotel
0,422 > 0,3. Kebersihan kamar dan area hotel 0,409 > 0,3. Kenyamanan dan
kerapihan tempat tidur 0,360 > 0,3. Sarana prasarana hotel 0,479 > 0,3.
Ukuran kamar 0,341 > 0,3. Makanan yang disajikan 0,560 > 0,3. Pelayanan
pegawai hotel 0,380 > 0,3. Karena semua nilai corrected item – total
correlation > 0,3 maka semua data dinyatakan valid.
b. Hasil output uji reliabilitas adalah terdapat 50 responden (N) valid. Tidak
terdapat data dikeluarkan (excluded). Total 50 data (N) diolah atau 100%
data diolah. Pada relibility statistics data dinyatakan reliabel karena nilai
cronbach’s alpha lebih besar dari 0,6, yaitu 0,720 > 0,6 dan data yang
diolah berjumlah 10 data. Data dinyatakan reliabel karena standart
deviation lebih besar dari 0,6. Yaitu pelayanan resepsionis 1,019 > 0,6.
Sistem pembelian tiket online 0,863 > 0,6. Sistem penukaran tiket online
0,834 > 0,6. Sistem parkir hotel 0,763 > 0,6. Kebersihan kamar dan area
hotel 0,808 > 0,6. Kenyamanan dan kerapihan tempat tidur 0,774 > 0,6.
Sarana prasarana hotel 0,853 > 0,6. Ukuran kamar 0,850 > 0,6. Makanan
yang disajikan 0,935 > 0,6. Pelayanan pegawai hotel 1,068 > 0,6. Semua
data dinyatakan reliabel. Dapat diketahui nilai rata – rata sebesar 31,88
dengan variansi sebesar 22,108. Untuk nilai standart deviation sebesar
4,702 dengan N of items atau jumlah pertanyaan sebanyak 10.
5.2 Saran
Dengan kuliah praktikum ini sudah cukup efisien terutama saat ada wabah
covid-19 ini. Namun kadang terjadi beberapa error saat mengerjakan laporan
kami yang disebabkan oleh kendala sinyal. Informasi yang diberikan oleh aslab
berupa video dan PPT juga sangat membantu kami dalam mengerjakan laporan
praktikum.
179
DAFTAR PUSTAKA
Agustin, Melita Yesi. 2016. “Analisa Kualitas Produk, Harga dan Promosi
Terhadap Keputusan Pembelian Motor Honda Vario (Studi Kasus pada
Tridjaya Motor Dealer Resmi Motor Honda Cabang Girian-Bitung)”.
Manado: Universitas San Ratulangi Manado. Fakultas Ekonomi dan Bisnis.
Jurusan Manajemen. Vol. 16, No. 03, Hal. 472-483.
Dwiana, Agustin. 2013. “Pengaruh Kualitias Layanan Terhadap Kepuasan
Nasabah pada PT. Bank Negara Indonesia (PERSERO) Tbk Cabang
Pembantu Terutung”. Jakarta: Universitas Terbuka Jakarta.
Hadisa, Nurul, dkk. 2017 “Uji Validitas Dan Reliabilitas B-IPQ Versi Indonesia
Pada Pasien Gagal Ginjal Kronik Di RSUD Soedarso Pontianak”.
Pontianak: Universitas Tanjungpura. Fakultas Kedokteran. Jurusan Farmasi.
Vol. 07, No. 04, Hal. 175-181.
Nurcahyono, Guntur. 2005. “Uji Instrumen Penelitian”. Yogyakarta: Universitas
Negeri Yogyakarta.
Riyani, Rizki, dkk. 2017. “Uji Validitas Pengembangan Tes Untuk Mengukur
Kemampuan Pemahaman Relasional Pada Materi Persamaan Kuadrat
Siswa Kelas VIII SMP”. Bengkulu: Universitas Bengkulu. Fakultas
Keguruan dan Ilmu Pendidikan. Jurusan Pendidikan Matematika. Vol. 1,
No. 1, Hal. 60-65.
Ulum, Miftachul H. 2016. “Uji Validitas dan Uji Reliabilitas”. Bandung:
Universitas Pendidikan Indonesia.
Yusup, Febrianawati. 2018. “Uji Validitas dan Reliabilitas Instrumen Penelitian
Kuantitatif”. Banjarmasin: Universitas Islam Negeri Antasari Banjarmasin.
Fakultas Tarbiyah dan Keguruan. Jurusan Tadris Biologi. Vol. 7, No. 1, Hal.
17-23.
Zahra, Ratika dan Nofha Rina. 2018. “Pengaruh Celebrity Endorser Hamidah
Rachmayanti Terhadap Keputusan Pembelian Produk Online Shop
Mayoutfit di Kota Bandung”. Bandung: Universitas Telkom. Fakultas
Komunikasi dan Bisnis. Jurusan Ilmu Komunikasi. Vol. 6, No. 1, Hal. 43-
57.
180
Modul 10
ANALISA FAKTOR
BAB 1
PENDAHULUAN
Pada bab pendahuluan ini akan membahas tentang latar belakang dan
tujuan dalam praktikum statistika dan optimasi sistem industri modul analisa
faktor.
1.1 Latar Belakang
Dalam suatu penelitian terdapat analisa yang digunakan untuk mengetahui
apakah faktor yang digunakan reliabel atau valid. Analisa faktor dalam penelitian
bersifat eksploratif yaitu bertujuan untuk mengetahui faktor-faktor yang terbentuk
dari beberapa variabel manifest atau observable variable. Selanjutnya uji asumsi
klasik dipenuhi berdasarkan distribusi normal, non heterodastisitas, dan analisa
regresi berganda yang digunakan untuk mengetahui pengaruh baik secara
stimultan maupun parsial pada masing-masing faktor yang terbentuk dari analisis
data tersebut. Analisis faktor berkaitan dengan validitas konstruk di mana
penggunaan teknik analisis faktor dapat digunakan untuk melakukan uji validitas
konstruk suatu alat ukur. Analisis faktor merupakan sebuah prosedur dalam
mengidentifikasi dan mengelompokkan item maupun variabel dalam sebuah
penelitian karena konstrak yang mirip.
Kemiripan antar butir dinyatakan dengan tingginya korelasi antar item.
Dalam analisis faktor dikenal dua istilah konstrak yaitu konstrak empirik dan
konstrak laten. Proses inti dari analisa faktor adalah melakukan ekstraksi terhadap
sekumpulan variabel sehingga dapat terbentuk satu atau lebih faktor. Dalam
praktikum statistika dan optimasi sistem industri modul analisa faktor ini
praktikan diharapkan dapat mengetahui faktor-faktor yang digunakan untuk
menganalisa sehingga didapatkan data yang reliabel dan valid. Dalam praktikum
ini juga akan menggunakan software SPSS yang menjadi alat bantu dalam
memproses data-data statistik agar lebih cepat, akurat, dan tepat dalam
menghasilkan output.
181
Adapun tujuan dari praktikum statistika dan optimasi sisitem industri modul
analisa faktor adalah sebagai berikut:
1. Mampu memahami tentang analisa faktor.
2. Mampu memahami tentang teknik analisa data.
3. Mampu menghasilkan dan menganalisa hasil output modul analisa faktor
dengan menggunakan software SPSS.
182
BAB 2
Pada bab kajian pustaka dan dasar teori ini akan membahas tentang analisa
faktor dan teknik data dari praktikum statistika dan optimasi sistem industri modul
analisa faktor.
2.1 Analisa Faktor
Menurut Hartanto (2016), analisis faktor berkaitan dengan validitas
konstruk, di mana penggunaan tehnik analisis faktor dapat digunakan untuk
melakukan uji validitas konstruk pada suatu alat ukur. Analisis faktor adalah
sebuah prosedur dalam mengidentifikasi dan mengelompokkan item ataupun
variabel dalam sebuah penelitian karena konstrak yang mirip. Kemiripan antar
butir dinyatakan dengan tingginya korelasi antar item. Dalam analisis faktor,
dikenal dua istilah konstrak yaitu konstrak empirik dan konstrak laten. Walaupun
sejatinya analisis faktor diperuntukkan terhadap analisis mengenai permodelan
variabel laten.
Menurut Yasa (2017), analisis faktor termasuk dalam statsitika multivariat.
Tujuan dari dilakukan analisis faktor yaitu menekan jumlah variabel dengan cara
mengelompokkan berdasarkan korelasi yang besar antarvariabel sehingga
membentuk sekumpulan variabel yang disebut dengan faktor uji asumsi dalam
analisis faktor yaitu bartlett test of sphericity dan Measure of Sampling
Adequancy serta Kaiser-Meyer-Olkin (KMO).
Menurut Santoso (2018), secara prinsip analisis faktor coba menemukan
hubungan (interrelationship) antara sejumlah variabel-variabel yang awalnya
saling independent satu dengan yang lain sehingga bisa dibuat satu atau beberapa
kumpulan variabel yang lebih sedikit dari jumlah variabel awal. Sebagai contoh,
jika ada 10 variabel yang independent satu dengan yang lain, dengan analisis
faktor mungkin bisa diringkas hanya menjadi 3 kumpulan variabel baru (new set
of variables). Kumpulan variabel tersebut disebut faktor, di mana faktor tersebut
tetap mencerminkan variabel-variabel aslinya.
Menurut Santoso (2018), pada dasarnya tujuan dari analisis faktor adalah:
183
1. Data summarization, yakni mengidentifikasi adanya hubungan antar
variabel dengan melakukan uji korelasi. Jika korelasi dilakukan antar
variabel (dalam penegrtian SPSS adalah 'kolom'), analisis tersebut
dinamakan R Factor Analysis. Namun, jika korelasi dilakukan antar
responden atau sampel (dalam pengertian SPSS adalah 'baris'), analisis
disebut Q Factor Analysis, yang juga populer disebut Cluster analysis.
2. Data reduction, yakni setelah melakukan korelasi, dilakukan proses
membuat sebuah variabel set baru yang dinamakan faktor, untuk
menggantikan sejumlah variabel tertentu.
Namun kedudukan analisis faktor menjadi sangat penting, ketika bisa
digunakan untuk menguji validitas konstruk suatu alat tes atau skala, walaupun
ada tehnik lain yang bisa digunakan, yaitu dengan multi trait-multi method matrix
namun teknik itu terlalu “mewah” dengan harus melakukan pembakuan pola
matriks dan memenuhi syarat validitas diskriminan dan validitas konvergen, yang
ternyata hanya sedikit peneliti dan ilmuwan yang pernah melakukan.
Menurut Jaluanto (2015), analisa faktor digunakan untuk menganalisis
hubungan ketergantungan antara satu variabel dengan yang lain yang akan diuji
untuk diidentifikasikan dimensi atau faktornya. Menurut Malik (2017), dalam
melakukan analisis, diperlukan proses analisa faktor yaitu:
1. Menentukan variable apa saja yang akan dianalisis.
2. Menguji variable-variable yang telah ditentukan.
3. Melakukan proses inti pada analisa faktor yaitu factoring.
4. Interpretasi atas faktor yang telah terbentuk, khususnya memberi nama
faktor yang terbentuk tersebut.
5. Validasi atas hasil faktor untuk mengetahui apakah faktor yang terbentuk
valid. Selanjutnya dilakukan pengujian variable yang telah ditentukan
dengan melakukan pengukuran metode test yaitu melalui dua pendekatan.
2.2 Teknik Analisa Data
Menurut Situmorag (2010), analisis data bertujuan untuk menyusun data
dalam cara yang bermakna sehingga dapat dipahami titik para peneliti
berpendapat bahwa tidak ada cara yang paling benar secara absolut untuk
mengorganisasi, menganalisis dan menginterpretasikan data titik karena itu, maka
184
prosedur analisis data dalam penelitian disesuaikan dengan tujuan penelitian titik
untuk memudahkan dalam analisa data metode yang digunakan adalah metode
statistik. Statistika adalah serangkaian metode yang dipakai untuk mengumpulkan
dan menganalisa, menyajikan dan memberi makna data metode statistik
mempermudah para pengambil keputusan memahami informasi mana yang harus
dimanfaatkan agar keputusan mereka tepat.
Menurut Veza (2017), dalam tahap pengumpulan data dilakukan beberapa
cara yaitu :
1. Melakukan studi pustaka dengan membaca buku- buku yang menunjang
untuk dapat menganalisa data dan informasi yang didapat.
2. Studi lapangan
Yaitu pengamatan secara langsung ditempat penelitian sehingga
permasalahan yang ada dapat diketahui secara jelas.
3. Wawancara
Wawancara dilakukan dengan pihak yang terkait yang bertujuan untuk
mendapatkan data atau informasi yang dibutuhkan.
185
BAB 3
PENGUMPULAN DATA
Pada bab pengolahan data ini akan membahas tentang pengumpulan data
yang akan membahas tentang pengumpulan data yang akan digunakan pada
praktikum statistika dan optimasi sistem industri modul analisa faktor.
Seorang peneliti ingin mengetahui lama antrian pendaftaran mahasiswa baru
di Universitas Indonesia. Untuk melakukan analisa penelitian mengambil 25
mahasiswa yang telah mendaftar dan dilakukan uji variable bebas di antaranya:
a. Variabel terikat : Faktor peneliti pendaftaran mahasiswa baru
b. Variabel bebas : 1. Lama Perjalanan
2. Lama Antrian
3. Lama Pendaftaran
4. Lama Pengambilan
5. Lama Pengecekan
Berikut ini adalah data dari variable bebas pada tabel 3.1 di bawah ini.
Tabel 3.1 Data Analisa Faktor Peneliti
Lama Lama Lama Lama Lama
No
Perjalanan Antrian Pendaftaran Pengambilan Pengecekan
1 4 3 3 3 3
2 1 2 3 4 1
3 4 2 1 1 3
4 3 1 3 3 2
5 2 3 2 4 1
6 4 3 1 3 1
7 4 3 3 3 4
8 4 4 3 4 3
9 4 4 2 4 3
10 2 4 4 2 1
11 2 3 1 3 3
12 3 2 3 2 3
186
Tabel 3.1 Data Analisa Faktor Peneliti (Lanjutan...)
13 1 2 2 1 3
14 2 4 4 1 3
15 3 1 4 1 4
16 4 1 1 2 1
17 2 3 3 2 2
18 2 2 2 4 1
19 4 4 4 1 2
20 3 1 3 2 4
21 1 4 2 3 2
22 3 4 2 2 2
23 2 2 2 4 4
24 4 3 1 2 1
25 4 4 2 1 2
Keterangan:
H0 = Tidak terdapat pengaruh terhadap variabel terikat dan variabel bebas
pada faktor peneliti mahasiswa baru.
H1 = Terdapat pengaruh terhadap variabel terikat dan variabel bebas pada
faktor peneliti mahasiswa baru.
α = 0,05.
187
BAB 4
PENGOLAHAN DATA
Pada bab pengolahan data ini akan membahas tentang langkah-langkah

pengolahan data serta analisis data dan output pada praktikum statistika dan
optimasi sistem industri modul analisa faktor
4.1 Pengolahan Data
Berikut ini adalah langkah-langkah pengolahan data analisa faktor
menggunkan SPSS yang diuraikan sebagai berikut:

2. Selanjutnya masukkan variabel ke dalam variable view seperti yang terlihat
pada gambar 4.2 sebagai berikut:
a. Isi nama kolom name yang pertama dengan “lama perjalanan” kolom
label nya isi x1.
b. Isi nama kolom name yang kedua dengan “lama antrian” kolom label
nya isi x2.
c. Isi nama kolom name yang ketiga dengan “lama pendaftaran” kolom
label nya isi x3.
188
d. Isi nama kolom name yang keempat dengan “lama pengambilan” kolom
label nya isi x4.
e. Isi nama kolom name yang kelima dengan “lama pengecekan” kolom
label nya isi x5.

189
4. Klik analyze pada toolbar atas dan pilih data reduction lalu klik pada factor
seperti yang telihat pada gambar 4.4 sebagai berikut:
5. Kemudian pada kotak dialog factor analysis, masukkan seluruh variabel ke

kolom variables seperti yang terlihat pada gambar 4.5 sebagai berikut:
190
Gambar 4.5 Kotak Dialog Factor Analysis
6. Selanjutnya klik descriptives kemudian pada kolom statistic centang initial
solution. Pada kolom correlation matrix centang coefficients, significance
levels, determinant, dan KMO and Barlett’s test of sphericity, lalu klik
continue seperti yang terlihat pada gambar 4.6 sebagai berikut:
Gambar 4.6 Kotak Dialog Descriptives
7. Selanjutnya klik extraction kemudian pada method pilih principal

component. Pada kolom analyze pilih correlation matrix, pada kolom
extract pilih eigenvelues over dan tentukan nilainya yaitu 1, pada display
191
centang unrotated factor solution dan scree plot, lalu klik continue seperti
yang pada gambar 4.7 sebagai berikut:
Gambar 4.7 Kotak Dialog Extraction

8. Selanjutnya klik rotation kemudian pada kolom method pilih viramax. Pada
kolom display centang rotated solution. Pada maximum iterations for
convergence isi angka 25, lalu klik continue seperti yang pada gambar 4.8
sebagai berikut:
Gambar 4.8 Kotak Dialog Rotation

9. Selanjutnya klik factor scores kemudian centang save as variables. Pada
kolom method pilih barlett, kemudian centang pada display factor score
192
coefficient matrix, lalu klik continue seperti yang pada gambar 4.9 sebagai
berikut:
Gambar 4.9 Kotak Dialog Factor Scores

10. Selanjutnya klik options kemudian pada kolom missing values pilih exclude
cases listwise. Pada kolom coefficient display format centang shorted by
size, lalu klik continue dan kemudian klik OK seperti yang pada gambar
193
4.11, gambar 4.12, gambar 4.13, gambar 4.14, gambar 4.15, gambar 4.16,
gambar 4.17, gambar 4.18, gambar 4.19, sebagai berikut:
Gambar 4.11 Output Correlation Matrix

Dari gambar 4.11 output correlation matrix dapat diketahui:
a. Tingkat korelasi antara x1 (lama perjalanan) dengan x2 (lama antrian)
adalah sebesar 0,001 yang berarti hubungannya positif dan sangat lemah.
b. Tingkat korelasi antara x1 (lama perjalanan) dengan x3 (lama pendaftaran)
adalah sebesar -0,140 yang berarti hubungannya negatif dan sangat lemah.
c. Tingkat korelasi antara x1 (lama perjalanan) dengan x4 (lama pengambilan)
d. Tingkat korelasi antara x1 (lama perjalanan) dengan x5 (lama pengecekan)
e. Tingkat korelasi antara x2 (lama antrian) dengan x3 (lama pendaftaran)
f. Tingkat korelasi antara x2 (lama antrian) dengan x4 (lama pengambilan)
g. Tingkat korelasi antara x2 (lama antrian) dengan x5 (lama pengecekan)
h. Tingkat korelasi antara x3 (lama pendaftaran) dengan x4 (lama
pengambilan) adalah sebesar -0,195 yang berarti hubungannya negatif dan
sangat lemah.
194
i. Tingkat korelasi antara x3 (lama pendaftaran) dengan x5 (lama pengecekan)
adalah sebesar 0,272 yang berarti hubungannya positif dan lemah.
j. Tingkat korelasi antara x4 (lama pengambilan) dengan x5 (lama
pengecekan) adalah sebesar -0,149 yang berarti hubungannya negatif dan
sangat lemah.
Gambar 4.12 Output KMO and Bartlett’s Test

Dari gambar 4.12 output KMO and bartlett’s test nilai KMO diketahui
sebesar 0,406 < 0,5 yang menunjukan bahwa nilai KMO tidak memenuhi syarat
sehingga data tersebut tidak layak untuk dilakukan analisis faktor. Nilai Bartlett’s
Test of Sphericity sebesar 6,188. Nilai signifikansi sebesar 0,799 atau lebih besar
dari 0,05, maka data tidak memenuhi syarat dan menandakan bahwa antar variabel
tidak terjadi korelasi.
Gambar 4.13 Output Communalities

Dari gambar 4.13 output communalities diketahui nilai extraction x1 (lama
perjalanan) sebesar 0,883, nilai extraction x2 (lama antrian) sebesar 0,915, nilai
extraction x3 (lama pendaftaran) sebesar 0,807, nilai extraction x4 (lama
pengambilan) sebesar 0,495, nilai extraction x5 (lama pengecekan) sebesar 0,546.
Sehingga dapat disimpulkan bahwa variabel lama perjalanan, lama antrian, lama
pendaftaran, lama pengecekan telah mampu memenuhi syarat komunalitas dan
telah mampu menjelaskan faktor serta bisa dipakai menjelaskan faktor karena
195
nilai extraction lebih besar dari 0,5. Sedangkan variabel lama pengambilan tidak
mampu memenuhi syarat komunalitas dan tidak bisa dipakai untuk menjelaskan
faktor karena nilai extraction lebih kecil dari 0,5.
Gambar 4.14 Output Total Variance Explained

Dari gambar 4.14 output total variance explained diketahui nilai initial
eigenvalues yang lebih besar dari 1 terdapat pada component 1 dengan nilai
sebesar 1,443, pada component 2 dengan nilai sebesar 1,197, dan pada component
3 dengan nilai sebesar 1,007. Maka terdapat 3 faktor yang terbentuk, total ketiga
faktor akan mampu menjelaskan variabel sebesar 28,852 + 23,940 + 20,134 =
72,926. Dengan demikian total yang akan diambil adalah component 1, 2, dan 3.
Gambar 4.15 Output Scree Plot

Dari gambar 4.15 output scree plot terlihat bahwa component 1 memiliki
eigenvalues sebesar 1,443. Terlihat menurun ketitik 2, component 2 memiliki
196
eigenvalues sebesar 0,513. Sehingga dapat disimpulkan bahwa terdapat 3 faktor
yang terbentuk yaitu component 1, component 2, dan component 3 karena
memiliki nilai eigenvalues lebih dari 1.
Gambar 4.16 Output Component Matrix

Dari gambar 4.16 output component matrix dapat diketahui:
a. Komponen x5 (lama pengecekan) berkorelasi sebesar 0,730 dengan faktor 1,
sebesar 0,019 dengan faktor 2, sebesar -0,112 dengan faktor 3.
b. Komponen x4 (lama pengambilan) berkorelasi sebesar -0,665 dengan faktor
1, sebesar 0,185 dengan faktor 2, sebesar -0,140 dengan faktor 3.
c. Komponen x3 (lama pendaftaran) berkorelasi sebesar 0,589 dengan faktor 1,
sebesar 0,667 dengan faktor 2, sebesar 0,042 dengan faktor 3.
d. Komponen x2 (lama antrian) berkorelasi sebesar -0,264 dengan faktor 1,
sebesar 0,576 dengan faktor 2, sebesar 0,717 dengan faktor 3.
e. Komponen x1 (lama perjalanan) berkorelasi sebesar 0,226 dengan faktor 1,
sebesar -0,611 dengan faktor 2, sebesar 0,667 dengan faktor 3.
197
Gambar 4.17 Output Rotated Component Matrix
Dari gambar 4.17 output rotated component matrix dapat diketahui:
a. x3 (lama pendaftaran) berkorelasi terbesar dengan faktor 1 yaitu sebesar
0,753.
b. x5 (lama pengecekan) berkorelasi terbesar dengan faktor 1 yaitu sebesar
0,708.
c. x4 (lama pengambilan) berkorelasi terbesar dengan faktor 3 yaitu sebesar
0,141.
d. x1 (lama perjalanan) berkorelasi terbesar dengan faktor 2 yaitu sebesar
0,938.
e. x2 (lama antrian) berkorelasi terbesar dengan faktor 3 yaitu sebesar 0,950.
Sehingga dapat disimpulkan faktor 1 memiliki 2 komponen yaitu x3 (lama
pendaftaran) dan x5 (lama pengecekan), faktor 2 memiliki 1 komponen yaitu x1
(lama perjalanan), dan faktor 3 memiliki 2 komponen yaitu x4 (lama
pengambilan) dan x2 (lama antrian).
198
Gambar 4.18 Output Component Transformation Matrix
Dari gambar 4.18 output component transformation matrix dapat diketahui
bahwa nilai korelasi pada komponen 1 sebesar 0,961 > 0,5, nilai korelasi pada
komponen 2 sebesar -0,695 < 0,5, dan nilai korelasi pada komponen 3 sebesar
0,726 > 0,05. Karena salah satu komponen lebih kecil dari 0,5 sehingga ketiga
faktor yang terbentuk dapat dikatakan tidak tepat dalam merangkum kelima
variabel yang ada.
Gambar 4.19 Output Component Score Coefficient Matrix

Dari gambar 4.19 output component score coefficient matrix, setelah dirotasi
dapat diketahui:
a. x1 (lama perjalanan) berkorelasi terbesar dengan faktor 2 yaitu sebesar
0,850.
b. x2 (lama antrian) berkorelasi terbesar dengan faktor 3 yaitu sebesar 0,869.
199
c. x3 (lama pendaftaran) berkorelasi terbesar dengan faktor 1 yaitu sebesar
0,549.
d. x4 (lama pengambilan) berkorelasi terbesar dengan faktor 3 yaitu sebesar
0,085.
e. x5 (lama pengecekan) berkorelasi terbesar dengan faktor 1 yaitu sebesar
0,492.
Sehingga dapat disimpulkan faktor 1 memiliki 2 komponen yaitu x3 (lama
pendaftaran) dan x5 (lama pengecekan), faktor 2 memiliki 1 komponen yaitu x1
(lama perjalanan), dan faktor 3 memiliki 2 komponen yaitu x2 (lama antrian) dan
x4 (lama pengambilan).
200
BAB 5
PENUTUP
Pada bab kesimpulan dari saran ini akan membahas tentang kesimpulan dan
saran pada praktikum statistika dan optimasi sistem industri modul analisa faktor.
5.1 Kesimpulan
industri modul analisa faktor.yaitu sebagai berikut:
1. Analisis faktor adalah sebuah prosedur dalam mengidentifikasi dan
mengelompokkan item ataupun variabel dalam sebuah penelitian karena
konstrak yang mirip. Tujuan dari dilakukan analisis faktor yaitu menekan
jumlah variabel dengan cara mengelompokkan berdasarkan korelasi yang
besar antarvariabel sehingga membentuk sekumpulan variabel.
2. Analisa data bertujuan untuk menyusun data dalam cara yang bermakna
sehingga dapat dipahami titik para peneliti, maka prosedur analisis data
untuk memudahkan dalam analisa data metode yang digunakan adalah
metode statistik. Metode statistika adalah serangkaian metode yang dipakai
untuk mengumpulkan dan menganalisa, menyajikan dan memberi makna
data metode statistik mempermudah para pengambil keputusan memahami
informasi mana yang harus dimanfaatkan agar keputusan mereka tepat.
3. Analisa output modul analisa faktor dengan menggunakan SPSS.
a. Output correlation matrix sebagai berikut:
Tingkat korelasi antara x1 (lama perjalanan) dengan x2 (lama antrian)
Kemudian antara x1 (lama perjalanan) dengan x3 (lama pendaftaran) adalah
sebesar -0,140 yang berarti hubungannya negatif dan sangat lemah.
Kemudian antara x1 (lama perjalanan) dengan x4 (lama pengambilan)
Kemudian antara x1 (lama perjalanan) dengan x5 (lama pengecekan) adalah
sebesar 0,109 yang berarti hubungannya positif dan sangat lemah.
Kemudian antara x2 (lama antrian) dengan x3 (lama pendaftaran) adalah
201
Kemudian antara x2 (lama antrian) dengan x4 (lama pengambilan) adalah
Kemudian antara x2 (lama antrian) dengan x5 (lama pengecekan) adalah
sebesar -0,149 yang berarti hubungannya negatif dan sangat lemah.
Kemudian antara x3 (lama pendaftaran) dengan x4 (lama pengambilan)
Kemudian antara x3 (lama pendaftaran) dengan x5 (lama pengecekan)
adalah sebesar 0,272 yang berarti hubungannya positif dan lemah.
Kemudian antara x4 (lama pengambilan) dengan x5 (lama pengecekan)
b. Output KMO and bartlett’s test
Nilai KMO diketahui sebesar 0,406 < 0,5 yang menunjukan bahwa nilai
KMO tidak memenuhi syarat sehingga data tersebut tidak layak untuk
dilakukan analisis faktor. Nilai Bartlett’s Test of Sphericity sebesar 6,188.
Nilai signifikansi sebesar 0,799 atau lebih besar dari 0,05, maka data tidak
memenuhi syarat dan menandakan bahwa antar variabel tidak terjadi
korelasi.
c. Output communalities
Diketahui nilai extraction x1 (lama perjalanan) sebesar 0,883, nilai
extraction x2 (lama antrian) sebesar 0,915, nilai extraction x3 (lama
pendaftaran) sebesar 0,807, nilai extraction x4 (lama pengambilan) sebesar
0,495, nilai extraction x5 (lama pengecekan) sebesar 0,546. Sehingga dapat
disimpulkan bahwa variabel lama perjalanan, lama antrian, lama
pendaftaran, lama pengecekan telah mampu memenuhi syarat komunalitas
dan telah mampu menjelaskan faktor serta bisa dipakai menjelaskan faktor
karena nilai extraction lebih besar dari 0,5. Sedangkan variabel lama
pengambilan tidak mampu memenuhi syarat komunalitas dan tidak bisa
dipakai untuk menjelaskan faktor karena nilai extraction lebih kecil dari 0,5.
d. Output total variance explained
Diketahui nilai initial eigenvalues yang lebih besar dari 1 terdapat pada
component 1 dengan nilai sebesar 1,443, pada component 2 dengan nilai
sebesar 1,197, dan pada component 3 dengan nilai sebesar 1,007. Maka
202
terdapat 3 faktor yang terbentuk, total ketiga faktor akan mampu
menjelaskan variabel sebesar 28,852 + 23,940 + 20,134 = 72,926. Dengan
demikian total yang akan diambil adalah component 1, 2, dan 3.
e. Output scree plot
Terlihat bahwa component 1 memiliki eigenvalues sebesar 1,443.
Terlihat menurun ketitik 2, component 2 memiliki eigenvalues sebesar
1,197. Terlihat menurun ketitik 3, component 3 memiliki eigenvalues
sebesar 1,007. Terlihat menurun ketitik 4, component 4 memiliki
eigenvalues sebesar 0,840. Terlihat menurun ketitik 5, component 5
memiliki eigenvalues sebesar 0,513. Sehingga dapat disimpulkan bahwa
terdapat 3 faktor yang terbentuk yaitu component 1, component 2, dan
component 3 karena memiliki nilai eigenvalues lebih dari 1.
f. Output component matrix sebagai berikut:
Komponen x5 (lama pengecekan) berkorelasi sebesar 0,730 dengan
faktor 1, sebesar 0,019 dengan faktor 2, sebesar -0,112 dengan faktor 3.
Komponen x4 (lama pengambilan) berkorelasi sebesar -0,665 dengan faktor
1, sebesar 0,185 dengan faktor 2, sebesar -0,140 dengan faktor 3.
Komponen x3 (lama pendaftaran) berkorelasi sebesar 0,589 dengan faktor 1,
sebesar 0,667 dengan faktor 2, sebesar 0,042 dengan faktor 3. Komponen x2
(lama antrian) berkorelasi sebesar -0,264 dengan faktor 1, sebesar 0,576
dengan faktor 2, sebesar 0,717 dengan faktor 3. Komponen x1 (lama
perjalanan) berkorelasi sebesar 0,226 dengan faktor 1, sebesar -0,611
dengan faktor 2, sebesar 0,667 dengan faktor 3.
g. Output rotated component matrix
x3 (lama pendaftaran) berkorelasi terbesar dengan faktor 1 yaitu sebesar
0,753. x5 (lama pengecekan) berkorelasi terbesar dengan faktor 1 yaitu
sebesar 0,708. x4 (lama pengambilan) berkorelasi terbesar dengan faktor 3
yaitu sebesar 0,141. x1 (lama perjalanan) berkorelasi terbesar dengan faktor
2 yaitu sebesar 0,938. x2 (lama antrian) berkorelasi terbesar dengan faktor 3
yaitu sebesar 0,950. Sehingga dapat disimpulkan faktor 1 memiliki 2
komponen yaitu x3 (lama pendaftaran) dan x5 (lama pengecekan), faktor 2
203
memiliki 1 komponen yaitu x1 (lama perjalanan), dan faktor 3 memiliki 2
komponen yaitu x4 (lama pengambilan) dan x2 (lama antrian).
g. Output component transformation matrix
Dapat diketahui bahwa nilai korelasi pada komponen 1 sebesar 0,961 >
0,5, nilai korelasi pada komponen 2 sebesar -0,695 < 0,5, dan nilai korelasi
pada komponen 3 sebesar 0,726 > 0,05. karena salah satu komponen lebih
kecil dari 0,5 sehingga ketiga faktor yang terbentuk dapat dikatakan tidak
tepat dalam merangkum kelima variabel yang ada.
h. Output component score coefficient matrix, setelah dirotasi dapat
diketahui diketahui:
x1 (lama perjalanan) berkorelasi terbesar dengan faktor 2 yaitu sebesar
0,850. x2 (lama antrian) berkorelasi terbesar dengan faktor 3 yaitu sebesar
0,869. x3 (lama pendaftaran) berkorelasi terbesar dengan faktor 1 yaitu
sebesar 0,549. x4 (lama pengambilan) berkorelasi terbesar dengan faktor 3
yaitu sebesar 0,085. x5 (lama pengecekan) berkorelasi terbesar dengan
faktor 1 yaitu sebesar 0,492. Sehingga dapat disimpulkan faktor 1 memiliki
2 komponen yaitu x3 (lama pendaftaran) dan x5 (lama pengecekan), faktor
2 memiliki 1 komponen yaitu x1 (lama perjalanan), dan faktor 3 memiliki 2
komponen yaitu x2 (lama antrian) dan x4 (lama pengambilan).
5.2 Saran
Dengan kuliah praktikum ini sudah cukup efisien terutama saat ada wabah
covid-19 ini. Namun kadang terjadi beberapa error saat mengerjakan laporan
kami yang disebabkan oleh kendala sinyal. Informasi yang diberikan oleh aslab
berupa video dan PPT juga sangat membantu kami dalam mengerjakan laporan
praktikum.
204
DAFTAR PUSTAKA
Hartanto. 2016. “Validitas dan Reliabilitas Warwick-Edinburg Mental Well Being

Scale”. Jawa Tengah: Universitas Widya Darma Klaten, Vol. 6, No. 2, Hal:
1-16.
Jaluanto, dan Masita Fitri Devitayani. 2015. “Analisa Faktor-faktor Penentu
Keberhasilan (Critical Success Factors) Sistem Informasi Akutansi Bank
Kota Semarang”. Semarang: Universitas 17 Agustus. Fakultas Ekonomi dan
Bisnis. Jurusan Akutansi. Vol. 04, No. 03, Hal. 150-156.
Malik, Ahmad Dahlan. 2017. “Analisa Faktor-faktor Yang Mempengaruhi Minat
Masyarakat Berinvestasi Di Pasar Modal Syariah Melalui Bursa Galeri
Investasi Uisi”. Jakarta: Universitas Internasional Semen Indonesia.
Fakultas Ekonomi dan Bisnis. Jurusan Ekonomi Syariah. Vol. 03, No. 01,
Hal: 507-516.
Singgih, Santoso. 2018. “Mahir Statistik Multivariat dengan SPSS”. Jakarta: PT.
Elex Media Komputindo.
Situmorang, Syafizal Helmi. 2010. “Analisis Data: Untuk Riset Manajemen dan
Bisnis”. Medan: USU Pres.
Veza, Okta dan M. Ropianto. 2017. “Perancangan Sistem Informasi Inventory
Data Barang Pada PT. Andalas Berlian Motors”. Batam: STT Ibnu Sina.
Jurusan Teknik Informatika. Vol. 02, No. 02, Hal. 121-134.
Yasa, I Putu Arista, dkk. 2017. “Implementasi Analisis Faktor Dalam
Menganalisis Kepuasan Nasabah Terhadap Kualitas Layanan (Studi Kasus:
Lpd Sidakarya)”. Bali: Universitas Udayana. Fakultas MIPA. Jurusan
Matematika Vol. 06, No. 02, Hal. 152-160.
205
LEMBAR ASISTENSI PRAKTIKUM
Nama Mahasiswa :Indra Pratama,Ifan Wahyu,Irma Dwi,A.Nurzam P,Natasya Kurniawan,Nabila Tsaniatu

NIM :171020700003,181020700002,181020700009,181020700019,181020700076,181020700144
Kelompok : 12
Nama Praktikum : Statistika dan Optimasi Sistem Industri
Tahun Akademik : 2020
Dosen Pembimbing: Wiwik Sulistyowati, ST., MT
No Tanggal Materi Bimbingan Paraf Asisten
1 28/04/2020 Modul 1 dan 2 Revisi OK

2 30/04/2020 Modul 1 ACC, Modul 2 Revisi OK
3 01/05/2020 Modul 2 ACC OK
4 06/05/2020 Modul 3 dan 4 (Revisi 1) OK
6 11/05/2020 Modul 3 dan 4 (Revisi 3), Modul 5 dan 6 (Revisi 1) OK
7 12/05/2020 Modul 3 dan 4 ACC, Modul 5 dan 6 (Revisi 2) OK
9 14/05/2020 Modul 5 dan 6 ACC OK
11 22/05/2020 Modul 7 ACC, Modul 8 (Revisi 2) OK
12 26/05/2020 Modul 8 (Revisi 3), Modul 9 dan 10 (Revisi 1) OK
13 29/05/2020 Modul 10 (Revisi 2) OK
Mengetahui,
Asisten Laboratorium
( Istiqomah Hidayati )
LEMBAR ASISTENSI PRAKTIKUM
Nama Mahasiswa : Indra Pratama,Ifan Wahyu,Irma Dwi,A.Nurzam P,Natasya Kurniawan,Nabila Tsaniatu

NIM : 171020700003,181020700002,181020700009,181020700019,181020700076,181020700144
Kelompok : 12
Nama Praktikum : Statistika dan Optimasi Sistem Industri
Tahun Akademik : 2020
Dosen Pembimbing : Wiwik Sulistyowati, ST., MT
No Tanggal Materi Bimbingan Paraf Asisten
1 30/05/2020 Modul 10 ACC OK

2 03/06/2020 Modul 9 (Revisi 2) OK
3 03/06/2020 Modul 9 ACC OK
4
5
6
7
8
9
10
11
12
13
Mengetahui,
Asisten Laboratorium
( Istiqomah Hidayati )

Laporan Praktikum Statistika Kelompok 12 REFRENSI

Diunggah oleh

Informasi Dokumen

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

Laporan Praktikum Statistika Kelompok 12 REFRENSI

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM

Indra Pratama (171020700003)

Ifan Wahyu Pranata (181020700002)

Irma Dwi Setyowati (181020700009)

A.Nurzam Pebryani (181020700019)

Natasya Kurniawan Putri (181020700076)

Nabila Tsaniatu Yulia (181020700144)

LABORATORIUM STATISTIKA DAN OPTIMASI SISTEM

Laboran Teknik Industri

(Inggit Marodiyah, S.T)

Sidoarjo, 05 Juni 2020

2.2 Pengujian Hipotesis

MODUL 1 PENDAHULUAN DAN PENGENALAN SPSS

MODUL 1 PENDAHULUAN DAN PENGENALAN SPSS

Pada bab pengolahan data ini akan menjelaskan tentang langkah-langkah

Gambar 4.1 Tampilan Icon SPSS 26.0 pada Dekstop.

Gambar 4.2 Menu Utama SPSS 26.0.

Gambar 4.3 Tampilan Utama SPSS 26.0.

Gambar 4.4 Membuka Lembar Baru.

Gambar 4.5 Tab Sheet Variable View.

4.3 Menyimpan Data

Gambar 4.6 Menyimpan Hasil Entry Data.

Gambar 4.7 Menyimpan Data.

4.4 Mengakhiri Program SPSS

Gambar 4.8 Mengakhiri Program SPSS 26.0.

Gambar 4.9 Mengakhiri Program SPSS 26.0.

Abdullah, Anis Ahmad dan Suhartini. 2017. “Meningkatkan Kemampuan Berpikir

Sumber: Santosa, 2007

Gambar 4.1 Membuka Software SPSS

Gambar 4.2 Input Data pada Variable View

Gambar 4.4 Entry Data Descriptive Statistic

Gambar 4.6 Entry Data pada Descriptives Options

Gambar 4.7 Hasil Output Descriptive Statistics

4.1.2 Pengolahan Data Frequency

Gambar 4.8 Membuka Software SPSS

Gambar 4.10 Input Data pada Data View

Gambar 4.12 Entry Data Frequencies

Gambar 4.14 Entry Data pada Frequencies Charts

Gambar 4.16 Hasil Output Frequencies Statistics

Gambar 4.18 Output Histogram Frequency

Ananda, Rusyidi. 2018. “ Statistik Pendidikan (Teori dan Praktik Dalam

Pada bab pengolahan data membahas tentang pengolahan data praktikum

Gambar 4.1 Software SPSS pada Desktop Komputer

Gambar 4.2 Input Data pada Variable view

Gambar 4.3 Input Data pada Data View

Gambar 4.4 Compare Means One Sample T-Test

Gambar 4.5 Entry Data, One Sample T-Test

Gambar 4.7 Output Data One Sample Test

4.1.2 Uji T Dua Sampel

Gambar 4.8 Software SPSS pada Layar Desktop Komputer

Gambar 4.9 Input Data pada Variable View

Gambar 4.10 Entry Data, Value Labels

Gambar 4.11 Entry Data, Data View

Gambar 4.13 Entry Data, Independent Sample T-Test

Gambar 4.14 Define Groups

Gambar 4.15 Output Data SPSS Group Statistics

Kusnadi, Yahdi Dan Mutoharoh. 2016. “Pengaruh Keterimaan Aplikasi Pendaftar

Marliani, Novi. 2017. “Pengaruh Model Pembelajaran Science, Tehcnologi, Socie

Nazliati, dkk. 2019. “Diagnosis Kecemasan Statistik Pendidikan Pada Mahasiswa

Nurizaati, Yetti. 2016. “Efektivitas Pembelajran Statistik Dasar Dengan Metode P

Pagarra, Hamzah. 2018. “Pengaruh Penggunaan Video Pembelajaran IPA Terhad

Supriyono, Joko, dkk. 2016. “Analisis Rencana Strategi, Pengembangan Pasar, D

t hit ¿ t tab → tidak berbeda secara signifikan ( H 0 diterima)

Pada bab pengolahan data ini akan membahas tentang langkah-langkah