TUGAS

Mata Kuliah Statistik Untuk Studi Lingkungan

Nama : Qorih Imami

NIM : 18/435100/PMU/09611

PROGRAM STUDI MAGISTER ILMU LINGKUNGAN

SEKOLAH PASCASARJANA
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2018
 TUGAS STATISTIK
(Korelasi, Comparison, Regresi)

1. Korelasi

Dalam uji dengan tujuan korelasi saya mengambil contoh kasus sebagai berikut:
"Seorang guru ingin mengetahui seberapa kuat hubungan antara pengetahuan
memilah sampah dengan kebiasaan membuang sampah".
Metode statistik yang akan digunakan adalah Kendall Tau. Guru kemudian mengumpulkan
data dengan menggunakan survey pada 10 orang siswa. Uji Kendall Tau dipilih karena sesuai
dengan asumsi/syarat datanya:
1) Merupakan statistik non parametrik
2) Skala data ordinal
3) Data tidak berdistribusi normal
4) Dimulai dengan perengkingan data
5) Cocok digunakan untuk sampel kecil ( < 40 )

Data yang diperoleh sebagai berikut:

Nomor Pengetahuan Kebiasaan

Responden Memilah Membuang
Sampah Sampah
1 3 3
2 3 4
3 1 1
4 2 2
5 3 3
6 4 4
7 3 3
8 2 2
9 1 2
10 4 4

Data yang diperoleh selanjutnya diuji dengan menggunakan SPSS 16.0, menghasilkan output
sebagai berikut:

Hipotesis:
H0 : Tidak terdapat hubungan antara pengetahuan memilah sampah dengan kebiasaan
membuang sampah sembarangan
 H1 : Terdapat hubungan antara pengetahuan memilah sampah dengan kebiasaan
membuang sampah sembarangan

Hasil Output data SPSS 16.0

Kesimpulan:

Nilai sig. (0,002) < 0,05 maka H0 ditolak dan menerima H1, artinya terdapat hubungan yang
signifikan antara pengetahuan memilah sampah dengan kebiasaan membuang sampah
sembarangan
Nilai koefisien korelasi yaitu (0,889), artinya antara pengetahuan memilah sampah dengan
kebiasaan membuang sampah sembarangan memiliki hubungan yang sangat kuat.

2. Comparison
Dalam uji dengan tujuan comparison, saya mengambil contoh kasus sebagai berikut:
" Seorang Guru ingin melihat hasil tes awal mata pelajaran biologi siswa kelas X
berdistribusi normal atau tidak".
Metode statistik yang akan digunakan adalah Uji Kolmogorov Smirnov. Guru kemudian
mengumpulkan data dengan melakukan uji pengetahuan awal siswa. Sampel dipilih secara
acak yaitu 23 orang siswa. Uji Kolmogorov Smirnov dipilih karena sesuai dengan asumsi/
syarat datanya:
a. Data berskala interval atau ratio (kuantitatif)
b. Data tunggal/belum dikelompokkan
c. Dapat digunakan untuk sampel besar maupun kecil.
Data yang diperoleh sebagai berikut:

No Nilai
Siswa Pretest
1 20.0
2 20.0
3 25.0
4 25.0
5 25.0
6 25.0
7 30.0
8 35.0
9 35.0
10 45.0
11 45.0
12 45.0
13 50.0
14 50.0
15 50.0
16 50.0
17 55.0
18 55.0
19 55.0
20 55.0
21 55.0
22 60.0
23 60.0

Data yang diperoleh selanjutnya diuji dengan menggunakan SPSS 16.0, menghasilkan output
sebagai berikut:

Hipotesis:
H0 : nilai pengetahuan awal siswa berdistribusi nomal
H1 : nilai pengetahuan awal siswa tidak berdistribusi nomal

Hasil Output data SPSS 16.0

Kesimpulan:

Nilai sig (0,352) > 0,05, maka Ho diterima, artinya nilai pengetahuan awal siswa
berdistribusi nomal

3. Regresi

Dalam uji dengan tujuan prediksi, saya mengambil contoh kasus sebagai berikut:
"Kepala Dinas X ingin mengetahui apakah disiplin kerja berpengaruh terhadap
penilaian prestasi staf dan seberapa besar pengaruh disiplin kerja terhadap penilaian
prestasi kerja".
Metode statistik yang akan digunakan adalah Uji Regresi Linear Sederhana. Kepala Dinas X
kemudian mengumpulkan data disiplin kerja dengan menggunakan kuisioner dengan skala
Likert (penskoran data) sedangkan data penilaian prestasi kerja diperoleh melalui nilai
Standar Penilaian Kerja. Data disiplin jam kerja yang dikumpulkan dibuat menjadi data
numerik untuk diolah menggunakan aplikasi SPSS. Uji ini yang dipilih karena sesuai dengan
asumsi/ syarat datanya:
1) Data harus berdistribusi normal
2) Data berskala interval atau rasio
3) Kedua variabel bersifat dependen
4) Model regresi dikatakan layak  jika angka signifikansi pada ANOVA sebesar < 0,05
5) Predictor yang digunakan sebagai variabel bebas harus layak yaitu jika angka Standard
Error of Estimate < Standard Deviation
6) Koefesien regresi harus signifikan.
7) Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)

Data yang diperoleh sebagai berikut:

 Penilaian
Responden Disiplin Kerja
Prestasi Kerja
1 85 90
2 60 75
3 75 85
4 66 85
5 80 90
6 75 85
7 80 95
8 70 85
9 65 80
10 75 85

Data yang diperoleh selanjutnya diuji dengan menggunakan SPSS 16.0, menghasilkan output
sebagai berikut:

Hipotesis:
H0 : Tidak terdapat pengaruh yang signifikan variabel disiplin kerja terhadap variabel
prestasi kerja
H1 : Terdapat pengaruh yang signifikan variabel disiplin kerja terhadap variabel prestasi
kerja.

Hasil output data SPSS 16.0

Tabel 1. Memberikan gambaran mengenai nilai rata-rata, standar deviasi, dan jumlah data
yang telah diproses.

Tabel 2. Memberikan gambaran variabel dependent (prestasi kerja) dan variabel independent
(disiplin kerja).
Tabel 3. menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi. Pada
contoh diatas nilai korelasi adalah 0,868. Nilai ini dapat diinterpretasikan bahwa hubungan
kedua variabel penelitian ada di kategori kuat. Melalui tabel ini juga diperoleh nilai R Square
atau koefisien determinasi (KD) yang menunjukkan seberapa bagus model regresi yang
dibentuk oleh interaksi variabel bebas dan variabel terikat. Nilai KD yang diperoleh adalah
75,4% yang dapat ditafsirkan bahwa variabel bebas X memiliki pengaruh kontribusi sebesar
75,4% terhadap variabel Y dan 24,6% lainnya dipengaruhi oleh faktor-faktor lain diluar
variabel X. Pada bagian std. error of the estimate memiliki nilai (2,897) < nilai standar
deviasi ( 7,781) yang menunjukkan bahwa prediktor layak untuk digunakan.

Tabel 4. menampilkan nilai sig. (0,001) < 0,05 yang menunjukkan bahwa model regresi yang
digunakan adalah linear dan layak untuk digunakan.

Tabel 5. menampilkan nilai sig. (0,001) < 0,05 yang menunjukkan bahwa H0 ditolak dan
menerima H1 , artinya terdapat pengaruh yang signifikan variabel disiplin kerja terhadap
variabel prestasi kerja. Selain itu, pada kolom Unstandardized Coefficients B
menginformasikan model persamaan regresi yang diperoleh dengan koefisien konstanta dan
koefisien variabel. Sehingga diperoleh persamaan regresi sebagai berikut:

Y =40,626+ 0,614X
Chart normal P-P Plot of Regression Residual memberikan informasi grafik normalitas
data.  Dengan ketentuan; jika residual berasal dari distribusi normal maka nilai-
nilai sebaran data akan terletak disekitar garis lurus. Pada grafik tersebut terlihat
bahwa nilai-nilai sebaran data terletak disekitar garis lurus yang berarti bahwa data
berdistribusi normal. Untuk lebih meyakinkan data ini normal atau tidak maka bisa
di uji dengan menggunakan uji Kolmogorof-Smirnov.