KATA PENGANTAR

Assalamu’alaikum Wr. Wb.

Puji syukur kepada Allah SWT atas berkat, rahmah, hidayah-Nya sehingga tim
penyusun dapat menyelesaikan modul Praktikum Statistik Industri ini sesuai dengan
jadwal yang direncanakan. Shalawat dan salam kepada Nabi Muhammad SAW, yang
telah membawa umat manusia ke jalan kebenaran yang diridhai Allah SWT.

Modul praktikum ini merupakan salah satu bahan ajar pada mata kuliah Praktikum
Statistik Industri di Program Studi Teknik Industri Fakultas Teknik Universitas Syiah
Kuala, yang diselenggarakan pada semester ganjil 2021/2022. Dalam pengerjaannya,
modul ini mengambil referensi dari berbagai sumber dan mendapat bantuan dari tim
dosen di Program Studi Teknik Industri. Oleh karena itu, pada kesempatan ini tim
penyusun mengucapkan terima kasih kepada semua pihak atas kontribusi yang telah
diberikan sehingga modul praktikum ini dapat dikerjakan dengan baik. Semoga modul
ini dapat digunakan sebaik mungkin oleh para praktikan dan semua kalangan yang
membutuhkan.

Wassalamu’alaikum Wr. Wb.

Banda Aceh, September 2021

Tim Penyusun Modul

[1]
 TIM PENYUSUN MODUL
PRAKTIKUM STATISTIK INDUSTRI
2021

KETUA LABORAN : Prima Denny Sentia, S.T., M.IT

Koordinator Praktikum : Sarika Zuhri, S.T., M.T
Laboran : Rika Ulfa, S.T
Koordinator Asisten : Fella Amalia
Koordinator Praktikum : Andra Aprilia Rista
Sekretaris : Raihan Zahrani
Bendahara : Elviza Masyurah
Humas : Dhea Qatrunnada
Pj Penjadwalan : Rahayu Putri
Pj Software : Febi Silvia Alfina
Pj Pramodul 1 : Febi Silvia Alfina dan Raihan Zahrani
Pj Pramodul 2 : Dira Maladisya
Pj Modul 1 : Rahayu Putri
Pj Modul 2 : Andra Aprilia Rista dan Fella Amalia
Pj Modul 3 : Nurul Setiani
Pj Modul 4 : Elviza Masyurah dan Dhea Qatrunnada
 MATERI PRAKTIKUM
STATISTIK INDUSTRI
2021

Pra Modul I : Pengenalan SPSS dan Minitab

Pra Modul II : Pengenalan Kuesioner
Modul I : Perancangan Kuesioner dan Penarikan Sampel
Modul II : Statistik Deskriptif dan Distribusi Probabilitas
Modul III : Pengujian Validitas dan Reliabilitas
Modul IV : Analisis Hubungan Antar Variabel (Korelasi dan Regresi) dan
Pengujian Hipotesis
 TATA TERTIB DAN PETUNJUK PELAKSANAAN
PRAKTIKUM STATISTIK INDUSTRI

A. TATA TERTIB

1. Pratikan dapat mengikuti praktikum apabila telah memenuhi kewajiban sebagai

berikut:
a. Terdafatar di KRS pada mata kuliah bersangkutan.
b. Telah mengambil mata kuliah Statistik Industri serta dibuktikan dengan printout
transkrip online terbaru.
c. Telah mendaftar sebagai Praktikan Statistik.
d. WAJIB mengumpulkan Tugas Pendahuluan pada link yang diberikan.
e. Wajib membawa Modul (masing-masing praktikan), serta Panduan
Praktikum (minimal 1 eks setiap kelompok), jika tidak membawa maka tidak
diperbolehkan mengikuti praktikum.
f. Tugas pendahulan WAJIB ditulis tangan menggunakan kertas A4 dengan
ukuran margin kiri 4 cm, dan margin sisi lain 3 cm, ditulis dengan tinta warna
biru.
2. Setiap praktikan diwajibkan hadir kedalam ruangan ZOOM tepat pada waktunya.
Jika praktikan datang terlambat akan dikenakan sanksi sebagai berikut:
a. Terlambat 5 s.d 15 menit, maka tidak diperbolehkan mengikuti tes
pendahuluan.
b. Terlambat lebih dari 15 menit, maka tidak diperbolehkan mengikuti praktikum.
Jika praktikan tidak mengikuti salah satu modul praktikum, maka praktikan
dinyatakan GUGUR atau TIDAK LULUS.
c. Wajib mengaktifkan kamera saat praktikum berlangsung, jika praktikan ada
yang tidak mengaktifkan kamera saat praktikum berlangsung akan langsung di
KELUARKAN dari ruang zoom.
d. Wajib memastikan kestabilan jaringan selama praktikum berlangsung.
3. Mengisi daftar hadir (masuk dan keluar) sebagai bukti mengikuti praktikum.
4. Berpakaian sopan dan rapi selama mengikuti praktikum dan konsultasi.
a. Laki-laki: memakai kemeja bukan bahan kaos dan dimasukkan, memakai
celana panjang, tidak sobek, dan memakai tali pinggang. Jika praktikan tidak
 menaati, maka diberikan sanksi berupa pengurangan nilai pretest sebesar 25
poin.
b. Perempuan: Memakai kemeja lengan panjang bukan bahan kaos, tidak ketat
dan tidak tipis, memakai rok panjang tanpa belahan dan tidak terawang. Jika
praktikan tidak menaati, maka diberikan sanksi berupa pengurangan nilai
pretest sebesar 25 poin.
5. Selama praktikum dan konsultasi, seluruh praktikan tidak diperkenankan:
a. Merokok, makan dan minum
b. Mengobrol atau membuat keributan
c. Mengganggu sesama praktikan
d. Keluar ruangan praktikum dengan alasan apapun tanpa seizin asisten
e. Menggunakan ponsel atau barang elektronik sejenisnya
6. Bagi praktikan yang tidak dapat mengikuti jadwal praktikum yang telah ditentukan
dengan alasan sakit (melalui surat keterangan dokter/rumah sakit) atau izin
(melalui surat yang dapat dipertanggungjawabkan) harus menginformasikan hal
tersebut kepada asisten sebelum atau pada saat praktikum dilaksanakan dan harus
memberikan surat maksimal 1 hari setelah hari praktikum yang bersangkutan.
7. Tidak ada toleransi libur atau ganti hari untuk praktikum yang jatuh pada hari libur
nasional (tanggal merah). Praktikum tetap berlangsung sesuai jadwal.

B. PETUNJUK PELAKSANAAN PRAKTIKUM

1. Praktikan wajib mengikuti seluruh kegiatan praktikum yang terdiri dari

pengarahan, pra modul, tes pendahuluan, pelaksanaan praktikum, dan presentasi
laporan akhir.
2. Laptop, modul, alat tulis, kalkulator serta panduan praktikum harus dibawa oleh
setiap praktikan pada saat praktikum dan konsultasi.
3. Sebelum praktikum dimulai, praktikan harus memahami teori dan petunjuk
pelaksanaan praktikum.
4. Praktikan wajib melakukan kegiatan konsultasi pembuatan laporan praktikum
setiap modul dan laporan akhir sesuai dengan waktu yang telah ditentukan.
5. Konsultasi laporan praktikum setiap modul dan atau laporan akhir wajib dihadiri
oleh setiap anggota kelompok (absen berlaku).
6. Konsultasi laporan praktikum setiap modul dan laporan akhir harus dilakukan
selambat-lambatnya 1x 24 jam dan minimal 1 kali.
7. Laporan modul dan laporan akhir mengikut format sebagai berikut:
a. Kertas ukuran A4 70GSM
b. Bergaris pinggir (margin) 4, 3, 3, 3 dan spasi 1,5
c. Laporan modul dikumpulkan pada link yang diberikan oleh asisten
d. Laporan akhir dijilid hard cover dengan warna yang ditentukan
8. Laporan praktikum setiap modul dan laporan akhir harus dikumpulkan selambat-
lambatnya 3x24 jam atau 3 hari setelah praktikum modul yang bersangkutan.
9. Laporan yang telah diserahkan sepenuhnya menjadi milik Program Studi Teknik
Industri Unsyiah.
10. Pada akhir praktikum akan diadakan presentasi laporan akhir praktikum yang
terdiri dari keseluruhan modul yang dipraktikumkan. Waktu pelaksanaan
presentasi akan ditentukan setelah praktikum modul terakhir.
11. Persentase penilaian meliputi:
Tugas Pendahuluan : 10%
Pre Test : 15%
Laporan modul : 30%
Laporan akhir : 15%
Presentasi laporan akhir : 30%
12. Jika praktikan melanggar peraturan dan berlaku curang, maka praktikan dikenakan
sanksi. Sanksi terberat adalah TIDAK LULUS.
13. Jika tidak lulus Praktikum Statistik Industri maka tidak diperbolehkan mengikuti
Praktikum Perancangan Sistem Kerja dan Ergonomi.

C. SANKSI TERLAMBAT PENGUMPULAN LAPORAN MODUL DAN

LAPORAN AKHIR

a. Terlambat > 15 Menit = Dikurangi 10 poin dari Laporan

Modul
b. Terlambat 15-30 Menit = Dikurangi 25 poin dari Laporan
Modul
c. Terlambat 30-60 Menit = Dikurangi 50 poin dari Laporan
Modul
 d. Terlambat > 60 Menit = Dinyatakan GUGUR

D. SANKSI TIDAK MENGIKUTI ASISTENSI

a. Sanksi Kelompok
1 kali tidak mengikuti asistensi = Dikurangi 25 poin Laporan
Modul
2 kali tidak mengikuti asistensi = Dianggap GUGUR

b. Sanksi Pribadi
1 kali tidak mengikuti asistensi = Dikurangi 25 poin dari Tugas
Pendahuluan (Tergantung
Modul)
2 kali tidak mengikuti asistensi = Dikurangi 50 poin dari Tugas
Pendahuluan (Tergantung
Modul)
 MODUL I
PERANCANGAN KUESIONER & PENARIKAN SAMPEL

A. TUJUAN PRAKTIKUM
Dari praktikum modul ini diharapkan praktikan mampu:
1. Memahami definisi dari istilah-istilah yang terkait dengan penarikan sampel.
2. Memahami cara penentuan karakteristik responden kuesioner.
3. Mengetahui cara perancangan kuesioner.
4. Mengetahui cara pengambilan sampel yang tepat dengan berbagai metode yang
ada.
5. Membandingkan antara metode yang satu dengan metode yang lain dalam
pengambilan sampel.

B. KUESIONER
Kualitas data penelitian tergantung pada kualitas instrumen serta kualitas teknik
pengambilan datanya, Sekaran (2000). Lebih lanjut dinyatakan bahwa kualitas
instrumen penelitian tergantung pada validitas dan realiabilitas instrumen penelitian.
Teknik pengumpulan data berhubungan dengan penyusunan studi penelitian, jenis
sumber data serta cara pengumpulan data. Cara pengumpulan data dapat dilakukan
melalui tiga cara yaitu: wawancara, observasi dan penyebaran kuesioner kepada
responden penelitian. Jenis data meliputi data primer dan data sekunder, lebih mudah
mempertanggungjawabkan data sekunder dibandingkan dengan data primer. Cara
pengumpulan data dapat dilakukan melalui tiga cara yaitu: wawancara, observasi
dan penyebaran kuesioner kepada responden penelitian. Jenis data meliputi data
primer dan data sekunder, lebih mudah mempertanggung jawabkan data sekunder
dibandingkan dengan data primer.
Survei merupakan alternatif metode komunikasi dengan mengajukan
pertanyaan pada responden dan merekam jawabannya untuk dianalisis lebih lanjut
(Cooper dan Emory,1995). Permasalahan dalam teknik survei lebih terkait dengan
pembuatan kuesionernya karena berhubungan langsung dengan daya tanggap
responden. Di sisi lain perlu upaya tertentu dalam rangka memberikan pemahaman
kepada responden sehingga responden mau menjawab dan menyelesaikan kuesioner.

[1]
1.1 Pengertian Kuesioner
Kuesioner merupakan alat pengumpulan data primer dengan metode survei
untuk memperoleh opini responden. Kuesioner dapat digunakan untuk memperoleh
informasi pribadi misalnya sikap, opini, harapan dan keinginan responden. Idealnya
semua responden mau mengisi atau lebih tepatnya memiliki motivasi untuk
menyelesaiakan pertanyaan ataupun pernyataan yang ada pada kuesioner penelitian.
Apabila tingkat respon (repon rate) diharapkan 100%.
Peneliti harus merancang bentuk kuesionernya, yaitu pertanyaan yang sifatnya
terbuka atau tertutup. Pertanyaan terbuka memungkinkan responden menjawab bebas
dan seluas-luasnya terhadap pertanyaan namun dalam pertanyaan tertutup, responden
hanya diberi kesempatan memilih jawaban yang tersedia. Pertanyaan tertutup akan
mengurangi variabilitas tanggapan responden sehingga memudahkan analisisnya.
Pilihan jawaban yang diberikan dapat berupa pilihan dikotomis sampai
dengan pertanyaan pilihan ganda yang memungkinkan gradasi preferensi responden.

1.2 Variabel Kuesioner

Variabel penelitian pada ilmu sosial harus ditentukan oleh peneliti, yang
jumlahnya tergantung pada kedalaman dan luas tidaknya penelitian. Variabel
merupakan satuan terkecil obyek penelitian (Noeng Muhajir: 1998), lebih lanjut
dinyatakan bahwa peneliti dapat mengeliminasi variabel melalui eliminasi phisik,
eliminasi dengan kontrol serta eliminasi statistik. Sedangkan Lerbin Aritonang (2011)
berpendapat bahwa variabel merupakan sesuatu yang memiliki atribut yang
bervariasi dan atribut itu dinyatakan dalam bentuk angka atau bilangan.
Jumlah variabel penelitian menentukan jumlah instrumennya, apabila
terdapat tiga variabel penelitian maka dibuat pula tiga instrument penelitian. Misalnya
variabel kualitas produk, kepuasan konsumen dan variabel loyalitas konsumen maka
perlu dibuat tiga instrumen penelitian untuk mengukur ketiga variabel tersebut.
Dengan demikian diperlukan instrumen untuk mengukur kualitas produk, instrument
untuk mengukur kepuasan serta instrument untuk mengukur loyalitas konsumen.
Variabel pada ilmu sosial dibuat sesuai konsep yang mendasarinya. Kadang-
kadang sesuatu konsep belum dapat diukur maka menjadi tugas si peneliti untuk
menguraikannya sehingga menjadi sesuatu konsep yang terukur. Konsep yang terukur
berarti sudah menunjukkan variasi nilai. Konsep yang sudah mampu menunjukkan
berbagai variasi nilai dapat dianggap sebagai variabel.
Pada tahap ini peneliti berwenang untuk membentuk konsep, yang kemudian
dioperasionalkan dan diukur berdasarkan dimensi-dimensi (indikator) tertentu. Dengan
demikian variabel penelitian dibentuk berdasar kerangka pikir ilmiah, artinya baik
secara teoritis maupun empiris dapat diterima secara logis. Jelas bahwa variabel
penelitian sosial bukan merupakan hasil kegiatan asal-asalan melainkan berdasarkan
kerangka pikir ilmiah. Disinilah peran aktif peneliti terkait variabel yang akan diteliti,
diperlukan pemahaman teori serta pemahaman empiris (misalnya melalui penelitian
sebelumnya).

1.3 Indikator Variabel

Pada penelitian eksakta, pengukuran variabel tidak menimbulkan masalah
misalnya tentang panjang, berat, volume, dan lain-lain. Namun pada penelitian sosial
pengukuran variabel tidak dapat dilakukan sembarangan. Setelah diperoleh rujukan
empiris tentang suatu konsep, atau apabila sudah dapat ditentukan definisi
operasionalnya maka perlu ditentukan indikator atau dimensinya.
Berdasarkan definisi operasional peneliti mencari indikator yang tepat,
yang sesuai dengan variabel yang seharusnya diukur. Sekaran (2000) memberikan
contoh bahwa variabel motivasi berprestasi (achievement motivation) dapat
diobservasi dan diukur berdasarkan lima dimensi sebagai berikut:
1. Digerakkan oleh pekerjaan (driven by work)
2. Tidak mungkin relax (unableto relax)
3. Tidak suka terhadap yang tidak efektif (impatience with ineffectivness)
4. Mencari tantangan (seek moderate challange)
5. Mencari umpan balik (seek feedback)
Kelima dimensi tersebut masing-masing akan dicari elemen-elemen yang
mencerminkan atribut dari setiap elemen. Sekaran selanjutnya mengukur ke lima
atribut tersebut, masing-masing ke dalam beberapa elemen pengukuran. Misalnya
untuk dimensi pertama, yaitu digerakkan oleh pekerjaan (driven by work) diuraikan tiga
elemen yang mencerminkan perilaku tersebut. Tiga elemen yang nantinya dipakai
sebagai dasar pembuatan pertanyaan atau pernyataan tersebut meliputi: selalu bekerja
(constantly working), enggan beristirahat dari pekerjaan (very luctant to take time off
for anything) dan tetap bertahan dari berbagai penghalang (persevering despite
setbacks).

1.4 Jenis Kuesioner

Ada 3 jenis pertanyaan dalam kuesioner, yakni pertanyaan terbuka, tertutup,
dan gabungan tertutup dan terbuka. Pertanyaan dengan jawaban terbuka adalah
pertanyaan yang memberikan kebebasan penuh kepada responden untuk menjawabnya.
Sedangkan pertanyaan dengan jawaban tertutup adalah sebaliknya, yaitu semua
alternatif jawaban responden sudah disediakan. Responden tinggal memilih alternatif
jawaban yang dianggapnya sesuai.
1.4.1 Kuesioner Dengan Jawaban Tertutup
Salah satu keuntungannya untuk kuesioner ini adalah sebagai berikut :
1. Jawaban-jawaban bersifat standar dan bisa dibandingkan dengan jawaban
orang lain.
2. awaban-jawabannya jauh lebih mudah dikoding dan dianalisis, bahkan
sering secara langsung dapat dikoding dari pertanyaan yang ada, sehingga hal
ini dapat menghemat tenaga dan waktu.
3. Responden lebih merasa yakin akan jawaban-jawabannya, terutama bagi
mereka yang sebelumnya tidak yakin.
4. Jawaban-jawaban relatif lebih lengkap karena sudah dipersiapkan sebelumnya
oleh peneliti.
5. Analisis dan formulasinya lebih mudah jika dibandingkan dengan model
kuesioner dengan jawaban terbuka
Meskipun demikian, ada juga kelemahannya, yakni:
1. Sangat mudah bagi responden untuk menebak setiap jawaban, meskipun
sebetulnya mereka tidak memahami masalahnya.
2. Responden merasa frustrasi dengan sediaan jawaban yang tidak satu pun yang
sesuai dengan keinginannya.
3. Sering terjadi jawaban-jawaban yang terlalu banyak sehingga
membingungkan responden untuk memilihnya
4. Tidak bisa mendeteksi adanya perbedaan pendapat antara responden dengan
peneliti karena responden hanya disuruh memilih alternatif jawaban yang
tersedia.
1.4.2 Kuesioner Dengan Jawaban Terbuka
Keuntungannya adalah dapat digunakan apabila semua alternatif jawaban
tidak diketahui oleh peneliti, atau manakala peneliti ingin melihat bagaimana dan
mengapa jawaban responden serta alasan- alasannya. Hal ini sangat baik untuk
menambah pengetahuan peneliti akan masalah yang diutarakannya, membolehkan
responden untuk menjawab sedetil atau serinci mungkin atas apa yang ditanyakan
peneliti. Dalam hal ini endapat responden dapat diketahui dengan baik oleh peneliti.

1.4.3 Kuesioner Dengan Jawaban Tertutup Dan Terbuka

Untuk menjembatani kekurangan-kekurangan seperti tadi, maka sering
digunakan pertanyaan model gabungan antara keduanya. Dengan model tertutup dan
tebuka, semua kekurangan seperti tadi bisa diatasi. Misalnya dalam satu pertanyaan,
disamping disediakan alternatif jawaban oleh peneliti, uga perlu disediakan alternatif
terbuka (c. …………… ) untuk diisi sendiri oleh responden sesuai dengan
pendapatnya secara bebas.
Dalam mengolah data untuk model terakhir ini, bisa dilakukan
pengelompokan ulang atas semua jawaban responden pada alternatif terbuka tadi.
Atau bisa juga peneliti melihat ulang apakah jawaban responden yang terakhir itu
sebenarnya sudah termasuk ke dalam salah satu alternatif jawaban yang tersedia.
Dan jika ternyata jawabannya sama dengan salah satu alternatif jawaban yang tersedia
namun dalam bahasa yang berbeda, peneliti bisa menganggapnya sebagai jawaban
seperti pada alternatif yang tersedia tadi.
Dalam menyusun desain penelitian survei adalah menurunkan matriks
operasionalisasi ke dalam item - tem pertanyaan. Pertanyaan survei yang baik dapat
menjaring informasi yang lebih tepat. Berikut adalah ciri-ciri pertanyaan penelitian
yang baik:
1. Jelas dan menggunakan bahasa yang sederhana
2. Padat
3. Spesifik
4. Bisa dijawab
5. Memiliki relevansi dengan responden
6. Tidak menggunakan kalimat negative
 7. Hindari menggunakan terminology yang bias
8. Hindari menanyakan dua hal sekaligus dalam suatu pertanyaan

1.5 Jenis Skala Kuesioner

Skala kuesioner terdiri dari beberapa jenis yaitu :
1.5.1 Skala Likert
Skala Likert adalah suatu skala psikometrik yang umum digunakan dalam
kuesioner, dan merupakan skala yang paling banyak digunakan dalam riset berupa
survei. Sewaktu menanggapi pertanyaan dalam skala Likert, responden menentukan
tingkat persetujuan mereka terhadap suatu pernyataan dengan memilih salah satu dari
pilihan yang tersedia. Ada dua bentuk pertanyaan yang menggunakan Likert yaitu
pertanyaan positif untuk mengukur minat positif , dan bentuk pertanyaan negatif untuk
mengukur minat negatif. Pertanyaan positif diberi skor 5, 4, 3, 2, dan 1; sedangkan
bentuk pertanyaan negatif diberi skor 1, 2, 3, 4, dan 5. Biasanya disediakan lima pilihan
skala dengan format seperti:
1. Sangat Tidak Setuju (STS)
2. Tidak Setuju (TS)
3. Netral atau Biasa (B)
4. Setuju (S)
5. Sangat setuju (SS)
Penskalaan ini apabila dikaitkan dengan jenis data yang dihasilkan adalah
data Ordinal. Selain pilihan dengan lima skala seperti contoh di atas, kadang
digunakan juga skala dengan tujuh atau sembilan tingkat. Suatu studi empiris
menemukan bahwa beberapa karakteristik statistik hasil kuesioner dengan berbagai
jumlah pilihan tersebut ternyata sangat mirip.

1.5.2 Skala Guttman

Skala Guttman yaitu skala yang menginginkan jawaban tegas seperti
jawaban benar-salah, ya- tidak, pernah – tidak pernah.Untuk jawaban positif seperti
setuju, benar, pernah dan semacamnya diberi skor 1; sedangkan untuk jawaban
negatif seperti tidak setuju, salah, tidak, tidak pernah, dan semacamnya diberi
skor 0. Dengan skala ini, akan diperoleh jawaban yang tegas yaitu Ya - Tidak,
Benar - Salah dan lain-lain. Skala ini dapat pula dibentuk dalam bentuk checklist
atau pilihan ganda.Skor 1 untuk skor tertinggi dan skor 0 untuk terendah.

1.5.3 Skala Rating

Skala rating adalah data mentah yang diperoleh berupa angka kemudian
ditafsirkan dalam pengertian kualitatif.
Contoh:
Seberapa baik televisi merek X ? Berilah jawaban angka:
4 : bila produk sangat baik
3 : bila produk cukup baik
2 : bila produk kurang baik
2 : bila produk sangat tidak baik

1.5.4 Skala Semantik Defferensial

Skala defferensial yaitu skala untuk mengukur sikap dan lainnya, tetapi
bentuknya bukan pilihan ganda atau checklist tetapi tersusun dalam satu garis
kontinum.Skala Semantik defferensial disusun dalam suatu garis dimana jawaban
sangat positif terletak dibagian kanan garis, sedangkan jawaban sangat negatif
terletak dibagian kiri garis atau sebaliknya. Data yang diperoleh adalah data interval
dan baisanya skala ini digunakan untuk mengukur sikap/karakteristik tertentu yang
dipunyai oleh seseorang.Responden dapat memberi jawaban pada rentang jawaban
yang positif sampai dengan negatif.

1.6 Format Kuesioner

Emory (1995) dalam bukunya Husein Umar (2005) komponen inti kuesioner
menurut Emory, ada 4 komponen inti dari sebuah kuesioner yaitu :
1. Adanya subyek, yaitu individu atau lembaga yang melaksanakan riset
2. Adanya ajakan, yaitu permohonan dari peneliti kepada responden untuk turut
serta mengisi secara aktif dan obyektif pertanyaan maupun pernyataan yang
tersedia. Dalam kata pengantar, peneliti harus menjelaskan secara ringkas
tujuan dan kegunaan penelitian, serta harapan atau permintaan yang khusus
ditujukan kepada responden.
 3. Adanya petunjuk pegisian kuesioner, dimana petunjuk yang tersedia harus
mudah di mengerti.
4. Adanya pertanyaan maupun pernyataan dan tempat mengisi jawaban, baik
secara tertutup, semi tertutup ataupun terbuka. Dalam membuat pertanyaan
yang berkaitan dengan variabel utama penelitian dan jangan lupa
memberikan isian untuk identitas responden agar peneliti mengetahui
karakteristik biografik, demografik, atau social responden penelitian. Walau
pada awalnya hanya sekedar bersifat informatif, namun seringkali bisa
digunakan sebagai bahan analisis.

1.7 Penyusunan Kuesioner

Tantangan dalam pengumpulan data primer terkait dengan motivasi responden
untuk menyelesaikan setiap pertanyaan yang ada dalam kuesioner. Pernyataan atau
pertanyaan yang terlalu rumit akan menimbulkan kebingungan responden.
Oleh karenanya ada beberapa hal yang penting diperhatikan dalam menyusun kuesioner
penelitian.
Cara penyusunan kuesioner dapat mengikuti beberapa saran berikut :
1. Kesesuaian antara isi dan tujuan yang ingin dicapai kuesioner. Indikator
variabel sebaiknya dimanfaatkan secara tepat, jangan sampai terjadi kesalahan
dalam pengukuran variabel, Jogiyanto (2005), Sekaran (2000). Setiap
indikator minimal terdapat satu pernyataan tetapi bila memungkinkan lebih
dari satu pernyataan, Suharsimi (1996).
2. Jumlah indikator atau dimensi cukup untuk mengukur variabel. Misalnya,
Sekaran (2000) memberikan contoh bahwa variabel motivasi berprestasi
(achievement motivation) dapat diobservasi dan diukur berdasarkan lima
dimensi.
3. Skala pada kuesioner. Penggunaan skala pengukuran yang tepat, dalam hal
datanya nominal, ordinal, interval dan ratio lebih disarankan
menggunakan pertanyaan tertutup. Skala dapat berjumlah genap atau ganjil.
Untuk penelitian di Indonesia disarankan menggunakan skala Likert genap
misalnya dengan 4 tingkat (berarti skala genap) yaitu: 1 (sangat setuju), 2
(setuju), 3 (kurang setuju) dan 4 (tidak setuju). Sebab terdapat kecenderungan
bahwa individu di Indonesia cenderung bersikap netral, apabila demikian
 responden lebih mempunyai sikap kepada setuju atau tidak setuju. Namun
apabila menggunakan skala Likert ganjil, misalnya lima tingkat skala Likert
maka individu di Indonesia dikhawatirkan akan cenderung memilih tiga (yang
mencerminkan sikap netral). Lima tingkatan skala Likert tersebut adalah: 1
(sangat setuju), 2 (setuju), 3 (netral), 4 (kurang setuju) dan 5 (tidak setuju).
4. Jumlah pertanyaan memadai, tidak terlalu banyak. Jumlah pertanyaan yang
terlalu banyak menimbulkan keenggan responden namun apabila terlalu
sedikit dikhawatirkan kurang mencerminkan opini responden. Jogianto (2005)
menyarankan waktu untuk menyelesaikan kuesioner tidak melebihi 10 menit.
5. Jenis dan bentuk kuesioner: tertutup dan terbuka, disesuaikan dengan
karakteristik sampelnya. Cooper dan Emory (1995) menyatakan terdapat
lima faktor yang yang mempengaruhinnya, yaitu: pertama, dari sisi tujuannya
antara sekedar klarifikasi atau menggali informasi. Kedua, tingkat informasi
responden (degree of knowledge) terkait topik penelitian. Ketiga, derajad
pemikiran responden terkait dengan derajad intensitas ekspresi responden.
Keempat, kemudahan komunikasi dan motivasi responden. Kelima, derajad
pemahaman peneliti sehingga semakin kurang paham semakin diperlukan
pertanyaan terbuka.
6. Bahasa yang dipakai disesuaikan dengan kemampuan berbahasa responden.
Kondisi responden terkait dengan: tingkat pendidikan, budaya, kerangka
referensi. Kalau responden kurang memahami kuesioner, selayaknya (apabila
memungkinkan) peneliti bisa membagikannya secara langsung kepada
responden. Bila demikian peneliti dapat memberikan penjelasan langsung
apabila terjadi ketidakpahaman responden.
7. Untuk melihat keseriusan responden perlu dinyatakan dalam pertanyaan
(pernyataan) yang positif maupun negatif sehingga informasi bias dapat
diminimalisir. Misalnya: pertanyaan no 6 adalah: “saya sangat menikmati
kegiatan lomba karya ilmiah di kampus saya”. Responden sekali waktu perlu
dicek konsistensinya, misalnya pada pernyataan berikutnya (dibuat lagi):
“saya merasa jenuh dengan kegiatan lomba karya ilmiah di kampus saya”.
8. Pertanyaan tidak mendua supaya tidak membingungkan responden. Misalnya
pernyataan: “saya yakin bahwa kegiatan ini mudah dan dapat segera
 diselesaikan dalam waktu singkat” sebaiknya dipecah menjadi dua
pernyataan berikut:
pertama, ”Saya yakin bahwa kegiatan ini mudah untuk dilaksanakan”,
dan yang kedua:“Saya yakin bahwa kegiatan ini dapat segera diselesaikan
dalam waktu singkat”.
9. Pernyataan sebaiknya tidak memungkinkan jawaban ya atau tidak,
disarankan untuk membuat dalam beberapa gradasi, misalnya dalam suatu
kontinuum yang memungkinkan munculnya variasi nilai.
10. Pernyataan bukan hal yang sudah lama, masa lalu cenderung bias dan
sudah dilupakan.
11. Pernyataan tidak bersifat mengarahkan, tidak bersifat menggiring. Misalnya
“para pimpinan di tempat kerja saya cenderung bersikap bijaksana, apakah
anda setuju? 1 (sangat setuju), 2 (setuju), 3 (kurang setuju) dan 4 (tidak
setuju)”. Responden seolah digiring untuk bersikap menyetujui pernyataan
yang menjadi subyektivitas peneliti.
12. Pernyataan tidak membingungkan responden. Misalnya pernyataan: ”saya
merasa bahagia”, mungkin perlu diperjelas dengan: “saya merasa bahagia
dalam kehidupan perkawinan saya”. Ada kemungkinan responden bingung
karena dia merasa bahagia dalam kehidupan perkawinannya namun tidak
bahagia dalam pekerjaannya.
13. Pernyataan tidak terlalu memberatkan responden. Seandainya berupa
pernyataan ataupun pertanyaan terbuka, perlu kronologi yang baik artinya
diawali dengan hal-hal ringan dan umum, dan seterusnya sampai kepada hal-
hal yang bersifat spesifik.
14. Jumlah dan urutan pertanyaan memberikan semangat responden
untuk menyelesesaikannya sampai tuntas.

Disamping hal-hal tersebut diatas, dalam rangka meningkatkan mutu

informasi yang diperoleh maka peneliti harus memperhatikan kemauan dan
kemampuan responden untuk bekerjasama serta tingkat pemahaman responden
terhadap tema penelitian. Untuk meningkatkan motivasi responden peneliti perlu
memperhatikan pula hal-hal berikut, Jogiyanto (2005), Sekaran (2000), Cooper
(1995):
 1. Pada bagian pengenalan (pendahuluan) sebaiknya diungkapkan tujuan
penelitian secara jelas namun singkat serta tidak perlu kalimat yang panjang
dan lebar.
2. Pemberitahuan awal (introduction to completion) merupakan
pemberitahuan lebih dulu kepada responden. Misalnya lewat telepon atau
pada saat akan membagikan kuesioner, ungkapkan bahwa peneliti akan
menunggu kuesioner.
3. Tindak lanjut diperlukan untuk mengingatkan kembali kepada responden
atas kuesioner yang telah diterima responden dan bila memungkinkan akan
menelepon kembali untuk mengingatkan pengisisan kuesioner serta
pengambilan kembali oleh peneliti.
4. Survei yang disponsori oleh lembaga tertentu kadang-kadang lebih mendapat
respon yang lebih baik dibandingkan survei tanpa sponsor
5. Khususnya kuesioner yang dikirim lewat pos, akan lebih efektif apabila
disertai perangko untuk mengirimkan kembali pada peneliti sehingga tidak
menimbulkan beban tambahan bagi responden.
6. Kuesioner tanpa identitas responden kadang-kadang lebih disukai sehingga
responden lebih jujur dalam mengungkapkan opininya.
7. Pemberian insentif atau souvenir kadang-kadang juga memberikan motivasi
pada responden untuk mengisi kuesioner.
8. Penentuan batas waktu atau pemberitahuan tentang ketentuan tanggal yang
diberikan peneliti, akan mempercepat respon sehingga kuesioner lebih cepat
sampai ke peneliti.
9. Secara keseluruhan diatur supaya tampak tidak terlalu banyak, kalau
memungkinkan diberi warna supaya menarik.

C. PENARIKAN SAMPEL

Penarikan sampel adalah suatu cara pengumpulan data jika hanya sebagian dari
elemen populasi yang diselidiki. Dalam setiap penelitian statistik, yang selalu dituju
adalah sekelompok populasi yang ingin diketahui ciri-cirinya seperti rata-rata hitung
(µ), standard deviasi (σ), proporsi (P), dan sabagainya, namun karena keterbatasan
waktu, dana, dan teknologi, maka hanya sampel yang diperiksa, seperti rata-rata hitung
penduga (𝑥), standar deviasi penduga (s), proporsi penduga (p), dsb.
 Salah satu penelitian yang menggunakan penarikan sampel sebagai
penyelesaian masalah yaitu penelitian survei, dimana pengambilan sampel dari suatu
populasi dilakukan dengan menggunakan kuisioner sebagai alat pengumpul data yang
pokok (Singarimbun, 1998). Penelitian survei dapat digunakan untuk maksud
penjajakan (eksploratif), menguraikan (deskriptif), penjelasan (eksplanatori) yaitu
untuk menjelaskan hubungan kausal dan pengujian hipotesa, evaluasi, prediksi atau
meramalkan kejadian tertentu di masa yang akan datang, penelitian operational dan
pengembangan indikator-indikator sosial.

1. Pengertian Populasi dan Sampel

Populasi adalah kumpulan dari keseluruhan pengukuran, objek, atau individu
yang sedang dikaji (Harinaldi, 2005). Jadi, pengertian populasi dalam statistik tidak
terbatas pada sekelompok/kumpulan orang-orang, namun mengacu pada seluruh
ukuran, hitungan, atau kualitas yang menjadi fokus perhatian suatu kajian.
Sampel (bahasa inggris: sample) merupakan bagian dari populasi yang ingin
diteliti; dipandang sebagai suatu pendugaan terhadap populasi, namun bukan populasi
itu sendiri. Sampel dianggap sebagai perwakilan dari populasi yang hasilnya mewakili
keseluruhan gejala yang diamati. Ukuran dan keragaman sampel menjadi penentu baik
tidaknya sampel yang diambil.
Sampel adalah sebagian dari jumlah dan karakteristik yang dimiliki oleh
populasi tersebut, ataupun bagian kecil dari anggota populasi yang diambil menurut
prosedur tertentu sehingga dapat mewakili populasinya. Jika populasi besar, dan
peneliti tidak mungkin mempelajari seluruh yang ada di populasi, hal seperti ini
dikarenakan adanya keterbatasan dana atau biaya, tenaga dan waktu, maka oleh sebab
itu peneliti dapat memakai sampel yang diambil dari populasi. Sampel yang akan
diambil dari populasi tersebut harus betul-betul representatif atau dapat mewakili
1.1 Faktor-faktor yang Dipertimbangkan dalam Menentukan Berapa Besar
Ukuran Sampel yang Harus Diambil dari Populasi Tertentu
Berikut merupakan faktor-faktor pertimbangan dalam menentukan ukuran
sampel yang harus diambil.
1. Derajat Keseragaman Populasi (Degree of Homogenit)
2. Tingkat Presisi yang digunakan. Terutama digunakan dalam penelitian
eksplanatif, misalnya penelitian korelasional, yakni suatu pernyataan peneliti
 tentang tingkat keakuratan hasil penelitian yang diinginkannya. Tingkat presisi
biasanya dinyatakan dengan taraf signifikansi (α) yang dalam penelitian sosial
biasa berkisar 0,05 (5%) atau 0,01 (1%), sehingga keakuratan hasil
penelitiannya (selang kepercayaannya) 1–α yakni bisa 95% atau 99%. Jika kita
menggunakan taraf signifikansi 0,01 maka ukuran sampel yang diambil harus
lebih besar daripada ukuran sampel jika kita menggunakan taraf signifikansi
0,05.
3. Rancangan Analisis, sesuatu yang berkaitan dengan pengolahan data, penyajian
data, pengupasan data, dan penafsiran data yang akan ditempuh dalam
penelitian.
4. Alasan-alasan tertentu yang berkaitan dengan keterbatasan-keterbatasan yang
ada pada peneliti, misalnya keterbatasan waktu, tenaga, biaya, dan lain-lain.
(Catatan: Alasan ke-4 ini jangan digunakan sebagai pertimbangan utama dalam
menentukan ukuran sampel, sebab hal ini lebih berkaitan dengan pertimbangan
peneliti dan bukan pertimbangan penelitian (metodologi).

1.3 Teknik Pengambilan Sampel

Menurut (Dalen, 1981) beberapa langkah yang harus diperhatikan dalam
menentukan sampel, yaitu:
1. Menentukan populasi.
2. Mencari data akurat unit populasi,
3. Memilih sampel yang representative,
4. Menentukan jumlah sampel yang memadai.

Menurut (Rozaini Nasution, 2003), pemilihan teknik pengambilan sampel

merupakan upaya penelitian untuk mendapat sampel yang representative (mewakili),
yang dapat menggambarkan populasinya. Teknik pengambilan sampel tersebut dibagi
atas 2 kelompok besar, yaitu:
1. Random Sampling (Probability Sampling)
2. Non Random Sampling (Non Probability Sampling)

1.3.1 Teknik Random Sampling

 Teknik random sampling ialah teknik pengambilan sampel dimana semua
individu dalam populasi, baik secara individual atau bekelompok diberi kesempatan
yang sama untuk dipilih menjadi anggota sampel.
Random sampling juga dikenal dengan pengambilan sampel secara acak yaitu
pengambilan sampel tanpa pilih-pilih dan didasarkan atas prinsip-prinsip matematis
yang telah diuji dalam praktek. Sebab dipandang sebagai teknik sampling paling baik
dalam sebuah penelitian. Sampel yang diperoleh secara acak lebih mantap bila
dibandingkan dengan incidental sampel yang diperoleh secara insidental. Sebab cara
ini kurang menggunakan primnsip ilmiah yang baik.
Pada prakteknya, random sampling terdiri dari beberapa metode, diantaranya:
a. Pengambilan Acak Sederhana (Simple Random Sampling)
Yang dimaksudkan dengan pengambilan sampel acak sederhana adalah
pengambilan sampel sedemikian rupa sehingga setiap unit dasar memiliki
kesempatan yang sama untuk diambil sebagai sampel.
Sistem pengambilan sampel secara acak dengan menggunakan undian atau tabel
angka random. Tabel angka random merupakan tabel yang dibuat dalam
komputer berisi angka-angka yang terdiri dari kolom dan baris, dan cara
pemilihannya dilalukan secara bebas. Pengambilan acak secara sederhana ini
dapat menggunakan prinsip pengambilan sampel dengan pengembalian ataupun
pengambilan sampel tanpa pengembalian. Kelebihan dari pemngembilan acak
sederhana ini adalah mengatasi bias yang muncul dalam pemilihan anggota
sampel, dan kemampuan menghitung standard error. Sedangkan
kekurangannya adalah tidak adanya jaminan bahwa setiap sampel yang diambil
secara acak akan merepresentasikan populasi secara tepat.
Contoh:
Seorang peneliti memiliki daftar 100 orang populasi dan ingin memilih 10 orang
untuk menjadi sampel. Pertama, semua orang dalam populasi ditandai dengan
nomor 1-100. Nomor tersebut lalu diacak. Pengacakan bisa meniru model arisan
atau sekarang bisa menggunakan aplikasi acak nomor. 10 individu yang
nomornya keluar menjadi sampel penelitiannya. Teknik ini biasanya digunakan
pada populasi yang homogen. Misal seseorang ingin meneliti tentang proses
belajar di kelas dalam satu kelas. Total muridnya berjumlah 100 orang. Peneliti
tersebut bisa mewawancarai secara mendalam 10 orang sebagai sampel.
b. Pengambilan Acak Secara Sistematis (Systematic Random Sampling)
Pengambilan sampel acak sistematik dilakukan bila pengambilan sampel acak
dilakukan secara berurutan dengan interval tertentu. Besarnya interval (i) dapat
ditentukan dengan membagi populasi (N) dengan jumlah sampel yang
diinginkan (n) atau i=N/n. Sistem pengambilan sampel yang dilakukan dengan
menggunakan selang interval tertentu secara berurutan.
Contoh:
Jika ingin mengambil 1000 sampel dari 5000 populasi secara acak, maka
kemungkinan terpilihnya 1/5. Diambil satu angka dari interval pertama antara
angka 1-5, dan dilanjutkan dengan pemilihan angka berikutnya dari interval
selanjutnya.

c. Pengambilan Acak Berdasarkan Lapisan (Stratified Random Sampling)

Stratified random sampling adalah pengambilan sampel yang dilakukan dengan
membagi populasi menjadi beberapa strata dimana setiap strata adalah
homogen. Sistem pengambilan sampel yang dibagi menurut lapisan-lapisan
tertentu dan masing-masing lapisan memiliki jumlah sampel yang sama.
Kelebihan dari pengambilan acak berdasar lapisan ini adalah lebih tepat dalam
menduga populasi karena variasi pada populasi dapat terwakili oleh sampel.
Sedangkan, kekurangannya adalah harus memiliki informasi dan data yang
cukup tentang variasi populasi penelitian. Selain itu, kadang-kadang ada
perbedaan jumlah yang besar antar masing-masing strata.
Contoh:
Seorang direktur rumah sakit ingin mengetahui prestasi kerja tenaga kesehatan
dan diukur berdasarkan kepatuhan dalam menggunakan prosedur tetap dalam
memberikan pelayanan kepada penderita.
Untuk itu, 36 orang tenaga kesehatan sebagai populasi dibagi menjadi 4
kelompok berdasarkan prestasi kerja tahun yang lalu. Masing-masing kelompok
terdiri dari 9 orang dengan prestasi kerja yang hampir sama dan terdapat
perbedaan antar kelompok kemudian pada setiap kelompok diambil 8 orang
sebagai sampel hingga diperoleh sampel sebanyak 32 orang.
 d. Pengambilan Acak Berdasar Area (Cluster Sampling)
Pengambilan sampel acak kelompok dilakukan bila kita akan mengadakan suatu
penelitian dengan mengambil kelompok unit dasar sebagai sampel. Sistem
pengambilan sampel yang dibagi berdasarkan areanya. Setiap area memiliki
jatah terambil yang sama. Kelebihan dari pengambilan acak berdasar area ini
adalah lebih tepat menduga populasi karena variasi dalam populasi dapat
terwakili dalam sampel. Sedangkan, kekurangannya adalah memerlukan waktu
yang lama karena harus membaginya dalam area-area tertentu.
Pada penggunaan teknik cluster sampling, biasanya digunakan dua tahapan,
yaitu tahap pertama menentukan sampel daerah, dan tahap kedua menentukan
orang atau objek yang dijadikan penelitian pada daerah yang terpilih yang
dilakukan secara random.
Contoh:
Survei tentang tingkat kepercayaan warga NU dan Muhammadiyah tentang
pernyataan bahwa ”Borobudur peninggalan Raja Sulaiman”. Daftar
keseluruhan populasi warga NU dan Muhammadiyah tidak tersedia. Tidak
mungkin pula membuatnya. Maka, peneliti memilih organisasi NU dan
Muhamadiyah cabang mana yang akan dijadikan sampel. Setiap organisasi
diperoleh daftar anggota-anggotanya. Cluster sampling artinya memilih klaster
yang tersedia karena tidak ada data yang menunjukkan semua populasinya.
Keuntungan menggunakan teknik ini ialah:
(1) Dapat mengambil populasi besar yang tersebar di berbagai daerah
(2) Pelaksanaannya lebih mudah dan murah dibandingkan teknik lainnya.

Sedangkan kelemahannya ialah

(1) Jumlah individu dalam setiap pilihan tidak sama, karena itu teknik ini
tidaklah sebaik teknik lainnya
(2) Ada kemungkinan penduduk satu daerah berpindah ke daerah lain tanpa
sepengetahuan peneliti, sehingga penduduk tersebut mungkin menjadi anggota
rangkap sampel penelitian.

1.3.2 Teknik Non Random Sampling

 Seperti telah diuraikan sebelumnya, jenis sampel ini tidak dipilih secara acak.
Tidak semua unsur atau elemen populasi mempunyai kesempatan sama untuk bisa
dipilih menjadi sampel. Unsur populasi yang terpilih menjadi sampel bisa disebabkan
karena kebetulan atau karena faktor lain yang sebelumnya sudah direncanakan oleh
peneliti.
a. Convenience Sampling (Sampel yang Dipilih dengan Pertimbangan
Kemudahan)
Dalam memilih sampel, peneliti tidak mempunyai pertimbangan lain kecuali
berdasarkan kemudahan saja. Seseorang diambil sebagai sampel karena
kebetulan orang tadi ada disitu atau kebetulan dia mengenal orang tersebut. Oleh
karena itu ada beberapa penulis menggunakan istilah accidental sampling (tidak
disengaja) atau juga captive sample (man-on-the-street). Jenis sampel ini sangat
baik jika dimanfaatkan untuk penelitian penjajakan, yang kemudian diikuti oleh
penelitian lanjutan yang sampelnya diambil secara acak (random). Beberapa
kasus penelitian yang menggunakan jenis sampel ini, hasilnya ternyata kurang
obyektif.
Contoh:
Menghentikan orang dijalan untuk dimintai pendapatanya atau dilakukan survei
kecil-kecilan. Misal penelitian tentang preferensi fashion pengunjung event
Java Jazz pada akhir taun ini. Survei dilakukan pada pengunjung setempat
ketika event diselenggarakan. Waktu survei juga relatif singkat sehingga tidak
mungkin dilakukan kepada semuanya. Jumlah pengunjung juga tidak bisa
diketahui karena tidak ada tiket masuk. Teknik sampling ini biasanya dilakukan
sebagai penelitian awal untuk mematangkan penelitian awal yang lebih besar,
misal hubungan antara penikmat Jazz dan selera terhadap fashion.

b. Purposive Sampling
Sesuai dengan namanya, sampel diambil dengan maksud atau tujuan tertentu.
Seseorang atau sesuatu diambil sebagai sampel karena peneliti menganggap
bahwa seseorang atau sesuatu tersebut memiliki informasi yang diperlukan bagi
penelitiannya. Dua jenis sampel ini dikenal dengan nama judgement dan quota
sampling.
1) Judgment Sampling
 Sampel dipilih berdasarkan penilaian peneliti bahwa dia adalah pihak yang
paling baik untuk dijadikan sampel penelitiannya. Misalnya untuk memperoleh
data tentang bagaimana satu proses produksi direncanakan oleh suatu
perusahaan, maka manajer produksi merupakan orang yang terbaik untuk bisa
memberikan informasi. Jadi, judment sampling umumnya memilih sesuatu atau
seseorang menjadi sampel karena mereka mempunyai “information rich”.
2) Quota Sampling
Teknik sampel ini adalah bentuk dari sampel distratifikasikan secara
proposional, namun tidak dipilih secara acak melainkan secara kebetulan saja.
Misalnya, di sebuah kantor terdapat pegawai laki-laki 60% dan perempuan
40%. Jika seorang peneliti ingin mewawancari 30 orang pegawai dari kedua
jenis kelamin tadi maka dia harus mengambil sampel pegawai laki-laki
sebanyak 18 orang sedangkan pegawai perempuan 12 orang. Sekali lagi, teknik
pengambilan ketiga puluh sampel tadi tidak dilakukan secara acak, melainkan
secara kebetulan saja.

c. Snowball Sampling (Sampel Bola Salju)

Cara ini banyak dipakai ketika peneliti tidak banyak tahu tentang populasi
penelitiannya. Dia hanya tahu satu atau dua orang yang berdasarkan
penilaiannya bisa dijadikan sampel. Karena peneliti menginginkan lebih banyak
lagi, lalu dia minta kepada sampel pertama untuk menunjukan orang lain yang
kira-kira bisa dijadikan sampel.
Misalnya, seorang peneliti ingin mengetahui pandangan kaum lesbian terhadap
lembaga perkawinan. Peneliti cukup mencari satu orang wanita lesbian dan
kemudian melakukan wawancara. Setelah selesai, peneliti tadi minta kepada
wanita lesbian tersebut untuk bisa mewawancarai teman lesbian lainnya. Setelah
jumlah wanita lesbian yang berhasil diwawancarainya dirasa cukup, peneliti
bisa menghentikan pencarian wanita lesbian lainnya. Hal ini bisa juga dilakukan
pada pencandu narkotik, para gay, atau kelompok-kelompok sosial lain yang
eksklusif (tertutup).

d. Accidental/Haphazard Sampling (Pengambilan Sesaat)

 Merupakan teknik pengambilan sampel yang dilakukan dengan tiba-tiba
berdasarkan siapa yang ditemui oleh peneliti.
Misalnya, reporter televisi mewawancarai warga yang kebetulan sedang lewat.
Kelebihan dari pengambilan sesaat ini adalah kepraktisan dalam pemillihan
anggota sampel. Sedangkan, kekurangannya adalah belum tentu responden
memiliki karakteristik yang dicari oleh peneliti.

1.4 Rumus Probability Sampling Untuk Menentukan Berapa Besar Sampel

yang Harus Diambil dari Populasi
1.4.1 Rumus Slovin
Jika ukuran populasinya diketahui dengan pasti, rumus Slovin di bawah ini
dapat digunakan:
N
n=
1 + Ne2

Keterangan:
n = ukuran sampel
N = ukuran populasi
e = kelonggaran/ketidaktelitian karena kesalahan pengambilan sampel yang
ditololerir, misalnya 5%.

Contoh:
Sebuah perusahaan memiliki 1000 karyawan dan akan dilakukan survei dengan
mengambil sampel. Berapa sampel yang dibutuhkan apabila batas toleransi kesalahan
sebesar 5%?

Penyelesaian:
Dengan menggunakan rumus Slovin:
1000
n= = 285,71 ≈ 286
1 + 1000×(0,05)2
Jadi, banyaknya sampel karyawan untuk disurvei sebesar 286 karyawan.
1.4.2 Rumus Yamane
Jika ukuran populasinya besar yang didapat dari pendugaan proporsi populasi
yang harus digunakan.
N
n=
Nd2 +1

Keterangan:
d = batas toleransi kesalahan pengambilan sampel yang digunakan.
n = ukuran sampel
N = ukuran populasi
Contoh:
Misalnya, kita ingin menduga proporsi pembaca koran dari populasi 4.000 orang.
Presisi ditetapkan di antara 5% dengan tingkat kepercayaan 95%. Berapa sampel dari
pembaca koran?

Penyelesaian:
Dengan menggunakan rumus Yamane:
4000
n= = 364
4000 (0,05) 2 + 1
Jadi, banyaknya sampel dari pembaca koran sebesar 364 orang.

1.5 Kekeliruan Sampling dan Tak Sampling

Dalam penelitian ada dua macam kekeliruan yang pokok yang bisa terjadi yaitu:
1. Kekeliruan Tak Sampling
Hal ini bisa terjadi dalam setiap penelitian, apakah itu berdasarkan sampling
ataukah berdasarkan sensus. Beberapa penyebab terjadinya kekeliruan tak
sampling adalah:
a. Populasi penelitian tidak didefinisikan sebagaimana mestinya;
b. Populasi penelitian menyimpang dari populasi yang seharusnya dipelajari
atau diteliti;
b. Kuesioner tidak dirumuskan sebagaimana mestinya;
 c. Istilah-istilah telah didefinisikan secara tidak tepat atau tidak digunakan
secara konsisten;
d. Para responden tidak memeberikan jawaban yang akurat, menolak untuk
menjawab atau tidak ada ditempat peneliti datang untuk melakukan
wawancara (Sudjana, 1975: 173).
2. Kekeliruan Sampling
Perbedaan antara hasil sampel dan hasil yang akan dicapai jika prosedur yang
sama digunakan dalam sampling juga digunakan dalam sensus dinamakan
kekeliruan sampling (Sudjana, 1975:174).

C. DAFTAR PUSTAKA
Harinaldi, 2005, Prinsip-Prinsip Statistik untuk Teknik dan Sains, Erlangga
Riduan dan Akdon, 2006, Rumus dan Data dalam Aplikasi Statistika untuk
Penelitian, Alfabeta Bandung
Sugiyono, 1997, Statistika untuk Penelitian, Alfabeta Bandung

D. PROSEDUR PRAKTIKUM
Praktikan diberikan data populasi dari suatu amatan. Praktikan diminta untuk
menghitung jumlah sampel yang diperlukan dengan menggunakan metode penarikan
sampel yang tepat.
 MODUL II
STATISTIK DESKRIPTIF DAN DISTRIBUSI PROBABILITAS

A. TUJUAN PRAKTIKUM
Dari praktikum modul II ini diharapkan praktikan mampu:
1. Memahami pengertian statistik deskriptif sebagai salah satu alat dalam
menyajikan data secara lebih informatif.
2. Menyelesaikan studi kasus dalam statistik deksriptif dengan perhitungan
manual maupun menggunakan SPSS.
3. Menganalisis hasil pengolahan data dan mengambil keputusan untuk studi kasus
yang berlaku.

B. TEORI PENDUKUNG
1. Statistik Deskriptif
Statistika adalah pengetahuan mengenai cara-cara pengumpulan, pengolahan,
analisis dan interpretasi data kuantitatif tentang bidang kegiatan tertentu yang berkaitan
erat dengan pengambilan dengan tujuan memperoleh keterangan yang jelas tentang
peristiwa yang dipelajari.
Statistik deskriptif adalah ilmu yang mempelajari tentang cara pengumpulan
dan analisa data kuantitatif secara deskriptif. Statistika deskriptif hanya berhungan
dengan hal yang menguraikan atau memberikan keterangan-keterangan mengenai suatu
data atau keadaan. Dengan kata lain statistika deskriptif berfungsi sebagai menerangkan
keadaan, gejala, atau persoalan. Statistika deskriptif sering disebut sebagai statistika
dedukatif yang membahas tentang bagaimana merangkum sekumpulan data dalam
bentuk yang mudah dibaca dan cepat memberikan informasi, yang di buat dalam bentuk
tabel, grafik, nilai pemusatan dan nilai penyebaran.
Menurut Syofian Siregar (2010), statistik deskriptif adalah statistik yang
berkenaan dengan bagaimana cara mendeskripsikan, menggambarkan, menjabarkan,
atau menguraikan data sehingga mudah dipahami. Ada beberapa cara yang dapat
digunakan dalam mendeskripsikan, menggambarkan, menjabarkan, atau menguraikan
data antara lain:
a. Menentukan ukuran dari data seperti nilai modus, rata-rata dan nilai tengah
(median).
b. Menentukan ukuran variabilitas data seperti: variasi (varian), tingkat penyimpanan
(deviasi standar), jarak (range).
c. Menentukan ukuran bentuk data: skewness, kurtosis, plot boks.

1.2 Data
Data adalah sekumpulan angka atau keterangan yang tersusun, dan didapatkan
melalui pengukuran, hasil perhitungan ataupun hasil kerja tertentu. Hasil pengolahan
data ini ada yang disajikan dalam bentuk daftar/tabel dan ada dalam bentuk diagram
atau grafik. Data terbagi atas dua yaitu data kuantitatif dan data kualitatif.
Data kuantitatif adalah data yang berupa angka dalam arti sebenarnya, jadi
dengan data ini berbagai operasi matematika bisa dilakukan. Data kuantitatif terbagi
atas:
a. Data Diskrit
Data Diskrit (Data Rasio) adalah data hasil pengukuran yang bersifat angka
dalam arti sesungguhnya dan bisa dioperasikan secara matematis. Misalnya data
berat badan, produk yang terjual, produk cacat, dll.
b. Kontinyu
Data Kontinyu (Data Interval) adalah data yang dapat mempunyai nilai yang
terletak dalam satu interval. Misalnya panjang, luas, isi, berat dan waktu.

Data kualitatif adalah data yang dikategorikan sebagai data yang bukan berupa
angka. Data kualitatif mempunyai ciri tidak bisa dilakukan operasi matematika. Data
kualitatif terbagi atas:
a. Data Nominal adalah jika suatu pengukuran data yang hanya menghasilkan satu
dan hanya satu-satunya kategori. Misalnya data jenis kelamin, tanggal lahir, asal
daerah,dll.
b. Data Ordinal adalah data yang jika suatu pengukuran memiliki tingkatan data
dimana yang satu berstatus lebih tinggi atau lebih rendah dari yang lain.
Misalnya : data tentang sikap seseorang terhadap produk tertentu “sangat
baik”,”baik”, atau “tidak baik”.

Sedangkan berdasarkan sumbernya, data terbagi atas data primer dan data
sekunder. Data Primer adalah data yang dikumpulkan dan dikeluarkan oleh badan yang
sama. Data Sekunder adalah data yang dikumpulkan dan dikeluarkan tidak oleh badan
yang sama.

1.3 Distribusi Frekuensi

Distribusi frekuensi adalah pengelompokan data ke dalam beberapa kategori
yang menunjukkan banyaknya data dalam setiap kategori dan setiap data tidak dapat
dimasukkan ke dalam dua atau lebih kategori (Suharyadi dan Purwanto, 2003:25).
Distribusi frekuensi dibentuk atas kelas-kelas data yang disusun sesuai interval dan
disajikan dalam bentuk tabel distribusi frekuensi.

1.3.1 Limit Kelas, Batas Kelas, Nilai Tengah, dan Lebar Kelas
Nilai terkecil dan terbesar pada tiap kelas disebut limit kelas atau tepi kelas.
Limit kelas ini terbagi menjadi limit kelas atas dan limit kelas bawah. Batas kelas
terbagi dua yaitu batas atas kelas dan batas bawah kelas. Nilai tengah antara batas
bawah kelas dan batas atas kelas disebut nilai tengah kelas.

1.3.2 Cara Membuat Tabel Distribusi Frekuensi

Berikut ini adalah langkah-langkah untuk membuat tabel distribusi frekuensi:
a. Menghitung jumlah kelas interval (k) dengan rumus Sturges:
k = 1 + 3.3 log n
Dimana:
k = jumlah kelas interval
n = jumlah data
b. Menghitung Lenght/Range (r)
r = nilai data maksimum – nilai data minimum
c. Menghitung lebar kelas interval (c)
c = r/k
d. Membuat tabel distribusi frekuensi
Dalam distribusi frekuensi, banyak objek dikumpulkan dalam kelompok-
kelompok yang berbentuk a-b yang disebut kelas interval. Urutan kelas dimulai
dari data terkecil terus ke bawah sampai nilai data terbesar. Sedangkan selisih
positif antara tiap dua ujung bawah berurutan disebut panjang kelas interval.
 Tabel 1.1 Distribusi Frekuensi
Interval Frekuensi
Batas Kelas Mid. Point Frekuensi
Kelas Kumulatif f.xi fi(xi-X)2 fi(xi-X)4
(Boundaries) (Xi) (fi)
(Limit) (fkum)

Jumlah

Dalam tabel distribusi frekuensi, banyak objek dikumpulkan dalam kelompok-

kelompok yang berbentuk a-b, yang disebut dikelas interval. Urutan kelas
dimulai dari data terkecil terus ke bawah samapai nilai data terbesar. Sedangkan
selisih positif antara tiap dua ujung bawah berurutan disebut panjang kelas
interval.
Dalam kolom ke-1 yaitu interval (limit), batas-batas nilai yang ada disebut nilai
ujung bawah kelas dan ujung atas kelas. Nilai yang dimasukan sesuai dengan
data yang diamati. Perbedaan antara ujung bawah sebuah kelas dengan ujung
atas kelas sebelumnya adalah 1, jika data dicatat hingga satuan, sepersepuluh
atau 0.1. Jika data dicatat hingga satu desimal, dan begitu seterusnya tergantung
pada digit desimal yang ada.
Dalam kolom ke-2 yaitu batas kelas (boundaries), nilai yang dimasukan
bergantung pada ketelitian data yang digunakan. Jika data dicatat hingga satu
satuan, maka batas bawah kelas sama dengan ujung bawah (terdapat dalam
interval kelas atau limit), dikurangi 0.5 dan batas atas ditambahkan 0.5. Untuk
data dicatat hingga satu desimal, batas bawah sama dengan ujung bawah
dikurangi 0.05 dan batas atas ditambah 0.05, dan begitu seterusnya bergantung
pada digit terakhir yang ada.

1.4 Grafik atau Diagram

Grafik atau diagram merupakan gambar-gambar yang menunjukkan secara
visual data berupa angka dan grafik ini merupakan salah satu alat statistik untuk
menyampaikan informasi.

Macam-macam grafik atau diagram, yaitu:

1. Diagram Garis
2. Diagram Batang
 3. Diagram Lambang/Simbol
4. Diagram Pastel/Lingkaran
5. Diagram Peta/Kartogram
6. Diagram Pencar/Titik
Menurut Syofian Siregar (2010), grafik adalah lukisan pasang surutnya suatu
keadaan dengan garis atau gambar. Grafik dapat berupa:
a. Histogram adalah grafik yang menggambarkan suatu distribusi frekuensi
dengan bentuk segi empat.
b. Poligon frekuensi adalah grafik garis yang menghubungkan nilai tengah dari
setiap interval kelas.
c. Diagram Lingkar (Pie Chart) merupakan suatu lingkaran yang dibagi menjadi
beberapa bagian lingkaran, dimana setiap bagian lingkaran tergantung dari besar
kecil variabel.
d. Grafik Ogive merupakan diagram garis yang menunjukkan kombinasi antara
interval kelas dengan frekuensi kumulatif.

1.5 Kurva
Menurut Kamus Besar Bahasa Indonesia (KBBI), kurva merupakan grafik yang
menggambarkan variabel (misal yang memperlihatkan perkembangan) yang
dipengaruhi oleh keadaan. Kurva yang diplotkan dari data yang digunakan ini mampu
menjelaskan sifat atau karakter populasi atau sample yang digunakan. Kurva poligon
mempunyai bentuk yang tak terhingga banyaknya, tergantung dari bentuk
distribusinya. Pada umumnya kurva poligon digolongkan dalam dua golongan besar
yaitu:
1. Kurva Simetri
2. Kurva Asimetri, terbagi adas dua model yaitu:
a. Model positif (kemiringan ke kiri atau dinyatakan juga kemiringan yang
besar).
b. Model negatif (kemiringan ke kanan atau kemiringan yang kecil).
1.5.1 Kurva Frekuensi
Jika ukuran sampel mendekati ukuran populasi dan pembagian kelas-kelas
interval mendekati nol, maka kita dapat mengharapkan bentuk poligon frekuensi
menjadi sebuah lengkungan halus. Lengkungan ini dikenal juga sebagai lengkungan
frekuensi atau kurva frekuensi, yang diharapkan dapat mendekati bentuk lengkungan
halus yang sebenarnya, karena lengkungan halus untuk populasi itu secara tepat sukar
atau jarang sekali ditentukan.

Gambar 1.1 Kurva Frekuensi

1.6 Pengukuran Tendensi Sentral

Tendensi sentral mengukur pemutusan data atau disebut juga rata-rata
(average). Ukuran pemutusan data menunjukan suatu data memusat atau suatu
kumpulan pengamatan memusat (mengelompok). Pengukuran pemusatan data penting
dilakukan karena suatu kelompok data bila diurutkan (membesar atau mengecil), maka
ada kecenderungan bahwa data itu akan memuasat pada bagian tengah. Oleh karena itu,
dalam melakukan analisis data yang menjadi fokus perhatian adalah dimana data itu
memusat dan bukan memberi perhatian pada keseluruhan data. Dengan demikian
ukuran pemusatan data adalah nilai tunggal yang mewakili semua data atau kumpulan
pengamatan dan nilai tersebut menunjukan puasat data.
Ada beberapa ukuran umum tendensi sentral yang sering digunakan,
diantaranya:
1. Mean atau rataan hitungan adalah bilangan yang didapat dari hasil pembagian
jumlah nilai data oleh banyak data dalam kumpulan itu, penggunaannya untuk
sampel bersimbol 𝑥̅ . Perhitungan mean dibagi menjadi dua yaitu mean data
tunggal dan mean data kelompok.
Mean (rata-rata hitung) dapat dihitung dengan rumus:
Untuk data yang belum dikelompokkan (data yang belum disusun dalam daftar
distribusi frekuensi):
 x=
 i =1
x
n

Dimana:
i = 1,2,3,4,...,n
xi = nilai dari data
n = jumlah data atau banyak data didalam

Untuk data yang sudah dikelompokkan (data yang susdah disusun dalam daftar
distribusi frekuensi):

x=
 fiXi
 fi
Dimana :
fi = frekuensi untuk kelas interval ke-i
Xi = nilai dari titik tengah

Rata-rata hitung dengan memakai kode (U)

  fu 
x = xο + c 
 f 
 
Dimana :
fi = frekuensi untuk kelas interval ke-i
Ci = variabel coding untuk kelas interval ke-i

Rata-rata hitung berbobot (tertimbang)

x=
 wx
f
Dimana :
x = nilai
w = bobot atau timbangan

2. Median adalah nilai tengah data setalah tersebut diurutkan dari kecil ke besar.
Jika banyak data ganjil, maka median setelah data disusun menurut nilainya
merupakan data paling tengah. Sedangkan untuk sample berukuran gelap,
 setelah data disusun menurut ukuran nilainya, median sama dengan rata-rata
hitung data tengah. Median untuk distribusi frekuensi atau data sudah
dikelompakkan dapat dihitung dengan rumus:
 n 
 −F 
Med = Lο + c 2 
 fmedian 
 
 
Dimana :
L0 = batas bawah dari kelas median dimana median berada
n = jumlah data
c = lebar kelas interval
fmedian = frekuensi kelas median
F = jumlah frekuensi semua kelas sebelum kelas yang mengandung
pimedian

3. Modus adalah nilai yang sering muncul dari suatu data. Untuk data kuantitatif,
modus ditentukan dengan jalan menentukan frekuensi terbanyak. Modus untuk
distribusi frekuensi atau data yang sudah dikelompokkan dihitung dengan
rumus :
 b1 
Mod = Lο + c 
 b1 + b2 

Dimana :
L0 = batas bawah dari kelas median dimana median berada
b1 = selisih antara frekuensi kelas modus dengan frekuensi tepat satu
bikelas sebelum kelas modus
b2 = selisih antara frekuensi kelas modus dengan frekuensi tepat satu
bikelas sesudah kelas modus
c = lebar kelas interval

1.7 Kuartil, Desil, Persentil

Kuartil yaitu sekumpulan data dibagi menjadi empat bagian yang sama banyak,
sesudah disusun menuerut urutan nilainya. Untuk data yang tunggal maka kuartil dapat
dihitung dengan rumus berikut:
 i (n + 1)
Qi = data ke -
4
Dengan i = 1,2,3,...
Untuk data berkelompok:
 in 
 −F
Qi = L0 + c  4 
 f 
 
 
Dimana :
L0 = batas bawah dari kelas kuartil dimana kuartil berada
c = lebar kelas interval
f = frekuensi kelas kuartil Qi
F = jumlah semua frekuensi dengan tanda kelas kecil dari tanda kelas kuartil
i = 1,2,3....

Desil adalah sekelompok data yang dibagi menjadi 10 bagian yang sama
banyak, maka akan terdapat 9 pembagi.
Rumus untuk data tidak berkelompok:
i(n + 1)
Di = nilai ke -
10
i = 1,2,3.....

Rumus untuk data berkelompok:

 in 
 −F
Di = L0 + c  10 
 f 
 
 
i = 1,2,3.....

Persentil adalah sekumpulan data yang dibagi menjadi 100 bagian yang sama.
Rumus untuk data tidak berkelompok:
 in 
 −F
Pi = data ke  100 
 f 
 
 
i = 1,2,....99

1.8 Pengukuran Penyebaran Data

Menurut Syofian Siregar (2010), ukuran penyebaran data adalah ukuran dari
serangkaian atau sekelompok data yang menunjukkan seberapa jauh nilai-nilai dari
sekelompok data tersebut menyimpang dari nilai rata-ratanya. Dispresi mengukur
penyebaran suatu data. Ada beberapa ukuran umum dispresi yang sering digunakan,
yaitu:
Simpangan Rata-Rata (Mean Deviation)
Simpangan rata-rata adalah jumlah nilai mutlak dari selisih semua nilai dengan nilai
rata-rata dibagi banyaknya data.
Rumus untuk data berkelompok:

SR =
 f x−x
n
Dimana n = ∑f

Varian
Varian adalah rata-rata kuadrat selisih atau kuadrat simpangan dari semua nilai data
terhadap rata-rata hitung. Varian untuk sample dilambangkan dengan S2.
Rumus untuk data berkelompok :

− ( xi )2
2
n x
s2 = i
n(n − 1)
 fi ( xi − x )2
atau : s2 =
n −1
 2 
 n  fic − ( fici )2 
atau : s2 = p2  i 
 n(n − 1) 
 
 
Dimana:
p = panjang kelas interval
ci = variabel coding untuk kelas interval ke-i
n = jumlah seluruh data yang diamati
Standar Deviasi
Standar Deviasi adalah akar pangkat dua dari varian atau disebut juga simpangan baku.

Rumus untuk data tidak berkelompok :

( x − x ) 2
S=
n −1
Rumus untuk data berkelompok :
 f ( x − x )2
S=
n −1

Distribusi mengukur distribusi suatu data. Ada beberapa ukuran umum

distribusi yang sering digunakan, yaitu :
1. Skewness adalah nilai kemecengan (kemiringan) distribusi data. Apabila
bernilai positif (+) maka distribusi data akan miring ke kanan dan apabila
negatif (-) maka akan miring ke kiri.

Gambar 1.2 Kurva kemiringan

Rumus Skewness dirumuskan oleh Karl Pearson dalam bentuk koefisien

Pearson:
( x − Mod ) 3( x − Med )
= atau =
s s
Dimana :
α = derajat kemiringan
x = rata-rata hitung
S = standar deviasi
Mod = modus
Med = median
 Bila hasilnya sama dengan nol (0), distribusi dikatakan simetris disekitar rata-
ratanya dan x = Med = Mo. Semakin jauh hasil SK dari nol, maka akan semakin
besar tingkat kemiringannya. Rumus-rumus tersebut berturut-turut dinamakan
koefisien kemiringan pearson tipe pertama dan tipe kedua.
2. Kurtosis adalah tinggi rendah atau datar runcingnya kurva dari suatu distribusi
frekuensi. Jika bagian tengah dari kurva frekuensi memiliki puncak yang lebih
runcing daripada ruang yang dimiliki kurva normal, maka lebih datar daripada
yang dimiliki kurva normal, kurva distribusinya dinamakan kurva platikurtik.
Dan jika puncaknya berada diantara keduanya disebut kurva distribusi normal.

Gambar 1.3 Jenis Kurva Keruncingan

Salah satu ukuran kurtoris adalah koefisien kurtosis yang diberi simbol α4 atau
Kt dan ditentukan dengan rumus :
   
 ( x − x )   f (x− x)
4 4

 =  =
4 4
 atau  
   
4 4

 ns   ns 

Khusus untuk data berkelompok, derajat keruncingan lebih mudah dihitung

dengan memakai cara tranformasi, yaitu :

  fU   fU 3   fU    fU 2    fU    fU   fU  
2 2 4

4 4
c
 =  − 4  + 6    − 3 
4

 n  n   n 
s  n
4  n  n   n  

Dengan syarat :
a. α4 =3 → Distribusi normal/mezokurtik
b. α4 >3 →Distribusi leptokurtik
c. α4 <3 →Distribusi platikurik
atau :
 a. Kt = 0.263 → Distribusi normal/mezokurtik
b. Kt > 0.263 → Distribusi leptoturik
c. Kt < 0.263 → Distribusi platikurtik
1.9 Pengolahan Data Statistik Deskriptif dengan IBM SPSS Statistics Base 20
SPSS mengkategorikan analisis deskriptif dalam 5 kategori yaitu analisis
Frequencies, Descriptive, Explore, Crosstab, dan Ratio. Masing-masing analisis
memiliki tujuan dan keunggulan sendiri. Pada praktikum ini akan dibahas penggunaan
analisis Frequencies dan Descriptive.
1.9.1 Analisis Frequencies
Analisis Frequencies sangat berguna untuk memperoleh ringkasan suatu
variable individual. Ringkasan tersebut dapat dilakukan baik untuk variabel dengan
data kategori maupun skala.
A. Melakukan Analisis Frequencies untuk Data Kategori
Analisis frequencies untuk data kategori memaparkan jumlah/frekuensi dan
proporsi dalam persen suatu variabel data ketegorikal. Berikut ini adalah data nilai APK
dan PPC, lakukan analisis frekuensi untuk data kategorikal pada variable nilai mata
kuliah APK dan PPC.

Tabel 1.2 Data Statistik Nilai APK dan PPC Siswa

Nilai Nilai Nilai Nilai
No Nama No Nama
APK PPC APK PPC
1 Ali 80 65 16 Lidia 90 80
2 Edi 65 60 17 Fitri 75 65
3 Budi 60 70 18 Silvia 85 60
4 Ferdi 75 80 19 Fajriah 70 75
5 Pia 85 65 20 Misra 65 85
6 Husna 70 90 21 Ajriya 60 70
7 Rizki 90 80 22 Tisa 70 80
8 Ari 60 90 23 Tunur 80 65
9 Irsyabandi 70 75 24 Madir 65 90
10 Soleha 75 85 25 Wisnu 90 65
11 Pocut 80 70 26 Reza 80 80
12 Eka 60 60 27 Meila 75 65
13 Afdhal 55 70 28 Nurul 65 60
14 Ratna 70 75 29 Ekal 70 75
15 Mona 65 80 30 Hendri 60 85

Berikut adalah langkah-langkahnya:

1. Buka file yang akan dianalisis
2. Klik Analyze → Descriptive Statistic → Frequencies pada menu sehingga kotak
dialog Frequencies akan muncul.
3. Masukkan variabel Nilai APK dan Nilai PPC pada kotak Variabel (s).
4. Klik tombol Charts sehingga muncul kotak dialog frequencies : chart.
5. Pilih Pie Chart pada kotak Chart Type dan pilih Frequencies pada kotak Chart
Values.
6. Klik Continue.
7. Klik OK sehingga output SPSS viewer menampilkan hasil berikut.

Statistics

Nilai APK Nilai PPC

N Valid 30 30

Missing 0 0

Frequency Table

Nilai APK

Cumulative
Frequency Percent Valid Percent Percent

Valid 55 1 3,3 3,3 3,3

60 5 16,7 16,7 20,0

65 5 16,7 16,7 36,7

70 6 20,0 20,0 56,7

75 4 13,3 13,3 70,0

80 4 13,3 13,3 83,3

85 2 6,7 6,7 90,0

90 3 10,0 10,0 100,0

Total 30 100,0 100,0

 Nilai PPC

Cumulative
Frequency Percent Valid Percent Percent

Valid 60 4 13,3 13,3 13,3

65 6 20,0 20,0 33,3

70 4 13,3 13,3 46,7

75 4 13,3 13,3 60,0

80 6 20,0 20,0 80,0

85 3 10,0 10,0 90,0

90 3 10,0 10,0 100,0

Total 30 100,0 100,0

Pie Chart
B. Melakukan Analisis Frekuensi Untuk Data Skala
Analisis Frequencies untuk data skala memaparkan ringkasan tendensi sentral,
dispersi, distribusi suatu variabel data skala. Contoh: analisis frequencies untuk data
skala pada variabel nilai APK. Berikut adalah langkah-langkahnya:
1. Buka file data.
2. Klik Analyze → Descriptive Statistic → Frequencies pada menu sehingga kotak
dialog frequencies muncul.
3. Masukkan variabel APK pada kotak Variable (s).
4. Klik tombol Statistic sehingga muncul kotak dialog frequencies statistic.
5. Pilih nilai-nilai pada Percentile Values, Central Tendency, Dispersion, dan
Distribution sesuai keperluan.
6. Klik tombol Continue.
7. Klik tombol Chart sehingga muncul kontak dialog Frequencies: Chart. Pilih
Histogram with normal curve pada kotak chart type.
8. Klik Continue.
9. Klik OK, sehingga output SPSS viewer akan menampilkan hasil seperti berikut.
Statistics
Nilai APK

N Valid 30

Missing 0
Mean 72,00
Median 70,00
Mode 70
Std. Deviation 9,965
Variance 99,310
Skewness ,326
Std. Error of Skewness ,427
Kurtosis -,808
Std. Error of Kurtosis ,833
Sum 2160
Percentiles 25 65,00

50 70,00

75 80,00
 Nilai APK

Cumulative
Frequency Percent Valid Percent Percent

Valid 55 1 3,3 3,3 3,3

60 5 16,7 16,7 20,0

65 5 16,7 16,7 36,7

70 6 20,0 20,0 56,7

75 4 13,3 13,3 70,0

80 4 13,3 13,3 83,3

85 2 6,7 6,7 90,0

90 3 10,0 10,0 100,0

Total 30 100,0 100,0

Tabel Statistics memamparkan nilai-nilai statistik yang dipilih

Tabel APK merupakan tabel frekuensi
Grafik Histogram dan kurva normal memperlihatkan bahwa distribusi data tidak normal
(negatif).

1.9.2 Analisis Descriptive

 Analisis deskriptive sangat membantu dalam meringkas perbandingan beberapa
variabel data skala dalam satu tabel dan dapat digunakan untuk melakukan pengamatan
outlier/penyimpangan data. Berikut adalah langkah-langkah analisis deskriptif .
1. Buka file data.
2. Klik Analyze → Descriptive Statistics → Desciptives pada menu sehingga kotak
dialog Descriptives muncul.
3. Masukkan variabel APK dan PPC pada kotak Variable(s)
4. Pilih Save standardized values as variable pada pojok kiri bawah kotak dialog
5. Klik OK sehingga Output SPSS Viewer menampilkan hasil berikut:

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Nilai APK 30 55 90 72,00 9,965

Nilai PPC 30 60 90 73,83 9,621
Valid N (listwise) 30

Tabel Descriptive Statistics memaparkan nilai statistik kedua variabel. Secara

default nilai yang dipilih adalah mean, standar deviasi, minimum, dan maksimum.
Apabila anda menghendaki parameter pengukuran lebih banyak lagi, klik Option pada
kotak dialog Descriptive.
Apabila kembali pada tampilan data view pada SPSS maka akan terlihat ada
ketiga tambahan variabel baru, Zapk dan Zppc. Kedua variabel tersebut muncul karena
dipilih Save standardized values as variable. Variabel ini menunjukkan penyimpangan
data (outlier) dari rata-rata.
2. Distribusi Probabilitas (Peluang)
Distribusi probabilitas/peluang merupakan tabel, grafik atau rumus yang
memberikan nilai peluang dari sebuah peubah/variabel acak. Lind (2002)
mendefinisikan probabilitas sebagai suatu ukuran tentang kemungkinan suatu peristiwa
(event) akan terjadi dimasa mendatang. Probabilitas dinyatakan antara 0 sampai 1 atau
dalam persentase. Berdasarkan karakteristik peubah acaknya, distribusi
probabilitas/peluang dapat dibedakan menjadi 2, yaitu distribusi peluang diskrit dan
distribusi peluang kontinyu.
Probabilitas dinyatakan dalam bentuk pecahan dari 0 sampai 1. Nol (0)
menunjukkan sesuatu yang tidak mungkin terjadi, sedangkan satu (1) menunjukkan
peristiwa yang pasti terjadi.
2.1 Distribusi Peluang Diskrit
 Distribusi peluang diskrit adalah distribusi peluang dimana semesta peubah
acaknya dapat dihitung atau berhingga, misalnya peubah acak sebuah lemparan dadu
bernilai 1 hingga 6. Apabila himpunan pasangan terurut (x, f(x)) merupakan suatu
fungsi peluang, fungsi masa peluang, atau distribusi peluang peubah acak diskrit x
maka untuk setiap kemungkinan hasil x berlaku:
a. F(x) > 0
b. ∑ f(x) = 1
c. P (X=x) = f(x)

Beberapa distribusi peluang diskrit adalah :

1. Distribusi Seragam (Uniform)
Pada distribusi ini sebuah peubah acak memiliki nilai peluang yang sama. Jika
X adalah suatu peubah acak dengan nilai x1, x2, ..., xk masing-masing memiliki
nilai peluang yang sama, maka distribusi seragam dapat dituliskan f(x; k) = 1/k
dimana x = x1, x2, ..., xk.
Contoh distribusi seragam adalah distribusi peluang munculnya angka dadu (1
hingga 6) ketika dilempar, yaitu 1/6.

2. Distribusi Binomial
Distribusi binomial merupakan distribusi peluang yang dihasilkan dari proses
Bernoulli yang memiliki 4 karakteristik utama, yaitu :
a. Percobaan dilakukan sebanyak n kali.
b. Setiap percobaan hanya memiliki 2 hasil saja, yakni sukses atau gagal.
c. Peluang sukses (p) pada setiap percobaan adalah konstan.
d. Pengulangan percobaan harus bebas (independent) satu sama lain, artinya hasil
eksperimen yang satu tidak sama dengan hasil eksperimen yang lainnya.
Sebuah percobaan Bernoulli dengan peluang sukses p dan peluang gagal q = 1-
p, maka distribusi peluang peubah acak Binomial X (jumlah kejadian sukses
dalam n kali percobaan) dapat dituliskan:

Peluang terambilnya kartu As di setiap pengambilan satu kotak kartu

merupakan salah satu contoh dari percobaan Bernoulli.
3. Distribusi Poisson
Distribusi Poisson merupakan eksperimen yang menghasilkan nilai dari suatu
peubah acak X, yaitu jumlah keluaran yang terjadi selama satu selang waktu
atau diantara suatu daerah. Pada distribusi ini percobaan dilakukan dalam selang
waktu tertentu dan digunakan untuk mendekati distribusi binomial bila
probabilitas sukses kecil (p =< 0.1) dan jumlah percobaan sangat besar (n > 50).
Misalkan, jumlah panggilan telepon per jam yang diterima oleh suatu kantor,
banyaknya hari sekolah di tutup karena banjir, banyaknya kertas reject karena
salah ketik, dan lain sebagainya.
Percobaan poisson berasal dari proses poisson yang memiliki sifat sebagai
berikut:
a. Jumlah keluaran yang muncul dalam suatu rentang waktu atau suatu daerah
tidak dipengaruhi terhadap jumlah keluaran yang terjadi di rentang waktu
atau daerah yang lain yang terpisah.
b. Peluang bahwa yang satu keluaran akan muncul dalam selang waktu yang
sangat pendek atau daerah yang kecil adalah proporsional dengan panjang
selang waktu atau luas dari daerah.
c. Peluang muncul lebih dari satu keluaran dalam selang waktu yang amat
pendek atau daerah yang kecil dapat diabaikan.
Distribusi peluang acak Poisson X yang menyatakan banyaknya sukses
yang terjadi dalam selang waktu tertentu dinyatakan dengan t diberikan oleh
:
𝑒 𝜆𝑡 (𝜆𝑡)𝑥
p(x; λt) =
x!
x = 0, 1, 2, ...
dimana λt menyatakan banyaknya sukses yang terjadi persatuan waktu atau
daerah, sedangkan e = 2,71828 ...

4. Distribusi Hipergeometrik
Cara sederhana untuk membedakan distribusi hipergeometrik dengan distribusi
binomial adalah dengan melihat proses penarikan sampelnya. Pada distribusi
binomial, antar percobaan bersifat bebas sedangkan pada distribusi
 hipergeometrik peluang sukses percobaan saat ini bergantung pada hail
percobaan sebelumnya.
Percobaan hipergeometrik memiliki sifat sebagai berikut:
a. Sampel acak ukuran n diambil tanpa pengembalian dari N benda
b. Sebanyak k benda dapat diberi nama sukses sedangkan sisanya, Nk, diberi
nama gagal, sehingga distribusi peluang peubah acak hipergeometrik X
ialah :

Penggunaan distribusi hipergeometrik terdapat banyak bidang, antara lain pada

penerimaan sampel, pengujian elektronik dan pengendalian mutu.

2.2 Distribusi Peluang Kontinyu

Distribusi peluang kontinyu adalah peubah acak yang dapat memperoleh semua
nilai pada skala kontinyu. Ruang sampel kontinyu adalah bila ruang sampel
mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi kontinyu
adalah apabila fungsi f(x) adalah fungsi padat peluang peubah acak kontinyu X yang
didefinisikan diatas himpunan semua bilangan riil R bila:
a. F(x) > 0 untuk semua x ϵ R

b. 

f(x)dx = 1


c. P(a<X<b) = 

f(x)dx

Beberapa distribusi peluang kontinyu adalah:

1. Distribusi Normal
Distribusi Normal atau Gausian Distribution merupakan distribusi untuk
variabel kontinyu. Bentuk distribusi normal seperti lonceng (lihat gambar) dan
ditentukan oleh 2 parameter (µ dan σ), yaitu :
Bila σ mengecil, maka bentuk kurva akan lebih rapat dan semakin meruncing.
Bila σ membesar, maka bentuk kurva akan lebih renggang dan tumpul.
 Gambar 1.4 Gausian Distribusion

Berdasarkan gambar diatas, distribusi normal akan memiliki beberapa ciri

diantaranya:
a. Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti genta.
b. Simetris terhadap rataan (mean).
c. Kedua ekor/ujungnya semakin mendekati sumbu absisnya tetapi tidak
pernah memotong.
d. Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ.
e. Luas daerah dibawah lengkungan kurva tersebut dari - ~ sampai + ~ sama
dengan 1 atau 100%.

Jika X merupakan peubah acak, maka fungsi padat X dengan distribusi normal
dinyatakan dengan :

dengan  = 3,14 dan e = 2,71828

2. Distribusi Eksponensial
Distribusi Eksponensial memiliki pertalian erat dengan distribusi Poisson. Jika
pada Poisson, peubah acak poisson X menggambarkan jumlah keluaran yang
terjadi pada suatu selang waktu atau luas daerah tertentu, maka peubah acak
Eksponensial X menggambarkan panjang rentang waktu antara suatu kejadian
dengan kejadian lainnya. Gambar kurva distribusinya digambarkan di bawah
ini:
 Gambar 1.5 Kurva Distribusi Eksponensial

Dalam hal ini peubah acak X pada distribusi Poisson berkisar antara 0 sampai
tak terhingga (0 ≤ x <  ) dan bersifat kontinyu.
Peubah acak kontinyu X berdistribusi Eksponensial dengan parameter  ,
fungsi densitasnya diberikan oleh :
1 -xβ
e
f(x)= {β }
0
x > 0, untuk x lainnya, dimana β > 0

3. Distribusi Gamma
Distribusi Gamma memiliki hubungan yang erat dengan distribusi
Eksponensial, karena distribusi Eksponensial merupakan salah satu bentuk
khusus dari distribusi Gamma. Jika peubah acak kontinyu X berdistribusi
Gamma dengan parameter α dan  maka fungsi densitasnya dapat dirumuskan
sebagai berikut:

x > 0, untuk x lainnya, dimana α > 0 dan β > 0, sedangkan ( ) merupakan
fungsi Gamma yang dirumuskan sebagai berikut:

( ) = 
0
xα-1 e-x dx

4. Distribusi Chi – Kuadrat

 Distribusi ini memegang peranan penting dalam statistika inferensi, terutama
untuk uji hipotesis dan penaksiran parameter. Pada dasarnya distribusi chi-
kuadrat juga merupakan bentuk khusus dari distribusi Gamma, yakni ketika
nilai α = v/2 dan β = 2, dimana v adalah derajat kebebasan yang merupakan
bilangan integer positif.
Peubah acak kontinyu X berdistribusi chi-kuadrat (derajat kebebasan v), jika
fungsi densitasnya dapat dirumuskan dengan :

x > 0, untuk x lainnya.

5. Distribusi Weibull
Seperti distribusi Eksponensial dan distribusi Gamma, distribusi Weibull
banyak diterapkan pada persoalan keandalan dan pengujian panjang umur (life
testing) suatu komponen.
Peubah acak kontinyu X berdistribusi Weibull dengan parameter α dan β, jika
fungsi densitasnya diberikan oleh :

x > 0, untuk x lainnya, dimana α > 0 dan β > 0

2.2 Pengolahan Data Distribusi Probabilitas dengan SPSS

2.2.1 Distribusi Binomial
Distribusi Binomial adalah salah satu distribusi probabilitas diskrit yang paling
sering digunakan di dalam analisis statistik modern. Di bidang teknik, distribusi ini erat
kaitannya dengan pengendalian kualitas (quality control).
Contoh:
Suatu pabrik ban melakukan pengujian kualitas terhadap beberapa produknya. Hasil uji
menyatakan 15% dinyatakan sebagai produk tidak layak. Apabila dilakukan pengujian
lagi terhadap 10 ban, berapa peluang tepat 5 ban tidak layak.

Penyelesaian dengan SPSS dapat dilakukan secara cepat dan mudah dengan langkah –
langkah berikut:
1. Klik Transform Compute Variable sehingga kotak dialog akan muncul.
2. Pada Function group, pilih PDF & Noncentral PDF dan pada Function and
Special Variables, pilih Pdf.Binom.
3. Pindahkan fungsi tersebut dengan menekan tombol panah atas ke kotak
Numeric Expression. Kotak tersebut akan tertulis PDF.BINOM (?,?,?).
4. Masukkan nilai q, n, dan p pada tanda tanya pertama, kedua dan ketiga. Variable
q adalah banyaknya usaha yang dikategorikan sukses (tepat 5 ban tidak layak).
Variable n adalah banyaknya usaha dalam suatu percobaan (10). Variable p
adalah probabilitas sukses (15% produk tidak layak). PDF.BINOM(5, 10,
0.15). PDF merupakan singkatan dari Probability Density Function yang
artinya adalah fungsi probabilitas pada suatu titik tertentu.
5. Tulis Hasil pada kotak Target Variable.
6. Klik OK.

2.2.2 Distribusi Hipergeometrik

Distribusi hipergeometrik tidak memerlukan kebebasan dan didasarkan pada
sampling tanpa pengembalian.
Contoh:
Dalam suatu kotak berisi 15 suku cadang dimana terdapat 4 suku cadang yang tidak
layak pakai. Bila kita melakukan sampling pada kotak tersebut sebanyak 5 kali, berapa
peluang untuk mendapatkan 2 suku cadang yang tidak layak pakai dalam sampling
tersebut.
Penyelesaian dengan SPSS: gunakan fungsi PDF.HYPER(q, total, sample, hits) pada
kotak dialog Compute Variable.
a. Variable q identik dengan x pada formula distribusi hipergeometrik, yang
menjelaskan kejadian sukses pada waktu pengembalian sampel.
b. Variabel total identik dengan N yang menjelaskan keseluruhan ruang sampel.
c. Variabel sampel identik dengan n yang menjelaskan banyaknya sampel yang
diambil.
d. Variabel hits identik dengan k yang menjelaskan banyaknya sukses dalam
keseluruhan ruang sampel.

Diketahui : x = 2, N = 15, n = 5, dan k = 4

PDF.HYPER (2, 15, 5, 4) => 0.32967
2.2.3 Distribusi Poisson
Distribusi poisson menyatakan banyaknya sukses yang terjadi dalam suatu
selang waktu atau daerah tertentu dinyatakan dengan t.
Contoh:
Pada suatu persimpangan jalan, rata-rata terjadi kecelakaan sebanyak 5 kali dalam
seminggu. Berapa peluang dalam satu minggu terjadinya kecelakaan 7 kali.
Penyelesaian dengan SPSS: Gunakan fungsi PDF.POISSON (q, mean) dimana variabel
q identik dengan variabel x yang merupakan variabel banyaknya kejadian tertentu.
Variabel mean identik dengan variabel λt, merupakan rata-rata kejadian tertentu.

PDF.POISSON (7.5) => 0.10444

2.2.4 Distribusi Normal
Distribusi peluang kontinyu yang umum digunakan adalah distribusi normal.
Distribusi normal berbentuk lonceng dengan rataan µ dan variansi σ2.
Contoh:
Suatu perusahaan rata-rata memproduksi barang sejumlah 50 unit dengan standar
deviasi sebesar 10 unit. Berapa peluang perusahaan tersebut untuk memproduksi tepat
55 unit.

Penyelesaian dengan SPSS : kita dapat menggunakan fungsi PDF.NORMAL (q, mean,
stddev) bila mencari peluang pada suatu titik tertentu dimana variabel q identik dengan
variabel x. Variabel mean identik dengan variabel µ. Variabel stddev identik dengan
variabel σ.

PDF.NORMAL (55, 50, 10) => 0.03521

 Distribusi normal dengan µ = np dan σ2 = npq memberi pendekatan yang baik
terhadap distribusi binomial bila n besar dan p mendekati 0 atau 1. Memberi pendekatan
yang cukup baik pula bila n kecil namun p mendekati 0.5.
Contoh:
Suatu pabrik ban melakukan pengujian kualitas terhadap beberapa produknya. Hasil uji
menyatakan 2% dinyatakan sebagai produk tidak layak. Apabila dilakukan pengujian
lagi terhadap 100 produk, berapa peluang tepat 5 produk tidak layak.
Penyelesaian dengan SPSS:
Diketahui:
µ = mean = np = 100 x 2% = 2
σ = stddev = √npq = √100 x 2% x 98% = 1.4
PDF.NORMAL (q, mean, stddev) = PDF.NORMAL (5, 2, 14) => 0.02869

C. DAFTAR PUSTAKA
Trihendradi, 2010, SPSS 18 Step by Step, Penerbit ANDI, Yogyakarta.
Siregar Syofian, 2010, Statistika Deskriptif untuk Penelitian: Dilengkapi
Perhitungan Manual dan Aplikasi SPSS Versi 17, PT Rajagrafindo Persada,
Jakarta.
Tim Asisten Laboratorium Manajemen Kualitas, 2003, Modul Praktikum
Statistik Industri-1, Program Studi Teknik Industri Universitas Islam Bandung.
Tim Praktikum, 2011, Modul Praktikum Statistika Industri, Laboratorium
Teknik Industri Universitas Muhammadyah Surakarta.

D. PROSEDUR PRAKTIKUM
Praktikan akan diberikan data statistik dan diminta untuk melakukan
perhitungan secara manual (menggunakan rumus-rumus) dan menyelesaikan dengan
SPSS.
 MODUL III

VALIDITAS, DAN RELIABILITAS

_____________________________________________________________________

A. TUJUAN PRAKTIKUM
Dari praktikum modul III ini diharapakan praktikan dapat:
1. Melakukan uji validitas dan reliabilitas menggunakan SPSS dan Minitab.
2. Menganalisis dan menginterpretasikan hasil dari analisis validitas dan
reliabilitas.

B. TEORI PENDUKUNG
1. Uji Validitas dan Uji Reliabilitas
Kesahihan (validitas) adalah tingkat kemampuan untuk mengungkapkan
sesuatu yang menjadi sasaran pokok pengukuran yang dilakukan dengan instrument
tersebut. Uji validitas digunakan untuk mengukur sah atau valid tidaknya suatu
kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada suatu kuesioner
mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Indikator pengukuran yang dimaksud merupakan pernyataan pada kueisioner
yang berasal dari variabel teramati dimana variabel tersebut berasal dari variabel laten.
Suatu instrumen pengukuran dikatakan valid apabila nilai pearson correlation berada
pada nilai -1 < r < 1, dan juga memiliki nilai Sig.(2-tailed)<0.025, artinya nilai dari
probabilitasnya adalah 0,05, namun karena pengujian dilakukan dalam dua sisi (2
tailed) sehingga nilai probabilitasnya 0,025 (Santoso, 2014).
Sedangkan pengujian reliabilitas yang dilakukan, bertujuan untuk mengukur
sejauh mana setiap indikator pengukuran pada kueisioner yang digunakan
menunjukkan suatu konsistensi didalam mengukur. Artinya setiap jawaban responden
yang satu dengan yang lainnya terhadap pertanyaan pada kueisioner adalah konsisten
atau stabil dari waktu ke waktu (Sugiyono, 2004). Suatu indikator pengukuran
dikatakan reliabel apabila indikator tersebut memiliki nilai Cronbach’s Alpha>0,6.
(Hair et al., 2006). Menurut Sekaran (2006) secara umum reliabel yang kurang dari 0.6
dianggap buruk, sedangkan reliabel dalam kisaran 0.7 bisa diterima dan jika lebih dari
0.8 dianggap baik.
 Adapun prosedur untuk menghitung korelasi antar skor masing-masing butir
pertanyaan dengan total skor menggunakan software SPSS versi 18.0 dengan langkah
analisis sebagai berikut:
1.1 Aplikasi Uji Validitas dan Uji Reliabilitas dengan SPSS
Pada tabel berikut ini dapat dilihat rekapitulasi kuisioner (pre test) mengenai
“Kualitas Pelayanan Rumah Sakit Di Daerah XYZ”. Hasil rekapitulasi kuisioner yang
dikumpulkan sebanyak 30 sampel sebagai pre test. Selanjutnya akan dilakukan uji
validitas dan reabilitas untuk mengetahui bahwa kuisioner tersebut valid dan reliabel
untuk disebarkan kepada responden.

Tabel 1.4 Data Rekapitulasi Kuesioner

T1 T2 T3 T4 EMP1 EMP2 EMP3 EMP4 ASS1 ASS2 ASS3 ASS4
4 3 4 3 4 3 4 4 4 4 3 3
2 3 4 4 4 4 4 3 3 3 4 3
2 3 3 2 4 2 2 3 2 2 4 4
2 3 3 3 4 3 4 4 3 4 3 4
4 4 3 4 4 4 4 4 4 4 4 4
3 3 3 4 3 2 3 4 3 3 2 4
3 4 4 4 3 3 4 3 3 4 3 4
3 3 4 4 4 4 4 4 3 4 4 4
3 4 4 4 4 3 4 4 4 4 4 4
3 4 4 3 4 3 3 4 3 3 3 3
2 4 2 4 3 3 4 4 4 3 4 4
2 4 2 4 4 4 4 2 4 4 4 4
3 4 3 3 4 4 4 3 3 4 3 3
3 4 3 4 4 4 4 3 4 3 4 4
3 3 3 4 3 3 4 4 3 4 4 4
3 3 2 4 4 4 3 4 4 5 2 4
4 4 4 4 3 3 4 4 4 4 4 4
3 4 3 4 3 4 4 3 3 4 4 4
4 4 4 4 4 4 4 4 4 4 4 3
4 3 3 4 3 3 2 4 2 4 2 2
5 4 4 5 5 5 4 5 4 4 4 5
5 5 4 5 4 5 4 4 4 5 5 5
3 3 3 2 2 3 2 3 2 3 4 3
4 5 3 5 4 3 4 4 4 4 5 4
4 3 4 3 4 3 4 4 4 4 3 3
3 3 3 3 4 3 4 4 4 3 4 4
4 5 3 3 5 5 5 3 4 3 4 4
2 1 3 1 3 1 1 3 1 2 2 1
4 3 2 2 2 3 3 2 2 2 3 3
3 3 2 2 2 3 3 3 3 4 4 3

Ket :
T = Tangible, EMP = Empathy, ASS= Assurance
Pengujian validitas dan reliabilitas dapat dilakukan menggunakan bantuan
software SPSS. Pengujian validitas dapat dilakukan sebagai berikut :
1. Dari menu utama SPSS pilih menu Analyze → Correlate → Bivariate.
2. Tampak di layar tampilan “windows Bivariate Correlation”
3. Isikan dalam “box” variabel semua butir skor pertanyaan dan skor total.
4. Pada Coeficient Correlation, pilih Pearson.
 5. Tekan OK dan hasil output SPSS akan ditunjukkan sebagai berikut ini :

Berdasarkan output SPSS diatas dapat dilihat bahwa keempat indikator

pengukuran untuk variabel Tangible adalah valid, karena setiap indikator pengukuran
memiliki nilai pearson correlation diantara -1 < r < 1 dan juga memiliki nilai Sig. (2-
tailed) < 0,025. Sehingga dapat dikatakan bahwa pertanyaan dari setiap kuisioner
mampu mengungkapkan apa yang ingin diungkapkan. (Lakukan cara dan analisis yang
sama untuk pengujian variabel berikutnya)
Selanjutnya, pengujian reabilitas dapat diketahui sebagai berikut:
1. Open folder SPSS → Analyze → Scale → Reliability Analysis
2. Selanjutnya masukkan masing-masing variabel yang akan diuji → OK. Maka
akan keluar hasil output SPSS sebagai berikut ini:
 Berdasarkan output SPSS diatas, dapat dilihat nilai Cronbach’s Alpha untuk
variabel Tangible memiliki nilai 0,749 sehingga dapat disimpulkan bahwa indikator
pengukuran untuk variabel Tangible adalah konsisten untuk setiap responden dan
jawaban mereka terhadap pertanyaan tersebut stabil dari waktu ke waktu. Sehingga
dapat dikatakan bahwa variabel ini reliabel.

C. DAFTAR PUSTAKA
_______, 2013, Modul Praktikum Statistik Industri, Universitas Islam
Indonesia, Yogyakarta.
Modul Praktikum Statistik Industri Program Studi Teknik Industri Universitas
Syiah Kuala 2016
Nuur Wachid Abdul Majid, S.Pd., Chi Square untuk Uji Dua Sampel
Independen, Jakarta
Singgih, Santoso, 2014, Panduan Lengkap SPSS versi 20, Jakarta, Gramedia.

D. PROSEDUR PRAKTIKUM
Praktikan akan diberikan data statistik dan diminta untuk melakukan
pengolahan data dengan SPSS dan Minitab.
 MODUL IV
ANALISIS HUBUNGAN ANTAR VARIABEL
(KORELASI DAN REGRESI)
_____________________________________________________________________

A. TUJUAN PRAKTIKUM
Dari praktikum modul IV ini diharapakan praktikan dapat:
3. Mampu melakukan pengolahan data korelasi dan regresi dengan bantuan
software SPSS dan Minitab.
4. Menganalisis dan menginterpretasikan hasil pengolahan data korelasi dan
regresi yang dilakukan.

B. TEORI PENDUKUNG
1. Korelasi
Korelasi adalah teknik statistik yang digunakan untuk meguji hubungan serta
arah hubungan dari dua variabel atau lebih. Korelasi merupakan teknik analisis
yang termasuk dalam salah satu teknik pengukuran asosiasi/hubungan (measures of
association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada
sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan
hubungan antara dua variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi,
terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson
Product Moment dan Korelasi Rank Spearman. Pengukuran asosiasi mengenakan nilai
numerik untuk mengetahui tingkatan asosiasi atau kekuatan hubungan antara variabel.
Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu mempengaruhi
variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel tersebut disebut
independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (atau
lebih) dengan skala-skala tertentu, misalnya Pearson data harus berskala interval atau
rasio; Spearman dan Kendal menggunakan skala ordinal. Kuat lemah hubungan diukur
menggunakan jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan
pengujian hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien korelasi
diketemukan positif; sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut
tidak searah. Koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi
antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka
terdapat hubungan antara dua variabel tersebut. Jika koefesien korelasi diketemukan +1
maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear
sempurna dengan kemiringan (slope) positif. Sebaliknya. jika koefesien korelasi
diketemukan -1, maka hubungan tersebut disebut sebagai korelasi sempurna atau
hubungan linear sempurna dengan kemiringan (slope) negatif. Dalam korelasi sempurna
tidak diperlukan lagi pengujian hipotesis mengenai signifikansi antar variabel yang
dikorelasikan, karena kedua variabel mempunyai hubungan linear yang sempurna.
Artinya variabel X mempunyai hubungan sangat kuat dengan variabel Y. Jika korelasi
sama dengan nol (0), maka tidak terdapat hubungan antara kedua variabel tersebut.
1.1 Kegunaan Korelasi
Korelasi berguna untuk mengukur kekuatan (strength) dan arah hubungan antar
dua variabel atau lebih. Pengukuran antara variabel untuk masing-masing kasus akan
menghasilkan keputusan, diantaranya; a) Hubungan kedua variabel tidak ada; b)
Hubungan kedua variabel lemah; c) Hubungan kedua variabel cukup kuat; d) Hubungan
kedua variabel kuat; e) Hubungan kedua variabel sangat kuat. Penentuan tersebut
didasarkan pada criteria yang menyebutkan hubungan mendekati 1, maka hubungan
semakin kuat; dan sebaliknya jika hubungan mendekati 0, maka hubungan semakin
lemah.

1.2 Karakteristik Korelasi

Korelasi mempunyai beberapa karakteristik diantaranya:
a. Kisaran Korelasi: Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi
dapat positif dan dapat pula negatif.
b. Korelasi Sama Dengan Nol: Korelasi sama dengan 0 mempunyai arti tidak ada
hubungan antara dua variabel.
c. Korelasi Sama Dengan Satu: Korelasi sama dengan + 1 artinya kedua variabel
mempunyai hubungan linier sempurna (membentuk garis lurus) positif. Korelasi
sempurna seperti ini mempunyai makna jika nilai X naik, maka Y juga naik.
d. Korelasi sama dengan minus satu: artinya kedua variabel mempunyai hubungan
linier sempurna (membentuk garis lurus) negatif. Korelasi sempurna seperti ini
mempunyai makna jika nilai X naik, maka Y turun dan berlaku sebaliknya.
1.3 Pengertian Koefesien Korelasi
Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua
variabel. Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi
menunjukkan kekuatan (strength) hubungan linear dan arah hubungan dua variabel acak.
Jika koefesien korelasi positif, maka kedua variabel mempunyai hubungan searah. Artinya
jika nilai variabel X tinggi, maka nilai variabel Y akan tinggi pula. Sebaliknya, jika
koefesien korelasi negatif, maka kedua variabel mempunyai hubungan terbalik. Artinya
jika nilai variabel X tinggi, maka nilai variabel Y akan menjadi rendah dan berlaku
sebaliknya. Untuk memudahkan melakukan interpretasi mengenai kekuatan hubungan
antara dua variabel penulis memberikan kriteria sebagai berikut (Sarwono: 2006):
a. 0 : Tidak ada korelasi antara dua variabel
b. >0 – 0,25: Korelasi sangat lemah
c. >0,25 – 0,5: Korelasi cukup
d. >0,5 – 0,75: Korelasi kuat
e. >0,75 – 0,99: Korelasi sangat kuat
f. 1: Korelasi sempurna

1.4 Korelasi Pearson

Korelasi Pearson Product Moment, yang merupakan pengukuran
parametrik, akan menghasilkan koefesien korelasi yang berfungsi untuk mengukur
kekuatan hubungan linier antara dua variable. Jika hubungan dua variable tidak linier,
maka koefesien korelasi Pearson tersebut tidak mencerminkan kekuatan hubungan dua
variabel yang sedang diteliti; meski kedua variabel mempunyai hubungan kuat. Simbol
untuk korelasi Pearson adalah "p" jika diukur dalam populasi dan "r" jika diukur
dalam sampel. Korelasi Pearson mempunyai jarak antara -1 sampai dengan +1. Jika
koefesien korelasi adalah -1, maka kedua variabel yang diteliti mempunyai hubungan
linier sempurna negatif. Jika koefesien korelasi adalah +1, maka kedua variable yang
diteliti mempunyai hubungan linier sempurna positif. Jika koefesien korelasi
menunjukkan angka 0, maka tidak terdapat hubungan antara dua variable yang dikaji. Jika
hubungan dua variable linier sempurna, maka sebaran data tersebut akan membentuk
garis lurus. Sekalipun demikian pada kenyataannya kita akan sulit menemukan data yang
dapat membentuk garis linier sempurna.
 Data yang digunakan dalam Korelasi Pearson sebaiknya memenuhi persyaratan,
diantaranya ialah:
a. Berskala interval / rasio
b. Variabel X dan Y harus bersifat independen satu dengan lainnya
c. Variabel harus kuantitatif simetris.
Asumsi dalam Korelasi Pearson diantaranya ialah:
a. Terdapat hubungan linier antara X dan Y
b. Data berdistribusi normal
c. Variabel X dan Y simetris. Variabel X tidak berfungsi sebagai variabel bebas dan
Y sebagai variable tergantung,
d. Sampling representative
e. Varian kedua variabel sama

1.5 Korelasi Spearman

Korelasi Spearman merupakan pengukuran non-parametrik. Koefesien korelasi ini
mempuyai simbol r (rho). Pengukuran dengan menggunakan koefesien korelasi Spearman
digunakan untuk menilai seberapa baik fungsi monotonik (suatu fungsi yang sesuai
perintah) arbitrer digunakan untuk menggambarkan hubungan dua variabel dengan tanpa
membuat asumsi distribusi frekuensi dari variabel-variabel yang diteliti. Nilai koefesien
korelasi dan kriteria penilaian kekuatan hubungan dua variabel sama dengan yang
digunakan dalam korelasi Pearson. Penghitungan dilakukan dengan cara yang sama
dengan korelasi Pearson, perbedaan terletak pada pengubahan data kedalam bentuk
ranking sebelum dihitung koefesien korelasinya. Itulah sebabnya korelasi ini disebut
sebagai Korelasi Rank Spearman

1.5.1 Syarat dan Asumsi Penggunaan Korelasi Rank Spearman

Data yang digunakan untuk korelasi Spearman harus berskala ordinal. Berbeda
dengan Korelasi Pearson, Korelasi Spearman tidak memerlukan asumsi adanya hubungan
linier dalam variable-variabel yang diukur dan tidak perlu menggunakan data berskala
interval, tetapi cukup dengan menggunakan data berskala ordinal. Asumsi yang digunakan
dalam korelasi ini ialah tingkatan (rank) berikutnya harus menunjukkan posisi jarak yang
sama pada variable-variabel yang diukur. Jika menggunakan skala Likert, maka jarak
skala yang digunakan harus sama. Juga, data tidak harus berdistribusi normal.
1.6 Korelasi Partial
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel
independen dengan satu variabel dependen dan dilakukan pengendalian pada salah satu
variabel independennya. Variabel yang diteliti harus kontinus, berskala interval,
bersifat linier dan berdistribusi normal. Korelasi partial hanya digunakan jika variabel
ketiganya mempunyai hubungan keterkaitan dengan salah satu variabel yang
dikorelasikan.

1.7 Korelasi Ganda (Multiple Correlation)

Korelasi ganda merupakan korelasi yang digunakan untuk menguji hubungan
dua atau lebih variabel independen dengan satu variabel dependen secara bersamaan.
Korelasi ganda merupakan korelasi yang terdiri dari dua atau lebih variabel bebas
(independen) dan satu variabel terikat (dependen).

1.8 Aplikasi Korelasi Menggunakan SPSS 18

Saisberry Realty menjual rumah sepanjang east coast of the United States.
Pertanyaan yang sering muncul oleh pembeli adalah jika kita membeli rumah tersebut,
berapa ekspektasi biaya ($) yang dikeluarkan untuk membuat tungku pemanasan
selama musim dingin. Untuk menjawab pertanyaan tersebut, dilakukan penelitian
dengan sampel 20 rumah yang sudah terjual. Ada 3 variabel yang diduga
mempengaruhi biaya tersebut, yaitu:
a. Rata-rata temperatur diluar rumah (̊ F)
b. Jarak isolasi loteng (inches)
c. Usia perapian (tahun)

Berdasarkan tabel berikut ini, hitunglah nilai korelasi antara tiap variabel bebas
dengan variabel terikat. Data dari 20 rumah yang dijadikan sampel adalah sebagai
berikut:
 Tabel 1.1 Data Statistik Biaya Ekpektasi Rumah

Berdasarkan kasus diatas, dapat diketahui bahwa terdapat lebih dari dua variabel
independen dan satu variabel dependen sehingga pada kasus ini dapat diselesaikan
dengan menggunakan analisis korelasi berganda.
Berikut adalah langkah-langkahnya :
 Masukkan data dalam worksheet spss
 Klik Analyze → Regression → Linear, selanjutnya akan muncul kotak dialog
“regression linear”
 Pindahkan masing- masing variabel kedalam kolom dependen dan independen
 Klik statistics → model fit → Continue, selanjutnya akan muncul jendela seperti
pada gambar berikut:
 Berdasarkan tabel summary, nilai koefisien R = 0.893 (semakin mendekati 1)
sehingga dapat dikatakan hubungan antara variabel independen (usia, isolasi, suhu) dan
variabel dependen (cost) memiliki hubungan yang kuat.
Perlu diingat bahwa pada uji korelasi ganda yang digunakan hanya output model
summary saja (Lihat nilai nilai koefisien R output pada tabel model summary).
Interpretasi model pada korelasi ganda dapat dilihat pada nilai R, apabila nilai R
semakin mendekati 1 maka dapat dikatakan korelasi model semakin kuat.
Selain itu, guna memperkaya analisis dapat juga ditambahkan analisis korelasi
pada masing-masing variabel independen dengan variabel dependen (caranya sama
dengan analisis uji korelasi pearson dan spearman) dapat dilihat sebagai berikut:
1. Masukkan data dalam worksheet spss
2. Klik Analyze → Correlate → Bivariate → masukkan variabel → pearson
3. Klik two tailed → biarkan “flag significant correlation” dicentang, selanjutnya
akan muncul jendela seperti pada gambar berikut :
 Korelasi antara variabel independen (variabel suhu, isolasi, dan usia) dan
dependen (cost) diberikan pada tabel diatas. Berdasarkan tabel dapat dilihat korelasi
antara suhu dengan cost sebesar -0,811 dan antara isolasi dengan cost sebesar -0,196
sedangkan korelasi usia dengan cost sebesar 0,541. Dari hasil korelasi terlihat bahwa
korelasi tinggi berada variabel suhu dan cost yaitu -0,811. Hal ini berarti temperatur
akan mempunyai peluang yang cukup tinggi atau paling signifikan mempengaruhi
biaya pembelian panas didalam model regresi ini.

1.9 Aplikasi Korelasi Pearson Menggunakan Minitab

Berikut adalah langkah-langkah analisis Korelasi Pearson
 Klik Start → Basic Statistic → Correlation
 Masukkan masing- masing variabel → Select
 Klik OK, output akan menampilkan hasil berikut ini :
 Hasil analisis pada output Minitab diatas menunjukkan bahwa nilai korelasi
yang paling tinggi antar variabel adalah nilai antara cost dengan suhu sebesar -0,811
dan nilai P-value sebesar 0,000 artinya dapat disimpulkan bahwa ada korelasi yang
signifikan antara variabel tersebut ( P-value < 0,05). Sedangkan nilai korelasi yang
paling lemah signifikansinya terdapat pada variabel antara Isolasi dengan usia dimana
nilai P-value sebesar 0,792 (P-value > 0,05).

2. Analisis Regresi
Analisis regresi adalah analisis lanjutan dari korelasi yaitu menguji sejauh mana
pengaruh variabel independen terhadap variabel dependen setelah diketahui ada
hubungan antara variabel tersebut. Regresi dalam pengertian modern menurut Gujarati
(2009) adalah kajian terhadap ketergantungan satu variabel, yaitu variabel tergantung
terhadap satu atau lebih variabel lainnya atau disebut sebagai variabel-variabel
eksplanatori dengan tujuan untuk membuat estimasi dan memprediksi rata-rata
populasi atau nilai rata-rata variable tergantung dalam kaitannya dengan nilai-nilai yang
sudah diketahui dari variable eksplanatorinya. Selanjutnya menurut Gujarati meski
analisis regresi berkaitan dengan ketergantungan atau dependensi satu variabel
terhadap variable-variabel lainnya hal tersebut tidak harus menyiratkan sebab-akibat
(causation).
Dalam regresi dikembangkan persamaan estimasi (estimating equation), yaitu
rumus matematika yang menghubungkan variabel-variabel yang diketahui dengan yang
tidak diketahui. Setelah dipelajari pola hubungannya, kemudian baru dapat
mengaplikasikan analisis korelasi (correlation analysis) untuk menentukan tingkatan
dimana variabel-variabel tersebut saling berhubungan.
2.1 Tujuan Analisis Regresi
a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan
pada nilai variabel bebas.
b. Menguji hipotesi karakteristik dependensi
c. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai
variabel bebas diluar jangkauan sampel.

2.2 Persyaratan Model Regresi

a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA < 0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak, dengan melihat nilai
angka standard error of estimate < Standard Deviation
c. Tidak terjadi multikolinieritas, artinya tidak terjadi korelasi yang sangat tinggi atau
sangat rendah antar variabel bebas (hanya berlaku pada regresi berganda)
d. Tidak terjadi otokorelasi, terjadi otokorelasi apabila nilai angka Durbin dan
Watson (DB) <1 dan >3
e. Keselarasan model regresi dapat dilihat dengan model R square, semakin besar
nilai R square atau mendekati 1 maka model regresi semakin baik. Sebaliknya jika
nilai R square sama dengan 0, maka tidak ada hubungan linier antara X dan Y.
f. Data berdistribusi normal
g. Memiliki variabel independen dan dependen, dimana diantara variabel
independen tersebut tidak saling mempengaruhi.

2.3 Aplikasi Regresi Menggunakan SPSS

Dengan menggunakan data statistic pada Tabel 1.2 maka dilakukan langkah-
langkah analisis regresi sebagai berikut:
 Open folder data SPSS, kemudian klik Analyze → Regression → Linear
 Pindahkan Isi kolom Dependent kolom Independent
 Klik Statistics
  Klik Estimates, aktifkan “Model fit”, “Descriptive”, “Collinearity
diagnostics” dan “Durbin Watson” klik Continue
 Klik Plot dan pindahkan variabel *Zresid ke dalam kolom X dan *Zpred ke
dalam kolom Y. Aktifkan “Histogram” dan “Normal probability plots”
 Klik OK, output viewer SPSS akan menampilkan hasil berikut ini :

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 168307.576 3 56102.525 21.024 .000b

1 Residual 42695.374 16 2668.461

Total 211002.950 19

a. Dependent Variable: Biaya

b. Predictors: (Constant), Usia, Isolasi, Suhu

Berdasarkan hasil outputnya dapat diambil kesimpulan sebagai berikut:

a. Pada tabel correlations, dapat dilihat hubungan antar variabel dependen dan
independen (pembacaan hasil sama seperti pada korelasi spearman)
b. Model persamaan regresi dapat ditulis: cost = 432,261 - 4,713 suhu – 14,259
isolasi + 5,8 usia. Hal ini berarti semakin rendah suhu dan isolasi maka akan
meningkatkan biaya dalam pembelian pemanas, sedangkan semakin tua usia
perapian maka akan semakin besar pula biaya pembelian pemanas
c. Hipotesis (Uji F)
Ho : µ1 = µ2 = µ3
H1 : minimal ada satu µj  0, j = 1,2 atau 3
Berdasarkan tabel ANOVA diatas menunjukkan nilai sig. dari uji F, karena nilai
sig = 0.000 artinya kurang dari alpha = 5% (0,05) maka Ho ditolak dan dapat
disimpulkan bahwa ketiga variabel independen tersebut signifikan pada taraf
5% dan mempengaruhi variabel biaya pembelian pemanas secara simultan
d. Hipotesis (Uji T)
Ho : µ1 = 0 H1 : µ1  0
Ho : µ2 = 0 H1 : µ2 0
Ho : µ3 = 0 H1 : µ3  0

Berdasarkan tabel diatas dapat dilihat nilai sig. pada tabel ANOVA
diatas merupakan nilai sig. dari uji t untuk setiap variabel. Sehingga dapat
dilihat nilai sig. untuk variabel suhu = 0,000 sedangkan pada variabel isolasi
mempunyai nilai sig. = 0,009. Kedua variabel tersebut kurang dari 10%
sehingga Ho ditolak, dan dapat disimpulkan bahwa variabel suhu dan isolasi
mempengaruhi variabel biaya pembelian pemanas secara parsial.
 Nilai sig. untuk variabel adalah 0,172, karena nilai sig. pada kedua
variabel usia lebih dari 10% maka Ho diterima dan dapat disimpilkan bahwa
variabel usia tidak signifikan mempengaruhi variabel biaya pembelian pemanas
secara parsial.
Dari nilai standardized coefficient terlihat bahwa variabel suhu
mempunyai nilai absolut yang paling besar, ini mengindikasikan bahwa
temperature mempunyai pengaruh yang paling besar dibanding dua variabel
yang lain (isolasi dan usia)

Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate
1 .893a .798 .760 51.65715 1.617

a. Predictors: (Constant), Usia, Isolasi, Suhu

b. Dependent Variable: Biaya

Berdasarkan hasil outputnya dapat diambil kesimpulan sebagai berikut:

a. Nilai koefisien determinasi atau R square adalah 0,798. Hal ini berarti bahwa
79,8 % varasi variabel respon dapat diprediksi dari variabel independen
tersebut. Sedang kan nilai kesalahan estimasi = 51,65715
b. Uji asumsi (tidak ada autokorelasi); Uji Durbin Watson (range 0 s/d 4) Jika
dekat dengan 2 maka tidak ada autokorelasi, jika lebih dari 2 menunjukkan
korelasi negative dan sebaliknya kurang dari 2 maka ada korelasi positif. Nilai
yang diamati dalam contoh adalah 1,617 (mendekati 2) yang artinya tidak ada
autokorelasi atau dapat dikatakan residual yang saling berurutan saling bebas.
 Berdasarkan hasil outputnya dapat diambil kesimpulan sebagai berikut:
a. Uji Standar Error Estimates (SEE), dinyatakan dengan melihat nilai SEE < nilai
standar deviasi Y. Berdasarkan output SPSS dapat dilihat nilai SEE< standar
deviasi Y (62,389 < 205,5) sehingga dapat dikatakan model regresi tersebut
dinyatakan valid sebagai model prediksi.

Berdasarkan hasil outputnya dapat diambil kesimpulan sebagai berikut :

a. Uji Asumsi (Tidak ada multikolinieritas) ; pengujian ini dilakukan untuk
melihat apakah ada multikolinieritas yang tinggi, hal ini dapat dilihat dari nilai
VIF atau tolerance (keduanya memiliki interpretasi yang sama)
b. Apabila nilai VIF tinggi (> 10) atau nilai tolerance rendah (< 1-adj R square)
maka ada masalah multikolinieritas, berdasarkan hasil output SPSS dapat dilihat
nilai 1-adj R square = 1-0,76 = 0,24. Selain itu, apabila dilihat pada nilai VIF
tidak ada variabel yang memiliki nilai VIF >10 atau tolerance < 0,24, sehingga
dapat dikatakan tidak ada multikolinieritas pada model tersebut.
 Berdasarkan Histogram dan Normal P-P plot dapat diambil kesimpulan:
a. Persebaran titik berada pada garis lurus miring keatas (Normal P-P) dan
Berdistribusi normal (dapat dilihat dari histogram) sehingga dapat dikatakan
asumsi normalitas terpenuhi

2.4 Aplikasi Regresi Menggunakan Minitab

Dengan menggunakan data statistik pada Tabel 1.1 maka dilakukan langkah-
langkah analisis regresi sebagai berikut:
 Klik start → Regression → Regression
 Kemudian masukkan dependen ke kotak “response” dan variabel independen
ke kotak “predictor”
 Selanjutnya klik option → fit intercept → variance inflating factors → Durbin
Watson statistics → OK
 Pilih storage → residual → coefficients → fits → OK
 Selanjutnya output pada minitab dapat dilihat sebagai berikut :
 Berdasarkan output Minitab diatas, dapat dilihat:
a. Ada dua cara yang dilakukan untuk melihat persamaan regresi pada minitab,
yaitu:
1. Melihat nilai coef pada output worksheet minitab (lihat variabel baru
disebelah kanan residual “COEF1”
2. Dengan melihat langsung “The regression is”; pada hasil output minitab
dapat dilihat hasilnya: Cost = 432 – 4,71 suhu – 14,3 isolasi + 5,80 usia.
3. Persamaan regresi tersebut dapat disimpulkan: Apabila variabel lain
bernilai konstan maka nilai Y (cost) akan berubah dengan sendirinya
sebesar nilai konstanta yaitu 432.
4. Apabila variabel lain bernilai konstan maka nilai Y (cost) akan berubah
sebesar 4,71 setiap satu satuan X1 (suhu)
5. Apabila variabel lain bernilai konstan maka nilai Y (cost) akan berubah
sebesar 14,3 setiap satu satuan X2 (isolasi)
6. Apabila variabel lain bernilai konstan maka nilai Y akan berubah sebesar
5,80 setiap satu satuan X3 (usia)
b. Uji R Square dapat ditunjukkan dengan melihat nilai R-sq di mana pada uji ini
nilainya sebesar 79,8 % artinya variabel dependen (Y) dapat dijelaskan oleh
sekelompok variabel independen (X1, X2, X3) secara simultan sebesar 79,8 %
sedangkan sisanya (100% - 79,8 % = 20,2 %) dijelaskan oleh variabel lain diluar
model yang diteliti.

c. Uji Multikolinearitas; untuk mendeteksi gejala multikolinieritas dapat dilihat

nilai VIF (VIF < 5) karena nilai VIF = 1,342; 1,029; 1,310 (kurang dari 5) dapat
disimpulkan tidak adanya gejala multikolinieritas pada model regresi tersebut.
d. Uji Autokorelasi; mendeteksi autokorelasi dapat dilihat nilai Durbin Watson
pada output Minitab. Nilai Durbin Watson = 1,61708 (mendekati 2) sehingga
dapat dikatakan tidak adanya gejala autokorelasi pada model regresi.
 e. Nilai Standard Error of Estimates (SEE) digunakan untuk mengetahui apakah
model regresi dinyatakan valid sebagai model prediksi. Berdasarkan hasil
output minitab, Nilai SEE dapat dilihat dengan membandingkan nilai S dengan
standar deviasi Y (SEE< standar deviasi Y) dapat dilihat nilai S = 51,65 dan
standar deviasi = 105,4 (dapat dilihat pada uji deskriptif statistik) sehingga dapat
disimpulkan bahwa model regresi tersebut valid sebagai model prediksi.
f. Uji F regresi, dilakukan untuk menentukan apakah secara serentak semua
variabel independen mempunyai pengaruh yang yang bermakna terhadap
variabel dependen dapat dilihat dari nlai uji F (P value < 0,05). Berdasarkan
output minitab, dapat disimpulkan nilai P pada ANOVA sebesar 0,000 < 0,05
maka dapat disimpulkan secara simultan variabel independen mempunyai
pengaruh bermakna terhadap terhadap variabel dependen.
g. Uji T parsial, dilakukan untuk mengetahui apakah variabel independen yang di
dalam model regresi mempunyai pengaruh secara individu terhadap variabel
dependen dengan memperhatikan keberadaan variabel lain di dalam model.
Nilai t parsial dapat dilihat melalui nilai t output Minitab. Berdasarkan output
Minitab dapat dilihat nilai P value t parsial < 0,05 sehingga dapat disimpulkan
semua variabel memiliki pengaruh secara individu terdapat variabel dependen
(Y) dengan memperhatikan variabel lain.

Uji normalitas dapat dilakukan dengan melihat diagram normal probability plot
dan Histogram. Residual berdistribusi normal apabila histogram menyerupai bel keatas.
Berdasarkan histogram, dapat disimpulkan bahwa data berdistribusi normal. Selain itu,
uji normalitas dapat juga dilakukan dengan menggunakan diagram normal probability
plot. Berdasarkan normal probability plot dapat dilihat bahwa data berdistribusi
normal, hal ini dapat dilihat plot mengikuti garis lurus. Sehingga dapat disimpulkan
residual berdistribusi normal.

C. DAFTAR PUSTAKA
Modul Praktikum Statistik Industri Program Studi Teknik Industri Universitas
Syiah Kuala 2019

D. PROSEDUR PRAKTIKUM
Pada praktikum ini praktikan akan diberikan data statistik dan diminta untuk
melakukan uji validitas dan reliabilitas menggunakan SPSS dan Minitab.